(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210548609.7 (22)申请日 2022.05.20 (65)同一申请的已公布的文献号 申请公布号 CN 114639005 A (43)申请公布日 2022.06.17 (73)专利权人 湖北省国土测绘院 地址 430014 湖北省武汉市江岸区澳门路 199号 专利权人 中国地质大 学 （武汉） (72)发明人 帅爽　张志　马梓程　王亚毛　 彭艳鹏　熊忠招　谢菲　王旭　 龚元夫　陈思　肖瑶　谢翠容　 岳常海　孙天成　孟丹　(74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 徐瑛 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/72(2022.01) G06V 20/13(2022.01) G06V 20/10(2022.01) G06K 9/62(2022.01) 审查员 向奎 (54)发明名称 多分类器融合的农作物自动分类方法、 系统 及存储介质 (57)摘要 本发明公开一种多分类器融合的农作物自 动分类方法、 系统及存储介质， 方法包括： 数据采 集及预处理， 获取预处理后的高分数据及多光谱 时序反射率； 基于多光谱时序反射率计算得到 NDVI时间序列； 基于计算得到的NDVI时间序列， 结合农作物类型训练样本， 选取参与分类的多光 谱图像数据； 将高分数据、 NDVI时间序列和参与 分类的多光谱图像数据输入分类器集， 得到初分 类结果集； 对初分类结果集执行OCA ‑MV算法， 完 成决策融合分类 。 权利要求书2页 说明书12页 附图9页 CN 114639005 B 2022.10.21 CN 114639005 B 1.多分类 器融合的农作物自动分类方法， 其特 征在于， 包括： 采集高空间分辨率遥感数据和长时序多光谱遥感数据， 进行预处理， 获得高分数据和 多光谱时序反射 率； 基于多光谱时序反射 率计算得到NDVI时间序列； 基于计算得到的NDVI时间序列， 结合农作物类型训练样本， 选取参与分类的多光谱图 像数据； 将高分数据、 NDVI时间序列和参与分类的多光谱图像数据输入分类器集， 得到初分类 结果集； 对初分类结果 集执行OCA‑MV算法， 完成决策融合分类， 进一 步包括： 对于每种数据源利用每个分类器的分类结果中的每个农作物类型类别构建总体类别 精度指数集 ， 用于表征不同分类器对不同农作物类型的分类性能差异， 包含8 种总体分类精度指数； 按照每个数据源、 每个分类器和每个农作物类型计算 ， 并根据像元分类类别， 逐 像元赋值 ， 计算每个像元归属于第 类农作物类型的概 率 ； 逐像元计算类概 率最大值 ， ， 按照多数票决机制， 将每个像元分类为 对应的农作物类型， 为农作物类 型类别数量， 完成对初分类结果的决策融合， 获得多数据源多分类器决策融合农作物分类 结果CL； 按照 中的8种总体分类精度指 数， 重复进行像元农作物类型归属概率计算和类概 率最大值逐像元计算， 获得决策分类结果 集； 对决策分类结果 集进行精度评价， 计算总体分类精度； 计算总体分类精度中的最大值， 并导出其对应的分类结果， 作为 最终决策分类结果。 2.根据权利要求1所述多分类器融合的农作物自动分类方法， 其特征在于， 数据采集及 预处理进一步包括： 采集工作区内超过预设百分比的农作物均处于生长期时的高分数据， 以及一年内全部 期次的多光谱原 始影像数据； 对采集的高分数据和多光谱原始影像数据进行预处理， 得到预处理后的高分数据和多 光谱时序反射 率。 3.根据权利要求1所述多分类器融合的农作物自动分类方法， 其特征在于， 选取参与分 类的多光谱反射 率数据进一 步包括： 获取各类型农作物训练样本， 并结合计算得到的NDVI时间序列， 得到不同类型农作物 训练区的NDVI均值时序曲线； 以不同类型农作物训练区的NDVI均 值时序曲线为基准， 对不同类型农作物的NDVI时序 曲线进行比对， 选择各类型农作 物NDVI时序曲线差异 最大时刻所对应的多光谱反射率数据 作为参与分类的多光谱图像数据。 4.根据权利要求1所述多分类器融合的农作物自动分类方法， 其特征在于， 所述方法进权　利　要　求　书 1/2 页 2 CN 114639005 B 2一步包括： 基于3种输入数据和7种监督分类算法构建农作物自动分类模型， 输出初分类结 果集。 5.根据权利要求4所述多分类器融合的农作物自动分类方法， 其特征在于， 基于农作物 验证样本， 利用混淆矩阵方法对初分类结果 集进行精度评价， 计算精度评价指标。 6.多分类 器融合的农作物自动分类系统， 其特 征在于， 所述系统包括： 数据采集及预处理模块， 用于数据采集及预处理以获取高分数据及多光谱时序反射 率； 计算模块， 用于基于多光谱时序反射 率计算得到NDVI时间序列； 多光谱图像选取模块， 用于基于计算得到的NDVI时间序列， 结合农作物类型训练样本， 选取参与分类的多光谱图像数据； 初分类模块， 用于将高分数据、 NDVI时间序列和参与分类的多光谱图像数据输入分类 器集， 得到初分类结果 集； 决策融合分类模块， 用于对初分类结果集执行OCA ‑MV算法， 完成决策融合分类， 进一步 包括： 指数集构建模块， 用于对于每种数据源利用每个分类器的分类结果中的每个农作物类 型类别构建总体类别精度指数集 ， 用于表征不同分类器对不同农作物类型的分类性 能差异， 包含8种总体分类精度指数； 归属概率计算模块， 用于按照每个数据源、 每个分类器和每个农作物类型计算 ， 并根据像元分类类别， 逐像元赋值 ， 计算每个像元归属于第 类农作物类型的概 率 ； 类概率最大值计算模块， 用于逐像元计算类概 率最大值 ， ， 按照多数票决机制， 将每个像元分类为 对应的农作物类型， 为农作物类 型类别数量， 完成对初分类结果的决策融合， 获得多数据源多分类器决策融合农作物分类 结果CL； 精度评价模块， 用于对按照 中的8种总体分类精度指数， 重复进行像元农作物类 型归属概率计算和类概率最大值逐像元计算而获得 的决策分类结果集， 进行精度评价， 计 算总体分类精度； 输出模块， 用于计算总体分类精度中的最大值， 并导出其对应的分类结果， 作为最终决 策分类结果。 7.一种计算机可读存 储介质， 其上存 储有计算机程序， 其特 征在于， 所述计算机程序被处 理器执行时实现权利要求1至 5中任一项所述方法。权　利　要　求　书 2/2 页 3 CN 114639005 B 3