一种高光谱图像密集区域树木单株分割方法、系统及终端

本发明涉及森林树种识别，尤其涉及一种高光谱图像密集区域树木单株分割方法、系统、终端及计算机可读存储介质。

背景技术：

1、森林作为不可或缺的经济和环境资产，在吸收和固定大气中的碳方面发挥着至关重要的作用。在这一过程中，树种单株分割研究成为一项关键的技术手段，能够获取高精度的单株树木分布和属性信息。这项研究为各个领域的科研和管理提供了极为重要的支持，为可持续的森林管理和资源规划提供了有力的数据基础。通过树种单株分割研究，能够深入了解森林中每一棵树木的位置、形态和特征。这不仅有助于科学家们更好地理解森林生态系统的结构和功能。此外，树种单株分割研究还对监测森林健康、防治森林病虫害、进行环境影响评估等方面具有广泛的应用。这些数据不仅在科研领域有着深远的影响，同时也为政府和企业制定森林保护和管理政策提供了实质性的支持。综合而言，树种单株分割研究是一项在森林生态系统管理中至关重要的工具，为促进碳汇增加以及保护生态环境发挥着不可替代的作用。政府和科研机构的合作将进一步推动这一领域的发展，为更好地保护和利用森林资源提供有力支持。

2、树种单株分割是指将森林或林地区域的图像分割成单独的树木个体，并对每个树木进行识别和分类，以确定其所属的树种，从而实现对森林中不同树种的自动化分析和分布情况的监测。传统的树种识别方法通常仰赖人工进行实地调查，然而，这一方式面临着工作量巨大、成本高昂、以及耗时耗力的问题，尤其在需要涵盖大范围区域的制图任务中显得效率不足。在人工实地调查中，专业调查员需要花费大量时间和努力，逐一记录树木的种类和分布情况。这不仅需要大量的人力资源，还可能面临地形复杂、交通不便等因素的挑战，从而限制了调查的深度和广度。此外，实地调查还存在主观性和局限性，因为调查员的经验水平和主观判断可能会影响到结果的准确性和一致性。这种方式的局限性在于无法实现对大规模区域的及时监测和全面分析，特别是对于需要频繁更新和动态监测的场景。

3、随着遥感技术的快速进展，为森林树种识别提供了丰富的技术手段。遥感技术以其宏观性、实时性和周期性等特点，为迅速、准确和高效获取大范围森林资源信息创造了有利条件，因此被广泛应用于森林树种分割识别和信息提取的研究中。遥感数据涵盖了多种传感器类型，其中包括可见光、多光谱、高光谱、激光雷达等多源数据。国内外的许多学者已经成功地将这些遥感技术应用于森林树种识别，并在这一领域取得了阶段性的研究成果。这些技术的应用使得能够通过遥感图像自动获取关于森林树种分布的重要信息，不仅能够提高工作效率，减轻人工调查的负担，还为更全面的森林管理和保护提供了有力支持。然而，尽管这些技术为森林资源管理提供了巨大的进步，仍然存在一些现有技术的缺点和挑战。首先，受到光照和云覆盖的影响。在强烈光照或云层覆盖的情况下，可见光图像可能变得不清晰，导致树木的特征难以准确捕捉。此外，植被遮挡也是一个问题，尤其是在密集植被区域，可能导致树木部分或完全被遮挡，从而影响树种的全面识别。这使得可见光数据在复杂气象和植被条件下的树种分割表现不如预期。其次，lidar(light detection andranging，光探测与测距)数据在树种单株分割中同样存在一些挑战。地形的复杂性是一个主要问题，因为在山地或峡谷等复杂地形区域，地形起伏可能引起lidar数据的误差，影响树木的三维建模和分割准确性。植被遮挡也是lidar面临的问题，特别是在高密度植被区域，可能导致lidar无法完整获取所有树木的结构信息。

4、因此，现有技术还有待于改进和发展。

技术实现思路

1、本发明的主要目的在于提供一种高光谱图像密集区域树木单株分割方法、系统及终端，旨在解决现有技术中树种分割方法在面对密集林地或高郁闭度森林时分割边缘不准确的问题。

2、本技术实施例第一方面提供一种高光谱图像密集区域树木单株分割方法，所述高光谱图像密集区域树木单株分割方法包括如下步骤：获取森林的原始图像，对所述原始图像进行特征提取，得到像素级特征和三维特征，并将所述三维特征和所述像素级特征输入至立体注意力模块，生成三维注意力特征，将所述三维注意力特征输入至周密注意力模块，生成第一输出特征；其中，所述三维注意力特征用于体现不同单株树木的光谱差异和空间轮廓细节；对所述第一输出特征进行特征提取，得到二维特征，并将所述二维特征输入至二维注意力模块，生成二维注意力特征，将所述二维注意力特征输入至所述周密注意力模块，生成第二输出特征；将所述第二输出特征输入至分割模块，生成所述森林中不同单株树木的分割识别图像。

3、可选地，在本技术的一个实施例中，所述原始图像为高光谱图像样本；所述对所述原始图像进行特征提取，得到像素级特征和三维特征，具体包括：将所述高光谱图像样本输入线性层，得到像素级特征；将所述高光谱图像样本输入三维卷积层，得到三维特征。

4、可选地，在本技术的一个实施例中，所述三维特征为空谱特征，所述三维注意力特征包括目标空谱特征和目标像素级嵌入；所述将所述三维特征和所述原始图像输入至立体注意力模块，生成三维注意力特征，具体包括：所述立体注意力模块分别在深度维度、通道维度和空间维度上对所述空谱特征进行处理，得到三维深度注意力、三维通道注意力和三维空间注意力，并根据所述空谱特征、所述三维深度注意力、所述三维通道注意力和所述三维空间注意力，生成树木的目标空谱特征；所述立体注意力模块获取所述三维特征对应的注意力图像，并对所述像素级特征和所述注意力图像进行加权处理，得到目标像素级嵌入。

5、可选地，在本技术的一个实施例中，所述立体注意力模块分别在深度维度、通道维度和空间维度上对所述空谱特征进行处理，得到三维深度注意力、三维通道注意力和三维空间注意力，并根据所述空谱特征、所述三维深度注意力、所述三维通道注意力和所述三维空间注意力，生成树木的目标空谱特征，具体包括：

6、所述立体注意力模块在深度维度对所述空谱特征进行均值池化处理，得到三维深度注意力；所述三维深度注意力的公式如下：

7、vd(fm)＝σ(mlp(agpool(mlp(agpool(fm)))))；

8、所述立体注意力模块在通道维度对所述空谱特征进行均值池化与最大值池化处理，得到三维通道注意力；所述三维通道注意力的公式如下：

9、vc(fm)＝σ(mlp(avgpool(fm))+mlp(maxpool(fm)))；

10、所述立体注意力模块在空间维度对所述空谱特征进行均值池化与最大值池化处理，得到三维空间注意力；所述三维空间注意力的公式如下：

11、vs(fm)＝σ(conv7×7([avgpool(fm)；maxpool(fm)]))；

12、所述目标空谱特征的计算公式如下：

13、

14、其中，fm表示空谱特征，vd(fm)表示三维深度注意力，σ(·)为sigmoid函数，mlp(·)表示共享的多层感知机模块，avgpool(·)和maxpool(·)分别表示均值池化操作与最大值池化操作，vc(fm)表示三维通道注意力，vs(fm)表示三维空间注意力，conv7×7(·)表示滤波器大小为7×7的卷积操作，表示目标空谱特征，表示逐元素乘法；

15、所述目标像素级嵌入的计算公式如下：

16、

17、其中，表示目标像素级嵌入，spixel表示像素级特征，表示注意力图像。

18、可选地，在本技术的一个实施例中，所述周密注意力模块包括空洞卷积模块和自注意力机制；所述将所述三维注意力特征输入至周密注意力模块，生成第一输出特征，具体包括：对所述目标空谱特征和所述目标像素级嵌入进行重编码，生成重编码特征；所述自注意力机制将所述重编码特征在空间维度上展平，生成平展特征，所述空洞卷积模块根据所述重编码特征生成细节特征；将所述平展特征和所述细节特征进行拼接融合，得到第一输出特征。

19、可选地，在本技术的一个实施例中，所述重编码特征的计算公式如下：

20、

21、所述平展特征的计算公式如下：

22、

23、所述细节特征的计算公式如下：

24、

25、所述第一输出特征的计算公式如下：

26、

27、其中，表示重编码特征，conv1×1(·)表示滤波器大小为1×1的卷积操作，concat(·)表示通道维拼接操作，表示平展特征，tf(·)代表移除位置编码后的标准transformer编码器模块，表示细节特征，atrousconv3×3(·)表示滤波器大小为3×3的空洞卷积函数，unfold(·)和fold(·)分别为将向量按空间平展及还原操作，表示第一输出特征。

28、可选地，在本技术的一个实施例中，所述将所述二维特征输入至二维注意力模块，生成二维注意力特征，具体包括：

29、所述二维注意力模块在通道维度对所述二维特征进行均值池化和最大值池化处理，得到二维通道注意力；所述二维通道注意力的公式如下：

30、vc(fs)＝σ(mlp(avgpool(fs))+mlp(maxpool(fs)))；

31、所述二维注意力模块在空间维度对所述二维特征进行均值池化与最大值池化处理，得到二维空间注意力；所述三维空间注意力的公式如下：

32、vs(fs)＝σ(f7×7([avgpool(fs)；maxpool(fs)]))；

33、所述二维注意力特征的计算公式如下：

34、

35、其中，表示二维注意力特征，fs表示二维特征，vc(fs)表示二维通道注意力，vs(fs)表示二维空间注意力，f7×7为卷积核大小为7×7的卷积层。

36、本技术实施例第二方面还提供一种高光谱图像密集区域树木单株分割系统，其中，所述高光谱图像密集区域树木单株分割系统包括：

37、多层次注意力联结模块，用于获取森林的原始图像，对所述原始图像进行特征提取，得到像素级特征和三维特征，并将所述三维特征和所述像素级特征输入至立体注意力模块，生成三维注意力特征，将所述三维注意力特征输入至周密注意力模块，生成第一输出特征；

38、空间注意力增强模块，用于对所述第一输出特征进行特征提取，得到二维特征，并将所述二维特征输入至二维注意力模块，生成二维注意力特征，将所述二维注意力特征输入至所述周密注意力模块，生成第二输出特征；

39、分割模块，用于将所述第二输出特征输入至分割模块，生成所述森林中不同单株树木的分割识别图像。

40、本技术实施例第三方面还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高光谱图像密集区域树木单株分割程序，所述高光谱图像密集区域树木单株分割程序被所述处理器执行时实现如上所述的高光谱图像密集区域树木单株分割方法的步骤。

41、本技术实施例第四方面还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有高光谱图像密集区域树木单株分割程序，所述高光谱图像密集区域树木单株分割程序被处理器执行时实现如上所述的高光谱图像密集区域树木单株分割方法的步骤。

42、有益效果：本发明提供一种高光谱图像密集区域树木单株分割方法、系统及终端，该方法通过立体注意力模块提取不同单株树木的光谱差异特征及空间轮廓细节特征，以适应不同光照场景和树种变化的情况，并且周密自注意力模块能够在同一网络结构中同时处理全局和局部信息，从而有效提高了针对密集林地或高郁闭度森林进行单株树木分割的准确性，增强了分割效果。