(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210124549.6 (22)申请日 2022.02.10 (71)申请人 湖北地信科技 集团股份有限公司 地址 430000 湖北省武汉市武汉东湖新 技 术开发区高新大道980号北斗大厦七 层 (72)发明人 皇永波　蔡为　钟静　王波　 王均浩　郭明强　曹威　黄颖　 林畅　赵保睿　柯剑　但唐明　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 马帅 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/44(2022.01)G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于改进多维向量相似度模型植物识别方 法、 装置及设备 (57)摘要 本发明公开了一种基于改进多维向量相似 度模型植物识别方法、 装置及设备， 包括： 选 择植 物种植研究区和样本点； 下载Sentinel ‑2影像进 行大气校正和拼接裁剪处理， 处理完成后批量计 算NDVI； 用拟合分析算法对时序的NDVI进行重 构， 消除云雾影响， 并提取植被长势曲线。 用样本 点和长势曲线， 提取植物的长势特征时间， 用长 势特征时间提取相应时相的NDVI和红边波段， 使 用波段合成重构成新的多波 段影像数据， 根据样 本点提取波段合成影像的多维向量， 计算样本点 平均向量和向量相似度阈值， 再使用合成影像的 像元向量构建改进的添加异常值权重的多维向 量相似度模型， 逐像元提取植物的种植范围。 本 发明有益效果是： 有效降低了植物 提取算法复杂 度， 保证了植物提取的精度。 权利要求书3页 说明书8页 附图3页 CN 114581788 A 2022.06.03 CN 114581788 A 1.一种基于改进 多维向量相似度模型植物 识别方法， 其特 征在于： 包括以下步骤： S1、 获取一年连续12个月的Sentinel ‑2号卫星传感器 的地表反射率一级产品影像， 并 进行大气校正， 得到校正后的遥感影 像； S2、 根据研究区实际位置或行政区范围， 利用矢量完成对校正后的遥感影像的拼接和 裁剪， 得到待处 理遥感影 像； S3、 计算待处 理遥感影 像的归一 化植物指数NDVI， 并根据时间顺序组成时序NDVI； S4、 使用目视解释的方法， 对待处理遥感影像中的目标植物进行样本采集， 得到样本 点； S5、 对时序NDVI进行长势分析， 并根据样本点获得目标植物长势周期内长势 曲线的所 有波峰和波谷的日期Ti； S6、 根据日期Ti提取对应时相待处理遥感影像的红边波段， 并将该红边波段与 Ti时相的 时序NDVI进行波段合成处 理， 得到波段合成影 像； 根据样本点提取波段合成影像的像元向量， 使用聚类方法对样本点进行提纯， 去 除错 误样本点， 并将 样本点分为训练样本和验证样本； S7、 计算训练样本所有样本点的平均向量与训练样本的单个样本点向量的相似度， 并 将所有相似度求取平均值， 得到平均相似度； 以平均相似度作为多维向量相似度模型 的相 似度阈值； 计算样本点的样本向量与所有样本点的平均向量之间的相似度， 获取最小相似度； S8、 使用波段合成影像的像元向量和所有样本点平均向量逐像元计算相似度， 并与样 本点的最小相似度和相似度阈值进行比较分析， 将大于相似度阈值的识别为 目标植物， 小 于最小相似度的判为其他植物或地物， 在最小相似度和阈值之间的视为异常相似度， 并计 算异常值权 重； S9、 对处于异常相似度的像元向量， 使用相似度阈值、 多维向量相似度， 和异常值权重， 构建加权重因子的多维向量相似度模型识别异常值范围内的植物种类， 并对分类识别后的 植物进行精度验证。 2.如权利要求1所述的一种基于改进多维向量相似度模型植物识别方法， 其特征在于： 步骤S3中使用pytho n和gdal库批量计算得到归一 化植物指数NDVI。 3.如权利要求1所述的一种基于改进多维向量相似度模型植物识别方法， 其特征在于： 步骤S5中所述长势分析， 采用NDVI时间序列分析模型提取植被的长势特征； 所述NDVI时间 序列分析模型模型公式如下：权　利　要　求　书 1/3 页 2 CN 114581788 A 2上式(1)中， t表示时间， A0为谐波余项， L表示时间序列f(t)的长度， ωn为各谐波的频 率， θn为第n个谐波的初相位， An为谐波的振幅。 4.如权利要求1所述的一种基于改进多维向量相似度模型植物识别方法， 其特征在于： 步骤S7中所述多维向量相似度模型的相似度ri计算公式如下： 上式(2)中， ri为第i个样本向量与平均向量的相似度， xi为变量x在第i点的向量， 为变 量x的平均向量， yi为变量y在第i点的向量， 为变量y的平均向量； 使用训练样本 集N提取波 段合成影像上的像元向量αi， 并计算训练样本ni的平均向量 使用公式(2)计算相似度ri， 并计算ri的平均值 作为多维向量相似度模型的相似度阈值。 5.如权利要求4所述的一种基于改进多维向量相似度模型植物识别方法， 其特征在于： 步骤S8具体为： 遍历波段合成影像的像元向量βi与植物训练样本的平均向量 使用公式 (2)计算相似度ri， 筛选出相似度的最小值rmin， 判断ri与 和rmin的大小关系， 将大于 的识 别为目标植物， 将小于rmin的识别为其他类型植物和地物， 如果ri在 之间则使用改 进的带有异常值权 重的相似度模型识别植物种类， 其中异常值权 重的计算公式如下： 6.如权利要求5所述的一种基于改进多维向量相似度模型植物识别方法， 其特征在于： 步骤S9中对处于 之间的rj， 使用相似度阈值、 多维向量相似度， 异常值权重， 构建加 异常值权 重的多维向量相似度模型， 模型公式如下：权　利　要　求　书 2/3 页 3 CN 114581788 A 3