CN113205006A - 一种基于水稻指数的多时相遥感影像水稻提取方法 - Google Patents

一种基于水稻指数的多时相遥感影像水稻提取方法 Download PDF

Info

Publication number
CN113205006A
CN113205006A CN202110390724.1A CN202110390724A CN113205006A CN 113205006 A CN113205006 A CN 113205006A CN 202110390724 A CN202110390724 A CN 202110390724A CN 113205006 A CN113205006 A CN 113205006A
Authority
CN
China
Prior art keywords
rice
ndvi
image
index
remote sensing
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
Application number
CN202110390724.1A
Other languages
English (en)
Other versions
CN113205006B (zh
Inventor
黄昕
涂理林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110390724.1A priority Critical patent/CN113205006B/zh
Publication of CN113205006A publication Critical patent/CN113205006A/zh
Application granted granted Critical
Publication of CN113205006B publication Critical patent/CN113205006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (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)

Abstract

本发明涉及一种基于水稻指数的多时相遥感影像水稻提取方法。首先对每一个时相的遥感影像进行几何配准，然后计算配准后的各时相遥感影像的归一化差分植被指数NDVI，得到时序NDVI影像，再由时序NDVI影像及水稻生长季数计算得到多个归一化差分时序指数NDTI，并对NDTI进行最小值融合，得到水稻指数RI，接着对RI特征影像进行阈值分割，得到水稻提取结果，最后利用光谱约束和几何约束对水稻提取结果进行后处理，得到较为准确的水稻提取结果。本发明无需人工选择训练样本，即可实现多时相遥感影像水稻全自动提取，且本发明基于水稻多个生长季的特点设计水稻指数进行水稻提取，可以广泛用于多熟制品种水稻的提取。

Description

一种基于水稻指数的多时相遥感影像水稻提取方法
技术领域
本发明属于遥感影像处理技术领域，特别是涉及一种基于水稻指数的多时相遥感影像水稻提取方法。
背景技术
水稻是我国主要的粮食作物之一，其生长状况影响着国家粮食安全、农业经济发展以及社会稳定。水稻种植区域的提取是实施水稻监测、合理配置水稻种植资源、发展水稻生产的基础，卫星遥感技术以其能实现周期性、大范围覆盖的优势，成为大面积水稻种植区域快速自动提取的有效手段。
多时相遥感影像能够反映地物在不同时间的变化情况，而农作物有着显著的随季节周期性变化的物候特征，因此在多时相遥感影像中不同农作物之间以及农作物与其它地物之间可以比较明显地区分。许多学者将多时相遥感影像用于水稻提取中，现有的基于多时相遥感影像的水稻提取方法大致可分为两类：1)非监督方法，在多时相遥感影像中提取一种或多种植被指数的时间序列，根据植被指数的变化规律，设定阈值来对水稻进行提取；2)监督分类方法，基于传统的机器学习或深度学习，选取水稻训练样本，将多时相遥感影像和水稻样本输入分类器或深度网络进行训练，进而得到水稻提取的结果。但是，现有的方法中，非监督的方法往往是根据多种植被指数或植被指数的组合来设定多个阈值条件，需要耗费大量的人工、时间和精力来得到一个最佳的水稻提取模型。而监督分类方法，特别是基于深度学习的方法，需要通过大量的实地调查和人工标记来选择训练样本，自动化程度较低。此外，水稻多个生长季、一年多熟的特点是其区别于其它农作物和地物的显著物候特征之一，而现有方法较少对这种“多季”的特征加以利用。
发明内容
本发明针对现有技术的不足，提供一种基于水稻指数的多时相遥感影像水稻提取方法。首先由多时相遥感影像得到可以描述水稻生长状态的植被指数时间序列，再从植被指数时间序列中提取出对应水稻每一个生长季的时序特征，通过对这些时序特征进行最小值融合来得到水稻指数特征，然后对水稻指数特征进行阈值分割得到水稻提取结果，最后利用光谱和几何约束条件进行水稻提取后处理。
为了达到上述目的，本发明提供的技术方案是一种基于水稻指数的多时相遥感影像水稻提取方法，包括以下步骤：
步骤1,对每一个时相的遥感影像进行几何配准；
步骤2,对每一个时相的遥感影像计算归一化差分植被指数NDVI，得到时序NDVI影像；
步骤3,由时序NDVI影像及水稻生长季数计算得到多个归一化差分时序指数NDTI；
步骤4,对NDTI进行最小值融合，得到水稻指数RI；
步骤5,对RI特征影像进行阈值分割，得到水稻提取结果；
步骤6,通过光谱约束和几何约束，对步骤5中的水稻提取结果进行后处理。
而且，所述步骤2中归一化植被指数NDVI的计算方法如下：
Figure BDA0003016634930000021
其中，
Figure BDA0003016634930000022
为第i个时相的影像在近红外波段的像素值，
Figure BDA0003016634930000023
为第i个时相的影像在红波段的像素值，m为总时相数量。
而且，所述步骤3中归一化差分时序指数NDTI与遥感影像上对应区域的水稻生长季数有关，每一个生长季的NDTI由该生长季内NDVI峰值和NDVI谷值决定，为两者之差比上两者之和。考虑到同一区域不同水稻之间生长季略微的偏差，峰值和谷值对应的时相在用户给定时相的邻域内自适应地选择。NDTI计算方法如下：
Figure BDA0003016634930000024
Figure BDA0003016634930000025
Figure BDA0003016634930000026
其中，n为水稻生长季数，Mj1为用户给定的每一季NDVI峰值的大致时相索引，Mj2为用户给定的每一季NDVI谷值的大致时相索引。步骤2中将计算得到的NDVI平移至了非负范围，可以保证式(2)NDTI的计算结果位于[-1,1]范围内。
而且，所述步骤4中水稻指数RI为水稻不同生长季的NDTI的最小值，其计算方式如下：
Figure BDA0003016634930000031
求取RI后，将RI特征影像线性拉伸至[0,1]范围内。
Figure BDA0003016634930000032
其中，g(x，y)和g′(x，y)分别为拉伸前和拉伸后的RI特征影像，(x，y)为像素在特征影像中的位置坐标，RImin为RI特征影像中的最小像素值，RImax为RI特征影像中的最大像素值。
而且，所述步骤5中对拉伸后的RI特征影像选用固定的阈值(推荐阈值为0.33)进行阈值分割，得到水稻提取结果；
Figure BDA0003016634930000033
其中，RICE(x，y)为水稻提取结果的二值图，(x，y)为像素的位置坐标，1表示水稻像素，0表示非水稻像素，和为设定的阈值。
而且，所述步骤6中需利用全部时相NDVI的均值进行光谱约束，设定约束阈值(推荐阈值为0.3)，以剔除水稻提取结果中明显不是植被的像素；
Figure BDA0003016634930000034
其中，RICE′(x，y)为进行了光谱约束之后的水稻提取结果二值图，(x，y)为像素的位置坐标，NDVImean(x，y)为像素全部时相NDVI的均值，TNDVI为设定的阈值。
对水稻提取结果二值图取连通域得到水稻对象，利用面积和长宽比对水稻对象进行几何约束。分别设定面积阈值TArea(推荐阈值TArea＝1000m2)和长宽比阈值TLW(推荐阈值TLW＝8)剔除不符合稻田几何形状的对象，所剔除的对象面积Area≤TArea或长宽比LW≥TLW。
经过光谱约束和几何约束后，得到最终的水稻提取结果。
与现有技术相比，本发明具有如下优点：本发明无需人工选择训练样本，即可实现多时相遥感影像水稻全自动提取，且与其它基于植被指数和阈值分割的方法相比，本发明阈值设定难度较小，可大大减少人工的工作量，提高自动化程度。此外，本发明基于水稻多个生长季的特点设计水稻指数进行水稻提取，可以广泛用于多熟制品种水稻的提取。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明提供一种基于水稻指数的多时相遥感影像水稻提取方法，首先由多时相遥感影像得到可以描述水稻生长状态的植被指数时间序列，再从植被指数时间序列中提取出对应水稻每一个生长季的时序特征，通过对这些时序特征进行最小值融合来得到水稻指数特征，然后对水稻指数特征进行阈值分割得到水稻提取结果，最后利用光谱和几何约束条件进行水稻提取后处理。
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例的流程包括以下步骤：
步骤1，对每一个时相的遥感影像进行几何配准。
几何配准可通过ENVI、ERDAS等遥感影像处理软件实现，本发明中几何配准通过ENVI软件中的Geometric Correction-Registration-Image Registration Workflow工具实现，主要包括自动选取控制点、控制点粗差剔除、选取配准方法进行配准几个步骤。
步骤2，对每一个时相的遥感影像计算归一化差分植被指数NDVI(NormalizedDifference Vegetation Index)，得到时序NDVI影像。
NDVI常用于检测植被的生长状态，其计算方法如下：
Figure BDA0003016634930000041
其中，
Figure BDA0003016634930000042
为第i个时相的影像在近红外波段的像素值，
Figure BDA0003016634930000043
为第i个时相的影像在红波段的像素值，m为总时相数量。
步骤3，由时序NDVI影像及水稻生长季数计算多个归一化差分时序指数NDTI(Normalized Difference Temporal Index)。
NDTI与遥感影像对应区域水稻的生长季数有关，每一个生长季的NDTI由该生长季内NDVI峰值和NDVI谷值决定，为两者之差比上两者之和。考虑到同一区域不同水稻之间生长季略微的偏差，峰值和谷值对应的时相在用户给定时相的邻域内自适应地选择。NDTI的计算方法如下：
Figure BDA0003016634930000051
Figure BDA0003016634930000052
Figure BDA0003016634930000053
其中，n为水稻生长季数，Mj1为用户给定的每一季NDVI峰值的大致时相索引，Mj2为用户给定的每一季NDVI谷值的大致时相索引。步骤2中将计算得到的NDVI平移至了非负范围，以保证式(2)NDTI的计算结果位于[-1,1]范围内。
步骤4，对NDTI进行最小值融合，得到水稻指数RI(Rice Index)。
由于水稻具有多个生长季的特点，水稻像素在每一个生长季的NDVI时间序列都有着明显的峰值和谷值，针对这一特点，采用每个生长季的NDTI时序指数特征最小值融合的方式得到水稻指数，并进行水稻提取，可以得到较好的效果。水稻指数RI的计算方法如下：
Figure BDA0003016634930000054
求取RI后，将RI特征影像线性拉伸至[0,1]范围内。
Figure BDA0003016634930000055
其中，g(x，y)和g′(x，y)分别为拉伸前和拉伸后的RI特征影像，(x，y)为像素在特征影像中的位置坐标，RImin为RI特征影像中的最小像素值，RImax为RI特征影像中的最大像素值。
步骤5，对RI特征影像进行阈值分割，得到水稻提取结果。
对拉伸后的RI特征影像取固定的阈值(推荐阈值为0.33)进行阈值分割，得到水稻提取结果。
Figure BDA0003016634930000056
其中，RICE(x，y)为水稻提取结果的二值图，(x，y)为像素的位置坐标，1表示水稻像素，0表示非水稻像素，和为设定的阈值。
步骤6，通过光谱约束和几何约束，对步骤5中的水稻提取结果进行后处理。
由于步骤5中得到水稻提取结果中存在少量水体和不透水层的虚警，因此还需要利用光谱约束和几何约束对水稻提取结果进行后处理。
利用全部时相NDVI的均值进行光谱约束，设定阈值(推荐阈值为0.3)，在水稻提取结果中剔除明显不是植被的像素。
Figure BDA0003016634930000061
其中，RICE′(x，y)为进行了光谱约束之后的水稻提取结果二值图，(x，y)为像素的位置坐标，NDVImean(x，y)为像素全部时相NDVI的均值，TNDVI为设定的阈值。
对水稻提取结果二值图取连通域得到水稻对象，利用面积和长宽比对水稻对象进行几何约束。分别设定面积阈值和Area(推荐阈值和Area＝1000m2)和长宽比阈值TLW(推荐阈值TLW＝8)剔除不符合稻田几何形状的对象，所剔除的对象面积Area≤TArea或长宽比LW≥TLW。
经过光谱约束和几何约束后，得到最终的水稻提取结果。
具体实施时，以上流程可采用计算机软件技术实现自动运行流程。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于，包括如下步骤：
步骤1,对每一个时相的遥感影像进行几何配准；
步骤2,对每一个时相的遥感影像计算归一化差分植被指数NDVI，得到时序NDVI影像；
步骤3,由时序NDVI影像及水稻生长季数计算得到多个归一化差分时序指数NDTI；
步骤4,对NDTI进行最小值融合，得到水稻指数RI；
步骤5,对RI特征影像进行阈值分割，得到水稻提取结果；
步骤6,通过光谱约束和几何约束，对步骤5中的水稻提取结果进行后处理。
2.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤2中归一化植被指数NDVI的计算方法如下：
Figure FDA0003016634920000011
其中，
Figure FDA0003016634920000012
为第i个时相的影像在近红外波段的像素值，
Figure FDA0003016634920000013
为第i个时相的影像在红波段的像素值，m为总时相数量。
3.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤3中归一化差分时序指数NDTI与遥感影像上对应区域的水稻生长季数有关，每一个生长季的NDTI由该生长季内NDVI峰值和NDVI谷值决定，为两者之差比上两者之和，考虑到同一区域不同水稻之间生长季略微的偏差，峰值和谷值对应的时相在用户给定时相的邻域内自适应地选择，NDTI计算方法如下：
Figure FDA0003016634920000014
Figure FDA0003016634920000015
Figure FDA0003016634920000016
其中，n为水稻生长季数，Mj1为用户给定的每一季NDVI峰值的大致时相索引，Mj2为用户给定的每一季NDVI谷值的大致时相索引，步骤2中将计算得到的NDVI平移至了非负范围，可以保证式(2)NDTI的计算结果位于[-1，1]范围内。
4.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤4中的水稻指数RI为水稻不同生长季的NDTI的最小值，其计算方式如下：
Figure FDA0003016634920000021
求取RI后，将RI特征影像线性拉伸至[0，1]范围内；
Figure FDA0003016634920000022
其中，g(x,y)和g′(x，y)分别为拉伸前和拉伸后的RI特征影像，(x,y)为像素在特征影像中的位置坐标，RImin为RI特征影像中的最小像素值，RImax为RI特征影像中的最大像素值。
5.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤5中对拉伸后的RI特征影像选用固定的阈值进行阈值分割，得到水稻提取结果；
Figure FDA0003016634920000023
其中，RICE(x,y)为水稻提取结果的二值图，(x,y)为像素的位置坐标，1表示水稻像素，0表示非水稻像素，T为设定的阈值。
6.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤6中需通过光谱约束在水稻提取结果中剔除明显不是植被的像素，并通过几何约束剔除不符合稻田几何形状的对象，利用全部时相NDVI的均值进行光谱约束，设定约束阈值，以剔除水稻提取结果中明显不是植被的像素；
Figure FDA0003016634920000024
其中，RICE′(x,y)为进行了光谱约束之后的水稻提取结果二值图，(x,y)为像素的位置坐标，NDVImean(x，y)为像素全部时相NDVI的均值，TNDVI为设定的阈值，对水稻提取结果二值图取连通域得到水稻对象，利用面积和长宽比对水稻对象进行几何约束，分别设定面积阈值TArea和长宽比阈值TLW剔除不符合稻田几何形状的对象，所剔除的对象面积Area≤TArea或长宽比LW≥TLW，经过光谱约束和几何约束后，得到最终的水稻提取结果。
CN202110390724.1A 2021-04-12 2021-04-12 一种基于水稻指数的多时相遥感影像水稻提取方法 Active CN113205006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110390724.1A CN113205006B (zh) 2021-04-12 2021-04-12 一种基于水稻指数的多时相遥感影像水稻提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110390724.1A CN113205006B (zh) 2021-04-12 2021-04-12 一种基于水稻指数的多时相遥感影像水稻提取方法

Publications (2)

Publication Number Publication Date
CN113205006A true CN113205006A (zh) 2021-08-03
CN113205006B CN113205006B (zh) 2022-07-19

Family

ID=77026543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110390724.1A Active CN113205006B (zh) 2021-04-12 2021-04-12 一种基于水稻指数的多时相遥感影像水稻提取方法

Country Status (1)

Country Link
CN (1) CN113205006B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782838A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 水稻识别方法、装置、电子设备和存储介质
CN115620152A (zh) * 2022-12-16 2023-01-17 中化现代农业有限公司 水稻识别方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234691A1 (en) * 2004-04-20 2005-10-20 Singh Ramesh P Crop yield prediction
CN1932850A (zh) * 2006-10-09 2007-03-21 武汉大学 一种遥感图像空间形状特征提取与分类方法
CN102033230A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 一种草原卫星遥感监测系统及方法
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统
CN106599844A (zh) * 2016-12-14 2017-04-26 中国科学院南京地理与湖泊研究所 一种基于modis传感器的水稻种植区自动提取方法
US10127451B1 (en) * 2017-04-24 2018-11-13 Peter Cecil Vanderbilt Sinnott Method of detecting and quantifying sun-drying crops using satellite derived spectral signals
CN109767409A (zh) * 2018-11-28 2019-05-17 中国科学院遥感与数字地球研究所 基于遥感影像的滑坡变化检测方法、存储介质和电子设备
CN110399860A (zh) * 2019-08-02 2019-11-01 吉林高分遥感应用研究院有限公司 一种玉米涝灾监测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234691A1 (en) * 2004-04-20 2005-10-20 Singh Ramesh P Crop yield prediction
CN1932850A (zh) * 2006-10-09 2007-03-21 武汉大学 一种遥感图像空间形状特征提取与分类方法
CN102033230A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 一种草原卫星遥感监测系统及方法
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统
CN106599844A (zh) * 2016-12-14 2017-04-26 中国科学院南京地理与湖泊研究所 一种基于modis传感器的水稻种植区自动提取方法
US10127451B1 (en) * 2017-04-24 2018-11-13 Peter Cecil Vanderbilt Sinnott Method of detecting and quantifying sun-drying crops using satellite derived spectral signals
CN109767409A (zh) * 2018-11-28 2019-05-17 中国科学院遥感与数字地球研究所 基于遥感影像的滑坡变化检测方法、存储介质和电子设备
CN110399860A (zh) * 2019-08-02 2019-11-01 吉林高分遥感应用研究院有限公司 一种玉米涝灾监测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIN HUANG等: "The Optimal Threshold and Vegetation Index Time Series for Retrieving Crop Phenology Based on a Modified Dynamic Threshold Method", 《REMOTE SENSING》 *
YULIN JIANG等: "Large-Scale and High-Resolution Crop Mapping in China Using Sentinel-2 Satellite Imagery", 《AGRICULTURE》 *
姚飞等: "多时相遥感提取水稻种植区研究进展", 《福建农林大学学报( 自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782838A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 水稻识别方法、装置、电子设备和存储介质
CN115620152A (zh) * 2022-12-16 2023-01-17 中化现代农业有限公司 水稻识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113205006B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
Wang et al. A review on weed detection using ground-based machine vision and image processing techniques
Luo et al. A vision methodology for harvesting robot to detect cutting points on peduncles of double overlapping grape clusters in a vineyard
CN105957079B (zh) 基于Landsat OLI多光谱影像的湖泊水域信息提取方法
CN109145872B (zh) 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
CA3129174A1 (en) Method and apparatus for acquiring boundary of area to be operated, and operation route planning method
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN113205006B (zh) 一种基于水稻指数的多时相遥感影像水稻提取方法
Tan et al. Automatic extraction of built-up areas from panchromatic and multispectral remote sensing images using double-stream deep convolutional neural networks
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
Malik et al. Detection and counting of on-tree citrus fruit for crop yield estimation
CN113963222B (zh) 一种基于多策略组合的高分辨率遥感影像变化检测方法
Selvi et al. Weed detection in agricultural fields using deep learning process
Wang et al. Tea picking point detection and location based on Mask-RCNN
CN107545571A (zh) 一种图像检测方法及装置
CN103177257A (zh) 一种鸡腿菇图像识别方法与分级方法
CN111178177A (zh) 一种基于卷积神经网络的黄瓜病害识别方法
Ullagaddi et al. Disease recognition in Mango crop using modified rotational kernel transform features
CN107680098A (zh) 一种甘蔗蔗节特征的识别方法
Xuan et al. Apple detection in natural environment using deep learning algorithms
CN111563430A (zh) 一种基于卷积神经的公益林地类图像智能识别方法及系统
CN113963275A (zh) 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统
CN116912578A (zh) 一种农作物分类方法、系统及电子设备
CN115861629A (zh) 一种高分耕地影像提取方法
CN104573701A (zh) 一种玉米雄穗性状的自动检测方法
Rahman et al. Identification of mature grape bunches using image processing and computational intelligence methods

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