CN113920143A - 基于无人机遥感影像的亚田块边界提取方法及装置 - Google Patents

基于无人机遥感影像的亚田块边界提取方法及装置 Download PDF

Info

Publication number
CN113920143A
CN113920143A CN202111028688.0A CN202111028688A CN113920143A CN 113920143 A CN113920143 A CN 113920143A CN 202111028688 A CN202111028688 A CN 202111028688A CN 113920143 A CN113920143 A CN 113920143A
Authority
CN
China
Prior art keywords
image
aerial vehicle
unmanned aerial
sub
target
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
Application number
CN202111028688.0A
Other languages
English (en)
Inventor
李存军
胡海棠
段丹丹
郑茜
王佳宇
祁宁
陶欢
田宇杰
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.)
Qingyuan Smart Agriculture Rural Research Institute
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
Qingyuan Smart Agriculture Rural Research Institute
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
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 Qingyuan Smart Agriculture Rural Research Institute, Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Qingyuan Smart Agriculture Rural Research Institute
Priority to CN202111028688.0A priority Critical patent/CN113920143A/zh
Publication of CN113920143A publication Critical patent/CN113920143A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于无人机遥感影像的亚田块边界提取方法及装置，该方法包括：根据无人机影像获取目标区域图像；对所述目标区域图像进行图像分割，得到多个影像对象；对所述多个影像对象分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。该方法根据特征空间优化函数对多项特征进行基于分离度的特征优选得到目标特征，可避免传统像素分类方法产生的“椒盐”现象，提高亚田块边界提取精度，适用于农业遥感技术领域亚田块边界信息的提取。

Description

基于无人机遥感影像的亚田块边界提取方法及装置
技术领域
本发明涉及遥感技术领域，尤其涉及一种基于无人机遥感影像的亚田块边界提取方法及装置。
背景技术
近些年，农业朝着规模化、精准化和现代化方向发展，各地涌现出大批的家庭农场、农业社会化服务组织等规模化农业经营组织。对规模化现代农业来说，亚田块边界是其农业生产管理的基本单元，因此亚田块边界信息是规模化现代农业发展必须掌握的基础信息，快速精准提取亚田块边界信息对规模化现代农业田间管理、农事规划等经营意义重大。
目前，相关技术主要是基于中高分辨率的米级卫星遥感影像针对大区域农田采用遥感解译方法获得大区域田块边界，效率较高但仅能提取大地块边界。然部分地区的农田是由小农耕种，这些农田地块往往小于0.1公顷，田块边界线狭窄一般仅有20cm左右，针对小农耕种的亚田块，使用基于米级卫星影像进行提取时混合像元现象非常严重，无法实现亚田块边界提取。要准确获取亚田块边界信息，一般采用传统的田间实地测量方法，但费时费力、效率低下。
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遥感影像的亚田块边界提取方法及装置。
本发明提供一种基于无人机遥感影像的亚田块边界提取方法，包括：根据无人机影像获取目标区域图像；对所述目标区域图像进行图像分割，得到多个影像对象；对所述多个图像块分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
根据本发明一个实施例的基于无人机遥感影像的亚田块边界提取方法，所述根据无人机影像获取目标区域图像之前，还包括：利用双线性内插法进行重采样，针对不同空间分辨率影像进行分割，选取最优空间分辨率；所述根据无人机影像获取目标区域图像，包括：根据所述最优空间分辨率，通过无人机影像获取所述目标区域图像。
根据本发明一个实施例的基于无人机遥感影像的亚田块边界提取方法，所述根据无人机影像获取目标区域图像之后，还包括：根据不同分割尺度参数、形状参数和紧致度参数，对所述目标区域图像进行多尺度分割，并根据均质性与异质性指标，确定最优分割尺度参数、形状参数和紧致度参数，用于所述目标区域图像进行图像分割。
根据本发明一个实施例的基于无人机遥感影像的亚田块边界提取方法，所述对所述多个影像对象分别进行目标特征提取之前，还包括：使用特征空间优化函数，对多项图像特征进行基于分离度的计算，选取分离度最大的目标特征。
根据本发明一个实施例的基于无人机遥感影像的亚田块边界提取方法，所述目标特征包括：光谱特征、纹理特征、空间特征和颜色植被指数；其中，所述颜色植被指数根据RGB色差空间确定。
根据本发明一个实施例的基于无人机遥感影像的亚田块边界提取方法，所述颜色植被指数确定方式包括：CIVE＝0.441r-0.881g+0.385b+18.78745；其中，CIVE为颜色植被指数，R，G，B分别为红绿蓝波段像素，r，g，b分别为标准化结果，r＝R/(R+G+B)，g＝G/(R+G+B),b＝B/(R+G+B)。
根据本发明一个实施例的基于无人机遥感影像的亚田块边界提取方法，所述光谱特征包括红波段均值，所述纹理特征包括灰度共生矩阵，所述空间特征包括形状指数和长宽比。
本发明还提供一种基于无人机遥感影像的亚田块边界提取装置，包括：获取模块，用于根据无人机影像获取目标区域图像；划分模块，用于对所述目标区域图像进行图像分割，得到多个影像对象；提取模块，用于对所述多个影像对象分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
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遥感影像的亚田块边界提取方法的步骤。
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遥感影像的亚田块边界提取方法的步骤。
本发明提供的基于无人机遥感影像的亚田块边界提取方法及装置，根据特征空间优化函数对多项特征进行基于分离度的特征优选得到目标特征，可避免传统像素分类方法产生的“椒盐”现象，提高亚农田边界提取精度，适用于农业遥感技术领域农田边界信息的提取。
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，显而易见地，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遥感影像的亚田块边界提取方法的流程示意图；
图2为本发明提供的亚田块边界提取结果示意图；
图3是本发明提供的基于无人机遥感影像的亚田块边界提取装置的结构示意图；
图4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。
亚米级高分辨率卫星影像数据源的丰富，为解决提取亚农田边界提供了机会。因此，根据在耕地边界提取的传统技术中存在的“混合像元”和“椒盐噪声”等问题，结合现有技术的发展，亟需开发一种解决方案来提高耕地提取的精度，并且可以为精准农业提供科学数据。
为实现规模化精准农业经营急需掌握的亚田块边界信息自动化快速获取，本发明从实际需求出发，选取无人机厘米级分辨率遥感影像通过面向对象方法研究最优空间分辨率以及构建规则集开展亚田块边界提取，为规模化农业发展提供信息支撑。
本发明通过面向对象方法进行耕地边界的提取，有效利用了影像的空间特征，对于一些小农耕种以及零碎的农田具有较大优势，不仅提取出亚农田的主要边界，而且将相同土地覆盖类型空间对象之间的田埂划分出来，在边界提取方面取得了良好的表现。相对于传统的基于像元的方法，该方法在一定程度上可以避免基于像素分类方法产生的“椒盐”现象，具有强大的影像特征库。
下面结合图1-图4描述本发明的基于无人机遥感影像的亚田块边界提取方法及装置。图1是本发明提供的基于无人机遥感影像的亚田块边界提取方法的流程示意图，如图1所示，本发明提供基于无人机遥感影像的亚田块边界提取方法，包括：
101、根据无人机影像获取目标区域图像。
本发明获取11月末无人机可见光影像，此时正值小麦分蘖期。采用多旋翼无人机，拍摄行高120m，航速为12m/s，航向重叠与旁向重叠率均是80％。将获取的照片通过Pix4Dmapper软件进行自动拼接，并且完成了影像的几何校正以及地理信息配准，生成数字正射影像图DOM，影像空间分辨率为0.04m，得到目标区域图像。
102、对所述目标区域图像进行图像分割，得到多个影像对象。
例如，根据均质性与异质性标准对影像进行多尺度分割并确定适合田块边界提取的影像最优分割尺度。其中，每个影像对象相当于一个图像块。
103、对所述多个影像对象分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
本发明中，根据分离度对分割后的影像进行特征优选确定适合田块边界提取的特征参数及阈值并构建特征规则集，然后采用阈值分类法进行分割后的影像进行亚田块边界提取。
在此之后，还包括对亚田块边界分类后的影像进行后处理，后处理主要对影像进行合并，并去除一些小图斑的影响，研究区主要有小麦和裸土两类地物，小麦和裸土分别合并为耕地区域与背景区，最终得到耕地边界。该步骤可在eCognition软件中和ArcGIS软件中完成。
本实施例提供的基于无人机遥感影像的亚田块边界提取方法，根据特征空间优化函数对多项特征进行基于分离度的特征优选得到目标特征，可避免传统像素分类方法产生的“椒盐”现象，提高小块农田边界提取精度，适用于农业遥感技术领域农田边界信息的提取。
在一个实施例中，所述根据无人机影像获取目标区域图像之前，还包括：利用双线性内插法进行重采样，针对不同空间分辨率影像进行分割，选取最优空间分辨率；所述根据无人机影像获取目标区域图像，包括：根据所述最优空间分辨率，通过无人机影像获取所述目标区域图像。
由于无人机高空间分辨率的优点，能够清楚地显示地物的光谱和纹理特征，针对高空间分辨率影像并不一定能够提高田块边界提取的精度的问题，需寻找边界提取的最优空间分辨率。利用双线性内插法进行重采样，针对不同空间分辨率影像进行分割，选取最优空间分辨率，最终确定研究区最优空间分辨率可为10cm。该步骤可在eCognition软件中完成。
在一个实施例中，所述根据无人机影像获取目标区域图像之后，还包括：根据不同分割尺度参数、形状参数和紧致度参数，对所述目标区域图像进行多尺度分割，并根据均质性与异质性指标，确定最优分割尺度参数、形状参数和紧致度参数，用于所述目标区域图像进行图像分割。
在分割过程中，对象生成涉及分割尺度参数、形状参数、紧致度参数，分割尺度参数的大小间接影响对象的大小，尺度参数越大将会得到大的对象。分割尺度从10到100以间隔10进行实验，结合地块特征，经过多次尝试，最终选择初始分割尺度为30，形状因子为0.6，紧致度为0.5，得到LV-ROC曲线图。ROC曲线的峰值为35、40、70、100、110、125，这些峰值对应不同地物的最优分割尺度，结合耕地地块的特征，确定适合提取地块边界的最优分割尺度为70，形状因子与紧致度因子分别为0.6和0.5，该步骤可在eCognition软件中完成。
在一个实施例中，所述对所述多个影像对象分别进行目标特征提取之前，还包括：使用特征空间优化函数，对多项图像特征进行基于分离度的计算，选取分离度最大的目标特征。
使用特征空间优化(Feature Space Optimization)函数对光谱特征、纹理特征、空间特征以及颜色植被指数特征，进行基于分离度的特征优选，评价指标为最佳分离距离度量，公式如下所示。
Figure BDA0003244305850000071
式中，D代表最佳分离距离，fi代表特征空间的第i个特征，Vfi(s)、Vfi(o)分别代表训练样本s、o在特征i上的特征值，Qfi表示特征空间内所有影像地块特征fi的标准差。
小麦地块为规则矩形或者长条带状，可选择形状指数(shape index)、长宽比(Length/Width)等形状特征和范围特征，并且结合光谱特征、纹理特征以及颜色植被指数特征进行特征优选，筛选出进行阈值分类的最优特征，如当维数为5时，分离距离最大。该步骤可在eCognition软件中完成。
在一个实施例中，所述目标特征包括：光谱特征、纹理特征、空间特征和和颜色植被指数。
为提高最终结果的准确度，本发明根据RGB颜色空间确定颜色植被指数，作为多项特征中的一项，并根据上述方法提取目标特征。
在一个实施例中，所述颜色植被指数确定方式包括：
CIVE＝0.441r-0.881g+0.385b+18.78745；
其中，CIVE为颜色植被指数，R，G，B分别为红绿蓝波段像素，r，g，b分别为标准化结果，r＝R/(R+G+B)，g＝G/(R+G+B),b＝B/(R+G+B)，r+g+b＝1。
在一个实施例中，所述光谱特征包括红波段均值，所述纹理特征包括灰度共生矩阵，所述空间特征包括形状指数和长宽比。
根据上述优选的最优特征，进行规则集的构建，最终目标特征选取和对于阈值设置如下:红波段均值(Mean R)<184；灰度共生矩阵(GLCM Contrast(quick 8\11)R(135))<37.6；形状指数(Shape index)<3.7，长宽比(Length/Width)<7.5；颜色植被指数(CIVE)<18.77。该步骤可在eCognition软件中完成。
图2为本发明提供的亚田块边界提取结果示意图，如图2所示。根据优选的最优特征，进行规则集的构建，然后对影像进行分类，将分类后的影像进行合并及去除一些小图斑的影响等后处理，最终实现亚田块边界提取。该步骤可在eCognition软件中和ArcGIS软件中完成。
下面对本发明提供的基于无人机遥感影像的亚田块边界提取装置进行描述，下文描述的基于无人机遥感影像的亚田块边界提取装置与上文描述的基于无人机遥感影像的亚田块边界提取方法可相互对应参照。
图3是本发明提供的基于无人机遥感影像的亚田块边界提取装置的结构示意图，如图3所示，该基于无人机遥感影像的亚田块边界提取装置包括：获取模块301、划分模块302和提取模块303。其中，获取模块301用于根据无人机影像获取目标区域图像；划分模块302用于对所述目标区域图像进行图像分割，得到多个影像对象；提取模块303用于对所述多个影像对象分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得。
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遥感影像的亚田块边界提取装置，根据特征空间优化函数对多项特征进行基于分离度的特征优选得到目标特征，可避免传统像素分类方法产生的“椒盐”现象，提高小块农田边界提取精度，适用于农业遥感技术领域农田边界信息的提取。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行基于无人机遥感影像的亚田块边界提取方法，该方法包括：根据无人机影像获取目标区域图像；对所述目标区域图像进行图像分割，得到多个影像对象；对所述多个图像块分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
此外，上述的存储器403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遥感影像的亚田块边界提取方法，该方法包括：根据无人机影像获取目标区域图像；对所述目标区域图像进行图像分割，得到多个影像对象；对所述多个图像块分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
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遥感影像的亚田块边界提取方法，该方法包括：根据无人机影像获取目标区域图像；对所述目标区域图像进行图像分割，得到多个影像对象；对所述多个图像块分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
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)

1.一种基于无人机遥感影像的亚田块边界提取方法，其特征在于，包括：
根据无人机影像获取目标区域图像；
对所述目标区域图像进行图像分割，得到多个影像对象；
对所述多个影像对象分别进行目标特征提取，并分别根据目标特征的预设阈值确定亚田块边界；
其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
2.根据权利要求1所述的基于无人机遥感影像的亚田块边界提取方法，其特征在于，所述根据无人机影像获取目标区域图像之前，还包括：
利用双线性内插法进行重采样，针对不同空间分辨率影像进行分割，选取最优空间分辨率；
所述根据无人机影像获取目标区域图像，包括：
根据所述最优空间分辨率，通过无人机影像获取所述目标区域图像。
3.根据权利要求1所述的基于无人机遥感影像的亚田块边界提取方法，其特征在于，所述根据无人机影像获取目标区域图像之后，还包括：
根据不同分割尺度参数、形状参数和紧致度参数，对所述目标区域图像进行多尺度分割，并根据均质性与异质性指标，确定最优分割尺度参数、形状参数和紧致度参数，用于所述目标区域图像进行图像分割。
4.根据权利要求1所述的基于无人机遥感影像的亚田块边界提取方法，其特征在于，所述对所述多个影像对象分别进行目标特征提取之前，还包括：
使用特征空间优化函数，对多项图像特征进行基于分离度的计算，选取分离度最大的目标特征。
5.根据权利要求4所述的基于无人机遥感影像的亚田块边界提取方法，其特征在于，所述目标特征包括：光谱特征、纹理特征、空间特征和颜色植被指数；
其中，所述颜色植被指数根据RGB色差空间确定。
6.根据权利要求5所述的基于无人机遥感影像的亚田块边界提取方法，其特征在于，所述颜色植被指数确定方式包括：
CIVE＝0.441r-0.881g+0.385b+18.78745；
其中，CIVE为颜色植被指数，R，G，B分别为红绿蓝波段像素，r，g，b分别为标准化结果，r＝R/(R+G+B)，g＝G/(R+G+B),b＝B/(R+G+B)。
7.根据权利要求5或6所述的基于无人机遥感影像的亚田块边界提取方法，其特征在于，所述光谱特征包括红波段均值，所述纹理特征包括灰度共生矩阵，所述空间特征包括形状指数和长宽比。
8.一种基于无人机遥感影像的亚田块边界提取装置，其特征在于，包括：
获取模块，用于根据无人机影像获取目标区域图像；
划分模块，用于对所述目标区域图像进行图像分割，得到多个影像对象；
提取模块，用于对所述多个影像对象分别进行目标特征提取，并分别根据目标特征的预设阈值确定田块边界；
其中，所述目标特征根据特征空间优化函数对多项特征进行基于分离度的特征优选得到。
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遥感影像的亚田块边界提取方法的步骤。
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遥感影像的亚田块边界提取方法的步骤。
CN202111028688.0A 2021-09-02 2021-09-02 基于无人机遥感影像的亚田块边界提取方法及装置 Pending CN113920143A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111028688.0A CN113920143A (zh) 2021-09-02 2021-09-02 基于无人机遥感影像的亚田块边界提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111028688.0A CN113920143A (zh) 2021-09-02 2021-09-02 基于无人机遥感影像的亚田块边界提取方法及装置

Publications (1)

Publication Number Publication Date
CN113920143A true CN113920143A (zh) 2022-01-11

Family

ID=79233914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111028688.0A Pending CN113920143A (zh) 2021-09-02 2021-09-02 基于无人机遥感影像的亚田块边界提取方法及装置

Country Status (1)

Country Link
CN (1) CN113920143A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272129A (zh) * 2022-08-18 2022-11-01 中国人民公安大学 遥感图像处理方法、装置、设备及存储介质
CN116188497A (zh) * 2023-04-27 2023-05-30 成都国星宇航科技股份有限公司 立体遥感影像对生成dsm优化方法、装置、设备及存储介质
CN117593201A (zh) * 2024-01-18 2024-02-23 杭州稻道农业科技有限公司 一种基于高分卫星影像的小田并大田的整合方法
CN117746269A (zh) * 2023-12-21 2024-03-22 广东省农业科学院农业经济与信息研究所 一种基于遥感数据的耕地边界识别系统和方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272129A (zh) * 2022-08-18 2022-11-01 中国人民公安大学 遥感图像处理方法、装置、设备及存储介质
CN116188497A (zh) * 2023-04-27 2023-05-30 成都国星宇航科技股份有限公司 立体遥感影像对生成dsm优化方法、装置、设备及存储介质
CN116188497B (zh) * 2023-04-27 2023-07-07 成都国星宇航科技股份有限公司 立体遥感影像对生成dsm优化方法、装置、设备及存储介质
CN117746269A (zh) * 2023-12-21 2024-03-22 广东省农业科学院农业经济与信息研究所 一种基于遥感数据的耕地边界识别系统和方法
CN117593201A (zh) * 2024-01-18 2024-02-23 杭州稻道农业科技有限公司 一种基于高分卫星影像的小田并大田的整合方法

Similar Documents

Publication Publication Date Title
CN113920143A (zh) 基于无人机遥感影像的亚田块边界提取方法及装置
CN111868782B (zh) 使用彩色图像的盲源分离确定农作物残茬分数的系统和方法
US10015359B1 (en) Image-based field boundary detection and identification
CN108830870B (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
US7639842B2 (en) Remote sensing and probabilistic sampling based forest inventory method
CN102829739B (zh) 一种面向对象的作物叶面积指数遥感反演方法
CN111242224B (zh) 一种基于无人机提取分类样本点的多源遥感数据分类方法
Noordermeer et al. Predicting and mapping site index in operational forest inventories using bitemporal airborne laser scanner data
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN108932521B (zh) 一种基于深度学习的农作物分类方法及系统
CN115494007A (zh) 基于随机森林的土壤有机质高精度快速检测方法及装置
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
CN114241326A (zh) 一种渐进式遥感影像地物要素智能生产方法及系统
CN115424135A (zh) 一种用于植被提取深度学习的四通道影像处理方法
Xu et al. Vegetation information extraction in karst area based on UAV remote sensing in visible light band
CN112949657B (zh) 一种基于遥感影像纹理特征的林地分布提取方法及装置
CN116385894A (zh) 基于遥感图像的海岸线识别方法、装置以及设备
CN115082812A (zh) 一种农业景观非农生境绿地斑块提取方法及其相关设备
CN115423975A (zh) 一种基于可见光影像及深度学习算法的地面高程提取方法
Yin et al. Automatic selection of optimal segmentation scales for high-resolution remote sensing images
Jiang et al. MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery
CN110827243A (zh) 网格梁覆盖区域异常检测方法和装置
CN111985849B (zh) 一种棉花地的地上生物量生成方法和装置
Yu et al. An integrative object-based image analysis workflow for UAV images
Li et al. Application of High‐Resolution Remote Sensing Image for Individual Tree Identification of Pinus sylvestris and Pinus tabulaeformis

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