CN113468990B - 一种模型训练方法、装置、电子设备及存储介质 - Google Patents

一种模型训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113468990B
CN113468990B CN202110678952.9A CN202110678952A CN113468990B CN 113468990 B CN113468990 B CN 113468990B CN 202110678952 A CN202110678952 A CN 202110678952A CN 113468990 B CN113468990 B CN 113468990B
Authority
CN
China
Prior art keywords
salix
evi
image
remote sensing
training
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
CN202110678952.9A
Other languages
English (en)
Other versions
CN113468990A (zh
Inventor
田金炎
李向彩
李小娟
宫辉力
陈蓓蓓
周丙锋
倪荣光
王小娜
张婕
谢军飞
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.)
Capital Normal University
Original Assignee
Capital Normal University
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 Capital Normal University filed Critical Capital Normal University
Priority to CN202110678952.9A priority Critical patent/CN113468990B/zh
Publication of CN113468990A publication Critical patent/CN113468990A/zh
Application granted granted Critical
Publication of CN113468990B publication Critical patent/CN113468990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种模型训练方法、装置、电子设备及存储介质，方法包括：获取目标区域的彩色遥感图像；根据杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期；将目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像；按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域；对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型。本申请将杨柳的物候特征和深度学习相结合，训练后的模型能够很好地识别遥感图像中的杨柳位置分布。

Description

一种模型训练方法、装置、电子设备及存储介质
技术领域
本申请涉及遥感图像识别领域，具体而言，涉及一种模型训练方法、装置、电子设备及存储介质。
背景技术
杨柳是很常见的植被，到了夏天，杨柳所产生的杨柳飞絮容易飞入市民眼睛、鼻孔，从而引起身体不适甚至炎症，导致过敏人群皮肤过敏，刺激加重哮喘、慢性支气管炎等呼吸道疾病；杨柳飞絮会遮挡行人和车辆视线，对交通安全和公共安全造成影响；更严重的，杨柳飞絮在高温天气还可能会引发火灾。因此，准确掌握杨柳的分布十分必要。
目前，获取杨柳分布的方式包括人工获取杨柳分布以及利用遥感图像识别杨柳分布。其中，遥感图像识别是一种利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，将图像中各个像元划分到各自地物类型的技术，遥感图像识别杨柳分布则是根据杨柳的光谱信息和空间信息等特征从而对遥感图像中杨柳的位置分布进行识别。
然而，传统的依靠人工获取杨柳分布的方法耗时费力，且工作周期长，对于杨柳分布的动态变化不能及时更新，而现有利用遥感技术获取杨柳分布的方法并没有充分考虑杨柳的物候特征，导致杨柳易与其他地物混淆，仍然不能达到很高的分类精度。
发明内容
有鉴于此，本申请的目的在于提供一种模型训练方法、装置、电子设备及存储介质，结合杨柳生长的物候时期，并采用深度学习的方式，能够很好地识别遥感图像中的杨柳位置分布。
第一方面，本申请实施例提供了一种模型训练方法，所述方法包括：
获取目标区域的彩色遥感图像，其中，所述彩色遥感图像为所述目标区域的含云遥感图像经过去云处理后得到的；
根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，其中，所述杨柳样本点位于所述目标区域内；
将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像；
按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域，其中，同一分割图像区域中所包括的对象的类型相同且任意两个分割图像区域中包括的对象是不同的；
对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型，其中，所述目标图像区域为多个分割图像区域中包括的对象为杨柳的分割图像区域；
使用本次训练后的深度学习模型对预设彩色遥感图像进行杨柳区域的识别，得到用于表示杨柳分布的识别结果，以将所述识别结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。
在一种可能的实施方式中，所述根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，包括：
从杨柳的第一生长周期中，选取杨柳的EVI数值小于或等于第一数值的时间段作为杨柳的无叶期，所述第一生长周期为1月1日至3月31日；
从杨柳的第二生长周期中，选取杨柳的EVI数值大于或等于第二数值的时间段作为杨柳的叶片生长期，所述第二生长周期为4月1日至7月31日；
从杨柳的第三生长周期中，选取杨柳的EVI数值大于或等于第三数值的时间段作为杨柳的叶片成熟期，所述第三生长周期为8月1日至12月31日。
在一种可能的实施方式中，同一物候时期的EVI遥感图像包括多张，所述将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像，包括：
针对处于同一物候时期的每一张EVI遥感图像，获取该张EVI遥感图像中每一像元的EVI数值；
从所述多张EVI遥感图像中位于相同坐标的像元里，将EVI数值为中值的像元作为该坐标的拼接像元，其中，每一像元对应一个坐标；
将每一拼接像元按照原坐标进行拼接，得到拼接图像；
将不同物候时期对应的拼接图像和所述彩色遥感图像进行叠加，得到所述合成图像。
在一种可能的实施方式中，所述预设分割尺度的确定方法，包括：
从第一分割尺度和第二分割尺度之间选取多个间距相等的候选分割尺度；
计算每一候选分割尺度的全局得分GS，以将GS最小的候选分割尺度作为所述预设分割尺度，所述GS用于衡量每一候选分割尺度的图像分割效果。
在一种可能的实施方式中，所述彩色遥感图像中的波段包括以下至少一个波段：红光波段、绿光波段、蓝光波段和近红外波段。
在一种可能的实施方式中，所述目标图像区域的获取方法，包括：
将从所述分割图像区域中选取的部分参考目标图像区域输入到单类分类器中，以使所述单类分类器根据所述参考目标图像区域的属性特征从所述分割图像区域中选取出全部目标图像区域。
在一种可能的实施方式中，所述全年EVI时序曲线的获取方法，包括：
根据所述杨柳样本点处杨柳在不同日期的EVI数值，绘制所述杨柳样本点处杨柳对应的全年EVI散点图；
利用多项式平滑SG算法，对所述全年EVI散点图进行平滑处理，得到所述全年EVI时序曲线。
第二方面，本申请实施例提供了一种模型训练装置，所述装置包括：
获取模块，用于获取目标区域的彩色遥感图像，其中，所述彩色遥感图像为所述目标区域的含云遥感图像经过去云处理后得到的；
时期确定模块，用于根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，其中，所述杨柳样本点位于所述目标区域内；
图像叠加模块，用于将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像；
图像分割模块，用于按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域，其中，同一分割图像区域中所包括的对象的类型相同且任意两个分割图像区域中包括的对象是不同的；
训练模块，用于对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型，其中，所述目标图像区域为多个分割图像区域中包括的对象为杨柳的分割图像区域；使用本次训练后的深度学习模型对预设彩色遥感图像进行杨柳区域的识别，得到用于表示杨柳分布的识别结果，以将所述识别结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。
在一种可能的实施方式中，所述时期确定模块具体用于：
从杨柳的第一生长周期中，选取杨柳的EVI数值小于或等于第一数值的时间段作为杨柳的无叶期，所述第一生长周期为1月1日至3月31日；
从杨柳的第二生长周期中，选取杨柳的EVI数值大于或等于第二数值的时间段作为杨柳的叶片生长期，所述第二生长周期为4月1日至7月31日；
从杨柳的第三生长周期中，选取杨柳的EVI数值大于或等于第三数值的时间段作为杨柳的叶片成熟期，所述第三生长周期为8月1日至12月31日。
在一种可能的实施方式中，同一物候时期的EVI遥感图像包括多张，所述图像叠加模块具体用于：
针对处于同一物候时期的每一张EVI遥感图像，获取该张EVI遥感图像中每一像元的EVI数值；
从所述多张EVI遥感图像中位于相同坐标的像元里，将EVI数值为中值的像元作为该坐标的拼接像元，其中，每一像元对应一个坐标；
将每一拼接像元按照原坐标进行拼接，得到拼接图像；
将不同物候时期对应的拼接图像和所述彩色遥感图像进行叠加，得到所述合成图像。
在一种可能的实施方式中，所述图像分割模块，还用于：
从第一分割尺度和第二分割尺度之间选取多个间距相等的候选分割尺度；
计算每一候选分割尺度的全局得分GS，以将GS最小的候选分割尺度作为所述预设分割尺度，所述GS用于衡量每一候选分割尺度的图像分割效果。
在一种可能的实施方式中，所述彩色遥感图像中的波段包括以下至少一个波段：红光波段、绿光波段、蓝光波段和近红外波段。
在一种可能的实施方式中，所述训练模块，还用于：
将从所述分割图像区域中选取的部分参考目标图像区域输入到单类分类器中，以使所述单类分类器根据所述参考目标图像区域的属性特征从所述分割图像区域中选取出全部目标图像区域。
在一种可能的实施方式中，所述时期确定模块，还用于：
根据所述杨柳样本点处杨柳在不同日期的EVI数值，绘制所述杨柳样本点处杨柳对应的全年EVI散点图；
利用多项式平滑SG算法，对所述全年EVI散点图进行平滑处理，得到所述全年EVI时序曲线。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面任一项所述的模型训练方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面任一项所述的模型训练方法的步骤。
本申请实施例提供的一种模型训练方法、装置、电子设备及存储介质，结合杨柳生长的物候时期，并采用深度学习的方式，能够很好地识别遥感图像中的杨柳位置分布。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例提供的一种模型训练方法的流程图；
图2示出了本申请实施例提供的另一种模型训练方法的流程图；
图3示出了本申请实施例提供的对杨柳样本点处杨柳对应的全年EVI散点图处理后得到的全年EVI时序曲线；
图4示出了本申请实施例提供的一种模型训练装置的结构示意图；
图5示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
术语解释：
杨柳：杨柳科杨属和柳属植被的统称。
物候：生物长期适应光照、降水、温度等条件的周期性变化，形成与此相适应的生长发育节律，这种现象称为物候现象，主要指动植物的生长、发育、活动规律与非生物的变化对节候的反应。
增强型植被指数(Enhanced Vegetation Index，EVI)是植被生长状态及植被覆盖度的指示因子，其计算公式为：
其中，G是增益因子，取值为2.5；C1和C2是气溶胶阻抗系数，取值分别为C1＝6，C2＝7.5；L是冠层背景调整因子，取值为1；ρNIR是近红外波段的反射率，ρRed是红光波段的反射率，ρBlue是蓝光波段的反射率。
参照图1所示，本申请实施例提供的一种模型训练方法的流程图，所述方法包括：
S101、获取目标区域的彩色遥感图像，其中，所述彩色遥感图像为所述目标区域的含云遥感图像经过去云处理后得到的。
例如，想要了解北京的杨柳分布情况，便可以将北京的海淀区(或者朝阳区，丰台区等)作为目标区域，获取海淀区的彩色遥感图像；含云遥感图像的分辨率越高，模型训练效果越好，最终得到的杨柳分布结果也就越精确，含云遥感图像可以是卫星拍摄的，其包括的波段可以是红光波段、绿光波段、蓝光波段。此外，除了对含云遥感图像进行去云处理之外，还可以对含云遥感图像进行大气校正，几何校正等处理。
S102、根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，其中，所述杨柳样本点位于所述目标区域内。
例如，可以针对预先划分好的不同的时间段，每个时间段按照不同的条件，将杨柳的EVI数值满足条件的子时间段作为杨柳的物候时期。
S103、将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像。
例如，存在2个物候时期，第一个物候时期是1月1日到6月1日，第二个物候时期为7月1日到10月1日，那么将处于1月1日到6月1日之间的目标区域的EVI遥感图像作为第一物候时期对应的EVI遥感图像，处于7月1日到10月1日之间的目标区域的EVI遥感图像作为第二物候时期的EVI遥感图像，其中，每一EVI遥感图像和彩色遥感图像的分辨率是相同的。
S104、按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域，其中，同一分割图像区域中所包括的对象的类型相同且任意两个分割图像区域中包括的对象是不同的。
每个分割图像区域中包括的对象是不同的，例如，分割图像区域1中包括杨柳1、杨柳2和杨柳3，分割图像区域2中包括杨柳3、杨柳4和杨柳5，分割图像区域3中包括房子1和房子2，合适的预设分割尺度能够尽量保持不同地物的边界完整性，理想情况下，同一分割图像区域中包括的对象类型也都是相同的，即不同的对象类型不会出现在同一分割图像区域中，同一地物也不会同时出现在不同的分割图像区域中。
此外，为了减少处理量，还可以在整个合成图像中，选取多个范围不重叠的典型子图像区域，并针对每个子图像区域按照预设分割尺度进行面向对象分割处理，以得到每个子区域图像中的图像分割区域。进行面向对象分割的软件可以使用例如eCognitionDeveloper 64等，本申请对此不作限制。
S105、对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型，其中，所述目标图像区域为多个分割图像区域中包括的对象为杨柳的分割图像区域。
将包括的对象为杨柳的分割图像区域作为训练数据输入到深度学习模型中进行模型训练，得到训练后的深度学习模型。
在本申请实施例中，深度学习模型可以使用语义分割模型(例如DeepLabv3+)或实例分割模型等分类模型，本申请对此不作限制。其中，语义分割模型利用CNN网络来提取特征进行分类，可以捕获更多尺度信息，更好恢复物体的边缘信息，DeepLabv3是语义分割模型的一种，DeepLabv3+是DeepLabv3的扩展，增加了一个简单而有效的解码器模型来细化分割结果，尤其是沿着对象边界的分割结果。
S106、使用本次训练后的深度学习模型对预设彩色遥感图像进行杨柳区域的识别，得到用于表示杨柳分布的识别结果，以将所述识别结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。
预设彩色遥感图像可以为全北京区域的彩色遥感图像，用深度学习模型对该全北京区域的彩色遥感图像进行识别，得到杨柳的分布结果，每次训练后都人工对识别结果进行精度验证，从中选取训练结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。
在一种可能的实施方式中，所述根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，包括：
从杨柳的第一生长周期中，选取杨柳的EVI数值小于或等于第一数值的时间段作为杨柳的无叶期，所述第一生长周期为1月1日至3月31日；
从杨柳的第二生长周期中，选取杨柳的EVI数值大于或等于第二数值的时间段作为杨柳的叶片生长期，所述第二生长周期为4月1日至7月31日；
从杨柳的第三生长周期中，选取杨柳的EVI数值大于或等于第三数值的时间段作为杨柳的叶片成熟期，所述第三生长周期为8月1日至12月31日。
在本申请实施例中，在第一数值设定为0.17，第二数值设定为0.4，第三数值设置为0.5的情况下，得到杨柳的3个物候时期为：
无叶期：每年的1月1日—3月1日，杨树和柳树尚未萌芽，仍然处于无叶期，因此杨柳冠层植被指数较低，EVI值也处于低值，研究选取该时期为杨柳生长的一个物候时期，命名无叶期；
叶片成长期：每年的4月20日到6月1日，杨柳树都经过萌芽阶段，长出嫩绿的叶片，EVI也经过快速增长，处于平稳的高值阶段，因次选取该时期作为杨柳生长的一个物候时期，命名为叶片成长期；
叶片成熟期：每年的8月15日到9月30日，进入盛夏阶段，杨柳树的叶片也逐渐成熟，叶片叶绿素含量不断聚集，EVI也进入了另一个平稳的高值阶段，因次选取该时期作为杨柳生长的一个物候时期，命名为叶片成熟期。
参照图2所示，本申请实施例提供的另一种模型训练方法的流程图，同一物候时期的EVI遥感图像包括多张，所述将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像，包括：
S201、针对处于同一物候时期的每一张EVI遥感图像，获取该张EVI遥感图像中每一像元的EVI数值。
S202、从所述多张EVI遥感图像中位于相同坐标的像元里，将EVI数值为中值的像元作为该坐标的拼接像元，其中，每一像元对应一个坐标。
S203、将每一拼接像元按照原坐标进行拼接，得到拼接图像。
S204、将不同物候时期对应的拼接图像和所述彩色遥感图像进行叠加，得到所述合成图像。
结合步骤S201～S204：例如，在某一物候时期，该物候时期存在三张EVI遥感图像(每张EVI遥感图像的分辨率和场景相同，日期不同)，每张EVI遥感图像中的像元个数相同，且每一个像元对应一个坐标。以图像左下角的像元为例，位于该坐标的分别处于三张EVI遥感图像中的三个像元的EVI数值分别为a，b，c(a<b<c，即中值为b)，则将EVI数值为b的像元确定为该坐标(即图像左下角)的拼接像元，并按此方式，从三张EVI遥感图像中确定每一个坐标的拼接像元，然后将所有拼接像元按照原坐标位置进行拼接，得到一张该物候时期对应的拼接图像，然后将每个物候时期对应的拼接图像与彩色遥感图像进行波段叠加，得到合成图像。
在一种可能的实施方式中，步骤S104中所述预设分割尺度的确定方法，包括：
从第一分割尺度和第二分割尺度之间选取多个间距相等的候选分割尺度；计算每一候选分割尺度的全局得分GS，以将GS最小的候选分割尺度作为所述预设分割尺度，所述GS用于衡量每一候选分割尺度的图像分割效果。
首先，对合成图像进行目视解译，以确定出第一分割尺度和第二分割尺度，然后从第一分割尺度和第二分割尺度之间按照相等的间距选取多个候选分割尺度。举例来说，假设第一分割尺度为80，第二分割尺度为12，间距为4，那么候选分割尺度即为12、16、20、24...72、76、80。计算每个候选分割尺度的全局得分(Global Score，GS)，以选取GS最小(即图像分割效果最优)的候选分割尺度作为预设分割尺度。
GS计算过程如下：
计算每个候选分割尺度对应的面积加权方差wVar，计算公式如下：
其中，n为分割图像区域总个数，vi为分割图像区域内方差，ai为分割图像区域面积，wVar越小，同一分割图像区域内均质性越大。
计算每个候选分割尺度对应的莫兰指数(Moran’sI，MI)，计算公式如下：
其中，n为分割图像区域总个数，wij是对分割图像区域间的空间邻近度量，仅考虑共享边界的相邻区域，即分割图像区域互为邻域时，wij＝1，否则wij＝0；y为分割图像区域光谱均值，为合成图像光谱均值；MI越小，不同分割图像区域间异质性越大。
对每个候选分割尺度对应的wVar和MI进行归一化处理，归一化公式如下：
Xnorm＝(X-Xmin)/(X-Xmax)
以wVar为例，其中，X为当前候选分割尺度对应的wVar，Xmax为所有候选分割尺度中对应的wVar最大的，xmin为所有候选分割尺度中对应的wVar最小的，同理，按此公式对每个候选分割尺度对应的MI也进行归一化处理，得到每个候选分割尺度对应的得到归一化面积加权方差Vnorm和归一化莫兰指数MInorm。
GS＝Vnorm+MInorm
针对每一个候选分割尺度，将该候选分割尺度对应的Vnorm和MInorm相加即得到该候选分割尺度的GS，以将GS最小(即图像分割效果最优)的候选分割尺度作为预设分割尺度。
在一种可能的实施方式中，所述彩色遥感图像中的波段包括以下至少一个波段：红光波段、绿光波段、蓝光波段和近红外波段。
其中，近红外波段对绿色植物类别差异最敏感，使用包括红光波段、蓝光波段、绿光波段和近红外波段四个波段的彩色遥感图像最终得到的模型效果最优。
在一种可能的实施方式中，步骤S105中所述目标图像区域的获取方法，包括：
将从所述分割图像区域中选取的部分参考目标图像区域输入到单类分类器中，以使所述单类分类器根据所述参考目标图像区域的属性特征从所述分割图像区域中选取出全部目标图像区域。
单类分类器是机器学习分类器中的一种分支，这种分类器无需选取负样本，只需选取目标类型的样本即可完成训练，减少了负样本选取工作量。
为了减少处理量，可以先人工选取部分作为参考的目标图像区域(即包括对象为杨柳的图像区域)，然后将人工选取的部分参考目标图像区域输入到单类分类器中，以使单类分类器根据参考目标图像区域的属性特征从分割图像区域中选取出全部目标图像区域。其中，参考目标图像区域的属性特征包括：目标图像区域中包括的各个波段反射率的均值、方差、标准差，以及目标图像区域中的纹理和圆度等。
在一种可能的实施方式中，步骤S102中所述全年EVI时序曲线的获取方法，包括：
根据所述杨柳样本点处杨柳在不同日期的EVI数值，绘制所述杨柳样本点处杨柳对应的全年EVI散点图；利用多项式平滑SG算法，对所述全年EVI散点图进行平滑处理，得到所述全年EVI时序曲线。
参照图3所示，为本申请实施例提供的对杨柳样本点处杨柳对应的全年EVI散点图处理后得到的全年EVI时序曲线，图中保留了全年EVI散点图，图中连续的曲线即为杨柳样本点处杨柳对应的全年EVI时序曲线，其中，横轴为时间，纵轴为EVI数值，EVI_raw为未经处理的EVI散点，EVI_smooth为经平滑处理后的EVI时序曲线。
本申请实施例提供的一种模型训练方法，根据相关植被指数获取杨柳树生长的多个物候期，更加科学合理，对之后的模型训练有很大的帮助，并利用面向对象分割的方法，尽可能保证了杨柳图像区域的完整性。此外，采用了深度学习分类的方法，尽可能得挖掘数据潜在特征，优化损失函数的学习规则，可以有效提高分类精度，最终制图产品也可以为实际生活提供有力的参考。
基于同一发明构思，本申请实施例中还提供了与模型训练方法对应的模型训练装置，由于本申请实施例中的模型训练装置解决问题的原理与本申请实施例上述模型训练方法相似，因此模型训练装置的实施可以参见模型训练方法的实施，重复之处不再赘述。
参照图4所示，为本申请实施例提供的一种模型训练装置示意图，所述装置包括：
获取模块401，用于获取目标区域的彩色遥感图像，其中，所述彩色遥感图像为所述目标区域的含云遥感图像经过去云处理后得到的；
时期确定模块402，用于根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，其中，所述杨柳样本点位于所述目标区域内；
图像叠加模块403，用于将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像；
图像分割模块404，用于按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域，其中，同一分割图像区域中所包括的对象的类型相同且任意两个分割图像区域中包括的对象是不同的；
训练模块405，用于对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型，其中，所述目标图像区域为多个分割图像区域中包括的对象为杨柳的分割图像区域；使用本次训练后的深度学习模型对预设彩色遥感图像进行杨柳区域的识别，得到用于表示杨柳分布的识别结果，以将所述识别结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。
在一种可能的实施方式中，所述时期确定模块402具体用于：
从杨柳的第一生长周期中，选取杨柳的EVI数值小于或等于第一数值的时间段作为杨柳的无叶期，所述第一生长周期为1月1日至3月31日；
从杨柳的第二生长周期中，选取杨柳的EVI数值大于或等于第二数值的时间段作为杨柳的叶片生长期，所述第二生长周期为4月1日至7月31日；
从杨柳的第三生长周期中，选取杨柳的EVI数值大于或等于第三数值的时间段作为杨柳的叶片成熟期，所述第三生长周期为8月1日至12月31日。
在一种可能的实施方式中，同一物候时期的EVI遥感图像包括多张，所述图像叠加模块403具体用于：
针对处于同一物候时期的每一张EVI遥感图像，获取该张EVI遥感图像中每一像元的EVI数值；
从所述多张EVI遥感图像中位于相同坐标的像元里，将EVI数值为中值的像元作为该坐标的拼接像元，其中，每一像元对应一个坐标；
将每一拼接像元按照原坐标进行拼接，得到拼接图像；
将不同物候时期对应的拼接图像和所述彩色遥感图像进行叠加，得到所述合成图像。
在一种可能的实施方式中，所述图像分割模块404，还用于：
从第一分割尺度和第二分割尺度之间选取多个间距相等的候选分割尺度；
计算每一候选分割尺度的全局得分GS，以将GS最小的候选分割尺度作为所述预设分割尺度，所述GS用于衡量每一候选分割尺度的图像分割效果。
在一种可能的实施方式中，所述彩色遥感图像中的波段包括以下至少一个波段：红光波段、绿光波段、蓝光波段和近红外波段。
在一种可能的实施方式中，所述训练模块405，还用于：
将从所述分割图像区域中选取的部分参考目标图像区域输入到单类分类器中，以使所述单类分类器根据所述参考目标图像区域的属性特征从所述分割图像区域中选取出全部目标图像区域。
在一种可能的实施方式中，所述时期确定模块402，还用于：
根据所述杨柳样本点处杨柳在不同日期的EVI数值，绘制所述杨柳样本点出杨柳对应的全年EVI散点图；
利用多项式平滑SG算法，对所述全年EVI散点图进行平滑处理，得到所述全年EVI时序曲线。
本申请实施例提供的一种模型训练装置，根据相关植被指数获取杨柳树生长的多个物候期，更加科学合理，对之后的模型训练有很大的帮助，并利用面向对象分割的方法，尽可能保证了杨柳图像区域的完整性。此外，采用了深度学习分类的方法，尽可能得挖掘数据潜在特征，优化损失函数的学习规则，可以有效提高分类精度，最终制图产品也可以为实际生活提供有力的参考。
参照图5所示，本申请实施例提供的一种电子设备500，包括：处理器501、存储器502和总线，所述存储器502存储有所述处理器501可执行的机器可读指令，当电子设备运行时，所述处理器501与所述存储器502之间通过总线通信，所述处理器501执行所述机器可读指令，以执行如上述模型训练方法的步骤。
具体地，上述存储器502和处理器501能够为通用的存储器和处理器，这里不做具体限定，当处理器501运行存储器502存储的计算机程序时，能够执行上述模型训练方法。
对应于上述方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述模型训练方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种模型训练方法，其特征在于，所述方法包括：
获取目标区域的彩色遥感图像，其中，所述彩色遥感图像为所述目标区域的含云遥感图像经过去云处理后得到的；
根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，其中，所述杨柳样本点位于所述目标区域内；
将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像；
按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域，其中，同一分割图像区域中所包括的对象的类型相同且任意两个分割图像区域中包括的对象是不同的；
对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型，其中，所述目标图像区域为多个分割图像区域中包括的对象为杨柳的分割图像区域；
使用本次训练后的深度学习模型对预设彩色遥感图像进行杨柳区域的识别，得到用于表示杨柳分布的识别结果，以将所述识别结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，包括：
从杨柳的第一生长周期中，选取杨柳的EVI数值小于或等于第一数值的时间段作为杨柳的无叶期，所述第一生长周期为1月1日至3月31日；
从杨柳的第二生长周期中，选取杨柳的EVI数值大于或等于第二数值的时间段作为杨柳的叶片生长期，所述第二生长周期为4月1日至7月31日；
从杨柳的第三生长周期中，选取杨柳的EVI数值大于或等于第三数值的时间段作为杨柳的叶片成熟期，所述第三生长周期为8月1日至12月31日。
3.根据权利要求1所述的模型训练方法，其特征在于，同一物候时期的EVI遥感图像包括多张，所述将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像，包括：
针对处于同一物候时期的每一张EVI遥感图像，获取该张EVI遥感图像中每一像元的EVI数值；
从所述多张EVI遥感图像中位于相同坐标的像元里，将EVI数值为中值的像元作为该坐标的拼接像元，其中，每一像元对应一个坐标；
将每一拼接像元按照原坐标进行拼接，得到拼接图像；
将不同物候时期对应的拼接图像和所述彩色遥感图像进行叠加，得到所述合成图像。
4.根据权利要求1所述的模型训练方法，其特征在于，所述预设分割尺度的确定方法，包括：
从第一分割尺度和第二分割尺度之间选取多个间距相等的候选分割尺度；
计算每一候选分割尺度的全局得分GS，以将GS最小的候选分割尺度作为所述预设分割尺度，所述GS用于衡量每一候选分割尺度的图像分割效果。
5.根据权利要求1所述的模型训练方法，其特征在于，所述彩色遥感图像中的波段包括以下至少一个波段：红光波段、绿光波段、蓝光波段和近红外波段。
6.根据权利要求1所述的模型训练方法，其特征在于，所述目标图像区域的获取方法，包括：
将从所述分割图像区域中选取的部分参考目标图像区域输入到单类分类器中，以使所述单类分类器根据所述参考目标图像区域的属性特征从所述分割图像区域中选取出全部目标图像区域。
7.根据权利要求1所述的模型训练方法，其特征在于，所述全年EVI时序曲线的获取方法，包括：
根据所述杨柳样本点处杨柳在不同日期的EVI数值，绘制所述杨柳样本点处杨柳对应的全年EVI散点图；
利用多项式平滑SG算法，对所述全年EVI散点图进行平滑处理，得到所述全年EVI时序曲线。
8.一种模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取目标区域的彩色遥感图像，其中，所述彩色遥感图像为所述目标区域的含云遥感图像经过去云处理后得到的；
时期确定模块，用于根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，其中，所述杨柳样本点位于所述目标区域内；
图像叠加模块，用于将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像；
图像分割模块，用于按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域，其中，同一分割图像区域中所包括的对象的类型相同且任意两个分割图像区域中包括的对象是不同的；
训练模块，用于对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型，其中，所述目标图像区域为多个分割图像区域中包括的对象为杨柳的分割图像区域；使用本次训练后的深度学习模型对预设彩色遥感图像进行杨柳区域的识别，得到用于表示杨柳分布的识别结果，以将所述识别结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一项所述的模型训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的模型训练方法的步骤。
CN202110678952.9A 2021-06-18 2021-06-18 一种模型训练方法、装置、电子设备及存储介质 Active CN113468990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110678952.9A CN113468990B (zh) 2021-06-18 2021-06-18 一种模型训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110678952.9A CN113468990B (zh) 2021-06-18 2021-06-18 一种模型训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113468990A CN113468990A (zh) 2021-10-01
CN113468990B true CN113468990B (zh) 2023-10-13

Family

ID=77868635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110678952.9A Active CN113468990B (zh) 2021-06-18 2021-06-18 一种模型训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113468990B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523525A (zh) * 2020-07-02 2020-08-11 航天宏图信息技术股份有限公司 农作物分类识别方法、装置和电子设备
CN112215090A (zh) * 2020-09-21 2021-01-12 首都师范大学 融合物候知识的遥感水稻制图方法及其应用
JP2021006017A (ja) * 2019-06-28 2021-01-21 株式会社日立製作所 リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021006017A (ja) * 2019-06-28 2021-01-21 株式会社日立製作所 リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法
CN111523525A (zh) * 2020-07-02 2020-08-11 航天宏图信息技术股份有限公司 农作物分类识别方法、装置和电子设备
CN112215090A (zh) * 2020-09-21 2021-01-12 首都师范大学 融合物候知识的遥感水稻制图方法及其应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全卷积神经网络下的多光谱遥感影像分割;姚建华;吴加敏;杨勇;施祖贤;;中国图象图形学报(第01期);全文 *

Also Published As

Publication number Publication date
CN113468990A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN111461053A (zh) 基于迁移学习的多个生育期小麦倒伏区域识别系统
Tao et al. Deep learning-based dead pine tree detection from unmanned aerial vehicle images
CN107067334B (zh) 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统
US11455794B2 (en) System and method for orchard recognition on geographic area
CN110796001A (zh) 一种卫星影像覆膜农田识别与提取方法及系统
JP6544582B2 (ja) 松くい虫の被害区分算定方法及び松くい虫の被害区分算定装置
WO2019130568A1 (ja) 評価情報生成システム、評価情報生成方法、およびプログラム
CN108764284B (zh) 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
CN108414455A (zh) 用于农业保险理赔的农作物雹灾遥感监测方法
JP7450838B1 (ja) 背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法および装置
CN114445703B (zh) 基于时间序列分析的森林增长年份自动识别方法、系统
CN114519821A (zh) 一种绿色健康植被遥感识别指数的构建方法
CN109446962B (zh) 土地覆盖年际变化检测方法及系统
CN109918531A (zh) 一种毒品原植物的搜查方法、装置和计算机可读存储介质
CN114821349A (zh) 顾及谐波模型系数和物候参数的森林生物量估算方法
CN114881620B (zh) 一种基于卫星遥感的国土空间监测方法与系统
JP2008152425A (ja) 農地区画データ作成システム
Sabzchi-Dehkharghani et al. Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing
Husin et al. Multi-temporal analysis of terrestrial laser scanning data to detect basal stem rot in oil palm trees
Geng et al. Object-based wetland classification using multi-feature combination of ultra-high spatial resolution multispectral images
Johansen et al. Mapping banana plantations from object-oriented classification of SPOT-5 imagery
CN113468990B (zh) 一种模型训练方法、装置、电子设备及存储介质
Novotný et al. Individual tree crowns delineation using local maxima approach and seeded region growing technique
CN114663761A (zh) 作物长势确定方法、装置、设备和存储介质
CN115830441A (zh) 一种作物识别方法、装置、系统和介质

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