本发明提供了一种基于遥感图像数据的作物分类方法，包括以下步骤：S1、采集作物的遥感图像数据；S2、对作物的遥感图像数据提取作物特征；S3、采用作物分类模型对作物特征进行处理，得到作物类型；本发明解决了现有通过施加不同权重，预测作物类型的方法存在预测准确度不高的问题。
1.一种基于遥感图像数据的作物分类方法，其特征在于，包括以下步骤：S1、采集作物的遥感图像数据；
S2、对作物的遥感图像数据提取作物特征，其中，作物特征包括：光谱特征、颜色特征和纹理特征；
S21、通过小波变换提取遥感图像数据的各光谱波段的幅度；
S22、根据各光谱波段的幅度对遥感图像数据进行分割，得到多个分割区域；
S23、根据各光谱波段的幅度，得到每个分割区域上的光谱特征；
S3、采用作物分类模型对作物特征进行处理，得到作物类型；
在步骤S3中，作物分类模型训练时，采用损失函数对作物分类模型进行训练，训练完成的作物分类模型对作物特征进行处理，得到作物类型；
S221、根据各光谱波段的幅度，计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距；
所述步骤S221中计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距的公式为：其中， 为第 个像素点的光谱波段的幅度差距， 为第 个像素点所在位置的第 光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第 光谱波段的幅度的平均值， 为第 个像素点所在位置的第1光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第1光谱波段的幅度的平均值， 为第 个像素点所在位置的第2光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第2光谱波段的幅度的平均值，为第 个像素点所在位置的第3光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第3光谱波段的幅度的平均值， 为第 个像素点所在位置的第4光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第4光谱波段的幅度的平均值，为取最大值；
S222、在每个像素点的光谱波段的幅度差距大于幅度差距阈值时，该点像素点为分割点；
S223、根据分割点对作物的遥感图像数据进行分割，得到多个分割区域；
所述步骤S3中作物分类模型包括：光谱特征提取单元、纹理特征提取单元、第一上采样层、第二上采样层、第三上采样层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一加法器、第二加法器、Concat层、第一卷积层Conv1、第二卷积层Conv2和全连接层；
所述光谱特征提取单元的输入端用于输入光谱特征，其输出端与第一上采样层的输入端连接；所述第一上采样层的输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一加法器的第一输入端与第一最大池化层的输出端连接，其第二输入端与第一平均池化层的输出端连接，其输出端与Concat层的第一输入端连接；
所述纹理特征提取单元的输入端用于输入纹理特征，其输出端与第二上采样层的输入端连接；所述第二上采样层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二加法器的第一输入端与第二最大池化层的输出端连接，其第二输入端与第二平均池化层的输出端连接，其输出端与Concat层的第二输入端连接；
所述Concat层的第三输入端用于输入颜色特征，其输出端与第一卷积层Conv1的输入端连接；所述第三上采样层的输入端与第一卷积层Conv1的输出端连接，其输出端与第二卷积层Conv2的输入端连接；所述全连接层的输入端与第二卷积层Conv2的输出端连接，其输出端作为作物分类模型的输出端；
其中， 为损失函数， 为第 次训练时作物分类模型的输出， 为第 次训练时对应的标签， 为第一损失阈值， 为第二损失阈值，为损失权重。
2.根据权利要求1所述的基于遥感图像数据的作物分类方法，其特征在于，所述步骤S25包括以下分步骤：S251、将每个分割区域灰度化处理，得到灰度图；
S253、从滤波图上任取一点非边缘像素点，作为参考点；
S255、在参考点与邻域所有像素点的灰度差值均小于灰度阈值时，标记参考点为非纹理点；
S256、从参考点的邻域像素点中找下一非边缘像素点作为参考点，并跳转至步骤S254，直到滤波图上所有非边缘像素点遍历完，进入步骤S257；
3.根据权利要求2所述的基于遥感图像数据的作物分类方法，其特征在于，所述步骤S254中计算参考点与邻域像素点的灰度差值的公式为：其中，为参考点与邻域中一个像素点的灰度差值，为参考点的邻域中一个像素点的灰度值， 为参考点的灰度值。
一种基于遥感图像数据的作物分类方法
技术领域
[0001] 本发明涉及图像处理技术领域，具体而言，涉及一种基于遥感图像数据的作物分类方法。
背景技术
[0002] 目前，随着高分辨率遥感卫星的发射，为农田信息提取提供了更高空间和光谱分辨率的数据源，同时在作物分类中也具有很大潜力。现有遥感图像数据的作物分类方法主要通过提取作物的多种特征，通过对多种特征施加不同权重，从而得到作物的类型。但具体每个作物特征需要赋予多少权重需要通过实验进行测试，从而得到经验值，但由于实验次数有限且作物类型多样，通过施加不同权重，预测作物类型的方法存在预测准确度不高的问题。
发明内容
[0003] 针对现有技术中的上述不足，本发明提供的：一种基于遥感图像数据的作物分类方法解决了现有通过施加不同权重，预测作物类型的方法存在预测准确度不高的问题。
[0004] 为了达到上述发明目的，本发明采用的技术方案为：一种基于遥感图像数据的作物分类方法，包括以下步骤：
[0005] S1、采集作物的遥感图像数据；
[0006] S2、对作物的遥感图像数据提取作物特征；
[0007] S3、采用作物分类模型对作物特征进行处理，得到作物类型。
[0008] 进一步地，所述作物特征包括：光谱特征、颜色特征和纹理特征。
[0009] 进一步地，所述步骤S2包括以下步骤：
[0010] S21、通过小波变换提取遥感图像数据的各光谱波段的幅度；
[0011] S22、根据各光谱波段的幅度对遥感图像数据进行分割，得到多个分割区域；
[0012] S23、根据各光谱波段的幅度，得到每个分割区域上的光谱特征；
[0013] S24、对每个分割区域提取颜色特征；
[0014] S25、对每个分割区域提取纹理特征。
[0015] 上述进一步方案的有益效果为：通过各光谱波段的幅度对遥感图像数据进行分割，实现对遥感图像的分区，在各分区上通过光谱特征、颜色特征和纹理特征表征该分区的特征。
[0016] 进一步地，所述步骤S22包括以下分步骤：
[0017] S221、根据各光谱波段的幅度，计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距；
[0018] S222、在每个像素点的光谱波段的幅度差距大于幅度差距阈值时，该点像素点为分割点；
[0019] S223、根据分割点对作物的遥感图像数据进行分割，得到多个分割区域。
[0020] 进一步地，所述步骤S221中计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距的公式为：
[0021]
[0022] 其中， 为第个像素点的光谱波段的幅度差距， 为第 个像素点所在位置的第光谱波段的幅度， 为第个像素点所在位置邻域内所有像素点的第 光谱波段的幅度的平均值， 为第 个像素点所在位置的第1光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第1光谱波段的幅度的平均值， 为第 个像素点所在位置的第2光谱波段的幅度， 为第个像素点所在位置邻域内所有像素点的第2光谱波段的幅度的平均值，为第 个像素点所在位置的第3光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第3光谱波段的幅度的平均值， 为第 个像素点所在位置的第4光谱波段的幅度，为第 个像素点所在位置邻域内所有像素点的第4光谱波段的幅度的平均值， 为取最大值。
[0023] 上述进一步方案的有益效果为：在进行分割时，以每个像素点的邻域范围为计算范围，计算其与周边所有像素点的光谱波段的幅度差值的平均值，以及找到其与周边所有像素点的光谱波段的幅度差值的最大值，从而确定该像素点与周边像素点的光谱差异，根据光谱差异进行分割图像。
[0024] 进一步地，所述步骤S25包括以下分步骤：
[0025] S251、将每个分割区域灰度化处理，得到灰度图；
[0026] S252、对灰度图去除噪点，得到滤波图；
[0027] S253、从滤波图上任取一点非边缘像素点，作为参考点；
[0028] S254、计算参考点与邻域像素点的灰度差值；
[0029] S255、在参考点与邻域所有像素点的灰度差值均小于灰度阈值时，标记参考点为非纹理点；
[0030] S256、从参考点的邻域像素点中找下一非边缘像素点作为参考点，并跳转至步骤S254，直到滤波图上所有非边缘像素点遍历完，进入步骤S257；
[0031] S257、从滤波图上剔除非纹理点，得到纹理特征。
[0032] 上述进一步方案的有益效果为：先对灰度图去除噪点，避免噪点被标记为纹理点，通过从图上取一点非边缘点，作为参考点，计算参考点与周边灰度的差值，从而确定该参考点是否为纹理点，通过循环去遍历每一个像素点，找到所有非纹理点，剩余则为纹理点。
[0033] 进一步地，所述步骤S254中计算参考点与邻域像素点的灰度差值的公式为：
[0034]
[0035] 其中，为参考点与邻域中一个像素点的灰度差值，为参考点的邻域中一个像素点的灰度值， 为参考点的灰度值。
[0036] 进一步地，所述步骤S3中作物分类模型包括：光谱特征提取单元、纹理特征提取单元、第一上采样层、第二上采样层、第三上采样层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一加法器、第二加法器、Concat层、第一卷积层Conv1、第二卷积层Conv2和全连接层；
[0037] 所述光谱特征提取单元的输入端用于输入光谱特征，其输出端与第一上采样层的输入端连接；所述第一上采样层的输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一加法器的第一输入端与第一最大池化层的输出端连接，其第二输入端与第一平均池化层的输出端连接，其输出端与Concat层的第一输入端连接；
[0038] 所述纹理特征提取单元的输入端用于输入纹理特征，其输出端与第二上采样层的输入端连接；所述第二上采样层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二加法器的第一输入端与第二最大池化层的输出端连接，其第二输入端与第二平均池化层的输出端连接，其输出端与Concat层的第二输入端连接；
[0039] 所述Concat层的第三输入端用于输入颜色特征，其输出端与第一卷积层Conv1的输入端连接；所述第三上采样层的输入端与第一卷积层Conv1的输出端连接，其输出端与第二卷积层Conv2的输入端连接；所述全连接层的输入端与第二卷积层Conv2的输出端连接，其输出端作为作物分类模型的输出端。
[0040] 上述进一步方案的有益效果为：将数据量大的光谱特征和纹理特征通过特征提取单元再次提取特征，再通过最大池化层保留显著特征，通过平均池化层保留全局特征，通过加法器将显著特征和全局特征在同一维度下相加，再通过Concat层实现特征在不同维度下的拼接，颜色特征从外部直接输入，使得数据量少的颜色特征在Concat层占有较大比重，使得作物分类模型在预测时均衡考虑颜色特征、光谱特征和纹理特征，提高作物预测准确率。
[0041] 进一步地，所述作物分类模型的损失函数为：
[0042]
[0043] 其中， 为损失函数， 为第 次训练时作物分类模型的输出， 为第 次训练时对应的标签， 为第一损失阈值， 为第二损失阈值，为损失权重。
[0044] 上述进一步方案的有益效果为：在 时，损失值通过计算，由于输出与标签相差太大，因此，通过 来放大损失程度，使得作物分类模型的参数在训练时，能快速下降；在 时，由于标签与输出相差太大，通过 放大损失程度，使得作物分类模型的参数在训练时，能快速上降；在 时，输出
与标签相差不大，需要放缓作物分类模型的参数的变化程度，使得参数在训练时，能缓慢下降，在 同理，使得参数在训练时，能缓慢上降。本发明将损失函数进
行分段，使得作物分类模型在不同训练阶段，参数下降或上升速度不同，减少训练次数，又能逼近标签值。
[0045] 本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过特征提取单元、上采样层、池化层和加法器等，构建了作物分类模型，作物分类模型用于对作物的分类，无需通过实验设定权重，在作物有多种类型时，仅在对作物分类模型训练时，加入多种作物的特征，其能自动建立作物的特征与作物类型的关系，精准将特征与作物类型进行对应，无需施加不同权重，还能准确预测作物类型。
附图说明
[0046] 图1为一种基于遥感图像数据的作物分类方法的流程图；
[0047] 图2为作物分类模型的结构示意图。
具体实施方式
[0048] 为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0049] 如图1所示，一种基于遥感图像数据的作物分类方法，包括以下步骤：
[0050] S1、采集作物的遥感图像数据；
[0051] S2、对作物的遥感图像数据提取作物特征；
[0052] 所述作物特征包括：光谱特征、颜色特征和纹理特征。
[0053] 所述步骤S2包括以下步骤：
[0054] S21、通过小波变换提取遥感图像数据的各光谱波段的幅度；
[0055] S22、根据各光谱波段的幅度对遥感图像数据进行分割，得到多个分割区域；
[0056] 所述步骤S22包括以下分步骤：
[0057] S221、根据各光谱波段的幅度，计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距；
[0058] 所述步骤S221中计算作物的遥感图像数据上每个像素点的光谱波段的幅度差距的公式为：
[0059]
[0060] 其中， 为第个像素点的光谱波段的幅度差距， 为第 个像素点所在位置的第光谱波段的幅度， 为第个像素点所在位置邻域内所有像素点的第 光谱波段的幅度的平均值， 为第 个像素点所在位置的第1光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第1光谱波段的幅度的平均值， 为第 个像素点所在位置的第2光谱波段的幅度， 为第个像素点所在位置邻域内所有像素点的第2光谱波段的幅度的平均值，为第 个像素点所在位置的第3光谱波段的幅度， 为第 个像素点所在位置邻域内所有像素点的第3光谱波段的幅度的平均值， 为第 个像素点所在位置的第4光谱波段的幅度，为第 个像素点所在位置邻域内所有像素点的第4光谱波段的幅度的平均值， 为取最大值。在本发明中，仅考虑了4种波段。
[0061] 在进行分割时，以每个像素点的邻域范围为计算范围，计算其与周边所有像素点的光谱波段的幅度差值的平均值，以及找到其与周边所有像素点的光谱波段的幅度差值的最大值，从而确定该像素点与周边像素点的光谱差异，根据光谱差异进行分割图像。
[0062] 从幅度差值的平均值上无法充分体现某个像素点光谱波段幅度的特异性，而最大值更能表征像素点光谱波段幅度的特异性，因此，本发明从平均值和最大值两方面出发计算幅度差距。
[0063] S222、在每个像素点的光谱波段的幅度差距大于幅度差距阈值时，该点像素点为分割点；
[0064] S223、根据分割点对作物的遥感图像数据进行分割，得到多个分割区域。
[0065] S23、根据各光谱波段的幅度，得到每个分割区域上的光谱特征；
[0066] 在步骤S23中，光谱特征指的是每个分割区域上的波段幅度。
[0067] S24、对每个分割区域提取颜色特征；
[0068] S25、对每个分割区域提取纹理特征。
[0069] 通过各光谱波段的幅度对遥感图像数据进行分割，实现对遥感图像的分区，在各分区上通过光谱特征、颜色特征和纹理特征表征该分区的特征。
[0070] 所述步骤S25包括以下分步骤：
[0071] S251、将每个分割区域灰度化处理，得到灰度图；
[0072] S252、对灰度图去除噪点，得到滤波图；
[0073] S253、从滤波图上任取一点非边缘像素点，作为参考点；
[0074] S254、计算参考点与邻域像素点的灰度差值；
[0075] 所述步骤S254中计算参考点与邻域像素点的灰度差值的公式为：
[0076]
[0077] 其中，为参考点与邻域中一个像素点的灰度差值，为参考点的邻域中一个像素点的灰度值， 为参考点的灰度值。
[0078] S255、在参考点与邻域所有像素点的灰度差值均小于灰度阈值时，标记参考点为非纹理点；
[0079] S256、从参考点的邻域像素点中找下一非边缘像素点作为参考点，并跳转至步骤S254，直到滤波图上所有非边缘像素点遍历完，进入步骤S257；
[0080] S257、从滤波图上剔除非纹理点，得到纹理特征。
[0081] 先对灰度图去除噪点，避免噪点被标记为纹理点，通过从图上取一点非边缘点，作为参考点，计算参考点与周边灰度的差值，从而确定该参考点是否为纹理点，通过循环去遍历每一个像素点，找到所有非纹理点，剩余则为纹理点。
[0082] S3、采用作物分类模型对作物特征进行处理，得到作物类型。
[0083] 如图2所示，所述步骤S3中作物分类模型包括：光谱特征提取单元、纹理特征提取单元、第一上采样层、第二上采样层、第三上采样层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一加法器、第二加法器、Concat层、第一卷积层Conv1、第二卷积层Conv2和全连接层；
[0084] 所述光谱特征提取单元的输入端用于输入光谱特征，其输出端与第一上采样层的输入端连接；所述第一上采样层的输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一加法器的第一输入端与第一最大池化层的输出端连接，其第二输入端与第一平均池化层的输出端连接，其输出端与Concat层的第一输入端连接；
[0085] 所述纹理特征提取单元的输入端用于输入纹理特征，其输出端与第二上采样层的输入端连接；所述第二上采样层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二加法器的第一输入端与第二最大池化层的输出端连接，其第二输入端与第二平均池化层的输出端连接，其输出端与Concat层的第二输入端连接；
[0086] 所述Concat层的第三输入端用于输入颜色特征，其输出端与第一卷积层Conv1的输入端连接；所述第三上采样层的输入端与第一卷积层Conv1的输出端连接，其输出端与第二卷积层Conv2的输入端连接；所述全连接层的输入端与第二卷积层Conv2的输出端连接，其输出端作为作物分类模型的输出端。
[0087] 将数据量大的光谱特征和纹理特征通过特征提取单元再次提取特征，再通过最大池化层保留显著特征，通过平均池化层保留全局特征，通过加法器将显著特征和全局特征在同一维度下相加，再通过Concat层实现特征在不同维度下的拼接，颜色特征从外部直接输入，使得数据量少的颜色特征在Concat层占有较大比重，使得作物分类模型在预测时均衡考虑颜色特征、光谱特征和纹理特征，提高作物预测准确率。
[0088] 所述作物分类模型的损失函数为：
[0089]
[0090] 其中， 为损失函数， 为第 次训练时作物分类模型的输出， 为第 次训练时对应的标签， 为第一损失阈值， 为第二损失阈值，为损失权重。
[0091] 在 时，损失值通过 计算，由于输出与标签相差太大，因此，通过 来放大损失程度，使得作物分类模型的参数在训练时，能快速下降；在时，由于标签与输出相差太大，通过 放大损失程度，使得作物分类模型
的参数在训练时，能快速上降；在 时，输出与标签相差不大，需要放缓
作物分类模型的参数的变化程度，使得参数在训练时，能缓慢下降，在
同理，使得参数在训练时，能缓慢上降。本发明将损失函数进行分段，使得作物分类模型在不同训练阶段，参数下降或上升速度不同，减少训练次数，又能逼近标签值。
[0092] 本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过特征提取单元、上采样层、池化层和加法器等，构建了作物分类模型，作物分类模型用于对作物的分类，无需通过实验设定权重，在作物有多种类型时，仅在对作物分类模型训练时，加入多种作物的特征，其能自动建立作物的特征与作物类型的关系，精准将特征与作物类型进行对应，无需施加不同权重，还能准确预测作物类型。
[0093] 以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
