基于深度迁移学习的黄土高原梯田自动识别方法

本发明属于梯田识别领域，具体为基于深度迁移学习的黄土高原梯田自动识别方法。

背景技术：

1、在中国黄土高原地区，由于自然地理环境的特殊性，致使水土流失严重，黄河中泥沙剧增，这严重制约了区域经济的发展，进一步威胁下游地区数千万人民生命与财产安全。梯田其独特的地形结构，不仅可以有效防止水力侵蚀，还可为植被生长提供充分水因子，具有显著的蓄水、保土、增产的作用，是黄土高原地区治理坡耕地水土流失的根本措施。梯田建成后维护、验收、监测等工作的完成，都依赖于准确的梯田信息。因此，高效、精确的提取梯田信息对水土保持规划及监测均具有重要指导意义。

2、传统人工统计梯田信息的方法不仅耗费大量人力物力，而且所受限制颇多，具有可重复性差、效率低下、周期性长等问题，而高分辨率遥感技术的发展，使得遥感影像的光谱分辨率、时间分辨率、空间分辨率等各方面都得到了很大的提高，使得连续监测梯田成为了可能，有助于获取更为丰富、准确的梯田特征信息。

3、在以高分辨率遥感影像为基础的梯田识别研究中，目前主要包括三种提取梯田的方法，即目视解译法，基于纹理特征的傅里叶变换法以及面向对象分类方法。人工目视解译方法由于不需要实地踏勘在一段时间内被广泛使用，但其对解译人员专业知识依赖程度较高，结果准确性难以保证，无法在较短时间内完成大面积梯田提取。随着高分辨率遥感卫星传感器的快速发展，基于梯田的频谱纹理特征进行自动提取成为可能，现有技术采用傅里叶变换算法，基于高分辨率遥感影像进行梯田纹理特征的提取，发现该方法对小面积梯田识别精度较高，但大面积识别时，由于地貌类型更为复杂，非梯田类型的不规则纹理信息对结果产生极大干扰，错分、漏分现象严重，所得精度无法满足工程化生产需要。而面向对象分类方法综合考虑了形状、光谱、问题等信息，不再基于某一单一特征对梯田进行提取，而是将有意义的邻近对象作为分析的基本单元实现对梯田的提取。还有将dem、dsm数据与高分辨率遥感影像结合，采用多尺度对象分类方法实现了梯田进行识别。但是此方法的精度主要依赖于用户提供的特征向量，未考虑梯田田坎，对于不规则的梯田形状，此方法分类效果一般。

4、综上所述，以上进行梯田提取的方法对区域环境较为敏感，其精度均无法满足工程需要。而深度学习依托端到端的学习方式，更为关注目标本身的信息特征，在一定程度上可以弱化复杂环境带来的影响，更好的实现对研究对象深层次信息的挖掘，从而提高精度，目前已经在图像分类、语义分割、目标检测等领域得到了深度应用。许多学者也利用深度学习方法对梯田进行了提取，精度较高，但深度学习技术存在一个重要问题，即需要大量训练数据才可能达到较好的泛化能力，对于小样本问题效果较差。迁移学习的基本思想是复用，是指利用数据、任务或模型之间的相似性，将辅助领域的知识应用到新领域，实现不同任务之间的迁移与共享。深度迁移方法主要是将深度学习与迁移学习结合起来，在保证速度快、硬件设备要求低的同时，对复杂环境的小样本数据也能克服环境影响，快速学习到主要特征，实现高精度的提取，该方法近几年在遥感领域的目标识别、图像分类等方面的应用也非常广泛。

技术实现思路

1、针对现有梯田识别领域存在的问题，本发明以高分辨率遥感影像为基础，基于worldview-1数据集训练一个适应于多类型数据源进行梯田识别的源模型，引入迁移机制，选择其作为预训练模型以供第二个任务进行学习，构建迁移模型，以小样本的gf-2数据集作为第二个任务的数据基础，探索深度迁移学习对目标任务的完成能力，以期实现小样本梯田的大面积、高精度、自动识别。

2、具体的技术方案为：

3、基于深度迁移学习的黄土高原梯田自动识别方法，包括以下步骤：

4、(1)数据预处理：对影像进行预处理，以此为基础进行人工标注获得真实的样本标签，利用滑动窗口裁剪方法生成256×256像素的样本数据集，将其格式由tiff转换为png，最后进行数据增强处理，划分为训练集和验证集；

5、(2)构建ieu-net模型：在u-net模型基础上构建ieu-net模型，对高分辨率遥感数据进行深度特征提取；

6、(3)获取最优梯田识别预训练模型：将worldview-1样本集输入ieu-net模型进行训练，调整参数，保存最优worldview-1梯田识别模型；

7、(4)将预训练模型迁移到gf-2小样本梯田的高精度识别：载入预训练模型权重，根据实验要求调整模型结构，构建迁移模型，采用不同的fine-tune策略，选择训练部分参数或者重新训练所有参数，将gf-2样本集输入新模型进行训练，参数对比调优，保存迁移模型；

8、(5)预测成图：采用忽略边缘预测方法构建一个预测模型，将测试集输入预测模型进行预测成图，从而消除边界拼接痕迹、丰富图像边缘信息；

9、(6)精度评价：将各测试区的预测图与真值图进行对比，选择总体精度(oa)、f1-分数(f1-score)、平均交并比(miou)等评价指标进行精度评价。

技术特征：

1.基于深度迁移学习的黄土高原梯田自动识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度迁移学习的黄土高原梯田自动识别方法，其特征在于，包括以下步骤：

技术总结
本发明提供基于深度迁移学习的黄土高原梯田自动识别方法，首先，以U‑Net网络为基础，为了提高其训练速度及鲁棒性，添加Dropout层和BN层，构建IEU‑Net网络，使用WorldView‑1源域数据集训练IEU‑Net网络获得一个适应于多类型数据源梯田识别的源模型，将源模型作为预训练模型获取其权重。然后，基于IEU‑Net网络加入新的卷积层和Softmax层设计一个迁移网络，并将获得的权重迁移到新网络。最后，使用GF‑2目标域小样本数据集对迁移网络进行训练，实现梯田精确识别。本发明探索深度迁移学习对目标任务的完成能力，以期实现小样本梯田的大面积、高精度、自动识别。

技术研发人员：蔚铭阁,芮小平
受保护的技术使用者：河海大学
技术研发日：
技术公布日：2024/1/13