CN117011555B - 一种基于遥感图像识别的红树林生态检测方法 - Google Patents
一种基于遥感图像识别的红树林生态检测方法 Download PDFInfo
- Publication number
- CN117011555B CN117011555B CN202311282634.6A CN202311282634A CN117011555B CN 117011555 B CN117011555 B CN 117011555B CN 202311282634 A CN202311282634 A CN 202311282634A CN 117011555 B CN117011555 B CN 117011555B
- Authority
- CN
- China
- Prior art keywords
- layer
- input end
- output end
- convolution layer
- remote sensing
- 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
- 240000002044 Rhizophora apiculata Species 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 22
- 230000006978 adaptation Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 229910010293 ceramic material Inorganic materials 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000004927 fusion Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感图像识别的红树林生态检测方法,属于图像处理技术领域,本发明中采集红树林生态区的遥感图像,先对遥感图像进行灰度处理和提取轮廓,得到轮廓图,轮廓图用于提取轮廓特征,遥感图像用于提取颜色特征,结合颜色特征和轮廓特征对红树林进行目标识别,从而确定红树林的面积,实现对红树林生态的监控和检测;本发明中通过颜色特征和轮廓特征来实现对红树林的目标识别,提高了红树林生态检测方法的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,本发明提供了一种基于遥感图像识别的红树林生态检测方法。
背景技术
红树林是生长在热带、亚热带海岸潮间带,由红树植物为主体的常绿乔木或灌木组成的湿地木本植物群落,是热带、亚热带海岸带海陆交错区生产能力最高的海洋生态系统之一,在净化海水、防风消浪、维持生物多样性、固碳储碳等方面发挥着极为重要的作用。因此,对红树林生态检测至关重要,但是通过具体的人工测量,较难达到实时检测红树林生态的目的。
现有红树林生态检测方法通过采集红树林生态区的遥感图像,从而对遥感图像提取特征,再通过分类器进行分类,从而确定出遥感图像上红树林的分布情况。但现有红树林生态检测方法在提取遥感图像上特征时,提取的仅为单一特征,例如:植被指数特征或纹理特征,导致现有红树林生态检测方法精度不高。
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识别的红树林生态检测方法解决了现有红树林生态检测方法精度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于遥感图像识别的红树林生态检测方法,包括以下步骤:
S1、采集红树林生态区的遥感图像;
S2、对遥感图像进行灰度处理,得到灰度图;
S3、对灰度图提取轮廓,得到轮廓图;
S4、采用颜色特征提取单元对遥感图像进行处理,得到颜色特征;
S5、采用轮廓特征提取单元对轮廓图进行处理,得到轮廓特征;
S6、采用目标特征提取单元对颜色特征和轮廓特征进行处理,得到红树林目标区域;
S7、根据每张遥感图像上红树林目标区域的面积,得到红树林生态区中红树林的面积。
进一步地,所述S4中颜色特征提取单元包括:颜色增强层、第一注意力模块、乘法器U1、第一卷积层和第二卷积层;
所述颜色增强层的输入端作为颜色特征提取单元的输入端,其输出端分别与第一注意力模块的输入端和乘法器U1的第一输入端连接;所述乘法器U1的第二输入端与第一注意力模块的输出端连接,其输出端与第一卷积层的输入端连接;所述第二卷积层的输入端与第一卷积层的输出端连接,其输出端作为颜色特征提取单元的输出端。
上述进一步地方案的有益效果为:本发明中通过颜色增强层对遥感图像进行处理,从而增强遥感图像上红树林区域的特征数据,提高红树林生态检测精度,再将颜色增强层输出的特征图通过第一注意力模块计算出各个特征值的权重,从而自适应的增强或减弱颜色增强层输出的特征图。
进一步地,所述第一注意力模块包括:第三卷积层、最大池化层、平均池化层、第一Concat层和权重计算层;
所述第三卷积层的输入端作为第一注意力模块的输入端,其输出端分别与最大池化层的输入端和平均池化层的输入端连接;所述第一Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接,其输出端与权重计算层的输入端连接;所述权重计算层的输出端作为第一注意力模块的输出端。
上述进一步地方案的有益效果为:在第一注意力模块中,先通过第三卷积层提取特征,再通过最大池化层提取出区域最大值和平均池化层提取出区域平均值,再通过第一Concat层将区域最大值和平均值进行拼接,从而通过权重计算层计算出权重矩阵,实现一种自适应特征增强方案。
进一步地,所述颜色增强层的表达式为:
,
,
,
其中,为颜色增强层输出的特征图上第i个像素点的R通道值,/>为颜色增强层输出的特征图上第i个像素点的G通道值,/>为颜色增强层输出的特征图上第i个像素点的B通道值,R i 为遥感图像上的第i个像素点的R通道值,G i 为遥感图像上的第i个像素点的G通道值,B i 为遥感图像上的第i个像素点的B通道值,R t 为遥感图像上红树林的目标R通道值,G t 为遥感图像上红树林的目标G通道值,B t 为遥感图像上红树林的目标B通道值。
上述进一步地方案的有益效果为:本发明通过将当前待检测的遥感图像上像素点的RGB通道值与红树林的目标RGB通道值进行比对,红树林为常绿植物,利用该点明显的颜色特征,当前待检测的遥感图像上与目标RGB通道值相似度高的像素点大概率为红树林区域上的像素点,而其他相似度低的像素点大概率为非红树林区域上的像素点,因此,本发明利用颜色上的相似程度,从而实现对遥感图像上数据的归一化,且实现对红树林区域的颜色数据增强,对非红树林区域的颜色数据削弱。
进一步地,所述乘法器U1的表达式为:
,
其中,H为乘法器U1输出的特征图,X为颜色增强层输出的特征图,为权重计算层输出的权重矩阵,/>为哈达玛积;
所述权重计算层的表达式为:
,
其中,为权重计算层输出的权重矩阵/>中第j个元素,z j 为第一Concat层输出的特征图的第j个特征值,e为自然常数,N为第一Concat层输出特征图的特征值的数量。
上述进一步地方案的有益效果为:本发明在乘法器U1处,实现按特征图中特征值的加权,实现对每个特征值的处理,进一步提高检测的精度。
进一步地,所述S5中轮廓特征提取单元包括:第四卷积层、第五卷积层、第六卷积层、第一特征处理通道、第二特征处理通道、第三特征处理通道和第二Concat层;
所述第四卷积层的输入端分别与第五卷积层的输入端和第六卷积层的输入端连接,其作为轮廓特征提取单元的输入端;所述第一特征处理通道的输入端与第四卷积层的输出端连接;所述第二特征处理通道的输入端与第五卷积层的输出端连接;所述第三特征处理通道的输入端与第六卷积层的输出端连接;所述第二Concat层的输入端分别与第一特征处理通道的输出端、第二特征处理通道的输出端和第三特征处理通道的输出端连接,其输出端作为轮廓特征提取单元的输出端;
所述第四卷积层的卷积核大小为33;所述第五卷积层的卷积核大小为5/>5;所述第六卷积层的卷积核大小为7/>7。
上述进一步地方案的有益效果为:本发明中第四卷积层、第五卷积层和第六卷积层采用具备不同大小的卷积核,使得后续的第二Concat层融合三种感受野的信息,提高提取特征的丰富度。
进一步地,所述第一特征处理通道、第二特征处理通道和第三特征处理通道的结构相同,均包括:第二注意力模块、乘法器U2和第七卷积层;
所述乘法器U2的第一输入端与第二注意力模块的输入端连接,并作为第一特征处理通道、第二特征处理通道或第三特征处理通道的输入端;所述乘法器U2的第二输入端与第二注意力模块的输出端连接,其输出端与第七卷积层的输入端连接;所述第七卷积层的输出端作为第一特征处理通道、第二特征处理通道或第三特征处理通道的输出端;所述第二注意力模块与第一注意力模块的结构相同。
上述进一步地方案的有益效果为:本发明中每个特征处理通道均采用相同结构,实现对不同感受野的特征图进行处理,通过第二注意力模块进行自适应施加权重,提高提取特征的精度。
进一步地,所述S6中目标特征提取单元包括:第三Concat层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、加法器A1和加法器A2;
所述第三Concat层的输入端用于输入颜色特征和轮廓特征,并作为目标特征提取单元的输入端;所述第三Concat层的输出端分别与第八卷积层的输入端和加法器A1的第一输入端连接;所述第八卷积层的输出端分别与第九卷积层的输入端和加法器A2的第一输入端连接;所述加法器A1的第二输入端与第九卷积层的输出端连接,其输出端与第十卷积层的输入端连接;所述加法器A2的第二输入端与第十卷积层的输出端连接,其输出端与第十一卷积层的输入端连接;所述第十一卷积层的输出端作为目标特征提取单元的输出端。
上述进一步地方案的有益效果为:本发明中目标特征提取单元将浅层特征与深层特征进行两次相加,在保障特征丰富的同时,解决了梯度消失的问题。本发明中将第三Concat层输出的特征图与第九卷积层输出的特征图进行相加,从而实现第一次浅层特征与深层特征的融合,将第八卷积层输出的特征图与第十卷积层输出的特征图进行相加,实现第二次浅层特征与深层特征的融合。
进一步地,所述颜色特征提取单元、轮廓特征提取单元和目标特征提取单元在训练时作为整体进行训练,将颜色特征提取单元、轮廓特征提取单元和目标特征提取单元构成的整体架构命为目标检测模型,具体训练步骤如下:
A1、对遥感图像进行标注出实际目标区域;
A2、将遥感图像对应的轮廓图和遥感图像,构建训练样本;
A3、将训练样本输入到目标检测模型中,得到预测目标区域;
A4、根据预测目标区域和实际目标区域,计算模型参数适应值;
A5、判断模型参数适应值是否高于参数适应阈值,若是,则目标检测模型训练完成,若否,则对目标检测模型中权重和偏置进行更新,并跳转至步骤A3。
进一步地,所述A4中计算模型参数适应值的公式为:
,
,
,
其中,f为模型参数适应值,tanh为双曲正切函数,x k 为预测目标区域的第k个顶点的横坐标,y k 为预测目标区域的第k个顶点的纵坐标,x t,k 为实际目标区域的第k个顶点的横坐标,y t,k 为实际目标区域的第k个顶点的纵坐标,ɑ为横坐标的比例系数,β为纵坐标的比例系数,ln为对数函数,| |为绝对值运算。
上述进一步地方案的有益效果为:本发明中模型参数适应值的计算公式,取了预测目标区域和实际目标区域的四个顶点进行对比,分别计算出每个顶点之间的距离,从而确定出预测目标区域和实际目标区域之间的差距,本发明还通过横坐标的比例系数和纵坐标的比例系数来进一步地衡量预测目标区域和实际目标区域之间的差距,在横坐标差距大时,横坐标的比例系数越大,在纵坐标差距大时,纵坐标的比例系数越大,从而加快权重和偏置的更新速度,减少训练时间。
本发明的有益效果为:本发明中采集红树林生态区的遥感图像,先对遥感图像进行灰度处理和提取轮廓,得到轮廓图,轮廓图用于提取轮廓特征,遥感图像用于提取颜色特征,结合颜色特征和轮廓特征对红树林进行目标识别,从而确定红树林的面积,实现对红树林生态的监控和检测;本发明中通过颜色特征和轮廓特征来实现对红树林的目标识别,提高了红树林生态检测方法的检测精度。
附图说明
图1为一种基于遥感图像识别的红树林生态检测方法的流程图;
图2为颜色特征提取单元的结构示意图;
图3为第一注意力模块的结构示意图;
图4为轮廓特征提取单元的结构示意图;
图5为第一特征处理通道、第二特征处理通道和第三特征处理通道的结构示意图;
图6为目标特征提取单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于遥感图像识别的红树林生态检测方法,包括以下步骤:
S1、采集红树林生态区的遥感图像;
S2、对遥感图像进行灰度处理,得到灰度图;
S3、对灰度图提取轮廓,得到轮廓图;
S4、采用颜色特征提取单元对遥感图像进行处理,得到颜色特征;
如图2所示,S4中颜色特征提取单元包括:颜色增强层、第一注意力模块、乘法器U1、第一卷积层和第二卷积层;
颜色增强层的输入端作为颜色特征提取单元的输入端,其输出端分别与第一注意力模块的输入端和乘法器U1的第一输入端连接;乘法器U1的第二输入端与第一注意力模块的输出端连接,其输出端与第一卷积层的输入端连接;第二卷积层的输入端与第一卷积层的输出端连接,其输出端作为颜色特征提取单元的输出端。
本发明中通过颜色增强层对遥感图像进行处理,从而增强遥感图像上红树林区域的特征数据,提高红树林生态检测精度,再将颜色增强层输出的特征图通过第一注意力模块计算出各个特征值的权重,从而自适应的增强或减弱颜色增强层输出的特征图。
如图3所示,第一注意力模块包括:第三卷积层、最大池化层、平均池化层、第一Concat层和权重计算层;
第三卷积层的输入端作为第一注意力模块的输入端,其输出端分别与最大池化层的输入端和平均池化层的输入端连接;第一Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接,其输出端与权重计算层的输入端连接;权重计算层的输出端作为第一注意力模块的输出端。
在第一注意力模块中,先通过第三卷积层提取特征,再通过最大池化层提取出区域最大值和平均池化层提取出区域平均值,再通过第一Concat层将区域最大值和平均值进行拼接,从而通过权重计算层计算出权重矩阵,实现一种自适应特征增强方案。
颜色增强层的表达式为:
,
,
,
其中,为颜色增强层输出的特征图上第i个像素点的R通道值,/>为颜色增强层输出的特征图上第i个像素点的G通道值,/>为颜色增强层输出的特征图上第i个像素点的B通道值,R i 为遥感图像上的第i个像素点的R通道值,G i 为遥感图像上的第i个像素点的G通道值,B i 为遥感图像上的第i个像素点的B通道值,R t 为遥感图像上红树林的目标R通道值,G t 为遥感图像上红树林的目标G通道值,B t 为遥感图像上红树林的目标B通道值。
本发明通过将当前待检测的遥感图像上像素点的RGB通道值与红树林的目标RGB通道值进行比对,红树林为常绿植物,利用该点明显的颜色特征,当前待检测的遥感图像上与目标RGB通道值相似度高的像素点大概率为红树林区域上的像素点,而其他相似度低的像素点大概率为非红树林区域上的像素点,因此,本发明利用颜色上的相似程度,从而实现对遥感图像上数据的归一化,且实现对红树林区域的颜色数据增强,对非红树林区域的颜色数据削弱。
在本发明中,目标RGB通道值为从历史遥感图像获取的红树林区域的RGB通道值。
乘法器U1的表达式为:
,
其中,H为乘法器U1输出的特征图,X为颜色增强层输出的特征图,为权重计算层输出的权重矩阵,/>为哈达玛积;
权重计算层的表达式为:
,
其中,为权重计算层输出的权重矩阵/>中第j个元素,z j 为第一Concat层输出的特征图的第j个特征值,e为自然常数,N为第一Concat层输出特征图的特征值的数量。
本发明在乘法器U1处,实现按特征图中特征值的加权,实现对每个特征值的处理,进一步提高检测的精度。
S5、采用轮廓特征提取单元对轮廓图进行处理,得到轮廓特征;
如图4所示,S5中轮廓特征提取单元包括:第四卷积层、第五卷积层、第六卷积层、第一特征处理通道、第二特征处理通道、第三特征处理通道和第二Concat层;
第四卷积层的输入端分别与第五卷积层的输入端和第六卷积层的输入端连接,其作为轮廓特征提取单元的输入端;第一特征处理通道的输入端与第四卷积层的输出端连接;第二特征处理通道的输入端与第五卷积层的输出端连接;第三特征处理通道的输入端与第六卷积层的输出端连接;第二Concat层的输入端分别与第一特征处理通道的输出端、第二特征处理通道的输出端和第三特征处理通道的输出端连接,其输出端作为轮廓特征提取单元的输出端;
第四卷积层的卷积核大小为33;第五卷积层的卷积核大小为5/>5;第六卷积层的卷积核大小为7/>7。
本发明中第四卷积层、第五卷积层和第六卷积层采用具备不同大小的卷积核,使得后续的第二Concat层融合三种感受野的信息,提高提取特征的丰富度。
如图5所示,第一特征处理通道、第二特征处理通道和第三特征处理通道的结构相同,均包括:第二注意力模块、乘法器U2和第七卷积层;
乘法器U2的第一输入端与第二注意力模块的输入端连接,并作为第一特征处理通道、第二特征处理通道或第三特征处理通道的输入端;乘法器U2的第二输入端与第二注意力模块的输出端连接,其输出端与第七卷积层的输入端连接;第七卷积层的输出端作为第一特征处理通道、第二特征处理通道或第三特征处理通道的输出端;第二注意力模块与第一注意力模块的结构相同。
本发明中每个特征处理通道均采用相同结构,实现对不同感受野的特征图进行处理,通过第二注意力模块进行自适应施加权重,提高提取特征的精度。
S6、采用目标特征提取单元对颜色特征和轮廓特征进行处理,得到红树林目标区域;
如图6所示,S6中目标特征提取单元包括:第三Concat层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、加法器A1和加法器A2;
第三Concat层的输入端用于输入颜色特征和轮廓特征,并作为目标特征提取单元的输入端;第三Concat层的输出端分别与第八卷积层的输入端和加法器A1的第一输入端连接;第八卷积层的输出端分别与第九卷积层的输入端和加法器A2的第一输入端连接;加法器A1的第二输入端与第九卷积层的输出端连接,其输出端与第十卷积层的输入端连接;加法器A2的第二输入端与第十卷积层的输出端连接,其输出端与第十一卷积层的输入端连接;第十一卷积层的输出端作为目标特征提取单元的输出端。
本发明中目标特征提取单元将浅层特征与深层特征进行两次相加,在保障特征丰富的同时,解决了梯度消失的问题。本发明中将第三Concat层输出的特征图与第九卷积层输出的特征图进行相加,从而实现第一次浅层特征与深层特征的融合,将第八卷积层输出的特征图与第十卷积层输出的特征图进行相加,实现第二次浅层特征与深层特征的融合。
颜色特征提取单元、轮廓特征提取单元和目标特征提取单元在训练时作为整体进行训练,将颜色特征提取单元、轮廓特征提取单元和目标特征提取单元构成的整体架构命为目标检测模型,具体训练步骤如下:
A1、对遥感图像进行标注出实际目标区域;
A2、将遥感图像对应的轮廓图和遥感图像,构建训练样本;
A3、将训练样本输入到目标检测模型中,得到预测目标区域;
A4、根据预测目标区域和实际目标区域,计算模型参数适应值;
A5、判断模型参数适应值是否高于参数适应阈值,若是,则目标检测模型训练完成,若否,则对目标检测模型中权重和偏置进行更新,并跳转至步骤A3。
A4中计算模型参数适应值的公式为:
,
,
,
其中,f为模型参数适应值,tanh为双曲正切函数,x k 为预测目标区域的第k个顶点的横坐标,y k 为预测目标区域的第k个顶点的纵坐标,x t,k 为实际目标区域的第k个顶点的横坐标,y t,k 为实际目标区域的第k个顶点的纵坐标,ɑ为横坐标的比例系数,β为纵坐标的比例系数,ln为对数函数,| |为绝对值运算。
本发明中模型参数适应值的计算公式,取了预测目标区域和实际目标区域的四个顶点进行对比,分别计算出每个顶点之间的距离,从而确定出预测目标区域和实际目标区域之间的差距,本发明还通过横坐标的比例系数和纵坐标的比例系数来进一步地衡量预测目标区域和实际目标区域之间的差距,在横坐标差距大时,横坐标的比例系数越大,在纵坐标差距大时,纵坐标的比例系数越大,从而加快权重和偏置的更新速度,减少训练时间。
在步骤A5中权重和偏置的更新公式为:
,
,
其中,ω n+1为第n+1次更新的权重,ω n 为第n次更新的权重,f n 为第n次更新后对应的模型参数适应值,b n+1为第n+1次更新的偏置,b n 为第n次更新的偏置。
在模型参数适应值越大时,权重和偏置的下降幅度越大。
在本发明中,训练过程中的实际目标区域设置为矩形,则预测目标区域也为矩形,使用训练后的目标检测模型处理遥感图像,得到的红树林目标区域也为矩形,则根据矩形区域所占遥感图像的面积,则可以预估得到红树林生态区中红树林的面积。
S7、根据每张遥感图像上红树林目标区域的面积,得到红树林生态区中红树林的面积。
本发明中采集红树林生态区的遥感图像,先对遥感图像进行灰度处理和提取轮廓,得到轮廓图,轮廓图用于提取轮廓特征,遥感图像用于提取颜色特征,结合颜色特征和轮廓特征对红树林进行目标识别,从而确定红树林的面积,实现对红树林生态的监控和检测;本发明中通过颜色特征和轮廓特征来实现对红树林的目标识别,提高了红树林生态检测方法的检测精度。
Claims (3)
1.一种基于遥感图像识别的红树林生态检测方法,其特征在于,包括以下步骤:
S1、采集红树林生态区的遥感图像;
S2、对遥感图像进行灰度处理,得到灰度图;
S3、对灰度图提取轮廓,得到轮廓图;
S4、采用颜色特征提取单元对遥感图像进行处理,得到颜色特征;
S5、采用轮廓特征提取单元对轮廓图进行处理,得到轮廓特征;
S6、采用目标特征提取单元对颜色特征和轮廓特征进行处理,得到红树林目标区域;
S7、根据每张遥感图像上红树林目标区域的面积,得到红树林生态区中红树林的面积;
所述S4中颜色特征提取单元包括:颜色增强层、第一注意力模块、乘法器U1、第一卷积层和第二卷积层;
所述颜色增强层的输入端作为颜色特征提取单元的输入端,其输出端分别与第一注意力模块的输入端和乘法器U1的第一输入端连接;所述乘法器U1的第二输入端与第一注意力模块的输出端连接,其输出端与第一卷积层的输入端连接;所述第二卷积层的输入端与第一卷积层的输出端连接,其输出端作为颜色特征提取单元的输出端;
所述第一注意力模块包括:第三卷积层、最大池化层、平均池化层、第一Concat层和权重计算层;
所述第三卷积层的输入端作为第一注意力模块的输入端,其输出端分别与最大池化层的输入端和平均池化层的输入端连接;所述第一Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接,其输出端与权重计算层的输入端连接;所述权重计算层的输出端作为第一注意力模块的输出端;
所述乘法器U1的表达式为:
,
其中,H为乘法器U1输出的特征图,X为颜色增强层输出的特征图,为权重计算层输出的权重矩阵,/>为哈达玛积;
所述权重计算层的表达式为:
,
其中,为权重计算层输出的权重矩阵/>中第j个元素,z j 为第一Concat层输出的特征图的第j个特征值,e为自然常数,N为第一Concat层输出特征图的特征值的数量;
所述S5中轮廓特征提取单元包括:第四卷积层、第五卷积层、第六卷积层、第一特征处理通道、第二特征处理通道、第三特征处理通道和第二Concat层;
所述第四卷积层的输入端分别与第五卷积层的输入端和第六卷积层的输入端连接,其作为轮廓特征提取单元的输入端;所述第一特征处理通道的输入端与第四卷积层的输出端连接;所述第二特征处理通道的输入端与第五卷积层的输出端连接;所述第三特征处理通道的输入端与第六卷积层的输出端连接;所述第二Concat层的输入端分别与第一特征处理通道的输出端、第二特征处理通道的输出端和第三特征处理通道的输出端连接,其输出端作为轮廓特征提取单元的输出端;
所述第四卷积层的卷积核大小为33;所述第五卷积层的卷积核大小为5/>5;所述第六卷积层的卷积核大小为7/>7;
所述S6中目标特征提取单元包括:第三Concat层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、加法器A1和加法器A2;
所述第三Concat层的输入端用于输入颜色特征和轮廓特征,并作为目标特征提取单元的输入端;所述第三Concat层的输出端分别与第八卷积层的输入端和加法器A1的第一输入端连接;所述第八卷积层的输出端分别与第九卷积层的输入端和加法器A2的第一输入端连接;所述加法器A1的第二输入端与第九卷积层的输出端连接,其输出端与第十卷积层的输入端连接;所述加法器A2的第二输入端与第十卷积层的输出端连接,其输出端与第十一卷积层的输入端连接;所述第十一卷积层的输出端作为目标特征提取单元的输出端;
所述颜色特征提取单元、轮廓特征提取单元和目标特征提取单元在训练时作为整体进行训练,将颜色特征提取单元、轮廓特征提取单元和目标特征提取单元构成的整体架构命为目标检测模型,具体训练步骤如下:
A1、对遥感图像进行标注出实际目标区域;
A2、将遥感图像对应的轮廓图和遥感图像,构建训练样本;
A3、将训练样本输入到目标检测模型中,得到预测目标区域;
A4、根据预测目标区域和实际目标区域,计算模型参数适应值;
A5、判断模型参数适应值是否高于参数适应阈值,若是,则目标检测模型训练完成,若否,则对目标检测模型中权重和偏置进行更新,并跳转至步骤A3;
所述A4中计算模型参数适应值的公式为:
,
,
,
其中,f为模型参数适应值,tanh为双曲正切函数,x k 为预测目标区域的第k个顶点的横坐标,y k 为预测目标区域的第k个顶点的纵坐标,x t,k 为实际目标区域的第k个顶点的横坐标,y t,k 为实际目标区域的第k个顶点的纵坐标,ɑ为横坐标的比例系数,β为纵坐标的比例系数,ln为对数函数,| |为绝对值运算。
2.根据权利要求1所述的基于遥感图像识别的红树林生态检测方法,其特征在于,所述颜色增强层的表达式为:
,
,
,
其中,为颜色增强层输出的特征图上第i个像素点的R通道值,/>为颜色增强层输出的特征图上第i个像素点的G通道值,/>为颜色增强层输出的特征图上第i个像素点的B通道值,R i 为遥感图像上的第i个像素点的R通道值,G i 为遥感图像上的第i个像素点的G通道值,B i 为遥感图像上的第i个像素点的B通道值,R t 为遥感图像上红树林的目标R通道值,G t 为遥感图像上红树林的目标G通道值,B t 为遥感图像上红树林的目标B通道值。
3.根据权利要求1所述的基于遥感图像识别的红树林生态检测方法,其特征在于,所述第一特征处理通道、第二特征处理通道和第三特征处理通道的结构相同,均包括:第二注意力模块、乘法器U2和第七卷积层;
所述乘法器U2的第一输入端与第二注意力模块的输入端连接,并作为第一特征处理通道、第二特征处理通道或第三特征处理通道的输入端;所述乘法器U2的第二输入端与第二注意力模块的输出端连接,其输出端与第七卷积层的输入端连接;所述第七卷积层的输出端作为第一特征处理通道、第二特征处理通道或第三特征处理通道的输出端;所述第二注意力模块与第一注意力模块的结构相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282634.6A CN117011555B (zh) | 2023-10-07 | 2023-10-07 | 一种基于遥感图像识别的红树林生态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282634.6A CN117011555B (zh) | 2023-10-07 | 2023-10-07 | 一种基于遥感图像识别的红树林生态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011555A CN117011555A (zh) | 2023-11-07 |
CN117011555B true CN117011555B (zh) | 2023-12-01 |
Family
ID=88567619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311282634.6A Active CN117011555B (zh) | 2023-10-07 | 2023-10-07 | 一种基于遥感图像识别的红树林生态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011555B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274824B (zh) * | 2023-11-21 | 2024-02-27 | 岭南设计集团有限公司 | 一种基于人工智能的红树林生长状态检测方法及系统 |
CN117423021B (zh) * | 2023-12-19 | 2024-02-23 | 广东海洋大学 | 一种无人机红树林受损影像识别方法 |
CN117935061B (zh) * | 2024-03-21 | 2024-05-31 | 四川省能源地质调查研究所 | 基于数据分析的地质区域环境综合评价系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709517A (zh) * | 2016-12-19 | 2017-05-24 | 航天恒星科技有限公司 | 红树林识别方法及系统 |
CN108986116A (zh) * | 2018-07-16 | 2018-12-11 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感影像的红树林提取方法及系统 |
CN109034026A (zh) * | 2018-07-16 | 2018-12-18 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像中水陆区域的红树林提取方法及系统 |
CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学(武汉) | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 |
CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
CN116091845A (zh) * | 2023-03-06 | 2023-05-09 | 北京数慧时空信息技术有限公司 | 基于图卷积网络和深度学习网络的遥感图像场景分类方法 |
CN116756572A (zh) * | 2023-07-25 | 2023-09-15 | 中环宇恩(广东)生态科技有限公司 | 基于红树林生态系统分布数据集的构建方法 |
-
2023
- 2023-10-07 CN CN202311282634.6A patent/CN117011555B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709517A (zh) * | 2016-12-19 | 2017-05-24 | 航天恒星科技有限公司 | 红树林识别方法及系统 |
CN108986116A (zh) * | 2018-07-16 | 2018-12-11 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感影像的红树林提取方法及系统 |
CN109034026A (zh) * | 2018-07-16 | 2018-12-18 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像中水陆区域的红树林提取方法及系统 |
CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学(武汉) | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 |
CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
CN116091845A (zh) * | 2023-03-06 | 2023-05-09 | 北京数慧时空信息技术有限公司 | 基于图卷积网络和深度学习网络的遥感图像场景分类方法 |
CN116756572A (zh) * | 2023-07-25 | 2023-09-15 | 中环宇恩(广东)生态科技有限公司 | 基于红树林生态系统分布数据集的构建方法 |
Non-Patent Citations (3)
Title |
---|
1991—2011 年廉江红树林分布及变化的遥感分析;刘大召 等;《研究报告REPORTS》;第43卷(第4期);第22-28页 * |
叶绿素 a 浓度反演精细提取红树植物生长区域;刘大召 等;《武汉大学学报(信息科学版)》;第1-13页 * |
基于无人机遥感监测技术的红树林典型外来物种分布特征研究;张苇 等;《桉树科技》(第3期);第42-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117011555A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117011555B (zh) | 一种基于遥感图像识别的红树林生态检测方法 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN113870281A (zh) | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN110766708A (zh) | 基于轮廓相似度的图像比较方法 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
CN115859577A (zh) | 基于气象预报的水华预警方法、装置、介质及设备 | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
CN116523859B (zh) | 一种联合地面观测的海岸带植被物候参数卫星影像率定方法 | |
Zhao et al. | Extraction of mangrove in Hainan Dongzhai Harbor based on CART decision tree | |
Xu et al. | Change detection based on IR-MAD model for GF-5 remote sensing imagery | |
CN116030304A (zh) | 基于加权判别与多分类器的跨域遥感影像对抗迁移方法 | |
Su et al. | Improved Spectral Angle Mapper applications for mangrove classification using SPOT5 imagery | |
Ai et al. | Coastal aquaculture area extraction based on self-attention mechanism and auxiliary loss | |
Li et al. | Image recognition and empirical application of desert plant species based on convolutional neural network | |
CN113988224A (zh) | 一种珊瑚礁底质分类模型的训练、应用方法及装置 | |
CN113570542A (zh) | 一种基于机器视觉的遮挡情况下煤矸石检测方法 | |
CN113392377A (zh) | 基于土壤湿度的沼泽湿地遥感提取方法和系统 | |
CN112633155B (zh) | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 | |
CN111695503B (zh) | 基于双波段辐亮度的珊瑚礁底质分类方法 | |
CN117975282B (zh) | 基于多元光学特征融合的紫菜养殖区遥感提取方法及系统 |
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 |