(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 202210351261.2 (22)申请日 2022.04.02 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 张竞成　沈艳艳　杨玲波　李惠紫　 周晓璇　周行健　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 陈炜 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/80(2022.01) G06V 10/26(2022.01) G06V 10/25(2022.01)G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于光学影像与SAR时序数据融合的水 稻识别方法 (57)摘要 本发明公开了一种基于光学影像与SAR时序 数据融合的水稻识别方法； 该方法如下： 一、 提取 被测区域的单景光学影像和SAR时序数据； 并根 据单景光学影像对被测区域进行粗分类。 二、 基 于粗分类结果进行多尺度影像分割， 根据最优分 割参数提取地块边界信息。 三、 通过地块分割边 界结果对SAR时序特征数据进行提取， 得到面向 对象的SAR时序特征数据。 四、 通过机器学习完成 水稻面积识别分类。 本发明在缺少充足晴空光学 影像的地区， 以单时相光学影像作为多尺度图像 分割方法的数据源， 放宽了对光学数据时相的限 制。 基于面向对象尺度的微波影像， 能够充分克 服其在像素层面由于地块破碎和椒盐噪声影响 的弱点， 从而 进行水稻区域的精准 提取。 权利要求书2页 说明书6页 附图3页 CN 114627380 A 2022.06.14 CN 114627380 A 1.一种基于光学影 像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤1、 提取被测区域的单景光学影像和SAR时序数据； 并根据单景光学影像对被测区 域进行粗分类， 将被测区域中的不同位置划分为水稻、 水体、 非水稻植被和其 他地表； 步骤2、 基于粗分类结果 提取地块边界信息； 在步骤1粗分类结果的基础上， 剔除被分类为其他地表的区域； 对粗分类结果被分类为 水稻、 水体和非水稻植被的区域进 行多尺度影像分割， 得到地块分割边界结果； 多尺度影像 分割具体使用单景光学影像中的Band3、 Band4、 …、 Band8波段影像和NDVI(归一化植被指 数)影像进行分割； 分割参数选择尺寸因子、 形状因子和紧致 性因子； 步骤3、 通过地块分割边界结果对SAR时序特征数据进行处理， 根据边界计算地块特征 值的均值， 得到面向对象的SAR时序特 征数据； 步骤4、 通过机器学习完成被测区域中水稻的识别分类； 提取SAR时序特征数据中的目标特征； 目标特征包括若干个极化特征和/或若干个纹理 特征； 将目标特征输入经过训练的机器学习算法， 获得被测区域中水稻种植的位置、 形状和 面积。 2.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤1中的粗分类具体为： 首先， 提取单景光学影像中的光谱波段特征和植被指数 特征； 光谱波 段特征包括单景光学影像的Band4和Band11波段影像； 植被指数特征包括增强 型植被指数、 土壤调整植被指数和修正归一化水体差异指数； 之后， 将光谱波段特征和植被 指数特征输入支持向量机中进行粗分类； 粗分类将被测区域中的不同位置初步分为四类， 分别为水稻、 水体、 非水稻植被和其 他地表。 3.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤2中， Band3、 Band4、 …、 Band8波段影像和NDVI影像的分割权重分别为： 1:2:2: 1:1:2:2； 尺寸因子的取值为35～40、 形状因子的取值为0.2～0.3、 紧致性因子的取值为0.5 ～0.7。 4.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤2中分割参数的取值确定方法为： (1)设定若干组分割参数； 分别根据每组分割参数对相同或不同的粗分类结果进行多 尺度影像分割； (2)分别计算各组分割参数对应 的面积一致性指数ACIi、 质心距离qLoci、 形状误差SEi 如下： qLoci＝dist(cent roid(SOi),centroid(ROi)) SEi＝|Asr(ROi)‑Asr(ROi)| 其中， SOi为第i组分割参数所得 的分割结果； ROi为第i组分割参数对应的参考结果； 参 考结果为水稻部分实际所占区域； dist( ·)表示距离运算； centroid( ·)表示质心提取运 算； Asr(·)表示长宽比提取运 算； i＝1,2,...,n； n为设定的分割参数组数； 分别计算各组分割参数的评价总分CCSi＝ACIi+qLoci+SEi； 取评价总分CCSi最高的那组 分割参数作为多尺度影 像分割最终使用的分割参数。权　利　要　求　书 1/2 页 2 CN 114627380 A 25.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 设定出若干组分割参数的过程为： 尺寸因子的取值范围设定为35～60， 其步长 设定 为5； 形状因子的取值范围设定为0.1～0.6， 步长设定为0.1； 紧致性因子的取值范围设定为 0.2～0.7， 步长设定为0.1； 尺寸因子、 形状因子、 紧致性因子各获得六个备选值； 根据正交 实验法对尺寸因子、 形状因子、 紧致 性因子的各 备选值进行组合， 获得3 6组分割参数。 6.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤4中所述的机器学习算法采用分类回归树或支持向量机 。 7.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤4中的目标特征包含极化特征和纹理特征， 所述的极化特征包括0616_VH、 0710_VV、 0722_VV、 0815_VH、 0827_VV； 所述的纹理特征包 括0604_V H_B1、 0604_VV_B1、 0616_ VH_B3、 0616_VV_B7、 0628_VH_B6、 0628_VV_B1、 0710_VV_B2、 0710_VV_B5、 0710_VV_B6、 0722_ VH_B2、 0722_VH_B3、 0722_VH_B5、 0722_VV_B2、 0722_VV_B5、 0722_VV_B6、 0803_VH_B2、 0803_ VH_B3、 0803_VH_B4、 0803_VH_B5、 0803_VH_B6、 0803_VH_B8、 0803_VV_B1、 0815_VH_B5、 0827_ VV_B7、 0827_VV_B8； 其中， B1～B8分别代表Mean、 Variance、 Homogeneity、 Contrast、 Dissimilarity、 Ent ropy、 Seco nd Moment、 Cor relation。 8.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤4中的目标特征为四个生育期分组特征中各取一个 极化特征或纹理特征； 四个 生育期分组特 征中至少有一个极化特 征。 9.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其特 征在于： 步骤4中的目标 特征为四个极化特 征， 具体为0 616_VH、 072 2_VV、 0815_VH、 0827_V V。 10.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法， 其 特征在于： 步骤4中的目标特征使用极化特征和纹理特征； 极化特征具体为0722_VV、 0827_ VV； 纹理特征具体为0615_VH_B3、 080 3_VH_B2； B2、 B3分别为Variance、 Homogeneity。权　利　要　求　书 2/2 页 3 CN 114627380 A 3