本發(fā)明涉及圖像處理，特別是涉及一種基于多光譜衛(wèi)星影像的作物識別方法。

背景技術(shù)：

1、高光譜遙感圖像(hsi)以其豐富的光譜分辨率在環(huán)境監(jiān)測、土地分類和災(zāi)害檢測等領(lǐng)域應(yīng)用廣泛。然而，受傳感器物理條件限制，hsi通常具有較低的空間分辨率。

2、相較之下，多光譜遙感圖像(msi)具有較低的光譜分辨率但更高的空間分辨率，能更完整地描述土地覆蓋的形態(tài)和分布。

3、申請?zhí)枮?01810901457.8的發(fā)明專利中公開了一種基于多光譜衛(wèi)星影像的作物識別方法，包括以下步驟：s1、采集作物樣本；s2、獲取所述作物樣本的多光譜衛(wèi)星影像數(shù)據(jù)；s3、通過所述作物樣本的采集位置確定所述多光譜衛(wèi)星影像數(shù)據(jù)上作物樣本對應(yīng)的像元；s4、將所述像元的時序光譜信息和所述作物樣本的作物種類作為輸入，訓(xùn)練機器學(xué)習(xí)模型；s5、通過訓(xùn)練好的所述機器學(xué)習(xí)模型，對其他采樣區(qū)域進行作物分類。該專利將所述像元的時序光譜信息作為訓(xùn)練機器學(xué)習(xí)模型的輸入，不僅大大的擴展了作物光譜信息的數(shù)量，解決了單一時刻作物光譜信息不足的問題，還從作物的生長全周期的光譜信息對作物進行識別，相比單一時刻的識別更加準確，從而提高作物識別效率。但是，其僅利用多光譜衛(wèi)星影像數(shù)據(jù)，無法并未考慮高光譜遙感圖像中的豐富的光譜分辨率，造成識別的結(jié)果并不精準。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于多光譜衛(wèi)星影像的作物識別方法。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于多光譜衛(wèi)星影像的作物識別方法，包括：

4、獲取原始樣本集；所述原始樣本集中包括各個樣本作物區(qū)域?qū)?yīng)的高光譜遙感圖像和多光譜遙感圖像；

5、利用自適應(yīng)濾波方法對所述原始樣本集進行預(yù)處理，得到處理樣本集；

6、將所述處理樣本集中的高光譜遙感圖像作為標簽圖像，對所述處理樣本集中的高光譜遙感圖像和所述多光譜遙感圖像分別進行空間和光譜方面的下采樣，得到用于網(wǎng)絡(luò)調(diào)參的訓(xùn)練數(shù)據(jù)集；

7、將所述訓(xùn)練數(shù)據(jù)集輸入至初始網(wǎng)絡(luò)模型中進行訓(xùn)練，得到訓(xùn)練好的作物識別模型；

8、將待測數(shù)據(jù)輸入至所述作物識別模型中，得到識別結(jié)果。

9、優(yōu)選地，利用自適應(yīng)濾波方法對所述原始樣本集進行預(yù)處理，得到處理樣本集，包括：

10、以所述原始樣本集中的高光譜遙感圖像和多光譜遙感圖像的每個像素點為中心取一個正方形窗口，并檢測正方形窗口下每個像素點的變化量；檢測正方形窗口下每個像素點的變化量的計算公式為：其中，fx(xi,yj)表示所述原始樣本集中的高光譜遙感圖像和多光譜遙感圖像在x方向上的梯度值，fy(xi,yj)表示所述原始樣本集中的高光譜遙感圖像和多光譜遙感圖像在y方向上的梯度值，f(xi,yj)表示所述原始樣本集中的高光譜遙感圖像和多光譜遙感圖像在(xi,yj)位置處的灰度值，r表示像素點f(xi,yj)的變化量；

11、當像素點的變化量大于預(yù)設(shè)閾值時，使用正方形窗口內(nèi)像素點的中值對相應(yīng)正方形窗口內(nèi)的高光譜遙感圖像和多光譜遙感圖像進行平滑處理，得到平滑后的像素點；

12、不斷移動所述正方形窗口直到完成整個原始樣本集中的高光譜遙感圖像和多光譜遙感圖像的平滑過程，得到平滑圖像；所述平滑后的像素點的輸出公式為：idenoised(x,y)＝median(ioriginal(x-h,y-h),...,ioriginal(x+h,y+h))；其中，idenoised(x,y)為平滑后像素點，h為正方形窗口的邊長，ioriginal(x,y)為所述原始樣本集中的高光譜遙感圖像和多光譜遙感圖像上的像素點在(x,y)位置處的值；

13、基于所述平滑圖像的卷積值構(gòu)建像素增強函數(shù)；

14、利用所述像素增強函數(shù)對所述原始樣本集中的影像進行圖像增強處理，得到所述處理樣本集。

15、優(yōu)選地，基于所述平滑圖像的卷積值構(gòu)建像素增強函數(shù)，包括：

16、對所述平滑圖像進行卷積處理，得到卷積后的圖像；

17、基于卷積后圖像的像素值確定增強系數(shù)；

18、基于增強系數(shù)構(gòu)建像素增強函數(shù)；其中，像素增強函數(shù)為：

19、其中，s(x,y)表示所述處理樣本集中的影像，e(x,y)表示增強系數(shù)，g(x,y)表示卷積后的圖像在(x,y)處的像素值，i(x,y)表示平滑圖像，σ表示平滑圖像與卷積后的圖像之間的均方差。

20、優(yōu)選地，將所述處理樣本集中的高光譜遙感圖像作為標簽圖像，對所述處理樣本集中的高光譜遙感圖像和所述多光譜遙感圖像分別進行空間和光譜方面的下采樣，得到用于網(wǎng)絡(luò)調(diào)參的訓(xùn)練數(shù)據(jù)集，包括：

21、根據(jù)預(yù)設(shè)的wald協(xié)議，對所述處理樣本集中的高光譜遙感圖像和所述多光譜遙感圖像進行高斯濾波處理，得到濾波圖像；

22、然后使用雙線性插值法對所述濾波圖像進行相應(yīng)倍數(shù)的下采樣，以使處理后的圖像被用作模擬低分辨率輸入的高光譜遙感圖像和多光譜遙感圖像，并且原始高光譜圖像則被保留作為參考圖像。

23、優(yōu)選地，所述作物識別模型的構(gòu)建方法包括：

24、對獲取到的所述訓(xùn)練數(shù)據(jù)集進行圖像處理，得到樣本圖像；

25、將所述樣本圖像輸入至具有多層殘差塊的cnn網(wǎng)絡(luò)進行特征提取，并利用最大池化層進行降維，得到降維后的局部特征圖；

26、將降維后的局部特征圖輸入至特征圖嵌入模塊，得到具有位置信息的一維向量；

27、將所述一維向量輸入至transformer塊中重復(fù)24次，得到全局特征融合數(shù)據(jù)，并將全局特征融合數(shù)據(jù)進行調(diào)整，得到二維全局特征圖；

28、將所述二維全局特征圖輸入到特征金字塔模塊，以對所述二維全局特征圖進行多尺度特征提取和融合，得到融合了不同尺度特征的特征圖；

29、將最后一層的具有殘差塊的cnn網(wǎng)絡(luò)提取的局部特征圖與融合了不同尺度特征的特征圖進行通道拼接，并經(jīng)過二維卷積聚合，然后使用雙線性插值上采樣方法將聚合后的特征圖尺寸空間擴大到樣本圖像相同尺寸，以得到預(yù)測圖像分割掩碼；

30、以多分類損失函數(shù)最小為目標，對基于cnn-transformer和特征金字塔模塊的神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練好的所述作物識別模型。

31、優(yōu)選地，所述多分類損失函數(shù)為非對稱損失函數(shù)。

32、根據(jù)本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術(shù)效果：

33、本發(fā)明提供了一種基于多光譜衛(wèi)星影像的作物識別方法，包括：獲取原始樣本集；所述原始樣本集中包括各個樣本作物區(qū)域?qū)?yīng)的高光譜遙感圖像和多光譜遙感圖像；利用自適應(yīng)濾波方法對所述原始樣本集進行預(yù)處理，得到處理樣本集；將所述處理樣本集中的高光譜遙感圖像作為標簽圖像，對所述處理樣本集中的高光譜遙感圖像和所述多光譜遙感圖像分別進行空間和光譜方面的下采樣，得到用于網(wǎng)絡(luò)調(diào)參的訓(xùn)練數(shù)據(jù)集；將所述訓(xùn)練數(shù)據(jù)集輸入至初始網(wǎng)絡(luò)模型中進行訓(xùn)練，得到訓(xùn)練好的作物識別模型；將待測數(shù)據(jù)輸入至所述作物識別模型中，得到識別結(jié)果。本發(fā)明利用高光譜遙感圖像和多光譜遙感圖像的組合，高光譜圖像提供了豐富的光譜信息，可以精細地區(qū)分不同物質(zhì)的光譜特征，而多光譜圖像則提供了較高的空間分辨率。結(jié)合這兩種數(shù)據(jù)類型，可以充分利用高光譜圖像的詳細光譜信息和多光譜圖像的空間細節(jié)，從而提高作物識別的準確性和可靠性。