CN115115627A - 基于数据处理的土壤盐碱地监测方法 - Google Patents

基于数据处理的土壤盐碱地监测方法 Download PDF

Info

Publication number
CN115115627A
CN115115627A CN202211036522.8A CN202211036522A CN115115627A CN 115115627 A CN115115627 A CN 115115627A CN 202211036522 A CN202211036522 A CN 202211036522A CN 115115627 A CN115115627 A CN 115115627A
Authority
CN
China
Prior art keywords
fracture
node
crack
soil
threshold
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
Application number
CN202211036522.8A
Other languages
English (en)
Other versions
CN115115627B (zh
Inventor
柳海燕
吴艳华
邵蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Kelin Testing Co ltd
Original Assignee
Shandong Kelin Testing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Kelin Testing Co ltd filed Critical Shandong Kelin Testing Co ltd
Priority to CN202211036522.8A priority Critical patent/CN115115627B/zh
Publication of CN115115627A publication Critical patent/CN115115627A/zh
Application granted granted Critical
Publication of CN115115627B publication Critical patent/CN115115627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理领域，提出了基于数据处理的土壤盐碱地监测方法，包括：获取盐碱化土壤灰度图像；得到更新前的阈值对应的裂隙二值图；获得裂隙二值图中每个裂隙的节点、长度和宽度；对更新前的阈值进行更新，利用更新后的阈值得到对应裂隙二值图中每个裂隙的节点、长度和宽度；计算每个裂隙的节点差异度；得到每个裂隙的长度差异度和宽度差异度；得到更新后的阈值评分值；依次按照设定的步长迭代更新阈值，获取每次更新后的阈值评分值；选取最优分割阈值；得到盐碱化土壤灰度图像的裂隙率；对土壤的盐碱化程度进行评价。本发明对土壤盐碱地的监测分辨率较高。

Description

基于数据处理的土壤盐碱地监测方法
技术领域
本发明涉及数据处理领域，具体涉及基于数据处理的土壤盐碱地监测方法。
背景技术
土壤盐碱化是制约我国农业发展的重要原因之一。我国盐碱地面积约为9913万公顷，分布地区较多，土地的盐碱化使得我国大量耕地退化，削弱了我国农业生产能力，因此对土地的盐碱化监测对于我国农业发展至关重要。
现有的土壤盐碱地监测方法为通过可见光和红外波段的遥感手段对盐碱地进行监测，然而，这两种遥感手段在监测分辨时存在一定的局限性，无法全天时全天候进行工作，且一般都是在分布很大的区域进行测量，因此时间分辨率和空间分辨率无法满足实际需要。随着科学技术的发展，无人机航测技术在土壤研究的应用中越来越多。无人机航测技术有诸多优点，如数据获取方便、图像分辨率高、成本低、人力物力消耗少等。因此本发明基于无人机航测进行土壤盐碱地的监测，该方法可以通过拍摄的影像快速提取盐碱地的特征信息，并对小范围的观测地进行动态监测。
发明内容
本发明提供基于数据处理的土壤盐碱地监测方法，以解决现有方法时间分辨率和空间分辨率不足的问题。
本发明的基于数据处理的土壤盐碱地监测方法，采用如下技术方案：
获取盐碱化土壤灰度图像；
设定更新前的阈值对盐碱化土壤灰度图像进行阈值分割，得到该更新前的阈值对应的裂隙二值图；
提取裂隙二值图中的每个裂隙，获得每个裂隙的节点、长度和宽度；
根据设定的步长对更新前的阈值进行更新，利用更新后的阈值得到对应裂隙二值图中每个裂隙的节点、长度和宽度；
通过更新前的阈值和更新后的阈值获得的对应裂隙的节点坐标计算每个裂隙的节点差异度；
分别通过更新前的阈值和更新后的阈值获得的对应裂隙的长度和宽度得到每个裂隙的长度差异度和宽度差异度；
通过每个裂隙的节点差异度、长度差异度和宽度差异度得到更新后的阈值评分值；依次按照设定的步长迭代更新阈值，获取每次更新后的阈值评分值；
选取所有更新后的阈值评分值中最大评分值对应的阈值作为最优分割阈值；
获取最优分割阈值对应的裂隙二值图，通过裂隙二值图中裂隙像素点的个数和裂隙二值图的长、宽得到盐碱化土壤灰度图像的裂隙率；
通过盐碱化土壤灰度图像的裂隙率对土壤的盐碱化程度进行评价。
进一步的，获得每个裂隙的节点的方法为：
通过骨架化算法对裂隙二值图进行处理得到裂隙二值图中每个裂隙中心线；
根据每个裂隙中心线上节点邻域的裂隙像素点个数确定出中心线上每个节点的类型；
根据节点的类型对每个裂隙中心线进行识别，得到识别完成后的裂隙中心线；
通过识别完成后的裂隙中心线得到每个裂隙的所有节点。
进一步的，根据每个裂隙中心线上节点邻域的裂隙像素点个数确定出中心线上每个节点的类型的方法为：
若节点邻域中裂隙像素点的个数为1，判断该节点为裂隙中心线端点；
若节点邻域中裂隙像素点的个数为2，判断该节点为裂隙中心线主干点；
若节点邻域中裂隙像素点的个数为3，判断该节点为裂隙中心线相交点；
若节点邻域中裂隙像素点的个数为4，判断该节点为裂隙中心线相交点。
进一步的，根据节点的类型对每个裂隙中心线进行识别，得到识别完成后的裂隙中心线的方法为：
选取裂隙中心线节点中的端点，若下一个节点为主干点，则该主干点为识别确定的裂隙中心线的节点；
若下一个节点为相交点，则该相交点为识别确定的裂隙节点；
利用相交点的上一个节点、相交点与相交点的各下一个节点得到各角度，选取得到的所有角度中最大角度对应的相交点的下一个节点作为识别确定的相交点的下一个节点；
通过上述方法对中心线上的节点进行识别确定，直至确定的节点为端点时停止。
进一步的，得到盐碱化土壤灰度图像的裂隙率的方法为：
获取裂隙二值图的长和宽的乘积；获取裂隙二值图中裂隙像素点的个数与该乘积的比值；
获取1与得到的比值的差值，该差值为盐碱化土壤灰度图像的裂隙率。
进一步的，阈值评分值的表达式为：
Figure 843350DEST_PATH_IMAGE001
式中：
Figure 928199DEST_PATH_IMAGE002
表示第
Figure 114461DEST_PATH_IMAGE003
个分割阈值的评分，
Figure 40829DEST_PATH_IMAGE004
表示超参数，
Figure 261726DEST_PATH_IMAGE005
表示第
Figure 880926DEST_PATH_IMAGE006
条裂隙的节点差异度，
Figure 554484DEST_PATH_IMAGE007
表示第
Figure 924023DEST_PATH_IMAGE006
条裂隙的宽度差异度，
Figure 124060DEST_PATH_IMAGE008
表示第
Figure 523949DEST_PATH_IMAGE006
条裂隙的长度差异度，
Figure 75016DEST_PATH_IMAGE009
表示裂隙的个数，
Figure 484132DEST_PATH_IMAGE010
表示节点差异度的权值，
Figure 414041DEST_PATH_IMAGE011
表示宽度差异度的权值，
Figure 640623DEST_PATH_IMAGE012
表示长度差异度的权值。
进一步的，裂隙的节点差异度的表达式为：
Figure 790238DEST_PATH_IMAGE013
式中：
Figure 596520DEST_PATH_IMAGE014
表示裂隙中心线上第
Figure 646516DEST_PATH_IMAGE014
个节点，
Figure 512841DEST_PATH_IMAGE015
表示裂隙中心线上的节点个数，
Figure 913866DEST_PATH_IMAGE016
表示更新前的分割阈值得到的裂隙二值图中裂隙中心线上的节点坐标，
Figure 399205DEST_PATH_IMAGE017
表示更新后的分割阈值得到的裂隙二值图中裂隙中心线上的节点坐标。
本发明的有益效果是：本发明采用不同的分割阈值对盐碱化土壤灰度图像进行阈值分割，得到对应裂隙二值图，利用二值图中的图像信息计算不同阈值的评分确定最优阈值，通过最优阈值对应的二值图计算裂隙率，根据裂隙率的大小判断土壤的盐碱化程度。相对于现有技术，本发明监测分辨率较高，可对不同小范围区域内的土壤盐碱地进行监测，并且可以达到实时监测的目的，及时、准确地获取土壤盐碱地监测结果，避免了传统遥感手段时间分辨率和空间分辨率不足的缺点。并且无人机获取数据相较于传统的遥感影像获取数据的成本更低。
附图说明
为了更清楚地说明本发明实施例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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于数据处理的土壤盐碱地监测方法的实施例的流程示意图；
图2为不同盐浓度下的土壤表面裂隙示意图。
具体实施方式
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，都属于本发明保护的范围。
实施例1
本发明的基于数据处理的土壤盐碱地监测方法的实施例，如图1所示，包括：
101、获取盐碱化土壤灰度图像。
102、设定更新前的阈值对盐碱化土壤灰度图像进行阈值分割，得到该更新前的阈值对应的裂隙二值图。
103、提取裂隙二值图中的每个裂隙，获得每个裂隙的节点、长度和宽度。
104、根据设定的步长对更新前的阈值进行更新，利用更新后的阈值得到对应裂隙二值图中每个裂隙的节点、长度和宽度。
105、通过更新前的阈值和更新后的阈值获得的对应裂隙的节点坐标计算每个裂隙的节点差异度。
106、分别通过更新前的阈值和更新后的阈值获得的对应裂隙的长度和宽度得到每个裂隙的长度差异度和宽度差异度。
107、通过每个裂隙的节点差异度、长度差异度和宽度差异度得到更新后的阈值评分值；依次按照设定的步长迭代更新阈值，获取每次更新后的阈值评分值。
108、选取所有更新后的阈值评分值中最大评分值对应的阈值作为最优分割阈值。
109、获取最优分割阈值对应的裂隙二值图，通过裂隙二值图中裂隙像素点的个数和裂隙二值图的长、宽得到盐碱化土壤灰度图像的裂隙率。
110、通过盐碱化土壤灰度图像的裂隙率对土壤的盐碱化程度进行评价。
本发明采用不同的分割阈值对盐碱化土壤灰度图像进行阈值分割，得到对应裂隙二值图，利用二值图中的图像信息计算不同阈值的评分确定最优阈值，通过最优阈值对应的二值图计算裂隙率，根据裂隙率的大小判断土壤的盐碱化程度。相对于现有技术，本发明监测分辨率较高，可对不同小范围区域内的土壤盐碱地进行监测，并且可以达到实时监测的目的，及时、准确地获取土壤盐碱地监测结果，避免了传统遥感手段时间分辨率和空间分辨率不足的缺点。并且无人机获取数据相较于传统的遥感影像获取数据的成本更低。
实施例2
本发明的基于数据处理的土壤盐碱地监测方法的实施例，如图1所示，包括：
201、获取盐碱化土壤灰度图像。
本实施例通过无人机采集作物及土壤的图像，对无人机的飞行高度、航线、飞行时间及拍摄角度等进行设置规定统一。对采集的无人机航测影像进行语义分割，提取盐碱化土壤的图像，并去除土壤之外的区域（如植物、杂物等）。
本实施例采用DNN语义分割的方法来分割无人机航测影像，DNN语义分割网络的内容如下：
采集无人机航测影像作为数据集进行语义分割；
对无人机航测影像进行人工标注，本网络需要分割的像素分为土壤类及背景类两类，对应位置像素属于背景类（如植物、杂物等）的标注为0，属于土壤类的标注为1；
由于该网络的任务是分类，因此，采用交叉熵损失函数作为网络的loss函数。
根据先验知识，盐浓度对土壤裂隙的发育和形态有着重要的影响，盐浓度小的土壤表面的裂隙比盐浓度大的土壤表面的裂隙更复杂、破碎，且裂隙的宽度更大，如图2所示（从图2中的a到图2中的d,盐浓度依次增大），因此，本实施例通过提取土壤表面裂隙的特征，计算出土壤表面的裂隙率，并通过裂隙率对土地盐碱化程度进行分类定级。
由于不同裂隙的灰度值不同，在对其进行阈值分割时，不同的阈值对不同裂隙的分割效果也不同，所以阈值的选取在土壤裂隙提取过程中非常重要。在对图像进行阈值分割后，确定最优分割阈值，得到最优的分割结果。
对语义分割后的图像进行灰度化处理，得到灰度图像。
至此，通过上述步骤得到盐碱化土壤的灰度图像。
202、设定更新前的阈值对盐碱化土壤灰度图像进行阈值分割，得到该更新前的阈值对应的裂隙二值图。
通过盐碱化土壤的灰度图像获取灰度化图像的灰度直方图，通过灰度直方图获取最大灰度值
Figure 693921DEST_PATH_IMAGE018
和最小灰度值
Figure 370627DEST_PATH_IMAGE019
。
在
Figure 852424DEST_PATH_IMAGE020
中选取灰度分割阈值，从最小灰度值
Figure 407033DEST_PATH_IMAGE019
开始，设置灰度阈值间隔为2，对灰度阈值进行更新，得到不同的灰度分割阈值
Figure 697200DEST_PATH_IMAGE021
。
根据得到的灰度分割阈值
Figure 46273DEST_PATH_IMAGE021
，对灰度图像进行全局阈值分割，当像素点的灰度值
Figure 15366DEST_PATH_IMAGE022
小于
Figure 627130DEST_PATH_IMAGE021
时，将该像素点设置为1；当像素点的灰度值
Figure 771804DEST_PATH_IMAGE022
大于
Figure 416412DEST_PATH_IMAGE021
时，将像素点设置为0，即：
Figure 13746DEST_PATH_IMAGE023
式中：
Figure 769213DEST_PATH_IMAGE022
为像素点
Figure 502814DEST_PATH_IMAGE024
的灰度值，
Figure 692224DEST_PATH_IMAGE021
为当前的灰度分割阈值。
至此，得到当前的灰度分割阈值对应的裂隙二值图。
类比上述方法，通过
Figure 635909DEST_PATH_IMAGE020
之间的每一个灰度分割阈值对灰度图像进行阈值分割，得到每一个分割阈值对应的裂隙二值图。
203、提取裂隙二值图中的每个裂隙，获得每个裂隙的节点、长度和宽度。
选取一张裂隙二值图对其处理过程进行说明，其余裂隙二值图均做同样处理。
对裂隙二值图进行形态学处理。对二值图进行形态学闭运算，用于填充裂缝内细小空洞，并且总的位置形状不变，得到闭合连通域。
2031、获得每个裂隙的节点的方法为：通过骨架化算法对裂隙二值图进行处理得到裂隙二值图中每个裂隙中心线；根据每个裂隙中心线上节点邻域的裂隙像素点个数确定出中心线上每个节点的类型；根据节点的类型对每个裂隙中心线进行识别，得到识别完成后的裂隙中心线；通过识别完成后的裂隙中心线得到每个裂隙的所有节点。
通过骨架化算法提取中心线。使用骨架化算法提取裂隙的中心线，中心线仅为一个像素宽，得到裂隙的整体主干架构（多个节点组成），由于在骨架化过程中，裂隙的部分小凸起结构（非相交裂隙）会造成裂隙主干产生短的分支。因此需要通过裁剪操作进行去除。骨架化和裁剪操作均为现有技术，故不再进行详细说明。
通过上述操作得到裂隙中心线，而中心线上存在多个节点。
对裂隙的识别需要确定裂隙中心线上的节点类别及个数。本实施例对节点的识别主要基于中心线上的节点的邻域内像素点的分布情况。中心线上的节点分为端点、主干点以及相交点，通过下面方法确定中心线上的端点、主干点以及相交点：
第一、统计每个中心线上的节点3×3邻域内各个点的值，分别计算像素值1的个数
Figure 70433DEST_PATH_IMAGE025
；
第二、依据
Figure 48753DEST_PATH_IMAGE025
的数值对中心线上的目标节点进行分类。由于经骨架化和裁剪处理后，裂隙的中心线仅为一个像素宽，因此裂隙的中心线上的节点只有以下几种情况：
当
Figure 644951DEST_PATH_IMAGE025
=1时，节点为裂隙中心线端点。
当
Figure 75932DEST_PATH_IMAGE025
=2时，节点为裂隙中心线主干点。
当
Figure 314147DEST_PATH_IMAGE025
=3时：节点为裂隙中心线相交点。
当
Figure 523804DEST_PATH_IMAGE025
=4时：节点为裂隙中心线相交点。
上述确定节点类型的步骤中，统计像素值1的个数就是统计裂隙像素点的个数，根据节点邻域裂隙像素点的个数判断该节点是端点、主干点以及相交点中的一种类型。
通过以上步骤，根据每个裂隙中心线上节点的邻域中像素值为1的像素点个数确定出每个节点的类型，同时统计节点的位置和节点的数量。
基于先验知识，每条裂隙的识别是由一个裂隙端点开始，追踪到另一个裂隙端点结束。因此，从端点出发，进行边缘跟踪，进行裂隙识别：
选取一个端点进行边缘跟踪，记该端点为
Figure 415537DEST_PATH_IMAGE026
，为第
Figure 474760DEST_PATH_IMAGE027
条裂隙中心线的端点。其中
Figure 375720DEST_PATH_IMAGE027
表示第
Figure 672840DEST_PATH_IMAGE027
条裂隙中心线，
Figure 141999DEST_PATH_IMAGE028
表示该裂隙中心线的第
Figure 281993DEST_PATH_IMAGE028
个节点（在该端点处，
Figure 360545DEST_PATH_IMAGE029
）。
若下一个节点为主干点，则记该节点为裂隙中心线的主干点
Figure 167964DEST_PATH_IMAGE030
，并进行下一个节点跟踪；若下一个节点为相交点（记该相交点为
Figure 542445DEST_PATH_IMAGE031
），则会出现该相交点的下一节点为两个以上的情况，以该点为中心，分别连接该点与上一节点和该点与下一节点，构成角度
Figure 310681DEST_PATH_IMAGE032
，
Figure 553443DEST_PATH_IMAGE033
，
Figure 90735DEST_PATH_IMAGE034
…。比较这些角度的大小，最大角度对应的下一节点，则为识别确定的下一节点。在此基础上，继续跟踪下一节点。
追踪至下一个端点，则第
Figure 760751DEST_PATH_IMAGE027
条裂隙中心线识别完成，继续下一裂隙中心线识别，直至所有裂隙识别完成。
通过上述步骤得到识别确定的裂隙中心线及中心线上的节点。
在每条裂隙的识别基础上，计算裂隙的长度。通过计算各个节点之间的距离进行累加，得到该裂隙的长度。其计算公式为：
Figure 295244DEST_PATH_IMAGE035
式中：
Figure 512336DEST_PATH_IMAGE027
表示第
Figure 904134DEST_PATH_IMAGE027
条裂隙中心线，
Figure 10631DEST_PATH_IMAGE028
表示该裂隙中心线的第
Figure 487880DEST_PATH_IMAGE028
个节点，
Figure 213390DEST_PATH_IMAGE036
，
Figure 584329DEST_PATH_IMAGE037
、
Figure 967119DEST_PATH_IMAGE038
表示裂隙中心线的第
Figure 56297DEST_PATH_IMAGE028
个节点、第
Figure 319920DEST_PATH_IMAGE039
个节点坐标，
Figure 545365DEST_PATH_IMAGE040
为该裂隙中心线上第
Figure 603450DEST_PATH_IMAGE028
个节点与第
Figure 429193DEST_PATH_IMAGE039
个节点之间的距离，
Figure 230927DEST_PATH_IMAGE041
为第
Figure 953288DEST_PATH_IMAGE027
条裂隙的长度。
在每条裂隙的识别基础上，计算裂隙的宽度。选取裂隙中心线的上的一个节点，作过该节点的裂隙中心线的垂线，该垂线与该裂隙形成的连通域两条边界相交的点为
Figure 838068DEST_PATH_IMAGE042
，
Figure 511626DEST_PATH_IMAGE043
。计算两点的距离，该距离则为裂隙中心线该节点处的裂隙宽度。然后计算裂隙中心线上所有节点处的裂隙宽度，求平均值，从而得到该裂隙的宽度
Figure 241684DEST_PATH_IMAGE044
。其计算公式为：
Figure 317088DEST_PATH_IMAGE045
式中：
Figure 982556DEST_PATH_IMAGE046
表示第
Figure 533623DEST_PATH_IMAGE028
个节点处的裂隙宽度，
Figure 175694DEST_PATH_IMAGE044
为第
Figure 230238DEST_PATH_IMAGE027
条裂隙的宽度。
通过以上步骤，得到当前阈值分割二值图中所有裂隙的节点、长度、宽度信息。
204、根据设定的步长对更新前的阈值进行更新，利用更新后的阈值得到对应裂隙二值图中每个裂隙的节点、长度和宽度。
然后根据步长选取下一个阈值，进行阈值分割，得到下一分割阈值对应的裂隙二值图，按照同样方法获取该二值图裂隙的节点、长度和宽度信息。
205、通过更新前的阈值和更新后的阈值获得的对应裂隙的节点坐标计算每个裂隙的节点差异度。
将该二值图中的第
Figure 332186DEST_PATH_IMAGE027
条裂隙与上一个二值图中对应的第
Figure 714757DEST_PATH_IMAGE027
条裂隙中心线的节点、裂隙的长度和宽度进行比较，评价当前二值图对应的阈值分割效果。具体方法如下所示：
选择上一张二值图第
Figure 786618DEST_PATH_IMAGE027
条裂隙的两个端点坐标
Figure 836614DEST_PATH_IMAGE047
、主干点坐标
Figure 968518DEST_PATH_IMAGE048
、相交点坐标
Figure 599570DEST_PATH_IMAGE049
、宽度
Figure 209543DEST_PATH_IMAGE044
以及长度
Figure 379624DEST_PATH_IMAGE041
，与当前二值图像中对应裂隙的端点坐标
Figure 292216DEST_PATH_IMAGE050
、主干点坐标
Figure 39592DEST_PATH_IMAGE051
、相交点坐标
Figure 594202DEST_PATH_IMAGE052
、宽度
Figure 477844DEST_PATH_IMAGE053
以及长度
Figure 325452DEST_PATH_IMAGE054
，通过计算两个裂隙的差异来判定阈值分割效果。
通过相邻阈值得到的二值图中对应裂隙的节点进行判断，通过两者之间的距离来表明裂隙分割的节点差异度
Figure 294545DEST_PATH_IMAGE055
。其中，节点的差异度
Figure 387266DEST_PATH_IMAGE055
计算公式为：
Figure 266360DEST_PATH_IMAGE013
式中：
Figure 645389DEST_PATH_IMAGE056
表示当前二值图第
Figure 977144DEST_PATH_IMAGE027
条裂隙中心线的第
Figure 998190DEST_PATH_IMAGE028
个节点。
206、分别通过更新前的阈值和更新后的阈值获得的对应裂隙的长度和宽度得到每个裂隙的长度差异度和宽度差异度。
通过相邻阈值得到的二值图中对应裂隙之间的宽度差异来表明裂隙分割的宽度差异度
Figure 233256DEST_PATH_IMAGE057
。其中，第
Figure 48765DEST_PATH_IMAGE027
条裂隙的宽度差异度
Figure 867816DEST_PATH_IMAGE058
的计算公式为：
Figure 161394DEST_PATH_IMAGE059
通过相邻阈值得到的二值图中对应裂隙之间的长度差异来表面裂隙分割的长度差异度
Figure 749502DEST_PATH_IMAGE060
。其中，第
Figure 876858DEST_PATH_IMAGE027
条裂隙的长度差异度
Figure 307839DEST_PATH_IMAGE061
的计算公式为：
Figure 779009DEST_PATH_IMAGE062
207、通过每个裂隙的节点差异度、长度差异度和宽度差异度得到更新后的阈值评分值；依次按照设定的步长迭代更新阈值，获取每次更新后的阈值评分值。
根据得到的
Figure 346257DEST_PATH_IMAGE055
，
Figure 378935DEST_PATH_IMAGE058
，
Figure 297212DEST_PATH_IMAGE061
的值计算两个阈值下的二值图之间的差异，构建当前阈值分割的评价函数
Figure 807959DEST_PATH_IMAGE063
，其中
Figure 760872DEST_PATH_IMAGE021
为当前阈值分割的二值图的阈值（当
Figure 964451DEST_PATH_IMAGE021
的取值为第一个分割阈值时，设置
Figure 104446DEST_PATH_IMAGE063
=0）。当
Figure 469085DEST_PATH_IMAGE055
，
Figure 886291DEST_PATH_IMAGE058
，
Figure 385405DEST_PATH_IMAGE061
三者的值越来越小时，表明阈值分割二值图之间的差异越来越小，裂隙本身特性的差异越来越小，表明该阈值已经很接近最优阈值，其阈值所对应的评分也越高，即
Figure 888062DEST_PATH_IMAGE063
越大。
Figure 130824DEST_PATH_IMAGE063
的计算公式为：
Figure 668116DEST_PATH_IMAGE064
式中：
Figure 977612DEST_PATH_IMAGE063
表示当前阈值
Figure 92199DEST_PATH_IMAGE021
的评分，
Figure 748439DEST_PATH_IMAGE065
为超参数，经验值为0.06（可根据实施情况自行设定），
Figure 530451DEST_PATH_IMAGE066
为裂隙节点差异度的权值，
Figure 246734DEST_PATH_IMAGE067
为裂隙宽度差异度的权值，
Figure 848616DEST_PATH_IMAGE068
为裂隙长度差异度的权值，通过比较差异度的比值进行设置，即
Figure DEST_PATH_IMAGE070A
计算每个分割阈值对应的评分值。
208、选取所有更新后的阈值评分值中最大评分值对应的阈值作为最优分割阈值。
通过所有分割阈值对应的评分值确定最大评分值对应的分割阈值，将该分割阈值作为最优分割阈值。
209、获取最优分割阈值对应的裂隙二值图，通过裂隙二值图中裂隙像素点的个数和裂隙二值图的长、宽得到盐碱化土壤灰度图像的裂隙率。
根据得到的最优分割阈值进行阈值分割，得到对应的二值图。统计像素点的像素值为1的像素点的个数
Figure 950958DEST_PATH_IMAGE071
（即裂隙所在区域的面积），计算图像的裂隙率
Figure 197263DEST_PATH_IMAGE072
,通过
Figure 474660DEST_PATH_IMAGE072
值的大小进行分类，对土壤盐碱化进行分类定级。其中
Figure 439205DEST_PATH_IMAGE072
的计算公式为：
Figure 201363DEST_PATH_IMAGE073
式中：
Figure 692387DEST_PATH_IMAGE074
表示最优分割阈值得到的二值图的长度，
Figure 750473DEST_PATH_IMAGE075
表示最优分割阈值得到的二值图的宽度。
210、通过盐碱化土壤灰度图像的裂隙率对土壤的盐碱化程度进行评价。
根据裂隙率对土壤盐碱化程度进行分类定级：
若裂隙率小于等于
Figure 326948DEST_PATH_IMAGE076
，则认为土壤轻度盐碱化；
若裂隙率在
Figure 394261DEST_PATH_IMAGE076
到
Figure 349578DEST_PATH_IMAGE077
之间，则认为土壤中度盐碱化；
若裂隙率大于
Figure 968778DEST_PATH_IMAGE077
，则认为土壤重度盐碱化。
至此，本实施例实现对土壤盐碱化程度的分级。
本发明采用不同的分割阈值对盐碱化土壤灰度图像进行阈值分割，得到对应裂隙二值图，利用二值图中的图像信息计算不同阈值的评分确定最优阈值，通过最优阈值对应的二值图计算裂隙率，根据裂隙率的大小判断土壤的盐碱化程度。相对于现有技术，本发明监测分辨率较高，可对不同小范围区域内的土壤盐碱地进行监测，并且可以达到实时监测的目的，及时、准确地获取土壤盐碱地监测结果，避免了传统遥感手段时间分辨率和空间分辨率不足的缺点。并且无人机获取数据相较于传统的遥感影像获取数据的成本更低。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于数据处理的土壤盐碱地监测方法，其特征在于，包括：
获取盐碱化土壤灰度图像；
设定更新前的阈值对盐碱化土壤灰度图像进行阈值分割，得到该更新前的阈值对应的裂隙二值图；
提取裂隙二值图中的每个裂隙，获得每个裂隙的节点、长度和宽度；
根据设定的步长对更新前的阈值进行更新，利用更新后的阈值得到对应裂隙二值图中每个裂隙的节点、长度和宽度；
通过更新前的阈值和更新后的阈值获得的对应裂隙的节点坐标计算每个裂隙的节点差异度；
分别通过更新前的阈值和更新后的阈值获得的对应裂隙的长度和宽度得到每个裂隙的长度差异度和宽度差异度；
通过每个裂隙的节点差异度、长度差异度和宽度差异度得到更新后的阈值评分值；依次按照设定的步长迭代更新阈值，获取每次更新后的阈值评分值；
选取所有更新后的阈值评分值中最大评分值对应的阈值作为最优分割阈值；
获取最优分割阈值对应的裂隙二值图，通过裂隙二值图中裂隙像素点的个数和裂隙二值图的长、宽得到盐碱化土壤灰度图像的裂隙率；
通过盐碱化土壤灰度图像的裂隙率对土壤的盐碱化程度进行评价。
2.根据权利要求1所述的基于数据处理的土壤盐碱地监测方法，其特征在于，获得每个裂隙的节点的方法为：
通过骨架化算法对裂隙二值图进行处理得到裂隙二值图中每个裂隙中心线；
根据每个裂隙中心线上节点邻域的裂隙像素点个数确定出中心线上每个节点的类型；
根据节点的类型对每个裂隙中心线进行识别，得到识别完成后的裂隙中心线；
通过识别完成后的裂隙中心线得到每个裂隙的所有节点。
3.根据权利要求2所述的基于数据处理的土壤盐碱地监测方法，其特征在于，根据每个裂隙中心线上节点邻域的裂隙像素点个数确定出中心线上每个节点的类型的方法为：
若节点邻域中裂隙像素点的个数为1，判断该节点为裂隙中心线端点；
若节点邻域中裂隙像素点的个数为2，判断该节点为裂隙中心线主干点；
若节点邻域中裂隙像素点的个数为3，判断该节点为裂隙中心线相交点；
若节点邻域中裂隙像素点的个数为4，判断该节点为裂隙中心线相交点。
4.根据权利要求2所述的基于数据处理的土壤盐碱地监测方法，其特征在于，根据节点的类型对每个裂隙中心线进行识别，得到识别完成后的裂隙中心线的方法为：
选取裂隙中心线节点中的端点，若下一个节点为主干点，则该主干点为识别确定的裂隙中心线的节点；
若下一个节点为相交点，则该相交点为识别确定的裂隙节点；
利用相交点的上一个节点、相交点与相交点的各下一个节点得到各角度，选取得到的所有角度中最大角度对应的相交点的下一个节点作为识别确定的相交点的下一个节点；
通过上述方法对中心线上的节点进行识别确定，直至确定的节点为端点时停止。
5.根据权利要求1所述的基于数据处理的土壤盐碱地监测方法，其特征在于，得到盐碱化土壤灰度图像的裂隙率的方法为：
获取裂隙二值图的长和宽的乘积；获取裂隙二值图中裂隙像素点的个数与该乘积的比值；
获取1与得到的比值的差值，该差值为盐碱化土壤灰度图像的裂隙率。
6.根据权利要求1所述的基于数据处理的土壤盐碱地监测方法，其特征在于，阈值评分值的表达式为：
Figure 990840DEST_PATH_IMAGE001
式中：
Figure 473643DEST_PATH_IMAGE002
表示第
Figure 100933DEST_PATH_IMAGE003
个分割阈值的评分，
Figure 609275DEST_PATH_IMAGE004
表示超参数，
Figure 5621DEST_PATH_IMAGE005
表示第
Figure 426370DEST_PATH_IMAGE006
条裂隙的节点差异度，
Figure 540956DEST_PATH_IMAGE007
表示第
Figure 321830DEST_PATH_IMAGE006
条裂隙的宽度差异度，
Figure 572683DEST_PATH_IMAGE008
表示第
Figure 665797DEST_PATH_IMAGE006
条裂隙的长度差异度，
Figure 64418DEST_PATH_IMAGE009
表示裂隙的个数，
Figure 648983DEST_PATH_IMAGE010
表示节点差异度的权值，
Figure 770654DEST_PATH_IMAGE011
表示宽度差异度的权值，
Figure 985734DEST_PATH_IMAGE012
表示长度差异度的权值。
7.根据权利要求6所述的基于数据处理的土壤盐碱地监测方法，其特征在于，裂隙的节点差异度的表达式为：
Figure 809334DEST_PATH_IMAGE013
式中：
Figure 197590DEST_PATH_IMAGE014
表示裂隙中心线上第
Figure 423035DEST_PATH_IMAGE014
个节点，
Figure 855022DEST_PATH_IMAGE015
表示裂隙中心线上的节点个数，
Figure 431497DEST_PATH_IMAGE016
表示更新前的分割阈值得到的裂隙二值图中裂隙中心线上的节点坐标，
Figure 357865DEST_PATH_IMAGE017
表示更新后的分割阈值得到的裂隙二值图中裂隙中心线上的节点坐标。
CN202211036522.8A 2022-08-29 2022-08-29 基于数据处理的土壤盐碱地监测方法 Active CN115115627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036522.8A CN115115627B (zh) 2022-08-29 2022-08-29 基于数据处理的土壤盐碱地监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036522.8A CN115115627B (zh) 2022-08-29 2022-08-29 基于数据处理的土壤盐碱地监测方法

Publications (2)

Publication Number Publication Date
CN115115627A true CN115115627A (zh) 2022-09-27
CN115115627B CN115115627B (zh) 2022-11-15

Family

ID=83335299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036522.8A Active CN115115627B (zh) 2022-08-29 2022-08-29 基于数据处理的土壤盐碱地监测方法

Country Status (1)

Country Link
CN (1) CN115115627B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078682A (zh) * 2023-10-17 2023-11-17 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法
CN117106849A (zh) * 2023-10-24 2023-11-24 山东省科霖检测有限公司 一种城市空气微生物生态分布监测方法
CN117787573A (zh) * 2024-02-27 2024-03-29 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种盐碱地治理预警方法、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104634943A (zh) * 2015-01-22 2015-05-20 中国科学院东北地理与农业生态研究所 一种盐碱化土壤含盐量的在线测量方法
US20160290898A1 (en) * 2014-04-30 2016-10-06 Hohai University Transparent frozen soil and preparation method and application thereof
US20170131175A1 (en) * 2014-07-25 2017-05-11 National University Corporation Tottori University Pipe evaluation method, measurement device, and pipe evaluation system
CN107941673A (zh) * 2017-11-21 2018-04-20 南京农业大学 一种盐碱土壤孔隙结构测定分析方法
CN108986083A (zh) * 2018-06-28 2018-12-11 西安电子科技大学 基于阈值优化的sar图像变化检测方法
CN109522646A (zh) * 2018-11-15 2019-03-26 中国矿业大学 岩体交叉裂隙图像自动分离及其矢量化表达方法
CN110264459A (zh) * 2019-06-24 2019-09-20 江苏开放大学（江苏城市职业学院） 一种土壤裂缝特征信息提取方法
CN110378879A (zh) * 2019-06-26 2019-10-25 杭州电子科技大学 一种桥梁裂缝检测方法
CN112419250A (zh) * 2020-11-13 2021-02-26 湖北工业大学 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN114026984A (zh) * 2021-11-05 2022-02-11 成都天本地源科技有限公司 一种盐碱地改良覆盖浸洗装置及盐碱地改良工程作业方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160290898A1 (en) * 2014-04-30 2016-10-06 Hohai University Transparent frozen soil and preparation method and application thereof
US20170131175A1 (en) * 2014-07-25 2017-05-11 National University Corporation Tottori University Pipe evaluation method, measurement device, and pipe evaluation system
CN104634943A (zh) * 2015-01-22 2015-05-20 中国科学院东北地理与农业生态研究所 一种盐碱化土壤含盐量的在线测量方法
CN107941673A (zh) * 2017-11-21 2018-04-20 南京农业大学 一种盐碱土壤孔隙结构测定分析方法
CN108986083A (zh) * 2018-06-28 2018-12-11 西安电子科技大学 基于阈值优化的sar图像变化检测方法
CN109522646A (zh) * 2018-11-15 2019-03-26 中国矿业大学 岩体交叉裂隙图像自动分离及其矢量化表达方法
CN110264459A (zh) * 2019-06-24 2019-09-20 江苏开放大学（江苏城市职业学院） 一种土壤裂缝特征信息提取方法
CN110378879A (zh) * 2019-06-26 2019-10-25 杭州电子科技大学 一种桥梁裂缝检测方法
CN112419250A (zh) * 2020-11-13 2021-02-26 湖北工业大学 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN114026984A (zh) * 2021-11-05 2022-02-11 成都天本地源科技有限公司 一种盐碱地改良覆盖浸洗装置及盐碱地改良工程作业方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENGFEI XU等: "The Threat Assessments of the Cracks to the Soil Sites via Image Analysis", 《2016 12TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY (CIS)》 *
赵东生: "成都某地原状膨胀土裂隙发展规律研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078682A (zh) * 2023-10-17 2023-11-17 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法
CN117078682B (zh) * 2023-10-17 2024-01-19 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法
CN117106849A (zh) * 2023-10-24 2023-11-24 山东省科霖检测有限公司 一种城市空气微生物生态分布监测方法
CN117106849B (zh) * 2023-10-24 2024-02-02 山东省科霖检测有限公司 一种城市空气微生物生态分布监测方法
CN117787573A (zh) * 2024-02-27 2024-03-29 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种盐碱地治理预警方法、设备及介质
CN117787573B (zh) * 2024-02-27 2024-05-28 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种盐碱地治理预警方法、设备及介质

Also Published As

Publication number Publication date
CN115115627B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN115115627B (zh) 基于数据处理的土壤盐碱地监测方法
US11275941B2 (en) Crop models and biometrics
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
CN109325935B (zh) 一种基于无人机图像的输电线路检测方法
CN112164062A (zh) 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN108710840B (zh) 一种农田喷药机器人视觉导航路径识别方法
Zhou et al. An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images
US20140099000A1 (en) Device and method for detecting plantation rows
CN105389586A (zh) 一种基于计算机视觉自动检测虾体完整性的方法
Ji et al. In-field automatic detection of maize tassels using computer vision
CN109063660B (zh) 一种基于多光谱卫星影像的作物识别方法
CN111860571B (zh) 一种基于cip数据质量控制的云微粒子分类方法
CN109871900A (zh) 一种基于图像处理的复杂背景下苹果的识别定位方法
CN112907587B (zh) 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
CN115049925A (zh) 田块田坎提取方法、电子设备及存储介质
Soares et al. Plantation Rows Identification by Means of Image Tiling and Hough Transform.
CN107016680A (zh) 一种基于显著性检测的害虫图像背景去除方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法
CN111898494A (zh) 一种采矿扰动地块边界识别方法
CN111291818A (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN107507192B (zh) 一种水稻剑叶夹角在体测量便携装置及在体测量方法
CN113705441A (zh) 协同多光谱和sar影像的高时空分辨率地表水体提取方法
CN106153507B (zh) 一种测试压裂支撑剂圆球度的方法
Zeng et al. Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding
Jiang et al. MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery

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