[发明专利]遥感影像模糊边界地物的提取方法及系统、存储介质、设备

说明书

本发明提供一种遥感影像模糊边界地物的提取方法，包括如下步骤：获取遥感影像；利用监督分类算法进行分类提取得到地物数据；利用均值漂移算法进行分割得到矢量面图斑；将地物数据与矢量面图斑进行融合，得到提取的遥感影像模糊边界地物数据。本发明还涉及一种遥感影像模糊边界地物的提取系统、存储介质以及设备。本发明通过将分类的结果与分割的结果进行融合，获得提取的遥感影像模糊边界地物数据；该方法中利用均值漂移算法的自动分割能力得到的地类边界更加的精细，形态更加贴合实际情况，使得对遥感影像模糊边界地物的提取更加的精准，更加符合实际。

技术领域

本发明涉及遥感影像图像处理技术领域，尤其涉及一种遥感影像模糊边界地物的提取方法。

背景技术

遥感影像地物复杂多样，同一地物的图上表现可能差异很大，不同地物的图上表现也可能比较相似，这给遥感影像的解译带来了巨大挑战。在遥感影像上有些地物形状规则，边界清晰，易于分割，比如建筑、道路等，而有些生长类地物如林地、草地等或者受到生长类地物影响较大的地物如沙地、裸地、盐碱地等随着时间、季节等种种原因无论是形态还是稀疏程度都会发生较大变化，前者的形态主要由生长环境、天气因素等决定，后者的形态则主要由前者的长势决定，比如草地退化变成沙地，裸地的营养成分消失变成盐碱地等。值得注意的是这类地物比如草地的内部因长势的不同而有着明显的差异，会形成相对独立的地理图斑，同样的草地退化后与其相邻的沙地也是相对独立的地理图斑，这些地理图斑通常交错分布，不同类别甚至是相同类别之间存在渐变过度，边界模糊的情况，而这就是遥感影像的弱边界，这些弱边界地物的提取由于边界模糊变得相对困难。

常见的边界提取方法如Sobel，Prewitt，Robert算子等主要通过差值得到边界，对于强边界地物(边界清晰)提取效果较好，但是对于地物内部或者地物之间渐变的情况或边界模糊的情况提取效果欠佳。另外，canny算子虽然相对前者提取的边界更加细致，但是从边界提取结果看，大多数图斑边界不闭合，并且由于太过细碎而显得不美观，不够贴合实际情况。可以肯定的是，即使目前强大的深度学习方法也不能直接获得边界比较符合模糊边界地物形态的分割结果，因为深度学习算法的关键在于样本的质量和数据，但是对于模糊边界地物来说通过肉眼根本无法准确画出边界，总会存在一定偏差。

发明内容

为了克服现有技术的不足，本发明提供一种遥感影像模糊边界地物的提取方法。本发明通过将均值漂移算法用于形态分割与深度学习分类方法结合实现了一种形态敏感即边界贴合地理图斑的模糊边界提取方法。

本发明提供一种遥感影像模糊边界地物的提取方法，包括如下步骤：

获取高分辨率遥感影像，遥感影像中的待提取地物具有模糊边界；

利用监督分类算法对遥感影像目标区域进行分类提取，得到遥感影像中待提取地物的地物数据；

利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑；

将所述地物数据与所述矢量面图斑进行融合，当所述地物数据与矢量面图斑的重叠度大于等于设定阈值范围时，将所述地物数据的地物类型赋予所述矢量面图斑，得到遥感影像模糊边界地物数据。

优选地，所述利用监督分类算法对遥感影像目标区域进行分类提取，包括：

利用深度学习分类算法对遥感影像目标区域进行分类提取，包括如下步骤：

对遥感影像进行分割裁切得到包含一种或多种模糊边界地物的面矢量文件，并绘制所述面矢量文件中的地物标签，将若干标签为地物的所述面矢量样本的矢量数据转换为栅格数据，得到栅格化的地物样本集；

调整UNET网络模型参数，对所述地物样本集进行基于UNET的模型训练，得到地物模型；