一种基于可见光谱视觉遥感的干旱变色树木目标检测识别方法

技术领域

本发明涉及环境监测技术领域，尤其涉及一种基于可见光谱视觉遥感的干旱变色树木目标检测识别方法。

背景技术

干旱变色树木检测在林业中具有重要的需要性。及早检测树木的干旱变色情况可以帮助林业管理者采取措施，保护森林健康，减缓或避免树木受到干旱和其他胁迫因素的影响。同时，这项技术也可以作为林火预警的重要指标，及早发现并处理干旱变色的树木，有助于防止林火蔓延，保护森林资源和周边环境。此外，干旱变色树木检测提供了有关森林健康状况的信息，帮助林业管理者了解森林资源的状态和动态变化，对于制定合理的森林资源管理和保护策略非常重要。最终，这项技术还有助于生态环境保护，提前发现植被生长状况的异常，为生态平衡和环境保护提供重要参考。

传统的干旱变色树木目标检测算法通常使用一些基于计算机视觉和图像处理技术的方法。然而，传统的干旱变色树木目标检测算法也存在一些缺点。首先，对于复杂场景和光照条件变化较敏感，难以适应不同环境下的干旱树木目标检测。其次，大多数传统方法依赖手工设计的特征表示，这在处理大规模数据时效率较低，并且可能无法捕捉到复杂的目标特征。此外，传统算法在处理遮挡和变形等复杂情况时表现较为困难。而且，针对大尺度数据的处理也是传统算法的一个瓶颈，可能需要耗费大量的计算资源和时间。最后，遥感影像数据的多样性也是传统算法的一个挑战，涵盖了多个波段和多个传感器的数据，传统方法难以充分利用这些数据来提高检测效果。

基于此，申请人考虑设计一种直接利用遥感图像信息中的可见光谱信息来进行干旱变色树木目标检测识别的方法。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种直接利用遥感图像信息中的可见光谱信息来进行干旱变色树木目标检测识别的方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于可见光谱视觉遥感的干旱变色树木目标检测识别方法，其包括以下步骤：

步骤一：数据预处理：对原始数据进行合理的裁切、拼接和标注；

步骤二：特征提取：在颜色特征、纹理特征和光谱特征等方面进行操作，提取每个像素的相关特征；

步骤三：目标检测识别的优化：通过算法进一步优化目标检测和识别的准确性；

步骤四：干扰处理：针对植被覆盖、阴影等可能引起干扰的因素进行处理；

步骤五：重复步骤二和三，反复执行特征提取和目标检测识别的优化，迭代优化算法。

本技术方案一种基于可见光谱视觉遥感的干旱变色树木目标检测识别方法的工作原理与优点为：

先通过数据预处理，对原始数据进行合理的裁切、拼接和标注，旨在准备适应后续处理的数据集；再进行特征提取：在颜色特征、纹理特征和光谱特征等方面进行操作，提取每个像素的相关特征，利用这些特征帮助区分干旱变色树木目标和其他环境背景；再对目标检测识别的优化，使用改进后的K-Means++算法进行先验框优化等技术，进一步优化目标检测和识别的准确性，有助于提高算法的性能和稳定性；再进行干扰处理，针对植被覆盖、阴影等可能引起干扰的因素进行处理，去除干扰或从图像中提取出目标的背景；再重复步骤二和三，通过反复执行特征提取和目标检测识别的优化，迭代优化算法，并逐步找到最优的输出结果；本方案采用多特征融合的方式，将可见光谱视觉遥感图像中的颜色特征、纹理特征和光谱特征进行特征融合，提高了检测准确性和鲁棒性；本方案直接利用可见光谱信息进行干旱变色树木目标检测识别，能够更准确地区分目标和背景，通过合理的数据处理、特征提取和优化处理，可以提高检测和识别的准确性和稳定性；同时，通过干扰处理来消除可能的干扰因素，进一步提升算法的可靠性；本方案不仅减少了传统方法所需要耗费的人力时间成本，做到了林业的人工智能产业化，符合国家在林业领域内的智能化管理要求，在林业资源智能化管理方面具有较大的潜在应用价值。

进一步地，上述步骤一包括以下子步骤：

步骤1.1：找到图片与图片中的相同特征点，根据重叠率的高低来决定数据集中的图片是否需要拼接；如果需要拼接，则再根据图片中的航片坐标等信息对图像进行排列，通过设置合适的精度和质量顺序生成密集点云、网格及纹理，最终输出整个图像拼接完成后的正射影像图并转步骤1.2；如果不需要，转步骤1.3；

步骤1.2：对图像进行等比例切割；

步骤1.3：对图片进行标注并制作用于训练的数据集。

进一步地，上述步骤二包括以下子步骤：

步骤2.1：提取颜色特征：通过图像的RGB通道提取颜色信息；可以计算图像中每个像素的RGB值，并形成一个颜色特征向量；假设图像的尺寸为M×N，则颜色特征可以表示为一个M×N×3的三维数组C，其中C(i，j，：)表示图像中坐标为(i，j)处的RGB颜色值；

步骤2.2：提取纹理特征：采用LBP方法提取纹理特征；将图像的LBP特征表示为一个M×N的矩阵T，其中T(i，j)表示图像中坐标为(i，j)处的纹理特征值；

步骤2.3：提取光谱特征：假设图像i包含K个波段，光谱特征可以表示为一个M×N×K的三维数组S，其中S(i，j，k)表示图像中坐标为(i，j)处的第k个波段的光谱值；

步骤2.4：特征融合：综合以上三个特征，形成综合特征向量F，表示为大小为M×N×(3+1+K)的三维数组：

F(i，j，：)＝[C(i，j，：)，T(i，j)，S(i，j，1)，S(i，j，2)，...，S(i，j，K)]

在综合特征向量F中，前三个元素表示颜色特征中的RGB值，第四个元素表示纹理特征值，后续的K个元素表示光谱特征中的各个波段值。

进一步地，上述步骤三包括以下子步骤：

步骤3.1：主干特征网络优化；

步骤3.2：深度可分离卷积；

步骤3.3：激活函数ReLU6；

步骤3.4：优化K-Means++聚类锚框。

进一步地，上述步骤3.4包括以下子步骤：

步骤3.4.1：从数据集中随机选取一个样本作为初始聚类中心C

步骤3.4.2：计算每个样本与已有聚类中心的距离D(x)，再计算每个样本可能被当作下一个聚类中心的概率

步骤3.4.3：重复步骤3.4.2直到选择出K个聚类中心；

步骤3.4.4：计算数据集中每一个样本x

步骤3.4.5：针对每个类别C

步骤3.4.6：重复步骤3.4.4、步骤3.4.5，直到聚类中心位置不再变化。

附图说明

图1为本发明实施例基于可见光谱视觉遥感的干旱变色树木目标检测识别方法的总体流程图；

图2为本发明实施例数据预处理的流程图；

图3为本发明实施例特征提取的流程图；

具体实施方式

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

参照图1，本实施例提供了一种基于可见光谱视觉遥感的干旱变色树木目标检测识别方法，其包括以下步骤：

步骤一：数据预处理：对原始数据进行合理的裁切、拼接和标注；

步骤二：特征提取：在颜色特征、纹理特征和光谱特征等方面进行操作，提取每个像素的相关特征；

步骤三：目标检测识别的优化：通过算法进一步优化目标检测和识别的准确性；

步骤四：干扰处理：针对植被覆盖、阴影等可能引起干扰的因素进行处理；

步骤五：重复步骤二和三，反复执行特征提取和目标检测识别的优化，迭代优化算法。

本技术方案一种基于可见光谱视觉遥感的干旱变色树木目标检测识别方法的工作原理与优点为：

先通过数据预处理，对原始数据进行合理的裁切、拼接和标注，旨在准备适应后续处理的数据集；再进行特征提取：在颜色特征、纹理特征和光谱特征等方面进行操作，提取每个像素的相关特征，利用这些特征帮助区分干旱变色树木目标和其他环境背景；再对目标检测识别的优化，使用改进后的K-Means++算法进行先验框优化等技术，进一步优化目标检测和识别的准确性，有助于提高算法的性能和稳定性；再进行干扰处理，针对植被覆盖、阴影等可能引起干扰的因素进行处理，去除干扰或从图像中提取出目标的背景；

再重复步骤二和三，通过反复执行特征提取和目标检测识别的优化，迭代优化算法，并逐步找到最优的输出结果；本方案采用多特征融合的方式，将可见光谱视觉遥感图像中的颜色特征、纹理特征和光谱特征进行特征融合，提高了检测准确性和鲁棒性；本方案直接利用可见光谱信息进行干旱变色树木目标检测识别，能够更准确地区分目标和背景，通过合理的数据处理、特征提取和优化处理，可以提高检测和识别的准确性和稳定性；同时，通过干扰处理来消除可能的干扰因素，进一步提升算法的可靠性；本方案不仅减少了传统方法所需要耗费的人力时间成本，做到了林业的人工智能产业化，符合国家在林业领域内的智能化管理要求，在林业资源智能化管理方面具有较大的潜在应用价值。

优选地，如图2所示，上述步骤一包括以下子步骤：

步骤1.1：找到图片与图片中的相同特征点，根据重叠率的高低来决定数据集中的图片是否需要拼接；如果需要拼接，则再根据图片中的航片坐标等信息对图像进行排列，通过设置合适的精度和质量顺序生成密集点云、网格及纹理，最终输出整个图像拼接完成后的正射影像图并转步骤1.2；如果不需要，转步骤1.3；图像拼接算法实现的原理是在空间域内，根据两张图像的重叠率寻找两张图像中特征相似的点进行匹配，完成两张图片的拼接，通过对每幅图像依次进行拼接操作，获得目标区域的完整图像，经过专业软件的处理，找到图片与图片中的相同特征点，根据重叠率的高低(重叠率≥50％)来决定数据集中的图片是否需要拼接。

步骤1.2：对图像进行等比例切割；图像拼接完成后首先需要对图像进行等比例切割，之所以要对图像数据先拼接再切割是因为在原始数据中，每张图像都设置了重叠率，如果不设置重叠率又不能保证采集到目标区域的所有位置，因此如果直接用原始数据进行训练，会在训练过程中对同一特征目标进行多次特征提取，这样会容易引起模型过拟合，先对原始图像进行拼接在对拼接后的图像进行切割，能够有效的防治数据重复的情况。

步骤1.3：对图片进行标注并制作用于训练的数据集；图像标注的目的是为了选取需要训练的特征区域，根据标注完成后生成的实例(ground truth)提取特征区域的特征值。

优选地，如图3所示，上述步骤二包括以下子步骤：

步骤2.1：提取颜色特征：通过图像的RGB通道提取颜色信息；可以计算图像中每个像素的RGB值，并形成一个颜色特征向量；假设图像的尺寸为M×N，则颜色特征可以表示为一个M×N×3的三维数组C，其中C(i，j，：)表示图像中坐标为(i，j)处的RGB颜色值；

步骤2.2：提取纹理特征：采用LBP(Local Binary Pattern)方法提取纹理特征；将图像的LBP特征表示为一个M×N的矩阵T，其中T(i，j)表示图像中坐标为(i,j)处的纹理特征值；LBP是一种用于描述像素点周围纹理信息的方法。

步骤2.3：提取光谱特征：假设图像i包含K个波段(即K个通道)，光谱特征可以表示为一个M×N×K的三维数组S，其中S(i，j，k)表示图像中坐标为(i，j)处的第k个波段的光谱值；

步骤2.4：特征融合：综合以上三个特征，形成综合特征向量F，表示为大小为M×N×(3+1+K)的三维数组：

F(i，j，：)＝[C(i，j，：)，T(i，j)，S(i,j,1),S(i，j，2)，...，S(i，j，K)]

在综合特征向量F中，前三个元素表示颜色特征中的RGB值，第四个元素表示纹理特征值，后续的K个元素表示光谱特征中的各个波段值。

上述步骤通过提取图像的颜色、纹理和光谱特征，将它们融合为一个综合特征向量，这样的特征融合可以提高检测准确性和鲁棒性。

优选地，上述步骤三包括以下子步骤：

步骤3.1：主干特征网络优化；轻量型网络创作之初的目的是为了在保证特征提取性能的前提下减少模型的计算量及参数量，针对卷积神经网络设计出更加高效的网络计算方式。轻量型网络MobileNetV3是根据前两个版本MobileNet模型基础上进行改进得到的网络。MobileNetV3使用MobileNetV1的深度可分离卷积和MobileNetV2的具有线性瓶颈的倒残差结构，并在卷积后加入SE模块，同时提出使用H-Swish函数，进一步有效地提高网络的精度，这些优点使得它适用于资源受限的环境，例如嵌入式设备或边缘计算平台。

步骤3.2：深度可分离卷积；卷积神经网络通常依赖大量的网络参数以获得优越的性能，与之伴随的是网络结构越来越复杂，模型层数越来越深，因此MobileNetV1提出一种深度可分离卷积，在保证网络性能的同时，减少网络参数。

步骤3.3：激活函数ReLU6；激活函数ReLU6的函数表达式如下所示：

ReLU6＝min(max(0,x),6)

ReLU6函数是在ReLU函数的基础上进行改进得到的，两个函数间最大的区别是在于大0时的处理方式，ReLU6限制最大输出为6，这是为了在移动端设备float16/int8的低精度的时候，也能有很好的数值分辨率。如果对ReLU的激活范围不加限制，输出范围为0到正无穷，如果激活值非常大，分布在一个很大的范围内，则低精度的float16/int8无法很好地精确描述如此大范围的数值，带来精度损失。

步骤3.4：优化K-Means++聚类锚框；主要思想是使个初始聚类中心相互间的距离尽可能远。通过此算法，不再需要人为指定初始聚类中心，减小聚类结果对K值选取的依赖性。

优选地，上述步骤3.4包括以下子步骤：

步骤3.4.1：从数据集中随机选取一个样本作为初始聚类中心C

步骤3.4.2：计算每个样本与已有聚类中心的距离D(x)，再计算每个样本可能被当作下一个聚类中心的概率

步骤3.4.3：重复步骤3.4.2直到选择出K个聚类中心；

步骤3.4.4：计算数据集中每一个样本x

步骤3.4.5：针对每个类别C

步骤3.4.6：重复步骤3.4.4、步骤3.4.5，直到聚类中心位置不再变化。

具体的，上述步骤四进行干扰处理的优点在于针对可能存在的干扰因素，如植被覆盖、阴影等，进行干扰的去除或背景提取，以提高干旱变色树木目标检测的准确性。在进行干扰处理后，对数据进行再次的特征提取，以便更好地区分干旱变色树木目标和干扰区域。干扰处理可能会影响图像的特征表达，因此在干扰处理后，重新提取特征可以更准确地反映干旱变色树木目标的特征。

具体的，上述步骤五重复步骤二和步骤三的优点在于在进行干扰处理后，对数据进行再次的特征提取，以便更好地区分枯死树木目标和干扰区域。干扰处理可能会影响图像的特征表达，因此在干扰处理后，重新提取特征可以更准确地反映枯死树木目标的特征。

在特征提取环节，根据已经经过干扰处理的图像数据，使用适当的特征提取算法来提取与枯死树木相关的特征。这些特征包括颜色、纹理和光谱等方面的信息。通过重新提取特征，能够更好地捕捉枯死树木与干扰区域之间的差异，从而提高目标检测的准确性和鲁棒性。

最后，将经过干扰处理后的特征融合向量传入到优化后的目标检测识别算法模型中，最终输出找到最优结果。

本方案首先根据数据集图像的不同特点进行数据预处理，为后续特征提取奠定良好基础；在数据处理后，针对图像进行三种特征提取，分别是颜色特征、纹理特征和光谱特征，最后对三种特征进行特征融合。接下来，分别对特征网络的主干网络、加强特征提取以及聚类锚框都进行了特定优化，使其能更好的检测识别出干旱变色树木。

且本方案采用多特征融合的方式，将可见光谱视觉遥感图像中的颜色特征、纹理特征和光谱特征进行特征融合，提高了检测准确性和鲁棒性。

并使用优化后的K-Means++聚类算法替代原始的K-Means算法，不再需要人为指定初始聚类中心，减小聚类结果对K值选取的依赖性。

并对特征提取网络部分进行了优化，使用MobileNetV3替换传统目标检测算法中的主干特征提取网络，将深度可分离卷积应用于加强特征提取网络中，替换网络中部分普通卷积，在保证模型信息提取功能的同时，减少网络模型的参数量。

最后说明的是，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者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。