CN107832697B - 三七种植信息快速提取的处理方法和系统 - Google Patents
三七种植信息快速提取的处理方法和系统 Download PDFInfo
- Publication number
- CN107832697B CN107832697B CN201711061170.0A CN201711061170A CN107832697B CN 107832697 B CN107832697 B CN 107832697B CN 201711061170 A CN201711061170 A CN 201711061170A CN 107832697 B CN107832697 B CN 107832697B
- Authority
- CN
- China
- Prior art keywords
- water body
- index
- result
- radix notoginseng
- normalization
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了三七种植信息快速提取的处理方法和系统,包括:获取高分二号影像,对高分二号影像进行预处理,得到融合的影像数据;对融合的影像数据进行特征提取,从而得到特征数据;将特征数据进行光谱特征分析,提取特征参数;根据特征参数提出新的光谱指数,并根据新的光谱指数建立决策树,得到第一结果;为排除小部分水体干扰,优化第一结果,需要获取水体数据,将水体数据进行预处理,得到处理的水体数据;将第一结果和处理的水体数据通过mask算法,得到第二结果,可以获取三七种植面积提取和分布制图,并进行种植面积的动态监测。
Description
技术领域
本发明涉及数据处理技术领域,尤其是涉及三七种植信息快速提取的处理方法和系统。
背景技术
三七是著名的地道药材也是我国大宗出口药材之一,现主产于云南省文山州的文山县、丘北县、马关县、砚山县,其种植面积和产量均占全国的90%以上。三七种植面积的定量分析以及动态监测对于全国中药资源普查和中药资源可持续发展是十分重要的。
现有的三七种植信息的获取主要依赖传统的资源调查。传统的资源调查需要大量的人力物力,而且人为的估算缺乏科学性;其次调查结果只有统计数据,缺乏三七的分布制图,无法进行种植范围的动态监测。
发明内容
有鉴于此,本发明的目的在于提供三七种植信息快速提取的处理方法和系统,可以获取三七种植面积的提取和分布制图,并进行种植面积的动态监测。
第一方面,本发明实施例提供了三七种植信息快速提取的处理方法,所述方法包括:
获取高分二号影像,对所述高分二号影像进行预处理,得到融合的影像数据;
对所述融合的影像数据进行特征提取,从而得到特征数据;
将所述特征数据进行光谱特征分析,提取特征参数;
根据所述特征参数提出新的光谱指数,并根据所述新的光谱指数建立决策树,得到第一结果;
获取水体数据,将所述水体数据进行预处理,得到处理的水体数据;
将所述第一结果和所述处理的水体数据通过mask算法,得到第二结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述特征数据包括耕地、植被、建筑、水体和三七,所述特征参数包括绿波段、近红外波段和蓝波段,所述根据所述特征参数提出新的光谱指数,并根据所述新的光谱指数建立决策树,得到第一结果包括:
根据所述特征数据在近红外波段的差异,建立归一化水体指数;
如果所述归一化水体指数大于第一阈值,则为所述水体或所述三七;
根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数;
如果所述归一化三七指数大于第二阈值,则为所述三七,其中,所述三七为所述第一结果。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述根据所述特征数据在近红外波段的差异,建立归一化水体指数包括:
根据下式计算所述归一化水体指数:
NDWI=((Green)-(NIR))/((Green)+(NIR))
其中,NDWI为所述归一化水体指数,Green为所述绿波段,NIR为所述近红外波段。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数包括:
根据下式计算所述归一化三七指数:
NDGI=((Blue)-(Green))/((Blue)+(Green))
其中,NDGI为所述归一化三七指数,Blue为所述蓝波段,Green为所述绿波段。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述将所述水体数据进行预处理,得到处理的水体数据包括:
将所述水体数据进行裁剪、重投影和重采样处理,得到所述处理的水体数据。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述对所述高分二号影像进行预处理,得到融合的影像数据包括:
对所述高分二号影像进行辐射定标、配准和融合处理,得到所述融合的影像数据。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述将所述第一结果和所述处理的水体数据通过mask算法,得到第二结果包括:
对于相同位置的栅格单元,如果所述第一结果的栅格值为第一数值,则所述第二结果为所述第一数值;
如果所述第一结果的栅格值为第二数值且所述处理的水体数据的栅格值为所述第一数值,则所述第二结果为所述第二数值;
如果所述第一结果的栅格值为第二数值且所述处理的水体数据的栅格值为所述第二数值,则所述第二结果为所述第一数值。
结合第一方面的第六种可能的实施方式,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述第一数值为0,所述第二数值为1。
第二方面,本发明实施例还提供三七种植信息快速提取的处理系统,所述系统包括:
第一预处理单元,用于获取高分二号影像,对所述高分二号影像进行预处理,得到融合的影像数据;
特征提取单元,用于对所述融合的影像数据进行特征提取,从而得到特征数据;
分析单元,用于将所述特征数据进行光谱特征分析,提取特征参数;
建立单元,用于根据所述特征参数提出新的光谱指数,并根据所述新的光谱指数建立决策树,得到第一结果;
第二预处理单元,用于获取水体数据,将所述水体数据进行预处理,得到处理的水体数据;
计算单元,用于将所述第一结果和所述处理的水体数据通过mask算法,得到第二结果。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述特征数据包括耕地、植被、建筑、水体和三七,所述特征参数包括绿波段、近红外波段和蓝波段,所述建立单元包括:
根据所述特征数据在近红外波段的差异,建立归一化水体指数;
如果所述归一化水体指数大于第一阈值,则为所述水体或所述三七;
根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数;
如果所述归一化三七指数大于第二阈值,则为所述三七,其中,所述三七为所述第一结果。
本发明实施例提供了三七种植信息快速提取的处理方法和系统,包括:获取高分二号影像,对高分二号影像进行预处理,得到融合的影像数据;对融合的影像数据进行特征提取,从而得到特征数据;将特征数据进行光谱特征分析,提取特征参数;根据特征参数提出新的光谱指数,并根据新的光谱指数建立决策树,得到第一结果;获取水体数据,将水体数据进行预处理,得到处理的水体数据;将第一结果和处理的水体数据通过mask算法,得到第二结果,可以获取三七种植面积的提取和分布制图,并进行种植面积的动态监测。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例一提供的三七种植信息快速提取的处理方法流程图;
图2为本发明实施例一提供的三七种植信息快速提取的处理方法中步骤S104的流程图;
图3为本发明实施例一提供的三七种植信息快速提取的处理方法中步骤S106的流程图;
图4为本发明实施例二提供的三七种植信息快速提取的处理系统示意图。
图标:
10-第一预处理单元;20-特征提取单元;30-分析单元;40-建立单元;50-第二预处理单元;60-计算单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
实施例一:
图1为本发明实施例一提供的三七种植信息快速提取的处理方法流程图。
参照图1,该方法包括以下步骤:
步骤S101,获取高分二号影像,对所述高分二号影像进行预处理,得到融合的影像数据;
这里,高分二号卫星是我国自主研制的首颗空间分辨优于1米的民用光学遥感卫星,搭载有两台高分辨率1米全色、4米多光谱相机,具有高空间分辨率、高定位精度和快速姿态机动能力等特点。
多光谱影像有蓝、绿、红和近红外4个波段,高分二号影像的参数指标具体参照表1:
表1
由表1可知,全色的分辨率为1m,多光谱的分辨率为4m,两者融合之后得到的分辨率为1m。
步骤S102,对融合的影像数据进行特征提取,从而得到特征数据;
步骤S103,将特征数据进行光谱特征分析,提取特征参数;
这里,在融合的影像数据上看主要的地物分布,从而进行特征提取,得到特征数据,特征数据包括耕地、植被、建筑、水体和三七;其次,在ARCGIS10.3上矢量勾画出这些特征数据,这些矢量的特征数据输入到Envi5.3软件中可以生成光谱曲线,进行光谱特征分析,从而提取特征参数。
具体地,在光谱特征分析中,水体和三七与其他地物相比,4个波段的反射率均比较低,特别是在近红外波段最为明显;而水体与三七相比,在蓝波段反射率差异较小,但在绿波段三七的反射率有一个明显的下降,这个明显的下降是区分水体和三七的关键。通过上面的分析,可以建方决策树。
步骤S104,根据特征参数提出新的光谱指数,并根据新的光谱指数建立决策树,得到第一结果;
步骤S105,获取水体数据,将水体数据进行预处理,得到处理的水体数据;
这里,在步骤S104中已经获取三七,即第一结果,但是由于提取出的三七可能会含有少量的水体,因此,需要进一步去除三七中包括的水体,从而提高提取精度。
具体地,为了确保水体和三七完全分离,从Google Earth Engine平台提取了与高分二号影像相同月份30m的水体数据;再利用Arcgis10.3软件进行了数据的预处理,包括裁剪、重投影和重采样。
步骤S106,将第一结果和处理的水体数据通过mask算法,得到第二结果。
进一步的,特征数据包括耕地、植被、建筑、水体和三七,特征参数包括绿波段、近红外波段和蓝波段,参照图2,步骤S104包括以下步骤:
步骤S201,根据特征数据在近红外波段的差异,建立归一化水体指数;
步骤S202,如果归一化水体指数大于第一阈值,则为水体或三七;
步骤S203,根据水体或三七在绿波段的差异,建立归一化三七指数;
步骤S204,如果归一化三七指数大于第二阈值,则为三七,其中,三七为第一结果。
这里,归一化水体指数为0.22,归一化三七指数为0.12。
进一步的,步骤S201包括:
根据公式(1)计算归一化水体指数:
NDWI=((Green)-(NIR))/((Green)+(NIR)) (1)
其中,NDWI为归一化水体指数,Green为绿波段,NIR为近红外波段。
进一步的,步骤S203包括:
根据公式(2)计算归一化三七指数:
NDGI=((Blue)-(Green))/((Blue)+(Green)) (2)
其中,NDGI为归一化三七指数,Blue为蓝波段,Green为绿波段。
进一步的,步骤S105包括:
将所述水体数据进行裁剪、重投影和重采样处理,得到所述处理的水体数据。
进一步的,步骤S101包括:
对所述高分二号影像进行辐射定标、配准和融合处理,得到融合的影像数据。
进一步的,参照图3,步骤S106包括以下步骤:
步骤S301,对于相同位置的栅格单元,如果第一结果的栅格值为第一数值,则第二结果为第一数值;
步骤S302,如果第一结果的栅格值为第二数值且处理的水体数据的栅格值为第一数值,则第二结果为第二数值;
步骤S303,如果第一结果的栅格值为第二数值且处理的水体数据的栅格值为第二数值,则第二结果为第一数值。
这里,第一数值为0,第二数值为1。
具体地,利用python建立的mask算法,首先,第一结果和处理的水体数据的水体分布图都是相同投影,相同分辨率的二值化图像,在三七的初步结果图中,0代表非其他地物,1代表三七;在水体分布图中,0代表非水体,1代表水体;然后开始利用建立的mask算法,对于相同位置的栅格单元,如果第一结果的栅格值为0,则第二结果为0;如果第一结果的栅格值为1且处理的水体数据的栅格值为0,则结果为1;如果第一结果的栅格值为1且处理的水体数据的栅格值为1,则第二结果为0。
实施例二:
图4为本发明实施例二提供的三七种植信息快速提取的处理系统示意图。
参照图4,该系统包括第一预处理单元10、特征提取单元20、分析单元30、建立单元40、第二预处理单元50和计算单元60。
第一预处理单元10,用于获取高分二号影像,对所述高分二号影像进行预处理,得到融合的影像数据;
特征提取单元20,用于对所述融合的影像数据进行特征提取,从而得到特征数据;
分析单元30,用于将所述特征数据进行光谱特征分析,提取特征参数;
建立单元40,用于根据所述特征参数提出新的光谱指数,并根据新的光谱指数建立决策树,得到第一结果;
第二预处理单元50,用于获取水体数据,将所述水体数据进行预处理,得到处理的水体数据;
计算单元60,用于将所述第一结果和所述处理的水体数据通过mask算法,得到第二结果。
进一步的,特征数据包括耕地、植被、建筑、水体和三七,特征参数包括绿波段、近红外波段和蓝波段,建立单元40包括:
根据所述特征数据在近红外波段的差异,建立归一化水体指数;
如果所述归一化水体指数大于第一阈值,则为所述水体或所述三七;
根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数;
如果所述归一化三七指数大于第二阈值,则为所述三七,其中,所述三七为所述第一结果。
本发明实施例提供了三七种植信息快速提取的处理方法和系统,包括:获取高分二号影像,对高分二号影像进行预处理,得到融合的影像数据;对融合的影像数据进行特征提取,从而得到特征数据;将特征数据进行光谱特征分析,提取特征参数;根据特征参数提出新的光谱指数,并根据新的光谱指数建立决策树,得到第一结果;获取水体数据,将水体数据进行预处理,得到处理的水体数据;将第一结果和处理的水体数据通过mask算法,得到第二结果,可以获取三七种植面积的提取和分布制图,并进行种植面积的动态监测。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例提供的三七种植信息快速提取的处理方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例的三七种植信息快速提取的处理方法的步骤。
本发明实施例所提供的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种三七种植信息快速提取的处理方法,其特征在于,所述方法包括:
获取高分二号影像,对所述高分二号影像进行预处理,得到融合的影像数据;
对所述融合的影像数据进行特征提取,从而得到特征数据;
将所述特征数据进行光谱特征分析,提取特征参数;
根据所述特征参数提出新的光谱指数,并根据所述新的光谱指数建立决策树,得到第一结果;
获取水体数据,将所述水体数据进行预处理,得到处理的水体数据;
将所述第一结果和所述处理的水体数据通过mask算法,得到第二结果;
所述特征参数包括绿波段、近红外波段和蓝波段,所述新的光谱指数包括归一化水体指数和归一化三七指数;
所述将所述第一结果和所述处理的水体数据通过mask算法,得到第二结果包括:
对于相同位置的栅格单元,如果所述第一结果的栅格值为第一数值,则所述第二结果为所述第一数值;
如果所述第一结果的栅格值为第二数值且所述处理的水体数据的栅格值为所述第一数值,则所述第二结果为所述第二数值;
如果所述第一结果的栅格值为第二数值且所述处理的水体数据的栅格值为所述第二数值,则所述第二结果为所述第一数值;
所述第一数值为0,所述第二数值为1;
所述特征数据包括耕地、植被、建筑、水体和三七,所述特征参数包括绿波段、近红外波段和蓝波段,所述根据所述特征参数提出新的光谱指数,并根据所述新的光谱指数建立决策树,得到第一结果包括:
根据所述特征数据在近红外波段的差异,建立归一化水体指数;
如果所述归一化水体指数大于第一阈值,则为所述水体或所述三七;
根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数;
如果所述归一化三七指数大于第二阈值,则为所述三七,其中,所述三七为所述第一结果;
根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数包括:
根据下式计算所述归一化三七指数:
NDGI=((Blue)-(Green))/((Blue)+(Green))
其中,NDGI为所述归一化三七指数,Blue为所述蓝波段,Green为所述绿波段。
2.根据权利要求1所述的三七种植信息快速提取的处理方法,其特征在于,所述根据所述特征数据在近红外波段的差异,建立归一化水体指数包括:
根据下式计算所述归一化水体指数:
NDWI=((Green)-(NIR))/((Green)+(NIR))
其中,NDWI为所述归一化水体指数,Green为所述绿波段,NIR为所述近红外波段。
3.根据权利要求1所述的三七种植信息快速提取的处理方法,其特征在于,所述将所述水体数据进行预处理,得到处理的水体数据包括:
将所述水体数据进行裁剪、重投影和重采样处理,得到所述处理的水体数据。
4.根据权利要求1所述的三七种植信息快速提取的处理方法,其特征在于,所述对所述高分二号影像进行预处理,得到融合的影像数据包括:
对所述高分二号影像进行辐射定标、配准和融合处理,得到所述融合的影像数据。
5.一种三七种植信息快速提取的处理系统,其特征在于,所述系统包括:
第一预处理单元,用于获取高分二号影像,对所述高分二号影像进行预处理,得到融合的影像数据;
特征提取单元,用于对所述融合的影像数据进行特征提取,从而得到特征数据;
分析单元,用于将所述特征数据进行光谱特征分析,提取特征参数;
建立单元,用于根据所述特征参数提出新的光谱指数,并根据所述新的光谱指数建立决策树,得到第一结果;
第二预处理单元,用于获取水体数据,将所述水体数据进行预处理,得到处理的水体数据;
计算单元,用于将所述第一结果和所述处理的水体数据通过mask算法,得到第二结果;
所述特征参数包括绿波段、近红外波段和蓝波段,所述新的光谱指数包括归一化水体指数和归一化三七指数;
所述计算单元包括:
对于相同位置的栅格单元,如果所述第一结果的栅格值为第一数值,则所述第二结果为所述第一数值;
如果所述第一结果的栅格值为第二数值且所述处理的水体数据的栅格值为所述第一数值,则所述第二结果为所述第二数值;
如果所述第一结果的栅格值为第二数值且所述处理的水体数据的栅格值为所述第二数值,则所述第二结果为所述第一数值;
所述第一数值为0,所述第二数值为1;
所述特征数据包括耕地、植被、建筑、水体和三七,所述特征参数包括绿波段、近红外波段和蓝波段,所述建立单元包括:
根据所述特征数据在近红外波段的差异,建立归一化水体指数;
如果所述归一化水体指数大于第一阈值,则为所述水体或所述三七;
根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数;
如果所述归一化三七指数大于第二阈值,则为所述三七,其中,所述三七为所述第一结果;
根据所述水体或所述三七在所述绿波段的差异,建立归一化三七指数包括:
根据下式计算所述归一化三七指数:
NDGI=((Blue)-(Green))/((Blue)+(Green))
其中,NDGI为所述归一化三七指数,Blue为所述蓝波段,Green为所述绿波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711061170.0A CN107832697B (zh) | 2017-11-01 | 2017-11-01 | 三七种植信息快速提取的处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711061170.0A CN107832697B (zh) | 2017-11-01 | 2017-11-01 | 三七种植信息快速提取的处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832697A CN107832697A (zh) | 2018-03-23 |
CN107832697B true CN107832697B (zh) | 2019-11-08 |
Family
ID=61651501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711061170.0A Active CN107832697B (zh) | 2017-11-01 | 2017-11-01 | 三七种植信息快速提取的处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832697B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784320B (zh) * | 2019-03-25 | 2021-07-30 | 中国科学院地理科学与资源研究所 | 人参设施农业域确定方法 |
CN110717413B (zh) * | 2019-09-24 | 2022-11-25 | 云南师范大学 | 面向无人机可见光影像的水体信息提取方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
CN105740759A (zh) * | 2016-01-15 | 2016-07-06 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2010259848A1 (en) * | 2009-06-11 | 2012-02-02 | Pa Llc | Vegetation indices for measuring multilayer microcrop density and growth |
-
2017
- 2017-11-01 CN CN201711061170.0A patent/CN107832697B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
CN105740759A (zh) * | 2016-01-15 | 2016-07-06 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
Non-Patent Citations (1)
Title |
---|
基于光谱特征分异的玉米种植面积提取;王尔美 等;《江苏农业学报》;20170831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107832697A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV) | |
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
Labib et al. | The potentials of Sentinel-2 and LandSat-8 data in green infrastructure extraction, using object based image analysis (OBIA) method | |
Lin et al. | Effects of atmospheric correction and pansharpening on LULC classification accuracy using WorldView-2 imagery | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
US9672424B2 (en) | Generation of high resolution population density data sets through exploitation of high resolution overhead imagery data and low resolution population density data sets | |
WO2015017366A1 (en) | Automatic generation of built-up layers from high resolution satellite image data | |
CN105184251B (zh) | 一种基于高分一号卫星图像的水华区域的识别方法及装置 | |
CN107832697B (zh) | 三七种植信息快速提取的处理方法和系统 | |
de Albuquerque et al. | Dealing with clouds and seasonal changes for center pivot irrigation systems detection using instance segmentation in sentinel-2 time series | |
CN114463623A (zh) | 一种基于多尺度遥感影像的耕地变化检测方法及装置 | |
CN109165553B (zh) | 基于深度学习的石油设施遥感自动识别方法及装置 | |
Whiteside et al. | Use of WorldView-2 time series to establish a wetland monitoring program for potential offsite impacts of mine site rehabilitation | |
CN111918547A (zh) | 树冠识别装置、识别方法、程序和记录介质 | |
Silveira et al. | Characterizing landscape spatial heterogeneity using semivariogram parameters derived from NDVI images | |
Xia et al. | Automatic detection and parameter estimation of Ginkgo biloba in urban environment based on RGB images | |
Zhang et al. | A new method for the extraction of tailing ponds from very high-resolution remotely sensed images: PSVED | |
Pereira et al. | Mapping land uses/covers with Semi-automatic Classification Plugin: which data set, classifier and sampling design? | |
Wang et al. | Canopy extraction and height estimation of trees in a shelter forest based on fusion of an airborne multispectral image and photogrammetric point cloud | |
Wang et al. | Edge enhanced channel attention-based graph convolution network for scene classification of complex landscapes | |
Harb Rabia et al. | Semi-automated classification of gray scale aerial photographs using geographic object based image analysis (GEOBIA) technique | |
Aleshko et al. | Development of methodology for automated determination of forest parameters based on data from unmanned aerial vehicles | |
Li et al. | Tree species classification based on WorldView-2 imagery in complex urban environment | |
Fu et al. | Automatic detection tree crown and height using Mask R-CNN based on unmanned aerial vehicles images for biomass mapping | |
CN112396615A (zh) | 一种基于可调半球冠层摄影仪的单株立木分割方法及装置 |
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 |