CN112507932A - 一种基于协同遥感的航拍关键信息判定及提取方法及系统 - Google Patents
一种基于协同遥感的航拍关键信息判定及提取方法及系统 Download PDFInfo
- Publication number
- CN112507932A CN112507932A CN202011490006.3A CN202011490006A CN112507932A CN 112507932 A CN112507932 A CN 112507932A CN 202011490006 A CN202011490006 A CN 202011490006A CN 112507932 A CN112507932 A CN 112507932A
- Authority
- CN
- China
- Prior art keywords
- layer
- contour
- segmentation
- information
- pixels
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V10/40—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于协同遥感的航拍关键信息判定及提取方法及系统,所述方法包括以下步骤:多尺度轮廓检测、基于分水岭变换的底层分割块生成、基于轮廓强度的多尺度分割图生成、对分割图的处理、确定阈值和最终处理,完成航拍关键信息判定及提取。本发明中,将遥感影像经过多尺度轮廓检测、分水岭变换和分析廓权重信息处理从而获得不同尺度分割图,通过对分割图进行NDVI运算、提取航拍相片的RGB图层信息和对RGB图层信息进行VDVI运算的同时进行目视解译的步骤得到训练样本点数据图层,能够区分不同的植被地块,从而实现对植被的精确提取与判定,大大提高了植被覆盖率的分析效率。
Description
技术领域
本发明属于无人机航拍技术领域,特别涉及一种基于协同遥感的航拍关键信息判定及提取方法及系统。
背景技术
随着无人机技术、遥感技术和高精度定位技术的发展,无人机航拍遥感具有影像实时传输、高危地区探测、成本低、高分辨率、机动灵活等优点,兼具卫星影像的价格和航空影像的快速采集优势;通过不同航高可实现高空间、大面积的动态监测,也可以实现低空间较小范围内的精确监测,在国内外军民各领域得到了广泛应用。
无人机也用来拍摄照片分析植被覆盖度,但现有的无人机拍摄照片后对需要的植被块边界基本都是通过人工方式提取的,其效率低、成本高,且数据分布零散无法实现集中管理和更新;由于无人机无法确定植被对象的边界这种关键信息,因而无法区分不同的植被地块,即无法实现植被对象的精准提取,大大降低了植被覆盖度的分析效率。
综上,亟需一种新的基于协同遥感的航拍关键信息判定及提取方法。
发明内容
本发明的目的在于提供一种基于协同遥感的航拍关键信息判定及提取方法及系统,以解决上述存在的一个或多个技术问题。本发明可实现对植被的精确提取与判定,能够提高植被覆盖率的分析效率。
为达到上述目的,本发明采用以下技术方案:
本发明的一种基于协同遥感的航拍关键信息判定及提取方法,包括以下步骤:
将遥感影像进行多尺度轮廓检测,获得遥感影像中每一像素点处在不同尺度上的平均轮廓强度值,获得轮廓强度信息;通过分水岭变换将获得的轮廓强度信息转化为最底层的分割块信息;基于获得的分割块信息,得到相邻分割块之间的轮廓权重信息;基于获得的轮廓权重信息,逐层组合分割块,获得不同尺度的分割图;
对分割图进行NDVI运算,获得相应的NDVI图层;提取航拍相片的RGB图层信息,对RGB图层信息进行VDVI运算,获得可见光指数图层;对RGB图层信息进行目视解译,得到训练样本点数据图层;基于训练样本点数据图层确定阈值;根据确定的阈值将NDVI图层中的所有像元划分为预设植被像元和非预设植被像元;根据确定的阈值将可见光预设植被指数图层中的所有像元划分为预设植被像元和非预设植被像元;
对可见光预设植被指数图层和NDVI图层进行协同处理,将可见光预设植被指数图层和NDVI图层中的像元重新进行分类,得到分类处理后的图层,完成航拍关键信息判定及提取。
本发明的进一步改进在于,所述通过分水岭变换将获得的平均轮廓强度值转化为最底层的分割块信息;基于获得的分割块信息,得到相邻分割块之间的轮廓权重值的具体步骤包括:
在由多尺度轮廓检测得到的轮廓强度中,选择多个轮廓强度局部最小值点Pi;其中,i=1~K,K为轮廓强度局部最小值点的总个数;
把Pi作为种子点,应用分水岭变换,得到多个局部分割区域Ri;获得任意两个相邻分割区域Ri和Rj之间的轮廓Cij;
W(Cij)表示轮廓Cij的权重,定义为Cij上每个像素点的平均轮廓强度mG(x,y);通过W(Cij)值的大小来表示区域Ri和区域Rj属于不同预设植被块的概率的大小。
本发明的进一步改进在于,所述基于获得的轮廓权重信息,逐层组合分割块,获得不同尺度的分割图的具体步骤包括:
(1)对于当前分割图,选择轮廓权重W(C)最小的一段轮廓,设为C*,轮廓权重值的初始值来自基于分水岭变换的第L0层底层分割图;
(2)设被轮廓C*分隔开的两个分割块区域为R1和R2;
(3)将R1和R2合并为区域R,并删除相应的轮廓C*,形成新的分割图L1;
(4)更新分割图中每条轮廓C的轮廓权重W(C),W(C)是轮廓上每个像素点处的平均轮廓强度mG(x,y);
(5)以新的分割图L1为基础,重复步骤(1)至步骤(4),获得更上层的分割图Ln,直至分割图中不存在任何轮廓,整幅图像成为一个分隔块。
本发明的进一步改进在于,所述对RGB图层信息进行目视解译,得到训练样本点数据图层的具体步骤包括:选取RGB图层的中央区域,在中央区域中选取多个样点,对选取的多个样点进行目视解译,得到训练样本点数据图层。
本发明的进一步改进在于,所述根据确定的阈值将NDVI图层中的所有像元划分为预设植被像元和非预设植被像元;根据确定的阈值将可见光预设植被指数图层中的所有像元划分为预设植被像元和非预设植被像元中,对像元按照阈值进行划分时,预设植被指数大于阈值的像元被划分为预设植被像元,预设植被指数小于或等于阈值的像元被划分为非预设植被像元。
本发明的进一步改进在于,还包括:根据训练样本点数据图层提供的样本资料,对分类处理后的图层进行精度验证。
本发明的进一步改进在于,所述根据训练样本点数据图层提供的样本资料,对分类处理后的图层进行精度验证的具体步骤包括:
对目视解译的样点进行分类,将分类结果与目视解译结果进行比较,如果结果一致则表示分类正确,否则表示分类错误。
本发明的一种基于协同遥感的航拍关键信息判定及提取系统,包括:
多尺度轮廓检测单元,用于将无人机输入的遥感影像进行多尺度轮廓检测,获得遥感影像中每一像素点处在不同尺度上的平均轮廓强度值,获得轮廓强度信息;
底层分割块信息生成单元,用于通过分水岭变换将获得的轮廓强度信息转化为最底层的分割块信息;基于获得的分割块信息,得到相邻分割块之间的轮廓权重信息;
分割图生成模块,用于根据获得的轮廓权重信息,逐层组合分割块,获得不同尺度的分割图;
分割图处理及阈值确定模块,用于对分割图进行NDVI运算,获得相应的NDVI图层;提取航拍相片的RGB图层信息,对RGB图层信息进行VDVI运算,获得可见光指数图层;对RGB图层信息进行目视解译,得到训练样本点数据图层;基于训练样本点数据图层确定阈值;根据确定的阈值将NDVI图层中的所有像元划分为预设植被像元和非预设植被像元;根据确定的阈值将可见光预设植被指数图层中的所有像元划分为预设植被像元和非预设植被像元;
协同处理模块,用于对可见光预设植被指数图层和NDVI图层进行协同处理,将可见光预设植被指数图层和NDVI图层中的像元重新进行分类,得到分类处理后的图层,完成航拍关键信息判定及提取。
与现有技术相比,本发明具有以下有益效果:
本发明的方法将遥感影像经过多尺度轮廓检测、分水岭变换和分析廓权重信息处理从而获得不同尺度分割图;通过对分割图进行NDVI运算、提取航拍相片的RGB图层信息和对RGB图层信息进行VDVI运算的同时进行目视解译的步骤得到训练样本点数据图层,能够区分不同的植被地块,从而实现对植被的精确提取与判定,大大提高植被覆盖率的分析效率。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
实施例1
本发明实施例的一种基于协同遥感的航拍关键信息判定及提取方法,具体包括以下步骤:
S1、多尺度轮廓检测,包括:无人机输入一幅遥感影像后,进行多尺度轮廓检测,获得遥感影像中每一像素点处在不同尺度上的平均轮廓强度值;
S2、基于分水岭变换的底层分割块信息生成,包括:通过分水岭变换将轮廓信息转化为最底层的分割块信息,同时得到相邻分割块之间轮廓的权重值;
S3、基于轮廓强度的多尺度分割图生成,包括:通过分析轮廓权重信息来逐层组合分割块,得到不同尺度的分割图;
S4、对分割图的处理,包括:对分割图进行NDVI运算,获得相应的NDVI图层,然后提取航拍相片的RGB图层信息,对RGB图层信息进行VDVI运算,获得相应的可见光植被指数图层,同时对RGB图层信息进行目视解译,得到相应的训练样本点数据图层;
S5、确定阈值,包括:根据训练样本点数据图层提供的样本资料确定阈值,根据该阈值将所述NDVI图层中的所有像元划分为植被像元和非植被像元,以及根据该阈值将所述可见光植被指数图层中的所有像元划分为植被像元和非植被像元;
S6、最终处理,包括:对可见光植被指数图层和NDVI图层进行协同处理,将可见光植被指数图层和NDVI图层中的像元重新进行分类,得到分类处理后的图层。
本发明的方法将遥感影像经过多尺度轮廓检测、分水岭变换和分析廓权重信息处理从而获得不同尺度分割图;通过对分割图进行NDVI运算、提取航拍相片的RGB图层信息和对RGB图层信息进行VDVI运算的同时进行目视解译的步骤得到训练样本点数据图层,能够区分不同的植被地块,从而实现对植被的精确提取与判定,大大提高植被覆盖率的分析效率。
实施例2
本发明实施例的一种基于协同遥感的航拍关键信息判定及提取系统,包括:
多尺度轮廓检测单元,用于将无人机输入的遥感影像进行多尺度轮廓检测,获得遥感影像中每一像素点处在不同尺度上的平均轮廓强度值,获得轮廓强度信息;
底层分割块信息生成单元,用于通过分水岭变换将获得的轮廓强度信息转化为最底层的分割块信息;基于获得的分割块信息,得到相邻分割块之间的轮廓权重信息;
分割图生成模块,用于根据获得的轮廓权重信息,逐层组合分割块,获得不同尺度的分割图;
分割图处理及阈值确定模块,用于对分割图进行NDVI运算,获得相应的NDVI图层;提取航拍相片的RGB图层信息,对RGB图层信息进行VDVI运算,获得可见光指数图层;对RGB图层信息进行目视解译,得到训练样本点数据图层;基于训练样本点数据图层确定阈值;根据确定的阈值将NDVI图层中的所有像元划分为预设植被像元和非预设植被像元;根据确定的阈值将可见光预设植被指数图层中的所有像元划分为预设植被像元和非预设植被像元;
协同处理模块,用于对可见光预设植被指数图层和NDVI图层进行协同处理,将可见光预设植被指数图层和NDVI图层中的像元重新进行分类,得到分类处理后的图层,完成航拍关键信息判定及提取。
实施例3
本发明实施例的一种基于协同遥感的航拍关键信息判定及提取方法,具体包括以下步骤:
步骤1、多尺度轮廓检测:无人机输入一幅遥感影像后,进行多尺度轮廓检测,获得遥感影像中每一像素点处在不同尺度上的平均轮廓强度值;
步骤2、基于分水岭变换的底层分割块生成:通过分水岭变换将轮廓信息转化为最底层的分割块信息,同时得到相邻分割块之间轮廓的权重值,步骤2中基于分水岭变换的底层分割块生成具体包括以下步骤:
S21,在由多尺度轮廓检测得到的轮廓强度中,选择多个轮廓强度局部最小值点Pi,其中i=1-K,K为轮廓强度局部最小值点的个数;
S22,把Pi作为种子点,应用分水岭变换,得到多个局部分割区域Ri和任意两个相邻分割区域Ri和Rj之间的轮廓Cij;
S23,设W(Cij)表示轮廓Cij的权重,定义为Cij上每个像素点的平均轮廓强度mG(x,y),若W(Cij)越大就表示轮廓Cij越明显,区域Ri和区域Rj属于不同农田块的概率越大;
本发明实施例中,通过以上步骤得到的分割图通常是过分割,即分割块过多,容易将一块农田分割为多个分割区域,因此需要对这种底层的分割块进行语义组合,生成更大尺度的分割块,使得分割块与实际农田块一一对应;
步骤3、基于轮廓强度的多尺度分割图生成:通过分析轮廓权重信息来逐层组合分割块,得到不同尺度的分割图,步骤3中基于轮廓强度的多尺度分割图生成具体包括以下步骤:
S31,对于当前分割图,选择轮廓权重W(C)最小的一段轮廓,设为C*,轮廓权重值的初始值来自基于分水岭变换的第L0层底层分割图;
S32,设被轮廓C*分隔开的两个分割块区域为R1和R2;
S33,将R1和R2合并为区域R,并删除相应的轮廓C*,形成新的分割图L1;
S34,更新分割图中每条轮廓C的轮廓权重W(C),W(C)是所述轮廓上每个像素点处的平均轮廓强度mG(x,y);
S35,以新的分割图L1为基础,重复步骤S31-S34,获得更上层的分割图Ln,直至分割图中不存在任何轮廓,即整幅图像为一个分隔块;
本发明实施例中,利用生成的多尺度分割图,根据当前数据集中农田块的大体尺度选择适当的分割层级,即得到图像的实例分割结果。但这里得到的分割结果中包括单块农田区域,也包括建筑、湖泊等非农田区域,需要通过分类方法把非农田区域剔除,得到只包含农田区域的语义分割块;
步骤4、对分割图的处理:对分割图进行NDVI运算,获得相应的NDVI图层,然后提取航拍相片的RGB图层信息,对RGB图层信息进行VDVI运算,获得相应的可见光农田指数图层,同时对RGB图层信息进行目视解译,得到相应的训练样本点数据图层,在RGB图层的裁剪区域中选取多个样点,对这些样点进行人工目视解译,采用人工目视解译的方式人工确定每个样点是属于农田像元还是非农田像元,得到所述训练样本点数据图层,该训练样本点数据图层中包含了样点的位置数据,即样点的经纬度坐标,和每个样点的人工目视解译结果;
步骤5、确定阈值:根据训练样本点数据图层提供的样本资料确定阈值,根据该阈值将所述NDVI图层中的所有像元划分为农田像元和非农田像元,以及根据该阈值将所述可见光农田指数图层中的所有像元划分为农田像元和非农田像元,在确定阈值时,利用人工目视解译结果为农田像元的样点的农田指数的平均值减去标准误,利用人工目视解译结果为非农田像元的样点的农田指数的平均值加上标准误,然后对这两个计算结果求均值,即可获得所述阈值,对像元按照阈值进行划分时,农田指数大于阈值的像元被划分为农田像元,农田指数小于或等于阈值的像元被划分为非农田像元;
步骤6、最终处理:对可见光农田指数图层和NDVI图层进行协同处理,将可见光农田指数图层和NDVI图层中的像元重新进行分类,得到分类处理后的图层,对可见光农田指数图层和NDVI图层中的像元重新分类的规则为:当可见光农田指数图层和NDVI图层中的相应像元分类一致时,该像元的分类不变,当可见光农田指数图层和NDVI图层中的相应像元分类不一致时,存在可见光农田指数图层中像元划分为农田像元,而NDVI图层中的相应像元划分为非农田像元,以及可见光农田指数图层中像元划分为非农田像元,而NDVI图层中的相应像元划分为农田像元这两种情况,这两种情况下均将该像元重新分类为非农田像元,造成两种图层中相应像元分类不一致的原因可能是由于遥感影像和航拍相片分辨率不一致导致的,因此需要融合二者的优势来完成对农田信息的准确提取,对于前一种情况而言,极大可能是误差所致,例如对水塘的错误分类,因此该像元应该被重新分类为非农田像元,对于后一种情况而言,可能是由于遥感影像的分辨率低,未区分出非农田区域所致,因该像元同样需要被重新分类为非农田像元。
综上,本发明公开了一种基于协同遥感的航拍关键信息判定及提取方法及系统,方法包括以下步骤:多尺度轮廓检测、基于分水岭变换的底层分割块生成、基于轮廓强度的多尺度分割图生成、对分割图的处理、确定阈值和最终处理。将遥感影像经过多尺度轮廓检测、分水岭变换和分析廓权重信息处理从而获得不同尺度分割图,通过对分割图进行NDVI运算、提取航拍相片的RGB图层信息和对RGB图层信息进行VDVI运算的同时进行目视解译的步骤得到训练样本点数据图层,能够区分不同的植被地块,从而实现对植被的精确提取与判定,大大提高了植被覆盖率的分析效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (8)
1.一种基于协同遥感的航拍关键信息判定及提取方法,其特征在于,包括以下步骤:
将遥感影像进行多尺度轮廓检测,获得遥感影像中每一像素点处在不同尺度上的平均轮廓强度值,获得轮廓强度信息;通过分水岭变换将获得的轮廓强度信息转化为最底层的分割块信息;基于获得的分割块信息,得到相邻分割块之间的轮廓权重信息;基于获得的轮廓权重信息,逐层组合分割块,获得不同尺度的分割图;
对分割图进行NDVI运算,获得相应的NDVI图层;提取航拍相片的RGB图层信息,对RGB图层信息进行VDVI运算,获得可见光指数图层;对RGB图层信息进行目视解译,得到训练样本点数据图层;基于训练样本点数据图层确定阈值;根据确定的阈值将NDVI图层中的所有像元划分为预设植被像元和非预设植被像元;根据确定的阈值将可见光预设植被指数图层中的所有像元划分为预设植被像元和非预设植被像元;
对可见光预设植被指数图层和NDVI图层进行协同处理,将可见光预设植被指数图层和NDVI图层中的像元重新进行分类,得到分类处理后的图层,完成航拍关键信息判定及提取。
2.根据权利要求1所述的一种基于协同遥感的航拍关键信息判定及提取方法,其特征在于,所述通过分水岭变换将获得的平均轮廓强度值转化为最底层的分割块信息;基于获得的分割块信息,得到相邻分割块之间的轮廓权重值的具体步骤包括:
在由多尺度轮廓检测得到的轮廓强度中,选择多个轮廓强度局部最小值点Pi;其中,i=1~K,K为轮廓强度局部最小值点的总个数;
把Pi作为种子点,应用分水岭变换,得到多个局部分割区域Ri;获得任意两个相邻分割区域Ri和Rj之间的轮廓Cij;
W(Cij)表示轮廓Cij的权重,定义为Cij上每个像素点的平均轮廓强度mG(x,y),x,y为像素点的坐标;通过W(Cij)值的大小来表示区域Ri和区域Rj属于不同预设植被块的概率的大小。
3.根据权利要求1所述的一种基于协同遥感的航拍关键信息判定及提取方法,其特征在于,所述基于获得的轮廓权重信息,逐层组合分割块,获得不同尺度的分割图的具体步骤包括:
(1)对于当前分割图,选择轮廓权重W(C)最小的一段轮廓,记为轮廓C*,轮廓权重值的初始值来自基于分水岭变换的第L0层底层分割图;
(2)设被轮廓C*分隔开的两个分割块区域为R1和R2;
(3)将R1和R2合并为区域R,并删除相应的轮廓C*,形成新的分割图L1;
(4)更新分割图中每条轮廓C的轮廓权重W(C),W(C)是轮廓上每个像素点处的平均轮廓强度mG(x,y);x,y为像素点的坐标;
(5)以新的分割图L1为基础,重复步骤(1)至步骤(4),获得更上层的分割图Ln,直至分割图中不存在任何轮廓,整幅图像成为一个分隔块。
4.根据权利要求1所述的一种基于协同遥感的航拍关键信息判定及提取方法,其特征在于,所述对RGB图层信息进行目视解译,得到训练样本点数据图层的具体步骤包括:
选取RGB图层的中央区域,在中央区域中选取多个样点,对选取的多个样点进行目视解译,得到训练样本点数据图层。
5.根据权利要求1所述的一种基于协同遥感的航拍关键信息判定及提取方法,其特征在于,所述根据确定的阈值将NDVI图层中的所有像元划分为预设植被像元和非预设植被像元;根据确定的阈值将可见光预设植被指数图层中的所有像元划分为预设植被像元和非预设植被像元中,对像元按照阈值进行划分时,预设植被指数大于阈值的像元被划分为预设植被像元,预设植被指数小于或等于阈值的像元被划分为非预设植被像元。
6.根据权利要求1所述的一种基于协同遥感的航拍关键信息判定及提取方法,其特征在于,还包括:根据训练样本点数据图层提供的样本资料,对分类处理后的图层进行精度验证。
7.根据权利要求6所述的一种基于协同遥感的航拍关键信息判定及提取方法,其特征在于,所述根据训练样本点数据图层提供的样本资料,对分类处理后的图层进行精度验证的具体步骤包括:
对目视解译的样点进行分类,将分类结果与目视解译结果进行比较,如果结果一致则表示分类正确,否则表示分类错误。
8.一种基于协同遥感的航拍关键信息判定及提取系统,其特征在于,包括:
多尺度轮廓检测单元,用于将无人机输入的遥感影像进行多尺度轮廓检测,获得遥感影像中每一像素点处在不同尺度上的平均轮廓强度值,获得轮廓强度信息;
底层分割块信息生成单元,用于通过分水岭变换将获得的轮廓强度信息转化为最底层的分割块信息;基于获得的分割块信息,得到相邻分割块之间的轮廓权重信息;
分割图生成模块,用于根据获得的轮廓权重信息,逐层组合分割块,获得不同尺度的分割图;
分割图处理及阈值确定模块,用于对分割图进行NDVI运算,获得相应的NDVI图层;提取航拍相片的RGB图层信息,对RGB图层信息进行VDVI运算,获得可见光指数图层;对RGB图层信息进行目视解译,得到训练样本点数据图层;基于训练样本点数据图层确定阈值;根据确定的阈值将NDVI图层中的所有像元划分为预设植被像元和非预设植被像元;根据确定的阈值将可见光预设植被指数图层中的所有像元划分为预设植被像元和非预设植被像元;
协同处理模块,用于对可见光预设植被指数图层和NDVI图层进行协同处理,将可见光预设植被指数图层和NDVI图层中的像元重新进行分类,得到分类处理后的图层,完成航拍关键信息判定及提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490006.3A CN112507932A (zh) | 2020-12-15 | 2020-12-15 | 一种基于协同遥感的航拍关键信息判定及提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490006.3A CN112507932A (zh) | 2020-12-15 | 2020-12-15 | 一种基于协同遥感的航拍关键信息判定及提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507932A true CN112507932A (zh) | 2021-03-16 |
Family
ID=74972978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011490006.3A Pending CN112507932A (zh) | 2020-12-15 | 2020-12-15 | 一种基于协同遥感的航拍关键信息判定及提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507932A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
-
2020
- 2020-12-15 CN CN202011490006.3A patent/CN112507932A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
Eisenbach et al. | How to get pavement distress detection ready for deep learning? A systematic approach | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
Chen et al. | Building detection in an urban area using lidar data and QuickBird imagery | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN109447111B (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN114898097B (zh) | 图像识别方法及系统 | |
Poterek et al. | Deep learning for automatic colorization of legacy grayscale aerial photographs | |
CN117572457B (zh) | 一种基于伪标签学习的跨场景多光谱点云分类方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
Luo et al. | Terrace extraction based on remote sensing images and digital elevation model in the loess plateau, China | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Xiao et al. | Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
Wang et al. | Feature extraction and segmentation of pavement distress using an improved hybrid task cascade network | |
CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
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 | |
CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
CN116363532A (zh) | 基于注意力机制和重参数化的无人机图像交通目标检测方法 | |
CN112507932A (zh) | 一种基于协同遥感的航拍关键信息判定及提取方法及系统 | |
Zhang et al. | A YOLOv3-Based Industrial Instrument Classification and Reading Recognition 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 |