本發(fā)明涉及圖像處理，具體為基于分區(qū)理論和知識(shí)圖譜的耕地塊深度學(xué)習(xí)快速提取方法。

背景技術(shù)：

1、耕地，是人類賴以生存的基本資源和條件，具有保障糧食安全、滿足工業(yè)化和城市化用地需求及生態(tài)環(huán)境建設(shè)等功能。實(shí)時(shí)準(zhǔn)確地監(jiān)控耕地資源分布與變化是促進(jìn)農(nóng)業(yè)生產(chǎn)現(xiàn)代化的重要前提，同時(shí)也是宏觀農(nóng)業(yè)政策制定、農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)資源保護(hù)與綠色可持續(xù)發(fā)展的急切需求。利用天空地多源遙感數(shù)據(jù)等遙感技術(shù)開展耕地監(jiān)測(cè)，可以滿足大部分需求。隨著遙感數(shù)據(jù)源分辨率及可獲取性提升，遙感數(shù)據(jù)分類處理技術(shù)不斷改進(jìn)，耕地遙感監(jiān)測(cè)總體精度和時(shí)效性不斷提高。但現(xiàn)有的各種耕地監(jiān)測(cè)方法大多適用于單一時(shí)空域，在進(jìn)行大范圍耕地監(jiān)測(cè)時(shí)，模型與方法的泛化能力弱，普適性相對(duì)不高。此外傳統(tǒng)的遙感信息提取方法，如最大似然、支持向量機(jī)、隨機(jī)森林等都是基于像元的分類，其分類結(jié)果往往會(huì)出現(xiàn)“椒鹽現(xiàn)象”，地塊的完整度、邊界信息及其提取精度相對(duì)較低?，F(xiàn)有研究中，耕地信息提取在種植密集且單一的平原地區(qū)已經(jīng)取得了良好的分類效果。然而耕地特點(diǎn)復(fù)雜多樣，尤其是丘陵山地地區(qū)地形起伏較大，地塊破碎度高，加之種植面積與地塊邊界形狀大小不一，導(dǎo)致空間異質(zhì)性大，耕地信息提取困難加大。隨著影像空間分辨率的不斷提高，呈現(xiàn)出更為精細(xì)的地物光譜和空間等特征，可為丘陵山區(qū)不規(guī)則的耕地信息提供了數(shù)據(jù)支撐，此外，基于影像多光譜特征的深度學(xué)習(xí)方法為復(fù)雜條件下的影像分類提供了技術(shù)支撐。如何基于高分辨率影像進(jìn)行破碎化地區(qū)耕地地塊的深度學(xué)習(xí)準(zhǔn)確提??？是本技術(shù)解決的問題。本發(fā)明提出的tst-unet深度學(xué)習(xí)模型，可以精準(zhǔn)獲取破碎化地塊細(xì)節(jié)邊緣精細(xì)信息，實(shí)現(xiàn)山區(qū)耕地的快速、智能化提取。

2、訓(xùn)練樣本的數(shù)量和質(zhì)量決定了監(jiān)測(cè)模型的檢測(cè)精度，尤其是基于深度學(xué)習(xí)構(gòu)建變化檢測(cè)模型，需要以海量的高精度遙感訓(xùn)練樣本數(shù)據(jù)作為輸入。通過目視解釋和野外調(diào)研獲取樣本費(fèi)時(shí)費(fèi)力，效率較低?，F(xiàn)階段研究往往直接使用已有的數(shù)據(jù)分類產(chǎn)品進(jìn)行模型訓(xùn)練，但由于相關(guān)數(shù)據(jù)集精度有限，導(dǎo)致深度學(xué)習(xí)泛化能力較差。缺乏足夠數(shù)量的高質(zhì)量訓(xùn)練樣本是限制深度語義分割網(wǎng)絡(luò)精度的一個(gè)主要因素。因此，如何快速獲取大區(qū)域高質(zhì)量訓(xùn)練樣本進(jìn)行深度學(xué)習(xí)訓(xùn)練？是本技術(shù)解決問題的重要組成部分。本發(fā)明提出一種基于分區(qū)理論的耕地知識(shí)圖譜數(shù)據(jù)庫建設(shè)方案，為深度學(xué)習(xí)提供支持和保障。

3、對(duì)中高辨率遙感數(shù)據(jù)耕地地塊提取而言，當(dāng)前并無針對(duì)性的高質(zhì)量深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)集；或已有的訓(xùn)練數(shù)據(jù)集多基于目視解譯，制作效率低；或已有的深度語義分割網(wǎng)絡(luò)分割結(jié)果存在邊緣分割精度低等問題，限制了遙感數(shù)據(jù)的提取精度。

4、針對(duì)上述傳統(tǒng)方法復(fù)雜度高和效率低的缺陷與需求，就需要基于分區(qū)理論和知識(shí)圖譜的耕地塊深度學(xué)習(xí)快速提取方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于分區(qū)理論和知識(shí)圖譜的耕地塊深度學(xué)習(xí)快速提取方法。本發(fā)明構(gòu)建了一套涉及大區(qū)域高質(zhì)量訓(xùn)練樣本制作以及耕地地塊深度語義分割學(xué)習(xí)提取的集成方法，基于此方法有助于加速深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)遙感領(lǐng)域的泛化應(yīng)用與遷移能力。

2、本發(fā)明是這樣實(shí)現(xiàn)的，本發(fā)明提供基于分區(qū)理論和知識(shí)圖譜的耕地塊深度學(xué)習(xí)快速提取方法,具體按以下步驟執(zhí)行：

3、s1：基于分區(qū)分層理論，以地形dem作為基礎(chǔ)，結(jié)合自然地理區(qū)劃和地貌類型，對(duì)區(qū)域遙感影像的地形進(jìn)行目視判斷，將地貌類型進(jìn)行分類；判斷區(qū)域遙感影像，當(dāng)中平原占主導(dǎo)地形，則判定該區(qū)域確定為地形單一區(qū)；當(dāng)區(qū)域遙感影像中山地占主導(dǎo)地形，則判定該區(qū)域確定為地形復(fù)雜區(qū)。

4、s2：收集形成耕地樣本基本數(shù)據(jù)庫以及通過實(shí)地采集的樣點(diǎn)數(shù)據(jù)，和基于googleearth高分辨率影像的目視解譯樣點(diǎn)數(shù)據(jù)，將耕地樣本包括的tiff柵格數(shù)據(jù)和shp矢量數(shù)據(jù)兩種基本格式的數(shù)據(jù)基于arcgis軟件平臺(tái)創(chuàng)建數(shù)據(jù)庫；

5、形成耕地樣本基本數(shù)據(jù)庫具體包括數(shù)據(jù)平臺(tái)公開，例如國(guó)家農(nóng)業(yè)科學(xué)數(shù)據(jù)中心、中國(guó)科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心、國(guó)家青藏高原科學(xué)數(shù)據(jù)中心等平臺(tái)的土地利用類型數(shù)據(jù)、不同科研單位已公開發(fā)表的土地利用數(shù)據(jù)產(chǎn)品，例如清華大學(xué)的中國(guó)1980-2015逐年30米土地覆蓋/土地利用數(shù)據(jù)集、武漢大學(xué)1990-2022年逐年30米土地利用數(shù)據(jù)集等。

6、s3：在創(chuàng)建的數(shù)據(jù)庫中，根據(jù)對(duì)地貌類型進(jìn)行的分類進(jìn)行提取訓(xùn)練樣本集；

7、對(duì)地貌類型進(jìn)行的分類地形包括單一區(qū)耕地地塊大，地形結(jié)構(gòu)單一的地塊基于高時(shí)空分辨數(shù)據(jù)進(jìn)行耕地?cái)?shù)據(jù)提取，將創(chuàng)建的數(shù)據(jù)庫中的耕地樣本直接作為地形單一區(qū)耕地智能提取的訓(xùn)練樣本集；

8、地形復(fù)雜區(qū)以創(chuàng)建的數(shù)據(jù)庫中的耕地樣本數(shù)據(jù)，利用隨機(jī)森林法，進(jìn)行耕地和非耕地二分類。

9、s4：進(jìn)行高分辨影像收集與預(yù)處理，選擇耕地破碎化嚴(yán)重的山區(qū)地區(qū)作為試驗(yàn)區(qū)，收集高空間分辨率遙感影像；獲取研究區(qū)的高空間分辨率的光學(xué)遙感影像，利用遙感數(shù)據(jù)處理軟件進(jìn)行幾何精校正，并基于地理坐標(biāo)拼接完整覆蓋研究區(qū)；

10、·地形復(fù)雜區(qū)進(jìn)行耕地和非耕地二分類具體按以下步驟執(zhí)行：

11、·s4.1：進(jìn)行特征因子構(gòu)建，具體包括海拔、坡度和坡向、陰影特征，具體選取光譜特征、紋理特征、地形特征3大類特征組成原始的特征集；其中光譜特征包括不同波段的光譜特征及通過其中波段進(jìn)行計(jì)算得到相關(guān)的指數(shù)特征，紋理特征采用灰度共生矩陣提取，通過計(jì)算圖像中相鄰一定距離兩像元之間的灰度關(guān)系特性，對(duì)這些像元點(diǎn)出現(xiàn)頻率進(jìn)行統(tǒng)計(jì)，生成一個(gè)對(duì)稱的矩陣，如式(1)；

12、p(i，j，δ，θ)＝{[(x，y)，(x+dx，y+dy)]|f(x，y)＝i，f(x+dx，y+dy＝j(luò))}????式(1)

13、·其中，f(x，y)代表需要用于生成灰度共生矩陣的圖像，(x，y)代表圖像中的某個(gè)點(diǎn)，(x+dx，y+dy)為(x，y)偏移后的對(duì)應(yīng)像素點(diǎn)坐標(biāo)，i代表(x，y)像素的灰度值，j代表(x+dx，y+dy)的灰度值，δ為偏移距離，θ為偏移方向，p(i，j，δ，θ)表示(x，y)在偏移距離為δ，偏移方向?yàn)棣葧r(shí)出現(xiàn)的概率；

14、·s4.2：進(jìn)行特征優(yōu)選，采用基于條件概率理論的距離作為衡量不同特征間的可分離程度，從原始數(shù)據(jù)中抽取部分通道圖層組成特征優(yōu)選后的數(shù)據(jù)用作輸入分類器分類；如式(2)；

15、

16、·s4.3：構(gòu)建決策樹，選用cart算法構(gòu)建決策樹分類器，設(shè)置隨機(jī)森林算法樹范圍為(0，1200)，以5遞增，通過多次循環(huán)找到最高總體分類精度對(duì)應(yīng)的樹的數(shù)量，將對(duì)應(yīng)分類結(jié)果做為最終分類結(jié)果；

17、s4.4：進(jìn)行人工校正，基于隨機(jī)森林獲得的臨時(shí)識(shí)別結(jié)果，參考地面調(diào)查數(shù)據(jù)、谷歌地球和高分2號(hào)衛(wèi)星高分辨率數(shù)據(jù)，通過人工目視解譯對(duì)分類結(jié)果進(jìn)行校正，包括去除誤報(bào)和校正漏分，對(duì)最終結(jié)果利用混淆矩陣、f1分?jǐn)?shù)、用戶精度、生產(chǎn)者精度和整體精度指標(biāo)評(píng)估精度。

18、s5：訓(xùn)練標(biāo)簽制作與處理，在步驟s3建立的數(shù)據(jù)庫的基礎(chǔ)上，選擇高質(zhì)量訓(xùn)練樣本數(shù)據(jù)；對(duì)訓(xùn)練標(biāo)簽進(jìn)行數(shù)據(jù)增強(qiáng)；數(shù)據(jù)增強(qiáng)包括對(duì)訓(xùn)練標(biāo)簽數(shù)據(jù)進(jìn)行隨機(jī)裁剪、翻轉(zhuǎn)、旋轉(zhuǎn)、色彩抖動(dòng)、圖像移位。在保留原始特征不受破壞的前提下，生成新的樣本，有效增強(qiáng)模型的魯棒性和泛化性能。

19、s6：進(jìn)行tst-unet模型構(gòu)建和訓(xùn)練；在模型中將transformer結(jié)構(gòu)作為編碼器，對(duì)遙感影像進(jìn)行特征提取，捕獲更長(zhǎng)以來的特征，其中transformer編碼器由l層多頭自注意力和多層感知機(jī)組成。如式(3)-式(5)；

20、z'l＝msa(ln(zl-1))+zl-1?????式(3)

21、zl＝mlp(ln(z'l))+z'l??????式(4)

22、

23、式中l(wèi)n為層歸一化算法；為編碼圖像表示；為多頭自注意力，是注意力機(jī)制中的縮放因子；

24、進(jìn)一步，增加一條裁剪編碼器分支，通過訓(xùn)練一分為四的原始圖像，在編碼后將結(jié)果與原編碼器的結(jié)果相加后輸入解碼器，并與原編碼器的特征進(jìn)行融合，最終輸出結(jié)果。

25、將原圖輸入cnn進(jìn)行特征提取,進(jìn)行了3層卷積下采樣,特征圖相較原圖縮小,變?yōu)樵瓐D的1/2、1/4與1/8，分別獲得對(duì)應(yīng)的特征矩陣，且每次下采樣過程包括一次卷積、正則化、relu激活、最大池化層。將下采樣后的圖像輸入嵌入式層，再輸入transformer層中循環(huán)12次中間高分辨率cnn特征層進(jìn)行編碼與隱藏特征挖掘。

26、將特征層進(jìn)行切片，提取高級(jí)的耕地地塊特征，在解碼過程對(duì)圖像進(jìn)行上采樣中完成特征連接后進(jìn)行深度可分離卷積代換，重復(fù)4次上采樣，最后再生成高級(jí)語義特征圖上1×1卷積層，生成耕地地塊結(jié)果的單個(gè)特征圖，完成遙感影像分割及耕地像素點(diǎn)的提取過程。

27、s7：通過訓(xùn)練好的tst-unet模型進(jìn)行數(shù)據(jù)識(shí)別。

28、進(jìn)一步，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被主控制器執(zhí)行時(shí)實(shí)現(xiàn)如上述中的任一項(xiàng)所述的方法。

29、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

30、構(gòu)建一套涉及大區(qū)域高質(zhì)量訓(xùn)練樣本制作以及耕地地塊深度語義分割學(xué)習(xí)提取的集成方法，基于此方法有助于加速深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)遙感領(lǐng)域的泛化應(yīng)用與遷移能力；

31、解決了對(duì)已有的訓(xùn)練數(shù)據(jù)集多基于目視解譯，制作效率低的問題；解決了已有的深度語義分割網(wǎng)絡(luò)分割結(jié)果存在邊緣分割精度低等問題，提高了遙感數(shù)據(jù)的提取精度。