CN109522904A - 一种基于遥感数据的规则农田提取方法 - Google Patents
一种基于遥感数据的规则农田提取方法 Download PDFInfo
- Publication number
- CN109522904A CN109522904A CN201811160529.4A CN201811160529A CN109522904A CN 109522904 A CN109522904 A CN 109522904A CN 201811160529 A CN201811160529 A CN 201811160529A CN 109522904 A CN109522904 A CN 109522904A
- Authority
- CN
- China
- Prior art keywords
- farmland
- image
- edge
- gradient
- regular
- 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 28
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000003708 edge detection Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 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
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于遥感数据的规则农田提取方法,其包括如下步骤:获取历史Sentinel‑2序列数据并针对每景图像计算NDVIseries;对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像;对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在的边缘像素的边缘检测图像;对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界。本发明所述的基于遥感数据的规则农田提取方法具有精确反映规则农田的空间分布,有利于农业管理的优点。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别是涉及一种基于遥感数据的规则农田提取方法。
背景技术
农业事关国家和人民生活大计,农田是农业发展的根本。农田主要以长方形或者梯形等规则的形状存在,称之为规则农田。随着城市化发展,规则农田数量逐渐减少,农业主管部门对于规则农田的分布不清楚,只能通过人工普查的方式进行统计,不仅费时费力,而且效率十分低下,没法对农田进行有效的监管。因此,如何识别和提取规则农田,成为了研究课题。
发明内容
基于此,本发明的目的在于,提供一种基于遥感数据的规则农田提取方法,其具有精确反映规则农田的空间分布,有利于农业管理的优点。
一种基于遥感数据的规则农田提取方法,包括如下步骤:
获取历史Sentinel-2序列数据并针对每景图像计算NDVIseries;
对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像;
对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在的边缘像素的边缘检测图像;
对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界。
相较于现有技术,本发明的基于遥感数据的规则农田提取方法,通过获取历史的Sentinel-2序列数据并针对每景图像计算NDVIseries,并根据NDVIseries计算梯度和,获得中心梯度和图像,所述梯度和图像由系列NDVIseries图像的梯度叠加而成,加重了图像轮廓,有利于识别规则农田;通过边缘检测获得所有潜在的农田边界,再对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界,由农田的边界反映了规则农田的空间分布,有利于农业管理和规划。
进一步地,所述对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像的步骤,具体包括如下子步骤:
对NDVIseries图像与高斯平滑滤波器进行卷积降噪;
采用Sobel算子计算卷积降噪后的NDVIseries图像的梯度Gseries;
计算梯度和Gsum=∑Gseries,获得梯度和图像。
由上述技术方案可得,通过Sobel算子获得系列NDVIseries图像的边缘幅度图像,但这些边缘幅度图像受到农田作物物候时间的影响,在表达规则农田的边界时不够准确,而再通过梯度和计算,实际上是将这些边缘幅度图像进行叠加,加重了规则农田的边缘轮廓,表达规则农田的边界时更平均。
进一步地,所述对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在边缘像素的边缘检测图像的步骤包括通过非极大值抑制和双阈值启发式连接获取潜在边缘像素。
上述技术方案给出了Canny算子获取所有潜在的边缘像素的依据和细致处理方式。
进一步地,所述对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界的步骤,具体包括如下子步骤:
对所述边缘检测图像进行逻辑取反,获得非边缘区域;
从边缘像素出发,逐个计算非边缘区域的每个像素八邻域范围的最小距离,并将最小距离作为像素值,获得中心距离图;其中,所述边缘像素值为1;
利用空间最大值滤波不断获取3*3范围内的局部像素值极大值,最终获得最大像素值,并将其标记为中心顶点;
根据中心距离图和中心顶点,利用分水岭分割将非边缘区域切分为若干个小区域。
进一步地,所述根据中心距离图和中心顶点,利用分水岭分割将非边缘区域划分为若干个小区域的步骤之后,还包括如下步骤:
在切分后的小区域内选取梯度和最小点作为规则农田标记;
根据规则农田标记再次使用分水岭算法,获得农田的边界。
由上述技术方案可得,对所述边缘检测图像进行逻辑取反获得非边缘区域,也即农田块,通过标记中心顶点适当地确定划分尺度,在分水岭算法之前对边缘检测图像进行预处理,避免过分割造成提取出来的农田过于零散的情况,同时最大限度精准划分每一个农田。进一步地,通过第二重的梯度和最小值标记后,再执行第二次分水岭分割,获得更佳的分割效果。
进一步地,所述对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取规则农田的边界的步骤之后,还包括如下步骤:
针对农田的边界进行筛选,提取符合条件的规则农田。
进一步地,所述针对农田的边界进行筛选,提取符合条件的规则农田的步骤,具体包括如下子步骤:
针对农田的边界,计算农田的边界所围成的农田块的紧致度:
其中,Compact为农田块的紧致度,L为农田块的周长,A为农田块的面积;
将农田块的紧致度与预设的阈值取值范围进行比较,当农田块的紧致度处于预设的阈值取值范围内,提取出满足筛选条件的规则农田。
由上述技术方案可得,采用农田块的紧致度进行筛选规则农田,只有农田块的紧致度落在预设的阈值范围内的才满足筛选条件,去除一些小斑点造成对规则农田提取的干扰,使得提取结果不零碎更准确。
本发明还提供一种基于遥感数据的规则农田提取装置,包括:
数据获取与计算模块,用于获取历史Sentinel-2序列数据并针对每景图像计算NDVIseries;
图像转换模块,用于对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像;
边缘检测模块,用于对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在的边缘像素的边缘检测图像;
图像分割模块,用于对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界。
本发明还提供一种计算机可读储存介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上任意一项所述的基于遥感数据的规则农田提取方法的步骤。
本发明还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的基于遥感数据的规则农田提取方法的步骤。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明的一种基于遥感数据的规则农田提取方法的流程图;
图2为本发明的步骤S10获取的NDVIseries图像;
图3为本发明的步骤S20的子步骤流程图;
图4为本发明的步骤S20获取的边缘幅度图像;
图5为本发明的步骤S20获取的梯度和图像;
图6为本发明的步骤S40的子步骤流程图;
图7-a~图7-c为本发明步骤S41~S44的实例演示图;
图8为本发明的尚未标记的图像;
图9为本发明的中心顶点标记后的图像;
图10为本发明包括步骤S50的整体流程图;
图11为本发明的步骤S50的子步骤流程图;
图12为本发明的最终提取出来的规则农田的图像。
具体实施方式
规则农田是农田的一种主要形式,其包括了由多边形围成的不同形状的农田块,常见有长方形、三角形、正方形等。为了精准地识别规则农田,获取其空间分布,有利于农业主管部门的管理和规划,本发明提出一种基于遥感数据的规则农田提取方法,通过在规则农田内放置标记,采用多尺度标记的分水岭算法分割实现规则农田的识别和提取。
请参阅图1,本发明的一种基于遥感数据的规则农田提取方法,包括如下步骤:
S10:获取历史Sentinel-2序列数据并针对每景图像计算NDVIseries;
S20:对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像;
S30:对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在的边缘像素的边缘检测图像;
S40:对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界。
Sentinel-2卫星是全球环境与安全监视系统(GMES)中的多光谱遥感成像任务,该任务的实施由欧洲委员会和欧空局共同执行。该任务用于对全球陆地状况的监测,可用于农业估产,勘察土壤和水的覆盖,获取植被生长状况。Sentinel-2卫星相较于SPOT-5和Landsat-7卫星具有较高的分辨率和重访能力。
请参阅图2,其为NDVIseries图像。NDVIseries是一种植被指数,可以应用于检测植被生长状态和植被覆盖度,并且有NIR和R分别为近红外波段和红波段处的反射率值。
在一个实施例中,在步骤S20中,所采用的梯度算子为Sobel算子。
在一个实施例中,请参阅图3,所述对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像的步骤S20,具体包括如下子步骤:
S21:对NDVIseries图像与高斯平滑滤波器进行卷积降噪;
S22:采用Sobel算子计算卷积降噪后的NDVIseries图像的梯度Gseries;
S23:计算梯度和Gsum=∑Gseries,获得梯度和图像。
任何边缘检测算法都不可能在未经处理的原始数据上很好地处理。为了减少边缘检测算法识别边缘像素的噪声,避免误差累计传递,获得信噪比较高的边缘像素,在步骤S21中,首先利用Gaussian滤波器进行去噪,其中Gaussian滤波器的表达式为
请参阅图4,在步骤S22中,利用Sobel算子分别计算横向梯度Gx和纵向梯度Gy:
再由横向梯度Gx和纵向梯度Gy合成梯度大小G和梯度方向θ:
对于Gseries和θseries来说,它们是系列NDVIseries图像的梯度,其对应的边缘幅度图像受到农田作物物候时间的影响,在不同物候时间内,农田作物的生长茂盛情况不一致,则农田的边界也时隐时现,单个边缘幅度图像在表达规则农田的边界时不够准确。由此,请参阅图5,通过步骤S23计算梯度和Gsum=∑Gseries,获得梯度和图像,实际上是将这些边缘幅度图像进行叠加,加重了规则农田的边缘轮廓,表达规则农田的边界时更平均。具体地,请对比图4和图5右下角,梯度和图像明显比普通的边缘幅度图像保留了更多的边缘像素,更准确地表达规则农田的边界。
在一个实施例中,所述对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在边缘像素的边缘检测图像的步骤S30包括通过非极大值抑制和双阈值启发式连接获取潜在边缘像素。上述技术方案给出了Canny算子获取所有潜在的边缘像素的依据和细致处理方式。经过Sobel算子计算NDVIseries图像的梯度,获得的是边缘幅度图像。这些边缘幅度图像和叠加后的梯度和图像保留的是原NDVImax图像的一些较粗的线条或称轮廓,但还不够精确,需要采用Canny算子进一步全面地获取所有潜在的边缘像素,这些边缘像素是都可能作为农田的边界。
在一个实施例中,请参阅图6和图7-a~图7-c,所述对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界的步骤S40,具体包括如下子步骤:
S41:对所述边缘检测图像进行逻辑取反,获得非边缘区域;
S42:从边缘像素出发,逐个计算非边缘区域的每个像素八邻域范围的最小距离,并将最小距离作为像素值,获得中心距离图;其中,所述边缘像素值为1;
S43:利用空间最大值滤波不断获取3*3范围内的局部像素值极大值,最终获得最大像素值,并将其标记为中心顶点;
S44:根据中心距离图和中心顶点,利用分水岭分割将非边缘区域切分为若干个小区域。
图7-a~图7-c是步骤S41~S44的实例演示图。图7-a中心白色区域为非边缘区域;图7-b为以最小距离作为像素值获得中心距离图,并在各自圆形中央标记了中心顶点;图7-c则是根据中心距离图和中心顶点,利用分水岭分割将非边缘区域切分为两个小区域。将图7-a~图7-c的实例演示应用于获得的整体图像之中,以小见大,请对比地参阅图8和图9,图8为尚未标记的图像,图9为中心顶点标记后的图像,其中,图8的每个圆形斑点中心标记中心顶点,圆形斑点的覆盖范围是中心顶点的作用半径,起到标记农田块的作用。由上述技术方案可得,对所述边缘检测图像进行逻辑取反获得非边缘区域,也即农田块,通过标记中心顶点,在农田块内部放置中心顶点作为标记,适当地确定划分尺度,在分水岭算法之前对边缘检测图像进行预处理,避免过分割造成提取出来的农田过于零散的情况,同时精准地分割每一个规则农田。进一步地,通过第二重的梯度和最小值标记后,再执行第二次分水岭分割,获得更佳的分割效果。
在一个实施例中,请参阅图9,为了防止孤立的小斑点都被提取为过小的规则农田,通过设置合理的农田块的紧致度,使得提取的结果不零碎。所述对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取规则农田的边界的步骤S40之后,还包括如下步骤:
S50:针对农田的边界进行筛选,提取符合条件的规则农田。
在一个优选的实施例中,请参阅图10,所述针对农田的边界进行筛选,提取符合条件的规则农田的步骤,具体包括如下子步骤:
S51:针对农田的边界,计算农田的边界所围成的农田块的紧致度:
其中,Compact为农田块的紧致度,L为农田块的周长,A为农田块的面积;
S52:将农田块的紧致度与预设的阈值取值范围进行比较,当农田块的紧致度处于预设的阈值取值范围内,提取出满足筛选条件的规则农田。
请参阅图11,其为最终提取出来的规则农田的图像。
本发明还提供一种基于遥感数据的规则农田提取装置,包括:
数据获取与计算模块,用于获取历史Sentinel-2序列数据并针对每景图像计算NDVIseries;
图像转换模块,用于对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像;
边缘检测模块,用于对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在的边缘像素的边缘检测图像;
图像分割模块,用于对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界。
本发明还提供一种计算机可读储存介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的基于遥感数据的规则农田提取方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的储存介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的储存介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的基于遥感数据的规则农田提取方法的步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于遥感数据的规则农田提取方法,其特征在于:包括如下步骤:
获取历史Sentinel-2序列数据并针对每景图像计算NDVIseries;
对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像;
对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在的边缘像素的边缘检测图像;
对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界。
2.根据权利要求1所述的基于遥感数据的规则农田提取方法,其特征在于:所述对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像的步骤,具体包括如下子步骤:
对NDVIseries图像与高斯平滑滤波器进行卷积降噪;
采用Sobel算子计算卷积降噪后的NDVIseries图像的梯度Gseries;
计算梯度和Gsum=∑Gseries,获得梯度和图像。
3.根据权利要求1所述的基于遥感数据的规则农田提取方法,其特征在于:所述对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在边缘像素的边缘检测图像的步骤包括通过非极大值抑制和双阈值启发式连接获取潜在边缘像素。
4.根据权利要求1所述的基于遥感数据的规则农田提取方法,其特征在于:所述对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界的步骤,具体包括如下子步骤:
对所述边缘检测图像进行逻辑取反,获得非边缘区域;
从边缘像素出发,逐个计算非边缘区域的每个像素八邻域范围的最小距离,并将最小距离作为像素值,获得中心距离图;其中,所述边缘像素值为1;
利用空间最大值滤波不断获取3*3范围内的局部像素值极大值,最终获得最大像素值,并将其标记为中心顶点;
根据中心距离图和中心顶点,利用分水岭分割将非边缘区域切分为若干个小区域。
5.根据权利要求4所述的基于遥感数据的规则农田提取方法,其特征在于:所述根据中心距离图和中心顶点,利用分水岭分割将非边缘区域划分为若干个小区域的步骤之后,还包括如下步骤:
在切分后的小区域内选取梯度和最小点作为规则农田标记;
根据规则农田标记再次使用分水岭算法,获得农田的边界。
6.根据权利要求1所述的基于遥感数据的规则农田提取方法,其特征在于:所述对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取规则农田的边界的步骤之后,还包括如下步骤:
针对农田的边界进行筛选,提取符合条件的规则农田。
7.根据权利要求6所述的基于遥感数据的规则农田提取方法,其特征在于:所述针对农田的边界进行筛选,提取符合条件的规则农田的步骤,具体包括如下子步骤:
针对农田的边界,计算农田的边界所围成的农田块的紧致度:
其中,Compact为农田块的紧致度,L为农田块的周长,A为农田块的面积;
将农田块的紧致度与预设的阈值取值范围进行比较,当农田块的紧致度处于预设的阈值取值范围内,提取出满足筛选条件的规则农田。
8.一种基于遥感数据的规则农田提取装置,其特征在于,包括:
数据获取与计算模块,用于获取历史Sentinel-2序列数据并针对每景图像计算NDVIseries;
图像转换模块,用于对NDVIseries图像采用梯度算子计算梯度和,获得梯度和图像;
边缘检测模块,用于对所述梯度和图像采用Canny算子进行边缘检测,获取包括所有潜在的边缘像素的边缘检测图像;
图像分割模块,用于对所述边缘检测图像进行基于多尺度标记的分水岭分割,获取农田的边界。
9.一种计算机可读储存介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于遥感数据的规则农田提取方法的步骤。
10.一种计算机设备,其特征在于,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于遥感数据的规则农田提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160529.4A CN109522904B (zh) | 2018-09-30 | 2018-09-30 | 一种基于遥感数据的规则农田提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160529.4A CN109522904B (zh) | 2018-09-30 | 2018-09-30 | 一种基于遥感数据的规则农田提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522904A true CN109522904A (zh) | 2019-03-26 |
CN109522904B CN109522904B (zh) | 2020-06-09 |
Family
ID=65771624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811160529.4A Active CN109522904B (zh) | 2018-09-30 | 2018-09-30 | 一种基于遥感数据的规则农田提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522904B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163554A (zh) * | 2020-10-15 | 2021-01-01 | 北京达佳互联信息技术有限公司 | 获取视频中的标记掩模的方法和装置 |
CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
CN115393586A (zh) * | 2022-08-18 | 2022-11-25 | 北京爱科农科技有限公司 | 农田育种区域划分方法、装置、计算机设备及介质 |
CN117593201A (zh) * | 2024-01-18 | 2024-02-23 | 杭州稻道农业科技有限公司 | 一种基于高分卫星影像的小田并大田的整合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247663A1 (en) * | 2007-04-03 | 2008-10-09 | Jacobsen Kenneth P | Method and system for rapid matching of video streams |
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN101499136A (zh) * | 2009-03-05 | 2009-08-05 | 西安电子科技大学 | 基于多目标进化聚类和空间信息的图像过分割优化方法 |
CN102591918A (zh) * | 2011-12-16 | 2012-07-18 | 华中科技大学 | 基于多智能体系统的遥感影像检索方法 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN104952070A (zh) * | 2015-06-05 | 2015-09-30 | 中北大学 | 一种类矩形引导的玉米田遥感图像分割方法 |
-
2018
- 2018-09-30 CN CN201811160529.4A patent/CN109522904B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247663A1 (en) * | 2007-04-03 | 2008-10-09 | Jacobsen Kenneth P | Method and system for rapid matching of video streams |
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN101499136A (zh) * | 2009-03-05 | 2009-08-05 | 西安电子科技大学 | 基于多目标进化聚类和空间信息的图像过分割优化方法 |
CN102591918A (zh) * | 2011-12-16 | 2012-07-18 | 华中科技大学 | 基于多智能体系统的遥感影像检索方法 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN104952070A (zh) * | 2015-06-05 | 2015-09-30 | 中北大学 | 一种类矩形引导的玉米田遥感图像分割方法 |
Non-Patent Citations (3)
Title |
---|
AVINASH G. MAHALLE: "An Efficient Design for Canny Edge Detection Algorithm Using Xilinx System Generator", 《2018 INTERNATIONAL CONFERENCE ON RESEARCH IN INTELLIGENT AND COMPUTING IN ENGINEERING (RICE)》 * |
庞新华 等: "基于高分辨率遥感影像的耕地地块提取方法研究", 《测绘科学》 * |
闫军朝: "基于多特征标记的分水岭分割算法的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163554A (zh) * | 2020-10-15 | 2021-01-01 | 北京达佳互联信息技术有限公司 | 获取视频中的标记掩模的方法和装置 |
CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
CN113221789B (zh) * | 2021-05-21 | 2022-05-10 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
CN115393586A (zh) * | 2022-08-18 | 2022-11-25 | 北京爱科农科技有限公司 | 农田育种区域划分方法、装置、计算机设备及介质 |
CN117593201A (zh) * | 2024-01-18 | 2024-02-23 | 杭州稻道农业科技有限公司 | 一种基于高分卫星影像的小田并大田的整合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109522904B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522904A (zh) | 一种基于遥感数据的规则农田提取方法 | |
Yan et al. | Automated crop field extraction from multi-temporal Web Enabled Landsat Data | |
Malambo et al. | Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data | |
Mazur et al. | An object-based SAR image iceberg detection algorithm applied to the Amundsen Sea | |
Rozenstein et al. | Comparison of methods for land-use classification incorporating remote sensing and GIS inputs | |
Turker et al. | Field-based sub-boundary extraction from remote sensing imagery using perceptual grouping | |
Watkins et al. | Automating field boundary delineation with multi-temporal Sentinel-2 imagery | |
Zhang et al. | Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net | |
CN105303184A (zh) | 一种卫星遥感影像中地物精确识别方法 | |
Wang et al. | Interannual changes of coastal aquaculture ponds in China at 10-m spatial resolution during 2016–2021 | |
US20080317345A1 (en) | Method and apparatus for automatic object identification | |
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 | |
Recio et al. | Automated extraction of tree and plot-based parameters in citrus orchards from aerial images | |
CN107862271B (zh) | 一种舰船目标的检测方法 | |
KR102496740B1 (ko) | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 | |
CN109508633A (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
CN115452759B (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
JP2008152425A (ja) | 農地区画データ作成システム | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
Ferriby et al. | Harnessing machine learning techniques for mapping aquaculture waterbodies in Bangladesh | |
Ha et al. | Shelterbelt agroforestry systems inventory and removal analyzed by object-based classification of satellite data in Saskatchewan, Canada | |
Huang et al. | Multi-feature combined for building shadow detection in GF-2 Images | |
Peng et al. | Detailed wetland-type classification using Landsat-8 time-series images: a pixel-and object-based algorithm with knowledge (POK) | |
Turker et al. | Agricultural field detection from satellite imagery using the combined otsu’s thresholding algorithm and marker-controlled watershed-based transform |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |