沼泽湿地植被分类方法、装置、计算机设备及存储介质

技术领域

本发明涉及植被分类方法，更具体地说是指沼泽湿地植被分类方法、装置、计算机设备及存储介质。

背景技术

植物群落的一切特征都可以作为分类的依据,如外貌结构特征、植物种类组成、植被动态特征、生境特征等等。植被分类是植被科学研究的基础。对于植被分类，目前采用的是基于卫星图像的分类的方式，但是因为卫星图像有其固定的轨道，对于较小的湿地，准确性会降低。在许多情况下，湿地面积相对较小，因此基于卫星的分类是不够敏感的，可能会产生较大错误。重大问题之一是像素混合。例如，当像素大小为10m时，每个像素都有该大小，这影响了像素的总反射率值，因此影响了像素的良好边界或范围，物种界定无法实现，有几种方法可以减少卫星图像中的误差，但是大多数它们需要广泛的高光谱带。

因此，有必要设计一种新的方法，实现基于无人机图像的植被分类方式，提高特殊场景下的植被分类准确率。

发明内容

本发明的目的在于克服现有技术的缺陷，提供沼泽湿地植被分类方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：沼泽湿地植被分类方法，包括：

获取来自无人机的沼泽湿地图像，以得到初始图像；

确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果；

根据分类结果对所述初始图像进行分割，以得到植被类别。

其进一步技术方案为：所述确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果，包括：

将初始图像分裂为决策树；

采用基尼系数确定所述决策树的属性；

根据属性对初始图像内的植被进行分类，以得到分类结果。

其进一步技术方案为：所述根据分类结果对所述初始图像进行分割，以得到植被类别，包括：

根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别。

其进一步技术方案为：所述根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别，包括：

根据分类结果确定所述初始图像内植被的区域；

采用最大流/最小割算法对植被的区域进行分割，以得到不同植被的图像；

根据不同植被的图像确定植被的类别，以得到植被类别。

其进一步技术方案为：所述根据不同植被的图形确定植被的类别，以得到植被类别，包括：

采用基于像素的RF分类器对不同植被的图像进行类别确定，以得到植被类别。

本发明还提供了沼泽湿地植被分类装置，包括：

图像获取单元，用于获取来自无人机的沼泽湿地图像，以得到初始图像；

属性确定单元，用于确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果；

分割单元，用于根据分类结果对所述初始图像进行分割，以得到植被类别。

其进一步技术方案为：所述属性确定单元包括：

分裂子单元，用于将初始图像分裂为决策树；

确定子单元，用于采用基尼系数确定所述决策树的属性；

分类子单元，用于根据属性对初始图像内的植被进行分类，以得到分类结果。

其进一步技术方案为：所述分割单元，用于根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别。

本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。

本发明与现有技术相比的有益效果是：本发明通过无人机拍摄沼泽湿地的图像，并采用决策树和基尼指数的方式确定获取的图像的属性，由此进行初次分类，并采用最大流/最小割算法对初次分类后的图像进行图割，结合RF分类器进行类别确定，实现基于无人机图像的植被分类方式，且采用无人机拍摄图像可以具备高空间分辨率，可提高特殊场景下的植被分类准确率。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的沼泽湿地植被分类方法的应用场景示意图；

图2为本发明实施例提供的沼泽湿地植被分类方法的流程示意图；

图3为本发明实施例提供的沼泽湿地植被分类方法的子流程示意图；

图4为本发明实施例提供的沼泽湿地植被分类方法的子流程示意图；

图5为本发明实施例提供的沼泽湿地植被分类装置的示意性框图；

图6为本发明实施例提供的沼泽湿地植被分类装置的属性确定单元的示意性框图；

图7为本发明实施例提供的沼泽湿地植被分类装置的分割单元的示意性框图；

图8为本发明实施例提供的计算机设备的示意性框图。

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的沼泽湿地植被分类方法的应用场景示意图。图2为本发明实施例提供的沼泽湿地植被分类方法的示意性流程图。该沼泽湿地植被分类方法应用于服务器中。该服务器与无人机进行数据交互，从无人机获取到对应的沼泽湿地图像后，对该图像进行属性确定和图像分割，以确定图像内的植被类别。

图2是本发明实施例提供的沼泽湿地植被分类方法的流程示意图。如图2所示，该方法包括以下步骤S110至S130。

S110、获取来自无人机的沼泽湿地图像，以得到初始图像。

在本实施例中，初始图像是指使用无人机拍摄沼泽湿地所得的图像。

使用无人机可以使所获得的图片实现非常高的空间分辨率，而且分辨率可以灵活调试，这是使用卫星图像无法实现的。由于无人机的应用，改变了对湿地制图的高空间分辨率和捕获图像的灵活性。对于特定的应用，例如湿地绘制，需要针对每个不同站点，地形，季节，在其他大气条件下，基于像素的贝叶斯分类器与图像的联合分割算法一起使用时，可提供较高的准确性分割。

S120、确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果。

在本实施例中，分类结果是指初始图像内的植被的初始分类。

在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121～S123。

S121、将初始图像分裂为决策树。

在本实施例中，决策树是指由初始图像进行分裂形成的内容。

将初始图像分为100个随机子集(重复)，由此形成决策树，并针对每棵树，使用等式确定属性，每个像素的最终类别选择均采用多数投票。每棵树只能在一个随机子集上分裂样本，决策树需要选择属性。

S122、采用基尼系数确定所述决策树的属性。

具体地，使用基尼系数准则确定属性，基尼系数G为：

每个像素的最终类别选择均采用多数投票。对于决策树而言，最高(没有分割数)＝20；分裂标准＝基尼的多样性指数；对于判别式分析而言，内核＝二次；对于朴素贝叶斯而言，内核＝高斯支持向量机，内核＝径向基函数(rbf)＝0.25；对于K最近相邻而言，邻居数＝2；距离＝欧几里得；对于随机森林而言，树木数量(t)＝100(1000重复样本)；分割数＝5853。

S123、根据属性对初始图像内的植被进行分类，以得到分类结果。

当确定初始图像内的不同区域的属性后，便可确定每个区域对应的植被的初始类别。

S130、根据分类结果对所述初始图像进行分割，以得到植被类别。

在本实施例中，植被类别是指沼泽湿地内的植被的类别。植被类别与分类结果的准确率要高。

具体地，根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别。

无人机图像分类后，使用最大流/最小割算法对它们进行分割；该技术使用区域信息从像素形成适当的片段。可以将该片段视为基于空间相似性的分类后平滑过程。使用最大流量最小割算法通常称为图割完成片段的形成。该算法使用数据成本和平滑度成本。使用MATLAB wrapper mex文件功能在MATLAB v.2019b中执行图切割分割，使用户能够调用C/C++文件。细分步骤包括计算数据成本，平滑度成本和能量的使用，基于像素分类的后验概率地图。基于像素的最大概率，形成段，并且像素被加入。

数据成本D

其中，I(p)是像素p的观察反射率。另一方面，平滑度成本V

其中Δ(p，q)＝I(p)-I(q)表示p和q的反射率值有多大不同，c＞0是a平滑度因子，标准偏差σ＞0，用于控制Δ(p，q)对罚分的贡献，T＝1ifn

在一实施例中，请参阅图4，上述的步骤S130可包括步骤S131～S133。

S131、根据分类结果确定所述初始图像内植被的区域。

在本实施例中，分类结果可以初步将初始图像进行不同区域的划分。

S132、采用最大流/最小割算法对植被的区域进行分割，以得到不同植被的图像。

在本实施例中，不同植被的图像是指从初始图像内划分出来的不同植被的区域。

S133、根据不同植被的图像确定植被的类别，以得到植被类别。

具体地，采用基于像素的RF分类器对不同植被的图像进行类别确定，以得到植被类别。

采用无人机图像具有强度和颜色信息，基于最大流量的最小分割技术，使用与每个类别的每个像素关联的后验概率来完成的，为了计算后验概率，需要对无人机图像进行初始分类，分割是基于分类后区域的平滑过程，相对于完全手动标记的图像平滑度更高，根据纹理和颜色强度，总共使用了13个波段对无人机图像进行进一步分类，从准确性和时间上考虑，本实施例中使用RF做分类器。

举个例子：研究对象是爱尔兰克拉拉沼泽的一小部分沼泽。在所有这些生态环境中，主要重点是保护活跃的泥炭形成区域，它们被视为C、SC和AF生态环境。这些地区的泥炭藓苔藓覆盖，有吊床、凹陷、草坪和许多游泳池。出现在SC生态区边界处的SM生态区可能看起来几乎是同质的，这使得很难区分它们。为了捕获高分辨率图像，使用了系留无人机。具有100–1600ISO范围和94视场的光学相机视图。镜头具有防失真和自动对焦功能，相当于20mm相当于35mm格式。方面单击图像时，该比率保持为4：3。当天的最高温度记录为20C。飞行高度为100m，所捕获图像的空间分辨率为1.8cm。无人机任务是在Pix4DCapture应用程序中使用Google地图预先加载，以使用iOS-12设备。分别以70％的正面和80％的侧向重叠率分别捕获图像平均速度为3m/s。

对于地理配准，无人机图像中有地理标签，即纬度较长的位置。为了更好地定位，图像是叠加在高分辨率DigitalGlobeWorld影像上，空间分辨率＝30厘米，可作为ArcMapv.10.6.1中的基本地图。3–4地面控制中提供的“地理配准”工具箱为每张图像确定点，并将投影校正为地理坐标系统-世界大地测量系统84。为每幅图像确定了3-4个地面控制，并进行了投影，可用的图像随机分为70％训练和30％测试。为了对制图精度有一个正确的认识，所有图像都被标记为四个植被群落分别为M、SMSC、C、AF。

上述的沼泽湿地植被分类方法，通过无人机拍摄沼泽湿地的图像，并采用决策树和基尼指数的方式确定获取的图像的属性，由此进行初次分类，并采用最大流/最小割算法对初次分类后的图像进行图割，结合RF分类器进行类别确定，实现基于无人机图像的植被分类方式，且采用无人机拍摄图像可以具备高空间分辨率，可提高特殊场景下的植被分类准确率。

图5是本发明实施例提供的一种沼泽湿地植被分类装置300的示意性框图。如图5所示，对应于以上沼泽湿地植被分类方法，本发明还提供一种沼泽湿地植被分类装置300。该沼泽湿地植被分类装置300包括用于执行上述沼泽湿地植被分类方法的单元，该装置可以被配置于服务器中。具体地，请参阅图5，该沼泽湿地植被分类装置300包括图像获取单元301、属性确定单元302以及分割单元303。

图像获取单元301，用于获取来自无人机的沼泽湿地图像，以得到初始图像；属性确定单元302，用于确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果；分割单元303，用于根据分类结果对所述初始图像进行分割，以得到植被类别。

在一实施例中，如图6所示，所述属性确定单元302包括分裂子单元3021、确定子单元3022以及分类子单元3023。

分裂子单元3021，用于将初始图像分裂为决策树；确定子单元3022，用于采用基尼系数确定所述决策树的属性；分类子单元3023，用于根据属性对初始图像内的植被进行分类，以得到分类结果。

在一实施例中，所述分割单元303，用于根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别。

在一实施例中，如图7所示，上述的分割单元303包括区域确定子单元3031、区域分割子单元3032以及类别确定子单元3033。

区域确定子单元3031，用于根据分类结果确定所述初始图像内植被的区域；区域分割子单元3032，用于采用最大流/最小割算法对植被的区域进行分割，以得到不同植被的图像；类别确定子单元3033，用于根据不同植被的图像确定植被的类别，以得到植被类别。

在一实施例中，类别确定子单元3033，用于采用基于像素的RF分类器对不同植被的图像进行类别确定，以得到植被类别。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述沼泽湿地植被分类装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述沼泽湿地植被分类装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。

请参阅图8，图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种沼泽湿地植被分类方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种沼泽湿地植被分类方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取来自无人机的沼泽湿地图像，以得到初始图像；确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果；根据分类结果对所述初始图像进行分割，以得到植被类别。

在一实施例中，处理器502在实现所述确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果步骤时，具体实现如下步骤：

将初始图像分裂为决策树；采用基尼系数确定所述决策树的属性；根据属性对初始图像内的植被进行分类，以得到分类结果。

在一实施例中，处理器502在实现所述根据分类结果对所述初始图像进行分割，以得到植被类别步骤时，具体实现如下步骤：

根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别。

在一实施例中，处理器502在实现所述根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别步骤时，具体实现如下步骤：

根据分类结果确定所述初始图像内植被的区域；采用最大流/最小割算法对植被的区域进行分割，以得到不同植被的图像；根据不同植被的图像确定植被的类别，以得到植被类别。

在一实施例中，处理器502在实现所述根据不同植被的图形确定植被的类别，以得到植被类别步骤时，具体实现如下步骤：

采用基于像素的RF分类器对不同植被的图像进行类别确定，以得到植被类别。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取来自无人机的沼泽湿地图像，以得到初始图像；确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果；根据分类结果对所述初始图像进行分割，以得到植被类别。

在一实施例中，所述处理器在执行所述计算机程序而实现所述确定初始图像的属性，并根据属性对初始图像内的植被进行分类，以得到分类结果步骤时，具体实现如下步骤：

将初始图像分裂为决策树；采用基尼系数确定所述决策树的属性；根据属性对初始图像内的植被进行分类，以得到分类结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据分类结果对所述初始图像进行分割，以得到植被类别步骤时，具体实现如下步骤：

根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据分类结果采用最大流/最小割算法对所述初始图像进行分割，以得到植被类别步骤时，具体实现如下步骤：

根据分类结果确定所述初始图像内植被的区域；采用最大流/最小割算法对植被的区域进行分割，以得到不同植被的图像；根据不同植被的图像确定植被的类别，以得到植被类别。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据不同植被的图形确定植被的类别，以得到植被类别步骤时，具体实现如下步骤：

采用基于像素的RF分类器对不同植被的图像进行类别确定，以得到植被类别。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。