本发明涉及农业图像处理，具体为一种基于多时序影像的东北农作物种植结构图像生成方法。
背景技术：
1、粮食安全问题一直是关系我国国计民生的重要问题。摸清农作物种植面积、分布是研究粮食生产、作物长势与估产的重要基础，也是落实耕地“非农化”、“非粮化”监测监管、耕地轮作休耕、粮食生产者补贴等措施的重要抓手。
2、遥感技术的快速发展，众多研究学者开展了农作物种植结构识别提取研究，利用modis、landsat、sentinel等中等分辨率卫星遥感影像开展的大区域农作物种植结构制图成果相继发布，由中国科学院空天信息研究院研发的全球农情遥感速报系统，以其及时、准确、连续的监测结果为国家重大决策提供了可靠的信息支持，一定程度上满足国家粮食安全和农业结构调整信息需求。但对于落实到地块的实际管理要求，在数据准确度、精细度上仍有较大差距。因此，导致现有农作物种植区域识别存在识别精准度低，进而导致生成的农作物种植结构图像不准确的问题。
技术实现思路
1、本发明的目的是：针对现有技术生成的农作物种植结构图像不准确的问题，提出一种基于多时序影像的东北农作物种植结构图像生成方法。
2、本发明为了解决上述技术问题采取的技术方案是：
3、一种基于多时序影像的东北农作物种植结构图像生成方法，包括以下步骤：
4、步骤一：针对同一种植区，分别获取该种植区苗期遥感影像、生长旺盛期遥感影像以及成熟期遥感影像；
5、步骤二：对苗期遥感影像中水稻图斑和非水稻图斑进行标记，得到苗期标记遥感影像，并以苗期遥感影像为输入，标记遥感影像为输出，训练苗期神经网络；
6、步骤三：对生长旺盛期遥感影像中水稻图斑、玉米图斑、大豆图斑及其他图斑进行标记，得到生长旺盛期标记遥感影像，并以生长旺盛期遥感影像为输入，生长旺盛期标记遥感影像为输出，训练生长旺盛期神经网络；
7、步骤四：对成熟期遥感影像中水稻图斑、玉米图斑、大豆图斑及其他图斑进行标记，得到成熟期标记遥感影像，并以成熟期遥感影像为输入，成熟期标记遥感影像为输出，训练成熟期神经网络；
8、步骤五：针对待处理种植区，分别获取该区域的苗期遥感影像、生长旺盛期遥感影像以及成熟期遥感影像；
9、步骤六：分别将步骤五中得到的苗期遥感影像、生长旺盛期遥感影像以及成熟期遥感影像，输入训练好的苗期神经网络、生长旺盛期神经网络以及成熟期神经网络，得到输出的苗期标记遥感影像、生长旺盛期标记遥感影像以及成熟期标记遥感影像；
10、步骤七：根据步骤六得到的苗期标记遥感影像、生长旺盛期标记遥感影像以及成熟期标记遥感影像中的图斑，生成农作物种植结构图像；
11、所述步骤七的具体步骤为：
12、步骤七一：分别获取步骤六中得到的苗期标记遥感影像、生长旺盛期标记遥感影像以及成熟期标记遥感影像中标记的图斑，即三期影像图斑；
13、步骤七二：获取三期影像图斑中，任意两期中水稻图斑的重合部分，记为水稻种植范围图像；
14、步骤七三：获取成熟期标记遥感影像中的玉米图斑，以及成熟期标记遥感影像中的其他图斑和生长旺盛期标记遥感影像中的玉米图斑的重合部分，并以得到的玉米图斑和重合部分作为玉米种植范围图像；
15、步骤七四：获取生长旺盛期标记遥感影像中的大豆图斑，并在大豆图斑中删除水稻种植范围和玉米种植范围后，得到大豆种植范围图像；
16、步骤七五：水稻种植范围、玉米种植范围以及大豆种植范围之外的部分，即为其他区域图像；
17、步骤七六：将水稻种植范围图像、玉米种植范围图像、大豆种植范围图像以及其他区域图像，进行栅格计算，得到农作物分类栅格图像，即农作物种植结构图像。
18、进一步的，所述步骤一的具体步骤为：
19、步骤一一：针对待处理种植区，即目标区域，获取目标区域的最小外接圆；
20、步骤一二：获取步骤一一中最小外接圆的最小外接正方形，正方形的边长为l个像素；
21、步骤一三：以最小外接正方形的中心点作为样本区域的中心点，以地理坐标的北方为方向，得到正方形的样本区域，所述样本区域的边长为512×2n，
22、步骤一四：分别获取样本区域的苗期遥感影像、生长旺盛期遥感影像以及成熟期遥感影像。
23、进一步的，所述方法还包括步骤八，所述步骤八的具体步骤为：
24、步骤八一：依次对农作物种植结构图像中，水稻种植范围图像的像素、玉米种植范围图像的像素、大豆种植范围图像的像素以及其他区域图像的像素进行膨胀、收缩处理；
25、步骤八二：基于步骤八一处理后的农作物种植结构图像，在农作物种植结构图像中设置一条交互线，即l0，使l0穿过至少两个种植类别图像；
26、步骤八三：获取l0的起始点和末尾点的像素坐标；
27、步骤八四：基于l0的起始点和末尾点的像素坐标，以l0为基线，得到l0在x或y方向截距的1/3，作为固定像素距离，之后以固定像素距离分别向上、向下各做n条平行线作为辅助线，即l1、l2、l3、l4……ln；
28、步骤八五：获取交互线最小外接矩形范围内水稻种植范围图像、玉米种植范围图像、大豆种植范围图像以及其他区域图像的边界线，并计算所有辅助线与每条边界线的所有交点，进而得到每条边界线对应的交点集；
29、步骤八六：基于每条边界线对应的交点集，通过最小二乘法对交点集进行线性拟合，形成切割线，即y＝kx+b，其中，k为切割线的斜率，b为切割线在y方向上的截距，切割线的斜率k表示为：
30、
31、其中，xi为交点pi的x坐标值，yi为交点pi的y坐标值，n为交点个数；
32、切割线在y方向上的截距b表示为：
33、
34、步骤八七：根据步骤八六，得到所有切割线，并利用所有切割线，切割交互线所穿过的种植范围图像，并将农作物的分类属性赋值到切割后的图像中，进而得到边界优化后的农作物种植结构图像。
35、进一步的，所述农作物的分类属性包括水稻、玉米、大豆的作物类型及编码。
36、进一步的，所述水稻种植范围图像表示为：
37、range(rice)＝{f(r)∩s(r),f(r)∩t(r),s(r)∩t(r)}
38、其中，range(rice)表示水稻种植范围图像，f(r)表示苗期水稻图斑，s(r)表示生长旺盛期水稻图斑，t(r)表示成熟期水稻图斑。
39、进一步的，所述玉米种植范围图像表示为：
40、range(corn)＝{t(c),s(c)∩t(o)}
41、其中，range(corn)表示玉米种植范围图像，t(c)表示成熟期玉米图斑，s(c)表示生长旺盛期玉米图斑，t(o)表示成熟期其他图斑。
42、进一步的，所述大豆种植范围图像表示为：
43、range(soybean)＝{s(s)-range(rice)-range(corn)}
44、其中，range(soybean)表示大豆种植范围图像，s(s)表示生长旺盛期大豆图斑。
45、进一步的，所述其他区域图像表示为：
46、range(other)＝{range-range(rice)-range(corn)-range(soybean)}
47、其中，range(other)表示其他区域图像。
48、本发明的有益效果是：
49、本技术利用深度全卷积神经网络模型提升单期农作物的影像解译效果，采用多时序智能解译结果的规则组合，有效避免了鲜食玉米、旱播水稻的影响，大幅度提升农作物种植区域识别结果的准确性，进而提升了生成的农作物种植结构图像的准确性。采用图像膨胀-收缩组合和优化图斑边界方法，有效提升农作物种植结构图像图斑边界的可靠性。
1.一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于所述步骤一的具体步骤为：
3.根据权利要求2所述的一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于所述方法还包括步骤八，所述步骤八的具体步骤为：
4.根据权利要求3所述的一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于所述农作物的分类属性包括水稻、玉米、大豆的作物类型及编码。
5.根据权利要求1所述的一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于所述水稻种植范围图像表示为：
6.根据权利要求5所述的一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于所述玉米种植范围图像表示为：
7.根据权利要求6所述的一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于所述大豆种植范围图像表示为：
8.根据权利要求7所述的一种基于多时序影像的东北农作物种植结构图像生成方法，其特征在于所述其他区域图像表示为：
