CN114187504A - 一种基于多光谱影像的农作物分类方法及装置 - Google Patents

Abstract

本申请提供了一种基于多光谱影像的农作物分类方法及装置，涉及遥感影像识别领域，包括：获取研究区影像数据，对所述影像数据进行预处理，得到第一数据；根据预设公式对所述第一数据进行指数计算，得到第二数据；获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果；对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层；根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。提高了作物的分类精度，降低了分类误分概率，使得分类边缘平滑，去除了噪点。

Description

一种基于多光谱影像的农作物分类方法及装置

技术领域

本发明涉及遥感影像识别领域，尤其涉及一种基于多光谱影像的农作物分类方法及装置。

背景技术

人类活动中与自然环境密切相关的是农业活动，而粮食生产在整个农业领域中占据着重要地位，关系着国计民生与国民经济发展。东北地区是我国最有潜力的商品粮基地和重要的粮食主产区，为全国提供了大量优质口粮、饲料用粮以及工业用粮。近几年，我国粮食生产重心逐渐向东北方向偏移，更加体现了东北地区在我国粮食生产格局中的重要性。因此，研究粮食生产格局及作物时空分布有利于优化粮食生产结构，实现农业可持续发展，对粮食安全有重要意义。辽宁处于高纬度地区，缺乏热量，作物仅一年一熟一收获，因此农作物生长发育的先天条件并不优越。但该区域相较其他地区更为辽阔，人口相对较少，土壤质地是黑土，所以粮食作物产量高、品质好。大豆、水稻、玉米、花生是辽宁区域内的主要粮食作物，每年向全国供应极大的粮食总量。

在现有对作物识别的技术中，大多根据单一时期影像数据进行作物分类，该方法会丢失大量作物的物候信息，因此在分类精度上并不高；或者未使用多源数据来对作物进行综合提取，单一数据源会因为缺少必要波段、时相导致误分概率上升；而且大多是采用监督分类进行分类，这类方法在输入特征波段与样本点后，无法人工进行阈值修改，全程由计算机自动完成；并且对分类结果的后处理步骤不够完善，往往导致存在地物分类边缘不平滑、存在噪点等问题。

发明内容

本发明提供了一种基于多光谱影像的农作物分类方法及装置，旨在解决上述现有技术中存在的分类精度不高、分类误分概率高、分类阈值无法人工修改、分类边缘不平滑，存在噪点的问题。

为了实现上述目的，本申请采用以下技术方案，包括：

获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，所述影像数据包括Sentinel-2多光谱影像数据和Landsat多光谱影像数据；

根据预设公式对所述第一数据进行指数计算，得到第二数据；

获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果；

对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层；

根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。

作为优选，所述获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，包括：

对所述Sentinel-2多光谱影像数据进行大气校正、坐标系转换和波段合成处理，得到第一影像数据；

当所述Sentinel-2多光谱影像数据的时相缺失，则对所述Landsat多光谱影像数据进行辐射定标、大气校正、坐标系转换和波段合成处理，得到第二影像数据，将所述第一影像数据和所述第二影像数据汇总，得到所述第一数据。

作为优选，所述根据预设公式对所述第一数据进行指数计算，得到第二数据，包括：

根据公式EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)对所述第一数据进行计算，得到第一指数，根据公式LSWI＝(NIR-SWIR1)/(NIR+SWIR1)对所述第一数据进行计算，得到第二指数，根据公式NDBI＝(SWIR1-NIR)/(SWIR1+NIR)(RED<NIR<SWIR1)对所述第一数据进行计算，得到第三指数，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1；

将所述第一指数、所述第二指数、所述第三指数汇总，得到所述第二数据。

作为优选，所述获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果，包括：

根据所述第三数据和所述第二数据判断所述研究区的土地类型是否为水体，否，则根据所述第一指数和所述第二指数对所述土地类型通过决策树方法进行分类，得到所述第一分类结果。

作为优选，所述根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果，包括：

判断所述研究区影像数据的像素点是否落入第一掩膜图层区域且未落入第二掩膜图层区域；

是，则根据所述第一分类结果对所述像素点进行填充，得到第一结果，否，则所述像素点为非作物区，得到第二结果，将所述第一结果和所述第二结果汇总，得到所述第二分类结果。

一种基于多光谱影像的农作物分类装置，包括：

影像数据预处理模块：用于获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，所述影像数据包括Sentinel-2多光谱影像数据和Landsat多光谱影像数据；

指数计算模块：用于根据预设公式对所述第一数据进行指数计算，得到第二数据；

作物第一分类模块：用于获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果；

掩膜图层合成模块：用于对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层；

作物第二分类模块：用于根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。

作为优选，所述影像数据预处理模块，包括：

影像第一处理模块：用于对所述Sentinel-2多光谱影像数据进行大气校正、坐标系转换和波段合成处理，得到第一影像数据；

影像第二处理模块：用于当所述Sentinel-2多光谱影像数据的时相缺失，则对所述Landsat多光谱影像数据进行辐射定标、大气校正、坐标系转换和波段合成处理，得到第二影像数据，将所述第一影像数据和所述第二影像数据汇总，得到所述第一数据。

作为优选，所述指数计算模块，包括：

子指数计算模块：用于根据公式EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)对所述第一数据进行计算，得到第一指数，根据公式LSWI＝(NIR-SWIR1)/(NIR+SWIR1)对所述第一数据进行计算，得到第二指数，根据公式NDBI＝(SWIR1-NIR)/(SWIR1+NIR)(RED<NIR<SWIR1)对所述第一数据进行计算，得到第三指数，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1；

子指数汇总模块：用于将所述第一指数、所述第二指数、所述第三指数汇总，得到所述第二数据。

一种基于多光谱影像的农作物分类装置，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于多光谱影像的农作物分类方法。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时实现如上述中任一项所述的一种基于多光谱影像的农作物分类方法。

本发明具有以下有益效果：

本技术方案在数据获取上综合考量了主要粮食作物的生理期，利用时序数据作为各类粮食作物的特征进行作物分类，解决了现有技术中根据单一时期影像数据进行作物分类，导致会丢失大量作物的物候信息的问题，提高了分类的精度；本技术方案中补充了Landsat数据与2017地物类型数据作为辅助数据，Landsat用于补充缺失的时相数据，2017地物类型数据将作为先验知识参与掩膜建立，采用多源数据对作物进行综合提取，避免单一数据源因为缺少必要波段、时相导致误分概率上升的问题，提高了根据数据对作物进行分类的精度和准确度；本技术方案利用决策树进行主要粮食作物的分层分类，对作物进行分类的阈值条件可以进行人工修改，因为该阈值是人工设置的，所以能够快速实现人工介入，进行分类模型的修改，可以根据实地场景的实际情况进行人工修改，避免计算机统一化设置所造成的地区差异所导致的分类结果不准确，提高整体对作物分类的准确性；本技术方案利用了中值滤波对掩膜图层、作物图层、分类结果文件进行了滤波处理，消除了孔洞、噪点，使得地物分类边缘平滑，提高了整体分类结果的精度；在得到第一分类结果之后，再通过合成掩膜，并对第一分类结果再进行处理，得到最终的分类结果，该过程将一些非作物区域和一些对主要作物分类造成影响的杂质进行去除，提高最终分类结果中主要作物的准确性，减少干扰，提高精度。

附图说明

图1为本发明实施例实现一种基于多光谱影像的农作物分类方法的流程图

图2为本发明实施例实现一种对影像数据进行预处理和指数计算得到第二数据的方法的流程图

图3为本发明实施例实现一种基于多光谱影像的农作物分类装置的结构示意图

图4为本发明实施例实现一种基于多光谱影像的农作物分类装置中的影像数据预处理模块10的结构示意图

图5为本发明实施例实现一种基于多光谱影像的农作物分类装置中的指数计算模块20的结构示意图

图6为本发明实施例实现一种基于多光谱影像的农作物分类装置的一种电子设备示意图

具体实施方式

下面将结合附图，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。

本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同，本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

实施例1

如图1所示，一种基于多光谱影像的农作物分类方法，包括以下步骤：

S11、获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，所述影像数据包括Sentinel-2多光谱影像数据和Landsat多光谱影像数据；

S12、根据预设公式对所述第一数据进行指数计算，得到第二数据；

S13、获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果；

S14、对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层；

S15、根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。

在本实施例中，首先获取研究区域的不同时期的影像数据，在本实施例中该研究区域是辽宁省地区，并且以Sentinel-2多光谱影像数据为主，当缺失时相的时候，使用Landsat多光谱影像数据进行补充，并对该影像数据进行大气校正、坐标系转换和波段合成等操作，将处理后的影像数据汇总，得到第一数据，接着根据增强型植被指数(EVI)、地表水分指数(LSWI)、归一化建筑指数(NDBI)的计算公式，对第一数据中的影像数据的相关指数进行计算，将计算结果汇总，得到第二数据，然后根据清华大学利用哨兵数据制作的10米分辨率土地覆盖类型图获取研究区的土地利用类型图，即第三数据，其中水体对应代码为60，不透水表面代码为80，然后使用决策树分层分类方法对研究区的作物种类进行划分，将土地利用类型数据与计算得到的遥感指数数据即第二数据和第三数据输入，并进行如下分析判断，进行作物分类：(1)判断土地利用类型是否为水体，如果是非水体，则进入作物分类；(2)判断4月或5月是否存在LSWI<0，且7月EVI>0.5、9月EVI>0.2，如果是，则为水稻；(3)对剩下区域，判断9月EVI减去7月EVI是否大于0.1，如果是，则判断为花生；(4)对剩下区域，判断7月是否存在EVI>0.62，如果是，则判断为玉米；(5)对剩下区域，判断7月是否有0.15<EVI<0.34，如果是，则判断为大豆，剩余部分归为非作物。将上述五种的分类情况结果进行汇总，得到第一分类结果，接着制作作物掩膜、不透水表面掩膜，即第一掩膜图层和第二掩膜图层，对作物掩膜，使用初步分类结果即第一分类结果合成作物掩膜，并使用5*5算子的中值滤波对该掩膜进行滤波处理；对不透水表面掩膜，使用第二数据中的NDBI图像，当某像素点7月、10月的NDBI图像值同时满足NDBI>-0.25时，认为该像素点为不透水表面，取该步骤计算结果与第三数据中的土地利用类型图中值为80的区域取并集，合成不透水表面掩膜，并使用5*5算子的中值滤波进行滤波处理；然后进行最后一步的作物种类分类，到该步骤时，有三份数据，分别为：分类结果数据(水稻花生玉米大豆)即第一分类数据，作物掩膜图层即第一掩膜图层，不透水掩膜图层即第二掩膜图层，将上述数据进行叠加分析，判断研究区的影像数据中的某像素点是否满足以下条件：落入作物掩膜图层区域且未落入不透水掩膜图层区域，满足，则在该像素点填充分类结果数据；不满足，则认为该像素点为非作物点；将上述叠加分析结果进行3*3算子的中值滤波处理，得到四种主要粮食作物的分类结果即第二分类结果并进行输出。本实施例的有益效果是：本技术方案在数据获取上综合考量了主要粮食作物的生理期，利用时序数据作为各类粮食作物的特征进行作物分类，解决了现有技术中根据单一时期影像数据进行作物分类，导致会丢失大量作物的物候信息的问题，提高了分类的精度，本技术方案利用决策树进行主要粮食作物的分层分类，对作物进行分类的阈值条件可以进行人工修改，因为该阈值是人工设置的，所以能够快速实现人工介入，进行分类模型的修改，可以根据实地场景的实际情况进行人工修改，避免计算机统一化设置所造成的地区差异所导致的分类结果不准确，提高整体对作物分类的准确性，本技术方案利用了中值滤波对掩膜图层、作物图层、分类结果文件进行了滤波处理，消除了孔洞、噪点，使得地物分类边缘平滑，提高了整体分类结果的精度，在得到第一分类结果之后，再通过合成掩膜，并对第一分类结果再进行处理，得到最终的分类结果，该过程将一些非作物区域和一些对主要作物分类造成影响的杂质进行去除，提高最终分类结果中主要作物的准确性，减少干扰，提高精度。

实施例2

如图2所示，一种对影像数据进行预处理和指数计算得到第二数据的方法，包括以下步骤：

S21、对所述Sentinel-2多光谱影像数据进行大气校正、坐标系转换和波段合成处理，得到第一影像数据；

S22、当所述Sentinel-2多光谱影像数据的时相缺失，则对所述Landsat多光谱影像数据进行辐射定标、大气校正、坐标系转换和波段合成处理，得到第二影像数据，将所述第一影像数据和所述第二影像数据汇总，得到所述第一数据；

S23、根据公式EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)对所述第一数据进行计算，得到第一指数，根据公式LSWI＝(NIR-SWIR1)/(NIR+SWIR1)对所述第一数据进行计算，得到第二指数，根据公式NDBI＝(SWIR1-NIR)/(SWIR1+NIR)(RED<NIR<SWIR1)对所述第一数据进行计算，得到第三指数，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1；

S24、将所述第一指数、所述第二指数、所述第三指数汇总，得到所述第二数据。

在本实施例中，对于数据的选取即对研究区影像数据的选取，这里选取了4、5、7、9、10月多光谱数据各一景，优先使用Sentinel-2多光谱影像数据，若遇到时相缺失，则使用Landsat多光谱影像数据进行补充，对于Sentinel-2多光谱影像数据，需要用工具Sen2Cor进行大气校正，并使用工具SNAP进行坐标系转换、波段合成工作，在进行上述操作处理之后，得到处理后的Sentinel-2多光谱影像数据，即第一影像数据，然后，当时相缺失的时候，使用Landsat多光谱影像数据进行补充，对于Landsat多光谱数据，需要进行辐射定标，并使用flaash大气校正方法进行校正，再进行坐标系转换、波段合成工作，经上述操作处理之后，得到处理后的Landsat多光谱影像数据，即第二影像数据，将第一影像数据和第二影像数据进行汇总，得到第一数据，然后根据第一数据进行研究区的相应指数的计算，这里需要计算3种指数，分别为增强型植被指数(EVI)、地表水分指数(LSWI)、归一化建筑指数(NDBI)，3种指数有各自作用，其中，EVI用来判断作物生长情况，LSWI用来提取淹水信号，NDBI用来获取不渗水表面，三种指数的计算方法如下：EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)；LSWI＝(NIR-SWIR1)/(NIR+SWIR1)；NDBI＝(SWIR1-NIR)/(SWIR1+NIR)(满足RED<NIR<SWIR1时，否则值为0)，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1，在分别计算出三种相应的指数数值之后，将其汇总，得到研究区的综合指数数据即第二数据。本实施例的有益效果为：本技术方案中补充了Landsat数据与2017地物类型数据作为辅助数据，Landsat用于补充缺失的时相数据，2017地物类型数据将作为先验知识参与掩膜建立，采用多源数据对作物进行综合提取，避免单一数据源因为缺少必要波段、时相导致误分概率上升的问题，提高了根据数据对作物进行分类的精度和准确度，并且分别对研究区的增强型植被指数(EVI)、地表水分指数(LSWI)、归一化建筑指数(NDBI)进行计算，并根据该指数作为依据进行研究区作物的分类，可以结合不同作物之间不同时期的特征特点进行分类，使得分类结果更加准确。

实施例3

如图3所示，一种基于多光谱影像的农作物分类装置，包括：

影像数据预处理模块10：用于获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，所述影像数据包括Sentinel-2多光谱影像数据和Landsat多光谱影像数据；

指数计算模块20：用于根据预设公式对所述第一数据进行指数计算，得到第二数据；

作物第一分类模块30：用于获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果；

掩膜图层合成模块40：用于对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层；

作物第二分类模块50：用于根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。

上述装置的一种实施方式为，在影像数据预处理模块10中，获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，所述影像数据包括Sentinel-2多光谱影像数据和Landsat多光谱影像数据，在指数计算模块20中，根据预设公式对所述第一数据进行指数计算，得到第二数据，在作物第一分类模块30中，获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果，在掩膜图层合成模块40中，对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层，在作物第二分类模块50中，根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。

实施例4

如图4所示，一种基于多光谱影像的农作物分类装置中的影像数据预处理模块10，包括：

影像第一处理模块11：用于对所述Sentinel-2多光谱影像数据进行大气校正、坐标系转换和波段合成处理，得到第一影像数据；

影像第二处理模块12：用于当所述Sentinel-2多光谱影像数据的时相缺失，则对所述Landsat多光谱影像数据进行辐射定标、大气校正、坐标系转换和波段合成处理，得到第二影像数据，将所述第一影像数据和所述第二影像数据汇总，得到所述第一数据。

上述装置的一种实施方式为，在影像第一处理模块11中，对所述Sentinel-2多光谱影像数据进行大气校正、坐标系转换和波段合成处理，得到第一影像数据，在影像第二处理模块12中，当所述Sentinel-2多光谱影像数据的时相缺失，则对所述Landsat多光谱影像数据进行辐射定标、大气校正、坐标系转换和波段合成处理，得到第二影像数据，将所述第一影像数据和所述第二影像数据汇总，得到所述第一数据。

实施例5

如图5所示，一种基于多光谱影像的农作物分类装置中的指数计算模块20，包括：

子指数计算模块21：用于根据公式EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)对所述第一数据进行计算，得到第一指数，根据公式LSWI＝(NIR-SWIR1)/(NIR+SWIR1)对所述第一数据进行计算，得到第二指数，根据公式NDBI＝(SWIR1-NIR)/(SWIR1+NIR)(RED<NIR<SWIR1)对所述第一数据进行计算，得到第三指数，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1；

子指数汇总模块22：用于将所述第一指数、所述第二指数、所述第三指数汇总，得到所述第二数据。

上述装置的一种实施方式为，在子指数计算模块21中，根据公式EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)对所述第一数据进行计算，得到第一指数，根据公式LSWI＝(NIR-SWIR1)/(NIR+SWIR1)对所述第一数据进行计算，得到第二指数，根据公式NDBI＝(SWIR1-NIR)/(SWIR1+NIR)(RED<NIR<SWIR1)对所述第一数据进行计算，得到第三指数，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1，在子指数汇总模块22中，将所述第一指数、所述第二指数、所述第三指数汇总，得到所述第二数据。

实施例6

如图6所示，一种电子设备，包括存储器601和处理器602，所述存储器601用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器602执行以实现上述的任一一种方法。

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，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的任一一种方法。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器601中，并由处理器602执行，并由输入接口605和输出接口606完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器601、处理器602,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器607、网络接入设备、总线等。

处理器602可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器602、数字信号处理器602(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器602可以是微处理器602或者该处理器602也可以是任何常规的处理器602等。

存储器601可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器601也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器601还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器601用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器601还可以用于暂时地存储在输出器608，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM603、随机存储器RAM604、碟盘或光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (10)

1.一种基于多光谱影像的农作物分类方法，其特征在于，包括：

获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，所述影像数据包括Sentinel-2多光谱影像数据和Landsat多光谱影像数据；

根据预设公式对所述第一数据进行指数计算，得到第二数据；

获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果；

对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层；

根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。

2.根据权利要求1所述的一种基于多光谱影像的农作物分类方法，其特征在于，所述获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，包括：

对所述Sentinel-2多光谱影像数据进行大气校正、坐标系转换和波段合成处理，得到第一影像数据；

当所述Sentinel-2多光谱影像数据的时相缺失，则对所述Landsat多光谱影像数据进行辐射定标、大气校正、坐标系转换和波段合成处理，得到第二影像数据，将所述第一影像数据和所述第二影像数据汇总，得到所述第一数据。

3.根据权利要求2所述的一种基于多光谱影像的农作物分类方法，其特征在于，所述根据预设公式对所述第一数据进行指数计算，得到第二数据，包括：

根据公式EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)对所述第一数据进行计算，得到第一指数，根据公式LSWI＝(NIR-SWIR1)/(NIR+SWIR1)对所述第一数据进行计算，得到第二指数，根据公式NDBI＝(SWIR1-NIR) /(SWIR1+NIR)(RED<NIR<SWIR1)对所述第一数据进行计算，得到第三指数，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1；

将所述第一指数、所述第二指数、所述第三指数汇总，得到所述第二数据。

4.根据权利要求3所述的一种基于多光谱影像的农作物分类方法，其特征在于，所述获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果，包括：

根据所述第三数据和所述第二数据判断所述研究区的土地类型是否为水体，否，则根据所述第一指数和所述第二指数对所述土地类型通过决策树方法进行分类，得到所述第一分类结果。

5.根据权利要求4所述的一种基于多光谱影像的农作物分类方法，其特征在于，所述根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果，包括：

判断所述研究区影像数据的像素点是否落入第一掩膜图层区域且未落入第二掩膜图层区域；

是，则根据所述第一分类结果对所述像素点进行填充，得到第一结果，否，则所述像素点为非作物区，得到第二结果，将所述第一结果和所述第二结果汇总，得到所述第二分类结果。

6.一种基于多光谱影像的农作物分类装置，用于实现如权利要求1所述的一种基于多光谱影像的农作物分类方法，其特征在于，包括：

影像数据预处理模块：用于获取研究区影像数据，对所述影像数据进行预处理，得到第一数据，所述影像数据包括Sentinel-2多光谱影像数据和Landsat 多光谱影像数据；

指数计算模块：用于根据预设公式对所述第一数据进行指数计算，得到第二数据；

作物第一分类模块：用于获取第三数据，根据所述第二数据和所述第三数据对土地利用类型进行分析，并根据预设阈值进行分类，得到第一分类结果；

掩膜图层合成模块：用于对所述第一分类结果进行合成，得到第一掩膜图层，根据所述第二数据对所述第三数据进行合成，得到第二掩膜图层；

作物第二分类模块：用于根据叠加分析法对所述第一分类结果、所述第一掩膜图层和所述第二掩膜图层进行分析，得到第二分类结果。

7.根据权利要求6所述的一种基于多光谱影像的农作物分类装置，其特征在于，所述影像数据预处理模块，包括：

影像第一处理模块：用于对所述Sentinel-2多光谱影像数据进行大气校正、坐标系转换和波段合成处理，得到第一影像数据；

影像第二处理模块：用于当所述Sentinel-2多光谱影像数据的时相缺失，则对所述Landsat多光谱影像数据进行辐射定标、大气校正、坐标系转换和波段合成处理，得到第二影像数据，将所述第一影像数据和所述第二影像数据汇总，得到所述第一数据。

8.根据权利要求7所述的一种基于多光谱影像的农作物分类装置，其特征在于，所述指数计算模块，包括：

子指数计算模块：用于根据公式EVI＝2.5*(NIR-RED)/(NIR+6*RED-7.5*BLUE+1)对所述第一数据进行计算，得到第一指数，根据公式LSWI＝(NIR-SWIR1)/(NIR+SWIR1)对所述第一数据进行计算，得到第二指数，根据公式NDBI＝(SWIR1-NIR)/(SWIR1+NIR)(RED<NIR<SWIR1)对所述第一数据进行计算，得到第三指数，其中EVI为增强型植被指数，LSWI为地表水分指数，NDBI为归一化建筑指数，BLUE为蓝光波段，RED为红光波段，NIR为近红外波段，SWIR1为短波红外波段1；

子指数汇总模块：用于将所述第一指数、所述第二指数、所述第三指数汇总，得到所述第二数据。

9.一种基于多光谱影像的农作物分类装置，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～5中任一项所述的一种基于多光谱影像的农作物分类方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被计算机执行时实现如权利要求1～5中任一项所述的一种基于多光谱影像的农作物分类方法。

Images