[發(fā)明專利]基于時空深度學(xué)習融合技術(shù)的農(nóng)作物全自動化分類方法

有效

• 申請?zhí)枺?/td>: 202110279564.3
• 申請日: 2021-03-16
• 公開（公告）號: CN112861802B
• 公開（公告）日: 2022-09-27
• 發(fā)明（設(shè)計）人: 顧玲嘉;楊舒婷;任瑞治
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06V10/774;G06V10/82;G06V10/764;G06N3/08;G06N3/04
• 代理公司: 吉林省中玖專利代理有限公司 22219
• 代理人: 李泉宏

1.基于時空深度學(xué)習融合技術(shù)的農(nóng)作物全自動化分類方法，其特征在于，該方法的步驟如下：

步驟一、影像預(yù)處理：獲取到的多時相高分辨率遙感影像是進行過幾何精校正的正射影像，對該影像進行輻射定標與大氣校正進而獲取預(yù)處理之后的遙感影像；

步驟二、從原始的多時相Sentinel-2影像中提取有用的信息源，所述的信息源為可變大氣阻力指數(shù)VARIgreen、比值建筑用地指數(shù)RBI和短波紅外SWIR；

步驟三、對樣本數(shù)據(jù)集進行提純；

步驟四、利用步驟三獲得的影像塊訓(xùn)練融合地理信息的Geo-3D CNN網(wǎng)絡(luò)，獲得第一種分類結(jié)果；

步驟五、利用步驟三獲得的影像塊訓(xùn)練融合地理信息的Geo-Conv1D網(wǎng)絡(luò)，獲得第二種分類結(jié)果；

步驟六、采用Active Learning策略實現(xiàn)兩種分類結(jié)果的融合，得到最終分類；

其中，步驟三對樣本數(shù)據(jù)集進行提純的步驟具體如下：

(a)從原始多時相遙感影像中提取信息源，利用OTSU分割算法對獲取的信息源進行分割處理；

(b)根據(jù)分割結(jié)果在原始信息源上采用直方圖統(tǒng)計的方法并根據(jù)設(shè)置的置信區(qū)間自動確定各類作物提取的閾值范圍，進而獲取粗訓(xùn)練樣本；

(c)刪除面積小于設(shè)定閾值的對象，去除小的異構(gòu)點；

(d)去除各類樣本的重疊區(qū)域；

(e)通過最優(yōu)滑窗與最優(yōu)影像塊尺寸的設(shè)計挑選出的影像塊和像素點純凈樣本，

影像塊訓(xùn)練樣本最優(yōu)滑窗選擇結(jié)果：滑窗移動步長Stride＝1，影像塊大小與影像塊樣本滑窗尺寸之間遵循的關(guān)系如下：(s×b+P)×(s×b+P)＝n×n(s＝1,2,…,6；l＝2,3,...,6；P＝2)；P＝2代表在影像塊樣本周圍擴充了一圈具有相同標簽的數(shù)據(jù)，b×b代表影像塊大小，s＝1,2,3,…代表滑窗內(nèi)部的樣本數(shù)據(jù)被劃分為s×s個大小為b×b的影像塊，n×n代表挑選影像塊樣本的滑窗尺寸；

像素點訓(xùn)練樣本最優(yōu)滑窗選擇結(jié)果：基于像素點的訓(xùn)練樣本選擇，根據(jù)實際情況設(shè)計滑窗大小m×m(m＝6,7,…,14)，保證滑窗內(nèi)部的數(shù)據(jù)具有相同的標簽，選擇(m-1)×(m-1)大小的影像塊制作像素點訓(xùn)練樣本，為了保證像素點樣本選擇的不重復(fù)性，設(shè)計規(guī)則如下：

用(i,j)(i＝1,2,…,(M-m+1)；j＝1,2,…,(N-m+1))表示輸入影像某位置的橫縱坐標，輸入影像高度M，寬度N；

(a)如果i＝1，j＝1，提取(i+1:i+(m-1),j+1:j+(m-1))范圍內(nèi)的像素點樣本；

(b)如果i＝1，j≠1，提取(i+1:i+(m-1),j+(m-1))范圍內(nèi)的像素點樣本；

(c)如果i≠1，j＝1，提取(i+(m-1),j+1:j+(m-1))范圍內(nèi)的像素點樣本；

(d)如果i≠1，j≠1，提取(i+(m-1),j+(m-1))位置的像素點樣本。