CN109583283A - 玉米种植区域提取方法、装置及种植区域提取系统 - Google Patents
玉米种植区域提取方法、装置及种植区域提取系统 Download PDFInfo
- Publication number
- CN109583283A CN109583283A CN201710909865.3A CN201710909865A CN109583283A CN 109583283 A CN109583283 A CN 109583283A CN 201710909865 A CN201710909865 A CN 201710909865A CN 109583283 A CN109583283 A CN 109583283A
- Authority
- CN
- China
- Prior art keywords
- corn
- region
- corn planting
- planting region
- building
- 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
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 103
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 98
- 235000005822 corn Nutrition 0.000 title claims abstract description 98
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 240000008042 Zea mays Species 0.000 title claims description 101
- 230000010287 polarization Effects 0.000 claims abstract description 58
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 241000209149 Zea Species 0.000 abstract 2
- 229920000742 Cotton Polymers 0.000 description 14
- 241000209094 Oryza Species 0.000 description 14
- 235000007164 Oryza sativa Nutrition 0.000 description 14
- 235000009566 rice Nutrition 0.000 description 14
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 239000013256 coordination polymer Substances 0.000 description 6
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 5
- 235000009973 maize Nutrition 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 241000219146 Gossypium Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 235000017060 Arachis glabrata Nutrition 0.000 description 2
- 244000105624 Arachis hypogaea Species 0.000 description 2
- 235000010777 Arachis hypogaea Nutrition 0.000 description 2
- 235000018262 Arachis monticola Nutrition 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 2
- 240000008574 Capsicum frutescens Species 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 239000001390 capsicum minimum Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000020232 peanut Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000034303 cell budding Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种玉米种植区域提取方法、装置及种植区域提取系统,包括以下步骤:步骤1,获得简缩极化SAR数据;步骤2,根据所述简缩极化SAR数据提取玉米种植区初始结果及建筑物掩膜区域;步骤3,从所述玉米种植区初始结果中滤除所述建筑物掩膜区域,从而提取出玉米种植区最终结果。本发明只需提取少数特征即可实现玉米种植区的快速提取,与其他基于机器学习的分类方法相比,节省了大量的时间和内存,对玉米提取和后续估产等工作具有实用价值,可以投入相关部门的实际生产与应用。进一步地,本发明还可将建筑物从玉米种植区初始结果中滤除,因而,降低了由于建筑物引起的虚警问题。
Description
技术领域
本发明涉及地理图像处理技术领域,特别涉及一种玉米种植区域提取方法、装置及种植区域提取系统。
背景技术
中国的农业现代化建设正面临挑战与机遇。人们对食品安全和土地生产力的关注正日益增长,这推动了土地监测技术的发展。作为全世界范围内最重要的农作物之一,玉米在我国的现代工业和经济发展中都占据了很高的地位,因此如何对玉米进行有效的监控,值得研究人员的关注。
为了满足大面积区域资源监控的需求,遥感已经变成现代农业发展中不可或缺的技术手段。光学遥感手段已经被成功地应用到玉米估产,玉米制图,玉米叶片植被指数反演等领域。但是,光学遥感受云和雨影响较大,因此在对完整植被生长周期的监控方面,合成孔径雷达(SAR)具有更大的优势。全极化SAR图像因为能同时提供4个通道的强度和相干相位信息(HH,HV,VH和VV通道),已被成功地应用于土地监测和植被分类。
但是,因为全极化SAR需要较高的数据下传率和脉冲重复频率,所以幅宽只有双极化数据的一半。因此,大面积区域观察所需的数据量和成本都有所上升。而作为极化信息和幅宽之间的一个良好折中,简缩极化SAR(compact polarimetric SAR,CP SAR)已在多个应用领域引起了广泛关注。
简缩极化的本质是一种双极化,但是和传统双极化具有不同的信号收发组合:π/4模式的简缩极化SAR发射45°方向的线极化波,接收水平和垂直方向的极化回波。这些独特的信号收发组合,令CP SAR继承了部分全极化SAR所包含的信息,同时保证了图像幅宽,在大面积海陆监测中具有良好的应用潜力。
但是,相较于研究人员们对水稻的关注,基于CP SAR图像的玉米种植区制图研究还有所欠缺。尽管研究人员利用SAR对玉米制图及玉米估产做出了一定的探索,但是,研究大多基于机器学习算法,对训练样本和测试样本都具有一定的要求,而且实用难度较大。目前,尚未提出一个能够投入实用的玉米种植区提取算法。
发明内容
有鉴于上述技术问题,本发明提供了一种玉米种植区域提取方法、装置及种植区域提取系统,以有效解决现有技术中采用机器学习的分类方法时需要大量时间和内存的问题。
本发明提供了一种玉米种植区域提取方法,包括:
获得简缩极化SAR数据;
根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域;
滤除所述需要滤除的区域,从而提取出所需的玉米种植区域最终结果。
优选地,所述需要滤除的区域包括建筑物掩膜区域。
优选地,其中:
根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域包括:
根据所述简缩极化SAR数据提取玉米种植区域初始结果及建筑物掩膜区域;
滤除所述需要滤除的区域,从而提取出所需的玉米种植区域最终结果包括:
从所述玉米种植区域初始结果中滤除所述建筑物掩膜区域,从而提取出玉米种植区域最终结果。
优选地,所述玉米种植区域初始结果通过下述方式获得:从所述简缩极化SAR数据提取圆极化比cpr及m-χ分解的表面散射分量Vs;根据cpr与Vs的乘积,利用OTSU自动阈值分割算法获得所述玉米种植区初始结果。
优选地,所述建筑物掩膜区域通过下述方式获得:对所述简缩极化SAR数据进行H/α分解,从而构造所述建筑物掩膜区域。
优选地,所述步骤1中,简缩极化SAR数据由全极化SAR数据模拟得到。
本发明还提供一种玉米种植区域提取装置,包括:
SAR数据获取模块,其配置为获得简缩极化SAR数据;
区域对象提取模块,其配置为根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域;
玉米种植区域生成模块,其配置为滤除所述需要滤除的区域,从而提取出所需的玉米种植区域。
优选地,其中:
所述区域对象提取模块需要滤除的区域包括建筑物掩膜区域。
优选地,其中:
所述区域对象提取模块,其进一步配置为根据所述简缩极化SAR数据提取玉米种植区域初始结果及建筑物掩膜区域;
所述玉米种植区域生成模块,其进一步配置为从所述玉米种植区域初始结果中滤除所述建筑物掩膜区域,从而提取出玉米种植区域最终结果。
本发明还提供一种种植区域提取系统,包括如上所述的玉米种植区域提取装置。
本发明只需提取少数特征即可实现玉米种植区的快速提取,与其他基于机器学习的分类方法相比,节省了大量的时间和内存,对玉米提取和后续估产等工作具有实用价值,可以投入相关部门的实际生产与应用。进一步地,本发明还可将建筑物从玉米种植区域初始结果中滤除,因而,降低了由于建筑物引起的虚警问题。
附图说明
图1是本发明的流程图;
图2是A地实验区的局部m-χ分解伪彩色合成图;
图3是A地实验区的局部地物真值图;
图4是A地实验区的局部平方米提取结果;
图5是B地实验区的局部m-χ分解伪彩色合成图;
图6是B地实验区的局部地物真值图;
图7是B地实验区的局部平方米提取结果。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。
本发明用L波段ALOS-2/PALSAR-2图像模拟CTLR模式的CP SAR数据,对华北平原地区的主要作物,玉米、棉花和水稻在CP SAR的极化表征进行了简单的探索,在此基础上,提出了一个基于CP SAR的我国华北平原地区玉米耕作区域快速提取方法。
本发明公开一种玉米种植区域提取方法,包括:
获得简缩极化SAR数据;
根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域;
滤除所述需要滤除的区域,从而提取出所需的玉米种植区域。
作为具体实施方式,请参考图1,本发明的实施例提供了一种玉米种植区域提取方法,包括以下步骤:
步骤1,获得简缩极化SAR数据;
步骤2,根据所述简缩极化SAR数据提取玉米种植区域初始结果及建筑物掩膜区域;
步骤3,从所述玉米种植区域初始结果中滤除所述建筑物掩膜区域,从而提取出玉米种植区域最终结果。
在一个更优选的实施例中,所述玉米种植区域初始结果通过下述方式获得:从所述简缩极化SAR数据提取圆极化比cpr及m-χ分解的表面散射分量Vs;根据cpr与Vs的乘积,利用OTSU自动阈值分割算法获得所述玉米种植区初始结果。
优选地,所述建筑物掩膜区域通过下述方式获得:对所述简缩极化SAR数据进行H/α分解,从而构造所述建筑物掩膜区域。
如图1所示,本发明首先从简缩极化SAR数据中提取圆极化比cpr和m-χ分解的表面散射分量Vs,再将二者相乘。随后,用OTSU自动阈值分割算法实现玉米种植区的提取。与此同时,为了滤除居民地区域可能带来的虚警,利用居民地区域在H/α平面内的分布构造一个居民地掩膜,以滤除所有位于高熵散射和表面散射区域,即可得到最终的玉米种植区域。
由于采用了上述技术方案,本发明只需提取少数特征即可实现玉米种植区的快速提取,与其他基于机器学习的分类方法相比,节省了大量的时间和内存,对玉米提取和后续估产等工作具有实用价值,可以投入相关部门的实际生产与应用。进一步地,本发明还可将建筑物从玉米种植区域初始结果中滤除,因而,降低了由于建筑物引起的虚警问题。
更优选地,所述步骤1中,简缩极化SAR数据由全极化SAR数据模拟得到。
下面,以具体的验证实施例,对本发明的实施过程进行示例性地说明。
玉米作为最重要的经济作物之一,在中国农业中占有重要地位。对玉米生长进行监测,有助于产量估计和农业土地规划。简缩极化SAR是大面积土地监测的有利工具,它的幅宽是全极化SAR图像的两倍,但仍然拥有丰富的极化信息。本发明针对我国华北平原地区,提出了玉米产区快速提取方法。该方法根据典型地物在简缩极化数据上的极化特征,结合圆极化比、体散射分量和H/α分解,设计了基于阈值分割的玉米产区快速提取方法。为此,本发明用两景ALOS-2/PALSAR-2SM-2模式的全极化影像模拟简缩极化影像,验证本发明中的方法,取得了86.79%和89.01%的总体精度。
本发明采用两景L波ALOS-2/PALSAR-2SM-3模式全极化图像,模拟CTLR模式图像,对提出的算法进行检验和效果评价,数据基本信息如表1所示。
表1
华北平原区域的主要农作物类型包括玉米、小麦、棉花、水稻、大豆、花生等。根据野外实地考察和光学图像解译得出的结论,对玉米提取存在干扰的农作物主要为水稻和棉花,以及混合种植的少量大豆、辣椒、花生等作物。而冬小麦一般于玉米播种之前进行收割,因此不会对玉米种植区的提取造成干扰。根据野外实地考察情况,从A地实验区选择了部分玉米、水稻、棉花和居民地样本进行简缩极化特征分析
从样本区域中随机选取15000个点分析其在14个不同极化特征中的极化响应,包括4个Stokes参数,5个极化度参数和5个极化分解参数。这些特征从不同角度刻画了地物的后向散射特点、
下面,对各类典型地物在极化特征中的响应进行分析。
(1)居民地在所有极化特征中具有最大的方差。实验区的居民地主要由低矮平房群构成,屋顶以斜顶为主,朝向的不同带来后向散射过程中的差异,因而在各项极化特征中都具有较大的方差。相较于水稻和棉花,玉米拥有较大的方差,这是因为在实验数据获取期间,玉米属于V4生长期,不同地块中玉米植株朝向和生长状态不完全相同,同时,植株行列间距带来了较为规律的纹理特征,表现为玉米种植区域内的“植株-土壤-植株”排列,也降低了区域内部的均质性。
(2)水稻和棉花在Stokes参数和m-χ分解结果中表现十分类似,都具有较小的均值和方差。这是因为在实验数据获取期间,水稻和棉花处于萌芽期,其散射回波更多的受到土壤和水田表面的影响,散射能量较低且较为均匀,因而方差较小。
(3)水稻、棉花和玉米在线极化度和线极化比特征中具有相似的均值和方差,说明线极化散射能量在这三类地物的散射总功率中占据相似的比重。但是,玉米具有更高的极化度和圆极化比,意味着玉米种植区包含更多的圆极化散射能量,且去极化效应较低。
(4)水稻和棉花种植区域的主导散射机制为体散射,这与圆极化度docp和m-χ分解结果一致。但是对于玉米种植区,虽然散射角落于体散射区域,但在docp和m-χ分解结果中却表现为以表面散射为主导散射机制。这是由于docp和m-χ分解的计算基于Stokes参数,主要描述回波的能量特征,而H/α分解的计算基于相干矩阵,反映地物固有的散射机制。分析各类样本在H/α平面内的分布,可以发现水稻集中于高、中熵植被散射区,棉花集中于中熵植被散射区,玉米主要落入低熵植被散射区。
综上所述,玉米具有较高的cpr,与其他地物具有显著区别。由于m-χ分解结果可以视作是表示能量的标量,而玉米的表面散射分量十分显著,因此Vs可以进一步提高玉米种植区与其他地物的对比度。此外,建筑目标和玉米在cpr和Vs特征中具有一定程度的重叠,可能造成虚警,而在H/α平面内具有良好的可分性,因此,利用H/α分解将所有落入区域的像素滤除,可以有效降低建筑带来的误分,
地物响应分析:根据各类地物在cpr·Vs特征图像中的分布情况可知,水稻和棉花在特征图像中的均值和方差都接近于零。居民地区域由于材料、建筑形状和朝向往往具有一定的差异,因而具有较大的而均值和方差,其直方图与玉米发生了一定程度的重叠。
图2至图7分别展示了两景实验数据的玉米种植区提取结果,从整体上而言,大部分玉米种植区域被成功提取,而其他地物造成的虚警则被成功滤除。为了方便对结果的精度评价,将玉米提取结果与子区域的实际地物分布真值图进行对比,进行精度统计,其结果如表2所示。
表2
可见,本发明的算法在两景实验数据上都取得了超过80%的总体精度,证明简缩极化SAR的圆极化比和表面散射这一特征组合能有效突出玉米种植区。在两景数据中,居民地区域在总体虚警像素中只占9.8%和6.5%,证明了本发明掩膜方案的有效性。棉花在总体虚警像素中占比高达74.2%和93.5%,这是由于一些地块存在棉花和玉米的小面积混种,棉花和玉米地块的交错排布给玉米种植区的精确提取带来了一定的难度,使得部分玉米种植区形状较为破碎,这一点在B地实验区尤为明显;此外,辣椒等小面积混种的蔬菜也会造成一定的虚警。尽管如此,算法的用户精度仍然超过了90%,证明了算法的有效性。
本发明还提供了一种玉米种植区域提取装置,包括:
SAR数据获取模块,其配置为获得简缩极化SAR数据;
区域对象提取模块,其配置为根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域;
玉米种植区域生成模块,其配置为滤除所述需要滤除的区域,从而提取出所需的玉米种植区域。
应当理解的是,本领域技术人员结合上文的详细介绍,可以得到本发明的实施例的玉米种植区域提取装置的模块化架构,也可以依据本领域技术常识对本发明的实施例的玉米种植区域提取装置做不超出本发明所要求保护范围内的变化扩展,因此,本申请不再在说明书附图中以附图形式赘述相应的模块化架构。
作为优选实施方案,本发明的实施例的玉米种植区域提取装置中:所述区域对象提取模块需要滤除的区域包括建筑物掩膜区域。
作为进一步优选方案,本发明的实施例的玉米种植区域提取装置中:所述区域对象提取模块,其进一步配置为根据所述简缩极化SAR数据提取玉米种植区域初始结果及建筑物掩膜区域;所述玉米种植区域生成模块,其进一步配置为从所述玉米种植区域初始结果中滤除所述建筑物掩膜区域,从而提取出玉米种植区域最终结果。
本发明还提供了一种种植区域提取系统,包括如上所述的玉米种植区域提取装置。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种玉米种植区域提取方法,包括:
获得简缩极化SAR数据;
根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域;
滤除所述需要滤除的区域,从而提取出所需的玉米种植区域。
2.根据权利要求1所述的玉米种植区域提取方法,其中,所述需要滤除的区域包括建筑物掩膜区域。
3.根据权利要求2所述的玉米种植区域提取方法,其中:
根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域包括:
根据所述简缩极化SAR数据提取第一玉米种植区域及建筑物掩膜区域;
滤除所述需要滤除的区域,从而提取出所需的玉米种植区域包括:
从所述初始玉米种植区域中滤除所述建筑物掩膜区域,从而提取出玉米种植区域最终结果。
4.根据权利要求2所述的玉米种植区域提取方法,其中,所述玉米种植区域初始结果通过下述方式获得:
从所述简缩极化SAR数据提取圆极化比cpr及m-χ分解的表面散射分量Vs;
根据cpr与Vs的乘积,利用OTSU自动阈值分割算法获得所述玉米种植区初始结果。
5.根据权利要求2所述的玉米种植区域提取方法,其中,所述建筑物掩膜区域通过下述方式获得:
对所述简缩极化SAR数据进行H/α分解,从而构造所述建筑物掩膜区域。
6.根据权利要求1所述的玉米种植区域提取方法,其中,获得简缩极化SAR数据中,简缩极化SAR数据由全极化SAR数据模拟得到。
7.一种玉米种植区域提取装置,包括:
SAR数据获取模块,其配置为获得简缩极化SAR数据;
区域对象提取模块,其配置为根据所述简缩极化SAR数据提取玉米种植区域初始结果,及需要滤除的区域;
玉米种植区域生成模块,其配置为滤除所述需要滤除的区域,从而提取出所需的玉米种植区域最终结果。
8.根据权利要求7所述的装置,其中:
所述区域对象提取模块需要滤除的区域包括建筑物掩膜区域。
9.根据权利要求8所述的装置,其中:
所述区域对象提取模块,其进一步配置为根据所述简缩极化SAR数据提取玉米种植区域初始结果及建筑物掩膜区域;
所述玉米种植区域生成模块,其进一步配置为从所述玉米种植区域初始结果中滤除所述建筑物掩膜区域,从而提取出玉米种植区域最终结果。
10.一种种植区域提取系统,包括如权利要求7至9中任一项所述的玉米种植区域提取装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909865.3A CN109583283A (zh) | 2017-09-29 | 2017-09-29 | 玉米种植区域提取方法、装置及种植区域提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909865.3A CN109583283A (zh) | 2017-09-29 | 2017-09-29 | 玉米种植区域提取方法、装置及种植区域提取系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109583283A true CN109583283A (zh) | 2019-04-05 |
Family
ID=65918925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710909865.3A Pending CN109583283A (zh) | 2017-09-29 | 2017-09-29 | 玉米种植区域提取方法、装置及种植区域提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583283A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540157A (zh) * | 2010-12-08 | 2012-07-04 | 中国科学院电子学研究所 | 一种基于简缩极化合成孔径雷达数据的地物分类方法 |
CN105469408A (zh) * | 2015-11-30 | 2016-04-06 | 东南大学 | 一种sar图像建筑群分割方法 |
CN105528596A (zh) * | 2016-02-03 | 2016-04-27 | 长江大学 | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 |
KR20160050322A (ko) * | 2014-10-29 | 2016-05-11 | 한국해양과학기술원 | 타깃 탐지의 정확성 개선 방법 |
-
2017
- 2017-09-29 CN CN201710909865.3A patent/CN109583283A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540157A (zh) * | 2010-12-08 | 2012-07-04 | 中国科学院电子学研究所 | 一种基于简缩极化合成孔径雷达数据的地物分类方法 |
KR20160050322A (ko) * | 2014-10-29 | 2016-05-11 | 한국해양과학기술원 | 타깃 탐지의 정확성 개선 방법 |
CN105469408A (zh) * | 2015-11-30 | 2016-04-06 | 东南大学 | 一种sar图像建筑群分割方法 |
CN105528596A (zh) * | 2016-02-03 | 2016-04-27 | 长江大学 | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 |
Non-Patent Citations (11)
Title |
---|
周梦维等: "全波形激光雷达和航空影像联合的地物分类", 《遥感技术与应用》 * |
张军等: "基于极化SAR数据的图像分类识别算法", 《火控雷达技术》 * |
张红等: "简缩极化SAR数据信息提取与应用", 《中国图象图形学报》 * |
杨威等: "张量投票的机载LiDAR数据建筑物自动提取", 《测绘科学》 * |
段连飞等: "基于BP神经网络的机载高分辨率SAR图像分类方法研究", 《测绘通报》 * |
王尔美等: "基于光谱特征分异的玉米种植面积提取", 《江苏农业学报》 * |
王平等: "基于全极化SAR与多光谱的喀斯特山区农村林地提取", 《中国农业资源与区划》 * |
王海波等: "基于加权SVM和m-χ分解的简缩极化SAR图像舰船检测", 《太赫兹科学与电子信息学报》 * |
翟玮等: "基于极化SAR的城市建筑物提取", 《甘肃科技》 * |
谈璐璐等: "合成孔径雷达简缩极化干涉数据的植被高度反演技术研究", 《电子与信息学报》 * |
谢镭等: "一种新的简缩极化SAR图像H/α特征空间", 《遥感技术与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Crop phenology retrieval via polarimetric SAR decomposition and Random Forest algorithm | |
Kuenzer et al. | Remote sensing of rice crop areas | |
McNairn et al. | A review of multitemporal synthetic aperture radar (SAR) for crop monitoring | |
Bouvet et al. | Monitoring of the rice cropping system in the Mekong Delta using ENVISAT/ASAR dual polarization data | |
Lee et al. | Polarimetric SAR speckle filtering and the extended sigma filter | |
Wu et al. | Rice crop monitoring in South China with RADARSAT-2 quad-polarization SAR data | |
Yang et al. | Rice growth monitoring using simulated compact polarimetric C band SAR | |
Yonezawa et al. | Growth monitoring and classification of rice fields using multitemporal RADARSAT-2 full-polarimetric data | |
Hou et al. | Comprehensive assessment of fertilization, spatial variability of soil chemical properties, and relationships among nutrients, apple yield and orchard age: A case study in Luochuan County, China | |
Alonso González et al. | Polarimetric SAR time series change analysis over agricultural areas | |
CN110110595A (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
Kotsuki et al. | SACRA–a method for the estimation of global high-resolution crop calendars from a satellite-sensed NDVI | |
Zhao et al. | Using satellite remote sensing to understand maize yield gaps in the North China Plain | |
Chen et al. | Potential of RADARSAT-2 data on identifying sugarcane lodging caused by typhoon | |
WO2023109652A1 (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
Ahmed et al. | Probability density functions based classification of MODIS NDVI time series data and monitoring of vegetation growth cycle | |
Yuzugullu et al. | Assessment of paddy rice height: Sequential inversion of coherent and incoherent models | |
Lopez-Sanchez et al. | Estimating phenology of agricultural crops from space | |
Satalino et al. | COSMO-SkyMed multi-temporal data for land cover classification and soil moisture retrieval over an agricultural site in Southern Australia | |
Nurtyawan et al. | Satellite imagery for classification of rice growth phase using freeman decomposition in Indramayu, West Java, Indonesia | |
CN109583283A (zh) | 玉米种植区域提取方法、装置及种植区域提取系统 | |
Liu et al. | An approach for heavy metal pollution detected from spatio-temporal stability of stress in rice using satellite images | |
Haldar et al. | Jute crop discrimination and biophysical parameter monitoring using multi-parametric SAR data in West Bengal, India | |
Uppala et al. | Identification of optimal single date for rice crop discrimination and relationships between backscatter and biophysical parameters using RISAT-1 hybrid polarimetric SAR data | |
Li et al. | Polarization signature analysis of paddy rice in southern China |
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: 20190405 |