[发明专利]基于先验信息与深度学习的农田区域预筛选方法及装置

说明书

本发明提供了一种基于先验信息与深度学习的农田区域预筛选方法及装置，所述方法包括以下步骤：按照网格划分来切分卫星图像，形成图像分块区域；基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；基于高精度农田边界提取得到农田/非农田真值；基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；按网格方式对农田区域预筛选结果进行存储。通过实际测试，发现利用本发明提供的预筛选方法可以使得高精度农田边界提取所用总处理时间降少为原来的30％以下。

技术领域

本发明涉及农田区域筛选技术领域，具体涉及一种基于先验信息与深度学习的农田区域预筛选方法及装置。

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，卫星遥感影像的覆盖范围不断变大，分辨率和定位精度也不断提高。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。随着海量高分辨率卫星遥感数据的大量获取，智能化的精准农业应用成为热点和趋势，如无人机植保、智能病虫害监控、农作物长势监测等，而如何从海量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，无人机植保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)边界主要是通过在卫星/航拍影像上以人工方式提取或在作业现场以测绘/测量方式获取的，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)以及面向单个对象提取的实例分割(instance segmentation，实例分割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(地面上的场景或目标类型，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)，称为对象实例)方法为高精度农田边界提取提供了方法基础，但这些方法计算复杂、耗时严重，根据测试，处理一幅0.3m分辨率2048×2048影像需要的时间为30秒左右，即使在能对100幅影像并行处理的计算能力情况下，对全国范围完成农田边界提取也需要6个月时间。而实际上，我国耕地面积只占国土总面积的14％左右，没有必要对所有区域都进行高精度农田边界提取。因此，实际应用中亟需一种快速的农田预筛选方法，能够在全国范围进行非农田区域剔除，并保留农田区域，基于此针对农田区域图像进行高精度农田边界提取就可以明显节省处理时间。

与本发明接近或相关的技术方案如下：

1、《无人机航拍影像农田块对象精准提取方法》，公开号：CN107563413A。该发明提供了一种无人机航拍影像农田块对象精准提取方法，首先利用基于光谱信息的轮廓检测获得图像边缘信息，再采用分水岭变换获得底层分割块，并基于轮廓强度来生成多尺度的分割图，最后通过有监督的图像分类来实现非农田区域剔除。

注：以上方法实现高精准农田块边界提取，但其算法复杂，处理单幅0.3m分辨率2048×2048像素大小影像都需要耗时30秒，而完成全国农田边界提取将需要6个月时间(在能对100幅影像并行处理的计算能力情况下)，这就需要一种快速的农田区域预筛选方法来使其只针对包含农田区域的影像进行高精度边界提取。

2、《一种水体信息的提取方法及装置》，公开号：CN103793907B。该方法利用所指定流域的数字高程模型DEM(Digital Elevation Model，数字高层模型)数据来辅助遥感影像数据中水体信息的提取。首先，DEM数据被用来提取河流信息，确定线状河流，生成河流缓冲区。然后，基于遥感影像数据提取指定流域的第一水体信息。最后，该方法合并河流缓冲区和第一水体信息生成最终目标水体信息。