CN112101325A - 耕地变化检测方法、装置、电子设备及存储介质 - Google Patents
耕地变化检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112101325A CN112101325A CN202011291517.2A CN202011291517A CN112101325A CN 112101325 A CN112101325 A CN 112101325A CN 202011291517 A CN202011291517 A CN 202011291517A CN 112101325 A CN112101325 A CN 112101325A
- Authority
- CN
- China
- Prior art keywords
- land
- image
- land parcel
- remote sensing
- parcel
- 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
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
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
本申请提供一种耕地变化检测方法、装置、电子设备及存储介质,耕地变化检测方法包括:获取待检测地域在先的国土调查矢量图及当前的遥感影像;输入国土调查矢量图及遥感影像至预设的多层语义结构模型,得到基于遥感影像的地块层图像及对象层图像;基于预定诊断指标分别对地块层图像及对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应于地块层图像、对象层图像及不同的预定诊断指标的参数统计结果;根据参数统计结果,在地块层图像检测得到相应的地块检测结果。本申请能提高耕地变化检测的准确度及效率,并且不受人为主观因素影响,结果更为客观、真实,能较好地满足对大范围、高频次的耕地变化检测的需求。
Description
技术领域
本申请涉及遥感智能解译技术领域,具体而言,涉及一种耕地变化检测方法、装置、电子设备及存储介质。
背景技术
耕地是人类赖以生存的基础和保障,其关系着国民经济和社会的可持续发展,耕地问题的实质是农业问题,特别是粮食问题,为确保粮食的充足,耕地保护需要高度重视。
目前,耕地变化检测通常采用人机交互式的变化查找方法,也即作业人员将前后两期影像数据叠加或双屏对比,一屏一屏地移动目视查找变化,但此种变化查找方法犹如大海捞针,不仅工作量大,自动化程度低,而且受作业人员主观影响大,容易遗漏的图斑较多,难以满足对大范围、高频次的耕地变化检测的需求。
发明内容
本申请实施例的目的在于提供一种耕地变化检测方法、装置、电子设备及存储介质,能自动地进行耕地变化检测,提高耕地变化检测的准确度及效率,大大地减少作业人员的工作,并且耕地变化检测不受人为主观因素影响,结果更为客观、真实,能较好地满足对大范围、高频次的耕地变化检测的需求。
第一方面,本申请实施例提供了一种耕地变化检测方法,包括:
获取待检测地域在先的国土调查矢量图及当前的遥感影像;
输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像及对象层图像;
基于预定诊断指标分别对所述地块层图像及所述对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应于所述地块层图像、所述对象层图像及不同的预定诊断指标的参数统计结果;
根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果。
在上述实现过程中,本申请实施例的耕地变化检测方法,输入获取的待检测地域在先的国土调查矢量图及当前的遥感影像至预设的多层语义结构模型,得到基于遥感影像的地块层图像及对象层图像,其中,待检测地域在先的国土调查矢量图提供了地块先验知识,便于地块层图像及对象层图像的获得;再基于预定诊断指标分别对地块层图像及对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应的参数统计结果,进而可以在地块层图像检测得到相应的地块检测结果,通过此种方式可以自动地进行耕地变化检测,提高耕地变化检测的准确度及效率,大大地减少作业人员的工作,并且耕地变化检测不受人为主观因素影响,耕地变化检测结果更为客观、真实,能较好地满足对大范围、高频次的耕地变化检测的需求。
进一步地,所述预设的多层语义结构模型的多层语义结构为像素—对象—地块—场景。
在上述实现过程中,该方法中预设的多层语义结构模型采用像素—对象—地块—场景的多层语义结构,可以更好地得到基于遥感影像的地块层图像及对象层图像,从而能更好地在地块层图像检测得到相应的地块检测结果。
进一步地,所述输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像及对象层图像,包括:
输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像;
根据所述地块层图像、所述遥感影像及所述预设的多层语义结构模型,得到基于所述遥感影像的对象层图像。
在上述实现过程中,该方法根据地块层图像、遥感影像及预设的多层语义结构模型,能更好地得到基于遥感影像的对象层图像,进而能更好地进行预定参数的统计,得到对应的参数统计结果,从而更好地在地块层图像检测得到相应的地块检测结果。
进一步地,所述根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果,包括:
将所述参数统计结果存入预定的诊断指标变量,形成耕地变化诊断指标体系;
根据所述耕地变化诊断指标体系中存入的诊断指标变量,在所述地块层图像检测得到相应的地块检测结果。
在上述实现过程中,该方法通过将参数统计结果存入预定的诊断指标变量,形成耕地变化诊断指标体系,根据耕地变化诊断指标体系中存入的诊断指标变量,在地块层图像检测得到相应的地块检测结果的方式,可以使得在地块层图像检测得到的地块检测结果更具依据性、客观性,并且也能便于在地块层图像检测得到相应的地块检测结果。
进一步地,所述地块检测结果包括变化地块、疑似变化地块及无变化地块;
在所述根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果之后,所述方法还包括:
将所述地块层图像的所述变化地块及所述疑似变化地块通过多层语义结构的拓扑关系传递至所述对象层图像;
在所述对象层图像的所述变化地块及所述疑似变化地块检测得到光谱和纹理异常的异常对象。
在上述实现过程中,该方法还在对象层图像的变化地块及疑似变化地块检测得到光谱和纹理异常的异常对象,异常对象的检测能便于作业人员更快速地得知变化地块及疑似变化地块中发生耕地变化的异常对象,从而能更好地减少作业人员的工作。
进一步地,在所述对象层图像的所述变化地块及所述疑似变化地块检测得到光谱和纹理异常的异常对象之后,所述方法还包括:
对所述地块层图像的所述变化地块及所述疑似变化地块进行同类合并,以及对所述对象层图像的所述异常对象进行同类合并;
去除所述地块层图像的所述变化地块及所述疑似变化地块中小于预定最小地块面积的地块,以及去除所述对象层图像的所述异常对象中小于预定最小对象面积的对象。
在上述实现过程中,该方法通过同类合并及去除最小面积的方式对地块层图像的变化地块及疑似变化地块和对象层图像的异常对象进行去噪,可以使得含有变化地块及疑似变化地块的地块层图像和含有异常对象的对象层图像更为便于作业人员观看、查阅。
进一步地,在所述对象层图像的所述变化地块及所述疑似变化地块检测得到光谱和纹理异常的异常对象之后,所述方法还包括:
将所述变化地块、所述疑似变化地块、所述异常对象及所述耕地变化诊断指标体系中存入的诊断指标对应的数值输出。
在上述实现过程中,该方法还将变化地块、疑似变化地块、异常对象及耕地变化诊断指标体系中存入的诊断指标对应的数值输出,可以更为便于作业人员的工作,减少作业人员的工作负担。
第二方面,本申请实施例提供了一种耕地变化检测装置,包括:
获取模块,用于获取待检测地域在先的国土调查矢量图及当前的遥感影像;
图像构建模块,用于输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像及对象层图像;
处理模块,用于基于预定诊断指标分别对所述地块层图像及所述对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应于所述地块层图像、所述对象层图像及不同的预定诊断指标的参数统计结果;
检测模块,用于根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果。
在上述实现过程中,本申请实施例的耕地变化检测装置,输入获取的待检测地域在先的国土调查矢量图及当前的遥感影像至预设的多层语义结构模型,得到基于遥感影像的地块层图像及对象层图像,其中,待检测地域在先的国土调查矢量图提供了地块先验知识,便于地块层图像及对象层图像的获得;再基于预定诊断指标分别对地块层图像及对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应的参数统计结果,进而可以在地块层图像检测得到相应的地块检测结果,通过此种方式可以自动地进行耕地变化检测,提高耕地变化检测的准确度及效率,大大地减少作业人员的工作,并且耕地变化检测不受人为主观因素影响,耕地变化检测结果更为客观、真实,能较好地满足对大范围、高频次的耕地变化检测的需求。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的耕地变化检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的耕地变化检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例一提供的耕地变化检测方法的第一流程示意图;
图2为本申请实施例一提供的待检测地域当前的遥感影像的示意图;
图3为本申请实施例一提供的基于遥感影像的地块层图像的示意图;
图4为本申请实施例一提供的检测得到地块检测结果的地块层图像的示意图;
图5为本申请实施例一提供的某一变化地块的放大示意图;
图6为本申请实施例一提供的步骤S140的流程示意图;
图7为本申请实施例一提供的耕地变化检测方法的第二流程示意图;
图8为本申请实施例一提供的检测得到异常对象的对象层图像的示意图;
图9为本申请实施例一提供的某一变化地块及其中的异常对象的放大示意图;
图10为本申请实施例二提供的耕地变化检测装置的第一结构框图;
图11为本申请实施例二提供的耕地变化检测装置的第二结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,耕地变化检测通常采用人机交互式的变化查找方法,也即作业人员将前后两期影像数据叠加或双屏对比,一屏一屏地移动目视查找变化,但此种变化查找方法犹如大海捞针,不仅工作量大,自动化程度低,而且受作业人员主观影响大,容易遗漏的图斑较多,难以满足对大范围、高频次的耕地变化检测的需求。
针对上述现有技术中的问题,本申请提供了一种耕地变化检测方法、装置、电子设备及存储介质,能自动地进行耕地变化检测,提高耕地变化检测的准确度及效率,大大地减少作业人员的工作,并且耕地变化检测不受人为主观因素影响,结果更为客观、真实,能较好地满足对大范围、高频次的耕地变化检测的需求。
实施例一
参见图1,图1为本申请实施例提供的耕地变化检测方法的第一流程示意图。本申请实施例中下述的耕地变化检测方法可应用于服务器。
本申请实施例的耕地变化检测方法,包括如下步骤:
步骤S110,获取待检测地域在先的国土调查矢量图及当前的遥感影像。
在本实施例中,待检测地域可以是我国的某个省、某个市、某个市的某个县或某个市的某个区等等。
待检测地域在先的国土调查矢量图能用于为待检测地域当前的遥感影像提供地块先验知识,待检测地域在先的国土调查矢量图可以包含耕地的位置、形状、大小及其与其他类型的地块的空间位置关系等先验知识。
待检测地域当前的遥感影像与待检测地域在先的国土调查矢量图是相对应的。可选地,待检测地域当前的遥感影像可以采用高分辨率的遥感影像,例如,亚米级分辨率的遥感影像,对于待检测地域当前的遥感影像,可参见图2的示意图。
步骤S120,输入上述国土调查矢量图及遥感影像至预设的多层语义结构模型,得到基于上述遥感影像的地块层图像及对象层图像。
在本实施例中,预设的多层语义结构模型为预先构建好的模型,且可以直接使用,预设的多层语义结构模型的多层语义结构可以为像素—对象—地块—场景,预设的多层语义结构模型的多层语义结构为多层次拓扑关联的立体结构。
基于上述遥感影像的地块层图像是在待检测地域在先的国土调查矢量图提供的地块先验知识的基础上,在上述遥感影像进行分割得到的地块层图像,其提供了耕地的位置、形状、大小及结构等几何知识的信息,对于基于上述遥感影像的地块层图像,可参见图3的示意图;基于上述遥感影像的对象层图像可以耕地地块边界为约束条件,基于上述遥感影像的光谱、纹理、形状等特征进行影像分割得到的对象层图像;其中,一个耕地地块由多个对象组成,但任何一个对象只属于唯一的一个耕地地块,同质像素组成影像对象。
可选地,在基于上述遥感影像的对象层图像的构建可以采用尺度集分割技术,避免分割尺度参数设置不当造成分割精度不高的问题。
该方法中预设的多层语义结构模型采用像素—对象—地块—场景的多层语义结构,可以更好地得到基于遥感影像的地块层图像及对象层图像,从而能更好地在地块层图像检测得到相应的地块检测结果。
在本实施例中,输入上述国土调查矢量图及遥感影像至预设的多层语义结构模型,还可以得到基于上述遥感影像的场景层图像及像素层图像,基于上述遥感影像的场景层图像是将耕地地块变化放在与居民地、交通用地、园林地、水体等生产、生活、生态元素的关系场景中进行把握,使得其他类型的地块与耕地地块之间的空间关系构成了耕地地块分析的场景;基于上述遥感影像的像素层图像可以是当前的遥感影像本身,也可以根据需要通过边缘增强、指数计算等产生一些衍生像素层,可以提高对象层的分割效率和精度。
在本实施例中,基于上述遥感影像的像素层图像属于微观视角,基于上述遥感影像的地块层图像及对象层图像属于中观视角,基于上述遥感影像的场景层图像属于宏观视角。
在本实施例中,在待检测地域在先的国土调查矢量图与待检测地域当前的遥感影像的时间期间,发生变化的耕地地块占少数,未发生变化的耕地地块占多数;未发生变化的耕地地块之间的光谱和纹理特征相似;发生变化的耕地地块导致光谱和纹理特征与未发生变化的耕地地块有极大的差异。
通过预设的多层语义结构模型,可以从微观、中观到宏观不同视角的立体动态分析,挖掘遥感影像的多尺度、多特征信息,减少二维遥感影像本身的不确定性,从而提高耕地变化检测的精度。
步骤S130,基于预定诊断指标分别对上述地块层图像及对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应于上述地块层图像、对象层图像及不同的预定诊断指标的参数统计结果。
在本实施例中,预定诊断指标可以包括影像光谱、形状、纹理及指数等诊断指标,预定参数可以包括各个预定诊断指标的均值及标准差。
地块层图像各个预定诊断指标的预定参数分开统计,对象层图像各个预定诊断指标的预定参数分开统计。
上述参数统计结果,也即对应于上述地块层图像、对象层图像及不同的预定诊断指标的均值及标准差。
步骤S140,根据上述参数统计结果,在上述地块层图像检测得到相应的地块检测结果。
在本实施例中,可以根据上述参数统计结果的高低,在上述地块层图像检测得到相应的地块检测结果,也即可以根据预定诊断指标的均值及标准差的高低,在上述地块层图像检测得到相应的地块检测结果。
地块检测结果可以包括变化地块、疑似变化地块及无变化地块,其中,变化地块的预定诊断指标的均值及标准差均大于各参数对应的预设的第一阈值;疑似变化地块的预定诊断指标的均值及标准差均大于各参数对应的预设的第二阈值,且小于各参数对应的预设的第一阈值;无变化地块的预定诊断指标的均值及标准差均小于各参数对应的预设的第二阈值。
对于检测得到地块检测结果的地块层图像,可参见图4的示意图;对于图4中的某一变化地块的放大图,可参见图5的示意图。
本申请实施例的耕地变化检测方法,输入获取的待检测地域在先的国土调查矢量图及当前的遥感影像至预设的多层语义结构模型,得到基于遥感影像的地块层图像及对象层图像,其中,待检测地域在先的国土调查矢量图提供了地块先验知识,便于地块层图像及对象层图像的获得;再基于预定诊断指标分别对地块层图像及对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应的参数统计结果,进而可以在地块层图像检测得到相应的地块检测结果,通过此种方式可以自动地进行耕地变化检测,提高耕地变化检测的准确度及效率,大大地减少作业人员的工作,并且耕地变化检测不受人为主观因素影响,耕地变化检测结果更为客观、真实,能较好地满足对大范围、高频次的耕地变化检测的需求。
为了可以更好地在地块层图像检测得到相应的地块检测结果,本申请实施例提供一种可能的实施方式,本申请实施例的耕地变化检测方法,步骤S120,输入上述国土调查矢量图及遥感影像至预设的多层语义结构模型,得到基于上述遥感影像的地块层图像及对象层图像,可包括如下步骤:
输入上述国土调查矢量图及遥感影像至预设的多层语义结构模型,得到基于上述遥感影像的地块层图像;
根据上述地块层图像、遥感影像及预设的多层语义结构模型,得到基于上述遥感影像的对象层图像。
在上述过程中,该方法根据地块层图像、遥感影像及预设的多层语义结构模型,能更好地得到基于遥感影像的对象层图像,进而能更好地进行预定参数的统计,得到对应的参数统计结果,从而更好地在地块层图像检测得到相应的地块检测结果。
为了可以使得在地块层图像检测得到的地块检测结果更具依据性、客观性,本申请实施例提供一种可能的实施方式,参见图6,图6为本申请实施例提供的步骤S140的流程示意图,本申请实施例的耕地变化检测方法,步骤S140,根据上述参数统计结果,在上述地块层图像检测得到相应的地块检测结果,可包括如下步骤:
步骤S141,将上述参数统计结果存入预定的诊断指标变量,形成耕地变化诊断指标体系;
步骤S142,根据耕地变化诊断指标体系中存入的诊断指标变量,在上述地块层图像检测得到相应的地块检测结果。
其中,在上述地块层图像检测得到相应的地块检测结果时,可根据耕地变化诊断指标体系中存入的诊断指标变量的高低在上述地块层图像检测得到变化地块、疑似变化地块及无变化地块,具体变化地块、疑似变化地块及无变化地块的确定可对应参见上述步骤S140中对应的内容,在此,不再赘述。
在上述过程中,该方法通过将参数统计结果存入预定的诊断指标变量,形成耕地变化诊断指标体系,根据耕地变化诊断指标体系中存入的诊断指标变量,在地块层图像检测得到相应的地块检测结果的方式,可以使得在地块层图像检测得到的地块检测结果更具依据性、客观性,并且也能便于在地块层图像检测得到相应的地块检测结果。
为了能更好地减少作业人员的工作,本申请实施例提供一种可能的实施方式,参见图7,图7为本申请实施例提供的耕地变化检测方法的第二流程示意图,本申请实施例的耕地变化检测方法,在步骤S140,根据上述参数统计结果,在上述地块层图像检测得到相应的地块检测结果之后,可包括如下步骤:
步骤S150,将上述地块层图像的变化地块及疑似变化地块通过多层语义结构的拓扑关系传递至上述对象层图像;
步骤S160,在上述对象层图像的变化地块及疑似变化地块检测得到光谱和纹理异常的异常对象。
其中,对于检测得到异常对象的对象层图像,可参见图8的示意图;对于图8中的某一变化地块及其中的异常对象的放大图,可参见图9的示意图。
光谱和纹理异常的异常对象,即为变化地块及疑似变化地块中发生耕地变化的异常对象,变化地块及疑似变化地块中发生耕地变化的异常对象对应的预定诊断指标的均值及标准差均大于各参数对应的预设的第一阈值。
在上述过程中,该方法还在对象层图像的变化地块及疑似变化地块检测得到光谱和纹理异常的异常对象,异常对象的检测能便于作业人员更快速地得知变化地块及疑似变化地块中发生耕地变化的异常对象,从而能更好地减少作业人员的工作。
可选地,本申请实施例的耕地变化检测方法,在步骤S160,在上述对象层图像的变化地块及疑似变化地块检测得到光谱和纹理异常的异常对象之后,还可包括如下步骤:
对上述地块层图像的变化地块及疑似变化地块进行同类合并,以及对上述对象层图像的异常对象进行同类合并;
去除上述地块层图像的变化地块及疑似变化地块中小于预定最小地块面积的地块,以及去除上述对象层图像的异常对象中小于预定最小对象面积的对象。
在上述过程中,该方法通过同类合并及去除最小面积的方式对地块层图像的变化地块及疑似变化地块和对象层图像的异常对象进行去噪,可以使得含有变化地块及疑似变化地块的地块层图像和含有异常对象的对象层图像更为便于作业人员观看、查阅。
作为一种可选的实施方式,本申请实施例的耕地变化检测方法,在步骤S160,在上述对象层图像的变化地块及疑似变化地块检测得到光谱和纹理异常的异常对象之后,还可包括如下步骤:
步骤S170,将上述变化地块、疑似变化地块、异常对象及耕地变化诊断指标体系中存入的诊断指标对应的数值输出。
其中,变化地块、疑似变化地块、异常对象输出矢量格式;同时,上述变化地块、疑似变化地块、异常对象及耕地变化诊断指标体系中存入的诊断指标对应的数值还可以统计报告的形式输出。
在上述过程中,该方法还将变化地块、疑似变化地块、异常对象及耕地变化诊断指标体系中存入的诊断指标对应的数值输出,可以更为便于作业人员的工作,减少作业人员的工作负担。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种耕地变化检测装置。
参见图10,图10为本申请实施例提供的耕地变化检测装置的第一结构框图。
本申请实施例的耕地变化检测装置,包括:
获取模块210,用于获取待检测地域在先的国土调查矢量图及当前的遥感影像;
图像构建模块220,用于输入上述国土调查矢量图及遥感影像至预设的多层语义结构模型,得到基于上述遥感影像的地块层图像及对象层图像;
处理模块230,用于基于预定诊断指标分别对上述地块层图像及对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应于上述地块层图像、对象层图像及不同的预定诊断指标的参数统计结果;
检测模块240,用于根据上述参数统计结果,在上述地块层图像检测得到相应的地块检测结果。
本申请实施例的耕地变化检测装置,输入获取的待检测地域在先的国土调查矢量图及当前的遥感影像至预设的多层语义结构模型,得到基于遥感影像的地块层图像及对象层图像,其中,待检测地域在先的国土调查矢量图提供了地块先验知识,便于地块层图像及对象层图像的获得;再基于预定诊断指标分别对地块层图像及对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应的参数统计结果,进而可以在地块层图像检测得到相应的地块检测结果,通过此种方式可以自动地进行耕地变化检测,提高耕地变化检测的准确度及效率,大大地减少作业人员的工作,并且耕地变化检测不受人为主观因素影响,耕地变化检测结果更为客观、真实,能较好地满足对大范围、高频次的耕地变化检测的需求。
作为一种可选的实施方式,图像构建模块220,可具体用于:
输入上述国土调查矢量图及遥感影像至预设的多层语义结构模型,得到基于上述遥感影像的地块层图像;
根据上述地块层图像、遥感影像及预设的多层语义结构模型,得到基于上述遥感影像的对象层图像。
作为一种可选的实施方式,检测模块240,可具体用于:
将上述参数统计结果存入预定的诊断指标变量,形成耕地变化诊断指标体系;
根据耕地变化诊断指标体系中存入的诊断指标变量,在上述地块层图像检测得到相应的地块检测结果。
作为一种可选的实施方式,检测模块240,还可用于:
将上述地块层图像的变化地块及疑似变化地块通过多层语义结构的拓扑关系传递至上述对象层图像;
在上述对象层图像的变化地块及疑似变化地块检测得到光谱和纹理异常的异常对象。
作为一种可选的实施方式,本申请实施例的耕地变化检测装置,还可包括去噪模块,用于:
对上述地块层图像的变化地块及疑似变化地块进行同类合并,以及对上述对象层图像的异常对象进行同类合并;
去除上述地块层图像的变化地块及疑似变化地块中小于预定最小地块面积的地块,以及去除上述对象层图像的异常对象中小于预定最小对象面积的对象。
参见图11,图11为本申请实施例提供的耕地变化检测装置的第二结构框图。
作为一种可选的实施方式,本申请实施例的耕地变化检测装置,还可包括输出模块250,用于将上述变化地块、疑似变化地块、异常对象及耕地变化诊断指标体系中存入的诊断指标对应的数值输出。
上述的耕地变化检测装置可实施上述实施例一的耕地变化检测方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的耕地变化检测方法。
可选地,上述电子设备可以是服务器。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的耕地变化检测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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,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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种耕地变化检测方法,其特征在于,包括:
获取待检测地域在先的国土调查矢量图及当前的遥感影像;
输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像及对象层图像;
基于预定诊断指标分别对所述地块层图像及所述对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应于所述地块层图像、所述对象层图像及不同的预定诊断指标的参数统计结果;
根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果。
2.根据权利要求1所述的耕地变化检测方法,其特征在于,所述预设的多层语义结构模型的多层语义结构为像素—对象—地块—场景。
3.根据权利要求1或2所述的耕地变化检测方法,其特征在于,所述输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像及对象层图像,包括:
输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像;
根据所述地块层图像、所述遥感影像及所述预设的多层语义结构模型,得到基于所述遥感影像的对象层图像。
4.根据权利要求1所述的耕地变化检测方法,其特征在于,所述根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果,包括:
将所述参数统计结果存入预定的诊断指标变量,形成耕地变化诊断指标体系;
根据所述耕地变化诊断指标体系中存入的诊断指标变量,在所述地块层图像检测得到相应的地块检测结果。
5.根据权利要求1所述的耕地变化检测方法,其特征在于,所述地块检测结果包括变化地块、疑似变化地块及无变化地块;
在所述根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果之后,所述方法还包括:
将所述地块层图像的所述变化地块及所述疑似变化地块通过多层语义结构的拓扑关系传递至所述对象层图像;
在所述对象层图像的所述变化地块及所述疑似变化地块检测得到光谱和纹理异常的异常对象。
6.根据权利要求5所述的耕地变化检测方法,其特征在于,在所述对象层图像的所述变化地块及所述疑似变化地块检测得到光谱和纹理异常的异常对象之后,所述方法还包括:
对所述地块层图像的所述变化地块及所述疑似变化地块进行同类合并,以及对所述对象层图像的所述异常对象进行同类合并;
去除所述地块层图像的所述变化地块及所述疑似变化地块中小于预定最小地块面积的地块,以及去除所述对象层图像的所述异常对象中小于预定最小对象面积的对象。
7.根据权利要求5所述的耕地变化检测方法,其特征在于,在所述对象层图像的所述变化地块及所述疑似变化地块检测得到光谱和纹理异常的异常对象之后,所述方法还包括:
将所述变化地块、所述疑似变化地块、所述异常对象及所述耕地变化诊断指标体系中存入的诊断指标对应的数值输出。
8.一种耕地变化检测装置,其特征在于,包括:
获取模块,用于获取待检测地域在先的国土调查矢量图及当前的遥感影像;
图像构建模块,用于输入所述国土调查矢量图及所述遥感影像至预设的多层语义结构模型,得到基于所述遥感影像的地块层图像及对象层图像;
处理模块,用于基于预定诊断指标分别对所述地块层图像及所述对象层图像进行特征指标提取,并对应地进行预定参数的统计,得到对应于所述地块层图像、所述对象层图像及不同的预定诊断指标的参数统计结果;
检测模块,用于根据所述参数统计结果,在所述地块层图像检测得到相应的地块检测结果。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的耕地变化检测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的耕地变化检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291517.2A CN112101325B (zh) | 2020-11-18 | 2020-11-18 | 耕地变化检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291517.2A CN112101325B (zh) | 2020-11-18 | 2020-11-18 | 耕地变化检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101325A true CN112101325A (zh) | 2020-12-18 |
CN112101325B CN112101325B (zh) | 2021-02-19 |
Family
ID=73785931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291517.2A Active CN112101325B (zh) | 2020-11-18 | 2020-11-18 | 耕地变化检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101325B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967286A (zh) * | 2021-05-19 | 2021-06-15 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN110263111A (zh) * | 2019-05-31 | 2019-09-20 | 南京林业大学 | 基于先验知识的土地利用/覆被信息时空监测方法 |
CN111931744A (zh) * | 2020-10-09 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 一种遥感影像变化检测方法和装置 |
-
2020
- 2020-11-18 CN CN202011291517.2A patent/CN112101325B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN110263111A (zh) * | 2019-05-31 | 2019-09-20 | 南京林业大学 | 基于先验知识的土地利用/覆被信息时空监测方法 |
CN111931744A (zh) * | 2020-10-09 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 一种遥感影像变化检测方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967286A (zh) * | 2021-05-19 | 2021-06-15 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
CN112967286B (zh) * | 2021-05-19 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112101325B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Debats et al. | A generalized computer vision approach to mapping crop fields in heterogeneous agricultural landscapes | |
Khosravipour et al. | Effect of slope on treetop detection using a LiDAR Canopy Height Model | |
Vauhkonen | Estimating crown base height for Scots pine by means of the 3D geometry of airborne laser scanning data | |
Mairhofer et al. | RooTrak: automated recovery of three-dimensional plant root architecture in soil from X-ray microcomputed tomography images using visual tracking | |
Torre et al. | Multifractal analysis of 3D images of tillage soil | |
Packalen et al. | Predicting the spatial pattern of trees by airborne laser scanning | |
Liu et al. | An object-based conceptual framework and computational method for representing and analyzing coastal morphological changes | |
CN104699755B (zh) | 一种基于数据挖掘的智能化多目标综合识别方法 | |
Gebreslasie et al. | Individual tree detection based on variable and fixed window size local maxima filtering applied to IKONOS imagery for even-aged Eucalyptus plantation forests | |
Swetnam et al. | Application of metabolic scaling theory to reduce error in local maxima tree segmentation from aerial LiDAR | |
Zhao et al. | Extracting buildings from and regularizing boundaries in airborne lidar data using connected operators | |
Chen et al. | An improved multi-resolution hierarchical classification method based on robust segmentation for filtering ALS point clouds | |
Wang et al. | Coastline interpretation from multispectral remote sensing images using an association rule algorithm | |
Torre et al. | Multiscaling properties of soil images | |
Șerban et al. | Mapping thermokarst lakes and ponds across permafrost landscapes in the Headwater Area of Yellow River on northeastern Qinghai-Tibet Plateau | |
CN112101325B (zh) | 耕地变化检测方法、装置、电子设备及存储介质 | |
Volkov et al. | Object selection in computer vision: from multi-thresholding to percolation based scene representation | |
CN113989657B (zh) | 基于不变信息样本筛选的耕地范围变化检测方法及装置 | |
Karydas et al. | Development of an IKONOS image classification rule-set for multi-scale mapping of Mediterranean rural landscapes | |
Martinez-Sanchez et al. | Skyline variations allow estimating distance to trees on landscape photos using semantic segmentation | |
Ma et al. | Land covers classification based on Random Forest method using features from full-waveform LiDAR data | |
Beilschmidt et al. | A linear-time algorithm for the aggregation and visualization of big spatial point data | |
Liimatainen et al. | Sparse logistic regression and polynomial modelling for detection of artificial drainage networks | |
Tang et al. | A new method for extracting trees and buildings from sparse LiDAR data in urban areas | |
Fan et al. | Comparison of estimation algorithms for individual tree diameter at breast height based on hand-held mobile laser scanning |
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 |