CN106384081B - 一种基于高分辨率遥感影像的坡耕地提取方法和系统 - Google Patents
一种基于高分辨率遥感影像的坡耕地提取方法和系统 Download PDFInfo
- Publication number
- CN106384081B CN106384081B CN201610786871.XA CN201610786871A CN106384081B CN 106384081 B CN106384081 B CN 106384081B CN 201610786871 A CN201610786871 A CN 201610786871A CN 106384081 B CN106384081 B CN 106384081B
- Authority
- CN
- China
- Prior art keywords
- slope farmland
- slope
- land
- remote sensing
- suspected
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 84
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000011835 investigation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 239000002689 soil Substances 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012892 rational function Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000003313 weakening effect Effects 0.000 claims description 5
- 241001464837 Viridiplantae Species 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000004576 sand Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种基于高分辨率遥感图像的坡耕地提取方法和系统，该提取方法和系统具体为获取高分辨率遥感影像和高分辨率遥感影像的覆盖区域的数字高程模型；对高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；根据高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；根据坡耕地特征知识集对坡耕地提取兴趣区域进行识别，从中提取出坡耕地疑似地块；将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像能够为政府有关部门提供决策支持。
Description
技术领域
本发明涉及水土保持综合治理和国土调查技术领域，特别是涉及一种基于高分辨率遥感影像的坡耕地提取方法和系统。
背景技术
坡耕地又叫坡耕旱地，是指分布在山地丘陵区的坡面上、地面平整度差、跑水跑肥跑土突出、作物产量低的耕地。其地貌特征一般为坡度介于6°～25°之间的坡地，坡度小于6°的坡地可以看做是平地，而坡度超过25度以上的陡坡耕地应逐步退耕还林，这里不再作为坡耕地。坡耕地由于平整度较差，不利于耕作，且跑水跑肥跑土问题突出，因此严重制约旱地作物产量的提高。
有鉴于此，有必要对坡耕地进行统计，其中，最为高效快捷的统计方法就是利用高分辨率遥感影像将坡耕地提取出来，用于为政府有关部门的综合治理、土地规划设计、监督执法、效益评价提供决策支持。
发明内容
有鉴于此，本发明提供了一种基于高分辨率遥感影像的坡耕地提取方法和系统，用于为政府有关部门的综合治理、土地规划设计、监督执法、效益评价提供决策支持。
为了解决上述问题，本发明公开了一种基于高分辨率遥感影像的坡耕地提取方法，具体包括如下步骤：
获取高分辨率遥感影像和所述高分辨率遥感影像的覆盖区域的数字高程模型；
对所述高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；
根据所述高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，所述坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；
根据所述坡耕地特征知识集对所述坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块；
将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。
可选的，所述对所述高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像，包括：
应用ATCOR3大气校正模型进行大气校正，消除所述高分辨率遥感影像的辐射误差；
应用有理函数模型进行正射纠正，消除或减弱所述高分辨率遥感影像的影像变形；
利用PANSHARP融合方法对所述高分辨率遥感影像的光谱数据进行融合；
根据所述高分辨率遥感影像的相邻影像的重叠情况、影像质量、区域地形地貌特征，制作镶嵌线矢量文件；
利用所述镶嵌线矢量文件和区域边界范围对所述高分辨率遥感影像进行裁切，得到所述区域边界范围内高分遥感影像。
可选的，所述根据所述坡耕地特征知识集对所述坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块，包括：
根据预设的第一提取规则集提取出疑似第一类坡耕地的第一坡耕地疑似地块；
根据预设的第二提取规则集提取出疑似第二类坡耕地的第二坡耕地疑似地块；
所述坡耕地疑似地块包括所述第一坡耕地疑似地块和所述第二坡耕地疑似地块。可选的，在所述根据所述坡耕地特征知识集对所述影像同质形区域进行识别，从中提取出坡耕地疑似地块步骤之前，还包括步骤：
从所述区域边界范围内高分遥感影像内，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域，根据DEM计算坡度，筛选出坡度均值在6～25°的影像同质性区域，建立所述坡耕地提取的兴趣区。
可选的，在所述将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像步骤之前，还包括步骤：
基于田坎密度特征剔除所述坡耕地疑似地块内的梯田。
相应的，为了保证上述方法的实施，本发明还提供了一种基于高分辨率遥感影像的坡耕地提取系统，具体包括：
数据获取模块，用于获取高分辨率遥感影像和所述高分辨率遥感影像的覆盖区域的数字高程模型；
数据预处理模块，用于对所述高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；
特征知识集建立模块，用于根据所述高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，所述坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；
疑似地块提取模块，用于根据所述坡耕地特征知识集对所述坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块；
修正拼接模块，用于将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。
可选的，所述数据预处理模块包括：
大气校正单元，用于应用ATCOR3大气校正模型进行大气校正，消除所述高分辨率遥感影像的辐射误差；
正射纠正单元，用于应用有理函数模型进行正射纠正，消除或减弱所述高分辨率遥感影像的影像变形；
数据融合单元，用于利用PANSHARP融合方法对所述高分辨率遥感影像的光谱数据进行融合；
矢量文件制作单元，用于根据所述高分辨率遥感影像的相邻影像的重叠情况、影像质量、区域地形地貌特征，制作镶嵌线矢量文件；
图像裁切单元，用于利用所述镶嵌线矢量文件和区域边界范围对所述高分辨率遥感影像进行裁切，得到所述区域边界范围内高分遥感影像。
可选的，所述疑似地块提取模块包括：
第一提取单元，用于根据预设的第一提取规则集提取出疑似第一类坡耕地的第一坡耕地疑似地块；
第二提取单元，用于根据预设的第二提取规则集提取出疑似第二类坡耕地的第二坡耕地疑似地块；
所述坡耕地疑似地块包括所述第一坡耕地疑似地块和所述第二坡耕地疑似地块。
可选的，还包括：
坡耕地兴趣区框定模块，用于在所述疑似地块提取模块对所述坡耕地疑似地块进行提取之前，基于多尺度分割方法，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域，根据DEM计算坡度，筛选出坡度均值在6～25°的影像同质性区域，建立坡耕地提取的兴趣区。
可选的，在所述将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像步骤之前，还包括步骤：
梯田剔除模块，用于在所述修正拼接模块对所述坡耕地疑似地块进行修正拼接之前，基于田坎密度特征剔除所述坡耕地疑似地块内的梯田。
从上述技术方案可以看出，本发明提供了一种基于高分辨率遥感图像的坡耕地提取方法和系统，该提取方法和系统具体为获取高分辨率遥感影像和高分辨率遥感影像的覆盖区域的数字高程模型；对高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；根据高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；根据坡耕地特征知识集对坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块；将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。由此可以看出，上述技术方案可以利用高分辨率遥感影像方便地得到的坡耕地图像，从而能够为政府有关部门的综合治理、土地规划设计、监督执法、效益评价提供决策支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于高分辨率遥感影像的坡耕地提取方法实施例的步骤流程图；
图2为本发明的另一种基于高分辨率遥感影像的坡耕地提取方法实施例的步骤流程图；
图2a为本发明提供的第一提取规则集的示意图；
图2b为本发明提供的第二提取规则集的示意图；
图3为本发明的一种基于高分辨率遥感影像的坡耕地提取系统实施例的结构框图；
图4为本发明的另一种基于高分辨率遥感影像的坡耕地提取系统实施例的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1为本发明的一种基于高分辨率遥感影像的坡耕地提取方法实施例的步骤流程图。
参照图1所示，本实施例提供的坡耕地提取方法用于根据预先得到的高分辨率遥感影像对坡耕地进行提取，具体包括步骤：
S101：获取高分辨率遥感图像和其覆盖区域的数字高程模型。
高分辨率遥感影像不限于高分辨率一号、高分辨率二号以及其他相似卫星数据源。其中，相似卫星数据源需同时具有多光谱波段和全色波段，全色波段具有优于2米的空间分辨率、多光谱波段至少具有蓝波段、绿波段、红波段、近红外波段。
数字高程模型DEM是指通过有限的地形高程数据实现对地形曲面的数字化模拟或地表形态的数字化表示，这里获取的高分辨率遥感影像的覆盖区域的数字高程模型应优于30米空间分辨率，且具有正确地理空间数学基础。
另外，还需要获取该覆盖区域的校正参考数据，校正参考数据可为同一地区、具有正确地理空间数学基础的正射影像或地形图，若为正射影像，空间分辨率应优于10米，若为地形图，比例尺应大于1:5万。
S102：对高分辨率遥感影像进行预处理。
预处理的目的是去除其中的误差即变形，通过预处理得到区域边界范围内高分遥感影像，为坡耕地的提取做好准备。
S103：建立坡耕地特征知识集。
对照高分辨率遥感影像，并进一步参考外业调查成果或历史研究成果，分析区域内坡耕地的对象特征和对应位置的遥感影像解译特征，主要包括光谱特征、形状特征、纹理特征、空间分布特征。基于对特征分析的总结，坡耕地分为第一类坡耕地和第二类坡耕地，第一类坡耕地指作物长势较好的坡耕地，第二类坡耕地指的是裸露或处于出苗期的坡耕地，即该第二类坡耕地反映的是裸露区域或者出苗期区域的坡耕地。该特征知识集如表1所示。
表1
S104：从坡耕地提取兴趣区提取疑似坡耕地。
基于多尺度分割方法，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域；
影像同质性区域是指在影像信息损失最小的前提下，以任意尺度生成具有相同特征(如光谱、纹理和空间组合关系等)的“同质均一”不规则多边形区域，或者说即影像对象，即构建的不同尺度的影像对象网络层次结构。
根据DEM计算坡度，筛选出坡度均值在6-25°的影像同质性区域，作为坡耕地提取的兴趣区。
根据所述坡耕地特征知识集对所述坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块。
根据前面所述可知，实际坡耕地包括作物长势较好的第一类坡耕地，还包括裸露或出苗期的第二类坡耕地，因此需要分别提取疑似第一类坡耕地的第一类坡耕地疑似地块和疑似第二类坡耕地的第二类坡耕地疑似地块，然后进行拼接即可得到完整的疑似坡耕地
S105：将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。
基于梯田田坎密度特征剔除所述坡耕地疑似地块内的梯田，剔除梯田后的坡耕地疑似地块中会存在大量孔穴、孤岛，需要通过后处理来进行消除，将经过消除孔穴和孤岛后的坡耕地疑似地块进行拼接才能得到最后的坡耕地图像。具体的处理过程包括：
步骤1：剔除坡耕地疑似地块内的梯田
首先通过canny算子提取坡耕地疑似地块内的田坎线条，并统计每个坡耕地疑似地块内的田坎数量和田坎密度；
然后，通过设定坡耕地疑似地块内的田坎密度阈值，当坡耕地疑似地块内同时满足田坎数量和田坎密度阈值时，则认为是梯田，应该剔除掉该部分图斑，保留坡耕地疑似地块。
步骤2：利用预设算法进行修正。
首先，通过预设的图斑面积阈值，将小于一定面积的琐碎图斑合并到相邻的图斑中，以消除坡耕地疑似地块中的孤岛。
然后，通过查找图斑内部空洞的算法，查找图斑内部的其他地类小图斑、即孔洞，并对其进行填充为指定地类，从而达到消除其中的孔洞的目的。
步骤3：通过人机交互方式进一步修正。
首先利用用户输入的修改指令对分类错误的图斑属性进行修改，即多提的坡耕地赋值为“其他地类”，漏提的坡耕地赋值为“坡耕地”。
然后在用户的控制下对分割错误的图斑形状进行修改，切除多分的坡耕地图斑，并将多分的图斑合并到“其他地类图斑”中。
步骤4：输出坡耕地图像。
首先将相邻的、属性一致(即同类型)的多个图斑进行合并，合并之后形成一个大图斑。
然后将相邻景影像的坡耕地提取结果进行拼接，检查拼接处相邻图斑的属性是否一致、边界是否正确，并将接边处相邻属性的图斑进行合并，保证无缝拼接，从而最终得到上述的坡耕地图像。
从上述技术方案可以看出，本实施例提供了一种基于高分辨率遥感图像的坡耕地提取方法，该提取方法具体为获取高分辨率遥感影像和高分辨率遥感影像的覆盖区域的数字高程模型；对高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；根据高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；根据坡耕地特征知识集对坡耕地提取兴趣区进行识别，从中提取出坡耕地疑似地块；将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。由此可以看出，上述技术方案可以利用高分辨率遥感影像方便地得到的坡耕地图像，从而能够为政府有关部门的综合治理、土地规划设计、监督执法、效益评价提供决策支持。
实施例二
图2为本发明的另一种基于高分辨率遥感影像的坡耕地提取方法实施例的步骤流程图。
参照图2所示，本实施例提供的坡耕地提取方法用于根据预先得到的高分辨率遥感影像对坡耕地进行提取，具体包括步骤：
S201：获取高分辨率遥感图像和其覆盖区域的数字高程模型。
高分辨率遥感影像不限于高分辨率一号、高分辨率二号以及其他相似卫星数据源。其中，相似卫星数据源需同时具有多光谱波段和全色波段，全色波段具有优于2米的空间分辨率、多光谱波段至少具有蓝波段、绿波段、红波段、近红外波段。
数字高程模型DEM是指通过有限的地形高程数据实现对地形曲面的数字化模拟或地表形态的数字化表示，这里获取的高分辨率遥感影像的覆盖区域的数字高程模型应优于30米空间分辨率，且具有正确地理空间数学基础。
另外，还需要获取该覆盖区域的校正参考数据，校正参考数据可为同一地区、具有正确地理空间数学基础的正射影像或地形图，若为正射影像，空间分辨率应优于10米，若为地形图，比例尺应大于1:5万。
S202：对高分辨率遥感影像进行预处理。
预处理的目的是去除其中的误差即变形，通过预处理得到区域边界范围内高分遥感影像，为坡耕地的提取做好准备。预处理的具体步骤包括：
步骤1：应用ATCOR3大气校正模型进行大气校正，以消除高分辨率遥感影像中由大气散射引起的辐射误差。
步骤2：应用有理函数模型分别对全色和多光谱影像进行正射纠正，消除或减弱地形起伏带来的影像变形。
步骤3：用PANSHARP融合方法，对经过正射纠正后满足精度要求的全色与多光谱数据进行融合。
步骤4：根据相邻影像的重叠情况、影像质量、区域地形地貌特征，制作影像镶嵌线矢量文件，其中的镶嵌线应尽量选取道路、河流等线状地物或地块边界等明显分界线，且应避开云、雾、雪及其他质量相对较差的区域。
步骤5：按照区域边界范围及制作好的镶嵌线矢量文件，对每景高分辨遥感影像按照各自的镶嵌线进行裁切，最终得到区域边界范围内高分遥感影像。
S203：建立坡耕地特征知识集。
对照高分辨率遥感影像，并进一步参考外业调查成果或历史研究成果，分析区域内坡耕地的对象特征和对应位置的遥感影像解译特征，主要包括光谱特征、形状特征、纹理特征、空间分布特征。基于对特征分析的总结，坡耕地分为第一类坡耕地和第二类坡耕地，第一类坡耕地指作物长势较好的坡耕地，第二类坡耕地指的是裸露或处于出苗期的坡耕地，即该第二类坡耕地反映的是裸露区域或者出苗期区域的坡耕地。该特征知识集如表1所示。
S204：对坡耕地提取兴趣区进行框定。
基于多尺度分割方法，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域，由于坡耕地分布与坡度为6°～25°这一特性，因此，筛选出坡度均值在6～25°的影像同质性区域，建立坡耕地提取兴趣区，以达到减小运算量量的目的，提高运算速度。其中影像中的坡度通过数字高程模型进行提取。S205：从坡耕地提取兴趣区内提取疑似坡耕地。
根据前面所述可知，实际坡耕地包括作物长势较好的第一类坡耕地，还包括裸露或出苗期的第二类坡耕地，因此需要分别提取疑似第一类坡耕地的第一类坡耕地疑似地块和疑似第二类坡耕地的第二类坡耕地疑似地块，然后进行拼接即可得到完整的疑似坡耕地，具体的提取过程如下：
步骤1：根据预设的第一提取规则集提取疑似第一类坡耕地的第一坡耕地疑似地块。
第一类坡耕地通常连片大块分布，分割形成的图斑也较大，造成图斑内往往因种植作物的不同而纹理不均，因此，不考虑基于纹理特征的算法，选择光谱、形状特征算法。其中第一提取规则集如图2a所示。
在进行提取时，首先框定第一类坡耕地的最大范围。耕地和裸地、沙地在融合第4波段上的灰度值最高，且二者可分离度不高，因此先将二者一并框定，之后再逐步将裸地、沙地剔除。在此步骤中，用到Mean Fu_B4一个特征算法。
Mean Fu_B4，融合第4波段均值，均值的计算公式：
式中
——地物图斑v在图层L上的平均亮度值；
n——地物图斑v的像元总个数；
CLi——地物图斑v中第i个像素在图层L上的亮度值。
Mean Fu_B4>＝farmland1_nir,farmland1_nir为有效框定第一类坡耕地最大范围的临界值。
然后，剔除植被信息弱的干扰地物。
第一类坡耕地植被生长旺盛，植被指数较高，利用该特征剔除绝大多数在第一步中混入的裸地、沙地等植被信息弱的干扰地物。在此步骤中，用到NDVI一个特征算法。
特征算法：NDVI，归一化植被指数,计算公式:
NDVI＝(NIR-Red)/(NIR+Red)
式中NIR——近红外波段；Red——红光波段。
NDVI>＝farmland1_ndvi,farmland1_ndvi为有效保留第一类坡耕地去除干扰地物的临界值。
最后，剔除线状干扰地物，即剔除植被覆盖相对较好的线状道路、线状林园草等地类图斑，这里用到密度特征算法。
密度特征算法：Density，密度通过影像对象面积除以半径的比值表征，半径采用协方差矩阵来近似计算，密度反映分割对象的紧致程度，密度算法规定形状越接近正方形，密度越高。计算公式：
式中n——分割对象包含的像素数量；
X——分割对象的所有像素的x坐标；
Y——分割对象所有像素的y坐标；
d——分割对象的面积与半径的比值。
Density>＝farmland1_density,farmland1_density为有效去除线状干扰地物又较完整的保留第一类坡耕地的临界值。
步骤2：根据预设的第二提取规则集提取疑似第二类坡耕地的第二类坡耕地疑似地块。
第二类坡耕地的光谱特征与裸地、沙地、土路等极其相似不容易区分，然而其地图斑内往往纹理较均一，纹理特征与裸地、沙地区分度高，形状特征与土路区分度高。因此，可以利用基于光谱特征的算法先框定第二类坡耕地最大范围，再利用纹理特征和形状特征，将混分地类剔除。其中第二提取规则集如图2b所示。
在提取第二类坡耕地疑似地块时，首先框定第二类坡耕地的最大范围，由于第二类坡耕地与裸地、沙地、土路等地物在各个波段的反射率均很高，可同时用亮度特征算法框定第二类坡耕地的最大范围。
亮度(Brightness)特征算法定义为一个影像对象的光谱平均值的平均值，计算公式为：
式中
——地物图斑在各个图层(一幅影像包含四个图层)的权重值；
k——地物图斑在各个图层的个数；
wB——图斑所有亮度权重的总和；
Brightness>＝farmland2_brightness，farmland2_brightness为有效框定第二类坡耕地最大范围又尽量少的混入其他地类的临界值。
然后，剔除线状干扰地物。
具体为利用密度特征算法Density剔除较亮的土路干扰地物。
最后，剔除纹理粗糙的干扰地物。
具体为基于纹理特征算法剔除纹理粗糙的裸地、沙地等干扰地物。
纹理特征算法：灰度共生矩阵(Grey Level Concurrence Matrix，GLCM)是描述纹理的方法中最常用的方法之一。灰度共生矩阵提供了影像灰度方向、间隔和变化幅度的信息，但它并不能直接提供区别纹理的特性，因此需要在灰度共生矩阵的基础上提取用来定量描述纹理特征的统计属性。常用的用于提取遥感影像中纹理信息的特征统计量主要有：均值、方差、同质性、对比度、熵、相关性等。本研究选用灰度共生矩阵的同质性作为特征统计量，同质性(Homogeneity)是对图像纹理局部变化大小的度量，值越大说明图像纹理缺少变化，局部非常均匀。其算法公式为：
式中i——行数；
j——列数；
pi,j——像元i、j坐标的归一化亮度值；
N——对象的总行数或者总列数；
IDM——灰度共生矩阵的逆差距，用于反应图像纹理的同质性。
GLCM>＝farmland2_GLCM,farmland2_GLCM为有效去除纹理粗糙干扰地物又较完整的保留第二类坡耕地的临界值。
S206：基于田坎密度特征将梯田予以剔除。
梯田与坡耕地的区别在于，梯田的田坎较多、排列较规则，因此可采用基于田坎密度特征的算法，从疑似坡耕地地块中剔除梯田地块图斑，保留坡耕地。
当疑似坡耕地图斑同时满足田坎数量和田坎密度阈值时，则认为是梯田，应该剔除掉该部分图斑，保留坡耕地。
S207：将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。
剔除梯田后的坡耕地疑似地块中会存在大量孔穴、孤岛，需要通过后处理来进行消除，将经过消除孔穴和孤岛后的坡耕地疑似地块进行拼接才能得到最后的坡耕地图像。具体的处理过程包括：
步骤1：利用预设算法进行修正。
首先，通过预设的图斑面积阈值，将小于一定面积的琐碎图斑合并到相邻的图斑中，以消除坡耕地疑似地块中的孤岛。
然后，通过查找图斑内部空洞的算法，查找图斑内部的其他地类小图斑、即孔洞，并对其进行填充为指定地类，从而达到消除其中的孔洞的目的。
步骤2：通过人机交互方式进一步修正。
首先利用用户输入的修改指令对分类错误的图斑属性进行修改，即多提的坡耕地赋值为“其他地类”，漏提的坡耕地赋值为“坡耕地”。
然后在用户的控制下对分割错误的图斑形状进行修改，切除多分的坡耕地图斑，并将多分的图斑合并到“其他地类图斑”中。
步骤3：输出坡耕地图像。
首先将相邻的、属性一致(即同类型)的多个图斑进行合并，合并之后形成一个大图斑。
然后将相邻景影像的坡耕地提取结果进行拼接，检查拼接处相邻图斑的属性是否一致、边界是否正确，并将接边处相邻属性的图斑进行合并，保证无缝拼接，从而最终得到上述的坡耕地图像。
从上述技术方案可以看出，本实施例提供了一种基于高分辨率遥感图像的坡耕地提取方法，该提取方法具体为获取高分辨率遥感影像和高分辨率遥感影像的覆盖区域的数字高程模型；对高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；根据高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；根据坡耕地的位置特性，基于DEM计算坡度，框定出坡耕地提取兴趣区；根据坡耕地特征知识集对坡耕地提取兴趣区进行识别，从中提取出坡耕地疑似地块；基于梯田的田坎密度特征剔除坡耕地疑似地块中的梯田；将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。由此可以看出，上述技术方案可以利用高分辨率遥感影像方便地得到的坡耕地图像，从而能够为政府有关部门的综合治理、土地规划设计、监督执法、效益评价提供决策支持。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
实施例三
图3为本发明的一种基于高分辨率遥感影像的坡耕地提取系统实施例的结构框图。
参照图3所示，本实施例提供的坡耕地提取系统用于根据预先得到的高分辨率遥感影像对坡耕地进行提取，具体包括数据获取模块10、数据预处理模块20、特征知识集建立模块30、疑似地块提取模块40和修正拼接模块50。
数据获取模块10用于获取高分辨率遥感图像和其覆盖区域的数字高程模型。
高分辨率遥感影像不限于高分辨率一号、高分辨率二号以及其他相似卫星数据源。其中，相似卫星数据源需同时具有多光谱波段和全色波段，全色波段具有优于2米的空间分辨率、多光谱波段至少具有蓝波段、绿波段、红波段、近红外波段。
数字高程模型DEM是指通过有限的地形高程数据实现对地形曲面的数字化模拟或地表形态的数字化表示，这里获取的高分辨率遥感影像的覆盖区域的数字高程模型应优于30米空间分辨率，且具有正确地理空间数学基础。
另外，还需要获取该覆盖区域的校正参考数据，校正参考数据可为同一地区、具有正确地理空间数学基础的正射影像或地形图，若为正射影像，空间分辨率应优于10米，若为地形图，比例尺应大于1:5万。
数据预处理模块20用于对高分辨率遥感影像进行预处理。
预处理的目的是去除其中的误差即变形，通过预处理得到区域边界范围内高分遥感影像，为坡耕地的提取做好准备。
特征知识集建立模块30用于建立坡耕地特征知识集。
对照高分辨率遥感影像，并进一步参考外业调查成果或历史研究成果，分析区域内坡耕地的对象特征和对应位置的遥感影像解译特征，主要包括光谱特征、形状特征、纹理特征、空间分布特征。基于对特征分析的总结，坡耕地分为第一类坡耕地和第二类坡耕地，第一类坡耕地指作物长势较好的坡耕地，第二类坡耕地指的是裸露或处于出苗期的坡耕地，即该第二类坡耕地反映的是裸露区域或者出苗期区域的坡耕地。该特征知识集如表1所示。
表1
疑似地块提取模块40用于从坡耕地提取兴趣区提取疑似坡耕地。
基于多尺度分割方法，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域；
影像同质性区域是指在影像信息损失最小的前提下，以任意尺度生成具有相同特征(如光谱、纹理和空间组合关系等)的“同质均一”不规则多边形区域，或者说即影像对象，即构建的不同尺度的影像对象网络层次结构。
根据DEM计算坡度，筛选出坡度均值在6-25°的影像同质性区域，作为坡耕地提取的兴趣区。
根据所述坡耕地特征知识集对所述坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块。
根据前面所述可知，实际坡耕地包括作物长势较好的第一类坡耕地，还包括裸露或出苗期的第二类坡耕地，因此需要分别提取疑似第一类坡耕地的第一类坡耕地疑似地块和疑似第二类坡耕地的第二类坡耕地疑似地块，然后进行拼接即可得到完整的疑似坡耕地
修正拼接模块50用于将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。
基于梯田田坎密度特征剔除所述坡耕地疑似地块内的梯田，剔除梯田后的坡耕地疑似地块中会存在大量孔穴、孤岛，需要通过后处理来进行消除，将经过消除孔穴和孤岛后的坡耕地疑似地块进行拼接才能得到最后的坡耕地图像。该模块具体包括第一修正单元51、第二修正单元52和图像输出单元53。
第一修正单元51用于剔除坡耕地疑似地块内的梯田
首先通过canny算子提取坡耕地疑似地块内的田坎线条，并统计每个坡耕地疑似地块内的田坎数量和田坎密度；
然后，通过设定坡耕地疑似地块内的田坎密度阈值，当坡耕地疑似地块内同时满足田坎数量和田坎密度阈值时，则认为是梯田，应该剔除掉该部分图斑，保留坡耕地疑似地块。
第二修正单元52用于利用预设算法进行修正。
首先，通过预设的图斑面积阈值，将小于一定面积的琐碎图斑合并到相邻的图斑中，以消除坡耕地疑似地块中的孤岛。
然后，通过查找图斑内部空洞的算法，查找图斑内部的其他地类小图斑、即孔洞，并对其进行填充为指定地类，从而达到消除其中的孔洞的目的。
第三修正单元53用于通过人机交互方式进一步修正。
首先利用用户输入的修改指令对分类错误的图斑属性进行修改，即多提的坡耕地赋值为“其他地类”，漏提的坡耕地赋值为“坡耕地”。
然后在用户的控制下对分割错误的图斑形状进行修改，切除多分的坡耕地图斑，并将多分的图斑合并到“其他地类图斑”中。
图像输出单元54用于输出坡耕地图像。
首先将相邻的、属性一致(即同类型)的多个图斑进行合并，合并之后形成一个大图斑。
然后将相邻景影像的坡耕地提取结果进行拼接，检查拼接处相邻图斑的属性是否一致、边界是否正确，并将接边处相邻属性的图斑进行合并，保证无缝拼接，从而最终得到上述的坡耕地图像。
从上述技术方案可以看出，本实施例提供了一种基于高分辨率遥感图像的坡耕地提取系统，该提取系统具体为获取高分辨率遥感影像和高分辨率遥感影像的覆盖区域的数字高程模型；对高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；根据高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；根据坡耕地特征知识集对坡耕地提取兴趣区域进行识别，从中提取出坡耕地疑似地块；将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。由此可以看出，上述技术方案可以利用高分辨率遥感影像方便地得到的坡耕地图像，从而能够为政府有关部门的综合治理、土地规划设计、监督执法、效益评价提供决策支持。
实施例四
图4为本发明的另一种基于高分辨率遥感影像的坡耕地提取方法实施例的步骤流程图。
参照图4所示，本实施例提供的坡耕地提取方法用于根据预先得到的高分辨率遥感影像对坡耕地进行提取，具体包括数据获取模块10、数据预处理模块20、特征知识集建立模块30、疑似地块提取模块40和修正拼接模块50。另外，还包括坡耕地区域框定模块60和梯田剔除模块70。
数据获取模块10用于获取高分辨率遥感图像和其覆盖区域的数字高程模型。
高分辨率遥感影像不限于高分辨率一号、高分辨率二号以及其他相似卫星数据源。其中，相似卫星数据源需同时具有多光谱波段和全色波段，全色波段具有优于2米的空间分辨率、多光谱波段至少具有蓝波段、绿波段、红波段、近红外波段。
数字高程模型DEM是指通过有限的地形高程数据实现对地形曲面的数字化模拟或地表形态的数字化表示，这里获取的高分辨率遥感影像的覆盖区域的数字高程模型应优于30米空间分辨率，且具有正确地理空间数学基础。
另外，还需要获取该覆盖区域的校正参考数据，校正参考数据可为同一地区、具有正确地理空间数学基础的正射影像或地形图，若为正射影像，空间分辨率应优于10米，若为地形图，比例尺应大于1:5万。
数据预处理模块20用于对高分辨率遥感影像进行预处理。
预处理的目的是去除其中的误差即变形，通过预处理得到区域边界范围内高分遥感影像，为坡耕地的提取做好准备。数据预处理模块20的具体包括大气校正单元21、正射纠正单元22、数据融合单元23、矢量文件制作单元24和图像裁切单元25。
大气校正单元21用于应用ATCOR3大气校正模型进行大气校正，以消除高分辨率遥感影像中由大气散射引起的辐射误差。
正射纠正单元22用于应用有理函数模型分别对全色和多光谱影像进行正射纠正，消除或减弱地形起伏带来的影像变形。
数据融合单元23用于利用PANSHARP融合方法，对经过正射纠正后满足精度要求的全色与多光谱数据进行融合。
矢量文件制作单元24用于根据相邻影像的重叠情况、影像质量、区域地形地貌特征，制作影像镶嵌线矢量文件，其中的镶嵌线应尽量选取道路、河流等线状地物或地块边界等明显分界线，且应避开云、雾、雪及其他质量相对较差的区域。
图像裁切单元25用于按照区域边界范围及制作好的镶嵌线矢量文件，对每景高分辨遥感影像按照各自的镶嵌线进行裁切，最终得到区域边界范围内高分遥感影像。
特征知识集建立模块30用于建立坡耕地特征知识集。
对照高分辨率遥感影像，并进一步参考外业调查成果或历史研究成果，分析区域内坡耕地的对象特征和对应位置的遥感影像解译特征，主要包括光谱特征、形状特征、纹理特征、空间分布特征。基于对特征分析的总结，坡耕地分为第一类坡耕地和第二类坡耕地，第一类坡耕地指作物长势较好的坡耕地，第二类坡耕地指的是裸露或处于出苗期的坡耕地，即该第二类坡耕地反映的是裸露区域或者出苗期区域的坡耕地。该特征知识集如表1所示。
坡耕地区域框定模块60用于对坡耕地空间地域范围进行框定。
基于多尺度分割方法，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域，由于坡耕地分布与坡度为6°～25°这一特性，因此，筛选出坡度均值在6～25°的影像同质性区域，建立坡耕地提取兴趣区，以达到减小运算量量的目的，提高运算速度。其中影像中的坡度通过数字高程模型进行提取。
疑似地块提取模块40用于从坡耕地提取兴趣区内提取疑似坡耕地。
根据前面所述可知，实际坡耕地包括作物长势较好的第一类坡耕地，还包括裸露或出苗期的第二类坡耕地，因此需要分别提取疑似第一类坡耕地的第一类坡耕地疑似地块和疑似第二类坡耕地的第二类坡耕地疑似地块，然后进行拼接即可得到完整的疑似坡耕地，个疑似地块提取模块40包括第一提取单元41和第二提取单元42。
第一提取单元41用于根据预设的第一提取规则集提取疑似第一类坡耕地的第一坡耕地疑似地块。
第一类坡耕地通常连片大块分布，分割形成的图斑也较大，造成图斑内往往因种植作物的不同而纹理不均，因此，不考虑基于纹理特征的算法，选择光谱、形状特征算法。其中第一提取规则集所示。
在进行提取时，首先框定第一类坡耕地的最大范围。耕地和裸地、沙地在融合第4波段上的灰度值最高，且二者可分离度不高，因此先将二者一并框定，之后再逐步将裸地、沙地剔除。在此步骤中，用到Mean Fu_B4一个特征算法。
Mean Fu_B4，融合第4波段均值，均值的计算公式：
式中
——地物图斑v在图层L上的平均亮度值；
n——地物图斑v的像元总个数；
CLi——地物图斑v中第i个像素在图层L上的亮度值。
Mean Fu_B4>＝farmland1_nir,farmland1_nir为有效框定第一类坡耕地最大范围的临界值。
然后，剔除植被信息弱的干扰地物。
第一类坡耕地植被生长旺盛，植被指数较高，利用该特征剔除绝大多数在第一步中混入的裸地、沙地等植被信息弱的干扰地物。在此步骤中，用到NDVI一个特征算法。
特征算法：NDVI，归一化植被指数,计算公式:
NDVI＝(NIR-Red)/(NIR+Red)
式中NIR——近红外波段；Red——红光波段。
NDVI>＝farmland1_ndvi,farmland1_ndvi为有效保留第一类坡耕地去除干扰地物的临界值。
最后，剔除线状干扰地物，即剔除植被覆盖相对较好的线状道路、线状林园草等地类图斑，这里用到密度特征算法。
密度特征算法：Density，密度通过影像对象面积除以半径的比值表征，半径采用协方差矩阵来近似计算，密度反映分割对象的紧致程度，密度算法规定形状越接近正方形，密度越高。计算公式：
式中n——分割对象包含的像素数量；
X——分割对象的所有像素的x坐标；
Y——分割对象所有像素的y坐标；
d——分割对象的面积与半径的比值。
Density>＝farmland1_density,farmland1_density为有效去除线状干扰地物又较完整的保留第一类坡耕地的临界值。
第二提取单元42用于根据预设的第二提取规则集提取疑似第二类坡耕地的第二类坡耕地疑似地块。
第二类坡耕地的光谱特征与裸地、沙地、土路等极其相似不容易区分，然而其地图斑内往往纹理较均一，纹理特征与裸地、沙地区分度高，形状特征与土路区分度高。因此，可以利用基于光谱特征的算法先框定第二类坡耕地最大范围，再利用纹理特征和形状特征，将混分地类剔除。其中第二提取规则集如所示。
在提取第二类坡耕地疑似地块时，首先框定第二类坡耕地的最大范围，由于第二类坡耕地与裸地、沙地、土路等地物在各个波段的反射率均很高，可同时用亮度特征算法框定第二类坡耕地的最大范围。
亮度(Brightness)特征算法定义为一个影像对象的光谱平均值的平均值，计算公式为：
式中
——地物图斑在各个图层(一幅影像包含四个图层)的权重值；
k——地物图斑在各个图层的个数；
wB——图斑所有亮度权重的总和；
Brightness>＝farmland2_brightness，farmland2_brightness为有效框定第二类坡耕地最大范围又尽量少的混入其他地类的临界值。
然后，剔除线状干扰地物。
具体为利用密度特征算法Density剔除较亮的土路干扰地物。
最后，剔除纹理粗糙的干扰地物。
具体为基于纹理特征算法剔除纹理粗糙的裸地、沙地等干扰地物。
纹理特征算法：灰度共生矩阵(Grey Level Concurrence Matrix，GLCM)是描述纹理的方法中最常用的方法之一。灰度共生矩阵提供了影像灰度方向、间隔和变化幅度的信息，但它并不能直接提供区别纹理的特性，因此需要在灰度共生矩阵的基础上提取用来定量描述纹理特征的统计属性。常用的用于提取遥感影像中纹理信息的特征统计量主要有：均值、方差、同质性、对比度、熵、相关性等。本研究选用灰度共生矩阵的同质性作为特征统计量，同质性(Homogeneity)是对图像纹理局部变化大小的度量，值越大说明图像纹理缺少变化，局部非常均匀。其算法公式为：
式中i——行数；
j——列数；
pi,j——像元i、j坐标的归一化亮度值；
N——对象的总行数或者总列数；
IDM——灰度共生矩阵的逆差距，用于反应图像纹理的同质性。
GLCM>＝farmland2_GLCM,farmland2_GLCM为有效去除纹理粗糙干扰地物又较完整的保留第二类坡耕地的临界值。
梯田剔除模块70用于基于田坎密度特征将梯田予以剔除。
梯田与坡耕地的区别在于，梯田的田坎较多、排列较规则，因此可采用基于田坎密度特征的算法，从疑似坡耕地地块中剔除梯田地块图斑，保留坡耕地。
当疑似坡耕地图斑同时满足田坎数量和田坎密度阈值时，则认为是梯田，应该剔除掉该部分图斑，保留坡耕地。
修正拼接模块50用于将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。
剔除梯田后的坡耕地疑似地块中会存在大量孔穴、孤岛，需要通过后处理来进行消除，将经过消除孔穴和孤岛后的坡耕地疑似地块进行拼接才能得到最后的坡耕地图像。该模块具体包括第一修正单元51、第二修正单元52和图像输出单元53。
第一修正单元51用于利用预设算法进行修正。
首先，通过预设的图斑面积阈值，将小于一定面积的琐碎图斑合并到相邻的图斑中，以消除坡耕地疑似地块中的孤岛。
然后，通过查找图斑内部空洞的算法，查找图斑内部的其他地类小图斑、即孔洞，并对其进行填充为指定地类，从而达到消除其中的孔洞的目的。
第二修正单元52用于通过人机交互方式进一步修正。
首先利用用户输入的修改指令对分类错误的图斑属性进行修改，即多提的坡耕地赋值为“其他地类”，漏提的坡耕地赋值为“坡耕地”。
然后在用户的控制下对分割错误的图斑形状进行修改，切除多分的坡耕地图斑，并将多分的图斑合并到“其他地类图斑”中。
图像输出单元53用于输出坡耕地图像。
首先将相邻的、属性一致(即同类型)的多个图斑进行合并，合并之后形成一个大图斑。
然后将相邻景影像的坡耕地提取结果进行拼接，检查拼接处相邻图斑的属性是否一致、边界是否正确，并将接边处相邻属性的图斑进行合并，保证无缝拼接，从而最终得到上述的坡耕地图像。
从上述技术方案可以看出，本实施例提供了一种基于高分辨率遥感图像的坡耕地提取系统，该提取系统具体为获取高分辨率遥感影像和高分辨率遥感影像的覆盖区域的数字高程模型；对高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；根据高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；根据坡耕地的位置特性，基于DEM计算坡度，框定出坡耕地提取兴趣区；根据坡耕地特征知识集对坡耕地提取兴趣区进行识别，从中提取出坡耕地疑似地块；基于梯田的田坎密度特征剔除坡耕地疑似地块中的梯田；将坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像。由此可以看出，上述技术方案可以利用高分辨率遥感影像方便地得到的坡耕地图像，从而能够为政府有关部门的综合治理、土地规划设计、监督执法、效益评价提供决策支持。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于高分辨率遥感影像的坡耕地提取方法，其特征在于，具体包括如下步骤：
获取高分辨率遥感影像和所述高分辨率遥感影像的覆盖区域的数字高程模型；
对所述高分辨率遥感影像进行预处理，通过去除其中的误差及变形，并根据镶嵌线裁切建立区域范围内高分遥感影像；
根据所述高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，所述坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；其中，第一类坡耕地的特点是：作物生长旺盛覆盖度高，体现绿色植物的光谱特征；第二类坡耕地的特点是：作物出苗前后或人为撂荒使土壤裸露的耕地，体现裸土的光谱特征；
根据所述坡耕地特征知识集对所述坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块；
将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像；
其中，将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像，具体包括：
步骤1：剔除坡耕地疑似地块内的梯田；
首先通过canny算子提取坡耕地疑似地块内的田坎线条，并统计每个坡耕地疑似地块内的田坎数量和田坎密度；
然后，通过设定坡耕地疑似地块内的田坎密度阈值，当坡耕地疑似地块内同时满足田坎数量和田坎密度阈值时，则认为是梯田，保留坡耕地疑似地块；
步骤2：利用预设算法进行修正；
首先，通过预设的图斑面积阈值，将小于一定面积的琐碎图斑合并到相邻的图斑中，以消除坡耕地疑似地块中的孤岛；
然后，通过查找图斑内部空洞的算法，查找图斑内部的其他地类小图斑、孔洞，并对其进行填充为指定地类，从而达到消除其中的孔洞的目的；
步骤3：通过人机交互方式进一步修正；
首先利用用户输入的修改指令对分类错误的图斑属性进行修改，多提的坡耕地赋值为“其他地类”，漏提的坡耕地赋值为“坡耕地”；
然后在用户的控制下对分割错误的图斑形状进行修改，切除多分的坡耕地图斑，并将多分的图斑合并到“其他地类图斑”中；
步骤4：输出坡耕地图像；
首先将相邻的、属性一致或同类型的多个图斑进行合并，合并之后形成一个大图斑；
然后将相邻景影像的坡耕地提取结果进行拼接，检查拼接处相邻图斑的属性是否一致、边界是否正确，并将接边处相邻属性的图斑进行合并，保证无缝拼接，从而最终得到坡耕地图像；
其中，所述兴趣区是按照以下方式得到的：针对所述区域边界范围内高分遥感影像，应用多尺度分割方法，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域，根据DEM计算坡度，筛选出坡度均值在6～25°的影像同质性区域，建立坡耕地提取的兴趣区。
2.如权利要求1所述的坡耕地提取方法，其特征在于，所述对所述高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像，包括：
应用ATCOR3大气校正模型进行大气校正，消除所述高分辨率遥感影像的辐射误差；
应用有理函数模型进行正射纠正，消除或减弱所述高分辨率遥感影像的影像变形；
利用PANSHARP融合方法对所述高分辨率遥感影像的光谱数据进行融合；
根据所述高分辨率遥感影像的相邻影像的重叠情况、影像质量、区域地形地貌特征，制作镶嵌线矢量文件；
利用所述镶嵌线矢量文件和区域边界范围对所述高分辨率遥感影像进行裁切，得到区域边界范围内高分遥感影像。
3.如权利要求1所述的坡耕地提取方法，其特征在于，所述根据所述坡耕地特征知识集对所述坡耕地提取的兴趣区进行识别，从中提取出坡耕地疑似地块，包括：
根据预设的第一提取规则集提取出疑似第一类坡耕地的第一坡耕地疑似地块；
根据预设的第二提取规则集提取出疑似第二类坡耕地的第二坡耕地疑似地块；
所述坡耕地疑似地块包括所述第一坡耕地疑似地块和所述第二坡耕地疑似地块。
4.一种基于高分辨率遥感影像的坡耕地提取系统，其特征在于，具体包括：
数据获取模块，用于获取高分辨率遥感影像和所述高分辨率遥感影像的覆盖区域的数字高程模型；
数据预处理模块，用于对所述高分辨率遥感影像进行预处理，通过去除其中的误差及变形建立区域边界范围内高分遥感影像；
特征知识集建立模块，用于根据所述高分辨率遥感影像、外业调查成果和历史研究成果建立坡耕地特征知识集，所述坡耕地特征知识集包括反映作物长势较好区域的第一类坡耕地的描述内容，还包括反映裸露区域或出苗期区域的第二类坡耕地的描述内容；其中，第一类坡耕地的特点是：作物生长旺盛覆盖度高，体现绿色植物的光谱特征；第二类坡耕地的特点是：作物出苗前后或人为撂荒使土壤裸露的耕地，体现裸土的光谱特征；
疑似地块提取模块，用于根据所述坡耕地特征知识集对所述坡耕地提取兴趣区进行识别，从中提取出坡耕地疑似地块；
修正拼接模块，用于将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像；其中，将所述坡耕地疑似地块进行修正和拼接，得到完整的坡耕地图像，具体包括：
步骤1：剔除坡耕地疑似地块内的梯田；
首先通过canny算子提取坡耕地疑似地块内的田坎线条，并统计每个坡耕地疑似地块内的田坎数量和田坎密度；
然后，通过设定坡耕地疑似地块内的田坎密度阈值，当坡耕地疑似地块内同时满足田坎数量和田坎密度阈值时，则认为是梯田，保留坡耕地疑似地块；
步骤2：利用预设算法进行修正；
首先，通过预设的图斑面积阈值，将小于一定面积的琐碎图斑合并到相邻的图斑中，以消除坡耕地疑似地块中的孤岛；
然后，通过查找图斑内部空洞的算法，查找图斑内部的其他地类小图斑、孔洞，并对其进行填充为指定地类，从而达到消除其中的孔洞的目的；
步骤3：通过人机交互方式进一步修正；
首先利用用户输入的修改指令对分类错误的图斑属性进行修改，多提的坡耕地赋值为“其他地类”，漏提的坡耕地赋值为“坡耕地”；
然后在用户的控制下对分割错误的图斑形状进行修改，切除多分的坡耕地图斑，并将多分的图斑合并到“其他地类图斑”中；
步骤4：输出坡耕地图像；
首先将相邻的、属性一致或同类型的多个图斑进行合并，合并之后形成一个大图斑；
然后将相邻景影像的坡耕地提取结果进行拼接，检查拼接处相邻图斑的属性是否一致、边界是否正确，并将接边处相邻属性的图斑进行合并，保证无缝拼接，从而最终得到坡耕地图像；
其中，所述疑似地块提取模块包括坡耕地兴趣区框定模块；
所述坡耕地兴趣区框定模块用于在所述疑似地块提取模块对所述坡耕地疑似地块进行提取之前，基于多尺度分割方法，对区域边界范围内高分遥感影像进行分割，创建影像的同质性区域，根据DEM计算坡度，筛选出坡度均值在6～25°的影像同质性区域，作为坡耕地提取的兴趣区。
5.如权利要求4所述的坡耕地提取系统，其特征在于，所述数据预处理模块包括：
大气校正单元，用于应用ATCOR3大气校正模型进行大气校正，消除所述高分辨率遥感影像的辐射误差；
正射纠正单元，用于应用有理函数模型进行正射纠正，消除或减弱所述高分辨率遥感影像的影像变形；
数据融合单元，用于利用PANSHARP融合方法对所述高分辨率遥感影像的光谱数据进行融合；
矢量文件制作单元，用于根据所述高分辨率遥感影像的相邻影像的重叠情况、影像质量、区域地形地貌特征，制作镶嵌线矢量文件；
图像裁切单元，用于利用所述镶嵌线矢量文件和区域边界范围对所述高分辨率遥感影像进行裁切，得到所述区域边界范围内高分遥感影像。
6.如权利要求4所述的坡耕地提取系统，其特征在于，所述疑似地块提取模块包括：
第一提取单元，用于根据预设的第一提取规则集提取出疑似第一类坡耕地的第一坡耕地疑似地块；
第二提取单元，用于根据预设的第二提取规则集提取出疑似第二类坡耕地的第二坡耕地疑似地块；
所述坡耕地疑似地块包括所述第一坡耕地疑似地块和所述第二坡耕地疑似地块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610786871.XA CN106384081B (zh) | 2016-08-30 | 2016-08-30 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610786871.XA CN106384081B (zh) | 2016-08-30 | 2016-08-30 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106384081A CN106384081A (zh) | 2017-02-08 |
| CN106384081B true CN106384081B (zh) | 2020-04-24 |
Family
ID=57938761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610786871.XA Active CN106384081B (zh) | 2016-08-30 | 2016-08-30 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106384081B (zh) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103553A (zh) * | 2017-03-17 | 2017-08-29 | 北京世纪国源科技股份有限公司 | 一种基于b/s的农村土地承包经营权管理及系统 |
| CN108665489B (zh) * | 2017-03-27 | 2023-03-21 | 波音公司 | 用于检测地理空间影像的变化的方法及数据处理系统 |
| CN107146227A (zh) * | 2017-05-04 | 2017-09-08 | 江苏省水利科学研究院 | 一种利用高分遥感技术监测水域岸线变化的方法 |
| CN107358197B (zh) * | 2017-07-12 | 2022-01-11 | 安阳师范学院 | 一种面向耕地地块提取的影像分类及语义处理方法 |
| CN110019589B (zh) * | 2017-09-06 | 2022-11-08 | 腾讯科技（深圳）有限公司 | 电子地图显示方法及装置 |
| CN109325451B (zh) * | 2017-12-31 | 2022-05-06 | 苏州中科天启遥感科技有限公司 | 一种基于深度学习的高空间分辨率耕地地块全自动提取方法 |
| CN108596153A (zh) * | 2018-05-10 | 2018-09-28 | 四川省冶地工程勘察设计有限公司 | 遥感影像卫片高程控制点自动提取方法和数据处理方法 |
| CN108898603A (zh) * | 2018-05-29 | 2018-11-27 | 北京佳格天地科技有限公司 | 卫星影像上的地块分割系统及方法 |
| CN109146889B (zh) * | 2018-07-13 | 2021-11-19 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
| CN109325139A (zh) * | 2018-08-22 | 2019-02-12 | 内蒙古蒙草生态环境（集团）股份有限公司 | 草原生态数据的处理方法及装置 |
| CN109636882A (zh) * | 2018-11-21 | 2019-04-16 | 东北农业大学 | 基于数字高程模型和遥感影像的黑土区数字土壤制图方法 |
| CN109766400A (zh) * | 2019-01-14 | 2019-05-17 | 北京天下图数据技术有限公司 | 地块标记方法及装置、地块识别方法及装置 |
| CN109740570B (zh) * | 2019-01-18 | 2020-01-03 | 中国水利水电科学研究院 | 一种基于地形指数和物候差异的梯田遥感识别方法 |
| CN109977187A (zh) * | 2019-03-21 | 2019-07-05 | 山西省煤炭地质物探测绘院 | 一种土地调查数据的采集调绘方法和系统 |
| CN110211128B (zh) * | 2019-05-06 | 2023-02-17 | 南京泛在地理信息产业研究院有限公司 | 基于遥感影像和dem的黄土高原梯田提取方法 |
| CN110276254B (zh) * | 2019-05-17 | 2024-06-07 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
| CN110472661B (zh) * | 2019-07-10 | 2023-04-28 | 北京吉威数源信息技术有限公司 | 基于历史本底和现时遥感影像的自动变化检测方法和系统 |
| CN110674735B (zh) * | 2019-09-23 | 2022-05-24 | 中国科学院地理科学与资源研究所 | 基于精细分类的农业设施遥感提取方法和装置 |
| CN111476182B (zh) * | 2020-04-13 | 2021-06-01 | 中国科学院空天信息创新研究院 | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 |
| CN111583359A (zh) * | 2020-06-01 | 2020-08-25 | 云南省地图院 | 一种农田面状图斑的坡度信息提取方法及装置 |
| CN112101325B (zh) * | 2020-11-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 耕地变化检测方法、装置、电子设备及存储介质 |
| CN113254552A (zh) * | 2021-03-11 | 2021-08-13 | 广州建通测绘地理信息技术股份有限公司 | 一种全域土地综合整治潜力的识别方法及系统 |
| CN113160262A (zh) * | 2021-03-23 | 2021-07-23 | 珠海欧比特宇航科技股份有限公司 | 基于高分辨率卫星遥感影像的蚝排提取方法、系统及介质 |
| CN113111794B (zh) * | 2021-04-16 | 2022-07-01 | 成都理工大学 | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
| CN112967286B (zh) * | 2021-05-19 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
| CN113409461B (zh) * | 2021-06-22 | 2023-06-23 | 北京百度网讯科技有限公司 | 构建地貌地图的方法、装置、电子设备和可读存储介质 |
| CN114220004B (zh) * | 2021-11-26 | 2023-04-18 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
| CN116258958B (zh) * | 2022-12-22 | 2023-12-05 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
| CN116342685B (zh) * | 2023-05-29 | 2023-07-28 | 四川凯普顿信息技术股份有限公司 | 一种基于dom影像的农业耕地地块的面积测量方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101788664A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 面向土地退化响应单元的高光谱土地退化信息提取方法 |
| CN102129571A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于半监督流形学习的多光谱遥感数据土地利用分类方法 |
| CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
| CN104077592A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
| CN105184224A (zh) * | 2015-08-10 | 2015-12-23 | 东北农业大学 | 一种东北地区水田分类与信息提取系统及方法 |
-
2016
- 2016-08-30 CN CN201610786871.XA patent/CN106384081B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101788664A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 面向土地退化响应单元的高光谱土地退化信息提取方法 |
| CN102129571A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于半监督流形学习的多光谱遥感数据土地利用分类方法 |
| CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
| CN104077592A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
| CN105184224A (zh) * | 2015-08-10 | 2015-12-23 | 东北农业大学 | 一种东北地区水田分类与信息提取系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| "利用中低分辨率DEM提取坡耕地坡度信息的误差分析";王莉等;《安徽农业科学》;20100301;第38卷(第7期);摘要 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106384081A (zh) | 2017-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| US10872417B1 (en) | Automatic delineation agricultural field management zones using remote sensing and field data | |
| Kavzoglu et al. | Parameter-based performance analysis of object-based image analysis using aerial and Quikbird-2 images | |
| CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
| Eckert et al. | Identification and classification of structural soil conservation measures based on very high resolution stereo satellite data | |
| CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
| Clark et al. | Landscape analysis using multi-scale segmentation and object-oriented classification | |
| Taşdemir et al. | A hybrid method combining SOM-based clustering and object-based analysis for identifying land in good agricultural condition | |
| Wang et al. | Settlement extraction in the North China Plain using Landsat and Beijing-1 multispectral data with an improved watershed segmentation algorithm | |
| CN107194857B (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
| CN114119575B (zh) | 一种空间信息变化检测方法及系统 | |
| Boyaci et al. | Pixel-versus object-based classification of forest and agricultural areas from multiresolution satellite images | |
| Ganchenko et al. | Special Area Detection and Recognition on Agricultural Fields Images | |
| Roy et al. | Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh | |
| Sertel et al. | Vineyard parcel identification from Worldview-2 images using object-based classification model | |
| Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
| CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
| CN115082812A (zh) | 一种农业景观非农生境绿地斑块提取方法及其相关设备 | |
| Singh et al. | Assessment of digital image classification algorithms for forest and land-use classification in the eastern Himalayas using the IRS LISS III sensor | |
| Kanjir et al. | Application of object based approach to heterogeneous land cover/use | |
| Huong et al. | Estimating tropical forest stand volume using Sentinel-2A imagery | |
| Heckel et al. | The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa |
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 |