【技术实现步骤摘要】
本专利技术涉及遥感影像处理，尤其涉及一种遥感影像林地的提取方法及装置。
技术介绍
1、林地作为生态资源的重要一环，在保护生态平衡、促进环境质量等方面均具有重要意义。因此，准确掌握林地的资源的现状及变化有着重要意义。传统的林地资源调查方式主要依赖于人工地面调查，该方法费时费力并且更新周期长。
2、近些年来遥感卫星技术可以通过采集、处理与分析数据来实现对各种任务的多方面监测，这也对遥感影像林地提取工作有着重大意义，使得林地提取任务能够依靠高分遥感卫星数据得到可靠的结果。
3、早期针对遥感影像分类使用的方法是目视解译法，该方法需要业内人员有着丰富专业的经验，虽然最终的识别与提取结果比较准确，但是也存在着很多缺点，例如工作量大、过于依赖经验和无法识别细小目标等。近年来，人们利用卷积神经网络能够对复杂且抽象的图像特征进行提取的特点，提出了将卷积神经网络模型应用于遥感影像分类。
4、然而，在遥感影像中林地的提取过程中，现有基于卷积神经网络模型的遥感影像处理方法存在着错分漏分的现象，连贯性较弱，图块边界与实际边界偏差较大，点块状碎图斑数量较多，图像识别分割效果不够准确。
技术实现思路
1、有鉴于此，本专利技术提供一种遥感影像林地的提取方法及装置，用于解决目前在遥感影像中林地的提取过程中，现有基于卷积神经网络模型的遥感影像处理方法存在着错分漏分的现象，连贯性较弱，图块边界与实际边界偏差较大，点块状碎图斑数量较多，图像识别分割效果不够准确的问题。
2、
3、对遥感影像进行预处理，得到若干预设尺寸的样本图像；
4、构建图像分割模型，将u-net网络结构中的解码器作为所述图像分割模型的解码器，将resnet网络结构中去掉平均池化层、全连接层和激活函数层后的结构作为所述图像分割模型的编码器，所述图像分割模型的编码器与解码器的对应层通过跳跃连接结构连接，所述跳跃连接结构之后设置有特征拼接模块和注意力模块，所述跳跃连接结构用于将所述图像分割模型的编码器中各层下采样提取到的特征图输出到所述图像分割模型的解码器的对应层，所述特征拼接模块用于将所述图像分割模型的编码器和解码器对应层提取到的相同尺寸的特征图进行融合拼接，所述注意力模块用于增强对融合拼接后的特征图中目标特征信息的提取；
5、利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型；
6、将待提取遥感影像输入到所述目标图像分割模型中，得到林地提取信息。
7、可选的，所述图像分割模型的解码器中，除最后一层以外的其他任意一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后进行上采样，上采样的结果作为下一层的所述特征拼接模块的输入；最后一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后再依次进行非局部操作、1×1卷积操作以及上采样。
8、可选的，所述利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型的步骤包括：
9、采用迁移学习的方法进行所述图像分割模型的初始化，其中，所述图像分割模型的编码器采用预训练的resnet网络的权重，所述图像分割模型的解码器采用keras框架中的he_uniform初始化器进行参数初始化。
10、可选的，所述利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型的步骤包括：
11、采用adam算法对所述图像分割模型的参数进行更新；和/或，
12、在所述图像分割模型的训练过程中加入dropout机制以防止过拟合。
13、可选的，所述对遥感影像进行预处理，得到若干预设尺寸的样本图像的步骤包括：
14、对遥感影像进行样本标注，并将标注后得到的样本数据转化为栅格数据；
15、将所述栅格数据按照预设尺寸进行裁剪，得到若干预设尺寸的样本图像。
16、第二方面，本专利技术还提供一种遥感影像林地的提取装置，该提取装置包括：
17、预处理模块，用于对遥感影像进行预处理，得到若干预设尺寸的样本图像；
18、构建模块，用于构建图像分割模型，将u-net网络结构中的解码器作为所述图像分割模型的解码器，将resnet网络结构中去掉平均池化层、全连接层和激活函数层后的结构作为所述图像分割模型的编码器，所述图像分割模型的编码器与解码器的对应层通过跳跃连接结构连接，所述跳跃连接结构之后设置有特征拼接模块和注意力模块，所述跳跃连接结构用于将所述图像分割模型的编码器中各层下采样提取到的特征图输出到所述图像分割模型的解码器的对应层，所述特征拼接模块用于将所述图像分割模型的编码器和解码器对应层提取到的相同尺寸的特征图进行融合拼接，所述注意力模块用于增强对融合拼接后的特征图中目标特征信息的提取；
19、训练模块，用于利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型；
20、提取模块，用于将待提取遥感影像输入到所述目标图像分割模型中，得到林地提取信息。
21、可选的，所述图像分割模型的解码器中，除最后一层以外的其他任意一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后进行上采样，上采样的结果作为下一层的所述特征拼接模块的输入；最后一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后再依次进行非局部操作、1×1卷积操作以及上采样。
22、可选的，所述训练模块包括：
23、初始化单元，用于采用迁移学习的方法进行所述图像分割模型的初始化，其中，所述图像分割模型的编码器采用预训练的resnet网络的权重，所述图像分割模型的解码器采用keras框架中的he_uniform初始化器进行参数初始化。
24、可选的，所述训练模块包括：
25、参数更新单元，用于采用adam算法对所述图像分割模型的参数进行更新；和/或，
26、过拟合抑制单元，用于在所述图像分割模型的训练过程中加入dropout机制以防止过拟合。
27、可选的，所述预处理模块包括：
28、标注单元，用于对遥感影像进行样本标注，并将标注后得到的样本数据转化为栅格数据；
29、裁剪单元，用于将所述栅格数据按照预设尺寸进行裁剪，得到若干预设尺寸的样本图像。
30、本专利技术的上述技术方案的有益效果如下：
31、本专利技术实施例中，采用resnet网络替换u-net网络中的编码器，可以加深网络模型层数，提高网络模型的分割精度，能够快速收敛，模型数据量小，且模型容易训练，既能防止退化也能防止梯度消散，从而有效提高图像分割模型的分类性能；跳跃连接结构和注意力本文档来自技高网...
【技术保护点】
1.一种遥感影像林地的提取方法，其特征在于，包括：
2.根据权利要求1所述的提取方法，其特征在于，所述图像分割模型的解码器中，除最后一层以外的其他任意一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后进行上采样，上采样的结果作为下一层的所述特征拼接模块的输入；最后一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后再依次进行非局部操作、1×1卷积操作以及上采样。
3.根据权利要求1所述的提取方法，其特征在于，所述利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型的步骤包括：
4.根据权利要求1所述的提取方法，其特征在于，所述利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型的步骤包括：
5.根据权利要求1所述的方法，其特征在于，所述对遥感影像进行预处理，得到若干预设尺寸的样本图像的步骤包括：
6.一种遥感影像林地的提取装置，其特征在于，包括：
7.根据权利要求6所述的提取装
8.根据权利要求6所述的提取装置，其特征在于，所述训练模块包括：
9.根据权利要求6所述的提取装置，其特征在于，所述训练模块包括：
10.根据权利要求6所述的提取装置，其特征在于，所述预处理模块包括：
...【技术特征摘要】
1.一种遥感影像林地的提取方法，其特征在于，包括：
2.根据权利要求1所述的提取方法，其特征在于，所述图像分割模型的解码器中，除最后一层以外的其他任意一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后进行上采样，上采样的结果作为下一层的所述特征拼接模块的输入；最后一层的所述注意力模块输出的特征图使用3×3卷积层、批归一化层和修正线性单元依次进行处理，并在重复处理两次后再依次进行非局部操作、1×1卷积操作以及上采样。
3.根据权利要求1所述的提取方法，其特征在于，所述利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型的步骤包括：
4.根据权利要求1所述的提取方法，其特征在于，所述利用所述样本图像对所述图像分割模型进行训练，得到目标图像分割模型的步骤包括：
5.根据权利要求1所述的方法，其...
【专利技术属性】
技术研发人员：张文博，公雪霜，汪雨豪，李帅，候博文，肖达，
申请(专利权)人：中国四维测绘技术有限公司，
类型：发明
国别省市：
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。