CN114241328A - 基于空天遥感数据融合的田间立地秸秆提取方法及装置 - Google Patents
基于空天遥感数据融合的田间立地秸秆提取方法及装置 Download PDFInfo
- Publication number
- CN114241328A CN114241328A CN202111314634.0A CN202111314634A CN114241328A CN 114241328 A CN114241328 A CN 114241328A CN 202111314634 A CN202111314634 A CN 202111314634A CN 114241328 A CN114241328 A CN 114241328A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- straw
- aerial vehicle
- unmanned aerial
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
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)
Abstract
本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法及装置,所述方法包括:获取目标区域的卫星影像与无人机影像;将所述卫星影像与所述无人机影像进行影像融合生成融合影像;基于空谱融合的条件随机场,根据所述融合影像计算的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。本发明综合无人机影像的高空间分辨率优势和卫星影像的短波红外等光谱信息丰富的优势,将无人机影像与卫星影像进行融合生成兼具厘米级高空间分辨率和短波红外等光谱信息的融合影像,根据空谱融合条件随机场利用计算融合影像的植被指数和纹理特征进行地物分类,实现了对立地秸秆快速且高精度的提取。
Description
技术领域
本发明涉及农业遥感技术领域,尤其涉及一种基于空天遥感数据融合的田间立地秸秆提取方法及装置。
背景技术
秋冬季及来年春季农田中分布的未收割直立作物秸秆极有可能被焚烧,严重污染大气环境,快速准确获取田间未收割田间作物立地秸秆空间分布可帮助工作人员实现对秸秆焚烧的管控,有利于环境保护。
无人机机动灵活、成本低廉,可快速获取厘米级高分辨率RGB影像,但是光谱信息较少,尤其是缺乏对秸秆信息敏感的短波红外波段;卫星遥感影像具有短波红外波段信息但空间分辨率较低,对零散、小区域玉米秸秆的提取受限。以往技术一般是单使用无人机影像、或单使用卫星影像进行秸秆提取,提取的效率和精度都不高。
发明内容
本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法及装置,用以解决现有技术中对田间立地秸秆提取的效率和精度不高的问题。
第一方面,本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法,包括:获取目标区域的卫星影像与无人机影像;将所述卫星影像与所述无人机影像进行影像融合生成融合影像;基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
根据本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法,将所述卫星影像与所述无人机影像进行影像融合生成融合影像,包括:将所述无人机影像转化为全色影像;根据所述卫星影像和所述全色影像之间的灰度值的关系,进行所述卫星影像和所述全色影像的融合,生成所述融合影像。
根据本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法,所述基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图,包括:通过灰度共生矩阵计算所述融合影像的纹理参数,并且联合所述融合影像的植被指数生成空谱融合特征;将所述融合影像中的多个地物标签和所述空谱融合特征输入至支持向量机中,以根据所述地物标签计算所述融合影像中每个像素的概率估计,生成概率影像;将所述空谱融合特征和所述概率影像输入空谱融合的条件随机场模型中,输出地物分类标记结果,以根据所述地物分类标记结果生成所述秸秆分布图。
根据本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法,所述植被指数包括:归一化植被指数和叠加红外秸秆指数;
所述归一化植被指数的计算公式为:
所述叠加红外秸秆指数的计算公式为:
其中,NDVI为所述归一化植被指数,AIRSI为所述叠加红外秸秆指数;B4为所述卫星影像中B4波段反射率值;B5为所述卫星影像中B5波段反射率值;B8为所述卫星影像中B8波段反射率值;B12为所述卫星影像中B12波段反射率值;a为B4波段调节系数,b为B5波段调节系数,c为B12波段调节系数。
根据本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法,所述纹理参数为角二阶距,对于大小为M×N的所述灰度共生矩阵,所述角二阶距的计算公式为:
其中,ASR为所述角二阶距,mhk为所述灰度共生矩阵中第h行第k列处的元素值。
根据本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法,在基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图后,还包括:将所述秸秆分布图的格式转化为shp格式,生成第一秸秆分布图;将所述第一秸秆分布图与所述无人机影像叠加显示,生成秸秆分布专题图。
根据本发明提供一种基于空天遥感数据融合的田间立地秸秆提取方法,所述获取目标区域的卫星影像与无人机影像,包括:通过卫星获取目标区域的初始卫星影像;对所述初始卫星影像进行波段组合、辐射校正、几何校正、影像裁剪生成所述卫星影像;通过无人机获取目标区域的RGB影像;通过影像拼接将所述RGB影像生成数字正射影像图,并将所述数字正射影像图作为所述无人机影像。
第二方面,本发明还提供一种基于空天遥感数据融合的田间立地秸秆提取装置,包括:
影像获取模块,用于获取目标区域的卫星影像与无人机影像;
影像融合模块,用于将所述卫星影像与所述无人机影像进行影像融合生成融合影像;
影像标记模块,用于基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
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基于空天遥感数据融合的田间立地秸秆提取方法的步骤。
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基于空天遥感数据融合的田间立地秸秆提取方法的步骤。
本发明提供的基于空天遥感数据融合的田间立地秸秆提取方法及装置,综合无人机影像的高空间分辨率优势和卫星影像的短波红外等光谱信息丰富的优势,将无人机影像与卫星影像进行融合生成兼具厘米级高空间分辨率和短波红外等光谱信息的融合影像,根据空谱融合条件随机场利用计算融合影像的植被指数和纹理特征进行地物分类,实现了对立地秸秆快速且高精度的提取。
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空天遥感数据融合的田间立地秸秆提取方法的流程示意图;
图2是本发明提供的基于空天遥感数据融合的田间立地秸秆提取装置的结构示意图;
图3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。
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基于空天遥感数据融合的田间立地秸秆提取方法和装置。
图1是本发明提供的基于空天遥感数据融合的田间立地秸秆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:获取目标区域的卫星影像与无人机影像。
可选地,在十月中旬利用千寻翼无人机获取目标区域未收割秸秆的农田影像,并将上述农田影像作为无人机影像。在进行无人机航线规划时,将起降点设置为同一点,为保证安全将飞行航高设置为200m,为保证影像拼接时相片的重叠度将航向重叠和旁向重叠皆设置为80%,拍照方式采用等距拍照。
为了获取目标区域的卫星影像,可以采用欧空局提供的哨兵二号卫星影像,该卫星影像包含对秸秆敏感的短波红外波段,并且属于可以免费获取的影像数据。为保证无人机影像与卫星影像获取时间相差不大,最佳卫星影像为获取无人机影像当天的卫星影像,但由于卫星影像重访周期并非一天,所以选择在无人机获取前后5天时间段内的影像,从欧空局官网(https://scihub.copernicus.eu/)获取覆盖无人机获取的影像区域的卫星影像数据。
在获取到无人机影像和卫星影像后,可分别对无人机影像和卫星影像进行预处理后,再进行步骤102中的影像融合。
步骤102:将所述卫星影像与所述无人机影像进行影像融合生成融合影像。
通过卫星影像与无人机影像融合,将卫星影像的多光谱影像分辨率转变成和无人机影像分辨率相同,使得融合后的影像同时具有高分辨率的光谱信息和纹理信息。
为了将无人机影像与卫星影像进行融合,需要将无人机影像转换为全色影像,然后可以采用融合效果较好的影像融合方法,对无人机影像与卫星影像进行融合,以生成融合影像。
步骤103:基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
通过空谱融合的条件随机场,对融合影像的光谱信息和纹理信息进行计算,基于此对融合影像中的不同地物进行标记,以生成秸秆分布图。
其中,植被指数反映融合影像的光谱信息,植被指数的类型包括归一化植被指数与叠加红外秸秆指数等。纹理参数是一种不依赖于亮度和颜色的反映影像中相邻像元相似信息的视觉特征,它是所有物体表面共有的内在特性,包含了物体表面结构组织规律的重要信息以及它们与周围环境的关系。常用的纹理参数包括:同质性参数、角二阶距、对比度、均值等。
本发明提供的基于空天遥感数据的田间立地秸秆提取方法,综合无人机影像的高空间分辨率优势和卫星影像的短波红外等光谱信息丰富的优势,将无人机影像与卫星影像进行融合生成兼具厘米级高空间分辨率和短波红外等光谱信息的融合影像,根据空谱融合条件随机场利用计算融合影像的植被指数和纹理特征进行地物分类,实现了对立地秸秆快速且高精度的提取。
基于上述实施例,作为一种可选实施例,本发明提供基于空天遥感数据融合的田间立地秸秆提取方法,获取目标区域的卫星影像与无人机影像,包括:通过卫星获取目标区域的初始卫星影像;对所述初始卫星影像进行波段组合、辐射校正、几何校正、影像裁剪生成所述卫星影像;通过无人机获取目标区域的RGB影像;通过影像拼接将所述RGB影像生成数字正射影像图,并将所述数字正射影像图作为所述无人机影像。
其中,通过卫星获取目标区域的初始卫星影像的方式可以参见上述实施例中记载的内容。在获取初始卫星影像后,可以对初始卫星影像进行预处理。预处理包括:数据解压、数据导出、波段组合、辐射校正、几何校正、影像裁剪等过程。
初始卫星影像的数据解压、数据导出是在欧空局指定的SNAP软件中完成。初始卫星影像的波段组合、辐射校正、几何校正、影像裁剪是在ENVI软件中完成。其中,影像空间分辨率为10m,坐标系统为WGS84,为使无人机影像与卫星影像点位坐标相对应,以无人机影像为基准对卫星影像做几何校正。该步操作在SNAP和ENVI软件中完成。
对无人机RGB影像预处理主要包括影像数据检查和影像拼接。其中,数据检查主要指查看无人机RGB影像的数目与POS数据的数目是否一致,以及无人机RGB影像的曝光和清晰度是否满足后期影像处理的要求。
影像拼接是将整理好的数据导入到Pix4Dmapper软件中,进行相关设置,首先根据POS数据中经纬度的坐标系将输入坐标系设置为CGCS2000,将输出坐标系设置为与卫星影像坐标系相同的WGS84,处理选项模板选择“3D地图”,最终生成数字正射影像图,空间分辨率为0.03m。上述操作可在Pix4Dmapper软件中完成。
本发明提供的基于空天遥感数据的田间立地秸秆提取方法,通过对卫星影像与无人机影像进行预处理,提高了影像数据的准确度,更加有利于后续对立地秸的提取。
基于上述实施例,作为一种可选实施例,本发明提供基于空天遥感数据融合的田间立地秸秆提取方法,将所述卫星影像与所述无人机影像进行影像融合生成融合影像,包括:将所述无人机影像转化为全色影像;根据所述卫星影像和所述全色影像之间的灰度值的关系,进行所述卫星影像和所述全色影像的融合,生成所述融合影像。
通过无人机影像(RGB影像)与全色影像之间的权重系数,将所述无人机影像转化为全色影像。其中,整个可见光波段范围的黑白影像称为全色影像。
采用Pansharp影像融合方法,基于最小二乘逼近法来计算卫星影像(多光谱影像)和全色影像之间灰度值的关系,进行无人机影像与卫星影像融合,具体的融合公式如下:
本发明采用Pansharp影像融合方法,对无人机影像和卫星影像进行融合,可以更好地保留光谱特性、数据独立性,实现了更好的影像融合效果。
基于上述实施例,作为一种可选实施例,本发明提供基于空天遥感数据融合的田间立地秸秆提取方法,所述基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图,包括:通过灰度共生矩阵计算所述融合影像的纹理参数,并且联合所述融合影像的植被指数生成空谱融合特征;将所述融合影像中的多个地物标签和所述空谱融合特征输入至支持向量机中,以根据所述地物标签计算所述融合影像中每个像素的概率估计,生成概率影像;将所述空谱融合特征和所述概率影像输入空谱融合的条件随机场模型中,输出地物分类标记结果,以根据所述地物分类标记结果生成所述秸秆分布图。
首先,利用灰度共生矩阵计算融合影像的纹理参数,并计算融合影像的植被指数,联合计算后的纹理参数和植被指数,形成纹理-光谱融合特征(即空谱融合特征)。
然后,根据融合影像的影像数据选取各类别地物的感兴趣区即地物标签,将地物标签和纹理-光谱融合特征输入到支持向量机(Support Vector Machine,SVM)分类器中,利用SVM分类器将地物标签与纹理-光谱融合特征的关系进行建模,利用给定的地物标签计算每个像素的概率估计,得到整幅概率影像。
最后,将纹理-光谱融合特征与概率影像输入到空谱融合的条件随机场模型中,利用空间平滑与局部类别成本,与其相应邻域的空间上下文信息,同时考虑空间相关性,保留相邻区域之间的边界和细节信息,输出地物分类标记结果,即可以生成秸秆分布图。
对于纹理参数可以选择为角二阶距,对于大小为M×N的所述灰度共生矩阵,角二阶距的计算公式为:
其中,ASR为角二阶距,mhk为灰度共生矩阵中第h行第k列处的元素值。
植被指数可以选择归一化植被指数和叠加红外秸秆指数。
归一化植被指数的计算公式为:
叠加红外秸秆指数的计算公式为:
其中,NDVI为所述归一化植被指数,AIRSI为所述叠加红外秸秆指数;B4为所述卫星影像中B4波段反射率值;B5为所述卫星影像中B5波段反射率值;B8为所述卫星影像中B8波段反射率值;B12为所述卫星影像中B12波段反射率值;a为B4波段调节系数,b为B5波段调节系数,c为B12波段调节系数。
本发明通过采取空谱融合的条件随机场模型计算了融合图像的纹理信息和光谱信息,可以更加有效的对融合图像中的不同地物进行分类,有效提高了立地秸秆的提取精度。
基于上述实施例,作为一种可选实施例,本发明提供基于空天遥感数据融合的田间立地秸秆提取方法,在基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图后,还包括:将所述秸秆分布图的格式转化为shp格式,生成第一秸秆分布图;将所述第一秸秆分布图与所述无人机影像叠加显示,生成秸秆分布专题图。
基于上述实施例生成的秸秆分布图是栅格影像,为了便于后期实际应用,通过栅格转矢量工具,将秸秆分布图(栅格图像)转化为shp格式,生成第一秸秆分布图。
将生成的shp格式的第一秸秆分布图与无人机影像进行叠加显示并出图,生成最终的秸秆分布专题图。该步操作是在ArcGIS软件中完成。
本发明通过对秸秆分布图的处理,将秸秆分布图的格式转化为矢量格式,最终生成秸秆分布专题图,可以更加方便对秸秆提取的结果进行查看。
图2是本发明提供的基于空天遥感数据融合的田间立地秸秆提取装置的结构示意图,如图2所示,该装置包括:影像获取模块201、影像融合模块202、影像标记模块203。
影像获取模块201,用于获取目标区域的卫星影像与无人机影像;
影像融合模块202,用于将所述卫星影像与所述无人机影像进行影像融合生成融合影像;
影像标记模块203,用于基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
本发明提供的基于空天遥感数据融合的田间立地秸秆提取装置,综合无人机影像的高空间分辨率优势和卫星影像的短波红外等光谱信息丰富的优势,将无人机影像与卫星影像进行融合生成兼具厘米级高空间分辨率和短波红外等光谱信息的融合影像,根据空谱融合条件随机场利用计算融合影像的植被指数和纹理特征进行地物分类,实现了对立地秸秆快速且高精度的提取。
需要说明的是,本发明实施例提供的基于空天遥感数据融合的田间立地秸秆提取装置,在具体运行时,可以执行上述任一实施例所述基于空天遥感数据融合的田间立地秸秆提取方法,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,以执行基于空天遥感数据融合的田间立地秸秆提取方法,该方法包括:获取目标区域的卫星影像与无人机影像;将所述卫星影像与所述无人机影像进行影像融合生成融合影像;基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
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基于空天遥感数据融合的田间立地秸秆提取方法,该方法包括:获取目标区域的卫星影像与无人机影像;将所述卫星影像与所述无人机影像进行影像融合生成融合影像;基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
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基于空天遥感数据融合的田间立地秸秆提取方法,该方法包括:获取目标区域的卫星影像与无人机影像;将所述卫星影像与所述无人机影像进行影像融合生成融合影像;基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
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)
1.一种基于空天遥感数据融合的田间立地秸秆提取方法,其特征在于,包括:
获取目标区域的卫星影像与无人机影像;
将所述卫星影像与所述无人机影像进行影像融合生成融合影像;
基于空谱融合的条件随机场,根据所述融合影像植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
2.根据权利要求1所述的基于空天遥感数据融合的田间立地秸秆提取方法,其特征在于,将所述卫星影像与所述无人机影像进行影像融合生成融合影像,包括:
将所述无人机影像转化为全色影像;
根据所述卫星影像和所述全色影像之间的灰度值的关系,进行所述卫星影像和所述全色影像的融合,生成所述融合影像。
3.根据权利要求1所述的基于空天遥感数据融合的田间立地秸秆提取方法,其特征在于,所述基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图,包括:
通过灰度共生矩阵计算所述融合影像的纹理参数,并且联合所述融合影像的植被指数生成空谱融合特征;
将所述融合影像中的多个地物标签和所述空谱融合特征输入至支持向量机中,以根据所述地物标签计算所述融合影像中每个像素的概率估计,生成概率影像;
将所述空谱融合特征和所述概率影像输入空谱融合的条件随机场模型中,输出地物分类标记结果,以根据所述地物分类标记结果生成所述秸秆分布图。
6.根据权利要求1所述的基于空天遥感数据融合的田间立地秸秆提取方法,其特征在于,在基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图后,还包括:
将所述秸秆分布图的格式转化为shp格式,生成第一秸秆分布图;
将所述第一秸秆分布图与所述无人机影像叠加显示,生成秸秆分布专题图。
7.根据权利要求1所述的基于空天遥感数据融合的田间立地秸秆提取方法,其特征在于,所述获取目标区域的卫星影像与无人机影像,包括:
通过卫星获取目标区域的初始卫星影像;
对所述初始卫星影像进行波段组合、辐射校正、几何校正、影像裁剪生成所述卫星影像;
通过无人机获取目标区域的RGB影像;
通过影像拼接将所述RGB影像生成数字正射影像图,并将所述数字正射影像图作为所述无人机影像。
8.一种基于空天遥感数据融合的田间立地秸秆提取装置,其特征在于,包括:
影像获取模块,用于获取目标区域的卫星影像与无人机影像;
影像融合模块,用于将所述卫星影像与所述无人机影像进行影像融合生成融合影像;
影像标记模块,用于基于空谱融合的条件随机场,根据所述融合影像的植被指数与纹理参数进行地物分类标记,以生成秸秆分布图。
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任一项所述基于空天遥感数据融合的田间立地秸秆提取方法步骤。
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任一项所述基于空天遥感数据融合的田间立地秸秆提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314634.0A CN114241328A (zh) | 2021-11-08 | 2021-11-08 | 基于空天遥感数据融合的田间立地秸秆提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314634.0A CN114241328A (zh) | 2021-11-08 | 2021-11-08 | 基于空天遥感数据融合的田间立地秸秆提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241328A true CN114241328A (zh) | 2022-03-25 |
Family
ID=80748769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111314634.0A Pending CN114241328A (zh) | 2021-11-08 | 2021-11-08 | 基于空天遥感数据融合的田间立地秸秆提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241328A (zh) |
Cited By (2)
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 |
CN115775354A (zh) * | 2023-02-10 | 2023-03-10 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
-
2021
- 2021-11-08 CN CN202111314634.0A patent/CN114241328A/zh active Pending
Cited By (4)
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 |
CN115775354A (zh) * | 2023-02-10 | 2023-03-10 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
CN115775354B (zh) * | 2023-02-10 | 2023-04-25 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Näsi et al. | Remote sensing of bark beetle damage in urban forests at individual tree level using a novel hyperspectral camera from UAV and aircraft | |
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 | |
Osco et al. | Semantic segmentation of citrus-orchard using deep neural networks and multispectral UAV-based imagery | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
US8411905B2 (en) | Generating agricultural information products using remote sensing | |
Sharma et al. | A Machine Learning and Cross‐Validation Approach for the Discrimination of Vegetation Physiognomic Types Using Satellite Based Multispectral and Multitemporal Data | |
Santoso et al. | A simple method for detection and counting of oil palm trees using high-resolution multispectral satellite imagery | |
CN110020635A (zh) | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 | |
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 | |
US9672424B2 (en) | Generation of high resolution population density data sets through exploitation of high resolution overhead imagery data and low resolution population density data sets | |
Gerts et al. | Multi-temporal monitoring of cotton growth through the vegetation profile classification for Tashkent province, Uzbekistan | |
Li et al. | Ultrahigh-resolution boreal forest canopy mapping: Combining UAV imagery and photogrammetric point clouds in a deep-learning-based approach | |
Mathews | Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing system | |
Congalton | Remote sensing: an overview | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Li et al. | Maize acreage estimation using ENVISAT MERIS and CBERS-02B CCD data in the North China Plain | |
CN114240980A (zh) | 一种无人机影像亚田块边界提取方法及装置 | |
CN109377476B (zh) | 遥感影像云检测特征参数的动态阈值获取方法及装置 | |
CN114926732A (zh) | 一种多传感器融合的农作物深度学习识别方法及系统 | |
Albuquerque et al. | Remotely piloted aircraft imagery for automatic tree counting in forest restoration areas: a case study in the Amazon | |
Siok et al. | A simulation approach to the spectral quality of multispectral images enhancement | |
Latif | Multi-crop recognition using UAV-based high-resolution NDVI time-series | |
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 | |
CN113627292A (zh) | 基于融合网络的遥感图像识别方法及装置 |
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 |