一种聚合多层注意力机制与边缘特征的耕地地块分割方法

本发明属于土地利用监测，尤其涉及一种聚合多层注意力机制与边缘特征的耕地地块分割方法。

背景技术：

1、耕地是农业生产最基本的物质条件，承载着食物供给、质能循环与生态调节等多重功能。耕地地块提取是将耕地划分为多个地块的过程，其中每个地块都包含同一种作物。为了合理利用耕地资源，需要准确、高效地提取耕地作物地块。然而，传统的地块提取方法通常需要耗费大量的人力、物力和时间，并且往往难以保证提取结果的准确性和实时性。

2、在传统的地块提取方法中，常用的是基于遥感影像的方法。这些方法通过解译卫星遥感影像，提取出地物信息，进而划分出各个地块。传统的方法往往需要通过遥感影像分析、土壤化验、人工勘察等手段进行，需要大量的人力、物力和时间，而且操作繁琐、难以保证提取精度。不同地区和作物类型可能需要不同的特征，导致方法不够通用。同时，由于遥感影像的复杂性和土地利用变化的多样性，常规方法往往不能满足实际需求，存在一定的不足之处。

3、机器学习是一种基于数据构建模型、自动进行模式识别和预测的技术，可以帮助提高耕地地块提取的准确性和效率。目前，许多机器学习方法被应用于耕地地块提取，例如支持向量机、随机森林、卷积神经网络等。然而，传统的机器学习算法主要是基于手工设计特征进行分类，这种方法在特征选择和分类器设计上存在一定的主观性和局限性。为了解决上述问题，利用深度学习实现耕地作物地块提取成为了研究的热点之一。深度学习可以通过对大量的遥感影像和耕地数据进行学习，从而获取较为准确的地块提取模型。然而对于场景复杂的农业环境，尤其是耕地和其他地物(如林地、草地)易混分的区域，仅从单一的空间特征提取角度就容易导致耕地提取的误差增加，从而降低算法的准确性。

技术实现思路

1、为解决上述技术问题，本发明提出了一种聚合多层注意力机制与边缘特征的耕地地块分割方法，提高耕地地块分割的准确性。

2、为实现上述目的，本发明提供了一种聚合多层注意力机制与边缘特征的耕地地块分割方法，包括：

3、采集原始图像，对所述原始图像进行预处理，获取预处理后的原始图像；

4、构建聚合多层注意力机制与边缘特征的深度学习模型，将所述预处理后的原始图像输入所述深度学习模型并采用编码器进行分层处理，提取边缘特征图和自注意力特征图；

5、通过解码器对所述边缘特征图和所述自注意力特征图进行特征增强，获取空间特征图；

6、所述空间特征图与所述预处理后的原始特征图的映射进行加权求和，获取加权融合特征图；

7、所述解码器对所述加权融合特征图进行跨越连接，获取空间增强特征图；

8、基于所述空间增强特征图，通过一次卷积函数调整通道维数，获取耕地分割结果；

9、将交叉熵函数和dice函数的加权和对所述耕地分割结果进行评估，获取评价结果。

10、可选的，对所述原始图像进行预处理，获取预处理后的原始图像包括：

11、将所述原始图像随机分割为h×w大小的像素块，共划分为m个；

12、每个像素块具有rgb三通道，每个像素块的维度大小为h×w×3；

13、按照3：1：1的比例进行划分训练集、测试集和验证集。

14、可选的，将所述预处理后的原始图像输入所述深度学习模型并采用编码器进行分层处理，提取边缘特征图和自注意力特征图包括：

15、整个网络共有4层，分别对应4个分辨率大小，每层的输入为fi(i＝1，2，3，4)，将fi输入到每层的自注意力特征模块sam和边缘特征模块efm分别得到该层注意力特征图和边缘特征图和每层网络的输出特征维度大小分别为128×128×32，64×64×64，32×32×128，16×16×256。

16、可选的，通过解码器对所述边缘特征图和所述自注意力特征图进行特征增强，获取空间特征图包括：

17、

18、

19、其中，conc为拼接函数，表示在通道维度上对注意力特征图和边缘特征图进行拼接。

20、可选的，所述空间特征图与所述预处理后的原始特征图的映射进行加权求和，获取加权融合特征图包括：

21、

22、其中，conv1表示卷积核大小为1×1的卷积操作，表示空间特征图，表示加权融合特征图。

23、可选的，所述解码器对所述加权融合特征图进行跨越连接，获取空间增强特征图包括：

24、

25、其中，conv1表示卷积核大小为1×1的卷积操作，表示加权融合特征图，ωi为空间增强特征图。

26、可选的，基于所述空间增强特征图，通过一次卷积函数调整通道维数，获取耕地分割结果包括：

27、

28、其中，ypre表示耕地分割结果，conv1表示卷积核大小为1×1的卷积操作，表示解码器的输出结果。

29、可选的，将交叉熵函数bce和dice函数的加权和对所述耕地分割结果进行评估，获取评价结果包括：

30、

31、

32、lspa＝β1·lbce+β2·ldice

33、其中，表示第i个像素的预测概率，yi表示第i个像素的真实标签值，n表示像素总数，lspa表示损失函数，β1和β2表示权重因子。

34、本发明技术效果：本发明针对传统深度学习网络中边缘定位模糊的问题，充分融合语义特征以及边缘轮廓特征，提出了一种聚合多层注意力机制与边缘特征的耕地地块分割方法；首先，采用多层次结构对耕地地块进行特征提取，并针对不同层次分辨率精度不同的情况，采用不同的特征融合方法：针对低层网络分别提取边缘信息和自注意力特征，进行通道融合；针对高层网络由于经过多层卷积，边缘信息弱化，则提取深度语义信息；然后在解码器部分，采用一种空间增强方法进一步加强语义特征和边缘特征之间的融合，并将解码器与编码器对应输出进行跨越连接；最后将测试数据集输入到训练好的模型中得到耕地地块的提取结果。

技术特征：

1.一种聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，包括以下步骤：

2.如权利要求1所述的聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，对所述原始图像进行预处理，获取预处理后的原始图像包括：

3.如权利要求1所述的聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，

4.如权利要求1所述的聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，通过解码器对所述边缘特征图和所述自注意力特征图进行特征增强，获取空间特征图包括：

5.如权利要求1所述的聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，所述空间特征图与所述预处理后的原始特征图的映射进行加权求和，获取加权融合特征图包括：

6.如权利要求1所述的聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，所述解码器对所述加权融合特征图进行跨越连接，获取空间增强特征图包括：

7.如权利要求1所述的聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，基于所述空间增强特征图，通过一次卷积函数调整通道维数，获取耕地分割结果包括：

8.如权利要求1所述的聚合多层注意力机制与边缘特征的耕地地块分割方法，其特征在于，将交叉熵函数bce和dice函数的加权和对所述耕地分割结果进行评估，获取评价结果包括：

技术总结
本发明公开了一种聚合多层注意力机制与边缘特征的耕地地块分割方法，包括：采集原始图像，对原始图像进行预处理，获取预处理后的原始图像；构建聚合多层注意力机制与边缘特征的深度学习模型，将预处理后的原始图像输入深度学习模型并采用编码器进行分层处理，提取边缘特征图和自注意力特征图；通过解码器对边缘特征图和自注意力特征图进行特征增强，获取空间特征图；空间特征图与预处理后的原始特征图的映射进行加权求和，获取加权融合特征图；解码器对加权融合特征图进行跨越连接，获取空间增强特征图；基于空间增强特征图，通过调整通道维数，获取耕地分割结果；将交叉熵函数和dice函数的加权和对耕地分割结果进行评估，获取评价结果。

技术研发人员：李世华,常明会,郭雨阳,罗富贵,行敏锋
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/2/8