一种基于GF-7卫星多角度特征进行作物识别的方法及系统技术方案

本申请涉及农作物识别技术领域，特别涉及一种基于多角度特征的农作物识别方法及系统。该方法包括：依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像；然后对前视全色影像的双向反射分布函数和后视全色影像的双向反射函数进行差值运算，得到角差特征；最后基于预先训练的农作物分类模型，根据融合影像中的光谱特征和角差特征的特征组合对融合影像进行识别，得到农作物识别结果。如此，利用卫星影像的前视、后视全色及后视多光谱数据，将不同特征组合输入到支撑向量机分类器进行分类，有效识别出具有相同光谱特征的不同农作物，提高了农作物识别的精度。精度。精度。

【技术实现步骤摘要】
一种基于GF
‑
7卫星多角度特征进行作物识别的方法及系统


[0001]本申请涉及农作物识别
，特别涉及一种基于多角度特征的农作物识别方法及系统。

技术介绍

[0002]基于高分辨率遥感影像光谱和高清特性进行高精度农作物识别与制图是遥感应用领域的重点研究方向。通常，农作物分类均需要利用遥感图像的光谱、空间等特征进行农作物的精准识别。
[0003]然而，现有技术中，仅基于遥感图像的光谱特征和空间特征难以对“异物同谱”的农作物进行有效区分，导致现有方法对“异物同谱”的农作物识别精度不足。
[0004]因此，需要提供一种针对上述现有技术不足的改进技术方案。

技术实现思路

[0005]本申请的目的在于提供一种基于多角度特征的农作物识别方法及系统，以解决或缓解上述现有技术中存在的问题。
[0006]为了实现上述目的，本申请提供如下技术方案：
[0007]本申请提供了一种基于多角度特征的农作物识别方法，该方法包括：
[0008]依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像；其中，所述前视全色影像、所述后视全色影像以及所述多光谱影像为从同一卫星平台上预先获取的；
[0009]对所述前视全色影像的双向反射分布函数和所述后视全色影像的双向反射函数进行差值运算，得到角差特征；
[0010]基于预先训练的农作物分类模型，根据多个特征组合对所述农作物进行识别，得到农作物识别结果；
[0011]其中，所述多个特征组合至少包括所述融合影像中的光谱特征和所述角差特征。
[0012]优选地，所述依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像，具体为：
[0013]根据预先选取的控制点，对所述后视全色影像进行几何配准，得到第一配准影像；
[0014]以所述第一配准影像为基准，对所述多光谱影像和所述前视全色影像分别进行配准，对应得到第二配准影像、第三配准影像；
[0015]基于格拉姆
‑
施密特方法对所述第一配准影像、第二配准影像、第三配准影像进行数据融合，得到融合影像。
[0016]优选地，所述多个特征组合还包括：所述融合影像的纹理特征；
[0017]所述融合影像的纹理特征由以下步骤得到：
[0018]对所述融合影像进行主成份分析，得到所述融合影像的多个主成份分量；
[0019]基于预设的纹理最优窗口，对所述多个主成份分量中的第一主成份分量对应的波
段进行纹理特征提取，得到所述融合影像的纹理特征。
[0020]优选地，所述融合影像的纹理特征包括多个独立纹理特征；
[0021]所述多个独立纹理特征包括以下至少之一：所述第一主成份分量对应的波段的均值、所述第一主成份分量对应的波段的方差、所述第一主成份分量对应的波段的均一性、所述第一主成份分量对应的波段的对比度、所述第一主成份分量对应的波段的相异性、所述第一主成份分量对应的波段的信息熵、所述第一主成份分量对应的波段的二阶矩，以及所述第一主成份分量对应的波段的相关度。
[0022]优选地，所述预设的纹理最优窗口由以下步骤确定：
[0023]基于不同窗口大小对所述融合影像进行纹理特征提取，得到多种尺寸的纹理特征；
[0024]通过所述预先训练的农作物分类模型，根据所述多种尺寸的纹理特征对所述农作物进行识别，对应得到多个纹理特征的识别结果；
[0025]以所述多个纹理特征的识别结果中每一类识别结果的制图精度与用户精度的均值取最小作为评价指标，确定所述预设的纹理最优窗口。
[0026]优选地，所述农作物分类模型为基于训练样本训练得到；
[0027]所述训练样本为根据所述农作物的野外实测样本的位置，以预设大小的像素框在所述融合影像上对地物类型进行识别得到，其中，所述地物类型至少包括一种所述农作物。
[0028]优选地，所述方法还包括：
[0029]对所述农作物的野外实测样本进行数字化处理，得到所述农作物分类模型的测试集。
[0030]优选地，所述预先训练的农作物分类模型为基于支撑向量机模型构建的；
[0031]在所述农作物分类模型的训练过程中，基于网格搜索法和10折交叉验证，确定所述农作物分类模型的核函数的最优参数。
[0032]优选地，所述方法还包括：
[0033]通过配对卡方检验，对所述农作物识别结果进行分析，确定所述农作物识别结果的分类精度差异的显著性。
[0034]本申请实施例还提供一种基于多角度特征的农作物识别系统，包括：
[0035]融合单元，配置为依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像；
[0036]计算单元，配置为对所述前视全色影像的双向反射分布函数和所述后视全色影像的双向反射函数进行差值运算，得到角差特征；
[0037]识别单元，配置为基于预先训练的农作物分类模型，根据多个特征组合对所述农作物进行识别，得到农作物识别结果；
[0038]其中，所述多个特征组合至少包括所述融合影像中的光谱特征和所述角差特征。
[0039]有益效果：
[0040]本申请中，通过依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像；然后对前视全色影像的双向反射分布函数和后视全色影像的双向反射函数进行差值运算，得到角差特征；最后基于预先训练的农作物分类模型，根据融合影像中的光谱特征和角差特征对融合影像进行识别，得到农作物识别结果。如此，通过
遥感影像中的多角度特征，有效识别出具有相同光谱特征的不同农作物，一定程度上解决了“异物同谱”的问题，提高了农作物识别的精度。
附图说明
[0041]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：
[0042]图1为根据本申请的一些实施例提供的基于多角度特征的农作物识别方法的技术流程图；
[0043]图2为根据本申请的一些实施例提供的基于多角度特征的农作物识别方法的逻辑顺序图；
[0044]图3为根据本申请的一些实施例提供的太阳与卫星平台拍摄位置示意图；
[0045]图4为根据本申请的一些实施例提供的纹理最优窗口确定流程示意图；
[0046]图5为根据本申请的一些实施例提供的不同特征组合分类精度对比示意图；
[0047]图6为根据本申请的一些实施例提供的基于多角度特征的农作物识别系统的结构示意图。
具体实施方式
[0048]下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多角度特征的农作物识别方法，其特征在于，包括：依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像；其中，所述前视全色影像、所述后视全色影像以及所述多光谱影像为从同一卫星平台上预先获取的；对所述前视全色影像的双向反射分布函数和所述后视全色影像的双向反射函数进行差值运算，得到角差特征；基于预先训练的农作物分类模型，根据多个特征组合对所述农作物进行识别，得到农作物识别结果；其中，所述多个特征组合至少包括所述融合影像中的光谱特征和所述角差特征。2.根据权利要求1所述的基于多角度特征的农作物识别方法，其特征在于，所述依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像，具体为：根据预先选取的控制点，对所述后视全色影像进行几何配准，得到第一配准影像；以所述第一配准影像为基准，对所述多光谱影像和所述前视全色影像分别进行配准，对应得到第二配准影像、第三配准影像；基于格拉姆
‑
施密特方法对所述第一配准影像、第二配准影像、第三配准影像进行数据融合，得到融合影像。3.根据权利要求1所述的基于多角度特征的农作物识别方法，其特征在于，所述多个特征组合还包括：所述融合影像的纹理特征；所述融合影像的纹理特征由以下步骤得到：对所述融合影像进行主成份分析，得到所述融合影像的多个主成份分量；基于预设的纹理最优窗口，对所述多个主成份分量中的第一主成份分量对应的波段进行纹理特征提取，得到所述融合影像的纹理特征。4.根据权利要求3所述的基于多角度特征的农作物识别方法，其特征在于，所述融合影像的纹理特征包括多个独立纹理特征；所述多个独立纹理特征包括以下至少之一：所述第一主成份分量对应的波段的均值、所述第一主成份分量对应的波段的方差、所述第一主成份分量对应的波段的均一性、所述第一主成份分量对应的波段的对比度、所述第一主成份分量对应的波段的相异性、所述第一主成份分量对应的波段的信息熵、所述第一主成份分量对应的波段的二阶矩，以及所述第一主成份分量对应的波...

【专利技术属性】
技术研发人员：丁志平，梁治华，
申请(专利权)人：北京艾尔思时代科技有限公司，
类型：发明
国别省市：