CN106778629A - 大棚识别方法及装置 - Google Patents
大棚识别方法及装置 Download PDFInfo
- Publication number
- CN106778629A CN106778629A CN201611192180.3A CN201611192180A CN106778629A CN 106778629 A CN106778629 A CN 106778629A CN 201611192180 A CN201611192180 A CN 201611192180A CN 106778629 A CN106778629 A CN 106778629A
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- sensing image
- index
- body index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 297
- 238000003066 decision tree Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 63
- 238000002310 reflectometry Methods 0.000 claims description 45
- 230000003595 spectral effect Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000004297 night vision Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 239000002689 soil Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 241000251468 Actinopterygii Species 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000003595 mist Substances 0.000 description 4
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 2
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004501 airglow Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000003500 flue dust Substances 0.000 description 2
- 239000003897 fog Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052738 indium Inorganic materials 0.000 description 2
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000011540 sensing material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种大棚识别方法及装置。该大棚识别方法包括:接收用户输入的遥感影像,获取遥感影像数据,所述遥感影像数据包括可见光波段;采用植被指数计算公式对所述遥感影像数据进行处理,以获取植被指数;采用增强型水体指数计算公式对所述遥感影像数据进行处理,以获取增强型水体指数;将所述植被指数、所述增强型水体指数和所述可见光波段识别特征,基于分类决策树识别出所述遥感影像中的大棚区域。该大棚识别方法中,识别过程简单方便,运算效率高且易于实现;并且,所需参数较少,无需进行大量参数设置,鲁棒性高。
Description
技术领域
本发明涉及遥感应用技术领域,尤其涉及一种大棚识别方法及装置。
背景技术
随着近年来城镇化的快速发展,城市建设与农业用地的矛盾不断加剧,人多地少成为一个严峻的问题。农业大棚作为一种新的农业设施,其具有价格低廉、可抵御病虫害、不受气候环境限制及提高单位面积产量等突出优点,因此得到快速的应用,近年来以每年20%的速度在不断增长。大棚覆盖面积的掌握对于国家统筹规划、农业产值估算等方面具有重要的意义。传统大棚覆盖面积以人工实地走访判别为主,逐层向上级汇报,该方式需要耗费大量的人力物力,且无法获得大棚的准确地理空间位置分布情况,而大棚的准确分布情况对于决策者的决策制定具有至关重要的作用。遥感影像具有价格低廉,获取手段简易,同时具有快速大范围连续观测和获取大棚空间分布情况的突出优点,因此,近年来基于遥感影像的大棚检测成为了一个研究热点问题。
目前基于遥感影像的大棚检测,按照使用的遥感影像数据类型可以分为如下两类:
其一是,基于高分辨率遥感影像(如IKONOS,SPOT,WordView2等)的大棚检测算法。高分辨率遥感影像由于其具有空间分辨率高、纹理信息较遥感影像更为清晰的典型优点,近年来得到了较多的应用。该基于高分辨率遥感影像的大棚检测算法,算法设计较为复杂,通常以面对对象方式进行,其对象的形成通常需要较多的参数设置,且后续的特征提取步骤需要较多的专家知识,涉及复杂的机器学习相关内容,且高分辨率遥感影像本身幅宽较低,且价格高昂,大大限制了其在大棚检测中的应用。
其二是,基于中低分辨率遥感影像(如Landsat,Sentinal-2A等)的大棚检测算法。由于中低分辨率遥感影像具有幅宽大,价格低廉等优点,因此更加适合于大范围的大棚检测。Landsat影像相对于高分辨率遥感影像具有覆盖面广,获取途径更为经济便捷,相对于MODIS影像具有更高的空间分辨率,因此,非常适合于大棚提取研究。该基于中低分辨率遥感影像的大棚检测算法,存在空间分辨率低,计算复杂且处理速度较慢的不足。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺陷,提供一种大棚识别方法及装置。
本发明解决其技术问题所采用的技术方案是:一种大棚识别方法,包括:
接收用户输入的遥感影像,获取遥感影像数据;所述遥感影像数据包括可见光波段;
采用植被指数计算公式对所述遥感影像数据进行处理,以获取植被指数;
采用增强型水体指数计算公式对所述遥感影像数据进行处理,以获取增强型水体指数;
将所述植被指数、所述增强型水体指数和所述可见光波段识别特征,基于分类决策树识别出所述遥感影像中的大棚区域。
优选地,所述遥感影像数据包括可见光波段、近红外波段和短波红外波段;所述可见光波段包括红光波段和绿光波段。
优选地,所述植被指数计算公式包括:NDVI=(NIR-R)/(NIR+R);其中,NDVI为植被指数,NIR为近红外波段,R为红光波段。
优选地,所述采用增强型水体指数计算公式对所述遥感影像数据进行处理,以获取增强型水体指数,包括:
采用归一化水体指数计算公式对所述遥感影像数据进行处理,以获取归一化水体指数;所述归一化水体指数计算公式包括:NDWI=(G-NIR)/(G+NIR);其中,NDWI为归一化水体指数,NIR为近红外波段,G为绿光波段;
采用改进型归一化水体指数计算公式对所述遥感影像数据进行处理,以获取改进型归一化水体指数;所述改进型归一化水体指数计算公式包括:MNDWI=(G-SWIR)/(G+SWIR);其中,MNDWI为改进型归一化水体指数,SWIR为短波红外波段;
采用获取增强型水体指数计算公式对所述植被指数、所述归一化水体指数和所述改进型归一化水体指数进行处理,以获取所述增强型水体指数;所述获取增强型水体指数计算公式包括:EWI=MNDWI+NDWI-NDVI;其中,EWI为增强型水体指数。
优选地,所述将所述植被指数、增强型水体指数和所述可见光波段作为分类决策树的识别特征,识别出所述遥感影像中的大棚区域,包括:
判断所述植被指数是否大于植被阈值,以识别出所述遥感影像中的植被区域或非植被区域;
判断所述增强型水体指数是否大于水体阈值,以识别所述遥感影像中的水体区域或非水体区域;
判断所述可见光波段中的红光波段是否大于反射率阈值,以识别出所述遥感影像中的高反射率区域和低反射率区域;
将同时为所述非植被区域、所述水体区域和高反射区域的区域为所述遥感影像中的大棚区域。
本发明还提供一种大棚识别装置,包括:
遥感影像数据获取模块,用于接收用户输入的遥感影像,获取遥感影像数据;所述遥感影像数据包括可见光波段;
植被指数获取模块,用于采用植被指数计算公式对所述遥感影像数据进行处理,以获取植被指数;
水体指数获取模块,用于采用增强型水体指数计算公式对所述遥感影像数据进行处理,以获取增强型水体指数;
大棚识别模块,用于将所述植被指数、所述增强型水体指数和所述可见光波段识别特征,基于分类决策树识别出所述遥感影像中的大棚区域。
优选地,所述遥感影像数据包括可见光波段、近红外波段和短波红外波段;所述可见光波段包括红光波段和绿光波段。
优选地,所述植被指数计算公式包括:NDVI=(NIR-R)/(NIR+R);其中,NDVI为植被指数,NIR为近红外波段,R为红光波段。
优选地,所述水体指数获取模块包括:
归一化水体指数获取单元,用于采用归一化水体指数计算公式对所述遥感影像数据进行处理,以获取归一化水体指数;所述归一化水体指数计算公式包括:NDWI=(G-NIR)/(G+NIR);其中,NDWI为归一化水体指数,NIR为近红外波段,G为绿光波段;
改进型水体指数获取单元,用于采用改进型归一化水体指数计算公式对所述遥感影像数据进行处理,以获取改进型归一化水体指数;所述改进型归一化水体指数计算公式包括:MNDWI=(G-SWIR)/(G+SWIR);其中,MNDWI为改进型归一化水体指数,SWIR为短波红外波段;
增强型水体指数获取单元,用于采用获取增强型水体指数计算公式对所述植被指数、所述归一化水体指数和所述改进型归一化水体指数进行处理,以获取所述增强型水体指数;所述获取增强型水体指数计算公式包括:EWI=MNDWI+NDWI-NDVI;其中,EWI为增强型水体指数。
优选地,所述大棚识别模块包括:
第一判断识别单元,用于判断所述植被指数是否大于植被阈值,以识别出所述遥感影像中的植被区域或非植被区域;
第二判断识别单元,用于判断所述增强型水体指数是否大于水体阈值,以识别所述遥感影像中的水体区域或非水体区域;
第三判断识别单元,用于判断所述可见光波段中的红光波段是否大于反射率阈值,以识别出所述遥感影像中的高反射率区域和低反射率区域;
大概识别处理单元,用于将同时为所述非植被区域、所述水体区域和高反射区域的区域为所述遥感影像中的大棚区域。
本发明与现有技术相比具有如下优点:本发明所提供的大棚识别方法及装置中,获取遥感影像对应的遥感影像数据,再对遥感影像数据进行处理,分别获取植被指数和增强型水体指数;再将遥感影像数据中的可见光波段和植被指数和增强型水体指数作为识别特征,基于分类决策树识别出遥感影像中的大棚区域。而且,将可见光波段和植被指数和增强型水体指数作为识别特征作为识别特征,识别出遥感影像中的大棚区域,其识别过程简单方便,运算效率高且易于实现;并且,所需参数较少,无需进行大量参数设置,鲁棒性高;而且,识别结果可靠,可用于大面积大棚识别,有利提高大棚识别效率和成本。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例1中大棚识别方法的一流程图。
图2是图1所示大棚识别方法的步骤S40的一具体示意图。
图3是本发明实施例1中大棚识别方法的一具体示意图。
图4是图3所示大棚识别方法的一结果示意图。
图5是本发明实施例2中大棚识别装置的一原理框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
实施例1
图1示出本发明实施例中的大棚识别方法。其中,该大棚知识方法由智能终端根据。如图1所示,该大棚知识方法包括如下步骤:
S10:接收用户输入的遥感影像,获取遥感影像数据,遥感影像数据包括可见光波段。
其中,遥感影像优选采用中低分辨率遥感影像,其中,中低分辨率遥感影像包括NOAA/AVHRR、MODIS、SPOT VEGETATION等空间分辨率在1000m以内的低空间分辨率遥感影像,还包括Landsat、SPOT和ATSER等空间分辨率在100m以内的中空间分辨率遥感影像数据。由于中低分辨率遥感影像具有影像覆盖面广且价格低廉等优点,可在大面积大棚识别过程中降低识别成本。相应地,遥感影像还可以是IKONOS或Quick Bird等空间分辨率在5m以内的高分辨率遥感影像,具有空间分辨率高且纹理清晰的优点,可用于对中低分辨率遥感影像的处理结果进行验证。
具体地,遥感影像数据包括可见光波段(VIS)、近红外波段(NIR)和短波红外波段(SWIR)。可见光波段(VIS)包括本实施例中所采用到的用于识别大棚的红光波段和绿光波段,还包括蓝光波段、橙光波段、黄光波段和紫光波段等。可见光波段的波长范围在0.77~0.39微米之间,而红光波段的波段范围在0.77~0.622微米之间;橙光波段的波段范围在0.622~0.597微米之间;黄光波段的波段范围在0.597~0.577微米之间;绿光波段的波段范围在0.577~0.492微米之间;蓝光波段的波段范围在0.492~0.455微米之间;紫光波段的波段范围在0.455~0.39微米之间。
近红外光(Near Infrared,NIR)是介于可见光(VIS)和中红外光(MIR)之间的电磁波,按ASTM(美国试验和材料检测协会)定义是指波长在780~2526nm范围内的电磁波,习惯上又将近红外区划分为近红外短波(780~1100nm)和近红外长波(1100~2526nm)两个区域。近红外区域是人们最早发现的非可见光区域。
短波红外波段(SWIR,Short-wave infrared),其波段范围在0.85-2.5um之间,主要传感材料为InGaAs(铟镓砷),短波红外具有穿云穿雾的特性,具有如下优点:高识别度、全天候适合和微光夜视等优点。具体地,短波红外波段(SWIR)成像主要基于目标反射光成像原理,其成像与可见光灰度图像特征相似,成像对比度高,目标细节表达清晰,因此具有高识别度。另外,短波红外波段(SWIR)成像受大气散射作用小,透雾、霭、烟尘能力较强,有效探测距离远,对气候条件和战场环境的适应性明显优于可见光成像,因此可天候适应。在大气辉光的夜视条件下,光子辐照度主要分布在1.0~1.8μm的SWIR波段范围内,这使得SWIR夜视成像相比于可见光夜视成像而言具有显著的先天优势,因此具有微光夜视功能。
S20:采用植被指数计算公式对遥感影像数据进行处理,以获取植被指数。
具体地,采用植被指数计算公式对遥感影像数据进行处理,获取到的植被指数可用于识别遥感影像的植被覆盖情况,植被指数越大,其覆盖的植被越多,用于识别遥感影像中的植被区域或非植被区域,以排除植被区域作为遥感影像的大棚区域。
其中,植被指数计算公式包括:NDVI=(NIR-R)/(NIR+R);其中,NDVI为植被指数,NIR为近红外波段,R为红光波段。NDVI(Normalized Difference Vegetation Index,归一化差分植被指数),用于检测植被生成、植被覆盖度和消除部分辐射误差等领域,其中,NIR和R分别指近红外波段和红光波段的反向率值。进一步地,NDVI的取值在[-1,1]之间,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示有岩石或裸土等,NIR和R近似相等;正值,表示有植被覆盖,且随覆盖度增大而增大。
S30:采用增强型水体指数计算公式对遥感影像数据进行处理,以获取增强型水体指数。
具体地,采用增强型水体指数计算公式对遥感影像数据进行处理,获取到的增强型水体指数可用于识别遥感影像中的水体覆盖情况,增强型水体指数越大,其为水体的概率越大,可用于识别遥感影像中的水体区域或非水体区域。本实施例中,利用冬季大棚薄膜内侧结露这一自然现象,采用增强型水体指数识别出水体区域或非水体区域,以便于排除非水体区域作为遥感影像中的大棚区域。
步骤S30具体包括如下步骤:
S31:采用归一化水体指数计算公式对遥感影像数据进行处理,以获取归一化水体指数。归一化水体指数计算公式包括:NDWI=(G-NIR)/(G+NIR);其中,NDWI为归一化水体指数,NIR为近红外波段,G为绿光波段。
具体地,归一化水体指数(Normalized Difference Water Index,简称NDWI),用遥感影像的特定波段(即绿光波段和近红外波段)进行归一化差值处理,以凸显遥感影像中的水体信息,效果较好。在归一化水体指数(NDWI)中,土壤和建筑物在绿光波段和近红外波段的光谱特征与水体的光谱特征,难以抑制土壤和建筑物信息,因此需进一步对归一化水体指数(NDWI)进行处理,以识别出遥感影像中的水体区域和非水体区域。
S32:采用改进型归一化水体指数计算公式对遥感影像数据进行处理,以获取改进型归一化水体指数。其中,改进型归一化水体指数计算公式包括:MNDWI=(G-SWIR)/(G+SWIR);其中,MNDWI为改进型归一化水体指数,SWIR为短波红外波段。
具体地,改进型归一化水体指数(Modified Normalized Difference WaterIndex,简称MNDWI)比归一化水体指数(NDWI)更能够揭示水体微细特征。如悬浮沉积物的分布、水质的变化.另外,MNDWI可以很容易地区分阴影和水体,解决了水体提取中难于消除阴影的难题。
S33:采用获取增强型水体指数计算公式对植被指数、归一化水体指数和改进型归一化水体指数进行处理,以获取增强型水体指数。其中,获取增强型水体指数计算公式包括:EWI=MNDWI+NDWI-NDVI;其中,EWI为增强型水体指数。
具体地,增强型水体指数(Enhanced Water Index,以下简称EWI)综合考虑遥感影像中用于体现植被覆盖情况的的植被指数(NDVI)、用于凸现水体信息但未考虑土壤和建筑物信息的归一化水体指数(NDWI)和用于显示水体微细特征的改进型归一化水体指数,使得可基于增强型水体指数(EWI)从遥感影像中识别出水体区域或非水体区域。由于冬季大棚薄膜内侧结露,使得大棚区域在遥感影像中应当属于基于增强型水体指数(EWI)识别出的水体区域中的一部分。
S40:将植被指数、增强型水体指数和可见光波段作为识别特征,基于分类决策树识别出遥感影像中的大棚区域。
本实施例中,将植被指数、增强型水体指数和可见光波段作为识别特征,以识别遥感影像中的大棚区域时,所需进行的参数设置较小;采用分类决策树对识别特征进行处理,可快速获取遥感影像中的大棚区域,计算过程简单且速度较快,无需进行复杂计算或较多的参数设置,可有效提高识别效率。
步骤S40具体包括如下步骤:
S41:判断植被指数是否大于植被阈值,以识别出遥感影像中的植被区域或非植被区域。
其中,植被阈值(T1)可以是[0.4,0.5]之间的任一数值,用于评价遥感影像中任一植被指数(NDVI)对应的区域是植被区域还是非植被区域。具体地,判断植被指数(NDVI)是否大于植被阈值;若是,则植被指数(NDVI)对应的区域为遥感影像中的植被区域;若否,则植被指数(NDVI)对应的区域为遥感影像中的非植被区域。
S42:判断增强型水体指数是否大于水体阈值,以识别所述遥感影像中的水体区域或非水体区域。
其中,水体阈值(T2)可以是[-0.2,0]之间的任一数值,用于评估遥感影像中任一增强型水体指数(EWI)对应的区域是水体区域还是非水体区域。具体地,判断增强型水体指数(EWI)是否大于水体阈值(T2);若是,则增强型水体指数(EWI)对应的区域为遥感影像中的水体区域;若否,则增强型水体指数(EWI)对应的区域为遥感影像中的非水体区域。
S43:判断可见光波段中的红光波段是否大于反射率阈值,以识别出遥感影像中的高反射率区域和低反射率区域。
由于大棚的可见光波段(尤其是红光波段)的反射率远高于河流、鱼塘等水体特征的反射率,因此可利用可见光波段中的红光波段识别出大棚与河流、鱼塘等水体特征。
其中,反射率阈值(T3)可以为[0.1,0.2]之间的任一数据,用于评估遥感影像中可见光波段中的红光波段(R)对应的区域是大棚还是河流、鱼塘等其他水体特征,若干用户评估可见光波段中的红光波段对应的区域是高亮地物或其他地物。具体地,判断可见光波段中的红光波段(R)是否大于反射率阈值(T3);若是,则可见光波段中的红光波段(R)对应的区域为高反射率区域;若否,则可见光波段中的红光波段(R)对应的区域为低反馈率区域。
S44:将同时为非植被区域、水体区域和高反射区域的区域为遥感影像中的大棚区域。
即将同时满足遥感影像中植被指数(NDVI)小于植被阈值(T1),增强型水体指数(EWI)大于水体阈值(T2)且可见光波段中的红光波段(R)大于反射率阈值(T3)这三个条件的区域作为遥感影像中的大棚区域。可以理解地,三个条件判断的先后顺序可自由组合。
如图2所示的大棚识别方法包括如下步骤:先接收用户输入的遥感影像,并获取遥感影像数据后。再判断红外波段(R)是否等于0;若为0,则为背景区域;若不等于0,则为非背景区域。对于非背景区域,再判断植被指数(NDVI)是否大于植被阈值(T1);若大于植被阈值(T1),则为植被区域;若不大于植被阈值(T1),则为非植被区域。对于非植被区域,再判断增强型水体指数(EWI)是否大于水体阈值(T2);若大于水体阈值(T2),则为非植被-水体区域;若不大于水体区域(T2),则为非植被-非水体区域。对于非植被-水体区域,则再判断红外波段(R)是否大于反射率阈值(T3);若大于反射率阈值(T3),则为大棚区域;则是为非大区区域,即非植被-水体-低反射率区域。对于非植被-非水体区域,再判断红外波段(R)是否大于反射率阈值(T3);若大于反射率阈值(T3),则为裸地区域,即非植被-非水体-高反射率区域;若不大于反射率阈值(T3),则为高亮人工地物,即非植被-非水体-低反射率区域。
采用本实施例中的大棚识别方法时,如图3中,a为用户输入的遥感影像,b为增强型水体指数对应的影像。本实施例中,采用Landsat5遥感影像,如图5所示,a1为2005年landsat5遥感影像,相应地,b1为2005年大棚提取示意图;a2为2009年landsat5遥感影像,相应地,b2为2009年大棚提取示意图;a3为2015年landsat5遥感影像,相应地,b3为2015年大棚提取示意图。如图3和图4所示,该大棚识别方法,识别大棚的效率高且精度大。
本实施例所提供的大棚识别方法中,获取遥感影像对应的遥感影像数据,再对遥感影像数据进行处理,分别获取植被指数和增强型水体指数;再将遥感影像数据中的可见光波段和植被指数和增强型水体指数作为识别特征,基于分类决策树识别出遥感影像中的大棚区域。而且,将可见光波段和植被指数和增强型水体指数作为识别特征作为识别特征,识别出遥感影像中的大棚区域,其识别过程简单方便,运算效率高且易于实现;并且,所需参数较少,无需进行大量参数设置,鲁棒性高;而且,识别结果可靠,可用于大面积大棚识别,有利提高大棚识别效率和成本。
实施例3
图5示出本发明实施例中的大棚识别装置。该大棚知识装置包括但不限于智能终端。如图5所示,该大棚知识装置包括遥感影像数据获取模块10、植被指数获取模块20、水体指数获取模块30和大棚识别模块40。
遥感影像数据获取模块10,用于接收用户输入的遥感影像,获取遥感影像数据,遥感影像数据包括可见光波段。
其中,遥感影像优选采用中低分辨率遥感影像,其中,中低分辨率遥感影像包括NOAA/AVHRR、MODIS、SPOT VEGETATION等空间分辨率在1000m以内的低空间分辨率遥感影像,还包括Landsat、SPOT和ATSER等空间分辨率在100以内的中空间分辨率遥感影像数据。由于中低分辨率遥感影像具有影像覆盖面广且价格低廉等优点,可在大面积大棚识别过程中降低识别成本。相应地,遥感影像还可以是IKONOS或Quick Bird等空间分辨率在5m以内的高分辨率遥感影像,具有空间分辨率高且纹理清晰的优点,可用于对中低分辨率遥感影像的处理结果进行验证。
具体地,遥感影像数据包括可见光波段(VIS)、近红外波段(NIR)和短波红外波段(SWIR)。可见光波段(VIS)包括本实施例中所采用到的用于识别大棚的红光波段和绿光波段,还包括蓝光波段、橙光波段、黄光波段和紫光波段等。可见光波段的波长范围在0.77~0.39微米之间,而红光波段的波段范围在0.77~0.622微米之间;橙光波段的波段范围在0.622~0.597微米之间;黄光波段的波段范围在0.597~0.577微米之间;绿光波段的波段范围在0.577~0.492微米之间;蓝光波段的波段范围在0.492~0.455微米之间;紫光波段的波段范围在0.455~0.39微米之间。
近红外光(Near Infrared,NIR)是介于可见光(VIS)和中红外光(MIR)之间的电磁波,按ASTM(美国试验和材料检测协会)定义是指波长在780~2526nm范围内的电磁波,习惯上又将近红外区划分为近红外短波(780~1100nm)和近红外长波(1100~2526nm)两个区域。近红外区域是人们最早发现的非可见光区域。
短波红外波段(SWIR,Short-wave infrared),其波段范围在0.85-2.5um之间,主要传感材料为InGaAs(铟镓砷),短波红外具有穿云穿雾的特性,具有如下优点:高识别度、全天候适合和微光夜视等优点。具体地,短波红外波段(SWIR)成像主要基于目标反射光成像原理,其成像与可见光灰度图像特征相似,成像对比度高,目标细节表达清晰,因此具有高识别度。另外,短波红外波段(SWIR)成像受大气散射作用小,透雾、霭、烟尘能力较强,有效探测距离远,对气候条件和战场环境的适应性明显优于可见光成像,因此可天候适应。在大气辉光的夜视条件下,光子辐照度主要分布在1.0~1.8μm的SWIR波段范围内,这使得SWIR夜视成像相比于可见光夜视成像而言具有显著的先天优势,因此具有微光夜视功能。
植被指数获取模块20,用于采用植被指数计算公式对遥感影像数据进行处理,以获取植被指数。
具体地,采用植被指数计算公式对遥感影像数据进行处理,获取到的植被指数可用于识别遥感影像的植被覆盖情况,植被指数越大,其覆盖的植被越多,用于识别遥感影像中的植被区域或非植被区域,以排除植被区域作为遥感影像的大棚区域。
其中,植被指数计算公式包括:NDVI=(NIR-R)/(NIR+R);其中,NDVI为植被指数,NIR为近红外波段,R为红光波段。NDVI(Normalized Difference Vegetation Index,归一化差分植被指数),用于检测植被生成、植被覆盖度和消除部分辐射误差等领域,其中,NIR和R分别指近红外波段和红光波段的反向率值。进一步地,NDVI的取值在[-1,1]之间,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示有岩石或裸土等,NIR和R近似相等;正值,表示有植被覆盖,且随覆盖度增大而增大。
水体指数获取模块30,用于采用增强型水体指数计算公式对遥感影像数据进行处理,以获取增强型水体指数。
具体地,采用增强型水体指数计算公式对遥感影像数据进行处理,获取到的增强型水体指数可用于识别遥感影像中的水体覆盖情况,增强型水体指数越大,其为水体的概率越大,可用于识别遥感影像中的水体区域或非水体区域。本实施例中,利用冬季大棚薄膜内侧结露这一自然现象,采用增强型水体指数识别出水体区域或非水体区域,以便于排除非水体区域作为遥感影像中的大棚区域。
其中,水体指数获取模块30具体包括归一化水体指数获取单元31、改进型水体指数获取单元32和增强型水体指数获取单元33。
归一化水体指数获取单元31,用于采用归一化水体指数计算公式对遥感影像数据进行处理,以获取归一化水体指数。归一化水体指数计算公式包括:NDWI=(G-NIR)/(G+NIR);其中,NDWI为归一化水体指数,NIR为近红外波段,G为绿光波段。
具体地,归一化水体指数(Normalized Difference Water Index,简称NDWI),用遥感影像的特定波段(即绿光波段和近红外波段)进行归一化差值处理,以凸显遥感影像中的水体信息,效果较好。在归一化水体指数(NDWI)中,土壤和建筑物在绿光波段和近红外波段的光谱特征与水体的光谱特征,难以抑制土壤和建筑物信息,因此需进一步对归一化水体指数(NDWI)进行处理,以识别出遥感影像中的水体区域和非水体区域。
改进型水体指数获取单元32,用于采用改进型归一化水体指数计算公式对遥感影像数据进行处理,以获取改进型归一化水体指数。其中,改进型归一化水体指数计算公式包括:MNDWI=(G-SWIR)/(G+SWIR);其中,MNDWI为改进型归一化水体指数,SWIR为短波红外波段。
具体地,改进型归一化水体指数(Modified Normalized Difference WaterIndex,简称MNDWI)比归一化水体指数(NDWI)更能够揭示水体微细特征。如悬浮沉积物的分布、水质的变化.另外,MNDWI可以很容易地区分阴影和水体,解决了水体提取中难于消除阴影的难题。
增强型水体指数获取单元33,用于采用获取增强型水体指数计算公式对植被指数、归一化水体指数和改进型归一化水体指数进行处理,以获取增强型水体指数。其中,获取增强型水体指数计算公式包括:EWI=MNDWI+NDWI-NDVI;其中,EWI为增强型水体指数。
具体地,增强型水体指数(Enhanced Water Index,以下简称EWI)综合考虑遥感影像中用于体现植被覆盖情况的的植被指数(NDVI)、用于凸现水体信息但未考虑土壤和建筑物信息的归一化水体指数(NDWI)和用于显示水体微细特征的改进型归一化水体指数,使得可基于增强型水体指数(EWI)从遥感影像中识别出水体区域或非水体区域。由于大棚薄膜内侧结露,使得大棚区域在遥感影像中应当属于基于增强型水体指数(EWI)识别出的水体区域中的一部分。
大棚识别模块40,用于将植被指数、增强型水体指数和可见光波段作为识别特征,基于分类决策树识别出遥感影像中的大棚区域。
本实施例中,将植被指数、增强型水体指数和可见光波段作为识别特征,以识别遥感影像中的大棚区域时,所需进行的参数设置较小;采用分类决策树对识别特征进行处理,可快速获取遥感影像中的大棚区域,计算过程简单且速度较快,无需进行复杂计算或较多的参数设置,可有效提高识别效率。
其中,大棚识别模块40具体包括第一判断识别单元41、第二判断识别单元42、第三判断识别单元43和大概识别处理单元44。
第一判断识别单元41,用于判断植被指数是否大于植被阈值,以识别出遥感影像中的植被区域或非植被区域。
其中,植被阈值(T1)可以是[0.4,0.5]之间的任一数值,用于评价遥感影像中任一植被指数(NDVI)对应的区域是植被区域还是非植被区域。具体地,判断植被指数(NDVI)是否大于植被阈值;若是,则植被指数(NDVI)对应的区域为遥感影像中的植被区域;若否,则植被指数(NDVI)对应的区域为遥感影像中的非植被区域。
第二判断识别单元42,用于判断增强型水体指数是否大于水体阈值,以识别所述遥感影像中的水体区域或非水体区域。
其中,水体阈值(T2)可以是[-0.2,0]之间的任一数值,用于评估遥感影像中任一增强型水体指数(EWI)对应的区域是水体区域还是非水体区域。具体地,判断增强型水体指数(EWI)是否大于水体阈值(T2);若是,则增强型水体指数(EWI)对应的区域为遥感影像中的水体区域;若否,则增强型水体指数(EWI)对应的区域为遥感影像中的非水体区域。
第三判断识别单元43,用于判断可见光波段中的红光波段是否大于反射率阈值,以识别出遥感影像中的高反射率区域和低反射率区域。
由于大棚的可见光波段(尤其是红光波段)的反射率远高于河流、鱼塘等水体特征的反射率,因此可利用可见光波段中的红光波段识别出大棚与河流、鱼塘等水体特征。
其中,反射率阈值(T3)可以为[0.1,0.2]之间的任一数据,用于评估遥感影像中可见光波段中的红光波段(R)对应的区域是大棚还是河流、鱼塘等其他水体特征,若干用户评估可见光波段中的红光波段对应的区域是高亮地物或其他地物。具体地,判断可见光波段中的红光波段(R)是否大于反射率阈值(T3);若是,则可见光波段中的红光波段(R)对应的区域为高反射率区域;若否,则可见光波段中的红光波段(R)对应的区域为低反馈率区域。
大概识别处理单元44,用于将同时为非植被区域、水体区域和高反射区域的区域为遥感影像中的大棚区域。
即将同时满足遥感影像中植被指数(NDVI)小于植被阈值(T1),增强型水体指数(EWI)大于水体阈值(T2)且可见光波段中的红光波段(R)大于反射率阈值(T3)这三个条件的区域作为遥感影像中的大棚区域。可以理解地,三个条件判断的先后顺序可自由组合。
该大棚识别装置还用于执行如图2所示的步骤:先接收用户输入的遥感影像,并获取遥感影像数据后。再判断红外波段(R)是否等于0;若为0,则为背景区域;若不等于0,则为非背景区域。对于非背景区域,再判断植被指数(NDVI)是否大于植被阈值(T1);若大于植被阈值(T1),则为植被区域;若不大于植被阈值(T1),则为非植被区域。对于非植被区域,再判断增强型水体指数(EWI)是否大于水体阈值(T2);若大于水体阈值(T2),则为非植被-水体区域;若不大于水体区域(T2),则为非植被-非水体区域。对于非植被-水体区域,则再判断红外波段(R)是否大于反射率阈值(T3);若大于反射率阈值(T3),则为大棚区域;则是为非大区区域,即非植被-水体-低反射率区域。对于非植被-非水体区域,再判断红外波段(R)是否大于反射率阈值(T3);若大于反射率阈值(T3),则为裸地区域,即非植被-非水体-高反射率区域;若不大于反射率阈值(T3),则为高亮人工地物,即非植被-非水体-低反射率区域。
本实施例中所提供的大棚识别装置,可采用实施例1中图3和图4的示意图,以显示该大棚识别装置进行大棚识别的效果。如图3中,a为用户输入的遥感影像,b为增强型水体指数对应的影像。本实施例中,采用Landsat5遥感影像,如图5所示,a1为2005年landsat5遥感影像,相应地,b1为2005年大棚提取示意图;a2为2009年landsat5遥感影像,相应地,b2为2009年大棚提取示意图;a3为2015年landsat5遥感影像,相应地,b3为2015年大棚提取示意图。如图3和图4所示,该大棚识别装置,识别大棚的效率高且精度大。
本实施例所提供的大棚识别装置中,获取遥感影像对应的遥感影像数据,再对遥感影像数据进行处理,分别获取植被指数和增强型水体指数;再将遥感影像数据中的可见光波段和植被指数和增强型水体指数作为识别特征,基于分类决策树识别出遥感影像中的大棚区域。而且,将可见光波段和植被指数和增强型水体指数作为识别特征作为识别特征,识别出遥感影像中的大棚区域,其识别过程简单方便,运算效率高且易于实现;并且,所需参数较少,无需进行大量参数设置,鲁棒性高;而且,识别结果可靠,可用于大面积大棚识别,有利提高大棚识别效率和成本。
本发明是通过几个具体实施例进行说明的,本领域技术人员应当明白,在不脱离本发明范围的情况下,还可以对本发明进行各种变换和等同替代。另外,针对特定情形或具体情况,可以对本发明做各种修改,而不脱离本发明的范围。因此,本发明不局限于所公开的具体实施例,而应当包括落入本发明权利要求范围内的全部实施方式。
Claims (10)
1.一种大棚识别方法,其特征在于,包括:
接收用户输入的遥感影像,获取遥感影像数据;所述遥感影像数据包括可见光波段;
采用植被指数计算公式对所述遥感影像数据进行处理,以获取植被指数;
采用增强型水体指数计算公式对所述遥感影像数据进行处理,以获取增强型水体指数;
将所述植被指数、所述增强型水体指数和所述可见光波段识别特征,基于分类决策树识别出所述遥感影像中的大棚区域。
2.根据权利要求1所述的大棚识别方法,其特征在于,所述遥感影像数据包括可见光波段、近红外波段和短波红外波段;所述可见光波段包括红光波段和绿光波段。
3.根据权利要求2所述的大棚识别方法,其特征在于,所述植被指数计算公式包括:NDVI=(NIR-R)/(NIR+R);其中,NDVI为植被指数,NIR为近红外波段,R为红光波段。
4.根据权利要求3所述的大棚识别方法,其特征在于,所述采用增强型水体指数计算公式对所述遥感影像数据进行处理,以获取增强型水体指数,包括:
采用归一化水体指数计算公式对所述遥感影像数据进行处理,以获取归一化水体指数;所述归一化水体指数计算公式包括:NDWI=(G-NIR)/(G+NIR);其中,NDWI为归一化水体指数,NIR为近红外波段,G为绿光波段;
采用改进型归一化水体指数计算公式对所述遥感影像数据进行处理,以获取改进型归一化水体指数;所述改进型归一化水体指数计算公式包括:MNDWI=(G-SWIR)/(G+SWIR);其中,MNDWI为改进型归一化水体指数,SWIR为短波红外波段;
采用获取增强型水体指数计算公式对所述植被指数、所述归一化水体指数和所述改进型归一化水体指数进行处理,以获取所述增强型水体指数;所述获取增强型水体指数计算公式包括:EWI=MNDWI+NDWI-NDVI;其中,EWI为增强型水体指数。
5.根据权利要求1-4任一所述的大棚识别方法,其特征在于,所述将所述植被指数、增强型水体指数和所述可见光波段作为分类决策树的识别特征,识别出所述遥感影像中的大棚区域,包括:
判断所述植被指数是否大于植被阈值,以识别出所述遥感影像中的植被区域或非植被区域;
判断所述增强型水体指数是否大于水体阈值,以识别所述遥感影像中的水体区域或非水体区域;
判断所述可见光波段中的红光波段是否大于反射率阈值,以识别出所述遥感影像中的高反射率区域和低反射率区域;
将同时为所述非植被区域、所述水体区域和高反射区域的区域为所述遥感影像中的大棚区域。
6.一种大棚识别装置,其特征在于,包括:
遥感影像数据获取模块,用于接收用户输入的遥感影像,获取遥感影像数据;所述遥感影像数据包括可见光波段;
植被指数获取模块,用于采用植被指数计算公式对所述遥感影像数据进行处理,以获取植被指数;
水体指数获取模块,用于采用增强型水体指数计算公式对所述遥感影像数据进行处理,以获取增强型水体指数;
大棚识别模块,用于将所述植被指数、所述增强型水体指数和所述可见光波段识别特征,基于分类决策树识别出所述遥感影像中的大棚区域。
7.根据权利要求6所述的大棚识别装置,其特征在于,所述遥感影像数据包括可见光波段、近红外波段和短波红外波段;所述可见光波段包括红光波段和绿光波段。
8.根据权利要求7所述的大棚识别装置,其特征在于,所述植被指数计算公式包括:NDVI=(NIR-R)/(NIR+R);其中,NDVI为植被指数,NIR为近红外波段,R为红光波段。
9.根据权利要求8所述的大棚识别装置,其特征在于,所述水体指数获取模块包括:
归一化水体指数获取单元,用于采用归一化水体指数计算公式对所述遥感影像数据进行处理,以获取归一化水体指数;所述归一化水体指数计算公式包括:NDWI=(G-NIR)/(G+NIR);其中,NDWI为归一化水体指数,NIR为近红外波段,G为绿光波段;
改进型水体指数获取单元,用于采用改进型归一化水体指数计算公式对所述遥感影像数据进行处理,以获取改进型归一化水体指数;所述改进型归一化水体指数计算公式包括:MNDWI=(G-SWIR)/(G+SWIR);其中,MNDWI为改进型归一化水体指数,SWIR为短波红外波段;
增强型水体指数获取单元,用于采用获取增强型水体指数计算公式对所述植被指数、所述归一化水体指数和所述改进型归一化水体指数进行处理,以获取所述增强型水体指数;所述获取增强型水体指数计算公式包括:EWI=MNDWI+NDWI-NDVI;其中,EWI为增强型水体指数。
10.根据权利要求6-9任一所述的大棚识别装置,其特征在于,所述大棚识别模块包括:
第一判断识别单元,用于判断所述植被指数是否大于植被阈值,以识别出所述遥感影像中的植被区域或非植被区域;
第二判断识别单元,用于判断所述增强型水体指数是否大于水体阈值,以识别所述遥感影像中的水体区域或非水体区域;
第三判断识别单元,用于判断所述可见光波段中的红光波段是否大于反射率阈值,以识别出所述遥感影像中的高反射率区域和低反射率区域;
大概识别处理单元,用于将同时为所述非植被区域、所述水体区域和高反射区域的区域为所述遥感影像中的大棚区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611192180.3A CN106778629B (zh) | 2016-12-21 | 2016-12-21 | 大棚识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611192180.3A CN106778629B (zh) | 2016-12-21 | 2016-12-21 | 大棚识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778629A true CN106778629A (zh) | 2017-05-31 |
CN106778629B CN106778629B (zh) | 2020-07-03 |
Family
ID=58893606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611192180.3A Active CN106778629B (zh) | 2016-12-21 | 2016-12-21 | 大棚识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778629B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563296A (zh) * | 2017-08-07 | 2018-01-09 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及系统 |
CN110390276A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 基于遥感大数据的大棚房识别方法及系统 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
CN113433075A (zh) * | 2021-05-08 | 2021-09-24 | 中科海慧(天津)科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN113792263A (zh) * | 2021-07-28 | 2021-12-14 | 中科卫星应用德清研究院 | 水生植被的类型确定方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8034147B2 (en) * | 2006-11-21 | 2011-10-11 | Chk Group, Inc. | Complete plant growth medium |
US20140083000A1 (en) * | 2012-09-26 | 2014-03-27 | Richard Sutton DeMerchant, JR. | Enviromentally controlled greenhouse with intergrated organic and self-sustainable capable grow system |
CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
CN104866852A (zh) * | 2015-04-01 | 2015-08-26 | 环境保护部卫星环境应用中心 | 提取遥感影像中土地覆被信息的方法及装置 |
CN105279604A (zh) * | 2015-09-25 | 2016-01-27 | 同济大学 | 一种矿区土地资源变化协同分析方法 |
CN105447497A (zh) * | 2015-06-30 | 2016-03-30 | 中国石油天然气股份有限公司 | 高分辨率多光谱遥感影像中的油田井场的识别方法 |
CN105701780A (zh) * | 2016-01-12 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像处理方法及系统 |
CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
-
2016
- 2016-12-21 CN CN201611192180.3A patent/CN106778629B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8034147B2 (en) * | 2006-11-21 | 2011-10-11 | Chk Group, Inc. | Complete plant growth medium |
US20140083000A1 (en) * | 2012-09-26 | 2014-03-27 | Richard Sutton DeMerchant, JR. | Enviromentally controlled greenhouse with intergrated organic and self-sustainable capable grow system |
CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
CN104866852A (zh) * | 2015-04-01 | 2015-08-26 | 环境保护部卫星环境应用中心 | 提取遥感影像中土地覆被信息的方法及装置 |
CN105447497A (zh) * | 2015-06-30 | 2016-03-30 | 中国石油天然气股份有限公司 | 高分辨率多光谱遥感影像中的油田井场的识别方法 |
CN105279604A (zh) * | 2015-09-25 | 2016-01-27 | 同济大学 | 一种矿区土地资源变化协同分析方法 |
CN105701780A (zh) * | 2016-01-12 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像处理方法及系统 |
CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
Non-Patent Citations (3)
Title |
---|
ROBERTO O.CHAVEZ: "Assessing Water Stress of Desert Tamarugo Trees Using in situ Data and Very High Spatial Resolution Remote Sensing", 《REMOTE SENS》 * |
周庆礼: "基于MODIS遥感数据的水体提取与制图研究", 《交通科技与经济》 * |
张璇: "基于高光谱遥感的城市水网水体提取研究和实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563296A (zh) * | 2017-08-07 | 2018-01-09 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及系统 |
CN107563296B (zh) * | 2017-08-07 | 2021-01-19 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及系统 |
CN110390276A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 基于遥感大数据的大棚房识别方法及系统 |
CN110390276B (zh) * | 2019-07-04 | 2021-06-22 | 中科卫星应用德清研究院 | 基于遥感大数据的大棚房识别方法及系统 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111199195B (zh) * | 2019-12-26 | 2023-07-18 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
CN112033914B (zh) * | 2020-09-01 | 2021-04-20 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
CN113433075A (zh) * | 2021-05-08 | 2021-09-24 | 中科海慧(天津)科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN113567981B (zh) * | 2021-06-28 | 2023-08-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN113792263A (zh) * | 2021-07-28 | 2021-12-14 | 中科卫星应用德清研究院 | 水生植被的类型确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106778629B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778629A (zh) | 大棚识别方法及装置 | |
Ludwig et al. | A highly automated algorithm for wetland detection using multi-temporal optical satellite data | |
Cote et al. | Automatic rooftop extraction in nadir aerial imagery of suburban regions using corners and variational level set evolution | |
Zhou et al. | Fusion of high spatial resolution WorldView-2 imagery and LiDAR pseudo-waveform for object-based image analysis | |
Fernandes et al. | Optimal attributes for the object based detection of giant reed in riparian habitats: A comparative study between Airborne High Spatial Resolution and WorldView-2 imagery | |
Szantoi et al. | A tool for rapid post-hurricane urban tree debris estimates using high resolution aerial imagery | |
Primicerio et al. | NDVI-based vigour maps production using automatic detection of vine rows in ultra-high resolution aerial images | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
CN111487643A (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
Yu et al. | Spatio-temporal monitoring of urban street-side vegetation greenery using Baidu Street View images | |
Luque et al. | Non-parametric object-based approaches to carry out ISA classification from archival aerial orthoimages | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
Yu et al. | Shadow Mask Driven Multimodal Intrinsic Image Decomposition For Hyperspectral and LiDAR Data Fusion | |
Kar et al. | Classification of multispectral satellite images | |
CN106169086B (zh) | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 | |
Li et al. | Individual tree-based forest species diversity estimation by classification and clustering methods using UAV data | |
Li et al. | Towards automatic tree crown detection and delineation in spectral feature space using PCNN and morphological reconstruction | |
Huang et al. | Tree crown detection and delineation using optical satellite imagery | |
Abraham et al. | Unsupervised building extraction from high resolution satellite images irrespective of rooftop structures | |
Workie | Assessment of aboveground carbon stock in coniferous and broadleaf forests, using high spatial resolution satellite images | |
Raja | Tree crown delineation from high resolution satellite images | |
CN107153823B (zh) | 一种基于视觉关联双空间的车道线特征提取方法 | |
Niccolai et al. | Point set topology extraction for branch and crown-level species classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |