基于模型提取植被冠层孔隙度的方法、装置、设备及介质

1.本技术涉及生态学研究技术领域，具体而言，涉及一种基于模型提取植被冠层孔隙度的方法、装置、设备及介质。


背景技术：

2.植被冠层孔隙度是森林冠层结构参数之一，在森林冠层孔隙度的分析计算中，叶面积指数、冠层覆盖度是分析计算中非常重要的参数，是研究植被冠层结构、分析生态系统、建立生态环境模型的基本参量，植被冠层结构是一个很直观的群落外观可视化指标,不仅影响植被截获太阳辐射的程度,还影响到诸如风速、空气温湿度、土壤蒸发量、土壤温度等气候特征,从而调节植物与环境的相互作用,对生态系统物质、能量交换,生物多样性,气候变化等具有重要的影响；目前对植被冠层孔隙度的提取主要是利用地面数字半球摄影的方式获取植被冠层半球图像，再利用计算机图像阈值处理技术(如大津法，阈值分割法)将图像的植被部分和天空部分进行区别，从而通过计算图片灰度值的数量和比值确定孔隙度，由于图片灰度值很容易受环境干扰而产生偏移，冠层孔隙度的计算误差较大，提取精度低。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种基于模型提取植被冠层孔隙度的方法，将分辨率为512
×
512像素的图像输入到全卷积神经网络生成对抗网络的模型中，通过对抗网络可以使图像超分辨率为2048
×
2048像素，有效还原图像的细节，能够深层次的识别图像中的植被特征和背景特征，从而更加精准的计算出植被冠层图像孔隙度。
4.第一方面，本技术实施例提供了一种基于模型提取植被冠层孔隙度的方法，所述方法包括：
5.根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像；
6.根据图像标注工具对所述第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集；
7.基于随机旋转方式和随机亮度方式，对所述植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集；
8.将所述增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型；
9.将第二目标植被冠层图像输入到所述目标像元二分模型中进行分析，得到预测植被冠层图像，其中，所述第一目标植被冠层图像与所述第二目标植被冠层图像为相同分辨率的图像，且所述第二目标植被冠层图像由植被和背景组成的图像；
10.针对所述预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度。
11.结合第一方面，本技术实施例提供了第一方面的第一种可能的实施方式，其中，根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像之前，还包括：
12.获取植被冠层半球图像，所述植被冠层半球图像由背景像素和植被像素组成；
13.根据数学仿真计算软件对所述植被冠层半球图像的像素值进行灰度化处理，得到植被冠层灰度图像；
14.根据图像裁剪算法对所述植被冠层灰度图像中的目标区域进行裁剪处理，得到待测量植被冠层图像，其中，所述目标区域为植被和背景的重叠区域。
15.结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第二种可能的实施方式，其中，根据图像标注工具对所述第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集，包括：
16.响应技术人员操作请求，基于图像标注工具对所述第一目标植被冠层图像的每个像素值进行对象检测，得到植被像素和背景像素的目标特征对象；
17.根据图像标注工具分别对所述目标特征对象所对应的所述植被像素和所述背景像素进行目标标注，得到植被图像数据集。
18.结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本技术实施例提供了第一方面的第三种可能的实施方式，其中，基于随机旋转方式和随机亮度方式，对所述植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集，包括：
19.按照如下公式对所述植被图像数据集中图片的坐标进行旋转处理,得到变换角度后的第一样本集：
[0020][0021]
按照如下公式在所述第一样本集的图片像素值上随机叠加一个值，得到所述增强图像数据集：
[0022][0023]
其中，[x y 1]表示植被图像数据集中图片原点的原始坐标，[x＇y＇1]表示植被图像数据集中图片的旋转坐标，1表示通道号，θ表示随机旋转任意角度；当植被图像数据集中图片随机旋转一个角度时，经过矩阵相乘，将原始坐标转换成旋转坐标；α表示第一样本集亮度的变化系数，f(x)表示输入时像素的灰度值，f
′
(x)表示输出时像素的灰度值，0到255表示像素值范围；如果在第一样本集的图片像素值上叠加一个正值，则增加亮度，如果在第一样本集的图片上叠加的像素值是负值，则降低亮度。
[0024]
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本技术实施例提供了第一方面的第四种可能的实施方式，其中，将所述增强图像数据集的特征向量输入
到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型，包括：
[0025]
根据对抗网络的图像语义分割法对所述增强图像数据集中图片的每个像素点进行采样，得到每个像素点对应的目标特征图；
[0026]
将所述目标特征图的特征向量输入到植被冠层反射模型中进行四个阶段全连接层循环训练，得到目标像元二分模型。
[0027]
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本技术实施例提供了第一方面的第五种可能的实施方式，其中，将所述第二目标植被冠层图像输入到所述目标像元二分模型中进行分析，得到预测植被冠层图像，包括：
[0028]
利用阈值分割法对所述第二目标植被冠层图像中每个像素的灰度值进行二值化处理，得到包含0和1的二值化图像，其中，0表示植被，1表示背景；
[0029]
通过移动窗口对所述二值化图像的灰度值和所述第二目标植被冠层图像的亮度值进行比较，得到最小亮度差值，所述最小亮度差值作为预定阈值；
[0030]
根据所述预设阈值，对所述第二目标植被冠层图像进行分类，得到二值化分类图像；
[0031]
根据超分辨率算法对所述二值化分类图像中孤立像素点和凹陷像素点进行去除处理，得到由植被和背景组成的预测植被冠层图像。
[0032]
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本技术实施例提供了第一方面的第六种可能的实施方式，其中，针对所述预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度，包括：
[0033]
沿镜头边缘对所述预测植被冠层图像进行分割，得到一个同心圆环图像，其中，所述同心圆环图像与一个角度为90/n的视角区域相对应；
[0034]
根据同心圆环图像的背景像素和植被像素的数量，按照如下公式，计算在不同的可视角度下所述同心圆环图像的植被冠层孔隙度：
[0035][0036]
其中，t(θ)表示天顶角为θ可视角度下的植被的孔隙度，nv(θ)表示视角区域中植被的总像素数量，nb(θ)表示视角区域中背景的总像素数量。
[0037]
第二方面，本技术实施例还提供了一种基于模型提取植被冠层孔隙度的装置，所述装置包括：
[0038]
获取模块，用于根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像；
[0039]
标注模块，用于根据图像标注工具对所述第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集；
[0040]
增强模块，用于基于随机旋转方式和随机亮度方式，对所述植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集；
[0041]
训练模块，用于将所述增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型；
[0042]
分析模块，用于将第二目标植被冠层图像输入到所述目标像元二分模型中进行分析，得到预测植被冠层图像，其中，所述第一目标植被冠层图像与所述第二目标植被冠层图像为相同分辨率的图像，且所述第二目标植被冠层图像由植被和背景组成的图像；
[0043]
提取模块，用于针对所述预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度。
[0044]
第三方面，本技术实施例还提供了一种计算机设备，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计算机程序，所述处理器执行所述计算机程序时实现的基于模型提取植被冠层孔隙度的方法步骤。
[0045]
第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如基于模型提取植被冠层孔隙度的方法步骤。
[0046]
本技术实施例提供的基于模型提取植被冠层孔隙度的方法、装置及系统，与现有技术通过计算图像的灰度值对图像进行图像特征分割相比，本方案基于全卷积神经网络生成对抗网络的模型对植被冠层半球图像的数据集进行模型训练后，根据训练好的模型清晰的识别植被和背景，从而更加精准的计算出植被冠层图像孔隙度；根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像；根据图像标注工具对第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集；基于随机旋转方式和随机亮度方式，对植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集；将增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型；将第二目标植被冠层图像输入到目标像元二分模型中进行分析，得到预测植被冠层图像；针对预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度。具体来说，本方案中从拍摄的植被冠层半球图像中选取目标区域作为待测量植被冠层图像，并对待测量植被冠层图像进行分辨率压缩，得到分辨率为512
×
512像素第一目标植被冠层图像，经多次试验该分辨率图像相比于高分辨率图像提高模型测量和运算速度，从而提高图像处理效率，然后对第一目标植被冠层图像进行旋转和亮度增强处理，得到增强图像数据集，经过处理后的图像更清晰，利于后续的特征提取，再将增强图像数据集的特征向量输入到全卷积神经网络生成对抗网络的模型中进行模型训练后，根据训练好的模型识别图像中更深层次的植被和背景特征，实现特征的精准分割，从而更加精准的计算出植被冠层图像孔隙度。
[0047]
为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0048]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0049]
图1示出了本技术实施例所提供的基于模型提取植被冠层孔隙度的方法流程示意
图。
[0050]
图2示出了本技术实施例所提供的另一种基于模型提取植被冠层孔隙度的方法中对目标特征对象进行目标标注的流程示意图。
[0051]
图3示出了本技术实施例所提供的基于模型提取植被冠层孔隙度的方法中确定增强图像数据集中的流程示意图。
[0052]
图4示出了本技术实施例所提供的基于模型提取植被冠层孔隙度的方法中对目标特征图进行模型训练的流程示意图。
[0053]
图5示出了本技术实施例所提供的基于模型提取植被冠层孔隙度的方法中得到分类的预测植被冠层图像的流程示意图。
[0054]
图6示出了本技术实施例所提供的基于模型提取植被冠层孔隙度的方法中计算植被冠层孔隙度的流程示意图。
[0055]
图7示出了本技术实施例所提供的基于模型提取植被冠层孔隙度的装置的结构示意图。
[0056]
图8示出了本技术实施例所提供的一种计算机设备的结构示意图。
具体实施方式
[0057]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0058]
考虑到利用全卷积神经网络能够清晰识别图像中更深层次的植被和背景特征，基于此，本技术实施例提供了一种基于模型提取植被冠层孔隙度的方法，下面通过实施例进行描述。
[0059]
图1示出了本技术实施例所提供的一种基于模型提取植被冠层孔隙度的方法流程示意图；如图1所示，具体包括以下步骤：
[0060]
步骤s10，根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像。
[0061]
步骤s10在具体实施时，在对待检测植被冠层图像进行分辨率压缩处理之前，还需要在天气晴朗或者日照充足环境下通过超高清相机预设参数部署鱼眼摄像头，以180度视觉角为基准，使鱼眼镜头中心轴正对天顶角，同时保证方位角测量正确，从下往上拍摄植被冠层半球图像，再对拍摄到的植被冠层半球图像进行灰度化处理，得到植被冠层灰度图像，选取植被冠层灰度图像中目标区域，该目标区域作为待测量植被冠层图像，根据图像压缩算法将待测量植被冠层图像的像素分辨率压缩成512
×
512，得到第一目标植被冠层图像，由于像素分辨率为2048
×
2048、1938
×
1938等过高分辨率图像在测量时需要巨量的计算资源，不利于后续模型的训练。
[0062]
步骤s20，根据图像标注工具对第一目标植被冠层图像中的植被像素和背景像素
进行目标标注，得到植被图像数据集。
[0063]
步骤s20在具体实施时，响应技术人员操作请求，根据图像标注工具以人工方式，对第一目标植被冠层图像中的目标特征进行目标类别检测，确定目标类别对象，并分别对目标类别对象中的植被像素和背景图像标注上关键点，得到植被图像数据集。
[0064]
步骤s30，基于随机旋转方式和随机亮度方式，对所述植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集。
[0065]
步骤s30在具体实施时，基于随机旋转函数，在植被图像数据集中的图片的宽度方向，从左往右顺时针对该图片进行旋转，得到变换角度后的第一样本集，基于随机亮度函数在变换角度后的第一样本集的图片上叠加一个像素值，该像素值对植被图像数据集中的图片进行亮度增强，得到增强图像数据集；其中，该像素值的取值范围为0到255之间。
[0066]
步骤s40，将增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型。
[0067]
步骤s40在具体实施时，根据语义分割法对增强图像数据集中图片的每个像素点进行采样，使用数据分析工具对每个像素点进行统计分析，得到像素点对应的目标特征图，并对目标特征图的特征向量输入到对抗网络预设的植被冠层反射模型中进行四个阶段全连接层循环训练，得到目标像元二分模型。
[0068]
步骤s50，将第二目标植被冠层图像输入到目标像元二分模型中进行分析，得到预测植被冠层图像，其中，第一目标植被冠层图像与第二目标植被冠层图像为相同分辨率的图像，且第二目标植被冠层图像是由植被和背景组成的分类图像。
[0069]
步骤s50在具体实施时，获取第二目标植被冠层图像，这里在天气晴朗或者日照充足环境下通过超高清相机预设参数部署鱼眼摄像头，以180度视觉角为基准，使鱼眼镜头中心轴正对天顶，同时保证方位角测量正确，从下往上拍摄植被冠层半球图像，再对拍摄到的植被冠层半球图像进行灰度化处理，得到植被冠层灰度图像，从植被冠层灰度图像中选取指定目标区域，该目标区域作为待测量植被冠层图像，然后，根据图像压缩算法将待测量植被冠层图像的像素分辨率压缩成512
×
512，得到第二目标植被冠层图像；根据第二目标植被冠层图像中每个像素的灰度值进行二值化处理，得到二值化图像，根据二值化图像的预设阈值对第二目标植被冠层图像中每个像素值进行分类，得到二值化分类图像，再根据超分辨率算法对二值化分类图像中植被像素和背景像素的孤立像素点和凹陷像素点进行去除处理，得到由植被和背景组成的预测植被冠层图像。
[0070]
步骤s60，针对预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度。
[0071]
步骤s60在具体实施时，根据目标像元二分模型中分割算法沿镜头边缘对预测植被冠层图像进行图像分割，得到一个同心圆环图像，利用图像处理技术，按照预设公式，根据同心圆环图像中背景像素的数量和植被像素的数量，计算不同的可视角度下植被冠层孔隙度，这里的预测植被冠层图像的可视角度范围为180度，不同的可视角度以同心圆环图像中心坐标轴里的横轴和纵轴所形成的视角区域，我们这里分别根据第一象限和第二象限的视角区域内计算植被冠层孔隙度。
[0072]
在一个可行的实现方案中，上述步骤s10中，根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像之前，还包括：
[0073]
步骤01，获取植被冠层半球图像，植被冠层半球图像由背景像素和植被像素组成。
[0074]
步骤02，根据数学仿真计算软件对植被冠层半球图像的像素值进行灰度化处理，得到植被冠层灰度图像。
[0075]
步骤03，根据图像裁剪算法对植被冠层灰度图像中的目标区域进行裁剪处理，得到待测量植被冠层图像，其中，目标区域为植被和背景的重叠区域。
[0076]
步骤s01、s02、s03在具体实施时，基于超高清相机选取带有十字交叉点的马赛克标准面，基于马赛克基准面的垂直轴线部署鱼眼镜头，以180度视觉角为基准，使鱼眼镜头中心轴正对天顶角，同时保证方位角测量正确，从下往上拍摄植被冠层半球图像，根据数学仿真计算软件的灰度变换函数将植被冠层半球图像上每个像素值对应的rgb色彩分量进行灰度化处理，得到grb色彩分量全部相等的植被冠层灰度图像，再根据图像裁剪算法按矩形提取工具从植被冠层灰度图像中选取目标区域，该目标区域作为待测量植被冠层图像，目标区域为植被和背景的重叠区域，然后根据图像压缩算法将待测量植被冠层图像的像素分辨率压缩成512
×
512，得到第一目标植被冠层图像。
[0077]
在一个可行的实现方案中，图2示出了本技术实施例所提供的一种基于模型提取植被冠层孔隙度的方法中对目标特征对象进行目标标注的流程示意图；上述步骤s20中，根据图像标注工具对第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集，包括：
[0078]
步骤s201，响应技术人员操作请求，基于图像标注工具对第一目标植被冠层图像的每个像素值进行对象检测，得到植被像素和背景像素的目标特征对象。
[0079]
步骤s202，根据图像标注工具分别对目标特征对象所对应的植被像素和背景像素进行目标标注，得到植被图像数据集。
[0080]
步骤s201、s202在具体实施时，基于图像标注工具选取第一目标植被冠层图像，点击多边形标注窗口对第一目标植被冠层图像的每个像素值进行对象检测，分别得到植被像素和背景像素的目标特征对象，根据图像标注工具分别对目标特征对象对应的植被像素和背景像素进行标签名称的目标标注，标注后得到植被图像数据集。
[0081]
在一个可行的实现方案中，图3示出了本技术实施例所提供的一种基于模型提取植被冠层孔隙度的方法中确定增强图像数据集的流程示意图；上述步骤s30中，基于随机旋转方式和随机亮度方式，对植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集，包括：
[0082]
步骤s301，按照如下公式对植被图像数据集中图片的坐标进行旋转处理,得到变换角度后的第一样本集：
[0083][0084]
步骤s302，按照如下公式在第一样本集的图片的像素值上随机叠加一个值，得到增强图像数据集：
[0085][0086]
步骤s301、s302在具体实施时，先根据植被图像数据集中图片的属性提取四边形，在将植被图像数据集中图片平移到原点，按照随机旋转公式，绕着原点对植被图像数据集中图片随机旋转一个任意角度θ，经过矩阵相乘该植被图像数据集中图片的原始坐标[x y 1]转换旋转植被图像数据集中图片的旋转坐标[x＇ y＇ 1]，得到变换角度后的第一样本集；然后在按照随机亮度公式，在第一样本集的图片原像素的灰度值f(x)上叠加一个亮度变化系数α，如果在第一样本集的图片像素值上叠加一个正值，则增加亮度，如果在第一样本集的图片上叠加的像素值是负值，则降低亮度，输出像素的灰度值f
′
(x)，即得到增强图像数据集。
[0087]
在一个可行的实现方案中，图4示出了本技术实施例所提供的一种基于模型提取植被冠层孔隙度的方法中对目标特征图进行模型训练的流程示意图；上述步骤s40中，将增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型，包括：
[0088]
步骤s401，根据对抗网络的图像语义分割法对增强图像数据集中图片的每个像素点进行采样，得到每个像素点对应的目标特征图。
[0089]
步骤s402，将目标特征图的特征向量输入到植被冠层反射模型中进行四个阶段全连接层循环训练，得到目标像元二分模型。
[0090]
步骤s401、s402在具体实施时，根据对抗网络中植被冠层反射模型的反卷积层，采样语义分割算法对增强图像数据集中图片的每个像素进行采样，针对每个像素点生成一个目标特征图，将目标特征图固定长度的特征向量输入到植被冠层反射模型进行第一卷积层模型推算，得到目标特征图二分之一大小的图像，再对二分之一大小的图像进行第二卷积层模型推算，得到目标特征图四分之一大小的图像，继续对四分之一大小的图像进行第三卷积层模型推算，得到目标特征图八分之一大小的图像，依次再对八分之一大小的图像进行第四卷积层模型推算，得到目标特征图十六分之一大小的图像，最后再对十六分之一大小的图像进行第五卷积层模型推算，得到目标特征图三十二分之一大小的图像，训练完成后对目标特征图三十二分之一大小的图像进行32倍上采样，还原目标特征图原始图像大小，得到训练好的目标像元二分模型。
[0091]
在一个可行的实现方案中，图5示出了本技术实施例所提供的一种基于模型提取植被冠层孔隙度的方法中得到分类的预测植被冠层图像的流程示意图；上述步骤s50中，将第二目标植被冠层图像输入到目标像元二分模型中进行分析，得到预测植被冠层图像，包括：
[0092]
步骤s501，利用阈值分割法对第二目标植被冠层图像中每个像素的灰度值进行二值化处理，得到包含0和1的二值化分类图像，其中，0表示植被，1表示背景。
[0093]
步骤s502，通过移动窗口对二值化图像的灰度值和所述第二目标植被冠层图像的亮度值进行比较，得到最小亮度差值，最小亮度差值作为预定阈值。
[0094]
步骤s503，根据预设阈值，对第二目标植被冠层图像进行分类，得到二值化分类图
像。
[0095]
步骤s504，根据超分辨率算法对二值化分类图像中孤立像素点和凹陷像素点进行去除处理，得到由植被和背景组成的预测植被冠层图像。
[0096]
步骤s501、s502、s503、s504在具体实施时，根据第二目标植被冠层图像中每个像素的灰度值进行二值化处理，得到二值化图像，通过滑动窗口在二值化图像和第二植被冠层图像之间移动，在每次移动窗口时，获取移动窗口中二值化图像的灰度值和第二植被冠层图像的亮度值，并对二值化图像的灰度值和第二植被冠层图像亮度值进行比较，得到最小亮度差值作为设定阈值，根据预设阈值对第二目标植被冠层图像中每个像素值进行分类，得到二值化分类图像，再根据超分辨率算法对二值化分类图像中植被像素和背景像素的孤立像素点和凹陷像素点进行去除处理，得到由植被和背景组成的预测植被冠层图像，其中，孤立像素点和凹陷像素点为介于黑与白之间的灰，其中，基于全卷积神经网络到对抗网络中的目标像元二分模型对第二目标植被冠层图像进行分割，能够精准分割预测植被冠层图像中的植被和背景特征。
[0097]
在一个可行的实现方案中，图6示出了本技术实施例所提供的一种基于模型提取植被冠层孔隙度的方法中计算植被冠层孔隙度的流程示意图；上述步骤s60中，针对预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度，包括：
[0098]
步骤s601，沿镜头边缘对预测植被冠层图像进行分割，得到一个同心圆环图像，其中，同心圆环图像与一个角度为90/n的视角区域相对应。
[0099]
步骤s602，根据同心圆环图像的背景像素和植被像素的数量，按照如下公式，计算在不同的可视角度下同心圆环图像的植被冠层孔隙度：
[0100][0101]
步骤s601、s602在具体实施时，根据目标像元二分模型中分割算法沿镜头边缘对预测植被冠层图像进行图像分割，得到一个同心圆环图像，该同心圆环图像的天顶角预测植被冠层图像的天顶角，同心圆环图像的可视角范围180度，不同的可视角度以同心圆环图像中心坐标轴里的横轴和纵轴所形成的视角区域，视角区域包含0度-90度的第一象限区域和90度-180度的第一象限区域，对同心圆环图像的背景像素和植被像素的数量进行采样，分别统计视角区域中植被的总像素数量和背景的总像素数量，按照孔隙度计算公式，在不同的可视角度下计算同心圆环图像的植被冠层孔隙度，根据不同视角区域的同心圆环图像的植被冠层孔隙度，还可以进一步计算植被冠层孔隙度的平均值，该平均值作为整体植被冠层孔隙度。
[0102]
图7示出了本技术实施例所提供的一种基于模型提取植被冠层孔隙度的装置70结构示意图，如图7所示，该装置包括：
[0103]
获取模块701，用于根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像；
[0104]
标注模块702，用于根据图像标注工具对第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集；
[0105]
增强模块703，用于基于随机旋转方式和随机亮度方式，对植被图像数据集中的图
片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集；
[0106]
训练模块704，用于将增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型；
[0107]
分析模块705，用于将第二目标植被冠层图像输入到目标像元二分模型中进行分析，得到预测植被冠层图像，其中，第一目标植被冠层图像与第二目标植被冠层图像为相同分辨率的图像，且第二目标植被冠层图像由植被和背景组成的图像；
[0108]
提取模块706，用于针对预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度。
[0109]
上述装置在具体实施时，在对待检测植被冠层图像进行分辨率压缩处理之前，还需要在天气晴朗或者日照充足环境下通过超高清相机预设参数部署鱼眼摄像头，以180度视觉角为基准，使鱼眼镜头中心轴正对天顶角，同时保证方位角测量正确，从下往上拍摄植被冠层半球图像，再对拍摄到的植被冠层半球图像进行灰度化处理，得到植被冠层灰度图像，选取植被冠层灰度图像中目标区域，该目标区域作为待测量植被冠层图像，根据图像压缩算法将待测量植被冠层图像的像素分辨率压缩成512
×
512，得到第一目标植被冠层图像，由于像素分辨率为2048
×
2048、1938
×
1938等过高分辨率图像在测量时需要巨量的计算资源，不利于后续模型的训练；响应技术人员操作请求，根据图像标注工具以人工方式，对第一目标植被冠层图像中的目标特征进行目标类别检测，确定目标类别对象，并分别对目标类别对象中的植被像素和背景图像标注上关键点，得到植被图像数据集；基于随机旋转函数，在植被图像数据集中的图片的宽度方向，从左往右顺时针对该图片进行旋转，得到变换角度后的第一样本集，再基于随机亮度函数在变换角度后的第一样本集的图片上叠加一个像素值进行亮度增强，得到增强图像数据集；其中，该像素值的取值范围为0到255之间；根据语义分割法对增强图像数据集中图片的每个像素点进行采样，使用数据分析工具对每个像素点进行统计分析，得到像素点对应的目标特征图，并对目标特征图的特征向量输入到对抗网络预设的植被冠层反射模型中进行四个阶段全连接层循环训练，得到目标像元二分模型；获取第二目标植被冠层图像，这里在天气晴朗或者日照充足环境下通过超高清相机预设参数部署鱼眼摄像头，以180度视觉角为基准，使鱼眼镜头中心轴正对天顶，同时保证方位角测量正确，从下往上拍摄植被冠层半球图像，再对拍摄到的植被冠层半球图像进行灰度化处理，得到植被冠层灰度图像，从植被冠层灰度图像中选取指定目标区域，该目标区域作为待测量植被冠层图像，然后，根据图像压缩算法将待测量植被冠层图像的像素分辨率压缩成512
×
512，得到第二目标植被冠层图像；根据第二目标植被冠层图像中每个像素的灰度值进行二值化处理，得到二值化图像，根据二值化图像的预设阈值对第二目标植被冠层图像中每个像素值进行分类，得到二值化分类图像，再根据超分辨率算法对二值化分类图像中植被像素和背景像素的孤立像素点和凹陷像素点进行去除处理，得到由植被和背景组成的预测植被冠层图像。
[0110]
对应于图1中的基于模型提取植被冠层孔隙度方法，本技术实施例还提供了一种计算机设备80，图8，如图8所示，该设备包括存储器801、处理器802及存储在该存储器801上并可在该处理器802上运行的计算机程序，其中，上述处理器802执行上述计算机程序时实现上述的方法。
[0111]
根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像；
[0112]
根据图像标注工具对第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集；
[0113]
基于随机旋转方式和随机亮度方式，对植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集；
[0114]
将增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型；
[0115]
将第二目标植被冠层图像输入到目标像元二分模型中进行分析，得到预测植被冠层图像，其中，第一目标植被冠层图像与第二目标植被冠层图像为相同分辨率的图像，且第二目标植被冠层图像由植被和背景组成的图像；
[0116]
针对预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度。
[0117]
对应于图1中的基于模型提取植被冠层孔隙度方法，本技术实施例还提供了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，该计算机程序被处理器运行时执行以下步骤：
[0118]
根据图像压缩算法对待测量植被冠层图像的分辨率进行压缩处理，得到第一目标植被冠层图像；
[0119]
根据图像标注工具对第一目标植被冠层图像中的植被像素和背景像素进行目标标注，得到植被图像数据集；
[0120]
基于随机旋转方式和随机亮度方式，对植被图像数据集中的图片进行旋转，得到变换角度后的第一样本集，并对变换角度后的第一样本集进行亮度增强处理，得到增强图像数据集；
[0121]
将增强图像数据集的特征向量输入到对抗网络预设的植被冠层反射模型中进行模型训练，得到目标像元二分模型；
[0122]
将第二目标植被冠层图像输入到目标像元二分模型中进行分析，得到预测植被冠层图像，其中，第一目标植被冠层图像与第二目标植被冠层图像为相同分辨率的图像，且第二目标植被冠层图像由植被和背景组成的图像；
[0123]
针对预测植被冠层图像，根据不同的可视角度提取植被冠层孔隙度。
[0124]
基于上述分析可知，与传统方式通过计算图像的灰度值对图像进行图像特征分割相比，本技术实施例提供的一种基于模型提取植被冠层孔隙度的方法由于全卷积神经网络不适宜对高分辨率的图像进行特征提取，需要将拍摄的植被冠层半球图像中选取目标区域作为待测量植被冠层图像，并对待测量植被冠层图像进行分辨率压缩，得到分辨率为512
×
512像素的第一目标植被冠层图像，将分辨率为512
×
512像素的图像输入到全卷积神经网络生成对抗网络的模型中，通过对抗网络训练可以使图像超分辨率为2048
×
2048像素，有效还原图片的细节，识别图像中更深度的植被和背景特征，从而更加精准的计算出植被冠层图像孔隙度。
[0125]
经多次试验该分辨率图像相比于高分辨率图像提高模型测量和运算速度，从而提高图像处理效率，然后对第一目标植被冠层图像进行旋转和亮度增强处理，得到增强图像
数据集，经过处理后的图像更清晰，利于后续的特征提取，再将增强图像数据集的特征向量输入到全卷积神经网络生成对抗网络的模型中进行模型训练后，根据训练好的模型识别图像中更深度的植被和背景特征，实现特征的精准分割，通过从而更加精准的计算出植被冠层图像孔隙度。
[0126]
本技术实施例所提供的数据分析装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本技术实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
[0127]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0128]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0129]
另外，在本技术提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0130]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0131]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0132]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围。都应涵盖在本技术的保护范围之内。