本发明属于高光谱成像，更具体的，涉及一种基于高光谱成像技术识别高寒草原优势种分布的监测方法。
背景技术：
1、高寒草原是我国重要的生态系统之一，其独特的生态环境和丰富的生物多样性对维持区域生态平衡和气候调节具有重要意义。然而，近年来由于气候变化和人类活动的影响，高寒草原生态系统面临着草原退化、生物多样性减少等严重问题。及时、准确地监测高寒草原上植物的分布情况，对于了解和保护这一生态系统至关重要。目前，高寒草原植被监测主要依赖于传统的地面调查和遥感技术。地面调查方法包括样方调查和样线调查，尽管能够提供详细的植物种类信息，但其工作量大、成本高且覆盖范围有限。遥感技术，尤其是多光谱成像技术，已被广泛应用于植被监测。多光谱成像可以通过几个特定波段的反射光来分析植被状况，具有覆盖范围广、数据获取迅速的优势。
2、高光谱成像技术是遥感技术的前沿发展，其特点是能够获取从可见光到近红外多个波段的连续光谱信息，形成高光谱数据立方体。这使得高光谱成像能够捕捉到植物在细微光谱差异上的信息，能够更准确地识别和分类不同的植物种类。尽管高光谱成像技术在植被监测中展示了巨大的潜力，但在实际应用中仍存在一些挑战和缺陷：(1)数据处理复杂：高光谱数据量大，数据处理和分析需要强大的计算能力和专业的分析算法，增加了技术门槛和成本。(2)光谱混合效应：由于地面植被的复杂性，高光谱数据中的光谱混合效应可能导致不同植物种类的光谱特征重叠，影响分类精度。(3)环境因素影响：高寒草原环境复杂多变，云层、光照变化等环境因素对高光谱成像数据的获取和处理造成干扰，需要进行复杂的预处理和校正。
3、尽管高光谱成像技术在监测高寒草原植被分布方面具有巨大的潜力，但其在数据处理复杂性、光谱混合效应、环境因素干扰和地面验证等方面仍存在显著的挑战。解决这些问题将是未来研究和应用的重点，以实现更加准确和高效的高寒草原植被监测。
技术实现思路
1、为解决现有技术中存在的不足，本发明的目的在于解决上述缺陷，进而提出一种基于高光谱成像技术识别高寒草原优势种分布的监测方法。
2、本发明采用如下的技术方案。
3、本发明第一方面公开了一种基于高光谱成像技术识别高寒草原优势种分布的监测方法，所述方法包括：
4、在高寒草原的监测区域内选取待监测区域，并根据数据库中已有的典型优势种确定所述待监测区域内的典型优势植物种类；
5、通过飞行设备搭载高光谱成像设备在所述待监测区域上空进行航测获取所述待监测区域的高光谱图像，并对所述高光谱图像进行预处理，以满足模型训练要求；
6、通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量；
7、将所述纹理特征向量和梯度特征向量进行拼接处理，得到所述高光谱图像的特征向量，并基于多个所述特征向量构建支持向量机模型的训练数据集和测试数据集，对所述支持向量机模型进行训练，得到分类模型；
8、获取当前高光谱图像，并将所述当前高光谱图像作为所述分类模型的输入，以调用所述分类模型对所述当前高光谱图像进行监测，输出所述当前高光谱图像中监测对象所属的类别；
9、其中，每个所述高光谱图像对应的所述特征向量的维数为所述高光谱图像的纹理特征向量与梯度特征向量的维数总和。
10、进一步的，所述通过飞行设备搭载高光谱成像设备在所述待监测区域上空进行航测获取所述待监测区域的高光谱图像，并对所述高光谱图像进行预处理，以满足模型训练要求，包括：
11、去除所述高光谱图像中的色彩信息，并将所述高光谱图像转化为相应的灰度图；
12、对转化为灰度图的所述高光谱图像中的像素进行数值表示，并将所述数值进行归一化处理；
13、其中，设所述高光谱图像中的一个像素用v个光谱值表示为[s1,s2,…,sv]，转化为所述灰度图后，所述像素则通过数值s表示，表达式为：
14、
15、
16、式中，s为像素数值，v为光谱值个数，v为波长，εv为像素对应的权重值，m和n为所述高光谱图像的长和宽，pij_v为波长v下(i,j)位置处像素点的灰度值，(i,j)为对应像素点在高光谱图像中的位置坐标，p'ij_v为波长v下(i,j)位置处9个相邻像素点的平均灰度值；
17、所述归一化处理的表达式为：
18、s＝s/smax；
19、式中，smax为所述高光谱图像中像素数值s的最大值。
20、进一步的，所述通过飞行设备搭载高光谱成像设备在所述待监测区域上空进行航测获取所述待监测区域的高光谱图像，并对所述高光谱图像进行预处理，以满足模型训练要求，还包括：
21、对所述高光谱图像进行尺寸标准化处理，并基于所述高光谱图像的灰度图，通过对应维度的数组对所述高光谱图像进行表征，得到所述高光谱图像的图像数组；以及
22、将所述高光谱图像进行随机裁剪，并对裁剪后的所述高光谱图像进行随机角度旋转，得到多个子高光谱图像，并将所述多个子高光谱图像补入所述支持向量机模型的训练数据集。
23、进一步的，所述通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量，包括：
24、获取定义的gabor函数，以通过所述定义的gabor函数计算所述高光谱图像中的每个gm数组，并将所述gm数组与图像数组im进行卷积计算，得到多个卷积结果，所述卷积结果为所述高光谱图像中的纹理特征数组；
25、对多个所述纹理特征数组中的所有元素进行绝对值求和，得到多个绝对值求和数值，并将所述多个绝对值求和数值组成一个向量，得到所述纹理特征向量；
26、其中，所述定义的gabor函数为：
27、
28、式中，x和y为对应像素点在高光谱图像中的位置坐标，g(x，y)为定义的(x，y)位置像素点的gabor函数，λ,φ,σ,γ分别为(x，y)位置像素点的波长、相位偏移、标准差以及纵横比。
29、进一步的，所述通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量，还包括：
30、获取所述高光谱图像的边缘信息，并计算所述图像数组im的梯度数组dm，所述梯度数组dm为所述图像数组im相邻的元素作差并取绝对值得到的；
31、遍历所述梯度数组dm中的所有元素，并基于每个元素与设定阈值之间的大小比较结果对所述梯度数组dm进行二值处理，得到所述高光谱图像的边缘数组sm。
32、进一步的，所述通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量，还包括：
33、基于所述边缘数组sm获取定义的梯度函数，并根据所述梯度函数获取梯度函数y＝x时对应的em数组，所述梯度函数包括直线函数和圆形函数；
34、通过所述em数组对所述边缘数组sm进行窗口滑动卷积，得到卷积结果数组cm，并对所述卷积结果数组cm中所有元素的绝对值进行求和，以将所述卷积结果数组cm中所有元素的绝对值进行求和的结果组成一个向量，得到所述梯度特征向量。
35、进一步的，所述将所述纹理特征向量和梯度特征向量进行拼接处理，得到所述高光谱图像的特征向量，并基于多个所述特征向量构建支持向量机模型的训练数据集和测试数据集，对所述支持向量机模型进行训练，得到分类模型，包括：
36、将所述训练数据集和测试数据集导入sklearn相关库，对所述支持向量机模型初始化，并以线性函数作为所述支持向量机模型的核函数；
37、以所述训练数据集中高光谱图像的特征向量作为所述支持向量机模型的输入，并以所述特征向量对应的对象所属类别作为所述支持向量机模型的输出，对所述支持向量机模型进行训练；以及
38、基于所述测试数据集中高光谱图像的特征向量和特征向量对应的对象所属类别对训练后的所述支持向量机模型进行测试，以提高训练后的所述支持向量机模型的预测精度，得到所述分类模型。
39、本发明第二方面公开了一种基于高光谱成像技术识别高寒草原优势种分布的监测装置，所述装置包括：
40、监测区域选取模块，用于在高寒草原的监测区域内选取待监测区域，并根据数据库中已有的典型优势种确定所述待监测区域内的典型优势植物种类；
41、图像预处理模块，用于通过飞行设备搭载高光谱成像设备在所述待监测区域上空进行航测获取所述待监测区域的高光谱图像，并对所述高光谱图像进行预处理，以满足模型训练要求；
42、特征提取模块，用于通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量；
43、模型训练模块，用于将所述纹理特征向量和梯度特征向量进行拼接处理，得到所述高光谱图像的特征向量，并基于多个所述特征向量构建支持向量机模型的训练数据集和测试数据集，对所述支持向量机模型进行训练，得到分类模型；
44、实时监测模块，用于获取当前高光谱图像，并将所述当前高光谱图像作为所述分类模型的输入，以调用所述分类模型对所述当前高光谱图像进行监测，输出所述当前高光谱图像中监测对象所属的类别；
45、其中，每个所述高光谱图像对应的所述特征向量的维数为所述高光谱图像的纹理特征向量与梯度特征向量的维数总和。
46、本发明第三方面公开了一种终端，包括处理器及存储介质；其特征在于：
47、所述存储介质用于存储指令；
48、所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
49、本发明第四方面公开了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，该程序被处理器执行时实现第一方面所述方法的步骤。
50、本发明的有益效果在于，与现有技术相比，本发明具有以下优点：
51、通过在高寒草原的监测区域内选取待监测区域，并根据数据库中已有的典型优势种确定待监测区域内的典型优势植物种类，随后通过飞行设备搭载高光谱成像设备在待监测区域上空进行航测获取待监测区域的高光谱图像，并对高光谱图像进行预处理，以满足模型训练要求。然后，通过gabor滤波器提取高光谱图像的纹理特征，并基于该高光谱图像中的边缘信息提取高光谱图像的梯度特征，以获取高光谱图像的纹理特征向量和梯度特征向量。再将纹理特征向量和梯度特征向量进行拼接处理，得到高光谱图像的特征向量，并基于得到的多个特征向量构建支持向量机模型的训练数据集和测试数据集，对支持向量机模型进行训练，得到分类模型。最后，调用该分类模型对当前高光谱图像进行监测，输出当前高光谱图像中监测对象所属的类别。该方法通过对高光谱图像中纹理特征和梯度特征向量的提取，结合支持向量机模型训练得到的分类模型来对高寒草原上的植被分布进行实时或定期监测，来确定植被分布的所属种类，实现了更加准确和高效的高寒草原植被监测。
1.一种基于高光谱成像技术识别高寒草原优势种分布的监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于高光谱成像技术识别高寒草原优势种分布的监测方法，其特征在于，所述通过飞行设备搭载高光谱成像设备在所述待监测区域上空进行航测获取所述待监测区域的高光谱图像，并对所述高光谱图像进行预处理，以满足模型训练要求，包括：
3.根据权利要求2所述的基于高光谱成像技术识别高寒草原优势种分布的监测方法，其特征在于，所述通过飞行设备搭载高光谱成像设备在所述待监测区域上空进行航测获取所述待监测区域的高光谱图像，并对所述高光谱图像进行预处理，以满足模型训练要求，还包括：
4.根据权利要求3所述的基于高光谱成像技术识别高寒草原优势种分布的监测方法，其特征在于，所述通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量，包括：
5.根据权利要求4所述的基于高光谱成像技术识别高寒草原优势种分布的监测方法，其特征在于，所述通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量，还包括：
6.根据权利要求5所述的基于高光谱成像技术识别高寒草原优势种分布的监测方法，其特征在于，所述通过gabor滤波器提取所述高光谱图像的纹理特征，并基于所述高光谱图像中的边缘信息提取所述高光谱图像的梯度特征，以获取所述高光谱图像的纹理特征向量和梯度特征向量，还包括：
7.根据权利要求6所述的基于高光谱成像技术识别高寒草原优势种分布的监测方法，其特征在于，所述将所述纹理特征向量和梯度特征向量进行拼接处理，得到所述高光谱图像的特征向量，并基于多个所述特征向量构建支持向量机模型的训练数据集和测试数据集，对所述支持向量机模型进行训练，得到分类模型，包括：
8.一种基于高光谱成像技术识别高寒草原优势种分布的监测装置，其特征在于，所述装置包括：
9.一种终端，包括处理器及存储介质；其特征在于：
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
