[发明专利]一种基于深度学习的遥感图像目标提取方法和装置

说明书

本发明公开一种基于深度学习的遥感图像目标提取方法和装置，包括：步骤1、获取目标区域的遥感图像信息；步骤2、采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。采用本发明的技术方案，提高乡村建设的智能化程度。

技术领域

本发明属于土地资源管理技术领域，尤其涉及一种基于深度学习的遥感图像目标提取方法和装置。

背景技术

传统的土地利用情况调查所采用的调查方法是野外实地调查、测量、全靠目视的判断和控制，随意性较大，精度和准确度无法保障，采用这种调查方法，局限性非常大，要耗费大量的人力、物力、财力和时间，完成一项调查任务的时间周期很长，而且难以保障最终成果的精度和现势性，对于大范围、全局性的调查任务，这种调查方法也无法顺利完成。

随着经济的发展，乡村建设逐渐成为战略建设目标，而在乡村建设中，由于历史与经济的原因，乡村建设往往存在土地资源浪费、资源利用差等情况，在乡村建设中由于乡村建设存在智能化较低，从而无法及时获取建设信息以达到统筹、规划建设，而导致乡村建设进度缓慢。针对上述中的相关技术，发明人认为存在有乡村建设智能化较低的缺陷。

发明内容

本发明要解决的技术问题是，提供一种基于深度学习的遥感图像目标提取方法和装置，提高乡村建设的智能化程度。

为实现上述目的，本发明采用如下的技术方案：

一种基于深度学习的遥感图像目标提取方法，包括：

步骤1、获取目标区域的遥感图像信息；

步骤2、采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。

作为优选，步骤2具体包括：

对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；

建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；

根据训练得到的深度学习模型对遥感图像进行土地资源信息提取，得到二值化图像；

对所述二值化图像进行土地类型信息标定。

作为优选，所述获取遥感图像，包括：通过卫星或航拍器获取目标区域的遥感图像。

作为优选，所述卷积神经网络CNNs的深度学习模型，包括：结合U-net和Densenet两种卷积神经网络的结构特征，建立卷积神经网络CNNs的深度学习模型。

作为优选，所述卷积神经网络CNNs的深度学习模型，包括：

输入层，用于将输入图像以向量形式进行输出；

卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；

池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；

输出层，用于将所述类别得分结果进行输出。

本发明提供一种基于深度学习的遥感图像目标提取装置，包括：

获取模块，用于获取目标区域的遥感图像信息；

提取模块，用于采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。

作为优选，提取模块具体包括：

标注单元，用于对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；

训练单元，用于建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；