一种基于面向对象和卷积神经网络的城市植被提取方法

摘要

本发明公开了一种基于面向对象和卷积神经网络的城市植被提取方法，所述的提取方法步骤包括哨兵二号数据获取、哨兵二号数据预处理、样本数据的获取、样本数据处理、深度学习U‑net网络模型构建、U‑net深度学习模型最优参数训练、及最优U‑net深度学习模型提取城市植被。本发明的优点在于：方法简单，操作方便，对城市植被提取精度更高、更快，数据更可靠，能为城市的绿化建设提供准确的数据依据。

说明书

技术领域

本发明涉及城市植被提取，具体是指一种基于面向对象和卷积神经网络的城市植被提取方法。

背景技术

城市植被是城市生态环境的重要组成部分，同时也是评价一个城市绿化程度的重要指标。城市植被具有净化城市环境、调节城市气候、改善城市生态的功能，同时也是抑制城市热岛效应一大因素，因此准确且快速的提取城市植被，不仅为城市生态环境的定量分析评价提供相应依据，同时也能满足城市绿化建设和相关部门的需求。随着遥感卫星技术的不断发展，高空间分辨率遥感卫星影像对地物识别以及地物提取提供了良好的数据支持。

目前对于城市植被提取的研究方法主要分为指数法、影像分类法和深度学习方法。对于指数法，一般采用波段运算，突出城市植被波段，以此提取城市植被；影像分类法，则是采用监督分类方法，通过选取植被样本，然后选取相应算法进行分类，提取城市植被；对于深度学习方法，多采用语义分割模型，通过对植被标签的训练，建立最优网络预测模型，然后进行植被提取。为提高城市植被提取精度，发明了一种基于面向对象和全卷积神经网络的城市植被提取方法，为城市的绿化建设提供准确的数据依据。

发明内容

本发明要解决的技术问题是以上所述的技术问题，提供一种使用方便、提取精度高的基于面向对象和卷积神经网络的城市植被提取方法。

为解决上述技术问题，本发明提供的技术方案为：一种基于面向对象和卷积神经网络的城市植被提取方法，所述的提取方法步骤如下：

步骤一：哨兵二号数据获取；

步骤二：哨兵二号数据预处理；

步骤三：样本数据的获取，包括遥感分割融合影像和对应的植被分类影像两个部分；

步骤四：样本数据处理，包括样本数据的增广、样本数据的裁剪、样本数据的归一化、样本数据的保存；

步骤五：深度学习U-net网络模型构建；

步骤六：U-net深度学习模型最优参数训练；

步骤七：最优U-net深度学习模型提取城市植被。

作为改进，所述的遥感分割融合影像通过ENVI软件中的Segment Only FeatureExtraction Workflow处理模块，对步骤二得到的遥感影像进行分割融合操作后，再同原始影像进行波段融合后的遥感影像，植被分类影像基于ENVI遥感处理软件，输入步骤二得到的遥感影像，根据选取的样本感兴趣区，通过随机森林分类方法，获取植被分类结果图。

作为改进，所述的样本数据增广是通过对数据的旋转、翻转、增加噪声等操作进行相应的数据增加，采用Python语言，利用OpenCV、Numpy、Matplotlib、TensorFlow2.0等数据库，编写数据增广代码、数据裁剪代码，以此增加样本数据量及获取适应模型输入大小的样本数据。

作为改进，所述的U-net模型采用卷积层、池化层进行特征提取，再采用反卷积层还原影像尺度，同时U-net模型融合了编码-解码结构和跳跃网络的特点。

作为改进，所述的步骤六分为三轮训练，每轮训练35回，每回训练次数为32次。

作为改进，所述的步骤七在进行提取城市植被时，需要对要提取的遥感影像，首先进行步骤二的处理，然后再进行步骤三中数据融合处理，最后再通过最优参数载入U-net深度学习模型，进行相应的城市植被提取。

本发明与现有技术相比的优点在于：方法简单，操作方便，对城市植被提取精度更高、更快，数据更可靠，能为城市的绿化建设提供准确的数据依据。

附图说明

图1是本发明一种基于面向对象和卷积神经网络的城市植被提取方法的实现流程示意图。

图2是本发明一种基于面向对象和卷积神经网络的城市植被提取方法U-net模型构建图。

图3是本发明一种基于面向对象和卷积神经网络的城市植被提取方法研究区示意图。

图4是本发明一种基于面向对象和卷积神经网络的城市植被提取方法样本数据示意图。

图5是本发明一种基于面向对象和卷积神经网络的城市植被提取方法遥感原始影像和面向对象分割影像示意图。

图6是本发明一种基于面向对象和卷积神经网络的城市植被提取方法植被提取结果图。

具体实施方式

下面结合附图对本发明做进一步的详细说明。

结合附图1～6，一种基于面向对象和卷积神经网络的城市植被提取方法，所述的提取方法步骤如下：

步骤一：哨兵二号数据获取，登陆欧空局官方网站，根据所需地区，输入时间、云量、经纬度等条件进行查询，获取数据列表，选取数据进行下载；

步骤二：哨兵二号数据预处理，采用欧空局官方网站提供的SNAP处理软件，首先对非L2A级数据进行大气校正，校正方法利用Sen2Cor工具，利用命令：L2A_Process+数据位置+参数(可选)，进行大气校正。然后，再由SNAP打开数据，通过Raster/Geometric/Resampling进行重采样，可采样到10m分辨率，然后再通过File/Export/ENVI保存ENVI格式即可，后续通过ENVI进行操作；

步骤三：样本数据的获取，包括遥感分割融合影像和对应的植被分类影像两个部分，遥感分割融合影像部分的影像数据并非是预处理后的遥感影像，而是通过ENVI软件中的Segment Only Feature Extraction Workflow处理模块，对预处理后的遥感影像进行分割融合操作后，再同原始影像进行波段融合后的遥感影像，同时，根据ENVI软件，将经波段融合后的遥感影像输出为tif格式的遥感影像。

植被分类影像部分基于ENVI遥感处理软件，输入预处理后遥感影像，根据选取的样本感兴趣区，通过随机森林分类方法，获取植被分类结果图，然后再根据人工目视解译，纠正错误分类，使得分类结果更加准确，最后保存为tif格式的植被分类影像。

通过以上两个操作，可以获取样本数据，并进行一一对应保存，便于后续的标签数据处理；

步骤四：样本数据处理，样本数据指融合后的遥感影像和植被分类影像，数据处理包括样本数据的增广、样本数据的裁剪、样本数据的归一化、样本数据的保存，样本数据增广是通过对数据的旋转、翻转、增加噪声等操作进行相应的数据增加，这里采用Python，利用OpenCV、Numpy、Matplotlib、TensorFlow2.0等数据库，编写了数据增广代码，以此增加样本数据量；样本数据的裁剪，样本数据在制作时，一般相对较大，而在深度学习模型训练时，其输入大小相对较小，因此，需要将样本数据进行裁剪，以此获取适应模型输入大小的样本数据，便于模型的训练，采用Python语言，通过Numpy、OpenCV等各种数据库，编写了数据裁剪代码，获取适宜大小的数据集；样本数据的归一化和保存主要是将样本数据进行归一化处理，减少数据冗余，加快模型收敛，同时，将归一化后的数据进行保存，便于模型的快速读入；

步骤五：深度学习U-net网络模型构建，U-net模型沿用了FCN进行语义分割的思想，即采用卷积层、池化层进行特征提取，再采用反卷积层还原影像尺度，同时U-net融合了编码-解码结构和跳跃网络的特点，其编码路径主要用于逐层提取特征，其结构遵循传统卷积神经网络结构，由两次卷积核大小为3×3的卷积层和步长为2最大池化层组成，采用的激活函数为ELU激活函数,然后将以上过程重复4次，生成特征通道为512大小为10×10的特征图，且在进行提取过程中，保存相应边界处的卷积结果，使输出特征图的大小与输入相同；

解码路径是对每个像元进行精确定位，便于准确还原影像的位置信息，使模型输出影像大小等于输入大小，包括能够将特征图的大小增大一倍的上采样过程和特征融合过程，上采样后得到的特征图的大小与编码路径对应的特征图的大小相同，因此可以将它们进行融合，在最后一层使用卷积核大小为1×1的卷积层，其激活函数为SoftMax，将每个32分量特征向量映射到所设定的类的数量，进而获得模型提取结果；

步骤六：U-net深度学习模型最优参数训练，通过构建好的U-net深度学习网络，以及经过预处理后的样本数据，进行最优参数的训练。主要是将处理后的样本数据，输入到U-net模型中，进行模型的训练，模型具体分了三轮训练，每轮训练35回，每回训练次数为32次。期间根据模型训练的loss，选取最低训练loss值和最高测试准确度为基准，选取训练模型参数，以此获取最优参数进行保存；

步骤七：最优U-net深度学习模型提取城市植被，在进行提取植被时，需要对要提取的遥感影像，首先进行步骤二的处理，然后再进行步骤三中数据融合处理。最后再通过最优参数载入U-net深度学习模型，进行相应的城市植被提取，以此获取最终的城市植被提取结果。

根据混淆矩阵，计算每个方法的精度指标，具体如下表：

表1各种方法精度评价表(其中0：其它地物；1：植被)

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。