CN114240980A - 一种无人机影像亚田块边界提取方法及装置 - Google Patents

一种无人机影像亚田块边界提取方法及装置 Download PDF

Info

Publication number
CN114240980A
CN114240980A CN202111316060.0A CN202111316060A CN114240980A CN 114240980 A CN114240980 A CN 114240980A CN 202111316060 A CN202111316060 A CN 202111316060A CN 114240980 A CN114240980 A CN 114240980A
Authority
CN
China
Prior art keywords
image
sub
unmanned aerial
aerial vehicle
farmland
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
CN202111316060.0A
Other languages
English (en)
Inventor
李存军
周静平
郑茜
王佳宇
覃苑
陶欢
卢闯
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.)
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
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 Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority to CN202111316060.0A priority Critical patent/CN114240980A/zh
Publication of CN114240980A publication Critical patent/CN114240980A/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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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)
  • 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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种无人机影像亚田块边界提取方法及装置，方法包括：对第二无人机影像进行多尺度分割，生成至少一个子影像；基于每个子影像的植被高程信息、每个子影像的空间特征和每个子影像的光谱特征对子影像进行分类，创建植被类影像集和裸土类影像集；将植被类影像集中的子影像进行影像合并，并将裸土类影像集中的子影像进行影像合并后，共同构成亚农田田块影像；确定亚农田田块影像相关的初始亚农田边界。本发明通过多时像无人机影像的数字表面模型获取到植被高程信息，并将植被高程信息作为主要的特征，结合光谱特征和空间特征对分割后的子影像进行分类，从而生成农田亚田块影像，可以有效地实现对亚田块边界的提取。

Description

一种无人机影像亚田块边界提取方法及装置
技术领域
本发明涉及农业遥感技术领域，尤其涉及一种无人机影像亚田块边界提取方法及装置。
背景技术
“精准农业”是基于农田作物和环境的空间差异性，通过各种技术获取农田不同单元的基础信息，进而实现农田优化管理。农田基础信息是实施“精准农业”最重要的基础数据，其中农田边界空间分布信息的获得，可辅助精准耕作的农资投入、农机调度等。然而传统的人工数字化方法来提取田块边界不仅费时费力，而且需要解译人员具有丰富的专业知识，而近年来随着高空间分辨率卫星的不断增加，利用高分辨率卫星影像进行田块边界提取研究不断增加。
利用高空间分辨率卫星影像进行田块边界提取主要应用在田块外围边界提取，监测作物的分布和面积。而平原地区农田内部还存在田埂，划分有亚田块，由于相邻地块田埂宽度较窄，则需厘米级分辨率影像进行亚田块边界的提取，而厘米级卫星影像属于商业数据，需购买使用并且价格昂贵，无人机低成本、机动灵活并且可以获取厘米级分辨率影像，已被广泛应用于各种研究。
目前大多数研究都是利用光谱信息与纹理特征进行农田地块边界提取，难以实现对农田的亚田块边界进行有效地提取。
发明内容
本发明提供一种无人机影像亚田块边界提取方法与装置，用以解决现有技术中难以实现对农田亚田块边界进行有效地提取的问题。
第一方面，本发明提供一种无人机影像亚田块边界提取方法，包括：基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；对所述第二无人机影像进行多尺度分割，生成至少一个子影像；基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成农田亚田块影像；确定所述农田亚田块影像相关的初始农田亚田块边界；所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
根据本发明提供的一种无人机影像亚田块边界提取方法，在确定所述农田亚田块影像相关的初始农田亚田块边界后，还包括：对所述亚农田田块影像进行二值化处理以生成二值化图像；对所述二值化图像进行霍夫变换，以获取所述二值化图像中的所有边界直线；延长每条所述边界直线，并提取所有延长后的边界直线的相交部分作为亚农田边界。
根据本发明提供的一种无人机影像亚田块边界提取方法，对所述二值化图像进行霍夫变换，以获取所述二值化图像中的所有边界直线，包括：
将所述二值化图像从x-y平面空间转到a-b参数空间中；
所述a-b参数空间中的直线与所述x-y平面空间中的点一一对应；
根据在所述a-b参数空间中通过点(a,b)的多条直线，确定在所述x-y平面空间中的多个端点；
依次连接多个所述端点生成所述边界直线。
根据本发明提供的一种无人机影像亚田块边界提取方法，对所述第二无人机影像进行多尺度分割，生成至少一个子影像，包括：基于Canny边缘检测算子，利用预先设置的分割参数对所述第二无人机影像进行分割，以生成至少一个子影像；所述分割参数包括：分割尺度、形状因子以及紧致度因子。
根据本发明提供的一种无人机影像亚田块边界提取方法，所述基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息，包括：基于所述第一无人机影像的数字表面模型和第二无人机影像的数字表面模型的差值，确定所述植被高程信息；所述第一无人机影像的数字表面模型包括裸土高程信息和田埂高程信息；所述第二无人机影像的数字表面模型包括植被覆盖区高程信息和田埂高程信息。
根据本发明提供的一种无人机影像亚田块边界提取方法，在基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息之前，还包括：分别获取目标农田区域的第一初始影像数据和第二初始影像数据；采用双线性内插法分别对第一初始影像数据和第二初始影像数据进行重采样；基于重采样后的第一初始影像数据获取第一无人机影像的数字表面模型；基于重采样后的第二初始影像数据获取第二无人机影像的数字表面模型。
根据本发明提供的一种无人机影像亚田块边界提取方法，在根据所述边界直线的斜率延长所述边界直线，并提取相交的直线，以获取亚农田边界后，还包括：将所述亚农田边界转化为矢量文件，进行遥感制图，并在平台展示。
第二方面，本发明还提供一种无人机影像亚田块边界提取装置，包括：第一模块，用于基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；
第二模块，用于对所述第二无人机影像进行多尺度分割，生成至少一个子影像；
第三模块，用于基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；
第四模块，用于将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成亚农田田块影像；
第五模块，用于确定所述农田亚田块影像相关的初始农田亚田块边界；
所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
第三方面，本发明提供一种电子设备，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无人机影像亚田块边界提取方法的步骤。
第四方面，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如上述任一种所述无人机影像亚田块边界提取方法的步骤。
本发明提供的无人机影像亚田块边界提取方法及装置，通过多时相无人机影像的数字表面模型获取到植被高程信息，并将植被高程信息作为主要的特征，结合光谱特征和空间特征对分割后的子影像进行分类，从而生成亚农田田块影像，可以有效地实现对亚田块边界的提取。
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是本发明提供的无人机影像亚田块边界提取方法的流程示意图；
图2是本发明提供的无人机影像亚田块边界提取装置的结构示意图；
图3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。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”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。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，可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合图1-图3描述本发明实施例所提供的无人机影像亚田块边界提取方法和装置。
图1是本发明提供的无人机影像亚田块边界提取方法的流程示意图，如图1所示，包括但不限于以下步骤：
步骤101：基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息。
其中，第一无人机影像为目标农田区域在裸露时期的数字正射影像图，第二无人机影像为目标农田区域在植被覆盖时期的数字正射影像图。
下面对获取第一无人机影像和第二无人机影像过程进行说明：
可以利用无人机分别获取10月末以及第二年4月中旬的目标农田区域的RGB影像数据。10月末(裸露时期)地块主要为裸露的土地，4月中旬(植被覆盖时期)随着季节变化大部分农田地块已经被绿色植被所覆盖，该时期适合用来提取亚农田边界。
为保证在获取一致的范围内获取无人机的RGB影像数据，在进行两次航线规划中完全利用同一个航线规划，在进行航线规划过程中，设置相同的无人机起降点，拍摄航高设置为200m，为保证影像质量将航向重叠与旁向重叠率均设置为80％。
无人机获取完RGB影像数据以后，可以将RGB影像数据导出并查看其完整性和清晰度是否满足后续实验要求。检查完RGB影像数据质量以后，可以将获取的照片导入到Pix4Dmapper软件中进行影像的输入输出设置。
由于无人机定位信息采用实时差分并且通过解算得到的RGB影像的坐标系为CGCS2000，所以在进行输入坐标系设置时需将输入坐标系与实际坐标系相统一，输出坐标系同样选择CGCS2000，之后在处理选项模板中选择“3D地图”，最终生成数字正射影像图(Digital Orthophoto Map，DOM)以及数字表面模型(Digital Surface Model，DSM)，上述DOM图和DSM图的空间分辨率可以设置为0.03m。
采用上述方法可以获取10月末的目标农田区域的DOM图并将其作为第一无人机影像，以及目标农田区域的DOM图，将其作为第一无人机影像的数字表面模型。
基于上述实施例中的方法也可以获取来年4月中旬的目标农田区域的DOM图并将其作为第二无人机影像，以及目标农田区域的DOM图，将其作为第二无人机影像的数字表面模型。
可选地，通过分析第一无人机影像的数字表面模型和第二无人机影像的数字表面模型包含的高程信息的差异，，即可获得目标农田区域的植被高程信息。
以目标农田区域的植被小麦为例，在小麦灌浆时期(植被覆盖时期)的株高与田埂高度相差较大，则更容易获取特征明显的植被高程信息，则对植被覆盖时期的无人机影像也即第二无人机影像进行处理，更加有利于提取农田亚田块边界。以下的步骤就主要是对第二无人机影像进行处理的过程。
步骤102：对所述第二无人机影像进行多尺度分割，生成至少一个子影像。
为了对第二无人机影像中的地物类别进行更好分类，需要首先对第二无人机影像中的地物进行分割，以将第二无人机影像中的地物分割成不同的子影像。例如采用边缘检测算子即可实现上述分割过程。
步骤103：基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集。
每个所述子影像的植被高程信息主要反映了小麦的株高特征，有利于将目标农田区域小麦种植区域与裸土区域区分出来。
空间特征主要包括形状指数和长宽比等。当第二无人机影像中的子影像为规则矩形或者长条带状时，可以通过形状指数和长宽比反映出不同类别的子影像的差别。
植被类影像和裸土类影像具有不同的光谱特征，可以选择第二无人机影像的红波段均值作为光谱特征，参与对子影像的分类。
本发明可以借助eCognition软件，通过将植被高程信息作为阈值分类的主要特征，并且结合空间特征和光谱特征对所有的子影像进行阈值分类，便可以将所有的子影像分成植被类影像和裸土类影像这两类子影像，并且创建植被类影像集和裸土类影像集。
步骤104：将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成亚农田田块影像。
进行阈值分类后的子影像可能存在被漏分或者错分现象，可以利用矩形拟合因子对分类结果进行细化，从而减少子影像被误分和漏分。然后再对细化后的子影像进行后处理，后处理主要是对同类的子影像进行影像合并，并去除一些小图斑的影响。
本发明中对植被类影像集中的所有子影像进行影像合并，并对裸土类影像集中的所有子影像进行影像合并。相应的，植被类影像合并后生成的影像为植被区域影像，裸土类影像合并后生成的影像为背景区域影像，将小麦区域影像和背景区域影像结合最终就可以形成农田亚田块影像。上述影像合并过程也可以借助eCognition软件来完成。
步骤105：确定所述亚农田田块影像相关的初始农田亚田块边界。
例如，在eCognition软件中将农田亚田块影像以shapefile文件的形式输出，并且在ArcGIS软件中打开，将shp图层叠加在第二无人机影像上，便可以查看分析初始亚农田边界的提取结果。
本发明提供的无人机影像亚田块边界提取方法，通过多时相无人机影像的数字表面模型获取到植被高程信息，并将植被高程信息作为主要的特征，结合光谱特征和空间特征对分割后的子影像进行分类，从而生成农田亚田块影像，可以有效地实现对亚田块边界的提取。
基于上述实施例，作为一种可选的实施例，本发明提供一种无人机影像亚田块边界提取方法，在确定所述亚农田田块影像相关的初始农田亚田块边界后，还包括：对所述农田亚田块影像进行二值化处理以生成二值化图像；对所述二值化图像进行霍夫变换，以获取所述二值化图像中的所有边界直线；延长每条所述边界直线，并提取所有延长后的边界直线的相交部分作为农田亚田块边界。
为了进一步的对农田亚田块影像进行农田亚田块边界的提取。本发明将农田亚田块影像的矢量shapefile文件转换为栅格tif文件后，在Matlab中将tif格式的亚农田田块影像进行二值化处理生成二值化图像。
二值化图像中只包含一个通道的信息且像素值单一，通过比较各相邻像素间的亮度差别，亮度产生突变的地方就是边缘像素，将这些边缘像素点连接到一起就形成了具有直线边缘图像，更加有利于后续的边界直线的提取。
基于上述实施例，作为一种可选的实施例，本发明对所述二值化图像进行霍夫变换得到边界直线，包括：将所述二值化图像从x-y平面空间转到a-b参数空间中；a-b参数空间中的直线与x-y平面空间中的点一一对应；根据在a-b参数空间中通过点(a,b)的多条直线，确定在所述x-y平面空间中的多个端点；依次连接多个所述端点生成所述边界直线。
本发明将二值化图像从x-y平面空间转为a-b参数空间，转化公式为：
b＝-ax+y
其中，x和y为x-y平面空间下的坐标，a为x-y平面空间下的斜率，b为x-y平面空间下的截距。
下面对基于霍夫变换的边界直线检测的原理和过程进行简要说明：
设二值化图像在x-y平面空间的点(xi,yi)，则将x-y平面空间转为a-b参数空间中后，点(xi,yi)在a-b参数空间中便转换成了直线b＝-axi+yi。
同样的，对于二值化图像在x-y平面空间中的另一点(xi,yi)，对应在a-b参数空间中的直线为b＝-axj+yj，并且上述两条直线相交与点(a,b)。即x-y平面空间的点与a-b参数空间中的直线一一对应。
基于上述原理，在a-b参数空间中若多条直线(至少两条)都相交于一个点(a,b)，那么就可以在x-y平面内确定出多个端点，连接上述x-y平面内的多个端点，即可确定出待检测的x-y平面空间内的边界直线。
在a-b参数空间内通过点(a,b)的直线越多，说明平面x-y空间中的边界直线越长，通过识别a-b参数空间内通过点(a,b)上的直线数量即可调整截取的直线长度，由此对边界直线进行进一步细化，剔除不符合条件的细小边缘，完成基于霍夫变换的边界直线的检测。
另外，针对亚田块因农机调头引起的地头田埂被磨平的模糊地带，可能会导致在进行霍夫变换的边界直线的检测时，检测不到模糊地带的边界直线，从而导致边界直线的缺失，提取出的亚农田边界也会出现不闭合的情况。
上述由于模糊地带导致的不完整的边界直线的延长线通常与农田地块的边界直线接近垂直，根据上述即特征即可实现对亚农田边界的拟合。
可选地，根据提取出的每一条边界直线的斜率延长每一条边界直线，并提取出所有延长后的边界直线的相交部分作为亚农田边界。
下面对如何提取所有的边界直线的相交部分的原理进行简单的介绍。通过下式将边界直线转换至极坐标中，用距离-角度(ρ,θ)进行描述。
ρ＝xcosθ+ysinθ
其中x，y为平面坐标下的坐标，θ为角度，ρ为边界直线长度。
在待延长的边界直线的起点定义一个高斯核，沿着该边界直线上的点依次检查每个点位周围高斯核的变化，若水平/垂直方向有较大突变，且变化角度θ≥45°时，表明该边界直线与另一条边界直线相交，则将对此时θ对应的点位之后的边界直线进行截断。基于上述实施例中的方式，对所有进行延长的边界直线，执行上述截断操作，最终即可生成亚农田边界。
可选地，由于田埂空余部分通常大于农机的宽度，为保证亚田块边界的拟合效果，本发明中将边界直线的延长线长度设为8米。
本发明通过霍夫变换对获取的初始亚农田边界进行进一步的边界检测，并且对模糊地带缺失的亚农田边界进行拟合，生成了更加完整而且精准的亚田块边界。
基于上述实施例，作为一种可选的实施例，本发明提供的无人机影像亚田块边界提取方法，在基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息之前，还包括：分别获取目标农田区域的第一初始影像数据和第二初始影像数据；采用双线性内插法分别对第一初始影像数据和第二初始影像数据进行重采样；基于重采样后的第一初始影像数据获取第一无人机影像的数字表面模型；基于重采样后的第二初始影像数据获取第二无人机影像的数字表面模型。
根据研究表明，空间分辨率为10cm时能够有效提取亚田块边界，本发明利用双线性内插法分别对获取的第一初始影像数据和第二初始影像数据进行重采样，使得重采样后的影像数据的空间分辨率为10cm。
对重采样后的第一初始影像数据和第二初始影像数据通过Pix4Dmapper软件进行处理即可以生成第一无人机影像的数字表面模型和第二无人机影像的数字表面模型。
需要说明的是，第一初始影像数据为10月末的目标农田区域的RGB影像数据，第二初始影像数据为第二年4月中旬的目标农田区域的RGB影像数据。
本发明通过对无人机获取的初始影像数据进行重采样，对初始影像数据的空间分辨率进行调整，更加有利于农田亚田块边界的提取。
基于上述实施例，作为一种可选的实施例，本发明提供的无人机影像亚田块边界提取方法，所述基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息，包括：基于所述第一无人机影像的数字表面模型和第二无人机影像的数字表面模型的差值，确定所述植被高程信息；所述第一无人机影像的数字表面模型包括裸土高程信息和田埂高程信息；所述第二无人机影像的数字表面模型包括植被覆盖区高程信息和田埂高程信息。
分别获取第一无人机影像的数字表面模型以及第二无人机影像的数字表面模型。其中，第一无人机影像的数字表面模型(记为DSM1)由于是在10月份裸露时期获取的，那么DSM1主要包括裸土高程信息和田埂高程信息，并将DSM1作为基础高程信息。
第二无人机影像的数字表面模型(记为DSM2)由于是在4月份植被覆盖时期获取的，那么DSM2主要包括植被覆盖区高程信息和田埂高程信息。
将上述两个时期的无人机影像的数字表面模型的比较得到DSM0对上述过程进行数学化表达，其计算公式相当于：
DSM0＝DSM2-DSM1
那么得到的DSM0中的田埂高程信息接近于0，DSM0中植被覆盖区域的高程信息大于0。
本发明中通过两个时期的无人机影像的数字表面模型，有效地从无人机影像中提取出了植被覆盖区域的植被高程信息。
基于上述实施例，作为一种可选的实施例，本发明对所述第二无人机影像进行多尺度分割，生成至少一个子影像，包括：基于Canny边缘检测算子，利用预先设置的分割参数对所述第二无人机影像进行分割，以生成至少一个子影像；所述分割参数包括：分割尺度、形状因子以及紧致度因子。
本发明可以通过对第二无人机影像的R波段做Canny算子边缘检测，然后将Canny算子边缘检测后的图像与第二无人机影像一起参与图像分割，分割时主要设置的分割参数有分割尺度、形状因子以及紧致度因子和权重因子。
当空间分辨率越高时分割尺度需要设置的越大，空间分辨率越小时，分割尺度需要设置的越小。在确定分割尺度的参数时，从10到100以间隔10进行实验，经过多次尝试，初步选择初始分割尺度为30，形状因子为0.6，紧致度为0.5，并得到ROC曲线。
根据ROC曲线中的峰值信息并结合第二无人机影像中的地物特征，最终确定适合提取初始农田亚田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。上述第二无人机影像的分割过程可在eCognition软件中完成。
本发明通过对分割参数进行优选确定了适合提取初始农田亚田块边界的分割参数，并基于优选的分割参数实现了对第二无人机影像更加精确的切割。
基于上述实施例，作为一种可选的实施例，本发明提供的无人机影像亚田块边界提取方法，在根据所述边界直线的斜率延长所述边界直线，并提取相交的直线，以获取亚农田边界后，还包括：将所述亚农田边界转化为矢量文件，进行遥感制图，并在平台展示。
本发明将亚农田边界通过ArcGIS软件转为矢量文件，并且加载到ArcGIS软件中，加载结果呈现为带有属性的多边形。然后，对亚田块边界进行遥感制图表达，最后按照一定的比例和规则在平面上展示出来。
本发明通过将亚田块边界进行遥感制图表达并且在平台上展示，更加有利于工作人员查看亚田块边界的提取结果。
图2是本发明提供的无人机影像亚田块边界提取装置的结构示意图，如图2所示，该装置包括：第一模块201，第二模块202，第三模块203，第四模块204，第五模块205。
第一模块201，用于基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；
第二模块202，用于对所述第二无人机影像进行多尺度分割，生成至少一个子影像；
第三模块203，用于基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；
第四模块204，用于将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成农田亚田块影像；
第五模块205，用于确定所述农田亚田块影像相关的初始农田亚田块边界；
所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
本发明提供的无人机影像亚田块边界提取装置，通过多时相无人机影像的数字表面模型获取植被高程信息，并将植被高程信息作为主要的特征，并且结合光谱特征和空间特征对分割后的子影像进行分类，从而生成农田亚田块影像，可以有效地实现对亚田块边界的有效提取。
需要说明的是，本发明实施例提供的无人机影像亚田块边界提取装置，在具体运行时，可以执行上述任一实施例所述的无人机影像亚田块边界提取方法，对此本实施例不作赘述。
图3是本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行无人机影像亚田块边界提取方法，该方法包括：基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；对所述第二无人机影像进行多尺度分割，生成至少一个子影像；基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成农田亚田块影像；确定所述农田亚田块影像相关的初始农田亚田块边界；所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
此外，上述的存储器330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无人机影像亚田块边界提取方法，该方法包括：基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；对所述第二无人机影像进行多尺度分割，生成至少一个子影像；基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成农田亚田块影像；确定所述农田亚田块影像相关的初始农田亚田块边界；所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
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无人机影像亚田块边界提取方法，该方法包括：基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；对所述第二无人机影像进行多尺度分割，生成至少一个子影像；基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成农田亚田块影像；确定所述农田亚田块影像相关的初始农田亚田块边界；所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
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)

1.一种无人机影像亚田块边界提取方法，其特征在于，包括：
基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；
对所述第二无人机影像进行多尺度分割，生成至少一个子影像；
基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；
将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成农田亚田块影像；
确定所述农田亚田块影像相关的初始农田亚田块边界；
所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
2.根据权利要求1所述的无人机影像亚田块边界提取方法，其特征在于，在确定所述农田亚田块影像相关的初始农田亚田块边界后，还包括：
对所述农田亚田块影像进行二值化处理以生成二值化图像；
对所述二值化图像进行霍夫变换，以获取所述二值化图像中的所有边界直线；
延长每条所述边界直线，并提取所有延长后的边界直线的相交部分作为亚农田边界。
3.根据权利要求2所述的无人机影像亚田块边界提取方法，其特征在于，对所述二值化图像进行霍夫变换，以获取所述二值化图像中的所有边界直线，包括：
将所述二值化图像从x-y平面空间转到a-b参数空间中；
所述a-b参数空间中的直线与所述x-y平面空间中的点一一对应；
根据在所述a-b参数空间中通过点(a,b)的多条直线，确定在所述x-y平面空间中的多个端点；
依次连接多个所述端点生成所述边界直线。
4.根据权利要求1所述的无人机影像亚田块边界提取方法，其特征在于，对所述第二无人机影像进行多尺度分割，生成至少一个子影像，包括：
基于Canny边缘检测算子，利用预先设置的分割参数对所述第二无人机影像进行分割，以生成至少一个子影像；
所述分割参数包括：分割尺度、形状因子以及紧致度因子。
5.根据权利要求1所述的无人机影像亚田块边界提取方法，其特征在于，所述基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息，包括：
基于所述第一无人机影像的数字表面模型和第二无人机影像的数字表面模型的差值，确定所述植被高程信息；
所述第一无人机影像的数字表面模型包括裸土高程信息和田埂高程信息；
所述第二无人机影像的数字表面模型包括植被覆盖区高程信息和田埂高程信息。
6.根据权利要求1所述的无人机影像亚田块边界提取方法，其特征在于，在基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息之前，还包括：
分别获取目标农田区域的第一初始影像数据和第二初始影像数据；
采用双线性内插法分别对第一初始影像数据和第二初始影像数据进行重采样；
基于重采样后的第一初始影像数据获取第一无人机影像的数字表面模型；
基于重采样后的第二初始影像数据获取第二无人机影像的数字表面模型。
7.根据权利要求2所述的无人机影像亚田块边界提取方法，其特征在于，在根据所述边界直线的斜率延长所述边界直线，并提取相交的直线，以获取农田亚田块边界后，还包括：
将所述农田亚田块边界转化为矢量文件，进行遥感制图，并在平台展示。
8.一种无人机影像亚田块边界提取装置，其特征在于，包括：
第一模块，用于基于第一无人机影像的数字表面模型和第二无人机影像的数字表面模型，获取目标农田区域的植被高程信息；
第二模块，用于对所述第二无人机影像进行多尺度分割，生成至少一个子影像；
第三模块，用于基于每个所述子影像的植被高程信息、每个所述子影像的空间特征和每个所述子影像的光谱特征对所有子影像进行分类，创建植被类影像集和裸土类影像集；
第四模块，用于将所述植被类影像集中的所有子影像进行影像合并，并将所述裸土类影像集中的所有子影像进行影像合并后，共同构成农田亚田块影像；
第五模块，用于确定所述农田亚田块影像相关的初始亚农田边界；
所述第一无人机影像为所述目标农田区域在裸露时期的数字正射影像图，所述第二无人机影像为所述目标农田区域在植被覆盖时期的数字正射影像图。
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计算机程序时实现如权利要求1至7任一项所述无人机影像亚田块边界提取方法步骤。
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任一项所述无人机影像亚田块边界提取方法步骤。
CN202111316060.0A 2021-11-08 2021-11-08 一种无人机影像亚田块边界提取方法及装置 Pending CN114240980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316060.0A CN114240980A (zh) 2021-11-08 2021-11-08 一种无人机影像亚田块边界提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316060.0A CN114240980A (zh) 2021-11-08 2021-11-08 一种无人机影像亚田块边界提取方法及装置

Publications (1)

Publication Number Publication Date
CN114240980A true CN114240980A (zh) 2022-03-25

Family

ID=80748677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316060.0A Pending CN114240980A (zh) 2021-11-08 2021-11-08 一种无人机影像亚田块边界提取方法及装置

Country Status (1)

Country Link
CN (1) CN114240980A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743112A (zh) * 2022-04-18 2022-07-12 农业农村部大数据发展中心 基于大数据的制种玉米田识别方法、装置及电子设备
CN116805396A (zh) * 2023-08-24 2023-09-26 杭州稻道农业科技有限公司 一种基于卫星遥感的农田杂草精准识别方法及装置
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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743112A (zh) * 2022-04-18 2022-07-12 农业农村部大数据发展中心 基于大数据的制种玉米田识别方法、装置及电子设备
CN114743112B (zh) * 2022-04-18 2023-05-12 农业农村部大数据发展中心 基于大数据的制种玉米田识别方法、装置及电子设备
CN116805396A (zh) * 2023-08-24 2023-09-26 杭州稻道农业科技有限公司 一种基于卫星遥感的农田杂草精准识别方法及装置
CN116805396B (zh) * 2023-08-24 2023-12-29 杭州稻道农业科技有限公司 一种基于卫星遥感的农田杂草精准识别方法及装置
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
CN106407880B (zh) 使用图像处理的存量、生长和风险预测
Duan et al. Comparison of ground cover estimates from experiment plots in cotton, sorghum and sugarcane based on images and ortho-mosaics captured by UAV
CN114240980A (zh) 一种无人机影像亚田块边界提取方法及装置
Polewski et al. Marker-free coregistration of UAV and backpack LiDAR point clouds in forested areas
Pádua et al. Vineyard properties extraction combining UAS-based RGB imagery with elevation data
dos Santos et al. Biophysical parameters of coffee crop estimated by UAV RGB images
Nemmaoui et al. DSM and DTM generation from VHR satellite stereo imagery over plastic covered greenhouse areas
Recio et al. Automated extraction of tree and plot-based parameters in citrus orchards from aerial images
CN109813286A (zh) 一种基于无人机的倒伏灾害遥感定损方法
CN114612896B (zh) 基于遥感图像的水稻产量预测方法、装置以及设备
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN111091030A (zh) 树种的识别方法、装置、计算机设备和可读存储介质
JP4747122B2 (ja) 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
Soares et al. Plantation Rows Identification by Means of Image Tiling and Hough Transform.
Karatzinis et al. Towards an integrated low-cost agricultural monitoring system with unmanned aircraft system
CN109657540B (zh) 枯死树定位方法及系统
Xiang et al. PhenoStereo: a high-throughput stereo vision system for field-based plant phenotyping-with an application in sorghum stem diameter estimation
CN115115954A (zh) 基于无人机遥感的松材线虫病疫区变色立木智能识别方法
Rocha et al. Automatic detection and evaluation of sugarcane planting rows in aerial images
Mahmud et al. Unmanned aerial vehicle based tree canopy characteristics measurement for precision spray applications
CN114241328A (zh) 基于空天遥感数据融合的田间立地秸秆提取方法及装置
CN110084120B (zh) 海岛环境下的植被调查方法、装置、系统、设备和介质
JP2011069757A (ja) スペクトル解析装置
Yang et al. A new alternative for assessing ridging information of potato plants based on an improved benchmark structure from motion
Bonaria Grapevine yield estimation using image analysis for the variety Arinto

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