基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置与流程

文档序号:21650386发布日期:2020-07-29 03:03阅读:2421来源:国知局
基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置与流程

本发明属于测绘遥感领域,具体涉及一种基于深度学习的超高分辨率遥感影像茶叶自动提取方法及装置,利用超高分辨率影像(以高分二号影像为例),结合茶叶的纹理以及光谱特征,实现茶叶自动提取。



背景技术:

中国是世界上茶叶种植历史最悠久的国家,其茶园面积、茶叶产量也位居世界第一。茶树的种植和生产对于农业经济和农业发展起着很大的作用,准确掌握茶叶种植分布情况,可为茶园的规划管理、茶叶估产、病虫害防治提供有力的数据支撑[1]。传统的茶园监测主要通过人工野外测绘完成,这种主观性强的人工统计方式往往存在较大的误差,且成本巨大[3]。目前,使用高分辨率遥感影像对自然资源、农作物等进行监测已成为一种趋势[1],利用高分辨率遥感影像,通过其丰富的空间信息能够准确、高效地获取茶园分布,实现茶园的持续观测和大范围评估[3]

近年来,国内相继发射了多颗亚米级高分辨率影像,如高分二号、高景一号、北京二号、吉林一号等。目前投入使用较多则是高分二号,而其他亚米级影像则可以互为补充。高分二号(gf2)卫星是我国首颗高分辨率(米级)卫星,其星下像元点分辨率全色0.81m、多光谱3.24m;多光谱波段4个,覆盖谱段为0.45~0.9μm。gf2卫星数据主要服务于国土土地利用调查,矿产资源开发现状调查与监测,环保大气环境和水环境监测,农业作物估产和长势监测,水泥洪涝灾害监测及水利设施监测,地震灾害监测等行业。

目前,很多学者借助遥感影像丰富的空间信息、光谱信息对茶叶分布进行提取。李龙伟等人[4]采用哨兵二号影像,分析不同季节不同植被的光谱特性,根据红边波段与短波红外波段构建归一化茶园指数,基于该指数采用决策树分类方法对浙西北茶园分布进行提取。结果表明基于sentinle-2红边波段构建的归一化茶园指数能够将茶园与易混淆的绿色植被区分开,通过该指数成功实现了浙西北茶园信息的提取;任成冕等人[1]通过获取特定时间窗口期的高景一号影像,采取人机交互的人工遥感解译手段,监测提取了处于产茶阶段的茶园种植区和茶农散种区的图斑,并通过外业核查验证,获取了可靠的宏观监测数据,验证了通过遥感解译手段监测处于产茶阶段茶叶种植区空间分布和面积的可行性;杨艳魁等人[5]采用高分二号遥感影像,利用现有遥感指数ndvi与mndvi构建新的光谱特征指数dndvi来获取茶园的光谱特征。利用灰度共生矩阵获取茶园的纹理特征,采用支持向量机结合光谱特征指数与纹理特征对茶园分布进行提取。研究结果显示,纹理特征对高分辨遥感影像分类相当重要,结合纹理特征的茶园提取精度优于仅采用光谱信息的提取精度;马超等人[6]利用modis增强植被指数(evi)与归一化植被指数(ndvi)产品确定landset影像最合适的时间窗口,采用面向对象和决策树分类方法提取初步的茶叶分布,最后使用modis-evi植被时序数据提取不同植被物候参数,完成最终的茶园分布提取;徐伟燕等人[2]采用两期资源三号卫星影像,将研究区分为平原与山区进行茶叶提取。采用决策树方法,使用光谱特征和植被指数(ndvi)的时相差异作为平原地区茶叶分布的提取特征,对于山区茶叶分布的提取则添加了方向强度的纹理特征;朱泽润[3]基于茶叶在高分辨率遥感影像上的纹理特征,使用0.5mgoogleearth影像,采用视觉词袋模型、主题模型以及卷积神经网络提取影像特征,并采用支持向量机将特征进行分类,以此提取茶叶。研究结果表明,基于卷积神经网络的方法提取结果最佳;许光明[7]以高分一号(gf1)为基础数据,将面向对象和多源数据融合的多层次规则分类方法应用于茶园遥感提取研究。在面向对象的基础上,采用最大似然法、支持向量机以及随机森林进行茶叶分类并比较。研究指出,基于面向对象和多源数据融合的多层次规则分类方法对茶园提取效果较好,可以满足应用要求。但是,对于地形复杂区域,植被类型容易混淆的情况下,基于机器学习的监督分类方法还不能很好的满足分类要求;杨艳魁[8]采用高分二号,worldview2影像,基于光谱信息构建遥感指数,采用不同方法构建影像纹理特征,结合遥感指数与纹理特征采用支持向量机进行分类,最终较好的实现了茶叶提取。尽管有相关采用两层机器学习方法进行茶叶分类的研究,但浅层的机器学习算法无法取得高精度的分类结果[9]。

已有采用遥感影像进行茶叶提取的研究大致可以分为两类,基于像素的监督分类和面向对象分类。基于像素的监督方法主要利用影像的光谱特征,但这类基于像元的方法很少考虑到相邻像元间的空间结构信息,浪费了高分辨率影像丰富的空间纹理信息。面向对象分类在顾及影像光谱信息的同时能够很好地考虑影像的纹理特征,但是这种方法不能充分学习同类对象中特征的结构信息和规律,同时该方法依赖于分割方法以及分割参数的选取,其普适性很差,分类精度也不高[10]。这两类方法,在实际生产过程中高分辨率时序影像较难获取,而低分辨率影像混合像元效应严重,分类精度较低,无法满足高精度也无需求。并且分类中过于依赖人工经验,消耗大量时间。

参考文献:

[1]任成冕,计春祥,张禾,etal.高分辨率遥感影像在茶叶种植区监测中的应用[j].资源信息与工程,2018,033(006):p.138-139.

[2]徐伟燕,孙睿,金志凤.基于资源三号卫星影像的茶树种植区提取[j].农业工程学报,2016,000(0z1):161-168.

[3]朱泽润.基于高分辨率遥感影像的茶园场景提取方法[d].2018.

[4]李龙伟,李楠,陆灯盛.多时相sentinel-2影像在浙西北茶园信息提取中的应用[j].浙江农林大学学报,2019(5):841-848.

[5]杨艳魁,陈芸芝,吴波,etal.基于高分二号影像结合纹理信息的茶园提取[j].江苏农业科学,2019,047(002):210-214.

[6]马超,杨飞,王学成.基于中尺度光谱和时序物候特征提取南方丘陵山区茶园[j].国土资源遥感,2019,031(001):141-148.

[7]许光明.基于面向对象和多源数据融合的茶园遥感提取研究[d].2016.

[8]杨艳魁.结合光谱和纹理信息的高分辨率遥感影像茶园提取[d].福州大学,2018.

[9]姚建华,吴加敏,杨勇,施祖贤.全卷积神经网络下的多光谱遥感影像分割[j].中国图象图形学报,2020,25(01):180-192.

[10]blaschke,thomas,etal.geographicobject-basedimageanalysis–towardsanewparadigm.isprsjournalofphotogrammetryandremotesensing,2014,87:180-191.



技术实现要素:

本发明提出一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置,用于解决传统中高分辨率遥感影像茶叶分类方法中通过人工解译方式效率低下、多时相影像在数据预处理中需要消耗大量时间、提取精度不稳定等问题。

本发明第一方面,提出一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法,所述方法包括:

s1、对待测的超高分辨率影像进行数据预处理,得到需要提取茶叶分布的待测影像;

s2、准备不同时期不同地区的茶叶超高分辨率影像作为训练样本,对训练样本进行数据预处理得到训练影像,通过实地调查结合影像特征,确定影像上茶叶解译标志,对所述训练影像进行标记,保存为矢量样本;

s3、构建卷积神经网络模型,根据不同时间不同地区的茶叶超高分辨率影像及其矢量样本,训练所述卷积神经网络模型,得到不同时间不同地区的预测模型;

s4、将经过预处理后的待测影像以及所述待测影像所在的区域及时间输入到对应的预测模型中进行茶叶分布提取,获得初步分类结果;

s5、对所述初步分类结果进行分类后处理,得到茶叶分布提取结果。

优选的,所述步骤s1和s2中,所述数据预处理具体包括:对超高分辨率影像进行解压、辐射定标、大气校正、几何校正、数据融合、裁剪、拼接;其中几何校正选用正射校正,采用rpc校正;数据融合采用1m全色波段与4m多光谱波段融合,融合后影像分辨率为1m;融合后影像根据提取区域矢量范围进行拼接、裁剪。

优选的,所述步骤s3中,训练所述卷积神经网络模型的过程中,学习率设置为1e-4,隐藏层激活函数选择relu,全连接层激活函数选择softmax。

优选的,所述步骤s4中,所述分类后处理包括:对最小茶叶图斑进行面积约束,去除分布图中碎斑点,提高茶叶提取精度;平滑分类结果的边缘,使得边缘更加平滑。

本发明第二方面,提出一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取装置,所述装置包括:

预处理模块:用于对超高分辨率影像进行数据预处理,所述数据预处理包含解压、辐射定标、大气校正、几何校正、数据融合、裁剪、拼接;

样本标记模块:用于准备不同时期不同地区的茶叶超高分辨率影像作为训练样本,对预处理模块处理后的训练影像,通过实地调查结合影像特征,确定影像上茶叶解译标志,对所述训练影像进行标记,保存为矢量样本;

模型训练模块:用于构建卷积神经网络模型,根据不同时间不同地区的茶叶超高分辨率影像及其矢量样本,训练所述卷积神经网络模型,得到不同时间不同地区的预测模型;

初步分类模块:用于将经过预处理模块处理后的待测影像以及所述待测影像所在的区域及时间输入到对应的预测模型中进行茶叶分布提取,获得初步分类结果;

后处理模块:用于对所述初步分类结果进行分类后处理,包括去除碎斑点、边缘平滑处理,得到最终的茶叶分布提取结果。

本发明的有益效果是:

1.不依赖人工经验,提取结果可信度高。对比超高分辨率影像(高分二号)自动化提取与中高分辨率影像手动提取结果,自动化分布结果精度更加稳定,识别茶叶分布准确度及稳定性优于中高分辨率结果

2.自动化,提高时间效率。第一是影像预处理部分自动化,自动化处理解压、辐射定标、大气校正、几何校正、数据融合、裁剪、拼接等步骤,大大缩减了人工时间;第二是茶叶提取自动化。预测时输入影像,以及获取的所属区域以及时间参数,得到分类结果。除输入输出文件外,不需再设置任何其他参数。在时间效率上,以县为单位,人工处理影像并提取茶叶所需时间为1-1.5天,本申请提出的自动化方法仅需0.5-1个小时。

附图说明

为了更清楚地说明本发明的技术方案,下面将对本发明技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。

图1为本发明提出的基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法流程示意图;

图2(a)为截取的2017年10月福建省福鼎市点头镇部分区域,高分二号经过图像融合后的待测影像图;

图2(b)为采用本发明提出的基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法对图2(a)提取的茶叶分布图,黑色表示茶叶分布;

图3(a)为截取的2018年3月福建省福鼎市点头镇部分区域影像;

图3(b)是使用gf2号影像对图3(a)提取的茶叶分布,空间分辨率为0.8米;

图3(c)是使用哨兵2号影像对图3(a)提取的茶叶分布,空间分辨率为10米,黑色表示茶叶分布。

具体实施方式

本发明从深度学习算法出发,通过训练多个时期超高分辨率影像(高分二号)的茶叶样本,利用丰富的空间纹理信息以及光谱信息,生成不同时期及不同地区的茶叶模型,从而实现茶叶分布自动提取。本发明的实施例是以茶叶为例,具体实施时也可应用到其他作物,比如柑橘的分布的自动提取。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。

请参阅图1,本发明提出一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法流程示意图,所述方法包括:

s1、对待测的超高分辨率影像进行数据预处理,得到需要提取茶叶分布的待测影像;

以高分二号为例,所述数据预处理具体包括:对超高分辨率影像进行解压、辐射定标、大气校正、几何校正、数据融合、裁剪、拼接;其中几何校正选用正射校正,采用rpc校正;数据融合采用1m全色波段与4m多光谱波段融合,融合后影像分辨率为1m;融合后影像根据提取区域矢量范围进行拼接、裁剪。

s2、准备不同时期不同地区的茶叶超高分辨率影像作为训练样本,对训练样本进行数据预处理得到训练影像,通过实地调查结合影像特征,确定影像上茶叶解译标志,对所述训练影像进行标记,保存为矢量样本;

以福建省点头镇高分二号影像为例,获取3月份、10月份影像。对样本的数据预处理与步骤s1中数据预处理的方法相同,得到训练影像,通过实地调查结合影像特征,确定影像上茶叶解译标志。在常见的gis相关软件中勾绘出图像内茶叶及其他地物(如建筑物、水体、林地等)的标准样本,并标记为不同属性,最后将成果保存为矢量格式,得到对应的矢量样本。

s3、构建卷积神经网络模型,根据不同时间不同地区的茶叶超高分辨率影像及其矢量样本,训练所述卷积神经网络模型,得到不同时间不同地区的预测模型;

进一步的,以卷积神经网络(cnn)为框架,构建神经网络模型,模型训练之前需要对影像分块,分块大小可选择512,训练所述卷积神经网络模型的过程中,学习率设置为1e-4,隐藏层激活函数选择relu,全连接层激活函数选择softmax函数。

s4、将经过预处理后的待测影像以及所述待测影像所在的区域及时间输入到对应的预测模型中进行茶叶分布提取,获得初步分类结果;

s5、对所述初步分类结果进行分类后处理,得到茶叶分布提取结果。

进一步的,所述分类后处理包括:对最小茶叶图斑进行面积约束,去除分布图中碎斑点,提高茶叶提取精度;平滑分类结果的边缘,使得边缘更加平滑。

与所述基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法相对应,本发明还提出一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取装置,所述装置包括:

预处理模块:用于对超高分辨率影像进行数据预处理,所述数据预处理包含解压、辐射定标、大气校正、几何校正、数据融合、裁剪、拼接;

样本标记模块:用于准备不同时期不同地区的茶叶超高分辨率影像作为训练样本,对预处理模块处理后的训练影像,通过实地调查结合影像特征,确定影像上茶叶解译标志,对所述训练影像进行标记,保存为矢量样本;

模型训练模块:用于构建卷积神经网络模型,根据不同时间不同地区的茶叶超高分辨率影像及其矢量样本,训练所述卷积神经网络模型,得到不同时间不同地区的预测模型;

初步分类模块:用于将经过预处理模块处理后的待测影像以及所述待测影像所在的区域及时间输入到对应的预测模型中进行茶叶分布提取,获得初步分类结果;

后处理模块:用于对所述初步分类结果进行分类后处理,包括去除碎斑点、边缘平滑处理,得到最终的茶叶分布提取结果。

以上装置实施例与方法实施例是一一对应的,装置实施例简略之处,参见方法实施例即可。

本发明从深度学习算法出发,通过训练多个时期超高分辨率影像(高分二号)的茶叶样本,利用丰富的空间纹理信息以及光谱信息,生成不同时期及不同地区的茶叶模型,从而实现茶叶分布自动提取。本发明的实施例是以茶叶为例,具体实施时也可应用到其他作物,比如柑橘的分布的自动提取。本发明的成功实施,将对茶园、柑橘的规划管理、估产、病虫害防治提供有力的数据支撑。

本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可,说明书中未阐述的部分均为现有技术或公知常识。

专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应超过本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其他形式的存储介质中。

以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1