CN108764285A - 一种基于高分辨率影像的松树病死木识别方法及系统 - Google Patents
一种基于高分辨率影像的松树病死木识别方法及系统 Download PDFInfo
- Publication number
- CN108764285A CN108764285A CN201810365034.9A CN201810365034A CN108764285A CN 108764285 A CN108764285 A CN 108764285A CN 201810365034 A CN201810365034 A CN 201810365034A CN 108764285 A CN108764285 A CN 108764285A
- Authority
- CN
- China
- Prior art keywords
- picture dot
- tree
- pine tree
- image
- atural object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种基于高分辨率影像的松树病死木识别方法及系统,其通过获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;然后对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则;再利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;最后对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果,从而实现对复杂地形条件下不同病害面积、不同病害程度松树病死木高检测精度的识别,且其处理速度快而且极其稳定。
Description
技术领域
本发明涉及一种松树病死木识别方法,尤其涉及一种基于高分辨率影像的松树病死木识别方法及系统。
背景技术
光谱特征法是最常见的病虫害松树识别方法,其依据是当植物受到病虫浸染时生理变化的差异性会反射在光谱特性上,尤其是红色区和近红外区的光谱特性差异。使用光谱仪等成像设备获取反射和辐射的光谱数据信息,在此基础上发现不同波段反射光谱的变化规律。
相对于传统的人工实地调查方法,获取遥感图像中各地物的光谱特征信息识别病害松树,具有识别率高、识别范围广、识别速度快等优点。然而由于受传感器分辨率、卫星运行周期以及大气环境(如光照、温度等)的影响,利用高光谱仪等成像设备所获取的地物光谱特征数据往往不能很好地表征其类型。
从图像处理和模式识别的角度出发,使用支持向量数据描述也是一种病害松树识别方法。其基本步骤是:首先根据不同地物的特点,提取各颜色分量作为相应像素点的颜色特征,然后通过建立关于训练样本中心距离的权重函数来构造加权支持向量数据描述多分类模型,进而从而实现病害松树的分类识别。
支持向量数据描述多分类方法基于图像像素进行分类识别,缺点之一在于需要对大量样本进行训练,因此执行效率较慢;再者,该方法不能实现多级病害松树的识别,比如前期感染、中期感染、后期感染和死亡松树;此外在解决多分类识别问题时具有误判率较高、识别精度相对不高等缺点。
发明内容
针对上述存在的技术问题,本发明的目的是:提出了一种适合复杂地形条件下不同病害面积、不同病害程度的高效准确的基于高分辨率影像的松树病死木识别方法及系统。
本发明提供一种基于高分辨率影像的松树病死木识别方法,其包括:
S1、获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;
S2、对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则;
S3、利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;
S4、对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果。
本发明提供一种基于高分辨率影像的松树病死木识别系统,其包括:
图像预处理模块,用于获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;
分类训练模块,用于对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则;
颜色特征提取模块,用于利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;
去噪分类模块,用于对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果。
本发明所述基于高分辨率影像的松树病死木识别方法及系统,其通过获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;然后对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则;再利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;最后对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果,从而实现对复杂地形条件下不同病害面积、不同病害程度松树病死木高检测精度的识别,且其处理速度快而且极其稳定。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于高分辨率影像的松树病死木识别方法的流程框图;
图2为本发明实施例所述原始影像数据预处理之后得到的待分类图像样本;
图3为本发明实施例提供的步骤S4的子流程框图;
图4为本发明实施例提供的步骤S41的子流程框图;
图5为本发明实施例提供的步骤S42的子流程框图;
图6为本发明实施例所述簇中心在影像文件中标识出的所在位置示意图;
图7为本发明实施例所述分类结果和地表真实信息对比数据表;
图8为本发明实施例提供的基于高分辨率影像的松树病死木识别系统的模块框图;
图9为本发明实施例提供的去噪分类模块的子模块框图;
图10为本发明实施例提供的象元筛选子模块的单元框图;
图11为本发明实施例提供的一次去噪模块的单元框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路、以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
如图1所示,本发明实施例提供的基于高分辨率影像的松树病死木识别方法,其包括:
S1、获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本。
本发明所述基于高分辨率影像的松树病死木识别方法是基于Microsoft VisualStudio 2008软件平台实现。具体是利用几何纠正、辐射校正、和大气校正等方法的对原始影像数据进行预处理,处理后的图像结果示例如图2所示;
首先将原始影像数据的DN值转换为辐射亮度或大气外层表面反射率,消除传感器本身产生的误差;然后将辐射亮度或者表观反射率转换为地表实际反射率,以消除大气散射、吸收、反射引起的误差;最后将不同时间、不同波段所获得的同一地区的图像数据,经几何变换使同名像点在位置上和方位上完全叠合形成待分类图像样本。
S2、对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则。
具体的,根据松树状态分为:前期感染、中期感染、后期感染和死亡松树四类,对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,在此基础上生成训练样本和多条参数规则,目的是为病虫害树样本识别提供学习方法:为了获得的规则具有普遍性,随机选取的病虫害树样本至少大于1000;对不同波段的波谱值进行数字或逻辑运算组合提取得到相应的参数规则,参数选择方法包括差值植被指数、RVI比值植被指数、红绿比值植被指数以及归一化植被指数。以上选择方法计算方式如下:
(a)差值植被指数
DVI=NIR-R…………………………………………………(1)
该指数对土壤背景的变化极为敏感。当植被非完全覆盖时,土壤背景影响较大。植被指数可用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。
(b)RVI比值植被指数
RVI=NIR/R…………………………………………………(2)
通常,绿色健康植被覆盖地区的RVI远大于1,而无植被覆盖的地面(裸土、人工建筑、水体、植被枯死或严重虫害)的RVI在1附近;RVI是绿色植物的灵敏指示参数,与LAI、叶干生物量(DM)、叶绿素含量相关性高,可用于检测和估算植物生物量;植被覆盖度影响RVI,当植被覆盖度较高时,RVI对植被十分敏感,当植被覆盖度<50%时,这种敏感性显著降低;RVI受大气条件影响,大气效应大大降低对植被检测的灵敏度,所以在计算前需要进行大气校正,或用反射率计算RVI。
(c)红绿比值植被指数
RG=R/G…………………………………………………(3)
通常,人眼见到的物体颜色是由其所反射的光所决定的。大部分植物都是吸收红光、蓝光而反射绿光,所以我们见到的植物大都是绿色。而不同生长状况的植物其反射的光也会有所差别。因此,波段比值也可以用作病虫害树的识别因子。
(d)归一化植被指数
NDVI=(NIR-R)/(NIR+R)………………………(4)
NDVI的数值被限定在[-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。通过NDVI值可以反映出不同生长状况的农作物之间的差异,即可以区分健康和病虫害的作物。
S3、利用上述训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取。
S4、对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果。
如图3所示,所述步骤S4包括以下分步骤:
S41、对地物颜色特征提取后的待分类图像样本中筛选出符合多级病害松树特征的目标象元集合;包括目标区、裸土、水体、公路、房屋建筑、绿草麦田、岩石公路、林中阴影等地物。
且如图4所示,所述步骤S41包括以下子步骤:
S411、过滤出NDVI取值在0.25~0.55范围之间的象元作为目标区域集合1;
S412、从剩余象元集合中继续过滤出RVI取值在1.3~2.8范围之内的象元作为目标区域集合2;
S413、从上一步剩余集合样本中过滤出DVI取值在150~400范围之内的象元作为目标区域集合3;
S414、基于以上三个输出集合的并集继续计算RGVI取值在0.9以上范围之内的象元作为最后的筛选结果,即符合病树特征的目标象元。
S42、对符合多级病树特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病树特征的目标象元集合中剔除。
如图5所示,所述步骤S42包括以下子步骤:
S421、遍历所有目标象元集合,从上下左右四个方向寻找K值以内的相邻象元集合;如果集合结果不为空,则将同一集合内象元分配同一个簇;如果集合为空即认为是单点,则设簇编号为0;其中,初始K值设为25~30。
S422、对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心;所述聚类规则及类别的判别函数分别为合并规则和范围判别函数,所述范围判别函数定义方法使用KNN或者极大似然法均可;所述合并规则定义如下:判断两个聚类集合中的元素是否存在交集,如果存在则将其合并成为一个新的簇;计算每一个簇成员的K值范围内的邻居数(K值默认取值为10),密度最多的点输出为簇中心。
S43、根据病树分布特征对符合多级病树特征的目标象元集合实施二次去噪,去掉非林区的大面积噪点,例如枯草地等非目标物体。具体方法如下:
基于目标点的分布特征,计算一定面积范围内(如100个象元)聚合出的分类数量;由于病树零星分散的可能性较小,如果计算出的分类数量大于10以上则认为该区域不符合林区内病树的分布特征,区域内的目标样本点被视为噪点。
S44、根据林区背景对符合多级病树特征的目标象元集合实施三次去噪,避免产生类似林区边缘的误判情况。
以簇为中心放大分类簇边缘,首先搜索半径R范围内正常绿树所占比例是否大于20%,如果大于则保留该分类簇,否则将此簇内的样本象元视为噪点。其次搜索半径R范围内裸土和水体所占比例是否大于有1%,如果大于则将该簇内的样本象元视为噪点,半径R取值一般设置为10~15个象元。
经过上述经过聚类、去噪后生成的簇中心,将其地理信息输出到SHP文件,生成分类结果,并在影像文件中标识出簇中心所在位置,示例如图6所示。
为了验证本发明所述基于高分辨率影像的松树病死木识别方法在病害松树识别中的有效性,随机选取低空采集的双光谱遥感图像样本进行实验。本发明所述方法基于野外实测样本做对比实验分析,利用混肴矩阵比较分类结果和地表真实信息,示例数据如图7,精度评价使用Kappa系数来计算。计算公式如下:
其中,po是每一类正确分类的样本数量之和除以总样本数,也就是总体分类精度。pe的计算方式如下
其中N是指测试样本的总体象元数量,Xi+是指第i行的象元总数量,X+i是指第i列的象元总数量。经过计算后得出:
Kappa系数取值为0.83,可见基于高分辨率影像的松树病死木识别方法较成功的对病虫害树进行了分类,是一种较好的分类方法。
本发明所述基于高分辨率影像的松树病死木识别方法及系统,其通过获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;然后对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则;再利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;最后对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果,从而实现对复杂地形条件下不同病害面积、不同病害程度松树病死木高检测精度的识别,且其处理速度快而且极其稳定。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
上面主要描述了一种基于高分辨率影像的松树病死木识别方法,下面将对一种基于高分辨率影像的松树病死木识别系统进行详细描述。
图8示出了本发明实施例提供的基于高分辨率影像的松树病死木识别系统的一个实施例结构图。
如图8所示,一种基于高分辨率影像的松树病死木识别系统,其包括:
图像预处理模块,用于获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;
分类训练模块,用于对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则,所述参数规则包括差值植被指数、RVI比值植被指数、红绿比值植被指数以及归一化植被指数;
颜色特征提取模块,用于利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;
去噪分类模块,用于对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果。
其中,如图9所示,所述去噪分类模块包括以下子模块:
象元筛选子模块,用于对地物颜色特征提取后的待分类图像样本中筛选出符合多级病害松树特征的目标象元集合;
一次去噪子模块,用于对符合多级病树特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病树特征的目标象元集合中剔除;
二次去噪子模块,用于根据病树分布特征对符合多级病树特征的目标象元集合实施二次去噪,去掉非林区的大面积噪点;
三次去噪子模块,用于根据林区背景对符合多级病树特征的目标象元集合实施三次去噪,避免产生类似林区边缘的误判情况。
其中,如图10所示,所述象元筛选子模块包括以下功能单元:
NDVI取值过滤单元,用于过滤出NDVI取值在0.25~0.55范围之间的象元作为目标区域集合1;
RVI取值过滤单元,用于从剩余象元集合中继续过滤出RVI取值在1.3~2.8范围之内的象元作为目标区域集合2;
DVI取值过滤单元,用于从上一步剩余集合样本中过滤出DVI取值在150~400范围之内的象元作为目标区域集合3;
RGVI取值过滤单元,用于基于以上三个输出集合的并集继续计算RGVI取值在0.9以上范围之内的象元作为最后的筛选结果,即符合病树特征的目标象元。
其中,如图11所示,所述一次去噪子模块包括以下功能单元:
簇分配单元,用于遍历所有目标象元集合,从上下左右四个方向寻找K值以内的相邻象元集合;如果集合结果不为空,则将同一集合内象元分配同一个簇;如果集合为空即认为是单点,则设簇编号为0;
聚类单元,用于对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心。
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,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于高分辨率影像的松树病死木识别方法,其特征在于,包括:
S1、获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;
S2、对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则;
S3、利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;
S4、对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果。
2.根据权利要求1所述基于高分辨率影像的松树病死木识别方法,其特征在于,所述参数规则包括差值植被指数、RVI比值植被指数、红绿比值植被指数以及归一化植被指数。
3.根据权利要求1所述基于高分辨率影像的松树病死木识别方法,其特征在于,所述步骤S4包括以下分步骤:
S41、对地物颜色特征提取后的待分类图像样本中筛选出符合多级病害松树特征的目标象元集合;
S42、对符合多级病树特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病树特征的目标象元集合中剔除;
S43、根据病树分布特征对符合多级病树特征的目标象元集合实施二次去噪,去掉非林区的大面积噪点;
S44、根据林区背景对符合多级病树特征的目标象元集合实施三次去噪,避免产生类似林区边缘的误判情况。
4.根据权利要求3所述基于高分辨率影像的松树病死木识别方法,其特征在于,所述步骤S41包括以下子步骤:
S411、过滤出NDVI取值在0.25~0.55范围之间的象元作为目标区域集合1;
S412、从剩余象元集合中继续过滤出RVI取值在1.3~2.8范围之内的象元作为目标区域集合2;
S413、从上一步剩余集合样本中过滤出DVI取值在150~400范围之内的象元作为目标区域集合3;
S414、基于以上三个输出集合的并集继续计算RGVI取值在0.9以上范围之内的象元作为最后的筛选结果,即符合病树特征的目标象元。
5.根据权利要求4所述基于高分辨率影像的松树病死木识别方法,其特征在于,所述步骤S42包括以下子步骤:
S421、遍历所有目标象元集合,从上下左右四个方向寻找K值以内的相邻象元集合;如果集合结果不为空,则将同一集合内象元分配同一个簇;如果集合为空即认为是单点,则设簇编号为0;
S422、对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心。
6.一种基于高分辨率影像的松树病死木识别系统,其特征在于,包括:
图像预处理模块,用于获取松林可见光图像和近红外图像作为原始影像数据,并对原始影像数据进行预处理形成待分类图像样本;
分类训练模块,用于对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据松树病死木的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则;
颜色特征提取模块,用于利用训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取;
去噪分类模块,用于对地物颜色特征提取后的待分类图像样本中的样本像素点实施去噪筛选分类,生成对松树病死木状态的分类结果。
7.根据权利要求6所述基于高分辨率影像的松树病死木识别系统,其特征在于,所述参数规则包括差值植被指数、RVI比值植被指数、红绿比值植被指数以及归一化植被指数。
8.根据权利要求6所述基于高分辨率影像的松树病死木识别系统,其特征在于,所述去噪分类模块包括以下子模块:
象元筛选子模块,用于对地物颜色特征提取后的待分类图像样本中筛选出符合多级病害松树特征的目标象元集合;
一次去噪子模块,用于对符合多级病树特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病树特征的目标象元集合中剔除;
二次去噪子模块,用于根据病树分布特征对符合多级病树特征的目标象元集合实施二次去噪,去掉非林区的大面积噪点;
三次去噪子模块,用于根据林区背景对符合多级病树特征的目标象元集合实施三次去噪,避免产生类似林区边缘的误判情况。
9.根据权利要求8所述基于高分辨率影像的松树病死木识别系统,其特征在于,所述象元筛选子模块包括以下功能单元:
NDVI取值过滤单元,用于过滤出NDVI取值在0.25~0.55范围之间的象元作为目标区域集合1;
RVI取值过滤单元,用于从剩余象元集合中继续过滤出RVI取值在1.3~2.8范围之内的象元作为目标区域集合2;
DVI取值过滤单元,用于从上一步剩余集合样本中过滤出DVI取值在150~400范围之内的象元作为目标区域集合3;
RGVI取值过滤单元,用于基于以上三个输出集合的并集继续计算RGVI取值在0.9以上范围之内的象元作为最后的筛选结果,即符合病树特征的目标象元。
10.根据权利要求9所述基于高分辨率影像的松树病死木识别系统,其特征在于,所述一次去噪子模块包括以下功能单元:
簇分配单元,用于遍历所有目标象元集合,从上下左右四个方向寻找K值以内的相邻象元集合;如果集合结果不为空,则将同一集合内象元分配同一个簇;如果集合为空即认为是单点,则设簇编号为0;
聚类单元,用于对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810365034.9A CN108764285A (zh) | 2018-04-23 | 2018-04-23 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810365034.9A CN108764285A (zh) | 2018-04-23 | 2018-04-23 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764285A true CN108764285A (zh) | 2018-11-06 |
Family
ID=64011646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810365034.9A Pending CN108764285A (zh) | 2018-04-23 | 2018-04-23 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764285A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096970A (zh) * | 2019-04-12 | 2019-08-06 | 苏州市职业大学 | 基于wv3卫星影像的松林变色立木单株标识方法 |
CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
CN111582176A (zh) * | 2020-05-09 | 2020-08-25 | 湖北同诚通用航空有限公司 | 一种可见光遥感图像枯死木识别软件系统及识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770577A (zh) * | 2010-01-18 | 2010-07-07 | 浙江林学院 | 无人机航片松材线虫病病死木的膨胀-剔除信息提取法 |
US20110055141A1 (en) * | 2009-08-31 | 2011-03-03 | Bhagwan Mahavir Medical Research Centre | Predicting possible outcomes in multi-factored diseases |
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其系统 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
-
2018
- 2018-04-23 CN CN201810365034.9A patent/CN108764285A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110055141A1 (en) * | 2009-08-31 | 2011-03-03 | Bhagwan Mahavir Medical Research Centre | Predicting possible outcomes in multi-factored diseases |
CN101770577A (zh) * | 2010-01-18 | 2010-07-07 | 浙江林学院 | 无人机航片松材线虫病病死木的膨胀-剔除信息提取法 |
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其系统 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096970A (zh) * | 2019-04-12 | 2019-08-06 | 苏州市职业大学 | 基于wv3卫星影像的松林变色立木单株标识方法 |
CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
CN111582176A (zh) * | 2020-05-09 | 2020-08-25 | 湖北同诚通用航空有限公司 | 一种可见光遥感图像枯死木识别软件系统及识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Mapping croplands, cropping patterns, and crop types using MODIS time-series data | |
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
CN107576618B (zh) | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 | |
CN108764284A (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 | |
Adelabu et al. | Evaluating the impact of red-edge band from Rapideye image for classifying insect defoliation levels | |
Pydipati et al. | Identification of citrus disease using color texture features and discriminant analysis | |
Puletti et al. | Unsupervised classification of very high remotely sensed images for grapevine rows detection | |
CN109657653A (zh) | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 | |
CN106915462A (zh) | 基于多源影像信息的林业病虫害智能识别系统 | |
CN107330413B (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
CN105303184A (zh) | 一种卫星遥感影像中地物精确识别方法 | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
CN108764285A (zh) | 一种基于高分辨率影像的松树病死木识别方法及系统 | |
CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
Lennartz et al. | Classifying and mapping forest cover types using Ikonos imagery in the northeastern United States | |
CN109598284A (zh) | 一种基于大间隔分布和空间特征的高光谱图像分类方法 | |
Rud et al. | Spatial–spectral processing strategies for detection of salinity effects in cauliflower, aubergine and kohlrabi | |
De Smedt et al. | Neural networks and low-cost optical filters for plant segmentation | |
Piron et al. | Improving in-row weed detection in multispectral stereoscopic images | |
Kumar et al. | An identification of crop disease using image segmentation | |
Roth et al. | Automated detection of individual clove trees for yield quantification in northeastern Madagascar based on multi-spectral satellite data | |
CN114199880A (zh) | 一种基于边缘计算的柑橘病虫害实时检测方法 | |
Dhumal et al. | Advances in classification of crops using remote sensing data |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |