CN103620381B - 植物种类识别装置以及方法 - Google Patents
植物种类识别装置以及方法 Download PDFInfo
- Publication number
- CN103620381B CN103620381B CN201280030019.XA CN201280030019A CN103620381B CN 103620381 B CN103620381 B CN 103620381B CN 201280030019 A CN201280030019 A CN 201280030019A CN 103620381 B CN103620381 B CN 103620381B
- Authority
- CN
- China
- Prior art keywords
- data
- floristics
- reference light
- pixel
- light modal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及识别植物种类的植物种类识别装置,具备:基准数据存储部,其存储以植物种类以及包括向阳部分以及背阴部分的区域区划进行了分类的表示反射率光谱的特征的基准光谱数据;数据输入部,其取得成为对象的高光谱数据;判断部,其按上述高光谱数据的每个像素,从基准数据存储部确定与该像素的反射率光谱的特征最类似的基准光谱数据,以确定的基准光谱数据的分类为基础,来判断该像素的植物种类。
Description
技术领域
本发明涉及利用来自卫星、航空器的遥测的植被调查中的植物种类的识别技术。
背景技术
在以外的植被调查方法中主要存在2种方法。第一调查方法是识别者走遍现场,以肉眼观察来判别现场的状况的方法。第二调查方法是识别者使用从卫星、航空器等拍摄到的照片、图像进行判别的方法(遥测)。这些方法分别单独或者组合地使用。
第二调查方法的遥测所使用的传感器以前是全色(黑白),但最近变化成多光谱(彩色),专家(识别者)通过辨认多光谱的照片、图像来进行植被的识别。
另外,最近,基于GIS(Geographic Information System:地理信息系统)的植被图制作成为主流。在GIS中,使用标准植被指标(NDVI:Normalized Difference Vegetation Index)作为表示预先准备的各植物种类的树冠形状、颜色的基准信息,对以摄像机、传感器拍摄到的图像进行图案匹配,由此识别植物种类。
另外,近年来,搭载能够计测以往的多光谱的10倍以上的光带的高光谱传感器的卫星(卫星名:EO-1(传感器名:Hyperion)、卫星名:PROBA(传感器名:CHRIS))作为地球环境卫星等被发射,也利用高光谱传感器进行计测。通过使用高光谱传感器而得的信息量与多光谱相比显著地提高。另外,航空器搭载型的高光谱传感器也被正在开发,在包括环境、农业领域的各种领域被开始应用。
而且,作为树种判别的以往手法,公知有将表示森林现况的图像数据分为小班区划,对图像数据的各小班区划的树种进行判别的手法。另外,公知有以树种的分析适当时期为基础取得多个光带数据,并生成对各光带数据的亮度值设定上下限值的各树种的对象提取映射表对各树种的NDVI进行屏蔽处理,来提取树种分布的手法。
另外,公知有如下手法:将从上空拍摄到的森林的图像数据的亮度值以峰和谷进行平坦化,对平坦化过的图像数据的亮度值的空间变化进行区域分割而求出树冠形状及其纹理特征量,以已知的树冠的纹理特征量为基础来判断树种的手法。
专利文献1:日本特开2010-086276号公报
专利文献2:日本特开2006-085517号公报
专利文献3:日本特开2006-285310号公报
通过使用近年来开发的高光谱传感器(高光谱摄像机)取得信息,而能够取得比以往的多光谱传感器更多的信息。
通过高光谱传感器获得的高光谱数据具有包括图像的每个坐标(每一个像素)的波长信息和光强度信息的光谱数据,可以说是在作为图像的二维要素结合作为光谱数据的要素而得的三维结构的数据。因此,通过将高光谱数据与成为基准的NDVI进行比较,也能够进行植物种类的分类。
但是,植物的高光谱数据与以往的多光谱数据相比精度高,所以基于取得状况的变化较大,基准数据的操作变得重要。例如,根据数据的取得时间段、时期(季节)植物的光谱数据也发生变化。在以往的多光谱数据中,通过使用与取得比较对象的时间(季节)一致的基准数据,或对数据进行标准化能够进行修正。
但是,在高光谱数据中,与多光谱相比以更致密的光带采集数据,所以在太阳光照到的向阳部分和由于其它的叶、枝变阴的背阴部分之间光谱也不同。因此,即使进行基于已知的最大值标准化的强度修正,可见光区域和近红外区域中的透过性也不同,所以即使对向阳部分和背阴部分的光谱进行修正也不会一致。
因此,在植被调查等中,使用高光谱数据识别植物种类的情况下,对于背阴部分无法正确地对植物种类进行分类,背阴部分被未分类或者被误识别为其他植物。因此,其结果,在半自动的植物种类的识别处理中,存在植被分类的精度会降低这样的问题。
另外,在通过来自地面、极低空的计测得到的高光谱数据中,由于1个像素小所以很少成为问题,但在从人造卫星、较高高度拍摄到的高光谱数据的情况下,包含有与向阳部分和背阴部分混在一起的区域对应的像素。因此,产生使用向阳部分、背阴部分的光谱数据也无法判断植物种类这样的问题。
发明内容
本发明的目的在于提供一种在使用高光谱数据来识别植物种类的情况下,根据包括向阳部分和背阴部分的数据也能够适当识别植物种类的装置、方法以及程序。
作为本发明的一方式公开的植物种类识别装置是识别植物种类的植物种类识别装置,具有:基准数据存储部,其存储以植物种类以及包括向阳部分和背阴部分的区域区划进行了分类的表示反射率光谱的特征的基准光谱数据;数据输入部,其取得成为对象的高光谱数据;判断部,其按上述高光谱数据的每个像素,从基准数据存储部确定与该像素的反射率光谱的特征最类似的基准光谱数据,以确定的基准光谱数据的分类为基础,判断该像素的植物种类。
根据公开的植物种类识别装置,在高光谱数据中包括向阳部分和背阴部分的情况下,不会如以往那样依赖于熟练的判断者的经验,就能够容易地识别植物种类。
附图说明
图1是表示一实施例的植物种类识别装置的构成例的图。
图2是表示一实施例的基准数据存储部所存储的基准光谱数据的例子的图。
图3是表示在一实施例的区域区划包含混合部分的情况下的基准光谱数据的例子的图。
图4是表示一实施例的植物种类识别装置的概要处理流程例的图。
图5是表示反射率光谱数据的奇异点的例子的图。
图6是表示基准光谱数据的数值组的例子的图。
图7是表示各植物种类的基准光谱数据的数值组的具体例的图。
图8是类似向量的比较的示意图。
图9是表示在一具体的处理例中,在植被调查对象地从地面拍摄到的高光谱数据(高光谱图像)的例子的图。
图10是表示在一具体的处理例中,基于判断结果对同种的植物进行了映射的图像数据例的图。
图11是植物种类识别装置的硬件构成图。
具体实施方式
以下,对作为本发明的一方式公开的植物种类识别装置进行说明。
图1是表示一实施例的植物种类识别装置的构成例的图。
植物种类识别装置1被输入由高光谱传感器、高光谱摄像机取得的识别对象的高光谱数据(高光谱图像数据),对识别对象的植物种类进行识别。
植物种类识别装置1具备:基准数据存储部11、数据输入部12、判断部13、以及基准数据生成部14。
基准数据存储部11存储按植物种类以及区域区划进行分类的反射率光谱数据亦即基准光谱数据。
植物种类是成为识别对象的植物的种类。
区域区划是根据来自光源(太阳等)的光照的程度而分类的区域的区划,包括表示光照的区域的向阳部分、和被其他叶、枝遮阴的区域的背阴部分。另外,区域区划包括表示向阳部分和背阴部分混在一起的区域的混合部分。混合部分的基准光谱数据由后述的基准数据生成部14生成,并保存在基准数据存储部11中。
数据输入部12输入由高光谱传感器、高光谱摄像机取得的高光谱数据2。
对所输入的高光谱数据2的反射率光谱数据来说,优选针对高光谱的波长的值为相对反射率、最大值标准化相对反射率等值。
判断部13针对所输入的高光谱数据2的各像素,从基准数据存储部11所存储的基准光谱数据,确定与该像素的反射率光谱数据的特征最合适的基准光谱数据,以确定出的基准光谱数据的分类(植物种类以及区域区划)为基础,判断所取出的像素的植物种类、或者植物种类以及区域区划的组。判断部13作为判断结果,输出对高光谱数据2的图像上的各像素的判断结果(植物种类、植物种类以及区域区划)进行了映射而得的图像数据3。
判断部13能够将适合的基准光谱数据通过以下的2种判断方法进行。
作为第一判断方法,判断部13从基准数据存储部11所存储的各基准光谱数据提取奇异点,求出通过规定的多个运算式运算出的数值组。然后,判断部13按从高光谱数据2取出的每个像素,从该像素的反射率光谱数据提取奇异点,求出通过相同的运算式运算出的数值组,对像素的数值组和各基准光谱数据的数值组分别进行比较,确定具有最类似的数值组的基准光谱数据。
或者,作为第二判断方法,判断部13求出基准数据存储部11所存储的各基准光谱数据的特征向量。然后,判断部13求出从高光谱数据2取出的像素的反射率光谱数据的特征向量,对像素的光谱数据的特征向量和各基准光谱数据的特征向量分别进行比较,确定具有最类似的特征向量的基准光谱数据。
基准数据生成部14将是相同的植物种类且区域区划为向阳部分以及背阴部分的基准光谱数据(反射率光谱数据)作为示教数据,预测向阳部分以及背阴部分以规定的比例混在一起的区域的反射率光谱数据。基准数据生成部14将预测出的反射率光谱数据作为是相同的植物种类并且区域区划为混合部分的基准光谱数据添加到基准数据存储部11。基准数据生成部14适当地改变向阳部分和背阴部分混在一起的比例,而能够预测针对任意的比例的混合部分的基准光谱数据。
图2是表示基准数据存储部11所存储的基准光谱数据的例子的图。
图2所示的例子表示植物种类为红松的基准光谱数据的2个区域区划,即向阳部分和背阴部分的反射率光谱数据。在图2所示的反射率光谱数据中,向阳部分(表示为“向阳”)的相对反射率的值以黑色圆绘制,背阴部分(表示为“背阴”)的相对反射率的值以黑色三角绘制。
图3是表示在区域区划包含混合部分的情况下的基准光谱数据的例子的图。
图3表示基于基准数据生成部14的、相同植物种类的向阳部分(“向阳”)和背阴部分(“向阳”)的基准光谱数据、与根据这2个数据预测的3种混合部分的反射率光谱数据。
在图3所示的反射率光谱数据中,向阳部分的相对反射率的值以黑色菱形绘制,背阴部分的相对反射率的值以黑色矩形绘制。
另外,通过基准数据生成部14,生成3个混合部分,即“向阳部分75%、背阴部分25%”的比例的第一混合部分(表示为“第一混合”)、“向阳部分50%、背阴部分50%”的比例的第二混合部分(表示为“第二混在”)、“向阳部分25%、背阴部分75%”的比例的第三混合部分(表示为“第三混在”),并添加到基准数据存储部11。在图3所示的反射率光谱数据中,第一混合以灰色三角绘制,第二混合以叉印绘制,第三混合以星号绘制。
接下来,概述植物种类识别装置1的处理。
图4是表示植物种类识别装置1的概要处理流程例的图。
步骤S1:植物种类识别装置1的数据输入部12取得在植被调查的对象位置取得的高光谱数据2。
在本实施例中,所输入的高光谱数据2能够适时选择去除了光源的影响的相对反射率光谱数据或者最大值标准化相对反射率数据。
步骤S2:判断部13对于高光谱数据2的各像素,取得反射率光谱数据的特征。
步骤S3:判断部13对像素的反射率光谱数据和基准数据存储部11所存储的以植物种类以及以区域区划分类的基准光谱数据进行比较,确定最合适的基准光谱数据。
判断部13作为上述的第一判断方法,能够实施基于根据光谱数据的特征点而计算出的数值组的判断,作为上述的第二判断方法,能够实施基于市面出售的分析软件等也使用的光谱角制图(Spectral AngleMapper)法的判断等。
步骤S4:判断部13将所确定的基准光谱数据被分类的植物种类、区域区划作为该像素的植物种类、区域区划。
步骤S5:判断部13作为判断结果,例如输出对针对高光谱数据2的各像素的判断结果(植物种类、或者植物种类以及区域区划)进行映射而得的图像数据3。
由此,从在植被调查对象位置取得的高光谱数据(图像)2中,能够按每1像素,自动地识别该像素与基准数据存储部11所存储的哪个植物种类符合。
然后,在判断时,使用基准数据存储部11所存储的向阳部分和背阴部分的基准光谱数据(反射率光谱数据),因此对于通过以往的修正无法判断的背阴部分也能够适当识别植物种类。
而且,判断时,使用基准数据存储部11所存储的混合部分的基准光谱数据,因此对于向阳和背阴的混合部分也能够适当地识别植物种类。
接下来,对于判断部13的判断处理更详细地进行说明。
(1)第一判断处理例
在第一判断处理例中,作为植物的光谱的特征信息,使用根据光谱所表现的奇异点运算出的植物种类以及区域区划所特有的数值组。
图5是表示反射率光谱数据的奇异点的例子的图。
植物的光谱是按植物种类固有,例如呈图5所示的那样的形状。因此,反射率光谱数据中存在光谱曲线的最小值、最大值等的奇异点A~E。
判断部13针对以植物种类以及区域区划分类的基准光谱数据,检测奇异点,决定多个使用2个以上该奇异点的计算式(例:差分、除法等),并计算出多个计算值(数值组)。
在第一判断处理例中,判断部13对基准数据存储部11所存储的各基准光谱数据分别计算、保持数值组。
图6是表示基准光谱数据的数值组的例子的图。
如图6所示,按以植物种类以及区域区划分类的基准光谱数据,保持根据所检测的奇异点导出的数值组。
在本实施例中,作为数值组,使用最高值的比率(A/C)、斜率(CB/AB)、斜率的比率((A/B)/(A/C)、(CB/CD)/(CD/CE))这4个。
图7是表示各植物种类的基准光谱数据的数值组的具体例的图。
在图7(A)所示的例子中,示出以植物种类和一个区域区划(向阳部分)分类的基准光谱数据的数值组例。在图7(B)所示的例子中,示出以植物种类和具有多个区划的区域区划(向阳部分、向阳和背阴以50%混在一起的部分(50%混合)、背阴部分)分类的基准光谱数据的数值组例。
从图7(A)以及图7(B)所示的例也可知,基于反射率光谱数据的奇异点的数值组是按植物种类所特有的。
此外,反射率光谱数据的数值组的运算处理的详细内容在本发明者提出的发明的日本专利申请第2011-074817的说明书中说明。
判断部13同样地,求出针对高光谱数据2的各像素的数值组,与基准光谱数据的数值组进行比较处理,确定最合适的基准光谱数据。
上述的基准光谱数据的数值组的运算在判断处理前或者判断处理中被执行。
(2)第二判断处理例
在第二判断处理例,是基于光谱角制图(Spectral Angle Mapper)法的判断,作为各像素的反射率光谱数据的特征信息,使用光谱数据的特征向量。
图8是类似向量的比较的示意图。
在第二判断处理例中,如图8所示,判断部13将高光谱数据2的各像素的反射率光谱数据以及各基准光谱数据向量化,将像素的特征向量(eHS2)和各基准光谱数据的特征向量(eHS1)的类似性以余弦距离(cosθ)求出。
例如,通过以下的式求出特征向量彼此的类似性(类似度)。以下的式子表示越接近1越类似。
[数式1]
由此,确定与像素的反射率光谱数据类似的基准光谱数据。
接下来,说明植物种类识别装置1的具体处理例。
图9是表示在植被调查对象地从地面拍摄到的高光谱数据(高光谱图像)的例子的图。
将图9所示的高光谱数据作为植物种类识别装置1的输入,进行植物种类以及区域区划的识别。
通过遥测用图像分析软件(ENVI)实施植物种类识别装置1的判断部13。另外,为了比较,在基准数据存储部11进行2种处理:作为基准光谱数据,对各植物种类仅设置一个基准光谱数据(向阳部分)的情况(第一事例);对各植物种类设置多个区域区划(向阳部分和背阴部分)的情况(第二事例)。
图10(A)是表示基于第一事例中的判断结果,对同种的植物进行了映射的图像数据例的图。
图10(B)是表示基于第二事例中的判断结果,对同种的植物进行了映射的图像数据例的图。
在图10(B)所示的图像数据的映射中,与图10(A)所示的映射相比对更多的像素进行映射。而且,若参照图9的图像数据可知,图10(B)的映射结果与图10(A)的映射结果相比,表示更接近现况的状态。即,如图10(B)所示可知,通过植物种类识别装置1的处理,识别精度提高。
根据该图10(B)所示的判断结果,通过作为判断处理的基准光谱数据使用混合部分的基准光谱数据,从而能够期待植物种类的识别精度进一步提高。
接下来,对植物种类识别装置1的硬件构成进行说明。
植物种类识别装置1通过具备具有CPU以及存储器等的硬件和软件程序的计算机系统、或者专用硬件而实现。即,如图11所示,植物种类识别装置1具有与总线B连接的、运算装置(CPU)41、暂时存储装置(DRAM(Dynamic Random Access Memory:动态随机存取存储器),闪存等)42、持久性存储装置(HDD(Hard Disk Drive:硬盘驱动器),闪存等)43、输入装置44、显示装置45、输出装置46、通信I/F47、和驱动器装置48,通过与外部进行数据的输入输出的计算机而能够实施。
另外,植物种类识别装置1通过该计算机可执行的程序也能够实施。在该情况下,提供记述有植物种类识别装置1应有的功能的处理内容的程序。通过上述计算机执行所提供的程序,而将上述说明的植物种类识别装置1的处理功能在计算机上实现。
运算装置41根据暂时存储装置42所储存的程序来控制植物种类识别装置1。暂时存储装置42储存利用运算装置41执行的程序、运算装置41的处理所需的数据、通过运算装置41的处理而得的数据等。
永久性存储装置43中储存用于执行各种处理的程序等数据。永久性存储装置43所储存的程序的一部分被加载到暂时存储装置42,并被运算装置41执行,从而实现各种处理。
上述的基准数据存储部11相当于暂时存储装置42或者/以及永久性存储装置43的一部分。
输入装置44具有鼠标、键盘等,用于用户输入植物种类识别装置1的处理所需的各种信息。显示装置45用于在运算装置41的控制下显示所需的各种信息。输出装置46具有打印机等,用于根据来自用户的指示输出各种信息。通信I/F47例如是与互联网、LAN(Local AreaNetwork:局域网)等连接,用于进行与外部装置之间的通信控制的装置。
此外,上述计算机还能够从可移动型记录介质直接读取程序,并执行基于该程序的处理。而且,上述程序能够记录在计算机可读取的记录介质中。
实现通过植物种类识别装置1而执行的处理的程序通过CD-ROM(Compact Disc Read-Only Memory:光盘只读存储器)等记录介质49提供给植物种类识别装置1。即,若保存有程序的记录介质49设置在驱动器装置48,则驱动器48从记录介质49读出程序,该读出的程序经由总线B安装到永久性存储装置43中。然后,若程序被启动,则根据安装在永久性存储装置43的程序,运算装置41开始该处理。作为储存程序的介质并不限定于CD-ROM,只要是计算机能够读取的介质即可。作为计算机可读取的记录介质49,除了CD-ROM之外,也可以是DVD盘、USB存储器等可移动型记录介质、闪存等半导体存储器。
如上所述,根据植物种类识别装置1,通过使用与植物种类和区域区划对应的多个基准数据,特别是向阳部分和背阴部分的2个基准光谱数据,而对于在以往通过修正也无法识别的部分也能够进行植物种类的自动识别处理。由此,根据植物种类识别装置1,不会如以往那样依赖于熟练的判断者的经验,而可以容易地识别植物种类。
本发明并不限定于具体公开的实施例,只要不脱离权利要求书,就能够进行各种变形、变更。
另外,本申请基于2011年6月29日申请的日本国专利申请2011-144050号主张优先权并且将该日本国申请的全部内容通过参照援引于本申请。
附图标记说明:
1 植物种类识别装置;11 基准数据存储部;12 数据输入部;13 判断部;14 基准数据生成部;2 高光谱数据;3 图像数据(判断结果)。
Claims (6)
1.一种植物种类识别装置,用于识别植物种类,其特征在于,具备:
基准数据存储部,其存储按植物种类以及包括向阳部分和背阴部分的区域区划进行了分类的表示反射率光谱的特征的基准光谱数据;
数据输入部,其取得成为对象的高光谱数据;
判断部,其针对所述高光谱数据的每个像素,从基准数据存储部确定与该像素的反射率光谱的特征最类似的基准光谱数据,并以确定的基准光谱数据的分类为基础,判断该像素的植物种类;以及
基准数据生成部,该基准数据生成部从所述基准数据存储部以是相同的植物种类且区域区划被分类成向阳部分以及背阴部分的基准光谱数据为基础,预测向阳部分以及背阴部分以规定的比例混合的区域的反射率光谱,将表示该预测的反射率光谱的特征的基准光谱数据分类为相同的植物种类且区域区划的混合部分并添加到所述基准数据存储部中。
2.根据权利要求1所述的植物种类识别装置,其特征在于,
所述判断部针对每个所述像素,提取该像素的反射率光谱的奇异点,利用多个运算式运算提取出的奇异点的值并求出像素的数值组,而且从所述基准数据存储部所存储的各基准光谱数据提取奇异点,比较该像素的数值组与利用所述多个运算式运算提取出的奇异点的值而得的植物种类以及区域区划所特有的数值组,确定具有最类似的数值组的基准光谱数据。
3.根据权利要求2所述的植物种类识别装置,其特征在于,
所述数值组是利用高光谱数据中的针对多个波长的奇异点的值运算而得的。
4.根据权利要求1所述的植物种类识别装置,其特征在于,
所述判断部求出所述像素的反射率光谱的特征向量,而且对所述基准数据存储部所存储的各基准光谱数据的反射率光谱的特征向量与该像素的特征向量进行比较,确定具有最类似的特征向量的基准光谱数据。
5.根据权利要求1所述的植物种类识别装置,其特征在于,
在所述高光谱数据中,针对高光谱的波长的值是相对反射率和最大值标准化相对反射率中的任意一个。
6.一种植物种类识别方法,是为了识别植物种类而由计算机执行的方法,该植物种类识别方法的特征在于,
取得成为对象的高光谱数据;
参照基准数据存储部,针对所述高光谱数据的每个像素,从基准数据存储部确定与该像素的反射率光谱的特征最类似的基准光谱数据,所述基准数据存储部存储按植物种类以及包括向阳部分和背阴部分的区域区划进行了分类的表示反射率光谱数据的特征的基准光谱数据,
以所述确定的基准光谱数据的分类为基础,判断该像素的植物种类;
从所述基准数据存储部以是相同的植物种类且区域区划被分类成向阳部分以及背阴部分的基准光谱数据为基础,预测向阳部分以及背阴部分以规定的比例混合的区域的反射率光谱,将表示该预测的反射率光谱的特征的基准光谱数据分类为相同的植物种类且区域区划的混合部分并添加到所述基准数据存储部中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011144050 | 2011-06-29 | ||
JP2011-144050 | 2011-06-29 | ||
PCT/JP2012/066608 WO2013002349A1 (ja) | 2011-06-29 | 2012-06-28 | 植物種識別装置、方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103620381A CN103620381A (zh) | 2014-03-05 |
CN103620381B true CN103620381B (zh) | 2015-09-30 |
Family
ID=47424235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280030019.XA Active CN103620381B (zh) | 2011-06-29 | 2012-06-28 | 植物种类识别装置以及方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9230170B2 (zh) |
EP (1) | EP2728337B1 (zh) |
JP (1) | JP5673823B2 (zh) |
CN (1) | CN103620381B (zh) |
WO (1) | WO2013002349A1 (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013181558A1 (en) * | 2012-06-01 | 2013-12-05 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
US9251420B2 (en) * | 2013-01-22 | 2016-02-02 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
JP5950166B2 (ja) * | 2013-03-25 | 2016-07-13 | ソニー株式会社 | 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム |
JP6171732B2 (ja) * | 2013-08-27 | 2017-08-02 | 富士通株式会社 | 作物判別装置、作物判別プログラム及び作物判別方法 |
CN103983584B (zh) * | 2014-05-30 | 2016-06-01 | 中国科学院遥感与数字地球研究所 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
JP6413445B2 (ja) * | 2014-08-01 | 2018-10-31 | 富士通株式会社 | 植物判別装置、植物判別方法および植物判別プログラム |
KR101634792B1 (ko) * | 2014-10-27 | 2016-06-29 | 한국지질자원연구원 | 초분광 영상의 분광혼합분석에 의한 표적물질 탐지방법 |
JP6650239B2 (ja) * | 2015-10-08 | 2020-02-19 | 株式会社キーエンス | 光電スイッチ |
CN105203456B (zh) * | 2015-10-28 | 2018-09-18 | 小米科技有限责任公司 | 植物品种识别方法及装置 |
JP6390054B2 (ja) * | 2015-11-05 | 2018-09-19 | 株式会社Zmp | モニタリングシステム |
CN106404689A (zh) * | 2016-09-23 | 2017-02-15 | 广东食品药品职业学院 | 一种化橘红成分鉴定方法 |
MX2019004234A (es) | 2016-10-13 | 2019-10-15 | Mccain Foods Ltd | Metodo, medio y sistema para detectar virus de papa en una imagen de cultivo. |
JP6910792B2 (ja) | 2016-12-13 | 2021-07-28 | ソニーセミコンダクタソリューションズ株式会社 | データ処理装置、データ処理方法、プログラム、および電子機器 |
EP3361235A1 (en) * | 2017-02-10 | 2018-08-15 | VoxelGrid GmbH | Device and method for analysing objects |
AU2018357616A1 (en) * | 2017-10-26 | 2020-04-02 | Sony Corporation | Information processing device, information processing method, program, and information processing system |
JP7046432B2 (ja) * | 2018-02-15 | 2022-04-04 | 西日本高速道路株式会社 | 衛星画像を用いた樹種推定方法、および、樹種推定された樹木の健全度判定方法 |
JP2019039913A (ja) * | 2018-08-02 | 2019-03-14 | 株式会社Zmp | モニタリングシステム |
CN110889420A (zh) * | 2018-09-07 | 2020-03-17 | 华南农业大学 | 植物类别识别方法及系统 |
CN109508633B (zh) * | 2018-09-30 | 2020-10-09 | 广州地理研究所 | 一种基于光学遥感数据的甘蔗分布识别方法 |
CN109522788B (zh) * | 2018-09-30 | 2020-11-06 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN111226747A (zh) * | 2018-11-28 | 2020-06-05 | 常熟南师大发展研究院有限公司 | 一种智能调制植物用营养土的装置 |
CN110657891B (zh) * | 2019-09-29 | 2021-08-10 | 浙江农林大学 | 一种无人机运用多光谱侦查相机对植物识别的技术 |
CN111523587B (zh) * | 2020-04-17 | 2024-02-20 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
JP2022014139A (ja) * | 2020-07-06 | 2022-01-19 | 株式会社日立製作所 | 植生管理システム及び植生管理方法 |
CA3197743A1 (en) * | 2020-11-09 | 2022-05-12 | Lorna Kabachnik | Systems and methods for ground truthing remotely sensed data |
CN112577907B (zh) * | 2020-11-18 | 2023-03-31 | 上海市园林科学规划研究院 | 城市绿地树木树冠缺损率计算方法 |
CN112730412B (zh) * | 2020-12-31 | 2021-08-10 | 河北省科学院地理科学研究所 | 一种基于高光谱影像的植被冠层阴阳叶判别方法 |
CN113111763B (zh) * | 2021-04-08 | 2023-01-24 | 洛阳师范学院 | 一种建立光谱体积指数的方法、装置及树种识别的方法 |
CN114295575A (zh) * | 2021-12-27 | 2022-04-08 | 中国农业科学院果树研究所 | 一种利用智能移动终端鉴别梨品种的方法 |
CN114565846A (zh) * | 2022-02-24 | 2022-05-31 | 杭州睿胜软件有限公司 | 植物生长环境的识别方法、设备及计算机可读存储介质 |
CN117077004B (zh) * | 2023-08-18 | 2024-02-23 | 中国科学院华南植物园 | 物种鉴定方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006612A (ja) * | 2001-06-20 | 2003-01-10 | Ntt Data Corp | 収穫予測装置及び方法 |
JP2006085517A (ja) * | 2004-09-17 | 2006-03-30 | Hiroshima Pref Gov | 衛星データによる森林地域の植生分類方法 |
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
JP2010086276A (ja) * | 2008-09-30 | 2010-04-15 | Shinshu Univ | 樹種分類方法及び樹種分類システム、森林現況情報の作成方法及び森林現況情報の作成システム、間伐対象区域の選定方法及び間伐対象区域の選定システム |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5809164A (en) * | 1996-03-07 | 1998-09-15 | Polaroid Corporation | System and method for color gamut and tone compression using an ideal mapping function |
JPH11283012A (ja) * | 1998-03-31 | 1999-10-15 | Hitachi Software Eng Co Ltd | 陰の認識方法 |
AUPR457401A0 (en) * | 2001-04-26 | 2001-05-24 | Weed Control Australia Pty Ltd | Selective weed discrimination |
JP2006285310A (ja) | 2005-03-31 | 2006-10-19 | Kanazawa Univ | 森林の樹冠の評価方法及びその樹冠評価プログラム |
WO2007098123A2 (en) * | 2006-02-16 | 2007-08-30 | Clean Earth Technologies, Llc | Method for spectral data classification and detection in diverse lighting conditions |
JP5021293B2 (ja) * | 2006-12-29 | 2012-09-05 | 株式会社パスコ | 作物の生育状況分析方法、作物の生育状況分析装置及び作物の生育状況分析プログラム |
US8744775B2 (en) * | 2007-12-28 | 2014-06-03 | Weyerhaeuser Nr Company | Methods for classification of somatic embryos comprising hyperspectral line imaging |
JP5564812B2 (ja) * | 2009-03-25 | 2014-08-06 | 独立行政法人農業環境技術研究所 | 植物体の生育変化の連続測定方法 |
JP2011074817A (ja) | 2009-09-30 | 2011-04-14 | Sanyo Electric Co Ltd | 軸流ファン |
JP4858793B2 (ja) * | 2009-11-12 | 2012-01-18 | 国立大学法人信州大学 | 樹木本数算定方法及び樹木本数算定装置 |
US8805083B1 (en) * | 2010-03-21 | 2014-08-12 | Jeffrey M. Sieracki | System and method for discriminating constituents of image by complex spectral signature extraction |
JP5593255B2 (ja) * | 2011-03-04 | 2014-09-17 | 株式会社日立製作所 | 植生制御装置、植物育成システム |
JP2012196167A (ja) * | 2011-03-20 | 2012-10-18 | Fujitsu Ltd | 植物種識別方法 |
-
2012
- 2012-06-28 JP JP2013522961A patent/JP5673823B2/ja active Active
- 2012-06-28 WO PCT/JP2012/066608 patent/WO2013002349A1/ja active Application Filing
- 2012-06-28 EP EP12805076.2A patent/EP2728337B1/en active Active
- 2012-06-28 CN CN201280030019.XA patent/CN103620381B/zh active Active
-
2013
- 2013-12-05 US US14/097,344 patent/US9230170B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006612A (ja) * | 2001-06-20 | 2003-01-10 | Ntt Data Corp | 収穫予測装置及び方法 |
JP2006085517A (ja) * | 2004-09-17 | 2006-03-30 | Hiroshima Pref Gov | 衛星データによる森林地域の植生分類方法 |
JP2010086276A (ja) * | 2008-09-30 | 2010-04-15 | Shinshu Univ | 樹種分類方法及び樹種分類システム、森林現況情報の作成方法及び森林現況情報の作成システム、間伐対象区域の選定方法及び間伐対象区域の選定システム |
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
Non-Patent Citations (2)
Title |
---|
Mapping urban forest tree species using IKONOS imagery: preliminary results;Ruiliang Pu;《Environ Monit Assess》;20100206;第172卷;第201页左栏第2段,第202页左栏第1段,第205页右栏第2段,第212页左栏末段,第212页右栏末段,表1 * |
高光谱遥感在生态系统研究中的应用进展;岳跃民 等;《遥感技术与应用》;20080831;第23卷(第4期);第471-478页 * |
Also Published As
Publication number | Publication date |
---|---|
JPWO2013002349A1 (ja) | 2015-02-23 |
JP5673823B2 (ja) | 2015-02-18 |
EP2728337B1 (en) | 2018-12-19 |
CN103620381A (zh) | 2014-03-05 |
WO2013002349A1 (ja) | 2013-01-03 |
US20140093138A1 (en) | 2014-04-03 |
US9230170B2 (en) | 2016-01-05 |
EP2728337A1 (en) | 2014-05-07 |
EP2728337A4 (en) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103620381B (zh) | 植物种类识别装置以及方法 | |
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
Chen et al. | A spectral gradient difference based approach for land cover change detection | |
Zhu et al. | Accurate mapping of forest types using dense seasonal Landsat time-series | |
Jones et al. | Assessing the utility of airborne hyperspectral and LiDAR data for species distribution mapping in the coastal Pacific Northwest, Canada | |
Hirschmugl et al. | Single tree detection in very high resolution remote sensing data | |
Movia et al. | Shadow detection and removal in RGB VHR images for land use unsupervised classification | |
Chubey et al. | Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters | |
Fan et al. | Enhancing endmember selection in multiple endmember spectral mixture analysis (MESMA) for urban impervious surface area mapping using spectral angle and spectral distance parameters | |
Dian et al. | Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery | |
Pasher et al. | Multivariate forest structure modelling and mapping using high resolution airborne imagery and topographic information | |
Hartling et al. | Urban tree species classification using UAV-based multi-sensor data fusion and machine learning | |
US20140205154A1 (en) | System for mapping and identification of plants using digital image processing and route generation | |
Pu | Mapping tree species using advanced remote sensing technologies: A state-of-the-art review and perspective | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
Lu et al. | Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
Qiao et al. | Urban shadow detection and classification using hyperspectral image | |
Kuzmin et al. | Automatic segment-level tree species recognition using high resolution aerial winter imagery | |
JP5910018B2 (ja) | 植物種特定のためのプログラム、情報処理方法及び装置 | |
Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
Álvarez-Martínez et al. | Can training data counteract topographic effects in supervised image classification? A sensitivity analysis in the Cantabrian Mountains (Spain) | |
CN114581793A (zh) | 遥感图像的云识别方法、装置、电子设备及可读存储介质 | |
Rocchini et al. | From spectral to ecological information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |