CN109948556A - 作物分类识别方法及系统 - Google Patents
作物分类识别方法及系统 Download PDFInfo
- Publication number
- CN109948556A CN109948556A CN201910219227.8A CN201910219227A CN109948556A CN 109948556 A CN109948556 A CN 109948556A CN 201910219227 A CN201910219227 A CN 201910219227A CN 109948556 A CN109948556 A CN 109948556A
- Authority
- CN
- China
- Prior art keywords
- index
- crop
- target area
- image
- class
- 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
Abstract
本发明实施例提供了一种作物分类识别方法及系统,通过对目标区域内每项植被指数的第一类指数影像进行高斯滤波,使目标区域内每种作物的特征得到增强,通过确定出的每种作物的综合指数影像以及对应的最佳分割阈值,识别出目标区域内所有作物的区域范围,可以实现目标区域内待分类农作物的快速、精确分类,使得到的识别结果准确性更高。而且,本发明实施例中提供的作物分类识别方法,各个步骤均可进行可视化,过程清晰明了,便于对于作物识别过程的了解。
Description
技术领域
本发明实施例涉及作物分类技术领域,更具体地,涉及作物分类识别方法及系统。
背景技术
目前,利用遥感影像进行作物的识别提取是当前作物种植区域识别、面积提取的主要技术手段。
一般情况下,考虑到作物的植被特征显著,通过计算植被特征的方法,结合时序遥感影像构建时序植被指数特征,可以有效地体现作物随着生育期不断生长、成熟及收割的特征。有研究学者利用中分辨率成像光谱仪(Moderate Resolution ImagingSpectroradiometer,MODIS)得到的影像的时序归一化差分植被指数(NormalizedDifference Vegetation Index,NDVI)和增强型植被指数(Enhanced Vegetation Index,EVI)数据,对某特定地区的作物进行分类识别,精度可达到85%到90%。
然而,由于不同作物之间光谱的相似性,导致其植被指数差异很小,难以进行有效的区分。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明实施例提供了一种作物分类识别方法及系统。
第一方面,本发明实施例提供了一种作物分类识别方法,包括:
获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;
从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;
对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;
基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;
基于所述样本区对应的所述作物的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
第二方面,本发明实施例提供了一种作物分类识别系统,包括:
第一类影像获取模块,用于获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;
概率密度函数确定模块,用于从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;
第二类影像获取模块,用于对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;
综合指数影像获取模块,用于基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;
识别模块,用于基于所述样本区对应的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
第三方面,本发明实施例提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行第一方面提供的作物分类识别方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的作物分类识别方法。
本发明实施例提供的一种作物分类识别方法及系统,通过对目标区域内每项植被指数的第一类指数影像进行高斯滤波,使目标区域内每种作物的特征得到增强,通过确定出的每种作物的综合指数影像以及对应的最佳分割阈值,识别出目标区域内所有作物的区域范围,可以实现目标区域内待分类农作物的快速、精确分类,使得到的识别结果准确性更高。而且,本发明实施例中提供的作物分类识别方法,各个步骤均可进行可视化,过程清晰明了,便于对于作物识别过程的了解。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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作物分类识别方法的流程示意图;
图2为本发明实施例提供的一种作物分类识别方法中样本区的位置示意图;
图3(a)为本发明实施例中提供的一种作物分类识别方法中某种作物NDVI的概率密度函数示意图;
图3(b)为本发明实施例中提供的一种作物分类识别方法中某种作物NDVI的概率密度函数示意图;
图4为本发明实施例提供的一种作物分类识别方法的完整流程示意图;
图5为本发明实施例提供的一种作物分类识别系统的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
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作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。
在本发明实施例的描述中,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实施例和简化描述,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实施例的限制。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。
目前,利用遥感影像进行作物的识别提取是当前作物种植区域识别、面积提取的主要技术手段。但是由于不同作物之间光谱的相似性,导致其植被指数差异很小,难以进行有效的区分。
而且,随着机器学习技术的不断发展,当前已有越来越多的机器学习方法被应用到作物的分类识别中,如最大似然分类(Maximum likelihood classification,MLC)、随机森林(Random forest,RF)、支持向量机(Support vector machine,SVM)等学习方法。然而,由于采用这些学习方法实现的分类识别方法,大部分都属于“黑箱”,即输入数据后,中间的具体分类识别过程是不可见的,难以对分类识别过程进行有针对性的改进。目前还存在一种基于专家知识进行分类决策树的方法用以对作物的分类识别,但是这种方法对于专家经验的依赖性太强。
基于此,本发明实施例中提供了一种作物分类识别方法及系统。
如图1所示,本发明实施例中提供了一种作物分类识别方法,包括:
S11,获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;
S12,从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;
S13,对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;
S14,基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;
S15,基于所述样本区对应的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
具体地,本发明实施例中提供的作物分类识别方法,主要的目的是利用遥感影像对某一区域内种植的各种作物进行区域识别、面积提取,以确定区域内某种作物的种植区域。
首先,获取目标区域的卫星遥感影像,目标区域是需要确定其内每种作物的种植范围的区域,目标区域内可以包括多种作物,作物可以是目标区域内需要确定种植区域的作物,作物具体可以包括玉米、大豆等农作物,还可以包括其他农作物或非农作物,本发明实施例中在此不作具体限定。
卫星遥感影像通常是用于表征整个波段范围内地表反射率的影像,通过卫星遥感影像可以确定出每一波段对应的地表反射率。获取的卫星遥感影像应当为高分辨率的无云晴空影像,且不同种类作物的差异较为清晰。卫星遥感影像具体可以为Landsat-8影像,最高分辨率达到30m,可以清晰地确定出目标区域内多种作物的影像。
作为优选方案,本发明实施例中在获取目标区域的卫星遥感影像后,还可以对获取的目标区域的卫星遥感影像进行预处理,以去除影像中的影响因素。其中,预处理具体可以包括大气校正和几何校正等,大气校正和几何校正均可通过现有技术中提供的方法实现,本发明实施例中在此不作具体限定。
获取了目标区域的卫星遥感影像后,则可以通过卫星遥感影像中包含的地表反射率数据计算出目标区域内各项植被指数。植被指数具体可以包括归一化植被指数(Normalized difference vegetation index,NDVI)、改进归一化水体指数(Modifiednormalized difference water index,MNDWI)、短波红外均值指数(Mean of shortwaveinfrared bands,SWIRmean)以及可见光综合指数(Visible light index,VLI)。
各项植被指数可以分别通过如下公式计算:
其中,bNIR表示近红外波段对应的地表反射率,bred表示红光波段对应的地表反射率,bgreen表示绿光波段对应的地表反射率,表示短波红外波段对应的地表反射率,bSWIR1表示短波红外波段中下边缘波段对应的地表反射率,bSWIR2表示短波红外波段中上边缘波段对应的地表反射率,bcoastal表示海岸蓝波段对应的地表反射率,bblue表示蓝光波段对应的地表反射率,bgreen表示绿光波段对应的地表反射率。
计算出目标区域内各项植被指数后,确定目标区域内每项植被指数的第一类指数影像,这里的第一类主要是与后面第二类、第三类进行区分,并不起序数词限定作用。第一类指数影像的像元取值具体为对应的植被指数在像元处的取值,第一类指数影像具体可以是根据各项植被指数的取值绘制出的灰度图。
确定目标区域内每项植被指数的第一类指数影像后,从目标区域内选取样本区,样本区内包含目标区域内所有种类的作物,具体可以如图2所示,在目标区域内均匀选取合适大小的区域作为样本子区21,所有样本子区构成样本区,图2中共包含21个样本子区21。具体操作时,可以将目标区域按照5km×5km划分相同大小的网格,随机选取其中21块分别作为一个样本子区。对样本区内的所有种类的作物,采用目视解释、地面调查等方式确定每种作物的类型以及对应的地理位置。基于样本区对应的各项植被指数的第一类指数影像,确定目标区域内每种作物每项植被指数的概率密度函数,对于目标区域内作物j,每项植被指数均具有一概率密度函数。
假设目标区域内作物的种类数为m,则遍历目标区域内的每种作物,对于目标区域内的作物j(j的取值为1至m),基于确定的目标区域内作物j每项植被指数的概率密度函数对相应的第一类指数影像进行高斯滤波,确定作物j每项植被指数对应的第二类指数影像。也就是说,遍历待分类作物j的每项植被指数i(i的取值为1至n,n为植被指数的项数),通过植被指数i的概率密度函数对植被指数i对应的第一类指数影像进行高斯滤波,即可确定作物j植被指数i对应的第二类指数影像。第二类指数影像相比于第一类指数影像,相应的植被指数特征得到了增强,即第二类指数影像为增强后的指数影像。
根据样本区对应的各项植被指数的第二类指数影像,确定目标区域内每种作物每项植被指数对应的第一类最小GINI指数,可以以每种作物的每项植被指数分别作为分割标准,对每项植被指数的第二类指数影像按作物种类进行分割,确定分割过程中得到的最小的GINI指数即为植被指数对应的第一类最小GINI指数。例如,对于目标区域内的作物j,根据样本区对应的各项植被指数的第二类指数影像,即可确定出目标区域内作物j每项植被指数对应的第一类最小GINI指数,可以以作物j的每项植被指数分别作为分割标准,对每项植被指数的第二类指数影像按作物种类进行分割,确定分割过程中得到的最小的GINI指数即为植被指数对应的第一类最小GINI指数。作物j的每项植被指数均对应一个第一类最小GINI指数。
基于每种作物每项植被指数对应的第一类最小GINI指数,确定目标区域内每种作物每项植被指数的第二类指数影像的权重,基于确定的权重对目标区域内每种作物每项植被指数的第二类指数影像进行叠加得到每种作物的综合指数影像。需要说明的是,在进行叠加时,是将同种作物的不同项植被指数的第二类指数影像进行叠加,以得到针对每种作物的综合指数影像。例如,对于目标区域内的作物j,根据作物j每项植被指数对应的第一类最小GINI指数,可以确定出目标区域内作物j每项植被指数的第二类指数影像的权重,基于确定的权重对目标区域内作物j每项植被指数的第二类指数影像进行叠加得到作物j的综合指数影像。
最后,根据样本区对应的每种作物的综合指数影像,确定目标区域内每种作物对应的最佳分割阈值,并基于每种作物对应的最佳分割阈值,识别出目标区域内每种作物的区域范围。其中,可以以样本区对应的每种作物的综合指数影像的像元取值作为分割标准,对样本区对应的每种作物的综合指数影像按作物种类进行分割,确定分割过程中得到的最小的GINI指数对应的像元取值为每种作物的最佳分割阈值。然后通过确定的每种作物的最佳分割阈值,对目标区域内每种作物的综合指数影像进行分割,以识别出目标区域内每种作物的区域范围。
需要说明的是,本发明实施例中高斯滤波可以使第一类指数影像中作物j植被指数i的取值始终处于最高点附近,相当于对作物j的植被指数i的特征进行增强,以便于后续更快速的确定出作物分类识别结果。GINI指数是一种不等性度量,用来度量目标区域内作物的不同种类,目标区域内作物的种类越多,则GINI指数越大,反之则GINI指数越小。最佳分割阈值则表示分割效果最好时的分割阈值。对于作物j,通过作物j对应的最佳分割阈值对作物j的综合指数影像进行分割,可以最大化每种作物与其他作物的差异,进而识别出目标区域内每种作物的区域范围,实现作物的快速、精确分类,使得到的识别结果准确性更高。本发明实施例中提供的作物分类识别方法,通过对目标区域内每项植被指数的第一类指数影像进行高斯滤波,使目标区域内每种作物的特征得到增强,通过确定出的每种作物的综合指数影像以及对应的最佳分割阈值,识别出目标区域内所有作物的区域范围,可以实现目标区域内待分类农作物的快速、精确分类,使得到的识别结果准确性更高。而且,本发明实施例中提供的作物分类识别方法,各个步骤均可进行可视化,过程清晰明了,便于对于作物识别过程的了解。
在上述实施例的基础上,本发明实施例中还提供一种作物分类识别方法,所述基于所述样本区对应的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,具体包括:
确定所述样本区对应的所述作物的综合指数影像中第一类像元的最大取值和最小取值,从所述第一类像元的最大取值和最小取值之间等间距选取预设个数的第一类数值,将所述第一类数值分别作为分割阈值,对所述样本区对应的所述作物的综合指数影像按作物样本的种类进行分割,并计算每一分割阈值对应的GINI指数;
从计算得到的所有GINI指数中选取第二类最小GINI指数,将所述第二类最小GINI指数对应的分割阈值作为所述目标区域内所述作物对应的最佳分割阈值。
具体地,目标区域内每种作物的综合指数影像中的像元取值实际上是各种植被指数取值经加权后得到的结果,对于样本区而言,样本区内每种作物的种类和地理位置是已知的。此处的第一类像元是针对于样本区来说的,是指样本区对应的每种作物的综合指数影像中的像元。对于作物j,得到样本区对应的作物j的综合指数影像中第一类像元的最大取值和最小取值后,从第一类像元的最大取值和最小取值之间等间距选取预设个数的第一类数值,预设个数可以根据需要进行设置,例如可以为100,即将第一类像元的取值从小到大等间距划分成100份,第一类像元的最大取值和最小取值之间共可得到100个第一类数值,如公式(5)所示:
Tk=Vmin+k×(Vmax-Vmin)/(M+1),k=1,2,…,M (5)
其中,Vmin为第一类像元的最小取值,Vmax为第一类像元的最大取值,M为预设个数,Tk为第k个第一类数值。
将得到的预设个数的第一类数值分别作为分割阈值,对样本区对应的作物j的综合指数影像按作物的种类进行分割,并计算每一分割阈值对应的GINI指数。
对于一个包含m种作物的影像D,其GINI指数的计算公式如下:
其中,Gini(D)为影像D的GINI指数,pi为影像D中第i种作物出现的概率。
当影像D可以根据某一分割阈值Tk分割为D1和D2这2个子影像,则影像D的GINI指数计算如下:
其中,Gini(D,Tk)为影像D根据分割阈值Tk分割为子影像D1和D2时影像D的GINI指数,QTY(D1)为子影像D1的面积,QTY(D)为影像D的面积,Gini(D1)为子影像D1的GINI指数,Gini(D2)为子影像D2的GINI指数。Gini(D1)和Gini(D2)可以分别采用公式(6)计算得到。
对于第k个分割阈值Tk,通过公式(6)、(7)确定出对样本区对应的作物j的综合指数影像按作物的种类进行分割时对应的GINI指数。
从根据所有分割阈值计算得到的所有GINI指数中选取最小的GINI指数,即第二类最小GINI指数,将第二类最小GINI指数对应的分割阈值作为目标区域内作物j对应的最佳分割阈值Tj。
在上述实施例的基础上,本发明实施例中提供的作物分类识别方法,所述基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,具体包括:
通过如下公式确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重:
其中,Wi为所述作物第i项植被指数的第二类指数影像的权重,Ginii为所述作物第i项植被指数对应的第一类最小GINI指数,n为植被指数的项数。
具体地,本发明实施例中根据公式(8)计算目标区域内作物j植被指数i的第二类指数影像的权重,进而得到作物j每项植被指数的第二类指数影像的权重,以及每种作物每项植被指数的第二类指数影像的权重。
在上述实施例的基础上,本发明实施例中提供的作物分类识别方法,所述基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像,具体包括:
通过如下公式得到所述作物的综合指数影像:
其中,Wi为所述作物第i项植被指数的第二类指数影像的权重,Ii为所述作物第i项植被指数的第二类指数影像,I为所述作物的综合指数影像,n为植被指数的项数。
具体地,本发明实施例中根据公式(9)计算得到目标区域内作物j的综合指数影像,进而得到目标区域内每种作物的综合指数影像。
在上述实施例的基础上,本发明实施例中提供的作物分类识别方法,所述基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数,具体包括:
确定所述样本区对应的各项植被指数的第一类指数影像中每一像元的取值,并确定所述样本区内每种作物每项植被指数的均值和均方差;
基于正态分布,确定所述目标区域内每种作物每项植被指数的概率密度函数。
具体地,本发明实施例中,要想确定出目标区域内每种作物每项植被指数的概率密度函数,则对于作物j,首先需要确定样本区对应的各项植被指数的第一类指数影像中每一像元的取值,第一类指数影像中每一像元的取值实际上是各项植被指数的取值。然后确定样本区内作物j每项植被指数的均值μ和均方差σ2,然后基于正态分布,即公式(10)所示,确定所述目标区域内每种作物每项植被指数的概率密度函数,确定的概率密度函数如公式(11)所示。
X~N(μ,σ2) (10)
如图3所示,图3(a)为本发明实施例中提供的作物分类识别方法中某种作物NDVI的概率密度函数,其中μ为4330.21,σ2为950.25。图3(b)为本发明实施例中提供的作物分类识别方法中某种作物NDVI的概率密度函数,其中μ为4064.74,σ2为914.22。图3(a)和图3(b)的横坐标均为NDVI的取值,左侧纵坐标为光谱频率,右侧纵坐标为分布概率。
在上述实施例的基础上,本发明实施例中提供的作物分类识别方法,所述基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,具体包括:
对于所述样本区对应的每项植被指数的第二类指数影像,确定所述植被指数的第二类指数影像中第二类像元的最大取值和最小取值,从所述第二类像元的最大取值和最小取值之间等间距选取预设个数的第二类数值;
将所述第二类数值分别作为分割阈值,对所述植被指数的第二类指数影像按作物样本的种类进行分割,并计算每一分割阈值对应的GINI指数;
从计算得到的所有GINI指数中选取所述第一类最小GINI指数。
具体地,本发明实施例中目标区域内每种作物每项植被指数的第二类指数影像中的像元取值实际上是各种植被指数的取值,对于样本区而言,样本区内每种作物的种类和地理位置是已知的。此处的第二类像元是针对于样本区来说的,是指样本区对应的每种作物每种植被指数的第二类指数影像中的像元。对于作物j,作物j的植被指数i,得到样本区对应的作物j植被指数i的第二类指数影像中第二类像元的最大取值和最小取值后,从第二类像元的最大取值和最小取值之间等间距选取预设个数的第二类数值,预设个数可以根据需要进行设置,例如可以为100,即将第二类像元的取值从小到大等间距划分成100份,第二类像元的最大取值和最小取值之间共可得到100个第二类数值,如公式(5)所示。
将得到的预设个数的第二类数值分别作为分割阈值,对样本区对应的作物j植被指数i的第二类指数影像按作物的种类进行分割,并计算每一分割阈值对应的GINI指数。具体可以通过公式(6)、(7)计算每一分割阈值对应的GINI指数。然后从根据所有分割阈值计算得到的所有GINI指数中选取最小的GINI指数,即目标区域内作物j植被指数i对应的第一类最小GINI指数。
以目标区域内存在玉米、大豆以及其他种类的作物为例,采用本发明实施例中提供的作物分类识别方法进行同种作物区域范围的识别,最后进行精度验证,可得到本发明实施例中提供的作物分类识别方法的分类识别精度可达90.24%,表明本发明实施例中提供的方法可以有效提取目标区域内同种作物的区域范围以区分目标区域内不同种类的作物。
如图4所示为本发明实施例中提供的作物分类识别方法的完整流程示意图。首先进行影像预处理,具体是先获取Landsat-8OLI影像,然后进行大气校正、几何校正;其次,一方面进行植被指数计算,可包括对NDVI、MNDWI、SWIRmean以及VLI的计算,另一方面进行样本提取,获取样本;第三,基于概率密度函数的滤波增强和作物分类识别,具体可包括:作物各项植被指数均值和均方差的计算,概率密度函数的构建,采用概率密度函数进行的高斯滤波,计算各项植被指数对应的最小GINI指数,基于最小GINI指数计算权重,各项植被指数的指数影像加权叠加;根据目标区域内每种作物对应的最佳分割阈值确定目标区域内每种作物的区域范围,完成目标区域内的作物分类识别;绘制目标区域内作物空间分布图;最后,进行作物分类识别的精度评价,具体包括:获取Rapideye影像,然后进行目视解释,获取参考真值分类结果,基于得到的目标区域内作物空间分布图进行精度验证。
如图5所示,在上述实施例的基础上,本发明实施例中提供了一种作物分类识别系统,包括:第一类影像获取模块51、概率密度函数确定模块52、第二类影像获取模块53、综合指数影像获取模块54和识别模块55。其中,
第一类影像获取模块51用于获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;
概率密度函数确定模块52用于从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;
第二类影像获取模块53用于对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;
综合指数影像获取模块54用于基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;
识别模块55用于基于所述样本区对应的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
具体地,本发明实施例中提供的作物分类识别系统中各模块的作用与上述方法类实施例中各步骤的处理过程是一一对应的,实现的效果也是一致的,本发明实施例中对此不再赘述。
如图6所示,在上述实施例的基础上,本发明实施例中还提供了一种电子设备,包括:处理器(processor)601、存储器(memory)602、通信接口(Communications Interface)603和总线604;其中,
所述处理器601、存储器602、通信接口603通过总线604完成相互间的通信。所述存储器602存储有可被所述处理器601执行的程序指令,处理器601用于调用存储器602中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:S11,获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;S12,从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;S13,对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;S14,基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;S15,基于所述样本区对应的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
存储器602中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上,本发明实施例中还提供了非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S11,获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;S12,从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;S13,对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;S14,基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;S15,基于所述样本区对应的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种作物分类识别方法,其特征在于,包括:
获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;
从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;
对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;
基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;
基于所述样本区对应的所述作物的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
2.根据权利要求1所述的作物分类识别方法,其特征在于,所述基于所述样本区对应的所述作物的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,具体包括:
确定所述样本区对应的所述作物的综合指数影像中第一类像元的最大取值和最小取值,从所述第一类像元的最大取值和最小取值之间等间距选取预设个数的第一类数值,将所述第一类数值分别作为分割阈值,对所述样本区对应的所述作物的综合指数影像按作物样本的种类进行分割,并计算每一分割阈值对应的GINI指数;
从计算得到的所有GINI指数中选取第二类最小GINI指数,将所述第二类最小GINI指数对应的分割阈值作为所述目标区域内所述作物对应的最佳分割阈值。
3.根据权利要求1所述的作物分类识别方法,其特征在于,所述基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,具体包括:
通过如下公式确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重:
其中,Wi为所述作物第i项植被指数的第二类指数影像的权重,Ginii为所述作物第i项植被指数对应的第一类最小GINI指数,n为植被指数的项数。
4.根据权利要求3所述的作物分类识别方法,其特征在于,所述基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像,具体包括:
通过如下公式得到所述作物的综合指数影像:
其中,Wi为所述作物第i项植被指数的第二类指数影像的权重,Ii为所述作物第i项植被指数的第二类指数影像,I为所述作物的综合指数影像,n为植被指数的项数。
5.根据权利要求1-4中任一项所述的作物分类识别方法,其特征在于,所述基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数,具体包括:
确定所述样本区对应的各项植被指数的第一类指数影像中每一像元的取值,并确定所述样本区内每种作物每项植被指数的均值和均方差;
基于正态分布,确定所述目标区域内每种作物每项植被指数的概率密度函数。
6.根据权利要求1-4中任一项所述的作物分类识别方法,其特征在于,所述基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,具体包括:
对于所述样本区对应的每项植被指数的第二类指数影像,确定所述植被指数的第二类指数影像中第二类像元的最大取值和最小取值,从所述第二类像元的最大取值和最小取值之间等间距选取预设个数的第二类数值;
将所述第二类数值分别作为分割阈值,对所述植被指数的第二类指数影像按作物样本的种类进行分割,并计算每一分割阈值对应的GINI指数;
从计算得到的所有GINI指数中选取所述第一类最小GINI指数。
7.根据权利要求1-4中任一项所述的作物分类识别方法,其特征在于,所述植被指数特征具体包括:归一化植被指数、改进归一化水体指数、可见光综合指数以及短波红外均值指数。
8.一种作物分类识别系统,其特征在于,包括:
第一类影像获取模块,用于获取目标区域的卫星遥感影像,并基于所述目标区域的卫星遥感影像确定所述目标区域内各项植被指数的第一类指数影像;其中,所述目标区域内包括多种作物;
概率密度函数确定模块,用于从所述目标区域内选取样本区,所述样本区内包含所述目标区域内所有种类的作物,并基于所述样本区对应的各项植被指数的第一类指数影像,确定所述目标区域内每种作物每项植被指数的概率密度函数;
第二类影像获取模块,用于对于所述目标区域内的每种作物,基于所述作物每项植被指数的概率密度函数对所述目标区域内相应的第一类指数影像进行高斯滤波,确定所述目标区域内所述作物每项植被指数的第二类指数影像;
综合指数影像获取模块,用于基于所述样本区对应的各项植被指数的第二类指数影像,确定所述作物每项植被指数对应的第一类最小GINI指数,并基于所述作物每项植被指数对应的第一类最小GINI指数,确定所述目标区域内所述作物每项植被指数的第二类指数影像的权重,基于所述权重对所述目标区域内所述作物每项植被指数的第二类指数影像进行叠加得到所述作物的综合指数影像;
识别模块,用于基于所述样本区对应的综合指数影像,确定所述目标区域内所述作物对应的最佳分割阈值,并基于所述最佳分割阈值,识别出所述目标区域内所述作物的区域范围。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1-7中任一项所述的作物分类识别方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-7中任一项所述的作物分类识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219227.8A CN109948556B (zh) | 2019-03-21 | 2019-03-21 | 作物分类识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219227.8A CN109948556B (zh) | 2019-03-21 | 2019-03-21 | 作物分类识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948556A true CN109948556A (zh) | 2019-06-28 |
CN109948556B CN109948556B (zh) | 2020-10-27 |
Family
ID=67011231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910219227.8A Active CN109948556B (zh) | 2019-03-21 | 2019-03-21 | 作物分类识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948556B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784743A (zh) * | 2020-07-03 | 2020-10-16 | 电子科技大学 | 一种红外弱小目标检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679202A (zh) * | 2013-12-17 | 2014-03-26 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
CN104142998A (zh) * | 2014-08-01 | 2014-11-12 | 中国传媒大学 | 一种文本分类方法 |
CN105956544A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 |
CN108021874A (zh) * | 2017-11-23 | 2018-05-11 | 北京环境特性研究所 | 一种基于空-谱结合的高光谱端元提取预处理方法 |
US20180150727A1 (en) * | 2016-11-29 | 2018-05-31 | Sap Se | Object Detection in Image Data Using Depth Segmentation |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
CN108830325A (zh) * | 2018-06-20 | 2018-11-16 | 哈尔滨工业大学 | 一种基于学习的振动信息地形分类识别方法 |
CN109115770A (zh) * | 2018-06-14 | 2019-01-01 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN109241866A (zh) * | 2018-08-15 | 2019-01-18 | 中国农业科学院农业资源与农业区划研究所 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
CN109389037A (zh) * | 2018-08-30 | 2019-02-26 | 中国地质大学(武汉) | 一种基于深度森林和迁移学习的情感分类方法 |
-
2019
- 2019-03-21 CN CN201910219227.8A patent/CN109948556B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679202A (zh) * | 2013-12-17 | 2014-03-26 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
CN104142998A (zh) * | 2014-08-01 | 2014-11-12 | 中国传媒大学 | 一种文本分类方法 |
CN105956544A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 |
US20180150727A1 (en) * | 2016-11-29 | 2018-05-31 | Sap Se | Object Detection in Image Data Using Depth Segmentation |
CN108021874A (zh) * | 2017-11-23 | 2018-05-11 | 北京环境特性研究所 | 一种基于空-谱结合的高光谱端元提取预处理方法 |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
CN109115770A (zh) * | 2018-06-14 | 2019-01-01 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN108830325A (zh) * | 2018-06-20 | 2018-11-16 | 哈尔滨工业大学 | 一种基于学习的振动信息地形分类识别方法 |
CN109241866A (zh) * | 2018-08-15 | 2019-01-18 | 中国农业科学院农业资源与农业区划研究所 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
CN109389037A (zh) * | 2018-08-30 | 2019-02-26 | 中国地质大学(武汉) | 一种基于深度森林和迁移学习的情感分类方法 |
Non-Patent Citations (3)
Title |
---|
HONG Y.JEON等: "Robust Crop and Weed Segmentation under Uncontrolled Outdoor Illumination", 《SENSORS》 * |
刘德强: "基于MODIS时间序列数据的广西壮族自治区作物分类研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
林剑远等: "基于改进形态学标记分水岭算法的高分辨率遥感影像违章建筑识别研究", 《国家高分遥感专项》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784743A (zh) * | 2020-07-03 | 2020-10-16 | 电子科技大学 | 一种红外弱小目标检测方法 |
CN111784743B (zh) * | 2020-07-03 | 2022-03-29 | 电子科技大学 | 一种红外弱小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109948556B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN108764005B (zh) | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
Pacifici et al. | Automatic change detection in very high resolution images with pulse-coupled neural networks | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
CN107123150A (zh) | 全局颜色对比度检测和分割显著图的方法 | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
Csillik et al. | Cropland mapping from Sentinel-2 time series data using object-based image analysis | |
Usman | Satellite imagery land cover classification using k-means clustering algorithm computer vision for environmental information extraction | |
CN108629289B (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
Weisa et al. | Feature extraction for the identification of weed species in digital images for the purpose of site-specific weed control | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN107578441A (zh) | 热带气旋中心定位的红外亮温偏差角梯度分布均匀性方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
Roth et al. | Automated detection of individual clove trees for yield quantification in northeastern Madagascar based on multi-spectral satellite data | |
Lee et al. | Applying cellular automata to hyperspectral edge detection | |
CN108256557A (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
Guo et al. | A novel invasive plant detection approach using time series images from unmanned aerial systems based on convolutional and recurrent neural networks | |
Kuswidiyanto et al. | Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation | |
CN111753834A (zh) | 基于深度神经网络的种植地块结构语义分割方法和装置 |
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 |