CN116385271A - 一种遥感图像耕地撂荒识别方法 - Google Patents
一种遥感图像耕地撂荒识别方法 Download PDFInfo
- Publication number
- CN116385271A CN116385271A CN202310428852.XA CN202310428852A CN116385271A CN 116385271 A CN116385271 A CN 116385271A CN 202310428852 A CN202310428852 A CN 202310428852A CN 116385271 A CN116385271 A CN 116385271A
- Authority
- CN
- China
- Prior art keywords
- land
- abandoned
- grid
- barren
- ndvi
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001932 seasonal effect Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000003306 harvesting Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及撂荒技术领域,具体公开了一种遥感图像耕地撂荒识别方法,包括以下步骤:S01:按照区域植被物候变化节点选取的三年份、春夏秋三季度的区域全覆盖高分遥感影像进而区域耕地矢量边界;S02:输出区域内季节性撂荒耕地栅格和年际性撂荒耕地栅格;S03:读取输入的区域耕地矢量边界,并获取其纬度范围,根据纬度范围获取耕地覆盖植被的物候变化节点,根据物候变化节点读取输入的遥感图像和区域内耕地矢量边界文件并裁剪,得到区域内耕地的时序NDVI栅格数据;S04:对NDVI栅格数据可视化、阈值分割后,通过季节性撂荒算出年际性撂荒范围,输出年际性撂荒区域栅格。
Description
技术领域
本申请涉及撂荒技术领域,具体公开了一种遥感图像耕地撂荒识别方法。
背景技术
撂荒地分为季节性撂荒和年际性撂荒,通常将一年内的暂时性撂荒称为季节性撂荒,将一年以上的撂荒称为年际性撂荒,目前对撂荒耕地的提取方法主要是基于NDVI的长时序遥感图像分析,先对每个时间点进行撂荒耕地的提取,叠加分析后获得季节性撂荒和年际性撂荒。
现有技术:
目前耕地撂荒的提取主要有两种,一种是基于长时序NDVI结合阈值分割的耕地撂荒提取,一种是基于机器学习的耕地撂荒提取。
基于深度学习的方法通常是根据实地采样、已有撂荒矢量数据结合遥感图像制作标签数据,将标签数据与原始遥感影像按照需要裁减成特定大小后,按照比例分为训练集与数据集,进行模型的训练。目前常用的模型有SVM、CNN、DNN等。
基于长时序NDVI结合阈值分割的方法,选取多个时间遥感图像,分别计算NDVI指数后利用耕地范围矢量进行剪裁获得耕地范围内的NDVI数据,结合野外采样数据,设定阈值对每个时间耕地范围内的荒地进行提取或对时序NDVI曲线形态结合人工分析进行耕地提取,按照撂荒时间的长短分为季节性撂荒和年际性撂荒;
针对目前常用的两种耕地撂荒提取方法,主要存在以下的一些问题:
对于基于机器学习的方法,存在的问题主要是:对于单个时间的撂荒提取效果较好,但是随着时序的延长,需要的数据增加,大量标签数据的制作繁琐,成本过高。随着数据量的增加,训练模型的成本也随之增加。
对于基于NDVI的时序遥感图像分析,存在的问题主要是:通常长时序分析需要的数据量较大,对于数据获取与处理的难度与成本都较高;通常采用的阈值分割方法是对每一个时间点的NDVI数据基于阈值分割得到荒地的部分,很可能会忽略灌木、杂草生长茂盛的荒地;对于时序NDVI曲线特征分析的方法,过于依赖人为判断,主观性过强,同时也会出现忽略杂草、灌木的情况,鉴于此,发明人一种遥感图像耕地撂荒识别方法。
发明内容
本发明的目的在于解决①长时序遥感图像分析需要大量遥感图像,数据收集、处理都存在难度;②对时序NDVI曲线进行分析设定撂荒地区间或对每个时间点NDVI设置阈值,容易忽略灌木、杂草生长茂盛的撂荒地。
为了达到上述目的,本发明提供以下基础方案:
一种遥感图像耕地撂荒识别方法,包括以下步骤:
S01:按照区域植被物候变化节点选取的三年份、春夏秋三季度的区域全覆盖高分遥感影像进而区域耕地矢量边界,区域植被物候变化节点包括作物收获时间、作物生长时间、茂盛时间和作物收割时间。
S02:输出区域内输出季节性撂荒耕地和年际性撂荒耕地栅格;
S03:读取输入的区域耕地矢量边界,并获取其纬度范围,根据纬度范围获取耕地覆盖植被的物候变化节点,根据物候变化节点读取输入的遥感图像和区域内耕地矢量边界文件并裁剪,得到区域内耕地的时序NDVI栅格数据;
S04:对NDVI栅格数据可视化、阈值分割后,得到季节性撂荒和季节性撂荒耕地栅格;
S05:通过季节性撂荒算出年际性撂荒范围,输出年际性撂荒区域栅格。
本基础方案的原理及效果在于:
1.与现有技术相比,本发明减少基于NDVI的长时序遥感图像分析的数据量,有效减少数据获取、处理的时间,耗时短;能够适用于不同分辨率遥感图像,适合不同精度需求场景;在阈值分割上将相邻两季度NDV I差值作为阈值设定依据,有效顾及灌木、杂草的生长;利用栅格影像叠加分析与重分类的方法区分季节性撂荒与年际性撂荒。
2.与现有技术相比,本发明引入区域内主要植被物候变化时间节点,如作物收获、作物生长、茂盛、作物收割等物候特点显著性变化的时间节点,作为选取时序遥感图像依据;将相邻季度NDVI差值作为时序NDVI分析的依据代替原有将单个时间节点NDVI值作为分析的依据;选取高精度遥感影像,提高撂荒耕地提取的精度;按照提取撂荒时间的长短,能够有效区分季节性撂荒和年际性撂荒。在耕地撂荒的提取上减少数获取、处理的时间成本,有效顾及了有野生植被覆盖的荒地区域的提取,把握撂荒地特点。
3.在遥感图像的选取上,选择精度更高的高分遥感影像,有效应对高精度需求应用场景。
4.在时序遥感图像的选取上,根据区域纬度范围估算并引入区域内主要作物物候变化显著的时间点作为时序遥感图像选取的依据,减少了时序遥感图像的数量,有效减少数据收集、处理的时间成本,也降低了数据收集的难度。
5.在基于NDVI阈值分割提取荒地上,将相邻两个季度NDVI的差值作为依据进行阈值的设定,代替原先将单个时间节点NDVI作为依据进行阈值设定,由于耕地中的野生植被:灌木、杂草等随时间变化NDVI变化不够显著,此方法能够有效顾及杂草、灌木生长茂盛的撂荒耕地;
6.在撂荒地类别的判定上,利用栅格值计算,结合重分类,对耕地范围内时序NDVI数据进行分析,有效区别撂荒地与其他类型用地,并且能够区别撂荒地中的季节性撂荒地和年际性撂荒地。
进一步,在步骤S03中,NDVI栅格数据包括第一季度NDVI栅格数据、第二季度NDVI栅格数据和第三季度NDVI栅格数据,将第一季度和第三季度NDVI分别和第二季度NDVI求差并将差值进行栅格可视化;将得到的差值栅格进行阈值分割,得到荒地和非荒地,对荒地部分进行栅格输出,得到单季度荒地栅格。
进一步,在步骤S04中,两季度差值都分为荒地的区域定义为季节性撂荒,将两个季度荒地栅格叠加,并将结果进行重分类,将值为2的栅格设为1,其他栅格设为0,得到季节性撂荒耕地栅格。
进一步,将得到的差值文件命名为NDVI12和NDVI32并进行阈值分割,设定第一季度差值的阈值THRESHOLD1和第二季度差值阈值
THRESHOLD2,将两个季度差值与阈值进行比较,小于阈值点为荒地设为1,大于阈值点则为其他类地设为0进行重分类,得到单季度荒地提取文件Abandoned1和Abandoned2,函数结束。
进一步,年际性撂荒范围:读取相邻两年份的季节性撂荒栅格文件,对两年份季节性撂荒耕地的栅格文件进行求和,得到新的栅格文件,对新的进行重分类,将值为2的栅格设为1,其他栅格设为0,得到年际性撂荒栅格区域栅格文件。
进一步,将步骤S01文件化,读取输入文件:以三年份主要植被物候变化节点高分遥感影像,区域内耕地矢量边界为主,读取耕地矢量边界坐标,获得区域纬度范围,根据纬度范围,读取时序遥感图像。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提出的一种遥感图像耕地撂荒识别方法的运行原理示意图。
具体实施方式
为更进一步阐述本发明为实现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,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如后。
实施例如图1所示:
一种遥感图像耕地撂荒识别方法;
包括(1)输入说明:
输入文件包括按照区域植被物候变化节点选取的三年份、春夏秋三季度的区域全覆盖高分遥感影像、区域耕地矢量边界,区域植被物候变化节点包括作物收获时间、作物生长时间、茂盛时间和作物收割时间。
读取输入文件:以三年份主要植被物候变化节点高分遥感影像,区域内耕地矢量边界为主,读取耕地矢量边界坐标,获得区域纬度范围,根据纬度范围,读取时序遥感图像。
(2)输出说明:
输出文件包括区域内季节性撂荒耕地栅格和年际性撂荒耕地栅格。
(3)季节性撂荒耕地范围计算。
读取输入的区域耕地矢量边界,并获取其纬度范围,根据纬度范围获取耕地覆盖植被的物候变化节点,根据物候变化节点读取输入的遥感图像和区域内耕地矢量边界文件,分布计算NDVI指数后进行可视化输出,将输出的栅格文件用输入的矢量边界文件进行裁剪,得到区域内耕地的时序NDVI栅格数据;将第一季度和第三季度NDVI分别和第二季度NDVI求差并将差值进行栅格可视化;将得到的差值栅格进行阈值分割,得到荒地和非荒地,直接进行栅格叠加分析,并将结果进行重分类,得到撂荒耕地栅格,两季度差值都分为荒地的区域定义为季节性撂荒,将两个季度荒地栅格叠加,并将结果进行重分类,将值为2的栅格设为1,其他栅格设为0,得到季节性撂荒耕地栅格,将栅格进行叠加分析,并将结果进行重分类,将值为2的栅格设为1,其他栅格设为0,得到季节性撂荒耕地栅格。然后输出,具体过程如下:
(3-1)进入系统初始化,读取输入文件:三年份主要植被物候变化节点高分遥感影像,区域内耕地矢量边界;之后进入3-2);
(3-2)读取耕地矢量边界坐标,获得区域纬度范围,后进入3-3)
(3-3)根据纬度范围,读取时序遥感图像,后进入3-4)
(3-4)计算输入的高分影像NDVI指数,并按照指数进行栅格可视化,得到NDVI栅格图像;之后,进入3-5);
(3-5)对每幅遥感影像NDVI利用输入的区域耕地范围矢量边界进行裁剪,得到区域内耕地时序NDVI数据,进入3-6);
(3-6)将3-5)得到的时序NDVI数据按照年份划分,将同一年份第一季度、第三季度NDVI分别与第二季度进行差值运算得到差值NDVI栅格图像3-6-1)~3-6-3);之后,进入3-7);
(3-6-1)对第一季度与第二季度NDVI进行求差NDVI2-NDVI1,第三季度与第二季度NDVI进行求差NDVI2–NDVI3,得到NDVI差值文件NDVI12和NDVI32,进入3-6-2);
(3-6-2)对3-6-1)得到的差值文件NDVI12和NDVI32进行阈值分割,设定第一季度差值的阈值THRESHOLD1和第二季度差值阈值THRESHOLD2,将两个季度差值与阈值进行比较,小于阈值点为荒地设为1,大于阈值点则为其他类地设为0进行重分类,得到单季度荒地提取文件Abandoned1和Abandoned2,函数结束;
(3-7)将栅格文件Abandoned1和Abandoned2叠加求和Abandoned1+Abandoned2,得到栅格文件Abandoned_12进入3-8);
(3-8)对栅格文件Abandoned_12进行重分类,值为2的栅格赋值为1,其他栅格赋值为0,得到季节性撂荒耕地栅格文件Abandoned_Season,后进入3-9);
(3-9)输出Abandoned_Season栅格文件。
(4)年际性撂荒范围计算
(4-1)读取相邻两年份的季节性撂荒栅格文件Abandoned_Season1和Abandoned_Season2,进入4-2);
(4-2)对两年份季节性撂荒耕地的栅格文件Abandoned_Season1和Abandoned_Season2进行求和Abandoned_Season1+Abandoned_Season2得到Abandoned_Season12,进入4-3)
(4-3)对Abandoned_Season12进行重分类,将值为2的栅格设为1,其他栅格设为0,得到年际性撂荒栅格区域Abandoned_Year栅格文件,进入4-4)
具体的:年际性撂荒范围:读取相邻两年份的季节性撂荒栅格文件,对两年份季节性撂荒耕地的栅格文件进行求和,得到新的栅格文件,对新的进行重分类,将值为2的栅格设为1,其他栅格设为0,得到年际性撂荒栅格区域栅格文件。
(4-4)输出年际性撂荒区域栅格文件Abandoned_Year。
本发明引入区域内主要植被物候变化时间节点,如作物收获、作物生长、茂盛、作物收割等物候特点显著性变化的时间节点,作为选取时序遥感图像依据;将相邻季度NDVI差值作为时序NDVI分析的依据代替原有将单个时间节点NDVI值作为分析的依据;选取高精度遥感影像,提高撂荒耕地提取的精度;按照提取撂荒时间的长短,能够有效区分季节性撂荒和年际性撂荒。在耕地撂荒的提取上减少数获取、处理的时间成本,有效顾及了有野生植被覆盖的荒地区域的提取,把握撂荒地特点。
本发明减少基于NDVI的长时序遥感图像分析的数据量,有效减少数据获取、处理的时间,耗时短;能够适用于不同分辨率遥感图像,适合不同精度需求场景;在阈值分割上将相邻两季度NDVI差值作为阈值设定依据,有效顾及灌木、杂草的生长;利用栅格影像叠加分析与重分类的方法区分季节性撂荒与年际性撂荒。
本发明的目的在于解决①长时序遥感图像分析需要大量遥感图像,数据收集、处理都存在难度;②对时序NDVI曲线进行分析设定撂荒地区间或对每个时间点NDVI设置阈值,容易忽略灌木、杂草生长茂盛的撂荒地。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (7)
1.一种遥感图像耕地撂荒识别方法,其特征在于:包括以下步骤:
S01:按照区域植被物候变化节点选取的年份、春夏秋三季度的区域全覆盖高分遥感影像并且获得矢量边界;
S02:输出区域内输出季节性撂荒耕地和年际性撂荒耕地栅格;
S03:读取输入的区域耕地矢量边界,并获取其纬度范围,根据纬度范围获取耕地覆盖植被的物候变化节点,根据物候变化节点读取输入的遥感图像和区域内耕地矢量边界文件并裁剪,得到区域内耕地的时序NDVI栅格数据;
S04:对NDVI栅格数据可视化、阈值分割后,得到季节性撂荒和季节性撂荒耕地栅格;
S05:通过季节性撂荒算出年际性撂荒范围,输出年际性撂荒区域栅格。
2.根据权利要求1所述的一种遥感图像耕地撂荒识别方法,其特征在于,在步骤S01中,区域植被物候变化节点包括作物收获时间、作物生长时间、茂盛时间和作物收割时间。
3.根据权利要求1所述的一种遥感图像耕地撂荒识别方法,其特征在于,在步骤S03中,NDVI栅格数据包括第一季度NDVI栅格数据、第二季度NDVI栅格数据和第三季度NDVI栅格数据,将第一季度和第三季度NDVI分别和第二季度NDVI求差并将差值进行栅格可视化;将得到的差值栅格进行阈值分割,得到荒地和非荒地,对荒地部分进行栅格输出。
4.根据权利要求1所述的一种遥感图像耕地撂荒识别方法,其特征在于,在步骤S04中,两季度差值都分为荒地的区域定义为季节性撂荒,将两个季度荒地矢量进行叠加取交,并将结果进行重分类,将值为2的栅格设为1,其他栅格设为0,得到季节性撂荒耕地栅格。
5.根据权利要求3所述的一种遥感图像耕地撂荒识别方法,其特征在于,将得到的差值文件命名为NDVI12和NDVI32并进行阈值分割,设定第一季度差值的阈值THRESHOLD1和第二季度差值阈值THRESHOLD2,将两个季度差值与阈值进行比较,小于阈值点为荒地设为1,大于阈值点则为其他类地设为0进行重分类,得到单季度荒地提取文件Abandoned1和Abandoned2,函数结束。
6.根据权利要求1所述的一种遥感图像耕地撂荒识别方法,其特征在于,年际性撂荒范围:读取相邻两年份的季节性撂荒栅格文件,对两年份季节性撂荒耕地的栅格文件进行求和,得到新的栅格文件,对新的进行重分类,将值为2的栅格设为1,其他栅格设为0,得到年际性撂荒栅格区域栅格文件。
7.根据权利要求1所述的一种遥感图像耕地撂荒识别方法,其特征在于,将步骤S01文件化,读取输入文件:以三年份主要植被物候变化节点高分遥感影像,区域内耕地矢量边界为主,读取耕地矢量边界坐标,获得区域纬度范围,根据纬度范围,读取时序遥感图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428852.XA CN116385271A (zh) | 2023-04-20 | 2023-04-20 | 一种遥感图像耕地撂荒识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428852.XA CN116385271A (zh) | 2023-04-20 | 2023-04-20 | 一种遥感图像耕地撂荒识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385271A true CN116385271A (zh) | 2023-07-04 |
Family
ID=86961527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310428852.XA Pending CN116385271A (zh) | 2023-04-20 | 2023-04-20 | 一种遥感图像耕地撂荒识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385271A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372503A (zh) * | 2023-12-08 | 2024-01-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
-
2023
- 2023-04-20 CN CN202310428852.XA patent/CN116385271A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372503A (zh) * | 2023-12-08 | 2024-01-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
CN117372503B (zh) * | 2023-12-08 | 2024-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN108710840B (zh) | 一种农田喷药机器人视觉导航路径识别方法 | |
CN111914611B (zh) | 城市绿地高分遥感监测方法与系统 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
Malik et al. | Detection and counting of on-tree citrus fruit for crop yield estimation | |
Zheng et al. | Research on tomato detection in natural environment based on RC-YOLOv4 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN107016403A (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
CN116385271A (zh) | 一种遥感图像耕地撂荒识别方法 | |
CN113221806A (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN108038487A (zh) | 基于图像分割与特征融合的植物叶片辨别方法 | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
CN114067206A (zh) | 一种基于深度图像的球形果实识别定位方法 | |
CN113688909B (zh) | 一种生态区土地分类方法、装置及电子设备 | |
CN116912578A (zh) | 一种农作物分类方法、系统及电子设备 | |
CN103226709B (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
CN113205006B (zh) | 一种基于水稻指数的多时相遥感影像水稻提取方法 | |
CN104573701A (zh) | 一种玉米雄穗性状的自动检测方法 | |
Liu | A SAM-based method for large-scale crop field boundary delineation | |
Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
CN113111830A (zh) | 一种葡萄藤冬剪点检测算法 | |
Wu et al. | A Dense Litchi Target Recognition Algorithm for Large Scenes | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 |
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 |