[发明专利]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

说明书

本发明提供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，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；步骤3，基于超度量轮廓图的多尺度分割：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；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。本发明方法可以实现农田边界的精准提取。

技术领域

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(landcover classification)和语义分割(semantic segmentation，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(instance segmentation，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(structure learning)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。