[发明专利]基于卷积神经网络及能量约束的绿地水系矢量提取方法

权利要求书

1.基于卷积神经网络及能量约束的绿地水系矢量提取方法，其特征在于，包括如下步骤：

步骤1，建立训练集样本库，根据研究区域或者试验区域的遥感影像以及历史资料库，选取典型的绿地水系样本，制作对应标签，然后根据硬件计算资源大小，将影像裁剪合适的切片大小，同时制作对应的栅格标签和矢量标签；

步骤2，构建VTE模型，所述VTE表示基于卷积神经网络及边缘能量约束优化的绿地水系矢量提取；

所述VTE模型包括全卷积网络端、边缘能量约束优化端以及矢量节点微调端；

所述全卷积网络端用于获取绿地、水系空间场景上下文和语义信息，并为边缘能量约束优化端提供初始检测结果和可学习的lambda参数以及提供多层次特征；

所述边缘能量约束优化端处理初始检测结果和可学习的lambda参数，进行基于能量约束的边界优化，迭代获取较准确且平滑的绿地水系边缘节点；

所述边缘能量约束优化端对全卷积网络的分割结果进行基于能量约束的边界优化，采用变分法，使全卷积网络得到的初始轮廓沿着能量最小的方向以迭代的方式进行曲线演化；

演化的能量方程为：

其中，f(p)为某一图像，p指图像中的像素，μ，ν，λ₁，λ₂为自定义的参数，封闭曲线C为图像中一个闭合区域ω的边界，inside(C)表示ω内部，outside(C)表示ω外部，曲线C内外所有像素被分别赋予两个恒定的值：

c₁和c₂分别为曲线C内部和外部像素值的均值；

总的能量方程可分解为三部分：

曲线C的长度约束项μLength(C)；

ω的面积约束项v Area(inside(C))；

曲线C与ω的位置关系约束项λ₁∫_inside(C)|f(p)-c₁|²dp+λ₂∫_outside(C)|f(p)-c₂|²dp；

实际应用中，面积项和长度项省略，因此，最终构建的能量泛函方程为：

F(c₁，c₂，C)＝λ₁∫_inside(C)|f(p)-c₁|²dp+λ₂∫_outside(C)|f(p)-c₂|²dp (3)

引入水平集函数φ(x,y)定义如下：

(x,y)为图像上像素p的坐标，Ω指整幅图像组成的实数域，定义阶跃函数HeavisideFucntion：

综合式(3)(4)(5)，能量方程变形为

其中I₀(x,y)为图像上(x,y)处的像素值，c₁和c₂计算表达式为，

在实践中，函数H定义为代替函数：

其中，t为步长，∈为可变系数，当∈越小，代替函数越接近阶跃函数H；

综合上述泛函方程的各部分细节，利用变分法和梯度下降法可得到此能量泛函的偏微分方程：

此外，利用矩阵Ws约束位置关系项，以获得局部信息，Ws定义如下：

其中(x,y)和(u,v)为两个独立点的坐标；

因此，能量泛函偏微分方程为：

基于式(13)，以全卷积网络端输出的分割结果为初始轮廓，对目标边界进行优化，式中的参数λ₁和λ₂均由全卷积网络端学习得到；所述矢量节点微调端将提供的多层次特征进行节点特征抽取，利用全连接层或图卷积层微调得到精确的绿地水系边缘矢量结果；

所述矢量节点微调端具体包含特征表示模块、节点表示模块和节点优化模块；所述特征表示模块表示对全卷积网络端多层次特征输出做一步特征融合的处理；节点表示模块表示林地水系轮廓节点在特征表示模块处理结果上对应位置的点特征抽取；节点优化模块表示采用全连接层或图卷积层对点特征进行学习，该层结构包含三层相同结构的全连接结构或图卷积结构，以微调对应的林地水系轮廓节点；

步骤3，进行VTE模型训练与测试，实现对遥感影像中绿地和水系的轮廓检测和边缘节点精细调整。