CN112164089A - 基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质 - Google Patents
基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112164089A CN112164089A CN202010842846.5A CN202010842846A CN112164089A CN 112164089 A CN112164089 A CN 112164089A CN 202010842846 A CN202010842846 A CN 202010842846A CN 112164089 A CN112164089 A CN 112164089A
- Authority
- CN
- China
- Prior art keywords
- farmland
- boundary
- extracting
- color
- region
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004660 morphological change Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000519995 Stachys sylvatica Species 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
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
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质，包括：获取农田环境的卫星图像；将农田环境分为三种情况：(1)农田内区域颜色均匀，非农田区域与农田内区域之间颜色差异大于设定阈值；(2)田间道路的颜色为固定色；(3)没有环境特征的普通农田环境；针对这三种农田环境，分别提出对应的三种边界提取方法：(1)形态学填充道路区域的边界提取方法；(2)提取固定颜色的边界提取方法；(3)筛选边界点并拟合的边界提取方法。该方法打破了常规统一处理的思想，提高了各种环境下的检测精度，使得该田块边界提取方案可以满足一定实际生产要求。
Description
技术领域
本发明涉及电机技术领域，尤其涉及一种基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质。
背景技术
在农业应用方面，准确提取田块边界在作物分类、生产状况监测、营养诊断等信息获取中发挥着重要作用，同时，田块边界的识别对于需要在田间运行的智能农业设备(如播种装置、收获装置、喷药装置等)的路径规划也有着非常重要的意义。但是农田复杂的环境给田块边界提取带来了挑战。在检测过程中，除了田块边界，还存在一系列道路边界、建筑边界或单纯颜色发生变化大的区域等，这些环境噪音在边缘提取过程中干扰真实边界的提取。因此我们需要寻找减少干扰且更关注于田块边界的算法。
发明内容
本发明实施例的目的是提供一种基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质，以解决环境噪音在边缘提取过程中干扰真实边界提取的问题。
为了达到上述目的，本发明实施例所采用的技术方案如下：
第一方面，本发明实施例提供一种基于卫星图像的农田边界的提取方法，包括：
获取农田环境的卫星图像；
将农田环境分为三种情况：(1)农田内区域颜色均匀，非农田区域与农田内区域之间颜色差异大于设定阈值；(2)田间道路的颜色为固定色；(3)没有环境特征的普通农田环境；
针对这三种农田环境，分别提出对应的三种边界提取方法：(1)形态学填充道路区域的边界提取方法；(2)提取固定颜色的边界提取方法；(3)筛选边界点并拟合的边界提取方法。
进一步地，形态学填充道路区域的边界提取方法，具体包括：
通过二值化获取农田外或农田内的大部分点，利用形态学变化使这些点相互连接成连通区域，此时近似认为黑白两色分别代表农田与非农田部分，对其进行边缘提取则可获得所求农田边界。
进一步地，采用opencv自带的cv2.COLOR_BGR2GRAY函数对图片进行二值化处理。
进一步地，提取固定颜色的边界提取方法，具体包括：
对于田间道路在卫星图上多为白色的图像，这些白色部分近似认为是农田边界，只要将这部分提取出来，可获得这部分图的农田边界。
进一步地，筛选边界点并拟合的边界提取方法，具体包括：
先对于图片进行边界处理，利用算子获得图像上灰度值变化明显的点，人工选择该农田边界的四角，建立缓冲区；对缓冲区内的点的进行提取和筛选，以最后获得的点集进行拟合，从而获得所求农田的边界。
进一步地，先对于图片进行边界处理，利用算子获得图像上灰度值变化明显的点，具体包括：
(1)对于图片进行高斯滤波；
(2)再用各向同性算子模板卷积获得灰度梯度；
(3)以竖直方向梯度和水平方向梯度之比的反正切函数作为灰度梯度的方向，将与灰度梯度角度接近的角度作为灰度梯度角度的近似值，根据灰度梯度角度寻找最大值可能存在的点(即中心点沿梯度方向相邻的前后两个点)；
(4)设定高阈值和低阈值，若该像素点灰度梯度大小大于高阈值，则保留；若该像素点灰度梯度大小小于低阈值，则去除；若该像素点灰度梯度大小介于高低阈值之间，若该点与一个高于高阈值的点相邻时则保留，反之则去除。
进一步地，再用各向同性算子模板卷积获得灰度梯度，具体包括：
各向同性Sobel算子分为水平、竖直两个模版，图像通过水平(或竖直)模版卷积后获得灰度梯度水平分量大小，卷积即以图像每个像素点为中心，将相邻像素点值与卷积模版矩阵对应元素相乘，乘积相加的和赋予新图片对应像素点。
第二方面，本发明实施例还提供一种基于卫星图像的农田边界的提取装置，包括：
获取模块，用于获取农田环境的卫星图像；
分类模块，用于将农田环境分为三种情况：(1)农田内区域颜色均匀，非农田区域与农田内区域之间颜色差异大于设定阈值；(2)田间道路的颜色为固定色；(3)没有环境特征的普通农田环境；
提取模块，用于针对这三种农田环境，分别提出对应的三种边界提取方法：(1)形态学填充道路区域的边界提取方法；(2)提取固定颜色的边界提取方法；(3)筛选边界点并拟合的边界提取方法。
第三方面，本发明实施例还提供一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面所述的方法。
根据以上技术方案，本发明的有益效果是：成本较低，数据获取或采集方便，不需要耗费大量人力；精度较高，将复杂的农田环境分为三种情况，针对每种情况分别有与之对应的检测方法，该方法打破了常规统一处理的思想，提高了各种环境下的检测精度，使得该田块边界提取方案可以满足一定实际生产要求。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的一种基于卫星图像的农田边界的提取方法的流程图；
图2为本发明一实施例中地块原图；
图3(a)为本发明一实施例中地块灰度化结果；
图3(b)为本发明一实施例中地块二值化结果；
图4(a)为本发明一实施例中形态学运算结果；
图4(b)为本发明一实施例中形态学运算后边界提取结果；
图5为本发明一实施例中田块原图；
图6为本发明一实施例中白色部分提取示意图；
图7为本发明一实施例中卷积过程；
图8为本发明一实施例中初步边界提取结果；
图9为本发明一实施例中缓冲区建立示意图；
图10为本发明一实施例中边界点提取与筛选示意图；
图11(a)为本发明一实施例中边界点拟合(对所有边界点)示意图；
图11(b)为本发明一实施例中边界点拟合(选取内部点后)示意图；
图12(a)为本发明一实施例中结果反馈(对所有边界点)示意图；
图12(b)为本发明一实施例中结果反馈(选取内部点后)示意图；
图13为本发明实施例提供的一种基于卫星图像的农田边界的提取装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本发明实施例提供的一种基于卫星图像的农田边界的提取方法的流程图；本实施例提供的一种基于卫星图像的农田边界的提取方法，包括如下步骤：
步骤S101，获取农田环境的卫星图像；
步骤S102，将农田环境分为三种情况：(1)农田内区域颜色均匀，非农田区域与农田内区域之间颜色差异大于设定阈值；(2)田间道路的颜色为固定色；(3)没有环境特征的普通农田环境；
步骤S103针对这三种农田环境，分别提出对应的三种边界提取方法：(1)形态学填充道路区域的边界提取方法；(2)提取固定颜色的边界提取方法；(3)筛选边界点并拟合的边界提取方法。具体包括如下步骤：
3.1形态学填充道路区域的边界提取方法
3.1.1适用图片分析
部分农田图片可能会因为分辨率等原因，出现农田内部颜色均匀，农田外区域与农田内色差明显的现象，如图2所示。对于这种情况，选取一个合适的阈值进行二值化，会使农田边缘两侧出现黑与白的区分。对这样的图像进行边界提取就可以获得黑白的边界即农田边界。
3.1.2灰度化与二值化
采用opencv自带的cv2.COLOR_BGR2GRAY函数(该函数是加权平均值法的灰度化函数)对图片进行灰度化处理。从图3(a)可以看出灰度化后，农田内灰度值近似相等，且与边界部分有较大差异。挑选合适的阈值进行二值化后，从图3(b)中发现区分效果较好，但是道路区域参杂白点，对对边缘提取产生了很大困扰，因此需要通过形态学修正去除这些白点。
3.1.3形态学运算与边缘提取
形态学修正使用的是skimage.morphology模块，效果如图4(a)。
在对图像进行了开运算后，白点消失，虽然道路区域也略微扩大，但是总体影响不大。由于形态学运算后整张图片仅剩黑白两色(在数据上即为0或255)因此对边缘提取算法要求特别低。此处使用的是opencv自带的Canny函数，从图4(b)中可以看出提取后的轮廓非常清晰完整。
3.2提取固定颜色的边界提取方法
3.2.1适用图片分析
本方法思路较为简单，对于大部分农田图片，田间道路呈白色，且道路宽度较细时，可视其为农田边界，因此该方法适用于田间道路较窄，且田间路与田地颜色区分较明显的情况，如图5所示。
3.2.2颜色提取
图片在储存时默认格式为每个像素有RGB三个通道的值，R、G、B三值取值范围都为0～255的整数，划定R、G、B三值均大于150的点为白色部分，将其R、G、B值设定为[255,255,255](白色)，其余点为[0,0,0](黑色)，就可以粗略提取出白色部分，如图6所示。
3.3筛选边界点并拟合的边界提取方法
3.3.1适用图片分析
对于一些分别率较高的图片，其农田内作物因为品种、长势等原因，会出现色彩差异，农田边缘的行道树、水沟等也会对边缘提取产生干扰，在使用提取算子后获得的往往不是单一的田块边界，而是混杂了各种其他边界的结果，为此需要框选合理的范围，判断哪一部分属于农田边界并对这部分进行拟合。
3.3.2初步边缘检测
将opencv自带的Canny函数改为手工编程，并将中间使用的传统Sobel算子改为各向同性的Sobel算子。自编Canny程序分为下列步骤：
(1)高斯滤波，img_Guassian＝cv2.GaussianBlur(img,(5,5),0)。
(2)用各向同性算子模板卷积获得灰度梯度
各向同性Sobel算子分为水平、竖直两个模版，图像通过水平(竖直)模版卷积后获得灰度梯度水平分量大小。卷积即以图像每个像素点为中心，将相邻像素点值与卷积模版矩阵对应元素相乘，乘积相加的和赋予新图片对应像素点。以水平方向模板为例，中心像素点右侧相邻像素点灰度值减去左侧相邻像素点灰度值即得水平方向灰度差值，各项同性Sobel算子以中心像素点上中下三个灰度水平差值按
的比例加权求和的值作为中心像素点灰度梯度水平分量大小，对应像素点与卷积模版相乘方式如图7所示，图中①、②……代表原图片局部像素点阵列中的像素点取值；①'、②'……代表卷积后相应的局部像素点阵列中的像素点取值；其中⑤'＝①*a1+②*a2+……+⑨*a9。对于各向同性Sobel算子水平模版，a1＝a7＝-1，a2＝a5＝a8＝0，a3＝a9＝1，
对于各向同性Sobel算子竖直模版，a1＝a3＝-1，
a4＝a5＝a6＝0，a7＝a9＝1，
相关代码(部分)：
(3)非最大值抑制
以竖直方向梯度(out_v中对应的值)和水平方向梯度(out_h中对应的值)之比的反正切函数作为灰度梯度的方向。angle＝np.arctan(fy/fx)；angle＝angle/np.pi*180(将弧度制转化角度制)；angle[angle<-22.5]＝180+angle[angle<-22.5](使得角度为正数)
将与灰度梯度角度接近的角度作为灰度梯度角度的近似值。
_angle＝np.zeros_like(angle,dtype＝np.uint8)
_angle[np.where(angle<＝22.5)]＝0
_angle[np.where((angle>22.5)&(angle<＝67.5))]＝45
_angle[np.where((angle>67.5)&(angle<＝112.5))]＝90
_angle[np.where((angle>112.5)&(angle<＝157.5))]＝135
根据灰度梯度角度寻找最大值可能存在的点(即中心点沿梯度方向相邻的前后两个点)。
(4)滞后阈值
设定两个值：1.若该像素点灰度梯度大小大于高阈值，则保留；
2.若该像素点灰度梯度大小小于低阈值，则去除；
3.若该像素点灰度梯度大小介于高低阈值之间，若该点与一个高于高阈值的点相邻时则保留，反之则去除。
3.3.3缓冲区建立
可以看到，在对图像进行了初步的边缘提取后，获得了大量繁杂的线条，其中这只有一部分属于农田的边界，如图8所示。因为肉眼可以大致分辨出农田边缘所在位置，因此先划出大致的农田边界，建立缓冲区进行分析。本方法采用先预估边界的四角，以此为基础两点一线勾画出四条边线的缓冲区，如图9所示。
3.3.4边界点提取与筛选
本方法一开始的做法是提取缓冲区内的所有点并对其进行拟合，但是由于道路区域存在宽度，缓冲区内的点不全属于农田边界(即道路靠目标地块的内侧边界)还有道路外侧边界，这样拟合的结果会与农田边界存在偏离。经过分析，应选择缓冲区内，对最靠近农田的一部分点进行拟合。图10中黄色的点为边界点中内侧的部分，蓝色的点加上黄色的点表示所有识别出来的边界点。
3.3.4边界拟合与结果反馈
分别对所有边界点和筛选过后的点集进行拟合，并将拟合结果与原图结合观察边界重合度。
可以看出，不加筛选地使用所有点进行拟合会使拟合线处于道路的中央，与农田边界偏离较大；而筛选后的点集进行拟合后，拟合线与边界贴合情况较好。故本发明方法可以有效的减少环境噪音的干扰、高精度地提取出田块边界。
如图13所示，本发明实施例还提供一种基于卫星图像的农田边界的提取装置，包括：
获取模块901获取农田环境的卫星图像；
分类模块902将农田环境分为三种情况：(1)农田内区域颜色均匀，非农田区域与农田内区域之间颜色差异大于设定阈值；(2)田间道路的颜色为固定色；(3)没有环境特征的普通农田环境；
提取模块903针对这三种农田环境，分别提出对应的三种边界提取方法：(1)形态学填充道路区域的边界提取方法；(2)提取固定颜色的边界提取方法；(3)筛选边界点并拟合的边界提取方法。
本发明实施例还提供一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面所述的方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的设备实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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，本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卫星图像的农田边界的提取方法，其特征在于，包括：
获取农田环境的卫星图像；
将农田环境分为三种情况：(1)农田内区域颜色均匀，非农田区域与农田内区域之间颜色差异大于设定阈值；(2)田间道路的颜色为固定色；(3)没有环境特征的普通农田环境；
针对这三种农田环境，分别提出对应的三种边界提取方法：(1)形态学填充道路区域的边界提取方法；(2)提取固定颜色的边界提取方法；(3)筛选边界点并拟合的边界提取方法。
2.根据权利要求1所述的一种基于卫星图像的农田边界的提取方法，其特征在于，形态学填充道路区域的边界提取方法，具体包括：
通过二值化获取农田外或农田内的大部分点，利用形态学变化使这些点相互连接成连通区域，此时近似认为黑白两色分别代表农田与非农田部分，对其进行边缘提取则可获得所求农田边界。
3.根据权利要求2所述的一种基于卫星图像的农田边界的提取方法，其特征在于，采用opencv自带的cv2.COLOR_BGR2GRAY函数对图片进行二值化处理。
4.根据权利要求1所述的一种基于卫星图像的农田边界的提取方法，其特征在于，提取固定颜色的边界提取方法，具体包括：
对于田间道路在卫星图上多为白色的图像，这些白色部分近似认为是农田边界，只要将这部分提取出来，可获得这部分图的农田边界。
5.根据权利要求1所述的一种基于卫星图像的农田边界的提取方法，其特征在于，筛选边界点并拟合的边界提取方法，具体包括：
先对于图片进行边界处理，利用算子获得图像上灰度值变化明显的点，人工选择该农田边界的四角，建立缓冲区；对缓冲区内的点的进行提取和筛选，以最后获得的点集进行拟合，从而获得所求农田的边界。
6.根据权利要求5所述的一种基于卫星图像的农田边界的提取方法，其特征在于，先对于图片进行边界处理，利用算子获得图像上灰度值变化明显的点，具体包括：
(1)对于图片进行高斯滤波；
(2)再用各向同性算子模板卷积获得灰度梯度；
(3)以竖直方向梯度和水平方向梯度之比的反正切函数作为灰度梯度的方向，将与灰度梯度角度接近的角度作为灰度梯度角度的近似值，根据灰度梯度角度寻找最大值可能存在的点(即中心点沿梯度方向相邻的前后两个点)；
(4)设定高阈值和低阈值，若该像素点灰度梯度大小大于高阈值，则保留；若该像素点灰度梯度大小小于低阈值，则去除；若该像素点灰度梯度大小介于高低阈值之间，若该点与一个高于高阈值的点相邻时则保留，反之则去除。
7.根据权利要求5所述的一种基于卫星图像的农田边界的提取方法，其特征在于，再用各向同性算子模板卷积获得灰度梯度，具体包括：
各向同性Sobel算子分为水平、竖直两个模版，图像通过水平(或竖直)模版卷积后获得灰度梯度水平分量大小，卷积即以图像每个像素点为中心，将相邻像素点值与卷积模版矩阵对应元素相乘，乘积相加的和赋予新图片对应像素点。
8.一种基于卫星图像的农田边界的提取装置，其特征在于，包括：
获取模块，用于获取农田环境的卫星图像；
分类模块，用于将农田环境分为三种情况：(1)农田内区域颜色均匀，非农田区域与农田内区域之间颜色差异大于设定阈值；(2)田间道路的颜色为固定色；(3)没有环境特征的普通农田环境；
提取模块，用于针对这三种农田环境，分别提出对应的三种边界提取方法：(1)形态学填充道路区域的边界提取方法；(2)提取固定颜色的边界提取方法；(3)筛选边界点并拟合的边界提取方法。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010842846.5A CN112164089A (zh) | 2020-08-20 | 2020-08-20 | 基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010842846.5A CN112164089A (zh) | 2020-08-20 | 2020-08-20 | 基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112164089A true CN112164089A (zh) | 2021-01-01 |
Family
ID=73859677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010842846.5A Pending CN112164089A (zh) | 2020-08-20 | 2020-08-20 | 基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112164089A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221740A (zh) * | 2021-05-12 | 2021-08-06 | 浙江大学 | 一种农田边界识别方法及系统 |
| CN115661664A (zh) * | 2022-12-08 | 2023-01-31 | 东莞先知大数据有限公司 | 一种边界遮挡检测及补偿方法、电子设备和存储介质 |
| CN116087036A (zh) * | 2023-02-14 | 2023-05-09 | 中国海洋大学 | 一种深海采矿沉积物羽流图像识别的装置及图像分析方法 |
| CN117557924A (zh) * | 2023-11-28 | 2024-02-13 | 四川省农业科学院科技保障中心 | 一种农业环境监测方法、装置、系统及存储介质 |
-
2020
- 2020-08-20 CN CN202010842846.5A patent/CN112164089A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221740A (zh) * | 2021-05-12 | 2021-08-06 | 浙江大学 | 一种农田边界识别方法及系统 |
| CN115661664A (zh) * | 2022-12-08 | 2023-01-31 | 东莞先知大数据有限公司 | 一种边界遮挡检测及补偿方法、电子设备和存储介质 |
| CN115661664B (zh) * | 2022-12-08 | 2023-04-07 | 东莞先知大数据有限公司 | 一种边界遮挡检测及补偿方法、电子设备和存储介质 |
| CN116087036A (zh) * | 2023-02-14 | 2023-05-09 | 中国海洋大学 | 一种深海采矿沉积物羽流图像识别的装置及图像分析方法 |
| CN116087036B (zh) * | 2023-02-14 | 2023-09-22 | 中国海洋大学 | 一种深海采矿沉积物羽流图像识别的装置及图像分析方法 |
| CN117557924A (zh) * | 2023-11-28 | 2024-02-13 | 四川省农业科学院科技保障中心 | 一种农业环境监测方法、装置、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112164089A (zh) | 基于卫星图像的农田边界的提取方法、装置、电子设备及存储介质 | |
| CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| CN109657632B (zh) | 一种车道线检测识别方法 | |
| CN107240084B (zh) | 一种单幅图像去雨方法及装置 | |
| CN106462956A (zh) | 局部自适应直方图均衡 | |
| CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
| CN102956029B (zh) | 图像处理装置以及图像处理方法 | |
| CN110400278A (zh) | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 | |
| CN111739031A (zh) | 一种基于深度信息的作物冠层分割方法 | |
| CN111161295B (zh) | 一种菜品图像背景剥离方法 | |
| CN112950502B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| Gao et al. | A novel UAV sensing image defogging method | |
| EP3989161A1 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
| CN108805838A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
| CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
| CN114219732A (zh) | 基于天空区域分割和透射率细化的图像去雾方法及系统 | |
| Gu et al. | A Low‐Light Image Enhancement Method Based on Image Degradation Model and Pure Pixel Ratio Prior | |
| CN115100240A (zh) | 视频中的物体追踪方法及装置、电子设备、存储介质 | |
| CN109635809B (zh) | 一种面向视觉退化图像的超像素分割方法 | |
| CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
| CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
| CN117496532A (zh) | 基于0cr的智慧识别工具 | |
| CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
| CN113822818B (zh) | 散斑提取方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210101 |