基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置制造方法及图纸

本发明专利技术公开一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置，所述方法包括：对待测的超高分辨率影像进行数据预处理，得到待测影像；准备不同时期不同地区的茶叶超高分辨率影像作为训练样本，进行数据预处理得到训练影像，标记后保存为矢量样本；构建卷积神经网络模型，根据不同时间不同地区的茶叶超高分辨率影像及其矢量样本，训练所述模型，得到不同时间不同地区的预测模型；将经过预处理后的待测影像及其所在的区域及时间输入到对应的预测模型中进行茶叶分布提取，获得初步分类结果；对所述初步分类结果进行分类后处理，得到茶叶分布提取结果。本发明专利技术不依赖人工经验，实现了作物分布的自动化提取，提取结果可信度高。

【技术实现步骤摘要】
基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置
本专利技术属于测绘遥感领域，具体涉及一种基于深度学习的超高分辨率遥感影像茶叶自动提取方法及装置，利用超高分辨率影像(以高分二号影像为例)，结合茶叶的纹理以及光谱特征，实现茶叶自动提取。
技术介绍
中国是世界上茶叶种植历史最悠久的国家，其茶园面积、茶叶产量也位居世界第一。茶树的种植和生产对于农业经济和农业发展起着很大的作用，准确掌握茶叶种植分布情况，可为茶园的规划管理、茶叶估产、病虫害防治提供有力的数据支撑[1]。传统的茶园监测主要通过人工野外测绘完成，这种主观性强的人工统计方式往往存在较大的误差，且成本巨大[3]。目前，使用高分辨率遥感影像对自然资源、农作物等进行监测已成为一种趋势[1]，利用高分辨率遥感影像，通过其丰富的空间信息能够准确、高效地获取茶园分布，实现茶园的持续观测和大范围评估[3]。近年来，国内相继发射了多颗亚米级高分辨率影像，如高分二号、高景一号、北京二号、吉林一号等。目前投入使用较多则是高分二号，而其他亚米级影像则可以互为补充。高分二号(GF2)卫星是本文档来自技高网...

【技术保护点】
1.一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法，其特征在于，所述方法包括：/nS1、对待测的超高分辨率影像进行数据预处理，得到需要提取茶叶分布的待测影像；/nS2、准备不同时期不同地区的茶叶超高分辨率影像作为训练样本，对训练样本进行数据预处理得到训练影像，通过实地调查结合影像特征，确定影像上茶叶解译标志，对所述训练影像进行标记，保存为矢量样本；/nS3、构建卷积神经网络模型，根据不同时间不同地区的茶叶超高分辨率影像及其矢量样本，训练所述卷积神经网络模型，得到不同时间不同地区的预测模型；/nS4、将经过预处理后的待测影像以及所述待测影像所在的区域及时间输入到对应的预测模型中进行茶叶...

【技术特征摘要】
1.一种基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法，其特征在于，所述方法包括：
S1、对待测的超高分辨率影像进行数据预处理，得到需要提取茶叶分布的待测影像；
S2、准备不同时期不同地区的茶叶超高分辨率影像作为训练样本，对训练样本进行数据预处理得到训练影像，通过实地调查结合影像特征，确定影像上茶叶解译标志，对所述训练影像进行标记，保存为矢量样本；
S3、构建卷积神经网络模型，根据不同时间不同地区的茶叶超高分辨率影像及其矢量样本，训练所述卷积神经网络模型，得到不同时间不同地区的预测模型；
S4、将经过预处理后的待测影像以及所述待测影像所在的区域及时间输入到对应的预测模型中进行茶叶分布提取，获得初步分类结果；
S5、对所述初步分类结果进行分类后处理，得到茶叶分布提取结果。


2.根据权利要求1所述基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法，其特征在于，所述步骤S1和S2中，所述数据预处理具体包括：
对超高分辨率影像进行解压、辐射定标、大气校正、几何校正、数据融合、裁剪、拼接；其中几何校正选用正射校正，采用RPC校正；数据融合采用1m全色波段与4m多光谱波段融合，融合后影像分辨率为1m；融合后影像根据提取区域矢量范围进行拼接、裁剪。


3.根据权利要求1所述基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法，其特征在于，所述步骤S3中，训练所...

【专利技术属性】
技术研发人员：廖廓，冷伟，杨泽宇，聂磊，黄晓晖，
申请(专利权)人：廖廓，武汉珈和科技有限公司，
类型：发明
国别省市：福建;35