一种生态修复区植距预估方法、装置、电子设备及介质

技术领域

本发明涉及图像处理领域，尤其涉及一种生态修复区植距预估方法、装置、电子设备及计算机可读存储介质。

背景技术

近年来，随着人们对生态环境的重视，生态资源的保护和修复受到越来越多的关注，土地荒漠化开始成为亟待解决的问题。

当前对土地荒漠化的评估和修复需要人工、实地的查看，这种方式需要耗费大量的人力物力，且不能做到宏观、准确的判断生态修复区的植被植距，从而影响生态修复区的评估及修复的效率。

发明内容

本发明提供一种生态修复区植距预估方法、装置及计算机可读存储介质，其主要目的在于解决不能做到宏观、准确的判断生态修复区的植被植距，从而影响生态修复区的评估及修复的效率的问题。

为实现上述目的，本发明提供的一种生态修复区植距预估方法，包括：

接收预构建的卫星生态图，对所述卫星生态图进行区间切分，得到生态单元图集；

利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集；

计算所述植被单元图集中每一个植被单元图的RGB值，得到实际RGB 值；

利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离。

可选地，所述对所述卫星生态图进行区间切分，得到生态单元图集，包括：

根据所述卫星生态图的面积域值，选择适合的切分标准；

根据所述切分标准对所述卫星生态图进行正六边形切分，得到所述生态单元图集。

可选地，所述利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集，包括：

依次提取所述生态单元图集中的每一张生态单元图的像素值，得到多个像素值矩阵；

利用所述卷积神经网络中的特征提取层，提取所述像素值矩阵的矩阵特征；

利用所述卷积神经网络的全连接层，根据所述矩阵特征对所述生态单元图进行分类，提取分类结果为植被的生态单元图，得到所述植被单元图集。

可选地，所述利用所述卷积神经网络中的特征提取层，提取所述像素值矩阵的矩阵特征，包括：

利用所述特征提取层中的卷积层对所述像素值矩阵进行卷积特征提取，得到卷积化特征矩阵；

利用所述特征提取层中的池化层对所述卷积化特征矩阵进行池化，得到矩阵特征。

可选地，所述利用所述特征提取层中的卷积层对所述像素值矩阵进行卷积特征提取，得到卷积化特征矩阵，包括：

利用所述卷积层中的卷积核在所述像素值矩阵上进行滑动特征提取，得到滑动特征数组；

根据所述滑动特征数组中每一个数值的先后顺序，构建所述卷积化特征矩阵。

可选地，所述植距比照表的构建过程，包括：

接收预构建的比照生态图集及所述比照生态图集中每一张比照生态图对应的植被植距；

提取所述比照生态图集中每一张比照生态图的比照RGB值，根据所述比照生态图的比照RGB值及对应的植被植距，构建所述植距比照表。

可选地，所述利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离，包括：

利用所述实际RGB值与所述植距比照表中的比照RGB值进行匹配，得到与所述实际RGB值相同的比照RGB值；

提取所述相同的比照RGB值对应的植被植距，得到所述每一个植被单元图中的植被距离。

为了解决上述问题，本发明还提供一种生态修复区植距预估装置，所述装置包括：

卫星生态图切分模块，用于接收预构建的卫星生态图，对所述卫星生态图进行区间切分，得到生态单元图集；

生态单元图分类模块，用于利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集；

RGB值计算模块，用于计算所述植被单元图集中每一个植被单元图的 RGB值，得到实际RGB值；

植距估算模块，用于利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的生态修复区植距预估方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的生态修复区植距预估方法。

相比于背景技术所述：当前对土地荒漠化的评估和修复需要人工、实地的查看，这种方式需要耗费大量的人力物力，且不能做到宏观、准确的判断生态修复区的植被植距，从而影响生态修复区的评估及修复的效率的现象，本发明实施例通过对所述卫星生态图进行分割，得到所述生态单元图集，可以对生态修复区进行更为精细化的修复。利用预构建的卷积神经网络提取所述生态单元图的图片特征，并根据所述图片特征识别出包含植被的生态单元图，可以有针对性的关注植被的生长情况，最后通过预构建的植距比照表和所述实际RGB值查询出所述生态单元图中的植被植距，综合所有的生态单元图可以对生态修复区的植被植距做出合理预估。因此本发明提出的生态修复区植距预估方法、装置、电子设备及计算机可读存储介质，解决了不能做到宏观、准确的判断生态修复区的植被植距，从而影响生态修复区的评估及修复效率的问题。

附图说明

图1为本发明一实施例提供的生态修复区植距预估方法的流程示意图；

图2为图1中其中一个步骤的详细实施流程示意图；

图3为图2中其中一个步骤的详细实施流程示意图；

图4为本发明一实施例提供的生态修复区植距预估装置的功能模块图；

图5为本发明一实施例提供的实现所述生态修复区植距预估方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种生态修复区植距预估方法。所述生态修复区植距预估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述生态修复区植距预估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的生态修复区植距预估方法的流程示意图。在本实施例中，所述生态修复区植距预估方法包括：

S1、接收预构建的卫星生态图，对所述卫星生态图进行区间切分，得到生态单元图集；

本发明实施例中，所述卫星生态图指由卫星拍摄的生态修复区的高清地图，示例性的，所述卫星生态图可以包含沙漠、植被及河流等生态组成部分。所述生态单元图集指所述卫星生态图经过切分后得到的多个正六边形生态单元图组成的图集，每一个生态单元图可以包含一种或多种生态组成成份。

本发明实施例中，采用正六边形对所述卫星生态图进行切分的原因在于，正六边形是唯一能分割地理空间且任意相邻正六边形的几何中心点距离相等。

本发明实施例中，所述对所述卫星生态图进行区间切分，得到生态单元图集，包括：

根据所述卫星生态图的面积域值，选择适合的切分标准；

根据所述切分标准对所述卫星生态图进行正六边形切分，得到所述生态单元图集。

详细地，所述面积值域指所述卫星生态图所拍摄的地域面积的大小。所述切分标准可以根据所述面积值域的大小进行合理选择。例如：所述卫星生态图覆盖的面积为100平方公里，则所述切分标准可以选择用边长为1公里的正六边形对所述卫星生态图进行切分。

S2、利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集；

本发明实施例中，所述植被单元图集指由包含植被的生态单元图组成的图集，所述植被单元图可以只包含植被，也可以既包含植被又包含其他生态组成成份，例如：植被和沙漠组成的植被单元图、植被和河流组成的植被单元图。

详细地，参阅图2所示，所述利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集，包括：

S21、依次提取所述生态单元图集中的每一张生态单元图的像素值，得到多个像素值矩阵；

S22、利用所述卷积神经网络中的特征提取层，提取所述像素值矩阵的矩阵特征；

S23、利用所述卷积神经网络的全连接层，根据所述矩阵特征对所述生态单元图进行分类，提取分类结果为植被的生态单元图，得到所述植被单元图集。

详细地，所述像素值矩阵指根据所述生态单元图上每一点的像素值及相应的位置进行排列得到的矩阵。所述特征提取层指卷积神经网络中的由卷积层和池化层组成的隐藏层，通过所述特征提取层可以提取所述生态单元图的特征数据。所述全连接层可由多层感知机分类器组成，可以根据所述特征提取层提取得到的矩阵特征，识别所述生态单元图中包含的生态组成成份，进而对所述生态单元图进行分类。

详细地，所述多层感知机分类器也称为MLP模型，多层感知机分类器的每一层包括输入数据、模型参数及激活函数，多层感知机分类器通过激活函数来保证像素值处理过程中的非线性，常见的激活函数有Sigmoid函数、Tanh 函数及Relu函数，其中，因为Relu函数计算简单快速，可以被选作本发明实施例中的激活函数使用。

本发明实施例中，所述多层感知机分类器通过多个层级的分类，来最终判断所述生态单元图中是否包含植被，例如：第一层可以判断所述生态单元图中是否包含树叶的图像特征，第二层可以判断所述生态单元图中是否包含树干的图像特征，第三层可以判断所述生态单元图是否包含泥土的图像特征，等等。

本发明实施例中，参阅图3所示，所述利用所述卷积神经网络中的特征提取层，提取所述像素值矩阵的矩阵特征，包括：

S24、利用所述特征提取层中的卷积层对所述像素值矩阵进行卷积特征提取，得到卷积化特征矩阵；

S25、利用所述特征提取层中的池化层对所述卷积化特征矩阵进行池化，得到矩阵特征。

本发明实施例中，所述卷积层指由预先训练好的卷积核在所述像素值矩阵上以预定的步长进行滑动，对重合的部分数值进行乘积和加和的操作，进而提取所述生态单元图的图片特征。

详细地，所述卷积核可以为2*2的矩阵组成。所述卷积神经网络一般由初始卷积神经网络进行训练得到，初始卷积神经网络中的初始卷积核一般以随机小数矩阵的形式初始化，在所述初始卷积神经网络的训练过程中所述初始卷积核将学习到合理权值，通过卷积核可以减少卷积神经网络各层之间的连接，同时又降低像素数据过拟合的风险。

本发明实施例中，所述卷积神经网络的训练过程为现有技术，再次不再赘述。

详细地，所述池化层也称子采样层，可以采用均值子采样也可以采用最大值子采样。池化层可以看作是一种特殊的卷积层，通过卷积层和池化层可以大大降低所述生态单元图的复杂程度，减少计算参数。可以采用多个卷积层和池化层的叠加进行特征提取。

本发明实施例中，所述利用所述特征提取层中的卷积层对所述像素值矩阵进行卷积特征提取，得到卷积化特征矩阵，包括：

利用所述卷积层中的卷积核在所述像素值矩阵上进行滑动特征提取，得到滑动特征数组；

根据所述滑动特征数组中每一个数值的先后顺序，构建所述卷积化特征矩阵。

本发明实施例中，可以采用多个不同的卷积核来提取所述生态单元图的不同特征，示例性地，可以采用32种不同的卷积核，采取所述生态单元图的 32种特征。

本发明实施例中，可以采用局部感知野的方式来获取所述生态单元图中的像素值，所述局部感知野是指在所述生态单元图中图像的空间联系在局部较为紧密，而距离较远时像素的相关性则较弱，因而没有必要对所述生态单元图的全局图像进行感知，只需要对局部的图像进行感知，然后在所述特征提取层中的更高层对感知到的局部图像进行综合判断，进而获取所述生态单元图的全局信息。例如：所述生态单元图包含植被和沙漠时，只需要对植被的叶子部分进行局部感知，进而确定所述生态单元图为植被单元图。

S3、计算所述植被单元图集中每一个植被单元图的RGB值，得到实际 RGB值；

本发明实施例中，所述RGB值是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色值，通过RGB值基本可以包括人类视力所能感知的所有颜色。可以通过所述植被单元图的RGB值，来对生态修复区的植被覆盖情况进行估算，通常绿色的颜色越深代表植被覆盖程度越高。

详细地，可以通过所述植被单元图中植被覆盖的区域的RGB值来作为判断所述植被单元图所在区域的植被植距的标准。当所述植被覆盖区域的RGB 值越接近深绿色，则表示所述植被单元图中植被覆盖区域的植被植距越近。

详细地，当所述RGB值的红色通道数值为255、绿色通道数值为255及蓝色通道数值为0时，则表示所述植被覆盖区域的颜色为黄色，也即表示所述植被覆盖区域的植被植距非常差。当所述红色通道数值为0、绿色通道数值为255及蓝色通道数值为255时，则表示所述植被覆盖区域的颜色为青色，也即表示所述植被覆盖区域的植被植距非常近，甚至所述植被覆盖区域的植被或林木存在相互遮掩的情况。

S4、利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离。

详细地，所述值距比照表指由预构建的比照生态图集的RGB值及对应的实际植被植距组成的比照表。当给定某一个RGB值时，可以查询到相应的植被植距，通常绿色越深代表植被植距越近。

本发明实施例中，所述植距比照表的构建过程，包括：

接收预构建的比照生态图集及所述比照生态图集中每一张比照生态图对应的植被植距；

提取所述比照生态图集中每一张比照生态图的比照RGB值，根据所述比照生态图的比照RGB值及对应的植被植距，构建所述植距比照表。

本发明实施例中，所述利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离，包括：

利用所述实际RGB值与所述植距比照表中的比照RGB值进行匹配，得到与所述实际RGB值相同的比照RGB值；

提取所述相同的比照RGB值对应的植被植距，得到所述每一个植被单元图中的植被距离。

详细地，所述比照生态图集中的每一张比照生态图都有相应的已知的植被植距，例如：所述比照生态图的RGB值分别为0、255及0时，所述比照生态图中的植被植距可以为0.5米。当所述实际RGB值也为0、255及0时，则可以判断所述植被单元图中的植被覆盖区域的植被植距为0.5米。

本发明实施例中，可以通过提取所述植被单元图的RGB值，并利用提取的所述RGB值与预构建的植距比照表进行比照，得到相同的比照RGB值，进而获取所述植被单元图中的植被植距。

本发明实施例中，通过对所述卫星生态图进行分割，得到所述生态单元图集，可以对生态修复区进行更为精细化的修复。利用预构建的卷积神经网络提取所述生态单元图的图片特征，并根据所述图片特征识别出包含植被的生态单元图，可以有针对性的关注植被的生长情况，最后通过预构建的植距比照表和所述实际RGB值查询出所述生态单元图中的植被植距，综合所有的生态单元图可以对生态修复区的植被植距做出合理预估。因此本发明提出的生态修复区植距预估方法、装置、电子设备及计算机可读存储介质，解决了不能做到宏观、准确的判断生态修复区的植被植距，从而影响生态修复区的评估及修复效率的问题。

如图4所示，是本发明一实施例提供的生态修复区植距预估装置的功能模块图。

本发明所述生态修复区植距预估装置100可以安装于电子设备中。根据实现的功能，所述生态修复区植距预估装置100可以包括卫星生态图切分模块模块101、生态单元图分类模块102、RGB值计算模块103及植距估算模块 104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

所述卫星生态图切分模块模块101，用于接收预构建的卫星生态图，对所述卫星生态图进行区间切分，得到生态单元图集；

本发明实施例中，所述卫星生态图指由卫星拍摄的生态修复区的高清地图，示例性的，所述卫星生态图可以包含沙漠、植被及河流等生态组成部分。所述生态单元图集指所述卫星生态图经过切分后得到的多个正六边形生态单元图组成的图集，每一个生态单元图可以包含一种或多种生态组成成份。

本发明实施例中，采用正六边形对所述卫星生态图进行切分的原因在于，正六边形是唯一能分割地理空间且任意相邻正六边形的几何中心点距离相等。

本发明实施例中，所述对所述卫星生态图进行区间切分，得到生态单元图集，包括：

根据所述卫星生态图的面积域值，选择适合的切分标准；

根据所述切分标准对所述卫星生态图进行正六边形切分，得到所述生态单元图集。

详细地，所述面积值域指所述卫星生态图所拍摄的地域面积的大小。所述切分标准可以根据所述面积值域的大小进行合理选择。例如：所述卫星生态图覆盖的面积为100平方公里，则所述切分标准可以选择用边长为1公里的正六边形对所述卫星生态图进行切分。

所述生态单元图分类模块102，用于利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集；

本发明实施例中，所述植被单元图集指由包含植被的生态单元图组成的图集，所述植被单元图可以只包含植被，也可以既包含植被又包含其他生态组成成份，例如：植被和沙漠组成的植被单元图、植被和河流组成的植被单元图。

详细地，参阅图2所示，所述利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集，包括：

S21、依次提取所述生态单元图集中的每一张生态单元图的像素值，得到多个像素值矩阵；

S22、利用所述卷积神经网络中的特征提取层，提取所述像素值矩阵的矩阵特征；

S23、利用所述卷积神经网络的全连接层，根据所述矩阵特征对所述生态单元图进行分类，提取分类结果为植被的生态单元图，得到所述植被单元图集。

详细地，所述像素值矩阵指根据所述生态单元图上每一点的像素值及相应的位置进行排列得到的矩阵。所述特征提取层指卷积神经网络中的由卷积层和池化层组成的隐藏层，通过所述特征提取层可以提取所述生态单元图的特征数据。所述全连接层可由多层感知机分类器组成，可以根据所述特征提取层提取得到的矩阵特征，识别所述生态单元图中包含的生态组成成份，进而对所述生态单元图进行分类。

详细地，所述多层感知机分类器也称为MLP模型，多层感知机分类器的每一层包括输入数据、模型参数及激活函数，多层感知机分类器通过激活函数来保证像素值处理过程中的非线性，常见的激活函数有Sigmoid函数、Tanh 函数及Relu函数，其中，因为Relu函数计算简单快速，可以被选作本发明实施例中的激活函数使用。

本发明实施例中，所述多层感知机分类器通过多个层级的分类，来最终判断所述生态单元图中是否包含植被，例如：第一层可以判断所述生态单元图中是否包含树叶的图像特征，第二层可以判断所述生态单元图中是否包含树干的图像特征，第三层可以判断所述生态单元图是否包含泥土的图像特征，等等。

本发明实施例中，参阅图3所示，所述利用所述卷积神经网络中的特征提取层，提取所述像素值矩阵的矩阵特征，包括：

S24、利用所述特征提取层中的卷积层对所述像素值矩阵进行卷积特征提取，得到卷积化特征矩阵；

S25、利用所述特征提取层中的池化层对所述卷积化特征矩阵进行池化，得到矩阵特征。

本发明实施例中，所述卷积层指由预先训练好的卷积核在所述像素值矩阵上以预定的步长进行滑动，对重合的部分数值进行乘积和加和的操作，进而提取所述生态单元图的图片特征。

详细地，所述卷积核可以为2*2的矩阵组成。所述卷积神经网络一般由初始卷积神经网络进行训练得到，初始卷积神经网络中的初始卷积核一般以随机小数矩阵的形式初始化，在所述初始卷积神经网络的训练过程中所述初始卷积核将学习到合理权值，通过卷积核可以减少卷积神经网络各层之间的连接，同时又降低像素数据过拟合的风险。

本发明实施例中，所述卷积神经网络的训练过程为现有技术，再次不再赘述。

详细地，所述池化层也称子采样层，可以采用均值子采样也可以采用最大值子采样。池化层可以看作是一种特殊的卷积层，通过卷积层和池化层可以大大降低所述生态单元图的复杂程度，减少计算参数。可以采用多个卷积层和池化层的叠加进行特征提取。

本发明实施例中，所述利用所述特征提取层中的卷积层对所述像素值矩阵进行卷积特征提取，得到卷积化特征矩阵，包括：

利用所述卷积层中的卷积核在所述像素值矩阵上进行滑动特征提取，得到滑动特征数组；

根据所述滑动特征数组中每一个数值的先后顺序，构建所述卷积化特征矩阵。

本发明实施例中，可以采用多个不同的卷积核来提取所述生态单元图的不同特征，示例性地，可以采用32种不同的卷积核，采取所述生态单元图的 32种特征。

本发明实施例中，可以采用局部感知野的方式来获取所述生态单元图中的像素值，所述局部感知野是指在所述生态单元图中图像的空间联系在局部较为紧密，而距离较远时像素的相关性则较弱，因而没有必要对所述生态单元图的全局图像进行感知，只需要对局部的图像进行感知，然后在所述特征提取层中的更高层对感知到的局部图像进行综合判断，进而获取所述生态单元图的全局信息。例如：所述生态单元图包含植被和沙漠时，只需要对植被的叶子部分进行局部感知，进而确定所述生态单元图为植被单元图。

所述RGB值计算模块103，用于计算所述植被单元图集中每一个植被单元图的RGB值，得到实际RGB值；

本发明实施例中，所述RGB值是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色值，通过RGB值基本可以包括人类视力所能感知的所有颜色。可以通过所述植被单元图的RGB值，来对生态修复区的植被覆盖情况进行估算，通常绿色的颜色越深代表植被覆盖程度越高。

详细地，可以通过所述植被单元图中植被覆盖的区域的RGB值来作为判断所述植被单元图所在区域的植被植距的标准。当所述植被覆盖区域的RGB 值越接近深绿色，则表示所述植被单元图中植被覆盖区域的植被植距越近。

详细地，当所述RGB值的红色通道数值为255、绿色通道数值为255及蓝色通道数值为0时，则表示所述植被覆盖区域的颜色为黄色，也即表示所述植被覆盖区域的植被植距非常差。当所述红色通道数值为0、绿色通道数值为255及蓝色通道数值为255时，则表示所述植被覆盖区域的颜色为青色，也即表示所述植被覆盖区域的植被植距非常近，甚至所述植被覆盖区域的植被或林木存在相互遮掩的情况。

所述植距估算模块104，用于利用预构建的植距比照表，根据所述实际 RGB值，估算所述每一个植被单元图中的植被距离。

详细地，所述值距比照表指由预构建的比照生态图集的RGB值及对应的实际植被植距组成的比照表。当给定某一个RGB值时，可以查询到相应的植被植距，通常绿色越深代表植被植距越近。

本发明实施例中，所述植距比照表的构建过程，包括：

接收预构建的比照生态图集及所述比照生态图集中每一张比照生态图对应的植被植距；

提取所述比照生态图集中每一张比照生态图的比照RGB值，根据所述比照生态图的比照RGB值及对应的植被植距，构建所述植距比照表。

本发明实施例中，所述利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离，包括：

利用所述实际RGB值与所述植距比照表中的比照RGB值进行匹配，得到与所述实际RGB值相同的比照RGB值；

提取所述相同的比照RGB值对应的植被植距，得到所述每一个植被单元图中的植被距离。

详细地，所述比照生态图集中的每一张比照生态图都有相应的已知的植被植距，例如：所述比照生态图的RGB值分别为0、255及0时，所述比照生态图中的植被植距可以为0.5米。当所述实际RGB值也为0、255及0时，则可以判断所述植被单元图中的植被覆盖区域的植被植距为0.5米。

本发明实施例中，可以通过提取所述植被单元图的RGB值，并利用提取的所述RGB值与预构建的植距比照表进行比照，得到相同的比照RGB值，进而获取所述植被单元图中的植被植距。

本发明实施例中，通过对所述卫星生态图进行分割，得到所述生态单元图集，可以对生态修复区进行更为精细化的修复。利用预构建的卷积神经网络提取所述生态单元图的图片特征，并根据所述图片特征识别出包含植被的生态单元图，可以有针对性的关注植被的生长情况，最后通过预构建的植距比照表和所述实际RGB值查询出所述生态单元图中的植被植距，综合所有的生态单元图可以对生态修复区的植被植距做出合理预估。因此本发明提出的生态修复区植距预估方法、装置、电子设备及计算机可读存储介质，解决了不能做到宏观、准确的判断生态修复区的植被植距，从而影响生态修复区的评估及修复效率的问题。

如图5所示，是本发明一实施例提供的实现生态修复区植距预估方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如生态修复区植距预估程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字 (SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器 11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如生态修复区植距预估程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10 是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块 (例如生态修复区植距预估程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5 示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10 逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED 显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的生态修复区植距预估程序12 是多个指令的组合，在所述处理器10中运行时，可以实现：

接收预构建的卫星生态图，对所述卫星生态图进行区间切分，得到生态单元图集；

利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集；

计算所述植被单元图集中每一个植被单元图的RGB值，得到实际RGB 值；

利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/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，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

接收预构建的卫星生态图，对所述卫星生态图进行区间切分，得到生态单元图集；

利用预构建的卷积神经网络对所述生态单元图集进行分类，得到植被单元图集；

计算所述植被单元图集中每一个植被单元图的RGB值，得到实际RGB 值；

利用预构建的植距比照表，根据所述实际RGB值，估算所述每一个植被单元图中的植被距离。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。