[发明专利]基于高分辨率影像的生态图斑提取方法

权利要求书

1.一种基于高分辨率影像的生态图斑提取方法，其特征在于，包括如下步骤：

S1：获取高分辨率影像，提取路网、水系及地形线数据；

S2：以所述路网、水系和地形数据作为提取掩膜，将影像拆分成多个独立的子任务区，用于分区域的生态图斑提取；

S3：根据各个子任务区内的影像特征，对地表要素进行分层提取，所述地表要素包括耕地、建筑、水面、草地、林地和灌丛；以及

S4：对分层提取出的每种地类的矢量结果，按照由大尺度到小尺度的顺序，将提取的生态图斑更新到同一个矢量文件上，形成全要素的生态图斑矢量，得到最终的生态系统图斑矢量一张图。

2.如权利要求1所述的基于高分辨率影像的生态图斑提取方法，其特征在于，所述步骤S1包括：

获取目标区域的高分辨率遥感影像；

对所述高分辨率遥感影像的原始数据进行图像预处理，所述图像预处理包括正射校正、辐射定标、大气校正和去云；

根据影像中的地表特征，绘制其中的主干路网河水系；和

计算影像区域的山脊线和山谷线，并构成地形网。

3.如权利要求1所述的基于高分辨率影像的生态图斑提取方法，其特征在于，所述步骤S2包括：

将道路与地形网更新至统一图层文件中，形成完整的分区控制网；和

利用分区控制网对影像进行裁剪，形成多个数据量小的子任务区。

4.如权利要求1所述的基于高分辨率影像的生态图斑提取方法，其特征在于，所述步骤S3包括：

样本制作：根据各个子任务区内的影像特征和耕地的类型，选择规则耕地、梯田、坡耕地、建筑区和水面的样本点；按照不同类型的样本点，裁剪成固定大小的影像和对应的矢量框；对裁剪后的样本文件进行特征绘制，并对绘制的矢量赋予非零属性信息；以及将赋予属性后的样本转换成二值图，用于训练；

模型训练与影像预测：根据所述样本的类型，将样本输入到对应的卷积神经网络中进行训练，获得对应的耕地、建筑和水面提取模型；以及将各个子区域的影像和提取模型输入到对应的神经网络中，对影像进行预测，获得耕地、建筑和水面的预测强度图；

栅格矢量化及矢量后处理：对所述预测强度图进行矢量化操作，其中边缘强度图利用相关工具提取骨架线，对断线进行连接后矢量化，在矢量线简化、拉直后转换成矢量面，获得图斑；面预测强度图则在进行膨胀、孔洞填充及二值化处理后转换为矢量面结果；以及

植被提取：获取森林、草地、灌丛图斑，并获得植被提取的矢量结果。

5.如权利要求4所述的基于高分辨率影像的生态图斑提取方法，其特征在于，所述植被提取包括：

以耕地、建筑和水面作为掩膜，并以地形线作为约束条件，对剩余影像范围进行多尺度分割；

在分割结果的基础上，选取其中的森林、灌丛和草地作为分类样本，采用随机森林方法对所有分割图斑进行判别，获得森林、草地、灌丛图斑；和

对提取结果进行边缘简化、平滑处理，获得最终的植被提取矢量结果。

6.如权利要求1所述的基于高分辨率影像的生态图斑提取方法，其特征在于，所述步骤S4包括：

对各子任务区的相同类型图斑进行合并，获得完整区域的各生态系统类型提取结果矢量；

按照从大尺度到小尺度的更新顺序，将提取的“森林-灌丛-草地-水面-建筑-耕地”生态图斑更新到同一个矢量文件上，然后将道路、水系更新到所述矢量文件中，形成全要素的生态图斑矢量；和

对更新后的图层进行单部件转多部件操作，消除其中的细小碎斑和狭长图斑，得到最终的生态系统一张图。

7.如权利要求4所述的基于高分辨率影像的生态图斑提取方法，其特征在于，所述根据所述样本的类型，将样本输入到对应的卷积神经网络中进行训练，获得对应的耕地、建筑和水面提取模型，包括：耕地样本输入到RCF网络中进行训练，建筑样本输入到D-LinkNet网络中进行训练，水面样本输入到U-Net网络中进行训练，获得对应的耕地、建筑和水面提取模型。