CN115049925B - 田块田坎提取方法、电子设备及存储介质 - Google Patents
田块田坎提取方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115049925B CN115049925B CN202210632246.5A CN202210632246A CN115049925B CN 115049925 B CN115049925 B CN 115049925B CN 202210632246 A CN202210632246 A CN 202210632246A CN 115049925 B CN115049925 B CN 115049925B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- field
- normal
- seed
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种田块田坎提取方法、电子设备及存储介质,该方法包括获取目标耕地场景的原始点云数据;剔除原始点云数据中的非耕地点云,得到耕地点云集合;计算每个点云pi的法向量和法向曲率;对耕地点云集合进行分割,得到田坎点云集合与多个田块点云集合;将小聚类簇的田块点云集合合并成一个田块点云集合;将每个田块点云集合投影至坐标系的xy平面,并计算每个投影至xy平面的田块点云集合的轮廓;提取田坎点云集合中所有内轮廓和外轮廓,将所有内轮廓与最大外轮廓合并形成带空洞的多边形轮廓,并将多边形轮廓保存为带空洞shape面文件,带空洞shape面即为田坎。本发明可以解决无法精细化提取和连贯性提取的问题。
Description
技术领域
本发明属于计算机视觉技术领域,尤其涉及一种基于法向量领域余弦相似度的田块田坎提取方法、电子设备及存储介质。
背景技术
在征地移民、智慧城市、智慧工地、土地规划、工程量测算等项目中,耕地地块到户统计主要依靠大量实地调研人员通过现场走访和测量进行实测,或者通过卫星图像进行人工勾勒,统计数据极为困难。
针对遥感图像分类问题,目前已经提出了大量的算法,例如最大似然分类法、基于专家知识的决策树分类法和面向对象的分类方法等等。然而,由于耕地上种植的作物种类不同,遥感图像拍摄时间不同,耕地本身的土壤土质不同等等,现有算法对耕地的识别效果并不好。
因而,现阶段对耕地的精细提取仍然采用最为传统的人工目视解译的方式,效率十分低下,而且提取的准确率还受到人员经验的制约。因此,提高遥感图像中耕地提取的效率和准确性成为决定遥感技术在农业领域中能否起到真正作用的关键。
耕地田坎特征细微、分布密集,受限于遥感数据本身的信息的制约,二维图像难以结合空间结构信息进行田坎的精细化提取;田坎形态复杂、特征狭长,导致难以连贯性提取。
发明内容
本发明的目的在于提供一种田块田坎提取方法、电子设备及存储介质,以解决现有技术无法对田坎进行精细化提取以及连贯性提取的问题。
本发明是通过如下的技术方案来解决上述技术问题的:一种田块田坎提取方法,包括以下步骤:
获取目标耕地场景的带有颜色信息的原始点云数据;
剔除所述原始点云数据中的非耕地点云,得到耕地点云集合;
计算所述耕地点云集合中每个点云pi的法向量;
根据每个点云pi的法向量及其近邻点的法向量计算点云pi的法向曲率;
基于每个点云pi的法向量和法向曲率对所述耕地点云集合进行分割,得到田坎点云集合与多个田块点云集合;
判断每个所述田块点云集合是否为小聚类簇,当所述田块点云集合为小聚类簇时,计算该田块点云集合的中心点与其他田块点云集合的中心点之间的距离,并将所述距离小于设定距离的两个田块点云集合合并成一个田块点云集合;
以所述原始点云数据所在坐标系的z轴为投影方向,将每个所述田块点云集合投影至坐标系的xy平面,并计算每个投影至xy平面的田块点云集合的轮廓;
提取所述田坎点云集合中所有内轮廓和外轮廓,将所有内轮廓与最大外轮廓合并形成带空洞的多边形轮廓,并将所述多边形轮廓保存为带空洞shape面文件,带空洞shape面即为田坎。
进一步地,剔除所述原始点云数据中的非耕地点云的具体实现过程为:
根据每个点云的RGB值计算点云的绿化率值,具体计算公式为:
其中,GR为点云的绿化率值,R、G和B分别为对应点云在原始图像中红色波段、绿色波段和蓝色波段的亮度值;
基于每个点云的绿化率值生成直方分布图;
选取所述直方分布图的两个最低点值作为颜色阈值范围,将绿化率值在所述颜色阈值范围内的点云剔除,得到所述耕地点云集合。
进一步地,在剔除所述原始点云数据中的非耕地点云之后,计算所述耕地点云集合中每个点云pi的法向量之前,还包括剔除所述耕地点云集合中的噪声点云的步骤,其具体实现过程为:采用离群点滤波算法剔除所述耕地点云集合中的噪声点云。
进一步地,计算所述耕地点云集合中每个点云pi的法向量的具体实现过程为:
寻找所述耕地点云集合中每个点云pi的k个近邻点;
基于每个点云pi的近邻点进行平面拟合,得到每个点云pi的拟合平面方程;
求解所述拟合平面方程的最小值,得到每个点云pi的法向量。
进一步地,根据每个点云pi的法向量及其近邻点的法向量计算对应点云pi的法向曲率的具体实现过程为:
步骤4.1:以点云pi的法向量的延长线与近邻点qj的法向量/>的延长线之间的交点作为圆心,过点云pi和近邻点qj构造法向截面圆,其中近邻点qj为点云pi的第j个近邻点;
步骤4.2:根据点云pi的法向量近邻点qj的法向量/>以及点云pi和近邻点qj在所述法向截面圆中的位置计算点云pi的法向曲率,具体计算公式为:
其中,为点云pi的法向曲率,α为法向量/>与向量/>之间的夹角,β为法向量/>与法向量/>之间的夹角,|piqj|为向量/>的模;
步骤4.3:j=j+1,重复步骤4.1和4.2,直到完成点云pi与其所有近邻点的法向曲率的计算,得到点云pi的k个法向曲率,其中k为点云pi的近邻点数;
步骤4.4:计算点云pi的k个法向曲率的平均值,以该平均值作为点云pi最终的法向曲率。
进一步地,对所述耕地点云集合进行分割的具体实现过程为:
步骤5.1:从所述耕地点云集合中选取法向曲率最小的点云放入种子点集合中;
步骤5.2:在所述种子点集合中选出一个点云作为种子点O,在所述耕地点云集合中搜索所述种子点O的近邻点;
步骤5.3:计算所述种子点O与其每个近邻点之间的余弦相似度,具体计算公式为:
其中,cosθ为种子点O与某个近邻点之间的余弦相似度,为种子点O的法向量,/>为对应近邻点的法向量,|| ||表示向量长度;
步骤5.4:将所述余弦相似度大于第一设定阈值的近邻点放入到与所述种子点O对应的聚类集合中;
步骤5.5:比较所述聚类集合中每个近邻点的法向曲率与第二设定阈值的大小,将法向曲率小于第二设定阈值的近邻点放入所述种子点集合中;
步骤5.6:在所述种子点集合中删除所述种子点O;
步骤5.7:判断所述种子点集合是否为空;如果是,则转入步骤5.9;否则转入步骤5.8;
步骤5.8:在所述种子点集合中选出下一个点云作为种子点O,重复步骤5.2~5.7;
步骤5.9:从所述耕地点云集合中删除已存在于所有聚类集合中的点云,得到点云集合R3,以所述点云集合R3中法向曲率最小的点云作为种子点O,重复步骤5.2~5.7,直到所述种子点集合为空;其中,每个种子点对应的聚类集合为一田块点云集合,属于耕地点云集合且不属于所有聚类集合中的点云构成田坎点云集合。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如上所述田块田坎提取方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述田块田坎提取方法的步骤。
有益效果
与现有技术相比,本发明的优点在于:
本发明所提供的一种田块田坎提取方法、电子设备及存储介质,以法向量和法向曲率作为聚类约束条件提高了对特征微小、复杂形态田块和田坎提取的鲁棒性;通过余弦相似度筛选同类点,采用小聚类簇合并策略,保证了田坎提取的完整性,解决了田坎无法连贯性提取的问题;
基于点云的RGB值计算耕地点云的颜色分布系数,即绿化率值,剔除颜色阈值范围内的其他地物干扰,突出了田坎与田块的地物特征,有利于田坎的精细化提取,解决了田坎无法精细化提取的问题。
本发明能解决特征微小、分布密集、形态复杂的耕地田坎精细化提取及田块单体化。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,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是本发明实施例中田块田坎提取方法流程图;
图2是本发明实施例中单个目标耕地场景的原始点云数据;
图3是本发明实施例中法向截面圆;
图4是本发明实施例中田块田坎分割流程图;
图5是本发明实施例中各个田块点云集合图;
图6是本发明实施例中田坎单体化结果;
图7是本发明实施例中shape面在平台上的可视化及属性查询图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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的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。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
如图1所示,本发明实施例所提供的一种田块田坎提取方法,包括以下步骤:
1、原始数据的获取
利用无人机采集目标耕地场景的原始图像,基于点云三维重建技术,以原始图像作为输入,获得目标耕地场景的带有颜色信息的原始点云数据,如图2所示单个目标耕地场景的原始点云数据。本实施例中,原始点云数据基于北京2000坐标系,每个点云的数据格式为坐标信息(x,y,z)+颜色信息(R、G、B),每个点云的数据维度为六维(x,y,z,R,G,B)。
2、剔除原始点云数据中的非耕地点云,具体实现过程包括:
步骤2.1:考虑到树木、草地等植被点云的绿色波段亮度值相对较高,因此根据每个点云的RGB值计算对应点云的绿化率值(GreenRatio),具体计算公式为:
其中,GR为点云的绿化率值,R、G和B分别为对应点云在原始图像中红色波段、绿色波段和蓝色波段的亮度值。
步骤2.2:基于每个点云的绿化率值生成GreenRatio直方分布图。
步骤2.3:选取直方分布图的两个最低点值(即两个最低GR)作为颜色阈值范围,将绿化率值在该颜色阈值范围内的点云剔除,得到耕地点云集合R1。通过自适应计算耕地点云的颜色分布系数(即绿化率值),剔除颜色阈值范围内的地物干扰,突出了田块和田坎的地物特征,有助于田坎精细化的提取,提高了田坎提取的准确率。
本实施例中,颜色阈值范围为0.25~0.35。
3、噪声处理
采用离群点滤波算法剔除耕地点云集合R1中的噪声点云,得到耕地点云集合R2。离群点滤波算法的具体实现过程为:以每个点云为中心,在半径范围内该点云的邻点数少于设定阈值,则该点云被认为是离群点,将其滤除。本实施例中,设定阈值为20,即在某个半径范围内邻点数少于20,则被认为是离群点。
4、法向量计算
计算耕地点云集合R2中每个点云pi的法向量,其具体实现过程为:
步骤4.1:采用K近邻分类算法(KNN算法)寻找耕地点云集合R2中每个点云pi的k个近邻点,每个点云pi的邻域记为Ni={qj(xj,yj,zj)|j=1,2,…,k},其中xj,yj,zj为第j个近邻点qj的三维坐标,Ni为点云pi的邻域集合;本实施例中,k的取值为30、50或100,优选50。
步骤4.2:基于每个点云pi的k个近邻点进行平面拟合,每个点云pi的拟合平面方程的一般形式为:
Ax+By+Cz+D=0(2)
A2+B2+C2=1 (3)
其中,x,y,z为未知量,A,B,C,D为拟合平面方程系数。
步骤4.3:求解拟合平面方程的最小值问题,即
从而得到点云pi的法向量
5、法向曲率计算
根据每个点云pi的法向量及其近邻点的法向量计算点云pi的法向曲率,其具体实现过程为:
步骤5.1:以点云pi的法向量的延长线与近邻点qj的法向量/>的延长线之间的交点作为圆心,过点云pi和近邻点qj构造法向截面圆,如图3所示,其中近邻点qj为点云pi的第j个近邻点。
步骤5.2:根据点云pi的法向量、近邻点qj的法向量/>以及点云pi和近邻点qj在法向截面圆中的位置计算点云pi的法向曲率,具体计算公式为:
其中,为点云pi的法向曲率,α为法向量/>与向量/>之间的夹角,β为法向量/>与法向量/>之间的夹角,|piqj|为向量/>的模。
步骤5.3:j=j+1(下一个近邻点),重复步骤5.1和5.2,直到完成点云pi与其所有近邻点的法向曲率的计算,得到点云pi的k个法向曲率,其中k为点云pi的近邻点数。
步骤5.4:计算点云pi的k个法向曲率的平均值,以该平均值作为点云pi最终的法向曲率即/>
6、田坎与田块的分割
基于每个点云pi的法向量和法向曲率,采用区域生长算法对耕地点云集合R2进行分割,如图4所示,具体实现过程包括:
步骤6.1:从耕地点云集合R2中选取法向曲率最小的点云放入种子点集合中。种子点集合初始为空。
步骤6.2:在种子点集合中选出一个点云作为种子点O,在耕地点云集合R2中搜索邻域半径范围内的所有点作为种子点O的近邻点(以种子点O为中心)。
步骤6.3:计算种子点O与其每个近邻点之间的余弦相似度,具体计算公式为:
其中,cosθ为种子点O与某个近邻点之间的余弦相似度(以夹角的余弦值表示),为种子点O的法向量,/>为对应近邻点的法向量,|| ||表示向量长度。余弦相似度注重两个法向量在方向上的差异,对每个点云所在的位置坐标不敏感,鲁棒性更好。
步骤6.4:将余弦相似度大于第一设定阈值的近邻点放入到与种子点O对应的聚类集合中(即该种子点的聚类集合),因此,每个种子点都对应一个聚类集合,本实施例中,第一设定阈值为0.8。
步骤6.5:比较聚类集合中每个近邻点的法向曲率与第二设定阈值的大小,将法向曲率小于第二设定阈值的近邻点放入种子点集合中。如果不存在法向曲率小于第二设定阈值的近邻点,则无近邻点放入种子点集合中。本实施例中,第二设定阈值为0.3。
步骤6.6:在种子点集合中删除该种子点O;
步骤6.7:判断种子点集合是否为空;如果是,则转入步骤6.9;否则转入步骤6.8;
步骤6.8:在种子点集合中选出下一个点云作为种子点O,重复步骤6.2~6.7;
步骤6.9:从耕地点云集合R2中删除已存在于所有聚类集合中的点云,得到点云集合R3,以点云集合R3中法向曲率最小的点云作为种子点O,重复步骤6.2~6.7,直到种子点集合为空。其中,每个种子点对应的聚类集合为一田块点云集合,属于耕地点云集合且不属于所有聚类集合中的点云构成田坎点云集合,即从耕地点云集合R2中删除已存在于所有聚类集合中的点云,得到的点云集合为田坎点云集合。
田块与田坎的分割其实就是赋标签的过程,种子点开始生长,满足条件就一直长,直到不满足条件了就不长了,把这些点标记一个标签,再从剩下的点里面重新选种子点,再次生长,标签累加,一直迭代到没有点为,即得到各个田块点云集合。
7、小聚类簇合并策略
判断每个田块点云集合是否为小聚类簇,当某个田块点云集合为小聚类簇时,计算该田块点云集合的中心点与其他田块点云集合的中心点之间的距离,并将该距离小于设定距离(例如0.5m)的两个田块点云集合合并成一个田块点云集合。每个田块点云集合即为一个聚类簇,将小聚类簇合并成一个聚类簇,提高了田块分割的完整性。
小聚类簇合并策略后,各田块点云集合如图5所示。
本实施例中,当田块点云集合中的点数少于2000时,认定该田块点云集合为小聚类簇。
8、田块轮廓的计算
以原始点云数据所在坐标系(本实施例为北京2000坐标系)的z轴为投影方向,将每个田块点云集合投影至坐标系的xy平面,并利用Alpha shape算法计算每个投影至xy平面的田块点云集合的轮廓。
利用Alpha shape算法计算轮廓为现有技术,可参考H Edelsbrunner,EP Mücke;Three-dimensional alpha shapes;ACM Transactions on Graphics(TOG)[J],1994.。
9、田坎轮廓的计算
利用Alpha shape算法,找出田坎点云集合的所有内轮廓和外轮廓,将所有内轮廓与最大外轮廓合并形成带空洞的多边形轮廓,并将多边形轮廓保存为带空洞shape面文件,带空洞shape面即为田坎,如图6所示。内轮廓即为单个田块轮廓。
10、生成的shape面文件通过导入可视化平台,可实现田坎与田块的可视化展示及属性查询,如图7所示。
以上所揭露的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,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种田块田坎提取方法,其特征在于,包括以下步骤:
获取目标耕地场景的带有颜色信息的原始点云数据;
剔除所述原始点云数据中的非耕地点云,得到耕地点云集合;
计算所述耕地点云集合中每个点云pi的法向量;
根据每个点云pi的法向量及其近邻点的法向量计算点云pi的法向曲率;
基于每个点云pi的法向量和法向曲率对所述耕地点云集合进行分割,得到田坎点云集合与多个田块点云集合;
判断每个所述田块点云集合是否为小聚类簇,当所述田块点云集合为小聚类簇时,计算该田块点云集合的中心点与其他田块点云集合的中心点之间的距离,并将所述距离小于设定距离的两个田块点云集合合并成一个田块点云集合;
以所述原始点云数据所在坐标系的z轴为投影方向,将每个所述田块点云集合投影至坐标系的xy平面,并计算每个投影至xy平面的田块点云集合的轮廓;
提取所述田坎点云集合中所有内轮廓和外轮廓,将所有内轮廓与最大外轮廓合并形成带空洞的多边形轮廓,并将所述多边形轮廓保存为带空洞shape面文件,带空洞shape面即为田坎;
其中,对所述耕地点云集合进行分割的具体实现过程为:
步骤5.1:从所述耕地点云集合中选取法向曲率最小的点云放入种子点集合中;
步骤5.2:在所述种子点集合中选出一个点云作为种子点O,在所述耕地点云集合中搜索所述种子点O的近邻点;
步骤5.3:计算所述种子点O与其每个近邻点之间的余弦相似度,具体计算公式为:
其中,cosθ为种子点O与某个近邻点之间的余弦相似度,为种子点O的法向量,/>为对应近邻点的法向量,|| ||表示向量长度;
步骤5.4:将所述余弦相似度大于第一设定阈值的近邻点放入到与所述种子点O对应的聚类集合中;
步骤5.5:比较所述聚类集合中每个近邻点的法向曲率与第二设定阈值的大小,将法向曲率小于第二设定阈值的近邻点放入所述种子点集合中;
步骤5.6:在所述种子点集合中删除所述种子点O;
步骤5.7:判断所述种子点集合是否为空;如果是,则转入步骤5.9;否则转入步骤5.8;
步骤5.8:在所述种子点集合中选出下一个点云作为种子点O,重复步骤5.2~5.7;
步骤5.9:从所述耕地点云集合中删除已存在于所有聚类集合中的点云,得到点云集合R3,以所述点云集合R3中法向曲率最小的点云作为种子点O,重复步骤5.2~5.7,直到所述种子点集合为空;其中,每个种子点对应的聚类集合为一田块点云集合,属于耕地点云集合且不属于所有聚类集合中的点云构成田坎点云集合。
2.如权利要求1所述的田块田坎提取方法,其特征在于,剔除所述原始点云数据中的非耕地点云的具体实现过程为:
根据每个点云的RGB值计算点云的绿化率值,具体计算公式为:
其中,GR为点云的绿化率值,R、G和B分别为对应点云在原始图像中红色波段、绿色波段和蓝色波段的亮度值;
基于每个点云的绿化率值生成直方分布图;
选取所述直方分布图的两个最低点值作为颜色阈值范围,将绿化率值在所述颜色阈值范围内的点云剔除,得到所述耕地点云集合。
3.如权利要求1所述的田块田坎提取方法,其特征在于,在剔除所述原始点云数据中的非耕地点云之后,计算所述耕地点云集合中每个点云pi的法向量之前,还包括剔除所述耕地点云集合中的噪声点云的步骤,其具体实现过程为:采用离群点滤波算法剔除所述耕地点云集合中的噪声点云。
4.如权利要求1所述的田块田坎提取方法,其特征在于,计算所述耕地点云集合中每个点云pi的法向量的具体实现过程为:
寻找所述耕地点云集合中每个点云pi的k个近邻点;
基于每个点云pi的近邻点进行平面拟合,得到每个点云pi的拟合平面方程;
求解所述拟合平面方程的最小值,得到每个点云pi的法向量。
5.如权利要求1所述的田块田坎提取方法,其特征在于,根据每个点云pi的法向量及其近邻点的法向量计算对应点云pi的法向曲率的具体实现过程为:
步骤4.1:以点云pi的法向量的延长线与近邻点qj的法向量/>的延长线之间的交点作为圆心,过点云pi和近邻点qj构造法向截面圆,其中近邻点qj为点云pi的第j个近邻点;
步骤4.2:根据点云pi的法向量近邻点qj的法向量/>以及点云pi和近邻点qj在所述法向截面圆中的位置计算点云pi的法向曲率,具体计算公式为:
其中,为点云pi的法向曲率,α为法向量/>与向量/>之间的夹角,β为法向量/>与法向量/>之间的夹角,|piqj|为向量/>的模;
步骤4.3:j=j+1,重复步骤4.1和4.2,直到完成点云pi与其所有近邻点的法向曲率的计算,得到点云pi的k个法向曲率,其中k为点云pi的近邻点数;
步骤4.4:计算点云pi的k个法向曲率的平均值,以该平均值作为点云pi最终的法向曲率。
6.如权利要求1所述的田块田坎提取方法,其特征在于,当所述田块点云集合中的点数少于2000时,认定该田块点云集合为小聚类簇。
7.如权利要求1~6中任一项所述的田块田坎提取方法,其特征在于,所述方法还包括将所述shape面文件导入可视化平台,实现田坎与田块的可视化展示及属性查询。
8.一种电子设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1~7中任一项所述田块田坎提取方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,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运行时执行权利要求1~7中任一项所述田块田坎提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210632246.5A CN115049925B (zh) | 2022-06-07 | 2022-06-07 | 田块田坎提取方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210632246.5A CN115049925B (zh) | 2022-06-07 | 2022-06-07 | 田块田坎提取方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049925A CN115049925A (zh) | 2022-09-13 |
CN115049925B true CN115049925B (zh) | 2024-04-16 |
Family
ID=83159557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210632246.5A Active CN115049925B (zh) | 2022-06-07 | 2022-06-07 | 田块田坎提取方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049925B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953064B (zh) * | 2022-12-29 | 2023-06-23 | 云南瀚哲科技有限公司 | 一种耕地质量综合治理及优化调控方法 |
CN116580048B (zh) * | 2023-07-12 | 2023-09-26 | 武汉峰岭科技有限公司 | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 |
CN117173424B (zh) * | 2023-11-01 | 2024-01-26 | 武汉追月信息技术有限公司 | 一种点云坡面边缘线识别方法、系统及可读存储介质 |
CN118037601B (zh) * | 2024-04-07 | 2024-07-19 | 法奥意威(苏州)机器人系统有限公司 | 点云补齐方法和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298833A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 目标物点云特征线面提取方法及系统 |
WO2021232463A1 (zh) * | 2020-05-19 | 2021-11-25 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010092B (zh) * | 2017-12-26 | 2018-11-13 | 哈尔滨工业大学 | 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法 |
-
2022
- 2022-06-07 CN CN202210632246.5A patent/CN115049925B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021232463A1 (zh) * | 2020-05-19 | 2021-11-25 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
CN113298833A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 目标物点云特征线面提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于法矢向量的梯田点云特征面改进提取方法;李昕;;数字技术与应用;20170415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049925A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049925B (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
CN102013017B (zh) | 一种高分辨率遥感图像场景粗分类方法 | |
CN105551028A (zh) | 一种基于遥感影像的地理空间数据动态更新的方法及系统 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
CN109448127A (zh) | 一种基于无人机遥感的农田高精度导航地图生成方法 | |
CN106097252B (zh) | 基于图Graph模型的高光谱图像超像素分割方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
CN112686859A (zh) | 基于热红外和rgb-d相机的作物cwsi的检测方法 | |
CN111353402B (zh) | 一种油棕林遥感提取方法 | |
Zuo et al. | A method of crop seedling plant segmentation on edge information fusion model | |
CN112861669B (zh) | 地表坡向约束的高分辨率dem地形特征增强提取方法 | |
CN113822914A (zh) | 倾斜摄影测量模型单体化方法、计算机装置及产品、介质 | |
CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
CN117218525A (zh) | 植株表型参数提取方法、装置、设备和存储介质 | |
Zhiying et al. | Hierarchical clustering for line detection with UAV images and an application for the estimation of the clearance volume of oyster stones | |
CN113378924B (zh) | 一种基于空-谱特征联合的遥感影像监督分类方法 | |
Widyaningrum et al. | Skeleton-based automatic road network extraction from an orthophoto colored point cloud | |
CN113361465A (zh) | 一种基于深度学习的高分辨率遥感影像农业大棚提取方法 | |
CN112884026A (zh) | 一种图像识别辅助的输电线路激光LiDAR点云分类方法 | |
CN111429509A (zh) | 一种目标物高度的集中测算方法 | |
Lopez-Ornelas et al. | Satellite image segmentation using graph representation and morphological processing | |
CN118470441B (zh) | 一种基于多时相高分辨率遥感影像的耕地分类方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |