CN117788351B - 一种农业遥感图像校正方法及系统 - Google Patents
一种农业遥感图像校正方法及系统 Download PDFInfo
- Publication number
- CN117788351B CN117788351B CN202410215397.XA CN202410215397A CN117788351B CN 117788351 B CN117788351 B CN 117788351B CN 202410215397 A CN202410215397 A CN 202410215397A CN 117788351 B CN117788351 B CN 117788351B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- farmland
- correction
- radiation
- areas
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003702 image correction Methods 0.000 title claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 138
- 230000005855 radiation Effects 0.000 claims abstract description 120
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 33
- 230000003595 spectral effect Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农业遥感图像校正方法及系统,涉及遥感图像校正技术领域,本发明包括遥感图像采集、辐射校正、特征数据获取、特征数据分析、几何校正、结果显示,首先进行各区域的遥感图像的采集,通过辐射校正将各区域的遥感图像进行辐射校正,进而对辐射校正过的各遥感图像进行特征数据的提取,从而对各遥感图像的特征数据进行分析,解决了当前农业遥感图像发展可行性分析过程中存在的局限性问题,准确的获取目标区域的遥感图像,再对目标区域的遥感图像进行几何校正,实现了农业遥感图像校正可行性全面性和客观性的分析,保障了农业遥感图像校正分析结果的可靠性和真实性。
Description
技术领域
本发明涉及遥感图像校正技术领域,具体涉及一种农业遥感图像校正方法及系统。
背景技术
随着科技的发展,将遥感图像技术投入到农业中,促进农业的发展。在同类型的遥感图像技术中,做好遥感图像的校正是技术的关键和核心,其决定了农业的监控效果,因此对遥感图像校正的可行性进行分析十分的重要。
目前遥感图像校正的可行性分析主要是通过单一的几何校正和辐射校正进行分析,很显然这种分析方式存在以下几个问题:
1、当前对遥感图像校正技术的分析主要是通过遥感图像的辐射校正进行分析,并没有在获取各区域的遥感图像后进行辐射校正,且进行特征数据的提取,且没完成各区域遥感图像的初步校正,不能保障消除辐射误差,也不能使各区域的遥感图像更接近地物的真实反射率和辐射率,从而无法更加准确地了解到当前遥感图像的实际情况,同时也无法保障遥感图像校正的可行性分析过程的全面性和真实性,进而无法保障分析结果的参考性和准确性,并且也无法给遥感图像校正技术的更新升级提供可靠的依据。
2、当前并没有通过特征数据的分析,不能获取农田中的目标区域的辐射遥感图像,进而无法准确的对目标区域的辐射遥感图像进行分析,从而需要在全部区域的几何校正完成后获取目标区域的校正遥感图像,无法节省几何校正的时间,同时无法提高工作的效率,一定程度上降低了遥感图像校正技术的效果。
发明内容
针对上述存在的技术不足,本发明的目的是提供一种农业遥感图像校正方法及系统。
为解决上述技术问题,本发明采用如下技术方案:本发明在第一方面提供一种农业遥感图像校正方法,该方法包括以下步骤:步骤一、遥感图像采集:提取数据库中的无人机遥感对应的各采集参数、最大采集范围和采集高度,并提取数据库中的农田的各区域的形状,进而对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像;
步骤二、辐射校正:提取农田中各区域对应的遥感图像,将农田中各区域的遥感图像传输至辐射传递模型中,对农田中各区域的遥感图像进行辐射校正,获取农田中各区域的辐射遥感图像;
步骤三、特征数据获取:提取农田中各区域的辐射遥感图像,进而获取农田中各区域的辐射遥感图像的特征数据,特征数据包括各光谱特征、各纹理特征和各色彩特征;
步骤四、特征数据分析:提取农田中各区域的辐射遥感图像的特征数据,进而分析得出农田中各区域的遥感特征评估系数,从而在数据库中提取所需区域的遥感特征评估系数阈值,并获取农田各目标区域和农田各目标区域对应的几何遥感图像;
所述分析得出农田中各区域的遥感特征评估系数,具体分析过程如下:
将农田中各区域的辐射遥感图像的各光谱特征、各纹理特征和各色彩特征分别记为Gij、Wiq和Sip,其中i表示为农田中各区域对应的编号,i=1,2......,n,n为大于2的自然整数,n表示为区域的总数;j表示为各光谱特征对应的编号,j=1,2......,m,m为大于2的自然整数,m表示为光谱特征的总数;q表示为各纹理特征对应的编号,q=1,2......,d,d为大于2的自然整数,d表示为纹理特征的总数;p表示为各色彩特征对应的编号,p=1,2......,b,b为大于2的自然整数,b表示为色彩特征的总数;根据计算公式得出农田中第i个区域的遥感特征评估系数,其中G′、W′和S′表示为数据库中的农田对应的参考光谱特征、参考纹理特征和参考色彩特征,ΔG、ΔW和ΔS表示为数据库中的农田对应的允许浮动的光谱特征、允许浮动的纹理特征和允许浮动的色彩特征,σ1、σ2和σ3表示为数据库中的农田的光谱特征对应的权重因子、纹理特征对应的权重因子和色彩特征对应的权重因子;
所述获取农田各目标区域和农田各目标区域对应的几何遥感图像,具体获取过程如下:
在数据库中提取所需区域的遥感特征评估系数阈值,并将农田中各区域的遥感特征评估系数与数据库中的所需农作物的遥感特征评估系数阈值进行对比,当农田中某区域的遥感特征评估系数等于数据库中的所需农作物的遥感特征评估系数阈值时,判断农田中该区域为所需区域,并将该区域记为农田目标区域,由此获取农田各目标区域和农田各目标区域对应的辐射遥感图像;
步骤五、几何校正:提取农田各目标区域对应的辐射遥感图像,记为各待二次校正图像,对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像;
步骤六、结果显示:完成农田目标区域对应的辐射遥感图像的几何校正时,显示农田目标区域的校正遥感图像。
优选地,所述对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像,具体校准和规划过程如下:首先进行无人机遥感的校准,根据数据库中的无人机遥感对应的各设置参数对无人机遥感的各设置参数进行设置;根据无人机遥感的最大采集范围在农田的各区域的形状中划分对应的各采集区域,并以从外圈向内圈的方式,将各采集区域的中心点的连线,并将连线作为无人遥感的飞行航线进行遥感图像的采集,由此获取农田中各区域的遥感图像。
优选地,所述获取农田中各区域的辐射遥感图像的特征数据,具体获取过程如下:使用光谱分类技术将农田中各区域的几何遥感图像的每个像素分成不同的类别,进而基于每个像素的光谱响应得到农田中各区域的辐射遥感图像对应的各光谱特征;使用灰度共生矩阵方法计算遥感图像中局部颜色变化特征,进而得到农田中各区域的辐射遥感图像对应的各纹理特征;提取每个像素的R、G、B值,使用色彩的直方图、色彩的差异和相似性表示色彩特征,进而得到农田中各区域的辐射遥感图像对应的各颜色特征。
优选地,所述对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,具体过程如下:采用多项式法对各待二次校正图像进行二次初步校正,首先在各待二次校正图像中建立坐标系,并选取对应的各控制点和控制点对应的坐标,将各待二次校正图像对应的各控制点和各控制点对应的坐标传输至几何校正模块中建立校正变换函数,从而完成二次初步校正且获取各二次初步校正图像;使用直接法获取各待二次校正图像的四个角点在对应的二次初步校正图像中对应的点坐标,根据各点坐标确定各二次初步校正图像的宽度和高度,从而确定输出各二次初步校正图像的范围;采用间接纠正法进行像元集合位置变换;获取各二次初步校正图像的各像元在各待二次校正图像上的位置和位置对应的像元灰度,当某二次初步校正图像的某像元的坐标位置是整数时,将该待二次校正图像该位置对应的像元灰度,作为该二次初步校正图像的该像元位置的灰度值;当某二次初步校正图像的某像元的坐标位置不是整数时,采用最近邻法进行重采样;由此获取各二次初步校正图像的灰度值;最终完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像。
本发明在第二方面提供了一种农业遥感图像校正方法的遥感图像校正系统,包括:遥感图像采集模块,用于提取数据库中的无人机遥感对应的各采集参数、最大采集范围和采集高度,并提取数据库中的农田的各区域的形状,进而对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像。
辐射校正模块,用于提取农田中各区域对应的遥感图像,将农田中各区域的遥感图像传输至辐射传递模型中,对农田中各区域的遥感图像进行辐射校正,获取农田中各区域的辐射遥感图像。
特征数据获取模块,用于提取农田中各区域的辐射遥感图像,进而获取农田中各区域的辐射遥感图像的特征数据,特征数据包括各光谱特征、各纹理特征和各色彩特征。
特征数据分析模块,用于提取农田中各区域的辐射遥感图像的特征数据,进而分析得出农田中各区域的遥感特征评估系数,从而在数据库中提取所需区域的遥感特征评估系数阈值,并获取农田各目标区域和农田各目标区域对应的几何遥感图像。
几何校正模块,用于提取农田各目标区域对应的辐射遥感图像,记为各待二次校正图像,对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像。
显示终端,用于完成农田目标区域对应的辐射遥感图像的几何校正时,显示农田目标区域的校正遥感图像。
本发明的有益效果在于:1、本发明提供的一种农业遥感图像校正方法及系统,首先进行各区域的遥感图像的采集,通过辐射校正将各区域的遥感图像进行辐射校正,进而对辐射校正过的各遥感图像进行特征数据的提取,从而对各遥感图像的特征数据进行分析,解决了当前农业遥感图像发展可行性分析过程中存在的局限性问题,准确的获取目标区域的遥感图像,再对目标区域的遥感图像进行几何校正,实现了农业遥感图像校正可行性全面性和客观性的分析,保障了农业遥感图像校正分析结果的可靠性和真实性。
2、本发明首先进行各区域遥感图像的辐射校正,完成各区域遥感图像的初步校正,消除辐射误差,使各区域的遥感图像更接近地物的真实反射率和辐射率,从而更加准确地了解到当前遥感图像的实际情况,同时也保障遥感图像校正的可行性分析过程的全面性和真实性,进而保障分析结果的参考性和准确性,并且也给遥感图像校正技术的更新升级提供可靠的依据。
3、本发明通过特征数据的分析,获取农田中的目标区域的辐射遥感图像,进而准确的对各目标区域的辐射遥感图像进行分析,从而不需要在全部区域的几何校正完成后获取各目标区域的校正遥感图像,能够节省几何校正的时间,同时可以提高工作的效率,一定程度上提高了遥感图像校正技术的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法实施步骤流程示意图。
图2为本发明系统结构连接示意图。
具体实施方式
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,所描述的实施例仅仅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。
请参阅图1所示,本发明在第一方面提供了一种农业遥感图像校正方法,包括,步骤一、遥感图像采集:提取数据库中的无人机遥感对应的各采集参数、最大采集范围和采集高度,并提取数据库中的农田的各区域的形状,进而对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像。
在一个具体实施例中,所述对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像,具体校准和规划过程如下:首先进行无人机遥感的校准,根据数据库中的无人机遥感对应的各设置参数对无人机遥感的各设置参数进行设置;根据无人机遥感的最大采集范围在农田的各区域的形状中划分对应的各采集区域,并以从外圈向内圈的方式,将各采集区域的中心点的连线,并将连线作为无人遥感的飞行航线进行遥感图像的采集,由此获取农田中各区域的遥感图像。
需要说明的是,无人机遥感为表示为在无人机中搭载遥感传感器。
无人机遥感的各设置参数,例如设置无人机的返航点位置坐标参数、飞行速度参数和飞行高度参数等。
步骤二、辐射校正:提取农田中各区域对应的遥感图像,将农田中各区域的遥感图像传输至辐射传递模型中,对农田中各区域的遥感图像进行辐射校正,获取农田中各区域的辐射遥感图像。
步骤三、特征数据获取:提取农田中各区域的辐射遥感图像,进而获取农田中各区域的辐射遥感图像的特征数据,特征数据包括各光谱特征、各纹理特征和各色彩特征。
在一个具体实施例中,所述获取农田中各区域的辐射遥感图像的特征数据,具体获取过程如下:使用光谱分类技术将农田中各区域的几何遥感图像的每个像素分成不同的类别,进而基于每个像素的光谱响应得到农田中各区域的辐射遥感图像对应的各光谱特征;使用灰度共生矩阵方法计算遥感图像中局部颜色变化特征,进而得到农田中各区域的辐射遥感图像对应的各纹理特征;提取每个像素的R、G、B值,使用色彩的直方图、色彩的差异和相似性表示色彩特征,进而得到农田中各区域的辐射遥感图像对应的各颜色特征。
需要说明的是,光谱特征是遥感图像中像素所表现出的不同波长下的反射或发射特性。光谱特征的提取基于每个像素的光谱响应。光谱分类技术如最大似然分类、支持向量机和人工神经网络等。
还需要说明的是,纹理特征反映的是图像中像素之间的空间关系。
仍需要说明的是,色彩特征通常通过色彩空间中的颜色分布来描述。
本发明首先进行各区域遥感图像的辐射校正,完成各区域遥感图像的初步校正,消除辐射误差,使各区域的遥感图像更接近地物的真实反射率和辐射率,从而更加准确地了解到当前遥感图像的实际情况,同时也保障遥感图像校正的可行性分析过程的全面性和真实性,进而保障分析结果的参考性和准确性,并且也给遥感图像校正技术的更新升级提供可靠的依据。
步骤四、特征数据分析:提取农田中各区域的辐射遥感图像的特征数据,进而分析得出农田中各区域的遥感特征评估系数,从而在数据库中提取所需区域的遥感特征评估系数阈值,并获取农田各目标区域和农田各目标区域对应的几何遥感图像。
所述分析得出农田中各区域的遥感特征评估系数,具体分析过程如下:将农田中各区域的辐射遥感图像的各光谱特征、各纹理特征和各色彩特征分别记为Gij、Wiq和Sip,其中i表示为农田中各区域对应的编号,i=1,2......,n,n为大于2的自然整数,n表示为区域的总数;j表示为各光谱特征对应的编号,j=1,2......,m,m为大于2的自然整数,m表示为光谱特征的总数;q表示为各纹理特征对应的编号,q=1,2......,d,d为大于2的自然整数,d表示为纹理特征的总数;p表示为各色彩特征对应的编号,p=1,2......,b,b为大于2的自然整数,b表示为色彩特征的总数;根据计算公式得出农田中第i个区域的遥感特征评估系数,其中G′、W′和S′表示为数据库中的农田对应的参考光谱特征、参考纹理特征和参考色彩特征,ΔG、ΔW和ΔS表示为数据库中的农田对应的允许浮动的光谱特征、允许浮动的纹理特征和允许浮动的色彩特征,σ1、σ2和σ3表示为数据库中的农田的光谱特征对应的权重因子、纹理特征对应的权重因子和色彩特征对应的权重因子。
所述获取农田各目标区域和农田各目标区域对应的几何遥感图像,具体获取过程如下:在数据库中提取所需区域的遥感特征评估系数阈值,并将农田中各区域的遥感特征评估系数与数据库中的所需农作物的遥感特征评估系数阈值进行对比,当农田中某区域的遥感特征评估系数等于数据库中的所需农作物的遥感特征评估系数阈值时,判断农田中该区域为所需区域,并将该区域记为农田目标区域,由此获取农田各目标区域和农田各目标区域对应的辐射遥感图像。
步骤五、几何校正:提取农田各目标区域对应的辐射遥感图像,记为各待二次校正图像,对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像。
需要说明的是,控制点的选取,例如,道路交叉点,标志物,水域的边界,山脊线交点等,且控制点要在图像上均匀分布。
还需要说明的是,像元为影像单元,是组成数字化影像的最小单元。
在一个具体实施例中,所述对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,具体过程如下:采用多项式法对各待二次校正图像进行二次初步校正,首先在各待二次校正图像中建立坐标系,并选取对应的各控制点和控制点对应的坐标,将各待二次校正图像对应的各控制点和各控制点对应的坐标传输至几何校正模块中建立校正变换函数,从而完成二次初步校正且获取各二次初步校正图像;使用直接法获取各待二次校正图像的四个角点在对应的二次初步校正图像中对应的点坐标,根据各点坐标确定各二次初步校正图像的宽度和高度,从而确定输出各二次初步校正图像的范围;采用间接纠正法进行像元集合位置变换;获取各二次初步校正图像的各像元在各待二次校正图像上的位置和位置对应的像元灰度,当某二次初步校正图像的某像元的坐标位置是整数时,将该待二次校正图像该位置对应的像元灰度,作为该二次初步校正图像的该像元位置的灰度值;当某二次初步校正图像的某像元的坐标位置不是整数时,采用最近邻法进行重采样;由此获取各二次初步校正图像的灰度值;最终完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像。
本发明通过特征数据的分析,获取农田中的目标区域的辐射遥感图像,进而准确的对各目标区域的辐射遥感图像进行分析,从而不需要在全部区域的几何校正完成后获取各目标区域的校正遥感图像,能够节省几何校正的时间,同时可以提高工作的效率,一定程度上提高了遥感图像校正技术的效果。
步骤六、结果显示:完成农田目标区域对应的辐射遥感图像的几何校正时,显示农田目标区域的校正遥感图像。
请参阅图2所示,本发明在第一方面提供了一种农业遥感图像校正方法的遥感图像校正系统,包括:遥感图像采集模块,用于提取数据库中的无人机遥感对应的各采集参数、最大采集范围和采集高度,并提取数据库中的农田的各区域的形状,进而对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像。
辐射校正模块,用于提取农田中各区域对应的遥感图像,将农田中各区域的遥感图像传输至辐射传递模型中,对农田中各区域的遥感图像进行辐射校正,获取农田中各区域的辐射遥感图像。
特征数据获取模块,用于提取农田中各区域的辐射遥感图像,进而获取农田中各区域的辐射遥感图像的特征数据,特征数据包括各光谱特征、各纹理特征和各色彩特征。
特征数据分析模块,用于提取农田中各区域的辐射遥感图像的特征数据,进而分析得出农田中各区域的遥感特征评估系数,从而在数据库中提取所需区域的遥感特征评估系数阈值,并获取农田各目标区域和农田各目标区域对应的几何遥感图像。
几何校正模块,用于提取农田各目标区域对应的辐射遥感图像,记为各待二次校正图像,对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像。
显示终端,用于完成农田目标区域对应的辐射遥感图像的几何校正时,显示农田目标区域的校正遥感图像。
本发明提供的一种农业遥感图像校正方法及系统,首先进行各区域的遥感图像的采集,通过辐射校正将各区域的遥感图像进行辐射校正,进而对辐射校正过的各遥感图像进行特征数据的提取,从而对各遥感图像的特征数据进行分析,解决了当前农业遥感图像发展可行性分析过程中存在的局限性问题,准确的获取目标区域的遥感图像,再对目标区域的遥感图像进行几何校正,实现了农业遥感图像校正可行性全面性和客观性的分析,保障了农业遥感图像校正分析结果的可靠性和真实性。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本说明书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种农业遥感图像校正方法,其特征在于,包括:
步骤一、遥感图像采集:提取数据库中的无人机遥感对应的各采集参数、最大采集范围和采集高度,并提取数据库中的农田的各区域的形状,进而对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像;
步骤二、辐射校正:提取农田中各区域对应的遥感图像,将农田中各区域的遥感图像传输至辐射传递模型中,对农田中各区域的遥感图像进行辐射校正,获取农田中各区域的辐射遥感图像;
步骤三、特征数据获取:提取农田中各区域的辐射遥感图像,进而获取农田中各区域的辐射遥感图像的特征数据,特征数据包括各光谱特征、各纹理特征和各色彩特征;
步骤四、特征数据分析:提取农田中各区域的辐射遥感图像的特征数据,进而分析得出农田中各区域的遥感特征评估系数,从而在数据库中提取所需区域的遥感特征评估系数阈值,并获取农田各目标区域和农田各目标区域对应的几何遥感图像;
所述分析得出农田中各区域的遥感特征评估系数,具体分析过程如下:
将农田中各区域的辐射遥感图像的各光谱特征、各纹理特征和各色彩特征分别记为Gij、Wiq和Sip,其中i表示为农田中各区域对应的编号,i=1,2......,n,n为大于2的自然整数,n表示为区域的总数;j表示为各光谱特征对应的编号,j=1,2......,m,m为大于2的自然整数,m表示为光谱特征的总数;q表示为各纹理特征对应的编号,q=1,2......,d,d为大于2的自然整数,d表示为纹理特征的总数;p表示为各色彩特征对应的编号,p=1,2......,b,b为大于2的自然整数,b表示为色彩特征的总数;根据计算公式得出农田中第i个区域的遥感特征评估系数,其中G′、W′和S′表示为数据库中的农田对应的参考光谱特征、参考纹理特征和参考色彩特征,ΔG、ΔW和ΔS表示为数据库中的农田对应的允许浮动的光谱特征、允许浮动的纹理特征和允许浮动的色彩特征,σ1、σ2和σ3表示为数据库中的农田的光谱特征对应的权重因子、纹理特征对应的权重因子和色彩特征对应的权重因子;
所述获取农田各目标区域和农田各目标区域对应的几何遥感图像,具体获取过程如下:
在数据库中提取所需区域的遥感特征评估系数阈值,并将农田中各区域的遥感特征评估系数与数据库中的所需农作物的遥感特征评估系数阈值进行对比,当农田中某区域的遥感特征评估系数等于数据库中的所需农作物的遥感特征评估系数阈值时,判断农田中该区域为所需区域,并将该区域记为农田目标区域,由此获取农田各目标区域和农田各目标区域对应的辐射遥感图像;
步骤五、几何校正:提取农田各目标区域对应的辐射遥感图像,记为各待二次校正图像,对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像;
步骤六、结果显示:完成农田目标区域对应的辐射遥感图像的几何校正时,显示农田目标区域的校正遥感图像。
2.根据权利要求1所述的一种农业遥感图像校正方法,其特征在于,所述对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像,具体校准和规划过程如下:
首先进行无人机遥感的校准,根据数据库中的无人机遥感对应的各设置参数对无人机遥感的各设置参数进行设置;根据无人机遥感的最大采集范围在农田的各区域的形状中划分对应的各采集区域,并以从外圈向内圈的方式,将各采集区域的中心点的连线,并将连线作为无人遥感的飞行航线进行遥感图像的采集,由此获取农田中各区域的遥感图像。
3.根据权利要求2所述的一种农业遥感图像校正方法,其特征在于,所述获取农田中各区域的辐射遥感图像的特征数据,具体获取过程如下:
使用光谱分类技术将农田中各区域的几何遥感图像的每个像素分成不同的类别,进而基于每个像素的光谱响应得到农田中各区域的辐射遥感图像对应的各光谱特征;使用灰度共生矩阵方法计算遥感图像中局部颜色变化特征,进而得到农田中各区域的辐射遥感图像对应的各纹理特征;提取每个像素的R、G、B值,使用色彩的直方图、色彩的差异和相似性表示色彩特征,进而得到农田中各区域的辐射遥感图像对应的各颜色特征。
4.根据权利要求3所述的一种农业遥感图像校正方法,其特征在于,所述对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,具体过程如下:
采用多项式法对各待二次校正图像进行二次初步校正,首先在各待二次校正图像中建立坐标系,并选取对应的各控制点和控制点对应的坐标,将各待二次校正图像对应的各控制点和各控制点对应的坐标传输至几何校正模块中建立校正变换函数,从而完成二次初步校正且获取各二次初步校正图像;使用直接法获取各待二次校正图像的四个角点在对应的二次初步校正图像中对应的点坐标,根据各点坐标确定各二次初步校正图像的宽度和高度,从而确定输出各二次初步校正图像的范围;采用间接纠正法进行像元集合位置变换;获取各二次初步校正图像的各像元在各待二次校正图像上的位置和位置对应的像元灰度,当某二次初步校正图像的某像元的坐标位置是整数时,将该待二次校正图像该位置对应的像元灰度,作为该二次初步校正图像的像元位置的灰度值;当某二次初步校正图像的某像元的坐标位置不是整数时,采用最近邻法进行重采样;由此获取各二次初步校正图像的灰度值;最终完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像。
5.一种执行权利要求1-4任一项所述的农业遥感图像校正方法的遥感图像校正系统,其特征在于,包括:
遥感图像采集模块,用于提取数据库中的无人机遥感对应的各采集参数、最大采集范围和采集高度,并提取数据库中的农田的各区域的形状,进而对无人机遥感进行校准,并规划无人机的飞行航线,从而采集农田中各区域的遥感图像;
辐射校正模块,用于提取农田中各区域对应的遥感图像,将农田中各区域的遥感图像传输至辐射传递模型中,对农田中各区域的遥感图像进行辐射校正,获取农田中各区域的辐射遥感图像;
特征数据获取模块,用于提取农田中各区域的辐射遥感图像,进而获取农田中各区域的辐射遥感图像的特征数据,特征数据包括各光谱特征、各纹理特征和各色彩特征;
特征数据分析模块,用于提取农田中各区域的辐射遥感图像的特征数据,进而分析得出农田中各区域的遥感特征评估系数,从而在数据库中提取所需区域的遥感特征评估系数阈值,并获取农田各目标区域和农田各目标区域对应的几何遥感图像;
几何校正模块,用于提取农田各目标区域对应的辐射遥感图像,记为各待二次校正图像,对各待二次校正图像进行几何校正,完成农田目标区域对应的辐射遥感图像的几何校正,并记为农田目标区域的校正遥感图像;
显示终端,用于完成农田目标区域对应的辐射遥感图像的几何校正时,显示农田目标区域的校正遥感图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215397.XA CN117788351B (zh) | 2024-02-27 | 2024-02-27 | 一种农业遥感图像校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215397.XA CN117788351B (zh) | 2024-02-27 | 2024-02-27 | 一种农业遥感图像校正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117788351A CN117788351A (zh) | 2024-03-29 |
CN117788351B true CN117788351B (zh) | 2024-05-03 |
Family
ID=90389584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410215397.XA Active CN117788351B (zh) | 2024-02-27 | 2024-02-27 | 一种农业遥感图像校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788351B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
CN109448127A (zh) * | 2018-09-21 | 2019-03-08 | 洛阳中科龙网创新科技有限公司 | 一种基于无人机遥感的农田高精度导航地图生成方法 |
CN109584155A (zh) * | 2017-09-29 | 2019-04-05 | 孙凯 | 一种无人机遥感图像快速拼接的方法 |
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 |
CN110490830A (zh) * | 2019-08-22 | 2019-11-22 | 中国农业科学院农业信息研究所 | 一种农业遥感图像校正方法及系统 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
CN112183209A (zh) * | 2020-08-27 | 2021-01-05 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及系统 |
CN112330582A (zh) * | 2020-12-24 | 2021-02-05 | 黑龙江省网络空间研究中心 | 一种无人机图像与卫星遥感影像融合算法 |
CN113177942A (zh) * | 2021-06-10 | 2021-07-27 | 中国农业科学院农业信息研究所 | 大豆种植区遥感监测识别方法、装置、电子设备和介质 |
WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
CN115988334A (zh) * | 2023-03-17 | 2023-04-18 | 江西北纬空间信息技术有限公司 | 一种自校正的数字化相机移动遥感系统及方法 |
CN117036973A (zh) * | 2023-06-30 | 2023-11-10 | 哈尔滨工业大学 | 一种基于遥感影像的作物长势评估方法 |
CN117058008A (zh) * | 2023-06-02 | 2023-11-14 | 广州市城市规划勘测设计研究院 | 遥感影像几何与辐射一体化校正方法、装置、设备及介质 |
CN117197662A (zh) * | 2023-08-28 | 2023-12-08 | 贵州师范学院 | 一种基于物联网的乡村土地遥感监测方法及系统 |
-
2024
- 2024-02-27 CN CN202410215397.XA patent/CN117788351B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
CN109584155A (zh) * | 2017-09-29 | 2019-04-05 | 孙凯 | 一种无人机遥感图像快速拼接的方法 |
CN109448127A (zh) * | 2018-09-21 | 2019-03-08 | 洛阳中科龙网创新科技有限公司 | 一种基于无人机遥感的农田高精度导航地图生成方法 |
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 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
CN110490830A (zh) * | 2019-08-22 | 2019-11-22 | 中国农业科学院农业信息研究所 | 一种农业遥感图像校正方法及系统 |
CN112183209A (zh) * | 2020-08-27 | 2021-01-05 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及系统 |
CN112330582A (zh) * | 2020-12-24 | 2021-02-05 | 黑龙江省网络空间研究中心 | 一种无人机图像与卫星遥感影像融合算法 |
CN113177942A (zh) * | 2021-06-10 | 2021-07-27 | 中国农业科学院农业信息研究所 | 大豆种植区遥感监测识别方法、装置、电子设备和介质 |
WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
CN115988334A (zh) * | 2023-03-17 | 2023-04-18 | 江西北纬空间信息技术有限公司 | 一种自校正的数字化相机移动遥感系统及方法 |
CN117058008A (zh) * | 2023-06-02 | 2023-11-14 | 广州市城市规划勘测设计研究院 | 遥感影像几何与辐射一体化校正方法、装置、设备及介质 |
CN117036973A (zh) * | 2023-06-30 | 2023-11-10 | 哈尔滨工业大学 | 一种基于遥感影像的作物长势评估方法 |
CN117197662A (zh) * | 2023-08-28 | 2023-12-08 | 贵州师范学院 | 一种基于物联网的乡村土地遥感监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于无人机采集图像的植被识别方法研究;唐晏;工程科技Ⅱ辑;20150415;全文 * |
无人机遥感数据处理流程及产品分级体系研究;张周威 等;武汉理工大学学报;20130531(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117788351A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN109146889A (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
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 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
Sun et al. | Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
CN111487643B (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN114692991A (zh) | 一种基于深度学习的枸杞产量预测方法及系统 | |
CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
CN113807309A (zh) | 一种基于深度学习的果园机械行走路线规划方法 | |
CN117788351B (zh) | 一种农业遥感图像校正方法及系统 | |
CN110070513B (zh) | 遥感影像的辐射校正方法及系统 | |
CN109446965B (zh) | 一种基于无人机数据的烟田自动识别方法 | |
CN115841615A (zh) | 一种基于无人机多光谱数据的烟草产量预测方法及装置 | |
CN115931774A (zh) | 基于无人机监测作物水分状况的方法、存储介质及设备 | |
CN110781865A (zh) | 一种农作物生长控制系统 | |
CN116129278A (zh) | 一种基于遥感影像的土地利用分类识别系统 | |
CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
CN113569786A (zh) | 基于多模态影像的作物病虫害检测方法及系统、设备、存储介质 | |
CN113870278A (zh) | 基于改进的Mask R-CNN模型的卫星遥感图像农田块分割方法 |
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 |