CN118397412B 融合sar和光学影像的田块级作物提取方法 （中国农业科学院农业资源与农业区划研究所）

本发明属于农业遥感技术领域，涉及融合SAR和光学影像的田块级作物提取方法，包括：集；得到基于SAR遥感影像数据与光学遥感数据本发明通过融合SAR遥感影像数据与光学影像数2根据光学遥感影像数据计算遥感指数数据，利用遥感指数数据增强光学遥感影像特对重采样后的SAR遥感影像数据、重采样后的光学遥感影像数据与田块数据进行叠加于SAR遥感影像数据与光学遥感影像数据的融合利用融合学习生成网络根据样本数据集生成SAR遥感影像数据与光学遥感影像数据的根据SAR遥感影像数据与光学遥感影像数据的融合数据集以及田块数据，构建田块提2.根据权利要求1所述融合SAR和光学影像的3.根据权利要求1所述融合SAR和光学影像的对增强影像特征后的光学遥感影像进行去云处理，包括：使用去云4.根据权利要求1所述融合SAR和光学影像的田块级作物提采样后的SAR遥感影像数据、重采样后的光学遥感影像数据与田块数据进行叠加配准后裁像切片公式为：;;3;。5.根据权利要求1所述融合SAR和光学影像干尺度的特征图后通过4个核大小为1×1的CatConv2d卷积叠加相同尺度异源通道进行卷6.根据权利要求5所述融合SAR和光学影像的田块级作网络利用PathGAN多块判别器对影像分块进行扩充判别；在判别器训练过程中使用SSIM损7.根据权利要求1所述融合SAR和光学影像的田块级地物为背景地物像元数量，FP表示误分背景地物为目标地物像元数量，OA表示整体分;;。4[0009]对重采样后的SAR遥感影像数据、光学遥感影像数据与田块数据进行叠加配准后[0011]利用融合学习生成网络根据样本数据集生成SAR遥感影像数据与光学遥感影像数[0012]根据SAR遥感影像数据与光学遥感影像数据的融合数据集以及田块数据，构建田5字塔池化结构获取若干尺度的特征图后通过4个核大小为1×1的CatConv2d卷积叠加相同类精度和Kappa系数对作物整体分类精度进行评价，选择分类精度最高的波段组合对田块OA表示整体分类精度,pe表示所有地物实际与预测数量的乘积之和与样本总量平方的商，6[0046]对重采样后的SAR遥感影像数据、光学遥感影像数据与田块数据进行叠加配准后[0048]利用融合学习生成网络根据样本数据集生成SAR遥感影像数据与光学遥感影像数[0049]根据SAR遥感影像数据与光学遥感影像数据的融合数据集以及田块数据，构建田7[0053]光谱波段数据包括可见光(B2～B4波段)、红边(B5～B7波段)、近红外(B8/B8A波数据的影像坐标系转换为WGS84坐标系(WorldGeodeticSystem，世界大地测量系统)后像投影至WGS84坐标系后将20m分辨率数据的B5/6/11/12波[0062]在实际应用过程中，因SAR遥感影像数据、光学遥感影像数据的影像光谱信息丰8[0066]可选的，融合学习生成网络为FGAN网络(FusionGenerativeAdversarial加3个核大小为3×3的多层卷积获取不同尺度的特征图；引入ASPP空间金字塔池化结构获取若干尺度的特征图后通过4个核大小为1×1的CatConv2d卷积(Cat表示叠加链接不同来源通道)叠加相同尺度异源通道进行卷积，再添加CBAM注意力机制来提高重要通道特征的[0067]可选的，FGAN网络利用PathGAN[0068]FGAN网络结构通过引入ASPP空间金字塔池化结构，从而进行通道升降维与异源影像特征图叠加卷积并结合上采样结构多尺度获取影像语义信息，列设置且分别与低层语义提取模块输出端连接的核为1的常规二维卷积，各常规二维卷积提取模块的输入端；语义提取模块的输出端连接核为1的常规二维卷积、批归一化层与LeakyRelu激活层组成的语义提取模块的输9i-1)；[0076]两个分支获取不同尺度特征图后通过4个核大小为1×1的二维卷积叠加相同尺度积神经网络的注意力机制)注意力结构来提高重要通道特征的权重，最后通过上采样叠加通道注意力模块的最大池化层与平均池化层进入二维卷积、激活函数得到空间注意力权[0080]相比于传统GAN整体判别，通过使用PathGAN多块判别器对图像分块进行扩充判采样同尺度特征图结合1*1Conv2d+3*3Conv2d多层卷积添加更多权重参数，用以准确区分类精度和Kappa系数对作物整体分类精度进行评价，选择分类精度最高的波段组合对田块