CN111882573B - 一种基于高分辨率影像数据的耕地地块提取方法及系统 - Google Patents

一种基于高分辨率影像数据的耕地地块提取方法及系统 Download PDF

Info

Publication number
CN111882573B
CN111882573B CN202010756929.2A CN202010756929A CN111882573B CN 111882573 B CN111882573 B CN 111882573B CN 202010756929 A CN202010756929 A CN 202010756929A CN 111882573 B CN111882573 B CN 111882573B
Authority
CN
China
Prior art keywords
training
edge
cultivated land
point
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
CN202010756929.2A
Other languages
English (en)
Other versions
CN111882573A (zh
Inventor
朱秀芳
李忠义
张强
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202010756929.2A priority Critical patent/CN111882573B/zh
Publication of CN111882573A publication Critical patent/CN111882573A/zh
Application granted granted Critical
Publication of CN111882573B publication Critical patent/CN111882573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于高分辨率影像数据的耕地地块提取方法及系统。所述基于高分辨率影像数据的耕地地块提取方法包括：选取当前边缘样本集合中的任意一层边缘样本作为目标边缘，选取研究点和目标点集合；计算目标点集合中的每个像素点与研究点的特征向量的差值，并根据差值判断与差值对应的像素点是否属于耕地区域；遍历种子点集合，得到种子点集合中每个像素点对应的更新后的耕地区域，并将多个更新后的耕地区域确定为当前迭代次数下的目标边缘对应的耕地区域，利用边缘样本集合中每个边缘对应的耕地区域确定耕地地块提取结果。本发明实现自动化提取地块，不依赖于人工提取，分割方法的可移植性高。

Description

一种基于高分辨率影像数据的耕地地块提取方法及系统
技术领域
本发明涉及耕地地块提取领域，特别是涉及一种基于高分辨率影像数据的耕地地块提取方法及系统。
背景技术
农田地块空间分布与土地状况是社会资源调配的重要参考依据与衡量标准，是现代农业相关产业规划与发展的基础数据，对农田地块分布的精确掌握，对国家快速估计受灾影响情况及核算救灾物资和维护社会稳定意义重大。
现有技术中农田地块提取主要有基于分类和分割两种类型，其中，分类类型是利用各类型的分类器解算图像中各像素的属性类型并提取其中的耕地像元，相邻耕地像元的集合即为耕地地块，然而该方法提取的地块边界不清晰，存在严重的椒盐现象，受分类精度的影响大。
分割类型的方法包括根据像元光谱特性的分割、通过边缘的构建进行分割、依据区域异质性评价的分割、依据光学物理模型基础的分割和基于特定数理模型组合的分割，其中，基于像元光谱特性进行分割的方法仅考虑了像素本身的灰度而忽略了其空间相关性，无法解决异物同谱与同物异谱的问题，且对噪声干扰敏感，阈值设定强依赖于操作人员的经验；基于边缘构建进行分割的方法因影像中自然地物空间分布的复杂性，参数选择仍然依赖经验，且伪边缘与不连续边缘会严重影响分割效果；基于区域异质性评价进行分割的方法中，原始种子点选取、同质性检测标准的确定对操作人员经验的依赖较强，且在边缘周围易出现错误分割，最优分割参数的选择缺乏科学客观的标准，模型移植性差、自动化程度低。
综上，现有的农田提取方法基于人工提取更加依赖于操作人员的经验，导致分割方法可移植性低。
发明内容
本发明的目的是提供一种基于高分辨率影像数据的耕地地块提取方法及系统，以提高地块提取的自动化程度和分割方法的可移植性。
为实现上述目的，本发明提供了如下方案：
一种基于高分辨率影像数据的耕地地块提取方法，所述方法具体包括：
对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像；
对所述遥感融合图像分别进行特征提取和非监督分类，得到特征要素数据集合和种子点集合；所述特征要素数据集合包括：光谱数据、纹理数据集和植被数据；所述种子点集合为非监督分类结果中耕地范围内的地物图斑矢量中心点构成的集合；
对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合；其中，相同边缘强度的像元归为同一层边缘样本，所述边缘强度的评价标准为按所述全色波段图像的像元被不同边缘检测算子识别为边缘的次数，被识别次数越多边缘强度越大；
判断当前迭代次数t下的当前边缘样本集合的层数是否为0；
若当前迭代次数t下的当前边缘样本集合的层数不为0，则选取所述当前边缘样本集合中的任意一层边缘样本作为目标边缘；
选取所述种子点集合中的任意一个像素点作为研究点；
以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合；具体为，在当前区域生长次数n下将所述研究点的8邻域中位于所述种子点集合外的像素点构成的集合确定为目标点集合并计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值，将所述差值小于第一设定阈值的像素点加入所述耕地区域中得到所述研究点对应的更新后的耕地区域；将所述差值小于所述第一设定阈值且所在位置不属于所述目标边缘的像素点加入种子点集合中，并将当前所述研究点从所述种子点集合内删除得到更新后的种子点集合；其中若当前区域生长次数n为初始区域生长次数则所述耕地区域为所述研究点，若当前区域生长次数n不是初始区域生长次数则所述耕地区域为上次区域生长次数n-1下得到的更新后的耕地区域；
判断更新后的种子点集合是否空，得到第一判断结果；
若所述第一判断结果为否，则选取所述更新后的种子点集合中的任意一个像素点作为研究点，并返回所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合这一步骤；
若所述第一判断结果为是则将多个所述研究点对应的更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域；
将所述目标边缘从所述当前边缘样本集合中删除，并更新所述当前边缘样本集合和当前迭代次数t，返回所述判断当前迭代次数t下的当前边缘样本集合的层数是否为0；
若当前迭代次数t下的当前边缘样本集合层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合。
可选的，所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合，具体为：
在当前区域生长次数n下，根据所述特征要素数据集合计算所述目标点集合中的每个像素点与所述耕地区域的特征向量的差值；
若所述差值小于第一设定阈值，则确定所述像素点属于所述耕地区域，再更新所述耕地区域，得到所述研究点对应的更新后的耕地区域；若所述差值小于第一设定阈值，且所述差值对应的像素点不属于所述目标边缘，则将所述像素点添加进所述种子点集合得到所述更新后的种子点集合。
可选的，若当前迭代次数t下的当前边缘样本集合的层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果具体为；
若当前迭代次数t下的当前边缘样本集合层数为0，则统计各所述耕地区域中包含的中强边缘的数量，并将包含中强边缘的数量最多的耕地区域确定为最优分割地块；
对所述最优分割地块依次进行剔除零碎岛和打通零散区域的处理，得到耕地地块提取结果。
可选的，所述纹理数据集的确定方法具体为：
获取遥感训练图像；所述遥感训练图像为耕地地块提取结果已知的遥感图像；
对所述遥感训练图像中的全色波段图像和多光谱波段图像进行融合，得到遥感训练融合图像；
对所述遥感训练融合图像分别进行特征提取和非监督分类，得到光谱训练数据、纹理训练数据集、植被训练数据和种子点训练集合；所述纹理训练数据集包括不同窗口尺寸不同检测方向不同步长下的熵、二阶矩、能量矩、均值、相关性、对比度、差异性和相似性；所述种子点训练集合为非监督分类结果中耕地范围内的训练地物图斑矢量中心点构成的集合；
对所述遥感训练图像中的全色波段图像进行边缘检测，得到边缘样本训练集合；
将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，并将所述纹理训练数据集中的各纹理训练特征分别输入到所述耕地提取模型中，得到各所述纹理训练特征对应的训练耕地提取结果；
由所述训练耕地提取结果计算各所述纹理训练特征对应的精度贡献率；
对所述精度贡献率进行排序，得到贡献率序列，并将所述贡献率序列中前预设比例的精度贡献率对应的纹理训练特征确定为最优纹理特征；
依据所述最优纹理特征对所述遥感融合图像进行特征提取得到纹理数据集。
可选的，所述由所述训练耕地提取结果计算各所述纹理训练特征对应的精度贡献率，具体为：
将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，得到标准训练耕地提取结果；
由所述标准训练耕地提取结果确定标准耕地提取精度；所述标准耕地提取精度包括标准像素总体精度、标准耕地用户精度和标准耕地生产者精度；
由第i个训练耕地提取结果确定第i个纹理训练特征对应的训练耕地提取精度；所述训练耕地提取精度包括像素总体精度、耕地用户精度和耕地生产者精度；
由第i个纹理训练特征对应的训练耕地提取精度和所述标准耕地提取精度计算第i个纹理训练特征对应的精度贡献率，具体为
Ci＝Ai-A0；
其中Ci为第i个纹理训练特征对应的精度贡献率，A0为标准耕地提取精度，Ai为第i个纹理训练特征对应的训练耕地提取精度。
可选的，所述将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，并将所述纹理训练数据集中的各纹理训练特征分别输入到所述耕地提取模型中，得到各所述纹理训练特征对应的训练耕地提取结果，具体为：
判断当前迭代次数m下的当前边缘样本训练集合的层数是否为0；
若当前迭代次数m下的当前边缘样本训练集合的层数不为0，则选取所述当前边缘样本训练集合中的任意一层边缘样本作为训练目标边缘；
选取所述种子点训练集合中的任意一个像素点作为训练研究点；
以所述训练研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合，具体为，在当前区域生长次数i下将所述训练研究点的8邻域中位于所述种子点训练集合外的像素点构成的集合确定为训练目标点集合并计算所述训练目标点集合中的每个像素点与训练耕地区域的特征向量的训练差值，将所述训练差值小于第三设定阈值的像素加入所述训练耕地区域中得到所述训练研究点对应的更新后的训练耕地区域；将所述训练差值小于第三设定阈值且所在位置不属于所述训练目标边缘的像素点加入种子点训练集合中，并将当前所述训练研究点从所述种子点训练集合内删除得到更新后的种子点训练集合；其中若当前区域生长次数k为初始区域生长次数则所述训练耕地区域为所述训练研究点，若当前区域生长次数k不是初始区域生长次数则所述训练耕地区域为上次区域生长次数i-1下得到的更新后的训练耕地区域；
判断所述更新后的种子点训练集合是否空，得到第二判断结果；
若所述第二判断结果为否，则选取所述更新后的种子点训练集合中的任意一个像素点作为训练研究点，并返回所述以所述训练研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合这一步骤；
若所述第二判断结果为是则将多个所述训练研究点对应的更新后的训练耕地区域确定为当前迭代次数m下的训练目标边缘对应的训练耕地区域；
将所述训练目标边缘从所述当前边缘样本训练集合中删除，并更新所述当前边缘样本训练集合和当前迭代次数m，返回所述判断当前迭代次数m下的当前边缘样本训练集合的层数是否为0；
若当前迭代次数m下的当前边缘样本训练集合层数为0，则比较各训练目标边缘对应的训练耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述训练耕地区域作为训练耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合。
可选的，所述种子点集合的确定方法具体包括：
对所述融合影像进行非监督分类，得到耕地分类初始图；所述耕地分类初始图包括耕地区域和非耕地区域；
提取所述耕地分类初始图中的耕地区域；
对所述耕地区域进行栅格转矢量操作，得到地物图斑矢量；
提取所述地物图斑矢量的中心点，得到所述种子点集合。
可选的，所述对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像的方法具体包括：
获取待提取遥感影像；
确定所述待提取遥感影像的全色波段图像和多光谱波段图像；
对所述全色波段图像和所述多光谱波段图像分别进行图像配准，得到配准后的全色波段图像和配准后的多光谱波段图像；
采用主成分分析法将所述配准后的全色波段图像和所述配准后的多光谱波段图像融合，得到所述遥感融合影像。
可选的，所述对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合的方法具体为：
采用Log检测算子对所述全色波段影像进行边缘检测，得到第一边缘图像；
采用8方向Sobel算子对所述全色波段影像进行边缘检测，得到第二边缘图像；
采用抗噪形态学算子对所述全色波段影像进行边缘检测，得到第三边缘图像；
采用Canny算子对所述全色波段影像进行边缘检测，得到第四边缘图像；将所述第一边缘图像、第二边缘图像、第三边缘图像和第四边缘图像进行叠加，得到边缘集合图像；
将所述边缘集合图像中边缘强度处于设定像元值范围内的像元确定为边缘样本集合。
一种基于高分辨率影像数据的耕地地块提取系统，包括：
融合模块，用于对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像；
处理模块，用于对所述遥感融合图像分别进行特征提取和非监督分类，得到特征要素数据集合和种子点集合；所述特征要素数据集合包括：光谱数据、纹理数据集和植被数据；所述种子点集合为非监督分类结果中耕地范围内的地物图斑矢量中心点构成的集合；
边缘样本集合确定模块，用于对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合；其中，相同边缘强度的像元归为同一层边缘样本，所述边缘强度的评价标准为按所述全色波段图像的像元被不同边缘检测算子识别为边缘的次数，被识别次数越多像元强度越大；
有效边缘样本是否为空判断模块，用于判断当前迭代次数t下的当前边缘样本集合的层数是否为0；
目标边缘选取模块，用于若当前迭代次数t下的当前边缘样本集合的层数不为0，则选取所述当前边缘样本集合中的任意一层边缘样本作为目标边缘；
研究点选取模块，用于选取所述种子点集合中的任意一个像素点作为研究点；
耕地更新模块，用于以所述研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合，具体为，在当前区域生长次数n下将所述研究点的8邻域中位于所述种子点集合外的像素点构成的集合确定为目标点集合并计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值，将所述差值小于第一设定阈值的像素点加入所述耕地区域中得到所述研究点对应的更新后的耕地区域；将所述差值小于第一设定阈值且所在位置不属于所述目标边缘的像素点加入种子点集合中，并将当前所述研究点从所述种子点集合内删除得到更新后的种子点集合，其中若当前区域生长次数n为初始区域生长次数则所述耕地区域为所述研究点，若当前区域生长次数n不是初始区域生长次数则所述耕地区域为上次区域生长次数n-1下得到的更新后的耕地区域；
种子点集合是否为空判断模块，用于判断更新后的种子点集合是否空，得到第一判断结果；
继续生长模块，用于若所述第一判断结果为否，则选取所述更新后的种子点集合中的任意一个像素点作为研究点，并返回所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合这一步骤；
耕地整理模块，用于若所述第一判断结果为是则将多个所述研究点对应的更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域；
更新边缘模块，用于将所述目标边缘从所述当前边缘样本集合中删除，并更新所述当前边缘样本集合和当前迭代次数t，返回所述有效边缘样本是否为空判断模块；
耕地地块提取确定模块，用于若当前迭代次数t下的当前边缘样本集合层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明充分利用高分辨率遥感影像数据所包含的光谱、纹理、形状等丰富的地物细节信息，综合区域生长方法具有所得图斑形状完整且连通性好的优势和边缘检测算子对不同对象目标间不连续位置的敏感性，解决单独使用边缘检测时无法闭合、对噪声敏感或单独使用区域生长方法时生长准则的选取人为参与过强、客观性不足的问题，提高分割方法可移植性，进而提高地块提取的自动化程度。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于高分辨率影像数据的耕地地块提取方法的具体流程图；
图2为本发明实施例提供的基于高分辨率影像数据的耕地地块提取方法的整体流程图；
图3为本发明实施例提供的基于高分辨率影像数据的耕地地块提取系统的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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做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。
本发明的目的是提供一种基于高分辨率影像数据的耕地地块提取方法及系统。本发明充分利用高分辨率遥感影像数据所包含的光谱、纹理、形状等丰富的地物细节信息，综合区域生长方法具有所得图斑形状完整且连通性好的优势和边缘检测算子对不同对象目标间不连续位置的敏感性，解决单独使用边缘检测时无法闭合、对噪声敏感或单独使用区域生长方法时生长准则的选取人为参与过强、客观性不足的问题，提高分割方法可移植性，进而提高地块提取的自动化程度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-图2所示，本实施例的基于高分辨率影像数据的耕地地块提取方法，具体包括：
步骤101：对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像。
步骤101具体过程为数据预处理：
获取待提取遥感影像。
确定所述待提取遥感影像的全色波段图像和多光谱波段图像。
对所述全色波段图像和所述多光谱波段图像分别进行图像配准，得到配准后的全色波段图像和配准后的多光谱波段图像。
采用主成分分析法将所述配准后的全色波段图像和所述配准后的多光谱波段图像融合，得到所述遥感融合影像。
步骤102：对所述遥感融合图像分别进行特征提取和非监督分类，得到特征要素数据集合和种子点集合。所述特征要素数据集合包括：光谱数据、纹理数据集和植被数据；所述种子点集合为非监督分类结果中耕地范围内的地物图斑矢量中心点构成的集合；其中光谱数据指的是遥感融合图像的4个波段的反射率数据，植被指数为归一化差值植被指数(NDVI)，可根据公式计算。其中，ρNIR和ρRED分别表示近红外和红波波段的反射率，对应为待提取遥感图像的第四波段和第三波段的反射率。
步骤103：对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合。其中，相同边缘强度的像元归为同一层边缘样本，所述边缘强度的评价标准为按所述全色波段图像的像元被不同边缘检测算子识别为边缘的次数，被识别次数越多像元强度越大。所述边缘样本集合由多层边缘组成且所述边缘是按照边缘强度进行分层的。
步骤103具体过程为：
采用Log检测算子对所述全色波段影像进行边缘检测，得到第一边缘图像。
采用8方向Sobel算子对所述全色波段影像进行边缘检测，得到第二边缘图像。
采用抗噪形态学算子对所述全色波段影像进行边缘检测，得到第三边缘图像。
采用Canny算子对所述全色波段影像进行边缘检测，得到第四边缘图像；将所述第一边缘图像、第二边缘图像、第三边缘图像和第四边缘图像进行叠加，得到边缘集合图像。
将所述边缘集合图像中边缘强度处于设定像元值范围内的像元确定为边缘样本集合。
其中我们可以按照像元被不同边缘检测算子识别为边缘的次数作为强度评价标准，识别次数越多强度越大，例如该边缘集合图像上像元的取值为0-4，取值为4表示被4种边缘算子同时识别为边缘像元，将其定义为强边缘像元，以此定义了次强边缘(取值为3)、中强边缘(取值为2)，弱边缘像元(取值为1)，非边缘像元(取值为0)，提取取值为2-4的像元作为边缘样本集合。
步骤104：判断当前迭代次数t下的当前边缘样本集合的层数是否为0。即通过判断组成当前边缘样本集合中边缘样本的层数是否大于0来判断。
步骤105：若当前迭代次数t下的当前边缘样本集合的层数不为0，则选取所述当前边缘样本集合中的任意一层边缘样本作为目标边缘；
步骤106：选取所述种子点集合中的任意一个像素点作为研究点。
步骤107：以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合。具体为，将所述研究点的8邻域中位于所述种子点集合外的像素点构成的集合确定为目标点集合；在当前区域生长次数n下计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值，将所述差值小于第一设定阈值的像素点加入所述耕地区域中得到所述研究点对应的更新后的耕地区域；将所述差值小于第一设定阈值且所在位置不属于所述目标边缘的像素点加入种子点集合中，并将当前所述研究点从所述种子点集合内删除得到更新后的种子点集合。其中若当前区域生长次数n为初始区域生长次数则所述耕地区域为所述研究点，若当前区域生长次数n不是初始区域生长次数则所述耕地区域为上次区域生长次数n-1下得到的更新后的耕地区域。所述特征向量的计算方法为根据逐个波段计算耕地区域内像素点的均值，各波段的耕地区域内的像素点的均值构成了耕地区域的特征向量。
步骤107具体过程为：
在当前区域生长次数n下，根据所述特征要素数据集合计算所述目标点集合中的每个像素点与所述耕地区域的特征向量的差值。
若所述差值小于第一设定阈值，则确定所述像素点属于耕地区域，将所述像素点加入所述耕地区域中得到所述研究点对应的更新后的耕地区域；若所述差值小于第一设定阈值，且所述差值对应的像素点不属于所述目标边缘，则将所述像素点添加进所述种子点集合中，得到所述更新后的种子点集合。具体为：若差值小于第一设定阈值且所述目标点集合中的像素点不属于所述目标边缘，则将所述目标点标记归并为所述耕地区域中的点，并标记为-2。
若所述差值大于第一设定阈值，则将所述差值对应的像素点标记为-1。
若所述差值小于第一设定阈值，但所述差值对应的像素点属于所述目标边缘，则标记所述目标点为-3。
步骤108：判断更新后的种子点集合是否空，得到第一判断结果。
步骤109：若所述第一判断结果为否，则选取所述更新后的种子点集合中的任意一个像素点作为研究点，并返回步骤107。
步骤110：若所述第一判断结果为是，则将多个所述研究点对应的更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域。
具体为：遍历所述更新后的种子点集合，得到所述更新后的种子点集合中每个所述研究点对应的更新后的耕地区域，并将多个所述更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域。
具体过程为：
判断在种子点集合中剩余像素点的个数C2。
若C2>0，则在种子点集合剩余的像素点中选取一个像素点作为研究点，并跳转至步骤105。
若C2＝0，说明原始种子点都已生长完毕，将多个所述更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域并保存当前结果为分割地块。
步骤111：将所述目标边缘从所述当前边缘样本集合中删除，并更新所述当前边缘样本集合和当前迭代次数t，返回所述判断当前迭代次数t下的当前边缘样本集合的层数是否为0。
步骤112：若当前迭代次数t下的当前边缘样本集合层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合。
步骤112具体过程为：
若当前迭代次数t下的当前边缘样本集合层数为0，则统计各所述耕地区域Redgei中包含的中强边缘Edgemiddle的数量，并将包含中强边缘的数量最多的耕地区域确定为最优分割地块Rbest；各所述耕地区域Redgei组成分割地块数据集合R；具体计算公式如下：Rbest＝{Redgei∈R|max(count(Redgei∩Edgemiddle))}。
对所述最优分割地块依次进行剔除零碎岛和打通零散区域的处理，得到耕地地块提取结果，采用面积阈值法剔除零碎岛，使用形态学运算打通零散区域，得到耕地地块提取结果。
步骤102中所述纹理数据集的确定方法具体为：
步骤401：获取遥感训练图像；所述遥感训练图像为耕地地块提取结果已知的遥感图像。
步骤402：对所述遥感训练图像中的全色波段图像和多光谱波段图像进行融合，得到遥感训练融合图像。
步骤403：对所述遥感训练融合图像分别进行特征提取和非监督分类，得到光谱训练数据、纹理训练数据集、植被训练数据和种子点训练集合；所述纹理训练数据集包括不同窗口尺寸(3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17、19×19)不同检测方向(0°、45°、90°、135°)不同步长(1-5)下的熵、二阶矩、能量矩、均值、相关性、对比度、差异性和相似性8个指标合计5760种不同纹理特征。所述种子点训练集合为非监督分类结果中耕地范围内的训练地物图斑矢量中心点构成的集合。
步骤404：对所述遥感训练图像中的全色波段图像进行边缘检测，得到边缘样本训练集合。
步骤405：将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，并将所述纹理训练数据集中的各纹理训练特征分别输入到所述耕地提取模型中，得到各所述纹理训练特征对应的训练耕地提取结果。
步骤406：由所述训练耕地提取结果计算各所述纹理训练特征对应的精度贡献率。
步骤406的具体过程为：
将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，得到标准训练耕地提取结果。
由所述标准训练耕地提取结果确定标准耕地提取精度；所述标准耕地提取精度包括标准像素总体精度、标准耕地用户精度和标准耕地生产者精度；带入验证样本Usample，计算标准像素总体精度AG0、标准耕地用户精度AU0、标准耕地生产者精度AP0，得到标准耕地提取精度A0＝{AG0,AU0,AP0}。
由第i个训练耕地提取结果确定第i个纹理训练特征对应的训练耕地提取精度；所述训练耕地提取精度包括像素总体精度、耕地用户精度和耕地生产者精度；具体为：带入验证样本Usample，计算像素总体精度AGi、耕地用户精度AUi、耕地生产者精度APi，将当前精度作为特征Fi的训练精度Ai＝{AGi,AUi,APi}。
由第i个纹理训练特征对应的训练耕地提取精度和所述标准耕地提取精度计算第i个纹理训练特征对应的精度贡献率，具体为：
Ci＝Ai-A0；
其中Ci为第i个纹理训练特征对应的精度贡献率，A0为标准耕地提取精度，Ai为第i个纹理训练特征对应的训练耕地提取精度。
步骤407：对所述精度贡献率进行排序，得到贡献率序列，并将所述贡献率序列中前预设比例的精度贡献率对应的纹理训练特征确定为最优纹理特征。
提取正向贡献率的纹理训练特征作为有效纹理特征组合F＝{fi|Ci＞0}，并从F中选择精度贡献率较高的特征构成最优纹理特征，fi表示纹理训练特征类型。
步骤408：依据所述最优纹理特征对所述遥感融合图像进行特征提取得到纹理数据集。
其中，步骤405具体为：
判断当前迭代次数m下的当前边缘样本训练集合的层数是否为0。
若当前迭代次数m下的当前边缘样本训练集合的层数不为0，则选取所述当前边缘样本训练集合中的任意一层边缘样本作为训练目标边缘；
选取所述种子点训练集合中的任意一个像素点作为训练研究点。
以所述训练研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合，具体为，在当前区域生长次数i下将所述训练研究点的8邻域中位于所述种子点训练集合外的像素点构成的集合确定为训练目标点集合并计算所述训练目标点集合中的每个像素点与训练耕地区域的特征向量的训练差值，将所述训练差值小于第三设定阈值的像素加入所述训练耕地区域中得到所述训练研究点对应的更新后的训练耕地区域；将所述训练差值小于第三设定阈值且所在位置不属于所述训练目标边缘的像素点加入种子点训练集合中，并将当前所述训练研究点从所述种子点训练集合内删除得到更新后的种子点训练集合；其中若当前区域生长次数k为初始区域生长次数则所述训练耕地区域为所述训练研究点，若当前区域生长次数k不是初始区域生长次数则所述训练耕地区域为上次区域生长次数i-1下得到的更新后的训练耕地区域。
判断所述更新后的种子点训练集合是否空，得到第二判断结果；
若所述第二判断结果为否，则选取所述更新后的种子点训练集合中的任意一个像素点作为训练研究点，并返回所述以所述训练研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合这一步骤；
若所述第二判断结果为是则将多个所述训练研究点对应的更新后的训练耕地区域确定为当前迭代次数m下的训练目标边缘对应的训练耕地区域。
将所述训练目标边缘从所述当前边缘样本训练集合中删除，并更新所述当前边缘样本训练集合和当前迭代次数m，返回所述判断当前迭代次数m下的当前边缘样本训练集合的层数是否为0。
若当前迭代次数m下的当前边缘样本训练集合层数为0，则比较各训练目标边缘对应的训练耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述训练耕地区域作为训练耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合。
其中，步骤102中的种子点集合的确定方法，具体包括：
对所述融合影像进行非监督分类，得到耕地分类初始图；所述耕地分类初始图包括耕地区域和非耕地区域。其中对耕地分类初始图中的目标采用宁多勿漏的原则，将一定是耕地与有可能是耕地的区域均归并为耕地区域，其他区域归为非耕地区域。
提取所述耕地分类初始图中的耕地区域；
对所述耕地区域进行栅格转矢量操作，得到地物图斑矢量；
提取所述地物图斑矢量的中心点，得到所述种子点集合。
本发明还提供了一种基于高分辨率影像数据的耕地地块提取系统，参见图3，所述基于高分辨率影像数据的耕地地块提取系统，具体包括：
融合模块A1，用于对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像。
处理模块A2，用于对所述遥感融合图像分别进行特征提取和非监督分类，得到特征要素数据集合和种子点集合；所述特征要素数据集合包括：光谱数据、纹理数据集和植被数据；所述种子点集合为非监督分类结果中耕地范围内的地物图斑矢量中心点构成的集合。
边缘样本集合确定模块A3，用于对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合；其中，相同边缘强度的像元归为同一层边缘样本，所述边缘强度的评价标准为按所述全色波段图像的像元被不同边缘检测算子识别为边缘的次数，被识别次数越多像元强度越大。
有效边缘样本是否为空判断模块A4，用于判断当前迭代次数t下的当前边缘样本集合的层数是否为0。
目标边缘选取模块A5，用于若当前迭代次数t下的当前边缘样本集合的层数不为0，则选取所述当前边缘样本集合中的任意一层边缘样本作为目标边缘；
研究点选取模块A6：用于选取所述种子点集合中的任意一个像素点作为研究点。
耕地更新模块A7，用于以所述研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合，具体为，在当前区域生长次数n下将所述研究点的8邻域中位于所述种子点集合外的像素点构成的集合确定为目标点集合并计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值，将所述差值小于第一设定阈值的像素点加入所述耕地区域中得到所述研究点对应的更新后的耕地区域；将所述差值小于第一设定阈值且所在位置不属于所述目标边缘的像素点加入种子点集合中，并将当前所述研究点从所述种子点集合内删除得到更新后的种子点集合；其中若当前区域生长次数n为初始区域生长次数则所述耕地区域为所述研究点，若当前区域生长次数n不是初始区域生长次数则所述耕地区域为上次区域生长次数n-1下得到的更新后的耕地区域。
种子点集合是否为空判断模块A8，用于判断更新后的种子点集合是否空，得到第一判断结果；
继续生长模块A9，用于若所述第一判断结果为否，则选取所述更新后的种子点集合中的任意一个像素点作为研究点，并返回所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合这一步骤；
耕地整理模块A10，用于若所述第一判断结果为是则将多个所述研究点对应的更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域。
更新边缘模块A11，用于将所述目标边缘从所述当前边缘样本集合中删除，并更新所述当前边缘样本集合和当前迭代次数t，返回所述有效边缘样本是否为空判断模块。
耕地地块提取确定模块A12，用于若当前迭代次数t下的当前边缘样本集合层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个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 (9)

1.一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述方法具体包括：
对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像；
对所述遥感融合图像分别进行特征提取和非监督分类，得到特征要素数据集合和种子点集合；所述特征要素数据集合包括：光谱数据、纹理数据集和植被数据；所述种子点集合为非监督分类结果中耕地范围内的地物图斑矢量中心点构成的集合；
对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合；其中，相同边缘强度的像元归为同一层边缘样本，所述边缘强度的评价标准为按所述全色波段图像的像元被不同边缘检测算子识别为边缘的次数，被识别次数越多像元强度越大；
判断当前迭代次数t下的当前边缘样本集合的层数是否为0；
若当前迭代次数t下的当前边缘样本集合的层数不为0，则选取所述当前边缘样本集合中的任意一层边缘样本作为目标边缘；
选取所述种子点集合中的任意一个像素点作为研究点；
以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合；具体为，在当前区域生长次数n下将所述研究点的8邻域中位于所述种子点集合外的像素点构成的集合确定为目标点集合并计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值，将所述差值小于第一设定阈值的像素点加入所述耕地区域中得到所述研究点对应的更新后的耕地区域；将所述差值小于所述第一设定阈值且所在位置不属于所述目标边缘的像素点加入种子点集合中，并将当前所述研究点从所述种子点集合内删除得到更新后的种子点集合；其中若当前区域生长次数n为初始区域生长次数则所述耕地区域为所述研究点，若当前区域生长次数n不是初始区域生长次数则所述耕地区域为上次区域生长次数n-1下得到的更新后的耕地区域；
判断更新后的种子点集合是否空，得到第一判断结果；
若所述第一判断结果为否，则选取所述更新后的种子点集合中的任意一个像素点作为研究点，并返回所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合这一步骤；
若所述第一判断结果为是则将多个所述研究点对应的更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域；
将所述目标边缘从所述当前边缘样本集合中删除，并更新所述当前边缘样本集合和当前迭代次数t，返回所述判断当前迭代次数t下的当前边缘样本集合的层数是否为0；
若当前迭代次数t下的当前边缘样本集合层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合；所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合，具体为：
在当前区域生长次数n下，根据所述特征要素数据集合计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值；
若所述差值小于第一设定阈值，则确定所述像素点属于所述耕地区域，再更新所述耕地区域，得到所述研究点对应的更新后的耕地区域，若所述差值小于第一设定阈值，且所述差值对应的像素点不属于所述目标边缘，则将所述像素点添加进所述种子点集合得到所述更新后的种子点集合。
2.根据权利要求1所述的一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述若当前迭代次数t下的当前边缘样本集合层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果，具体为：
若当前迭代次数t下的当前边缘样本集合层数为0，则统计各所述耕地区域中包含的中强边缘的数量，并将包含中强边缘的数量最多的耕地区域确定为最优分割地块；
对所述最优分割地块依次进行剔除零碎岛和打通零散区域的处理，得到耕地地块提取结果。
3.根据权利要求1所述的一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述纹理数据集的确定方法具体为：
获取遥感训练图像；所述遥感训练图像为耕地地块提取结果已知的遥感图像；
对所述遥感训练图像中的全色波段图像和多光谱波段图像进行融合，得到遥感训练融合图像；
对所述遥感训练融合图像分别进行特征提取和非监督分类，得到光谱训练数据、纹理训练数据集、植被训练数据和种子点训练集合；所述纹理训练数据集包括不同窗口尺寸不同检测方向不同步长下的熵、二阶矩、能量矩、均值、相关性、对比度、差异性和相似性；所述种子点训练集合为非监督分类结果中耕地范围内的训练地物图斑矢量中心点构成的集合；
对所述遥感训练图像中的全色波段图像进行边缘检测，得到边缘样本训练集合；
将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，并将所述纹理训练数据集中的各纹理训练特征分别输入到所述耕地提取模型中，得到各所述纹理训练特征对应的训练耕地提取结果；
由所述训练耕地提取结果计算各所述纹理训练特征对应的精度贡献率；
对所述精度贡献率进行排序，得到贡献率序列，并将所述贡献率序列中前预设比例的精度贡献率对应的纹理训练特征确定为最优纹理特征；
依据所述最优纹理特征对所述遥感融合图像进行特征提取得到纹理数据集。
4.根据权利要求3所述的一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述由所述训练耕地提取结果计算各所述纹理训练特征对应的精度贡献率，具体为：
将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，得到标准训练耕地提取结果；
由所述标准训练耕地提取结果确定标准耕地提取精度；所述标准耕地提取精度包括标准像素总体精度、标准耕地用户精度和标准耕地生产者精度；
由第i个训练耕地提取结果确定第i个纹理训练特征对应的训练耕地提取精度；所述训练耕地提取精度包括像素总体精度、耕地用户精度和耕地生产者精度；
由第i个纹理训练特征对应的训练耕地提取精度和所述标准耕地提取精度计算第i个纹理训练特征对应的精度贡献率，具体为
Ci＝Ai-A0；
其中，Ci为第i个纹理训练特征对应的精度贡献率，A0为标准耕地提取精度，Ai为第i个纹理训练特征对应的训练耕地提取精度。
5.根据权利要求3所述的一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述将所述光谱训练数据、所述植被训练数据、所述种子点训练集合和所述边缘样本训练集合输入到耕地提取模型中，并将所述纹理训练数据集中的各纹理训练特征分别输入到所述耕地提取模型中，得到各所述纹理训练特征对应的训练耕地提取结果，具体为：
判断当前迭代次数m下的当前边缘样本训练集合的层数是否为0；
若当前迭代次数m下的当前边缘样本训练集合的层数不为0，则选取所述当前边缘样本训练集合中的任意一层边缘样本作为训练目标边缘；
选取所述种子点训练集合中的任意一个像素点作为训练研究点；
以所述训练研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合，具体为，在当前区域生长次数i下将所述训练研究点的8邻域中位于所述种子点训练集合外的像素点构成的集合确定为训练目标点集合并计算所述训练目标点集合中的每个像素点与训练耕地区域的特征向量的训练差值，将所述训练差值小于第三设定阈值的像素加入所述训练耕地区域中得到所述训练研究点对应的更新后的训练耕地区域；将所述训练差值小于第三设定阈值且所在位置不属于所述训练目标边缘的像素点加入种子点训练集合中，并将当前所述训练研究点从所述种子点训练集合内删除得到更新后的种子点训练集合；其中若当前区域生长次数i为初始区域生长次数则所述训练耕地区域为所述训练研究点，若当前区域生长次数i不是初始区域生长次数则所述训练耕地区域为上次区域生长次数i-1下得到的更新后的训练耕地区域；
判断所述更新后的种子点训练集合是否空，得到第二判断结果；
若所述第二判断结果为否，则选取所述更新后的种子点训练集合中的任意一个像素点作为训练研究点，并返回所述以所述训练研究点为种子点进行区域生长，得到所述训练研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合这一步骤；
若所述第二判断结果为是则将多个所述训练研究点对应的更新后的训练耕地区域确定为当前迭代次数m下的训练目标边缘对应的训练耕地区域；
将所述训练目标边缘从所述当前边缘样本训练集合中删除，并更新所述当前边缘样本训练集合和当前迭代次数m，返回所述判断当前迭代次数m下的当前边缘样本训练集合的层数是否为0；
若当前迭代次数m下的当前边缘样本训练集合层数为0，则比较各训练目标边缘对应的训练耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述训练耕地区域作为训练耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合。
6.根据权利要求1所述的一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述种子点集合的确定方法具体包括：
对所述遥感融合图像进行非监督分类，得到耕地分类初始图；所述耕地分类初始图包括耕地区域和非耕地区域；
提取所述耕地分类初始图中的耕地区域；
对所述耕地区域进行栅格转矢量操作，得到地物图斑矢量；
提取所述地物图斑矢量的中心点，得到所述种子点集合。
7.根据权利要求1所述的一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像的方法具体包括：
获取待提取遥感影像；
确定所述待提取遥感影像的全色波段图像和多光谱波段图像；
对所述全色波段图像和所述多光谱波段图像分别进行图像配准，得到配准后的全色波段图像和配准后的多光谱波段图像；
采用主成分分析法将所述配准后的全色波段图像和所述配准后的多光谱波段图像融合，得到所述遥感融合图像。
8.根据权利要求1所述的一种基于高分辨率影像数据的耕地地块提取方法，其特征在于，所述对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合的方法具体为：
采用Log检测算子对所述全色波段影像进行边缘检测，得到第一边缘图像；
采用8方向Sobel算子对所述全色波段影像进行边缘检测，得到第二边缘图像；
采用抗噪形态学算子对所述全色波段影像进行边缘检测，得到第三边缘图像；
采用Canny算子对所述全色波段影像进行边缘检测，得到第四边缘图像；将所述第一边缘图像、第二边缘图像、第三边缘图像和第四边缘图像进行叠加，得到边缘集合图像；
将所述边缘集合图像中边缘强度处于设定像元值范围内的像元确定为边缘样本集合。
9.一种基于高分辨率影像数据的耕地地块提取系统，其特征在于，包括：
融合模块，用于对待提取遥感影像中的全色波段图像和多光谱波段图像进行融合，得到遥感融合图像；
处理模块，用于对所述遥感融合图像分别进行特征提取和非监督分类，得到特征要素数据集合和种子点集合；所述特征要素数据集合包括：光谱数据、纹理数据集和植被数据；所述种子点集合为非监督分类结果中耕地范围内的地物图斑矢量中心点构成的集合；
边缘样本集合确定模块，用于对所述全色波段图像采用多种边缘检测算子进行边缘检测，按所述全色波段图像的像元的边缘强度对所述全色波段图像的像元进行分层，得到多层边缘样本，由多层所述边缘样本构成边缘样本集合；其中，相同边缘强度的像元归为同一层边缘样本，所述边缘强度的评价标准为按所述全色波段图像的像元被不同边缘检测算子识别为边缘的次数，被识别次数越多像元强度越大；
有效边缘样本是否为空判断模块，用于判断当前迭代次数t下的当前边缘样本集合的层数是否为0；
目标边缘选取模块，用于若当前迭代次数t下的当前边缘样本集合的层数不为0，则选取所述当前边缘样本集合中的任意一层边缘样本作为目标边缘；
研究点选取模块，用于选取所述种子点集合中的任意一个像素点作为研究点；
耕地更新模块，用于以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的训练耕地区域，以及更新后的种子点训练集合，具体为，在当前区域生长次数n下将所述研究点的8邻域中位于所述种子点集合外的像素点构成的集合确定为目标点集合并计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值，将所述差值小于第一设定阈值的像素点加入所述耕地区域中得到所述研究点对应的更新后的耕地区域；将所述差值小于第一设定阈值且所在位置不属于所述目标边缘的像素点加入种子点集合中，并将当前所述研究点从所述种子点集合内删除得到更新后的种子点集合，其中若当前区域生长次数n为初始区域生长次数则所述耕地区域为所述研究点，若当前区域生长次数n不是初始区域生长次数则所述耕地区域为上次区域生长次数n-1下得到的更新后的耕地区域；
种子点集合是否为空判断模块，用于判断更新后的种子点集合是否空，得到第一判断结果；
继续生长模块，用于若所述第一判断结果为否，则选取所述更新后的种子点集合中的任意一个像素点作为研究点，并返回所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合这一步骤；
耕地整理模块，用于若所述第一判断结果为是则将多个所述研究点对应的更新后的耕地区域确定为当前迭代次数t下的目标边缘对应的耕地区域；
更新边缘模块，用于将所述目标边缘从所述当前边缘样本集合中删除，并更新所述当前边缘样本集合和当前迭代次数t，返回所述有效边缘样本是否为空判断模块；
耕地地块提取确定模块，用于若当前迭代次数t下的当前边缘样本集合层数为0，则比较各目标边缘对应的耕地区域中包含的中强边缘的数量，选择包含中强边缘数量最多的所述耕地区域作为耕地地块提取结果；其中，所述中强边缘为边缘强度为第二设定阈值的像元组成的集合；
所述以所述研究点为种子点进行区域生长，得到所述研究点对应的更新后的耕地区域，以及更新后的种子点集合，具体为：
在当前区域生长次数n下，根据所述特征要素数据集合计算所述目标点集合中的每个像素点与耕地区域的特征向量的差值；
若所述差值小于第一设定阈值，则确定所述像素点属于所述耕地区域，再更新所述耕地区域，得到所述研究点对应的更新后的耕地区域，若所述差值小于第一设定阈值，且所述差值对应的像素点不属于所述目标边缘，则将所述像素点添加进所述种子点集合得到所述更新后的种子点集合。
CN202010756929.2A 2020-07-31 2020-07-31 一种基于高分辨率影像数据的耕地地块提取方法及系统 Active CN111882573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010756929.2A CN111882573B (zh) 2020-07-31 2020-07-31 一种基于高分辨率影像数据的耕地地块提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010756929.2A CN111882573B (zh) 2020-07-31 2020-07-31 一种基于高分辨率影像数据的耕地地块提取方法及系统

Publications (2)

Publication Number Publication Date
CN111882573A CN111882573A (zh) 2020-11-03
CN111882573B true CN111882573B (zh) 2023-08-18

Family

ID=73205136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010756929.2A Active CN111882573B (zh) 2020-07-31 2020-07-31 一种基于高分辨率影像数据的耕地地块提取方法及系统

Country Status (1)

Country Link
CN (1) CN111882573B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330700A (zh) * 2020-11-16 2021-02-05 四川航天神坤科技有限公司 一种卫星影像的耕地地块提取方法
CN112733745A (zh) * 2021-01-14 2021-04-30 北京师范大学 一种耕地图像提取方法及系统
CN118230192B (zh) * 2024-05-27 2024-07-23 环天智慧科技股份有限公司 基于实例分割模型耕地影像中耕地图斑共线的处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013093A (zh) * 2010-12-02 2011-04-13 南京大学 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法
CN103679675A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种面向水质定量遥感应用的遥感影像融合方法
CN107255516A (zh) * 2017-05-27 2017-10-17 北京师范大学 一种遥感影像滑坡单体划分方法
CN108984803A (zh) * 2018-10-22 2018-12-11 北京师范大学 一种农作物产量空间化的方法及系统
CN109448127A (zh) * 2018-09-21 2019-03-08 洛阳中科龙网创新科技有限公司 一种基于无人机遥感的农田高精度导航地图生成方法
CN109840553A (zh) * 2019-01-17 2019-06-04 苏州中科天启遥感科技有限公司 耕地作物类型的提取方法及系统、存储介质、电子设备
CN110796038A (zh) * 2019-10-15 2020-02-14 南京理工大学 结合快速区域生长超像素分割的高光谱遥感图像分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8233712B2 (en) * 2006-07-28 2012-07-31 University Of New Brunswick Methods of segmenting a digital image
US8260048B2 (en) * 2007-11-14 2012-09-04 Exelis Inc. Segmentation-based image processing system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013093A (zh) * 2010-12-02 2011-04-13 南京大学 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法
CN103679675A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种面向水质定量遥感应用的遥感影像融合方法
CN107255516A (zh) * 2017-05-27 2017-10-17 北京师范大学 一种遥感影像滑坡单体划分方法
CN109448127A (zh) * 2018-09-21 2019-03-08 洛阳中科龙网创新科技有限公司 一种基于无人机遥感的农田高精度导航地图生成方法
CN108984803A (zh) * 2018-10-22 2018-12-11 北京师范大学 一种农作物产量空间化的方法及系统
CN109840553A (zh) * 2019-01-17 2019-06-04 苏州中科天启遥感科技有限公司 耕地作物类型的提取方法及系统、存储介质、电子设备
CN110796038A (zh) * 2019-10-15 2020-02-14 南京理工大学 结合快速区域生长超像素分割的高光谱遥感图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
撂荒耕地的提取与分析——以山东省庆云县和无棣县为例;肖国峰 等;地理学报;第73卷(第09期);1658-1673 *

Also Published As

Publication number Publication date
CN111882573A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN103400151B (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
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
Huang et al. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery
CN106339674B (zh) 基于边缘保持与图割模型的高光谱影像分类方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
Turker et al. Field-based sub-boundary extraction from remote sensing imagery using perceptual grouping
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
CN111191628B (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN109829425B (zh) 一种农田景观小尺度地物分类方法及系统
CN104318051B (zh) 基于规则的大范围水体信息遥感自动提取系统及方法
CN107944357A (zh) 基于证据融合自适应阈值的多源遥感图像云检测方法
CN108052886A (zh) 一种小麦条锈病菌夏孢子自动统计计数方法
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法
CN107392929A (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN107680098A (zh) 一种甘蔗蔗节特征的识别方法
CN114596495A (zh) 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN117437489A (zh) 基于决策树模型的城市绿地提取方法
CN116563721B (zh) 基于分层分类思想的烟田提取方法
CN110929739B (zh) 一种自动化的不透水面范围遥感迭代提取方法
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法
CN115512159A (zh) 面向对象的高分辨率遥感影像地表覆盖分类方法及系统
CN110427961A (zh) 一种基于规则和样本融合的建筑信息提取方法及系统
CN115841615A (zh) 一种基于无人机多光谱数据的烟草产量预测方法及装置

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