[发明专利]基于多尺度结构学习的卫星影像高精度农田边界提取方法

权利要求书

1.一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，包括以下步骤：

步骤1，基于结构学习的边缘检测：输入一幅高分辨率卫星影像后，首先基于局部的结构模式学习对其进行边缘检测，获取卫星影像中每一像素点在特定尺度上的边缘强度值；

步骤2，多尺度边缘信息融合：通过多尺度边缘信息融合获得边缘强度图，降低边缘检测对卫星影像不同分辨率的敏感性，使得边缘检测结果在保持边缘定位精度的同时能够结合高层语义信息来消除边缘噪声；

步骤3，基于超度量轮廓图的多尺度分割：包括步骤31，通过分水岭变换将多尺度边缘信息转化为底层的分割块信息，即超像素；步骤32，再利用超度量轮廓图分析相邻分割块之间的轮廓强度来逐层组合分割块，得到不同尺度的分割块；

步骤4，基于语义建模的农田边界优化：通过利用条件随机场对农田块的空间分布位置进行建模，提高农田边界的可用性；

所述步骤1中基于结构学习的边缘检测具体包括以下步骤：

步骤11，特征提取：基于16×16像素大小的图像切片进行特征提取，提取的特征包括：像素强度、颜色、梯度幅值与方向，计算两个像素间特征的差值；

步骤12，训练结构分类器：利用随机森林作为结构分类器，通过标注一幅卫星影像中的农田边界来获得结构分类器所需的边缘/非边缘训练真值，并基于所述训练真值来对结构分类器进行训练；

步骤13，预测边缘强度：利用训练好的结构分类器来预测卫星影像的边缘强度值，实现边缘检测。

2.如权利要求1所述的一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，所述步骤12中随机森林替换为支持矢量机、或者人工神经网络。

3.如权利要求1所述的一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，所述步骤2中多尺度边缘信息融合具体包括以下步骤：

设由边缘检测得到的图像中每个像素点位置(x,y)处尺度s上的轮廓强度为Ls(x,y)，通过在多个尺度s上对Ls(x,y)进行加权平均，得到像素点(x,y)处的平均轮廓强度Lm(x,y)：

其中，w_s是针对不同尺度s下轮廓强度Ls(x,y)的权重因子。

4.如权利要求3所述的一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，对于优于1米分辨率的卫星影像，尺度有s＝{1/6,1/4,1/2,1}，即利用将原图按1/6，1/4，1/2降采样后的图像以及原图进行边缘融合。

5.如权利要求3所述的一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，所述步骤31具体包括以下步骤：

获取边缘强度图；

选择至少一个局部最小值点作为种子点；

通过分水岭变换将多尺度边缘强度信息转为连续的底层分割块；

将相邻两个分割块之间轮廓上所有像素点处的平均轮廓强度Lm(x,y)的平均值作为这条轮廓的强度值。

6.如权利要求5所述的一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，所述步骤32具体包括以下步骤：

对于当前分割图，选择所有两个分割块之间的轮廓中强度值最小的一段轮廓；

将这段轮廓两侧的两个分割块合并为一个新的分割快，并删除相应的轮廓；

更新分割图中每条轮廓的强度值；

重复上述步骤即得到不同尺度的分割块。

7.如权利要求6所述的一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，所述步骤4中通过建模表征农田的语义信息，包括类别一致性和空间分布形态。

8.如权利要求7所述的一种基于多尺度结构学习的卫星影像高精度农田边界提取方法，其特征在于，假设特征为f的图像区域的类别分布为z，基于条件随机场的农田语义分布模型用能量形式表示如下：

其中，是一元势函数，表示对像素i是类别z_i的惩罚；是二元势函数，表示对像素对类别z_i和z_j的惩罚；

通过对E(z|f)进行迭代计算，最终使得农田区域内部类别趋于一致性，同时得到的农田区域形状与实际情况相符，实现对农田边界的优化。