树木种群分类方法、装置、设备及介质与流程

1.本发明涉及图像识别领域技术领域，尤其涉及一种树木种群分类方法、装置、设备和计算机可读存储介质。


背景技术：

2.现有的树木种群分布情况检测方法主要有人工检测、基于开源计算机视觉库(open source computer vision library，opencv)等传统软件进行检测和借助第三方人工智能(artificial intelligence，ai)平台使用大量的数据进行训练识别模型进行检测这几种方案。
3.但是，人工检测依赖专家经验且效率低，而且基于opencv等传统软件进行检测和借助第三方ai平台进行检测对数据库和标注的要求较高，且往往针对单一树木种类，算力需求高，效率低，忽视了种群整体的特征。


技术实现要素：

4.本发明实施例提供了一种树木种群分类方法、装置、设备和计算机可读存储介质，不仅能够实现小样本训练分类模型，减少训练量，缩短训练时间，还能够提高树木种群分类准确度。
5.第一方面，本发明实施例提供一种树木种群分类模型训练方法，该方法包括：获取训练图像；提取训练图像的形态学断面(morphological profile，mp)特征，得到训练图像的第一特征矩阵；提取训练图像的形态学属性剖面(morphological attribute profiles，ap)特征，得到训练图像的第二特征矩阵；基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型。
6.在第一方面的一些可实现方式中，提取训练图像的mp特征，得到训练图像的第一特征矩阵，包括：对训练图像进行灰度化处理，得到灰度图像；基于灰度图像和预设结构元素进行开运算、闭运算，确定第三特征矩阵；基于灰度图像和预设结构元素进行重构开运算、重构闭运算，确定第四特征矩阵；对第三特征矩阵和第四特征矩阵进行组合，得到第一特征矩阵。
7.在第一方面的一些可实现方式中，基于灰度图像和预设结构元素进行开运算、闭运算，确定第三特征矩阵，包括：基于灰度图像和预设结构元素进行开运算、闭运算，得到开运算矩阵和闭运算矩阵；将灰度图像转换为第一向量，开运算矩阵转换为第二向量，闭运算矩阵转换为第三向量；对第一向量、第二向量和第三向量进行组合，得到第一差分矩阵；对第一差分矩阵、第二向量和第三向量进行组合，得到第三特征矩阵。
8.在第一方面的一些可实现方式中，基于灰度图像和预设结构元素进行重构开运算、重构闭运算，确定第四特征矩阵，包括：基于灰度图像和预设结构元素进行重构开运算、重构闭运算，得到重构开矩阵和重构闭矩阵；将灰度图像转换为第一向量，重构开矩阵转换为第四向量，重构闭矩阵转换为第五向量；对第一向量、第四向量和第五向量进行组合，得
到第二差分矩阵；对第二差分矩阵、第四向量和第五向量进行组合，得到第四特征矩阵。
9.在第一方面的一些可实现方式中，提取训练图像的形态学属性剖面ap特征，得到训练图像的第二特征矩阵，包括：对训练图像进行灰度化处理，得到灰度图像；基于灰度图像，确定灰度图像的多个连通域；对每个连通域进行计算，得到每个连通域的ap特征；基于每个连通域，确定生成树；基于每个连通域的ap特征、预设ap特征阈值、生成树和预设策略，确定第二特征矩阵。
10.在第一方面的一些可实现方式中，基于灰度图像，确定灰度图像的多个连通域，包括：将灰度图像的灰度值划分为多个灰度级；基于灰度图像和多个灰度级，生成多个逻辑矩阵，其中，一个逻辑矩阵与一个灰度级对应；基于多个逻辑矩阵，确定多个连通域。
11.在第一方面的一些可实现方式中，基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型，包括：基于第一特征矩阵训练第一支持向量机，得到第一分类模型；基于第二特征矩阵训练第二支持向量机，得到第二分类模型；基于第一分类模型和第二分类模型，确定树木种群分类模型；或者，将第一特征矩阵和第二特征矩阵进行组合，并训练第三支持向量机，得到树木种群分类模型。
12.在第一方面的一些可实现方式中，训练图像是合成孔径雷达(synthetic aperture radar，sar)图像。
13.第二方面，本发明实施例提供一种树木种群分类方法，该方法包括：获取待分类图像；基于树木种群分类模型对待分类图像进行分类，得到树木种群分类结果，其中，树木种群分类模型基于第一方面或者第一方面任一可实现方式中所述的树木种群分类模型训练方法得到。
14.第三方面，本发明实施例提供一种树木种群分类模型训练装置，该装置包括：获取模块，用于获取训练图像；提取模块，用于提取训练图像的mp特征，得到训练图像的第一特征矩阵；提取模块还用于提取训练图像的ap特征，得到训练图像的第二特征矩阵；训练模块，用于基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型。
15.在第三方面的一些可实现方式中，提取模块具体用于：对训练图像进行灰度化处理，得到灰度图像；基于灰度图像和预设结构元素进行开运算、闭运算，确定第三特征矩阵；基于灰度图像和预设结构元素进行重构开运算、重构闭运算，确定第四特征矩阵；对第三特征矩阵和第四特征矩阵进行组合，得到第一特征矩阵。
16.在第三方面的一些可实现方式中，提取模块具体用于：基于灰度图像和预设结构元素进行开运算、闭运算，得到开运算矩阵和闭运算矩阵；将灰度图像转换为第一向量，开运算矩阵转换为第二向量，闭运算矩阵转换为第三向量；对第一向量、第二向量和第三向量进行组合，得到第一差分矩阵；对第一差分矩阵、第二向量和第三向量进行组合，得到第三特征矩阵。
17.在第三方面的一些可实现方式中，提取模块具体用于：基于灰度图像和预设结构元素进行重构开运算、重构闭运算，得到重构开矩阵和重构闭矩阵；将灰度图像转换为第一向量，重构开矩阵转换为第四向量，重构闭矩阵转换为第五向量；对第一向量、第四向量和第五向量进行组合，得到第二差分矩阵；对第二差分矩阵、第四向量和第五向量进行组合，得到第四特征矩阵。
18.在第三方面的一些可实现方式中，提取模块具体用于：对训练图像进行灰度化处
理，得到灰度图像；基于灰度图像，确定灰度图像的多个连通域；对每个连通域进行计算，得到每个连通域的ap特征；基于每个连通域，确定生成树；基于每个连通域的ap特征、预设ap特征阈值、生成树和预设策略，确定第二特征矩阵。
19.在第三方面的一些可实现方式中，提取模块具体用于：将灰度图像的灰度值划分为多个灰度级；基于灰度图像和多个灰度级，生成多个逻辑矩阵，其中，一个逻辑矩阵与一个灰度级对应；基于多个逻辑矩阵，确定多个连通域。
20.在第三方面的一些可实现方式中，训练模块具体用于：基于第一特征矩阵训练第一支持向量机，得到第一分类模型；基于第二特征矩阵训练第二支持向量机，得到第二分类模型；基于第一分类模型和第二分类模型，确定树木种群分类模型；或者，将第一特征矩阵和第二特征矩阵进行组合，并训练第三支持向量机，得到树木种群分类模型。
21.在第三方面的一些可实现方式中，训练图像是sar图像。
22.第四方面，本发明实施例提供一种树木种群分类装置，该装置包括：获取模块，用于获取待分类图像；分类模块，用于基于树木种群分类模型对待分类图像进行分类，得到树木种群分类结果，其中，树木种群分类模型基于第一方面或者第一方面任一可实现方式中所述的树木种群分类模型训练方法得到。
23.第五方面，本发明实施例提供一种树木种群分类设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面或者第一方面任一些可实现方式中所述的树木种群分类模型训练方法，或者，处理器执行计算机程序指令时实现第二方面所述的树木种群分类方法。
24.第六方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一些可实现方式中所述的树木种群分类模型训练方法，或者，计算机程序指令被处理器执行时实现第二方面所述的树木种群分类方法。
25.本发明实施例提供的一种树木种群分类模型训练方法、树木种群分类方法、装置、设备和计算机可读存储介质。本发明的树木种群分类模型训练方法、装置，通过分别提取训练图像的mp特征、ap特征，得到第一特征矩阵、第二特征矩阵；基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型，能够实现小样本训练分类模型，减少训练量，避免出现过拟合现象，而且该分类模型具有高度的专一性和灵活性。本发明的树木种群分类方法、装置能够基于该树木种群分类模型对待分类图像进行分类，得到树木种群分类结果，提高种群分类准确度。
附图说明
26.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1是本发明实施例提供的一种树木种群分类模型训练方法的流程示意图；
28.图2是本发明实施例提供的一种连通域的示意图；
29.图3是本发明实施例提供的一种生成树的示意图；
30.图4是本发明实施例提供的一种mp特征提取的流程示意图；
31.图5是本发明实施例提供的一种ap特征提取的流程示意图；
32.图6是本发明实施例提供的另一种树木种群分类模型训练方法的流程示意图；
33.图7是本发明实施例提供的一种树木种群分类方法的流程示意图；
34.图8是本发明实施例提供的一种树木种群分类模型训练装置的结构示意图；
35.图9是本发明实施例提供的一种树木种群分类装置的结构示意图；
36.图10是本发明实施例提供的一种树木种群分类设备的结构示意图。
具体实施方式
37.下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
38.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
39.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
40.目前，现有的树木种群分布情况检测方法主要有人工检测、软件检测。其中，人工检测主要是植物学专家或者种植户使用肉眼和经验去判断树木不同种类的种群分布情况。软件检测主要是基于opencv等传统软件进行检测，或者借助第三方ai平台使用大量的数据进行训练识别模型，从而进行检测。
41.但是，人工检测依赖植物学专家或者种植户的经验，可能判断失误，存在误差，且要判断种群分布工程量巨大。软件检测主要调用opencv库函数，对树木种类检测上准确度较低，或者使用第三方ai平台，需要数以千计的训练图像进行训练，数据量少，标注难度大，需要专业人员标注相关数据，难以找到如此多的训练数据，且往往是针对单一树木种类，算力需求高，效率低，忽视种群整体的特征。
42.针对于此，本发明实施例提供了一种树木种群分类模型训练方法、树木种群分类方法、装置、设备和计算机可读存储介质。首先，本发明实施例的树木种群分类模型训练方法，通过分别提取训练图像的mp特征、ap特征，得到第一特征矩阵、第二特征矩阵；基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型，能够实现小样本训练分类模型，减少训练量，避免出现过拟合现象，而且该分类模型具有高度的专一性和灵活性。其次，本发明的树木种群分类方法能够基于该树木种群分类模型对待分类图像进行分类，得到树木种群分类结果，提高种群分类准确度。
43.下面结合附图对本发明实施例所提供的树木种群分类模型训练方法进行介绍。
44.图1是本发明实施例提供的一种树木种群分类模型训练方法的流程示意图。如图1所示，该树木种群分类模型训练方法100可以包括s110至s140。
45.s110，获取训练图像。
46.其中，训练图像可以是sar图像，可以是事先标注好的树木种群图像。作为一个示例，当需要分类多种树木种群时，可以对树木种群图像中的树木种群进行分类标注，进而获取训练图像。当需要分类一种树木种群时，可以将图像中的树木种群分为n类，基于在相同类中选取训练图像。
47.s120，提取训练图像的mp特征，得到训练图像的第一特征矩阵。
48.首先，可以对训练图像进行灰度化处理，得到灰度图像。其中，灰度图像可以看作是像素点矩阵，矩阵中的每一个元素都是灰度图像对应的像素点，元素的值是像素点的灰度值。
49.然后，可以基于灰度图像和预设结构元素进行开运算、闭运算，确定第三特征矩阵。具体地，可以基于灰度图像和预设结构元素进行开运算、闭运算，得到开运算矩阵和闭运算矩阵。其中，预设结构元素可以是蝶形、矩形、菱形等结构元素，可以包括至少一个，开运算矩阵和闭运算矩阵也可以分别包括至少一个，且数目与预设结构元素的数目一致。可以将灰度图像转换为第一向量，开运算矩阵转换为第二向量，闭运算矩阵转换为第三向量。其中，转换可以是指按照第一预设顺序(例如矩阵元素的先后顺序)进行重写，向量统一的可以是行向量或列向量。接着，可以对第一向量、第二向量和第三向量进行组合，对组合后的矩阵进行差分计算，得到第一差分矩阵。作为一个示例，可以按照第二预设顺序进行组合，例如，可以按照第二向量、第一向量、第三向量的先后顺序进行组合。其中，组合可以是指将m*n的矩阵与m*k的矩阵左右拼接，得到m*(n k)的矩阵，也可以是指将p*s的矩阵与r*s的矩阵上下拼接，得到(p r)*s的矩阵，其中，m、n、k、p、s、r都是正整数。然后，可以对第一差分矩阵、第二向量和第三向量进行组合，得到第三特征矩阵。作为一个示例，可以按照第三预设顺序进行组合，例如，可以按照第二向量、第一差分矩阵、第三向量的先后顺序进行组合。
50.另外，可以基于灰度图像和预设结构元素进行重构开运算、重构闭运算，确定第四特征矩阵。具体地，可以基于灰度图像和预设结构元素进行重构开运算、重构闭运算，得到重构开矩阵和重构闭矩阵。其中，重构开矩阵和重构闭矩阵可以分别包括至少一个，且数目与预设结构元素的数目一致。可以将灰度图像转换为第一向量，重构开矩阵转换为第四向量，重构闭矩阵转换为第五向量。接着，可以对第一向量、第四向量和第五向量进行组合，对组合后的矩阵进行差分计算，得到第二差分矩阵。作为一个示例，可以按照第四预设顺序进行组合，例如，可以按照第四向量、第一向量、第五向量的先后顺序进行组合。然后，可以对第二差分矩阵、第四向量和第五向量进行组合，得到第四特征矩阵。作为一个示例，可以按照第五预设顺序进行组合，例如，可以按照第四向量、第二差分矩阵、第五向量的先后顺序进行组合。
51.接着，对第三特征矩阵和第四特征矩阵进行组合，得到第一特征矩阵。作为一个示例，可以按照第六预设顺序进行组合，例如，可以按照第三特征矩阵在前，第四特征矩阵在后的顺序进行组合。
52.s130，提取训练图像的ap特征，得到训练图像的第二特征矩阵。
53.首先，可以对训练图像进行灰度化处理，得到灰度图像。
54.其次，可以基于灰度图像，确定灰度图像的多个连通域。具体地，可以将灰度图像的灰度值划分为多个灰度级。作为一个示例，可以取灰度级为第一预设数量，构建以灰度图像的最小灰度值开始，最大灰度值结束的灰度级的等差数列，等差数列中的灰度级个数为第一预设数量，可选地，按照灰度值大小，灰度级具有先后顺序。例如灰度图像的灰度值范围是0-31，则可以取灰度级为32个，可以得到0、1、2、3
…
31先后排列的32个灰度级，灰度值分别为0、1、2、3
…
31。接着，可以基于灰度图像和多个灰度级，生成多个逻辑矩阵，其中，一个逻辑矩阵与一个灰度级对应。作为一个示例，可以将每个灰度级的灰度值设为灰度阈值，得到第一预设数量的灰度阈值，并将灰度图像像素点的灰度值分别与每个灰度阈值进行对比，当灰度值不低于灰度阈值时，该像素点对应的矩阵元素为1，当灰度值低于灰度阈值时，该像素点对应的矩阵元素为0，进而可以得到与灰度级对应的第一预设数量的逻辑矩阵。然后，可以基于多个逻辑矩阵，确定多个连通域。作为一个示例，可以确定每个逻辑矩阵的4连通域，即每个灰度级对应的4连通域，选取像素点数目大于9的连通域并进行编号，然后得到多个连通域，且连通域之间存在基于生成树的关系。
55.作为一个示例，可以表示灰度级a对应的逻辑矩阵中的连通域b，其中，a、b为自然数。例如，表示灰度级0对应的逻辑矩阵中的连通域0，表示灰度级1对应的逻辑矩阵中的连通域0，表示灰度级1对应的逻辑矩阵中的连通域1。图2是本发明实施例提供的一种连通域的示意图，如图2所示，包括包括包括包括
56.再次，可以对每个连通域进行计算，得到每个连通域的ap特征。其中，ap特征可以包括以下选项中至少一项：像素点数目、标准差以及hu的一阶矩不变量等等。
57.接着，可以基于每个连通域，确定生成树。作为一个示例，可以基于每个连通域，在不同灰度级之间构建生成树，连通域对应生成树中的节点。例如，对于第二个灰度级对应的逻辑矩阵中的任一连通域c，父母节点就是第一个灰度级中的包含c的连通域，子节点就是第三个灰度级对应的逻辑矩阵中被c包含的所有连通域。
58.作为一个示例，可以根据图2中连通域的关系生成图3，图3是本发明实施例提供的一种生成树的示意图，如图3所示，是根节点，具有是根节点，具有子节点，节点具有子节点，节点具有子节点，节点具有子节点。
59.然后，可以基于每个连通域的ap特征、预设ap特征阈值、生成树和预设策略，确定第二特征矩阵。具体地，可以根据每个连通域的ap特征、预设ap特征阈值和生成树，对生成树进行剪枝。其中，预设策略可以选取以下选项中任意一项：min策略、max策略、direct策略、subtractive策略。min策略是指当x节点不满足条件时，则剪掉x节点及其所有后代节点；max策略是指当x节点的所有后代节点不满足条件时，才剪掉x节点；direct策略是指当x节点不满足条件时，只保留满足条件的子节点；subtractive策略是指当x节点不满足条件时，则剪掉x节点，并且使其后代节点灰度级降到x节点的灰度级上(换句话说，使x的后代节点连接x的父母节点)。可以理解，这里的条件可以是指连通域的ap特征满足预设ap特征阈
值，即生成树中节点的ap特征满足预设ap特征阈值。作为一个示例，每个ap特征可以选取至少一个预设ap特征阈值，可以基于每个连通域的ap特征、生成树、预设策略以及每个ap特征对应的至少一个预设ap特征阈值进行剪枝，得到每个预设ap特征阈值对应的剪枝结果，基于该剪枝结果，得到第二特征矩阵。如此可以在保持图像的连通性的同时去除冗余结点，达到图像完全细化的目的。
60.s140，基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型。
61.其中，支持向量机可以是c-支持向量机(c-support vector machine，c-svm)，支持向量机的核函数可以是高斯核函数、线性核函数、多项式核函数等等。可以基于支持向量机将特征矩阵映射到高维度，避免线性不可分的情况。
62.具体地，可以基于第一特征矩阵训练第一支持向量机，得到第一分类模型，基于第二特征矩阵训练第二支持向量机，得到第二分类模型，基于第一分类模型和第二分类模型，确定树木种群分类模型。作为一个示例，可以比对第一分类模型和第二分类模型的分类效果，选取效果较好的一方为树木种群分类模型。
63.在一些实施例中，可以将第一特征矩阵和第二特征矩阵进行组合，并训练第三支持向量机，得到树木种群分类模型。具体地，可以将第一特征矩阵和第二特征矩阵进行组合，得到第五特征矩阵，并基于第五特征矩阵训练第三支持向量机，得到树木种群分类模型。
64.本发明实施例的树木种群分类模型训练方法，通过分别提取训练图像的mp特征、ap特征，得到第一特征矩阵、第二特征矩阵；基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型，能够实现小样本训练分类模型，减少训练量，避免出现过拟合现象，而且该分类模型具有高度的专一性和灵活性。
65.图4是本发明实施例提供的一种mp特征提取的流程示意图，如图4所示，mp特征提取可以包括以下步骤：
66.步骤101、输入图像f，然后执行步骤102。
67.其中，图像f可以是经过灰度处理后的sar图像，这里是假定是780*700的灰度图像矩阵，即矩阵f。
68.步骤102、可以输入6个预设的蝶形结构元素，然后执行步骤103，107。
69.其中，半径阈值可以分别为5，7，9，13，17，21。
70.步骤103、可以基于矩阵f和6个预设的蝶形结构元素分别进行开运算、闭运算，得到6个780*700的开运算矩阵和6个780*700的闭运算矩阵。并把每个开运算矩阵、每个闭运算矩阵以及矩阵f按照矩阵元素的先后顺序转换为546000*1的列向量，然后执行步骤104。
71.步骤104、可以将6个开运算矩阵转换的546000*1的列向量、矩阵f转换的546000*1的列向量以及6个闭运算矩阵转换的546000*1的列向量进行组合，得到新矩阵a，然后执行步骤105。
72.其中，新矩阵a的组成为[56000*6，546000*1，56000*6]，对应着[开运算结果，f，闭运算结果]。其中，开运算结果是指6个开运算矩阵转换的546000*1的列向量，f是指矩阵f转换的546000*1的列向量，闭运算结果是指6个闭运算矩阵转换的546000*1的列向量。
[0073]
步骤105、可以计算新矩阵a的差分矩阵dmp1，然后执行步骤106。
[0074]
其中，dmp1为546000*12的矩阵。
[0075]
步骤106、可以将开运算结果、dmp1以及闭运算结果进行组合，得到特征矩阵a，然后执行步骤111。
[0076]
其中，特征矩阵a是56000*24的矩阵，对应着[开运算结果，dmp1，闭运算结果]。
[0077]
步骤107、可以基于矩阵f和6个预设的蝶形结构元素分别进行重构开运算、重构闭运算，得到6个780*700的重构开矩阵和6个780*700的重构闭矩阵。并把每个重构开矩阵、每个重构闭矩阵以及矩阵f按照矩阵元素的先后顺序转换为546000*1的列向量，然后执行步骤108。
[0078]
步骤108、可以将6个重构开矩阵转换的546000*1的列向量、矩阵f转换的546000*1的列向量以及6个重构闭矩阵转换的546000*1的列向量进行组合，得到新矩阵b，然后执行步骤109。
[0079]
其中，新矩阵b的组成为[56000*6，546000*1，56000*6]，对应着[重构开运算结果，f，重构闭运算结果]。其中，重构开运算结果是指6个重构开矩阵转换的546000*1的列向量，f是指矩阵f转换的546000*1的列向量，重构闭运算结果是指6个重构闭矩阵转换的546000*1的列向量。
[0080]
步骤109、可以计算新矩阵b的差分矩阵dmp2，然后执行步骤110。
[0081]
其中，dmp2为546000*12的矩阵。
[0082]
步骤110、可以将重构开运算结果、dmp2以及重构闭运算结果进行组合，得到特征矩阵b，然后执行步骤111。
[0083]
其中，特征矩阵b是56000*24的矩阵，对应着[重构开运算结果，dmp2，重构闭运算结果]。
[0084]
步骤111、可以将特征矩阵a与特征矩阵b进行组合，得到特征矩阵c。
[0085]
其中，特征矩阵c是56000*48的矩阵，对应着[特征矩阵a，特征矩阵b]。
[0086]
图5是本发明实施例提供的一种ap特征提取的流程示意图，如图5所示，ap特征提取可以包括以下步骤：
[0087]
步骤201、输入图像f，然后执行步骤202。
[0088]
其中，图像f是图4中的图像f。
[0089]
步骤202、可以取灰度级为32，构建以灰度图像的最小灰度值开始，最大灰度值结束的灰度级的等差数列，其中，等差数列中的灰度级个数为32，可以将每个灰度级的灰度值设为灰度阈值，得到32个灰度阈值，然后执行步骤203。
[0090]
步骤203、可以将灰度图像像素点的灰度值分别与每个灰度阈值进行对比，当灰度值不低于灰度阈值时，该像素点对应的矩阵元素为1，当灰度值低于灰度阈值时，该像素点对应的矩阵元素为0，进而可以得到与灰度级对应的32个逻辑矩阵，然后执行步骤204。
[0091]
步骤204、可以确定每个逻辑矩阵的4连通域，即每个灰度级对应的4连通域，选取像素点数目大于9的连通域并进行编号，然后得到多个连通域，且连通域之间存在基于生成树的关系，然后执行步骤205。
[0092]
步骤205、可以对每个连通域进行计算，得到每个连通域的ap特征，然后执行步骤206。
[0093]
其中，ap特征可以包括像素点数目、标准差以及hu的一阶矩不变量。
[0094]
206、设定ap特征阈值，然后执行步骤207。
[0095]
其中，每个ap特征可以选取16个ap特征阈值。
[0096]
步骤207、可以基于每个连通域的ap特征、生成树、subtractive策略以及每个ap特征对应的16个ap特征阈值进行剪枝，得到每个ap特征阈值对应的剪枝结果，然后执行步骤208。
[0097]
步骤208、基于剪枝结果，得到特征矩阵d。
[0098]
其中，特征矩阵d是56000*48的矩阵。
[0099]
图6是本发明实施例提供的另一种树木种群分类模型训练方法的流程示意图，如图6所示，该树木种群分类模型训练方法是在图4、图5的基础上开展的。其中，部分步骤相同，为了简洁，相同步骤在此不做赘述。还可以包括以下步骤：
[0100]
一方面，可以基于特征矩阵c训练第一支持向量机，得到第一分类模型，基于特征矩阵d训练第二支持向量机，得到第二分类模型，可以比对第一分类模型和第二分类模型的分类效果，选取效果较好的一方为树木种群分类模型。
[0101]
另一方面，可以将特征矩阵c和特征矩阵d进行组合，得到特征矩阵e，其中，特征矩阵e是56000*96的矩阵，对应着[特征矩阵c，特征矩阵d]。并基于特征矩阵e训练第三支持向量机，得到树木种群分类模型。
[0102]
基于本发明实施例的树木种群分类模型训练方法，本发明实施例还提供了一种树木种群分类方法，如图7所示，图7是本发明实施例提供的一种树木种群分类方法的流程示意图，该树木种群分类方法200可以包括s210至s220。
[0103]
s210，获取待分类图像。
[0104]
s210，基于树木种群分类模型对待分类图像进行分类，得到树木种群分类结果。
[0105]
其中，树木种群分类模型基于图1所述的树木种群分类模型训练方法得到。具体地，待分类图像可以经过与模型训练类似的预处理，然后输入到树木种群分类模型中进行识别，得到树木种群分类结果。
[0106]
本发明实施例的树木种群分类方法，能够基于该树木种群分类模型对待分类图像进行分类，得到树木种群分类结果，提高种群分类准确度。
[0107]
图8是本发明实施例提供的一种树木种群分类模型训练装置的结构示意图，如图8所示，该树木种群分类模型训练装置300可以包括：获取模块310、提取模块320、训练模块330。
[0108]
其中，获取模块310，用于获取训练图像。提取模块320，用于提取训练图像的mp特征，得到训练图像的第一特征矩阵。提取模块320还用于提取训练图像的ap特征，得到训练图像的第二特征矩阵。训练模块330，用于基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型。
[0109]
在一些实施例中，提取模块320具体用于：对训练图像进行灰度化处理，得到灰度图像，基于灰度图像和预设结构元素进行开运算、闭运算，确定第三特征矩阵，基于灰度图像和预设结构元素进行重构开运算、重构闭运算，确定第四特征矩阵，对第三特征矩阵和第四特征矩阵进行组合，得到第一特征矩阵。
[0110]
在一些实施例中，提取模块320具体用于：基于灰度图像和预设结构元素进行开运算、闭运算，得到开运算矩阵和闭运算矩阵，将灰度图像转换为第一向量，开运算矩阵转换
为第二向量，闭运算矩阵转换为第三向量，对第一向量、第二向量和第三向量进行组合，得到第一差分矩阵，对第一差分矩阵、第二向量和第三向量进行组合，得到第三特征矩阵。
[0111]
在一些实施例中，提取模块320具体用于：基于灰度图像和预设结构元素进行重构开运算、重构闭运算，得到重构开矩阵和重构闭矩阵，将灰度图像转换为第一向量，重构开矩阵转换为第四向量，重构闭矩阵转换为第五向量，对第一向量、第四向量和第五向量进行组合，得到第二差分矩阵，对第二差分矩阵、第四向量和第五向量进行组合，得到第四特征矩阵。
[0112]
在一些实施例中，提取模块320具体用于：对训练图像进行灰度化处理，得到灰度图像，基于灰度图像，确定灰度图像的多个连通域，对每个连通域进行计算，得到每个连通域的ap特征，基于每个连通域，确定生成树，基于每个连通域的ap特征、预设ap特征阈值、生成树和预设策略，确定第二特征矩阵。
[0113]
在一些实施例中，提取模块320具体用于：将灰度图像的灰度值划分为多个灰度级，基于灰度图像和多个灰度级，生成多个逻辑矩阵，其中，一个逻辑矩阵与一个灰度级对应，基于多个逻辑矩阵，确定多个连通域。
[0114]
在一些实施例中，训练模块330具体用于：基于第一特征矩阵训练第一支持向量机，得到第一分类模型，基于第二特征矩阵训练第二支持向量机，得到第二分类模型，基于第一分类模型和第二分类模型，确定树木种群分类模型。或者，将第一特征矩阵和第二特征矩阵进行组合，并训练第三支持向量机，得到树木种群分类模型。
[0115]
在一些实施例中，训练图像是sar图像。
[0116]
本发明实施例的树木种群分类模型训练装置，通过分别提取训练图像的mp特征、ap特征，得到第一特征矩阵、第二特征矩阵；基于第一特征矩阵和第二特征矩阵训练支持向量机，得到树木种群分类模型，能够实现小样本训练分类模型，减少训练量，避免出现过拟合现象，而且该分类模型具有高度的专一性和灵活性。
[0117]
可以理解的是，本发明实施例的树木种群分类模型训练装置300，可以对应于本发明实施例图1中的树木种群分类模型训练方法的执行主体，树木种群分类模型训练装置300的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图1的树木种群分类模型训练方法中的相应部分的描述，为了简洁，在此不再赘述。
[0118]
图9是本发明实施例提供的一种树木种群分类装置的结构示意图，如图9所示，该树木种群分类装置400可以包括：获取模块410、分类模块420。
[0119]
其中，获取模块410，用于获取待分类图像。分类模块420，用于基于树木种群分类模型对待分类图像进行分类，得到树木种群分类结果，其中，树木种群分类模型基于图1所示实施例所述的树木种群分类模型训练方法得到。
[0120]
可以理解的是，本发明实施例的树木种群分类装置400，可以对应于本发明实施例图7中的树木种群分类方法的执行主体，树木种群分类装置400的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图7的树木种群分类方法中的相应部分的描述，为了简洁，在此不再赘述。
[0121]
图10是本发明实施例提供的一种树木种群分类设备的硬件结构示意图。
[0122]
如图10所示，本实施例中的树木种群分类设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、中央
处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与树木种群分类设备500的其他组件连接。
[0123]
具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到树木种群分类设备500的外部供用户使用。
[0124]
在一个实施例中，图10所示的树木种群分类设备500包括：存储器504，用于存储程序，处理器503，用于运行存储器中存储的程序，以执行图1所示实施例提供的树木种群分类模型训练方法或图7所示实施例提供的树木种群分类方法。
[0125]
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时实现图1所示实施例提供的树木种群分类模型训练方法或图7所示实施例提供的树木种群分类方法。
[0126]
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
[0127]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(read-only memory，rom)、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0128]
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0129]
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。