CN117115667A - 一种基于遥感图像的杂草数据采集方法 - Google Patents
一种基于遥感图像的杂草数据采集方法 Download PDFInfo
- Publication number
- CN117115667A CN117115667A CN202311368727.0A CN202311368727A CN117115667A CN 117115667 A CN117115667 A CN 117115667A CN 202311368727 A CN202311368727 A CN 202311368727A CN 117115667 A CN117115667 A CN 117115667A
- Authority
- CN
- China
- Prior art keywords
- area
- weed
- image
- newly
- clear
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000002310 reflectometry Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000005192 partition Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000009333 weeding Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感图像的杂草数据采集方法，包括步骤获取草地测绘区的高光谱图像，并进行预处理，从预处理后的高光谱图像提取反射率数据，根据反射率设局对草地测绘区提取边界作为第一边界，根据第一边界对草地测绘区进行聚类后获得杂草区域。本发明实现了克服了杂草与正常草的光谱接近无法有效分类的问题。
Description
技术领域
本发明涉及遥感测绘技术领域，具体涉及一种基于遥感图像的杂草数据采集方法。
背景技术
植被杂草测量的传统方法是地面测量，最常用的方法有目估法、样方法、样带法、样点法等以及借助于采样仪器的测量方法，如空间定量计、移动光量计等，这些方法虽然提高了测量的精度，但野外操作不便，成本较高，难以在大范围内快速提取植被杂草区域，尤其是大面积的草地区域。
航拍的引入克服了上述缺点，大大提高了效率，但是传统的遥感成像仅能采集地上目标物的形貌信息以及极少的光谱信息，无法对地面复杂的目标进行精准鉴别和自动测绘。高光谱卫星的出现，在很大程度上提高了目标物精准识别和定量分析的能力。高光谱成像技术是通过拍摄目标物一系列窄波段的影像构成光谱立方体，进而获得目标物的二维空间信息和光谱信息。
随着遥感技术的发展，可以从多时相、多波段遥感信息中提取草地植被覆盖状况，为大面积提取植被杂草识别提供了强有力的手段。
发明内容
本发明的目的在于提出一种基于遥感图像的杂草数据采集方法，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。
为实现上述技术目的，本发明技术方案如下：
一种基于遥感图像的杂草数据采集方法，所述方法包括以下步骤：
步骤1，获取草地测绘区的高光谱图像，并进行预处理；
步骤2，从预处理后的高光谱图像提取反射率数据；
步骤3，根据反射率设局对草地测绘区提取边界作为第一边界；
步骤4，根据第一边界对草地测绘区进行聚类后获得杂草区域。
进一步地，步骤1中，获取草地测绘区的高光谱图像，并进行预处理的子步骤为：
对高光谱图像进行预处理；
预处理包括几何校正处理、辐射校正处理和大气校正处理，以消除地形对高光谱图像的影响，高光谱图像来自搭载高光谱成像仪的卫星或者无人机。
进一步地，步骤2中，从预处理后的高光谱图像提取反射率数据的子步骤为：
提取特定波段的光谱图像，波段包括但不限于550nm。
进一步地，步骤3中，根据反射率设局对草地测绘区提取边界作为第一边界的子步骤为：
步骤2.1，读取光谱数据，把光谱图像转化为灰度图像，对灰度图像进行高斯滤波和提取轮廓得到边缘线；
步骤2.2，依次对步骤2.1得到的灰度图像的每个像素进行标记，标记方式为像素的灰度值大于设定的阈值标记为1，像素的灰度值小于设定的阈值标记为0；
步骤2.3，对步骤2.2得到的经过标记的灰度图像作为标记图像进行平滑边缘得到第一标记图像；
步骤2.4，以第一标记图像的图像矩阵的几何中心点作为极点，对标记为1的像素利用极点进行膨胀运算，获得待定草坪分区图像；待定草坪分区图像中面积最大的闭合区间的集合作为分区集合；筛选出待定草坪分区图像中面积最大的闭合区间作为第一参考域并将第一参考域从分区集合中剔除；所述闭合区间的区域为由边缘检测得到的边缘线分割待定草坪分区图像得到的封闭区域；
步骤2.5，计算第一参考域在遥感图像中相应区域中各个像素值的算术平均值作为参照像素值，计算分区集合各个闭合区间的各个像素值的算术平均值得到各个闭合区间的平均像素值；筛选出平均像素值小于参照像素值的闭合区间作为参照集合；选出参照集合中面积最大的闭合区间作为第二参考域；
步骤2.6，通过Harris角点检测对第二参考域进行检测得到多个角点，得到的角点集合；将各个角点两两连接从而得到各个角点连线划分得到的新增区域，从而由各个新增区域得到新增区域集合；
步骤2.7，扫描新增区域集合中各个新增区域，如果新增区域属于第一参考域的位置则依次拼接新增区域集合中与当前新增区域位置相邻的新增区域构成待拼接杂草区域，并且将该新增区域标记为杂草子区域，待拼接杂草区域拼接新增区域集合中与待拼接杂草区域位置相邻的新增区域形成新的待拼接杂草区域直到待拼接杂草区域不存在位置相邻的新增区域，最终将待拼接杂草区域作为杂草区域；
步骤2.8，从而得到标记的杂草子区域和由所有杂草区域构成杂草区域集合。
进一步地，步骤4中，根据第一边界对草地测绘区进行聚类后获得杂草区域的子步骤为：
计算当前杂草子区域的清晰系数：
,
式中，Ic为杂草子区域的清晰系数，fx为第一波段波长，所述fx的范围为[743nm，753nm]，fy为第二波段波长，所述fy的范围为[2105nm，2155nm]，fz为第三波段波长，所述fz的范围为[1230nm，1250nm]，Agc(fx)为杂草子区域在波长fx的在大气顶部经过气体吸收校正的反射比，Ar(fx)为波长fx的瑞利散射反射率，Agc(fz)为杂草子区域在波长fz的在大气顶部经过气体吸收校正的反射比，Ar(fz)为波长fz的瑞利散射反射率，D(z,y)为反射系数；
其中D(z,y)的算法为：
，
Agc(fy)为杂草子区域在波长fy的在大气顶部经过气体吸收校正的反射比，Ar(fy)为波长fy的瑞利散射反射率；
根据清晰系数判断当前杂草子区域是否为清晰区域：如果Ic(fx,fz)＞N则判定当前杂草子区域为非清晰区域，如果Ic(fx,fz)≤N则判定当前杂草子区域是清晰区域，其中，N为所有杂草子区域的清晰系数Ic(fx,fz)的算术平均值或者将N设置为1.2。
把所有清晰区域的几何中心点和对应清晰区域的清晰系数进行聚类，以清晰区域连续区域面积最大的部分的几何中心点作为聚类中心，非聚类中心的清晰区域根据与聚类中心的距离和反射系数确定是否属于杂草区域；
输出杂草区域。
面积过小和杂草比例较小的区域不作为杂草区域，之后间隔性检测，如果杂草扩散再归入杂草区域，中心最大的区域因为杂草容易扩散所以被归入杂草区域，并进行后续的除草农药喷洒区域。
优选地，其中，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值。
与现有技术相比，本发明具有以下有益的技术效果：
根据遥感图像中的灰度值和不同波长的瑞利散射反射率确定粗杂草区域，之后进行聚类后得到杂草区域，克服了杂草与正常草的光谱接近无法有效分类的问题。
附图说明
图1为本发明提供的一种基于遥感图像的杂草数据采集方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及实施例，对本发明进行进一步详尽说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
同样应理解，以下实施例只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限制，本领域的技术人员根据本发明上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。下述示例具体的工艺参数等也仅是合适范围内的一个示例，即本领域技术人员可以通过本文的说明做合适的范围内选择，而并非要限定于下文示例的具体数值。
以下示例性地说明本发明提供的一种基于遥感图像的杂草数据采集方法。
如图1所示为一种基于遥感图像的杂草数据采集方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于遥感图像的杂草数据采集方法，所述方法包括以下步骤：
步骤1，获取草地测绘区的高光谱图像，并进行预处理；
步骤2，从预处理后的高光谱图像提取反射率数据；
步骤3，根据反射率设局对草地测绘区提取边界作为第一边界；
步骤4，根据第一边界对草地测绘区进行聚类后获得杂草区域。
进一步地，步骤1中，获取草地测绘区的高光谱图像，并进行预处理的子步骤为：
对高光谱图像进行预处理；
预处理包括几何校正处理、辐射校正处理和大气校正处理，以消除地形对高光谱图像的影响，高光谱图像来自搭载高光谱成像仪的卫星或者无人机。
进一步地，步骤2中，从预处理后的高光谱图像提取反射率数据的子步骤为：
提取特定波段的光谱图像，波段包括但不限于550nm。
进一步地，步骤3中，根据反射率设局对草地测绘区提取边界作为第一边界的子步骤为：
步骤2.1，读取光谱数据，把光谱图像转化为灰度图像，对灰度图像进行高斯滤波和提取轮廓得到边缘线；
步骤2.2，依次对步骤2.1得到的灰度图像的每个像素进行标记，标记方式为像素的灰度值大于设定的阈值标记为1，像素的灰度值小于设定的阈值标记为0；
步骤2.3，对步骤2.2得到的经过标记的灰度图像作为标记图像进行平滑边缘得到第一标记图像；
步骤2.4，以第一标记图像的图像矩阵的几何中心点作为极点，对标记为1的像素利用极点进行膨胀运算，获得待定草坪分区图像；待定草坪分区图像中面积最大的闭合区间的集合作为分区集合；筛选出待定草坪分区图像中面积最大的闭合区间作为第一参考域并将第一参考域从分区集合中剔除；所述闭合区间的区域为由边缘检测得到的边缘线分割待定草坪分区图像得到的封闭区域；
步骤2.5，计算第一参考域在遥感图像中相应区域中各个像素值的算术平均值作为参照像素值，计算分区集合各个闭合区间的各个像素值的算术平均值得到各个闭合区间的平均像素值；筛选出平均像素值小于参照像素值的闭合区间作为参照集合；选出参照集合中面积最大的闭合区间作为第二参考域；
步骤2.6，通过Harris角点检测对第二参考域进行检测得到多个角点，得到的角点集合；将各个角点两两连接从而得到各个角点连线划分得到的新增区域，从而由各个新增区域得到新增区域集合；
步骤2.7，扫描新增区域集合中各个新增区域，如果新增区域属于第一参考域的位置则依次拼接新增区域集合中与当前新增区域位置相邻的新增区域构成待拼接杂草区域，并且将该新增区域标记为杂草子区域，待拼接杂草区域拼接新增区域集合中与待拼接杂草区域位置相邻的新增区域形成新的待拼接杂草区域直到待拼接杂草区域不存在位置相邻的新增区域，最终将待拼接杂草区域作为杂草区域；
步骤2.8，从而得到标记的杂草子区域和由所有杂草区域构成杂草区域集合。
进一步地，步骤4中，根据第一边界对草地测绘区进行聚类后获得杂草区域的子步骤为：
计算当前杂草子区域的清晰系数：
,
式中，Ic为杂草子区域的清晰系数，fx为第一波段波长，所述fx的范围为[743nm，753nm]，fy为第二波段波长，所述fy的范围为[2105nm，2155nm]，fz为第三波段波长，所述fz的范围为[1230nm，1250nm]，Agc(fx)为杂草子区域在波长fx的在大气顶部经过气体吸收校正的反射比，Ar(fx)为波长fx的瑞利散射反射率，Agc(fz)为杂草子区域在波长fz的在大气顶部经过气体吸收校正的反射比，Ar(fz)为波长fz的瑞利散射反射率，D(z,y)为反射系数；
其中D(z,y)的算法为：
，
Agc(fy)为杂草子区域在波长fy的在大气顶部经过气体吸收校正的反射比，Ar(fy)为波长fy的瑞利散射反射率；
根据清晰系数判断当前杂草子区域是否为清晰区域：如果Ic(fx,fz)＞N则判定当前杂草子区域为非清晰区域，如果Ic(fx,fz)≤N则判定当前杂草子区域是清晰区域，其中，N为所有杂草子区域的清晰系数Ic(fx,fz)的算术平均值或者将N设置为1.2。
所有清晰区域的几何中心点和对应清晰区域的清晰系数进行聚类，以清晰区域连续区域面积最大的部分的几何中心点作为聚类中心，非聚类中心的清晰区域根据与聚类中心的距离和反射系数确定是否属于杂草区域；
输出杂草区域。
面积过小和杂草比例较小的区域不作为杂草区域，之后间隔性检测，如果杂草扩散再归入杂草区域，中心最大的区域因为杂草容易扩散所以被归入杂草区域，并进行后续的除草农药喷洒区域。
优选地，其中，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值。
所述基于一种基于遥感图像的杂草数据采集系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种基于遥感图像的杂草数据采集系统，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基于遥感图像的杂草数据采集系统的示例，并不构成对一种基于遥感图像的杂草数据采集系统的限定，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，例如所述一种基于遥感图像的杂草数据采集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基于遥感图像的杂草数据采集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基于遥感图像的杂草数据采集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，实现所述一种基于遥感图像的杂草数据采集系统的各种功能。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)。此外，存储器可以包括随机存取存储器(RAM，Random Access Memory)，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 MediaCard，SMC)，安全数字(Secure Digital，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。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型。
Claims (5)
1.一种基于遥感图像的杂草数据采集方法，其特征在于，所述方法包括以下步骤：
步骤1，获取草地测绘区的高光谱图像，并进行预处理；
步骤2，从预处理后的高光谱图像提取反射率数据；
步骤3，根据反射率设局对草地测绘区提取边界作为第一边界；
步骤4，根据第一边界对草地测绘区进行聚类后获得杂草区域。
2.根据权利要求1所述的一种基于遥感图像的杂草数据采集方法，其特征在于，步骤1中，获取草地测绘区的高光谱图像，并进行预处理的子步骤为：
对高光谱图像进行预处理；
预处理包括几何校正处理、辐射校正处理和大气校正处理，以消除地形对高光谱图像的影响，高光谱图像来自搭载高光谱成像仪的卫星或者无人机。
3.根据权利要求1所述的一种基于遥感图像的杂草数据采集方法，其特征在于，步骤2中，从预处理后的高光谱图像提取反射率数据的子步骤为：
提取特定波段的光谱图像，波段为550nm。
4.根据权利要求1所述的一种基于遥感图像的杂草数据采集方法，其特征在于，步骤3中，根据反射率设局对草地测绘区提取边界作为第一边界的子步骤为：
步骤2.1，读取光谱数据，把光谱图像转化为灰度图像，对灰度图像进行高斯滤波和提取轮廓得到边缘线；
步骤2.2，依次对步骤2.1得到的灰度图像的每个像素进行标记，标记方式为像素的灰度值大于设定的阈值标记为1，像素的灰度值小于设定的阈值标记为0；
步骤2.3，对步骤2.2得到的经过标记的灰度图像作为标记图像进行平滑边缘得到第一标记图像；
步骤2.4，以第一标记图像的图像矩阵的几何中心点作为极点，对标记为1的像素利用极点进行膨胀运算，获得待定草坪分区图像；待定草坪分区图像中面积最大的闭合区间的集合作为分区集合；筛选出待定草坪分区图像中面积最大的闭合区间作为第一参考域并将第一参考域从分区集合中剔除；所述闭合区间的区域为由边缘检测得到的边缘线分割待定草坪分区图像得到的封闭区域；
步骤2.5，计算第一参考域在遥感图像中相应区域中各个像素值的算术平均值作为参照像素值，计算分区集合各个闭合区间的各个像素值的算术平均值得到各个闭合区间的平均像素值；筛选出平均像素值小于参照像素值的闭合区间作为参照集合；选出参照集合中面积最大的闭合区间作为第二参考域；
步骤2.6，通过Harris角点检测对第二参考域进行检测得到多个角点，得到的角点集合；将各个角点两两连接从而得到各个角点连线划分得到的新增区域，从而由各个新增区域得到新增区域集合；
步骤2.7，扫描新增区域集合中各个新增区域，如果新增区域属于第一参考域的位置则依次拼接新增区域集合中与当前新增区域位置相邻的新增区域构成待拼接杂草区域，并且将该新增区域标记为杂草子区域，待拼接杂草区域拼接新增区域集合中与待拼接杂草区域位置相邻的新增区域形成新的待拼接杂草区域直到待拼接杂草区域不存在位置相邻的新增区域，最终将待拼接杂草区域作为杂草区域；
步骤2.8，从而得到标记的杂草子区域和由所有杂草区域构成杂草区域集合。
5.根据权利要求1所述的一种基于遥感图像的杂草数据采集方法，其特征在于，步骤4中，根据第一边界对草地测绘区进行聚类后获得杂草区域的子步骤为：
计算当前杂草子区域的清晰系数：
,
式中，Ic为杂草子区域的清晰系数，fx为第一波段波长，所述fx的范围为[743nm，753nm]，fy为第二波段波长，所述fy的范围为[2105nm，2155nm]，fz为第三波段波长，所述fz的范围为[1230nm，1250nm]，Agc(fx)为杂草子区域在波长fx的在大气顶部经过气体吸收校正的反射比，Ar(fx)为波长fx的瑞利散射反射率，Agc(fz)为杂草子区域在波长fz的在大气顶部经过气体吸收校正的反射比，Ar(fz)为波长fz的瑞利散射反射率，D(z,y)为反射系数；
其中D(z,y)的算法为：
，
Agc(fy)为杂草子区域在波长fy的在大气顶部经过气体吸收校正的反射比，Ar(fy)为波长fy的瑞利散射反射率；
根据清晰系数判断当前杂草子区域是否为清晰区域：如果Ic(fx,fz)＞N则判定当前杂草子区域为非清晰区域，如果Ic(fx,fz)≤N则判定当前杂草子区域是清晰区域，其中，N为所有杂草子区域的清晰系数Ic(fx,fz)的算术平均值或者将N设置为1.2；
所有清晰区域的几何中心点和对应清晰区域的清晰系数进行聚类，以清晰区域连续区域面积最大的部分的几何中心点作为聚类中心，非聚类中心的清晰区域根据与聚类中心的距离和反射系数确定是否属于杂草区域；
输出杂草区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368727.0A CN117115667A (zh) | 2023-10-23 | 2023-10-23 | 一种基于遥感图像的杂草数据采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368727.0A CN117115667A (zh) | 2023-10-23 | 2023-10-23 | 一种基于遥感图像的杂草数据采集方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117115667A true CN117115667A (zh) | 2023-11-24 |
Family
ID=88796931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368727.0A Pending CN117115667A (zh) | 2023-10-23 | 2023-10-23 | 一种基于遥感图像的杂草数据采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115667A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977901A (zh) * | 2019-04-03 | 2019-07-05 | 山东理工大学 | 一种基于无人机遥感的玉米田间杂草识别方法 |
| CN113177183A (zh) * | 2021-06-29 | 2021-07-27 | 广东海洋大学 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
| US20230165235A1 (en) * | 2020-04-17 | 2023-06-01 | Bayer Cropscience Lp | Image monitoring for control of invasive grasses |
| CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
-
2023
- 2023-10-23 CN CN202311368727.0A patent/CN117115667A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977901A (zh) * | 2019-04-03 | 2019-07-05 | 山东理工大学 | 一种基于无人机遥感的玉米田间杂草识别方法 |
| US20230165235A1 (en) * | 2020-04-17 | 2023-06-01 | Bayer Cropscience Lp | Image monitoring for control of invasive grasses |
| CN113177183A (zh) * | 2021-06-29 | 2021-07-27 | 广东海洋大学 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
| CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵静 等: "基于无人机多光谱遥感图像的玉米田间杂草识别", 中国农业科学, no. 08, pages 51 - 61 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Jonckheere et al. | Assessment of automatic gap fraction estimation of forests from digital hemispherical photography | |
| Dell'Acqua et al. | Discriminating urban environments using multiscale texture and multiple SAR images | |
| Vu et al. | Context-based mapping of damaged buildings from high-resolution optical satellite images | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| Yusuf et al. | Spectral information analysis of image fusion data for remote sensing applications | |
| Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
| US11157735B2 (en) | Cloud detection in aerial imagery | |
| Qin et al. | Spatiotemporal inferences for use in building detection using series of very-high-resolution space-borne stereo images | |
| Sameen et al. | A refined classification approach by integrating Landsat Operational Land Imager (OLI) and RADARSAT-2 imagery for land-use and land-cover mapping in a tropical area | |
| CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
| Maghsoudi et al. | Speckle reduction for the forest mapping analysis of multi-temporal Radarsat-1 images | |
| CN109918531A (zh) | 一种毒品原植物的搜查方法、装置和计算机可读存储介质 | |
| Vidal et al. | Change detection of isolated housing using a new hybrid approach based on object classification with optical and TerraSAR-X data | |
| CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
| Guan et al. | Partially supervised hierarchical classification for urban features from lidar data with aerial imagery | |
| Erener et al. | A methodology for land use change detection of high resolution pan images based on texture analysis | |
| Roussel et al. | Comparison of two atmospheric correction methods for the classification of spaceborne urban hyperspectral data depending on the spatial resolution | |
| CN111062341B (zh) | 视频图像区域的分类方法、装置、设备及存储介质 | |
| Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
| CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
| Gladkova et al. | SST pattern test in ACSPO clear-sky mask for VIIRS | |
| CN117115667A (zh) | 一种基于遥感图像的杂草数据采集方法 | |
| CN115639159A (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
| Paul et al. | Change detection of linear features in temporally spaced remotely sensed images using edge-based grid analysis |
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 |