一种农作物分类方法技术

本申请提出一种农作物分类方法

【技术实现步骤摘要】
一种农作物分类方法、装置、存储介质及电子设备


[0001]本申请涉及遥感识别领域，具体而言，涉及一种农作物分类方法
、
装置
、
存储介质及电子设备
。

技术介绍

[0002]随着社会科学的进步，智慧农业成为了当下的重点关注领域，本领域技术人员也在致力于推动促进农业产业化发展
。
其中，农作物种植结构的多样性反映了农业发展水平和生态环境状况，及时准确的获取区域的农作物种植结构对促进农业产业化发展至关重要
。
[0003]如何获取区域的农作物种植结构，成为了本领域技术人员所关注的难题
。

技术实现思路

[0004]本申请的目的在于提供一种农作物分类方法
、
装置
、
存储介质及电子设备，以至少部分改善上述问题
。
[0005]为了实现上述目的，本申请实施例采用的技术方案如下：
[0006]第一方面，本申请实施例提供一种农作物分类方法，所述方法包括：
[0007]基于遥感图像在不同分割尺度下的局部方差变化率曲线，确定目标分割尺度；
[0008]基于所述目标分割尺度和所述遥感图像的影像边缘信息对所述遥感图像进行分割，以获取对应的分割结果，其中，所述分割结果包括分割后的第一数量的农作物区域；
[0009]将第二数量的农作物区域样本和每一个目标类别所对应的辅助分类特征因子作为随机森林分类器的输入，获取第一分类结果，所述第一分类结果包括每一个所述农作物区域样本所对应的目标类别，第二数量的农作物区域样本属于所述分割结果中的农作物区域；
[0010]将第二数量的农作物区域作样本为卷积神经网络的输入，获取第二分类结果，所述第二分类结果包括每一个所述农作物区域样本所对应的目标类别；
[0011]基于所述第一分类结果和所述第二分类结果从所述随机森林分类器和所述卷积神经网络中确定分类工具，其中，所述分类工具为所述随机森林分类器和所述卷积神经网络中分类精度更高的一个；
[0012]基于所述分类工具对第一数量的农作物区域进行分类
。
[0013]第二方面，本申请实施例提供一种农作物分类装置，所述装置包括：
[0014]第一处理单元，用于基于遥感图像在不同分割尺度下的局部方差变化率曲线，确定目标分割尺度；
[0015]所述第一处理单元还用于基于所述目标分割尺度和所述遥感图像的影像边缘信息对所述遥感图像进行分割，以获取对应的分割结果，其中，所述分割结果包括分割后的第一数量的农作物区域；
[0016]第二处理单元，用于将第二数量的农作物区域样本和每一个目标类别所对应的辅
助分类特征因子作为随机森林分类器的输入，获取第一分类结果，所述第一分类结果包括每一个所述农作物区域样本所对应的目标类别，第二数量的农作物区域样本属于所述分割结果中的农作物区域；
[0017]所述第二处理单元还用于将第二数量的农作物区域样本作为卷积神经网络的输入，获取第二分类结果，所述第二分类结果包括每一个所述农作物区域样本所对应的目标类别；
[0018]所述第一处理单元还用于基于所述第一分类结果和所述第二分类结果从所述随机森林分类器和所述卷积神经网络中确定分类工具，其中，所述分类工具为所述随机森林分类器和所述卷积神经网络中分类精度更高的一个；
[0019]所述第二处理单元还用于基于所述分类工具对第一数量的农作物区域进行分类
。
[0020]第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法
。
[0021]第四方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现上述的方法
。
[0022]相对于现有技术，本申请实施例所提供的一种农作物分类方法
、
装置
、
存储介质及电子设备，方法包括：基于遥感图像在不同分割尺度下的局部方差变化率曲线，确定目标分割尺度；基于目标分割尺度和遥感图像的影像边缘信息对遥感图像进行分割，以获取对应的分割结果，其中，分割结果包括分割后的第一数量的农作物区域；将第二数量的农作物区域样本和每一个目标类别所对应的辅助分类特征因子作为随机森林分类器的输入，获取第一分类结果；将第二数量的农作物区域样本作为卷积神经网络的输入，获取第二分类结果；基于第一分类结果和第二分类结果对两种模型分类结果进行精度验证，从随机森林分类器和卷积神经网络中确定分类工具，其中，分类工具为随机森林分类器和卷积神经网络中分类精度更高的一个；基于分类工具对第一数量的农作物区域进行分类，最终获得高精度的农作物种植结构分布
。
[0023]为使本申请的上述目的
、
特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下
。
附图说明
[0024]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图
。
[0025]图1为本申请实施例提供的电子设备的结构示意图；
[0026]图2为本申请实施例提供的农作物分类方法的流程示意图之一；
[0027]图3为本申请实施例提供的农作物分类方法的流程示意图之二；
[0028]图4为本申请实施例提供的农作物分类装置的单元示意图
。
[0029]图中：
10
‑
处理器；
11
‑
存储器；
12
‑
总线；
13
‑
通信接口；
201
‑
第一处理单元；
202
‑
第二处理单元
。
具体实施方式
[0030]为使本申请实施例的目的
、
技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例
。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计
。
[0031]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例
。
基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0032]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种农作物分类方法，其特征在于，所述方法包括：基于遥感图像在不同分割尺度下的局部方差变化率曲线，确定目标分割尺度；基于所述目标分割尺度和所述遥感图像的影像边缘信息对所述遥感图像进行分割，以获取对应的分割结果，其中，所述分割结果包括分割后的第一数量的农作物区域；将第二数量的农作物区域样本和每一个目标类别所对应的辅助分类特征因子作为随机森林分类器的输入，获取第一分类结果，所述第一分类结果包括每一个所述农作物区域样本所对应的目标类别，第二数量的农作物区域样本属于所述分割结果中的农作物区域；将第二数量的农作物区域样本作为卷积神经网络的输入，获取第二分类结果，所述第二分类结果包括每一个所述农作物区域样本所对应的目标类别；基于所述第一分类结果和所述第二分类结果从所述随机森林分类器和所述卷积神经网络中确定分类工具，其中，所述分类工具为所述随机森林分类器和所述卷积神经网络中分类精度更高的一个；基于所述分类工具对第一数量的农作物区域进行分类
。2.
如权利要求1所述的农作物分类方法，其特征在于，在所述基于遥感图像在不同分割尺度下的局部方差变化率曲线，确定目标分割尺度之前，所述方法包括：对目标区域对应的卫星图像进行预处理，以得到所述遥感图像，其中，所述预处理包括正射校正处理
、
影像配准处理
、
大气校正处理以及影像融合处理中的任意一种或多种
。3.
如权利要求1所述的农作物分类方法，其特征在于，所述基于遥感图像在不同分割尺度下的局部方差变化率曲线，确定目标分割尺度的步骤，包括：获取所述遥感图像在不同分割尺度下的局部方差变化率曲线；基于所述局部方差变化率曲线的极大值确定初步分割尺度范围，其中，所述初步分割尺度范围包括至少两组初步分割尺度；基于所述遥感图像在所述初步分割尺度下的
RMAS
值，确定目标分割尺度，所述
RMAS
值表示影像对象与邻域的均值差分绝对值和影像对象的标准差的比值
。4.
如权利要求1所述的农作物分类方法，其特征在于，在所述基于所述目标分割尺度和所述遥感图像的影像边缘信息对所述遥感图像进行分割，以获取对应的分割结果之前，所述方法还包括：对所述遥感图像进行边缘检测，以获取对应的影像边缘信息
。5.
如权利要求1所述的农作物分类方法，其特征在于，在所述将第二数量的农作物区域样本和每一个目标类别所对应的辅助分类特征因子作为随机森林分类器的输入，获取第一分类结果之前，所述方法还包括：基于
L1
正则化回归模型对目标类别的特征因子进行筛选，以确定辅助分类特征因子
。6.
如权利要求1所述的农作物分类方法，其特征在于，所述基于所述第一分类结果和所述第二分类结果从所述随机森林分类器和所述卷积神经网络中确定分类工具的步骤，包括：获取所述第一分类结果对应的第一
Kappa
系数和第一
...

【专利技术属性】
技术研发人员：张金龙，张娟，王禄，杨瑞，王宏伟，祁元，张辉，
申请(专利权)人：中国科学院西北生态环境资源研究院，
类型：发明
国别省市：