融合多元稀疏特征与阶层深度特征的遥感影像目标检测

遥感影像目标检测在城市规划、自然资源调查、国土测绘、军事侦察等领域有着广泛的应用价值。针对遥感影像目标检测在目标尺度变化大、目标外观相似性高以及背景复杂度高等方面的难点，本文提出了一种新的目标检测算法，该算法有效融合了多元稀疏特征提取模块（MNB）和阶层深度特征融合模块（HDFB）。多元稀疏特征提取模块以多个卷积分支结构来模拟神经元的多个突触结构提取稀疏分布的特征，随着网络层的堆叠获取更大感受野范围内的稀疏特征，从而提高捕获的多尺度目标特征的质量。阶层深度特征融合模块基于空洞卷积提取不同深度的上下文信息特征，然后提取特征通过独创的树状融合网络，从而实现局部特征与全局特征在特征图级别的融合。本文算法在大规模公开数据集DIOR进行验证，实验结果表明：(1)多元稀疏特征提取模块和阶层深度特征融合模块相结合的方法总体准确率达到72.5%，单张遥感影像的平均检测耗时为3.8毫秒；(2)通过使用多元稀疏特征提取模块，多尺度和外观相似性目标的检测精度得到了提高，与使用Step-wise分支的物体检测结果相比，总体精度提高了5.8%；(3)通过阶层深度特征融合模块的多感受野深度特征融合网络提取阶层深度...     

基于改进全卷积神经网络模型的土地覆盖分类方法研究

遥感卫星数据是地球表面信息的重要来源，但利用传统的遥感分类方法进行土地覆盖分类局限性大、过程繁琐、解译精度依赖专家经验，而深度学习方法可以自适应地提取地物更多深层次的特征信息，适用于高分辨率遥感影像的土地覆盖分类。文中对高分辨率影像中水体、交通运输、建筑、耕地、草地、林地、裸土等进行高精度分类，结合遥感多地物分类的特点，以DeepLabV3+模型为基础，作出了以下改进：(1)骨干网络的改进，使用ResNeSt代替ResNet作为骨干网络；(2)空洞空间金字塔池化模块的改进，首先在并联的每个分支的前一层增加一个空洞率相对较小的空洞卷积，其次在分支后层加入串联的空洞率逐渐减小的空洞卷积层。使用土地覆盖样本库和自制样本库进行模型训练、测试。结果表明，改进模型在2个数据集的精度和时间效率均明显优于原始DeepLabV3+模型：土地覆盖样本库总体精度达到88.08%，自制样本库总体精度达到85.22%，较原始DeepLabV3+模型分别提升了1.35%和3.4%，时间效率每epoch减少0.39 h。改进模型能够为数据量以每日TB级增加的高分影像提供更加快速精确的土地覆盖分类结果。     

改进的混合2D-3D卷积神经网络高光谱图像分类研究

卷积神经网络在进行高光谱图像分类时,往往需要设置较多的参数,因此其计算效率受到很大影响。基于混合卷积神经网络模型,本文利用全局平均池化层代替原有的全连接层,将卷积层输出的多个特征图映射为一个特征点,并将多个特征点构成一维向量,形成改进后的混合2D-3D卷积神经网络模型;最后,对改进后的模型分别在IP(IndianPines)数据集、PU(PaviaUniversity)数据集及Botswana数据集上进行测试。结果显示,总体分类精度分别达到99.64%、99.98%、99.91%。这表明在大量减少参数的条件下仍具有较好的分类性能。     

基于多尺度特征感知网络的城市植被无人机遥感分类

目前城市植被分类受特征相近、光谱相似影响导致植被漏分、错分。因此,设计了一种多尺度特征感知网络（MFDN）结合高分辨率无人机可见光影像对城市植被分类。该网络针对漏分、错分问题,通过在输入层引入坐标卷积减少空间信息的丢失;构建并行网络增强多尺度特征信息并在网络之间引入重复多尺度融合模块使整个过程保持高分辨率表示,减少细节特征的丢失;同时添加分离特征模块扩大感受野,获取多尺度特征,从而有效缓解了城市植被错分、漏分现象。结果表明,MFDN方法在仅使用无人机可见光影像条件下主要是通过空间模式而不是光谱信息促进了城市植被分类,平均总体精度为89.54%,平均F1得分为75.85%,平均IOU为65.45%,分割结果准确完整。因此,所提方法与易于操作的低成本无人机系统相匹配,适用于城市植被快速调查,可以为城市空间利用和生态资源调查提供技术支持和科学依据。     

基于MAEU-CNN的高分辨率遥感影像建筑物提取

从高空间分辨率图像（HSRI）中提取建筑物信息在遥感应用领域具有重要意义。然而,由于遥感影像中的建筑物尺度变化大、背景复杂和外观变化大等因素,从HSRI中自动提取建筑物仍然是一项具有挑战性的任务。特别是从影像中同时提取小型建筑物群和具有精确边界的大型建筑物时,难度更大。为解决这些问题,本文提出了一种端到端的编码器-解码器神经网络模型,用于从HSRI中自动提取建筑物。所设计的网络称为MAEU-CNN（Multiscale Feature Enhanced U-shaped CNN with Attention Block and Edge Constraint）。首先,在设计的网络编码部分加入多尺度特征融合（MFF）模块,使网络能够更好地聚集多个尺度特征。然后,在编码器和解码器部分之间添加了多尺度特征增强模块（MFEF）,以获得不同尺寸的感受野,用于获取更多的多尺度上下文信息。在跳跃连接部分引入双重注意机制,自适应地选择具有代表性的特征图用于提取建筑物。最后,为了进一步解决MAEU-CNN中由于池化及卷积操作导致的分割结果边界模糊的问题,引入多任务学习机制,将建筑物的边界几何信息融入网络中以优化提取的建筑物边界,最终获得精确边界的建筑物信息。MAEU-CNN在ISPRS Vaihingen语义标记数据集和WHU航空影像数据集2种不同尺度建筑物数据集上进行了试验分析,在ISPRS Vaihingen语义标记数据集上,MAEU-CNN在精度、F1分数和IoU指标中获得了最高精度,分别达到了93.4%、93.62%和88.01%;在WHU航空影像数据集上,召回率、F1分数和IoU指标中也获得了最高精度,分别达到了95.45%、95.58%和91.54%。结果表明,本文所提出的MAEU-CNN从遥感图像中提取建筑物信息精度较高,并且对于不同尺度具有较强的鲁棒性。     

基于改进DeepLabv3+孪生网络的遥感影像变化检测方法

传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进：① 在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;② 在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;③ 在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到87.3%、90.2%、88.4%、96.4%,均高于UNet-EF、FC-Siam-conc、Siam-DeepLabv3+网络和N-Siam-DeepLabv3+网络,检测结果较为完整,对边界的检测也更为平滑,且对尺度变化具有更高的鲁棒性。     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

基于多尺度对比学习的弱监督遥感场景分类

遥感场景分类作为一种理解遥感影像的重要方式,在目标检测、影像快速检索等方向有着重要的应用,当前主流的场景分类方法多关注影像深层次特征的准确提取,忽略了场景目标在不同分布尺度下的差异性。此外,有限的高质量场景标签进一步限制了模型分类性能。为了解决以上问题,本研究提出了基于多尺度对比学习的弱监督遥感场景分类方法,首先利用多尺度对比学习的自监督策略,从大量无标注数据中自动获取影像不同尺度下的特征表示。其次,基于多尺度稳健特征对分类模型利用少量标签进行微调,并结合标签传播方法生成高质量样本标签。最后,结合大量无标签数据构建弱监督分类模型,进一步提升场景分类的能力。本研究在遥感场景AID数据集和NWPU-RESISC45数据集上分别使用1%、5%和10%的标注样本下分类精度分别达到了87.7%、93.67%、95.56%和86.02%、93.15%和95.38%,在有限标注样本条件下与其他基准模型相比有着明显的优势,证明了本文模型的有效性。     

基于卷积神经网络的遥感影像地表覆盖分类

遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。     

一种基于深度传递迁移学习的遥感影像分类方法

面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。     

基于光谱-空间残差网络模型的高光谱遥感图像分类

残差网络是近几年提出的一种新型深度卷积网络,通过增加网络深度提高分类的准确率,也解决了网络退化问题。基于残差学习原理,设计了针对高光谱遥感图像分类的光谱-空间残差网络模型。首先,将原始高光谱遥感数据三维立方体输入网络模型,并使用特定的卷积核对光谱特征进行降维;然后,利用光谱残差模块和空间残差按模块分别且连续地学习光谱和空间特征;最后,对提取到的特征进行池化操作并分类。此外,为规范训练数据和防止过拟合,学习过程中使用了批量归一化和dropout的方法。所设计网络模型在Indian Pines和Pavia U数据集上进行了验证实验,结果表明,所提方法有效地缓解了网络退化的问题,且在分类精度上也高于支持向量机、卷积神经网络等现有算法。     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。     

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度 4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。     

空间分辨率与纹理特征对多光谱遥感分类的影响

多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。     

融合高度特征的高分遥感影像多尺度城市建筑类型分类

城市区域建筑类型信息在城市功能区识别、城市环境变量反演等应用领域具有重要作用。本文提出一种融合高分辨率遥感影像高度特征的多尺度城市建筑类型分类方法。首先利用语义分割模型识别高分辨影像中建筑和阴影对象;然后借助建筑对象及其阴影信息在卫星成像时的几何关系估算建筑高度;最后基于多尺度图像分析思想,提取一系列表征建筑对象的高度、空间结构、几何等多尺度特征,利用机器学习方法进行建筑类型分类,并进一步分析不同粒度的建筑类型分析单元对分类结果的影响。选取福州市主城区国产高分二号高分辨率影像进行实验验证。结果表明：① 基于所提方法的建筑类型分类总体精度达到82.98%, kappa系数为0.77,分类精度优于本文中未加入高度信息的分类方法和单一尺度分类方法;② 引入高度特征有效提高了中低层居民楼和高层商住两用建筑类型的分类精度,较未加入高度特征的分类结果,总体精度提高了11.28%;③ 融合多个尺度的图像特征可有效减少粘连建筑误分为密集型建筑的情况,较单一尺度分类方法,总体精度提高了2.77%。在精细的数字表面模型数据缺失下,利用高分辨影像阴影信息可为建筑物高度估计提供一种有效的策略,提高城市建筑类型分类精度。此外,融合多粒度图像特征可提升城市区域复杂建筑类型的表征能力,进而提高分类精度。     

融合边缘特征与语义信息的人工坑塘精准提取方法

针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。     

基于双注意力残差网络的高分遥感影像道路提取模型

高分辨率遥感影像中,道路光谱信息丰富,且空间几何结构更清晰。但是,基于高分遥感影像的道路提取面临道路尺寸变化大、容易受树木、建筑物及阴影遮挡等因素影响,导致提取结果不完整。此外,高分遥感影像中同物异谱和异物同谱现象较为严重,从而影响道路提取结果连续性及细小道路信息完整性,而且难以区分道路和非道路不透水层。因此,本文提出基于双注意力残差网络的道路提取模型DARNet,利用深度编码网络,获取细粒度高阶语义信息,增强网络对细小道路的提取能力,通过嵌入串联式通道-空间双重注意力模块,获取道路特征图逐通道的全局语义信息,实现道路特征的高效表达及多尺度道路信息的深层融合,增强阴影和遮挡环境下网络模型的鲁棒性,改善道路提取细节缺失现象,实现复杂环境下高效、准确的道路自动化提取。本文在3个实验数据集对DARNet和DLinkNet、DeepLabV3+等5个对比模型进行对比试验和定量评估,结果表明,本文DARNet模型的F1分别为77.92%、67.88%和80.37%,高于对比模型。此外,定性比较表明,本文提出模型可以有效克服由于物体阴影、遮挡和高分影像光谱变化导致道路提取不准确与不完整问题,改善细...     

基于深度学习模型的城市高分辨率遥感影像不透水面提取

不透水面是衡量城市生态环境状况的重要指标。城市土地利用的复杂性和不透水表面材料的多样性,导致直接从高分辨率遥感影像中提取不透水表面具有挑战性。针对城市尺度高分辨率遥感影像的不透水面提取要求,本文提出基于深度学习的城市不透水面提取模型。首先,利用深度卷积神经网络对影像特征进行提取;然后,根据其邻域关系构建概率图学习模型,进一步引入高阶语义信息对特征进行优化,实现不透水面的精确提取。本文选取武汉市为实验区,以高分二号卫星遥感影像作为数据源,完成了不透水面专题信息提取,其中自动提取准确率在建成区为89.02%、在城乡结合部为95.55%。与随机森林（RF）和支持向量机（SVM）等经典方法对比,结果表明深度学习不透水面提取方法有较高的提取精度和细节准确性,建成区的总体精度相比于RF和SVM算法分别提升2.18%和1.68%。最后,对武汉市各主要行政区不透水面信息进行统计和分析,结果表明其中江汉区和武昌区2个核心主城区不透水面占比超过60%,并对武汉市现状和发展规划特点进行了讨论。本文研究成果可为海绵城市和生态城市的建设提供基础技术支撑和数据参考。     

基于特征分离机制的深度学习植被自动提取方法

随着遥感影像分辨率的提高,植被信息的高精度提取对于了解地表植被变化规律、评价生态区域具有重要意义。针对传统方法跨季节植被提取不完整问题,本文基于高分2号(GF-2)卫星数据,提出一种基于特征分离机制的深度学习语义分割网络植被提取方法。该网络在Densenet的基础增加可分离卷积和空间金字塔结合的特征分离机制来增大感受野,更有效利用植被的特征信息,提升了模型的精度。本文通过构建高精细跨季节植被样本库,使用本文所提方法,完成了遥感影像植被信息提取,并选取总体准确度、F1值和交并比作为评价指标,对不同的传统方法和深度学习方法进行精度对比与分析。实验结果表明,本文方法提取植被的效果较好,其中F1分数达到91.91%,总体准确度达到92.79%,交并比达到85.10%。对高分1号、高分6号和高景1号遥感影像进行植被提取通用性验证,结果表明本文方法具有一定的通用能力,可以从高分辨率遥感影像中准确地、自动地提取植被。本文研究成果可为城市生态环境评价和植被的应用研究提供数据参考。     

基于深度卷积网络和分水岭分割的耕地地块识别方法

耕地地块作为精准农业的重要支撑,现有地块边界大多依靠人工勾绘。随着遥感技术的发展,基于遥感影像自动提取耕地地块成为研究主要方向,其中基于深度学习的方法能够克服传统检测方法难以适应复杂场景的局限而被广泛使用,但现有检测方法仍存在问题,基于深度卷积模型直接识别耕地区域会丢失内部边界、而基于边缘检测模型识别耕地边界时则会同时得到大量无关边界;此外,现有的基于阈值提取地块的策略所提取的地块不够规整,存在内陷的问题。针对上述问题,本研究提出一种基于深度卷积网络和分水岭分割的耕地地块提取方法,从信息检测和地块提取两方面进行改进：① 将耕地边界视作一种地物类别,在深度卷积网络中进行类别概率检测,帮助实现对耕地边界的语义识别。② 基于改进后的D-LinknetXt网络进行检测,其网络架构适合于对耕地边界这类线性目标的提取,同时更换原始D-Linknet网络的残差单元,帮助提高了网络的特征提取能力。③ 基于分水岭分割对耕地地块进行提取,利用了区域分割方法获取边界的封闭性,并且这种以区域为单元进行分割并合并的方式,解决了原有方法在像元尺度上基于阈值提取所遇到的提取地块存在内陷的问题,使地块更规整准确。在一景高分二号影像上进行检验,并设计两类精度指标,从全局边界精度和地块几何精度两方面进行方法性能评估。实验结果表明,本方法的精度优于3种对比方法,在代表边界精度的F1分数上达到了0.933,地块几何精度为0.829。本研究所提出的方法能够更加准确的对耕地地块进行提取,并适用于实际应用中。