【技术实现步骤摘要】
本专利技术属于耕地地块提取，具体涉及一种多任务地块提取方法和装置。
技术介绍
1、耕地资源，作为农业生产的基础，对于国家粮食安全和社会经济发展至关重要。因此，采用遥感等高新技术对耕地进行提取变得尤为重要。这使得相关部门能够基于现势数据，制定或调整土地管理政策，确保耕地利用的可持续性。
2、随着遥感影像空间分辨率的逐步提高及深度学习算法的快速发展，基于深度学习的方法在地块提取领域得到了广泛应用。深度学习模型通过学习大量图像数据中的特征表示，能够自动提取地块的复杂特征，包括纹理、颜色、形状等，从而实现更准确的地块提取，无需手动设计特征。因此，与传统方法相比，深度学习方法具有更强的泛化性，能够有效处理复杂地物和不同地域数据。现有的基于深度学习的地块提取方法根据依赖特征的不同，可以分为基于语义和基于边缘的方法。
3、基于语义的方法通过深度学习模型对遥感影像上的像素进行类别划分，将其划分为地块及非地块，实现对每个像素的类别判别。然而，由于语义分割方法主要关注全局特征，且编码器中存在的多次下采样操作可能会导致深层特征空间位置信息丢失。因此，基于语义的地块提取方法存在一些问题。首先是边界粘连问题，即当多个地块形态相似且位置紧邻时，语义分割算法可能生成粘连在一起的多边形对象，进而模糊了单个地块的准确边界。其次，共享边界的特性可能导致算法在提取地块时产生边界位置的不准确。最后，椒盐噪声的存在可能对分类精度产生负面影响，从而降低地块的提取效果。
4、基于边缘的地块提取方法主要思想在于强化地块边缘信息，进而生成具有
技术实现思路
1、本专利技术要克服现有技术的上述缺点，提供一种尺度注意力引导的多任务地块提取方法和装置。
2、将边缘信息与语义信息结合用于遥感影像中的地块提取，具有显著的优势。基于语义的方法能够捕获影像的全局特征，提供对地块类别的准确判断。边缘检测方法则能够突出地块之间的边界，尤其是那些像素值变化明显的区域。由于不同层次的特征所包含的信息不相同，深层语义信息包含了丰富的全局特征和上下文信息，对于理解影像的整体内容非常有用，有助于准确地判别地物的语义信息。浅层边缘信息反映了像素之间的局部变化和地块的边界特征，对于保持地块的边界完整性和准确性至关重要，有助于准确地识别地块的边界。结合两者，可以充分利用不同层次的特征，从全局到局部，实现地块提取的全面性和准确性。
3、语义分割和边缘检测是两种不同但相关的任务。由于这两种任务关注的信息不同，使用独立的多分支结构是有意义的。本专利技术设计了一种多任务地块提取方法，通过多分支结构实现不同任务的协同训练。(1)设计独立的语义及距离解码器和边缘解码器进行信息重构，确保了不同任务在信息处理阶段的独立性。这种设计使得模型能够在共享特征的同时，有效区分并恢复各自的高层语义信息和低层边缘信息。(2)针对下采样过程中的特征丢失问题，设计了特征压缩模块fcm，在降低维度的同时更多的保留特征间的空间信息，改进了方法对于小块耕地的提取效果。(3)引入空间组注意力机制增强不同层次的特征表示，通过动态调整对不同空间区域的关注程度，以提高地块提取的准确性和完整性。本专利技术方法包含语义分割、边缘检测及距离映射三个子任务，分别提升地块内部特征理解、边界精确侦测能力和边界处理流畅性。这种多任务协同策略不仅提高了单任务精度，还通过交叉优化增强了整体地块提取性能。
4、本专利技术的第一个方面涉及一种多任务地块提取方法，包含以下步骤：
5、(1)基于高分二号遥感影像制作耕地地块数据集，并划分为训练集和测试集；
6、(2)构建特征提取网络，对swin transformer进行改进，得到改进后的网络作为特征编码器；
7、(3)设计语义及距离解码器、边缘解码器对特征编码器提取特征进行解码，编码器和解码器共同组成多任务地块提取模型；
8、(4)使用多任务损失函数对多任务地块提取模型进行监督训练，同时处理多个相关任务优化模型的性能；
9、(5)将训练集输入到多任务地块提取模型中进行训练，用测试集计算模型的精度，选择测试集精度最高的模型作为最终的地块提取模型；
10、(6)将待预测遥感影像输入训练好的地块提取模型中，采用滑动窗口方法对遥感影像进行预测，得到地块的语义结果、距离结果及边缘结果。
11、所述步骤(1)具体包括以下步骤：
12、(1a)下载空间分辨率为1m的高分二号遥感影像；
13、(1b)在arcmap中打开下载的高分二号遥感影像，使用其中的标记工具选取地块丰富且具有特色区域进行打点标记，并将标记转为点矢量文件；
14、(1c)根据步骤(1b)所获得的点矢量文件对遥感影像进行裁剪，获得大小为1024*1204的待标注影像，并为裁剪后的每张影像创建对应其地理位置的面矢量；
15、(1d)根据步骤(1c)中获得的影像，使用arcmap中的剪切面工具对步骤(1c)获得的面矢量进行编辑，勾绘出地块多边形；
16、(1e)将步骤(1d)中获得的面矢量进行栅格转换，转化为语义标签及边缘标签，根据语义标签，使用opencv中的距离映射算法获得距离标签；
17、(1f)对步骤(1c)中获得的遥感影像和步骤(1e)中获得的三种标签进行同步裁剪，获得1600对大小为256*256的初始样本集；
18、(1g)对步骤(1f)获得的初始样本集按7：2：1的比例划分训练集、测试集、验证集。
19、所述步骤(2)具体包括以下步骤：
20、(2a)采用swin transformer作为特征提取网络的基础，swin transformer由一个patch partition层和四个stage组成，patch partition层将输入的遥感影像切分成块，并将切分后的数据输入后续stage进行特征提取，除第一个stage外，其余三个stage均由一个patch merging模块和若干个swin transformer block组成；
21、(2b)设计特征压缩模块(feature compose module，fcm)对原swin transformer中的patch merging模块进行替换，用于缩小特征的分辨率并调整通道数。
22、所述步骤(3)具体包括以下步骤：
23、(3a)搭建语义及距离解码器：语义及距离解码器首先接收编码器中每个stage的输出特征为输入，为了增强特征的表示本文档来自技高网...
【技术保护点】
1.一种多任务地块提取方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(1)具体包括以下步骤：
3.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(2)具体包括以下步骤：
4.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(3)具体包括以下步骤：
5.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(4)具体包括以下步骤：
6.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(5)具体包括以下步骤：
7.根据权利要求1所述的多任务地块提取方法，其特征在于：所述步骤(6)具体包括以下步骤：
8.一种多任务地块提取装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-6中任一项所述的一种多任务地块提取方法。
9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，
...【技术特征摘要】
1.一种多任务地块提取方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(1)具体包括以下步骤：
3.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(2)具体包括以下步骤：
4.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(3)具体包括以下步骤：
5.根据权利要求1所述的一种多任务地块提取方法，其特征在于：所述步骤(4)具体包括以下步骤：
6.根据权利要求1所述的一种多任务...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。