CN116168290B - 基于高分辨率遥感影像及三维数据的乔灌草分类方法 - Google Patents
基于高分辨率遥感影像及三维数据的乔灌草分类方法 Download PDFInfo
- Publication number
- CN116168290B CN116168290B CN202211694214.4A CN202211694214A CN116168290B CN 116168290 B CN116168290 B CN 116168290B CN 202211694214 A CN202211694214 A CN 202211694214A CN 116168290 B CN116168290 B CN 116168290B
- Authority
- CN
- China
- Prior art keywords
- area
- vegetation
- shrub
- arbor
- pixels
- 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
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
- G06V20/188—Vegetation
-
- 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
- G06V10/70—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
Abstract
本申请公开了一种对遥感图像中乔灌草分类方法和装置,涉及图像识别技术领域,包括:获取目标遥感图像,所述目标遥感图像包括植被区域;根据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;根据草地参考区域、灌木参考区域和乔木参考区域分别对应的nDSM值的变化情况,对参考区域进行优化,得到草地区域、乔木区域和灌木区域。本申请可以对植被区域中的乔灌草进行准确分类。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种对遥感图像中乔灌草分类方法和装置。
背景技术
植被是生态系统的重要组成部分,制约生态系统的平衡,作为反映区域生态环境标志之一,不同植被类型所含生物量、绿化作用与生态功能也不尽相同,因此,可以通过调整不同植被类型所占比例,来调节生态环境。植被类型包括乔木、灌木、草地。因此为了获取不同植被类型所占比例,需要先对植被区域中的乔木、灌木、草地进行分类,得到乔木区域、灌木区域和草地区域,确定乔木区域、灌木区域和草地区域各自所占的比例。
在相关技术中,对植被区域中的乔木、灌木、草地进行分类的过程为:获取遥感影像,并确定该遥感影像中的植被区域。由于乔木、灌木以及草地的光谱和纹理会存在一定的差异,因此,根据植被的光谱和纹理,对植被区域进行分类,得到乔木区域、灌木区域和草地区域。
由于光谱和纹理反应的信息有限,并不能体现乔木、灌木以及草地的差异,进而不能对植被区域进行准确分类,因此,亟需一种对遥感图像中乔灌草分类方法。
发明内容
鉴于上述问题,本申请提出了一种对遥感图像中乔灌草分类方法和装置,本申请可以对植被区域中的乔灌草进行准确分类。
为达到上述目的,本申请主要提供如下技术方案:
第一方面,本申请提供一种对遥感图像中乔灌草分类方法,所述方法包括:
获取目标遥感图像,所述目标遥感图像包括植被区域;
根据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;
根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;
根据所述草地参考区域、所述灌木参考区域和所述乔木参考区域分别对应的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
第二方面,本申请还提供了一种对遥感图像中乔灌草分类装置,所述装置包括:
第一获取单元,用于获取目标遥感图像,所述目标遥感图像包括植被区域;
识别单元,用于据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;
分类单元,用于根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;
优化单元,用于根据所述草地参考区域、所述灌木参考区域和所述乔木参考区域分别对应的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
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对遥感图像中乔灌草分类方法。
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对遥感图像中乔灌草分类方法。
借由上述技术方案,本申请提供的一种对遥感图像中乔灌草分类方法和装置,获取目标遥感图像,所述目标遥感图像包括植被区域;根据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;根据所述草地参考区域、所述灌木参考区域和所述乔木参考区域分别对应的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。由于草地,灌木和乔木的高度不同,而上述过程中nDSM值代表该像素对应的植被的高度,因此,根据植被区域中每个像素对应的nDSM值,可以准确对植被区域中的草地、灌木和乔木进行划分。同时本申请还可以根据草地参考区域和乔木参考区域的nDSM值的变化情况进行优化,得到的分类结果更加准确。因此,本申请可以对植被区域中的乔灌草进行准确分类。
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对遥感图像中乔灌草分类方法的流程图;
图2示出了本申请实施例提出的一种识别植被区域方法的示意图;
图3示出了本申请实施例提出的一种对植被区域进行分类方法的示意图;
图4示出了本申请实施例提出的一种分类优化方法的示意图;
图5示出了本申请实施例提出的一种对遥感图像中乔灌草分类装置的结构示意图;
图6示出了本申请实施例提出的另一种对遥感图像中乔灌草分类装置的结构示意图;
图7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。
植被是生态系统的重要组成部分,制约生态系统的平衡,作为反映区域生态环境标志之一,不同植被类型所含生物量、绿化作用与生态功能也不尽相同,因此,可以通过调整不同植被类型所占比例,来调节生态环境,其中,植被类型包括乔木、灌木、草地。因此为了获取不同植被类型所占比例,需要先对植被区域中的乔木、灌木、草地进行分类,得到乔木区域、灌木区域和草地区域,进而确定乔木区域、灌木区域和草地区域各自所占的比例。
在相关技术中,对植被区域中的乔木、灌木、草地进行分类的过程为:获取遥感影像,并确定该遥感影像中的植被区域。由于乔木、灌木以及草地的光谱和纹理会存在一定的差异,因此,根据植被的光谱和纹理,对植被区域进行分类,得到乔木区域、灌木区域和草地区域。
由于光谱和纹理反应的信息有限,并不能体现乔木、灌木以及草地的差异,进而不能对植被区域进行准确分类。
为解决上述问题,本申请提供了一种对遥感图像中乔灌草分类方法,该方法可以对植被区域进行更加准确的分类。其具体执行步骤如图1所示,包括:
步骤101,获取目标遥感图像。
其中,目标遥感图像包括植被区域。
在本步骤的具体实施方式中,采集北京系列第三代卫星国际合作星的高分辨率立体像对数据下视影像,对影像进行大气校正、正射校正、数据融合等处理形成高分辨率正射融合影像,得到目标遥感图像。
步骤102,根据预设的图像识别算法,在目标遥感图像中,识别植被区域。
步骤103,根据植被区域中每个像素对应的nDSM值和蓝波段梯度值,对植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域。
其中,nDSM值表示对应像素的高度。
在本步骤的具体实施方式中,根据步骤101所涉及到立体像对数据,获取该图像中植被区域中每个像素的DEM数据和DSM数据,之后根据植被区域中每个像素的DEM数据和DSM数据,计算植被区域中每个像素的nDSM值。同时根据该图像的多光谱影像,获取植被区域中蓝波段的canny边缘检测结果,即每个像素的梯度值。之后根据植被区域中每个像素对应的nDSM值和蓝波段梯度值,对植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域。
步骤104,根据草地参考区域和乔木参考区域的nDSM值的变化情况,对参考区域进行优化,得到草地区域、乔木区域和灌木区域。
在本申请实施例中,获取目标遥感图像,所述目标遥感图像包括植被区域;根据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;根据草地参考区域和乔木参考区域的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。由于草地,灌木和乔木的高度不同,而上述过程中nDSM值代表该像素对应的植被的高度,因此,根据植被区域中每个像素对应的nDSM值,可以准确对植被区域中的草地、灌木和乔木进行划分。同时本申请还可以根据草地参考区域和乔木参考区域的nDSM值的变化情况进行优化,得到的分类结果更加准确。因此,本申请可以对植被区域中的乔灌草进行准确分类。
进一步的,本申请还提供了一种识别植被区域方法,该方法对步骤102中的“根据预设的图像识别算法,在目标遥感图像中,识别植被区域”进行具体介绍,如图2所示,包括:
步骤201,基于多尺度分割算法,对目标遥感图像进行分割,得到至少一个对象。
其中,多尺度分割算法基于区域异质性最小的区域合并算法,从最初的单个像元逐渐合并成较小的影像对象,再逐渐合并成较大的影像对象,完成最终分割。也就是说,对象中的像素差异性最小。
例如:将s1和s2合并成s,那么s的区域异质性公式如下:
f=wcolor.hcolor+(1-wcolor).hshape
hshape=wcompct.hcompct+(1-wcompct).hsmooth
其中f、wcolor、wcompct分别为合并异质度(分割尺度)、光谱权重、紧致度权重,hcolor和hshape分别为合并后图斑的光谱异质度和形状异质度。c为图层,wc为c层的权重,σc为c层的光谱值的标准差。obj1、obj2表示用于合并的较小的影像对象,merge表示合并后更大的影像对象。n是指对象大小,l是指对象的周长,b是指对象外切矩形的周长。
本步骤通过多次实验结合专家经验来选取最优分割尺度,并通过不同的最优尺度构建上下对象层,其中上层选取影像数据中的R、G、B、NIR波段进行多尺度分割,下层选取DSM数据进行多尺度分割。
本实验例中,基于遥感影像R、G、B、NIR波段的上层分割尺度为30,光谱权重设置为0.8,紧凑度权重设置为0.5。基于DSM分割的下层分割尺度为10,光谱权重设置为0.9,紧凑度权重设置为0.5。
步骤202,当对象为山区中的非耕地区域时,将每个像素对应的归一化植被指数值和预设的第一植被阈值,输入区域增长算法,得到对象中的植被区域。
在本步骤中,确定对象是否山区中的非耕地区域的具体步骤为:获取目标遥感图像中每个对象的位置,根据预先存储的山区的位置,确定目标遥感图像中的山区对应的对象,得到目标遥感图像中的山区区域。在确定出目标遥感图像中的山区区域之后,根据预先存储的耕地的位置,确定出山区区域中的耕地区域和非耕地区域。
之后,在确定对象为山区中的非耕地区域时,在该对象中确定出归一化植被指数值大于第一植被阈值的像素,将这些像素确定为植被像素,并将植被像素作为种子点,将对象、种子点、第一植被阈值输入区域增长算法,得到对象中的植被区域。
需要说明的是,归一化植被指数(NDVI)为是反映植被长势及覆盖程度的指标值,具体计算方法为其中DNred、DNnir分别为红波段值、近红外波段值。
进一步的,本申请还可以对区域增长算法进行具体介绍,如下所示:
区域生长算法(region growing)是指将成组的像素或区域发展成更大区域的算法。具体为:从种子点的集合开始,从这些点的区域生长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
区域生长算法的循环过程分为两步:
1、在该对象中确定出归一化植被指数值大于第一植被阈值的像素,将这些像素确定为植被像素,并将植被像素作为种子点;
2、减小第一植被阈值并添加与该对象具有邻接关系的对象,以种子点为开始,确定大于减小后的第一植被阈值的相邻像素,之后重复上述过程,
得到最终的地物分类,从而得到植被关系。
邻接关系主要是利用边界重合度用来表示两个对象的边界重合占比,具体公式如下:
式中,x为所研究对象,y为邻接对象,ex,y表示对象x和y的重合长度,px表示x对象的周长。
在本步骤中,通过减小第一植被阈值添加邻近关系进行循环提取分为两步:
第一步、取第一植被阈值的80%作为减小后的第一植被阈值,添加邻近关系Rel.border to classy大于0.8的对象,以此为条件进行循环提取地类。
第二步、取第一植被阈值的70%作为减小后的第一植被阈值,添加邻近关系Rel.border to classy大于0.9的对象,以此为条件进行循环提取地类。
步骤203,当对象为平原中的非耕地区域时,根据对象对应的平均归一化植被指数,确定植被区域。
在本步骤中,确定对象是否平原中的非耕地区域的具体步骤为:获取目标遥感图像中每个对象的位置,根据预先存储的平原的位置,确定目标遥感图像中的平原对应的对象,得到目标遥感图像中的平原区域。在确定出目标遥感图像中的平原区域之后,根据预先存储的耕地的位置,确定出平原区域中的耕地区域和非耕地区域。
之后,当对象为平原中的非耕地区域时,可以将该对象分为植被区域和非植被区域,并在非植被区域中确定识别错误的植被区域,具体步骤为:确定对象对应的平均归一化植被指数值;当对象的平均归一化植被指数值大于等于第二植被阈值时,将对象确定为植被区域;当对象的平均归一化植被指数小于第二植被阈值时,判断对象是否为阴影区域,如果是,则将对象中的非植被像素点和非植被阈值,输入区域增长算法,得到对象中的非植被区域,将除非植被区域的区域确定为植被区域。
其中,第二植被阈值为目标图像的平均归一化植被指数值。
在上述过程中,当某个对象的HSI均值小于整个目标遥感图像的HSI均值时,将该对象确定为阴影区域。因此,判断对象是否为阴影区域的方法,具体为:获取所述目标图像的第一HSI均值和该对象对应的第二HSI均值;判断第二HSI均值是否小于第一HSI均值;如果是,则确定对象为阴影区域;如果否,则确定对象不为阴影区域。
其中,HSI值为色度空间值,是从人的视觉系统出发,用色调(Hue)、色饱和度(Saturation或Chroma)和亮度(Intensity或Brightness)来描述色彩。
另外,在上述过程中,非植被阈值包括建筑物特征阈值、水体特征阈值和裸地特征阈值,根据这些阈值确定非植被区域中的非植被像素点,具体包括:将建筑物特征值大于建筑物特征阈值,或者水体特征值大于水体特征阈值或者裸地特征值大于裸地特征阈值的像素,确定为非植被像素。
其中,建筑物特征值为亮度值Brightness,计算方法为: 其中,其中DNgreen、DNred、DNnir、DNblue分别为绿波段值、红波段值、近红外波段值和蓝波段值。
水体特征值为归一化水体指数值NDVI,其中DNred、DNnir分别为红波段值、近红外波段值。裸地特征值为改进阴影水体指数MSWI,用于加大水体与阴影之间的区分,在阴影下可以很好地区分裸地与其他地物。计算公式为其中DNnir、DNblue分别为近红外波段值和蓝波段值。
在实施中,建筑物特征值大于建筑物特征阈值的像素为建筑物对应的像素,水体特征值大于水体特征阈值的像素为水体对应的像素,裸地特征值大于裸地特征阈值的像素为裸地对应的像素。
需要说明的是,本步骤中的第一植被阈值、建筑物特征阈值、水体特征阈值以及裸地特征阈值是根据样本的最小值确定的,样本为选取靠近目标与非目标的临界点的像素。
上述确定方法实质上是样本极值法,样本极值法的计算公式如下:
Q=max(k1,k2,…,kn)或min(k1,k2,…,kn)
式中,Q表示确定的阈值;k1,k2…,kn表示样本1,样本2,…,样本n在某一特征上的值;max()表示取最大值函数;min()表示取最小值函数。
进一步的,本申请还提供了一种对植被区域进行分类方法,该方法对步骤104中的“根据植被区域中每个像素对应的nDSM值和蓝波段梯度值,对植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域”进行具体介绍,如图3所示,包括:
步骤301,获取植被区域的蓝波段。
在本步骤的具体实施方式,由于目标遥感图像中的至少一个对象确定为植被区域,因此获取确定为植被区域的每个对象的蓝波段。
步骤302,对植被区域的蓝波段进行canny边缘检测,得到植被区域中每个像素的梯度值。
在本步骤的具体实施方式中,使用Canny边缘检测算法,对植被区域中每个对象的蓝波段进行canny边缘检测,得到植被区域中每个像素的梯度值。
步骤303,将nDSM值小于第一nDSM阈值,且梯度值小于梯度阈值的像素,确定为草地参考区域中的像素,得到草地参考区域。
在本步骤的具体实施方式中,在植被区域中,先确定梯度值小于梯度阈值的像素,在这些像素中,再去除nDSM值大于等于第一nDSM阈值的像素,进而剩余像素确定为草地参考区域中的像素。这样,草地参考区域中像素便可以组成草地参考区域。
步骤304,在去除草地参考区域的其他区域中,将nDSM值小于第二nDSM阈值的像素,确定为灌木参考区域中的像素,得到灌木参考区域,将nDSM值大于第二nDSM阈值的像素,确定乔木参考区域中的像素,得到乔木参考区域。
其中,第一nDSM阈值小于第二nDSM阈值。在本申请中,第一nDSM阈值可以设置为0.6,第二nDSM阈值一般设置为2。
在本步骤的具体实施方式中,在植被区域中,去除草地参考区域,得到其他区域,进而可以对其他区域进行进一步分类,得到乔木参考区域和灌木参考区域。在实际中,由于乔木要比灌木高,因此,可以将nDSM值小于第二nDSM阈值的像素,确定为灌木参考区域中的像素,得到灌木参考区域,将nDSM值大于第二nDSM阈值的像素,确定乔木参考区域中的像素,得到乔木参考区域。
需要说明的是,本步骤中的第一nDSM阈值和第二nDSM阈值是根据样本的最小值确定的,样本为选取靠近目标与非目标的临界点的样本。例如,第一nDSM阈值所使用的样本为靠近草地和灌木的临界点的样本,第二nDSM阈值所使用的样本为靠近灌木和乔木的临界点的样本。
上述确定方法实质上是样本极值法,样本极值法的计算公式如下:
Q=max(k1,k2,…,kn)或min(k1,k2,…,kn)
式中,Q表示确定的阈值;k1,k2…,kn表示样本1,样本2,…,样本n在某一特征上的值;max()表示取最大值函数;min()表示取最小值函数。
进一步的,由于步骤103中的分类方法可能存在误差,因此,可以对步骤103得到的草地参考区域、乔木参考区域以及灌木参考区域进行优化,得到草地区域、乔木区域以及灌木区域。在上述基础上,本申请提供了一种分类优化方法,该方法对步骤104中的“根据草地参考区域、灌木参考区域和乔木参考区域分别对应的nDSM值的变化情况,对参考区域进行优化,得到草地区域、乔木区域和灌木区域”进行具体介绍,如图4所示,包括:
步骤401,对于同一类型的参考区域,获取参考区域中每个对象的空间特征值、每个空间特征值对应的对象和对象数目,根据每个空间特征值、每个空间特征值对应的对象和对象数目,生成参考区域对应的特征变化曲线。
其中,所述空间特征值为对象对应的平均归一化nDSM值。空间特征值计算过程为:获取这三种参考区域内的最大值和最小值,进而根据该参考区域内的最大值、最小值以及归一化计算公式,对参考区域内每个像素的nDSM值进行归一化,得到参考区域内每个像素的归一化nDSM值。其中,归一化计算公式为fea为参考区域内每个像素的nDSM值,feamin为参考区域内的最小值,feamax为参考区域内的最大值,Feanormal为参考区域内每个像素的归一化nDSM值。之后,计算每个对象的平均归一化nDSM值,得到每个对象对应的空间特征值。
在本步骤的具体实施方式中,在构建特征变化曲线时,需要先构造该特征变化曲线所在的坐标系,该坐标系的纵轴表示对象数目,横轴表示对象的空间特征值。为了不遗漏每个对象的特征值,精确表示对象的特征值,可以计算横轴上相邻两个特征值之间的步长。本步骤中步长的计算公式为式中,n为值域步长,a为目标地类的数量,在本申请中a=3,feamax为最大值,feamin为最小值。
例如,计算出的步长为0.01,则将0.01确定为相邻两个特征值之间的步长。
之后,根据草地参考区域中的空间特征值、以及每个空间特征值对应的对象数目,在上述坐标系中,生成草地参考区域对应的特征变化曲线。根据灌木参考区域中的空间特征值以及每个空间特征值对应的对象数目,在上述坐标系中,生成灌木参考区域对应的特征变化曲线。根据乔木参考区域中的空间特征值以及每个空间特征值对应的对象数目,在上述坐标系中,生成乔木参考区域对应的特征变化曲线。
步骤402,根据每种参考区域分别对应的特征变化曲线,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
在实施中,确定每种参考区域对应的特征变化曲线中的突变点;当参考区域为草地参考区域时,将特征变化曲线中突变点之前的像素,确定为草地区域对应的像素,将特征变化曲线中突变点之后的像素,确定为灌木地区域对应的像素;当参考区域为灌木参考区域时,将特征变化曲线中突变点之前的像素,确定为灌木区域对应的像素,将特征变化曲线中突变点之后的像素,确定为乔木地区域对应的像素;当参考区域为乔木参考区域时,将特征变化曲线中突变点之前的像素,确定为灌木区域对应的像素,将特征变化曲线中突变点之后的像素,确定为乔木地区域对应的像素;根据草地区域对应的像素,确定草地区域,根据灌木区域对应的像素,确定灌木区域,根据乔木地区域对应的像素,确定乔木区域。
在上述过程中,将斜率的绝对值最大,且对象数目最小的点确定为突变点。草地中的最大值一般为0.03,灌木中的最大值一般为0.1。在获取这两个值之后,可以将这两个值进行存储,在下一次进行优化时,可以直接使用这两个值进行优化处理。
在确定植被区域中的草地区域、灌木区域和乔木区域后,可以根据这些区域的比例,确定该植被区域的生态功能,以为城市土地利用变化、生态环境监测、生物量监测、碳汇评估以及城市规划等各个领域提供重要的参考价值。
进一步的,作为对上述图1-4所示方法实施例的实现,本申请实施例提供了一种对遥感图像中乔灌草分类装置,该装置可以对植被区域中的乔灌草进行准确分类。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5所示,该装置包括:
第一获取单元501,用于获取目标遥感图像,所述目标遥感图像包括植被区域;
识别单元502,用于据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;
分类单元503,用于根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;
优化单元504,用于根据所述草地参考区域、所述灌木参考区域和所述乔木参考区域分别对应的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
可选的,如图6所示,所述识别单元502,包括:
分割模块5021,用于基于多尺度分割算法,对所述目标遥感图像进行分割,得到至少一个对象;
输入模块5022,用于当所述对象为山区中的非耕地区域时,将每个像素对应的归一化植被指数和预设的第一植被阈值,输入区域增长算法,得到所述对象中的植被区域;
第一确定模块5023,用于当所述对象为平原中的非耕地区域时,根据所述对象对应的平均归一化植被指数,确定植被区域。
可选的,如图6所示,所述第一确定模块5023,还用于:
确定所述对象对应的平均归一化植被指数值;
当所述对象的平均归一化植被指数值大于等于第二植被阈值时,将所述对象确定为植被区域,所述第二植被阈值为所述目标图像的平均归一化植被指数值;
当所述对象的平均归一化植被指数小于第二植被阈值时,判断所述对象是否为阴影区域,如果是,则将所述对象中的非植被像素点和非植被阈值,输入区域增长算法,得到所述对象中的非植被区域,将除非植被区域的区域确定为植被区域。
可选的,如图6所示,所述第一确定模块5023,还用于:
获取所述目标图像的第一HSI均值和所述对象对应的第二HSI均值;
判断所述第二HSI均值是否小于第一HSI均值;
如果是,则确定所述对象为阴影区域;
如果否,则确定所述对象不为阴影区域。
可选的,所述装置还包括:
所述第二获取单元505,用于获取所述植被区域的蓝波段;
边缘计算单元506,用于对所述植被区域的蓝波进行canny边缘检测,得到所述植被区域中每个像素的梯度值;
所述分类单元503,包括:
第二确定模块5031,用于将nDSM值小于第一nDSM阈值,且梯度值小于梯度阈值的像素,确定为草地参考区域中的像素,得到所述草地参考区域;
第三确定模块5032,用于在去除所述草地参考区域的其他区域中,将nDSM值小于第二nDSM阈值的像素,确定为灌木参考区域中的像素,得到所述灌木参考区域,将nDSM值大于第二nDSM阈值的像素,确定乔木参考区域中的像素,得到所述乔木参考区域。
可选的,如图6所示,所述优化单元504,包括:
生成模块5041,用于对于同一类型的参考区域,获取所述参考区域中每个对象的空间特征值、每个空间特征值对应的对象和对象数目,根据每个空间特征值、每个空间特征值对应的对象和对象数目,生成所述参考区域对应的特征变化曲线,其中,所述空间特征值为对象对应的平均归一化nDSM值;
优化模块5042,用于根据每种参考区域分别对应的特征变化曲线,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
可选的,如图6所示,所述优化模块5042,还用于:
确定每种参考区域对应的特征变化曲线中的突变点;
当参考区域为草地参考区域时,将所述特征变化曲线中突变点之前的像素,确定为草地区域对应的像素,将所述特征变化曲线中突变点之后的像素,确定为灌木地区域对应的像素;
当参考区域为灌木参考区域时,将所述特征变化曲线中突变点之前的像素,确定为灌木区域对应的像素,将所述特征变化曲线中突变点之后的像素,确定为乔木地区域对应的像素;
当参考区域为乔木参考区域时,将所述特征变化曲线中突变点之前的像素,确定为灌木区域对应的像素,将所述特征变化曲线中突变点之后的像素,确定为乔木地区域对应的像素;
根据所述草地区域对应的像素,确定所述草地区域,根据所述灌木区域对应的像素,确定所述灌木区域,根据所述乔木地区域对应的像素,确定乔木区域。
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1-4中所述的对遥感图像中乔灌草分类方法。
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1-4中所述的对遥感图像中乔灌草分类方法。
图7是本申请实施例提供的一种设备70的框图。该设备70包括至少一个处理器701、以及与处理器701连接的至少一个存储器702、总线703;其中,处理器701、存储器702通过总线703完成相互间的通信。处理器701用于调用存储器702中的程序指令,以执行上述的多引擎搜索文档方法。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)
1.一种对遥感图像中乔灌草分类方法,其特征在于,所述方法包括:
获取目标遥感图像,所述目标遥感图像包括植被区域;
根据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;
根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;其中,将nDSM值小于第一nDSM阈值,且所述梯度值小于梯度阈值的像素,确定为草地参考区域中的像素,得到所述草地参考区域;在去除所述草地参考区域的其他区域中,将nDSM值小于第二nDSM阈值的像素,确定为灌木参考区域中的像素,得到所述灌木参考区域,将nDSM值大于第二nDSM阈值的像素,确定乔木参考区域中的像素,得到所述乔木参考区域;
根据所述草地参考区域、所述灌木参考区域和所述乔木参考区域分别对应的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域,包括:
基于多尺度分割算法,对所述目标遥感图像进行分割,得到至少一个对象;
当所述对象为山区中的非耕地区域时,将每个像素对应的归一化植被指数和预设的第一植被阈值,输入区域增长算法,得到所述对象中的植被区域;
当所述对象为平原中的非耕地区域时,根据所述对象对应的平均归一化植被指数,确定植被区域。
3.根据权利要求2所述的方法,其特征在于,所述根据所述对象对应的平均归一化植被指数,确定植被区域,包括:
确定所述对象对应的平均归一化植被指数值;
当所述对象的平均归一化植被指数值大于等于第二植被阈值时,将所述对象确定为植被区域,所述第二植被阈值为目标图像的平均归一化植被指数值;
当所述对象的平均归一化植被指数小于第二植被阈值时,判断所述对象是否为阴影区域,如果是,则将所述对象中的非植被像素点和非植被阈值,输入区域增长算法,得到所述对象中的非植被区域,将除非植被区域的区域确定为植被区域。
4.根据权利要求3所述的方法,其特征在于,所述判断所述对象是否为阴影区域,包括:
获取目标图像的第一HSI均值和所述对象对应的第二HSI均值;
判断所述第二HSI均值是否小于第一HSI均值;
如果是,则确定所述对象为阴影区域;
如果否,则确定所述对象不为阴影区域。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述植被区域的蓝波段;
对所述植被区域的蓝波段进行canny边缘检测,得到所述植被区域中每个像素的梯度值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述草地参考区域、灌木参考区域和乔木参考区域分别对应的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域,包括:
对于同一类型的参考区域,获取所述参考区域中每个对象的空间特征值、每个空间特征值对应的对象和对象数目,根据每个空间特征值、每个空间特征值对应的对象和对象数目,生成所述参考区域对应的特征变化曲线,其中,所述空间特征值为对象对应的平均归一化nDSM值;
根据每种参考区域分别对应的特征变化曲线,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
7.根据权利要求6所述的方法,其特征在于,所述根据每种参考区域分别对应的特征变化曲线,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域,包括:
确定每种参考区域对应的特征变化曲线中的突变点;
当参考区域为草地参考区域时,将所述特征变化曲线中突变点之前的像素,确定为草地区域对应的像素,将所述特征变化曲线中突变点之后的像素,确定为灌木地区域对应的像素;
当参考区域为灌木参考区域时,将所述特征变化曲线中突变点之前的像素,确定为灌木区域对应的像素,将所述特征变化曲线中突变点之后的像素,确定为乔木地区域对应的像素;
当参考区域为乔木参考区域时,将所述特征变化曲线中突变点之前的像素,确定为灌木区域对应的像素,将所述特征变化曲线中突变点之后的像素,确定为乔木地区域对应的像素;
根据所述草地区域对应的像素,确定所述草地区域,根据所述灌木区域对应的像素,确定所述灌木区域,根据所述乔木地区域对应的像素,确定乔木区域。
8.一种对遥感图像中乔灌草分类装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标遥感图像,所述目标遥感图像包括植被区域;
识别单元,用于据预设的图像识别算法,在所述目标遥感图像中,识别所述植被区域;
分类单元,用于根据所述植被区域中每个像素对应的nDSM值和蓝波段梯度值,对所述植被区域进行分类,得到草地参考区域、灌木参考区域和乔木参考区域;其中,将nDSM值小于第一nDSM阈值,且所述梯度值小于梯度阈值的像素,确定为草地参考区域中的像素,得到所述草地参考区域;在去除所述草地参考区域的其他区域中,将nDSM值小于第二nDSM阈值的像素,确定为灌木参考区域中的像素,得到所述灌木参考区域,将nDSM值大于第二nDSM阈值的像素,确定乔木参考区域中的像素,得到所述乔木参考区域;
优化单元,用于根据所述草地参考区域、所述灌木参考区域和所述乔木参考区域分别对应的nDSM值的变化情况,对所述参考区域进行优化,得到草地区域、乔木区域和灌木区域。
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中任意一项所述的对遥感图像中乔灌草分类方法。
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中任意一项所述的对遥感图像中乔灌草分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211694214.4A CN116168290B (zh) | 2022-12-28 | 2022-12-28 | 基于高分辨率遥感影像及三维数据的乔灌草分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211694214.4A CN116168290B (zh) | 2022-12-28 | 2022-12-28 | 基于高分辨率遥感影像及三维数据的乔灌草分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168290A CN116168290A (zh) | 2023-05-26 |
CN116168290B true CN116168290B (zh) | 2023-08-08 |
Family
ID=86421242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211694214.4A Active CN116168290B (zh) | 2022-12-28 | 2022-12-28 | 基于高分辨率遥感影像及三维数据的乔灌草分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168290B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881868A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院遥感与数字地球研究所 | 植物群落空间结构提取方法 |
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
CN113837134A (zh) * | 2021-09-29 | 2021-12-24 | 桂林理工大学 | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 |
CN114694048A (zh) * | 2022-04-21 | 2022-07-01 | 中国科学院新疆生态与地理研究所 | 基于无人机遥感技术的稀疏灌木物种识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009131108A1 (ja) * | 2008-04-23 | 2009-10-29 | 株式会社パスコ | 建物屋根輪郭認識装置、建物屋根輪郭認識方法、及び建物屋根輪郭認識プログラム |
-
2022
- 2022-12-28 CN CN202211694214.4A patent/CN116168290B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881868A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院遥感与数字地球研究所 | 植物群落空间结构提取方法 |
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
CN113837134A (zh) * | 2021-09-29 | 2021-12-24 | 桂林理工大学 | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 |
CN114694048A (zh) * | 2022-04-21 | 2022-07-01 | 中国科学院新疆生态与地理研究所 | 基于无人机遥感技术的稀疏灌木物种识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116168290A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
Zhou | An object-based approach for urban land cover classification: Integrating LiDAR height and intensity data | |
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 | |
Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
CA2840436C (en) | System for mapping and identification of plants using digital image processing and route generation | |
Ke et al. | A comparison of three methods for automatic tree crown detection and delineation from high spatial resolution imagery | |
AU2015324185B2 (en) | Multi-spectral image labeling with radiometric attribute vectors of image space representation components | |
Huo et al. | Supervised spatial classification of multispectral LiDAR data in urban areas | |
Heinzel et al. | Prior-knowledge-based single-tree extraction | |
Ghanea et al. | Automatic building extraction in dense urban areas through GeoEye multispectral imagery | |
CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
CN113033401A (zh) | 一种面向生态保护红线的人类活动变化识别监管方法 | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
Prudente et al. | COMPARATIVE ASSESSMENT BETWEEN PER-PIXEL AND OBJECT-ORIENTED FOR MAPPING LAND COVER AND USE1 | |
CN114241321A (zh) | 高分遥感图像平顶建筑快速精准识别方法 | |
YURTSEVEN et al. | Using of high-resolution satellite images in object-based image analysis | |
Meng et al. | Canopy structure attributes extraction from LiDAR data based on tree morphology and crown height proportion | |
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 | |
CN114119575B (zh) | 一种空间信息变化检测方法及系统 | |
JP6060377B2 (ja) | 画像クラスタ分析装置 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
JP2015023858A (ja) | 林相解析装置、林相解析方法及びプログラム | |
Neves et al. | Hierarchical classification of Brazilian savanna physiognomies using very high spatial resolution image, superpixel and Geobia | |
Shen et al. | Individual tree location detection by high-resolution RGB satellite imagery in urban area | |
Axelsson et al. | The use of dual-wavelength airborne laser scanning for estimating tree species composition and species-specific stem volumes in a boreal forest |
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 |