基于深度学习的植被分类与识别方法

技术领域

本发明属于植被识别领域，涉及数据分析技术，具体是基于深度学习的植被分类与识别方法。

背景技术

植被分类是研究土地覆盖、资源利用状况和变化分析的重要组成，依靠传统的野外调查虽然能够精准地对植被类别进行划分，但其对人力和时间的消耗巨大。卫星遥感技术为植被分类提供了大量的数据基础，而如何快速、准确地提取不同植被类别成为亟待解决的难题。

遥感技术是目前解决植被分类的一个有效方法，然而，在获取到遥感图像后如何进行图像分割来提高特征向量提取精确性与效率，是一个本领域亟需解决的技术问题。

针对上述技术问题，本申请提出一种解决方案。

发明内容

本发明的目的在于提供基于深度学习的植被分类与识别方法，用于解决现有的基于深度学习的植被分类与识别方法无法对遥感图像进行科学合理化的图像分割，导致特征向量提取精确性与效率不高的问题；

本发明需要解决的技术问题为：如何提供一种可以对遥感图像进行科学合理化的图像分割的基于深度学习的植被分类与识别方法。

本发明的目的可以通过以下技术方案实现：

基于深度学习的植被分类与识别方法，包括以下步骤：

步骤一：对遥感图像进行图像处理分析：随机选取一种分割方式将遥感图像分割为分析区域i，i＝1，2，…，n，n为正整数，分割方式包括横切分割、纵切分割、斜切分割、外扩分割以及随机分割；

步骤二：所述识别分析模块用于对遥感图像进行识别特征提取分析：通过存储模块调取植被品种的特征向量范围，随机选取一个植被品种并标记为标记品种，对分析区域i进行特征向量提取，将分析区域i提取的特征向量与标记品种的特征向量范围进行比对；

步骤三：对植被品种的图像分割方式进行优先级分析：生成分析周期，获取植被品种在分析周期内的识别次数并标记为识别值，获取植被品种在分析周期内进行识别时的图像分割次数并标记为分割值，将分割值与识别值的比值标记为合格系数，通过存储模块获取到合格阈值，将合格系数与合格阈值进行比较并通过比较结果对植被品种的识别过程是否满足要求进行判定。

作为本发明的一种优选实施方式，在步骤一中：采用横切分割进行遥感图像分割的过程包括：生成n-1条横切线，每条横切线均与遥感图像底边平行，且每两条相邻横切线之间的距离均相等，由横切线分割的区域构成分析区域；采用纵切分割进行遥感图像分割的过程包括：生成n-1条纵切线，每条纵切线均与遥感图像底边垂直，且每两条相邻纵切线之间的距离均相等，由纵切线分割的区域构成分析区域；采用斜切分割进行遥感图像分割的过程包括：生成n-1条斜切线，每条斜切线均与遥感图像底边形成四十五度夹角，且每两条相邻斜切线之间的距离均相等，由斜切线分割的区域构成分析区域；采用外扩分割进行遥感图像分割的过程包括：生成n-1条圆形线，每条圆形线的圆心均与遥感图像的中心点重合，由圆形线分割的区域构成分析区域。

作为本发明的一种优选实施方式，将分析区域i提取的特征向量与标记品种的特征向量范围进行比对的过程包括：若比对成功，则将分析区域i中对应的位置标记为标记位置；若比对失败，则选取下一个分析区域i进行特征向量提取。

作为本发明的一种优选实施方式，在步骤二中，对所有标记位置的面积值进行求和取平均值得到标记品种的独立值；由相邻两个同时包含有标记位置的分析区域i组成关联区域e，e＝1，2，…，m，m为正整数，将关联区域e中标记位置的面积值标记为MJe，通过公式

若验证值小于验证阈值，则判定标记品种的特征提取过程满足要求，将标记品种与对应的标记位置发送至识别平台；

若验证值大于等于验证阈值，则判定标记品种的特征提取过程不满足要求，识别分析模块向识别平台发送重新处理信号，识别平台接收到重新处理信号后将重新处理信号发送至图像处理模块，图像处理模块接收到重新处理信号后重新选择分割方式并进行分析区域的重新分割，重新选择的分割方式与第一次选择的分割方式不同。

作为本发明的一种优选实施方式，在步骤三中，将合格系数与合格阈值进行比较的具体过程包括：

若合格系数小于合格阈值，则判定植被品种的识别过程满足要求；

若合格系数大于等于合格阈值，则判定植被品种的识别过程不满足要求，为植被品种分配对应的横切值、纵切值、斜切值、外扩值以及随机值。

作为本发明的一种优选实施方式，横切值的分配过程包括：将植被品种在分析周期内特征提取过程满足要求执行横切分割的次数标记为横切值，将横切值与分割值的比值标记为横切分割的分配权重，纵切值、斜切值、外扩值以及随机值的分配过程均与横切值的分配过程相同；横切值、纵切值、斜切值、外扩值以及随机值分别为下一分析周期进行植被品种识别时选取横切分割、纵切分割、斜切分割、外扩分割以及随机分割的权重数值。

作为本发明的一种优选实施方式，应用于基于深度学习的植被分类与识别系统当中，包括识别平台，所述识别平台通信连接有智能终端、图像处理模块、识别分析模块、分割分析模块以及存储模块；

所述智能终端包括无人机，所述无人机用于对植被识别地区进行遥感图像拍摄并将拍摄到的遥感图像发送至图像处理模块；

所述图像处理模块用于对遥感图像进行图像处理分析并得到分割区域i，将分析区域i发送至识别平台，识别平台接收到分析区域i后将分析区域i发送至特征分析模块；

所述识别分析模块用于对遥感图像进行识别特征提取分析并对标记品种的特征提取过程是否满足要求进行判定；

所述分割分析模块用于对植被品种的图像分割方式进行优先级分析，对植被品种的识别过程是否满足要求进行判定，并在植被品种的识别过程不满足要求时为植被品种分配对应的横切值、纵切值、斜切值、外扩值以及随机值。

本发明具备下述有益效果：

1、通过图像处理模块可以对遥感图像进行图像处理分析，通过多种图像分割方式将遥感图像分割为n个分析区域，每一个图像分割方式的执行逻辑均不相同，从而弱化相邻分析区域之间存在的特征向量提取干扰，提高特征向量提取精确性；

2、通过识别分析模块可以对遥感图像进行识别特征提取分析，通过对分割区域的特征向量进行提取，然后结合关联区域的特征提取结果进行分析得到验证值，通过验证值对区域分割对特征提取结果的精确性进行反馈，从而在分析区域分割不合理时进行重新分割；

3、通过分割分析模块可以对植被品种的图像分割方式进行优先级分析，通过对历史数据中的分割值与识别值进行数值计算得到合格系数，从而通过合格系数对识别过程是否满足要求进行判定，在识别过程不满足要求时进行分割方式权重分配，降低重复分割的次数，提高后续的区域分割与特征提取效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例一的系统框图；

图2为本发明实施例二的方法流程图。

具体实施方式

下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

如图1所示，基于深度学习的植被分类与识别系统，包括识别平台，识别平台通信连接有智能终端、图像处理模块、识别分析模块、分割分析模块以及存储模块。

智能终端包括无人机，无人机用于对植被识别地区进行遥感图像拍摄并将拍摄到的遥感图像发送至图像处理模块。

图像处理模块用于对遥感图像进行图像处理分析：随机选取一种分割方式将遥感图像分割为分析区域i，i＝1，2，…，n，n为正整数，分割方式包括横切分割、纵切分割、斜切分割、外扩分割以及随机分割，采用横切分割进行遥感图像分割的过程包括：生成n-1条横切线，每条横切线均与遥感图像底边平行，且每两条相邻横切线之间的距离均相等，由横切线分割的区域构成分析区域；采用纵切分割进行遥感图像分割的过程包括：生成n-1条纵切线，每条纵切线均与遥感图像底边垂直，且每两条相邻纵切线之间的距离均相等，由纵切线分割的区域构成分析区域；采用斜切分割进行遥感图像分割的过程包括：生成n-1条斜切线，每条斜切线均与遥感图像底边形成四十五度夹角，且每两条相邻斜切线之间的距离均相等，由斜切线分割的区域构成分析区域；采用外扩分割进行遥感图像分割的过程包括：生成n-1条圆形线，每条圆形线的圆心均与遥感图像的中心点重合，由圆形线分割的区域构成分析区域；将分析区域i发送至识别平台，识别平台接收到分析区域i后将分析区域i发送至特征分析模块；对遥感图像进行图像处理分析，通过多种图像分割方式将遥感图像分割为n个分析区域，每一个图像分割方式的执行逻辑均不相同，从而弱化相邻分析区域之间存在的特征向量提取干扰，提高特征向量提取精确性。

识别分析模块用于对遥感图像进行识别特征提取分析：通过存储模块调取植被品种的特征向量范围，随机选取一个植被品种并标记为标记品种，对分析区域i进行特征向量提取，将分析区域i提取的特征向量与标记品种的特征向量范围进行比对：若比对成功，则将分析区域i中对应的位置标记为标记位置；若比对失败，则选取下一个分析区域i进行特征向量提取；对所有标记位置的面积值进行求和取平均值得到标记品种的独立值；由相邻两个同时包含有标记位置的分析区域i组成关联区域e，e＝1，2，…，m，m为正整数，将关联区域e中标记位置的面积值标记为MJe，通过公式

分割分析模块用于对植被品种的图像分割方式进行优先级分析：生成分析周期，获取植被品种在分析周期内的识别次数并标记为识别值，获取植被品种在分析周期内进行识别时的图像分割次数并标记为分割值，将分割值与识别值的比值标记为合格系数，通过存储模块获取到合格阈值，将合格系数与合格阈值进行比较：若合格系数小于合格阈值，则判定植被品种的识别过程满足要求；若合格系数大于等于合格阈值，则判定植被品种的识别过程不满足要求，为植被品种分配对应的横切值、纵切值、斜切值、外扩值以及随机值；横切值的分配过程包括：将植被品种在分析周期内特征提取过程满足要求执行横切分割的次数标记为横切值，将横切值与分割值的比值标记为横切分割的分配权重，纵切值、斜切值、外扩值以及随机值的分配过程均与横切值的分配过程相同；横切值、纵切值、斜切值、外扩值以及随机值分别为下一分析周期进行植被品种识别时选取横切分割、纵切分割、斜切分割、外扩分割以及随机分割的权重数值；对植被品种的图像分割方式进行优先级分析，通过对历史数据中的分割值与识别值进行数值计算得到合格系数，从而通过合格系数对识别过程是否满足要求进行判定，在识别过程不满足要求时进行分割方式权重分配，降低重复分割的次数，提高后续的区域分割与特征提取效率。

实施例2

如图2所示，基于深度学习的植被分类与识别方法，包括以下步骤：

步骤一：对遥感图像进行图像处理分析：随机选取一种分割方式将遥感图像分割为分析区域i，i＝1，2，…，n，n为正整数，分割方式包括横切分割、纵切分割、斜切分割、外扩分割以及随机分割；

步骤二：识别分析模块用于对遥感图像进行识别特征提取分析：通过存储模块调取植被品种的特征向量范围，随机选取一个植被品种并标记为标记品种，对分析区域i进行特征向量提取，将分析区域i提取的特征向量与标记品种的特征向量范围进行比对；

步骤三：对植被品种的图像分割方式进行优先级分析：生成分析周期，获取植被品种在分析周期内的识别次数并标记为识别值，获取植被品种在分析周期内进行识别时的图像分割次数并标记为分割值，将分割值与识别值的比值标记为合格系数，通过存储模块获取到合格阈值，将合格系数与合格阈值进行比较并通过比较结果对植被品种的识别过程是否满足要求进行判定。

基于深度学习的植被分类与识别方法，工作时，随机选取一种分割方式将遥感图像分割为分析区域i，i＝1，2，…，n，n为正整数，分割方式包括横切分割、纵切分割、斜切分割、外扩分割以及随机分割；通过存储模块调取植被品种的特征向量范围，随机选取一个植被品种并标记为标记品种，对分析区域i进行特征向量提取，将分析区域i提取的特征向量与标记品种的特征向量范围进行比对；生成分析周期，获取植被品种在分析周期内的识别次数并标记为识别值，获取植被品种在分析周期内进行识别时的图像分割次数并标记为分割值，将分割值与识别值的比值标记为合格系数，通过存储模块获取到合格阈值，将合格系数与合格阈值进行比较并通过比较结果对植被品种的识别过程是否满足要求进行判定。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。