CN114648704B 一种农田边界高精度提取方法及系统 （山东师范大学）

本发明提供了一种农田边界高精度提取方2将每一波段的遥感图像输入基于循环残差卷积神经网络，得到多个粗略农田边界图；所述循环残差卷积神经网络的构建过程包括如下R2U-Net模型在带有循环卷积层和残差单元的U-Net模型的基础采用分水岭变换算法，对所述初级农田边界图中的边界进行所述编码器用于对所述每一波段的遥感图像进行下采样操作，提取遥感图像的特征，所述解码器将所述编码器生成的不同尺度的特征图，进行特征新的标号同样赋予与其连通并为局部最小的像元，直到所有的局部最小的像元获得标号；3R2U-Net模型在带有循环卷积层和残差单元的U-Net模型的基础行时实现如权利要求1-7中任一项所述的一种农田边界高精度提取方法4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技[0005]目前，地块的提取主要通过人工矢量化和高分辨率影像分割这两种方式来实5程序被处理器执行时实现如上述所述的一种农田边界高精度提取方[0032]本发明提供了一种农田边界高精度提取方法，其以高分通过对带有循环(递归)卷积层和残差单元的U-Net模型进行改进，得到农田地块边界划定6[0044]步骤2、将每一波段的遥感图像输入训练好的基于循环残差卷积神经网络(改进[0051]采用sentinel-2提供的分辨率分别为10m和20m的9个波段的遥感图像，在四个研7[0055]步骤P2：构建基于循环残差卷积神经网络(改进R2U-Net模型)的农田边界划定模[0056]从作物遥感识别的地块尺度入手，采用起源于R2U-Net的循环残差U-Net结构(循次连接的残差循环反卷积块(反卷积层)、批量标准化处理(BN层)和ReLU非线性激活函数器将最终的特征图映射到与遥感图像类别数相同的维度中，采用柔性最大传递损失函数8经的活性化函数(Activationfunction)使用线性整流(RectifiedLinearUnits,ReLU)f[0062]步骤P201：本发明中采用的R2U-Net模型在带有循环(递归)卷积层和残差单元的9提取非常低级的特征，这些特征对于特征复杂的遥感图像分割任务提供了更加细节的特R2U-Net模型基础上将最大池化层替换为3×3步长[0083]步骤P303：将训练好的的循环残差卷积神经网络模型应用于处理研究区的[0086]步骤P401：将Sentinel-2多光谱图像的每一波段一次摄取到经过训练后的R2U-于聚合的边缘图像(基于Canny算子获得)，然后通过计算每个像素的加权平均值作为移动[0093]通过迭代合并基于分水岭变换(OWT)得到的闭合边界，同时结合分割图中的初级[0095](1)为每一个像元寻找下游像元(即与其相比灰度最小的邻域像元)，并记录在数r和Yr是参考场的中心点的坐标；RAor和Raos用于评估提取区域和参考区域之间的os和Dsr的平均值代表整体分割质量；偏心率表示一个区域的形状偏离[0115]OBIA中广泛使用的图像分割方法之一是嵌入商业定义专业软件中的多分辨率分[0124]此处需要说明的是，本实施例中的各个模块与实施例一理器执行时实现如上述实施例一所述的一种农田边界高精度提取方法中介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0131]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个