[发明专利]一种基于改进GLI指数和深度学习的极地植被提取方法

权利要求书

1.一种基于改进GLI指数和深度学习的极地植被提取方法，其特征在于，包括以下步骤：

S1、获取遥感影像，进行预处理，并生成暗通道影像，

生成暗通道影像：极地影像上地物为冰雪、岩石、植被，由于植被色彩丰富，植被在RGB颜色通道中至少存在一个颜色通道灰度值低，光强度最小值小的情况，因此暗通道上植被的DN值小，暗通道计算公式如下：

其中，I^c代表原始影像上的RGB三个通道，Ω(x)代表以像素x为中心的一个窗口，I^dark代表生成的暗通道；

S2、改进并计算GLI指数；

S3、合成假色彩影像，用以突出植被特征；

S4、对假色彩影像进行切片制作数据集，并对数据集进行处理；

S5、对数据集中的极地植被区域进行标记；

S6、将切分和标记后的数据集导入到Mask RCNN模型进行训练，使用Mask RCNN模型提取植被区域；

所述步骤S2中改进并计算GLI指数的方法如下：

改进的GLI指数计算：GLI指数通过比较红波段与蓝波段DN值的平均值和绿波段的DN值，将无人机彩色影像灰度化和归一化，在暗通道中植被的DN值小，和其他地物区分度明显，将红波段用暗通道I^dark替换，用以进一步扩大植被与其他地物的区分度，利用遥感软件波段计算工具，按照以下公式进行波段运算，DN值为负代表其他地物区域，DN值为正代表植被：

MGLI＝(2G-I^dark-B)/(2G+I^dark+B)

其中，MGLI为改进的GLI，G为原始影像绿波段DN值，B为原始影像蓝波段DN值；

所述步骤S3中，合成假色彩影像的方法如下：

经反差增强和波段运算，将暗通道、改进的GLI、蓝波段、分别赋予红色、绿色、蓝色，合成假彩色影像；

所述步骤S6中，Mask RCNN模型的创建方法如下：

模型由ResNet和RPN构成，ResNet利用多层卷积结构提取特征图，RPN则用于生成多个ROI；Mask RCNN模型改进了RoI Pooling采用RoI Align，并采用双线性插值将RPN生成的多个ROI特征区域映射到统一的尺寸，最后对多个ROI进行分类和定位框的回归操作，引入FCN生成植被对应的Mask，Mask RCNN的损失函数Loss定义为：

Loss＝L_cls+L_box+L_mask

其中L_cls为分类误差，L_box为定位框产生的误差，L_mask为掩膜Mask造成的误差，L_cls采用的是对数似然损失，其计算公式如下:

其中，X、Y分别为输入输出变量，N为输入样本量，M为类别数，y_ij是一个二值指标，表示类别j是否是输入实例x_i的真实类别，p_ij为模型预测输入实例x_i属于类别j的概率；

L_box使用的损失函数为的L1损失函数，用于候选框的回归分析，对每个ROI里任意像素，均采用sigmod函数求相对熵，得到平均相对熵误差L_mask；

引入了COCO数据集上预训练的权重进行fine tuning。

2.根据权利要求1所述的基于改进GLI指数和深度学习的极地植被提取方法，其特征在于，所述步骤S1中对遥感影像预处理的方法如下：

辐射校正，用以减少传感器、太阳高度角、地形造成的辐射误差；

大气校正，用以消除大气散射、吸收、反射造成的误差；

正射校正，用以消除影像几何变形。

3.根据权利要求1所述的基于改进GLI指数和深度学习的极地植被提取方法，其特征在于，所述步骤S1中，生成暗通道影像时，暗通道计算公式如下：

其中，I^c代表原始影像上的RGB三个通道，Ω(x)代表以像素x为中心的一个窗口，I^dark代表生成的暗通道。