CN111582176A - 一种可见光遥感图像枯死木识别软件系统及识别方法 - Google Patents
一种可见光遥感图像枯死木识别软件系统及识别方法 Download PDFInfo
- Publication number
- CN111582176A CN111582176A CN202010386977.7A CN202010386977A CN111582176A CN 111582176 A CN111582176 A CN 111582176A CN 202010386977 A CN202010386977 A CN 202010386977A CN 111582176 A CN111582176 A CN 111582176A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- tree
- module
- dead wood
- 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
- 239000002023 wood Substances 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003702 image correction Methods 0.000 claims abstract description 18
- 238000003709 image segmentation Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 45
- 230000011218 segmentation Effects 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06V20/188—Vegetation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于枯死木识别技术领域,公开了一种可见光遥感图像枯死木识别软件系统及识别方法,可见光遥感图像枯死木识别软件系统包括:树木遥感图像采集模块、中央控制模块、遥感图像校正模块、遥感图像增强模块、遥感图像分割模块、图像特征提取模块、枯死木识别模块、枯死木分类模块、云存储模块、显示模块。本发明通过遥感图像校正模块将多个遥感图像统一坐标系,将地面上的真实位置的坐标作为标准点,使遥感图像中遥感图像中坐标点根据对应的地面树木位置进行校正,提高了遥感图像数据的准确度;通过遥感图像分割模块将先进的深度学习方法与树木遥感影像地物识别结合起来,实现了在遥感图像中对地物分割效果,具有更高的准确率。
Description
技术领域
本发明属于枯死木识别技术领域,尤其涉及一种可见光遥感图像枯死木识别软件系统及识别方法。
背景技术
枯死木是指已枯死的树木。所以枯木是指将枯死或已枯未朽的树木,包括枝、干、根及其附生物(如:瘤)等部分。枯死木,因各种原因已枯死的树木。常是病虫害发生、繁衍的温床。由于自然稀疏在林内出现较多的枯死木时,标志着林分过密,应及时进行抚育间伐;因自然衰老出现枯死木时,标志着林分过熟,应及时主伐更新。当其他原因林内出现多数枯死木时,也应通过卫生伐及时代除。然而,现有可见光遥感图像枯死木识别软件系统在获取遥感影像的过程中,受卫星姿态定位误差、相机成像误差等影响,使得遥感树木图像都具有一定的偏差;同时,对于遥感树木图像的分割处理需要耗费大量的人力物力,成本高,且时间较慢。
综上所述,现有技术存在的问题及缺陷为:现有可见光遥感图像枯死木识别软件系统在获取遥感影像的过程中,受卫星姿态定位误差、相机成像误差等影响,使得遥感树木图像都具有一定的偏差;同时,对于遥感树木图像的分割处理需要耗费大量的人力物力,成本高,且时间较慢。
发明内容
针对现有技术存在的问题,本发明提供了一种可见光遥感图像枯死木识别软件系统及识别方法。
本发明是这样实现的,一种可见光遥感图像枯死木识别方法,所述可见光遥感图像枯死木识别方法包括以下步骤:
步骤一,通过树木遥感图像采集模块利用遥感器采集待识别的树木遥感图像;通过中央控制模块利用中央处理器控制可见光遥感图像枯死木识别软件系统各个模块的正常工作。
步骤二,通过遥感图像校正模块利用遥感设备提取多个树木遥感图像;通过图像修复程序对树木遥感图像进行修复,将多个所述树木遥感图像在GPS坐标系中进行拼接,获得一幅拼接的树木遥感图像。
步骤三,利用转换程序将所述拼接的树木遥感图像在GPS坐标系下的空间向量转换为WGS-84坐标系下的空间向量;在地面上找到与所述拼接的树木遥感图像中对应的N个点作为标准点,N为大于或等于2的整数。
步骤四,通过校正程序根据N个所述标准点在地面上的GPS坐标对应的WGS-84坐标系下的第一空间向量组和N个所述标准点在所述拼接的树木遥感图像中的坐标对应的WGS-84坐标系下的第二空间向量组确定校验四元数。
步骤五,根据校验四元数对所述拼接的树木遥感图像中所有坐标点进行校正处理;通过遥感图像增强模块利用图像增强程序对校正处理后的树木遥感图像进行增强处理。
步骤六,通过遥感图像分割模块获取用户输入的树木遥感影像样本和每个样本对应的树木标签数据。
步骤七,采用所述树木遥感影像样本和所述树木标签数据,利用神经网络对识别分割模型进行训练,得到神经网络分割模型。
步骤八,获取待分割的遥感图像,通过图像分割程序利用所述神经网络分割模型对所述待分割的增强处理后的树木遥感图像进行分类,得到标注好树木标签的分割结果。
步骤九,通过图像特征提取模块利用提取程序提取分割处理后的树木遥感图像的特征元素;通过枯死木识别模块利用识别程序根据提取的树木图像特征元素进行枯死木的识别,并生成识别报告。
步骤十,通过枯死木分类模块的第一滑窗在树木遥感图像中提取大尺度区域,并输入到训练好的枯死木候选区域识别模型中,得到包含枯死木候选目标的枯死木候选区域。
步骤十一,通过第二滑窗在步骤十得到的枯死木候选区域中提取枯死木候选目标,利用训练好的枯死木目标分类模型对提取的枯死木候选目标进行两步分类,确定枯死木候选目标的类别,并生成分类结果。
步骤十二,通过云存储模块利用云数据库服务器存储采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果。
步骤十三,通过显示模块利用显示器显示采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果的实时数据。
进一步,步骤三中,所述遥感图像中每个坐标点(x′,y′)对应一个地理坐标信息(Long,Lat),Long表示经度,Lat表示纬度,将所述拼接的遥感图像在GPS坐标系下的空间向量转换为WGS-84坐标系下的空间向量的向量转换公式为:
其中,v表示WGS-84坐标系下的空间向量。
进一步,步骤四中,所述校验四元数表示为:
其中,ω表示所述第一空间向量组与所述第二空间向量组的正交投影得到的矩阵的特征向量;将所述校验四元数转变为变换矩阵的形式,所述变换矩阵表示为:
则u=E·v,u表示所述拼接的遥感图像中的空间向量v校正后的空间向量。
进一步,所述校正后的空间向量u转换为经纬度的公式为:
Latadi=arcsinu(3),
式中,空间向量u为3行1列的向量,u(1)表示空间向量u的第一行的元素,u(2)表示空间向量u的第二行的元素,u(3)表示空间向量u的第三行的元素,Latadj表示转换后的纬度,Longadj表示转换后的经度。
进一步,步骤七中,所述采用所述树木遥感影像样本和所述树木标签数据,利用神经网络对识别分割模型进行训练,得到神经网络分割模型的方法,包括:
(1)获取用户输入的多项超参数;所述超参数包括学习率、批处理大小和迭代次数;获取所述用户选择的优化器类型、评估函数和损失函数;
(2)采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练;
(3)判断当次训练结束后的训练状态是否符合所述用户输入的预期条件,得到第一判断结果;当所述第一判断结果表示当次训练结束后的训练状态符合所述用户输入的预期条件时,训练结束,将当次训练结束后的识别分割模型确定为所述神经网络分割模型;
(4)当所述第一判断结果表示当次训练结束后的训练状态不符合所述用户输入的预期条件时,调整训练参数,更新迭代次数;返回采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练的步骤。
进一步,所述采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练的方法,包括:
1)对所述遥感影像样本进行线性拉伸和归一化操作,得到预处理的遥感影像样本;
2)结合所述预处理的遥感影像样本,采用所述封装好的神经网络对所述识别分割模型进行训练。
进一步,步骤十中,所述枯死木候选区域识别模型包括:第二卷积神经网络和若干第二分类器,每个第二分类器分别与枯死木候选目标的两个可能类别相对应;
所述第二卷积神经网络为VGGNet-16,包含13个卷积层、2个全连接层和1个输出层;分别从全连接层和输出层中提取枯死木候选目标的特征,所述输出层提取的特征用于确定候选目标的前M个可能类别;
所述第二分类器均为LIBSVM分类器,通过所述全连接层提取的枯死木候选目标的特征,在所述前M个可能类别中确定枯死木候选目标的最终类别。
本发明的另一目的在于提供一种应用所述的可见光遥感图像枯死木识别方法的可见光遥感图像枯死木识别软件系统,所述可见光遥感图像枯死木识别软件系统包括:
树木遥感图像采集模块、中央控制模块、遥感图像校正模块、遥感图像增强模块、遥感图像分割模块、图像特征提取模块、枯死木识别模块、枯死木分类模块、云存储模块、显示模块。
树木遥感图像采集模块,与中央控制模块连接,用于通过遥感器采集待识别的树木遥感图像;
中央控制模块,与树木遥感图像采集模块、遥感图像校正模块、遥感图像增强模块、遥感图像分割模块、图像特征提取模块、枯死木识别模块、枯死木分类模块、云存储模块、显示模块连接,用于通过中央处理器控制可见光遥感图像枯死木识别软件系统各个模块的正常工作;
遥感图像校正模块,与中央控制模块连接,用于通过校正程序对采集的树木遥感图像进行校正处理;
遥感图像增强模块,与中央控制模块连接,用于通过图像增强程序对校正处理后的树木图像进行增强;
遥感图像分割模块,与中央控制模块连接,用于通过图像分割程序对增强处理后的树木遥感图像进行分割处理;
图像特征提取模块,与中央控制模块连接,用于通过提取程序提取分割处理后的树木遥感图像的特征元素;
枯死木识别模块,与中央控制模块连接,用于通过识别程序根据提取的树木图像特征元素进行枯死木的识别,并生成识别报告;
枯死木分类模块,与中央控制模块连接,用于通过分类程序对识别后的枯死木图像进行分类处理,并生成分类结果;
云存储模块,与中央控制模块连接,用于通过云数据库服务器存储采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果;
显示模块,与中央控制模块连接,用于通过显示器显示采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果的实时数据。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的可见光遥感图像枯死木识别方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的可见光遥感图像枯死木识别方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过遥感图像校正模块将多个遥感图像统一坐标系,将地面上的真实位置的坐标作为标准点,使遥感图像中遥感图像中坐标点根据对应的地面树木位置进行校正,提高了遥感图像中遥感数据的准确度;通过遥感图像分割模块将先进的深度学习方法与树木遥感影像地物识别结合起来,实现在遥感图像中对地物分割效果;具有更高的效率和准确率;允许对树木遥感图像进行批处理分类,即一次操作可以分类多张影像,极大地提高了使用效率及操作成本。
同时,本发明通过枯死木识别模块针对可见光遥感图像目标的聚集性特点进行候选目标提取,并通过两步分类精确识别候选目标类别;在相同的召回率下,提取的候选目标数量远少于现有方法,同时,在使用相同的特征和相同的分类器的条件下,通过两步分类,大大提高了候选目标分类精度。另外,本发明应用场景广泛,适用于可见光遥感图像中的飞机、舰船、车辆等多类目标;还可扩展应用于红外、高光谱、合成孔径雷达候选目标提取与分类,可以满足各种环境场合。
附图说明
图1是本发明实施例提供的可见光遥感图像枯死木识别方法流程图。
图2是本发明实施例提供的可见光遥感图像枯死木识别软件系统结构框图;
图中:1、树木遥感图像采集模块;2、中央控制模块;3、遥感图像校正模块;4、遥感图像增强模块;5、遥感图像分割模块;6、图像特征提取模块;7、枯死木识别模块;8、枯死木分类模块;9、云存储模块;10、显示模块。
图3是本发明实施例提供的通过校正程序对采集的树木遥感图像进行校正处理的方法流程图。
图4是本发明实施例提供的通过图像分割程序对增强处理后的树木遥感图像进行分割处理的方法流程图。
图5是本发明实施例提供的通过分类程序对识别后的枯死木图像进行分类处理,并生成分类结果的方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的可见光遥感图像枯死木识别方法包括以下步骤:
S101,通过树木遥感图像采集模块利用遥感器采集待识别的树木遥感图像。
S102,通过中央控制模块利用中央处理器控制可见光遥感图像枯死木识别软件系统各个模块的正常工作。
S103,通过遥感图像校正模块利用校正程序对采集的树木遥感图像进行校正处理。
S104,通过遥感图像增强模块利用图像增强程序对校正处理后的树木图像进行增强。
S105,通过遥感图像分割模块利用图像分割程序对增强处理后的树木遥感图像进行分割处理。
S106,通过图像特征提取模块利用提取程序提取分割处理后的树木遥感图像的特征元素。
S107,通过枯死木识别模块利用识别程序根据提取的树木图像特征元素进行枯死木的识别,并生成识别报告。
S108,通过枯死木分类模块利用分类程序对识别后的枯死木图像进行分类处理,并生成分类结果。
S109,通过云存储模块利用云数据库服务器存储采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果。
S110,通过显示模块利用显示器显示采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果的实时数据。
如图2所示,本发明实施例提供的可见光遥感图像枯死木识别软件系统包括:树木遥感图像采集模块1、中央控制模块2、遥感图像校正模块3、遥感图像增强模块4、遥感图像分割模块5、图像特征提取模块6、枯死木识别模块7、枯死木分类模块8、云存储模块9、显示模块10。
树木遥感图像采集模块1,与中央控制模块2连接,用于通过遥感器采集待识别的树木遥感图像;
中央控制模块2,与树木遥感图像采集模块1、遥感图像校正模块3、遥感图像增强模块4、遥感图像分割模块5、图像特征提取模块6、枯死木识别模块7、枯死木分类模块8、云存储模块9、显示模块10连接,用于通过中央处理器控制可见光遥感图像枯死木识别软件系统各个模块的正常工作;
遥感图像校正模块3,与中央控制模块2连接,用于通过校正程序对采集的树木遥感图像进行校正处理;
遥感图像增强模块4,与中央控制模块2连接,用于通过图像增强程序对校正处理后的树木图像进行增强;
遥感图像分割模块5,与中央控制模块2连接,用于通过图像分割程序对增强处理后的树木遥感图像进行分割处理;
图像特征提取模块6,与中央控制模块2连接,用于通过提取程序提取分割处理后的树木遥感图像的特征元素;
枯死木识别模块7,与中央控制模块2连接,用于通过识别程序根据提取的树木图像特征元素进行枯死木的识别,并生成识别报告;
枯死木分类模块8,与中央控制模块2连接,用于通过分类程序对识别后的枯死木图像进行分类处理,并生成分类结果;
云存储模块9,与中央控制模块2连接,用于通过云数据库服务器存储采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果;
显示模块10,与中央控制模块2连接,用于通过显示器显示采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果的实时数据。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的可见光遥感图像枯死木识别方法如图1所示,作为优选实施例,如图3所示,本发明实施例提供的通过校正程序对采集的树木遥感图像进行校正处理的方法包括:
S201,通过遥感图像校正模块利用遥感设备提取多个树木遥感图像;通过图像修复程序对树木遥感图像进行修复,将多个所述树木遥感图像在GPS坐标系中进行拼接,获得一幅拼接的树木遥感图像。
S202,利用转换程序将所述拼接的树木遥感图像在GPS坐标系下的空间向量转换为WGS-84坐标系下的空间向量;在地面上找到与所述拼接的树木遥感图像中对应的N个点作为标准点,N为大于或等于2的整数。
S203,通过校正程序根据N个所述标准点在地面上的GPS坐标对应的WGS-84坐标系下的第一空间向量组和N个所述标准点在所述拼接的树木遥感图像中的坐标对应的WGS-84坐标系下的第二空间向量组确定校验四元数;根据校验四元数对所述拼接的树木遥感图像中所有坐标点进行校正处理。
本发明实施例提供的遥感图像中每个坐标点(x′,y′)对应一个地理坐标信息(Long,Lat),Long表示经度,Lat表示纬度,将所述拼接的遥感图像在GPS坐标系下的空间向量转换为WGS-84坐标系下的空间向量的向量转换公式为:
其中,v表示WGS-84坐标系下的空间向量。
本发明实施例提供的校验四元数表示为:
其中,ω表示所述第一空间向量组与所述第二空间向量组的正交投影得到的矩阵的特征向量;将所述校验四元数转变为变换矩阵的形式,所述变换矩阵表示为:
则u=E·v,u表示所述拼接的遥感图像中的空间向量v校正后的空间向量。
本发明实施例提供的校正后的空间向量u转换为经纬度的公式为:
Lataij==arcsinu(3),
式中,空间向量u为3行1列的向量,u(1)表示空间向量u的第一行的元素,u(2)表示空间向量u的第二行的元素,u(3)表示空间向量u的第三行的元素,Latadj表示转换后的纬度,Longadj表示转换后的经度。
实施例2
本发明实施例提供的可见光遥感图像枯死木识别方法如图1所示,作为优选实施例,如图4所示,本发明实施例提供的通过图像分割程序对增强处理后的树木遥感图像进行分割处理的方法包括:
S301,通过遥感图像分割模块获取用户输入的树木遥感影像样本和每个样本对应的树木标签数据。
S302,采用所述树木遥感影像样本和所述树木标签数据,利用神经网络对识别分割模型进行训练,得到神经网络分割模型。
S303,获取待分割的遥感图像,通过图像分割程序利用所述神经网络分割模型对所述待分割的增强处理后的树木遥感图像进行分类,得到标注好树木标签的分割结果。
本发明实施例提供的采用所述树木遥感影像样本和所述树木标签数据,利用神经网络对识别分割模型进行训练,得到神经网络分割模型的方法,包括:
(1)获取用户输入的多项超参数;所述超参数包括学习率、批处理大小和迭代次数;获取所述用户选择的优化器类型、评估函数和损失函数;
(2)采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练;
(3)判断当次训练结束后的训练状态是否符合所述用户输入的预期条件,得到第一判断结果;当所述第一判断结果表示当次训练结束后的训练状态符合所述用户输入的预期条件时,训练结束,将当次训练结束后的识别分割模型确定为所述神经网络分割模型;
(4)当所述第一判断结果表示当次训练结束后的训练状态不符合所述用户输入的预期条件时,调整训练参数,更新迭代次数;返回采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练的步骤。
本发明实施例提供的采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练的方法,包括:
1)对所述遥感影像样本进行线性拉伸和归一化操作,得到预处理的遥感影像样本;
2)结合所述预处理的遥感影像样本,采用所述封装好的神经网络对所述识别分割模型进行训练。
实施例3
本发明实施例提供的可见光遥感图像枯死木识别方法如图1所示,作为优选实施例,如图5所示,本发明实施例提供的通过分类程序对识别后的枯死木图像进行分类处理,并生成分类结果的方法包括:
S401,通过枯死木分类模块的第一滑窗在树木遥感图像中提取大尺度区域,并输入到训练好的枯死木候选区域识别模型中,得到包含枯死木候选目标的枯死木候选区域。
S402,通过第二滑窗在得到的枯死木候选区域中提取枯死木候选目标,利用训练好的枯死木目标分类模型对提取的枯死木候选目标进行两步分类,确定枯死木候选目标的类别,并生成分类结果。
本发明实施例提供的枯死木候选区域识别模型包括:第二卷积神经网络和若干第二分类器,每个第二分类器分别与枯死木候选目标的两个可能类别相对应;
所述第二卷积神经网络为VGGNet-16,包含13个卷积层、2个全连接层和1个输出层;分别从全连接层和输出层中提取枯死木候选目标的特征,所述输出层提取的特征用于确定候选目标的前M个可能类别;
所述第二分类器均为LIBSVM分类器,通过所述全连接层提取的枯死木候选目标的特征,在所述前M个可能类别中确定枯死木候选目标的最终类别。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种可见光遥感图像枯死木识别方法,其特征在于,所述可见光遥感图像枯死木识别方法包括以下步骤:
步骤一,通过树木遥感图像采集模块利用遥感器采集待识别的树木遥感图像;通过中央控制模块利用中央处理器控制可见光遥感图像枯死木识别软件系统各个模块的正常工作;
步骤二,通过遥感图像校正模块利用遥感设备提取多个树木遥感图像;通过图像修复程序对树木遥感图像进行修复,将多个所述树木遥感图像在GPS坐标系中进行拼接,获得一幅拼接的树木遥感图像;
步骤三,利用转换程序将所述拼接的树木遥感图像在GPS坐标系下的空间向量转换为WGS-84坐标系下的空间向量;在地面上找到与所述拼接的树木遥感图像中对应的N个点作为标准点,N为大于或等于2的整数;
步骤四,通过校正程序根据N个所述标准点在地面上的GPS坐标对应的WGS-84坐标系下的第一空间向量组和N个所述标准点在所述拼接的树木遥感图像中的坐标对应的WGS-84坐标系下的第二空间向量组确定校验四元数;
步骤五,根据校验四元数对所述拼接的树木遥感图像中所有坐标点进行校正处理;通过遥感图像增强模块利用图像增强程序对校正处理后的树木遥感图像进行增强处理;
步骤六,通过遥感图像分割模块获取用户输入的树木遥感影像样本和每个样本对应的树木标签数据;
步骤七,采用所述树木遥感影像样本和所述树木标签数据,利用神经网络对识别分割模型进行训练,得到神经网络分割模型;
步骤八,获取待分割的遥感图像,通过图像分割程序利用所述神经网络分割模型对所述待分割的增强处理后的树木遥感图像进行分类,得到标注好树木标签的分割结果;
步骤九,通过图像特征提取模块利用提取程序提取分割处理后的树木遥感图像的特征元素;通过枯死木识别模块利用识别程序根据提取的树木图像特征元素进行枯死木的识别,并生成识别报告;
步骤十,通过枯死木分类模块的第一滑窗在树木遥感图像中提取大尺度区域,并输入到训练好的枯死木候选区域识别模型中,得到包含枯死木候选目标的枯死木候选区域;
步骤十一,通过第二滑窗在步骤十得到的枯死木候选区域中提取枯死木候选目标,利用训练好的枯死木目标分类模型对提取的枯死木候选目标进行两步分类,确定枯死木候选目标的类别,并生成分类结果;
步骤十二,通过云存储模块利用云数据库服务器存储采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果;
步骤十三,通过显示模块利用显示器显示采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果的实时数据。
5.如权利要求1所述的可见光遥感图像枯死木识别方法,其特征在于,步骤七中,所述采用所述树木遥感影像样本和所述树木标签数据,利用神经网络对识别分割模型进行训练,得到神经网络分割模型的方法,包括:
(1)获取用户输入的多项超参数;所述超参数包括学习率、批处理大小和迭代次数;获取所述用户选择的优化器类型、评估函数和损失函数;
(2)采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练;
(3)判断当次训练结束后的训练状态是否符合所述用户输入的预期条件,得到第一判断结果;当所述第一判断结果表示当次训练结束后的训练状态符合所述用户输入的预期条件时,训练结束,将当次训练结束后的识别分割模型确定为所述神经网络分割模型;
(4)当所述第一判断结果表示当次训练结束后的训练状态不符合所述用户输入的预期条件时,调整训练参数,更新迭代次数;返回采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练的步骤。
6.如权利要求5所述的可见光遥感图像枯死木识别方法,其特征在于,所述采用封装好的神经网络,结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数,利用所述遥感影像样本和所述树木标签数据对所述识别分割模型进行训练的方法,包括:
1)对所述遥感影像样本进行线性拉伸和归一化操作,得到预处理的遥感影像样本;
2)结合所述预处理的遥感影像样本,采用所述封装好的神经网络对所述识别分割模型进行训练。
7.如权利要求1所述的可见光遥感图像枯死木识别方法,其特征在于,步骤十中,所述枯死木候选区域识别模型包括:第二卷积神经网络和若干第二分类器,每个第二分类器分别与枯死木候选目标的两个可能类别相对应;
所述第二卷积神经网络为VGGNet-16,包含13个卷积层、2个全连接层和1个输出层;分别从全连接层和输出层中提取枯死木候选目标的特征,所述输出层提取的特征用于确定候选目标的前M个可能类别;
所述第二分类器均为LIBSVM分类器,通过所述全连接层提取的枯死木候选目标的特征,在所述前M个可能类别中确定枯死木候选目标的最终类别。
8.一种应用如权利要求1~7任意一项所述的可见光遥感图像枯死木识别方法的可见光遥感图像枯死木识别软件系统,其特征在于,所述可见光遥感图像枯死木识别软件系统包括:
树木遥感图像采集模块,与中央控制模块连接,用于通过遥感器采集待识别的树木遥感图像;
中央控制模块,与树木遥感图像采集模块、遥感图像校正模块、遥感图像增强模块、遥感图像分割模块、图像特征提取模块、枯死木识别模块、枯死木分类模块、云存储模块、显示模块连接,用于通过中央处理器控制可见光遥感图像枯死木识别软件系统各个模块的正常工作;
遥感图像校正模块,与中央控制模块连接,用于通过校正程序对采集的树木遥感图像进行校正处理;
遥感图像增强模块,与中央控制模块连接,用于通过图像增强程序对校正处理后的树木图像进行增强;
遥感图像分割模块,与中央控制模块连接,用于通过图像分割程序对增强处理后的树木遥感图像进行分割处理;
图像特征提取模块,与中央控制模块连接,用于通过提取程序提取分割处理后的树木遥感图像的特征元素;
枯死木识别模块,与中央控制模块连接,用于通过识别程序根据提取的树木图像特征元素进行枯死木的识别,并生成识别报告;
枯死木分类模块,与中央控制模块连接,用于通过分类程序对识别后的枯死木图像进行分类处理,并生成分类结果;
云存储模块,与中央控制模块连接,用于通过云数据库服务器存储采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果;
显示模块,与中央控制模块连接,用于通过显示器显示采集的待识别树木遥感图像、处理后的树木遥感图像、树木遥感图像的特征元素、识别报告以及分类结果的实时数据。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~7任意一项所述的可见光遥感图像枯死木识别方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~7任意一项所述的可见光遥感图像枯死木识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010386977.7A CN111582176A (zh) | 2020-05-09 | 2020-05-09 | 一种可见光遥感图像枯死木识别软件系统及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010386977.7A CN111582176A (zh) | 2020-05-09 | 2020-05-09 | 一种可见光遥感图像枯死木识别软件系统及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582176A true CN111582176A (zh) | 2020-08-25 |
Family
ID=72120866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010386977.7A Pending CN111582176A (zh) | 2020-05-09 | 2020-05-09 | 一种可见光遥感图像枯死木识别软件系统及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582176A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050104771A1 (en) * | 2003-09-17 | 2005-05-19 | Spectrotech, Inc. | Airborne imaging spectrometry system and method |
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
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 |
CN107066994A (zh) * | 2017-05-15 | 2017-08-18 | 中国林业科学研究院 | 评估疏林草原树木死亡率的方法与无人机 |
CN108764284A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 |
CN108764285A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
CN109657540A (zh) * | 2018-11-06 | 2019-04-19 | 北京农业信息技术研究中心 | 枯死树定位方法及系统 |
CN109766744A (zh) * | 2018-11-21 | 2019-05-17 | 北京农业智能装备技术研究中心 | 一种松材线虫病树识别与定位方法及系统 |
CN109948657A (zh) * | 2019-02-25 | 2019-06-28 | 湖北同诚通用航空有限公司 | 基于可见光图像的枯死树木识别方法及设备 |
CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
CN109993071A (zh) * | 2019-03-13 | 2019-07-09 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的变色林木自动识别及调查的方法和系统 |
CN110008899A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种可见光遥感图像候选目标提取与分类方法 |
CN110008900A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种由区域到目标的可见光遥感图像候选目标提取方法 |
CN110490830A (zh) * | 2019-08-22 | 2019-11-22 | 中国农业科学院农业信息研究所 | 一种农业遥感图像校正方法及系统 |
CN110852393A (zh) * | 2019-11-14 | 2020-02-28 | 吉林高分遥感应用研究院有限公司 | 一种遥感图像的分割方法及系统 |
-
2020
- 2020-05-09 CN CN202010386977.7A patent/CN111582176A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050104771A1 (en) * | 2003-09-17 | 2005-05-19 | Spectrotech, Inc. | Airborne imaging spectrometry system and method |
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
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 |
CN107066994A (zh) * | 2017-05-15 | 2017-08-18 | 中国林业科学研究院 | 评估疏林草原树木死亡率的方法与无人机 |
CN108764284A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 |
CN108764285A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
CN109657540A (zh) * | 2018-11-06 | 2019-04-19 | 北京农业信息技术研究中心 | 枯死树定位方法及系统 |
CN109766744A (zh) * | 2018-11-21 | 2019-05-17 | 北京农业智能装备技术研究中心 | 一种松材线虫病树识别与定位方法及系统 |
CN109948657A (zh) * | 2019-02-25 | 2019-06-28 | 湖北同诚通用航空有限公司 | 基于可见光图像的枯死树木识别方法及设备 |
CN109993071A (zh) * | 2019-03-13 | 2019-07-09 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的变色林木自动识别及调查的方法和系统 |
CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
CN110008899A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种可见光遥感图像候选目标提取与分类方法 |
CN110008900A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种由区域到目标的可见光遥感图像候选目标提取方法 |
CN110490830A (zh) * | 2019-08-22 | 2019-11-22 | 中国农业科学院农业信息研究所 | 一种农业遥感图像校正方法及系统 |
CN110852393A (zh) * | 2019-11-14 | 2020-02-28 | 吉林高分遥感应用研究院有限公司 | 一种遥感图像的分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
PRZEMYSLAW POLEWSK: "Active learning approach to detecting standing dead trees from ALS point clouds combined with aerial infrared imagery" * |
吴琼: "基于遥感图像的松材线虫病区域检测算法研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11328506B2 (en) | Crop identification method and computing device | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
US9251420B2 (en) | System for mapping and identification of plants using digital image processing and route generation | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN111553200A (zh) | 一种图像检测识别方法及装置 | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN116258956A (zh) | 无人机树木识别方法、设备、存储介质及装置 | |
CN117456367A (zh) | 一种农作物种植区域识别方法、装置、设备及存储介质 | |
CN113516177A (zh) | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 | |
CN109784320B (zh) | 人参设施农业域确定方法 | |
CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
CN111582176A (zh) | 一种可见光遥感图像枯死木识别软件系统及识别方法 | |
JP6060377B2 (ja) | 画像クラスタ分析装置 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN114663751A (zh) | 一种基于增量学习技术的输电线路缺陷识别方法和系统 | |
CN113627292A (zh) | 基于融合网络的遥感图像识别方法及装置 | |
Deng et al. | A paddy field segmentation method combining attention mechanism and adaptive feature fusion | |
Zhou et al. | Multispecies individual tree crown extraction and classification based on BlendMask and high-resolution UAV images | |
Song et al. | Crop Classification Using Multitemporal Landsat 8 Images | |
CN114882224B (zh) | 模型结构、模型训练方法、单体化方法、设备及介质 | |
Bue et al. | Using spatial correspondences for hyperspectral knowledge transfer: Evaluation on synthetic data | |
Li et al. | Application of High‐Resolution Remote Sensing Image for Individual Tree Identification of Pinus sylvestris and Pinus tabulaeformis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |