一种用于撂荒地的遥感识别方法

技术领域

本发明涉及遥感影像技术领域，尤其涉及一种用于农业遥感领域的撂荒地识别的技术。

背景技术

遥感影像(Remote Sensing Image)是指记录各种地物电磁波大小的胶片或相片，如航空像片和卫星相片。每张遥感影像中都包含对应的地理坐标，换言之，遥感影像中的每个像素都可以获取其唯一的地理坐标位置。

截止目前，我国耕地撂荒研究主要依靠收集统计资料和农户调查资料进行比较分析。由于耕地撂荒的渐变性、不稳定性和空间分布零散性等特征，使得确认其信息以及掌握撂荒土地动态变化的难度较大。由于遥感影像具有时效性、周期性、范围广等特点，故使用遥感影像监测撂荒地能够有效减少或避免人力物力投入。

自然地，如何快速准确地从遥感图像中提取撂荒地，成为了本领域技术人员所亟待解决的问题。

发明内容

本发明的目的是提供一种用于撂荒地的遥感识别方法，该方法主要包含以下七个步骤：

1.对遥感影像进行图像预处理，以生成配准影像；

2.对所述配准影像进行数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；

3.对所述植被与非植被的特征进行训练，以获得LUNET模型；

4.对所述云与非云的特征进行训练，以获得TRNET模型；

5.对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；

6.对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；

7.对所述植被与非植被的推理结果和云与非云的推理结果进行逻辑运算，以获得撂荒地的结果；

第一步：对所述遥感影像进行图像预处理，主要包括以下四个方面：

1)对所述遥感影像进行辐射定标；

2)对所述遥感影像进行大气校正；

3)对所述遥感影像进行波段融合；

4)对所述遥感影像进行图像配准。

对所述遥感影像进行图像配准，包括以下四步：

(A)根据所述的遥感影像和标准图像的粗匹配点对中的多个特征点对计算出所述遥感影像上的单应性矩阵，以基于所述单应性矩阵得到变换后的初步配准影像；

(B)根据所述的初步配准影像与标准图像的位置信息，确定所述初步配准图像与标准图片的重合区域；

(C)根据确定的重合区域，以分别计算对应于重合区域的其它遥感影像的变换矩阵；

(D)通过计算对应于其它遥感影像的变换矩阵的两两之间的余弦相似度，从余弦相似度大于预定阈值的变换矩阵中只选择一个变换矩阵，并将

其作用于所述初步配准图像，得到配准影像；

第二步：对所述配准影像进行数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；

第三步：对所述植被与非植被的特征进行训练，以获得LUNET模型包括以下两个步骤：

1)对所述植被与非植被特征进行特征归一化；

可选地，对所述植被与非植被特征进行特征归一化包括以下两个步骤：

(A)读取影像数据中特征维度数据，求该维度数据的均值、最大值以及最小值；

(B)通过上述特征维度数据与均值的差，再除以最大值与最小值的差值，得到归一化后的特征。

2)对所述归一化后的植被与非植被的特征进行LUNET模型训练，LUNET模型训练尺度为256*256*7；

第四步：对所述云与非云的特征进行训练，以获得TRNET模型。主要包括以下两个步骤：

1)对所述云与非云的特征进行特征归一化；

可选地，对所述云与非云特征进行特征归一化包括以下两个步骤：

(A)读取影像数据中特征维度数据，求该维度数据的均值、最大值以及最小值；

(B)通过上述特征维度数据与均值的差，再除以最大值与最小值的差值，得到归一化后的特征。

2)对所述归一化后的云与非云的特征进行TRNET模型训练，TRNET模型训练尺度为256*256*7；

第五步：对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；

可选地，对所述配准影像进行LUNET模型推理的包括以下四个步骤：

(A)使用overlap的方法切割所述配准影像，其作用在于防止植被与非植被的推理结果重叠部分出现拼接线。

(B)使用所述LUNET模型对所述切割后的影像数据进行推理，以获得植被与非植被的推理结果；

(C)使用overlap的方法对所述植被与非植被的推理结果进行合并，以获得与原始影像大小一致的推理结果图。

(D)对所述植被与非植被的推理结果图添加对应的配准影像的坐标系。

第六步：对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；

可选地，对所述配准影像进行TRNET模型推理包括以下四个步骤：

1)使用overlap的方法切割所述配准影像，其作用在于防止云与非云的推理结果重叠部分出现拼接线。

2)使用所述TRNET模型对所述切割后的影像数据进行推理，以获得云与非云的推理结果；

3)使用overlap的方法对所述云与非云的推理结果进行合并，以获得与原始影像大小一致的推理结果图。

4)对所述云与非云的推理结果图添加对应的配准影像的坐标系。

第七步：对所述植被与非植被的推理结果和云与非云的推理结果进行逻辑运算，以获得撂荒地的结果。

与现有技术相比，本发明通过图像预处理、特征提取、模型训练、推理、逻辑运算等步骤，实现了从遥感影像中提取撂荒地，利用本方法，所提取的撂荒地的精度能够有很大的提升、效率大幅优于人力方式，解决了撂荒地提取中耗费人力的问题。此外，本发明的LUNET模型优于UNET模型，可以保证模型分类结果的整体性好，同时斑块也会较少。与此同时，本发明的TRNET模型的泛化性优于UNET模型，可以保证在不增加特征量的情况下，提高撂荒地提取的准确性。

附图说明

图1为本专利的方法流程图

图2为本专利的一个优选实施例的方法流程图

具体实施方式

下面结合附图对本发明作进一步详细描述。

见图1，本发明的一种用于撂荒地的遥感识别方法流程图。在步骤S1中，对遥感影像进行图像预处理，以生成配准影像；在步骤S2中，对所述配准影像的数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；在步骤S3中，对所述植被与非植被的特征进行训练，以获得LUNET模型；在步骤S4中，对所述云与非云的特征进行训练，以获得TRNET模型；在步骤S5中，对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；在步骤S6中，对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果；在步骤S7中，对所述植被与非植被的推理结果和云与非云的推理结果的逻辑运算，以获得撂荒地的结果；

在步骤S1中，对遥感图像进行图像预处理，以生成待配准遥感影像。具体地，在步骤S1中，获取遥感影像之后，通过辐射定标、大气校正、波段融合、影像配准、投影转换等图像处理方式，对所述遥感影像进行预处理，以生成配准影像。

优选地，在步骤S1中，用于以下内容：

(A)对所述遥感影像进行辐射定标；

(B)对所述遥感影像进行大气校正；

(C)对所述遥感影像进行波段融合；

(D)对所述遥感影像进行图像配准。

在步骤S2中，对所述配准影像的数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征。

具体地，在步骤S2中，以Landsat8影像为例，在最优波段组合的情况下，通过遥感解译的方式对植被与非植被进行特征标注，以及云与非云的特征标注。

在步骤S3中，对所述植被与非植被的特征进行训练，以获得LUNET模型。

具体地，在步骤S3中，可以读取任意所述配准影像的植被与非植被特征，并对所述植被与非植被特征进行归一化处理，然后对归一化后的特征进行LUNET模型训练。

优选地，在步骤S3中，将植被与非植被的特征进行归一化处理，通过读取影像数据中的特征维度数据，求得维度数据的均值、最大值以及最小值，然后将特征维度数据与均值做差值，再除以最大值与最小值的差值，得到归一化后的特征。

在步骤S4中，对所述云与非云的特征进行训练，以获得TRNET模型。

具体地，在步骤S4中，可以读取任意所述配准影像的云与非云特征，并对所述云与非云的特征进行归一化处理，然后对归一化后的特征进行TRNET模型训练。

优选地，在步骤S4中，将云与非云的特征进行归一化处理，通过读取影像数据中的特征维度数据，求得维度数据的均值、最大值以及最小值，然后将特征维度数据与均值做差值，再除以最大值与最小值的差值，得到归一化后的特征。

在步骤S5中，对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果；

具体地，在步骤S5中，overlap的方法切割所述配准影像，其作用在于防止植被与非植被的推理结果重叠部分出现拼接线；然后使用所述LUNET模型对所述切割后的影像数据进行推理，以获得植被与非植被的推理结果；接着使用overlap的方法对所述植被与非植被的推理结果进行合并，以获得与原始影像大小一致的推理结果图；最后对所述植被与非植被的推理结果图添加对应的配准影像的坐标系。

在步骤S6中，对所述配准影像进行TRNET模型推理，以获得云于非云的推理结果；

具体地，在步骤S6中，使用overlap的方法切割所述配准影像，其作用在于防止云与非云的推理结果重叠部分出现拼接线；然后使用所述TRNET模型对所述切割后的影像数据进行推理，以获得云与非云＝的推理结果；接着使用overlap的方法对所述云与非云的推理结果进行合并，以获得与原始影像大小一致的推理结果图；最后对所述云与非云的推理结果图添加对应的配准影像的坐标系。

在步骤S7中，对所述植被与非植被的推理结果和云与非云的推理结果的逻辑运算，以获得撂荒地的结果；

具体地，取任意一年的植被推理结果，用n表示，取n+1、n+2、n+3……的非植被推理结果，通过逻辑运算取交集，获得撂荒地未去云结果；

然后取n+1、n+2、n+3……的云的推理结果，通过逻辑运算取并集，获得云结果；

最后用所述撂荒地未去云结果与云结果做差集，得到n+1、n+2、n+3……年的撂荒结果。

图2示出根据本发明的一个优选实施例的一种用于撂荒地的遥感识别方法流程图；

其中，所述步骤S2、所述步骤S7与图1所述相同或相似，故在此不再赘述，并以引用的方式包含于此。

在步骤S1中，对遥感影像的图像预处理，以生成配准影像包含以下四个步骤；

在步骤S11中，对所述遥感影像进行辐射定标；

在步骤S12中，对所述遥感影像进行大气校正；

在步骤S13中，对所述遥感影像进行波段融合；

在步骤S14中，用于对所述遥感影像进行图像配准；

优选地，在步骤S14中，可以按照以下处理方法对遥感影像进行图像配准：

首先根据所述的遥感影像和标准图像的粗匹配点对中的多个特征点对计算出所述遥感影像上的单应性矩阵，以基于所述单应性矩阵得到变换后的初步配准影像；

然后根据所述的初步配准影像与标准图像的位置信息，确定所述初步配准图像与标准图片的重合区域；

接下来根据确定的重合区域，分别计算对应于重合区域的其它遥感影像的变换矩阵；

最后通过计算对应于其它遥感影像的变换矩阵的两两之间的余弦相似度，从余弦相似度大于预定阈值的变换矩阵中只选择一个变换矩阵，并将其作用于所述初步配准图像，得到配准影像。

在步骤S2中，用于对所述配准影像的数据特征获取，以获取所述配准影像上的植被、非植被、云与非云的特征；

在步骤S3中，用于对所述植被与非植被的特征进行训练，以获得LUNET模型包含以下两个步骤：

在步骤S31中，对所述植被与非植被的特征进行归一化；

在步骤S32中，对所述归一化后的植被与非植被的特征进行LUNET模型训练；

优选地，在步骤S31中，用于读取影像数据中特征维度数据，求该维度数据的均值、最大值以及最小值；

然后通过上述特征维度数据与均值的差，再除以最大值与最小值的差值，得到归一化后的特征。

最后，在步骤S31中，用于对所述归一化后的特征进行LUNET模型训练；

优选地，在步骤S32中，用于将UNET的分类全连接层去除并赋权重，以获得损失函数最小的初步模型；在去除全连接层并赋权重值的UNET模型后端嵌入LSTM，以获得LSTM的关联特性；在嵌入LSTM之后的UNET模型后连接一个分类全连接层，以实现图像分割功能。

具体地，在步骤S32中，将UNET的分类全连接层去除并赋权重，首先，从UNET模型中初始化出一个除分类全连接层外的其它所有层，构建出一个类预训练模型。

然后，在步骤S32中，将预训练过的UNET模型的除分类全连接层的其它所有层的权重读出，并将所述权重赋值给所述类预训练模型的相应层。

具体地，在步骤S32中，将所述去除全连接层并赋权重值的UNET模型后端嵌入LSTM，首先初始化一个LSTM层，其中，输入维度是去除全连接层的UNET的输出维度。

然后在步骤S32中，遍历去除全连接层的UNET所有层，并将遍历到的所有层与LSTM堆叠，实现LSTM嵌入UNET模型。

具体地，在步骤S32中，将所述嵌入LSTM之后的UNET模型后连接一个分类全连接层，首先，初始化一个分类全连接层，其中，输入维度为嵌入LSTM之后的UNET模型的输出维度。

然后在步骤S32中，遍历嵌入LSTM之后的UNET模型的所有层，并将遍历到的所有与分类全连接层堆叠，实现分类全连接层嵌入UNET模型。

具体地，在步骤S4中，对所述云与非云的特征进行训练，以获得TRNET模型包含以下两个步骤：

在步骤S41中，用于对云与非云的特征进行归一化；

在步骤S42中，用于对所述归一化后的云与非云的特征进行TRNET模型训练；

优选地，在步骤S41中，用于读取影像数据中特征维度数据，求该维度数据的均值、最大值以及最小值；

然后通过上述特征维度数据与均值的差，再除以最大值与最小值的差值，得到归一化后的特征。

最后，在步骤S42中，用于对所述归一化后的特征进行TRNET模型训练；

优选地，在步骤S42中，用于将UNET的分类全连接层去除并赋权重，以获得损失最小的类预训练模型；

具体地，在步骤S42中，将UNET、Deeplabv3+、PSPNET三个模型中分别初始化出的除分类全连接层外的其它所有层，构建出各自的类预训练模型。

然后，在步骤S42中，将预训练过的UNET模型、Deeplabv3+模型、PSPNET模型的除分类全连接层的其它所有层的权重分别读出，并将所述权重赋值给所述类预训练模型的相应层。

具体地，在步骤S42中，将所述去除全连接层并赋权重值的UNET模型、Deeplabv3+模型、PSPNET模型后端利用merge层融合，获得不同性能的模型，从而实现不同特征的融合。

首先，初始化一个merge层，其中输入维度是去除全连接层的UNET模型、Deeplabv3+模型、PSPNET模型的共同输出维度。

然后在步骤S42中，分别遍历去除全连接层的UNET模型、Deeplabv3+模型、PSPNET模型所有层，并将遍历到的所有层与merge层堆叠，实现merge嵌入UNET模型、Deeplabv3+模型、PSPNET模型。

具体地，在步骤S42中，在嵌入merge之后的融合模型后连接一个分类全连接层，首先，初始化一个分类全连接层，其中，输入维度为嵌入merge层之后的融合模型的输出维度。

然后在步骤S42中，遍历嵌入merge层之后的融合模型的所有层，并将分别遍历到的所有层与分类全连接层堆叠，实现分类全连接层嵌入UNET模型、Deeplabv3+模型、PSPNET模型。

具体地，在步骤S5中，用于对所述配准影像进行LUNET模型推理，以获得植被与非植被的推理结果包含以下四个步骤：

在步骤S51中，用于overlap的方法切割所述配准影像，其作用在于防止植被与非植被的推理结果重叠部分出现拼接线；

在步骤S52中，用于所述LUNET模型对所述切割后的影像数据进行推理，以获得植被与非植被的推理结果；

在步骤S53中，用于overlap的方法对所述植被与非植被的推理结果进行合并，以获得与原始影像大小一致的推理结果图；

在步骤S54中，用于对所述植被与非植被的推理结果图添加对应的配准影像的坐标系；

优选地，在步骤S51中，使用overlap的方法对配准影像进行切割，设置切割影像大小的重叠率为50％，切割后获得大小为256*256*7推理样本。

优选地，在步骤S52中，使用所述LUNET模型对所述切割后的影像数据进行推理，首先，对推理样本进行归一化处理，然后在对归一化后的推理样本进行LUNET模型推理；

优选地，在步骤S53中，使用overlap的方法对所述植被与非植被的推理结果进行合并，以获得与原始影像大小一致的推理结果图。

首先，开辟一个和原始影像大小相等的数组，然后将植被与非植被的推理结果依据切割顺序依次放入数组。

具体地，在步骤S54中，用于对所述植被与非植被的推理结果图添加对应的配准影像的坐标系；

具体地，在步骤S6中，用于对所述配准影像进行TRNET模型推理，以获得云与非云的推理结果包含以下四个步骤：

在步骤S61中，用于overlap的方法切割所述配准影像，其作用在于防止云与非云的推理结果重叠部分出现拼接线；

在步骤S62中，用于所述TRNET模型对所述切割后的影像数据进行推理，以获得云与非云的推理结果；

在步骤S63中，用于overlap的方法对所述云与非云的推理结果进行合并，以获得与原始影像大小一致的推理结果图；

在步骤S64中，用于对所述云与非云的推理结果图添加对应的配准影像的坐标系；

优选地，在步骤S61中，使用overlap的方法对配准影像进行切割，设置切割影像大小的重叠率为50％，切割后获得大小为256*256*7推理样本。

优选地，在步骤S62中，使用所述TRNET模型对所述切割后的影像数据进行推理，首先，对推理样本进行归一化处理，然后在对归一化后的推理样本进行TRNET模型推理；

优选地，在步骤S63中，使用overlap的方法对所述云与非云的推理结果进行合并，以获得与原始影像大小一致的推理结果图。

首先，开辟一个和原始影像大小相等的数组，然后将云与非云的推理结果依据切割顺序依次放入数组。

优选地，在步骤S64中，用于对所述云与非云的推理结果图添加对应的配准影像的坐标系；

具体地，在步骤S7中，用于对所述植被与非植被的推理结果和云与非云的推理结果的逻辑运算，以获得撂荒地的结果；

优选地，将n年的植被的推理结果与的n+1年、n+2年、n+3年……非植被结果取交集，得到初始撂荒地；然后n+1年、n+2年、n+3年……的云的推理结果做并集，获得云结果；最后将所述初始撂荒地的结果与云结果做差集即可得到最终的撂荒地结果。

更优选地，取任意n年的植被推理结果，然后取n+1年、n+2年、n+3年……的非植被推理结果，将n年的植被推理结果与n+1年、n+2年、n+3年……的非植被推理结果二者取交集，获得撂荒地初始结果；

然后取n+1年、n+2年、n+3年……的云的推理结果，将n+1年、n+2年、n+3年……云的推理结果取并集，获得云结果；

最后用所述撂荒地初始结果与云结果做差集，得到撂荒地结果为n年有植被，且n+1年、n+2年、n+3年……为撂荒的结果。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。