CN113052102A - 基于无人机多光谱影像的农田管理分区方法及装置 - Google Patents
基于无人机多光谱影像的农田管理分区方法及装置 Download PDFInfo
- Publication number
- CN113052102A CN113052102A CN202110351503.3A CN202110351503A CN113052102A CN 113052102 A CN113052102 A CN 113052102A CN 202110351503 A CN202110351503 A CN 202110351503A CN 113052102 A CN113052102 A CN 113052102A
- Authority
- CN
- China
- Prior art keywords
- image
- unmanned aerial
- target field
- aerial vehicle
- multispectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 52
- 238000005192 partition Methods 0.000 claims abstract description 31
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007726 management method Methods 0.000 claims description 53
- 230000011218 segmentation Effects 0.000 claims description 28
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 20
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 19
- 235000005822 corn Nutrition 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 4
- 238000009987 spinning Methods 0.000 claims description 4
- 241000209149 Zea Species 0.000 claims 2
- 238000013316 zoning Methods 0.000 claims 1
- 239000002689 soil Substances 0.000 abstract description 6
- 238000009533 lab test Methods 0.000 abstract description 4
- 240000008042 Zea mays Species 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 208000003643 Callosities Diseases 0.000 description 3
- 206010020649 Hyperkeratosis Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于无人机多光谱影像的农田管理分区方法及装置，该方法包括：通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；根据所述多光谱影像中每个像元的归一化红边植被指数(Normalized Difference Red Edge Index，NDRE)对目标田块进行多尺度影像分割，得到多个斑块；基于所有斑块进行聚类，得到不同等级的分区结果。该方法通过无人机获取目标田块的多帧遥感影像，数据获取过程方便快捷，减少了传统土壤样品采集和实验室测试分析的劳动力、时间、和经济成本，分区结果客观可靠，为农田高效管理提供数据支撑。
Description
技术领域
本发明涉及精准农业技术领域，尤其涉及一种基于无人机多光谱影像的农田管理分区方法及装置。
背景技术
均一化管理方式会忽略农田的异质性从而限制土地的产出率和投入农资的高效利用，农田管理分区是根据各种因素的相似性和差异性，将一个地块划分成不同的子区域来指导田间变量管理的技术，可显著提高农田利用潜力。
目前，在地块划分上，具有基于土壤养分测试数据的分区方法，该方法准确度较高，但是土壤样点多，样品采集效率低下，且实验室分析费用高昂。还有以卫星遥感影像为数据源对农田进行分区，但高空卫星遥感影像分辨率较低，获取过程受制于卫星重访周期和天气状况，常常无法获取目标田块关键生育期的有效影像。
发明内容
针对现有技术存在的问题，本发明提供一种基于无人机多光谱影像的农田管理分区方法及装置。
本发明提供一种基于无人机多光谱影像的农田管理分区方法，包括：通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；根据所述多光谱影像中每个像素的归一化红边植被指数(NormalizedDifference Red Edge Index，NDRE)对目标田块进行多尺度影像分割，得到多个斑块；基于所有斑块进行聚类，得到不同等级的分区结果。
根据本发明一个实施例的基于无人机多光谱影像的农田管理分区方法，所述根据所述光谱影像中每个像素的归一化红边植被指数NDRE对目标田块进行多尺度影像分割，包括：
根据如下公式确定ASEI最大时的分割尺度和对应的斑块数，作为多尺度影像分割的结果：
其中，σL为斑块内像元值的标准差，n为斑块内所有像元的个数，CLi表示斑块内像元i的像元值，CL表示斑块内的像元均值，像元值根据每个像元的NDRE值确定；△CL为与邻域的平均差分的绝对值，L为斑块边界长度，Li为与第i个相邻斑块的公共边长度，C’Li为第i个相邻斑块的像元均值，N为与当前斑块邻接的斑块个数；SEI为分割评价指数，ASEI为平均分割评价指数，A为整个目标田块的斑块总面积，Ai为第i个斑块的面积，m为斑块的总数量。
根据本发明一个实施例的基于无人机多光谱影像的农田管理分区方法，所述基于所有斑块进行聚类，得到不同等级的分区结果，包括：计算每个斑块NDRE的平均值，对所有斑块NDRE均值进行模糊聚类分析，得到不同等级的分区结果。
根据本发明一个实施例的基于无人机多光谱影像的农田管理分区方法，所述对所有斑块NDRE均值进行模糊聚类分析，得到不同等级的分区结果，包括：将模糊性能指数和归一化分类熵最小时的聚类数作为最终分类数。
根据本发明一个实施例的基于无人机多光谱影像的农田管理分区方法，所述对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像，包括：对所述多帧遥感影像进行几何校正、辐射校正、波段组合、影像裁剪，得到目标田块的整幅多光谱影像。
根据本发明一个实施例的基于无人机多光谱影像的农田管理分区方法，所述目标田块为春玉米种植区，所述遥感影像为春玉米吐丝期的遥感影像。
根据本发明一个实施例的基于无人机多光谱影像的农田管理分区方法，所述基于所有斑块进行聚类，得到不同等级的分区结果之后，还包括：根据不同等级的分区结果，将所有斑块合并为与分类数目对应的管理分区。
本发明还提供一种基于无人机多光谱影像的农田管理分区装置，包括：图像处理模块，用于通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；斑块分割模块，用于根据所述多光谱影像中每个像素的NDRE对目标田块进行多尺度影像分割，得到多个斑块；聚类分析模块，用于基于所有斑块进行聚类，得到不同等级的分区结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于无人机多光谱影像的农田管理分区方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于无人机多光谱影像的农田管理分区方法的步骤。
本发明提供的基于无人机多光谱影像的农田管理分区方法及装置，通过无人机获取目标田块的多帧遥感影像，数据获取过程方便快捷，减少了传统土壤样品采集和实验室测试分析的劳动力、时间、和经济成本，分区结果客观可靠，为农田高效管理提供数据支撑。
附图说明
为了更清楚地说明本发明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一简单地介绍，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于无人机多光谱影像的农田管理分区方法的流程示意图；
图2是本发明提供的NDRE与叶面积指数散点图；
图3是本发明提供的基于NDRE的分割评价指数及分割斑块数示意图；
图4是本发明提供的最优尺度分割斑块示意图；
图5是本发明提供的基于NDRE均值的FPI和NCE折线图；
图6是本发明提供的基于无人机多光谱影像的农田管理分区装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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，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没有作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。
近年来无人机技术的迅速发展使得高分辨率影像能够快速实时获取，另一方面无人机机动灵活，可根据一天中天气阴晴情况随时起飞获取农田影像，为农田遥感应用提供了新的数据源。近地无人机遥感影像不仅能够准确反映作物长势情况，还能间接反映与作物长势密不可分的土壤状况，因此利用关键生育期的无人机影像进行精准管理分区具有一定的应用前景。基于此，本发明以春玉米吐丝期获取的无人机多光谱影像为数据源，利用多尺度分割和聚类分析相结合的方法进行分区，以期为玉米田精准管理分区提供借鉴。
下面结合图1-图7描述本发明的基于无人机多光谱影像的农田管理分区方法及装置。图1是本发明提供的基于无人机多光谱影像的农田管理分区方法的流程示意图，如图1所示，本发明提供基于无人机多光谱影像的农田管理分区方法，包括：
101、通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像。
采用大疆S1000+八旋翼无人机，机身净质量4.4kg，最大载物质量11kg，续航时间15min，搭载Parrot Sequoia多光谱相机，该传感器共可获取4个波段的信息：绿光(Green，G)波长550nm，带宽40nm；红光(Red，R)波长660nm，带宽40nm；红边光(Red Edge，REG)波长735nm，带宽10nm；近红外光(Near Infrared，NIR)波长790nm，带宽40nm。在春玉米吐丝期获取无人机多光谱影像，此时叶面积指数达到生育期内最大值，玉米长势与产量、植被指数相关系数达到最大。例如，航拍时间为2017年7月22日10：00-11：00，天气晴朗无云、风力较小，设置飞行航线为S型，飞行3个架次，共计9条航线，单条航线长度1176.1m，覆盖度70％×70％，飞行高度100m，飞行速度5m/s。
由于无人机无法一次获取整个目标田块的整幅多光谱影像，需将多次获取的遥感影像进行拼接，得到目标田块的最终光谱影像。
102、根据所述多光谱影像中每个像素的NDRE对目标田块进行多尺度影像分割，得到多个斑块。
在无人机多光谱影像中，通过各波段数据计算得到植被指数NDRE可以表征作物的生长信息，根据这一特征，将NDRE作为数据源对其进行多尺度分割。NDRE计算公式如下：
NDRE＝(NIR-REG)/(NIR+REG)；
其中，NIR为无人机影像中近红外波段的反射率值，REG为无人机影像中红边波段的反射率值。该步骤可在无人机影像专业处理软件ENVI中进行。
103、基于所有斑块进行聚类，得到不同等级的分区结果。
在形状要素的影响下，斑块间的光谱指数会具有一定的同质性，因此本发明对斑块进行聚类分析以识别同质性较高的区域。
本发明的基于无人机多光谱影像的农田管理分区方法，通过无人机获取目标田块的多帧遥感影像，数据获取过程方便快捷，减少了传统土壤样品采集和实验室测试分析的劳动力、时间、和经济成本，分区结果客观可靠，为农田高效管理提供数据支撑。
在一个实施例中，目标田块为春玉米种植区，所述遥感影像为春玉米吐丝期的遥感影像。
本发明应用在春玉米种植区域的划分时，春玉米吐丝期叶面积指数达到生育期内最大值，能够较好体现出不同区域玉米生长的差异，此时期的玉米长势与产量、植被指数相关系数达到最大，其中NDRE与叶面积指数相关性达到极显著关系，如图2所示，适合用来表征农田中玉米长势的差异并进行后续处理。
在一个实施例中，对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像，包括：对所述多帧遥感影像进行波段组合、辐射校正、几何校正、影像裁剪，得到目标田块的整幅多光谱影像。
以春玉米为例，无人机影像的飞行后处理主要包括：检查照片质量、拼接生成数字正射影像图(DOM)、几何校正裁剪等处理。(1)影像质量检查：主要是观察无人机会否获取影像数据，获取的影像数据是否可用，以及影像数据的质量是否满足后续处理要求。(2)拼接生成数字正射影像图：可将满足要求的影像数据导入Pix4D软件中，设置输入坐标系和输出坐标系，在模型选择中选择3D地图，其余参数默认即可，将多张单幅影像拼接生成整个玉米田的一张正射影像图。该步骤可在无人机影像专业拼图Pix4D软件中实现。(3)将生成的DOM影像导入ENVI软件中根据研究区(即目标)实际情况进行裁剪，得到所需要的研究区，使用ENVI软件对影像进行波段组合、辐射校正、几何校正、影像裁剪，得到最终研究区多光谱影像数据，坐标系统为WGS84_UTM_Zone 50N。该步骤可在无人机影像专业处理ENVI软件中实现。
在一个实施例中，所述根据所述光谱影像中每个像素的NDRE对目标田块进行多尺度影像分割，包括：根据如下公式确定ASEI最大时的分割尺度和对应的斑块数，作为多尺度影像分割的结果：
其中，σL为斑块内像元值的标准差，n为斑块内所有像元的个数，CLi表示斑块内像元i的像元值，CL表示斑块内的像元均值，像元值根据每个像元的NDRE值确定；△CL为与邻域的平均差分的绝对值，L为斑块边界长度，Li为与第i个相邻斑块的公共边长度，C’Li为第i个相邻斑块的像元均值，N为与当前斑块邻接的斑块个数；SEI为分割评价指数，ASEI为平均分割评价指数，A为整个目标田块的斑块总面积，Ai为第i个斑块的面积，m为斑块的总数量。
SEI是通过对象间的同质性(第三个公式)和异质性(第四个公式)来判断对象与邻域间的异同，理想的结果应该与其标准差成反比，而与平均差分的绝对值成正比。SEIi表示第i个对象的分割评价指数。ASEI是为了避免小面积对象对评价引起的不稳定性，让对象面积的大小对评价有着不同的贡献，在引入了对象面积后计算研究区域所有对象的SEI平均值而得到的。当ASEI指数达到最大值ASEImax时，对应的分割尺度为最优分割尺度。
图3是本发明提供的基于NDRE的分割评价指数及分割斑块数示意图，如图3所示，基于NDRE进行多尺度分割，随着分割尺度的增大，斑块数量逐渐减少，评价指数总体表现为先增大后降低，后趋于平稳的趋势。当分割尺度为45m时，评价指数达到最大值0.23，45m为该地块的最优分割尺度，此时的分割斑块数为38个，分割后的斑块分布如图4所示。该步骤可在无人机影像专业处理ECognition9.0软件中实现。
本发明基于植被指数的空间变异情况，采用基于区域合并技术实现影像分割的多尺度分割算法进行分区。该分割算法通过比较不同的分割尺度从而在最适宜的尺度中提取相似的农田管理分区，分割的原则为分割对象内部同质性高，而分割对象之间的异质性高，效果较好。
在一个实施例中，基于所有斑块进行聚类，得到不同等级的分区结果，包括：计算每个斑块NDRE的平均值，对所有斑块NDRE均值进行模糊聚类分析，得到不同等级的分区结果。
在一个实施例中，对所有斑块NDRE均值进行模糊聚类分析，得到不同等级的分区结果，包括：将模糊性能指数和归一化分类熵最小时的聚类数作为最终分类数。
首先，可在ECognition9.0中计算每个斑块NDRE的平均值，然后对所有斑块均值在管理分区软件MZA1.0(Management Zone Analyst,USA)中进行模糊聚类分析操作。NDRE值作为输入项，软件各种参数设置分别为：最大迭代次数＝300，收敛标准＝0.0001，最小分区数＝2，最大分区数＝8，模糊指数＝1.5,输出的模糊性能指数(fuzzy performance index，FPI)和归一化分类熵(normalized classification entropy，NCE)用于确定最佳分区数，当2个指标同时达到最小值时所对应的分类数即为最佳分类数。如图5所示，FPI和NCE值在聚类数为4时最小。该步骤可在分区MZA1.0软件中实现。
在一个实施例中，基于所有斑块进行聚类，得到不同等级的分区结果之后，还包括：根据不同等级的分区结果，将所有斑块合并为与分类数量对应的管理分区。
根据聚类分析结果，将38个斑块合并为4个管理分区，分别命名为M1、M2、M3和M4，相似的斑块在空间上具有一定的连续性，经合并后更有利于农田管理。
春玉米田间观测取样验证表明，不同分区间春玉米的叶面积指数、地上生物量差异显著，分区内部作物长势的变异性降低，参见表1。
表1分区间春玉米生长差异
下面对本发明提供的基于无人机多光谱影像的农田管理分区装置进行描述，下文描述的基于无人机多光谱影像的农田管理分区装置与上文描述的基于无人机多光谱影像的农田管理分区方法可相互对应参照。
图6是本发明提供的基于无人机多光谱影像的农田管理分区装置的结构示意图，如图6所示，该基于无人机多光谱影像的农田管理分区装置包括：图像处理模块601、斑块分割模块602和聚类分析模块603。其中，图像处理模块601用于通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；斑块分割模块602用于根据所述多光谱影像中每个像素的NDRE对目标田块进行多尺度影像分割，得到多个斑块；聚类分析模块603用于基于所有斑块进行聚类，得到不同等级的分区结果。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的基于无人机多光谱影像的农田管理分区装置，通过无人机获取目标田块的多帧遥感影像，数据获取过程方便快捷，减少了传统土壤样品采集和实验室测试分析的劳动力、时间、和经济成本，分区结果客观可靠，为农田高效管理提供数据支撑。
图7是本发明提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行基于无人机多光谱影像的农田管理分区方法，该方法包括：通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；根据所述多光谱影像中每个像素的NDRE对目标田块进行多尺度影像分割，得到多个斑块；基于所有斑块进行聚类，得到不同等级的分区结果。
此外，上述的存储器703中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于无人机多光谱影像的农田管理分区方法，该方法包括：通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；根据所述多光谱影像中每个像素的NDRE对目标田块进行多尺度影像分割，得到多个斑块；基于所有斑块进行聚类，得到不同等级的分区结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于无人机多光谱影像的农田管理分区方法，该方法包括：通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；根据所述多光谱影像中每个像素的NDRE对目标田块进行多尺度影像分割，得到多个斑块；基于所有斑块进行聚类，得到不同等级的分区结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于无人机多光谱影像的农田管理分区方法，其特征在于，包括：
通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；
根据所述多光谱影像中每个像素的归一化红边植被指数NDRE对目标田块进行多尺度影像分割，得到多个斑块；
基于所有斑块进行聚类，得到不同等级的分区结果。
2.根据权利要求1所述的基于无人机多光谱影像的农田管理分区方法，其特征在于，所述根据所述多光谱影像中每个像素的归一化红边植被指数NDRE对目标田块进行多尺度影像分割，包括：
根据如下公式确定ASEI最大时的分割尺度和对应的斑块数，作为多尺度影像分割的结果：
其中，σL为斑块内像元值的标准差，n为斑块内所有像元的个数，
表示斑块内像元i的像元值，CL表示斑块内的像元均值，像元值根据每个像元的NDRE值确定；△CL为与邻域的平均差分的绝对值，L为斑块边界长度，Li为与第i个相邻斑块的公共边长度，C’Li为第i个相邻斑块的像元均值，N为与当前斑块邻接的斑块个数；SEI为分割评价指数，ASEI为平均分割评价指数，A为整个目标田块的斑块总面积，Ai为第i个斑块的面积，m为斑块的总数量。
3.根据权利要求1所述的基于无人机多光谱影像的农田管理分区方法，其特征在于，所述基于所有斑块进行聚类，得到不同等级的分区结果，包括：
计算每个斑块NDRE的平均值，对所有斑块NDRE均值进行模糊聚类分析，得到不同等级的分区结果。
4.根据权利要求3所述的基于无人机多光谱影像的农田管理分区方法，其特征在于，所述对所有斑块NDRE均值进行模糊聚类分析，得到不同等级的分区结果，包括：
将模糊性能指数和归一化分类熵最小时的聚类数作为最终分类数。
5.根据权利要求1所述的基于无人机多光谱影像的农田管理分区方法，其特征在于，所述对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像，包括：
对所述多帧遥感影像进行几何校正、辐射校正、波段组合、影像裁剪，得到目标田块的整幅多光谱影像。
6.根据权利要求1所述的基于无人机多光谱影像的农田管理分区方法，其特征在，所述目标田块为春玉米种植区，所述遥感影像为春玉米吐丝期的遥感影像。
7.根据权利要求1所述的基于无人机多光谱影像的农田管理分区方法，其特征在于，所述基于所有斑块进行聚类，得到不同等级的分区结果之后，还包括：
根据不同等级的分区结果，将所有斑块合并为与分类数目对应的管理分区。
8.一种基于无人机多光谱影像的农田管理分区装置，其特征在于，包括：
图像处理模块，用于通过无人机获取目标田块的多帧遥感影像，并对所述多帧遥感影像进行拼接，得到目标田块的整幅多光谱影像；
斑块分割模块，用于根据所述多光谱影像中每个像素的归一化红边植被指数NDRE对目标田块进行多尺度影像分割，得到多个斑块；
聚类分析模块，用于基于所有斑块进行聚类，得到不同等级的分区结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述基于无人机多光谱影像的农田管理分区方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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至7任一项所述基于无人机多光谱影像的农田管理分区方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110351503.3A CN113052102A (zh) | 2021-03-31 | 2021-03-31 | 基于无人机多光谱影像的农田管理分区方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110351503.3A CN113052102A (zh) | 2021-03-31 | 2021-03-31 | 基于无人机多光谱影像的农田管理分区方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052102A true CN113052102A (zh) | 2021-06-29 |
Family
ID=76516798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110351503.3A Pending CN113052102A (zh) | 2021-03-31 | 2021-03-31 | 基于无人机多光谱影像的农田管理分区方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052102A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673339A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
| CN113970353A (zh) * | 2021-09-17 | 2022-01-25 | 西安中科西光航天科技有限公司 | 一种用于监测农作物长势的遥感监测系统 |
| CN114820578A (zh) * | 2022-05-26 | 2022-07-29 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
| CN115936917A (zh) * | 2023-03-09 | 2023-04-07 | 中化现代农业有限公司 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867115A (zh) * | 2012-08-29 | 2013-01-09 | 南京农业大学 | 一种基于模糊c均值聚类的农田划分方法 |
| CN103971115A (zh) * | 2014-05-09 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 |
| CN105557166A (zh) * | 2016-01-26 | 2016-05-11 | 石河子大学 | 基于gis的滴灌棉田氮素施肥管理方法 |
| CN107093177A (zh) * | 2017-01-23 | 2017-08-25 | 黑龙江禾禾遥感科技有限公司 | 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法 |
| CN109063553A (zh) * | 2018-06-22 | 2018-12-21 | 中国矿业大学 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
| CN109064000A (zh) * | 2018-07-25 | 2018-12-21 | 天图软件科技有限公司 | 自然资源审计的方法、装置和系统 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
| 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 |
| US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
-
2021
- 2021-03-31 CN CN202110351503.3A patent/CN113052102A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867115A (zh) * | 2012-08-29 | 2013-01-09 | 南京农业大学 | 一种基于模糊c均值聚类的农田划分方法 |
| CN103971115A (zh) * | 2014-05-09 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 |
| CN105557166A (zh) * | 2016-01-26 | 2016-05-11 | 石河子大学 | 基于gis的滴灌棉田氮素施肥管理方法 |
| CN107093177A (zh) * | 2017-01-23 | 2017-08-25 | 黑龙江禾禾遥感科技有限公司 | 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法 |
| CN109063553A (zh) * | 2018-06-22 | 2018-12-21 | 中国矿业大学 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
| CN109064000A (zh) * | 2018-07-25 | 2018-12-21 | 天图软件科技有限公司 | 自然资源审计的方法、装置和系统 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
| US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| LIU, H.等: "ASSESSING NDVI SPATIAL PATTERN RELATED TO MANAGEMENT ZONES", 《APPLIED ECOLOGY & ENVIRONMENTAL RESEARCH》, vol. 17, no. 3, pages 6269 - 6285 * |
| 刘焕军等: "黑土区田块尺度精准管理遥感分区时空格局与成因分析", 《农业工程学报》, vol. 37, no. 3, pages 147 - 154 * |
| 卢闯等: "基于无人机多光谱影像的春玉米田管理分区研究", 《中国农业科技导报》, vol. 24, no. 9, pages 106 - 115 * |
| 李艳等: "基于模糊聚类分析的田间精确管理分区研究", 《中国农业科学》, vol. 40, no. 1, pages 114 - 122 * |
| 赵明明: "基于无人机与卫星影像的农田精准管理分区研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 2019, pages 043 - 6 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673339A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
| CN113673339B (zh) * | 2021-07-16 | 2024-02-23 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
| CN113970353A (zh) * | 2021-09-17 | 2022-01-25 | 西安中科西光航天科技有限公司 | 一种用于监测农作物长势的遥感监测系统 |
| CN114820578A (zh) * | 2022-05-26 | 2022-07-29 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
| CN114820578B (zh) * | 2022-05-26 | 2024-05-28 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
| CN115936917A (zh) * | 2023-03-09 | 2023-04-07 | 中化现代农业有限公司 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
| CN115936917B (zh) * | 2023-03-09 | 2023-08-08 | 中化现代农业有限公司 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reza et al. | Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images | |
| CN113052102A (zh) | 基于无人机多光谱影像的农田管理分区方法及装置 | |
| Ma et al. | Estimating above ground biomass of winter wheat at early growth stages using digital images and deep convolutional neural network | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
| CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
| Piazza et al. | Object-oriented and pixel-based classification approaches to classify tropical successional stages using airborne high–spatial resolution images | |
| CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
| CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
| Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
| WO2022213218A1 (en) | System and method for vegetation detection from aerial photogrammetric multispectral data | |
| CN114049566B (zh) | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 | |
| CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
| CN114926732A (zh) | 一种多传感器融合的农作物深度学习识别方法及系统 | |
| Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
| Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
| Bretas et al. | Canopy height and biomass prediction in Mombaça guinea grass pastures using satellite imagery and machine learning | |
| CN109801304B (zh) | 一种抑制裸地的建筑指数构建及建筑区域快速提取方法 | |
| Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
| CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
| Laine | Crop identification with Sentinel-2 satellite imagery in Finland | |
| CN114705627A (zh) | 秸秆类型快速遥感监测方法及装置 | |
| Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
| CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 | |
| Fan et al. | An improved Deeplab based model for extracting cultivated land information from high definition remote sensing 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 |