一种基于高分辨率卫星遥感影像的作物分类和识别方法技术

本发明专利技术公开了一种基于高分辨率卫星遥感影像的作物分类和识别方法，利用无人机采集作物空间分布图片，结合实地调研结果制作高分遥感影像对应的类别标签；将高分影像和其对应的标签以数据增强的方式进行样本扩充；构建作物分类深度学习模型进行训练，利用卷积提取作物的类别特征，利用叠加层保留作物的上层特征，利用金字塔池化模块聚合作物的上下文语义特征；保存训练过程中得到的最优模型，将最优模型用于高分辨率卫星遥感影像的作物分类和识别。本发明专利技术利用编码

【技术实现步骤摘要】
一种基于高分辨率卫星遥感影像的作物分类和识别方法


[0001]本专利技术涉及一种基于高分辨率卫星遥感影像的作物分类和识别方法，属于遥感作物分类领域。

技术介绍

[0002]农作物精细的分类制图是作物面积估算、长势监测、产量预算和风险评估的基础，同时也是研究全球变化、物质与能量流动的支撑数据。基于遥感技术的作物监测主要包括卫星和无人机两种方式，高空卫星覆盖面积大、探测周期短的优势成为大范围农情信息监测的重要手段，低空无人机灵活方便、分辨率高的特点被广泛应用于农田区域的信息获取。相较于传统的人工统计方法，遥感手段可以及时、快速地获取作物种植的空间结构信息和时间变化特征。
[0003]在基于传统的机器学习算法，例如：支持向量机(SVM)、随机森林(RF)、K近邻法(KNN)、决策树(DT)等等，进行遥感影像的作物分类任务中，其分类结果往往受到“椒盐现象”、“同物异谱”和“同谱异物”的影响。利用“卷积”进行遥感影像的特征提取能够巧妙地弱化上述问题，同时也能够很好地解决遥感影像分辨率不足、作物复杂环境场景限制的约束。
[0004]尽管卷积神经网络模型在作物分类任务中取得了良好的实验效果，但是基于高分遥感影像固有的特性依旧限制了许多全卷积神经网络的性能。首先，基于遥感影像作物空间分布不规律以及作物生长时期不统一的特点，现有的作物识别分类方法无法准确地捕捉全局特征信息，难免出现“一叶障目”的现象，从而影响了遥感影像作物分类最后提取特征的可区分性。其次，遥感影像需要合理地兼顾上下文作物类别的语义信息，现有的作物识别分类方法在进行作物多层特征提取时，没有对浅层特征进行保留从而丢失了上层作物的类别特征。最后，现有的作物识别分类方法往往随着卷积层数的指数级增长，神经网络模型的参数也随着成倍增加，模型的计算效率也成为作物分类任务迫在眉睫的问题。

技术实现思路

[0005]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于高分辨率卫星遥感影像的作物分类和识别方法。
[0006]为了解决以上技术问题，本专利技术采用的技术方案是：
[0007]一种基于高分辨率卫星遥感影像的作物分类和识别方法，包括以下步骤：
[0008]步骤1：下载高分六号卫星影像，对下载的遥感数据进行预处理操作，具体步骤如下：
[0009]步骤101：对分辨率为八米的多光谱影像进行辐射定标、大气校正和正射校正；
[0010]步骤102：对分辨率为两米的全色影像进行辐射定标和正射校正；
[0011]步骤103：将正射校正后的多光谱和全色遥感影像进行融合；
[0012]步骤2：利用无人机采集作物空间分布图片，结合实地调研结果制作高分遥感影像对应的类别标签，以农作物玉米和水稻为研究对象进行关键性分析，对其他类别的土地类
型不再进行细分，类别标签中白色表示背景，黄色表示玉米，绿色表示水稻，其他均表示为黑色；
[0013]步骤3：将高分影像和其对应的标签以数据增强的方式进行样本扩充，对高分影像和其对应的标签同时做随机切割，裁剪到固定大小的深度学习数据集，并进行旋转、镜像、模糊、滤波和加噪五种数据增强的操作；
[0014]步骤4：构建作物分类深度学习模型进行训练，利用卷积提取作物的类别特征，利用叠加层保留作物的上层特征，利用金字塔池化模块聚合作物的上下文语义特征，具体步骤如下：
[0015]步骤401：以两个卷积层为单位，构建第一个和第二个卷积块，每个卷积块之后进行步长为二的下采样；
[0016]步骤402：以三个卷积层为单位，构建第三个、第四个和第五个卷积块，每个卷积块之后进行步长为二的下采样，在每个下采样之后串联金字塔池化模块，在第三个金字塔池化模块后连接两个大小为(1
×
1)的卷积层；
[0017]步骤403：每个卷积块之间同时用叠加层进行连接；
[0018]步骤404：对编码器最后一层(1
×
1)大小的卷积提取到的特征，经过特征图个数等于类别数的(1
×
1)大小的卷积层后，以步长为二的上采样进行特征图还原，再与经过第二个金字塔池化结构进行(3
×
3)大小卷积提取到的特征结合，以步长为二的上采样进行特征图还原，最后与经过第一个金字塔池化结构进行(3
×
3)大小卷积提取到的特征结合，以步长为八的上采样进行特征图还原，经过(1
×
1)大小的卷积层完成作物分类；
[0019]步骤5：保存训练过程中得到的最优模型，将最优模型用于高分辨率卫星遥感影像的作物分类和识别，对高分辨率卫星遥感影像按顺序切割成固定大小的图片进行预测，将预测结果再按顺序进行拼接。
[0020]进一步地，步骤402中金字塔池化模块从左到右分别将原始特征经过平均池化层映射成(1
×
1)、(2
×
2)、(4
×
4)和(8
×
8)大小的特征图，再经过(1
×
1)大小的卷积后进行上采样还原原始特征，最后对不同大小的子区域特征图进行叠加。
[0021]本专利技术构了建编码
‑
解码的网络框架模型。多次利用不同大小的平均池化层聚合不同子区域之间的原始特征信息，减少卷积特征提取时带来的特征损失；在每个卷积块进行特征提取时叠加上层输入的特征信息，保留作物分类的原始特征。本专利技术使用轻量级的编码器对作物的关键信息进行采集，八倍步长的上采样解码器对原始影像进行还原，高效准确地对玉米和水稻进行了分类。
[0022]本专利技术具体优势如下：
[0023]1)该方法通过平均池化聚合不同子区域之间的原始特征，以减少“卷积”特征提取时带来的特征损失，从而提高了模型的准确率；
[0024]2)该方法通过叠加每个卷积块的上层输入特征信息，使得同一个大小的特征图有了更多的特征表示，从而进一步提高了模型的准确率；
[0025]3)该方法以两层或者三层为单位构建了带有五个卷积块的轻量级编码器，在解码阶段最终以八倍步长的上采样进行原始影像的还原，从而提高了作物分类和识别的效率。
附图说明
[0026]图1为本专利技术的实施流程图。
[0027]图2为本专利技术的高分六号卫星遥感影像预处理的流程图。
[0028]图3为本专利技术的深度学习模型的框架结构图。
[0029]图4为本专利技术的叠加模块的框架结构图。
[0030]图5为本专利技术的金字塔池化模块的框架结构图。
[0031]图6为本专利技术的实施案例的部分分类效果展示；(a)预处理完成的高分六号卫星遥感影像；(b)对应的玉米和水稻的标签；(c)本专利技术所提出的模型的分类结果。
具体实施方式
[0032]以下结合具体实施例，对本专利技术进行详细说明。
[0033]参考图1，一种基于高分辨率卫星遥感影像的作物分类和识别方法，本专利技术的方法包含以下步骤：
[0034]步骤1：下载高分六号卫星影像，高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分辨率卫星遥感影像的作物分类和识别方法，其特征在于，包括以下步骤：步骤1：下载高分六号卫星影像，对下载的遥感数据进行预处理操作；步骤2：利用无人机采集作物空间分布图片，结合实地调研结果制作高分遥感影像对应的类别标签；步骤3：将高分影像和其对应的标签以数据增强的方式进行样本扩充；步骤4：构建作物分类深度学习模型进行训练，利用卷积提取作物的类别特征，利用叠加层保留作物的上层特征，利用金字塔池化模块聚合作物的上下文语义特征；步骤5：保存训练过程中得到的最优模型，将最优模型用于高分辨率卫星遥感影像的作物分类和识别。2.根据权利要求1所述的基于高分辨率卫星遥感影像的作物分类和识别方法，其特征在于：所述步骤1中对分辨率为八米的多光谱影像进行辐射定标、大气校正和正射校正，对分辨率为两米的全色影像进行辐射定标和正射校正，最后将正射校正后的多光谱和全色遥感影像进行融合。3.根据权利要求1所述的基于高分辨率卫星遥感影像的作物分类和识别方法，其特征在于：所述步骤2中以农作物玉米和水稻为研究对象进行关键性分析，对其他类别的土地类型不再进行细分。4.根据权利要求1所述的基于高分辨率卫星遥感影像的作物分类和识别方法，其特征在于：所述步骤3中对高分影像和其对应的标签同时做随机切割，裁剪到固定大小的深度学习数据集，并进行旋转、镜像、模糊、滤波和加噪五种数据增强的操作。5.根据权利要求1所述的基于高分辨率卫星遥感影像的作物分类和识别方法，其特征在于：所述步骤4中，构建深度学习模型的具体步骤如下：步骤401：以两个卷积层为单位，构建第一个和第二个卷积块，每个卷积块之后进行步长为二的下采样；步骤402：以三个卷积层为单位，构...

【专利技术属性】
技术研发人员：高懋芳，徐昌宏，闫敬文，王祺智，金云翔，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：