CN109829425B - 一种农田景观小尺度地物分类方法及系统 - Google Patents

Abstract

本发明公开一种农田景观小尺度地物分类方法及系统。该分类方法，包括：获取待分类区域的无人机影像；利用植被指数对无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像；利用具有图像分割功能的软件将初步待分类影像按分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像；提取每个微影像的特征向量，将特征向量的值输入训练好的随机森林模型中进行分类，确定待分类区域内待分类的各个微影像的类别。本发明的分类方法及系统，能够针对高分辨率影像实现小尺度地物的识别和分类。

Description

一种农田景观小尺度地物分类方法及系统

技术领域

本发明涉及遥感技术领域，特别是涉及一种农田景观小尺度地物分类方法及系统。

背景技术

研究高精度农田景观需要制作高清度小尺度图件来识别出面积微小的非耕作景观类型。以往的制图尺度由于数据源和制图规程的要求导致解译精度不是很高，解译对象大多是针对耕地或湿地等大型地物，对内部面积较小或单个存在的非耕作生境的识别精度较低，面积小于400m²和宽度小度2m等小尺度非耕作生境景观是缺失的，难以达到对农田生物多样性和农田景观结构分析的要求。近几年随着无人机技术的发展，从数据源方面提供了一种较为高清的遥感影像，为小尺度地物的识别提供可能。但对于现有的高分辨率影像又受解译方法的限制，还尚未跟进一种能识别农田景观中小尺度地物的方法。

发明内容

本发明的目的是提供一种农田景观小尺度地物分类方法及系统，针对高分辨率影像实现小尺度地物的识别和分类。

为实现上述目的，本发明提供了如下方案：

一种农田景观小尺度地物分类方法，包括：

获取待分类区域的无人机影像；

利用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像；

利用具有图像分割功能的软件将所述初步待分类影像按分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像；

提取每个所述微影像的特征向量，将特征向量的值输入训练好的随机森林模型中进行分类，确定所述待分类区域内待分类的各个微影像的类别；

所述随机森林模型的训练过程为：

从所述微影像中选取一部分作为训练样本影像；

通过现场勘探和基于阈值判断的目视解译法提取所述训练样本影像的样本数据，所述样本数据包括多个地物类型以及每个地物类型的特征向量的值；

将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量；

将各地物类型和对应各地物类型的主导特征向量的值输入随机森林模型对所述随机森林模型进行训练，得到训练好的随机森林模型。

可选的，在所述获取待分类区域的无人机影像之后，在所述用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类以及非耕植被类型无关的地物，得到初步待分类影像之前，还包括：

对所述无人机影像进行坐标配准，并计算所述无人机影像的植被指数。

可选的，所述将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量，具体包括：

构建多层次类别结构；所述多层次类别结构包括类别结构第一层和类别结构第二层；所述类别结构第一层中的第一层地物类型包括耕地类型、非耕植被类型和阴影类型；所述类别结构第二层中的第二层地物类型包括灌木、边缘草地、树篱、林地、疏林地、树木、阴影、水田、旱地和水浇地；所述灌木、所述边缘草地、所述树篱、所述林地、所述疏林地和所述树木属于所述非耕植被类型；所述水田、所述旱地和所述水浇地属于所述耕地类型；所述类别结构第一层由第一随机森林模型进行训练，所述类别结构第二层由第二随机森林模型进行训练与预测分类；

将所述样本数据输入所述第一随机森林模型，以每个地物类型特征向量以及所述特征向量对应的第一层地物类型作为输入，对所述第一随机森林模型进行训练，将地物按照所述随机森林的平均精度递减来对特征向量进行排序，从而选取主导特征向量。

可选的，所述获取通过现场勘探和基于阈值判断的目视解译法提取的样本数据，具体包括：

通过现场勘探确定部分训练样本影像的地物类型并提取地物类型在影像中的主导特征向量值；

提取剩余训练样本影像的特征向量的值；

根据特征向量的值利用目视解译法初步确定所述剩余训练样本影像的地物类型；

判断所述剩余训练样本影像的特征向量的值是否处于在所述对应的地物类型下的标准特征向量值范围内，得到判断结果；

若所述判断结果为是，则将该剩余训练样本影像的地物类型和对应的特征向量的值作为训练样本；

若所述判断结果为否，则重新确定所述剩余训练样本影像的地物类型。

本发明还公开一种农田景观小尺度地物分类系统，包括：

获取模块，用于获取待分类区域的无人机影像；

掩膜提取模块，用于利用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像；

分割尺度划分模块，用于利用具有图像分割功能的软件将所述初步待分类影像按分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像；

随机森林模型分类模块，用于提取每个所述微影像的特征向量，将特征向量的值输入训练好的随机森林模型中进行分类，确定所述待分类区域内待分类的各个微影像的类别；

模型训练模块，用于对所述随机森林模型进行训练；

所述模型训练模块包括：

样本选取单元，用于从所述微影像中选取一部分作为训练样本影像；

样本数据提取单元，用于获取通过现场勘探和基于阈值判断的目视解译法提取的所述训练样本影像的样本数据，所述样本数据包括多个地物类型以及每个地物类型的特征向量的值；

排名单元，用于将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量；

训练单元，用于将各地物类型和对应各地物类型的主导特征向量的值输入随机森林模型对所述随机森林模型进行训练，得到训练好的随机森林模型。

可选的，所述地物分类系统还包括：

配准模块，用于对所述无人机影像进行坐标配准，并计算所述无人机影像的植被指数。

可选的，所述排名单元包括：

多层次类别结构构建子单元，用于构建多层次类别结构；所述多层次类别结构包括类别结构第一层和类别结构第二层；所述类别结构第一层中的第一层地物类型包括耕地类型、非耕植被类型和阴影类型；所述类别结构第二层中的第二层地物类型包括灌木、边缘草地、树篱、林地、疏林地、树木、阴影、水田、旱地和水浇地；所述灌木、所述边缘草地、所述树篱、所述林地、所述疏林地和所述树木属于所述非耕植被类型；所述水田、所述旱地和所述水浇地属于所述耕地类型；所述类别结构第一层由第一随机森林模型进行训练，所述类别结构第二层由第二随机森林模型进行训练与预测分类；

排序子单元，用于将所述样本数据输入所述第一随机森林模型，以每个地物类型特征向量以及所述特征向量对应的第一层地物类型作为输入，对所述第一随机森林模型进行训练，将地物按照所述随机森林的平均精度递减来对特征向量进行排序，从而选取主导特征向量。

可选的，所述样本数据提取单元包括：

勘探数据提取子单元，用于获取通过现场勘探确定的部分训练样本影像的地物类型并提取地物类型在影像中的主导特征向量值；

剩余样本数据提取子单元，用于提取剩余训练样本影像的特征向量的值；

目视解译数据获取子单元，用于获取根据特征向量的值利用目视解译法初步确定的所述剩余训练样本影像的地物类型；

判断子单元，用于判断所述剩余训练样本影像的特征向量的值是否处于在所述对应的地物类型下的标准特征向量值范围内，得到判断结果；

样本确定子单元，用于若所述判断结果为是，则将该剩余训练样本影像的地物类型和对应的特征向量的值作为训练样本；

返回子单元，用于若所述判断结果为否，则重新确定所述剩余训练样本影像的地物类型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所公开的农田景观小尺度地物分类方法及系统，先对经掩膜处理后的无人机影像进行分割，然后利用基于随机森林的分类方法对分割后的无人机影像进行分类。本发明的方法及系统在对图像进行分割的基础上进行分类，实现了面向对象的分类，在进行小尺度地物识别时能够准确的确定每个分割行程的对象的类别，从而针对高分辨率影像实现小尺度地物的识别和分类。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例1农田景观小尺度地物分类方法的方法流程图；

图2为本发明实施例2的农田景观小尺度地物分类方法的整体流程图；

图3为本发明实施例2的农田景观小尺度地物分类方法的具体流程图；

图4为本发明实施例2的农田景观小尺度地物分类方法的多层次类别结构的结构图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

本发明的目的是提供一种农田景观小尺度地物分类方法及系统，针对高分辨率影像实现小尺度地物的识别和分类。本发明的整体构思如下：

采用无人机低空遥感技术获取高分辨率影像，第一步先进行图像的预处理，通常包括几何校正，影像配准，提取NDVI和EVI2等植被特征指数。第二步通过多尺度分割构建多层次类别结构的面向对象，包括确定类别结构的划分，最优分割尺度参数的选择，构建光谱，纹理，形状等特征向量。第三步通过阈值设定来选择训练样本，对比分析特征值来评价和修改样本，确定随机森林的参数值，采用对所选的特征向量进行筛选，将重要性排名靠前的变量进行随机森林的训练和预测，最后得到研究区农田景观分类图并精度验证，通过KNN分类器制定规则或隶属度函数等方法对每一类错分的类别进行校正。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

图1为本发明实施例1农田景观小尺度地物分类方法的方法流程图。

参见图1，该农田景观小尺度地物分类方法，包括：

步骤101：获取待分类区域的无人机影像；

步骤102：利用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像；

步骤103：利用具有图像分割功能的软件将所述初步待分类影像按分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像；

步骤104：提取每个所述微影像的特征向量，将特征向量的值输入训练好的随机森林模型中进行分类，确定所述待分类区域内待分类的各个微影像的类别；

所述随机森林模型的训练过程为：

从所述微影像中选取一部分作为训练样本影像；

通过现场勘探和基于阈值判断的目视解译法提取所述训练样本影像的样本数据，所述样本数据包括多个地物类型以及每个地物类型的特征向量的值；

将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量；

将各地物类型和对应各地物类型的主导特征向量的值输入随机森林模型对所述随机森林模型进行训练，得到训练好的随机森林模型。

作为一种可选的实施方式，在所述获取待分类区域的无人机影像之后，在所述用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类以及非耕植被类型无关的地物，得到初步待分类影像之前，还包括：

对所述无人机影像进行坐标配准，并计算所述无人机影像的植被指数。

作为一种可选的实施方式，所述将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量，具体包括：

构建多层次类别结构；所述多层次类别结构包括类别结构第一层和类别结构第二层；所述类别结构第一层中的第一层地物类型包括耕地类型、非耕植被类型和阴影类型；所述类别结构第二层中的第二层地物类型包括灌木、边缘草地、树篱、林地、疏林地、树木、阴影、水田、旱地和水浇地；所述灌木、所述边缘草地、所述树篱、所述林地、所述疏林地和所述树木属于所述非耕植被类型；所述水田、所述旱地和所述水浇地属于所述耕地类型；所述类别结构第一层由第一随机森林模型进行训练，所述类别结构第二层由第二随机森林模型进行训练与预测分类；

将所述样本数据输入所述第一随机森林模型，以每个地物类型特征向量以及所述特征向量对应的第一层地物类型作为输入，对所述第一随机森林模型进行训练，将地物按照所述随机森林的平均精度递减来对特征向量进行排序，从而选取主导特征向量。

作为一种可选的实施方式，所述获取通过现场勘探和基于阈值判断的目视解译法提取的样本数据，具体包括：

通过现场勘探确定部分训练样本影像的地物类型并提取地物类型在影像中的主导特征向量值；

提取剩余训练样本影像的特征向量的值；

根据特征向量的值利用目视解译法初步确定所述剩余训练样本影像的地物类型；

判断所述剩余训练样本影像的特征向量的值是否处于在所述对应的地物类型下的标准特征向量值范围内，得到判断结果；

若所述判断结果为是，则将该剩余训练样本影像的地物类型和对应的特征向量的值作为训练样本；

若所述判断结果为否，则重新确定所述剩余训练样本影像的地物类型。

实施例2：

图2为本发明实施例2的农田景观小尺度地物分类方法的整体流程图。

图3为本发明实施例2的农田景观小尺度地物分类方法的具体流程图。

参见图2和图3，该方法分为基于GIS技术的预处理、多尺度分割以及分类三大流程。

基于GIS技术的预处理：

首先获取待分类区域的无人机影像。然后进行配准，再利用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像。

对所述无人机影像进行坐标配准，并计算所述无人机影像的植被指数和EVI2指数。具体过程为：

通过GIS技术对无人机影像进行坐标配准，首先在谷歌地图(Google Earth)上找到区域范围内的地形图，并确定地理坐标的定位，采用适宜的坐标系和投影，本发明采用的是WGS—84世界大地坐标，控制点坐标采用80坐标系，高斯—克吕格投影。为了便于分类，在eCognition中Object feature(面向对象特征)进程中创建植被指数(NDVI)和增强植被指数(EVI2)。

NDVI＝(Mean NIR-Mean R)/(Mean NIR+Mean R)

Mean NIR代表近红外波段，Mean R代表红波段。

EVI2＝2.5*(Mean NIR-Mean R)/Mean NIR+2.4*Mean R+1。

掩膜提取：掩膜主要包括建筑物、道路、裸地等耕作-非耕作系统外的地物，即与耕地类型以及非耕植被类型无关的地物。在eCognition中的Class Hierarchy对掩膜进行类描述，对掩膜进行提取，利用NDVI作为简单分类器的分类规则来提取植被信息，确定在整个待分类区域内掩膜的NDVI模糊范围是0.48—0.55，采用S函数来作为类别的模糊函数，结合classification算法来进行模糊分类。将这些地物在分割的主处理程序中都制作成掩膜以突出农田景观的分布。

多尺度分割：

利用具有图像分割功能的软件将所述初步分类影像按设定的分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像。该过程利用的方法为多尺度分割算法。

在利用多尺度分割算法进行分割前需要定义分割参数。为了保证分割对象边界光滑和形状紧致，需要设置光谱因子和形状因子的参数，它们之间的关系如下，其中f代表总异质性：

f＝ω_color*h_color+(1—ω_color)*h_shape；

其中ω_color是光谱因子在总异质性f中所占的比重，即是用户自定义的光谱因子权重值，取值范围为[0，1]。形状因子h_shape又包括紧致度因子h_compct和光滑度因子h_smooth，它们之间的关系如下：

h_shape＝ω_compct*h_compct+(1—ω_compct)*h_smooth

ω_compct代表的是紧致度因子在形状因子中所占的比重，即是用户自定义的紧致度因子权重值，取值范围为[0，1]。

在本实施方式中的多尺度分割算法，设置的参数包括波段权重，分割尺度参数，形状因子权重值，紧致度因子权重值。波段权重表示各个参与波段的权重值，本实施方式中将红，绿，蓝，近红波段权重均设为1。分割尺度参数定义了用加权影像层来分割对象的均质性准则的最大化水平，尺度参数越大，影像分割对象的结果就越大。采用ESP2插件进行最优分割尺度参数的确定，此方法的特点是可以消除参考对象的主观性，并且输出以尺度因子为自变量的一张局部方差(LV)和局部方差变化率(ROC-LV)曲线的图表，当ROC-LV曲线达到局部峰值时，所对应的分割尺度即为最佳分割尺度。ESP2在面对不同的地物时会在不同的分割尺度上出现不同的峰值，因此会有不止一个最优分割尺度。在ESP2图表中的峰值进行逐个测试，通过目视解译并结合当地地物分布形态，找出分割后的效果能与各类地物的轮廓最吻合的分割尺度即为最优分割尺度。

分类：

提取每个所述微影像的特征向量值，将所述特征向量输入训练好的随机森林模型中进行分类，确定所述待分类区域内待分类的各个微影像的类别。

作为一种可选的实施方式，所述随机森林模型的训练过程为：

A：从所述微影像中选取一部分作为训练样本影像

B：通过现场勘探和基于阈值判断的目视解译法提取所述训练样本影像的样本数据，所述样本数据包括多个地物类型以及每个地物类型的特征向量的值。

该过程具体为：

通过现场勘探确定部分训练样本影像的地物类型并提取地物类型在影像中的主导特征向量值；

提取剩余训练样本影像的特征向量的值；

根据特征向量的值利用目视解译法初步确定所述剩余训练样本影像的地物类型；

判断所述剩余训练样本影像的特征向量的值是否处于在所述对应的地物类型下的标准特征向量值范围内，得到判断结果；

若所述判断结果为是，则将该剩余训练样本影像的地物类型和对应的特征向量的值作为训练样本；

若所述判断结果为否，则重新确定所述剩余训练样本影像的地物类型。

该过程其实为训练样本的选择过程。根据无人机影像特征，首先在现场实地中定位多个样点，再在地形图中找取相应的位置。结合解译经验，通过目视解译和现场勘测数据来提取各类地物少量准确的样本，将样本进行随机森林的重要性排名即可得出各类样本地物的主导变量，将这些特征向量作为描述各地类的一种标准。

本实施例在eCognition中分别对这些主导变量进行提取和逐步阈值的设定，最终定义EVI2值设定为1.4-1.5来凸显林地中的疏林地大致分布部的状况，特征GLCM_Entropy值设定为5-6且GLCM_StdDev值设定为4-10来突出灌木的分布，若待分类区域的树木常长在草地和耕地中，则颜色差异较明显，此时将特征值Brightness值在90-103之间来突出树木分布，特征值Standard deviation G的值设置在9-19且GLCM_StdDev值设置在8-13来突出有林地的分布。在此基础上选取每个类别用于随机森林训练的样本点和特征，通过eCognition中Sample editor显示的每种样本与其类别相同的其他样本的特征值是否靠近黑色范围内，将不在黑色范围内的样本在Sample Selection Information和Compareclass中进行比对，重新赋予类别。从而分别对所选取的每种类别的样本进行择优选取。

C：将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量。

该过程具体为：

构建多层次类别结构。

图4为本发明实施例2农田景观小尺度地物分类方法的多层次类别结构的结构图。

参见图4，所述多层次类别结构包括类别结构第一层和类别结构第二层；所述类别结构第一层中的第一层地物类型Level 1包括耕地类型、非耕植被类型和阴影类型；多层次对象结构是根据类别层次结构产生的，根据采用的自上而下的方式，在大尺度上划分出较大的对象(类别结构第一层)，能够方便对小尺度上的非耕作地区中的小地物进行解译(类别结构第二层)。基于研究区的影像特征会将耕地和非耕地产生的阴影展现出来，因此单独属于一类。由于本次研究的主要研究对象是农田景观，因此研究的主要类别分为在大尺度上的耕地、非耕地和阴影。所述类别结构第二层中的第二次地物类型Level 2包括灌木、边缘草地、树篱、林地、疏林地、树木、阴影、水田、旱地和水浇地；所述灌木、所述边缘草地、所述树篱、所述林地、所述疏林地和所述树木属于所述非耕植被类型；所述水田、所述旱地和所述水浇地属于所述耕地类型；类别结构第二层为内部小尺度地物类别结构，它是上一层的精细划分。

将所述样本数据输入所述第一随机森林模型，以每个地物类型特征向量以及所述特征向量对应的第一层地物类型作为输入，对所述第一随机森林模型进行训练，将地物按照所述随机森林的平均精度递减来对特征向量进行排序，从而选取主导特征向量。

所述类别结构第一层对应第一随机森林模型H1，所述类别结构第二层对应第二随机森林模型H1H2。Level 1的三种类别是Level 2十种类别的父对象，由类别结构第一层H1所对应的第一随机森林模型进行训练；Level 2的三种类别是子对象，由类别结构第二层H1H2所对应的第二随机森林模型进行训练。随机森林包括训练和预测分类两个部分。对Level 1的三种类别分别提取样本，并在随机森林中进行第一随机森林模型的训练，仅是将这层输出的变量排序结果传递给用于对第二层即十类分类场景训练和分类的随机森林H1H2模型，最后通过第二随机森林模型H1H2模型对这十类子对象进行训练和预测分类。

C：将各地物类型和对应各地物类型的主导特征向量的值输入随机森林模型对所述随机森林模型进行训练，得到训练好的随机森林模型。

以分割后的影像为基础，提取的特征变量被分为3类，分别是光谱特征，纹理特征，形状特征所包含的152个特征向量用来更加全面详细地描述对象。所选的特征向量如表1所示。

表1

所有的随机森林都是使用random Forest软件包运行的。用所选变量进行预测需要设置以下的参数：确定优化随机森林分类模型的决策树的数量(ntree),决策树内部每个节点处随机选择的特征个数(mtry)。在R软件(random Forest软件)中以plot函数来选取ntree值,mtry选取值以1为步长，从1开始逐次递增，从而参考mtry取值对OOB的影响，proximity＝TRUE,rsq＝TRUE，其余的参数都设置的默认值，进行决策树的训练。通过随机森林的平均精度递减来对152个变量进行排序，选取前25个变量作为训练第二层类别的随机森林H1H2模型的训练和预测变量。

(注：152个变量只是类别结构的第一层获得的变量，是最原始的变量，是筛选变量之前的总数。故不可用这152个变量直接进行第二层类别的分类。而是用筛选完的变量进行第二层类别的分类)

通过现场勘探数据和基于阈值判断的目视解译法提取的样本数据和优化后的特征向量对第二层随机森林H1H2模型进行训练。

将训练后的数据通过随机森林对整个研究区进行预测，再将预测的类别同步到地形图中即可得到研究区农田景观小尺度宽幅分类图。

本发明还包括校正步骤，具体如下：

基于现场勘察对分类结果进行校正，利用隶属度函数法对每一类分类错误的类别进行优化。具体方法是在eCognition中调用Manual Editing中的类别过滤器，结合面选和线选，依次对某块区域进行单个类别的选择，目视解译错分的对象，并将错分的类别在compare class中找到阈值最接近的样本类别，再激活Classify Image Objects,将此样本类别重新赋予错分的对象上，从而进一步提高精度。

作为另一种实时方式，对每一类分类错误的类别进行优化的方法可以为利用KNN分类器进行优化。

精度验证：

在形成农田景观小尺度分类图后，对分类模型的精度评价可采用混淆矩阵，所选取的评价系数包括Kappa值，平均类别误差，模型的总体预测精度(overall)，生产者精度(producer)和用户精度(user)。

本发明的分类方法的技术效果如下：

1、利用无人机高清晰度的影像为数据源，可为高精度农田景观中小尺度地物识别提供可能。本发明针对这种高清度影像提出一套可识别小尺度景观的方法体系，操作性强，机器智能化程度高，鲁棒性强且具有普适性。

2、构建的多层次类别结构可以产生很高的分类精度，由于类别层次结构只用于传递变量投票结果，所以最后结果并不仅不受分类错误的父对象的影响，还可以在较低的层次上把被错分的父对象很好的纠正过来。

3、采用阈值法、目视解译和实地采样三种方法相结合来进行训练数据的选择更具有准确性。阈值法是对各类的主导变量分别设定阈值来加强其分布状况，并利用各类的主导变量来对后续选取的样本进行评价和优化，可在一定程度上减少单纯由人工目视解译所造成的样本选取的误差。实地调查的样本更具有准确性，也为样本精度提供进一步保障。

4、利用R软件对随机森林建模，可提高机器分类的智能化和自动化程度，降低以往分类对专家知识的过度依赖性，也避免了分类规则定义复杂的问题，分类精度较高且更具有普适性。

5、结果的优化进程中，针对每一类错分的地物进行隶属度函数或KNN分类器等方法的重分类，使解译结果更具准确性。

实施例3：

该实施例为农田景观小尺度地物分类系统。

该农田景观小尺度地物分类系统，包括：

获取模块，用于获取待分类区域的无人机影像；

掩膜提取模块，用于利用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像；

分割尺度划分模块，用于利用具有图像分割功能的软件将所述初步待分类影像按分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像；

随机森林模型分类模块，用于提取每个所述微影像的特征向量，将特征向量的值输入训练好的随机森林模型中进行分类，确定所述待分类区域内待分类的各个微影像的类别；

模型训练模块，用于对所述随机森林模型进行训练；

所述模型训练模块包括：

样本选取单元，用于从所述微影像中选取一部分作为训练样本影像；

样本数据提取单元，用于获取通过现场勘探和基于阈值判断的目视解译法提取的所述训练样本影像的样本数据，所述样本数据包括多个地物类型以及每个地物类型的特征向量的值；

排名单元，用于将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量；

训练单元，用于将各地物类型和对应各地物类型的主导特征向量的值输入随机森林模型对所述随机森林模型进行训练，得到训练好的随机森林模型。

可选的，所述地物分类系统还包括：

配准模块，用于对所述无人机影像进行坐标配准，并计算所述无人机影像的植被指数。

可选的，所述排名单元包括：

多层次类别结构构建子单元，用于构建多层次类别结构；所述多层次类别结构包括类别结构第一层和类别结构第二层；所述类别结构第一层中的第一层地物类型包括耕地类型、非耕植被类型和阴影类型；所述类别结构第二层中的第二层地物类型包括灌木、边缘草地、树篱、林地、疏林地、树木、阴影、水田、旱地和水浇地；所述灌木、所述边缘草地、所述树篱、所述林地、所述疏林地和所述树木属于所述非耕植被类型；所述水田、所述旱地和所述水浇地属于所述耕地类型；所述类别结构第一层由第一随机森林模型进行训练，所述类别结构第二层由第二随机森林模型进行训练与预测分类；

排序子单元，用于将所述样本数据输入所述第一随机森林模型，以每个地物类型特征向量以及所述特征向量对应的第一层地物类型作为输入，对所述第一随机森林模型进行训练，将地物按照所述随机森林的平均精度递减来对特征向量进行排序，从而选取主导特征向量。

可选的，所述样本数据提取单元包括：

勘探数据提取子单元，用于获取通过现场勘探确定的部分训练样本影像的地物类型并提取地物类型在影像中的主导特征向量值；

剩余样本数据提取子单元，用于提取剩余训练样本影像的特征向量的值；

目视解译数据获取子单元，用于获取根据特征向量的值利用目视解译法初步确定的所述剩余训练样本影像的地物类型；

判断子单元，用于判断所述剩余训练样本影像的特征向量的值是否处于在所述对应的地物类型下的标准特征向量值范围内，得到判断结果；

样本确定子单元，用于若所述判断结果为是，则将该剩余训练样本影像的地物类型和对应的特征向量的值作为训练样本；

返回子单元，用于若所述判断结果为否，则重新确定所述剩余训练样本影像的地物类型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所公开的农田景观小尺度地物分类方法及系统，先对经掩膜处理后的无人机影像进行分割，然后利用基于随机森林的分类方法对分割后的无人机影像进行分类。本发明的方法及系统在对图像进行分割的基础上进行分类，实现了面向对象的分类，在进行小尺度地物识别时能够准确的确定每个分割行程的对象的类别，从而针对高分辨率影像实现小尺度地物的识别和分类。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种农田景观小尺度地物分类方法，其特征在于，包括：

获取待分类区域的无人机影像；

利用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像；

利用具有图像分割功能的软件将所述初步待分类影像按分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像；

提取每个所述微影像的特征向量，将特征向量的值输入训练好的随机森林模型中进行分类，确定所述待分类区域内待分类的各个微影像的类别；

所述随机森林模型的训练过程为：

从所述微影像中选取一部分作为训练样本影像；

通过现场勘探和基于阈值判断的目视解译法提取所述训练样本影像的样本数据，所述样本数据包括多个地物类型以及每个地物类型的特征向量的值；

将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量；

将各地物类型和对应各地物类型的主导特征向量的值输入随机森林模型对所述随机森林模型进行训练，得到训练好的随机森林模型；

所述将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量，具体包括：

构建多层次类别结构；所述多层次类别结构包括类别结构第一层和类别结构第二层；所述类别结构第一层中的第一层地物类型包括耕地类型、非耕植被类型和阴影类型；所述类别结构第二层中的第二层地物类型包括灌木、边缘草地、树篱、林地、疏林地、树木、阴影、水田、旱地和水浇地；所述灌木、所述边缘草地、所述树篱、所述林地、所述疏林地和所述树木属于所述非耕植被类型；所述水田、所述旱地和所述水浇地属于所述耕地类型；所述类别结构第一层由第一随机森林模型进行训练，所述类别结构第二层由第二随机森林模型进行训练与预测分类；

将所述样本数据输入所述第一随机森林模型，以每个地物类型特征向量以及所述特征向量对应的第一层地物类型作为输入，对所述第一随机森林模型进行训练，将地物按照所述随机森林的平均精度递减来对特征向量进行排序，从而选取主导特征向量。

2.根据权利要求1所述的农田景观小尺度地物分类方法，其特征在于，在所述获取待分类区域的无人机影像之后，在所述用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类以及非耕植被类型无关的地物，得到初步待分类影像之前，还包括：

对所述无人机影像进行坐标配准，并计算所述无人机影像的植被指数。

3.根据权利要求1所述的农田景观小尺度地物分类方法，其特征在于，所述获取通过现场勘探和基于阈值判断的目视解译法提取的样本数据，具体包括：

通过现场勘探确定部分训练样本影像的地物类型并提取地物类型在影像中的主导特征向量值；

提取剩余训练样本影像的特征向量的值；

根据特征向量的值利用目视解译法初步确定所述剩余训练样本影像的地物类型；

判断所述剩余训练样本影像的特征向量的值是否处于在所述对应的地物类型下的标准特征向量值范围内，得到判断结果；

若所述判断结果为是，则将该剩余训练样本影像的地物类型和对应的特征向量的值作为训练样本；

若所述判断结果为否，则重新确定所述剩余训练样本影像的地物类型。

4.一种农田景观小尺度地物分类系统，其特征在于，包括：

获取模块，用于获取待分类区域的无人机影像；

掩膜提取模块，用于利用植被指数对所述无人机影像进行掩膜提取，屏蔽与耕地类型以及非耕植被类型无关的地物，得到初步待分类影像；

分割尺度划分模块，用于利用具有图像分割功能的软件将所述初步待分类影像按分割尺度划分为多个区域，使各个区域之间具有不同的性质，同一区域内部各像素之间具有相同的性质，从而得到多个微影像；

随机森林模型分类模块，用于提取每个所述微影像的特征向量，将特征向量的值输入训练好的随机森林模型中进行分类，确定所述待分类区域内待分类的各个微影像的类别；

模型训练模块，用于对所述随机森林模型进行训练；

所述模型训练模块包括：

样本选取单元，用于从所述微影像中选取一部分作为训练样本影像；

样本数据提取单元，用于获取通过现场勘探和基于阈值判断的目视解译法提取的所述训练样本影像的样本数据，所述样本数据包括多个地物类型以及每个地物类型的特征向量的值；

排名单元，用于将各个所述特征向量进行排名，确定影响地物类型划分的主导特征向量；

训练单元，用于将各地物类型和对应各地物类型的主导特征向量的值输入随机森林模型对所述随机森林模型进行训练，得到训练好的随机森林模型；

所述排名单元包括：

多层次类别结构构建子单元，用于构建多层次类别结构；所述多层次类别结构包括类别结构第一层和类别结构第二层；所述类别结构第一层中的第一层地物类型包括耕地类型、非耕植被类型和阴影类型；所述类别结构第二层中的第二层地物类型包括灌木、边缘草地、树篱、林地、疏林地、树木、阴影、水田、旱地和水浇地；所述灌木、所述边缘草地、所述树篱、所述林地、所述疏林地和所述树木属于所述非耕植被类型；所述水田、所述旱地和所述水浇地属于所述耕地类型；所述类别结构第一层由第一随机森林模型进行训练，所述类别结构第二层由第二随机森林模型进行训练与预测分类；

排序子单元，用于将所述样本数据输入所述第一随机森林模型，以每个地物类型特征向量以及所述特征向量对应的第一层地物类型作为输入，对所述第一随机森林模型进行训练，将地物按照所述随机森林的平均精度递减来对特征向量进行排序，从而选取主导特征向量。

5.根据权利要求4所述的农田景观小尺度地物分类系统，其特征在于，所述地物分类系统还包括：

配准模块，用于对所述无人机影像进行坐标配准，并计算所述无人机影像的植被指数。

6.根据权利要求4所述的农田景观小尺度地物分类系统，其特征在于，所述样本数据提取单元包括：

勘探数据提取子单元，用于获取通过现场勘探确定的部分训练样本影像的地物类型并提取地物类型在影像中的主导特征向量值；

剩余样本数据提取子单元，用于提取剩余训练样本影像的特征向量的值；

目视解译数据获取子单元，用于获取根据特征向量的值利用目视解译法初步确定的所述剩余训练样本影像的地物类型；

判断子单元，用于判断所述剩余训练样本影像的特征向量的值是否处于在所述对应的地物类型下的标准特征向量值范围内，得到判断结果；

样本确定子单元，用于若所述判断结果为是，则将该剩余训练样本影像的地物类型和对应的特征向量的值作为训练样本；

返回子单元，用于若所述判断结果为否，则重新确定所述剩余训练样本影像的地物类型。

Images