CN111598027A - 一种基于遥感大数据的区域性浅水种植区分布系统及方法 - Google Patents

一种基于遥感大数据的区域性浅水种植区分布系统及方法 Download PDF

Info

Publication number
CN111598027A
CN111598027A CN202010434305.9A CN202010434305A CN111598027A CN 111598027 A CN111598027 A CN 111598027A CN 202010434305 A CN202010434305 A CN 202010434305A CN 111598027 A CN111598027 A CN 111598027A
Authority
CN
China
Prior art keywords
area
information
distribution
remote sensing
shallow water
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
Application number
CN202010434305.9A
Other languages
English (en)
Other versions
CN111598027B (zh
Inventor
蒋晓玲
许加明
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.)
Fujian Zhilian Space Information Technology Research Institute Co.,Ltd.
Yango University
Original Assignee
Foshan Gaoming Xiluo Technology Co ltd
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 Foshan Gaoming Xiluo Technology Co ltd filed Critical Foshan Gaoming Xiluo Technology Co ltd
Priority to CN202010434305.9A priority Critical patent/CN111598027B/zh
Publication of CN111598027A publication Critical patent/CN111598027A/zh
Application granted granted Critical
Publication of CN111598027B publication Critical patent/CN111598027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/188—Vegetation
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于遥感大数据的区域性浅水种植区分布系统及方法，包括：通过传感器探测目标区域内目标物体信息，经过信息的传输及处理分析，识别目标物体的属性及分布特征，形成分布信息；对分布信息进行降噪处理，通过遥感成像的处理方式形成原始图像，并获取原始图像信息；分析原始图像信息，建立图像处理方式；通过图像处理模块对原始图像进行处理，得到增强图像，并获取增强图像信息；对增强图像进行遥感信息提取，将生成的遥感图像叠加至水域信息图中，获取区域性浅水区的参数信息；比对区域性浅水区参数信息与原始参数信息，得到偏差率，当偏差率大于预设阈值时，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征。

Description

一种基于遥感大数据的区域性浅水种植区分布系统及方法
技术领域
本发明涉及浅水区种植探测领域或养殖领域或浅水区垃圾探测领域，尤其涉及一种基于遥感大数据的区域性浅水种植区分布系统及方法。
背景技术
目前,遥感技术已广泛应用于农业、林业、测绘、气象、交通、国土资源勘查等领域，遥感从广义上说是泛指从远处探测、感知物体或事物的技术，不直接接触物体本身，从远处通过仪器或传感器探测和接收来自目标物体的信息，经过信息的传输及分析处理，识别物体属性及分布等特征的技术，区块链(Blockchain)，是比特币的一个重要概念，它本质上是一个去中心化的数据库，同时作为比特币的底层技术，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次比特币网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块，将区块链技术与遥感成像结合进行浅水种植区分布监测，能够实现检测的高效性及监测数据的安全性。
现有的探测浅水区种植或养殖分布大部分是通过无人机进行航拍，然后将拍摄的图像进行分析，航拍过程中，因像素或天气等因素的影响，造成拍摄画面质量较大，误差较大，为了能够精确分析沿海地区浅水区域的种植或养殖分布，以便于更好的进行区域规划，需要开发一款与其相匹配的系统进行探测，精准的获取浅水区种植分布，但是在进行探测过程中，如何实现精准探测，以及在探测过程中如何对探测结果进行处理，都是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于遥感大数据的区域性浅水种植区分布系统及方法。
为达到上述目的，本发明采用的技术方案为：一种基于遥感大数据的区域性浅水种植区分布方法，包括：
通过传感器探测目标区域内目标物体信息，经过信息的传输及处理分析，识别目标物体的属性及分布特征，形成分布信息；
提取分布信息，对分布信息进行降噪处理，通过遥感成像的处理方式形成原始图像，并获取原始图像信息；
分析原始图像信息，建立图像处理方式；
通过图像处理模块对原始图像进行处理，得到增强图像，并获取增强图像信息；
对增强图像进行遥感信息提取，将生成的遥感图像叠加至水域信息图中，获取区域性浅水区的参数信息；
比对区域性浅水区参数信息与原始参数信息，获取偏差值，得到偏差率，当偏差率大于预设阈值时，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征。
优选的，根据目标区域特征指数权重值，建立目标区域内目标物体分布梯度，建立目标区域内目标物体分布曲线；
对目标区域内目标物体分布曲线进行预处理，去除目标区域内目标物体分布曲线上偏差大于预定阈值的点；
得到区域目标物体分布曲线，
根据区域目标物体分布曲线,计算浅水区种植区域面积及种植区域分布。
优选的，通过遥感成像的处理方式形成目标区域原始图像，具体包括：
通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
根据目标物体电磁波特性，获取目标区域内水域参数，
根据水域参数，分析该水域内的种植特征，得到浅水种植区分布。
优选的，所述遥感图像的特征包括密集描述子或/和颜色描述子。
优选的，利用均值漂移滤波进行遥感图像的分割，构造聚类有效性指数确定颜色特征与纹理特征的权值。
优选的，利用均值滤波找寻遥感图像收敛点，根据收敛点信息对像素点进行标识。
本发明第二方面还提供了一种基于遥感大数据的区域性浅水种植区分布系统，该系统包括：存储器、处理器，所述存储器中包括区域性浅水种植区分布方法程序，所述区域性浅水种植区分布方法程序被所述处理器执行时实现如下步骤：通过传感器探测目标区域内目标物体信息，经过信息的传输及处理分析，识别目标物体的属性及分布特征，形成分布信息；
提取分布信息，对分布信息进行降噪处理，通过遥感成像的处理方式形成原始图像，并获取原始图像信息；
分析原始图像信息，建立图像处理方式；
通过图像处理模块对原始图像进行处理，得到增强图像，并获取增强图像信息；
对增强图像进行遥感信息提取，将生成的遥感图像叠加至水域信息图中，获取区域性浅水区的参数信息；
比对区域性浅水区参数信息与原始参数信息，获取偏差值，得到偏差率，
当偏差率大于预设阈值时，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征。
优选的，根据目标区域特征指数权重值，建立目标区域内目标物体分布梯度，建立目标区域内目标物体分布曲线；
对目标区域内目标物体分布曲线进行预处理，去除目标区域内目标物体分布曲线上偏差大于预定阈值的点；
得到区域目标物体分布曲线，
根据区域目标物体分布曲线,计算浅水区种植区域面积及种植区域分布。
优选的，通过遥感成像的处理方式形成目标区域原始图像，具体包括：
通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
根据目标物体电磁波特性，获取目标区域内水域参数，
根据水域参数，分析该水域内的种植特征，得到浅水种植区分布。
优选的，利用均值漂移滤波进行遥感图像的分割，构造聚类有效性指数确定颜色特征与纹理特征的权值。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
(1)对分布信息进行降噪处理，能够抑制噪声，很好的保持遥感图像边缘和方向纹理等特性。
(2)根据颜色特征、纹理特征生成的特征向量，作为初始输入向量，利用均值漂移滤波进行遥感图像的分割，并进一步利用构造的聚类有效性指数自适应地确定颜色特征和纹理特征的权重，有效提高了遥感图像分割的精度。
(3)将全区域分割成若干个子目标区域，对每一个子目标区域进行单独的识别及获取单独的子目标遥感图像进行分析对比，将子目标遥感图像进行聚合，得到全区域遥感图像，此种处理方式减少对遥感图像处理过程中的偏差，获得的全区域遥感图像更加的精准。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于遥感大数据的区域性浅水种植区分布方法的流程图；
图2示出了种植区分布计算方法流程图；
图3示出了获取目标区域原始图像的方法流程图；
图4示出了一种基于遥感大数据的区域性浅水种植区分布系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于遥感大数据的区域性浅水种植区分布方法的流程图。
本发明第一方面提供了一种基于遥感大数据的区域性浅水种植区分布方法，包括：
S102，通过传感器探测目标区域内目标物体信息，经过信息的传输及处理分析，识别目标物体的属性及分布特征，形成分布信息；
S104，提取分布信息，对分布信息进行降噪处理，通过遥感成像的处理方式形成原始图像，并获取原始图像信息；
S106，分析原始图像信息，建立图像处理方式；
S108，通过图像处理模块对原始图像进行处理，得到增强图像，并获取增强图像信息；
S110，对增强图像进行遥感信息提取，将生成的遥感图像叠加至水域信息图中，获取区域性浅水区的参数信息；
S112，比对区域性浅水区参数信息与原始参数信息，获取偏差值，得到偏差率；
S114，当偏差率大于预设阈值时，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征。
需要说明的是，通过对原始图像进行去雾操作、降噪滤波、去除云层等操作，但不限于这几种，还能够对图像进行增色，本领域技术人员能够根据实际使用过程中进行选择性调整。
如图2所示，本发明公开了种植区分布计算方法流程图；
根据本发明实施例，S202，根据目标区域特征指数权重值，建立目标区域内目标物体分布梯度，建立目标区域内目标物体分布曲线；
S204，对目标区域内目标物体分布曲线进行预处理，去除目标区域内目标物体分布曲线上偏差大于预定阈值的点；
S206，得到区域目标物体分布曲线，
S208，根据区域目标物体分布曲线,计算浅水区种植区域面积及种植区域分布。
需要说明的是，将全区域分割成若干个子目标区域，对每一个子目标区域进行单独的识别及获取单独的子目标遥感图像进行分析对比，将子目标遥感图像进行聚合，得到全区域遥感图像，单独对子目标区域进行识别，识别过程简单，减少程序运行负荷，子目标区域小，此种处理方式减少对遥感图像处理过程中的偏差，获得的全区域遥感图像更加的精准。
如图3所示，本发明公开了获取目标区域原始图像的方法流程图
根据本发明实施例，通过遥感成像的处理方式形成目标区域原始图像，具体包括：
S302，通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
S304，分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
S306，根据目标物体电磁波特性，获取目标区域内水域参数，
S308，根据水域参数，分析该水域内的种植特征，得到浅水种植区分布。需要说明的是，每一种植物本身特性在收到电磁波时，反射电磁波特性均存在差异，通过差异性进行识别判断植物种类，进行水域内种植特征的区分。
根据本发明实施例，所述遥感图像的特征包括密集描述子或/和颜色描述子。
根据本发明实施例，利用均值漂移滤波进行遥感图像的分割，构造聚类有效性指数确定颜色特征与纹理特征的权值。
需要说明的是，根据颜色特征、纹理特征生成的特征向量，作为初始输入向量，利用均值漂移滤波进行遥感图像的分割，并进一步利用构造的聚类有效性指数自适应地确定颜色特征和纹理特征的权重，有效提高了遥感图像分割的精度。
根据本发明实施例，利用均值滤波找寻遥感图像收敛点，根据收敛点信息对像素点进行标识。
如图4所示，本发明公开了一种基于遥感大数据的区域性浅水种植区分布系统的框图；
本发明第二方面还提供了一种基于遥感大数据的区域性浅水种植区分布系统4，该系统4包括：存储器41、处理器42，所述存储器42中包括区域性浅水种植区分布方法程序，所述区域性浅水种植区分布方法程序被所述处理器执行时实现如下步骤：通过传感器探测目标区域内目标物体信息，经过信息的传输及处理分析，识别目标物体的属性及分布特征，形成分布信息；
提取分布信息，对分布信息进行降噪处理，通过遥感成像的处理方式形成原始图像，并获取原始图像信息；
分析原始图像信息，建立图像处理方式；
通过图像处理模块对原始图像进行处理，得到增强图像，并获取增强图像信息；
对增强图像进行遥感信息提取，将生成的遥感图像叠加至水域信息图中，获取区域性浅水区的参数信息；
比对区域性浅水区参数信息与原始参数信息，获取偏差值，得到偏差率，
当偏差率大于预设阈值时，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征。
根据本发明实施例，根据目标区域特征指数权重值，建立目标区域内目标物体分布梯度，建立目标区域内目标物体分布曲线；
对目标区域内目标物体分布曲线进行预处理，去除目标区域内目标物体分布曲线上偏差大于预定阈值的点；
得到区域目标物体分布曲线，
根据区域目标物体分布曲线,计算浅水区种植区域面积及种植区域分布。
需要说明的是，将全区域分割成若干个子目标区域，对每一个子目标区域进行单独的识别及获取单独的子目标遥感图像进行分析对比，将子目标遥感图像进行聚合，得到全区域遥感图像，单独对子目标区域进行识别，识别过程简单，减少程序运行负荷，子目标区域小，此种处理方式减少对遥感图像处理过程中的偏差，获得的全区域遥感图像更加的精准。
根据本发明实施例，通过遥感成像的处理方式形成目标区域原始图像，具体包括：
通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
根据目标物体电磁波特性，获取目标区域内水域参数，
根据水域参数，分析该水域内的种植特征，得到浅水种植区分布。
根据本发明实施例，利用均值漂移滤波进行遥感图像的分割，构造聚类有效性指数确定颜色特征与纹理特征的权值。
需要说明的是，根据颜色特征、纹理特征生成的特征向量，作为初始输入向量，利用均值漂移滤波进行遥感图像的分割，并进一步利用构造的聚类有效性指数自适应地确定颜色特征和纹理特征的权重，有效提高了遥感图像分割的精度,根据遥感影像采集的图像进行图层权重分析,根据不同图层对分割结果影像程度不同进行确定,权值较高的影像层包含的信息较多,权重较高的区域即为种植区分布,通过均质性标准对遥感图像中种植区信息提取,包括颜色和形状两个属性因子,颜色因子即影像的光谱特性,对许多种植区而言,而言因子是生成对象的重要因子,颜色因子的相反值即为形状因子,形状因子由光滑度、紧密度两个参数构成,通过颜色因子与形状因子确定遥感图像上种植区的分布区域及分布权重。
对分布信息进行降噪处理，能够抑制噪声，很好的保持遥感图像边缘和方向纹理等特性。
本发明基于区块链技术，去中心化处理，通过图像处理模块对原始图像进行处理，生成初始区块，然后通过认证节点比较区域性浅水区参数信息及原始参数信息，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征，当认证节点认证完成后，浅水区种植分布特征生成新的区块，形成区块链，永久保存。采集数据通过物联网进行智能识别、传输，物联网就是物物相连的互联网。这有两层意思:其一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；其二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信，也就是物物相息。物联网通过智能感知、识别技术与普适计算等通信感知技术物联网定义为通过各种信息传感设备，如传感器、射频识别(RFID)技术、全球定位系统、红外线感应器、激光扫描器、气体感应器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，与互联网结合形成的一个巨大网络。其目的是实现物与物、物与人，所有的物品与网络的连接，方便识别、管理和控制。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于遥感大数据的区域性浅水区种植分布方法，其特征在于，包括：
通过传感器探测目标区域内目标物体信息，经过信息的传输及处理分析，识别目标物体的属性及分布特征，形成分布信息；
提取分布信息，对分布信息进行降噪处理，通过遥感成像的处理方式形成原始图像，并获取原始图像信息；
分析原始图像信息，建立图像处理方式；
通过图像处理模块对原始图像进行处理，得到增强图像，并获取增强图像信息；
对增强图像进行遥感信息提取，将生成的遥感图像叠加至水域信息图中，获取区域性浅水区的参数信息；
比对区域性浅水区参数信息与原始参数信息，获取偏差值，得到偏差率，
当偏差率大于预设阈值时，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征。
2.根据权利要求1所述的一种基于遥感大数据的区域性浅水区种植分布方法，其特征在于：根据目标区域特征指数权重值，建立目标区域内目标物体分布梯度，建立目标区域内目标物体分布曲线；
对目标区域内目标物体分布曲线进行预处理，去除目标区域内目标物体分布曲线上偏差大于预定阈值的点；
得到区域目标物体分布曲线，
根据区域目标物体分布曲线,计算浅水区种植区域面积及种植区域分布。
3.根据权利要求1所述的一种基于遥感大数据的区域性浅水区种植分布方法，其特征在于：通过遥感成像的处理方式形成目标区域原始图像，具体包括：
通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
根据目标物体电磁波特性，获取目标区域内水域参数，
根据水域参数，分析该水域内的种植特征，得到浅水种植区分布。
4.根据权利要求1所述的一种基于遥感大数据的区域性浅水区种植分布方法，其特征在于：所述遥感图像的特征包括密集描述子或/和颜色描述子。
5.根据权利要求1所述的一种基于遥感大数据的区域性浅水区种植分布方法，其特征在于：利用均值漂移滤波进行遥感图像的分割，构造聚类有效性指数确定颜色特征与纹理特征的权值。
6.根据权利要求1所述的一种基于遥感大数据的区域性浅水区种植分布方法，其特征在于：利用均值滤波找寻遥感图像收敛点，根据收敛点信息对像素点进行标识。
7.一种基于遥感大数据的区域性浅水区种植分布系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括区域性浅水种植区分布方法程序，所述区域性浅水种植区分布方法程序被所述处理器执行时实现如下步骤：通过传感器探测目标区域内目标物体信息，经过信息的传输及处理分析，识别目标物体的属性及分布特征，形成分布信息；
提取分布信息，对分布信息进行降噪处理，通过遥感成像的处理方式形成原始图像，并获取原始图像信息；
分析原始图像信息，建立图像处理方式；
通过图像处理模块对原始图像进行处理，得到增强图像，并获取增强图像信息；
对增强图像进行遥感信息提取，将生成的遥感图像叠加至水域信息图中，获取区域性浅水区的参数信息；
比对区域性浅水区参数信息与原始参数信息，获取偏差值，得到偏差率，
当偏差率大于预设阈值时，判断水域中是否存在浅水区种植区域，进而确定浅水区种植分布特征。
8.根据权利要求7所述的一种基于遥感大数据的区域性浅水种植区分布系统，其特征在于：根据目标区域特征指数权重值，建立目标区域内目标物体分布梯度，建立目标区域内目标物体分布曲线；
对目标区域内目标物体分布曲线进行预处理，去除目标区域内目标物体分布曲线上偏差大于预定阈值的点；
得到区域目标物体分布曲线，
根据区域目标物体分布曲线,计算浅水区种植区域面积及种植区域分布。
9.根据权利要求7所述的一种基于遥感大数据的区域性浅水种植区分布系统，其特征在于：通过遥感成像的处理方式形成目标区域原始图像，具体包括：
通过航空多光谱扫描仪向全区域内发射电磁波，接收反射电磁波信号，生成电磁波信息；
分析电磁波信息，并提取电磁波信息对应的物体信息，形成图像；
根据目标物体电磁波特性，获取目标区域内水域参数，
根据水域参数，分析该水域内的种植特征，得到浅水种植区分布。
10.根据权利要求7所述的一种基于遥感大数据的区域性浅水种植区分布系统，利用均值漂移滤波进行遥感图像的分割，构造聚类有效性指数确定颜色特征与纹理特征的权值。
CN202010434305.9A 2020-05-21 2020-05-21 一种基于遥感大数据的区域性浅水种植区分布系统及方法 Active CN111598027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010434305.9A CN111598027B (zh) 2020-05-21 2020-05-21 一种基于遥感大数据的区域性浅水种植区分布系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010434305.9A CN111598027B (zh) 2020-05-21 2020-05-21 一种基于遥感大数据的区域性浅水种植区分布系统及方法

Publications (2)

Publication Number Publication Date
CN111598027A true CN111598027A (zh) 2020-08-28
CN111598027B CN111598027B (zh) 2021-07-06

Family

ID=72190539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010434305.9A Active CN111598027B (zh) 2020-05-21 2020-05-21 一种基于遥感大数据的区域性浅水种植区分布系统及方法

Country Status (1)

Country Link
CN (1) CN111598027B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859056A (zh) * 2020-12-31 2021-05-28 中国水产科学研究院南海水产研究所 一种用于大型海洋生物的远程预警系统及方法
CN112861614A (zh) * 2020-12-31 2021-05-28 中国水产科学研究院南海水产研究所 一种绿色能源的远程岛礁生态监测系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202010010780U1 (de) * 2009-11-20 2011-01-20 Enertrag Windfeld Systemtechnik Gmbh Radaranlage zur Sicherung von Windparks
CN102254303A (zh) * 2011-06-13 2011-11-23 河海大学 遥感图像分割方法及遥感图像检索方法
CN102668899A (zh) * 2012-03-28 2012-09-19 北京师范大学 一种农作物种植模式识别方法
CN103743700A (zh) * 2014-01-17 2014-04-23 中国科学院南京地理与湖泊研究所 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法
CN103778622A (zh) * 2013-10-29 2014-05-07 中国科学院东北地理与农业生态研究所 一种基于ndvi与lswi相结合的湿地信息提取方法
CN105184224A (zh) * 2015-08-10 2015-12-23 东北农业大学 一种东北地区水田分类与信息提取系统及方法
CN107273797A (zh) * 2017-05-10 2017-10-20 中山大学 基于水体指数变异系数的水稻亚像元识别方法
CN107944413A (zh) * 2017-12-04 2018-04-20 中国科学院南京地理与湖泊研究所 基于光谱指数排序法的水生植被遥感分类阈值计算方法
CN109034026A (zh) * 2018-07-16 2018-12-18 中国科学院东北地理与农业生态研究所 一种遥感影像中水陆区域的红树林提取方法及系统
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202010010780U1 (de) * 2009-11-20 2011-01-20 Enertrag Windfeld Systemtechnik Gmbh Radaranlage zur Sicherung von Windparks
CN102254303A (zh) * 2011-06-13 2011-11-23 河海大学 遥感图像分割方法及遥感图像检索方法
CN102668899A (zh) * 2012-03-28 2012-09-19 北京师范大学 一种农作物种植模式识别方法
CN103778622A (zh) * 2013-10-29 2014-05-07 中国科学院东北地理与农业生态研究所 一种基于ndvi与lswi相结合的湿地信息提取方法
CN103743700A (zh) * 2014-01-17 2014-04-23 中国科学院南京地理与湖泊研究所 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法
CN105184224A (zh) * 2015-08-10 2015-12-23 东北农业大学 一种东北地区水田分类与信息提取系统及方法
CN107273797A (zh) * 2017-05-10 2017-10-20 中山大学 基于水体指数变异系数的水稻亚像元识别方法
CN107944413A (zh) * 2017-12-04 2018-04-20 中国科学院南京地理与湖泊研究所 基于光谱指数排序法的水生植被遥感分类阈值计算方法
CN109034026A (zh) * 2018-07-16 2018-12-18 中国科学院东北地理与农业生态研究所 一种遥感影像中水陆区域的红树林提取方法及系统
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄帅 等: "基于梯度变换的浅水湖泊围网区遥感提取算法", 《湖泊科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859056A (zh) * 2020-12-31 2021-05-28 中国水产科学研究院南海水产研究所 一种用于大型海洋生物的远程预警系统及方法
CN112861614A (zh) * 2020-12-31 2021-05-28 中国水产科学研究院南海水产研究所 一种绿色能源的远程岛礁生态监测系统及方法
CN112861614B (zh) * 2020-12-31 2024-01-12 中国水产科学研究院南海水产研究所 一种绿色能源的远程岛礁生态监测系统及方法
CN112859056B (zh) * 2020-12-31 2024-02-20 中国水产科学研究院南海水产研究所 一种用于大型海洋生物的远程预警系统及方法

Also Published As

Publication number Publication date
CN111598027B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
WO2023029461A1 (zh) 海量高维ais轨迹数据聚类方法
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN110569901A (zh) 一种基于通道选择的对抗消除弱监督目标检测方法
CN111598028A (zh) 一种基于遥感成像原理识别地表植被分布方法
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN111460968A (zh) 基于视频的无人机识别与跟踪方法及装置
CN111598027B (zh) 一种基于遥感大数据的区域性浅水种植区分布系统及方法
CN101893704A (zh) 一种基于粗糙集的雷达辐射源信号识别方法
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN113284144B (zh) 一种基于无人机的隧道检测方法及装置
CN103093243B (zh) 高分辨率全色遥感图像云判方法
CN109492606A (zh) 多光谱矢量图获取方法及系统、三维单体化方法及系统
CN105184804A (zh) 基于机载红外相机航拍图像的海面小目标检测方法
CN115359366A (zh) 基于参数优化的遥感图像目标检测方法
CN111611921B (zh) 一种基于遥感大数据的太阳能板识别系统
CN116385902A (zh) 一种遥感大数据处理方法、系统及云平台
He et al. Object-based distinction between building shadow and water in high-resolution imagery using fuzzy-rule classification and artificial bee colony optimization
Al-Ghrairi et al. Classification of satellite images based on color features using remote sensing
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
CN112668675A (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN117274627A (zh) 一种基于图像转换的多时相积雪遥感图像匹配方法及系统
CN112488190A (zh) 一种基于深度学习的点云数据分类方法及系统
Tang et al. A new method for extracting trees and buildings from sparse LiDAR data in urban areas
CN112700464B (zh) 地图信息的处理方法、装置、电子设备以及存储介质

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
CB03 Change of inventor or designer information

Inventor after: Huang Fenghua

Inventor after: Jiang Xiaoling

Inventor after: Xu Jiaming

Inventor before: Jiang Xiaoling

Inventor before: Xu Jiaming

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20210610

Address after: No.99, Denglong Road, Mawei District, Fuzhou City, Fujian Province 350015

Applicant after: Huang Fenghua

Applicant after: YANGO University

Address before: 4C3, 108, 362 Gaoming Avenue East, Hecheng street, Gaoming District, Foshan City, Guangdong Province

Applicant before: FOSHAN GAOMING XILUO TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20221208

Address after: Room 1048, 2 # Supporting Service Building, Feifengshan Olympic Sports Park, Cangshan District, Fuzhou City, Fujian Province, 350008

Patentee after: Fujian Zhilian Space Information Technology Research Institute Co.,Ltd.

Patentee after: YANGO University

Address before: No.99, Denglong Road, Mawei District, Fuzhou City, Fujian Province 350015

Patentee before: Huang Fenghua

Patentee before: YANGO University

TR01 Transfer of patent right