CN113344871A - 农业遥感图像分析方法及系统 - Google Patents

Abstract

本发明提供一种农业遥感图像分析方法及系统。该方法包括：获取农业遥感图像；将农业遥感图像输入至改进U‑Net神经网络模型，输出农业遥感图像的各像素对应的地物种类，其中改进U‑Net神经网络模型是根据带有地物种类标签的农业遥感图像进行训练后获得的，改进U‑Net神经网络模型包括多个并行的各支路模型，各支路模型用于对农业遥感图像进行不同地物特征提取，各支路模型均为U‑Net深度卷积神经网络。本发明有效解决了传统方法数据获取成本高，分割精度差，尤其是难以实现像素级分割的问题，为实现农业定量遥感分析和作物种植面积遥感制图等提供了重要的技术和方法基础，对于提高农业遥感图像分析效果有着重要的参考意义和价值。

Description

农业遥感图像分析方法及系统

技术领域

本发明涉及深度学习和图像处理技术领域，尤其涉及一种农业遥感图像分析方法及系统。

背景技术

遥感图像作为记录各类地物电磁波特征的一类图像，具有其快速、简便、宏观、无损及客观等优点，被世界各国广泛应用于农业生产各个环节。我国作为世界农业大国之一，结合各类农业遥感图像，可以进行包括农业定量遥感分析和作物种植面积遥感制图等多个方面的多种农业信息获取，提高农业生产效率，对我国的农业发展具有十分重要的意义。

农业遥感图像的分析主要包括图像获取、地物识别和数据分析等环节，而在农业遥感图像分析的地物识别环节中，正确区分各类不同地物并进行相应的标识，有利于提高后续数据分析环节的准确度和实际利用价值，能使遥感图像分析效果大幅提高。现有技术中，农业遥感图像分析使用人工目视解译法进行，即通过专业培训的判读人员人工对遥感图像进行边界勾画、类型分类。

然而，现有技术存在以下问题：人工目视解译法不仅分类速度慢，耗费大量的人力和物力，且人工分类易受主观影响，误差大，影响分类效率。此外，随着农业遥感图像分析的使用越发普遍，仅靠人工目视解译法，已无法满足对农业遥感图像分析速度的需求。因此，亟需一种快速，准确的农业遥感图像分析方法，来提高地物识别、分割的速率和效率，进一步提高农业遥感图像分析在农业生产中的作用。

发明内容

本发明提供一种农业遥感图像分析方法及系统，旨在解决现有技术中耗费大量的人力和物力，且人工分类易受主观影响，误差大，影响分类效率的问题。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明的实施例提供一种农业遥感图像分析方法，包括：

获取农业遥感图像；

将所述农业遥感图像输入至改进U-Net神经网络模型，输出所述农业遥感图像的各像素对应的地物种类，其中所述改进U-Net神经网络模型是根据带有地物种类标签的农业遥感图像进行训练后获得的，

所述改进U-Net神经网络模型包括多个并行的支路模型，所述支路模型用于对所述农业遥感图像进行不同地物特征提取，所述支路模型均为U-Net深度卷积神经网络。

进一步地，该农业遥感图像分析方法还包括：

所述获取农业遥感图像包括：通过对所述高光谱卫星遥感影像的各频段进行相关性分析，选取在农业领域区分度高的频段组合，以获得所述农业遥感图像。

进一步地，该农业遥感图像分析方法还包括：

所述改进U-Net神经网络模型还包括融合分类模型，所述支路模型的输出端分别与所述融合分类模型的输入端相连，所述融合分类模型对经过所述支路模型处理后的农业遥感图像进行融合和分类。

进一步地，该农业遥感图像分析方法还包括：

所述将所述农业遥感图像输入至改进U-Net神经网络模型，输出所述农业遥感图像各像素对应的地物种类包括：

基于所述支路模型对所述农业遥感图像进行不同地物特征提取，各支路获取大小与输入相同的二维特征向量；

基于所述融合分类模型将各支路的二维特征向量融合为最终二维特征向量，并根据所述最终二维特征向量获取所述农业遥感图像的各像素对应的地物种类。

进一步地，该农业遥感图像分析方法还包括：

所述支路模型为改进U-Net神经网络模型，所述融合分类模型包括可信度评价模型，所述可信度评价模型对支路的结果进行评价、选取和融合。

进一步地，该农业遥感图像分析方法还包括：

在所述基于所述各支路模型对所述农业遥感图像进行不同地物特征提取之前，所述方法包括：

利用边缘填充图像切分算法对所述农业遥感图像进行切分。

进一步地，该农业遥感图像分析方法还包括：

在所述基于所述各支路模型对所述农业遥感图像进行不同地物特征提取之前，所述方法包括：

将所述改进U-Net神经网络模型的卷积、反卷积和池化操作修正为使用相等填充；

将所述改进U-Net神经网络模型的损失函数修正为使用加权交叉熵损失函数。

进一步地，该农业遥感图像分析方法还包括：

所述地物种类包括农业用地、水域、建筑、道路和其它地物种类。

第二方面，本发明的实施例还提供一种农业遥感图像分析系统，包括：

图像获取模块，用于获取农业遥感图像；

图像分析模块，用于将所述农业遥感图像输入至改进U-Net神经网络模型，输出所述农业遥感图像的各像素对应的地物种类，其中所述改进U-Net神经网络模型是根据带有地物种类标签的农业遥感图像进行训练后获得的，

所述改进U-Net神经网络模型包括多个并行的各支路模型，所述各支路模型用于对所述农业遥感图像进行不同地物特征提取，所述各支路模型均为U-Net深度卷积神经网络。

由上面技术方案可知，本发明实施例提供的一种农业遥感图像分析方法及系统，能结合农业遥感图像各波段信息和多模型特征提取的结果，在提高分类准确率的前提下使得模型的复杂性适当，有效解决了传统方法数据获取成本高，分割精度差，尤其是难以实现像素级分割的问题，为实现农业定量遥感分析和作物种植面积遥感制图等提供了重要的技术和方法基础，对于提高农业遥感图像分析效果有着重要的参考意义和价值。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的农业遥感图像分析方法的流程图；以及

图2为本发明一实施例提供的农业遥感图像分析系统的结构示意图。

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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

本发明使用的各种术语或短语具有本领域普通技术人员公知的一般含义，即便如此，本发明仍然希望在此对这些术语或短语作更详尽的说明和解释。如果本文涉及的术语和短语有与公知含义不一致的，则以本发明所表述的含义为准；并且如果在本申请中没有定义，则其具有本领域普通技术人员通常理解的含义。

现有技术中，农业遥感图像分析使用人工目视解译法进行，即通过专业培训的判读人员人工对遥感图像进行边界勾画、类型分类。然而，这些现有技术存在以下问题：人工目视解译法不仅分类速度慢，耗费大量的人力和物力，且人工分类易受主观影响，误差大，影响分类效率。此外，随着农业遥感图像分析的使用越发普遍，仅靠人工目视解译法，已无法满足对农业遥感图像分析速度的需求。

针对于此，第一方面，本发明的一实施例提出一种农业遥感图像分析方法，其旨在克服现有技术中存在的问题。

下面结合图1描述本发明的农业遥感图像分析方法。

图1为本发明一实施例提供的农业遥感图像分析方法的流程图。

在本实施例中，需要说明的是，该农业遥感图像分析方法可以包括以下步骤：

S1：获取农业遥感图像；

S2：将农业遥感图像输入至改进U-Net神经网络模型，输出农业遥感图像的各像素对应的地物种类，其中改进U-Net神经网络模型是根据带有地物种类标签的农业遥感图像进行训练后获得的，改进U-Net神经网络模型包括多个并行的各支路模型，各支路模型用于对农业遥感图像进行不同地物特征提取，各支路模型均为U-Net深度卷积神经网络。

具体地，在实际应用中，需先通过互联网在中国资源卫星应用中心、欧空局等途径获取高分、Landsat等遥感卫星拍摄的高光谱卫星遥感影像。同时，由于遥感图像存在由传感器自身条件、薄雾等大气条件、太阳方位等条件引起的传感器测量值与目标的光谱反射率或光谱幅亮度等物理量之间的差异，需要进行大气辐射校正和定标，最终得到地表反射率产品。因此为了获得准确的高光谱卫星遥感影像，需要确定校正方法和参数等。

此外，采集的原始高光谱卫星遥感影像中依据来源不同含有多个频段的图像信息，它们在农业领域存在部分频段相关性过高，无法为地物分类提供有效信息的问题。这些冗余信息的存在加大了图像处理的复杂度。因此需要对这些频段的图像进行相关性分析，确定在农业领域区分度高的频段进行组合，以获得最终的农业遥感图像，为后续工作做准备。

换句话说，在本实施例中，需要说明的是，该农业遥感图像分析方法还包括：获取农业遥感图像S1包括：通过对高光谱卫星遥感影像的各频段进行相关性分析，选取在农业领域区分度高的频段组合，以获得农业遥感图像。

此外，考虑到农业遥感图像地物种类多，类内差异大，且U-Net算法多分类能力较弱，故采用了多模型融合训练的策略，即将多分类拆分为多路二分类，各支路提取不同地物的特征，从而提升每一类地物特征提取的效果。

为了使构建的农业遥感图像分析模型可以提取到更有效的图像特征，提高卷积神经网络对农业遥感图像的分类识别准确率，具体地，本发明实施例为了提高农业遥感图像的分类识别能力，利用农业遥感图像构建的图像数据集测试不同的卷积神经网络模型对农业遥感图像的分类识别能力，从分类准确率和模型复杂性两个角度考虑，选取U-Net神经网络模型作为各支路模型，同步对农业遥感图像进行不同地物特征提取，从而利用带有地物种类标签的农业遥感图像(分为训练集和测试集)进行训练后获得改进U-Net神经网络模型作为农业遥感图像的分类模型，将农业遥感图像输入至改进U-Net神经网络模型，输出农业遥感图像各像素对应的地物种类。

在本实施例中，需要说明的是，该农业遥感图像分析方法还包括：改进U-Net神经网络模型还包括融合分类模型，各支路模型的输出端分别与融合分类模型的输入端相连，融合分类模型对经过各支路模型处理后的农业遥感图像进行融合和分类。

基于此，在进一步的实施例中，需要说明的是，该农业遥感图像分析方法还包括：将农业遥感图像输入至改进的U-Net神经网络模型，输出农业遥感图像各像素对应的地物种类包括：基于各支路模型对农业遥感图像进行不同地物特征提取，各支路获取大小与输入相同的二维特征向量；基于融合分类模型将各支路的二维特征向量融合为最终二维特征向量，并根据最终二维特征向量获取农业遥感图像的各像素对应的地物种类。

具体地，利用各支路模型对农业遥感图像进行不同地物特征提取，分别获取相同大小的支路二维特征向量。本文中，之所以有需要获取相同大小的支路二维特征向量，是为了便于利用融合分类模型将各路二维特征向量更好地融合，从而获取最终二维特征向量，并利用融合分类模型进一步根据最终二维特征向量获取农业遥感图像各像素对应的地物种类。

基于此，在进一步的实施例中，需要说明的是，该农业遥感图像分析方法还包括：各支路模型为改进U-Net神经网络模型，融合分类模型包括可信度评价模型，可信度评价模型对各支路的结果进行评价、选取和融合。

具体地，本发明从分类准确率和网络的收敛速度两方面观察，选取近几年在图像语义分割领域取得较为突出成就的多种卷积神经网络模型(FCN系列模型、U-Net系列模型、SegNet系列模型等)进行了测试。选取了U-Net神经网络模型作为各支路模型。

U-Net神经网络模型是一个基于编码器-解码器(Encoder-Decoder)结构的深度学习图像分割算法，编码器逐层地减少池化层的空间维度，而解码器则逐步修复物体的细节和空间维度。它最初为了解决医学图像分割问题而提出，拥有结构可读性强、对输入图像大小要求低、训练成本低等特点。其结构主要由压缩路径(Contracting Path)和扩展路径(Expansive Path)两部分结构构成，以达成对图像特征的提取和重构。

在压缩路径上，每一步的操作包括两次用以提取特征的3×3卷积和一次进行下采样(Downsampling)的2×2池化。与之类似的，在扩展路径上，每一步包括一次2×2的反卷积以进行上采样(Upsampling)，并拼接上来自压缩路径的相同大小的特征图(Feature Map)，最后进行两次卷积。这样的设计可以有效地保留神经网络从浅层到深层每一步过程中提取到的特征，有效提升预测准确率。

由此，各U-Net子模型获取的大小相同的二维特征向量输入至融合分类模型，通过可信度评价模型区分各支路模型权重；之后根据权重对各支路模型输出的特征向量进行选取和融合。

基于此，在进一步的实施例中，需要说明的是，该农业遥感图像分析方法还包括：基于各支路模型对农业遥感图像进行不同地物特征提取还包括：预先利用边缘填充图像切分算法对农业遥感图像进行切分。

具体地，边缘填充图像切分算法将农业遥感图像切分为256×256像素大小的子图，并在四周增加32像素宽度的边缘填充，使得每一子图与其相邻子图共享部分区域。并在拼接回原图尺寸时移除边缘填充，缓解边缘效应，使结果更为平滑。

基于此，在进一步的实施例中，需要说明的是，该农业遥感图像分析方法还包括：基于各支路模型对农业遥感图像进行不同地物特征提取还包括：预先将改进U-Net神经网络模型的卷积、反卷积和池化操作修正为使用相等填充；预先将改进U-Net神经网络模型的损失函数修正为使用加权交叉熵损失函数。

具体地，因为原始的U-Net网络模型结构中扩展路径上每一步需要进行特征图融合的设计，原始设计对来自压缩路径上的特征图都进行了裁剪(Crop)。此方法解决了不同尺度的特征图拼接的问题，但是浪费了大量已获取的特征。

因此，改进U-Net神经网络模型所有的卷积、反卷积和池化操作均使用相等填充(Same Padding)，卷积前后特征图的宽、高不变，使得压缩、扩展路径上同层级的特征图都拥有相同的尺寸，可以直接进行拼接，保证了每一层级获取的特征信息都得到充分利用，同时也可以直接输出与输入图像同尺寸的预测图。

具体地，农业遥感图像存在训练集正负例样本分布极度不均匀，负例过多而正例稀少，最终导致模型难以收敛，或即使收敛了也倾向于全部预测为负的问题，需要对损失函数进行改造。

损失函数是衡量特定网络结构和参数下预测结果与实际值之间的偏差的函数。原始模型的损失函数为交叉熵损失函数。交叉熵损失函数(Cross Entropy Error Function)可以衡量两个概率分布之间的相似程度，且可以有效地帮助梯度下降算法更新网络权重。其二分类情形下的公式如下：

其中，N表示总样本数量；y_i表示样本i的标签值，正类为1，负类为0；p_i表示样本i的预测值，即为正类的概率。

考虑到预测结果的概率值可能出现0或1，进而导致上式出现无限大，影响模型收敛，故稍作改进：

改造后的加权交叉熵损失(Weighted Cross Entropy Loss)在原公式的基础上，为标签为真的样本额外增加了权重项，权重大于1则加强对真样本误判的惩罚，反之则减弱。公式如下：

需要说明的是，还需要根据模型的收敛速度和平均分类准确率，确定最优的改进U-Net神经网络模型。需要确定的参数具体包括：batch_size(批大小)、初始学习率等。

综上所述，在本发明实施例中，改进U-Net神经网络模型的特征提取阶段前利用边缘填充图像切分算法对农业遥感图像进行切分，将改进U-Net神经网络模型的卷积、反卷积和池化操作修正为使用相等填充(Same Padding)；将改进U-Net神经网络模型的损失函数修正为使用加权交叉熵损失(Weighted Cross Entropy Loss)函数。然后验证不同的batch_size(批大小)、初始学习率等对农业遥感图像分类准确率的影响，进而确定改进U-Net神经网络模型的最优参数。

在本实施例中，需要说明的是，该农业遥感图像分析方法还包括：地物种类包括农业用地、水域、建筑、道路和其它地物种类。

然而，本发明的实施例不限于此，在不脱离本发明的范围和精神的情况下，本领域技术人员可以根据实际农业需要而确定更多不同的地物种类。

基于同样的发明构思，另一方面，本发明的一实施例提出一种农业遥感图像分析方法系统。

下面结合图2对本发明提供的农业遥感图像分析系统进行描述，下文描述的农业遥感图像分析系统与上文描述的农业遥感图像分析方法可相互对应参照。

图2为本发明一实施例提供的农业遥感图像分析系统的结构示意图。

在本实施例中，需要说明的是，该农业遥感图像分析系统1包括：图像获取模块10，用于获取农业遥感图像；图像分析模块20，用于将农业遥感图像输入至改进U-Net神经网络模型，输出农业遥感图像的各像素对应的地物种类，其中改进U-Net神经网络模型是根据带有地物种类标签的农业遥感图像进行训练后获得的，改进U-Net神经网络模型包括多个并行的各支路模型，各支路模型用于对农业遥感图像进行不同地物特征提取，各支路模型均为U-Net深度卷积神经网络。

由于本发明实施例提供的农业遥感图像分析系统可以用于执行上述实施例所述的农业遥感图像分析方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。

在本实施例中，需要说明的是，本发明实施例的系统中的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。

以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

此外，在本发明中，参考术语“实施例”、“本实施例”、“又一实施例”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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种农业遥感图像分析方法，其特征在于，包括：

获取农业遥感图像；

将所述农业遥感图像输入至改进U-Net神经网络模型，输出所述农业遥感图像的各像素对应的地物种类，其中所述改进U-Net神经网络模型是根据带有地物种类标签的农业遥感图像进行训练后获得的，

所述改进U-Net神经网络模型包括多个并行的支路模型，所述支路模型用于对所述农业遥感图像进行不同地物特征提取，所述支路模型均为U-Net深度卷积神经网络。

2.根据权利要求1所述的农业遥感图像获取方法，其特征在于，所述获取农业遥感图像包括：通过对高光谱卫星遥感影像的各频段进行相关性分析，选取在农业领域区分度高的频段组合，以获得所述农业遥感图像。

3.根据权利要求1所述的农业遥感图像分析方法，其特征在于，所述改进U-Net神经网络模型还包括融合分类模型，所述支路模型的输出端分别与所述融合分类模型的输入端相连，所述融合分类模型对经过所述支路模型处理后的农业遥感图像进行融合和分类。

4.根据权利要求3所述的农业遥感图像分析方法，其特征在于，所述将所述农业遥感图像输入至改进U-Net神经网络模型，输出所述农业遥感图像各像素对应的地物种类包括：

基于所述支路模型对所述农业遥感图像进行不同地物特征提取，各支路获取大小与输入相同的二维特征向量；

基于所述融合分类模型将各支路的二维特征向量融合为最终二维特征向量，并根据所述最终二维特征向量获取所述农业遥感图像的各像素对应的地物种类。

5.根据权利要求4所述的农业遥感图像分析方法，其特征在于，所述支路模型为改进U-Net神经网络模型，所述融合分类模型包括可信度评价模型，所述可信度评价模型对各支路的结果进行评价、选取和融合。

6.根据权利要求4所述的农业遥感图像分析方法，其特征在于，在所述基于所述各支路模型对所述农业遥感图像进行不同地物特征提取之前，所述方法包括：

利用边缘填充图像切分算法对所述农业遥感图像进行切分。

7.根据权利要求4所述的农业遥感图像分析方法，其特征在于，在所述基于所述各支路模型对所述农业遥感图像进行不同地物特征提取之前，所述方法包括：

将所述改进U-Net神经网络模型的卷积、反卷积和池化操作修正为使用相等填充；

将所述改进U-Net神经网络模型的损失函数修正为使用加权交叉熵损失函数。

8.根据权利要求1-7中任一项所述的农业遥感图像分析方法，其特征在于，所述地物种类包括农业用地、水域、建筑、道路和其它地物种类。

9.一种农业遥感图像分析系统，其特征在于，包括：

图像获取模块，用于获取农业遥感图像；

图像分析模块，用于将所述农业遥感图像输入至改进U-Net神经网络模型，输出所述农业遥感图像的各像素对应的地物种类，其中所述改进U-Net神经网络模型是根据带有地物种类标签的农业遥感图像进行训练后获得的，

所述改进U-Net神经网络模型包括多个并行的支路模型，所述支路模型用于对所述农业遥感图像进行不同地物特征提取，所述支路模型均为U-Net深度卷积神经网络。

Images