(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 202210277432.1 (22)申请日 2022.03.21 (71)申请人 南京市测绘勘察研究院股份有限公 司 地址 210019 江苏省南京市 建邺区创意路 88号 (72)发明人 林聪　李二珠　傅俊豪　周梦潇　 胡春霞　卢婷　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 王磊 (51)Int.Cl. G06V 20/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种尺度变化策略支持的城市绿地深度学 习提取方法 (57)摘要 本发明公开一种尺度变化策略支持的城市 绿地深度学习提取方法， 主要包括四部分： （1） 对 象单元提取： 利用尺度寻优算法支持的影像多尺 度分割， 获得对象单元与对象级特征； （2） 场景种 子点提取： 利用二叉树采样算法， 逐对象单元计 算场景种子点个数， 并采用无监督算法计算场景 种子点集合； （3） 场景分类网络训练： 以种子点为 中心进行影像裁切， 构建场景分类数据集并训练 场景分类网络； （4） 场景分类与像素级结果还原： 预测场景分类结果， 利用多数 投票法获取单个对 象单元的分类结果， 并生 成城市绿地像素级提取 结果。 本算法通过尺度变化策略， 实现了样本由 像素级向场景级的转换， 降低了样本标注难度， 达到以较低的成本自动提取城市 绿地的目的。 权利要求书2页 说明书5页 附图5页 CN 114612787 A 2022.06.10 CN 114612787 A 1.一种尺度变化策略支持的城市绿地深度学习提取 方法， 其特 征在于， 包括以下步骤： 步骤1： 利用尺度寻优算法支持的影像多尺度分割， 获取遥感影像 中的对象单元并提取 每个对象单 元的对象级特 征； 步骤2： 通过设定对象级特征的多层次阈值及各层次阈值影响因子， 利用二叉树采样算 法分别计算每 个对象单 元的场景个数， 并将场景个数作为场景种子点数量； 步骤3： 以步骤2中的场景种子点数量为聚类簇数， 采用K ‑Means算法分别计算每个对象 单元中各场景的聚类中心， 并将对象单元中与该聚类中心距离最近的像素点作为该场景的 中心位置； 步骤4： 设定场景尺寸， 规定边界限制， 以步骤3中获取的场景中心位置为中心构建矩形 范围并裁 剪遥感影像， 分别对裁 剪得到的单场景图像进行类别标注， 形成场景分类数据集； 步骤5： 利用步骤4中构建的场景分类数据集训练场景分类网络， 并对训练完成的场景 分类网络进行精度评估和泛化 性测试， 若不达标则重新训练； 步骤6： 对待提取城市绿地的遥感影像图， 按照步骤1到4获取该遥感影像图的单场景图 像， 并将其分别输入到训练完成的场景分类网络中以获取场景类别； 步骤7： 分别对单个对象单元中的所有场景类别进行统计， 并利用多数投票法获取对象 单元的类别， 即， 若 单个对象单元中的所有场景类别中多数为城市绿地， 则该对象单元的类 别也为城市绿地， 否则该对象单 元为非城市绿地； 步骤8： 根据对象单元及其像素点的空间位置关系， 对待提取城市绿地的遥感影像图进 行逐像素类别标定， 以获取像素级城市绿地提取结果， 即， 若对 象单元的类别为城市绿地， 则待提取城市绿地的遥感影 像图中与该对象单 元对应的每 个像素的类别也 为城市绿地。 2.如权利要求1所述的一种尺度变化策略支持的城市绿地深度学习提取方法， 其特征 在于， 步骤1中， 通过在eCognition软件中使用多尺度分割算法完成对遥感影像的分割， 其 中尺度因子由ESP2插件计算 获得； 获取遥感影像中的对象单元并提取每个对象单元的对象 级特征， 所述对象级特 征包括面积和密度。 3.如权利要求2所述的一种尺度变化策略支持的城市绿地深度学习提取方法， 其特征 在于， 步骤2中： 若对象单 元的面积小于 0.1， 则其 面积影响因子ta为0.5， 若对象单 元的面积大于 0.8， 则其 面积影响因子ta为1.0， 若对象单 元的面积不小于 0.1且不大于 0.8， 则其 面积影响因子ta为0.8； 若对象单 元的密度T 小于0.1， 则其密度影响因子tb为0.5， 若对象单 元的密度T大于 0.8， 则其密度影响因子tb为1.0， 若对象单 元的密度T不小于 0.1且不大于 0.8， 则其密度影响因子tb为0.8； 每个对象单元的场景个数num的计算公式为： num＝Max_num*ta*T*tb， 其中Max_num为 该对象单元的最大场景个 数， 且 pts为该对象单元的总像素点 数， 表示取整。 4.如权利要求1所述的一种尺度变化策略支持的城市绿地深度学习提取方法， 其特征 在于， 步骤3中， 以步骤2中获取的单个对象单元的场景种子点数量为聚类簇数k， 利用K ‑ Means++算法完成 聚类中心的初始化： 首先， 从该对象单元的像素点集Py＝{p1， p2，…， pn}中 随机选择一个点作为第 一个聚类中心， 记为C1； 然后， 计算Py中的每个点到聚类中心的欧式权　利　要　求　书 1/2 页 2 CN 114612787 A 2距离， 用Dx表示， Dx越大则其被选 为下一个聚类中心的概率越大； 最后， 采用轮盘选择 法选取 第二个聚类中心， 按照此步骤， 依次初始化 k个聚类中心； 聚类中心初始化完成后， 采用标准的K ‑Means算法完成聚类过程， 获得最终的k个聚类 中心， 并将对 象单元中与该k个聚类中心距离最近的像素点作为对应聚类中心代表的场景 的中心位置 。 5.如权利要求1所述的一种尺度变化策略支持的城市绿地深度学习提取方法， 其特征 在于， 步骤5中， 选取ResNet50网络作为场景分类网络， 将场景分类数据集按照一定比例分 为训练集、 测试集和验证集， 利用训练集通过变换损失函数、 调整 学习率和迭代次数训练场 景分类网络， 并利用测试集和验证集对训练后的场景分类网络进行精度评估和泛化性测 试， 若测试精度小于设定阈值则重新训练。 6.如权利要求5所述的一种尺度变化策略支持的城市绿地深度学习提取方法， 其特征 在于， 训练集、 测试集和验证集的划分比例为6:2:2， 并将单张遥感影像的最大训练样本量 设为100000， 以防止训练过拟合； 场景分类网络训练时的优化器为SGD， 学习率为0.002， 动 量因子为0.9， 权 重衰减为0.0 001， 迭代次数为10 0， 步长为32。权　利　要　求　书 2/2 页 3 CN 114612787 A 3