基于激光雷达与遥感影像的单株树冠提取方法及系统

1.一种基于激光雷达与遥感影像的单株树冠提取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：在深度神经网络yolotree中引入注意机制，注意机制用于增强卷积神经网络的性能，注意机制将一些通道重塑为批量维度，并将其划分为多个子特征组，给定具有c个通道的输入特征图分成g组，每组包含c/g通道；每个子特征具有相同的空间维度，允许在每个子特征组内学习不同的语义表示。

3.根据权利要求2所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：采用三个并行的子网络来提取分组特征图的注意力权重；两个平行分支位于1×1分支中，重新校准每个并行分支的通道权重，并进一步聚合两个并行分支的输出特征以捕捉像素级配对关系。

4.根据权利要求3所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：对于分组特征图其中h和w分别是高度和宽度，1x1分支的输出首先被分别全局平均汇集，全局平均汇集沿特定维度的空间位置对整个特征图进行平均，将来自每个通道的信息转换成向量；然后对其进行1×1卷积运算以产生新的特征向量。

5.根据权利要求4所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：根据权利要求1所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：利用权重矩阵来重新加权原始输入特征图，调整每个通道和空间位置的响应值。

6.根据权利要求5所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：在组合通道特征之后，联合激活加权和组合两个空间注意力图以生成最终输出特征图；最终输出特征图保留了输入特征图的维度，并包含个更丰富的空间和通道信息。

7.根据权利要求6所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：

8.根据权利要求7所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：将来自每个通道的信息转换成向量的方法：当沿水平维度进行全局平均汇集时，每个通道的信息被转换成沿垂直维度的一组平均值，从而汇总沿垂直维度的位置信息；当沿着垂直维度执行全局平均汇集时，将其转换为沿着水平维度捕捉位置信息，确保每个通道的信息包含沿着水平维度的位置信息。

9.根据权利要求8所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于：深度神经网络yolotree包括主干网络、颈部网络以及头部网络，所述主干网络包括依次连接的第一卷积层一、第二卷积层一、第一特征整合层一、第三卷积层一、第二特征整合层一、第四卷积层一、第三特征整合层一、第五卷积层一、第四特征整合层一、空间金字塔池化层；所述颈部网络包括依次连接的第一上采样层、第一拼接层、第一特征整合层二、第二上采样层、第二拼接层、第二特征整合层二、第一卷积层二、第三拼接层、第三特征整合层二、第二卷积层二、第四拼接层、第四特征整合层二，所述空间金字塔池化层的输出端分别与第一上采样层的输入端、第四拼接层的输入端连接，所述第三特征整合层一的输出端与第一拼接层的输入端连接，所述第二特征整合层一的输出端与第二拼接层的输入端连接，所述第一特征整合层二的输出端与第三拼接层的输入端连接，所述第二拼接层的输出端与第三特征整合层二的输入端连接，所述第一上采样层的输出端与第二卷积层二的输入端连接；所述头部网络包括目标分类单元、边界盒回归单元和置信度评估单元，所述目标分类单元包括第一分类模块一和第二分类模块一，所述第一分类模块一包括依次连接的第一卷积三一、第一二维卷积一、第一边界框损失模块，所述第二分类模一块包括依次连接的第二卷积三一、第二二维卷积一、第一类别损失模块，所述第二特征整合层二的输出端分别与与第一卷积三一的输入端、第二卷积三一的输入端连接；所述边界盒回归单元包括第一回归模块二和第二回归模块二，所述第一回归模块二包括依次连接的第一卷积三二、第一二维卷积二、第一边界框损失模块，所述第二分类模二块包括依次连接的第二卷积三二、第二二维卷积二、第二类别损失模块，所述第三特征整合层二的输出端分别与与第一卷积三二的输入端、第二卷积三二的输入端连接；所述置信度评估单元包括第一回归模块三和第二回归模块三，所述第一回归模块三包括依次连接的第一卷积三三、第一二维卷积三、第三边界框损失模块，所述第二分类模三块包括依次连接的第二卷积三三、第二二维卷积三、第三类别损失模块，所述第四特征整合层二的输出端分别与与第一卷积三三的输入端、第二卷积三三的输入端连接。

10.一种基于激光雷达与遥感影像的单株树冠提取系统，用于实现权利要求1所述基于激光雷达与遥感影像的单株树冠提取方法，其特征在于，包括采集模块、特征提取模块、单株树冠高度提取模块以及树冠体积计算模块，其中：