CN116258961A - 一种林业图斑变化快速识别方法及系统 - Google Patents

一种林业图斑变化快速识别方法及系统 Download PDF

Info

Publication number
CN116258961A
CN116258961A CN202310078634.8A CN202310078634A CN116258961A CN 116258961 A CN116258961 A CN 116258961A CN 202310078634 A CN202310078634 A CN 202310078634A CN 116258961 A CN116258961 A CN 116258961A
Authority
CN
China
Prior art keywords
image
remote sensing
spot
pattern
suvy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310078634.8A
Other languages
English (en)
Other versions
CN116258961B (zh
Inventor
骆水灵
彭威雄
卓国军
梁志明
袁东
赖娇娇
袁超岸
邓学启
袁桂鸿
钟昌栋
袁倩雯
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.)
Guangzhou Green City Landscape Engineering Co ltd
Original Assignee
Guangzhou Green City Landscape Engineering Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Green City Landscape Engineering Co ltd filed Critical Guangzhou Green City Landscape Engineering Co ltd
Priority to CN202310078634.8A priority Critical patent/CN116258961B/zh
Publication of CN116258961A publication Critical patent/CN116258961A/zh
Application granted granted Critical
Publication of CN116258961B publication Critical patent/CN116258961B/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
    • G06V20/188—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
    • G06V10/20—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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/40—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
    • G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图斑监测技术领域，本发明提供了一种林业图斑变化快速识别方法及系统，通过获取首个待测区域的遥感图像，根据图斑范围将所述遥感图像划分为多个图斑图像；继续接收预设时间段内的待测区域的遥感图像，并依据各个接收到的遥感图像计算各个图斑图像内的空间变化度；实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑。根据空间变化度能够准确的监控到最近的图斑图像的邻接区域的细微的变化，能够准确的防止不明显的恶意占地，只是从遥感图像上监测位置变化，极大的减少了识别的误差率，平衡了图斑边界识别的灵敏性和地图上图斑边界变化的识别的准确性。

Description

一种林业图斑变化快速识别方法及系统
技术领域
本发明属于图斑监测技术领域，具体涉及一种林业图斑变化快速识别方法及系统。
背景技术
林业图斑是指利用卫星遥感技术，获得某个时间内所监测的林业土地范围内用地情况的图像，结合GIS地理信息系统技术，给所监测的林业土地用一定的规则进行分区编号，而这个编号就称为图斑。利用卫星遥感技术进行林业土地资源监测越来越普及，而林业图斑在划定的过程中由于受到了诸多人为因素的影响，忽略了质量指标以及空间分布的合理性，存在林业土地和普通的工业、农业用地重叠的情况，
目前，结合GIS地理信息系统技术获得的林业图斑，将林业土地和普通的工业、农业用地进行空间叠加相交分析，从而获得两图层间重叠的林业图斑。现有技术，例如公开号为CN111797190A的发明专利提供了一种图斑提取方法及装置，依据约束条件选取目标重叠图斑，筛选因子满足约束条件的重叠图斑。将形状、面积、地类区域、以及地类区域的面积占比作为重叠图斑的筛选因子，依据约束条件，针对性地从各个重叠图斑中筛选出目标重叠图斑，但是，通过空间叠加相交分析之后，会产生碎小图斑、图斑形状狭长、图斑数量多等情况，无法识别出一些逐渐恶意占地，或者重叠边界的图斑区域，尤其是在一些区域经过时间较长的开发或者人为改变导致地形地貌发生改变、或者自然灾害、地质活动频繁的区域、人为恶意占地导致林业图斑无法准确的识别。
发明内容
本发明的目的在于提出一种林业图斑变化快速识别方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种林业图斑变化快速识别方法，所述方法包括以下步骤：
S100，获取首个待测区域的遥感图像，根据图斑范围将所述遥感图像划分为多个图斑图像；
S200，继续接收预设时间段内的待测区域的遥感图像，并依据各个接收到的遥感图像计算各个图斑图像内的空间变化度；
S300，实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑；
S400，将所有异常图斑影像输出到客户端进行显示。
进一步地，在S100中，所述待测区域为林地，所述林地是生长有乔木、竹类、灌木、沿海红树林的土地,所述林地不包括居民绿化用地,以及铁路、公路、河流沟渠的护路、护草林。
进一步地，在S100中，根据图斑范围将所述遥感图像划分为多个图斑图像的方法为：将地貌、土地利用类型相同、水土流失类型一致的林业土地地块分为一类，以该一类林业土地地块作为图斑范围，以图斑范围内的林业土地地块作为基础调查单元，然后将图斑范围勾绘到遥感图像上成为图斑；(其中，遥感图像上的最小图斑面积不小于0.5cm2，实地面积0.5km2；最大不超过50cm2，实地面积50km2)，通过图像分割或者矢量图套合，将整个遥感图像根据图斑划分成若干个小的区域，以所述区域作为图斑图像。
进一步地，在S200中，接收预设时间段内的待测区域的遥感图像为：以1～3天为时间间隔在预设时间段中进行采集待测区域的遥感图像；所述预设时间段为最近120～360天的时间，以1～3天为时间间隔进行采集待测区域的遥感图像；所述遥感图像通过无人机或卫星的机载遥感设备采集待测区域的遥感图像，所述机载遥感设备为SAR遥感设备。
进一步地，在S200中，依据各个接收到的遥感图像计算各个图斑图像内的空间变化度的方法为：
以各个接收到的遥感图像构成的集合记为Image＝{Imgi1},Imgi1是集合Image中的第i1个遥感图像，i1是集合Image中遥感图像的序号，Sum1是集合Image中遥感图像的总数；
取各个图斑图像在遥感图像上的对应区域的集合作为监测集合Suv＝{Suvyi2}，Suvyi2是集合Suv中的第i2个图斑图像在遥感图像上的对应区域，i2是集合Suv中图斑图像在遥感图像上的对应区域的序号，Sum2是监测集合Suv中元素的总数；
将Image中所有遥感图像Imgi1灰度化后经过边缘检测得到多个边缘线，由各个边缘线构成多个封闭区域；筛选出各个封闭区域中的封闭区域在遥感图像上的对应区域的几何重心和Suvyi2的几何重心之间的欧氏距离最短的封闭区域记为Suvyi2在遥感图像Imgi1上的映射区域Suvyi1,i2，则Suvyi2在遥感图像Imgi1上有一个对应的映射区域Suvyi1,i2；
在i1∈[2,Sum1-1]、i2∈[2,Sum2-1]的范围内，遍历映射区域Suvyi1,i2，如果首次遍历到映射区域Suvyi1,i2、Suvyi1-1,i2和Suvyi1+1,i2之间存在补集，则以Suvyi1,i2的几何重心为锚定点Anchor，以补集区域的边缘线上的各个点中与Anchor之间距离最大的点为Pmax，以补集区域的边缘线上的各个点中与Anchor之间距离最小的点为Pmin，同时记对应的遥感图像Imgi1的采集时间为T1，以T1到当前时间T0之间的时间段为空间变化时间tG；(补集区域是映射区域Suvyi1,i2、Suvyi1-1,i2和Suvyi1+1,i2之间做求补集运算得到的区域)；
其中，Suvyi1-1,i2和Suvyi1+1,i2分别是Suvyi2在遥感图像Imgi1-1上的映射区域和Suvyi2在遥感图像Imgi1+1上的映射区域；
对于在一些区域经过时间较长的开发或者人为改变导致地形地貌发生改变、或者自然灾害、地质活动频繁的区域、人为恶意占地发生变化后的待测区域，由于已经监测到地图的图斑区域(图斑也可以为根据行政界线，土地权属界线或线状地物所分割的地块)由于遥感图像中图斑边界发生了变化，所以在它们之间存在补集后(即图斑图像的邻接区域Suvyi1,i2、Suvyi1-1,i2和Suvyi1+1,i2的边界发生变化后)，点Pmax和点Pmin之间的线段的长度会随时间发生变化；
以点Pmax和点Pmin之间的线段为LP；记在空间变化时间tG内线段LP的长度为最大值时的线段为LPmax；记在空间变化时间tG内线段LP的长度为最小值时的线段为LPmin；则，以包含在线段LPmax中但是不包含在线段LPmin的线段为LPcha，即线段LPcha为在线段LPmax上删除线段LPmin后剩下的部分；
计算图斑图像Suvyi2内的空间变化度SpChai2：
Figure BDA0004066827670000031
其中，Spac(LPcha,i3)为Suvyi2对应的线段LPcha上的第i3个点的空间弹性值，i3是变量，Sum3是线段LPcha上点的数量，log指取对数；
Suvyi2对应的线段LPcha上的第i3个点的空间弹性值Spac(LPcha,i3)的计算方法为：
以在空间变化时间tG内面积最小的补集区域为参照区域A，以在空间变化时间tG内面积最大的补集区域为参照区域B；依次计算以参照区域A的边缘线上的各个点到锚定点Anchor之间所有距离值的平均值为AVGSpA，依次计算以参照区域B的边缘线上的各个点到锚定点Anchor之间所有距离值的平均值为AVGSpB，
Spac(LPcha,i3)＝(|AVGSpA-Space(i3)|+|AVGSpB-Space(i3)|)÷2；
其中，Space(i3)为线段LPcha上的第i3个点到锚定点Anchor之间的距离值。
有益效果为：根据空间变化度能够准确的监控到最近的图斑图像的邻接区域的细微的变化，能够准确的防止不明显的恶意占地，只是从遥感图像上监测位置变化，极大的减少了识别的误差率，平衡了图斑边界识别的灵敏性和地图上图斑边界变化的识别的准确性。
进一步地，在S300中，实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑的方法为：在i2∈[1,Sum2]的取值范围内，计算所有的图斑图像Suvyi2内的空间变化度SpChai2的算数平均值记为变化阈值，标记所有的空间变化度SpChai2大于或等于变化阈值的的图斑图像为异常区域。
进一步地，在S400中，将所有异常图斑影像输出到客户端进行显示的方法为：
将所有异常图斑的在遥感图像上相应位置进行图像增强，然后将图像增强后的遥感图像传输到客户端的显示屏进行显示输出。
本发明还提供了一种林业图斑变化快速识别系统，所述一种林业图斑变化快速识别系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种林业图斑变化快速识别方法中的步骤，所述一种林业图斑变化快速识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
图斑划分单元，用于获取首个待测区域的遥感图像，根据图斑范围将所述遥感图像划分为多个图斑图像；
变化计算单元，用于继续接收预设时间段内的待测区域的遥感图像，并依据各个接收到的遥感图像计算各个图斑图像内的空间变化度；
异常识别单元，用于实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑；
图斑显示单元，用于将所有异常图斑影像输出到客户端进行显示。
本发明的有益效果为：本发明提供一种林业图斑变化快速识别方法及系统，根据空间变化度能够准确的监控到最近的图斑图像的邻接区域的细微的变化，能够准确的防止不明显的恶意占地，只是从遥感图像上监测位置变化，极大的减少了识别的误差率，平衡了图斑边界识别的灵敏性和地图上图斑边界变化的识别的准确性。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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，在附图中：
图1所示为一种林业图斑变化快速识别方法的流程图；
图2所示为一种林业图斑变化快速识别系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种林业图斑变化快速识别方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种林业图斑变化快速识别方法，所述方法包括以下步骤：
S100，获取首个待测区域的遥感图像，根据图斑范围将所述遥感图像划分为多个图斑图像；其中，首个待测区域的遥感图像为通过无人机或卫星的机载遥感设备采集待测区域的遥感图像；
S200，继续接收预设时间段内的待测区域的遥感图像，并依据各个接收到的遥感图像计算各个图斑图像内的空间变化度；所述遥感图像为多光谱遥感图像；
S300，实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑；
S400，将所有异常图斑影像输出到客户端进行显示。
其中，S100中的遥感图像和S200中的遥感图像的数据来源、采集设备和大小规格均一致,以便于后续步骤中的集合运算。
进一步地，在S100中，所述待测区域为林地，所述林地是生长有乔木、竹类、灌木、沿海红树林的土地,所述林地不包括居民绿化用地,以及铁路、公路、河流沟渠的护路、护草林。
进一步地，在S100中，根据图斑范围将所述遥感图像划分为多个图斑图像的方法为：将地貌、土地利用类型相同、水土流失类型一致的林业土地地块分为一类，以该类林业土地地块作为图斑范围，以图斑范围内的林业土地地块作为基础调查单元，然后将图斑范围勾绘到遥感图像上成为图斑；(其中，遥感图像上的最小图斑面积不小于0.5cm2，实地面积0.5km2；最大不超过50cm2，实地面积50km2)，通过图像分割或者矢量图套合，将整个遥感图像根据图斑划分成若干个小的区域，以所述区域作为图斑图像。
进一步地，在S200中，接收预设时间段内的待测区域的遥感图像为：以1～3天为时间间隔在预设时间段中进行采集待测区域的遥感图像；所述预设时间段为最近120～360天的时间，以1～3天为时间间隔进行采集待测区域的遥感图像；所述遥感图像通过无人机或卫星的机载遥感设备采集待测区域的遥感图像，所述机载遥感设备为SAR遥感设备。
进一步地，在S200中，依据各个接收到的遥感图像计算各个图斑图像内的空间变化度的方法为：
以各个接收到的遥感图像构成的集合记为Image＝{Imgi1},Imgi1是集合Image中的第i1个遥感图像，i1是集合Image中遥感图像的序号，Sum1是集合Image中遥感图像的总数；
取各个图斑图像在遥感图像上的对应区域的集合作为监测集合Suv＝{Suvyi2}，Suvyi2是集合Suv中的第i2个图斑图像在遥感图像上的对应区域，i2是集合Suv中图斑图像在遥感图像上的对应区域的序号，Sum2是监测集合Suv中元素的总数；
将Image中所有遥感图像Imgi1灰度化后经过边缘检测得到多个边缘线，由各个边缘线构成多个封闭区域；筛选出各个封闭区域中的封闭区域在遥感图像上的对应区域的几何重心和Suvyi2的几何重心之间的欧氏距离最短的封闭区域记为Suvyi2在遥感图像Imgi1上的映射区域Suvyi1,i2，则Suvyi2在遥感图像Imgi1上有一个对应的映射区域Suvyi1,i2；
在i1∈[2,Sum1-1]、i2∈[2,Sum2-1]的范围内，遍历映射区域Suvyi1,i2，如果首次遍历到映射区域Suvyi1,i2、Suvyi1-1,i2和Suvyi1+1,i2之间存在补集，则以Suvyi1,i2的几何重心为锚定点Anchor，以补集区域的边缘线上的各个点中与Anchor之间距离最大的点为Pmax，以补集区域的边缘线上的各个点中与Anchor之间距离最小的点为Pmin，同时记对应的遥感图像Imgi1的采集时间为T1，以T1到当前时间T0之间的时间段为空间变化时间tG；(补集区域是映射区域Suvyi1,i2、Suvyi1-1,i2和Suvyi1+1,i2之间做求补集运算得到的区域)；
其中，Suvyi1-1,i2和Suvyi1+1,i2分别是Suvyi2在遥感图像Imgi1-1上的映射区域和Suvyi2在遥感图像Imgi1+1上的映射区域；
对于在一些区域经过时间较长的开发或者人为改变导致地形地貌发生改变、或者自然灾害、地质活动频繁的区域、人为恶意占地发生变化后的待测区域，由于已经监测到地图的图斑区域(图斑也可以为根据行政界线，土地权属界线或线状地物所分割的地块)由于遥感图像中图斑边界发生了变化，所以在它们之间存在补集后(即图斑图像的邻接区域Suvyi1,i2、Suvyi1-1,i2和Suvyi1+1,i2的边界发生变化后)，点Pmax和点Pmin之间的线段的长度会随时间发生变化；
以点Pmax和点Pmin之间的线段为LP；记在空间变化时间tG内线段LP的长度为最大值时的线段为LPmax；记在空间变化时间tG内线段LP的长度为最小值时的线段为LPmin；则，以包含在线段LPmax中但是不包含在线段LPmin的线段为LPcha，即线段LPcha为在线段LPmax上删除线段LPmin后剩下的部分；
计算图斑图像Suvyi2内的空间变化度SpChai2：
Figure BDA0004066827670000061
其中，Spac(LPcha,i3)为Suvyi2对应的线段LPcha上的第i3个点的空间弹性值，i3是变量，Sum3是线段LPcha上点的数量，log指取对数；
Suvyi2对应的线段LPcha上的第i3个点的空间弹性值Spac(LPcha,i3)的计算方法为：
以在空间变化时间tG内面积最小的补集区域为参照区域A，以在空间变化时间tG内面积最大的补集区域为参照区域B；依次计算以参照区域A的边缘线上的各个点到锚定点Anchor之间所有距离值的平均值为AVGSpA，依次计算以参照区域B的边缘线上的各个点到锚定点Anchor之间所有距离值的平均值为AVGSpB，
Spac(LPcha,i3)＝(|AVGSpA-Space(i3)|+|AVGSpB-Space(i3)|)÷2；
其中，Space(i3)为线段LPcha上的第i3个点到锚定点Anchor之间的距离值。
有益效果为：根据空间变化度能够准确的监控到最近的图斑图像的邻接区域的细微的变化，能够准确的防止不明显的恶意占地，只是从遥感图像上监测位置变化，极大的减少了识别的误差率，平衡了图斑边界识别的灵敏性和地图上图斑边界变化的识别的准确性。
进一步地，在S300中，实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑的方法为：在i2∈[1,Sum2]的取值范围内，计算所有的图斑图像Suvyi2内的空间变化度SpChai2的算数平均值记为变化阈值，标记所有的空间变化度SpChai2大于或等于变化阈值的的图斑图像为异常区域。
进一步地，在S400中，将所有异常图斑影像输出到客户端进行显示的方法为：
将所有异常图斑的在遥感图像上相应位置进行图像增强，然后将图像增强后的遥感图像传输到客户端的显示屏进行显示输出。
进一步地，进行图像增强的方法为频率域法或空间域法。
优选地，进行图像增强的方法为通以下文献中任意一种的方法：
[1]王万良,杨小涵,赵燕伟,等.采用卷积自编码器网络的图像增强算法[J].浙江大学学报:自然科学版,2019(9):1728-1740.
[2]赵明华,程丹妮,都双丽,等.改进融合策略下透明度引导的逆光图像增强[J].中国图象图形学报,2022(005):027.
[3]袁晓松,王秀坛,王希勤.基于人眼视觉特性的自适应的图像增强算法的研究[J].电子学报,1999,27(4):3.
[4]李学明.基于Retinex理论的图像增强算法[J].计算机应用研究,2005,22(2):3。
本发明的实施例提供的一种林业图斑变化快速识别系统，如图2所示为本发明的一种林业图斑变化快速识别系统结构图，该实施例的一种林业图斑变化快速识别系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种林业图斑变化快速识别系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
图斑划分单元，用于获取首个待测区域的遥感图像，根据图斑范围将所述遥感图像划分为多个图斑图像；
变化计算单元，用于继续接收预设时间段内的待测区域的遥感图像，并依据各个接收到的遥感图像计算各个图斑图像内的空间变化度；
异常识别单元，用于实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑；
图斑显示单元，用于将所有异常图斑影像输出到客户端进行显示。
所述一种林业图斑变化快速识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种林业图斑变化快速识别系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种林业图斑变化快速识别系统的示例，并不构成对一种林业图斑变化快速识别系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种林业图斑变化快速识别系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种林业图斑变化快速识别系统运行系统的控制中心，利用各种接口和线路连接整个一种林业图斑变化快速识别系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种林业图斑变化快速识别系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (8)

1.一种林业图斑变化快速识别方法，其特征在于，所述方法包括以下步骤：
S100，获取首个待测区域的遥感图像，根据图斑范围将所述遥感图像划分为多个图斑图像；
S200，继续接收预设时间段内的待测区域的遥感图像，并依据各个接收到的遥感图像计算各个图斑图像内的空间变化度；
S300，实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑；
S400，将所有异常图斑影像输出到客户端进行显示。
2.根据权利要求1所述的一种林业图斑变化快速识别方法，其特征在于，在S100中，根据图斑范围将所述遥感图像划分为多个图斑图像的方法为：将地貌、土地利用类型相同、水土流失类型一致的林业土地地块分为一类，以该一类林业土地地块作为图斑范围，以图斑范围内的林业土地地块作为基础调查单元，然后将图斑范围勾绘到遥感图像上成为图斑，通过图像分割或者矢量图套合，将整个遥感图像根据图斑划分成若干个小的区域，以所述区域作为图斑图像。
3.根据权利要求1所述的一种林业图斑变化快速识别方法，其特征在于，在S200中，接收预设时间段内的待测区域的遥感图像为：以1～3天为时间间隔在预设时间段中进行采集待测区域的遥感图像；所述预设时间段为最近120～360天的时间，以1～3天为时间间隔进行采集待测区域的遥感图像；所述遥感图像通过无人机或卫星的机载遥感设备采集待测区域的遥感图像，所述机载遥感设备为SAR遥感设备。
4.根据权利要求1所述的一种林业图斑变化快速识别方法，其特征在于，在S200中，依据各个接收到的遥感图像计算各个图斑图像内的空间变化度的方法为：
以各个接收到的遥感图像构成的集合记为Image＝{Imgi1},Imgi1是集合Image中的第i1个遥感图像，i1是集合Image中遥感图像的序号，Sum1是集合Image中遥感图像的总数；
取各个图斑图像在遥感图像上的对应区域的集合作为监测集合Suv＝{Suvyi2}，Suvyi2是集合Suv中的第i2个图斑图像在遥感图像上的对应区域，i2是集合Suv中图斑图像在遥感图像上的对应区域的序号，Sum2是监测集合Suv中元素的总数；
将Image中所有遥感图像Imgi1灰度化后经过边缘检测得到多个边缘线，由各个边缘线构成多个封闭区域；筛选出各个封闭区域中的封闭区域在遥感图像上的对应区域的几何重心和Suvyi2的几何重心之间的欧氏距离最短的封闭区域记为Suvyi2在遥感图像Imgi1上的映射区域Suvyi1,i2，则Suvyi2在遥感图像Imgi1上有一个对应的映射区域Suvyi1,i2；
在i1∈[2,Sum1-1]、i2∈[2,Sum2-1]的范围内，遍历映射区域Suvyi1,i2，如果首次遍历到映射区域Suvyi1,i2、Suvyi1-1,i2和Suvyi1+1,i2之间存在补集，则以Suvyi1,i2的几何重心为锚定点Anchor，以补集区域的边缘线上的各个点中与Anchor之间距离最大的点为Pmax，以补集区域的边缘线上的各个点中与Anchor之间距离最小的点为Pmin，同时记对应的遥感图像Imgi1的采集时间为T1，以T1到当前时间T0之间的时间段为空间变化时间tG；
以点Pmax和点Pmin之间的线段为LP；记在空间变化时间tG内线段LP的长度为最大值时的线段为LPmax；记在空间变化时间tG内线段LP的长度为最小值时的线段为LPmin；则，以包含在线段LPmax中但是不包含在线段LPmin的线段为LPcha，即线段LPcha为在线段LPmax上删除线段LPmin后剩下的部分；
计算图斑图像Suvyi2内的空间变化度SpChai2：
Figure FDA0004066827480000021
其中，Spac(LPcha,i3)为Suvyi2对应的线段LPcha上的第i3个点的空间弹性值，i3是变量，Sum3是线段LPcha上点的数量，log指取对数。
5.根据权利要求4所述的一种林业图斑变化快速识别方法，其特征在于，Suvyi2对应的线段LPcha上的第i3个点的空间弹性值Spac(LPcha,i3)的计算方法为：
以在空间变化时间tG内面积最小的补集区域为参照区域A，以在空间变化时间tG内面积最大的补集区域为参照区域B；依次计算以参照区域A的边缘线上的各个点到锚定点Anchor之间所有距离值的平均值为AVGSpA，依次计算以参照区域B的边缘线上的各个点到锚定点Anchor之间所有距离值的平均值为AVGSpB，
Spac(LPcha,i3)＝(|AVGSpA-Space(i3)|+|AVGSpB-Space(i3)|)÷2；
其中，Space(i3)为线段LPcha上的第i3个点到锚定点Anchor之间的距离值。
6.根据权利要求4所述的一种林业图斑变化快速识别方法，其特征在于，在S300中，实时判断各个空间变化度是否超过变化阈值，如果是则将该图斑图像标记为异常图斑的方法为：在i2∈[1,Sum2]的取值范围内，计算所有的图斑图像Suvyi2内的空间变化度SpChai2的算数平均值记为变化阈值，标记所有的空间变化度SpChai2大于或等于变化阈值的的图斑图像为异常区域。
7.根据权利要求1所述的一种林业图斑变化快速识别方法，其特征在于，在S400中，将所有异常图斑影像输出到客户端进行显示的方法为：
将所有异常图斑的在遥感图像上相应位置进行图像增强，然后将图像增强后的遥感图像传输到客户端的显示屏进行显示输出。
8.根据权利要求6所述的一种林业图斑变化快速识别方法，其特征在于，进行图像增强的方法为频率域法或空间域法。
CN202310078634.8A 2023-01-18 2023-01-18 一种林业图斑变化快速识别方法及系统 Active CN116258961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310078634.8A CN116258961B (zh) 2023-01-18 2023-01-18 一种林业图斑变化快速识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310078634.8A CN116258961B (zh) 2023-01-18 2023-01-18 一种林业图斑变化快速识别方法及系统

Publications (2)

Publication Number Publication Date
CN116258961A true CN116258961A (zh) 2023-06-13
CN116258961B CN116258961B (zh) 2023-12-01

Family

ID=86687358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310078634.8A Active CN116258961B (zh) 2023-01-18 2023-01-18 一种林业图斑变化快速识别方法及系统

Country Status (1)

Country Link
CN (1) CN116258961B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116546431A (zh) * 2023-07-04 2023-08-04 北京江云智能科技有限公司 一种基于北斗全网通多网融合数据采集通信系统及方法
CN118332147A (zh) * 2024-06-17 2024-07-12 富盛科技股份有限公司 多图层图斑数据的差异对比方法、装置及电子设备
WO2024159812A1 (zh) * 2023-08-09 2024-08-08 广东省国土资源测绘院 一种融合多源sar数据的耕地非农化图斑提取方法及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2555228A (en) * 2016-08-24 2018-04-25 Google Llc Change detection based imagery acquisition tasking system
WO2018107939A1 (zh) * 2016-12-14 2018-06-21 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN114022783A (zh) * 2021-11-08 2022-02-08 刘冰 基于卫星图像的水土保持生态功能遥感监测方法和装置
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
CN114926466A (zh) * 2022-07-21 2022-08-19 山东省土地发展集团有限公司 基于大数据的土地一体化监测和决策方法、平台
CN115100552A (zh) * 2022-06-30 2022-09-23 电子科技大学 一种无人机遥感图像实时语义分割方法、介质以及设备
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2555228A (en) * 2016-08-24 2018-04-25 Google Llc Change detection based imagery acquisition tasking system
WO2018107939A1 (zh) * 2016-12-14 2018-06-21 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN114022783A (zh) * 2021-11-08 2022-02-08 刘冰 基于卫星图像的水土保持生态功能遥感监测方法和装置
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
CN115100552A (zh) * 2022-06-30 2022-09-23 电子科技大学 一种无人机遥感图像实时语义分割方法、介质以及设备
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法
CN114926466A (zh) * 2022-07-21 2022-08-19 山东省土地发展集团有限公司 基于大数据的土地一体化监测和决策方法、平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘常瑜;冯仲科;尚书;董思宜;: "邯郸市土地利用动态变化监测分析", 地球环境学报, no. 05 *
卢鹏;周菁;王洪波;: "基于高分辨率遥感影像的林地变化图斑检测方法研究", 林业调查规划, no. 01 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116546431A (zh) * 2023-07-04 2023-08-04 北京江云智能科技有限公司 一种基于北斗全网通多网融合数据采集通信系统及方法
CN116546431B (zh) * 2023-07-04 2023-09-19 北京江云智能科技有限公司 一种基于北斗全网通多网融合数据采集通信系统及方法
WO2024159812A1 (zh) * 2023-08-09 2024-08-08 广东省国土资源测绘院 一种融合多源sar数据的耕地非农化图斑提取方法及设备
CN118332147A (zh) * 2024-06-17 2024-07-12 富盛科技股份有限公司 多图层图斑数据的差异对比方法、装置及电子设备
CN118332147B (zh) * 2024-06-17 2024-10-01 富盛科技股份有限公司 多图层图斑数据的差异对比方法、装置及电子设备

Also Published As

Publication number Publication date
CN116258961B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN116258961B (zh) 一种林业图斑变化快速识别方法及系统
CA2840436C (en) System for mapping and identification of plants using digital image processing and route generation
Amarsaikhan et al. Fusing high-resolution SAR and optical imagery for improved urban land cover study and classification
Mazur et al. An object-based SAR image iceberg detection algorithm applied to the Amundsen Sea
Akar et al. Integrating multiple texture methods and NDVI to the Random Forest classification algorithm to detect tea and hazelnut plantation areas in northeast Turkey
Dingle Robertson et al. Comparison of pixel-and object-based classification in land cover change mapping
Chen et al. Decision-level fusion of Sentinel-1 SAR and Landsat 8 OLI texture features for crop discrimination and classification: case of Masvingo, Zimbabwe
Gebreslasie et al. Individual tree detection based on variable and fixed window size local maxima filtering applied to IKONOS imagery for even-aged Eucalyptus plantation forests
Zeng et al. Image fusion for land cover change detection
Qin et al. Spatiotemporal inferences for use in building detection using series of very-high-resolution space-borne stereo images
Peters et al. Synergy of very high resolution optical and radar data for object-based olive grove mapping
CN116051998B (zh) 一种自然保护区界桩监测方法及系统
Fu et al. Synergy of multi-temporal polarimetric SAR and optical image satellite for mapping of marsh vegetation using object-based random forest algorithm
Mishra et al. Knowledge-based decision tree approach for mapping spatial distribution of rice crop using C-band synthetic aperture radar-derived information
Tiwari et al. UAV remote sensing for campus monitoring: a comparative evaluation of nearest neighbor and rule-based classification
Natteshan et al. Effective SAR image segmentation and classification of crop areas using MRG and CDNN techniques
Holmström et al. Statistical scale space methods
Ghasemi et al. Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran
Burigana et al. Image processing and analysis of radar and lidar data: new discoveries in Verona southern lowland (Italy)
Nguyen et al. Mapping Land use/land cover using a combination of Radar Sentinel-1A and Sentinel-2A optical images
Hashim et al. Land use land cover analysis with pixel-based classification approach
Ganchenko et al. Special Area Detection and Recognition on Agricultural Fields Images
Vannier et al. Detection of wooded hedgerows in high resolution satellite images using an object-oriented method
Desai et al. Automatic land cover classification with SAR imagery and Machine learning using Google Earth Engine
Nasiri et al. Integration of radar and optical sentinel images for land use mapping in a complex landscape (case study: Arasbaran Protected Area)

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