CN115205691B - 一种水稻种植区域识别方法、装置、存储介质及设备 - Google Patents
一种水稻种植区域识别方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN115205691B CN115205691B CN202211118593.2A CN202211118593A CN115205691B CN 115205691 B CN115205691 B CN 115205691B CN 202211118593 A CN202211118593 A CN 202211118593A CN 115205691 B CN115205691 B CN 115205691B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- sentinel
- region
- area
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 160
- 235000009566 rice Nutrition 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 160
- 238000012549 training Methods 0.000 claims abstract description 96
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000010152 pollination Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种水稻种植区域识别方法、装置、存储介质及设备，所述方法包括：分别对样本区域的样本哨兵影像和样本高分影像进行不同地类区域分割，以分别得到各自对应的栅格数据；根据样本哨兵影像、栅格数据及样本高分影像训练哨兵影像区域识别模型和高分影像区域识别模型；将待识别区域的哨兵影像和高分影像对应输入到哨兵影像区域识别模型和高分影像区域识别模型当中进行水稻种植区域的识别，并根据二者识别结果，确定待识别区域当中的水稻种植区域。本发明利用卷积神经网络算法对哨兵影像数据和高分影像数据进行分类识别，将其结果进行结合，再利用三调数据中的耕地矢量图斑对其进行裁剪，能够得到较为准确的识别结果。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种水稻种植区域识别方法、装置、存储介质及设备。
背景技术
遥感技术可以对大面积范围内的地物环境进行监测，可以获得连续事件状态下统一区域的遥感影像，实现动态监测。如今，遥感技术快速发展，地面分辨率、光谱分辨率和时间分辨率都在不断提高，遥感数据的数量和质量也在逐步提升，未来的应用空间非常大。
为了监测统计水稻种植面积以及产量，需要对水稻种植区域进行识别。然而，由于南方丘陵地带，地形复杂，地块细小分散，田块破碎而不规则，水稻的空间分布变化十分剧烈，对水稻种植区域的识别与监测受到了前所未有的关注与挑战。
以往利用卫星遥感影像进行水稻种植区域识别的研究大致可分成2类：①单时相影像+图像统计法，如监督分类(MLC和SVM等) ，非监督分类(阈值法和ISODATA等)或面向对象分类; ②时间序列遥感影像+监督分类(ＲF等) 法。这些方法在水稻种植区域提取上，在不同地区及环境下，其识别的稳定性和适应性受到了极大的考验，也导致其识别精度不是很高。
同时，在现有的水稻区域遥感识别方法中，大多集中在平原地区，而南方丘陵地区由于地形较为复杂，田块细碎且不规则，利用上述传统方法进行水稻种植区域识别，不仅识别难度较大，而且识别精度也将受到较大程度的影响，导致水稻种植区域识别精度低，最终会影响水稻种植面积以及产量监测统计的可靠性。
发明内容
基于此，本发明的目的是提供一种水稻种植区域识别方法、装置、存储介质及设备，旨在解决现有技术当的至少一个技术问题。
根据本发明实施例的一种水稻种植区域识别方法，能够适用于南方丘陵地区，所述方法包括：
获取样本区域的样本哨兵影像和样本高分影像，所述样本区域当中包含多种不同地类区域，所述多种不同地类区域包括水稻种植区域和其他地类区域；
分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据；
根据所述样本哨兵影像及其对应的栅格数据训练哨兵影像区域识别模型，并根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型；
获取待识别区域的哨兵影像和高分影像，并将所述待识别区域的哨兵影像和高分影像对应输入到所述哨兵影像区域识别模型和所述高分影像区域识别模型当中进行水稻种植区域的识别；
根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域。
另外，根据本发明上述实施例的一种水稻种植区域识别方法，还可以具有如下附加的技术特征：
进一步地，根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域的步骤包括：
将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，以确定所述待识别区域当中的水稻种植区域。
进一步地，将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，以确定所述待识别区域当中的水稻种植区域的步骤包括：
将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，得到交集区域；
获取三调数据，并从所述三调数据当中提取耕地图斑；
以所述耕地图斑为掩膜，对所述交集区域的非耕地部分进行剔除，得到所述待识别区域当中的水稻种植区域。
进一步地，分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据的步骤包括：
采用预设影像分割算法分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，并通过调整预设分割参数使分割结果与实际影像的接近度达到阈值，所述预设分割参数包括光谱细节、空间细节和最小分割单元；
将分割后的样本哨兵影像和样本高分影像输出为各自对应的栅格数据，并按同类赋同值、异类赋异值的赋值规则，对所述栅格数据的像元进行赋值。
进一步地，获取样本区域的样本哨兵影像和样本高分影像的步骤包括：
在水稻处于预设时期时，获取涵盖所述样本区域的全域哨兵影像和全域高分影像，所述预设时期为授粉期或灌浆期；
根据用户输入的所述样本区域的边界坐标或边界线，在所述全域哨兵影像和所述全域高分影像当中对应分割出所述样本区域的样本哨兵影像和样本高分影像。
进一步地，其中，高分影像区域识别模型和哨兵影像区域识别模型的训练方法相同，根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型包括：
将所述样本高分影像对应的栅格数据的每个像元进行非NoData值索引，并根据索引结果构建窗口矩阵图像；
对所述窗口矩阵图像进行扫描识别，记录属于同一地类的所有像元的地理坐标，得到不同地类各自对应的像元地理坐标集合；
读取所述样本高分影像每一像元的地理坐标及其对应的DN值，根据所述不同地类各自对应的像元地理坐标集合并按照坐标对应关系，确定出不同地类各自对应的像元DN值集合；
根据所述不同地类各自对应的像元DN值集合对卷积神经网络进行训练，以训练高分影像区域识别模型。
进一步地，根据所述不同地类各自对应的像元DN值集合对卷积神经网络进行训练，以训练高分影像区域识别模型的步骤之后，还包括：
计算当前训练的高分影像区域识别模型的水稻分类用户精度、生产者精度、总体精度和/或Kappa系数，并通过所述水稻分类用户精度、所述生产者精度、所述总体精度和/或Kappa系数对当前训练的高分影像区域识别模型进行评价；
其中，计算公式如下：
式中，UA为所述水稻分类用户精度，PA为所述生产者精度，OA为所述总体精度，m i 为第i类的分类正确的像元数量，C i 为第i类的真实像元总数，G i 为第i类的分类结果像元总数，n为分类数，N为样本像元总数。
根据本发明实施例的一种水稻种植区域识别装置，能够适用于南方丘陵地区，所述装置包括：
数据获取模块，用于获取样本区域的样本哨兵影像和样本高分影像，所述样本区域当中包含多种不同地类区域，所述多种不同地类区域包括水稻种植区域和其他地类区域；
影像分割模块，用于分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据；
模型训练模块，用于根据所述样本哨兵影像及其对应的栅格数据训练哨兵影像区域识别模型，并根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型；
区域识别模块，用于获取待识别区域的哨兵影像和高分影像，并将所述待识别区域的哨兵影像和高分影像对应输入到所述哨兵影像区域识别模型和所述高分影像区域识别模型当中进行水稻种植区域的识别，并根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的水稻种植区域识别方法。
本发明还提出一种水稻种植区域识别设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的水稻种植区域识别方法。
与现有技术相比：通过采用哨兵影像和高分影像分别构建对应的区域识别模型，并且在构建模型之前，先对哨兵影像和高分影像进行不同地类区域分割，然后基于分割后得到的栅格数据及原始影像数据共同来构建模型，大幅提升模型对不同地类区域的分类精度，使训练得到的模型更加适用于南方丘陵地区，在实际运用时，同时采用哨兵影像和高分影像各自构建的模型来对水稻种植区域进行识别，并根据两个模型的识别结果最终确定待识别区域当中的水稻种植区域，大幅提升水稻种植区域的识别精度，经测试，本水稻种植区域识别方法在地形较为复杂的南方丘陵地区依然具有很高的识别精度，解决了传统在南方丘陵地区存在的水稻种植区域识别难度大、识别精度低的问题。
附图说明
图1为本发明第一实施例中的水稻种植区域识别方法的流程图；
图2为本发明实施例提供的卷积神经网络架构的示意图；
图3为本发明实施例提供的窗口矩阵图像的示意图；
图4为本发明第四实施例中的水稻种植区域识别装置的结构示意图；
图5为本发明第五实施例中的水稻种植区域识别设备的结构示意图。
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
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发明的技术领域的技术人员通常理解的含义相同。本文中在本发明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，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的水稻种植区域识别方法，能够适用于南方丘陵地区，所述方法具体包括步骤S01-步骤S05。
步骤S01，获取样本区域的样本哨兵影像和样本高分影像，所述样本区域当中包含多种不同地类区域，所述多种不同地类区域包括水稻种植区域和其他地类区域。
其中，其他地类区域包括但不限于建筑区域、林地区域、河流区域、草坪区域、道路区域等等，样本区域当中应当包含尽可能多的其他地类，使得后续模型能够更好的对水稻种植区域与各种其他不同地类区域进行精确分类，提高适用范围和精度。在另外一些可选实施例当中，也可以将其他地类区域进行细分，例如细分为水稻种植区域、建筑区域、林地区域、河流区域、草坪区域、道路区域，使得后续训练得到的模型不仅能够区别水稻种植区域，还能够区分建筑区域、林地区域、河流区域、草坪区域、道路区域、或者其他农作物种植区域等。
在一些可选实施例当中，获取样本区域的样本哨兵影像和样本高分影像的步骤可以具体包括：
在水稻处于预设时期时，获取涵盖所述样本区域的全域哨兵影像和全域高分影像；
根据用户输入的所述样本区域的边界坐标或边界线，在所述全域哨兵影像和所述全域高分影像当中对应分割出所述样本区域的样本哨兵影像和样本高分影像。
也即，可以先获取某一南方丘陵地区（例如江西上高）的全域哨兵影像和全域高分影像，然后分别在全域哨兵影像和全域高分影像当中确定多个样本区域，或者也可以先确定样本区域再获取包含这些样本区域的哨兵影像和高分影像。样本区域的选择应当满足水稻种植较多同时具有不同其他地类的条件，同时选取的多个样本区域应当尽可能的均匀分布在该地区，有助于提高后续模型精度。样本区域的选择可以先实地考察后再从影像中选取，实地考察时，可结合GPS定位并记录样本区域的边界坐标，然后通过输入边界坐标来自动从影像中选取对应的样本区域，或者也可以实体考察之后、再由人工在影像中将对应的样本区域的边界圈出，样本区域应当在哨兵影像和高分影像当中保持一致。
其中，预设时期为授粉期或灌浆期，也即获取哨兵影像和高分影像的时间应为水稻收割前40天内，这个时间范围内水稻处于授粉期与灌浆期，与水田周围杂草纹理特征与光谱特征区别较大，能够更好的区别“水稻“与“非水稻“。示例而非限定，根据南方水稻生长周期，早稻识别需要获取的影像为6月中旬前后，晚稻识别需要获取的影像为9月中旬前后，一季稻需要获取的影像为8月上旬前后。
另外，哨兵影像具体为哨兵2号影像数据，哨兵2号影像数据可在欧空局网站中下载，高分数据具体为高分一号卫星影像（GF1）、高分二号卫星影像（GF2）、高分六号卫星影像（GF6），高分数据（GF1、GF2、GF6）可在自然资源卫星遥感云服务平台获取。两种数据成像时间须比较相近。
步骤S02，分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据。
在一些可选实施例当中，步骤S02可以具体包括：
采用预设影像分割算法分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，并通过调整预设分割参数使分割结果与实际影像的接近度达到阈值，所述预设分割参数包括光谱细节、空间细节和最小分割单元；
将分割后的样本哨兵影像和样本高分影像输出为各自对应的栅格数据，并按同类赋同值、异类赋异值的赋值规则，对所述栅格数据的像元进行赋值。
其中，预设影像分割算法具体可以为Mean-Shift分割算法，即通过Mean-Shift分割算法来将影像当中的不同地类区域分割处理，同时通过调节Mean-Shift分割算法当中的光谱细节、空间细节和最小分割单元，使得分割结果与实际影像接近（可由人为判定），即通过调整分割参数来将不同地类区域精确分割出来。此外，当通过调整分割参数很难区分时，也可以借助人工划分线来进行分割。最终将Mean-Shift分割算法的输出结果转化为栅格数据输出，由于适用环境为南方丘陵地区，其田块细碎且不规则，故将分割结果以栅格数据输出，栅格数据就是将图像分割成有规律的网格像元，有利于细碎且不规则田块的划分和识别，提高后续模型识别精度。示例而非限定，在输出栅格数据之后，可以选择水稻区域图斑赋值为1，使得水稻区域图斑范围内的所有网格像元赋值为1，其他地类区域图斑赋值为2，使得其他地类区域图斑范围内的所有网格像元赋值为2，赋值的目的是能够让模型更好的明确分类目标。由此制作完成训练用的栅格数据样本。
具体地，光谱细节参数是指定为影像中要素的光谱差异的重要性级别，值的有效范围从1.0到20.0，如果具有希望单独分类的要素但其光谱特性相似，则适合使用较高的值，值越小，创建的光谱性输出越平滑，例如，在森林场景中使用的光谱详细级别越高，树种之间的差异就越大。空间细节参数是指定为影像中要素之间的邻近性的重要性级别，参数值的有效范围从1.0 到20.0；如果感兴趣要素小且聚集在一起，则适合使用较高的值；值设置的越小，创建的空间性输出越平滑。
步骤S03，根据所述样本哨兵影像及其对应的栅格数据训练哨兵影像区域识别模型，并根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型。
在本实施例当中，哨兵影像区域识别模型和高分影像区域识别模型的都是基于卷积神经网络（CNN）训练得到，训练时以样本区域的栅格数据作为训练标签数据、样本区域的原始影像数据（即样本哨兵影像或样本高分影像）作为训练影像数据，然后通过卷积神经网络中的建模窗口矩阵大小和卷积迭代次数，直至输出的模型的训练精度达85%以上，此时训练好的模型能够将该训练样本区域较好的进行分类。
其中，CNN由多层感知机(Mli-Layar Prcepron，简称MLP)进化而来，在神经网络中的分类中属于多层神经网络，能够将输入的特征层层变换，把原先的空间特征转换到新的特征空间，实现特征的分层抽象，方便分类和特征的可视化。权值共享网络结构的出现使得网络模型更加简单，权值在数量进一步变少，更像生物神经网络。卷积神经网络能够共享卷积核，在多维图像处理上有其他方法难以比拟的优势，比如它能自行提取目标的颜色、纹理、形状及图像的拓扑结构等特征；在扭曲不变性的图像识别上能够较精准的展示数据的实际分布情况，具备不错的识别效率和鲁棒性。其次，训练好权重之后，不用人工选择数据特征就可以得到很好的特征分类结果。因此，被广泛用于图像处理方面，并且取得了很好的应用效果。作为一种可选的实施例，请参阅图2，所示为本实施例可选的卷积神经网络架构，卷积神经网络细划分为五个层，能够实现对多维图像的精准分类，包括数据输入层（Inputlayer）、卷积层（Convolutional Layer）、激励层（Activation layer）、池化层（PoolingLayer）及全连接层（Fully Connected Layers）。
步骤S04，获取待识别区域的哨兵影像和高分影像，并将所述待识别区域的哨兵影像和高分影像对应输入到所述哨兵影像区域识别模型和所述高分影像区域识别模型当中进行水稻种植区域的识别。
步骤S05，根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域。
在一些可选实施例当中，步骤S05可以具体包括：
将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，以确定所述待识别区域当中的水稻种植区域。
也即，在本实施例当中，利用训练得到的哨兵影像区域识别模型对待识别区域的哨兵影像进行水稻种植区域识别，得到第一识别结果，同时还利用训练得到的高分影像区域识别模型对待识别区域的高分影像进行水稻种植区域识别，得到第二识别结果，然后对第一识别结果和第二识别结果求交集，最终将二者交集作为待识别区域当中的实际水稻种植区域，这样可以大幅提升水稻种植区域的识别精度。
综上，本发明上述实施例当中的水稻种植区域识别方法，通过采用哨兵影像和高分影像分别构建对应的区域识别模型，并且在构建模型之前，先对哨兵影像和高分影像进行不同地类区域分割，然后基于分割后得到的栅格数据及原始影像数据共同来构建模型，大幅提升模型对不同地类区域的分类精度，在实际运用时，同时采用哨兵影像和高分影像各自构建的模型来对水稻种植区域进行识别，并根据两个模型的识别结果最终确定待识别区域当中的水稻种植区域，哨兵数据波段信息丰富，高分影像数据空间分辨率高，二者结合能够大幅提升水稻种植区域的识别精度，经测试，本水稻种植区域识别方法在地形较为复杂的南方丘陵地区依然具有很高的识别精度，解决了传统在南方丘陵地区存在的水稻种植区域识别难度大、识别精度低的问题。
实施例二
本发明第二实施例也提出一种水稻种植区域识别方法，本实施例当中的水稻种植区域识别方法与第一实施例当中的水稻种植区域识别方法的不同之处在于：
其中，根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型具体可以包括：
将所述样本高分影像对应的栅格数据的每个像元进行非NoData值索引，并根据索引结果构建窗口矩阵图像；
对所述窗口矩阵图像进行扫描识别，记录属于同一地类的所有像元的地理坐标，得到不同地类各自对应的像元地理坐标集合；
读取所述样本高分影像每一像元的地理坐标及其对应的DN值，根据所述不同地类各自对应的像元地理坐标集合并按照坐标对应关系，确定出不同地类各自对应的像元DN值集合；
根据所述不同地类各自对应的像元DN值集合对卷积神经网络进行训练，以训练高分影像区域识别模型；
计算当前训练的高分影像区域识别模型的水稻分类用户精度、生产者精度、总体精度和/或Kappa系数，并通过所述水稻分类用户精度、所述生产者精度、所述总体精度和/或Kappa系数对当前训练的高分影像区域识别模型进行评价；
其中，计算公式如下：
式中，UA为所述水稻分类用户精度，PA为所述生产者精度，OA为所述总体精度，m i 为第i类的分类正确的像元数量；C i 为第i类的真实像元总数；G i 为第i类的分类结果像元总数，n为分类数，N为样本像元总数。
其中，整个模型训练过程具体为：由于在栅格数据制作过程当中，已经对栅格数据的像元进行赋值，并且赋值1为水稻区域，赋值2为其他地类区域，因此卷积层会对栅格数据的每个像元进行非NoData值索引，即确定每个像元的赋值，未赋值的像元自动赋值为0，并根据索引结果构建窗口矩阵图像，例如如图3所示。在对不同地类区域进行分割时，不要求对整张影像的每个区域都进行分割，或者影像中存在其他非地类标识区域，例如动物等，因此会存在一些区域未被分割从而未被赋值，因此在进行非NoData值索引时，这些像元的赋值为空，自动赋值为0；然后，通过卷积层的滑动窗口对窗口矩阵图像进行扫描识别，记录属于同一地类的所有像元的地理坐标，得到不同地类各自对应的像元地理坐标集合，具体包括水稻像元地理坐标集合以及非水稻像元地理坐标集合。然后读取样本高分影像每一像元的地理坐标及其对应的DN值，由于样本高分影像与其对应的格栅数据的像元的地理坐标是一一对应的，因此根据不同地类各自对应的像元地理坐标集合就能够确定不同地类各自对应的像元DN值集合，具体包括水稻像元DN值集合以及非水稻像元DN值集合；然后，通过激励层和池化层对水稻像元DN值集合以及非水稻像元DN值集合进行拟合分析，找出水稻像元与非水稻像元之间的分类特征规律，最终通过全连接层输出分类结果，以完成一次高分影像区域识别模型的训练；最后，计算当前训练的高分影像区域识别模型的水稻分类用户精度、生产者精度、总体精度和/或Kappa系数，并通过水稻分类用户精度、生产者精度、总体精度和Kappa系数对当前训练的高分影像区域识别模型进行评价。
需要说明的是，在一些可选实施例当中，也可以仅通过格栅数据来训练模型，此时可以通过读取格栅数据中不同地类像元的像素参数来拟合，从而不需要输入原始影像数据，但是这种方式在对平原地区进行水稻区分时具有可观的精度，但在南方丘陵地区进行水稻区分时精度较低，究其原因在于格栅数据不具有丰富的像元参数特征，使其很难通过有效的像元参数特征来拟合南方丘陵地区这种地形复杂环境的水稻和非水稻区域之间的关系，因此申请人通过研究，最终在本实施例当中将原始影像数据及其对应的格栅数据共同来训练模型，格栅数据提高分类目标，原始影像数据提供丰富的像元参数特征，二者配合能够适应南方丘陵地区这种地形复杂环境的水稻和非水稻区域之间的关系拟合，大大提供南方丘陵地区水稻区域的分类精度。
此外，为了使模型最终更适用于南方丘陵地区，还提出了水稻分类用户精度、生产者精度、总体精度和Kappa系数共同来对当前训练的高分影像区域识别模型进行评价，在当前训练模型的水稻分类用户精度、生产者精度、总体精度和Kappa系数都达到阈值及以上时，输出最终训练得到的高分影像区域识别模型，此模型能够精准对南方丘陵地区的水稻区域进行分类，当在当前训练模型的水稻分类用户精度、生产者精度、总体精度和Kappa系数未都达到阈值及以上时，继续对模型进行训练。
其中，生产者精度PA代表正确分为i类的像元数与i类真实参考总数（验证样本）的比率，假设水稻样本有100个像元，正确分类为水稻的占其中的95个，那PA就为95%，可以有效判断每一类多少漏分为该类。水稻分类用户精度UA代表正确分到i类的像元总数与实际分为i类的像元总数比率，假设水稻有92个像元，实际分为水稻有100个像元，那UA为92%，可以有效判断每一类有多少错分类，总体精度OA代表正确分类的像元总和除以总像元数，可以有效判断实际分类的正确率，kappa用于综合评价以上三个，与错分、漏分、实际正确分类挂钩，可以作为综合评价项目。在其他实施例当中，还可以仅通过水稻分类用户精度、生产者精度、总体精度和Kappa系数当中的一项或其他多项来对模型进行评价，例如仅通过kappa值进行评价。
需要说明的是，高分影像区域识别模型和哨兵影像区域识别模型的训练方法相同，哨兵影像区域识别模型可以按照上述高分影像区域识别模型的训练方法及评估方法进行训练，在此不做赘述。
进一步地，所述样本区域的数量为多个，根据所述样本哨兵影像及其对应的栅格数据训练哨兵影像区域识别模型的步骤包括：
将其中一个所述样本区域的样本哨兵影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对初始卷积神经网络模型进行训练；
循环的将下一个所述样本区域的样本哨兵影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对上一次训练得到的卷积神经网络模型进行训练；
在当前训练得到的卷积神经网络模型的识别精度达到预设精度时，输出所述哨兵影像区域识别模型；
其中，根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型包括：
将其中一个所述样本区域的样本高分影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对初始卷积神经网络模型进行训练；
循环的将下一个所述样本区域的样本高分影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对上一次训练得到的卷积神经网络模型进行训练；
在当前训练得到的卷积神经网络模型的识别精度达到预设精度时，输出所述高分影像区域识别模型。
在具体实施时，可以将所有样本区域的栅格数据和影像数据一部分划分为训练集、一部分划分为验证集，划分比例可以为训练集：验证集等于8:2，在模型训练的过程当中，先用训练集当中一个栅格数据和其对应的影像数据添加至卷积神经网络算法模块当中，以分别作为训练标签数据和训练影像数据，然后调整算法中的建模窗口矩阵大小和卷积迭代次数，直至输出的模型能够将该训练样本区域较好的进行分类，具体训练过程如上；然后在上一步得到的模型的基础上，从训练集当中依次添加其他训练样本和训练影像，进行模型的继续训练，重复此操作，直至模型的训练精度达85%以上，最终输出高精度的区域识别模型；然后，利用验证集对训练模型进行验证，该模型能够较好地对验证样本进行分类，得到的即为所需的卷积神经网络模型。如果随着训练样本的增加而模型的分类效果没有明显的提升，即对此模型并不满意，则需要创建新的样本或对原有样本进行修改，之后重复上述操作，直至得到满意的模型。
实施例三
本发明第三实施例也提出一种水稻种植区域识别方法，本实施例当中的水稻种植区域识别方法与第一实施例当中的水稻种植区域识别方法的不同之处在于：
将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，以确定所述待识别区域当中的水稻种植区域的步骤包括：
将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，得到交集区域；
获取三调数据，并从所述三调数据当中提取耕地图斑；
以所述耕地图斑为掩膜，对所述交集区域的非耕地部分进行剔除，得到所述待识别区域当中的水稻种植区域。
也即，在本实施例当中，利用训练得到的哨兵影像区域识别模型对待识别区域的哨兵影像进行水稻种植区域识别，得到第一识别结果，同时还利用训练得到的高分影像区域识别模型对待识别区域的高分影像进行水稻种植区域识别，得到第二识别结果，然后对第一识别结果和第二识别结果求交集，同时还以三调数据的耕地图斑为掩膜对交集区域的非耕地部分进行剔除，最终得到所述待识别区域当中的水稻种植区域。当待识别区域较大，导致工作站GPU及内存等条件限制时，可在ArcGIS软件中将其裁剪为若干个较小的区域，然后分别进行水稻种植区域识别。
其中，三调数据为第三次全国国土调查数据，可以将三调数据添加至ArcGIS软件中，打开数据属性表中的“按属性选择”窗口，在命令窗口中输入（"DLMC" = '水田' OR "DLMC" = '旱地' OR "DLMC" '水田'），点击“应用”，即选中所有耕地图斑，之后将其导出，即为所需的耕地图斑。之后打开工具箱中“空间分析工具”—“提取分析”—“按掩膜提取”，将交集区域添加至其中，选择耕地矢量图斑作为掩膜，选择输出路径，点击“确定”即得到剔除后的最终结果。由于在研究过程当中发现，在对南方丘陵地区水稻区域进行识别过程中，会将一些其他地物（林地、草地等）误识别为水稻，影响分类可靠性。经过长期研究攻克，本实施例进一剔除交集区域当中的非耕地部分，即利用耕地图斑将这些误识别的区域剔除，从而解决上述误识别问题，就能够进一步提高识别的精度，提高最终的水稻种植面积及产量统计可靠性。
需要说明的是，以上各实施例及其特征之间在没有冲突的情况下可以进行任意组合，例如可以将上述实施例1-3的技术方案进行组合，组合得到的新技术方案依然属于本申请保护范围之内。
实施例四
本发明另一方面还提供一种水稻种植区域识别装置，请查阅图4，所示为本发明第四实施例中的水稻种植区域识别装置，能够适用于南方丘陵地区，所述水稻种植区域识别装置包括：
数据获取模块11，用于获取样本区域的样本哨兵影像和样本高分影像，所述样本区域当中包含多种不同地类区域，所述多种不同地类区域包括水稻种植区域和其他地类区域；
影像分割模块12，用于分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据；
模型训练模块13，用于根据所述样本哨兵影像及其对应的栅格数据训练哨兵影像区域识别模型，并根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型；
区域识别模块14，用于获取待识别区域的哨兵影像和高分影像，并将所述待识别区域的哨兵影像和高分影像对应输入到所述哨兵影像区域识别模型和所述高分影像区域识别模型当中进行水稻种植区域的识别，并根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域。
进一步地，在本发明一些可选实施例当中，所述区域识别模块14还用于将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，以确定所述待识别区域当中的水稻种植区域。
进一步地，在本发明一些可选实施例当中，所述区域识别模块14还用于将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，得到交集区域；获取三调数据，并从所述三调数据当中提取耕地图斑；以所述耕地图斑为掩膜，对所述交集区域的非耕地部分进行剔除，得到所述待识别区域当中的水稻种植区域。
进一步地，在本发明一些可选实施例当中，所述影像分割模块12还用于采用预设影像分割算法分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，并通过调整预设分割参数使分割结果与实际影像的接近度达到阈值，所述预设分割参数包括光谱细节、空间细节和最小分割单元；将分割后的样本哨兵影像和样本高分影像输出为各自对应的栅格数据，并按同类赋同值、异类赋异值的赋值规则，对所述栅格数据的像元进行赋值。
进一步地，在本发明一些可选实施例当中，所述数据获取模块11还用于在水稻处于预设时期时，获取涵盖所述样本区域的全域哨兵影像和全域高分影像；根据用户输入的所述样本区域的边界坐标或边界线，在所述全域哨兵影像和所述全域高分影像当中对应分割出所述样本区域的样本哨兵影像和样本高分影像。其中，所述预设时期为授粉期或灌浆期。
进一步地，在本发明一些可选实施例当中，所述样本区域的数量为多个，所述模型训练模块13还用于将其中一个所述样本区域的样本哨兵影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对初始卷积神经网络模型进行训练；循环的将下一个所述样本区域的样本哨兵影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对上一次训练得到的卷积神经网络模型进行训练；在当前训练得到的卷积神经网络模型的识别精度达到预设精度时，输出所述哨兵影像区域识别模型；
所述模型训练模块13还用于将其中一个所述样本区域的样本高分影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对初始卷积神经网络模型进行训练；
循环的将下一个所述样本区域的样本高分影像及其对应的栅格数据分别作为训练标签数据和训练影像数据，对上一次训练得到的卷积神经网络模型进行训练；
在当前训练得到的卷积神经网络模型的识别精度达到预设精度时，输出所述高分影像区域识别模型。
进一步地，在本发明一些可选实施例当中，其中，高分影像区域识别模型和哨兵影像区域识别模型的训练方法相同，所述模型训练模块13还用于将所述样本高分影像对应的栅格数据的每个像元进行非NoData值索引，并根据索引结果构建窗口矩阵图像；对所述窗口矩阵图像进行扫描识别，记录属于同一地类的所有像元的地理坐标，得到不同地类各自对应的像元地理坐标集合；读取所述样本高分影像每一像元的地理坐标及其对应的DN值，根据所述不同地类各自对应的像元地理坐标集合并按照坐标对应关系，确定出不同地类各自对应的像元DN值集合；根据所述不同地类各自对应的像元DN值集合对卷积神经网络进行训练，以训练高分影像区域识别模型。
进一步地，在本发明一些可选实施例当中，所述模型训练模块13还用于计算当前训练的高分影像区域识别模型的水稻分类用户精度、生产者精度、总体精度和/或Kappa系数，并通过所述水稻分类用户精度、所述生产者精度、所述总体精度和/或Kappa系数对当前训练的高分影像区域识别模型进行评价；
其中，计算公式如下：
式中，UA为所述水稻分类用户精度，PA为所述生产者精度，OA为所述总体精度，m i 为第i类的分类正确的像元数量；C i 为第i类的真实像元总数；G i 为第i类的分类结果像元总数，n为分类数，N为样本像元总数。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
实施例五
本发明另一方面还提出一种水稻种植区域识别设备，请参阅图5，所示为本发明第五实施例当中的水稻种植区域识别设备，包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的水稻种植区域识别方法。
其中，所述水稻种植区域识别设备具体可以为计算机、服务器、上位机等，处理器10在一些实施例中可以是中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行访问限制程序等。
其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是水稻种植区域识别设备的内部存储单元，例如该水稻种植区域识别设备的硬盘。存储器20在另一些实施例中也可以是水稻种植区域识别设备的外部存储装置，例如水稻种植区域识别设备上配备的插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器20还可以既包括水稻种植区域识别设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于水稻种植区域识别设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是，图5示出的结构并不构成对水稻种植区域识别设备的限定，在其它实施例当中，该水稻种植区域识别设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的水稻种植区域识别方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种水稻种植区域识别方法，其特征在于，能够适用于南方丘陵地区，所述方法包括：
获取样本区域的样本哨兵影像和样本高分影像，所述样本区域当中包含多种不同地类区域，所述多种不同地类区域包括水稻种植区域和其他地类区域；
分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据；
根据所述样本哨兵影像及其对应的栅格数据训练哨兵影像区域识别模型，并根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型；
获取待识别区域的哨兵影像和高分影像，并将所述待识别区域的哨兵影像和高分影像对应输入到所述哨兵影像区域识别模型和所述高分影像区域识别模型当中进行水稻种植区域的识别；
根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域；
其中，高分影像区域识别模型和哨兵影像区域识别模型的训练方法相同，根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型包括：
将所述样本高分影像对应的栅格数据的每个像元进行非NoData值索引，并根据索引结果构建窗口矩阵图像，在栅格数据制作过程当中，对栅格数据的像元进行赋值，并且赋值1为水稻区域，赋值2为其他地类区域，未被分割区域赋值为0；
对所述窗口矩阵图像进行扫描识别，记录属于同一地类的所有像元的地理坐标，得到不同地类各自对应的像元地理坐标集合；
读取所述样本高分影像每一像元的地理坐标及其对应的DN值，根据所述不同地类各自对应的像元地理坐标集合并按照坐标对应关系，确定出不同地类各自对应的像元DN值集合；
根据所述不同地类各自对应的像元DN值集合对卷积神经网络进行训练，以训练高分影像区域识别模型。
2.根据权利要求1所述的水稻种植区域识别方法，其特征在于，根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域的步骤包括：
将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，以确定所述待识别区域当中的水稻种植区域。
3.根据权利要求2所述的水稻种植区域识别方法，其特征在于，将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，以确定所述待识别区域当中的水稻种植区域的步骤包括：
将所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果做交集，得到交集区域；
获取三调数据，并从所述三调数据当中提取耕地图斑；
以所述耕地图斑为掩膜，对所述交集区域的非耕地部分进行剔除，得到所述待识别区域当中的水稻种植区域。
4.根据权利要求1-3任一项所述的水稻种植区域识别方法，其特征在于，分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据的步骤包括：
采用预设影像分割算法分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，并通过调整预设分割参数使分割结果与实际影像的接近度达到阈值，所述预设分割参数包括光谱细节、空间细节和最小分割单元；
将分割后的样本哨兵影像和样本高分影像输出为各自对应的栅格数据，并按同类赋同值、异类赋异值的赋值规则，对所述栅格数据的像元进行赋值。
5.根据权利要求1-3任一项所述的水稻种植区域识别方法，其特征在于，获取样本区域的样本哨兵影像和样本高分影像的步骤包括：
在水稻处于预设时期时，获取涵盖所述样本区域的全域哨兵影像和全域高分影像，所述预设时期为授粉期或灌浆期；
根据用户输入的所述样本区域的边界坐标或边界线，在所述全域哨兵影像和所述全域高分影像当中对应分割出所述样本区域的样本哨兵影像和样本高分影像。
6.根据权利要求1所述的水稻种植区域识别方法，其特征在于，根据所述不同地类各自对应的像元DN值集合对卷积神经网络进行训练，以训练高分影像区域识别模型的步骤之后，还包括：
计算当前训练的高分影像区域识别模型的水稻分类用户精度、生产者精度、总体精度和/或Kappa系数，并通过所述水稻分类用户精度、所述生产者精度、所述总体精度和/或Kappa系数对当前训练的高分影像区域识别模型进行评价；
其中，计算公式如下：
式中，UA为所述水稻分类用户精度，PA为所述生产者精度，OA为所述总体精度，m i 为第i类的分类正确的像元数量，C i 为第i类的真实像元总数，G i 为第i类的分类结果像元总数，n为分类数，N为样本像元总数。
7.一种水稻种植区域识别装置，其特征在于，能够适用于南方丘陵地区，所述装置包括：
数据获取模块，用于获取样本区域的样本哨兵影像和样本高分影像，所述样本区域当中包含多种不同地类区域，所述多种不同地类区域包括水稻种植区域和其他地类区域；
影像分割模块，用于分别对所述样本哨兵影像和所述样本高分影像进行不同地类区域分割，以分别得到所述样本哨兵影像和所述样本高分影像对应的栅格数据；
模型训练模块，用于根据所述样本哨兵影像及其对应的栅格数据训练哨兵影像区域识别模型，并根据所述样本高分影像及其对应的栅格数据训练高分影像区域识别模型；
区域识别模块，用于获取待识别区域的哨兵影像和高分影像，并将所述待识别区域的哨兵影像和高分影像对应输入到所述哨兵影像区域识别模型和所述高分影像区域识别模型当中进行水稻种植区域的识别，并根据所述哨兵影像区域识别模型和所述高分影像区域识别模型的识别结果，确定所述待识别区域当中的水稻种植区域；
其中，高分影像区域识别模型和哨兵影像区域识别模型的训练方法相同，所述模型训练模块还用于将所述样本高分影像对应的栅格数据的每个像元进行非NoData值索引，并根据索引结果构建窗口矩阵图像；对所述窗口矩阵图像进行扫描识别，记录属于同一地类的所有像元的地理坐标，得到不同地类各自对应的像元地理坐标集合；读取所述样本高分影像每一像元的地理坐标及其对应的DN值，根据所述不同地类各自对应的像元地理坐标集合并按照坐标对应关系，确定出不同地类各自对应的像元DN值集合；根据所述不同地类各自对应的像元DN值集合对卷积神经网络进行训练，以训练高分影像区域识别模型。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－6任一所述的水稻种植区域识别方法。
9.一种水稻种植区域识别设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1－6任一所述的水稻种植区域识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211118593.2A CN115205691B (zh) | 2022-09-15 | 2022-09-15 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211118593.2A CN115205691B (zh) | 2022-09-15 | 2022-09-15 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115205691A CN115205691A (zh) | 2022-10-18 |
| CN115205691B true CN115205691B (zh) | 2023-01-13 |
Family
ID=83573074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211118593.2A Active CN115205691B (zh) | 2022-09-15 | 2022-09-15 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115205691B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116229280B (zh) * | 2023-01-09 | 2024-06-04 | 广东省科学院广州地理研究所 | 崩岗识别方法、装置、电子设备以及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178186A (zh) * | 2019-12-16 | 2020-05-19 | 广州地理研究所 | 基于哨兵遥感数据的水稻提取方法及装置、设备 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011167163A (ja) * | 2010-02-22 | 2011-09-01 | Pasuko:Kk | 水稲収量予測モデル生成方法、及び水稲収量予測方法 |
| CN104573239A (zh) * | 2015-01-09 | 2015-04-29 | 河海大学 | 一种基于高空间分辨率遥感影像的潮滩dem优化方法 |
| CN112966548B (zh) * | 2021-01-18 | 2023-10-27 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及系统 |
| CN113009485B (zh) * | 2021-03-10 | 2024-07-02 | 安徽皖南烟叶有限责任公司 | 一种基于改进植被指数的遥感烟田识别方法 |
| CN113869370A (zh) * | 2021-09-03 | 2021-12-31 | 中林信达（北京）科技信息有限责任公司 | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 |
| CN113988688B (zh) * | 2021-11-08 | 2022-07-22 | 中国科学院地理科学与资源研究所 | 一种耕地生态可持续性评价方法和系统 |
| CN114202535A (zh) * | 2021-12-15 | 2022-03-18 | 广东省科学院广州地理研究所 | 作物种植面积提取方法及装置 |
| CN114529826B (zh) * | 2022-04-24 | 2022-08-30 | 江西农业大学 | 一种基于遥感影像数据的水稻估产方法、装置及设备 |
| CN114998742B (zh) * | 2022-06-16 | 2023-08-18 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 |
| CN114821362B (zh) * | 2022-07-01 | 2022-09-23 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
-
2022
- 2022-09-15 CN CN202211118593.2A patent/CN115205691B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178186A (zh) * | 2019-12-16 | 2020-05-19 | 广州地理研究所 | 基于哨兵遥感数据的水稻提取方法及装置、设备 |
Non-Patent Citations (1)
| Title |
|---|
| An adaptively polygonal generalization algorithm for High Spatial Resolution Remote Sensing Imagery segmentation contours;Liu Jianhua 等;《2014 IEEE Geoscience and Remote Sensing Symposium》;20141231;2838-2841 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115205691A (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Jin et al. | Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data | |
| Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
| CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
| Wang et al. | An automatic region-based image segmentation algorithm for remote sensing applications | |
| Yao et al. | A genetic-algorithm-based selective principal component analysis (GA-SPCA) method for high-dimensional data feature extraction | |
| Landgrebe | Multispectral data analysis: A signal theory perspective | |
| US9064151B2 (en) | Device and method for detecting plantation rows | |
| Puletti et al. | Unsupervised classification of very high remotely sensed images for grapevine rows detection | |
| David et al. | Vegetation indices and textures in object-based weed detection from UAV imagery | |
| Kavzoglu et al. | Dimensionality reduction and classification of hyperspectral images using object-based image analysis | |
| Jasiewicz et al. | GeoPAT: A toolbox for pattern-based information retrieval from large geospatial databases | |
| CN113420640A (zh) | 红树林高光谱图像分类方法、装置、电子设备及存储介质 | |
| Dolata et al. | Instance segmentation of root crops and simulation-based learning to estimate their physical dimensions for on-line machine vision yield monitoring | |
| CN115205691B (zh) | 一种水稻种植区域识别方法、装置、存储介质及设备 | |
| Tao et al. | Deep Learning for Hyperspectral Image Analysis and Classification | |
| Naeini et al. | Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis | |
| Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
| CN116704497B (zh) | 一种基于三维点云的油菜表型参数提取方法及系统 | |
| CN113205143A (zh) | 耦合空谱特征的多尺度超像素高光谱遥感图像分类方法 | |
| EP2383680A1 (en) | Classification of objects in harvesting applications | |
| Vieira et al. | A method for the detection and reconstruction of foliar damage caused by predatory insects | |
| CN109344837B (zh) | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
| CN118470441B (zh) | 一种基于多时相高分辨率遥感影像的耕地分类方法及系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240723 Address after: 330000 office building 2212, Binjiang 1, Tuanjie Road, Xihu District, Nanchang City, Jiangxi Province Patentee after: Jiangxi Zhongke Weiyue Ecological Technology Development Co.,Ltd. Country or region after: China Address before: No. 1101, Zhimin Avenue, Nanchang City, Jiangxi Province Patentee before: JIANGXI AGRICULTURAL University Country or region before: China |