CN116740580A - 基于遥感技术的园林工程数据处理方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于遥感技术的园林工程数据处理方法，包括：获取待监测园林的RGB遥感影像，对RGB遥感影像进行图像处理分析，获得待分析区域内每个像素点对应的色域R和色域B的最优权重；确定待分析区域内每个像素点的最优灰度值，进而确定最优RGB遥感影像；对最优RGB遥感影像进行边缘检测，根据边缘检测结果计算待监测园林的植被覆盖率。本发明通过对RGB遥感影像中每个像素点的RGB三色域的权重进行分析，使得最优RGB遥感影像能够通过边缘检测识别分割出细小植被，从而提高计算的待监测园林的植被覆盖率精确性，主要应用于园林植被覆盖率计算领域。

Description

基于遥感技术的园林工程数据处理方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种基于遥感技术的园林工程数据处理方法。

背景技术

园林工程数据包括环境土壤、植被覆盖率、土地利用率和施工进度等。其中，植被覆盖率对园林的绿化效果评估、生态环境监测等提供了数据支持。在园林遥感影像中，植被覆盖率可以通过统计植被区域在园林中的整体占比确定，其有助于监测园林生态环境。一般园林工程中，包括植被、建筑物，在统计植被覆盖率时，需要对植被和建筑物的边缘进行提取分割，以达到区分的效果。

关于植被边缘的提取分割，可以采用现有技术，如Canny算子边缘检测等。但是，在利用现有算法对园林遥感影像进行边缘检测，分割出植被部分和建筑物部分的过程中，由于紧密相连的建筑物之间存在细小绿色植被无法被识别和分割，导致最终的植被覆盖率的计算结果的精确性较差。

发明内容

为了解决上述园林植被边缘检测不准确，导致园林工程数据植被覆盖率计算结果精确性较差的技术问题，本发明的目的在于提供一种基于遥感技术的园林工程数据处理方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于遥感技术的园林工程数据处理方法，该方法包括以下步骤：

获取待监测园林的RGB遥感影像，对RGB遥感影像进行语义分割处理，获得园林区域图像；对园林区域图像进行灰度化处理获得灰度图像，将灰度图像划分成各个块区域；

根据每个块区域内每个像素点的灰度值，确定每个块区域的规整度系数；根据每个块区域的规整度系数区分规整区域和非规整区域，进而构建规整区域和非规整区域对应的明显性函数；

将待分析区域内每个像素点对应的色域R和色域B的权重作为自变量，对待分析区域对应的明显性函数中的自变量进行调整，将最大明显性函数值对应的每个像素点对应的色域R和色域B的调整权重确定为最优权重；其中，待分析区域为规整区域或非规整区域；

根据待分析区域内每个像素点对应的色域G的原始权重、色域R和色域B的最优权重，确定待分析区域内每个像素点的最优灰度值，进而确定最优RGB遥感影像；

对最优RGB遥感影像进行边缘检测，根据边缘检测结果计算待监测园林的植被覆盖率。

进一步地，所述根据每个块区域内每个像素点的灰度值，确定每个块区域的规整度系数，包括：

根据每个块区域内每个像素点的灰度值，计算每个块区域对应的灰度方差和最大灰度值，将灰度方差与最大灰度值的比值进行反比例处理，将反比例处理后的数值确定为对应的块区域的第一规整度；

对每个块区域进行阈值分割处理，获得每个块区域内的各个闭合连通域；统计每个块区域内的所有闭合连通域中像素点的个数，将块区域内的所有闭合连通域中像素点的个数与块区域内所有像素点个数的比值确定为对应的块区域的第二规整度；

将第一规整度和第二规整度的乘积确定为对应的块区域的规整度系数。

进一步地，所述规整区域的明显性函数的确定步骤包括：

根据规整区域内每个像素点的灰度值，对规整区域进行图像分割，统计图像分割后的规整区域内建筑像素点的个数和所有像素点的个数；将图像分割后的规整区域内建筑像素点的个数和所有像素点的个数的比值，确定为规整区域的明显性函数。

进一步地，所述非规整区域的明显性函数的确定步骤包括：

根据非规整区域内每个像素点的灰度值，确定非规整区域对应的灰度方差和最大灰度值；对非规整区域进行图像分割，统计图像分割后的非规整区域内植被像素点的个数和所有像素点的个数；

根据非规整区域对应的灰度方差和最大灰度值、植被像素点的个数和所有像素点的个数，确定非规整区域对应的明显性函数。

进一步地，所述非规整区域对应的明显性函数的计算公式为：

式中，为非规整区域对应的明显性函数，/>为非规整区域对应的灰度方差，为非规整区域对应的最大灰度值，/>为非规整区域内植被像素点的个数，/>为非规整区域内所有像素点的个数。

进一步地，所述对待分析区域对应的明显性函数中的自变量进行调整，包括：

设置自变量调整时的调整参数，在第一次调整时，若待分析区域内每个像素点对应的色域R的权重与调整参数相加，则每个像素点对应的色域B的权重与调整参数相减，获得第一次调整后待分析区域内每个像素点对应的色域R和色域B的调整权重；判断第一次调整后的待分析区域内每个像素点对应的色域R和色域B的调整权重是否都出现过最小调整权重，若没有，则不断迭代调整待分析区域内每个像素点对应的色域R和色域B的权重，直至待分析区域内每个像素点对应的色域R和色域B均出现过最小调整权重时，结束调整；

根据每次调整后的待分析区域内每个像素点对应的色域R和色域B的调整权重、色域G的原始权重，计算每次调整后的待分析区域内每个像素点的灰度值；将每次调整后的待分析区域内每个像素点的灰度值，代入到待分析区域对应的明显性函数中，获得每次调整后的待分析区域对应的明显性函数值，进而获得待分析区域对应的最大明显性函数值。

进一步地，所述每次调整后的待分析区域内每个像素点的灰度值的计算公式为：

式中，为每次调整后的待分析区域内每个像素点的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域R的调整权重，/>为每次调整后的待分析区域内每个像素点对应的色域R的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域G的原始权重，/>为每次调整后的待分析区域内每个像素点对应的色域G的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域B的调整权重，/>为每次调整后的待分析区域内每个像素点对应的色域B的灰度值。

进一步地，所述最小调整权重为调整权重不大于0时上一次调整对应的调整权重。

进一步地，所述根据每个块区域的规整度系数区分规整区域和非规整区域，包括：

对于任意一个块区域，若块区域的规整度系数大于或等于规整度阈值，则判定块区域为规整区域；若块区域的规整度系数小于规整度阈值，则判定块区域为非规整区域。

进一步地，所述园林区域图像包括建筑像素点和植被像素点。

本发明具有如下有益效果：

本发明提供了一种基于遥感技术的园林工程数据处理方法，该园林工程数据处理方法将预处理后的图像划分成各个块区域，其有助于对图像的局部区域进行特征分析，减少后续进行三色域权重调整时的计算量，提高了园林工程数据的处理效率；通过分析园林内植被区域和建筑区域内像素点灰度分布情况，确定规整度系数，将块区域区分为规整区域和非规整区域，实现了对块区域性质的初步划分，即有利于后续初步区分建筑区域和植被区域，便于后续在此基础上进行三色域权重调整；结合不同三色域权重下图像局部区域所表现出的图像特征，确定待分析区域对应的明显性函数，对明显性函数中的自变量进行动态分析，可以获得待分析区域的最大明显性函数值对应的最优权重；最优权重是结合了待分析区域对不同色域权重下的反映，其可以获得边缘更为明显的植被区域，即可以有效剔除建筑区域，尽量保留细小植被区域；确定最优RGB遥感影像，对最优RGB遥感影像进行边缘检测，可以获得植被与建筑区分明显的边缘检测结果，使边缘检测的准确性更高，进而有助于获得精准性更高的园林工程数据，即植被覆盖率。本发明可以检测到细小的植被区域，可以用于解决细小植被识别效果不佳，导致植被覆盖率精确性低的问题，主要应用于园林植被覆盖率计算领域。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

图1为本发明一种基于遥感技术的园林工程数据处理方法的流程图；

图2为本发明实施例中待监测园林的RGB遥感影像；

图3为本发明实施例中的待监测园林对应的阈值分割处理后的图像；

图4为本发明实施例中的待检测园林对应的植被区域。

具体实施方式

基于遥感技术的园林工程数据处理方法实施例：

为了更进一步阐述本发明为达成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，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本实施例针对的应用场景：在对园林遥感影像中的建筑物部分和植被部分进行边缘检测和分割时，对于细小的植被部分，因为细小植被处于建筑物与建筑物之间，分辨率相对于其他区域较低，不利于进行检测分割，从而导致植被覆盖率的计算精度降低。

为了识别出待监测园林中的细小植被，对待检测园林的RGB（Red Green Blue）遥感影像中每个像素点对应的三色域权重进行分析，获得最优RGB遥感影像，对最优RGB遥感影像进行边缘检测可以识别分割出待监测园林中的所有植被区域，获得精确性更高的植被覆盖率。具体，本实施例提供了一种基于遥感技术的园林工程数据处理方法，如图1所示，包括以下步骤：

S1，获取待监测园林的RGB遥感影像，对RGB遥感影像进行语义分割处理，获得园林区域图像；对园林区域图像进行灰度化处理获得灰度图像，将灰度图像划分成各个块区域。

在本实施例中，通过遥感平台搭载的传感器成像来获取待监测园林的RGB遥感影像，待监测园林的RGB遥感影像如图2所示。为了去除干扰的背景部分，使用语义分割技术对监测园林的RGB遥感影像进行图像预处理，可以获得预处理后的图像，即园林区域图像。其中，干扰的背景部分即为非园林区域，园林区域内包含建筑物部分和植被部分，即包含建筑像素点和植被像素点。语义分割技术的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。为了便于后续进行图像特征分析和计算，利用加权平均值法对园林区域图像进行灰度化处理获得灰度图像，加权平均值法灰度化的实现过程为现有技术，此处不再进行详细阐述。为了便于后续分析园林区域图像中不同局部区域的规整程度，将预处理后的图像均匀的划分为个块区域，可以将块区域的尺寸/>设置为16，实施者可以根据RGB遥感影像尺寸的大小设置块区域的尺寸，这里不做具体限定。

值得说明的是，为了避免影响后续植被覆盖率计算结果准确性，对于尺寸不足的块区域，需要保留下来，后续直接可以对尺寸不足/>的块区域进行分析。

至此，本实施例获得了待监测园林对应的各个块区域。

S2，根据每个块区域内每个像素点的灰度值，确定每个块区域的规整度系数；根据每个块区域的规整度系数区分规整区域和非规整区域，进而构建规整区域和非规整区域对应的明显性函数。

第一步，根据每个块区域内每个像素点的灰度值，确定每个块区域的规整度系数。

需要说明的是，计算规整度系数是为了初步划分建筑物和植被。对于建筑物，块区域内若存在建筑物区域，则对应的块区域的像素灰度分布均匀，且存在规则连通域内像素点个数较多；对于植被，块区域内若存在植被区域，则对应的块区域内像素灰度分布混乱，且存在多个不规则连通域，多个不规则连通域内像素点个数较小。因此，建筑物的规整度系数高于植被的规整度系数，通过衡量块区域内像素分布情况，确定规整度系数可以连接每个块区域内建筑物和植被的分布情况。

根据每个块区域内每个像素点的灰度值，计算每个块区域对应的灰度方差和最大灰度值，将灰度方差与最大灰度值的比值进行反比例处理，将反比例处理后的数值确定为对应的块区域的第一规整度；对每个块区域进行阈值分割处理，获得每个块区域内的各个闭合连通域；统计每个块区域内的所有闭合连通域中像素点的个数，将块区域内所有闭合连通域中像素点的个数与块区域内所有像素点个数的比值确定为对应的块区域的第二规整度；将第一规整度和第二规整度的乘积确定为对应的块区域的规整度系数。其中，阈值分割处理可以为大津阈值处理，大津阈值处理的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述，待监测园林对应的阈值分割处理后的图像如图3所示。

作为示例，块区域的规整度系数的计算公式可以为：

式中，为第/>个块区域的规整度系数，/>为自然常数，/>为第/>个块区域对应的灰度方差，/>为第/>个块区域对应的最大灰度值，/>为第/>个块区域的第一规整度，/>为第/>个块区域内各个闭合连通域中像素点的个数，/>为第/>个块区域内所有像素点个数，/>为第/>个块区域的第二规整度。

在规整度系数的计算公式中，规整度系数的取值范围为0到1之间，由于块区域内存在孤立像素点，故第/>个块区域内所有闭合连通域中像素点的个数/>小于第/>个块区域内所有像素点个数/>；/>与规整度系数/>为负相关关系，/>越大，说明第/>个块区域内灰度分布越混乱，即第/>个块区域内属于植被区域的部分越多，那么第/>个块区域的规整度系数就会越小；/>与规整度系数/>为正相关关系，/>越大，说明位于连通域内像素点个数在块区域整体像素点个数中的占比越大，即第/>个块区域内属于建筑物的部分越多，那么第/>个块区域的规整度系数就会越大；参考第/>个块区域的规整度系数的计算过程，可以获得每个块区域的规整度系数。

至此，本实施例获得了待监测园林的每个块区域的规整度系数。

第二步，根据每个块区域的规整度系数区分规整区域和非规整区域。

为了减少后续明显性函数中的自变量，使最终的数据可以基于建筑物区域和植被区域进行分析，根据规整度系数将各个块区域划分为两类，一类是规整区域，另外一类是非规整区域。其中，规整区域可以表征建筑物区域，非规整区域可以表征植被区域。规整度系数可以被用于表征块区域内属于建筑区域的分布情况，规整度系数越大，说明块区域内属于建筑区域的分布越多。

在本实施例中，对于任意一个块区域，若块区域的规整度系数大于或等于规整度阈值，则判定块区域为规整区域；若块区域的规整度系数小于规整度阈值，则判定块区域为非规整区域。其中，规整度阈值可以设置为0.8，实施者可以根据具体实现情况设置规整度阈值的大小，不做具体限定。

需要说明的是，块区域存在三种可能性，其一为建筑区域，其二为植被区域，其三为建筑和植被的混合区域，因此，根据规整度系数只能确定块区域为建筑区域的可能性，并不能直接判断块区域为建筑区域。区分规整区域和非规整区域，是为了便于后续可以在规整与否的基础上构建明显性函数，以突出对应区域的图像特征。

第三步，构建规整区域和非规整区域对应的明显性函数。

第一子步骤，规整区域对应的明显性函数的确定步骤包括：

根据规整区域内每个像素点的灰度值，对规整区域进行图像分割，统计图像分割后的规整区域内建筑像素点的个数和所有像素点的个数；将图像分割后的规整区域内建筑像素点的个数和所有像素点的个数的比值，确定为规整区域的明显性函数。其中，图像分割可以为大津阈值分割，将建筑像素点确定为分割目标像素点。大津阈值分割的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

作为示例，规整区域对应的明显性函数的计算公式可以为：

式中，为规整区域对应的明显性函数，/>为规整区域内建筑像素点的个数，为规整区域内所有像素点的个数。

第二子步骤，非规整区域对应的明显性函数的确定步骤包括：

根据非规整区域内每个像素点的灰度值，确定非规整区域对应的灰度方差和最大灰度值；对非规整区域进行图像分割，统计图像分割后的非规整区域内植被像素点的个数和所有像素点的个数；根据非规整区域对应的灰度方差和最大灰度值、植被像素点的个数和所有像素点的个数，确定非规整区域对应的明显性函数。其中，图像分割也可以为大津阈值分割，将植被像素点确定为分割目标像素点。

作为示例，非规整区域对应的明显性函数的计算公式可以为：

式中，为非规整区域对应的明显性函数，/>为非规整区域对应的灰度方差，为非规整区域对应的最大灰度值，/>为非规整区域内植被像素点的个数，/>为非规整区域内所有像素点的个数。

在明显性函数值的计算公式中，与非规整区域对应的明显性函数值为正相关关系，/>与非规整区域对应的明显性函数值也为正相关关系；非规整区域对应的灰度方差/>越大，说明非规整区域内灰度分布越混乱，非规整区域内为植被像素点的个数较多，为了保留细小的植被区域，剔除建筑区域，此时的非规整区域应越明显，即明显性函数值应越大；/>可以被用于表征灰度方差/>与最大灰度值/>之间的差异情况，/>越小，越大，则/>越大，说明灰度方差/>与最大灰度值/>相差越大，非规整区域的像素灰度分布越混乱；/>可以被用于表征非规整区域内植被分布情况，/>在/>中的占比越多，说明非规整区域内植被分布区域越大，非规整区域的明显性应越强，即明显性函数值越大。

至此，本实施例获得了规整区域和非规整区域对应的明显性函数。

S3，将待分析区域内每个像素点对应的色域R和色域B的权重作为自变量，对待分析区域对应的明显性函数中的自变量进行调整，将最大明显性函数值对应的每个像素点对应的色域R和色域B的调整权重确定为最优权重。

需要说明的是，在获得各个规整区域和各个非规整区域后，为了量化规整区域和非规整区域在不同三色域权重下的灰度变化情况，对块区域的目标像素点明显性进行量化。其中，明显性是指在不同三色域权重下的块区域对应的边缘完整度和整体可视性，明显性函数取值越优时，不同区域之间的边缘表现和整体可视性越明显。明显性量化后的明显性函数的自变量为三色域的权重，因变量为明显性函数值，对明显性函数进行动态分析，可以获得不同三色域权重下的最优明显性，即最大明显性函数值，其有助于克服对细小植被和建筑物区域分割效果欠佳的缺陷。

第一步，将待分析区域内每个像素点对应的色域R和色域B的权重作为自变量，对待分析区域对应的明显性函数中的自变量进行调整。

在本实施例中，待分析区域可以为规整区域或非规整区域，相较于非规整区域，规整区域的色域G分量明显低很多，所以规整区域和非规整区域均有其对应的明显性函数。待分区域内的每个像素点均是由三色域对应的灰度值和权重构成的，植被区域的色域G的分量最高，所以保持色域G的原始权重不变，将色域R和色域B对应的权重作为自变量，在调整自变量的过程中分析建筑物区域是否被剔除，植被区域是否被保留或是特征被放大。具体实现过程可以包括：

设置自变量调整时的调整参数，在第一次调整时，若待分析区域内每个像素点对应的色域R的权重与调整参数相加，则每个像素点对应的色域B的权重与调整参数相减，获得第一次调整后待分析区域内每个像素点对应的色域R和色域B的调整权重；判断第一次调整后的待分析区域内每个像素点对应的色域R和色域B的调整权重是否都出现过最小调整权重，若没有，则不断迭代调整待分析区域内每个像素点对应的色域R和色域B的权重，直至待分析区域内每个像素点对应的色域R和色域B均出现过最小调整权重时，结束调整；其中，最小调整权重为调整权重不大于0时上一次调整对应的调整权重，色域R和色域B的调整权重大于预设数值0；调整参数可以设置为0.1，实施者可以根据具体实际情况设置，这里不做具体限定。

举例说明待分析区域内每个像素点对应的色域R和色域B的权重的调整过程，假设待分析区域为非规整区域，非规整区域内仅存在像素点、像素点/>以及像素点/>，将像素点/>对应的色域R的权重记为/>、色域G的权重记为/>以及色域B的权重记为/>，同理，将像素点/>对应的色域R的权重记为/>、色域G的权重记为/>以及色域B的权重记为/>，将像素点/>对应的色域R的权重记为/>、色域G的权重记为/>以及色域B的权重记为/>。那么可以设置/>，/>，，对非规整区域内每个像素点对应的色域R和色域B的权重进行调整，色域G的权重保持不变，可以将每次调整自变量的调整参数设置为0.1。

需要说明的是，由于每个像素点对应的色域G的权重保持不变，为了保证三个色域的权重相加为1，当两个色域中一个色域的权重发生调整时，另外一个色域的权重也要发生调整，但是为了保证像素点灰度值构成的合理性，两个色域对应的调整后的权重大于0，详细的调整过程可以包括：

第一次调整，首先，非规整区域内像素点和像素点/>对应的色域R的原始权重均加上一个调整参数0.1，即色域R的原始权重与调整参数0.1相加，且色域B的原始权重均减去一个调整参数0.1，即色域B的原始权重与调整参数0.1相减，第一调整后非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的调整权重分别为：/>、以及/>。接着，判断第一次调整后的非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的调整权重是否都出现过最小调整权重，由于像素点/>对应的色域B的原始权重为0.1，当像素点/>对应的色域B的原始权重0.1与调整参数0.1相减时等于0，故非规整区域内像素点/>对应的色域B的最小调整权重为0.1，第一次调整时不对像素点/>对应的色域R和色域B的原始权重进行调整。最后，判定第一调整后非规整区域内仅像素点/>对应的色域B的调整权重出现过最小调整权重0.1，继续对非规整区域内像素点和像素点/>对应的色域R和色域B的调整权重进行第二次调整。

第二次调整，首先，第一次调整后的非规整区域内像素点对应的色域R的调整权重与调整参数0.1再次相加，且色域B的权重与调整参数0.1再次相减，第二次调整后的非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的调整权重分别为、/>以及/>。接着，判断第二次调整后的非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的调整权重是否都出现过最小调整权重，由于第一次调整后的像素点/>和像素点/>对应的色域B的调整权重为0.1，像素点/>和像素点/>对应的色域B的权重0.1与调整参数0.1相减时等于0，故第二次调整时不对第一次调整后的像素点/>和像素点/>对应的色域R和色域B的调整权重进行调整。最后，判定第二调整后非规整区域内仅像素点/>和像素点/>对应的色域B的调整权重出现过最小调整权重0.1，继续对非规整区域内像素点/>对应的色域R和色域B的调整权重进行第三次调整。

在进行第三次调整前，分析第二次调整后非规整区域内像素点、像素点/>以及像素点/>对应的色域R和色域B的调整权重分别为/>、/>以及/>可知，第二调整后的非规整区域内仅像素点/>、像素点/>和像素点/>对应的色域B的调整权重为最小调整权重0.1，故第三次调整为非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R的原始权重与调整参数0.1相减，且色域B的原始权重与调整参数0.1相加，获得第三次调整后非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的调整权重分别为/>、/>、/>。接着，判断第三次调整后的非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的调整权重是否都出现过最小调整权重。最后，判定第三次调整后非规整区域内所有像素点对应的色域R和色域B的调整权重均没有出现过最小调整权重继续进行第四次调整。

在进行第四次调整前，分析第三次调整后非规整区域内像素点、像素点/>以及像素点/>对应的色域R和色域B的调整权重分别为/>、/>、/>可知，第三次调整后的非规整区域内仅像素点/>和像素点/>对应的色域R的调整权重均为最小调整权重0.1，故第四次调整不对像素点/>和像素点/>对应的色域R和色域B的调整权重进行调整。第四次调整为第三次调整后的像素点/>对应的色域R的调整权重与调整参数0.1相减，且色域B的调整权重与调整参数0.1相加，第四次调整后的非规整区域内像素点/>、像素点以及像素点/>对应的色域R和色域B的调整权重分别为/>、/>、/>，同理，不断迭代调整非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的权重，直至非规整区域内像素点/>、像素点/>以及像素点/>对应的色域R和色域B的调整权重都出现过最小调整权重0.1时，结束调整。

第二步，根据每次调整后的待分析区域内每个像素点对应的色域R和色域B的调整权重、色域G的原始权重，计算每次调整后的待分析区域内每个像素点的灰度值。

在本实施例中，每次调整后的待分析区域内每个像素点的灰度值的计算公式可以为：

式中，为每次调整后的待分析区域内每个像素点的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域R的调整权重，/>为每次调整后的待分析区域内每个像素点对应的色域R的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域G的原始权重，/>为每次调整后的待分析区域内每个像素点对应的色域G的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域B的调整权重，/>为每次调整后的待分析区域内每个像素点对应的色域B的灰度值。

值得说明的是，像素点的灰度值是由R、G、B的灰度值和权重的乘积相加构成的，植被像素点对应的色域G的分量最高，所以保持像素点对应的色域G的权重不变，使和/>发生变化，以通过改变像素点对应的色域R和色域B的权重，凸显待分析区域内目标像素点。

第三步，将每次调整后的待分析区域内每个像素点的灰度值，代入到待分析区域对应的明显性函数中，获得每次调整后的待分析区域对应的明显性函数值，进而获得待分析区域对应的最大明显性函数值。

本实施例在计算待分析区域对应的明显性函数值时，可以分为两种情况，第一种情况待分析区域为规整区域，第二种情况待分析区域为非规整区域。

第一种情况：若待分析区域为规整区域，则根据每次调整后的规整区域内每个像素点的灰度值，对每次调整后的规整区域进行图像分割，统计图像分割后的规整区域内建筑像素点的个数和所有像素点的个数；将图像分割后的规整区域内建筑像素点的个数和所有像素点的个数的比值，确定为每次调整后的规整区域对应的明显性函数值。

值得说明的是，对于规整区域来讲，对比度是相对的，放大规整区域建筑部分的特征，相应地细小绿植部分特征也会被放大，最终的结果就是：建筑区域更明显，保留下了相邻建筑边缘之间的细小植被部分。

第二种情况：若待分析区域为非规整区域，则根据每次调整后的非规整区域内每个像素点的灰度值，确定每次调整后的非规整区域对应的灰度方差和最大灰度值；对每次调整后的非规整区域进行图像分割，统计图像分割后的非规整区域内植被像素点的个数和所有像素点的个数；将每次调整后的非规整区域对应的灰度方差和最大灰度值、植被像素点的个数和所有像素点的个数代入到非规整区域对应的明显性函数中，可以确定每次调整后的非规整区域对应的明显性函数值。

第四步，确定待分析区域内每个像素点对应的色域R和色域B的最优权重。

在本实施例中，获得每次调整后的待分析区域对应的明显性函数值，也就是获得待分析区域对应的多个明显性函数值，从多个明显性函数值中选择最大明显性函数值，将计算最大明显性函数值时待分析区域内每个像素点对应的色域R和色域B的调整权重确定为最优权重，从而获得待分析区域内每个像素点对应的色域R和色域B的最优权重。

需要说明的是，每次调整后的待分析区域内的部分像素点的灰度值会发生改变，此时对其进行图像分割，每次图像分割后的待分析区域内建筑像素点或植被像素点的个数可能发生变化。当调整结束后，从每次调整后的待分析区域对应的明显性函数值中选取最大明显性函数值，也就是选择明显性最强的调整后的待分析区域，可以将最大明显性函数值对应的待分析区域内每个像素点对应的色域R和色域B的权重确定为最优权重，每个待分析区域内每个像素点对应的色域R和色域B均有其对应的最优权重。

至此，本实施例获得了待分析区域内每个像素点对应的色域R和色域B的最优权重。

S4，根据待分析区域内每个像素点对应的色域G的原始权重、色域R和色域B的最优权重，确定待分析区域内每个像素点的最优灰度值，进而确定最优RGB遥感影像。

在本实施例中，基于待分析区域内每个像素点对应的色域G的原始权重、色域R和色域B的最优权重，参考每次调整后的待分析区域内每个像素点的灰度值的计算过程，可以获得待分析区域内每个像素点的最优灰度值，从而获得每个规整区域和每个非规整区域内每个像素点的最优灰度值，将最优灰度值对应的各个像素点构成的图像确定为最优RGB遥感影像。最优RGB遥感影像可以将细小植被区域的图像特征明显性加强，有利于凸显植被区域边缘的颜色空间，为后续边缘的检测分割提供有效数据环境，便于获取更准确的植被区域面积。

S5，对最优RGB遥感影像进行边缘检测，根据边缘检测结果计算待监测园林的植被覆盖率。

在本实施例中，利用Canny边缘检测算法，对最优RGB遥感影像进行边缘检测，可以获得边缘检测结果，即边缘检测后的遥感影像。将边缘检测后的遥感影像中的所有建筑像素点的灰度值赋值为0，可以获得区分明显的植被区域和建筑区域，待检测园林对应的植被区域如图4所示。将植被区域面积与总体面积的比值确定为待监测园林的植被覆盖率，可以获得精准性更高的植被覆盖率，以达到园林生态环境动态监测的目的。植被覆盖率的计算方式可以为：计算每个样点的植被覆盖度与总样点数的比例即为区域的植被覆盖率，实施者可以根据具体实际情况计算园林的植被覆盖率。Canny边缘检测算法的实现过程为现有技术，此处不再进行详细阐述。

本发明提供了一种基于遥感技术的园林工程数据处理方法，该园林工程数据处理方法通过对各个块区域的图像特征进行分析，量化了局部区域的规整程度，即确定块区域的规整度系数，其有利于后续初步区分建筑区域和植被区域；通过分析不同三色域权重下不同规整度区域的明显性，得到了明显性函数，对明显性函数进行动态分析，有利于确定明显性的最优权重；通过最优权重，获得最优RGB遥感影像，其解决了对细小植被和建筑物区域进行分割后效果欠佳的问题；对最优RGB遥感影像进行植被覆盖率计算，有助于获得精准性更高的植被覆盖率。

至此，本发明完成。

一种遥感园林影像的边缘检测方法实施例：

利用遥感的技术手段和地物之间的光谱差异特性，采用高光谱、高分辨率的遥感园林影像作为数据源，对遥感园林影像进行边缘检测，以便于基于遥感园林影像边缘结果，提取城市园林绿化分布范围、监测用于美化环境及防护的植被覆盖区域。

对于植被覆盖区域，除了城市范围内的公园、动植物园、广场等用于休憩和美化环境及防护的绿化用地以外，还包括商业服务用地和住宅用地内的绿地覆盖。现有边缘检测方法，在对遥感园林影像进行边缘检测时，难以准确区分位于商业服务用地和住宅用地内的绿地边缘，导致边缘检测结果准确性低。

为了解决现有边缘检测方法难以识别细小绿植，导致遥感园林影像边缘检测结果准确性低的技术问题，本发明的目的在于提供一种遥感园林影像的边缘检测方法，所采用的技术方案具体如下：

S1，获取待监测园林的RGB遥感影像，对RGB遥感影像进行语义分割处理，获得园林区域图像；对园林区域图像进行灰度化处理获得灰度图像，将灰度图像划分成各个块区域；

S2，根据每个块区域内每个像素点的灰度值，确定每个块区域的规整度系数；根据每个块区域的规整度系数区分规整区域和非规整区域，进而构建规整区域和非规整区域对应的明显性函数；

S3，将待分析区域内每个像素点对应的色域R和色域B的权重作为自变量，对待分析区域对应的明显性函数中的自变量进行调整，将最大明显性函数值对应的每个像素点对应的色域R和色域B的调整权重确定为最优权重；

S4，根据待分析区域内每个像素点对应的色域G的原始权重、色域R和色域B的最优权重，确定待分析区域内每个像素点的最优灰度值，进而确定最优RGB遥感影像；

S5，对最优RGB遥感影像进行边缘检测，获得待监测园林的边缘检测结果。

本发明实施例提供的一种遥感园林影像的边缘检测方法具有如下技术效果：

将预处理后的图像划分成各个块区域，其有助于对图像的局部区域进行特征分析，减少后续进行三色域权重调整时的计算量，提高了园林工程数据的处理效率；通过分析园林内植被区域和建筑区域内像素点灰度分布情况，确定规整度系数，将块区域区分为规整区域和非规整区域，实现了对块区域性质的初步划分，即有利于后续初步区分建筑区域和植被区域，便于后续在此基础上进行三色域权重调整；结合不同三色域权重下图像局部区域所表现出的图像特征，确定待分析区域对应的明显性函数，对明显性函数中的自变量进行动态分析，可以获得待分析区域的最大明显性函数值对应的最优权重；最优权重是结合了待分析区域对不同色域权重下的反映，其可以获得边缘更为明显的植被区域，即可以有效剔除建筑区域，尽量保留细小植被区域；确定最优RGB遥感影像，对最优RGB遥感影像进行边缘检测，可以获得植被与建筑区分明显的边缘检测结果，使边缘检测的准确性更高，用于解决现有边缘检测方法难以识别细小绿植，导致遥感园林影像边缘检测结果准确性低的问题，主要应用于遥感园林影像边缘检测领域。

其中，步骤S1-S5在上述基于遥感技术的园林工程数据处理方法，实施例中已给出了详细说明，不再赘述。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于遥感技术的园林工程数据处理方法，其特征在于，包括以下步骤：

获取待监测园林的RGB遥感影像，对RGB遥感影像进行语义分割处理，获得园林区域图像；对园林区域图像进行灰度化处理获得灰度图像，将灰度图像划分成各个块区域；

根据每个块区域内每个像素点的灰度值，确定每个块区域的规整度系数；根据每个块区域的规整度系数区分规整区域和非规整区域，进而构建规整区域和非规整区域对应的明显性函数；

将待分析区域内每个像素点对应的色域R和色域B的权重作为自变量，对待分析区域对应的明显性函数中的自变量进行调整，将最大明显性函数值对应的每个像素点对应的色域R和色域B的调整权重确定为最优权重；其中，待分析区域为规整区域或非规整区域；

根据待分析区域内每个像素点对应的色域G的原始权重、色域R和色域B的最优权重，确定待分析区域内每个像素点的最优灰度值，进而确定最优RGB遥感影像；

对最优RGB遥感影像进行边缘检测，根据边缘检测结果计算待监测园林的植被覆盖率。

2.根据权利要求1所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述根据每个块区域内每个像素点的灰度值，确定每个块区域的规整度系数，包括：

根据每个块区域内每个像素点的灰度值，计算每个块区域对应的灰度方差和最大灰度值，将灰度方差与最大灰度值的比值进行反比例处理，将反比例处理后的数值确定为对应的块区域的第一规整度；

对每个块区域进行阈值分割处理，获得每个块区域内的各个闭合连通域；统计每个块区域内的所有闭合连通域中像素点的个数，将块区域内的所有闭合连通域中像素点的个数与块区域内所有像素点个数的比值确定为对应的块区域的第二规整度；

将第一规整度和第二规整度的乘积确定为对应的块区域的规整度系数。

3.根据权利要求1所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述规整区域的明显性函数的确定步骤包括：

根据规整区域内每个像素点的灰度值，对规整区域进行图像分割，统计图像分割后的规整区域内建筑像素点的个数和所有像素点的个数；将图像分割后的规整区域内建筑像素点的个数和所有像素点的个数的比值，确定为规整区域的明显性函数。

4.根据权利要求1所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述非规整区域的明显性函数的确定步骤包括：

根据非规整区域内每个像素点的灰度值，确定非规整区域对应的灰度方差和最大灰度值；对非规整区域进行图像分割，统计图像分割后的非规整区域内植被像素点的个数和所有像素点的个数；

根据非规整区域对应的灰度方差和最大灰度值、植被像素点的个数和所有像素点的个数，确定非规整区域对应的明显性函数。

5.根据权利要求4所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述非规整区域对应的明显性函数的计算公式为：

式中，为非规整区域对应的明显性函数，/>为非规整区域对应的灰度方差，/>为非规整区域对应的最大灰度值，/>为非规整区域内植被像素点的个数，/>为非规整区域内所有像素点的个数。

6.根据权利要求1所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述对待分析区域对应的明显性函数中的自变量进行调整，包括：

设置自变量调整时的调整参数，在第一次调整时，若待分析区域内每个像素点对应的色域R的权重与调整参数相加，则每个像素点对应的色域B的权重与调整参数相减，获得第一次调整后待分析区域内每个像素点对应的色域R和色域B的调整权重；判断第一次调整后的待分析区域内每个像素点对应的色域R和色域B的调整权重是否都出现过最小调整权重，若没有，则不断迭代调整待分析区域内每个像素点对应的色域R和色域B的权重，直至待分析区域内每个像素点对应的色域R和色域B均出现过最小调整权重时，结束调整；

根据每次调整后的待分析区域内每个像素点对应的色域R和色域B的调整权重、色域G的原始权重，计算每次调整后的待分析区域内每个像素点的灰度值；将每次调整后的待分析区域内每个像素点的灰度值，代入到待分析区域对应的明显性函数中，获得每次调整后的待分析区域对应的明显性函数值，进而获得待分析区域对应的最大明显性函数值。

7.根据权利要求6所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述每次调整后的待分析区域内每个像素点的灰度值的计算公式为：

式中，为每次调整后的待分析区域内每个像素点的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域R的调整权重，/>为每次调整后的待分析区域内每个像素点对应的色域R的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域G的原始权重，/>为每次调整后的待分析区域内每个像素点对应的色域G的灰度值，/>为每次调整后的待分析区域内每个像素点对应的色域B的调整权重，/>为每次调整后的待分析区域内每个像素点对应的色域B的灰度值。

8.根据权利要求6所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述最小调整权重为调整权重不大于0时上一次调整对应的调整权重。

9.根据权利要求1所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述根据每个块区域的规整度系数区分规整区域和非规整区域，包括：

对于任意一个块区域，若块区域的规整度系数大于或等于规整度阈值，则判定块区域为规整区域；若块区域的规整度系数小于规整度阈值，则判定块区域为非规整区域。

10.根据权利要求1所述的一种基于遥感技术的园林工程数据处理方法，其特征在于，所述园林区域图像包括建筑像素点和植被像素点。