一种农作物遥感分类方法及系统技术方案

本发明专利技术公开了一种农作物遥感分类方法及系统，其中，该方法包括：得到多时相的遥感影像；得到时间序列的云和阴影掩膜二值图；得到时间序列的植被分布二值图；对目标区的时间序列遥感影像落在AOI区域的所有像元进行多时相植被合成得到多时相植被类型；计算每种多时相植被类型所占的AOI区域的面积百分比，若该百分比小于设定阈值T时，则判定为无效类型；否则为有效类型；构成监督分类光谱库；得到待分类光谱矢量V1和特征光谱矢量集合；计算待分类光谱矢量V1和特征光谱矢量集合中的每条特征光谱之间的欧氏距离，取欧氏距离最小的特征光谱所在的有效类型作为待分类像元的有效类型。本发明专利技术获得了精度可靠并且可解释的分类结果。发明专利技术获得了精度可靠并且可解释的分类结果。发明专利技术获得了精度可靠并且可解释的分类结果。

【技术实现步骤摘要】
一种农作物遥感分类方法及系统


[0001]本专利技术属于图像分类
，尤其涉及一种农作物遥感分类方法及系统。

技术介绍

[0002]农作物播种面积是国家统计数据的重要内容，农作物遥感分类有助于宏观上了解区域内不同作物的种植情况，是其它农业遥感应用的基础和前提，对于优化作物种植结构和耕地资源配置具有重要作用。
[0003]目前已有的方法包括一种融合多源地理信息数据的农作物分类方法(CN2021114869135)、一种面向农作物分类的时间序列特征重建及动态识别方法(CN2021103990041)、基于时空深度学习融合技术的农作物全自动化分类方法(CN2021102795643)。以下逐一进行说明：
[0004]CN2021114869135：获取目标区域中农作物生产周期范围内的多景多时相卫星影像数据，对卫星影像数据进行预处理的操作；对卫星影像数据进行多维特征因子的提取，特征因子包括：光谱、纹理和植被指数；对各个特征因子进行不同组合下的多通道数据融合，将不同组合的多通道融合数据结合地面真实样本训练支持向量机分类器，基于训练完成的支持向量机分类器得到农作物分类初始结果。该方法需要地面真实样本的支持，而获取地面真实样本的过程很费时费力。
[0005]CN2021103990041：：步骤1：初始样本数据集构建；步骤2：缺失数据区域预测填充；步骤3：缺失数据区域取值范围取值填充；步骤4：回归器与分类器迭代；步骤5：动态分类；重复步骤2至步骤4，进行第r+1维特征回归器与分类器的构建，直到完成对所有R维特征的回归器与分类器的建立；实现数据缺失部分的重建和农作物分类，完成农作物的动态识别。该方法同样需要地面实测样本数据的支持，自动化程度不够，满足不了大范围农作物遥感分类的需求。
[0006]CN2021102795643：融合地理信息的Geo
‑
3D CNN网络与Geo
‑
Conv1D网络，并采用Active Learning策略实现两种分类方法分类结果的融合。该方法没有考虑云和阴影对分类结果的影响，而云和阴影是光学遥感影像普遍存在的问题。

技术实现思路

[0007]本专利技术解决的技术问题是：克服现有技术的不足，提供了一种农作物遥感分类方法及系统，排除了光学遥感影像固有的云和阴影的干扰和影响，获得了精度可靠并且可解释的分类结果。
[0008]本专利技术目的通过以下技术方案予以实现：一种农作物遥感分类方法，包括：步骤S100：获取目标区的时间序列遥感影像，进行预处理得到多时相的遥感影像；其中，时间序列的时相数为n；步骤S200：对每个时相的遥感影像进行云和阴影的检测，得到时间序列的云和阴影掩膜二值图；步骤S300：对每个时相的遥感影像进行植被提取，得到时间序列的植被分布二值图；步骤S400：从时间序列的云和阴影掩膜二值图中计算得出所有时相均无云
和阴影的区域，记为AOI区域；根据时间序列的植被分布二值图对目标区的时间序列遥感影像落在AOI区域的所有像元进行多时相植被合成得到多时相植被类型；步骤S500：计算每种多时相植被类型所占的AOI区域的面积百分比，若该百分比小于设定阈值T时，则判定为无效类型；否则为有效类型；步骤S600：对于每一种有效类型，计算该有效类型对应的多时相遥感影像落在AOI区域内的平均光谱，作为该有效类型的多时相特征光谱，构成监督分类光谱库；步骤S700：使用监督分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域进行逐像元的选择性监督分类得到待分类光谱矢量V1和特征光谱矢量集合；步骤S800：计算待分类光谱矢量V1和特征光谱矢量集合中的每条特征光谱之间的欧氏距离，取欧氏距离最小的特征光谱所在的有效类型作为待分类像元的有效类型。
[0009]上述农作物遥感分类方法中，还包括：步骤S900：在预先知道目标区不同作物的播种期和收获期的基础上，结合多时相的遥感影像的采集日期，将不同的有效类型指定为不同的农作物类型；步骤S1000：建立目标区的有效类型和农作物类型之间的映射查找表。
[0010]上述农作物遥感分类方法中，在步骤S400中，多时相植被类型通过如下公式得到：
[0011][0012]其中，C为多时相植被类型，P
i
为第i时相的植被分布二值图，n为时间序列的时相数，i为时相的序号。
[0013]上述农作物遥感分类方法中，多时相植被类型的种类数量为：N＝2
n
。
[0014]上述农作物遥感分类方法中，在步骤S500中，有效类型的数量为：N
e
≤N；其中，N
e
为有效类型的数量，N为多时相植被类型的种类数量。
[0015]上述农作物遥感分类方法中，在步骤S600中，监督分类光谱库中的每一条特征光谱具有b*n个特征，并具有一个类型标签C；其中，b为单一时相遥感图像的波段数量。
[0016]上述农作物遥感分类方法中，在步骤S700中，使用监督分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域进行逐像元的选择性监督分类得到待分类光谱矢量V1和特征光谱矢量集合包括如下步骤：对于某个待分类像元，首先从时间序列的云和阴影掩膜二值图中获取待分类像元的无云和阴影的时相，继而从多时相的遥感影像中抽取无云和阴影时相的待分类像元的光谱反射率值，构成待分类光谱矢量V1；对于每一种有效类型，从光谱库中提取待分类像元的对应的无云和阴影时相的特征光谱矢量集合。
[0017]上述农作物遥感分类方法中，所述特征光谱矢量集合包括N
e
条特征光谱。
[0018]上述农作物遥感分类方法中，在步骤S900中，农作物在播种前至播种后一个月之内均为非植被，播种后一个月至收获前均为植被，收获后均为非植被。
[0019]一种农作物遥感分类系统，包括：第一模块，用于获取目标区的时间序列遥感影像，进行预处理得到多时相的遥感影像；其中，时间序列的时相数为n；第二模块，用于对每个时相的遥感影像进行云和阴影的检测，得到时间序列的云和阴影掩膜二值图；第三模块，用于对每个时相的遥感影像进行植被提取，得到时间序列的植被分布二值图；第四模块，用于从时间序列的云和阴影掩膜二值图中计算得出所有时相均无云和阴影的区域，记为AOI区域；根据时间序列的植被分布二值图对目标区的时间序列遥感影像落在AOI区域的所有像元进行多时相植被合成得到多时相植被类型；第五模块，用于计算每种多时相植被类型
所占的AOI区域的面积百分比，若该百分比小于设定阈值T时，则判定为无效类型；否则为有效类型；第六模块，用于对于每一种有效类型，计算该有效类型对应的多时相遥感影像落在AOI区域内的平均光谱，作为该有效类型的多时相特征光谱，构成监督分类光谱库；第七模块，用于使用监督分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域进行逐像元的选择性监督分类得到待分类光谱矢量V1和特征光谱矢量集合；第八模块，用于计算待分类光谱矢量V1和特征光谱矢量集合中的每条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物遥感分类方法，其特征在于包括：步骤S100：获取目标区的时间序列遥感影像，进行预处理得到多时相的遥感影像；其中，时间序列的时相数为n；步骤S200：对每个时相的遥感影像进行云和阴影的检测，得到时间序列的云和阴影掩膜二值图；步骤S300：对每个时相的遥感影像进行植被提取，得到时间序列的植被分布二值图；步骤S400：从时间序列的云和阴影掩膜二值图中计算得出所有时相均无云和阴影的区域，记为AOI区域；根据时间序列的植被分布二值图对目标区的时间序列遥感影像落在AOI区域的所有像元进行多时相植被合成得到多时相植被类型；步骤S500：计算每种多时相植被类型所占的AOI区域的面积百分比，若该百分比小于设定阈值T时，则判定为无效类型；否则为有效类型；步骤S600：对于每一种有效类型，计算该有效类型对应的多时相遥感影像落在AOI区域内的平均光谱，作为该有效类型的多时相特征光谱，构成监督分类光谱库；步骤S700：使用监督分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域进行逐像元的选择性监督分类得到待分类光谱矢量V1和特征光谱矢量集合；步骤S800：计算待分类光谱矢量V1和特征光谱矢量集合中的每条特征光谱之间的欧氏距离，取欧氏距离最小的特征光谱所在的有效类型作为待分类像元的有效类型。2.根据权利要求1所述的农作物遥感分类方法，其特征在于还包括：步骤S900：在预先知道目标区不同作物的播种期和收获期的基础上，结合多时相的遥感影像的采集日期，将不同的有效类型指定为不同的农作物类型；步骤S1000：建立目标区的有效类型和农作物类型之间的映射查找表。3.根据权利要求1所述的农作物遥感分类方法，其特征在于：在步骤S400中，多时相植被类型通过如下公式得到：其中，C为多时相植被类型，P
i
为第i时相的植被分布二值图，n为时间序列的时相数，i为时相的序号。4.根据权利要求3所述的农作物遥感分类方法，其特征在于：多时相植被类型的种类数量为：N＝2
n
。5.根据权利要求3所述的农作物遥感分类方法，其特征在于：在步骤S500中，有效类型的数量为：N
e
≤N；其中，N
e
为有效类型的数量，N为多时相植被类型的种类数量。6.根据权利要求1所述的农作物遥感分类方法，其特征在于：在步骤S600中，监督分类...

【专利技术属性】
技术研发人员：欧阳斌，
申请(专利权)人：赛思倍斯绍兴智能科技有限公司，
类型：发明
国别省市：