一种基于U-net框架的养殖区遥感精细化识别方法及系统

本发明属于智能图像识别，尤其涉及一种基于u-net框架的养殖区遥感精细化识别方法及系统。

背景技术：

1、养殖产业是现代农业产业体系的重要组成部分，对养殖场进行精准识别，获取养殖场的准确空间图像，对养殖的动态监测、产量的准确估计与养殖环境的良好治理等方面都具有重要意义。养殖场是人类进行养殖活动的主要场所，是功能性空间环境的一种。空间图像的提取是测绘遥感领域的热点研究问题。传统的信息提取方法主要是利用人工设计的特征来提取的，具体通过综合考虑光谱、纹理、形状和空间关系等信息，构建目标信息提取的规则。

2、这种空间图像的提取方法依赖于过往经验，还可能存在不能充分利用空间图像的缺陷。此外，当光照、大气条件和传感器质量等因素存在不同时，同一环境在遥感影像上会发生明显变化。因此，上述凭经验设计特征的方法常常只能处理特定的数据，在复杂养殖环境的提取中不能很好地发挥作用。

3、为解决上述问题，现有技术通常在提取人工设计的特征后，与计算机相结合实现遥感空间图像的提取。如支持向量机、随机森林分类器和决策树，通过输入大量的训练样本，运用计算机算法克服经验方法的缺陷，而利用u-net模型进行目标养殖场识别的方法还有待进一步开发。

4、具体到海洋养殖场，海洋养殖场一般以周边无明显对照物，需要对养殖场进行精细化识别，同时海洋养殖场通常由多个养殖区域组成，排列规律，棚舍间间距较小且边界清晰。而对于海洋养殖场的空间图像的搜集，现有技术通常以人工实地调查为主。然而，根据上述内容可知，海洋养殖场的空间分布较为广阔，图像较为单一，同时光学条件复杂，人工调查方式需要花费高昂的时间成本与人力成本，且较难获得准确完整的信息。另外，此类空间图像的提取方法主要基于低层或中层特征，依赖于人工设计来描述养殖场的属性，海洋养殖场的空间图像的提取往往受到人工知识与经验的限制，且存在分割精度低和分割边界模糊等问题。

5、综上，利用现有方法识别海洋养殖场的空间图像存在局限性。具体地，对于海洋养殖场的识别，目前存在以下难点：养殖场规模不同，小型养殖场外观特征不突出，容易与周边环境混淆；尽管外观设计相似，但具体特征各异；外观特征以方正形状为主，容易混淆；在复杂背景下存在严重的像素混合问题，提取精度较低。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于u-net框架的养殖区遥感精细化识别方法，

2、包含目标养殖区的第一空间遥感图像数据，并获取对应的目标养殖区标签数据；

3、将所述第一空间遥感图像数据进行有效特征提取得到养殖区域特征；根据所述养殖区域特征和所述目标养殖区标签数据共同构建养殖区遥感精细化预测模型；

4、接收待预测的第二空间遥感图像数据，将所述第二空间遥感图像数据进行有效特征处理生成待检测养殖区域特征，将所述待检测养殖区域特征输入至所述养殖区遥感精细化预测模型生成当前目标养殖区标签数据，根据所述当前目标养殖区标签数据帮助用户进行目标养殖区识别。

5、进一步地，所述进行有效特征处理，采用遥感割裂的方法结合遥感图像更新的方法进行特征处理。

6、进一步地，所述图像精细化的公式为：

7、

8、式中cn+1为更新后的遥感数据，g为所述第一空间遥感图像数据，a为参数矩阵，wi为i维的形变算子，ri为大于0的定值参数，为人为变量，at为参数矩阵的转置矩阵，为i维形变算子的转置矩阵，∈为偏差图像数据，所述第一空间遥感图像数据精细化后为第一空间遥感精细化图像数据。

9、进一步地，所述养殖区遥感精细化预测模型包括基于fisher准则的分类器、支持向量机以及u型神经网络u-net模型。

10、进一步地，利用所述养殖区遥感精细化预测模型前，对所述第一空间遥感精细化图像数据进行有效特征处理，将目标养殖区部分与其他遥感图像部分割裂开来，所述步骤如下：

11、s1、获取所述第一空间遥感精细化图像数据；

12、s2、计算所述第一空间遥感精细化图像数据的直方图，所述第一空间遥感精细化图像数据为d维数据；

13、s3、利用改进搜索算法进行图像割裂；另所述m维数据f＝(f1,...，fi)的变动反点则为fd的分量，所述改进搜索算法如下式：

14、

15、

16、式中，fi属于[ai,bi],ai和bi为设定的图像灰度值上下限，i＝1，2，3，...，m；

17、s4、选定跳跃速率对所述第一空间遥感精细化图像数据进行反向学习策略，生成变动反点，进行贪婪选择，保留适应度最小的作为最佳阈值点，所述适应度计算方式采用熵的计算方式，所述第一空间遥感精细化图像数据的熵e(t1,t2,...,tm)计算公式如下：

18、e(t1，t2，...，tm)＝h0+...+hm

19、

20、

21、

22、式中pi为灰度值为i的像素出现的概率，m*n是所述第一空间遥感精细化图像数据的总像素，h(i)为灰度值为i的像素点的数目，图像灰度值的取值范围为{0,1，...，y-1}，m个阈值将图像划分为m+1个不同类别，hm表示划分后第m类图像的熵，图像阈值向量为[t1，...，tm]；

23、s5、利用步骤s3寻优最佳图像阈值向量割裂所述第一空间遥感精细化图像数据，并输出割裂后的所述第一空间遥感精细化割裂图像数据。

24、进一步地，利用所述第一空间遥感精细化割裂图像数据以及目标养殖区标签数据来训练u型神经网络u-net模型。

25、进一步地，将所述第一空间遥感精细化割裂图像数据切割成多个256×256大小的图像块，然后按4:1的比例划分训练集和测试集，对所述u型神经网络u-net模型进行训练。

26、还提供了一种基于u-net框架的养殖区遥感精细化识别系统，包括数据获取终端和养殖区遥感精细化预测终端，其特征在于：

27、所述数据获取终端包括养殖遥感图像获取模块、数据收集模块，所述养殖区遥感精细化预测终端包括养殖区遥感精细化模块、养殖区调研模块，其中：

28、养殖遥感图像获取模块：获取包含目标养殖区的第一空间遥感图像数据，并获取对应的目标养殖区标签数据，以及获取待预测的第二空间遥感图像数据；

29、数据收集模块：将所述第一空间遥感图像数据进行有效特征提取得到养殖区域特征；接收待预测的第二空间遥感图像数据，将所述待预测的第二空间遥感图像数据进行有效特征处理得到待检测养殖区域特征；

30、养殖区遥感精细化模块：接收所述养殖区域特征和所述目标养殖区标签数据共同构建养殖区遥感精细化预测模型，接收所述待检测养殖区域特征输入生成当前目标养殖区标签数据；

31、养殖区调研模块：根据所述目标养殖区标签数据帮助用户进行目标养殖区识别。

32、还提供了一种基于u-net框架的养殖区遥感精细化识别的控制设备，包括存储器和处理器，其特征在于，所述存储器中存储有基于u-net框架的养殖区遥感精细化识别的控制程序，所述处理器被设置为运行所述养殖区遥感精细化识别的智能图像处理的控制程序以运行所述的基于u-net框架的养殖区遥感精细化识别方法。

33、还提供了一种计算机可读存储介质，其特征在于，包括:计算机可执行指令，当所述计算机可执行指令被运行时执行所述的基于u-net框架的养殖区遥感精细化识别方法。

34、本发明利用图像质量优化、精细化方法结合背景割裂的方法进行图像特征处理，使得遥感图像更加精准，对于目标特征向量更为清晰，此类特征处理过后的遥感图像数据更加贴近养殖场实际情况，且让养殖区遥感精细化预测模型更加精准，其次在训练模型时将图像切割成多个图像块，使得模型的预测更加符合海洋遥感图像特征表现，从而更为精准的为用户提供图像识别调研服务。

35、本发明的更多实施例和改进效果将结合附图和具体实施例进一步介绍。