CN113240648A - 一种多时相可见光影像的植被长势监测分析方法和装置 - Google Patents
一种多时相可见光影像的植被长势监测分析方法和装置 Download PDFInfo
- Publication number
- CN113240648A CN113240648A CN202110539811.9A CN202110539811A CN113240648A CN 113240648 A CN113240648 A CN 113240648A CN 202110539811 A CN202110539811 A CN 202110539811A CN 113240648 A CN113240648 A CN 113240648A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- vegetation index
- visible light
- growth
- blue
- 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
- 230000012010 growth Effects 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 102220574283 5-hydroxytryptamine receptor 2A_S86T_mutation Human genes 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多时相可见光影像的植被长势监测分析方法和装置,其中,方法包括:按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多张植被生长季影像;对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势。通过该技术方案,可以实现非接触的,高精度的,植被长势的快速监测任务。
Description
技术领域
本发明涉及植被数据处理技术领域,尤其涉及一种多时相可见光影像的植被长势监测分析方法和装置。
背景技术
植被指数是指利用绿色植被在不同电磁辐射波段具有不同的反射和吸收特性,利用线性或者非线性的波段组合来以期达到增强植被信息的目的。植被指数的本质是在考虑光谱信号的基础上,把遥感多波段反射率的波段进行一定的数学变换,使其在增强植被信息的同时,使非植被信息最小化,从而使得需要提取的信息增强。由于植被指数包含90%以上的植被信息,且与植物生物量等很多植被要素之间存在强相关性,因此植被指数可以较好地反映植物的生长状况及空间分布。目前植被指数已应用于估算草地生物量、监测植物长势等应用领域。
植被指数中各波段的影像可通过卫星遥感、无人机遥感、地面物候相机等途径获得,其中以无人机遥感作为代表的新兴遥感数据获取手段,其操作简便、且可动态连续监测等独特优势,在精准农业领域有很大的优势。此外,无人机可以进行高精准的实时获取数据的特点,为精准农业提供了数据支撑,可以为提高农业生产管理效率提供新的契机。由于无人机机载的多光谱及高光谱相机成本高,数据处理流程复杂,阻碍了无人机技术在植被遥感领域的深入发展,因此无人机通常仅仅搭载可见光相机来降低成本。但是,这些可见光影像通常只具备红绿蓝3个通道,无法计算NDVI这种需要近红外波段的植被指数,从而导致无人机高分辨率可见光影像在农业或者森林领域的使用受到局限。
发明内容
针对现有技术中存在的技术问题,本公开提供了一种多时相可见光影像的植被长势监测分析方法和装置,可以实现非接触的,高精度的,植被长势的快速监测任务。
根据本发明实施例的第一方面,提供一种多时相可见光影像的植被长势监测分析方法,所述方法包括:
按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多张植被生长季影像;
对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
在一个实施例中,优选地,所述改进型红蓝植被指数计算公式包括:
MRBVI=(R2-B2)/(R2+B2)
其中,MRBVI表示所述改进型红蓝植被指数,R=r/255,B=b/255,r、b分别表示正射影像中的原始的红波段、蓝波段的图像原始DN值。
在一个实施例中,优选地,所述植被生长季影像的获取方式包括以下任一项:
使用无人机搭载可见光相机、使用近地面、地基或者手持数码相机、使用物候相机和使用车载相机,以及使用卫星星载的可见光传感器。
在一个实施例中,优选地,在采用改进型红蓝植被指数计算公式对所述正射影像进行植被指数计算之前,还包括:
对所述校正后的正射影像的波段进行归一化的数据预处理和色彩空间变换处理。
在一个实施例中,优选地,所述植被包括农作物,所述根据所述植被指数计算结果确定所述植被的长势,包括:
将不同时相和不同样方的植被指数计算结果与地面实际测量的植被长势评价指标进行相关性分析对比,得到对比结果;
根据所述对比结果,估算所述植被的产量。
根据本发明实施例的第二方面,提供一种多时相可见光影像的植被长势监测分析装置,所述装置包括:
获取模块,用于按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多长植被生长季影像;
处理模块,用于对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
校正模块,借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
计算模块,用于采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
确定模块,用于根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
在一个实施例中,优选地,所述改进型红蓝植被指数计算公式包括:
MRBVI=(R2-B2)/(R2+B2)
其中,MRBVI表示所述改进型红蓝植被指数,R=r/255,B=b/255,r、b分别表示正射影像中的原始的红波段、蓝波段的图像原始DN值;
所述植被生长季影像的获取方式包括以下任一项:
使用无人机搭载可见光相机、使用近地面、地基或者手持数码相机、使用物候相机和使用车载相机,以及使用卫星星载的可见光传感器。
在一个实施例中,优选地,还包括:
预处理模块,用于在采用改进型红蓝植被指数计算公式对所述正射影像进行植被指数计算之前,对所述校正后的正射影像的波段进行归一化的数据预处理和色彩空间变换处理;
所述植被包括农作物,所述确定模块包括:
对比单元,用于将不同时相和不同样方的植被指数计算结果与地面实际测量的植被长势评价指标进行相关性分析对比,得到对比结果;
估算单元,用于根据所述对比结果,估算所述植被的产量。
根据本发明实施例的第三方面,提供一种多时相可见光影像的植被长势监测分析装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多张植被生长季影像;
对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
与现有技术相比,本公开实施例的有益效果在于:本公开通过可见光相机获取植被生长季影像,并对植被生长季影像进行几何校正和拼接等处理后得到正射影像,从而根据正射影像计算改进型红蓝植被指数,从而根据该改进型红蓝植被指数确定植被的长势,这样,可以实现非接触的,高精度的,快速进行植被长势的监测任务。并且,通过可见光相机进行数据获取,成本低,精度高,可以完成近乎实时地进行植被叶片中的叶绿素含量,叶面积指数等指标的监测等。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1是根据一示例性实施例示出的一种多时相可见光影像的植被长势监测分析方法的流程图;
图2是根据一示例性实施例示出的另一种多时相可见光影像的植被长势监测分析方法的流程图。
图3是根据一示例性实施例示出的又一种多时相可见光影像的植被长势监测分析方法的流程图。
图4是根据一示例性实施例示出的一种多时相可见光影像的植被长势监测分析装置的框图。
图5是根据一示例性实施例示出的又一种多时相可见光影像的植被长势监测分析装置的框图。
图6是根据一示例性实施例示出的又一种多时相可见光影像的植被长势监测分析装置中确定模块的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种多时相可见光影像的植被长势监测分析方法的流程图,如图1所示,该方法包括:
步骤S101,按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多张植被生长季影像;
在一个实施例中,优选地,所述植被生长季影像的获取方式包括以下任一项:
使用无人机搭载可见光相机、使用近地面、地基或者手持数码相机、使用物候相机和使用车载相机,以及使用卫星星载的可见光传感器。
为了保证影像光强一致性,每次数据获取的时间可以定为上午10:30,当使用无人机时,无人机飞行高度可以设置为50m,航向重叠度85%,旁向重叠度80%。
步骤S102,对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;其中,可以利用Pixel4D软件对每次拍摄图像进行拼接处理,得到高精度的正射影像。
步骤S103,借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
其中,可以用RTK S86T系统高精度测量的地面控制点进行影像的几何校正。
步骤S104,采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
在一个实施例中,优选地,所述改进型红蓝植被指数计算公式包括:
MRBVI=(R2-B2)/(R2+B2)
其中,MRBVI表示所述改进型红蓝植被指数,R=r/255,B=b/255,r、b分别表示正射影像中的原始的红波段、蓝波段的图像原始DN值。
步骤S105,根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
在该实施例中,通过可见光相机获取植被生长季影像,并对植被生长季影像进行几何校正和拼接等处理后得到正射影像,从而根据正射影像计算改进型红蓝植被指数,从而根据该改进型红蓝植被指数确定植被的长势,这样,可以实现非接触的,高精度的,快速进行植被长势的监测任务。并且,通过可见光相机进行数据获取,成本低,精度高,可以完成近乎实时地进行植被叶片中的叶绿素含量,叶面积指数等指标的监测等。
图2是根据一示例性实施例示出的另一种多时相可见光影像的植被长势监测分析方法的流程图。
如图2所示,在一个实施例中,优选地,在步骤S104之前,还包括:
步骤S201,对所述校正后的正射影像的波段进行归一化的数据预处理和色彩空间变换处理。
在进行MRBVI计算之前,需要对影像的波段进行归一化的数据预处理,但是数据预处理的方式有很多种,比如所有波段分别除以255(8bit的最大值),或者通过红波段,绿波段和蓝波段分别除以红绿蓝波段之合进行数据归一化的方式。此外还有类似的将各波段反射率进行归一化的相似方法等。
其中,色彩空间变换处理方法包括RGB色彩空间变换、HSV色彩空间变换和HSL色彩空间变换等。
图3是根据一示例性实施例示出的又一种多时相可见光影像的植被长势监测分析方法的流程图。
如图3所示,在一个实施例中,优选地,所述植被包括农作物,上述步骤S105包括:
步骤S301,将不同时相和不同样方的植被指数计算结果与地面实际测量的植被长势评价指标进行相关性分析对比,得到对比结果;
步骤S302,根据所述对比结果,估算所述植被的产量。
在该实施例中,将不同时相,不同样方的指数与地面实测的能反映植被长势状况的指标,如叶片中的叶绿素含量,叶面积指数等进行相关性分析对比,并估算植被的产量等。
图4是根据一示例性实施例示出的一种多时相可见光影像的植被长势监测分析装置的框图。
如图4所示,根据本发明实施例的第二方面,提供一种多时相可见光影像的植被长势监测分析装置,所述装置包括:
获取模块41,用于按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多长植被生长季影像;
处理模块42,用于对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
校正模块43,借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
计算模块44,用于采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
确定模块45,用于根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
在一个实施例中,优选地,所述改进型红蓝植被指数计算公式包括:
MRBVI=(R2-B2)/(R2+B2)
其中,MRBVI表示所述改进型红蓝植被指数,R=r/255,B=b/255,r、b分别表示正射影像中的原始的红波段、蓝波段的图像原始DN值;
所述植被生长季影像的获取方式包括以下任一项:
使用无人机搭载可见光相机、使用近地面、地基或者手持数码相机、使用物候相机和使用车载相机,以及使用卫星星载的可见光传感器。
图5是根据一示例性实施例示出的又一种多时相可见光影像的植被长势监测分析装置的框图。
如图5所示,在一个实施例中,优选地,还包括:
预处理模块51,用于在采用改进型红蓝植被指数计算公式对所述正射影像进行植被指数计算之前,对所述校正后的正射影像的波段进行归一化的数据预处理和色彩空间变换处理。
图6是根据一示例性实施例示出的又一种多时相可见光影像的植被长势监测分析装置中确定模块的框图。
如图6所示,所述植被包括农作物,所述确定模块45包括:
对比单元61,用于将不同时相和不同样方的植被指数计算结果与地面实际测量的植被长势评价指标进行相关性分析对比,得到对比结果;
估算单元62,用于根据所述对比结果,估算所述植被的产量。
根据本发明实施例的第三方面,提供一种多时相可见光影像的植被长势监测分析装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多张植被生长季影像;
对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
进一步可以理解的是,本发明中“多个”是指两个或两个以上,其它量词与之类似。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
进一步可以理解的是,本发明实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种多时相可见光影像的植被长势监测分析方法,其特征在于,所述方法包括:
按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多张植被生长季影像;
对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
2.根据权利要求1所述的方法,其特征在于,所述改进型红蓝植被指数计算公式包括:
MRBVI=(R2-B2)/(R2+B2)
其中,MRBVI表示所述改进型红蓝植被指数,R=r/255,B=b/255,r、b分别表示正射影像中的原始的红波段、蓝波段的DN值。
3.根据权利要求1所述的方法,其特征在于,所述植被生长季影像的获取方式包括以下任一项:
使用无人机搭载可见光相机、使用近地面、地基或者手持数码相机、使用物候相机和使用车载相机,以及使用卫星星载的可见光传感器。
4.根据权利要求1所述的方法,其特征在于,在采用改进型红蓝植被指数计算公式对所述正射影像进行植被指数计算之前,还包括:
对所述校正后的正射影像的波段进行归一化的数据预处理和色彩空间变换处理。
5.根据权利要求1所述的方法,其特征在于,所述植被包括农作物,所述根据所述植被指数计算结果确定所述植被的长势,包括:
将不同时相和不同样方的植被指数计算结果与地面实际测量的植被长势评价指标进行相关性分析对比,得到对比结果;
根据所述对比结果,估算所述植被的产量。
6.一种多时相可见光影像的植被长势监测分析装置,其特征在于,所述装置包括:
获取模块,用于按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多长植被生长季影像;
处理模块,用于对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
校正模块,借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
计算模块,用于采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
确定模块,用于根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
7.根据权利要求6所述的装置,其特征在于,所述改进型红蓝植被指数计算公式包括:
MRBVI=(R2-B2)/(R2+B2)
其中,MRBVI表示所述改进型红蓝植被指数,R=r/255,B=b/255,r、b分别表示正射影像中的原始的红波段、蓝波段的图像原始DN值;
所述植被生长季影像的获取方式包括以下任一项:
使用无人机搭载可见光相机、使用近地面、地基或者手持数码相机、使用物候相机和使用车载相机,以及使用卫星星载的可见光传感器。
8.根据权利要求6所述的装置,其特征在于,还包括:
预处理模块,用于在采用改进型红蓝植被指数计算公式对所述正射影像进行植被指数计算之前,对所述校正后的正射影像的波段进行归一化的数据预处理和色彩空间变换处理;
所述植被包括农作物,所述确定模块包括:
对比单元,用于将不同时相和不同样方的植被指数计算结果与地面实际测量的植被长势评价指标进行相关性分析对比,得到对比结果;
估算单元,用于根据所述对比结果,估算所述植被的产量。
9.一种多时相可见光影像的植被长势监测分析装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
按照预设轨迹和预设拍照时间间隔通过可见光相机获取目标监测区域内的多张植被生长季影像;
对每个时相获取的所有单张植被生长季影像进行拼接,得到整幅覆盖所有地物的单张正射影像;
借助高精度的地面控制点对每个时相的正射影像进行几何校正,以得到校正后的正射影像;
采用改进型红蓝植被指数公式对每个时相的所述校正后的正射影像进行植被指数计算,得到植被指数的计算结果;
根据所述植被指数计算结果得到植被指数值的大小,根据所述植被指数值的大小,确定所述植被的长势,其中,所述植被指数值的大小与所述植被长势正相关。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539811.9A CN113240648A (zh) | 2021-05-18 | 2021-05-18 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539811.9A CN113240648A (zh) | 2021-05-18 | 2021-05-18 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240648A true CN113240648A (zh) | 2021-08-10 |
Family
ID=77134937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110539811.9A Pending CN113240648A (zh) | 2021-05-18 | 2021-05-18 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240648A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
CN113724210A (zh) * | 2021-08-13 | 2021-11-30 | 广州华农大智慧农业科技有限公司 | 一种作物长势识别方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117811A (zh) * | 2018-08-24 | 2019-01-01 | 颜俊君 | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及系统 |
CN111678871A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种非生长季植被覆盖度遥感估算方法 |
CN112712071A (zh) * | 2021-03-26 | 2021-04-27 | 北京简巨科技有限公司 | 作物长势检测方法及其相关设备 |
-
2021
- 2021-05-18 CN CN202110539811.9A patent/CN113240648A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117811A (zh) * | 2018-08-24 | 2019-01-01 | 颜俊君 | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及系统 |
CN111678871A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种非生长季植被覆盖度遥感估算方法 |
CN112712071A (zh) * | 2021-03-26 | 2021-04-27 | 北京简巨科技有限公司 | 作物长势检测方法及其相关设备 |
Non-Patent Citations (1)
Title |
---|
YAHUI GUO ETC.: ""Modified Red Blue Vegetation Index for Chlorophyll Estimation and Yield Prediction of Maize from Visible Images Captured by UAV"", 《SENSORS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724210A (zh) * | 2021-08-13 | 2021-11-30 | 广州华农大智慧农业科技有限公司 | 一种作物长势识别方法和系统 |
CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
Houborg et al. | A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
US8488874B2 (en) | Variable rate sprayer system and method of variably applying agrochemicals | |
Clevers et al. | Estimating grassland biomass using SVM band shaving of hyperspectral data | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN113240648A (zh) | 一种多时相可见光影像的植被长势监测分析方法和装置 | |
CN112147078B (zh) | 一种农作物表型信息多源遥感监测方法 | |
Yu et al. | Deep convolutional neural networks for estimating maize above-ground biomass using multi-source UAV images: A comparison with traditional machine learning algorithms | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
Dell et al. | Detection of necrotic foliage in a young Eucalyptus pellita plantation using unmanned aerial vehicle RGB photography–a demonstration of concept | |
CN111829957A (zh) | 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法 | |
CN115901646A (zh) | 高光谱卫星的水体叶绿素a浓度反演方法及系统 | |
CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
Wang et al. | The impact of variable illumination on vegetation indices and evaluation of illumination correction methods on chlorophyll content estimation using UAV imagery | |
Liu et al. | Rice leaf chlorophyll content estimation with different crop coverages based on Sentinel-2 | |
CN112632796A (zh) | 氮含量确定方法、作业方法、装置、电子设备及存储介质 | |
CN113033477A (zh) | 基于遥感的农耕用地沙化监测和预警方法、系统及存储介质 | |
Martínez-Carricondo et al. | Co-registration of multi-sensor UAV imagery. Case study: Boreal forest areas | |
Wen et al. | Inversion study of the meadow steppe above-ground biomass based on ground and airborne hyperspectral data | |
Volkova et al. | Comparison Of Aerial Hyperspectral And Multispectral Imagery: Case Study Of Nitrogen Mapping In Australian Cotton | |
Rejas et al. | Anomaly detection and comparative analysis of hydrothermal alteration materials trough hyperspectral multisensor data in the Turrialba Volcano | |
Huang et al. | Research on the Optimal Thresholds for Crop Start and End of Season Retrieval from Remotely Sensed Time-Series Data Based on Ground Observations |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |