CN114298229A - 作物类别确定方法、装置、电子设备及存储介质 - Google Patents
作物类别确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114298229A CN114298229A CN202111650191.2A CN202111650191A CN114298229A CN 114298229 A CN114298229 A CN 114298229A CN 202111650191 A CN202111650191 A CN 202111650191A CN 114298229 A CN114298229 A CN 114298229A
- Authority
- CN
- China
- Prior art keywords
- preset
- parcel
- land parcel
- determining
- land
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及农业自动化技术领域,提供了一种作物类别确定方法、装置、电子设备及存储介质,所述方法包括:获取待分析区域的卫星影像;根据待分析区域的预设边界数据,在卫星影像中确定待分析区域中的地块及地块中的像元;对像元进行处理,确定特征提取粒度;按照特征提取粒度从卫星影像中提取地块的分类特征,并按照分类特征确定地块的作物类别。本发明通过准确确定卫星影像中地块,并且根据地块中像元确定特征提取粒度,按照不同的特征提取粒度进行分类特征提取,以根据合适的分类特征准确地确定地块的作物类别。
Description
技术领域
本发明涉及农业自动化技术领域,具体而言,涉及一种作物类别确定方法、装置、电子设备及存储介质。
背景技术
近年来,遥感技术飞速发展,遥感技术在众多领域的应用也越来越广泛,获取超高分辨率遥感影像的效率越来越高,利用遥感技术进行农作物识别分类也成为研究热点。
随着高标准农田建设等工作的开展,我国已经积累了大量的农田基础数据。地块边界是最基础的农田数据,属于农田高精度地图基础设施的重要部分。实现地块分类是农田精细化管理、农业保险精准承保理赔的基础。
但是,由于利用遥感卫星获取的卫星影像的分辨率不高,最终影响地块的作物类别的准确识别。
发明内容
本发明实施例的目的在于提供了一种作物类别确定方法、装置、电子设备及存储介质,用于准确识别地块的作物类别。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种作物类别确定方法,所述方法包括:
获取待分析区域的卫星影像;
根据所述待分析区域的预设边界数据,在所述卫星影像中确定所述待分析区域中的地块及所述地块中的像元;
对所述像元进行处理,确定特征提取粒度;
按照所述特征提取粒度从所述卫星影像中提取所述地块的分类特征,并按照所述分类特征确定所述地块的作物类别。
进一步地,所述卫星影像包括多个像元,所述根据所述待分析区域的预设边界数据,在所述卫星影像中确定所述待分析区域中的地块及所述地块中的像元的步骤包括:
将所述预设边界数据和所述卫星影像进行套合,得到套合图像,其中,所述套合图像包括根据所述预设边界数据形成的地块;
对于所述卫星影像中的每一所述像元,根据每一所述像元的坐标判断每一所述像元所属的地块,得到所述地块中的像元。
进一步地,所述将所述预设边界数据和所述卫星影像进行套合,得到套合图像的步骤包括:
获取所述预设边界数据的第一坐标系参数和所述卫星影像的第二坐标系参数;
根据所述第一坐标系参数和所述第二坐标系参数,将所述卫星影像对齐所述预设边界数据;
根据所述预设边界数据中的预设特征点及所述卫星影像中与所述预设特征点对应的参考特征点,基于所述预设边界数据,对对齐后的所述卫星影像进行配准;
将所述预设边界数据和配准后的所述卫星影像进行叠加,得到所述套合图像。
进一步地,所述对所述像元进行处理,确定特征提取粒度的步骤包括:
对所述地块中的像元进行卷积运算,得到所述地块的多个卷积值;
根据多个预设区间及所述多个卷积值,判断所述地块是否满足预设分类条件;
若所述地块满足所述预设分类条件,则确定所述特征提取粒度为地块粒度;
若所述地块不满足所述预设分类条件,则确定所述特征提取粒度为像元粒度。
进一步地,所述根据多个预设区间及所述多个卷积值,判断所述地块是否满足预设分类条件的步骤包括:
按照所述多个预设区间对所述多个卷积值进行划分,并判断所述多个预设区间中是否存在目标区间,其中,所述目标区间内的卷积值的个数占卷积值总数的比值超出第一预设值;
若存在所述目标区间,则判定所述地块满足所述预设分类条件;
若不存在所述目标区间,则判定所述地块不满足所述预设分类条件。
进一步地,所述地块为多个,所述根据多个预设区间及所述多个卷积值,判断所述地块是否满足预设分类条件的步骤还包括:
若满足所述预设分类条件的地块的个数占所述地块的总个数的比值超出第二预设值,则判定每一所述地块均满足所述预设分类条件;
若满足所述预设分类条件的地块的个数占所述地块的总个数的比值未超出第二预设值,则判定每一所述地块均不满足所述预设分类条件。
进一步地,所述方法还包括:
获取所述待分析区域的无人机影像;
提取所述无人机影像中的地块矢量边界,并将所述地块矢量边界作为所述预设边界数据。
第二方面,本发明实施例还提供了一种作物类别确定装置,所述装置包括:
获取模块,用于获取待分析区域的卫星影像;
确定模块,用于根据所述待分析区域的预设边界数据,在所述卫星影像中确定所述待分析区域中的地块及所述地块中的像元;
确定模块,还用于对所述像元进行处理,确定特征提取粒度;
分类模块,用于按照所述特征提取粒度从所述卫星影像中提取所述地块的分类特征,并按照所述分类特征确定所述地块的作物类别。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述第一方面的作物类别确定方法。
第四方面,本发明实施例还提供了一种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上述第一方面的作物类别确定方法。
相对现有技术,本发明实施例提供一种作物类别确定方法、装置、电子设备及存储介质,通过准确确定卫星影像中地块,并且根据地块中像元确定特征提取粒度,按照不同的特征提取粒度进行分类特征提取,以根据合适的分类特征准确地确定地块的作物类别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的作物类别确定方法的一种流程示意图。
图2为图1示出的作物类别确定方法中步骤S102的一种流程示意图。
图3示出了本发明实施例提供的套合图像的示例图。
图4示出了本发明实施例提供的角点的示例图。
图5示出了本发明实施例提供的像元与地块边界的位置示例图。
图6为图1示出的作物类别确定方法中步骤S103的一种流程示意图。
图7示出了本发明实施例提供的均值滤波卷积计算的示例图。
图8为图6示出的作物类别确定方法中子步骤S1032的一种流程示意图。
图9示出了本发明实施例提供的卷积值在预设区间分布的示例图。
图10为图6示出的作物类别确定方法中子步骤S1032的另一种流程示意图。
图11示出了本发明实施例提供的作物类别确定方法的另一种流程示意图。
图12示出了本发明实施例提供的待分析区域的卫星影像的示例图。
图13示出了本发明实施例提供的与图12对应的地块边界矢量图。
图14示出了本发明实施例提供的作物类别确定结果的示例图。
图15示出了本申请实施例提供的作物类别确定装置的方框示意图。
图16示出了本申请实施例提供的电子设备的方框示意图。
图标:10-电子设备;11-处理器;12-存储器;13-总线;100-作物类别确定装置;110-获取模块;120-确定模块;130-分类模块;140-提取模块。
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,下面将结合本发明实施例中的附图,对本发明实施例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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“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,或者是该发明产品使用时惯常摆放的方位或位置关系,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,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
在农业自动化领域,根据道路、田埂等地物边界、不同作物的分界线围成的闭合面状区域称为地块,一个地块内通常只有一种作物,因此,同一地块内部具有相同或者相近的特征,而不同地块之间特征相差较为明显。为了准确确定预设区域内的作物类别,通常会对预设区域内的图像按照地块的特征进行图像分割,即将该图像切分为不重叠的区域,将特征相近或者相同的作为一个区域,一个区域对应一个地块,此时的图像分割也即是地块划分,对划分后的每一地块进行作物识别,得到每一地块的作物类别。
一方面,由于利用遥感卫星获取的卫星影像的分辨率不高,导致很难准确确定卫星影像中地块的边界,进而影响作物识别的准确性。另一方面,现有技术在确定每一地块的作物类别时,通常按照统一的特征提取粒度进行特征提取,再根据提取的特征识别作物类别,而并未考虑每一地块的像元的分布特性,使最终得到地块的作物类别的准确性也不能满足预期。
有鉴于此,本发明实施例提供一种作物类别确定方法、装置、电子设备及存储介质,首先根据待分析区域的预设边界数据,在卫星影像中确定其中的地块及地块中的像元,实现对地块的准确划分,其次,根据地块的像元进行处理,确定特征提取粒度,最后,按照特征提取粒度从卫星影像中提取地块的分类特征,并按照分类特征确定地块的作物类别,通过地块的像元确定与地块像元分布匹配的特征提取粒度,最终实现准确识别地块的作物类别,下面将对其进行详细描述。
请参考图1,图1示出了本发明实施例提供的作物类别确定方法的一种流程示意图,该作物类别确定方法应用于电子设备,可以包括以下步骤:
S101,获取待分析区域的卫星影像。
在本实施例中,待分析区域可以是行政区域,例如,A省或者A省的A1和A2两个县的区域为待分析区域,也可以是自然区域,自然区域是根据自然地理环境及其组成成分在空间分布的差异性和相似性,将一定范围的区域划分为一定等级系统的系统研究方法,全称自然地理区划,例如,我国南方地区,即1月0°等温线和800毫米等降水线以南的地区。
在本实施例中,卫星影像由多幅卫星遥感影像按其地理坐标镶嵌拼接而成的影像图,卫星影像图最突出的优点是信息丰富,形象直观,其地理精度即各种自然要素之间的相关位置、空间分布模式以及满足于地学分析的一定位和量测精度,是其他普通线划地图所不能比拟的。卫星影像可以通过一些软件获取,也可以通过专门的测绘机构处的卫星影像数据库中获取,卫星影像可以是米级、亚米级卫星影像,卫星影像包括但不限于高分1号、高分2号、高分6号、Planet、北京2号、高景1号等。
在本实施例中,为了提高作物类别识别的准确性,可以获取作物生长周期中特定时期的卫星影像,以便根据此时期的卫星影像得到更准确的作物类别识别结果。
S102,根据待分析区域的预设边界数据,在卫星影像中确定待分析区域中的地块及地块中的像元。
在本实施例中,预设边界数据可以是预先获取的农田高精度地图,该地图可以为植保无人机、无人车等农田作业设备提供高精度地图服务的数据,包含农田道路、地块边界、障碍物(电线杆、防风林)等数据,也可以是其他现有的地块边界数据,或者从高精度图像中提取的较为准确的地块边界。
在本实施例中,待分析区域中可以包括一个地块或者多个地块,地块中的像元为卫星影像中落入在地块中的像元。像元,亦称像素点或像元点,即影像单元(pictureelement),是构成卫星影像的基本单元。
S103,对像元进行处理,确定特征提取粒度。
在本实施例中,特征提取粒度用于表征特征提取时的基本单位,特征提取粒度视地块中的像元的分布情况而定,作为一种具体实施方式,可以对像元进行处理,得到像元的分布情况,再根据像元的分布情况确定特征提取粒度。
在本实施例中,特征提取粒度至少包括地块粒度和像元粒度两种,地块粒度是以地块为单位进行特征提取,像元粒度是以像元为单位进行特征提取。
S104,按照特征提取粒度从卫星影像中提取地块的分类特征,并按照分类特征确定地块的作物类别。
在本实施例中,不同的作物类别,其对应的分类特征的取值也不一样,特征提取粒度不同,得到的分类特征也不一样,例如,对于像元粒度而言,其分类特征可以是每一像元的光谱值、植被指数等。对于地块粒度而言,其分类特征可以是光谱均值、光谱标准差、植被指数均值、地块面积,光谱均值、光谱标准差可以根据地块中的所有像元的光谱值得到,植被指数均值可以根据地块中所有像元的植被指数得到。
作为一种具体实施方式,光谱均值可以通过公式计算得到,其中,n表示地块内像元的总数,σLi表示某个像元对应的L波段光谱值,表示地块的L波段的光谱均值;光谱标准差可以通过公式 计算得到,其中,σL表示地块光谱标准差,n表示地块内像元的总数,cLi表示某个像元对应的L波段光谱值,表示地块的L波段的光谱均值。
作为一种具体实施方式,植被指数均值可以通过公式 计算得到,其中,NDVIi为地块中像元i的归一化植被指数值,为植被指数均值,对于任一像元的植被指数而言,需要对植被指数进行归一化处理,可以采用公式进行归一化处理,其中,Xnorm为归一化后的植被指数,Xmin和Xmax为所有像元中的归一化前的植被指数中的最小值和最大值。
在本实施例中,对于采用不同的特征提取粒度提取的分类特征,可以将其输入不同的预设分类模型,以识别出地块的作物类别,而每一预设分类模型均是预先按照其对应的特征提取粒度从样本中提取的分类特征进行训练得到的。例如,对于地块粒度而言,按照地块粒度提取从样本中提取分类特征,进行训练,得到地块粒度对应的预设分类模型,若根据当前待分析区域中的地块的像元分布确定的特征提取粒度为地块粒度,则采用地块粒度对应的预设分类模型进行识别。
在本实施例中,预设分类模型可以是卷积神经网络VGG(VisualGeometry Group,VGG),调整VGG的卷积层、全连接层、损失函数等,为了对预设分类模型进行训练,将样本数据集分为训练数据集、验证数据集,用训练数据集对预设分类模型进行训练,用验证数据集对训练后的预设分类模型的精度验证,当验证精度大于设定的精度阈值时,保存训练后的预设分类模型,将待分析区域中地块的分类特征输入训练后的预设分类模型,确定地块的作物类别,精度阈值可以根据需要进行设定,例如精度阈值为0.95。
在本实施例中,不同特征提取粒度,得到的分类特征也不同,根据不同的分类特征对不同的预设分类模型进行训练,得到的训练后的预设分类模型也不一样。对于地块粒度而言,提取的分类特征是针对地块的,对预设分类模型进行训练的特征也是针对地块的分类特征,进行作物类别识别时,输入预设分类模型的也是针对待分析区域中地块的分类特征,得到的是地块所属的作物类别。对于像元粒度而言,提取的分类特征是针对像元的,对预设分类模型进行训练的特征也是针对地块中每一像元的分类特征,进行作物类别识别时,输入预设分类模型的也是针对待分析区域中地块中每一像元的分类特征,得到的是每一像元所属的作物类别,为了得到地块的作物类别,统计地块内所有像元的作物类别比例,将作物类别最多像元类别作物此地块的作物类别,可以采用如下公式确定每一地块的作物类别,
Ci=max(∑ci1,∑ci2,...∑cin) (6)
其中Ci表示第i个地块最终的作物类别,∑cin表示第i个地块中像元的作物类别为n的总数。
本发明实施例提供的上述方法,根据待分析区域的预设边界数据,在卫星影像中确定其中的地块及地块中的像元,实现对地块的准确划分,通过地块的像元确定与地块像元分布匹配的特征提取粒度,最终实现准确识别地块的作物类别。
基于图1,本发明实施例还提供了一种确定待分析区域中的地块及地块中的像元的具体实现方式,请参照图2,图2为图1示出的作物类别确定方法中步骤S102的一种流程示意图,步骤S102包括以下子步骤:
S1021,将预设边界数据和卫星影像进行套合,得到套合图像,其中,套合图像包括根据预设边界数据形成的地块。
在本实施例中,将预设边界数据和卫星影像进行套合的过程即是根据预设边界数据对卫星影像进行地块划分的过程,该过程可以是:先将预设边界数据和卫星影像进行对齐,然后将两者进行叠加,得到套合图像,请参照图3,图3示出了本发明实施例提供的套合图像的示例图,图3中,预设边界数据将卫星影像划分成多个地块,图3中的黑色箭头所指的是一个地块。
作为一种具体实施方式,得到套合图像的过程可以是:
首先,获取预设边界数据的第一坐标系参数和卫星影像的第二坐标系参数。
在本实施例中,坐标系参数通常包括椭球体参数、基准面参数和投影参数等,当第一坐标系参数和第二坐标系参数属于不同类别的坐标系时,此处需要将二者转换为采用相同参数的相同的坐标系,当第一坐标系参数和第二坐标系参数属于相同类型的坐标系、但是第一坐标系参数和第二坐标系参数的取值不同,也需要先将其转换为采用相同参数,再进行后续对齐步骤,否则不需要进行转换。
其次,根据第一坐标系参数和第二坐标系参数,将卫星影像对齐预设边界数据。
在本实施例中,可以根据卫星影像中特定地物的位置信息或者特定形状的区域将卫星影像对齐预设边界数据,例如,卫星影像中特定形状、特定位置的水域,或者特定长度、特定位置的田埂等。
第三,根据预设边界数据中的预设特征点及卫星影像中与预设特征点对应的参考特征点,基于预设边界数据,对对齐后的卫星影像进行配准。
在本实施例中,为了进一步减小对齐后的卫星影像和预设边界数据之间的对齐误差,还可以对对齐后的卫星影像进行配准,具体配准方式为:在预设边界数据中确定预设特征点,在卫星影像中确定与预设特征点对应的参考特征点,通过预设特征点和参考特征点,基于预设边界数据,对对齐后的卫星影像进行配准。
在本实施例中,预设特征点可以选择预设边界数据中的角点,角点为对地块的边界特征影响较大的点,例如,对于大致规则的矩形地块而言,角点可以是矩形地块的4个顶点,对于不规则的地块而言,角点可以是边界变化较为明显的拐点,请参照图4,图4示出了本发明实施例提供的角点的示例图,图4中,地块1是大致规则的矩形地块,其角点为矩形的4个顶点,如地块1中圆圈所示,地块2是不规则的地块,其角点如地块2中圆圈所示。
在本实施例中,先通过粗粒度的对齐,再通过细粒度的配准,使得预设边界数据和卫星影像之间的对齐误差减小到最小,提高了地块边界划分的准确性,最终基于较准确的地块边界可以准确识别地块的作物类别。
最后,将预设边界数据和配准后的卫星影像进行叠加,得到套合图像。
S1022,对于卫星影像中的每一像元,根据每一像元的坐标判定每一像元所属的地块,得到地块中的像元。
在本实施例中,卫星影像包括多个像元,作为一种具体实施方式,可以根据每一像元的中心点坐标相对于地块边界的位置,可以确定像元所属的地块,进而得到地块中的像元。
可以理解的是,并非卫星影像中的所有像元都必然会属于一个地块,对于有些像元而言,可以不属于任一个地块,请参照图5,图5示出了本发明实施例提供的像元与地块边界的位置示例图,图5中,像元X1的中心点坐标位于地块A内,因此,像元X1属于地块A,像元X2的中心点坐标既未在地块A内,也未在地块B内,则,像元X2既不属于地块A,也不属于地块B。
本发明实施例提供的上述方法,通过确定地块中的像元,可以将不属于地块中的像元筛选出来,以便根据真正属于该地块的像元进行处理,得到的特征提取粒度也更准确,最终使得作物类别的识别也更准确。
基于图1,本发明实施例还提供了一种确定特征提取粒度的具体实现方式,请参照图6,图6为图1示出的作物类别确定方法中步骤S103的一种流程示意图,步骤S103包括以下子步骤:
S1031,对地块中的像元进行卷积运算,得到地块的多个卷积值。
在本实施例中,对地块中的像元进行卷积运算时,可以根据需要选择不同的滤波方式,滤波方式包括但不限于中值滤波、均值滤波、最大最小值滤波等,本发明实施例以均值滤波为例进行说明,请参照图7,图7示出了本发明实施例提供的均值滤波卷积计算的示例图,图7中,对于灰色底色的像元而言,经过3*3均值滤波卷积后得到的卷积值为40,如图7中的位置所示。可以理解的是,均值滤波可以根据实际需要进行设置,例如,可以将均值滤波设置为5*5或者7*7等。
需要说明的是,当待分析区域中存在多个地块时,可以同时对多个地块中的像元进行卷积运算,得到卷积结果中,再从卷积结果中获取每一个地块的多个卷积值,按照每一个地块的多个卷积值,判断每一个地块是否满足预设分类条件。
S1032,根据多个预设区间及多个卷积值,判断地块是否满足预设分类条件。
在本实施例中,预设区间是预先确定的,根据预设区间可以得到多个卷积值的分布情况,卷积值的结果越集中于一个预设区间,则该地块为一种类别作物的概率越大,否则,该地块为一种类别作物的概率越小。
在本实施例中,预设分类条件用于表征地块适合按照地块粒度进行特征提取的条件,当地块为一个时,若卷积值的结果集中于一个预设区间的集中度大于预设集中度,则判定该地块满足预设分类条件,否则,判定该地块不满足预设分类条件,当地块为多个时,若其中满足预设分类条件的地块的个数与地块总数的比值大于第二预设值,则判定多个地块均满足预设分类条件,否则判定多个地块均不满足预设分类条件。
S1033,若地块满足预设分类条件,则确定特征提取粒度为地块粒度。
S1034,若地块不满足预设分类条件,则确定特征提取粒度为像元粒度。
在图6的基础上,本发明实施例还提供了判断地块是否满足预设分类条件的具体实现方式,请参照图8,图8为图6示出的作物类别确定方法中子步骤S1032的一种流程示意图,子步骤S1032包括以下子步骤:
S10321,按照多个预设区间对多个卷积值进行划分,并判断多个预设区间中是否存在目标区间,其中,目标区间内的卷积值的个数占卷积值总数的比值超出第一预设值。
在本实施例中,第一预设值用于表征卷积值预设区间分布的集中度大于预设集中度,第一预设值可以根据需要进行设置,例如,第一预设值设置为60%。目标区间为卷积值集中分布、且集中度大于预设集中度的预设区间。例如,以5*5的均值卷积对地块中的像元进行卷积运算,卷积结果取值范围为[0,255],预设区间为5个,分别是:[0,51]、[51,102]、[102,153]、[153,204]、[204,255],第一预设值为60%,卷积值在预设区间的分布如图9所示,图9中,落在区间[0,51]内的卷积值的个数为8,落在区间[51,102]内的卷积值的个数为34,落在区间[102,153]内的卷积值的个数为223,与总卷积值个数的比值为67%,超过第一预设值,则区间[102,153]为目标区间。
S10322,若存在目标区间,则判定地块满足预设分类条件。
S10323,若不存在目标区间,则判定地块不满足预设分类条件。
上述子步骤S10321~S10323通常针对预设区域内只有一个地块的应用场景,当然,地块为多个时,也可以对每一个地块都采用此方法判断其是否满足预设分类条件,再根据每一地块的特征提取粒度提取每一地块的分类特征,按照每一地块的分类特征确定每一地块的作物类别。
在本实施例中,如果地块数量过多,针对每一个地块采取不同的特征提取粒度进行特征提取,将带来巨大的运算量,为了提高运算效率,同时又不至于过多地影响识别准确率,在图6的基础上,本发明实施例还提供了另一种针对地块为多个的场景下地块是否满足预设分类条件的判断方式,请参照图10,图10为图6示出的作物类别确定方法中子步骤S1032的另一种流程示意图,子步骤S1032还包括以下子步骤:
S10324,若满足预设分类条件的地块的个数占地块的总个数的比值超出第二预设值,则判定每一地块均满足预设分类条件。
在本实施例中,第二预设值可以根据实际需要设定,例如,将第二预设值设置为80%,在识别准确率可接受的情况下,若运算效率的要求高,则可以将第二预设值设置小一些,若运算效率的要求不高,则可以将第二预设值设置大一些,以使作物识别结果尽量准确。
S10325,若满足预设分类条件的地块的个数占地块的总个数的比值未超出第二预设值,则判定每一地块均不满足预设分类条件。
在本实施例中,当每一地块均满足预设分类条件时,则每一地块的特征提取粒度均为地块特征,当每一地块均不满足预设分类条件时,则每一地块的特征提取粒度均为像元特征。
在本实施例提供的上述方法,按照第二预设值将待分析区域内的多个地块采用统一的特征提取粒度进行处理,在满足识别准确率的前提下,简化了计算的复杂度,提高了识别效率。
在本实施例中,作为一种具体实现方式,当预设边界数据是无人机影像中的地块矢量边界时,本发明实施例还提供了一种获取预设边界数据的具体实现方式,请参照图11,图11示出了本发明实施例提供的作物类别确定方法的另一种流程示意图,该方法可以应用于与上述方法相同的电子设备,也可以是不同的电子设备,该方法包括以下步骤:
S201,获取待分析区域的无人机影像。
在本实施例中,无人机影像的分辨率通常在0.05m-0.3m之间,比卫星影像的分辨率要高得多,因此,基于无人机影像提取的地块矢量边界比较准确。
S202,提取无人机影像中的地块矢量边界,并将地块矢量边界作为预设边界数据。
在本实施例中,可以利用地块分割算法对无人机影像进行图像分割,提取无人机影像中的地块矢量边界,例如,地块分割算法为U-Net。
需要说明的是,该方法可以在上述步骤S102(若S102包括子步骤,则在其第一个子步骤之前)之前执行,然后紧接着执行S102(若S102包括子步骤,则紧接着执行其子步骤),也可以预先执行该方法,将得到的预设边界数据进行存储,以便在需要执行步骤S102或者其子步骤时可以直接获取到。
在本实施例中,为了更直观地体现本发明实施例达到的效果,请参照图12,图12示出了本发明实施例提供的待分析区域的卫星影像的示例图,图13示出了本发明实施例提供的与图12对应的地块边界矢量图,图14示出了本发明实施例提供的作物类别确定结果的示例图,图14中,颜色相同的区域为同一作物类别。
为了执行上述实施例及各个可能的实施方式中的相应步骤,下面给出一种作物类别确定装置100的实现方式。请参照图15,图15示出了本发明实施例提供的作物类别确定装置100的方框示意图。需要说明的是,本实施例所提供的作物类别确定装置100,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及指出。
作物类别确定装置100包括获取模块110、确定模块120、分类模块130及提取模块140。
获取模块110,用于获取待分析区域的卫星影像。
确定模块120,用于根据待分析区域的预设边界数据,在卫星影像中确定待分析区域中的地块及地块中的像元。
可选地,卫星影像包括多个像元,确定模块120具体用于:将预设边界数据和卫星影像进行套合,得到套合图像,其中,套合图像包括根据预设边界数据形成的地块;对于卫星影像中的每一像元,根据每一像元的坐标判定每一像元所属的地块,得到地块中的像元。
可选地,确定模块120在具体用于将预设边界数据和卫星影像进行套合,得到套合图像时,具体用于:获取预设边界数据的第一坐标系参数和卫星影像的第二坐标系参数;根据第一坐标系参数和第二坐标系参数,将卫星影像对齐预设边界数据;根据预设边界数据中的预设特征点及卫星影像中与预设特征点对应的参考特征点,基于预设边界数据,对对齐后的卫星影像进行配准;将预设边界数据和配准后的卫星影像进行叠加,得到套合图像。
确定模块120,还用于对像元进行处理,确定特征提取粒度。
可选地,确定模块120,具体还用于:对地块中的像元进行卷积运算,得到地块的多个卷积值;根据多个预设区间及多个卷积值,判断地块是否满足预设分类条件;若地块满足所述预设分类条件,则确定特征提取粒度为地块粒度;若地块不满足预设分类条件,则确定特征提取粒度为像元粒度。
可选地,确定模块120在用于根据多个预设区间及多个卷积值,判断地块是否满足预设分类条件时,具体还用于:按照多个预设区间对多个卷积值进行划分,并判断多个预设区间中是否存在目标区间,其中,目标区间内的卷积值的个数占卷积值总数的比值超出第一预设值;若存在目标区间,则判定地块满足所述预设分类条件;若不存在目标区间,则判定地块不满足预设分类条件。
可选地,地块为多个,确定模块120在用于根据多个预设区间及所述多个卷积值,判断所述地块是否满足预设分类条件时具体还用于:若满足所述预设分类条件的地块的个数占所述地块的总个数的比值超出第二预设值,则判定每一所述地块均满足所述预设分类条件;若满足所述预设分类条件的地块的个数占所述地块的总个数的比值未超出第二预设值,则判定每一所述地块均不满足所述预设分类条件。
分类模块130,用于按照特征提取粒度从卫星影像中提取地块的分类特征,并按照分类特征确定地块的作物类别。
提取模块140,用于:获取待分析区域的无人机影像;提取无人机影像中的地块矢量边界,并将地块矢量边界作为预设边界数据。
请参照图16,图16示出了本申请实施例提供的电子设备10的方框示意图。电子设备10可以是计算机设备,例如,智能手机、平板电脑、个人电脑、服务器、地面站、私有云、公有云等中的任意一种,上述设备都可以用于实现上述实施例提供的作物类别确定方法,具体可根据实际应用场景确定,在此不作限制。电子设备10包括处理器11、存储器12及总线13,处理器11通过总线13与存储器12连接。
存储器12用于存储程序,例如图15所示的作物类别确定装置100,作物类别确定装置100包括至少一个可以软件或固件(firmware)的形式存储于存储器12中的软件功能模块,处理器11在接收到执行指令后,执行所述程序以实现上述实施例揭示的作物类别确定方法。
存储器12可能包括高速随机存取存储器(Random Access Memory,RAM),也可能还包括非易失存储器(non-volatile memory,NVM)。
处理器11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11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11可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、微控制单元(Microcontroller Unit,MCU)、复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、嵌入式ARM等芯片。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器11执行时实现上述实施例揭示的作物类别确定方法。
综上所述,本发明实施例提供了一种作物类别确定方法、装置、电子设备及存储介质,首先根据待分析区域的预设边界数据,在卫星影像中确定其中的地块及地块中的像元,实现对地块的准确划分,其次,根据地块的像元进行处理,确定特征提取粒度,最后,按照特征提取粒度从卫星影像中提取地块的分类特征,并按照分类特征确定地块的作物类别,通过地块的像元确定与地块像元分布匹配的特征提取粒度,最终实现准确识别地块的作物类别。
以上所述,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,可轻易想到的变化或替换,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所述权利要求的保护范围为准。
Claims (10)
1.一种作物类别确定方法,其特征在于,所述方法包括:
获取待分析区域的卫星影像;
根据所述待分析区域的预设边界数据,在所述卫星影像中确定所述待分析区域中的地块及所述地块中的像元;
对所述像元进行处理,确定特征提取粒度;
按照所述特征提取粒度从所述卫星影像中提取所述地块的分类特征,并按照所述分类特征确定所述地块的作物类别。
2.如权利要求1所述的作物类别确定方法,其特征在于,所述卫星影像包括多个像元,所述根据所述待分析区域的预设边界数据,在所述卫星影像中确定所述待分析区域中的地块及所述地块中的像元的步骤包括:
将所述预设边界数据和所述卫星影像进行套合,得到套合图像,其中,所述套合图像包括根据所述预设边界数据形成的地块;
对于所述卫星影像中的每一所述像元,根据每一所述像元的坐标判定每一所述像元所属的地块,得到所述地块中的像元。
3.如权利要求2所述的作物类别确定方法,其特征在于,所述将所述预设边界数据和所述卫星影像进行套合,得到套合图像的步骤包括:
获取所述预设边界数据的第一坐标系参数和所述卫星影像的第二坐标系参数;
根据所述第一坐标系参数和所述第二坐标系参数,将所述卫星影像对齐所述预设边界数据;
根据所述预设边界数据中的预设特征点及所述卫星影像中与所述预设特征点对应的参考特征点,基于所述预设边界数据,对对齐后的所述卫星影像进行配准;
将所述预设边界数据和配准后的所述卫星影像进行叠加,得到所述套合图像。
4.如权利要求1所述的作物类别确定方法,其特征在于,所述对所述像元进行处理,确定特征提取粒度的步骤包括:
对所述地块中的像元进行卷积运算,得到所述地块的多个卷积值;
根据多个预设区间及所述多个卷积值,判断所述地块是否满足预设分类条件;
若所述地块满足所述预设分类条件,则确定所述特征提取粒度为地块粒度;
若所述地块不满足所述预设分类条件,则确定所述特征提取粒度为像元粒度。
5.如权利要求4所述的作物类别确定方法,其特征在于,所述根据多个预设区间及所述多个卷积值,判断所述地块是否满足预设分类条件的步骤包括:
按照所述多个预设区间对所述多个卷积值进行划分,并判断所述多个预设区间中是否存在目标区间,其中,所述目标区间内的卷积值的个数占卷积值总数的比值超出第一预设值;
若存在所述目标区间,则判定所述地块满足所述预设分类条件;
若不存在所述目标区间,则判定所述地块不满足所述预设分类条件。
6.如权利要求5所述的作物类别确定方法,其特征在于,所述地块为多个,所述根据多个预设区间及所述多个卷积值,判断所述地块是否满足预设分类条件的步骤还包括:
若满足所述预设分类条件的地块的个数占所述地块的总个数的比值超出第二预设值,则判定每一所述地块均满足所述预设分类条件;
若满足所述预设分类条件的地块的个数占所述地块的总个数的比值未超出第二预设值,则判定每一所述地块均不满足所述预设分类条件。
7.如权利要求1所述的作物类别确定方法,其特征在于,所述方法还包括:
获取所述待分析区域的无人机影像;
提取所述无人机影像中的地块矢量边界,并将所述地块矢量边界作为所述预设边界数据。
8.一种作物类别确定装置,其特征在于,所述装置包括:
获取模块,用于获取待分析区域的卫星影像;
确定模块,用于根据所述待分析区域的预设边界数据,在所述卫星影像中确定所述待分析区域中的地块及所述地块中的像元;
确定模块,还用于对所述像元进行处理,确定特征提取粒度;
分类模块,用于按照所述特征提取粒度从所述卫星影像中提取所述地块的分类特征,并按照所述分类特征确定所述地块的作物类别。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的作物类别确定方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的作物类别确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650191.2A CN114298229A (zh) | 2021-12-30 | 2021-12-30 | 作物类别确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650191.2A CN114298229A (zh) | 2021-12-30 | 2021-12-30 | 作物类别确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298229A true CN114298229A (zh) | 2022-04-08 |
Family
ID=80972863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111650191.2A Pending CN114298229A (zh) | 2021-12-30 | 2021-12-30 | 作物类别确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298229A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023222171A1 (en) * | 2022-05-16 | 2023-11-23 | SwipBox Development ApS | Method and apparatus for analysing street images or satellite images of locations intended to be used for placement of one or more parcel lockers |
-
2021
- 2021-12-30 CN CN202111650191.2A patent/CN114298229A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023222171A1 (en) * | 2022-05-16 | 2023-11-23 | SwipBox Development ApS | Method and apparatus for analysing street images or satellite images of locations intended to be used for placement of one or more parcel lockers |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11568639B2 (en) | Systems and methods for analyzing remote sensing imagery | |
Xu et al. | Wheat ear counting using K-means clustering segmentation and convolutional neural network | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
US20210201024A1 (en) | Crop identification method and computing device | |
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
WO2020061648A1 (en) | Apparatus and method for three-dimensional object recognition | |
CN114511784A (zh) | 环境监测预警方法、装置、设备及存储介质 | |
CN113325868A (zh) | 一种基于无人机的农作物实时识别系统及方法 | |
CN115909059A (zh) | 一种自然资源样本库建立方法和装置 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN114298229A (zh) | 作物类别确定方法、装置、电子设备及存储介质 | |
Li et al. | A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model | |
CN112836590B (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
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 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN114913430A (zh) | 一种基于高分影像和Unet阴影检测的物体高度识别方法 | |
CN113627292A (zh) | 基于融合网络的遥感图像识别方法及装置 | |
CN111950354A (zh) | 印章归属国识别方法、装置及电子设备 | |
CN113469011A (zh) | 一种基于遥感图像分类算法的规划地地物识别方法和装置 | |
CN114299387A (zh) | 一种确定目标业务的方法、装置、电子设备及存储介质 | |
Sundari et al. | Semi-automatic Labeling of Satellite Images Using Texture Features and Hough Circle Transformation |
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 |