一种基于无人机影像的优势树种遥感分类方法及分类系统

1.本发明属于遥感信息自动提取技术领域，尤其涉及一种基于无人 机影像的优势树种遥感分类方法及分类系统。


背景技术：

2.目前基于无人机光学影像数据进行的树种分类方法主要有三类， 支持向量机(support vector machine,svm)、决策树(decision tree,dt) 模型、卷积神经网络(convolutional neural network,cnn)。
3.1、支持向量机是一种基于统计学习理论框架下的分类方法，是 vapnik等人在20世纪提出来的。在结构风险最小化准则下，svm将 最优化求解问题转化为一个凸二次规划求解问题，以此得到一个全局 最优解。使用svm进行分类时，它具备适用于小样本统计学习、高 维特征空间、抗噪能力强等特点，在高光谱影像分类中有许多优势。 但该方法存在只依靠光谱信息不能充分地进行分类的缺陷。
4.2、决策树算法是基于分层分类的指导思想，将不同地物的属性 特点按照一定的原则进行逐步分解。根据研究人员对相应区域地物特 征的了解，在对每一次进行分解时，可以按照波段以及不同的波段组 合分类。按照遥感图像的不同特性采用决策树分类，将分类和决策通 过树型结构进行表示，从而发现其规律。但决策树在处理特征关联性 比较强的数据时表现较为一般，没有人工神经网络稳定、精度高。
5.3、卷积神经网络具有自动学习分类特征的能力，其中卷积作为 特征提取器，神经网络作为分类器，避免了传统识别方法中复杂的特 征提取和数据构建的过程，能在多个图像分类任务中取得优异的分类 效果，是目前热门的分类技术。卷积神经网络的层数越多，提取的特 征就会越充分，因此探索深层的网络模型成了新的趋势。但是，随着 网络深度的增加梯度消失问题也会出现，网络的后层不能有效地学习 到分类特征，再增加网络层数时就会出现梯度下滑等问题，所以解决 网络层数增加梯度减少地问题是提高卷积神经网络学习、分类能力的 关键。


技术实现要素：

6.为解决上述技术问题，本发明提出基于高光谱成像的精标注数字 病理数据集自动生成方法，该方法准确高效，智能可靠，有助于为深 度学习算法提供大规模精标注数字病理数据集。
7.一方面为实现上述目的，本发明提供了一种基于无人机影像的优 势树种遥感分类方法，包括如下步骤：
8.基于无人机遥感图像，获取数据集；
9.构建densenet_bl模型；
10.基于所述数据集对所述densenet_bl模型进行监督训练；
11.基于训练后的所述densenet_bl模型，完成优势树种遥感分类。
12.可选地，获取数据集的方式为：
13.基于所述无人机遥感图像，剪裁获取同一树种的树冠图像，记录 经纬度，并对树种进行核查后，获得所述数据集。
14.可选地，所述densenet_bl模型包括：1个7
×
7的卷积核、1个 3
×
3的池化层与4个denseblock_bl；
15.每个所述denseblock_bl中的层与层之间通过1
×
1的瓶颈层连 接；
16.4个所述denseblock_bl之间通过过渡层连接。
17.可选地，所述数据集包括训练集、验证集与自然林地数据。
18.可选地，对所述densenet_bl模型进行监督训练的方式为：
19.基于所述卷积核对所述训练集与验证集中的树冠图像进行卷积 处理；
20.基于4个所述denseblock_bl对卷积处理后的所述树冠图像进 行降维处理；
21.基于所述池化层对降维处理后的所述树冠图像进行最大池化处 理，完成所述densenet_bl模型的监督训练。
22.可选地，对所述densenet_bl模型进行监督训练还包括：
23.采用梯度下降算法，对所述densenet_bl模型的参数进行调整。
24.可选地，基于训练后的所述densenet_bl模型，对所述自然林 地数据进行分类提取，获得优势树种遥感分类结果。
25.另一方面为实现上述目的，本发明提供了一种基于无人机影像的 优势树种遥感分类系统，包括：获取模块、构建模块、训练模块与分 类模块；
26.所述获取模块用于基于无人机遥感图像，剪裁同一树种的树冠图 像，获取数据集，所述数据集包括训练集、验证集与自然林地数据；
27.所述构建模块用于构建densenet_bl模型；
28.所述训练模块用于基于所述训练集与验证集对所述densenet_bl模型进行监督训练；
29.所述分类模块用于基于训练后的所述densenet_bl模型对所述 自然林地数据进行分类提取，输出优势树种遥感分类结果。
30.与现有技术相比，本发明具有如下优点和技术效果：
31.本发明针对无人机光学影像数据，在树种信息十分密集且繁多的 情况下，基于普通的densenet模型，进行改进，在每个残差块之间 插入小型卷积核作为瓶颈层，在提高网络模型的计算效率，减少网络 计算量和参数量的同时，达到理想的树种分类效果。本发明适用于高 分辨率无人机光学影像的树种分类提取，提取效果好。
附图说明
32.构成本技术的一部分的附图用来提供对本技术的进一步理解，本 申请的示意性实施例及其说明用于解释本技术，并不构成对本技术的 不当限定。在附图中：
33.图1为本发明实施例一的一种基于无人机影像的优势树种遥感 分类方法流程示意图；
34.图2为本发明实施例一的dense block_bl结构示意图；
35.图3为本发明实施例一的a结构的残差块结构示意图；
36.图4为本发明实施例一的b结构的残差块结构示意图；
37.图5为本发明实施例一的分类结果示意图；
38.图6为本发明实施例二的一种基于无人机影像的优势树种遥感 分类系统结构示意图。
具体实施方式
39.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 申请。
40.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算 机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻 辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或 描述的步骤。
41.实施例一
42.如图1所示，本发明提供一种基于无人机影像的优势树种遥感分 类方法，其特征在于，包括如下步骤：
43.基于无人机遥感图像，获取数据集；并将数据分为训练集、验证 集与自然林地数据。
44.进一步地，制作数据集是将无人机高分辨率图像上可以区分为同 一树种的树冠图像裁剪出来，并记录其具体的经纬度，实地调查核实 树种，得到正确的数据集。通过训练集和验证集得到的结果对 densenet_bl模型进行训练和调试。
45.构建densenet_bl模型；densenet_bl模型包括：1个7
×
7的卷 积核、1个3
×
3的池化层与4个denseblock_bl；每个所述 denseblock_bl中的层与层之间通过1
×
1的瓶颈层连接；4个所述 denseblock_bl之间通过过渡层连接。denseblock_bl为在 denseblock的每个残差块(residual block)之间加入一个1
×
1的小 型卷积核作为瓶颈层(bottleneck layer)进行提前降纬。
46.进一步地，本实施例中所提出的densenet_bl模型，是基于具 有密集连接机制的densenet(密集神经网络)模型基础上，在分类 模型的残差块之间插入小型卷积核作为瓶颈层(bottleneck layer)， 组成了新的densen block，densen block是由内部的残差块(residualblock)全连接得到的，残差块(residual block)是denseblock_bl 中的层。瓶颈层可以对输入的特征图进行降维，减少网络的参数，提 高网络模型的收敛速度。同时，对模型的全连接层进行了改进，将其 输出节点改为5，有效改进softmax函数，最终通过不同学习率的对 比实验发现，该方法能在小样本的情况下高效分类树种。
47.网络深度的增加，会引起卷积层需要训练网络参数的增加，增加 了网络的参数和计算量。本文的方法是在densenet block中的残差块 之间加入1
×
1的小型卷积核作为瓶颈层(bottleneck layer)，对传 递的特征图进行提前降维，如图2所示。
48.每一个残差块输入一个x0
×
y0
×
z0的特征图后(x、y为特征 图的尺寸，z为通道数)，会向后输出一个经过卷积后的x1
×
y1
×ꢀ
z1，和一个从前面网络中得到的x0
×
y0
×
z0。如附图3所示的a结 构。
49.a结构中每个残差块的计算量：
50.x
×y×z×3×3×
z/2
51.a结构中每个残差块参数量：
52.z
×3×3×
z/2
53.加入一个1
×
1卷积作为瓶颈层后，前面传递进来的特征图会先 被瓶颈层降维，如附图4所示的b结构。
54.b结构中每个残差块的计算量：
55.x
×y×z×1×1×
z/4+x
×y×
z/4
×3×3×
z/2
56.b结构中每个残差块的参数量：
57.z
×1×1×
z/4+z/4
×3×3×
z/2
58.图4结构的残差块结构a结构中的计算量和参数量都约是b结构 的3.3倍，证明了瓶颈层能够增加了网络的非线性，降低网络计算量 和参数量，使得网络可以表达更加复杂的特征，解决了网络层数增加 梯度减少地问题，降低深层网络在使用时占用的计算资源和存储资源， 提高整个网络的计算效率。
59.基于训练集和验证集对所述densenet_bl模型进行监督训练的 方式为：
60.基于所述卷积核对所述训练集与验证集中的树冠图像进行卷积 处理；基于4个所述dense block_bl对卷积处理后的所述树冠图像 进行降维处理；基于所述池化层对降维处理后的所述树冠图像进行最 大池化处理，完成所述densenet_bl模型的监督训练。
61.对densenet_bl模型进行监督训练还包括：采用梯度下降算法， 对densenet_bl模型的参数进行调整。
62.进一步地，在本实施例中；
63.s11模型由一个7
×
7的卷积核开始，该卷积核对输入的树冠影 像进行内核大小为7
×
7、步幅大小为2卷积操作，之后是步长为2 的3
×
3的最大池化操作。
64.s12中间部分由4个dense block_bl组成，dense block_bl中 的层与层之间通过1
×
1瓶颈层连接，用来对输入的特征图进行降维。
65.s13dense block_bl之间由过渡层连接，通过卷积和池化操作来 改变特征图的大小和尺寸。4个dense block_bl之后采用7
×
7的全 局平均池化对图像进行处理。
66.s14在模型训练阶段通过随机梯度算法，进行监督训练对网络模 型的参数进行调整，并重复前面的s11～s31的操作。
67.基于训练后的所述densenet_bl模型，完成优势树种遥感分类。
68.在本实施例中，采用训练后的所述densenet_bl模型，对所述 自然林地数据进行分类提取，输出优势树种遥感分类结果，得到分类 结果图，分类结果如图5和图6所示。
69.如图6所示，本发明还提供了一种基于无人机影像的优势树种遥 感系统，包括：获取模块、构建模块、训练模块与分类模块；
70.所述获取模块用于基于无人机遥感图像，剪裁同一树种的树冠图 像，获取数据集，所述数据集包括训练集、验证集与自然林地数据；
71.所述构建模块用于构建densenet_bl模型；
72.所述训练模块用于基于所述训练集与验证集对所述 densenet_bl模型进行监督训练；
73.所述分类模块用于基于训练后的所述densenet_bl模型对所述 自然林地数据进行分类提取，输出优势树种遥感分类结果。
74.以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并 不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范 围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。 因此，本技术的保护范围应该以权利要求的保护范围为准。