CN116912706B - 采样点确定、植被遥感产品真实性校验方法、装置及设备 - Google Patents
采样点确定、植被遥感产品真实性校验方法、装置及设备 Download PDFInfo
- Publication number
- CN116912706B CN116912706B CN202310801108.XA CN202310801108A CN116912706B CN 116912706 B CN116912706 B CN 116912706B CN 202310801108 A CN202310801108 A CN 202310801108A CN 116912706 B CN116912706 B CN 116912706B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- vegetation
- test area
- determining
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000012795 verification Methods 0.000 title claims description 46
- 238000012360 testing method Methods 0.000 claims abstract description 235
- 238000003709 image segmentation Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003711 image thresholding Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Abstract
本发明提供一种采样点确定、植被遥感产品真实性校验方法、装置及设备,涉及遥感技术领域,采样点确定方法包括:基于测试区域的图像中每一像元的植被指数值,对图像进行图像分割,将图像划分为若干个图斑区域;基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。本发明提供的采样点确定、植被遥感产品真实性校验方法、装置及设备,能更客观地在测试区域内确定采样点,能提高在测试区域中确定采样点的效率,能实现采样点的实时获取,在测试区域内确定的采样点能更好地反映测试区域的植被特征,能为植被遥感产品真实性校验提供更准确、更高效地数据支撑。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及一种采样点确定、植被遥感产品真实性校验方法、装置及设备。
背景技术
随着卫星遥感技术的发展,基于卫星传感器采集的卫星遥感图像,可以获取植被覆盖度、植被指数等植被遥感产品,上述植被遥感产品可以为资源环境监测、可持续发展提供数据支撑。遥感产品的真实性校验是评价遥感产品质量的重要途径。
现有技术中,通常基于技术人员的主观经验在测试区域中确定若干个采样点之后,利用设置于地面的图像传感器获取上述每一采样点的图像数据,进而基于上述每一采样点的图像数据获得相对真值,用于遥感产品的真实性校验。
但是,由于测试区域内的植被生长情况通常较为复杂,导致基于技术人员的主观经验在测试区域中确定的采样点主观性较强,难以准确、客观地体现测试区域的植被特征。在上述采样点的图像数据难以准确、客观地体现测试区域的植被特征的情况下,基于上述采样点的图像数据获得的相对真值进行植被遥感产品真实性校验的准确率不高。
发明内容
本发明提供一种采样点确定、植被遥感产品真实性校验方法、装置及设备,用以解决现有技术中采样点难以准确、客观地体现测试区域的植被特征的缺陷,实现更准确、更客观地在测试区域中确定采样点。
本发明提供一种采样点确定方法,包括:
获取测试区域的图像;
获取所述图像中每一像元的植被指数值;
基于每一所述像元的植被指数值,对所述图像进行图像分割,将所述图像划分为若干个图斑区域;
基于每一所述图斑区域内每一植被类型的面积占比,在所述测试区域内确定若干个采样点并获取每一所述采样点在所述测试区域内的位置信息。
根据本发明提供的一种采样点确定方法,所述于每一所述图斑区域内每一植被类型的面积占比,在所述测试区域内确定若干个采样点,包括:
在任一图斑区域内任一植被类型所占区域的面积占比不小于第一阈值的情况下,确定所述任一图斑区域对应的采样点数量为第一数量,在所述任一图斑区域内任一植被类型所占区域的面积占比不小于第二阈值的情况下,确定所述任一图斑区域对应的采样点数量为第二数量,在所述任一图斑区域内任一植被类型所占区域的面积占比不小于第三阈值的情况下,确定所述任一图斑区域内对应的采样点数量为第三数量;
基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点;
其中,所述第一阈值、所述第二阈值和所述第三阈值依次递减;所述第一数量、所述第二数量和所述第三数量依次递减。
根据本发明提供的一种采样点确定方法,所述基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点,包括:
对于任一图斑区域,在所述任一图斑区域对应的采样点数量为多个的情况下,将所述任一图斑区域的边界上距离所述任一图斑区域的几何中心点最远的一点,确定为所述任一图斑区域的目标边界点;
基于所述任一图斑区域对应的采样点数量,在所述任一图斑区域内的目标线段上确定相同数量的等分点,所述目标线段包括:所述任一图斑区域的目标边界点与几何中心点在所述任一图斑区域内的连线以及所述连线在所述任一图斑区域内的延长线;
基于每一所述等分点在所述图像中的位置信息以及所述图像与所述测试区域之间的映射关系,将每一所述等分点在所述测试区域内的映射点,确定为一个所述采样点。
根据本发明提供的一种采样点确定方法,所述基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点,包括:
对于任一图斑区域,在所述任一图斑区域对应的采样点数量为1个的情况下,基于所述任一图斑区域的几何中心点在所述图像中的位置信息以及所述图像与所述测试区域之间的映射关系,将所述几何中心点在所述测试区域内的映射点,确定为一个所述采样点。
根据本发明提供的一种采样点确定方法,所述基于每一所述像元的植被指数值,对所述图像进行图像分割,将所述图像划分为若干个图斑区域,包括:
基于每一所述像元的植被指数值和图像阈值分割算法,将所述测试区域的图像划分为若干个图斑区域。
本发明还提供一种植被遥感产品真实性校验方法,包括:
利用图像传感器,获取测试区域内每一采样点的图像数据;
基于所述图像数据,获取待校验植被遥感产品对应的地面测量值;
基于所述地面测量值对所述待校验植被遥感产品进行真实性校验,获取所述待校验植被遥感产品的真实性校验结果;
其中,所述测试区域是基于所述待校验植被遥感产品确定的;所述采样点是基于如上所述所述的采样点确定方法确定的。
本发明提供一种采样点确定装置,包括:
图像获取模块,用于获取测试区域的图像;
数据获取模块,用于获取所述图像中每一像元的植被指数值;
图斑划分模块,用于基于每一所述像元的植被指数值,对所述图像进行图像分割,将所述图像划分为若干个图斑区域;
采样点确定模块,用于基于每一所述图斑区域内每一植被类型的面积占比,在所述测试区域内确定若干个采样点并获取每一所述采样点在所述测试区域内的位置信息。
本发明还提供一种植被遥感产品真实性校验装置,包括:
图像数据采集模块,用于利用图像传感器,获取测试区域内每一采样点的图像数据;
地面测量值获取模块,用于基于所述图像数据,获取待校验植被遥感产品对应的地面测量值;
真实性校验模块,用于基于所述地面测量值对所述待校验植被遥感产品进行真实性校验,获取所述待校验植被遥感产品的真实性校验结果;
其中,所述测试区域是基于所述待校验植被遥感产品确定的;所述采样点是基于如上所述所述的采样点确定方法确定的。
本发明还提供一种电子设备,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述任一种所述采样点确定方法,和/或,植被遥感真实性校验方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述采样点确定方法,和/或,植被遥感真实性校验方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述采样点确定方法,和/或,植被遥感真实性校验方法。
本发明提供的采样点确定、植被遥感产品真实性校验方法、装置及设备,通过基于测试区域的图像中每一像元的植被指数值,将测试区域的图像划分为若干个图斑区域之后,基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点,能更客观地在测试区域内确定采样点,能提高在测试区域中确定采样点的效率,能实现采样点的实时获取,在测试区域内确定的采样点能更好地反映测试区域的植被特征,能为植被遥感产品真实性校验提供更准确、更高效地数据支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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。
图1是本发明提供的采样点确定方法的流程示意图;
图2是本发明提供的采样点确定方法中无人机的飞行高度和悬停位置的示意图;
图3是本发明提供的采样点确定方法中测试区域图像分割后的图像;
图4是本发明提供的采样点确定方法中每一图斑区域内目标线段以及目标线段上的等分点的示意图;
图5为本发明提供的采样点确定方法中测试区域内采样点的示意图;
图6是本发明提供的植被遥感产品真实性校验方法的流程示意图;
图7是本发明提供的采样点确定装置的结构示意图;
图8是本发明提供的植被遥感产品真实性校验装置的结构示意图;
图9是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
随着遥感技术的发展,目前已经发射了大量具备地表植被探测能力的卫星传感器。植被遥感产品是通过遥感技术获取的与植被相关的信息和数据。常见的植被遥感产品包括植被指数(Vegetation Indices)、植被覆盖度(Vegetation Cover)、植被类型(Vegetation Type)、植被生长监测(Vegetation Monitoring)等。
基于不同空间分辨率的卫星传感器,可以获取某一区域不同空间分辨率的植被遥感产品。上述植被遥感产品可以为资源环境监测、可持续发展等提供有效方法和基础性数据支撑。
然而,植被遥感产品的精度,需要长期的跟踪监测和评价,植被遥感产品真实性检验是评价植被遥感产品质量的重要途径。植被遥感产品真实性检验不仅可以为卫星有效载荷的前期原理性研究和设计提供支持,还可以为遥感数据的质量评价、分析与控制提供依据。
植被遥感产品真实性检验中,可以利用能够代表地表植被特征的地面测量值作为相对真值,通过独立方法评价待校验植被遥感产品与上述相对真值的吻合程度并分析其不确定性,得到植被遥感产品的真实性校验结果。
作为植被遥感产品真实性检验的关键参数,地面测量值的准确性对于提高植被遥感产品真实性检验的准确率而言具有重要意义。
相关技术中,通常基于技术人员的主观经验在待测植被遥感产品对应的测试区域中确定多个采样点之后,利用图像传感器在上述每一采样点进行数据采集,进而可以基于各采样点采集到的图像数据获得上述地面测量值。可以理解的是,上述测试区域位于生态区内。
但是,由于生态区内植被类型、地形地貌等条件的复杂性,导致上述各采样点难以准确、客观地体现测试区域的植被特征,因此,基于上述各采样点采集到的图像数据获得的地面测量值的准确性不高。
随着无人机技术应用领域的不断扩展、无人机空间定位精度的不断提高和搭载传感器能力的不断增强,为众多领域带来了全新的应用思路。
针对植被遥感产品真实性校验方法中,在测试区域确定采样点的主观性强、不确定性高以及效率低下等问题。本发明提供一种采样点确定方法。本发明提供的采样点确定方法,借助旋翼式无人机飞行高度可调节、空间定位精度高、能够搭载光谱成像设备等特点,利用无人机快速、高效地获取图像之后,能基于上述图像更准确、更高效地在测试区域中确定采样点,进而提高植被遥感产品真实性校验的准确率和效率。
图1是本发明提供的采样点确定方法的流程示意图。下面结合图1描述本发明的采样点确定方法。如图1所示,该方法包括:步骤101、获取测试区域的图像。
需要说明的是,本发明实施例的执行主体为采样点确定装置。
具体地,测试区域为本发明提供的采样点确定方法的确定对象。基于本发明提供的采样点确定方法,可以在测试区域中确定若干个采样点。
可选地,上述采样点确定装置可以为用户终端。其中,上述用户终端可以为用户使用的、具有通信功能并可以在移动中使用的终端,例如笔记本电脑、平板电脑或智能手机。
相应地,用户携带上述用户终端在测试区域内执行本发明提供的采样点确定方法,可以实时地在测试区域内确定若干个采样点。
可选地,在对某一植被遥感产品进行真实性校验之前,可以基于待测植被遥感产品确定测试区域,进而可以基于本发明提供的采样点确定方法在上述测试区域中确定若干个采样点,并基于上述若干个采样点的图像数据,获取上述待测植被遥感产品对应的地面测量值。
需要说明的是,本发明实施例中测试区域的形状可以为方形、圆形或其他任意形状。本发明实施例对测试区域的形状不作具体限定。
本发明实施例中可以通过多种方式获取测试区域的图像,例如可以利用无人机采集测试区域的图像;或者,可以利用设置于高处的图像传感器,采集测试区域的图像。本发明实施例中对获取测试区域的图像的具体方式不作限定。
需要说明的是,本发明实施例中测试区域的图像,可以为多光谱图像或高光谱图像,但测试区域的图像包括了红外波段的光谱信息。
作为一个可选地实施例,获取测试区域的图像,包括:获取测试区域的边界信息;
具体地,本发明实施例中可以通过数据查询、实地测量等方式,获取测试区域的边界信息。其中,测试区域的边界信息,可以包括测试区域边界的位置信息。
可以理解的是,基于测试区域的边界信息,可以获取测试区域的面积。
基于边界信息以及无人机搭载的图像传感器的视场角,获取无人机的飞行高度和悬停位置信息,无人机搭载的图像传感器设置于无人机的底部,图像传感器的拍摄方向垂直于测试区域;
需要说明的是,由于旋翼式无人机具有飞行高度可调节、空间定位精度高、能够搭载光谱成像设备等优点,本发明实施例中利用无人机获取测试区域的图像。本发明实施例中的无人机为旋翼式无人机。
需要说明的是,本发明实施例中无人机搭载的图像传感器,波长覆盖范围为400至1000nm。
具体地,获取测试区域的边界信息之后,可以基于测试区域的边界信息,确定测试区域所在的方形区域。
其中,在测试区域为方形的情况下,测试区域所在方形区域即为测试区域;在测试区域为圆形、梯形或其他不规则形状的情况下,测试区域所在的方形区域,为可以完全包括上述测试区域的最小的方形区域。
图2是本发明提供的采样点确定方法中无人机的飞行高度和悬停位置的示意图。如图2所示,确定测试区域所在的方形区域之后,可以将测试区域所在方形区域的几何中心,确定为无人机的悬停位置,进而可以确定无人机的悬停位置信息。
如图2所示,无人机的飞行高度,与测试区域所在方形区域的长边边长D以及无人机搭载的图像传感器的视场角θ相关。
可以理解的是,基于测试区域的边界信息,可以获取测试区域所在方形区域的长边边长D。如图2所示,在测试区域为方形的情况下,测试区域所在方形区域的长边边长D,即为测试区域的边长。
确定无人机的悬停位置之后,可以基于测试区域所在方形区域的长边边长D以及无人机搭载的图像传感器的视场角θ,通过如下公式,计算得到无人机的飞行高度h:
基于飞行高度和悬停位置信息,控制无人机采集测试区域的图像。
具体地,获取无人机的飞行高度h和悬停位置信息之后,可以基于上述飞行高度h和上述悬停位置信息,控制无人机飞至上述悬停位置上方上述飞行高度h处,利用无人机搭载的图像传感器,采集测试区域的图像。
获取无人机采集到的图像。
具体地,无人机搭载的图像传感器获取测试区域的图像之后,可以通过数据通信的方式,获取上述图像。
本发明实施例通过基于测试区域的边界信息,获取无人机的飞行高度和悬停位置信息之后,基于上述飞行高度和悬停位置信息,控制无人机飞至上述悬停位置上方上述飞行高度处,利用搭载的图像传感器采集测试区域的图像,能利用无人机飞行高度可调节、空间定位进度搞以及能搭载光谱成像设备等特点,更准确、更高效地获取测试区域的图像,能进一步提高在测试区域中确定采样点的效率和准确率。
步骤102、获取图像中每一像元的植被指数值。
具体地,获取测试区域的图像之后,可以通过数值计算、模型处理等方式,获取测试区域的图像中每一像元的植被指数值。
需要说明的是,本发明实施例中植被指数的类型,可以是根据实际情况预定义的,例如:在对某一植被遥感产品进行真实性校验之前,可以基于待校验遥感产品确定植被指数的类型。
可选地,本发明实施例中植被指数的类型可以包括但不限于归一化植被指数(NDVI)、增强型植被指数(EVI)以及土壤调节植被指数(SAVI)等。
步骤103、基于每一像元的植被指数值,对图像进行图像分割,将图像划分为若干个图斑区域。
具体地,获取测试区域的图像中每一像元的植被指数值之后,可以基于上述每一像元的植被指数值,通过多种方式,将测试区域的图像划分为若干个图斑区域。例如,基于测试区域的图像中每一像元的植被指数值,可以通过图像阈值分割算法、图像边缘分割算法、图像区域分割算法以及图像形态学分割算法等,将测试区域的图像划分为若干个图斑区域。
作为一个可选地实施例,基于每一像元的植被指数值,对图像进行图像分割,将图像划分为若干个图斑区域,包括:基于每一像元的植被指数值和图像阈值分割算法,将测试区域的图像划分为若干个图斑区域。
需要说明的是,图像阈值分割算法(thresholding)是一种常用的图像分割方法。图像阈值分割算法可以基于预定义的阈值,将图像分割为若干个图斑区域。
本发明实施例中,f1表示第1类型植被指数值(例如NDVI),f2表示第2类型植被指数值(例如EVI),...,fk表示第k类型植被指数值(例如SAVI),k表示植被指数类型的总数;
对于测试区域的图像中位于第i行第j列的像元,f1(i,j)表示测试区域的图像中位于第i行第j列的像元第1类型植被指数值,f2(i,j)表示测试区域的图像中位于第i行第j列的像元第2类型植被指数值,...,fk(i,j)表示测试区域的图像中位于第i行第j列的像元第k类型植被指数值;
T1表示第1类型植被指数值对应的图像分割阈值,T2表示第2类型植被指数值对应的图像分割阈值,...,Tk表示第k类型植被指数值对应的图像分割阈值。
基于图像阈值分割算法,可以利用如下公式,获取测试区域的图像每一类型植被指数对应的图像分割结果,上述每一类型植被指数对应的图像分割结果均包括两个图斑区域:
其中,g1(i,j)=1,表示像元(i,j)在第1类型植被指数对应的图像分割结果中属于第一图斑区域;g1(i,j)=0,表示像元(i,j)在第1类型植被指数对应的图像分割结果中属于第二图斑区域;
g2(i,j)=1,表示像元(i,j)在第2类型植被指数对应的图像分割结果中属于第一图斑区域;g2(i,j)=0,表示像元(i,j)在第2类型植被指数对应的图像分割结果中属于第二图斑区域;
以此类推,gk(i,j)=1,表示像元(i,j)在第k类型植被指数对应的图像分割结果中属于第一图斑区域;gk(i,j)=0,表示像元(i,j)在第k类型植被指数对应的图像分割结果中属于第二图斑区域。
获取每一类型植被指数对应的图像分割结果之后,可以将各类型植被指数对应的图像分割结果进行累加合并,获取测试区域的原始图像分割结果。
获取上述陆地区域的原始图像分割结果之后,可以对上述陆地区域的原始图像分割结果进行滤波处理,剔除上述陆地区域的原始图像分割结果中的细碎区域,获得测试区域的阈值分割图像。
上述测试区域的阈值分割图像中包括若干个图斑区域。
可以理解的是,在测试区域的阈值分割图像中仅包括1个图斑区域的情况下,上述图斑区域即为测试区域的图像。
图3是本发明提供的采样点确定方法中测试区域图像分割后的图像。如图3所示,测试区域的图像被分割为多个图斑区域。
需要说明的是,图像阈值分割算法的关键是图像分割阈值的确定,图像分割阈值的间隔越小,图像分割的精细化程度越高。本发明实施例中可以基于先验知识和/或实际情况确定。
步骤104、基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。
具体地,将测试区域的图像分割为若干个图斑区域之后,对于每一图斑区域,可以基于上述每一图斑区域中每一像元的植被指数值,通过数值计算、模型处理等方式,确定上述每一图斑区域中每一像元对应的植被类型。
需要说明的是,本发明实施例中的植被类型可以包括农田、森林、草地以及裸地。例如,上述每一图斑区域中任一像元对应的植被类型为农田。
确定上述每一图斑区域中每一像元对应的植被类型之后,可以通过数理统计的方式,获取上述每一图斑区域内每一植被类型的面积占比。例如任一图斑区域内农田所占区域的面积占比为70%,裸地所占区域的面积占比为30%。
获取上述每一图斑区域内每一植被类型的面积占比之后,可以通过几何的方法,在测试区域内确定若干个采样点。
在测试区域内确定若干个采样点之后,可以进一步获取每一采样点在测试区域内的位置信息,进而可以基于上述位置信息,指导技术人员在上述每一采样点设置标识物,对上述每一采样点进行标识。
作为一个可选地实施例,基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点,包括:在任一图斑区域内任一植被类型所占区域的面积占比不小于第一阈值的情况下,确定任一图斑区域对应的采样点数量为第一数量,在任一图斑区域内任一植被类型所占区域的面积占比不小于第二阈值的情况下,确定任一图斑区域对应的采样点数量为第二数量,在任一图斑区域内任一植被类型所占区域的面积占比不小于第三阈值的情况下,确定任一图斑区域内对应的采样点数量为第三数量;
其中,第一阈值、第二阈值和第三阈值依次递减;第一数量、第二数量和第三数量依次递减。
具体地,获取每一图斑区域内每一植被类型的面积占比之后,可以基于上述每一图斑区域内每一植被类型的面积占比进行条件判断,进而可以基于条件判断的结果,确定每一图斑区域对应的采样点数量。
需要说明的是,本发明实施例中的第一阈值、第二阈值、第三阈值、第一数量、第二数量以及第三数据,可以是在满足第一阈值、第二阈值、第三阈值依次递减,且第一数量、第二数量、第三数量依次递减的情况下,基于先验知识和/或实际情况预定义的。本发明实施例中对第一阈值、第二阈值、第三阈值、第一数量、第二数量以及第三数据的具体取值不作限定。
可选地,本发明实施例中第一阈值的取值范围可以为60%至80%;第二阈值的取值范围可以为40%至60%;第三阈值的取值范围可以为20%至40%;相应地,第一数量的取值范围可以为4至6个;第二数量的取值范围可以为2至4个;第三数量的取值范围可以为1或2个。
优选地,本发明实施例中第一阈值的取值可以为70%;第二阈值的取值可以为50%;第三阈值的取值可以为30%;相应地,第一数量的取值可以为5个;第二数量的取值可以为3个;第三数量的取值可以为1个。
基于每一图斑区域对应的采样点数量,在测试区域内确定若干个采样点;
具体地,获取每一图斑区域对应的采样点数量之后,可以通过几何的方式,在上述每一图斑区域在测试区域中的映射区域内确定若干个采样点。
作为一个可选地实施例,基于每一图斑区域对应的采样点数量,在测试区域内确定若干个采样点,包括:对于任一图斑区域,在任一图斑区域对应的采样点数量为多个的情况下,将任一图斑区域的边界上距离任一图斑区域的几何中心点最远的一点,确定为任一图斑区域的目标边界点;
基于任一图斑区域对应的采样点数量,在任一图斑区域内的目标线段上确定相同数量的等分点,目标线段包括:任一图斑区域的目标边界点与几何中心点在任一图斑区域内的连线以及连线在任一图斑区域内的延长线;
基于每一等分点在图像中的位置信息以及图像与测试区域之间的映射关系,将每一等分点在测试区域内的映射点,确定为一个采样点。
作为一个可选地实施例,基于每一图斑区域对应的采样点数量,在测试区域内确定若干个采样点,包括:对于任一图斑区域,在任一图斑区域对应的采样点数量为1个的情况下,基于任一图斑区域的几何中心点在图像中的位置信息以及图像与测试区域之间的映射关系,将几何中心点在测试区域内的映射点,确定为一个采样点。
为了便于对本发明实施例的理解,以下通过一个实例对本发明实施例进行说明。
本实例中第一阈值的取值可以为70%;第二阈值的取值可以为50%;第三阈值的取值可以为30%;相应地,第一数量的取值可以为5个;第二数量的取值可以为3个;第三数量的取值可以为1个。
图4是本发明提供的采样点确定方法中每一图斑区域内目标线段以及目标线段上的等分点的示意图。如图4所示,本实例中基于测试区域的图像中每一像元的植被指数值,将测试区域的图像划分为4个图斑区域,分别为第一图斑区域、第二图斑区域、第三图斑区域和第四图斑区域。
本实例中基于每一图斑区域内每一植被类型的面积占比,可以确定第一图斑区域对应的采样点数量为1个,第二图斑区域对应的采样点数量为3个,第三图斑区域对应的采样点数量为5个,第四图斑区域对应的采样点数量为3个。
图4中的虚线,分别为第二图斑区域、第三图斑区域和第四图斑区域内的目标线段。
基于第二图斑区域对应的采样点数量为3个,第三图斑区域对应的采样点数量为5个,第四图斑区域对应的采样点数量为3个,可以在第二区域内的目标线段上确定3个等分点,在第三区域内的目标线段上确定5个等分点,在第四区域内的目标线段上确定3个等分点。
基于上述每一等分点在测试区域的图像中的位置信息,以及测试区域的图像与测试区域之间的位置映射关系,可以确定上述每一等分点在测试区域内的映射点,进而可以将上述每一映射点确定为一个采样点。
基于第一图斑区域的几何中心点在测试区域的图像中的位置信息,以及测试区域的图像与测试区域之间的位置映射关系,可以确定上述几何中心点在测试区域内的映射点,进而可以将上述映射点确定为一个采样点。
图5为本发明提供的采样点确定方法中测试区域内采样点的示意图。测试区域内的各采样点如图5所示。
在测试区域内确定若干个采样点之后,还可以进一步确定测试区域对应的标识点和校验点。
如图5,本发明实施例中可以将测试区域的四个顶点附近,确定4个标识点,在测试区域水平方向上的中轴线与任一边界的交点附近,确定1个校验点,用于后续基于测试区域内的各采样点对测试区域进行时采样,提供采样标识和采样校验。
本发明实施例通过基于测试区域的图像中每一像元的植被指数值,将测试区域的图像划分为若干个图斑区域之后,基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点,能更客观地在测试区域内确定采样点,能提高在测试区域中确定采样点的效率,能实现采样点的实时获取,在测试区域内确定的采样点能更好地反映测试区域的植被特征,能为植被遥感产品真实性校验提供更准确、更高效地数据支撑。
图6是本发明提供的植被遥感产品真实性校验方法的流程示意图。下面结合图6描述本发明的植被遥感产品真实性校验方法。如图6所示,该方法包括:步骤601、利用图像传感器,获取测试区域内每一采样点的图像数据;其中,测试区域是基于待校验植被遥感产品确定的;采样点是基于如上所述的采样点确定方法确定的。
需要说明的是,本发明实施例的执行主体为植被遥感产品真实性校验装置。
具体地,待校验植被遥感产品为本发明提供的植被遥感产品真实性校验方法的校验对象。基于本发明提供的植被遥感产品真实性校验方法,可以对待检验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果。
需要说明的是,待校验植被遥感产品是基于目标卫星传感器获得的。待校验植被遥感产品可以包括目标区域内与植被相关的信息和数据,例如待校验植被遥感产品可以包括目标区域的植被指数、植被覆盖度以及植被类型等。
为了在对待校验植被遥感产品进行真实性检验时,在测试区域内确定更具有空间代表性的采样点,本发明实施例中的测试区域,是基于待校验植被遥感产品对应的目标区域以及目标卫星传感器的空间分辨率确定的;
例如,可以将目标卫星传感器空间分辨率的1.5倍确定为距离阈值,将以目标区域的中心为原点,以上述距离阈值为半径的圆形区域,确定为测试区域。
又例如,本发明实施例可以将目标卫星传感器的空间分辨率确定为距离阈值,将目标区域的每一边界,沿每一边界的法线方向向着远离目标区域中心点的方向平移上述距离阈值之后,将平移后的各边界所形成的区域,确定为测试区域。可以理解的是,上述测试区域为正方形,上述测试区域的边长为目标卫星传感器的空间分辨率的3倍,上述测试区域可以均匀划分为面积相等的9个方形区域,每一方形区域的边长均为目标卫星传感器的空间分辨率,位于上述测试区域中心的方形区域即为目标区域。
需要说明的是,测试区域内的各采样点,是基于上述各实施例中的采样点确定方法确定的。在测试区域内确定采样点的具体步骤可以参见上述各实施例的内容,本发明实施例中不再赘述。
本发明实施例中可以将图像传感器依次设置于测试区域内每一采样点,进而可以利用图像传感器获取测试区域内每一采样点的图像数据。
步骤602、基于图像数据,获取待校验植被遥感产品对应的地面测量值;
具体地,获取测试区域内每一采样点的图像数据之后,可以基于测试区域内各采样点的图像数据,通过数值计算、模型处理等方式,获取测试区域的植被指数,作为待校验植被遥感产品对应的地面测量值。
可以理解的是,在待校验植被遥感产品,与待校验植被遥感产品对应的地面测量值所包括的数据类型相同。
步骤603、基于地面测量值对待校验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果;
具体地,获取待校验植被遥感产品对应的地面测量值之后,可以基于上述地面测量值对待校验植被遥感产品进行真实性校验,通过独立方法评价待校验植被遥感产品与上述地面测量值的吻合程度,还可分析待校验植被遥感产品与上述地面测量值之间的不确定性,从而获得待校验植被遥感产品的真实性校验结果。
本发明实施例通过图像传感器获取测试区域内每一采样点的图像数据之后,基于上述图像数据,获取待校验植被遥感产品对应的地面测量值,进而基于上述地面测量值对待校验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果,测试区域内的各采样点是基于上述采样点确定方法确定的,能基于测试区域内能更准确、更客观地体现测试区域的植被特征的采样点,更准确地获取待校验植被遥感产品对应的地面测量值,能提高待校验植被遥感产品的真实性校验结果的准确性,能为卫星有效载荷的前期原理性研究和设计提供更准确地数据支持,能为遥感数据的质量评价、分析与控制提供更准确地数据依据。
图7是本发明提供的采样点确定装置的结构示意图。下面结合图7对本发明提供的采样点确定装置进行描述,下文描述的采样点确定装置与上文描述的本发明提供的采样点确定方法可相互对应参照。如图7所示,该装置包括:图像获取模块701、数据获取模块702、图斑划分模块703和采样点确定模块704。
图像获取模块701,用于获取测试区域的图像;
数据获取模块702,用于获取图像中每一像元的植被指数值;
图斑划分模块703,用于基于每一像元的植被指数值,对图像进行图像分割,将图像划分为若干个图斑区域;
采样点确定模块704,用于基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。
具体地,图像获取模块701、数据获取模块702、图斑划分模块703和采样点确定模块704电连接。
本发明实施例中的采样点确定装置,通过基于测试区域的图像中每一像元的植被指数值,将测试区域的图像划分为若干个图斑区域之后,基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点,能更客观地在测试区域内确定采样点,能提高在测试区域中确定采样点的效率,能实现采样点的实时获取,在测试区域内确定的采样点能更好地反映测试区域的植被特征,能为植被遥感产品真实性校验提供更准确、更高效地数据支撑。
图8是本发明提供的植被遥感产品真实性校验装置的结构示意图。下面结合图8对本发明提供的植被遥感产品真实性校验装置进行描述,下文描述的植被遥感产品真实性校验装置与上文描述的本发明提供的植被遥感产品真实性校验方法可相互对应参照。如图8所示,该装置包括:图像数据采集模块801、地面测量值获取模块802和真实性校验模块803。
图像数据采集模块801,用于利用图像传感器,获取测试区域内每一采样点的图像数据;
地面测量值获取模块802,用于基于图像数据,获取待校验植被遥感产品对应的地面测量值;
真实性校验模块803,用于基于地面测量值对待校验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果;
其中,测试区域是基于待校验植被遥感产品确定的;采样点是基于如上所述的采样点确定方法确定的。
具体地,图像数据采集模块801、地面测量值获取模块802和真实性校验模块803电连接。
本发明实施例中的植被遥感产品真实性校验装置,通过图像传感器获取测试区域内每一采样点的图像数据之后,基于上述图像数据,获取待校验植被遥感产品对应的地面测量值,进而基于上述地面测量值对待校验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果,测试区域内的各采样点是基于上述采样点确定方法确定的,能基于测试区域内能更准确、更客观地体现测试区域的植被特征的采样点,更准确地获取待校验植被遥感产品对应的地面测量值,能提高待校验植被遥感产品的真实性校验结果的准确性,能为卫星有效载荷的前期原理性研究和设计提供更准确地数据支持,能为遥感数据的质量评价、分析与控制提供更准确地数据依据。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行采样点确定方法和/或植被遥感产品真实性校验方法。采样点确定方法包括:获取测试区域的图像;获取图像中每一像元的植被指数值;基于每一像元的植被指数值,对图像进行图像分割,将图像划分为若干个图斑区域;基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。植被遥感产品真实性校验方法包括:利用图像传感器,获取测试区域内每一采样点的图像数据;基于图像数据,获取待校验植被遥感产品对应的地面测量值;基于地面测量值对待校验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果;其中,测试区域是基于待校验植被遥感产品确定的;采样点是基于如上所述的采样点确定方法确定的。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的采样点确定方法和/或植被遥感产品真实性校验方法。采样点确定方法包括:获取测试区域的图像;获取图像中每一像元的植被指数值;基于每一像元的植被指数值,对图像进行图像分割,将图像划分为若干个图斑区域;基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。植被遥感产品真实性校验方法包括:利用图像传感器,获取测试区域内每一采样点的图像数据;基于图像数据,获取待校验植被遥感产品对应的地面测量值;基于地面测量值对待校验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果;其中,测试区域是基于待校验植被遥感产品确定的;采样点是基于如上所述的采样点确定方法确定的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的采样点确定方法和/或植被遥感产品真实性校验方法。采样点确定方法包括:获取测试区域的图像;获取图像中每一像元的植被指数值;基于每一像元的植被指数值,对图像进行图像分割,将图像划分为若干个图斑区域;基于每一图斑区域内每一植被类型的面积占比,在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。植被遥感产品真实性校验方法包括:利用图像传感器,获取测试区域内每一采样点的图像数据;基于图像数据,获取待校验植被遥感产品对应的地面测量值;基于地面测量值对待校验植被遥感产品进行真实性校验,获取待校验植被遥感产品的真实性校验结果;其中,测试区域是基于待校验植被遥感产品确定的;采样点是基于如上所述的采样点确定方法确定的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (8)
1.一种采样点确定方法,其特征在于,包括:
获取测试区域的图像;
获取所述图像中每一像元的植被指数值;
基于每一所述像元的植被指数值,对所述图像进行图像分割,将所述图像划分为若干个图斑区域;
基于每一所述图斑区域内每一植被类型的面积占比,在所述测试区域内确定若干个采样点并获取每一所述采样点在所述测试区域内的位置信息;
所述基于每一所述图斑区域内每一植被类型的面积占比,在所述测试区域内确定若干个采样点,包括:
在任一图斑区域内任一植被类型所占区域的面积占比不小于第一阈值的情况下,确定所述任一图斑区域对应的采样点数量为第一数量,在所述任一图斑区域内任一植被类型所占区域的面积占比不小于第二阈值的情况下,确定所述任一图斑区域对应的采样点数量为第二数量,在所述任一图斑区域内任一植被类型所占区域的面积占比不小于第三阈值的情况下,确定所述任一图斑区域内对应的采样点数量为第三数量;
基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点;
其中,所述第一阈值、所述第二阈值和所述第三阈值依次递减;所述第一数量、所述第二数量和所述第三数量依次递减;
所述基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点,包括:
对于任一图斑区域,在所述任一图斑区域对应的采样点数量为多个的情况下,将所述任一图斑区域的边界上距离所述任一图斑区域的几何中心点最远的一点,确定为所述任一图斑区域的目标边界点;
基于所述任一图斑区域对应的采样点数量,在所述任一图斑区域内的目标线段上确定相同数量的等分点,所述目标线段包括:所述任一图斑区域的目标边界点与几何中心点在所述任一图斑区域内的连线以及所述连线在所述任一图斑区域内的延长线;
基于每一所述等分点在所述图像中的位置信息以及所述图像与所述测试区域之间的映射关系,将每一所述等分点在所述测试区域内的映射点,确定为一个所述采样点。
2.根据权利要求1所述的采样点确定方法,其特征在于,所述基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点,包括:
对于任一图斑区域,在所述任一图斑区域对应的采样点数量为1个的情况下,基于所述任一图斑区域的几何中心点在所述图像中的位置信息以及所述图像与所述测试区域之间的映射关系,将所述几何中心点在所述测试区域内的映射点,确定为一个所述采样点。
3.根据权利要求1所述的采样点确定方法,其特征在于,所述基于每一所述像元的植被指数值,对所述图像进行图像分割,将所述图像划分为若干个图斑区域,包括:
基于每一所述像元的植被指数值和图像阈值分割算法,将所述测试区域的图像划分为若干个图斑区域。
4.根据权利要求1至3任一所述的采样点确定方法,其特征在于,所述获取测试区域的图像,包括:
获取所述测试区域的边界信息;
基于所述边界信息以及无人机搭载的图像传感器的视场角,获取所述无人机的飞行高度和悬停位置信息,所述无人机搭载的图像传感器设置于所述无人机的底部,所述图像传感器的拍摄方向垂直于所述测试区域;
基于所述飞行高度和所述悬停位置信息,控制所述无人机采集所述测试区域的图像;
获取所述无人机采集到的所述图像。
5.一种植被遥感产品真实性校验方法,其特征在于,包括:
利用图像传感器,获取测试区域内每一采样点的图像数据;
基于所述图像数据,获取待校验植被遥感产品对应的地面测量值;
基于所述地面测量值对所述待校验植被遥感产品进行真实性校验,获取所述待校验植被遥感产品的真实性校验结果;
其中,所述测试区域是基于所述待校验植被遥感产品确定的;所述采样点是基于如权利要求1至4任一所述的采样点确定方法确定的。
6.一种采样点确定装置,其特征在于,包括:
图像获取模块,用于获取测试区域的图像;
数据获取模块,用于获取所述图像中每一像元的植被指数值;
图斑划分模块,用于基于每一所述像元的植被指数值,对所述图像进行图像分割,将所述图像划分为若干个图斑区域;
采样点确定模块,用于基于每一所述图斑区域内每一植被类型的面积占比,在所述测试区域内确定若干个采样点并获取每一所述采样点在所述测试区域内的位置信息;
所述采样点确定模块基于每一所述图斑区域内每一植被类型的面积占比,在所述测试区域内确定若干个采样点,包括:
在任一图斑区域内任一植被类型所占区域的面积占比不小于第一阈值的情况下,确定所述任一图斑区域对应的采样点数量为第一数量,在所述任一图斑区域内任一植被类型所占区域的面积占比不小于第二阈值的情况下,确定所述任一图斑区域对应的采样点数量为第二数量,在所述任一图斑区域内任一植被类型所占区域的面积占比不小于第三阈值的情况下,确定所述任一图斑区域内对应的采样点数量为第三数量;
基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点;
其中,所述第一阈值、所述第二阈值和所述第三阈值依次递减;所述第一数量、所述第二数量和所述第三数量依次递减;
所述采样点确定模块基于每一所述图斑区域对应的采样点数量,在所述测试区域内确定若干个采样点,包括:
对于任一图斑区域,在所述任一图斑区域对应的采样点数量为多个的情况下,将所述任一图斑区域的边界上距离所述任一图斑区域的几何中心点最远的一点,确定为所述任一图斑区域的目标边界点;
基于所述任一图斑区域对应的采样点数量,在所述任一图斑区域内的目标线段上确定相同数量的等分点,所述目标线段包括:所述任一图斑区域的目标边界点与几何中心点在所述任一图斑区域内的连线以及所述连线在所述任一图斑区域内的延长线;
基于每一所述等分点在所述图像中的位置信息以及所述图像与所述测试区域之间的映射关系,将每一所述等分点在所述测试区域内的映射点,确定为一个所述采样点。
7.一种植被遥感产品真实性校验装置,其特征在于,包括:
图像数据采集模块,用于利用图像传感器,获取测试区域内每一采样点的图像数据;
地面测量值获取模块,用于基于所述图像数据,获取待校验植被遥感产品对应的地面测量值;
真实性校验模块,用于基于所述地面测量值对所述待校验植被遥感产品进行真实性校验,获取所述待校验植被遥感产品的真实性校验结果;
其中,所述测试区域是基于所述待校验植被遥感产品确定的;所述采样点是基于如权利要求1至4任一所述的采样点确定方法确定的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述采样点确定方法,和/或,如权利要求5所述植被遥感产品真实性校验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310801108.XA CN116912706B (zh) | 2023-06-30 | 2023-06-30 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310801108.XA CN116912706B (zh) | 2023-06-30 | 2023-06-30 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912706A CN116912706A (zh) | 2023-10-20 |
CN116912706B true CN116912706B (zh) | 2024-02-02 |
Family
ID=88357361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310801108.XA Active CN116912706B (zh) | 2023-06-30 | 2023-06-30 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912706B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679202A (zh) * | 2013-12-17 | 2014-03-26 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
CN105868761A (zh) * | 2016-06-06 | 2016-08-17 | 黑龙江科技大学 | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 |
CN115097097A (zh) * | 2022-05-16 | 2022-09-23 | 生态环境部南京环境科学研究所 | 一种用于土壤重金属背景值调查的布点采样方法 |
CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
CN115309956A (zh) * | 2022-06-22 | 2022-11-08 | 中国科学院空天信息创新研究院 | 采样位置确定方法、装置、设备及存储介质 |
CN116091930A (zh) * | 2023-02-07 | 2023-05-09 | 清华大学 | 一种基于遥感的梯田制图方法、装置、设备和存储介质 |
-
2023
- 2023-06-30 CN CN202310801108.XA patent/CN116912706B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679202A (zh) * | 2013-12-17 | 2014-03-26 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
CN105868761A (zh) * | 2016-06-06 | 2016-08-17 | 黑龙江科技大学 | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 |
CN115097097A (zh) * | 2022-05-16 | 2022-09-23 | 生态环境部南京环境科学研究所 | 一种用于土壤重金属背景值调查的布点采样方法 |
CN115309956A (zh) * | 2022-06-22 | 2022-11-08 | 中国科学院空天信息创新研究院 | 采样位置确定方法、装置、设备及存储介质 |
CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
CN116091930A (zh) * | 2023-02-07 | 2023-05-09 | 清华大学 | 一种基于遥感的梯田制图方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116912706A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN107274417B (zh) | 一种基于机载激光点云聚集关系的单木分割方法 | |
CN112381861B (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN111666855B (zh) | 基于无人机的动物三维参数提取方法、系统及电子设备 | |
Bruggisser et al. | Influence of ULS acquisition characteristics on tree stem parameter estimation | |
CN112396019A (zh) | 一种基于无人机的植被分布识别方法、系统及可读存储介质 | |
CN116399820B (zh) | 植被遥感产品真实性校验方法、装置、设备及介质 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
CN113269825A (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
CN116912706B (zh) | 采样点确定、植被遥感产品真实性校验方法、装置及设备 | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
Puletti et al. | Enhancing wall-to-wall forest structure mapping through detailed co-registration of airborne and terrestrial laser scanning data in mediterranean forests | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析系统 | |
CN116824157B (zh) | 采样点确定、遥感产品真实性校验方法、装置及电子设备 | |
KR102453056B1 (ko) | 라이다 데이터를 이용한 훼손지 식생 복원모델 산출시스템 및 방법, 이를 실행하는 프로그램 기록매체 | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
Reulke et al. | Tree species recognition with fuzzy texture parameters |
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 |