一种毛竹林分布的识别方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例提供一种毛竹林分布的识别方法、装置、设备和存储介质，涉及遥感影像的信息识别提取的技术领域。其中，这种识别方法包括S1、获取目标区域的不同毛竹叶物候期的遥感影像。S2、计算不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征。S3和S4、从多个植被指数和多个纹理特征中选取第一特征和第二特征。S5、基于第一特征，计算目标区域的多个物候特征。S6、从多个物候特征选取第三特征。S7、通过卷积法融合遥感影像的第一特征、第二特征和第三特征，获得目标区域的待识别影像，并通过分类模型，识别待识别影像中的毛竹林分布情况。通过物候特征来识别毛竹林的分布情况，大大提升了毛竹林的分类精度。大大提升了毛竹林的分类精度。大大提升了毛竹林的分类精度。

【技术实现步骤摘要】
一种毛竹林分布的识别方法、装置、设备和存储介质


[0001]本专利技术涉及遥感影像的信息识别提取的
，具体而言，涉及一种毛竹林分布的识别方法、装置、设备和存储介质。

技术介绍

[0002]毛竹林凭借其生长快、产量高、经济价值高等特点发挥着巨大的经济、生态效益。快速、准确、高效地获取毛竹资源信息，及时监测竹资源变化情况，对量化监测竹林经营成效、促进推广竹林集约经营、合理规划区域的竹产业发展和建设将提供重要的宏观指导作用，对于我国竹产业的发展具有重要意义。
[0003]传统竹资源监测技术，周期较长，分辨率较低。如MODIS卫星影像，虽然覆盖范围较大、时间分辨率高，但无法对毛竹林信息空间分布进行精准检测与清查。目前的毛竹资源遥感监测分类所使用的遥感影像分辨率低，未考虑到植被的不同毛竹叶物候期，主要以光谱特征和纹理特征为主，分类后植被类型之间的错分现象很严重。
[0004]有鉴于此，申请人在研究了现有的技术后特提出本申请。

技术实现思路

[0005]本专利技术提供了一种毛竹林分布的识别方法、装置、设备和存储介质，以改善相关技术中无法准确识别毛竹林分布情况的问题。
[0006]第一方面、
[0007]本专利技术实施例提供了一种毛竹林分布的识别方法，其包含：
[0008]获取目标区域的不同毛竹叶物候期的遥感影像。其中，所述目标区域内具有多个样本区域。所述多个样本区域包含毛竹样本区域和其它样本区域。
[0009]计算所述不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征。
[0010]提取所述多个样本区域的多个植被指数，通过多重比较法，选取所述毛竹样本区域和所述其它样本区域的显著性小于第一预设值的植被指数作为第一特征。
[0011]提取所述多个样本区域的多个纹理特征，通过多重比较法，选取所述毛竹样本区域和所述其它样本区域的显著性小于第二预设值的纹理特征作为第二特征。
[0012]基于所述第一特征，计算所述目标区域的多个物候特征。
[0013]提取所述多个样本区域的多个物候特征，通过多重比较法，选取所述毛竹样本区域和所述其它样本区域的显著性小于第三预设值的物候特征作为第三特征。
[0014]通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征，获得所述目标区域的待识别影像，并通过分类模型，识别所述待识别影像中的毛竹林分布情况。
[0015]可选地，所述不同毛竹叶物候期至少包括两个毛竹叶物候期。所述第一特征包含所述多个植被指数中的至少一个。
[0016]基于所述第一特征，计算所述目标区域的多个物候特征，包括：
[0017]将所述不同毛竹叶物候期的遥感影像的第一特征相减和相乘，以获得所述目标区
域的多个物候特征。
[0018]可选地，所述第二特征包括所述多个纹理特征中的至少一个。所述第三特征包括所述多个物候特征中的至少一个。
[0019]通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征，获得所述目标区域的待识别影像，并通过分类模型，识别所述待识别影像中的毛竹林分布情况，包括：
[0020]通过三次卷积法融合遥感影像的第一特征、所述第二特征和所述第三特征，以获得待识别影像。
[0021]根据所述多个样本区域从所述待识别影像中，提取多个训练样本。
[0022]根据所述多个训练样本，构建分类模型，并通过所述分类模型识别所述待识别影像中的毛竹林的分布情况。
[0023]可选地，所述多重比较法为LSD多重均值比较法。所述第一预设值、所述第二预设值和所述第三预设值均为0.05。
[0024]所述多个训练样本包括毛竹林、阔叶林、马尾松林、杉木林、裸地、水体、农田、建筑，和道路。
[0025]所述分类模型为支持向量机。
[0026]可选地，所述计算所述不同毛竹叶物候期的遥感影像的多个植被指数和纹理特征，包括：
[0027]计算所述不同毛竹叶物候期的遥感影像的多个植被指数。其中，所述多个植被指数包括归一化植被指数、比值植被指数、增强植被指数、大气阻抗植被指数，以及宽动态范围植被指数。
[0028]所述归一化植被指数NDVI的计算模型为：
[0029][0030]所述比值植被指数SR的计算模型为：
[0031][0032]所述增强植被指数EVI的计算模型为：
[0033][0034]所述大气阻抗植被指数ARVI的计算模型为：
[0035][0036]所述宽动态范围植被指数WDRVI的计算模型为：
[0037][0038]其中，ρ
NIR
为遥感影像中近红外波段，ρ
RED
为遥感影像中红光波段，ρ
GREEN
为遥感影像中绿光波段，ρ
BLUE
为遥感影像中蓝光波段，a为权重因子。
[0039]计算所述不同毛竹叶物候期的遥感影像的多个纹理特征。其中，所述纹理特征包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩，以及相关性。
[0040]计算所述不同毛竹叶物候期的遥感影像的多个纹理特征，包括：
[0041]分析所述不同毛竹叶物候期的遥感影像的主成分。
[0042]根据所述主成分中的第一主成分，基于灰度共生矩阵，提取不同窗口尺寸下的多个纹理特征。
[0043]根据不同窗口尺寸下的多个纹理特征，分别提取毛竹林信息，以获得不同窗口尺寸下的毛竹林分类精度、毛竹林分类精度和J
‑
M距离，并选取毛竹林分类精度最高，或者毛竹林分类精度最高，或者J
‑
M距离最大的最佳窗口尺寸下提取的多个纹理特征，以获得所述不同毛竹叶物候期的遥感影像的多个纹理特征。
[0044]可选地，所述遥感影像为高分二号卫星影像。获取目标区域的不同毛竹叶物候期的遥感影像，包括：
[0045]获取初始区域的不同毛竹叶物候期的全色影像和多光谱影像。其中，所述初始区域包含所述目标区域。
[0046]对所述初始区域的不同毛竹叶物候期的全色影像和多光谱影像，进行辐射定位、大气校正、正射校正、控制点几何校正后，进行影像融合，获得不同毛竹叶物候期的融合影像。
[0047]对所述不同毛竹叶物候期的融合影像进行坏点和无效点修复后，通过矢量数据剪裁，获得所述目标区域的不同毛竹叶物候期的遥感影像。其中，所述目标区域内具有多个样本区域。所述多个样本区域包含毛竹样本区域和其它样本区域。其它样本区域包括马尾松林区域、阔叶林区域、裸地区域、水体区域、农田区域、建筑区域，以及道路区域。
[0048]第二方面、
[0049]本专利技术实施例提供了一种毛竹林分布的识别装置，其包含：
[0050]影像获取模块，用于获取目标区域的不同毛竹叶物候期的遥感影像。其中，所述目标区域内具有多个样本区域。所述多个样本区域包含毛竹样本区域和其它样本区域。
[0051]第一计算模块，用于计算所述不同毛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种毛竹林分布的识别方法，其特征在于，包含：获取目标区域的不同毛竹叶物候期的遥感影像；其中，所述目标区域内具有多个样本区域；所述多个样本区域包含毛竹样本区域和其它样本区域；计算所述不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征；提取所述多个样本区域的多个植被指数，通过多重比较法，选取所述毛竹样本区域和所述其它样本区域的显著性小于第一预设值的植被指数作为第一特征；提取所述多个样本区域的多个纹理特征，通过多重比较法，选取所述毛竹样本区域和所述其它样本区域的显著性小于第二预设值的纹理特征作为第二特征；基于所述第一特征，计算所述目标区域的多个物候特征；提取所述多个样本区域的多个物候特征，通过多重比较法，选取所述毛竹样本区域和所述其它样本区域的显著性小于第三预设值的物候特征作为第三特征；通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征，获得所述目标区域的待识别影像，并通过分类模型，识别所述待识别影像中的毛竹林分布情况。2.根据权利要求1所述的毛竹林分布的识别方法，其特征在于，所述不同毛竹叶物候期至少包括两个毛竹叶物候期；所述第一特征包含所述多个植被指数中的至少一个；基于所述第一特征，计算所述目标区域的多个物候特征，包括：将所述不同毛竹叶物候期的遥感影像的第一特征相减和相乘，以获得所述目标区域的多个物候特征。3.根据权利要求1所述的毛竹林分布的识别方法，其特征在于，所述第二特征包括所述多个纹理特征中的至少一个；所述第三特征包括所述多个物候特征中的至少一个；通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征，获得所述目标区域的待识别影像，并通过分类模型，识别所述待识别影像中的毛竹林分布情况，包括：通过三次卷积法融合遥感影像的第一特征、所述第二特征和所述第三特征，以获得待识别影像；根据所述多个样本区域从所述待识别影像中，提取多个训练样本；根据所述多个训练样本，构建分类模型，并通过所述分类模型识别所述待识别影像中的毛竹林的分布情况。4.根据权利要求3所述的毛竹林分布的识别方法，其特征在于，所述多重比较法为LSD多重均值比较法；所述第一预设值、所述第二预设值和所述第三预设值均为0.05；所述多个训练样本包括毛竹林、阔叶林、马尾松林、杉木林、裸地、水体、农田、建筑，和道路；所述分类模型为支持向量机。5.根据权利要求1所述的毛竹林分布的识别方法，其特征在于，计算所述不同毛竹叶物候期的遥感影像的多个植被指数和纹理特征，包括：计算所述不同毛竹叶物候期的遥感影像的多个植被指数；其中，所述多个植被指数包括归一化植被指数、比值植被指数、增强植被指数、大气阻抗植被指数，以及宽动态范围植被指数；所述归一化植被指数NDVI的计算模型为：
所述比值植被指数SR的计算模型为：所述增强植被指数EVI的计算模型为：所述大气阻抗植被指数ARVI的计算模型为：所述宽动态范围植被指数WDRVI的计算模型为：其中，ρ
NIR
为遥感影像中近红外波段，ρ
RED
为遥感影像中红光波段，ρ
GREEN
为遥感影像中绿光波段，ρ
BLUE
为遥感影像中蓝光波段，a为权重因子；计算所述不同毛竹叶物候期的遥感影像的多个纹理特征；其中，所述纹理特征包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩，...

【专利技术属性】
技术研发人员：郭孝玉，李增禄，陈春乐，康继，谢伟娴，刘健，
申请(专利权)人：三明学院，
类型：发明
国别省市：