CN112528962A - 一种基于高分卫星遥感影像的牧区牛马群的监测方法 - Google Patents
一种基于高分卫星遥感影像的牧区牛马群的监测方法 Download PDFInfo
- Publication number
- CN112528962A CN112528962A CN202110020898.9A CN202110020898A CN112528962A CN 112528962 A CN112528962 A CN 112528962A CN 202110020898 A CN202110020898 A CN 202110020898A CN 112528962 A CN112528962 A CN 112528962A
- Authority
- CN
- China
- Prior art keywords
- image
- cattle
- horse
- remote sensing
- distribution
- 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
- G06V20/188—Vegetation
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (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高分卫星遥感影像的牧区牛马群的监测方法,涉及对地监测、生态环境保护等领域,利用牛马群在高分遥感影像的时空、光谱等方面特征,采用如下技术流程:数据挑选、几何精纠正、图像增强处理、影像分块、牛马群斑点分布初提取、数据合并、牛马群斑点分布精提取、牛马群斑块分布提取、牛马数量计算,实现区域牛马群分布和数量的监测,从而有效掌握区域牛马的存栏量以及区域生态环境的载畜压力,为区域生态环境保护和资源优化配置等提供决策支撑。
Description
技术领域
本发明涉及对地监测领域、生态环境等领域,更具体的说是涉及一种基于高分卫星遥感影像的牧区牛马群的监测方法。
背景技术
遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线,对目标进行探测和识别的技术。遥感技术广泛用于军事侦察、导弹预警、军事测绘、海洋监视、气象观测和互剂侦检等。在民用方面,遥感技术广泛用于地球资源普查、植被分类、土地利用规划、农作物病虫害和作物产量调查、环境污染监测、海洋研制、地震监测等方面。
然而,由于卫星遥感技术分辨率有限,牛、羊、马等牧畜尺度又相对比较小,卫星遥感通常难以对其进行有效监测。目前国内外未见有利用卫星遥感对牧畜进行自动监测的技术方法。仅有个别基于无人机的一些大型哺乳动物等的监测研究,且为目视判读的方法,而且无人机监测代价也大,难以大规模应用。
目前国内外对牧区牧畜群的监测,基本是通过抽样统计或者逐级表格申报填报的方式统计,需要较多的人力投入,存在成本高、效率低、质量低等问题,比如很多牧民或地方考虑各种原因,存在一定漏报、虚报、瞒报等问题。因此发明一种高效、客观的监测技术,以准确掌握牧区牛马的存栏数量是本领域技术人员亟需解决的问题。随着卫星遥感空间分辨率、时间分辨率、光谱分辨率等多方面的发展提高,为基于高分卫星遥感影像的牛马群识别提供了全新的解决方案。
通常,在草原区,牛马与周边背景(绿色草地)会形成比较明显的对比度差异,从而在高分遥感图像(尤其是亚米级高分遥感图像)上中表现为较明显的小斑点(因为牛马通常比较小),且呈现“点群”分布特征(牛马通常成群分布,但是比羊群密度低,相对更分散独立)。这些“点群”不是固定的,在不同的图像上会呈现在不同的位置。也就是说如果这些“点群”,在不同时相的高分遥感影像上都有,都是同一个位置,则显然不是牛马群。此外,与羊群相比,牛马群颜色不一样。羊通常为白色或灰色,牛马主要以暗红色、棕色为主。从形体上看,牛马相对羊个头也更高大,在高分遥感影像上,其身边会存在较大比例的暗色阴影。这个也是进行牛马识别的重要特征。这些特征,为基于高分卫星遥感影像的牧区牛马群识别奠定了重要的机理基础。
发明内容
有鉴于此,本发明提供了一种基于高分卫星遥感影像的牧区牛马群的监测方法,以解决背景技术中提出的监测牛马群成本高、质量低、效率低的问题。
为了实现上述目的,本发明采用如下技术方案:一种基于高分卫星遥感影像的牧区牛马群的监测方法,包括以下步骤:
挑选高分遥感数据,获取监测区域两期影像(当期影像T1和前期影像T0,当期影像T1用来做当前监测,前期影像T0用来做时空比对分析)。两期影像都尽量选取生长季的影像,且时间隔不要太大(尽量一年以内),避免时间跨度太大,导致地物变化太大,从而失去可比性;
将所述两期影像分别进行预处理得到子影像块;
通过对所述子影像块分别采用基于局部极值的分水岭算法进行牛马群斑点分布的初提取;
对两期的子影像块提取的牛马群斑点分布数据分别进行数据合并,融合成两期牛马群斑点分布数据文件;
利用所述两期牛马群斑点分布数据文件,根据牛马群的时空变化特征进行当期牛马群斑点分布精提取;
基于精提取后的斑点分布数据和当期影像数据文件,采用面向对象的图像分割和空间统计方法,进行图像斑块对象及其统计信息提取,并基于空间叠加和关联分析,进行牛马群斑块分布提取,得到牛马群面状分布数据;
对所述牛马群面状分布数据利用基于形态学的计算模型,计算牛马群中牛马的总数量。
优选的,在上述的基于高分卫星遥感影像的牧区牛马群的监测方法中,所述预处理包括几何精纠正、图像增强处理和影像分块。
优选的,在上述的基于高分卫星遥感影像的牧区牛马群的监测方法中,通过图像增强处理,在相对大尺度的遥感影像中增强牛马群等小目标的图像信号,同时抑制噪点等干扰信息。所述图像增强处理的具体步骤如下:
(1)滤波:利用低通滤波,滤除遥感图像中的随机噪点等干扰信息。
(2)重采样:利用向下重采样(像元大小缩小,像元增多),将图像尺寸变得更大,特别是显著增强了小目标的所含像元数,从而使一些分割或目标识别的算法也能适用于小目标,从而达到针对小目标的信息增强。
设原图像为F,图像每个像元大小为w(宽)、h(高),图像的尺寸为 M×N个像元;向下重采样后的图像为G,图像每个像元的大小为w/k1(宽)、 h/k1(高),图像的尺寸为k1*M×k2*N;其中k1,k2均为大于1的整数,一般情况下k1、k2取相同,且取均3较为适宜。
具体地,可采用最近邻分配重采样法(Nearst)。
优选的,在上述的基于高分卫星遥感影像的牧区牛马群的监测方法中,所述影像分块的切分尺寸为牛马群平均大小的1.5~2倍(一般约为400~500米)。通过影像分块处理,将影像划分为更小的子影像块,可降低算法对内存等硬件资源的需求,同时可通过并行处理提高算法效率,更重要的是通过分块可降低影像块内的异质性,形成相对简单、均一的背景,避免影像块内部地物过于复杂多样,从而提高算法精度。
优选的,在上述的基于高分卫星遥感影像的牧区牛马群的监测方法中,牛马群斑点分布的初提取是基于牛马群斑点与周边地物的光谱梯度差异采用基于局部极值的分水岭算法,并且其中关键参数(比如其中阈值步长、最小灰度阈值、最大灰度阈值等)是基于子影像块直方图统计分析进行自适应的设置。
优选的,在上述的基于高分卫星遥感影像的牧区牛马群的监测方法中,牛马群斑点分布精提取是利用牛马群是移动变化的特点,通过与历史数据比对来去除一些干扰对象(比如暗色的石头、凹坑等固定的暗斑点),具体步骤如下:
设当期影像任一斑点坐标为(x,y);前期影像T0所述任一斑点的坐标(x0,y0);
Δ为两期影像之间的平均匹配误差;比如影像配准的平均匹配误差为5米,则取Δ取5米。
将所述当期影像提取的斑点分布数据文件与所述前期影像T0提取的斑点分布文件进行比较,从所述当期影像提取的斑点分布数据文件中,删除与所述前期影像T0提取斑点重合或距离为Δ以内的点位,实现牛马群斑点分布精提取。
优选的,在上述的基于高分卫星遥感影像的牧区牛马群的监测方法中,所述牛马群斑块分布提取的具体流程为:
对经过所述图像增强处理后的所述当期影像进行分割,形成分割后的图像,具体地,可采用基于均值漂移的图像分割算法;
对所述分割后的图像进行栅格转矢量,形成矢量斑块数据文件;
基于所述图像增强处理后的所述当期影像和所述矢量斑块数据文件,利用地理分区统计方法,提取每个矢量斑块的面积、周长、形状指数、平均值、标准差、最大值、最小值等特征信息;
利用所述精提取后的斑点分布矢量数据文件,提取点位一定周边范围内 (距离<=μ,μ为1.5个原始像元大小)矢量斑块以及斑块特征信息,形成初步的矢量斑块分布数据文件;
针对初步的矢量斑块分布数据文件,基于面积、形状指数、光谱平均值及其与邻域光谱平均值之差、周边一定距离内类似斑块的分布密度(群点分布特征)特征进一步删除与牛马群的相关特征不符合的矢量斑块,从而完成牛马群精确识别与面状分布提取。
优选的,在上述的基于高分卫星遥感影像的牧区牛马群的监测方法中,所述牛马群中牛马的总数量计算具体流程为:
进一步,考虑到牛马相对较高大、而且牛马的习性是比较独立分散,很少出现扎堆紧挨现象,使得其在高分遥感影像上大部分都呈现出一个个独立的斑点个体,因此其个体数量的计算可以采取以下简单形态学估算模型。
(1)基于所有提取的牛马群斑块数据,计算其所有牛马群斑块的平均面积AMn=Asum/n和平均周长PMn=Psum/n,其中n为牛群斑块总个数,Asum和Psum分别为牛群斑块的总面积和总周长;
3)Max(x,y)表示求两个数的最大值;
4)Int(x)表示四舍五入求整;
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于高分卫星遥感影像的牧区牛马群的监测方法,具有以下有益效果:
1、高效、精准掌握牧区牛马的存栏量,从而有效监测评估区域牛马的资源和区域载畜压力,为资源合理配置、经济形势掌控、退牧还草奖补科学执行、牧区草原生态环境保护(避免放牧过度带来的草原生态退化)等提供可靠的技术支撑。
2、拓展遥感技术的应用,发展遥感监测的技术方法,探索建立针对小尺度、移动目标的监测技术方法,服务各种小尺度、移动目标的监管。
采用遥感监测技术,基于牛马群在高分遥感影像的时空、光谱等方面特征,提取区域牛马群分布和数量,从而有效掌握区域牛马的存栏量以及区域生态环境的载畜压力,为区域生态环境保护和资源优化配置等提供很好的支撑。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的总体技术流程示意图;
图2附图为本发明的基于梯度和暗目标识别的牛马群点位分布初提取流程示意图;
图3附图为本发明的基于面对对象的牛马群斑块分布提取流程示意图;
图4附图为本发明的作参考比对的同一区域历史影像示意图;
图5附图为本发明的当期影像示意图;
图6附图为本发明的牛马群斑点分布示意图;
图7A附图为本发明的牛马群斑块分布初步提取示意图;
图7B附图为本发明的牛马群斑块分布示意图。
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设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。
图1示出了本发明的总体技术流程图,如图1所见,本发明实施例公开的一种基于高分卫星遥感影像的牧区牛马群的监测方法,其具体步骤为:
挑选高分遥感数据,获取监测区域两期影像(当期影像T1和前期影像T0,当期影像T1用来做当前监测,前期影像T0用来做时空比对分析);
将所述两期影像分别进行预处理得到子影像块;
通过对所述子影像块分别采用基于局部极值的分水岭算法进行牛马群斑点分布的初提取;
对两期的子影像块提取的牛马群斑点分布数据分别进行数据合并,融合成两期斑点分布数据文件;
利用所述两期牛马群斑点分布数据文件,根据牛马群的时空变化特征进行当期牛马群斑点分布精提取;
基于精提取后的斑点分布数据和当期影像数据文件,采用面向对象的图像分割和空间统计方法,进行图像斑块对象及其统计信息提取,并基于空间叠加和关联分析,进行牛马群斑块分布提取,得到牛马群面状分布数据;
对所述牛马群面状分布数据利用基于形态学的计算模型,计算牛马群中牛马的总数量。
通过采用上述方案,具有以下有益效果:随着高分辨率的遥感技术的发展,特别是亚米级高分卫星数据资源的日益增多,使得牛马群这种典型的移动小目标的遥感监测成为可能,本发明基于高分卫星遥感影像对牧区牛马群进行监测,可以高效精准的掌握牛马群的存栏量,有效的评估监测牧区。
进一步,在本实施例中,数据挑选从以下三方面考虑:(1)影像分辨率:由于牛马本身很小,因此需要挑选优于2米的的高分遥感影像数据为宜,最好为多光谱。(2)影像时相:对我国来说尽量挑选生长季(6~8月份左右) 的影像数据。(3)影像期数(当期影像和前期影像):针对牛马群是动态移动的特点,本发明采用基于两期综合比对分析的算法进行牛马群的识别监测。因此,需要挑选一期当期影像,同时还要挑选同一区域的其他一个历史时刻的影像,作为前期影像。该前期影像在影像分辨率、影像时相上挑选原则与当期是一样的,同时尽量选择时间间隔近的历史影像。
进一步,由于牛马群是动态移动的特点,本发明采用基于两期综合对比分析的算法进行牛马群的识别监测,选择时间间隔近的历史影像避免了两期之间地物已经发生了很大的变化带来的影响。
预处理包括几何精纠正、图像增强处理和影像分块,对两期影像进行预处理,确保了两期影像之间有较高的配准度,保证了监测数据的质量。
其中,几何精纠正:
为确保两期影像之间有较高的配准精度,也为了确保监测数据的质量,需要分别对两期影像进行几何精纠正,并且要求纠正误差平原区小于2个像元,山区小于3个像元。
如果对绝对定位要求不高,也可以两期影像之间直接作相对配准。
通过图像增强处理,在相对大尺度的遥感影像中增强牛马群等小目标的图像信号,同时抑制噪点等干扰信息。所述图像增强处理的具体步骤如下:
(1)滤波:利用低通滤波,滤除遥感图像中的噪点等干扰信息。
(2)重采样:利用向下重采样(像元大小缩小,像元增多),将图像尺寸变得更大,特别是显著增强了小目标所含的像元数,从而使一些分割或目标识别的算法也能适用于小目标,从而达到针对小目标的信息增强。
设原图像为F,图像每个像元大小为w(宽)、h(高),图像的尺寸为 M×N个像元;向下重采样后的图像为G,图像每个像元的大小为w/k1(宽)、 h/k1(高),图像的尺寸为k1*M×k2*N;其中k1,k2均为大于1的整数,且取3 较为适宜。
具体地,可采用最近邻分配法(Nearst)。
进一步,因为如果直接用原数据进行识别的话,现有的很多基于邻域操作方面的算法(比如平滑算法、梯度等)可能会淹没或者难以有效利用这种小目标弱信号。因此特别需要将影像进行重采样,重采样成像元更小的影像 (分辨率其实仍然没有变化),这样可以确保在重采样后的影像上也有好几个像元。这样算法才能确保有操作的空间。因此这一步非常关键。当然,但如果影像原始分辨率足够高(比如高于0.5米),则也可以不用重采样。
具体地,滤波是为了抑制干扰,滤除噪点,减少因噪点产生的误差,导致计算牛马的数量的不准确。
切分,进一步,主要是将影像切分为更小的一些子影像块。一方面,因为一般遥感影像比较大,很多计算视觉算法难以一次性处理。另一方,影像范围覆盖太大,则其内部的差异可能也大(可能包含很多不同的地物,比如水域、农田、草地等,比较复杂)。因此将图像分成更小的一些小块,可以将图像分为背景相对更一致的区域(使背景单一化,对于图像识别更加容易)。
切分尺寸(子影像的尺寸)通常根据牛马群的平均大小的1.5~2倍大小来进行设置,一般大约在400~500米左右。
数据合并,进一步,将从各子影像中提取的斑点,合并成一个大的斑点分布数据文件。如果不融合成大的文件,可能会因为分块,导致牛马群被切分开,进而无法进行后面的空间关联分析(比如周边是否有牛马,是否呈现点群聚集分布),从而造成无法利用空间分布特征进行精准提取。
需要了解的是:分水岭算法,是一种基于拓扑理论的数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像元的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面,刺穿一个小孔,然后把整个模型慢慢浸入水中,随着浸入的加深,每一个局部极小值的影响域慢慢向外扩展,在两个集水盆汇合处构筑大坝,即形成分水岭。
本发明的实施例利用牛马群与背景构成明显梯度对于牛马群进行识别;
如图2所示,在本实施例中,实现牛马群点位分布初提取的具体流程为:
多次二值化图输入的灰度图像转换为一个二值图像的集合,阈值范围为 [T1,T2],步长为t;其中阈值和步长的设置根据子影像块的直方图参数确定;
具体地,分水岭算法中的阈值和步长通过分析直方图获得;根据不同天气状况、季节状况等因素都可能造成阈值和步长的设置不同。
例如,核心的参数包括:目标颜色参数(0表示暗目标、255表示亮目标。对于牛马群,设置为:0,提取暗目标。)、最小灰度阈值(对于牛马群通常设置为:图像的最小值)、最大灰度阈值(对于牛马群通常设置为:图像的平均值)、灰度阈值步长(通常设置为:图像标准差的2倍左右)、最大面积(允许的最大斑点面积)、最小面积(允许的最小斑点面积)、最近距离 (允许的斑点之间的最小距离,低于这个距离的两个斑点会融合为1个斑点)、最少重复次数(允许被识别为暗目标的最小重复次数,通常设置为:2)等。其中最大面积、最小面积、最近距离等需要根据像元的大小以及牛马实际的可能的最大斑块面积、最小斑块面积以及相邻斑块自小距离的空间分布特征进行综合设置。
确定候选圆点:通过检测每一幅二值图像的边缘的方式提取出每一幅二值图像的连通区域,由边界所围成的不同的连通区域就是该二值图像的斑点;其中确定斑点的限定条件包括但不限于颜色,面积和形状,斑点的形状、圆度,偏心率,或凸度来表示;
具体地,以面积为例,连通区域的面积太大和太小都可能不是候选圆点。所以需要计算连通区域的面积,只有当该面积在所设定的最大面积和最小面积之间时,该连通区域才作为斑点被保留下来。
对图像圆点进行分类,确定目标圆点:根据所有二值图像斑点的中心坐标对二值图像斑点进行分类,从而形成灰度图像的斑点,其中,灰度图像的斑点是由中心坐标间的距离小于阈值的那些二值图像斑点所组成的,即这些二值图像斑点属于该灰度图像斑点即为牛马群点位。
需要了解的是:提取的牛马群分布斑点可能其中夹杂了一些伪牛马群,比如裸露的暗色的石头、小凹坑、小水域等。由于牛马群的流动性,前后两期影像中的同名点则可以判断为伪牛马群。
进一步,牛马群斑点分布精提取是利用牛马群是移动变化的特点,通过与历史数据比对来去除一些干扰对象(裸露的暗色的石头、小凹坑、小水域等固定的暗干扰对象),具体步骤如下:
设当期影像任一斑点坐标为(x,y);前期影像T0所述任一斑点的坐标 (x0,y0);
Δ为两期影像之间的平均匹配误差;比如影像配准的平均匹配误差为5 米,则取Δ取5米。
将所述当期影像提取的斑点分布数据文件与所述前期影像T0提取的斑点分布文件进行比较,从所述当期影像提取的斑点分布数据文件中,删除与所述前期影像T0提取斑点重合或距离为Δ以内的点位,实现牛马群斑点分布精提取。
如图3所示,在本实施例中,进行牛马群斑块分布提取的具体流程为:
对经过所述图像增强处理后的所述当期影像进行分割,形成分割后的图像,具体地,可采用基于均值漂移的图像分割算法;
对所述分割后的图像进行栅格转矢量,形成矢量斑块数据文件;
基于所述图像增强处理后的所述当期影像和所述矢量斑块数据文件,利用地理分区统计方法,提取每个矢量斑块的面积、周长、形状指数、平均值、标准差、最大值、最小值等特征信息;
利用所述精提取后的斑点分布矢量数据文件,提取点位一定周边范围内 (距离<=μ,μ为1.5个原始像元大小)矢量斑块以及斑块特征信息,形成初步的矢量斑块分布数据文件;
针对初步的矢量斑块分布数据文件,基于面积、形状指数、光谱平均值及其与邻域光谱平均值之差、周边一定距离内类似斑块的分布密度(群点分布特征)特征进一步删除与牛马群的相关特征不符合的矢量斑块,从而完成牛马群精确识别与面状分布提取。
进一步,考虑到牛马相对较高大、而且牛马的习性是比较独立分散,很少出现扎堆紧挨现象,使得其在高分遥感影像上大部分都呈现出一个个独立的斑点个体,因此其个体数量的计算可以采取以下简单形态学估算模型。
(1)基于所有提取的牛马群斑块数据,计算其所有牛马群斑块的平均面积AMn=Asum/n和平均周长PMn=Psum/n,其中n为牛群斑块总个数,Asum和Psum分别为牛群斑块的总面积和总周长;
3)Max(x,y)表示求两个数的最大值;
4)Int(x)表示四舍五入求整;
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。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于高分卫星遥感影像的牧区牛马群的监测方法,其特征在于,包括以下步骤:
挑选高分遥感数据,获取监测区域两期影像,其中所述两期影像包括当期影像T1和前期影像T0;
将所述两期影像分别进行预处理得到子影像块;
通过对所述子影像块分别采用基于局部极值的分水岭算法进行牛马群斑点分布的初提取;
对两期子影像块提取的牛马群斑点分布数据分别进行数据合并,融合成两期牛马群斑点分布数据文件;
利用所述两期牛马群斑点分布数据文件,根据牛马群的时空变化特征进行当期牛马群斑点分布精提取;
基于精提取后的斑点分布数据和当期影像数据文件,采用面向对象的图像分割和空间统计方法,进行图像斑块对象及其统计信息提取,并基于空间叠加和关联分析,进行牛马群斑块分布提取,得到牛马群面状分布数据;
对所述牛马群面状分布数据利用基于形态学的计算模型,计算牛马群中牛马的总数量。
2.根据权利要求1所述的基于高分卫星遥感影像的牧区牛马群的监测方法,其特征在于,所述预处理包括几何精纠正、图像增强处理和影像分块。
3.根据权利要求2所述的基于高分卫星遥感影像的牧区牛马群的监测方法,其特征在于,通过图像增强处理,在遥感影像中增强牛马群这类小目标的图像信号,同时抑制噪点干扰信息;所述图像增强处理的具体步骤如下:
(1)滤波:利用低通滤波,滤除遥感图像中的噪点干扰信息;
(2)重采样:利用最邻近分配重采样法,对图像进行向下重采样,使得像元大小缩小,像元增多,图像尺寸增大;
设原图像为F,图像每个像元大小为宽为w、高为h,图像的尺寸为M×N个像元;向下重采样后的图像为G,图像每个像元的大小为w/k1、h/k1,图像的尺寸为k1*M×k2*N;其中k1,k2均为大于1的整数。
4.根据权利要求2所述的基于高分卫星遥感影像的牧区牛马群的监测方法,其特征在于所述影像分块的切分尺寸为牛马群平均大小的1.5~2倍。
5.根据权利要求1所述的基于高分卫星遥感影像的牧区牛马群的监测方法,其特征在于,牛马群斑点分布的初提取是基于牛马群斑点与周边地物的光谱梯度差异采用基于局部极值的分水岭算法,并且其中关键参数是基于子影像块直方图统计数据进行自适应的设置。
7.根据权利要求2所述的基于高分卫星遥感影像的牧区牛马群的监测方法,其特征在于,所述牛马群斑块分布提取的具体流程为:
对经过所述图像增强处理的所述当期影像T1进行分割,形成分割后的图像,具体地,采用基于均值漂移的图像分割算法;
对所述分割后的图像进行栅格转矢量,形成矢量斑块数据文件;
基于图像增强处理的所述当期影像T1和所述矢量斑块数据文件,利用地理分区统计方法,提取每个矢量斑块的面积、周长、形状指数以及光谱的平均值、标准差、最大值、最小值特征信息;
利用所述精提取后的斑点分布矢量数据文件,提取点位固定范围内,即距离≤μ,μ为1.5个原始像元大小,矢量斑块以及斑块特征信息,形成初步的矢量斑块分布数据文件;
针对初步的矢量斑块分布数据文件,基于面积、形状指数、光谱平均值及其与邻域光谱平均值之差、周边一定距离内斑块的分布密度特征进一步删除与牛马群的相关特征不符合的矢量斑块,从而完成牛马群精确识别与面状分布提取。
8.根据权利要求1所述的基于高分卫星遥感影像的牧区牛马群的监测方法,其特征在于,所述牛马群中牛马的总数量计算具体流程为:
(1)基于所有提取的牛马群斑块数据,计算其所有牛马群斑块的平均面积AMn=Asum/n和平均周长PMn=Psum/n,其中n为牛群斑块总个数,Asum和Psum分别为牛群斑块的总面积和总周长;
(2)针对提取的牛马群斑块数据中的每个斑块i,其面积和周长分别为Ai和Pi,同时基于周长和面积,计算这个斑块对应的牛马个数
3)Max(x,y)表示求两个数的最大值;
4)Int(x)表示四舍五入求整;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020898.9A CN112528962B (zh) | 2021-01-01 | 2021-01-01 | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020898.9A CN112528962B (zh) | 2021-01-01 | 2021-01-01 | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528962A true CN112528962A (zh) | 2021-03-19 |
CN112528962B CN112528962B (zh) | 2021-07-20 |
Family
ID=74977316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110020898.9A Active CN112528962B (zh) | 2021-01-01 | 2021-01-01 | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528962B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973022A (zh) * | 2022-06-20 | 2022-08-30 | 中国科学院空天信息创新研究院 | 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0821912B1 (en) * | 1996-07-25 | 2003-09-10 | Oki Electric Industry Co., Ltd. | Animal body identifying system |
US7705736B1 (en) * | 2008-01-18 | 2010-04-27 | John Kedziora | Method and apparatus for data logging of physiological and environmental variables for domestic and feral animals |
CN104951765A (zh) * | 2015-06-18 | 2015-09-30 | 北京航空航天大学 | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 |
CN105260715A (zh) * | 2015-10-16 | 2016-01-20 | 中国人民解放军国防科学技术大学 | 面向偏僻地段的小动物目标检测方法 |
CN107220587A (zh) * | 2017-04-19 | 2017-09-29 | 西安理工大学 | 一种基于两期高分辨率遥感影像的非监督变化检测方法 |
CN107330403A (zh) * | 2017-06-30 | 2017-11-07 | 四川省草原科学研究院 | 一种基于视频数据的牦牛计数方法 |
CN110263627A (zh) * | 2019-05-09 | 2019-09-20 | 生态环境部卫星环境应用中心 | 一种面向保护地监管的人类活动变化线索监测方法 |
KR102023749B1 (ko) * | 2018-10-25 | 2019-09-24 | 강원도 횡성군 | 소 관리 오픈 플랫폼 시스템 |
CN110781692A (zh) * | 2019-10-24 | 2020-02-11 | 深圳市赛为智能股份有限公司 | 基于无人机的牧区巡检方法及装置 |
CN111027497A (zh) * | 2019-12-17 | 2020-04-17 | 西安电子科技大学 | 基于高分辨率光学遥感影像的弱小目标快速检测方法 |
CN111339912A (zh) * | 2020-02-24 | 2020-06-26 | 中国科学院植物研究所 | 一种基于遥感影像识别牛羊的方法和系统 |
-
2021
- 2021-01-01 CN CN202110020898.9A patent/CN112528962B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0821912B1 (en) * | 1996-07-25 | 2003-09-10 | Oki Electric Industry Co., Ltd. | Animal body identifying system |
US7705736B1 (en) * | 2008-01-18 | 2010-04-27 | John Kedziora | Method and apparatus for data logging of physiological and environmental variables for domestic and feral animals |
CN104951765A (zh) * | 2015-06-18 | 2015-09-30 | 北京航空航天大学 | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 |
CN105260715A (zh) * | 2015-10-16 | 2016-01-20 | 中国人民解放军国防科学技术大学 | 面向偏僻地段的小动物目标检测方法 |
CN107220587A (zh) * | 2017-04-19 | 2017-09-29 | 西安理工大学 | 一种基于两期高分辨率遥感影像的非监督变化检测方法 |
CN107330403A (zh) * | 2017-06-30 | 2017-11-07 | 四川省草原科学研究院 | 一种基于视频数据的牦牛计数方法 |
KR102023749B1 (ko) * | 2018-10-25 | 2019-09-24 | 강원도 횡성군 | 소 관리 오픈 플랫폼 시스템 |
CN110263627A (zh) * | 2019-05-09 | 2019-09-20 | 生态环境部卫星环境应用中心 | 一种面向保护地监管的人类活动变化线索监测方法 |
CN110781692A (zh) * | 2019-10-24 | 2020-02-11 | 深圳市赛为智能股份有限公司 | 基于无人机的牧区巡检方法及装置 |
CN111027497A (zh) * | 2019-12-17 | 2020-04-17 | 西安电子科技大学 | 基于高分辨率光学遥感影像的弱小目标快速检测方法 |
CN111339912A (zh) * | 2020-02-24 | 2020-06-26 | 中国科学院植物研究所 | 一种基于遥感影像识别牛羊的方法和系统 |
Non-Patent Citations (3)
Title |
---|
B.VASCONCELLOS ET AL.: "Method Applied to Animal Monitoring Through VANT Images", 《IEEE LATIN AMERICA TRANSACTIONS》 * |
万华伟 等: "近40 年东北地区陆栖脊椎动物种群数量及其生境变化评估", 《生态学报》 * |
汪传建 等: "基于GPS 与无人机遥感反演草地生物量的放牧场利用强度评估", 《农业工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973022A (zh) * | 2022-06-20 | 2022-08-30 | 中国科学院空天信息创新研究院 | 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112528962B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
Che et al. | Multi-scan segmentation of terrestrial laser scanning data based on normal variation analysis | |
Qian et al. | Comparison of pixel-based and object-oriented classification methods for extracting built-up areas in arid zone | |
US7894675B2 (en) | Method and apparatus for automatic linear object identification using identified terrain types in images | |
Hoonhout et al. | An automated method for semantic classification of regions in coastal images | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
Veljanovski et al. | Object-based image analysis of VHR satellite imagery for population estimation in informal settlement Kibera-Nairobi, Kenya | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN112232138A (zh) | 基于超像素特征的渠道边坡破坏智能识别方法 | |
US20210027055A1 (en) | Methods and Systems for Identifying Topographic Features | |
Chen et al. | Detecting changes in high-resolution satellite coastal imagery using an image object detection approach | |
CN112528962B (zh) | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 | |
CN112541487B (zh) | 基于亚米级高分卫星遥感影像的牧区羊群的自动监测方法 | |
CN114440835B (zh) | 多特征和模型耦合的牧畜遥感监测方法、系统及存储介质 | |
Zhiying et al. | Hierarchical clustering for line detection with UAV images and an application for the estimation of the clearance volume of oyster stones | |
Xing et al. | Research on crack extraction based on the improved tensor voting algorithm | |
Koneru et al. | Detection and enumeration of trees using cartosat2 high resolution satellite imagery | |
Wang et al. | An effective road extraction method from remote sensing images based on self-adaptive threshold function | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
Safari | A Novel Transformation Watershed Image Segmentation Model in Digital Elevation Maps Processing | |
Li et al. | A fuzzy segmentation-based approach to extraction of coastlines from IKONOS imagery | |
CN108694720A (zh) | 一种基于多尺度纹理空间聚类的高分影像建筑区提取方法 | |
Albalawi | COMPARING PIXEL-BASED TO OBJECT-BASED IMAGE CLASSIFICATIONS FOR ASSESSING LULC CHANGE IN AN ARID ENVIRONMENT OF NORTHERN WEST SAUDI ARABIA |
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 |