基于拉普拉斯金字塔上采样的农田分割方法

本发明涉及农田智能管理，具体涉及一种基于拉普拉斯金字塔上采样的农田分割方法 。

背景技术：

1、图像分割是遥感理解中的一项重要任务，它为感兴趣的物体提供语义和位置信息线索。它被视为一种特殊的语义分割任务，旨在为每个图像像素分配语义类别。同时，它主要将图像划分为前景对象和背景区域，并进一步为前景对象区域内的每个像素分配统一的语义标签。

2、在保险公司承保农作物保险时，农户上报承保面积经常出现错误，但由于承保农田面积广阔，保险公司也很难对其进行查验，所以通过分割卫星图像中农田的区域并根据分割的区域估算农作物面积，根据估算的面积与农户上报的承保面积比对，着重处理差异大的保单，提高承保面积的准确度。因此，如何精确且快速的分割卫星图像中农田的区域，成为保险公司承保农作物保险中的重要一环，然而从高分辨率遥感图像中分割地理空间对象比从自然场景中分割更具挑战性，最近，最先进的通用语义分割方法主要关注尺度感知和多尺度方面，以提高模型性能。然而，对于大多数hsr遥感图像，传统的语义分割方法忽略了小的类间差异、大的类内方差以及前景和背景的重叠。这些限制的主要原因是缺乏提取图像前景特征的有效手段。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，一种基于拉普拉斯金字塔上采样的农田分割方法，包括：

2、获取待分割的包含农田区域的卫星遥感图像数据，构建原始数据集；

3、针对每个遥感图像标注农田区域形成标注图像，构建带标注的分割前景数据集；

4、编码器采用基于拉普拉斯金字塔下采样框架的双路径网络从所述带标注的分割前景数据集中提取可低冗余重复使用的特征，同时保持密集连接的路径学习新特征，得到多尺度前景特征图；

5、解码器接收所述多尺度前景特征图，并采用基于拉普拉斯金字塔的上采样模块逐层重建高分辨率分割特征图。

6、作为本发明的进一步说明，所述双路径网络的一个分支为残差路径，用于避免梯度的消失或爆炸；另一个分支为密集连接路径，用于学习新的特征，采用级联方式；针对每个尺度特征图设计拉普拉斯金字塔卷积结构，用于提取高频信息。

7、作为本发明的进一步说明，所述解码器接收所述多尺度前景特征图，并采用基于拉普拉斯金字塔的上采样模块逐层重建高分辨率分割特征图，具体包括：

8、所述解码器将接收到的具有粗略分辨率的多尺度前景特征图视为输入，用于逐步预测残差，使用与残差相结合的亚像素卷积层将其进一步上采样到更精细的水平，并在训练阶段通过优化通道权重优化生成的结果，然后对输出的特征图的残差和特征增强器的特征图进行聚类和融合，从而得到显著性概率高分辨率分割特征图。

9、作为本发明的进一步说明，所述方法还包括：求取所述高分辨率分割特征图在每个尺度上的损失值并融合所有损失值。

10、作为本发明的进一步说明，所述求取所述高分辨率分割特征图在每个尺度上的损失值具体包括：

11、求取损失值时，融合所述高分辨率分割特征图每个尺度的损失值，将标注图像按照每个尺度下采样，并将每个尺度特征生成分割结果与不同尺度的标注图像比对获取不同尺度下的损失值并融合所有损失值。

12、与现有技术相比，本发明具有以下有益的技术效果：

13、本发明提出了一种基于拉普拉斯金字塔上采样的双路径网络来增强前景特征，从而能够实现对卫星遥感图像的精确分割，得到遥感图像中农田区域所在像素点。本发明提出的基于拉普拉斯金字塔上采样的双路径网络是一种新颖有效的模块，用于在相邻特征之间传播特定的特征点，它是一种编码器-解码器网络，通过构建前台高频信息来改善类间方差较小和类内方差较大的问题。具体而言，编码器网络应用传统的双路径网络对特征金字塔之间的子像素进行采样，旨在提高前景特征的质量，使用拉普拉斯逐步上采样机制来填补高频序列的补缺。本发明直接从高分辨率特征图中提取特征，并将上采样滤波器与深度卷积滤波器联合优化，以预测分割的特征图。使用更稳健的联合损失函数来优化深度网络，减少了上采样重建精度的损失。

14、此外，用于填充相邻像素的通用上采样算法主要考虑了空间因素，忽略了通道因素，导致上采样特征图有明显的人为修改痕迹。因此，本发明引入了一种亚像素卷积方法，以提高分辨率，因为它实现了小矩形和大矩形之间的映射。在有限的计算资源中，亚像素卷积可以为图像分割提供更多的卷积，从而实现更广泛、更灵活的应用场景。由于其增强前景特征提取的设计，本发明实现了业界最佳的速度和精度。

15、本技术方案的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术方案而了解。本技术方案的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

16、下面通过附图和实施例，对本技术方案的技术方案做进一步的详细描述。

技术特征：

1.一种基于拉普拉斯金字塔上采样的农田分割方法，其特征在于，包括：

2.如权利要求1所述的基于拉普拉斯金字塔上采样的农田分割方法 ，其特征在于，所述双路径网络的一个分支为残差路径，用于避免梯度的消失或爆炸；另一个分支为密集连接路径，用于学习新的特征，采用级联方式；针对每个尺度特征图设计拉普拉斯金字塔卷积结构，用于提取高频信息。

3.如权利要求1所述的基于拉普拉斯金字塔上采样的农田分割方法 ，其特征在于，所述解码器接收所述多尺度前景特征图，并采用基于拉普拉斯金字塔的上采样模块逐层重建高分辨率分割特征图，具体包括：

4.如权利要求1所述的基于拉普拉斯金字塔上采样的农田分割方法 ，其特征在于，所述方法还包括：求取所述高分辨率分割特征图在每个尺度上的损失值并融合所有损失值。

5.如权利要求4所述的基于拉普拉斯金字塔上采样的农田分割方法 ，其特征在于，所述求取所述高分辨率分割特征图在每个尺度上的损失值具体包括：

技术总结本发明提供了一种基于拉普拉斯金字塔上采样的农田分割方法，包括：获取待分割的包含农田区域的卫星遥感图像数据，构建原始数据集；针对每个遥感图像标注农田区域形成标注图像，构建带标注的分割前景数据集；编码器采用基于拉普拉斯金字塔下采样框架的双路径网络从所述带标注的分割前景数据集中提取可低冗余重复使用的特征，同时保持密集连接的路径学习新特征，得到多尺度前景特征图；解码器接收所述多尺度前景特征图，并采用基于拉普拉斯金字塔的上采样模块逐层重建高分辨率分割特征图。本发明能够实现对卫星遥感图像的精确分割，得到遥感图像中农田区域所在像素点。技术研发人员：朱金龙,李萌,孙秋成,杨婉萍,孙文栋受保护的技术使用者：长春师范大学技术研发日：技术公布日：2024/9/2