CN115631372B - 基于土壤遥感数据的土地信息分类管理方法 - Google Patents
基于土壤遥感数据的土地信息分类管理方法 Download PDFInfo
- Publication number
- CN115631372B CN115631372B CN202211273814.3A CN202211273814A CN115631372B CN 115631372 B CN115631372 B CN 115631372B CN 202211273814 A CN202211273814 A CN 202211273814A CN 115631372 B CN115631372 B CN 115631372B
- Authority
- CN
- China
- Prior art keywords
- area
- value
- region
- land
- lbp
- 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
Images
Classifications
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于土壤遥感数据的土地信息分类管理方法,该方法获取土地遥感图像的灰度图像,根据灰度值获取每个像素点的LBP值,得到边缘图像;获取边缘图像中的区域,根据区域中每个像素点的LBP值,将区域划分为道路区域、耕地区域、生活用地区域、水体区域和草地区域,并设置标签,利用设置标签的土地遥感图像训练卷积神经网络,以对土地遥感图像进行区域分割,完成土地信息分类。本发明通过对土地遥感图像进行区域划分来设置标签,使得由卷积神经网络得到土地信息分类更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于土壤遥感数据的土地信息分类管理方法。
背景技术
遥感技术通过卫星成像对土壤进行数据成像,遥感图像对陆地生态系统及土壤数据进行了详尽的展现。对土壤遥感数据进行有效的分析可加速掌握土壤的类型分布规律,为土地在成分、作用上进行分类提供了技术支持。现有的方法仅通过传统的图像增强及掩膜技术进行分析,这类方法在面对土地信息复杂的遥感图像时,不同类型的土地信息区域分割时存在严重的边缘模糊问题,影响土地信息分类的结果。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于土壤遥感数据的土地信息分类管理方法,所采用的技术方案具体如下:
本发明实施例中提供了一种基于土壤遥感数据的土地信息分类管理方法,该方法包括以下步骤:
采集土地遥感图像,且所述土地遥感图像为RGB图像,获取所述RGB图像对应的灰度图像;
根据灰度图像中每个像素点的灰度值获取每个像素点的LBP值,统计每种LBP值对应的像素点数量,按照LBP值从大到小的顺序,计算相邻两种LBP值对应的像素点数量的差值绝对值,获取差值绝对值最大所对应的两种LBP值以取最小的LBP值作为LBP值阈值;基于LBP值阈值获取灰度图像对应的边缘图像;
获取边缘图像中的至少一个区域以及每个区域的最小外接矩形,根据最小外接矩形的长度和宽度获取道路区域;根据最小外接矩形与对应非道路区域之间的交点,获取每个非道路区域的圆形区域,基于圆形区域中每个像素点的LBP值计算对应非道路区域的区域边缘规整度;基于区域边缘规整度将非道路区域划分为耕地区域和非耕地区域;
以每个像素点为中心构建设定尺寸的窗口,根据每个窗口的LBP值均值与非耕地区域中每个区域的LBP值均值的差异,计算对应区域的内部规整系数,基于区域内部规整系数获取生活用地区域;根据每个区域与其周围区域之间的灰度分布差异,计算非耕地区域中每个剩余区域的区域平整度,根据区域平整度将剩余区域划分为水体区域和草地区域;
对土地遥感图像中的道路区域、耕地区域、生活用地区域、水体区域和草地区域设置标签,利用设置标签的土地遥感图像训练卷积神经网络,以通过对土地遥感图像进行区域分割,完成土地信息分类。
进一步的,所述基于LBP值阈值获取灰度图像对应的边缘图像的方法,包括:
将LBP值小于LBP值阈值的像素点的灰度值置为0、LBP值大于或等于LBP值阈值的像素点的灰度值保持不变,进而得到灰度图像对应的边缘图像。
进一步的,所述每个区域的圆形区域的获取方法,包括:
分别计算每个交点与对应最小外接矩形的四个顶点之间的欧式距离,得到每个交点的欧式距离总和,获取欧式距离总和最小的交点为圆心、欧式距离总和最小所对应的最小欧式距离为半径,得到对应区域的圆形区域。
进一步的,所述区域边缘规整度的获取方法,包括:
获取当前非道路区域与对应圆形区域的相交区域,分别计算相交区域中每个像素点的LBP值与圆形区域的LBP值均值的差值平方,得到差值平方的第一总和;分别计算当前非道路区域的非相交区域中每个像素点的LBP值与圆形区域的LBP值均值的差值平方,得到差值平方的第二总和,以第一总和为分子、第二总和为分母得到的比值作为当前非道路区域的区域边缘规整度。
进一步的,所述基于区域边缘规整度将非道路区域划分为耕地区域和非耕地区域的方法,包括:
基于每个非道路区域的区域边缘规整度,利用最大类间方差法获取分割阈值,将区域边缘规整度大于或等于分割阈值所对应的非道路区域作为耕地区域,反之,将区域边缘规整度小于分割阈值所对应的非道路区域作为非耕地区域。
进一步的,所述内部规整系数的获取方法,包括:
分别计算以非耕地区域中当前区域的每个像素点为中心的窗口内的第一LBP值均值以及当前区域的第二LBP值均值,分别计算每个第一LBP值均值与第二LBP值均值的差值平方,将差值平方的总和与对应窗口的数量的比值作为非耕地区域中当前区域的内部规整系数。
进一步的,所述基于区域内部规整系数获取生活用地区域的方法,包括:
设置第一评价阈值,将区域内部规整系数大于第一评价阈值所对应的非耕地区域中的区域作为生活用地区域。
进一步的,所述非耕地区域中每个剩余区域的区域平整度的获取方法,包括:
剩余区域是指非耕地区域中的非生活用地区域;获取边缘图像中每个区域的区域内部规整系数,计算当前剩余区域与其八邻域区域中每个区域之间的内部规整系数的差值平方,得到差值平方的均值作为当前剩余区域的区域平整度。
进一步的,所述根据区域平整度将剩余区域划分为水体区域和草地区域的方法,包括:
根据每个剩余区域的区域平整度计算区域平整度均值,将区域平整度大于区域平整度均值所对应的剩余区域作为水体区域,将区域平整度小于或等于区域平整度均值所对应的剩余区域作为草地区域。
本发明实施例至少具有如下有益效果:本发明根据土地遥感图像中每个像素点的灰度值获取每个像素点LBP值,用于反映像素点的邻域内的灰度变化程度;基于每种LBP值对应的像素点数量获取LBP值阈值,利用LBP值阈值筛选了像素点变化小的非边缘像素点,得到初步边缘检测的边缘图像;根据边缘图像中每个区域的区域轮廓和内部灰度变化程度,利用每个像素点LBP值将边缘图像中的区域划分为道路区域、耕地区域、生活用地区域、水体区域和草地区域,提高了土地遥感图像中区域分类的精度,基于划分结果对每个区域进行标签设置,以利用带有标签的土地遥感图像对卷积神经网络进行训练,使得卷积神经网络的训练结果更加严谨,进而有助于后续利用训练好的卷积神经网络进行土地信息分类。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例提供的一种基于土壤遥感数据的土地信息分类管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于土壤遥感数据的土地信息分类管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于土壤遥感数据的土地信息分类管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于土壤遥感数据的土地信息分类管理方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集土地遥感图像,且土地遥感图像为RGB图像,获取RGB图像对应的灰度图像。
具体的,以遥感技术手段为主,选取土地研究区,利用遥感卫星SENTINEL-2对该土地研究区的土地情况进行拍摄后得到的土地遥感图像,土地遥感图像为RGB图像。为了消除噪声的影响,对获取的土地遥感图像进行降噪处理,本发明利用中值滤波去噪技术实现对土地遥感图像的去噪处理。进一步的,将降噪处理后的土地遥感图像进行灰度化处理,得到对应的灰度图像。
需要说明的是,中值滤波去噪和灰度化处理为公知技术,本方案不再赘述。
步骤S002,根据灰度图像中每个像素点的灰度值获取每个像素点的LBP值,统计每种LBP值对应的像素点数量,按照LBP值从大到小的顺序,计算相邻两种LBP值对应的像素点数量的差值绝对值,获取差值绝对值最大所对应的两种LBP值以取最小的LBP值作为LBP值阈值;基于LBP值阈值获取灰度图像对应的边缘图像。
具体的,分析原始的土地遥感图像,本方案针对耕地、草地、生活用地、水体和道路共计5种不同土地信息的区域,其中,耕地分布相对比较集中,地面平整,大多呈块状,这些耕田块的面积差异很小,方向有序,一般形状规则,耕地区域的灰度值差异较小;而水体和草地区域分布相对杂乱一些,水体这种地域还会体现出弯绕曲折的现象。
利用LBP算法对灰度图像进行分析,对于灰度图像中的任意一个像素点F,其灰度值为,以像素点F为中心点取其对应的八邻域,将八邻域内灰度值大于或等于灰度值/>的像素点的灰度值记为1,否则记为0,通过灰度值的大小的对比结果,以顺时针方向进行统计获得一个八位二进制数值,将八位二进制数值用十进制表示得到像素点F对应的LBP值,记为/>,进而得到灰度图像中每个像素点的LBP值。
在土地遥感图像中,对于上述出现的5种不同的土地信息,无论在土地遥感图像中是何种形状,每种土地信息对应的区域都是同类像素点的聚集区域,如果是位于区域的非边缘处的像素点a,像素点a周围邻域内其他像素点的灰度值与像素点a的灰度值是非常接近的,则像素点a对应的LBP值就会非常小,LBP值反映了像素点邻域内的灰度变化程度,LBP值越大,说明像素点周围邻域像素点的灰度值分布越不均匀,像素点越有可能是两种不同类型的土地区域的边界点,因此对于土地遥感图像中的各个区域,每种土地信息对应的区域内部的像素点的数量非常多,相对应同种LBP值对应的像素点数量非常多,则分别统计每种LBP值对应的像素点数量,并按照LBP值从大到小的顺序对像素点数量进行排序,基于排序后的像素点数量,分别计算相邻两种LBP值所对应的像素点数量的差值绝对值,获取差值绝对值最大所对应的两种LBP值以取最小的LBP值作为LBP值阈值,利用LBP值阈值筛除周围邻域内像素点的灰度变化小的非边缘像素点,以提高后续区域分类的准确性。将灰度图像中LBP值小于LBP值阈值对应的像素点的灰度值置为0、LBP值大于或等于LBP值阈值对应的像素点的灰度值保持不变,使得各种土地信息对应区域的内部像素点的灰度值全置为0,得到灰度图像对应的边缘图像,该边缘图像是灰度图像的初步边缘分割结果。
步骤S003,获取边缘图像中的至少一个区域以及每个区域的最小外接矩形,根据最小外接矩形的长度和宽度获取道路区域;根据最小外接矩形与对应非道路区域之间的交点,获取每个非道路区域的圆形区域,基于圆形区域中每个像素点的LBP值计算对应非道路区域的区域边缘规整度;基于区域边缘规整度将非道路区域划分为耕地区域和非耕地区域。
具体的,由于不同种土地信息的区域在轮廓上存在较大的差异,对于5种不同土地信息的轮廓,耕地分布相对比较集中,区域形状多数呈现矩形,这些区域之间的边缘像素点的LBP值会存在对应像素点数量的突然减少;草地区域分布相对杂乱一些,区域形状多为不规则闭合区域,也具有集中分布的特点,区域之间边缘像素点的LBP值也存在对应像素点数量的突然减少;水体区域表现出边缘梯度变化大的特点,而且水体区域的边缘像素点对应的LBP值较大,对应上述的情况3;道路区域的特点是细长,区域边缘像素点对应的LBP值较大,且存在像素点数量较少,但LBP值相较于前一个LBP值有着明显的增大的情况;生活用地区域在土地遥感图像中呈现出边缘较多,各边缘上像素点的LBP值存在对应像素点数量的突然减少,但是不同边缘的像素点的LBP值之间存在差异,基于此特征,首先根据边缘图像中每个像素点的灰度值获取至少一个区域,且每个区域的边缘像素点的灰度值为0,由于道路区域呈现细长的明显特征,因此获取边缘图像中每个区域的最小外接矩形,设置宽度阈值和长度阈值,将小于宽度阈值且大于长度阈值的最小外接矩形所对应的区域作为道路区域,然后对非道路区域构建区域边缘规整度G,区域规整度用于表征剩余4种不同情况下土地区域的分布特点。
需要说明的是,本发明实施例中长度阈值和宽度阈值的获取方法为:以每个区域的最小外接矩形为例,获取每个外接矩形的长度,并按照从大到小排列组成长度序列,将长度序列中的前20%的长度进行均值计算,得到的均值作为长度阈值;同理,获取每个外接矩形的宽度,并按照从大到小排列组成宽度序列,将宽度序列中的后20%的宽度进行均值计算,得到的均值作为宽度阈值。
以一个非道路区域为例,获取该非道路区域的区域边缘规整度的方法为:获取该非道路区域与其对应最小外接矩形之间的交点,分别计算每个交点与最小外接矩形的四个顶点之间的欧式距离,将每个交点对应的四个欧式距离相加得到欧氏距离总和,获取欧式距离总和最小的交点,记为b,获取交点b对应的四个欧式距离中的最小欧式距离,以交点b为圆心、最小欧式距离为半径获取圆形区域;获取该非道路区域与对应圆形区域的相交区域,分别计算相交区域中每个像素点的LBP值与圆形区域的LBP值均值的差值平方,得到差值平方的第一总和;分别计算该非道路区域的非相交区域中每个像素点的LBP值与圆形区域的LBP值均值的差值平方,得到差值平方的第二总和,以第一总和为分子、第二总和为分母得到的比值作为该非道路区域的区域边缘规整度,则区域边缘规整度的计算公式为:
其中,为相交区域中的像素点总数量;/>为相交区域中第i个像素点的LBP值;/>为圆形区域R内的LBP值均值;/>为该非道路区域的非相交区域中每个像素点的LBP值;/>为该非道路区域的非相交区域中的像素点总数量。
以圆形区域中的像素点的LBP值作为基准,相交区域中的像素点的LBP值与圆形区域的LBP值均值的差值平方的总和越大,说明非道路区域的轮廓越规整,对应区域边缘规整度越大;而不相交区域中像素点的LBP值与圆形区域的LBP值均值的差值平方的总和越大,说明非道路区域越不规则,对应区域边缘规整度越小。
同理,获取每个非道路区域的区域边缘规整度。区域边缘规整度反映了非道路区域内灰度变化与边缘的规整程度,对于一个闭合区域,其区域边缘规整度越大,边缘越规整,越有可能是耕地区域。基于每个非道路区域的区域边缘规整度,利用最大类间方差法获取分割阈值,将区域边缘规整度大于或等于分割阈值所对应的非道路区域作为耕地区域,反之,将区域边缘规整度小于分割阈值所对应的非道路区域作为非耕地区域。其中,最大类间方差法获取阈值为公知技术,具体计算过程不再详细赘述。
步骤S004,以每个像素点为中心构建设定尺寸的窗口,根据每个窗口的LBP值均值与非耕地区域中每个区域的LBP值均值的差异,计算对应区域的内部规整系数,基于区域内部规整系数获取生活用地区域;根据每个区域与其周围区域之间的灰度分布差异,计算非耕地区域中每个剩余区域的区域平整度,根据区域平整度将剩余区域划分为水体区域和草地区域。
具体的,对于非耕田区域,以每个像素点为窗口中心点构建窗口,其窗口的大小取55,利用窗口遍历非耕田区域下的每个区域,如果是草地区域,区域内部像素点的灰度值变化很小,而如果是生活用地,由于建筑设施等存在,一个生活区域内存在较多的边缘结果,如果是水体区域,区域内部像素点的灰度变化同样很小,基于上述特征构建区域的内部规整系数。以非耕地区域下的一个区域为例,获取该区域的内部规整系数的方法为:分别计算该区域中以每个像素点为中心的窗口内的第一LBP值均值以及该区域的第二LBP值均值,分别计算每个第一LBP值均值与第二LBP值均值的差值平方,将差值平方的总和与对应窗口的数量的比值作为该区域的内部规整系数,则内部规整系数的计算公式为:
区域内部规整系数反映了区域Q内部的像素点之间的灰度变化,区域内部规整系数/>越大,说明区域Q内越有可能存在多个边缘结果,越有可能对应生活用地,因此设置第一评价阈值/>,/>经验值取10,如果区域对应的区域内部规整系数大于第一评价阈值/>,认为此区域对应的土地信息是生活用地,则将该区域作为生活用地区域。
将非耕地区域中的非生活用地区域作为剩余区域,考虑到每个剩余区域与周围其他区域的灰度分布变化情况,构建每个剩余区域的区域平整度,用于表征当前区域与周围区域之间的土地信息的近似程度,近似程度越大,说明当前区域的局部纹理特征变化越小,则当前区域越可能是区域内部整齐分布的草地区域,因此以一个剩余区域为例,计算该剩余区域的区域平整度,其方法为:利用上述内部规整系数的获取方法获取边缘图像中每个区域的区域内部规整系数,计算该剩余区域与其八邻域区域中每个区域之间的内部规整系数的差值平方,得到差值平方的均值作为该剩余区域的区域平整度,则区域平整度的计算公式为:
剩余区域与其八邻域中每个区域的内部规整系数的差值越小,说明该剩余区域与周围区域越相似,对应剩余区域的区域平整度越小,其区域内部的灰度变化越小,该剩余区域越可能是草地区域。
同理,计算每个剩余区域的区域平整度,根据每个剩余区域的区域平整度计算区域平整度均值,将区域平整度大于区域平整度均值所对应的剩余区域作为水体区域,将区域平整度小于或等于区域平整度均值所对应的剩余区域作为草地区域。
步骤S005,对土地遥感图像中的道路区域、耕地区域、生活用地区域、水体区域和草地区域设置标签,利用设置标签的土地遥感图像训练卷积神经网络,以通过对土地遥感图像进行区域分割,完成土地信息分类。
具体的,利用步骤S002-步骤S004的方法,将土地遥感图像划分为5种区域,分别为道路区域、耕地区域、生活用地区域、水体区域和草地区域以,完成了土地遥感图像的区域分类。
对土地遥感图像中的道路区域、耕地区域、生活用地区域、水体区域和草地区域设置标签,利用设置标签的土地遥感图像训练卷积神经网络,其中卷积神经网络的训练过程为:采集多张土地遥感图像组成训练集;对区域分类后的土地遥感图像设置标签,分别记为标签1、2、3、4、5,五种不同的标签,标签1对应的是耕地区域,标签2对应的是水体区域,标签3对应的是草地区域,标签4对应的是生活用地区域,标签5对应的是道路区域;卷积神经网络选用ReLU作为激活函数,交叉熵损失函数作为损失函数。其中,卷积神经网络是公知技术,不作详细赘述。
接着利用卷积神经网络模型来对土地信息分类,卷积神经网络的使用可以加快对土地分类的速度。卷积神经网络能完成对于各种土地遥感图像的语义分割,根据各个分割出来的区域完成土地信息的分类,分类后,根据耕地附近存在的生活用地和草地的存在情况与耕地的分布情况来判断耕地是否存在被周遭的生活用地占用,或者是杂草对耕地是否产生侵袭,亦或是该耕地是否抛荒,由此对耕地及周围的草地、生活用地的划分做出规划。
综上所述,本发明实施例获取土地遥感图像的灰度图像,根据灰度值获取每个像素点的LBP值,得到边缘图像;获取边缘图像中的区域,根据区域中每个像素点的LBP值,将区域划分为道路区域、耕地区域、生活用地区域、水体区域和草地区域,并设置标签,利用设置标签的土地遥感图像训练卷积神经网络,以通过对土地遥感图像进行区域分割,完成土地信息分类。本发明通过对土地遥感图像进行区域划分来设置标签,使得由卷积神经网络得到土地信息分类更加准确。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (5)
1.基于土壤遥感数据的土地信息分类管理方法,其特征在于,该方法包括以下步骤:
采集土地遥感图像,且所述土地遥感图像为RGB图像,获取所述RGB图像对应的灰度图像;
根据灰度图像中每个像素点的灰度值获取每个像素点的LBP值,统计每种LBP值对应的像素点数量,按照LBP值从大到小的顺序,计算相邻两种LBP值对应的像素点数量的差值绝对值,获取差值绝对值最大所对应的两种LBP值以取最小的LBP值作为LBP值阈值;基于LBP值阈值获取灰度图像对应的边缘图像;
获取边缘图像中的至少一个区域以及每个区域的最小外接矩形,根据最小外接矩形的长度和宽度获取道路区域;根据最小外接矩形与对应非道路区域之间的交点,获取每个非道路区域的圆形区域,基于圆形区域中每个像素点的LBP值计算对应非道路区域的区域边缘规整度;基于区域边缘规整度将非道路区域划分为耕地区域和非耕地区域;
以每个像素点为中心构建设定尺寸的窗口,根据每个窗口的LBP值均值与非耕地区域中每个区域的LBP值均值的差异,计算对应区域的内部规整系数,基于区域内部规整系数获取生活用地区域;根据每个区域与其周围区域之间的灰度分布差异,计算非耕地区域中每个剩余区域的区域平整度,根据区域平整度将剩余区域划分为水体区域和草地区域;
对土地遥感图像中的道路区域、耕地区域、生活用地区域、水体区域和草地区域设置标签,利用设置标签的土地遥感图像训练卷积神经网络,以通过对土地遥感图像进行区域分割,完成土地信息分类;
所述每个区域的圆形区域的获取方法,包括:
分别计算每个交点与对应最小外接矩形的四个顶点之间的欧式距离,得到每个交点的欧式距离总和,获取欧式距离总和最小的交点为圆心、欧式距离总和最小所对应的最小欧式距离为半径,得到对应区域的圆形区域;
所述区域边缘规整度的获取方法,包括:
获取当前非道路区域与对应圆形区域的相交区域,分别计算相交区域中每个像素点的LBP值与圆形区域的LBP值均值的差值平方,得到差值平方的第一总和;分别计算当前非道路区域的非相交区域中每个像素点的LBP值与圆形区域的LBP值均值的差值平方,得到差值平方的第二总和,以第一总和为分子、第二总和为分母得到的比值作为当前非道路区域的区域边缘规整度;
所述内部规整系数的获取方法,包括:
分别计算以非耕地区域中当前区域的每个像素点为中心的窗口内的第一LBP值均值以及当前区域的第二LBP值均值,分别计算每个第一LBP值均值与第二LBP值均值的差值平方,将差值平方的总和与对应窗口的数量的比值作为非耕地区域中当前区域的内部规整系数;
所述非耕地区域中每个剩余区域的区域平整度的获取方法,包括:
剩余区域是指非耕地区域中的非生活用地区域;获取边缘图像中每个区域的区域内部规整系数,计算当前剩余区域与其八邻域区域中每个区域之间的内部规整系数的差值平方,得到差值平方的均值作为当前剩余区域的区域平整度。
2.如权利要求1所述的基于土壤遥感数据的土地信息分类管理方法,其特征在于,所述基于LBP值阈值获取灰度图像对应的边缘图像的方法,包括:
将LBP值小于LBP值阈值的像素点的灰度值置为0、LBP值大于或等于LBP值阈值的像素点的灰度值保持不变,进而得到灰度图像对应的边缘图像。
3.如权利要求1所述的基于土壤遥感数据的土地信息分类管理方法,其特征在于,所述基于区域边缘规整度将非道路区域划分为耕地区域和非耕地区域的方法,包括:
基于每个非道路区域的区域边缘规整度,利用最大类间方差法获取分割阈值,将区域边缘规整度大于或等于分割阈值所对应的非道路区域作为耕地区域,反之,将区域边缘规整度小于分割阈值所对应的非道路区域作为非耕地区域。
4.如权利要求1所述的基于土壤遥感数据的土地信息分类管理方法,其特征在于,所述基于区域内部规整系数获取生活用地区域的方法,包括:
设置第一评价阈值,将区域内部规整系数大于第一评价阈值所对应的非耕地区域中的区域作为生活用地区域。
5.如权利要求1所述的基于土壤遥感数据的土地信息分类管理方法,其特征在于,所述根据区域平整度将剩余区域划分为水体区域和草地区域的方法,包括:
根据每个剩余区域的区域平整度计算区域平整度均值,将区域平整度大于区域平整度均值所对应的剩余区域作为水体区域,将区域平整度小于或等于区域平整度均值所对应的剩余区域作为草地区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273814.3A CN115631372B (zh) | 2022-10-18 | 2022-10-18 | 基于土壤遥感数据的土地信息分类管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273814.3A CN115631372B (zh) | 2022-10-18 | 2022-10-18 | 基于土壤遥感数据的土地信息分类管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115631372A CN115631372A (zh) | 2023-01-20 |
CN115631372B true CN115631372B (zh) | 2023-06-09 |
Family
ID=84905842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211273814.3A Active CN115631372B (zh) | 2022-10-18 | 2022-10-18 | 基于土壤遥感数据的土地信息分类管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631372B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129278B (zh) * | 2023-04-10 | 2023-06-30 | 牧马人(山东)勘察测绘集团有限公司 | 一种基于遥感影像的土地利用分类识别系统 |
CN117036986B (zh) * | 2023-10-10 | 2023-12-22 | 北京佰信蓝图科技股份有限公司 | 一种以现状耕地空间分布预测农田集中连片度的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6200821B2 (ja) * | 2014-01-29 | 2017-09-20 | 株式会社パスコ | 林相解析装置、林相解析方法及びプログラム |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN109476310B (zh) * | 2016-12-30 | 2021-11-12 | 同济大学 | 一种基于舒适度的自动驾驶车速控制方法 |
CN107292339B (zh) * | 2017-06-16 | 2020-07-21 | 重庆大学 | 基于特征融合的无人机低空遥感影像高分地貌分类方法 |
CN109657598B (zh) * | 2018-12-13 | 2020-05-05 | 宁波大学 | 基于分层策略的滨海湿地遥感分类方法 |
CN113392748B (zh) * | 2021-06-07 | 2023-06-30 | 中国煤炭地质总局勘查研究总院 | 一种基于卷积神经网络的遥感影像耕地信息提取方法 |
-
2022
- 2022-10-18 CN CN202211273814.3A patent/CN115631372B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115631372A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115631372B (zh) | 基于土壤遥感数据的土地信息分类管理方法 | |
US8224089B2 (en) | Information processing device and information processing method, image processing device and image processing method, and computer program | |
CN107016677B (zh) | 一种基于fcn和cnn的云图分割方法 | |
Ma et al. | Infrared and visible image fusion via detail preserving adversarial learning | |
CN108549892B (zh) | 一种基于卷积神经网络的车牌图像清晰化方法 | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN110363719B (zh) | 一种细胞分层图像处理方法及系统 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN110276365B (zh) | 一种用于sar图像海冰分类的卷积神经网络的训练方法及其分类方法 | |
CN115908371B (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN110335322B (zh) | 基于图像的道路识别方法及道路识别装置 | |
CN112116621A (zh) | 一种合成孔径雷达图像快速多尺度超像素分割方法 | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及系统 | |
CN113486894A (zh) | 一种卫星图像特征部件语义分割方法 | |
CN115049834B (zh) | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 | |
Qu et al. | Interactive image segmentation based on the appearance model and orientation energy | |
CN112785608B (zh) | 一种基于自适应参数改进snic的医学图像分割方法 | |
Zhang et al. | Semiautomatic right-angle building extraction from very high-resolution aerial images using graph cuts with star shape constraint and regularization |
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 |