一种马尾松多尺度智能识别的方法及装置与流程

本发明实施例涉及林业遥感图像智能处理领域，尤其涉及一种马尾松多尺度智能识别的方法及装置。

背景技术：

随着遥感影像分辨率的提高，地物目标的空间结构、表层纹理等形态特征得到更加清晰地表达，传统的基于像素统计值和单一尺度的分类方法适用性较差，其主要原因是这些传统的分类方法忽略了地物的形状和纹理特征，而这些信息恰好就是高分辨率遥感影像区分地物的主要特征依据。在采用高空间分辨率影像提取形态结构信息，并结合光谱信息进行树种分类识别方面，国内外学者已经做出了尝试并达到了良好的效果，但是大都需要人工过多参与，参数设置过于复杂，构建的识别模型也多局限于特定的数据类型或研究区域。

近年来，随着计算机视觉研究的深入，人们逐渐认识到选择性视觉注意机制的重要性。人类在面对复杂场景时能迅速地将自己的注意力聚焦在一些显著的目标上,从而对这些目标进行优先处理,这里面存在一个视觉选择性注意的机制。这种资源优化配置的机制使得人脑视觉皮层能在有限的神经资源下很好地处理摄入的视觉信息。基于选择性视觉注意机制的目标提取方法为森林树冠的提取提供了可靠的解决方案。但传统的基于空间域的视觉显著性计算模型运算量较大，参数设置过于复杂。

技术实现要素：

本发明实施例的目的在于提出一种马尾松多尺度智能识别的方法及装置，旨在解决马尾松智能识别中存在的模型自动化程度低、通用性差和识别精度低的问题。

为达此目的，本发明实施例采用以下技术方案：

第一方面，一种马尾松多尺度智能识别的方法，所述方法包括：

基于频域的谱残余方法分割包含马尾松的显著性区域；

获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模；

在显著性区域分割的基础上，根据所述形态模型对所述马尾松进行目标预测；

基于马尾松的光谱统计特性，对目标预测的结果进行处理，剔除虚警，获取最终的马尾松识别结果。

优选地，所述基于频域的谱残余方法分割包含马尾松的显著性区域，包括：

对试验区的物种生长特性进行分析，选取光学和雷达高分辨率遥感影像，进行配准，基于二阶平稳小波变换算法进行融合；

按照实验范围对融合后的进行裁剪，得到实验区内的高分辨率遥感影像；

计算高分辨率遥感影像的植被指数，得到植被指数图，并计算所述植被指数图的对数谱L(f)，并获取对数谱的一般形式A(f)和影像的谱残余R(f)；

将谱残余图像进行逆傅里叶变换，得到影像的显著性图；

将所述显著性图与高分辨率遥感影像进行掩膜处理，得到包含马尾松的显著性区域。

优选地，所述获取对数谱的一般形式A(f)，包括：

所述对数谱的一般形式A(f)＝h_n(f)×L(f)；

其中，所述所述n＝3。

优选地，所述获取影像的谱残余R(f)，包括：

基于R(f)＝L(f)-A(f)计算影像的谱残余R(f)；

其中，所述A(f)表示对数谱的一般形态，为先验信息输入，R(f)是输入影像的统计上的特殊区域，为影像的谱残余。

优选地，所述获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模，包括：

对预设气候条件下的马尾松进行个体形态分析；

结合高分辨率光学遥感影像的成像参数，对马尾松的光谱特征曲线进行分析，并构建通用的形态模型。

第二方面，一种马尾松多尺度智能识别的装置，所述装置包括：

分割模块，用于基于频域的谱残余方法分割包含马尾松的显著性区域；

第一获取模块，用于获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模；

预测模块，用于在显著性区域分割的基础上，根据所述形态模型对所述马尾松进行目标预测；

第二获取模块，用于基于马尾松的光谱统计特性，对目标预测的结果进行处理，剔除虚警，获取最终的马尾松识别结果。

优选地，所述分割模块，具体用于：

对试验区的物种生长特性进行分析，选取光学和雷达高分辨率遥感影像，进行配准，基于二阶平稳小波变换算法进行融合；

按照实验范围对融合后的进行裁剪，得到实验区内的高分辨率遥感影像；

计算高分辨率遥感影像的植被指数，得到植被指数图，并计算所述植被指数图的对数谱L(f)，并获取对数谱的一般形式A(f)和影像的谱残余R(f)；

将谱残余图像进行逆傅里叶变换，得到影像的显著性图；

将所述显著性图与高分辨率遥感影像进行掩膜处理，得到包含马尾松的显著性区域。

优选地，所述分割模块，具体用于：

所述对数谱的一般形式A(f)＝h_n(f)×L(f)；

其中，所述所述n＝3。

优选地，所述分割模块，还具体用于：

基于R(f)＝L(f)-A(f)计算影像的谱残余R(f)；

其中，所述A(f)表示对数谱的一般形态，为先验信息输入，R(f)是输入影像的统计上的特殊区域，为影像的谱残余。

优选地，所述第一获取模块，具体用于：

对预设气候条件下的马尾松进行个体形态分析；

结合高分辨率光学遥感影像的成像参数，对马尾松的光谱特征曲线进行分析，并构建通用的形态模型。

本发明实施例提供的一种马尾松多尺度智能识别的方法及装置，基于频域的谱残余方法分割包含马尾松的显著性区域；获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模；在显著性区域分割的基础上，根据所述形态模型对所述马尾松进行目标预测；基于马尾松的光谱统计特性，对目标预测的结果进行处理，剔除虚警，获取最终的马尾松识别结果。从而使得该模型可以识别出不同植株大小等多种条件下的马尾松，鲁棒性强，通用性好；该模型可以在不同尺度条件下实现马尾松的智能识别；该模型可以实现马尾松的自动识别。

附图说明

图1是本发明实施例提供的一种马尾松多尺度智能识别的方法的流程示意图；

图2是本发明实施例提供的一种马尾松多尺度智能识别的装置的功能模块示意图。

具体实施方式

下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。

参考图1，图1是本发明实施例提供的一种马尾松多尺度智能识别的方法的流程示意图。

如图1所示，所述马尾松多尺度智能识别的方法包括：

步骤101，基于频域的谱残余方法分割包含马尾松的显著性区域；

具体的，取多源遥感影像，进行自动配准并融合，得到融合后的结果图，在融合图的基础上，模仿人眼的视觉注意机理，结合影像上下文信息，基于谱残余的方法计算每个像素点的显著性值，得到每个像素点引起人眼视觉注意的程度大小，将计算资源集中到引起人眼视觉注意的区域，分割得到显著性区域。具体如下：

优选地，所述基于频域的谱残余方法分割包含马尾松的显著性区域，包括：

对试验区的物种生长特性进行分析，选取光学和雷达高分辨率遥感影像，进行配准，基于二阶平稳小波变换算法进行融合；

按照实验范围对融合后的进行裁剪，得到实验区内的高分辨率遥感影像；

计算高分辨率遥感影像的植被指数，得到植被指数图，并计算所述植被指数图的对数谱L(f)，并获取对数谱的一般形式A(f)和影像的谱残余R(f)；

将谱残余图像进行逆傅里叶变换，得到影像的显著性图；

将所述显著性图与高分辨率遥感影像进行掩膜处理，得到包含马尾松的显著性区域。

其中，所述获取对数谱的一般形式A(f)，包括：

所述对数谱的一般形式A(f)＝h_n(f)×L(f)；

所述所述n＝3。

其中，所述获取影像的谱残余R(f)，包括：

基于R(f)＝L(f)-A(f)计算影像的谱残余R(f)；

其中，所述A(f)表示对数谱的一般形态，为先验信息输入，R(f)是输入影像的统计上的特殊区域，为影像的谱残余。

步骤102，获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模；

具体的，形态结构参数是理解马尾松的重要因素，结合影像获取时的成像参数、影像分辨率以及目标的大小，利用轮廓结构对不同条件下的马尾松建模，在显著性区域中提取轮廓结构，进行形态建模。具体如下：

优选地，所述获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模，包括：

对预设气候条件下的马尾松进行个体形态分析；

结合高分辨率光学遥感影像的成像参数，对马尾松的光谱特征曲线进行分析，并构建通用的形态模型。

步骤103，在显著性区域分割的基础上，根据所述形态模型对所述马尾松进行目标预测；

步骤104，基于马尾松的光谱统计特性，对目标预测的结果进行处理，剔除虚警，获取最终的马尾松识别结果。

具体的，根据形态建模的结果构建基于改进的视觉注意机制的多尺度智能识别模型，提取视觉注意机制感兴趣的多维特征，实现马尾松的精确识别。

本发明实施例提供的一种马尾松多尺度智能识别的方法，基于频域的谱残余方法分割包含马尾松的显著性区域；获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模；在显著性区域分割的基础上，根据所述形态模型对所述马尾松进行目标预测；基于马尾松的光谱统计特性，对目标预测的结果进行处理，剔除虚警，获取最终的马尾松识别结果。从而使得该模型可以识别出不同植株大小等多种条件下的马尾松，鲁棒性强，通用性好；该模型可以在不同尺度条件下实现马尾松的智能识别；该模型可以实现马尾松的自动识别。

参考图2，图2是本发明实施例提供的一种马尾松多尺度智能识别的装置的功能模块示意图。

如图2所示，所述装置包括：

分割模块201，用于基于频域的谱残余方法分割包含马尾松的显著性区域；

优选地，所述分割模块201，具体用于：

对试验区的物种生长特性进行分析，选取光学和雷达高分辨率遥感影像，进行配准，基于二阶平稳小波变换算法进行融合；

按照实验范围对融合后的进行裁剪，得到实验区内的高分辨率遥感影像；

计算高分辨率遥感影像的植被指数，得到植被指数图，并计算所述植被指数图的对数谱L(f)，并获取对数谱的一般形式A(f)和影像的谱残余R(f)；

将谱残余图像进行逆傅里叶变换，得到影像的显著性图；

将所述显著性图与高分辨率遥感影像进行掩膜处理，得到包含马尾松的显著性区域。

优选地，所述分割模块201，还具体用于：

所述对数谱的一般形式A(f)＝h_n(f)×L(f)；

其中，所述所述n＝3。

优选地，所述分割模块201，还具体用于：

基于R(f)＝L(f)-A(f)计算影像的谱残余R(f)；

其中，所述A(f)表示对数谱的一般形态，为先验信息输入，R(f)是输入影像的统计上的特殊区域，为影像的谱残余。

第一获取模块202，用于获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模；

优选地，所述第一获取模块202，具体用于：

对预设气候条件下的马尾松进行个体形态分析；

结合高分辨率光学遥感影像的成像参数，对马尾松的光谱特征曲线进行分析，并构建通用的形态模型。

预测模块203，用于在显著性区域分割的基础上，根据所述形态模型对所述马尾松进行目标预测；

第二获取模块204，用于基于马尾松的光谱统计特性，对目标预测的结果进行处理，剔除虚警，获取最终的马尾松识别结果。

本发明实施例提供的一种马尾松多尺度智能识别的装置，基于频域的谱残余方法分割包含马尾松的显著性区域；获取预设气候条件下和预设植株大小条件下的马尾松的图片，对所述马尾松进行形态建模；在显著性区域分割的基础上，根据所述形态模型对所述马尾松进行目标预测；基于马尾松的光谱统计特性，对目标预测的结果进行处理，剔除虚警，获取最终的马尾松识别结果。从而使得该模型可以识别出不同植株大小等多种条件下的马尾松，鲁棒性强，通用性好；该模型可以在不同尺度条件下实现马尾松的智能识别；该模型可以实现马尾松的自动识别。

以上结合具体实施例描述了本发明实施例的技术原理。这些描述只是为了解释本发明实施例的原理，而不能以任何方式解释为对本发明实施例保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明实施例的其它具体实施方式，这些方式都将落入本发明实施例的保护范围之内。