CN112396019A - 一种基于无人机的植被分布识别方法、系统及可读存储介质 - Google Patents

一种基于无人机的植被分布识别方法、系统及可读存储介质 Download PDF

Info

Publication number
CN112396019A
CN112396019A CN202011364585.7A CN202011364585A CN112396019A CN 112396019 A CN112396019 A CN 112396019A CN 202011364585 A CN202011364585 A CN 202011364585A CN 112396019 A CN112396019 A CN 112396019A
Authority
CN
China
Prior art keywords
vegetation
remote sensing
sensing image
information
aerial vehicle
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Withdrawn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
CN202011364585.7A
Other languages
English (en)
Inventor
付骏宇
刘立斌
耿鹏
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 Menassen Intelligent Technology Co ltd
Original Assignee
Foshan Menassen Intelligent 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 Menassen Intelligent Technology Co ltd filed Critical Foshan Menassen Intelligent Technology Co ltd
Priority to CN202011364585.7A priority Critical patent/CN112396019A/zh
Publication of CN112396019A publication Critical patent/CN112396019A/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Withdrawn legal-status Critical Current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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

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

Abstract

本发明涉及一种基于无人机的植被分布识别方法、系统及可读存储介质，包括：采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间；提取植被空间特征值，获取分类规则，通过分类规则对空间特征值进行分类处理，得到植被信息；将植被信息进行几何分解以及遥感解译，获得植被类型，得到第一识别结果；倍增比例尺度，再次获取植被遥感图像，并进行植被类型识别，得到第二识别结果；将第一识别结果与第二识别结果进行比较，得到偏差率；判断所述偏差率是否大于预定偏差率阈值，若大于，则生成修正信息，通过修正信息对遥感图像信息进行修正，并将修正结果传输至终端。

Description

一种基于无人机的植被分布识别方法、系统及可读存储介质
技术领域
本发明涉及一种植被分布识别方法，尤其涉及一种基于无人机的植被分布识别方法、系统及可读存储介质。
背景技术
植被是覆盖地球表面的植物群落的总称。光照、温度和雨量等环境因素都会在一定程度上影响植物的生长、繁衍和分布，因此形成了不同类型的植被。植被在地球的能量转化、水循环、大气循环等中都起着独特而巨大的作用，它为各种生物提供赖以生存的食物和适宜的栖身场所，其中，人类每年从植被生产的有机物中获取大约12亿吨作为食物。植被还具有改善区域气候、防止水土流失、调节河流流量、美化环境、减轻环境污染等作用。因此，保护现存天然植被不被破坏，加强人工植被的营造，扩大绿色植物覆盖面积，是全人类共同面临的重要任务，也是实现可持续性发展的需要。为了更充分的利用植被资源，更好的保护植被、加强植被建设，需要更全面的认识和了解植被。植被研究具有诸多方面的重要意义，中国的植被研究工作开始于上世纪三十年代，取得了不少重大的研究成果。由于不同类型的植物所产生的生态效益、对人类生存的意义是有差异的，传统的人工植被识别耗时、耗力，因此加强自动化植被识别研究的重要性不言而喻。无人机与遥感技术相结合，称为无人机遥感。无人机遥感系统具有运行成本低、执行任务灵活度高、能够获得高分辨率遥感影像等优点，能够准确识别植被分布及植被类别。
为了能够对植被分类识别实现精准的控制，需要开发一款与其相匹配的系统进行控制，该系统采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间，通过分类规则对空间特征值进行分类处理，得到植被信息，但是在进行控制过程中，如何实现精准控制的同时，实现植被分布的智能识别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，提供一种基于无人机的植被分布识别方法、系统及可读存储介质。
为达到上述目的，本发明采用的技术方案为：一种基于无人机的植被分布识别方法，包括：
采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间；
提取植被空间特征值，获取分类规则，通过分类规则对空间特征值进行分类处理，得到植被信息；
将植被信息进行几何分解以及遥感解译，获得植被类型，得到第一识别结果；
倍增比例尺度，再次获取植被遥感图像，并进行植被类型识别，得到第二识别结果；
将第一识别结果与第二识别结果进行比较，得到偏差率；
判断所述偏差率是否大于预定偏差率阈值，
若大于，则生成修正信息，通过修正信息对遥感图像信息进行修正，并将修正结果传输至终端。
本发明一个较佳实施例中，采集植被遥感图像信息还包括对植被遥感图像进行预处理，具体为：
获取植被遥感图像，采用整数小波变换对图像进行压缩编码；
利用标准图像垂直投影法建立误差纠正模型；
提取植被遥感图像特征点；
将植被遥感图像特征点与标准图像特征点进行相似度度量，得到结果信息；
将结果信息与预设阈值进行比较，
若大于预设阈值，则植被遥感图像与标准图像匹配成功；
若小于预设阈值，则通过误差纠正模型对植被遥感图像进行纠偏。
本发明一个较佳实施例中，提取植被空间特征值，获取分类规则，还包括：
通过大数据分析植被分类历史数据，建立原始训练样本；
获取植被空间特征值，判断原始训练样本是否服从高斯正态分布；
若服从，则建立分类判别方式，并通过分类判别方式，对植被分布进行识别；
若不服从，则扫描植被遥感图像像元信息，并提取像元特征向量，判断特征向量与预设向量之间的夹角，得到偏差值；
若偏差值小于预设阈值，则保留该像元特征向量；
若偏差值大于预设阈值，则剔除该像元特征向量；
将所有偏差值小于预设阈值的像元特征向量进行叠加计算，生成植被分布信息。
本发明一个较佳实施例中，还包括：通过无人机航拍获取植被遥感图像信息，将图像信息进行边缘化处理，
提取图像信息中的像元特征向量，生成结果信息，
根据结果信息与预设信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄植被遥感图像信息。
本发明一个较佳实施例中，还包括：获取植被遥感图像，通过均值滤波法减小图像灰度尖锐度；
将植被遥感图像分割成若干个区域，提取遥感图像每一个区域内的像素点；
计算同一区域内的每一个像素点的灰度值，
将灰度值与预设阈值进行比较，
若灰度值大于预设阈值，则对同一区域内的所有像素点的灰度值进行均值化处理，得到该区域内像素点的平均灰度值；
若灰度值小于预设阈值，则保留该像素点灰度值。
本发明一个较佳实施例中，将植被信息进行几何分解以及遥感解译，获得植被类型，具体包括：
获取植被遥感图像，提取遥感图像特征点，并生成解译标志；
根据解译标志，获取解译规则，
通过解译规则对遥感图像中的图像特征点进行一一解译，
解译完成后，对所有特征点解译结果进行融合，得到遥感图像解译信息。
本发明第二方面还提供了一种基于无人机的植被分布识别系统，该系统包括：存储器、处理器，所述存储器中包括基于无人机的植被分布识别方法程序，所述基于无人机的植被分布识别方法程序被所述处理器执行时实现如下步骤：
采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间；
提取植被空间特征值，获取分类规则，通过分类规则对空间特征值进行分类处理，得到植被信息；
将植被信息进行几何分解以及遥感解译，获得植被类型，得到第一识别结果；
倍增比例尺度，再次获取植被遥感图像，并进行植被类型识别，得到第二识别结果；
将第一识别结果与第二识别结果进行比较，得到偏差率；
判断所述偏差率是否大于预定偏差率阈值，
若大于，则生成修正信息，通过修正信息对遥感图像信息进行修正，并将修正结果传输至终端。
本发明一个较佳实施例中，采集植被遥感图像信息还包括对植被遥感图像进行预处理，具体为：
获取植被遥感图像，采用整数小波变换对图像进行压缩编码；
利用标准图像垂直投影法建立误差纠正模型；
提取植被遥感图像特征点；
将植被遥感图像特征点与标准图像特征点进行相似度度量，得到结果信息；
将结果信息与预设阈值进行比较，
若大于预设阈值，则植被遥感图像与标准图像匹配成功；
若小于预设阈值，则通过误差纠正模型对植被遥感图像进行纠偏。
本发明一个较佳实施例中，提取植被空间特征值，获取分类规则，还包括：
通过大数据分析植被分类历史数据，建立原始训练样本；
获取植被空间特征值，判断原始训练样本是否服从高斯正态分布；
若服从，则建立分类判别方式，并通过分类判别方式，对植被分布进行识别；
若不服从，则扫描植被遥感图像像元信息，并提取像元特征向量，判断特征向量与预设向量之间的夹角，得到偏差值；
若偏差值小于预设阈值，则保留该像元特征向量；
若偏差值大于预设阈值，则剔除该像元特征向量；
将所有偏差值小于预设阈值的像元特征向量进行叠加计算，生成植被分布信息。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于无人机的植被分布识别方法程序，所述基于无人机的植被分布识别方法程序被处理器执行时，实现上述任一项所述的基于无人机的植被分布识别方法的步骤。
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)本申请利用数字图像识别方法对无人机图像植被进行识别，将遥感手段和数字图像处理技术结合起来，遥感图像解译方法采用的是数字图像识别方法，识别对象是无人机低空遥感高分辨率图像，能够通过对遥感图像进行分析，得到植被分布特征及分布类型，识别精度较高。
(2)建立误差纠正模型，将植被遥感图像特征点与标准图像特征点进行相似度度量，并进行遥感图像相似度匹配，对于有误差的遥感图像，通过误差纠正模型对植被遥感图像进行纠偏，同时，通过提取遥感图像中的像元特征向量，能够对无人机的航拍姿态角进行调整，保证无人机采集到的遥感图像精准度较高。
(3)通过均值滤波法减小图像灰度尖锐度，并采用灰度值与预设阈值比较的方式进行灰度值均值化处理，减少植被遥感图像中的模糊效应，使遥感图像更加清晰。
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无人机的植被分布识别方法的流程图；
图2示出了遥感图像预处理方法流程图；
图3示出了通过分类规则进行制备分布判别方法流程图；
图4示出了像素点灰度值处理方法流程图；
图5示出了遥感图像解译方法流程图；
图6示出了一种基于无人机的植被分布识别系统框图；
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无人机的植被分布识别方法的流程图。
如图1所示，本发明第一方面提供了一种基于无人机的植被分布识别方法，包括：
S102，采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间；
S104，提取植被空间特征值，获取分类规则，通过分类规则对空间特征值进行分类处理，得到植被信息；
S106，将植被信息进行几何分解以及遥感解译，获得植被类型，得到第一识别结果；
S108，倍增比例尺度，再次获取植被遥感图像，并进行植被类型识别，得到第二识别结果；
S110，将第一识别结果与第二识别结果进行比较，得到偏差率；
S112，判断所述偏差率是否大于预定偏差率阈值，
S114，若大于，则生成修正信息，通过修正信息对遥感图像信息进行修正，并将修正结果传输至终端。
需要说明的是，本申请利用数字图像识别方法对无人机图像植被进行识别，将遥感手段和数字图像处理技术结合起来，遥感图像解译方法采用的是数字图像识别方法，识别对象是无人机低空遥感高分辨率图像，能够通过对遥感图像进行分析，得到植被分布特征及分布类型，识别精度较高。高光谱植被分析涉及到从数百个电磁频谱的频段中获取光谱反射率的测量，这些测量可以使用手持式光谱仪或者是放置在飞机或卫星上的高光谱遥感仪器获得；高光谱数据具有丰富的波谱信息，能够探测到不同植被光谱的细微差异。
如图2所示，本发明公开了遥感图像预处理方法流程图；
本发明一个较佳实施例中，采集植被遥感图像信息还包括对植被遥感图像进行预处理，具体为：
S202，获取植被遥感图像，采用整数小波变换对图像进行压缩编码；
S204，利用标准图像垂直投影法建立误差纠正模型；
S206，提取植被遥感图像特征点，将植被遥感图像特征点与标准图像特征点进行相似度度量，得到结果信息；
S208，将结果信息与预设阈值进行比较，
S210，若大于预设阈值，则植被遥感图像与标准图像匹配成功；
S212，若小于预设阈值，则通过误差纠正模型对植被遥感图像进行纠偏。
需要说明的是，建立误差纠正模型，将植被遥感图像特征点与标准图像特征点进行相似度度量，并进行遥感图像相似度匹配，对于有误差的遥感图像，通过误差纠正模型对植被遥感图像进行纠偏，同时，通过提取遥感图像中的像元特征向量，能够对无人机的航拍姿态角进行调整，保证无人机采集到的遥感图像精准度较高。
需要说明的是，植被遥感图像预处理包括图像畸变纠正、图像平滑、增强处理，图像拼接、图像颜色纹理特征分析中的一种或多种组合。
如图3所示，本发明公开了通过分类规则进行制备分布判别方法流程图；
本发明一个较佳实施例中，提取植被空间特征值，获取分类规则，还包括：
S302，通过大数据分析植被分类历史数据，建立原始训练样本；
S304，获取植被空间特征值，判断原始训练样本是否服从高斯正态分布；
S306，若服从，则建立分类判别方式，并通过分类判别方式，对植被分布进行识别；
S308，若不服从，则扫描植被遥感图像像元信息，并提取像元特征向量，判断特征向量与预设向量之间的夹角，得到偏差值；
S310，若偏差值小于预设阈值，则保留该像元特征向量；
S312，若偏差值大于预设阈值，则剔除该像元特征向量；
S314，将所有偏差值小于预设阈值的像元特征向量进行叠加计算，生成植被分布信息。
本发明一个较佳实施例中，还包括：通过无人机航拍获取植被遥感图像信息，将图像信息进行边缘化处理，
提取图像信息中的像元特征向量，生成结果信息，
根据结果信息与预设信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄植被遥感图像信息。
需要说明的是，无人机在空中飞行作业，由于受天气、空气气流、风力等的影响，飞行姿态很难保持稳定。因此，需要地面监控系统对无人机的飞行姿态进行实时的监控。无人机在飞行作业时，会通过空中数据传输系统将无人机的飞行情况实时传输给地面控制系统，地面控制系统可以根据传回的数据对无人机出现的飞行状况进行实时调整。相机的曝光数据和无人机飞行姿态数据一并被回传到地面监控系统，如果出现曝光漏点，地面工作人员应视情况进行补飞，对于航拍质量不符合要求，例如重叠度不够，影像倾角过大等，对影像产品有影响的，视情况进行补飞或重飞。
如图4所示，本发明公开了像素点灰度值处理方法流程图；
本发明一个较佳实施例中，还包括：
S402，获取植被遥感图像，通过均值滤波法减小图像灰度尖锐度；
S404，将植被遥感图像分割成若干个区域，提取遥感图像每一个区域内的像素点；
S406，计算同一区域内的每一个像素点的灰度值，
S408，将灰度值与预设阈值进行比较，
S410，若灰度值大于预设阈值，则对同一区域内的所有像素点的灰度值进行均值化处理，得到该区域内像素点的平均灰度值；
S412，若灰度值小于预设阈值，则保留该像素点灰度值。
如图5所示，本发明公开了遥感图像解译方法流程图；
本发明一个较佳实施例中，将植被信息进行几何分解以及遥感解译，获得植被类型，具体包括：
S502，获取植被遥感图像，提取遥感图像特征点，并生成解译标志；
S504，根据解译标志，获取解译规则，
S506，通过解译规则对遥感图像中的图像特征点进行一一解译，
S508，解译完成后，对所有特征点解译结果进行融合，得到遥感图像解译信息。
如图6所示，本发明公开了一种基于无人机的植被分布识别系统框图；
本发明第二方面还提供了一种基于无人机的植被分布识别系统，该系统包括：存储器、处理器，所述存储器中包括基于无人机的植被分布识别方法程序，所述基于无人机的植被分布识别方法程序被所述处理器执行时实现如下步骤：
采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间；
提取植被空间特征值，获取分类规则，通过分类规则对空间特征值进行分类处理，得到植被信息；
将植被信息进行几何分解以及遥感解译，获得植被类型，得到第一识别结果；
倍增比例尺度，再次获取植被遥感图像，并进行植被类型识别，得到第二识别结果；
将第一识别结果与第二识别结果进行比较，得到偏差率；
判断所述偏差率是否大于预定偏差率阈值，
若大于，则生成修正信息，通过修正信息对遥感图像信息进行修正，并将修正结果传输至终端。
需要说明的是，需要说明的是，本申请利用数字图像识别方法对无人机图像植被进行识别，将遥感手段和数字图像处理技术结合起来，遥感图像解译方法采用的是数字图像识别方法，识别对象是无人机低空遥感高分辨率图像，能够通过对遥感图像进行分析，得到植被分布特征及分布类型，识别精度较高。高光谱植被分析涉及到从数百个电磁频谱的频段中获取光谱反射率的测量，这些测量可以使用手持式光谱仪或者是放置在飞机或卫星上的高光谱遥感仪器获得；高光谱数据具有丰富的波谱信息，能够探测到不同植被光谱的细微差异。
本发明一个较佳实施例中，采集植被遥感图像信息还包括对植被遥感图像进行预处理，具体为：
获取植被遥感图像，采用整数小波变换对图像进行压缩编码；
利用标准图像垂直投影法建立误差纠正模型；
提取植被遥感图像特征点；
将植被遥感图像特征点与标准图像特征点进行相似度度量，得到结果信息；
将结果信息与预设阈值进行比较，
若大于预设阈值，则植被遥感图像与标准图像匹配成功；
若小于预设阈值，则通过误差纠正模型对植被遥感图像进行纠偏。
需要说明的是，建立误差纠正模型，将植被遥感图像特征点与标准图像特征点进行相似度度量，并进行遥感图像相似度匹配，对于有误差的遥感图像，通过误差纠正模型对植被遥感图像进行纠偏，同时，通过提取遥感图像中的像元特征向量，能够对无人机的航拍姿态角进行调整，保证无人机采集到的遥感图像精准度较高。
需要说明的是，植被遥感图像预处理包括图像畸变纠正、图像平滑、增强处理，图像拼接、图像颜色纹理特征分析中的一种或多种组合。
本发明一个较佳实施例中，提取植被空间特征值，获取分类规则，还包括：
通过大数据分析植被分类历史数据，建立原始训练样本；
获取植被空间特征值，判断原始训练样本是否服从高斯正态分布；
若服从，则建立分类判别方式，并通过分类判别方式，对植被分布进行识别；
若不服从，则扫描植被遥感图像像元信息，并提取像元特征向量，判断特征向量与预设向量之间的夹角，得到偏差值；
若偏差值小于预设阈值，则保留该像元特征向量；
若偏差值大于预设阈值，则剔除该像元特征向量；
将所有偏差值小于预设阈值的像元特征向量进行叠加计算，生成植被分布信息。
本发明一个较佳实施例中，还包括：获取植被遥感图像，通过均值滤波法减小图像灰度尖锐度；
将植被遥感图像分割成若干个区域，提取遥感图像每一个区域内的像素点；
计算同一区域内的每一个像素点的灰度值，
将灰度值与预设阈值进行比较，
若灰度值大于预设阈值，则对同一区域内的所有像素点的灰度值进行均值化处理，得到该区域内像素点的平均灰度值；
若灰度值小于预设阈值，则保留该像素点灰度值。
本发明一个较佳实施例中，将植被信息进行几何分解以及遥感解译，获得植被类型，具体包括：
获取植被遥感图像，提取遥感图像特征点，并生成解译标志；
根据解译标志，获取解译规则，
通过解译规则对遥感图像中的图像特征点进行一一解译，
解译完成后，对所有特征点解译结果进行融合，得到遥感图像解译信息。
本发明一个较佳实施例中，还包括：通过无人机航拍获取植被遥感图像信息，将图像信息进行边缘化处理，
提取图像信息中的像元特征向量，生成结果信息，
根据结果信息与预设信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄植被遥感图像信息。
需要说明的是，无人机在空中飞行作业，由于受天气、空气气流、风力等的影响，飞行姿态很难保持稳定。因此，需要地面监控系统对无人机的飞行姿态进行实时的监控。无人机在飞行作业时，会通过空中数据传输系统将无人机的飞行情况实时传输给地面控制系统，地面控制系统可以根据传回的数据对无人机出现的飞行状况进行实时调整。相机的曝光数据和无人机飞行姿态数据一并被回传到地面监控系统，如果出现曝光漏点，地面工作人员应视情况进行补飞，对于航拍质量不符合要求，例如重叠度不够，影像倾角过大等，对影像产品有影响的，视情况进行补飞或重飞。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于无人机的植被分布识别方法程序，所述基于无人机的植被分布识别方法程序被处理器执行时，实现上述任一项所述的基于无人机的植被分布识别方法的步骤。
综上所述，本申请利用数字图像识别方法对无人机图像植被进行识别，将遥感手段和数字图像处理技术结合起来，遥感图像解译方法采用的是数字图像识别方法，识别对象是无人机低空遥感高分辨率图像，能够通过对遥感图像进行分析，得到植被分布特征及分布类型，识别精度较高。
建立误差纠正模型，将植被遥感图像特征点与标准图像特征点进行相似度度量，并进行遥感图像相似度匹配，对于有误差的遥感图像，通过误差纠正模型对植被遥感图像进行纠偏，同时，通过提取遥感图像中的像元特征向量，能够对无人机的航拍姿态角进行调整，保证无人机采集到的遥感图像精准度较高。
通过均值滤波法减小图像灰度尖锐度，并采用灰度值与预设阈值比较的方式进行灰度值均值化处理，减少植被遥感图像中的模糊效应，使遥感图像更加清晰。
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)

1.一种基于无人机的植被分布识别方法，其特征在于，包括：
采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间；
提取植被空间特征值，获取分类规则，通过分类规则对空间特征值进行分类处理，得到植被信息；
将植被信息进行几何分解以及遥感解译，获得植被类型，得到第一识别结果；
倍增比例尺度，再次获取植被遥感图像，并进行植被类型识别，得到第二识别结果；
将第一识别结果与第二识别结果进行比较，得到偏差率；
判断所述偏差率是否大于预定偏差率阈值，
若大于，则生成修正信息，通过修正信息对遥感图像信息进行修正，并将修正结果传输至终端。
2.根据权利要求1所述的一种基于无人机的植被分布识别方法，其特征在于，采集植被遥感图像信息还包括对植被遥感图像进行预处理，具体为：
获取植被遥感图像，采用整数小波变换对图像进行压缩编码；
利用标准图像垂直投影法建立误差纠正模型；
提取植被遥感图像特征点；
将植被遥感图像特征点与标准图像特征点进行相似度度量，得到结果信息；
将结果信息与预设阈值进行比较，
若大于预设阈值，则植被遥感图像与标准图像匹配成功；
若小于预设阈值，则通过误差纠正模型对植被遥感图像进行纠偏。
3.根据权利要求1所述的一种基于无人机的植被分布识别方法，其特征在于，提取植被空间特征值，获取分类规则，还包括：
通过大数据分析植被分类历史数据，建立原始训练样本；
获取植被空间特征值，判断原始训练样本是否服从高斯正态分布；
若服从，则建立分类判别方式，并通过分类判别方式，对植被分布进行识别；
若不服从，则扫描植被遥感图像像元信息，并提取像元特征向量，判断特征向量与预设向量之间的夹角，得到偏差值；
若偏差值小于预设阈值，则保留该像元特征向量；
若偏差值大于预设阈值，则剔除该像元特征向量；
将所有偏差值小于预设阈值的像元特征向量进行叠加计算，生成植被分布信息。
4.根据权利要求1所述的一种基于无人机的植被分布识别方法，其特征在于，还包括：通过无人机航拍获取植被遥感图像信息，将图像信息进行边缘化处理，
提取图像信息中的像元特征向量，生成结果信息，
根据结果信息与预设信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄植被遥感图像信息。
5.根据权利要求4所述的一种基于无人机的植被分布识别方法，其特征在于，还包括：获取植被遥感图像，通过均值滤波法减小图像灰度尖锐度；
将植被遥感图像分割成若干个区域，提取遥感图像每一个区域内的像素点；
计算同一区域内的每一个像素点的灰度值，
将灰度值与预设阈值进行比较，
若灰度值大于预设阈值，则对同一区域内的所有像素点的灰度值进行均值化处理，得到该区域内像素点的平均灰度值；
若灰度值小于预设阈值，则保留该像素点灰度值。
6.根据权利要求1所述的一种基于无人机的植被分布识别方法，其特征在于，将植被信息进行几何分解以及遥感解译，获得植被类型，具体包括：
获取植被遥感图像，提取遥感图像特征点，并生成解译标志；
根据解译标志，获取解译规则，
通过解译规则对遥感图像中的图像特征点进行一一解译，
解译完成后，对所有特征点解译结果进行融合，得到遥感图像解译信息。
7.一种基于无人机的植被分布识别系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于无人机的植被分布识别方法程序，所述基于无人机的植被分布识别方法程序被所述处理器执行时实现如下步骤：
采集植被遥感图像信息，接收电磁波反射信号，通过光谱反射率特性建立植被区域空间；
提取植被空间特征值，获取分类规则，通过分类规则对空间特征值进行分类处理，得到植被信息；
将植被信息进行几何分解以及遥感解译，获得植被类型，得到第一识别结果；
倍增比例尺度，再次获取植被遥感图像，并进行植被类型识别，得到第二识别结果；
将第一识别结果与第二识别结果进行比较，得到偏差率；
判断所述偏差率是否大于预定偏差率阈值，
若大于，则生成修正信息，通过修正信息对遥感图像信息进行修正，并将修正结果传输至终端。
8.根据权利要求7所述的一种基于无人机的植被分布识别系统，其特征在于，采集植被遥感图像信息还包括对植被遥感图像进行预处理，具体为：
获取植被遥感图像，采用整数小波变换对图像进行压缩编码；
利用标准图像垂直投影法建立误差纠正模型；
提取植被遥感图像特征点；
将植被遥感图像特征点与标准图像特征点进行相似度度量，得到结果信息；
将结果信息与预设阈值进行比较，
若大于预设阈值，则植被遥感图像与标准图像匹配成功；
若小于预设阈值，则通过误差纠正模型对植被遥感图像进行纠偏。
9.根据权利要求7所述的一种基于无人机的植被分布识别系统，其特征在于，提取植被空间特征值，获取分类规则，还包括：
通过大数据分析植被分类历史数据，建立原始训练样本；
获取植被空间特征值，判断原始训练样本是否服从高斯正态分布；
若服从，则建立分类判别方式，并通过分类判别方式，对植被分布进行识别；
若不服从，则扫描植被遥感图像像元信息，并提取像元特征向量，判断特征向量与预设向量之间的夹角，得到偏差值；
若偏差值小于预设阈值，则保留该像元特征向量；
若偏差值大于预设阈值，则剔除该像元特征向量；
将所有偏差值小于预设阈值的像元特征向量进行叠加计算，生成植被分布信息。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于无人机的植被分布识别方法程序，所述基于无人机的植被分布识别方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于无人机的植被分布识别方法的步骤。
CN202011364585.7A 2020-11-27 2020-11-27 一种基于无人机的植被分布识别方法、系统及可读存储介质 Withdrawn CN112396019A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011364585.7A CN112396019A (zh) 2020-11-27 2020-11-27 一种基于无人机的植被分布识别方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011364585.7A CN112396019A (zh) 2020-11-27 2020-11-27 一种基于无人机的植被分布识别方法、系统及可读存储介质

Publications (1)

Publication Number Publication Date
CN112396019A true CN112396019A (zh) 2021-02-23

Family

ID=74605431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011364585.7A Withdrawn CN112396019A (zh) 2020-11-27 2020-11-27 一种基于无人机的植被分布识别方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN112396019A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052959A (zh) * 2021-03-24 2021-06-29 中国科学院地理科学与资源研究所 一种基于碳排放的海岛植被资源投放方法及装置
CN113341407A (zh) * 2021-06-02 2021-09-03 中国水产科学研究院南海水产研究所 一种基于雷达探测的渔业捕捞追踪系统及方法
CN113867405A (zh) * 2021-11-09 2021-12-31 广东电网有限责任公司江门供电局 一种基于5g网络回传的输电线路无人机巡检方法及系统
CN115239750A (zh) * 2022-09-19 2022-10-25 江西师范大学 计算人工植被恢复适宜性方法、系统及计算机
CN116562923A (zh) * 2023-05-26 2023-08-08 深圳般若海科技有限公司 一种基于电商行为的大数据分析方法、系统及介质
CN117010577A (zh) * 2023-10-07 2023-11-07 北京建工环境修复股份有限公司 基于时空分布的多维度碳排放监测方法及系统
CN117152634A (zh) * 2023-09-12 2023-12-01 广东省水利水电科学研究院 基于色度指数的多源卫星影像浮水植物识别方法和系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052959B (zh) * 2021-03-24 2021-11-23 中国科学院地理科学与资源研究所 一种基于碳排放的海岛植被资源投放方法及装置
CN113052959A (zh) * 2021-03-24 2021-06-29 中国科学院地理科学与资源研究所 一种基于碳排放的海岛植被资源投放方法及装置
CN113341407B (zh) * 2021-06-02 2024-02-06 中国水产科学研究院南海水产研究所 一种基于雷达探测的渔业捕捞追踪系统及方法
CN113341407A (zh) * 2021-06-02 2021-09-03 中国水产科学研究院南海水产研究所 一种基于雷达探测的渔业捕捞追踪系统及方法
CN113867405A (zh) * 2021-11-09 2021-12-31 广东电网有限责任公司江门供电局 一种基于5g网络回传的输电线路无人机巡检方法及系统
CN115239750A (zh) * 2022-09-19 2022-10-25 江西师范大学 计算人工植被恢复适宜性方法、系统及计算机
CN115239750B (zh) * 2022-09-19 2022-12-20 江西师范大学 计算人工植被恢复适宜性方法、系统及计算机
CN116562923A (zh) * 2023-05-26 2023-08-08 深圳般若海科技有限公司 一种基于电商行为的大数据分析方法、系统及介质
CN116562923B (zh) * 2023-05-26 2023-12-22 深圳般若海科技有限公司 一种基于电商行为的大数据分析方法、系统及介质
CN117152634A (zh) * 2023-09-12 2023-12-01 广东省水利水电科学研究院 基于色度指数的多源卫星影像浮水植物识别方法和系统
CN117152634B (zh) * 2023-09-12 2024-06-04 广东省水利水电科学研究院 基于色度指数的多源卫星影像浮水植物识别方法和系统
CN117010577B (zh) * 2023-10-07 2023-12-22 北京建工环境修复股份有限公司 基于时空分布的多维度碳排放监测方法及系统
CN117010577A (zh) * 2023-10-07 2023-11-07 北京建工环境修复股份有限公司 基于时空分布的多维度碳排放监测方法及系统

Similar Documents

Publication Publication Date Title
CN112396019A (zh) 一种基于无人机的植被分布识别方法、系统及可读存储介质
Lu et al. Object-oriented change detection for landslide rapid mapping
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
Simonse et al. Automatic determination of forest inventory parameters using terrestrial laser scanning
CN112541921B (zh) 城市绿地植被信息数据化精准测定方法
CN110148116A (zh) 一种森林生物量估算方法及其系统
Johnson et al. AutoGAD: An improved ICA-based hyperspectral anomaly detection algorithm
CN111798509B (zh) 一种基于半球图像法测量叶面积指数的方法
CN108230375A (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
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
Koch Remote sensing supporting national forest inventories NFA
CN112669363A (zh) 城市绿地三维绿量测算方法
Hao et al. A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds
CN111460943A (zh) 一种遥感影像地物分类方法及系统
CN113168714A (zh) 促进地理信息生成的系统和方法
CN114240940A (zh) 一种基于遥感影像的云及云阴影检测方法和装置
Kete et al. Land use classification based on object and pixel using Landsat 8 OLI in Kendari City, Southeast Sulawesi Province, Indonesia
CN112577954B (zh) 城市绿地地上生物量估测方法
CN114594054A (zh) 一种湿地土壤微生物群落高光谱遥感监测方法
CN112580504A (zh) 基于高分辨率卫星遥感影像的树种分类计数方法及装置
Reulke et al. Tree species recognition with fuzzy texture parameters
Liu et al. Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis
Pamungkas et al. 3D-building reconstruction approach using semi-global matching classified
CN112446522B (zh) 面对多尺度分割的产草量估算方法、装置及存储介质
Fu et al. DBH Extraction of Standing Trees Based on a Binocular Vision Method

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: 20210223