一种作物类型图像生成方法及装置制造方法及图纸

本发明专利技术的实施例提供一种作物类型图像生成方法及装置，属于图像处理技术领域，该方法包括：获取作物类型图像生成所需的遥感数据，然后将所述遥感数据输入到训练后的长短期记忆人工神经网络LSTM模型中，得到所述训练后的LSTM模型输出的作物类型图像。该方法通过使用训练后的LSTM模型处理遥感数据来获取作物类型图像，不仅能够节省时间和人力，还能够充分挖掘不同作物类型在遥感数据中的时相变化。挖掘不同作物类型在遥感数据中的时相变化。挖掘不同作物类型在遥感数据中的时相变化。

【技术实现步骤摘要】
一种作物类型图像生成方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种作物类型图像生成方法及装置。

技术介绍

[0002]监测作物种植区的动态变化对国家粮食安全、社会稳定、经济增长、生态保护等方面均具有重要的战略意义。目前，作物种植区制图方法正呈现向两个方向发展的趋势，其中之一便是由传统的监督和非监督分类方法向更智能的机器学习和深度学习算法发展。机器学习模型，如随机森林RF、决策树DT和支持向量机SVM，已在作物分类中得到广泛探索。但这些方法依赖手动选择高质量的特征作为作物分类的依据，而决定作物类型之间差异的关键特征在不同的时空范围内则需要重新确定，难以照搬其他地区的成功制图经验。
[0003]由此可见，现有的作物种植区制图方法需要人工挑选作物特征，不仅费时费力，而且在不同作物类型和不同时空下都需要重新挑选作物特征，不具有适应性。

技术实现思路

[0004]本专利技术提供一种作物类型图像生成方法及装置，用以解决现有技术中作物种植区制图需要人工挑选作物特征，导致费时费力，且不具有适应性的问题。
[0005]针对以上技术问题，第一方面，本专利技术实施例提供一种作物类型图像生成方法，包括：
[0006]获取作物类型图像生成所需的遥感数据；
[0007]将所述遥感数据输入到训练后的长短期记忆人工神经网络LSTM模型中，得到所述训练后的LSTM模型输出的作物类型图像；
[0008]其中，所述训练后的LSTM模型是基于样本数据的特征值和标签值训练得到的。<br/>[0009]第二方面，本专利技术实施例提供一种作物类型图像生成装置，包括：
[0010]数据获取单元，用于获取作物类型图像生成所需的遥感数据；
[0011]结果获取单元，用于将所述遥感数据输入到训练后的长短期记忆人工神经网络LSTM模型中，得到所述训练后的LSTM模型输出的作物类型图像；
[0012]其中，所述训练后的LSTM模型是基于样本数据的特征值和标签值训练得到的。
[0013]第三方面，本专利技术实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作物类型图像生成方法。
[0014]第四方面，本专利技术实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物类型图像生成方法。
[0015]本专利技术的实施例提供一种作物类型图像生成方法及装置，属于图像处理
，该方法包括：获取作物类型图像生成所需的遥感数据，然后将所述遥感数据输入到训练后的长短期记忆人工神经网络LSTM模型中，得到所述训练后的LSTM模型输出的作物类型图像。该方法通过使用训练后的LSTM模型处理遥感数据来获取作物类型图像，不仅能够节省
时间和人力，还能够充分挖掘不同作物类型在遥感数据中的时相变化。
附图说明
[0016]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本专利技术提供的作物类型图像生成方法的流程示意图；
[0018]图2是本专利技术提供的作物类型图像生成装置的结构示意图；
[0019]图3是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0020]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]人工智能的最新进展表明，数据驱动的深度神经网络有助于从多时相遥感观测中识别基本的顺序依赖关系，深度神经网络端到端的特征学习能力减少了人工在建立、挑选特征上的工作量。但如何综合各种方法的优势以达到性能、成本的最佳平衡点还有待测试。为了解决现有技术中作物种植区制图需要人工挑选作物特征，导致费时费力，且不具有适应性的问题，本实施例采用了长短期记忆人工神经网络模型来处理有关数据。图1为本实施例提供的一种作物类型图像生成方法的流程示意图，该方法可以由任一设备执行，例如，可以由电脑、服务器或者专用于通过该方法显示信号覆盖信息的设备执行，本实施例对此不作具体限制。
[0022]参见图1，该方法包括以下步骤：
[0023]步骤101、获取作物类型图像生成所需的遥感数据。
[0024]其中，遥感数据是指记录各种地物电磁波大小的胶片或照片。
[0025]具体地，首先将遥感数据进行去云处理，并根据原有的波段计算得到归一化植被指数NDVI，并添加NDVI波段。然后将所述NDVI波段数据和除所述NDVI波段以外的其他波段数据进行月度合成得到图像数据。
[0026]步骤102、将所述遥感数据输入到训练后的长短期记忆人工神经网络LSTM模型中，得到所述训练后的LSTM模型输出的作物类型图像；
[0027]其中，所述训练后的LSTM模型是基于样本数据的特征值和标签值训练得到的。
[0028]具体地，首先根据全国承包地确权登记数据库提供的地块范围将覆盖研究区的完整图像数据进行切割，然后通过取所有像素平均值的方式计算地块级图像数据的特征值，最后将训练得到的LSTM模型用于地块级图像数据的分类，把生成的标签数据进行存储或导出。
[0029]进一步地，长短期记忆人工神经网络使用控制记忆过程的门控机制，通过输入门、遗忘门和输出门对信息进行筛选和传递。
[0030]进一步地，LSTM模型的训练过程包括：
[0031]获得所述样本数据的特征值和标签值；将所述样本数据按照预设比例划分出训练集；设定LSTM模型的训练次数、学习率、优化器类型和损失函数类型参数；使用训练集不断训练模型，直到损失逐渐下降到一定值并收敛，精度提升到一定值并收敛。最后通过测试集对模型精度进行计算，通过训练精度和测试精度判断模型的拟合情况是否理想，从而得到训练后的LSTM模型。
[0032]本专利技术的实施例提供一种作物类型图像生成方法及装置，通过采集作物样本、处理多时相遥感数据，并基于云计算平台和长短期记忆人工神经网络进行特征学习与挖掘，从而进一步实现不同作物类型的分类制图。这一制图方法利用长短期记忆人工神经网络，无需人工挑选特征、自动挖掘了不同作物类型之间的差异；利用云计算平台，节省了遥感数据等的存储空间和计算成本。且具备精细刻画作物种植区空间分布的能力，能为后续分析决策提供更为扎实的数据基础。
[0033]进一步地，在上述实施例的基础上，上述步骤101包括：
[0034]将遥感数据进行去云处理；
[0035]计算归一化植被指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种作物类型图像生成方法，其特征在于，包括：获取作物类型图像生成所需的遥感数据；将所述遥感数据输入到训练后的长短期记忆人工神经网络LSTM模型中，得到所述训练后的LSTM模型输出的作物类型图像；其中，所述训练后的LSTM模型是基于样本数据的特征值和标签值训练得到的。2.根据权利要求1所述的作物类型图像生成方法，其特征在于，所述方法还包括LSTM模型的训练步骤；所述LSTM模型的训练步骤，包括：获得所述样本数据的特征值和标签值；将所述样本数据按照预设比例划分出训练集；基于所述训练集中的样本数据的特征值和标签值训练预先构建的初始LSTM模型，得到所述训练后的LSTM模型。3.根据权利要求2所述的作物类型图像生成方法，其特征在于，所述方法还包括LSTM模型的测试步骤；所述LSTM模型的测试步骤，包括：将所述样本数据按照预设比例划分出测试集；基于所述测试集中的样本数据的特征值和标签值测试所述训练后的LSTM模型的精度。4.根据权利要求1所述的作物类型图像生成方法，其特征在于，获取作物类型图像生成所需的遥感数据，包括：将遥感数据预处理后进行月度合成，获得月度合成后的图像数据；基于土地确权登记数据库中的地块范围，将所述月度合成后的图像数据分割成多个地块级图像数据；提取每一地块级图像数据的特征值。5.根据权利要求4所述的作物类型图像生成方法，其特征在于，将图像数据预处理后进行月度合成，包括：根据图像数据的红光波段和近红外波段计算得到归一化植被指数NDVI波段数据；将所述...

【专利技术属性】
技术研发人员：韩旭，韩巍，胡华浪，申克建，裴志远，陈媛媛，俞乐，李曦煜，
申请(专利权)人：清华大学，
类型：发明
国别省市：