基于深度学习的土地利用信息自动提取方法

摘要

本发明提供基于深度学习的土地利用信息自动提取方法，涉及高分辨率遥感影像土地覆盖分割领域，包括以下步骤：S1、对高分辨遥感影像进行预处理；S2、利用DeepLab V3+模型对研究区的数据集进行网络训练，并与其它主流的深度学习语义分割模型的分割结果对比；S3、在S2中使用具有空洞卷积的上采样方法，对输入图像进行卷积达到相应范围的扩张；S4、对DeepLab V3+模型进行骨干网络改进并对其学习率下降方法、归一化方法和优化算法进行调整。本发明中，能够更高效的利用预训练模型的参数进行初始化，缩短模型收敛的时间；有效的解决了模型的梯度退化问题；减缓了由网络深度造成反向传播的梯度相关性变差，出现逼近于白噪的现象，引起梯度更新存在随机扰动问题。

说明书

技术领域

本发明涉及高分辨率遥感影像土地覆盖分割领域，尤其涉及基于深度学习的土地利用信息自动提取方法。

背景技术

遥感影像是用计算机处理的遥感图像必须是数字图像。以摄影方式获取的模拟图像必须用图像扫描仪等进行模/数(A/D)转换；以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上。计算机图像处理要在图像处理系统中进行。图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入，输出，校正，变换，分类等功能)构成。图像处理内容主要包括校正、变换和分类。通过高分辨率遥感影像对土地利用信息自动提取。

传统的CNN网络中在分割过程中深度学习卷积神经网络获取的特征图，空间分辨率降低的问题；深度学习卷积神经网络对上下文信息利用不充分的问题；针对多尺度的物体检测问题，通过对尺度重新调整与特征图进行聚合，增加了网络计算的负荷的问题。

发明内容

本发明的目的在于提供基于深度学习的土地利用信息自动提取方法，以解决上述技术问题。

本发明为解决上述技术问题，采用以下技术方案来实现：基于深度学习的土地利用信息自动提取方法，包括以下步骤：

S1、对高分辨遥感影像进行预处理；

S2、利用DeepLab V3+模型对研究区的数据集进行网络训练，并与其它主流的深度学习语义分割模型的分割结果对比；

S3、在S2中使用具有空洞卷积的上采样方法，对输入图像进行卷积达到相应范围的扩张；

S4、对DeepLab V3+模型进行骨干网络改进并对其学习率下降方法、归一化方法和优化算法进行调整；

S5、对各模型的分割结果进行对比。

优选的，所述S1数据样本裁剪方法为采用影像训练、Label训练集、影像测试集和Label测试集。

优选的，所述S4中使用相同的归一化和优化方法对三种学习率下降方法作对比实验分析。

优选的，所述S2中模型训练阶段的方法包括以下步骤；首先训练参数设置、然后语义分割模型训练，最后土地利用分割模型。

本发明的有益效果是：

1.本发明中，能够更高效的利用预训练模型的参数进行初始化，缩短模型收敛的时间；有效的解决了模型的梯度退化问题；减缓了由网络深度造成反向传播的梯度相关性变差，出现逼近于白噪的现象，引起梯度更新存在随机扰动问题。

2.本发明中，使用具有空洞卷积的上采样方法，对输入图像进行卷积达到相应范围的扩张，通过此方法在保证参数量不变的情况下得到高分辨率的语义特征图。

3.本发明中，通过使用不同的学习率下降方法、归一化方法及优化算法对模型进行调整，找出最适合本实验数据集的算法组合。

附图说明

图1为本发明基于深度学习的土地利用信息自动提取方法的结构示意图；

图2为本发明中各指标评价结果的示意图；

图3为本发明中部分分割结果展示的示意图；

图4为本发明中各指标评价结果表的意图；

图5为本发明中部分分割解果展示的示意图；

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例和附图，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。

下面结合附图描述本发明的具体实施例。

实施例1

数据来源与预处理

利用ArcGIS软件按照《中国土地利用分类标准》体系对不同的地物进行手动矢量化，对每一类地物进行手动标注，根据分类体系将研究区的地类划分为8类，并为每一类地物给出相应的标注，得到具有每种地物类别的矢量数据。基于ArcGIS软件中手动矢量化的数据在ArcGIS Pro中用深度学习模块生成适合深度学习网络学习的图片数据集，首先，将带有类别属性的矢量数据利用ArcGIS Pro中的转换工具将矢量数据转换为栅格数据；其次，使用ArcGIS Pro中的导出训练样本工具模块(Export Training Data for DeepLearning Tool)将影像数据和地类的栅格数据采用128×128的滑动窗口划分为256×256大小的图片生成深度神经网络训练所需的训练样本、验证样本和测试样本数据集。

实施例2

实验环境

实验选用PaddlePaddle框架，使用Python语言编程实验训练过程中，根据实践经验将初始学习率设置为0.001[76]，使用Softmax损失函数进行多分类，采用自适应学习率优化算法—Adam作为优化器，该方法可以利用学习过程中梯度的一阶、二阶矩估计对学习率参数进行动态调整，迭代次数设置为1200次，Batch Size设置为16，动量参数设置为0.9，二阶矩估计的指数衰减率为0.999，学习率下降指数为0.9，学习率权重衰减为0.00004。

实施例3

评价指标

为了对本实验分割结果进行客观评价，使用Kappa系数、像素精度(PA)(包括各地类分类精度PA(各)和总体分类精度PA(总)、均像素精度(MPA)、交并比(IoU)、平均交并比(MIoU)五种方法对红古区土地利用分割的不同模型分割结果进行分析，这五种方法都是值越高分割结果越好；

Kappa系数：是一种衡量预测值与真值之间一致性的统计方法；

Kappa系数计算公式为：

其中：p0表示被正确分类的每类样本数的总和与总样本数的比值，即总分类准确率；

假定每种地物的真实样本数量是a

数量为b

像素准确率(PA)：分类正确的像素总数量与所有像素总数量的比值，表示像素被准确分类的概率；

PA计算公式为：

式中p

p

k表示土地利用的类别数，本实验为8类；

交并比(IoU)：在图像语义分割中用于计算预测值与真实值边框范围内的交集与并集的比值，此指标的值大于0.5代表该网络的分割性能良好；

IoU计算公式为：

平均交并比(MIoU)：对所有类的交并比取平均值，可以反映土地利用分割的精确度和准确率；

MIoU计算公式为：

实施例4

结果对比

不同模型间对比，如图2所示，通过定量及定性分析实验结果，发现对DeepLab V3+模型的骨干网络改进之后分割效果优于原始模型，与其它模型的分割结果相比也大有所提高；对不同地物的语义分割结果使用不同的颜色进行标注，便于结果分析及掌握后期对模型改进的方向。对模型的好坏评价主要通过Kappa系数、PA、MPA、IoU、MIoU指标进行定量分析如图2所示，以及对分割结果可视化后定性对比模型的分割效果，分割效果如下图3所示；通过定量分析，本文改进的模型分割精度较其它四种方法在Kappa系数、IoU、MIoU、PA、MPA这五种评价指标都高；其中，Kappa系数：*DeepLab V3+(95.22)>DeepLab V3+(93.08)>PSPNet(93.06)>U-Net(91.05)>ICNet(86.94)；PA(总)：*DeepLab V3+(97.58)>DeepLab V3+(96.48)>PSPNet(96.47)>U-Net(95.48)>ICNet(93.43)；MIoU：*DeepLab V3+(87.28)>PSPNet(82.58)>DeepLab V3+(82.03)>U-Net(78.82)>ICNet(71.49)，从上面三个指标来看*DeepLab V3+较其它四种模型的最优模型也有所提升，各地物的分割精度也均高于其它模型。定性结果分析显示本文所提的分割方法具有对细小地物分割能力，同时对边缘平滑、优化能力较强，以及对于地物的错分现象几乎不存在，尤其对于小面积地物的错分漏分现象相比其它四种方法几乎不存在，与地面真实值最为接近，可视化结果几乎一致。从时间和分割效果综合分析，*DeepLab V3+模型在分割精度及运行速度方面均优于其它模型；

改进的DeepLab V3+模型优化间的对比分析，如图4所示，通过对改进骨干网络的DeepLab V3+模型的学习率下降方法、归一化、优化算法进行调整并作对比。①学习率下降方法：多项式衰减(Polynomial decay)、分段常数衰减(Piecewise constant decay)和余弦衰减(Cosine decay)；②归一化：Batch Normalization(BN)和Group Normalization(GN)；③梯度下降优化算法：SGD和Adam三组实验进行对比；

首先，使用相同的归一化(BN)和优化方法(Adam)对三种学习率下降方法作对比实验分析；定量(图4)及定性(图5)分析分割结果发现：Ploy与Cosine结果几乎一致，Piecewise分割精度相差较大，产生差异的原因：Piecewise的学习率需要实验者依据具体任务具体设置，以及区间的设定，需要进行精细的调参，需要实验者对模型和数据集要特别地熟悉，要求比Ploy和Cosine要高；其次，使用相同的优化算法(Adam)和学习率下降方法(Piecewise)对归一化方法对比分析；BN方法的PA(总)、Kappa、MIoU均高于GN且在MIoU方面相差较大，产生差异的原因：一般情况下GN的效果优于BN，因为表示特征的通道不是完全独立的，存在多个通道表示一个特征的情况，而非独立同分布会降低BN层的均值和方差的分布，但BN有助于简化优化并使深度网络收敛且具有微弱的正则化作用，从本文实验结果来看，当Batch Size＝16时，BN的分割效果优于GN，当Batch Size较大时，BN的分割精度优于GN，当Batch Size＝2，4这样的较小范围时，GN的分割精度优于BN且表现稳定。最后，学习率下降方法(Piecewise)和归一化方法(BN)相同，对SGD和Adam两种优化器作对比实验。Adam的结果比SGD在MIoU上高了13.35个百分点，分割精度差异较大，是因为SGD对梯度更新频繁，收敛所需时间长，在沟壑的鞍部位置容易出现震荡甚至偏离现象，而Adam会在偏置校正后对每一轮迭代的学习率都具有确切的范围，让参数处于较平稳的状态；

在该实验中通过使用不同的学习率下降方法、归一化方法及优化算法，发现：大多数实验中使用的GN方法，在本研究中没有BN效果好，Adam优化算法优于SGD，piecewise下降方法在这三种方法中最差，使用哪种学习率下降方法、归一化方法及优化算法与实验过程中的参数配置息息相关。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。