CN116071665A - 基于卫星影像的松材线虫病病害木提取方法和装置 - Google Patents
基于卫星影像的松材线虫病病害木提取方法和装置 Download PDFInfo
- Publication number
- CN116071665A CN116071665A CN202310078735.5A CN202310078735A CN116071665A CN 116071665 A CN116071665 A CN 116071665A CN 202310078735 A CN202310078735 A CN 202310078735A CN 116071665 A CN116071665 A CN 116071665A
- Authority
- CN
- China
- Prior art keywords
- image
- image object
- condition
- objects
- lab
- 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
- 238000000034 method Methods 0.000 title claims abstract description 109
- 239000002023 wood Substances 0.000 title claims abstract description 70
- 241000243771 Bursaphelenchus xylophilus Species 0.000 title claims abstract description 40
- 201000010099 disease Diseases 0.000 title claims abstract description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 241000218631 Coniferophyta Species 0.000 claims abstract description 26
- 241000196324 Embryophyta Species 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000007717 exclusion Effects 0.000 claims description 51
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 17
- 235000011613 Pinus brutia Nutrition 0.000 claims description 17
- 241000018646 Pinus brutia Species 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 241000243770 Bursaphelenchus Species 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000244206 Nematoda Species 0.000 description 1
- 235000005018 Pinus echinata Nutrition 0.000 description 1
- 241001236219 Pinus echinata Species 0.000 description 1
- 235000013264 Pinus jeffreyi Nutrition 0.000 description 1
- 235000016013 Pinus leiophylla var chihuahuana Nutrition 0.000 description 1
- 206010049155 Visual brightness Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 235000013490 limbo Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000001054 red pigment Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06V20/13—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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于卫星影像的松材线虫病病害木提取方法和装置,涉及遥感图像目标识别技术领域,包括:获取高分辨率卫星正射融合影像;对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;根据多尺度分割、融合影像及Lab色彩空间图像,得到多个影像对象;在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。
Description
技术领域
本申请涉及遥感图像目标识别技术领域,尤其涉及一种基于卫星影像的松材线虫病病害木提取方法和装置。
背景技术
松材线虫病因其破坏性强、传播速度快和防治难度大等特点,严重威胁着我国的松林资源。因此,利用高空间分辨率的遥感影像,对松材线虫病变色松树(病害木)进行监测,以及时发现、定位和清理病害木来控制松材线虫病的蔓延。
在相关技术中,在获取高空间分辨率的遥感影像后,确定该遥感影像中的感兴趣区影像对象,并提取感兴趣区影像对象中的红色部分,将其确定为病害木。
在上述过程中,裸地、枯萎植被、变色阔叶树等干扰地物也会呈现红色,这样提取出的病害木会包括干扰地物,因此,现有技术不能准确提取单株水平的松材线虫病病害木。
发明内容
鉴于上述问题,本申请提出了一种基于卫星影像的松材线虫病病害木提取方法和装置,本申请可以准确在高分辨率卫星影像上提取单株水平的松材线虫病病害木。
为达到上述目的,本申请主要提供如下技术方案:
第一方面,本申请提供一种基于卫星影像的松材线虫病病害木提取方法,所述方法包括:
获取高分辨率卫星正射融合影像;
对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;
根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象;
在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;
根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;
根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。
第二方面,本申请还提供了一种基于卫星影像的松材线虫病病害木提取装置,所述装置包括:
获取单元,用于获取高分辨率卫星正射融合影像;
预处理单元,用于对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;
第一分割单元,用于根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象;
确定单元,用于在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;
第二分割单元,用于根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;
去除单元,用于根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。
第三方面,本申请还提供了一种电子设备,所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;其中,处理器、存储器通过总线完成相互间的通信;处理器用于调用存储器中的程序指令,以执行上述第一方面的基于卫星影像的松材线虫病病害木提取方法。
第四方面,本申请还提供一种存储介质,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行上述第一方面的基于卫星影像的松材线虫病病害木提取方法。
借由上述技术方案,本申请提供的一种基于卫星影像的松材线虫病病害木提取方法和装置,获取高分辨率卫星正射融合影像;对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象;在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。也就是说,本申请得到的单株水平病害木是去除干扰地物的病害木提取结果,因此,本申请提取得到的病害木更加的准确。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请实施例提出的一种基于卫星影像的松材线虫病病害木提取方法的流程图;
图2示出了本申请实施例提出的一种基于卫星影像的松材线虫病病害木提取装置的结构示意图;
图3示出了本申请实施例提出的另一种基于卫星影像的松材线虫病病害木提取装置的结构示意图;
图4示出了本申请实施例提出的一种设备的框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
松材线虫病因其破坏性强、传播速度快和防治难度大等特点,严重威胁着我国的松林资源。因此,利用高空间分辨率的遥感影像,对松材线虫病变色松树(病害木)进行监测,以及时发现、定位和清理病害木来控制松材线虫病的蔓延。
在相关技术中,在获取高空间分辨率的遥感影像后,确定该遥感影像中的植被区域,并提取植被区域中的红色部分,将其确定为病害木。
在上述过程中,裸地、枯萎植被、变色阔叶树等干扰地物也会呈现红素,这样提取出的病害木会包括干扰地物,因此,现有技术不能准确提取单株水平松材线虫病病害木。
为解决上述问题,本申请提供了一种基于卫星影像的松材线虫病病害木提取方法,该方法可以准确在高分辨率卫星影像上提取单株水平的松材线虫病病害木。其具体执行步骤如图1所示,包括:
步骤101,获取高分辨率卫星正射融合影像。
在实施中,北京系列第三代卫星国际合作星的全色影像空间分辨率达0.3米,多光谱影像空间分辨率为1.2米且有深蓝、蓝、绿、红、红边、近红外等6个光谱波段。通过RPC参数和地面控制资料,对全色影像和多光谱影像进行正射校正,然后将正射后的全色影像和多光谱影像使用具有高保真度的Pansharp方法进行融合,得到的融合影像。该融合图像兼具全色影像空间分辨率高和多光谱影像光谱信息丰富的特点,为高分辨率卫星正射融合影像。由于只需要用到蓝、绿、红、近红外这4个波段,因此,正射融合影像只保留这4个波段且波段顺序按照蓝、绿、红、近红外的顺序排列。
步骤102,对融合影像进行数据预处理,得到Lab色彩空间图像和特征图像。
由于Lab色彩空间变换要求输入影像的位深为8比特,而高分辨率遥感卫星融合影像往往不是8比特,因此,可以先判断融合影像的位深是否为8比特,如果否,则需要使用截断线性拉伸方法将融合影像的位深转为8比特。之后,对转换后的图像再次进行转换,得到Lab色彩空间图像。
在上述过程中,当融合影像的位深为16比特时,使用截断线性拉伸方法将融合影像的位深转为8比特,具体过程为:首先,统计蓝、绿、红、红外中每个波段的像元值的直方图分布,其中,像元值为0的像元不参加统计。其次,确定直方图两端需要截断的百分比值,本实施例中将截断的最小百分比设置为2%,最大百分比设置为95%。然后,对近蓝、绿、红、红外(B、G、R、NIR)这四个波段中的每个波段,进行如下操作:1)确定最小百分比和最大百分比在直方图中所对应的像元值。分别记作truncated_lower和truncated_upper。2)假设每个像元的像元值为current_value,按照如下公式进行运算:OutputValue=(current_value–truncated_lower)/(truncated_upper-truncated_lower)*255。另外,如果OutputValue的值小于0,则将其置为0;如果OutputValue的值大于255,则将其置为255。
对转换后的图像再次进行色彩空间变换,得到Lab色彩空间图像的具体过程为:RGB色彩空间图像先转换成XYZ色彩空间图像,再由XYZ色彩空间图像转为Lab色彩空间。为了能与常规的8比特影像图像的值域一致,在标准的的CIE Lab色彩空间图像计算结果的基础上,L、a、b三个分量各自加上一个数值C,并进行取整,得到本步骤使用的Lab色彩空间图像。因此,本步骤的转换包括两个过程,一个是由RGB色彩图像转换成XYZ色彩空间图像,再由XYZ色彩空间图像转换成本步骤所使用的Lab色彩空间图像。
由RGB色彩空间图像转换成Lab色彩空间图像需要先转为XYZ色彩空间图像,转换过程的计算公式如下:
X=var_R*0.4124+var_G*0.3576+var_B*0.1805
Y=var_R*0.2126+var_G*0.7152+var_B*0.0722
Z=var_R*0.0193+var_G*0.1192+var_B*0.9505
其中,
其中,R为RGB影像中每个像元对应的红波段值,G为RGB影像中每个像元对应的绿波段值,B为RGB影像中每个像元对应的蓝波段值。
之后,由XYZ色彩空间图像转换成本步骤所使用的Lab色彩空间图像的计算公式如下:
CIE_Lab_L=116f(Y/Yn)-16
CIE_Lab_a=500[f(X/Xn)-f(Y/Yn)]
CIE_Lab_b=200[f(Y/Yn)-f(Z/Zn)]
Lab_L=INT(CIE_Lab_L+C)
Lab_a=INT(CIE_Lab_a+C)
Lab_b=INT(CIE_Lab_a+C)
其中,CIE_Lab_L、CIE_Lab_a、CIE_Lab_b分别为标准的CIE Lab色彩空间变换后的L、a、b三个分量;Lab_L、Lab_a、Lab_b分别为本步骤所使用的Lab色彩空间图像的L、a、b三个分量;INT表示向下取整函数;C为本步骤中使用的偏移量,本实施例中取值150;X、Y、Z分别为XYZ色彩空间图像的X、Y、Z三个分量;Xn、Yn、Zn为CIE标准照明体的三刺激值(Xn=95.047;Yn=100.000;Zn=108.883)。
函数f(t)的计算公式如下:
需说明的是,C的确定方法如下:
-min(Lmin,amin,bmin)≤C≤255-max(Lmax,amax,bmax)
其中,Lmin表示标准CIE Lab色彩空间图像中L分量CIE_Lab_L的最小值,;amin表示标准CIE Lab色彩空间图像中a分量CIE_Lab_a的最小值;bmin表示标准Lab色彩空间图像中b分量CIE_Lab_b的最小值;Lmax表示标准Lab色彩空间图像中L分量CIE_Lab_L的最大值;amax表示标准CIE Lab色彩空间图像中a分量CIE_Lab_a的最大值;bmax表示标准CIE Lab色彩空间图像中b分量Lab_b的最大值。
另外,还需要根据Lab色彩空间图像,构建特征图像的具体过程为:基于真彩色组合下影像上的目视效果,构造特征图像F(L,a,b),用于初判影像对象的分割和松材线虫病变色树的辅助判断。
特征图像的构造原则是:
(1)红色程度越高的像元,其在特征图像上的像元值越大;
(2)红色程度和亮度相同情况下,黄色程度大的像元在特征图像上的像元值也大,从而对黄色的松材线虫病变色松树也有一定的辨识能力;
(3)红色程度和黄色程度相同情况下,亮度大的像元在特征图像上的像元值也大,从而能减弱阴影的影响;
(4)红色系的目标,其在特征图像上像元的值大于C,且绿色系的背景在特征图像上像元的值小于C。
基于上述原则,可以构造出很多符合条件的特征图像,例如:
F(L,a,b)=(3*Lab_a+Lab_b+Lab_L)/5
其中,F(L,a,b)为特征图像上每个像元对应的像元值,Lab_a为Lab色彩空间图像中a分量的值,Lab_b为Lab色彩空间图像中b分量的值,Lab_L为Lab色彩空间图像中L分量的值。
另外,还可以构建Lab_a图像的梯度幅值图像,Lab_a图像的梯度幅值图像计算公式如下:
Lab_a_Gradient=(AX+AY)^0.5
步骤103,根据多尺度分割算法、融合影像及Lab色彩空间图像,得到多个影像对象。
在实施中,如果要得到多个影像对象,需要先获取到融合影像对应的真彩色组合下的Lab色彩空间图像。之后,根据多尺度分割算法,对融合影像和Lab色彩空间图像进行分割,得到多个影像对象。具体步骤为:获取融合影像的NIR、R、G、B层;获取Lab色彩空间图像中的Lab_L、Lab_a、Lab_b层;根据多尺度分割算法,对融合影像中的NIR、R、G、B层以及Lab色彩空间图像中的Lab_L、Lab_a、Lab_b层进行分割,得到多个影像对象。
其中,多尺度分割方法是通过设置参与分割的特征图层的权重以及分割后对象形状异质性、光谱异质性、紧凑度将影像分割成不同尺度对象的过程,分割后对象间的异质性最大,对象内部像元之间同质性最大。本实施例中,多尺度分割选择尺度参数为200,形状参数为0.1,紧实度参数为0.5。参与分割的图层包括Lab_L、Lab_a、Lab_b、NIR、R、G、B。分割后得到由影像对象组成的影像对象层,其中,每个影像对象的初始类别均为“未分类”。
步骤104,在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象。
在本步骤的具体实施方式中,在多个影像对象中,每个影像对象的初始类别为未分类,将满足非林地判断条件的影像对象的类别确定为非林地,得到非林地影像对象;在除非林地影像对象之外的影像对象中,将满足非目标判断条件的影像对象的类别确定为非目标,得到非目标影像对象;在非目标影像对象中,将满足针叶林判断条件的影像对象类别确定为针叶林影像对象,得到针叶林影像对象;根据针叶林影像对象以及类别为未分类的影像对象,确定感兴趣区影像对象。
其中,非林地判断条件为影像对象对应特征图像的像元均值大于150,且Lab_L均值大于180。非目标判断条件为影像对象对应特征图像的像元均值小于等于151。针叶林判断条件为影像对象对应的NDVI均值大于0.4、Lab_L均值小于173、且Lab_b均值小于164。
上述平均像元值为影像对象在特征图像中所有像元的像元值总和与该影像对象所有像元的总数目的商值。Lab_L均值为影像对象中所有像元的Lab_L值总和与该影像对象所有像元的总数目的商值。NDVI均值为影像对象中所有像元的NDVI值总和与该影像对象所有像元的总数目的商值。Lab_b均值为影像对象中所有像元的Lab_b值总和与该影像对象所有像元的总数目的商值。
Lab色彩空间图像中的每个像元都存在Lab_L值、Lab_a值和Lab_b值,其中,Lab_L值代表照度的大小,相当于亮度值,Lab_a值和Lab_b值用于表示色彩,Lab_a值表示从绿色到红色的范围,在150以下为绿色且值越小表示绿色程度越深,在150以上为红色且值越大表示红色程度越深;Lab_b值表示从蓝色到黄色的范围,在150以下为蓝色且值越小表示蓝色程度越深,在150以上为黄色且值越大表示黄色程度越深。NDVI值为归一化植被指数值,是描述植被覆盖和生长情况的指数。其中,NDVI值的计算公式为:NDVI=(NIR-R)/(NIR+R),其中,NIR表示近红外波段值,R表示红光波段值。
在本步骤中,根据针叶林影像对象以及类别为未分类的影像对象,确定感兴趣区影像对象的具体过程为:在类别为未分类的影像对象中,确定与针叶林影像对象的重合度小于0.3的影像对象,将其类别确定为非目标。之后,合并相邻的非目标影像对象,得到合并后的非目标影像对象。确定合并后的非目标影像对象中面积小于800像元的影像对象,将其类别设置为未分类。将类别为未分类的影像对象,确定为感兴趣区影像对象。
步骤105,根据感兴趣区影像对象以及自动阈值法,基于特征图像,对感兴趣区影像对象进行最优分割,得到松材线虫病变色松树的初判影像对象。
在本步骤的具体实施方式中,根据感兴趣区影像对象以及自动阈值法,基于步骤102确定出的特征图像,对感兴趣区影像对象进行最优分割,得到松材线虫病变色松树的初判影像对象的具体步骤为:确定感兴趣区影像对象在特征图像中对应的第一区域;根据第一区域,使用自动阈值法,基于特征图像,对感兴趣区影像对象进行最优分割,得到松材线虫病变色松树的初判影像对象。
在实施中,使用自动阈值法,基于特征图像,进行最优分割的具体步骤为:
1)统计感兴趣区影像对象在特征图像上的各像元值的个数,并对这些个数值按照像元值从小到大排序,并计算相应的累计百分位,从而可以获取任一百分位对应的像元值。取百分位值为10时对应的像元值作为最优阈值法分割中阈值迭代的初始值,即最小值;取百分位值为90时对应的像元值作为最优阈值法分割中阈值迭代的最大值。
2)使用自动阈值的方法,针对第一区域对应的特征图像,以最小值作为最小阈值,最大值作为最大阈值,以1为步长,获取感兴趣区影像对象内的最优分割阈值(first_seg_thresh)。例如,本实施例的试验区中,最优分割阈值为156.125。
3)以该最优分割阈值对感兴趣区影像对象的特征图像进行分割,并将特征图像的像元值均值高于预设阈值的对象确定为初判影像对象。
步骤106,根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。
在实施中,根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木的具体步骤为:根据第一干扰地物去除方法,去除初判影像对象中的干扰地物,得到第二影像对象;根据分水岭算法以及满足分割条件的第二影像对象,得到第三影像对象;根据第二干扰地物去除方法,去除所述第三影像对象中的干扰地物,得到第四影像对象;将不满足分割条件的第二影像对象和第四影像对象,确定为松材线虫病变色松树的影像对象,得到单株水平的病害木。
其中分割条件为该影像对象中的像元数目大于500,或者长宽比大于1.5,或者长度大于25或者边界指数大于1.5。边界指数用来描述对象边界凸凹不平的程度,计算公式为其中,P表示周长,L表示长度,W表示宽度。
在实施中,第一干扰地物去除方法包括第一排除条件和第二排除条件,本步骤中根据第一干扰地物去除方法,去除初判影像对象中的干扰地物,得到第二影像对象的具体步骤为:排除满足所述第一排除条件的初判影像对象,得到第五影像对象;根据分水岭分割算法和满足第一筛选条件的第五影像对象,确定第六影像对象;将不满足第一筛选条件的第五影像对象和满足第二筛选条件的第六影像对象,得到第七影像对象;在所述第七影像对象中,排除第二排除条件的第七影像对象,得到第二影像对象。
其中,本步骤的第一排除条件可以根据以下特征确定。例如,1、通过初判影像对象自身的大小和形状特征确定第一排除条件。1)根据窄小的影像对象确定第一排除条件。根据专家知识,松材线虫病变色松树的冠幅一般在1.2米以上,对应0.3米分辨率的融合影像上大约4*4个像元。据此,根据以下3种情况的干扰地物确定为第一排除条件。因此,第一排除条件为面积小于16个像元,或着x或y方向跨度小于4个像元,或者狭长指数p_a_rate>=0的。2)根据长宽比大的影像对象,确定第一排除条件。对比影像上树冠粘连的变色松树和断断续续的山间小路,裸露状态的断续小路的长宽比(Length/Width)指标明显更大,据此,可以第一排除条件为Length/Width>3.5。3)根据亮度高的裸地对应的影像对象确定第一排除条件。在初判影像对象中,有很多与黄褐色的变色松树在颜色上类似的林中裸地,其亮度一般要高于变色松树,或者亮度稍高但对象内部明暗差异较大。据此,可以根据亮度高的裸地确定为第一排除条件。具体的第一排除条件为:a、Lab_L均值>184。b、Lab_L均值>176且Lab_L的标准差>6。c、Lab_L均值>170且Lab_L的标准差>14。5)根据在特征辅助图像上像元均值低的、以及特征辅助图像上像元均值稍低且狭窄的初判影像对象,确定第一排除条件。根据特征辅助图像构造的原则,特征辅助图像上像元值突出了红色信息,并兼顾了黄色信息及亮度信息。因此,对于松材线虫病变色松树来讲,其在特征辅助图像上的值一定是比较大的,由此,可以排除特征辅助图像上的值较小的,故第一排除条件为平均特征值小于153。以及排除特征辅助图像上的值偏小且狭长的,第一排除条件为平均特征值小于<155且狭长指数小于-0.6。2、由于可能将一些颜色上有些发红的云或裸地,识别为初判影像对象,因此,需要将这些对象排除。具体为:根据非林地影像对象的关系结合自身颜色、形状特征,确定第一排除条件。1)根据非林地影像对象旁边颜色不太绿的感兴趣区影像对象,补充到非林地影像对象中。即感兴趣区影像对象满足与非林地影像对象的边界重合度大于0,且Lab_a均值大于140的,补充到非林地影像对象中。2)第一排除条件为感兴趣区影像对象与非林地影像对象的边界重合度大于0,且Lab_a均值小于157。
另外,由于非林地影像对象旁边的初判影像对象中,一些对象内部还存在红色程度不高的像元没有分割出去的情况,因此,需要对上述影像对象进一步分割。上述筛选上述影像对象的第一筛选条件为影像对象的与非林地影像对象的边界重合度大于0.5,且圆形度大于0.2。对筛选出来的初判影像对象,使用分水岭分割算法基于Lab_a图像的梯度幅值图像进行分割。分割后的初判影像对象排除不满足条件的:Lab_a均值大于157、圆形度小于0.18、面积大于30、X方向跨度大于4且Y方向跨度大于4。即第二筛选条件为Lab_a均值大于157、圆形度小于0.18、面积大于30、X方向跨度大于4且Y方向跨度大于4。
需要说明的是,上述的边界重合度用于表示两个对象的边界重合度,计算公式为Common_border_rate=ei&j/pi,其中,ei&j表示对象i和j的重合边界长度,pi表示i对象的周长,Common_border_rate表示两个对象的边界重合度。上述标准差描述对象内部在某个特征L上的差异大小,对象内部同质性越强,标准差越小,反之亦然。计算公式为 其中,Standard_deviation L表示对象内部在特征L上的标准差,Li表示对象中的第i个像元在特征L上的值,Mean L表示对象内部在特征L上的平均值。狭长指数描述对象的狭长程度,计算公式为P_a_rate=(p-Area)/Area,其中,p表示以像元数表达的周长,Area表示以像元数表达的面积,P_a_rate表示狭长指数。圆形度描述了一个图像对象与椭圆的相似程度,为影像对象的最小外包椭圆半径与最大内包椭圆半径之差。X方向跨度描述对象在X方向的跨度,计算公式X_interval=[XMax]-[X Min],其中,X_interval为X方向跨度,[X Max]为X方向的最大值,[X Min]为X方向的最小值。Y方向跨度描述对象在Y方向的跨度,计算公式为y_interval=[Y Max]-[YMin],其中,Y_interval为Y方向跨度,[Y MaY]为Y方向的最大值,[Y Min]为Y方向的最小值。
另外,本步骤中的第二排除条件如下所示,(1)第二排除条件为初判影像对象与非林地影像对象的边界重合度大于0.7。(2)根据与非目标影像对象相邻且形状狭长的初判影像对象或平均特征值低的初判影像对象,确定第二排除条件。因此,第二排除条件为初判影像对象与非目标影像对象的边界重合度大于0且初判影像对象的狭长指数大于-0.6,或者第二排除条件为初判影像对象在特征图像上的像元均值小于154。(3)根据与非针叶林影像对象相邻,且红色程度不高的初判影像对象,确定第二排除条件。第二排除条件为初判影像对象与非针叶林影像对象的边界重合度大于0,且Lab_a均值小于157。(4)根据与类别为未分类的影像对象相邻,且在特征图像像元均值或Lab_a均值上差异小的初判影像对象,确定第二排除条件。第二排除条件为初判影像对象与类别为未分类的影像对象在特征图像像元均值上的差异度小于2或在Lab_a均值上的差异度小于1。(5)根据被类别为未分类的影像对象包围,且长度大于一定阈值的影像对象,确定第二排除条件。因此,第二排除条件为长度大于150,且与类别为未分类的影像对象的边界重合度大于0.6。(6)根据小而不规则的植被对象,确定第二排除条件。因此,第二排除条件为面积小于100,狭长指数大于-0.5,且边界指数大于1.3。
在本步骤中,由于存在两株或多株变色松树粘连在一起,作为一个对象而被提取出来的情况,因此,需要尽可能地将其切开,以便更准确地统计株树及定位。因此,本步骤使用分水岭算法进行分割,根据分水岭算法以及满足分割条件的第二影像对象,得到第三影像对象的具体步骤包括:获取满足分割条件的第二影像对象在梯度幅值图像中对应的第二区域;根据所述第二区域,使用分水岭算法,对满足分割条件的第二影像对象进行分割,得到第三影像对象。
其中,分割条件为面积大于500,长宽比大于1.5,长度大于25或者边界指数大于1.5。
由于分割后的影像对象中还可能存在干扰地物,因此,还需要去除第三影像对象中的干扰地物。为了去除三影像对象中的干扰地物,本步骤的第二干扰地物去除方法包括第三排除条件和第四排除条件,所述根据第二干扰地物去除方法,去除所述第三影像对象中的干扰地物,得到第四影像对象的具体步骤为:排除满足第一排除条件的第三影像对象,将剩余的第三影像对象,确定为第八影像对象;合并相邻的第八影像对象,得到合并后的第八影像对象;对合并后的第八影像对象进行修正处理,得到第九影像对象;排除满足第二排除条件的第九影像对象,将剩余的第九影像对象,确定为第四影像对象。
第三排除条件包括多个子条件,按照预设的顺序使用多个子条件。预设的顺序可以为以下确定子条件的顺序。
(1)根据每个第三影像对象自身特点,确定子条件。
1)由于亮度很低的对象通常为树冠的阴影。因此,子条件为Lab_L均值小于151。
2)根据目视看颜色不红的影像对象,确定子条件。因此,子条件为Lab_a均值小于153。
2)根据目视亮度较高且不太红的影像对象,确定子条件。因此,子条件为Lab_L均值大于180且Lab_a均值小于160。
3)根据第三影像对象与相邻类别为未分类的影像对象在特征图像上的像元均值上的差异不大,确定子条件。因此,子条件为第三影像对象与相邻类别为未分类的影像对象在特征图像上的像元均值上的差异值小于1。
4)子条件为特征图像上的像元均值小于155。
(2)根据与相邻的第三影像对象的对比关系进行排除,需要注意的是,其中涉及到的相邻同类对象个数会随着排除的进行而减少,因此,排除规则是有先后顺序的。
1)根据Lab_a均值比相邻的同类对象低,且红色程度不强的第三影像对象,确定子条件。因此,子条件为第三影像对象与相邻的同类对象在Lab_a均值上的差值小于0,且Lab_a均值小于157。
2)根据与面积小于21个像元且没有相邻的同类对象的第三影像对象,确定子条件,因此,子条件为Common_border_rate current_class=0且面积小于21。
3)根据相邻的同类对象数大于4且红色程度不如相邻的同类对象且亮度较大的第三影像对象。因此,子条件为相邻的同类对象数大于4、与相邻同类对象在Lab_a均值上的差值小于0且Lab_L均值小于168。
4)根据相邻的同类对象数大于2且红色程度较低且亮度较低的第三影像对象,确定子条件。因此子条件为相邻的同类对象数大于2,Lab_a均值小于155且Lab_L均值小于155。
5)根据相邻的同类对象数大于1且面积小于15个像元的第三影像对象,确定子条件。因此,子条件为相邻的同类对象数大于1且面积小于15。
6)根据相邻的同类对象数大于1且亮度值较低的第三影像对象,确定子条件。因此,子条件为相邻的同类对象数大于1且Lab_L均值小于155。
7)根据相邻的同类对象数大于1且红色程度明显低于相邻同类对象且亮度值较高的第三影像对象,确定子条件。因此,子条件为相邻的同类对象数大于1,Lab_L均值大于180且与相邻同类对象在Lab_a均值上的差值小于7。
第四排除条件为下面几种情况,具体为:
1)根据相邻的同类对象数大于1且红色程度不高的第九影像对象,确定第四排除条件。因为,第四排除条件为相邻的同类对象数大于1,且Lab_a均值小于158。
2)根据亮度偏高或偏低的第九影像对象,确定第四排除条件。因此,第四排除条件为Lab_L均值大于178或Lab_L均值小于158。
3)根据相邻的同类对象数大于0且面积小于30个像元的第九影像对象,确定第四排除条件。因此,第四排除条件为相邻的同类对象数大于0,且面积小于30。
4)根据被同类对象包围着的第九影像对象,确定第四排除条件。因此,第四排除条件为与同类对象的边界重合度大于0.5。
5)根据红色程度很低的第九影像对象,确定第四排除条件。因此,第四排除条件为Lab_a均值小于153。
6)根据X或Y方向跨度小于5的窄条对象,确定第四排除条件。因此,第四排除条件为X或Y方向跨度小于5。
在上述过程中,对合并后的第八影像对象进行修正处理,得到第九影像对象的具体过程为:由于有些属于病害木树冠的对象被排除了,如果不进行修正,会影响病害木树冠中心位置的定位。因此,还需要对合并后的第八影像对象进行如下修正:合并后的第八影像对象向着基于第三排除条件和第四排除条件排除的影像对象方向生长10个像元。生长过程中,以特征图像中与第八影像对象相邻的每个像元的值进行约束,如果待生长像元的值小于156,则停止生长。
在本申请实施例中,获取高分辨率卫星正射融合影像;对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象;在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。本申请在得到病害木的初判影像对象后,还根据干扰地物去除方法,去除初判影像对象中的干扰地物,得到单株水平的病害木。也就是说,本申请得到的单株水平的病害木是去除干扰地物且树冠粘连的病害木得到切开的区域,因此,本申请提取得到的单株水平的病害木更加的准确。
进一步的,作为对上述图1所示方法实施例的实现,本申请实施例提供了一种基于卫星影像的松材线虫病病害木提取装置,该装置可以准确在高分辨率卫星影像上提取单株水平的松材线虫病病害木。该装置的实施例与前述方法实施例对应,为便于阅读,本实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。具体如图2所示,该装置包括:
获取单元201,用于获取高分辨率卫星正射融合影像;
预处理单元202,用于对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;
第一分割单元203,用于根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象;
确定单元204,用于在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;
第二分割单元205,用于根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;
去除单元206,用于根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。
可选的,如图3所示,第一分割单元202,包括:
第一获取模块2021,用于获取所述融合影像的R、G、B层;
第二获取模块2022,用于获取所述Lab色彩空间图像中的Lab_L、Lab_a、Lab_b层;
第一分割模块2023,用于根据多尺度分割算法,对所述融合影像中的NIR、R、G、B层以及Lab色彩空间图像中的Lab_L、Lab_a、Lab_b层进行分割,得到多个影像对象。
可选的,如图3所示,确定单元204,包括:
第一确定模块2041,用于在多个影像对象中,每个影像对象的初始类别为未分类,将满足非林地判断条件的影像对象的类别确定为非林地,得到非林地影像对象;
第二确定模块2042,用于在除非林地影像对象之外的影像对象中,将满足非目标判断条件的影像对象的类别确定为非目标,得到非目标影像对象;
第三确定模块2043,用于在非目标影像对象中,将满足针叶林判断条件的影像对象类别确定为针叶林,得到针叶林影像对象;
第四确定模块2044,用于根据针叶林影像对象以及类别为未分类的影像对象,确定感兴趣区影像对象。
可选的,如图3所示,所述第二分割单元205,包括:
第五确定模块2051,用于确定所述感兴趣区影像对象在所述特征图像中对应的第一区域;
第二分割模块2052,用于根据所述第一区域,使用自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象。
可选的,如图3所示,所述去除单元206,包括:
第一去除模块2061,用于根据第一干扰地物去除方法,去除初判影像对象中的干扰地物,得到第二影像对象;
第三分割模块2062,用于根据分水岭算法以及满足分割条件的第二影像对象,得到第三影像对象;
第二去除模块2063,用于根据第二干扰地物去除方法,去除所述第三影像对象中的干扰地物,得到第四影像对象;
第六确定模块2064,用于将不满足分割条件的第二影像对象和第四影像对象,确定为松材线虫病变色松树的影像对象,得到单株水平的病害木。
可选的,如图3所示,所述第三分割单元2062,还用于:
获取满足分割条件的第二影像对象在所述梯度幅值图像中对应的第二区域;
根据所述第二区域,使用分水岭算法,对所述满足分割条件的第二影像对象进行分割,得到第三影像对象。
可选的,如图3所示,第一干扰地物去除方法包括第一排除条件和第二排除条件,所述第一去除模块2061,还用于:
排除满足所述第一排除条件的初判影像对象,得到第五影像对象;
根据分水岭分割算法和满足第一筛选条件的第五影像对象,确定第六影像对象;
将不满足第一筛选条件的第五影像对象和满足第二筛选条件的第六影像对象合并为一类,得到第七影像对象;
在所述第七影像对象中,排除第二排除条件的第七影像对象,得到第二影像对象。
进一步的,本申请实施例还提供一种电子设备,所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;其中,处理器、存储器通过总线完成相互间的通信;处理器用于调用存储器中的程序指令,以执行上述图1所述的基于卫星影像的松材线虫病病害木提取方法。
进一步的,本申请实施例还提供一种存储介质,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行上述图1所述的基于卫星影像的松材线虫病病害木提取方法。
图4是本申请实施例提供的一种设备40的框图。该设备40包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403;其中,处理器401、存储器402通过总线403完成相互间的通信。处理器401用于调用存储器402中的程序指令,以执行上述的基于卫星影像的松材线虫病病害木提取方法。本文中的设备可以是服务器(例如:本地服务器或者云端服务器)、智能手机、平板电脑、PDA、便携计算机,也可以是台式计算机等固定终端等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与根据在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要索的过程、方法、商品或者设备不仅包括那些要索,而且还包括没有明确列出的其他要索,或者是还包括为这种过程、方法、商品或者设备所固有的要索。在没有更多限制的情况下,由语句“包括一个……”限定的要索,并不排除在包括要索的过程、方法、商品或者设备中还存在另外的相同要索。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于卫星影像的松材线虫病病害木提取方法,其特征在于,所述方法包括:
获取高分辨率卫星正射融合影像;
对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;
根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象;
在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;
根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;
根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。
2.根据权利要求1所述的方法,其特征在于,所述根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象,包括:
获取所述融合影像的NIR、R、G、B层;
获取所述Lab色彩空间图像中的Lab_L、Lab_a、Lab_b层;
根据多尺度分割算法,对所述融合影像中的NIR、R、G、B层以及Lab色彩空间图像中的Lab_L、Lab_a、Lab_b层进行分割,得到多个影像对象。
3.根据权利要求1所述的方法,其特征在于,所述在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象,包括:
在多个影像对象中,每个影像对象的初始类别为未分类,将满足非林地判断条件的影像对象的类别确定为非林地,得到非林地影像对象;在除非林地影像对象之外的影像对象中,将满足非目标判断条件的影像对象的类别确定为非目标,得到非目标影像对象;在非目标影像对象中,将满足针叶林判断条件的影像对象类别确定为针叶林,得到针叶林影像对象;根据针叶林影像对象以及类别为未分类的影像对象,确定感兴趣区影像对象。
4.根据权利要求1所述的方法,其特征在于,所述根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象,包括:
确定所述感兴趣区影像对象在所述特征图像中对应的第一区域;
根据所述第一区域,使用自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象。
5.根据权利要求1所述的方法,其特征在于,所述根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木,包括:
根据第一干扰地物去除方法,去除初判影像对象中的干扰地物,得到第二影像对象;
根据分水岭算法以及满足分割条件的第二影像对象,得到第三影像对象;
根据第二干扰地物去除方法,去除所述第三影像对象中的干扰地物,得到第四影像对象;
将不满足分割条件的第二影像对象和第四影像对象,确定为松材线虫病变色松树的影像对象,得到单株水平的病害木。
6.根据权利要求5所述的方法,其特征在于,所述根据分水岭算法以及满足分割条件的第二影像对象,得到第三影像对象,包括:
获取满足分割条件的第二影像对象在所述梯度幅值图像中对应的第二区域;
根据所述第二区域,使用分水岭算法,对所述满足分割条件的第二影像对象进行分割,得到第三影像对象。
7.根据权利要求5所述的方法,其特征在于,第一干扰地物去除方法包括第一排除条件和第二排除条件,所述根据第一干扰地物去除方法,去除初判影像对象中的干扰地物,得到第二影像对象,包括:
排除满足所述第一排除条件的初判影像对象,得到第五影像对象;
根据分水岭分割算法和满足第一筛选条件的第五影像对象,确定第六影像对象;
将不满足第一筛选条件的第五影像对象和满足第二筛选条件的第六影像对象合并为一类,得到第七影像对象;
在所述第七影像对象中,排除第二排除条件的第七影像对象,得到第二影像对象。
8.一种基于卫星影像的松材线虫病病害木提取装置,其特征在于,所述装置包括:
获取单元,用于获取高分辨率卫星正射融合影像;
预处理单元,用于对所述融合影像进行数据预处理,得到Lab色彩空间图像和特征图像;
第一分割单元,用于根据多尺度分割算法、所述融合影像及所述Lab色彩空间图像,得到多个影像对象;
确定单元,用于在多个影像对象中,根据非林地判断条件、非目标判断条件以及针叶林判断条件,确定感兴趣区影像对象;
第二分割单元,用于根据感兴趣区影像对象以及自动阈值法,基于所述特征图像,对所述感兴趣区影像对象进行最优分割,得到病害木的初判影像对象;
去除单元,用于根据第一干扰地物去除方法、第二干扰地物去除方法以及分水岭算法,去除初判影像对象中的干扰地物,得到单株水平的病害木。
9.一种电子设备,其特征在于,所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;其中,处理器、存储器通过总线完成相互间的通信;处理器用于调用存储器中的程序指令,以执行权利要求1-7中任意一项所述的基于卫星影像的松材线虫病病害木提取方法。
10.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的基于卫星影像的松材线虫病病害木提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310078735.5A CN116071665B (zh) | 2023-01-17 | 2023-01-17 | 基于卫星影像的松材线虫病病害木提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310078735.5A CN116071665B (zh) | 2023-01-17 | 2023-01-17 | 基于卫星影像的松材线虫病病害木提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071665A true CN116071665A (zh) | 2023-05-05 |
CN116071665B CN116071665B (zh) | 2023-11-24 |
Family
ID=86179836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310078735.5A Active CN116071665B (zh) | 2023-01-17 | 2023-01-17 | 基于卫星影像的松材线虫病病害木提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071665B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012088876A (ja) * | 2010-10-19 | 2012-05-10 | Hitachi Ltd | スペクトル情報抽出装置 |
CN111274871A (zh) * | 2020-01-07 | 2020-06-12 | 西南林业大学 | 基于轻小型无人机的森林火灾林木受损程度提取方法 |
KR20210047228A (ko) * | 2019-10-21 | 2021-04-29 | 배재대학교 산학협력단 | 시맨틱 분할을 이용한 소나무 재선충 확산 방지 시스템 및 방법 |
CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
CN114387528A (zh) * | 2021-12-29 | 2022-04-22 | 浙江同创空间技术有限公司 | 松材线虫病监测天空地一体化监测方法 |
CN115311588A (zh) * | 2022-09-16 | 2022-11-08 | 航天宏图信息技术股份有限公司 | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 |
-
2023
- 2023-01-17 CN CN202310078735.5A patent/CN116071665B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012088876A (ja) * | 2010-10-19 | 2012-05-10 | Hitachi Ltd | スペクトル情報抽出装置 |
KR20210047228A (ko) * | 2019-10-21 | 2021-04-29 | 배재대학교 산학협력단 | 시맨틱 분할을 이용한 소나무 재선충 확산 방지 시스템 및 방법 |
CN111274871A (zh) * | 2020-01-07 | 2020-06-12 | 西南林业大学 | 基于轻小型无人机的森林火灾林木受损程度提取方法 |
CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
CN114387528A (zh) * | 2021-12-29 | 2022-04-22 | 浙江同创空间技术有限公司 | 松材线虫病监测天空地一体化监测方法 |
CN115311588A (zh) * | 2022-09-16 | 2022-11-08 | 航天宏图信息技术股份有限公司 | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
RUN YU: ""Three-Dimensional Convolutional Neural Network Model for Early Detection of Pine Wilt Disease Using UAV-Based Hyperspectural Images"", 《REMOTE SENSING》, vol. 13, no. 20, pages 1 - 22 * |
ZEMIN HAN ET AL: ""Detection of Standing Dead Trees after Pine Wilt Disease Outbreak with Airborne Remote Sensing Imagery by Multi-Scale Spatial Attention Deep Learning and Gaussian Kernel Approach"", 《REMOTE SENSING》, vol. 14, no. 13, pages 1 - 16 * |
宗世祥等: ""基于无人机遥感的松材线虫病监测研究与展望"", 《基于无人机遥感的松材线虫病监测研究与展望》, vol. 41, no. 03, pages 45 - 51 * |
秦军: ""基于深度学习的多平台遥感松材线虫病害监测方法"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 03, pages 028 - 347 * |
Also Published As
Publication number | Publication date |
---|---|
CN116071665B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Ponti | Segmentation of low-cost remote sensing images combining vegetation indices and mean shift | |
AU2015324185B2 (en) | Multi-spectral image labeling with radiometric attribute vectors of image space representation components | |
US8682079B1 (en) | Automatic extraction of built-up footprints from high resolution overhead imagery through manipulation of alpha-tree data structures | |
CN106548160A (zh) | 一种人脸微笑检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
Su | Scale-variable region-merging for high resolution remote sensing image segmentation | |
US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN109785329B (zh) | 基于改进slic算法的紫色土图像分割提取方法 | |
Herrault et al. | Automatic extraction of forests from historical maps based on unsupervised classification in the CIELab color space | |
CN113255434B (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
Shin et al. | Postharvest citrus mass and size estimation using a logistic classification model and a watershed algorithm | |
CN114119575B (zh) | 一种空间信息变化检测方法及系统 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
Setyawan et al. | Comparison of hsv and lab color spaces for hydroponic monitoring system | |
JP6334281B2 (ja) | 林相解析装置、林相解析方法及びプログラム | |
CN116071665B (zh) | 基于卫星影像的松材线虫病病害木提取方法和装置 | |
CN107392927A (zh) | 一种亚米级遥感影像渔业网箱提取方法 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统 | |
JP6218678B2 (ja) | 林相解析装置、林相解析方法及びプログラム | |
Deng et al. | Tree crown recognition algorithm on high spatial resolution remote sensing imagery | |
CN116168290B (zh) | 基于高分辨率遥感影像及三维数据的乔灌草分类方法 |
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 |