[发明专利]一种种植作物结构遥感影像分类方法及装置

说明书

本发明涉及一种种植作物结构遥感影像分类方法及装置，该方法及装置在采用初级深度学习模型进行预测后，根据预测结果分别将边界像元和内部像元提取出来，再分别针对边界像元和内部像元进行训练，以对应得到各个边界像元和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，将预测权重和最高的类别作为该光谱特征的预测结果，根据该预测结果再次构建深度学习预测分类模型对待分类的种植作物结构遥感影像进行预测分类。该方法及装置倾斜权重分配，牺牲部分内部像元权重，减少了边界像元误差，提高了总体种植作物结构分类精度。

技术领域

本发明属于种植作物结构分类技术领域，具体涉及一种种植作物结构遥感影像分类方法及装置。

背景技术

种植作物结构是作物长势监测和估产分析、种植结构调整及优化、作物灌溉管理的主要依据，及时了解、掌握主要种植作物的种植面积、长势信息，对于准确预估种植作物产量，加强种植作物生产管理具有重要意义。

传统的作物长势与种植面积等相关信息的获取主要依赖政府部门向上级报告或者是对农民进行走访问卷调查，该种方式会消耗大量人力财力且浪费时间，也容易出现漏报、错报等问题。随着技术的发展，“3S”技术(RS、GIS、GPS)在农田作物的分类、区域面积计算、长势与产量预估、灾害统计等方面发挥着举足轻重的作用。

光学遥感可以根据地表不同物体反射率的差异，利用地表对太阳照射的反射波来获取地物目标信息，在利用光学遥感影像进行用分类的方法中常用的算法为传统机器学习算法，例如，作者为常升龙的《基于机器学习的农作物种植结构遥感提取研究》中便介绍了将传统机器学习算法应用于种植作物结构分类上来，包括BP神经网络、SVM分类器等，但这类算法在使用时，算法本身不具备特征提取功能，需要先进行特征提取，并将提取后的特征输入给算法供算法处理。

由于深度学习具有从大样本数据集中自动学习的特征，具有极强的学习和表达能力，故大量学者开始将深度学习应用于农作物种植结构遥感提取中来。但是，目前大多依旧采用单极深度学习模型来进行预测，研究发现，使用单极深度学习模型进行分类仍旧会出现分类错误的地方，且这些分类错误的地方主要出现在作物混合区域，导致分类精度不高。

发明内容

本发明提供了一种种植作物结构遥感影像分类方法及装置，用以解决现有技术的使用单极深度学习模型进行分类造成分类精度不高的问题。

为解决上述技术问题，本发明的技术方案和有益效果为：

本发明的一种种植作物结构遥感影像分类方法，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。