一种多植被区域碳汇计算方法、装置及电子设备

技术领域

本发明涉及计算机技术与图像处理技术领域，具体涉及一种多植被区域碳汇计算方法、装置及电子设备。

背景技术

温室气体的大量排放引起了全球变暖，进而引发一系列的生态问题。例如：全球气候变暖将会引起海平面上升，南极冰川融化速度加剧，极端气候的发生等。对某区域的植被碳汇量有效评估可以为实现碳中和提供长远的价值。获取某一地区森林面积和草本面积用于计算某一地区碳汇量的方法尚无人进行。

随着计算机技术和图像处理技术的提升，影像数据被广泛应用在森林资源调查。随着科技的发展，相机的成像质量以及分辨率越来越高，这为数据的精确采集提供了良好的条件和优势。为了提高植被识别的精度，在当前现有的技术中，研究采用卷积神经网络进行图像特征的提取及识别，该技术包括：(1)基于深度学习体系结构和逻辑回归特点的新框架；(2)将堆叠式自动编码器与所需数量的自动编码器和Softmax分类器组合的深度神经网络；(3)针对森林覆盖和草本覆盖及其他类型的识别，设计的以神经网络为核心集成的多层深度学习框架，在像素级别上对不同类别进行分类；(4)通过设计多层卷积神经网络并基于像素级别提取植被面积。上述现有技术虽然都能够提高识别精度，但存在着许多不足，比如，森林和草本的识别精度较低，在卷积神经网络的训练学习过程中会丢失了原本的信息，以及计算效率较低等问题。

发明内容

有鉴于此，本发明实施例提供了涉及一种多植被区域碳汇计算方法、装置及电子设备，以解决现有技术中森林和草本的识别精度较低，在卷积神经网络的训练学习过程中会丢失了原本的信息，以及计算效率较低的技术问题。

本发明提出的技术方案如下：

第一方面，本发明实施例提供一种多植被区域碳汇计算方法，该多植被区域碳汇计算方法包括：获取待计算植被区域的至少两张图像；基于所述至少两张图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图；基于所述俯视图，利用预设图像分割算法，对所述待计算植被区域进行划分处理，得到草本区域和森林区域；基于所述草本区域和所述森林区域，计算所述待计算区域的碳汇量。

结合第一方面，在第一方面的一种可能的实现方式中，获取待计算植被区域的至少两张图像，包括：判断预设飞行器是否进入所述待计算植被区域；当所述预设飞行器进入所述待计算植被区域，获取所述预设飞行器的姿态数据；基于所述姿态数据，调节所述预设飞行器中预设图像传感器相对所述待计算植被区域的法线角度；利用调整后的所述预设图像传感器获取所述待计算植被区域的所述至少两张图像。

结合第一方面，在第一方面的另一种可能的实现方式中，基于所述至少两张图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图，包括：获取预设单应矩阵；基于所述预设单应矩阵，对所述至少两张图像的像素点进行匹配，得到匹配信息；基于所述匹配信息，对所述至少两张图像进行去重处理，得到至少两张预设图像；基于所述至少两张预设图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图。

结合第一方面，在第一方面的又一种可能的实现方式中，基于所述俯视图，利用预设图像分割算法，对所述待计算植被区域进行划分处理，得到草本区域和森林区域，包括：获取损失函数；将所述俯视图输入预设基于深度学习的神经网络进行双分支特征提取，生成特征数据；基于所述损失函数，利用双分支特征提取方法对所述特征数据进行处理，得到图像损失数据；基于所述图像损失数据，对所述俯视图进行双分支合并解码，得到所述待计算植被区域对应的所述草本区域和所述森林区域。

结合第一方面，在第一方面的又一种可能的实现方式中，所述预设基于深度学习的神经网络为全卷积神经网络，所述损失函数为带权重的交叉熵损失函数。

结合第一方面，在第一方面的又一种可能的实现方式中，基于所述草本区域和所述森林区域，计算所述待计算区域的碳汇量，包括：根据所述飞行器的飞行参数、所述草本区域和所述森林区域，计算所述草本区域对应的第一面积和所述森林区域对应的第二面积；获取草本年均单位面积碳汇速率和森林年均单位面积碳汇速率；基于所述第一面积和所述草本年均单位面积碳汇速率计算所述草本区域对应的草本碳汇量；基于所述第二面积和所述森林年均单位面积碳汇速率计算所述森林区域对应的森林碳汇量；基于所述草本碳汇量和所述森林碳汇量确定所述待计算区域的碳汇量。

第二方面，本发明实施例提供一种多植被区域碳汇计算装置，该多植被区域碳汇计算装置包括：获取模块，用于获取待计算植被区域的至少两张图像；处理模块，用于基于所述至少两张图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图；划分模块，用于基于所述俯视图，利用预设图像分割算法，对所述待计算植被区域进行划分处理，得到草本区域和森林区域；计算模块，用于基于所述草本区域和所述森林区域，计算所述待计算区域的碳汇量。

结合第二方面，在第二方面的一种可能的实现方式中，所述获取模块，包括：判断子模块，用于判断预设飞行器是否进入所述待计算植被区域；第一获取子模块，用于当所述预设飞行器进入所述待计算植被区域，获取所述预设飞行器的姿态数据；调节子模块，用于基于所述姿态数据，调节所述预设飞行器中预设图像传感器相对所述待计算植被区域的法线角度；第二获取子模块，用于利用调整后的所述预设图像传感器获取所述待计算植被区域的所述至少两张图像。

第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的多植被区域碳汇计算方法。

第四方面，本发明实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的多植被区域碳汇计算方法。

本发明提供的技术方案，具有如下效果：

本发明实施例提供的多植被区域碳汇计算方法，获取待计算植被区域的至少两张图像；基于所述至少两张图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图；基于所述俯视图，利用预设图像分割算法，对所述待计算植被区域进行划分处理，得到草本区域和森林区域；基于所述草本区域和所述森林区域，计算所述待计算区域的碳汇量。利用图像分割算法准确提取待测量地区的森林以及草本区域信息，提高了森林和草本区域识别的准确率，进一步，利用森林以及草本区域信息可以直接计算得到森林碳汇量和草本碳汇量。因此，通过实施本发明，可以快速且准确识别图像中的森林区域和草本区域，同时快速计算出对应的碳汇量。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。

图1是根据本发明实施例提供的一种多植被区域碳汇计算方法的流程图；

图2是根据本发明实施例提供的图形分割处理过程图；

图3是根据本发明实施例提供的Head分割信息图；

图4是根据本发明实施例提供的一种多植被区域碳汇计算装置的结构框图；

图5是根据本发明实施例提供的计算机可读存储介质的结构示意图；

图6是根据本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

本发明实施例提供一种多植被区域碳汇计算方法，如图1所示，该方法包括如下步骤：

步骤101：获取待计算植被区域的至少两张图像。

具体地，可以由无人机携带图像传感器进行图像数据的采集，无人机可以被设置成沿着预设路线飞过区域上方，利用自身搭载的图像传感器进行拍摄并得到对应的图像。

其中，图像传感器可以是相机等用于拍摄图片的设备，本发明实施例中对此不做具体限定，只要满足拍摄需求即可。

步骤102：基于所述至少两张图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图。

其中，图像拼接方法表示将数张有重叠部分的图像(可能是不同时间、不同视角或者不同传感器获得的)拼成一幅无缝的全景图或高分辨率图像的技术。

具体地，由于无人机在飞行过程中拍摄位置在不断发生变化，因此通过无人机携带的图像传感器采集可以得到多张待计算植被碳汇量区域的基于不同拍摄点的图像，根据多张图像间的重叠部分进行图像拼接，可以得到整片该待计算植被碳汇量区域的俯视图。

步骤103：基于所述俯视图，利用预设图像分割算法，对所述待计算植被区域进行划分处理，得到草本区域和森林区域。

其中，图像分割表示把图像分成若干个特定的区域并提出感兴趣目标的技术和过程。

具体地，对拼接得到的待计算植被碳汇量区域的俯视图进行分割，可以确定该待计算植被碳汇量区域中的森林区域和草本区域。

步骤104：基于所述草本区域和所述森林区域，计算所述草本区域对应的第一面积和所述森林区域对应的第二面积。

其中，第一面积表示待计算区域内草本的实际占地面积；第二面积表示待计算区域内森林的实际占地面积。

步骤104：基于所述草本区域和所述森林区域，计算所述待计算区域的碳汇量。

具体地，根据草本区域和森林区域信息可以分别计算得到对应待计算区域内草本的碳汇量和森林的碳汇量，进一步，草本碳汇量和森林碳汇量加和即为待计算植被区域的植被碳汇总量。

本发明实施例提供的多植被区域碳汇计算方法，利用图像分割算法准确提取待测量地区的森林以及草本区域信息，提高了森林和草本区域识别的准确率，进一步，利用森林以及草本区域信息可以直接计算得到森林碳汇量和草本碳汇量。因此，通过实施本发明，可以快速且准确识别图像中的森林区域和草本区域，同时快速计算出对应的碳汇量。

作为本发明实施例一种可选的实施方式，步骤101，包括：判断预设飞行器是否进入所述待计算植被区域；当所述预设飞行器进入所述待计算植被区域，获取所述预设飞行器的姿态数据；基于所述姿态数据，调节所述预设飞行器中预设图像传感器相对所述待计算植被区域的法线角度；利用调整后的所述预设图像传感器获取所述待计算植被区域的所述至少两张图像。

其中，飞行器可以为步骤101中描述的无人机；

具体得，可以根据预设路径等判断该飞行器是否进入该待计算植被区域；当该预设飞行器进入该待计算植被区域后，可以利用该飞行器的姿态数据调节飞行器搭载的图像传感器相对于地面(待计算植被区域)的法线角度，调整结束后，利用该图像传感器进行拍摄并获取到对应的图像。

进一步，无人机采集图像受天气影响比较大，因此，可以在天气晴朗、阳光充足的条件下利用该无人机垂直对该待计算植被区域进行拍摄采样，且无人机通过规划好的路线采集该待计算植被区域的每一帧图片信息数据，并根据每一帧图片信息数据可以得到该待计算植被区域对应的至少两张图像。

作为本发明实施例一种可选的实施方式，步骤102，包括：获取预设单应矩阵；基于所述预设单应矩阵，对所述至少两张图像的像素点进行匹配，得到匹配信息；基于所述匹配信息，对所述至少两张图像进行去重处理，得到至少两张预设图像；基于所述至少两张预设图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图。

其中，单应矩阵描述的是空间中同一平面上的三维点在两张图像中的对应关系，可以应用在图像矫正、图像配准拼接、视角转换以及计算两张图像的相机运动(旋转和平移)上。

图像拼接技术原理包括如下步骤：

(1)设俯视图图像I

p

其中，H表示二视图几何中的单应矩阵(Homography)，描述了两个平面之间的映射关系。单应矩阵是一个3×3的矩阵，将上述关系式(1)展开，可以得到关系式(2)：

式中：(u

(2)利用(1)中的原理把两张图片的像素点做匹配，根据匹配点的信息去掉重叠部分，即对至少一张图像进行去重处理；

(3)利用图像拼接技术恢复出完整该待计算区域的俯视图。

作为本发明实施例一种可选的实施方式，步骤103，包括：获取损失函数；将所述俯视图输入预设基于深度学习的神经网络进行双分支特征提取，生成特征数据；基于所述损失函数，利用双分支特征提取方法对所述特征数据进行处理，得到图像损失数据；基于所述图像损失数据，对所述俯视图进行双分支合并解码，得到所述待计算植被区域对应的所述草本区域和所述森林区域。

其中，预设基于深度学习的神经网络可以为全卷积神经网络；损失函数可以为带权重的交叉熵损失函数，如关系式(3)所示：

式中：loss表示损失值；pixel表示像素值；y

式中：N

进一步，整个图像的损失就是每个像素的损失求平均。

具体地，如图2所示，输入拼接后的待计算区域的图像，通过特征提取得到新的特征图。其中，⊕表示维度上连接；M

Head表示增强序列预测，用于提高分割精度，如图3所示，为分割Head的信息图。

进一步，分支一包括3个卷积层，分支二包括四个卷积层，前三个卷积层通过拼接进行信息的交互。之后，分支一通过下采样和分支二通过上采样合并进行解码得到特征图，最后，通过两个卷积层作用后再上采样进行输出。

经过分支一生成高分辨率的带有细节的特征图，经过分支二捕获高级的语义信息，从而提高了识别精度。

作为本发明实施例一种可选的实施方式，步骤105，包括：根据所述飞行器的飞行参数、所述草本区域和所述森林区域，计算所述草本区域对应的第一面积和所述森林区域对应的第二面积；获取草本年均单位面积碳汇速率和森林年均单位面积碳汇速率；基于所述第一面积和所述草本年均单位面积碳汇速率计算所述草本区域对应的草本碳汇量；基于所述第二面积和所述森林年均单位面积碳汇速率计算所述森林区域对应的森林碳汇量；基于所述草本碳汇量和所述森林碳汇量确定所述待计算区域的碳汇量。

具体地，分别利用如下关系式(5)和(6)计算森林碳汇量和草本碳汇量：

C

C

式中：C

进一步，森林碳汇量和草本碳汇量的和即为待计算区域的碳汇总量。

本发明实施例还提供一种多植被区域碳汇计算装置，如图4所示，该装置包括：

获取模块401，用于获取待计算植被区域的至少两张图像；详细内容参见上述方法实施例中步骤101的相关描述。

处理模块402，用于基于所述至少两张图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图；详细内容参见上述方法实施例中步骤102的相关描述。

划分模块403，用于基于所述俯视图，利用预设图像分割算法，对所述待计算植被区域进行划分处理，得到草本区域和森林区域；详细内容参见上述方法实施例中步骤103的相关描述。

计算模块404，用于基于所述草本区域和所述森林区域，计算所述待计算区域的碳汇量；详细内容参见上述方法实施例中步骤104的相关描述。

本发明实施例提供的多植被区域碳汇计算装置，利用图像分割算法准确提取待测量地区的森林以及草本区域信息，提高了森林和草本区域识别的准确率，进一步，利用森林以及草本区域信息可以直接计算得到森林碳汇量和草本碳汇量。因此，通过实施本发明，可以快速且准确识别图像中的森林区域和草本区域，同时快速计算出对应的碳汇量。

作为本发明实施例一种可选的实施方式，所述获取模块，包括：判断子模块，用于判断预设飞行器是否进入所述待计算植被区域；第一获取子模块，用于当所述预设飞行器进入所述待计算植被区域，获取所述预设飞行器的姿态数据；调节子模块，用于基于所述姿态数据，调节所述预设飞行器中预设图像传感器相对所述待计算植被区域的法线角度；第二获取子模块，用于利用调整后的所述预设图像传感器获取所述待计算植被区域的所述至少两张图像。

作为本发明实施例一种可选的实施方式，所述处理模块包括：第三获取子模块，用于获取预设单应矩阵；匹配子模块，用于基于所述预设单应矩阵，对所述至少两张图像的像素点进行匹配，得到匹配信息；第一处理子模块，用于基于所述匹配信息，对所述至少两张图像进行去重处理，得到至少两张预设图像；第二处理子模块，用于基于所述至少两张预设图像，经过图像拼接方法处理，得到所述待计算植被区域的俯视图。

作为本发明实施例一种可选的实施方式，所述划分模块包括：第四获取子模块，用于获取损失函数；提取子模块，用于将所述俯视图输入预设基于深度学习的神经网络进行双分支特征提取，生成特征数据；第三处理子模块，用于基于所述损失函数，利用双分支特征提取方法对所述特征数据进行处理，得到图像损失数据；第四处理子模块，用于基于所述图像损失数据，对所述俯视图进行双分支合并解码，得到所述待计算植被区域对应的所述草本区域和所述森林区域。

作为本发明实施例一种可选的实施方式，所述预设基于深度学习的神经网络为全卷积神经网络，所述损失函数为带权重的交叉熵损失函数。

作为本发明实施例一种可选的实施方式，所述计算模块包括：第一计算子模块，用于根据所述飞行器的飞行参数、所述草本区域和所述森林区域，计算所述草本区域对应的第一面积和所述森林区域对应的第二面积；第五获取子模块，用于获取草本年均单位面积碳汇速率和森林年均单位面积碳汇速率；第二计算子模块，用于基于所述第一面积和所述草本年均单位面积碳汇速率计算所述草本区域对应的草本碳汇量；第三计算子模块，用于基于所述第二面积和所述森林年均单位面积碳汇速率计算所述森林区域对应的森林碳汇量；确定子模块，用于基于所述草本碳汇量和所述森林碳汇量确定所述待计算区域的碳汇量。

本发明实施例提供的多植被区域碳汇计算装置的功能描述详细参见上述实施例中多植被区域碳汇计算方法描述。

本发明实施例还提供一种存储介质，如图5所示，其上存储有计算机程序501，该指令被处理器执行时实现上述实施例中多植被区域碳汇计算方法的步骤。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图6中以通过总线连接为例。

处理器61可以为中央处理器(Central Processing Unit，CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的多植被区域碳汇计算方法。

存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器62中，当被所述处理器61执行时，执行如图1-3所示实施例中的多植被区域碳汇计算方法。

上述电子设备具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。