[发明专利]一种基于面向对象和卷积神经网络的城市植被提取方法

说明书

本发明公开了一种基于面向对象和卷积神经网络的城市植被提取方法，所述的提取方法步骤包括哨兵二号数据获取、哨兵二号数据预处理、样本数据的获取、样本数据处理、深度学习U‑net网络模型构建、U‑net深度学习模型最优参数训练、及最优U‑net深度学习模型提取城市植被。本发明的优点在于：方法简单，操作方便，对城市植被提取精度更高、更快，数据更可靠，能为城市的绿化建设提供准确的数据依据。

技术领域

本发明涉及城市植被提取，具体是指一种基于面向对象和卷积神经网络的城市植被提取方法。

背景技术

城市植被是城市生态环境的重要组成部分，同时也是评价一个城市绿化程度的重要指标。城市植被具有净化城市环境、调节城市气候、改善城市生态的功能，同时也是抑制城市热岛效应一大因素，因此准确且快速的提取城市植被，不仅为城市生态环境的定量分析评价提供相应依据，同时也能满足城市绿化建设和相关部门的需求。随着遥感卫星技术的不断发展，高空间分辨率遥感卫星影像对地物识别以及地物提取提供了良好的数据支持。

目前对于城市植被提取的研究方法主要分为指数法、影像分类法和深度学习方法。对于指数法，一般采用波段运算，突出城市植被波段，以此提取城市植被；影像分类法，则是采用监督分类方法，通过选取植被样本，然后选取相应算法进行分类，提取城市植被；对于深度学习方法，多采用语义分割模型，通过对植被标签的训练，建立最优网络预测模型，然后进行植被提取。为提高城市植被提取精度，发明了一种基于面向对象和全卷积神经网络的城市植被提取方法，为城市的绿化建设提供准确的数据依据。

发明内容

本发明要解决的技术问题是以上所述的技术问题，提供一种使用方便、提取精度高的基于面向对象和卷积神经网络的城市植被提取方法。

为解决上述技术问题，本发明提供的技术方案为：一种基于面向对象和卷积神经网络的城市植被提取方法，所述的提取方法步骤如下：

步骤一：哨兵二号数据获取；

步骤二：哨兵二号数据预处理；

步骤三：样本数据的获取，包括遥感分割融合影像和对应的植被分类影像两个部分；

步骤四：样本数据处理，包括样本数据的增广、样本数据的裁剪、样本数据的归一化、样本数据的保存；

步骤五：深度学习U-net网络模型构建；

步骤六：U-net深度学习模型最优参数训练；

步骤七：最优U-net深度学习模型提取城市植被。

作为改进，所述的遥感分割融合影像通过ENVI软件中的Segment Only FeatureExtraction Workflow处理模块，对步骤二得到的遥感影像进行分割融合操作后，再同原始影像进行波段融合后的遥感影像，植被分类影像基于ENVI遥感处理软件，输入步骤二得到的遥感影像，根据选取的样本感兴趣区，通过随机森林分类方法，获取植被分类结果图。

作为改进，所述的样本数据增广是通过对数据的旋转、翻转、增加噪声等操作进行相应的数据增加，采用Python语言，利用OpenCV、Numpy、Matplotlib、TensorFlow2.0等数据库，编写数据增广代码、数据裁剪代码，以此增加样本数据量及获取适应模型输入大小的样本数据。

作为改进，所述的U-net模型采用卷积层、池化层进行特征提取，再采用反卷积层还原影像尺度，同时U-net模型融合了编码-解码结构和跳跃网络的特点。

作为改进，所述的步骤六分为三轮训练，每轮训练35回，每回训练次数为32次。

作为改进，所述的步骤七在进行提取城市植被时，需要对要提取的遥感影像，首先进行步骤二的处理，然后再进行步骤三中数据融合处理，最后再通过最优参数载入U-net深度学习模型，进行相应的城市植被提取。