[發(fā)明專利]一種基于非負風險估計的高光譜和LiDAR融合入侵樹種探測方法

有效

• 申請?zhí)枺?/td>: 202011507877.1
• 申請日: 2020-12-18
• 公開（公告）號: CN112668420B
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計）人: 王心宇;趙恒偉;鐘燕飛
• 申請（專利權(quán)）人: 武漢大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/40;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06Q10/04;G06Q10/06;G06Q50/26
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于非負風險估計的高光譜和LiDAR融合入侵樹種探測方法，其特征在于，包括以下步驟：

步驟1，基于LiDAR數(shù)據(jù)的不同回波獲得數(shù)字表面模型DSM和數(shù)字高程模型DEM，二者之間做差獲得冠層高度模型CHM；

步驟2，基于高光譜影像和CHM構(gòu)建掩膜TreeMask,該掩膜用于提取影像中所有樹存在的區(qū)域；

步驟3，使用最小噪聲分離變換MNF對高光譜影像進行變換，并對變換后的影像進行歸一化預處理；

步驟4，基于預處理后的影像和TreeMask，通過實地采樣獲取的入侵樹種的地面真實值獲得用于模型訓練的入侵樹種數(shù)據(jù)集；在TreeMask中隨機采樣，獲得樹的像素的索引，然后通過此索引在歸一化后的高光譜影像獲上得用于模型訓練的未標記數(shù)據(jù)集；

步驟5，使用訓練數(shù)據(jù)集及基于非負風險估計的損失函數(shù)對卷積神經(jīng)網(wǎng)絡(luò)進行訓練；

所述步驟5的實現(xiàn)方式如下，

步驟5.1，構(gòu)建基礎(chǔ)特征提取模塊，該模塊由卷積層-批歸一化層-激活函數(shù)組成，卷積操作的計算公式如下：其中代表第i層的第j個特征圖位置(x,y)處的值，權(quán)重和偏置b_ij連接前一個模塊o的第k個特征圖，P_i和Q_i分別為權(quán)重的尺寸；批歸一化的計算公式如下：其中β和γ是可以學習的參數(shù)，ε為常數(shù)，用于保持參數(shù)的穩(wěn)定性；ReLU激活函數(shù)的計算公式如下：ReLU(v_ij)＝max{0,v_ij}；

步驟5.2，通過基礎(chǔ)特征提取模塊與空間下采樣模塊的重復堆疊構(gòu)成深度卷積神經(jīng)網(wǎng)絡(luò)，其中空間下采樣模塊采用卷積層-激活函數(shù)代替最大池化層進行空間上的下采樣操作，網(wǎng)絡(luò)最終的輸出通過全局平均池化操作將特征輸入全連接層，全連接層的輸出用于進行風險估計及預測；

步驟5.3，為用于訓練的入侵樹種數(shù)據(jù)及未標記數(shù)據(jù)，輸入的訓練數(shù)據(jù)經(jīng)過深度卷積神經(jīng)網(wǎng)絡(luò)之后，聯(lián)合標注y，由基于非負風險估計的損失函數(shù)進行風險計算；基于非負風險估計的損失函數(shù)計算過程如下：其中入侵樹種的風險估計為f為卷積神經(jīng)網(wǎng)絡(luò)，E_P為對正樣本，即標記樣本的損失計算結(jié)果取均值，損失函數(shù)l(f(x),y)＝1/(1+exp(yf(x)))，π_p為類別先驗；未標記樣本的風險估計為E_U為對未標記樣本的損失計算結(jié)果取均值，入侵樹種樣本的負類風險估計為+1代表該樣本為入侵樹種類，-1表示該樣本為非入侵樹種類；

步驟5.4，風險計算之后，由基于隨機梯度下降的算法進行網(wǎng)絡(luò)參數(shù)的更新，迭代重復至停止條件后，網(wǎng)絡(luò)訓練完成；令i為批次，當r_i≥0時，使用進行網(wǎng)絡(luò)參數(shù)的更新，為通過風險估計函數(shù)計算梯度的過程，θ為網(wǎng)絡(luò)待更新的參數(shù)，當r_i＜0時，使用進行梯度的更新；

步驟6，使用步驟5中經(jīng)過訓練的卷積神經(jīng)網(wǎng)絡(luò)在歸一化預處理后的MNF影像上進行推理，通過TreeMask剔除非樹像素后即可獲得入侵樹種的分布。

2.如權(quán)利要求1所述的一種基于非負風險估計的高光譜和LiDAR融合入侵樹種探測方法，其特征在于：所述步驟2的實現(xiàn)方式如下，

步驟2.1，基于高光譜影像近紅外波段的反射率及歸一化植被指數(shù)提取高光譜影像中的植被區(qū)域，其中ρ_NIR和ρ_R分別為高光譜影像近紅外波段和紅波段的反射率；

步驟2.2，使用CHM在植被區(qū)域中將樹木區(qū)域提取出來，CHM影像中像素值大于一定閾值的像素被認為是樹木像素。