本发明涉及人工智能领域,尤其涉及基于高光谱遥感图像的农作物病虫害识别方法及系统。
背景技术:
1、遥感图像是通过接收物体反射的电磁波成像,不同于我们平常接触的照片,遥感图像中像素点的值是由反射的电磁波强度确定的,而且遥感图像对应的光谱范围很广,根据波段不同,遥感光谱图像分为多光谱图像和高光谱图像,其中,高光谱图像对应的波段最多,可以有几十个甚至上百个波段。光谱分辨率和空间分辨率是遥感技术的两个重点要解决的问题,随着无人机以及多光谱遥感器的发展,高光谱的空间分辨率也在不断提升。得益于光谱分辨率和空间分辨率的提升,遥感图像尤其是高光谱遥感图像应用在越来越多的领域,例如矿物、水体、植被等的感测上。
2、高光谱遥感技术也被应用到农作物的监测上,可以快速了解农作物长势、病虫害等情况,高光谱遥感图像具有维度高的特点,这一特点带来的好处是可以获得尽可能多的频率图像,对应于农作物病虫害识别,可以获得农作物细小的差别,缺点是数据的处理量比较大,如何在众多的光谱图像中准确识别出农作物的病虫害信息对于农作物病虫害的识别至关重要。
技术实现思路
1、为了降低高光谱在农作物病虫害识别上复杂度,在第一个方面,本发明提供了一种基于高光谱遥感图像的农作物病虫害识别方法,所述方法包括以下步骤:
2、s1,获取农作物的高光谱遥感图像以及对应的农作物生长阶段,抽取所述高光谱遥感图像中近红外波段及其邻域波段的图像得到第一图像,并抽取所述图像中红波段及其邻域波段的图像得到第二图像,根据所述第一图像和所述第二图像得到第三图像,对第三图像进行分割得到农作物的至少一个种植区域,记录高光谱遥感图像与所述种植区域的对应关系;其中,所述高光谱遥感图像包括多个光谱通道图像;
3、s3,获取农作物所述生长阶段的波谱特性曲线,根据所述曲线降低所述高光谱遥感图像的光谱通道图像数量,进而根据所述对应关系得到所述种植区域降维后的光谱遥感图像;
4、s5,对于每个种植区域,将所述种植区域降维后的光谱遥感图像输入训练好的深度学习模型,得到种植区域病虫害识别结果。
5、优选地,所述抽取所述高光谱遥感图像中近红外波段及其邻域波段的图像得到第一图像,并抽取所述图像中红波段及其邻域波段的图像得到第二图像,根据所述第一图像和所述第二图像得到第三图像,具体为:
6、从所述高光谱遥感图像中抽取近红外波段对应的光谱通道图像,并抽取与近红外波段对应的光谱通道图像最近且位于所述近红外波段对应的光谱通道图像前后两侧各n个光谱通道图像,对抽取的2n+m1个光谱通道图像沿通道维度进行平均池化,得到第一图像;其中,m1为近红外波段对应的光谱通道图像数量;
7、从所述高光谱遥感图像中抽取红波段对应的光谱通道图像,并抽取与红波段对应的光谱通道图像最近且位于所述红波段对应的光谱通道图像前后两侧各n个光谱通道图像,对抽取的2n+m2个光谱通道图像沿通道维度进行平均池化,得到第二图像;其中,m2为红波段对应的光谱通道图像数量;
8、将第一图像和第二图像进行相减得到第一矩阵,将第一图像和第二图像进行相加得到第二矩阵,将第一矩阵和第二矩阵相同位置的元素进行相除运算得到第三矩阵,对第三矩阵进行归一化得到第三图像;
9、其中,m1、m2、n为正整数。
10、优选地,所述根据所述曲线降低所述高光谱遥感图像的光谱通道图像数量,进而根据所述对应关系得到所述种植区域降维后的光谱遥感图像,具体为:
11、获取所述曲线中每个极值点对应的波长,根据波长确定极值点对应的光谱通道图像;
12、计算相邻两个极值点的平均波长,查找所述高光谱遥感图像中与所述平均波长最接近的光谱通道图像;
13、将极值点对应的光谱通道图像和平均波长最接近的光谱通道图像进行concat融合得到降维后的高光谱遥感图像;
14、根据所述对应关系确定每个种植区域对应的降维后的高光谱遥感图像。
15、优选地,在s1和s3之间还包括s2,所述s2具体为:
16、采用通道剪枝的方式按照预设比例去除高光谱遥感图像中缩放因子小的光谱通道图像,记录要去除的光谱通道图像。
17、优选地,所述根据所述曲线降低所述高光谱遥感图像的光谱通道图像数量之后,还包括:
18、判断降维后的高光谱遥感图像中是否包括要去除的光谱通道图像,如果包括,则在降维后的高光谱遥感图像中剔除所述要去除的光谱通道图像。
19、另一方面,本发明提供了一种基于高光谱遥感图像的农作物病虫害识别系统,所述系统包括以下模块:
20、图像分割模块,用于获取农作物的高光谱遥感图像以及对应的农作物生长阶段,抽取所述高光谱遥感图像中近红外波段及其邻域波段的图像得到第一图像,并抽取所述图像中红波段及其邻域波段的图像得到第二图像,根据所述第一图像和所述第二图像得到第三图像,对第三图像进行分割得到农作物的至少一个种植区域,记录高光谱遥感图像与所述种植区域的对应关系;其中,所述高光谱遥感图像包括多个光谱通道图像;
21、降维模块,用于获取农作物所述生长阶段的波谱特性曲线,根据所述曲线降低所述高光谱遥感图像的光谱通道图像数量,进而根据所述对应关系得到所述种植区域降维后的光谱遥感图像;
22、识别模块,用于对于每个种植区域,将所述种植区域降维后的光谱遥感图像输入训练好的深度学习模型,得到种植区域病虫害识别结果。
23、优选地,所述抽取所述高光谱遥感图像中近红外波段及其邻域波段的图像得到第一图像,并抽取所述图像中红波段及其邻域波段的图像得到第二图像,根据所述第一图像和所述第二图像得到第三图像,具体为:
24、从所述高光谱遥感图像中抽取近红外波段对应的光谱通道图像,并抽取与近红外波段对应的光谱通道图像最近且位于所述近红外波段对应的光谱通道图像前后两侧各n个光谱通道图像,对抽取的2n+m1个光谱通道图像沿通道维度进行平均池化,得到第一图像;其中,m1为近红外波段对应的光谱通道图像数量;
25、从所述高光谱遥感图像中抽取红波段对应的光谱通道图像,并抽取与红波段对应的光谱通道图像最近且位于所述红波段对应的光谱通道图像前后两侧各n个光谱通道图像,对抽取的2n+m2个光谱通道图像沿通道维度进行平均池化,得到第二图像;其中,m2为红波段对应的光谱通道图像数量;
26、将第一图像和第二图像进行相减得到第一矩阵,将第一图像和第二图像进行相加得到第二矩阵,将第一矩阵和第二矩阵相同位置的元素进行相除运算得到第三矩阵,对第三矩阵进行归一化得到第三图像;
27、其中,m1、m2、n为正整数。
28、优选地,所述根据所述曲线降低所述高光谱遥感图像的光谱通道图像数量,进而根据所述对应关系得到所述种植区域降维后的光谱遥感图像,具体为:
29、获取所述曲线中每个极值点对应的波长,根据波长确定极值点对应的光谱通道图像;
30、计算相邻两个极值点的平均波长,查找所述高光谱遥感图像中与所述平均波长最接近的光谱通道图像;
31、将极值点对应的光谱通道图像和平均波长最接近的光谱通道图像进行concat融合得到降维后的高光谱遥感图像;
32、根据所述对应关系确定每个种植区域对应的降维后的高光谱遥感图像。
33、优选地,在图像分割模块和降维模块之间还包括通道剪枝模块,所述通道剪枝模块,用于采用通道剪枝的方式按照预设比例去除高光谱遥感图像中缩放因子小的光谱通道图像,记录要去除的光谱通道图像。
34、优选地,所述根据所述曲线降低所述高光谱遥感图像的光谱通道图像数量之后,还包括:
35、判断降维后的高光谱遥感图像中是否包括要去除的光谱通道图像,如果包括,则在降维后的高光谱遥感图像中剔除所述要去除的光谱通道图像。
36、最后,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,实现如上所述的方法。
37、本发明针对利用高光谱图像进行农作物病虫害识别过程中,高光谱图像中通道过多的问题,首先利用近红外波段和红波段对应的图像以及邻域的图像对高光谱图像进行分割,得到农作物种植区域,然后根据农作物相应生长阶段的波谱特性曲线降低高光谱遥感图像中通道的数量,去除对于农作物病虫害识别意义不大的通道图像,然后根据降维后的高光谱遥感图像采用深度学习模型得到农作物的病虫害结果。本发明有效的降低了利用高光谱遥感图像进行农作物病虫害识别中数据量过大的问题,提高了识别速度。