CN105719320A - 一种基于彩色数字图像植被冠层覆盖度计算方法及系统 - Google Patents
一种基于彩色数字图像植被冠层覆盖度计算方法及系统 Download PDFInfo
- Publication number
- CN105719320A CN105719320A CN201610049382.6A CN201610049382A CN105719320A CN 105719320 A CN105719320 A CN 105719320A CN 201610049382 A CN201610049382 A CN 201610049382A CN 105719320 A CN105719320 A CN 105719320A
- Authority
- CN
- China
- Prior art keywords
- pixel
- characteristic index
- vegetation
- digital image
- green characteristic
- 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.)
- Granted
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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于彩色数字图像植被冠层覆盖度计算方法及系统,包括垂直拍摄获取待计算区域的彩色数字图像;计算彩色数字图像的每个像素的绿特征指数;调用Sobel算子分别根据每个像素的绿特征指数计算每个像素的梯度值,并将最大梯度值对应的像素的绿特征指数作为阈值;分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素,根据植被像素和非植被像素计算所述待计算区域的植被冠层覆盖度;本发明实现了植被冠层覆盖度的高精度计算,且节省人力,自适应性强。
Description
技术领域
本发明涉及计算植被冠层覆盖度技术领域,特别涉及一种基于彩色数字图像植被冠层覆盖度计算方法及系统。
背景技术
植被冠层覆盖度是用来评价地表植被状况的一个非常重要的指标,同时是土壤侵蚀和水土流失的主要影响因子。研究表明,植被覆盖与气候因子关系十分密切。植被覆盖变化对气候的影响问题是目前气候变化研究的主要内容之一,它影响着土壤湿度、地表温度和地表能量与水的循环。植被冠层覆盖度是植物群落覆盖地表状况的一个综合量化指标。它是重要的气候、水文生态参数、土地退化、盐渍化和沙漠化的有效评估指数。同时,它还是全球环境变化的敏感因子,地表植被蒸腾、土壤水分蒸发损失总量、光合作用的过程关键因子,水土流失的控制因子。因此,植被冠层覆盖度的高精度和自动化提取对于各领域的发展十分重要。现阶段提取植被冠层覆盖度的方法主要有以下两种:
1、地面测量,该方法主要是以人工实地测量获取数据。最简单的方法就是目估法。但是,目估法主观性太强,结果往往因人而异。在此基础上发展产生了一系列新的方法,主要是采样的方法,包括样方法、样带法和样点法等,其虽然提高了精度,但是受到较大人为因数影响。为了获得更准确的数据,科学家们发明了用于采样的仪器,如空间定量计和移动光量计等,这种仪器很好的满足了提高测量精度的目标,但是,在野外使用这些仪器操作上十分不便。随着统计学思想的发展,生态学家们将统计学应用于植被冠层覆盖度的规律研究中,通过对一定数量的地面点进行实地测量,再对实测数据进行时空分析,探究植被冠层覆盖度的时空分布规律,从而建立经验模型。但是,这种统计学的方法一般适用于特定区域及特定的植被类型,特异性强,同时也意味着局限性大,推广不易。
2、遥感测量,近些年来遥感技术的发展在一定程度上促进了生态学的进步。植被冠层覆盖度的提取也因此形成了一个新的发展方向。常见的方法有:回归模型法、植被指数法与像元分解模型法。回归模型法是寻找对植被冠层覆盖度敏感而对背景因素不敏感的植被指数,利用统计学思想分析植被指数与植被冠层覆盖度之间的关系,建立两者之间的各种回归模型。植被指数法是直接利用与植被指数关系好的指数来直接估算植被冠层覆盖度的反演方法。像元分解模型法是直接通过理论分析像元,对像元进行分解,进一步建立植被指数与植被冠层覆盖度的相关关系模型。
综上所述,这两大类植被冠层覆盖度的获取方法都存在一定的缺陷和问题,主要体现在:
(1)选取样方对先验知识的要求高,人眼估测的主观性大,照片勾绘费时费力;
(2)采样仪器野外使用及携带不方便;
(3)统计模型在寻找合适的指数时特异性强,适用范围不广;
(4)利用遥感建立关系模型反演的方法,精度有限,反演适应范围有限。
发明内容
本发明目的是提供一种基于彩色数字图像植被冠层覆盖度计算方法及系统,解决现有技术中存在的上述问题。
本发明解决上述技术问题的技术方案如下:
一种基于彩色数字图像植被冠层覆盖度计算方法,包括如下步骤:
步骤1,垂直拍摄获取待计算区域的彩色数字图像;
步骤2,计算所述彩色数字图像的每个像素的绿特征指数;
步骤3,调用Sobel算子分别根据每个像素的绿特征指数计算每个像素的梯度值,并将最大梯度值对应的像素的绿特征指数作为阈值;
步骤4,分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素,根据植被像素和非植被像素计算所述待计算区域的植被冠层覆盖度。
本发明的有益效果是:彩色数字图像可通过数码相机拍摄获得,相对于人眼估测和照片勾绘大大提高了植被冠层覆盖度的计算精度,节省人力,有效避免人为判断和先验经验不足带来的偶然误差,且数码相机操作简单,在野外适用性强;并且基于绿特征指数和最大梯度值选取阈值,有效避免环境因素和人为因素的影响,自适应性强,且阈值可通过本发明方法所对应的计算程序自动获取,准确性高。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤2的具体实现为根据如下第一公式计算每个像素的绿特征指数;
所述第一公式如下所示:
EG=2G-R-B
其中,所述EG为任一像素的绿特征指数,所述G、R和B分别为所述任一像素中绿色、红色和蓝色三种颜色在各自通道中的数值。
进一步,所述步骤3的具体实现包括如下步骤:
步骤31,调用Sobel算子根据如下第二公式和第三公式分别计算每个像素的横向亮度差分近似值和纵向亮度差分近似值;
所述第二公式如下所示:
所述第三公式如下所示:
其中,所述EG为任一像素的绿特征指数,所述 为Sobel算子的横向卷积因子,所述 为Sobel算子的纵向卷积因子,所述Sx为所述任一像素的横向亮度差分近似值,所述Sy为所述任一像素的纵向亮度差分近似值;
步骤32,根据如下第四公式计算每个像素的梯度值;
所述第四公式如下所示:
其中,所述M为所述任一像素的梯度值;
步骤33,将最大梯度值对应的像素的绿特征指数作为阈值。
进一步,所述步骤3的具体实现中按绿特征指数的大小顺序,逐一计算每个像素的梯度值,并绘制梯度值与绿特征指数的关系曲线,则关系曲线的最高点对应的梯度值即为最大梯度值。
采用上述进一步方案的有益效果是,按绿特征指数的大小顺序,逐一计算每个像素的梯度值,避免遗漏部分像素;绘制梯度值与绿特征指数的关系曲线,使最大梯度值清楚直观显现。
进一步,所述步骤4的具体实现包括如下步骤:
步骤41,分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素;
步骤42,计算全部植被像素所占面积与所述彩色数字图像总面积的百分比;
步骤43,当所述彩色数字图像为普通镜头拍摄的图像时,则所述百分比即为所述待计算区域的植被冠层覆盖度;当所述彩色数字图像为鱼眼镜头拍摄的图像时,则根据如下第五公式计算所述待计算区域的植被冠层覆盖度;
所述第五公式如下所示:
其中,所述y′为所述待计算区域的植被冠层覆盖度,所述y为所述百分比,所述m和n分别为所述彩色数字图像的长和宽,所述d为所述鱼眼镜头拍摄的图像中的有效图像的直径。
进一步,当所述彩色数字图像为鱼眼镜头拍摄的图像时,所述步骤1和步骤2之间还包括采用图像处理工具去除所述有效图像外围的噪点的步骤。
采用上述进一步方案的有益效果是,由于鱼眼镜头成像原因,有效图像外围会产生一圈噪点,此部分噪点像素的绿特征指数会大于阈值,从而被误分为植被像素,故去除有效图像外围的噪点,再进行植被冠层覆盖度计算,能够更好的保证计算的准确性。
进一步,所述垂直拍摄为从地面垂直向上拍摄,并且选择拍摄区域天空无云时进行。
采用上述进一步方案的有益效果是,因地面会存在绿草,在彩色数字图像中,绿草对应的像素会误分为植被像素,故垂直向上拍摄,采用天空作为背景,较垂直向下拍摄,采用地面作为背景计算准确性高;同理,云对应的像素也会误分为植被像素,故选择拍摄区域天空无云时进行,提高计算准确性。
本发明的另一技术方案如下:
一种基于彩色数字图像植被冠层覆盖度计算系统,包括数码相机、绿特征指数计算模块、阈值生成模块和植被冠层覆盖度计算模块;
所述数码相机,其用于垂直拍摄获取待计算区域的彩色数字图像;
所述绿特征指数计算模块,其用于计算所述彩色数字图像的每个像素的绿特征指数;
所述阈值生成模块,其用于调用Sobel算子分别根据每个像素的绿特征指数计算每个像素的梯度值,并将最大梯度值对应的像素的绿特征指数作为阈值;
所述植被冠层覆盖度计算模块,其用于分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素,根据植被像素和非植被像素计算所述待计算区域的植被冠层覆盖度。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述绿特征指数计算模块具体功能为根据如下第一公式计算每个像素的绿特征指数;
所述第一公式如下所示:
EG=2G-R-B
其中,所述EG为任一像素的绿特征指数,所述G、R和B分别为所述任一像素中绿色、红色和蓝色三种颜色在各自通道中的数值;
所述阈值生成模块包括亮度差分近似值计算单元、梯度值计算单元和阈值生成单元;
所述亮度差分近似值计算单元,其用于调用Sobel算子根据如下第二公式和第三公式分别计算每个像素的横向亮度差分近似值和纵向亮度差分近似值;
所述第二公式如下所示:
所述第三公式如下所示:
其中,所述EG为任一像素的绿特征指数,所述 为Sobel算子的横向卷积因子,所述 为Sobel算子的纵向卷积因子,所述Sx为所述任一像素的横向亮度差分近似值,所述Sy为所述任一像素的纵向亮度差分近似值;
所述梯度值计算单元,其用于根据如下第四公式计算每个像素的梯度值;
所述第四公式如下所示:
其中,所述M为所述任一像素的梯度值;
所述阈值生成单元,其用于将最大梯度值对应的像素的绿特征指数作为阈值。
进一步,所述植被冠层覆盖度计算模块包括像素划分单元、百分比计算单元和植被冠层覆盖度计算单元;
所述像素划分单元,其用于分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素;
所述百分比计算单元,其用于计算全部植被像素所占面积与所述彩色数字图像总面积的百分比;
所述植被冠层覆盖度计算单元,其用于当所述彩色数字图像为普通镜头拍摄的图像时,则所述百分比即为所述待计算区域的植被冠层覆盖度;当所述彩色数字图像为鱼眼镜头拍摄的图像时,则根据如下第五公式计算所述待计算区域的植被冠层覆盖度;
所述第五公式如下所示:
其中,所述y′为所述待计算区域的植被冠层覆盖度,所述y为所述百分比,所述m和n分别为所述彩色数字图像的长和宽,所述d为所述鱼眼镜头拍摄的图像中的有效图像的直径。
附图说明
图1为本发明一种基于彩色数字图像植被冠层覆盖度计算方法的方法流程图;
图2为本发明一种基于彩色数字图像植被冠层覆盖度计算系统的系统原理框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种基于彩色数字图像植被冠层覆盖度计算方法,包括如下步骤:
步骤1,垂直拍摄获取待计算区域的彩色数字图像;所述垂直拍摄为从地面垂直向上拍摄,并且选择拍摄区域天空无云时进行。
步骤2,计算所述彩色数字图像的每个像素的绿特征指数。
所述步骤2的具体实现为根据如下第一公式计算每个像素的绿特征指数;
所述第一公式如下所示:
EG=2G-R-B
其中,所述EG为任一像素的绿特征指数,所述G、R和B分别为所述任一像素中绿色、红色和蓝色三种颜色在各自通道中的数值。
当所述彩色数字图像为鱼眼镜头拍摄的图像时,所述步骤1和步骤2之间还包括采用图像处理工具去除所述有效图像外围的噪点的步骤。
步骤3,调用Sobel算子分别根据每个像素的绿特征指数计算每个像素的梯度值,并将最大梯度值对应的像素的绿特征指数作为阈值。
所述步骤3的具体实现中按绿特征指数的大小顺序,逐一计算每个像素的梯度值,并绘制梯度值与绿特征指数的关系曲线,则关系曲线的最高点对应的梯度值即为最大梯度值。
所述步骤3的具体实现包括如下步骤:
步骤31,调用Sobel算子根据如下第二公式和第三公式分别计算每个像素的横向亮度差分近似值和纵向亮度差分近似值;
所述第二公式如下所示:
所述第三公式如下所示:
其中,所述EG为任一像素的绿特征指数,所述 为Sobel算子的横向卷积因子,所述 为Sobel算子的纵向卷积因子,所述Sx为所述任一像素的横向亮度差分近似值,所述Sy为所述任一像素的纵向亮度差分近似值;
步骤32,根据如下第四公式计算每个像素的梯度值;
所述第四公式如下所示:
其中,所述M为所述任一像素的梯度值;
步骤33,将最大梯度值对应的像素的绿特征指数作为阈值。
步骤4,分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素,根据植被像素和非植被像素计算所述待计算区域的植被冠层覆盖度。
所述步骤4的具体实现包括如下步骤:
步骤41,分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素;
步骤42,计算全部植被像素所占面积与所述彩色数字图像总面积的百分比;
步骤43,当所述彩色数字图像为普通镜头拍摄的图像时,则所述百分比即为所述待计算区域的植被冠层覆盖度;当所述彩色数字图像为鱼眼镜头拍摄的图像时,则根据如下第五公式计算所述待计算区域的植被冠层覆盖度;
所述第五公式如下所示:
其中,所述y′为所述待计算区域的植被冠层覆盖度,所述y为所述百分比,所述m和n分别为所述彩色数字图像的长和宽,所述d为所述鱼眼镜头拍摄的图像中的有效图像的直径。
如图2所示,一种基于彩色数字图像植被冠层覆盖度计算系统,包括数码相机、绿特征指数计算模块、阈值生成模块和植被冠层覆盖度计算模块。
所述数码相机,其用于垂直拍摄获取待计算区域的彩色数字图像;所述数码相机包括日常使用的普通数码相机或手机内置的数码相机。
所述绿特征指数计算模块,其用于计算所述彩色数字图像的每个像素的绿特征指数。
所述绿特征指数计算模块具体功能为根据如下第一公式计算每个像素的绿特征指数;
所述第一公式如下所示:
EG=2G-R-B
其中,所述EG为任一像素的绿特征指数,所述G、R和B分别为所述任一像素中绿色、红色和蓝色三种颜色在各自通道中的数值;
所述阈值生成模块,其用于调用Sobel算子分别根据每个像素的绿特征指数计算每个像素的梯度值,并将最大梯度值对应的像素的绿特征指数作为阈值。
所述阈值生成模块包括亮度差分近似值计算单元、梯度值计算单元和阈值生成单元;
所述亮度差分近似值计算单元,其用于调用Sobel算子根据如下第二公式和第三公式分别计算每个像素的横向亮度差分近似值和纵向亮度差分近似值;
所述第二公式如下所示:
所述第三公式如下所示:
其中,所述EG为任一像素的绿特征指数,所述 为Sobel算子的横向卷积因子,所述 为Sobel算子的纵向卷积因子,所述Sx为所述任一像素的横向亮度差分近似值,所述Sy为所述任一像素的纵向亮度差分近似值;
所述梯度值计算单元,其用于根据如下第四公式计算每个像素的梯度值;
所述第四公式如下所示:
其中,所述M为所述任一像素的梯度值;
所述阈值生成单元,其用于将最大梯度值对应的像素的绿特征指数作为阈值。
所述植被冠层覆盖度计算模块,其用于分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素,根据植被像素和非植被像素计算所述待计算区域的植被冠层覆盖度。
所述植被冠层覆盖度计算模块包括像素划分单元、百分比计算单元和植被冠层覆盖度计算单元;
所述像素划分单元,其用于分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素;
所述百分比计算单元,其用于计算全部植被像素所占面积与所述彩色数字图像总面积的百分比;
所述植被冠层覆盖度计算单元,其用于当所述彩色数字图像为普通镜头拍摄的图像时,则所述百分比即为所述待计算区域的植被冠层覆盖度;当所述彩色数字图像为鱼眼镜头拍摄的图像时,则根据如下第五公式计算所述待计算区域的植被冠层覆盖度;
所述第五公式如下所示:
其中,所述y′为所述待计算区域的植被冠层覆盖度,所述y为所述百分比,所述m和n分别为所述彩色数字图像的长和宽,所述d为所述鱼眼镜头拍摄的图像中的有效图像的直径。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于彩色数字图像植被冠层覆盖度计算方法,其特征在于,包括如下步骤:
步骤1,垂直拍摄获取待计算区域的彩色数字图像;
步骤2,计算所述彩色数字图像的每个像素的绿特征指数;
步骤3,调用Sobel算子分别根据每个像素的绿特征指数计算每个像素的梯度值,并将最大梯度值对应的像素的绿特征指数作为阈值;
步骤4,分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素,根据植被像素和非植被像素计算所述待计算区域的植被冠层覆盖度。
2.根据权利要求1所述一种基于彩色数字图像植被冠层覆盖度计算方法,其特征在于,所述步骤2的具体实现为根据如下第一公式计算每个像素的绿特征指数;
所述第一公式如下所示:
EG=2G-R-B
其中,所述EG为任一像素的绿特征指数,所述G、R和B分别为所述任一像素中绿色、红色和蓝色三种颜色在各自通道中的数值。
3.根据权利要求1所述一种基于彩色数字图像植被冠层覆盖度计算方法,其特征在于,所述步骤3的具体实现包括如下步骤:
步骤31,调用Sobel算子根据如下第二公式和第三公式分别计算每个像素的横向亮度差分近似值和纵向亮度差分近似值;
所述第二公式如下所示:
所述第三公式如下所示:
其中,所述EG为任一像素的绿特征指数,所述 为Sobel算子的横向卷积因子,所述 为Sobel算子的纵向卷积因子,所述Sx为所述任一像素的横向亮度差分近似值,所述Sy为所述任一像素的纵向亮度差分近似值;
步骤32,根据如下第四公式计算每个像素的梯度值;
所述第四公式如下所示:
其中,所述M为所述任一像素的梯度值;
步骤33,将最大梯度值对应的像素的绿特征指数作为阈值。
4.根据权利要求1所述一种基于彩色数字图像植被冠层覆盖度计算方法,其特征在于,所述步骤3的具体实现中按绿特征指数的大小顺序,逐一计算每个像素的梯度值,并绘制梯度值与绿特征指数的关系曲线,则关系曲线的最高点对应的梯度值即为最大梯度值。
5.根据权利要求1所述一种基于彩色数字图像植被冠层覆盖度计算方法,其特征在于,所述步骤4的具体实现包括如下步骤:
步骤41,分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素;
步骤42,计算全部植被像素所占面积与所述彩色数字图像总面积的百分比;
步骤43,当所述彩色数字图像为普通镜头拍摄的图像时,则所述百分比即为所述待计算区域的植被冠层覆盖度;当所述彩色数字图像为鱼眼镜头拍摄的图像时,则根据如下第五公式计算所述待计算区域的植被冠层覆盖度;
所述第五公式如下所示:
其中,所述y′为所述待计算区域的植被冠层覆盖度,所述y为所述百分比,所述m和n分别为所述彩色数字图像的长和宽,所述d为所述鱼眼镜头拍摄的图像中的有效图像的直径。
6.根据权利要求5所述一种基于彩色数字图像植被冠层覆盖度计算方法,其特征在于,当所述彩色数字图像为鱼眼镜头拍摄的图像时,所述步骤1和步骤2之间还包括采用图像处理工具去除所述有效图像外围的噪点的步骤。
7.根据权利要求1至6任一项所述一种基于彩色数字图像植被冠层覆盖度计算方法,其特征在于,所述垂直拍摄为从地面垂直向上拍摄,并且选择拍摄区域天空无云时进行。
8.一种基于彩色数字图像植被冠层覆盖度计算系统,其特征在于,包括数码相机、绿特征指数计算模块、阈值生成模块和植被冠层覆盖度计算模块;
所述数码相机,其用于垂直拍摄获取待计算区域的彩色数字图像;
所述绿特征指数计算模块,其用于计算所述彩色数字图像的每个像素的绿特征指数;
所述阈值生成模块,其用于调用Sobel算子分别根据每个像素的绿特征指数计算每个像素的梯度值,并将最大梯度值对应的像素的绿特征指数作为阈值;
所述植被冠层覆盖度计算模块,其用于分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素,根据植被像素和非植被像素计算所述待计算区域的植被冠层覆盖度。
9.根据权利要求8所述一种基于彩色数字图像植被冠层覆盖度计算系统,其特征在于,所述绿特征指数计算模块具体功能为根据如下第一公式计算每个像素的绿特征指数;
所述第一公式如下所示:
EG=2G-R-B
其中,所述EG为任一像素的绿特征指数,所述G、R和B分别为所述任一像素中绿色、红色和蓝色三种颜色在各自通道中的数值;
所述阈值生成模块包括亮度差分近似值计算单元、梯度值计算单元和阈值生成单元;
所述亮度差分近似值计算单元,其用于调用Sobel算子根据如下第二公式和第三公式分别计算每个像素的横向亮度差分近似值和纵向亮度差分近似值;
所述第二公式如下所示:
所述第三公式如下所示:
其中,所述EG为任一像素的绿特征指数,所述 为Sobel算子的横向卷积因子,所述 为Sobel算子的纵向卷积因子,所述Sx为所述任一像素的横向亮度差分近似值,所述Sy为所述任一像素的纵向亮度差分近似值;
所述梯度值计算单元,其用于根据如下第四公式计算每个像素的梯度值;
所述第四公式如下所示:
其中,所述M为所述任一像素的梯度值;
所述阈值生成单元,其用于将最大梯度值对应的像素的绿特征指数作为阈值。
10.根据权利要求8所述一种基于彩色数字图像植被冠层覆盖度计算系统,其特征在于,所述植被冠层覆盖度计算模块包括像素划分单元、百分比计算单元和植被冠层覆盖度计算单元;
所述像素划分单元,其用于分别将每个像素的绿特征指数与所述阈值进行比较,将绿特征指数大于或等于所述阈值的对应像素归为植被像素,将绿特征指数小于所述阈值的对应像素归为非植被像素;
所述百分比计算单元,其用于计算全部植被像素所占面积与所述彩色数字图像总面积的百分比;
所述植被冠层覆盖度计算单元,其用于当所述彩色数字图像为普通镜头拍摄的图像时,则所述百分比即为所述待计算区域的植被冠层覆盖度;当所述彩色数字图像为鱼眼镜头拍摄的图像时,则根据如下第五公式计算所述待计算区域的植被冠层覆盖度;
所述第五公式如下所示:
其中,所述y′为所述待计算区域的植被冠层覆盖度,所述y为所述百分比,所述m和n分别为所述彩色数字图像的长和宽,所述d为所述鱼眼镜头拍摄的图像中的有效图像的直径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610049382.6A CN105719320B (zh) | 2016-01-25 | 2016-01-25 | 一种基于彩色数字图像植被冠层覆盖度计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610049382.6A CN105719320B (zh) | 2016-01-25 | 2016-01-25 | 一种基于彩色数字图像植被冠层覆盖度计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719320A true CN105719320A (zh) | 2016-06-29 |
CN105719320B CN105719320B (zh) | 2018-11-06 |
Family
ID=56154061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610049382.6A Active CN105719320B (zh) | 2016-01-25 | 2016-01-25 | 一种基于彩色数字图像植被冠层覆盖度计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719320B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067433A (zh) * | 2017-04-24 | 2017-08-18 | 电子科技大学 | 一种基于数字图像处理技术的叶面积指数地面测量方法 |
CN108932506A (zh) * | 2018-07-26 | 2018-12-04 | 吉林省林业科学研究院 | 基于图像分析获取积雪覆盖程度和植被返青程度的方法 |
CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
CN111814666A (zh) * | 2020-07-07 | 2020-10-23 | 华中农业大学 | 一种复杂林分下的单木参数提取方法、系统、介质及设备 |
CN115861858A (zh) * | 2023-02-16 | 2023-03-28 | 之江实验室 | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005122092A1 (de) * | 2004-06-11 | 2005-12-22 | Universität Bremen | Verfahren und vorrichtung zur segmentierung einer digitalen abbildung von zellen |
CN101364302A (zh) * | 2008-09-28 | 2009-02-11 | 西安理工大学 | 一种散焦模糊图像的清晰化处理方法 |
CN103475876A (zh) * | 2013-08-27 | 2013-12-25 | 北京工业大学 | 一种基于学习的低比特率压缩图像超分辨率重建方法 |
CN104574320A (zh) * | 2015-01-26 | 2015-04-29 | 北京工业大学 | 一种基于稀疏编码系数匹配的图像超分辨率复原方法 |
US20150310633A1 (en) * | 2014-04-25 | 2015-10-29 | Tazco Soil Service Co. | Image Processing System for Soil Characterization |
CN105069398A (zh) * | 2015-07-10 | 2015-11-18 | 南京信息工程大学 | 基于手机摄像头的草地覆盖度提取方法 |
-
2016
- 2016-01-25 CN CN201610049382.6A patent/CN105719320B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005122092A1 (de) * | 2004-06-11 | 2005-12-22 | Universität Bremen | Verfahren und vorrichtung zur segmentierung einer digitalen abbildung von zellen |
CN101364302A (zh) * | 2008-09-28 | 2009-02-11 | 西安理工大学 | 一种散焦模糊图像的清晰化处理方法 |
CN103475876A (zh) * | 2013-08-27 | 2013-12-25 | 北京工业大学 | 一种基于学习的低比特率压缩图像超分辨率重建方法 |
US20150310633A1 (en) * | 2014-04-25 | 2015-10-29 | Tazco Soil Service Co. | Image Processing System for Soil Characterization |
CN104574320A (zh) * | 2015-01-26 | 2015-04-29 | 北京工业大学 | 一种基于稀疏编码系数匹配的图像超分辨率复原方法 |
CN105069398A (zh) * | 2015-07-10 | 2015-11-18 | 南京信息工程大学 | 基于手机摄像头的草地覆盖度提取方法 |
Non-Patent Citations (7)
Title |
---|
夏平 等: "基于形态学处理和最小二乘法的海天线检测算法", 《光学与光电技术》 * |
张璐: "基于遥感影像和数码照片的西藏阿里地区植被覆盖度提取", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
曹建秋 等: "一种动态梯度算法图像二值化边缘提取", 《计算机与信息技术》 * |
田浩 等: "《数字图像处理原理与应用》", 31 July 2007, 清华大学出版社 * |
章超斌: "基于RGB模式的一种草地盖度定量快速测定方法研究", 《草业学报》 * |
胡健波 等: "基于数码照片的草地植被覆盖度快速提取方法", 《草业科学》 * |
钱金波: "祁连山狼盖度地面测量与卫星遥感估算", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067433A (zh) * | 2017-04-24 | 2017-08-18 | 电子科技大学 | 一种基于数字图像处理技术的叶面积指数地面测量方法 |
CN107067433B (zh) * | 2017-04-24 | 2019-09-24 | 电子科技大学 | 一种基于数字图像处理技术的叶面积指数地面测量方法 |
CN108932506A (zh) * | 2018-07-26 | 2018-12-04 | 吉林省林业科学研究院 | 基于图像分析获取积雪覆盖程度和植被返青程度的方法 |
CN111814666A (zh) * | 2020-07-07 | 2020-10-23 | 华中农业大学 | 一种复杂林分下的单木参数提取方法、系统、介质及设备 |
CN111814666B (zh) * | 2020-07-07 | 2021-09-24 | 华中农业大学 | 一种复杂林分下的单木参数提取方法、系统、介质及设备 |
CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
CN111751376B (zh) * | 2020-07-25 | 2023-06-23 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
CN115861858A (zh) * | 2023-02-16 | 2023-03-28 | 之江实验室 | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105719320B (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719320A (zh) | 一种基于彩色数字图像植被冠层覆盖度计算方法及系统 | |
Cucchiaro et al. | Monitoring topographic changes through 4D-structure-from-motion photogrammetry: application to a debris-flow channel | |
Smith et al. | From experimental plots to experimental landscapes: topography, erosion and deposition in sub‐humid badlands from structure‐from‐motion photogrammetry | |
Puno et al. | Determination of soil nutrients and pH level using image processing and artificial neural network | |
Lati et al. | Estimating plant growth parameters using an energy minimization-based stereovision model | |
Lati et al. | Robust methods for measurement of leaf-cover area and biomass from image data | |
CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
Capolupo et al. | A novel approach for detecting agricultural terraced landscapes from historical and contemporaneous photogrammetric aerial photos | |
Taghadosi et al. | Trend analysis of soil salinity in different land cover types using Landsat time series data (case study Bakhtegan Salt Lake) | |
CN112861732B (zh) | 一种生态环境脆弱区土地监测方法、系统及装置 | |
Yanti et al. | The aplication of Landsat 8 OLI for total suspended solid (TSS) mapping in Gajahmungkur reservoir Wonogiri regency 2016 | |
CN106709903A (zh) | 基于图像质量的pm2.5浓度预测方法 | |
Mazurkiewicz et al. | Assessment of nematode biomass in marine sediments: A semi‐automated image analysis method | |
Aviña-Hernández et al. | Predictive performance of random forest on the identification of mangrove species in arid environments | |
Zhong et al. | Combining photogrammetric Computer vision and semantic segmentation for fine-grained understanding of coral reef growth under climate change | |
CN107835998A (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
Becirevic et al. | On the derivation of crop heights from multitemporal UAV based imagery | |
CN108830273A (zh) | 基于图像局部对比度的能见度测量方法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
Pirotti et al. | Kernel feature cross-correlation for unsupervised quantification of damage from windthrow in forests | |
CN107038700A (zh) | 基于gssim的土壤湿度空间分布特征定量分析方法 | |
Patterson et al. | Effects of photographic distance on tree crown attributes calculated using UrbanCrowns image analysis software | |
Zheng et al. | Multi-crop-row detection based on strip analysis | |
Rossi | Evaluation of'Structure-from-Motion'from a Pole-Mounted Camera for Monitoring Geomorphic Change | |
Taherzadeh et al. | A comparison of hyperspectral data and WorldView-2 images to detect impervious surface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |