CN111598028A - 一种基于遥感成像原理识别地表植被分布方法 - Google Patents

一种基于遥感成像原理识别地表植被分布方法 Download PDF

Info

Publication number
CN111598028A
CN111598028A CN202010434322.2A CN202010434322A CN111598028A CN 111598028 A CN111598028 A CN 111598028A CN 202010434322 A CN202010434322 A CN 202010434322A CN 111598028 A CN111598028 A CN 111598028A
Authority
CN
China
Prior art keywords
remote sensing
distribution
vegetation
image
subimage
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.)
Withdrawn
Application number
CN202010434322.2A
Other languages
English (en)
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.)
Foshan Gaoming Xiluo Technology Co ltd
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 CN202010434322.2A priority Critical patent/CN111598028A/zh
Publication of CN111598028A publication Critical patent/CN111598028A/zh
Withdrawn legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Abstract

本发明涉及一种基于遥感成像原理识别地表植被分布方法，包括：通过传感器进行区域探测，获取遥感图像，分割遥感图像获取子图像信息；各个子图像信息利用滤波处理找到子图像收敛点，并确定子图像特征；利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，训练结果上传至云端服务器；各个子图像网络模型训练完成后进行合并，得到遥感图像的网络模型；根据遥感图像的网络模型分析不同植被的分布区域，建立不同植被的分布特征，将不同植被的分布区域特征通过网关进行上传；分析不同植被在区域内的特征指数权重，获取植被分布信息，得到结果信息；将结果信息通过预定方式进行显示。

Description

一种基于遥感成像原理识别地表植被分布方法
技术领域
本发明涉及一种地表植被识别领域或大数据处理，尤其涉及一种基于遥感成像原理识别地表植被分布方法。
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区域性地表植被识别监测，能够实现检测的高效性及监测数据的安全性，监测过程中数据的传输通过物联网自动识别，传输，保证数据传输的快速性，现有的探测区域内太阳能板的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，为了能够精确分析地表植被的分布区域及分布特征，进行区域性探测，以便于更好的进行区域规划，及植被分布或植被生长特性分析，需要开发一款与其相匹配的系统进行探测，精准的获取太阳能板的分布，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，提供一种基于遥感成像原理识别地表植被分布方法。
为达到上述目的，本发明采用的技术方案为：一种基于遥感成像原理识别地表植被分布方法，
通过传感器进行区域探测，获取遥感图像，分割遥感图像获取子图像信息；
各个子图像信息利用滤波处理找到子图像收敛点，并确定子图像特征；
利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，训练结果上传至云端服务器；
各个子图像网络模型训练完成后进行合并，得到遥感图像的网络模型；
根据遥感图像的网络模型分析不同植被的分布区域，建立不同植被的分布特征，将不同植被的分布区域特征通过网关进行上传；
分析不同植被在区域内的特征指数权重，获取植被分布信息，得到结果信息；
将结果信息通过预定方式进行显示。
优选的，通过传感器进行区域探测，获取遥感图像，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；
根据不同植被的电磁波特性，获取区域内的遥感图像。
优选的，通过航空多光谱扫描仪发射热红外电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出不同植被对应的热场图像；
对热场图像进行增强处理，得到不同植被的分布区位。
优选的，根据区域内植被分布的特征指数权重值，建立子区域内植被分布梯度，建立区域内植被的分布曲线；
对每一种植被的分布曲线进行预处理，去除分布曲线上偏差大于预定阈值的点；
将多个分布曲线进行聚合处理，得到区域内所有植被的分布曲线，并进行拟合，得到完成的分布信息。
优选的，对所述待处理遥感图像进行Tetrolet变换，得到与所述待处理遥感图像对应的低频系数、高频系数和分布覆盖系数；
按照预置方式对所述高频系数进行去噪；
根据去噪处理后的高频系数、所述低频系数和所述分布覆盖系数进行逆Tetrolet变换处理，得到降噪后的遥感图像。
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。
本发明第二方面提供了一种基于遥感成像原理识别地表植被分布系统，
该系统包括：存储器、处理器，所述存储器中包括识别地表植被分布的方法程序，所述识别地表植被的方法程序被所述处理器执行时实现如下步骤：
通过传感器进行区域探测，获取遥感图像，分割遥感图像获取子图像信息；
各个子图像信息利用滤波处理找到子图像收敛点，并确定子图像特征；
利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，训练结果上传至云端服务器；
各个子图像网络模型训练完成后进行合并，得到遥感图像的网络模型；
根据遥感图像的网络模型分析不同植被的分布区域，建立不同植被的分布特征，将不同植被的分布区域特征通过网关进行上传；
分析不同植被在区域内的特征指数权重，获取植被分布信息，得到结果信息；
将结果信息通过预定方式进行显示。
优选的，对网络模型进行训练，得到二分类模型；
通过二分类模型进行植被分布预测，得到多张预测图，多张预测图叠加，合成一张完成的预测图；
通过U-Net模型将遥感图像进行切割，切割后的图像进行分析处理；
将分析处理后的图像与预测图进行比对，偏差阈值小于预定阈值时，将合成的预测图作为植被分布图进行分析识别。
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，根据遥感图像建立目标函数，利用目标函数进行迭代计算，直至达到预设条件迭代过程收敛，获得所需的遥感图像。
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)本发明基于区块链技术，去中心化处理，利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全，通过图像处理模块对目标区域进行探测，探测数据生成初始区块，然后通过认证节点进行认证，认证完成后，识别后的地表植被特征形成区块链，永久保存。
(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)通过遥感图像的迭代处理，显著抑制了噪声问题，在保留遥感图像细节的前提下，提高了算法整体迭代的效率。
(4)利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，，根据多个网络模型对各个子图像进行单独训练，训练方式较为灵活，且训练后的模型更加精准。
(4)通过U-Net模型将全区域遥感图像进行切割，切割后的图像进行分析处理，并将切割后的图像进行合成，通过U-Net模型训练后的图像拼接痕迹较少，减少图像重叠区域，使处理后的图像更加接近原始图像，从而减少太阳能板识别过程中的误差。
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成像原理识别地表植被分布的方法流程图；
图2示出了获取遥感图像方法流程图；
图3示出了遥感图像降噪方法流程图；
图4示出了一种基于遥感成像原理识别地表植被分布的系统的框图。
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成像原理识别地表植被分布的方法流程图。
本发明第一方面提供了一种基于遥感成像原理识别地表植被分布方法，包括：
S102，通过传感器进行区域探测，获取遥感图像，分割遥感图像获取子图像信息；
S104，各个子图像信息利用滤波处理找到子图像收敛点，并确定子图像特征；
S106，利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，训练结果上传至云端服务器；
S108，各个子图像网络模型训练完成后进行合并，得到遥感图像的网络模型；
S110，根据遥感图像的网络模型分析不同植被的分布区域，建立不同植被的分布特征，将不同植被的分布区域特征通过网关进行上传；
S112，分析不同植被在区域内的特征指数权重，获取植被分布信息，得到结果信息；
S114，将结果信息通过预定方式进行显示。
需要说明的是，利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，网络模型能够是卷曲神经网络模型，通过训练使得神经网络模型越来越灵活，越来越接近真实值，根据多个网络模型对各个子图像进行单独训练，训练方式较为灵活，且训练后的模型更加精准。
如图2所示，本发明公开了获取遥感图像方法流程图。
根据本发明实施例，通过传感器进行区域探测，获取遥感图像，具体包括：
S202，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；
S204，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；
S206，根据不同植被的电磁波特性，获取区域内的遥感图像。
根据本发明实施例，通过航空多光谱扫描仪发射热红外电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出不同植被对应的热场图像；
对热场图像进行增强处理，得到不同植被的分布区位。
根据本发明实施例，根据区域内植被分布的特征指数权重值，建立子区域内植被分布梯度，建立区域内植被的分布曲线；
对每一种植被的分布曲线进行预处理，去除分布曲线上偏差大于预定阈值的点；
将多个分布曲线进行聚合处理，得到区域内所有植被的分布曲线，并进行拟合，得到完成的分布信息。
如图3所示，本发明公开了遥感图像降噪方法流程图。
根据本发明实施例，S302，对所述待处理遥感图像进行Tetrolet变换，得到与所述待处理遥感图像对应的低频系数、高频系数和分布覆盖系数；
S304，按照预置方式对所述高频系数进行去噪；
S306，根据去噪处理后的高频系数、所述低频系数和所述分布覆盖系数进行逆Tetrolet变换处理，得到降噪后的遥感图像。
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。
本发明第二方面提供了一种基于遥感成像原理识别地表植被分布系统，
该系统包括：存储器、处理器，存储器中包括识别地表植被分布方法程序，识别地表植被分布方法程序被所述处理器执行时实现如下步骤：
通过传感器进行区域探测，获取遥感图像，分割遥感图像获取子图像信息；
各个子图像信息利用滤波处理找到子图像收敛点，并确定子图像特征；
利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，训练结果上传至云端服务器；
各个子图像网络模型训练完成后进行合并，得到遥感图像的网络模型；
根据遥感图像的网络模型分析不同植被的分布区域，建立不同植被的分布特征，将不同植被的分布区域特征通过网关进行上传；
分析不同植被在区域内的特征指数权重，获取植被分布信息，得到结果信息；
将结果信息通过预定方式进行显示。
根据本发明实施例，对网络模型进行训练，得到二分类模型；
通过二分类模型进行植被分布预测，得到多张预测图，多张预测图叠加，合成一张完成的预测图；
通过U-Net模型将遥感图像进行切割，切割后的图像进行分析处理；
将分析处理后的图像与预测图进行比对，偏差阈值小于预定阈值时，将合成的预测图作为植被分布图进行分析识别。
需要说明的是，通过U-Net模型将全区域遥感图像进行切割，切割后的图像进行分析处理，并将切割后的图像进行合成，通过U-Net模型训练后的图像拼接痕迹较少，减少图像重叠区域，使处理后的图像更加接近原始图像，从而减少太阳能板识别过程中的误差。
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。
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，根据遥感图像建立目标函数，利用目标函数进行迭代计算，直至达到预设条件迭代过程收敛，获得所需的遥感图像。
需要说明的是，通过遥感图像的迭代处理，显著抑制了噪声问题，在保留遥感图像细节的前提下，提高了算法整体迭代的效率。
本发明基于区块链技术，去中心化处理，利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全，通过图像处理模块对目标区域进行探测，探测数据生成初始区块，然后通过认证节点进行认证，认证完成后，识别后的地表植被特征形成区块链，永久保存，在进行识别过程中，同一区域内的不同的地表植被不同，地表植被的分布与山体斜度，或气候条件以及自然环境相关，在进行遥感图像采集过程中，不同的地表植被的颜色权重值不同，颜色权重值较大的位置，通过颜色权重值分析，精准检测区域内地表植被分布特征。
通过大数据与原始模型进行训练，经过训练后的模型在进行地表植被监测识别过程中，识别精度越来越高，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
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)

1.一种基于遥感成像原理识别地表植被分布方法，其特征在于，包括:
通过传感器进行区域探测，获取遥感图像，分割遥感图像获取子图像信息；
各个子图像信息利用滤波处理找到子图像收敛点，并确定子图像特征；
利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，训练结果上传至云端服务器；
各个子图像网络模型训练完成后进行合并，得到遥感图像的网络模型；
根据遥感图像的网络模型分析不同植被的分布区域，建立不同植被的分布特征，将不同植被的分布区域特征通过网关进行上传；
分析不同植被在区域内的特征指数权重，获取植被分布信息，得到结果信息；
将结果信息通过预定方式进行显示。
2.根据权利要求1所述的一种基于遥感成像原理识别地表植被分布方法，其特征在于：通过传感器进行区域探测，获取遥感图像，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；
根据不同植被的电磁波特性，获取区域内的遥感图像。
3.根据权利要求1所述的一种基于遥感成像原理识别地表植被分布方法，其特征在于：通过航空多光谱扫描仪发射热红外电磁波；
探测物体热辐射能量，显示物体的辐射温度或热场图像；
根据目标物体的热辐射特性，筛选出不同植被对应的热场图像；
对热场图像进行增强处理，得到不同植被的分布区位。
4.根据权利要求1所述的一种基于遥感成像原理识别地表植被分布方法，其特征在于：根据区域内植被分布的特征指数权重值，建立子区域内植被分布梯度，建立区域内植被的分布曲线；
对每一种植被的分布曲线进行预处理，去除分布曲线上偏差大于预定阈值的点；
将多个分布曲线进行聚合处理，得到区域内所有植被的分布曲线，并进行拟合，得到完成的分布信息。
5.根据权利要求1所述的一种基于遥感成像原理识别地表植被分布方法，其特征在于：对所述待处理遥感图像进行Tetrolet变换，得到与所述待处理遥感图像对应的低频系数、高频系数和分布覆盖系数；
按照预置方式对所述高频系数进行去噪；
根据去噪处理后的高频系数、所述低频系数和所述分布覆盖系数进行逆Tetrolet变换处理，得到降噪后的遥感图像。
6.根据权利要求1所述的一种基于遥感成像原理识别地表植被分布方法，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。
7.一种基于遥感成像原理识别地表植被分布系统，其特征在于：该系统包括：存储器、处理器，所述存储器中包括识别地表植被分布方法程序，所述识别地表植被分布方法程序被所述处理器执行时实现如下步骤：
通过传感器进行区域探测，获取遥感图像，分割遥感图像获取子图像信息；
各个子图像信息利用滤波处理找到子图像收敛点，并确定子图像特征；
利用子图像特征建立网络模型，并对各个子图像的网络模型进行训练，训练结果上传至云端服务器；
各个子图像网络模型训练完成后进行合并，得到遥感图像的网络模型；
根据遥感图像的网络模型分析不同植被的分布区域，建立不同植被的分布特征，将不同植被的分布区域特征通过网关进行上传；
分析不同植被在区域内的特征指数权重，获取植被分布信息，得到结果信息；
将结果信息通过预定方式进行显示。
8.根据权利要求7所述的一种基于遥感成像原理识别地表植被分布系统，其特征在于：对网络模型进行训练，得到二分类模型；
通过二分类模型进行植被分布预测，得到多张预测图，多张预测图叠加，合成一张完成的预测图；
通过U-Net模型将遥感图像进行切割，切割后的图像进行分析处理；
将分析处理后的图像与预测图进行比对，偏差阈值小于预定阈值时，将合成的预测图作为植被分布图进行分析识别。
9.根据权利要求7所述的一种基于遥感成像原理识别地表植被分布系统，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。
10.根据权利要求8所述的一种基于遥感成像原理识别地表植被分布系统，其特征在于：根据遥感图像建立目标函数，利用目标函数进行迭代计算，直至达到预设条件迭代过程收敛，获得所需的遥感图像。
CN202010434322.2A 2020-05-21 2020-05-21 一种基于遥感成像原理识别地表植被分布方法 Withdrawn CN111598028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010434322.2A CN111598028A (zh) 2020-05-21 2020-05-21 一种基于遥感成像原理识别地表植被分布方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010434322.2A CN111598028A (zh) 2020-05-21 2020-05-21 一种基于遥感成像原理识别地表植被分布方法

Publications (1)

Publication Number Publication Date
CN111598028A true CN111598028A (zh) 2020-08-28

Family

ID=72185890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010434322.2A Withdrawn CN111598028A (zh) 2020-05-21 2020-05-21 一种基于遥感成像原理识别地表植被分布方法

Country Status (1)

Country Link
CN (1) CN111598028A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580484A (zh) * 2020-12-14 2021-03-30 中国农业大学 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置
CN112580493A (zh) * 2020-12-16 2021-03-30 广东省林业科学研究院 基于无人机遥感的植物识别方法、装置、设备及存储介质
CN112667846A (zh) * 2020-12-21 2021-04-16 张莉 一种基于区块链的无人机环境污染遥测数据处理方法及系统
CN113077486A (zh) * 2021-04-30 2021-07-06 深圳世源工程技术有限公司 一种山区植被覆盖率监测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580484A (zh) * 2020-12-14 2021-03-30 中国农业大学 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置
CN112580484B (zh) * 2020-12-14 2024-03-29 中国农业大学 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置
CN112580493A (zh) * 2020-12-16 2021-03-30 广东省林业科学研究院 基于无人机遥感的植物识别方法、装置、设备及存储介质
CN112580493B (zh) * 2020-12-16 2021-11-09 广东省林业科学研究院 基于无人机遥感的植物识别方法、装置、设备及存储介质
CN112667846A (zh) * 2020-12-21 2021-04-16 张莉 一种基于区块链的无人机环境污染遥测数据处理方法及系统
CN113077486A (zh) * 2021-04-30 2021-07-06 深圳世源工程技术有限公司 一种山区植被覆盖率监测方法及系统

Similar Documents

Publication Publication Date Title
CN111598028A (zh) 一种基于遥感成像原理识别地表植被分布方法
US11556745B2 (en) System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor
CN109891781B (zh) 考虑物体的材质和轮廓分析通信信道的方法和装置
CN113064117B (zh) 一种基于深度学习的辐射源定位方法及装置
CN108320329A (zh) 一种基于3d激光的3d地图创建方法
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
CN114862837A (zh) 基于改进YOLOv5s的人体安检图像检测方法及系统
CN103679674A (zh) 一种无人飞行器实时图像拼接方法及系统
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN112395987A (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN112445241A (zh) 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质
CN109492700A (zh) 一种基于多维信息融合的复杂背景目标识别方法
CN112630160A (zh) 一种基于图像采集的无人机航迹规划土壤湿度监测方法、系统及可读存储介质
CN106839881B (zh) 一种基于动态图像识别的反无人机方法
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
Tang et al. Sonar image mosaic based on a new feature matching method
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
CN111611921B (zh) 一种基于遥感大数据的太阳能板识别系统
CN110991430A (zh) 基于遥感图像的地物识别及覆盖率计算方法及系统
Lei et al. A novel algorithm of individual tree crowns segmentation considering three-dimensional canopy attributes using UAV oblique photos
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Kusetogullari et al. Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach
CN113160210A (zh) 基于深度相机的排水管道缺陷检测方法及装置
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
CN116453277A (zh) 周界安防入侵事件全覆盖式精准检测方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200828