买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华中师范大学

摘要：本发明公开了一种边缘特征增强的耕地地块遥感提取深度学习方法，获取研究区域的高分遥感影像；获取高分遥感影像对应的真实耕地地块黑白二值图作为样本标签，获取真实耕地地块黑白二值图对应的真实耕地地块边界图和真实耕地地块距离变化图，高分遥感影像作为样本，基于样本构建训练数据集、测试数据集、以及验证数据集；构建EAG‑Net模型和复合损失函数；基于训练数据集进行EAG‑Net模型训练，获得训练完成的EAG‑Net模型。本发明有效解决了耕地地块边界不清晰导致地块提取结果粘连的情况。更为重要的是，该方法不仅能够较好地提取地块的边界，而且增强了地块提取结果的完整性，显著提升了提取精度。

主权项：1.一种边缘特征增强的耕地地块遥感提取深度学习方法，其特征在于，包括以下步骤：步骤1：获取研究区域的高分遥感影像；步骤2：获取高分遥感影像对应的真实耕地地块黑白二值图作为样本标签，获取真实耕地地块黑白二值图对应的真实耕地地块边界图和真实耕地地块距离变化图，高分遥感影像作为样本，基于样本构建训练数据集、测试数据集、以及验证数据集；步骤3：构建EAG-Net模型和复合损失函数；步骤4：基于训练数据集进行EAG-Net模型训练，获得训练完成的EAG-Net模型；所述步骤3中构建EAG-Net模型包括以下步骤：步骤31：在U-Net模型的编码器的基础上，加入边缘特征模块；步骤32：在U-Net模型的编码器底部引入空洞空间卷积池化金字塔模块；步骤33：在U-Net模型的解码器末端引入全局注意力机制模块；所述步骤31中边缘特征模块包括边缘感知模块和边缘引导特征模块，所述步骤31中加入边缘特征模块包括以下步骤：步骤311：边缘感知模块对低级特征f2和高级特征f5进行1×1卷积，将通道数调整为256，分别得到特征f2′和特征f5′，低级特征f2为编码器的第二层下采样层的输出特征，高级特征f5为编码器的第五层下采样层的输出特征；步骤312：利用双线性插值法对特征f5′进行上采样得到特征f5″，使特征f5″的尺寸与特征f2′的尺寸保持一致；步骤313：将特征f2′和特征f5″两个特征在通道维度进行拼接，得到特征ft；步骤314：对特征ft进行两次3×3卷积和一次1×1卷积操作，再利用Sigmoid激活函数进行一个非线性转化得到特征图fe，步骤315：利用边缘引导特征模块将特征图fe分别与待运算特征fi进行集成，获得对应的初级特征f，待运算特征fi为编码器的第i下采样层的输出特征，其中i的取值范围为2~5，步骤316：对初级特征f使用平均池化、1维卷积和Sigmoid激活函数操作后，得到特征f′；步骤317：运用乘法操作将初级特征f与特征f′进行融合，得到特征f″，并采用1×1的卷积操作将特征f″的通道数进行减少，得到待运算特征fi对应的最终的增强特征F，最终的增强特征F输入到解码器的第i个上采样层中；所述步骤315中利用边缘引导特征模块将特征图fe分别与待运算特征fi进行集成，获得对应的初级特征f包括以下步骤：首先对特征fe进行下采样得到特征fe′，使特征fe′和待运算特征fi的尺寸保持一致，并对特征fe′与待运算特征fi进行乘法运算，得到特征fe″，再将特征fe″与待运算特征fi进行相加操作，并进行一次3×3的卷积运算，得到初级特征f；所述步骤32中在U-Net模型的编码器底部引入空洞空间卷积池化金字塔模块包括以下步骤：步骤321：引入不同扩张率的三个3×3卷积核对输入的编码器的第六个下采样层的输出特征f6进行运算，获得不同尺度感受野的特征f61、特征f62、特征f63，同时通过1×1的卷积对特征f61、特征f62、特征f63进行卷积操作得到特征f64；步骤322：将输出特征f6通过全局平均池化、1×1的卷积和上采样操作，得到特征f65；步骤323：将特征f61、特征f62、特征f63、特征f64和特征f65进行堆叠操作得到多尺度的特征f6′；步骤324：将特征f6′通过1×1的卷积操作来与输入的编码器的第六下采样层的输出特征f6保持通道数的一致，最后得到输出结果f6″，输出结果f6″输入到解码器对应的第一个上采样层；所述步骤33中在U-Net模型的解码器末端引入全局注意力机制模块包括以下步骤：步骤331：全局注意力机制模块包括通道注意力和空间注意力两个模块，首先将U-Net模型的解码器输出的特征FJ1通过通道注意力模块在空间维度上进行特征增强，得到特征FJ2；步骤332：将特征FJ2进行空间注意力模块的运算得到特征FJ3；通道注意力模块计算公式如下：，式中，MCFJ1表示通道注意力图，表示按元素相乘，FJ2表示通道注意力模块计算的特征，空间注意力模块计算公式如下：，式中，FJ3表示空间注意力模块计算的特征，MCFJ2表示空间意力图，表示按元素相乘；所述复合损失函数L基于以下公式：，式中，L表示EAG-Net模型的复合损失函数，表示地块范围的损失函数，表示地块边界的损失函数，表示地块内部距离的损失函数，地块范围的损失函数定义如下：，式中，表示地块范围的损失函数，表示样本对应的真实耕地地块黑白二值图，表示样本对应的预测耕地地块黑白二值概率图，地块边界的损失函数定义如下：，式中，表示地块边界的损失函数，A表示样本对应的真实耕地地块边界图，B为样本对应的预测耕地地块边界图，表示取交集操作，表示取并集操作，地块内部距离的损失函数定义如下：，式中，表示地块内部距离的损失函数，N表示样本数量，表示样本对应的真实耕地地块距离变化图，表示样本对应的预测耕地地块距离变化图。

全文数据：

权利要求：

百度查询： 华中师范大学 一种边缘特征增强的耕地地块遥感提取深度学习方法