双通道CNN的农作物分类系统、方法、存储介质和电子设备技术方案

本发明专利技术公开了一种双通道CNN的农作物分类方法、系统、存储介质和电子设备，包括对Sentinel

【技术实现步骤摘要】
双通道CNN的农作物分类系统、方法、存储介质和电子设备


[0001]本专利技术涉及图像分割
，尤其涉及一种双通道CNN的农作物分类系统、方法、存储介质和电子设备。

技术介绍

[0002]目前，凭借可以对地进行宏观、实时、动态大范围观测的优势，遥感技术被广泛应用于农作物识别与监测等工作。不同传感器信息融合能够减小或消除目标地物可能存在的多义性、不完全性、不确定性和差异性，因此多源卫星图像的潜力受到越来越多的关注。将两种或多种卫星图像数据结合起来实现农作物的识别与分类成为新的发展趋势。
[0003]具有丰富光谱信息的光学图像与具有散射信息的微波遥感影像是遥感农作物分类的重要数据来源。尤其是Sentinel系列卫星，重访周期短、分辨率高且其数据对全世界免费开放，Sentinel
‑
1和Sentinel
‑
2数据的融合使用成为农作物分类任务的研究热点。但现有的方法对SAR双极化数据的极化信息利用不够充分，并且由于不同传感器数据的模式不同，现有的直接将光谱波段与SAR的后向散射系数相结合，再通过SVM,R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双通道CNN的农作物分类方法，其特征在于：包括步骤S101、对Sentinel
‑
1图像进行预处理，得到VV/VH双极化方式的后向散射图；步骤S102、对Sentinel
‑
1图像进行预处理(在步骤S101中Deburst后生成极化矩阵C2)，获得C2矩阵；步骤S103、对C2矩阵进行基于物理模型的极化分解，生成不同极化分量图；步骤S104、对Sentinel
‑
2图像进行预处理，得到多光谱图；步骤S105、将实地考察与目视解译获得的真实作物样本以7：3的比例划分为训练集样本和测试集样本，对各作物种类进行标注生成标签集；不同农作物类型进行标注形成标签集；步骤S106、构建双通道卷积神经网络，其中由编码器、特征融合与解码器模块三部分实现输入数据深层特征的提取及多源特征的融合，融合后的新特征集通过Softmax分类器进行农作物的分类工作；步骤S107、模型训练，将构建的训练集、测试集及标签集输入双通道卷积神经网络模型进行训练；通过精度评估指标判断模型训练效果，调整网络中的参数，以获得最优的作物分类模型，保存最优网络模型；步骤S108、加载已保存的最优模型，将待分类的农作物图输入网络进行分类工作，并将最终分类结果输出保存。2.根据权利要求1所述的双通道CNN的农作物分类方法，其特征在于，在步骤S101中，对SAR图像进行预处理包括轨道校正、热噪声去除、辐射定标、Deburst、多视、滤波、地形校正、分贝化，通过预处理操作使图像每个像元代表真实的雷达后向散射系数，从而构成不同极化方式的后向散射图。3.根据权利要求1所述的双通道CNN的农作物分类方法，其特征在于，在步骤S102中，生成极化矩阵C2具体如下：即图像中的每个像素点均有一个2*2的协方差矩阵来表示，如公式1：其中，*表示共轭转置，c
11
、c
22
均为实数，c
12
为复数；C2矩阵为后续基于物理模型的极化分解提供基础数据。4.根据权利要求1所述的双通道CNN的农作物分类方法，其特征在于，在步骤S103中，对C2矩阵进行基于物理模型的极化分解，进而提取SAR双极化散射信息，具体为：C2矩阵可以代表图像中每个像素点的极化散射信息，将C2矩阵转化为Stokes矢量进行极化分解，可以获得每个像素点的不同极化散射分量，从而获取不同极化散射分量图，即S...

【专利技术属性】
技术研发人员：黄亚博，李宁，赵建辉，杨会巾，张开心，
申请(专利权)人：河南大学，
类型：发明
国别省市：