技术特征：
1.一种基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，包括以下步骤：步骤s1，基于非监督多尺度分割方式对高分辨率遥感影像进行无监督分割，以构建训练样本数据集；步骤s2，构建多尺度融合的全卷积神经网络，利用所述训练样本数据集对所述多尺度融合的全卷积神经网络进行训练，其中，所述多尺度融合的全卷积神经网络中采用并行连接的四个尺度的特征网络结构，特征输出层加入邻域特征融合模块；步骤s3，将待提取耕地影像输入训练好的多尺度融合的全卷积神经网络中，得到耕地矢量图斑。2.根据权利要求1所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，所述步骤s1具体包括：步骤s101，通过预设遥感卫星获取所述高分辨率遥感影像，并对所述高分辨率遥感影像进行预处理；步骤s102，通过面向对象多尺度分割的方式对预处理后的高分辨率遥感影像进行无监督分割，得到多个矢量单元；步骤s103，对所述多个矢量单元进行图像处理，得到所述训练样本数据集。3.根据权利要求2所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，还包括：步骤s104，利用增强方法对所述训练样本数据集中的样本数据进行翻转、旋转、裁剪以及缩放任一种或多种组合操作，增加所述训练样本数据集中样本数据数量。4.根据权利要求1所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，所述步骤s2具体包括：步骤s201，向所述多尺度融合的全卷积神经网络输入所述训练样本数据集中的样本原始影像图，经过两个3
×
3的卷积以及两个bn层以及relu激活函数，输出样本原始影像图尺寸大小的特征图；步骤s202，利用四个尺度的特征网络分支结构将卷积前特征与一系列四种尺度卷积后的特征进行并行连接，输出的四个分支结构分别为包含样本原始影像图尺寸大小的特征图；步骤s203，将所述包含样本原始影像图尺寸大小的特征图进行统一采样为第一个尺度大小的特征图进行连接，得到初始融合特征f1；步骤s204，通过所述初始融合特征f1计算影像的类别概率图p
m
，粗略估计每一个像素所属的类别特征f
c
；步骤s205，利用注意力机制转换将像元特征与所述类别特征f
c
进行处理，得到上下文特征f
q
；步骤s206，根据所述上下文特征f
q
，并将所述初始融合特征f1与上下文特征进行融合，得到的分割特征f2；步骤s207，利用交叉熵作为类别损失函数，通过随机梯度下降优化函数进行损失下降，完成所述多尺度融合的全卷积神经网络训练。5.根据权利要求4所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在
于，所述步骤s202中具体包括：所述第一个分支结构，包括四个bottleneck block残差块，输出特征图s1，所述特征图s1的尺寸为样本样本原始影像图的所述第二个分支结构，将所述第一特征图s1并行扩展，根据所述第一特征图s1分别进行尺度变换，包括特征通道降维以及下采样生成特征图和特征图再将所述特征图与所述特征图分别对应进行尺寸采样并进行叠加融合，输出的二个分支结构分别包含样本原始影像图尺寸大小的的特征图；所述第三个分支结构，将所述包含样本原始影像图尺寸大小的的特征图作为输入，同时对所述特征图并行扩展，得到特征图特征图特征图再次将所述特征图所述特征图所述特征图分别对应进行尺寸采样并进行叠加融合，输出的三个分支结构分别为包含样本原始影像图尺寸大小的的特征图；所述第四个分支结构，将所述包含样本原始影像图尺寸大小的的特征图作为输入，同时对所述特征图并行扩展，得到特征图特征图特征图特征图再将所述特征图所述特征图所述特征图所述特征图分别对应进行尺寸采样并进行叠加融合，输出的四个分支结构分别为包含样本原始影像图尺寸大小的的特征图。6.根据权利要求4所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，所述步骤s205中注意力机制转换具体为：其中，f
q
为上下文特征，c为样本原始影像图中类别个数，w
ij
为像素与类别为j的特征的相似度量，δ(
·
)与ρ(
·
)为注意力机制的两个特征转换方程。7.根据权利要求4所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，所述步骤s206中融合具体为：f2＝λ
·
f1+(1-λ)
·
f
q
其中，f2为分割特征，λ为融合权重，f1为初始融合特征，f
q
为上下文特征。8.根据权利要求1所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，所述步骤s207中的交叉熵损失为：
其中，为交叉熵损失，c为样本原始影像图中类别个数，y
i
为真实标签值，为预测值。9.根据权利要求1所述的基于多尺度融合的全卷积神经网络耕地提取方法，其特征在于，所述步骤s3具体包括：步骤s301，将待提取耕地影像输入至所述训练好的多尺度融合的全卷积网络模型中，进行端对端分割解译，得到类别栅格结果；步骤s302，根据所述类别栅格结果对相邻区域同属性进行合并，得到所述耕地矢量图斑。10.一种基于多尺度融合的全卷积神经网络耕地提取系统，其特征在于，包括：无监督分割模块，用于基于非监督多尺度分割方式对高分辨率遥感影像进行无监督分割，以构建训练样本数据集；训练模块，用于构建多尺度融合的全卷积神经网络，利用所述训练样本数据集对所述多尺度融合的全卷积神经网络进行训练，其中，所述多尺度融合的全卷积神经网络中采用并行连接的四个尺度的特征网络结构，特征输出层加入邻域特征融合模块；验证模块，用于将待提取耕地影像输入训练好的多尺度融合的全卷积神经网络中，得到耕地矢量图斑。
技术总结
本发明公开了一种基于多尺度融合的全卷积神经网络耕地提取方法及系统，其中，该方法包括：基于非监督多尺度分割方式对高分辨率遥感影像进行无监督分割，对得到的多个矢量单元进行图像处理，得到训练样本数据集；构建多尺度融合的全卷积神经网络，利用训练样本数据集对多尺度融合的全卷积神经网络进行训练，其中，多尺度融合的全卷积神经网络中采用并行连接的四个尺度的特征网络结构，特征输出层加入邻域特征融合模块；将待提取耕地影像输入训练好的多尺度融合的全卷积神经网络中进行预测，生成类别栅格影像，并通过图像后处理算法得到最终的耕地矢量图斑。该方法可以从高分辨率影像中稳定地提取较为规整、均质的耕地地块矢量。量。量。
技术研发人员：朱瑞飞 李竺强 马经宇 王春月 徐猛
受保护的技术使用者：长光卫星技术有限公司
技术研发日：2021.10.27
技术公布日：2022/1/21