[发明专利]基于时空深度学习融合技术的农作物全自动化分类方法

说明书

本发明公开了一种基于时空深度学习融合技术的农作物全自动化分类方法，属于卫星遥感图像处理与应用的技术领域。本发明目的是解决现有高分辨率遥感影像在对农作物分类中存在的地物边界模糊或椒盐噪声现象、算法复杂度高且时间开销大、忽略特征信息对作物识别结果的影响，以及目前深度学习方法无法对高分辨率遥感影像进行及时、准确的农作物识别等问题。本发明提出全自动化的训练样本选择方法，融合地理信息的Geo‑3D CNN网络与Geo‑Conv1D网络，并采用Active Learning策略实现两种分类方法分类结果的融合。利用本发明提出的基于时空深度学习融合技术的农作物全自动化分类方法可以实现对大面积农作物的高效、准确的识别。

技术领域

本发明属于卫星遥感图像处理与应用的技术领域。

背景技术

农作物分类信息的准确获取在预估产量、加强作物生产管理、农业保险与灾害评估等诸多方面中具有十分重要的科学与实践意义，近年来是遥感领域的研究热点之一。在诸多基于遥感影像的农作物分类算法中，深度学习方法被认为是一项突破性技术并以高效学习的特点在遥感农业识别领域掀起一阵热潮。近年来，国内外的研究学者提出了许多基于深度学习高分辨率遥感影像的作物分类方法。代表研究如下：

不同于传统的机器学习分类方法，深度学习方法的引入对遥感影像的识别准确率有明显的提高，Zhong等人采用EVI时序序列与时序特征表征网络Conv1D进行基于像素点的大面积作物分类，获得的总体分类精度为85.54％，高于LSTM网络3.1％(参见Zhong L,HuL,Zhou H,Deep learning based multi-temporal crop classification,RemoteSensing of Environment 221:430-443(2019))。Castelluccio等人使用GoogLeNet和CaffeNet对农作物进行了分类，其准确度分别为91.83％和90.94％(参见Castelluccio M,Poggi G,Sansone C,Land use classification in remote sensing images byconvolutional neural networks,arXiv preprint arXiv:1508.00092(2015))。Xu等人采用双通道卷积神经网络(CNN)提取时空特征联合从LiDAR数据提取的特征对土地覆盖类型进行基于影像块的分类，在四种数据集上均实现较高的作物识别精度(参见Xu X,Li W,Ran Q,Multisource remote sensing data classification based on convolutionalneural network,IEEE Transactions on Geoscience and Remote Sensing,56(2):937-949(2018))。Guidici等人应用多时相Conv1D网络对高光谱影像中的土地覆盖类型进行分类，其准确度为89.9％，SVM(89.5％)，RF(82.2％)(参见Guidici D,Clark M L,One-Dimensional convolutional neural network land-cover classification of multi-seasonal hyperspectral imagery in the San Francisco Bay Area,California,Remote Sensing,9(6):629(2017))。Ji等人将多时相GF-2影像输入3D CNN网络提取时空特征并对作物进行基于影像块的分类，获得95.9％的分类精度，优于2D CNN网络5.9％(参见Ji S,Zhang C,Xu A,Shi Y,Duan Y,3D Convolutional Neural Networks for CropClassification with Multi-Temporal Remote Sensing Images,Remote Sensing,10(1):75(2018))。Romero等人采用非监督的神经网络用于对高光谱遥感影像的分析，避免了有监督方法训练时高光谱影像的Hudge现象和小样本造成的过拟合问题，但与监督分类方法相比不能对影像特征进行有效的提取(参见Romero A,Gatta C,Camps-Valls G,Unsupervised deep feature extraction for remote sensing imageclassification,IEEE Transactions on Geoscience and Remote Sensing,54(3):1349-1362(2016))。Yang等人提出了CNN-RF协同作用的混合模型，利用CNN网络提取高维特征，利用机器学习分类器的优势来代替全连接层做最后的分类决策(参见Yang S,Gu L,LiX,Jiang T,Ren R,Crop Classification Method Based on Optimal FeatureSelection and Hybrid CNN-RF Networks for Multi-Temporal Remote SensingImagery,Remote Sensing,12(19):3119(2020))。随着深度学习方法不断的发展与进步，多种改进的深度学习方法被逐渐应用到遥感领域中，包括建筑物提取，目标检测，土地利用与灾害评估等诸多方面。