CN105225255A - 叶面积指数测定方法及装置 - Google Patents

叶面积指数测定方法及装置 Download PDF

Info

Publication number
CN105225255A
CN105225255A CN201510616057.9A CN201510616057A CN105225255A CN 105225255 A CN105225255 A CN 105225255A CN 201510616057 A CN201510616057 A CN 201510616057A CN 105225255 A CN105225255 A CN 105225255A
Authority
CN
China
Prior art keywords
leaf area
area index
image
measured
vegetation
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.)
Pending
Application number
CN201510616057.9A
Other languages
English (en)
Inventor
邹金秋
陈佑启
谢锋
刘佳
吴永常
杨国宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN201510616057.9A priority Critical patent/CN105225255A/zh
Publication of CN105225255A publication Critical patent/CN105225255A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种叶面积指数测定方法及装置，该方法包括获取待测植被的冠层图像；利用图像处理技术对获取的冠层图像进行图像分割，提取所述冠层图像中的待测植被对应的图像区域；计算所述待测植被对应的图像区域的面积与所述冠层图像的总面积的比值，得到所述待测植被的叶面积指数；对计算出的叶面积指数与实际测得的叶面积指数进行拟合，得到所述待测植被的叶面积指数模型。本发明可实现叶面积指数的方便测量、具有获取信息及时且经济有效的优点，对农作物长势监测、产量估算等领域具有十分重要的意义。

Description

叶面积指数测定方法及装置
技术领域
本发明涉及生态学领域，尤其涉及一种叶面积指数测定方法及装置。
背景技术
叶面积指数LAI(LeafAreaIdex)又叫叶面积系数，是一块地上作物叶片的总面积与占地面积的比值。叶面积指数是反映作物群体大小的较好的动态指标，亦是表征作物长势和预测作物产量的重要农学指标之一。
目前,叶面积测量方法很多，主要包括纸重法、干重法、长宽系数法、叶面积仪法、扫描仪法、回归方程法等，这些方法都具有各自的优点，但同样存在费时费力、测量具有破坏性等缺点。
随着计算机图像处理技术、图像采集部件CCD的发展，计算机图像处理技术逐渐被用于作物长势监测。因此，如果能够提供一种可实现方便测量、即时获取信息且经济有效的叶面积指数测量方法将对农作物长势监测、产量估算等领域具有十分重要的意义。
发明内容
本发明所要解决的技术问题是：如何提供一种叶面积指数测定方法或测定装置，以实现方便、即时且经济有效地测量叶面积指数。
为此目的，本发明一方面提出了一种叶面积指数测定方法，该方法包括以下步骤：
获取待测植被的冠层图像；
利用图像处理技术对获取的冠层图像进行图像分割，提取所述冠层图像中的待测植被对应的图像区域；
计算所述待测植被对应的图像区域的面积与所述冠层图像的总面积的比值，得到所述待测植被的叶面积指数；
对计算出的叶面积指数与实际测得的叶面积指数进行拟合，得到所述待测植被的叶面积指数模型。
优选地，所述获取待测植被的冠层图像，还包括：
在阴天或多云天气，于10:00～14:00的条件下获取所述待测植被的冠层图像。
优选地，所述利用图像处理技术对获取的冠层图像进行图像分割，具体为：
将所述冠层图像分成多个子图像，所述多个子图像中任一两个相邻子图像之间具有50％的重叠区域；
作出每个子图像的直方图，选择直方图为双峰直方图的子图像，根据对应的双峰直方图确定该子图像的阈值；
根据确定出的子图像的阈值，采用插值法得到所有子图像的阈值；
根据所有子图像的阈值对所述冠层图像进行切割。
优选地，在利用图像处理技术对获取的冠层图像进行图像分割前，该方法还包括：
利用色度强度饱和度HIS颜色模型对所述冠层图像进行处理。
优选地，所述方法还包括：
针对所述待测植被的不同生长时期，分别建立所述待测植被的叶面积指数模型。
优选地，该方法还包括：
对所述待测植被的叶面积指数模型进行评价；
所述对所述待测植被的叶面积指数模型进行评价，具体为利用统计量相关系数的平方来度量所述叶面积指数模型的数据变异性。
优选地，所述根据对应的双峰直方图确定该子图像的阈值，具体为：
根据对应的双峰直方图采用最佳阈值计算方法确定子图像的阈值；
其中，最佳阈值的计算公式是
其中，μ1、μ2——分别为背景和物体的均值；σ——围绕均值的标准偏差；P1、P2——分别为背景和物体的概率。
另一方面，本发明提出一种叶面积指数测定装置，其特征在于，包括：
图像获取单元，用于获取待测植被的冠层图像；
图像分割提取单元，用于利用图像处理技术对获取的冠层图像进行图像分割，提取所述冠层图像中的待测植被对应的图像区域；
叶面积指数计算单元，用于计算所述待测植被对应的图像区域的面积与所述冠层图像的总面积的比值，得到所述待测植被的叶面积指数；
叶面积指数模型建立单元，用于对计算出的叶面积指数与实际测得的叶面积指数进行拟合，得到所述待测植被的叶面积指数模型。
优选地，所述图像分割提取单元，具体包括：
所述图像分割提取单元，具体包括：
子图像划分模块，用于将所述冠层图像分成多个子图像，所述多个子图像中任一两个相邻子图像之间具有50％的重叠区域；
直方图制作模块，用于作出每个子图像的直方图，选择直方图为双峰直方图的子图像，根据对应的双峰直方图确定该子图像的阈值；
阈值确定模块，用于根据确定出的子图像的阈值，采用插值法得到所有子图像的阈值；
图像分割模块，用于根据所有子图像的阈值对所述冠层图像进行切割。
优选地，在利用图像处理技术对获取的冠层图像进行图像分割前，所述图像分割提取单元还用于：
利用色度强度饱和度HIS颜色模型对所述冠层图像进行处理。
本发明提供的叶面积指数测定方法及装置，可实现叶面积指数的方便测量、具有获取信息及时且经济有效的优点，对农作物长势监测、产量估算等领域具有十分重要的意义。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明实施例提供的叶面积指数测定方法的流程图；
图2a示出了本发明实施例提供的水稻的冠层图像拍摄效果图；
图2b示出了本发明实施例提供的玉米的冠层图像拍摄效果图；
图3示出了本发明实施例提供的叶面积指数测定方法中进行冠层图像分割的流程图；
图4示出了本发明实施例提供的待测植被的像素提取效果示意图；
图5示出了本发明实施例提供的实际叶面积指数与图像叶面积指数拟合回归示意图；
图6示出了本发明实施例提供的叶面积指数测定装置的结构示意图；
图7示出了本发明实施例提供的图像分割提取单元结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
图1示出了本发明实施例提供的叶面积指数测定方法的流程图；如图1所示，本实施例提供的叶面积指数测定方法包括以下步骤：
S1：获取待测植被的冠层图像。
S2：利用图像处理技术对获取的冠层图像进行图像分割，提取所述冠层图像中的待测植被对应的图像区域。
S3：计算所述待测植被对应的图像区域的面积与所述冠层图像的总面积的比值，得到所述待测植被的叶面积指数。
具体地，分别获得只含检测植被的叶片的彩色数字图像，由于数字图像由成点阵排列的像素点组成，因此在可以求得每个像素点所等价的真实面积的条件下，可以通过计算图像中目标区域总的像素数来求出其实际面积。利用计算机图像处理技术分别统计出图像总像素数Msoil和绿色叶片像素数Mleaf，从而可知它们的像素数比，也即面积比：
LAIimage＝Mleaf/Msoil。
S4：对计算出的叶面积指数与实际测得的叶面积指数进行拟合，得到所述待测植被的叶面积指数模型，以通过所述叶面积指数模型实现叶面积指数的测定。
本实施例提供的叶面积指数测定方法操作简单、测量方便、获取信息及时且经济有效，可实现对农作物长势及产量的监测和估算。
图2a示出了本发明实施例提供的水稻的冠层图像拍摄效果图；图2b示出了本发明实施例提供的玉米的冠层图像拍摄效果图。如图2a、图2b所示，在上一实施例基础上，为减弱光线直接照射造成的反光效应以及减少由于太阳高度角和光线强弱造成的图像偏差，优选在阴天或多云天气、并控制于10:00～14:00的条件下拍摄所述冠层图像。
进一步地，图3示出了本发明实施例提供的叶面积指数测定方法中进行冠层图像分割的流程图；如图3所示，本实施例中利用图像处理技术对获取的冠层图像进行图像分割的步骤具体为：
F1：将所述冠层图像分成多个子图像，所述多个子图像中任一两个相邻子图像之间具有50％的重叠区域；
F2：作出每个子图像的直方图，选择直方图为双峰直方图的子图像，根据对应的双峰直方图确定该子图像的阈值；
F3：根据确定出的子图像的阈值，采用插值法得到所有子图像的阈值。
F4：根据所有子图像的阈值对所述冠层图像进行切割。
优选地，所述根据对应的双峰直方图确定该子图像的阈值，具体为：
根据对应的双峰直方图采用最佳阈值计算方法确定子图像的阈值；
其中，最佳阈值的计算公式是
其中，μ1、μ2——分别为背景和物体的均值；σ——围绕均值的标准偏差；P1、P2——分别为背景和物体的概率。本实施例中，冠层图像的背景即为土壤，物体即为待测植被。
作为本实施例的优选，在利用图像处理技术对获取的冠层图像进行图像分割前，该方法还包括：
利用色度强度饱和度HIS颜色模型对所述冠层图像进行处理。
HIS(HueSaturationIntensity)颜色模型采用色度H、饱和度S、光强度I来描述颜色。HIS模型具有对不均匀的光照不敏感的特点。可仅应用分割算法到色调分量上，对有阴影的图像十分有效。将去除参照物的彩色图像从RGB模型映射到H色度图像，从H分量图像可看出目标物和背景灰度值都很均匀，克服了受光线的干扰，采用H色度图像易于后期的分割工作。本实施例提供的待测植被的像素提取效果如图4所示。
进一步地，本实施例的方法还可包括：
针对所述待测植被的不同生长时期，分别建立所述待测植被的叶面积指数模型。
若所述待测植被为玉米，则将其各个生育期具体分为(出苗-吐丝前)和生殖生长阶段(吐丝日-成熟)；
若所述待测植被为水稻，则将其各个生育期具体分为：营养生长阶段(从发芽到幼穗分化)、营养生长生殖生长并进阶段(从幼穗分化到扬花期)和生殖生长阶段(从扬花到完熟期)。
作为本实施例的优选，该方法还可包括：对所述待测植被的叶面积指数模型进行评价。所述对所述待测植被的叶面积指数模型进行评价，具体为利用统计量相关系数的平方来度量所述叶面积指数模型的数据变异性。图5示出了本发明实施例提供的实际叶面积指数与图像叶面积指数拟合回归示意图。如图5所示，评价参数模型的拟合优度一般选用统计量相关系数的平方R2(0<R2<1)，该值度量拟合在解释数据变异性方面是否成功。R2值越接近1，拟合效果越好。
图6示出了本发明实施例提供的叶面积指数测定装置的结构示意图；如图6所示，本实施例提出的叶面积指数测定装置10，包括图像获取单元11、图像分割提取单元12、叶面积指数计算单元13、叶面积指数模型建立单元14：
所述的图像获取单元11，用于获取待测植被的冠层图像；
所述的图像分割提取单元12，用于利用图像处理技术对获取的冠层图像进行图像分割，提取所述冠层图像中的待测植被对应的图像区域；
所述的叶面积指数计算单元13，用于计算所述待测植被对应的图像区域的面积与所述冠层图像的总面积的比值，得到所述待测植被的叶面积指数；
所述的叶面积指数模型建立单元14，用于对计算出的叶面积指数与实际测得的叶面积指数进行拟合，得到所述待测植被的叶面积指数模型。
图7示出了本发明实施例提供的图像分割提取单元结构示意图，如图7所示，图像分割提取单元12具体包括：子图像划分模块121、直方图制作模块122、阈值确定模块123和图像分割模块124：
所述的子图像划分模块121，用于将所述冠层图像分成多个子图像，所述多个子图像中任一两个相邻子图像之间具有50％的重叠区域；
所述的直方图制作模块122，用于作出每个子图像的直方图，选择直方图为双峰直方图的子图像，根据对应的双峰直方图确定该子图像的阈值；
所述的阈值确定模块123，用于根据确定出的子图像的阈值，采用插值法得到所有子图像的阈值；
所述的图像分割模块124，用于根据所有子图像的阈值对所述冠层图像进行切割。
进一步地，在利用图像处理技术对获取的冠层图像进行图像分割前，图像分割提取单元12还用于利用HIS颜色模型对所述冠层图像进行处理。
本实施例提供的叶面积指数测定装置，结构简单、操作方便，可实现叶面积指数的方便测量、具有获取信息及时且经济有效的优点，对农作物长势监测、产量估算等领域具有十分重要的意义。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的系统中的模块可以按照实施例描述进行分布于实施例的系统中，也可以进行相应变化位于不同于本实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种叶面积指数测定方法，其特征在于，包括以下步骤：
获取待测植被的冠层图像；
利用图像处理技术对获取的冠层图像进行图像分割，提取所述冠层图像中的待测植被对应的图像区域；
计算所述待测植被对应的图像区域的面积与所述冠层图像的总面积的比值，得到所述待测植被的叶面积指数；
对计算出的叶面积指数与实际测得的叶面积指数进行拟合，得到所述待测植被的叶面积指数模型。
2.如权利要求1所述的叶面积指数测定方法，其特征在于，所述获取待测植被的冠层图像，还包括：
在阴天或多云天气，于10:00～14:00的条件下获取所述待测植被的冠层图像。
3.如权利要求1所述的叶面积指数测定方法，其特征在于，所述利用图像处理技术对获取的冠层图像进行图像分割，具体为：
将所述冠层图像分成多个子图像，所述多个子图像中任一两个相邻子图像之间具有50％的重叠区域；
作出每个子图像的直方图，选择直方图为双峰直方图的子图像，根据对应的双峰直方图确定该子图像的阈值；
根据确定出的子图像的阈值，采用插值法得到所有子图像的阈值；
根据所有子图像的阈值对所述冠层图像进行切割。
4.如权利要求1所述的叶面积指数测定方法，其特征在于，在利用图像处理技术对获取的冠层图像进行图像分割前，该方法还包括：
利用色度强度饱和度HIS颜色模型对所述冠层图像进行处理。
5.如权利要求1所述的叶面积指数测定方法，其特征在于，所述方法还包括：
针对所述待测植被的不同生长阶段，分别建立所述待测植被的叶面积指数模型。
6.如权利要求1所述的叶面积指数测定方法，其特征在于，该方法还包括：
对所述待测植被的叶面积指数模型进行评价；
所述对所述待测植被的叶面积指数模型进行评价，具体为利用统计量相关系数的平方来度量所述叶面积指数模型的数据变异性。
7.如权利要求3所述的叶面积指数测定方法，其特征在于，所述根据对应的双峰直方图确定该子图像的阈值，具体为：
根据对应的双峰直方图采用最佳阈值计算方法确定子图像的阈值；
其中，最佳阈值的计算公式是
其中，μ1、μ2——分别为背景和物体的均值；σ——围绕均值的标准偏差；P1、P2——分别为背景和物体的概率。
8.一种叶面积指数测定装置，其特征在于，包括：
图像获取单元，用于获取待测植被的冠层图像；
图像分割提取单元，用于利用图像处理技术对获取的冠层图像进行图像分割，提取所述冠层图像中的待测植被对应的图像区域；
叶面积指数计算单元，用于计算所述待测植被对应的图像区域的面积与所述冠层图像的总面积的比值，得到所述待测植被的叶面积指数；
叶面积指数模型建立单元，用于对计算出的叶面积指数与实际测得的叶面积指数进行拟合，得到所述待测植被的叶面积指数模型。
9.如权利要求8所述的叶面积指数测定装置，其特征在于，所述图像分割提取单元，具体包括：
子图像划分模块，用于将所述冠层图像分成多个子图像，所述多个子图像中任一两个相邻子图像之间具有50％的重叠区域；
直方图制作模块，用于作出每个子图像的直方图，选择直方图为双峰直方图的子图像，根据对应的双峰直方图确定该子图像的阈值；
阈值确定模块，用于根据确定出的子图像的阈值，采用插值法得到所有子图像的阈值；
图像分割模块，用于根据所有子图像的阈值对所述冠层图像进行切割。
10.如权利要求8所述的叶面积指数测定装置，其特征在于，在利用图像处理技术对获取的冠层图像进行图像分割前，所述图像分割提取单元还用于：
利用色度强度饱和度HIS颜色模型对所述冠层图像进行处理。
CN201510616057.9A 2015-09-24 2015-09-24 叶面积指数测定方法及装置 Pending CN105225255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510616057.9A CN105225255A (zh) 2015-09-24 2015-09-24 叶面积指数测定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510616057.9A CN105225255A (zh) 2015-09-24 2015-09-24 叶面积指数测定方法及装置

Publications (1)

Publication Number Publication Date
CN105225255A true CN105225255A (zh) 2016-01-06

Family

ID=54994204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510616057.9A Pending CN105225255A (zh) 2015-09-24 2015-09-24 叶面积指数测定方法及装置

Country Status (1)

Country Link
CN (1) CN105225255A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776106A (zh) * 2018-04-23 2018-11-09 中国农业大学 一种基于无人机低空遥感的作物长势监测方法及系统
CN109373937A (zh) * 2018-12-10 2019-02-22 中国气象局兰州干旱气象研究所 植被冠层叶面积指数测量方法
CN112465893A (zh) * 2020-11-05 2021-03-09 内蒙古工业大学 一种植被叶片面积测量方法、装置、终端及存储介质
CN113256567A (zh) * 2021-05-08 2021-08-13 中国农业大学 香蕉叶面积指数检测方法及系统
CN113313752A (zh) * 2021-05-27 2021-08-27 哈尔滨工业大学 一种基于机器视觉的叶面积指数识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916438A (zh) * 2010-07-20 2010-12-15 浙江大学 半球摄影法获取水稻冠层叶面积指数和平均叶倾角的方法
WO2012073520A1 (ja) * 2010-12-02 2012-06-07 日本電気株式会社 葉面積指数計測システム、装置、方法及びプログラム
CN104296696A (zh) * 2014-06-09 2015-01-21 北京师范大学 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916438A (zh) * 2010-07-20 2010-12-15 浙江大学 半球摄影法获取水稻冠层叶面积指数和平均叶倾角的方法
WO2012073520A1 (ja) * 2010-12-02 2012-06-07 日本電気株式会社 葉面積指数計測システム、装置、方法及びプログラム
CN104296696A (zh) * 2014-06-09 2015-01-21 北京师范大学 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴门新 等: "夏玉米结构参数计算及大田玉米冠层的可视化研究", 《作物学报》 *
李晓冬 等: "改进Otsu法的冠层图像分割及银杏叶面积指数估测", 《东北林业大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776106A (zh) * 2018-04-23 2018-11-09 中国农业大学 一种基于无人机低空遥感的作物长势监测方法及系统
CN109373937A (zh) * 2018-12-10 2019-02-22 中国气象局兰州干旱气象研究所 植被冠层叶面积指数测量方法
CN112465893A (zh) * 2020-11-05 2021-03-09 内蒙古工业大学 一种植被叶片面积测量方法、装置、终端及存储介质
CN113256567A (zh) * 2021-05-08 2021-08-13 中国农业大学 香蕉叶面积指数检测方法及系统
CN113256567B (zh) * 2021-05-08 2023-09-22 中国农业大学 香蕉叶面积指数检测方法及系统
CN113313752A (zh) * 2021-05-27 2021-08-27 哈尔滨工业大学 一种基于机器视觉的叶面积指数识别方法

Similar Documents

Publication Publication Date Title
CN105225255A (zh) 叶面积指数测定方法及装置
Samiappan et al. Using unmanned aerial vehicles for high-resolution remote sensing to map invasive Phragmites australis in coastal wetlands
Nichol et al. Urban vegetation monitoring in Hong Kong using high resolution multispectral images
Müllerová et al. Unmanned aircraft in nature conservation: an example from plant invasions
Helmer et al. Cloud-free satellite image mosaics with regression trees and histogram matching
Järnstedt et al. Forest variable estimation using a high-resolution digital surface model
Kawamura et al. Discriminating crops/weeds in an upland rice field from UAV images with the SLIC-RF algorithm
Wu et al. Mapping invasive plant with UAV-derived 3D mesh model in mountain area—A case study in Shenzhen Coast, China
CN102829739A (zh) 一种面向对象的作物叶面积指数遥感反演方法
CN102663397B (zh) 一种小麦出苗的自动检测方法
WO2015143134A1 (en) Bare earth finding and feature extraction for 3d point clouds
Zheng et al. Object-and pixel-based classifications of macroalgae farming area with high spatial resolution imagery
Sheeren et al. Discriminating small wooded elements in rural landscape from aerial photography: a hybrid pixel/object-based analysis approach
CN110889394A (zh) 基于深度学习UNet网络的水稻倒伏识别方法
CN109448127A (zh) 一种基于无人机遥感的农田高精度导航地图生成方法
Wundram et al. High‐resolution spatial analysis of mountain landscapes using a low‐altitude remote sensing approach
Qian et al. Mapping regional cropping patterns by using GF-1 WFV sensor data
CN115861409B (zh) 大豆叶面积测算方法、系统、计算机设备及存储介质
Berveglieri et al. Successional stages and their evolution in tropical forests using multi-temporal photogrammetric surface models and superpixels
CN107085851A (zh) 一种提取水域岸线的方法及装置
Ab Majid et al. Tree species classification using worldview-3 data
Guldogan et al. Automated tree detection and density calculation using unmanned aerial vehicles
US20180196987A1 (en) Multiple day mapping index aggregation and comparison
Anttila Nonparametric estimation of stand volume using spectral and spatial features of aerial photographs and old inventory data
Öztürk et al. The impacts of vegetation indices from UAV-based RGB imagery on land cover classification using ensemble learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160106

RJ01 Rejection of invention patent application after publication