【技术实现步骤摘要】
本专利技术涉及边坡植被信息提取，特别涉及一种边坡植被信息提取方法、装置、电子设备、存储介质。
技术介绍
1、目前，边坡植被的维护和修复愈发被重视，因此提取边坡植被信息也成了大家关注的问题。现有技术中大多采用卫星遥感单一数据源反演(多光谱、高光谱、激光雷达和合成孔径雷达)和野外实地调查等几种监测方法提取边坡植被信息，但以上方法都存在适用性较差，准确性较低的问题，单一数据源造成的边坡植被信息提取有偏性，无法达到最佳效果。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种边坡植被信息提取方法、装置、电子设备、存储介质，能够提高边坡植被信息的提取精度。
2、第一方面，本专利技术实施例提供了一种边坡植被信息提取方法，包括：
3、获取边坡植被信息的多源遥感数据,对多源遥感数据进行预处理，得到预处理数据；
4、获取所述边坡植被信息的训练样本集，通过所述训练样本集中的特征信息对所述预处理数据进行量化，得到关键因素，所述特征信息包括植被信息、空间信息和光谱信息，所述关键因素为所述预处理数据与各个植被特征相互作用的因素；
5、根据所述关键因素和所述训练样本集构建特征提取模型，通过所述特征提取模型对所述预处理数据进行特征提取，得到特征级数据；
6、通过融合函数对所述特征级数据进行信息融合，得到目标融合数据；
7、根据所述目标融合数据构建多层次特征数据集；
8、将所述多层次特征
9、将所述边坡植被信息输入到所述最优边坡植被分类模型中进行信息提取得到边坡植被高精度信息。
10、在本专利技术的一些实施例中，所述多源遥感数据包括微波数据sentinel-1数据集和多光谱sentinel-2数据集，所述预处理数据包括第一数据和第二数据，所述对多源遥感数据进行预处理，得到预处理数据，包括：
11、采用遥感处理软件对所述微波数据sentinel-1数据集进行轨道修正、热噪声去除、辐射校正、散斑滤波、距离-多普勒地形校正处理，得到所述第一数据；
12、采用校正软件对所述多光谱sentinel-2数据集进行地形校正、大气校正和辐射校正处理，得到多层影像数据集，对多层所述影像数据集进行重采样得到所述第二数据。
13、在本专利技术的一些实施例中，对所述多光谱sentinel-2数据集进行辐射校正的方法包括：
14、获取所述多光谱sentinel-2数据集的辐射待校正影像和辐射样本影像；
15、通过傅里叶变换分别将所述辐射样本影像中的高频和低频进行分类得到第一低频，将所述辐射待校正影像中的高频和低频进行分离得到第二低频和目标高频；
16、通过预设ir-mad算法获取所述第一低频中的第一特征点，并获取所述第二低频中的第二特征点；
17、将所述第一特征点和所述第二特征点进行线性回归，得到校正系数；
18、通过所述校正系数对所述第二低频进行辐射校正得到目标低频；
19、将所述目标低频和所述目标高频进行傅里叶逆变换完成辐射校正。
20、在本专利技术的一些实施例中，所述关键因素包括第一植被因素、第二植被因素和第三植被因素，所述获取所述边坡植被信息的训练样本集，通过所述训练样本集中的特征信息对所述预处理数据进行量化，得到关键因素中，对所述植被信息进行量化的方法，包括：
21、获取在不同波段下的所述植被信息，所述波段包括近红外、红波段和蓝波段；
22、对近红外下的所述植被信息和红波段下的所述植被信息进行量化计算得到所述第一植被因素；
23、对近红外下的所述植被信息、红波段下的所述植被信息和蓝波段下的所述植被信息进行量化计算得到所述第二植被因素；
24、对近红外下的所述植被信息和红波段下的所述植被信息，以及预设的土壤调节系数进行量化计算得到所述第三植被因素。
25、在本专利技术的一些实施例中，所述根据所述关键因素和所述训练样本集构建特征提取模型，通过所述特征提取模型对所述预处理数据进行特征提取，得到特征级数据，包括：
26、基于所述预处理数据的时序演化特点对所述特征提取模型进行优化，得到优化模型；
27、根据所述优化模型对所述预处理数据进行特征提取，得到所述特征级数据。
28、在本专利技术的一些实施例中，根据所述预处理数据的时序演化特点对所述特征提取模型进行优化，得到优化模型，包括：
29、将所述多源遥感数据中的时间序列作为马尔科夫随机过程；
30、基于所述马尔科夫随机过程，通过确定所述关键因素中不同状态的初始时序、初始空间位置和链上各状态之间转移概率分布，形成所述优化模型。
31、在本专利技术的一些实施例中，所述通过融合函数对所述特征级数据进行信息融合，得到目标融合数据，包括：
32、通过融合函数构建公式对所述特征级数据进行计算得到所述融合函数；
33、根据预设矩阵方程对所述融合函数进行构建得到融合矩阵；
34、获取所述融合矩阵对应的特征值，通过所述特征值将各个所述特征级数据进行融合，得到所述目标融合数据；
35、其中，所述融合函数的公式为：
36、qij表示所述融合函数，xi表示第i个特征级数据，xj表示第j个特征级数据；
37、所述融合矩阵的公式为：其中，qij表示所述融合函数。
38、第二方面，本专利技术实施例提供了一种边坡植被信息提取装置，包括少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面所述的边坡植被信息提取方法。
39、第三方面，本专利技术实施例提供了一种电子设备，包括有如上述第二方面所述的边坡植被信息提取装置。
40、第四方面，本专利技术实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上述第一方面所述的边坡植被信息提取方法。
41、根据本专利技术实施例的边坡植被信息提取方法，至少具有如下有益效果：获取边坡植被信息的多源遥感数据，对多源遥感数据进行预处理，得到预处理数据，通过获取多源遥感数据，避免了类似单一数据的局限性；获取所述边坡植被信息的训练样本集，通过所述训练样本集中的特征信息对所述预处理数据进行量化，得到关键因素，所述特征信息包括植被信息、空间信息和光谱信息，所述关键因素为所述预处理数据与各个植被特征相互作用的因素；根据所述关键因素和所述训练样本集构建特征提取模型，通过所述特征提取模型对所述预处理数据进行特征提取，得到特征级数据；通过融合函数对所述特征级数据进行信息融合，得到目标融合数据，从而提高多源遥感数据的融合效本文档来自技高网...
【技术保护点】
1.一种边坡植被信息提取方法，其特征在于，包括：
2.根据权利要求1所述的边坡植被信息提取方法，其特征在于，所述多源遥感数据包括微波数据Sentinel-1数据集和多光谱Sentinel-2数据集，所述预处理数据包括第一数据和第二数据，所述对多源遥感数据进行预处理，得到预处理数据，包括：
3.根据权利要求2所述的边坡植被信息提取方法，其特征在于，对所述多光谱Sentinel-2数据集进行辐射校正的方法包括：
4.根据权利要求1所述的边坡植被信息提取方法，其特征在于，所述关键因素包括第一植被因素、第二植被因素和第三植被因素，所述获取所述边坡植被信息的训练样本集，通过所述训练样本集中的特征信息对所述预处理数据进行量化，得到关键因素中，对所述植被信息进行量化的方法，包括：
5.根据权利要求1所述的边坡植被信息提取方法，其特征在于，所述根据所述关键因素和所述训练样本集构建特征提取模型，通过所述特征提取模型对所述预处理数据进行特征提取，得到特征级数据，包括：
6.根据权利要求5所述的边坡植被信息提取方法，其特征在于，根据所述预处理
7.根据权利要求1所述的边坡植被信息提取方法，其特征在于，所述通过融合函数对所述特征级数据进行信息融合，得到目标融合数据，包括：
8.一种边坡植被信息提取装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的边坡植被信息提取方法。
9.一种电子设备，其特征在于，包括权利要求8所述的边坡植被信息提取装置。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的边坡植被信息提取方法。
...【技术特征摘要】
1.一种边坡植被信息提取方法，其特征在于，包括：
2.根据权利要求1所述的边坡植被信息提取方法，其特征在于，所述多源遥感数据包括微波数据sentinel-1数据集和多光谱sentinel-2数据集，所述预处理数据包括第一数据和第二数据，所述对多源遥感数据进行预处理，得到预处理数据，包括：
3.根据权利要求2所述的边坡植被信息提取方法，其特征在于，对所述多光谱sentinel-2数据集进行辐射校正的方法包括：
4.根据权利要求1所述的边坡植被信息提取方法，其特征在于，所述关键因素包括第一植被因素、第二植被因素和第三植被因素，所述获取所述边坡植被信息的训练样本集，通过所述训练样本集中的特征信息对所述预处理数据进行量化，得到关键因素中，对所述植被信息进行量化的方法，包括：
5.根据权利要求1所述的边坡植被信息提取方法，其特征在于，所述根据所述关键因素和所述训练样本集构建特征提取模型，通过所述特征提取模型对所述预处理数据进行特征提取，得到...
【专利技术属性】
技术研发人员：郝珖存，孙彩歌，张子鸣，
申请(专利权)人：中交四航工程研究院有限公司，
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。