【技术实现步骤摘要】
本专利技术提出基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，涉及遥感信息处理、图像语义聚类、中分时序序列以及半监督学习等领域。
技术介绍
1、随着人口快速增长和城市区域扩展，保障粮食安全已成为全球可持续发展的基础及重要议题。农业用地作为农业生产活动的主要场所，其边界与类型信息的准确提取支撑着农业信息统计、农业规划等应用，也是提高农业生产效益，促进农业信息化建设的重要基础。随着遥感技术的发展，利用宏观覆盖、周期更新的遥感影像进行农业信息提取已成为当前农业遥感的重要研究方向。
2、随着遥感影像空间分辨率的提高，农业地块边界已能清晰呈现并应用，但作物种植类型由于受物候时点、耕作习惯、市场条件等影响构成复杂，年内年际变化较多。由于中分影像覆盖周期相对较短，更有利于观测作物生长变化，是当前提取作物类型信息的主要数据源，这些信息往往难以与高分影像上呈现的农业地块精准吻合，因此目前仍难以从地块级别精准提取作物类型信息。
3、农业遥感作物类型提取分为基于像元的提取方法和基于对象的提取方法。前者多适用于中分遥感影像，通过将每个像元分类到不同的类别中实现作物类型的区分，利用影像特征(特别是作物时序变化信息)采用一般分类方法即可实现，但一般精度不高，特别是对于小地块或地块周边区域存在混合像元的情况，基本难以满足精准农业需求。后者多用于空间细节更丰富的高分影像，通过分割等方法先确定农业地块范围，再利用地块的各种特征确定每个地块内种植的作物类型，一般边界精度较高，但类型判别受限于数据往往不够准确。随着深度学习方法的应用
4、近年来，也有学者利用高分影像提取地块范围，结合中分时序影像提取地块类型的方法获取精准地块，但由于数据源之间时空分辨率差异，对影像配准要求较高，云影等导致信息不完备，中分影像上混合像元造成的细小地块无法判别等问题依然存在。由此本技术提出了中高分信息融合的农业地块作物类型提取方法，以高分地块光谱特征作为不同地块间类型关联媒介，以大地块中心点对应中分上纯像元作为多源关联媒介，降低对影像间配准要求，规避混合像元影响，从而提升地块(特别是细小地块)作物类型提取的精确度。
技术实现思路
1、本专利技术要克服现有技术的上述缺点，提供基于中分时序与高分语义图像聚类的农业地块作物类型提取方法。
2、本专利技术试图综合高分与中分影像的观测优势更好地融合信息提升农业地块作物类型判别精度，其前提是假设同一作物在高分影像上表现为相同地块特征，因此通过高分影像上的语义聚类可以区分不同地块间相似度，假设地块内部均种植同一作物，因此通过地块中心在中分影像上的对应像元即可判断作物类型，若地块足够大，显然中心周边像元反映了相同作物类型特征。因此在地块范围确定的基础上，作物类型提取关键在于以下过程，首先通过地块确定关键纯作物像元，其次利用中分时序特征确定像元作物类型，最后综合高分地块间相似度确定各地块作物类型。
3、本专利技术的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，步骤如下：
4、步骤1：数据和模型准备阶段。数据可分为中分时序信息图和高分农业地块影像。模型分为图像语义聚类模型、时序分类和时序聚类模型。
5、步骤1.1：准备中分时序信息图。中分时序影像含有各地块时序信息，时序信息反映了该地块各个月的植被覆盖情况，进而表明该地块的农业作物类型。
6、步骤1.2：准备高分农业地块影像和矢量。地块影像含有行政区完整高分地块影像，矢量含有该行政区各地块边界范围，可以用作批量提取各个地块的影像作为数据集。
7、步骤1.3：准备图像聚类和时序分类、聚类模型。选取适用于任务目标的图像聚类、时序分类和时序聚类模型。
8、步骤2：提取高分影像的地块影像作为聚类样本a；挑选中分影像大地块，提取大地块纯像元时序信息作为时序训练样本b。
9、步骤2.1：选取高分影像所有地块的中心点，以这些点为中心裁切出合适尺寸的遥感影像，并将其都调整到聚类输入尺寸，作为聚类样本a。
10、步骤2.2：采用多边形内切圆算法来挑选属于是大地块的地块并进行标记。
11、步骤2.3：在中分时序信息图中提取大地块中心纯像元的时序信息作为时序训练样本b。
12、步骤3：对高分地块影像进行图像语义聚类训练得到初步可信标签c，对时序训练样本b根据数据完整度进行分类。
13、步骤3.1：根据将聚类样本a输入到聚类网络进行训练聚类头。
14、步骤3.2：设定可信伪标签的可信阈值，由训练过的聚类头预测得到地块分类的可信伪标签c。
15、步骤3.3：对时序训练样本b根据数据完整度分类成三类数据样本，时序完整数据样本b-1、时序较完整数据样本b-2和时序不完整数据样本b-3。
16、步骤3.4：对时序完整数据样本b-1提供真实标签，作为时序分类的样本。
17、步骤4：对可信标签c进行基于颜色的微调分类，得到新的半监督训练样本d。
18、步骤4.1：可信标签由图像语义聚类而得到，其标签是根据语义而区分，需要进一步在各个语义标签的基础上手动对各个标签基于颜色进行分成多类，区分后可得到新的训练样本d。
19、步骤5：对半监督训练样本d进行半监督训练得到所有大地块的标签e和所有小地块的标签f。
20、步骤5.1：对样本d采用半监督学习重新训练分类聚类模型，选择聚类模型，得到所有地块的聚类预测标签。
21、步骤5.2：将以上得到的聚类预测标签根据颜色进行选择性地标签合并，即纹理相差小但颜色相同的标签合并成一个标签，得到最后的聚类预测标签e。
22、步骤5.3：将以上得到的聚类预测标签e根据中分影像作的大地块标记来区分为大地块预测标签f和小地块标签g。
23、步骤6：将时序完整数据样本b-1进行监督式学习训练，三个时序数据样本之间进行时序聚类训练。
24、步骤6.1：将时序完整数据样本b-1进行监督式训练，模型训练完后对时序完整数据样本b-1进行预测，得到时序完整数据样本b-1大地块作物类型预测结果。
25、步骤6.2：对三个时序训练样本之间在时序数据上进行时序聚类算法分析，可得到时序较完整数据样本b-2和时序不完整数据样本b-3与时序完整数据样本b-1之间的聚类相似度。
26、步骤7：以时序较完整数据样本b-2和时序不完整数据样本b-3与时序完整数据样本b-1之间的聚类相似度作为相似判断算法参数，判断时序较完整数据样本b-2和时序不完整数据样本b-3的大地块类型，从而大地块作物类型重归类。
27、步骤7.1：已知b-1大地块作物类型预测结果，以时序较完整数据样本b-2本文档来自技高网...
【技术保护点】
1.基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于，包括以下步骤：
2.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤1中，高分地块影像内各个农作类型的纹理区分度越高，则聚类效果区分效果越好；中分时序信息图的时序信息在大地块中更能反映作物类型，而小地块的时序信息会受地块以外的植被影响；选择的图像聚类模型需要能够对图像语义具有区分，从而分辨地块纹理；选择的时序分类模型需要监督式模型，使分类性能更高；选择的时序聚类模型需要能够让不同完整度的时序数据进行聚类。
3.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤2中，裁剪地块高分影像时要根据高分影像中地块的分辨率采取合适的统一尺寸，合适尺寸的地块影像会更多覆盖自身地块的面积，对地块以外的部分尽可能排除，会使聚类区分纹理的效果更好；中分时序信息图主要目标是区分大地块作物类型，所以要选择合适的内切圆半径阈值。
4.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于
5.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤4中，可信标签只对纹理区分，类型分类还需要颜色分类，这需要手动对可信标签的各个类别进行手动颜色分类。
6.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤5中，在经过半监督学习分类预测后，需要重新对不同标签类根据相同语义和相同颜色重新进行合并，压缩标签数。
7.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤6中，只有时序完整的数据样本进行监督式训练更能体现预测的准确度。
8.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤7中，不同完整度的时序数据样本的相似度能够判断数据缺少的样本的地块作物类型，从而减少训练成本。
9.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤8所述的同一大地块的聚类预测大地块作物类型结果和时间序列预测大地块作物类型的标签需要融合达成一致，所以融合算法的优劣会影响重归类的准确度。
...【技术特征摘要】
1.基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于，包括以下步骤：
2.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤1中，高分地块影像内各个农作类型的纹理区分度越高，则聚类效果区分效果越好；中分时序信息图的时序信息在大地块中更能反映作物类型，而小地块的时序信息会受地块以外的植被影响；选择的图像聚类模型需要能够对图像语义具有区分，从而分辨地块纹理；选择的时序分类模型需要监督式模型，使分类性能更高；选择的时序聚类模型需要能够让不同完整度的时序数据进行聚类。
3.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤2中，裁剪地块高分影像时要根据高分影像中地块的分辨率采取合适的统一尺寸，合适尺寸的地块影像会更多覆盖自身地块的面积，对地块以外的部分尽可能排除，会使聚类区分纹理的效果更好；中分时序信息图主要目标是区分大地块作物类型，所以要选择合适的内切圆半径阈值。
4.根据权利要求1的基于中分时序与高分语义图像聚类的农业地块作物类型提取方法，其特征在于：步骤3中，要得到纹理区分明显的可信标签需要设定合适的可信阈值，过高会导致可信标签过少，过低会导致纹理区分不明显；时间序列可以反映这个地块植被在各个月份的覆盖率，进而反映了这个...
【专利技术属性】
技术研发人员：夏列钢，陈昌格，王加豪，项剑元，
申请(专利权)人：浙江工业大学，
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。