本发明涉及图像处理技术领域，具体涉及一种基于多尺度结构学习的卫星影像高精度农田边界提取方法。
背景技术
随着卫星遥感技术、传感技术和高精度定位技术的快速发展，高分辨率卫星遥感具有影像覆盖范围大、高危地区探测、成本低、高分辨率、存量数据多等优点，同时卫星/小卫星星座的不断形成，使得卫星遥感对同一地区的重访时间越来越短，有些卫星甚至具有1至2天的重访能力。卫星影像在中低分辨率下可以实现大面积的动态监测，而在高分辨率下可以实现对小范围的精确探测，在国内外军民各领域已得到广泛应用。随着海量卫星遥感数据的大量获取，智能化、精准农业应用成为热点和趋势，如智能病虫害监控、农作物长势监测、农药喷洒和无人播种等，而如何从海量的高分辨率卫星遥感数据中提取农田和农作物的空间分布要素，成为制约精准农业发展的关键技术。
目前，无人机农药喷洒和无人播种过程中需要的农田块(卫星影像中具有明显边缘的一块独立农田区域)边界基本都是通过人工方式提取的，其效率低、成本高，且数据分布零散无法实现集中管理和更新。因此，农田块边界的自动、精确提取是精准农业应用的一项关键技术。近年来，计算机视觉和机器学习获得了快速发展，其中图像地物分类(landcoverclassification)和语义分割(semanticsegmentation，是指对一幅图像中的所有像素进行标记，得到多个同质性区域，使得每个区域中所有像素属于同一类型的地物或目标)方法层出不穷。但现有图像分类和语义分割方法只能区分不同类别的地物类型(地面上的场景或目标类型，如建筑、道路、农田、林地等)或目标，而不能很好地实现单个农田块的分割和边界提取。因此，实际应用中亟需一种针对高分辨率卫星图像的快速有效的农田边界精准提取方法和方案，能够提供语义完整的、精确的农田块边界。最近两年，作为语义分割的延伸，面向单个对象提取的实例分割(instancesegmentation，是对图像语义分割的进一步延伸，实例分割在区分不同地物类型(如农田和建筑)的同时，也能区分属于同一类型的不同对象个体(如相邻的不同农田块，相邻的两栋建筑等))和相应的结构学习(structurelearning)技术开始引起行业关注。
与本发明接近的技术方案如下：
1)《一种对高分辨率影像的地物提取方法及装置》(公开号cn106951877a)，该方法根据待提取的高分辨率影像的光谱特征影像和三类多尺度特征影像，定义了待提取的高分辨率影像的三类光谱-空间特征：光谱-光谱特征的多尺度形态学特征、光谱-地物延展特征的多尺度形态学特征和光谱-地表下垫面物理特征的多尺度形态学特征，该三类光谱-空间特征能很好的区分不同种类的地物，利用支持向量机的概率融合光谱-空间特征的分类模型进行分类，首先将三类光谱-空间特征利用支持向量机进行初步的分类，然后将分类结果利用概率融合方法进一步对地物进行区分。
2)《基于空间相关性与异质性特征的高分影像居民区提取方法》(公开号cn106529430a)，该方法对多波段的原始影像进行假彩色合成获得假彩色影像；在假彩色影像中选取地物样本，计算各类地物的光谱特性曲线，光谱特征波段所对应的光谱值即光谱特征；采用空间自相关统计量作为空间相关性的局部度量指标，构建假彩色影像的空间相关性特征；采用空间变异函数计算假彩色影像的空间异质性特征；结合光谱特征、空间相关性特征和空间异质性特征，构建特征集，并对假彩色影像进行目标地物提取。
注：这两种方案都是基于底层特征提取结合分类器分类的方式来实现大面积地物类型的提取，无法实现农田块的精准提取。
3)《无人机航拍影像农田块对象精准提取方法》(公开号cn107563413a)，该发明提供了一种无人机航拍影像农田块对象精准提取方法，首先利用基于光谱信息的轮廓检测获得图像边缘信息，再采用分水岭变换获得底层分割块，并基于轮廓强度来生成多尺度的分割图，最后通过有监督的图像分类来实现非农田区域剔除。
注：以上这种方案仅利用光谱信息进行农田边缘检测，没有结合农田对象的空间几何特征来设计结构化的边缘检测方法，在提取得到农田边缘的同时非农田区域的边缘也得到了增强；同时此方案在对高分辨率航拍或卫星影像进行农田边界提取后没有利用农田对象的空间语义信息对农田边界进行优化，得到的农田边界干扰多，边界可用性有待提高。
现有地物(如耕地、林地、城区等)提取方法基本上都是采用特征提取加分类器分类的思路，只能提取大面积的农田区域，无法区分不同的农田块，更无法确定单块农田的精准边界。受不同地理位置、不同农作物类型、不同生长时期的影响，图像中相邻农田块的光谱、纹理分布规律不明显，两者之间的边界也不稳定，因此单块农田的边界提取需要综合光谱、纹理、边缘和对象结构信息。
技术实现要素：
本发明提出了一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，解决了单块农田边界的精准提取的技术问题，为精准农业应用提供基础支持信息。
本发明采用的技术方案如下：
一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，包括以下步骤：
步骤1，基于结构学习的边缘检测：输入一幅高分辨率卫星影像后，首先基于局部的结构模式学习对其进行边缘检测，获取卫星影像中每一像素点在特定尺度上的边缘强度值；
步骤2，多尺度边缘信息融合：通过多尺度边缘信息融合，降低边缘检测对卫星影像不同分辨率的敏感性，使得边缘检测结果在保持边缘定位精度的同时能够结合高层语义信息来消除边缘噪声；
步骤3，基于超度量轮廓图的多尺度分割：包括步骤31，通过分水岭变换将多尺度边缘信息转化为底层的分割块信息，即超像素；步骤32，再利用超度量轮廓图分析相邻分割块之间的轮廓强度来逐层组合分割块，得到不同尺度的分割块；
步骤4，基于语义建模的农田边界优化：通过利用条件随机场对农田块的空间分布位置进行建模，提高农田边界的可用性。
进一步地，所述步骤1中基于结构学习的边缘检测具体包括以下步骤：
步骤11，特征提取：基于16×16像素大小的图像切片进行特征提取；
步骤12，训练结构分类器：利用随机森林作为结构分类器，通过标注一幅卫星影像中的农田边界来获得结构分类器所需的边缘/非边缘训练真值，并基于所述训练真值来对结构分类器进行训练；
步骤13，预测边缘强度：利用训练好的结构分类器来预测卫星影像的边缘强度值，实现边缘检测。
进一步地，所述步骤12中随机森林替换为支持矢量机、或者人工神经网络或者深度神经网络。
进一步地，提取的特征包括像素强度、颜色、梯度幅值与方向，同时计算两个像素间特征的差值。
进一步地，所述步骤2中多尺度边缘信息融合具体包括以下步骤：
设由边缘检测得到的图像中每个像素点位置(x，y)处尺度s上的轮廓强度为ls(x，y)，通过在多个尺度s上对ls(x，y)进行加权平均，得到像素点(x，y)处的平均轮廓强度lm(x，y)：
其中，ws是针对不同尺度s下轮廓强度ls(x，y)的权重因子。
进一步地，对于优于1米分辨率的卫星影像，尺度有s＝{1/6，1/4，1/2，1}，即利用将原图按1/6，1/4，1/2降采样后的图像以及原图进行边缘融合。
进一步地，所述步骤31具体包括以下步骤：
通过边缘检测和多尺度边缘融合得到边缘强度图；
选择至少一个局部最小值点作为种子点；
通过分水岭变换将多尺度边缘强度信息转为连续的底层分割块；
将相邻两个分割块之间轮廓上所有像素点处的平均轮廓强度lm(x，y)的平均值作为这条轮廓的强度值。
进一步地，所述步骤32具体包括以下步骤：
对于当前分割图，选择所有两个分割块之间的轮廓中强度值最小的一段轮廓；
将这段轮廓两侧的两个分割块合并为一个新的分割快，并删除相应的轮廓；
更新分割图中每条轮廓的强度值；
重复上述步骤即得到不同尺度的分割块。
进一步地，所述步骤4中通过建模表征农田的语义信息，包括类别一致性和空间分布形态。
进一步地，假设特征为f的图像区域的类别分布为z，基于条件随机场的农田语义分布模型用能量形式表示如下：
其中，
通过对e(z|f)进行迭代计算，最终使得农田区域内部类别趋于一致性，同时得到的农田区域形状与实际情况相符，实现对农田边界的优化。
本发明的有益效果在于，通过多尺度结构学习，实现了一种面向高分辨率卫星影像的高精度农田边界提取方法，可以为精准农业提供基础的地理信息支持。通过在较大规模的高分辨率(包括0.3米和0.6米等)卫星影像数据集上进行测试，本发明方法进行农田边界提取的准确率可达70％左右，而之前方法进行农田边界提取的准确率不到50％，证明本发明可以实现农田边界的精准提取。
附图说明
图1为基于多尺度结构学习的卫星影像高精度农田边界提取总体流程图；
图2为基于结构分类器的局部边缘模式分类示意图；
图3为基于语义建模优化前(左)和优化后(右)的农田边界示意图。
具体实施方式
下文中，结合附图和实施例对本发明作进一步阐述。图1为本发明基于多尺度结构学习的卫星影像高精度农田边界提取总体流程图，具体步骤如下：
步骤1，基于结构学习的边缘检测：输入一幅高分辨率卫星影像后，首先基于局部的结构模式学习对其进行边缘检测，获得图像中每一像素点在特定尺度上的边缘强度值。
步骤2，多尺度边缘融合：通过多尺度边缘信息融合，可以降低边缘检测对卫星影像不同分辨率的敏感性，使得边缘检测结果在保持边缘定位精度的同时能够结合高层语义信息来消除边缘噪声，提高边缘检测的鲁棒性。
步骤3，基于超度量轮廓图的多尺度分割：通过分水岭变换(watershedtransformation，wt)将边缘信息转化为底层的分割块信息，即超像素，再利用超度量轮廓图(ultrametriccontourmap，ucm)分析相邻分割块之间的轮廓强度来逐层组合分割块，得到不同尺度的分割图，越大尺度的分割块表示越大尺寸的农田块对象。
超像素：过分割产生的匀质性分割快称为超像素(superpixel)，一块农田可能会分割为一个或多个超像素，因此需要对超像素进行组合(grouping)或聚类(clustering)才能得到完整的一个农田块。
欠分割：将相邻的多块农田分割为一个区域，即分割不充分、分割块过少。
过分割：将一块农田分割为多个区域，即分割块过多。
步骤4，基于语义建模的农田边界优化：通过利用条件随机场(conditionalrandomfield，crf)对农田块的空间分布位置和形态进行建模，可以消除提取到的高精度农田边界中存在的毛刺、不规整等问题，从而提高农田边界可用性。本发明最终得到每个农田块的边界提取结果，图1所示的结果图中用不同颜色表示不同的农田分割块，而分割块的轮廓表示农田的精准边界。
以下结合具体实施例对步骤1-步骤4进行进一步阐述：
步骤1，基于结构学习的边缘检测：
本发明提出了基于结构模式学习的边缘检测方法，通过对16×16像素大小的图像切片中局部边缘结构进行建模，并结合结构分类器学习来进行边缘检测，能够表征针对农田块对象的局部边缘结构模式，实现高精度、高可信的农田边缘检测。基于结构模式学习的边缘检测可以获得图像中每个像素点(x,y)处的轮廓强度值l(x,y)，轮廓强度值越大，表明这点处存在轮廓线的概率越大。基于结构学习的边缘检测流程为：
步骤11，特征提取：基于16×16像素大小的图像切片进行特征提取，本发明提取的特征包括像素强度、颜色、梯度幅值与方向等，同时计算两个像素间特征的差值。
步骤12，训练结构分类器：利用随机森林(randomforest，rf)作为结构分类器，通过标注一幅图像中的农田边界来获得分类器所需的边缘/非边缘训练真值，并基于此训练真值来对结构分类器进行训练。
本发明所用到的结构分类器，除了随机森林之外，也可以选择其他监督分类方法，如支持矢量机(svm)、人工神经网络(ann)或深度神经网络(dnn)。
步骤13，预测边缘强度：利用训练好的结构分类器来预测测试图像的边缘强度值，实现边缘检测。
利用结构分类器对局部边缘的结构模式进行分类的过程如图2所示，利用得到的图像切片边缘模式有助于实现更加精准的农田边缘检测。
步骤2，多尺度边缘融合：
多尺度边缘信息融合的作用是使边缘检测能够结合卫星影像在原尺度上的高精度边缘定位信息和在大尺度上的结构语义信息。设由边缘检测得到的图像中像素点位置(x，y)处尺度s上的轮廓强度为ls(x，y)。通过在多个尺度s上对ls(x，y)进行加权平均，可以得到像素点(x，y)处的平均轮廓强度lm(x,y)：
其中ws是针对不同尺度s下轮廓强度ls(x，y)的权重因子，尺度s和相应权重因子ws可以根据不同应用选取不同的赋值。针对优于1米分辨率的卫星影像，本发明采用的尺度有s＝{1/6，1/4，1/2，1}，即利用将原图按1/6，1/4，1/2降采样后的图像以及原图进行边缘融合。通过对边缘检测得到的像素边缘强度进行多尺度信息融合，可以利用大尺度上语义信息消除在高分辨率(如0.3米)影像上存在的虚假边缘干扰，提升边缘检测的鲁棒性，同时又能够保留高的边缘定位精度，为后续的高精度农田边界提取提供了基础。
步骤3，基于超度量轮廓图的多尺度分割：
首先，在由多尺度边缘检测和融合得到的边缘强度图中，选择多个局部最小值点作为种子点，通过分水岭变换将边缘强度信息转为多个连续的底层分割块，并将相邻两个分割块之间轮廓上所有像素点边缘强度值lm(x,y)的平均作为这条轮廓的强度值。分割块间轮廓的强度值越大表示这里存在农田边界的概率越大。
利用超度量轮廓图(ultrametriccontourmap，ucm)对分水岭变换生成的底层分割块进行分层语义组合，可以生成不同尺度的分割块，通过选取更大尺度的分割块，使得分割块与实际农田块一一对应。由底层分割块生成更高层分割块的过程如下：1)对于当前分割图，选择所有两个分割块之间的轮廓中强度最小的一段轮廓；2)将这段轮廓两侧的两个分割块合并为一个新的分割快，并删除相应的轮廓；3)更新分割图中每条轮廓的强度值；4)重复这个过程即得到不同尺度的分割块。
步骤4，基于语义建模的农田边界优化：
利用条件随机场(conditionalrandomfield，crf)对农田块的空间语义分布进行建模，能够表征关于农田两方面的语义信息：1)类别一致性，即特征相似、距离相近的像素同时是农田(非农田)类别的概率较大；2)空间分布形态，如多数农田为矩形且同一地区的农田走向趋于一致。这样就可以解决在高分辨率条件下提取得到的农田边界存在毛刺、不规整等问题，并提高农田边界的可用性。假设特征为f的图像区域的类别分布为z，基于条件随机场的农田语义分布模型用能量形式表示如下：
其中，
本发明主要针对分辨率优于1米的高分辨率卫星影像，对于分辨率可能更高的航空影像或无人机航拍影像，经过简单参数适配后，本发明提供的方法同样适用。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。