本发明专利技术提供了一种基于ConvNeXt的遥感影像植被分类方法和装置，涉及植被分类的技术领域，包括：获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对样本遥感影像数据进行扩充，得到样本数据集；利用样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；在获取到待分类遥感影像数据之后，将待分类遥感影像数据输入目标植被分类模型，得到初始分类结果；对初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，解决了现有的植被分类方法精度较低的技术问题。被分类方法精度较低的技术问题。被分类方法精度较低的技术问题。
【技术实现步骤摘要】
一种基于ConvNeXt的遥感影像植被分类方法和装置
[0001]本专利技术涉及植被分类的
，尤其是涉及一种基于ConvNeXt的遥感影像植被分类方法和装置。
技术介绍
[0002]植被分类是研究土地覆盖、资源利用状况和变化分析的重要组成，依靠传统的野外调查虽然能够精准地对植被类别进行划分，但其对人力和时间的消耗巨大。卫星遥感技术为植被分类提供了大量的数据基础，而如何快速、准确地提取不同植被类别成为亟待解决的难题。
[0003]目前植被分类研究主要利用了遥感影像的多光谱信息，不同植被的光谱特征具有一致性和差异性，据此可以计算植被特征指数，如NDVI归一化植被指数、GVI绿度植被指数等，继而采用K邻近、支持向量机、随机森林等传统机器学习算法对不同植被进行分类，这类算法往往适用于较小的研究范围、时间区间及种类类别，植被分类类别依赖于光谱的差异性，没有充分利用影像的其他信息，一旦光谱特征发生变化，分类精度可能大幅降低。
[0004]深度学习方法能够最大限度地挖掘影像中的信息，实现特征的自动化学习，是目前海量遥感数据下植被分类更行之有效的方法之一。高空间分辨率遥感影像虽然无法提供更多的波段辐射特性，但能够补充更加精细的空间纹理等信息。目前，基于高分辨率遥感影像开展植被分类的深度学习模型研究较少，存在植被类别不均衡、类别易混淆、分类结果边缘效果较差等问题。
[0005]针对上述问题，还未提出有效的解决方案。
技术实现思路
[0006]有鉴于此，本专利技术的目的在于提供一种基于ConvNeXt的遥感影像植被分类方法和装置，以缓解了现有的植被分类精度和效率较低的技术问题。
[0007]第一方面，本专利技术实施例提供了一种基于ConvNeXt的遥感影像植被分类方法，包括：获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞。
[0008]进一步地，利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集，包括：对所述样本遥感影像数据中的植被类型进行人工判读和标注，得到目标遥感影像数据；按照预设尺寸，对所述目标遥感影像数据进行分割，得到初始样本数据集；利用所述Fmix混合样本数据增强算法对所述初始样本数据集进行处理，得到样本数据
集。
[0009]进一步地，利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，包括：将所述样本数据集划分为训练集和验证集；计算步骤，将所述训练集中预设数量个样本数据输入所述植被分类模型，并计算出交叉熵损失之和；优化步骤，基于所述交叉熵损失之和与AdamW函数，对所述植被分类模型进行参数优化，得到初始植被分类模型；第一执行步骤，将所述初始植被分类模型确定为所述植被分类模型，重复执行所述计算步骤和所述优化步骤，直至重复执行次数达到第一预设次数，得到中间植被分类模型；第二执行步骤，将所述中间植被分类模型确定为所述植被分类模型，以及将所述验证集确定为所述训练集，重复执行所述计算步骤、所述优化步骤和所述第一执行步骤，直至重复执行次数达到第二预设次数，将所述中间植被分类模型中交并比最大的中间植被分类模型确定为所述目标植被分类模型。进一步地，对所述初始分类结果中的目标对象进行临近类别融合处理，包括：将所述初始分类结果中的各个类别输入对应的通道；计算出各个通道的连通域面积，并将各个通道中连通域面积小于所述预设阈值的图斑和孔洞，确定为所述目标对象；基于所述目标对象构建第一掩膜，并去除所述第一掩膜中面积大于所述预设阈值的图斑和孔洞，得到第二掩膜；基于预设植被类别顺序，对所述第二掩膜数据中的目标队形进行临近类别融合处理。
[0010]进一步地，对类别融合处理结果中的图斑进行轮廓简化处理，包括：提取出类别融合处理结果中的图斑的内部边界和外部边界；利用Visvalingam
‑
Whyatt算法对所述内部边界和所述外部边界进行边界点简化处理。
[0011]第二方面，本专利技术实施例还提供了一种基于ConvNeXt的遥感影像植被分类装置，包括：获取单元，训练单元，分类单元和优化单元，其中，所述获取单元，用于获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；所述训练单元，用于利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；所述分类单元，用于在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；所述优化单元，用于对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞。
[0012]进一步地，所述获取单元，用于：对所述样本遥感影像数据中的植被类型进行人工判读和标注，得到目标遥感影像数据；按照预设尺寸，对所述目标遥感影像数据进行分割，得到初始样本数据集；利用所述Fmix混合样本数据增强算法对所述初始样本数据集进行扩充，得到样本数据集。
[0013]进一步地，所述训练单元，用于：将所述样本数据集划分为训练集和验证集；计算步骤，将所述训练集中预设数量个样本数据输入所述植被分类模型，并计算出交叉熵损失之和；优化步骤，基于所述交叉熵损失之和与AdamW函数，对所述植被分类模型进行参数优化，得到初始植被分类模型；第一执行步骤，将所述初始植被分类模型确定为所述植被分类模型，重复执行所述计算步骤和所述优化步骤，直至重复执行次数达到第一预设次数，得到中间植被分类模型；第二执行步骤，将所述中间植被分类模型确定为所述植被分类模型，以及将所述验证集确定为所述训练集，重复执行所述计算步骤、所述优化步骤和所述第一执
行步骤，直至重复执行次数达到第二预设次数，将所述中间植被分类模型中交并比最大的中间植被分类模型确定为所述目标植被分类模型。
[0014]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
[0015]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
[0016]在本专利技术实施例中，通过获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于ConvNeXt的遥感影像植被分类方法，其特征在于，包括：获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞。2.根据权利要求1所述的方法，其特征在于，利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集，包括：对所述样本遥感影像数据中的植被类型进行人工判读和标注，得到目标遥感影像数据；按照预设尺寸，对所述目标遥感影像数据进行分割，得到初始样本数据集；利用所述Fmix混合样本数据增强算法对所述初始样本数据集进行扩充，得到样本数据集。3.根据权利要求1所述的方法，其特征在于，利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，包括：将所述样本数据集划分为训练集和验证集；计算步骤，将所述训练集中预设数量个样本数据输入所述植被分类模型，并计算出交叉熵损失之和；优化步骤，基于所述交叉熵损失之和与AdamW函数，对所述植被分类模型进行参数优化，得到初始植被分类模型；第一执行步骤，将所述初始植被分类模型确定为所述植被分类模型，重复执行所述计算步骤和所述优化步骤，直至重复执行次数达到第一预设次数，得到中间植被分类模型；第二执行步骤，将所述中间植被分类模型确定为所述植被分类模型，以及将所述验证集确定为所述训练集，重复执行所述计算步骤、所述优化步骤和所述第一执行步骤，直至重复执行次数达到第二预设次数，将所述中间植被分类模型中交并比最大的中间植被分类模型确定为所述目标植被分类模型。4.根据权利要求1所述的方法，其特征在于，对所述初始分类结果中的目标对象进行临近类别融合处理，包括：将所述初始分类结果中的各个类别输入对应的通道；计算出各个通道的连通域面积，并将各个通道中连通域面积小于所述预设阈值的图斑和孔洞，确定为所述目标对象；基于所述目标对象构建第一掩膜，并去除所述第一掩膜中面积大于所述预设阈值的图斑和孔洞，得到第二掩膜；基于预设植被类别顺序，对所述第二掩膜数据中的目标队形进行临近类别融合处理。5.根据权利要求1所述的方法，其特征在于，对类别融合处理结果中的图斑进行轮廓简
化处理...
【专利技术属性】
技术研发人员：陆超然，王宇翔，张攀，
申请(专利权)人：航天宏图信息技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。