本发明涉及土地利用，具体为一种基于无人机影像的田间线状地物提取方法。
背景技术：
1、由于土地整治项目新增耕地核算技术标准尚不完善，核算中存在整治前后地类划分不一致、新增耕地来源不明等问题。当田坎、沟渠、田间道路等线状地物数量较多，又不能全部上图上簿，就难以确定耕地面积扣除系数并准确计算新增耕地面积，给土地整治项目验收工作带来了诸多不便。因此，快速、准确地提取耕地中田坎、沟渠、田间道路等田间线状地物信息，成为土地整治项目监测监管环节急需解决的技术难题。
2、无人机遥感平台具有工作效率高、灵活性强、作业成本低等特点，短时间内快速获取大量高分辨率的遥感数据，蕴含了丰富的地物细节，近年来在我国得到了广泛使用。在田间复杂背景下，如何基于无人机遥感影像，快速有效提取田间线状地物信息一直是无人机遥感应用的技术难点之一。
技术实现思路
1、针对现有技术的不足，本发明提供了一种基于无人机影像的田间线状地物提取方法，其目的在于解决背景技术中提到的问题。
2、为实现上述目的，本发明提供如下技术方案：一种基于无人机影像的田间线状地物提取方法，包括如下步骤：
3、步骤s1：采集农田图像构建数据集，并将数据集划分为样本区与测试区；
4、步骤s2：构建深度学习模型，并采用样本区中的农田图像对深度学习模型进行训练；
5、步骤s3：将测试区中的农田图像输入到训练后的深度学习模型中，得到初步结果图像；
6、步骤s4：对初步结果图像进行形态学处理，得到中间结果图像；
7、步骤s5：对中间结果图像采用中心线连接方法进行断点修复，得到最终成果；
8、步骤s5的具体过程为：
9、步骤s5.1：提取中间结果图像的中心线；
10、步骤s5.2：利用八邻域算法在中心线的基础上进行断点检测识别；
11、步骤s5.3：利用k-means聚类算法判别各断点之间的关系；
12、步骤s5.4：根据k-means聚类算法判别的各断点之间的关系，利用多项式曲线拟合田间线状地物的断点，实现断点修复；
13、步骤s5.5：根据每一类田间线状地物的特性及宽度和将中心线连接后的结果，分别对每一类修复后的田间线状地物的断点进行缓冲，形成面要素，得到最终成果。
14、进一步的，所述深度学习模型选用deeplab v3模型，deeplab v3模型采用vgg13卷积神经网络作为骨干网络来提取输入图像即农田图像中的特征，在骨干网络的后一层使用空洞卷积增大感受野，还引入aspp模块，aspp模块采用空洞可分离卷积，deeplab v3模型的最后采用双线性插值来将输出图像调整为输入图像的大小，并使用softmax函数将输出图像的每个像素分配给预定义的语义类别，为输出图像中的每个像素生成相应的语义分割标签。
15、进一步的，步骤s1的具体过程为：
16、步骤s1.1：利用无人机，拍摄多幅农田图像，并将拍摄的农田图像制作为正射影像图后作为数据集；
17、步骤s1.2：将数据集内的正射影像图划分为样本区与测试区；对样本区内正射影像图中的田坎、沟渠、田间道路进行描绘标注，对描绘标注后的正射影像图进行512×512像素大小分类切片，生成带有标签的图像，并储存为“.tif”格式。
18、进一步的，步骤s2中采用样本区中的正射影像图对深度学习模型进行训练的具体过程为：
19、将样本区按比例随机划分为训练集和验证集，对训练集中的正射影像图进行数据增强处理；
20、采用数据增强处理后的训练集对deeplab v3模型进行训练，采用验证集对训练后的deeplab v3模型进行验证；
21、采用在二元交叉熵损失函数的基础上结合骰子损失函数作为deeplab v3模型训练时的损失函数，表示为：
22、（1）；
23、（2）；
24、（3）；
25、式中，为像元个数；为第个像元真实的像素值，表示该像元为背景区域；为像元预测像素值；为预测分割区域的像元数；为真实分割区域的像元数；表示二元交叉熵损失函数；表示对数函数；表示骰子损失函数；表示deeplab v3模型训练时的损失函数。
26、进一步的，采用验证集对训练后的deeplab v3模型进行验证的具体过程为：将验证集中的正射影像图输入至训练后的deeplab v3模型中进行语义分割测试，获取语义分割结果，并计算分割结果的精确率、召回率、f1值三个指标；采用混淆矩阵表示预测结果即语义分割结果与真实结果之间的对应关系，混淆矩阵中通过正例和反例表示预测结果即语义分割结果与真实结果之间的对应关系；根据对应关系计算分割结果的精确率、召回率、f1值三个指标，计算方式表示为：
27、（4）；
28、（5）；
29、（6）；
30、式中，tp表示训练后的deeplab v3模型正确预测正例的正样本数；fp表示训练后的deeplab v3模型错误预测正例的负样本数；fn表示训练后的deeplab v3模型错误预测负例的正样本数；表示分割结果的精确率；表示分割结果的召回率；表示分割结果的f1值。
31、进一步的，步骤s4的具体过程为：
32、步骤s4.1：对初步结果图像进行二值化处理，得到二值化后的图像；
33、将初步结果图像中的提取地物设定为最大值255像素；将初步结果图像中的背景地物设定最小值0像素；
34、步骤s4.2：对二值化后的图像进行开运算、闭运算处理，得到中间结果图像；
35、选用形态学中的开运算以4个像素作为缓冲半径对二值化后的图像进行噪点消除，利用闭运算以4像素为缓冲区半径对开运算处理后的图像中提取地物中断点部分进行桥接。
36、进一步的，所述提取中间结果图像的中心线的具体过程为：捕捉中间结果图像中直径介于40像素到90像素之间的栅格实体，同时根据中间结果图像中田间线状地物即提取地物的特征，剔除长度小于6米的中心线，得到田间线状地物的中心线。
37、进一步的，所述利用八邻域算法在中心线的基础上进行断点检测识别的具体过程为：通过对田间线状地物像素及周围邻域像素进行灰度值比较来判断像素所属类型，实现断点检测；断点检测结果分为断点、孤立点、内部点，将搜索到的断点用圈注表示；
38、设某个田间线状地物像元的点为，以为中心点的八个方向像元点设为，其中，表示以为中心点的第个方向的像元点，，像元点取值0表示非田间线状地物的点，像元点取值1表示田间线状地物的点，根据八邻域算法：
39、当时，则为孤立点，即中间结果图像中没有任何邻域像素与相连，既不是边缘像素，也没有与除边缘像素外其他像素相连；
40、当时，则为断点，即中间结果图像中边缘上的像素点，只与一个边缘相连，并且周围的邻域中没有除边缘像素外其他边缘像素；
41、当时，则为内部点，即位于中间结果图像中边缘内部的像素点。
42、进一步的，利用k-means聚类算法判别各断点之间的关系的具体过程为：根据每个断点与初始质心的欧氏距离，将断点分配到距离最近的簇，将聚类后的断点进行标注；
43、选择要创建的簇的数量k，然后随机选择k个断点作为初始质心，根据每个断点与初始质心的欧氏距离，将每个断点分配到距离最近的簇；k-means聚类算法表示为：
44、（7）；
45、式中，表示聚类后的结果；表示田间线状地物断点的簇质心；表示第个田间线状地物断点簇；表示簇质心数量。
46、进一步的，根据k-means聚类算法判别的各断点之间的关系，利用多项式曲线拟合田间线状地物的断点，实现断点修复的具体过程为：
47、对k-means聚类后的可匹配断点进行逆向回溯，以确定剩余断点的数量，并建立剩余断点集合；根据田间线状地物特点，对剩余断点集合进行三次多项式曲线拟合；具体的，依次寻找每个田间线状地物断点的簇的横坐标最大值，并使用三次多项式在各簇的横坐标最大值之间进行曲线拟合和坐标插值，实现断点修复；
48、三次多项式表示为：
49、（8）；
50、式中，为待求的系数；为常数；为坐标值。
51、与现有的技术相比，本发明具备以下有益效果：本发明通过“深度学习+后处理”的两阶段数据处理，有效解决了田间线状地物与复杂背景难以区分的问题，实现了田间线状地物信息的高精度提取；通过构建深度学习模型，提取无人机影像的深层信息，结合常规方法提取的浅层信息，实现了对无人机遥感影响的多尺度特征识别；通过“形态学处理+中心线连接”对深度学习模型提取结果进行后处理，消除了田间复杂背景的影响并实现了线状地物的断点修复，大幅提升了田间线状地物提取的准确性与可靠性。
1.一种基于无人机影像的田间线状地物提取方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：所述深度学习模型选用deeplab v3模型，deeplab v3模型采用vgg13卷积神经网络作为骨干网络来提取输入图像即农田图像中的特征，在骨干网络的后一层使用空洞卷积增大感受野，还引入aspp模块，aspp模块采用空洞可分离卷积，deeplab v3模型的最后采用双线性插值来将输出图像调整为输入图像的大小，并使用softmax函数将输出图像的每个像素分配给预定义的语义类别，为输出图像中的每个像素生成相应的语义分割标签。
3.根据权利要求2所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：步骤s1的具体过程为：
4.根据权利要求3所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：步骤s2中采用样本区中的正射影像图对深度学习模型进行训练的具体过程为：
5.根据权利要求4所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：采用验证集对训练后的deeplab v3模型进行验证的具体过程为：将验证集中的正射影像图输入至训练后的deeplab v3模型中进行语义分割测试，获取语义分割结果，并计算分割结果的精确率、召回率、f1值三个指标；采用混淆矩阵表示预测结果即语义分割结果与真实结果之间的对应关系，混淆矩阵中通过正例和反例表示预测结果即语义分割结果与真实结果之间的对应关系；根据对应关系计算分割结果的精确率、召回率、f1值三个指标，计算方式表示为：
6.根据权利要求5所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：步骤s4的具体过程为：
7.根据权利要求6所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：所述提取中间结果图像的中心线的具体过程为：捕捉中间结果图像中直径介于40像素到90像素之间的栅格实体，同时根据中间结果图像中田间线状地物即提取地物的特征，剔除长度小于6米的中心线，得到田间线状地物的中心线。
8.根据权利要求7所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：所述利用八邻域算法在中心线的基础上进行断点检测识别的具体过程为：通过对田间线状地物像素及周围邻域像素进行灰度值比较来判断像素所属类型，实现断点检测；断点检测结果分为断点、孤立点、内部点，将搜索到的断点用圈注表示；
9.根据权利要求8所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：利用k-means聚类算法判别各断点之间的关系的具体过程为：根据每个断点与初始质心的欧氏距离，将断点分配到距离最近的簇，将聚类后的断点进行标注；
10.根据权利要求9所述的一种基于无人机影像的田间线状地物提取方法，其特征在于：根据k-means聚类算法判别的各断点之间的关系，利用多项式曲线拟合田间线状地物的断点，实现断点修复的具体过程为：
