CN117456287A - 一种使用遥感影像观测野生动物种群数量的方法 - Google Patents

一种使用遥感影像观测野生动物种群数量的方法 Download PDF

Info

Publication number
CN117456287A
CN117456287A CN202311775041.3A CN202311775041A CN117456287A CN 117456287 A CN117456287 A CN 117456287A CN 202311775041 A CN202311775041 A CN 202311775041A CN 117456287 A CN117456287 A CN 117456287A
Authority
CN
China
Prior art keywords
remote sensing
wild animals
sensing image
observed
shadow pixels
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.)
Granted
Application number
CN202311775041.3A
Other languages
English (en)
Other versions
CN117456287B (zh
Inventor
许刚
李广涛
吴世红
李皑菁
王志明
冯志强
姚海博
葛丽燕
罗小凤
李美玲
韩晓芳
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.)
Tiwte Environmental Technology Development Tianjin Co ltd
Tianjin Research Institute for Water Transport Engineering MOT
Original Assignee
Tiwte Environmental Technology Development Tianjin Co ltd
Tianjin Research Institute for Water Transport Engineering MOT
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 Tiwte Environmental Technology Development Tianjin Co ltd, Tianjin Research Institute for Water Transport Engineering MOT filed Critical Tiwte Environmental Technology Development Tianjin Co ltd
Priority to CN202311775041.3A priority Critical patent/CN117456287B/zh
Publication of CN117456287A publication Critical patent/CN117456287A/zh
Application granted granted Critical
Publication of CN117456287B publication Critical patent/CN117456287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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

Abstract

本申请涉及遥感影像分析技术领域，特别是涉及一种使用遥感影像观测野生动物种群数量的方法；本发明在通过高分辨率遥感图像得到所述待观测野生动物的疑似阴影像元后，首先对所述疑似阴影像元的尺寸进行分类，分为大尺寸阴影像元和小尺寸阴影像元；然后，针对大尺寸阴影像元采用相似度比较方法确认是否为野生动物，计算量较少；对小尺寸阴影像元，采用深度学习模型确认是否为野生动物，可有效识别出小尺寸的待观测野生动物，并能尽可能的减少环境中具有相似尺寸或者形态的干扰物的影响；通过本发明的方案，极大的提高野生动物种群数量的观测准确度。

Description

一种使用遥感影像观测野生动物种群数量的方法
技术领域
本申请涉及遥感影像分析技术领域，特别是涉及一种使用遥感影像观测野生动物种群数量的方法。
背景技术
野生动物种群数量观测是动物生态学中重要的基本问题，研究者需要以野生动物种群数量为基础研究野生动物种群动态及其与资源环境之间的关系等内容；同时需要以此为依据调控和管理动物种群。因此,野生动物种群数量观测一直是备受关注的研究热点。
近年来, 利用高分辨率卫星遥感影像或者航拍影像直接观测动物数量的方法逐渐发展起来。利用遥感影像观测动物数量的关键技术是个体识别, 属于遥感学研究的范畴。
现有技术中通过遥感影像观测野生动物种群数量，主要通过人工目视识别计数法和影像分离法观测野生动物种群数量。然而，人工目视识别计数法比较耗时耗力，影像分离法依据给定的像元阈值来区别出目标种群和周围的环境，通过给定的像元阈值识别目标数量，影像分离法极其容易将像元相似的物体识别成野生动物，造成识别准确度不高的问题。
因此，现有技术急需一种对遥感影像进行处理分析进而提高野生动物种群数量的观测准确度的技术方案。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足，提供一种使用遥感影像观测野生动物种群数量的方法，用于提高野生动物种群数量的观测准确度。
为了实现上述目的，根据本发明的一个方面，提供一种使用遥感影像观测野生动物种群数量的方法，包括以下步骤：
S1：确定观测野生动物种群数量的观测区域；
S2：采集所述观测区域的高分辨率遥感影像，并筛选得到含有待观测野生动物的遥感影像；
S3：对所述高分辨率遥感影像进行预处理操作，得到预处理的高分辨率遥感影像；
S4：获取所述预处理后的高分辨率遥感影像中的待观测野生动物的疑似阴影像元；
S5：对所述待观测野生动物的疑似阴影像元识别，从而得到遥感影像中待观测野生动物的数量；
S6：对待观测区域的所有高分辨率遥感图像执行所述S3-S5，从而得到所述待观测野生动物的种群数量。
优选地，在青海省三江源地区选择若干个区域作为观测野生动物种群数量的观测区域。
优选地，所述S2中，通过固定翼无人机航拍获得所述高分辨率遥感影像；
其中，所述待观测野生动物为马麝、白唇鹿、马鹿、狼、棕熊、藏野驴、白唇鹿、藏野驴、藏羚、野牦牛、藏原羚、岩羊、盘羊中的一种；
优选地，所述S3中，，所述预处理操作包括辐射校正、几何校正；
其中，所述辐射校正的公式为：
其中P表示辐射校正过程，Px表示对所述高分辨率遥感影像进行横向校正，y表示对所述高分辨率遥感影像进行纵向校正；
其中，所述几何校正公式为：
其中，为几何校正过程，DN为原始的所述高分辨率遥感影像，/>为所述高分辨率遥感影像的分辨率，n为所述高分辨率遥感影像的平均行标准差，/>表示所述高分辨率遥感影像的第j个噪声。
通过上述的预处理操作，极大地减少了影像的采集误差。
优选地，所述S4中，对所述预处理后的高分辨率遥感影像采取尺度分割法获取所述待观测野生动物的疑似阴影像元。
优选地，所述S5中，对疑似阴影像元进行确认，判断其是否为待观测野生动物，进而提高在遥感图像中观测野生动物的准确度。
优选地，所述S5为：
S5.1：根据所述疑似阴影像元的尺寸将所述疑似阴影像元分为两类：一类为小尺寸的疑似阴影像元，一类为大尺寸的疑似阴影像元；
具体地，根据待观测动物的大小与太阳照射角度确定将所述阴影像元分成两类的分类尺寸；分为大尺寸疑似阴影像元和小尺寸疑似阴影像元。
S5.2：对大尺寸疑似阴影像元采用相似度比较确定是否为待观测野生动物；
实际上，由于尺寸较大的待观测野生动物年龄较大，具有更为明显的轮廓特征，因此，其识别起来较为容易，因此，可通过获取待观测野生动物的在该太阳照射角度下的标准阴影像元，将所述疑似阴影像元与所述标准阴影像元进行相似度比较，并将相似度大于设定阈值的疑似阴影像元认定为待观测野生动物；
S5.3：对于小尺寸疑似阴影像元采用深度学习模型确定是否为待观测野生动物；
对于尺寸较小的待观测野生动物，其年龄较小，其阴影像元的轮廓特征不明显，且与周围环境中的干扰阴影像元区分度不高，因此，将所述尺寸较小的疑似阴影像元输入至深度学习模型中，用于判断其是否为待观测野生动物。
所述深度学习模型为Faster R-CNN模型。
更进一步地，通过对所述深度学习模型训练，从而提高所述深度学习模型识别待观测野生动物的准确度；
具体地，模型训练步骤过程为：
Sa：获取所述深度学习模型的训练集；
其中，获取多张包含所述待观测野生动物的所述高分辨率遥感图像；并得到所述待观测野生动物的在特定太阳照射角度的阴影像元；然后通过人工的方式对所述阴影像元进行标注；
具体地，在本实施例中，仅标注小尺寸的待观测野生动物的阴影像元，以提高模型对小尺寸待观测野生动物的识别准确度。
最后，将包含有小尺寸待观测野生动物的阴影像元作为所述深度学习模型的训练集；
Sb：建立所述深度学习模型；
所述模型分为四个部分：特征提取模块、区域生成网络模块、继续训练模块、识别模块。
本实施例采用VGG-16网络作为所述Faster R-CNN模型的骨干网络进行图像的特征提取以及获取卷积特征映射集合，所述VGG16设置为16个网络层，分别为13个卷积层、3个全连接层，其中第1-13层为卷积层，第14-16层为全连接层，在13个卷积层中，第1-2层的卷积核个数为64个，第3-4层的卷积核个数为128个，第5-7层的卷积核个数为256个，第8-13层的卷积核个数为512个；
其中，每个卷积层的计算公式为：
式中，为每个卷积层的输出，/>表示特征的位置坐标，u表示横向移动的步长，v表示纵向移动的步长，k为识别特征的数量，/>为卷积核函数，/>为卷积层的输入特征；通过每个卷积层的运算，可以将输入图像中的特征提取出来，用于后续的识别与检测；
在本实施例的VGG16网络中，激活函数选择为ReLU函数，所述ReLU函数在对交通领域的图像进行处理时具有较为优良的收敛速度；
具体地，所述ReLU函数的公式为：
式中，f（x）表示ReLU激活函数值，x表示如输入的神经元。
Sc：采用所述训练集对所述深度学习模型训练，得到训练好的深度学习模型；
通过查准率（P）和召回率（R）评估所述深度学习模型是否训练好，
其中，若满足要求，则模型训练步骤完成，若不满足要求，则需要通过数据集进行训练直至满足要求；
其中查准率（P）的计算公式为：
其中，TP为真正样本，FP为假正样本;
其中，召回率（R）的计算公式为：
其中，FN为假反样本。
Sd：将所述小尺寸疑似阴影像元分别输入至训练好的深度学习模型中，判断是否为待观测野生动物；
通过上述步骤，可有效识别出小尺寸的待观测野生动物，并能尽可能的减少环境中具有相似尺寸或者形态的干扰物的影响，极大的提高野生动物的观测准确度。
S5.4：统计大尺寸疑似阴影像元和小尺寸疑似阴影像元中认定为野生动物的数量，即为所述高分辨率遥感影像中野生动物的数量。
根据本发明的另一个方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行上述的使用遥感影像观测野生动物种群数量的方法。
基于上述技术方案，本申请提供的使用遥感影像观测野生动物种群数量的方法，具有如下技术效果：
本发明在通过高分辨率遥感图像得到所述待观测野生动物的疑似阴影像元后，首先对所述疑似阴影像元的尺寸进行分类，分为大尺寸阴影像元和小尺寸阴影像元；然后，针对大尺寸阴影像元采用相似度比较方法确认是否为野生动物，计算量较少；对小尺寸阴影像元，采用深度学习模型确认是否为野生动物，可有效识别出小尺寸的待观测野生动物，并能尽可能的减少环境中具有相似尺寸或者形态的干扰物的影响；通过本发明的方案，极大的提高野生动物种群数量的观测准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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的附图。
图1为本申请实施例提供的种使用遥感影像观测野生动物种群数量的方法的流程图；
图2为本申请实施例提供的对所述待观测野生动物的疑似阴影像元识别，从而得到遥感影像中待观测野生动物的数量的流程图。
具体实施方式
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、完整的描述，显然，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。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不表示对本申请保护范围的限定。
实施例一、在本实施例的实例中，为了实现上述目的，如图1所示，提供一种使用遥感影像观测野生动物种群数量的方法，包括以下步骤：
S1：确定观测野生动物种群数量的观测区域；
在本实施例中，在青海省三江源地区选择若干个区域作为观测野生动物种群数量的观测区域；
青海省三江源地区位于世界屋脊青藏高原的东北部，青海省西南部，地处北纬31°39’到北纬36°16’，东经89°24’到102°23’，是我国境内三条主要的大江大流：长江、黄河以及澜沧江的源头。区内地形地貌以山地为主，地势高耸，地形复杂，平均海拔在4000 m左右，高寒湿地大面积发育。由于海拔较高，其中相当一部分是冻土湿地。整个区域的持水能力较强。三条江河每年向下游供水600亿m3，被誉为“中华水塔”。同时，高原独特的地理环境和特殊气候条件，孕育了三江源区独特的自然物种资源库，是世界上高海拔地区生物多样性最集中的地区之一。
S2：采集所述观测区域的高分辨率遥感影像，并筛选得到含有待观测野生动物的遥感影像；
具体地，通过固定翼无人机航拍获得所述高分辨率遥感影像；
其中，所述待观测野生动物为马麝、白唇鹿、马鹿、狼、棕熊、藏野驴、白唇鹿、藏野驴、藏羚、野牦牛、藏原羚、岩羊、盘羊中的一种。
S3：对所述高分辨率遥感影像进行预处理操作，得到预处理的高分辨率遥感影像；
在本实施例中，所述预处理操作包括辐射校正、几何校正；
其中，所述辐射校正的公式为：
其中P表示辐射校正过程，Px表示对所述高分辨率遥感影像进行横向校正，y表示对所述高分辨率遥感影像进行纵向校正，
其中，所述几何校正公式为：
其中，为几何校正过程，DN为原始的所述高分辨率遥感影像，/>为所述高分辨率遥感影像的分辨率，n为所述高分辨率遥感影像的平均行标准差，/>表示所述高分辨率遥感影像的第j个噪声。
通过上述的预处理操作，极大地减少了影像的采集误差。
S4：获取所述预处理后的高分辨率遥感影像中的待观测野生动物的疑似阴影像元；
一般地，通过遥感影像中的阴影对野生动物数量进行观测有了较为广泛的应用，现有技术中通过将疑似阴影像元与阈值比较，进而确定是否为待观测野生动物，误差较大；在本实施例中，通过获取高分辨率遥感影像中的疑似影像像元，然后再进行后续的深度学习模型进行确认，由于阴影像元可最大程度的反应野生动物的形态，且其包含的无关信息较少，可极大的减小输入至深度学习模型中的数据量，且减少无关信息的观测结果的影响。
具体地，对所述预处理后的高分辨率遥感影像采取尺度分割法获取所述待观测野生动物的疑似阴影像元。
S5：对所述待观测野生动物的疑似阴影像元识别，从而得到遥感影像中待观测野生动物的数量；
一般根据遥感影像的阴影像元与阈值比较，进而确定动物的数量，然而，对于一些环境较为复杂的区域，尤其是本实施例中，观测环境变化较大，受树木、灌木、草甸具有的阴影的影响，通过阴影像元与阈值比较，往往会识别出比实际更多的野生动物的数量；
针对此，本实施例通过深度学习模型对疑似阴影像元进行确认，判断其是否为待观测野生动物，进而提高在遥感图像中观测野生动物的准确度。
进一步地，为了提高深度学习模型对阴影像元的识别精度，本实施例将所述S4获取的疑似阴影像元进行分类，并采用不同的模型识别，进一步提高野生动物的观测准确度。
具体地，如图2所示，所述S5为：
S5.1：根据所述疑似阴影像元的尺寸将所述疑似阴影像元分为两类：一类为小尺寸的阴影像元，一类为大尺寸的阴影像元；
具体地，根据待观测动物的大小与太阳照射角度确定将所述阴影像元分成两类的分类尺寸；分为大尺寸阴影像元和小尺寸阴影像元。
S5.2：对大尺寸阴影像元采用相似度比较确定是否为待观测野生动物；
实际上，由于尺寸较大的待观测野生动物年龄较大，具有更为明显的轮廓特征，因此，其识别起来较为容易，因此，可通过获取待观测野生动物的在该太阳照射角度下的标准阴影像元，将所述阴影像元与所述标准阴影像元进行相似度比较，并将相似度大于设定阈值的阴影像元认定为待观测野生动物。
S5.3：对于小尺寸阴影像元采用深度学习模型确定是否为待观测野生动物；
对于尺寸较小的待观测野生动物，其年龄较小，其阴影像元的轮廓特征不明显，且与周围环境中的干扰阴影像元区分度不高，因此，将所述尺寸较小的阴影像元输入至深度学习模型中，用于判断其是否为待观测野生动物。
所述深度学习模型为Faster R-CNN模型。
更进一步地，通过对所述深度学习模型训练，从而提高所述深度学习模型识别待观测野生动物的准确度。
具体地，模型训练步骤过程为：
Sa：获取所述深度学习模型的训练集；
其中，获取多张包含所述待观测野生动物的所述高分辨率遥感图像；并得到所述待观测野生动物的在特定太阳照射角度的阴影像元；然后通过人工的方式对所述阴影像元进行标注；
具体地，在本实施例中，仅标注小尺寸的待观测野生动物的隐形像元，以提高模型对小尺寸待观测野生动物的识别准确度。
最后，将包含有小尺寸待观测野生动物的阴影像元作为所述深度学习模型的训练集。
Sb：建立所述深度学习模型；
所述模型分为四个部分：特征提取模块、区域生成网络模块、继续训练模块、识别模块。
本实施例采用VGG-16网络作为所述Faster R-CNN模型的骨干网络进行图像的特征提取以及获取卷积特征映射集合，所述VGG16设置为16个网络层，分别为13个卷积层、3个全连接层，其中第1-13层为卷积层，第14-16层为全连接层，在13个卷积层中，第1-2层的卷积核个数为64个，第3-4层的卷积核个数为128个，第5-7层的卷积核个数为256个，第8-13层的卷积核个数为512个；
其中，每个卷积层的计算公式为：
式中，为每个卷积层的输出，/>表示特征的位置坐标，u表示横向移动的步长，v表示纵向移动的步长，k为识别特征的数量，/>为卷积核函数，/>为卷积层的输入特征；通过每个卷积层的运算，可以将输入图像中的特征提取出来，用于后续的识别与检测；
在本实施例的VGG16网络中，激活函数选择为ReLU函数，所述ReLU函数在对交通领域的图像进行处理时具有较为优良的收敛速度；
具体地，所述ReLU函数的公式为：
式中，f（x）表示ReLU激活函数值，x表示如输入的神经元。
Sc：采用所述训练集对所述深度学习模型训练，得到训练好的深度学习模型；
通过查准率（P）和召回率（R）评估所述深度学习模型是否训练好，
其中，若满足要求，则模型训练步骤完成，若不满足要求，则需要通过数据集进行训练直至满足要求；
其中查准率（P）的计算公式为：
其中，TP为真正样本，FP为假正样本;
其中，召回率（R）的计算公式为：
其中，FN为假反样本。
Sd：将所述小尺寸阴影像元分别输入至训练好的深度学习模型中，判断是否为待观测野生动物；
通过上述步骤，可有效识别出小尺寸的待观测野生动物，并能尽可能的减少环境中具有相似尺寸或者形态的干扰物的影响，极大的提高野生动物的观测准确度。
S5.4：统计大尺寸阴影像元和小尺寸阴影像元中认定为野生动物的数量，即为所述高分辨率遥感影像中野生动物的数量。
S6：对待观测区域的所有高分辨率遥感图像执行所述S3-S5，从而得到所述待观测野生动物的种群数量。
实施例二，本实施例包括一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行实施例一的一种使用遥感影像观测野生动物种群数量的方法。
本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。

Claims (10)

1.一种使用遥感影像观测野生动物种群数量的方法，其特征在于，包括以下步骤：
S1：确定观测野生动物种群数量的观测区域；
S2：采集所述观测区域的高分辨率遥感影像，并筛选得到含有待观测野生动物的遥感影像；
S3：对所述高分辨率遥感影像进行预处理操作，得到预处理的高分辨率遥感影像；
S4：获取所述预处理后的高分辨率遥感影像中的待观测野生动物的疑似阴影像元；
S5：对所述待观测野生动物的疑似阴影像元识别，从而得到遥感影像中待观测野生动物的数量；
S6：对待观测区域的所有高分辨率遥感图像执行所述S3-S5，从而得到所述待观测野生动物的种群数量。
2.根据权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，在青海省三江源地区选择若干个区域作为观测野生动物种群数量的观测区域。
3.根据权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，通过固定翼无人机航拍获得所述高分辨率遥感影像。
4.根据权利要求1所述的使用遥感影像观测野生动物种群数量的方法， 其特征在于，所述S3中，所述预处理操作包括辐射校正、几何校正；
其中，所述辐射校正的公式为：；
其中P表示辐射校正过程，Px表示对所述高分辨率遥感影像进行横向校正，y表示对所述高分辨率遥感影像进行纵向校正；
其中，所述几何校正公式为：；
其中，为几何校正过程，DN为原始的所述高分辨率遥感影像，/>为所述高分辨率遥感影像的分辨率，n为所述高分辨率遥感影像的平均行标准差，/>表示所述高分辨率遥感影像的第j个噪声。
5.根据权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，所述S4中，对所述预处理后的高分辨率遥感影像采取尺度分割法获取所述待观测野生动物的疑似阴影像元。
6.根据权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，所述S5为：
S5.1：根据所述疑似阴影像元的尺寸将所述疑似阴影像元分为两类：一类为小尺寸疑似阴影像元，一类为大尺寸疑似阴影像元；
S5.2：对大尺寸疑似阴影像元采用相似度比较确定是否为待观测野生动物；
S5.3：对于小尺寸疑似阴影像元采用深度学习模型确定是否为待观测野生动物；
S5.4：统计大尺寸疑似阴影像元和小尺寸疑似阴影像元中认定为野生动物的数量，即为所述高分辨率遥感影像中野生动物的数量。
7.根据权利要求6所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，所述深度学习模型为Faster R-CNN模型。
8.根据权利要求7所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，通过对所述深度学习模型训练，从而提高所述深度学习模型识别待观测野生动物的准确度；
具体地，模型训练步骤过程为：
Sa：获取所述深度学习模型的训练集；
Sb：建立所述深度学习模型；
Sc：采用所述训练集对所述深度学习模型训练，得到训练好的深度学习模型；
Sd：将所述小尺寸疑似阴影像元分别输入至训练好的深度学习模型中，判断是否为待观测野生动物。
9.根据权利要求8所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，所述Faster R-CNN模型分为四个部分：特征提取模块、区域生成网络模块、继续训练模块、识别模块。
10.根据权利要求8所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，通过查准率（P）和召回率（R）评估所述深度学习模型是否训练好，
其中，若满足要求，则模型训练步骤完成，若不满足要求，则需要通过数据集进行训练直至满足要求；
其中查准率（P）的计算公式为：；
其中，TP为真正样本，FP为假正样本;
其中，召回率（R）的计算公式为：；
其中，FN为假反样本。
CN202311775041.3A 2023-12-22 2023-12-22 一种使用遥感影像观测野生动物种群数量的方法 Active CN117456287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311775041.3A CN117456287B (zh) 2023-12-22 2023-12-22 一种使用遥感影像观测野生动物种群数量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311775041.3A CN117456287B (zh) 2023-12-22 2023-12-22 一种使用遥感影像观测野生动物种群数量的方法

Publications (2)

Publication Number Publication Date
CN117456287A true CN117456287A (zh) 2024-01-26
CN117456287B CN117456287B (zh) 2024-03-12

Family

ID=89585896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311775041.3A Active CN117456287B (zh) 2023-12-22 2023-12-22 一种使用遥感影像观测野生动物种群数量的方法

Country Status (1)

Country Link
CN (1) CN117456287B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100322483A1 (en) * 2009-06-17 2010-12-23 Robert Allan Margolis System and method for automatic identification of wildlife
CN102385694A (zh) * 2010-09-06 2012-03-21 邬明权 一种基于地块的作物品种高光谱识别方法
CN106600637A (zh) * 2016-12-08 2017-04-26 中国科学院海洋研究所 一种使用遥感影像观测野生动物种群数量的方法
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法
CN110399806A (zh) * 2019-07-02 2019-11-01 北京师范大学 基于高分辨率遥感影像识别阿德利企鹅数量的方法
CN110852214A (zh) * 2019-10-30 2020-02-28 华南师范大学 面向边缘计算的轻量级面部识别方法
CN111915549A (zh) * 2019-05-09 2020-11-10 富泰华工业（深圳）有限公司 瑕疵检测方法、电子装置及计算机可读存储介质
CN112906531A (zh) * 2021-02-07 2021-06-04 清华苏州环境创新研究院 一种基于非监督分类的多源遥感影像时空融合方法及系统
CN116977668A (zh) * 2023-02-27 2023-10-31 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及计算机存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100322483A1 (en) * 2009-06-17 2010-12-23 Robert Allan Margolis System and method for automatic identification of wildlife
CN102385694A (zh) * 2010-09-06 2012-03-21 邬明权 一种基于地块的作物品种高光谱识别方法
CN106600637A (zh) * 2016-12-08 2017-04-26 中国科学院海洋研究所 一种使用遥感影像观测野生动物种群数量的方法
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法
CN111915549A (zh) * 2019-05-09 2020-11-10 富泰华工业（深圳）有限公司 瑕疵检测方法、电子装置及计算机可读存储介质
CN110399806A (zh) * 2019-07-02 2019-11-01 北京师范大学 基于高分辨率遥感影像识别阿德利企鹅数量的方法
CN110852214A (zh) * 2019-10-30 2020-02-28 华南师范大学 面向边缘计算的轻量级面部识别方法
CN112906531A (zh) * 2021-02-07 2021-06-04 清华苏州环境创新研究院 一种基于非监督分类的多源遥感影像时空融合方法及系统
CN116977668A (zh) * 2023-02-27 2023-10-31 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及计算机存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王金传;谭喜成;王召海;钟燕飞;董华萍;周松涛;成布怡;: "基于Faster R-CNN深度网络的遥感影像目标识别方法研究", 地球信息科学学报, no. 10, 17 October 2018 (2018-10-17) *
罗巍;邵全琴;王东亮;汪阳春;: "基于面向对象分类的大型野生食草动物识别方法――以青海三江源地区为例", 野生动物学报, no. 04, 10 November 2017 (2017-11-10) *

Also Published As

Publication number Publication date
CN117456287B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN111738165B (zh) 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法
CN109598241A (zh) 基于Faster R-CNN的卫星图像海上舰船识别方法
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN113887515A (zh) 一种基于卷积神经网络的遥感滑坡识别方法及系统
CN113989662A (zh) 一种基于自监督机制的遥感图像细粒度目标识别方法
CN113111947B (zh) 图像处理方法、装置和计算机可读存储介质
CN112766417A (zh) 一种利用现场照片识别目标地块土地利用现状地类的方法及系统
CN115223063A (zh) 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
Kumar et al. A deep learning paradigm for detection of harmful algal blooms
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
Ming et al. Cropland extraction based on OBIA and adaptive scale pre-estimation
Xia et al. Submesoscale oceanic eddy detection in SAR images using context and edge association network
Zheng et al. Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery
CN117456287B (zh) 一种使用遥感影像观测野生动物种群数量的方法
Ayazi et al. Comparison of traditional and machine learning base methods for ground point cloud labeling
CN113780117B (zh) 一种快速识别并提取河口羽状流轮廓相关参数的方法
Sunil et al. Identifying oil pads in high spatial resolution aerial images using faster R-CNN
Stanski et al. Flower detection using object analysis: new ways to quantify plant phenology in a warming tundra biome
CN115205853B (zh) 一种基于图像的柑橘果实检测与识别方法及系统
Liu et al. Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis
Sastraantara et al. Mapping the distribution of sea urchin (Echinoidea) and benthic habitat using drone in the waters of Lancang Island
TWI709111B (zh) 快速農作物定位方法

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