CN110738133B - 不同农业设施图像轮廓边界识别方法和装置 - Google Patents
不同农业设施图像轮廓边界识别方法和装置 Download PDFInfo
- Publication number
- CN110738133B CN110738133B CN201910898306.6A CN201910898306A CN110738133B CN 110738133 B CN110738133 B CN 110738133B CN 201910898306 A CN201910898306 A CN 201910898306A CN 110738133 B CN110738133 B CN 110738133B
- Authority
- CN
- China
- Prior art keywords
- agricultural
- agricultural facility
- facilities
- facility
- length
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 claims abstract description 39
- 239000011521 glass Substances 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims 2
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002985 plastic film Substances 0.000 description 2
- 229920006255 plastic film Polymers 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种针对不同农业设施的图像轮廓边界识别的方法和装置。本申请针对不同类型的农业设施进行不同的后处理操作,提高边缘识别精度。普通单体农业设施、无薄膜覆盖的农业设施的设施轮廓边界提出长宽自动校正法,解决长、宽不够完整的问题。连栋农业设施、玻璃温室、农业设施设备房的区域进行轮廓边界类型的农业设施采用等距离扩张的方法修正轮廓边界。从而使最终得到的不同农业设施图像轮廓边界识别精度高。
Description
技术领域
本申请属于农业设施遥感提取领域,尤其是涉及一种不同农业设施图像轮廓边界识别方法和装置。
背景技术
近年来,随着农业现代化的快速发展,农业设施技术的逐渐成熟,我国农业设施面积迅速扩大,已成为全球农业设施大国。农业设施已经成为重要的土地覆盖类型。传统农业设施的提取主要是基于人工特征和机器学习分类器,存在特征选择复杂、识别精度较低、处理时间长、无法准确获取大棚边界与数量等问题。农业设施矢量边界的获取,多基于高分辨率遥感影像,通过目视解译的方式手工描绘出各个农业设施的边界。此方法费时、费力,需要数字化人员具有丰富的地学知识和影像解译经验,容易出现误差。不论是光谱与纹理组合还是面向对象法,自动提取农业设施大棚的精度不高,主要是因为区域中分布多种类型的农业设施、密度大、半透明薄膜与里面种植的地物存在像元混淆、材质多种多样等,具体可包括如下特征:透明屋顶颜色不同(蓝色、百色等),屋顶材质不同(塑料薄膜、玻璃、玻璃钢)、厚度差异大、光的反射和吸收规律不同、大棚内种植作物种类多样(蔬菜、幼苗、葡萄等)、大棚覆盖物不同(保温被、有的完全敞开、有的是覆盖遮阳网、遮虫网、草帘等),这使得农业设施的遥感影像中光谱信息存在很大差异,这些特征都增加了大棚面积、数量识别的困难。
其中,根根据在遥感影像上的表现形式不同进行划分,不仅在颜色有所差异,形状、面积等均有所差别。具体如下:
普通单体农业设施:是利用竹木、钢材等材料,并覆盖塑料薄膜,搭成拱形棚,为单间温室,在遥感影像上多呈出矩形,颜色呈亮白色或淡绿色。
连栋农业设施:连栋温室是温室的一种升级,用科学的手段、合理的设计、优秀的材料将原有的独立单间温室连起来,一般为4-8个温室连在一起,在遥感影像上形状偏正方形,并且不能分入玻璃温室农业设施中。
覆盖网的农业设施:网指遮阳网、防虫网,是在农业设施的上面覆盖遮阳网和防虫网的一种新型蔬菜保护栽培技术,在遥感影像上颜色偏黑色,具有明显差异。
玻璃温室农业设施:玻璃温室是玻璃为主要透光覆盖材料的温室,属于温室大棚的一种,使用寿命长,适用于多种地区和多种气候,以种植不同植物分为多种不同温室。
无薄膜覆盖的农业设施:将大棚覆盖物撤掉,棚内作物直接暴露出来的一种情况。在遥感影像上多表现为绿色植被或者裸土(棚内无作物或未长出)。
农业设施设备房:农业设施生产中所必需的设备、原料、农产品临时存储、分拣包装的人为建筑场所。一般面积较小,多为方形。
非农业设施是指不属于上述6种类型中的任意一种农业设施。
目前,针对农业设施的边缘识别通常是直接对图像进行矩形化得到,导致农业设施的识别精度低。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种不同农业设施图像轮廓边界识别方法和装置。
本发明解决其技术问题所采用的技术方案是:
一种不同农业设施图像轮廓边界识别方法,包括以下步骤:
S1:获取高分辨遥感影像,对高分辨遥感影像每个像素点的农业设施类型进行标注,农业设施类型为非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施;
S2:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;
S3:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
S4:整合轮廓边界结果、输出标记了具有不同农业设施轮廓边界的图像。
优选地,本发明的不同农业设施图像轮廓边界识别方法,
宽度自动校正包括以下步骤:
S311:根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
S312:求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,记为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
S313:计算宽度ω与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
S314:按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界。
优选地,本发明的不同农业设施图像轮廓边界识别方法,
长度自动校正包括以下步骤:
S321:生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
S322:在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
S323:长度异常矩形定位。当前选框内每个农业设施的长度与上述求得的农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
S324:获取长度异常的农业设施的矩形中心线与旋转角度;
S325:根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界。
优选地,本发明的不同农业设施图像轮廓边界识别方法,
轮廓边界等距离扩张包括以下步骤:
S331:分别生成农业设施的初步轮廓边界四个边的平行线;
S332:延长四条平行线,分别相交四点,计算四点坐标;
S333:连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
本发明还一种不同农业设施图像轮廓边界识别装置,包括:
图像标注模块:用于获取高分辨遥感影像,对高分辨遥感影像每个像素点的农业设施类型进行标注,农业设施类型为非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施;
轮廓初步标定模块:用于将整张图像上相邻且相同的农业设施类别进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矩形化,以最小面积的外接矩形表示农业设施轮廓边界;
轮廓校正模块:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
轮廓输边界出模块:整合轮廓边界结果、输出标记了具有不同农业设施轮廓边界的图像。
优选地,本发明的不同农业设施图像轮廓边界识别装置,
宽度自动校正包括以下步骤:
根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,记为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
计算农业设施模型提取宽度结果与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界。
优选地,本发明的不同农业设施图像轮廓边界识别装置,
长度自动校正包括以下步骤:
生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
长度异常矩形定位。当前选框内每个农业设施的长度与上述求得的农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
获取长度异常的农业设施的矩形中心线与旋转角度;
根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界。
优选地,本发明的不同农业设施图像轮廓边界识别装置,
轮廓边界等距离扩张包括以下步骤:
分别生成农业设施的初步轮廓边界四个边的平行线;
延长四条平行线,分别相交四点,计算四点坐标;
连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
本发明的有益效果是:
本申请针对不同类型的农业设施进行不同的后处理操作,提高边缘识别精度。普通单体农业设施、无薄膜覆盖的农业设施的设施轮廓边界提出长宽自动校正法,解决长、宽不够完整的问题。连栋农业设施、玻璃温室、农业设施设备房的区域进行轮廓边界类型的农业设施采用等距离扩张的方法修正轮廓边界。从而使最终得到的不同农业设施图像轮廓边界识别精度高。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1农业设施矩形化结果图;
图2农业设施宽度自动校正流程图;
图3农业设施长度自动校正流程图;
图4农业设施边界自动生成流程图。
具体实施方式
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的技术方案。
实施例1
本实施例提供不同农业设施图像轮廓边界识别方法,包括以下步骤:
S1:获取高分辨遥感影像,对高分辨遥感影像每个像素点的农业设施类型进行标注,农业设施类型为非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施(分别以0-6这7个数值进行表示);标注可以使用人工标注或者计算机程序自动标注;
S2:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矩形化,以最小面积的外接矩形表示农业设施轮廓边界;以最小面积的外接矩形表示农业设施轮廓边界,矩形化前先采用矩形面积S和周长P两个参数进行去除其中一些面积小、形状不规则的图斑;通过像素点拟合矩形是本领域较常见的技术,这里不再赘述;比如利用面积阈值S<80m2,周长阈值P<50m去除碎小图斑。阈值的具体数值要根据具体统计情况具体分析。
长宽比Pwl>7和圆形度Rd<0.3可筛选出普通单体农业设施、无薄膜覆盖的农业设施,去除误判别的建筑与道路图斑。长宽比0.7>Pwl>5且圆形度0.8>Rd>0.5可筛选出来连栋农业设施、玻璃温室、农业设施设备房。
S矩形面积,P矩形周长
矩形的长边长度,b矩形的短边长度
基于面积S、周长P、长宽比和圆形度四个参数结合模型类型提取结果将矩形化与形状特征筛选后的农业设施轮廓边界赋值类型属性,因而普通单体农业设施、无薄膜覆盖的农业设施多为矩形,需要进行长宽自动校正处理;对连栋农业设施、玻璃温室、农业设施设备房进行等距离扩张操作。
S3:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
宽度自动校正包括以下步骤:
S311:根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
S312:求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,记为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
S313:计算宽度ω与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
S314:按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界。
长度自动校正包括以下步骤:
S321:生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
S322:在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
S323:长度异常矩形定位。当前选框内每个农业设施的长度与上述求得的农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
S324:获取长度异常的农业设施的矩形中心线与旋转角度;
S325:根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
S331:分别生成农业设施的初步轮廓边界四个边的平行线;
S332:延长四条平行线,分别相交四点,计算四点坐标;
S333:连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
S4:整合轮廓边界结果、输出标记了具有不同农业设施轮廓边界的图像。
本实施例中针对不同类型的农业设施进行不同的后处理操作,提高边缘识别精度。普通单体农业设施、无薄膜覆盖的农业设施的设施轮廓边界提出长宽自动校正法,解决长、宽不够完整的问题。连栋农业设施、玻璃温室、农业设施设备房的区域进行轮廓边界类型的农业设施采用等距离扩张的方法修正轮廓边界。从而使最终得到的不同农业设施图像轮廓边界识别精度高。
实施例2
本实施利提供一种不同农业设施图像轮廓边界识别装置,包括:
图像标注模块:用于获取高分辨遥感影像,对高分辨遥感影像每个像素点的农业设施类型进行标注,农业设施类型为非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施;
轮廓初步标定模块:用于将整张图像上相邻且相同的农业设施类别进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矩形化,以最小面积的外接矩形表示农业设施轮廓边界;
轮廓校正模块:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
轮廓输边界出模块:整合轮廓边界结果、输出标记了具有不同农业设施轮廓边界的图像。
宽度自动校正包括以下步骤:
根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,记为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
计算农业设施模型提取宽度结果与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界。
长度自动校正包括以下步骤:
生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
长度异常矩形定位。当前选框内每个农业设施的长度与上述求得的农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
获取长度异常的农业设施的矩形中心线与旋转角度;
根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界。
轮廓边界等距离扩张包括以下步骤:
分别生成农业设施的初步轮廓边界四个边的平行线;
延长四条平行线,分别相交四点,计算四点坐标;
连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (2)
1.一种不同农业设施图像轮廓边界识别方法,其特征在于,包括以下步骤:
S1:获取高分辨遥感影像,对高分辨遥感影像每个像素点的农业设施类型进行标注,农业设施类型为非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施;
S2:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;
S3:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
S4:整合轮廓边界结果、输出标记了具有不同农业设施轮廓边界的图像;
宽度自动校正包括以下步骤:
S311:根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
S312:求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,记为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
S313:计算宽度ω与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
S314:按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
S321:生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
S322:在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
S323:长度异常矩形定位,当前选框内每个农业设施的长度与上述求得的农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
S324:获取长度异常的农业设施的矩形中心线与旋转角度;
S325:根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
S331:分别生成农业设施的初步轮廓边界四个边的平行线;
S332:延长四条平行线,分别相交四点,计算四点坐标;
S333:连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
2.一种不同农业设施图像轮廓边界识别装置,其特征在于,包括:
图像标注模块:用于获取高分辨遥感影像,对高分辨遥感影像每个像素点的农业设施类型进行标注,农业设施类型为非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施;
轮廓初步标定模块:用于将整张图像上相邻且相同的农业设施类别进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矩形化,以最小面积的外接矩形表示农业设施轮廓边界;
轮廓校正模块:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
轮廓输边界出模块:整合轮廓边界结果、输出标记了具有不同农业设施轮廓边界的图像;
其中,宽度自动校正包括以下步骤:
根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,记为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
计算农业设施模型提取宽度结果与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
长度异常矩形定位,当前选框内每个农业设施的长度与上述求得的农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
获取长度异常的农业设施的矩形中心线与旋转角度;
根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
分别生成农业设施的初步轮廓边界四个边的平行线;
延长四条平行线,分别相交四点,计算四点坐标;
连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898306.6A CN110738133B (zh) | 2019-09-23 | 2019-09-23 | 不同农业设施图像轮廓边界识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898306.6A CN110738133B (zh) | 2019-09-23 | 2019-09-23 | 不同农业设施图像轮廓边界识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738133A CN110738133A (zh) | 2020-01-31 |
CN110738133B true CN110738133B (zh) | 2023-10-27 |
Family
ID=69269438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910898306.6A Active CN110738133B (zh) | 2019-09-23 | 2019-09-23 | 不同农业设施图像轮廓边界识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738133B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761460B (zh) * | 2023-01-10 | 2023-08-01 | 北京市农林科学院智能装备技术研究中心 | 大棚房风险识别方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473765A (zh) * | 2013-09-03 | 2013-12-25 | 深圳大学 | 一种多光谱遥感图像的配准与校正方法、系统 |
CN105261024A (zh) * | 2015-10-22 | 2016-01-20 | 四川航天系统工程研究所 | 基于改进T-Snake模型的遥感影像复杂水体边界提取方法 |
CN105574521A (zh) * | 2016-02-25 | 2016-05-11 | 民政部国家减灾中心 | 房屋轮廓提取方法和装置 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012155540A1 (zh) * | 2011-05-13 | 2012-11-22 | 北京市电力公司 | 地质信息的处理方法及装置 |
-
2019
- 2019-09-23 CN CN201910898306.6A patent/CN110738133B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473765A (zh) * | 2013-09-03 | 2013-12-25 | 深圳大学 | 一种多光谱遥感图像的配准与校正方法、系统 |
CN105261024A (zh) * | 2015-10-22 | 2016-01-20 | 四川航天系统工程研究所 | 基于改进T-Snake模型的遥感影像复杂水体边界提取方法 |
CN105574521A (zh) * | 2016-02-25 | 2016-05-11 | 民政部国家减灾中心 | 房屋轮廓提取方法和装置 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
Non-Patent Citations (2)
Title |
---|
任强.基于机器学习的灌区渠系轮廓提取方法研究.《中国优秀硕士学位论文全文数据库 农业科技辑》.2018,(第11期),全文. * |
朱姝.面向对象的高分遥感影像建筑物提取方法研究.《中国优秀硕士学位论文全文数据库 基础科学辑》.2018,(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110738133A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674735B (zh) | 基于精细分类的农业设施遥感提取方法和装置 | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
GB2598012A (en) | System and method for crop monitoring | |
CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
JP2007310463A (ja) | 圃場管理支援方法及びシステム | |
CN108710766B (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
CN113468964B (zh) | 一种基于高光谱的农业病虫害监测方法及设备 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN104132897A (zh) | 一种基于手持设备的植物叶片含氮量测量方法和装置 | |
CN109815914A (zh) | 一种基于植被区域识别的卷积神经网络模型训练方法及系统 | |
CN106651149A (zh) | 一种植物生长行为分析方法 | |
CN110738133B (zh) | 不同农业设施图像轮廓边界识别方法和装置 | |
CN106683092B (zh) | 测算蓝莓树冠郁闭度的装置和方法 | |
CN116543316A (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 | |
Ouyang et al. | Assessment of canopy size using UAV-based point cloud analysis to detect the severity and spatial distribution of canopy decline | |
Gao et al. | Maize seedling information extraction from UAV images based on semi-automatic sample generation and Mask R-CNN model | |
CN117652267A (zh) | 一种用于园林绿化维护的监测管理方法及系统 | |
CN110064601B (zh) | 一种蔬菜嫁接用苗检测分级系统和分级方法 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
CN114463343A (zh) | 一种自动提取海岸带养殖工厂轮廓的方法及装置 | |
CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
Bruscolini et al. | Drone services for plant water-status mapping | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology |
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 |