CN114187538A - 一种多光谱植被监测干扰信息的剔除方法和装置 - Google Patents
一种多光谱植被监测干扰信息的剔除方法和装置 Download PDFInfo
- Publication number
- CN114187538A CN114187538A CN202210143769.3A CN202210143769A CN114187538A CN 114187538 A CN114187538 A CN 114187538A CN 202210143769 A CN202210143769 A CN 202210143769A CN 114187538 A CN114187538 A CN 114187538A
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- target
- data
- target area
- vegetation
- 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
Images
Classifications
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
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
本发明提供了一种多光谱植被监测干扰信息的剔除方法和装置,涉及数据处理的技术领域,包括:获取目标区域的目标数据,其中,目标数据包括:无人机多光谱数据和环境背景数据;基于目标数据,确定出目标区域的特征参数,其中,特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;将特征参数输入决策树分类模型,利用决策树分类模型剔除目标区域的植被指数信息的干扰信息,得到目标区域的最优植被指数阈值分割范围;基于最优植被指数阈值分割范围,确定出目标区域的植被指数信息,解决了现有技术中获取到的植被指数信息的准确性较低的技术问题。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种多光谱植被监测干扰信息的剔除方法和装置。
背景技术
目前无人机多光谱植被健康监测技术,大多采用植被指数作为关键监测指标,常用的如归一化植被指数(NDVI)、比值植被指数(RVI)、增强型植被指数(EVI)等。但是直接使用植被指数,方法过于简单,监测精度较低。
植被指数是判断植被覆盖度和生长状况差异的重要根据,但是也存在很多问题。首先,植被光谱表现为植被、土壤亮度、土壤颜色、大气环境和阴影等复杂要素的混合反应;其次,植被光谱还收到大气状况变化的影响。因此,将植被光谱进行各种组合计算得到的植被指数,反应的不光有植被信息,还包括了很多其他环境背景信息,简单的直接利用植被指数监测植被的健康状况,没有考虑排除植被光谱中包含的其他信息,得到的监测结果是不准确的。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种多光谱植被监测干扰信息的剔除方法和装置,以缓解了现有技术中获取到的植被指数信息的准确性较低的技术问题。
第一方面,本发明实施例提供了一种多光谱植被监测干扰信息的剔除方法,包括:获取目标区域的目标数据,其中,所述目标数据包括:无人机多光谱数据和环境背景数据;基于所述目标数据,确定出所述目标区域的特征参数,其中,所述特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围;基于所述最优植被指数阈值分割范围,确定出所述目标区域的植被指数信息。
进一步地,所述纹理特征参数包括:均值、方差、标准差、同质性、对比度、相异性、熵、角二阶矩和相关性;所述环境特征参数包括:土壤调节植被指数,日均温度和日均湿度。
进一步地,基于所述目标数据,确定出所述目标区域的纹理特征参数和环境特征参数,包括:对所述无人机多光谱数据依次进行拼接处理、校正处理和标定处理,得到目标无人机多光谱数据;基于所述目标无人机多光谱数据,提取出所述纹理特征参数;基于所述归一化植被指数和所述环境背景数据,确定出所述环境特征参数。
进一步地,将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围,包括:计算步骤,计算所述特征参数中每个特征参数的不纯度指标;确定步骤,确定出所述特征参数中的目标特征参数,其中,所述目标特征参数为所述特征参数包含的各个特征参数中不纯度指标小于对应预设阈值的特征参数;构建步骤,基于所述目标特征参数构建决策树分类模型分支;所述目标特征参数确定为所述特征参数重复执行所述计算步骤、所述确定步骤和所述构建步骤,直至所述特征参数中包含的各个特征参数的不纯度指标均小于对应预设阈值或均大于对应预设阈值,得到所述目标区域的树形图;基于所述树形图,确定出所述最优植被指数阈值分割范围。
进一步地,所述方法还包括:获取地面采样点发送的所述目标区域的真实植被指数信息;基于所述最优植被指数阈值分割范围对所述目标区域的植被指数信息进行分割,得到分割结果;将所述分割结果与所述真实植被指数信息进行对比,得到所述分割结果与所述真实植被指数信息之间的分类精度和虚警值;在所述分类精度小于预设分类精度和/或所述虚警值大于预设虚警值的情况下,对所述决策树分类模型进行参数优化。
第二方面,本发明实施例提供了一种多光谱植被监测干扰信息的剔除装置,包括:获取单元,第一确定单元,剔除单元和第二确定单元,其中,所述获取单元,用于获取目标区域的目标数据,其中,所述目标数据包括:无人机多光谱数据和环境背景数据;所述第一确定单元,基于所述目标数据,确定出所述目标区域的特征参数,其中,所述特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;所述剔除单元,用于将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围;所述第二确定单元,用于基于所述最优植被指数阈值分割范围,确定出所述目标区域的植被指数信息。
进一步地,所述纹理特征参数包括:均值、方差、标准差、同质性、对比度、相异性、熵、角二阶矩和相关性;所述环境特征参数包括:土壤调节植被指数,日均温度和日均湿度。
进一步地,所述第一确定单元,用于:对所述无人机多光谱数据依次进行拼接处理、校正处理和标定处理,得到目标无人机多光谱数据;基于所述目标无人机多光谱数据,提取出所述纹理特征参数;基于所述归一化植被指数和所述环境背景数据,确定出所述环境特征参数。
在本发明实施例中,通过获取目标区域的目标数据,其中,目标数据包括:无人机多光谱数据和环境背景数据;基于目标数据,确定出目标区域的特征参数,其中,特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;将特征参数输入决策树分类模型,利用决策树分类模型剔除目标区域的植被指数信息的干扰信息,得到目标区域的最优植被指数阈值分割范围;基于最优植被指数阈值分割范围,确定出目标区域的植被指数信息,本发明实施例通过引入环境背景数据,排除掉环境背景数据中光谱信息的非植被信息带来的干扰,达到了得到准确的植被指数信息的目的,进而解决了现有技术中获取到的植被指数信息的准确性较低的技术问题,从而实现了提高多光谱植被监测的准确度的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种多光谱植被监测干扰信息的剔除方法的流程图;
图2为本发明实施例提供的一种多光谱植被监测干扰信息的剔除装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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做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。
实施例一:
根据本发明实施例,提供了一种多光谱植被监测干扰信息的剔除方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种多光谱植被监测干扰信息的剔除方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取目标区域的目标数据,其中,所述目标数据包括:无人机多光谱数据和环境背景数据;
需要说明的是,上述环境背景数据包括:土壤亮度、土壤色度和大气温湿度数据等数据。
步骤S104,基于所述目标数据,确定出所述目标区域的特征参数,其中,所述特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;
需要说明的是,所述纹理特征参数包括:均值、方差、标准差、同质性、对比度、相异性、熵、角二阶矩和相关性;
所述环境特征参数包括:土壤调节植被指数,日均温度和日均湿度。
步骤S106,将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围;
步骤S108,基于所述最优植被指数阈值分割范围,确定出所述目标区域的植被指数信息。
在本发明实施例中,通过获取目标区域的目标数据,其中,目标数据包括:无人机多光谱数据和环境背景数据;基于目标数据,确定出目标区域的特征参数,其中,特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;将特征参数输入决策树分类模型,利用决策树分类模型剔除目标区域的植被指数信息的干扰信息,得到目标区域的最优植被指数阈值分割范围;基于最优植被指数阈值分割范围,确定出目标区域的植被指数信息,本发明实施例通过引入环境背景数据,排除掉环境背景数据中光谱信息的非植被信息带来的干扰,达到了得到准确的植被指数信息的目的,进而解决了现有技术中获取到的植被指数信息的准确性较低的技术问题,从而实现了提高多光谱植被监测的准确度的技术效果。
在本发明实施例中,步骤S104包括如下步骤:
步骤S11,对所述无人机多光谱数据依次进行拼接处理、校正处理和标定处理,得到目标无人机多光谱数据;
步骤S12,基于所述目标无人机多光谱数据,提取出所述纹理特征参数;
步骤S13,基于所述归一化植被指数和所述环境背景数据,确定出所述环境特征参数。
在本发明实施例中,在获取到无人机多光谱数据之后,将无人机多光谱数据输入Pix4Dmapper软件中,设置影像属性和输出坐标系;选择白板数据和输入反射系数,进行辐射校正;输出影像合并瓦片(即,目标无人机多光谱数据)。
采用灰度共生矩阵方法,提取标无人机多光谱数据的纹理特征数据。
接着,将归一化植被指数带入土壤调节植被指数(SAVI)计算公式中,得到土壤调节植被指数,其中,土壤调节植被指数(SAVI)计算公式为SAVI=((NIR-R)/(NIR+R+L))(1+L),L为下垫面植被的覆盖百分比。
最后,利用通过监测区域气象站点发送的环境背景数据中的温度数据和湿度数据,计算出日均温度和日均湿度。
在本发明实施例中,步骤S106包括如下步骤:
计算步骤,计算所述特征参数中每个特征参数的不纯度指标;
确定步骤,确定出所述特征参数中的目标特征参数,其中,所述目标特征参数为所述特征参数包含的各个特征参数中不纯度指标小于对应预设阈值的特征参数;
构建步骤,基于所述目标特征参数构建决策树分类模型分支;
所述目标特征参数确定为所述特征参数重复执行所述计算步骤、所述确定步骤和所述构建步骤,直至所述特征参数中包含的各个特征参数的不纯度指标均小于对应预设阈值或均大于对应预设阈值,得到所述目标区域的树形图;
基于所述树形图,确定出所述最优植被指数阈值分割范围。
在本发明实施例中,将目标区域的特征参数作为输入特征,输入到决策树分类模型中,首先,计算出每个特征的不纯度指标,各个特征参数中不纯度指标小于对应预设阈值的特征参数(即,目标特征参数)作为最优的特征参数进行分支,然后,将最优的特征参数作为特征参数重复执行所述计算步骤、所述确定步骤和所述构建步骤,直至所述特征参数中包含的各个特征参数的不纯度指标均小于对应预设阈值或均大于对应预设阈值,得到所述目标区域的树形图。
最后,根据树形图,确定出目标区域的最优植被指数阈值分割范围。
需要说明的是,最优植被指数阈值分割范围可以通过5折交叉验证法进行确定,利用5折交叉验证法进行三次以上验证,取验证精度最高阈值为最优植被指数阈值分割范围。
在本发明实施例中,所述方法还包括如下步骤:
获取地面采样点发送的所述目标区域的真实植被指数信息;
基于所述最优植被指数阈值分割范围对所述目标区域的植被指数信息进行分割,得到分割结果;
将所述分割结果与所述真实植被指数信息进行对比,得到所述分割结果与所述真实植被指数信息之间的分类精度和虚警值;
在所述分类精度小于预设分类精度和/或所述虚警值大于预设虚警值的情况下,对所述决策树分类模型进行参数优化。
在本发明实施例中,在得到目标区域的植被指数信息之后,通过地面真值采样法进行精度验证,具体过程如下:
在无人机监测区域布设地面采样点,专家判读植被信息情况,根据决策树结果对植被指数进行阈值分割,分割结果与所有地面真值样点数据(即,真实植被指数信)进行对照,进行精度验证。
若分类精度高于80%,同时虚警值低于10%,则通过精度验证。若有一项或两项精度参数不符合要求,则精度验证未通过。
在精度验证未通过得情况下,对决策树分类模型进行参数优化。
本发明实施例中,通过引入环境数据,主要包括土壤亮度、土壤色度和大气温湿度数据的采集和预处理,环境背景数据的引入目的在于充分考虑光谱信息中包括的非植被信息,排除掉光谱信息中非植被信息带来的干扰,从而提高多光谱植被监测的准确度。
植被指数是不同遥感光谱波段间的线性或非线性组合,被认为能作为反映绿色植被的相对丰度和活性的辐射量值(无量纲)的标志。但在植被监测中对植被信息的识别随环境条件的变化会表现出不稳定,原因在于一个植被覆盖的面积单元的光学特性由与之相关的各种因子起作用。这些因子除了植物本身的水含量、年龄、寄生虫伤害、矿物质缺乏、覆盖几何、排列空间和方向、叶子分布等,另外还有环境因子的影响,如土壤亮度和色度、土壤特性差异、大气状况等的影响。然而,在植被监测中,常常直接考虑使用各种植被指数,如NDVI、EVI等作为植被监测的指标,忽略了环境因子的影响。基于这样的事实,采用决策树分类模型,把环境因子和归一化植被指数一起引入模型中作为特征向量,筛选出植被监测最优的植被指数信息和植被指数阈值分割范围。
实施例二:
本发明实施例还提供了一种多光谱植被监测干扰信息的剔除装置,该多光谱植被监测干扰信息的剔除装置用于执行本发明实施例上述内容所提供的多光谱植被监测干扰信息的剔除方法,以下是本发明实施例提供的多光谱植被监测干扰信息的剔除装置的具体介绍。
如图2所示,图2为上述多光谱植被监测干扰信息的剔除装置的示意图,该多光谱植被监测干扰信息的剔除装置包括:获取单元10,第一确定单元20,剔除单元30和第二确定单元40。
所述获取单元10,用于获取目标区域的目标数据,其中,所述目标数据包括:无人机多光谱数据和环境背景数据;
所述第一确定单元20,基于所述目标数据,确定出所述目标区域的特征参数,其中,所述特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;
所述剔除单元30,用于将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围;
所述第二确定单元40,用于基于所述最优植被指数阈值分割范围,确定出所述目标区域的植被指数信息。
在本发明实施例中,通过获取目标区域的目标数据,其中,目标数据包括:无人机多光谱数据和环境背景数据;基于目标数据,确定出目标区域的特征参数,其中,特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;将特征参数输入决策树分类模型,利用决策树分类模型剔除目标区域的植被指数信息的干扰信息,得到目标区域的最优植被指数阈值分割范围;基于最优植被指数阈值分割范围,确定出目标区域的植被指数信息,本发明实施例通过引入环境背景数据,排除掉环境背景数据中光谱信息的非植被信息带来的干扰,达到了得到准确的植被指数信息的目的,进而解决了现有技术中获取到的植被指数信息的准确性较低的技术问题,从而实现了提高多光谱植被监测的准确度的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3,本发明实施例还提供一种电子设备100,包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种多光谱植被监测干扰信息的剔除方法,其特征在于,包括:
获取目标区域的目标数据,其中,所述目标数据包括:无人机多光谱数据和环境背景数据;
基于所述目标数据,确定出所述目标区域的特征参数,其中,所述特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;
将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围;
基于所述最优植被指数阈值分割范围,确定出所述目标区域的植被指数信息。
2.根据权利要求1所述的方法,其特征在于,
所述纹理特征参数包括:均值、方差、标准差、同质性、对比度、相异性、熵、角二阶矩和相关性;
所述环境特征参数包括:土壤调节植被指数,日均温度和日均湿度。
3.根据权利要求2所述的方法,其特征在于,基于所述目标数据,确定出所述目标区域的纹理特征参数和环境特征参数,包括:
对所述无人机多光谱数据依次进行拼接处理、校正处理和标定处理,得到目标无人机多光谱数据;
基于所述目标无人机多光谱数据,提取出所述纹理特征参数;
基于所述归一化植被指数和所述环境背景数据,确定出所述环境特征参数。
4.根据权利要求3所述的方法,其特征在于,将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围,包括:
计算步骤,计算所述特征参数中每个特征参数的不纯度指标;
确定步骤,确定出所述特征参数中的目标特征参数,其中,所述目标特征参数为所述特征参数包含的各个特征参数中不纯度指标小于对应预设阈值的特征参数;
构建步骤,基于所述目标特征参数构建决策树分类模型分支;
所述目标特征参数确定为所述特征参数重复执行所述计算步骤、所述确定步骤和所述构建步骤,直至所述特征参数中包含的各个特征参数的不纯度指标均小于对应预设阈值或均大于对应预设阈值,得到所述目标区域的树形图;
基于所述树形图,确定出所述最优植被指数阈值分割范围。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取地面采样点发送的所述目标区域的真实植被指数信息;
基于所述最优植被指数阈值分割范围对所述目标区域的植被指数信息进行分割,得到分割结果;
将所述分割结果与所述真实植被指数信息进行对比,得到所述分割结果与所述真实植被指数信息之间的分类精度和虚警值;
在所述分类精度小于预设分类精度和/或所述虚警值大于预设虚警值的情况下,对所述决策树分类模型进行参数优化。
6.一种多光谱植被监测干扰信息的剔除装置,其特征在于,包括:获取单元,第一确定单元,剔除单元和第二确定单元,其中,
所述获取单元,用于获取目标区域的目标数据,其中,所述目标数据包括:无人机多光谱数据和环境背景数据;
所述第一确定单元,基于所述目标数据,确定出所述目标区域的特征参数,其中,所述特征参数包括:归一化植被指数、纹理特征参数和环境特征参数;
所述剔除单元,用于将所述特征参数输入决策树分类模型,利用所述决策树分类模型剔除所述目标区域的植被指数信息的干扰信息,得到所述目标区域的最优植被指数阈值分割范围;
所述第二确定单元,用于基于所述最优植被指数阈值分割范围,确定出所述目标区域的植被指数信息。
7.根据权利要求6所述的装置,其特征在于,
所述纹理特征参数包括:均值、方差、标准差、同质性、对比度、相异性、熵、角二阶矩和相关性;
所述环境特征参数包括:土壤调节植被指数,日均温度和日均湿度。
8.根据权利要求7所述的装置,其特征在于,所述第一确定单元,用于:
对所述无人机多光谱数据依次进行拼接处理、校正处理和标定处理,得到目标无人机多光谱数据;
基于所述目标无人机多光谱数据,提取出所述纹理特征参数;
基于所述归一化植被指数和所述环境背景数据,确定出所述环境特征参数。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143769.3A CN114187538A (zh) | 2022-02-17 | 2022-02-17 | 一种多光谱植被监测干扰信息的剔除方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143769.3A CN114187538A (zh) | 2022-02-17 | 2022-02-17 | 一种多光谱植被监测干扰信息的剔除方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187538A true CN114187538A (zh) | 2022-03-15 |
Family
ID=80546079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210143769.3A Pending CN114187538A (zh) | 2022-02-17 | 2022-02-17 | 一种多光谱植被监测干扰信息的剔除方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187538A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994668A (zh) * | 2024-04-07 | 2024-05-07 | 国家海洋环境监测中心 | 一种翅碱蓬覆盖面积的遥感图像计算方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
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 |
US20210042643A1 (en) * | 2019-08-09 | 2021-02-11 | GE Precision Healthcare LLC | Active surveillance and learning for machine learning model authoring and deployment |
CN113033670A (zh) * | 2021-03-29 | 2021-06-25 | 华南农业大学 | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 |
CN113409293A (zh) * | 2021-06-30 | 2021-09-17 | 上海市第一人民医院 | 一种基于深度学习的病理学图像自动分割系统 |
-
2022
- 2022-02-17 CN CN202210143769.3A patent/CN114187538A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
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 |
US20210042643A1 (en) * | 2019-08-09 | 2021-02-11 | GE Precision Healthcare LLC | Active surveillance and learning for machine learning model authoring and deployment |
CN113033670A (zh) * | 2021-03-29 | 2021-06-25 | 华南农业大学 | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 |
CN113409293A (zh) * | 2021-06-30 | 2021-09-17 | 上海市第一人民医院 | 一种基于深度学习的病理学图像自动分割系统 |
Non-Patent Citations (2)
Title |
---|
贾树海等: "基于决策树的辽宁省北部沙漠化信息提取研究", 《生态环境学报》 * |
韩凝等: "高分辨率影像香榧树分布信息提取", 《浙江大学学报(工学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994668A (zh) * | 2024-04-07 | 2024-05-07 | 国家海洋环境监测中心 | 一种翅碱蓬覆盖面积的遥感图像计算方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN115995005B (zh) | 基于单期高分辨率遥感影像的农作物的提取方法和装置 | |
CN114005039B (zh) | 基于遥感图像的农作物长势评估方法、装置及电子设备 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN114187538A (zh) | 一种多光谱植被监测干扰信息的剔除方法和装置 | |
WO2019184212A1 (zh) | 一种分析虫害趋势的方法、装置及计算机可读存储介质 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
CN115631419B (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
CN117589767A (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
CN112215304A (zh) | 一种用于地理影像拼接的灰度影像匹配方法及装置 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN110852300A (zh) | 地物分类的方法、地图的绘制方法、装置及电子设备 | |
CN114332570B (zh) | 基于cdl深度学习进行作物迁移分类的方法和系统 | |
CN114298229A (zh) | 作物类别确定方法、装置、电子设备及存储介质 | |
CN113570291A (zh) | 一种生态功能区生态环境监测分析方法和系统 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN115049900A (zh) | 一种基于光学与雷达数据的水稻种植区识别方法及系统 | |
CN114821344B (zh) | 一种叶面积指数计算方法和装置 | |
CN117474815B (zh) | 一种高光谱图像校准方法及系统 | |
CN114299037B (zh) | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 | |
CN114896549A (zh) | 一种海雾反演方法和装置 | |
CN116994072B (zh) | 基于决策树分类模型的湿地提取方法、装置、设备和介质 |
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 |
Application publication date: 20220315 |
|
RJ01 | Rejection of invention patent application after publication |