本公开实施例涉及图像识别，尤其涉及一种融合时序光谱差异与物候信息相似度匹配的水稻识别方法。
背景技术：
1、目前，水稻识别对于农业管理与粮食保障具有重要意义。目前，使用遥感技术进行大规模的水稻制图方法可以分为物候学、机器学习以及二者融合的方法三类。
2、其中，物候学方法获取目标作物在单个像素中相较于其他作物独有的物候学特征，通过调整特征阈值来识别水稻。随着高分辨率卫星的成功发射，时间序列数据成为表征作物季节生长模式的材料之一，一些研究基于时序单一特征的物候曲线相似度匹配以识别水稻。然而，由于物候学方法对时间分辨率和影像可用性要求较高，水稻在气候条件复杂的区域难以被精确识别。
3、机器学习算法(如支持向量机、神经网络等)通过训练样本来适应更复杂的特征，可以解除输入影像对作物特定生长阶段的时间限制，被广泛应用于水稻识别。然而，时序数据带来的大量特征冗余影响分类效率和分类精度。传统的特征选择方法忽略了作物各阶段之间的联系和整个物候期的生长规律，导致选择重要的时序光谱特征变得困难。此外，特征优选操作在水稻种植制度不同的区域需要反复进行。
4、为弥补上述二种方法的不足，学者们融合物候学与机器学习的优势，开发了二者协同的算法。例如，现有技术基于物候学在小面积无云区域自动生成样本，然后将机器学习转移到其他多云区域，基于多个分类器在全季节进行训练，通过投票策略改善了多云区域的识别结果。然而，基于物候推导的样本受到不同地理环境和观测条件的时空光谱变异性影响，导致其在空间上不完备。同时，对热带、亚热带的水稻进行精细识别仍然是具有挑战性的任务。由于该区域气候多云多雨，水稻种植制度多样、种植场景复杂，导致依据种植制度进行分区耗费大量时间，水稻样本在空间完整性上提出更高要求，模型难以迁移。
5、可见，亟需一种识别精准度和适应性强的融合时序光谱差异与物候信息相似度匹配的水稻识别方法。
技术实现思路
1、有鉴于此，本公开实施例提供一种融合时序光谱差异与物候信息相似度匹配的水稻识别方法，至少部分解决现有技术中存在识别精准度和适应性较差的问题。
2、本公开实施例提供了一种融合时序光谱差异与物候信息相似度匹配的水稻识别方法，包括：
3、步骤1，基于比值模型获取物候参数，然后结合物候学与水稻专题产品生成高置信的随机水稻样本，结合物候学与地表覆盖产品生成随机非水稻样本，采用形态学滤波操作对水稻样本和非水稻样本进行样本的提纯，将提纯后的样本分为两个互不重叠的部分，即第一样本和第二样本；
4、步骤2，将第一样本作为训练数据，并行训练于目标年的各个月份，得到12个时序提取分类器，将全部分类器应用于第二样本，得到包含了各物候期的时间序列的预测概率，将其划分为第三样本和第四样本；
5、步骤3，基于第三样本的预测概率计算各时序的可分离指数，并通过归一化来确定各物候期所占物候权重；
6、步骤4，将物候权重作为调整参数，将第三样本的预测概率转移到时间域上，利用时间加权动态规整算法计算相似度，协同监督学习训练预测分类器，由第四样本进行验证；
7、步骤5，将12个时序提取分类器和预测分类器形成识别模型并对目标区域进行识别，生成水稻制图结果。
8、根据本公开实施例的一种具体实现方式，所述步骤1具体包括：
9、步骤1.1，将样本区域内水稻生长的时序数据进行重构，并利用比值模型分析时序数据对应的归一化植被指数时序曲线中关键变化点对应的日期，提取作物物候参数，其中，所述作物物候参数包括生长季节开始、生长季节结束、生长季节峰值、生长季节周期、生长季节峰度和生长季节偏度；
10、步骤1.2，将生长季节开始的前后预设时段定义为水稻的移栽期，并对移栽期内的水淹指数和sent i ne l 1影像的vh波段进行阈值分析，确定具有水淹信号的水稻区域，同时限制生长季节周期的时间周期范围，得到潜在水稻区域；
11、步骤1.3，利用长时序的多源专题水稻产品与基于物候学的潜在水稻进行叠置分析，随后采用空间滤波进行形态学处理，以得到纯化后的潜在水稻图，并利用土地覆盖产品叠加耕地层，排除非耕地；
12、步骤1.4，采取随机选取的策略来生成水稻和其他农作物的样本数据并将其分为两个互不重叠的部分，即第一样本和第二样本。
13、根据本公开实施例的一种具体实现方式，所述步骤1.1具体包括：
14、步骤1.1.1，采用了斜率极值法在每个季节内，首先识别出归一化植被指数时序曲线的峰值作为生长季节峰值，当斜率为0且对应归一化植被指数时序曲线最小值的时间点出现在生长季节峰值之前时，将其标记为生长季节开始，以及，当斜率为0且对应归一化植被指数时序曲线最小值的时间点出现在生长季节峰值之后时，将其标记为生长季节结束；
15、步骤1.1.2，将生长季节开始和生长季节结束之间的差值作为生长季节周期；
16、步骤1.1.3，将归一化植被指数时序曲线作为一个概率分布，所形成分布的峰度作为生长季节峰度，其中，所述生长季节峰度的表达式为
17、
18、其中，xi表示归一化植被指数第i个月的年积日doy值，ndvii为第i个月的归一化植被指数值，表示平均值，std代表标准差，n为常数12；
19、步骤1.1.4，将归一化植被指数时序曲线作为一个概率分布，所形成分布的偏度作为生长季节偏度，其中，所述生长季节偏度的表达式为
20、
21、根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
22、将第三样本中的预测概率序列进行逐月份的jeffr i es-matus ita距离计算，得到一个j-m时间序列，并将其进行规范化处理，得到物候权重序列，其中，所述物候权重序列的表达式为
23、
24、其中，i代表时间序列中的第i个时间点，y代表最终得到的物候权重，x表示jeffries-matus ita距离；
25、jeffr ies-matus ita距离的表达式为
26、j＝2(1-e-b)
27、
28、其中，b代表巴氏距离，j表示j-m距离，m1、m2表示地物类的特征均值，σ1和σ2代表地物类的特征标准差。
29、根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
30、采用物候权重序列作为动态时间规划算法的时间权重加以计算，将12个随机森林分类器分别逐月预测得到的概率序列使用k近邻算法协同时间加权动态规整算法进行模型训练，构建一个用于识别水稻的预测分类器，协同监督学习训练预测分类器，由第四样本进行验证。
31、本公开实施例中的融合时序光谱差异与物候信息相似度匹配的水稻识别方案，包括：步骤1，基于比值模型获取物候参数，然后结合物候学与水稻专题产品生成高置信的随机水稻样本，结合物候学与地表覆盖产品生成随机非水稻样本，采用形态学滤波操作对水稻样本和非水稻样本进行样本的提纯，将提纯后的样本分为两个互不重叠的部分，即第一样本和第二样本；步骤2，将第一样本作为训练数据，并行训练于目标年的各个月份，得到12个时序提取分类器，将全部分类器应用于第二样本，得到包含了各物候期的时间序列的预测概率，将其划分为第三样本和第四样本；步骤3，基于第三样本的预测概率计算各时序的可分离指数，并通过归一化来确定各物候期所占物候权重；步骤4，将物候权重作为调整参数，将第三样本的预测概率转移到时间域上，利用时间加权动态规整算法计算相似度，协同监督学习训练预测分类器，由第四样本进行验证；步骤5，将12个时序提取分类器和预测分类器形成识别模型并对目标区域进行识别，生成水稻制图结果。
32、本公开实施例的有益效果为：通过本公开的方案，考虑以时间加权动态规整算法作为桥梁，通过耦合物候学与机器学习，提高时序光谱差异在物候信息匹配中的利用效率。优势在于：从各物候期的小特征量中自动构建对应时序的高级特征，无需对大量特征去相关处理，降低了对大量特征去相关操作的依赖；利用加权动态时间规整实现了物候信息的特征对齐，提高了多光谱特征在物候信息匹配中的利用效率。为种植制度多样、场景复杂的大范围区域的水稻制图提供更多的理论方案。
1.一种融合时序光谱差异与物候信息相似度匹配的水稻识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
3.根据权利要求2所述的方法，其特征在于,所述步骤1.1具体包括：
4.根据权利要求3所述的方法，其特征在于,所述步骤3具体包括：
5.根据权利要求4所述的方法，其特征在于,所述步骤4具体包括：
