CN109271919B - 一种基于grb和网格模式的植被覆盖度测定方法 - Google Patents
一种基于grb和网格模式的植被覆盖度测定方法 Download PDFInfo
- Publication number
- CN109271919B CN109271919B CN201811061463.3A CN201811061463A CN109271919B CN 109271919 B CN109271919 B CN 109271919B CN 201811061463 A CN201811061463 A CN 201811061463A CN 109271919 B CN109271919 B CN 109271919B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- grid
- points
- coverage
- threshold
- 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
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明涉及一种基于grb和网格模式的植被覆盖度测定方法,其包括下面的步骤:S1:获得图像;S2:把图像转换为像素点,每一像素点用公式Fg=(2G‑R‑B)/(R+G+B)进行判断;S3:把图像用网格进行划分,并判断每一网格内的植被点的覆盖比例是否超过上限阈值或低于下限阈值;S4:计算覆盖度,覆盖度等于植被点的像素点总数与总像素点数的比值。本发明能够以实际拍摄的数码照片作为信息源,分析各像素元RGB的属性特征,配合网格比值模糊处理,计算海洋植被的覆盖度,避免了“目视计数”工作量大的缺点,方便了户外调查,提高了工作效率。
Description
技术领域
本发明涉及一种植被覆盖测定方法,具体涉及一种基于grb和网格模式的植被覆盖度测定方法。
背景技术
海洋植被覆盖度是海洋植物群落结构的一个重要数量指标,是海洋植被状况的重要表征。在海洋调查和评价中,常被作为一个重要指标来使用,其测算结果的精度对于研究结果的合理性有较大影响。覆盖度是指植被的枝叶垂直投影与地面所覆盖地面面积的比例。
在现有技术中,主要有如下的几种方法进行覆盖度的测定。
方法一为目测法,目测法简单、快捷,但误差较大且受人为主观因素影响,可重复性较差。有关科研人员对目测估算的精度研究结果表明,个人目测估算覆盖度的最大绝对误差可达到40%。
方法二为方格目测法,方格目测法估算准确度相对较高,但费时费力,效率不高。
方法三为传感器测量法。随着科技发展,也有专门用于测试覆盖度的仪器,如空间定量计法、移动光量计法。这类方法是利用传感器测量光通过植被的状况来计算植被覆盖度,需要专门的装置,对设备要求高,户外操作不方便。小尺度范围无法开展,而且海底植被受海水的影响较大。另外,作者王亚松在杂志《林业科学》2013年第10期中介绍了利用遥感计算对舟山群岛植物覆盖度进行分析的案例,其给出了两种主要的海岛植被分析方法。一种是像元二分模型,另外一种是利用NDVI来对植被覆盖度进行计算。对于像元二次模型,其原理在于利用遥感技术所得到的光谱信息由两个部分进行核查,在这两个部分中,有植被覆盖地表所占的像元比例就是该像元植被覆盖度。对于NDVI方法,NDVI为定量指示指标,由对遥感器所得到光谱信息进行推算得到,一个像元中的NDIR值可以用绿色植被所贡献信息以及无绿色植被所贡献信息组合来进行表示。但是,该测量方法也是过度依赖装置,而且使用过程较为繁琐,且其分析方法中存在的误差较大。
方法四为PHOTOSHOP法。随着数据摄影计算的发展,现在可以直接用图形图象软件从照片中提取植被像素。例如使用PHOTOSHOP图形图象软件处理数码照片,获取植被与非植被像素,从而计算覆盖度。PHOTOSHOP图形图象软件处理主要采用魔棒进行抠图操作,对于初学者来说,抠图操作烦琐,效果不大理想。对于熟练掌握PHOTOSHOP工具的人员,也不能快速的进行抠图分离。
另外,在现有技术中,公布号为CN106296753A的中国发明专利申请,公开了一种基于Lab颜色空间算法的提取苔藓覆盖度的方法,基本原理为对数字照片中的苔藓植物进行颜色分析,利用Lab颜色空间的红绿分量提取出苔藓区域。但是该方法较为适合于苔藓覆盖度的计算,而对于其它植物或其它环境的植被覆盖度的计算并不一定适合。
发明内容
本发明的主要目的是提供一种更加便捷、准确地测定植被覆盖度的方法。
为了完成上述目的,本发明提供了一种基于grb和网格模式的植被覆盖度测定方法,其包括下面的步骤:
S1:获得图像;
S2:把图像转换为像素点,每一像素点用公式Fg=(2G-R-B)/(R+G+B)进行判断,其中,G表示绿色颜色值,R表示红色颜色值,B表示蓝色颜色值;当Fg值低于设定阈值时则归为背景点,当Fg值高于设定阈值时则归为植被点;
S3:把图像用网格进行划分,并判断每一网格内的植被点的覆盖比例是否超过上限阈值或低于下限阈值;如果比例在上限阈值以上,则网格内所有像素点归为植被点;如果网格内植被点的比例在下限阈值以下时,则网格内所有像素点归入背景点;
S4:计算覆盖度,覆盖度等于植被点的像素点总数与总像素点数的比值。
一个优选的方案是,上限阈值为90%或80%;下限阈值为10%或20%。
一个优选的方案是,在S1中,具体包括下面的步骤:
S11:通过数码相机进行拍摄取样,同一观测点多次取样;
S12:对取样照片进行筛选,将拍摄时由于水质、抖动或角度因素造成影响的照片去除。
一个优选的方案是,该测定方法用于海洋植被覆盖度的测定。
本发明的有益效果为:本发明能够以实际拍摄的数码照片作为信息源,分析各像素元RGB的属性特征,配合网格比值模糊处理,计算海洋植被的覆盖度,避免了“目视计数”工作量大的缺点,方便了户外调查,提高了工作效率。另外,根据覆盖度的定义和公式:覆盖度 =(植被冠层遮蔽地面面积/样地面积)X 100%(公式一);获取图像中的总像素(pixels)数量和绿色枝叶的像素数量,就可以得到计算覆盖度:覆盖度=(绿色枝叶的像素数量/图像中的总像素)X 100%(公式二)。图像是由若干像素组成的,一定数量的像素代表一定的面积。公式二中的绿色枝叶的像素数量和图像中的总像素等价于公式一中的绿色枝叶的像素数量和图像中的总像素。根据这一原理,对图像进行RGB数字化后,提取有效像素元点,最终得到植被的覆盖度。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的基于grb和网格模式的植被覆盖度测定方法实施例中在图像中提取像素点进行RGB模型计算的示意图。
图2是本发明的基于grb和网格模式的植被覆盖度测定方法实施例的流程示意图。
图3是本发明的基于grb和网格模式的植被覆盖度测定方法实施例的原始取样图片示意图。
图4是本发明的基于grb和网格模式的植被覆盖度测定方法实施例的原始取样图片经过RGB模型计算处理后的示意图。
图5是本发明的基于grb和网格模式的植被覆盖度测定方法实施例的原始取样图片经过网格处理后的示意图。
图6是本发明的基于grb和网格模式的植被覆盖度测定方法应用于海南青葛-泰来草实施例的原始取样图片示意图。
图7是对图6中的图片进行像素缩小后得到的图片。
图8是图7中的图片经过阈值归一化计算后得到的示意图。
图9是图8中的图片经过网格化模糊处理后得到的示意图。
图10是图9中包含覆盖率结果的图片。
图11是本发明的基于grb和网格模式的植被覆盖度测定方法应用于海南宝峙村-卵叶喜盐草实施例的原始取样图片示意图。
图12是对图11中的图片进行像素缩小后得到的图片。
图13是图12中的图片经过阈值归一化计算后得到的示意图。
图14是图13中的图片经过网格化模糊处理后得到的示意图。
图15是图14中包含覆盖率结果的图片。
图16是本发明的基于grb和网格模式的植被覆盖度测定方法应用于海南青葛-泰来草实施例的原始取样图片示意图。
图17是对图16中的图片进行像素缩小后得到的图片。
图18是图17中的图片经过阈值归一化计算后得到的示意图。
图19是图18中的图片经过网格化模糊处理后得到的示意图。
图20是图19中包含覆盖率结果的图片。
图21是本发明的基于grb和网格模式的植被覆盖度测定方法应用于海南澄迈-贝壳喜盐草实施例的原始取样图片示意图。
图22是对图21中的图片进行像素缩小后得到的图片。
图23是图22中的图片经过阈值归一化计算后得到的示意图。
图24是图23中的图片经过网格化模糊处理后得到的示意图。
图25是图24中包含覆盖率结果的图片。
图26是本发明的基于grb和网格模式的植被覆盖度测定方法应用于海南青葛-马尾藻实施例的原始取样图片示意图。
图27是对图26中的图片进行像素缩小后得到的图片。
图28是图27中的图片经过阈值归一化计算后得到的示意图。
图29是图28中的图片经过网格化模糊处理后得到的示意图。
图30是图29中包含覆盖率结果的图片。
图31是本发明的基于grb和网格模式的植被覆盖度测定方法应用于海南新村港-二药草实施例的原始取样图片示意图。
图32是对图31中的图片进行像素缩小后得到的图片。
图33是图32中的图片经过阈值归一化计算后得到的示意图。
图34是图33中的图片经过网格化模糊处理后得到的示意图。
图35是图34中包含覆盖率结果的图片。
附图标记说明
10、图像,11、像素点,12、叶片,13、网格。
具体实施方式
下面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。在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本实施例的基于grb和网格模式的植被覆盖度测定方法,其包括下面的步骤:
S1:如图1至图3所示,取样获得图像10。其中,获得图像10的过程具体包括下面的步骤:S11:通过数码相机进行拍摄取样,同一观测点可以多次取样;S12:对取样照片进行筛选,将拍摄时由于水质、抖动或角度因素造成影响的照片去除。
优选地,把本实施例的测定方法用于海洋植被覆盖度的测定。例如把取样地点设定为我国海南岛地区。
海南岛地处我国南部,热带北缘,地理位置介于18°09′—20°10′N,108°03′—111°03′E之间,年平均气温为23-25℃,独流入海河流154条;气候特点为:光照长,光能充足,热量丰富;有利于海洋植物的生长分布,其中海草和大型海藻资源分布丰富。
海草是生活于热带和温带海域浅水的单子叶植物,一般分布在低潮带和潮下带;大多数海草种分布在20m以内浅海域内;6m以内浅范围区域一般是海草分布的主要区域,最深可分布在水下90m处。海南省海草种类约为2科10种,海菖蒲、泰莱草、单脉二药草、卵叶喜盐草、圆叶丝粉草、针叶草、齿叶丝粉草、小喜盐草、贝克喜盐草、羽叶二药草,优势种为泰莱草。
海藻是生长在海中的藻类,是植物界的隐花植物,藻类包括数种不同类以光合作用产生能量的生物;生长在低潮线以下的浅海区域—海洋与陆地交接的地方;海南大型藻类繁多,主要优势种类有重缘马尾藻、匐枝马尾藻等。
S2:把图像10转换为像素点,每一像素点11用公式Fg=(2G-R-B)/(R+G+B)进行判断,其中,G表示绿色颜色值,R表示红色颜色值,B表示蓝色颜色值;植被颜色值(DN)由红(R)、绿(G)、蓝(B)三基色组成,三基色的范围都在0~255之间。当Fg值低于设定阈值时则归为背景点,当Fg值高于设定阈值时则归为植被点。对于设定阈值的选择,可以根据植被与背景的颜色对比取得。一般规则为:当植被较绿而与背景反差较大时,则选取较大的设定阈值;而当植被颜色较淡而与背景反差不明显时,则选取较小的设定阈值。例如,对于海南青葛-泰来草,由于这种植物的颜色为深绿,与背景反差较大,因此设定阈值选择为0.25;而对于海南澄迈-贝壳喜盐草,由于植物的颜色较淡,且与背景的反差不明显,此时选取的设定阈值为0.04,这样的好处在于,使得本发明提供的方法能够适应不同种类的海洋植被覆盖度的计算,并且误差较小,准确率高。经过处理后,得到了图4,在图4中,叶片12覆盖像素点则为植被点,而非叶片12覆盖的像素点则为背景点。设定阈值的选择可以根据具体的植被物与背景物的颜色比对进行选择。
具体地,本方法采用了RGB模型进行计算,图像的颜色可以有多种表示方式,为了准确提取能够表达原始图像颜色信息,提取算法必须在符合人类视觉系统和观察经验的颜色空间内进行。其中RGB模型是常用的一种颜色模型。一张图像均是由植被和非植被两部分像素元组成,即有效像素元和无效像素元。根据数据图像色彩构成原理,数码相机所拍摄的照片是由红(red)、绿(green)、蓝(blue)三基色构成的。植被颜色值(DN)由红(R)、绿(G)、蓝(B)三基色组成,三基色的范围都在0~255之间。不同植被其颜色不同的原因正是因为构成各种植被的R、G、B三基色DN值不同。分别研究各种植被R、G、B三基色之前的组合和差异,采用公式二:覆盖度=(绿色枝叶的像素数量/图像中的总像素)X100%,进行植被覆盖度的测算。
其中,rgb的转换过程如下:
通过RGB模型获取R、G、B三基色后,还不能直接使用对植被和非植被的区分,需要通过RGB和rgb的转换公式:
I=R+G+B;r=R/I;g=G/I;b=B/I;(公式三)
阀值归一化计算如下:
研究的对象为海洋植被,植被的主体颜色以绿色为主,利用绿色素阈值对图象进行分割。绿色素阈值公式为:Fg=2g-r-b(公式四);
通过公式三进行演变,公式四等同于Fg=(2G-R-B)/(R+G+B)(公式五);
由于图像获取的时候光照、水深、水地土壤等条件不是十分严格,对于绿色素阈值不是固定不变,可以对它进行微调,然后重新归一化计算,通过人的视觉判断是否合理。
对于经过绿色素阈值处理后的图像,可能在背景区域还存在一些有效像素,而在目标区域又存在一些由于过分处理形成的空洞,因此,对于这样的一些像素,还需要处理,以免影响后续统计。
S3:如图5所示,把图像10用网格进行划分,并判断每一网格13内的植被点的覆盖比例是否超过上限阈值或低于下限阈值;如果比例在上限阈值以上,则网格内所有像素点归为植被点;如果网格内植被点的比例在下限阈值以下时,则网格内所有像素点归入背景点;上限阈值为90%或80%;下限阈值为10%或20%。
这里通过网格将图象分割成M×N格,针对每一个格子进行有效比值分析;有效比值小于一定范围值(例如10%),可视同该格子为背景区域存在有效像素,该格子可视为全背景区域。有效比值大于一定范围值(例如90%),可视同该格子为在目标区域存在一些过分处理,该格子可视为全目标区域。这个比值范围与网格划分大小有关,不是固定不变。通过人的视觉判断,可对某些格子手动处理成背景区或目标区。可见,通过该方法,能够使得误差进一步较小,使得结果的真实性更能得到保证。例如,对于海南青葛-泰来草,其上限阈值设定为80%,下限阈值设定为20%;而对于海南青葛-马尾藻,上限阈值为50%,下限阈值为10%。相比而言,对于海南青葛-马尾藻,由于阈值归一化计算后过分对植被点进行了处理,目标区域形成较大空洞,此时,相应调低上限阈值和下限阈值,从而使得植被点的网格数相应增加,以使得最终的误差较小,保持结果的真实性。
S4:计算覆盖度,覆盖度等于植被点的像素点总数与总像素点数的比值,总像素点数为植被点与背景点之和。
如图6至10所示,是把本实施例提供的测定方法应用于海南青葛-泰来草的示例。首先,得到了图6的原始图片,其像素大小为:宽度×高度=3648×2736;然后,按照同比例缩小该图片得到图7所示的图片,使得像素大小变化为:宽度×高度=827×620。通过上述的阈值归一化计算方法,并且把绿色阈值设定为0.25,即当Fg=(2G-R-B)/(R+G+B)得到的值低于0.25时归为背景点,而当大于或者等于0.25时归为植被点,最终得到如图8所示的图片。接着,在图9中对图片进行网格化模糊处理,并且,网格的大小为20像素,上限阈值(MAX)为80%,下限阈值(MIN)为20%,即当网格内的植被点像素覆盖度在80%以上时则该网格均归入植被点,而当网格内的植被点像素覆盖度在20%以下时则该网格均归入背景点。最后,把植被点与总的像素点进行比值,计算得到覆盖率为:23.32%。
如图11至图15所示,是把本实施例提供的测定方法应用于海南宝峙村-卵叶喜盐草的示例。首先,得到了图11的原始图片,其像素大小为:宽度×高度=3648×2736;然后,按照同比例缩小该图片得到图12所示的图片,使得像素大小变化为:宽度×高度=827×620。通过上述的阈值归一化计算方法,并且把绿色阈值设定为0.25,即当Fg=(2G-R-B)/(R+G+B)得到的值低于0.25时归为背景点,而当大于或者等于0.25时归为植被点,最终得到如图13所示的图片。接着,在图14中对图片进行网格化模糊处理,并且,网格的大小为20像素,上限阈值(MAX)为80%,下限阈值(MIN)为20%,即当网格内的植被点像素覆盖度在80%以上时则该网格均归入植被点,而当网格内的植被点像素覆盖度在20%以下时则该网格均归入背景点。最后,把植被点与总的像素点进行比值,计算得到覆盖率为:26.83%。
如图16至图20所示,是把本实施例提供的测定方法应用于海南青葛-泰来草的示例。首先,得到了图16的原始图片,其像素大小为:宽度×高度=3648×2736;然后,按照同比例缩小该图片得到图17所示的图片,使得像素大小变化为:宽度×高度=827×620。通过上述的阈值归一化计算方法,并且把绿色阈值设定为0.25,即当Fg=(2G-R-B)/(R+G+B)得到的值低于0.25时归为背景点,而当大于或者等于0.25时归为植被点。接着,在图8中对图片进行网格化模糊处理,并且,网格的大小为20像素,上限阈值(MAX)为80%,下限阈值(MIN)为20%,即当网格内的植被点像素覆盖度在80%以上时则该网格均归入植被点,而当网格内的植被点像素覆盖度在20%以下时则该网格均归入背景点。最后,把植被点与总的像素点进行比值,计算得到覆盖率为:8.27%。
如图21至图25所示,是把本实施例提供的测定方法应用于海南澄迈-贝壳喜盐草的示例。首先,得到了图21的原始图片,其像素大小为:宽度×高度=3648×2736;然后,按照同比例缩小该图片得到图22所示的图片,使得像素大小变化为:宽度×高度=827×620。通过上述的阈值归一化计算方法,并且把绿色阈值设定为0.04,即当Fg=(2G-R-B)/(R+G+B)得到的值低于0.04时归为背景点,而当大于或者等于0.04时归为植被点,最终得到如图23所示的图片。接着,在图24中对图片进行网格化模糊处理,并且,网格的大小为20像素,上限阈值(MAX)为80%,下限阈值(MIN)为5%,即当网格内的植被点像素覆盖度在80%以上时则该网格均归入植被点,而当网格内的植被点像素覆盖度在5%以下时则该网格均归入背景点。最后,把植被点与总的像素点进行比值,计算得到覆盖率为:16.25%。
如图26至图30所示,是把本实施例提供的测定方法应用于海南青葛-马尾藻的示例。首先,得到了图26的原始图片,其像素大小为:宽度×高度=3648×2736;然后,按照同比例缩小该图片得到图27所示的图片,使得像素大小变化为:宽度×高度=827×620。通过上述的阈值归一化计算方法,并且把绿色阈值设定为0.10,即当Fg=(2G-R-B)/(R+G+B)得到的值低于0.10时归为背景点,而当大于或者等于0.10时归为植被点。接着,在图29中对图片进行网格化模糊处理,并且,网格的大小为20像素,上限阈值(MAX)为50%,下限阈值(MIN)为10%,即当网格内的植被点像素覆盖度在50%以上时则该网格均归入植被点,而当网格内的植被点像素覆盖度在10%以下时则该网格均归入背景点。最后,把植被点与总的像素点进行比值,计算得到覆盖率为:39.13%。
如图31至图35所示,是把本实施例提供的测定方法应用于海南新村港-二药草的示例。首先,得到了图31的原始图片,其像素大小为:宽度×高度=3648×2736;然后,按照同比例缩小该图片得到图32所示的图片,使得像素大小变化为:宽度×高度=827×620。通过上述的阈值归一化计算方法,并且把绿色阈值设定为0.25,即当Fg=(2G-R-B)/(R+G+B)得到的值低于0.25时归为背景点,而当大于或者等于0.25时归为植被点。接着,在图34中对图片进行网格化模糊处理,并且,网格的大小为20像素,上限阈值(MAX)为80%,下限阈值(MIN)为10%,即当网格内的植被点像素覆盖度在80%以上时则该网格均归入植被点,而当网格内的植被点像素覆盖度在10%以下时则该网格均归入背景点。最后,把植被点与总的像素点进行比值,计算得到覆盖率为:90.80%。
显然,所描述的实施例仅仅是本发明的一部分实施例,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。
Claims (3)
1.一种基于grb和网格模式的植被覆盖度测定方法,其特征在于,包括下面的步骤:
S1:获得图像;
S2:把所述图像转换为像素点,每一像素点用公式Fg=(2G-R-B)/(R+G+B)进行判断,其中,G表示绿色颜色值,R表示红色颜色值,B表示蓝色颜色值;当Fg值低于设定阈值时则归为背景点,当Fg值高于设定阈值时则归为植被点;
S3:把所述图像用网格进行划分,并判断每一网格内的植被点的覆盖比例是否超过上限阈值或低于下限阈值;如果比例在上限阈值以上,则网格内所有像素点归为植被点;如果网格内植被点的比例在下限阈值以下时,则网格内所有像素点归入背景点;通过人的视觉判断将网格内所有像素点手动处理为植被点或背景点;通过网格将图像分割成M×N格;
S4:计算覆盖度,覆盖度等于植被点的像素点总数与总像素点数的比值;
所述上限阈值为90%或80%;下限阈值为10%或20%;所述设定阈值为0.04或0.25;
设定阈值的选择根据具体的植被物与背景物的颜色比对进行选择。
2.根据权利要求1所述的基于grb和网格模式的植被覆盖度测定方法,其特征在于,在所述S1中,具体包括下面的步骤:
S11:通过数码相机进行拍摄取样,同一观测点多次取样;
S12:对取样照片进行筛选,将拍摄时由于水质、抖动或角度因素造成影响的照片去除。
3.根据权利要求1至2中任一项所述的基于grb和网格模式的植被覆盖度测定方法,其特征在于,该植被覆盖度测定方法用于海洋植被覆盖度的测定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061463.3A CN109271919B (zh) | 2018-09-12 | 2018-09-12 | 一种基于grb和网格模式的植被覆盖度测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061463.3A CN109271919B (zh) | 2018-09-12 | 2018-09-12 | 一种基于grb和网格模式的植被覆盖度测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271919A CN109271919A (zh) | 2019-01-25 |
CN109271919B true CN109271919B (zh) | 2022-11-01 |
Family
ID=65187945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061463.3A Active CN109271919B (zh) | 2018-09-12 | 2018-09-12 | 一种基于grb和网格模式的植被覆盖度测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271919B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111771709A (zh) * | 2020-07-10 | 2020-10-16 | 海南省海洋与渔业科学院 | 海洋生态系统中海草床的修复方法 |
CN112330694A (zh) * | 2020-11-16 | 2021-02-05 | 新疆农业科学院粮食作物研究所 | 一种植物萎蔫程度计算方法及系统 |
WO2022241504A1 (en) * | 2021-05-17 | 2022-11-24 | Agtecnic Pty Ltd | Controlling spray heads |
CN114216445A (zh) * | 2021-12-08 | 2022-03-22 | 中国电建集团成都勘测设计研究院有限公司 | 一种野外快速测定植被覆盖度的水土保持监测方法 |
CN117372503B (zh) * | 2023-12-08 | 2024-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8588547B2 (en) * | 2008-08-05 | 2013-11-19 | Pictometry International Corp. | Cut-line steering methods for forming a mosaic image of a geographical area |
GB2478133B (en) * | 2010-02-25 | 2015-02-18 | Institue For Medical Informatics | Image classification |
GB2479547A (en) * | 2010-04-14 | 2011-10-19 | Diego Dayan | Determining low detail areas in images suitable for annotations |
US9147110B2 (en) * | 2013-04-05 | 2015-09-29 | Pioneer Hi-Bred International, Inc. | Field and crop evaluation tool and methods of use |
CN103808265B (zh) * | 2014-02-28 | 2017-04-26 | 北京农业信息技术研究中心 | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 |
US20160239964A1 (en) * | 2015-02-13 | 2016-08-18 | Matthew Haugen | Dot Counting Service |
CN107680114A (zh) * | 2017-09-22 | 2018-02-09 | 交通运输部天津水运工程科学研究所 | 一种基于计算机图像处理的草地盖度测算方法 |
CN108009542B (zh) * | 2017-11-01 | 2021-06-15 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
-
2018
- 2018-09-12 CN CN201811061463.3A patent/CN109271919B/zh active Active
Non-Patent Citations (2)
Title |
---|
Small unmanned aerial vehicles (micro-UAV s, drones)in plant ecology;Mitchell B. Cruzan et al.;《Applications in Plant Sciences》;20160728;第4卷(第9期);全文 * |
基于数字图像的冬小麦、夏玉米长势远程动态监测技术研究;马彦平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109271919A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271919B (zh) | 一种基于grb和网格模式的植被覆盖度测定方法 | |
Wang et al. | Mapping and quantifying Sargassum distribution and coverage in the Central West Atlantic using MODIS observations | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
Vaesen et al. | Ground-measured spectral signatures as indicators of ground cover and leaf area index: the case of paddy rice | |
Lenney et al. | The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM | |
Laliberte et al. | An object-based image analysis approach for determining fractional cover of senescent and green vegetation with digital plot photography | |
Bauer et al. | A rule-based image analysis approach for calculating residues and vegetation cover under field conditions | |
CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
CN108564021B (zh) | 一种基于数码相片提取荒漠植被盖度的方法 | |
Cao et al. | Estimating the age and population structure of encroaching shrubs in arid/semiarid grasslands using high spatial resolution remote sensing imagery | |
CN104121850A (zh) | 一种郁闭度的测定方法和装置 | |
CN110751362A (zh) | 一种基于人工智算法的城市景观评价指标计算方法 | |
Rud et al. | Spatial–spectral processing strategies for detection of salinity effects in cauliflower, aubergine and kohlrabi | |
Setyawan et al. | Comparison of hsv and lab color spaces for hydroponic monitoring system | |
US20220270206A1 (en) | Devices, systems and methods for digital image analysis | |
Zhou et al. | Estimating ground fractional vegetation cover using the double-exposure method | |
Gatzouras | Assessment of trampling impact in Icelandic natural areas in experimental plots with focus on image analysis of digital photographs | |
Wang et al. | Application of hemispherical photography on analysis of maize canopy structural parameters under natural light | |
Sayad et al. | Crop management using Big Data | |
Osmond | Application of near-infrared hemispherical photography to estimate leaf area index of urban vegetation | |
Alexandridis et al. | LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations | |
Deng et al. | Tree crown recognition algorithm on high spatial resolution remote sensing imagery | |
Lang et al. | Restoration of above canopy reference hemispherical image from below canopy measurements for plant area index estimation in forests/Metsa võrastiku läbipaistvuse mõõtmine digitaalsete poolsfäärikaamerate abil | |
Elgy | Airborne remote sensing for urban drainage | |
CN109359583A (zh) | 一种遥感影像中显著性面状特定目标提取方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211019 Address after: 570203 No. 12 Baiju Avenue, Meilan District, Haikou City, Hainan Province Applicant after: HAINAN ACADEMY OF OCEAN AND FISHERIES SCIENCES Address before: 570203 15th floor, fuel chemical building, No. 54, Haifu Road, Haikou City, Hainan Province Applicant before: HAINAN ACADEMY OF OCEAN AND FISHERIES SCIENCES (HAINAN OCEAN DEVELOPMENT PLANNING AND DESIGN RESEARCH INSTITUTE) |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |