CN114612804A - 基于无人机遥感图像的植被检测方法、装置以及设备 - Google Patents
基于无人机遥感图像的植被检测方法、装置以及设备 Download PDFInfo
- Publication number
- CN114612804A CN114612804A CN202210108680.3A CN202210108680A CN114612804A CN 114612804 A CN114612804 A CN 114612804A CN 202210108680 A CN202210108680 A CN 202210108680A CN 114612804 A CN114612804 A CN 114612804A
- Authority
- CN
- China
- Prior art keywords
- image
- vegetation
- data
- visible light
- surface temperature
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
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
本发明涉及遥感数据分析领域,特别涉及一种基于无人机遥感图像的植被检测方法,包括:获取目标区域的遥感图像,其中,遥感图像包括热红外图像以及可见光图像;将热红外图像转换为地表温度图像,并将地表温度图像与可见光图像进行图像融合,获取融合图像,将融合图像转换为植被覆盖图像,其中,植被覆盖图像包括若干种植被类型;从植被覆盖图像中提取各个植被类型对应的若干个第一样本数据,根据第一样本数据,组成第一样本训练数据集;根据第一样本训练数据集以及预设的植被分类模型,获取目标区域的植被分类数据。本申请将热红外图像和可见光图像融合,根据植被类型构建样本训练数据集,对植被类型进行分类,获得高精度的植被分类数据。
Description
技术领域
本发明涉及遥感数据分析领域,特别涉及是一种基于无人机遥感图像的植被检测方法、装置、设备以及存储介质。
背景技术
目前,基于遥感图像对地表覆盖类型进行分类的研究较多,但大多数学者都把城市植被作为一个大类进行研究,或者讨论不同土地利用类型,如草地、林地、耕地等地区地表温度的整体模式。
而由于植被叶片形状、植株高矮不同,如针叶和阔叶、灌木和乔木等,对地表温度的影响程序也会不同,所以对微观城市生态和城市热岛效应的研究需要将不同植被类型区分开。然而多光谱数据和可见光数据容易将灌木和乔木混淆,难以对植物进行准确分类。
发明内容
基于此,本发明的目的在于,提供一种基于无人机遥感图像的植被检测方法、装置、设备以及存储介质,将热红外图像和可见光图像融合,然后根据植被类型构建第一样本训练数据集,利用植被分类模型对植被类型进行分类,获得高精度的植被分类数据,高效、快捷。
第一方面,本申请实施例提供了一种基于无人机遥感图像的植被检测方法,包括以下步骤:
获取目标区域的遥感图像,其中,所述遥感图像包括热红外图像以及可见光图像;
将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像,其中,所述植被覆盖图像包括若干种植被类型;
从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集;
根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价;
响应于检测指令,所述检测指令包括待检测区域的热红外图像以及可见光图像,获取电子地图数据,根据所述待检测区域的热红外图像以及可见光图像,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型以及与所述植被类型对应的植被标识,获取所述电子地图数据的各个区域的植被标识,在所述电子地图数据上进行植被标识的显示以及标注。
第二方面,本申请实施例提供了一种基于无人机遥感图像的植被检测装置,包括:
获取模块,用于获取目标区域的遥感图像,其中,所述遥感图像包括热红外图像以及可见光图像;
图像转换模块,用于将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像,其中,所述植被覆盖图像包括若干种植被类型;
数据集构建模块,用于从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集;
分类模块,用于根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价;
检测模块,用于响应于检测指令,所述检测指令包括待检测区域的热红外图像以及可见光图像,获取电子地图数据,根据所述待检测区域的热红外图像以及可见光图像,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型以及与所述植被类型对应的植被标识,获取所述电子地图数据的各个区域的植被标识,在所述电子地图数据上进行植被标识的显示以及标注。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以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;所述计算机程序被所述处理器执行时实现如第一方面所述基于无人机遥感图像的植被检测方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于无人机遥感图像的植被检测方法的步骤。
在本申请实施例中,提供一种基于无人机遥感图像的植被检测方法、装置、设备以及存储介质,将热红外图像和可见光图像融合,然后以各个植被类型的特征构建第一样本训练数据集,利用植被分类模型对植被类型进行分类,获得高精度的植被分类数据,高效、快捷。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于无人机遥感图像的植被检测方法的流程示意图;
图2为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S2的流程示意图;
图3为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S202的流程示意图;
图4为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S3的流程示意图;
图5为本申请一个实施例提供的基于无人机遥感图像的植被检测方法的各植被类型的热属性特征图;
图6为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S4的流程示意图;
图7为本申请一个实施例提供的基于无人机遥感图像的植被检测装置的结构示意图;
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的基于无人机遥感图像的植被检测方法的流程示意图,所述方法包括如下步骤:
S1:获取目标区域的遥感图像,其中,所述遥感图像包括热红外图像以及可见光图像。
所述基于无人机遥感图像的植被检测方法的执行主体为基于无人机遥感图像的植被检测方法的检测设备(以下简称检测设备),在一个可选的实施例中,所述检测设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
所述目标区域包括若干种植被类型,其中,所述植被类型包括乔木、阔叶乔木、灌木、地被植物、草坪以及作物等类型。
所述遥感图像包括热红外图像以及可见光图像,所述热红外图像用于记录地物辐射出来的人眼不可见的热红外辐射信息,所述可见光图像用于记录地物辐射出来的人眼可以感知到的电磁波信息,所述热红外图像以及可见光图像可以用来识别地物和反演地表参数,其中,所述反演地表参数包括温度、发射率、湿度、热惯量等。
检测设备可以通过无人机获取目标区域的热红外图像以及可见光图像,也可以通过从数据库中下载获取。
S2:将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像,其中,所述植被覆盖图像包括若干种植被类型。
所述地表温度图像是指为地表绘制的区域温度图,记录图像内各个区域内的地表温度。
在本实施例中,检测设备将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像。通过结合热红外图像以及可见光图像,提供了目标区域内的植被分布的更加详细的信息,实现了对目标区域内的植被进行更加精确的分类。
请参阅图2,图2为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S2的流程示意图,包括步骤S201~S204,具体如下:
S201:根据所述热红外图像以及地表温度算法,将所述热红外图像转换为地表温度图像。
所述地表温度算法为:
式中,Ts为地表温度;C为亮度温度值;C’为等效大气平均温度;a和b为回归系数;α和β为中间系数,其中α=e·r,β=(1-e)[1+e(1-r)],e为大气透过率,r为地表比辐射率;
所述亮度温度值可以通过无人机的传感器测得。在本实施例中,检测设备获取所述热红外图像中每个像元的地表比辐射率以及大气透过率,输入至预设的地表温度算法中,根据预设的等效大气平均温度以及亮度温度值,计算每个像元对应的地表温度,获取地表温度图像,从而将所述热红外图像转换为地表温度图像。
S202:将所述地表温度图像与可见光图像进行地理配准,获取所述地表温度图像相对可见光图像的偏移量,根据所述偏移量,所述地表温度图像与可见光图像进行图像融合。
在本实施例中,检测设备将所述地表温度图像与可见光图像进行地理配准,获取所述地表温度图像相对可见光图像的偏移量,根据所述偏移量,所述地表温度图像与可见光图像进行图像融合。
请参阅图3,图3为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S202的流程示意图,还包括步骤S2021~S2022,具体如下:
S2021:获取所述地表温度图像以及可见光图像的像素坐标数据。
所述标定板为固定间距图案阵列的平板,无人机通过所述标定板获取所述地表温度图像以及可见光图像。
在本实施例中,检测设备以标定板为基准,计算所述地表温度图像在标定板上的坐标位置数据,作为所述地表温度图像的像素坐标数据,以及计算所述可见光图像在标定板上的坐标位置数据,作为所述可见光图像的像素坐标数据。
S2022:根据所述地表温度图像以及可见光图像的像素坐标数据,获取所述地表温度图像以及可见光图像对应的像素点的像素坐标数据差值,作为所述偏移量,根据所述偏移量,将所述地表温度图像以及可见光图像对应的像素进行叠加,获取所述融合图像。
在本实施例中,检测设备根据所述地表温度图像以及可见光图像在标定板上测得的像素坐标数据,计算所述地表温度图像的图像中心以及可见光图像的图像中心之间的距离,获取像素差,具体如下:
式中,scaleFactor为所述像素差,ThermalPointn为所述图像中心n在所述地表温度图像或可见光图像的横坐标值,VisiblePointn为所述图像中心n在所述地表温度图像或可见光图像的纵坐标值。
根据所述像素差,将所述地表温度图像以及可见光图像的尺寸进行统一处理,根据所述统一处理之前的图像以及统一处理之后对应的图像,获取所述地表温度图像以及可见光图像对应的像素点的像素坐标数据差值,作为偏移量,其中,所述偏移量包括Xdiff以及Ydiff,Xdiff为横坐标轴上的相对偏移距离,Ydiff为纵坐标轴上的相对偏移距离,根据所述偏移量,将所述地表温度图像以及可见光图像对应的像素进行叠加,获取所述融合图像,具体如下:
Xdiff=(XThermalPoint-XVisiblePoint)
Ydiff=(YThermalPoint-YVisiblePoint)
式中,XThermalPoint为所述地表温度图像上的像素的横坐标值,XVisiblePoint为所述可见光图像上的像素的横坐标值,YThermalPoint为所述地表温度图像上的像素的纵坐标值,YVisiblePoint为所述可见光图像上的像素的横坐标值。
S203:根据所述融合图像以及植被指数算法,获取所述融合图像的植被指数,其中,所述植被指数包括过绿指数、过绿减红指数、植被颜色指数以及差异性植被指数。
检测设备根据所述融合图像以及植被指数算法,获取所述融合图像中每个像元的植被指数,其中,所述植被指数算法包括过绿指数算法、过绿减红指数算法、植被颜色指数算法以及差异性植被指数算法。
检测设备获取所述融合图像的R、G、B的值,根据所述过绿指数算法,获取所述融合图像的过绿指数,其中,所述过绿指数算法为:
ExG=2G-R-B
式中,ExG为所述过绿指数,R为图像的红色波段的值,G为图像的绿色波段的值,B为图像的蓝色波段的值;
检测设备根据所述过绿减红指数算法,获取所述融合图像的过绿减红指数,其中,所述过绿减红指数算法为:
ExGR=ExG-(1.4R-G)
式中,ExGR为所述过绿减红指数;
检测设备对所述R、G、B的值进行归一化处理,获取归一化处理后的数据,根据所述植被颜色指数算法,获取所述融合图像的植被颜色指数,其中,所述植被颜色指数算法为:
CIVE=0.441r-0.1011g+0.385b+18.78745
式中,CIVE为所述过绿减红指数,r、g、b分别为归一化后的R、G、B的值;
检测设备根据所述差异性植被指数算法,获取所述融合图像的差异性植被指数,其中,所述差异性植被指数算法为:
式中,VDVI为所述差异性植被指数。
S204:根据所述植被指数以及相应的植被指数阈值,对所述融合图像进行阈值分割,获取所述植被覆盖图像。
所述植被指数阈值包括ExG阈值、ExGR阈值、CIVE阈值以及VDVI阈值,在一个可选的实施例中,所述ExG图像阈值为(-0.1,0.05),ExGR图像阈值为(-0.3,0),CIVE图像阈值为(17.10,18.5),VDV图像阈值I为(-0.05,0.05)。
在本实施例中,检测设备根据所述融合图像中像元的植被指数以及相应的植被指数阈值,当所述像元中的ExG、ExGR、CIVE以及VDVI均大于相应的植被指数阈值,获取像元中的ExG、ExGR、CIVE均大于相应的植被指数阈值的像元,并进行组合,从而对所述融合图像进行阈值分割,获取所述植被覆盖图像。
S3:从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集。
在本实施例中,检测设备从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集。
请参阅图4,图4为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S3的流程示意图,包括步骤S301~S304,具体如下:
S301:获取各个所述植被类型对应的颜色特征参数,其中,所述颜色特征参数包括R、G以及B特征参数。
所述颜色特征参数为基于红、绿、蓝三个颜色通道的获取的参数值,包括R、G以及B特征参数,其中,R特征参数是基于红色通道获取的参数值,G特征参数是基于绿色通道获取的参数值,B特征参数是基于蓝色通道获取的参数值。
在本实施例中,检测设备对所述植被覆盖图像进行分析,获取所述植被覆盖图像中各个所述植被类型对应的颜色特征参数。
S302:根据所述颜色特征参数以及相应的颜色特征参数阈值,从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据。
所述颜色特征参数阈值包括草地类型颜色特征参数阈值、灌木类型颜色特征参数阈值、阔叶乔木类型颜色特征参数阈值、针叶乔木类型颜色特征参数阈值、地被植物类型颜色特征参数阈值以及作物类型颜色特征参数阈值。
在本实施例中,检测设备根据所述植被覆盖图像中各个所述植被类型对应的颜色特征参数以及所述植被类型对应的颜色特征参数阈值,从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据。
S303:获取所述第一样本数据的温度数据,其中,所述温度数据包括所述各个植被类型对应的第一样本数据在不同时段的温度参数。
所述温度数据可以通过无人机上的传感器获取,在本实施例中,检测设备通过无人机获取所述第一样本数据的温度数据,其中,所述温度数据包括各个植被类型对应的第一样本数据在不同时段的温度参数。
获取同一植被类型的所述第一样本数据的热属性参数,根据所述热属性参数,对所述同一植被类型的第一样本数据进行组合,组成第一样本数据集。
S304:根据所述温度数据中的温度参数,对所述第一样本数据进行组合,获取样本训练数据。
在本实施例中,检测设备根据所述温度数据中的温度参数,计算各个植被类型对应的第一样本数据在各个时段的温度参数的最大值、最小值、平均值、标准差,根据所述最大值、最小值、平均值以及标准差,对各个植被类型对应的第一样本数据的热属性特征进行分析,绘制箱线图分析各个植被类型对应的第一样本数据的热属性特征图,其中,所述热属性特征为光谱反射特征,由于不同类型的植被的成分、颜色、含水率不同,其温度也会不同,就会表现出不同的光谱反射特征。
请参考图5,图5为本申请一个实施例提供的基于无人机遥感图像的植被检测方法的各植被类型的热属性特征图,根据所述热属性特征图中各个植被类型的第一样本数据的趋向,对所述第一样本数据进行组合,获取样本训练数据。
S4:根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价。
所述植被分类模型为随机森林模型,所述随机森林模型是基于一种分类回归树的数据挖掘方法的训练模型,包括若干个决策树,以所述决策树作为基分类器,并采用简单多数投票法或单棵树的输出结果,作为模型的输出。
请参考图6,图6为本申请一个实施例提供的基于无人机遥感图像的植被检测方法中S4的流程示意图,还包括步骤S401~S402,具体如下:
S401:将所述第一样本训练数据集输入至预设的植被分类模型,获取所述植被分类模型输出的目标区域的待验证植被分类数据。
在本实施例中,检测设备将所述第一样本训练数据集输入至预设的植被分类模型,获取所述植被分类模型输出的目标区域的待验证植被分类数据。
S402:从所述第一样本训练数据集中提取各个所述植被类型对应的若干个第二样本数据,作为验证数据,根据所述验证数据、目标区域的待验证植被分类数据以及混淆矩阵,获取分类精度值,根据所述分类精度值以及预设的分类精度阈值,获取精度评价结果。
在本实施例中,检测设备将所述验证数据、目标区域的待验证植被分类数据输入至所述混淆矩阵中,获取所述混淆矩阵输出的预测结果,其中,所述预测结果包括TP、TN、FP以及FN,所述TP表示混淆矩阵正确地预测为正例,TN表示混淆矩阵正确地预测为反例,FP表示混淆矩阵错误地预测为正例,FN表示混淆矩阵错误地预测为反例。
根据所述真实值、预测值以及分类精度计算算法,获取所述分类精度值,其中,所述分类精度计算算法为:
式中,Accuracy为所述分类精度值;
将所述分类精度值以及预设的分类精度阈值进行对比,当所述分类精度值大于或等于分类精度阈值时,获取精度评价成功结果,当所述分类精度值小于分类精度阈值时,获取精度评价失败结果。
当所述精度评价结果为精度评价成功结果,将所述目标区域的待验证植被分类数据作为所述目标区域的植被分类数据,当所述精度评价结果为精度评价失败结果,从所述植被覆盖图像中提取各个所述植被类型对应的若干个第三样本数据,根据所述第三样本数据,组成第二样本训练数据集,将所述第二样本训练数据集输入至植被分类模型中,获取所述植被分类模型的输出结果,并对所述输出结果进行精度评价。
S5:响应于检测指令,所述检测指令包括待检测区域的热红外图像以及可见光图像,获取电子地图数据,根据所述待检测区域的热红外图像以及可见光图像,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型以及与所述植被类型对应的植被标识,获取所述电子地图数据的各个区域的植被标识,在所述电子地图数据上进行植被标识的显示以及标注。
所述检测指令由用户发出,检测设备接收。
在本实施例中,检测设备获取用户发送的所述检测指令,并进行响应,获取电子地图数据。检测设备根据所述待检测区域的热红外图像、可见光图像以及植被分类模型,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型,获取植被类型对应的标识,并返回至检测设备的显示界面中,在所述电子地图上进行植被类型以及相应的植被标识的显示以及标注。
请参考图7,图7为本申请一个实施例提供的基于无人机遥感图像的植被检测装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于无人机遥感图像的植被检测装置的全部或一部分,该装置7包括:
获取模块71,用于获取目标区域的热红外图像以及可见光图像;
图像转换模块72,用于将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像,其中,所述植被覆盖图像包括若干种植被类型;
数据集构建模块73,用于从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集;
分类模块74,用于根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价;
检测模块75,用于响应于检测指令,所述检测指令包括待检测区域的热红外图像以及可见光图像,获取电子地图数据,根据所述待检测区域的热红外图像以及可见光图像,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型以及与所述植被类型对应的植被标识,获取所述电子地图数据的各个区域的植被标识,在所述电子地图数据上进行植被标识的显示以及标注。
在本申请实施例中,通过获取模块,获取目标区域的热红外图像以及可见光图像;通过图像转换模块,将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像,其中,所述植被覆盖图像包括若干种植被类型;通过数据集构建模块,从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集;通过分类模块,根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价;通过检测模块,响应于检测指令,所述检测指令包括待检测区域的热红外图像以及可见光图像,获取电子地图数据,根据所述待检测区域的热红外图像以及可见光图像,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型以及与所述植被类型对应的植被标识,获取所述电子地图数据的各个区域的植被标识,在所述电子地图数据上进行植被标识的显示以及标注。本申请能够将热红外图像和可见光图像融合,然后根据植被类型构建第一样本训练数据集,利用植被分类模型对植被类型进行分类,获得高精度的植被分类数据,高效、快捷。
请参考图8,图8为本申请一个实施例提供的计算机设备的结构示意图,计算机设备8包括:处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83;计算机设备可以存储有多条指令,指令适用于由处理器81加载并执行上述图1至图6以及图8所示实施例的方法步骤,具体执行过程可以参见图1至图6以及图8所示实施例的具体说明,在此不进行赘述。
其中,处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器82内的指令、程序、代码集或指令集,以及调用存储器82内的数据,执行基于无人机遥感图像的植被检测装置8的各种功能和处理数据,可选的,处理器81可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器81可集成中央处理器81(Central Processing Unit,CPU)、图像处理器81(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器81中,单独通过一块芯片进行实现。
其中,存储器82可以包括随机存储器82(Random Access Memory,RAM),也可以包括只读存储器82(Read-Only Memory)。可选的,该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图6以及图8所示实施例的方法步骤,具体执行过程可以参见图1至图6以及图8所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种基于无人机遥感图像的植被检测方法,其特征在于,包括以下步骤:
通过无人机获取目标区域的遥感图像,其中,所述遥感图像包括热红外图像以及可见光图像;
将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像,其中,所述植被覆盖图像包括若干种植被类型;
从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集;
根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价;
响应于检测指令,所述检测指令包括待检测区域的热红外图像以及可见光图像,获取电子地图数据,根据所述待检测区域的热红外图像以及可见光图像,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型以及与所述植被类型对应的植被标识,获取所述电子地图数据的各个区域的植被标识,在所述电子地图数据上进行植被标识的显示以及标注。
2.根据权利要求1所述的基于无人机遥感图像的植被检测方法,其特征在于,所述将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,包括步骤:
根据所述热红外图像以及地表温度算法,将所述热红外图像转换为地表温度图像,其中,所述地表温度算法为:
式中,Ts为地表温度;C为亮度温度值;C’为等效大气平均温度;a和b为回归系数;α和β为中间系数,其中α=e·r,β=(1-e)[1+e(1-r)],e为大气透过率,r为地表比辐射率;
将所述地表温度图像与可见光图像进行地理配准,获取所述地表温度图像相对可见光图像的偏移量,根据所述偏移量,所述地表温度图像与可见光图像进行图像融合。
3.根据权利要求1所述的基于无人机遥感图像的植被检测方法,其特征在于,所述将所述地表温度图像与可见光图像进行地理配准,获取所述地表温度图像相对可见光图像的偏移量,根据所述偏移量,所述地表温度图像与可见光图像进行图像融合,包括步骤:
获取所述地表温度图像以及可见光图像的像素坐标数据;
根据所述地表温度图像以及可见光图像的像素坐标数据,获取所述地表温度图像以及可见光图像对应的像素点的像素坐标数据差值,作为所述偏移量,根据所述偏移量,将所述地表温度图像以及可见光图像对应的像素进行叠加,获取所述融合图像。
4.根据权利要求1所述的基于无人机遥感图像的植被检测方法,其特征在于,所述将所述融合图像转换为植被覆盖图像,包括步骤:
根据所述融合图像以及植被指数算法,获取所述融合图像的植被指数,其中,所述植被指数包括过绿指数、过绿减红指数、植被颜色指数以及差异性植被指数;
根据所述植被指数以及相应的植被指数阈值,对所述融合图像进行阈值分割,获取所述植被覆盖图像。
5.根据权利要求1所述的基于无人机遥感图像的植被检测方法,其特征在于,所述从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,包括步骤:
获取各个所述植被类型对应的颜色特征参数,其中,所述颜色特征参数包括R、G以及B特征参数;
根据所述颜色特征参数以及相应的颜色特征参数阈值,从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据。
6.根据权利要求1所述的基于无人机遥感图像的植被检测方法,其特征在于,所述根据所述第一样本数据,组成第一样本训练数据集,包括步骤:
获取所述第一样本数据的温度数据,其中,所述温度数据包括所述各个植被类型对应的第一样本数据在不同时段的温度参数;
根据所述温度数据中的温度参数,对所述第一样本数据进行组合,获取样本训练数据。
7.根据权利要求1所述的基于无人机遥感图像的植被检测方法,其特征在于,所述根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价,并对所述植被分类数据进行精度评价,包括步骤:
将所述第一样本训练数据集输入至预设的植被分类模型,获取所述植被分类模型输出的目标区域的待验证植被分类数据;
从所述第一样本训练数据集中提取各个所述植被类型对应的若干个第二样本数据,作为验证数据,根据所述验证数据、目标区域的待验证植被分类数据以及混淆矩阵,获取分类精度值,根据所述分类精度值以及预设的分类精度阈值,获取精度评价结果。
8.一种基于无人机遥感图像的植被检测装置,其特征在于,包括:
获取模块,用于获取目标区域的遥感图像,其中,所述遥感图像包括热红外图像以及可见光图像;
图像转换模块,用于将所述热红外图像转换为地表温度图像,并将所述地表温度图像与可见光图像进行图像融合,获取融合图像,将所述融合图像转换为植被覆盖图像,其中,所述植被覆盖图像包括若干种植被类型;
数据集构建模块,用于从所述植被覆盖图像中提取各个所述植被类型对应的若干个第一样本数据,根据所述第一样本数据,组成第一样本训练数据集;
分类模块,用于根据所述第一样本训练数据集以及预设的植被分类模型,获取所述目标区域的植被分类数据,并对所述植被分类数据进行精度评价;
检测模块,用于响应于检测指令,所述检测指令包括待检测区域的热红外图像以及可见光图像,获取电子地图数据,根据所述待检测区域的热红外图像以及可见光图像,获取待检测区域的植被分类数据,根据所述植被分类数据中的植被类型以及与所述植被类型对应的植被标识,获取所述电子地图数据的各个区域的植被标识,在所述电子地图数据上进行植被标识的显示以及标注。
9.一种计算机设备,其特征在于,包括:处理器、存储器以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;所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于无人机遥感图像的植被检测方法的步骤。
10.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于无人机遥感图像的植被检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108680.3A CN114612804A (zh) | 2022-01-28 | 2022-01-28 | 基于无人机遥感图像的植被检测方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108680.3A CN114612804A (zh) | 2022-01-28 | 2022-01-28 | 基于无人机遥感图像的植被检测方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612804A true CN114612804A (zh) | 2022-06-10 |
Family
ID=81858454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108680.3A Pending CN114612804A (zh) | 2022-01-28 | 2022-01-28 | 基于无人机遥感图像的植被检测方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612804A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797788A (zh) * | 2023-02-17 | 2023-03-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN116453003A (zh) * | 2023-06-14 | 2023-07-18 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
-
2022
- 2022-01-28 CN CN202210108680.3A patent/CN114612804A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797788A (zh) * | 2023-02-17 | 2023-03-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN115797788B (zh) * | 2023-02-17 | 2023-04-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN116453003A (zh) * | 2023-06-14 | 2023-07-18 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
CN116453003B (zh) * | 2023-06-14 | 2023-09-01 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dash et al. | Assessing very high resolution UAV imagery for monitoring forest health during a simulated disease outbreak | |
Iqbal et al. | Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms | |
Zhu et al. | In-field automatic observation of wheat heading stage using computer vision | |
Lin et al. | Use of UAV oblique imaging for the detection of individual trees in residential environments | |
CN114612804A (zh) | 基于无人机遥感图像的植被检测方法、装置以及设备 | |
Xu et al. | Wheat ear counting using K-means clustering segmentation and convolutional neural network | |
Onishi et al. | Automatic classification of trees using a UAV onboard camera and deep learning | |
Pádua et al. | Vineyard properties extraction combining UAS-based RGB imagery with elevation data | |
Kawamura et al. | Discriminating crops/weeds in an upland rice field from UAV images with the SLIC-RF algorithm | |
KR20180081104A (ko) | 항공 이미지 획득 및 분석을 위한 방법 | |
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 | |
CN114202691B (zh) | 基于遥感图像的水稻识别方法、装置以及设备 | |
CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
Hamada et al. | Multi-spectral image segmentation based on the K-means clustering | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
Recio et al. | Automated extraction of tree and plot-based parameters in citrus orchards from aerial images | |
KR20200020209A (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
Tian et al. | Machine learning-based crop recognition from aerial remote sensing imagery | |
Yang et al. | Comparison of hyperspectral imagery with aerial photography and multispectral imagery for mapping broom snakeweed | |
Green | Selecting and interpreting high-resolution images | |
Leiva et al. | Evaluating remotely sensed plant count accuracy with differing unmanned aircraft system altitudes, physical canopy separations, and ground covers | |
Zhou et al. | A framework for precisely thinning planning in a managed pure Chinese fir forest based on UAV remote sensing | |
Albuquerque et al. | Remotely piloted aircraft imagery for automatic tree counting in forest restoration areas: a case study in the Amazon | |
JP6060377B2 (ja) | 画像クラスタ分析装置 | |
CN115995005A (zh) | 基于单期高分辨率遥感影像的农作物的提取方法和装置 |
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 |