[发明专利]基于全卷积神经网络的草地退化自动提取方法

说明书

本发明公开了一种基于全卷积神经网络的草地退化自动提取方法，包括以下步骤：S1、获取待检测区域的影像数据作为数据集，并进行像素标记得到对应的样本标签；S2、进行数据扩展和数据增强，划分训练集和测试集；S3、设计全卷积神经网络；S4、将训练集和对应样本标签作为输入数据，利用神经网络进行训练，待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型；S5、对测试集进行特征提取，得到每一个像素对应的标签值，根据标签值着色后得到退化草地的分割提取结果。本发明采用了端到端训练模型，缩减了人工预处理和后处理，简化了草地退化提取流程，具有更强的适应性和高效性，可以实现任意尺寸的图像的输入，适用性广。

技术领域

本发明属于深度学习应用和草地退化监测领域，特别涉及一种基于全卷积神经网络的草地退化自动提取方法。

背景技术

我国草地生态系统面颊广阔，占全国国土面积的三分之一多。近年来，由于气候变化、人为活动等因素的影响，草地退化现象十分严重，严重阻碍了当地社会、经济的可持续发展。因此，采取高效精确的方法来监测退化草地，对于预防草地退化、恢复退化草地具有重要的意义，同时也为我们保护草地资源提供有力的手段措施。

目前的研究方法主要有目视综合判读法和基于植被指数的变化检测方法。目视判读是根据像片上的不同退化程度的草地影像特征及判读标志在影像上蒙绘判读并区划，但对于判读人员的专业要求高，且工作量多，主观因素影响大。基于植被指数的变化检测方法是根据植被的光谱特性将卫星可见光和近红外波段进行组合，形成了各种植被指数，由此建立退化指标拟合反演草地的退化情况。但该方法存在经验参数较多，指标不统一，数据误差等问题，故精度有限，不够理想。

发明内容

本发明的目的在于克服现有技术的不足，提供一种采用端到端训练模型，缩减了人工预处理和后处理，简化了草地退化提取流程，具有更强的适应性和高效性基于全卷积神经网络的草地退化自动提取方法。

本发明的目的是通过以下技术方案来实现的：基于全卷积神经网络的草地退化自动提取方法，包括以下步骤：

S1、获取待检测区域的影像数据作为数据集，并进行像素标记得到对应的样本标签；

S2、对步骤S1中获得的数据集和样本标签进行数据扩展和数据增强，并划分训练集和测试集；

S3、设计全卷积神经网络用于提取退化草地；

S4、将步骤S2中得到的训练集和对应样本标签作为输入数据，利用步骤S3中的神经网络进行训练，待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型；

S5、利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取，得到每一个像素对应的标签值，根据标签值着色后得到退化草地的分割提取结果。

进一步地，所述步骤S1具体实现方法为：将待检测区域的影像数据中的草地按照退化程度进行类别划分，对每个类别的草地的像素点填充不同的像素值，得到训练需要的样本标签。

进一步地，所述步骤S2具体包括以下子步骤：

S21、采用重叠滑窗对数据集和样本标签进行过采样，分别对数据集和样本标签进行翻转、平移、旋转和色彩增强操作，实现数据扩展和数据增强；

S22、将S21中得到的数据集进行去均值和标准化偏差计算，并将对应的样本标签转化为one-hot向量；

标准化偏差S的计算公式如下：

其中N代表像素点的数量，X_i代表每个像素点的像素值，代表像素平均值，S代表样本的标准偏差；

S23、将S22中得到的数据集和对应的样本标签通过索引的方式打乱顺序，之后任意取60％-90％的数据作为训练集，剩下数据的作为测试集。