CN108280410A - 一种基于二进制编码的农作物识别方法及系统 - Google Patents
一种基于二进制编码的农作物识别方法及系统 Download PDFInfo
- Publication number
- CN108280410A CN108280410A CN201810023487.3A CN201810023487A CN108280410A CN 108280410 A CN108280410 A CN 108280410A CN 201810023487 A CN201810023487 A CN 201810023487A CN 108280410 A CN108280410 A CN 108280410A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- pixel
- default
- phase
- target area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于二进制编码的农作物识别方法及系统,方法包括:获取目标区域在多个预设时相的NDVI影像;利用图像分割算法将目标区域进行空间分割,将每个分割单元在每个预设时相的NDVI统计均值作为每个分割单元中各个像元在每个预设时相的NDVI值;将每个像元在每个预设时相的NDVI值与预先设置的NDVI阈值进行比较,当大于所述NDVI阈值时,对应的二进制编码值设置为1,否则设置为0,获得每个像元对应的二进制编码序列;将每个像元对应的二进制编码序列与标准二进制编码序列进行匹配,当匹配成功时,确定像元在目标区域对应的位置上所种植的农作物类型为目标农作物。该方法及系统实现了对目标农作物的精确识别,提高了识别效率,节省了人力物力和时间。
Description
技术领域
本发明涉及农业遥感技术领域,更具体地,涉及一种基于二进制编码的农作物识别方法及系统。
背景技术
农作物的种植面积及空间分布是监测农作物种植信息的一项重要参数。目前农作物植面积和空间分布信息依旧依赖传统的统计汇报或实地测量获得,整个过程需要耗费大量的时间和人力物力,并且所得到的农情信息无法及时准确地提供农作物种植的空间分布状况。
目前,已有大量利用遥感技术手段对农作物分类的研究,但现有的研究在我国的应用精度主要受以下几个方面因素的影响:第一方面,与国外的大片农田种植单一作物或几类作物的模式不同,我国的农田地块较为破碎,且不同的地块种植着的农作物类型也是复杂多样,这便限制了基于遥感的农作物提取精度,特别是在两种作物种植的相邻区域,因易形成混合像元问题造成“错分,漏分”的现象;第二方面,田间作物类型的多样,特别是遇到一些作物在短时间内存在光谱重叠的现象时,容易造成“异物同谱”,因此很难从单一时相出发获取高精度的作物分类结果;第三方面,传统的基于像素的单时相监督分类提取方法,为获得高精度的作物分类精度,需要在空间上采集大量的均匀分布的训练样本,这对大区域尺度的作物提取的样本收集工作带来挑战,并且在基于高分辨率影像的提取结果“椒盐效应”明显。此外,当前基于时序影像的作物提取中,目标区域各像元的NDVI时序曲线与标准作物NDVI时序曲线进行匹配时,常采用滤波处理后比较两类曲线的相似性,这类方法难以准确地匹配待识别像元。
有鉴于此,亟需提供一种能够实现农作物精确提取的解决思路,为农业相关决策部门提供科学决策依据。
发明内容
本发明为了克服现有技术中农作物提取精度不高,且需耗费大量的人力物力和时间的问题,提供一种基于二进制编码的农作物识别方法及系统。
一方面,本发明提供一种基于二进制编码的农作物识别方法,包括:
S1,获取目标区域在多个预设时相的NDVI影像,所述多个预设时相的NDVI影像包括所述目标农作物在其生育期内的每个月的NDVI影像至少各1景;
S2,利用图像分割算法将所述目标区域进行空间分割,获得所述目标区域对应的所有分割单元,基于每个所述预设时相的NDVI影像,利用统计方法计算每个所述分割单元内每个所述预设时相的NDVI统计均值,将每个所述分割单元在每个所述预设时相的NDVI统计均值作为每个所述分割单元中各个像元在每个所述预设时相的NDVI值;
S3,将每个所述像元在每个所述预设时相的NDVI值与预先设置的NDVI阈值进行比较,当所述像元在任一预设时相的NDVI值大于所述NDVI阈值时,将所述像元在所述任一预设时相对应的二进制编码值设置为1,否则设置为0,获得每个所述像元在所有预设时相对应的二进制编码,组成每个所述像元对应的二进制编码序列;
S4,将每个所述像元对应的二进制编码序列与所述目标农作物在所述多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物;其中,所述目标农作物在所述多个预设时相的标准二进制编码序列根据实地采样统计获得。
优选地,步骤S1中所述获取目标区域在多个预设时相的NDVI影像进一步包括:获取所述目标区域在多个所述预设时相的遥感影像,将每景所述遥感影像进行辐射定标、大气校正、几何校正和正射校正的预处理后,计算获得所述目标区域在多个预设时相的NDVI影像。
优选地,步骤S2中所述利用图像分割算法将所述目标区域进行图像分割进一步包括:从多个所述预设时相的NDVI影像中采用主成分分析法获取前3个主成分时相的NDVI影像,基于所述前3个主成分时相的NDVI影像利用所述图像分割算法将所述目标区域进行空间分割。
优选地,所述步骤S3之前还包括:根据所述目标农作物在每个所述预设时相的NDVI值的采样统计结果获得所述NDVI阈值。
优选地,所述步骤S3还包括:将所述多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个所述像元对应的二进制编码序列转换为十进制数,将每个所述像元对应的十进制数与所述标准十进制数进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物。
优选地,所述统计方法包括均值法、最大值法、标准差法和纹理统计法。
一方面,本发明提供一种基于二进制编码的农作物识别系统,包括:
NDVI时序影像获取模块,用于获取目标区域在多个预设时相的NDVI影像,所述多个预设时相的NDVI影像包括所述目标农作物在生育期内的每个月的NDVI影像至少各1景;
统计模块,用于利用图像分割算法将所述目标区域进行空间分割,获得所述目标区域对应的所有分割单元,基于每个所述预设时相的NDVI影像,利用统计方法计算每个所述分割单元在每个所述预设时相的NDVI统计均值,将每个所述分割单元在每个所述预设时相的NDVI统计均值作为每个所述分割单元中各个像元在每个所述预设时相的NDVI值;
编码模块,用于将每个所述像元在每个所述预设时相的NDVI值与预先设置的NDVI阈值进行比较,当所述像元在任一预设时相的NDVI值大于所述NDVI阈值时,将所述像元在所述任一预设时相对应的二进制编码值设置为1,否则设置为0,获得每个所述像元在所有预设时相对应的二进制编码,组成每个所述像元对应的二进制编码序列;
识别模块,用于将每个所述像元对应的二进制编码序列与所述目标农作物在所述多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物;其中,所述目标农作物在所述多个预设时相的标准二进制编码序列根据实地采样统计获得。
优选地,还包括阈值设定模块,用于根据所述目标农作物在每个所述预设时相的NDVI值的采样统计结果获得所述NDVI阈值。
优选地,所述识别模块还用于将所述多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个所述像元对应的二进制编码序列转换为十进制数,将每个所述像元对应的十进制数与所述标准十进制数进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物为所述目标农作物。
一方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述任一所述的方法。
本发明提供的一种基于二进制编码的农作物识别方法及系统,将农作物的种植状态转换成种植和未种植两种状态,并针对这两种状态将时序NDVI影像根据预先设置的与目标农作物对应的NDVI阈值进行二进制编码,针对不同农作物在时间序列上的二进制编码之间的物候差异,从而从高分辨率时序影像上精确提取出目标农作物的种植面积;结合图像分割技术和实地采样数据,可以建立农作物对应的唯一二进制编码,能够减少传统基于像素的单时相监督作物分类中存在的“混合像元”、“异物同谱”、“椒盐效应”等问题,实现对破碎田块目标农作物种植面积和空间分布的精确提取,提高了目标农作物的识别效率,一定程度上节省了人力物力和时间。
附图说明
图1为本发明实施例的一种基于二进制编码的农作物识别方法的整体流程示意图;
图2为本发明实施例的NDVI时序影像示意图;
图3为本发明实施例的目标区域空间分割结果示意图;
图4为本发明实施例NDVI阈值采样统计示意图;
图5为本发明实施例的目标农作物识别结果示意图;
图6为本发明实施例的一种基于二进制编码的农作物识别系统的整体结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例的一种基于二进制编码的农作物识别方法的整体流程示意图,如图1所示,本发明提供一种基于二进制编码的农作物识别方法,包括:
S1,获取目标区域在多个预设时相的NDVI影像,所述多个预设时相的NDVI影像包括所述目标农作物在其生育期内的每个月的NDVI影像至少各1景;
S2,利用图像分割算法将所述目标区域进行空间分割,获得所述目标区域对应的所有分割单元,基于每个所述预设时相的NDVI影像,利用统计方法计算每个所述分割单元内每个所述预设时相的NDVI统计均值,将每个所述分割单元在每个所述预设时相的NDVI统计均值作为每个所述分割单元中各个像元在每个所述预设时相的NDVI值;
S3,将每个所述像元在每个所述预设时相的NDVI值与预先设置的NDVI阈值进行比较,当所述像元在任一预设时相的NDVI值大于所述NDVI阈值时,将所述像元在所述任一预设时相对应的二进制编码值设置为1,否则设置为0,获得每个所述像元在所有预设时相对应的二进制编码,组成每个所述像元对应的二进制编码序列;
S4,将每个所述像元对应的二进制编码序列与所述目标农作物在所述多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物;其中,所述目标农作物在所述多个预设时相的标准二进制编码序列根据实地采样统计获得。
具体地,由于农作物具有周期性的收获播种,且不同的农作物对应的物候特征不同(收获播种的时间不同),反映到遥感影像上会出现植被指数的时序变化。基于上述原理,本发明提供一种基于二进制编码的农作物识别方法,本实施例主要利用了不同农作物在遥感影像中出现的NDVI值的时序变化,以实现对农作物的识别。其中NDVI(NormalizedDifference Vegetation Index)指的是归一化植被指数,是植被覆盖程度的指示值。具体实现如下:
首先获取目标区域在多个预设时相的遥感影像,根据多个预设时相的遥感影像计算获取目标区域在多个预设时相的NDVI影像,并构成目标区域对应的NDVI时序影像。其中,多个预设时相的选取与目标农作物生长周期和采用的卫星影像数据源相关,在目标农作物的生育期内的每个月至少选择一个时相作为预设时相,进而针对选择的预设时相获取目标农作物在预设时相的NDVI影像,即获得目标区域在多个预设时相的NDVI影像。
进一步地,针对上述目标区域,利用图像分割算法将目标区域进行空间分割,进而获得目标区域对应的所有分割单元,每个分割单元包括多个像元。在此基础上,基于上述获取的目标区域在多个预设时相的NDVI影像,针对每个时相的每个分割单元,获取每个分割单元的每个像元在NDVI影像中的NDVI值,利用统计方法对每个分割单元中的所有像元的NDVI值进行统计,获得每个分割单元的NDVI统计均值,进而获得每个分割单元在每个预设时相的NDVI统计均值。再将每个分割单元在每个预设时相的NDVI统计均值作为每个分割单元中各个像元在每个预设时相的NDVI值,进而获得每个像元在每个预设时相的NDVI值。其中,图像分割算法包括边缘分割算法等,可以根据实际需求进行设置,此处不做具体限定。此外,每个像元在NDVI影像中的NDVI值的计算公式为,NDVI=(ρnir-ρred)/(ρnir+ρred),其中ρnir为近红外波段得到的反射率,ρred为红波段得到的反射率。
进一步地,在上述技术方案的基础上,一般地,NDVI的取值在-1和1之间,且植被覆盖度随NDVI值的增大而增大。有鉴于此,本实施例中,针对目标农作物预先设置各个时相对应的NDVI阈值,将每个像元在每个预设时相的NDVI值与对应的NDVI阈值进行比较,当某个像元在某个预设时相的NDVI值大于对应的NDVI阈值时,则将该像元在该预设时相对应的二进制编码值设置为1,表明该像元在该预设时相有农作物种植,即二进制编码1表示有农作物种植状态;当某个像元在某个预设时相的NDVI值小于等于对应的NDVI阈值时,则将该像元在该预设时相对应的二进制编码值设置为0,表明该像元在该预设时相无农作物种植,即二进制编码0表示无农作物种植状态;进而获得每个像元在所有预设时相对应的二进制编码,组成每个像元对应的二进制编码序列。
进一步地,将每个像元对应的二进制编码序列与目标农作物在多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定该像元在目标区域对应的位置上所种植的农作物类型为目标农作物,即实现了目标区域中目标农作物的识别,最终可从高分辨率NDVI时序影像上精确提取出目标农作物的种植面积。其中,目标农作物在多个预设时相的标准二进制编码序列是根据人工对目标农作物在每个预设时相的NDVI值进行实地采样,将每个预设时相多个采样点获得的NDVI均值与上述NDVI阈值进行比较,再利用上述相同的编码方式,进而可获得目标农作物在多个预设时相的标准二进制编码序列。
本发明提供的一种基于二进制编码的农作物识别方法,将农作物的种植状态转换成种植和未种植两种状态,并针对这两种状态将时序NDVI影像根据预先设置的与目标农作物对应的NDVI阈值进行二进制编码,针对不同农作物在时间序列上的二进制编码之间的物候差异,从而从高分辨率时序影像上精确提取出目标农作物的种植面积;结合图像分割技术和实地采样数据,可以建立农作物对应的唯一二进制编码,能够减少传统基于像素的单时相监督作物分类中存在的“混合像元”、“异物同谱”、“椒盐效应”等问题,实现对破碎田块目标农作物种植面积和空间分布的精确提取,提高了目标农作物的识别效率,一定程度上节省了人力物力和时间。
基于上述任一实施例,提供一种基于二进制编码的农作物识别方法,步骤S1中所述获取目标区域在多个预设时相的NDVI影像进一步包括:获取所述目标区域在多个所述预设时相的遥感影像,将每景所述遥感影像进行辐射定标、大气校正、几何校正和正射校正的预处理后,计算获得所述目标区域在多个预设时相的NDVI影像。
具体地,本实施例中,通过获得目标区域在多个预设时相的遥感影像,并将每景遥感影像进行辐射定标、大气校正、几何校正和正射校正的预处理。其中,辐射定标是指传感器探测值的标定过程方法,用以确定传感器入口处的准确辐射值,其目的是为了消除传感器本身的误差;电磁波透过大气层时,大气不仅改变光线的方向,也会影响遥感图像的辐射特征,大气的影响是指大气对太阳光和来自目标地物的辐射产生吸收和散射,消除大气影响的校正过程称为大气校正;遥感影像的几何校正包括两个层次,第一是遥感图像的粗加工处理,第二是遥感图像的精加工处理,粗加工处理也称为粗纠正,它仅做系统误差改正,如传感器的外方位元素等带入构像公式对原始图像进行几何校正;图像的精纠正是指消除图像中的几何变形;正射校正是指借助地形高程模型(DEM),对图像中每个像元进行地形变形的校正,使图像符合正射投影的要求。
进一步地,在对遥感影像进行辐射定标、大气校正、几何校正和正射校正的预处理后,再计算各个时相的NDVI值,NDVI值的计算公式为,NDVI=(ρnir-ρred)/(ρnir+ρred),其中ρnir为近红外波段得到的反射率,ρred为红波段得到的反射率。进而获得目标区域在多个预设时相的NDVI影像,构成目标区域的NDVI时序影像。
本发明提供的一种基于二进制编码的农作物识别方法,将目标区域在多个预设时相的遥感影像进行辐射定标、大气校正、几何校正和正射校正的预处理后,计算获得目标区域在多个预设时相的NDVI影像,能够消除辐射和大气对遥感影像的影响,同时还能够消除遥感影像的几何畸变,有利于准确计算多个预设时相的NDVI,进而获得目标区域在多个预设时相的NDVI影像,从而有利于后续根据NDVI影像对目标农作物进行识别。
基于上述任一实施例,提供一种基于二进制编码的农作物识别方法,步骤S2中所述利用图像分割算法将所述目标区域进行图像分割进一步包括:从多个所述预设时相的NDVI影像中采用主成分分析法获取前3个主成分时相的NDVI影像,基于所述前3个主成分时相的NDVI影像利用所述图像分割算法将所述目标区域进行空间分割。
具体地,在上述获得目标区域在多个预设时相的NDVI影像的基础上,从多个预设时相的NDVI影像中采用主成分分析法获取前3个主成分时相的NDVI影像,基于前3个主成分时相的NDVI影像利用图像分割算法将目标区域进行空间分割,进而获得目标区域对应的所有分割单元。其中,主成分分析(principal components analysis,PCA)是一种去除波段之间的冗余信息,将多波段的图像信息压缩到比原波段更有效的少数几个转换波段的方法。本实施例中仅选取前3个主成分时相的NDVI影像,所选取的主成分时相的NDVI影像不宜太多,否则得到的分割单元会比较碎片化。
本发明提供的一种基于二进制编码的农作物识别方法,从多个所述预设时相的NDVI影像中采用主成分分析法获取前3个主成分时相的NDVI影像,基于前3个主成分时相的NDVI影像利用图像分割算法将目标区域进行空间分割,有利于获取超分辨率的分割单元;同时所选取的NDVI影像数量适宜,有效避免了分割单元的碎片化。
基于上述任一实施例,提供一种基于二进制编码的农作物识别方法,所述步骤S3之前还包括:根据所述目标农作物在每个所述预设时相的NDVI值的采样统计结果获得所述NDVI阈值。
一般地,NDVI的取值在-1和1之间,且植被覆盖度随NDVI值的增大而增大。有鉴于此,本实施例中,利用阈值设定模块通过对目标区域在每个预设时相各像元的NDVI值进行采样统计,其中在确定采样点时需保证各采样点同一时相的NDVI值在阈值的一侧(上侧或下侧,也即大于NDVI阈值或小于NDVI阈值),且所有采样点不能在阈值的同一侧。根据各采样点的统计结果确定每个预设时相对应的NDVI阈值。
本发明提供的一种基于二进制编码的农作物识别方法,根据目标农作物在每个预设时相的NDVI值的采样统计结果获得NDVI阈值,以确定各预设时相对应的NDVI阈值,从而有利于后续根据每个预设时相对应的NDVI阈值对每个预设时相的NDVI影像进行编码,进而有利于最终对目标农作物进行识别。
基于上述任一实施例,提供一种基于二进制编码的农作物识别方法,所述步骤S3还包括:将所述多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个所述像元对应的二进制编码序列转换为十进制数,将每个所述像元对应的十进制数与所述标准十进制数进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物。
具体地,本实施例中,为了便于将每个像元对应的二进制编码序列与目标农作物在多个预设时相的标准二进制编码序列进行匹配,将多个预设时相的标准二进制编码序列转换为标准十进制数,且在上述获得每个像元对应的二进制编码序列后,将每个像元对应的二进制编码序列转换为十进制数,进而将每个像元对应的十进制数与标准十进制数进行匹配,当匹配成功时,确定像元在所述目标区域对应的位置上所种植的农作物类型为目标农作物,进而实现对目标区域中的目标农作物的识别。多个预设时相的二进制编码序列影像转换为1景十进制影像的转换公式为,十进制值=B1×2n-1+B2×2n-2+…+Bn×20,式中B1,B2,…,Bn分别表示每个预设时相的二进制编码影像,n表示预设时相的个数。
本发明提供的一种基于二进制编码的农作物识别方法,将多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个像元对应的二进制编码序列转换为十进制数,有利于将每个像元对应的二进制编码序列与目标农作物在多个预设时相的标准二进制编码序列进行匹配,进而有利于实现对目标区域中的目标农作物的识别。
基于上述任一实施例,所述统计方法包括均值法、最大值法、标准差法和纹理统计法。
具体地,上述利用统计方法计算每个分割单元中每个预设时相的NDVI统计均值所采用的统计方法包括均值法、最大值法、标准差法和纹理统计法。以均值法为例,对于每个分割单元,获取每个分割单元中各像元的NDVI值,再利用均值法计算各同一分割单元中各像元的NDVI均值,由此可消除分割单元内的“椒盐效应”,提高因同一作物由于田间水肥管理不同导致的作物长势空间变异性影响。若某时相的农作物种植在图像上表现出一定的空间结构特征,还可以采用纹理统计法计算上述NDVI统计值。此外,其他实施例中,还可以采用其他的统计方法计算上述NDVI统计值,可以根据实际需求进行设置,此处不做具体限定。
本发明提供的一种基于二进制编码的农作物识别方法,利用统计方法计算每个分割单元内每个预设时相的NDVI统计均值,由此可消除分割单元内的“椒盐效应”,提高因同一作物由于田间水肥管理不同导致的作物长势空间变异性影响。
为了更好地理解上述方法实施例中的具体实现步骤,现以下述示例进行说明:
本实施例选取的目标区域为位于安徽省蚌埠市的固镇县,所需识别的目标农作物为花生,具体实现如下:
结合固镇县花生的物侯历(参见以下表1),鉴于花生的生育期为每年的4月至9月份,以2016年为例进行说明,首先获取实验区(位于安徽省蚌埠市的固镇县)2016年4月~2016年9月的7景GF-1WFV传感器16m分辨率影像(参见以下表2),其中对应的7个预设时相分别为2016年4月9日、2016年5月11日、2016年6年5日、2016年7年29日、2016年8年18日、2016年9年8日和2016年9年12日,即确保选取花生生育期内的每个月的NDVI影像至少各1景。再将上述获取的所有影像经过辐射定标、大气校正(包括去云处理)、几何校正、正射校正的预处理,由于6月5日的影像存在23%的云层覆盖,在使用前需要进行去云处理。并且所有的影像在几何校正时统一到相同的坐标系,并且几何配准至1个像元误差。在进行上述预处理后,则可计算获得上述7个预设时相的NDVI影像,并构成NDVI时序影像,具体可参见图2。
表1固镇县农作物物候历
表2高分1号WFV影像列表
进一步地,从上述7个预设时相的NDVI影像中采用主成分分析法获取前3个主成分时相的NDVI影像,本实施例中对应的3个主成分时相分别为2016年4月9日、2016年6年5日和2016年9年12日。基于上述前3个主成分时相的NDVI影像利用图像分割算法将上述实验区进行空间分割,获得实验区对应的所有分割单元。本实施例中,采用的图像分割算法为边缘分割方法,其中分割尺度因子设置为50,合并因子设置为85。由2016年4月9日、2016年6年5日和2016年9年12日3个时相得到的图像分割结果可参见图3。
进一步地,利用统计方法分别计算上述获得的每个分割单元内7个预设时相的NDVI统计均值,并将每个分割单元在每个预设时相的NDVI统计均值作为每个分割单元中各个像元在每个预设时相的NDVI值。现以一个分割单元为例进行说明,若某一分割单元在上述7个预设时相获得的NDVI统计均值分别为NDVI1、NDVI2、NDVI3、NDVI4、NDVI5、NDVI6和NDVI7,则对应的该分割单元内所有像元在上述7个预设时相获得的NDVI值也分别为NDVI1、NDVI2、NDVI3、NDVI4、NDVI5、NDVI6和NDVI7。
进一步地,对上述实验区中,通过人工对目标农作物花生在上述7个预设时相的NDVI值进行采样统计,即可确定NDVI阈值。图4为本发明实施例NDVI阈值采样统计示意图,如图4所示,其中横坐标代表实际花生地所采集的采样点,纵坐标代表对应的NDVI值,由图中可以看出,同一横坐标对应的采样点包括7个NDVI值,其表示同一采样点在7个预设时相的NDVI值,不难看出,各采样点各时相的NDVI值有一个明显的NDVI临界值,该临界值即可确定为NDVI阈值。本示例中,确定NDVI阈值为0.2。其中NDVI阈值的确定需保证各采样点同一时相的NDVI值在阈值的一侧(上侧或下侧),且所有采样点不能在阈值的同一侧。图4中阈值上侧的采样点均为2016年7年29日和2016年8年18日2个时相上的NDVI值,而阈值下侧的采样点均为2016年4月9日、2016年5月11日、2016年6年5日、2016年9年8日和2016年9年12日5个时相上的NDVI值。
进一步地,将上述分割单元中的每个像元在每个预设时相的NDVI值与上述获得的NDVI阈值进行比较,当某个像元在某个预设时相的NDVI值大于上述NDVI阈值时,将该像元在某个预设时相对应的二进制编码值设置为1,否则设置为0,由此获得该像元在7个预设时相对应的二进制编码,组成该像元对应的二进制编码序列。以上述分割单元中的一个像元为例,该像元在上述7个预设时相获得的NDVI值分别为NDVI1、NDVI2、NDVI3、NDVI4、NDVI5、NDVI6和NDVI7。即将NDVI1、NDVI2、NDVI3、NDVI4、NDVI5、NDVI6和NDVI7分别与上述NDVI阈值0.2进行比较,获得一个二进制编码序列。
进一步地,将每一个时相的所有目标农作物花生采样点的NDVI值求统计均值,再与上述获得的NDVI阈值0.2进行比较,可得每一个时相的标准二进制编码,组合7个预设时相获得的标准二进制编码得到目标农作物花生的二进制编码序列。本示例中,2016年4月9日、2016年5月11日、2016年6年5日、2016年7年29日、2016年8年18日、2016年9年8日和2016年9年12日对应的目标农作物花生的标准二进制编码分别为0、0、0、1、1、0、0,组合成花生标准二进制编码序列为0001100,转换成十进制数为12。
进一步地,将上述7个预设时相的二进制编码序列影像转换成十进制影像,再将影像中的所有像元值与目标农作物花生的十进制数12进行匹配,当匹配成功时,确定上述像元在上述实验区对应的位置上所种植的农作物类型为目标农作物花生。
进一步地,对上述实验区的各个像元均进行上述识别,最终即可从上述实验区中提取出所有目标农作物花生所种植的区域,具体可参见图5,图中通过实际计算获得花生种植面积约为3.68万公顷。
图6为本发明实施例的一种基于二进制编码的农作物识别系统的整体结构示意图,如图6所示,本发明提供一种基于二进制编码的农作物识别系统,包括:
NDVI时序影像获取模块1,用于获取目标区域在多个预设时相的NDVI影像,所述多个预设时相的NDVI影像包括所述目标农作物在生育期内的每个月的NDVI影像至少各1景;
统计模块2,用于利用图像分割算法将所述目标区域进行空间分割,获得所述目标区域对应的所有分割单元,基于每个所述预设时相的NDVI影像,利用统计方法计算每个所述分割单元在每个所述预设时相的NDVI统计均值,将每个所述分割单元在每个所述预设时相的NDVI统计均值作为每个所述分割单元中各个像元在每个所述预设时相的NDVI值;
编码模块3,用于将每个所述像元在每个所述预设时相的NDVI值与预先设置的NDVI阈值进行比较,当所述像元在任一预设时相的NDVI值大于所述NDVI阈值时,将所述像元在所述任一预设时相对应的二进制编码值设置为1,否则设置为0,获得每个所述像元在所有预设时相对应的二进制编码,组成每个所述像元对应的二进制编码序列;
识别模块4,用于将每个所述像元对应的二进制编码序列与所述目标农作物在所述多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物;其中,所述目标农作物在所述多个预设时相的标准二进制编码序列根据实地采样统计获得。
具体地,本实施例中提供的一种基于二进制编码的农作物识别系统,包括NDVI时序影像获取模块1、统计模块2、编码模块3和识别模块4,通过各模块实现上述任一实施例中的方法,具体实现如下:
首先利用NDVI时序影像获取模块1获取目标区域在多个预设时相的遥感影像,根据多个预设时相的遥感影像获取目标区域在多个预设时相的NDVI影像,并构成目标区域对应的NDVI时序影像。其中,多个预设时相的选取与目标农作物生长周期和采用的卫星影像数据源相关,在目标农作物的生育期内的每个月至少选择一个时相作为预设时相,进而针对选择的预设时相获取目标农作物在预设时相的NDVI影像,即获得目标区域在多个预设时相的NDVI影像。
进一步地,针对上述目标区域,利用统计模块2通过图像分割算法将目标区域进行空间分割,进而获得目标区域对应的所有分割单元,每个分割单元包括多个像元。在此基础上,基于上述获取的目标区域在多个预设时相的NDVI影像,针对每个时相的每个分割单元,获取每个分割单元的每个像元在NDVI影像中的NDVI值,利用统计方法对每个分割单元中的所有像元的NDVI值进行统计,获得每个分割单元的NDVI统计均值,进而获得每个分割单元在每个预设时相的NDVI统计均值。再将每个分割单元在每个预设时相的NDVI统计均值作为每个分割单元中各个像元在每个预设时相的NDVI值,进而获得每个像元在每个预设时相的NDVI值。
进一步地,在上述技术方案的基础上,本实施例中,针对目标农作物预先设置各个时相对应的NDVI阈值,利用编码模块3将每个像元在每个预设时相的NDVI值与对应的NDVI阈值进行比较,当某个像元在某个预设时相的NDVI值大于对应的NDVI阈值时,则将该像元在该预设时相对应的二进制编码值设置为1,表明该像元在该预设时相有农作物种植,即二进制编码1表示有农作物种植状态;当某个像元在某个预设时相的NDVI值小于等于对应的NDVI阈值时,则将该像元在该预设时相对应的二进制编码值设置为0,表明该像元在该预设时相无农作物种植,即二进制编码0表示无农作物种植状态;进而获得每个像元在所有预设时相对应的二进制编码,组成每个像元对应的二进制编码序列。
进一步地,利用识别模块4将每个像元对应的二进制编码序列与目标农作物在多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定该像元在目标区域对应的位置上所种植的农作物类型为目标农作物,即实现了目标区域中目标农作物的识别,最终可从高分辨率NDVI时序影像上精确提取出目标农作物的种植面积。其中,目标农作物在多个预设时相的标准二进制编码序列是根据实际采样统计获得的,可以通过人工对目标农作物在每个预设时相的NDVI值进行实地采样,将每个预设时相采样获得的NDVI值与上述NDVI阈值进行比较,再利用上述相同的编码方式,进而可获得目标农作物在多个预设时相的标准二进制编码序列。
本发明提供的一种基于二进制编码的农作物识别系统,将农作物的种植状态转换成种植和未种植两种状态,并针对这两种状态将时序NDVI影像根据预先设置的与目标农作物对应的NDVI阈值进行二进制编码,针对不同农作物在时间序列上的二进制编码之间的物候差异,从而从高分辨率时序影像上精确提取出目标农作物的种植面积;结合图像分割技术和实地采样数据,可以建立农作物对应的唯一二进制编码,能够减少传统基于像素的单时相监督作物分类中存在的“混合像元”、“异物同谱”、“椒盐效应”等问题,实现对破碎田块目标农作物种植面积和空间分布的精确提取,提高了目标农作物的识别效率,一定程度上节省了人力物力和时间。
基于上述任一实施例,提供一种基于二进制编码的农作物识别系统,还包括阈值设定模块,用于根据所述目标农作物在每个所述预设时相的NDVI值的采样统计结果获得所述NDVI阈值。
具体地,一般地,NDVI的取值在-1和1之间,且植被覆盖度随NDVI值的增大而增大。有鉴于此,本实施例中,利用阈值设定模块通过对目标区域在每个预设时相各像元的NDVI值进行采样统计,其中在确定采样点时需保证各采样点同一时相的NDVI值在阈值的一侧(上侧或下侧,也即大于NDVI阈值或小于NDVI阈值),且所有采样点不能在阈值的同一侧。根据各采样点的统计结果确定每个预设时相对应的NDVI阈值。
本发明提供的一种基于二进制编码的农作物识别系统,根据目标农作物在每个预设时相的NDVI值的采样统计结果获得NDVI阈值,能够准确地确定每个预设时相对应的NDVI阈值,从而有利于后续根据每个预设时相对应的NDVI阈值对每个预设时相的NDVI影像进行编码,进而有利于最终对目标农作物进行识别。
基于上述任一实施例,提供一种基于二进制编码的农作物识别系统,所述识别模块还用于将所述多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个所述像元对应的二进制编码序列转换为十进制数,将每个所述像元对应的十进制数与所述标准十进制数进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物为所述目标农作物。
具体地,本实施例中,为了便于将每个像元对应的二进制编码序列与目标农作物在多个预设时相的标准二进制编码序列进行匹配,利用识别模块将多个预设时相的标准二进制编码序列转换为标准十进制数,且在上述获得每个像元对应的二进制编码序列后,将每个像元对应的二进制编码序列转换为十进制数,进而将每个像元对应的十进制数与标准十进制数进行匹配,当匹配成功时,确定像元在所述目标区域对应的位置上所种植的农作物类型为目标农作物,进而实现对目标区域中的目标农作物的识别。
本发明提供的一种基于二进制编码的农作物识别系统,将多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个像元对应的二进制编码序列转换为十进制数,有利于将每个像元对应的二进制编码序列与目标农作物在多个预设时相的标准二进制编码序列进行匹配,进而有利于实现对目标区域中的目标农作物的识别。
基于上述任一实施例,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取目标区域在多个预设时相的NDVI影像,多个预设时相的NDVI影像包括目标农作物在其生育期内的每个月的NDVI影像至少各1景;利用图像分割算法将目标区域进行空间分割,获得目标区域对应的所有分割单元,基于每个预设时相的NDVI影像,利用统计方法计算每个分割单元内每个预设时相的NDVI统计均值,将每个分割单元在每个预设时相的NDVI统计均值作为每个分割单元中各个像元在每个预设时相的NDVI值;将每个像元在每个预设时相的NDVI值与预先设置的NDVI阈值进行比较,当像元在任一预设时相的NDVI值大于对应的所述NDVI阈值时,将像元在任一预设时相对应的二进制编码值设置为1,否则设置为0,获得每个像元在所有预设时相对应的二进制编码,组成每个像元对应的二进制编码序列;将每个像元对应的二进制编码序列与目标农作物在多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定像元在目标区域对应的位置上所种植的农作物类型为目标农作物;其中,所述目标农作物在所述多个预设时相的标准二进制编码序列根据实地采样统计获得。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
综合上述,本发明提供的一种基于二进制编码的农作物识别方法及系统,将农作物的种植状态转换成种植和未种植两种状态,并针对这两种状态将时序NDVI影像根据预先设置的与目标农作物对应的NDVI阈值进行二进制编码,针对不同农作物在时间序列上的二进制编码之间的物候差异,从而从高分辨率时序影像上精确提取出目标农作物的种植面积;结合图像分割技术和实地采样数据,可以建立农作物对应的唯一二进制编码,能够减少传统基于像素的单时相监督作物分类中存在的“混合像元”、“异物同谱”、“椒盐效应”等问题,实现对破碎田块目标农作物种植面积和空间分布的精确提取,提高了目标农作物的识别效率,一定程度上节省了人力物力和时间。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于二进制编码的农作物识别方法,其特征在于,包括:
S1,获取目标区域在多个预设时相的NDVI影像,所述多个预设时相的NDVI影像包括所述目标农作物在其生育期内的每个月的NDVI影像至少各1景;
S2,利用图像分割算法将所述目标区域进行空间分割,获得所述目标区域对应的所有分割单元,基于每个所述预设时相的NDVI影像,利用统计方法计算每个所述分割单元内每个所述预设时相的NDVI统计均值,将每个所述分割单元在每个所述预设时相的NDVI统计均值作为每个所述分割单元中各个像元在每个所述预设时相的NDVI值;
S3,将每个所述像元在每个所述预设时相的NDVI值与预先设置的NDVI阈值进行比较,当所述像元在任一预设时相的NDVI值大于所述NDVI阈值时,将所述像元在所述任一预设时相对应的二进制编码值设置为1,否则设置为0,获得每个所述像元在所有预设时相对应的二进制编码,组成每个所述像元对应的二进制编码序列;
S4,将每个所述像元对应的二进制编码序列与所述目标农作物在所述多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物;其中,所述目标农作物在所述多个预设时相的标准二进制编码序列根据实地采样统计获得。
2.根据权利要求1所述的方法,其特征在于,步骤S1中所述获取目标区域在多个预设时相的NDVI影像进一步包括:获取所述目标区域在多个所述预设时相的遥感影像,将每景所述遥感影像进行辐射定标、大气校正、几何校正和正射校正的预处理后,计算获得所述目标区域在多个预设时相的NDVI影像。
3.根据权利要求1所述的方法,其特征在于,步骤S2中所述利用图像分割算法将所述目标区域进行图像分割进一步包括:从多个所述预设时相的NDVI影像中采用主成分分析法获取前3个主成分时相的NDVI影像,基于所述前3个主成分时相的NDVI影像利用所述图像分割算法将所述目标区域进行空间分割。
4.根据权利要求1所述的方法,其特征在于,所述步骤S3之前还包括:根据所述目标农作物在每个所述预设时相的NDVI值的采样统计结果获得所述NDVI阈值。
5.根据权利要求1所述的方法,其特征在于,所述步骤S3还包括:将所述多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个所述像元对应的二进制编码序列转换为十进制数,将每个所述像元对应的十进制数与所述标准十进制数进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物。
6.根据权利要求1所述的方法,其特征在于,所述统计方法包括均值法、最大值法、标准差法和纹理统计法。
7.一种基于二进制编码的农作物识别系统,其特征在于,包括:
NDVI时序影像获取模块,用于获取目标区域在多个预设时相的NDVI影像,所述多个预设时相的NDVI影像包括所述目标农作物在生育期内的每个月的NDVI影像至少各1景;
统计模块,用于利用图像分割算法将所述目标区域进行空间分割,获得所述目标区域对应的所有分割单元,基于每个所述预设时相的NDVI影像,利用统计方法计算每个所述分割单元在每个所述预设时相的NDVI统计均值,将每个所述分割单元在每个所述预设时相的NDVI统计均值作为每个所述分割单元中各个像元在每个所述预设时相的NDVI值;
编码模块,用于将每个所述像元在每个所述预设时相的NDVI值与预先设置的NDVI阈值进行比较,当所述像元在任一预设时相的NDVI值大于所述NDVI阈值时,将所述像元在所述任一预设时相对应的二进制编码值设置为1,否则设置为0,获得每个所述像元在所有预设时相对应的二进制编码,组成每个所述像元对应的二进制编码序列;
识别模块,用于将每个所述像元对应的二进制编码序列与所述目标农作物在所述多个预设时相的标准二进制编码序列进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物类型为所述目标农作物;其中,所述目标农作物在所述多个预设时相的标准二进制编码序列根据实地采样统计获得。
8.根据权利要求7所述的系统,其特征在于,还包括阈值设定模块,用于根据所述目标农作物在每个所述预设时相的NDVI值的采样统计结果获得所述NDVI阈值。
9.根据权利要求7所述的系统,其特征在于,所述识别模块还用于将所述多个预设时相的标准二进制编码序列转换为标准十进制数,并将每个所述像元对应的二进制编码序列转换为十进制数,将每个所述像元对应的十进制数与所述标准十进制数进行匹配,当匹配成功时,确定所述像元在所述目标区域对应的位置上所种植的农作物为所述目标农作物。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810023487.3A CN108280410B (zh) | 2018-01-10 | 2018-01-10 | 一种基于二进制编码的农作物识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810023487.3A CN108280410B (zh) | 2018-01-10 | 2018-01-10 | 一种基于二进制编码的农作物识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280410A true CN108280410A (zh) | 2018-07-13 |
CN108280410B CN108280410B (zh) | 2020-10-27 |
Family
ID=62803446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810023487.3A Active CN108280410B (zh) | 2018-01-10 | 2018-01-10 | 一种基于二进制编码的农作物识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280410B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189335A (zh) * | 2019-05-30 | 2019-08-30 | 商丘师范学院 | 一种基于航拍图像的农作物异常分析方法 |
CN111444783A (zh) * | 2020-03-11 | 2020-07-24 | 中科禾信遥感科技(苏州)有限公司 | 基于像元统计的作物种植地块识别方法和装置 |
CN113379620A (zh) * | 2021-05-18 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
CN113779291A (zh) * | 2021-09-13 | 2021-12-10 | 平安科技(深圳)有限公司 | 一种样本标注方法、系统、介质及电子终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
CN107491724A (zh) * | 2017-06-29 | 2017-12-19 | 中国农业大学 | 一种冬小麦穗分化期识别方法及装置 |
CN106126920B (zh) * | 2016-06-23 | 2018-07-06 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
-
2018
- 2018-01-10 CN CN201810023487.3A patent/CN108280410B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
CN106126920B (zh) * | 2016-06-23 | 2018-07-06 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
CN107491724A (zh) * | 2017-06-29 | 2017-12-19 | 中国农业大学 | 一种冬小麦穗分化期识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
宋盼盼 等: "基于光谱时间序列拟合的中国南方水稻遥感识别方法研究", 《地球信息科学》 * |
张明伟 等: "基于MODIS时序数据分析的作物识别方法", 《中国农业资源与区划》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189335A (zh) * | 2019-05-30 | 2019-08-30 | 商丘师范学院 | 一种基于航拍图像的农作物异常分析方法 |
CN110189335B (zh) * | 2019-05-30 | 2020-04-17 | 商丘师范学院 | 一种基于航拍图像的农作物异常分析方法 |
CN111444783A (zh) * | 2020-03-11 | 2020-07-24 | 中科禾信遥感科技(苏州)有限公司 | 基于像元统计的作物种植地块识别方法和装置 |
CN111444783B (zh) * | 2020-03-11 | 2023-11-28 | 中科禾信遥感科技(苏州)有限公司 | 基于像元统计的作物种植地块识别方法和装置 |
CN113379620A (zh) * | 2021-05-18 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
CN113379620B (zh) * | 2021-05-18 | 2023-10-27 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
CN113779291A (zh) * | 2021-09-13 | 2021-12-10 | 平安科技(深圳)有限公司 | 一种样本标注方法、系统、介质及电子终端 |
Also Published As
Publication number | Publication date |
---|---|
CN108280410B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
Duan et al. | Dynamic quantification of canopy structure to characterize early plant vigour in wheat genotypes | |
CN109472304B (zh) | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN108280410A (zh) | 一种基于二进制编码的农作物识别方法及系统 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN107330801A (zh) | 一种冬小麦种植比例的计算方法及装置 | |
CN115761486A (zh) | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 | |
CN111753834B (zh) | 基于深度神经网络的种植地块结构语义分割方法和装置 | |
CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
CN112668404B (zh) | 一种大豆病虫害的有效鉴定方法 | |
Kim et al. | Growth monitoring of field-grown onion and garlic by CIE L* a* b* color space and region-based crop segmentation of UAV RGB images | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN112541933B (zh) | 一种农田边界及种植结构的提取方法 | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
CN113222353A (zh) | 一种基于遥感植被指数的农业监测方法及系统 | |
Luo et al. | Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China | |
CN110738133A (zh) | 不同农业设施图像轮廓边界识别方法和装置 | |
Scott et al. | Estimation of Pyrethrum flower number using digital imagery | |
Shajahan | Agricultural Field Applications of Digital Image Processing Using an Open Source ImageJ Platform |
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 |