CN110363176A - 一种图像分析方法及装置 - Google Patents
一种图像分析方法及装置 Download PDFInfo
- Publication number
- CN110363176A CN110363176A CN201910665178.0A CN201910665178A CN110363176A CN 110363176 A CN110363176 A CN 110363176A CN 201910665178 A CN201910665178 A CN 201910665178A CN 110363176 A CN110363176 A CN 110363176A
- Authority
- CN
- China
- Prior art keywords
- species
- aerial images
- spot
- biological characteristic
- plane
- 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
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
- G06V10/20—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图像分析方法及装置,该方法包括:获取航拍图像中每个参考目标的参考物种信息;参考物种信息包括物种类别和生物特征范围值;分别使用不同的分割尺度对航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值;实际生物特征值中包含该图斑的光谱特征和几何特征;参考目标包含于候选目标;根据每个参考目标的生物特征范围值和每个参考目标的实际生物特征值的匹配关系,确定每个物种类别的标准生物特征信息;根据标准生物特征信息和物种类别的对应关系分别对不同类型的参考模型进行训练,以得到候选识别模型;使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
Description
技术领域
本申请涉及图像分析技术,具体而言,涉及一种图像分析方法及装置。
背景技术
目前,为了精细调查草原放牧、野生动物物种数量,了解动物物种分布,需要对草原区、生态区或野生动物区域进行动物的密度和种群结构的调查,现有技术中,地面调查存在调查范围大、人力成本高、调查难度大等一系列问题,而无人机航拍相比于地面调查的调查范围大且难度较低,但对于调查范围内的动物调查、信息获取等不准确、效率低。
发明内容
有鉴于此,本申请的目的在于提供一种图像分析方法及装置,用于解决现有技术中无人机航拍无法精确获取调查区域内所有动物的图像的问题。可以精细调查动物群落结构及分布密度,实现大范围、高精度、快速的获取动物数据和组成结构,信息提取效率高,数据准确度高,节省了调查成本。
第一方面,本申请实施例提供了一种图像分析方法,该方法包括:
获取航拍图像中每个参考目标的参考物种信息;所述参考物种信息包括物种类别和生物特征范围值;
分别使用不同的分割尺度对所述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值;所述实际生物特征值中包含该图斑的光谱特征和几何特征;所述参考目标包含于候选目标;
根据每个参考目标的生物特征范围值和每个参考目标的实际生物特征值的匹配关系,确定每个物种类别的标准生物特征信息;
根据标准生物特征信息和物种类别的对应关系分别对不同类型的参考模型进行训练,以得到候选识别模型;
使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
根据第一方面,本申请实施例提供了第一方面的第一种可能的实施方案,其中,所述分别使用不同的分割尺度对所述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值,包括:
将所述航拍图像进行分块,得到航拍子图像集;
分别使用不同的分割尺度对所述航拍子图像集中的每一个航拍子图像进行分割,以得到每个分割尺度下的所述每一个航拍子图像中所有候选目标的图斑及对应的实际生物特征值;
将所有航拍子图像进行拼接,以得到每个分割尺度下所述航拍图像中的所有候选目标的图斑及对应的实际生物特征值。
根据第一方面,本申请实施例提供了第一方面的第二种可能的实施方案,其中,所述使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息,包括:
将相同的参考目标的图斑分别输入到每个候选识别模型中,并根据每个候选识别模型的输出结果,从候选识别模型中确定优选识别模型;
使用所述优选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
根据第一方面,本申请实施例提供了第一方面的第三种可能的实施方案,其中,在使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息之后,还包括:
将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;
根据航拍区域的面积和所述航拍图像中各物种的数量,得到所述航拍区域的物种分布密度。
根据第一方面,本申请实施例提供了第一方面的第四种可能的实施方案,其中,在使用所述候选识别模型对航拍图像中的每个图斑进行识别,以确定所述航拍图像中所有图斑的物种信息之后,还包括:
将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;
通过地理信息系统软件计算所述航拍图像中所有图斑的面积;
针对每个物种,根据该物种中每个图斑的面积,确认该物种的种群结构。
第二方面,本申请实施例提供了一种图像分析装置,该装置包括:
获取模块,用于获取航拍图像中每个参考目标的参考物种信息;所述参考物种信息包括物种类别和生物特征范围值;
分割模块,用于分别使用不同的分割尺度对所述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值;所述实际生物特征值中包含该图斑的光谱特征和几何特征;所述参考目标包含于候选目标;
确认模块,用于根据每个参考目标的生物特征范围值和每个参考目标的实际生物特征值的匹配关系,确定每个物种类别的标准生物特征信息;
训练模块,用于根据标准生物特征信息和物种类别的对应关系分别对不同类型的参考模型进行训练,以得到候选识别模型;
识别模块,用于使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
根据第二方面,本申请实施例提供了第二方面的第一种可能的实施方案,其中,所述分割模块,包括:
分块单元,用于将所述航拍图像进行分块,得到航拍子图像集;
子分割单元,用于分别使用不同的分割尺度对所述航拍子图像集中的每一个航拍子图像进行分割,以得到每个分割尺度下的所述每一个航拍子图像中所有候选目标的图斑及对应的实际生物特征值;
拼接单元,用于将所有航拍子图像进行拼接,以得到每个分割尺度下所述航拍图像中的所有候选目标的图斑及对应的实际生物特征值。
根据第二方面,本申请实施例提供了第二方面的第二种可能的实施方案,其中,所述识别模块,包括:
优选单元,用于将相同的参考目标的图斑分别输入到每个候选识别模型中,并根据每个候选识别模型的输出结果,从候选识别模型中确定优选识别模型;使用所述优选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
根据第二方面,本申请实施例提供了第二方面的第三种可能的实施方案,其中,在识别模块之后,还包括:
第一处理模块,用于将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;根据航拍区域的面积和所述航拍图像中各物种的数量,得到所述航拍区域的物种分布密度。
根据第二方面,本申请实施例提供了第二方面的第四种可能的实施方案,其中,在第一处理模块之后,还包括:
第二处理模块,用于将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;通过地理信息系统软件计算所述航拍图像中所有图斑的面积;针对每个物种,根据该物种中每个图斑的面积,确认该物种的种群结构。
本申请实施例提出的图像处理方法及装置,通过对航拍图像中的涵盖了所有物种的一部分个体的子图像进行参考物种信息的建立,并对航拍图像进行多尺度的图像分割得到所有个体的图斑,以此建立识别用的标准生物特征信息,然后训练出识别模型,直接对航拍图像进行生物识别,快速得到航拍图像中的物种信息,并可根据该信息得到物种分布密度和种群结构分布。本申请实施例通过使用多个不同的分割尺度对航拍图像进行图像分割,将航拍图像中不同大小的动物个体的图斑分别分割出来,有效地得到航拍图像中所有动物个体的图斑,并将图斑中的实际生物特征值与参考物种信息相结合,为识别模型的训练提供全面的数据基础,提升了识别模型的完成度,从而提高了调查结果的准确度。
为使本申请的上述目的、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申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种图像处理方法的流程示意图;
图2为本申请实施例提供的一种图像处理装置的结构示意图;
图3为本申请实施例提供的一种图像处理装置的结构示意图;
图4为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种图像分析方法,如图1所示,包括以下步骤S101-S105:
S101、获取航拍图像中每个参考目标的参考物种信息;上述参考物种信息包括物种类别和生物特征范围值。
具体地,在进行物种调查时,根据调查任务选择调查区域和适合调查区域环境的无人机设备,综合考虑调查区域的地形特征、物种结构、数据精度等因素,通过地面站设置无人机飞行的高度,并根据输入的航向重叠度和旁向重叠度参数对航拍轨迹进行规划,同时设置好拍照间隔时间,以确保无人机航拍的质量和覆盖情况。其中,航向重叠度优选范围在30%-35%,旁向重叠度优选范围在50%-60%。
在无人机完成航拍任务后,导出图片数据,并基于无人机数据软件对航拍数据进行空三加密、拼接、匀光匀色等预处理,得到航拍图像。
然后从航拍图像中找出一部分包含调查区域内各物种的部分个体的局部图像,将该局部图像中的动物个体作为参考目标,为图像中的动物个体标注物种类别和生物特征范围值。其中,生物特征范围值是指对该物种的一个特征的概括性的描述,例如,一个动物个体是羊,该调查区域的羊的颜色是白色的,那么就标注该动物个体是白色的,由于白色只是一个概括性的颜色,计算机识别颜色是由数据来识别的,所以白色从数据上要对应一个范围值,如白色的范围是RGB(255,251,240)-RGB(255,255,255)。
S102、分别使用不同的分割尺度对上述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值;上述实际生物特征值中包含该图斑的光谱特征和几何特征;上述参考目标包含于候选目标。
具体地,通过设置分割尺度进行图像分割是用固定尺度的扫描框对图像进行扫描,对恰好与扫描框契合的个体图斑进行分割。传统分割中使用一个分割尺度,若尺度过大,体型较小的个体就无法得到统计;若尺度过小,体型较大的个体也无法得到统计,为了有效地将航拍图像中所有个体的图斑都分割出来,我们用多个尺度进行分割,构建多尺度的分割构架。
例如,对于一航拍图像,先使用尺度A进行图像分割,得到尺度A下的X个图斑;再使用尺度B进行图像分割,得到尺度B下的Y个图斑;再使用尺度C进行图像分割,得到尺度C下的Z个图斑。然后将尺度A、尺度B和尺度C下的图斑分别作为该航拍图像的一个尺度层,也就得到了该航拍图像的多尺度的分割构架。根据物种的图斑分割尺度需求,自动选取不同的分割尺度。
分割得到的图斑的属性信息中包含了图斑对应的该个体的实际生物特征值,其中包含了图斑的光谱特征和几何特征。光谱特征是指图斑的光谱波段均值、标准差、最大差异、亮度等。几何特征是指图斑的面积、长度、密度、形状指数、长宽比、紧致度等。
S103、根据每个参考目标的生物特征范围值和每个参考目标的实际生物特征值的匹配关系,确定每个物种类别的标准生物特征信息。
具体地,由于每个生物个体的图像在航拍图像中的位置信息是固定的,所以根据位置信息可以将参考目标的生物特征范围值和对应的实际生物特征值相匹配,得到上述局部图像中的各物种的生物特征所对应的在图像中的真实特征值范围,也就是标准生物特征信息。
S104、根据标准生物特征信息和物种类别的对应关系分别对不同类型的参考模型进行训练,以得到候选识别模型。
具体地,不同类型的参考模型中配置了不同的图像识别算法,将上述标准生物特征信息放入各参考模型中作为图像识别的基础数据,训练得到多个候选识别模型。
S105、使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
具体地,使用各候选识别模型对航拍图像中的图斑进行识别,将各识别结果进行数据处理,得到航拍图像中所有图斑的物种信息。其中上述数据处理可以是取平均值,也可以是其他数据处理方法,本申请对此不予限制。
在一可选的实施例中,上述步骤S102,分别使用不同的分割尺度对上述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值,包括以下步骤:
1021、将上述航拍图像进行分块,得到航拍子图像集。
具体地,将航拍图像根据一定的规律划分成多个子图像。例如平分成固定个数的子图像,或者分成多个固定尺寸的子图像等。
1022、分别使用不同的分割尺度对上述航拍子图像集中的每一个航拍子图像进行分割,以得到每个分割尺度下的上述每一个航拍子图像中所有候选目标的图斑及对应的实际生物特征值。
具体地,针对每一个航拍子图像使用不同的分割尺度对航拍图像进行分割,构建多尺度的分割构架,得到各个子图像中的所包含的候选目标的图版及其实际生物特征值,也就是光谱特征和几何特征。
1023、将所有航拍子图像进行拼接,以得到每个分割尺度下上述航拍图像中的所有候选目标的图斑及对应的实际生物特征值。
具体地,根据子图像集中每一个子图像与子图像之间的关系,重新进行多尺度分割架构图像拼接,可以直接得到整幅航拍图像的多尺度分割架构。
该实施例的目的是针对整幅航拍图像进行多尺度分割的运算量较大,计算机负荷较重,效率低下,因此,将整幅航拍图像分解成多个子图像分别进行多尺度分割,然后将多尺度分割好的子图像重新拼接到一起,得到多尺度分割后的航拍图像,通过子图像间的并行计算,提高了效率。
在一可选的实施例中,上述步骤S105,使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息,包括:
1051、将相同的参考目标的图斑分别输入到每个候选识别模型中,并根据每个候选识别模型的输出结果,从候选识别模型中确定优选识别模型。
具体地,将上述局部图像中的参考目标对应的图斑分别输入到每一个候选识别模型中,得到的输出结果与正确的结果做比对,选取准确率最高的识别模型,作为优选识别模型。
1052、使用上述优选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
在一可选的实施例中,在步骤S105之后,还包括:
106、将上述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量。
107、根据航拍区域的面积和上述航拍图像中各物种的数量,得到上述航拍区域的物种分布密度。
具体地,将航拍图像中所有图斑的物种信息导入地理信息系统软件后,可以通过地理信息系统软件中的功能,统计航拍图像中各物种的数量,各物种的数量与航拍区域的面积的比值就是各物种在该航拍区域的分布密度。
在一可选的实施例中,在步骤105之后,还包括:
108、将上述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量。
109、通过地理信息系统软件计算上述航拍图像中所有图斑的面积。
110、针对每个物种,根据该物种中每个图斑的面积,确认该物种的种群结构。
具体地,通过地理信息系统软件的功能来计算航拍图像中所有图斑的面积,由于相同物种在不同的生长阶段的体型不同,所以图斑的面积也有所不同,根据图斑面积大小区分相同物种的生长阶段,以获得该物种在航拍区域的种群分布。
本申请实施例提供了一种图像分析装置,如图2所示,包括:
获取模块21,用于获取航拍图像中每个参考目标的参考物种信息;上述参考物种信息包括物种类别和生物特征范围值。
具体地,在进行物种调查时,根据调查任务选择调查区域和适合调查区域环境的无人机设备,综合考虑调查区域的地形特征、物种结构、数据精度等因素,通过地面站设置无人机飞行的高度,并根据输入的航向重叠度和旁向重叠度参数对航拍轨迹进行规划,同时设置好拍照间隔时间,以确保无人机航拍的质量和覆盖情况。其中,航向重叠度优选范围在30%-35%,旁向重叠度优选范围在50%-60%。
在无人机完成航拍任务后,导出图片数据,并基于无人机数据软件对航拍数据进行空三加密、拼接、匀光匀色等预处理,得到航拍图像。
然后从航拍图像中找出一部分包含调查区域内各物种的部分个体的局部图像,将该局部图像中的动物个体作为参考目标,为图像中的动物个体标注物种类别和生物特征范围值。其中,生物特征范围值是指对该物种的一个特征的概括性的描述,例如,一个动物个体是羊,该调查区域的羊的颜色是白色的,那么就标注该动物个体是白色的,由于白色只是一个概括性的颜色,计算机识别颜色是由数据来识别的,所以白色从数据上要对应一个范围值,如白色的范围是RGB(255,251,240)-RGB(255,255,255)。
分割模块22,用于分别使用不同的分割尺度对上述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值;上述实际生物特征值中包含该图斑的光谱特征和几何特征;上述参考目标包含于候选目标。
具体地,由于不同物种的在航拍图像中的图斑大小不一,分割尺度的大小决定了分割出来的图斑的大小,因此,一个分割尺度难以对所有生物个体的图斑进行合理地分割,为了更准确的分割出所有生物个体的图斑,需要使用不同的分割尺度对航拍图像进行分割,构建多层次多尺度的分割构架。方便根据物种的图斑分割尺度需求,自动选取不同的分割尺度。
分割得到的图斑的属性信息中包含了图斑对应的该个体的实际生物特征值,其中包含了图斑的光谱特征和几何特征。光谱特征是指图斑的光谱波段均值、标准差、最大差异、亮度等。几何特征是指图斑的面积、长度、密度、形状指数、长宽比、紧致度等。
确认模块23,用于根据每个参考目标的生物特征范围值和每个参考目标的实际生物特征值的匹配关系,确定每个物种类别的标准生物特征信息。
具体地,由于每个生物个体的图像在航拍图像中的位置信息是固定的,所以根据位置信息可以将参考目标的生物特征范围值和对应的实际生物特征值相匹配,得到上述局部图像中的各物种的生物特征所对应的在图像中的真实特征值范围,也就是标准生物特征信息。
训练模块24,用于根据标准生物特征信息和物种类别的对应关系分别对不同类型的参考模型进行训练,以得到候选识别模型。
具体地,不同类型的参考模型中配置了不同的图像识别算法,将上述标准生物特征信息放入各参考模型中作为图像识别的基础数据,训练得到多个候选识别模型。
识别模块25,用于使用候选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
具体地,使用各候选识别模型对航拍图像中的图斑进行识别,将各识别结果进行数据处理,得到航拍图像中所有图斑的物种信息。其中上述数据处理可以是取平均值,也可以是其他数据处理方法,本申请对此不予限制。
在一可选的实施例中,上述分割模块22,包括:
分块单元221,用于将上述航拍图像进行分块,得到航拍子图像集。
具体地,将航拍图像根据一定的规律划分成多个子图像。例如平分成固定个数的子图像,或者分成多个固定尺寸的子图像等。
子分割单元222,用于分别使用不同的分割尺度对上述航拍子图像集中的每一个航拍子图像进行分割,以得到每个分割尺度下的上述每一个航拍子图像中所有候选目标的图斑及对应的实际生物特征值。
具体地,针对每一个航拍子图像使用不同的分割尺度对航拍图像进行分割,构建多尺度的分割构架,得到各个子图像中的所包含的候选目标的图版及其实际生物特征值,也就是光谱特征和几何特征。
拼接单元223,用于将所有航拍子图像进行拼接,以得到每个分割尺度下上述航拍图像中的所有候选目标的图斑及对应的实际生物特征值。
具体地,根据子图像集中每一个子图像与子图像之间的关系,重新进行多尺度分割架构图像拼接,可以直接得到整幅航拍图像的多尺度分割架构。
在一可选的实施例中,上述识别模块25,包括:
优选单元251,用于将相同的参考目标的图斑分别输入到每个候选识别模型中,并根据每个候选识别模型的输出结果,从候选识别模型中确定优选识别模型;使用上述优选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
具体地,将上述局部图像中的参考目标对应的图斑分别输入到每一个候选识别模型中,得到的输出结果与正确的结果做比对,选取准确率最高的识别模型,作为优选识别模型。然后使用该优选识别模型对航拍图像进行识别。
在一可选的实施例中,在识别模块25之后,如图3所示,还包括:
第一处理模块26,用于将上述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;根据航拍区域的面积和上述航拍图像中各物种的数量,得到上述航拍区域的物种分布密度。
具体地,将航拍图像中所有图斑的物种信息导入地理信息系统软件后,可以通过地理信息系统软件中的功能,统计航拍图像中各物种的数量,各物种的数量与航拍区域的面积的比值就是各物种在该航拍区域的分布密度。
在一可选的实施例中,在第一处理模块26之后,如图3所示,还包括:
第二处理模块27,将上述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;通过地理信息系统软件计算上述航拍图像中所有图斑的面积;针对每个物种,根据该物种中每个图斑的面积,确认该物种的种群结构。
具体地,通过地理信息系统软件的功能来计算航拍图像中所有图斑的面积,由于相同物种在不同的生长阶段的体型不同,所以图斑的面积也有所不同,根据图斑面积大小区分相同物种的生长阶段,以获得该物种在航拍区域的种群分布。
对应于图1中的图像分析方法,本申请实施例还提供了一种计算机设备400,如图4所示,该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机程序时实现上述图像分析方法。
具体地,上述存储器401和处理器402能够为通用的存储器和处理器,这里不做具体限定,当处理器402运行存储器401存储的计算机程序时,能够执行上述图像分析方法,解决了现有技术中无人机航拍无法精确获取调查区域内所有动物的图像的问题。
对应于图1中的图像分析方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述图像分析方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述图像分析方法,解决了现有技术无人机航拍无法精确获取调查区域内所有动物的图像的问题,本申请实施例所提出的图像处理方法及装置实现了大范围、高精度、快速的获取动物数据和组成结构,提高了调查数据的准确度,节省了调查成本。
在本申请所提供的实施例中,应该理解到,所揭露方法和装置,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,在本申请提供的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。
所述功能如果以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,本申请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)执行本申请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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,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申请揭露的技术范围内,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申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种图像分析方法,其特征在于,包括:
获取航拍图像中每个参考目标的参考物种信息;所述参考物种信息包括物种类别和生物特征范围值;
分别使用不同的分割尺度对所述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值;所述实际生物特征值中包含该图斑的光谱特征和几何特征;所述参考目标包含于候选目标;
根据每个参考目标的生物特征范围值和每个参考目标的实际生物特征值的匹配关系,确定每个物种类别的标准生物特征信息;
根据所述标准生物特征信息和所述物种类别的对应关系分别对不同类型的参考模型进行训练,以得到候选识别模型;
使用所述候选识别模型对航拍图像中的每个图斑进行识别,以确定所述航拍图像中所有图斑的物种信息。
2.根据权利要求1所述的方法,其特征在于,所述分别使用不同的分割尺度对所述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值,包括:
将所述航拍图像进行分块,得到航拍子图像集;
分别使用不同的分割尺度对所述航拍子图像集中的每一个航拍子图像进行分割,以得到每个分割尺度下的所述每一个航拍子图像中所有候选目标的图斑及对应的实际生物特征值;
将所有航拍子图像进行拼接,以得到每个分割尺度下所述航拍图像中的所有候选目标的图斑及对应的实际生物特征值。
3.根据权利要求1所述的方法,其特征在于,所述使用所述候选识别模型对航拍图像中的每个图斑进行识别,以确定所述航拍图像中所有图斑的物种信息,包括:
将相同的参考目标的图斑分别输入到每个候选识别模型中,并根据每个候选识别模型的输出结果,从候选识别模型中确定优选识别模型;
使用所述优选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
4.根据权利要求1所述的方法,其特征在于,在使用所述候选识别模型对航拍图像中的每个图斑进行识别,以确定所述航拍图像中所有图斑的物种信息之后,还包括:
将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;
根据航拍区域的面积和所述航拍图像中各物种的数量,得到所述航拍区域的物种分布密度。
5.根据权利要求1所述的方法,其特征在于,在使用所述候选识别模型对航拍图像中的每个图斑进行识别,以确定所述航拍图像中所有图斑的物种信息之后,还包括:
将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;
通过地理信息系统软件计算所述航拍图像中所有图斑的面积;
针对每个物种,根据该物种中每个图斑的面积,确认该物种的种群结构。
6.一种图像分析装置,其特征在于,包括:
获取模块,用于获取航拍图像中每个参考目标的参考物种信息;所述参考物种信息包括物种类别和生物特征范围值;
分割模块,用于分别使用不同的分割尺度对所述航拍图像进行分割,以得到每个分割尺度下的所有候选目标的图斑及对应的实际生物特征值;所述实际生物特征值中包含该图斑的光谱特征和几何特征;所述参考目标包含于候选目标;
确认模块,用于根据每个参考目标的生物特征范围值和每个参考目标的实际生物特征值的匹配关系,确定每个物种类别的标准生物特征信息;
训练模块,用于根据所述标准生物特征信息和所述物种类别的对应关系分别对不同类型的参考模型进行训练,以得到候选识别模型;
识别模块,用于使用所述候选识别模型对航拍图像中的每个图斑进行识别,以确定所述航拍图像中所有图斑的物种信息。
7.根据权利要求6所述的装置,其特征在于,所述分割模块,包括:
分块单元,用于将所述航拍图像进行分块,得到航拍子图像集;
子分割单元,用于分别使用不同的分割尺度对所述航拍子图像集中的每一个航拍子图像进行分割,以得到每个分割尺度下的所述每一个航拍子图像中所有候选目标的图斑及对应的实际生物特征值;
拼接单元,用于将所有航拍子图像进行拼接,以得到每个分割尺度下所述航拍图像中的所有候选目标的图斑及对应的实际生物特征值。
8.根据权利要求6所述的装置,其特征在于,所述识别模块,包括:
优选单元,用于将相同的参考目标的图斑分别输入到每个候选识别模型中,并根据每个候选识别模型的输出结果,从候选识别模型中确定优选识别模型;使用所述优选识别模型对航拍图像中的每个图斑进行识别,以确定航拍图像中所有图斑的物种信息。
9.根据权利要求6所述的装置,其特征在于,在识别模块之后,还包括:
第一处理模块,用于将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;根据航拍区域的面积和所述航拍图像中各物种的数量,得到所述航拍区域的物种分布密度。
10.根据权利要求6所述的装置,其特征在于,在识别模块之后,还包括:
第二处理模块,将所述航拍图像中所有图斑的物种信息导入地理信息系统软件中,得到航拍图像中各物种的数量;通过地理信息系统软件计算所述航拍图像中所有图斑的面积;针对每个物种,根据该物种中每个图斑的面积,确认该物种的种群结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665178.0A CN110363176B (zh) | 2019-07-23 | 2019-07-23 | 一种图像分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665178.0A CN110363176B (zh) | 2019-07-23 | 2019-07-23 | 一种图像分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363176A true CN110363176A (zh) | 2019-10-22 |
CN110363176B CN110363176B (zh) | 2021-12-21 |
Family
ID=68221242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665178.0A Active CN110363176B (zh) | 2019-07-23 | 2019-07-23 | 一种图像分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363176B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401187A (zh) * | 2020-03-10 | 2020-07-10 | 中山市水利水电勘测设计咨询有限公司 | 一种水土保持情况的调查方法 |
CN111696127A (zh) * | 2020-06-02 | 2020-09-22 | 中国联合网络通信集团有限公司 | 蝗灾分析预警系统及方法 |
CN112330649A (zh) * | 2020-11-12 | 2021-02-05 | 清华大学 | 结合多光谱和可见光图像的生理信息获取方法和装置 |
CN112802177A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 航测数据的处理方法、装置、电子设备及存储介质 |
CN115984269A (zh) * | 2023-03-20 | 2023-04-18 | 湖南长理尚洋科技有限公司 | 一种非侵入式局部水生态安全检测方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140140581A1 (en) * | 2012-11-07 | 2014-05-22 | Jerry Dieruf | Methods and systems for providing remote plant identification by unique biological characteristics |
CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
US20160004923A1 (en) * | 2014-07-01 | 2016-01-07 | Brain Corporation | Optical detection apparatus and methods |
CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
CN109948395A (zh) * | 2017-12-20 | 2019-06-28 | 翔升(上海)电子技术有限公司 | 基于无人机的动物识别及数量统计方法与无人机 |
-
2019
- 2019-07-23 CN CN201910665178.0A patent/CN110363176B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140140581A1 (en) * | 2012-11-07 | 2014-05-22 | Jerry Dieruf | Methods and systems for providing remote plant identification by unique biological characteristics |
US20160004923A1 (en) * | 2014-07-01 | 2016-01-07 | Brain Corporation | Optical detection apparatus and methods |
CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
CN109948395A (zh) * | 2017-12-20 | 2019-06-28 | 翔升(上海)电子技术有限公司 | 基于无人机的动物识别及数量统计方法与无人机 |
Non-Patent Citations (1)
Title |
---|
董世魁等: "《阿尔金山国家级自然保护区生态监测与综合管理》", 31 March 2015, 中国环境出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401187A (zh) * | 2020-03-10 | 2020-07-10 | 中山市水利水电勘测设计咨询有限公司 | 一种水土保持情况的调查方法 |
CN111696127A (zh) * | 2020-06-02 | 2020-09-22 | 中国联合网络通信集团有限公司 | 蝗灾分析预警系统及方法 |
CN112330649A (zh) * | 2020-11-12 | 2021-02-05 | 清华大学 | 结合多光谱和可见光图像的生理信息获取方法和装置 |
CN112330649B (zh) * | 2020-11-12 | 2022-11-04 | 清华大学 | 结合多光谱和可见光图像的生理信息获取方法和装置 |
CN112802177A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 航测数据的处理方法、装置、电子设备及存储介质 |
CN115984269A (zh) * | 2023-03-20 | 2023-04-18 | 湖南长理尚洋科技有限公司 | 一种非侵入式局部水生态安全检测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110363176B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363176A (zh) | 一种图像分析方法及装置 | |
US11763522B2 (en) | 3D reconstruction method based on on-site edge-cloud collaboration for cultivated land | |
CN106403904B (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
CN112819830A (zh) | 基于深度学习与机载激光点云的单株树冠分割方法 | |
CN103645480A (zh) | 基于激光雷达和图像数据融合的地形地貌特征构建方法 | |
CN113012150A (zh) | 一种特征融合的高密度稻田无人机图像稻穗计数方法 | |
CN109871029A (zh) | 一种基于图像处理技术的植保无人机航线规划优化方法 | |
CN106845324A (zh) | 路牌信息的处理方法和装置 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN109668567A (zh) | 一种无人机多云条件下偏振光定向方法 | |
CN110059715A (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 | |
CN115272572A (zh) | 输电线路重建方法、装置、电子设备及存储介质 | |
CN108182660A (zh) | 一种区域气象雷达网数据融合方法及装置 | |
CN110188780A (zh) | 用于定位多目标特征点的深度学习模型的构建方法及装置 | |
CN112393735B (zh) | 定位方法及装置、存储介质、电子装置 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
WO2021051268A1 (zh) | 基于机器视觉的树木种类识别方法及装置 | |
CN109657540A (zh) | 枯死树定位方法及系统 | |
CN110084132A (zh) | 基于无人机的木料货场木料信息获取方法、系统、装置 | |
CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
CN112506216A (zh) | 一种无人机的飞行路径规划方法及装置 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 | |
CN112712453B (zh) | 基于云计算的智慧城市管理系统 | |
Tompalski et al. | A comparison of LiDAR and image-derived canopy height models for individual tree crown segmentation with object based image analysis |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211118 Address after: 730000 No.318 Donggang West Road, Chengguan District, Lanzhou City, Gansu Province Applicant after: NORTHWEST INSTITUTE OF ECO-ENVIRONMENT AND RESOURCES, CHINESE ACADEMY OF SCIENCES Address before: Chengguan District of Gansu city of Lanzhou province Donggang West Road 730000 No. 260 Applicant before: COLD AND ARID REGIONS ENVIRONMENTAL AND ENGINEERING Research Institute,CHINESE ACADEMY OF SCIENCES |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |