(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 202210201357.0 (22)申请日 2022.03.03 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市屯溪路193号 (72)发明人 董张玉　李金徽　张鹏飞　张远南　 于金秋　张晋　安森　许道礼　 (74)专利代理 机构 安徽合肥华信知识产权代理 有限公司 341 12 专利代理师 余成俊 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于边缘增强的高分辨率遥感影像的耕地 信息提取方法 (57)摘要 本发明设计了一种基于边缘增强的高分辨 率遥感影像的耕地信息提取方法， 设计构建联合 边缘增强损失函数BE ‑Loss， 并相应设计高效的 BEC‑Net网络框架实现耕地地块与其边缘情况的 精准提取。 使用EfficientNet为骨干网络的UNet 网络作为语义分割模块， 在边界增强模块中通过 融入scSE双通道注意力机制 、 Cot模块、 门控卷积 等提升训练精度。 结合余弦退火衰减算法更新学 习率使训练结果更具全面性。 最后经边缘增强的 分类结果较其他模型精度有明显提高。 本发明不 仅可以通过对网络框架和学习手段的调整实现 模型的优化； 利用高效的浅层结构专注于处理边 缘语义， 对于耕地类型地块提取精度的提升具有 同等重要的意 义。 权利要求书3页 说明书9页 附图4页 CN 114596502 A 2022.06.07 CN 114596502 A 1.一种基于边缘增强的高分辨率遥感影像的耕地信息提取方法， 其特征在于： 具体包 括如下步骤： (1)构建联合型边界增强损失函数BE ‑Loss； (2)设计构建BE C‑UNet网络模型； (3)使用GID高分辨 率多光谱标签数据作为实验数据； (4)将实验数据融合NDVI指数后得到的5波段数据输入到基于构建的边界增强损失函 数BE‑Loss的网络架构中， 在BEC ‑UNet中， 使用EfficientNet为骨干网络的UNet网络作为语 义分割模块， 在边界增强模块中通过融入scSE双通道注意力机制、 Cot模块、 门控卷积提升 训练精度； 最后结合余弦退火衰减算法更新学习率， 由一个Efficient特征监督模块融合后 得出经边缘增强的分类结果。 2.根据权利要求1所述的一种基于边缘增强的高分辨率遥感影像的耕地信息提取方 法， 其特征在于： 所述的联合型边界增强损失函数BE ‑Loss， 具体内容如下： BE‑LOSS＝α1LDICE1(X1,Y1)+β1ΩHuber(reg( ξ ))+α2LDICE2(X2,Y2)+β2ΩL1(ω) 其中， 和 分别为边缘强化模块加权损失和分类模块的 加权损失， α1和α2分别是耕 地提取、 边缘增强DICE损失的对 应权重， β 1和β 2分别为耕 地提取、 边缘增强的正则项的X1、 Y1分别表示网络耕 地地块识别情况、 实际耕 地地块情况， X2、 Y2分别 表示图像边缘识别情况和实际耕地边缘情况； 因耕地提取任务为二分类， 故两损失均采用 DICE损失函数， 具体 计算公式如下： 上述公式 中X为分类结果类别情况， Y为实际地物分类情况； 另外， β1ΩHuber(reg( ξ )为针对边 缘强化功能的正则项， 具体 计算公式如下： 上述公式中权重ω(i,j)表明像素i与像素j的相关系数， 为对称正值， 设置为两像素间 举例的反比； Nj表示二维空间中像素j点的邻域； ξ＝( ξ1， ξ2…ξm)T， 为输入图像的衰减系数； 为正则化的Huber算子， 其具体参数 方程如下： TH为迭代阈值， t为参数方程自变量； 使用Huber算子可有效抑制遥感图像中的伪影， 惩 罚获取精准边缘结果； 此外， 为针对语义分类功能的的L1正则 项， 用于防止分类 结果过拟合， 其具体 计算公式如下： 上述公式 中， 对参数模型ω引入拉普拉斯先验， 即Ω～Laplace( μ,b)， 则有：权　利　要　求　书 1/3 页 2 CN 114596502 A 2其中ω*表示最优的目标解， α ∈[0,+∞ ]是用来调整 参数范数惩罚与经验损失的相对贡 献的超参数， 当α＝0时表示没有正则化， α越大对应该的正则化惩罚就越大； H是关于w的 Hessian矩阵， 且H＝dia g([H1,1,H2,2...Hn,n])。 3.根据权利要求2所述的一种基于边缘增强的高分辨率遥感影像的耕地信息提取方 法， 其特征在于： 所述的BEC ‑UNet网络模型是由语义分割模块和边界增强模块为主体共同 构成的BEC ‑UNet架构， 语义分割模块与边界增强模块相 对独立并协同完成精准分类任务， 具体内容如下： 以EfficientNet为骨干网络的UNet编码 ‑解码网络作为语义分割模块， EfficientNet 作为UNet网络的编码器， UNet的解码器由E fficientNet结构对称产生； 与语义分割模块并 行的边界增强模块由若干 scSE双通道注意力机制、 Cot残差模块、 门控 卷积按一定流程顺序 逐层构成； 其中， scS E双通道注 意力机制由cSE模块和sS E模块并行加权而成， 在通道上和空 间上都建立了注意力机制， 其公式如下： 其中 即为输出的特征图， 其中m为图像通道数， 输入图像 为五通道， 分别是红、 绿、 蓝、 近红外、 NDVI； 门控卷积计算公式如下： 上式中， en表示使用门控处理的相应边缘增强模块中的每个的中间过程图像， 若语义分 割过程涉及m步骤， 则n∈m； wn表示对应的通道权重， i， j表示参与处理的各像素； [*]符号表 示门控卷积； 输出语义分割模块与边界增强模块的中间结果经含正则化项的联合型边界增强损失 函数加权后， 又通过一个Efficient特征监督模块融合后完成特征监督， 此EfficientNet各 项参数设置与语义分割模块中的编码器保持一致； 最后结合余弦退火衰减算法更新学习 率， 得出经边缘增强的分类结果； 所述的余弦退火的原理公式如下： 其中 和 为学习速率的范围， Tcur解释自上次重启以来执行了多少个epoach， Ti 表示已迭代的当前epoach数值； 由于余弦退火的学习速率迅速下降， 模 型进入局部最优点， 此时保存此局部最优点模型， 学习率重新恢复到一个更大的值， 跳出此局部最优点， 并寻找 新的最优点。 4.根据权利要求3所述的一种基于边缘增强的高分辨率遥感影像的耕地信息提取方 法， 其特征在于： 所述的NDVI指数为近红外波段的反射值与红光波段的反射值之差与两者 之和的比值， 通过计算近红外光和红光之间的差异大小来量化植被分布的情况， 其公式如 下：权　利　要　求　书 2/3 页 3 CN 114596502 A 3