[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

说明书

本发明提供了一种基于改进GLI指数和深度学习的极地植被提取方法，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；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。对比传统的计算机视觉方法，本发明仅需配合人工经验进行少量的标注，可以有效地提高无人机影像植被检测精度和效率。

技术领域

本发明属于遥感影像检测提取技术领域，尤其是涉及一种基于改进GLI指数和深度学习的极地植被提取方法。

背景技术

极地气候严寒，干燥风大。极地植物稀少，多数为苔藓、藻类植物。提取极地影像上的植被对研究植被生长和植被演替，评价极地生态环境，预测全球气候变化趋势具有重要意义。无人机遥感影像具有低成本、高时效、高分辨率等优点。利用无人机遥感技术获取的可见光影单幅数据量大，光谱信息少，仅有红、绿、蓝三个波段难以采用常用的NDVI(归一化植被指数)等方法提取植被。采用阈值法和监督、非监督分类方法往往精度不高，缺乏自动化和自适应能力。面向对象的提取分割尺度的确定、特征空间的构建需要人工参与，分类结果受主观因素影响。人工目视解译周期长，费事费力，且依赖解译者经验。因此，一种植被与其它地物区分度高、人工标记量少、识别精度和自动化程度高的极地植被识别方法对该领域的研究和发展具有重要意义。

发明内容

有鉴于此，为克服现有技术的缺陷，本发明旨在提出一种基于改进GLI指数和深度学习的极地植被提取方法。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于改进GLI指数和深度学习的极地植被提取方法，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；

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。

进一步的，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。

进一步的，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。

进一步的，所述步骤S2中改进并计算GLI指数的方法如下：

将GLI中的红波段用暗通道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值为负代表其它区域，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。