CN111881797A - 滨海湿地植被精细分类方法、装置、设备和存储介质 - Google Patents
滨海湿地植被精细分类方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111881797A CN111881797A CN202010701214.7A CN202010701214A CN111881797A CN 111881797 A CN111881797 A CN 111881797A CN 202010701214 A CN202010701214 A CN 202010701214A CN 111881797 A CN111881797 A CN 111881797A
- Authority
- CN
- China
- Prior art keywords
- regression
- coastal wetland
- hyperspectral data
- wetland
- coastal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000003595 spectral effect Effects 0.000 claims abstract description 51
- 230000009466 transformation Effects 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 150000003839 salts Chemical class 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000001373 regressive effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000008520 organization Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06F18/21—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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种滨海湿地植被精细分类方法、装置、设备和存储介质,该方法包括:对获取到的原始滨海湿地高光谱数据进行预处理;将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接光谱特征和空间特征得到回归域特征;将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。提高了湿地地物分类的精度。
Description
技术领域
本发明涉及遥感卫星图像处理和遥感图像分类技术领域,具体涉及一种滨海湿地植被精细分类方法、装置、设备和存储介质。
背景技术
滨海湿地作为自然景观中的交错群落带,是介于陆地和水生生态系统之间的过渡带,在改善气候、控制污染、维护生物多样性和保持区域生态平衡等方面,发挥着重要的作用。我国湿地资源丰富,目前我国湿地面积8.04亿亩,居亚洲第一、世界第四位。随着社会经济的发展,滨海湿地的生态价值和经济价值日益明显。湿地植被是湿地生态系统的重要组成部分,在生态环境功能方面发挥着重要作用。但目前由于各种自然和人为活动的影响使得湿地退化现象严重,湿地植被的生态功能显著下降。快速准确地开展滨海湿地地物类型及其变化监测,是合理开展滨海湿地保护和恢复工作的前提。
但由于滨海湿地潮滩、潮沟错综分布,湿地腹地区域人员难于进入,严重影响对滨海湿地地物类型种类、分布及其变化情况的准确监测。而遥感技术的发展弥补了这一缺陷,遥感具有大范围、同步观测、高时空分辨率和高频率等优势,可为湿地生态系统监测和管理提供经济、快捷、实时的数据来源。随着遥感技术的快速发展,越来越多的遥感影像被运用于滨海湿地研究中,如美国Landsat系列卫星和法国的SPOT等系列卫星,具有性价比高、易获取、数据处理简单等优势,适合二级湿地的动态监测,目前被普遍利用,但是难以进行多级湿地遥感分类。
发明内容
有鉴于此,提供一种滨海湿地植被精细分类方法、装置、设备和存储介质,以解决相关技术中无法对滨海湿地植被进行精细分类的问题。
本发明采用如下技术方案:
第一方面,本申请实施例提供了一种滨海湿地植被精细分类方法,该方法包括:
对获取到的原始滨海湿地高光谱数据进行预处理;
将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;
将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接所述光谱特征和空间特征得到回归域特征;
将所述回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
第二方面,本申请实施例提供了一种滨海湿地植被精细分类装置,该装置包括:
预处理模块,用于对获取到的原始滨海湿地高光谱数据进行预处理;
回归变换模块,用于将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;
特征提取模块,用于将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接所述光谱特征和空间特征得到回归域特征;
分类模块,用于将所述回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
第三方面,本申请实施例提供了一种设备,该设备包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行本申请实施例第一方面所述的滨海湿地植被精细分类方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的滨海湿地植被精细分类方法中各个步骤。
本发明采用以上技术方案,通过对获取到的原始滨海湿地高光谱数据进行预处理,这样有助于提高后续分类的精度;将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据,回归后的数据类内差异减小、类间差异增大;将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,实现了分别对光谱特征和空间特征的提取,平铺拼接光谱特征和空间特征得到回归域特征;最后将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。提高了湿地地物分类的精度。
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,下面将对实施例或现有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的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种滨海湿地植被精细分类方法的流程图;
图2是本申请实施例中适用的一种滨海湿地植被精细分类方法的执行过程示意图;
图3是本申请实施例中适用的一种回归变换流程图;
图4是本申请实施例中适用的一种回归数据特征提取的流程图;
图5是本申请实施例提供的一种滨海湿地植被精细分类装置的结构示意图;
图6是本申请实施例提供的一种设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
首先对本申请实施例的可应用场景和相关概念进行说明。高光谱数据(Hyperspectral Image,HSI)具有波段带宽大、波段多等特点,对光谱细节特征具有良好的表现能力,容易获取地物的局部精细信息,在分析植被的反射光谱差异性方面有较大的潜力。一些高光谱卫星已被用于滨海湿地研究中,例如地球观测1号EO-1、高光谱红外成像仪HyspIRI、紧凑型高分辨率成像光谱仪CHRIS和沿海海洋高光谱成像仪HICO,但均未取得广泛应用,且分类精度不高。
湿地植被光谱特征存在较多的复杂与不确定因素,植被多为水生或沼生,光谱相似度高,植被间反射光谱曲线的差异性不明显。不同种类植被的光谱特征曲线受生化组分和冠层结构等因素的影响,表现出一定程度的差别。因此,目前许多高光谱遥感图像分类方法例如决策树法、聚类算法以及新型的机器学习方法例如卷积神经网络均不能实现滨海湿地地物的精细分类。
作为高分重大专项的重要组成部分,高分五号GF-5卫星是实现我国高光谱分辨率对地观测能力的重要标志之一,是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星。高分五号卫星携带的可见短波红外高光谱相机AHSI,有330个探测通道,可以获取0.4微米至2.5微米谱段的图像和连续光谱信息,其强大探测能力可见一斑。但目前缺乏对GF-5遥感影像的研究,研究GF-5卫星拍摄的滨海数据意义重大。
实施例
图1为本发明实施例提供的一种滨海湿地植被精细分类方法的流程图,该方法可以由本发明实施例提供的滨海湿地植被精细分类装置来执行,该装置可采用软件和/或硬件的方式实现。参考图1,该方法具体可以包括如下步骤:
S101、对获取到的原始滨海湿地高光谱数据进行预处理。
在对滨海湿地遥感图像进行分类之前,进行空间配准、几何校正、大气校正、波段选择和图像裁剪等数据预处理。其中,原始滨海湿地高光谱数据为GF-5_AHSI数据,也即,利用GF-5_AHSI拍摄的滨海湿地高光谱影像数据,来实现对超过20种湿地地物进行精细分类。
S102、将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据。
具体的,使用基于类间稀疏的判别最小二乘回归方法对预处理后的高光谱图像进行回归处理,这样可以在缩小湿地地物光谱的类内差异的同时,增大类间差异,得到回归变换后的滨海湿地高光谱数据,也可以称为二级回归图像。回归后的数据,类内差异减小,类间差异增大。
S103、将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接光谱特征和空间特征得到回归域特征。
具体的,将回归处理后的高光谱图像输入预先训练的双分支CNN(ConvolutionalNeural Networks,卷积神经网络)网络,训练并提取原始滨海湿地高光谱图像的空-谱特征,也即,光谱特征和空间特征。然后将回归后得到的光谱特征和空间特征进行特征层融合,具体可以是通过平铺拼接光谱特征和空间特征实现,得到融合后的特征称为回归特征。
S104、将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
在一个具体的例子中,在实现空间特征和光谱特征融合后,随后输入决策层得到分类标签,根据分类标签得到最终分类结果。网络训练策略为,首先使用单独的训练数据训练不同的分支,随后采用微调策略。微调需要预训练模型,该模型使用相同或更大的数据集进行训练。微调可以从预训练模型中加载权重,从而显着缩短计算时间。合并两个分支时,预训练模型从训练数据对中提取顶部完全连接层和Softmax预测层前的特征。首先使用Glorot标准化初始化附加层的权重和偏差,然后以非常小的学习速率进行更新。
需要说明的是,深度学习方法需要大量标记数据进行训练。对于湿地高光谱数据,标记过程成本高,训练样本较少。为了克服这个问题,产生随机种子以90°左右翻转,并在训练阶段上下移动,扩增训练集。此外为了加快收敛速度,将所有数据都归一化处理。
本发明采用以上技术方案,通过对获取到的原始滨海湿地高光谱数据进行预处理,这样有助于提高后续分类的精度;将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据,回归后的数据类内差异减小、类间差异增大;将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,实现了分别对光谱特征和空间特征的提取,平铺拼接光谱特征和空间特征得到回归域特征;最后将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。提高了湿地地物分类的精度。
在一个具体的例子中,图2示出了一种滨海湿地植被精细分类方法的执行过程示意图。参考图2,对获取到的滨海湿地高光谱卫星数据进行预处理,然后进行回归域特征提取,最后输出标签以进行滨海湿地植被精细分类。
可选的,将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据,具体可以通过如下方式实现:基于类间稀疏度的判别最小二乘回归方法对预处理后的滨海湿地高光谱数据进行回归变换;在LSR模型中引入L21范数的稀疏误差项,以目标标签矩阵进行回归;得到回归变换后的滨海湿地高光谱数据。
其中,由于湿地数据类型复杂,植被多为水生与沼生,光谱差异小,且地物混合严重,造成湿地植被类间相似与类内差异的问题,导致分类困难且准确率低。因此,为了提高分类性能,采用类间稀疏度的判别最小二乘回归方法对数据进行回归处理。在最小二乘回归模型中引入类间稀疏性约束,使来自同一类的样本的距离大大减小,而来自不同类的样本的距离可以增大。同时,在LSR(Least squares regression,最小二乘回归)模型中引入一个L21范数的稀疏误差项,以松弛的目标标签矩阵进行回归,变换后的样本在每个类中具有一个共同的稀疏结构。
在一个具体的例子中,设给定训练集X∈Rm×n和相应的标签矩阵Y∈Rc×n,将类稀疏性约束引入标准最小二乘回归的投影如下:
其中Q∈Rc×m为变换矩阵,λ1和λ2为正则化参数,下角标F表示F范数,下角标2,1表示L21范数,m表示给定训练集的样本个数;n表示给定数据维度;c表示给定数据集的样本类别数量。
示例性的,回归变换过程可以包括:将预处理后的滨海湿地高光谱数据分为训练样本和测试样本;应用类间稀疏度的判别最小二乘回归方法对训练样本进行回归变换;应用目标标签矩阵对回归变换后的训练样本和测试样本相乘,得到回归变换后的滨海湿地高光谱数据。在一个具体的例子中,图3示出了一种回归变换流程图。
在一个具体的例子中,预先训练的双分支CNN网络包括一维CNN网络和二维CNN网络,其中,一维CNN网络为光谱特征提取通道,包括一维卷积层、激活层、最大池化层和批量归一化处理模块,二维CNN网络为空间特征提取通道,包括二维卷积层、激活层、最大池化层和批量归一化处理模块。
另外,将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,具体可以通过如下方式实现:一维CNN网络对回归变换后的高光谱数据进行特征提取,输出光谱特征;以每个回归变换后的滨海湿地高光谱数据样本点为中心,构建设定尺寸的样本块,二维CNN网络从各个中心目标像素周围域提取空间特征。
在一个具体的例子中,光谱特征提取分支对高光谱数据每个位置的光谱数据进行特征提取。采用泄漏线性修正单元Leaky ReLUs作为激活函数,通过采用一个很小的常数,保留部分负梯度值,并且所涉及的批量归一化处理中允许更高的学习速率来加速收敛使用每个培训小批量的标准化数。在卷积和最大池化层之后,输出光谱特征。
另外,光谱信息和空间信息对HIS像素级很重要,因此,在本申请实施例中,以每个样本点为中心,构建5×5×L个样本块,其中,L为波段数,在本申请实施例中可以取285。再输入空间特征提取分支,使用Leaky ReLUs作为激活函数,使用Dropout防止过拟合。从中心目标像素周围域提取空间特征。在一个具体的例子中,图4示出了一种回归数据特征提取的流程图。
在上述技术方案的基础上,本申请实施例的技术方案还包括:在双分支CNN分支中,若需要正向计算,空间特征提取通道和光谱特征提取通道同时向前传送,基于链式规则对反向传播的权重进行更新。
示例性的,空间配准包括将原始滨海湿地高光谱数据转换为WGS-84地理坐标系统;几何校正包括基于全球30米DEM(Digital Elevation Model,数字高程模型)数据和有理多项式系数文件,以及双线性插值方法虽原始滨海湿地高光谱数据进行几何校正,并根据表面发射率进行校准;波段选择包括去除原始滨海湿地高光谱数据中的信息丢失波段和噪声波段;大气校正包括用ENVI软件的光谱超立方体模块进行大气快速视线分析;辐射校正包括利用增益和偏移系数对原始滨海湿地高光谱数据进行校正。其中,在波段选择中,信息丢失波段和噪声波段可以表示为[VNIR:1,2:SWIR:42-53,96-115,119-121,172-173,175-180]。
为了验证本申请实施例的有效性,选择两个湿地区域进行实验验证,分别为黄河口湿地以及盐城湿地。黄河三角洲是世界上增长最快的三角洲,位于中国山东省东北部,36°55'–38°16'N,117°31'–119°18'E。其北部和东部地区毗邻渤海湾和莱州湾。拥有丰富的滨海湿地资源,被誉为中国最美的六大湿地之一。黄河河口位于黄河三角洲东部,总面积2.424~103km2。本研究区土地受盐渍化过程影响较大,植被主要由以草和灌木为主的全植物群落组成,土地覆盖类型丰富,是滨海湿地分类的理想试验场。
在黄河口湿地分类的实施例中,为了实现训练样本与测试样本的独立,可以分块选取10%样本块作为训练样本,剩余样本块作为测试样本,所得分类精度如表1所示。在21类湿地地物类型的分类中,本发明方法总体分类精度达到95%以上,有效实现湿地地物的精细分类。
盐城滨海湿地位于中国江苏省东部,32°34'–34°28'N,119°27'–121°16'E,横跨响水县、滨海县、射阳县、亭湖区、大丰区、东台市五市,海岸线长582公里,面积4.553km2。该区自然湿地资源丰富,辐射沙洲、沿海林场和草原面积大,沿海滩涂宽阔,是国家重点保护的各类动植物栖息地。盐城湿地保护区1992年被认定为国家级自然保护区,盐城国家级自然保护区,简称为YNNR,1993年加入联合国教科文组织人与生物圈计划的国际生物圈保护区,2002年被定为拉姆萨尔国际重要湿地公约名录。本申请实施例中,选择YNNR及其扩展区域作为研究区域。
应用本申请实施例中的方法对两个研究区域的高分五号高光谱数据中的超过20种地物精细分类。与近期其他稳定的高光谱遥感图像分类方法对比结果如表2所示。分别与其他4种方法在原始数据以及ICS_DLSR回归后的数据上的分类情况进行对比评估,评估了单类精度、总体精度OA、平均精度AA与Kappa系数。证明了本申请实施例的方法可以有效对滨海湿地二十余种地物精细分类,在总体分类精度以及各类地物分类总体均衡性上均为最优。
表1本申请实施例与其他传统方法在黄河口湿地分类结果对比表
表2本申请实施例与其他传统方法在盐城湿地分类结果对比表
图5是本发明是实施例提供的一种滨海湿地植被精细分类装置的结构示意图,该装置适用于执行本发明实施例提供给的一种滨海湿地植被精细分类方法。如图5所示,该装置具体可以包括预处理模块501、回归变换模块502、特征提取模块503和分类模块504。
其中,预处理模块501,用于对获取到的原始滨海湿地高光谱数据进行预处理;回归变换模块502,用于将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;特征提取模块503,用于将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接光谱特征和空间特征得到回归域特征;分类模块504,用于将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
本发明采用以上技术方案,通过对获取到的原始滨海湿地高光谱数据进行预处理,这样有助于提高后续分类的精度;将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据,回归后的数据类内差异减小、类间差异增大;将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,实现了分别对光谱特征和空间特征的提取,平铺拼接光谱特征和空间特征得到回归域特征;最后将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。提高了湿地地物分类的精度。
可选的,回归变换模块502具体用于:
基于类间稀疏度的判别最小二乘回归方法对预处理后的滨海湿地高光谱数据进行回归变换;
在LSR模型中引入L21范数的稀疏误差项,以目标标签矩阵进行回归;
得到回归变换后的滨海湿地高光谱数据。
可选的,回归变换模块502具体还用于:
将预处理后的滨海湿地高光谱数据分为训练样本和测试样本;
应用类间稀疏度的判别最小二乘回归方法对训练样本进行回归变换;
应用目标标签矩阵对回归变换后的训练样本和测试样本相乘,得到回归变换后的滨海湿地高光谱数据。
可选的,预先训练的双分支CNN网络包括一维CNN网络和二维CNN网络,其中,一维CNN网络为光谱特征提取通道,包括一维卷积层、激活层、最大池化层和批量归一化处理模块,二维CNN网络为空间特征提取通道,包括二维卷积层、激活层、最大池化层和批量归一化处理模块;
特征提取模块503具体用于:
一维CNN网络对回归变换后的高光谱数据进行特征提取,输出光谱特征;
以每个回归变换后的滨海湿地高光谱数据样本点为中心,构建设定尺寸的样本块,二维CNN网络从各个中心目标像素周围域提取空间特征。
可选的,还包括权重更新模块,用于在双分支CNN分支中,若需要正向计算,空间特征提取通道和光谱特征提取通道同时向前传送,基于链式规则对反向传播的权重进行更新。
可选的,预处理模块501具体用于:
对获取到的原始滨海湿高光谱数据进行空间配准、几何校正、波段选择、大气校正和辐射校正。
可选的,空间配准包括将原始滨海湿地高光谱数据转换为WGS-84地理坐标系统;
几何校正包括基于全球30米DEM数据和有理多项式系数文件,以及双线性插值方法虽原始滨海湿地高光谱数据进行几何校正,并根据表面发射率进行校准;
波段选择包括去除原始滨海湿地高光谱数据中的信息丢失波段和噪声波段;
大气校正包括用ENVI软件的光谱超立方体模块进行大气快速视线分析;
辐射校正包括利用增益和偏移系数对原始滨海湿地高光谱数据进行校正;
其中,原始滨海湿地高光谱数据为GF-5_AHSI数据。
本发明实施例提供的滨海湿地植被精细分类装置可执行本发明任意实施例提供的滨海湿地植被精细分类方法,具备执行方法相应的功能模块和有益效果。
本发明实施例还提供一种设备,请参阅图6,图6为一种设备的结构示意图,如图6所示,该设备包括:处理器610,以及与处理器610相连接的存储器620;存储器620用于存储计算机程序,所述计算机程序至少用于执行本发明实施例中的滨海湿地植被精细分类方法;处理器610用于调用并执行所述存储器中的所述计算机程序;上述滨海湿地植被精细分类方法至少包括如下步骤:对获取到的原始滨海湿地高光谱数据进行预处理;将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接光谱特征和空间特征得到回归域特征;将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
本发明实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如本发明实施例中的滨海湿地植被精细分类方法中各个步骤:对获取到的原始滨海湿地高光谱数据进行预处理;将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接光谱特征和空间特征得到回归域特征;将回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
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特定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。
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。例如,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。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种滨海湿地植被精细分类方法,其特征在于,包括:
对获取到的原始滨海湿地高光谱数据进行预处理;
将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;
将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接所述光谱特征和空间特征得到回归域特征;
将所述回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
2.根据权利要求1所述的方法,其特征在于,所述将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据,包括:
基于类间稀疏度的判别最小二乘回归方法对预处理后的滨海湿地高光谱数据进行回归变换;
在LSR模型中引入L21范数的稀疏误差项,以目标标签矩阵进行回归;
得到回归变换后的滨海湿地高光谱数据。
3.根据权利要求2所述的方法,其特征在于,所述将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据,包括:
将预处理后的滨海湿地高光谱数据分为训练样本和测试样本;
应用类间稀疏度的判别最小二乘回归方法对所述训练样本进行回归变换;
应用目标标签矩阵对回归变换后的训练样本和测试样本相乘,得到回归变换后的滨海湿地高光谱数据。
4.根据权利要求1所述的方法,其特征在于,所述预先训练的双分支CNN网络包括一维CNN网络和二维CNN网络,其中,所述一维CNN网络为光谱特征提取通道,包括一维卷积层、激活层、最大池化层和批量归一化处理模块,所述二维CNN网络为空间特征提取通道,包括二维卷积层、激活层、最大池化层和批量归一化处理模块;
所述将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,包括:
所述一维CNN网络对回归变换后的高光谱数据进行特征提取,输出光谱特征;
以每个回归变换后的滨海湿地高光谱数据样本点为中心,构建设定尺寸的样本块,所述二维CNN网络从各个中心目标像素周围域提取空间特征。
5.根据权利要求4所述的方法,其特征在于,还包括:在所述双分支CNN分支中,若需要正向计算,所述空间特征提取通道和所述光谱特征提取通道同时向前传送,基于链式规则对反向传播的权重进行更新。
6.根据权利要求1所述的方法,其特征在于,所述对获取到的原始滨海湿高光谱数据进行预处理,包括:
对获取到的原始滨海湿高光谱数据进行空间配准、几何校正、波段选择、大气校正和辐射校正。
7.根据权利要求6所述的方法,其特征在于,所述空间配准包括将所述原始滨海湿地高光谱数据转换为WGS-84地理坐标系统;
所述几何校正包括基于全球30米DEM数据和有理多项式系数文件,以及双线性插值方法虽所述原始滨海湿地高光谱数据进行几何校正,并根据表面发射率进行校准;
所述波段选择包括去除所述原始滨海湿地高光谱数据中的信息丢失波段和噪声波段;
所述大气校正包括用ENVI软件的光谱超立方体模块进行大气快速视线分析;
所述辐射校正包括利用增益和偏移系数对原始滨海湿地高光谱数据进行校正;
其中,所述原始滨海湿地高光谱数据为GF-5_AHSI数据。
8.一种滨海湿地植被精细分类装置,其特征在于,包括:
预处理模块,用于对获取到的原始滨海湿地高光谱数据进行预处理;
回归变换模块,用于将预处理后的滨海湿地高光谱数据进行回归变换,得到回归变换后的滨海湿地高光谱数据;
特征提取模块,用于将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络,以提取光谱特征和空间特征,平铺拼接所述光谱特征和空间特征得到回归域特征;
分类模块,用于将所述回归域特征输入决策分类,得到滨海湿地植被精细分类结果。
9.一种设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行权利要求1-7任一项所述的滨海湿地植被精细分类方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的滨海湿地植被精细分类方法中各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701214.7A CN111881797A (zh) | 2020-07-20 | 2020-07-20 | 滨海湿地植被精细分类方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701214.7A CN111881797A (zh) | 2020-07-20 | 2020-07-20 | 滨海湿地植被精细分类方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881797A true CN111881797A (zh) | 2020-11-03 |
Family
ID=73155083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701214.7A Pending CN111881797A (zh) | 2020-07-20 | 2020-07-20 | 滨海湿地植被精细分类方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881797A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723860A (zh) * | 2021-09-09 | 2021-11-30 | 四川省自然资源科学研究院 | 一种土地资源资产离任审计评价方法、装置及存储介质 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919710A (zh) * | 2017-03-13 | 2017-07-04 | 东南大学 | 一种基于卷积神经网络的方言分类方法 |
CN107729945A (zh) * | 2017-10-24 | 2018-02-23 | 哈尔滨工业大学深圳研究生院 | 基于类间稀疏表示的鉴别回归、分类方法及系统 |
CN107909260A (zh) * | 2017-11-10 | 2018-04-13 | 浙江省地理信息中心 | 一种自然资源资产离任审计评价方法 |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
-
2020
- 2020-07-20 CN CN202010701214.7A patent/CN111881797A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919710A (zh) * | 2017-03-13 | 2017-07-04 | 东南大学 | 一种基于卷积神经网络的方言分类方法 |
CN107729945A (zh) * | 2017-10-24 | 2018-02-23 | 哈尔滨工业大学深圳研究生院 | 基于类间稀疏表示的鉴别回归、分类方法及系统 |
CN107909260A (zh) * | 2017-11-10 | 2018-04-13 | 浙江省地理信息中心 | 一种自然资源资产离任审计评价方法 |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
CHEN CHEN 等: "COLLABORATIVE CLASSIFICATION OF HYPERSPECTRAL AND LIDAR DATA WITH INFORMATION FUSION AND DEEP NETS", 《IGARSS 2019》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723860A (zh) * | 2021-09-09 | 2021-11-30 | 四川省自然资源科学研究院 | 一种土地资源资产离任审计评价方法、装置及存储介质 |
CN113723860B (zh) * | 2021-09-09 | 2023-05-12 | 四川省自然资源科学研究院 | 一种土地资源资产离任审计评价方法、装置及存储介质 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN113936214B (zh) * | 2021-10-19 | 2023-06-02 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phinn et al. | Monitoring the composition of urban environments based on the vegetation-impervious surface-soil (VIS) model by subpixel analysis techniques | |
Borak | Feature selection and land cover classification of a MODIS-like data set for a semiarid environment | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
CN111881797A (zh) | 滨海湿地植被精细分类方法、装置、设备和存储介质 | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
CN115471437A (zh) | 一种基于卷积神经网络的影像融合方法以及遥感影像融合方法 | |
Zhang et al. | A 250m annual alpine grassland AGB dataset over the Qinghai-Tibetan Plateau (2000–2019) based on in-situ measurements, UAV images, and MODIS Data | |
CN117437538A (zh) | 一种热带雨林生态系统时空格局特征提取及预测方法 | |
CN115240066A (zh) | 基于深度学习的遥感影像矿区复绿监测方法及系统 | |
Ma et al. | Global land surface 250-m 8-day Fraction of Absorbed Photosynthetically Active Radiation (FAPAR) product from 2000 to 2020 | |
CN115019200A (zh) | 一种基于样本不平衡的松材线虫病树智能识别方法 | |
CN112733746B (zh) | 融合InSAR相干性与多光谱遥感的协同分类方法 | |
CN117496345A (zh) | 一种基于CVCUnet的多地形多波段耕地的提取方法 | |
Alvarez et al. | Multitemporal land-cover classification of Mexico using Landsat MSS imagery | |
CN116824393A (zh) | 基于迁移学习与半监督回归模型的湖泊叶绿素反演方法 | |
Drees et al. | Multi-modal deep learning with sentinel-3 observations for the detection of oceanic internal waves | |
Sallaba | Potential of a Post-Classification Change Detection Analysis to Identify Land Use and Land Cover Changes | |
CN116340838A (zh) | 基于多特征融合的自注意力机制的内蒙古草原的分类方法 | |
CN111914631B (zh) | 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法 | |
CN113705454A (zh) | 一种包含红外光谱遥感影像的有林地提取方法 | |
Jiang et al. | Surface global and diffuse solar radiation over China acquired from geostationary Multi-functional Transport Satellite data | |
Han et al. | Remote Sensing Image Classification Based on Multi-Spectral Cross-Sensor Super-Resolution Combined With Texture Features: A Case Study in the Liaohe Planting Area |
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: 20201103 |