CN112949607A - 一种基于JM Relief F湿地植被特征优选与融合方法 - Google Patents
一种基于JM Relief F湿地植被特征优选与融合方法 Download PDFInfo
- Publication number
- CN112949607A CN112949607A CN202110404683.7A CN202110404683A CN112949607A CN 112949607 A CN112949607 A CN 112949607A CN 202110404683 A CN202110404683 A CN 202110404683A CN 112949607 A CN112949607 A CN 112949607A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- image
- relief
- wetland
- characteristic
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 title abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 241001133760 Acoelorraphe Species 0.000 claims description 3
- 235000014676 Phragmites communis Nutrition 0.000 claims description 3
- 241001149258 Sporobolus alterniflorus Species 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000002023 wood Substances 0.000 claims description 3
- 241001092090 Pittosporum Species 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims 5
- 244000089486 Phragmites australis subsp australis Species 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 230000014509 gene expression Effects 0.000 abstract 1
- 241001529742 Rosmarinus Species 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 244000273256 Phragmites communis Species 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000167562 Pittosporum tobira Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000009360 ningdong Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
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
- G06F18/21—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种基于JM Relief F湿地植被特征优选与融合方法,包括,采集实验区域无人机高分辨率遥感影像,同时获取实地样本验证数据;描述各类作物的光谱信息、纹理特征和空间几何特征;计算不同植被在光谱信息、纹理特征和空间几何特征表达,统计各特征变量的均值与方差;建立JMRelief F多特征优选公式,并利用公式确定参与分类的特征变量权重以及各特征变量的可分离程度;利用随机森林分类算法对研究区域的湿地植被进行精细识别,通过实验区域内采集到的样本数据进行精度验证。本发明方法具有识别范围广、效率高、成本低、周期短、精度高等特点。可在湿地植被的保护与监管等领域中使用,可以有效提高人工识别效率与精度。
Description
技术领域
本发明设计遥感影像监督分类领域,具体涉及一种基于 JM Relief F湿地植被特征优选与融合方法。
背景技术
湿地植被生长结构是指对湿地内不同类型的植被的空间分布以及各类植被生长面积等信息。植被生长结构反映了我国湿地的健康状况,是分析湿地植被面积以及统计湿地植被类型的基础,同时也是对湿地环境进行治理和改善的依据。传统获取湿地植被生长结构的方法是由人工现场进行识别,无法准确地提供各种湿地植被在空间上的分布情况,且获取周期长,效率不高。随着航天遥感技术的不断发展,遥感影像数据识别替代了传统人工现场识别,节约了时间提高了效率,但卫星遥感影像存在分辨率较低的问题,无法对湿地植被生长结构进行准确的判断。聂岩等人发明了一种迷迭香种植分布高分辨率卫星遥感识别方法,(参考:聂岩,李嘉欣,张莉,郭超,高尚.一种迷迭香种植分布高分辨率卫星遥感识别方法:中国,202010935308.0[P].2020-12-08)。上述方法利用卫星遥感影像,通过光谱指数强化植被指数对迷迭香的种植区域进行识别。聂岩等人的发明,虽然实现了对大范围的单一植被进行识别,但是无法对多种植被进行精细的识别。近年来无人机遥感技术不断成熟,因为其分辨率高、成本低、周期短等优势被广泛应用于湿地植被生长结构调查当中。向杰等人发明了一种基于特征检测的无人机遥感影像森林信息提取系统,该方法通过计算机对多尺度分割后的图像进行特征的检测,可以判断出多种森林树种,但是最终使用的特征变量没有经过筛选,增加了树种分类的计算时间,(参考:向杰,王安慧,任东,郑天璞,任顺.一种基于特征检测的无人机遥感影像森林信息提取系统:中国, 202110044037.4[P]2021-04-09.)
综上,遥感影像湿地植被识别中的重要组成部分是特征变量的筛选,可以有效的去除与分类无关变量和冗余变量,提高湿地植被分类精度及运算速度。本发明以目前主流的特征变量筛选的方法Relief F算法和J M距离算法为基准,提出了一种基于JM Relief F湿地植被特征优选与融合方法,为湿地植被的精准识别与分类提供了一种解决方案。
发明内容
为解决现有技术中存在的问题,本发明提供了基于JM Relief F湿地植被特优选与融合方法,解决了传统获取湿地植被生长结构信息的方法忽略了对特征变量的筛选,以及在特征融合的过程当中忽略了特征变量之间存在的差异,从而导致的分类精度不高问题。
为实现上述目的,本发明采用的技术方案为,基于JM Relief F湿地植被特优选与融合方法,包括以下步骤:
S1:确定实验区域的空间范围,获取无人机高分辨率RGB 遥感影像数据以及试验区域内样本验证数据,对收集到的数据进行训练;
S2:对步骤S1获取的无人机高分辨率RGB遥感影像数据使用制图软件进行拼接获取数字正射影像(DOM)图,提取光谱特征并基于灰度共生矩阵和植被枝茎差异计算植被的纹理特征和空间几何特征;
S3:对步骤S2所获取的光谱信息、纹理特征和空间几何特征中的特征变量的均值与方差进行计算,使用Relief F算法计算各特征变量权重,剔除与分类无关的特征变量;
S4:对步骤S3所得特征变量结果,使用J M距离算法计算各个特征变量的可分离程度,剔除影响分类精度的冗余变量;
S5:对步骤S4所得优选特征采用面向对象分类方法结合随机森林(RandomForest,RF)分类器对实验区域的湿地植被进行精准识别,并通过区域内样本数据进行精度验证。
优选的,S1包括以下步骤:
(1)调查研究区域内生长的湿地植被类型,以及各自的生长情况;
(2)进行样本点采集时应保证所选的样本具有代表性、典型性,保证试验区域内都搜集到足够样本信息。
优选的,S2包括以下步骤:
(1)光谱信息包含:R、G、B三个波段的平均值、亮度值和最大强度差;
(2)使用灰度共生矩阵计算纹理特征,选取常用六个特征变量表示植被的纹理特征:
对比度:度量矩阵的值是如何分布和图像中局部变化的多少,反应了图像的清晰度和纹理的沟纹深浅;
角二阶矩:反映了图像灰度分布均匀程度和纹理粗细度;
逆差距:反映了图像纹理局部变化的大小;
熵:表明了图像灰度分布的复杂程度,熵值越大,图像越复杂;
相关性:用来度量图像的灰度级在行或列方向上的相似程度;
均值:反映窗口内灰度平均值与纹理的规则程度;
(3)根据植被枝茎差异计算空间几何特征,选取两个特征变量表示植被的空间几何特征:
非对称性:描述了与普通多边形相比,即图像对象的长宽比;
紧致度:描述了图像对象的紧凑性,即图像对象长度和宽度的乘积除以像素的个数。
优选的,S3包括以下步骤:
(1)统计光谱信息、纹理特征和空间几何特征中各个特征变量的均值与方差,其计算公式为:
式中:p(i,j)为像元的灰度值,μ为均值σ为方差;
(2)Relief F算法计算各特征变量权重,其计算公式为:
其中difff()代表不同样本i之间的距离,n表示样本数量, f表示用于评价的特征,i表示随机抽中的样本。
优选的,S4包括以下步骤:
(1)使用J M距离算法计算各个特征变量的可分离程度,其计算公式为:
其中Ci是类别i的矩阵样本协方差,μi是该矩阵样本的均值向量,Cj是类别j的矩阵样本协方差,μj是该矩阵样本的均值向量,α为不同类别间的巴氏距离。
优选的,S5包括以下步骤:
(1)根据随机森林算法的原理对实验区域的湿地植被进行识别,利用不同颜色表示分类过后的不同湿地植被,主要识别地物包含芦苇、互花米草、海桐、棕榈树、枯木、水体和道路;
(2)将随机森林算法参数设置:最大特征数16,决策树个数 500;
(3)根据采集到的样本数据进行精度验证,得到湿地植被识别的总体精度和Kappa系数。
由上,本发明提供的基于JM Relief F湿地植被特征优选与融合方法,具有的有益效果如下:该技术具有很强的分辨能力,有效改善了低分辨率遥感影像造成的分类局限,提高了分类精度,最终服务于湿地植被生长结构的精细识别,不仅可以识别湿地植被类别,还可以减少人为工作时间,提高工作效率。改进的JM Relief F特征优化算法对湿地植被生长结构的精细识别有一定的借鉴作用。
附图说明
本发明内容的描述与下面附图相结合将变得明显和容易理解,其中:
图1为本发明实施的总流程图;
图2为本发明实验区域分类结果图。
具体实施方式
如图1所示步骤,对本发明基于JM Relief F湿地植被特征优选与融合方法进行详细说明。
步骤S1:确定实验区域的空间范围,获取无人机高分辨率 RGB遥感影像数据以及试验区域内样本验证数据,对收集到的数据进行训练。包括以下具体步骤:
(1)调查研究区域内生长的湿地植被类型,以及各自的生长情况;
(2)进行样本点采集时应保证所选的样本具有代表性、典型性,保证试验区域内都搜集到足够样本信息。
S2:对步骤S1获取的无人机高分辨率RGB遥感影像数据使用制图软件进行拼接获取数字正射影像(DOM)图,提取光谱特征并基于灰度共生矩阵和植被枝茎差异计算植被的纹理特征和空间几何特征。包括以下具体步骤:
(1)光谱信息包含:R、G、B三个波段的平均值、亮度值和最大强度差;
(2)使用灰度共生矩阵计算纹理特征,选取常用六个特征变量表示植被的纹理特征:
对比度:度量矩阵的值是如何分布和图像中局部变化的多少,反应了图像的清晰度和纹理的沟纹深浅;
角二阶矩:反映了图像灰度分布均匀程度和纹理粗细度;
逆差距:反映了图像纹理局部变化的大小;
熵:表明了图像灰度分布的复杂程度,熵值越大,图像越复杂;
相关性:用来度量图像的灰度级在行或列方向上的相似程度;
均值:反映窗口内灰度平均值与纹理的规则程度;
(3)根据植被枝茎差异计算空间几何特征,选取两个特征变量表示植被的空间几何特征:
非对称性:描述了与普通多边形相比,即图像对象的长宽比;
紧致度:描述了图像对象的紧凑性,即图像对象长度和宽度的乘积除以像素的个数。
步骤S3:对步骤S2所获取的光谱信息、纹理特征和空间几何特征中的特征变量的均值与方差进行计算,使用Relief F算法计算各特征变量权重,剔除与分类无关的特征变量。包括以下具体步骤:
(1)统计光谱信息、纹理特征和空间几何特征中各个特征变量的均值与方差,其计算公式为:
式中:p(i,j)为像元的灰度值,μ为均值σ为方差;
(2)Relief F算法计算各特征变量权重,其计算公式为:
其中difff()代表不同样本i之间的距离,n表示样本数量, f表示用于评价的特征,i表示随机抽中的样本。
步骤S4:对步骤S3所得特征变量结果,使用J M距离算法计算各个特征变量的可分离程度,剔除影响分类精度的冗余变量。包括以下具体步骤:
(1)使用J M距离算法计算各个特征变量的可分离程度,其计算公式为:
其中Ci是类别i的矩阵样本协方差,μi是该矩阵样本的均值向量,Cj是类别j的矩阵样本协方差,μj是该矩阵样本的均值向量,α为不同类别间的巴氏距离。
步骤S5:对步骤S4所得优选特征采用面向对象分类方法结合随机森林(RandomForest,RF)分类器对实验区域的湿地植被进行精准识别,并通过区域内样本数据进行精度验证。包括以下具体步骤:
(1)根据随机森林算法的原理对实验区域的湿地植被进行识别,如图2所示,利用不同颜色表示分类过后的不同湿地植被,主要识别地物包含芦苇、互花米草、海桐、棕榈树、枯木、水体和道路;
(2)将随机森林算法参数设置:最大特征数16,决策树个数 500;
(3)根据采集到的样本数据进行精度验证,如表1所示,得到湿地植被识别的总体精度和Kappa系数。
表1
以上所述仅为本发明的较佳实施例,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 (6)
1.基于JM Relief F湿地植被特征优选与融合方法,其特征在于,包括以下步骤:
S1:确定实验区域的空间范围,获取无人机高分辨率RGB遥感影像数据以及试验区域内样本验证数据,对收集到的数据进行训练;
S2:对步骤S1获取的无人机高分辨率RGB遥感影像数据使用制图软件进行拼接获取数字正射影像(DOM)图,提取光谱特征并基于灰度共生矩阵和植被枝茎差异计算植被的纹理特征和空间几何特征;
S3:对步骤S2所获取的光谱信息、纹理特征和空间几何特征中的特征变量的均值与方差进行计算,使用Relief F算法计算各特征变量权重,剔除与分类无关的特征变量;
S4:对步骤S3所得特征变量结果,使用J M距离算法计算各个特征变量的可分离程度,剔除影响分类精度的冗余变量;
S5:对步骤S4所得优选特征采用面向对象分类方法结合随机森林(Random Forest,RF)分类器对实验区域的湿地植被进行精准识别,并通过区域内样本数据进行精度验证。
2.根据权利要求1所述的基于JM Relief F湿地植被特征优选与融合方法,其特征在于,所述S1包括以下步骤:
(1)调查研究区域内生长的湿地植被类型,以及各自的生长情况;
(2)进行样本点采集时应保证所选的样本具有代表性、典型性,保证试验区域内都搜集到足够样本信息。
3.根据权利要求1所述的基于JM Relief F湿地植被特征优选与融合方法,其特征在于,所述S2包括以下步骤:
(1)使用光谱信息中R、G、B三个波段的平均值、亮度值和最大强度差5个特征变量;
(2)使用灰度共生矩阵计算纹理特征,选取常用六个特征变量表示植被的纹理特征:
对比度:度量矩阵的值是如何分布和图像中局部变化的多少,反应了图像的清晰度和纹理的沟纹深浅;
角二阶矩:反映了图像灰度分布均匀程度和纹理粗细度;
逆差距:反映了图像纹理局部变化的大小;
熵:表明了图像灰度分布的复杂程度,熵值越大,图像越复杂;
相关性:用来度量图像的灰度级在行或列方向上的相似程度;
均值:反映窗口内灰度平均值与纹理的规则程度;
(3)根据植被枝茎差异计算空间几何特征,选取两个特征变量表示植被的空间几何特征:
非对称性:描述了与普通多边形相比,即图像对象的长宽比;
紧致度:描述了图像对象的紧凑性,即图像对象长度和宽度的乘积除以像素的个数。
6.根据权利要求1所述的基于JM Relief F湿地植被特征优选与融合方法,其特征在于,所述S5包括以下步骤:
(1)根据随机森林算法的原理对实验区域的湿地植被进行识别,利用不同颜色表示分类过后的不同湿地植被,主要识别地物包含芦苇、互花米草、海桐、棕榈树、枯木、水体和道路;
(2)将随机森林算法参数设置:最大特征数16,决策树个数500;
(3)根据采集到的样本数据进行精度验证,得到湿地植被识别的总体精度和Kappa系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404683.7A CN112949607A (zh) | 2021-04-15 | 2021-04-15 | 一种基于JM Relief F湿地植被特征优选与融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404683.7A CN112949607A (zh) | 2021-04-15 | 2021-04-15 | 一种基于JM Relief F湿地植被特征优选与融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949607A true CN112949607A (zh) | 2021-06-11 |
Family
ID=76232665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110404683.7A Pending CN112949607A (zh) | 2021-04-15 | 2021-04-15 | 一种基于JM Relief F湿地植被特征优选与融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949607A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067248A (zh) * | 2016-05-30 | 2016-11-02 | 重庆大学 | 一种考虑速度离散特性的高速公路交通状态估计方法 |
US20190171879A1 (en) * | 2017-12-04 | 2019-06-06 | Transport Planning and Research Institute Ministry of Transport | Method of extracting warehouse in port from hierarchically screened remote sensing image |
CN110321861A (zh) * | 2019-07-09 | 2019-10-11 | 中国水利水电科学研究院 | 一种农作物种植结构月尺度动态提取方法 |
CN110378875A (zh) * | 2019-06-18 | 2019-10-25 | 中国科学院苏州生物医学工程技术研究所 | 基于机器学习算法的体内尿路结石成分鉴别方法 |
CN110909652A (zh) * | 2019-11-16 | 2020-03-24 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
CN111950530A (zh) * | 2020-09-08 | 2020-11-17 | 中国水利水电科学研究院 | 农作物种植结构提取的多特征优选与融合方法 |
CN112541921A (zh) * | 2020-11-18 | 2021-03-23 | 上海市园林科学规划研究院 | 城市绿地植被信息数据化精准测定方法 |
-
2021
- 2021-04-15 CN CN202110404683.7A patent/CN112949607A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067248A (zh) * | 2016-05-30 | 2016-11-02 | 重庆大学 | 一种考虑速度离散特性的高速公路交通状态估计方法 |
US20190171879A1 (en) * | 2017-12-04 | 2019-06-06 | Transport Planning and Research Institute Ministry of Transport | Method of extracting warehouse in port from hierarchically screened remote sensing image |
CN110378875A (zh) * | 2019-06-18 | 2019-10-25 | 中国科学院苏州生物医学工程技术研究所 | 基于机器学习算法的体内尿路结石成分鉴别方法 |
CN110321861A (zh) * | 2019-07-09 | 2019-10-11 | 中国水利水电科学研究院 | 一种农作物种植结构月尺度动态提取方法 |
CN110909652A (zh) * | 2019-11-16 | 2020-03-24 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
CN111950530A (zh) * | 2020-09-08 | 2020-11-17 | 中国水利水电科学研究院 | 农作物种植结构提取的多特征优选与融合方法 |
CN112541921A (zh) * | 2020-11-18 | 2021-03-23 | 上海市园林科学规划研究院 | 城市绿地植被信息数据化精准测定方法 |
Non-Patent Citations (1)
Title |
---|
封红娥: "基于数据挖掘的湖岸带地物类型识别与景观格局分析", 中国优秀硕士学位论文全文数据库基础科学辑, no. 2, pages 1 - 62 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN113936214B (zh) * | 2021-10-19 | 2023-06-02 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
CN112101271A (zh) | 一种高光谱遥感影像分类方法及装置 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
Ullagaddi et al. | Disease recognition in Mango crop using modified rotational kernel transform features | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
CN111291818A (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN112949607A (zh) | 一种基于JM Relief F湿地植被特征优选与融合方法 | |
CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
CN111882573A (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 | |
Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
Chen et al. | Dense greenhouse extraction in high spatial resolution remote sensing imagery | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification | |
Aparna et al. | Analytical approach for soil and land classification using image processing with deep learning | |
Wang et al. | Hyperspectral image classification in desert grassland based on three-dimensional deep learning model. |
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 |