利用遥感图像的松木变色立木智能识别与定位方法技术

本发明专利技术公开了一种利用遥感图像的松木变色立木智能识别与定位方法，该利用遥感图像的松木变色立木智能识别与定位方法，包括特征工程，所述特征工程包括如下步骤，获取历史遥感图像及对应的历史变色立木坐标点信息,其中历史遥感图像最少需包括四个通道；利用变色立木坐标点以矩形框形式在对应时间段的遥感图像上进行标注；对已标注的遥感图像进行校正处理；计算植被指数；将处理后的遥感图像与计算的植被指数的结果叠加在一起组成一个八通道；将产生的八通道遥感图像进行方块裁剪以制作数据集。该利用遥感图像的松木变色立木智能识别与定位方法，解决了遥感图像中变色松木检测精度低下、人工实地调查的高成本投入的难题。人工实地调查的高成本投入的难题。人工实地调查的高成本投入的难题。

【技术实现步骤摘要】
利用遥感图像的松木变色立木智能识别与定位方法


[0001]本专利技术属于遥感监测森林
，具体涉及一种利用遥感图像的松木变色立木智能识别与定位方法。

技术介绍

[0002]松木线虫病是我国唯一一个一级林业有害生物物种，对森林生态系统具有极高的危险性与毁灭性，现已扩散至18个省，累计造成6亿多株松树死亡。而感染松木线虫病的松木主要表征之一为松针由绿变红黄色，因此变色松木的识别与监测可极大地辅助松木线虫病疫木监测。
[0003]随着光学遥感卫星技术的发展，高空间分辨率、多光谱通道遥感图像数据的获取难度极大地被降低，具有红、绿、蓝、近红外四通道的高分辨率遥感卫星的重访周期可达到1天左右，使得大面积下的变色松木精确监测成为了可能。但是现有的监测方法很难高效的处理、利用这些海量的卫星数据。目前常用的监测方法有两种，一种是人工监测，该方法需要人工判读遥感图像或者实地勘察作业，耗时耗力，不具备对大面积林木作业的可能；另一种是将由遥感卫星获取的遥感图像、机器学习与人工判别相结合的方法，由于该方法为非端到端式的判别方式，提取的结果也为非坐标的形式，仍旧需要大量的人工一一处理才可以得到最终的识别结果，且准确率较低。
[0004]即现有松木线虫病疫木监测存在下列不足：(1)遥感图像中变色松木特征不明显、变色松树立木目标较小，遥感数据处理缺乏针对性导致检测精度低下，同时传统检测方法对高分辨率遥感卫星中变色松木识别精度不高；(2)现有遥感图像检测结果为非坐标形式导致大区域、长时序变色松树立木动态监测仍需高成本的人工实地调查。

技术实现思路

[0005]本专利技术的专利技术目的是提供一种利用遥感图像的松木变色立木智能识别与定位方法。该利用遥感图像的松木变色立木智能识别与定位方法，解决了遥感图像中变色松木检测精度低下、人工实地调查的高成本投入的难题。
[0006]为实现上述专利技术目的，本专利技术的技术方案为：
[0007]一种利用遥感图像的松木变色立木智能识别与定位方法，包括特征工程，所述特征工程包括如下步骤，
[0008]S1获取至少包括四个通道的历史遥感图像及对应的历史变色立木坐标点信息；
[0009]S2利用变色立木坐标点以矩形框形式在对应时间段的遥感图像上进行标注；
[0010]S3对已标注的遥感图像进行校正处理；
[0011]S4利用S3得到的各通道遥感图像逐像元计算多个植被指数，得到多个包含先验知识的单通道栅格图，该图大小与输入图像一致；
[0012]S5将S3处理后的遥感图像与S4处理后的遥感图像计算的植被指数的结果叠加在一起组成一个八通道的多通道遥感图像；
[0013]S6将S5产生的八通道的多通道遥感图像进行方块裁剪，同时生成对应裁剪图像中的变色松树立木的坐标以制作数据集。
[0014]优选地，步骤S1中历史遥感图像为高分辨率多光谱遥感图像，四个通道分别为红色波段(R)，绿色波段(G)，蓝色波段(B)和近红外波段(NIR)；
[0015]优选地，步骤S2中矩形框记录形式为矩形中心点X,矩形中心点Y，矩形宽度W，矩形高度H。
[0016]本申请创新性地联合多种植被指数在遥感数据处理中加入先验知识，对遥感图像进行针对性处理，能显著提高利用遥感卫星对变色松木的提取精度；同时通过变色立木坐标点对遥感图像数据进行标注的方法可以对变色松木进行精准定位，数据集由此能直接涵盖坐标信息，避免人工实地调查的高成本投入。
[0017]在上述的利用遥感图像的松木变色立木智能识别与定位方法中，还包括，构建数据集，包括随机增强数据集构建，对S6产生的样本进行随机数据增强构建新的数据集，增强过程中，图像改变的同时其相应标注坐标始终为变色立木坐标点。
[0018]通过对数据集中的样本进行随机增强能有效提高机器学习能力，同时对样本的随机增强还能扩大样本量，进一步提高模型的检测精度。
[0019]在上述的利用遥感图像的松木变色立木智能识别与定位方法中，所述构建数据集包括，
[0020]将得到的样本集按照标号顺序读取，并循环读取多次，每次读取的时候图像进行随机镶嵌增强，将镶嵌增强的结果进行随机填充增强，将上一步的输出结果进行随机复制填充增强，最后再将复制增强的结果进行随机翻转与随机旋转增强；
[0021]输入图像经过增强后得到了增强后图像，将该图像及其对应的坐标保存到新的数据集；再把未增强的图像与新的数据集合并构成了新的数据集。
[0022]增强方法具体如下，
[0023]镶嵌，随机挑选三张与当前的图像拼接在一起构成新的图像，再在拼接的图像上随机裁剪相应像素大小的区域作为增强后的新图像；
[0024]随机填充，随机选择当前增强图像中的一部分区域然后随机填充颜色；
[0025]复制填充，随机选择一张其它图片，随机选择复制所选择的图像的一部分区域，再将值随机粘贴到当前增强的图片中。
[0026]优选地，样本集按照标号顺序循环读取三次；
[0027]每次读取的时候图像以概率等于0.5进行镶嵌增强，然后将镶嵌增强的结果以概率等于0.5进行随机填充增强，接下来将上一步的输出结果以概率等于0.5进行复制填充增强，最后再将复制增强的结果以概率等于0.5进行随机翻转与随机旋转增强。
[0028]理论上每张图像会有一定概率不被增强，但因为概率非常低，因此可以直接将原始数据集与增强后的数据集合并构成新的数据集。
[0029]在上述的利用遥感图像的松木变色立木智能识别与定位方法中，步骤S3中，
[0030]校正处理包括辐射定标、大气校正处理，校正处理后得到地面真实反射率的遥感图像；
[0031]对于无法进行绝对反射率转换的遥感图像，校正处理为去除异常值后归一化到[0,1]之间。
[0032]优选地，无法进行绝对反射率转换的遥感图像的校正处理方式为，去除每个通道的异常值后，再对通道的最大、最小值归一化到[0，1]区间。
[0033]由于红、绿、蓝三通道的值与近红外通道的值都会存在异常值，因此可以采用去除异常值再逐个通道归一化的方法进行校正处理。
[0034]在上述的利用遥感图像的松木变色立木智能识别与定位方法中，步骤S4中，所述植被指数包括差值环境植被指数、比值植被指数、增强植被指数和归一化植被指数。
[0035]具体地，差值环境植被指数即DVI，DVI＝NIR
‑
R；比值植被指数即RVI，RVI＝NIR/R；增强植被指数即EVI，EVI＝2.5*(NIR
‑
R)/(NIR+6R
‑
7.5B+1))；归一化植被指数NDVI，NDVI＝(NIR
‑
R)/(NIR+R))。
[0036]在上述的利用遥感图像的松木变色立木智能识别与定位方法中，还包括构建训练模型，具体如下，
[0037]目标检测卷积神经网络以YOLOV7为基础，结构上采用FPN+PAN的形式，子模块结构为CBS模块、CB本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用遥感图像的松木变色立木智能识别与定位方法，包括特征工程，其特征在于，所述特征工程包括如下步骤，S1获取至少包括四个通道的历史遥感图像及对应的历史变色立木坐标点信息；S2利用变色立木坐标点以矩形框形式在对应时间段的遥感图像上进行标注；S3对已标注的遥感图像进行校正处理；S4利用S3得到的各通道遥感图像逐像元计算多个植被指数，得到多个包含先验知识的单通道栅格图，该图大小与输入图像一致；S5将S3处理后的遥感图像与S4处理后的遥感图像叠加组成多通道遥感图像；S6将S5产生的多通道遥感图像进行方块裁剪，同时生成对应裁剪图像中的变色松树立木的坐标以制作数据集。2.如权利要求1所述的利用遥感图像的松木变色立木智能识别与定位方法，其特征在于，还包括，构建数据集，包括随机增强数据集构建，对S6产生的样本进行随机数据增强构建新的数据集，增强过程中，图像改变的同时其相应标注坐标始终为变色立木坐标点。3.如权利要求2所述的利用遥感图像的松木变色立木智能识别与定位方法，其特征在于，所述构建数据集包括，将得到的样本集按照标号顺序读取，并循环读取多次，每次读取的时候图像进行随机镶嵌增强，将镶嵌增强的结果进行随机填充增强，将上一步的输出结果进行随机复制填充增强，最后再将复制增强的结果进行随机翻转与随机旋转增强；输入图像经过增强后得到了增强后图像，将该图像及其对应的坐标保存到新的数据集；再把未增强的图像与新的数据集合并构成了新的数据集。4.如权利要求1所述的利用遥感图像的松木变色立木智能识别与定位方法，其特征在于，步骤S3中，校正处理包括辐射定标、大气校正处理，校正处理后得到地面真实反射率的遥感图像；...

【专利技术属性】
技术研发人员：万昊明，唐攀攀，罗小燕，欧阳宁雷，赵博，王辉，
申请(专利权)人：南湖实验室，
类型：发明
国别省市：