【技术实现步骤摘要】
本专利技术属于人工智能领域、卫星遥感，具体为一种农作物遥感图像分类方法。
技术介绍
1、精准农业是一种利用先进的技术和信息化手段来实现农业生产全过程精确管理的方法。它包括了多种技术，如遥感、全球定位系统（gps）、地理信息系统（gis）、物联网（iot）等，旨在实现农作物生长环境的实时监测、数据分析和决策支持，从而提高农作物产量和质量，减少资源浪费和环境污染。通过对不同农作物进行分类，可以更准确地了解不同作物的生长需求、病虫害易发情况等信息，有针对性地制定施肥、灌溉、病虫害防控等方案，从而最大程度地满足作物的生长需求，提高产量和品质。遥感图像能够覆盖大范围的土地，且其获取不需要对土地进行干预，不会破坏农田，还可以捕捉到不同季节和生长阶段的农作物信息，监测作物周期性变化，这使得遥感技术非常适合用于农业环境中。但是，光谱数据中可能包含来自传感器本身或数据传输过程中的噪声，这些噪声可以干扰数据的准确性和一致性。与此同时，农作物在不同季节和生长阶段的外观和光谱特性都会发生变化，这需要模型具有时序性的理解和适应能力。除此之外，不同农作物类别的样本数量可能差异很大，导致类别不平衡问题，这可能导致模型倾向于预测数量更多的类别。以下介绍现有技术方案。
2、第一种为基于机器学习模型的高光谱遥感影像农作物分类方法。该方法提取每个像素的光谱特征、纹理特征，使用支持向量机svm、随机森林等模型学习特征之间的关系来进行分类。在申请号为cn2021114869135的专利中利用多时相卫星影像数据进行作物分类，具体方法如下：1，对卫星影像数据进行
3、第二种为基于时序物候特征曲线的农作物分类方法。该方法对时间序列数据进行物候提取，即从数据中提取反映农作物生长周期的特征。常用的方法包括ndvi（归一化植被指数）时间序列曲线的分析，通过找到特定物候事件的时间点（如播种、萌芽、开花、结果等）来描述不同生长阶段。在公开号为cn110160992a的专利中公开了一种基于植被覆盖度时间序列的农作物分类方法，包括如下：1，获取含有红光波段和近红外波段的遥感影像数据，构建覆盖农作物生长周期的遥感影像时间序列，并计算得到ndvi时间序列；2，基于步骤1得到的ndvi时间序列，计算得到植被覆盖度（fvc）时间序列；3，通过实地调查或历史图件，获取农作物样本数据；4，以fvc时间序列和样本数据作为输入，采用随机森林分类器，对研究区的农作物进行分类，形成农作物分类结果图。但数据质量和物候提取的准确性对于这种方法的成功至关重要。在现实场景下，不同作物的生长周期不一致，一段时间内同一区域可能复种不同类型农作物，难以建立精准的ndvi时间序列曲线。
技术实现思路
1、本专利技术的目的在于提供一种农作物遥感图像分类方法，以解决
技术介绍
中提出的以下技术问题：
2、现有技术中的基于高光谱遥感影像对农作物进行分类的方法存在特征冗余，依靠传统机器学习分类的方法不能够有效抑制光谱信息中的大量噪声。
3、为解决上述技术问题，本专利技术所采用的技术方案是：
4、一种农作物遥感图像分类方法，包括以下步骤；
5、s1，获取农作物原始遥感影像；根据网络输入要求将遥感影像进行切片得到农作物多光谱图片；
6、s2.1，从多光谱图中提取rgb波段得到彩色的rgb图像；
7、s2.2，在多光谱图片上根据可见光与近红外波段反射率计算得到ndvi值并得到ndvi图像；
8、s3，将ndvi图像进行归一化处理；
9、s4，将归一化后的ndvi图像的平均ndvi值参与权重因子计算，并与rgb对应通道图像进行融合得到rgb'图像；其中权重因子根据作物类型不同进行调整；
10、s5，构建自注意力网络模型，将rgb'图像的通道数据作为自注意力网络模型的输入；
11、构建自注意网络模型包括如下步骤：
12、a.将遥感影像x切割为n个固定大小16*16的图像块，将图像块序列化为xi；xi表示第i个图像块的原始图像数据，i∈(1,2,..,n)；
13、b.进行特征嵌入，转换为向量ei，具体表示为：
14、
15、其中，we和be是线性映射的权重和偏置；
16、c.将位置信息pi与向量ei相加，得到含有位置信息的特征hi，具体表示为：
17、
18、d.将每个输入xi都通过权重矩阵wq、wk、wv的学习得到q、k、v序列；
19、e.进行多头划分，用缩放点积进行计算，使得注意力网络模型可以有效地捕获遥感影像中的复杂结构和特征；
20、f.使用全连接层对特征进行非线性变换整合；
21、g.对整个特征序列进行池化，得到完整的图像表示；
22、s6，利用已标记的农作物分类数据对自注意力网络模型进行训练；
23、在自注意力网络模型的多头注意力层中引入dropout机制并且将权重的计算过程纳入模型的训练过程，通过反向传播算法调整权重；
24、权重的计算过程如下：
25、第一步，使用点积计算序列长度为d的每一对位置(i，j)的相关性分数score，如下所示：
26、
27、其中，q表示查询矩阵；kt表示键矩阵的转置矩阵；表示缩放因子用于稳定模型；
28、第二步，将分数进行归一化得到权重，表示i对于j的注意力分布；使用softmax 函数来确保权重之和为1，具体为：
29、
30、其中，weight(i,j)表示位置(i，j)的注意力权重；exp()是指数函数；score(i,j)表示第i个位置和第j个位置的相关性分数；
31、第三步，值加权求和，获得注意力的最终表示，具体表示为：
32、
33、其中，output(i)为注意力分布的最终表示；value(j)表示j位置的值；
34、将q、k、v参数化，使它们成为可学习的参数。
35、进一步地，ndvi值计算方法如下；
36、
37、其中，nir是近红外波段的反射值，red是红色波段的反射值。
38、进一步地，融合后的rgb'图像的红色通道数据r'计算方式如下；
39、
40、中，r为rgb图像红色通道数据，wr是用于调整ndvi对红色通道的权重因子，r'∈[0,255]；
41、融合后的rgb'图像的绿色通道数据g'计算方式如下；
42、<本文档来自技高网...
【技术保护点】
1.一种农作物遥感图像分类方法，其特征在于：包括以下步骤；
2.根据权利要求1所述的一种农作物遥感图像分类方法，其特征在于：NDVI值计算方法如下；
3.根据权利要求1所述的一种农作物遥感图像分类方法，其特征在于：融合后的RGB'图像的红色通道数据R'计算方式如下；
4.根据权利要求3所述的一种农作物遥感图像分类方法，其特征在于：用于调整NDVI对红色通道的权重因子Wr以及用于调整NDVI对绿色通道的权重因子Wg，根据具体农作物进行调整。
5.根据权利要求1所述的一种农作物遥感图像分类方法，其特征在于：农作物原始遥感影像包含多时相原始遥感影像。
6.根据权利要求1所述的一种农作物遥感图像分类方法，其特征在于：S6结束之后使用验证数据集来评估经过训练的模型性能并进行调参。
7.根据权利要求1所述的一种农作物遥感图像分类方法，其特征在于：农作物原始遥感影像获取后进行大气校正处理。
【技术特征摘要】
1.一种农作物遥感图像分类方法，其特征在于：包括以下步骤；
2.根据权利要求1所述的一种农作物遥感图像分类方法，其特征在于：ndvi值计算方法如下；
3.根据权利要求1所述的一种农作物遥感图像分类方法，其特征在于：融合后的rgb'图像的红色通道数据r'计算方式如下；
4.根据权利要求3所述的一种农作物遥感图像分类方法，其特征在于：用于调整ndvi对红色通道的权重因子wr以及用于调整ndvi对...
【专利技术属性】
技术研发人员：赵凌园，罗梓菲，周旷，杨博，张焰，
申请(专利权)人：环天智慧科技股份有限公司，
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。