基于CNN-GRNN模型的耕地遥感图像分割提取方法

摘要

本发明公开了一种基于CNN‑GRNN模型的耕地遥感图像分割提取方法，步骤1：构建CNN样本数据集和CNN模型，基于CNN样本数据集对CNN模型训练，得到特征提取网络；步骤2：构建GRNN样本数据集和GRNN模型，基于GRNN样本数据集对GRNN模型训练，得到特征预测网络；步骤3：将特征提取网络的输出作为特征预测网络的输入，得到CNN‑GRNN图像分割网络；步骤4：将耕地遥感图像作为CNN‑GRNN图像分割网络，得到对应的输出矩阵，将输出矩阵在像素空间进行图像重构，得到分割后的耕地遥感图像；步骤5：基于蒙特卡洛模型，对分割后的遥感图像计算耕地面积占比。本发明提高了简单的GRNN模型的计算效率，且能得到高精度的拟合图，且实现耕地面积占比的精确计算，便于对耕地面积进行统计。

说明书

技术领域

本发明属于图像识别技术领域，具体来说涉及一种基于CNN-GRNN模型的耕地遥感图像分割提取方法。

背景技术

耕地，是人类赖以生存的基本资源和条件。进入21世纪，人口不断增多，耕地逐渐减少，人民生活水平不断提高，保持农业可持续发展首先要确保耕地的数量和质量。

耕地信息的利用是国土资源管理的基础和重要依据，利用高分辨率的遥感图像进行识别并提取耕地范围，能够为土地资源的利用规划、城市管理和环境检测等方面提供技术支撑，而目前高精度的耕地信息主要依靠人力，十分消耗人力物力财力，且应用较广的面向对象的分类方法对空间特征的利用尚不充分，因此遥感耕地识别算法的研究具有十分重要的现实意义。

考虑到我国疆域辽阔、地形复杂，很难准确高效的识别出耕地，并且无法精确计算耕地面积占比，因此会导致无法对土地进行合理规划和管理等问题。

发明内容

本发明的目的之一在于基于CNN-GRNN模型的耕地遥感图像分割提取方法，以解决背景技术中提出的耕地识别困难且耕地面积占比计算不准确的问题。

为实现上述目的，本发明提供技术方案如下：

一种基于CNN-GRNN模型的耕地遥感图像分割提取方法，所述方法包括以下步骤：

步骤1：构建CNN样本数据集和CNN模型，基于CNN样本数据集对CNN模型训练，得到特征提取网络；

步骤2：构建GRNN样本数据集和GRNN模型，基于GRNN样本数据集对GRNN模型训练，得到特征预测网络；

步骤3：将特征提取网络的输出作为特征预测网络的输入，得到CNN-GRNN图像分割网络；

步骤4：将耕地遥感图像作为CNN-GRNN图像分割网络，得到对应的输出矩阵，将输出矩阵在像素空间进行图像重构，得到分割后的耕地遥感图像；

步骤5：基于蒙特卡洛模型，对分割后的遥感图像计算耕地面积占比。

优选地，所述步骤1中，基于CNN样本数据集对CNN模型训练包括以下步骤：

步骤1.1：初始化所有卷积核权值与偏置顶；

步骤1.2：基于CNN样本数据集计算误差值E，通过误差值E判断CNN模型是否收敛，若收敛则得到特征提取网络，否则执行步骤1.3；

步骤1.3：计算CNN模型中输出层的残差值；

步骤1.4：通过输出层的残差值前向计算，逐层计算残差值；

步骤1.5：基于各层残差值更新对应的权值与偏置顶，并返回步骤1.2。

优选地，所述步骤2中，构建GRNN样本数据集包括以下步骤：

步骤2.1.1：采集若干耕地遥感图像和对应的灰度图，将任一耕地遥感图像作为输入，通过特征提取网络得到特征提取图像；

步骤2.1.2：基于特征提取图像和对应的灰度图，划分GRNN训练集、GRNN交叉验证集和GRNN测试集；

步骤2.1.3：基于GRNN训练集和GRNN交叉验证集，提取任一特征提取图像在R、G、B通道上的像素矩阵，提取任一灰度图的灰度矩阵；

步骤2.1.4：分别对GRNN训练集、GRNN交叉验证集中相同通道的所有像素矩阵依次拼接，得到6个R、G、B拼接像素矩阵；分别对GRNN训练集、GRNN交叉验证集中所有灰度矩阵拼接，得到2个灰度拼接矩阵；

步骤2.1.5：将GRNN训练集中R、G、B拼接像素矩阵分别作为一学习样本，GRNN训练集中的灰度拼接矩阵作为任一学习样本的目标样本；

步骤2.1.6：将GRNN交叉验证集中R、G、B拼接像素矩阵分别作为一学习样本，GRNN交叉验证集中的灰度拼接矩阵作为任一学习样本的目标样本。

优选地，所述步骤2中，构建的GRNN模型包括输入层、模式层、求和层和输出层，输出层连接激活函数，输入层的神经元数目为任一学习样本的维数，模式层的神经元数量为GRNN训练集中学习样本的数量，求和层包括1个算数求和神经元和k个加权求和神经元，k表示输出层的神经元数量，输出层的神经元数量为任一目标样本的维数，输出层的任一神经元的输出c

优选地，所述激活函数为

优选地，所述步骤2中，基于GRNN样本数据集对GRNN模型训练包括以下步骤：

步骤2.2.1：通过GRNN训练集对GRNN模型进行训练，通过GRNN交叉验证集寻求最优光滑因子，得到GRNN优化模型；

步骤2.2.2：基于GRNN测试集，获取GRNN优化模型的输出与目标样本间的误差，判断是否小于预设值，若是，则得到特征预测网络，否则返回步骤2.2.1。

优选地，所述步骤5以下步骤：

步骤5.1：根据概率分布为均匀分布的分布函数生成随机数0和1，得到一个与步骤4中的输出矩阵相同尺寸的矩阵B，对随机数1的生成数量n设置上下限以及步长；

步骤5.2：将输出矩阵和矩阵B相加计算出现像素值为2的个数num，计算生成数量所对应的正确率

步骤5.3：重复步骤5.1-5.2至少100次，计算所有正确率γ的平均值

与现有技术相比，本发明的有益效果为：

本发明通过构建CNN-GRNN模型，实现遥感耕地图像对应的灰度图的可视化，提高了简单的GRNN模型的计算效率，且能得到高精度的拟合图，在道路边缘处理上更具优势；通过蒙特卡洛模型实现耕地面积占比的精确计算，便于对耕地面积进行统计，合理规划耕地。

附图说明

图1为本发明的流程图。

图2为CNN模型的训练流程图。

图3为CNN-GRNN模型结构图。

图4为GRNN模型结构图。

图5为GRNN模型训练流程图。

图6为蒙特卡洛模型的可视化打点图。

图7为一幅耕地遥感图像和对应的分割后的耕地遥感图像。

图8为另一幅耕地遥感图像和对应的分割后的耕地遥感图像。

图9为耕地占比的误差分析图。

具体实施方式

下面将结合实例与附图对本发明做进一步的详细描述，但本发明的保护范围并不限于此。

一种基于CNN-GRNN模型的耕地遥感图像分割提取方法，该方法包括5个主要步骤。

步骤1：构建CNN样本数据集和CNN模型，基于CNN样本数据集对CNN模型训练，得到特征提取网络。

本发明中，CNN模型包括输入层、隐含层、隐含单元以及输出层4个部分。直接将输入图像输入至CNN模型的输入层，无需进行过多的数据预处理；隐含层由卷积层和降采样层组成，用于对输入层的输入图像进行卷积滤波和降采样处理，这样可以减少特征预测网络中耕地被识别为其他区域的现象，卷积层的主要功能是特征提取，利用若干卷积核对上一层图像进行卷积操作，从而获得多个特征图像。样层可以有效的降低网络的分辨率，消除偏移和图像扭曲，实现位移的不变性，特征图像的个数不会因采用操作而发生变化，但整个图像的尺寸会根据采样窗口和步长发生相应的改变，隐含单元：经过多次卷积与降采样处理后得到若干特征图像，然后将该层所有的特征图像变为一列向量，该列向量就是从输入图像中提取出的特征向量；输出层的神经元个数与目标图像的维数相同，输出层与上层神经元采用全连接方式。

本实施例中的CNN模型输入层大小为28*28，卷积层包括20个24*24的卷积核，通过池化层进行降采样，该池化层包括20个12*12的树池，全连接层的神经元个数为100个，激活函数为tanh。

本实施例中CNN样本数据集900个样本，划分CNN训练集和CNN测试集的比例为8：1，每个样本包括对应的一输入图像和一目标图像，这里的目标图像为彩色图像。

步骤1中，CNN模型的训练包括5个子步骤：

1-1：初始化所有卷积核权值与偏置顶。

1-2：将CNN训练集中的输入图像作为输入，通过CNN模型得到对应输出，并计算与对应的目标图像间的误差值E，通过误差值判断CNN模型是否收敛。

本实施例中，将CNN训练集中800个样本均分成若干个批次，计算当前批次样本的误差值与前一批次样本的误差值是否小于阈值，这里阈值为0.1，若是，则认为收敛，否则认为不收敛，需要继续对CNN模型进行训练；本实施例中，第p批样本的误差值E

1-3：计算CNN模型中输出层的残差值，输出层的残差值计算公式为

其中nl是输出层，f是激活函数，z

1-4：通过输出层的残差值前向计算，逐层计算残差值，该残差值的前向计算公式为ε

1-5：基于各层残差值更新对应的权值与偏置顶，并返回1-2。本实施例中，权值更新公式和偏置顶更新公式分别为

W

其中

本实施例中，采用均方差项作为代价函数，且学习率为0.7。

本发明中，CNN测试集用于对特征提取网络进行测试，判断误差值是否小于预设值，如果不小于预设值则继续通过1-1至1-5进行训练，此为本领域的公知常识。

步骤2：构建GRNN样本数据集和GRNN模型，基于GRNN样本数据集对GRNN模型训练，得到特征预测网络。

步骤2中，构建GRNN样本数据集包括6个子步骤：

步骤2.1.1：采集若干耕地遥感图像和对应的灰度图，将任一耕地遥感图像作为输入，通过特征提取网络得到特征提取图像。

本实施例中，选取10幅耕地遥感图像，则有对应的灰度图10幅，通过特征提取网络得到10幅特征提取图像，并与10幅灰度图一一对应，从而构成10个图像数据对。

步骤2.1.2：基于特征提取图像和对应的灰度图，划分GRNN训练集、GRNN交叉验证集和GRNN测试集。

本实施例中，将其中2个图像数据对作为GRNN测试集的2个样本，划分GRNN训练集和GRNN交叉验证集间图像数据对的比例为7∶1。

步骤2.1.3：基于GRNN训练集和GRNN交叉验证集，提取任一特征提取图像在R、G、B通道上的像素矩阵，提取任一灰度图的灰度矩阵。

本发明步骤2.1.3中，无需对GRNN测试集中的图像数据对提取像素矩阵。

步骤2.1.4：分别对GRNN训练集、GRNN交叉验证集中相同通道的所有像素矩阵依次拼接，得到6个R、G、B拼接像素矩阵；分别对GRNN训练集、GRNN交叉验证集中所有灰度矩阵拼接，得到2个灰度拼接矩阵。

本发明步骤2.1.4中，对GRNN训练集中所有R通道上的像素矩阵进行拼接，对GRNN训练集中所有G通道上的像素矩阵进行拼接，对GRNN训练集中所有B通道上的像素矩阵拼接，该拼接为向下依次拼接，对GRNN交叉验证集中相同通道的所有像素的拼接方法与GRNN训练集的拼接方法一致；GRNN训练集中的灰度拼接矩阵与GRNN训练集中的任一像素拼接矩阵呈对应关系，GRNN交叉验证集中也是。

步骤2.1.5：将GRNN训练集中R、G、B拼接像素矩阵分别作为一学习样本，GRNN训练集中的灰度拼接矩阵作为任一学习样本的目标样本。

本发明步骤2.1.5中，GRNN训练集包括一个灰度拼接矩阵、一个R拼接像素矩阵、一个G拼接像素矩阵、一个B拼接像素矩阵，该R拼接像素矩阵A

步骤2.1.6：将GRNN交叉验证集中R、G、B拼接像素矩阵分别作为一学习样本，GRNN交叉验证集中的灰度拼接矩阵作为任一学习样本的目标样本。

学习样本中任一元素的取值在0至255之间，目标样本中任一元素的取值为0或1，学习样本的元素数量k＝500*600*7，学习样本与对应的目标样本的元素数量一致。

构建的GRNN模型包括输入层、模式层、求和层和输出层，输出层连接激活函数，输入层的神经元数目为任一学习样本的维数，模式层的神经元数量为GRNN训练集中学习样本的数量，求和层包括1个算数求和神经元和k个加权求和神经元，k表示输出层的神经元数量，输出层的神经元数量为任一目标样本的维数，输出层的任一神经元的输出c

本发明中，模式层中的第i个神经元的输出为输入变量A＝{A

求和层使用两种类型神经元进行求和：

一类的计算公式为

第二类计算公式为

输出层的神经元数目为目标样本的维数，各神经元将求和层的输出相除，第j个神经元的输出对应估计结果

设随机变量A和随机变量C的联合概率密度函数为f(A，C)，则条件均值为

p为学习样本的维数，这里为210万，k为样本容量，这里为210万，σ为高斯函数的宽度系数，在此称为光滑因子。

用

由于

基于GRNN样本数据集对GRNN模型训练包括以下步骤：

步骤2.2.1：通过GRNN训练集对GRNN模型进行训练，通过GRNN交叉验证集寻求最优光滑因子，得到GRNN优化模型；

步骤2.2.2：基于GRNN测试集，获取GRNN优化模型的输出与目标样本间的误差，判断是否小于预设值，若是，则得到特征预测网络，否则返回步骤2.2.1。

本发明中，如何通过交叉验证法寻求最优光滑因子为本领域的公知常识，本领域技术人员可根据实际情况自行设置。

步骤3：将特征提取网络的输出作为特征预测网络的输入，得到CNN-GRNN图像分割网络。

步骤4：将耕地遥感图像作为CNN-GRNN图像分割网络，得到对应的输出矩阵，将输出矩阵在像素空间进行图像重构，得到分割后的耕地遥感图像。

本发明中，运用CNN-GRNN图像分割网络对耕地遥感图像进行分割提取，得到灰度图，比GRNN模型做出的结果更加精细，田块之间的边界更为清晰，且程序运行时间仅为209.829秒，比GRNN模型运行的时间缩短了，另外图像细节的呈现上要远远优于GRNN模型。

本实施例中，运用CNN-GRNN模型来预测两幅耕地遥感图像的灰度图结果如图7和8所示。

步骤5：基于蒙特卡洛模型，对分割后的遥感图像计算耕地面积占比。

步骤5包括以下3个步骤：

5-1：根据概率分布为均匀分布的分布函数生成随机数0和1，得到一个与步骤4中的输出矩阵相同尺寸的矩阵B，其中随机数1的生成数量n设置上下限，设置步长。

本实施例中，生成数量n设置上限为10000，下限为1000，步长为100。

5-2：将输出矩阵和矩阵B相加计算出现像素值为2的个数num，计算生成数量所对应的正确率

本实施例中，举例来说，当生成数量n＝1000时，则有对应的num，计算正确率

5-3：重复步骤5.1-5.2至少100次，计算所有正确率γ的平均值

本实施例中，平均值

本实施例中，对8幅耕地遥感图像进行图像分割提取后，计算对应的耕地占比，并结合对应的灰度图计算误差率，得到误差结果如图9所示。