CN106023215A - 一种区分农田作物和背景的方法及系统 - Google Patents
一种区分农田作物和背景的方法及系统 Download PDFInfo
- Publication number
- CN106023215A CN106023215A CN201610350001.8A CN201610350001A CN106023215A CN 106023215 A CN106023215 A CN 106023215A CN 201610350001 A CN201610350001 A CN 201610350001A CN 106023215 A CN106023215 A CN 106023215A
- Authority
- CN
- China
- Prior art keywords
- channel
- pixel
- ratio
- image
- green
- 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
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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种区分农田作物和背景的方法及系统。该方法包括：获取待处理的彩色图像；将所述待处理的彩色图像分离为红色通道、绿色通道和蓝色通道；计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值；判断所述红色通道和绿色通道的比值与预设阈值的大小，判断所述蓝色通道和绿色通道的比值与预设阈值的大小；若所述红色通道和绿色通道的比值小于预设阈值且所述蓝色通道和绿色通道的比值小于预设阈值则确定对应的像元为农田作物，否则，确定对应的像元为背景。本发明避免了现有技术中对黄色和蓝色背景的误报，且处理速度快。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种区分农田作物和背景的方法及系统。
背景技术
对农田作物和背景进行区分是农田杂草和作物形态信息提取的基础。通过区分农田作物和土壤背景，能够实现实时的机载变量喷洒(如除草剂和肥料等)，进一步的节约药剂和减少对环境的破坏。当前进行绿色作物和土壤等背景区分的方法主要有超绿特征分量(ExcessiveGreen,EG＝2G-R-B)和归一化差分指标，HIS模型中的H分量分割方法以及基于多光谱信息的绿色作物和背景识别方法。
超绿特征分量方法是依据绿色植被中其绿色通道的分量大于红色和蓝色通道，其可以用下式(1)表示，
P＝a*G-b*B-c*R (1)
其中，G是绿色通道分量，B是蓝色通道分量，R是红色通道分量，P是得到的超绿值，a，b，c是系数。在实际使用中a,b,c的取值为2，1，1时能够获取最好的监测效果。当P大于某一值(20)的时候认为该像元是植被。
超绿特征分量方法能够快速的区分杂草和地物，但该方法对于呈现黄绿色的掉落叶片或者是颜色为黄绿色的植被识别存在较大的误判。
归一化比值法使用绿色通道的分量和红色通道的分量的归一化的比值方法来计算，如下式(2)所示，
P＝(G-R)/(G+R) (2)
其中，G是绿色通道分量，R是红色通道分量，P是归一化的比值。当P大于某一值(0.025)的时候认为该像元是植被。
归一化差分指标方法仅仅使用红绿分量进行区分，忽略了蓝色颜色分量。该方法对于呈蓝色的田间杂物、以及土壤裂缝的边缘出现误判的可能性较大。
由于RGB模式中，光照强弱对于颜色显示的影响较大。将RGB模式转换到HIS模型后，将形成色相(Hue，简H)，饱和度(Saturation，简S)和色明度(Value，简V)的表示法，能够较好的分离光照的影响，从而可以通过H值来区分植被和地表。HIS模型中的H分量分割方法需要首先进行RGB颜色空间转换到HIS颜色空间，该转换过于耗时，并不适用于实时处理的需求。
多光谱的识别方式是认为植被在近红外波段的反射远大于土壤等背景反射，因而使用归一化的植被指数(式3)即可判断。
NDVI＝(Nir-R)/(Nir+R) (3)
式中，Nir是近红外波段的反射值，R是红波段的反射值，NDVI是植被指数，当该值越大时表示植被的覆盖越强。
基于多光谱信息的区分方法效果好，但是需要相机支持近红外通道，另外相机价格较贵，是一般普通相机的10倍。
发明内容
本发明所要解决的技术问题是：现有的区分农田作物和背景的方法中对黄色和蓝色背景的误报、处理速度慢的问题。
为解决上述技术问题，本发明一方面提出了一种区分农田作物和背景的方法，该区分农田作物和背景的方法包括：
获取待处理的彩色图像；
将所述待处理的彩色图像分离为红色通道、绿色通道和蓝色通道；
计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值；
判断所述红色通道和绿色通道的比值与预设阈值的大小，判断所述蓝色通道和绿色通道的比值与预设阈值的大小；
若所述红色通道和绿色通道的比值小于预设阈值且所述蓝色通道和绿色通道的比值小于预设阈值则确定对应的像元为农田作物，否则，确定对应的像元为背景。
可选地，所述计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值包括：
获取待处理的彩色图像的大小，分别计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值。
可选地，该方法还包括：
创建与所述待处理的彩色图像大小相同的单通道图像，并将所述单通道图像的各个像元值置为0；
依次遍历所述待处理的彩色图像的各个像元，若所述像元为农田作物，则将所述单通道图像的对应像元值置为1。
可选地，该方法还包括：
创建与所述待处理的彩色图像大小相同的三通道图像，并将所述三通道图像的各个像元值置为255；
依次遍历所述单通道图像的各个像元，若所述像元值为1，则将所述红色通道、绿色通道、蓝色通道对应的像元值填充到所述三通道图像对应的像元。
可选地，所述预设阈值大于等于0.9小于等于0.96。
本发明另一方面提出了一种区分农田作物和背景的系统，该区分农田作物和背景的系统包括：
待处理图像获取单元，用于获取待处理的彩色图像；
待处理图像分离单元，用于将所述待处理的彩色图像分离为红色通道、绿色通道和蓝色通道；
比值计算单元，用于计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值；
判断单元，用于判断所述红色通道和绿色通道的比值与预设阈值的大小，判断所述蓝色通道和绿色通道的比值与预设阈值的大小；
区分单元，当所述红色通道和绿色通道的比值小于预设阈值且所述蓝色通道和绿色通道的比值小于预设阈值时，确定对应的像元为农田作物，否则，确定对应的像元为背景。
可选地，所述比值计算单元进一步用于：
获取待处理的彩色图像的大小，分别计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值。
可选地，该系统还包括单通道图像像元值确定单元，用于：
创建与所述待处理的彩色图像大小相同的单通道图像，并将所述单通道图像的各个像元值置为0；
依次遍历所述待处理的彩色图像的各个像元，若所述像元为农田作物，则将所述单通道图像的对应像元值置为1。
可选地，该系统还包括三通道图像像元值确定单元，用于：
创建与所述待处理的彩色图像大小相同的三通道图像，并将所述三通道图像的各个像元值置为255；
依次遍历所述单通道图像的各个像元，若所述像元值为1，则将所述红色通道、绿色通道、蓝色通道对应的像元值填充到所述三通道图像对应的像元。
可选地，所述预设阈值大于等于0.9小于等于0.96。
本发明提供的区分农田作物和背景的方法及系统，通过将待处理的彩色图像分离为红色通道、绿色通道和蓝色通道，并计算各个像元的红色通道和绿色通道的比值及各个像元的蓝色通道和绿色通道的比值，根据两个比值区分农田作物和背景，避免了现有技术中对黄色和蓝色背景的误报，且处理速度快。
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示出了本发明一个实施例的区分农田作物和背景的方法的流程示意图；
图2a示出了农田背景的红绿蓝三段波的散点图；
图2b示出了农田作物的红绿蓝三段波的散点图；
图2c示出了农田黄色背景的红绿蓝三段波的散点图；
图3示出了本发明一个实施例的区分农田作物和背景的系统的结构示意图。
具体实施方式
下面将结合附图对本发明的实施例进行详细描述。
图1示出了本发明一个实施例的区分农田作物和背景的方法的流程示意图。如图1所示，该实施例的区分农田作物和背景的方法，包括：
S11：获取待处理的彩色图像；
S12：将所述待处理的彩色图像分离为红色通道、绿色通道和蓝色通道；
S13：计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值；
S14：判断所述红色通道和绿色通道的比值与预设阈值的大小，判断所述蓝色通道和绿色通道的比值与预设阈值的大小；
S15：若所述红色通道和绿色通道的比值小于预设阈值且所述蓝色通道和绿色通道的比值小于预设阈值则确定对应的像元为农田作物，否则，确定对应的像元为背景。
本实施例的区分农田作物和背景的方法，通过将待处理的彩色图像分离为红色通道、绿色通道和蓝色通道，并计算各个像元的红色通道和绿色通道的比值及各个像元的蓝色通道和绿色通道的比值，根据两个比值区分农田作物和背景，避免了现有技术中对黄色和蓝色背景的误报，且处理速度快。
在一种可选的实施方式中，所述计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值包括：
获取待处理的彩色图像的大小，分别计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值。
该方法还包括：
创建与所述待处理的彩色图像大小相同的单通道图像，并将所述单通道图像的各个像元值置为0；
依次遍历所述待处理的彩色图像的各个像元，若所述像元为农田作物，则将所述单通道图像的对应像元值置为1。
该方法还包括：
创建与所述待处理的彩色图像大小相同的三通道图像，并将所述三通道图像的各个像元值置为255；
依次遍历所述单通道图像的各个像元，若所述像元值为1，则将所述红色通道、绿色通道、蓝色通道对应的像元值填充到所述三通道图像对应的像元。
优选地，所述预设阈值大于等于0.9小于等于0.96。
下面以一个具体的实施方式说明本发明的区分农田作物和背景的方法。
本发明提出的快速区分植被和地表的方法包括下列步骤：
第一步：获取待处理的真彩色图像。具体步骤为使用openCV的cvLoadImage()函数打开待处理的真彩色图像，获取返回文件指针inImg。
第二步：将读取的真彩色图像分离为红、绿、蓝三通道。具体步骤为使用openCV的cvCreateImage()函数新建三个单通道图像文件RedS、GreenS、BlueS，分别表示红、绿、蓝三通道。然后使用openCV的cvSplit()函数将第一步已经打开的inImg对应的真彩色图像分别分离到新创建的三个单通道图像，这样就完成了真彩色图像红、绿、蓝三通道的分离。
第三步：计算红色通道与绿色通道的比值Rr。具体步骤为获取图像的高度和宽度，逐像元的计算RedS和GreenS，得到比值Rr；计算蓝色通道与绿色通道的比值Rb。具体步骤为获取图像的高度和宽度，逐像元的计算BlueS和GreenS，得到比值Rb。
第四步：进行植被和背景的区分。具体步骤如下：使用openCVcvCreateImage()函数新建一个与原始图像大小一致的单通道图像NewRate，并将其所有值初始化为0，逐像元的进行遍历，判断像元对应的Rr与Rb是否同时在0.9到0.96范围内，若小于则认为是植被并将NewRate对应的像元值重置为1，否则是背景。
第五步：合成新的三通道图像，并且输出结果图像。具体步骤如下：使用openCV cvCreateImage()新建一个与原图像大小一致的三通道图像NewResultImg，并将所有的值初始化为255，逐像元的遍历NewRate，若该像元是植被即为1，将RedS、GreenS、BlueS红绿蓝对应的像元值填充到NewResultImg。完成遍历后，使用openC V的cvSaveImage()将结果图像NewResultImg写入到硬盘，得到真彩色的结果图像，完成背景和作物的判识。
下面通过附图2对本发明原理作进一步详细地描述。一般情况下，植被在可见光相机(红、绿、蓝三波段)下，绿色分量的值大于红色分量和蓝色分量。图1所示是植被、背景地表红绿蓝三波段的散点图，从图2b中可知农田作物的红绿蓝三波段的散点图呈现向上凸起的弧形，而图2a中背景地表红绿蓝三波段的散点图则不呈现为该形状。为此，通过红色通道与绿色通道比值，以及蓝色通道与绿色通道可以较好地区分植被和背景。
此外，对于黄色物体，其红、绿通道比值一般较大，如图2c所示，此时超绿特征分量方法会导致误报，而采用本方法则能较好的避免误报。同样，而归一化差分指标没有使用蓝色通道，这导致田间杂物和土壤裂缝的边缘处(在图像上呈现淡蓝色)容易误报。
通过双比值(红色通道与绿色通道的比值，蓝色通道与绿色通道的比值)来克服以往的方法对黄色和蓝色背景的误报，能够快速的区分植被和背景地表，满足实时处理的需要。且本发明不需相机支持近红外通道，降低了成本。
图3示出了本发明一个实施例的区分农田作物和背景的系统的结构示意图。如图3所示，本实施例的区分农田作物和背景的系统包括：
待处理图像获取单元31，用于获取待处理的彩色图像；
待处理图像分离单元32，用于将所述待处理的彩色图像分离为红色通道、绿色通道和蓝色通道；
比值计算单元33，用于计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值；
判断单元34，用于判断所述红色通道和绿色通道的比值与预设阈值的大小，判断所述蓝色通道和绿色通道的比值与预设阈值的大小；
区分单元35，当所述红色通道和绿色通道的比值小于预设阈值且所述蓝色通道和绿色通道的比值小于预设阈值时，确定对应的像元为农田作物，否则，确定对应的像元为背景。
在一种可选的实施方式中，比值计算单元33进一步用于：
获取待处理的彩色图像的大小，分别计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值。
该系统还包括单通道图像像元值确定单元，用于：
创建与所述待处理的彩色图像大小相同的单通道图像，并将所述单通道图像的各个像元值置为0；
依次遍历所述待处理的彩色图像的各个像元，若所述像元为农田作物，则将所述单通道图像的对应像元值置为1。
该系统还包括三通道图像像元值确定单元，用于：
创建与所述待处理的彩色图像大小相同的三通道图像，并将所述三通道图像的各个像元值置为255；
依次遍历所述单通道图像的各个像元，若所述像元值为1，则将所述红色通道、绿色通道、蓝色通道对应的像元值填充到所述三通道图像对应的像元。
优选地，所述预设阈值大于等于0.9小于等于0.96。
本实施例所述的区分农田作物和背景的系统可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
本发明提供的区分农田作物和背景的方法及系统，通过将待处理的彩色图像分离为红色通道、绿色通道和蓝色通道，并计算各个像元的红色通道和绿色通道的比值及各个像元的蓝色通道和绿色通道的比值，根据两个比值区分农田作物和背景，避免了现有技术中对黄色和蓝色背景的误报，且处理速度快。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种区分农田作物和背景的方法，其特征在于，包括：
获取待处理的彩色图像；
将所述待处理的彩色图像分离为红色通道、绿色通道和蓝色通道；
计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值；
判断所述红色通道和绿色通道的比值与预设阈值的大小，判断所述蓝色通道和绿色通道的比值与预设阈值的大小；
若所述红色通道和绿色通道的比值小于预设阈值且所述蓝色通道和绿色通道的比值小于预设阈值则确定对应的像元为农田作物，否则，确定对应的像元为背景。
2.根据权利要求1所述的区分农田作物和背景的方法，其特征在于，所述计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值包括：
获取待处理的彩色图像的大小，分别计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值。
3.根据权利要求1所述的区分农田作物和背景的方法，其特征在于，还包括：
创建与所述待处理的彩色图像大小相同的单通道图像，并将所述单通道图像的各个像元值置为0；
依次遍历所述待处理的彩色图像的各个像元，若所述像元为农田作物，则将所述单通道图像的对应像元值置为1。
4.根据权利要求3所述的区分农田作物和背景的方法，其特征在于，还包括：
创建与所述待处理的彩色图像大小相同的三通道图像，并将所述三通道图像的各个像元值置为255；
依次遍历所述单通道图像的各个像元，若所述像元值为1，则将所述红色通道、绿色通道、蓝色通道对应的像元值填充到所述三通道图像对应的像元。
5.根据权利要求1所述的区分农田作物和背景的方法，其特征在于，所述预设阈值大于等于0.9小于等于0.96。
6.一种区分农田作物和背景的系统，其特征在于，包括：
待处理图像获取单元，用于获取待处理的彩色图像；
待处理图像分离单元，用于将所述待处理的彩色图像分离为红色通道、绿色通道和蓝色通道；
比值计算单元，用于计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值；
判断单元，用于判断所述红色通道和绿色通道的比值与预设阈值的大小，判断所述蓝色通道和绿色通道的比值与预设阈值的大小；
区分单元，当所述红色通道和绿色通道的比值小于预设阈值且所述蓝色通道和绿色通道的比值小于预设阈值时，确定对应的像元为农田作物，否则，确定对应的像元为背景。
7.根据权利要求6所述的区分农田作物和背景的系统，其特征在于，所述比值计算单元进一步用于：
获取待处理的彩色图像的大小，分别计算各个像元的红色通道和绿色通道的比值，并计算各个像元的蓝色通道和绿色通道的比值。
8.根据权利要求6所述的区分农田作物和背景的系统，其特征在于，还包括单通道图像像元值确定单元，用于：
创建与所述待处理的彩色图像大小相同的单通道图像，并将所述单通道图像的各个像元值置为0；
依次遍历所述待处理的彩色图像的各个像元，若所述像元为农田作物，则将所述单通道图像的对应像元值置为1。
9.根据权利要求8所述的区分农田作物和背景的系统，其特征在于，还包括三通道图像像元值确定单元，用于：
创建与所述待处理的彩色图像大小相同的三通道图像，并将所述三通道图像的各个像元值置为255；
依次遍历所述单通道图像的各个像元，若所述像元值为1，则将所述红色通道、绿色通道、蓝色通道对应的像元值填充到所述三通道图像对应的像元。
10.根据权利要求6所述的区分农田作物和背景的系统，其特征在于，所述预设阈值大于等于0.9小于等于0.96。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610350001.8A CN106023215A (zh) | 2016-05-24 | 2016-05-24 | 一种区分农田作物和背景的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610350001.8A CN106023215A (zh) | 2016-05-24 | 2016-05-24 | 一种区分农田作物和背景的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106023215A true CN106023215A (zh) | 2016-10-12 |
Family
ID=57094545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610350001.8A Pending CN106023215A (zh) | 2016-05-24 | 2016-05-24 | 一种区分农田作物和背景的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106023215A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113014645A (zh) * | 2021-02-24 | 2021-06-22 | 暨南大学 | 基于物联网的草场环境监测系统 |
| CN113010849A (zh) * | 2021-02-24 | 2021-06-22 | 暨南大学 | 一种基于物联网的草场环境评价方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08115022A (ja) * | 1994-10-14 | 1996-05-07 | Fuji Xerox Co Ltd | 画像処理装置 |
| CN101839979A (zh) * | 2010-04-22 | 2010-09-22 | 中国农业大学 | 作物冠层植被指数测量方法及装置 |
| CN102663397A (zh) * | 2012-03-21 | 2012-09-12 | 华中科技大学 | 一种小麦出苗的自动检测方法 |
| CN104599271A (zh) * | 2015-01-20 | 2015-05-06 | 中国科学院半导体研究所 | 基于CIE Lab彩色空间的灰度阈值分割方法 |
-
2016
- 2016-05-24 CN CN201610350001.8A patent/CN106023215A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08115022A (ja) * | 1994-10-14 | 1996-05-07 | Fuji Xerox Co Ltd | 画像処理装置 |
| CN101839979A (zh) * | 2010-04-22 | 2010-09-22 | 中国农业大学 | 作物冠层植被指数测量方法及装置 |
| CN102663397A (zh) * | 2012-03-21 | 2012-09-12 | 华中科技大学 | 一种小麦出苗的自动检测方法 |
| CN104599271A (zh) * | 2015-01-20 | 2015-05-06 | 中国科学院半导体研究所 | 基于CIE Lab彩色空间的灰度阈值分割方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113014645A (zh) * | 2021-02-24 | 2021-06-22 | 暨南大学 | 基于物联网的草场环境监测系统 |
| CN113010849A (zh) * | 2021-02-24 | 2021-06-22 | 暨南大学 | 一种基于物联网的草场环境评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Efficient color boundary detection with color-opponent mechanisms | |
| US11158060B2 (en) | System and method for creating an image and/or automatically interpreting images | |
| US9477899B2 (en) | System and method for differentiating type of vegetation from remotely sensed data | |
| Liu et al. | Detection of citrus fruit and tree trunks in natural environments using a multi-elliptical boundary model | |
| BR112018009108B1 (pt) | Método para a aquisição e análise de imagens aéreas | |
| JP4858793B2 (ja) | 樹木本数算定方法及び樹木本数算定装置 | |
| US20030095704A1 (en) | Determination of an illuminant of digital color image by segmentation and filtering | |
| CN105205804A (zh) | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 | |
| US20210365725A1 (en) | System and method for creating an image and/or automatically interpreting images | |
| Yang et al. | A multi-band watershed segmentation method for individual tree crown delineation from high resolution multispectral aerial image | |
| CN101324955A (zh) | 基于颜色特征的植物根系图像分割方法 | |
| CN109272513A (zh) | 基于深度相机的手与物体交互分割方法及装置 | |
| Zhan et al. | Vegetation land use/land cover extraction from high-resolution satellite images based on adaptive context inference | |
| CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
| Khairunniza-Bejo et al. | Identification of healthy and BSR-infected oil palm trees using color indices | |
| Jing et al. | Automated tree crown delineation from imagery based on morphological techniques | |
| CN106023215A (zh) | 一种区分农田作物和背景的方法及系统 | |
| Payne et al. | Machine vision in estimation of fruit crop yield | |
| US9830514B2 (en) | Method and apparatus for distinguishing between types of vegetation using near infrared color photos | |
| Degerickx et al. | Mapping functional urban green types using hyperspectral remote sensing | |
| Sukhanov et al. | Fusion of LiDAR, hyperspectral and RGB data for urban land use and land cover classification | |
| CN112818880B (zh) | 基于深度学习的航拍图像植被提取与分类方法 | |
| Zhang et al. | PointBoost: LiDAR-Enhanced Semantic Segmentation of Remote Sensing Imagery | |
| CN102231190A (zh) | 冲洪积扇信息的自动提取方法 | |
| CN112052811A (zh) | 基于人工智能及航拍图像的牧场草原沙化检测方法 |
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: 20161012 |
|
| RJ01 | Rejection of invention patent application after publication |