CN109583378A - 一种植被覆盖度提取方法及系统 - Google Patents
一种植被覆盖度提取方法及系统 Download PDFInfo
- Publication number
- CN109583378A CN109583378A CN201811453184.1A CN201811453184A CN109583378A CN 109583378 A CN109583378 A CN 109583378A CN 201811453184 A CN201811453184 A CN 201811453184A CN 109583378 A CN109583378 A CN 109583378A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- image
- aerial images
- coverage
- vegetation coverage
- 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
- 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
- G06T7/10—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
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种植被覆盖度提取方法及系统。该方法包括:获取通过无人机采集的航拍影像;对航拍影像进行去噪处理;对去除噪声后的航拍影像进行图像增强处理;计算图像增强处理后的航拍影像的植被指数,得到植被指数图像;以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从植被指数图像中分割出来,从而得到植被覆盖度。本发明的植被覆盖度提取方法及系统,能够提高图像拍摄的稳定性和植被覆盖度提取的精度。
Description
技术领域
本发明涉及遥感技术领域,特别是涉及一种植被覆盖度提取方法及系统。
背景技术
植被覆盖度(Fractional Vegetation Cover,FVC)是植被在地面的垂直投影面积占研究区总面积的百分比,可以表示植被的茂密程度及植物进行光合作用面积的大小,是表征陆地植被质量和具有一定密度的多种植物生长动态的重要参数,也是气象数值模型、水文生态模型的重要因子。
目前,传统的地面测量植被覆盖度由于人力、物力、财力等多方面的限制及,很难提供大尺度区域内植被覆盖度的结构及其分布状况。遥感技术可以获取大范围内的数据,能够周期性观测,并且由于其空间分辨率、光谱分辨率及其时相特征的多样性,已经成为监测区域乃至全球植被覆盖度的主要方法,然而,在植被覆盖度遥感估算方法中,回归模型法、分类决策树法、人工神经网络法等不仅在建立模型时需要地面实测植被覆盖度,而且也需要地面实测数据进一步验证模型的准确性;植被指数法、像元分解模型法仅需要地面实测数据进一步验证。目前,由于数字摄影技术的快速发展,将数码相机与数字图像处理技术结合的照相法,因其具有效率高、速度快、价格便宜,高质量等优势,已被广泛用于估算地面植被覆盖度,并日趋成熟,照相法不仅促进了地面测量植被覆盖度的发展,而且已经成为使用遥感技术在大区域内监测植被覆盖度的可靠辅助手段和验证方法。利用照相法获取地面数据时,必须保障相机与地面保持一定高度水平垂直拍摄,一般手持相机拍摄高度不够,但利用长杆挑起相机拍摄又不能保持相机的稳定性,如果照相法获取的样方大小无法与遥感数据的空间分辨率相匹配,将会影响遥感技术估算植被覆盖度的精度。
发明内容
本发明的目的是提供一种植被覆盖度提取方法及系统,提高图像拍摄的稳定性和植被覆盖度提取的精度。
为实现上述目的,本发明提供了如下方案:
一种植被覆盖度提取方法,包括:
获取通过无人机在预设高度飞行时利用机载数码相机采集的航拍影像;
对所述航拍影像进行去噪处理;
对去除噪声后的航拍影像进行图像增强处理;
计算图像增强处理后的航拍影像的植被指数,得到植被指数图像;
以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度。
可选的,所述对所述航拍影像进行去噪处理,具体包括:
利用开关中值滤波方法消除所述航拍影像中的脉冲噪声;
利用基于维纳滤波的小波变换方法消除所述航拍影像中的高斯噪声。
可选的,所述对去除噪声后的航拍影像进行图像增强处理,具体包括:
利用直方图均衡化方法对去除噪声后的航拍影像进行图像增强处理。
可选的,所述所述植被指数为过绿植被指数或颜色植被指数。
可选的,所述以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度,具体包括:
获取预设的初始种群数量、最大迭代次数、交叉概率、变异概率和预设平均适应度差值,以各个类别的信息熵的判别函数为适应度函数,以产生的随机数为初始分割阈值,利用轮盘赌法进行个体遗传,从而对所述植被类型图像按地物类型进行分割;
当相邻两代平均适应度差值小于预设平均适应度差值或繁殖代数达到所述最大迭代次数时,完成分割,得到分割后的图像;
计算分割后的图像中植被类型的覆盖度,得到植被覆盖度。
本发明还公开一种植被覆盖度提取系统,包括:
影像获取模块,用于获取通过无人机在预设高度飞行时利用机载数码相机采集的航拍影像;
去噪模块,用于对所述航拍影像进行去噪处理;
图像增强模块,用于对去除噪声后的航拍影像进行图像增强处理;
指数计算模块,用于计算图像增强处理后的航拍影像的植被指数,得到植被指数图像;
分割模块,用于以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度。
可选的,所述去噪模块,具体包括:
脉冲噪声滤除单元,用于利用开关中值滤波方法消除所述航拍影像中的脉冲噪声;
高斯噪声滤除单元,用于利用基于维纳滤波的小波变换方法消除所述航拍影像中的高斯噪声。
可选的,所述图像增强模块,具体包括:
直方图均衡单元,用于利用直方图均衡化方法对去除噪声后的航拍影像进行图像增强处理。
可选的,所述所述植被指数为过绿植被指数或颜色植被指数。
可选的,所述分割模块,具体包括:
遗传单元,用于获取预设的初始种群数量、最大迭代次数、交叉概率、变异概率和预设平均适应度差值,以各个类别的信息熵的判别函数为适应度函数,以产生的随机数为初始分割阈值,利用轮盘赌法进行个体遗传,从而对所述植被类型图像按地物类型进行分割;
迭代结束单元,用于当相邻两代平均适应度差值小于预设平均适应度差值或繁殖代数达到所述最大迭代次数时,完成分割,得到分割后的图像;
覆盖度计算单元,用于计算分割后的图像中植被类型的覆盖度,得到植被覆盖度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明所公开的植被覆盖度提取方法及系统,将无人机、数码相机与数字图像处理技术结合起来,通过无人机承载数码相机采集影像,保证了影像采集过程中数码相机的稳定性,同时无人机可在指定高度飞行,保证了数码相机与地面保持一定的距离,从而使得采集面满足要求,能够实现各种大小的样方的采集,保证样方大小与遥感数据的空间分辨率相匹配,提高植被覆盖度的提取精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明植被覆盖度提取方法实施例的方法流程图;
图2为本发明植被覆盖度提取方法实施例的在内蒙古呼伦贝尔草原进行影像采集时的样方布设图;
图3为本发明植被覆盖度提取方法实施例的对Y5样地的图像进行去噪和图像增强前后的直方图对比图;
图4为本发明植被覆盖度提取方法实施例的对Y5样地的图像进行图像增强前后的图像对比图;
图5为本发明植被覆盖度提取系统实施例的系统结构图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明的目的是提供一种植被覆盖度提取方法及系统,提高图像拍摄的稳定性和植被覆盖度提取的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,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。
实施例1:
图1为本发明植被覆盖度提取方法实施例的方法流程图。
参见图1,该植被覆盖度提取方法,包括:
步骤101:获取通过无人机在预设高度飞行时利用机载数码相机采集的航拍影像。作为一种具体实施方式,数码相机拍摄的航拍影像的样方大小为60m×60m。无人机飞行在样方上方100m左右,获取无人机航拍遥感数据。利用GPS记录每个样方的地理坐标。
以内蒙古呼伦贝尔草原为例,该地区植被类型与生长状况具有多样性,下垫面较为复杂,植被类型分布有星毛委陵菜、铁杆蒿、黄花蒿、黄芥、羊草、针茅等,植被覆盖度较高。
图2为本发明植被覆盖度提取方法实施例的在内蒙古呼伦贝尔草原进行影像采集时的样方布设图。
参见图2,在该地区获取航拍影像时,除获取60m×60m的大样方数据外,还利用利用索尼SELP1650数码相机在地区上方1m处垂直拍摄获取数据获取的1m×1m小样方数据,在无人机大样方周围布设9个1m×1m小样方。同时记录1m×1m小样方内的植被类型、地貌环境。表1为内蒙古呼伦贝尔草原的植被类型和地貌环境列表。
表1
小样方数据采集的目的在于进一步验证无人机估算植被覆盖度的精度。
步骤102:对所述航拍影像进行去噪处理。
该步骤102,具体包括:
利用开关中值滤波方法消除所述航拍影像中的脉冲噪声;
利用基于维纳滤波的小波变换方法消除所述航拍影像中的高斯噪声。
开关中值滤波对图像噪声点进行检测,只对检测到的噪声点采用标准中值滤波处理。开关中值滤波的具体方法如下:
G(i,j)表示无人机图像中的灰度值,Max与Min分别表示无人机图像中的像素灰度值最大值与最小值,利用M模板滑动覆盖,其中M模板的大小为3×3的窗口,模版中心像素灰度值记为H(i,j),则M模板覆盖的像素灰度值集合为HM(i,j)={H(i+m,j+n)|m,n=-1,0,1},
以最大灰度值为255为例说明,本文中对满足以下条件的记为噪声点,并进行标准中值滤波处理。
(1)如果H(i,j)=255,则记录H(i,j)为噪声点;
(2)如果H(i,j)=0,则记录H(i,j)为噪声点。
利用M模版对噪声点进行标准中值滤波处理的方式为:在M模版中检测到噪声点则用M模版覆盖的像素灰度值集合的中值代替。
基于维纳滤波的小波变换进行高斯噪声消除的方法如下:
小波变换图像去噪中使用的为小区域的波,其波形长度有限,并且平均值为零。当对消除脉冲噪声后的无人机图像使用一级小波分解后,会得到四个子频带(对于二维图像信号,可以用分别在水平和垂直方向先后进行滤波的方法实现一级小波分解),分别为低频分量LL、垂直方向分量LH、水平方向分量HL和对角线方向分量HH。低频分量LL是由行、列两个方向利用低通小波滤波器卷积后产生的小波系数,是图像的近似表示。水平方向分量HL是在行方向利用低通小波滤波器卷积后,再用高通小波滤波器在列方向卷积而产生的小波系数,表示图像的水平方向奇异特性。垂直方向分量LH是在行方向利用高通小波滤波器卷积后,再用低通小波滤波器在列方向卷积而产生的小波系数,表示图像的垂直方向奇异特性。对角线方向分量HH是由行列两个方向利用高通小波滤波器卷积后产生的小波系数,表示图像的对角边缘特性。
其中LL最为接近分解前的图像,保留了大量原始信息,具有较好的信息鲁棒性,LH、HL、HH三个中高频分量主要是图像的纹理与边缘信息,信息稳定性较差。维纳滤波是经典的消除高斯白噪声的方法,是以最小均方误差为准则,对图像中的高斯白噪声具有非常有效的去噪效果。
基于维纳滤波的小波变换去噪步骤如下:
(1)对去除脉冲噪声的无人机图像使用一级小波分解,分别得到LL、LH、HL、HH;
(2)由于LL中保留了大部分原始信息,故不做去噪处理,LH、HL、HH利用维纳滤波器进行去噪处理;
(3)对LL、LH、HL、HH进行小波重构,得到去噪后的图像。
步骤103:对去除噪声后的航拍影像进行图像增强处理;即利用直方图均衡化方法对去除噪声后的航拍影像进行图像增强处理,从而加强植被与背景的对比度。
直方图均衡化的基本思想是将原始图像中的灰度直方图经变换成为均匀分布的形式,变换后的图像灰度级(灰度级:灰度级表示灰度图像中最暗-最亮灰度值间的分级。灰度级越大,图像的亮度范围越大。例如:8bit位的灰度图像的灰度级为0-255共256个灰度级)出现的概率大致一样,实现图像对比度的增强。直方图均衡化是以图像各灰度级概率的累积分布函数作为变换函数,经过变换后,得到灰度概率密度均匀分布的图像,累积分布函数可表示为:
其中,rj为变换前的归一化灰度级,T(rk)为变换函数,sk为变换后的归一化灰度级,nj为原图像中出现第k级灰度级的像素个数,n为图像中像素的总数,pr(rj)为变换前图像取第级灰度值的概率。
由于上面求得的s是0到1之间的,然后乘以设置的最大灰度级,就得到新图像的灰度值。
由于上面求得的s是0到1之间的,然后乘以255或者设置的最大灰度级,就得到新图像的灰度值。
图3为本发明植被覆盖度提取方法实施例的对Y5样地的图像进行去噪和图像增强前后的直方图对比图。
图4为本发明植被覆盖度提取方法实施例的对Y5样地的图像进行图像增强前后的图像对比图。
参见图3,利用开关中值滤波与基于维纳滤波的小波变换对无人机图像进行图像去噪后,直方图较为平滑,并且在灰度值为0与255处没有值,消除了噪声对图像的影响。
参见图3和图4,利用直方图均衡化对去噪后的无人机图像进行图像增强,增强前后的直方图与增强前后的图像显示,无人机图像经过均衡化后,各灰度等级分布比较均匀,植被与土壤背景之间差别明显。
步骤104:计算图像增强处理后的航拍影像的植被指数,得到植被指数图像;所述所述植被指数为过绿植被指数或颜色植被指数。
由于无人机获取的数据只有红、绿、蓝三种波段,植被与背景(裸土、阴影、砂石等)颜色差异的计算选择过绿植被指数与颜色植被指数,并进行修正。
过绿植被指数(Excess green)计算公式:
当g>r且g>b时:
Exg=2×g-r-b
否则Exg=0。
颜色植被指数(Colorindex ofvegetation,CIVE)计算公式:
当g>r且g>b时:
CIVE=0.441×r-0.881×g+0.385×b+18.78745
否则CIVE=0。
其中r、g、b分别为无人机航拍图像中的红波段、绿波段、蓝波段。
步骤105:以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度。
该步骤105,具体包括:
获取预设的初始种群数量、最大迭代次数、交叉概率、变异概率和预设平均适应度差值,以各个类别的信息熵的判别函数为适应度函数,以产生的随机数为初始分割阈值,利用轮盘赌法进行个体遗传,从而对所述植被类型图像按地物类型进行分割;当相邻两代平均适应度差值小于预设平均适应度差值或繁殖代数达到所述最大迭代次数时,完成分割,得到分割后的图像;计算分割后的图像中植被类型的覆盖度,得到植被覆盖度。
依据最大熵算法原理,熵的判别函数计算如下:
植被指数图像中灰度值为i的像素个数用表示,概率用p(i)表示,即
其中N为像素总个数。
以内蒙古呼伦贝尔草原为例进行说明:
对无人机图像构建的植被指数进行图像分割时,由于裸土受湿度的影响,存在红波段与蓝波段大于绿波段的情况,因此按照地物类型需将植被指数图像分割为三类,即{C1,C2,C3}。其中,C1为植被,C2为背景,C3为受裸土影响误分的植被。假设灰度值最大为255,则C1、C2和C3对应的灰度值分别为{0,1,…,G1},{G1+1,G1+2,…,G2},…{G2+1,G2+2,…,255}。则阈值有2个,即{T1,T2}。
每个类别对应的灰度值概率为:
其中
因而,各类别的熵为:
定义熵的判别函数为:
当目标与背景的信息量最大时,即可得到熵的判别函数最大时的分割阈值,即:
遗传算法:
(1)编码:无人机图像计算的植被指数的灰度值在0-255之间,同时又使用两个阈值对图像进行分割,所以用16位二进制进行编码。
(2)设置初始种群:种群的数量设置为20,繁殖代数为100。
(3)设计适应度函数:适应度函数选择的是熵的判别函数,通过产生随机数作为初始分割阈值,计算各个个体的适应度。
(4)复制:复制操作采用轮盘赌法,将上一代适应度高的个体的染色体通过复制操作遗传到下一代。
(5)交叉:交叉概率设置为0.6,交叉操作使用的是双点交叉。交叉操作将产生适应度更强的个体,可以加快全局的寻优。
(6)变异:变异概率取0.03,防止种群在一开始取得最优分割阈值而停止进化。
(7)终止条件:当相邻两代平均适应度的差值小于0.01时,进化趋于稳定,或达到最大迭代次数时进化完成。
对无人机大样方数据进行预处理及计算植被指数,应用基于遗传算法的最大熵法提取植被覆盖度结果如表2所示,结果表明,两种植被指数估算的植被覆盖度结果、阈值1、阈值2均有一定差异,最大熵差别不大。
表2
下面利用小样方对上述植被覆盖度提取方法的精度进行验证:
结合野外同步实地照相法获取的大样方周围布设的小样方,验证无人机大样方估算草地植被覆盖度的精度。
为了定量的分析无人机大样方估算草地植被覆盖度的精度,利用手持GPS记录的控制点对无人机图像进行几何校正,并利用实地照相法获取控制点位置1m×1m小样方的植被覆盖度,数码相片的植被覆盖度选择基于遗传算法的最大熵法利用过绿指数与颜色指数计算,由于数码相片的分辨率在毫米级,相片中不存在混合像元,可以通过目视解译评价照相法估算结果的精度。基于T检验方法,利用照相法估算的1m×1m小样方的植被覆盖度验证无人机影像估算结果,并计算其均方根误差。
表3为基于无人机估算植被覆盖度与照相法估算植被覆盖度T检验结果。如表3所示,无人机影像两种植被指数的估算结果与照相法估算结果不存在显著差异(P<0.05),其中以过绿指数估算结果精度较高,T检验P值为0.272,均方根误差为6.6356,可以利用该方法估算无人机大样方草地植被覆盖度。
表3
植被指数 | T检验P值 | 均方根误差 |
过绿指数(Excess green) | 0.272 | 6.6356 |
颜色指数(Color index) | 0.068 | 6.8887 |
表4为七个样地的无人机数据估算结果均方根误差。参见表4,七个样地中,两种植被指数均以Y6样地的精度最高,Y2的精度最低。其中Y6样地为丘地低平地,沙化裸土,植被类型少,植被覆盖较低,而Y2为丘间平地,植被种类多,覆盖较高,空间异质性较强,进而导致Y2样地的估算精度低于其他样地。
表4
本发明的该实施例的植被覆盖度提取方法具有以下技术效果:
1.该方法实现了基于无人机估算草地植被覆盖度的流程化控制,并结合大样方周围的小样方进行验证,提高了估算成果的可靠性。
2.相比于传统的地面测量草地植被覆盖度的验证,该方法为遥感技术监测草地植被覆盖度模型建立与验证提供准确的辅助资料,为应用无人机遥感平台与光学卫星遥感技术结合起来估算呼伦贝尔草地植被覆盖度奠定了基础。
3.该方法成功估算草地植被覆盖度可为利用无人机监测其他类型植被覆盖度提供参考。
实施例2:
图5为本发明植被覆盖度提取系统实施例的系统结构图。
参见图5,该植被覆盖度提取系统,包括:
影像获取模块201,用于获取通过无人机在预设高度飞行时利用机载数码相机采集的航拍影像。
去噪模块202,用于对所述航拍影像进行去噪处理。
所述去噪模块202,具体包括:
脉冲噪声滤除单元,用于利用开关中值滤波方法消除所述航拍影像中的脉冲噪声;高斯噪声滤除单元,用于利用基于维纳滤波的小波变换方法消除所述航拍影像中的高斯噪声。
图像增强模块203,用于对去除噪声后的航拍影像进行图像增强处理。
所述图像增强模块203,具体包括:
直方图均衡单元,用于利用直方图均衡化方法对去除噪声后的航拍影像进行图像增强处理。
指数计算模块204,用于计算图像增强处理后的航拍影像的植被指数,得到植被指数图像;所述所述植被指数为过绿植被指数或颜色植被指数。
分割模块205,用于以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度。
所述分割模块205,具体包括:
遗传单元,用于获取预设的初始种群数量、最大迭代次数、交叉概率、变异概率和预设平均适应度差值,以各个类别的信息熵的判别函数为适应度函数,以产生的随机数为初始分割阈值,利用轮盘赌法进行个体遗传,从而对所述植被类型图像按地物类型进行分割;迭代结束单元,用于当相邻两代平均适应度差值小于预设平均适应度差值或繁殖代数达到所述最大迭代次数时,完成分割,得到分割后的图像;覆盖度计算单元,用于计算分割后的图像中植被类型的覆盖度,得到植被覆盖度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明所公开的植被覆盖度提取方法及系统,将无人机、数码相机与数字图像处理技术结合起来,通过无人机承载数码相机采集影像,保证了影像采集过程中数码相机的稳定性,同时无人机可在指定高度飞行,保证了数码相机与地面保持一定的距离,从而使得采集面满足要求,能够实现各种大小的样方的采集,保证样方大小与遥感数据的空间分辨率相匹配,提高植被覆盖度的提取精度。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种植被覆盖度提取方法,其特征在于,包括:
获取通过无人机在预设高度飞行时利用机载数码相机采集的航拍影像;
对所述航拍影像进行去噪处理;
对去除噪声后的航拍影像进行图像增强处理;
计算图像增强处理后的航拍影像的植被指数,得到植被指数图像;
以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度。
2.根据权利要求1所述的植被覆盖度提取方法,其特征在于,所述对所述航拍影像进行去噪处理,具体包括:
利用开关中值滤波方法消除所述航拍影像中的脉冲噪声;
利用基于维纳滤波的小波变换方法消除所述航拍影像中的高斯噪声。
3.根据权利要求1所述的植被覆盖度提取方法,其特征在于,所述对去除噪声后的航拍影像进行图像增强处理,具体包括:
利用直方图均衡化方法对去除噪声后的航拍影像进行图像增强处理。
4.根据权利要求1所述的植被覆盖度提取方法,其特征在于,所述所述植被指数为过绿植被指数或颜色植被指数。
5.根据权利要求1所述的植被覆盖度提取方法,其特征在于,所述以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度,具体包括:
获取预设的初始种群数量、最大迭代次数、交叉概率、变异概率和预设平均适应度差值,以各个类别的信息熵的判别函数为适应度函数,以产生的随机数为初始分割阈值,利用轮盘赌法进行个体遗传,从而对所述植被类型图像按地物类型进行分割;
当相邻两代平均适应度差值小于预设平均适应度差值或繁殖代数达到所述最大迭代次数时,完成分割,得到分割后的图像;
计算分割后的图像中植被类型的覆盖度,得到植被覆盖度。
6.一种植被覆盖度提取系统,其特征在于,包括:
影像获取模块,用于获取通过无人机在预设高度飞行时利用机载数码相机采集的航拍影像;
去噪模块,用于对所述航拍影像进行去噪处理;
图像增强模块,用于对去除噪声后的航拍影像进行图像增强处理;
指数计算模块,用于计算图像增强处理后的航拍影像的植被指数,得到植被指数图像;
分割模块,用于以各个地物类别的信息熵的判别函数为适应度函数,利用遗传算法将植被类型图像从所述植被指数图像中分割出来,从而得到植被覆盖度。
7.根据权利要求6所述的植被覆盖度提取系统,其特征在于,所述去噪模块,具体包括:
脉冲噪声滤除单元,用于利用开关中值滤波方法消除所述航拍影像中的脉冲噪声;
高斯噪声滤除单元,用于利用基于维纳滤波的小波变换方法消除所述航拍影像中的高斯噪声。
8.根据权利要求1所述的植被覆盖度提取系统,其特征在于,所述图像增强模块,具体包括:
直方图均衡单元,用于利用直方图均衡化方法对去除噪声后的航拍影像进行图像增强处理。
9.根据权利要求1所述的植被覆盖度提取系统,其特征在于,所述所述植被指数为过绿植被指数或颜色植被指数。
10.根据权利要求1所述的植被覆盖度提取系统,其特征在于,所述分割模块,具体包括:
遗传单元,用于获取预设的初始种群数量、最大迭代次数、交叉概率、变异概率和预设平均适应度差值,以各个类别的信息熵的判别函数为适应度函数,以产生的随机数为初始分割阈值,利用轮盘赌法进行个体遗传,从而对所述植被类型图像按地物类型进行分割;
迭代结束单元,用于当相邻两代平均适应度差值小于预设平均适应度差值或繁殖代数达到所述最大迭代次数时,完成分割,得到分割后的图像;
覆盖度计算单元,用于计算分割后的图像中植被类型的覆盖度,得到植被覆盖度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811453184.1A CN109583378A (zh) | 2018-11-30 | 2018-11-30 | 一种植被覆盖度提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811453184.1A CN109583378A (zh) | 2018-11-30 | 2018-11-30 | 一种植被覆盖度提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109583378A true CN109583378A (zh) | 2019-04-05 |
Family
ID=65925736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811453184.1A Pending CN109583378A (zh) | 2018-11-30 | 2018-11-30 | 一种植被覆盖度提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583378A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163138A (zh) * | 2019-05-13 | 2019-08-23 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
CN110309762A (zh) * | 2019-06-26 | 2019-10-08 | 扆亮海 | 一种基于航空遥感的林业健康评价系统 |
CN110399655A (zh) * | 2019-07-08 | 2019-11-01 | 自然资源部海洋减灾中心 | 一种基于机器学习预测植被消波的方法 |
CN110472525A (zh) * | 2019-07-26 | 2019-11-19 | 浙江工业大学 | 一种时间序列遥感植被指数的噪声检测方法 |
CN110986884A (zh) * | 2019-11-21 | 2020-04-10 | 吉林省水利水电勘测设计研究院 | 一种基于无人机航测数据预处理及植被快速识别方法 |
CN111325760A (zh) * | 2020-01-26 | 2020-06-23 | 四川大学 | 仿真植被阻水面积的确定方法 |
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN111855653A (zh) * | 2019-04-25 | 2020-10-30 | 河南中原光电测控技术有限公司 | 一种植物干旱监测方法、监测模块和监测装置 |
CN112052799A (zh) * | 2020-09-08 | 2020-12-08 | 中科光启空间信息技术有限公司 | 一种迷迭香种植分布高分辨率卫星遥感识别方法 |
CN112651987A (zh) * | 2020-12-30 | 2021-04-13 | 内蒙古自治区农牧业科学院 | 一种样方草地覆盖度计算方法及系统 |
CN113077486A (zh) * | 2021-04-30 | 2021-07-06 | 深圳世源工程技术有限公司 | 一种山区植被覆盖率监测方法及系统 |
CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN113724473A (zh) * | 2021-08-13 | 2021-11-30 | 辽宁四季环境治理工程有限公司 | 一种地质灾害滑坡监测方法 |
CN114170260A (zh) * | 2021-12-06 | 2022-03-11 | 华南农业大学 | 一种基于植被指数的实时图像叶片分割系统及其方法 |
CN114299379A (zh) * | 2021-11-01 | 2022-04-08 | 中国矿业大学(北京) | 一种基于高动态影像的阴影区植被覆盖度提取方法 |
CN114742855A (zh) * | 2022-04-11 | 2022-07-12 | 电子科技大学 | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 |
CN114170260B (zh) * | 2021-12-06 | 2024-05-31 | 华南农业大学 | 一种基于植被指数的实时图像叶片分割系统及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
-
2018
- 2018-11-30 CN CN201811453184.1A patent/CN109583378A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
Non-Patent Citations (1)
Title |
---|
刘艳慧 等: "基于无人机大样方草地植被覆盖度及生物量估算方法研究", 《生态环境学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855653A (zh) * | 2019-04-25 | 2020-10-30 | 河南中原光电测控技术有限公司 | 一种植物干旱监测方法、监测模块和监测装置 |
CN111855653B (zh) * | 2019-04-25 | 2023-11-28 | 河南中原光电测控技术有限公司 | 一种植物干旱监测方法、监测模块和监测装置 |
CN110163138B (zh) * | 2019-05-13 | 2022-03-11 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
CN110163138A (zh) * | 2019-05-13 | 2019-08-23 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
CN110309762A (zh) * | 2019-06-26 | 2019-10-08 | 扆亮海 | 一种基于航空遥感的林业健康评价系统 |
CN110399655A (zh) * | 2019-07-08 | 2019-11-01 | 自然资源部海洋减灾中心 | 一种基于机器学习预测植被消波的方法 |
CN110472525A (zh) * | 2019-07-26 | 2019-11-19 | 浙江工业大学 | 一种时间序列遥感植被指数的噪声检测方法 |
CN110986884A (zh) * | 2019-11-21 | 2020-04-10 | 吉林省水利水电勘测设计研究院 | 一种基于无人机航测数据预处理及植被快速识别方法 |
CN111325760A (zh) * | 2020-01-26 | 2020-06-23 | 四川大学 | 仿真植被阻水面积的确定方法 |
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN112052799A (zh) * | 2020-09-08 | 2020-12-08 | 中科光启空间信息技术有限公司 | 一种迷迭香种植分布高分辨率卫星遥感识别方法 |
CN112651987A (zh) * | 2020-12-30 | 2021-04-13 | 内蒙古自治区农牧业科学院 | 一种样方草地覆盖度计算方法及系统 |
CN113077486A (zh) * | 2021-04-30 | 2021-07-06 | 深圳世源工程技术有限公司 | 一种山区植被覆盖率监测方法及系统 |
CN113077486B (zh) * | 2021-04-30 | 2021-10-08 | 深圳世源工程技术有限公司 | 一种山区植被覆盖率监测方法及系统 |
CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN113592770B (zh) * | 2021-06-23 | 2024-02-23 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN113724473A (zh) * | 2021-08-13 | 2021-11-30 | 辽宁四季环境治理工程有限公司 | 一种地质灾害滑坡监测方法 |
CN114299379A (zh) * | 2021-11-01 | 2022-04-08 | 中国矿业大学(北京) | 一种基于高动态影像的阴影区植被覆盖度提取方法 |
CN114170260A (zh) * | 2021-12-06 | 2022-03-11 | 华南农业大学 | 一种基于植被指数的实时图像叶片分割系统及其方法 |
CN114170260B (zh) * | 2021-12-06 | 2024-05-31 | 华南农业大学 | 一种基于植被指数的实时图像叶片分割系统及其方法 |
CN114742855A (zh) * | 2022-04-11 | 2022-07-12 | 电子科技大学 | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583378A (zh) | 一种植被覆盖度提取方法及系统 | |
EP3408828B1 (en) | Systems and methods for detecting imaged clouds | |
CN109584204A (zh) | 一种图像噪声强度估计方法、存储介质、处理及识别装置 | |
Jiang et al. | Fog density estimation and image defogging based on surrogate modeling for optical depth | |
CN111179189B (zh) | 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质 | |
CN108416353A (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
CN113077486B (zh) | 一种山区植被覆盖率监测方法及系统 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
US9183671B2 (en) | Method for accelerating Monte Carlo renders | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN107977944A (zh) | 一种估测npp遥感图像数据生成方法 | |
CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
CN108256557A (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
CN109584192B (zh) | 基于多光谱融合的目标特征增强方法、装置与电子设备 | |
Ban et al. | RADARSAT fine-beam SAR data for land-cover mapping and change detection in the rural-urban fringe of the greater Toronto area | |
Wicaksono et al. | Integrating image at different spatial resolutions and field data for seagrass percent cover mapping | |
CN111178186A (zh) | 基于哨兵遥感数据的水稻提取方法及装置、设备 | |
CN111191530A (zh) | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 | |
CN115953312A (zh) | 一种基于单幅图像的联合去雾检测方法、装置及存储介质 | |
CN108764145A (zh) | 一种面向扎龙湿地遥感图像密度峰值聚类方法 | |
CN108764212B (zh) | 一种用于调查打草场地的遥感自动识别方法 | |
CN113469104A (zh) | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 |
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 |
Application publication date: 20190405 |
|
RJ01 | Rejection of invention patent application after publication |