CN116597318A - 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 - Google Patents
基于遥感影像的灌区耕地精准提取方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116597318A CN116597318A CN202310868301.5A CN202310868301A CN116597318A CN 116597318 A CN116597318 A CN 116597318A CN 202310868301 A CN202310868301 A CN 202310868301A CN 116597318 A CN116597318 A CN 116597318A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- band
- cultivated land
- value
- sensing image
- 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
- 230000002262 irrigation Effects 0.000 title claims abstract description 34
- 238000003973 irrigation Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005260 corrosion Methods 0.000 claims description 18
- 230000007797 corrosion Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于遥感影像的灌区耕地精准提取方法、设备及存储介质,属于遥感图像处理和形态分析技术领域。利用遥感数据,利用波段信息组合提取样本的特征参数,将信息增益率作为特征筛选的判断指标,选择最优特征参数组合,多轮划分,对灌区中作物覆盖的耕地、裸露耕地和田间道路进行分类,对分类后的耕地、田间道路进行形态分析,进一步提升灌区耕地的提取精度,实现灌区耕地的精准提取。
Description
技术领域
本发明涉及基于遥感影像的灌区耕地精准提取方法、设备及存储介质,属于遥感图像处理和形态分析技术领域。
背景技术
灌区作为保障国家粮食安全的重要基础,对灌区实施科学智能的管理成为灌区现代化发展的重要路径。准确掌握灌区田块的具体分布信息是进行灌区作物分类、土壤墒情分析、作物长势评估、作物估产的重要前提。遥感技术作为土地利用信息提取的重要技术手段被广泛应用,特别是在灌区耕地信息提取方面发挥了积极作用。
现有的遥感技术在进行耕地信息分类提取时,多是通过训练分割网络模型来获得识别结果,当土地类别多,特征复杂时会存在精度低以及分割效果差的问题。由于物候差别,灌区耕地会存在作物覆盖的耕地、裸露耕地和田间道路共存的情况,同时因为灌区地物的特殊性,田间道路通常呈现长条形,而且田间地物通常较窄,在提取过程中也容易出现不连续现象,这些成为制约灌区耕地信息精度提取的技术难点。
发明内容
本发明的目的之一在于克服上述不足而提供一种基于遥感影像的灌区耕地精准提取方法,通过构建多个光谱指数,再利用计算信息增益率的方法从中选择出分类效果最好的光谱指数波段组合形式进行分类,并利用形态分析对分类后结果进行进一步的判别,从而提升耕地分类的准确性。
本发明采取的技术方案为:
基于遥感影像的灌区耕地精准提取方法,包括步骤如下:
S1.选择典型地物采样点记录位置信息并提取对应的遥感影像数据;
S2.构建多个光谱特征指数,根据遥感数据的波段设置,用波段及波段组合的遥感反射率进行光谱特征指数的计算;
S3. 对同一光谱特征指数的不同地物对应的所有取值按升序排列,将所有相邻属两取值的均值作为划分点,计算各划分点的信息增益率,选择信息增益率最大的划分点作为该特征指数的最优划分点;
S4. 按照步骤S3计算其它特征指数的最优划分点及其信息增益率,比较各特征指数最优划分点的信息增益率,选择信息增益率最大的特征指数作为最优的分类的特征指数,该特征指数的最优划分点作为分类阈值进行一次分类,划分出部分明确的地物类别;对剩余样本值重复上述信息增益率计算步骤,继续分类划分,直到实现地物划分;
S5.对分类结果进行形态分析与处理,对于不连续的道路分类形态进行先膨胀操作,然后用变换核对分类图像进行腐蚀操作,得到最后的分类结果。
上述方法中,步骤S1在灌区均匀地布设作物覆盖的耕地、裸露耕地和田间道路的采样点,在采样点附近选择地物类型单一的纯像元作为典型地物采样点,并记录采样点中心经纬度信息,根据经纬度信息在同期遥感影像中提取典型地物的遥感反射率值。
步骤S2所述的光谱特征指数形式包括单波段值、波段差值、波段和值、单波段比值、波段差值/单波段值、波段差值/波段和值、坡度指数,通过卫星波段中的蓝波段、绿波段、红波段以及近红波段的遥感反射率值计算。
步骤S3所述的信息增益率的计算,特征指数A对训练数据集D的信息增益率是信息增益/>与训练数据D关于特征指数A的值的熵/>之比即:
式(1),
其中信息增益的计算如式(2)所示:
式(2),
其中:是数据集D的经验熵,/>为特征指数A对数据集D的经验条件熵;
设训练数据集为D,表示其样本容量,即样本个数;设有K个类C k ,=1,2,…K,为属于类C k 的样本个数;设特征指数A利用二分法有n个不同的划分取值/>,根据特征指数A的取值将D划分为n个子集D 1,D 2,…D n,/>为D i的样本个数;记子集D i中属于类C k 的样本集合为/>,/>为/>的样本个数,/>与/>的计算如式(3)、式(4)所示:
式(3),
式(4),
训练数据D关于特征指数A的值的熵计算如式(5)所示:
式(5),
其中,n为特征指数A的取值个数。
对比特征指数A的所有划分点的信息增益率值,比较不同划分点取值的信息增益率值,选择信息增益率最大的划分点作为特征指数A的最优划分点。
步骤S4为通过S3中的计算过程,分别获取其它特征指数的最优划分点及其信息增益率,比较各特征指数最优划分点的信息增益率,选择信息增益率最大的特征指数作为最优的分类的特征指数,该特征指数的最优划分点作为分类阈值进行分类。对分类结果重复进行上述操作,实现地物分类。
步骤S5所述的膨胀操作为先进行外扩处理,外扩值与临近的原始数值相同,再利用膨胀卷积核对外扩处理后的表格进行卷积运算;所述的腐蚀操作为先外扩处理,外扩值与临近的原始数值相同,再利用腐蚀卷积核对外扩处理结果进行卷积运算。
本发明的另一目的是提供一种基于遥感影像的灌区耕地精准提取设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的基于遥感影像的灌区耕地精准提取方法。
本发明还有一个目的是提供一种存储介质,其为计算机可读存储介质,所述的计算机可读存储介质上存储有计算机程序用于实现如上所述的基于遥感影像的灌区耕地精准提取方法中的步骤。
本发明的有益效果是:
本发明利用遥感数据,利用波段信息组合提取样本的特征参数,将信息增益率作为特征筛选的判断指标,选择最优特征参数组合,多轮划分,对灌区中作物覆盖的耕地、裸露耕地和田间道路进行分类,对分类后的耕地、田间道路进行形态分析,进一步提升灌区耕地的提取精度,实现灌区耕地的精准提取。本发明能够有效地提升灌区作物覆盖的耕地、裸露耕地和田间道路的分类精度,并且可以广泛应用于不同灌区、不同作物覆盖度的耕地信息提取问题,具有较高的可移植性。
附图说明
图1为本发明的方法流程图;
图2为本发明方法分类划分的过程图;
图3为本发明提取准确的道路形态;
图4为本发明提取的不连续的道路分类形态。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
实施例1:基于遥感影像的灌区耕地精准提取方法,包括步骤如下:
S1.选择典型地物采样点记录位置信息并提取对应的遥感影像数据:
样本数据的选择需要在灌区均匀的布设作物覆盖的耕地、裸露耕地和田间道路的采样点,在采样点附件选择地物类型单一的纯像元作为典型地物采样点,并记录采样点中心经纬度信息,根据经纬度信息在同期遥感影像中提取典型地物的遥感反射率值并记住表格中。
本实施例获取共有3类(0、1、2)的光谱数据(作物覆盖耕地、裸露耕地和田间道路),每类光谱数1组,共3组,每组高光谱数据有4个波段(波段1、2、3、4),如表1。
表1:原始数据
。
S2.构建多个光谱特征指数,根据遥感数据的波段设置,用波段及波段组合的遥感反射率进行光谱特征指数的计算:
特征指数的计算主要有利用波段及波段组合进行特征指数的计算,计算形式如下表所示:
表2:特征指数计算形式
。
表格中B、G、R、N分别指卫星波段中的蓝波段、绿波段、红波段以及近红波段的遥感反射率值,λN是N代表波段的中心波长。
根据遥感数据的波段设置,分别对得到的各个特征指数(如表3)进行计算,得到特征指数计算结果。将三组数据(作物覆盖耕地、裸露耕地和田间道路)对应波段带入,得到光谱特征指数值如表4。
表3:光谱特征指数形式
。
表4:特征指数计算结果
。
S3. 对同一光谱特征指数的不同地物对应的所有取值按升序排列,将所有相邻属两取值的均值作为划分点,计算各划分点的信息增益率,取信息增益率最大的划分点作为该特征指数的最优划分点:
以公式一为例,将特征指数的所有取值按升序排列,所有相邻属性的两均值作为候选划分点。公式一划分点如表5所示:
表5:公式一划分点
。
训练数据集D如表4所示,的值为3,即样本个数;样本共有3类,特征参数以B1为例,特征参数利用二分法有2个不同的划分点取值(划分点一、划分点二)。
首先计算第一个划分点的信息增益率:
(1)计算经验熵:
=0.9183,
(2)计算特征参数B1取划分点一(0.07615)对数据集的进行划分,划分后数据集D分为两部分,D 1包含特征参数B1小于0.07615的样本,D 2包含特征参数B1大于0.07615的样本,计算特征参数B1取划分点一对数据集D的经验条件熵如下:
=0.2516 ,
(3)计算信息增益:
=0.6667 ,
(4)计算训练数据D关于特征参数B1的值的熵:
=0.9183,
(5)计算信息增益率:
=0.7260 。
同理,计算第二个分类点的信息增益率得到=1,比较/>与/>的信息增益率值,选择第二划分点即B1=0.1019作为B1的最优划分点。
S4. 按照步骤S3分别计算并选出B2、B3、B4等的最优划分点,比较B1、B2、B3、B4等最优划分点的信息增益率,选择信息增益率最大的特征参数作为分类特征参数,该参数的最优划分点作为分类阈值进行分类,划分出部分明确的地物类别,对剩余取值样本重复上述的信息增益率计算,继续划分,直到实现地物划分:
B1=0.1019的信息增益率为1,已是最优划分点之一,选择特征参数B1取值0.1019进行分类,分类后田间道路为一类,作物覆盖耕地和裸露耕地为一类。继续对作物覆盖耕地和裸露耕地分类,重复进行步骤(1)~(5),此时B1=0.1019的信息增益率为0,比较B2、B3、B4等得出最优划分特征参数为B1,最优划分点取值为0.07615,实现地物分类。将分类特征参数及划分点取值依次罗列构成分类决策树,决策树如图2所示:图中虚线框内为第一次分类,实现了田间道路与作物覆盖耕地、裸露耕地的区分;点间线框为在第一次分类的基础上进行了第二次分类,实现了作物覆盖耕地与裸露耕地的区分,实现了地物分类。
S5. 对分类结果进行形态分析与处理,对于不连续的道路分类形态进行先膨胀操作,然后用变换核对分类图像进行腐蚀操作,得到最后的分类结果。
因为灌区地物的特殊性,田间道路通常呈现长条形,而且田间地物通常较窄,在提取过程中容易出现不连续现象。结合田间道路的独特形态,对分类结果进行进一步的核准、优化,提升灌区耕地的提取准确度。对于不连续的道路,运用数学形态学算子(腐蚀和膨胀),将临近的类似分类区域聚类并进行合并,首先将被选的分类用一个膨胀操作合并到一块,然后用变换核对分类图像进行腐蚀操作。图像的膨胀是定义结构元素之后,将结构元素的中心点依次放到图像中每一个非0元素处,如果原图像中某个元素被结构元素覆盖,但是该像素的像素值不与结构元素中心点对应的像素点的像素值相同,那么将原图像中的该像素的像素值修改为结构元素中心点对应点的像素值。图像的腐蚀过程与图像的卷积操作类似,都需要模板矩阵来控制运算的结果,图像的腐蚀是定义结构元素之后,将结构元素的中心点依次放到图像中每一个非0元素处,如果此时结构元素内所有的元素所覆盖的图像像素值均不为0,则保留结构元素中心点对应的图像像素,否则将删除结构元素中心点对应的像素。通过膨胀和腐蚀,可以有效地保障田间道路提取的准确性,进而提升灌区耕地提取的准确性。
实际提取过程中一般存在准确提取和提取不准确两类,分别如图3、图4所示。根据田间道路的形态特征以及正确提取的结果,对图4中常见的问题进行膨胀-腐蚀处理。为了便于直观展现膨胀和腐蚀的效果,通过二值图表进行相关展示,其中1代表田间道路,0代表耕地。膨胀-腐蚀的过程为:①根据情况确定膨胀卷积核和腐蚀卷积核;②对原始二值表格进行外扩处理,外扩值与临近的原始数值相同,确保膨胀后表格大小保持不变;③利用膨胀卷积核对②中处理后的表格进行卷积运算,其中卷积范围内只要有数值为1,则该处赋值为1;④对③中的处理结果进行外扩处理,外扩值与临近的原始数值相同,确保腐蚀后表格大小保持不变;⑤利用腐蚀卷积核对④的处理结果进行卷积运算,其中卷积范围内所有数值为1,则该处赋值为1,否则赋值为0,得到最终的处理结果。
其中表6为膨胀和腐蚀的卷积核,本次选择的膨胀和腐蚀的卷积核相同,表7为原始的二值表,表8为表七外扩一个单元格后的结果,表9为膨胀结果,表10为表9外扩一个单元格后的结果,表11为腐蚀结果。
表6:卷积核
。
表7:原始的二值表
。
表8:原始的二值表外扩结果
。
表9:膨胀结果
。
表10:膨胀二值表外扩结果
。
表11:腐蚀结果
。
实施例2:基于遥感影像的灌区耕地精准提取设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上实施例1所述的基于遥感影像的灌区耕地精准提取方法。
一种存储介质,其为计算机可读存储介质,所述的计算机可读存储介质上存储有计算机程序用于实现如上实施例1所述的基于遥感影像的灌区耕地精准提取方法中的步骤。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于遥感影像的灌区耕地精准提取方法,其特征是,包括步骤如下:
S1.选择典型地物采样点记录位置信息并提取对应的遥感影像数据;
S2.构建多个光谱特征指数,根据遥感数据的波段设置,用波段及波段组合的遥感反射率进行光谱特征指数的计算;
S3. 对同一光谱特征指数的不同地物对应的所有取值按升序排列,将所有相邻属两取值的均值作为划分点,计算各划分点的信息增益率,选择信息增益率最大的划分点作为该特征指数的最优划分点;
S4. 按照步骤S3计算其它特征指数的最优划分点及其信息增益率,比较各特征指数最优划分点的信息增益率,选择信息增益率最大的特征指数作为最优的分类的特征指数,该特征指数的最优划分点作为分类阈值进行一次分类,划分出部分明确的地物类别;对剩余样本值重复上述信息增益率计算步骤,继续分类划分,直到实现地物划分;
S5.对分类结果进行形态分析与处理,对于不连续的道路分类形态进行先膨胀操作,然后用变换核对分类图像进行腐蚀操作,得到最后的分类结果。
2.根据权利要求1所述的基于遥感影像的灌区耕地精准提取方法,其特征是,步骤S1在灌区均匀地布设作物覆盖的耕地、裸露耕地和田间道路的采样点,在采样点附近选择地物类型单一的纯像元作为典型地物采样点,并记录采样点中心经纬度信息,根据经纬度信息在同期遥感影像中提取典型地物的遥感反射率值。
3.根据权利要求1所述的基于遥感影像的灌区耕地精准提取方法,其特征是,步骤S2所述的光谱特征指数形式包括单波段值、波段差值、波段和值、单波段比值、波段差值/单波段值、波段差值/波段和值、坡度指数,通过卫星波段中的蓝波段、绿波段、红波段以及近红波段的遥感反射率值计算。
4.根据权利要求1所述的基于遥感影像的灌区耕地精准提取方法,其特征是,步骤S3所述的信息增益率的计算,特征指数A对训练数据集D的信息增益率是信息增益与训练数据D关于特征指数A的值的熵/>之比即:
式(1),
其中信息增益的计算如式(2)所示:
式(2),
其中:是数据集D的经验熵,/>为特征指数A对数据集D的经验条件熵;
设训练数据集为D,表示其样本容量,即样本个数;设有K个类C k ,=1,2,…K,/>为属于类C k 的样本个数;设特征指数A利用二分法有n个不同的划分取值/>,根据特征指数A的取值将D划分为n个子集D 1,D 2,…D n,/>为D i的样本个数;记子集D i中属于类C k 的样本集合为/>,/>为/>的样本个数,/>与/>的计算如式(3)、式(4)所示:
式(3),
式(4),
训练数据D关于特征指数A的值的熵计算如式(5)所示:
式(5),
其中,n为特征指数A的取值个数。
5.根据权利要求1所述的基于遥感影像的灌区耕地精准提取方法,其特征是,步骤S5所述的膨胀操作为先进行外扩处理,外扩值与临近的原始数值相同,再利用膨胀卷积核对外扩处理后的表格进行卷积运算;所述的腐蚀操作为先外扩处理,外扩值与临近的原始数值相同,再利用腐蚀卷积核对外扩处理结果进行卷积运算。
6.基于遥感影像的灌区耕地精准提取设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于遥感影像的灌区耕地精准提取方法。
7. 一种存储介质,其为计算机可读存储介质 ,其特征是,所述的计算机可读存储介质上存储有计算机程序用于实现如权利要求1-5任一项所述的基于遥感影像的灌区耕地精准提取方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868301.5A CN116597318B (zh) | 2023-07-17 | 2023-07-17 | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868301.5A CN116597318B (zh) | 2023-07-17 | 2023-07-17 | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597318A true CN116597318A (zh) | 2023-08-15 |
CN116597318B CN116597318B (zh) | 2023-09-26 |
Family
ID=87608506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868301.5A Active CN116597318B (zh) | 2023-07-17 | 2023-07-17 | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597318B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN113033279A (zh) * | 2020-12-10 | 2021-06-25 | 四川航天神坤科技有限公司 | 一种基于多源遥感影像的作物精细分类方法及其系统 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
CN114005042A (zh) * | 2021-10-20 | 2022-02-01 | 青岛浩海网络科技股份有限公司 | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 |
-
2023
- 2023-07-17 CN CN202310868301.5A patent/CN116597318B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
CN113033279A (zh) * | 2020-12-10 | 2021-06-25 | 四川航天神坤科技有限公司 | 一种基于多源遥感影像的作物精细分类方法及其系统 |
CN114005042A (zh) * | 2021-10-20 | 2022-02-01 | 青岛浩海网络科技股份有限公司 | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 |
Non-Patent Citations (1)
Title |
---|
徐朋;徐伟诚;罗阳帆;赵祚喜;: "基于无人机可见光遥感影像的耕地精准分类方法研究", 中国农业科技导报, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116597318B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
CN114120037B (zh) | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN111798467A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
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 | |
CN116071600B (zh) | 一种基于多分类概率的农作物遥感识别方法及装置 | |
CN114782838B (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
CN115512232B (zh) | 一种农作物种子发芽情况识别模型、构建方法及其应用 | |
CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
CN114677606A (zh) | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 | |
CN114119575B (zh) | 一种空间信息变化检测方法及系统 | |
CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN112949657B (zh) | 一种基于遥感影像纹理特征的林地分布提取方法及装置 | |
CN116597318B (zh) | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 | |
CN116109933B (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN114332546B (zh) | 一种物候匹配策略的大尺度迁移学习作物分类方法及系统 | |
CN113935963B (zh) | 一种荔枝种胚发育程度的图像识别检测方法及系统 | |
CN115375694A (zh) | 便捷式的基于图像识别的水稻整穗测量方法及其应用 | |
Cao et al. | Plant leaf segmentation and phenotypic analysis based on fully convolutional neural network | |
CN115205853B (zh) | 一种基于图像的柑橘果实检测与识别方法及系统 | |
Bajpai et al. | An efficient approach to detect and predict the tomato leaf disease using enhance segmentation neural network |
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 |