CN119478721A 一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法 （华中师范大学）

一种轮廓与纹理特征协同驱动的耕地地块本发明公开了一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，本发明采用编码中引入深度残差收缩网络模块对妨碍农田体块2步骤6、将训练数据集输入到CFPENet模型中进行试集中的各个输入样本输入到训练后的CFPENet模型中进行预测，得到测试集中的各个输子影像依次输入到CFPENet模型中进行预测，得到各个待处理的多光谱子影像对应的预测2.根据权利要求1所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特3.根据权利要求2所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特廓纹理特征子图为一个第二真实标签；每个多光谱子影像对应一个相同区域的黑白二值3子图和轮廓纹理特征子图，将每个输入样本以及对应的第一真实标签和第二真实标签作4.根据权利要求3所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特卷积核大小为3x3且卷积个数为C的CBR模块得到特征F1；第j个特征搜索模块的输入为第j个深度残差收缩模块输出的特第i个轮廓纹理引导模块的输入为轮廓纹理注意模块输出的特征FCT和第i个深度残的特征FCTGj和第j+1个层级信息融5.根据权利要求4所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特；i，4与特征Fi进行相加后得到第i个深度残差收缩模块输出的特征6.根据权利要求5所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特47.根据权利要求6所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特8.根据权利要求7所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特征在于，所述第i个轮廓一纹理引导模块对输入的特征Fi+1和特征FCT具体包括以下处理步9.根据权利要求8所述一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，其特和FGj和FGj5轮廓纹理特征的损失函数Lcr定义如下地块范围的损失函数IW定义如下6[0004]以卷积神经网络为代表的深度学习技术以其能够自动获取影像中的典型特征来7将测试集中的各个输入样本输入到训练后的CFPENet模型中进行预测，得到测试集中的各光谱子影像依次输入到CFPENet模型中进行预测，得到各个待处理的多光谱子影像对应的[0008]如上所述步骤1中对影像进行预处理得到多光谱影像具体包括以下过程：首先对个轮廓纹理特征子图为一个第二真实标签；每个多光谱子影像对应一个相同区域的黑白过一个卷积核大小为3x3且卷积个数为C的CBR模块得到特征F1；第i个深度残差收缩模块的输入为特征Fi8第i个轮廓纹理引导模块的输入为轮廓纹理注意模块输出的特征FCT和第i个深i依次通过两个卷积核大小为3x3且卷积个数为C的CBR模块i，4与特征Fi进行相加后得到第i个深度残差收缩模块输出的91[0014]如上所述第i个轮廓一纹理引导模块对输入的特征Fi+1和特征FCT具体包括以下处j+1或特征FRHj+1通过反卷积操纵进行特征尺寸的还原，与和FGj和FGj和FGj和FGj轮廓纹理特征的损失函数Lcr定义如下地块范围的损失函数Im定义如下图2是本发明的深度残差收缩模块的结构示意图（其中，C为通道数，W为影像宽1m的多光谱影像。本集；步骤2.1、利用ArcMap软件中的矢量面构建方法基于高分二号多光谱影像绘制耕步骤2.2、利用ArcMap软件中的矢量转栅格工具将绘制的耕地地块矢量数据转换步骤2.4、利用灰度共生矩阵基于高分二号多光谱影像计算方差，得到纹理特征廓纹理特征图裁剪为多个256256大小的轮廓纹理特征子图，每个轮廓纹理特征子图轮廓纹理特征子图，将每个输入样本以及对应的第一真实标签和第二真实标签作为一个第i个深度残差收缩模块的输入为特征Fi第i个轮廓纹理引导模块的输入为轮廓纹理注意模块输出的特征FCT和第i个深信息融合模块的输入为第j个轮廓一纹理引导模块输出的特征FCTGj和第j+1个层级信息融；。Fi进行相加后得到第i个深度残差收缩模块输出的1轮廓纹理引导模块输出的特征FCTGj和第j+1个层级信息融合模块输出的特征FRHj+1；当j轮廓纹理引导模块的输出的特征FCTGj+1；第1个层级信息融合模块输出也即是CFPENet模和FGj1的卷积核大小为和FGj和FGj和FGj再通过3x3的卷积操作后得到融合的特征FRHj。[0033]轮廓纹理特征的损失函数Lcr定义如下3）式中，Lcr表示轮廓一纹理特征的损失函数，Loeeros表示Dice损失函数，P表示地块范围的损失函数Im定义如下4）式中，表示地块范围的损失函数，表示加权的二分类交叉熵损失函数，将测试集中的各个输入样本输入到训练后的CFPENet模型中进行预测，得到测试集中的各的预测结果与各个输入样本对应的第一真实标签进行差值计算，根据差值计算的结果分类under一classificationerror，GUC）、以及全局总分类误差（theglobaltotal面积最大的农田地块，n表示农田地块的总个数。area(p,)和a将待处理的多光谱子影像依次输入到CFPENet模型中进行预测，得到各个待处理的多光谱[0038]本实施例采用多景国产高分二号遥感影像进行实验，能够覆盖湖北省当阳市全对4张52005200像元的影像和4张26002600像元影像分别执行实施例1中的步执行实施例1中的步骤3、将4500个样本按照8:2的比例将其划分为3600训练数据本实施例在Ubuntu系统中，使用Pytorch框架进行实验，显卡为2张Nvidia[0040]执行实施例1中的步骤6、将本实施例的训练数据集输入到CFPENet模型中进行训到本实施例的训练后的CFPENet模型，再将将测试集中的各个输入样本输入到训练后的[0042]为验证本发明轮廓一纹理模块对耕地地块提取的促进作用，在CFPENet模型基础为验证CFPENet模型对耕地地块的提取精度，使用本发明提出的耕地地块提取模相应区域人工标注的耕地地块样本数据进行定性和所属技术领域的技术人员可以对所描述的实施例作各种各