CN109086685A - 基于卫星遥感图像的林业生物灾害监测方法和系统 - Google Patents
基于卫星遥感图像的林业生物灾害监测方法和系统 Download PDFInfo
- Publication number
- CN109086685A CN109086685A CN201810759277.0A CN201810759277A CN109086685A CN 109086685 A CN109086685 A CN 109086685A CN 201810759277 A CN201810759277 A CN 201810759277A CN 109086685 A CN109086685 A CN 109086685A
- Authority
- CN
- China
- Prior art keywords
- image
- band
- pixel
- value
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于卫星遥感图像的林业生物灾害监测的方法、装置及存储介质,其中方法包括:(1)获取第一图像步骤,获取第一图像,所述第一图像的每个像素点取值为n维向量[f1,f2,f3,...,fn],向量中的每个值对应一个波段band1,band2,band3,…,bandn;(2)确定分类数量步骤,确定要生成的类别数量h;(3)模型训练步骤,将第一图像中的每个像素点输入高斯混合模型GMM进行训练得到第二图像,为第二图像的每个像素分配一个像素值,所述像素值为1至h中的类别;以及(4)输出分类结果步骤,输出第二图像。本发明可以用于分析遥感图像中的像素,以检测地物情况。
Description
技术领域
本发明涉及一种地物监测方法,具体而言,涉及一种基于卫星遥感图像的林业生物灾害监测方法、装置、设备及计算机可读存储介质。
背景技术
本发明对背景技术的描述属于与本发明的相关技术,仅仅是用于说明和便于理解本发明的发明内容,不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。
上世纪以来航空航天以及卫星遥感技术不断发展,通过卫星遥感影像数据,为国土资源监察和管理提供了很大便利。随着卫星遥感领域的发展,通过卫星影像来对林业管理已经有一定历史,但是卫星影像一般覆盖面积大,单纯靠人工查看、标记工作量巨大而且容易遗漏。
发明内容
本发明旨在至少在一定程度上解决相关技术问题中的技术问题之一。
为解决上述现有技术的缺陷,本发明实施例提供一种基于卫星遥感图像的林业生物灾害监测方法、地物分类装置、计算机设备及计算机可读存储介质。
为此,本发明一个实施例的基于卫星遥感图像的林业生物灾害监测方法,包括:(1)获取第一图像步骤,获取第一图像,所述第一图像的每个像素点取值为n维向量[f1,f2,f3,...,fn],向量中的每个值对应一个波段band1,band2,band3,…,bandn;(2)确定分类数量步骤,确定要生成的类别数量h;(3)模型训练步骤,将第一图像中的每个像素点输入高斯混合模型GMM进行训练得到第二图像,为第二图像的每个像素分配一个像素值,所述像素值为1至h中的类别;以及(4)输出分类结果步骤,输出第二图像。
根据优选实施例,其中,还包括:(5)确定再分类类别步骤,对第二图像的h个类别进行分析,确定h个类别中再分类的具体类别;(6)确定再分类数量步骤,确定所述再分类的具体类别所要生成的类别数量k;(7)模型训练步骤,将第二图像中的部分类别的全部像素点输入高斯混合模型GMM进行训练得到第三图像,为第三图像的每个像素分配一个像素值,所述像素值为1至k中的类别;(8)输出分类结果步骤,输出第三图像;以及(9)迭代步骤,重复所述步骤(5)至(8),直至收敛;(10)输出结果图像单元,将以上每次步骤(5)得到的目标具体类别中的全部像素合并,得到输出最终监测结果图像。
根据优选实施例,其中,还包括:特征工程步骤,利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意波段相互组合计算而生成新特征。
根据优选实施例,其中,所述特征工程步骤具体包括:利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意两个波段相互组合计算而生成h(h-1)/2个新特征。
根据优选实施例,其中,所述特征工程步骤具体包括:选取特定的小窗口在原图像上逐步滑动,在滑动窗口的范围内对每个波段计算其均值、标准差以及取值范围、熵、互信息等中的一个或多个,生成新的特征,作为滑窗中心位置的一个新特征。
为此,本发明一个实施例的基于卫星遥感图像的林业生物灾害监测装置,包括:获取第一图像单元,用于获取第一图像,所述第一图像的每个像素点取值为n维向量[f1,f2,f3,...,fn],向量中的每个值对应一个波段band1,band2,band3,…,bandn;确定分类数量单元,用于确定要生成的类别数量h;模型训练单元,用于将第一图像中的每个像素点输入高斯混合模型GMM进行训练得到第二图像,为第二图像的每个像素分配一个像素值,所述像素值为1至h中的类别;以及输出分类结果单元,用于输出第二图像。
根据优选实施例,其中,还包括:(5)确定再分类类别单元,对第二图像的h个类别进行分析,确定h个类别中再分类的具体类别;(6)确定再分类数量单元,确定所述再分类的具体类别所要生成的类别数量k;(7)模型训练单元,将第二图像中的部分类别的全部像素点输入高斯混合模型GMM进行训练得到第三图像,为第三图像的每个像素分配一个像素值,所述像素值为1至k中的类别;(8)输出分类结果单元,输出第三图像;以及(9)迭代单元,重复所述单元(5)至(8),直至收敛;以及(10)输出结果图像单元,将以上每次单元(5)得到的目标具体类别中的全部像素合并,得到输出最终监测结果图像。
根据优选实施例,其中,还包括:特征工程单元,用于利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意波段相互组合计算而生成新特征。
根据优选实施例,其中,所述特征工程单元具体为:利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意两个波段相互组合计算而生成h(h-1)/2个新特征。
根据优选实施例,其中,所述特征工程单元具体为:选取特定的小窗口在原图像上逐步滑动,在滑动窗口的范围内对每个波段计算其均值、标准差以及取值范围、熵、互信息等中的一个或多个,生成新的特征,作为滑窗中心位置的一个新特征。
此外,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述方法的步骤。
此外,本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述方法的步骤。
本发明以机器学习算法中的高斯混合模型(GMM)为基础开发了一套算法,可以用于分析遥感图像中的像素,以检测地物情况。
比如,该方法能能快速找到卫星影像中疑似病虫害的地方,林业人员只需要简单的挑选即可快速标记出图像上出现病虫害的地方,不仅在很大程度上减轻了人的工作量,而且不易遗漏,为林业的精确管理提供技术基础。
优选地,卫星影像的分辨率为1m-30m。在这种分辨率下的卫星影像的单个像素可看作不同均值和方差的高斯分布的采样,依据此观察,本发明采用了所述高斯混合模型来做卫星图像的林业病虫害聚类。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍:
图1示出了本申请的一种基于卫星遥感图像的林业生物灾害监测方法的流程图;
图2示出了本申请的一种基于卫星遥感图像的林业生物灾害监测装置的框图;
图3示出了本申请的另一种基于卫星遥感图像的林业生物灾害监测方法的流程图;
图4示出了本申请的另一种基于卫星遥感图像的林业生物灾害监测装置的框图;
图5示出了本申请的又一种基于卫星遥感图像的林业生物灾害监测方法的流程图;
图6示出了本申请的又一种基于卫星遥感图像的林业生物灾害监测装置的框图;
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图;以及
图8(a)-(b)依次示出了原始卫星图像、采用本申请基于卫星遥感图像的林业生物灾害监测方法或装置所生成的地物监测结果示意图。
本发明的上述和/或附加的方面和优点从以下结合附图对具体实施方式的描述中将变得明显和容易理解。
具体实施方式
为了使本发明的目的、技术方案以及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
下面参考附图描述本发明实施例的基于卫星遥感图像的林业生物灾害监测方法、装置。
实施例一
参照附图1。该实施例中,基于卫星遥感图像的林业生物灾害监测方法包括:
(1)获取第一图像步骤,获取第一图像,所述第一图像的每个像素点取值为n维向量[f1,f2,f3,...,fn],向量中的每个值对应一个波段band1,band2,band3,…,bandn。
首先获取要监测地区的卫星影像。本方法可直接对卫星影像进行操作,而不需要其它特殊预处理。
例如,获取卫星拍摄的卫星影像数据,即第一图像,该卫星影像中每个像素点取值为7维向量[f1,f2,f3,...,f7],则该卫星影像中每个像素点可以表示为pix[f1,f2,f3,...,f7],向量中的每个值对应一个波段band。
(2)确定分类数量步骤,确定要生成的类别数量h。
选定好要生成的类别个数,比如h个类别,然后用全部像素样本作为后续步骤中GMM模型的输入。需要说明的是,h仅仅表示类别的个数,无需定义类别的具体含义。
(3)模型训练步骤,将第一图像中的每个像素点输入高斯混合模型GMM进行训练得到第二图像,为第二图像的每个像素点分配一个像素值,所述像素值为1至h中的类别。
具体的说,每个像素点即为一个样本,每个样本是一个多维向量[f1,f2,f3,...,f7],多维向量中的每个值对应步骤(2)中所描述的一个波段band,将第(2)步骤中生成的类别个数(如h个类别),用第一图像中的全部像素点作为GMM模型输入。
高斯混合模型(GMM)是一种非监督的聚类学习算法,是用高斯概率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。通俗点讲,无论观测数据集如何分布以及呈现何种规律,都可以通过多个单一高斯模型的混合进行拟合。
本发明结合了GMM形成基于卫星遥感图像的林业生物灾害监测方法,可以不需要人工标注训练样本,即可达到良好的分类效果。以下对该算法相关内容进行介绍。
1.多维高斯(正态)分布
正态分布是自然界十分常见的一种分布,多维正态分布由均值向量11μ和协方差矩阵∑决定。正态分布公示如下:
上述公式中,x是维度为d的列向量,u是模型期望,Σ是模型方差。在实际应用中u通常用样本均值来代替,Σ通常用样本方差来代替。很容易判断一个样x本是否属于类别C。因为每个类别都有自己的u和Σ,把x代入公式中,当概率大于一定阈值时我们就认为x属于C类。
2.高斯混合模型
不同的μ,∑可以得到不同的高斯分布,高斯混合模型是要求出随机变量x的分布p(x),如果要将样本(本专利中对应每个像素点)最终聚类为n个类,那么每一类对应的一个高斯分布p(x|c=i)其中c=i表示第i类。利用全概率公式可得到:
高斯混合模型就是利用样本集X={xi|i∈[1,m]}通过期望最大化算法求解出p(c=i)和N(x;μi,∑i)。这样就得到了随机变量x的分布。这样对于任意一个xp。可以求出属于任意一类的概率:
p(c=i|xp)∝p(xp|c=i)p(c=i)
也即求出了xp属于每一类的概率,可将xp分类为其对应的最大概率所对应的类即可。
如此,该步骤中套用GMM模型,就可以将全部像素点按照预先确定的类别数目,按照聚类结果分为h个类别。
(4)输出分类结果步骤,输出第二图像。
最终GMM模型输出结果为一幅和输入图像等大小的图片,其中的像素值1-h对应算法对原始图像中的每个像素点的分类。
本发明所设计的模型,目标是为加速卫星影像在监控方面的应用,例如林业病虫害上应用,同时解决人工大量繁重的标记工作,使得林业病虫害的防治周期变得快捷,同时管理范围更广。
参见图2,该实施例的另一个示例是一种基于卫星遥感图像的林业生物灾害监测装置,具体包括:
获取第一图像单元,用于获取第一图像,所述第一图像的每个像素点取值为n维向量[f1,f2,f3,...,fn],向量中的每个值对应一个波段band1,band2,band3,…,bandn;确定分类数量单元,用于确定要生成的类别数量h;模型训练单元,用于将第一图像中的每个像素点输入高斯混合模型GMM进行训练得到第二图像,为第二图像的每个像素分配一个像素值,所述像素值为1至h中的类别;以及输出分类结果单元,用于输出第二图像。
首先需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述其细节。
该实施例一即可用于分析遥感图像中的像素,以检测地物情况。比如,该方法能快速找到卫星影像中疑似病虫害的地方,林业人员只需要在GMM训练后输出的第二图像中简单的挑选即可快速标记出图像上出现病虫害的地方,不仅在很大程度上减轻了人的工作量,而且不易遗漏,为林业的精确管理提供技术基础。
实施例二
本实施例考虑到如果一次GMM分类结果不够理想的情况下,这时,可以采用该实施例中的方案以进一步优化监测结果。
上述情况,例如选定30个类别,GMM给出第二图像后,分析输出结果图像,挑选了第1-4,第1-6两个类别符合要求。继续分析第二图像时发现第1-5,第1-7,第1-10这三类中也存在部分符合实际需要的结果,但是第1-5,第1-7,第1-10这三类不仅包含想要的结果,更多地包含了一些其他无关的像素。
如图3所示,该方法还包括:
(5)确定再分类类别步骤,对第二图像的h个类别进行分析,确定h个类别中目标具体类别和再分类的具体类别。
例如,继续确定要分类的类别个数,比如选定10个类,即h=10。
(6)确定再分类数量步骤,确定所述再分类的具体类别所要生成的类别数量k。
分析第三图像所得到的全部类别中,是否清晰地分割了目标像素点和非目标像素点。比如,确定仅仅第1-5,第1-7,第1-10类,即k=3。这三个类中,包含了目标像素点,也包含了很多不相关的像素点。而第1-4,第1-6,第1-5,第1-7,第1-10类之外的其余25类数据由于都是无关数据,就被抛弃掉了,以后的步骤也不再需要。
(7)模型训练步骤,将第二图像中的部分类别的全部像素点输入高斯混合模型GMM进行训练得到第三图像,为第三图像的每个像素分配一个像素值,所述像素值为1至k中的类别。
然后仅仅将属于第1-5,第1-7,第1-10这三个类对应的像素输入GMM模型重新训练。
(8)输出分类结果步骤,输出第三图像。
然后将得到的结果,即第三图像输出。该例子中,得到第1-5,第1-7,第1-10这三个类对应的像素经过GMM训练后的10个类别像素,例如第3-1,第3-2,第3-3,…,第3-10类。
(9)迭代步骤,重复所述步骤(5)至(8),直至收敛。
继续分析第三图像所得到的全部类别中,是否清晰地分割了目标像素点和非目标像素点。若是仍然存在部分类别分割不清楚,则重复步骤(5)至(8),迭代类推,直至收敛。
例如第3-1,第3-2,第3-3,…,第3-10类中,第3-2,第3-3类是目标像素点,而第3-5,第3-6类是分割不清晰的类,也就是说,包含了目标像素点,也包含了很多不相关的像素点。那么,对第3-5,第3-6类继续迭代训练,而其余完全不相关的类别则被抛弃。迭代类推,直至收敛。
(10)目标像素合并步骤,将以上每次步骤(5)得到的目标具体类别中的全部像素合并,得到目标像素的集合。。
在上述示例中,例如将第1-4,第1-6,第3-2,第3-3,……全部合并,得到输出最终监测结果图像。
本示例旨在通过机器学习方法利用计算资源半自动的识别出卫星影像中可能出现问题的地方,同时经过分类结果分析,快速的识别出卫星影像中有问题的部分,对于分不清楚的地方,可以迭代执行本算法达到准确的分类。同时极大减轻、简化专业人员的工作。
参见图4,该实施例的另一个示例是一种基于卫星遥感图像的林业生物灾害监测装置,具体是,该装置在实施例1所述基于卫星遥感图像的林业生物灾害监测装置示例的基础上还包括:确定再分类类别单元,对第二图像的h个类别进行分析,确定h个类别中再分类的具体类别;确定再分类数量单元,确定所述再分类的具体类别所要生成的类别数量k;模型训练单元,将第二图像中的部分类别的全部像素点输入高斯混合模型GMM进行训练得到第三图像,为第三图像的每个像素分配一个像素值,所述像素值为1至k中的类别;输出分类结果单元,输出第三图像;迭代单元,重复所述单元(5)至(8),直至收敛;以及(10)目标像素合并单元,将以上每次单元(5)得到的目标具体类别中的全部像素合并,得到目标像素的集合。
首先需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述其细节。
实施例3
为了进一步提高分类精度,本发明可以增加特征工程的相关步骤或单元。
如图5所示,该方法还包括:特征工程步骤,利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意波段相互组合计算而生成新特征。
优选地,所述特征工程步骤可以是利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意两个波段相互组合计算而生成h(h-1)/2个新特征。
例如,选取任意两个波段相互组合计算生成新特征的步骤,用每个像素点的波段值相互组合生成新特征,例如从所述选择的波段band中选取任意波段两两相互组合计算而生成新特征,从而生成h(h-1)/2个新特征。比如,任意选取第一图像中的两个波段p1,p2做除法生成新的特征,即p1/p2(p2/p1也可,但是两者只取一个),如果第二图像有n个波段那么可以生成n(n-1)/2个新特征。通过特征工程,相互组合生成更多新特征方式,精简了特征数目,加快运算速度。
优选地,所述特征工程步骤可以是选取特定的小窗口在原图像上逐步滑动,在滑动窗口的范围内对每个波段计算其均值、标准差以及取值范围、熵、互信息等中的一个或多个,生成新的特征,作为滑窗中心位置的一个新特征。
例如,选取特定的小窗口在原图像上逐步滑动,在滑动窗口的范围内对每个波段计算其均值、标准差以及取值范围、熵、互信息等中的一个或多个,生成新的特征,作为滑窗中心位置的一个样本。比如,选取特定的窗口大小(比如5x5)在原图像上滑动,在滑动窗口的范围内对每个波段计算其均值、标准差以及取值范围(最大值减去最小值)、熵、互信息等(不一定全部生成,可选其中一些,比如选取生成前三个),生成新的特征。比如第二图像图像有n个波段,每个波段计算一个均值、一个标准差、一个取值范围共三个新特征,那么n个波段一共产生3n个新的特征。此时加上滑窗中心点在原图对应的所有k个波段一共有k+n(n-1)/2+3n个特征作为滑窗中心位置的一个样本。进一步地,滑窗生成新特征步骤中,用滑窗提取空间特征可以采用sklearn包中的卷积算法进行加速运算。
该优选示例,通过小窗取小范围周边像素特征点来生成中心点的更多新特征方式,不仅过滤了噪音而且采集相邻像素点的特征,将排位靠前的波段特征同步多角度刻画,以便更清晰地描述像素点,所生成的画面也更加真实。
图6示出了实施例3中一种基于卫星遥感图像的林业生物灾害监测装置的框图。
如图6所示,该装置在实施例1的基础上还可以包括:特征工程单元,利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意波段相互组合计算而生成新特征。
该单元的具体实现方式参见上文所述任意两个波段相互组合计算生成的方式或者滑窗生成的方式。
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(CompactDisc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(DigitalVideo Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
参照附图8,图8(a)示出了原始卫星图像,图8(b)示出了采用本申请遥感卫星图像监控方法所生成的监控分析结果示意图。
为了实现上述实施例,本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如前述方法实施例所述的状态预测方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,当程序被处理器执行时,实现如前述方法实施例所述的状态预测方法。
为了实现上述实施例,本发明还提出一种计算机程序产品,当计算机程序产品中的指令由处理器执行时,实现如前述方法实施例所述的状态预测方法。
以上提供了本发明的多个实施例,本领域技术人员可以理解,不同实施例之间可以替换或者合并组合,因此本发明也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本发明也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。本说明书中的“模块”和“单元”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是FPGA(Field-Programmable GateArray,现场可编程门阵列)、IC(Integrated Circuit,集成电路)等。
以上介绍仅为本发明的优选实施例而已,并非对本发明作任何实质和形式上的限制。虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,对于本领域的技术人员来说,在不脱离本发明技术方案范围内,可以利用上述揭示的技术内容作出各种更改和变化的等效实施例。但凡未脱离本发明的精神和原则,依据本发明的技术实质对以上实施例所作的任何简单修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.基于卫星遥感图像的林业生物灾害监测的方法,包括:
(1)获取第一图像步骤,获取第一图像,所述第一图像的每个像素点取值为n维向量[f1,f2,f3,...,fn],向量中的每个值对应一个波段band1,band2,band3,…,bandn;
(2)确定分类数量步骤,确定要生成的类别数量h;
(3)第一模型训练步骤,将第一图像中的每个像素点输入高斯混合模型GMM进行训练得到第二图像,为第二图像的每个像素分配一个像素值,所述像素值为1至h中的类别;以及
(4)第一输出分类结果步骤,输出第二图像。
2.根据权利要求1所述的基于卫星遥感图像的林业生物灾害监测方法,其特征在于,还包括:
(5)确定再分类类别步骤,对第二图像的h个类别进行分析,确定h个类别中再分类的具体类别;
(6)确定再分类数量步骤,确定所述再分类的具体类别所要生成的类别数量k;
(7)第二模型训练步骤,将第二图像中的部分类别的全部像素点输入高斯混合模型GMM进行训练得到第三图像,为第三图像的每个像素分配一个像素值,所述像素值为1至k中的类别;
(8)第二输出分类结果步骤,输出第三图像;
(9)迭代步骤,重复所述步骤(5)至(8),直至收敛;以及
(10)目标像素合并步骤,将以上每次步骤(5)得到的目标具体类别中的全部像素合并,得到目标像素的集合。
3.根据权利要求1或2所述的基于卫星遥感图像的林业生物灾害监测方法,其特征在于,还包括:
特征工程步骤,利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意波段相互组合计算而生成新特征。
4.根据权利要求3所述的基于卫星遥感图像的林业生物灾害监测方法,其特征在于,所述特征工程步骤具体包括:
利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意两个波段相互组合计算而生成h(h-1)/2个新特征。
5.根据权利要求3所述的基于卫星遥感图像的林业生物灾害监测方法,其特征在于,所述特征工程步骤具体包括:
选取特定的小窗口在原图像上逐步滑动,在滑动窗口的范围内对每个波段计算其均值、标准差以及取值范围、熵、互信息等中的一个或多个,生成新的特征,作为滑窗中心位置的一个新特征。
6.一种基于卫星遥感图像的林业生物灾害监测装置,包括:
获取第一图像单元,用于获取第一图像,所述第一图像的每个像素点取值为n维向量[f1,f2,f3,...,fn],向量中的每个值对应一个波段band1,band2,band3,…,bandn;
确定分类数量单元,用于确定要生成的类别数量h;
第一模型训练单元,用于将第一图像中的每个像素点输入高斯混合模型GMM进行训练得到第二图像,为第二图像的每个像素分配一个像素值,所述像素值为1至h中的类别;以及
第一输出分类结果单元,用于输出第二图像。
7.根据权利要求6所述的基于卫星遥感图像的林业生物灾害监测装置,其特征在于,还包括:
(5)确定再分类类别单元,对第二图像的h个类别进行分析,确定h个类别中再分类的具体类别;
(6)确定再分类数量单元,确定所述再分类的具体类别所要生成的类别数量k;
(7)第二模型训练单元,将第二图像中的部分类别的全部像素点输入高斯混合模型GMM进行训练得到第三图像,为第三图像的每个像素分配一个像素值,所述像素值为1至k中的类别;
(8)第二输出分类结果单元,输出第三图像;
(9)迭代单元,重复执行单元(5)至(8),直至收敛;以及
(10)目标像素合并单元,将以上每次步骤(5)得到的目标具体类别中的全部像素合并,得到目标像素的集合。
8.根据权利要求6或7所述的基于卫星遥感图像的林业生物灾害监测装置,其特征在于,还包括:
特征工程单元,用于利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意波段相互组合计算而生成新特征。
9.根据权利要求8所述的基于卫星遥感图像的林业生物灾害监测装置,其特征在于,所述特征工程单元具体为:
利用所述第一图像中每个像素点的波段值band1,band2,band3,…,bandn中选取任意两个波段相互组合计算而生成h(h-1)/2个新特征。
10.根据权利要求8所述的基于卫星遥感图像的林业生物灾害监测装置,其特征在于,所述特征工程单元具体为:
选取特定的小窗口在原图像上逐步滑动,在滑动窗口的范围内对每个波段计算其均值、标准差以及取值范围、熵、互信息等中的一个或多个,生成新的特征,作为滑窗中心位置的一个新特征。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述权利要求1-5中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如所述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810759277.0A CN109086685A (zh) | 2018-07-11 | 2018-07-11 | 基于卫星遥感图像的林业生物灾害监测方法和系统 |
CN201811480799.3A CN109635702A (zh) | 2018-07-11 | 2018-12-05 | 基于卫星遥感图像的林业生物灾害监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810759277.0A CN109086685A (zh) | 2018-07-11 | 2018-07-11 | 基于卫星遥感图像的林业生物灾害监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086685A true CN109086685A (zh) | 2018-12-25 |
Family
ID=64837471
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810759277.0A Pending CN109086685A (zh) | 2018-07-11 | 2018-07-11 | 基于卫星遥感图像的林业生物灾害监测方法和系统 |
CN201811480799.3A Pending CN109635702A (zh) | 2018-07-11 | 2018-12-05 | 基于卫星遥感图像的林业生物灾害监测方法和系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480799.3A Pending CN109635702A (zh) | 2018-07-11 | 2018-12-05 | 基于卫星遥感图像的林业生物灾害监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109086685A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766815A (zh) * | 2019-01-03 | 2019-05-17 | 银河航天(北京)科技有限公司 | 一种对目标事件进行预警的系统与方法 |
CN112382043A (zh) * | 2020-10-23 | 2021-02-19 | 杭州翔毅科技有限公司 | 基于卫星监测的灾害预警方法、设备、存储介质及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8107726B2 (en) * | 2008-06-18 | 2012-01-31 | Samsung Electronics Co., Ltd. | System and method for class-specific object segmentation of image data |
CN102937574A (zh) * | 2012-07-20 | 2013-02-20 | 北京农业信息技术研究中心 | 一种基于卫星影像的病虫害信息提取方法 |
CN103745232B (zh) * | 2014-01-23 | 2017-01-18 | 西安电子科技大学 | 基于波段迁移的高光谱图像聚类方法 |
CN104089647B (zh) * | 2014-07-01 | 2016-07-06 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
CN104102920A (zh) * | 2014-07-15 | 2014-10-15 | 中国科学院合肥物质科学研究院 | 一种基于形态学多特征融合的害虫图像分类方法及系统 |
CN105021529B (zh) * | 2015-06-11 | 2017-10-17 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN105930867A (zh) * | 2016-04-19 | 2016-09-07 | 中国科学院遥感与数字地球研究所 | 一种基于时间序列夜光遥感影像的数据挖掘方法 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
CN107944483B (zh) * | 2017-11-17 | 2020-02-07 | 西安电子科技大学 | 基于双通道dcgan和特征融合的多光谱图像分类方法 |
-
2018
- 2018-07-11 CN CN201810759277.0A patent/CN109086685A/zh active Pending
- 2018-12-05 CN CN201811480799.3A patent/CN109635702A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766815A (zh) * | 2019-01-03 | 2019-05-17 | 银河航天(北京)科技有限公司 | 一种对目标事件进行预警的系统与方法 |
CN112382043A (zh) * | 2020-10-23 | 2021-02-19 | 杭州翔毅科技有限公司 | 基于卫星监测的灾害预警方法、设备、存储介质及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109635702A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guibas et al. | Synthetic medical images from dual generative adversarial networks | |
Dimitropoulos et al. | Grading of invasive breast carcinoma through Grassmannian VLAD encoding | |
RU2466458C2 (ru) | Способы и системы идентификации паттернов днк при помощи спектрального анализа | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
Vaickus et al. | Automating the Paris System for urine cytopathology—A hybrid deep‐learning and morphometric approach | |
Jiang et al. | Cascaded subpatch networks for effective CNNs | |
WO2007117423A2 (en) | Method and apparatus for representing multidimensional data | |
DE102008060789A1 (de) | System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz | |
CN108629772A (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
Kim et al. | Label-preserving data augmentation for mobile sensor data | |
Pham | The Kolmogorov–Sinai entropy in the setting of fuzzy sets for image texture analysis and classification | |
Mehta et al. | Markov features based DTCWS algorithm for online image forgery detection using ensemble classifier in the pandemic | |
Cetina et al. | Multi-class segmentation of neuronal structures in electron microscopy images | |
CN112651418B (zh) | 数据分类方法、分类器训练方法及系统 | |
Huynh et al. | Joint age estimation and gender classification of Asian faces using wide ResNet | |
CN108875649A (zh) | 一种地物分类方法、系统、设备和存储介质 | |
CN109635702A (zh) | 基于卫星遥感图像的林业生物灾害监测方法和系统 | |
Cooper et al. | Believe the HiPe: Hierarchical perturbation for fast, robust, and model-agnostic saliency mapping | |
Otálora et al. | Image magnification regression using densenet for exploiting histopathology open access content | |
Wang et al. | Small vehicle classification in the wild using generative adversarial network | |
Zhu et al. | Clustering driving styles via image processing | |
Han et al. | Data augmentation in material images using the improved HP-VAE-GAN | |
Bach et al. | Analyzing classifiers: Fisher vectors and deep neural networks | |
Lee et al. | A hardware accelerated system for high throughput cellular image analysis | |
Ngo et al. | Skin lesion image classification using sparse representation in quaternion wavelet domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181225 |