一种基于深度学习和影像空间分辨率的湿地植被分类方法

本发明属于植被分类，尤其涉及一种基于深度学习和影像空间分辨率的湿地植被分类方法。

背景技术：

1、目前植被物种和地物的影像数据源，主要包括：不同空间分辨率的卫星影像、不同空间分辨率的无人机影像，植被物种和地物分类精度除受影像数据源影响外，还受分类方法的影响。通过采用不同的分类方法可以识别不同的特征因子，从而提取遥感影像中所蕴含的丰富信息。

2、目前，遥感影像中植被物种和地物分类方法主要有基于像元的影像分析技术(pbia)和基于对象的影像分析技术(obia)。pbia是指将遥感影像中的每个像素点看作一个独立的单位，通过对每个像素点的光谱信息进行统计和分析，来获得关于地表物体属性的信息。传统的pbia通常利用随机森林、支持向量机、k-最邻近等浅层机器学习分类器对像元进行分类，该方法侧重于局部而忽略了地物之间的关联性，类内像元光谱差异导致的“椒盐噪声”和类间像元邻近效应带来的“混合像元”极大的影响着分类精度，难以满足实际应用需求。obia以分割后的对象为基本单元，综合考虑了纹理、光谱、位置、几何和空间等特征信息，一旦获得对象的分类，给定对象内的所有像素都被赋予相同的标签。已有研究表明obia明显优于传统的pbia，在分类精度和分类时间上得到了很大的改善。

3、obia虽然弥补了pbia的不足，但在结合多种特征学习的同时，也增大了特征空间的维度，降低了数据处理效率，其中的次要特征可能起到噪声作用，甚至降低分类精度。

技术实现思路

1、本发明提出了一种基于深度学习和影像空间分辨率的湿地植被分类方法，以通过像素聚合方法获得不同空间分辨率的多光谱影像为无人机影像数据源，将obia和cnn进行结合构建了mrs_deeplabv3+模型，对湿地植被物种和地物进行了分类，以解决上述现有技术中存在的技术问题。

2、为实现上述目的，本发明提供了一种基于深度学习和影像空间分辨率的湿地植被分类方法，包括：

3、获取湿地植被区域的遥感影像，所述遥感影像包括：无人机影像和卫星影像；

4、对所述遥感影像进行预处理，得到预处理影像；

5、基于多尺度分割算法和卷积神经网络，构建湿地植被分类模型；

6、基于所述湿地植被分类模型对所述预处理影像进行分类，得到湿地植被的分类结果。

7、优选地，所述无人机影像和所述卫星影像为不同空间分辨率梯度的遥感影像，其中，不同空间分辨率梯度包括：高空间分辨率、中空间分辨率和低空间分辨率。

8、优选地，对所述遥感影像进行预处理的过程包括：

9、对所述无人机影像进行影像质量检查、影像数据自动匹配、空三解算和区域网平差，生成密集点云数据；构建tin三角网，得到地表三维模型；通过影像匀色、裁剪处理，得到数字正射影像数据，对数字正射影像数据进行升尺度处理，得到第一预处理影像；

10、对所述卫星影像进行辐射定标、大气校正、正射校正、位置配准和裁剪，得到第二预处理影像。

11、优选地，所述多尺度分割算法包括：尺度参数、形状权重和紧凑度；所述卷积神经网络采用deeplabv3+算法，包括编码器和解码器。

12、优选地，所述卷积神经网络中，在编码阶段引入了空洞卷积，在解码阶段将底层特征与高层特征进行融合。

13、优选地，所述卷积神经网络中，损失函数为crossentropyloss，优化器为adam，epoch为150，初始学习率为0.001，调整学习率的策略为reducelronplateau。

14、优选地，构建湿地植被分类模型的过程包括：

15、对所述预处理影像进行增强处理，得到增强训练集，基于所述增强训练集训练所述卷积神经网络，得到预测结果；

16、将多尺度分割算法的分割结果和所述预测结果进行融合，构建湿地植被分类模型，其中所述湿地植被分类模型为mrs_deeplabv3+模型。

17、优选地，基于所述湿地植被分类模型对所述预处理影像进行分类之前还包括：

18、提取所述预处理影像的光谱指数，将所述光谱指数加入至所述湿地植被分类模型中。

19、优选地，所述湿地植被分类模型采用总体精度、kappa系数来评估湿地植被的分类效果。

20、与现有技术相比，本发明具有如下优点和技术效果：

21、本发明以不同空间分辨率梯度的无人机影像和卫星影像为数据源，构建pbia和obia相融合的方法——mrs_deeplabv3+算法，系统评估了影像空间分辨率对湿地植被物种和地物分类的影响，并对比分析无人机影像和卫星影像在分类中的差异性，不同的尺度参数对mrs_deeplabv3+模型具有很大的影响，选择合适尺度参数的mrs_deeplabv3+模型分类精度优于deeplabv3+，在湿地植被物种和地物分类上具有很好的适用性。

技术特征：

1.一种基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，所述无人机影像和所述卫星影像为不同空间分辨率梯度的遥感影像，其中，不同空间分辨率梯度包括：高空间分辨率、中空间分辨率和低空间分辨率。

3.根据权利要求1所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，对所述遥感影像进行预处理的过程包括：

4.根据权利要求1所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，所述多尺度分割算法包括：尺度参数、形状权重和紧凑度；所述卷积神经网络采用deeplabv3+算法，包括编码器和解码器。

5.根据权利要求4所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，所述卷积神经网络中，在编码阶段引入了空洞卷积，在解码阶段将底层特征与高层特征进行融合。

6.根据权利要求4所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，所述卷积神经网络中，损失函数为crossentropyloss，优化器为adam，epoch为150，初始学习率为0.001，调整学习率的策略为reducelronplateau。

7.根据权利要求1所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，构建湿地植被分类模型的过程包括：

8.根据权利要求1所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，基于所述湿地植被分类模型对所述预处理影像进行分类之前还包括：

9.根据权利要求1所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，所述湿地植被分类模型采用总体精度、kappa系数来评估湿地植被的分类效果。

10.根据权利要求1所述的基于深度学习和影像空间分辨率的湿地植被分类方法，其特征在于，所述湿地植被分类模型对所述预处理影像进行分类过程中，所述无人机影像的尺度参数为30，所述卫星影像的尺度参数为50。

技术总结
本发明公开了一种基于深度学习和影像空间分辨率的湿地植被分类方法，本发明属于植被分类领域，包括：获取湿地植被区域的遥感影像，所述遥感影像包括：无人机影像和卫星影像；对所述遥感影像进行预处理，得到预处理影像；基于多尺度分割算法和卷积神经网络，构建湿地植被分类模型；基于所述湿地植被分类模型对所述预处理影像进行分类，得到湿地植被的分类结果。本发明以不同空间分辨率梯度的无人机影像和卫星影像为数据源，构建PBIA和OBIA相融合的MRS_DeepLabV3+算法，评估了影像空间分辨率对湿地植被物种和地物分类的影响。

技术研发人员：陈建军,陈自桢,韩小文,周国清
受保护的技术使用者：桂林理工大学
技术研发日：
技术公布日：2024/2/29