CN115131683B - 基于高分辨率遥感影像的林业信息识别方法 - Google Patents

基于高分辨率遥感影像的林业信息识别方法 Download PDF

Info

Publication number
CN115131683B
CN115131683B CN202211022066.1A CN202211022066A CN115131683B CN 115131683 B CN115131683 B CN 115131683B CN 202211022066 A CN202211022066 A CN 202211022066A CN 115131683 B CN115131683 B CN 115131683B
Authority
CN
China
Prior art keywords
pixel point
gray value
original image
value sequence
sequence
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
Application number
CN202211022066.1A
Other languages
English (en)
Other versions
CN115131683A (zh
Inventor
李宪忠
李辉
王臻臻
孔娜
王健
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.)
Jinxiang County Forestry Protection And Development Service Center Jinxiang County Wetland Protection Center Jinxiang County Wildlife Protection Center Jinxiang County State Owned Baiwa Forest Farm
Original Assignee
Jinxiang County Forestry Protection And Development Service Center Jinxiang County Wetland Protection Center Jinxiang County Wildlife Protection Center Jinxiang County State Owned Baiwa Forest Farm
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 Jinxiang County Forestry Protection And Development Service Center Jinxiang County Wetland Protection Center Jinxiang County Wildlife Protection Center Jinxiang County State Owned Baiwa Forest Farm filed Critical Jinxiang County Forestry Protection And Development Service Center Jinxiang County Wetland Protection Center Jinxiang County Wildlife Protection Center Jinxiang County State Owned Baiwa Forest Farm
Priority to CN202211022066.1A priority Critical patent/CN115131683B/zh
Publication of CN115131683A publication Critical patent/CN115131683A/zh
Application granted granted Critical
Publication of CN115131683B publication Critical patent/CN115131683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/13—Satellite images
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于高分辨率遥感影像的林业信息识别方法，涉及图像处理领域，该方法包括：采集待检测区域的高光谱遥感图像作为原图像；获取原图像中每个像素点的灰度值序列与参照灰度值序列中波长的差异性和灰度值的差异性；根据原图像中每个像素点的灰度值与波长的差异性得到每个像素点的损伤概率；根据原图像中每个像素点所在聚类结果中像素点的损伤概率的方差得到每个像素点的最终损伤概率，根据像素点的最终损伤概率确定损伤像素点；利用原图像中判断为损伤像素点的像素点得到原图像中的病虫害区域，本发明能够实现对林业病虫害的准确检测，并提高了检测的适用范围。

Description

基于高分辨率遥感影像的林业信息识别方法
技术领域
本发明涉及图像处理领域，具体涉及基于高分辨率遥感影像的林业信息识别方法。
背景技术
森林资源是人类社会运作的基础，对促进经济可持续发展有着至关重要的作用，但是林业的病虫害对森林资源的利用和发展造成了严重的影响。传统的人工识别林业病虫害的方式耗时耗力，且存在代表性、时效性差的弊端，已难以适应目前大范围的病虫害实时监测的需求，卫星遥感技术能够在大范围内快速获取空间连续地表信息，所以目前大多使用遥感图像对林业的病虫害进行监测。
目前利用遥感图像的林业病虫害监测，是通过采集待监测区域相隔一段时间的遥感图像，分析对比两幅遥感图像中像素点的光谱特征信息，判断该区域中是否有病虫害区域，相比于人工检测，该方法成本低，时效性高，且具有宏观性，但是该方法没有考虑到相隔一段时间采集图像，该区域中植被叶片的含水量会改变，由于植被生长，叶片覆盖程度也会发生变化，叶片含水量和覆盖程度的变化都会导致像素点的光谱特征信息发生改变，所以会导致后续得到的判断结果不准确，因此，需要一种基于高分辨率遥感影像的林业信息识别方法。
发明内容
本发明提供基于高分辨率遥感影像的林业信息识别方法，以解决现有的问题。
本发明的基于高分辨率遥感影像的林业信息识别方法，采用如下技术方案：
采集待检测区域的高光谱遥感图像作为原图像，将待检测区域未遭到破坏时的高光谱遥感图像作为参照图像；
获取原图像/参照图像中每个像素点在不同波长下的灰度值，将每个波长和对应的灰度值作为一组数据对，利用所有的波长对应的数据对组成该像素点的灰度值序列；
利用参照图像中每个像素点的灰度值序列得到对应像素点的光谱特征向量，利用光谱特征向量对像素点进行聚类得到多个聚类结果；
将参照图像中每个聚类结果的中心像素点的灰度值序列作为该聚类结果中每个像素点的灰度值序列；将参照图像中每个像素点的灰度值序列作为原图像中对应位置的像素点的参照灰度值序列；
获取原图像中每个像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性，以及原图像中每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性；根据原图像中每个像素点与参照图像中像素点的灰度值的差异性与波长的差异性得到对应的像素点的损伤概率；
利用参照图像中的聚类结果获得原图像中在每一个聚类结果中对应的像素点，根据原图像中每个像素点的损伤概率和像素点所在聚类结果中所有像素点的损伤概率的方差得到每个像素点的最终损伤概率，根据每个像素点的最终损伤概率确定该像素点是否为损伤像素点；
利用原图像中判断为损伤像素点的像素点得到原图像中的病虫害区域。
进一步，根据参照图像中每个像素点的灰度值序列得到对应像素点的光谱特征向量的步骤包括：
根据参照图像中每个像素点的灰度值序列进行拟合得到每个像素点的光谱曲线；
将拟合得到的光谱曲线的表达式中的参数作为该像素点的光谱特征向量。
进一步，还包括：
利用匹配算法将原图像中每个像素点的灰度值序列中的数据对与对应的参照灰度值序列中的数据对进行匹配；
得到的匹配结果需满足像素点的灰度值序列中所有一一对应的数据对之间的整体差异最小。
进一步，获取原图像中每个像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性的步骤包括：
获取原图像中每个像素点的灰度值序列中的每个波长与对应的参照灰度值序列中的波长之间的差值；
对该像素点的灰度值序列中每个波长得到的差值求均值；
将得到的均值作为该像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性。
进一步，获取原图像中每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性的步骤包括：
获取每个像素点的灰度值序列中的数据对与对应的参照灰度值序列中的数据对之间的差值，得到对应的像素点的灰度差值序列；
利用灰度差值序列中为0的数值将灰度差值序列分为多个序列段；
获取像素点的所有序列段中的数据对的总数量与该像素点的灰度值序列中数据对的总数量之间的比值；
根据每个序列段中灰度值与对应的参照灰度值序列中的灰度值得到每个序列段的灰度值变化量和灰度值变化量的方差；
将每个序列段的方差与该序列段中每个灰度值变化量相乘求和值；
将得到的所有序列段中数据对的总数量的比值与得到和值相乘，得到每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性。
进一步，根据原图像中每个像素点与参照图像中像素点的灰度值的差异性与波长的差异性得到对应的像素点的损伤概率的公式为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 68829DEST_PATH_IMAGE002
表示第
Figure 969658DEST_PATH_IMAGE003
个像素点的损伤概率；
Figure 421499DEST_PATH_IMAGE004
表示第
Figure 675762DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的波长的差异性；
Figure 411506DEST_PATH_IMAGE005
表示第
Figure 968389DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的灰度值的差异性。
进一步，根据原图像中每个像素点的损伤概率和像素点所在聚类结果中所有像素点的损伤概率的方差得到每个像素点的最终损伤概率的公式为：
Figure 820109DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示第
Figure 674801DEST_PATH_IMAGE003
个像素点的最终损伤概率；
Figure 265052DEST_PATH_IMAGE002
表示第
Figure 117470DEST_PATH_IMAGE003
个像素点的损伤概率；
Figure 809482DEST_PATH_IMAGE008
表示第
Figure 470795DEST_PATH_IMAGE003
个像素点对应的第
Figure 728601DEST_PATH_IMAGE009
个聚类结果中所有像素点的损伤概率的方差；
Figure 79817DEST_PATH_IMAGE010
表示第
Figure 180497DEST_PATH_IMAGE003
个像素点对应的第
Figure 127725DEST_PATH_IMAGE009
个聚类结果中像素点的总数量。
进一步，利用原图像中判断为损伤像素点的像素点得到原图像中的病虫害区域的步骤包括：
对原图像中的所有损伤像素点进行聚类得到原图像对应的待检测区域中的多个病虫害区域。
进一步，还包括：
根据原图像中病虫害区域的数量以及所有病虫害区域中像素点的最终损伤概率得到待检测区域的病虫危害程度。
进一步，根据原图像中病虫害区域的数量以及所有病虫害区域中像素点的最终损伤概率得到整个原图像的病虫危害程度的步骤包括：
对每个病虫害区域中所有像素点的最终损伤概率求和得到该病虫害区域的病虫害危害程度；
对原图像中所有病虫害区域的病虫危害程度求和得到待检测区域的病虫危害程度。
本发明的有益效果是：本发明的基于高分辨率遥感影像的林业信息识别方法，通过参照图像中像素点的光谱特征向量对像素点进行聚类，划分出了待检测区域的不同树种，方便后续与对应的参照灰度值序列进行对比；通过计算像素点的灰度值序列中波长与灰度值的差异性，得到了该像素点的光谱曲线的形变量以及不同波段灰度值的偏移量，同时结合各个波段灰度值变化量的均匀性对损伤概率进行综合判断，以排除由于植被覆盖程度高而造成的曲线偏移量较高的情况，提高了对林业病虫害检测的准确性；本发明还根据同种树种损伤概率的均匀性对损伤概率进行调整得到最终损伤概率进而判断病虫害发生的可能性，从而可以实现对同种树种不同季节的病虫害检测，增大了本发明的适用范围。
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为本发明的基于高分辨率遥感影像的林业信息识别方法的实施例总体步骤的流程图；
图2为不同损伤程度的植物光谱特征分析；
图3为不同含水量叶片光谱特征分析；
图4为不同棉花叶片重叠时的光谱曲线。
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。
本发明的基于高分辨率遥感影像的林业信息识别方法的实施例，如图1所示，该方法包括：
S1、采集待检测区域的高光谱遥感图像作为原图像，将待检测区域未遭到破坏时的高光谱遥感图像作为参照图像。
由于高光谱遥感图像的空间分辨率和光谱分辨率均高于常规遥感图像，且波段多而窄，在林业中的应用越来越广泛，能够极大提高森林树种的分类与识别的精度，因而本方案基于高光谱分辨率的遥感图像，通过对图像中不同位置的光谱信息的变化情况对林业病虫害进行监测，确定病虫害分布区域以及危害程度，以便更好的确定防止目标，制定适宜的防治计划。
S2、获取原图像/参照图像中每个像素点在不同波长下的灰度值，将每个波长和对应的灰度值作为一组数据对，利用所有的波长对应的数据对组成该像素点的灰度值序列；利用参照图像中每个像素点的灰度值序列得到对应像素点的光谱特征向量，利用光谱特征向量对像素点进行聚类得到多个聚类结果。
由于单一树种会降低多种动、树种间的相辅相克作用，因此在实际环境中，一个区域内往往包含多个树种，不同树种的光谱信息均不相同，因此可以根据高光谱遥感图像中各个像素点的光谱信息之间的差异对图像中的不同树种进行区分。
具体的，获取参照图像中每个像素点在不同波长下的灰度值，将每个波长和对应的灰度值作为一组数据对，利用所有的波长对应的数据对组成该像素点的灰度值序列，将每个像素点的灰度值序列作为该像素点的光谱信息，使用最小二乘法对每个灰度值序列进行曲线拟合得到该像素点的光谱曲线，该光谱曲线的表达式中的参数所组成的向量为该像素点的光谱特征向量，获取所有像素点的光谱特征向量，使用均值漂移聚类算法对每个像素点的光谱特征向量进行聚类，得到多个聚类结果，每个聚类结果对应一种树种。
利用得到参照图像中像素点的灰度值序列的方法得到原图像中的每个像素点的灰度值序列。
S3、将参照图像中每个聚类结果的中心像素点的灰度值序列作为该聚类结果中每个像素点的灰度值序列；将参照图像中每个像素点的灰度值序列作为原图像中对应位置的像素点的参照灰度值序列。
具体的，获取参照图像中每个聚类结果的中心像素点，将中心像素点的光谱曲线作为对应的聚类结果中每个像素点的光谱曲线，将中心像素点的灰度值序列作为对应的聚类结果中每个像素点的灰度值序列，因为是同一区域的图像，所以将参照图像中的像素点与原图像中的像素点按照位置一一对应，将参照图像中每个像素点的灰度值序列作为原图像中对应位置的像素点的参照灰度值序列。
将参照图像中的聚类结果按照位置对应得到原图像中的聚类结果，获取原图像中第
Figure 754884DEST_PATH_IMAGE009
个聚类结果中第
Figure 762154DEST_PATH_IMAGE003
个像素点的灰度值序列
Figure 353060DEST_PATH_IMAGE011
，该聚类结果所对应的参照灰度值序列为
Figure 149984DEST_PATH_IMAGE012
，灰度值序列中的数据为波长和波长对应的灰度值所组成的数据对；利用KM匹配算法对灰度值序列
Figure 241436DEST_PATH_IMAGE011
与参照灰度值序列
Figure 481925DEST_PATH_IMAGE012
中的数据对进行一一匹配，得到所有匹配的数据对，匹配结果需满足像素点的所有一一对应的数据对之间的整体差异最小，其中
Figure 353935DEST_PATH_IMAGE011
中的第
Figure 832845DEST_PATH_IMAGE013
个数据对
Figure 575542DEST_PATH_IMAGE014
与
Figure 190194DEST_PATH_IMAGE012
中的第
Figure 611817DEST_PATH_IMAGE015
个数据对
Figure 625910DEST_PATH_IMAGE016
为一组匹配的数据对。
S4、获取原图像中每个像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性，以及原图像中每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性；根据原图像中每个像素点与参照图像中像素点的灰度值的差异性与波长的差异性得到对应的像素点的损伤概率。
由于植被在生长过程中受到病虫害损害，受到损害后植被的内部结构、叶绿素和水分含量就会发生不同程度的变化，植被的反射光谱特性也会随之变化，损害越严重，发生的变化越大，受损植被的光谱特征分析，如图2所示，轻微受损的植被由于内部结构、叶绿素以及含水量的损伤程度较小，所以轻微受损的植被的光谱曲线与未受损的正常植被的光谱曲线存在一定的相似性，植被的受损程度越严重，对应的光谱曲线的形变量(曲线形态变化量)越大。
也有可能会存在受损植被的光谱曲线与未受损的正常植被的光谱曲线形状十分相似，即光谱曲线的形变量非常小，但是相对于正常植被的光谱曲线，受损植被在相同波段的反射率并不相同，即受损植被与正常植被的光谱曲线发生曲线偏移，如图3所示为不同含水量叶片的光谱曲线图，此时偏移量越大，植被的受损程度越大；光谱曲线中的反射率越高，表示植被对比该波段的光吸收越差，反射出来的光越多，则在高光谱图像中对应该波段的灰度值就越大。
也有可能会存在未受损的植被，由于植被覆盖程度不同，与正常植被的光谱曲线产生曲线偏移，但是覆盖程度不同的植被与正常植被的曲线形状相似，即光谱曲线的形变量较小，如图4所示，为棉花叶片1-6层重叠的光谱曲线，覆盖程度不同的植被的光谱曲线与受损植被的光谱曲线不同，覆盖程度越高会近似等比例增加部分波段如近红外波段的反射率，即光谱曲线发生部分偏移。
因此可以根据实际的树种的光谱曲线与同种树种的参照光谱曲线的形变量以及偏移量分析原图像中的像素点对应的植被是否受损。
在步骤S3中得到了原图像中第
Figure 770583DEST_PATH_IMAGE003
个像素点的灰度值序列与参照灰度值序列相对应的每一组波长和灰度值组成的数据对，植被未受损时，得到的第
Figure 616790DEST_PATH_IMAGE003
个像素点的每一组数据对中的波长应该是相同的，当对应的数据对之间的波长不相同时，表示该像素点的光谱曲线发生了形变，此时每组数据对之间的波长差异越大，表明像素点的光谱曲线的形变量越大，则该像素点所对应的植被受损的概率越大；除了考虑波长之间的差异，即光谱曲线的横向差异，还需要考虑光谱曲线的纵向差异，即波长之间相似度高时，各个波长所对应的灰度值差异越大，该像素点的损伤概率也越大，因此需要结合数据对中的波长和灰度值对该像素点的损伤概率进行分析。
具体的，获取原图像中每个像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性的公式为：
Figure 135496DEST_PATH_IMAGE017
其中，
Figure 750017DEST_PATH_IMAGE004
表示第
Figure 483618DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的波长的差异性；
Figure 486078DEST_PATH_IMAGE018
表示第
Figure 495010DEST_PATH_IMAGE003
个像素点的灰度值序列中波长的总数量，对应原图像中的通道总数量；
Figure DEST_PATH_IMAGE019
表示第
Figure 850905DEST_PATH_IMAGE003
个像素点的灰度值序列中的第
Figure 953859DEST_PATH_IMAGE013
个波长；
Figure 612373DEST_PATH_IMAGE020
表示中波长的总数量；
Figure 105671DEST_PATH_IMAGE019
表示第
Figure 658400DEST_PATH_IMAGE003
个像素点的灰度值序列中的第
Figure 632172DEST_PATH_IMAGE013
个波长对应的参照灰度值序列中的第
Figure 851801DEST_PATH_IMAGE015
个波长。
需要说明的是，该公式用互相匹配的每一组波长之间的差值的平方求均值来表示该像素点的灰度序列中的波长与参照灰度值序列中波长的差异性，当互相匹配的数据对中波长之间的差异越大，表明此时该像素点的灰度值序列与对应的参照灰度值序列之间的差异越大，即该像素点的光谱曲线与对应的参照光谱曲线之间的形变量越大。
如图4所示，叶片覆盖程度较高则会出现附加灰度值的情况，当辐射能量透过最上层的叶片后，将被第二层的叶片反射，结果在形式上增强了第一层叶片的反射能量，增大了第一层叶片的灰度值，使得不同覆盖程度的植被之间产生灰度值差异，且这种差异相当于在部分波段对单层叶片灰度值的叠加，此时如果仅根据像素点的灰度值序列中的灰度值与对应的参照灰度值序列中的灰度值之间的差异大小进行损伤概率的判断，则容易将叶片覆盖程度较高的情况误判为损伤，因此需要首先确定出灰度值序列与参照灰度值序列中的数据对中的波长相同的情况，在数据对的波长相同时，根据灰度值之间的差异的相似性确定该差异是叶片覆盖程度不同造成的还是由于损伤造成的。
具体的，计算每个像素点的灰度值序列中的数据对与对应的参照灰度值序列中的数据对之间的欧式距离，得到的欧式距离为对应的各组数据对之间的差值，根据每组数据对之间的差值得到对应的像素点的灰度差值序列，以灰度差值序列中为0的数值对灰度差值序列进行划分，遍历整个灰度差值序列，每遍历到一个差值为0数值就对灰度差值序列进行一次划分，去除差值为0的数值，如果有多个连续的0数值，则将连续为0的数值对应的序列段去除，根据连续为0的序列段将灰度差值序列划分为左右两个序列段，则对灰度差值序列进行多次划分后会得到多个序列段，将灰度差值序列的多个序列段对应到该像素点的灰度值序列中，得到该像素点的多个序列段。灰度差值序列中差值为0表示该差值对应的数据对之间的波长和灰度值都相同。
获取原图像中每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性的公式为：
Figure 160291DEST_PATH_IMAGE021
其中，
Figure 920306DEST_PATH_IMAGE005
表示第
Figure 483005DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的灰度值的差异性；
Figure 266678DEST_PATH_IMAGE018
表示第
Figure 547618DEST_PATH_IMAGE003
个像素点的灰度值序列中波长的总数量，也表示灰度值的总数量，即对应原图像中的通道总数量；
Figure 314586DEST_PATH_IMAGE022
表示
Figure 308955DEST_PATH_IMAGE003
个像素点的灰度值序列中第
Figure 949015DEST_PATH_IMAGE023
个序列段中的波长的数量，也表示灰度值的数量；
Figure 638623DEST_PATH_IMAGE024
表示第
Figure 731651DEST_PATH_IMAGE003
个像素点的灰度值序列中序列段的数量；
Figure 518210DEST_PATH_IMAGE025
表示第
Figure 125909DEST_PATH_IMAGE003
个像素点的第
Figure 568391DEST_PATH_IMAGE023
个序列段中第
Figure 739479DEST_PATH_IMAGE026
个波长的灰度值相对于参照光谱曲线对应的灰度值的变化量，
Figure 193594DEST_PATH_IMAGE027
表示第
Figure 365337DEST_PATH_IMAGE023
个序列段中灰度值变化量的平均值；
Figure 357432DEST_PATH_IMAGE028
是根据所有序列段中对应的数据对之间的灰度值差异的均匀性表示该像素点的灰度值序列对应的光谱曲线的偏移量，
Figure 879680DEST_PATH_IMAGE028
的值越大，表明灰度值的波动程度越大，即该像素点的光谱曲线的偏移量越大，
Figure 312936DEST_PATH_IMAGE029
表示所有序列段中波长的数量在灰度值序列中波长的总数量的占比，即与参照光谱曲线存在偏移的部分，偏移的部分占比越多，表明该像素点的灰度值序列中总体的灰度值的差异性就越大。
根据原图像中每个像素点的灰度值与波长的差异性得到每个像素点的损伤概率的公式为：
Figure 511705DEST_PATH_IMAGE030
其中，
Figure 666130DEST_PATH_IMAGE002
表示第
Figure 195332DEST_PATH_IMAGE003
个像素点的损伤概率；
Figure 873306DEST_PATH_IMAGE004
表示第
Figure 118343DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的波长的差异性；
Figure 835763DEST_PATH_IMAGE005
表示第
Figure 214661DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的灰度值的差异性。
需要说明的是，
Figure 435558DEST_PATH_IMAGE031
是对
Figure 120005DEST_PATH_IMAGE032
进行归一化的函数，为现有公式，归一化后方便后续设置阈值进行判断，
Figure 370726DEST_PATH_IMAGE032
参考
Figure 241730DEST_PATH_IMAGE033
的函数模型，当像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性
Figure 504084DEST_PATH_IMAGE004
较大时，即光谱曲线的形变量较大时，则在损伤概率的计算中，得到的损伤概率较大，此时该像素点损伤概率的评估主要参考形变量；而像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性
Figure 481136DEST_PATH_IMAGE004
较小时，即光谱曲线的形变量较小时，即匹配结果中的该像素点的光谱曲线的各个波长与参照光谱曲线中的各个波长基本一致，因此该像素点损伤概率的评估主要参考光谱曲线的偏移量，例如由叶片含水量降低造成的光谱曲线发生偏移，此时光谱曲线的偏移量越大，损伤概率越大。
当原图像中像素点的灰度值序列中波长与对应的参照灰度值序列中的灰度值变化量
Figure 907570DEST_PATH_IMAGE025
越小，即灰度值变化得越均匀，这种情况下认为灰度值的差异性是由植被叶片的覆盖程度升高所造成的概率较高，此时在根据波长灰度值的偏移量进行损伤概率计算时，对该波长的灰度值变化量
Figure 518285DEST_PATH_IMAGE025
的参考程度越小。当光谱曲线的形变量较大时，所得损伤概率主要以形变量的值为主，当形变量较小时，需要根据各个序列段的灰度值变化量的均匀性对损伤概率进行综合判断，以排除由于植被叶片覆盖程度高而造成的光谱曲线偏移量较大的情况，提高对林业信息识别的准确性。
利用得到该像素点的损伤概率的方法得到原图像中所有聚类结果中所有像素点的损伤概率。
S5、利用参照图像中的聚类结果获得原图像中在每一个聚类结果中对应的像素点，根据原图像中每个像素点的损伤概率和像素点所在聚类结果中所有像素点的损伤概率的方差得到每个像素点的最终损伤概率，根据每个像素点的最终损伤概率确定该像素点是否为损伤像素点。
原图像中的同一个聚类结果属于同一个树种，同一区域中的同一树种在相同时间内叶片的叶绿素变化情况是一致的，即当前采集的原图像与参照图像所对应的灰度值序列是一致的，而当该区域的植被发生了病虫害，会使得受损植被与正常植被的灰度值序列之间存在差异，或者由于不同区域植被受到病虫害损伤的程度存在差异，使得同一个聚类结果，即同一树种所对应的损伤概率方差较大，获取第
Figure 963041DEST_PATH_IMAGE009
个聚类结果中各个像素点的损伤概率之间的方差，记为
Figure 861727DEST_PATH_IMAGE008
。
考虑到植被的光谱信息含量受到叶绿素和含水量的影响，而植被在不同时期，所包含的叶绿素含量不同，进而导致同一种树种在不同季节的光谱信息也存在差异，但是正常情况下，同种未受损的树种在不同季节的光谱变化情况是一致的，当变化情况不一致，则说明当前树种受到破坏，则对应的原图像中的像素点存在异常，因此还需要根据同种树种损伤概率均匀性对损伤概率进一步修正得到像素点的最终损伤概率。
具体的，获取原图像中每个像素点的最终损伤概率的公式为：
Figure 696828DEST_PATH_IMAGE034
其中，
Figure 955640DEST_PATH_IMAGE007
表示第
Figure 271215DEST_PATH_IMAGE003
个像素点的最终损伤概率；
Figure 468365DEST_PATH_IMAGE002
表示第
Figure 118658DEST_PATH_IMAGE003
个像素点的损伤概率；
Figure 931894DEST_PATH_IMAGE008
表示第
Figure 23346DEST_PATH_IMAGE003
个像素点对应的第
Figure 450786DEST_PATH_IMAGE009
个聚类结果中所有像素点的损伤概率的方差；
Figure 135845DEST_PATH_IMAGE010
表示第
Figure 880334DEST_PATH_IMAGE003
个像素点对应的第
Figure 154190DEST_PATH_IMAGE009
个聚类结果中像素点的总数量；
Figure 565580DEST_PATH_IMAGE035
是利用
Figure 862569DEST_PATH_IMAGE002
乘以
Figure 1295DEST_PATH_IMAGE002
归一化后的值
Figure 145968DEST_PATH_IMAGE036
，根据
Figure 590244DEST_PATH_IMAGE036
进行归一化，评估不同像素点的损伤概率的相对大小，根据该值大小为权重确定损伤概率的调整幅度，如果该像素点的损伤概率在总体中占比较大，则该像素点为损伤像素点的概率更大，所以根据
Figure 233584DEST_PATH_IMAGE036
赋予权值使该像素点的损伤概率进一步增大；利用
Figure 316946DEST_PATH_IMAGE037
表示对当前损伤概率进行调整，该像素点所在聚类结果中的损伤概率的方差越小，表示该区域的像素点的光谱变化情况比较相似，则该像素点的损伤概率是由于季节影响的概率较大，所以利用
Figure 112864DEST_PATH_IMAGE037
将损伤该率降低得到最终损伤概率，就不会将因为季节不同导致的损伤概率较大的像素点在判断时被判断为损伤像素点。
原图像采集的区域中可能存在的情况有三种：正常情况，部分存在病虫害，全部存在病虫害。正常情况下(包含不同季节)得到的像素点的损伤概率均较小且较为均匀，经过修正后最终损伤概率会进一步降低；当区域中全部发生了病虫害时，该区域中的损伤概率本身较大，利用
Figure 990690DEST_PATH_IMAGE037
调整损伤概率，提高了最终的损伤概率；部分存在病虫害的情况，由于不同位置病虫害的严重程度并不相同，使得区域内的损伤概率大小差异较大，所以得到的方差较大，可以利用
Figure 315799DEST_PATH_IMAGE037
调整损伤概率，提高最终的损伤概率。
设置阈值
Figure 468432DEST_PATH_IMAGE038
，当像素点的最终损伤概率
Figure 118856DEST_PATH_IMAGE039
时，认为该像素点所对应的植被存在病虫害，将该像素点记为损伤像素点。
S6、利用原图像中判断为损伤像素点的像素点得到原图像中的病虫害区域。
在本方案中，原图像中各个像素点的最终损伤概率是根据像素点的灰度值序列，即光谱信息进行评估的，光谱信息的变化程度越大，该损伤像素点对应的植被的损坏程度就越高，所以本方案结合各个损伤像素点的最终损伤概率以及损伤像素点的分布情况对待检测区域的病虫害危险程度进行综合评估。
具体的，利用均值漂移聚类算法对原图像中每种植被（每个聚类结果）中的损伤像素点进行聚类得到多个损伤聚类结果，每一个损伤聚类结果对应一个病虫害区域，计算病虫害区域的病虫害危害程度的公式为：
Figure 495479DEST_PATH_IMAGE040
其中，
Figure 988778DEST_PATH_IMAGE041
表示第
Figure 23730DEST_PATH_IMAGE009
个聚类结果中第
Figure 921803DEST_PATH_IMAGE042
个病虫害区域的病虫害危害程度；
Figure 266066DEST_PATH_IMAGE043
表示第
Figure 325289DEST_PATH_IMAGE009
个聚类结果中第
Figure 288565DEST_PATH_IMAGE042
个病虫害区域中的第
Figure 366112DEST_PATH_IMAGE044
个损伤像素点的最终损伤概率；
Figure DEST_PATH_IMAGE045
表示第
Figure 228413DEST_PATH_IMAGE042
个病虫害区域的损伤像素点的数量，利用每个病虫害区域中所有像素点的最终损伤概率的和值表示该病虫害区域的病虫害危害程度。
根据原图像中所有病虫害区域的病虫危害程度计算待检测区域的病虫危害程度的公式为：
Figure 820937DEST_PATH_IMAGE046
其中，
Figure 322326DEST_PATH_IMAGE047
表示待检测区域的病虫危害程度；
Figure 801849DEST_PATH_IMAGE041
表示第
Figure 363280DEST_PATH_IMAGE009
个聚类结果中第
Figure 446030DEST_PATH_IMAGE042
个病虫害区域的病虫害危害程度；
Figure 564159DEST_PATH_IMAGE048
表示第
Figure 85139DEST_PATH_IMAGE009
个聚类结果中病虫害区域的数量；
Figure 145368DEST_PATH_IMAGE049
表示原图像中的聚类结果的数量，即根据原图像中所有病虫害区域的病虫危害程度求和得到了待检测区域的病虫危害程度。
综上所述，本发明提供基于高分辨率遥感影像的林业信息识别方法，通过参照图像中像素点的光谱特征向量对像素点进行聚类，划分出了待检测区域的不同树种，方便后续与对应的参照灰度值序列进行对比；通过计算像素点的灰度值序列中波长与灰度值的差异性，得到了该像素点的光谱曲线的形变量以及不同波段灰度值的偏移量，同时结合各个波段灰度值变化量的均匀性对损伤概率进行综合判断，以排除由于植被覆盖程度高而造成的曲线偏移量较高的情况，提高了对林业病虫害检测的准确性；本发明还根据同种树种损伤概率的均匀性对损伤概率进行调整得到最终损伤概率进而判断病虫害发生的可能性，从而可以实现对同种树种不同季节的病虫害检测，增大了本发明的适用范围。
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 (9)

1.基于高分辨率遥感影像的林业信息识别方法，其特征在于：
采集待检测区域的高光谱遥感图像作为原图像，将待检测区域未遭到破坏时的高光谱遥感图像作为参照图像；
获取原图像/参照图像中每个像素点在不同波长下的灰度值，将每个波长和对应的灰度值作为一组数据对，利用所有的波长对应的数据对组成该像素点的灰度值序列；
利用参照图像中每个像素点的灰度值序列得到对应像素点的光谱特征向量，利用光谱特征向量对像素点进行聚类得到多个聚类结果；
将参照图像中每个聚类结果的中心像素点的灰度值序列作为该聚类结果中每个像素点的灰度值序列；将参照图像中每个像素点的灰度值序列作为原图像中对应位置的像素点的参照灰度值序列；
获取原图像中每个像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性，以及原图像中每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性；根据原图像中每个像素点与参照图像中像素点的灰度值的差异性与波长的差异性得到对应的像素点的损伤概率；
利用参照图像中的聚类结果获得原图像中在每一个聚类结果中对应的像素点，根据原图像中每个像素点的损伤概率和像素点所在聚类结果中所有像素点的损伤概率的方差得到每个像素点的最终损伤概率，计算每个像素点的最终损伤概率的公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 436302DEST_PATH_IMAGE002
表示第
Figure 256490DEST_PATH_IMAGE003
个像素点的最终损伤概率；
Figure 812236DEST_PATH_IMAGE004
表示第
Figure 692468DEST_PATH_IMAGE003
个像素点的损伤概率；
Figure 330735DEST_PATH_IMAGE005
表示第
Figure 954614DEST_PATH_IMAGE003
个像素点对应的第
Figure 364867DEST_PATH_IMAGE006
个聚类结果中所有像素点的损伤概率的方差；
Figure 681579DEST_PATH_IMAGE007
表示第
Figure 544493DEST_PATH_IMAGE003
个像素点对应的第
Figure 706484DEST_PATH_IMAGE006
个聚类结果中像素点的总数量；
根据每个像素点的最终损伤概率确定该像素点是否为损伤像素点；
利用原图像中判断为损伤像素点的像素点得到原图像中的病虫害区域。
2.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，根据参照图像中每个像素点的灰度值序列得到对应像素点的光谱特征向量的步骤包括：
根据参照图像中每个像素点的灰度值序列进行拟合得到每个像素点的光谱曲线；
将拟合得到的光谱曲线的表达式中的参数作为该像素点的光谱特征向量。
3.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，还包括：
在得到原图像中每个像素点的灰度值序列对应的参照灰度值序列后，利用匹配算法将原图像中每个像素点的灰度值序列中的数据对与对应的参照灰度值序列中的数据对进行匹配。
4.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，获取原图像中每个像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性的步骤包括：
获取原图像中每个像素点的灰度值序列中的每个波长与对应的参照灰度值序列中的波长之间的差值；
对该像素点的灰度值序列中每个波长得到的差值求均值；
将得到的均值作为该像素点的灰度值序列中波长与对应的参照灰度值序列中波长的差异性。
5.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，获取原图像中每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性的步骤包括：
获取每个像素点的灰度值序列中的数据对与对应的参照灰度值序列中的数据对之间的差值，得到对应的像素点的灰度差值序列；
利用灰度差值序列中为0的数值将灰度差值序列分为多个序列段；
获取像素点的所有序列段中的数据对的总数量与该像素点的灰度值序列中数据对的总数量之间的比值；
根据每个序列段中灰度值与对应的参照灰度值序列中的灰度值得到每个序列段的灰度值变化量和灰度值变化量的方差；
将每个序列段的方差与该序列段中每个灰度值变化量相乘求和值；
将得到的所有序列段中数据对的总数量的比值与得到和值相乘，得到每个像素点的灰度值序列中灰度值与对应的参照灰度值序列中灰度值的差异性。
6.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，根据原图像中每个像素点与参照图像中像素点的灰度值的差异性与波长的差异性得到对应的像素点的损伤概率的公式为：
Figure 440085DEST_PATH_IMAGE008
其中，
Figure 927698DEST_PATH_IMAGE004
表示第
Figure 543487DEST_PATH_IMAGE003
个像素点的损伤概率；
Figure DEST_PATH_IMAGE009
表示第
Figure 443922DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的波长的差异性；
Figure 828767DEST_PATH_IMAGE010
表示第
Figure 221702DEST_PATH_IMAGE003
个像素点与对应的参照灰度值序列中的灰度值的差异性。
7.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，利用原图像中判断为损伤像素点的像素点得到原图像中的病虫害区域的步骤包括：
对原图像中的所有损伤像素点进行聚类得到原图像对应的待检测区域中的多个病虫害区域。
8.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，还包括：
根据原图像中病虫害区域的数量以及所有病虫害区域中像素点的最终损伤概率得到待检测区域的病虫危害程度。
9.根据权利要求8所述的基于高分辨率遥感影像的林业信息识别方法，其特征在于，根据原图像中病虫害区域的数量以及所有病虫害区域中像素点的最终损伤概率得到整个原图像的病虫危害程度的步骤包括：
对每个病虫害区域中所有像素点的最终损伤概率求和得到该病虫害区域的病虫害危害程度；
对原图像中所有病虫害区域的病虫危害程度求和得到待检测区域的病虫危害程度。
CN202211022066.1A 2022-08-25 2022-08-25 基于高分辨率遥感影像的林业信息识别方法 Active CN115131683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211022066.1A CN115131683B (zh) 2022-08-25 2022-08-25 基于高分辨率遥感影像的林业信息识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211022066.1A CN115131683B (zh) 2022-08-25 2022-08-25 基于高分辨率遥感影像的林业信息识别方法

Publications (2)

Publication Number Publication Date
CN115131683A CN115131683A (zh) 2022-09-30
CN115131683B true CN115131683B (zh) 2022-12-09

Family

ID=83387639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211022066.1A Active CN115131683B (zh) 2022-08-25 2022-08-25 基于高分辨率遥感影像的林业信息识别方法

Country Status (1)

Country Link
CN (1) CN115131683B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115909113B (zh) * 2023-01-09 2023-06-16 广东博幻生态科技有限公司 一种无人机遥感监测调查林业有害生物的方法
CN116188465B (zh) * 2023-04-26 2023-07-04 济宁市保田农机技术推广专业合作社 基于图像处理技术的作物生长状态检测方法
CN116310882B (zh) * 2023-05-16 2023-09-26 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于高分辨率遥感影像的林业信息识别方法
CN117391265B (zh) * 2023-12-13 2024-03-05 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于大数据分析的林业病虫灾害风险预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别系统
CN114743117A (zh) * 2022-04-18 2022-07-12 宋敬洁 适用于病虫害监测的遥感图像采集防控方法及系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751666A (zh) * 2009-10-16 2010-06-23 西安电子科技大学 基于谱聚类的半监督多光谱遥感图像分割方法
CN103323410A (zh) * 2013-05-24 2013-09-25 暨南大学 一种基于液晶滤波器件的显微光谱成像装置和方法
CN103523226B (zh) * 2013-10-31 2015-09-30 无锡同春新能源科技有限公司 一种带彩色水稻病害图像识别仪防治水稻纹枯病的无人机
CN103810710B (zh) * 2014-02-26 2016-08-17 西安电子科技大学 基于半监督降维和显著图的多光谱图像变化检测方法
CN104359921B (zh) * 2014-11-20 2016-11-23 中南大学 一种基于结构光的扣件缺失检测方法及其装置
CN105021529B (zh) * 2015-06-11 2017-10-17 浙江水利水电学院 融合光谱和图像信息的作物病虫害识别和区分方法
CN105866040B (zh) * 2016-03-25 2019-02-19 华南农业大学 基于测线图的水稻白叶枯病高光谱图像降维方法
CN106226247A (zh) * 2016-07-15 2016-12-14 暨南大学 一种基于高光谱显微成像技术的细胞检测方法
CN106295543A (zh) * 2016-08-03 2017-01-04 广州极飞电子科技有限公司 多光谱图像获取装置、植被监测方法和装置
WO2019082942A1 (ja) * 2017-10-24 2019-05-02 国立大学法人筑波大学 植物のストレスの検出方法及び植物における発光タンパク質の検出方法
CN108564092A (zh) * 2018-04-12 2018-09-21 内蒙古工业大学 基于sift特征提取算法的向日葵病害识别方法
CN110727299A (zh) * 2019-10-11 2020-01-24 新疆大学 一种花房控制方法及装置
CN111044520A (zh) * 2019-12-12 2020-04-21 湖南省林业科学院 一种油茶主要病虫害的监测方法
CN113468964B (zh) * 2021-05-31 2022-04-26 山东省邮电工程有限公司 一种基于高光谱的农业病虫害监测方法及设备
CN113838054B (zh) * 2021-11-29 2022-02-25 山东精良海纬机械有限公司 基于人工智能的机械零件表面损伤检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别系统
CN114743117A (zh) * 2022-04-18 2022-07-12 宋敬洁 适用于病虫害监测的遥感图像采集防控方法及系统

Also Published As

Publication number Publication date
CN115131683A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN115131683B (zh) 基于高分辨率遥感影像的林业信息识别方法
Chen et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data
CN111709379B (zh) 基于遥感影像的丘陵区柑橘种植地块监测方法及系统
CN110287944B (zh) 基于深度学习的多光谱遥感影像的农作物虫害监测方法
CN107103306B (zh) 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法
Zhang et al. Robust hyperspectral vision-based classification for multi-season weed mapping
CN110210990B (zh) 基于高分卫星遥感数据的冬小麦冻害监测方法
CN111345214A (zh) 一种基于卫星影像数据的新疆棉花区域识别方法及系统
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
CN111598045A (zh) 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
CN112861810B (zh) 一种基于时序遥感观测数据的人工林种植时间自动检测方法
CN113963260A (zh) 一种冬小麦种植区的提取方法、装置和计算机设备
CN106373150A (zh) 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法
CN117132778A (zh) 一种光谱测量校正计算方法及系统
CN113378747A (zh) 一种小麦条锈病遥感预测方法及装置
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
Cao et al. Discrimination of tea plant variety using in-situ multispectral imaging system and multi-feature analysis
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用
CN112052799A (zh) 一种迷迭香种植分布高分辨率卫星遥感识别方法
CN116994126A (zh) 基于冠层反射率光谱的作物叶面积指数获取方法及装置
CN114266975B (zh) 无人机遥感图像的荔枝果实检测与计数方法
CN112541933B (zh) 一种农田边界及种植结构的提取方法
Zhang Hyperspectral vision-based machine learning for robust plant recognition in autonomous weed control
Wanninayaka et al. Artificial neural network to estimate the paddy yield prediction using remote sensing, weather and non weather variable in Ampara district, Sri Lanka

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