一种耕地图像提取方法及系统

本发明涉及图像处理领域，特别是涉及一种耕地图像提取方法及系统。

背景技术：

传统在遥感图像中提取耕地图像的方法主要分为基于像元的信息提取方法和面向对象的信息提取方法。

其中，基于像元的信息提取方法主要是利用图像上像元灰度值的大小以及耕地与其他地物的不同空间信息来进行特征提取；该方法会导致椒盐现象，还会引起严重的耕地图像错分、漏分等问题。

面向对象的信息提取方法虽然能利用高分辨率遥感图像中耕地的光谱、形状和纹理等信息解决传统基于像元的信息提取方法中提取精度不高、存在椒盐现象等问题，但该方法只能基于特定时间、特定位置实现较小尺度耕地图像的提取，扩展性较差。

因此，现有的方法难以在遥感图像中提取较高精度的耕地图像，且提取的耕地图像仅限于小尺度范围，并不能实现大尺度耕地图像的自动提取，扩展性较差，应用范围较窄。

技术实现要素：

为了解决上述问题，本发明提出了一种耕地图像提取方法及系统。利用该方法及系统可有效扩大耕地图像的提取范围，同时能够保证较高的耕地图像提取精度。

为实现上述目的，本发明提供了如下方案：

一种耕地图像提取方法，包括以下步骤：

获取被测区域的耕地遥感图像，对所述耕地遥感图像做预处理；

获取被测区域的地块图斑数据，对所述地块图斑数据做预处理；

将预处理后的耕地遥感图像和预处理后的地块图斑数据做叠加处理，得到标记图像数据集；

根据预设比例将所述标记图像数据集划分为训练图像数据集、验证图像数据集和测试图像数据集；

利用所述训练图像数据集对mpspnet模型进行训练，得到训练后的mpspnet模型；

利用所述验证图像数据集对训练后的mpspnet模型进行验证，得到最优模型；

将所述测试图像数据集中的测试图像作为所述最优模型的输入，经所述最优模型处理得到处理后的耕地图像；

判断处理后的耕地图像的质量是否符合要求；

若是，则直接输出处理后的耕地图像；

若否，则重新执行步骤“获取耕地遥感图像”至步骤“经所述最优模型处理得到处理后的耕地图像”。

本发明还提供了一种耕地图像提取系统，包括：

耕地遥感图像处理子系统，用于获取被测区域的耕地遥感图像，对所述耕地遥感图像做预处理；

地块图斑数据处理子系统，用于获取被测区域的地块图斑数据，对所述地块图斑数据做预处理；

叠加处理子系统，用于将预处理后的耕地遥感图像和预处理后的地块图斑数据做叠加处理，得到标记图像数据集；

数据划分子系统，用于根据预设比例将所述标记图像数据集划分为训练图像数据集、验证图像数据集和测试图像数据集；

图像处理子系统，用于利用所述训练图像数据集对mpspnet模型进行训练，得到训练后的mpspnet模型；利用所述验证图像数据集对训练后的mpspnet模型进行验证，得到最优模型；

将所述测试图像数据集中的测试图像作为所述最优模型的输入，经所述最优模型处理得到处理后的耕地图像；

判断处理后的耕地图像的质量是否符合要求；

若是，则直接输出处理后的耕地图像；

若否，则重新执行步骤“获取耕地遥感图像”至步骤“经所述最优模型处理得到处理后的耕地图像”。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种耕地图像提取方法及系统，通过将耕地遥感图像和地块图斑数据预处理后融合，能够充分提取遥感图像中的信息；通过构建的mpspnet模型可在保证图像具有较高分辨率的同时，具有较丰富的空间信息和较丰富的全局语义信息，进而通过在模型中选取最优模型，并利用最优模型对测试图像数据集进行处理，可基于丰富的空间信息和丰富的全局语义信息实现不同区域、大尺度高分辨率耕地图像的提取。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1中耕地图像提取方法的流程图；

图2为本发明实施例4中耕地图像提取系统的结构示意图。

符号说明：

1-耕地遥感图像处理子系统，2-地块图斑数据处理子系统，3-叠加处理子系统，4-数据划分子系统，5-图像处理子系统。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如背景技术中所述，现有的基于像元的耕地提取方法能够在遥感图像中提取出耕地图像，但在提取过程中会导致较严重的椒盐现象，且会引起严重的错分、漏分问题，即该方法的耕地图像提取精度较低。

其中的椒盐现象是因为同种地物的光谱差异较大而产生的。可以理解为：在获取一块区域的遥感图像时，由于该块区域内的同种地物的光谱差异较大，导致遥感图像中本应被分为相同类别的地物，被分到了不同类别中，从而导致该块区域中本该是均一规则的对同种地块的划分，如今因光谱差异问题导致在遥感图像中分布零散。

错分、漏分就更好理解了，就是指对地物的分类精度较低，没有把本应该正确分类的地物划分到正确的类别中。

尽管现有的面向对象的信息提取方法能够有效缓解椒盐现象，能较好地解决地物类别错分、漏分等问题，其耕地图像的提取精度较高；但该方法只利用到了遥感图像的浅层信息，忽略了遥感图像的高层次特征，也会导致图像的错分、漏分、鲁棒性差等问题；而且由于该方法只利用到了遥感图像的浅层信息，浅层信息又只是基于特定时间、特定位置得到的，其扩展性较差，难以将其应用到提取大尺度耕地图像的过程中。

为了解决上述问题，本发明提出了一种耕地图像提取方法及系统，在具有较好的耕地图像提取精度的同时，具有较好的扩展性，能够在不同时间对不同位置的大尺度的耕地图像进行提取。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

如图1所示，本发明在实施例1中介绍了一种耕地图像提取方法，s1-s8表示本发明实施例1中耕地图像提取方法的各步骤。该方法包括以下步骤：

获取被测区域的耕地遥感图像，对耕地遥感图像做预处理；

获取被测区域的地块图斑数据，对地块图斑数据做预处理；

将预处理后的耕地遥感图像和预处理后的地块图斑数据做叠加处理，得到标记图像数据集；

根据预设比例将标记图像数据集划分为训练图像数据集、验证图像数据集和测试图像数据集；

利用所述训练图像数据集对mpspnet模型进行训练，得到训练后的mpspnet模型；

利用所述验证图像数据集对训练后的mpspnet模型进行验证，得到最优模型；

将测试图像数据集中的测试图像作为最优模型的输入，经最优模型处理得到处理后的耕地图像；

判断处理后的耕地图像的质量是否符合要求；

若是，则直接输出处理后的耕地图像；

若否，则重新执行步骤“获取耕地遥感图像”至步骤“经所述最优模型处理得到处理后的耕地图像”。

基于上述，本发明为提取耕地图像，将耕地遥感图像和地块图斑数据作为了初始数据，将两者预处理并结合后做叠加处理，作为了标记图像数据集，以对选取的mpspnet模型进行训练。

其中的mpspnet模型是对pspnet模型的改进，pspnet模型融合了4种不同尺度的特征金字塔，其功能是对获取的图像中的特征分别进行不同的池化操作，以得到不同的感受野以及全局语义信息，以此来尽可能避免在对图像进行分类时的错分、误分的情况，以提高最终获取的耕地图像的提取精度。

更具体的，其中的特征金字塔由自下而上的金字塔部分和自上而下的金字塔部分组成。先利用自下而上的金字塔部分对获取的图像进行检测，通过自下而上的操作，提取的图像分辨率逐级减小，空间信息逐级丢失，但高级语义信息被保留在了自下而上的金字塔部分的上层。

之后再利用自上而下的金字塔部分对图像分辨率和空间信息进行还原，以使得利用特征金字塔提取的图像既具有较高的分辨率，也具有较丰富的空间信息和高级语义信息。

实施例2：

本发明在实施例2中对实施例1的各步骤做了进一步描述。

其中，本发明实施例2通过卫星获取耕地遥感图像；更具体的，选取高分一号卫星和高分二号卫星。

需要说明的是，不仅限于通过高分一号卫星和高分二号卫星获取耕地遥感图像，只要能够获得耕地遥感图像，任何方式均在本发明的保护范围内。

本发明实施例2中利用人工目视解译矢量化方法获取地块图斑数据。

具体的，目视解译方法指的是根据过感影像目视解译标志和解译经验，对目标地物进行识别。通过该方法可简单快捷地获取耕地遥感图像中的地块图斑数据，并对被测区域的地质地貌有清楚的认识。

之后本发明实施例2对获取的耕地遥感图像和地块图斑数据分别做了预处理：

对耕地遥感图像做预处理具体包括：

对耕地遥感图像进行配准，得到配准后的耕地遥感图像；

对配准后的耕地遥感图像做辐射校正，得到辐射校正后的耕地遥感图像；

对辐射校正后的耕地遥感图像做几何校正，得到几何校正后的耕地遥感图像；

之后从几何校正后的耕地遥感图像中提取全色波段和多光谱波段，并采用融合算法将全色波段和多光谱波段融合成预设分辨率的rgb三波段彩色图像，并以预设分辨率的rgb三波段彩色图像作为预处理后的耕地遥感图像。

其中的图像配准指的是对不同条件下获取的两幅或多幅图像进行匹配和叠加，以提高图像精度的方法。

辐射校正指的是减弱或消除因辐射误差导致的图像畸变问题，辐射误差是因图像获取过程中的各种因素产生的。

几何校正指的是减弱或消除因各种因素导致的图像中几何参数的畸变。

另外，全色波段是单波段，通过该单波段扫描被测区域得到的是灰度图片，但该灰度图片具有较高的分辨率。多光谱波段扫描被测区域得到的是多个波段的光谱对应的不同颜色的图片，即多光谱图像能真实反映目标地物的色彩。因此，本发明实施例2中采用融合算法将全色波段和多光谱波段得到的图像融合，可得到高分辨率的彩色rgb图像。

通过上述对耕地遥感图像的预处理过程，可有效提升耕地遥感图像的精度和信息丰富度。

对地块图斑数据做预处理具体包括：

利用arcgis软件中的矢量转栅格工具将地块图斑数据转换为预设分辨率的栅格数据，栅格数据作为预处理后的地块图斑数据。

在得到预设分辨率的rgb三波段彩色图像后，本发明实施例2中将该彩色图像与预处理后的地块图斑数据做叠加处理，具体包括：

利用envi软件中的波段叠加工具将预处理后的耕地遥感图像的rgb三个波段与预处理后的地块图斑数据的波段叠加为4个波段；

以这4个波段的数据构成所述标记图像数据集。

基于上述，本发明实施例2获取了分辨率较高、精度较高且语义信息较丰富的用于训练、验证和测试后续的神经网络模型的数据集。然后根据预设比例将标记图像数据集中的图像分为了训练图像数据集、验证图像数据集和测试图像数据集。

之后本发明实施例2利用上述得到的标记图像数据集对mpspnet模型进行训练，具体包括：

构建mpspnet模型；

利用训练图像数据集对mpspnet模型进行训练，以adam算法作为梯度下降优化方法对mpspnet模型进行训练；基于前述，pspnet模型融合了4种不同尺度的特征金字塔，而mpspnet模型是对pspnet模型的改进，即mpspnet模型具体包括深度残差网络架构和金字塔池化模块，以此获得兼具更高分辨率、更丰富空间信息以及更丰富全局语义信息的图像。

在对mpspnet模型训练结束后，本发明实施例2中用验证图像数据集对训练后的mpspnet模型进行验证。由于训练后的mpspnet模型为多个，因此，本发明实施例2中利用验证图像数据集对多个训练后的mpspnet模型进行验证，以得到输出结果最好的模型，作为最优模型；

另外，本发明实施例2中将模型训练过程直接迁移到了imagenet数据集上预训练好的resnet-50模型上，以加快对mpspnet模型的训练进程。

在选取了最优模型后，本发明实施例2中利用标记图像数据集中的测试图像数据集中的测试图像作为了最优模型的输入，直接利用最优模型得到了处理后的耕地图像。然后需要对处理后的耕地图像的质量进行判断，以得知该处理后的耕地图像是否符合输出要求，即是否符合用户的需求。该过程具体包括：

将地块图斑数据作为真实值；

将处理后的耕地图像作为估计值；

利用混淆矩阵以真实值作为参考，对估计值进行全样本精度评价，具体包括：

采用总体分类精度、kappa系数、生产者精度以及用户者精度这四种分类精度评价指标对估计值进行全样本精度评价。

其中的混淆矩阵用来评价估计值与真实值的差异度，即获知估计值的分类精度，也就是处理后的耕地图像的分类精度，并将分类精度的检测结果显示在混淆矩阵的每个位置，混淆矩阵的每个位置对应估计值(处理后的耕地图像)中每个像元的位置。

总体分类精度指的是估计值(处理后的耕地图像)中被正确分类的像元的数量与真实值(地块图斑数据)中所有分类中像元数量的比值。可根据该比值判断估计值与真实值的差异，进而判断处理后的耕地图像的质量。

kappa系数可以表示为：

其中的p0为估计值中被正确分类的像元的数量与真实值中所有分类中像元的数量的比值，也就是总体分类精度的计算结果；

另外，若an表示估计值中各分类下的像元的数量与真实值中对应类别的像元数量的乘积，n表示类别总数，b表示真实值中所有类别的像元总数；则

生产者精度指的是估计值和真实值在同一类别下相同像元的数量与估计值中同一类别下像元数量的比值。

用户者精度指的是估计值和真实值在同一类别下相同像元的数量与真实值中同一类别下像元数量的比值。

可根据上述四种分类精度评价指标对估计值(处理后的耕地图像)的质量进行评估。当上述评估结果满足用户需求时，认为处理后的耕地图像符合了用户需求，即完成了耕地图像的提取。

实施例3：

在本发明实施例3中对实施例2中的一些步骤做了更进一步的描述。

其中，本发明实施例3中采用融合算法将全色波段和多光谱波段融合成了2m分辨率的rgb三波段彩色图像，共计生成了覆盖全部被测区域的346景合成图像，并以区/县级行政单元为对象对合成图像进行了裁剪、镶嵌和存储。

在得到地块图斑数据后，本发明实施例3中将地块图斑数据中的农作物用地定义为了耕地，将其他地物合并为了非耕地，以此将耕地从地块图斑数据中区分出来。并利用arcgis软件中的矢量转栅格工具将地块图斑数据转为了2m分辨率的栅格数据，以便和2m分辨率的rgb三波段彩色图像相匹配。

在将标记图像数据集划分为训练图像数据集、验证图像数据集和测试图像数据集时，本发明实施例3中以区/县级为基本单元，按照12:3:85的比例对标记图像数据集进行了划分，也就是将标记图像数据集中的图像随机分成了100份，将其中的12份作为训练图像数据集中的训练图像，将其中的3份作为验证图像数据集中的验证图像，将其中的85份作为测试图像数据集中的测试图像。而且本发明实施例3中还对训练图像和验证图像采用50％的重叠率进行了切割。

基于上述，本发明通过将耕地遥感图像和地块图斑数据预处理后融合，能够充分提取遥感图像中的信息；通过构建的mpspnet模型可在保证图像具有较高分辨率的同时，具有较丰富的空间信息和较丰富的全局语义信息；进而通过在两个模型中选取最优模型，并利用最优模型对测试图像数据集进行处理，可基于丰富的空间信息和丰富的全局语义信息实现不同区域、大尺度高分辨率耕地图像的提取。

实施例4：

如图2所示，本发明在实施例4中提供了一种耕地图像提取系统，基于前述的耕地图像提取方法实现。

该耕地图像提取系统包括：耕地遥感图像处理子系统1、地块图斑数据处理子系统2、叠加处理子系统3、数据划分子系统4和图像处理子系统5。

其中，耕地遥感图像处理子系统1用于获取被测区域的耕地遥感图像，对耕地遥感图像做预处理；

地块图斑数据处理子系统2用于获取被测区域的地块图斑数据，对地块图斑数据做预处理；

叠加处理子系统3用于将预处理后的耕地遥感图像和预处理后的地块图斑数据做叠加处理，得到标记图像数据集；

数据划分子系统4用于根据预设比例将标记图像数据集划分为训练图像数据集、验证图像数据集和测试图像数据集；

图像处理子系统5用于利用训练图像数据集对mpspnet模型进行训练，得到训练后的mpspnet模型；利用验证图像数据集对训练后的mpspnet模型进行验证，得到最优模型；

将测试图像数据集中的测试图像作为最优模型的输入，经最优模型处理得到处理后的耕地图像；

判断处理后的耕地图像的质量是否符合要求；

若是，则直接输出处理后的耕地图像；

若否，则重新执行步骤“获取耕地遥感图像”至步骤“经最优模型处理得到处理后的耕地图像”。

更具体的，耕地遥感图像处理子系统1包括：配准模块、辐射校正模块、几何校正模块和融合模块。

其中，配准模块对耕地遥感图像进行配准，得到配准后的耕地遥感图像；

辐射校正模块对配准后的耕地遥感图像做辐射校正，得到辐射校正后的耕地遥感图像；

几何校正模块对辐射校正后的耕地遥感图像做几何校正，得到几何校正后的耕地遥感图像；

融合模块在几何校正后的耕地遥感图像中提取全色波段和多光谱波段，采用融合算法将所述全色波段和所述多光谱波段融合成预设分辨率的rgb三波段彩色图像，以预设分辨率的rgb三波段彩色图像作为预处理后的耕地遥感图像；

更具体的，地块图斑数据处理子系统2对地块图斑数据做预处理具体包括：

地块图斑数据处理子系统2利用arcgis软件中的矢量转栅格工具将地块图斑数据转换为预设分辨率的栅格数据，栅格数据作为预处理后的地块图斑数据。

更具体的，叠加处理子系统3将预处理后的耕地遥感图像和预处理后的地块图斑数据做叠加处理，得到标记图像数据集具体包括：

叠加处理子系统3利用envi软件中的波段叠加工具将预处理后的耕地遥感图像的rgb三个波段与预处理后的地块图斑数据的波段叠加为4个波段；

以这4个波段的数据构成所述标记图像数据集；

更具体的，图像处理子系统5利用验证图像数据集对训练后的mpspnet模型进行验证，得到最优模型具体包括：

训练后的mpspnet模型为多个，为了从中选出最优模型，利用验证图像数据集对多个训练后的mpspnet模型进行验证，将输出结果质量最好的模型作为最优模型。

更具体的，图像处理子系统5判断处理后的耕地图像的质量是否符合要求具体包括：

将地块图斑数据作为真实值；

将处理后的耕地图像作为估计值；

利用混淆矩阵以真实值作为参考，对估计值进行全样本精度评价，具体包括：

采用总体分类精度、kappa系数、生产者精度以及用户者精度这四种分类精度评价指标对估计值进行全样本精度评价。

基于上述，本发明实施例4中通过耕地图像提取系统将耕地遥感图像和地块图斑数据预处理后融合，能够充分提取遥感图像中的信息；通过构建的mpspnet模型可在保证图像具有较高分辨率的同时，具有较丰富的空间信息和较丰富的全局语义信息；进而通过在两个模型中选取最优模型，并利用最优模型对测试图像数据集进行处理，可基于丰富的空间信息和丰富的全局语义信息实现不同区域、大尺度高分辨率耕地图像的提取。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。