[发明专利]一种基于高分辨率遥感影像的温室大棚智能提取方法

权利要求书

1.一种基于高分辨率遥感影像的温室大棚智能提取方法，其过程包括以下步骤：

A、对样本区域内的蔬菜大棚类型进行调查统计，根据调查结果结合高分辨率影像对温室大棚进行标注，获得标注图像

B、标注图像与原始影像按照10：1的比例划分为训练集和测试集，其中为增加训练集数据量，裁剪时按照512的宽度和256的步长进行裁剪。

C、为增加数据多样性和避免过拟合情况，对训练集进行数据增强；

D、将训练集输入深度学习模型中进行迭代训练，获得最佳权重模型；

E、使用该模型对其他区域影像进行预测，获得初步预测结果；

F、针对预测结果中出现的错分多分问题进行去除最小连通域的后处理，获得最终预测结果。

2.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法，其特征在于，所述步骤A具体包括：

A1、选择蔬菜大棚类型较多，影像呈现有明显差异的区域作为样本区域；

A2、对样本区域内蔬菜大棚类型进行统计，并使用ArcMap进行矢量化标注；

A3、标注的矢量结果进行二值图的转化，生成格式为png的标注文件。

3.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法，其特征在于，所述步骤B具体包括：

B1、将部分原始影像和标注图像以512为大小，256为步长，重叠裁剪，作为训练集；

B2、剩余原始影像和标注图像裁剪后作为测试集，训练集和测试集的数据量大致为10：1的比例。

4.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法，其特征在于，所述步骤C具体包括：

C1、对训练集数据随即进行增强，这里采用随机水平翻转、垂直翻转、对角线翻转和旋转90°等操作。

5.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法，其特征在于，所述步骤C具体包括：

D1、以Pytorch为框架，编写语义分割模型U-Net，以交叉熵作为损失函数：

式中，q_i(x)表示神经网络输出中类别概率值中最大值，此时p_i(x)＝1；

Adam方法为优化器：

式中，W_t为t次迭代时的权重值，η为动量向量，m_t和v_t分别为一阶动量项和二阶动量，和分别为各自的修正值，∈为取值极小的数，为防止出现分母为0的情况；

D2、训练数据按照模型格式要求进行输入，迭代100次进行训练；

D3、以获得的模型再对训练集和测试集进行精度评价，对此训练并对比之后，选择在训练集和测试集均表现良好的模型作为最佳模型。

6.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法，其特征在于，所述步骤D具体包括：

E1、下载其他地区影像，进行数据格式由tiff到jpg的转换，以满足深度学习模型的数据要求；

E2、以上一步获得的最佳模型对影像进行预测，可获得初步预测结果。

7.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法，其特征在于，所述步骤E具体包括：

F1、初预测结果中存在错分和多分的小斑块，使用opencv中的构造连通域方法，使像素以八连通方式进行标记，以使各区域内像素独立；

F2、对连通域较小的区域，以合适的阈值进行去除，可获得最终分割结果。