一种用于撂荒地的遥感识别方法技术

本发明专利技术提供了一种用于撂荒地的遥感识别方法，通过图像预处理、特征提取、模型训练、推理、逻辑运算等步骤，实现了从遥感影像中提取撂荒地。利用本方法，所提取的撂荒地的精度能够有很大的提升、效率大幅优于人力方式，解决了撂荒地提取中耗费人力的问题。此外，本发明专利技术的LUNET模型优于UNET模型，可以保证模型分类结果的整体性好，同时斑块也会较少。与此同时，本发明专利技术的TRNET模型的泛化性优于UNET模型，可以保证在不增加特征量的情况下，提高撂荒地提取的准确性。

【技术实现步骤摘要】
一种用于撂荒地的遥感识别方法
本专利技术涉及遥感影像
，尤其涉及一种用于农业遥感领域的撂荒地识别的技术。
技术介绍
遥感影像(RemoteSensingImage)是指记录各种地物电磁波大小的胶片或相片，如航空像片和卫星相片。每张遥感影像中都包含对应的地理坐标，换言之，遥感影像中的每个像素都可以获取其唯一的地理坐标位置。截止目前，我国耕地撂荒研究主要依靠收集统计资料和农户调查资料进行比较分析。由于耕地撂荒的渐变性、不稳定性和空间分布零散性等特征，使得确认其信息以及掌握撂荒土地动态变化的难度较大。由于遥感影像具有时效性、周期性、范围广等特点，故使用遥感影像监测撂荒地能够有效减少或避免人力物力投入。自然地，如何快速准确地从遥感图像中提取撂荒地，成为了本领域技术人员所亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种用于撂荒地的遥感识别方法，该方法主要包含以下七个步骤：1.对遥感影像进行图像预处理，以生成配准影像；2.对所述配准影像进行数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；3.对所述植被与非植被的特征进行训练，以获得LUNET模型；4.对所述云与非云的特征进行训练，以获得TRNET模型；5.对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；6.对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；7.对所述植被与非植被的推理结果和云与非云的推理结果进行逻辑运算，以获得撂荒地的结果；第一步：对所述遥感影像进行图像预处理，主要包括以下四个方面：1)对所述遥感影像进行辐射定标；2)对所述遥感影像进行大气校正；3)对所述遥感影像进行波段融合；4)对所述遥感影像进行图像配准。对所述遥感影像进行图像配准，包括以下四步：(A)根据所述的遥感影像和标准图像的粗匹配点对中的多个特征点对计算出所述遥感影像上的单应性矩阵，以基于所述单应性矩阵得到变换后的初步配准影像；(B)根据所述的初步配准影像与标准图像的位置信息，确定所述初步配准图像与标准图片的重合区域；(C)根据确定的重合区域，以分别计算对应于重合区域的其它遥感影像的变换矩阵；(D)通过计算对应于其它遥感影像的变换矩阵的两两之间的余弦相似度，从余弦相似度大于预定阈值的变换矩阵中只选择一个变换矩阵，并将其作用于所述初步配准图像，得到配准影像；第二步：对所述配准影像进行数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；第三步：对所述植被与非植被的特征进行训练，以获得LUNET模型包括以下两个步骤：1)对所述植被与非植被特征进行特征归一化；可选地，对所述植被与非植被特征进行特征归一化包括以下两个步骤：(A)读取影像数据中特征维度数据，求该维度数据的均值、最大值以及最小值；(B)通过上述特征维度数据与均值的差，再除以最大值与最小值的差值，得到归一化后的特征。2)对所述归一化后的植被与非植被的特征进行LUNET模型训练，LUNET模型训练尺度为256*256*7；第四步：对所述云与非云的特征进行训练，以获得TRNET模型。主要包括以下两个步骤：1)对所述云与非云的特征进行特征归一化；可选地，对所述云与非云特征进行特征归一化包括以下两个步骤：(A)读取影像数据中特征维度数据，求该维度数据的均值、最大值以及最小值；(B)通过上述特征维度数据与均值的差，再除以最大值与最小值的差值，得到归一化后的特征。2)对所述归一化后的云与非云的特征进行TRNET模型训练，TRNET模型训练尺度为256*256*7；第五步：对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；可选地，对所述配准影像进行LUNET模型推理的包括以下四个步骤：(A)使用overlap的方法切割所述配准影像，其作用在于防止植被与非植被的推理结果重叠部分出现拼接线。(B)使用所述LUNET模型对所述切割后的影像数据进行推理，以获得植被与非植被的推理结果；(C)使用overlap的方法对所述植被与非植被的推理结果进行合并，以获得与原始影像大小一致的推理结果图。(D)对所述植被与非植被的推理结果图添加对应的配准影像的坐标系。第六步：对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；可选地，对所述配准影像进行TRNET模型推理包括以下四个步骤：1)使用overlap的方法切割所述配准影像，其作用在于防止云与非云的推理结果重叠部分出现拼接线。2)使用所述TRNET模型对所述切割后的影像数据进行推理，以获得云与非云的推理结果；3)使用overlap的方法对所述云与非云的推理结果进行合并，以获得与原始影像大小一致的推理结果图。4)对所述云与非云的推理结果图添加对应的配准影像的坐标系。第七步：对所述植被与非植被的推理结果和云与非云的推理结果进行逻辑运算，以获得撂荒地的结果。与现有技术相比，本专利技术通过图像预处理、特征提取、模型训练、推理、逻辑运算等步骤，实现了从遥感影像中提取撂荒地，利用本方法，所提取的撂荒地的精度能够有很大的提升、效率大幅优于人力方式，解决了撂荒地提取中耗费人力的问题。此外，本专利技术的LUNET模型优于UNET模型，可以保证模型分类结果的整体性好，同时斑块也会较少。与此同时，本专利技术的TRNET模型的泛化性优于UNET模型，可以保证在不增加特征量的情况下，提高撂荒地提取的准确性。附图说明图1为本专利的方法流程图图2为本专利的一个优选实施例的方法流程图具体实施方式下面结合附图对本专利技术作进一步详细描述。见图1，本专利技术的一种用于撂荒地的遥感识别方法流程图。在步骤S1中，对遥感影像进行图像预处理，以生成配准影像；在步骤S2中，对所述配准影像的数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；在步骤S3中，对所述植被与非植被的特征进行训练，以获得LUNET模型；在步骤S4中，对所述云与非云的特征进行训练，以获得TRNET模型；在步骤S5中，对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；在步骤S6中，对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；在步骤S7中，对所述植被与非植被的推理结果和云与非云的推理结果的逻辑运算，以获得撂荒地的结果；在步骤S1中，对遥感图像进行图像预处理，以生成待配准遥感影像。具体地，在步骤S1中，获取遥感影像之后，通过辐射定标、大气校正、波段融合、影像配准、投影转换等图像处理方式，对所述遥感影像进行预处理，以生成配准影像。优选地，在步骤S1中，用于以下内容：(A)对所述遥感影像进行辐射定标；(B)对所述遥感影像进行大气校正；本文档来自技高网...

【技术保护点】
1.一种用于撂荒地的遥感识别方法，其特征在于：该方法包括以下七个步骤：/n1)对遥感影像进行图像预处理，以生成配准影像；/n2)对所述配准影像进行数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；/n3)对所述的植被、非植被的特征进行训练，以获得LUNET模型；/n4)对所述的云、非云的特征进行训练，以获得TRNET模型；/n5)对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；/n6)对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；/n7)对所述植被与非植被的推理结果和云与非云的推理结果进行逻辑运算，以获得撂荒地的结果。/n

【技术特征摘要】
1.一种用于撂荒地的遥感识别方法，其特征在于：该方法包括以下七个步骤：
1)对遥感影像进行图像预处理，以生成配准影像；
2)对所述配准影像进行数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；
3)对所述的植被、非植被的特征进行训练，以获得LUNET模型；
4)对所述的云、非云的特征进行训练，以获得TRNET模型；
5)对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；
6)对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；
7)对所述植被与非植被的推理结果和云与非云的推理结果进行逻辑运算，以获得撂荒地的结果。


2.根据权利要求1所述的方法，其特征在于：步骤1)图像配准包含的技术如下：
根据所述的遥感影像和标准图像的粗匹配点对中的多个特征点对计算出所述遥感影像上的单应性矩阵，以基于所述单应性矩阵得到变换后的初步配准影像；
根据所述的初步配准影像与标准图像的位置信息，确定所述初步配准图像与标准图片的重合区域；
根据确定的重合区域，以分别计算对应于重合区域的其它遥感影像的变换矩阵；
通过计算对应于其它遥感影像的变换矩阵的两两之间的余弦相似度，从余弦相似度大于预定阈值的变换矩阵中只选择一个变换矩阵，并将其作用于所述初步配准图像，得到配准影像。


3.根据权利要求1所述的方法，其特征在于：对所述配准影像进行数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征。


4.根据权利要求1所述的方法，其特征在于：对所述的植被、非植被的特征进行训练，以获得LUNET模型，其步骤包括：对所述植被、非植被的特征进行归一化；对所述归一化后的植被与非植被的特征进行LUNET模型训练。


5.根据权利要求1所述的方法，其特征在于：对所述的云、非云的特征进行训练，以获得TRNET模型；其步骤包括：对所述云、非云的特征进行归一化；对所述归一化后的云、非云的特征进行TRNET模型训练。


6.根据权利要求4或5任一所述的方法，其特征在于：对所述植被、非植被、云、非云的特征进...

【专利技术属性】
技术研发人员：王建凤，黄先梅，郎彦，
申请(专利权)人：北京星衡科技有限公司，
类型：发明
国别省市：北京;11