CN117593201A - 一种基于高分卫星影像的小田并大田的整合方法 - Google Patents
一种基于高分卫星影像的小田并大田的整合方法 Download PDFInfo
- Publication number
- CN117593201A CN117593201A CN202410072505.2A CN202410072505A CN117593201A CN 117593201 A CN117593201 A CN 117593201A CN 202410072505 A CN202410072505 A CN 202410072505A CN 117593201 A CN117593201 A CN 117593201A
- Authority
- CN
- China
- Prior art keywords
- image
- field
- farmland
- gradient
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000010354 integration Effects 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 230000001629 suppression Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 244000037666 field crops Species 0.000 claims 1
- 238000007726 management method Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 9
- 239000004744 fabric Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 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
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/273—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 removing elements interfering with the pattern to be recognised
-
- 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
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Astronomy & Astrophysics (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高分卫星影像的小田并大田的整合方法，包括：通过机器学习算法分别对采集的小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像及第二农田影像；利用边缘检测算法分别对第一农田影像及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像；根据预先获取的小田并大田前的第一农田信息与小田边界影像进行整合，确定小田并大田前的小田整合信息影像；根据预先获取的小田并大田后的第二农田信息与大田边界影像进行整合，确定小田并大田后的大田整合信息影像；将小田整合信息影像与大田整合信息影像进行整合，生成农户田块管理信息影像。
Description
技术领域
本发明涉及遥感影像处理技术领域，并且更具体地，涉及一种基于高分卫星影像的小田并大田的整合方法。
背景技术
目前农村逐渐出现大户承包多人田地的现象，其中一家一户的耕地（简称为“小田”）合并连片（简称为“大田”）由种粮大户承包种植。但是不可避免的担心种粮大户在实行机械化作业过程中将原有小田的田埂销毁，失去田埂原有的自然边界。目前没有相关技术可以展示和标记小田所处的地形地貌和绝对地理空间位置，导致合并成大田后无法分割出小田，影响小田农户的土地边界管理的技术问题。
发明内容
针对现有技术的不足，本发明提供一种基于高分卫星影像的小田并大田的整合方法。
根据本发明的一个方面，提供了一种基于高分卫星影像的小田并大田的整合方法，包括：
采集小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像；
通过机器学习算法分别对第一高分卫星影像和第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像以及第二农田影像；
利用边缘检测算法分别对第一农田影像以及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像；
根据预先获取的小田并大田前的第一农田信息与小田边界影像进行整合，确定小田并大田前的小田整合信息影像；
根据预先获取的小田并大田后的第二农田信息与大田边界影像进行整合，确定小田并大田后的大田整合信息影像；
将小田整合信息影像与大田整合信息影像进行整合，生成农户田块管理信息影像。
可选地，还包括：分别对第一高分卫星影像和第二高分卫星影像进行辐射校正、定标、大气校正、几何校正预处理操作。
可选地，利用边缘检测算法分别对第一农田影像以及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像，包括：
分别对第一农田影像以及第二农田影像进行灰度化处理，生成第一灰度图像以及第二灰度图像；
分别对第一灰度图像以及第二灰度图像进行高斯滤波处理，并进行梯度计算，获取第一梯度图像以及第二梯度图像；
分别对第一梯度图像和第二梯度图像进行非极大值抑制，并根据预设的高阈值和低阈值，分别将第一梯度图像和第二梯度图像划分为强边缘、弱边缘以及非边缘；
根据第一梯度图像和第二梯度图像的强边缘、弱边缘以及非边缘，分别对第一梯度图像和第二梯度图像进行边缘跟踪及连接，生成小田边界影像以及大田边界影像。
可选地，灰度化处理的计算公式为：其中，/>代表第一农田影像或第二农田影像上灰波段的波段值，/>分别对应第一农田影像或第二农田影像的红波段、绿波段和蓝波段的波段值。
可选地，分别对第一梯度图像和第二梯度图像进行非极大值抑制，包括：
分别将第一梯度图像和第二梯度图像的像素梯度方向划分为0度、45度、90度和135度；
将梯度方向为0度的像素，比较其左右两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将梯度方向为45度的像素，比较其左上和右下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将梯度方向为90度的像素，比较其上下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将梯度方向为135度的像素，比较其左下和右上两个相邻像素的梯度幅度，保留梯度幅度最大的像素。
可选地，高阈值为50，低阈值为20，并且根据预设的高阈值和低阈值，分别将第一梯度图像和第二梯度图像划分为强边缘、弱边缘以及非边缘，包括：
分别将第一梯度图像和第二梯度图像中梯度值高于高阈值的像素划分为强边缘，梯度值在高阈值和低阈值之间的像素划分为弱边缘，梯度值低于低阈值的像素划分为非边缘。
可选地，第一农田信息包括：田块面积、地理位置、所属农户、种植种类，第二农田信息包括：田块面积、地理位置、承包人、种植种类，并且农户田块管理信息影像的属性信息包括：大田面积、小田面积、大田承包人、小田所属农户、种植种类、田块地理位置。
根据本发明的另一个方面，提供了一种基于高分卫星影像的小田并大田的整合装置，包括：
采集模块，用于采集小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像；
第一确定模块，用于通过机器学习算法分别对第一高分卫星影像和第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像以及第二农田影像；
第二确定模块，用于利用边缘检测算法分别对第一农田影像以及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像；
第三确定模块，用于根据预先获取的小田并大田前的第一农田信息与小田边界影像进行整合，确定小田并大田前的小田整合信息影像；
第四确定模块，用于根据预先获取的小田并大田后的第二农田信息与大田边界影像进行整合，确定小田并大田后的大田整合信息影像；
生成模块，用于将小田整合信息影像与大田整合信息影像进行整合，生成农户田块管理信息影像。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
从而，本申请提供一种基于高分卫星影像的小田并大田的整合方法，采集小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像；通过机器学习算法分别对第一高分卫星影像和第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像以及第二农田影像；利用边缘检测算法分别对第一农田影像以及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像；根据预先获取的小田并大田前的第一农田信息与小田边界影像进行整合，确定小田并大田前的小田整合信息影像；根据预先获取的小田并大田后的第二农田信息与大田边界影像进行整合，确定小田并大田后的大田整合信息影像；将小田整合信息影像与大田整合信息影像进行整合，生成农户田块管理信息影像。从而高标准农田建设小田并大田之后还可以准确识别小田边界，既增加了实际的种植面积，也可以大大提高耕作效率。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的基于高分卫星影像的小田并大田的整合方法的流程示意图；
图2是本发明一示例性实施例提供的农户田块管理信息影像示意图；
图3是本发明一示例性实施例提供的基于高分卫星影像的小田并大田的整合装置的结构示意图；
图4是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的基于高分卫星影像的小田并大田的整合方法的流程示意图。本实施例可应用在电子设备上，如图1所示，基于高分卫星影像的小田并大田的整合方法100包括以下步骤：
步骤101，采集小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像。
可选地，还包括：分别对第一高分卫星影像和第二高分卫星影像进行辐射校正、定标、大气校正、几何校正预处理操作。
具体地，本发明通过卫星遥感技术，特别是使用高空间分辨率的亚米级高分卫星，标记并利用系统管理一家一户的小田信息数据，包括自然边界、面积和农户信息。
在一个实施例中，获取两景亚米级的高分二号卫星影像，第一景是记录农田在消除田埂前的状态的第一高分卫星影像，第二景是记录小田合并为大田后的状态的第二高分卫星影像。这些卫星影像具有0.3-0.8米的像元精度，确保能够清晰地辨别小田的自然边界。然后基于ENVI专业影像处理软件，对两期卫星影像进行几何和辐射定标，大气校正由于大气、地形和卫星运动引起的影像失真。确保影像准确反映地面特征。再考虑大气成分对影像的影响，进行大气校正，以消除大气散射和吸收效应，提高影像的质量和准确性。
步骤102，通过机器学习算法分别对第一高分卫星影像和第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像以及第二农田影像。
具体地，利用机器学习等分类方法（例如支持向量机算法）识别非农田地物并剔除，仅在新的影像上保留农田（带田埂）。方便后续利用边缘检测算法进行大小田地的识别和标记。
步骤103，利用边缘检测算法分别对第一农田影像以及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像。
可选地，利用边缘检测算法分别对第一农田影像以及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像，包括：
分别对第一农田影像以及第二农田影像进行灰度化处理，生成第一灰度图像以及第二灰度图像；
分别对第一灰度图像以及第二灰度图像进行高斯滤波处理，并进行梯度计算，获取第一梯度图像以及第二梯度图像；
分别对第一梯度图像和第二梯度图像进行非极大值抑制，并根据预设的高阈值和低阈值，分别将第一梯度图像和第二梯度图像划分为强边缘、弱边缘以及非边缘；
根据第一梯度图像和第二梯度图像的强边缘、弱边缘以及非边缘，分别对第一梯度图像和第二梯度图像进行边缘跟踪及连接，生成小田边界影像以及大田边界影像。
可选地，灰度化处理的计算公式为：
其中，代表第一农田影像或第二农田影像上灰波段的波段值，分别对应第一农田影像或第二农田影像的红波段、绿波段和蓝波段的波段值。
可选地，分别对第一梯度图像和第二梯度图像进行非极大值抑制，包括：
分别将第一梯度图像和第二梯度图像的像素梯度方向划分为0度、45度、90度和135度；
将梯度方向为0度的像素，比较其左右两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将梯度方向为45度的像素，比较其左上和右下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将梯度方向为90度的像素，比较其上下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将梯度方向为135度的像素，比较其左下和右上两个相邻像素的梯度幅度，保留梯度幅度最大的像素。
可选地，高阈值为50，低阈值为20，并且根据预设的高阈值和低阈值，分别将第一梯度图像和第二梯度图像划分为强边缘、弱边缘以及非边缘，包括：
分别将第一梯度图像和第二梯度图像中梯度值高于高阈值的像素划分为强边缘，梯度值在高阈值和低阈值之间的像素划分为弱边缘，梯度值低于低阈值的像素划分为非边缘。
具体地，细小的田埂作为一种土地特征，通常在影像上表现为一种明显的梯度变化。本发明基于ENVIIDL平台或python平台实现对两景影像采用一个具有低错误率、高定位性、最小响应等优点的多级边缘检测算法——Canny算法。它适用于高分辨率卫星遥感影像，经过非极大值抑制和边缘连接的步骤能够有效地捕捉小尺度上的变化特征，识别线性地物的边缘，产生相对细致的边缘线。其原理主要是利用图像中的梯度变化来检测边缘。它通过对图像进行平滑、计算梯度、非极大值抑制和边缘跟踪等步骤，最终生成高质量的边缘图。具体提取方法和步骤如下：
a. 灰度化（Grayscale）：对两期高分辨率卫星影像进行灰度化操作，将彩色影像转换为灰度图像。这样简化了后续的处理过程。计算方法如下：
其中，代表第一农田影像或第二农田影像上灰波段的波段值，分别对应第一农田影像或第二农田影像的红波段、绿波段和蓝波段的波段值。
b. 高斯滤波（Gaussian Blur）：对灰度图像进行高斯滤波，以平滑图像并减少噪声。这是为了确保Canny边缘检测的效果更为准确。计算方法如下：
其中，G是高斯核函数。它用于进行图像的平滑处理，以减少图像中的噪声。高斯核函数是一个二维的平滑滤波器，通常表示为（/>是高斯核的坐标，/>是高斯分布的标准差）。
c. 梯度计算（Gradient Calculation）：使用Sobel算子计算每期影像的像素梯度，包括梯度的方向和大小，得到两期的梯度图像。这样可以获取图像中灰度变化最显著的区域，即边缘。计算方法如下：
其中，Gradient Magnitude和Gradient Direction分别代表梯度的方向和大小，和/>是Sobel算子在水平和垂直方向的卷积核，这两个卷积核的作用是捕捉图像中水平和垂直方向的梯度信息，帮助准确定位图像中的边缘。这些边缘信息是后续步骤中的非极大值抑制和边缘连接的基础。
d. 非极大值抑制（Non-maximum Suppression）：该步是指对两期的梯度图像进行非极大值抑制，只保留梯度方向上的局部最大值。这一步可以细化边缘，使其更符合实际的土地农田特征。具体方法是在得到上述对应图像的每个像素梯度方向和大小后，本发明将每个像素的梯度方向分为几个离散的区间，通常是四个方向，分别是0度、45度、90度和135度。对于每个像素，检查其在梯度方向上相邻的两个像素，确定其是否为梯度方向上的局部最大值。比较当前像素与相邻两个像素的梯度幅度，如果当前像素的梯度幅度大于相邻两个像素，则保留当前像素的值，否则将其置为零。具体方法为，对于梯度方向为0度的像素，比较其左右两个相邻像素的梯度幅度；对于梯度方向为45度的像素，比较其左上和右下两个相邻像素的梯度幅度；对于梯度方向为90度的像素，比较其上下两个相邻像素的梯度幅度；对于梯度方向为135度的像素，比较其左下和右上两个相邻像素的梯度幅度。最后非极大值抑制的结果是一个仅保留了局部最大梯度的图像，其他非极大值的像素被抑制为零。这样，可以实现对边缘的细化，保留了图像中明显的边缘特征。
e.双阈值处理（Double Thresholding）：设置合适的高阈值和低阈值，将梯度图像分为强边缘、弱边缘和非边缘三个区域。进一步减少噪声并确定边缘的可靠性。强边缘为梯度值大于高阈值，弱边缘为梯度值介于低阈值/>和高阈值之间，非边缘为梯度值小于低阈值。本发明中根据实际情况设置捕捉较弱边缘信息的低阈值为20，捕捉较强边缘信息的高阈值通常为低阈值的2到3倍，本申请设置为50。
f. 边缘跟踪与连接（Edge Tracking by Hysteresis）：通过连接强边缘像素，形成完整的边缘，并删除弱边缘中不与强边缘相连接的部分。具体步骤如下：
确定强边缘和弱边缘：在双阈值处理后，图像中的像素被分为三类：强边缘、弱边缘和非边缘。强边缘是梯度幅度大于高阈值的像素，弱边缘是梯度幅度介于低阈值和高阈值之间的像素。
边缘跟踪：从强边缘像素开始，沿着边缘方向进行跟踪。可以采用不同的策略，本发明基于8邻域的跟踪方式。开始时，从某个强边缘像素出发，将其标记为边缘，并沿着梯度方向寻找相邻的像素。如果相邻像素是弱边缘，则也将其标记为边缘，并继续跟踪。这个过程会一直持续，直到没有相邻的弱边缘像素为止。
连接边缘：重复上述步骤，直到所有的强边缘像素都被考虑。这样，就形成了一系列相互连接的强边缘像素，构成了最终的边缘。最后得到一幅具有强边缘像素被连接形成连续的边缘线的二值化图像。它包含两种像素值，强边缘像素对应于原始图像中梯度幅度大于高阈值的区域。在输出图像中，表示为白色或其他亮色。弱边缘像素对应于梯度幅度介于低阈值和高阈值之间的区域。在输出图像中，表示为黑色或其他暗色。通过边缘跟踪与连接，原始图像中的强边缘将连接形成连续的边缘线，而弱边缘将沿着这些线逐渐减弱。最终两景小田和大田识别提取农田田埂后的输出图像呈现出清晰的边缘线，并将该线条导出为矢量文件格式，方便后续进行农田地理信息的整合。
步骤104，根据预先获取的小田并大田前的第一农田信息与小田边界影像进行整合，确定小田并大田前的小田整合信息影像。
具体地，获取小田边界影像的区域信息，然后将区域信息和第一农田信息进行整合，确定小田整合信息影像。
步骤105，根据预先获取的小田并大田后的第二农田信息与大田边界影像进行整合，确定小田并大田后的大田整合信息影像。
具体地，获取大田边界影像的区域信息，然后将区域信息和第二农田信息进行整合，确定大田整合信息影像。
在一个实施例中，整合农田的地理信息步骤如下：
1.获取小田边界影像或大田边界影像的图像信息：
将小田边界影像或大田边界影像的二值图像导入GIS图像处理软件中，转换为图像坐标系上的区域信息。
2.地理坐标映射：
将田边界影像或大田边界影像的图像坐标映射到实际的地理坐标，将先前实地调查采集的已知地理坐标点或者地理定位信息进行转换。将图像信息与农田信息关联。
3.计算田块面积和大小信息：
利用GIS专业图像处理软件，计算每块小田和大田的面积、大小等信息。同时需要考虑图像分辨率等因素。具体方法如下：
a.农田区域面积计算：对小田边界影像或大田边界影像的二值图像进行连通组件分析，为每个区域分配一个唯一的标签。初始化每个区域的面积为零。遍历图像中的每个像素，统计每个区域的面积。对每个区域的面积即为包含的非零像素数。
b.面积单位转换：根据图像坐标系的分辨率，确定一个像素代表实际长度的比例关系。将每个区域的面积乘以这个比例关系，得到实际单位下的面积。本发明中田块的面积按照亩计算。
5.可视化小田整合信息影像或大田整合信息影像：
利用GIS软件，创建农田信息的可视化图层，其中可视化图层包括小田整合信息影像和大田整合信息影像。可以根据需要选择不同的图层表示方式，比如在小田整合信息影像和大田整合信息影像中按照小田和大田分类显示，或者根据面积大小进行渲染。
6.地理信息查询与分析：
基于小田整合信息影像和大田整合信息影像，利用GIS系统提供的功能，进行地理信息的查询与分析。可以查询特定区域的详细信息，进行面积统计、大小分布分析等。
步骤106，将小田整合信息影像与大田整合信息影像进行整合，生成农户田块管理信息影像。
可选地，第一农田信息包括：田块面积、地理位置、所属农户、种植种类，第二农田信息包括：田块面积、地理位置、承包人、种植种类，并且农户田块管理信息影像的属性信息包括：大田面积、小田面积、大田承包人、小田所属农户、种植种类、田块地理位置。
具体地，本申请对小田农户进行实地考察，获取每位农户的身份信息，对应田块信息和联系方式。若有并入大田的情况，采集并记录相关农户的信息，并与并入大田农户的田块信息、身份信息进行联动，将小田整合信息影像与大田整合信息影像进行整合，生成农户田块管理信息影像，如图2所示。
将小田整合信息影像与大田整合信息影像进行整合具体方法如下：
a.准备数据：确保第一农田信息和第二农田信息已经整合好的农田信息数据，包括农户、小田的地理坐标、面积、大小等信息。
b.导入农田信息数据、小田整合信息影像、大田整合信息影像：
打开GIS软件，利用GIS软件的导入功能，将整合好的农田信息数据、小田整合信息影像、大田整合信息影像导入到GIS项目中进行整合。确保数据的地理坐标和属性信息正确。
此外，本申请还可以建立农户田块管理信息影像存储和共享平台，本发明利用区块链技术应用建立农田信息管理平台，具有数据可加密，拥有完整的交易历史记录等特点。可以很大程度保护数据安全和隐私性，并且由于每个交易都可以被追溯源头，确保数据的完整性和透明度。所以本发明选择了公有区块链技术——Hyperledger Fabric，它可以允许建立更严格的权限控制，只有被授权的参与者才能访问和修改数据。并且Fabric支持私有链和联合链，适合需要更多隐私和控制的情况，只有经过验证的节点可以参与网络。而且，Fabric的架构设计具有高度的可扩展性，可以处理大量数据和交易。该平台的系统架构和算法流程如下：
一、系统架构：
1.选择一个国内的云计算平台：为了确保相关数据符合中国的互联网法规和数据安全要求，并且所选的云平台需要支持Hyperledger Fabric的部署和运行。本发明选择阿里云或者华为云平台。
2.搭建Hyperledger Fabric网络：
2.1 Peer节点配置：
初始配置: 至少配置4个以上Peer节点，以确保网络的冗余和高可用性。
动态调整: 根据实际运行情况动态调整Peer节点数量，确保系统响应速度和稳定性。
角色分配: 将这些节点分为不同角色，如背书节点、提交节点和查询节点，审查节点，以分散网络负载。
2.2 Orderer节点配置：
数量和类型: 配置至少4个Orderer节点，以实现高可用性和故障转移。可以考虑使用Kafka或Raft类型的排序服务。
负载均衡: 如果交易量很大，可以增加Orderer节点数量或使用负载均衡策略来分散请求。
故障转移: 配置故障转移机制，以防某个Orderer节点出现故障时，其他节点可以接管其工作。
2.3 CA（Certificate Authority）配置：
多级CA结构: 使用根CA来签发中间CA的证书，中间CA负责签发最终用户的证书，以增加安全性。
CA设置: 至少配置1个根CA和1个或多个中间CA，以处理不同组织或部门的身份认证和授权。
身份管理: 使用CA来管理用户证书，实现网络参与者的身份验证。同时还要确保CA能够处理证书的颁发、吊销和更新。
2.4通道设计：
通道数量: 根据数据隔离需求设置通道，每个组织或业务单元可以拥有一个单独的通道，本发明至少需要3个以上通道。
数据隔离: 使用通道来隔离不同组织的数据，增强安全性。
二、数据管理：
1.数据模型：设计反映农户、小田和大田的地理坐标、面积、大小等信息的数据模型。使用链码（Chaincode）进行数据的存储、更新和查询操作。
2.数据访问和权限：实施基于角色的访问控制（RBAC），确保只有被监管部门授权的用户能够访问或修改数据。利用私有数据集合来实现敏感数据的隔离。
三、安全性：
1.身份认证和授权：
利用CA提供的身份认证服务管理用户和节点身份，确保系统内部通信的安全。设计ACL，管理不同用户对不同数据和功能的访问权限。
2.数据加密和安全：对存储和传输中的敏感数据进行加密处理。采用安全的网络协议（如SSL/TLS）保障数据传输安全。
四、算法流程：
1.交易处理：用户提交交易请求（如添加、更新农田信息）。链码在Peer节点上执行交易，验证数据的有效性。交易通过背书节点的背书，然后发送到Orderer节点。Orderer节点排序交易，并将其打包进区块。区块发送至各Peer节点，进行验证和提交。
2. 数据查询和更新：用户通过客户端应用提交查询或更新请求。应用程序调用链码处理请求。链码执行相应的操作，并返回结果。
3. 系统维护和监控：定期对系统进行维护，更新软件，监控性能，进行数据备份。实施监控策略以检测和预防安全威胁。
注意：用户节点在这个系统中指的是那些需要访问和操作农田信息的人员或实体。大致可以分为，政府部门、农户、研究机构，第三方企业。背书节点通常是指负责对交易进行背书（即验证）。该系统里指核心管理部门比如负责农业管理的政府部门可以运行自己的背书节点，以确保所有交易都符合政策和法规要求。信任机构: 比如农业合作社或大型农企，他们可以运行背书节点来确保交易的真实性和合法性。
由此，根据以上系统算法流程，提供了一个基于区块链技术的基础、可扩展的系统架构，仅限于实验数据所需的平台性能建设，具体配置要根据实际部署和环境因素、数据量、用户量进行设定和调整。基于Hyperledger Fabric区块链技术构建的分布式网络架构的农田信息管理系统提供了一个安全、高效的数据管理平台，专门用于处理和存储农业信息。通过利用区块链技术，该系统确保了农田信息的不可篡改性和透明性，从而显著提高数据安全性。
本申请的有益效果如下：
1.本发明通过高分卫星影像精准标记小田边界，在小田并大田之后还可以精准识别小田边界。
2本发明通过整合处理后的两种农田信息到GIS中，形成可视化图层，为农业管理者提供了决策支持的工具，有助于提高农业管理的效率。
从而，本申请提供一种基于高分卫星影像的小田并大田的整合方法，采用0.3-0.8米像元精度的亚米级高分卫星数量，小田的自然边界即田埂作为线性地物，在亚米级高分卫星影像图上清晰可见。通过高分卫星遥感技术，将一家一户耕地的田埂在亚米级高分卫星影像上标记下来并将相关农田、农户信息等数据模块录入基于区块链技术应用开发的农田信息管理系统中，保障数据完整性、安全性和透明度。从而高标准农田建设小田并大田之后还可以准确识别小田边界，既增加了实际的种植面积，也可以大大提高耕作效率。
示例性装置
图3是本发明一示例性实施例提供的基于高分卫星影像的小田并大田的整合装置的结构示意图。如图3所示，装置300包括：
采集模块310，用于采集小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像；
第一确定模块320，用于通过机器学习算法分别对第一高分卫星影像和第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像以及第二农田影像；
第二确定模块330，用于利用边缘检测算法分别对第一农田影像以及第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像；
第三确定模块340，用于根据预先获取的小田并大田前的第一农田信息与小田边界影像进行整合，确定小田并大田前的小田整合信息影像；
第四确定模块350，用于根据预先获取的小田并大田后的第二农田信息与大田边界影像进行整合，确定小田并大田后的大田整合信息影像；
生成模块360，用于将小田整合信息影像与大田整合信息影像进行整合，生成农户田块管理信息影像。
可选地，装置300还包括：预处理模块，用于分别对第一高分卫星影像和第二高分卫星影像进行辐射校正、定标、大气校正、几何校正预处理操作。
可选地，第二确定模块330，包括：
第一生成子模块，用于分别对第一农田影像以及第二农田影像进行灰度化处理，生成第一灰度图像以及第二灰度图像；
获取子模块，用于分别对第一灰度图像以及第二灰度图像进行高斯滤波处理，并进行梯度计算，获取第一梯度图像以及第二梯度图像；
划分子模块，用于分别对第一梯度图像和第二梯度图像进行非极大值抑制，并根据预设的高阈值和低阈值，分别将第一梯度图像和第二梯度图像划分为强边缘、弱边缘以及非边缘；
第二生成子模块，用于根据第一梯度图像和第二梯度图像的强边缘、弱边缘以及非边缘，分别对第一梯度图像和第二梯度图像进行边缘跟踪及连接，生成小田边界影像以及大田边界影像。
可选地，灰度化处理的计算公式为：
其中，代表第一农田影像或第二农田影像上灰波段的波段值，分别对应第一农田影像或第二农田影像的红波段、绿波段和蓝波段的波段值。
可选地，划分子模块中分别对第一梯度图像和第二梯度图像进行非极大值抑制，包括：
第一划分单元，用于分别将第一梯度图像和第二梯度图像的像素梯度方向划分为0度、45度、90度和135度；
第一保留单元，用于将梯度方向为0度的像素，比较其左右两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
第二保留单元，用于将梯度方向为45度的像素，比较其左上和右下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
第三保留单元，用于将梯度方向为90度的像素，比较其上下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
第四保留单元，用于将梯度方向为135度的像素，比较其左下和右上两个相邻像素的梯度幅度，保留梯度幅度最大的像素。
可选地，高阈值为50，低阈值为20，并且划分子模块中根据预设的高阈值和低阈值，分别将第一梯度图像和第二梯度图像划分为强边缘、弱边缘以及非边缘，包括：
第二划分单元，用于分别将第一梯度图像和第二梯度图像中梯度值高于高阈值的像素划分为强边缘，梯度值在高阈值和低阈值之间的像素划分为弱边缘，梯度值低于低阈值的像素划分为非边缘。
可选地，第一农田信息包括：田块面积、地理位置、所属农户、种植种类，第二农田信息包括：田块面积、地理位置、承包人、种植种类，并且农户田块管理信息影像的属性信息包括：大田面积、小田面积、大田承包人、小田所属农户、种植种类、田块地理位置。
示例性电子设备
图4是本发明一示例性实施例提供的电子设备的结构。如图4所示，电子设备40包括一个或多个处理器41和存储器42。
处理器41可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器42可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器41可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置43和输出装置44，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置43还可以包括例如键盘、鼠标等等。
该输出装置44可以向外部输出各种信息。该输出装置44可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于高分卫星影像的小田并大田的整合方法，其特征在于，包括：
采集小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像；
通过机器学习算法分别对所述第一高分卫星影像和所述第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像以及第二农田影像；
利用边缘检测算法分别对所述第一农田影像以及所述第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像；
根据预先获取的小田并大田前的第一农田信息与所述小田边界影像进行整合，确定小田并大田前的小田整合信息影像；
根据预先获取的小田并大田后的第二农田信息与所述大田边界影像进行整合，确定小田并大田后的大田整合信息影像；
将所述小田整合信息影像与所述大田整合信息影像进行整合，生成农户田块管理信息影像。
2.根据权利要求1所述的方法，其特征在于，还包括：分别对所述第一高分卫星影像和所述第二高分卫星影像进行辐射校正、定标、大气校正、几何校正预处理操作。
3.根据权利要求1所述的方法，其特征在于，利用边缘检测算法分别对所述第一农田影像以及所述第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像，包括：
分别对所述第一农田影像以及所述第二农田影像进行灰度化处理，生成第一灰度图像以及第二灰度图像；
分别对所述第一灰度图像以及所述第二灰度图像进行高斯滤波处理，并进行梯度计算，获取第一梯度图像以及第二梯度图像；
分别对所述第一梯度图像和所述第二梯度图像进行非极大值抑制，并根据预设的高阈值和低阈值，分别将所述第一梯度图像和所述第二梯度图像划分为强边缘、弱边缘以及非边缘；
根据所述第一梯度图像和所述第二梯度图像的强边缘、弱边缘以及非边缘，分别对所述第一梯度图像和所述第二梯度图像进行边缘跟踪及连接，生成所述小田边界影像以及所述大田边界影像。
4.根据权利要求3所述的方法，其特征在于，所述灰度化处理的计算公式为：其中，/>代表第一农田影像或第二农田影像上灰波段的波段值，/>分别对应第一农田影像或第二农田影像的红波段、绿波段和蓝波段的波段值。
5.根据权利要求3所述的方法，其特征在于，分别对所述第一梯度图像和所述第二梯度图像进行非极大值抑制，包括：
分别将所述第一梯度图像和所述第二梯度图像的像素梯度方向划分为0度、45度、90度和135度；
将所述梯度方向为0度的像素，比较其左右两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将所述梯度方向为45度的像素，比较其左上和右下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将所述梯度方向为90度的像素，比较其上下两个相邻像素的梯度幅度，保留梯度幅度最大的像素；
将所述梯度方向为135度的像素，比较其左下和右上两个相邻像素的梯度幅度，保留梯度幅度最大的像素。
6.根据权利要求3所述的方法，其特征在于，所述高阈值为50，所述低阈值为20，并且根据预设的高阈值和低阈值，分别将所述第一梯度图像和所述第二梯度图像划分为强边缘、弱边缘以及非边缘，包括：
分别将所述第一梯度图像和所述第二梯度图像中梯度值高于所述高阈值的像素划分为强边缘，梯度值在所述高阈值和所述低阈值之间的像素划分为弱边缘，梯度值低于所述低阈值的像素划分为非边缘。
7.根据权利要求1所述的方法，其特征在于，所述第一农田信息包括：田块面积、地理位置、所属农户、种植种类，所述第二农田信息包括：田块面积、地理位置、承包人、种植种类，并且所述农户田块管理信息影像的属性信息包括：大田面积、小田面积、大田承包人、小田所属农户、种植种类、田块地理位置。
8.一种基于高分卫星影像的小田并大田的整合装置，其特征在于，包括：
采集模块，用于采集小田并大田前后亚米级的第一高分卫星影像和第二高分卫星影像；
第一确定模块，用于通过机器学习算法分别对所述第一高分卫星影像和所述第二高分卫星影像进行非农田地物类型的分离，确定第一农田影像以及第二农田影像；
第二确定模块，用于利用边缘检测算法分别对所述第一农田影像以及所述第二农田影像进行田块边界提取，确定小田边界影像以及大田边界影像；
第三确定模块，用于根据预先获取的小田并大田前的第一农田信息与所述小田边界影像进行整合，确定小田并大田前的小田整合信息影像；
第四确定模块，用于根据预先获取的小田并大田后的第二农田信息与所述大田边界影像进行整合，确定小田并大田后的大田整合信息影像；
生成模块，用于将所述小田整合信息影像与所述大田整合信息影像进行整合，生成农户田块管理信息影像。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410072505.2A CN117593201B (zh) | 2024-01-18 | 2024-01-18 | 一种基于高分卫星影像的小田并大田的整合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410072505.2A CN117593201B (zh) | 2024-01-18 | 2024-01-18 | 一种基于高分卫星影像的小田并大田的整合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117593201A true CN117593201A (zh) | 2024-02-23 |
| CN117593201B CN117593201B (zh) | 2024-06-14 |
Family
ID=89916988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410072505.2A Active CN117593201B (zh) | 2024-01-18 | 2024-01-18 | 一种基于高分卫星影像的小田并大田的整合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117593201B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853494A (zh) * | 2024-03-08 | 2024-04-09 | 山东中泰药业有限公司 | 一种益心舒颗粒生产过程视觉检测方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103553A (zh) * | 2017-03-17 | 2017-08-29 | 北京世纪国源科技股份有限公司 | 一种基于b/s的农村土地承包经营权管理及系统 |
| CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| CN109522904A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的规则农田提取方法 |
| CN110349043A (zh) * | 2019-06-04 | 2019-10-18 | 中国农业科学院农业资源与农业区划研究所 | 一种地块级多类型农户农业资源信息管理系统 |
| CN111080526A (zh) * | 2019-12-20 | 2020-04-28 | 广州市鑫广飞信息科技有限公司 | 航拍图像的农田面积的测算方法、装置、设备及介质 |
| CN113920143A (zh) * | 2021-09-02 | 2022-01-11 | 清远市智慧农业农村研究院 | 基于无人机遥感影像的亚田块边界提取方法及装置 |
| CN114240980A (zh) * | 2021-11-08 | 2022-03-25 | 北京市农林科学院信息技术研究中心 | 一种无人机影像亚田块边界提取方法及装置 |
| CN114610829A (zh) * | 2022-03-18 | 2022-06-10 | 中国科学院空天信息创新研究院 | 一种基于智能终端和遥感智能识别的土地信息管理方法 |
| CN115439654A (zh) * | 2022-11-07 | 2022-12-06 | 武汉数字家园科技有限公司 | 动态约束下的弱监督农田地块精细化分割方法及系统 |
| CN115668209A (zh) * | 2020-05-07 | 2023-01-31 | 嘉露酒庄 | 用于管理和处理农田数据的系统和方法 |
| 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 |
| CN117197686A (zh) * | 2023-09-22 | 2023-12-08 | 上海飞未信息技术有限公司 | 一种基于卫星影像的高标准农田地块边界自动识别方法 |
| CN117292272A (zh) * | 2023-10-10 | 2023-12-26 | 华中农业大学 | 结合高分遥感影像和开源dem识别大范围耕作措施的方法 |
| EP4296969A1 (en) * | 2022-06-22 | 2023-12-27 | Panopterra UG (haftungsbeschränkt) | Method and system for determining a boundary of an agricultural field from optical multispectral data |
-
2024
- 2024-01-18 CN CN202410072505.2A patent/CN117593201B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| CN107103553A (zh) * | 2017-03-17 | 2017-08-29 | 北京世纪国源科技股份有限公司 | 一种基于b/s的农村土地承包经营权管理及系统 |
| CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
| CN109522904A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的规则农田提取方法 |
| CN110349043A (zh) * | 2019-06-04 | 2019-10-18 | 中国农业科学院农业资源与农业区划研究所 | 一种地块级多类型农户农业资源信息管理系统 |
| CN111080526A (zh) * | 2019-12-20 | 2020-04-28 | 广州市鑫广飞信息科技有限公司 | 航拍图像的农田面积的测算方法、装置、设备及介质 |
| CN115668209A (zh) * | 2020-05-07 | 2023-01-31 | 嘉露酒庄 | 用于管理和处理农田数据的系统和方法 |
| CN113920143A (zh) * | 2021-09-02 | 2022-01-11 | 清远市智慧农业农村研究院 | 基于无人机遥感影像的亚田块边界提取方法及装置 |
| CN114240980A (zh) * | 2021-11-08 | 2022-03-25 | 北京市农林科学院信息技术研究中心 | 一种无人机影像亚田块边界提取方法及装置 |
| CN114610829A (zh) * | 2022-03-18 | 2022-06-10 | 中国科学院空天信息创新研究院 | 一种基于智能终端和遥感智能识别的土地信息管理方法 |
| EP4296969A1 (en) * | 2022-06-22 | 2023-12-27 | Panopterra UG (haftungsbeschränkt) | Method and system for determining a boundary of an agricultural field from optical multispectral data |
| CN115439654A (zh) * | 2022-11-07 | 2022-12-06 | 武汉数字家园科技有限公司 | 动态约束下的弱监督农田地块精细化分割方法及系统 |
| 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 |
| CN117197686A (zh) * | 2023-09-22 | 2023-12-08 | 上海飞未信息技术有限公司 | 一种基于卫星影像的高标准农田地块边界自动识别方法 |
| CN117292272A (zh) * | 2023-10-10 | 2023-12-26 | 华中农业大学 | 结合高分遥感影像和开源dem识别大范围耕作措施的方法 |
Non-Patent Citations (2)
| Title |
|---|
| WU ZHOU ET AL.: "Classification of urban construction land with worldview-2 remote sensing image based on classification and regression tree algorithm", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING AND IEEE INTERNATIONAL CONFERENCE ON EMBEDDED AND UBIQUITOUS COMPUTING 》, 10 August 2017 (2017-08-10), pages 277 - 283 * |
| 李森: "高空间分辨率遥感影像耕地地块提取方法研究", 《中国优秀硕士学位论文全文数据库》, 15 June 2021 (2021-06-15), pages 1 - 69 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853494A (zh) * | 2024-03-08 | 2024-04-09 | 山东中泰药业有限公司 | 一种益心舒颗粒生产过程视觉检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117593201B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sidhu et al. | Using Google Earth Engine to detect land cover change: Singapore as a use case | |
| CN117593201B (zh) | 一种基于高分卫星影像的小田并大田的整合方法 | |
| US10445877B2 (en) | Method and system for crop recognition and boundary delineation | |
| Goodin et al. | Mapping land cover and land use from object-based classification: An example from a complex agricultural landscape | |
| Brooks et al. | Fitting the multitemporal curve: A Fourier series approach to the missing data problem in remote sensing analysis | |
| Zhen et al. | Impact of training and validation sample selection on classification accuracy and accuracy assessment when using reference polygons in object-based classification | |
| McCarty et al. | Extracting smallholder cropped area in Tigray, Ethiopia with wall-to-wall sub-meter WorldView and moderate resolution Landsat 8 imagery | |
| US20200396246A1 (en) | System and method for empirical organizational cybersecurity risk assessment using externally-visible data | |
| Zhang et al. | GCI30: A global dataset of 30-m cropping intensity using multisource remote sensing imagery | |
| Xiang-yang et al. | Invariant quaternion radial harmonic Fourier moments for color image retrieval | |
| Pringle et al. | Identification of cropping activity in central and southern Queensland, Australia, with the aid of MODIS MOD13Q1 imagery | |
| KR101548928B1 (ko) | 불변적인 시각적 장면 및 객체 인식 | |
| Spinosa et al. | Remote sensing-based automatic detection of shoreline position: A case study in apulia region | |
| WO2021133310A1 (en) | Agricultural decision support system | |
| CN108509564B (zh) | 基于印章印文扫描的电子档案归档和查询服务系统及方法 | |
| Lwin et al. | Quantitative versus qualitative geospatial data in spatial modelling and decision making | |
| US20170076113A1 (en) | System and method for secure analysis of datasets | |
| Wang et al. | Multiscale single image dehazing based on adaptive wavelet fusion | |
| Milosav et al. | Steganographic method in selected areas of the stego-carrier in the spatial domain | |
| Feng | Application of edge computing and blockchain in smart agriculture system | |
| Walsh | User considerations in landscape characterization | |
| Zhang et al. | Challenges of visualizing differentially private data | |
| Zhang et al. | Indicators for separating undesirable and well-delineated tree crowns in high spatial resolution images | |
| Wang et al. | Image authentication based on perceptual hash using Gabor filters | |
| McCullagh et al. | Recovering dark-matter clustering from galaxies with Gaussianization |
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 |