CN118115789A - 农田内建筑物检测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本公开涉及农田区域的建筑物监测技术领域，公开了一种农田内建筑物检测方法、装置、计算机设备和存储介质，该方法包括：获取目标农田在预设历史时间段内的多张遥感图像，其中，预设历史时间段包括目标农田的植被的多个物候期；基于多张遥感图像，确定目标农田的历史地物信息；其中，历史地物信息包括：各张遥感图像中目标农田各地块分别对应的历史地物类型；基于目标农田的历史地物信息，确定目标农田内是否有建筑物。提升了农田内建筑物检测的效率和准确度，降低了监测成本。

Description

农田内建筑物检测方法、装置、计算机设备和存储介质

技术领域

本公开涉及农田内建筑物检测技术领域，尤其涉及一种农田内建筑物检测方法、装置、计算机设备和存储介质。

背景技术

在当前全球粮食安全和环境可持续性的大背景下，基本农田的合理利用与保护变得尤为重要。基本农田是农业生产的基础，其质量直接影响农作物的产量。因此，对基本农田进行科学、准确的监测，不仅有助于优化农业管理，还能提高粮食生产能力。

基本农田保护面临的挑战之一，就是基本农田变更建设用地的挑战，因此，为了防止基本农田变建设用地，基本农田内建筑物检测是实施基本农田保护制度、确保红线不被突破的重要手段。

然而，目前农田内建筑物检测但往往面临以下困难：

采用地面调查和人工观测的方式：基本农田监测涉及范围大，同时基本农田内建筑物的提取，缺少自动化提取工具，大部分工作通过人工勾画的方式获取不仅耗时费力，难以快速获取数据，而且费时费力。

采用确定机的方法：一般都是采用神经网络、面向对象、支持向量机等方法对同一时期采集的遥感数据进行地物类型提取，但是同一时期的遥感数据的时间分辨率往往不能满足监测的需求，难以利用到物候期信息，同时上述机器学习模型要有比较好的准确度，则需要大量的较为精准的训练数据，而精准的训练数据需要对大量的遥感图像进行人工标注，人工成本高，且难以实现对大量的训练数据进行标注。

发明内容

为了解决上述技术问题，本公开提供了一种农田内建筑物检测方法、装置、计算机设备和存储介质。

一方面，本公开提供了一种农田内建筑物检测方法，所述方法包括：

获取目标农田在预设历史时间段内的多张遥感图像，其中，所述预设历史时间段包括所述目标农田的植被的多个物候期；

基于所述多张遥感图像，确定所述目标农田的历史地物信息；其中，所述历史地物信息包括：各张所述遥感图像中所述目标农田各地块分别对应的历史地物类型；

基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物。

上述方案中，所述基于所述多张遥感图像，确定所述目标农田的历史地物信息，包括：

确定各遥感图像每个像素点的地物类型；

基于所有所述遥感图像每个像素点的地物类型，确定所述目标农田的历史地物信息。

上述方案中，所述确定各遥感图像每个像素点的地物类型，包括：

确定各所述遥感图像每个像素点的归一化植被指数、归一化水体指数和归一化建筑指数；

基于预先设置的归一化植被指数、归一化水体指数和归一化建筑指数三者与地物类型之间的对应关系，确定所述像素点的地物类型。

上述方案中，所述确定各遥感图像每个像素点的地物类型，包括：

确定各所述遥感图像的每个像素点的归一化植被指数，基于所述归一化植被指数，确定各所述遥感图像的植被像素点和非植被像素点；

确定各所述遥感图像的每个所述非植被像素点的归一化水体指数，基于所述归一化水体指数，确定各所述遥感图像的水体像素点和非水体像素点；

确定各所述遥感图像的每个所述非水体像素点的归一化建筑指数，基于所述归一化建筑指数，确定各所述遥感图像的建筑像素点和非建筑像素点。

上述方案中，所述方法还包括以下之一或组合：

预先设置像素点的归一化植被指数、归一化水体指数和归一化建筑指数之一或三者组合，与所述像素点的地物类型之间的对应关系。

上述方案中，所述基于所有所述遥感图像每个像素点的地物类型，确定所述目标农田的历史地物信息，包括：

基于所有所述遥感图像每个像素点的地物类型，按照预设划分规则，对各张所述遥感图像进行地块划分；其中，所述预设划分规则包括：同一所述地块的像素点的历史地物类型相同；

基于所述遥感图像的地块划分结果，确定各所述地块对应的历史地物类型。

上述方案中，所述基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物，包括：

在所述目标农田的历史地物信息不包括建筑物的情况下，确定所述目标农田内没有建筑物；

在至少一个所述地块的历史地物信息包括建筑物，以及除建筑物以外的至少一种非建筑物类型，则基于所述地块的历史地物类型中建筑物的数量，确定所述目标农田内是否有建筑物；和/或，基于所述地块的所有历史地物类型的时序，确定所述目标农田内是否有建筑物。

另一方面，本公开提供了农田内建筑物检测装置，所述装置包括：

遥感数据获取模块，用于获取目标农田在预设历史时间段内的多张遥感图像，其中，所述预设历史时间段包括所述目标农田的植被的多个物候期；

地物信息确定模块，用于基于所述多张遥感图像，确定所述目标农田的历史地物信息；其中，所述历史地物信息包括：各张所述遥感图像中所述目标农田各地块分别对应的历史地物类型；

检测结果输出模块，用于基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物。

再一方面，本公开提供一种电子设备，包括处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如前所述方法的步骤。

再一方面，本公开提供一种确定机可读存储介质，所述确定机可读存储介质存储程序或指令，所述程序或指令使确定机执行如前所述方法的步骤。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

上述目标农田内建筑物检测方法、装置、计算机设备和存储介质所实现的方案中，通过获取目标农田的植被的多个物候期的多张遥感图像，然后基于所述多张遥感图像，确定所述目标农田的历史地物信息，最后基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物。在本发明中针对目标农田遥感图像时间分辨率不足，训练数据不足的问题，获取覆盖目标农田植被多个物候期的遥感图像，从而提升了目标农田遥感图像的时间分辨率，然后根据不同时间获取的目标农田在不同时间的遥感图像，得到目标农田在不同时间包含的历史地物类型，最后根据目标农田在不同时间的历史地物类型，判断目标农田是否有建筑物。从而，充分参考了植被的物候期信息，由于目标农田在植被的不同物候期的遥感图像有很大的差别，因此，通过综合参考目标农田在不同时间的遥感图像，确定目标农田的地物类型，可以有效避免由于遥感图像包含农田信息不够丰富而造成的误判，从而提升了目标农田内是否有建筑物判断的准确度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中农田内建筑物检测方法的一应用环境示意图；

图2是本发明一实施例中农田内建筑物检测方法的一流程示意图；

图3是图1中步骤S22的一具体实施方式流程示意图；

图4是图3中步骤S221的一具体实施方式流程示意图；

图5是图1中步骤S221的另一具体实施方式流程示意图；

图6是本发明一实施例中农田内建筑物检测装置的一结构示意图；

图7是本发明一实施例中计算机设备的一结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书的实施例只是本公开的一部分实施例，而不是全部的实施例。

本发明实施例提供的农田内建筑物检测方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。服务端可以通过客户端接收用户的目标农田内建筑物是否有建筑物的确认请求，根据该请求，获取目标农田在预设历史时间段内的多张遥感图像，基于多张遥感图像，确定目标农田的历史地物信息；其中，历史地物信息包括：各张遥感图像中目标农田各地块分别对应的历史地物类型；基于目标农田的历史地物信息，确定目标农田内是否有建筑物。本发明中，针对农田内建筑物检测这一问题，首先获取不同时期的目标农田的遥感图像，不同时期覆盖了目标农田植被的物候期，因此，遥感图像中包含了植被的物候信息，基于多张遥感图像，能够得到目标农田的同一地块在不同时期的地物信息(如地物类型)，从而，可以根据同一地块在不同时期的地物信息，多个地物信息交叉验证，综合判断该地块是否有建筑物，从而避免了对地块是否有建筑物的误判，进而提升了农田内是否有建筑物检测的准确度。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。

请参阅图2所示，图2为本发明实施例提供的农田内建筑物检测方法的一个流程示意图，包括如下步骤：

S21、获取目标农田在预设历史时间段内的多张遥感图像，其中，预设历史时间段包括目标农田的植被的多个物候期。

可以理解的是，目标农田是待检测其内是否有建筑物的基本农田。通过遥感图像采集设备对目标农田进行监控，即采集目标农田的遥感图像，在遥感图像采集设备采集到目标农田的遥感图像之后，对采集的遥感图像进行预处理，预处理可以包括对遥感图像进行裁剪，裁剪掉目标农田以外的部分图像，以使得遥感图像仅仅包含目标农田，从而避免了遥感图像中目标农田区域外的地物对象对目标农田内是否有建筑物检测结果的影像，同时也减少了后续图像处理的计算成本。

在这里，遥感图像采集设备可以是以固定的采集周期采集目标农田的遥感图像，也可以是根据用户预定的采集时间采集目标农田的遥感图像，例如在目标农田植被的指定的物候期采集目标农田的遥感图像。历史时间段可以是植被的一个生长周期也可以是用户预设的时间段，例如一个自然年。目标农田的遥感图像可以是目标农田在不同物候期的遥感图像，也可以是用户预设的历史时间段内。

具体的，在一场景中，预设历史时间段可是一自然年份，该自然年份可以是当前时间的上一年份，例如，当前是2024年，则预设历史时间段可以是2023年，当然，也可以是2023年之前的自然年份(如2022年)，只是时间越近，对目标农田内是否有建筑物监测结果越准确，因此，预设历史时间段最好是当前最近的年份。遥感图像采集设备可以以预设时间周期采集目标农田的遥感图像，多张遥感图像可以是以自然月份为获取周期，从每个自然月份采集的多张遥感图像中选择至少一张最具有代表性的遥感图像(如分辨率最高)，作为每个自然月份的遥感图像，即获取的多张遥感图像包括自然年份的12个自然月份的每个月采集的遥感图像。

具体的，在另一场景中，以目标农田中的植被是小麦作物为例，小麦的物候期包括：越冬期、返青期、起身拔节期、抽穗期、扬花期、灌浆期、乳熟期、蜡熟期等。可以选择小麦处于多个不同候物期时采集的目标农田的遥感图像，最好选择是小麦呈现不同的生长形态的物候期，例如，包括越冬区、起身拔节期和抽穗期等。当然，小麦的物候期可以根据以往经验确定，可以在每个物候期采集多张遥感图像，然后，从各物候期对应多张遥感图像中其中一张作为各物候期对应的代表遥感图像。

当然，目标农田的遥感图像的获取周期，即遥感图像获取的时间粒度可以根据实际情况而定，原则上，时间粒度越细，则最终的农田内建筑物检测结果的准确度越高，但是，计算成本也会越高，因此，要平衡时间粒度和计算成本。

如此，历史时间段覆盖植被的多个物候期是因为在植被不同的生长阶段，目标农田的遥感图像大不相同，从而根据遥感图像判断的农田的地物类型也有可能不相同，从而可以根据目标农田在不同时间的遥感图像判断该农田地物信息(地物类型)，进而根据所有的遥感图像得到的目标农田的地物信息，交叉判断目标农田的地物信息，从而增加了目标农田内建筑物检测的准确度。

当然，进一步的，在一些实施例中，对遥感图像的预处理还可以包括：大气纠正、正射纠正、影像融合等，其中，大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。正射影像制作一般是通过在像片上选取一些地面控制点，并利用原来已经获取的该像片范围内的数字高程模型(DEM)数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像。影像融合；遥感图像融合是将在空间、时间、波谱上冗余或互补的多源遥感数据按照一定的规则(或算法)进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成具有新的空间、波谱、时间特征的合成影像数据。

S22、基于多张遥感图像，确定目标农田的历史地物信息；其中，历史地物信息包括：各张遥感图像中目标农田各地块分别对应的历史地物类型。

可以理解的是，在预设历史时间段内，目标农田的地物类型可能会随着时间推移而发生变化，从而，在各遥感图像采集设备采集的遥感图像中目标农田的同一地块对应的地物类型也有可能不同。确定各张遥感图像中各地块对应的地物类型，然后，将同一地块分别在多张遥感图像上的地物类型进行整合，得到该地块的历史地物类型。最后整合所有地块的历史地物类型，得到目标农田的历史地物信息。这里的地物类型可以是具体的固定物类型，也可以是固定物所属分类，例如，通过遥感图像识别出其上有植被，植被地块以外的其他地块，不能具体判断地物类型，则这时候，遥感图像的地物类型可以是植被和非植被。具体的，目标农田各地块对应的地物类型可以是植被、水体、裸地、建筑物等。

本实施例中，由于目标农田的植物作物有其生长规律，在不同的生长期表现出来的形态不同，从而可能造成对农田地物类型的误判，例如，在小麦作物的播种期，小麦还没从地下长出来，此时，根据遥感图像得到的目标农田的地物类型大概率是非植被或者是裸地，也就是说大概率不会是植被。因此，本实施例中，为了避免上述误判的问题，利用目标农田在不同时间的遥感图像得到目标农田的历史地物信息，从而能够得到不同地块在不同时间的地物类型，进而整合这些地物类型进行交叉比对判断该地块的地物类型。如此，将目标农田的遥感图像的采集时间线拉长，能够获取目标农田呈现不同的地物形态时的遥感图像，充分利用了目标农田在农作物不同生长时期的地物信息，增加了目标农田内建筑物检测结果的准确度。

在一些实施例中，如图3所示，上述S22可以包括：

S221、确定各遥感图像每个像素点的地物类型；

S222、基于所有遥感图像每个像素点的地物类型，确定目标农田的历史地物信息。

其中，各遥感图像每个像素点的地物类型是遥感图像上每个像素点的目标农田对应的地物类型。各遥感图像上地物类型相同且相邻的像素点可以被划分至一个像素区域，每个像素区域就是目标农田的一个地块的遥感图像，从而通过整合所有遥感图像上的相同地物类型的像素点，可以得到目标农田的地块划分结果，同时也得到了各个地块对应的历史地物类型(即各个遥感图像上该地块对应的地物类型)。

在一些实施例中，如图4所示，上述S221可以包括：

S221a1、确定各遥感图像每个像素点的归一化植被指数、归一化水体指数和归一化建筑指数；

S221a2、基于预先设置的归一化植被指数、归一化水体指数和归一化建筑指数三者与地物类型之间的对应关系，确定各遥感图像每个像素点的地物类型。

其中，归一化植被指数，用于确定遥感图像的像素点是植被的可能性，归一化植被指数越大，该像素点的目标农田是植被的可能性越大。反之，越小。归一化水体指数，用于确定遥感图像的像素点是水体的可能性，归一化水体指数越大，该像素点的目标农田是水体的可能性越大。反之，越小。归一化建筑指数，用于确定遥感图像的像素点是建筑的可能性，归一化建筑指数越大，该像素点的目标农田是建筑的可能性越大。反之，越小。

可以理解的是，基础农田中常见的地物类型有：水域、裸地、林地、建筑物(建设用地)、农作物耕地和草地等6大类，其中，林地、农作物耕地和草地的地块都是植被地块，水域、裸地和建筑物的地块都是非植被地块，水体的地块是水体地块，裸地和建筑物的地块是非水体地块。根据归一化植被指数可以确定遥感图像中的植被地块和非植被地块，根据归一化水体指数可以确定遥感图像中的水体地块和非水体地块，根据归一化建筑指数可以确定遥感图像中的建筑物地块和非建筑物地块。

本实施例中，预先设置像素点的归一化植被指数、归一化水体指数和归一化建筑指数三者、与像素点的地物类型之间的对应关系。具体的，首先，选取多个模版地块的遥感指数，多个模版地块分别对应不同的地物类型，例如，农作物地块、建筑物地块、林地地块、水体地块、草地地块、裸土地等。然后，确定多个模版地块的不同物候期的遥感图像的遥感指数，这里的遥感指数包括归一化植被指数、归一水体指数和归一化建筑指数；最后，对遥感指数进行统计分析，得到多个模版地块不同物候期中各遥感指数的取值范围和均值，基于取值范围和均值确定不同地物类型的对应的遥感指数的阈值，例如，如果归一化植被指数大于0.2，则为植被，否则为非植被；如果归一化水体指数大于0.3，则为水体，否则为非水体；如果归一化建筑指数大于0.6，则为建筑物，否则为非建筑。

在一些实施例中，如图5所示，上述S221可以包括：

S221b1、确定各遥感图像的每个像素点的归一化植被指数，基于归一化植被指数，确定各遥感图像的植被像素点和非植被像素点；

S221b2、确定各遥感图像的每个非植被像素点的归一化水体指数，基于归一化水体指数，确定各遥感图像的水体像素点和非水体像素点；

S221b3、确定各遥感图像的每个非水体像素点的归一化建筑指数，基于归一化建筑指数，确定各遥感图像的建筑像素点和非建筑像素点。

其中，根据归一化植被指数确定像素点中的植被像素点和非植被像素点；农田中的非植被一般包括建筑物、裸地和水体，由于归一化水体指数对水体的识别率极高，可以直接确认归一化水体指数确认的水体范围，因此，通过归一化水体指数消除水体，最后，根据归一化建筑指数确定建筑物和裸地。

本实施例中，对于已经确定了是植被的像素点，则不计算其他遥感指数，减少了像素点遥感指数计算的计算成本。本实施例中可以选择决策树分类模型为确定遥感图像的地物类型的地物类型提取模型。

在一些实施例中，上述S222可以包括：

S2221、基于所有遥感图像每个像素点的地物类型，按照预设划分规则，对各张遥感图像进行地块划分；其中，预设划分规则包括：同一地块的像素点的历史地物类型相同；

S2222、基于遥感图像的地块划分结果，确定各地块对应的历史地物类型。

可以理解的是，在一遥感图像上的地物类型是植被的像素点划分为第一地块，然而，在其他遥感图像上与第一地块相同位置包含的像素点的地物类型未必全部相同。因此，遥感图像上的地块划分要综合参考所有遥感图像上像素点的地物类型，而不是根据其中一张遥感图像上的地块划分而定的。具体的，将遥感图像的各像素点分别在各遥感图像中的地物类型，按照遥感图像的采集时间排序，得到像素点对应的历史地物类型时序；基于像素点对应的的历史地物类型序列，对各张遥感图像进行地块划分，划分后在每张遥感图像上同一地块的像素点的历史地物类型时序相同。

本实施例中，根据遥感图像的遥感指数确定遥感图像的地物类型，降低了地物类型的识别难度，充分利用了遥感数据，实现了基本农田内建筑物自动提取，减少了人工负担，提高了农田内建筑物检测的效率和准确度。

在一实施例中，首先根据遥感图像获取目标农田遥感图像的近红外波段的反射值、红光波段的反射值、短波红外波段反射率、绿波动段反射率。然后将上述遥感数据带入归一化植被指数公式、归一化水体指数公式和归一化建筑指数公式，确定归一化植被指数、归一化水体指数和归一化建筑指数。

其中，归一化植被指数NDVI＝(NIR-R)/(NIR+R)，其中NIR为近红外波段的反射值，R为红光波段的反射值；

归一化建筑指数NDBI＝NDBI＝(SWIR-NIR)/(SWIR+NIR)，其中SWIR为短波红外波段反射率，NIR为近红外波段反射率；

归一化水体指数NDWI＝(p(Green)-p(NIR))/(p(Green)+p(NIR))其中Green为绿波动段反射率，NIR为近红外波段反射率。

S23、基于目标农田的历史地物信息，确定目标农田内是否有建筑物。

其中，目标农田内是否有地物信息，各张遥感图像中目标农田对应的地物类型(历史地物类型)来确定。在所有的遥感图像中的目标农田的地物类型都没有建筑物的情况下，确定目标农田内没有建筑物。在有至少一张遥感图像的目标农田的历史地物类型中有建筑物时，则需要参考地物类型是建筑物的地块的历史地物类型来确定该地块是否有建筑物。

在一些实施例中，上述S23可以包括：

S231、在目标农田的历史地物信息不包括建筑物的情况下，确定目标农田内没有建筑物。

S232、在至少一个地块的历史地物信息包括建筑物，以及除建筑物以外的至少一种非建筑物类型，则基于地块的历史地物类型中建筑物的数量，确定目标农田内是否有建筑物；和/或，基于地块的所有历史地物类型的时序，确定目标农田内是否有建筑物。

可以理解的是，在至少一个地块的所有历史地物类型都是建筑物时，则可以确定该地块的地物类型是建筑物，即目标农田中有建筑物。在至少一个地块的历史地物类型中有建筑物和非建筑物时，则要分析具体的历史地物类型。在这里可以根据历史地物类型中是建筑物的数量和是非建筑物的比值，例如，获取目标农田一个自然年度的每个自然月的一张遥感图像，从而，目标农田的每个地块有12张遥感图像，即12个历史地物类型，如果有11个历史地物类型都是建筑物,则确定该地块就是建筑物。如果只有一个历史地物类型是建筑物，则确定该地块不是建筑物。如果有3个历史地物类型是建筑物，其他历史地物类型都是建筑物，则可以根据地块的所有历史地物类型的时序确定该地块是否是建筑物，例如，时间比较靠前的遥感图像中有建筑物地块，但是该建筑物地块在时间比较靠后的遥感图像中的地物类型是植被，则基本可以确定该地块是植被。

可见上述方案中，针对目标农田遥感图像时间分辨率不足，训练数据不足的问题，获取覆盖目标农田植被多个物候期的遥感图像，从而提升了目标农田遥感图像的时间分辨率，然后根据不同时间获取的目标农田在不同时间的遥感图像，得到目标农田在不同时间包含的历史地物类型，最后根据目标农田在不同时间的历史地物类型，判断目标农田是否有建筑物。从而，充分参考了植被的物候期信息，由于目标农田在植被的不同物候期的遥感图像有很大的差别，因此，通过综合参考目标农田在不同时间的遥感图像，确定目标农田的地物类型，可以有效避免由于遥感图像包含农田信息不够丰富而造成的误判，从而提升了目标农田内是否有建筑物判断的准确度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种农田内建筑物检测装置，该农田内建筑物检测装置与上述实施例中农田内建筑物检测方法一一对应。如图6所示，该农田内建筑物检测装置包括遥感数据获取模块601、地物信息确定模块602和检测结果输出模块603。各功能模块详细说明如下：

遥感数据获取模块，用于获取目标农田在预设历史时间段内的多张遥感图像，其中，预设历史时间段包括目标农田的植被的多个物候期；

地物信息确定模块，用于基于多张遥感图像，确定目标农田的历史地物信息；其中，历史地物信息包括：各张遥感图像中目标农田各地块分别对应的历史地物类型；

检测结果输出模块，用于基于目标农田的历史地物信息，确定目标农田内是否有建筑物。

在一实施例中，地物信息确定模块602，具体用于：

确定各遥感图像每个像素点的地物类型；

基于所有遥感图像每个像素点的地物类型，确定目标农田的历史地物信息。

在一实施例中，地物信息确定模块602，具体用于：

确定各遥感图像每个像素点的归一化植被指数、归一化水体指数和归一化建筑指数；

基于预先设置的归一化植被指数、归一化水体指数和归一化建筑指数三者与地物类型之间的对应关系，确定各遥感图像每个像素点的地物类型。

在一实施例中，地物信息确定模块602，具体用于：

确定各遥感图像的每个像素点的归一化植被指数，基于归一化植被指数，确定各遥感图像的植被像素点和非植被像素点；

确定各遥感图像的每个非植被像素点的归一化水体指数，基于归一化水体指数，确定各遥感图像的水体像素点和非水体像素点；

确定各遥感图像的每个非水体像素点的归一化建筑指数，基于归一化建筑指数，确定各遥感图像的建筑像素点和非建筑像素点。

在一实施例中，上述农田内建筑物检测装置还包括映射关系表模块104，该预设关系表模块用于预先设置像素点的归一化植被指数、归一化水体指数和归一化建筑指数之一或三者组合，与像素点的地物类型之间的对应关系。

在一实施例中，地物信息确定模块602，具体用于：

基于所有遥感图像每个像素点的地物类型，按照预设划分规则，对各张遥感图像进行地块划分；其中，预设划分规则包括：同一地块的像素点的历史地物类型相同；

基于遥感图像的地块划分结果，确定各地块对应的历史地物类型。

在一实施例中，检测结果输出模块603，具体用于：

在目标农田的历史地物信息不包括建筑物的情况下，确定目标农田内没有建筑物；

在至少一个地块的历史地物信息包括建筑物，以及除建筑物以外的至少一种非建筑物类型，则基于地块的历史地物类型中建筑物的数量，确定目标农田内是否有建筑物；和/或，基于地块的所有历史地物类型的时序，确定目标农田内是否有建筑物。

本发明提供了一种农田内建筑物检测装置，先获取目标农田在预设历史时间段内的多张遥感图像，随后基于所述多张遥感图像，确定所述目标农田的历史地物信息，最后基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物，综合参考目标农田在不同时间的遥感图像，确定目标农田的地物类型，从而提升了目标农田内是否有建筑物判断的准确度。

关于农田内建筑物检测装置的具体限定可以参见上文中对于农田内建筑物检测方法的限定，在此不再赘述。上述农田内建筑物检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图7示出了本发明实施例提供的一种电子设备的结构示意图。本公开实施例提供的电子设备具体可以是服务器。电子设备可以执行前文实施例提供的素材展示方法。

需要说明的是，图7示出的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

该电子设备700传统上包括处理器710和以存储器720形式的计算机程序产品或者计算机可读介质。存储器720可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器720具有用于执行上述农田内建筑物检测方法中的任何方法步骤的可执行指令(或程序代码)7211的存储空间721。例如，用于可执行指令的存储空间721可以包括分别用于实现上面的农田内建筑物检测方法中的各种步骤的各个可执行指令7211。这些可执行指令可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，光盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为便携式或者固定存储单元。该存储单元可以具有与图4的电子设备700中的存储器720类似布置的存储段或者存储空间等。可执行指令可以例如以适当形式进行压缩。通常，存储单元包括用于执行根据本发明的农田内建筑物检测方法步骤的可执行指令，即可以由例如诸如处理器710之类的处理器读取的代码，这些代码当由电子设备700运行时，导致该电子设备700执行上面所描述的农田内建筑物检测方法中的各个步骤。

当然，为了简化，图4中仅示出了该电子设备700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、输入装置和输出装置等等的组件。除此之外，根据具体应用情况，电子设备700还可以包括任何其他适当的组件。

此外，本公开实施例还提供一种服务器，服务器用于执行前述实施例提供的本地素材创建方法。服务器的架构与前述电子设备的架构类似，此处不再复述。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本发明各实施例所提供的素材展示方法或者本地素材创建方法。

该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、装置或器件，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。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种农田内建筑物检测方法，其特征在于，所述方法包括：

获取目标农田在预设历史时间段内的多张遥感图像，其中，所述预设历史时间段包括所述目标农田的植被的多个物候期；

基于所述多张遥感图像，确定所述目标农田的历史地物信息；其中，所述历史地物信息包括：各张所述遥感图像中所述目标农田各地块分别对应的历史地物类型；

基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物。

2.如权利要求1所述的农田内建筑物检测方法，其特征在于，

所述基于所述多张遥感图像，确定所述目标农田的历史地物信息，包括：

确定各遥感图像每个像素点的地物类型；

基于所有所述遥感图像每个像素点的地物类型，确定所述目标农田的历史地物信息。

3.如权利要求2所述的农田内建筑物检测方法，其特征在于，

所述确定各遥感图像每个像素点的地物类型，包括：

确定各所述遥感图像每个像素点的归一化植被指数、归一化水体指数和归一化建筑指数；

基于预先设置的归一化植被指数、归一化水体指数和归一化建筑指数三者与地物类型之间的对应关系，确定所述像素点的地物类型。

4.如权利要求2所述的农田内建筑物检测方法，其特征在于，

所述确定各遥感图像每个像素点的地物类型，包括：

确定各所述遥感图像的每个像素点的归一化植被指数，基于所述归一化植被指数，确定各所述遥感图像的植被像素点和非植被像素点；

确定各所述遥感图像的每个所述非植被像素点的归一化水体指数，基于所述归一化水体指数，确定各所述遥感图像的水体像素点和非水体像素点；

确定各所述遥感图像的每个所述非水体像素点的归一化建筑指数，基于所述归一化建筑指数，确定各所述遥感图像的建筑像素点和非建筑像素点。

5.如权利要求3或4所述的农田内建筑物检测方法，其特征在于，所述方法还包括以下之一或组合：

预先设置像素点的归一化植被指数、归一化水体指数和归一化建筑指数之一或三者组合，与所述像素点的地物类型之间的对应关系。

6.如权利要求2所述的农田内建筑物检测方法，其特征在于，

所述基于所有所述遥感图像每个像素点的地物类型，确定所述目标农田的历史地物信息，包括：

基于所有所述遥感图像每个像素点的地物类型，按照预设划分规则，对各张所述遥感图像进行地块划分；其中，所述预设划分规则包括：同一所述地块的像素点的历史地物类型相同；

基于所述遥感图像的地块划分结果，确定各所述地块对应的历史地物类型。

7.如权利要求1所述的农田内建筑物检测方法，其特征在于，

所述基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物，包括：

在所述目标农田的历史地物信息不包括建筑物的情况下，确定所述目标农田内没有建筑物；

在至少一个所述地块的历史地物信息包括建筑物，以及除建筑物以外的至少一种非建筑物类型，则基于所述地块的历史地物类型中建筑物的数量，确定所述目标农田内是否有建筑物；和/或，基于所述地块的所有历史地物类型的时序，确定所述目标农田内是否有建筑物。

8.一种农田内建筑物检测装置，其特征在于，所述装置包括：

遥感数据获取模块，用于获取目标农田在预设历史时间段内的多张遥感图像，其中，所述预设历史时间段包括所述目标农田的植被的多个物候期；

地物信息确定模块，用于基于所述多张遥感图像，确定所述目标农田的历史地物信息；其中，所述历史地物信息包括：各张所述遥感图像中所述目标农田各地块分别对应的历史地物类型；

检测结果输出模块，用于基于所述目标农田的历史地物信息，确定所述目标农田内是否有建筑物。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有基于机可读指令，所述基于机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述农田内建筑物检测方法的步骤。

10.一种存储有基于机可读指令的存储介质，所述基于机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述农田内建筑物检测方法的步骤。