【技术实现步骤摘要】
基于深度学习的植被分类与识别方法
[0001]本专利技术属于植被识别领域,涉及数据分析技术,具体是基于深度学习的植被分类与识别方法
。
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]遥感技术是目前解决植被分类的一个有效方法,然而,在获取到遥感图像后如何进行图像分割来提高特征向量提取精确性与效率,是一个本领域亟需解决的技术问题
。
[0004]针对上述技术问题,本申请提出一种解决方案
。
技术实现思路
[0005]本专利技术的目的在于提供基于深度学习的植被分类与识别方法,用于解决现有的基于深度学习的植被分类与识别方法无法对遥感图像进行科学合理化的图像分割,导致特征向量提取精确性与效率不高的问题;
[0006]本专利技术需要解决的技术问题为:如何提供一种可以对遥感图像进行科学合理化的图像分割的基于深度学习的植被分类与识别方法
。
[0007]本专利技术的目的可以通过以下技术方案实现:
[0008]基于深度学习的植被分类与识别方法,包括以下步骤:
[0009]步骤一:对遥感图像进行图像处理分析:随机选取一种分割方式将遥感图像分割为分析区域
【技术保护点】
【技术特征摘要】
1.
基于深度学习的植被分类与识别方法,其特征在于,包括以下步骤:步骤一:对遥感图像进行图像处理分析:随机选取一种分割方式将遥感图像分割为分析区域
i
,
i
=1,2,
…
,
n
,
n
为正整数,分割方式包括横切分割
、
纵切分割
、
斜切分割
、
外扩分割以及随机分割;步骤二:所述识别分析模块用于对遥感图像进行识别特征提取分析:通过存储模块调取植被品种的特征向量范围,随机选取一个植被品种并标记为标记品种,对分析区域
i
进行特征向量提取,将分析区域
i
提取的特征向量与标记品种的特征向量范围进行比对;步骤三:对植被品种的图像分割方式进行优先级分析:生成分析周期,获取植被品种在分析周期内的识别次数并标记为识别值,获取植被品种在分析周期内进行识别时的图像分割次数并标记为分割值,将分割值与识别值的比值标记为合格系数,通过存储模块获取到合格阈值,将合格系数与合格阈值进行比较并通过比较结果对植被品种的识别过程是否满足要求进行判定
。2.
根据权利要求1所述的基于深度学习的植被分类与识别方法,其特征在于,在步骤一中:采用横切分割进行遥感图像分割的过程包括:生成
n
‑1条横切线,每条横切线均与遥感图像底边平行,且每两条相邻横切线之间的距离均相等,由横切线分割的区域构成分析区域;采用纵切分割进行遥感图像分割的过程包括:生成
n
‑1条纵切线,每条纵切线均与遥感图像底边垂直,且每两条相邻纵切线之间的距离均相等,由纵切线分割的区域构成分析区域;采用斜切分割进行遥感图像分割的过程包括:生成
n
‑1条斜切线,每条斜切线均与遥感图像底边形成四十五度夹角,且每两条相邻斜切线之间的距离均相等,由斜切线分割的区域构成分析区域;采用外扩分割进行遥感图像分割的过程包括:生成
n
‑1条圆形线,每条圆形线的圆心均与遥感图像的中心点重合,由圆形线分割的区域构成分析区域
。3.
根据权利要求2所述的基于深度学习的植被分类与识别方法,其特征在于,在步骤二中,将分析区域
i
提取的特征向量与标记品种的特征向量范围进行比对的过程包括:若比对成功,则将分析区域
i
中对应的位置标记为标记位置;若比对失败,则选取下一个分析区域
i
进行特征向量提取
。4.
根据权利要求3所述的基于深度学习的植被分类与识别方法,其特征在于,在步骤二中,对所有标记位置的面积值进行求和取平均值得到标记品种的独立值;由相邻两个同时包含有标记位置的分析区域
i
组成关联区域
e
,
e
=1,2,
…
,
m
,
m
为正整数,将关联区域
e
中标记位置的面积值标记为
MJe
,通过公式得到标记品种的关联值,其中
Ti...
【专利技术属性】
技术研发人员:吴庭天,陈宗铸,陈毅青,雷金睿,陈小花,李苑菱,
申请(专利权)人:海南省林业科学研究院海南省红树林研究院,
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。