CN112883987A - 基于遥感光谱特征的目标提取方法及系统及装置及介质 - Google Patents
基于遥感光谱特征的目标提取方法及系统及装置及介质 Download PDFInfo
- Publication number
- CN112883987A CN112883987A CN202110264295.3A CN202110264295A CN112883987A CN 112883987 A CN112883987 A CN 112883987A CN 202110264295 A CN202110264295 A CN 202110264295A CN 112883987 A CN112883987 A CN 112883987A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- target
- data
- preset
- classification
- 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
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于遥感光谱特征的目标提取方法及系统及装置及介质,包括:采集预设目标对应的若干个波段的遥感数据作为基础数据;在基础数据中对分类分别取样得到样本数据;建立分类模型,利用样本数据训练分类模型得到训练后的分类模型;将预设区域的待处理遥感数据输入训练后的分类模型,输出预设区域的分类结果;计算预设区域地物的归一化差分植被指数与归一化差分黄度指数,比较指数计算结果与阈值,基于比较结果筛选除去分类结果中的非植被部分与绿色植被部分,得到预设区域的最终分类结果,相比于传统的单模型预测而言,本方法能够大大的提升预测的稳定性和鲁棒性;且本方法省时省力并且更加精确,识别提取精度得到了极大的提升。
Description
技术领域
本发明涉及遥感影像识别分类领域,具体地,涉及基于遥感光谱特征的目标提取方法及系统及装置及介质。
背景技术
随着地球资源卫星技术的发展,卫星上搭载的传感器己能获得高分辨率的数字卫星影像。商用卫星可以提供10米到1米空间分辨率卫星影像,在这种具有高空间分辨率特性的影像上,地物形状特征和纹理特征清晰可辨,这为运用形状特征和纹理特征等地物细节信息进行目标精确识别提供了客观基础。因此,将地物光谱特征和地物纹理结构特征有机地结合是提高遥感图像分类精度的可行途径。
传统遥感影像识别分类技术基于单一来源数据,容易出现数据缺失、云层覆盖、质量差等问题,传统的遥感影像识别分类方法常常基于机器学习方法或归一化差分黄度指数(NDYI)导致最终的识别精度不高,且传统的遥感影像识别采用单模型进行预测,预测的稳定性和和鲁棒性较差。
发明内容
为了提高遥感影像识别的精度,本发明提供了基于遥感光谱特征的目标提取方法及系统及装置及介质。
为实现上述目的,本发明提供了基于遥感光谱特征的目标提取方法,所述方法包括:
采集预设目标对应的若干个波段的遥感数据作为基础数据;
从基础数据中对预设目标、绿色植被以及其他地物分类分别取样,得到样本数据;
建立分类模型,利用样本数据训练分类模型,得到训练后的分类模型;
将预设区域的待处理遥感数据输入训练后的分类模型,输出预设区域的分类结果;
计算预设区域地物的归一化差分植被指数与归一化差分黄度指数,对比真彩色影像与归一化差分植被指数与归一化差分黄度指数的值,确定油菜花区域两种指数的大致范围并设置阈值进行过滤(通常为NDVI大于某个阈值与NDYI小于某个阈值),筛选除去随机森林算法分类结果中的非植被部分与绿色植被部分,得到预设区域的最终分类结果,再从最终分类结果中得到预设目标。
其中,本方法通过收集光谱遥感数据,分析预设目标的光谱特征,通过随机森林算法及NDVI、NDYI指数计算,再通过多种改进方式进行精度调优,从而实现预设目标的精确识别和提取,通过交叉验证、实地考察、地面验证等方式,最终实现预设目标区域的精确提取。
优选的,本方法中预设目标为油菜花,遥感数据的采集时间为油菜花的花期内。
优选的,本方法还包括利用可见光波段对比查看并筛选出预设目标的遥感数据。
优选的,本方法中选取样本时基于可见光真彩色光谱特征选取到像素点,以保证获取到最纯净的样本。
优选的,本方法采集以下4个波段的遥感数据,包括:蓝波段、绿波段、红波段和近红外波段。
优选的,本方法中的分类模型基于随机森林算法进行分类。
优选的,本方法中地物的归一化差分植被指数为NDVI,地物的归一化差分黄度指数为NDYI,计算方式分别为:
NDVI=(NIR-R)/(NIR+R)
NDYI=(G-B)/(G+B)
其中,NIR为近红外波段的反射值;R为红光波段的反射值;G为绿光波段的反射值;B为蓝光波段的反射值。
其中,本方法采用了大数据思维,收集汇聚多源遥感数据,统一的进行处理解译,最后将高质量的数据结果进行优先选取,本方法主要使用的是Sentinel-2遥感影像,利用2(蓝)、3(绿)、4(红)、8(近红外)四个波段进行油菜花的识别提取。由于数据来源广泛,本方法在数据选取阶段,获取多个时间维度的数据进行事先优选,这样更能准确地消除偶然干扰因素,提升预设目标的识别准确性。最后通过实地验证,将方法进行不断调优,实现最优化,实现精确提取预设目标的目的。
本发明还提供了一种基于随机森林算法及NDVI、NDYI指数得综合识别方案,相比于传统的单模型预测而言,能够大大的提升预测的稳定性和鲁棒性。
本发明还提供了基于遥感光谱特征的目标提取系统,所述系统包括:
采集单元,用于采集预设目标对应的若干个波段的遥感数据作为基础数据;
样本数据训练单元,用于从基础数据中对预设目标、绿色植被以及其他地物分类分别取样,得到样本数据;
模型建立及分类单元,用于建立分类模型,利用样本数据训练分类模型,得到训练后的分类模型;
分类结果获得单元,用于将预设区域的待处理遥感数据输入训练后的分类模型,输出预设区域的分类结果;
筛选单元,用于计算预设区域地物的归一化差分植被指数与归一化差分黄度指数,比较归一化差分植被指数与归一化差分黄度指数的计算结果与阈值,基于比较结果筛选除去分类结果中的非植被部分与绿色植被部分,获得预设区域的最终分类结果,从最终分类结果中获得预设目标。
本发明还提供了一种基于遥感光谱特征的目标提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于遥感光谱特征的目标提取方法的步骤。
本发明还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存储有计算机程序,所述计算机程序被处理器执行时实现所述基于遥感光谱特征的目标提取方法的步骤。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供了一种基于随机森林算法及NDVI、NDYI指数的目标识别方法,相比于传统的单模型预测而言,能够大大的提升预测的稳定性和鲁棒性。
对于大范围内的油菜地,遥感的监测方法省时省力并且更加精确,优于传统的实地调查方法。使用机器学习法能够快速分类提取遥感影像。通过随机森林算法与NDVI、NDYI指数二次过滤的方法,识别提取精度得到了极大的提升。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1为基于遥感光谱特征的目标提取方法的流程示意图;
图2为基于遥感光谱特征的目标提取系统的组成示意图。
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,在相互不冲突的情况下,本发明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范围内的其他方式来实施,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。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
实施例一
实施例一以预设目标为油菜花进行举例介绍,在实际的应用中预设目标可以为其他任何具有相应特征的作物或建筑或其他类型的目标,本发明对预设目标的类型不进行具体的限定。
油菜是我国重要的油料作物,油菜花开花期间地物光谱特征变化明显,本发明可以通过卫星遥感影像进行油菜种植面积的精确提取,属于图像识别分类技术。本方法通过收集光谱遥感数据,分析油菜花的光谱特征,通过随机森林算法及NDVI、NDYI指数计算,再通过多种改进方式进行精度调优,实现油菜花大面积精确识别和提取,通过交叉验证、实地考察、地面验证等方式,最终实现油菜种植区域的精确提取。
本方法采用了大数据思维,收集汇聚多源遥感数据,统一的进行处理解译,最后将高质量的数据结果进行优先选取,本方法主要使用的是Sentinel-2遥感影像,利用2(蓝)、3(绿)、4(红)、8(近红外)四个波段进行油菜花的识别提取,其中本发明中的遥感影像也可以来自网络或数据库或其他卫星成像系统,本发明对遥感影像或数据的来源以及获取方式不进行限定。由于数据来源广泛,我们采用多个时间维度的数据进行时间序列的识别分析,将分析的结果进行时序判别,这样更能准确地消除偶然干扰因素,提升油菜花的识别准确性。最后通过实地验证,将算法进行不断调优,实现最优化,实现精确提取油菜花的目的。本方法还提出了一种基于随机森林算法及NDVI、NDYI指数得综合识别方案,相比于传统的单模型预测而言,能够大大的提升预测的稳定性和鲁棒性。
针对现有方法的识别精度不高等问题,本方法经过改进,提供了一种高效率、高精度、持续可验证的油菜花识别方法。本实施例提出的一种基于随机森林算法及NDVI、NDYI指数的目标识别方法,在其他的图像识别领域这也是一个非常值得借鉴的思路。在识别精度的提高上,本方法首先利用了多种数据源进行了数据质量分析,优选数据源,通过四个光谱通道的数据进行计算,最后将随机森林算法与NDYI指数设置阈值过滤的方法相结合,油菜花的识别提取精度大大提高;同时,NDVI与NDYI指数进行二次筛选,能够很好地剔除随机森林算法分类后被误判为油菜花的部分裸地和一些其他的绿色(相似)植被,多个角度共同促进了识别的精准度。
下面结合具体的例子对本实施例进行介绍:
本发明主要基于遥感光谱特征及机器学习模型进行油菜花提取。如图1所示,图1为本方法的流程示意图,油菜花提取方法的实现主要包括五个部分:(1)数据的采集、(2)样本的选取、(3)模型的建立、(4)随机森林法分类、(5)输出结果的二次筛选。
(1):数据的采集
数据的采集主要是采集油菜花期的哨兵2号(Sentinel-2)遥感数据。调查清楚研究区历年油菜花期,例如成都油菜花主要在二月至三月开放,于是选择这期间成都地区的影像,利用可见光波段对比查看并筛选出油菜花开放最艳的一期数据,以便于后续油菜花目视解译与样本选取。
由于植被在近红外与红光波段较为敏感,黄色地物(油菜花)在蓝、绿波段较为敏感,于是选取Sentinel-2影像的四个波段——波段2(蓝)、波段3(绿)、波段4(红)、波段8(近红外)作为油菜花提取的数据基础。
(2):样本的选取
根据油菜花盛开时期的Sentinel-2遥感影像数据进行样本的选取。分别对油菜花、绿色植被以及其他地数据的物分三类取样。由于模型的建立是基于每个像素值,若混杂其他地物会对模型的建立与后续的分类造成影响,因此目视解译选取样本时要基于可见光真彩色光谱特征精确到像素点,保证获取到最纯净的样本。
(3):模型的建立
根据三种地物样本集及Sentinel-2遥感影像的2(蓝)、3(绿)、4(红)、8(近红外)波段进行模型的建立。
(4):随机森林法分类
得到模型后,基于随机森林算法进行机器学习,对整个区域进行地物类型分类,整幅影像将分为三类。
(5):输出结果的二次筛选
最后对随机森林法得到的结果进行二次筛选。由于只基于Sentinel-2影像的四个波段本身的光谱特征,会提取到部分裸地和一些其他的绿色植被等,而利用这四个波段可以计算地物的归一化差分植被指数(NDVI)与归一化差分黄度指数(NDYI),对NDVI与NDYI设定阈值可以分别筛选除去非植被部分与绿色植被部分(油菜花在真彩色图像上呈黄色或为偏黄的绿色),从而实现更加精确的油菜花提取。
NDVI与NDYI的公式如下:
NDVI=(NIR-R)/(NIR+R)
NDYI=(G-B)/(G+B)
其中,NIR为近红外波段的反射值,对于Sentinel-2影像为波段8;R为红光波段的反射值,对于Sentinel-2影像为波段4;G为绿光波段的反射值,对于Sentinel-2影像为波段3;B为蓝光波段的反射值,对于Sentinel-2影像为波段2。
不同于以往的研究常常基于机器学习方法或归一化差分黄度指数(NDYI),本发明将随机森林算法与NDYI指数设置阈值过滤的方法相结合,油菜花的识别提取精度大大提高;
本发明利用NDVI与NDYI指数进行二次筛选,能够很好地剔除随机森林算法分类后被误判为油菜花的部分裸地和一些其他的绿色植被等。
实施例二
请参考图2,图2为基于遥感光谱特征的目标提取系统的组成示意图,本发明实施例二提供了基于遥感光谱特征的目标提取系统,所述系统包括:
采集单元,用于采集预设目标对应的若干个波段的遥感数据作为基础数据;
样本数据训练单元,用于从基础数据中对预设目标、绿色植被以及其他地物分类分别取样,得到样本数据;
模型建立及分类单元,用于建立分类模型,利用样本数据训练分类模型,得到训练后的分类模型;
分类结果获得单元,用于将预设区域的待处理遥感数据输入训练后的分类模型,输出预设区域的分类结果;
筛选单元,用于计算预设区域地物的归一化差分植被指数与归一化差分黄度指数,比较归一化差分植被指数与归一化差分黄度指数的计算结果与阈值,基于比较结果筛选除去分类结果中的非植被部分与绿色植被部分,得到预设区域的最终分类结果,从最终分类结果中得到预设目标。
实施例三
本发明实施例三提供了一种基于遥感光谱特征的目标提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于遥感光谱特征的目标提取方法的步骤。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中基于遥感光谱特征的目标提取装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例四
本发明实施例四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存储有计算机程序,所述计算机程序被处理器执行时实现所述基于遥感光谱特征的目标提取方法的步骤。
所述基于遥感光谱特征的目标提取装置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实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于遥感光谱特征的目标提取方法,其特征在于,所述方法包括:
采集预设目标对应的若干个波段的遥感数据作为基础数据;
从基础数据中对预设目标、绿色植被以及其他地物分别分类取样,得到样本数据;
建立分类模型,利用样本数据训练分类模型,得到训练后的分类模型;
将预设区域的待处理遥感数据输入训练后的分类模型,输出预设区域的分类结果;
计算预设区域地物的归一化差分植被指数与归一化差分黄度指数,比较归一化差分植被指数与归一化差分黄度指数的计算结果与阈值,基于比较结果筛选除去分类结果中的非植被部分与绿色植被部分,得到预设区域的最终分类结果,基于最终分类结果得到预设目标。
2.根据权利要求1所述的基于遥感光谱特征的目标提取方法,其特征在于,预设目标为油菜花,遥感数据的采集时间为油菜花的花期内。
3.根据权利要求1所述的基于遥感光谱特征的目标提取方法,其特征在于,本方法还包括利用可见光波段对比查看并筛选出预设目标的遥感数据。
4.根据权利要求1所述的基于遥感光谱特征的目标提取方法,其特征在于,选取样本时基于可见光真彩色光谱特征选取到像素点。
5.根据权利要求1所述的基于遥感光谱特征的目标提取方法,其特征在于,本方法采集以下4个波段的遥感数据,包括:蓝波段、绿波段、红波段和近红外波段。
6.根据权利要求1所述的基于遥感光谱特征的目标提取方法,其特征在于,本方法中的分类模型基于随机森林算法进行分类。
7.根据权利要求1所述的基于遥感光谱特征的目标提取方法,其特征在于,地物的归一化差分植被指数为NDVI,地物的归一化差分黄度指数为NDYI,计算方式分别为:
NDVI=(NIR-R)/(NIR+R)
NDYI=(G-B)/(G+B)
其中,NIR为近红外波段的反射值;R为红光波段的反射值;G为绿光波段的反射值;B为蓝光波段的反射值。
8.基于遥感光谱特征的目标提取系统,其特征在于,所述系统包括:
采集单元,用于采集预设目标对应的若干个波段的遥感数据作为基础数据;
样本数据训练单元,用于从基础数据中对预设目标、绿色植被以及其他地物分别分类取样,得到样本数据;
模型建立及分类单元,用于建立分类模型,利用样本数据训练分类模型,得到训练后的分类模型;
分类结果获得单元,用于将预设区域的待处理遥感数据输入训练后的分类模型,输出预设区域的分类结果;
筛选单元,用于计算预设区域地物的归一化差分植被指数与归一化差分黄度指数,比较归一化差分植被指数与归一化差分黄度指数的计算结果与阈值,基于比较结果筛选除去分类结果中的非植被部分与绿色植被部分,得到预设区域的最终分类结果,基于最终分类结果得到预设目标。
9.一种基于遥感光谱特征的目标提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一个所述基于遥感光谱特征的目标提取方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任意一个所述基于遥感光谱特征的目标提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264295.3A CN112883987A (zh) | 2021-03-11 | 2021-03-11 | 基于遥感光谱特征的目标提取方法及系统及装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264295.3A CN112883987A (zh) | 2021-03-11 | 2021-03-11 | 基于遥感光谱特征的目标提取方法及系统及装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883987A true CN112883987A (zh) | 2021-06-01 |
Family
ID=76040838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110264295.3A Pending CN112883987A (zh) | 2021-03-11 | 2021-03-11 | 基于遥感光谱特征的目标提取方法及系统及装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883987A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494844A (zh) * | 2021-12-13 | 2022-05-13 | 中国气象科学研究院 | 高海拔区域植被类型识别方法、装置及电子设备 |
CN115204479A (zh) * | 2022-07-01 | 2022-10-18 | 南京信息工程大学 | 基于多源遥感数据的作物适生区预测方法及系统 |
CN115291229A (zh) * | 2022-07-28 | 2022-11-04 | 中科三清科技有限公司 | 湖泊中挺水植被的识别方法、装置、设备及存储介质 |
CN118115748A (zh) * | 2024-03-27 | 2024-05-31 | 中国人民解放军91977部队 | 一种热红外遥感图像处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
CN111832480A (zh) * | 2020-07-14 | 2020-10-27 | 北京师范大学 | 一种基于光谱特征的油菜种植区遥感识别方法 |
US20200342226A1 (en) * | 2019-04-23 | 2020-10-29 | Farmers Edge Inc. | Yield forecasting using crop specific features and growth stages |
US20200342227A1 (en) * | 2019-04-26 | 2020-10-29 | Farmers Edge Inc. | Refined Average for Zoning Method and System |
CN111860149A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 越冬油菜和小麦遥感识别方法与装置 |
-
2021
- 2021-03-11 CN CN202110264295.3A patent/CN112883987A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200342226A1 (en) * | 2019-04-23 | 2020-10-29 | Farmers Edge Inc. | Yield forecasting using crop specific features and growth stages |
US20200342227A1 (en) * | 2019-04-26 | 2020-10-29 | Farmers Edge Inc. | Refined Average for Zoning Method and System |
CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN111860149A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 越冬油菜和小麦遥感识别方法与装置 |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
CN111832480A (zh) * | 2020-07-14 | 2020-10-27 | 北京师范大学 | 一种基于光谱特征的油菜种植区遥感识别方法 |
Non-Patent Citations (2)
Title |
---|
JOHN J. SULIK 等: "Spectral considerations for modeling yield of canola", 《REMOTE SENSING OF ENVIRONMENT》 * |
JOHN J.SULIK 等: "Spectral considerations for modeling yield of canola" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494844A (zh) * | 2021-12-13 | 2022-05-13 | 中国气象科学研究院 | 高海拔区域植被类型识别方法、装置及电子设备 |
CN115204479A (zh) * | 2022-07-01 | 2022-10-18 | 南京信息工程大学 | 基于多源遥感数据的作物适生区预测方法及系统 |
CN115291229A (zh) * | 2022-07-28 | 2022-11-04 | 中科三清科技有限公司 | 湖泊中挺水植被的识别方法、装置、设备及存储介质 |
CN115291229B (zh) * | 2022-07-28 | 2023-09-22 | 中科三清科技有限公司 | 湖泊中挺水植被的识别方法、装置、设备及存储介质 |
CN118115748A (zh) * | 2024-03-27 | 2024-05-31 | 中国人民解放军91977部队 | 一种热红外遥感图像处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883987A (zh) | 基于遥感光谱特征的目标提取方法及系统及装置及介质 | |
US11113809B2 (en) | Group sparsity model for image unmixing | |
WO2022252799A1 (zh) | 模型训练方法及林地变化检测方法及系统及装置及介质 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
EP3721406A1 (en) | Method of computing tumor spatial and inter-marker heterogeneity | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
CN105590316A (zh) | 面向对象的高分辨率遥感影像阴影提取方法 | |
CN109918531A (zh) | 一种毒品原植物的搜查方法、装置和计算机可读存储介质 | |
CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN112801049A (zh) | 图像分类方法和装置及设备 | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
Hájek | Process-based approach to automated classification of forest structures using medium format digital aerial photos and ancillary GIS information | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN103322946A (zh) | 一种获取玉米冠层孔隙度的方法 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
Biffi et al. | Evaluating the performance of a semi-automatic apple fruit detection in a high-density orchard system using low-cost digital rgb imaging sensor | |
CN115274093A (zh) | 生成包含自动标注文件的基准病理数据集的方法及系统 | |
Cao et al. | Plant leaf segmentation and phenotypic analysis based on fully convolutional neural network | |
Yao et al. | An adaptive and quantitative rubber nutrient status analyzing system by digital foliar images | |
KR20210009908A (ko) | 다분광 카메라 및 라이다를 이용한 작물 생장상태 분석방법 | |
CN116486140B (zh) | 土壤质地分类方法、装置和电子设备 | |
CN118134818B (zh) | 基于荧光玻片的扫描和ai荧光图像处理方法及其应用 | |
CN116071665B (zh) | 基于卫星影像的松材线虫病病害木提取方法和装置 | |
Gonzalez | Automatic counting of canola flowers from in-field time-lapse images |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 610042 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Applicant after: Chengdu shuzhilian Technology Co.,Ltd. Address before: No.2, floor 4, building 1, Jule road crossing, Section 1, West 1st ring road, Wuhou District, Chengdu City, Sichuan Province 610041 Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |