[发明专利]基于机器学习的农作物识别方法、装置、存储介质及终端

说明书

本发明提供基于机器学习的农作物识别方法、装置、存储介质及终端。所述方法包括：获取目标区域内农作物的物候期遥感影像，以合成相应的时间序列图像；对所述时间序列图像进行多尺度分割，以获得影像对象；选取多个弱分类器，并按所述影像对象的分类体系和分类特征集，对所述影像对象进行分类，以获取每个分类器在每个尺度下的分类结果；对所述分类结果进行分类精度评价，并根据所述分类精度评价结果进行加权计算，以识别每个像素的归属类别。本发明方案克服了单一最优尺度在凸显某种类别信息时对其它类别信息的损害，避免了分类器模型的参数选取和优化问题，提高了农作物遥感影像的分类精度。

技术领域

本发明涉及农业遥感领域，特别是涉及基于机器学习的农作物识别方法、装置、存储介质及终端。

背景技术

地表作物覆盖信息对于粮食安全和作物监测非常重要，准确及时的对地表作物类型分布进行测绘并制定健全的管理政策，有助于粮食的生产和预测。

伴随着互联网大数据和高性能图形处理器GPU的出现，机器学习已经被广泛应用于专家系统、认知模拟、数据挖掘、自然语言理解、网络信息服务、遥感图像分类等领域。并且，随着近些年大量高分辨率遥感卫星的升空，遥感技术也得到了巨大得发展，扩大了农业基础数据的获取途径，减少了数据获取成本，让农业遥感测绘的普及变成了可能。因此，在现有的地表作物类型分布测绘的方法中，基于遥感技术和机器学习理论的分类识别的方法已经逐步取代了传统的实地测量的方法。

基于遥感影像对地表覆盖类型进行分类识别的方法可以分为两大类：基于像素分析(Pixel Based Image Analysis，PBIA)的分类识别方法和基于对象分析(ObjectOriented Image Analysis，OBIA)的分类识别方法。两者最大的区别在于进行图像处理时的单位不同：前者以像素作为单位；后者以像素聚集后的具有均一性，一致性的斑块作为单位。长期以来，基于像素的分析方法一直是遥感图像分类的主要方法，但是基于对象的图像分析方法在过去十年中已经变得越来越普遍。相比于PBIA分类识别方法，OBIA分类识别方法能获取对象更多的空间信息，并有效减少光谱异质性问题和图像分类后的椒盐效应。随着高分辨影像的发展，OBIA分类识别方法在地表覆盖监测上的优势会越来越明显。图像分割作为OBIA分类识别方法的核心技术，主要采用试错法和主观感知法获取分割尺度参数，容易导致过分割和欠分割现象，即分割出来的对象特征并不能代表地表真实对象的属性，从而影响分类精度。因此，许多研究提出基于单一最优分割尺度的方法，包括监督的方法和非监督的方法。然而，由于地表覆盖类型往往非常复杂，不同地表覆盖类型对应的分割尺度大多都有所不同，当使用某单一最优尺度时，在凸显某种地类信息时不可避免会损伤到其它地类的信息，从而降低分类精度。此外，基于机器学习理论的地表作物类型分类识别的方法中，不同分类器性能对于不同研究区、不同影像、不同样本可能表现不一，如何选择分类器和参数一直是分类问题中的难点。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供基于机器学习的农作物识别方法、装置、存储介质及终端，用于解决现有技术中的问题。

为实现上述目的及其他相关目的，本发明的第一方面提供一种基于机器学习的农作物识别方法。该方法首先获取目标区域内农作物的物候期遥感影像，以合成相应的时间序列图像；然后，对所述时间序列图像进行多尺度分割，以获得影像对象；其次，选取多个弱分类器，并按所述影像对象的分类体系和分类特征集，对所述影像对象进行分类，以获取每个分类器在每个尺度下的分类结果；最后，对所述分类结果进行分类精度评价，并根据所述分类精度评价结果进行加权计算，以识别每个像素的归属类别。

于本发明的第一方面的一些实施例中，所述对所述分类结果进行分类精度评价，其包括：选取各尺度下精度最高的分类器，以作为各尺度的最优分类器；对每个农作物类别在各个尺度下的基于该尺度的最优分类器的分类结果进行分类精度评价；其中，所述分类精度评价的评价值与分类结果的精度值正相关。