【技术实现步骤摘要】
本专利技术涉及无人机高光谱图像处理领域，具体涉及基于深度学习的无人机高光谱植被物种分类方法及系统。
技术介绍
1、草地生态系统是陆地生态系统中面积最大、分布最广的生态系统之一，约占地球表面积的40％。然而，近几十年来，由于人为和自然因素造成全球半数草地退化。准确地量化评价草地退化状况是草原生态环境脆弱区域草地保护和合理利用的基础。当前，我们急需一种动态监测方法来了解草地生态系统退化的整体空间分布。
2、草地退化往往伴随着植物建群种和优势种数量的减少甚至消失，草地植被类型以及群落结构特征往往发生明显变化。在草地退化监测工作中，实地样方调查方法难以获取区域尺度上的草地退化整体情况，并且基于传统遥感的草地退化物种分类方法无法精确反映植被的物种组成。无人机遥感具有低运行成本、高灵活性、高分辨率和实时数据采集的能力，高光谱影像具有光谱分辨率高且波段连续的特点，机载高光谱数据成为遥感监测的重要数据源。然而，无人机高光谱影像针对多类草地物种精细分类时仍面临以下挑战。一方面，不同草种之间光谱信息相似，种间差异小；另一方面，随着无人机高光谱影像空间分辨率的提升，地物的空间异质性逐渐增大，进而加剧地物光谱的变异性，使得同类草种的类内方差增大。此外，无人机高光谱影像由于超高的光谱分辨率和空间分辨率使得数据海量且高维，因此，需要一种高效精准且稳定的数据处理方法。
3、目前，高光谱遥感影像分类方法主要有传统机器学习分类方法和深度学习分类方法。传统机器学习方法依赖于专家知识的手工特征设计，难以适用于海量高维非线性数据结构的无人机高光
技术实现思路
1、为解决上述背景中的技术问题，本专利技术通过完整地利用融合植被指数的移动三维空洞卷积视觉transformer模型来进行群落尺度上无人机高光谱影像的草地植被物种分类处理流程。
2、为实现上述目的，本专利技术提供了一种基于深度学习的无人机高光谱植被物种分类方法，步骤包括：
3、利用无人机采集高光谱影像；
4、将采集的所述高光谱影像进行预处理，得到预处理后影像，并将所述预处理后影像进行拼接镶嵌处理，得到高光谱正射影像；
5、对所述高光谱正射影像进行标注，得到标签数据集；
6、对所述高光谱正射影像进行植被指数融合，得到融合植被指数的高光谱正射影像；
7、基于所述融合植被指数的高光谱正射影像和所述标签数据集，构建草地植被分类模型，并利用所述草地植被分类模型完成植被物种分类。
8、优选的，进行所述预处理的方法包括：镜头校准、反射率校准和大气校准。
9、优选的，得到高光谱正射影像的方法包括：将所述预处理后影像导入拼接软件中，输入获取影像时无人机的飞行高度，并人工剔除异常影像；之后设置拼接参数并进行效果预览，直到拼接结果达到预期，最后进行影像的全波段拼接镶嵌，生成研究区域的所述高光谱正射影像。
10、优选的，得到所述标签数据集的方法包括：首先，将所述高光谱正射影像导入标签标注软件，对高光谱正射影像进行光谱特征提取，并在标签标注软件中根据不同植被物种的光谱特征进行人工目视解译分别对不同的植被物种进行标注，得到影像中各植被物种的感兴趣区域；然后，将标注好的所述感兴趣区域转换成标签栅格文件；最后，得到所述标签栅格文件之后，将其划分为训练集和测试集。
11、优选的，得到融合植被指数的高光谱正射影像的方法包括：首先对所述高光谱正射影像进行红外和近红外波段的选择，然后根据选择的红外和近红外波段对高光谱正射影像进行归一化植被指数值、差值植被指数值和比值植被指数值的计算，分别得到对应的栅格图像；之后，将得到的所述栅格图像以波段的形式融合进所述高光谱正射影像的波段中，得到所述融合植被指数的高光谱正射影像。
12、优选的，所述草地植被分类模型包括移动三维空洞卷积视觉transformer模型，所述移动三维空洞卷积视觉transformer模型结构为多层级结构设计，由三个阶段和五个模块构成，包括：三维卷积、三维空洞卷积、移动卷积视觉transformer、逆向残差结构和卷积视觉transformer；其中，阶段1中包含三维卷积、三维空洞卷积和移动卷积视觉transformer模块，阶段2中包含三维空洞卷积和移动卷积视觉transformer模块，阶段3中包含逆向残差结构和卷积视觉transformer模块。
13、本专利技术还提供了一种基于深度学习的无人机高光谱植被物种分类系统，所述系统用于实现上述方法，包括：采集模块、拼接模块、标注模块、融合模块和构建模块；
14、所述采集模块用于利用无人机采集高光谱影像；
15、所述拼接模块用于将所述高光谱影像进行预处理和拼接镶嵌，得到高光谱正射影像；
16、所述标注模块用于对所述高光谱正射影像进行标注，得到标签数据集；
17、所述融合模块用于对所述高光谱正射影像进行植被指数融合，得到融合植被指数的高光谱正射影像；
18、所述构建模块用于基于所述融合植被指数的高光谱正射影像和所述标签数据集，构建草地植被分类模型，并利用所述草地植被分类模型完成植被物种分类。
19、优选的，所述草地植被分类模型包括移动三维空洞卷积视觉transformer模型，所述移动三维空洞卷积视觉transformer模型结构为多层级结构设计，由三个阶段和五个模块构成，包括：三维卷积、三维空洞卷积、移动卷积视觉transformer、逆向残差结构和卷积视觉transformer；其中，阶段1中包含三维卷积、三维空洞卷积和移动卷积视觉transformer模块，阶段2中包含三维空洞卷积和移动卷积视觉transformer模块，阶段3中包含逆向残差结构和卷积视觉transformer模块。
20、与现有技术相比，本专利技术的有益效果如下：
21、其一，本专利技术引入三维空洞卷积层，相比于传统的卷积层能够减少数据特征损失，扩大卷积层的感受野，解决高光谱影像中距离较远的两个波段信息联合提取问题，学习到更多“空谱”特征，提高最终分类精度；融合了三维卷积与视觉transformer的融合架构能够实现全局“空谱”信息融合，相比于单纯用视觉transformer和三维卷本文档来自技高网...
【技术保护点】
1.基于深度学习的无人机高光谱植被物种分类方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于深度学习的无人机高光谱植被物种分类方法，其特征在于，进行所述预处理的方法包括：镜头校准、反射率校准和大气校准。
3.根据权利要求1所述的基于深度学习的无人机高光谱植被物种分类方法，其特征在于，得到高光谱正射影像的方法包括：将所述预处理后影像导入拼接软件中，输入获取影像时无人机的飞行高度，并人工剔除异常影像；之后设置拼接参数并进行效果预览，直到拼接结果达到预期，最后进行影像的全波段拼接镶嵌，生成研究区域的所述高光谱正射影像。
4.根据权利要求1所述的基于深度学习的无人机高光谱植被物种分类方法，其特征在于，得到所述标签数据集的方法包括：首先，将所述高光谱正射影像导入标签标注软件，对高光谱正射影像进行光谱特征提取，并在标签标注软件中根据不同植被物种的光谱特征进行人工目视解译分别对不同的植被物种进行标注，得到影像中各植被物种的感兴趣区域；然后，将标注好的所述感兴趣区域转换成标签栅格文件；最后，得到所述标签栅格文件之后，将其划分为训练集和测试集。
<...【技术特征摘要】
1.基于深度学习的无人机高光谱植被物种分类方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于深度学习的无人机高光谱植被物种分类方法，其特征在于，进行所述预处理的方法包括：镜头校准、反射率校准和大气校准。
3.根据权利要求1所述的基于深度学习的无人机高光谱植被物种分类方法，其特征在于，得到高光谱正射影像的方法包括：将所述预处理后影像导入拼接软件中，输入获取影像时无人机的飞行高度，并人工剔除异常影像；之后设置拼接参数并进行效果预览，直到拼接结果达到预期，最后进行影像的全波段拼接镶嵌，生成研究区域的所述高光谱正射影像。
4.根据权利要求1所述的基于深度学习的无人机高光谱植被物种分类方法，其特征在于，得到所述标签数据集的方法包括：首先，将所述高光谱正射影像导入标签标注软件，对高光谱正射影像进行光谱特征提取，并在标签标注软件中根据不同植被物种的光谱特征进行人工目视解译分别对不同的植被物种进行标注，得到影像中各植被物种的感兴趣区域；然后，将标注好的所述感兴趣区域转换成标签栅格文件；最后，得到所述标签栅格文件之后，将其划分为训练集和测试集。
5.根据权利要求4所述的基于深度学习的无人机高光谱植被物种分类方法，其特征在于，得到融合植被指数的高光谱正射影像的方法包括：首先对所述高光谱正射影像进行红外和近红外波段的选择，然后根据选择的红外和近红外波段对高光谱正射影像进行归一化植被指数值、差值植被指数值和比值植被指数值的计算，分别得到对应的栅格图像；之后，将得到的所述栅格图像以波段的形式融合进所述高光谱正射影像的波段中，得到...
【专利技术属性】
技术研发人员：赵慧，王俊迪，王小丹，魏达，罗耀华，
申请(专利权)人：中国科学院，水利部成都山地灾害与环境研究所，
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。