CN114220004B - 一种基于遥感影像的人工牧场地块识别方法和系统 - Google Patents
一种基于遥感影像的人工牧场地块识别方法和系统 Download PDFInfo
- Publication number
- CN114220004B CN114220004B CN202111428030.9A CN202111428030A CN114220004B CN 114220004 B CN114220004 B CN 114220004B CN 202111428030 A CN202111428030 A CN 202111428030A CN 114220004 B CN114220004 B CN 114220004B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- plot
- image
- identification
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感影像的人工牧场地块识别方法和系统,涉及遥感影像分类领域。该方法包括:获取包括人工牧场的遥感原始影像,并对所述遥感原始影像进行预处理,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像,通过预设地块边界提取方法对所述第一遥感影像进行地块识别,获得识别结果,通过本方案识别得到的地块范围轮廓更清晰,空间上的连续性避免了“椒盐噪声”的现象,目标识别及面向对象的地块提取避免了重叠、碎小多边形图斑。
Description
技术领域
本发明涉及遥感影像分类领域,尤其涉及一种基于遥感影像的人工牧场地块识别方法和系统。
背景技术
传统基于光谱对遥感影像进行分类的方法其分类方法单一、参与分类的特征单一,在地块范围内部存在“椒盐噪声”问题,也会出现“同物异谱”和“异物同谱”的现象,甚至会出现分类错误的现象。与此同时,传统基于机器学习遥感影像的分类还需要大量的样本选取,对人工的依赖程度也比较高。以上问题,最终会导致地块边界的提取结果精度低、地块边界不完整等问题,对于规模化人工牧场数字化管理平台的业务化运行构成了很大阻碍。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于遥感影像的人工牧场地块识别方法和系统。
本发明解决上述技术问题的技术方案如下:
一种基于遥感影像的人工牧场地块识别方法,包括:
S1,获取包括人工牧场的遥感原始影像,并对所述遥感原始影像进行预处理;
S2,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像;
S3,通过预设地块边界提取方法对所述第一遥感影像进行地块识别,获得识别结果。
本发明的有益效果是:本方案通过对人工牧场的遥感原始影像进行预处理,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像,通过预设地块边界提取方法对所述第一遥感影像进行地块识别,获得识别结果,相较传统基于单时相光谱特征的分类方法,本方案识别得到的地块范围轮廓更清晰,空间上的连续性避免了“椒盐噪声”的现象,目标识别及面向对象的地块提取避免了重叠、碎小多边形图斑。
基于人工牧场作物长势区别于非人工区域植被长势的特点,通过植被指数实现人工牧场的范围进行快速筛选。
针对大面积人工牧场的田块范围,分别从数据选取、数据处理、特征选择、分类方法确立等各个环节建立优化和改进,实现对人工牧场田块范围快速、有效、完整地识别,减少对传统人工绘制地块范围方法的依赖,从而减少耗时,且地块边界的提取结果精度高,地块边界提取完整。
进一步地,所述通过预设地块边界提取方法对所述第一遥感影像进行地块识别具体包括:
通过预设检测模型对所述第一遥感影像进行识别;
或,根据层次分析法获得所述第一遥感影像的地块特征;
根据所述地块特征结合模糊C均值聚类算法对所述第一遥感影像进行识别。
采用上述进一步方案的有益效果是:本方案通过预设检测模型,即使用Mask R-CNN的实例分割框架来识别第一遥感影像,提升了传统CNN及Fast/er CNN框架的精度保证最终描绘的地块图斑在空间上具有完整性,实现高效地检测影像中的对象。
利用层次分析法对特征进行筛选,基于地学知识的特征筛选充分挖掘高分辨率遥感影像丰富的光谱、几何与纹理信息,将三者信息结合大大提升了分类结果的精度。
进一步地,所述S3之后还包括:S4,根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果对所述预设地块边界提取方法的提取参数进行调整。
采用上述进一步方案的有益效果是:本方案通过识别结果对所述预设地块边界提取方法的提取参数进调整,来实现对预设地块边界提取方法进行修正,提升了块识别准确率。
进一步地,所述S4具体包括:根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果调整所述地块特征的权重值。
采用上述进一步方案的有益效果是:本方案通过识别结果对地块特征的权重值进行调整,提升层次分析法的分类准确度。
进一步地,所述预处理还包括:
提取所述遥感原始影像中云覆盖区域的分类参数;
根据所述分类参数对所述遥感原始影像进行分类;
根据分类结果提取厚云层区域并进行掩膜处理,并进行掩膜裁剪;
将同期其他数据源云层影响正常的区域对所述厚云层区域通过影像融合方法进行补充,获得预处理后的遥感原始影像。
采用上述进一步方案的有益效果是:本方案通过对遥感原始影像中云覆盖区域进行处理,大大降低云遮挡地块区域对地块识别的影响。
本发明解决上述技术问题的另一种技术方案如下:
一种基于遥感影像的人工牧场地块识别系统,包括:预处理模块、边界划分模块和识别模块;
所述预处理模块用于获取包括人工牧场的遥感原始影像,并对所述遥感原始影像进行预处理;
所述边界划分模块用于根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像;
所述识别模块用于通过预设地块边界提取方法对所述第一遥感影像进行地块识别,获得识别结果。
本发明的有益效果是:本方案通过对人工牧场的遥感原始影像进行预处理,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像,通过预设地块边界提取方法对所述第一遥感影像进行地块识别,获得识别结果,相较传统基于单时相光谱特征的分类方法,本方案识别得到的地块范围轮廓更清晰,空间上的连续性避免了“椒盐噪声”的现象,目标识别及面向对象的地块提取避免了重叠、碎小多边形图斑。
基于人工牧场作物长势区别于非人工区域植被长势的特点,通过植被指数实现人工牧场的范围进行快速筛选。
针对大面积人工牧场的田块范围,分别从数据选取、数据处理、特征选择、分类方法确立等各个环节建立优化和改进,实现对人工牧场田块范围快速、有效、完整地识别,减少对传统人工绘制地块范围方法的依赖,从而减少耗时,且地块边界的提取结果精度高,地块边界提取完整。
进一步地,所述识别模块具体用于通过预设检测模型对所述第一遥感影像进行识别;
或,根据层次分析法获得所述第一遥感影像的地块特征;
根据所述地块特征结合模糊C均值聚类算法对所述第一遥感影像进行识别。
采用上述进一步方案的有益效果是:本方案通过预设检测模型,即使用Mask R-CNN的实例分割框架来识别第一遥感影像,提升了传统CNN及Fast/er CNN框架的精度保证最终描绘的地块图斑在空间上具有完整性,实现高效地检测影像中的对象。
利用层次分析法对特征进行筛选,基于地学知识的特征筛选充分挖掘高分辨率遥感影像丰富的光谱、几何与纹理信息,将三者信息结合大大提升了分类结果的精度。
进一步地,还包括:修正模块,用于根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果对所述预设地块边界提取方法的提取参数进行调整。
采用上述进一步方案的有益效果是:本方案通过识别结果对所述预设地块边界提取方法的提取参数进调整,来实现对预设地块边界提取方法进行修正,提升了块识别准确率。
进一步地,所述修正模块具体用于根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果调整所述地块特征的权重值。
采用上述进一步方案的有益效果是:本方案通过识别结果对地块特征的权重值进行调整,提升层次分析法的分类准确度。
进一步地,所述预处理模块具体用于提取所述遥感原始影像中云覆盖区域的分类参数;
根据所述分类参数对所述遥感原始影像进行分类;
根据分类结果提取厚云层区域并进行掩膜处理,并进行掩膜裁剪;
将同期其他数据源云层影响正常的区域对所述厚云层区域通过影像融合方法进行补充,获得预处理后的遥感原始影像。
采用上述进一步方案的有益效果是:本方案通过对遥感原始影像中云覆盖区域进行处理,大大降低云遮挡地块区域对地块识别的影响。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的一种基于遥感影像的人工牧场地块识别方法的流程示意图;
图2为本发明的实施例提供的一种基于遥感影像的人工牧场地块识别系统的结构框图。
图3为本发明的其他实施例提供的生产管理措施挑选影像的示意图;
图4为本发明的其他实施例提供的Mask R-CNN架构示意图;
图5为本发明的其他实施例提供的层次分析法筛选分类特征的示意图;
图6为本发明的其他实施例提供的人工牧场地块识别的流程示意图;
图7为本发明的其他实施例提供的Sentinel-2影像流程化处理及计算过程的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明实施例提供的一种基于遥感影像的人工牧场地块识别方法,包括:
S1001,获取包括人工牧场的遥感原始影像,并对遥感原始影像进行预处理;
在某一实施例中,S1具体包括定时进行下载Sentinel-2遥感影像、波段计算(异常值处理)、数据拼接、数据裁剪处理、产品生成等内容,通过Linux内置crontab定时任务,可以在每天凌晨5点执行Python脚本文件,输出数据产品包括植被指数及覆盖人工牧场范围的各波段影像数据。
在另一实施例中,对遥感原始影像进行预处理可以包括:依次对sentinel-2影像数据进行辐射校正、大气校正、影像融合、几何校正。其中,针对被云遮挡的地块区域通过USGS网站或者地理空间数据云下载30米Landsat数据进行补充。提取sentinel-2影像云覆盖区域的阈值,将影像进行分类,提取厚云层区域并进行掩膜,通过掩膜裁剪同期受云影响较小的数据进行融合以补充被云覆盖的区域,在某一实施例中,Sentinel-2影像流程化处理及计算过程如图7所示,通过Linux内置crontab定时任务,哨兵数据下载处理任务启动,任务信息提取,数据预处理,植被指数计算,再进行数据编目、数据推送和数据存储。
S1002,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像;
在某一实施例中,如图3所示,在第二茬收割前,设置植被指数阈值r,即植被指数,当植被长势大于r则为人工牧场,当植被长势小于r则为非人工牧场。
在某一实施例中,在紫花苜蓿种植季,收集牧场背景信息,依据专家经验和知识,将作物亮苜的刈割期分别挑选如下几期影像:第一茬收割前(6月20日)、第二茬收割前(8月5日)。基于不同时相影像的选择有利于区分人工牧场与非人工牧场,在第一茬收割前人工牧场与非人工牧场的作物长势区别不大,但在第一茬收割后人工牧场作物的长势明显优于非人工牧场,此时再加入植被指数的判别即可将二者区分开来,将筛选出的人工牧场范围用于后续牧场中地块边界的提取。基于该步骤的人工牧场范围,进一步识别人工牧场的地块边界。
S1003,通过预设地块边界提取方法对第一遥感影像进行地块识别,获得识别结果。
在某一实施例中,预设地块边界提取方法可以是基于Mask R-CNN的目标识别方法,采取深度卷积神经网络,运用目标检测算法Faster R-CNN实现对地块的几何边界既快又准确的识别。该方法区别于传统仅仅基于像元统计特征的遥感影像分类方法,保证最终描绘的地块图斑在空间上具有完整性。利用目标实例分割框架Mask R-CNN,实现高效地检测影像中的对象,先用一个候选框将地块类别找出来,再通过语义分割算法FCN生成一张高质量的每块地块的分割掩码,把每块地块都单独分割出来,实现充分利用高分辨率卫星影像丰富的几何及纹理信息,提高识别结果的准确性。
在另一实施例中,预设地块边界提取方法还可以是:利用层次分析法(AHP)确定影像提取的特征指标,再根据特征指标进行地块边界提取。在某一实施例中,首先,通过构建指标体系递阶层次的结构,分为目标层、准则层和执行层;其次,构建判断矩阵通过“德尔菲法”确定各项指标的相对重要程度;最后,计算各层相对权重,对15个特征指标进行筛选。
针对高分辨率遥感影像的光谱、纹理以及几何特征共收集以下15个特征指标:
光谱信息:均值、标准差、植被指数和亮度;
纹理信息:均值、标准差、同质性、对比度、相异性、熵、角二阶矩和相关性;
几何信息:面积、周长、光滑度、紧凑度和密度;
将纹理和几何等背景信息的权重适当提高,但光谱特征仍为最重要的影像信息;对上述15个特征进行分析,得到筛选后的特征:
光谱信息:均值、标准差、植被指数和亮度。
纹理信息:均值、标准差和熵。
几何信息:光滑度和紧凑度。
其中,圆的周长面积比在所有的几何图形中是最小的,因此设置hcompact的阈值用来筛选目标识别后的多边形,光滑度和紧凑度的计算公式如下:
光滑度参数:
紧凑度参数:
式中,hsmooth表示多边形的光滑度,hcompact表示多边形的紧凑度,l表示多边形的周长,b为多边形最小外包矩形的周长,s表示多边形的面积。
将经层次分析法处理后的影像通过15、30以及100等多尺度目标识别之后,采用尺度100时分割的斑块,通过面向对象的遥感影像基于模糊C均值聚类算法的分类方法对影像中的地块类别进行提取,基于面向对象的地块边界提取结果进一步将非地块的图斑剔除。
在某一实施例中,模糊C均值聚类算法(FCM)可以是基于S41提取得到的特征对影像中的地块进行属性的识别和分类。该方法是依据最小二乘法原理采用迭代法对目标函数进行优化,并通过优化目标函数,不断迭代计算隶属度和簇中心,使得他们达到最优,从而得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以达到自动对样本数据进行分类的目的。在某一实施例中,通过模糊C均值聚类算法的具体计算过程如下:
设定初始隶属度矩阵U(0),聚类数c,模糊因子m;目标函数为:
计算聚类中心cj:
计算隶属度uij;
计算迭代次数:
式中,t为迭代次数,误差阈值ε>0。
在另一实施例中,图像分割的质量对地块边界范围的提取精度有很大影响,根据农场的背景知识结合基于卫星影像的目视解译结果,进一步判别归类错误的地块的光谱信息及形状信息,返回调整相应的权重值,从而再次计算类别。
本方案通过对人工牧场的遥感原始影像进行预处理,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像,通过预设地块边界提取方法对第一遥感影像进行地块识别,获得识别结果,相较传统基于单时相光谱特征的分类方法,本方案识别得到的地块范围轮廓更清晰,空间上的连续性避免了“椒盐噪声”的现象,目标识别及面向对象的地块提取避免了重叠、碎小多边形图斑。
基于人工牧场作物长势区别于非人工区域植被长势的特点,通过植被指数实现人工牧场的范围进行快速筛选。
针对大面积人工牧场的田块范围,分别从数据选取、数据处理、特征选择、分类方法确立等各个环节建立优化和改进,实现对人工牧场田块范围快速、有效、完整地识别,减少对传统人工绘制地块范围方法的依赖,从而减少耗时,且地块边界的提取结果精度高,地块边界提取完整。
优选地,在上述任意实施例中,通过预设地块边界提取方法对第一遥感影像进行地块识别具体包括:
通过预设检测模型对第一遥感影像进行识别;
在某一实施例中,预设地块边界提取方法可以是基于Mask R-CNN的目标识别方法,采取深度卷积神经网络,运用目标检测算法Faster R-CNN实现对地块的几何边界既快又准确的识别。该方法区别于传统仅仅基于像元统计特征的遥感影像分类方法,保证最终描绘的地块图斑在空间上具有完整性。利用目标实例分割框架Mask R-CNN,如图4所示,实现高效地检测影像中的对象,先用一个候选框将地块类别找出来,再通过语义分割算法FCN生成一张高质量的每块地块的分割掩码,把每块地块都单独分割出来,实现充分利用高分辨率卫星影像丰富的几何及纹理信息,提高识别结果的准确性。
或,根据层次分析法获得第一遥感影像的地块特征;
利用层次分析法(AHP)确定影像提取的特征指标,再根据特征指标进行地块边界提取。在某一实施例中,如图5所示,首先,通过构建指标体系递阶层次的结构,分为目标层、准则层和执行层;其中,目标层为分类特征;准则层为光谱特征、纹理特征和几何特征;执行层为:均值、标准差、植被指数、亮度、同质性、对比度、相异性、熵、角二阶矩、相关性、面积、周长、光滑度紧凑度和密度等。其次,构建判断矩阵通过“德尔菲法”确定各项指标的相对重要程度;最后,计算各层相对权重,对15个特征指标进行筛选。
根据地块特征结合模糊C均值聚类算法对第一遥感影像进行识别。
本方案通过预设检测模型,即使用Mask R-CNN的实例分割框架来识别第一遥感影像,提升了传统CNN及Fast/er CNN框架的精度保证最终描绘的地块图斑在空间上具有完整性,实现高效地检测影像中的对象。
利用层次分析法对特征进行筛选,基于地学知识的特征筛选充分挖掘高分辨率遥感影像丰富的光谱、几何与纹理信息,将三者信息结合大大提升了分类结果的精度。
优选地,在上述任意实施例中,S3之后还包括:S4,根据人工牧场的真实地块数据对识别结果进行验证,并根据验证结果对预设地块边界提取方法的提取参数进行调整。
在某一实施例中,根据牧场真实背景数据对识别结果进行验证,将F1-Score作为评价指标,具体计算公式如下:
其中,TP(True Positive):正确识别为地块;FP(False Positive):将其他地类错误识别为地块;FN(False Negative):未识别出的地块;Recall表示实际为正的样本被判断为正样本的比例;Precision表示预测为正的样本中,实际的正样本的数量。分别通过Precision、Recall、F1-Score三个指标来评估识别结果的准确性。通过调整实例分割阈值以及面向对象方法的分割尺度以反复迭代训练两种方法的分类结果,从而使得以上两种方法综合筛选的地块边界的准确率以及F1-Score得以提升。
本方案通过识别结果对预设地块边界提取方法的提取参数进调整,来实现对预设地块边界提取方法进行修正,提升了块识别准确率。
优选地,在上述任意实施例中,S4具体包括:预设地块边界提取方法的提取参数包括权重值,根据人工牧场的真实地块数据对识别结果进行验证,并根据验证结果调整地块特征的权重值。
本方案通过识别结果对地块特征的权重值进行调整,提升层次分析法的分类准确度。
优选地,在上述任意实施例中,预处理还包括:
提取遥感原始影像中云覆盖区域的分类参数;
根据分类参数对遥感原始影像进行分类;
根据分类结果提取厚云层区域并进行掩膜处理,并进行掩膜裁剪;
将同期其他数据源云层影响正常的区域对厚云层区域通过影像融合方法进行补充,获得预处理后的遥感原始影像。
采用上述进一步方案的有益效果是:本方案通过对遥感原始影像中云覆盖区域进行处理,大大降低云遮挡地块区域对地块识别的影响。
在某一实施例中,一种人工牧场的地块识别方法,如图6所示,S1:高分辨率影像下载及预处理自动化;S2:基于生产管理措施挑选影像;S3:基于Mask R-CNN的目标识别;S4:基于面向对象的参数确定与地块边界提取。
S41:利用层次分析法(AHP)确定影像提取的特征指标;
S42:基于面向对象的地块边界提取。
在某一实施例中,如图2所示,一种基于遥感影像的人工牧场地块识别系统,包括:预处理模块1101、边界划分模块1102和识别模块1103;
预处理模块1101用于获取包括人工牧场的遥感原始影像,并对遥感原始影像进行预处理;
边界划分模块1102用于根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像;
识别模块1103用于通过预设地块边界提取方法对第一遥感影像进行地块识别,获得识别结果。
本方案通过对人工牧场的遥感原始影像进行预处理,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像,通过预设地块边界提取方法对第一遥感影像进行地块识别,获得识别结果,相较传统基于单时相光谱特征的分类方法,本方案识别得到的地块范围轮廓更清晰,空间上的连续性避免了“椒盐噪声”的现象,目标识别及面向对象的地块提取避免了重叠、碎小多边形图斑。
基于人工牧场作物长势区别于非人工区域植被长势的特点,通过植被指数实现人工牧场的范围进行快速筛选。
针对大面积人工牧场的田块范围,分别从数据选取、数据处理、特征选择、分类方法确立等各个环节建立优化和改进,实现对人工牧场田块范围快速、有效、完整地识别,减少对传统人工绘制地块范围方法的依赖,从而减少耗时,且地块边界的提取结果精度高,地块边界提取完整。
优选地,在上述任意实施例中,识别模块1103具体用于通过预设检测模型对第一遥感影像进行识别;
或,根据层次分析法获得第一遥感影像的地块特征;
根据地块特征结合模糊C均值聚类算法对第一遥感影像进行识别。
本方案通过预设检测模型,即使用Mask R-CNN的实例分割框架来识别第一遥感影像,提升了传统CNN及Fast/er CNN框架的精度保证最终描绘的地块图斑在空间上具有完整性,实现高效地检测影像中的对象。
利用层次分析法对特征进行筛选,基于地学知识的特征筛选充分挖掘高分辨率遥感影像丰富的光谱、几何与纹理信息,将三者信息结合大大提升了分类结果的精度。
优选地,在上述任意实施例中,还包括:修正模块,用于根据人工牧场的真实地块数据对识别结果进行验证,并根据验证结果对预设地块边界提取方法的提取参数进行调整。
本方案通过识别结果对预设地块边界提取方法的提取参数进调整,来实现对预设地块边界提取方法进行修正,提升了块识别准确率。
优选地,在上述任意实施例中,修正模块具体用于根据人工牧场的真实地块数据对识别结果进行验证,并根据验证结果调整地块特征的权重值。
本方案通过识别结果对地块特征的权重值进行调整,提升层次分析法的分类准确度。
优选地,在上述任意实施例中,预处理模块1101具体用于提取遥感原始影像中云覆盖区域的分类参数;
根据分类参数对遥感原始影像进行分类;
根据分类结果提取厚云层区域并进行掩膜处理,并进行掩膜裁剪;
将同期其他数据源云层影响正常的区域对厚云层区域通过影像融合方法进行补充,获得预处理后的遥感原始影像。
本方案通过对遥感原始影像中云覆盖区域进行处理,大大降低云遮挡地块区域对地块识别的影响。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是,上述各实施例是与在先方法实施例对应的产品实施例,对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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,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。
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发明实施例方案的目的。
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,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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,或者该技术方案的全部或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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换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以权利要求的保护范围为准。
Claims (8)
1.一种基于遥感影像的人工牧场地块识别方法,其特征在于,包括:
S1,获取包括人工牧场的遥感原始影像,并对所述遥感原始影像进行预处理;
S2,根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像;
S3,通过预设地块边界提取方法对所述第一遥感影像进行地块识别,获得识别结果;
其中,所述通过预设地块边界提取方法对所述第一遥感影像进行地块识别具体包括:
根据层次分析法获得所述第一遥感影像的地块特征;
根据所述地块特征结合模糊C均值聚类算法对所述第一遥感影像进行识别;
所述根据所述地块特征结合模糊C均值聚类算法对所述第一遥感影像进行识别,具体包括:
通过构建指标体系递阶层次的结构,分为目标层、准则层和执行层;
构建判断矩阵通过德尔菲法确定各项指标的相对重要程度;
计算各层相对权重,对15个特征指标进行筛选;
将经层次分析法处理后的影像通过15、30以及100多尺度目标识别之后,采用尺度100时分割的斑块,通过面向对象的遥感影像基于模糊C均值聚类算法的分类方法对所述第一遥感影像中的地块类别进行提取,基于面向对象的地块边界提取结果进一步将非地块的图斑剔除;
依据最小二乘法原理采用迭代法对目标函数进行优化,并通过优化目标函数,不断迭代计算隶属度和簇中心,使得他们达到最优,从而得到所述第一遥感影像中每个样本点对所有类中心的隶属度,根据所述隶属度决定样本点的类属以达到自动对样本数据进行分类识别。
2.根据权利要求1所述的一种基于遥感影像的人工牧场地块识别方法,其特征在于,所述S3之后还包括:S4,根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果对所述预设地块边界提取方法的提取参数进行调整。
3.根据权利要求2所述的一种基于遥感影像的人工牧场地块识别方法,其特征在于,所述S4具体包括:根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果调整所述地块特征的权重值。
4.根据权利要求1所述的一种基于遥感影像的人工牧场地块识别方法,其特征在于,所述预处理还包括:
提取所述遥感原始影像中云覆盖区域的分类参数;
根据所述分类参数对所述遥感原始影像进行分类;
根据分类结果提取厚云层区域并进行掩膜处理,并进行掩膜裁剪;
将同期云层影响正常的区域对所述厚云层区域进行补充,获得预处理后的遥感原始影像。
5.一种基于遥感影像的人工牧场地块识别系统,其特征在于,包括:预处理模块、边界划分模块和识别模块;
所述预处理模块用于获取包括人工牧场的遥感原始影像,并对所述遥感原始影像进行预处理;
所述边界划分模块用于根据植被指数划分出预处理后的遥感原始影像的边界,获得第一遥感影像;
所述识别模块用于通过预设地块边界提取方法对所述第一遥感影像进行地块识别,获得识别结果;
所述识别模块具体用于根据层次分析法获得所述第一遥感影像的地块特征;
根据所述地块特征结合模糊C均值聚类算法对所述第一遥感影像进行识别;
所述根据所述地块特征结合模糊C均值聚类算法对所述第一遥感影像进行识别,具体包括:通过构建指标体系递阶层次的结构,分为目标层、准则层和执行层;
构建判断矩阵通过德尔菲法确定各项指标的相对重要程度;
计算各层相对权重,对15个特征指标进行筛选;
将经层次分析法处理后的影像通过15、30以及100多尺度目标识别之后,采用尺度100时分割的斑块,通过面向对象的遥感影像基于模糊C均值聚类算法的分类方法对所述第一遥感影像中的地块类别进行提取,基于面向对象的地块边界提取结果进一步将非地块的图斑剔除;
依据最小二乘法原理采用迭代法对目标函数进行优化,并通过优化目标函数,不断迭代计算隶属度和簇中心,使得他们达到最优,从而得到所述第一遥感影像中每个样本点对所有类中心的隶属度,根据所述隶属度决定样本点的类属以达到自动对样本数据进行分类识别。
6.根据权利要求5所述的一种基于遥感影像的人工牧场地块识别系统,其特征在于,还包括:修正模块,用于根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果对所述预设地块边界提取方法的提取参数进行调整。
7.根据权利要求6所述的一种基于遥感影像的人工牧场地块识别系统,其特征在于,所述修正模块具体用于根据人工牧场的真实地块数据对所述识别结果进行验证,并根据验证结果调整所述地块特征的权重值。
8.根据权利要求5所述的一种基于遥感影像的人工牧场地块识别系统,其特征在于,所述预处理模块具体用于提取所述遥感原始影像中云覆盖区域的分类参数;
根据所述分类参数对所述遥感原始影像进行分类;
根据分类结果提取厚云层区域并进行掩膜处理,并进行掩膜裁剪;
将同期云层影响正常的区域对所述厚云层区域进行补充,获得预处理后的遥感原始影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428030.9A CN114220004B (zh) | 2021-11-26 | 2021-11-26 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428030.9A CN114220004B (zh) | 2021-11-26 | 2021-11-26 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114220004A CN114220004A (zh) | 2022-03-22 |
CN114220004B true CN114220004B (zh) | 2023-04-18 |
Family
ID=80698663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111428030.9A Active CN114220004B (zh) | 2021-11-26 | 2021-11-26 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220004B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024039690A1 (en) * | 2022-08-15 | 2024-02-22 | Indigo Ag, Inc. | Boundary verification systems |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093182A (zh) * | 2011-11-03 | 2013-05-08 | 北京师范大学 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN107507193A (zh) * | 2017-08-04 | 2017-12-22 | 国家海洋环境监测中心 | 高分三号合成孔径雷达影像围填海信息自动提取方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982486B (zh) * | 2012-11-14 | 2015-08-12 | 北京农业信息技术研究中心 | 一种基于作物长势遥感监测信息的施肥决策方法 |
US10664702B2 (en) * | 2016-12-30 | 2020-05-26 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
CN108416686B (zh) * | 2018-01-30 | 2021-10-19 | 中国矿业大学 | 一种基于煤炭资源开发的生态地质环境类型划分方法 |
CN111898839B (zh) * | 2019-05-05 | 2023-12-15 | 中国农业大学 | 电力用户的重要程度分类方法及装置 |
CN112395914A (zh) * | 2019-08-15 | 2021-02-23 | 中国科学院遥感与数字地球研究所 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
CN111709379B (zh) * | 2020-06-18 | 2023-04-18 | 广西壮族自治区农业科学院 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
CN113378912B (zh) * | 2021-06-08 | 2023-05-12 | 长光卫星技术股份有限公司 | 一种基于深度学习目标检测的林区非法开垦地块检测方法 |
-
2021
- 2021-11-26 CN CN202111428030.9A patent/CN114220004B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093182A (zh) * | 2011-11-03 | 2013-05-08 | 北京师范大学 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN107507193A (zh) * | 2017-08-04 | 2017-12-22 | 国家海洋环境监测中心 | 高分三号合成孔径雷达影像围填海信息自动提取方法 |
Non-Patent Citations (2)
Title |
---|
Zhi Yang等.Classification of the type pf eco-geological environment of a coal mine district: A case study of an ecologically fragile region in Western China.《Journal of Cleaner Production》.2018,第174卷1513-1526. * |
陈建明等. 水利工程精细化管理组合评价与实证分析.《水利经济》.2020,第38卷(第06期),37-42+82-83. * |
Also Published As
Publication number | Publication date |
---|---|
CN114220004A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
Lin et al. | Early-and in-season crop type mapping without current-year ground truth: Generating labels from historical information via a topology-based approach | |
Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
Zhang et al. | Complete and accurate holly fruits counting using YOLOX object detection | |
CN114220004B (zh) | 一种基于遥感影像的人工牧场地块识别方法和系统 | |
Gorte | Probabilistic segmentation of remotely sensed images | |
Pacifici et al. | Automatic change detection in very high resolution images with pulse-coupled neural networks | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
CN114445785A (zh) | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
Shen et al. | Biomimetic vision for zoom object detection based on improved vertical grid number YOLO algorithm | |
CN108596195B (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
Hamidisepehr et al. | Comparison of object detection methods for corn damage assessment using deep learning | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
CN110298366B (zh) | 农作物分布提取方法及装置 | |
Kuswidiyanto et al. | Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation | |
Xiang et al. | Automated forest inventory: Analysis of high-density airborne LiDAR point clouds with 3D deep learning | |
CN110427961B (zh) | 一种基于规则和样本融合的建筑信息提取方法及系统 | |
Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
Rocha IV et al. | Philippine carabao mango pest identification using convolutional neural network | |
Kalmukov et al. | Methods for Automated Remote Sensing and Counting of Animals | |
Lu et al. | Snowvision: Segmenting, identifying, and discovering stamped curve patterns from fragments of pottery | |
CN109886142B (zh) | 一种基于sar技术的农作物解译方法 | |
Eshetae | Tree species classification using uav-rgb images and machine learning algorithms in a mixed temperate forest: a case study of Haagse Bos, Netherlands |
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 |