CN110738134B - 面向无人机可见光影像的土壤信息提取方法及装置 - Google Patents
面向无人机可见光影像的土壤信息提取方法及装置 Download PDFInfo
- Publication number
- CN110738134B CN110738134B CN201910903056.0A CN201910903056A CN110738134B CN 110738134 B CN110738134 B CN 110738134B CN 201910903056 A CN201910903056 A CN 201910903056A CN 110738134 B CN110738134 B CN 110738134B
- Authority
- CN
- China
- Prior art keywords
- visible light
- light image
- unmanned aerial
- aerial vehicle
- segmentation
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种面向无人机可见光影像的土壤信息提取方法及装置,面向无人机可见光影像的土壤信息提取方法包括:对所述可见光影像进行分割,以生成所述可见光影像的分割结果;利用差异植被指数法从所述分割结果中提取初始土壤信息;根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息。本发明提供的面向无人机可见光影像的土壤信息提取方法及装置能够在无人机可见光影像中,仅利用可见光影像中的R、G、B三波段来区分其中土壤信息以及其他信息,从而准确提取土壤信息。
Description
技术领域
本发明涉及遥感影像解译技术领域,具体涉及无人机可见光影像地物信息解译技术领域,特别是涉及一种面向无人机可见光影像的土壤信息提取方法及装置。
背景技术
无人机可见光影像具有高清晰、大比例尺的优点。但无人机可见光影像大多只有红(R)、绿(G)、蓝(B)三个波段,只含有RGB三个波段的无人机影像称为可见光影像。与多波段卫星遥感影像(如Landsat 8OLI)相比,无人机可见光影像虽然具有更高的空间分辨率,但波段信息较少,无法使用传统的指数法来提取土壤信息。早期有的学者使用归一化土壤指数(Normalized Difference Soil Index,NDSI)提取土壤信息(公式1)。式(1)中,MIR表示中红外波段,NIR表示近红外波段。还有的学者使用指数NDSI和指数NDISI相结合的方式提取土壤信息,其中指数NDISI中使用了近红外、中红外、热红外、绿波段。
但是无人机可见光影像因为只有R、G、B三个波段,无法使用上述公式中的土壤指数来提取土壤信息。
发明内容
针对现有技术中的问题,本发明提供的面向无人机可见光影像的土壤信息提取方法及装置能够在无人机可见光影像中,仅利用可见光影像中的R、G、B三波段来区分其中土壤信息以及其他信息,从而准确提取土壤信息。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种面向无人机可见光影像的土壤信息提取方法,包括:
对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
利用差异植被指数法从所述分割结果中提取初始土壤信息;
根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息。
优选地,所述对所述可见光影像进行分割,以生成所述可见光影像的分割结果,包括:
利用多尺度分割算法计算分割所述可见光影像的分割尺度;
利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
优选地,所述根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息,包括:
根据所述红波段、绿波段及蓝波段各自的数值计算差异指数;
利用差异植被指数法从所述分割结果中提取植被信息及水体信息,以区别于所述初始土壤信息;
根据所述差异指数区分所述土壤信息、所述水体信息及所述植被信息,以提取所述最终土壤信息。
优选地,所述根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息,包括:
根据所述红波段、绿波段及蓝波段各自的数值计算差异指数;
根据所述差异指数提取所述最终土壤信息。
第二方面,本发明提供一种面向无人机可见光影像的土壤信息提取装置,该装置包括:
分割结果生成单元,用于对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
初始信息提取单元,用于利用差异植被指数法从所述分割结果中提取初始土壤信息;
最终信息提取单元,用于根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息。
优选地,所述分割结果生成单元包括:
分割尺度计算模块,用于利用多尺度分割算法计算分割所述可见光影像的分割尺度;
分割结果生成模块,用于利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
优选地,所述最终信息提取单元包括:
差值指数计算第一模块,用于根据所述红波段、绿波段及蓝波段各自的数值计算差异指数;
植水提取模块,用于利用差异植被指数法从所述分割结果中提取植被信息及水体信息,以区别于所述初始土壤信息;
最终信息提取第一模块,用于根据所述差异指数提取所述最终土壤信息。
优选地,所述最终信息提取单元包括:
差值指数计算第二模块,用于根据所述红波段、绿波段及蓝波段各自的数值计算差异指数;
最终信息提取第二模块,用于根据所述差异指数提取所述最终土壤信息。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现面向无人机可见光影像的土壤信息提取方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现面向无人机可见光影像的土壤信息提取方法的步骤。
从上述描述可知,本发明提供的面向无人机可见光影像的土壤信息提取方法及装置,首先基于多尺度分割算法的原理先计算分割无人机可见光影像的最佳尺度,然后使用多尺度分割算法对无人机可见光影像进行分割,接着使用指数可见光波段差异植被指数法(visible-band difference vegetation index,简称VDVI)对分割结果进行计算,从而剔除无人机可见光影像中的植被信息和水体信息,排除对提取土壤信息的影响。再将剔除植被和水体的结果图层记为α(α图层中还包括不透水面和土壤信息),在此基础上,使用本方法出的指数法VDSI对图层α进行计算,通过不断调整阈值的方法,将土壤信息与不透水面区分,从而达到提取土壤信息的目的。与现有的土壤信息识别方法相比,本方法可以对仅有R、G、B三波段的无人机可见光影像准确地提取土壤信息,并为无人机可见光影像土壤信息提取提供一个新的方法。
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为本发明的实施例中面向无人机可见光影像的土壤信息提取方法流程示意图一;
图2为本发明的实施例中面向无人机可见光影像的土壤信息提取方法步骤100的流程示意图;
图3为本发明的实施例中面向无人机可见光影像的土壤信息提取方法步骤100的流程示意图一;
图4为本发明的实施例中面向无人机可见光影像的土壤信息提取方法步骤300的流程示意图二;
图5为本发明的实施例中面向无人机可见光影像的土壤信息提取方法流程示意图三;
图6为本发明的具体应用实例中面向无人机可见光影像的土壤信息提取方法的流程示意图一;
图7为本发明的具体应用实例中面向无人机可见光影像的土壤信息提取方法的流程示意图二;
图8为本发明的具体应用实例中研究区域图示意图;
图9为本发明的具体应用实例中使用可见光波段差异植被指数算法提取的突然信息结果示意图;
图10为本发明的具体应用实例中利用目视解译方法手动提取的土壤信息图;
图11为本发明的实施例中的面向无人机可见光影像的土壤信息提取装置的结构示意图一;
图12为本发明的实施例中的分割结果生成单元结构示意图;
图13为本发明的实施例中的最终信息提取单元结构示意图一;
图14为本发明的实施例中的最终信息提取单元结构示意图二;
图15为本发明的实施例中的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、完整的描述,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。
鉴于现有技术中无人机可见光影像波段信息较少,无法使用传统的指数法来提取土壤信息。基于此,本发明的实施例提供一种面向无人机可见光影像的土壤信息提取方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:对所述可见光影像进行分割,以生成所述可见光影像的分割结果。
可以理解的是,在步骤100之前面向无人机可见光影像的土壤信息提取方法还应包括加载无人机可见光影像。另外,步骤100中的分割是指把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
步骤200:利用差异植被指数法从所述分割结果中提取初始土壤信息。
差异植被指数法(visible-band difference vegetation index,简称VDVI)是根据植被的光谱特性,通过观察它们在各波段间反射率的差异,构造植被指数,提取植被信息,从而形成了各种植被指数。植被指数是对地表植被状况的简单、有效和经验的度量。步骤200是对步骤100中的分割结果进行计算,其目的是先提取出初始土壤信息,其中初始土壤信息包括不透水面信息(水不能透过的地层,如:水泥地,柏油路,建筑等)与土壤信息,并排除其他地物(不透水面、水体等)对提取土壤信息的影响。
步骤300:根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息。
可以理解的是,步骤300是根据可见光影像中红波段、绿波段及蓝波段各自的数值构建一种新的指数,在这里定义为可见光波段差异土壤指数(visible-band differencesoil index,简称VDSI),对步骤200中的初始水体信息图层进行计算,通过不断调整阈值的方法,将水体信息与植被信息区分,从而达到进一步地、准确地提取水体的目的。
从上述描述可知,本发明提供的面向无人机可见光影像的土壤信息提取方法,首先基于多尺度分割算法的原理先计算分割无人机可见光影像的最佳尺度,然后使用多尺度分割算法对无人机可见光影像进行分割,接着使用指数可见光波段差异植被指数法(visible-band difference vegetation index,简称VDVI)对分割结果进行计算,从而剔除无人机可见光影像中的植被信息和水体信息,排除对提取土壤信息的影响。再将剔除植被和水体的结果图层记为α(α图层中还包括不透水面和土壤信息),在此基础上,使用本方法出的指数法VDSI对图层α进行计算,通过不断调整阈值的方法,将土壤信息与不透水面区分,从而达到提取土壤信息的目的。与现有的土壤信息识别方法相比,本方法可以对仅有R、G、B三波段的无人机可见光影像准确地提取土壤信息,并为无人机可见光影像土壤信息提取提供一个新的方法。
一实施例中,参见图2,步骤100包括:
步骤101:利用多尺度分割算法计算分割所述可见光影像的分割尺度。
步骤101在实施时,具体为:采用面向对象的分类方法,基于多尺度分割算法的原理先计算分割影像(即无人机可见光影像)的最佳尺度。进一步地,以预设步长开始逐步分割,达到设定的最大分割尺度时停止分割。每分割一次,计算一次局部方差并记录,最后把每一个分割尺度下得到的局部方差进行统计,使用变化率计算公式去衡量当前分割尺度下得到的结果与上一次分割尺度下得到的结果的变化率。当变化率较大时,则认为该尺度为最佳分割尺度。在本实施例中,当变化率大于0.65时,认为对应的尺度(55)为最佳分割尺度。
步骤102:利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
步骤102实质上是利用步骤101中生成的最佳分割尺度对无人机可见光影像进行多尺度分割。
一实施例中,参见图3,步骤300包括:
步骤301:根据所述红波段、绿波段及蓝波段各自的数值计算差异指数。
步骤302:利用差异植被指数法从所述分割结果中提取植被信息及水体信息,以区别于所述初始土壤信息。
基于前述的背景技术,无人机可见光影像虽然具有更高的空间分辨率,但波段信息较少,无法使用传统的指数法来提取地物信息。尤其是针对水体信息的提取,无人机可见光影像缺少对水体信息最为敏感的近红外波段(NIR),而现有技术中无人机可见光影像中与土壤信息最为相似的为植被信息及水体信息,另一方面,基于地理常识,地表土壤往往与植被相连,所以将土壤信息与植被信息区分开来对于提取水体信息尤为重要。
步骤303:根据所述差异指数区分所述土壤信息、所述水体信息及所述植被信息,以提取所述最终土壤信息。
在步骤301及步骤303中,通过可见光影像中红波段、绿波段及蓝波段各自的数值来构建的指数VDVI,以对无人机可见光影像进行处理,其目的是在步骤200的基础上进一步区分植被信息、土壤信息以及水体信息,并通过不断调整阈值的方式,将土壤信息与植被信息以及水体信息从无人机可见光影像中区分开。
一实施例中,参见图4,步骤300包括:
步骤30a:根据所述红波段、绿波段及蓝波段各自的数值计算差异指数。
可以理解的是,这里的差异指数是指步骤300中的可见光波段差异土壤指数VDSI。
步骤30b:根据所述差异指数提取所述最终土壤信息。
可以理解的是,步骤300还可以以另一种方式来实现,即不从所述分割结果中提取植被信息及水体信息,直接根据差值提取所述最终水体信息。以该种方式执行步骤300的好处是:简化计算步骤,从而加快运行速度。相对地,以步骤301至步骤303来执行步骤300的好处是:可以更为精准的从分割结果中提取最终土壤信息。
在步骤30a及步骤30b中,通过可见光影像中红波段、绿波段及蓝波段各自的数值来构建的指数VDVI,以对无人机可见光影像进行处理,其目的是在步骤200的基础上进一步区分植被信息、土壤信息以及水体信息,并通过不断调整阈值的方式,将土壤信息与植被信息以及水体信息从无人机可见光影像中区分开。
一实施例中,参见图5,面向无人机可见光影像的土壤信息提取方法还包括:
步骤500:对提取结果进行验证。
具体地,通过目视解译的方式,从无人机可见光影像中手动提取水体信息作为验证数据,并计算其可靠系数,以对提取结果进行验证。
从上述描述可知,本发明提供的面向无人机可见光影像的土壤信息提取方法,首先基于多尺度分割算法的原理先计算分割无人机可见光影像的最佳尺度,然后使用多尺度分割算法对无人机可见光影像进行分割,接着使用指数可见光波段差异植被指数法(visible-band difference vegetation index,简称VDVI)对分割结果进行计算,从而剔除无人机可见光影像中的植被信息和水体信息,排除对提取土壤信息的影响。再将剔除植被和水体的结果图层记为α(α图层中还包括不透水面和土壤信息),在此基础上,使用本方法出的指数法VDSI对图层α进行计算,通过不断调整阈值的方法,将土壤信息与不透水面区分,从而达到提取土壤信息的目的。与现有的土壤信息识别方法相比,本方法可以对仅有R、G、B三波段的无人机可见光影像准确地提取土壤信息,并为无人机可见光影像土壤信息提取提供一个新的方法。
为进一步地说明本方案,本发明以云南师范大学呈贡校区部分校园无人机可见光影像作为研究数据,提供面向无人机可见光影像的土壤信息提取方法的具体应用实例,该具体应用实例具体包括如下内容,参见图6及图7。
研究区无人机可见光影像如图8所示。影像包含红、绿、蓝三个波段,影像中主要地物类型有:植被、土壤、水体、不透水面。
S0:加载无人机可见光影像。
S1:计算分割无人机可见光影像的最佳尺度。
具体地,按照步长为1,分割起始尺度为20,分割循环次数为100作为参数,统计每一次分割后无人机可见光影像的局部方差,使用变化率公式(2)计算无人机可见光影像每次分割后的变化率,选择变化率较大的尺度作为最佳分割尺度。
公式(1)中,L表示当前分割尺度下无人机可见光影像的局部方差,L’表示上一分割尺度下无人机可见光影像的局部方差。
S2:使用多尺度分割算法对无人机可见光影像进行分割。
分割尺度使用上一步计算得到的最佳分割尺度。根据地理学第一定律,距离越近,地物间的相关性越大,多尺度分割算法采用自下至上逐步合并具有同质性像元的方式,直到达到人为设定的最大分割尺度后停止合并,将具有同质性的地物分为一个斑块。可以理解的是,分割尺度越小,无人机可见光影像被划分的越细碎,无人机可见光影像的局部方差越小;反之,分割尺度越大,无人机可见光影像被划分的越粗略,无人机可见光影像的局部方差越大。
S3:使用可见光波段差异植被指数法对分割后的无人机可见光影像进行计算。
具体地,使用可见光波段差异植被指数法VDVI对分割后的无人机可见光影像进行计算,将计算结果与原始无人机可见光影像进行对比,设定0.04作为提取水体与植被信息的阈值,将水体信息和植被信息剔除以后,无人机可见光影像中只有不透水面和土壤信息。
进一步的,参照公式(3)使用VDVI指数对无人机可见光影像进行计算。其目的是提取出无人机可见光影像中的植被信息与水体信息,排除裸土、不透水面等其他地物的干扰,通过不断调整阈值的方式,将两种地物信息从无人机可见光影像提取出来。公式(3)中,R、G、B分别表示无人机可见光影像的红、绿、蓝波段。
S4:进行二次分割。
因为土壤信息内部差异性较大,为了更准确的提取土壤信息,在现有分割尺度的基础上,寻找一个更小的分割尺度对无人机可见光影像进行分割。方法与最佳分割尺度计算方式(步骤S1)相同。
S5:使用指数VDSI法对第二次分割后的无人机可见光影像进行计算。
使用本方法构建的指数VDSI(公式4)对无人机可见光影像进行处理,其目的是在步骤S3的基础上进一步区分植被和水体,通过不断调整阈值的方式,将水体信息与植被信息从无人机可见光影像中区分开。
式中,R、G、B分别表示影像中的红、绿、蓝波段。
具体地,使用指数VDSI对第二次分割后的无人机可见光影像进行计算,通过与原始无人机可见光影像进行对比,设定0.17作为提取土壤的阈值,提取结果如图9所示。
S6:对提取结果进行精度验证。
通过目视解译的方式,从无人机可见光影像中手动提取土壤信息作为验证数据,通过计算,使用VDSI指数法提取的水体信息的kappa系数达到了0.92,可见提取土壤信息精度较高,参见图10。
从上述描述可知,本发明提供的面向无人机可见光影像的土壤信息提取方法,首先基于多尺度分割算法的原理先计算分割无人机可见光影像的最佳尺度,然后使用多尺度分割算法对无人机可见光影像进行分割,接着使用指数可见光波段差异植被指数法(visible-band difference vegetation index,简称VDVI)对分割结果进行计算,从而剔除无人机可见光影像中的植被信息和水体信息,排除对提取土壤信息的影响。再将剔除植被和水体的结果图层记为α(α图层中还包括不透水面和土壤信息),在此基础上,使用本方法出的指数法VDSI对图层α进行计算,通过不断调整阈值的方法,将土壤信息与不透水面区分,从而达到提取土壤信息的目的。与现有的土壤信息识别方法相比,本方法可以对仅有R、G、B三波段的无人机可见光影像准确地提取土壤信息,并为无人机可见光影像土壤信息提取提供一个新的方法。
基于同一发明构思,本申请实施例还提供了面向无人机可见光影像的土壤信息提取装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于面向无人机可见光影像的土壤信息提取装置解决问题的原理与面向无人机可见光影像的土壤信息提取方法相似,因此面向无人机可见光影像的土壤信息提取装置的实施可以参见面向无人机可见光影像的土壤信息提取方法实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现面向无人机可见光影像的土壤信息提取方法的面向无人机可见光影像的土壤信息提取装置的具体实施方式,参见图11,面向无人机可见光影像的土壤信息提取装置具体包括如下内容:
分割结果生成单元10,用于对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
初始信息提取单元20,用于利用差异植被指数法从所述分割结果中提取初始土壤信息;
最终信息提取单元30,用于根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息。
优选地,参见图12,所述分割结果生成单元10包括:
分割尺度计算模块101,用于利用多尺度分割算法计算分割所述可见光影像的分割尺度;
分割结果生成模块102,用于利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
优选地,参见图13,所述最终信息提取单元30包括:
差值指数计算第一模块301,用于根据所述红波段、绿波段及蓝波段各自的数值计算差异指数;
植水提取模块302,用于利用差异植被指数法从所述分割结果中提取植被信息及水体信息,以区别于所述初始土壤信息;
最终信息提取第一模块303,用于根据所述差异指数提取所述最终土壤信息。
优选地,参见图14,所述最终信息提取单元30包括:
差值指数计算第二模块30a,用于根据所述红波段、绿波段及蓝波段各自的数值计算差异指数;
最终信息提取第二模块30b,用于根据所述差异指数提取所述最终土壤信息。
从上述描述可知,本发明提供的面向无人机可见光影像的土壤信息提取装置,首先基于多尺度分割算法的原理先计算分割无人机可见光影像的最佳尺度,然后使用多尺度分割算法对无人机可见光影像进行分割,接着使用指数可见光波段差异植被指数法(visible-band difference vegetation index,简称VDVI)对分割结果进行计算,从而剔除无人机可见光影像中的植被信息和水体信息,排除对提取土壤信息的影响。再将剔除植被和水体的结果图层记为α(α图层中还包括不透水面和土壤信息),在此基础上,使用本方法出的指数法VDSI对图层α进行计算,通过不断调整阈值的方法,将土壤信息与不透水面区分,从而达到提取土壤信息的目的。与现有的土壤信息识别方法相比,本方法可以对仅有R、G、B三波段的无人机可见光影像准确地提取土壤信息,并为无人机可见光影像土壤信息提取提供一个新的方法。
本申请的实施例还提供能够实现上述实施例中的面向无人机可见光影像的土壤信息提取方法中全部步骤的一种电子设备的具体实施方式,参见图15,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信;通信接口1203用于实现服务器端设备、采集设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序,处理器执行计算机程序时实现上述实施例中的面向无人机可见光影像的土壤信息提取方法中的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:对所述可见光影像进行分割,以生成所述可见光影像的分割结果。
步骤200:利用差异植被指数法从所述分割结果中提取初始土壤信息。
步骤300:根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息。
从上述描述可知,本申请实施例中的电子设备,首先基于多尺度分割算法的原理先计算分割无人机可见光影像的最佳尺度,然后使用多尺度分割算法对无人机可见光影像进行分割,接着使用指数可见光波段差异植被指数法(visible-band differencevegetation index,简称VDVI)对分割结果进行计算,从而剔除无人机可见光影像中的植被信息和水体信息,排除对提取土壤信息的影响。再将剔除植被和水体的结果图层记为α(α图层中还包括不透水面和土壤信息),在此基础上,使用本方法出的指数法VDSI对图层α进行计算,通过不断调整阈值的方法,将土壤信息与不透水面区分,从而达到提取土壤信息的目的。与现有的土壤信息识别方法相比,本方法可以对仅有R、G、B三波段的无人机可见光影像准确地提取土壤信息,并为无人机可见光影像土壤信息提取提供一个新的方法。
本申请的实施例还提供能够实现上述实施例中的面向无人机可见光影像的土壤信息提取方法中全部步骤的一种计算机可读存储介质,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执行时实现上述实施例中的面向无人机可见光影像的土壤信息提取方法的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:对所述可见光影像进行分割,以生成所述可见光影像的分割结果。
步骤200:利用差异植被指数法从所述分割结果中提取初始土壤信息。
步骤300:根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息。
从上述描述可知,本申请实施例中的计算机可读存储介质,首先基于多尺度分割算法的原理先计算分割无人机可见光影像的最佳尺度,然后使用多尺度分割算法对无人机可见光影像进行分割,接着使用指数可见光波段差异植被指数法(visible-banddifference vegetation index,简称VDVI)对分割结果进行计算,从而剔除无人机可见光影像中的植被信息和水体信息,排除对提取土壤信息的影响。再将剔除植被和水体的结果图层记为α(α图层中还包括不透水面和土壤信息),在此基础上,使用本方法出的指数法VDSI对图层α进行计算,通过不断调整阈值的方法,将土壤信息与不透水面区分,从而达到提取土壤信息的目的。与现有的土壤信息识别方法相比,本方法可以对仅有R、G、B三波段的无人机可见光影像准确地提取土壤信息,并为无人机可见光影像土壤信息提取提供一个新的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种面向无人机可见光影像的土壤信息提取方法,其特征在于,包括:
对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
利用差异植被指数法从所述分割结果中提取初始土壤信息;
根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息;
所述对所述可见光影像进行分割,以生成所述可见光影像的分割结果,包括:
利用多尺度分割算法计算分割所述可见光影像的分割尺度;
利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果;
所述利用多尺度分割算法计算分割所述可见光影像的分割尺度,包括:
以预设步长开始逐步分割,达到设定的最大分割尺度时停止分割;每分割一次,计算一次局部方差并记录,最后把每一个分割尺度下得到的局部方差进行统计,使用变化率计算公式去衡量当前分割尺度下得到的结果与上一次分割尺度下得到的结果的变化率;
所述利用多尺度分割算法计算分割所述可见光影像的分割尺度包括:
按照步长为1,分割起始尺度为20,分割循环次数为100作为参数,统计每一次分割后无人机可见光影像的局部方差,使用公式1计算无人机可见光影像每次分割后的变化率,并选择变化率超过预设阈值的尺度作为分割尺度;
其中,L表示当前分割尺度下无人机可见光影像的局部方差,L’表示上一分割尺度下无人机可见光影像的局部方差;
所述利用差异植被指数法从所述分割结果中提取初始土壤信息包括:
使用可见光波段差异植被指数法VDVI对分割后的无人机可见光影像进行计算,将计算结果与原始无人机可见光影像进行对比,设定0.04作为提取水体与植被信息的阈值,将水体信息和植被信息剔除以后,无人机可见光影像中只有不透水面和土壤信息;
进一步的,参照公式3使用VDVI指数对无人机可见光影像进行计算;公式3中,R、G、B分别表示无人机可见光影像的红、绿、蓝波段;
根据公式1对无人机可见光影像进行二次分割,以生成第二次分割结果;
使用指数VDSI法对所述第二次分割结果中的无人机可见光影像进行计算;
具体地,使用指数VDSI公式4对无人机可见光影像进行处理,通过不断调整阈值的方式,将水体信息与植被信息从无人机可见光影像中区分开;
式中,R、G、B分别表示影像中的红、绿、蓝波;
进一步地,使用指数VDSI法对第二次分割后的无人机可见光影像进行计算,通过与原始无人机可见光影像进行对比,设定0.17作为提取土壤的阈值。
2.一种面向无人机可见光影像的土壤信息提取装置,其特征在于,包括:
分割结果生成单元,用于对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
初始信息提取单元,用于利用差异植被指数法从所述分割结果中提取初始土壤信息;
最终信息提取单元,用于根据所述可见光影像中红波段、绿波段及蓝波段,从所述初始土壤信息中提取最终土壤信息;
所述分割结果生成单元包括:
分割尺度计算模块,用于利用多尺度分割算法计算分割所述可见光影像的分割尺度;
分割结果生成模块,用于利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果;
所述分割尺度计算模块具体用于以预设步长开始逐步分割,达到设定的最大分割尺度时停止分割;每分割一次,计算一次局部方差并记录,最后把每一个分割尺度下得到的局部方差进行统计,使用变化率计算公式去衡量当前分割尺度下得到的结果与上一次分割尺度下得到的结果的变化率;
所述分割尺度计算模块包括:
按照步长为1,分割起始尺度为20,分割循环次数为100作为参数,统计每一次分割后无人机可见光影像的局部方差,使用公式1计算无人机可见光影像每次分割后的变化率,并选择变化率超过预设阈值的尺度作为分割尺度;
其中,L表示当前分割尺度下无人机可见光影像的局部方差,L’表示上一分割尺度下无人机可见光影像的局部方差;
所述利用差异植被指数法从所述分割结果中提取初始土壤信息包括:
使用可见光波段差异植被指数法VDVI对分割后的无人机可见光影像进行计算,将计算结果与原始无人机可见光影像进行对比,设定0.04作为提取水体与植被信息的阈值,将水体信息和植被信息剔除以后,无人机可见光影像中只有不透水面和土壤信息;
进一步的,参照公式3使用VDVI指数对无人机可见光影像进行计算;公式3中,R、G、B分别表示无人机可见光影像的红、绿、蓝波段;
根据公式1对无人机可见光影像进行二次分割,以生成第二次分割结果;
使用指数VDSI法对所述第二次分割结果中的无人机可见光影像进行计算;
具体地,使用指数VDSI公式4对无人机可见光影像进行处理,通过不断调整阈值的方式,将水体信息与植被信息从无人机可见光影像中区分开;
式中,R、G、B分别表示影像中的红、绿、蓝波;
进一步地,使用指数VDSI法对第二次分割后的无人机可见光影像进行计算,通过与原始无人机可见光影像进行对比,设定0.17作为提取土壤的阈值。
3.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1所述面向无人机可见光影像的土壤信息提取方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1所述面向无人机可见光影像的土壤信息提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903056.0A CN110738134B (zh) | 2019-09-24 | 2019-09-24 | 面向无人机可见光影像的土壤信息提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903056.0A CN110738134B (zh) | 2019-09-24 | 2019-09-24 | 面向无人机可见光影像的土壤信息提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738134A CN110738134A (zh) | 2020-01-31 |
CN110738134B true CN110738134B (zh) | 2023-04-18 |
Family
ID=69269554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910903056.0A Active CN110738134B (zh) | 2019-09-24 | 2019-09-24 | 面向无人机可见光影像的土壤信息提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738134B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029105A (zh) * | 2021-03-02 | 2021-06-25 | 华东师范大学 | 一种潮滩地形反演的方法及系统 |
CN112883907B (zh) * | 2021-03-16 | 2022-07-05 | 云南师范大学 | 小体积模型的滑坡检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688777B (zh) * | 2017-07-21 | 2022-11-18 | 同济大学 | 一种协同多源遥感影像的城市绿地提取方法 |
CN109448016A (zh) * | 2018-11-02 | 2019-03-08 | 三亚中科遥感研究所 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
-
2019
- 2019-09-24 CN CN201910903056.0A patent/CN110738134B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于无人机高分辨率遥感影像的四川低丘区耕地信息提取研究;刘鑫;《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》;20190115;第9-16、36页 * |
无人机倾斜摄影系统的三维可视化应用研究;谢国雪;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20170315;摘要、第3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN110738134A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018024030A1 (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
Zhang et al. | Multi-focus image fusion algorithm based on focused region extraction | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
Li et al. | Extracting man-made objects from high spatial resolution remote sensing images via fast level set evolutions | |
Al-Sit et al. | Visual texture for automated characterisation of geological features in borehole televiewer imagery | |
CN110738134B (zh) | 面向无人机可见光影像的土壤信息提取方法及装置 | |
CN103745468A (zh) | 一种基于图结构和边界先验的显著性物体检测方法 | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
CN104318051A (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN104392233A (zh) | 一种基于区域的图像显著图提取方法 | |
CN103927759A (zh) | 一种航空图像自动云检测方法 | |
CN114049566B (zh) | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN110717413B (zh) | 面向无人机可见光影像的水体信息提取方法及装置 | |
CN115690536A (zh) | 一种单帧红外小目标检测方法及装置 | |
Coca et al. | Normalized compression distance for SAR image change detection | |
Csillik | Superpixels: The end of pixels in obia. A comparison of stat-of-the-art superpixel methods for remote sensing data | |
CN106570870B (zh) | 一种确定图像分割尺度参数的自适应方法 | |
Li et al. | A new region growing-based segmentation method for high resolution remote sensing imagery | |
Wang et al. | Edge detection from high-resolution remotely sensed imagery based on Gabor filter in frequency domain | |
Qian et al. | Pavement crack detection based on improved tensor voting | |
Dong et al. | Auto localization for coastal satellite imagery based on curve matching | |
Sandeep | Level sets for real-world object segmentation |
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 |