一种时间序列深度卷积网络农作物遥感分类方法

技术领域

本发明涉及遥感分类技术领域，具体为一种时间序列深度卷积网络农作物遥感分类方法。

背景技术

季节性是农作物最显著的特征之一，因而多时相遥感影像的使用是提高农作物分类精度的主要手段之一，不同作物生长过程的季节差异性提供了有效的作物区分信息，即不同时相区分作物能力不尽相同，因此多时相影像信息可相互补充提高作物识别精度，目前最先进的农作物遥感分类方法为深度卷积网络CNN，它使用卷积窗口从遥感影像上自动学习多层次特征，充分挖掘影像的光谱和空间背景信息，因而在农作物遥感分类制图方面相比于传统机器学习等方法更具优势，然而，标准的CNN模型使用叠加的多时相影像作为模型输入数据源，能抽取多时相影像序列蕴藏的联合信息，但无法挖掘单景遥感影像具备的有关作物分类的独特信息，也就是说，标准的CNN无法充分彻底地挖掘多时相遥感影像的丰富信息。

现如今市面上大多采用机器学习方法的方法来进行农作物遥感分类，机器学习方法，如支持向量机、随机森林等传统的遥感分类方法难以获取较好的农作物分类结果，主要是因为这些方法均为3层以下的浅层分类器，难以处理复杂的非线性时空分类难题。

发明内容

本发明的目的在于提供一种时间序列深度卷积网络农作物遥感分类方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种时间序列深度卷积网络农作物遥感分类方法，包括以下步骤：步骤一，多时相遥感数据集影像获取与预处理；步骤二，时间序列深度卷积网络模型参数定义；步骤三，多时相遥感数据集联合信息挖掘；步骤四，多时相遥感数据集单景影像信息挖掘；步骤五，模型预测分类；步骤六，最终分类图产出；

其中在上述步骤一中，首先利用遥感卫星拍摄待分类区域的农作物遥感卫星影像，采用卫星对研究区域在不同的时间进行拍摄，随后对拍摄的多时相影像数据集进行影像预处理，处理完成后得到标准的多时相影像数据集备用；

其中在上述步骤二中，假设共计获取n景覆盖研究区遥感影像，共有m种作物类型需要区分，M＝(M

其中在上述步骤三中，将步骤一中得到的标准的多时相影像数据集作为数据源输入到初始OCNN模型，即OCNN

OCNN

使用初始模型提取多时相影像数据集的联合信息，初始分类概率(P(X)

P(X)

使用上述公式完成多时相影像的有关分类的联合信息挖掘；

其中在上述步骤四中，当步骤三中的联合信息挖掘完成后，在多时相数据集联合信息基础上进一步地挖掘影像数据集中单景影像蕴藏的作物分类信息，每次模型迭代，多时相数据集中单景影像按成像时间逐景输入TS-OCNN模型，因此模型迭代次数与影像集中含有的影像数量一致，从第i次迭代开始(i≥1)，前一次迭代(i-1)的分类概率(如果i＝1，则概率为P(X)

M

结合后的新数据集M

OCNN

其中在上述步骤五中，当步骤四中的模型训练完成后，利用训练完成的OCNN对每一个分割对象的分类类别进行预测，训练完毕的模型随后用于分类预测概率如下：

P(X)

基于分类概率结果(P(X)

TC

在这里arg max函数将每一个分割对象最大分类概率值所对应的类别，划分为该对象的分类类别，i表示循环次数，得出分类图；

其中在上述步骤六中，TS-OCNN模型每一次迭代使用输出的分类概率结果生成一幅遥感分类图，计算每幅分类图的精度，选择精度最高的作为TS-OCNN模型的最后分类图(TC

优选的，所述步骤一中，多时相影像数据集预处理的方式包括：投影转换、大气校正、几何校正和去云处理。

优选的，所述步骤二中，遥感影像的分割算法为多尺度分割算法。

优选的，所述步骤四中，Combine表示一个用来结合M

优选的，所述步骤五中，P(X)

优选的，所述步骤六中，多时相影像数据集共含有影像数量为n，则TS-OCNN模型共计迭代n次，每次均生成一幅分类图，则模型迭代完毕共计有n幅分类图产出。

与现有技术相比，本发明的有益效果是：本发明相较于现有的农作物遥感分类方法，在传统的联合信息挖掘的基础上，增加单景影像信息挖掘，有利于充分挖掘利用多时相影像数据集中每一个单景影像有关作物分类的独特信息，提升了分类的准确性，并且能同时挖掘利用多时相影像数据集有关分类的联合信息和数据集中单景影像的独特信息，实现了多时相遥感信息的充分地、完全地发掘利用。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供的一种实施例：一种时间序列深度卷积网络农作物遥感分类方法，包括以下步骤：步骤一，多时相遥感数据集影像获取与预处理；步骤二，时间序列深度卷积网络模型参数定义；步骤三，多时相遥感数据集联合信息挖掘；步骤四，多时相遥感数据集单景影像信息挖掘；步骤五，模型预测分类；步骤六，最终分类图产出；

其中在上述步骤一中，首先利用遥感卫星拍摄待分类区域的农作物遥感卫星影像，采用卫星对研究区域在不同的时间进行拍摄，随后对拍摄的多时相影像数据集进行影像预处理，且多时相影像数据集预处理的方式包括：投影转换、大气校正、几何校正和去云处理，处理完成后得到标准的多时相影像数据集备用；

其中在上述步骤二中，假设共计获取n景覆盖研究区遥感影像，共有m种作物类型需要区分，M＝(M

其中在上述步骤三中，将步骤一中得到的标准的多时相影像数据集作为数据源输入到初始OCNN模型，即OCNN

OCNN

使用初始模型提取多时相影像数据集的联合信息，初始分类概率(P(X)

P(X)

使用上述公式完成多时相影像的有关分类的联合信息挖掘；

其中在上述步骤四中，当步骤三中的联合信息挖掘完成后，在多时相数据集联合信息基础上进一步地挖掘影像数据集中单景影像蕴藏的作物分类信息，每次模型迭代，多时相数据集中单景影像按成像时间逐景输入TS-OCNN模型，因此模型迭代次数与影像集中含有的影像数量一致，从第i次迭代开始(i≥1)，前一次迭代(i-1)的分类概率(如果i＝1，则概率为P(X)

M

Combine表示一个用来结合M

OCNN

其中在上述步骤五中，当步骤四中的模型训练完成后，利用训练完成的OCNN对每一个分割对象的分类类别进行预测，训练完毕的模型随后用于分类预测概率如下：

P(X)

P(X)

TC

在这里arg max函数将每一个分割对象最大分类概率值所对应的类别，划分为该对象的分类类别，i表示循环次数，得出分类图；

其中在上述步骤六中，TS-OCNN模型每一次迭代使用输出的分类概率结果生成一幅遥感分类图，且多时相影像数据集共含有影像数量为n，则TS-OCNN模型共计迭代n次，每次均生成一幅分类图，则模型迭代完毕共计有n幅分类图产出，计算每幅分类图的精度，选择精度最高的作为TS-OCNN模型的最后分类图(TC

基于上述，本发明的优点在于，该发明使用时，相较于现有的农作物遥感分类方法，在传统的联合信息挖掘的基础上，增加单景影像信息挖掘，有利于充分挖掘利用多时相影像数据集中每一个单景影像有关作物分类的独特信息，提升了分类的准确性，并且能同时挖掘利用多时相影像数据集有关分类的联合信息和数据集中单景影像的独特信息，实现了多时相遥感信息的充分地、完全地发掘利用。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。