[发明专利]一种基于ConvNeXt迁移学习的城市树种分类方法

说明书

本发明公开了一种基于ConvNeXt迁移学习的城市树种分类方法，包括：采集高分城市树种影像，对高分城市树种影像进行图像增强处理，获取增强数据集；对增强数据集进行超像素分割，获取源数据集；构建树种分类模型，将源数据集输入树种分类模型进行训练，获取训练完成的树种分类模型，基于训练完成的树种分类模型对城市树种进行分类。通过数据增强的方式增强后续模型训练的鲁棒性与泛化能力。同时使用迁移学习的方法来训练数据集，大大加快模型收敛时间。

技术领域

本发明属于城市树种分类领域，特别是涉及一种基于ConvNeXt迁移学 习的城市树种分类方法。

背景技术

城市树种分类有利于城市综合建设、城市林业资源估计及协调人树关 系。无人机高分影像极高的空间分辨率致使树种影像上不同地物具有详细、 丰富的空间、几何、纹理等特征。而不同树种之间的特征及其相似、不同 树种之间间距小。传统城市树种分类方法如支持向量机、决策树、随机森 林等由于其欠佳的特征提取效果不适用于高精度的城市树种分类。

随着图像分类技术的快速发展，深度学习中的许多分类模型如 DenseNet、Shuffenet、Swin transformer被广泛应用于城市树种分类，并获 得了较好的分类效果。然而由于其特殊的特征提取结构与复杂的结构设计 致使网络训练速度慢、分类精度有限、无法解决高分影像中城市树种种内 差距小、种间间距小所引起的分类精度低等现象。

即目前无人机高分影像城市树种分类问题存在以下几个方面：

1.传统分类器不能充分利用无人机高分影像城市树种影像的高质量纹 理、空间、几何特征导致城市树种分类精度低。

2.无人机高分城市树种影像具有种间间距小、种内差距小等现象引起 城市树种分类精度低的问题。

3.目前许多树种分类器存在着训练时间慢、鲁棒性泛化能力弱等问题。

发明内容

本发明的目的是提供一种基于ConvNeXt迁移学习的城市树种分类方 法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于ConvNeXt迁移学习的城市树 种分类方法，包括：

采集高分城市树种影像，对所述高分城市树种影像进行图像增强处理， 获取增强数据集；

对增强数据集进行超像素分割，获取源数据集；

构建树种分类模型，将所述源数据集输入所述树种分类模型进行训练， 获取训练完成的树种分类模型，基于所述训练完成的树种分类模型对城市 树种进行分类。

可选的，对所述高分城市树种影像进行图像增强处理，获取增强数据 集的过程中，采取gama增强法或线性拉伸增强法对所述高分城市树种影像 的数据特征进行图像增强处理。

可选的，所述数据特征包括城市树种及地物的对比度、纹理特征、几 何特征和空间特征。

可选的，对增强数据集进行超像素分割，获取源数据集的过程中包括：

基于超像素分割算法对增强数据集中的高分城市树种影像进行分割， 获取树种及地物分割后的二值标签图像；

基于超像素分割后的二值标签图像裁剪地物，通过目视解译获得源数 据集。

可选的，基于超像素分割算法对增强数据集中的高分城市树种影像进 行分割的过程中，所述超像素分割算法采用了基于K-means聚类梯度下降 的简单线性迭代聚类算法。

可选的，构建树种分类模型的过程中，基于ConvNeXt网络构建树种分 类模型，包括：

通过在所述ConvNeXt网络的最后接入全局池化层对网络参数进行压 缩、对全局空间信息融合。