CN117197646A - 沉水植物的遥感自动识别方法、装置、计算机设备及介质 - Google Patents
沉水植物的遥感自动识别方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117197646A CN117197646A CN202311216023.1A CN202311216023A CN117197646A CN 117197646 A CN117197646 A CN 117197646A CN 202311216023 A CN202311216023 A CN 202311216023A CN 117197646 A CN117197646 A CN 117197646A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- spectrum
- aquatic plant
- plants
- 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 61
- 238000001228 spectrum Methods 0.000 claims abstract description 145
- 238000003709 image segmentation Methods 0.000 claims abstract description 60
- 230000008859 change Effects 0.000 claims abstract description 41
- 230000000750 progressive effect Effects 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 238000009395 breeding Methods 0.000 abstract 1
- 230000001488 breeding effect Effects 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 296
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 32
- 235000014676 Phragmites communis Nutrition 0.000 description 27
- 240000001592 Amaranthus caudatus Species 0.000 description 16
- 235000009328 Amaranthus caudatus Nutrition 0.000 description 16
- 241000555922 Potamogeton crispus Species 0.000 description 11
- 240000001085 Trapa natans Species 0.000 description 9
- 235000009165 saligot Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 241000756999 Potamogetonaceae Species 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 241000195474 Sargassum Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 208000035985 Body Odor Diseases 0.000 description 1
- 206010055000 Bromhidrosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及植被监测技术领域，公开了一种沉水植物的遥感自动识别方法、装置、计算机设备及介质，该方法包括：获取不同生育期的水生植物遥感影像；计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱；基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像；采用预设图像分割算法对差值图像进行递进图像分割，得到水生植物的像素阈值；基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，得到分类结果。本发明解决了难以对全年不同生育时期不同种类的沉水植物动态遥感监测，无法对沉水植物进行分类识别的问题。
Description
技术领域
本发明涉及植被监测技术领域，具体涉及一种沉水植物的遥感自动识别方法、装置、计算机设备及介质。
背景技术
沉水植物是水生植被的一种，是湖泊生态系统的初级生产者、重要调节者和指示者。实现沉水植物的实时、快速监测对湖泊生态系统生态功能的评估和管理都具有重要的指导意义和现实意义。目前，由于人为和自然的共同影响，河流湖泊水生植被不断发生变化，而相关管理人员对相关信息的获取并不足，这对水生态系统的管理和水环境的预测产生了更大的不确定性。
目前，对沉水植物的监测通过人工调查的方法进行识别，识别出不同植被类型和时空分布特征，该方法费时费力、监测范围和样本量有限，监测难度大，无法快速、实时、大面积的获取水生植被的类型和分布状况。遥感具有快速、实时和大面积监测地表信息的优势，但是遥感监测的难点在于沉水植物位于水面以下，光谱信号弱，与敞开水体难以区分，难以对全年不同生育时期不同种类的沉水植物动态遥感监测，无法对沉水植物进行分类识别。
发明内容
有鉴于此，本发明提供了一种沉水植物的遥感自动识别方法、装置、计算机设备及介质，以解决难以对全年不同生育时期不同种类的沉水植物动态遥感监测，无法对沉水植物进行分类识别的问题。
第一方面，本发明提供了一种沉水植物的遥感自动识别方法，该方法包括：
获取不同生育期的水生植物遥感影像；
计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱；
基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像；
采用预设图像分割算法对差值图像进行递进图像分割，得到水生植物的像素阈值；
基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，得出分类结果。
本发明实施例提供的沉水植物的遥感自动识别方法，通过计算不同生育期的水生植物的像素阈值，并基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，可以识别到不同生育时期的沉水植物，得出分类结果，能够对全年不同生育时期不同种类沉水植物自动、实时、高精度的识别，实现了监测小流域全年不同生育时期不同种类沉水植物的时空分布的目的，解决了难以对全年不同生育时期不同种类的沉水植物动态遥感监测，无法对沉水植物进行分类识别的问题。
在一种可选的实施方式中，计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱包括：
获取水生植物遥感影像的近红外波段和红外波段；
计算近红外波段和红外波段之间的差值以及和值；
计算差值与和值的比值，得到水生植物遥感影像的光谱归一化植被指数；
构建不同生育期的水生植物遥感影像的光谱归一化植被指数的光谱归一化植被指数变化时间谱。
在一种可选的实施方式中，构建不同生育期的水生植物遥感影像的光谱归一化植被指数的光谱归一化植被指数变化时间谱包括：
以不同生育期的水生植物遥感影像的光谱归一化植被指数为纵坐标，以光谱归一化植被指数对应的时间为横坐标，构建不同生育期的水生植物遥感影像的光谱归一化植被指数变化时间谱。
本发明实施例提供的沉水植物的遥感自动识别方法，通过计算近红外波段和红外波段之间的差值以及和值的比值，得到水生植物遥感影像的光谱归一化植被指数，以不同生育期的水生植物遥感影像的光谱归一化植被指数为纵坐标，以光谱归一化植被指数对应的时间为横坐标，构建不同生育期的水生植物遥感影像的光谱归一化植被指数变化时间谱，水生植物遥感影像的光谱归一化植被指数变化时间谱可以表示植被生长状态和植被覆盖度以及消除图像辐射误差等，为后续计算水生植物遥感影像的差值图像提供了基础，水生植物遥感影像的光谱归一化植被指数变化时间谱保证了计算差值图像的精确性。
在一种可选的实施方式中，基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像包括：
筛选光谱归一化植被指数变化时间谱中最大日期对应的光谱归一化植被指数遥感图像和最小日期对应的光谱归一化植被指数遥感图像；
计算最大日期对应的光谱归一化植被指数遥感图像和最小日期对应的光谱归一化植被指数遥感图像之间的差值，得到差值图像。
本发明实施例提供的沉水植物的遥感自动识别方法，所计算得到的差值图像可以提取不同时期图像中地物随时间的变化信息，为图像分割提供了图像基础。
在一种可选的实施方式中，采用预设图像分割算法对差值图像进行递进图像分割，得到水生植物的像素阈值包括：
按照差值图像灰度特性，将差值图像划分为目标部分和背景部分；
获取目标部分像素点数和背景部分像素点数；
计算目标部分像素点数在差值图像整体像素点的第一比例和目标部分平均灰度值；
计算背景部分像素点在差值图像整体像素点的第二比例和背景部分平均灰度值；
采用预设图像分割算法对第一比例、第二比例、目标部分平均灰度值和背景部分平均灰度值计算，得到水生植物的像素阈值。
在一种可选的实施方式中，基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物包括：
根据水生植物的像素阈值从水生植物中筛选出沉水植物，将遥感影像分类为包含沉水植物的遥感影像以及不包含沉水植物的遥感影像；
将包含沉水植物的遥感影像继续进行递进图像分割，得到沉水植物像素阈值，基于沉水植物像素阈值对包含沉水植物的遥感影像进行识别，识别出不同生育期的沉水植物，得出分类结果。
本发明实施例提供的沉水植物的遥感自动识别方法，按照差值图像灰度特性，将差值图像划分为目标部分和背景部分，不受图像亮度和对比度的影响，采用预设图像分割算法对第一比例、第二比例、目标部分平均灰度值和背景部分平均灰度值计算，得到水生植物的像素阈值，并基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，能够对不同种类沉水植物自动、实时、高精度的识别，利用有限的遥感影像，能够准确的获取小流域全年不同生育期的沉水植物的分布类型和分布区域。
在一种可选的实施方式中，计算分类结果的总体精度和分类精度指标系数，根据总体精度和分类精度指标系数评价分类结果。
本发明实施例提供的沉水植物的遥感自动识别方法，利用总体精度和分类精度指标系数评价分类结果，可以评价最终分类结果的准确数据，为沉水植物的遥感自动识别提供了精度基础。
第二方面，本发明提供了一种沉水植物的遥感自动识别装置，该装置包括：
获取模块，用于获取不同生育期的水生植物遥感影像；
第一计算模块，用于计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱；
第二计算模块，用于基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像；
图像分割模块，用于采用预设图像分割算法对差值图像进行递进图像分割，得到水生植物的像素阈值；
识别模块，用于基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，得出分类结果。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的沉水植物的遥感自动识别方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的沉水植物的遥感自动识别方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的沉水植物的遥感自动识别方法的流程示意图；
图2是根据本发明实施例的另一沉水植物的遥感自动识别方法的流程示意图；
图3是根据本发明实施例的又一沉水植物的遥感自动识别方法的流程示意图；
图4是根据本发明实施例的再一沉水植物的遥感自动识别方法的流程示意图；
图5是根据本发明实施例的沉水植物的遥感自动识别方法中不同水生植物光谱归一化植被指数变化时间谱示意图；
图6(a)是根据本发明实施例的沉水植物的遥感自动识别方法中不同水生植物基于像素阈值的分类识别示意图；
图6(b)是根据本发明实施例的沉水植物的遥感自动识别方法中另一不同水生植物基于像素阈值的分类识别示意图；
图7是根据本发明实施例的沉水植物的遥感自动识别装置的结构框图；
图8是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。
根据本发明实施例，提供了一种沉水植物的遥感自动识别方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种沉水植物的遥感自动识别方法，可用于计算机，图1是根据本发明实施例的沉水植物的遥感自动识别方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取不同生育期的水生植物遥感影像。具体地，水生植物包括生育时期不同的芦苇、狐尾藻和菹草等。因为水生植物生长在水中，因此获取的遥感影像中还包括水体以及非典型地物等。该实施例中不同生育期的水生植物遥感影像包括芦苇和狐尾藻两种水生植物的多个时间段的多个遥感影像，以及包括芦苇和菹草两种水生植物的多个时间段的多个遥感影像。其中，芦苇属于多年水生挺水植物，在每年春季开始生长，夏秋季节进入茂盛期。狐尾藻属于水生沉水植物，夏季生长旺盛，冬季生长慢，能耐低温。菹草属于沉水植物，秋季发芽，冬春生长，4-5月开花结果，夏季6月后逐渐衰退腐烂。由此，多个时间段的多个遥感影像包括某年4月-10月芦苇和狐尾藻两种水生植物的多个遥感影像，以及某年4月-10月芦苇和菹草两种水生植物的多个遥感影像。
通过公共平台获取覆盖研究区的Sentinel-2卫星地表反射率影像数据，即采用Sentinel-2卫星(哨兵2号卫星)获取覆盖小型流域水生植物的遥感影像，Sentinel-2卫星获取的遥感图像具有高分辨率(10m分辨率)，为后续沉水植物的准确识别提供了基础。在获取遥感图像之后要先对遥感图像进行预处理。该预处理具体包括：采用Sen2Cor插件(大气校正插件)对获取的多个预设时期水生植物遥感影像进行批量大气校正，最后运用图像处理软件(例如ENVI 5.3软件)进行遥感影像裁切，通过遥感影像裁切去掉影响边界区域，留下待识别的遥感影像。
步骤S102，计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱。具体地，光谱归一化植被指数(Normalized Difference Vegetation Index，简称NDVI)是一种用于评估植被生长情况的指数，反映绿色活植被相对丰度和活性的辐射量化值。光谱归一化植被指数通过测量近红外(植被强烈反射)和红光(植被吸收)之间的差异来量化植被，取值范围始终为-1至+1。当计算出不同生育期的水生植物遥感影像的光谱归一化植被指数，将光谱归一化植被指数在坐标系中描绘出来，可以得到水生植物遥感影像的光谱归一化植被指数变化时间谱。
步骤S103，基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像。具体地，差值图像又称差别图像，为多波段图像不同波段之间和两个时相遥感图像之间减法或加权减法运算生成的图像。例如，从光谱归一化植被指数变化时间谱中选择某一水生植物的最大光谱归一化植被指数遥感图像和最小光谱归一化植被指数遥感图像，将最大光谱归一化植被指数遥感图像和最小光谱归一化植被指数遥感图像之间相减得到差值，对应的图像即为差值图像。
步骤S104，采用预设图像分割算法对差值图像进行图像分割，得到水生植物的像素阈值。具体地，预设图像分割算法可以采用最大类间方差法(大津算法)。最大类间方差法是一种确定图像阈值的算法，用该阈值对图像进行固定阈值二值化，即求方差的最大分割阈值作为图像二值化，具有最大的类间方差，它根据图像的灰度特征将图像分为背景和前景，因此类间的最大分割意味着最小的误分类概率。
步骤S105，基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，得出分类结果。具体地，根据得到的水生植物的像素阈值从水生植物中筛选出沉水植物，直至识别出不同生育期的沉水植物，最终得出分类结果。
本发明实施例提供的沉水植物的遥感自动识别方法，通过计算不同生育期的水生植物的像素阈值，并基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，可以识别到不同生育时期的沉水植物，能够对全年不同生育时期不同种类沉水植物自动、实时、高精度的识别，实现了监测小流域全年不同生育时期不同种类沉水植物的时空分布的目的，解决了难以对全年不同生育时期不同种类的沉水植物动态遥感监测，无法对沉水植物进行分类识别的问题。
在本实施例中提供了一种沉水植物的遥感自动识别方法，可用于计算机，图2是根据本发明实施例的沉水植物的遥感自动识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取不同生育期的水生植物遥感影像。详细请参见图1所示实施例的步骤S101，在此不再赘述。
步骤S202，计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱。
具体地，上述步骤S202包括：
步骤S2021，获取水生植物遥感影像的近红外波段和红外波段。例如获取某一水生植物遥感影像的红外波段RRED，其波长中心值为0.65微米，波段宽度为30纳米，获取近红外波段RNIR，其波长中心值为0.842微米，波段宽度为115纳米。
步骤S2022，计算近红外波段和红外波段之间的差值以及和值。具体地，计算某一水生植物遥感影像中近红外波段和红外波段波长中心值之间的差值，即差值＝RNIR-RRED＝0.842微米-0.65微米＝0.192微米。计算近红外波段和红外波段波长中心值之间的和值，即和值＝RNIR+RRED＝0.842微米+0.65微米＝1.492微米。
步骤S2023，计算差值与和值的比值，得到水生植物遥感影像的光谱归一化植被指数。具体地，光谱归一化植被指数计算公式如下：
NDVI＝(RNIR RRED)/(RNIR+RRED)
这样就可以得到每一种水生植物遥感影像的光谱归一化植被指数。
步骤S2024，构建不同生育期的水生植物遥感影像的光谱归一化植被指数的光谱归一化植被指数变化时间谱。具体地，以不同生育期的水生植物遥感影像的光谱归一化植被指数为纵坐标，以光谱归一化植被指数对应的时间为横坐标，构建不同生育期的水生植物遥感影像的光谱归一化植被指数NDVI变化时间谱。如图5所示，示出了三种水生植物的光谱归一化植被指数NDVI变化时间谱。
步骤S203，基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像。
具体地，上述步骤S203包括：
步骤S2031，筛选光谱归一化植被指数变化时间谱中最大日期对应的光谱归一化植被指数遥感图像和最小日期对应的光谱归一化植被指数遥感图像。具体地，如图5所示，选择某一水生植物在140天最小NDVII影像和在170天最大NDVII影像，再选择另一种水生植物在240天最大NDVI影像和290天最小的NDVI影像。
步骤S2032，计算最大日期对应的光谱归一化植被指数遥感图像和最小日期对应的光谱归一化植被指数遥感图像之间的差值，得到差值图像。具体地，计算某一水生植物在170天最大NDVII影像和在140天最小NDVII影像之间的差值，得到某一水生植物的差值图像。计算另一种水生植物在240天最大NDVI影像和290天最小的NDVI影像之间的差值，得到另一种水生植物的差值图像，用ΔNDVI表示差值图像。
步骤S204，采用预设图像分割算法对差值图像进行递进图像分割，得到水生植物的像素阈值。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S205，基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，得出分类结果。详细请参见图1所示实施例的步骤S103，在此不再赘述。
本发明实施例提供的沉水植物的遥感自动识别方法，通过计算近红外波段和红外波段之间的差值以及和值的比值，得到水生植物遥感影像的光谱归一化植被指数，以不同生育期的水生植物遥感影像的光谱归一化植被指数为纵坐标，以光谱归一化植被指数对应的时间为横坐标，构建不同生育期的水生植物遥感影像的光谱归一化植被指数变化时间谱，水生植物遥感影像的光谱归一化植被指数变化时间谱可以表示植被生长状态和植被覆盖度以及消除图像辐射误差等，为后续计算水生植物遥感影像的差值图像提供了基础，水生植物遥感影像的光谱归一化植被指数变化时间谱保证了计算差值图像的精确性,所计算得到的差值图像可以提取不同时期图像中地物随时间的变化信息，为图像分割提供了图像基础。
在本实施例中提供了一种沉水植物的遥感自动识别方法，可用于计算机，图3是根据本发明实施例的沉水植物的遥感自动识别方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取不同生育期的水生植物遥感影像。详细请参见图2所示实施例的步骤S202，在此不再赘述。
步骤S302，计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱。详细请参见图2所示实施例的步骤S202，在此不再赘述。
步骤S303，基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像。详细请参见图2所示实施例的步骤S203，在此不再赘述。
步骤S304，采用预设图像分割算法对差值图像进行递进图像分割，得到水生植物的像素阈值。
具体地，上述步骤S304包括：
步骤S3041，按照差值图像灰度特性，将差值图像划分为目标部分和背景部分。具体地，预设一个灰度阈值T，将差值图像中的数据分为两类：一类是图像的像素点的灰度均小于灰度阈值T，设定为背景部分；另一类中的图像的像素点的灰度均大于或者等于灰度阈值T，设定为目标部分。
步骤S3042，获取目标部分像素点数和背景部分像素点数。具体地，可以选用python算法获取目标部分像素点数和背景部分像素点数。
步骤S3043，计算目标部分像素点数在差值图像整体像素点的第一比例和目标部分平均灰度值。具体地，将目标部分像素点数除以差值图像整体像素点得到第一比例ω0，通过累加目标部分每个像素的灰度值，再除以差值图像整体像素点总数，得出整幅图像的平均灰度值即为目标部分平均灰度值μ0。目标部分平均灰度值可以代表图像的整体亮度水平。
步骤S3044，计算背景部分像素点在差值图像整体像素点的第二比例和背景部分平均灰度值。具体地，同理，将背景部分像素点数除以差值图像整体像素点得到第二比例ω1，通过累加背景部分每个像素的灰度值，再除以差值图像整体像素点总数，得出整幅图像的平均灰度值即为背景部分平均灰度值μ1。
步骤S3045，采用预设图像分割算法对第一比例、第二比例、目标部分平均灰度值和背景部分平均灰度值计算，得到水生植物遥感影像的像素阈值。具体地，预设图像分割算法可以采用最大类间方差图像分割算法(大津算法)，是一种确定图像二值化分割阈值的算法。预设最大类间方差法中变量为类间方差g，则g的计算公式如下：
g＝ω0*ω1*(μ0-μ1)2(1)
计算出类间方差g的值，可以得到不同水生植物遥感影像的像素阈值。
因最大类间方差图像分割算法为图像二值化分割阈值的算法，即0～255的像素，因此在进行图像分割开始时，起初的像素阈值为0，以像素阈值0作为第一个像素阈值，对水生植物遥感图像进行分类识别。在像素阈值0将水生植物遥感图像进行分类识别后再进行图像分割时，应用公式(1)计算像素阈值。
步骤S305，基于沉水植物像素阈值对包含沉水植物的遥感影像进行识别，识别出不同生育期的沉水植物。
具体地，上述步骤S305包括：
步骤S3051，根据不同生育期的水生植物的像素阈值从水生植物中筛选出沉水植物，将遥感影像分类为包含沉水植物的遥感影像以及不包含沉水植物的遥感影像。例如，如图6(a)和图6(b)所示，获取某年4月-10月包括芦苇和菹草两种水生植物的多个遥感影像，由于芦苇和菹草两种植物的生长期不同，因此获取的多个遥感影像中可能只包括芦苇，也可能只包括菹草，还可能两种植物均不存在。因此可以根据像素阈值对获取的多个遥感影像分类。首先以像素阈值0将水生植物遥感图像分为两类，一类为包含沉水植物的遥感影像，另一类为不包含沉水植物的遥感影像。例如，根据实地观测，按照像素阈值0对水生植物进行分类，具体为：差值图像像素大于像素阈值0的为芦苇，即ΔNDVI>0的代表芦苇，差值图像像素小于像素阈值0的为沉水植物(沉水植物为菹草)，即ΔNDVI<0的图像代表沉水植物(沉水植物为菹草)。
步骤S3052，将包含沉水植物的遥感影像继续进行递进图像分割，得到沉水植物像素阈值，基于沉水植物像素阈值对包含沉水植物的遥感影像进行识别，识别出不同生育期的沉水植物，得出分类结果。例如，对差值图像像素小于像素阈值0的继续使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.07；按照像素阈值-0.07接着对沉水植物进行分类，差值图像像素大于像素阈值-0.07的为水体，即ΔNDVI>-0.07的为水体，差值图像像素大于像素阈值-0.07的为菹草和非典型地物，ΔNDVI<-0.07的为菹草和非典型地物；对差值图像像素小于像素阈值-0.07的再次使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.12，差值图像像素大于像素阈值-0.12为非典型地物，即ΔNDVI>-0.12的为非典型地物，差值图像像素小于像素阈值-0.12为菹草，即ΔNDVI<-0.12的为菹草。
再例如，根据实地观测，按照像素阈值0对水生植物进行分类，具体为：差值图像像素大于像素阈值0的为水体和非典型地物，即ΔNDVI’>0的代表水体和非典型地物，差值图像像素小于像素阈值0的为水体、狐尾藻和芦苇，即ΔNDVI’<0像素阈值的影像值则代表水体、沉水植物和挺水植物；对差值图像像素小于像素阈值0的继续使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.14，按照像素阈值-0.14对水体、沉水植物和芦苇进行分类，差值图像像素大于像素阈值-0.14的为水体，即ΔNDVI’>-0.14的为水体，差值图像像素小于像素阈值-0.14的为狐尾藻和芦苇，即ΔNDVI’<-0.14的为狐尾藻和芦苇；对差值图像像素小于像素阈值-0.14的再次使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.24，按照像素阈值-0.24对狐尾藻和芦苇进行分类，差值图像像素大于像素阈值-0.24的为芦苇，即ΔNDVI’>-0.24为芦苇，差值图像像素小于像素阈值-0.24的为狐尾藻，即ΔNDVI’<-0.24的为狐尾藻。
基于不同生育期的水生植物的像素阈值，可以根据像素阈值对水生植物中的挺水植物、水体和沉水植物进行识别，还可以进一步筛选出沉水植物中的菹草，准确分类。
步骤S306，计算分类结果的总体精度和分类精度指标系数，根据总体精度和分类精度指标系数评价分类结果。具体地，在ArcGIS(共享GIS组件组成的通用组件库)里将分类结果进行出图，并根据实际样本和分类结果，计算总体精度和分类精度指标系数，分类精度指标系数也称作Kappa系数，总体精度和Kappa系数计算公式分别如下：
其中：OA为总体精度，为被正确分类的样本总数，β为实际样本总数，k为植物种类计数，n为植物种类总数。
其中：r为错误矩阵中总列数，即总的类别数；Aij为错误矩阵中的第i行、第j列上像元数量，即正确分类的数目；Ai+和A+i分别为第i行和第i列的总像元数量；N为总的用于精度评估的像元数量。
本发明实施例提供的沉水植物的遥感自动识别方法，按照差值图像灰度特性，将差值图像划分为目标部分和背景部分，不受图像亮度和对比度的影响，采用预设图像分割算法对第一比例、第二比例、目标部分平均灰度值和背景部分平均灰度值计算，得到水生植物的像素阈值，并基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，能够对不同种类沉水植物自动、实时、高精度的识别，利用有限的遥感影像，能够准确的获取小流域全年不同生育期的沉水植物的分布类型和分布区域，利用总体精度和分类精度指标系数评价分类结果，可以评价最终分类结果的准确数据，为沉水植物的遥感自动识别提供了精度基础。
作为本发明实施例的一个或多个具体应用实施例，在本实施例中提供了一种沉水植物的遥感自动识别方法，以某地区典型的小流域水库为例进行实例分析。其中，某地区典型的小流域水库位于北纬40°31′16.53″，东经116°51′54.01″，面积约为面积180平方公里。经调研和资料显示，某地区典型的小流域水库的沉水植物主要分布在水库中心岛水深较浅的区域和东北部湿地区域，沉水植物只有4-6月的菹草和6-10月的狐尾藻。利用遥感技术对某地区典型的小流域水库沉水植物分布区域及面积进行实时快速的监测，对提高某地区典型的小流域水库水质，保障水安全具有重要的指导意义。
下面以某地区典型的小流域水库为研究区域，以2019年进行实例分析，具体流程如图4所示，包括：
步骤S401，获取不同生育期的水生植物遥感影像：根据实测样点的坐标位置，从公共平台上下载覆盖实测样点和研究区域的2019-2022年4月-10月之间的Sentinel-2卫星地表反射率遥感影像数据。采用Sen2Cor插件(大气校正插件)对获取的多个预设时期水生植物遥感影像进行批量大气校正，最后运用图像处理软件(例如ENVI 5.3软件)进行遥感影像裁切。
步骤S402，对于经过步骤S401处理过的所有Sentinel-2卫星遥感影像进行光谱归一化植被指数(Normalized Difference Vegetation Index,NDVI)的计算。具体的NDVI计算公式如下：NDVI＝(RNIR RRED)/(RNIR+RRED)。其中，RRED为红外波段，其波长中心值为0.665微米，波段宽度30纳米；RNIR为近红外波段，其波长中心值为0.842微米，波段宽度为115纳米。
步骤S403，在搜集的一年内所有的Sentinel-2卫星遥感影像上提取与实测样点地理坐标一致点的全年光谱归一化植被指数NDVI值，并绘制以不同生育期的水生植物遥感影像的光谱归一化植被指数为纵坐标，以光谱归一化植被指数对应的时间为横坐标的水生植物周年生育期光谱归一化植被指数NDVI变化时间谱。
步骤S404，基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像：计算某一水生植物在170天最大NDVII影像和在140天最小NDVII影像之间的差值，得到某一水生植物的差值图像。计算另一种水生植物在240天最大NDVI影像和290天最小的NDVI影像之间的差值，得到另一种水生植物的差值图像。用ΔNDVI表示差值图像。
步骤S405，采用最大类间方差图像分割算法对差值图像进行图像分割，得到水生植物的像素阈值。
例如：使用最大类间方差图像分割算法不断进行图像分割，逐步得出不同时期挺水植物(芦苇)、水体和沉水植物的像素阈值。
步骤S406，基于像素阈值对研究区2019年的沉水植物菹草和狐尾藻进行分类识别，得到分类结果。
如图6(a)和图6(b)所示，获取2019年4月-10月包括芦苇和菹草两种水生植物的多个遥感影像，由于芦苇和菹草两种植物的生长期不同，因此获取的多个遥感影像中可能只包括芦苇，也可能只包括菹草，还可能两种植物均不存在。因此可以根据像素阈值对获取的多个遥感影像分类。首先以像素阈值0将水生植物遥感图像分为两类，一类为包含沉水植物的遥感影像，另一类为不包含沉水植物的遥感影像。例如，根据实地观测，按照像素阈值0对水生植物进行分类，具体为：差值图像像素大于像素阈值0的为挺水植物，即ΔNDVI>0的代表挺水植物(挺水植物即芦苇)，差值图像像素小于像素阈值0的为沉水植物，即ΔNDVI<0的图像代表沉水植物。对差值图像像素小于像素阈值0的继续使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.07；按照像素阈值-0.07接着对沉水植物进行分类，差值图像像素大于像素阈值-0.07的为水体，即ΔNDVI>-0.07的为水体，差值图像像素大于像素阈值-0.07的为菹草和非典型地物，ΔNDVI<-0.07的为菹草和非典型地物；对差值图像像素小于像素阈值-0.07的再次使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.12，差值图像像素大于像素阈值-0.12为非典型地物，即ΔNDVI>-0.12的为非典型地物，差值图像像素小于像素阈值-0.12为菹草，即ΔNDVI<-0.12的为菹草。
再例如，根据实地观测，按照像素阈值0对水生植物进行分类，具体为：差值图像像素大于像素阈值0的为水体和非典型地物，即ΔNDVI’>0的代表水体和非典型地物，差值图像像素小于像素阈值0的为水体、狐尾藻和芦苇，即ΔNDVI’<0像素阈值的影像值则代表水体、沉水植物和挺水植物；对差值图像像素小于像素阈值0的继续使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.14，按照像素阈值-0.14对水体、沉水植物和芦苇进行分类，差值图像像素大于像素阈值-0.14的为水体，即ΔNDVI’>-0.14的为水体，差值图像像素小于像素阈值-0.14的为狐尾藻和芦苇，即ΔNDVI’<-0.14的为狐尾藻和芦苇；对差值图像像素小于像素阈值-0.14的再次使用最大类间方差图像分割算法进行图像分割可以得到像素阈值-0.24，按照像素阈值-0.24对狐尾藻和芦苇进行分类，差值图像像素大于像素阈值-0.24的为芦苇，即ΔNDVI’>-0.24为芦苇，差值图像像素小于像素阈值-0.24的为狐尾藻，即ΔNDVI’<-0.24的为狐尾
步骤S407，在ArcGIS(共享GIS组件组成的通用组件库)里将分类结果进行出图，并根据实测样点和分类结果，计算分类总体精度和Kappa系数，计算公式如下：
在ArcGIS(共享GIS组件组成的通用组件库)里将分类结果进行出图，并根据实际样本和分类结果，计算总体精度和分类精度指标系数，分类精度指标系数也称作Kappa系数，总体精度和Kappa系数计算公式分别如下：
其中：OA为总体精度，为被正确分类的样本总数，β为实际样本总数，k为植物种类计数，n为植物种类总数。
其中：r为错误矩阵中总列数，即总的类别数；Aij为错误矩阵中的第i行、第j列上像元数量，即正确分类的数目；Ai+和A+i分别为第i行和第i列的总像元数量；N为总的用于精度评估的像元数量。
利用分类结果的总体精度和Kappa系数评价分类结果，如表1。表1是本发明实施例所述的方法获取的某地区典型的小流域水库菹草和狐尾藻的动态自动提取结果的精度评价表，通过监测结果与实测结果的对比可知，本发明实施例提供的方法对研究区菹草和狐尾藻的监测总体精度高于73％，Kappa系数分别为0.75和0.67，符合实际应用需求。本发明利用有限的实测样点和卫星遥感影像，能够快速、准确的获取小流域全年不同生育期的沉水植物的分布类型和分布区域。
表1
在本实施例中还提供了一种沉水植物的遥感自动识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种沉水植物的遥感自动识别装置，如图7所示，包括：
获取模块701，用于获取不同生育期的水生植物遥感影像；
第一计算模块702，用于计算不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱；
第二计算模块703，用于基于光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像；
图像分割模块704，用于采用预设图像分割算法对差值图像进行递进图像分割，得到水生植物的像素阈值；
识别模块705，用于基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，得出分类结果。
在一些可选的实施方式中，第一计算模块702包括：
第一获取单元，用于获取水生植物遥感影像的近红外波段和红外波段；
第一计算单元，用于计算近红外波段和红外波段之间的差值以及和值；
第二计算单元，用于计算差值与和值的比值，得到水生植物遥感影像的光谱归一化植被指数；
构建单元，用于构建不同生育期的水生植物遥感影像的光谱归一化植被指数的光谱归一化植被指数变化时间谱。
在一些可选的实施方式中，第二计算模块703包括：
筛选单元，用于筛选光谱归一化植被指数变化时间谱中最大日期对应的光谱归一化植被指数遥感图像和最小日期对应的光谱归一化植被指数遥感图像；
第三计算单元，用于计算最大日期对应的光谱归一化植被指数遥感图像和最小日期对应的光谱归一化植被指数遥感图像之间的差值，得到差值图像。
在一些可选的实施方式中，分割模块704包括：
划分单元，用于按照差值图像灰度特性，将差值图像划分为目标部分和背景部分；
第二获取单元，用于获取目标部分像素点数和背景部分像素点数；
第四计算单元，用于计算目标部分像素点数在差值图像整体像素点的第一比例和目标部分平均灰度值；
第五计算单元，用于计算背景部分像素点在差值图像整体像素点的第二比例和背景部分平均灰度值；
图像分割单元，用于采用预设图像分割算法对第一比例、第二比例、目标部分平均灰度值和背景部分平均灰度值计算，得到水生植物的像素阈值。
在一些可选的实施方式中，识别模块705包括：
筛选单元，用于根据水生植物的像素阈值从水生植物中筛选出沉水植物，将遥感影像分类为包含沉水植物的遥感影像以及不包含沉水植物的遥感影像；
识别单元，用于将包含沉水植物的遥感影像继续进行递进图像分割，得到沉水植物像素阈值，基于沉水植物像素阈值对包含沉水植物的遥感影像进行识别，识别出不同生育期的沉水植物，得出分类结果。
沉水植物的遥感自动识别装置还包括：
评价模块，用于计算分类结果的总体精度和分类精度指标系数，根据总体精度和分类精度指标系数评价分类结果。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的沉水植物的遥感自动识别装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图7所示的沉水植物的遥感自动识别装置。
请参阅图8，图8是本发明可选实施例提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以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、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息，以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。上述显示设备包括但不限于液晶显示器，发光二极管，显示器和等离子体显示器。在一些可选的实施方式中，显示设备可以是触摸屏。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种沉水植物的遥感自动识别方法，其特征在于，所述方法包括：
获取不同生育期的水生植物遥感影像；
计算所述不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱；
基于所述光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像；
采用预设图像分割算法对所述差值图像进行递进图像分割，得到水生植物的像素阈值；
基于所述水生植物的像素阈值，对所述水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物，得出分类结果。
2.根据权利要求1所述的方法，其特征在于，计算所述不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱包括：
获取所述水生植物遥感影像的近红外波段和红外波段；
计算近红外波段和红外波段之间的差值以及和值；
计算所述差值与和值的比值，得到所述水生植物遥感影像的光谱归一化植被指数；
构建不同生育期的所述水生植物遥感影像的光谱归一化植被指数的光谱归一化植被指数变化时间谱。
3.根据权利要求2所述的方法，其特征在于，所述构建不同生育期的所述水生植物遥感影像的光谱归一化植被指数的光谱归一化植被指数变化时间谱包括：
以不同生育期的水生植物遥感影像的光谱归一化植被指数为纵坐标，以所述光谱归一化植被指数对应的时间为横坐标，构建不同生育期的水生植物遥感影像的光谱归一化植被指数变化时间谱。
4.根据权利要求1所述的方法，其特征在于，基于所述光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像包括：
筛选所述光谱归一化植被指数变化时间谱中最大日期对应的光谱归一化植被指数遥感图像和最小日期对应的光谱归一化植被指数遥感图像；
计算所述最大日期对应的光谱归一化植被指数遥感图像和所述最小日期对应的光谱归一化植被指数遥感图像之间的差值，得到差值图像。
5.根据权利要求1所述的方法，其特征在于，所述采用预设图像分割算法对所述差值图像进行递进图像分割，得到水生植物的像素阈值包括：
按照差值图像灰度特性，将差值图像划分为目标部分和背景部分；
获取所述目标部分像素点数和背景部分像素点数；
计算目标部分像素点数在所述差值图像整体像素点的第一比例和目标部分平均灰度值；
计算背景部分像素点在所述差值图像整体像素点的第二比例和背景部分平均灰度值；
采用预设图像分割算法对所述第一比例、第二比例、目标部分平均灰度值和背景部分平均灰度值计算，得到水生植物的像素阈值。
6.根据权利要求1所述的方法，其特征在于，基于所述水生植物的像素阈值，对所述水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物包括：
根据水生植物的像素阈值从水生植物中筛选出沉水植物，将遥感影像分类为包含沉水植物的遥感影像以及不包含沉水植物的遥感影像；
将所述包含沉水植物的遥感影像继续进行递进图像分割，得到沉水植物像素阈值；
基于所述沉水植物像素阈值对包含沉水植物的遥感影像进行识别，识别出不同生育期的沉水植物，得出分类结果。
7.根据权利要求6所述的方法，其特征在于，还包括：计算所述分类结果的总体精度和分类精度指标系数，根据所述总体精度和分类精度指标系数评价所述分类结果。
8.一种沉水植物的遥感自动识别装置，其特征在于，所述装置包括：
获取模块，用于获取不同生育期的水生植物遥感影像；
第一计算模块，用于计算所述不同生育期的水生植物遥感影像的光谱归一化植被指数，得到水生植物遥感影像的光谱归一化植被指数变化时间谱；
第二计算模块，用于基于所述光谱归一化植被指数变化时间谱，计算水生植物遥感影像的差值图像；
图像分割模块，用于采用预设图像分割算法对所述差值图像进行递进图像分割，得到水生植物的像素阈值；
识别模块，用于基于水生植物的像素阈值，对水生植物遥感影像中的沉水植物进行识别，直至识别出不同生育期的沉水植物。
9.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至7中任一项所述的沉水植物的遥感自动识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的沉水植物的遥感自动识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311216023.1A CN117197646A (zh) | 2023-09-20 | 2023-09-20 | 沉水植物的遥感自动识别方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311216023.1A CN117197646A (zh) | 2023-09-20 | 2023-09-20 | 沉水植物的遥感自动识别方法、装置、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197646A true CN117197646A (zh) | 2023-12-08 |
Family
ID=88992200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311216023.1A Pending CN117197646A (zh) | 2023-09-20 | 2023-09-20 | 沉水植物的遥感自动识别方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197646A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409330A (zh) * | 2023-12-15 | 2024-01-16 | 中山大学 | 水生植被识别方法、装置、计算机设备和存储介质 |
-
2023
- 2023-09-20 CN CN202311216023.1A patent/CN117197646A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409330A (zh) * | 2023-12-15 | 2024-01-16 | 中山大学 | 水生植被识别方法、装置、计算机设备和存储介质 |
| CN117409330B (zh) * | 2023-12-15 | 2024-03-29 | 中山大学 | 水生植被识别方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Beskow et al. | Multiparameter probability distributions for heavy rainfall modeling in extreme southern Brazil | |
| Do et al. | Monitoring landscape fragmentation and aboveground biomass estimation in Can Gio Mangrove Biosphere Reserve over the past 20 years | |
| Zhang et al. | Improving remote sensing estimation of Secchi disk depth for global lakes and reservoirs using machine learning methods | |
| CN112053359B (zh) | 遥感图像变化检测方法、装置、电子设备及存储介质 | |
| CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN117197646A (zh) | 沉水植物的遥感自动识别方法、装置、计算机设备及介质 | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| Rajab Pourrahmati et al. | Mapping Lorey’s height over Hyrcanian forests of Iran using synergy of ICESat/GLAS and optical images | |
| CN114219847A (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
| CN113378785A (zh) | 森林类型识别方法及装置 | |
| Gaughan et al. | Using short-term MODIS time-series to quantify tree cover in a highly heterogeneous African savanna | |
| Liu et al. | The spatial local accuracy of land cover datasets over the Qiangtang Plateau, High Asia | |
| Zibordi et al. | Automated quality control of AERONET-OC LWN data | |
| Zhang et al. | Improving the accuracy of forest aboveground biomass using Landsat 8 OLI images by quantile regression neural network for Pinus densata forests in southwestern China | |
| CN117218552B (zh) | 一种基于像元变化检测的估测算法优化方法及装置 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| WO2024059300A1 (en) | Uncertainty prediction models | |
| CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
| CN104182953A (zh) | 像元解混逆过程：规格化多端元分解的高光谱重构方法 | |
| Ivanda et al. | An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea | |
| CN116089832A (zh) | 重力卫星地下水储量的降尺度方法、装置和计算机设备 | |
| CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
| Deng et al. | A new method of estimating shelterbelt carbon storage on the regional scale: Combined the single tree carbon storage with tree numbers | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 |
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 |