[发明专利]一种基于遥感图像的设施农用地多类别识别与分类方法

权利要求书

1.一种基于遥感图像的设施农用地多类别识别与分类方法，其特征在于，基于语义分割神经网络实现；

所述语义分割神经网络包括依次设置的初始化模块、Encoder模块、金字塔池化模块和解码模块；

所述初始化模块包括第一卷积单元和第二卷积单元；所述第一卷积单元为多通道卷积层，第二卷积单元为最大池化层；

所述Encoder模块采用VGG19网络encoder模块的1层、2层、3层、4层、5层，将2层、3层、4层、5层提取的结果分别作为金字塔池化模块的四层输入；

所述金字塔池化模块包括四个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层；其中，第一卷积层对encoder模块的2层提取结果进行通道数不变，数据量减少的卷积处理，得到数据P1；第二卷积层对encoder模块的3层提取结果进行通道数不变，数据量减少的卷积处理，得到数据P2；第三卷积层对encoder模块的4层提取结果进行通道数不变，数据量减少的卷积处理，得到数据P3；第四卷积层对encoder模块的5层提取结果进行通道数不变，数据量减少的卷积处理，得到数据P4；

所述解码模块包括四个反卷积层，分别为第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层；第一反卷积层对金字塔池化模块第一卷积层输出的数据P1进行反卷积操作，得到与金字塔池化模块第二卷积层输出数据P2大小相同的数据D1，将数据D1与数据P2进行合并，输入至第二反卷积层进行反卷积操作，得到与金字塔池化模块第三卷积层输出数据P3大小相同的数据D2，将数据D2与数据P3进行合并，输入至第三反卷积层进行反卷积操作，得到与金字塔池化模块第四卷积层输出数据P4大小相同的数据D3，将数据D3与数据P4进行合并，输入至第四反卷积层进行反卷积操作，第四反卷积层输出结果数据D4。

2.根据权利要求1所述的基于遥感图像的设施农用地多类别识别与分类方法，其特征在于：第一卷积单元的步长为2，卷积核尺寸为3×3的卷积层，其通道数13；第二卷积单元为最大池化层，使用非重叠2×2窗口，通道数为3，与第一卷积单元合并后通道数为16。

3.根据权利要求2所述的基于遥感图像的设施农用地多类别识别与分类方法，其特征在于，包括以下步骤：

步骤一、对匹配的遥感图像和标签图像进行对应像素的分割，得到分割后对应的两组图像；

步骤二、对分割后的遥感图像进行图像增强，获得多个增强后的遥感图像，同时将分割后的标签图像转化为灰度图；

步骤三、利用步骤二中增强后的遥感图像和转化为灰度图的标签图像构建数据集；

数据集中的图像随机排布，随机抽取部分图像作为训练集，其余图像作为测试集；

步骤四、将步骤三中的训练集样本输入到语义分割神经网络中进行训练，训练完成后，利用测试集进行测试，测试结果达到目标要求后进行模型保存，否则重新进行训练，最终得到训练好的网络模型；

步骤五、将待预测图像切割为多个图像，图像大小和训练集中图像大小相同；将切割后的多个图像输入至训练好的网络模型中，得到多个预测标签图像；

步骤六、根据预测置信度对多个预测标签图像进行染色，并进行噪声抑制处理；

步骤七、将噪声抑制处理后的多个图像拼接成为整张图像，若多个图像之间没有重叠，则执行下一步，若多个图像之间有重叠，则对整张图像拼接的接缝进行抑制处理；

步骤八、将步骤七处理后的图像与待预测图像坐标对准，获取设施农用地坐标及面积数据，完成遥感图像中设施农用地多类别识别与分类。

4.根据权利要求3所述的基于遥感图像的设施农用地多类别识别与分类方法，其特征在于，步骤一中，标签图像为已有的调查结果中标注得到mask掩膜图像。

5.根据权利要求4所述的基于遥感图像的设施农用地多类别识别与分类方法，其特征在于：步骤一中，分割后的遥感图像和标签图像的大小均为256×256像素。

6.根据权利要求5所述的基于遥感图像的设施农用地多类别识别与分类方法，其特征在于，步骤二中，对分割后的遥感图像进行图像增强具体为：对分割后的多个遥感图像添加高斯噪声、校验噪声、旋转、模糊、翻转和/或双边滤波噪声。