[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

说明书

本发明公开了一种基于高动态影像的阴影区植被覆盖度提取方法，这种方法考虑了正常曝光影像中阴影区植被特征显示不明显，影响提取植被覆盖度精度的问题。该方法通过将低曝光、正常曝光、过曝光的三张阴影区植被影像合成出高动态影像。采用U型神经网络对高动态影像进行语义分割。将高动态影像和标签裁剪成小样本，并划分为训练集、验证集、测试集，然后训练出HDR‑DL模型。根据验证集判断模型是否过拟合，并对测试集进行预测，将小样本的二值化影像进行拼接，最后估算出植被覆盖度。本方法基于高动态影像，为更加精确的提取阴影区的植被覆盖度提供了新的技术路线，为地面估算植被覆盖度作为遥感产品和算法验证提供了重要的支撑。

技术领域

本发明涉及农业遥感，生态遥感和计算机视觉技术领域，主要是关于一种基于高动态影像的阴影区植被覆盖度提取方法。

背景技术

植被是陆地生态系统重要的组成部分，在维护生态系统平衡、涵养水源和保持水土等方面具有重要作用。植被覆盖度通常定义为统计范围内植被地上部分(包括叶、茎、枝)的垂直投影面积所占的百分比。植被覆盖度是描述地表植被分布的重要指标，可以分析植被分布的影响因素和评价区域生态环境。在地面实地估算植被覆盖度对遥感算法和产品验证十分重要，可以作为遥感监测结果的地面验证。

获取植被覆盖度的方法主要分为地面实测法和遥感监测法。其中，地面实测法包括目估法、采样法、仪器法、照相法等测量方法。目估法、采样法、仪器法等方法主要依靠人工进行实地调查，由于受到人力和物力条件的影响，存在效率低、成本高和时效性低等缺点，不适合大面积区域的植被覆盖度提取。而利用数码相机的照相法可以方便快捷的获取地面植被的垂直观测影像，极大的提高了地面测量的效率和精度。通常情况下，利用数字图像来估算植被覆盖度是十分有效和精确的。然而，由于地形、云层、光照角度以及植被密集程度等因素的影响，导致获取的地面影像中植被区域会存在阴影，阴影植被的存在会增加植被分类的错误，这极大的限制了植被覆盖度的估算精度。

在场景的某个范围内，会有高大的树木、植物，甚至是覆盖着低草或该范围内其他植被产生的阴影。单张影像中存在自然光照变化和强度差异很大的问题，这也会导致影像存在阴影，由于影像中植被和阴影混合存在，会影响对植被覆盖度的估算。而使用高动态范围(High Dynamic Range，HDR)影像，可以解决影像中自然光照变化和强度差异很大的问题，可以更好的显示阴影区域的地物。HDR影像相比普通的影像，可以提供更多的动态范围和图像细节，根据不同的曝光时间的低动态范围图像，来合成最终的HDR影像。HDR影像可以更好的将图像中阴影区域的植被显示出来。

基于数字影像估算植被覆盖度的方法通常可以分为两类，一种是基于训练样本的聚类分析，如监督分类、非监督分类和基于对象的图像分析方法。另一种是基于植被指数的阈值方法。如过绿指数、颜色指数等指数。基于植被指数的阈值方法对阴影区域的植被分割效果不好，同时植被分割效果受植被类型的影响较大。U型神经网络具有跳跃连接的编解码结构，可以融合不同层级的特征，阴影植被影像一般都具有固定化结构和小样本性，更适合于基于U型神经网络的深度学习方法来分割植被，同时，高动态范围影像可以更好的显示阴影区植被的细节，因此需要一种基于高动态影像的阴影区植被覆盖度提取方法。

发明内容

本发明的目的在于克服了现有技术的不足和缺点，提出了一种适合于提取阴影区植被覆盖度的计算方法。本文采用的方法考虑了正常曝光影像中阴影区域的植被信息显示不完全和采用阈值方法分割效果差的问题。本文通过结合HDR影像，更好的显示出阴影区域的植被信息。植被指数的阈值方法对植被类型和状态有很大的要求，具有一定的局限性，而U型神经网络具有跳跃连接的编码和解码结构，可以将HDR影像不同层级的特征进行融合，基于U型神经网络的深度学习方法对训练集进行训练，并结合验证集来判断训练模型的过拟合情况，训练出的HDR-DL模型可以更好的应用于多种植被类型，并与基于正常曝光影像的深度学习方法计算出的植被覆盖度进行比较，基于U型神经网络的深度学习方法的植被覆盖度估算结果更具备说服力。

本发明的目的通过以下的技术方案实现：一种基于高动态影像的阴影区植被覆盖度提取方法，包括以下步骤：