面向农田植物非正常变化的遥感图像分析方法技术

本发明专利技术属农田植物状态检测遥感图像分析技术领域，为提出利用同一纬度空间上周围农田青苗长势、时间上长势的变化来预测农田应有的状态，与周围对比后，检测是否存在提前收割青苗的行为的方法，能减少人工成本，提高分析准确度，本发明专利技术，面向农田植物非正常变化的遥感图像分析方法，步骤如下：数据集构建；分析预测是从时间、空间2个维度，以及结合空间4个尺度下的特征，预测出农田发展态势，得到一个农田t,l,i的发展预测图；统计单个图像的相似性；统计区域图像的相似性均值和方差S；对比输出，采用5S方法检验异常，计算目标值是否在相似度均值加上正负5个方差的范围内，如果超出即为异常。本发明专利技术主要应用于农田状态分析统计场合。本发明专利技术主要应用于农田状态分析统计场合。本发明专利技术主要应用于农田状态分析统计场合。

【技术实现步骤摘要】
面向农田植物非正常变化的遥感图像分析方法


[0001]本专利技术是一种面向农田植物状态检测的遥感图像分析方法，具体来讲，是一种依据农田时序图像、临近位置农田图像，来分析农田植物的非正常变化的方法。

技术介绍

[0002]粮食生产的过程监控是一个非常重要的研究方向，及时发现农田植物的非正常变化是其中一个重要内容。目前，这一工作主要是人力完成，这会受到人们主观因素的影响；而且农田面积十分广阔，所以对人力的消耗很大。利用遥感卫星对地面农田的影像进行自动化分析具备客观、快速的效果，而且节省了人力。
[0003]如果要实现遥感卫星对农田进行自动化检测分析的话，需要解决如下2个主要问题。
[0004]1、由于卫星遥感地面存在间隔周期问题，每次所拍的地面图像，需要目标识别、匹配，是否是农田；
[0005]2、如何预测出农田植物成长的趋势图片，实时了解农田实际状态图片，寻找预测和实际之间的差别，从而知道是否存在农田植物的非正常变化的情况。
[0006]其中，第一步目标识别和匹配是遥感领域常见工作，已有大量相关解决方案。第二步，需要预测出农田植物成长的趋势，并对比发现是否存在非正常变化的任务，查阅相关论文、专利，未见有相关的资料。

技术实现思路

[0007]为克服现有技术的不足，基于现有的遥感技术，本专利技术旨在提出利用同一纬度空间上周围农田植物长势、时间上长势的变化来预测农田应有的状态，与周围对比后，检测是否存在非正常变化的方法。该方法可以自动分析遥感图像，减少人工成本，提高分析准确度。为此，本专利技术采取的技术方案是，面向农田植物非正常变化的遥感图像分析方法，步骤如下：
[0008]数据集构建：利用资源卫星公开数据构建数据集，在此基础上，利用现有成熟的遥感图像农田语义识别算法，对农田进行识别，把农田图像按照时间t、同纬度l以及同时间维度的区域内农田编号i进行归类；
[0009]分析预测是从往年数据、以及今年数据中，挖掘时间、空间2个维度，以及结合空间4个尺度下的特征，预测出农田发展态势，得到一个今年农田t,l,i的发展预测图，其中4个尺度是指未下采样、下采样1次、下采样2次和下采样3次这样的4个尺度；
[0010]统计单个图像的相似性；
[0011]统计区域图像的相似性均值和方差S；
[0012]对比输出，采用5S方法检验异常，计算目标值是否在相似度均值加上正负5个方差的范围内，如果超出即为异常。
[0013]具体步骤如下：
[0014]1、数据集构建：
[0015]步骤1
‑
1、下载卫星的免费公开数据；
[0016]步骤1
‑
2、使用现有成熟遥感图像农田语义识别算法，把下地面的农田进行识别，客观的把所有图像中的农田识别出来，并分割；
[0017]步骤1
‑
3、利用卫星图像自带的图像维度、经度、时间等信息，把所有农田的编号匹配好，从而得到各个农田在固定观测周期下的一系列照片；同时也是以农田的编号为序列，得到同纬度l、同时间t下，附近农田的一系列照片；
[0018]步骤1
‑
4、图像大小、角度归一化；
[0019]步骤1
‑
5、从时间和空间两个角度，建立农田发展的整体数据集；
[0020]2、分析预测：
[0021]步骤2
‑
1、以一个编号t,l,i的农田为单独样本编号，依次读取其在上述数据集中的时间集和空间集的信息；
[0022]步骤2
‑
2、对数据集中的农田图像，在时间分辨率上，划分为5天间距，5天内的同一农田的图像采用一张；
[0023]步骤2
‑
3、采用动作识别领域的双流多尺度的主体结构，双流对应空间流、时间流，空间流尺度设置为4个尺度。提取去年该农田对应今年待预测时间相关的两组图片集，一是去年待预测农田对应今年待预测时间段前期时间10张图片；二是去年待预测农田对应今年待预测时间下，纬度正负不超过0.5度、时间相差不超过5天、直线距离为最近排名前100的农田照片集，构成D(t,l,i)，作为主体结构的输入；
[0024]找出该农田需要预测的时间段的去年实际图像，作为主体结构的输出；
[0025]训练得到双流多尺度的主体结构M(t,l,i)。
[0026]步骤2
‑
4、把待检测的(t,l,i)农田今年度的预测时间段，提取今年该农田待预测时间相关的两组图片集，一是今年待预测时间段前期时间10张图片；二是今年待预测时间下，纬度正负不超过0.5度、时间相差不超过5天、直线距离为最近排名前100的农田照片集，构成D(t,l,i)，作为训练好的主体结构M(t,l,i)的输入，预测得到本年度该预测时间段的效果图Ipre(t,l,i)；
[0027]3、统计单个图像的相似性
[0028]步骤3
‑
1、下载当前目标区域的真实图片，经过步骤1中的步骤1
‑
1～步骤1
‑
4的步骤处理后，以步骤2
‑
4的为对应关系的话，就得到Ireal(t,l,i)，其中t为2022年6月1号～6月5号，l为第3号农田的纬度(正负小于0.5度)，i是编号，就是第3号农田。由于步骤1
‑
4的归一化，所以Ireal(t,l,i)和Ipre(t,l,i)为大小、方向一致的图片，像素的总数都是tp。
[0029]步骤3
‑
1、从资源卫星免费公开数据源处，下载农田图像，所述农田图像经过步骤1中的步骤1
‑
1～步骤1
‑
4的步骤处理后，得到Ireal(t,l,i)，其中t为2022年6月1号～6月5号；l为第3号农田的纬度；i是编号，由于步骤1
‑
4的归一化，所以Ireal(t,l,i)和Ipre(t,l,i)为大小、方向一致的图片，像素的总数都是tp；
[0030]步骤3
‑
2、统计Ipre(t,l,i)与Ireal(t,l,i)的相似度指标，相似度指标由损失函数L
MSE
和损失函数L
SSIM
构成：
[0031][0032]L
SSIM
＝1
‑
SSIM(Ipre(t,l,i),Ireal(t,l,i))
[0033]其中，符号tp为两个对比图像中所含像素的总数，j是第j个像素，它从1～tp,符号SSIM为structural similarity index measurement指标，是一种衡量两幅图像结构相似度的新指标，其值越大越好
‘
[0034]这样就得到L
MSE
(t,l,i)和L
SSIM
(t,l,i)；
[0035]4、统计区域图像的相似性均值和方差
[0036]步骤4
‑...

【技术保护点】

【技术特征摘要】
1.一种面向农田非正常变化问题的遥感图像分析方法，其特征是，步骤如下：数据集构建：利用资源卫星公开数据构建数据集，在此基础上，利用遥感图像农田语义识别算法，对农田进行识别，把农田图像按照时间t、同纬度l以及同时间维度的区域内农田编号i进行归类；分析预测是从往年数据、以及今年数据中，挖掘时间、空间2个维度，以及结合空间4个尺度下的特征，预测出农田发展态势，得到一个今年农田t,l,i的发展预测图，其中4个尺度是指未下采样、下采样1次、下采样2次和下采样3次这样的4个尺度；利用资源卫星公开数据构建数据集得到实际农田图，利用遥感图像农田语义识别算法，分析和分割出农田图像；统计发展预测图和实际农田图像的相似性均值和方差S；对比输出，采用5S方法检验异常，计算目标值是否在相似度均值加上正负5个方差的范围内，如果超出即为非正常变化。2.如权利要求1所述的面向农田非正常变化问题的遥感图像分析方法，其特征是，具体步骤如下：1)、数据集构建：步骤1
‑
1、下载卫星的免费公开数据；步骤1
‑
2、使用遥感图像农田语义识别算法，把下地面的农田进行识别，把所有图像中的农田识别出来，并分割；步骤1
‑
3、利用卫星图像自带的图像维度、经度、时间信息，把所有农田的编号匹配好，从而得到各个农田在固定观测周期下的一系列照片；同时也是以农田的编号为序列，得到同纬度l、同时间t下，附近农田的一系列照片；步骤1
‑
4、图像大小、角度归一化；步骤1
‑
5、从时间和空间两个角度，建立农田发展的整体数据集；2)、分析预测：步骤2
‑
1、以一个编号t,l,i的农田为单独样本编号，依次读取其在上述数据集中的时间集和空间集的信息；步骤2
‑
2、对数据集中的农田图像而言，在时间上的分辨率划分为5天间距，即5天内的同一农田的采用一张图像；步骤2
‑
3、采用动作识别领域的双流多尺度的主体结构，双流对应空间流、时间流，空间上的尺度设置为4个尺度；然后，找出跟去年该农田对应今年待预测时间相关的两组图片集，一是去年该农田对应今年待预测时间段前期时间10张图片；二是去年该农田对应今年待预测时间下，纬度正负不超过0.5度、时间相差不超过5天、直线距离为最近排名前100的农田照片集；构成D(t,l,i)，作为主体结构的输入；然后，找出需要目前预测的时间段的去年实际图像，作为主体结构的输出；然后，训练得到双流多尺度的主体结构M(t,l,i)，每个模型预测各自t、l下的第i号农田图像；步骤2
‑
4、把待检测的(t,l,i)农田今年度的预测时间段前期时间10张和纬度正负不超过0.5度、时间相差不超过5天、直线距离为最近排名前100的农田照片集中的100张图片，分
析成4个尺度，作为训练好的主体结构M(t,l,i)的输入，预测得到本年度该农田预测时间段的效果图Ipre(t,l,i)；3)、统计实际图像与预测图片的相似性步骤3
‑
1、从资源卫星免费公开数据源处下载实际农田图像，所述农田图像经过步骤1中的步骤1
‑
1～步骤1
‑
4的步骤处理后，得到Ireal(t,l,i)，纬度误差正负小于0.5；步骤3
‑
2、统计Ipre(t,l,i)与Ireal(t,l,i)的相似度指标，相似度指标由损失函数L
MSE
和损失函数L
SSIM
构成：L
SSIM
＝1
‑
...

【专利技术属性】
技术研发人员：张子璇，孙轩，
申请(专利权)人：南开大学，
类型：发明
国别省市：