CN112668670A - 地膜识别方法及其相关设备 - Google Patents
地膜识别方法及其相关设备 Download PDFInfo
- Publication number
- CN112668670A CN112668670A CN202110273429.8A CN202110273429A CN112668670A CN 112668670 A CN112668670 A CN 112668670A CN 202110273429 A CN202110273429 A CN 202110273429A CN 112668670 A CN112668670 A CN 112668670A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- multispectral remote
- matrix
- resolution multispectral
- 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 78
- 239000002362 mulch Substances 0.000 title claims description 31
- 238000002310 reflectometry Methods 0.000 claims abstract description 68
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 94
- 238000000605 extraction Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 19
- 238000012952 Resampling Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 19
- 230000014509 gene expression Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 239000002689 soil Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000012010 growth Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000002985 plastic film Substances 0.000 description 2
- 229920006255 plastic film Polymers 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002147 killing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本公开提供了一种地膜识别方法，包括：获取高分辨率多光谱遥感影像；对高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；根据多个波段的反射率数据确定至少一个纹理特征；以及基于语义分割模型，根据多个波段的反射率数据以及至少一个纹理特征识别高分辨率多光谱遥感影像中地膜。对应上述地膜识别方法，本公开还提供了地膜识别装置、电子设备以及计算机可读介质。
Description
技术领域
本公开一个或多个实施例涉及图像识别技术领域，尤其涉及一种地膜识别方法及其相关设备。
背景技术
地膜即地面覆盖薄膜，用于地面覆盖，以提高土壤温度，保持土壤水分，维持土壤结构，防止害虫侵袭作物和某些微生物引起的病害，促进植物生长等。地膜的作用非常大，不仅能够提高地温、保水、保土、保肥提高肥效，而且还有灭草、防病虫、防旱抗涝、抑盐保苗、改进近地面光热条件，使产品卫生清洁等多项功能，因此，深受广大农民的欢迎，在农业中得到广泛的使用。因此，对于农业中地膜的使用情况进行检测、分析，并根据分析结果进行地膜使用的管理等是当前农业环保中一个非常重要的课题。
发明内容
有鉴于此，本公开的一个或多个实施例提出一种地膜识别方法，可以从包含地膜的高分辨率多光谱遥感影像中快速并精确地识别出其中由地膜覆盖的区域，从而确定地膜的使用和残留情况。
本公开实施例所述的地膜识别方法可以包括：获取高分辨率多光谱遥感影像；对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；根据所述多个波段的反射率数据确定至少一个纹理特征；以及基于语义分割模型，根据所述多个波段的反射率数据以及所述至少一个纹理特征识别所述高分辨率多光谱遥感影像中地膜。
其中，所述高分辨率多光谱遥感影像包括哨兵2号卫星采集的L1C级多光谱遥感影像；
所述对所述高分辨率多光谱遥感影像进行预处理包括：从所述哨兵2号卫星采集的L1C级多光谱遥感影像中提取多个波段的大气顶层辐射率数据；以及对所述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
其中，所述对所述高分辨率多光谱遥感影像进行预处理进一步包括：对所述多个波段地物的地表反射率进行重采样处理。
其中，所述根据所多个波段的反射率数据确定至少一个纹理特征包括：对所述多个波段的反射率数据进行主成分分析，得到单波段的灰度影像；对所述单波段的灰度影像进行灰度降级；根据经过灰度降级后的单波段的灰度影像生成灰度共生矩阵；以及根据所述灰度共生矩阵确定至少一个纹理特征；其中，所述至少一个纹理特征包括：均值统计量矩阵、方差统计量矩阵、对比度统计量矩阵、均质性统计量矩阵、相异性统计量矩阵、熵统计量矩阵、角二阶矩统计量矩阵、相关性统计量矩阵以及自相关性统计量矩阵中的至少一个。
其中，所述语义分割模型包括：全卷积网络模型或者基于残差网络的全卷积网络模型；其中，所述基于残差网络的全卷积网络模型的特征提取层包括至少四个卷积层以及至少一个残差映射层。
上述地膜识别方法进一步包括：根据所述多个波段的反射率数据确定至少一个植被指数；其中，所述植被指数包括：归一化植被指数以及增强型植被指数；以及
所述基于语义分割模型，根据所述多个波段的反射率数据以及所述至少一个纹理特征识别所述高分辨率多光谱遥感影像中地膜包括：基于所述语义分割模型，根据所述多个波段的反射率数据、所述至少一个纹理特征以及所述至少一个植被指数识别所述高分辨率多光谱遥感影像中地膜。
其中，所述高分辨率多光谱遥感影像为多时相高分辨率多光谱遥感影像。
对应上述地膜识别方法，本公开的实施例还提出了一种地膜识别装置，可以包括：
影像获取模块，用于获取高分辨率多光谱遥感影像；
预处理模块，用于对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；
纹理特征提取模块，用于根据所述多个波段的反射率数据确定至少一个纹理特征；以及
识别模块，用于基于语义分割模型，根据所述多个波段的反射率数据以及所述至少一个纹理特征识别所述高分辨率多光谱遥感影像中地膜。
本公开的一个或多个实施例还提供了一种电子设备，可以包括：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，其中，所述处理器执行所述程序时实现上述地膜识别方法。
本公开的一个或多个实施例还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述地膜识别方法。
可以看出，上述地膜识别方法及其相关设备利用高分辨率多光谱遥感影像的光谱特征以及纹理特征进行地膜识别，可以充分利用地膜与周围农作物、土壤的光谱、纹理完全不同的特点，实现高精确度的地膜识别，从而确定由地膜覆盖的区域（简称为覆膜区域），完成农业中地膜使用情况的检测、分析和管理。
进一步，上述语义分割模型可以通过基于残差网络的全卷积网络模型实现。由于上述基于残差网络的全卷积网络模型的特征提取层具有更多的卷积层，因此，上述基于残差网络的全卷积网络模型具有更高的特征提取的精确度。也就是说，利用上述模型进行地膜识别可以大幅提高地膜识别的精确度。
此外，上述地膜识别方法及其相关设备还可以使用多时相的高分辨率多光谱遥感影像替代单时相的高分辨率多光谱遥感影像，充分利用地膜覆盖作物在物候期会存在一个光谱变化期的特点，也考虑到了地膜在上述物候期期间的变化情况，从而可以进一步提高覆膜区域识别的精确度。
更进一步，上述地膜识别方法及其相关设备还可以进一步将至少一种植被指数作为输入特征，利用植被指数的特征进一步提高覆膜区域识别的精确度。
附图说明
为了更清楚地说明本公开一个或多个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公开一个或多个实施例，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为本公开一个或多个实施例所述的地膜识别方法的流程示意图；
图2为本公开一个或多个实施例所述的根据上述多个波段的反射率数据确定至少一个纹理特征方法的流程示意图；
图3A为本公开一个或多个实施例所述的全卷积网络模型中特征提取层的结构示意图；
图3B为本公开一个或多个实施例所述的基于残差网络的全卷积网络模型中特征提取层的结构示意图；
图4为本公开的一个或多个实施例所述的地膜识别装置内部结构示意图；
图5为本公开一个或多个实施例所提供的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如前所述，地膜在当代农业中应用非常广泛，同时在地膜的使用过程中，如果不对地膜的残留片进行清理则会不可避免地对环境造成一定的污染。因此，为了保护地球的生态环境，目前通常会首先对地膜的使用和残留情况进行检测，并根据检测结果指导地膜残留片的回收甚至再利用，从而避免地膜残留片对土壤造成污染。
本公开的一个或多个实施例提出一种地膜识别方法，可以从包含地膜的高分辨率遥感影像中快速识别出其中由地膜覆盖的区域，从而能够对于农业中地膜的使用情况进行检测、分析和管理。
图1显示了本公开一个或多个实施例所述的地膜识别方法的实现流程。如图1所示，该方法可以包括：
在步骤102，获取高分辨率多光谱遥感影像。
由于本公开的方法是应用于地膜的识别，因此，上述高分辨率多光谱遥感影像中应当是包含地膜的多光谱遥感影像，例如，覆盖农田中覆膜区域的高分辨率多光谱遥感影像。另外，由于上述高分辨率多光谱遥感影像是多光谱的遥感影像，因此，上述高分辨率多光谱遥感影像将包括多个波段的反射率数据。
在本公开的一个或多个实施例中，上述高分辨率多光谱遥感影像具体可以是哨兵2号（Sentinel-2）卫星所采集的多光谱遥感影像数据。哨兵2号是高分辨率多光谱成像卫星，其上携带一枚多光谱成像仪（MSI），用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像，还可用于紧急救援服务。哨兵2号卫星具体分为2A和2B两颗卫星。其中，哨兵2号卫星所采集的数据也可分为L1C级和L2A级数据。在本公开的一些实施例中，上述高分辨率多光谱遥感影像具体可以是L1C级多光谱遥感影像数据。该L1C级数据是经过正射校正和几何精校正的大气表观反射率产品，共包含13个波段的大气顶层辐射率数据。
在步骤104，对上述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据。
如前所述，上述高分辨率多光谱遥感影像包括多个波段的反射率数据。例如，哨兵2号卫星所采集的L1C级数据共包括13个波段的大气顶层辐射率数据。如此，在本公开的实施例中，上述预处理可以包括：波段提取操作，也即包括从上述高分辨率多光谱遥感影像的多个波段的反射率数据中提取部分或全部波段的反射率数据作为上述多个波段的反射数据的操作。在本公开的各个实施例中，上述多个波段的反射率数据又可被称为上述高分辨率多光谱遥感影像的多个光谱特征。
例如，在本公开的一些实施例中，在上述波段提取预处理操作中，可以提取哨兵2号卫星所采集的L1C级数据中全部13个波段或部分波段的大气顶层辐射率数据作为上述多个波段的反射率数据（或称为多个光谱特征）。
此外，在本公开的实施例中，上述预处理具体还包括：对所述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
其中，大气校正处理的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率和辐射率、地表温度等真实物理模型参数。具体地，通过大气校正处理可以消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧对地物反射的影响，消除大气分子和气溶胶散射的影响，从而得到多个波段地物的地表反射率。在本公开的一些实施例中，可以通过建立或者利用已建立的遥感图像预处理平台来对上述高分辨率多光谱遥感影像进行大气校正处理。
此外，为了对上述高分辨率多光谱遥感影像的精度进行调整，以满足后续处理的要求，本公开实施例所述的预处理还可以包括：重采样处理，也即对上述多个波段地物的地表反射率进行重采样处理。
重采样处理是一种影像数据处理方法，也即影像数据重新组织过程中的灰度处理方法，通常，重采样处理可以用于实现图像的缩放。其中，影像采样是按一定间隔采集影像灰度数值，而当阈值不位于采样点上的原始函数的数值时，就需要利用已采样点进行内插，称为重采样。通常，重采样方法有三种：最邻近法、双线性内插法、三次卷积内插法。在本公开的实施例中，对上述多个波段地物的地表反射率的重采样处理可以采用最邻近法。最邻近法是将与该影像中距离某像元位置最近的像元值作为该像元的新值。该方法的优点是简单高效，运算速度快，且不会改变原始影像栅格值。下面将通过具体的示例详细说明上述重采样处理的具体方法。
假设重采样处理之前的原图是一个像素大小为WⅹH的图片（其中，W代表原图的宽度；H代表原图的高度）；假设重采样处理也即缩放后的图片是一个像素大小为wⅹh的图片（其中，w代表缩放后图片的宽度；h代表缩放后图片的高度）。并且已知原图中每个像素点的像素值（即灰度值等）f(X,Y)，其中，原图每个像素点对应的坐标(X,Y)都是整数。重采样处理的目标就是确定缩放后每个像素点为(x,y)的像素值f(x,y)。
在本公开的实施例中，缩放后每个像素点为(x,y)的像素值f(x,y)可以通过如下表达式计算得到：f(x,y) = f([W/wⅹx], [H/hⅹy])。其中，由于W/wⅹx的值或H/hⅹy的值不一定是整数，因此，在本公开的实施例中，可以使用四舍五入法实现最邻近插值算法。也即是说，在本公开的实施例中，上述表达式中的[W/wⅹx]代表对W/wⅹx的值进行四舍五入；[H/hⅹy] 代表对H/hⅹy的值进行四舍五入。可以看出，通过上述表达式即可确定缩放后图片每个像素点(x,y)的像素值f(x,y)。
举个具体的例子，如果原图的像素大小为5ⅹ5，缩放后图片的像素大小为3ⅹ3，那么缩放后图片的像素点(1,1)对应的就是原图中([5/3ⅹ1], [5/3ⅹ1]) = ([1.6],[1.6]) = (2,2) 像素点对应的像素值。
具体地，在本公开的一些实施例中，由于哨兵2号卫星采集的13个波段的反射率数据包括10米、20米和60米三种精度，因此，通过上述重采样处理可以将哨兵2号卫星采集的13个波段的反射率数据统一重采样至10米的精度，以获得精度一致并且最高的多个波段的反射率数据，以保障地膜识别的准确度。当然，根据实际应用的需要也可以将上述哨兵2号卫星采集的13个波段的反射率数据统一重采样至20米或者60米的精度。
为了后续操作的方便，在对上述高分辨率遥感影像进行预处理之后还可以进一步按照预定的要求将上述反射率数据分割为固定的大小，例如，分割为512*512的大小。其中，在分割的过程中，不足512*512的部分可以按0值填充。
在步骤106，根据上述多个波段的反射率数据确定至少一个纹理特征。
可以理解，图像的纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。在本公开的实施例中，由于地膜与其周围作物、土壤的纹理完全不相同，因此，影像中的纹理特征对于影像中地膜的识别也将存在着较大影响。因此，在本公开的实施例中，除了上述反射率数据以及植被指数之外，还可以考虑将高分辨率遥感影像的纹理特征提取出来，用于地膜的识别，从而达到更精确的地膜识别效果。
在本公开的一些实施例中，上述纹理特征可以包括：上述高分辨率遥感影像的纹理特征矩阵。上述高分辨率遥感影像的纹理特征矩阵的维度与上述高分辨率遥感影像所包含像素点的数量相等，其中包含的每个元素值分别对应高分辨率遥感影像的一个像素点的纹理特征值，上述纹理特征值具体可以根据高分辨率遥感影像的灰度共生矩阵计算得到。在本公开的实施例中，上述纹理特征矩阵具体可以包括：均值统计量矩阵、方差统计量矩阵、对比度统计量矩阵、均质性统计量矩阵、相异性统计量矩阵、熵统计量矩阵、角二阶矩统计量矩阵、相关性统计量矩阵、自相关性统计量矩阵中的至少一个。如此，通过上述方法最多可以得到9个纹理特征，其总体大小为512*512*9。
可以理解，上述灰度共生矩阵指的是一种通过研究灰度的空间相关特性来描述图像纹理的方法。由于图像纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某段距离一定会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。例如，取图像(NⅹN)中任意一个像素点(x,y)及偏离它的另一像素点(x+a,y+b)组成一个像素点对。设该像素点对的灰度值为(g1,g2)。此后，令点(x,y)在整个图像上移动，则会得到若干个像素点对的灰度值(g1,g2)。设灰度值的级数为k（也即共有k个灰度值），则上述若干个点对的灰度值(g1,g2)的组合共有k2种可能性。接下来，再针对整个图像，统计出每一种可能性(g1,g2)出现的次数，然后排列成一个 kⅹk方阵。接下来，还可以用各种可能性(g1,g2)出现的总次数将上述kⅹk方阵归一化为每一种可能性(g1,g2)出现的概率P(g1,g2)。通过上述方法得到的的方阵可以被称为灰度共生矩阵。其中，上述距离差分值(a,b)取不同的数值组合，可以得到不同情况下的联合概率矩阵。通常，(a,b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，可以选取(1,0)、(1,1)、(0,1)等小的差分值；而对于较粗的纹理则可以选择较大的差分值。具体地，当b=0时，像素点对是水平的，亦称0度扫描；当a=0时，像素点对是垂直的，亦称90度扫描；当a=b时，像素点对是右对角线的，亦称45度扫描；而当a=-b时，像素点对是左对角线，亦称135度扫描。
本领域的技术人员可以理解，上述灰度共生矩阵要求的是单波段的灰度影像。然而，如前所述，上述多个波段的反射率数据是多个波段的数据，在这种情况下可以通过主成分分析方法，选取输出的单波段的反射率数据作为灰度影像进行灰度共生矩阵的提取。其中，主成分分析法是设法将原来众多具有一定相关性的指标，重新组合成一组新的互相无关的综合指标来代替原来的指标。该方法是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。
基于以上信息，在本公开的一些实施例中，上述步骤106所述的根据上述多个波段的反射率数据确定至少一个纹理特征可以利用灰度共生矩阵通过图2所示的方法提取。如图2所示，该方法可以包括：
在步骤202，对上述多个波段的反射率数据进行主成分分析，得到单波段的灰度影像。
在上述步骤202，可以通过主成分分析法将高精度遥感影像信息压缩成为一个波段的灰度影像。例如，在本公开的一些实施例中，如果在上述波段提取预处理操作中提取了哨兵2号卫星所采集的L1C级数据中全部13个波段的大气顶层辐射率数据，则对于单景遥感影像可得到13个波段的影像数据。经过裁切之后影像数据的大小可以为512*512*13。对上述影像数据进行主成分分析，得到的单波段的灰度影像的大小则可以为512*512*1。
在步骤204，对上述单波段的灰度影像进行灰度降级。
上述步骤204所述的灰度降级就是将原灰度影像上0-1000的值线性拉伸至0-255。此时，得到的单波段的灰度影像的大小仍为512*512*1。
在步骤206，根据经过灰度降级后的单波段的灰度影像生成灰度共生矩阵。
在上述步骤206，首先，可以使用一个7*7的滑块在影像上滑动。也即先从在512*512影像的(0,0)位置开始滑动，并在影像的外圈用0补齐；然后，计算7*7矩阵中的灰度共生矩阵，方向选取0°、45°、90°以及135°，4个方向得到灰度共生矩阵综合取平均值。此时，计算得到的是一个灰度值256*256的矩阵。最后，用步长为1遍历整个影像，得到256*256*512*512的灰度共生矩阵。
在步骤208，根据上述灰度共生矩阵确定至少一个纹理特征。
如前所述，在本公开的一些实施例中，上述纹理特征可以具体为纹理特征矩阵，可以包括：均值统计量矩阵、方差统计量矩阵、对比度统计量矩阵、均质性统计量矩阵、相异性统计量矩阵、熵统计量矩阵、角二阶矩统计量矩阵、相关性统计量矩阵、以及自相关性统计量矩阵中的至少一个。
其中，均值统计量矩阵的计算方法可以参考如下表达式：
方差统计量矩阵的计算方法可以参考如下表达式：
对比度统计量矩阵的计算方法可以参考如下表达式：
均质性统计量矩阵的计算方法可以参考如下表达式：
相异性统计量矩阵的计算方法可以参考如下表达式：
熵统计量矩阵的计算方法可以参考如下表达式：
角二阶矩统计量矩阵的计算方法可以参考如下表达式：
相关性统计量矩阵的计算方法可以参考如下表达式：
自相关性统计量矩阵的计算方法可以参考如下表达式：
其中，M和N的值均为256；
为大小是256*256*512*512的灰度共生矩阵。
可以看出，通过上述表达式得到的均值统计量矩阵、方差统计量矩阵、对比度统计量矩阵、
均质性统计量矩阵、相异性统计量矩阵、熵统计量矩阵、角二阶矩统计量矩阵、相关性统计
量矩阵、以及自相关性统计量矩阵均为大小是512*512的矩阵。
在步骤108，基于语义分割模型，根据上述多个波段的反射率数据以及上述至少一个纹理特征识别上述高分辨率多光谱遥感影像中地膜。
在确定了上述多个波段的反射率数据以及上述至少一个纹理特征之后，可以将上述多个波段的反射率数据以及上述至少一个纹理特征组合起来，也就是将同样大小、不同波段的数据组合起来，并进行归一化处理，得到上述语义分割模型的输入。例如，对于每景高分辨率遥感影像最多可以获得13个光谱特征和9个纹理特征，共计22个特征。
在本公开的一些实施例中，上述语义分割模型具体可以是全卷积网络模型（FullyConvolutional networks，FCN）。
全卷积网络模型可以对图像实现像素级的分类，从而解决了语义级别的图像分割（Semantic Segmentation）问题。与经典的卷积神经网络（CNN）在卷积层之后使用全连接层得到固定长度的特征向量并进行分类（全连接层＋Softmax输出）不同，全卷积网络模型可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使其恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测，同时还保留了原始输入图像中的空间信息，以在上采样的特征图上进行逐像素分类。
图3A显示了本公开实施例所述的全卷积网络模型中特征提取层的结构示意图。从图3A可以看出，本公开实施例所述的全卷积网络模型中特征提取层从输入到输出依次可以包括：卷积层3102、卷积层3102、池化层3104和卷积层3102。也即上述全卷积网络模型中特征提取层包括3个卷积层和一个池化层。通过上述特征提取层可以对输入的多个波段的反射率数据以及上述至少一个纹理特征进行特征提取，从而对其中的地膜进行识别。
在本公开的另一些实施例中，上述语义分割模型具体还可以是基于残差网络的全卷积网络模型。
残差网络可以利用残差的方式增加网络的深度，提高特征描述的维度，保证了深度网络结构训练的有效性，提高了模型的精度。残差网络可以将输入的映射与最优解之间的差值用函数表示出来，通过优化产出的方式加深网络，解决梯度弥散。残差网络通过跳跃连接构建残差单元，这样的结构可以解决网络深度加深带来的梯度消失问题，使得极深层次的网络训练成为可能。残差网络的残差单元的输入经过两个连续的卷积得到输出，同时输入也通过跳跃连接和连续卷积得到的输出进行加和。不使用残差单元的话，卷积核学习到的是一个映射F(x)。使用残差单元后，学习到的映射是F(x)+x。可以看出，残差单元想要学习的映射会很容易被学习，同时跳跃连接没有多引入任何一个参数，没有增加模型运算的复杂度。而残差单元的梯度可以通过跳跃连接更好地传到上一层，保证了梯度不会消失。
在本公开的上述实施例中，可以使用残差单元对于全卷积网络模型特征提取层进行了修改，在上述特征提取层中增加数个卷积层并增加了残差单元，例如，上述基于残差网络的全卷积网络模型的特征提取层可以包括至少四个卷积层以及至少一个残差映射层，其中，上述残差映射层用于实现其前部至少两层卷积层的输入及其输出的加和，并输出给其后的至少两层卷积层。通过引入残差映射层可以使得特征提取层中卷积层的层数更多，但同时不会造成梯度下降的现象，从而可以大大提高全卷积网络模型的识别精确度。具体地，在本公开的一些实施例中，上述基于残差网络的全卷积网络模型将全卷积网络模型的特征提取层中实现了特征数量的翻倍和尺寸的减半的两次卷积加一次池化加一次卷积，修改为6次卷积加2次残差。由于增加了上述全卷积网络模型特征提取层卷积层的层数，使得特征提取的精度更高，最终使得地膜识别的精度更高。并且由于残差单元的引入，并不会出现由于卷积层的增多而导致的梯度下降的情况。
图3B显示了本公开实施例所述的基于残差网络的全卷积网络模型中特征提取层的结构示意图。如图3B所示，上述全卷积网络模型中特征提取层从输入到输出依次包括：第一卷积层3202、第二卷积层3204、第一残差映射层3206、第三卷积层3208、第四卷积层3210、第二残差映射层3212、第五卷积层3214以及第四卷积层3216。其中，上述第一卷积层3202的输入为上述特征提取层的输入。上述第一卷积层3202的输出连接到第二卷积层3204的输入。上述第一残差映射层3206的输入包括：第一卷积层3202的输入以及第二卷积层3204的输出，其作用是将两个输入相加后输出。上述第一残差映射层3206的输出连接到第三卷积层3208。上述第三卷积层3208的输出连接到第四卷积层3210的输入。上述第二残差映射层3212的输入包括：上述第一残差映射层3206的输出以及第四卷积层3210的输出，其作用是将两个输入相加后输出。上述第二残差映射层3212的输出连接到第五卷积层3214。上述第五卷积层3214的输出连接到第六卷积层3216的输入。上述第六卷积层3216的输出为上述特征提取层的输出。可以看出，通过引入上述第一残差映射层3206以及第二残差映射层3212，可以使得上述特征提取层中卷积层的层数由原来的3层变成6层，但同时不会造成梯度下降的现象，从而可以大大提高特征提取的精确度，进而提高地膜识别的精确度。
上述地膜识别方法及其相关设备利用高分辨率多光谱遥感影像的光谱特征以及纹理特征进行地膜识别，可以充分利用地膜与周围农作物、土壤的光谱、纹理完全不同的特点，实现高精确度的地膜识别。
进一步，上述语义分割模型可以通过基于残差网络的全卷积网络模型实现。由于上述基于残差网络的全卷积网络模型的特征提取层具有更多的卷积层，因此，上述基于残差网络的全卷积网络模型具有更高的特征提取的精确度，利用上述模型进行地膜识别可以大幅提高地膜识别的精确度。
下面将结合具体的示例详细说明上述语义分割模型的训练方法。在进行模型训练之前，首先需要制作训练的样本。具体地，样本的制作过程可以包括如下几个步骤：
首先，按照语义分割模型的输入规格，将高分辨率多光谱遥感影像分割为预定大小的样本（例如，分割为512*512大小的正方形样本），并根据实地调查结果勾选上述各个样本中真实的农田地膜，得到对应输入的结果Y波段，具体的，Y波段中，是农田地膜的部分设置为1，其余设置为0。如此，得到样本集。
然后，将样本集中所有的样本随机打乱顺序，并按照一定的比例（例如，6：2：2的比例）对样本集进行分割，得到了最终的训练集、验证集以及测试集。
接下来，利用训练集对上述语义分割模型进行训练。在训练过程中，根据语义分割模型对训练集样本预测的地膜以及样本实际的预测结果之间的误差反向传播进行参数调整。几乎训练集中的每个样本都会对参数提供一定的影响。由于在训练时语义分割模型每次根据预先设置的批尺寸按批次将训练集中的样本读入，所以进行训练前，一定要将样本的顺序打乱。
训练结束后，利用验证集对训练后的语义分割模型进行验证。验证集是独立于训练集之外的样本，用于模型进行完每一次迭代之后对于自身的评估，验证模型是否出现过拟合现象，也方便查看模型训练情况。
最后，再利用测试集对训练后的语义分割模型进行测试，也即利用没有用于训练的样本进行预测，并根据预测结果进行精度评估。测试集通常用于测试模型的泛化能力，因此，测试集必须独立于训练集和验证集。
另外，考虑到地膜覆盖一般都是在某一段时间内逐渐完成的。通常，开始覆膜到覆膜完成需要10-30天不等的时间。同时，当地膜覆盖后，由于作物存在物候期，所以地膜覆盖农田的遥感特征会随着覆膜作物的物候期而发生变化。而且，随着作物的生长期不同，同时地膜的破裂、留存情况也是会发生变化的。也就是说，在不同时间段获取到的遥感影像的特征是不同的。因此，利用不同时间的高分辨率遥感影像进行地膜识别，可以进一步提高覆膜区域的识别准确率。
考虑到上述情况，在本公开的又一些实施例中，可以利用多时相高分辨率多光谱遥感影像进行地膜识别，以进一步提高地膜识别的精度。也就是说，在这些实施例中，在步骤102中获取的高分辨率多光谱遥感影像可以是多时相高分辨率多光谱遥感影像。其中，多时相是指微波遥感影像可以包括覆盖同一地区的多幅对应不同时间的微波遥感影像。例如，在本公开的一些实施例中，可以选取一个月内6景每隔5天的哨兵2号卫星采集的遥感影像作为上述多时相高分辨率多光谱遥感影像，以构建多时间序列特征。在这种情况下，通过上述步骤104最多可以获得78个光谱特征。通过上述步骤106最多可以获得54个纹理特征。也即一共最多可以组合得到132个波段的特征。在上述步骤108对上述132个波段的特征进行组合并归一化处理即可得到上述语义分割模型的输入特征。
此外，在本公开的另一些实施例中，如归一化植被指数（NDVI）、增强型植被指数（EVI）等等多种可以在一定程度上反映作物的生长状况的植被指数的出现也为地膜识别提供了新的处理思路。在本公开的实施例中，这些植被指数也可以被应用于地膜识别过程中，以增加地膜识别的精确度。
具体地，在本公开的一些实施例中，上述方法可以进一步包括：
在步骤107，根据上述多个波段的反射率数据确定至少一个植被指数。
在本公开的一些实施例中，上述植被指数可以包括：归一化植被指数（NDVI）以及增强型植被指数（EVI）。
其中，NDVI是反映农作物长势和营养信息的重要参数之一，NDVI可以通过如下的表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率。
此外，EVI是另一个反映农作物长势和营养信息的重要参数之一。EVI通过加入蓝波段以增强植被信号，可以矫正土壤背景和气溶胶散射的影响。EVI常用于植物叶面积指数值高的地方，即植被茂密区，EVI可以通过如下表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率；BLUE代表蓝波段的反射率。
由于上述植被指数可以在一定程度上反映作物的生长状况，且因为地膜一般都是伴随着作物进行覆膜的，随着作物的生长期不同，同时地膜的破裂、留存情况也会发生变化，导致作物的植被指数也会发生变化，因此，在进行地膜识别的过程中参考植被指数可以使得覆膜区域的识别结果更加准确。
在这种情况下，在上述步骤108中，将基于语义分割模型，根据上述多个波段的反射率数据、上述至少一个纹理特征以及上述至少一个植被指数识别上述多时相高分辨率多光谱遥感影像中地膜。
也即在上述实施例中，在确定了上述多个波段的反射率数据、上述至少一个纹理特征以及至少一个植被指数之后，可以将上述多个波段的反射率数据、上述至少一个纹理特征以及上述至少一个植被指数组合起来，也就是将同样大小、不同波段的数据组合起来，并进行归一化处理，得到上述语义分割模型的输入。例如，对于每景高分辨率遥感影像最多可以获得13个光谱特征、9个纹理特征和2个植被指数，共计24个特征。而对于多时相的高分辨率遥感影像而言，可以获得144个波段的特征作为上述语义分割模型的输入特征。
在上述地膜识别方法中，将至少一种植被指数作为输入特征之一，可以利用更为丰富的输入特征进一步提高覆膜区域识别的精确度。
在本公开的实施例中可以使用交并比（IOU）作为上述地膜识别方法的精度评价指标。在本公开的实施例中，上述IOU的计算方式可以为预测出来的正样本和真实的正样本相交的部分除以他们相并的部分。按照混淆矩阵的计算公式如下表达式所示：
其中，TP为地膜被正确识别出的比例；FP为非地膜被识别为地膜的比例；FN为将地膜识别为非地膜的比例。
在本公开的实施例中，使用任一单时相高分辨率遥感影像数据集和多时相高分辨率遥感影像数据集，分别使用传统的全卷积网络模型和加入残差模块的基于残差网络的全卷积网络模型进行模型的训练，最后在测试集上进行精度评价，测试得到的IOU可如下表1所示：
表1
实验证明，使用多时相高分辨率遥感影像数据集，并基于残差网络的全卷积网络模型对农田地膜进行识别的识别精度最高。此外，使用单时相高分辨率遥感影像数据集，并基于残差网络的全卷积网络模型对农田地膜进行识别的识别精度次之。
基于上述地膜识别方法，本公开的一个或多个实施例还提供了一个地膜识别装置，其内部结构如图4所示，主要包括：
影像获取模块402，用于获取高分辨率多光谱遥感影像；
预处理模块404，用于对上述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；
纹理特征提取模块406，用于根据上述多个波段的反射率数据确定至少一个纹理特征；以及
识别模块408，用于基于语义分割模型，根据上述多个波段的反射率数据以及上述至少一个纹理特征识别上述高分辨率多光谱遥感影像中地膜。
在本公开的一些实施例中，上述高分辨率多光谱遥感影像包括哨兵2号卫星采集的L1C级多光谱遥感影像。在这种情况下，上述预处理模块404可以包括：
波段提取单元，用于从上述哨兵2号卫星采集的L1C级多光谱遥感影像中提取多个波段的大气顶层辐射率数据；以及
大气校正处理单元，用于对上述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
在本公开的另一些实施例中，上述预处理模块404可以进一步包括：重采样单元，用于对上述多个波段地物的地表反射率进行重采样处理。
在本公开的一些实施例中，上述纹理特征提取模块406包括：
主成分分析单元，用于对上述多个波段的反射率数据进行主成分分析，得到单波段的灰度影像；
灰度降级单元，用于对上述单波段的灰度影像进行灰度降级；
灰度共生矩阵生产单元，用于根据经过灰度降级后的单波段的灰度影像生成灰度共生矩阵；以及
纹理特征提取单元，用于根据上述灰度共生矩阵确定至少一个纹理特征；其中，上述至少一个纹理特征包括：均值统计量矩阵、方差统计量矩阵、对比度统计量矩阵、均质性统计量矩阵、相异性统计量矩阵、熵统计量矩阵、角二阶矩统计量矩阵、相关性统计量矩阵以及自相关性统计量矩阵中的至少一个。
在本公开的一些实施例中，上述语义分割模型包括：基于残差网络的全卷积网络模型；其中，基于残差网络的全卷积网络模型的特征提取层包括至少四个卷积层以及至少一个残差映射层。
在本公开的一些实施例中，上述，地膜识别装置可以进一步包括：植被指数确定模块，用于根据所述多个波段的反射率数据确定至少一个植被指数。在这种情况下，上述识别模块408则用于基于上述语义分割模型，根据上述多个波段的反射率数据、上述至少一个纹理特征以及上述至少一个植被指数识别上述高分辨率多光谱遥感影像中地膜；其中，上述植被指数包括：归一化植被指数以及增强型植被指数。
此外，在本公开的一些实施例中，上述高分辨率多光谱遥感影像可以为多时相高分辨率多光谱遥感影像。
需要说明的是，上述地膜识别装置的各个模块的具体实现方法可以参考前述各个实施例，在此不再重复说明。
需要说明的是，本公开一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成上述的方法。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图5为本公开实施例所提供的一种更为具体的电子设备结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的地膜识别方法。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本公开实施例所提供的地膜识别方法时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本公开实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开一个或多个实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本公开一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种地膜识别方法，包括：
获取高分辨率多光谱遥感影像；
对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；
根据所述多个波段的反射率数据确定至少一个纹理特征；以及
基于语义分割模型，根据所述多个波段的反射率数据以及所述至少一个纹理特征识别所述高分辨率多光谱遥感影像中地膜。
2.根据权利要求1所述的方法，其中，所述高分辨率多光谱遥感影像包括哨兵2号卫星采集的L1C级多光谱遥感影像；
所述对所述高分辨率多光谱遥感影像进行预处理包括：
从所述哨兵2号卫星采集的L1C级多光谱遥感影像中提取多个波段的大气顶层辐射率数据；以及
对所述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
3.根据权利要求2所述的方法，其中，所述对所述高分辨率多光谱遥感影像进行预处理进一步包括：对所述多个波段地物的地表反射率进行重采样处理。
4.根据权利要求1所述的方法，其中，所述根据所述多个波段的反射率数据确定至少一个纹理特征包括：
对所述多个波段的反射率数据进行主成分分析，得到单波段的灰度影像；
对所述单波段的灰度影像进行灰度降级；
根据经过灰度降级后的单波段的灰度影像生成灰度共生矩阵；以及
根据所述灰度共生矩阵确定所述至少一个纹理特征；其中，所述至少一个纹理特征包括：均值统计量矩阵、方差统计量矩阵、对比度统计量矩阵、均质性统计量矩阵、相异性统计量矩阵、熵统计量矩阵、角二阶矩统计量矩阵、相关性统计量矩阵以及自相关性统计量矩阵中的至少一个。
5.根据权利要求1所述的方法，其中，所述语义分割模型包括：全卷积网络模型或者基于残差网络的全卷积网络模型；其中，所述基于残差网络的全卷积网络模型的特征提取层包括至少四个卷积层以及至少一个残差映射层。
6.根据权利要求1所述的方法，进一步包括：根据所述多个波段的反射率数据确定至少一个植被指数；其中，所述植被指数包括：归一化植被指数以及增强型植被指数；以及
所述基于语义分割模型，根据所述多个波段的反射率数据以及所述至少一个纹理特征识别所述高分辨率多光谱遥感影像中地膜包括：基于所述语义分割模型，根据所述多个波段的反射率数据、所述至少一个纹理特征以及所述至少一个植被指数识别所述高分辨率多光谱遥感影像中地膜。
7.根据权利要求1所述的方法，其中，所述高分辨率多光谱遥感影像为多时相高分辨率多光谱遥感影像。
8.一种地膜识别装置，包括：
影像获取模块，用于获取高分辨率多光谱遥感影像；
预处理模块，用于对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；
纹理特征提取模块，用于根据所述多个波段的反射率数据确定至少一个纹理特征；以及
识别模块，用于基于语义分割模型，根据所述多个波段的反射率数据以及所述至少一个纹理特征识别所述高分辨率多光谱遥感影像中地膜。
9.一种电子设备，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，其中，所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的地膜识别方法。
10.一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任意一项所述的地膜识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110273429.8A CN112668670A (zh) | 2021-03-15 | 2021-03-15 | 地膜识别方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110273429.8A CN112668670A (zh) | 2021-03-15 | 2021-03-15 | 地膜识别方法及其相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668670A true CN112668670A (zh) | 2021-04-16 |
Family
ID=75399445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110273429.8A Pending CN112668670A (zh) | 2021-03-15 | 2021-03-15 | 地膜识别方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668670A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
| CN109785569A (zh) * | 2019-01-28 | 2019-05-21 | 中科光启空间信息技术有限公司 | 一种基于3s技术的森林火灾监测方法 |
| EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
| CN111767943A (zh) * | 2020-05-20 | 2020-10-13 | 北京简巨科技有限公司 | 地膜识别方法、装置、电子设备及存储介质 |
| CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景（北京）科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
| CN112418027A (zh) * | 2020-11-11 | 2021-02-26 | 青岛科技大学 | 一种改进U-Net网络的遥感影像道路提取方法 |
-
2021
- 2021-03-15 CN CN202110273429.8A patent/CN112668670A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
| EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
| CN109785569A (zh) * | 2019-01-28 | 2019-05-21 | 中科光启空间信息技术有限公司 | 一种基于3s技术的森林火灾监测方法 |
| CN111767943A (zh) * | 2020-05-20 | 2020-10-13 | 北京简巨科技有限公司 | 地膜识别方法、装置、电子设备及存储介质 |
| CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景（北京）科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
| CN112418027A (zh) * | 2020-11-11 | 2021-02-26 | 青岛科技大学 | 一种改进U-Net网络的遥感影像道路提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴止锾等: "类别非均衡遥感图像语义分割的全卷积网络方法", 《光学学报》 * |
| 哈斯图亚: "基于多源数据的地膜覆盖农田遥感识别研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
| 林启震: "基于神经网络的卫星图像道路提取", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Liao et al. | Deep learning for fusion of APEX hyperspectral and full-waveform LiDAR remote sensing data for tree species mapping | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| Saralioglu et al. | Semantic segmentation of land cover from high resolution multispectral satellite images by spectral-spatial convolutional neural network | |
| CN112183209B (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| Zhao et al. | Characterizing forest canopy structure with lidar composite metrics and machine learning | |
| Sun et al. | Characterizing tree species of a tropical wetland in southern china at the individual tree level based on convolutional neural network | |
| CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| CN112712071A (zh) | 作物长势检测方法及其相关设备 | |
| CN111767943B (zh) | 地膜识别方法、装置、电子设备及存储介质 | |
| Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
| Mantripragada et al. | The effects of spectral dimensionality reduction on hyperspectral pixel classification: A case study | |
| CN111178186A (zh) | 基于哨兵遥感数据的水稻提取方法及装置、设备 | |
| CN118230166A (zh) | 基于改进Mask2YOLO网络的玉米冠层器官识别方法及冠层表型检测方法 | |
| Zhu et al. | HCNNet: A hybrid convolutional neural network for spatiotemporal image fusion | |
| CN112668670A (zh) | 地膜识别方法及其相关设备 | |
| Yang et al. | Cotton stubble detection based on wavelet decomposition and texture features | |
| CN115639159A (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
| Yang et al. | Spectral unmixing-based Arctic plant species analysis using a spectral library and terrestrial hyperspectral Imagery: A case study in Adventdalen, Svalbard | |
| Martín et al. | Assessment of image-Texture improvement applied to unmanned aerial vehicle imagery for the identification of biotic stress in espeletia. case study: Moorlands of Chingaza (Colombia) | |
| CN114993268A (zh) | 结合CatBoost的水深反演方法、装置及存储介质 | |
| Rohith et al. | Effectiveness of Super-Resolution Technique on Vegetation Indices | |
| Zhou et al. | Intelligent classification of maize straw types from UAV remote sensing images using DenseNet201 deep transfer learning algorithm | |
| Shamsoddini et al. | Crop mapping using Sentinel-1 and Sentinel-2 images and random forest algorithm | |
| Czerkawski et al. | Deep Internal Learning for Inpainting of Cloud-Affected Regions in Satellite Imagery. Remote Sens. 2022, 14, 1342 |
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 |