CN115082812A - 一种农业景观非农生境绿地斑块提取方法及其相关设备 - Google Patents
一种农业景观非农生境绿地斑块提取方法及其相关设备 Download PDFInfo
- Publication number
- CN115082812A CN115082812A CN202210658361.XA CN202210658361A CN115082812A CN 115082812 A CN115082812 A CN 115082812A CN 202210658361 A CN202210658361 A CN 202210658361A CN 115082812 A CN115082812 A CN 115082812A
- Authority
- CN
- China
- Prior art keywords
- agricultural
- habitat
- landscape
- green
- image
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 135
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000007317 Avena nuda Nutrition 0.000 description 1
- 240000007054 Avena nuda Species 0.000 description 1
- 235000004431 Linum usitatissimum Nutrition 0.000 description 1
- 240000006240 Linum usitatissimum Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 240000006677 Vicia faba Species 0.000 description 1
- 235000010749 Vicia faba Nutrition 0.000 description 1
- 235000002098 Vicia faba var. major Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种农业景观非农生境绿地斑块提取方法及其相关设备，根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，获取目标区域的农业景观可见光正射影像；基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块，通过对目标区域农业景观可见光正射影像的获取，实现了对农业景观非农生境绿地斑块的精确快速提取。
Description
技术领域
本发明涉及景观生态学技术领域，尤其涉及一种农业景观非农生境绿地斑块提取方法及其相关设备。
背景技术
农业景观是地球陆地表面最主要景观类型之一，是农田和自然、半自然非农生境相间的镶嵌体。农业景观非农生境绿地斑块包括农田基质背景下的林地、灌木篱墙、田块边缘区、草地等自然和半自然类型，可为不同物种提供更多互补资源和适宜生境，对农业生产、生物多样性保护以及农业生态系统功能和服务的发挥等具有至关重要的作用，在生态农业景观建设与生物多样性保护研究中受到越来越多的重视，农业景观非农生境绿地斑块的精确获取是农业景观建设与管理的基础环节，也是景观生态、生物多样性等诸多研究热点的关键参数。
农业景观非农生境绿地斑块由于面积较小且分布零散，研究中主要依靠传统的GPS实地调查方法获取，这种方法耗时耗力，加之复杂地形特征和生境异质性的影响，很难对小地理区域农业景观内的非农生境斑块进行直接、长期的地面调查。亟需一种简便精确的获取方法实现农业景观非农生境绿地斑块的直观展示和长期监测。随着遥感技术的快速发展，多种分辨率遥感影像为空间信息数据的获取提供了更准确的信息源。但是由于卫星遥感图像分辨率低，且存在时滞缺陷，不适用于小地理区域农业景观非农生境绿地信息的精确提取。
发明内容
本发明提供一种农业景观非农生境绿地斑块提取方法及其相关设备，解决了现有的卫星遥感图像分辨率低，且存在时滞缺陷，不适用于小地理区域农业景观非农生境绿地信息的精确提取的问题，通过采用配备有可见光数码相机的无人机获取目标区域的农业景观可见光正射影像；基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块，即对目标区域农业景观可见光正射影像的获取，实现了对农业景观非农生境绿地斑块的精确快速提取。
第一方面，本发明提供一种农业景观非农生境绿地斑块提取方法，该方法包括：
根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，获取目标区域的农业景观可见光正射影像；
基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；
根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
进一步，所述根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，获取目标区域的农业景观可见光正射影像，具体包括：
根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，在所述拍摄时期内通过无人机遥感影像获取多张目标区域农业景观用地原始图像；
对所述多张目标区域农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像；
对所述初始目标区域农业景观可见光正射影像进行校正，得到目标区域农业景观可见光正射影像。
进一步，所述农业景观非农生境绿地斑块提取指数NDSGBVI的计算公式如下：
NDSGBVI＝(G2-B2)/(G2+B2)；
其中，G、B分别表示所述可见光正射影像中绿光波段和蓝光波段的像元亮度值；
根据所述提取指数NDSGBVI的计算公式，得到农业景观非农生境绿地斑块提取指数灰度图像。
进一步，所述方法还包括：
采用预设迭代算法确定所述农业景观非农生境绿地斑块提取的最优阈值。
进一步，所述预设迭代算法，具体包括：
步骤101)、选取初始阈值Tk，并基于初始阈值Tk将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域；
步骤102)、根据所述类似非农生境绿地像元区域和非类似非农生境绿地像元区域分别计算所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值的均值Z2；
步骤103)、根据所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值均值Z2，计算得到第一阈值Tk+1；
步骤104)、在所述第一阈值Tk+1≠Tk的情况下，基于所述第一阈值Tk+1将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域，并重复步骤102)、步骤103)；
步骤105)、在所述第一阈值Tk+1＝Tk的情况下，确定所述第一阈值Tk+1为最优阈值。
进一步，根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块，具体包括：
根据最优阈值对所述农业景观非农生境绿地斑块提取指数的灰度图像中的非农生境绿地像元和农田像元进行掩模分类，得到掩模分类的结果；
将所述掩模分类的结果放入遥感软件中进行提取处理，得到所述农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块。
进一步，在根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块之后，方法还包括：
构建农业景观非农生境绿地斑块提取精度评价系数Kappa；具体公式如下：
其中，P0为实际一致性率，Pe为理论一致性率；
基于所述精度评价系数Kappa，将提取的所述农业景观非农生境绿地斑块与所述农业景观可见光正射影像进行对比，得到所述农业景观非农生境绿地斑块提取的精度评价结果。
第二方面，本发明还提供了一种农业景观非农生境绿地斑块提取装置，包括获取模块，构建模块以及提取模块，其中：
获取模块，用于获取目标区域的农业景观可见光正射影像；
构建模块，用于基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；
提取模块，用于根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
第三方面，本发明还提供一种电子设备，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农业景观非农生境绿地斑块提取方法的步骤。
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农业景观非农生境绿地斑块提取方法的步骤。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述农业景观非农生境绿地斑块提取方法的步骤。
本发明提供的一种农业景观非农生境绿地斑块提取方法及其相关设备，获取目标区域的农业景观可见光正射影像；基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块，通过对目标区域农业景观可见光正射影像的获取，实现了对农业景观非农生境绿地斑块的精确快速提取。
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是本发明一个实施例提供的一种农业景观非农生境绿地斑块提取方法的流程示意图；
图2是本发明另一个实施例提供的两个试验拍摄时期无人机可见光影像采集图；
图3是本发明另一个实施例提供的目标区域农业景观可见光正射影像图；
图4是本发明另一个实施例提供的农业景观非农生境绿地斑块提取指数NDSGBVI的灰度图像示意图；
图5是本发明另一个实施例提供的农业景观非农生境绿地斑块示意图；
图6是本发明另一个实施例提供的一种农业景观非农生境绿地斑块提取方法的流程示意图；
图7是本发明一个实施例提供的一种农业景观非农生境绿地斑块提取装置的结构框图；
图8是本发明另一个实施例提供的一种农业景观非农生境绿地斑块提取电子设备的结构框图。
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。
图1是本实施例提供的一种农业景观非农生境绿地斑块提取方法的流程示意图，参见图1，该方法包括：
步骤101：根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，获取目标区域的农业景观可见光正射影像。
其中，目标区域为本领域技术人员根据需求进行选择的能够进行农业景观非农生境绿地斑块提取的试验区域，农业景观为地球陆地表面最主要景观类型之一，是农田和自然、半自然非农生境相间的镶嵌体。
需要进一步说明的是，在获取目标区域的农业景观可见光正射影像之前，需要通过工作人员调查农业景观农田作物及非农生境植被的物候期，确定无人机的拍摄时期，需在拍摄时期内通过农业景观无人机遥感影像获取多张目标区域农业景观用地原始图像，对所述多张目标区农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像；对所述初始目标区域农业景观可见光正射影像进行校正，才能得到最终的目标区域农业景观可见光正射影像，其中，无人机遥感成本低、操作简单、地面分辨率高，且在图像获取过程中不受大气因素的干扰。
举例来说，在农业景观中设置200×200m样方区域作为试验区，通过工作人员调查试验区农田作物种植种类及种植时间，调查试验区非农生境植被返青期，选取农地裸露(农田作物未种植或已种植未出苗)，且非农生境斑块内植被已返青且成片生长的时期作为无人机影像拍摄时期，利用可见光无人机遥感影像获取试验区的农业景观可见光正射影像。
步骤102：基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像。
可以理解的是，农业景观非农生境绿地斑块提取指数灰度图像包括农田以及非农生境绿地的信息。
需要进一步说明的是，基于农业景观可见光正射影像，其中，农业景观可见光正射影像具有红、绿、蓝3个可见光波段，通过波段计算得到农业景观非农生境绿地斑块提取指数NDSGBVI的灰度图像。
在本实施例中，构建农业景观非农生境绿地斑块提取指数NDSGBVI的计算公式如下：
NDSGBVI＝(G2-B2)/(G2+B2)；
其中，G、B分别表示绿光波段和蓝光波段的DN值，即遥感影像像元亮度值，农业景观非农生境绿地斑块提取指数NDSGBVI反映了绿光通道反射率平方与蓝光通道反射率平方之间的归一化差异。
步骤103：根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
其中，最优阈值为采用预设迭代算法所确定的，能够将错误分割图像的像素最小化，使得最终所提取的农业景观非农生境绿地斑块更精确。
本实施例提供了一种农业景观非农生境绿地斑块提取方法，获取目标区域的农业景观可见光正射影像；基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块，通过对目标区域农业景观可见光正射影像的获取，实现了对农业景观非农生境绿地斑块的精确快速提取。
基于上述实施例的内容，在本实施例中，所述步骤101根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像拍摄的最佳时期作为拍摄时期，获取目标区域的农业景观可见光正射影像，具体包括：
步骤201：根据调查的农业景观农田作物及非农生境植被的物候期确定无人机可见光遥感影像的拍摄时期，在所述拍摄时期内通过无人机遥感影像获取多张目标区域农业景观用地原始图像。
需要进一步说明的是，由于农业景观中农田和非农生境绿地均有植被生长，为了区分农田和非农生境，快速精确的提取农业景观非农生境绿地斑块，需要根据农田所种植农作物的物候期和非农生境植被返青期，选取农地裸露，即农田作物未种植或已种植未出苗，且非农生境斑块内植被已返青且成片生长的时期作为无人机影像拍摄的最佳时期，也就是此处的拍摄时期，是根据目标区域农田作物种植种类及种植时间、以及非农生境植被返青期确定的。
此外，在最佳拍摄时期通过无人机遥感影像获取多张目标区域农业景观用地原始图像之前，对无人机飞行时间及姿态进行控制，以保证无人机飞行状态最佳，使得图像的拍摄更为清晰，准确，例如，在农业景观中设置200×200m样方区域作为试验区，根据试验区样地边界点地理坐标，计算航点位置规划飞行航线，无人机飞行路线旁向重叠70％，航向重叠75％，飞行拍摄高度为100m。航拍在11:00-14:00进行，此时天空条件最好，地面阴影最小，所获取的影像不受大气因素的影响。
具体地，在农地裸露，非农生境斑块内植被已返青且成片生长的时期通过无人机拍摄获取多张目标区域农业景观用地原始图像。
举例来说，通过对试验区域的调查，试验区域农田种植粮食作物以莜麦、蚕豆、胡麻、马铃薯为主，种植时间为5月底6月初，出苗时间为6月中下旬，农业景观非农生境绿地植被于5月下旬逐渐返青，因此，选取了5月27日和6月17日进行无人机影像采集试验，采集的图像见图2。图2a为5月27日影像显示，由于非农生境植被已开始返青，但植被覆盖较低，限制了非农生境绿地的精确提取；图2b为6月17日影像显示，非农生境绿色植被覆盖较高，同时农田作物还未出苗。因此，选取6月17日作为无人机影像提取非农生境绿地斑块的最佳拍摄时期，即最佳拍摄时期，即在6月17日通过无人机拍摄获取多张目标区域农业景观用地原始图像。
步骤202：对所述多张目标区农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像。
需要进一步说明的是，利用Pix4Dmapper软件实现原始图像的拼接和初始目标区域农业景观可见光正射影像的生成。
其中，Pix4Dmapper软件为全自动快速无人机数据处理软件，是独一无二的集全自动、快速、专业精度为一体的无人机数据和航空影像处理软件，无需专业知识，无需人工干预，即可将数千张影像快速制作成专业、精确的二维地图和三维模型，可进行正射影像拼接和倾斜三维建模，该软件可从航拍片中利用摄影测量与多目重建的原理快速获取点云数据，并进行后期的加工处理。
步骤203：对所述初始目标区域农业景观可见光正射影像进行校正，得到目标区域农业景观可见光正射影像。
需要进一步说明的是，由于生成的初始目标区域农业景观可见光正射影像存在几何畸变的情况，因此需要对初始目标区域农业景观可见光正射影像进行几何精校正。
具体地，如图3所示，图3为目标区域农业景观可见光正射影像图，结合高分辨率遥感卫星影像选取地面控制点，利用ENVI软件对正射影像进行几何精校正，形成具有投影坐标信息的厘米级超高分辨率可见光正射影像。
其中，ENVI软件为功能齐全的遥感图像处理系统，是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具，ENVI能够充分提取图像信息，能够进行文件处理、图像增强、掩膜、预处理、图像计算和统计，完整的分类及后处理工具，及图像变换和滤波工具、图像镶嵌、融合等功能。
本实施例提供了一种农业景观非农生境绿地斑块提取方法，在最佳拍摄时期通过无人机获取多张目标区域农业景观用地原始图像；对所述多张目标区域农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像；对所述初始目标区域农业景观可见光正射影像进行校正，得到目标区域农业景观可见光正射影像，通过对目标区域农业景观用地原始图像进行拼接、校正，得到更精准的目标区域农业景观可见光正射影像，更利于后续对农业景观非农生境绿地斑块的精确快速提取。
基于上述实施例的内容，在本实施例中，所述构建农业景观非农生境绿地斑块提取指数NDSGBVI的计算公式如下：
NDSGBVI＝(G2-B2)/(G2+B2)；
其中，G、B分别表示所述可见光正射影像中绿光波段和蓝光波段的像元亮度值；NDSGBVI反映了绿光通道反射率平方与蓝光通道反射率平方之间的归一化差异。
根据所述提取指数NDSGBVI的计算公式，得到农业景观非农生境绿地斑块提取指数灰度图像。
需要进一步说明的是，农业景观非农生境绿地斑块提取指数NDSGBVI的构建基于两个构思：一是基于非农生境斑块绿色植被在不同波段的反射和吸收特性，利用可见光中不同波段的结合来实现非农生境绿地植被信息的增强；二是对可见光红光、绿光、蓝光波段遥感影像像元亮度值取平方来放大红绿蓝反射率之间的差异。
举例来说，如图4所示，图4为农业景观非农生境绿地斑块提取指数NDSGBVI的灰度图像，通过波段计算得到农业景观非农生境绿地斑块提取指数NDSGBVI的灰度图像。
本实施例提供了一种农业景观非农生境绿地斑块提取方法，通过根据所述提取指数NDSGBVI的计算公式，得到农业景观非农生境绿地斑块提取指数灰度图像，不仅便于后续最优阈值的确定，还使得非农生境绿地植被信息得到增强，更利于农业景观非农生境绿地斑块的精确快速提取。
基于上述实施例的内容，在本实施例中，采用预设迭代算法确定所述农业景观非农生境绿地斑块提取的最优阈值。
所述预设迭代算法，具体包括：
步骤101)、选取初始阈值Tk，并基于初始阈值Tk将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域；
步骤102)、根据所述类似非农生境绿地像元区域和非类似非农生境绿地像元区域分别计算所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值的均值Z2；
步骤103)、根据所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值均值Z2，计算得到第一阈值Tk+1；
步骤104)、在所述第一阈值Tk+1≠Tk的情况下，基于所述第一阈值Tk+1将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域，并重复步骤102)、步骤103)；
步骤105)、在所述第一阈值Tk+1＝Tk的情况下，确定所述第一阈值Tk+1为最优阈值。
需要进一步说明的是，首先，基于近似思想选择一个近似阈值作为初始估计值，之后对农业景观非农生境绿地斑块提取指数NDSGBVI的灰度图像进行分割生成子图像，并根据子图像的特点选择新的阈值，其次，利用新的阈值对NDSGBVI图像进行分割，经过多次迭代，将错误分割图像的像素最小化，最终选择出最优阈值。
举例来说，预设迭代算法选出最优阈值的过程如下:
步骤101)、选取初始估计阈值T0＝{Tk，k＝0}：
其中，Zmin、Zmax分别表示农业景观非农生境绿地斑块提取指数NDSGBVI的灰度图像中灰度值的最小值和最大值。
步骤102)、根据阈值Tk，将图像分为类似非农生境绿地像元区域R1和非类似非农生境绿地像元区域R2，公式如下：
R1＝{f(i,j)，f(i,j)≥Tk}；
R2＝{f(i,j)，0<f(i,j)<Tk}；
计算区域R1和区域R2灰度值的均值Z1和Z2，如下式所示：
其中，f(i，j)为图像上像元点(i，j)的灰度值，N(i，j)为(i，j)的权重系数，此处，N(i，j)＝1。
步骤103)、根据类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值均值Z2选取一个新的阈值Tk+1，公式如下：
步骤104)、在第一阈值Tk+1≠Tk的情况下，说明此时阈值不稳定，需要进一步迭代确定最优阈值，并重复步骤102)、步骤103)；
步骤105)、在第一阈值Tk+1＝Tk的情况下，确定所述第一阈值Tk+1为最优阈值，结束迭代。
本实施例提供了一种农业景观非农生境绿地斑块提取方法，采用预设迭代算法确定所述农业景观非农生境绿地斑块提取的最优阈值，将错误分割图像的像素最小化，以实现对农业景观非农生境绿地斑块的精确提取。
基于上述实施例的内容，在本实施例中，在所述步骤103根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块之后，具体可通过如下方式实现：
根据最优阈值对所述农业景观非农生境绿地斑块提取指数的灰度图像中的非农生境绿地像元和农田像元进行掩模分类，得到掩模分类的结果；
将所述掩模分类的结果放入遥感软件中进行提取处理，得到所述农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块。
需要进一步说明的是，通过预设迭代算法得到最优阈值后，对NDSGBVI图像中非农生境绿地和农田像元进行掩模分类，并在ENVI或ERDAS IMAGINE等遥感软件中提取。具体算法如下：
其中，f(i,j)为处理后图像上像元点(i,j)的灰度值，Tk+1为预设迭代算法步骤105)确定的最优阈值，g(i,j)为基于最优阈值掩膜提取的图像。生成的掩膜图像是由0和1组成的二维矩阵数组，其中1表示农业景观非农生境绿地斑块，如图5所示，图5为将掩模分类的结果放入遥感软件中进行提取处理，所得到的农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块(深灰色区域)。
本实施例提供了一种农业景观非农生境绿地斑块提取方法，根据最优阈值对所述农业景观非农生境绿地斑块提取指数的灰度图像中的非农生境绿地像元和农田像元进行掩模分类，得到掩模分类的结果；将所述掩模分类的结果放入遥感软件中进行提取处理，得到所述农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块，实现了对农业景观非农生境绿地斑块的精确快速提取。
基于上述实施例的内容，在本实施例中，在所述步骤103根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块之后，方法还包括：
构建农业景观非农生境绿地斑块提取精度评价系数Kappa；具体公式如下：
其中，P0为实际一致性率，Pe为理论一致性率；
基于所述精度评价系数Kappa，将提取的所述农业景观非农生境绿地斑块与所述农业景观可见光正射影像进行对比，得到所述农业景观非农生境绿地斑块提取的精度评价结果。
需要进一步说明的是，计算出的Kappa系数值在0-1之间，分为5组表示精度：0.0-0.20(非常低)、0.21-0.40(一般)、0.41-0.60(中等)、0.61-0.80(较高)、0.81-1.00(几乎完全一致)。
本实施例中，精度评价是将主题分类图像中的特定像素与已知分类的参考像素进行比较。
举例来说，将提取的农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块与原始图像进行对比，通过肉眼观察可以清晰地识别出原始图像中非农生境绿地斑块，在新提取的非农生境绿地图像中随机生成300个样点，完全覆盖图像，之后参照清晰的原始图像，对各个样点进行可视化解译，分别判断300个随机样本点的实际地物类型，通过目视判读验证，可见光图像中农业景观非农生境绿地斑块提取精度基本达到100％，Kappa系数为0.926。
本实施例提供了一种农业景观非农生境绿地斑块提取方法，基于所述精度评价系数Kappa，将提取的所述农业景观非农生境绿地斑块与所述农业景观可见光正射影像进行对比，得到所述农业景观非农生境绿地斑块提取的精度评价结果，更客观的评估了农业景观非农生境绿地斑块提取的精度，为农业景观非农生境绿地斑块的精确提取提供了完善的评估体系。
图6是本申请又一个实施例提供的一种农业景观非农生境绿地斑块提取方法的流程示意图，参考图6。首先，确定无人机可见光遥感影像获取的最佳时期(即拍摄时期)：由于农业景观中农田和非农生境绿地均有植被生长，为了区分农田和非农生境，快速精确的提取农业景观非农生境绿地斑块，需要根据农田所种植农作物的物候期，选取农地裸露(农田作物未种植或已种植未出苗)，且非农生境斑块内植被已返青且成片生长的时期作为无人机影像拍摄的最佳时期；其次，获取农业景观用地厘米级超高分辨率可见光正射影像：利用无人机低空拍摄，获取研究区最佳拍摄时期厘米级超高分辨率的农业景观用地原始图像，利用Pix4Dmapper软件实现拍摄影像的拼接和正射影像的生成，结合高分辨率遥感卫星影像选取地面控制点，利用ENVI软件对正射影像进行几何精校正，形成具有投影坐标信息的厘米级超高分辨率可见光无人机正射影像；再次，构建农业景观非农生境绿地斑块提取指数NDSGBVI，针对可见光无人机正射影像，通过波段计算得到NDSGBVI指数的灰度图像，提取指数NDSGBVI计算公式如下：NDSGBVI＝(G2-B2)/(G2+B2)，G、B分别表示可见光影像绿光波段、蓝光波段的DN值，即遥感影像像元亮度值；最后，采用迭代法确定农业景观非农生境绿地提取的最优阈值，利用最优阈值对提取指数灰度图像进行农田和非农生境绿地的信息分割，实现农业景观非农生境绿地斑块的提取。
图7为本实施例提供的应用识别装置的结构框图，该装置包括获取模块701，构建模块702以及提取模块703，其中：
获取模块701，用于获取目标区域的农业景观可见光正射影像；
其中，目标区域为本领域技术人员根据需求进行选择的能够进行农业景观非农生境绿地斑块提取的试验区域，农业景观为地球陆地表面最主要景观类型之一，是农田和自然、半自然非农生境相间的镶嵌体。
需要进一步说明的是，在获取目标区域的农业景观可见光正射影像之前，需在拍摄时期通过农业景观无人机遥感影像获取多张目标区域农业景观用地原始图像，对所述多张目标区农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像；对所述初始目标区域农业景观可见光正射影像进行校正，才能得到最终的目标区域农业景观可见光正射影像，其中，无人机遥感成本低、操作简单、地面分辨率高，且在图像获取过程中不受大气因素的干扰。
举例来说，在农业景观中设置200×200m样方区域作为试验区，利用可见光无人机遥感影像获取试验区的农业景观可见光正射影像。
构建模块702，用于基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；
可以理解的是，农业景观非农生境绿地斑块提取指数灰度图像包括农田以及非农生境绿地的信息。
需要进一步说明的是，基于农业景观可见光正射影像，其中，农业景观可见光正射影像具有红、绿、蓝3个可见光波段，通过波段计算得到农业景观非农生境绿地斑块提取指数NDSGBVI的灰度图像。
在本实施例中，农业景观非农生境绿地斑块提取指数NDSGBVI的计算公式如下：
NDSGBVI＝(G2-B2)/(G2+B2)；
其中，G、B分别表示绿光波段和蓝光波段的DN值，即遥感影像像元亮度值，农业景观非农生境绿地斑块提取指数NDSGBVI反映了绿光通道反射率平方与蓝光通道反射率平方之间的归一化差异。
提取模块703，用于根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
其中，最优阈值为采用预设迭代算法所确定的，能够将错误分割图像的像素最小化，使得最终所提取的农业景观非农生境绿地斑块更精确。
本实施例提供了一种农业景观非农生境绿地斑块提取装置，获取模块701，用于获取目标区域的农业景观可见光正射影像；构建模块702，用于基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；提取模块703，用于根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块，通过对目标区域农业景观可见光正射影像的获取，实现了对农业景观非农生境绿地斑块的精确快速提取。
可选地，所述获取模块701，包括：
用于在拍摄时期通过无人机遥感影像获取多张目标区域农业景观用地原始图像；
对所述多张目标区域农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像；
对所述初始目标区域农业景观可见光正射影像进行校正，得到目标区域农业景观可见光正射影像。
本实施例提供了一种农业景观非农生境绿地斑块提取装置，用于在拍摄时期通过无人机遥感影像获取多张目标区域农业景观用地原始图像；对所述多张目标区域农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像；对所述初始目标区域农业景观可见光正射影像进行校正，得到目标区域农业景观可见光正射影像，通过对目标区域农业景观用地原始图像进行拼接、校正，得到更精准的目标区域农业景观可见光正射影像，更利于后续对农业景观非农生境绿地斑块的精确快速提取。
可选地，所述构建模块中的农业景观非农生境绿地斑块提取指数NDSGBVI的计算公式如下：
NDSGBVI＝(G2-B2)/(G2+B2)；
其中，G、B分别表示所述可见光正射影像中绿光波段和蓝光波段的像元亮度值；
根据所述提取指数NDSGBVI的计算公式，得到农业景观非农生境绿地斑块提取指数灰度图像。
本实施例提供了一种农业景观非农生境绿地斑块提取装置，通过根据所述提取指数NDSGBVI的计算公式，得到农业景观非农生境绿地斑块提取指数灰度图像，不仅便于后续最优阈值的确定，还使得非农生境绿地植被信息得到增强，更利于农业景观非农生境绿地斑块的精确快速提取。
可选地，所述提取模块703还包括：
采用预设迭代算法确定所述农业景观非农生境绿地斑块提取的最优阈值。
所述预设迭代算法，具体包括：
步骤101)、选取初始阈值Tk，并基于初始阈值Tk将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域；
步骤102)、根据所述类似非农生境绿地像元区域和非类似非农生境绿地像元区域分别计算所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值的均值Z2；
步骤103)、根据所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值均值Z2，计算得到第一阈值Tk+1；
步骤104)、在所述第一阈值Tk+1≠Tk的情况下，基于所述第一阈值Tk+1将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域，并重复步骤102)、步骤103)；
步骤105)、在所述第一阈值Tk+1＝Tk的情况下，确定所述第一阈值Tk+1为最优阈值。
本实施例提供了一种农业景观非农生境绿地斑块提取装置，采用预设迭代算法确定所述农业景观非农生境绿地斑块提取的最优阈值，将错误分割图像的像素最小化，以实现对农业景观非农生境绿地斑块的精确提取。
可选地，所述提取模块703，还包括：
用于根据最优阈值对所述农业景观非农生境绿地斑块提取指数的灰度图像中的非农生境绿地像元和农田像元进行掩模分类，得到掩模分类的结果；
将所述掩模分类的结果放入遥感软件中进行提取处理，得到所述农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块。
本实施例提供了一种农业景观非农生境绿地斑块提取装置，用于根据最优阈值对所述农业景观非农生境绿地斑块提取指数的灰度图像中的非农生境绿地像元和农田像元进行掩模分类，得到掩模分类的结果；将所述掩模分类的结果放入遥感软件中进行提取处理，得到所述农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块，实现了对农业景观非农生境绿地斑块的精确快速提取。
图8为本发明实施例提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和总线840，其中，处理器810，通信接口820，存储器830通过总线840完成相互间的通信。总线840可以用于电子设备与传感器之间的信息传输。处理器810可以调用存储器830中的逻辑指令，以执行如下方法：获取目标区域的农业景观可见光正射影像；基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
此外，上述的存储器830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，本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的一种农业景观非农生境绿地斑块提取方法，例如包括：获取目标区域的农业景观可见光正射影像；基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
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。
又一方面，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一种农业景观非农生境绿地斑块提取方法，该方法包括：获取目标区域的农业景观可见光正射影像；基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
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 (11)
1.一种农业景观非农生境绿地斑块提取方法，其特征在于，包括：
根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，获取目标区域的农业景观可见光正射影像；
基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；
根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
2.根据权利要求1所述的农业景观非农生境绿地斑块提取方法，其特征在于，所述根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，获取目标区域的农业景观可见光正射影像，具体包括：
根据调查的农业景观农田作物及非农生境植被的物候期确定无人机可见光遥感影像的拍摄时期，在所述拍摄时期内通过无人机遥感影像获取多张目标区域农业景观用地原始图像；
对所述多张目标区域农业景观用地原始图像进行拼接生成初始目标区域农业景观可见光正射影像；
对所述初始目标区域农业景观可见光正射影像进行校正，得到目标区域农业景观可见光正射影像。
3.根据权利要求1所述的农业景观非农生境绿地斑块提取方法，其特征在于，所述农业景观非农生境绿地斑块提取指数NDSGBVI的计算公式如下：
NDSGBVI＝(G2-B2)/(G2+B2)；
其中，G、B分别表示所述可见光正射影像中绿光波段和蓝光波段的像元亮度值；
根据所述提取指数NDSGBVI的计算公式，得到农业景观非农生境绿地斑块提取指数灰度图像。
4.根据权利要求1所述的农业景观非农生境绿地斑块提取方法，其特征在于，所述方法还包括：
采用预设迭代算法确定所述农业景观非农生境绿地斑块提取的最优阈值。
5.根据权利要求4所述的农业景观非农生境绿地斑块提取方法，其特征在于，所述预设迭代算法，具体包括：
步骤101)、选取初始阈值Tk，并基于初始阈值Tk将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域；
步骤102)、根据所述类似非农生境绿地像元区域和非类似非农生境绿地像元区域分别计算所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值的均值Z2；
步骤103)、根据所述类似非农生境绿地像元区域灰度值的均值Z1和所述非类似非农生境绿地像元区域灰度值均值Z2，计算得到第一阈值Tk+1；
步骤104)、在所述第一阈值Tk+1≠Tk的情况下，基于所述第一阈值Tk+1将所述农业景观非农生境绿地斑块提取指数灰度图像分割为类似非农生境绿地像元区域和非类似非农生境绿地像元区域，并重复步骤102)、步骤103)；
步骤105)、在所述第一阈值Tk+1＝Tk的情况下，确定所述第一阈值Tk+1为最优阈值。
6.根据权利要求1所述的农业景观非农生境绿地斑块提取方法，其特征在于，根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块，具体包括：
根据最优阈值对所述农业景观非农生境绿地斑块提取指数的灰度图像中的非农生境绿地像元和农田像元进行掩模分类，得到掩模分类的结果；
将所述掩模分类的结果放入遥感软件中进行提取处理，得到所述农业景观非农生境绿地斑块提取指数的灰度图像中的农业景观非农生境绿地斑块。
7.根据权利要求1所述的农业景观非农生境绿地斑块提取方法，其特征在于，在根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块之后，方法还包括：
构建农业景观非农生境绿地斑块提取精度评价系数Kappa；具体公式如下：
其中，P0为实际一致性率，Pe为理论一致性率；
基于所述精度评价系数Kappa，将提取的所述农业景观非农生境绿地斑块与所述农业景观可见光正射影像进行对比，得到所述农业景观非农生境绿地斑块提取的精度评价结果。
8.一种农业景观非农生境绿地斑块提取装置，其特征在于，包括获取模块，构建模块以及提取模块，其中：
获取模块，用于根据农业景观作物和非农生境植被物候期确定无人机可见光遥感影像的拍摄时期，获取目标区域的农业景观可见光正射影像；
构建模块，用于基于所述农业景观可见光正射影像，构建农业景观非农生境绿地斑块提取指数灰度图像；
提取模块，用于根据最优阈值对所述农业景观非农生境绿地斑块提取指数灰度图像进行农田、非农生境绿地的信息分割，以提取农业景观非农生境绿地斑块。
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程序时实现如权利要求1至7任一项所述一种农业景观非农生境绿地斑块提取方法的步骤。
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任一项所述一种农业景观非农生境绿地斑块提取方法的步骤。
11.一种计算机程序产品，包括计算机程序，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任一项所述一种农业景观非农生境绿地斑块提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210658361.XA CN115082812B (zh) | 2022-06-10 | 2022-06-10 | 一种农业景观非农生境绿地斑块提取方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210658361.XA CN115082812B (zh) | 2022-06-10 | 2022-06-10 | 一种农业景观非农生境绿地斑块提取方法及其相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115082812A true CN115082812A (zh) | 2022-09-20 |
| CN115082812B CN115082812B (zh) | 2024-08-27 |
Family
ID=83250341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210658361.XA Active CN115082812B (zh) | 2022-06-10 | 2022-06-10 | 一种农业景观非农生境绿地斑块提取方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115082812B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117315486A (zh) * | 2023-10-30 | 2023-12-29 | 武汉理工大学 | 一种航道绿地监测方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110047867A1 (en) * | 2003-11-07 | 2011-03-03 | Holland Kyle H | Plant treatment based on a water invariant chlorophyll index |
| CN110147746A (zh) * | 2019-05-09 | 2019-08-20 | 武汉大学 | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统 |
-
2022
- 2022-06-10 CN CN202210658361.XA patent/CN115082812B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110047867A1 (en) * | 2003-11-07 | 2011-03-03 | Holland Kyle H | Plant treatment based on a water invariant chlorophyll index |
| CN110147746A (zh) * | 2019-05-09 | 2019-08-20 | 武汉大学 | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 冯舒;汤茜;丁圣彦;: "农业景观农地和非农绿地斑块属性特征及其结构优化研究――以河南省封丘县为例", 中国生态农业学报, no. 06, 15 June 2015 (2015-06-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117315486A (zh) * | 2023-10-30 | 2023-12-29 | 武汉理工大学 | 一种航道绿地监测方法、装置、电子设备及存储介质 |
| CN117315486B (zh) * | 2023-10-30 | 2024-05-14 | 武汉理工大学 | 一种航道绿地监测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115082812B (zh) | 2024-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tu et al. | Optimising drone flight planning for measuring horticultural tree crop structure | |
| Assmann et al. | Vegetation monitoring using multispectral sensors—best practices and lessons learned from high latitudes | |
| 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 | |
| Jay et al. | In-field crop row phenotyping from 3D modeling performed using Structure from Motion | |
| CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
| Huang et al. | Cotton yield estimation using very high-resolution digital images acquired with a low-cost small unmanned aerial vehicle | |
| AU2015324185B2 (en) | Multi-spectral image labeling with radiometric attribute vectors of image space representation components | |
| Teke | Satellite image processing workflow for RASAT and Göktürk-2 | |
| Mathews | Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing system | |
| Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
| CN108961199A (zh) | 多源遥感数据时空融合方法及装置 | |
| CN113920143A (zh) | 基于无人机遥感影像的亚田块边界提取方法及装置 | |
| Zhang et al. | A 250m annual alpine grassland AGB dataset over the Qinghai-Tibetan Plateau (2000–2019) based on in-situ measurements, UAV images, and MODIS Data | |
| Demir | Using UAVs for detection of trees from digital surface models | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| CN110298366B (zh) | 农作物分布提取方法及装置 | |
| Awad | Toward robust segmentation results based on fusion methods for very high resolution optical image and lidar data | |
| CN115082812B (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 | |
| CN113421273B (zh) | 林草搭配信息遥感提取方法及装置 | |
| CN115115542B (zh) | 一种基于云平台遥感影像镶嵌后色差条带的快速修复方法 | |
| Pauly | Towards calibrated vegetation indices from UAS-derived orthomosaics | |
| Gruen et al. | DSM/DTM-related investigations of the Moorea Avatar project | |
| CN116469000A (zh) | 森林地上生物量和叶面积指数的反演方法及装置 | |
| CN116379935A (zh) | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 | |
| CN115661689A (zh) | 赤潮区域确定方法、存储介质和电子设备 |
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 |