CN110378894B - 基于相关性的TomoSAR植被病虫害监测方法及装置 - Google Patents
基于相关性的TomoSAR植被病虫害监测方法及装置 Download PDFInfo
- Publication number
- CN110378894B CN110378894B CN201910676482.5A CN201910676482A CN110378894B CN 110378894 B CN110378894 B CN 110378894B CN 201910676482 A CN201910676482 A CN 201910676482A CN 110378894 B CN110378894 B CN 110378894B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- image data
- target
- data
- monitoring
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- LWYJUZBXGAFFLP-OCNCTQISSA-N menogaril Chemical compound O1[C@@]2(C)[C@H](O)[C@@H](N(C)C)[C@H](O)[C@@H]1OC1=C3C(=O)C(C=C4C[C@@](C)(O)C[C@H](C4=C4O)OC)=C4C(=O)C3=C(O)C=C12 LWYJUZBXGAFFLP-OCNCTQISSA-N 0.000 title claims abstract description 25
- 201000010099 disease Diseases 0.000 title claims abstract description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000003325 tomography Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 4
- 241000238631 Hexapoda Species 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例公开了基于相关性的TomoSAR植被病虫害监测方法及装置。该监测方法的一具体实施方式包括：基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；对目标图像数据进行层析成像处理，得到目标植被的三维监测数据；将目标植被的三维监测数据与样本植被数据进行相关性分析；根据分析结果确定目标植被的病虫害状况。这种实施方式可以对植被进行全天时、全天候监测，而且能够实现高度向植被结构的高精度测量，有助于提高植被病虫害监测结果的准确度。
Description
技术领域
本申请实施例涉及雷达观测技术领域，尤其涉及基于相关性的TomoSAR植被病虫害监测方法及装置。
背景技术
合成孔径雷达层析(Tomography Synthetic Aperture Radar，TomoSAR)技术是近十年发展起来的一种获取目标高精度三维和四维信息的新兴前沿技术。它通过改变成像后的数据处理算法，可实现对高度向分布散射体的测量。与极化信息结合起来，还可以获得目标精细结构、物理成分和空间分布信息，从而可以区分不同高度的多个散射体，监视散射体的空间位置变化情况等。该技术现已应用于森林结构参数估计、城市三维重建和城市地表沉降等领域，并且在地质学、冰川学及地下埋藏物体的探测方面有着巨大的应用潜力。
发明内容
本申请实施例提供了基于相关性的TomoSAR植被病虫害监测方法及装置。
第一方面，本申请实施例提供了一种基于相关性的TomoSAR植被病虫害监测方法，包括：基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；对目标图像数据进行层析成像处理，得到目标植被的三维监测数据；将目标植被的三维监测数据与样本植被数据进行相关性分析；根据分析结果确定目标植被的病虫害状况。
在一些实施例中，基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据，包括：获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
在一些实施例中，获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，包括：采用同一合成孔径雷达在不同高度面上对目标植被进行监测，得到多张图像数据；将多张图像数据中的一张图像数据作为主图像数据，对其余图像数据进行基准校正、相位补偿处理。
在一些实施例中，对目标图像数据进行层析成像处理，得到目标植被的三维监测数据，包括：对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，得到该像素点的功率谱；利用中心像素点和同类型的邻近像素点，实现目标图像数据的独立同分布的多视处理，得到目标植被在高度向的功率谱估计。
在一些实施例中，将目标植被的三维监测数据与样本植被数据进行相关性分析，包括：在目标植被的三维监测数据中，选取位于植被冠层的像素点数据，并确定选取的像素点数据与位于样本植被相同位置的像素点数据的比值。
在一些实施例中，根据分析结果确定目标植被的病虫害状况，包括：根据确定的比值与预设取值范围的关系，确定目标植被的病虫状况。
第二方面，本申请实施例提供了一种基于相关性的TomoSAR植被病虫害监测装置，包括：生成单元，被配置成基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；层析单元，被配置成对目标图像数据进行层析成像处理，得到目标植被的三维监测数据；分析单元，被配置成将目标植被的三维监测数据与样本植被数据进行相关性分析；确定单元，被配置成根据分析结果确定目标植被的病虫害状况。
在一些实施例中，生成单元进一步被配置成获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
在一些实施例中，生成单元进一步被配置成采用同一合成孔径雷达在不同高度面上对目标植被进行监测，得到多张图像数据；将多张图像数据中的一张图像数据作为主图像数据，对其余图像数据进行基准校正、相位补偿处理。
在一些实施例中，层析单元进一步被配置成对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，得到该像素点的功率谱；利用中心像素点和同类型的邻近像素点，实现目标图像数据的独立同分布的多视处理，得到目标植被在高度向的功率谱估计。
在一些实施例中，分析单元进一步被配置成在目标植被的三维监测数据中，选取位于植被冠层的像素点数据，并确定选取的像素点数据与位于样本植被相同位置的像素点数据的比值。
在一些实施例中，确定单元进一步被配置成根据确定的比值与预设取值范围的关系，确定目标植被的病虫害状况。
第三方面，本申请实施例提供了一种电子设备包括：处理器；存储装置，其上存储有计算机程序；当处理器执行存储装置上的计算机程序时，使得电子设备实现如第一方面中任一实施例所描述的基于相关性的TomoSAR植被病虫害监测方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面中任一实施例所描述的基于相关性的TomoSAR植被病虫害监测方法。
本申请实施例提供的基于相关性的TomoSAR植被病虫害监测方法及装置，首先，可以基于获取的目标植被的合成孔径雷达图像数据，来得到目标图像数据。接着，可以对目标图像数据进行层析成像处理，以得到目标植被的三维监测数据。之后，可以将目标植被的三维监测数据与样本植被数据进行相关性分析。最后，根据分析结果可以确定目标植被的病虫害状况。这种方法利用目标植被的合成孔径雷达图像数据，可以实现植被的全天时、全天候监测。并且通过层析成像处理，能够实现高度向植被结构的高精度测量。这样有助于提高植被病虫害监测结果的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请的一个实施例可以应用于其中的示例性系统架构图；
图2为本申请提供的基于相关性的TomoSAR植被病虫害监测方法的一个实施例的流程图；
图3为本申请提供的基于相关性的TomoSAR植被病虫害监测装置的一个实施例的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的基于相关性的TomoSAR植被病虫害监测方法或装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、网络102、服务器103和合成孔径雷达104。网络102可以用以在终端101与服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端101通过网络102与服务器103进行交互，以接收或发送消息等。例如用户可以通过终端101向服务器103发送植被的监测指令等。终端101上可以安装有各种客户端应用，例如植被灾害监测类应用、图像播放器、浏览器和即时通讯工具等。这里的植被可以包括(但不限于)树木森林、灌木丛、草原等。这里的灾害可以包括(但不限于)病虫灾害、自然气象灾害(如火灾、冻灾)、人为砍伐灾害等。
这里的终端101可以是硬件，也可以是软件。当终端101为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑和台式计算机等等。当终端101为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器，例如可以是对终端101所安装的应用提供支持的后台服务器。后台服务器在接收到终端101发送的监测指令时，可以通过合成孔径雷达104来获取植被的图像数据。进而可以对这些数据进行分析处理，并可以将分析处理结果(如植被的病虫害状况)发送给终端101。
这里的服务器103同样可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的基于相关性的TomoSAR植被病虫害监测方法一般可以由服务器103(或终端101)执行。相应地，基于相关性的TomoSAR植被病虫害监测装置一般也可以设置于服务器103(或终端101)中。
应该理解，图1中的终端、网络、服务器和合成孔径雷达的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、服务器和合成孔径雷达。
请参见图2，其示出了本申请提供的基于相关性的TomoSAR植被病虫害监测方法的一个实施例的流程200。该方法可以包括以下步骤：
步骤201，基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据。
在本实施例中，基于相关性的TomoSAR植被病虫害监测方法的执行主体(例如图1中所示的服务器103)可以通过多种方式来获取目标植被的合成孔径雷达(SAR，SyntheticAperture Radar)图像数据。例如，执行主体可以通过有线连接方式或无线连接方式，接收用户使用终端(例如图1中所示的终端101)发送的目标植被的合成孔径雷达图像数据。又例如，执行主体可以从网上资源(如云端)或数据库中获取目标植被的合成孔径雷达图像数据。再例如，执行主体可以通过合成孔径雷达(例如图1中所示的合成孔径雷达104)对目标植被进行实际观测，从而得到其图像数据。这里的目标植被可以是需要进行监测的任意植被，如需要进行病虫害状况监测的森林。其所在地理位置、占地面积、植被种类等在本申请中并不限制。
在本实施例中，执行主体可以基于获取的目标植被的合成孔径雷达图像数据，来得到目标图像数据。例如，执行主体可以对获取的目标植被的合成孔径雷达图像数据进行预处理，从而得到目标图像数据。其中，目标图像数据可以是后续处理过程所需的图像数据。而预处理过程通常是为得到所需的目标图像数据而进行的相关处理。在这里，预处理方法和目标图像数据可以根据用户的实际需求进行设置。
作为示例，目标图像数据可以为目标植被的某特定区域(如树木冠层或树木枝叶区域)的图像数据。此时，执行主体可以对获取的目标植被的合成孔径雷达图像数据进行筛选，从而得到包含有该特定区域图像的合成孔径雷达图像数据。进一步地，为了提高后续处理效率，执行主体还可以对筛选出的图像数据进行裁剪，从而去除原图像数据中不需要的图像数据，得到仅包含该特征区域图像的图像数据。在一些应用场景中，执行主体还可以对清晰度欠佳的图像数据进行去云雾处理等，从而降低天气因素的影响。
需要说明的是，为了能够得到目标植被在高度(程)向的结构信息，需要获取到不同监测角度下的目标植被的合成孔径雷达图像数据，尤其是不同监测高度下的图像数据。即合成孔径雷达在不同高度下对目标植被进行监测而得到的图像数据。此时，执行主体可以对获取的目标植被的合成孔径雷达图像数据进行筛选，从而得到多张(即不同监测高度下的)图像数据。
可以理解的是，这里不同监测高度下的图像数据的获取方式在本申请中并不限制。例如，可以是利用多个位于不同高度面的合成孔径雷达，对目标植被进行监测得到的。又例如，为了简化方法，可以是采用同一合成孔径雷达分别在不同高度面(如不同高度的平行轨道)上，对目标植被进行监测而得到的。或者还可以采用安装有多个不同高度的天线的合成孔径雷达，对目标植被进行监测得到的。
在一些可选的实现方式中，执行主体还可以对这些不同监测高度下的图像数据进行基准校正、相位补偿等处理。这样可以便于进行后续数据处理，提高处理效率。作为示例，执行主体可以根据人为设定的基准，对不同监测高度下的图像数据进行校正、相位偏差补偿等处理。
可选地，执行主体也可以将上述多张图像数据中的一张图像数据作为主图像数据，即基准图像数据，从而对其余图像数据(即除去主图像数据以外的图像数据)进行基准校正、相位补偿等处理，以得到目标图像数据，即作为后续层析SAR成像的监测数据。具体如下：
合成孔径雷达系统接收信号后，经过成像处理可以形成二维后向散射复数图像。在这里，以x表示方位向；r表示距离向；s表示高度向。其中，方位向分辨率ρx＝(λr)/(2Δx)；距离向分辨率ρr＝c/(2BW)。其中，λ为波长；Δx为方位向合成空间；c为波的传播速度；BW为SAR系统带宽。对于距离为r′并且位于零多普勒位置x′的单个像素u(x′,r′)来说，其复数信号表示为：
其中，γ(x,r,s)为三维场景的反射率方程；
为地面目标到传感器的直接距离；f(x′-x,r′-r)表示天线方向性和成像处理中加权的综合作用形成的点扩散函数，一般在不考虑加权时，有
单基站SAR成像系统在不同高度的平行轨道上对单一地区(如目标植被)进行M次观测，可以得到M景复数SAR图像。此时，可以选取第M/2景图像作为主图像，其它为辅图像。然后对所有数据进行配准、相位校正等预处理。第m次获取的SAR复数图像可表示为：
在这里，m＝1,…,M；
其中，b//m表示水平基线；b⊥m表示垂直基线。
为方便起见，假设点扩散函数为一个二维Dirac函数(即狄拉克δ函数)，对于给像素点(x′,r′)而言，可以得到一个M维向量
其中每一个元素可以表示为：
其中，Δs表示高度向上的有效观测范围；Rm(s)＝Rm(s,r′＝r,x′＝x)。
由于上式中的相位包含一个与基线相关的二次相位偏差
因此需要通过对接受信号乘以一个复共轭二次相位函数
从而将这个二次相位偏差补偿掉。也就是说，需要对二维SAR图像数据进行去斜处理，即：
经过去斜处理后，可以得到：
将相位项合并到反射率方程γ(s)中，得到：
其中，
为空间(高度)频率。
在实际应用中，如果需要考虑反射率方程γ(s)的相位特征，则可以通过将反射率方程乘以一个复共轭二次相位函数
来去除该相位偏差，以保存反射率方程γ(s)的相位信息。
需要说明的是，在加性噪声
存在的情况下，公式的离散表达式为：
其中，g＝(g1,g2,…,gM)T为一个具有M个元素的列向量；
为M×N的引导矩阵，其元素为Rm×n＝exp(-j2πξmsn)；
为引导向量(引导矩阵
的列向量)：
γ为N维离散化的反射率矩阵，其元素为γn＝γ(sn),sn(n＝1,…,N)表示离散化的高度位置。
步骤202，对目标图像数据进行层析成像处理，得到目标植被的三维监测数据。
在本实施例中，执行主体可以对步骤201中得到的目标图像数据进行层析成像处理，从而得到目标植被的三维监测数据。这里的层析成像处理方法可以为现有技术中常用的各种处理方法。作为示例，可以基于Beamforming(波束成形，一种通用信号处理技术)方法来重构目标植被的高度向结构信息，从而得到目标植被的三维结构信息。具体如下：
首先，执行主体可以对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，从而得到该像素点的功率谱。可以理解的是，经过上述(多基线SAR数据)预处理，对于一给定距离向和方位向的像素点，可得到长度为M的随机信号向量g＝(g1,g2,…,gM)T。对这M个空间频域的数据进行傅里叶变换，得到其在空间域高度位置sn处的频谱信息
将频谱与其共轭相乘，得到高度位置sn处的功率谱：
之后，执行主体可以利用中心像素点和其周围的同类型邻近像素点，对目标图像进行多视处理，以实现每张目标图像数据的独立同分布的多视处理，从而得到目标植被在高度向的功率谱估计。这里的同类型主要指与中心像素点的数据类型相同。可以理解的是，在目标植被的SAR图像数据中往往会包含(但不限于)植被、地面、湖泊、建筑物等中的至少一种数据。因此，SAR图像数据中的像素点可以划分为上述至少一种数据类型。
在这里，多视处理后，多基线SAR获得的信号向量为：
其中，l表示视数(looks)，l＝1,2,…,L，L为正整数。以多基线SAR获得的随机信号向量的样本自相关矩阵来近似表示自相关矩阵：
得到高度向的功率谱估计：
步骤203，将目标植被的三维监测数据与样本植被数据进行相关性分析。
在本实施例中，执行主体可以将步骤202中得到的目标植被的三维监测数据，与样本植被数据进行相关性分析。其中，样本植被通常可以为正常(即未遭受灾害)的植被。例如，样本植被通常可以为与目标植被的植被种类相同或相近的植被，和/或与目标植被的地理位置相近的植被。而样本植被数据可以根据实际情况进行设置。如样本植被数据可以为植被整体的图像数据，也可以为植被某特定区域的图像数据。又如样本植被数据还可以为某一特定时期(如五月中旬，且没有病虫害情况)的目标植被的图像数据。在这里，相关性分析的具体方式并不限制。
需要说明的是，为了实现对目标植被的灾害(如病虫害)状况的监测，往往需要着重监测植被的枝叶区域。因此在一些实施例中，为了提高监测效率和监测结果的准确度，执行主体可以在目标植被的三维监测数据中，选取位于植被冠层的像素点数据。并且可以确定选取的像素点数据与位于样本植被相同位置的像素点数据的比值。即将选取的像素点数据与样本植被中位于相同位置的像素点数据相除。这里的相同位置可以指植被冠层，也可以指选取的像素点在植被冠层的位置。其中，植被冠层的像素点的选取方式在本申请中并不限制，如可以人为选取，也可以通过图像识别进行选取。
步骤204，根据分析结果确定目标植被的病虫害状况。
在本实施例中，执行主体可以根据步骤203中的分析结果，来确定目标植被的病虫害状况。作为示例，执行主体可以根据上述确定的比值与预设取值范围的关系，来确定目标植被的病虫害状况。例如，若比值在[1，+∞)之间，则可以说明目标植被生成良好，枝叶没有脱落现象。若比值在[0.95，1)之间，则可以说明目标植被的枝叶有轻微脱落现象，失叶率为0至30％。若比值在[0.9，0.95)之间，则可以说明目标植被的枝叶有较严重的脱落现象，失叶率为30％至80％，有一定的病虫灾害。若比值在(-∞，0.9)之间，则可以说明目标植被的枝叶严重脱落，失叶率为80％至100％，植被受病虫灾害严重。
可以理解的是，为了提高监测结果的准确度，通常需要选取多个像素点数据进行分析。此时，上述比值可以是选取的各像素点数据的平均值与样本植被中位于相同位置的各像素点数据的平均值的比值；也可以是选取的各像素点数据分别与样本植被中对应的像素点数据的比值。
可选地，执行主体还可以根据位于不同取值范围内的各比值的比例，来确定目标植被的病虫害状况。例如，若位于(-∞，0.9)之间的比值的数量占比值总数量的比例达到30％，和/或位于[0.9，0.95)和(-∞，0.9)之间的比值的数量占比值总数量的比例达到50％，则可以说明目标植被的枝叶有较严重的脱落现象，存在一定的病虫灾害。
本实施例提供的基于相关性的TomoSAR植被病虫害监测方法，首先，可以基于获取的目标植被的合成孔径雷达图像数据，来得到目标图像数据。接着，可以对目标图像数据进行层析成像处理，以得到目标植被的三维监测数据。之后，可以将目标植被的三维监测数据与样本植被数据进行相关性分析。最后，根据分析结果可以确定目标植被的病虫害状况。这种方法利用目标植被的合成孔径雷达图像数据，可以实现植被的全天时、全天候监测。并且通过层析成像处理，能够实现高度向植被结构的高精度测量。这样有助于提高植被病虫害监测结果的准确度。
进一步参见图3，作为对上述各实施例所示方法的实现，本申请还提供了一种基于相关性的TomoSAR植被病虫害监测装置的一个实施例。该装置实施例与上述各实施例所示的方法实施例相对应。该装置具体可以应用于各种电子设备中。
如图3所示，本实施例的监测装置300可以包括：生成单元301，被配置成基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；层析单元302，被配置成对目标图像数据进行层析成像处理，得到目标植被的三维监测数据；分析单元303，被配置成将目标植被的三维监测数据与样本植被数据进行相关性分析；确定单元304，被配置成根据分析结果确定目标植被的病虫害状况。
在一些实施例中，生成单元301可以进一步被配置成获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
可选地，生成单元301可以进一步被配置成采用同一合成孔径雷达在不同高度面上对目标植被进行监测，得到多张图像数据；将多张图像数据中的一张图像数据作为主图像数据，对其余图像数据进行基准校正、相位补偿处理。
在一些实施例中，层析单元302可以进一步被配置成对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，得到该像素点的功率谱；利用中心像素点和同类型的邻近像素点，实现目标图像数据的独立同分布的多视处理，得到目标植被在高度向的功率谱估计。
可选地，分析单元303可以进一步被配置成在目标植被的三维监测数据中，选取位于植被冠层的像素点数据，并确定选取的像素点数据与位于样本植被相同位置的像素点数据的比值。
进一步地，确定单元304可以进一步被配置成根据确定的比值与预设取值范围的关系，确定目标植被的病虫害状况。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于该装置300及其中包含的单元，在此不再赘述。
需要说明的是，附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。例如，生成单元还可以被描述为“基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据的单元”。
作为另一方面，本申请还提供了一种计算机可读介质。这里的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。该计算机可读介质可以是上述各实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有计算机程序，当计算机程序被该电子设备执行时，使得该电子设备可以实现如上述任一实施例所描述的基于相关性的TomoSAR植被病虫害监测方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于相关性的TomoSAR植被病虫害监测方法，包括：
基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；
对目标图像数据进行层析成像处理，得到所述目标植被的三维监测数据；
将所述目标植被的三维监测数据与样本植被数据进行相关性分析，其包括：在所述目标植被的三维监测数据中，选取位于植被冠层的像素点数据，并确定选取的像素点数据与位于样本植被相同位置的像素点数据的比值；所述比值是选取的各像素点数据的平均值与样本植被中位于相同位置的各像素点数据的平均值的比值，或是选取的各像素点数据分别与样本植被中对应的像素点数据的比值；
根据分析结果确定所述目标植被的病虫害状况。
2.根据权利要求1所述的方法，所述基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据，包括：
获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
3.根据权利要求2所述的方法，所述获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，包括：
采用同一合成孔径雷达在不同高度面上对目标植被进行监测，得到多张图像数据；将多张图像数据中的一张图像数据作为主图像数据，对其余图像数据进行基准校正、相位补偿处理。
4.根据权利要求1所述的方法，所述对目标图像数据进行层析成像处理，得到所述目标植被的三维监测数据，包括：
对目标图像数据中在方位向和距离向均相同的像素点进行单视处理，得到该像素点的功率谱；
利用中心像素点和同类型的邻近像素点，实现目标图像数据的独立同分布的多视处理，得到所述目标植被在高度向的功率谱估计。
5.根据权利要求1所述的方法，所述根据分析结果确定所述目标植被的病虫害状况，包括：
根据确定的比值与预设取值范围的关系，确定所述目标植被的病虫害状况。
6.一种基于相关性的TomoSAR植被病虫害监测装置，包括：
生成单元，被配置成基于获取的目标植被的合成孔径雷达图像数据得到目标图像数据；
层析单元，被配置成对目标图像数据进行层析成像处理，得到所述目标植被的三维监测数据；
分析单元，被配置成将所述目标植被的三维监测数据与样本植被数据进行相关性分析；优选地，所述分析单元被配置成在目标植被的三维监测数据中，选取位于植被冠层的像素点数据，并确定选取的像素点数据与位于样本植被相同位置的像素点数据的比值；所述比值是选取的各像素点数据的平均值与样本植被中位于相同位置的各像素点数据的平均值的比值，或是选取的各像素点数据分别与样本植被中对应的像素点数据的比值；
确定单元，被配置成根据分析结果确定所述目标植被的病虫害状况。
7.根据权利要求6所述的装置，所述生成单元进一步被配置成获取不同监测高度下的目标植被的合成孔径雷达图像数据，对获取的多张图像数据进行基准校正、相位补偿处理，得到目标图像数据。
8.一种电子设备，包括：
处理器；
存储装置，其上存储有计算机程序；
当所述处理器执行所述存储装置上的计算机程序时，使得电子设备实现如权利要求1-5之一所述的基于相关性的TomoSAR植被病虫害监测方法。
9.一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5之一所述的基于相关性的TomoSAR植被病虫害监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676482.5A CN110378894B (zh) | 2019-07-25 | 2019-07-25 | 基于相关性的TomoSAR植被病虫害监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676482.5A CN110378894B (zh) | 2019-07-25 | 2019-07-25 | 基于相关性的TomoSAR植被病虫害监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378894A CN110378894A (zh) | 2019-10-25 |
| CN110378894B true CN110378894B (zh) | 2021-08-13 |
Family
ID=68255839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910676482.5A Active CN110378894B (zh) | 2019-07-25 | 2019-07-25 | 基于相关性的TomoSAR植被病虫害监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378894B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419284A (zh) * | 2008-08-08 | 2009-04-29 | 哈尔滨工业大学 | 由森林覆盖下目标参数反演模型获得人造目标信息的方法 |
| CN103969645A (zh) * | 2014-05-14 | 2014-08-06 | 中国科学院电子学研究所 | 基于压缩多信号分类的层析合成孔径雷达测量树高的方法 |
| CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
| CN109738895A (zh) * | 2019-01-31 | 2019-05-10 | 中南大学 | 一种基于二阶傅里叶-勒让德多项式的植被高度反演模型的构建与反演方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5369282B2 (ja) * | 2008-11-14 | 2013-12-18 | 株式会社パスコ | 植生生育状況解析方法、プログラムおよび植生生育状況解析装置 |
| CN105136732A (zh) * | 2015-08-24 | 2015-12-09 | 中国农业科学院农业环境与可持续发展研究所 | 田间作物双波段成像ndvi测量装置 |
| CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
| CN109558913A (zh) * | 2017-09-25 | 2019-04-02 | 天津臻鹏科技有限公司 | 一种基于雷达的作物病虫害监测系统 |
-
2019
- 2019-07-25 CN CN201910676482.5A patent/CN110378894B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419284A (zh) * | 2008-08-08 | 2009-04-29 | 哈尔滨工业大学 | 由森林覆盖下目标参数反演模型获得人造目标信息的方法 |
| CN103969645A (zh) * | 2014-05-14 | 2014-08-06 | 中国科学院电子学研究所 | 基于压缩多信号分类的层析合成孔径雷达测量树高的方法 |
| CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
| CN109738895A (zh) * | 2019-01-31 | 2019-05-10 | 中南大学 | 一种基于二阶傅里叶-勒让德多项式的植被高度反演模型的构建与反演方法 |
Non-Patent Citations (3)
| Title |
|---|
| Monitoring Broadleaf Forest Pest Based on L-Band SAR Tomography;KunKun Cao et al;《IOP Conference Series: Earth and Environmental Science》;20181209;第1-5页 * |
| Urban Area Tomography Using a Sparse Representation Based Two-Dimensional Spectral Analysis Technique;Lei Liang et al;《remote sensing》;20180114;全文 * |
| 合成孔径雷达森林树高和地上生物量估测研究进展;李兰 等;《遥感技术与应用》;20160830;第31卷(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378894A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Neumann et al. | Estimation of forest structure, ground, and canopy layer characteristics from multibaseline polarimetric interferometric SAR data | |
| EP2452205B1 (en) | Process for filtering interferograms obtained from sar images acquired on the same area | |
| EP3349037A1 (en) | Method and device for imaging by bistatic synthetic aperture radar | |
| Lv et al. | Joint-scatterer processing for time-series InSAR | |
| Rogers et al. | Impacts of ionospheric scintillation on the BIOMASS P-band satellite SAR | |
| CN110378896B (zh) | 基于极化相干性的TomoSAR植被病虫害监测方法及装置 | |
| US11520035B2 (en) | Coherence change detection techniques | |
| EP2802896B1 (en) | Sar autofocus for ground penetration radar | |
| CN110703220B (zh) | 一种顾及时间去相干因子的多基线PolInSAR植被参数反演方法 | |
| Biondi | Multi-chromatic analysis polarimetric interferometric synthetic aperture radar (MCA-PolInSAR) for urban classification | |
| Melon et al. | On the retrieving of forest stem volume from VHF SAR data: Observation and modeling | |
| US20200348411A1 (en) | Sar image analysis system, image processing apparatus, image processing method, and image processing program | |
| Garestier et al. | PolInSAR analysis of X-band data over vegetated and urban areas | |
| US8798359B2 (en) | Systems and methods for image sharpening | |
| Schmitt et al. | Demonstration of single-pass millimeterwave SAR tomography for forest volumes | |
| Pardini et al. | Phase calibration of multibaseline SAR data based on a minimum entropy criterion | |
| Yuzugullu et al. | Assessment of paddy rice height: Sequential inversion of coherent and incoherent models | |
| Lindsley et al. | Adapting the SIR algorithm to ASCAT | |
| CN110399832B (zh) | 基于相干性的TomoSAR植被病虫害监测方法及装置 | |
| CN110378894B (zh) | 基于相关性的TomoSAR植被病虫害监测方法及装置 | |
| Yang et al. | A deep learning solution for height estimation on a forested area based on Pol-TomoSAR data | |
| Carcereri et al. | A deep learning framework for the estimation of forest height from bistatic TanDEM-X data | |
| De Grandi et al. | Spatial wavelet statistics of SAR backscatter for characterizing degraded forest: A case study from Cameroon | |
| Aghababaee et al. | Differential SAR tomography reconstruction robust to temporal decorrelation effects | |
| Lee et al. | Analysis of forest loss by Sentinel-1 SAR time series |
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 |