一种包含红外光谱遥感影像的有林地提取方法技术

本发明专利技术公开了一种包含红外光谱遥感影像的有林地提取方法，设计了一套针对含红外光谱的多光谱遥感影像有林地提取系统，并提出了一种基于深度学习的红外信息关注网络，本方法基于语义分割的思想，首先获取含红外光谱的多光谱遥感影像，参照有林地定义对影像进行标记，制作训练样本集；接着构建红外信息关注网络并使用训练样本集对网络进行训练；在训练达到较好的程度时，使用红外信息关注网络对其它同类型影像进行语义分割，达到遥感影像的有林地提取的目的，本发明专利技术的优点是：能够应用于含红外光谱的多光谱遥感影像的有林地提取，且能保证不同时相与不同场景影像中有林地的提取精度较高。较高。较高。

【技术实现步骤摘要】
一种包含红外光谱遥感影像的有林地提取方法


[0001]本专利技术涉及多光谱遥感影像语义分割
，特别涉及一种包含红外光谱遥感影像的有林地提取方法。

技术介绍

[0002]根据中国2003年颁布的《森林资源规划设计调查主要技术规定》，我国的土地类型从森林角度主要分为林地和非林地。对林地进行快速调查，可为林地资源的保护和规划提供有效信息。有林地指树木郁闭度大于等于20％的林地，相比一般林地更容易通过遥感影像进行观察。语义分割方法是将图像的每个像素按语义标签进行分类的方法，使用这种方法能快速对遥感影像中的有林地像素进行分类，达到从影像中提取有林地的目的。
[0003]分析现有遥感影像有林地提取方法，可进行一定总结。第一种为人工解译方法，例如传统的人工土地调查方法，这种方法以3S技术(RS、GPS、GIS)为基础，使用遥感技术(RS，remote sensing)，全球定位系统(GPS，Global Positioning System)与地理信息系统(GIS，Geographic Information System)结合人工观察到的地类信息进行有林地提取。这种方法是目前准确度最高的有林地提取方式，但需要耗费大量人力物力。
[0004]另一种方法为传统机器学习方法，使用人工设计特征提取模式，并用训练样本对模式进行迭代，从而拟合合适的参数，最终得到较好的遥感影像有林地提取模型。KOETZ等(2007)协同遥感影像的光谱信息与LiDAR影像的高度信息，通过判断树高、树叶覆盖度、叶面积指数等信息，对有林地进行表征。QUANLONG等(2015)通过提取有林地的纹理信息特征，使用混合随机森林方法提取无人机遥感影像中的有林地。侯逸晨等(2016)使用支持向量机模型对资源三号遥感影像中的有林地进行提取，这种方法主要使训练数据间产生最大化间隔从而进行分类，得到提取结果。机器学习方法不仅可以使用单个模型，还可结合多个模型对有林地进行分类提取。张友静等(2006)结合决策树和支持向量机模型，得到imageSVM和imageRF两种分类方法用于遥感影像中的有林地识别。顾海燕等(2016)通过实验验证机器学习方法如果选择不同的特征，则有林地提取的效果也不相同，如决策树方法在选取特征过多时会造成有林地提取正确率降低的现象。传统机器学习方法能快速提取遥感多光谱影像中的有林地，但由于中国的有林地分布广泛且树种多样，传统机器学习难以提取一个鲁棒性强、适应范围广的特征模型，因此造成传统机器学习方法有林地提取正确率不高的现象。
[0005]与上述人工解译方法和传统机器学习方法不同，深度学习方法能准确、快速地提取遥感多光谱影像中的有林地，从而方便科研人员掌握有林地的情况，提高相关研究的效率。近年来，基于深度学习的遥感图像语义分割方法发展迅速Masoud等(2018)利用卷积神经网络对复杂地表覆盖进行分类，证明与机器学习的传统随机森林方法相比，深度学习的分类效果有显著提高。Duarte
‑
Carvajalino等(2018)采用多种算法对土豆生长情况进行识别，证明了深度学习模型的识别精度高于其他方法。深度学习方法可以通过研究人员设计的算法有效提取特征，因此可以避免专家知识的认知局限性，获得更多有效特征。
[0006]近些年，遥感卫星向地面传回了大量分辨率高、光谱信息丰富的影像，这些数据能够支持使用基于深度学习的语义分割方法提取有林地的思想。目前，现有多个遥感卫星能够提供包含红外光谱的多光谱遥感影像，这些红外光谱(包括近红外光谱、红边光谱)对植被目标的敏感度高，且影像分辨率高、覆盖范围广、质量高。但是，由于不同树种在遥感影像中分布不均，类别模糊，并且因为遥感成像的复杂性，使得基于经典深度学习模型的遥感影像有林地分割任务依然面临着挑战。

技术实现思路

[0007]本专利技术针对现有技术缺陷，提出了一种包含红外光谱遥感影像的有林地提取方法，解决了现有技术中存在的缺陷。
[0008]为了实现以上专利技术目的，本专利技术采取的技术方案如下：
[0009]一种包含红外光谱遥感影像的有林地提取方法，包括以下步骤：
[0010]步骤1:处理包含红外光谱的多光谱遥感影像，得到含红外光谱的多光谱影像训练数据集；
[0011]步骤2:构建红外信息关注网络；
[0012]步骤3:根据多光谱影像训练数据集对红外信息关注网络进行训练，得到完成训练的红外信息关注网络；
[0013]步骤4:处理待提取有林地的、与多光谱影像训练数据集类型相同的遥感影像，并输入至红外信息关注网络，形成与待提取有林地遥感影像幅宽相同的有林地提取结果。
[0014]进一步地，步骤1包括如下子步骤：
[0015]步骤1.1：选择相同分辨率、相同光谱信息的、影像质量较好的、包含红外光谱(包括近红外光谱、红边光谱)的多光谱遥感影像若干张；
[0016]步骤1.2：对遥感影像进行分割，得到长与宽像素数量相同的子遥感影像若干张，分割后所有遥感影像的长与宽应相等，对于长、宽不足的影像，使用翻转方式进行填补；
[0017]步骤1.3：参考中国2003年颁布的《森林资源规划设计调查主要技术规定》与人工调查数据标记裁剪后的遥感影像，使每个像素都被标记为有林地类或非林地类，形成标记影像。按照《森林资源规划设计调查主要技术规定》，有林地类指连续面积大于0.067hm2、郁闭度大于0.20以上、附着有森林植被的林地，包括乔木林、红树林和竹林，根据有林地的定义，将遥感影像中的像素标记为有林地与非有林地两类；
[0018]步骤1.4：将子遥感影像文件与对应标记文件进行整理，形成多光谱影像训练数据集；
[0019]进一步地，步骤2包括如下子步骤：
[0020]步骤2.1：构建红外信息关注网络。红外信息关注网络是基于深度学习的语义分割网络，可应用于对遥感影像中的有林地进行语义分割操作，达到提取目的。红外信息关注网络拥有两个输入端口，一个端口中输入遥感影像的所有光谱，另一个端口则输入该遥感影像中的红外光谱。训练前，需要设置红外信息关注网络的输入，根据多光谱影像训练数据集中影像的长、宽、光谱数量设置红外信息关注网络的输入大小与输出大小；
[0021]步骤2.2：在步骤2.1的基础上，根据多光谱影像训练数据集设置网络需要的各项参数值，具体为学习率、优化器函数、Loss函数等；
[0022]进一步地，步骤3包括如下子步骤：
[0023]步骤3.1：设置红外信息关注网络的训练次数；
[0024]步骤3.2：将多光谱影像训练数据集输入步骤2构建的红外信息关注网络中开始训练，训练过程中红外信息关注网络将不断修改网络参数，达到学习效果；
[0025]步骤3.3：训练完成后，保存已调试完毕的网络参数；
[0026]进一步地，步骤4包括如下子步骤：
[0027]步骤4.1：获取待提取有林地的遥感影像，遥感影像的分辨率与光谱信息需与多光谱影像训练数据集相同；
[0028]步骤4.2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种包含红外光谱遥感影像的有林地提取方法，其特征在于，包括以下步骤：步骤1:处理包含红外光谱的多光谱遥感影像，得到含红外光谱的多光谱影像训练数据集；步骤2:构建红外信息关注网络；步骤3:根据多光谱影像训练数据集对红外信息关注网络进行训练，得到完成训练的红外信息关注网络；步骤4:处理待提取有林地的、与多光谱影像训练数据集类型相同的遥感影像，并输入至红外信息关注网络，形成与待提取有林地遥感影像幅宽相同的有林地提取结果。2.根据权利要求1所述的包含红外光谱遥感影像的有林地提取方法，其特征在于，所述步骤1包括如下子步骤：步骤1.1：选择相同分辨率、相同光谱信息的、影像质量较好的、包含红外光谱的多光谱遥感影像若干张；所述红外光谱包括近红外光谱和红边光谱；步骤1.2：对遥感影像进行分割，得到长与宽像素数量相同的子遥感影像若干张，分割后所有遥感影像的长与宽应相等，对于长、宽不足的影像，使用翻转方式进行填补；步骤1.3：根据中国2003年颁布的，森林资源规划设计调查主要技术规定，与人工调查数据标记裁剪后的遥感影像，使每个像素都被标记为有林地类或非林地类，形成标记影像；步骤1.4：根据，森林资源规划设计调查主要技术规定，有林地类指连续面积大于0.067hm2、郁闭度大于0.20以上、附着有森林植被的林地，包括乔木林、红树林和竹林，根据有林地的定义，将遥感影像中的像素标记包括有林地与非有林地；步骤1.4：将子遥感影像文件与对应标记文件进行整理，形成多光谱影像训练数据集。3.根据权利要求1所述的包含红外光谱遥感影像的有林地提取方法，其特征在于，所述步骤2包括如下子步骤：步骤2.1：构建红外信息关注网络，所述红外信息关注网络是基于深度学习的语义分割网络...

【专利技术属性】
技术研发人员：桂媛媛，李伟，陶然，岳安志，陈正超，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：