[发明专利]一种种植作物结构遥感影像分类方法及装置

权利要求书

1.一种种植作物结构遥感影像分类方法，其特征在于，包括如下步骤：

获取种植作物结构遥感影像，将种植作物结构遥感影像分割成各个像元，并制作种植作物结构遥感影像中各个像元的种植种类分类标签；

构造初级深度学习模型，将种植作物结构遥感影像的各个像元和各个像元对应的种植种类分类标签作为第一样本输入至初级深度学习模型进行训练，提取边界像元和内部像元；其中，边界像元为初级深度学习模型输出结果与对应的种植种类分类标签不一致的像元，内部像元为初级深度学习模型输出结果与种植种类分类标签一致的像元；

构造第一次级深度学习模型，将边界像元及其对应的种植种类分类标签作为第二样本输入至第一次级深度学习模型中进行训练，获取各个边界像元的光谱特征在各个分类下的预测权重；

构造第二次级深度学习模型，将内部像元及其对应的种植种类分类标签作为第三样本输入至第二次级深度学习模型中进行训练，获取各个内部像元的光谱特征在各个分类下的预测权重；

将光谱特征相同的边界像元在任一分类下的预测权重与内部像元在相同分类下的预测权重相加，得到各个光谱特征在任一分类下的预测权重和，进而得到各个光谱特征在各个分类下的预测权重和，将预测权重和最高的类别作为该光谱特征的预测结果；

构造深度学习预测分类模型，将各个光谱特征的预测结果作为各个光谱特征的分类标签，将各个光谱特征及其分类标签作为第四样本输入至深度学习预测分类模型进行训练，得到种植作物结构分类模型；将待分类的种植作物结构遥感影像输入至种植作物结构分类模型中，得到待分类的种植作物结构遥感影像的分类结果。

2.根据权利要求1所述的种植作物结构遥感影像分类方法，其特征在于，所述种植作物结构遥感影像包括低分辨率多光谱影像和高分辨率全色波段影像，还包括对获取的低分辨率多光谱影像和高分辨率全色波段影像进行图像融合的步骤。

3.根据权利要求2所述的种植作物结构遥感影像分类方法，其特征在于，所述图像融合方法为NND融合方法。

4.根据权利要求1～3任一项所述的种植作物结构遥感影像分类方法，其特征在于，所述初级深度学习模型、第一次级深度学习模型和第二次级深度学习模型均为U-net模型。

5.一种种植作物结构遥感影像分类装置，其特征在于，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现方法：

获取种植作物结构遥感影像，将种植作物结构遥感影像分割成各个像元，并制作种植作物结构遥感影像中各个像元的种植种类分类标签；

构造初级深度学习模型，将种植作物结构遥感影像的各个像元和各个像元对应的种植种类分类标签作为第一样本输入至初级深度学习模型进行训练，提取边界像元和内部像元；其中，边界像元为初级深度学习模型输出结果与对应的种植种类分类标签不一致的像元，内部像元为初级深度学习模型输出结果与种植种类分类标签一致的像元；

构造第一次级深度学习模型，将边界像元及其对应的种植种类分类标签作为第二样本输入至第一次级深度学习模型中进行训练，获取各个边界像元的光谱特征在各个分类下的预测权重；

构造第二次级深度学习模型，将内部像元及其对应的种植种类分类标签作为第三样本输入至第二次级深度学习模型中进行训练，获取各个内部像元的光谱特征在各个分类下的预测权重；

将光谱特征相同的边界像元在任一分类下的预测权重与内部像元在相同分类下的预测权重相加，得到各个光谱特征在任一分类下的预测权重和，进而得到各个光谱特征在各个分类下的预测权重和，将预测权重和最高的类别作为该光谱特征的预测结果；

构造深度学习预测分类模型，将各个光谱特征的预测结果作为各个光谱特征的分类标签，将各个光谱特征及其分类标签作为第四样本输入至深度学习预测分类模型进行训练，得到种植作物结构分类模型；将待分类的种植作物结构遥感影像输入至种植作物结构分类模型中，得到待分类的种植作物结构遥感影像的分类结果。

6.根据权利要求5所述的种植作物结构遥感影像分类装置，其特征在于，所述种植作物结构遥感影像包括低分辨率多光谱影像和高分辨率全色波段影像，还包括对获取的低分辨率多光谱影像和高分辨率全色波段影像进行图像融合的步骤。