遙感圖像耕地分割與提取

張媛芳

（昆明市日報，云南 昆明 650201）

0 引言

耕地的數(shù)量和質(zhì)量是保持農(nóng)業(yè)可持續(xù)發(fā)展的關(guān)鍵，準確的耕地分布能夠為國家決策部門提供重要支撐，利用衛(wèi)星遙感影像可以高精度、高質(zhì)量識別并提取耕地。 為了解決在遙感圖像中耕地分割與提取的問題，本文通過將原始圖片灰度化并進行二值化處理，分離耕地與背景區(qū)域；以主干特征提取網(wǎng)絡(luò)MobileNetV2和加強特征提取結(jié)構(gòu)PSP模塊搭建的PSPNet神經(jīng)網(wǎng)絡(luò)模型進行圖片訓練，得到訓練后的模型，進行圖片預測，從而將圖像中的耕地區(qū)域提取出來。通過改變模型訓練的數(shù)據(jù)集和訓練次數(shù)的大小，探討這一改變對圖片提取耕地區(qū)域精準度的影響。

1 問題重述

問題背景：目前高精度的耕地信息提取主要依靠人工解譯，耗費大量人力、財力且效率較低。圖像分割與提取是獲取圖像內(nèi)部信息的兩種重要手段，利用衛(wèi)星遙感影像可以識別并提取耕地，進行自動化地塊提取顯得日益重要。

需要解決的問題：建立模型構(gòu)造出分割耕地與背景的方法，可以使其耕地區(qū)域與背景區(qū)域準確分離出來，并且計算出耕地區(qū)域在圖像中所占比例；進行數(shù)據(jù)集制作，構(gòu)建神經(jīng)網(wǎng)絡(luò)進行模型訓練，使之通過訓練好的模型進行預測，提取出耕地區(qū)域，用labelme軟件進行數(shù)據(jù)標簽的制作。

2 問題分析

問題的研究對象是遙感圖像，研究內(nèi)容為在遙感圖像地塊中分割耕地與背景，并且通過模型訓練，進行模型預測，從遙感圖像中提取出耕地區(qū)域，制作耕地標簽圖。問題1要求計算途中耕地在各圖像中所占比例，問題2要求從給定的測試圖像中提取出耕地，制作耕地圖標簽。

問題1希望能將耕地與背景分離，計算出耕地在圖像中所占比例。解決問題的關(guān)鍵是得到進行二值化圖片的最佳閾值，排除遙感圖像中較深色和較淺色區(qū)域的干擾。首先將原始圖片灰度化，并進行二值化處理，耕地區(qū)域的像素點顏色值255（即變?yōu)榘咨貐^(qū)域以外的像素點顏色置0（即變?yōu)楹谏?，計算出白色（耕地）區(qū)域在整個圖像中所占的比例；問題2構(gòu)建數(shù)據(jù)集，進行模型訓練，利用模型進行圖片預測，實現(xiàn)耕地的提取。首先利用已給出的原圖與標簽進行擴充，制作數(shù)據(jù)集，然后利用以mobilenetv2為PSPnet網(wǎng)絡(luò)的主干特征提取網(wǎng)絡(luò)，進行模型訓練，圖片預測，將耕地區(qū)域從圖片中提取出來，耕地標簽圖可在labelme軟件上制作。

3 模型假設(shè)與約定

(1)假設(shè)耕地邊緣沒有缺陷點；

(2)假設(shè)耕地區(qū)域無誤差且不考慮隨機誤差；

(3)假設(shè)淺色和深色區(qū)域即可看為缺陷點；

(4)假設(shè)耕地區(qū)域圖像提取完全。

4 符號說明及名詞定義

注：未列出符號及重復的符號以出現(xiàn)處為準

5 模型建立與求解

問題1需要建立一個能將遙感圖像中的耕地區(qū)域精確分離出來的分割模型，建模時應(yīng)考慮圖像中待測區(qū)域之外的邊緣在提取中的干擾。此外，在忽略耕地檢測邊緣缺陷點以及系統(tǒng)觀測誤差的基礎(chǔ)上進行求解。

模型建立：要精確提取耕地區(qū)域并將區(qū)域外顏色填充為黑色，模型建立過程為：首先將原始圖片灰度化，通過灰度圖像均衡處理，增大對比度[1]，利用大津法得到最佳分割閾值，進行二值化處理，白色區(qū)域代表的是耕地類、黑色區(qū)域代表的是背景類，即可得分離后耕地在各圖像中所占比例。

模型求解：將RGB圖像轉(zhuǎn)換為灰度圖像，采用大津法，得到最佳閾值，將灰度圖像轉(zhuǎn)換為二值圖像。設(shè)final_threshold為耕地和背景的分割閾值，灰度級小于等于final_threshold的為背景，大于final_threshold的為前景（耕地）。前景像素點數(shù)所占的圖像的比例為wo及平均灰度為u0;背景像素點數(shù)所占的圖像的比例為w1，平均灰度為u1。則圖像的總平均灰度為[2]：

前景和背景圖像的方差為：

當計算出來的方差值g取最大值時,可以認為前景跟背景的差異達到最大,此時的分割閾值final_threshold為最佳閾值。

模型結(jié)果：

（1）Data1圖像經(jīng)二值化處理，如圖1所示。

圖1 Data1 耕地與背景分離圖

（2）Data2圖像經(jīng)二值化處理，如圖2所示。

圖2 Data2 耕地與背景分離圖

（3）Data3圖像經(jīng)二值化處理，如圖3所示。

圖3 Data3 耕地與背景分離圖

（4）Data4圖像經(jīng)二值化處理，如圖4所示。

圖4 Data4 耕地與背景分離圖

（5）Data5圖像經(jīng)二值化處理，如圖5所示。

圖5 Data5 耕地與背景分離圖

（6）Test1圖像經(jīng)二值化處理，如圖6所示。

圖6 Test1 耕地與背景分離圖

計算出圖片中耕地（白色）區(qū)域在圖像中所占比例，如圖7所示。

圖7 耕地在各圖像中所占比例

問題2要求從測試圖像中提取耕地區(qū)域，制作耕地標簽。處理方法：進行數(shù)據(jù)集的制作，在PSPnet網(wǎng)絡(luò)中以MobileNetV2作為主干特征提取網(wǎng)絡(luò)，在3x3網(wǎng)絡(luò)結(jié)構(gòu)前利用1x1卷積升維，在3x3網(wǎng)絡(luò)結(jié)構(gòu)后，利用1x1卷積降維，先進行擴張，再進行壓縮[3]，加強特征提取結(jié)構(gòu)PSP模塊典型情況下，將輸入進來的特征層劃分成6x6，3x3，2x2，1x1的區(qū)域，然后每個區(qū)域內(nèi)部各自進行平均池化[4-5]。利用已經(jīng)搭建好的PSPnet網(wǎng)絡(luò)進行圖片訓練，得到訓練模型，根據(jù)輸入的圖片，提取出圖片中的耕地區(qū)域。

模型建立：完成數(shù)據(jù)集的制作，進行模型訓練，完成圖片預測，進行耕地的提取。

模型求解：處理已經(jīng)制作好的數(shù)據(jù)集;通過搭建好的Pspnet網(wǎng)絡(luò)進行模型訓練，得到已經(jīng)訓練好的模型;利用已訓練好的模型，提取圖片中耕地區(qū)域;用labelme軟件進行耕地標簽的制作。

模型結(jié)果：

輸入Test1圖像文件，提取耕地區(qū)域，如圖8所示。

圖8 Test1 原圖與耕地提取混合圖

Test1圖像文件的耕地標簽，如圖9所示。

圖9 Test1 耕地標簽圖

6 模型靈敏度分析

模型訓練的數(shù)據(jù)集大小與模型預測得到的效果緊密相關(guān)。當模型數(shù)據(jù)集過小時，Test1圖片提取耕地區(qū)域圖片如圖10所示。

圖10 Test1 耕地提取圖

當數(shù)據(jù)集大小適當時，Test1圖片提取耕地區(qū)域圖片如圖8所示。

7 模型評價

模型的優(yōu)點：分離圖像時，采用大津法尋找最佳閾值使更清晰的看到田埂輪廓。檢測模型：通過PSPnet神經(jīng)網(wǎng)絡(luò)搭建的模型訓練數(shù)據(jù)集，來進行圖片預測，較為精準的提取出圖片中的耕地區(qū)域。

模型的不足：在進行耕地與背景區(qū)域分離時，顏色較深的像素點被置為0（黑色區(qū)域），顏色較淺的像素點被置為255（白色區(qū)域），導致計算耕地（白色）區(qū)域所占圖像比例不準確；進行模型訓練時，數(shù)據(jù)集不能過小，會導致訓練出的模型進行預測時不準確。

8 結(jié)語

依靠人工解譯來提取耕地信息，耗費大量人力、財力且效率較低，基于PSPnet神經(jīng)網(wǎng)絡(luò)的遙感圖像耕地識別算法研究將對耕地遙感制圖提供重要幫助，隨著訓練數(shù)據(jù)集的增大，進行預測得到的效果會大幅度提升，能夠快速、精準的識別出田塊。