CN114220020A - 柚木林识别方法、系统及终端 - Google Patents
柚木林识别方法、系统及终端 Download PDFInfo
- Publication number
- CN114220020A CN114220020A CN202111491971.7A CN202111491971A CN114220020A CN 114220020 A CN114220020 A CN 114220020A CN 202111491971 A CN202111491971 A CN 202111491971A CN 114220020 A CN114220020 A CN 114220020A
- Authority
- CN
- China
- Prior art keywords
- coverage area
- teak
- scale
- vegetation
- representing
- 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
- 240000002871 Tectona grandis Species 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种柚木林识别方法，包括：a.输入QuickBird遥感影像数据；b.采用基于面向对象的方法，对上述QuickBird遥感影像数据进行多尺度分割；c.根据多尺度分割的结果，建立分类特征μj、σj和δj；d.利用光谱差异阈值判断非植被覆盖区域，排除植被覆盖度较低区域的影响；e.在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域；f.在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域。本发明还涉及一种柚木林识别系统及终端。本发明使用的数据获取难度小，成本低，不需要进行地遥同步测量，而且数据光谱少，不会带来复杂的数据预处理与降维灾难问题；适用于大规模、大范围的快速应用。
Description
技术领域
本发明涉及一种柚木林识别方法、系统及终端。
背景技术
现有的特种林业资源遥感监测往往依赖于航飞高光谱分类技术，利用种质资源在高光谱上的响应差异来实现目标地物的精准识别。但是利用波段较少的高空间分辨率星基遥感数据进行林业资源定向监测则难度较大，由于缺少光谱信息，只能依赖于监测目标自身与其监测环境在物候等特殊条件下的可区分性。目前该领域内还没有利用低光谱、高空间分辨率星基遥感数据对柚木这一重要林业资源进行简单快速监测的参考方案。
目前主要采用高光谱分类对特定林业资源进行识别与提取，高光谱数据具有光谱范围广、光谱分辨率高、数据量大等特点，这使得利用高光谱数据实现林业资源的精细识别成为了可能，其技术路线主要包括高光谱数据去噪与增强、数据降维与波段选择、利用最大似然、光谱角、支持向量机、随机森林等分类方法进行非监督分类。这些技术往往依赖无人机搭载高光谱载荷进行实地测量，而利用无人机航飞采集高光谱数据不仅成本高昂，也较难形成周期性长时间序列数据集，因而不适合大面积推广应用；同时对于数据的后处理，尤其是在解决“维数灾难”等问题时难度较大。
综上所述，现有的柚木林识别至少存在当前林业遥感相关技术对于柚木林业资源识别的适用性有限，数据源时相选择难，柚木与其它林材间差异小，种内植期多等问题。
发明内容
有鉴于此，有必要提供一种柚木林识别方法、系统及终端，其选用三波段高空间分辨率星基遥感数据，并通过柚木在物候上的特殊性简单快速的实现柚木种植区域的精细提取，以完成柚木林的识别。
本发明提供一种柚木林识别方法，该方法包括如下步骤：a.输入QuickBird遥感影像数据；b.采用基于面向对象的方法，对上述QuickBird遥感影像数据进行多尺度分割；c.根据多尺度分割的结果，建立分类特征μj、σj和δj，其中：μj表示第j个对象所有波段均值的均值，σj表示第j个对象所有波段均值的方差，δj表示第j个对象与其邻域对象的邻接程度；d.利用光谱差异阈值判断非植被覆盖区域，排除植被覆盖度较低区域的影响；e.在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域；f.在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域。
优选地，所述QuickBird遥感影像数据包括3个谱段：B1蓝谱段、B2绿谱段、B3红谱段。
优选地，蓝谱段430～545nm、绿谱段466～620nm、红谱段590～710nm。
优选地，所述的步骤b具体包括：
设置多尺度分割的每个波段的权重Qi值；
设置多尺度分割的分割尺度参数；
设置多尺度分割的形状因子参数；
设置多尺度分割的紧致度因子参数；
在影像对象层上计算多尺度分割的结果，将多尺度分割后产生的对象赋类为“Objectunclassified”。
优选地，所述的步骤c具体包括：
分类特征μj计算方法如下：
其中，
表示第j个对象的第i个波段内所有像元DN值的均值；μj表示第j个对象所有波段均值的均值；
分类特征σj计算方法如下：
其中，σj表示第j个对象所有波段均值的方差；
分类特征δj计算方法如下：
其中，δj表示第j个对象与其邻域对象的邻接程度；lj表示第j个对象的边界长度；lsij表示第j个对象与它的已被分配某一定义的类型中的第i个邻域对象共享的边界长度。
优选地，所述的步骤d具体包括：
如果
判断条件如下：
其中，Objectj表示待判断对象；Objectnon-green vegetation表示非植被对象。
优选地，所述的步骤e具体包括：
如果
判断条件如下：
其中，Objectteak表示柚木对象。
优选地，所述的步骤f具体包括：
如果
判断条件如下：
本发明提供一种柚木林识别系统，该系统包括输入模块、分割模块、分类特征建立模块、非植被覆盖区域判断模块、柚木冠层覆盖区域判断模块、柚木边缘覆盖区域判断模块，其中：所述输入模块用于输入QuickBird遥感影像数据；所述分割模块用于采用基于面向对象的方法，对上述QuickBird遥感影像数据进行多尺度分割；所述分类特征建立模块用于根据多尺度分割的结果，建立分类特征μj、σj和δj，其中：μj表示第j个对象所有波段均值的均值，σj表示第j个对象所有波段均值的方差，δj表示第j个对象与其邻域对象的邻接程度；所述非植被覆盖区域判断模块用于利用光谱差异阈值判断非植被覆盖区域，排除植被覆盖度较低区域的影响；所述柚木冠层覆盖区域判断模块用于在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域；所述柚木边缘覆盖区域判断模块用于在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域。
本发明提供一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现所述的柚木林识别方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以进行柚木林识别。
本申请实施例利用7～8月单一时相QuickBird遥感影像为数据源，以柚木在7～8月生物量旺盛时期的物候差异性为依据，设计光谱与空间分类特征，首先利用光谱差异阈值判断非植被覆盖区域与植被覆盖区域，然后在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域，最后在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域，来实现柚木种植区的高精度提取，不仅可以有效分离出散生在柚木种植区域内的杂树影响，同时也可以有效识别柚木植株边缘与间隙等低光谱区域，提高识别结果的完整性。
附图说明
图1为本申请实施例的柚木林识别方法的流程图；
图2为本申请实施例的柚木林识别系统的硬件架构图；
图3为本申请实施例的实施例的终端结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示，是本发明柚木林识别方法较佳实施例的作业流程图。
步骤S1，输入拍摄的待监测区域QuickBird遥感影像数据。其中：
所述QuickBird遥感影像数据包括3个可见光谱段，所述3个可见光谱段包括：B1蓝谱段、B2绿谱段、B3红谱段；其中：蓝谱段430～545nm、绿谱段466～620nm、红谱段590～710nm。
本实施例输入的是待监测区域7～8月拍摄的QuickBird遥感影像数据；本实施例拍摄的QuickBird遥感影像数据至少1期；同时在数据拍摄时保证在正午过境且晴朗无云。
步骤S2，采用基于面向对象的方法，对上述QuickBird遥感影像数据进行多尺度分割。具体而言：
多尺度分割的流程包括：
(1)参与多尺度分割的波段包括B1、B2、B3，本实施例中将每个波段的权重Qi值均设置为1；
(2)设置分割尺度(Scale Parameter)，在本实施例中根据QuickBird遥感影像数据的分类特点，将分割尺度的数值设置为不超过50：
Scale Parameter≤50；
(3)设置形状因子(Shape)，在本实施例中根据QuickBird遥感影像数据的分类特点，将形状因子的数值设置为不超过0.1：
Shape≤0.1；
(4)设置紧致度因子(Compactness)，在本实施例中根据QuickBird遥感影像数据的分类特点，将紧致度因子的数值设置为不超过0.5；
Compactness≤0.5；
(5)在影像对象层上计算多尺度分割的结果，将多尺度分割后产生的对象赋类为“Objectunclassified”。
步骤S3，根据多尺度分割的结果，建立分类特征μj、σj和δj。具体包括：
分类特征μj计算方法如下：
其中，
表示第j个对象的第i个波段内所有像元DN值的均值；μj表示第j个对象所有波段均值的均值；
分类特征σj计算方法如下：
其中，σj表示第j个对象所有波段均值的方差；
分类特征δj计算方法如下：
其中，δj表示第j个对象与其邻域对象的邻接程度；lj表示第j个对象的边界长度；lsjj表示第j个对象与它的已被分配某一定义的类型中的第i个邻域对象共享的边界长度。
步骤S4，利用光谱差异阈值判断非植被覆盖区域，排除植被覆盖度较低区域的影响。具体而言：
在本实施例中，如果
判断条件如下：
其中，Objectj表示待判断对象；Objectnon-green vegetation表示非植被对象。
步骤S5，在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域。具体而言：
在本实施例中，如果
判断条件如下：
其中，Objectteak表示柚木对象。
步骤S6，在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域。具体而言：
在本实施例中，如果
判断条件如下：
参阅图2所示，是本发明柚木林识别系统10的硬件架构图。该系统包括：输入模块101、分割模块102、分类特征建立模块103、非植被覆盖区域判断模块104、柚木冠层覆盖区域判断模块105、柚木边缘覆盖区域判断模块106。
所述输入模块101用于输入待监测区域QuickBird遥感影像数据。
其中：
所述QuickBird遥感影像数据包括3个可见光谱段，所述3个可见光谱段包括：B1蓝谱段、B2绿谱段、B3红谱段；其中：蓝谱段430～545nm、绿谱段466～620nm、红谱段590～710nm。
本实施例输入的是待监测区域7～8月拍摄的QuickBird遥感影像数据；本实施例拍摄的QuickBird遥感影像数据至少1期；同时在数据拍摄时保证在正午过境且晴朗无云。
所述分割模块102用于采用基于面向对象的方法，对上述QuickBird遥感影像数据进行多尺度分割。具体而言：
所述分割模块102对上述QuickBird遥感影像数据进行多尺度分割，具体包括：
(1)参与多尺度分割的波段包括B1、B2、B3，本实施例中将每个波段的权重Qi值均设置为1；
(2)所述分割模块102设置分割尺度(Scale Parameter)，在本实施例中根据QuickBird遥感影像数据的分类特点，将分割尺度的数值设置为不超过50：
Scale Parameter≤50；
(3)所述分割模块102设置形状因子(Shape)，在本实施例中根据QuickBird遥感影像数据的分类特点，将形状因子的数值设置为不超过0.1：
Shape≤0.1；
(4)所述分割模块102设置紧致度因子(Compactness)，在本实施例中根据QuickBird遥感影像数据的分类特点，将紧致度因子的数值设置为不超过0.5；
Compactness≤0.5；
(5)所述分割模块102在影像对象层上计算多尺度分割的结果，将多尺度分割后产生的对象赋类为“Objectunclassified”。
所述分类特征建立模块103用于根据多尺度分割的结果，建立分类特征μj、σj和δj。具体包括：
分类特征μj计算方法如下：
其中，
表示第j个对象的第i个波段内所有像元DN值的均值；μj表示第j个对象所有波段均值的均值；
分类特征σj计算方法如下：
其中，σj表示第j个对象所有波段均值的方差；
分类特征δj计算方法如下：
其中，表示第个对象与其邻域对象的邻接程度；表示第个对象的边界长度；表示第个对象与它的已被分配某一定义的类型中的第个邻域对象共享的边界长度。
所述非植被覆盖区域判断模块104用于利用光谱差异阈值判断非植被覆盖区域，排除植被覆盖度较低区域的影响。具体而言：
在本实施例中，如果
判断条件如下：
其中，Object表示待判断对象；Objectnon-green vegetation表示非植被对象。
所述柚木冠层覆盖区域判断模块105用于在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域。具体而言：
在本实施例中，如果
判断条件如下：
其中，Objectteak表示柚木对象。
所述柚木边缘覆盖区域判断模块106用于在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域。具体而言：
在本实施例中，如果
判断条件如下：
请参阅图3，为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述柚木林识别方法的程序指令。
处理器51用于执行存储器52存储的程序指令以进行柚木林识别。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。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。
本申请使用的数据获取难度小，成本低，不需要进行地遥同步测量，而且数据光谱少，不会带来复杂的数据预处理与降维灾难问题；同时受到使用者的主观判断分析影响较少，适用于大规模、大范围的快速应用。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。
Claims (10)
1.一种柚木林识别方法，其特征在于，该方法包括如下步骤：
a.输入QuickBird遥感影像数据；
b.采用基于面向对象的方法，对上述QuickBird遥感影像数据进行多尺度分割；
c.根据多尺度分割的结果，建立分类特征μj、σj和δj，其中：μj表示第j个对象所有波段均值的均值，σj表示第j个对象所有波段均值的方差，δj表示第j个对象与其邻域对象的邻接程度；
d.利用光谱差异阈值判断非植被覆盖区域，排除植被覆盖度较低区域的影响；
e.在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域；
f.在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域。
2.如权利要求1所述的方法，其特征在于，所述QuickBird遥感影像数据包括3个谱段：B1蓝谱段、B2绿谱段、B3红谱段。
3.如权利要求2所述的方法，其特征在于，蓝谱段430～545nm、绿谱段466～620nm、红谱段590～710nm。
4.如权利要求3所述的方法，其特征在于，所述的步骤b具体包括：
设置多尺度分割的每个波段的权重Qi值；
设置多尺度分割的分割尺度参数；
设置多尺度分割的形状因子参数；
设置多尺度分割的紧致度因子参数；
在影像对象层上计算多尺度分割的结果，将多尺度分割后产生的对象赋类为“Objectunclassified”。
5.如权利要求4所述的方法，其特征在于，所述的步骤c具体包括：
分类特征μj计算方法如下：
其中，
表示第j个对象的第i个波段内所有像元DN值的均值；μj表示第j个对象所有波段均值的均值；
分类特征σj计算方法如下：
其中，σj表示第j个对象所有波段均值的方差；
分类特征δj计算方法如下：
其中，δj表示第j个对象与其邻域对象的邻接程度；lj表示第j个对象的边界长度；
表示第j个对象与它的已被分配某一定义的类型中的第i个邻域对象共享的边界长度。
6.如权利要求5所述的方法，其特征在于，所述的步骤d具体包括：
如果
判断条件如下：
其中，Objectj表示待判断对象；Objectnon-green vegetation表示非植被对象。
7.如权利要求6所述的方法，其特征在于，所述的步骤e具体包括：
如果
判断条件如下：
其中，Objectteak表示柚木对象。
8.如权利要求7所述的方法，其特征在于，所述的步骤f具体包括：
如果
判断条件如下：
9.一种柚木林识别系统，其特征在于，该系统包括输入模块、分割模块、分类特征建立模块、非植被覆盖区域判断模块、柚木冠层覆盖区域判断模块、柚木边缘覆盖区域判断模块，其中：
所述输入模块用于输入QuickBird遥感影像数据；
所述分割模块用于采用基于面向对象的方法，对上述QuickBird遥感影像数据进行多尺度分割；
所述分类特征建立模块用于根据多尺度分割的结果，建立分类特征μj、σj和δj，其中：μj表示第j个对象所有波段均值的均值，σj表示第j个对象所有波段均值的方差，δj表示第j个对象与其邻域对象的邻接程度；
所述非植被覆盖区域判断模块用于利用光谱差异阈值判断非植被覆盖区域，排除植被覆盖度较低区域的影响；
所述柚木冠层覆盖区域判断模块用于在植被覆盖区域里利用光谱差异阈值判断柚木冠层覆盖区域；
所述柚木边缘覆盖区域判断模块用于在植被覆盖区域里利用空间位置信息阈值判断柚木边缘覆盖区域。
10.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-8任一项所述的柚木林识别方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以进行柚木林识别。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111491971.7A CN114220020A (zh) | 2021-12-08 | 2021-12-08 | 柚木林识别方法、系统及终端 |
| PCT/CN2022/137413 WO2023104130A1 (zh) | 2021-12-08 | 2022-12-08 | 柚木林识别方法、系统及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111491971.7A CN114220020A (zh) | 2021-12-08 | 2021-12-08 | 柚木林识别方法、系统及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114220020A true CN114220020A (zh) | 2022-03-22 |
Family
ID=80700247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111491971.7A Pending CN114220020A (zh) | 2021-12-08 | 2021-12-08 | 柚木林识别方法、系统及终端 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114220020A (zh) |
| WO (1) | WO2023104130A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023104130A1 (zh) * | 2021-12-08 | 2023-06-15 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274361A (zh) * | 2017-05-26 | 2017-10-20 | 深圳先进技术研究院 | Landsat TM遥感影像数据除云方法及系统 |
| CN108960089A (zh) * | 2018-06-20 | 2018-12-07 | 中科禾信遥感科技（苏州）有限公司 | 一种茶树林遥感监测的方法及装置 |
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
| WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
| CN112651312A (zh) * | 2020-12-15 | 2021-04-13 | 北京林业大学 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609726B (zh) * | 2012-02-24 | 2014-04-16 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
| CN103679202B (zh) * | 2013-12-17 | 2017-04-12 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
| CN112381013B (zh) * | 2020-11-18 | 2024-02-27 | 南通市测绘院有限公司 | 基于高分辨率遥感影像的城市植被反演方法及系统 |
| CN114220020A (zh) * | 2021-12-08 | 2022-03-22 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
-
2021
- 2021-12-08 CN CN202111491971.7A patent/CN114220020A/zh active Pending
-
2022
- 2022-12-08 WO PCT/CN2022/137413 patent/WO2023104130A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| CN107274361A (zh) * | 2017-05-26 | 2017-10-20 | 深圳先进技术研究院 | Landsat TM遥感影像数据除云方法及系统 |
| CN108960089A (zh) * | 2018-06-20 | 2018-12-07 | 中科禾信遥感科技（苏州）有限公司 | 一种茶树林遥感监测的方法及装置 |
| CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
| WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
| CN112651312A (zh) * | 2020-12-15 | 2021-04-13 | 北京林业大学 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭亚鸽等: "面向对象的森林植被图像识别分类方法", 地球信息科学学报, vol. 14, no. 4, 31 August 2021 (2021-08-31), pages 514 - 522 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023104130A1 (zh) * | 2021-12-08 | 2023-06-15 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023104130A1 (zh) | 2023-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390267B (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
| CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
| Macfarlane | Classification method of mixed pixels does not affect canopy metrics from digital images of forest overstorey | |
| JP5673823B2 (ja) | 植物種識別装置、方法およびプログラム | |
| CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
| WO2020062360A1 (zh) | 一种图像融合分类的方法及装置 | |
| CN110796152A (zh) | 一种基于倾斜摄影的群体建筑物震害提取方法及系统 | |
| JP6064712B2 (ja) | 樹種識別装置及び樹種識別方法 | |
| CN113901972A (zh) | 遥感图像建筑物的检测方法、装置、设备及存储介质 | |
| CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
| 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 | |
| CN110738171A (zh) | 基于类特征迭代随机采样的高光谱图像谱空分类方法 | |
| CN114220020A (zh) | 柚木林识别方法、系统及终端 | |
| Wu et al. | Automatic kernel counting on maize ear using RGB images | |
| CN109145770B (zh) | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 | |
| CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
| CN113378912A (zh) | 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 | |
| CN116363523B (zh) | 基于遥感信息的松材线虫疫木监测方法、终端及介质 | |
| CN106198402A (zh) | 一种基于航天多光谱遥感数据的基性岩识别方法 | |
| JP6060377B2 (ja) | 画像クラスタ分析装置 | |
| CN113627292B (zh) | 基于融合网络的遥感图像识别方法及装置 | |
| Li et al. | Tree species classification based on WorldView-2 imagery in complex urban environment | |
| CN111563472B (zh) | 一种烟羽林地快速火烧迹地提取方法及装置 | |
| Kumar et al. | A symbiosis with panicle-SEG based CNN for count the number of wheat ears | |
| Panigrahi et al. | Image pan-sharpening and sub-pixel classification enabled building detection in strategically challenged forest neighborhood environment |
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 |