[发明专利]一种基于高动态影像的阴影区植被覆盖度提取方法

权利要求书

1.一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于：包括以下步骤：

A、根据数码相机或智能手机的相机拍摄出阴影区植被的低曝光、正常曝光、过曝光影像，合成出高动态影像(HDR)；

B、对高动态影像中的植被进行标注，根据编写的程序，将阴影区植被的高动态影像和标签进行裁剪，划分训练集、验证集、测试集；

C、根据深度学习中的U型神经网络，对训练集进行训练，可以得到HDR-DL模型；

D、根据验证集对HDR-DL模型进行判断是否过拟合，若过拟合则修改U型神经网络的参数，进行重新训练；

E、根据训练出的HDR-DL模型，对测试集的高动态影像进行预测，将植被和背景分割出来，得到二值化影像；

F、将大小为512×512的二值化影像进行拼接，得到与裁剪前大小一致的影像，并估算植被覆盖度；

G、将阴影区植被的分割结果与目视解译的结果进行比较，并评估分割效果。

2.根据权利要求1所述的一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于，所述步骤A具体包括：

A1：阴影区植被的高动态影像主要根据数码相机或智能手机的相机拍摄得到，拍摄的影像是正射影像，数码相机或智能手机的相机有HDR模式，会拍摄出低曝光、正常曝光、过曝光影像，自动合成出HDR影像。

3.根据权利要求1所述的一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于，所述步骤B具体包括：

B1：对拍摄出的阴影区植被的高动态影像进行标注制作标签，主要将影像分为植被(包括阴影植被和光照植被)和背景(土壤、秸秆等)两类；

B2：根据编写的程序，将阴影区植被的高动态影像和标签分别裁剪为大小为512×512的影像，并划分为训练集、验证集、测试集。

4.根据权利要求1所述的一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于，所述步骤C具体包括：

C1：根据深度学习中的U型神经网络，对训练集进行训练，U型神经网络的交叉熵的损失函数公式如下；

cross_entropy＝-∑_x(p_i(x)logq_i(x))；

其中，q_i(x)表示当p_i(x)＝1时，U型神经网络输出中类别概率值的最大值；

C2：在U型神经网络中，采用Adam优化器对损失函数值进行反向传播，来自动调整学习率；

其中，W_t是t次迭代时的权重值，η是动量向量，m_t和v_t分别是一阶和二阶动量项，和是校正值，ε是一个非常小的数字防止分母为零。

5.根据权利要求1所述的一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于，所述步骤D具体包括：

D1：在U型神经网络中，对训练集数据训练出HDR-DL模型后，结合验证集数据判断HDR-DL模型是否过拟合，若模型存在过拟合，则修改U型神经网络参数，重新训练模型。

6.根据权利要求1所述的一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于，所述步骤E具体包括：

E1：根据训练出的HDR-DL模型，对测试集的RGB影像进行预测，将植被和背景分割出来，得到二值化影像。

7.根据权利要求1所述的一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于，所述步骤F具体包括：

F1：将大小为512×512的二值化影像进行拼接，得到与裁剪前大小一致的影像，并估算植被覆盖度。

8.根据权利要求1所述的一种基于高动态影像的阴影区植被覆盖度提取方法，其特征在于，所述步骤G具体包括：

G1：将阴影植被的分割结果与目视解译的结果进行比较和评估分割效果。基于混淆矩阵来定量评估阴影植被的分割效果。采用Kappa系数、F1分数、召回率、平均交并比对阴影植被图像的分割结果进行定量分析，通过综合这些指标有助于更好的评估阴影植被分割的性能；

式中，κ表示Kappa系数，N为像元总数，X_kk为混淆矩阵的对角线的值，Recall表示召回率，F1表示F1分数，MIOU表示平均交并比，TP为真正，TN为真负，FP为假阳，FN是假阴。