CN112446339B - 一种层次深度学习农作物遥感分类方法 - Google Patents

一种层次深度学习农作物遥感分类方法 Download PDF

Info

Publication number
CN112446339B
CN112446339B CN202011412442.9A CN202011412442A CN112446339B CN 112446339 B CN112446339 B CN 112446339B CN 202011412442 A CN202011412442 A CN 202011412442A CN 112446339 B CN112446339 B CN 112446339B
Authority
CN
China
Prior art keywords
llc
hlc
classification
hdl
remote sensing
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.)
Active
Application number
CN202011412442.9A
Other languages
English (en)
Other versions
CN112446339A (zh
Inventor
李华朋
张树清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202011412442.9A priority Critical patent/CN112446339B/zh
Publication of CN112446339A publication Critical patent/CN112446339A/zh
Application granted granted Critical
Publication of CN112446339B publication Critical patent/CN112446339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种层次深度学习(HDL)农作物遥感分类方法，高层次作物LLC分类概率可作为高层次作物HLC分类的先验概率，反过来也是HLC的分类概率也作为LLC分类的先验概率，此过程反复迭代可用马尔科夫过程模型表达，HDL模型由两个子模型构成(HDL‑LLC以及HDL‑HLC)，分别用于低层次作物LLC和高层次作物HLC的分类，进行LLC分类概率计算和HLC分类概率计算。本发明能同时实现LLC和HLC遥感分类，并且将LLC和HLC的相关关系纳入分类过程，从而提高了LLC和HLC遥感分类精度，解决了目前LLC和HLC分类彼此分类割裂、无法统一的问题。

Description

一种层次深度学习农作物遥感分类方法
技术领域
本发明涉及一种遥感分类方法，特别涉及一种层次深度学习农作物遥感分类方法。
背景技术
农业景观是一种具有鲜明层次关系的生态系统。根据人的知识，农业景观在宽泛高层次可分为果树、饲草、蔬菜、谷物等较为宏观的类别，而在精细低层次可分到具体的农作物种类，例如苹果树、苜蓿草、西红柿、小麦等。实际上，高层次作物(HLC,High-levelcrop)和低层次作物(LLC,low-level crop)在实际应用中各具价值。例如，政府对经济作物(例如蔬菜)做农业补贴统计，只需要了解宽泛的蔬菜的空间分布及面积，而不需要知道具体蔬菜种类的面积。而农作物的长势以及病虫害监测则需要掌握精细低层次的农作物空间分布信息。此外，低层次作物LLC和高层次作物HLC覆盖相同的地理空间，因此具有明显的相关关系，这一关系对于提升LLC和HLC农作物遥感分类精度可能十分有益。目前最先进的农作物遥感分类方法为深度卷积网络CNN(Convolutional Neural Networks)，但CNN只能在某一分类层次(LLC或HLC)上完成农作物分类，不同同时实现LLC和HLC的分类，并且也无法利用LLC和HLC密切相关关系提高彼此分类精度。由于LLC数目一般比较多，并且人类获取的样本数量有限，CNN很难实现高精度的农作物遥感分类。
农作物时空分布信息的实时监测，对于农田产量的估算、保障国家尺度甚至全球范围内粮食安全具有重要的意义。遥感技术(尤其是高分遥感)由于其覆盖范围大、时效性强等优势，已发展成为农作物分类制图的主要手段。然而，农作物遥感影像的光谱特征具有高时空异质性，因而高精度农作物遥感分类制图十分具有挑战性。
机器学习方法(支持向量机、随机森林等)等常用的遥感分类方法很难获得较好的农作物分类结果。这是因为这些方法都是浅层分类器，且只能利用影像的光谱信息，无法利用丰富的空间信息。深度卷积网络CNN的发展为解决农作物遥感分类问题提供了新的机遇。CNN使用输入窗口(input window)的方式从影像上自动学习多层次特征，并能充分挖掘影像空间背景信息，因此相比传统机器学习方法提高了农作物的遥感分类精度。然而，目前发展的基于CNN的分类方法只能实现单层次(宽泛高层次HLC或精细低层次LLC)农作物遥感分类，无法同时实现HLC和LLC农作物遥感分类，并且分类过程也无法利用LLC和HLC密切相关关系。目前尚未发现与本发明专利近似的实现方案。
现有的农作物遥感分类方法的不足体现在两个方面：
(1)无法同时实现HLC和LLC农作物遥感分类；
(2)分类过程无法利用LLC和HLC密切相关关系。
发明内容
本发明的目的在于提供一种层次深度学习农作物遥感分类方法，能同时实现LLC和HLC遥感分类，并且将LLC和HLC的相关关系纳入分类过程，从而提高了LLC和HLC遥感分类精度，解决了目前LLC和HLC分类彼此分类割裂、无法统一的问题。
为实现上述目的，本发明提供如下技术方案：
一种层次深度学习农作物遥感分类方法，包括如下步骤：
步骤1：层次深度学习(HDL)模型由两个子模型构成(HDL-LLC以及HDL-HLC)，分别用于低层次作物LLC和高层次作物HLC的分类。HDL-LLC及HDL-HLC子模型均采用面向对象卷积神经网络OCNN作为分类器；
步骤2：假设M代表遥感影像，m和n分别代表LLC和HLC数目，O＝(o1，o2，.....oj，......ou)表示从影像M分割的对象集合，oj和u分别代表第j个对象及分割对象的总数量；
步骤2：TLLC＝(tLLC1，tLLC1，.....tLLCk，......tLLCv)和THLC＝(tLLC1，tHLC1，.....tHLCk，......tHLCv)分别代表LLC和HLC的训练样本，tLLCk和tHLCk分别表示LLC和HLC的第k个样本，v表示总样本数量，TLLC与THLC分别用于训练HDL-LLC和HDL-HLC两个子模型的OCNN分类器；
步骤3：LLC分类概率作为HLC分类的先验概率，反过来HLC的分类概率也作为LLC分类的先验概率。此过程反复迭代，构成马尔科夫过程模型(Markov Process,MP)；HDL模型不断迭代，LLC和HLC的分类概率也不断迭代更新；
步骤4：模型迭代过程执行完毕，输出最后得到的LLC分类概率和HLC分类概率；使用最大后验概率(MAP)方法计算得到LLC和HLC最后分类结果。
进一步地，迭代过程中LLC和HLC的分类概率采用以下公式表达：
P(LLCi,HLCi)＝P(LLCi,HLCi|LLCi-1,HLCi-1)
这里i表示HDL模型的第i次迭代，LLCi和HLCi分别代表HDL模型第i次迭代的LLC和HLC的分类输出。
进一步地，两个子模型的分类器选择面向对象卷积神经网络OCNN(Object-basedCNN)。
进一步地，OCNN是一种面向对象的分类器，即首先应用多尺度分割算法(multi-resolution segmentation,MRS)将遥感影像分割成对象，然后使用训练样本对OCNN模型进行训练，随后使用训练完成的OCNN对每一个分割对象的分类类别进行预测，最后得到基于对象的遥感分类图。
1.进一步地，步骤3的HDL-LLC子模型使用遥感影像M和上一次迭代输出的HLC分类概率的集合作为输入变量，而HDL-HLC子模型的输入变量仅为本次迭代LLC的分类概率。
与现有技术相比，本发明的有益效果是：本发明的优点有两方面：
1.本层次深度学习农作物遥感分类方法能同时实现宽泛高层次作物HLC和精细低层次作物LLC的同时分类。
2.本层次深度学习农作物遥感分类方法将LLC和HLC的紧密相关关系纳入分类过程，从而同时提高LLC和HLC遥感分类精度。
附图说明
图1为本发明所提出的HDL方法流程图。
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。
一种层次深度学习农作物遥感分类方法，HDL方法的基本流程图如图1所示，包括如下步骤：
LLC分类概率可作为HLC分类的先验概率，反过来也是HLC的分类概率也作为LLC分类的先验概率，此过程反复迭代可用马尔科夫过程模型(Markov Process,MP)表达，迭代过程中LLC和HLC的分类概率采用以下公式表达：
P(LLCi,HLCi)＝P(LLCi,HLCi|LLCi-1,HLCi-1)
这里i表示HDL模型的第i次迭代，LLCi和HLCi分别代表HDL模型第i次迭代的LLC和HLC的分类输出；
HDL模型由两个子模型构成(HDL-LLC以及HDL-HLC)，分别用于低层次作物LLC和高层次作物HLC的分类，两个子模型的分类器选择面向对象卷积神经网络OCNN(Object-basedCNN)，OCNN是一种面向对象的分类器，即首先应用多尺度分割算法(multi-resolutionsegmentation,MRS)将遥感影像分割成对象，然后使用训练样本对OCNN模型进行训练，随后使用训练完成的OCNN对每一个分割对象的分类类别进行预测，最后得到基于对象的遥感分类图；
假设M代表遥感影像，m和n分别代表LLC和HLC数目，O＝(o1，o2，.....oj，......ou)表示从影像M分割的对象集合，oj和u分别代表第j个对象及分割对象的总数量；
TLLC＝(tLLC1，tLLC1，.....tLLCk，......tLLCv)和THLC＝(tLLC1，tHLC1，.....tHLCk，......tHLCv)分别代表LLC和HLC的训练样本，tLLCk和.tHLCk分别表示LLC和HLC的第k个样本，v表示总样本数量，TLLC与THLC分别用于训练HDL-LLC和HDL-HLC两个子模型的OCNN分类器；实际上，TLLC与THLC包含的样本元素是完全相同的，只是划分方式不同。某一个THLC类别的样本可能由多类TLLC样本组成。例如HLC果树的训练样本可能由LLC苹果树和梨树的训练样本所构成。
进行LLC分类概率计算：
使用HDL-LLC子模型完成LLC分类。这里，HDL-LLC子模型的输入变量为原始影像M和上一次迭代输出的HLC分类概率P(HLCi-1)的集合：
MLLC i＝Concate(M,P(HLCi-1))
这里，Concate表示一种集合函数。对于第一次迭代(i＝1)，P(HLCi-1)为空值，则MLLCi等同于原始影像。
HDL-LLC子模型的OCNN分类器利用TLLC样本进行训练如下：
Figure BDA0002818385000000031
第i次迭代LLC分类概率可用训练好的OCNN计算如下：
Figure BDA0002818385000000032
P(HLCi)的空间大小与原始影像M相一致，P(LLCi)的维度(包含波段数量)等于LLC总分类数量。
HLC分类概率计算：
不同HDL-LLC子模型，HDL-HLC子模型的输入变量仅为LLC分类概率，因此HDL-HLC子模型OCNN分类器的训练可表示如下：
Figure BDA0002818385000000033
使用训练完成的OCNN预测HLC分类概率如下：
Figure BDA0002818385000000034
每一次迭代LLC和HLC的分类概率(P(LLCi))和(P(HLCi))均相互进行更新。
LLC和HLC分类图产出：
LLC和HLC最终分类结果MLLCresult和MHLCresult基于最后一次迭代输出的分类概率计算如下：
MLLCresult＝arg max(P(LLCN))
MHLCresult＝arg max(P(HLCN))
这里使用argmax函数将每一个分割对象最大分类概率值所对应的类别，划分为该对象的分类类别，N表示HDL模型的最大迭代次数。
本发明提出了一种全新的层次深度学习(Hierarchical Deep Learning,HDL)农作物遥感分类框架，能同时实现LLC和HLC遥感分类，并且将LLC和HLC的相关关系纳入分类过程，从而提高了LLC和HLC遥感分类精度，解决了目前LLC和HLC分类彼此分类割裂、无法统一的问题。
以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种层次深度学习农作物遥感分类方法，其特征在于，包括如下步骤：
步骤1：层次深度学习(HDL)模型由两个子模型构成(HDL-LLC以及HDL-HLC)，分别用于低层次作物LLC和高层次作物HLC的分类， HDL-LLC及HDL-HLC子模型均采用面向对象卷积神经网络OCNN作为分类器；
步骤2：假设M代表遥感影像，m和n分别代表LLC和HLC数目，O＝(o1，o2，.....oj，......ou)表示从影像M分割的对象集合，oj和u分别代表第j个对象及分割对象的总数量；
步骤2：TLLC＝(tLLC1，tLLC1，.....tLLCk，......tLLCv)和THLC＝(tLLC1，tHLC1，.....tHLCk，......tHLCv)分别代表LLC和HLC的训练样本，tLLCk和tHLCk分别表示LLC和HLC的第k个样本，v表示总样本数量，TLLC与THLC分别用于训练HDL-LLC和HDL-HLC两个子模型的OCNN分类器；
步骤3：LLC分类概率作为HLC分类的先验概率，反过来HLC的分类概率也作为LLC分类的先验概率。此过程反复迭代，构成马尔科夫过程模型(Markov Process,MP)；HDL模型不断迭代，LLC和HLC的分类概率也不断迭代更新；
步骤4：模型迭代过程执行完毕，输出最后得到的LLC分类概率和HLC分类概率；使用最大后验概率(MAP)方法计算得到LLC和HLC最后分类结果。
2.如权利要求1所述的层次深度学习农作物遥感分类方法，其特征在于，迭代过程中LLC和HLC的分类概率采用以下公式表达：
P(LLCi，HLCi)＝P(LLCi，HLCi|LLCi-1，HLCi-1)
这里i表示HDL模型的第i次迭代，LLCi和HLCi分别代表HDL模型第i次迭代的LLC和HLC的分类输出。
3.如权利要求1所述的层次深度学习农作物遥感分类方法，其特征在于，两个子模型的分类器选择面向对象卷积神经网络OCNN(Object-based CNN)。
4.如权利要求3所述的层次深度学习农作物遥感分类方法，其特征在于，OCNN是一种面向对象的分类器，即首先应用多尺度分割算法(multi-resolution segmentation,MRS)将遥感影像分割成对象，然后使用训练样本对OCNN模型进行训练，随后使用训练完成的OCNN对每一个分割对象的分类类别进行预测，最后得到基于对象的遥感分类图。
5.如权利要求1所述的层次深度学习农作物遥感分类方法，其特征在于，步骤3的HDL-LLC子模型使用遥感影像M和上一次迭代输出的HLC分类概率的集合作为输入变量，而HDL-HLC子模型的输入变量仅为本次迭代LLC的分类概率。
CN202011412442.9A 2020-12-04 2020-12-04 一种层次深度学习农作物遥感分类方法 Active CN112446339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412442.9A CN112446339B (zh) 2020-12-04 2020-12-04 一种层次深度学习农作物遥感分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011412442.9A CN112446339B (zh) 2020-12-04 2020-12-04 一种层次深度学习农作物遥感分类方法

Publications (2)

Publication Number Publication Date
CN112446339A CN112446339A (zh) 2021-03-05
CN112446339B true CN112446339B (zh) 2022-03-11

Family

ID=74740276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011412442.9A Active CN112446339B (zh) 2020-12-04 2020-12-04 一种层次深度学习农作物遥感分类方法

Country Status (1)

Country Link
CN (1) CN112446339B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699315B (zh) * 2009-10-23 2012-04-25 北京农业信息技术研究中心 一种作物长势均匀度的监测装置和方法
CN108596029A (zh) * 2018-03-20 2018-09-28 尚正（北京）信息技术有限公司 农作物分类方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112446339A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN112766199B (zh) 基于自适应多尺度特征提取模型的高光谱图像分类方法
CN111369540B (zh) 基于掩码卷积神经网络的植物叶片病害识别方法
CN110222215B (zh) 一种基于f-ssd-iv3的作物害虫检测方法
CN111476219A (zh) 智能家居环境中图像目标检测方法
CN109409261B (zh) 一种农作物分类方法及系统
CN105809672B (zh) 一种基于超像素和结构化约束的图像多目标协同分割方法
CN109726748B (zh) 一种基于频带特征融合的gl-cnn遥感图像场景分类方法
CN112749627A (zh) 一种基于多源遥感影像的烟草动态监测的方法和装置
CN113837499A (zh) 一种超短期风电功率预测方法及系统
WO2022214039A1 (zh) 一种农业种植结构的遥感识别方法
CN113657326A (zh) 一种基于多尺度融合模块和特征增强的杂草检测方法
CN113887517A (zh) 基于并行注意力机制的农作物遥感图像语义分割方法
CN110689065A (zh) 一种基于扁平混合卷积神经网络的高光谱图像分类方法
CN105184400A (zh) 一种烟田土壤水分预测方法
CN109671019A (zh) 一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法
CN114154401A (zh) 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统
CN113627240B (zh) 一种基于改进ssd学习模型的无人机树木种类识别方法
CN115860269A (zh) 一种基于三重注意力机制的农作物产量预测方法
CN110826526A (zh) 一种测云雷达识别云类的方法
Jha et al. Contrasting occupancy models with presence-only models: Does accounting for detection lead to better predictions?
CN112446339B (zh) 一种层次深度学习农作物遥感分类方法
CN110705698A (zh) 尺度自适应感知的目标计数深度网络设计方法
CN116563205A (zh) 基于小目标检测和改进YOLOv5的麦穗计数检测方法
CN113408374B (zh) 基于人工智能的产量预估方法、装置、设备及存储介质
CN114022782A (zh) 一种基于modis卫星数据的海雾探测方法

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
GR01 Patent grant
GR01 Patent grant