(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210435370.2 (22)申请日 2022.04.24 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 李蒙蒙　龙江　汪小钦　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 郭东亮　蔡学俊 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 结合边缘检测和多任务学习的遥感影像耕 地地块提取方法 (57)摘要 本发明提出结合边缘检测和多任务学习的 遥感影像耕地地块提取方法， 包括以下步骤； 步 骤S1： 对研究区高分辨率遥感影像进行预处理操 作； 步骤S2： 基于多任务学习框架， 通过设置对地 块边界和形状进行约束的任务， 进行地块边界的 高层级图像特征提取； 步骤S3： 通过集成多尺度 图像边缘信息和高层级语义边界信息， 改善地块 边界提取存在的不连续、 不闭合问题； 步骤S4： 基 于同方差不确定性理论实现不同任务权重的自 适应调整； 步骤S5： 基于不同优化器的模型训练 与微调； 步骤S6： 对遥感影像滑窗预测、 无缝拼 接， 提升大区域耕地地块提取的效率； 本发明能 克服传统卷积神经网络在耕地地块提取中存在 的边界不连续、 不闭合问题， 有效提高了耕地地 块提取的几何精度。 权利要求书3页 说明书9页 附图3页 CN 114821315 A 2022.07.29 CN 114821315 A 1.结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 包括以下 步骤； 步骤S1： 获取用于提取耕地地块的研究区高分辨率遥感影像， 并对影像进行预处理操 作； 预处理操作包括辐射校正、 正 射校正、 影 像融合、 影 像重采样； 步骤S2： 基于多任务学习框架， 通过设置对地块的边界和形状进行约束的多个任务， 进 行地块边界的高层级图像特 征提取； 步骤S3： 通过集成多尺度图像边缘信息和高层级语义边界信息， 改善地块边界提取存 在的不连续、 不闭合问题； 步骤S4： 基于同方差不确定性理论实现不同任务权 重的自适应调整； 步骤S5： 基于不同优化器的模型训练与微调； 步骤S6： 对遥感影 像滑窗预测、 无 缝拼接， 提升大区域耕地 地块提取的效率。 2.根据权利要求1所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 步骤S2中， 所述对地块的边界和形状进 行约束的多个任务， 分别通过计算地块 边界的位置信息和地 块内部点到最邻近边界的准欧氏距离来实现； 具体包括以下步骤； 步骤S21： 选择卷积神经网络VGG16为基础网络， 修改网络结构， 集成上下文信息聚合模 块构建基础网络模型， 捕捉多个尺度的图像上 下文信息； 步骤S22： 使用常用的边界提取算法， 如MATLAB内置的bwperim函数， 获得地块边界 的位 置信息， 使用准欧式距离变换得到地块内部点到最邻近边界的距离， 完成多任务网络模型 的初步构建。 计算 地块边界的位置信息Bl通过采用下式： 式中， xi表示在影 像空间R中的像素点 位置； 计算地块内部点到最邻近边界的准欧氏距离quasi(x,y)采用以下公式： 式中， (x1,y1)和(x2,y2)为二维空间中两点的坐标。 3.根据权利要求1所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 步骤S 3中， 集成多尺度图像边缘信息和高层 级语义边界信息的具体方法为， 通 过集成边 缘检测模型， 构建顾及边界感知的多任务语义分割模型， 包括以下步骤； 步骤S31： 选用先进的图像边缘检测模型Richer  Convolutional  Features， 即RCF模 型， 构建边 缘检测模型， 融合高层级语义 边界信息， 完成多任务网络模型的构建； 步骤S32： 使用步骤S31构建的集成边缘检测的多任务模型来进行多任务特征提取， 自 动学习不同任务间的深层图像信息并进行 特征共享。 4.根据权利要求1所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 步骤S4中具体包括以下步骤： 步骤S41： 基于步骤S3构建的多任务网络模型， 设计多任务损失函数， 用来更新网络权 值， 以此减少实际与预测结果的误差； 具体地， 使用负对数似然函数、 二分类交叉熵损失分 别作为地块预测和地块边界预测的损失函数， 而采用均分根误差损失作为距离图估计任务权　利　要　求　书 1/3 页 2 CN 114821315 A 2的损失函数； 步骤S42： 为了避免一个或多个任务在网络权值中具有主导影响的情况， 采用基于同方 差不确定性的加权方法来自适应调整 多任务网络中各任务的权 重。 5.根据权利要求4所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 步骤S41中， 所述的负对数似然函数定义如下： 式中， Lmask为地块提取任务的负对数似然损失， N为输入样本的数量， pmc(x； lmc(x))代表 真实地块标签lmc经过激活函数计算的预测概 率， 其中， x为在影 像空间R上的像素点 位置。 6.根据权利要求4所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 步骤S41中， 所述的均分根 误差定义如下： 式中， Ldist是均分根损失， Dp(x)、 D(x)分别为模型预测的距离值和真实距离值。 其中， x 为在影像空间R上的像素点 位置， N为输入样本的数量。 7.根据权利要求4所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 步骤S41中， 所述的二分类交叉熵损失定义如下： 式中， lboun(W)为总的边界损失， W代表RCF模型中的所有学习 参数， 为RCF模型中第k 层级的激活值， |R|表示在影像R 中像素点的数量； 对于每一个边界点， 定义一个超参数ε： 如 果一个点是边缘的概率大于 ε， 则这个点被认 为其是边界； 若这个点的概率是0， 则其不是边 界； 此外， 概率介于0和 ε之间的点是属于有争议的点， 不计入损失函数； 每一个点的损失函 数l(Xi； W)记为： 式中， P(X)是标准的Sigmoid激活函数， Xi为通过RCF模型在像素i处的激活值， yi为边界 预测的概 率； 式中α 和β 的定义如下： 式中， Y+表示图中是边界点的个数， Y ‑表示图中不是边界点的个数。 8.根据权利要求4所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法， 其特征在于： 步骤S42中， 所述的基于同方差不确定性加权损失定义如下： 权　利　要　求　书 2/3 页 3 CN 114821315 A 3