本发明属于图像识别，具体涉及一种基于sam的耕地地块全自动分割方法。
背景技术：
1、在遥感图像耕地识别领域，传统语义分割技术虽然曾发挥重要作用，但随着技术的发展，其局限性逐渐显现。
2、首先，高分辨率影像存在同物异谱、同谱异物现象，耕地对象的多样性及易混淆性导致传统语义分割无法很好的完成提取任务。
3、其次，传统语义分割技术在参数选择和调整上存在困难，需要专业知识和大量实验来优化，这限制了其自动化和普适性，并且模型通常缺乏足够的泛化能力，当迁移到不同的地理环境或图像源时，性能可能显著下降。
4、更重要的是，传统方法的实现需要花费大量的时间与成本去构建训练集。
技术实现思路
1、为解决上述背景技术中提出的问题，本发明提供一种基于sam的耕地地块全自动分割方法，以解决耕地对象的多样性及易混淆性导致传统语义分割无法很好的完成提取任务，传统语义分割缺乏足够的泛化能力以及需要花费大量时间与成本构建训练集的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种基于sam的耕地地块全自动分割方法，包括以下步骤：
4、s1：获取目标区域的遥感影像；
5、s2：将遥感影像灰度化，计算遥感影像中每个像元的归一化梯度值；
6、s3：对遥感影像进行分类操作得到分类结果，通过分类结果计算遥感影像中每个像元在其所处n×n大小的领域内的归一化环境相似度指数，其中一个n×n大小的领域由遥感影像中一个耕地地块的目视最小距离与像元分辨率进行确定；
7、s4：结合归一化梯度值和归一化环境相似度指数，通过加权平均得到每个像元在其所处n×n大小领域内的耕地地块识别指数；
8、s5：设置阈值，通过阈值和耕地地块识别指数对每个n×n大小领域内的像元进行筛选，将筛选出的像元作为位置点进入下一步骤；
9、s6：通过空洞卷积核对同一领域内筛选出的位置点进行去冗余，将去冗余后的位置点代入sam中，得到位置点的评分，保留在sam中得分最高的位置点并输出，当同一耕地地块中存在最高得分相同的多个位置点时，采用交并比的方式筛选出最优的位置点并输出；
10、s7：重复s6，直至所有领域完成位置点输出，将所有输出的位置点输入sam中，实现遥感影像中耕地地块的自动分割。
11、优选的，s2中通过sobel算子计算每个像元的归一化梯度值，具体实现公式如下：
12、；
13、；
14、其中，grad为遥感影像的梯度值，sobel（x）为遥感影像水平方向的卷积结果，sobel（y）为遥感影像垂直方向的卷积结果，ngrad为归一化梯度值，i为遥感影像的第i个像元，ngradi为第i个像元的归一化梯度值，gradmax为遥感影像的梯度最大值，gradmin为遥感影像的梯度最小值，gradi为第i个像元的梯度值。
15、优选的，s3中根据isodata非监督分类对遥感影像进行分类，利用分类结果计算遥感影像中每个像元所处n×n大小的领域内的归一化环境相似度指数nesi，具体实现公式如下：
16、；
17、；
18、；
19、其中，classes为遥感影像的分类结果，isodata（img）为通过isodata非监督分类对遥感影像img进行分类，m为第i个像元在n×n大小的领域中的总个数，esi为环境相似度指数，esii为第i个像元的环境相似度指数，classesi为第i个像元的分类结果，nesii为第i个像元的归一化环境相似度指数，esimin为遥感影像的环境相似度指数最小值，esimax为遥感影像的环境相似度指数最大值；
20、一个n×n大小的领域由遥感影像中一个耕地地块的目视最小距离s与像元分辨率a×a进行确定，具体为：
21、n=s/a。
22、优选的，s4中，结合ngrad和nesi的值，通过加权平均得到耕地地块识别指数cii，具体实现公式如下：
23、；
24、其中，k为预设权重。
25、优选的，s5中，通过预设阈值d和耕地地块识别指数cii对每个n×n大小领域内的像元进行筛选的筛选公式为：
26、；
27、其中，（x，y）为像元i的坐标点。
28、优选的，预设阈值d为252。
29、优选的，预设权重k取值为0.35。
30、与现有技术相比，本发明的有益效果是：
31、本申请首先利用影像的像元的归一化梯度值和像元环境相似度确定耕地地块的领域并生成对应的位置点，然后优化领域中的位置点，找出每个领域中评分最高的位置点或最优的位置点，最后将最优位置点输入sam实现在遥感影像中实现全自动分割耕地地块，本申请所使用的方法无需任何训练数据，且对于所有地形地貌的遥感影像均可很好的完成提取任务，自动化程度和普适性高。
1.一种基于sam的耕地地块全自动分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于sam的耕地地块全自动分割方法，其特征在于，s2中通过sobel算子计算每个像元的归一化梯度值，具体实现公式如下：
3.根据权利要求2所述的一种基于sam的耕地地块全自动分割方法，其特征在于，s3中根据isodata非监督分类对遥感影像进行分类，利用分类结果计算遥感影像中每个像元所处n×n大小的领域内的归一化环境相似度指数nesi，具体实现公式如下：
4.根据权利要求3所述的一种基于sam的耕地地块全自动分割方法，其特征在于，s4中，结合ngrad和nesi的值，通过加权平均得到耕地地块识别指数cii，具体实现公式如下：
5.根据权利要求4所述的一种基于sam的耕地地块全自动分割方法，其特征在于，s5中，通过预设阈值d和耕地地块识别指数cii对每个n×n大小领域内的像元进行筛选的筛选公式为：
6.根据权利要求5所述的一种基于sam的耕地地块全自动分割方法，其特征在于，预设阈值d为252。
7.根据权利要求4所述的一种基于sam的耕地地块全自动分割方法，其特征在于，预设权重k取值为0.35。
