CN109784320A - 人参设施农业域确定方法 - Google Patents
人参设施农业域确定方法 Download PDFInfo
- Publication number
- CN109784320A CN109784320A CN201910231386.XA CN201910231386A CN109784320A CN 109784320 A CN109784320 A CN 109784320A CN 201910231386 A CN201910231386 A CN 201910231386A CN 109784320 A CN109784320 A CN 109784320A
- Authority
- CN
- China
- Prior art keywords
- industrialized agriculture
- domain
- ginseng
- building
- ginseng industrialized
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种人参设施农业域确定方法,涉及遥感图像信息处理的技术领域,所述方法包括:在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像;对训练样本中的人参设施农业域和建筑的图像进行灰度化处理得到所述训练样本中的人参设施农业域和建筑的灰度化图;根据若干组训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI;利用分割阈值NDGI对训练样本中的人参设施农业域和建筑的灰度化图进行阈值分割得到人参设施农业域的灰度化图;根据人参设施农业域的灰度化图确定所述人参设施农业域的范围,实现对遥感图像进行系统化的计算和处理,能够确定人参分布范围,进而能够达到实时的产量监控的效果。
Description
技术领域
本发明涉及遥感图像信息处理技术领域,尤其是涉及一种人参设施农业域确定方法。
背景技术
随着遥感技术的发展,海量遥感图像中的高分辨率图像数据被应用于提取各类地物,但是关于人参种植设施农业的信息提取技术十分缺乏。现有的人参产量估算主要依赖传统的人参分布范围的调查,传统的人参分布范围调查需要大量的人力物力,人为的计算缺乏科学性。
发明内容
有鉴于此,本发明的目的在于提供一种人参设施农业域确定方法,以解决有的人参产量估算主要依赖传统的人参分布范围的调查,传统的人参分布范围调查需要大量的人力物力,人为的计算缺乏科学性的技术问题。
第一方面,本发明实施例提供了一种人参设施农业域确定方法,所述方法包括如下步骤:
在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像;
对所述训练样本中的人参设施农业域和建筑的图像进行灰度化处理得到所述训练样本中的人参设施农业域和建筑的灰度化图;
根据若干组所述训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI;
利用所述分割阈值NDGI对所述训练样本中的人参设施农业域和建筑的灰度化图进行阈值分割得到所述人参设施农业域的灰度化图;
根据所述人参设施农业域的灰度化图确定所述人参设施农业域的范围。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述根据若干组所述训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI,包括:
获取所述人参设施农业域和建筑在第一红外短波光谱波段和红色光谱波段的反射率;
将所述人参设施农业域和建筑在第一红外短波光谱波段和红色光谱波段的反射率带入到分割阈值NDGI计算公式中得到所述分割阈值NDGI。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述分割阈值NDGI计算公式如下所示:
所述Bsw1代表对象在所述第一红外短波光谱波段的反射率,所述Bred代表对象在所述红色光谱波段的反射率。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像,包括:
在预设区域的遥感图像内选取训练样本,所述训练样本中包括耕地、树木、建筑、水体和人参设施农业域的图像;
获取所述耕地、树木、建筑、水体和人参设施农业域的光谱特征;
根据所述耕地、树木、建筑、水体和人参设施农业域的光谱特征,在所述训练样本中选取人参设施农业域和建筑的图像。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像,还包括:
通过卫星获取预设区域的图像;
对所述预设区域的图像进行去除辐射量误差处理,将预处理后得到的图像作为训练样本。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述方法还包括:
获取预设验证区域的样本数据,所述预设验证区域与所述预设区域不同;
利用所述样本数据对所述人参设施农业域进行验证;
若所述人参设施农业域的范围通过验证,则输出所述人参设施农业域的范围;
若所述人参设施农业域的范围未通过验证,则重新执行所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像的步骤,直至通过验证。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述根据所述耕地、树木、建筑、水体和人参设施农业域的光谱特征,在所述训练样本中选取人参设施农业域和建筑的图像,包括:
所述光谱特征包括所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱;
将所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱的光谱特征输入预设支持向量机模型中,利用所述预设支持向量机在所述训练样本中的耕地、树木、建筑、水体和人参设施农业域进行分类,得到分类结果;
在所述分类结果中选取包含所述人参设施农业域和建筑的图像。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述支持向量机模型如下所示:
H=ω1·Bblue+ω2·Bsw1+ω3·Bsw2+b;
其中H为最优分离面,Bblue、Bsw1和Bsw2分别代表对象在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱波段的反射率,xi∈Rd,Rd代表训练的样本向量,yi∈{-1,+1}代表类别标签;k(xi,xj)=xi Txj,k(xi,xj)表示线性核函数。
第二方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例所述的人参设施农业域确定方法。
第三方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述实施例所述的人参设施农业域确定方法。
本发明实施例带来了以下有益效果:本发明通过在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像;对所述训练样本中的人参设施农业域和建筑的图像进行灰度化处理得到所述训练样本中的人参设施农业域和建筑的灰度化图;根据若干组所述训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI;利用所述分割阈值NDGI对所述训练样本中的人参设施农业域和建筑的灰度化图进行阈值分割得到所述人参设施农业域的灰度化图;根据所述人参设施农业域的灰度化图确定所述人参设施农业域的范围,实现对遥感图像进行系统化的计算,得到精确的人参分布范围。并且通过对遥感图像的系统化处理,能够确定人参分布范围,进而能够达到实时的产量监控的效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,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一种人参设施农业域确定方法流程图;
图2为本发明实施例提供的一种检测人参设施农业域和建筑的图像流程图;
图3为为本发明实施例提供的选取人参设施农业域和建筑的图像流程图;
图4为为本发明实施例提供的计算分割阈值NDGI流程图;
图5为本发明实施例提供的另一种检测人参设施农业域和建筑的图像流程图;
图6为本发明实施例提供的另一种人参设施农业域确定方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
目前现有的人参产量估算主要依赖传统的人参分布范围的调查,传统的人参分布范围调查需要大量的人力物力,人为的计算缺乏科学性,基于此,本发明实施例提供的一种人参设施农业域确定方法,实现对遥感图像进行系统化的计算,得到精确的人参分布范围。并且通过对遥感图像的系统化处理,能够确定人参分布范围,进而能够达到实时的产量监控的效果。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种人参设施农业域确定方法,如图1所示的为本发明实施例提供的一种人参设施农业域确定方法流程图,所述方法包括如下步骤:
步骤S101,在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像;
其中,所述训练样本为训练样本也称训练区,是指分析者在遥感图像上确定出来的各种地物类型的典型分布区,在本发明实施例中,所述训练样本应为人参设施农业域,但实际上还需要进行图像处理等操作,才能滤除其他类地物,确定人参设施农业域的范围。在本发明实施例中,所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像,如图2所示的为本发明实施例提供的一种检测人参设施农业域和建筑的图像流程图,包括:
步骤S201,在预设区域的遥感图像内选取训练样本,所述训练样本中包括耕地、树木、建筑、水体和人参设施农业域的图像;
步骤S202,获取所述耕地、树木、建筑、水体和人参设施农业域的光谱特征;
步骤S203,根据所述耕地、树木、建筑、水体和人参设施农业域的光谱特征,在所述训练样本中选取人参设施农业域和建筑的图像。
其中,所述地物光谱特征是自然界中任何地物都具有其自身的电磁辐射规律,如具有反射,吸收外来的紫外线、可见光、红外线和微波的某些波段的特性,它们又都具有发射某些红外线、微波的特性;少数地物还具有透射电磁波的特性,这种特性称为地物的光谱特性。如图3所示的为本发明实施例提供的选取人参设施农业域和建筑的图像流程图,所述根据所述耕地、树木、建筑、水体和人参设施农业域的光谱特征,在所述训练样本中选取人参设施农业域和建筑的图像,包括:
步骤S301,所述光谱特征包括所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱的光谱特征;
其中,所述耕地、树木和水体在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱的光谱特征为反射率低,而在所述第一红外短波光谱波段和第二红外短波光谱中,人参设施农业域和建筑的反射率高于耕地、树木和水体的反射率。利用这一特性即可对所述训练样本进行初步的分类。
步骤S302,将所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱的光谱特征输入预设支持向量机模型中,利用所述预设支持向量机在所述训练样本中的耕地、树木、建筑、水体和人参设施农业域进行分类,得到分类结果;
在本发明实施例中,所述支持向量机模型如下所示:
H=ω1·Bblue+ω2·Bsw1+ω3·Bsw2+b;
其中H为最优分离面,Bblue、Bsw1和Bsw2分别代表对象在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱波段的反射率,xi∈Rd,Rd代表训练的样本向量,yi∈{-1,+1}代表类别标签;k(xi,xj)=xi Txj,k(xi,xj)表示线性核函数。将所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱的光谱特征输入预设支持向量机模型中,计算出最优分离面H,例如:将所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱的光谱特征输入后,结算结果为H=6.436Bblue-5.885Bsw1+5.587Bsw2-0.1,若带入的数值(光谱特征)大于最优分离面时,则将其归类为人参设施农业域和建筑,若带入的数值(光谱特征)大于最优分离面时,则将其归类为耕地、树木和水体一类。在本发明实施例中选用的是线性核,即k(xi,xj)=xi Txj,时,最优分离面H的方程可以H=ω·B+b表示,支持向量机就是训练处最优分离面ω和b的值,带入该平面方程的正负来判断类别,x代表Bblue、Bsw1、Bsw2波段反射率的3维向量。利用光谱特征通过支持向量机分类将所述人参设施农业域和建筑分为一类,其他类地物为一类,选取人参设施农业域和建筑这一类,为进一步确定出人参设施农业域的范围做准备。
步骤S303,在所述分类结果中选取包含所述人参设施农业域和建筑的图像。
其中,分类结束后,选取人参设施农业域和建筑这一类用于后续计算,所述结果中选取包含所述人参设施农业域和建筑的图像。
步骤S102,对所述训练样本中的人参设施农业域和建筑的图像进行灰度化处理得到所述训练样本中的人参设施农业域和建筑的灰度化图;
其中,所述人参设施农业域和建筑的图像进行灰度化处理之后得到的灰度化图的灰度值一般在0-1之间,进行灰度化处理的目的在于进行阈值分割,最终将所述人参设施农业域分割出来,得到所述人参设施农业域的范围。
步骤S103,根据若干组所述训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI;
在本发明实施例中,如图4所示的为本发明实施例提供的计算分割阈值NDGI流程图,所述根据若干组所述训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI,包括:
步骤S401,获取所述人参设施农业域和建筑在第一红外短波光谱波段和红色光谱波段的反射率;
步骤S402,将所述人参设施农业域和建筑在第一红外短波光谱波段和红色光谱波段的反射率带入到分割阈值NDGI计算公式中得到所述分割阈值NDGI。
步骤S104,利用所述分割阈值NDGI对所述训练样本中的人参设施农业域和建筑的灰度化图进行阈值分割得到所述人参设施农业域的灰度化图;
其中,所述分割阈值NDGI计算公式如下所示:
所述Bsw1代表对象在所述第一红外短波光谱波段的反射率,所述Bred代表对象在所述红色光谱波段的反射率。所述人参设施农业域和建筑在所述第一红外短波光谱波段和红色光谱不断的反射率具有较大差异,因此建立了分割阈值NDGI,利用第一红外短波光谱波段Bsw1和红色光谱波段Bred的反射率差值将会进一步扩大两者的差异,对多组样本进行训练进而得到更为准确的分割阈值NDGI,达到分割出述人参设施农业域的灰度化图的目的。
步骤S105,根据所述人参设施农业域的灰度化图确定所述人参设施农业域的范围。
其中,通过系统化的图像处理得到的所述人参设施农业域的范围,可以用于计算人参产量,实现科学的人参产量计算方法,为药材的储备建立更精准的数据库,具体的用途可依据实际情况而定,此处不做限定。
在本发明的又一实施例中,如图5所示的为本发明实施例提供的另一种检测人参设施农业域和建筑的图像流程图,所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像,还包括:
步骤S204,通过卫星获取预设区域的图像;
步骤S205,对所述预设区域的图像进行去除辐射量误差处理,将预处理后得到的图像作为训练样本。
其中,获取遥感图像的方式途径有多种,包括:通过卫星获取预设区域的图像,通过卫星获取遥感图像需要进行辐射定标和大气校正等图像预处理,目的在于去除辐射量误差得到更加清晰精确的遥感图像,具体图像预处理的操作步骤可以依据实际情况设计,此处不做限定。另外获取遥感图像的方式不做限定,例如:通过谷歌地球获取高精度的遥感图像,可以省去的图像预处理工作。
在本发明的又一实施例中,如图6所示的为本发明实施例提供的另一种人参设施农业域确定方法流程图,所述方法还包括:
步骤S106,获取预设验证区域的样本数据,所述预设验证区域与所述预设区域不同;
步骤S107,利用所述样本数据对所述人参设施农业域进行验证;
步骤S108,若所述人参设施农业域的范围通过验证,则输出所述人参设施农业域的范围;
步骤S109,若所述人参设施农业域的范围未通过验证,则重新执行所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像的步骤,直至通过验证。
其中,本发明实施例对获取数据的来源不做限定,可以通过,例如:从谷歌地球下载预设验证区域的样本数据,将训练样本的数据通过建立混淆矩阵对分类结果进行验证,即将训练样本的训练结果带入验证数据中,验证训练样本的训练结果的准确度,计算分类结果的总体精度、制图精度、用户精度等指标,从不同的侧面评价图像分类的精度,以保证训练样本中分割出来的人参设施农业域的范围的精确度,若验证不通过,则重新执行上述提到的实施例,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,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明的又一实施例中还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例所述的人参设施农业域确定方法。其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例所提供的进行一种人参设施农业域确定方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
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。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,又例如,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通信接口,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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人参设施农业域确定方法,其特征在于,所述方法包括如下步骤:
在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像;
对所述训练样本中的人参设施农业域和建筑的图像进行灰度化处理得到所述训练样本中的人参设施农业域和建筑的灰度化图;
根据若干组所述训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI;
利用所述分割阈值NDGI对所述训练样本中的人参设施农业域和建筑的灰度化图进行阈值分割得到所述人参设施农业域的灰度化图;
根据所述人参设施农业域的灰度化图确定所述人参设施农业域的范围。
2.根据权利要求1所述的人参设施农业域确定方法,其特征在于,所述根据若干组所述训练样本中的人参设施农业域和建筑的灰度化图确定分割阈值NDGI,包括:
获取所述人参设施农业域和建筑在第一红外短波光谱和红色光谱波段的反射率;
将所述人参设施农业域和建筑在第一红外短波光谱波段和红色光谱波段的反射率带入到分割阈值NDGI计算公式中得到所述分割阈值NDGI。
3.根据权利要求2所述的人参设施农业域确定方法,其特征在于,所述分割阈值NDGI计算公式如下所示:
所述Bsw1代表对象在所述第一红外短波光谱波段的反射率,所述Bred代表对象在所述红色光谱波段的反射率。
4.根据权利要求1所述的人参设施农业域确定方法,其特征在于,所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像,包括:
在预设区域的遥感图像内选取训练样本,所述训练样本中包括耕地、树木、建筑、水体和人参设施农业域的图像;
获取所述耕地、树木、建筑、水体和人参设施农业域的光谱特征;
根据所述耕地、树木、建筑、水体和人参设施农业域的光谱特征,在所述训练样本中选取人参设施农业域和建筑的图像。
5.根据权利要求4所述的人参设施农业域确定方法,其特征在于,所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像,还包括:
通过卫星获取预设区域的图像;
对所述预设区域的图像进行去除辐射量误差处理,将预处理后得到的图像作为训练样本。
6.根据权利要求5所述的人参设施农业域确定方法,其特征在于,所述方法还包括:
获取预设验证区域的样本数据,所述预设验证区域与所述预设区域不同;
利用所述样本数据对所述人参设施农业域进行验证;
若所述人参设施农业域的范围通过验证,则输出所述人参设施农业域的范围;
若所述人参设施农业域的范围未通过验证,则重新执行所述在采集的遥感图像的训练样本中检测人参设施农业域和建筑的图像的步骤,直至通过验证。
7.根据权利要求4所述的人参设施农业域确定方法,其特征在于,所述根据所述耕地、树木、建筑、水体和人参设施农业域的光谱特征,在所述训练样本中选取人参设施农业域和建筑的图像,包括:
所述光谱特征包括所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱;
将所述耕地、树木、建筑、水体和人参设施农业域在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱的光谱特征输入预设支持向量机模型中,利用所述预设支持向量机在所述训练样本中的耕地、树木、建筑、水体和人参设施农业域进行分类,得到分类结果;
在所述分类结果中选取包含所述人参设施农业域和建筑的图像。
8.根据权利要求7所述的人参设施农业域确定方法,其特征在于,所述预设支持向量机模型如下所示:
H=ω1·Bblue+ω2·Bsw1+ω3·Bsw2+b;
其中H为最优分离面,Bblue、Bsw1和Bsw2分别代表对象在蓝色光谱、第一红外短波光谱波段和第二红外短波光谱波段的反射率,xi∈Rd,Rd代表训练的样本向量,yi∈{-1,+1}代表类别标签;k(xi,xj)=xi Txj,k(xi,xj)表示线性核函数。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一项所述的人参设施农业域确定方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-8任一所述的人参设施农业域确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231386.XA CN109784320B (zh) | 2019-03-25 | 2019-03-25 | 人参设施农业域确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231386.XA CN109784320B (zh) | 2019-03-25 | 2019-03-25 | 人参设施农业域确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784320A true CN109784320A (zh) | 2019-05-21 |
CN109784320B CN109784320B (zh) | 2021-07-30 |
Family
ID=66490498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910231386.XA Active CN109784320B (zh) | 2019-03-25 | 2019-03-25 | 人参设施农业域确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784320B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178175A (zh) * | 2019-12-12 | 2020-05-19 | 中国资源卫星应用中心 | 基于高景卫星影像的自动化建筑物信息提取方法及系统 |
CN112906627A (zh) * | 2021-03-15 | 2021-06-04 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099388A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Novel subtraction technique for computerized detection of small lung nodules in computer tomography images |
US7796815B2 (en) * | 2005-06-10 | 2010-09-14 | The Cleveland Clinic Foundation | Image analysis of biological objects |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN101976437A (zh) * | 2010-09-29 | 2011-02-16 | 中国资源卫星应用中心 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
CN104462727A (zh) * | 2014-12-31 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于动态遥感数据驱动的溢油仿真参数优化方法 |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
CN107832697A (zh) * | 2017-11-01 | 2018-03-23 | 中国科学院地理科学与资源研究所 | 三七种植信息快速提取的处理方法和系统 |
CN109299673A (zh) * | 2018-09-05 | 2019-02-01 | 中国科学院地理科学与资源研究所 | 城市群绿度空间提取方法及介质 |
CN109359583A (zh) * | 2018-10-15 | 2019-02-19 | 中国科学院地理科学与资源研究所 | 一种遥感影像中显著性面状特定目标提取方法 |
-
2019
- 2019-03-25 CN CN201910231386.XA patent/CN109784320B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099388A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Novel subtraction technique for computerized detection of small lung nodules in computer tomography images |
US7796815B2 (en) * | 2005-06-10 | 2010-09-14 | The Cleveland Clinic Foundation | Image analysis of biological objects |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN101976437A (zh) * | 2010-09-29 | 2011-02-16 | 中国资源卫星应用中心 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
CN104462727A (zh) * | 2014-12-31 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于动态遥感数据驱动的溢油仿真参数优化方法 |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
CN107832697A (zh) * | 2017-11-01 | 2018-03-23 | 中国科学院地理科学与资源研究所 | 三七种植信息快速提取的处理方法和系统 |
CN109299673A (zh) * | 2018-09-05 | 2019-02-01 | 中国科学院地理科学与资源研究所 | 城市群绿度空间提取方法及介质 |
CN109359583A (zh) * | 2018-10-15 | 2019-02-19 | 中国科学院地理科学与资源研究所 | 一种遥感影像中显著性面状特定目标提取方法 |
Non-Patent Citations (1)
Title |
---|
王政: "遥感图像厚云去除方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178175A (zh) * | 2019-12-12 | 2020-05-19 | 中国资源卫星应用中心 | 基于高景卫星影像的自动化建筑物信息提取方法及系统 |
CN112906627A (zh) * | 2021-03-15 | 2021-06-04 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
CN112906627B (zh) * | 2021-03-15 | 2022-11-15 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109784320B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778688B (zh) | 点云数据的配准方法及装置 | |
Seethepalli et al. | RhizoVision crown: an integrated hardware and software platform for root crown phenotyping | |
Li et al. | A leaf segmentation and phenotypic feature extraction framework for multiview stereo plant point clouds | |
CN109325395A (zh) | 图像的识别方法、卷积神经网络模型的训练方法及装置 | |
CN104200463B (zh) | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 | |
CN110826549A (zh) | 基于计算机视觉的巡检机器人仪表图像识别方法及系统 | |
CN105865424A (zh) | 一种基于非线性模型的多光谱遥感水深反演方法及装置 | |
Appleby et al. | Testing isotropy in the local Universe | |
CN106127758A (zh) | 一种基于虚拟现实技术的视觉检测方法及装置 | |
CN109784320A (zh) | 人参设施农业域确定方法 | |
CN109325510B (zh) | 一种基于网格统计的图像特征点匹配方法 | |
CN109635249A (zh) | 水体浊度反演模型建立方法、水体浊度检测方法及装置 | |
CN104568981A (zh) | 基于图像的建筑物墙壁缺陷测量方法及其系统 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN108564569B (zh) | 一种基于多核分类学习的混凝土裂缝检测方法及装置 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及系统 | |
CN103679639B (zh) | 基于非局部均值的图像去噪方法和装置 | |
CN107102165A (zh) | 一种基于粒子图像测速的表面流场测量方法 | |
CN109557487A (zh) | 基于残差网络的磁共振信号的时频变换和相位校正的方法 | |
Robb et al. | Semi-automated field plot segmentation from UAS imagery for experimental agriculture | |
Kong et al. | Mask R‐CNN‐based feature extraction and three‐dimensional recognition of rice panicle CT images | |
CN104992433B (zh) | 基于线段匹配的多光谱图像配准的方法及装置 | |
Ma et al. | A method for calculating and simulating phenotype of soybean based on 3D reconstruction | |
CN109377476A (zh) | 遥感影像云检测特征参数的动态阈值获取方法及装置 | |
CN104361573A (zh) | 融合颜色信息和全局信息的sift特征匹配算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |