[发明专利]一种基于深度学习的城市行道树种类识别方法

权利要求书

1.一种基于深度学习的城市行道树种类识别方法，其特征在于，包含以下步骤：

步骤1：获取不同场景下的多树种真彩色无人机多光谱图像；

步骤2：对步骤1获取的多光谱图像进行预处理，包括3D点云P的生成和由数字量化值图像到辐射值图像再到反射值图像的转化；

步骤3：根据步骤2所述的反射值图像呈现的反射率对图像对象进行判断，去除图像对象中可能误判为树冠的对象；

步骤4：进行树冠顶点的检测，根据步骤2所生成的3D点云P，生成归一化数字表面模型,使用局部最大值检测算法得到树冠的顶点位置和高度；

步骤5：根据步骤4获取的树冠顶点的高度进行判断，去除高度过高或过低的顶点；

步骤6：使用包含局部背景信息的模糊C均值分类器估计树冠的跨度，通过在模糊分类框架上执行马尔科夫随机场来获得树冠的分数图像u_i，通过分数图像确定树冠边界，利用主动轮廓算法描绘单棵树木的树冠边界；

步骤7：采集行道树图像，通过人工调查对行道树图像进行标注，构建行道树图像训练集和验证集；

步骤8：搭建光谱空间并行卷积神经网络并进行训练；

步骤9：将步骤6中获取的分割后的图像输入光谱空间并行卷积神经网络，实现树木种类识别。

2.根据权利要求1所述的基于深度学习的城市行道树种类识别方法，其特征在于，步骤2中，在图像预处理过程中，使用尺度不变特征转换法来对步骤一中获取的多光谱图像进行自动关键点生成和连接点匹配，从而对内部和外部相机方向参数进行估计，估计的结果用于生成描述树冠水平结构和表面高度变化的3D点云P，使用多光谱相机辐射校准模型来完成数字量化值图像到辐射亮度值图像的转化，结合单个波段的面板反射率使用校准反射面板将辐射亮度值图像转化为反射亮度值图像。

3.根据权利要求1所述的基于深度学习的城市行道树种类识别方法,其特征在于，步骤3中引入反射率阈值R_H和R_L，进行判断如下：如果图像对象反射率R≤R_L，则认为该图像对象为行道树阴影；如果R_L≤R≤R_H，则认为该图像对象为行道树；如果R≥R_H，则认为该图像为建筑物屋顶亮斑，据此屏蔽行道树阴影和建筑屋顶亮斑，避免对树冠对象的影响。

4.根据权利要求1所述的基于深度学习的城市行道树种类识别方法,其特征在于，步骤4中，将步骤2中生成的3D点云P滤波，以每5m²选取一个地面点方式进行内插，生成数字高程模型,将原始点云数据重采样可得到数字表面模型,再从数字表面模型中减去数字高程模型便可得到归一化数字表面模型，在归一化数字表面模型中使用局部最大值检测算法来获取树冠的顶点T_c。

5.根据权利要求1所述的基于深度学习的城市行道树种类识别方法,其特征在于，步骤5中引入高度阈值T_H和T_L，进行判断如下：如果顶点T_c≤T_L，则判断该顶点为低矮灌木顶点；如果T_L≤T_c≤T_H，则认为该顶点为行道树树冠顶点；如果T_c≥T_H，则认为该顶点为类树建筑物顶点，据此屏蔽低矮灌木和类树建筑物，避免对树冠对象的判断产生影响。