CN111060455B - 面向东北冷凉区的遥感图像作物标记方法和装置 - Google Patents

面向东北冷凉区的遥感图像作物标记方法和装置 Download PDF

Info

Publication number
CN111060455B
CN111060455B CN201911059354.2A CN201911059354A CN111060455B CN 111060455 B CN111060455 B CN 111060455B CN 201911059354 A CN201911059354 A CN 201911059354A CN 111060455 B CN111060455 B CN 111060455B
Authority
CN
China
Prior art keywords
ndvi
remote sensing
condition
image
sensing image
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
Application number
CN201911059354.2A
Other languages
English (en)
Other versions
CN111060455A (zh
Inventor
徐飞飞
陆洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Hexin Remote Sensing Technology Suzhou Co ltd, Institute of Geographic Sciences and Natural Resources of CAS filed Critical Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
Priority to CN201911059354.2A priority Critical patent/CN111060455B/zh
Publication of CN111060455A publication Critical patent/CN111060455A/zh
Application granted granted Critical
Publication of CN111060455B publication Critical patent/CN111060455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Abstract

本申请涉及一种提供面向东北冷凉区的遥感图像作物标记方法和装置，利用归一化植被指数用以区分植被与非植被，归一化建筑指数用以区分建筑和休耕地，红边位置指数用来提取玉米，归一化水稻指数用来提取水稻，绿度指数用以区分大豆和甜菜。具有识别准确度高，能够准确识别出作物以及作物所在的地块。

Description

面向东北冷凉区的遥感图像作物标记方法和装置
技术领域
本发明涉及农作物遥感监测领域，尤其是涉及一种面向东北冷凉区的遥感图像作物标记方法和装置。
背景技术
农作物种植结构的调整将是中国农业生产可持续发展的国策，轮作休耕是实施″藏粮于地，藏粮于技″的战略布局，对保障我国粮食安全和农业绿色转型具有深远意义。
目前，东北冷凉区作物种植面积的获取多基于统计数据，其时效性、真实性较差，且无法呈现空间分异特征。利用卫星遥感技术开展作物种植面积监测，具有低成本、便利化、高效率、系统性等明显优势，降低人为因素的干扰，实现对作物面积的精确监测，实现公平公正。
东北冷凉区作物种类较多，对于不同的作物的识别较为困难，目前尚没有能够准确识别出作物类型的方法。
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，从而提供一种面向东北冷凉区的遥感图像作物标记方法和装置。
本发明解决其技术问题所采用的技术方案是：
一种面向东北冷凉区的遥感图像作物标记方法，包括以下步骤：
S1：获取待标记地区的遥感影像；所述遥感影像包括蓝光、绿光、红光、近红外、3个红边波段、短波红外波段，遥感影像时间包含5月-9月的影像； S2：对遥感影像上的像元进行识别以判断作物类型；
遥感影像上的像元符合条件1时识别为玉米，条件1：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08＞T4；
遥感影像上的像元符合条件2时识别为水稻，条件2：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08≤T4，且NDRI08≤T5；
遥感影像上的像元符合条件3时识别为甜菜，条件3：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08≤T4，且NDRI08＞T5，且GI08≤T6；
遥感影像上的像元符合条件4时识别为大豆，条件4：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08≤T4，且NDVI08＞T5，且GI08＞T6；
遥感影像上的像元识别符合条件5时识别为休耕地，条件5：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08＞T8；
其中，NDVI05表示5月份影像的NDVI；
NDVI08表示8月份影像NDVI值；
REP08表示8月份影像的红边位置指数；
NDRI08表示8月份影像的归一化水稻指数NDRI；
GI08表示8月份影像的绿度指数；
NDBI08表示8月份影像的归一化建筑指数；
阈值T1-T8均由样本数据统计所得；
S3：按照相同的作物类型提取仅种植单一作物的地块。
优选地，本发明的面向东北冷凉区的遥感图像作物标记方法，S2步骤中，遥感影像上的像元识别符合条件6时识别为浓密植被，条件6：T1＜NDVI05＜T2，且NDVI08≥T7；
遥感影像上的像元识别符合条件7时识别为建筑，条件7：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08≤T8。
优选地，本发明的面向东北冷凉区的遥感图像作物标记方法，
Figure GDA0003456506260000031
Figure GDA0003456506260000032
其中，ρred、ρnir、ρswir分别为红光波段、近红外、短波红外波段像元反射率值；
Figure GDA0003456506260000033
其中，ρ为拐点反射率，ρ＝(ρ670+ρ780)/2，ρ670、ρ700、ρ740、ρ780分别为在波长670nm，700nm，740nm，780nm处的反射率；
Figure GDA0003456506260000034
GI＝10000*(ρblue-ρgreen)；
其中，ρred、ρswir、ρblue、ρgreen分别为红光波段、短波红外、蓝光波段、绿光坡段的反射率值。
优选地，本发明的面向东北冷凉区的遥感图像作物标记方法，S3步骤中，对地块的提取包括以下步骤：
S301：对遥感影像上的地块进行识别；
S302：对地块内的作物进行识别，若一个地块内含有至少两种作物类型，则标记所述地块为待校正地块；
S303：将包含待校正地块的遥感影像使用高斯滤波器平滑图像；
S304：用一阶微分算子的有限差分计算滤波后图像梯度的幅值和方向；
S305：对梯度幅值进行非极大值抑制，遍历图像，若某个像素的梯度值小于沿着梯度方向上的两个相邻像素的梯度值，则判定此像素点不是边缘点，将其灰度值置为0；
S306：用双阈值算法检测和连接边缘，使用累计直方图计算两个阈值，分别为高阈值和低阈值，分别记Thigh和Tlow，凡是大于Thigh的则判定为边缘，凡是小于Tlow的判断为不是边缘；如果检测结果大于等于Tlow但又小于等于Thigh，则继续判断该像素的邻接像素中有没有超过高阈值的像素点，如果有，则该像素点就是边缘点，否则就不是边缘；
S307：如果检测结果中作为边缘点的像素点不连续而形成断点，则依据边缘局部方向不变性以n×n模板搜索端点；连接搜索到的任意两个端点，评价该端点连线是否为线性，若结果为线性则以连线作为边缘，如果无法搜索端点或者端点不为线性，则由人工进行标记；
S308：将提取出的线性边界线切割耕地地块轮廓边界最终形成耕地地块单元，从而获得仅存在一种作物的地块单元。
优选地，本发明的面向东北冷凉区的遥感图像作物标记方法，还包括对种植不同作物的地块的面积进行统计的步骤。
本发明还提供一种面向东北冷凉区的遥感图像作物标记装置，包括：
影像获取模块：用于获取待标记地区的遥感影像；所述遥感影像包括蓝光、绿光、红光、近红外、3个红边波段、短波红外波段，遥感影像时间包含5月-9 月的影像；
作物类型识别模块：对遥感影像上的像元进行识别以判断作物类型；遥感影像上的像元符合条件1时识别为玉米，条件1：T1＜NDVI05＜T2，且NDVI0g＞ T3，且REP08＞T4；遥感影像上的像元符合条件2时识别为水稻，条件2： T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDRI08≤T5；遥感影像上的像元符合条件3时识别为甜菜，条件3：T1＜NDVI05＜T2，且NDVI08＞T3，且 REP08≤T4，且NDRI08＞T5，且GI08≤T6；遥感影像上的像元符合条件4时识别为大豆，条件4：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDVI08＞T5，且GI08＞T6；遥感影像上的像元识别符合条件5时识别为休耕地，条件5： T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08＞T8；其中，NDVI05表示5月份影像的NDVI；NDVI08表示8月份影像NDVI值；REP08表示8月份影像的红边位置指数；NDRI08表示8月份影像的归一化水稻指数NDRI；GI08表示8月份影像的绿度指数；NDBI08表示8月份影像的归一化建筑指数；阈值T1-T8均由样本数据统计所得；
结果输出模块：用于按照相同的作物类型提取仅种植单一作物的地块。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，作物类型识别模块中，遥感影像上的像元识别符合条件6时识别为浓密植被，条件6： T1＜NDVI05＜T2，且NDVI08≥T7；
遥感影像上的像元识别符合条件7时识别为建筑，条件7：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08≤T8。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，
Figure GDA0003456506260000051
Figure GDA0003456506260000052
其中，ρred、ρnir、ρswir分别为红光波段、近红外、短波红外波段像元反射率值；
Figure GDA0003456506260000053
其中，ρ为拐点反射率，ρ＝(ρ670+ρ780)/2，ρ670、ρ700、ρ740、ρ780分别为在波长670nm，700nm，740nm，780nm处的反射率；
Figure GDA0003456506260000061
GI＝10000*(ρblue-ρgreen)；
其中，ρred、ρswir、ρblue、ρgreen分别为红光波段、短波红外、蓝光波段、绿光坡段的反射率值。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，结果输出模块中，对地块的提取包括以下步骤：
S301：对遥感影像上的地块进行识别；
S302：对地块内的作物进行识别，若一个地块内含有至少两种作物类型，则标记所述地块为待校正地块；
S303：将包含待校正地块的遥感影像使用高斯滤波器平滑图像；
S304：用一阶微分算子的有限差分计算滤波后图像梯度的幅值和方向；
S305：对梯度幅值进行非极大值抑制，遍历图像，若某个像素的梯度值小于沿着梯度方向上的两个相邻像素的梯度值，则判定此像素点不是边缘点，将其灰度值置为0；
S306：用双阈值算法检测和连接边缘，使用累计直方图计算两个阈值，分别为高阈值和低阈值，分别记Thigh和Tlow，凡是大于Thigh的则判定为边缘，凡是小于Tlow的判断为不是边缘；如果检测结果大于等于Tlow但又小于等于Thigh，则继续判断该像素的邻接像素中有没有超过高阈值的像素点，如果有，则该像素点就是边缘点，否则就不是边缘；
S307：如果检测结果中作为边缘点的像素点不连续而形成断点，则依据边缘局部方向不变性以n×n模板搜索端点；连接搜索到的任意两个端点，评价该端点连线是否为线性，若结果为线性则以连线作为边缘，如果无法搜索端点或者端点不为线性，则由人工进行标记；
S308：将提取出的线性边界线切割耕地地块轮廓边界最终形成耕地地块单元，从而获得仅存在一种作物的地块单元。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，还包括对种植不同作物的地块的面积进行统计的步骤。
本发明的有益效果是：
本申请提供面向东北冷凉区的遥感图像作物标记方法和装置，利用归一化植被指数用以区分植被与非植被，归一化建筑指数用以区分建筑和休耕地，红边位置指数用来提取玉米，归一化水稻指数用来提取水稻，绿度指数用以区分大豆和甜菜。具有识别准确度高，能够准确识别出作物以及作物所在的地块。
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是遥感图像作物类型识别技术流程图；
图2是耕地地块提取的技术流程图；
图3是耕地地块识别结果图；
图4是基于多时相、多指数的作物提取技术
图5是耕地地块修正示意图；
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
本实施例提供一种面向东北冷凉区的遥感图像作物标记方法，如图1所示，包括以下步骤：
S1：获取待标记地区的遥感影像；所述遥感影像包括蓝光、绿光、红光、近红外、3个红边波段、短波红外波段，遥感影像包含5月-9月的影像；
S2：对遥感影像上的像元进行识别以判断作物类型；
遥感影像上的像元符合条件1时识别为玉米，条件1：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08＞T4；
遥感影像上的像元符合条件2时识别为水稻，条件2：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08≤T4，且NDRI08≤T5；
遥感影像上的像元符合条件3时识别为甜菜，条件3：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08≤T4，且NDRI08＞T5，且GI08≤T6；
遥感影像上的像元符合条件4时识别为大豆，条件4：T1＜NDVI05＜T2，且 NDVI08＞T3，且REP08≤T4，且NDVI08＞T5，且GI08＞T6；
遥感影像上的像元识别符合条件5时识别为休耕地，条件5：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08＞T8；
其中，NDVI05表示5月份影像的NDVI；
NDVI08表示8月份影像NDVI值；
REP08表示8月份影像的红边位置指数；
NDRI08表示8月份影像的归一化水稻指数NDRI；
GI08表示8月份影像的绿度指数；
NDBI08表示8月份影像的归一化建筑指数；
阈值T1-T8均由样本数据统计所得；
其具体识别过程如下：
S21：利用第N-1年的5月份影像的NDVI剔除水体和林地，判断NDVI05的取值范围是否符合T1＜NDVI05＜T2，若条件为否则像元标识为水体或林地，若条件为真则进行S22判断；
S22：然后利用8月份影像NDVI剔除建筑或其他人造地物。判断像元 NDVI08是否大于T3，若为否则像元标识为建筑或其他人造地物，若为是则进行 S23判断；
可进一步判断NDVI08是否小于T7其中NDVI08表示8月份影像NDVI值，阈值T7由样本数据统计所得，例如T7＝0.2，若NDVI08＞T7则像元标识为浓密植被，若NDVI08＜T7，则设定条件NDBI08＞T8，其中，NDBI08表示8月份影像的归一化建筑指数，阈值T8由样点数据统计而得，例如T8＝-0.1，若条件为否则像元则像元标识为建筑，若条件为真则像元标识为休耕地。
S23：8月份玉米的红边位置指数比大豆、水稻等作物的大，REP利于提取玉米。判断像元的REP08是否小于T4，若条件为否则像元标识为玉米，若条件为真则进行S4判断；
S24：短波红外光谱反射率随土壤含水量的降低而升高，其对植被水分变化敏感。基于短波红外与红波段构建归一化水稻指数NDRI，定义为短波红外波段的反射值与红光波段的反射值之差与两者之和的比值。在步骤S3后判断像元的 NDRI08是否大于T5，若条件为否则像元标识为水稻，若条件为真则进行S25 判断；
S25：利用颜色不同区分大豆甜菜，8月份大豆和甜菜表现出两种不同的颜色，大豆墨绿色，甜菜为亮绿色。基于蓝光与绿光波段构建绿度指数GI，定义为蓝光与绿光波段的反射值之差。在步骤S24后判断像元的GI08＞T6，若条件为否则像元标识为甜菜，若条件为真则像元标识为大豆；
本步骤中，各种指数的定义如下：
归一化植被指数(NDVI)用以区分植被与非植被；归一化建筑指数(NDBI) 用以区分建筑和休耕地，红边位置指数(REP)用来提取玉米；归一化水稻指数 NDRI用来提取水稻；绿度指数GI用以区分大豆和甜菜。
NDVI定义为近红外波段与红波段两者反射率之差与之和比值，NDBI定义为短波红外波段的反射率与近红外波段的反射率之差与两者之和的比值，计算公式定义如下：
Figure GDA0003456506260000101
Figure GDA0003456506260000102
其中，ρred、ρnir、ρswir分别为红光波段、近红外、短波红外波段像元反射率值。
红边位置指数(REP)，计算公式为
ρ＝(ρ670+ρ780)/2
Figure GDA0003456506260000103
其中，ρ为拐点反射率，ρ670、ρ700、ρ740、ρ780分别为在波长670nm， 700nm，740nm，780nm处的反射率。700与740是700nm～740nm区间进行内插产生的常数。
除了以上常用的植被指数外，本发明定义了两种新的植被指数分别为归一化水稻指数NDRI和绿度指数GI。NDRI定义为短波红外波段的反射值与红光波段的反射值之差与两者之和的比值，计算如下：
Figure GDA0003456506260000111
绿度指数GI，计算如下：
GI＝10000*(ρblue-ρgreen)
其中，ρred、ρswir、ρblue、ρgreen分别为红光波段、短波红外、蓝光波段、绿光坡段的反射率值。
S3：按照相同的作物类型提取仅种植单一作物的地块。必要时还可以对种植不同作物的地块的面积进行统计的步骤。
为了进一步提高地块提取结果的准确性，主要针对异常耕地地块修正。异常耕地地块一般表现 为地块内含有至少两种作物类型，作物由于颜色不同具有明显的界限，这种界限宽度较小，通常可视作直线。异常耕地地块的修正就是检测出这种直线并基于此直线切割耕地地块。切割后的耕地地块内仅包含一种作物。
步骤S3中，可以采用以下地块提取方法：
步骤一：首先将遥感影像的真彩色三通道与全色波段进行融合，得到分辨率为0.8米，数据格式为tiff，R-G-B三通道存储的影像。在原影像利用ArcGIS 软件手工画出耕地地块的轮廓边界用以制作标签数据，基于轮廓边界的矢量数据创建与原数据具有相同投影信息单波段存储的标注影像，影像内容为0、1，分别表示非耕地(背景类)、耕地地块。将原影像与标注影像同时进行随机裁剪，裁剪大小为256×256像素，并对裁剪的图像进行数据增强处理，经随机裁剪和数据增强后共获得10000张256×256像素的.png格式的图H，其中25％即2500 张作为验证样本，7500张为训练样本。
步骤二：利用Tensorflow和Keras深度学习框架搭建的U-net网络模型，进行模型训练。在训练之前设置学习率参数为0.001，训练批次大小为32，验证批次大小为16，训练次数为2000次，激活函数为Sigmod函数。
步骤三：使用训练出的设施农业提取模型预测设施农业空间分布与类型，将待分类影像裁剪为固定大小(256×256)像素的图像块分别进行预测，采用滑动窗口像素为32的方式获取有一定重叠区域的图像块，然后对每一张预测的图像块保留中间某一区域的分类结果，舍弃边缘不准确的结果，再依次拼接。
将待分类影像根据影像大小和计算机内存进行分块裁剪，将分块的影像切割成大小为256×256像素的小图，切割后的数据被输入到训练好的模型中进行分类，然后将分类的小图拼接。对于分类结果进行众数滤波、腐蚀、膨胀、开闭运算等分类后处理操作。众数滤波剔除个数较少的像元，保留像元数量较多的目标。腐蚀操作腐蚀可以使目标区域范围″变小″，其实质造成图像中耕地地块的边界收缩，可以用来消除小且无意义的目标物。
步骤四：将耕地地块结果转为矢量。深度学习结果获得是栅格数据，利用 ArcGIS软件栅格转矢量操作，分别经过二值化、细化等转为矢量，然后经平滑面操作，获取最初的耕地地块边界。耕地地块提取结果如图3所示。研究区内耕地地块共计6196块，面积共计42.52km2，最小地块面积为0.45亩，最大耕地地块面积为455亩。
步骤S3中，可以采用以下地块提取方法：
选择关键期影像的灰度图像或纹理图像。灰度图像是单波段影像，纹理图像是利用灰度共生矩阵计算的均值、方差、熵值等。
S301：对遥感影像上的地块进行识别；
S302：对地块内的作物进行识别，若一个地块内含有至少两种作物类型，则标记所述地块为待校正地块；
S303：将包含待校正地块的遥感影像使用高斯滤波器平滑图像；
S304：用一阶微分算子的有限差分计算滤波后图像梯度的幅值和方向；
S305：对梯度幅值进行非极大值抑制，遍历图像，若某个像素的梯度值小于沿着梯度方向上的两个相邻像素的梯度值，则判定此像素点不是边缘点，将其灰度值置为0；
S306：用双阈值算法检测和连接边缘，使用累计直方图计算两个阈值，分别为高阈值和低阈值，分别记Thigh和Tlow，凡是大于Thigh的则判定为边缘，凡是小于Tlow的判断为不是边缘；如果检测结果大于等于Tlow但又小于等于Thigh，则继续判断该像素的邻接像素中有没有超过高阈值的像素点，如果有，则该像素点就是边缘点，否则就不是边缘；
尽管Canny能够提取出部分边缘信息，通过分析Canny边缘检测的结果，发现在提取后的边缘中间存在单像素间断现象。断线边缘无法到达耕地地块的边界，即无法分割耕地地块。
S307：如果检测结果中作为边缘点的像素点不连续而形成断点，则依据边缘局部方向不变性以n×n(3×3像素)模板搜索端点；连接搜索到的任意两个端点，评价该端点连线是否为线性，若结果为线性则以连线作为边缘，如果无法搜索端点或者端点不为线性，则由人工进行标记；一种常用的线性评价方法是长宽比指数即线性兴趣区的最小外接矩形的长宽比值；
S308：将提取出的线性边界线切割耕地地块轮廓边界最终形成耕地地块单元，从而获得仅存在一种作物的地块单元。
哨兵2号是截止到申请日时唯一一个在红边范围含有三个波段的数据，其分辨率为10米，利于作物类型的监测，提供了一种新的遥感监测数据。高分辨遥感影富含丰富的纹理特征，利用高分辨率遥感影像结合深度学习技术能够确定地块边界，为轮作核查提供准确地块矢量。
实施例2
本实施例还提供一种面向东北冷凉区的遥感图像作物标记装置，包括：
影像获取模块：用于获取待标记地区的遥感影像；所述遥感影像包括蓝光、绿光、红光、近红外、3个红边波段、短波红外波段，遥感影像时间包含5月-9 月的影像；
作物类型识别模块：对遥感影像上的像元进行识别以判断作物类型；遥感影像上的像元符合条件1时识别为玉米，条件1：T1＜NDVI05＜T2，且NDVI08＞ T3，且REP08＞T4；遥感影像上的像元符合条件2时识别为水稻，条件2： T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDRI08≤T5；遥感影像上的像元符合条件3时识别为甜菜，条件3：T1＜NDVI05＜T2，且NDVI08＞T3，且 REP08≤T4，且NDRI08＞T5，且GI08≤T6；遥感影像上的像元符合条件4时识别为大豆，条件4：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDVI08＞T5，且GI08＞T6；遥感影像上的像元识别符合条件5时识别为休耕地，条件5： T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08＞T8；其中，NDVI05表示5月份影像的NDVI；NDVI08表示8月份影像NDVI值；REP08表示8月份影像的红边位置指数；NDRI08表示8月份影像的归一化水稻指数NDRI；GI08表示8月份影像的绿度指数；NDBI08表示8月份影像的归一化建筑指数；阈值T1-T8均由样本数据统计所得；
结果输出模块：用于按照相同的作物类型提取仅种植单一作物的地块。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，作物类型识别模块中，遥感影像上的像元识别符合条件6时识别为浓密植被，条件6：T1＜NDVI05＜T2，且NDVI08≥T7；
遥感影像上的像元识别符合条件7时识别为建筑，条件7：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08≤T8。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，
Figure GDA0003456506260000151
Figure GDA0003456506260000152
其中，ρred、ρnir、ρswir分别为红光波段、近红外、短波红外波段像元反射率值；
Figure GDA0003456506260000154
其中，ρ为拐点反射率，ρ＝(ρ670+ρ780)/2，ρ670、ρ700、ρ740、ρ780分别为在波长670nm，700nm，740nm，780nm处的反射率；
Figure GDA0003456506260000153
GI＝10000*(ρblue-ρgreen)；
其中，ρred、ρswir、ρblue、ρgreen分别为红光波段、短波红外、蓝光波段、绿光坡段的反射率值。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，结果输出模块中，对地块的提取包括以下步骤：
S301：对遥感影像上的地块进行识别；
S302：对地块内的作物进行识别，若一个地块内含有至少两种作物类型，则标记所述地块为待校正地块；
S303：将包含待校正地块的遥感影像使用高斯滤波器平滑图像；
S304：用一阶微分算子的有限差分计算滤波后图像梯度的幅值和方向；
S305：对梯度幅值进行非极大值抑制，遍历图像，若某个像素的梯度值小于沿着梯度方向上的两个相邻像素的梯度值，则判定此像素点不是边缘点，将其灰度值置为0；
S306：用双阈值算法检测和连接边缘，使用累计直方图计算两个阈值，分别为高阈值和低阈值，分别记Thigh和Tlow，凡是大于Thigh的则判定为边缘，凡是小于Tlow的判断为不是边缘；如果检测结果大于等于Tlow但又小于等于Thigh，则继续判断该像素的邻接像素中有没有超过高阈值的像素点，如果有，则该像素点就是边缘点，否则就不是边缘；
S307：如果检测结果中作为边缘点的像素点不连续而形成断点，则依据边缘局部方向不变性以n×n模板搜索端点；连接搜索到的任意两个端点，评价该端点连线是否为线性，若结果为线性则以连线作为边缘，如果无法搜索端点或者端点不为线性，则由人工进行标记；一种常用的线性评价方法是长宽比指数即线性兴趣区的最小外接矩形的长宽比值；
S308：将提取出的线性边界线切割耕地地块轮廓边界最终形成耕地地块单元，从而获得仅存在一种作物的地块单元。
优选地，本发明的面向东北冷凉区的遥感图像作物标记装置，还包括对种植不同作物的地块的面积进行统计的步骤。
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 (10)

1.一种面向东北冷凉区的遥感图像作物标记方法，其特征在于，包括以下步骤：
S1：获取待标记地区的遥感影像；所述遥感影像包括蓝光、绿光、红光、近红外、3个红边波段、短波红外波段，遥感影像时间包含5月-9月的影像；
S2：对遥感影像上的像元进行识别以判断作物类型；
遥感影像上的像元符合条件1时识别为玉米，条件1：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08＞T4；
遥感影像上的像元符合条件2时识别为水稻，条件2：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDRI08≤T5；
遥感影像上的像元符合条件3时识别为甜菜，条件3：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDRI08＞T5，且GI08≤T6；
遥感影像上的像元符合条件4时识别为大豆，条件4：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDVI08＞T5，且GI08＞T6；
遥感影像上的像元识别符合条件5时识别为休耕地条件5：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08＞T8；
其中，NDVI05表示5月份影像的NDVI；
NDVI08表示8月份影像NDVI值；
REP08表示8月份影像的红边位置指数；
NDRI08表示8月份影像的归一化水稻指数NDRI；
Figure FDA0003456506250000011
其中，ρred、ρswir分别为红光波段、短波红外的反射率值；
GI08表示8月份影像的绿度指数；
NDBI08表示8月份影像的归一化建筑指数；
阈值T1-T8均由样本数据统计所得；
S3：按照相同的作物类型提取仅种植单一作物的地块。
2.根据权利要求1所述的面向东北冷凉区的遥感图像作物标记方法，其特征在于，S2步骤中，遥感影像上的像元识别符合条件6时识别为浓密植被，条件6：T1＜NDVI05＜T2，且NDVI08≥T7；
遥感影像上的像元识别符合条件7时识别为建筑，条件7：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08≤T8。
3.根据权利要求2所述的面向东北冷凉区的遥感图像作物标记方法，其特征在于，
Figure FDA0003456506250000021
Figure FDA0003456506250000022
其中，ρred、ρnir、vswir分别为红光波段、近红外、短波红外波段像元反射率值；
Figure FDA0003456506250000023
其中，ρ为拐点反射率，ρ＝(ρ670+ρ780)/2，ρ670、ρ700、ρ740、ρ780分别为在波长670nm，700nm，740nm，780nm处的反射率；
GI＝10000*(ρblue-ρgreen)；
其中，ρblue、ρgreen分别为蓝光波段、绿光坡段的反射率值。
4.根据权利要求1-3任一项所述的面向东北冷凉区的遥感图像作物标记方法，其特征在于，S3步骤中，对地块的提取包括以下步骤：
S301：对遥感影像上的地块进行识别；
S302：对地块内的作物进行识别，若一个地块内含有至少两种作物类型，则标记所述地块为待校正地块；
S303：将包含待校正地块的遥感影像使用高斯滤波器平滑图像；
S304：用一阶微分算子的有限差分计算滤波后图像梯度的幅值和方向；
S305：对梯度幅值进行非极大值抑制，遍历图像，若某个像素的梯度值小于沿着梯度方向上的两个相邻像素的梯度值，则判定此像素点不是边缘点，将其灰度值置为0；
S306：用双阈值算法检测和连接边缘，使用累计直方图计算两个阈值，分别为高阈值和低阈值，分别记Thigh和Tlow，凡是大于Thigh的则判定为边缘，凡是小于Tlow的判断为不是边缘；如果检测结果大于等于Tlow但又小于等于Thigh，则继续判断该像素的邻接像素中有没有超过高阈值的像素点，如果有，则该像素点就是边缘点，否则就不是边缘；
S307：如果检测结果中作为边缘点的像素点不连续而形成断点，则依据边缘局部方向不变性以n×n模板搜索端点；连接搜索到的任意两个端点，评价该端点连线是否为线性，若结果为线性则以连线作为边缘，如果无法搜索端点或者端点不为线性，则由人工进行标记；
S308：将提取出的线性边界线切割耕地地块轮廓边界最终形成耕地地块单元，从而获得仅存在一种作物的地块单元。
5.根据权利要求4所述的面向东北冷凉区的遥感图像作物标记方法，其特征在于，还包括对种植不同作物的地块的面积进行统计的步骤。
6.一种面向东北冷凉区的遥感图像作物标记装置，其特征在于，包括：
影像获取模块：用于获取待标记地区的遥感影像；所述遥感影像包括蓝光、绿光、红光、近红外、3个红边波段、短波红外波段，遥感影像时间包含5月-9月的影像；
作物类型识别模块：对遥感影像上的像元进行识别以判断作物类型；遥感影像上的像元符合条件1时识别为玉米，条件1：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08＞T4；遥感影像上的像元符合条件2时识别为水稻，条件2：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDRI08≤T5；遥感影像上的像元符合条件3时识别为甜菜，条件3：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDRI08＞T5，且GI08≤T6；遥感影像上的像元符合条件4时识别为大豆，条件4：T1＜NDVI05＜T2，且NDVI08＞T3，且REP08≤T4，且NDVI08＞T5，且GI08＞T6；遥感影像上的像元识别符合条件5时识别为休耕地，条件5：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08＞T8；其中，NDVI05表示5月份影像的NDVI；NDVI08表示8月份影像NDVI值；REP08表示8月份影像的红边位置指数；NDRI08表示8月份影像的归一化水稻指数NDRI；
Figure FDA0003456506250000041
其中，ρred、ρswir分别为红光波段、短波红外的反射率值；GI08表示8月份影像的绿度指数；NDBI08表示8月份影像的归一化建筑指数；阈值T1-T8均由样本数据统计所得；
结果输出模块：用于按照相同的作物类型提取仅种植单一作物的地块。
7.根据权利要求6所述的面向东北冷凉区的遥感图像作物标记装置，其特征在于，作物类型识别模块中，遥感影像上的像元识别符合条件6时识别为浓密植被，条件6：T1＜NDVI05＜T2，且NDVI08≥T7；
遥感影像上的像元识别符合条件7时识别为建筑，条件7：T1＜NDVI05＜T2，且NDVI08＜T7，且NDBI08≤T8。
8.根据权利要求7所述的面向东北冷凉区的遥感图像作物标记装置，其特征在于，
Figure FDA0003456506250000051
Figure FDA0003456506250000052
其中，ρred、ρnir、ρswir分别为红光波段、近红外、短波红外波段像元反射率值；
Figure FDA0003456506250000053
其中，ρ为拐点反射率，ρ＝(ρ670+ρ780)/2，ρ670、ρ700、ρ740、ρ780分别为在波长670nm，700nm，740nm，780nm处的反射率；
GI＝10000*(ρblue-ρgreen)；
其中，ρblue、ρgreen分别为红光波段、短波红外、蓝光波段、绿光坡段的反射率值。
9.根据权利要求6-8任一项所述的面向东北冷凉区的遥感图像作物标记装置，其特征在于，结果输出模块中，对地块的提取包括以下步骤：
S301：对遥感影像上的地块进行识别；
S302：对地块内的作物进行识别，若一个地块内含有至少两种作物类型，则标记所述地块为待校正地块；
S303：将包含待校正地块的遥感影像使用高斯滤波器平滑图像；
S304：用一阶微分算子的有限差分计算滤波后图像梯度的幅值和方向；
S305：对梯度幅值进行非极大值抑制，遍历图像，若某个像素的梯度值小于沿着梯度方向上的两个相邻像素的梯度值，则判定此像素点不是边缘点，将其灰度值置为0；
S306：用双阈值算法检测和连接边缘，使用累计直方图计算两个阈值，分别为高阈值和低阈值，分别记Thigh和Tlow，凡是大于Thigh的则判定为边缘，凡是小于Tlow的判断为不是边缘；如果检测结果大于等于Tlow但又小于等于Thigh，则继续判断该像素的邻接像素中有没有超过高阈值的像素点，如果有，则该像素点就是边缘点，否则就不是边缘；
S307：如果检测结果中作为边缘点的像素点不连续而形成断点，则依据边缘局部方向不变性以n×n模板搜索端点；连接搜索到的任意两个端点，评价该端点连线是否为线性，若结果为线性则以连线作为边缘，如果无法搜索端点或者端点不为线性，则由人工进行标记；
S308：将提取出的线性边界线切割耕地地块轮廓边界最终形成耕地地块单元，从而获得仅存在一种作物的地块单元。
10.根据权利要求9所述的面向东北冷凉区的遥感图像作物标记装置，其特征在于，还包括对种植不同作物的地块的面积进行统计的步骤。
CN201911059354.2A 2019-11-01 2019-11-01 面向东北冷凉区的遥感图像作物标记方法和装置 Active CN111060455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911059354.2A CN111060455B (zh) 2019-11-01 2019-11-01 面向东北冷凉区的遥感图像作物标记方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911059354.2A CN111060455B (zh) 2019-11-01 2019-11-01 面向东北冷凉区的遥感图像作物标记方法和装置

Publications (2)

Publication Number Publication Date
CN111060455A CN111060455A (zh) 2020-04-24
CN111060455B true CN111060455B (zh) 2022-03-08

Family

ID=70297611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911059354.2A Active CN111060455B (zh) 2019-11-01 2019-11-01 面向东北冷凉区的遥感图像作物标记方法和装置

Country Status (1)

Country Link
CN (1) CN111060455B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860150B (zh) * 2020-06-11 2024-01-26 中科禾信遥感科技（苏州）有限公司 基于遥感影像的倒伏水稻识别方法与装置
CN111950361B (zh) * 2020-07-07 2022-09-20 内蒙古农业大学 基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端
CN114429467A (zh) * 2022-01-26 2022-05-03 自然资源部第一航测遥感院(陕西省第五测绘工程院) 一种基于遥感技术的玉米损害程度判别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7058197B1 (en) * 1999-11-04 2006-06-06 Board Of Trustees Of The University Of Illinois Multi-variable model for identifying crop response zones in a field
US7068816B1 (en) * 2002-01-15 2006-06-27 Digitalglobe, Inc. Method for using remotely sensed data to provide agricultural information
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法
WO2019198072A1 (en) * 2018-04-12 2019-10-17 Manna Irrigation Ltd. Crop coefficients and use thereof for irrigation guidance

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160224703A1 (en) * 2015-01-30 2016-08-04 AgriSight, Inc. Growth stage determination system and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7058197B1 (en) * 1999-11-04 2006-06-06 Board Of Trustees Of The University Of Illinois Multi-variable model for identifying crop response zones in a field
US7068816B1 (en) * 2002-01-15 2006-06-27 Digitalglobe, Inc. Method for using remotely sensed data to provide agricultural information
WO2019198072A1 (en) * 2018-04-12 2019-10-17 Manna Irrigation Ltd. Crop coefficients and use thereof for irrigation guidance
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于快速设定决策阈值的大范围作物种植分布的遥感监测研究;罗明，陆洲，徐飞飞，梁爽，褚煜琴，郭晗;《中国农业资源与区划》;20190625;第40卷(第6期);27-33 *
基于遥感大数据的精细化种植结构调查——以广西来宾为例;陆洲,骆剑承，黄启厅,张章;《中国农学通报》;20141115(第30期);24-29 *

Also Published As

Publication number Publication date
CN111060455A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN111060455B (zh) 面向东北冷凉区的遥感图像作物标记方法和装置
Lu et al. Impervious surface mapping with Quickbird imagery
Pouliot et al. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration
Blasco et al. Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features
Liu et al. A robust automated flower estimation system for grape vines
CN106096563A (zh) 植物自动识别系统和方法
Lu et al. Land-use and land-cover change detection
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和系统
CN105021529A (zh) 融合光谱和图像信息的作物病虫害识别和区分方法
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN110376202B (zh) 基于成像高光谱技术的茶树炭疽病病斑识别方法
CN106778629B (zh) 大棚识别方法及装置
CN106483130B (zh) 一种水稻病害的检测方法及其自动检测装置
Ji et al. In-field automatic detection of maize tassels using computer vision
CN115439759B (zh) 遥感影像中植被的提取方法、装置、电子设备及介质
CN107992856A (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN108492288A (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
Zeng et al. Algorithm based on marker-controlled watershed transform for overlapping plant fruit segmentation
CN102184389B (zh) 用于心材与边材高色差树种的年轮自动识别方法
CN111882573B (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
Zeng et al. Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding
Li et al. Image processing for crop/weed discrimination in fields with high weed pressure
CN113763396B (zh) 一种基于深度学习的遥感图像地块提取方法及系统
Shi et al. Urban feature shadow extraction based on high-resolution satellite remote sensing images

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