CN115761518B - 一种基于遥感图像数据的作物分类方法 - Google Patents

一种基于遥感图像数据的作物分类方法 Download PDF

Info

Publication number
CN115761518B
CN115761518B CN202310033588.XA CN202310033588A CN115761518B CN 115761518 B CN115761518 B CN 115761518B CN 202310033588 A CN202310033588 A CN 202310033588A CN 115761518 B CN115761518 B CN 115761518B
Authority
CN
China
Prior art keywords
layer
input end
amplitude
spectral band
crop
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
CN202310033588.XA
Other languages
English (en)
Other versions
CN115761518A (zh
Inventor
邓昌军
邓昌元
苏旺德
周宗洪
赧昌芝
代灵
安占涛
李超力
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.)
Yunnan Hanzhe Technology Co ltd
Original Assignee
Yunnan Hanzhe Technology Co ltd
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 Yunnan Hanzhe Technology Co ltd filed Critical Yunnan Hanzhe Technology Co ltd
Priority to CN202310033588.XA priority Critical patent/CN115761518B/zh
Publication of CN115761518A publication Critical patent/CN115761518A/zh
Application granted granted Critical
Publication of CN115761518B publication Critical patent/CN115761518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供了一种基于遥感图像数据的作物分类方法，包括以下步骤：S1、采集作物的遥感图像数据；S2、对作物的遥感图像数据提取作物特征；S3、采用作物分类模型对作物特征进行处理，得到作物类型；本发明解决了现有通过施加不同权重，预测作物类型的方法存在预测准确度不高的问题。

Description

一种基于遥感图像数据的作物分类方法
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种基于遥感图像数据的作物分类方法。
背景技术
目前，随着高分辨率遥感卫星的发射，为农田信息提取提供了更高空间和光谱分辨率的数据源，同时在作物分类中也具有很大潜力。现有遥感图像数据的作物分类方法主要通过提取作物的多种特征，通过对多种特征施加不同权重，从而得到作物的类型。但具体每个作物特征需要赋予多少权重需要通过实验进行测试，从而得到经验值，但由于实验次数有限且作物类型多样，通过施加不同权重，预测作物类型的方法存在预测准确度不高的问题。
发明内容
针对现有技术中的上述不足，本发明提供的：一种基于遥感图像数据的作物分类方法解决了现有通过施加不同权重，预测作物类型的方法存在预测准确度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于遥感图像数据的作物分类方法，包括以下步骤：
S1、采集作物的遥感图像数据；
S2、对作物的遥感图像数据提取作物特征；
S3、采用作物分类模型对作物特征进行处理，得到作物类型。
进一步地，所述作物特征包括：光谱特征、颜色特征和纹理特征。
进一步地，所述步骤S2包括以下步骤：
S21、通过小波变换提取遥感图像数据的各光谱波段的幅度；
S22、根据各光谱波段的幅度对遥感图像数据进行分割，得到多个分割区域；
S23、根据各光谱波段的幅度，得到每个分割区域上的光谱特征；
S24、对每个分割区域提取颜色特征；
S25、对每个分割区域提取纹理特征。
上述进一步方案的有益效果为：通过各光谱波段的幅度对遥感图像数据进行分割，实现对遥感图像的分区，在各分区上通过光谱特征、颜色特征和纹理特征表征该分区的特征。
进一步地，所述步骤S22包括以下分步骤：
S221、根据各光谱波段的幅度，计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距；
S222、在每个像素点的光谱波段的幅度差距大于幅度差距阈值时，该点像素点为分割点；
S223、根据分割点对作物的遥感图像数据进行分割，得到多个分割区域。
进一步地，所述步骤S221中计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距的公式为：
Figure 525084DEST_PATH_IMAGE001
其中，
Figure 295594DEST_PATH_IMAGE002
为第
Figure 593851DEST_PATH_IMAGE003
个像素点的光谱波段的幅度差距，
Figure 653074DEST_PATH_IMAGE004
为第
Figure 491717DEST_PATH_IMAGE003
个像素点所在位置的第
Figure 319996DEST_PATH_IMAGE005
光谱波段的幅度，
Figure 320313DEST_PATH_IMAGE006
为第
Figure 132411DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第
Figure 243587DEST_PATH_IMAGE005
光谱波段的幅度的平均值，
Figure 191951DEST_PATH_IMAGE007
为第
Figure 363169DEST_PATH_IMAGE003
个像素点所在位置的第1光谱波段的幅度，
Figure 131405DEST_PATH_IMAGE008
为第
Figure 515113DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第1光谱波段的幅度的平均值，
Figure 583563DEST_PATH_IMAGE009
为第
Figure 925683DEST_PATH_IMAGE003
个像素点所在位置的第2光谱波段的幅度，
Figure 735811DEST_PATH_IMAGE010
为第
Figure 188789DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第2光谱波段的幅度的平均值，
Figure 377325DEST_PATH_IMAGE011
为第
Figure 155925DEST_PATH_IMAGE003
个像素点所在位置的第3光谱波段的幅度，
Figure 429911DEST_PATH_IMAGE012
为第
Figure 952160DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第3光谱波段的幅度的平均值，
Figure 995202DEST_PATH_IMAGE013
为第
Figure 413545DEST_PATH_IMAGE003
个像素点所在位置的第4光谱波段的幅度，
Figure 909248DEST_PATH_IMAGE014
为第
Figure 438450DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第4光谱波段的幅度的平均值，
Figure 335999DEST_PATH_IMAGE015
为取最大值。
上述进一步方案的有益效果为：在进行分割时，以每个像素点的邻域范围为计算范围，计算其与周边所有像素点的光谱波段的幅度差值的平均值，以及找到其与周边所有像素点的光谱波段的幅度差值的最大值，从而确定该像素点与周边像素点的光谱差异，根据光谱差异进行分割图像。
进一步地，所述步骤S25包括以下分步骤：
S251、将每个分割区域灰度化处理，得到灰度图；
S252、对灰度图去除噪点，得到滤波图；
S253、从滤波图上任取一点非边缘像素点，作为参考点；
S254、计算参考点与邻域像素点的灰度差值；
S255、在参考点与邻域所有像素点的灰度差值均小于灰度阈值时，标记参考点为非纹理点；
S256、从参考点的邻域像素点中找下一非边缘像素点作为参考点，并跳转至步骤S254，直到滤波图上所有非边缘像素点遍历完，进入步骤S257；
S257、从滤波图上剔除非纹理点，得到纹理特征。
上述进一步方案的有益效果为：先对灰度图去除噪点，避免噪点被标记为纹理点，通过从图上取一点非边缘点，作为参考点，计算参考点与周边灰度的差值，从而确定该参考点是否为纹理点，通过循环去遍历每一个像素点，找到所有非纹理点，剩余则为纹理点。
进一步地，所述步骤S254中计算参考点与邻域像素点的灰度差值的公式为：
Figure 190822DEST_PATH_IMAGE016
其中，
Figure 439401DEST_PATH_IMAGE017
为参考点与邻域中一个像素点的灰度差值，
Figure 303452DEST_PATH_IMAGE018
为参考点的邻域中一个像素点的灰度值，
Figure 55507DEST_PATH_IMAGE019
为参考点的灰度值。
进一步地，所述步骤S3中作物分类模型包括：光谱特征提取单元、纹理特征提取单元、第一上采样层、第二上采样层、第三上采样层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一加法器、第二加法器、Concat层、第一卷积层Conv1、第二卷积层Conv2和全连接层；
所述光谱特征提取单元的输入端用于输入光谱特征，其输出端与第一上采样层的输入端连接；所述第一上采样层的输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一加法器的第一输入端与第一最大池化层的输出端连接，其第二输入端与第一平均池化层的输出端连接，其输出端与Concat层的第一输入端连接；
所述纹理特征提取单元的输入端用于输入纹理特征，其输出端与第二上采样层的输入端连接；所述第二上采样层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二加法器的第一输入端与第二最大池化层的输出端连接，其第二输入端与第二平均池化层的输出端连接，其输出端与Concat层的第二输入端连接；
所述Concat层的第三输入端用于输入颜色特征，其输出端与第一卷积层Conv1的输入端连接；所述第三上采样层的输入端与第一卷积层Conv1的输出端连接，其输出端与第二卷积层Conv2的输入端连接；所述全连接层的输入端与第二卷积层Conv2的输出端连接，其输出端作为作物分类模型的输出端。
上述进一步方案的有益效果为：将数据量大的光谱特征和纹理特征通过特征提取单元再次提取特征，再通过最大池化层保留显著特征，通过平均池化层保留全局特征，通过加法器将显著特征和全局特征在同一维度下相加，再通过Concat层实现特征在不同维度下的拼接，颜色特征从外部直接输入，使得数据量少的颜色特征在Concat层占有较大比重，使得作物分类模型在预测时均衡考虑颜色特征、光谱特征和纹理特征，提高作物预测准确率。
进一步地，所述作物分类模型的损失函数为：
Figure 346811DEST_PATH_IMAGE020
其中，
Figure 551528DEST_PATH_IMAGE021
为损失函数，
Figure 484848DEST_PATH_IMAGE022
为第
Figure 91410DEST_PATH_IMAGE023
次训练时作物分类模型的输出，
Figure 22457DEST_PATH_IMAGE024
为第
Figure 511207DEST_PATH_IMAGE023
次训练时对应的标签，
Figure 654744DEST_PATH_IMAGE025
为第一损失阈值，
Figure 912550DEST_PATH_IMAGE026
为第二损失阈值，
Figure 280077DEST_PATH_IMAGE027
为损失权重。
上述进一步方案的有益效果为：在
Figure 459386DEST_PATH_IMAGE028
时，损失值通过
Figure 468930DEST_PATH_IMAGE029
计算，由于输出与标签相差太大，因此，通过
Figure 315664DEST_PATH_IMAGE030
来放大损失程度，使得作物分类模型的参数在训练时，能快速下降；在
Figure 588513DEST_PATH_IMAGE031
时，由于标签与输出相差太大，通过
Figure 520697DEST_PATH_IMAGE032
放大损失程度，使得作物分类模型的参数在训练时，能快速上降；在
Figure 802774DEST_PATH_IMAGE033
时，输出与标签相差不大，需要放缓作物分类模型的参数的变化程度，使得参数在训练时，能缓慢下降，在
Figure 769593DEST_PATH_IMAGE034
同理，使得参数在训练时，能缓慢上降。本发明将损失函数进行分段，使得作物分类模型在不同训练阶段，参数下降或上升速度不同，减少训练次数，又能逼近标签值。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过特征提取单元、上采样层、池化层和加法器等，构建了作物分类模型，作物分类模型用于对作物的分类，无需通过实验设定权重，在作物有多种类型时，仅在对作物分类模型训练时，加入多种作物的特征，其能自动建立作物的特征与作物类型的关系，精准将特征与作物类型进行对应，无需施加不同权重，还能准确预测作物类型。
附图说明
图1为一种基于遥感图像数据的作物分类方法的流程图；
图2为作物分类模型的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种基于遥感图像数据的作物分类方法，包括以下步骤：
S1、采集作物的遥感图像数据；
S2、对作物的遥感图像数据提取作物特征；
所述作物特征包括：光谱特征、颜色特征和纹理特征。
所述步骤S2包括以下步骤：
S21、通过小波变换提取遥感图像数据的各光谱波段的幅度；
S22、根据各光谱波段的幅度对遥感图像数据进行分割，得到多个分割区域；
所述步骤S22包括以下分步骤：
S221、根据各光谱波段的幅度，计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距；
所述步骤S221中计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距的公式为：
Figure 478923DEST_PATH_IMAGE001
其中，
Figure 898403DEST_PATH_IMAGE002
为第
Figure 984170DEST_PATH_IMAGE003
个像素点的光谱波段的幅度差距，
Figure 805496DEST_PATH_IMAGE004
为第
Figure 216886DEST_PATH_IMAGE003
个像素点所在位置的第
Figure 592503DEST_PATH_IMAGE005
光谱波段的幅度，
Figure 950804DEST_PATH_IMAGE006
为第
Figure 892215DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第
Figure 943347DEST_PATH_IMAGE005
光谱波段的幅度的平均值，
Figure 71840DEST_PATH_IMAGE007
为第
Figure 233831DEST_PATH_IMAGE003
个像素点所在位置的第1光谱波段的幅度，
Figure 29749DEST_PATH_IMAGE008
为第
Figure 517362DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第1光谱波段的幅度的平均值，
Figure 867572DEST_PATH_IMAGE009
为第
Figure 833254DEST_PATH_IMAGE003
个像素点所在位置的第2光谱波段的幅度，
Figure 483678DEST_PATH_IMAGE010
为第
Figure 142193DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第2光谱波段的幅度的平均值，
Figure 245278DEST_PATH_IMAGE011
为第
Figure 14651DEST_PATH_IMAGE003
个像素点所在位置的第3光谱波段的幅度，
Figure 988423DEST_PATH_IMAGE012
为第
Figure 83418DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第3光谱波段的幅度的平均值，
Figure 673799DEST_PATH_IMAGE013
为第
Figure 981284DEST_PATH_IMAGE003
个像素点所在位置的第4光谱波段的幅度，
Figure 340721DEST_PATH_IMAGE014
为第
Figure 606617DEST_PATH_IMAGE003
个像素点所在位置邻域内所有像素点的第4光谱波段的幅度的平均值，
Figure 418716DEST_PATH_IMAGE015
为取最大值。在本发明中，仅考虑了4种波段。
在进行分割时，以每个像素点的邻域范围为计算范围，计算其与周边所有像素点的光谱波段的幅度差值的平均值，以及找到其与周边所有像素点的光谱波段的幅度差值的最大值，从而确定该像素点与周边像素点的光谱差异，根据光谱差异进行分割图像。
从幅度差值的平均值上无法充分体现某个像素点光谱波段幅度的特异性，而最大值更能表征像素点光谱波段幅度的特异性，因此，本发明从平均值和最大值两方面出发计算幅度差距。
S222、在每个像素点的光谱波段的幅度差距大于幅度差距阈值时，该点像素点为分割点；
S223、根据分割点对作物的遥感图像数据进行分割，得到多个分割区域。
S23、根据各光谱波段的幅度，得到每个分割区域上的光谱特征；
在步骤S23中，光谱特征指的是每个分割区域上的波段幅度。
S24、对每个分割区域提取颜色特征；
S25、对每个分割区域提取纹理特征。
通过各光谱波段的幅度对遥感图像数据进行分割，实现对遥感图像的分区，在各分区上通过光谱特征、颜色特征和纹理特征表征该分区的特征。
所述步骤S25包括以下分步骤：
S251、将每个分割区域灰度化处理，得到灰度图；
S252、对灰度图去除噪点，得到滤波图；
S253、从滤波图上任取一点非边缘像素点，作为参考点；
S254、计算参考点与邻域像素点的灰度差值；
所述步骤S254中计算参考点与邻域像素点的灰度差值的公式为：
Figure 61049DEST_PATH_IMAGE016
其中，
Figure 9414DEST_PATH_IMAGE017
为参考点与邻域中一个像素点的灰度差值，
Figure 180632DEST_PATH_IMAGE018
为参考点的邻域中一个像素点的灰度值，
Figure 214447DEST_PATH_IMAGE019
为参考点的灰度值。
S255、在参考点与邻域所有像素点的灰度差值均小于灰度阈值时，标记参考点为非纹理点；
S256、从参考点的邻域像素点中找下一非边缘像素点作为参考点，并跳转至步骤S254，直到滤波图上所有非边缘像素点遍历完，进入步骤S257；
S257、从滤波图上剔除非纹理点，得到纹理特征。
先对灰度图去除噪点，避免噪点被标记为纹理点，通过从图上取一点非边缘点，作为参考点，计算参考点与周边灰度的差值，从而确定该参考点是否为纹理点，通过循环去遍历每一个像素点，找到所有非纹理点，剩余则为纹理点。
S3、采用作物分类模型对作物特征进行处理，得到作物类型。
如图2所示，所述步骤S3中作物分类模型包括：光谱特征提取单元、纹理特征提取单元、第一上采样层、第二上采样层、第三上采样层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一加法器、第二加法器、Concat层、第一卷积层Conv1、第二卷积层Conv2和全连接层；
所述光谱特征提取单元的输入端用于输入光谱特征，其输出端与第一上采样层的输入端连接；所述第一上采样层的输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一加法器的第一输入端与第一最大池化层的输出端连接，其第二输入端与第一平均池化层的输出端连接，其输出端与Concat层的第一输入端连接；
所述纹理特征提取单元的输入端用于输入纹理特征，其输出端与第二上采样层的输入端连接；所述第二上采样层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二加法器的第一输入端与第二最大池化层的输出端连接，其第二输入端与第二平均池化层的输出端连接，其输出端与Concat层的第二输入端连接；
所述Concat层的第三输入端用于输入颜色特征，其输出端与第一卷积层Conv1的输入端连接；所述第三上采样层的输入端与第一卷积层Conv1的输出端连接，其输出端与第二卷积层Conv2的输入端连接；所述全连接层的输入端与第二卷积层Conv2的输出端连接，其输出端作为作物分类模型的输出端。
将数据量大的光谱特征和纹理特征通过特征提取单元再次提取特征，再通过最大池化层保留显著特征，通过平均池化层保留全局特征，通过加法器将显著特征和全局特征在同一维度下相加，再通过Concat层实现特征在不同维度下的拼接，颜色特征从外部直接输入，使得数据量少的颜色特征在Concat层占有较大比重，使得作物分类模型在预测时均衡考虑颜色特征、光谱特征和纹理特征，提高作物预测准确率。
所述作物分类模型的损失函数为：
Figure 129314DEST_PATH_IMAGE020
其中，
Figure 728922DEST_PATH_IMAGE021
为损失函数，
Figure 71042DEST_PATH_IMAGE022
为第
Figure 857732DEST_PATH_IMAGE023
次训练时作物分类模型的输出，
Figure 45131DEST_PATH_IMAGE024
为第
Figure 233667DEST_PATH_IMAGE023
次训练时对应的标签，
Figure 12267DEST_PATH_IMAGE025
为第一损失阈值，
Figure 755095DEST_PATH_IMAGE026
为第二损失阈值，
Figure 277344DEST_PATH_IMAGE027
为损失权重。
在
Figure 320386DEST_PATH_IMAGE028
时，损失值通过
Figure 738729DEST_PATH_IMAGE029
计算，由于输出与标签相差太大，因此，通过
Figure 500012DEST_PATH_IMAGE030
来放大损失程度，使得作物分类模型的参数在训练时，能快速下降；在
Figure 294792DEST_PATH_IMAGE031
时，由于标签与输出相差太大，通过
Figure 192341DEST_PATH_IMAGE032
放大损失程度，使得作物分类模型的参数在训练时，能快速上降；在
Figure 578323DEST_PATH_IMAGE033
时，输出与标签相差不大，需要放缓作物分类模型的参数的变化程度，使得参数在训练时，能缓慢下降，在
Figure 561323DEST_PATH_IMAGE034
同理，使得参数在训练时，能缓慢上降。本发明将损失函数进行分段，使得作物分类模型在不同训练阶段，参数下降或上升速度不同，减少训练次数，又能逼近标签值。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过特征提取单元、上采样层、池化层和加法器等，构建了作物分类模型，作物分类模型用于对作物的分类，无需通过实验设定权重，在作物有多种类型时，仅在对作物分类模型训练时，加入多种作物的特征，其能自动建立作物的特征与作物类型的关系，精准将特征与作物类型进行对应，无需施加不同权重，还能准确预测作物类型。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于遥感图像数据的作物分类方法，其特征在于，包括以下步骤：
S1、采集作物的遥感图像数据；
S2、对作物的遥感图像数据提取作物特征，其中，作物特征包括：光谱特征、颜色特征和纹理特征；
步骤S2包括以下步骤：
S21、通过小波变换提取遥感图像数据的各光谱波段的幅度；
S22、根据各光谱波段的幅度对遥感图像数据进行分割，得到多个分割区域；
S23、根据各光谱波段的幅度，得到每个分割区域上的光谱特征；
S24、对每个分割区域提取颜色特征；
S25、对每个分割区域提取纹理特征；
S3、采用作物分类模型对作物特征进行处理，得到作物类型；
在步骤S3中，作物分类模型训练时，采用损失函数对作物分类模型进行训练，训练完成的作物分类模型对作物特征进行处理，得到作物类型；
所述步骤S22包括以下分步骤：
S221、根据各光谱波段的幅度，计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距；
所述步骤S221中计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距的公式为：
Figure QLYQS_1
其中，
Figure QLYQS_11
为第
Figure QLYQS_16
个像素点的光谱波段的幅度差距，
Figure QLYQS_19
为第
Figure QLYQS_3
个像素点所在位置的第
Figure QLYQS_7
光谱波段的幅度，
Figure QLYQS_9
为第
Figure QLYQS_13
个像素点所在位置邻域内所有像素点的第
Figure QLYQS_5
光谱波段的幅度的平均值，
Figure QLYQS_10
为第
Figure QLYQS_14
个像素点所在位置的第1光谱波段的幅度，
Figure QLYQS_17
为第
Figure QLYQS_15
个像素点所在位置邻域内所有像素点的第1光谱波段的幅度的平均值，
Figure QLYQS_20
为第
Figure QLYQS_22
个像素点所在位置的第2光谱波段的幅度，
Figure QLYQS_25
为第
Figure QLYQS_21
个像素点所在位置邻域内所有像素点的第2光谱波段的幅度的平均值，
Figure QLYQS_23
为第
Figure QLYQS_24
个像素点所在位置的第3光谱波段的幅度，
Figure QLYQS_26
为第
Figure QLYQS_2
个像素点所在位置邻域内所有像素点的第3光谱波段的幅度的平均值，
Figure QLYQS_6
为第
Figure QLYQS_12
个像素点所在位置的第4光谱波段的幅度，
Figure QLYQS_18
为第
Figure QLYQS_4
个像素点所在位置邻域内所有像素点的第4光谱波段的幅度的平均值，
Figure QLYQS_8
为取最大值；
S222、在每个像素点的光谱波段的幅度差距大于幅度差距阈值时，该点像素点为分割点；
S223、根据分割点对作物的遥感图像数据进行分割，得到多个分割区域；
所述步骤S3中作物分类模型包括：光谱特征提取单元、纹理特征提取单元、第一上采样层、第二上采样层、第三上采样层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一加法器、第二加法器、Concat层、第一卷积层Conv1、第二卷积层Conv2和全连接层；
所述光谱特征提取单元的输入端用于输入光谱特征，其输出端与第一上采样层的输入端连接；所述第一上采样层的输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一加法器的第一输入端与第一最大池化层的输出端连接，其第二输入端与第一平均池化层的输出端连接，其输出端与Concat层的第一输入端连接；
所述纹理特征提取单元的输入端用于输入纹理特征，其输出端与第二上采样层的输入端连接；所述第二上采样层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二加法器的第一输入端与第二最大池化层的输出端连接，其第二输入端与第二平均池化层的输出端连接，其输出端与Concat层的第二输入端连接；
所述Concat层的第三输入端用于输入颜色特征，其输出端与第一卷积层Conv1的输入端连接；所述第三上采样层的输入端与第一卷积层Conv1的输出端连接，其输出端与第二卷积层Conv2的输入端连接；所述全连接层的输入端与第二卷积层Conv2的输出端连接，其输出端作为作物分类模型的输出端；
所述作物分类模型的损失函数为：
Figure QLYQS_27
其中，
Figure QLYQS_28
为损失函数，
Figure QLYQS_31
为第
Figure QLYQS_33
次训练时作物分类模型的输出，
Figure QLYQS_29
为第
Figure QLYQS_32
次训练时对应的标签，
Figure QLYQS_34
为第一损失阈值，
Figure QLYQS_35
为第二损失阈值，
Figure QLYQS_30
为损失权重。
2.根据权利要求1所述的基于遥感图像数据的作物分类方法，其特征在于，所述步骤S25包括以下分步骤：
S251、将每个分割区域灰度化处理，得到灰度图；
S252、对灰度图去除噪点，得到滤波图；
S253、从滤波图上任取一点非边缘像素点，作为参考点；
S254、计算参考点与邻域像素点的灰度差值；
S255、在参考点与邻域所有像素点的灰度差值均小于灰度阈值时，标记参考点为非纹理点；
S256、从参考点的邻域像素点中找下一非边缘像素点作为参考点，并跳转至步骤S254，直到滤波图上所有非边缘像素点遍历完，进入步骤S257；
S257、从滤波图上剔除非纹理点，得到纹理特征。
3.根据权利要求2所述的基于遥感图像数据的作物分类方法，其特征在于，所述步骤S254中计算参考点与邻域像素点的灰度差值的公式为：
Figure QLYQS_36
其中，
Figure QLYQS_37
为参考点与邻域中一个像素点的灰度差值，
Figure QLYQS_38
为参考点的邻域中一个像素点的灰度值，
Figure QLYQS_39
为参考点的灰度值。
CN202310033588.XA 2023-01-10 2023-01-10 一种基于遥感图像数据的作物分类方法 Active CN115761518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310033588.XA CN115761518B (zh) 2023-01-10 2023-01-10 一种基于遥感图像数据的作物分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310033588.XA CN115761518B (zh) 2023-01-10 2023-01-10 一种基于遥感图像数据的作物分类方法

Publications (2)

Publication Number Publication Date
CN115761518A CN115761518A (zh) 2023-03-07
CN115761518B true CN115761518B (zh) 2023-04-11

Family

ID=85348877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310033588.XA Active CN115761518B (zh) 2023-01-10 2023-01-10 一种基于遥感图像数据的作物分类方法

Country Status (1)

Country Link
CN (1) CN115761518B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310844B (zh) * 2023-05-18 2023-07-28 四川凯普顿信息技术股份有限公司 一种农业作物生长监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614136A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种红外小目标实时实例分割方法及装置
CN114359746A (zh) * 2021-12-29 2022-04-15 长光卫星技术有限公司 机器学习的多光谱遥感影像作物秸秆离田提取方法与系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968798B (zh) * 2012-12-12 2014-12-10 北京航空航天大学 一种基于小波变换和otsu阈值的sar图像海陆分割方法
CN106469316B (zh) * 2016-09-07 2020-02-21 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统
CN109859219B (zh) * 2019-02-26 2021-02-19 江西理工大学 结合相位与光谱的高分遥感影像分割方法
CN110826458A (zh) * 2019-10-31 2020-02-21 河海大学 一种基于深度学习的多光谱遥感图像变化检测方法及系统
CN111914611B (zh) * 2020-05-09 2022-11-15 中国科学院空天信息创新研究院 城市绿地高分遥感监测方法与系统
CN111582194B (zh) * 2020-05-12 2022-03-29 吉林大学 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法
CN112861690B (zh) * 2021-02-01 2024-02-02 武汉汉达瑞科技有限公司 多方法融合的遥感影像变化检测方法及系统
CN114494911A (zh) * 2021-10-19 2022-05-13 山东华宇航天空间技术有限公司 一种基于卫星影像与无人机影像的作物分类方法
CN114998876A (zh) * 2022-05-27 2022-09-02 西南石油大学 一种基于岩石薄片图像的海陆过渡相页岩纹层结构识别方法
CN115424006A (zh) * 2022-08-22 2022-12-02 石河子大学 应用于作物表型参数反演的多源多层次数据融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614136A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种红外小目标实时实例分割方法及装置
CN114359746A (zh) * 2021-12-29 2022-04-15 长光卫星技术有限公司 机器学习的多光谱遥感影像作物秸秆离田提取方法与系统

Also Published As

Publication number Publication date
CN115761518A (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN111598030B (zh) 一种航拍图像中车辆检测和分割的方法及系统
CN111222474B (zh) 一种任意尺度的高分辨率图像小目标检测方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN112016436A (zh) 一种基于深度学习的遥感影像变化检测方法
CN115761518B (zh) 一种基于遥感图像数据的作物分类方法
CN114627052A (zh) 一种基于深度学习的红外图像漏气漏液检测方法及系统
CN111091541B (zh) 一种铁路货车横跨梁组装螺母丢失故障识别方法
CN102881003B (zh) 一种消除ccd天文图像中宇宙射线的方法
CN112232371B (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN111027497B (zh) 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN111738114B (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN112329569B (zh) 一种基于图像深度学习系统的货运车辆状态实时识别方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN113313706B (zh) 基于检测参考点偏移分析的电力设备缺陷图像检测方法
CN110738106A (zh) 一种基于fpga的光学遥感图像船舶检测方法
CN112257793A (zh) 一种基于改进YOLO v3算法的远距离交通标志检测方法
CN115546768A (zh) 基于多尺度机制和注意力机制的路面标线识别方法及系统
CN114266794A (zh) 基于全卷积神经网络的病理切片图像癌症区域分割系统
CN111915628A (zh) 一种基于预测目标密集边界点的单阶段实例分割方法
CN111833353A (zh) 一种基于图像分割的高光谱目标检测方法
CN114862812A (zh) 基于先验知识的两阶段轨道交通车辆缺陷检测方法和系统
CN117058069A (zh) 一种全景影像中路面表观病害自动检测方法
CN114863223B (zh) 结合去噪自编码器与场景增强的高光谱弱监督分类方法
CN107992863B (zh) 多分辨率粮虫种类视觉识别方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Crop Classification Method Based on Remote Sensing Image Data

Effective date of registration: 20231114

Granted publication date: 20230411

Pledgee: Hua Xia Bank Co.,Ltd. Kunming Branch

Pledgor: YUNNAN HANZHE TECHNOLOGY CO.,LTD.

Registration number: Y2023980065535