[发明专利]一种基于历史作物分布图的农作物自动分类方法及装置

说明书

本发明提供一种基于历史作物分布图的农作物自动分类方法及装置。该方法包括对遥感影像进行非监督分类，获取所述遥感影像与基准底图的交集区域。将所述交集区域中历史作物的分布区域作为目标研究区。统计目标研究区内非监督分类的各类别及对应的分布范围。构建判别函数，根据各类别对应的判别函数值，确定目标类别。根据目标类别所对应的类别索引值，遍历非监督分类结果图，提取所有与目标类别索引值相同的类别，实现遥感影像中作物的自动分类。本发明克服了传统农作物分类方法需进行的大量分析和后处理的缺陷，基于历史作物分布图，结合遥感影像的空间几何特征实现农作物的自动分类，分类过程较为简单，且分类精度较高。

技术领域

本发明涉及农业遥感技术领域，更具体的，涉及一种基于历史作物分布图的农作物自动分类方法及装置。

背景技术

大宗农作物的播种面积空间分布数据的准确获取是国家、省级政府制定粮食政策，保证粮食安全的重要依据。由于播种面积是作物估产的关键步骤，因此，研究区域尺度大宗农作物的分类方法，对提取农作物面积实现农情监测具有重要的意义。随着遥感技术的发展，其为准确高效地获取作物种植空间分布提供了有效地手段。

目前，基于遥感影像进行农作物分类主要以监督分类和非监督分类两种方式为主，监督分类又称训练场地法，是以建立统计识别函数为理论依据，依据典型样本训练方法进行分类的技术；非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法，根据待分类样本特征参数的统计特征，建立决策规则来进行分类，而不需要先知道类别特征。

监督分类的优点是可充分利用分类地区的先验知识，预先确定分类的类别以及控制训练样本的选择，可通过反复检验训练样本，以提高分类精度，避免分类中的严重错误；缺点是人为主观因素较强，训练样本的选取和评估需花费较多的人力时间，只能识别训练样本中所定义的类别，从而影响分类结果。

非监督分类则是在无先验类别作为样本的条件下，根据像元间相似度大小进行计算自动判别归类，无须人为干预，分类后需确定地面类别，该分类方式的优点是无需对待分类区域有较多的了解，仅需一定的知识来解释分类出现的集群组，人为误差较少，且需输入的初始参数较少，可形成范围很小但有独特光谱特征的集群，所分的类别比监督分类的类别更均值，对独特且覆盖量小的类别也能够识别。缺点是需要对分类结果进行大量分析及后处理，存在“同物异谱和同谱异物”现象，使得类别匹配难度较大，且不同影像间的光谱集群无法保持其连续性，难以对比。

发明内容

本发明为解决传统农作物分类方法需进行的大量分析和后处理的缺陷，提供一种基于历史作物分布图的农作物自动分类方法。

第一方面，本发明提供一种基于历史作物分布图的农作物自动分类方法，包括：

S1：获取待分类区域的遥感影像，对所述遥感影像进行非监督分类；以所述待分类区域的历史作物分布图为基准底图，获取所述遥感影像与基准底图的交集区域；

S2：遍历所述遥感影像与基准底图的交集区域，将所述交集区域中历史作物的分布区域作为目标研究区；

S3：遍历所述待分类遥感影像目标区域内的非监督分类结果，统计所述目标研究区内非监督分类的类别，以及各类别所占面积；

S4：根据所述目标研究区内，各类别所占面积与目标研究区总面积的关系，构建判别函数；根据各类别对应的判别函数值，确定目标类别，并获取所述目标类别的类别索引值。

S5：根据所述类别索引值，遍历遥感影像的非监督分类结果图，提取其中与目标类别的类别索引值相同的类别。

优选的，所述步骤S1中，以所述待分类区域的历史作物分布图为基准底图，获取所述遥感影像与基准底图的交集区域具体包括：