CN114429590A - 一种耕地图像提取方法及设备 - Google Patents
一种耕地图像提取方法及设备 Download PDFInfo
- Publication number
- CN114429590A CN114429590A CN202111601363.7A CN202111601363A CN114429590A CN 114429590 A CN114429590 A CN 114429590A CN 202111601363 A CN202111601363 A CN 202111601363A CN 114429590 A CN114429590 A CN 114429590A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sensing image
- region
- area
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012958 reprocessing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种耕地图像提取方法及设备,方法包括:确定待测区域的遥感图像,获取遥感图像的基本信息,基本信息至少包括时间信息、空间信息;确定数据库中预存储的多种识别模型,根据遥感图像的所述基本信息,分别得到遥感图像与多种识别模型之间的匹配度;通过对待测区域的所述遥感图像进行边缘检测分析,将待测区域的遥感图像划分为若干个待定区域;选用匹配度最高的识别模型对若干个待定区域的土地类型进行识别,生成若干个待定区域的土地类型对应的图像标签;根据图像标签,确定待定区域是否为耕地区域;若是,提取待定区域对应的遥感图像作为待测区域的耕地图像。使得通过遥感图像提取耕地图像的过程更加细致,提高了准确率以及精准度。
Description
技术领域
本申请涉及耕地保护领域,具体涉及一种耕地图像提取方法及设备。
背景技术
耕地保护是指运用法律、经济、技术等手段和措施,对耕地的数量和质量进行的保护。如果耕地面积大量减少,会直接威胁农业发展。为此,我们必须确保一定数量和质量的耕地。为了合理有效地利用耕地资源,首先要利用遥感技术完成土地利用总体规划的修编、耕地数量质量的普查等工作。但是目前通过遥感技术提取耕地图像的准确率不高,极易出现误判、错漏等现象。因此,亟需一种能够通过遥感图像准确、科学、精细的耕地图像的提取方法。
发明内容
为了解决上述问题,本申请提出了一种耕地图像提取方法及设备,方法包括:
确定待测区域的遥感图像,获取所述遥感图像的基本信息,所述基本信息至少包括时间信息、空间信息;确定数据库中预存储的多种识别模型,根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度;通过对所述待测区域的所述遥感图像进行边缘检测分析,将所述待测区域的所述遥感图像划分为若干个待定区域;选用所述匹配度最高的所述识别模型对所述若干个待定区域的土地类型进行识别,生成所述若干个待定区域的土地类型对应的图像标签;根据所述图像标签,确定所述待定区域是否为耕地区域;若是,提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像。
在一个示例中,所述根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度之前,所述方法还包括:根据所述遥感图像的时间信息,获取所述待测区域预设时间范围内的天气信息;若所述待测区域预设时间范围内存在降雨或降雪,根据所述天气信息调整所述遥感图像的色调。
在一个示例中,所述选用所述匹配度最高的所述识别模型对所述若干个待定区域进行识别,生成所述若干个待定区域的图像标签,具体包括:获取所述待定区域对应的所述遥感图像中各像素点的像素值及位置关系,并将所述各像素点的像素值及所述位置关系输入所述识别模型;所述识别模型通过所述各像素点的色彩识别结果、所述位置关系、所述识别模型中预存储的对应关系,生成所述待定区域的土地类型对应的图像标签。
在一个示例中,所述确定待测区域的遥感图像之前,所述方法还包括:获取多个遥感数据源关于同一待测区域不同时间段内的多个遥感图像,根据所述多个遥感图像的所述基本信息,将所述多个遥感图像进行异构数据再加工,转化为统一格式;根据所述统一格式的所述关于同一待测区域不同时间段内的多个遥感图像,确定所述待测区域内所述若干个待定区域的所述图像标签。
在一个示例中,确定待测区域的遥感图像,具体包括:根据所述待测区域的所在地理范围,选择拍摄时间段,所述拍摄时间段以连续预设天数的平均温度超过预设阈值为起始日;在所述拍摄时间段内拍摄所述待测区域的遥感图像。
在一个示例中,所述提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像之后,所述方法还包括:获取所述待测区域的历史耕地数据;确定所述待测区域内所述耕地数据的变化情况,并将所述耕地数据发生变化的地区在所述耕地图像中进行标记。
在一个示例中,所述将所述耕地数据发生变化的地区在所述耕地图像中进行标记之后,所述方法还包括:获取所述耕地数据发生变化的地区对应的遥感图像,根据所述耕地数据发生变化的地区对应的遥感图像,对所述耕地数据发生变化的地区再次确定是否发生误判;确认误判情况发生,将所述误判情况对应的耕地数据存储至数据库,并使用所述误判情况对应的耕地数据训练所述识别模型。
在一个示例中,所述空间信息包括所述遥感图像的分辨率、所述遥感图像的数据覆盖区域的经纬坐标、所述数据覆盖区域的海拔。
在一个示例中,所述方法还包括:确认所述待测区域的所述遥感数据覆盖区域超过预设地理范围;根据所述待定区域对应的遥感图像的所述基本信息,得到所述待定区域与所述多种识别模型之间的匹配度;使用匹配度最高的所述识别模型对所述待定区域进行识别,得到所述待定区域的图像标签。
本申请还提出了一种耕地图像提取设备,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:确定待测区域的遥感图像,获取所述遥感图像的基本信息,所述基本信息至少包括时间信息、空间信息;确定数据库中预存储的多种识别模型,根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度;通过对所述待测区域的所述遥感图像进行边缘检测分析,将所述待测区域的所述遥感图像划分为若干个待定区域;选用所述匹配度最高的所述识别模型对所述若干个待定区域的土地类型进行识别,生成所述若干个待定区域的土地类型对应的图像标签;根据所述图像标签,确定所述待定区域是否为耕地区域;若是,提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像。
通过本申请提出的方法能够通过边缘检测分析将整体的遥感图像划分为若干个待定区域,再根据遥感图像的基本信息匹配合适的识别模型对若干个待定区域进行识别,得到每个待定区域的图像标签,从而判断各个待定区域中是否有耕地存在,使得通过遥感图像提取耕地图像的过程更加细致,提高了准确率以及精准度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种耕地图像提取方法示意图;
图2为本申请实施例中一种耕地图像提取设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供一种耕地图像提取方法,包括:
S101:确定待测区域的遥感图像,获取所述遥感图像的基本信息,所述基本信息至少包括时间信息、空间信息、平台信息。
在提取耕地图像之前,首先需要确定待测区域的遥感图像,即待提取的遥感图像,需要获取遥感图像的各类基本信息。由于遥感数据的格式分为多种,因此遥感图像的基本信息应该至少包括遥感图像的时间信息、空间信息以及平台信息。
其中,由于拍摄的时间不同,对提取耕地图像也会造成影响,因此,时间信息必须要包括遥感图像的拍摄时间,还可以包括遥感图像的数据生成时间。为了将遥感图像的空间信息表达清楚,遥感图像的空间信息至少应该包括遥感图像的分辨率以及遥感图像的数据覆盖区域的经纬坐标,遥感图像的数据覆盖区域的海拔高度。
S102:确定数据库中预存储的多种识别模型,根据所述遥感图像的基本信息,得到所述遥感图像与所述多种识别模型的匹配度。
为了分析待定区域中是否有耕地存在,需要使用识别模型对待定区域对应的遥感图像进行识别,但是由于待测区域的基础地貌不同,所以需要不同种类的识别模型,因此首先需要根据遥感图像的基本信息,得到遥感图像与多种识别模型的匹配度。此时就需要用到遥感图像基本信息中的时间信息以及空间信息,不同的时间地点对应的识别模型种类不同。
S103:通过对所述待测区域的所述遥感图像进行边缘检测分析,将所述待测区域的遥感图像划分为若干个待定区域。
为了使得提取到的耕地图像更加精细,需要将待测区域通过边缘检测分析划分为若干个的待定区域。边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。由于遥感图像中可能存在多块形状、大小不一的耕地,所以导致待测区域划分之后的待定区域的形状也可能不规则。
以山区地形为例,由于山区地形起伏不平,居民点分布较为分散,交通常常被山川河流阻隔,植被分布的情况也更为复杂。因此,山区可作农业使用的区域较少,山区耕地往往呈现小面积分散分布的态势,由于耕地的单块面积很小,地块边界曲折,没有固定的走向,相邻耕地的界线往往也不是直线,这些特征都会给耕地图像的提取造成较大的困难。因此,在现有的影像质量的基础上如果想要减少上述因素造成的解译误差,就需要尽可能的在影响中突出耕地边界,也就是使用边缘检测技术将遥感图像划分为若干个待定区域。需要说明的是,待定区域中可能存在耕地,也可能不存在耕地,只是由待测区域通过边缘检测分析得到。
S104:选用所述匹配度最高的所述识别模型对所述若干个待定区域进行识别,生成所述若干个待定区域的图像标签。
在使用遥感图像的基本信息测试与各类预设的识别模型的匹配度之后,从中选取匹配度最高的识别模型作为该遥感图像的识别模型。并使用该识别模型对划分出来的若干个待定区域进行识别,生个若干个待定区域的图像标签。需要说明的是,这里需要说明的是,图像标签的类型有很多种,例如该待定区域的基础地貌是坡地,且确定该待定区域不存在耕地,那么该待定区域的图像标签就是坡地,不存在耕地。当然,也可以包含其他方面的图像标签,比如该地区的遥感图像存在阴影等。需要注意的是,尽管图像标签多种多样,但必定存在有关耕地的一项图像标签,包括:确定该待定区域存在耕地,确定该待定区域不存在耕地,该待定区域某处很大概率存在耕地,需要进一步的图像处理等。
S105:根据所述图像标签,确定所述待定区域是否为耕地区域;
S106:若是,提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像。
获得待定区域的图像标签之后,根据图像标签中包含的有关耕地的信息,确定该待定区域是否存在耕地,如果由于遥感图像的分辨率较低或是图像存在阴影等原因,对图像进行进一步处理,再通过识别模型重新确定该待定区域的图像标签,从而确定该待定区域是否为耕地区域,最后提取若干个待定区域中包含耕地区域的遥感图像作为耕地图像。以影像整体的色调较暗为例,如果图像标签显示该待定区域的遥感图像较暗,则可以对该遥感图像进行亮度调节及拉伸处理,使得影像中的色调变得更加明亮,并且使耕地与边界的对比更加明显。
在一个实施例中,卫星或是传感器获取遥感图像时,由于该时间节点的附近时间范围内待测区域的天气不同,会对遥感图像造成影响,从而对后续的耕地识别造成影响。
基于此,为避免天气不同造成的影响,在计算遥感图像与各个预设识别模型的匹配度之前,可以通过遥感图像的时间信息获取该时间节点的预设时间范围内的天气信息。这里以一天为例,如果生成遥感图像的当天存在大范围降雨或是降雪信息,则根据天气信息对遥感图像进行颜色校正,以防止不同天气对遥感图像造成的影响。
在一个实施例中,选用匹配度最高的识别模型对待定区域进行识别,生成待定区域的图像标签时,首先要获取该待定区域对应的遥感图像中全部像素点的位置数据以及全部像素点的色彩识别结果,并将位置数据以及色彩识别结果数据输入该识别模型中,识别模型再根据预存的色彩识别结果、位置关系、地理类型之间的对应关系,生成该待定区域对应的土地类型的图像标签。
在一个实施例中,由于拍摄遥感图像时可能会碰到阴天、下雨等天气,此时的遥感图像可能会有色调过低、颜色过暗、存在阴影等影响耕地识别的情况出现。
基于此,可以获取多个遥感数据源关于同一待测区域的不同时间段内的多个遥感图像。这里的遥感数据源指的是不同的卫星、传感器所拍摄的遥感图像。由于遥感数据源、拍摄时间不同,为了能够消除遥感图像的中色调过低、颜色过暗等情况,需要根据各类遥感图像的基本信息,将多个遥感图像转化为统一格式,例如将分辨率统一、数据类型统一等。同时,来自不同体系的遥感数据还可能存在异构的情况,此时还需要将异构的遥感数据进行再加工,将多个遥感图像转化为同一格式之后,根据同一格式的多个遥感图像,确定待测区域内的待定区域的图像标签。
在一个实施例中,由于不同时期的耕地颜色不同,因此可以在拍摄遥感图像时,选取解译暗度较低的时期进行拍摄。基于此,可以选择待测区域对应的春季影像作为遥感图像的拍摄时间,这个时期的农田处于翻新状态,在色调方面与林地和裸地都有较为明显的差异,是对耕地解译的最佳时期。由于个人可能对春季的认知不同,可以按照冬日之后,连续预设天数中,每天的平均气温都在预设温度以上作为春季的开始时间。
在一个实施例中,由于耕地情况通常不会发生变化,因此历史耕地数据对新一轮的耕地调查也有很大的帮助作用。基于此,可以通过预先存储的该待测区域的历史耕地数据,与当前的耕地进行比较,以确定该待测区域的耕地变化情况,并将耕地数据的变化情况在耕地图像中进行标记,为耕地保护提供基础数据。
进一步地,经与历史耕地数据对比后,为避免误判,获取可能存在耕地变化的待定区域对应的遥感图像,根据遥感图像对耕地数据发生变化的地区进行二次确定,也可以派遣无人机进行实地勘探,防止出现误判的情况。更进一步地,如果确定通过遥感图像提取耕地图像时出现了误判情况,可以将对应的误判数据以及遥感图像上传至数据库,并使用误判数据对各类识别模型进行训练,减少误判情况的出现。
如图2所示,本申请实施例还提供了一种耕地图像提取设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定待测区域的遥感图像,获取所述遥感图像的基本信息,所述基本信息至少包括时间信息、空间信息;确定数据库中预存储的多种识别模型,根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度;通过对所述待测区域的所述遥感图像进行边缘检测分析,将所述待测区域的所述遥感图像划分为若干个待定区域;选用所述匹配度最高的所述识别模型对所述若干个待定区域的土地类型进行识别,生成所述若干个待定区域的土地类型对应的图像标签;根据所述图像标签,确定所述待定区域是否为耕地区域;若是,提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
确定待测区域的遥感图像,获取所述遥感图像的基本信息,所述基本信息至少包括时间信息、空间信息;确定数据库中预存储的多种识别模型,根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度;通过对所述待测区域的所述遥感图像进行边缘检测分析,将所述待测区域的所述遥感图像划分为若干个待定区域;选用所述匹配度最高的所述识别模型对所述若干个待定区域的土地类型进行识别,生成所述若干个待定区域的土地类型对应的图像标签;根据所述图像标签,确定所述待定区域是否为耕地区域;若是,提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种耕地图像提取方法,其特征在于,包括:
确定待测区域的遥感图像,获取所述遥感图像的基本信息,所述基本信息至少包括时间信息、空间信息;
确定数据库中预存储的多种识别模型,根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度;
通过对所述待测区域的所述遥感图像进行边缘检测分析,将所述待测区域的所述遥感图像划分为若干个待定区域;
选用所述匹配度最高的所述识别模型对所述若干个待定区域的土地类型进行识别,生成所述若干个待定区域的土地类型对应的图像标签;
根据所述图像标签,确定所述待定区域是否为耕地区域;
若是,提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度之前,所述方法还包括:
根据所述遥感图像的时间信息,获取所述待测区域预设时间范围内的天气信息;
若所述待测区域预设时间范围内存在降雨或降雪,根据所述天气信息调整所述遥感图像的色调。
3.根据权利要求1所述的方法,其特征在于,所述选用所述匹配度最高的所述识别模型对所述若干个待定区域进行识别,生成所述若干个待定区域的图像标签,具体包括:
获取所述待定区域对应的所述遥感图像中各像素点的像素值及位置关系,并将所述各像素点的像素值及所述位置关系输入所述识别模型;
所述识别模型通过所述各像素点的色彩识别结果、所述位置关系、所述识别模型中预存储的对应关系,生成所述待定区域的土地类型对应的图像标签。
4.根据权利要求1所述的方法,其特征在于,所述确定待测区域的遥感图像之前,所述方法还包括:
获取多个遥感数据源关于同一待测区域不同时间段内的多个遥感图像,根据所述多个遥感图像的所述基本信息,将所述多个遥感图像进行异构数据再加工,转化为统一格式;
根据所述统一格式的所述关于同一待测区域不同时间段内的多个遥感图像,确定所述待测区域内所述若干个待定区域的所述图像标签。
5.根据权利要求1所述的方法,其特征在于,确定待测区域的遥感图像,具体包括:
根据所述待测区域的所在地理范围,选择拍摄时间段,所述拍摄时间段以连续预设天数的平均温度超过预设阈值为起始日;
在所述拍摄时间段内拍摄所述待测区域的遥感图像。
6.根据权利要求1所述的方法,其特征在于,所述提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像之后,所述方法还包括:
获取所述待测区域的历史耕地数据;
确定所述待测区域内所述耕地数据的变化情况,并将所述耕地数据发生变化的地区在所述耕地图像中进行标记。
7.根据权利要求6所述的方法,其特征在于,所述将所述耕地数据发生变化的地区在所述耕地图像中进行标记之后,所述方法还包括:
获取所述耕地数据发生变化的地区对应的遥感图像,根据所述耕地数据发生变化的地区对应的遥感图像,对所述耕地数据发生变化的地区再次确定是否发生误判;
确认误判情况发生,将所述误判情况对应的耕地数据存储至数据库,并使用所述误判情况对应的耕地数据训练所述识别模型。
8.根据权利要求1所述的方法,其特征在于,所述空间信息包括所述遥感图像的分辨率、所述遥感图像的数据覆盖区域的经纬坐标、所述数据覆盖区域的海拔。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
确认所述待测区域的所述遥感数据覆盖区域超过预设地理范围;
根据所述待定区域对应的遥感图像的所述基本信息,得到所述待定区域与所述多种识别模型之间的匹配度;
使用匹配度最高的所述识别模型对所述待定区域进行识别,得到所述待定区域的图像标签。
10.一种耕地图像提取设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:
确定待测区域的遥感图像,获取所述遥感图像的基本信息,所述基本信息至少包括时间信息、空间信息;
确定数据库中预存储的多种识别模型,根据所述遥感图像的所述基本信息,分别得到所述遥感图像与所述多种识别模型之间的匹配度;
通过对所述待测区域的所述遥感图像进行边缘检测分析,将所述待测区域的所述遥感图像划分为若干个待定区域;
选用所述匹配度最高的所述识别模型对所述若干个待定区域的土地类型进行识别,生成所述若干个待定区域的土地类型对应的图像标签;
根据所述图像标签,确定所述待定区域是否为耕地区域;
若是,提取所述待定区域对应的遥感图像作为所述待测区域的耕地图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601363.7A CN114429590A (zh) | 2021-12-24 | 2021-12-24 | 一种耕地图像提取方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601363.7A CN114429590A (zh) | 2021-12-24 | 2021-12-24 | 一种耕地图像提取方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429590A true CN114429590A (zh) | 2022-05-03 |
Family
ID=81312187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111601363.7A Pending CN114429590A (zh) | 2021-12-24 | 2021-12-24 | 一种耕地图像提取方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429590A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797764A (zh) * | 2022-11-18 | 2023-03-14 | 江苏星月测绘科技股份有限公司 | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 |
CN117575979A (zh) * | 2023-08-01 | 2024-02-20 | 广东省国土资源测绘院 | 一种遥感图像变化的检测方法及装置 |
CN117746259A (zh) * | 2024-02-19 | 2024-03-22 | 湖南省第二测绘院 | 一种基于地图引擎的耕地监管方法及系统 |
-
2021
- 2021-12-24 CN CN202111601363.7A patent/CN114429590A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797764A (zh) * | 2022-11-18 | 2023-03-14 | 江苏星月测绘科技股份有限公司 | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 |
CN117575979A (zh) * | 2023-08-01 | 2024-02-20 | 广东省国土资源测绘院 | 一种遥感图像变化的检测方法及装置 |
CN117746259A (zh) * | 2024-02-19 | 2024-03-22 | 湖南省第二测绘院 | 一种基于地图引擎的耕地监管方法及系统 |
CN117746259B (zh) * | 2024-02-19 | 2024-05-03 | 湖南省第二测绘院 | 一种基于地图引擎的耕地监管方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114429590A (zh) | 一种耕地图像提取方法及设备 | |
Sannier et al. | Suitability of Global Forest Change data to report forest cover estimates at national level in Gabon | |
Yu et al. | A new approach for land cover classification and change analysis: Integrating backdating and an object-based method | |
CN109284706B (zh) | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 | |
Tehrany et al. | Remote sensing data reveals eco-environmental changes in urban areas of Klang Valley, Malaysia: contribution from object based analysis | |
Johnson et al. | Employing crowdsourced geographic data and multi-temporal/multi-sensor satellite imagery to monitor land cover change: A case study in an urbanizing region of the Philippines | |
Giuliani et al. | Using crowdsourced web content for informing water systems operations in snow-dominated catchments | |
CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
Dihkan et al. | Evaluation of urban heat island effect in Turkey | |
Sugg et al. | Mapping impervious surfaces using object-oriented classification in a semiarid urban region | |
Maleki et al. | A method to select sites for sand and dust storm source mitigation: case study in the Sistan region of southeast Iran | |
Amatya et al. | Rainfall‐induced landslide inventories for Lower Mekong based on Planet imagery and a semi‐automatic mapping method | |
Seyednasrollah et al. | Data extraction from digital repeat photography using xROI: An interactive framework to facilitate the process | |
Sadeghi et al. | Design and implementation of an expert system for updating thematic maps using satellite imagery (case study: changes of Lake Urmia) | |
Herzog et al. | Measuring zero water level in stream reaches: A comparison of an image‐based versus a conventional method | |
Huang et al. | Monitoring forest dynamics with multi-scale and time series imagery | |
Kara et al. | Impact of rapid urbanisation on land cover in Istanbul Province | |
Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
CN114494896A (zh) | 一种用于耕地保护的耕地状态监测方法、设备及介质 | |
Pradhan et al. | A supervised object-based detection of landslides and man-made slopes using airborne laser scanning data | |
Varamesh et al. | Comparison of conventional and advanced classification approaches by Landsat-8 imagery. | |
Alagialoglou et al. | Canopy Height Estimation from Spaceborne Imagery Using Convolutional Encoder-Decoder | |
CN116386060B (zh) | 一种水尺数据自动标注方法、装置、设备及介质 | |
Schulz et al. | Automatic cloud top height determination in mountainous areas using a cost-effective time-lapse camera system | |
BOZKAYA et al. | SATELLITE-BASED MULTITEMPORAL CHANGE DETECTION IN IGNEADA FLOODED FORESTS. |
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 |