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！

摘要：本发明涉及图像处理技术领域，公开了基于分区理论和知识图谱的耕地块深度学习快速提取方法，基于分区分层理论，以地形DEM作为基础，结合自然地理区划和地貌类型，对区域遥感影像的地形进行目视判断，将地貌类型进行分类；收集形成耕地样本基本数据库以及通过实地采集的样点数据，和基于GoogleEarth高分辨率影像的目视解译样点数据，将耕地样本包括的TIFF栅格数据和SHP矢量数据两种基本格式的数据基于ARCGIS软件平台创建数据库；在创建的数据库中，根据对地貌类型进行的分类进行提取训练样本集；本发明构建了一套涉及大区域高质量训练样本制作以及耕地地块深度语义分割学习提取的集成方法，基于此方法有助于加速深度学习技术在农业遥感领域的泛化应用。

主权项：1.基于分区理论和知识图谱的耕地块深度学习快速提取方法，其特征在于：具体按以下步骤执行：S1：基于分区分层理论，以地形DEM作为基础，结合自然地理区划和地貌类型，对区域遥感影像的地形进行目视判断，将地貌类型进行分类；S2：收集形成耕地样本基本数据库以及通过实地采集的样点数据，和基于GoogleEarth高分辨率影像的目视解译样点数据，将耕地样本包括的TIFF栅格数据和SHP矢量数据两种基本格式的数据基于ARCGIS软件平台创建数据库；S3：在创建的数据库中，根据对地貌类型进行的分类进行提取训练样本集；S4：进行高分辨影像收集与预处理，选择耕地破碎化严重的山区地区作为试验区，收集高空间分辨率遥感影像；获取研究区的高空间分辨率的光学遥感影像，利用遥感数据处理软件进行几何精校正，并基于地理坐标拼接完整覆盖研究区；S5：训练标签制作与处理，在步骤S3建立的数据库的基础上，选择高质量训练样本数据；对训练标签进行数据增强；S6：进行TST-Unet模型构建和训练；在模型中将Transformer结构作为编码器，对遥感影像进行特征提取，捕获更长以来的特征，其中Transformer编码器由L层多头自注意力和多层感知机组成；增加一条裁剪编码器分支，通过训练一分为四的原始图像，在编码后将结果与原编码器的结果相加后输入解码器，并与原编码器的特征进行融合，最终输出结果；将原图输入CNN进行特征提取,进行了3层卷积下采样,特征图相较原图缩小,变为原图的12、14与18，分别获得对应的特征矩阵，且每次下采样过程包括一次卷积、正则化、ReLU激活、最大池化层；将下采样后的图像输入嵌入式层，再输入Transformer层中循环12次中间高分辨率CNN特征层进行编码与隐藏特征挖掘；将特征层进行切片，提取高级的耕地地块特征，在解码过程对图像进行上采样中完成特征连接后进行深度可分离卷积代换，重复4次上采样，最后再生成高级语义特征图上1×1卷积层，生成耕地地块结果的单个特征图，完成遥感影像分割及耕地像素点的提取过程；S7：通过训练好的TST-Unet模型进行数据识别。

全文数据：

权利要求：

百度查询： 中国农业科学院农业资源与农业区划研究所 浙江财经大学 浙江财经大学东方学院 基于分区理论和知识图谱的耕地块深度学习快速提取方法