[发明专利]一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法

说明书

本发明涉及一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法。本方法通过非负风险估计，将遥感影像弱监督单类网络优化问题转化为经验风险最小化问题，同时综合使用了高光谱影像提供的空‑谱融合特征以及LiDAR数据提供的几何特征，通过卷积神经网络以数据驱动的方式自动提取影像的深度空‑谱融合特征，通过非负风险估计端到端的优化卷积神经网络的参数，避免后期阈值调节。本发明可以用来进行入侵树种的分布探测，在物种多样性较高的热带区域仍可以获得可靠的探测结果。

技术领域

本发明属于高光谱遥感图像和激光雷达数据(LiDAR)处理技术领域，尤其涉及一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法。

背景技术

随着世界范围内贸易活动的进行，许多树种通过各种人为或者偶然的方式从一个地域移动到了另一个地域，由于缺乏天敌的控制，其中的一些树种会演变成入侵树种而对当地物种多样性和全球的生态环境造成不可逆转的损害。获得入侵树种的分布是控制和监测它们传播的关键。传统实地调查的方法固然准确，但耗时耗力，很难做到大范围的持续观测，而高光谱遥感对地观测技术通过非接触式成像，为入侵树种的大范围精细识别提供了可能。

与此同时，高光谱入侵树种分布探测也是一项艰巨的任务：其一，传统的分类算法需收集目标区域所有可能存在的地物的样本，但在仅关注入侵树种的情况下收集所有可能存在地物的样本成本较高，如何仅利用入侵树种的样本去探测入侵树种的位置本质上属于更难处理的遥感影像弱监督分类问题。其二，传统入侵树种探测方法基于手工特征，该特征是受制于专家先验知识的浅层特征，复杂场景下入侵树种的识别能力受限。其三，传统的树种探测算法受限于阈值选择，阈值的好坏极大程度的影响了最终的探测结果，这导致传统的探测算法难以被不熟悉相关算法的林业人员使用。上述几个问题限制了探测算法在入侵树种探测中的应用。

发明内容

本发明的目的在于提出一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法。

本发明所提供的这种基于深度非负风险估计的入侵树种探测方法，综合使用了高光谱影像提供的空-谱融合特征以及LiDAR数据提供的几何特征，通过卷积神经网络以数据驱动的方式自动提取影像的深度空-谱融合特征，利用非负风险估计通过经验风险最小化原则端到端的优化卷积神经网络的参数，避免后期阈值调节。训练完成之后，可直接利用网络对输入的数据进行是否是入侵树种的判定。

本发明中所提出的基于非负风险估计的高光谱与LiDAR数据融合的入侵树种探测算法具有以下三个显著的特点。一是高光谱影像和LiDAR数据的联合使用，该方法综合利用了不同模态数据的优势，通过分层分类的方法避免非树像素对于入侵树种识别的干扰；其二，通过卷积神经网络，以数据驱动的方式提取表征能力更强的深层次空-谱融合特征，使该方法在困难场景下，如物种多样性较高的热带非洲，仍可以获得较好的探测结果；其三，通过经验风险最小化准则，设计基于非负风险估计的损失函数，端到端的优化网络参数，免去阈值调节的过程。

本发明提供基于非负风险估计的高光谱与LiDAR数据融合的入侵树种探测方法，实现步骤如下：

步骤1，基于LiDAR数据的不同回波获得数字表面模型DSM和数字高程模型DEM，二者之间做差获得冠层高度模型CHM；

步骤2，基于高光谱影像和CHM构建掩膜TreeMask,该掩膜用于提取影像中所有树存在的区域；

步骤3，使用最小噪声分离变换MNF对高光谱影像进行变换，并对变换后的影像进行归一化预处理；

步骤4，基于预处理后的影像和TreeMask，通过实地采样获取的入侵树种的地面真实值，获得用于模型训练的入侵树种数据集；在TreeMask中随机采样，获得树的像素的索引，然后通过此索引在归一化后的高光谱影像上获得用于模型训练的未标记数据集；

步骤5，使用训练数据集及基于非负风险估计的损失函数对卷积神经网络进行训练；