(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210897784.7 (22)申请日 2022.07.28 (71)申请人 河南大学 地址 475001 河南省开封市明伦街85号 (72)发明人 赵建辉　杨会巾　李宁　郭拯危　 李和平　 (74)专利代理 机构 郑州联科专利事务所(普通 合伙) 41104 专利代理师 刘建芳 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/30(2022.01) G06V 10/24(2022.01) G06V 10/74(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种小样本农作物分类方法、 系统、 存储设 备及电子设备 (57)摘要 本发明公开了一种小样 本农作物分类方法、 系统、 存储设备及电子设备包括： 对时间序列全 极化SAR图像进行预处理： 得到测地距离光谱相 关性测度和基于广义体散射模型的雷达植被指 数； 生成农田掩膜;通过C ‑AENN网络模型分别使 用真实采样的样本和伪样本对研究区域的农作 物进行分类:在不同样本下得到的农作物分类结 果中， 选取精度较高的结果结合农田掩膜得到农 作物分类结果图； 通过本发明， 能够快速、 精确地 在仅有少量样本的情况下， 对农作物进行分类制 图， 对后续的农作物物候期估计、 农作物估产等 方面提供基础。 同时， 本发明具有良好的性能且 易于工程实现， 为SAR图像农作物分类提供了一 种新的思路。 权利要求书3页 说明书10页 附图12页 CN 115131668 A 2022.09.30 CN 115131668 A 1.一种小样本农作物分类方法， 其特 征在于： 包括如下步骤： 步骤S1： 对时间序列全极化SAR图像进行预处理： 对时间序列全极化SAR图像进行预处 理， 以消除时间序列全极化SAR图像中的部 分噪声以及配准地理信息， 得到后向散射系数以 及极化相干矩阵T； 接着通过矩阵变换的方式得到K ennaugh矩阵； 通过实地考察获得农作物样本并在SAR图像中标记为农作物样本像元； 在SAR图像中， 没有标记为农作物样本的像元全部是 未知像元； 步骤S2： 将预处理后的时序SAR图像， 计算与样本的光谱相似性测度、 欧式距离测度以 及测地距离相似性测度， 得到测地距离光谱相关性测度和基于广义体散射模型的雷达植被 指数； 步骤S3： 基于测地距离光谱相关性测度以及公开的GFSAD30掩膜数据， 生成农田掩膜， 并通过滑动阈值的方法结合后向散射系数和基于广义体散射模型的雷达植被指数得到不 同阈值条件下的伪样本； 具体包括如下步骤： 步骤S31： 基于欧式距离测度、 光谱相似性测度、 测地距离相似性测度得到未知像元与 农作物样本的测地距离光谱相似性测度； 测地距离光谱相似性测度衡量了未知像元与农作 物样本的后向散射系数数值差异、 向量形状差异、 散射机制的差异； 通过将三种相关性测度 结合以及归一 化后得到未知像元与农作物样本的相似性； 步骤S32： 基于测地距离光谱相似性测度， 结合GFSAD30掩膜数据， 得到研究区域的农田 掩膜； 步骤S4： 通过C ‑AENN网络模型分别 使用真实采样的样本和伪样本对研究区域的农作物 进行分类:将步骤S3中得到的五个样本集分别输入至初始化后的C ‑AENN神经网络中， 并使 用训练好的模型对研究区域进行分类， 得到不同阈值样本训练下 的初步分类结果图； 具体 包括如下步骤 步骤S41： 基于测地距离光谱相似性测度和农田掩膜， 使用滑动 阈值的方法， 选择与农 作物样本具有高相似性的未知像元作为训练像元； 步骤S42： 基于训练像元、 GRVI以及后向散射系数， 得到不同阈值的多个训练集： 通过获 取到的训练像元， 预 处理得到的后向散射系数以及GRV I值， 将其作为特征值， 得到不同阈值 下多个用于训练神经网络的训练； 步骤S43： 基于多个训练集， 分别使用多个初始化后的C ‑AENN神经网络进行训练， 得到 多种阈值下的分类结果； 步骤S5： 在不同样本下得到的农作物分类结果中， 选取精度较高的结果结合农田掩膜 得到农作物分类结果图： 将步骤S4的初步分类结果结合步骤S3中得到的农田掩膜后， 对各 个结果进行分析， 得到精度最高的分类结果， 即最终的农作物分类结果图。 2.根据权利要求1所述的小样本农作物分类方法， 其特征在于， 所述的步骤是S1中预处 理具体包括入下步骤： 对时间序列全极化SA R图像进行辐射定标、 多视、 滤波、 地形校正、 分贝化、 图像配准、 极 化矩阵生成、 滤波和地形 校正获取全极化数据中四种极化方式和极化相干矩阵T的值； 其中辐射定标将雷达接收到的后向散射信号转换为后向散射系数， 即对接收的后向散 射信号能量 转化为有单位的物理量；权　利　要　求　书 1/3 页 2 CN 115131668 A 2多视处理是对下 载的单视复数 数据方位向或距离向做 平均， 提升 了数据的强度信息； 滤波操作去除时间序列全极化SAR图像中的相干斑噪声， 选择Refined  Lee滤波减小噪 声对后向散射系数的影响； 地形校正包括地理编码和地形辐射校正两个部分， 赋予影像实际的地理坐标信 息后根 据地理信息对图像进行 校正； 分贝化操作将数值很小的后向散射系数通过对数变换为数值较大、 近似高斯分布的单 位为分贝的数值； 图像配准操作将所有时间序列全极化SAR图像校正到同一像素 单元大小； 极化矩阵生成操作从极化数据中获取极化矩阵T。 3.根据权利要求1所述的小样本农作物分类方法， 其特征在于， 所述的步骤S2具体包括 如下步骤： 步骤S21： 通过后向散射系数， 使用光谱相似性测度方法， 获得未知像元与农作物样本 之间的光谱相似性测度； 步骤S22： 基于欧式距离测度 方法， 计算所有未知像元与农作物样本之间时序后向散射 系数的欧氏距离； 步骤S23： 基于预处理后的极化相干矩阵T， 使用测地距离相似度算法， 计算未知像元与 农作物样 本的测地距离相似性度量； 具体如下： 首先用相干矩阵T 得到每个像元的Kennaugh 矩阵， 之后使用K矩阵测地距离方法， 通过单位球面上的测地线距离计算目标像元与样 本像 元的K矩阵之间散射机制的相似性度量， 最终得到测地距离相似性度量； 步骤S24： 基于预处理后的极化相干矩阵T， 结合K矩阵测地距离算法以及广义体散射模 型， 生成基于广义体散射模型的雷达植被指数即 GRVI。 4.根据权利要求1所述的小样本农作物分类方法， 其特征在于， 所述步骤S2中光谱相关 性测度使用四种极化组合的时序后向散射系数代替光谱信息， 比较未知像元和样本像元的 时序后向散射系数特征向量结构的相似程度， 最后归一化生成与样本像元的光谱相关性测 度， 其表达式如下： 其中， n是SA R数据图像的数量， P和Q分别是未知像元和样本像元的后向散射系数向量， Pi和Qi分别是未知像元和样本像元的后向散射系数向量， μ和σ 是向量的均值和标准差， SCS 是光谱相关性测度。 5.根据权利要求1所述的小样本农作物分类方法， 其特征在于， 所述步骤S2中欧式距离 测度具体采用如下方法计算， 将未知像元和样本像元的四种极化方式下的时序后向散射系 数组合为时序后向散射系 数向量， 并计算两个向量的欧式距离度量， 归一化后 获得欧式距 离测度， 其表达式如下： 权　利　要　求　书 2/3 页 3 CN 115131668 A 3