[发明专利]一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法

权利要求书

1.一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法，其特征在于，包括以下步骤：

步骤1，基于LiDAR数据的不同回波获得数字表面模型DSM和数字高程模型DEM，二者之间做差获得冠层高度模型CHM；

步骤2，基于高光谱影像和CHM构建掩膜TreeMask,该掩膜用于提取影像中所有树存在的区域；

步骤3，使用最小噪声分离变换MNF对高光谱影像进行变换，并对变换后的影像进行归一化预处理；

步骤4，基于预处理后的影像和TreeMask，通过实地采样获取的入侵树种的地面真实值获得用于模型训练的入侵树种数据集；在TreeMask中随机采样，获得树的像素的索引，然后通过此索引在归一化后的高光谱影像获上得用于模型训练的未标记数据集；

步骤5，使用训练数据集及基于非负风险估计的损失函数对卷积神经网络进行训练；

所述步骤5的实现方式如下，

步骤5.1，构建基础特征提取模块，该模块由卷积层-批归一化层-激活函数组成，卷积操作的计算公式如下：其中代表第i层的第j个特征图位置(x,y)处的值，权重和偏置b_ij连接前一个模块o的第k个特征图，P_i和Q_i分别为权重的尺寸；批归一化的计算公式如下：其中β和γ是可以学习的参数，ε为常数，用于保持参数的稳定性；ReLU激活函数的计算公式如下：ReLU(v_ij)＝max{0,v_ij}；

步骤5.2，通过基础特征提取模块与空间下采样模块的重复堆叠构成深度卷积神经网络，其中空间下采样模块采用卷积层-激活函数代替最大池化层进行空间上的下采样操作，网络最终的输出通过全局平均池化操作将特征输入全连接层，全连接层的输出用于进行风险估计及预测；

步骤5.3，为用于训练的入侵树种数据及未标记数据，输入的训练数据经过深度卷积神经网络之后，联合标注y，由基于非负风险估计的损失函数进行风险计算；基于非负风险估计的损失函数计算过程如下：其中入侵树种的风险估计为f为卷积神经网络，E_P为对正样本，即标记样本的损失计算结果取均值，损失函数l(f(x),y)＝1/(1+exp(yf(x)))，π_p为类别先验；未标记样本的风险估计为E_U为对未标记样本的损失计算结果取均值，入侵树种样本的负类风险估计为+1代表该样本为入侵树种类，-1表示该样本为非入侵树种类；

步骤5.4，风险计算之后，由基于随机梯度下降的算法进行网络参数的更新，迭代重复至停止条件后，网络训练完成；令i为批次，当r_i≥0时，使用进行网络参数的更新，为通过风险估计函数计算梯度的过程，θ为网络待更新的参数，当r_i＜0时，使用进行梯度的更新；

步骤6，使用步骤5中经过训练的卷积神经网络在归一化预处理后的MNF影像上进行推理，通过TreeMask剔除非树像素后即可获得入侵树种的分布。

2.如权利要求1所述的一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法，其特征在于：所述步骤2的实现方式如下，

步骤2.1，基于高光谱影像近红外波段的反射率及归一化植被指数提取高光谱影像中的植被区域，其中ρ_NIR和ρ_R分别为高光谱影像近红外波段和红波段的反射率；

步骤2.2，使用CHM在植被区域中将树木区域提取出来，CHM影像中像素值大于一定阈值的像素被认为是树木像素。