一种基于卷积神经网络的遥感影像的植被提取优化方法与流程

本发明涉及一种植被提取优化方法，尤其涉及一种基于卷积神经网络的遥感影像的植被提取优化方法。

背景技术：

随着遥感技术的不断发展，遥感数据急剧增加。因此，在大数据条件下的遥感影像的目标识别尤为重要。目前基于机器学习的图像分割的传统方法需要依靠先验知识进行人工选择和设计，不仅耗时耗力，而且难以保证最终结果的精度；基于非参数转换到数据驱动方法不适于任何场景，对不同的场景得不到准确的图像语义分割结果。

为了实现图像的语义分割，进而对遥感图像中的植被进行提取，目前有以下三种技术方案：方案一：采用阈值分割方法，用一个或者几个阈值将图像的灰度直方图分成几类，将图像中灰度值一致的像素划分为同一物体，但是阈值的选择容易收到噪声和亮度的影响；方案二：采用基于边缘的方法，通过检测包含不同语义信息的边缘进行图像的分割，然而权衡边缘检的时候抗噪性和检测精度较难；方案三：采用基于区域的分割方法，把具有相似性质的像素点进行连通，从而慢慢的组成最终的分割区域结果，从而容易造成图像的过渡分割。

目前在遥感图像的植被提取已有的常用方法中，需要人工提取图像的特征与表达，在精确度以及效率方面效果欠佳。而随着遥感影像数据的急剧增加，人工提取的方式就显得捉襟见肘。

技术实现要素：

为了解决上述技术所存在的不足之处，本发明提供了一种基于卷积神经网络的遥感影像的植被提取优化方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于卷积神经网络的遥感影像的植被提取优化方法，包括训练过程和提取过程；

训练过程包括以下步骤：

s11、选取要用于进行识别的影像类型，对影像上的植被进行人工标注，并将标注保存为栅格数据；

s12、将步骤s11得到的标注数据和原始数据进行切块，切块大小为512×512像素，舍弃边缘大小不足512像素的部分，原始数据需要和标注的数据一一对应；将数据的百分之二十作为验证集，剩余的作为样本集；

s13、修改vgg16网络模型，将最后的卷积层修改为全积层，构建全积网络；

s14、使用步骤s12中的样本对步骤s13中的模型进行训练；

s15、根据结果，加深网络的层次，使用步骤s14训练的模型作为预训练模型，再次使用步骤s12的样本进行训练，得到训练好的模型；

提取过程包括以下步骤：

s21、加载训练过程步骤s15中训练好的模型；

s22、对要进行植被提取的样本进行分块处理，分块的大小为512×512像素，和样本相同；

s23、使用步骤s21中的模型分别对每块影像进行处理，提取出植被所在的区域；

s24、对步骤s23中提取出来的区域进行合并，得到提取结果。

本发明本着以应用为核心的设计思想，公开了一种基于深度学习的遥感影像的植被提取方法，该方法对vgg16网络进行了改进，将网络的全连接输出层换成了卷积层，使网络成为一个全卷积网络，并使用人工标注的样本对网络进行训练，使用训练好的模型对指定的影像进行提取，不仅实现了对遥感影像中植被的自动提取，而且减少人工的投入，同时提高了提取精度，最终实现了遥感影像植被的高效、精准、自动化提取。

附图说明

图1为本发明的流程图。

具体实施方式

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。

如图1所示的一种基于卷积神经网络的遥感影像的植被提取优化方法，包括训练过程和提取过程；

训练过程包括以下步骤：

s11、选取要用于进行识别的影像类型，对影像上的植被进行人工标注，并将标注保存为栅格数据；

s12、将步骤s11得到的标注数据和原始数据进行切块，切块大小为512×512像素，舍弃边缘大小不足512像素的部分，原始数据需要和标注的数据一一对应；将数据的百分之二十作为验证集，剩余的作为样本集；

s13、修改vgg16网络模型，将最后的卷积层修改为全积层，构建全积网络；该方法中使用的vgg16模型一共有16个卷积层，分为5个部分，该模型可以通过训练得到。以vgg16卷积神经网络作为设计核心，实现对遥感影像中植被的自动提取。

s14、使用步骤s12中的样本对步骤s13中的模型进行训练；

s15、根据结果，加深网络的层次，使用步骤s14训练的模型作为预训练模型，再次使用步骤s12的样本进行训练，得到训练好的模型；

基于vgg16网络的fcn-32/16/8s，fcn的意思是fullyconvolutionnetwork，即全卷积网络，就是连最后的全连接层也全部变成卷积层。fcn对图片的尺寸没有特别的要求，而且识别度高。

卷积神经网络能够自动学习得到图像特征的分布表示，避免了人工显式的特征提取与表达的需要，并且，与目前的传统方法对比，卷积神经网络能够从大量样本图像集中学习得到更深层次的图像特征。

提取过程包括以下步骤：

s21、加载训练过程步骤s15中训练好的模型；

s22、对要进行植被提取的样本进行分块处理，分块的大小为512×512像素，和样本相同；

s23、使用步骤s21中的模型分别对每块影像进行处理，提取出植被所在的区域；

s24、对步骤s23中提取出来的区域进行合并，得到提取结果。

本发明将深度学习中的卷积神经网络运用到遥感影像的植被提取中，用深度卷积神经网络解决不平衡分类问题，channel(通道)数目更大；vgg网络采用多个3×3的卷积，模仿出更大的感受野的效果，实现了遥感影像植被的精准提取。

上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

技术特征：

技术总结
本发明公开了一种基于卷积神经网络的遥感影像的植被提取优化方法，包括训练过程和提取过程；训练过程得到训练好的模型；提取过程加载训练过程中训练好的模型，最终得到提取结果。本发明本着以应用为核心的设计思想，公开了一种基于深度学习的遥感影像的植被提取方法，该方法对VGG16网络进行了改进，将网络的全连接输出层换成了卷积层，使网络成为一个全卷积网络，并使用人工标注的样本对网络进行训练，使用训练好的模型对指定的影像进行提取，不仅实现了对遥感影像中植被的自动提取，而且减少人工的投入，同时提高了提取精度，最终实现了遥感影像植被的高效、精准、自动化提取。

技术研发人员：吴方才;姜河;傅晓梦
受保护的技术使用者：航天星图科技（北京）有限公司
技术研发日：2018.07.06
技术公布日：2018.12.18