[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

说明书

本发明公开了一种基于高分辨率遥感影像的温室大棚智能提取方法，该方法能够在高分辨率影像中识别温室大棚，并实时获取大棚的分布情况。获取高分辨率的遥感影像，采用深度学习方法对研究区内的温室大棚进行识别和提取，并统计其覆盖面积和数量。该方法能够表明深度学习方法可以在高分辨率影像中快速有效地提取温室大棚信息，以此根据提取结果对实验区域进行农业污染监管以及农业发展规划，这对于缓解粮食安全问题、防治污染有着重要意义。

技术领域

本发明涉及遥感影像，深度学习技术领域，特别是涉及一种基于计算机视觉中语义分割技术进行地物识别提取的方法。

背景技术

全球人口的迅速增长促进了全世界对粮食和其他农产品的需求。但是，有限的耕地面积和露天农田的生产上限给粮食或蔬菜供应带来了越来越多的困难。此外，城市的发展也占用了越来越多的耕地，影响了粮食生产。因此，对粮食和蔬菜日益增长的需求促进了农业温室的出现，它可以用来保持农作物在适当的温度和营养条件下生长。温室的普及大大促进了农业生产，特别是在冬季提供新鲜蔬菜。因此，在过去几十年里，农业温室的数量和占用面积都在增加。现今，超过130个国家使用农业大棚来提高农业生产，主要是在欧洲、非洲和中国。现在全世界农业大棚的总覆盖面已超过30000平方公里，其中91.4％在中国。

遥感图像已被广泛用于不同空间和时间分辨率的土地表面测绘。近年来，常利用不同空间分辨率的遥感图像提取农业温室。例如，光谱指数是一种常用的提取温室的方法。2017年提出了一种新的塑料温室指数，用于从Landsat图像中提取温室，认为如果温室占像素的12％以上，这种新的塑料温室指数可以成功提取温室。有学者开发了一个三步程序，利用高分2号高分辨率数据的不同光谱指数提取塑料大棚，制图精度达到97.34％。基于像素的光谱指数方法可用于识别单个像素的特征，但对提取温室的数量和形式并不有效。因此，基于对象的分类方法也被广泛应用于温室测绘中。后提出使用基于对象的方法提取中国杭州郊区的温室，表明生产者和使用者的准确率都在85％以上。有学者利用Landsat 8OLI图像测试了基于对象的方法在复杂土地覆盖下的分散分布的温室的绘图，表明密集分布的温室和分散分布的温室有很大的不同，再进一步研究了不同分类器的效果，发现K-近邻和随机森林分类器在温室提取中表现良好。然而，基于对象的方法也面临一些问题，如不同传感器之间的一致性，这将导致不同气溶胶加载条件下的系统偏差。

目前的光谱指数方法主要有两个问题。第一个问题是，划分图像的阈值依赖于经验，限制了它们的应用。第二个问题是缺乏大面积的验证。而面向对象的方法，主要问题在于大量参数的计算，繁琐耗时。机器学习的最新进展，特别是深度学习算法的发展，为遥感图像的信息提取提供了巨大的机会，技术的进步和硬件的发展使得土地对象的精细分类和识别成为可能，如道路测绘，城镇分类，土地覆盖分类等等。因此，在本研究中，我们提出使用高分辨率遥感影像基于深度学习算法，提取农业温室的覆盖范围和数量。

因此我们利用高分辨率遥感影像，借助深度学习方法，对影像中的温室大棚进行提取。

发明内容

本发明的目的在于克服现有技术的缺点与不足提供一种能够减少计算时间并提高识别精度的计算方法。本文采用的方法是以计算机视觉的方法对遥感影像进行处理。本文通过卷积神经网络获取影像中的深层信息和浅层信息，基于这些信息获得象元信息与象元类别的关系，以此进行其他区域的预测，同时，为了解决预测结果中错误分类的情况，采用去除最小连通域的方法对预测结果进行改进。本文采用了针对大型数据所设计的卷积神经网络，能够基于大数据进行计算，使计算结果更具备说服力。

本发明的目的通过以下的技术方案实现：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：

(1)对样本区域内的温室大棚类型进行调查统计，根据调查结果对高分辨率影像中的大棚进行标注，获得标注图像。

(2)标注图像与原始影像按照10：1的比例划分为训练集和验证集，为满足网络数据要求，对原始影像和标注图像进行裁剪；