[發明專利]一種農業種植結構的遙感識別方法

在審

• 申請號: 202110371126.X
• 申請日: 2021-04-07
• 公開（公告）號: CN112906666A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 黃冠華;馮子怡
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 北京中安信知識產權代理事務所(普通合伙) 11248
• 代理人: 李彬;徐林

1.一種農業種植結構的遙感識別方法，其特征在于，該方法包括如下步驟：

步驟S1、利用k-means無監督學習算法對原始衛星圖像進行分割：

S1.1、將原始衛星圖像中的像素點分為K個簇，隨機選取K個像素點作為初始的聚類中心點；

S1.2、計算原始衛星圖像中的未聚類的像素點與各個聚類中心點之間的距離，將各像素點和與其距離最近的聚類中心點歸為一類，完成一次聚類；判斷此次聚類前后像素點的聚類情況是否相同，若相同，則完成聚類，進行步驟S1.4；若不同，則繼續進行步驟S1.3；

S1.3、每分配一個像素點，重新計算該聚類中各像素點的中心點，并將該中心點設為新的聚類中心點，重復步驟S1.2；

S1.4、應用圖例對聚類后的圖像中各個簇與原始圖像人工比對進行分析；然后將非農業區域覆蓋的簇進行組合，最終對組合后的非農業區域進行裁剪，得到只包含農業區域的衛星圖像；

步驟S2、應用基于支持向量機SVM和極限學習機ELM分類器結合訓練的自標記算法對樣本集進行擴充，得到最終擴大樣本集EL：

在步驟S1圖像分割的基礎上，應用聯合訓練自標記算法來擴充訓練集；

在訓練過程中，使用標記樣本集作為初始訓練集，創建支持向量機SVM和極限學習機ELM分類器，然后以擴大后的標記樣本集作為訓練集，對支持向量機SVM和極限學習機ELM分類器進行更新；在標記階段，將一部分未標記樣本輸入到經過初始訓練的支持向量機SVM和極限學習機ELM分類器中，輸出每個類別的置信度；CTSLAL算法根據置信度高于80％對樣本進行標記，訓練和標記過程是通過迭代重復進行；

步驟S3、利用D-ELM算法對擴大樣本集EL的區域土地利用和/或農業種植結構進行分類：

將步驟S1中被分割后的只包含農業區域的衛星圖像作為輸入，同時將步驟S2中得到的最終擴大樣本集EL作為新的訓練集合，最終應用D-ELM分類器對整個包含農業區域的衛星圖像的土地利用和/或種植結構進行分類；分類的結果是得到帶有分類標簽色彩的一張圖像。

2.根據權利要求1所述的農業種植結構的遙感識別方法，其特征在于，在使用k-means無監督學習算法進行圖像分割時，為得到一個穩定的聚類結果，選擇參數為K＝50個簇進行聚類。

3.根據權利要求1所述的農業種植結構的遙感識別方法，其特征在于，所述步驟S2包括如下步驟：

S2.1、以標記樣本集L和未標記樣本集U作為輸入；

其中，標記樣本集L，為人工標記帶有類別標簽的像素點集合；

未標記樣本集U，即在原始圖像中隨機抽取的大量沒有標記類別的像素點集合；

S2.2、將標記樣本集L和協同標記集CL結合，得到一個擴大樣本集EL；協同標記集CL為協同標記自標記完成的樣本集合，擴大樣本集EL為人工標記樣本與協同標記集CL的并集；

S2.3、支持向量機SVM分類器和極限學習機ELM分類器分別用標記樣本集L進行初始訓練學習；

S2.4、支持向量機SVM分類器和極限學習機ELM分類器分別從未標記樣本集U中取得一組樣本，進行標記，得到兩個注釋集，并應用基于協同訓練評估器對兩個注釋集進行比較，將具有相同標注且置信度均高于80％的樣本添加到協同標記集CL中，擴大樣本集EL將相應地得到更新；

S2.5、通過更新的擴大樣本集EL，重復步驟S2.4，重新訓練支持向量機SVM分類器和極限學習機ELM分類器，然后應用協同訓練評估器持續地執行標記任務；

S2.6、未標記樣本集通過步驟S2.5被持續地標記，直到擴大樣本集EL中的樣本數量不再增加，從而得到最終擴大樣本集EL。

4.根據權利要求3所述的農業種植結構的遙感識別方法，其特征在于，所述標記樣本集L包括葵花、玉米、小麥。

5.根據權利要求1所述的農業種植結構的遙感識別方法，其特征在于，分類的結果的每一個圖像中的像素點都有一個分類，不同顏色代表不同分類。