CN106355143A - 多源多时相高分遥感影像的制种玉米田识别方法及*** - Google Patents

Abstract

本发明提供一种多源多时相高分遥感影像的制种玉米田识别方法及***。该方法包括：S1：获取监测区玉米生长季多时相高分一号宽幅相机WFV影像及关键生育期的高分二号全色波段影像；S2：对获取的高分一号宽幅相机WFV影像进行预处理，获取玉米生长季的高分一号宽幅相机‑归一化差分植被指数WFV‑NDVI时序数据集及配准好的高分二号全色波段；S3：利用面向对象分类方法对玉米生长季的高分一号WFV‑NDVI时序数据集进行处理，根据作物间的物候特征差异，识别所述监测区的玉米田块；S4：以S3获取的玉米田块为基础，根据制种玉米田与大田玉米田的高分二号全色波段上的光谱与纹理信息差异，识别所述监测区的制种玉米田。本发明为制种玉米遥感监测提供准确、客观、经济的方法。

Description

多源多时相高分遥感影像的制种玉米田识别方法及***

技术领域

本发明涉及遥感影像处理技术领域，具体涉及一种多源多时相高分遥感影像的制种玉米田识别方法及***。

背景技术

本部分向读者介绍可能与本发明的各个方面相关的背景技术，相信能够向读者提供有用的背景信息，从而有助于读者更好地理解本发明的各个方面。因此，可以理解，本部分的说明是用于上述目的，而并非构成对现有技术的承认。

杂交制种是玉米、水稻等主要作物生产的重要环节，掌握主要农作物种子的制种面积与产量是平衡种子供需市场的基础。当前我国制种环节存在私繁滥造现象，且获取制种作物的分布，种植面积与产量通常采用行业统计或抽样调查，然后进行层层上报，不仅效率低，速度慢，时效性差，还存在虚报假报现象。我国的作物制种区域相对集中，而且往往是以县级行政区域作为面积和产量等信息监测和统计的基本单位，同时由于作物制种本身的特殊意义，其对制种作物的空间分布、面积、生长趋势，特别是当发生干旱、暴雨、霜冻等灾难时，作物的受灾程度、受灾区域等信息的快速、准确获取，意义重大，因此迫切需要一种能够快速有效获取制种作物的分布、面积与产量技术方法。

遥感技术可以实现全天候的、大范围的数据资料获取，并快速更新监测区数据。遥感技术有着快、准、定量监测等优势，非常适合应用于农业监测。因此，利用遥感技术，结合制种作物的种植方式、物候历特征，反映到遥感影像上的光谱、纹理结构、邻近关系等，以及时间序列及发展规律等影像物候信息，对制种作物进行长势监测和产量评估，是实现较小投入开展大范围制种地块信息快速、准确、客观监测，构建国家种子生产监测信息平台，增强市场监管和快速响应能力的前提。

农作物识别与一般土地覆被识别不同，一般土地覆被识别因不同地物，如植被与建筑，水体等光谱差异大而分类难度相对较小。不同农作物间因光谱差异小，且易出现异物同谱现象，即不同农作物在不同生育时期有着相似的光谱特征，以及同物异谱现象，即同种作物因区域特性、种植方式、管理水平不同导致光谱差异，增加了分类难度。为此，需利用高光谱、多时相来解决农作物识别问题。高光谱遥感影像获取难度大，大面积使用受限，多时相遥感影像不同作物间物候特征差异所表现出现的光谱差异识别农作物是一种行之有效的方法。

而制种作物识别与一般农作物识别又不同，制种作物与大田作物之间高度相似的物候特征导致两者之间光谱特征相近。因此利用多时相光谱去区分制种作物会产生一定的误分现象，导致单纯应用遥感影像获取的制种作物区不准确。

发明内容

本发明实施例提供一种多源多时相高分遥感影像的制种玉米田识别方法及***，用于解决现有的应用遥感影像制种玉米田与大田玉米田难以准确区分导致获取的制种玉米田不准确的问题。

本发明实施例提供了一种:多源多时相高分遥感影像的制种玉米田识别方法，包括:

S1：获取监测区玉米生长季多时相高分一号宽幅相机WFV影像及关键生育期的高分二号全色波段影像；

S2：对获取的高分一号宽幅相机WFV影像进行预处理，获取玉米生长季的高分一号宽幅相机-归一化差分植被指数WFV-NDVI时序数据集及配准好的高分二号全色波段；

S3：利用面向对象分类方法对玉米生长季的高分一号WFV-NDVI时序数据集进行处理，根据作物间的物候特征差异，识别所述监测区的玉米田块；

S4：以S3获取的玉米田块为基础，根据制种玉米田与大田玉米田的高分二号全色波段上的光谱与纹理信息差异，识别所述监测区的制种玉米田；

其中，所述关键生育期指玉米抽穗期间母本去雄后时期。

可选地，S2包括:

对获取高分一号宽幅相机WFV影像进行辐射校正、正射校正、计算每期高分一号WFV影像的归一化差分植被指数NDVI，对玉米生长季获取的所有NDVI波段进行合成，获取WFV-NDVI时序数据集。

可选地，所述计算每期高分一号WFV影像的归一化差分植被指数NDVI，包括：根据下式计算归一化差分植被指数NDVI，

$NDVI=\frac{{\mathrm{\ρ}}_{nir}-{\mathrm{\ρ}}_{red}}{{\mathrm{\ρ}}_{nir}+{\mathrm{\ρ}}_{red}}$

其中，NDVI表示归一化差分植被指数，ρ_nir表示高分一号WFV影像的近红外波段的反射率，ρ_red表示红波段的反射率。

可选地，获取配准好的高分二号全色波段包括:

将所述高分一号宽幅相机WFV影像与所述高分二号全色波段影像中的同名点进行匹配，获取配准好的高分二号全色波段。

可选地，S3包括:

以多尺度分割算法对所述高分一号WFV-NDVI时序数据集进行影像分割，获取田块图斑；

导入不同地类的训练样本，获取不同作物的NDVI时序曲线，对不同作物NDVI时序曲线进行分析，确定分类体系，利用阈值法进行玉米田块识别；

其中，每个田块图斑的属性为多时相的NDVI值。

可选地，S4包括:

以S3获取的玉米田块为专题图层，采用多尺度分割算法对高分二号全色波段进行分割，获取玉米田块；

获取高分二号全色波段分割后的玉米田块的光谱与纹理特征差异，根据阈值法识别所述监测区的制种玉米田。

可选地，所述获取对高分二号全色波段进行分割后的玉米田块的光谱与纹理特征差异包括:

采用灰度共生矩阵获取对高分二号全色波段进行分割后的每个玉面田块的纹理信息。

本发明实施例提供一种多源多时相高分遥感影像的制种玉米田识别***，包括：

影像获取单元，用于获取监测区玉米生长季多时相高分一号宽幅相机WFV影像及关键生育期的高分二号全色波段影像；

时序数据集获取单元，用于对获取的高分一号宽幅相机WFV影像进行预处理，获取玉米生长季的高分一号宽幅相机-归一化差值植被指数WFV-NDVI时序数据集及配准好的高分二号全色波段；

玉米田块识别单元，用于利用面向对象分类方法对玉米生育期的高分一号WFV-NDVI时序数据集进行处理，根据作物间的物候特征差异，识别所述监测区的玉米田块；

制种玉米田识别单元，以S3获取的玉米田块为基础，根据制种玉米田与大田玉米田的高分二号全色波段上的光谱与纹理信息差异，识别所述监测区的制种玉米田；

其中，所述关键生育期指玉米抽穗期后，母本去雄后时期。

可选地，所述时序数据集获取单元进一步用于：

对获取高分一号宽幅相机WFV影像进行辐射校正、正射校正、计算每期高分一号WFV影像的归一化差值植被指数NDVI，对玉米生长季获取的所有NDVI波段进行合成，获取WFV-NDVI时序数据集。

可选地，所述玉米田块识别单元进一步用于：

以多尺度分割算法对所述高分一号WFV-NDVI时序数据集进行影像分割，获取田块图斑；

导入不同地类的训练样本，获取不同作物的NDVI时序曲线，对不同作物NDVI时序曲线进行分析，确定分类体系，利用阈值法进行玉米田块识别；

其中，每个田块图斑的属性为多时相的NDVI值。

本发明实施例提供的多源多时相高分遥感影像的制种玉米田识别方法及***，基于面向对象多时相影像识别方法利用玉米关键物候时期的光谱信息变化信息提取玉米田块，克服了基于像素分类的分类结果破碎化问题，并为进一步制种玉米识别提供田块级别数据。针对制种玉米抽穗期间母本去雄后与大田玉米在高分二号遥感影像上的光谱和纹理差异，进行最终制种玉米田提取。本发明实施例在样本、多时相、高空间分辨率遥感影像支持下，可为制种玉米遥感监测提供准确、客观、经济的方法。

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是本发明一个实施例的多源多时相高分遥感影像的制种玉米田识别方法的流程示意图；

图2是本发明一个实施例的多源多时相高分遥感影像的制种玉米田识别方法的技术路线图；

图3是本发明一个实施例的NDVI曲线与玉米物候期的对应关系；

图4是本发明一个实施例的多源多时相高分遥感影像的制种玉米田识别***的结构示意图。

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、完整的描述，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，本领域普通技术人员在没有作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。

图1是本发明一个实施例的多源多时相高分遥感影像的制种玉米田识别方法的流程示意图。如图1所示，该实施例的方法包括：

S1：获取监测区玉米生长季多时相高分一号宽幅相机WFV影像及关键生育期的高分二号全色波段影像；

在实际应用中，数据源的选择以内容、目标及经济因素等为选取原则，基于遥感的多时相农作物识别首先要求影像的时间分辨率不能太低，而对制种玉米的识别则对影像的空间分辨率要求高。本发明实施例选用国产高分一号卫星搭载的宽幅相机WFV获取的多光谱影像，时间分辨率为4天，多光谱空间分辨率为16m。选用关键生育期下的国产高分二号卫星获取的全色波段影像，全色波段空间分辨率为1m。

S2：对获取的高分一号宽幅相机WFV影像进行预处理，获取玉米生长季的高分一号宽幅相机-归一化差值植被指数WFV-NDVI时序数据集及配准好的高分二号全色波段；

S3：利用面向对象分类方法对玉米生长季的高分一号WFV-NDVI时序数据集进行处理，根据作物间的物候特征差异，识别所述监测区的玉米田块；

S4：以S3获取的玉米田块为基础，根据制种玉米田与大田玉米田的高分二号全色波段上的光谱与纹理特征差异，识别所述监测区的制种玉米田；

其中，所述关键生育期指玉米抽穗期间母本去雄后时期。

本发明实施例的多源多时相高分遥感影像的制种玉米田识别方法，基于面向对象多时相影像识别方法利用玉米关键物候时期的光谱信息变化信息提取玉米田块，克服了基于像素分类的分类结果破碎化问题，并为进一步制种玉米识别提供田块级别数据。针对制种玉米抽穗期间母本去雄后与大田玉米在高分二号遥感影像上的光谱和纹理差异，进行最终制种玉米田提取。本发明实施例在样本、多时相、高空间分辨率遥感影像支持下，可为制种玉米遥感监测提供准确、客观、经济的方法。

图2是本发明一个实施例的多源多时相高分遥感影像的制种玉米田识别方法的技术路线图。如图2所示，S2包括:

对获取高分一号宽幅相机WFV影像进行辐射校正、正射校正、计算每期高分一号WFV影像的归一化差分植被指数NDVI，对玉米生长季获取的所有NDVI波段进行合成，获取WFV-NDVI时序数据集。

需要说明的是，辐射校正采用基于MODTRAN的辐射传输模型，正射校正采用有理函数模型。

可选地，所述计算每期高分一号WFV影像的归一化差分植被指数NDVI，包括：根据下式计算归一化差值植被指数NDVI，

$NDVI=\frac{{\mathrm{\ρ}}_{nir}-{\mathrm{\ρ}}_{red}}{{\mathrm{\ρ}}_{nir}+{\mathrm{\ρ}}_{red}}$

其中，NDVI表示归一化差值植被指数，ρ_nir表示高分一号WFV影像的近红外波段的反射率，ρ_red表示红波段的反射率。

对所有生育期高分一号WFV影像计算出的NDVI进行合成，得到包含n个波段的高分一号WFV-NDVI时序数据集。该影像集将作为提取玉米的数据源，影像的第1到n个波段即代表第1个时相到第n个时相，每个像元独特的“光谱曲线”则相当于该像元的生长季NDVI时序曲线。作物的NDVI时序曲线与作物相对应的物候变化一致。

可选地，获取配准好的高分二号全色波段包括:

将所述高分一号宽幅相机WFV影像与所述高分二号全色波段影像中的同名点进行匹配，获取配准好的高分二号全色波段。

可选地，S3包括:

以多尺度分割算法对所述高分一号WFV-NDVI时序数据集进行影像分割，获取田块图斑；

导入不同地类的训练样本，获取不同作物的NDVI时序曲线，对不同作物NDVI时序曲线进行分析，确定分类体系，利用阈值法对多个田块图斑进行玉米田块识别；

其中，每个田块图斑的属性为多时相的NDVI值。

对高分一号WFV-NDVI时序数据集选取适宜的尺度进行对象分割。本发明实施例选择多尺度分割算法对WFV-NDVI时序数据集进行影像分割获取对象。尺度选择采用多次实验确定，分割结束后获得所有对象的边界信息。

本发明实施例的分类体系首先将植被与非植被设为第一层分类体系，其中非植被包括城镇用地、农村居民点、裸地等。其次，第二层的分类体系设为小麦，玉米，其他作物。

对获取的多个田块图斑选取不同地类的训练样本。训练样本是作物NDVI时序曲线分析的基础，训练样本可从两个方面采集，一方面可根据外业调查数据获取；另一方面以高分辨率遥感影像为基础进行目视判读获取。

根据不同类的训练样本，可得到不同地类的NDVI时序曲线。物候是指随着气候变化，植被自然而然发生的周期性规律性生理现象，包括作物的播种、发芽、成熟、衰老等，植被物候变化反映了植被对环境(气候、水文、土壤)等因子年内和年际变化的响应。植被所属物候期不同，叶面积指数不同，植被覆盖度不同，这种物候导致的植被覆盖差异可以从NDVI值反映出来。如图3，玉米生长季NDVI曲线所示，在作物播种期，作物叶片未长出，NDVI值低，基本与裸地相近；随着作物的生长，当作物开始发芽长出叶片后，叶绿素开始对红波段进行吸收，而对近红外开始强反射，NDVI值随之增加；当作物逐渐发育至抽穗期后，不仅叶片数达到最大值此时叶绿素也达到峰值，NDVI值随着也达到峰值，但实际应用中，因为受土壤及大气影响，NDVI一般不会超过0.8；当作物进入成熟期后，叶片逐渐变黄，叶孔关闭，植被的叶绿素逐渐减少，导致NDVI值逐渐减小；作物收获后，NDVI值降至最低，NDVI值与裸地相近。因此时序NDVI曲线的动态变化过程非常直观的反映了作物生长状态。对于不同的农作物类型，甚至是同一种作物类型，因其物候不同或受周边环境影响或生长发育情况不均也会导致NDVI时序曲线差异，这为多时相农作物识别提供了依据。因此，通过对农作物NDVI时间曲线的分析，可以发现作物的生长状况差异，获取不同作物的特征为作物分类打下基础。

结合作物物候期对NDVI时序曲线与各地类的物候特征对于关系进行分析，可知：

(1)非植被地类中包括农村居名点、城镇用地及裸地，原则上，非植被地类NDVI时序曲线应该平缓，但由于居名点附近蔬菜等种植，非植被地类NDVI时序曲线有稍微起伏变化，但总体变化趋势相对于植被非常小，且NDVI值普遍较植被低。

(2)冬小麦3月返青，4月下旬至5月初拔节，5月中下旬抽穗，抽穗期前，NDVI一直增长，此后由于叶子变黄，NDVI值也随着降低。春小麦尽管物候和冬小麦不同，但是在5月底NDVI值也明显高于其他作物。因此将冬小麦与春小麦合并成小麦进行提取。小麦特有的物候表现，使得小麦具有独特的NDVI时序曲线，与其他作物区分。

(3)西瓜、葫芦、甜菜、番茄、向日葵等作物都是4月中旬到五月初种植，7月底到8月底收获，收获期延续的时长则稍有不同。因此他们有着相近的NDVI时序曲线，表现出非常典型的植被季节性特征。

(4)制种玉米收获时间为9月15日到10月5日，大田玉米收获时间为9月10日到9月30日，较其他作物收获时间较晚，因此在9月10日，NDVI值相对其他作物保持在一个较高的水平。

(5)对于制种玉米与大田玉米，由于大田玉米播期较制种玉米提前一个星期，因此在抽穗期之前，NDVI值一直比制种玉米大，但是这种差距非常微弱。玉米抽穗后，由于制种玉米需要母本去雄，将黄色雄穗去除后，制种玉米NDVI值反超大田玉米。

根据上述NDVI时序曲线的分析以及分析本文分类体系，确定首先在第一层对象中，识别出非植被，一般可根据6，7月份NDVI值差异识别非植被。其次根据小麦独特的NDVI时序曲线，确定5月中下旬小麦处于抽穗期，NDVI远高与其他作物识别小麦。接下来，根据玉米收获期较其他作物晚的特点，确定9月中下旬的NDVI值大于某一阈值为玉米，剩下的为其他农作物。

分类规则集获取后，可通过不同的分类算法获取分类信息。本实施例采用基于知识规则的决策树逻辑的分类方法，该方法的关键是特征阈值的判断，影像分类则通过知识规则的建立逐级展开。经过面向对象分类后，可获取玉米田块。

本发明实施例选取混淆矩阵(Confusion Matrix)进行田块图斑的分类结果的评价；其中，测试样本的选择原则如训练样本。当分类结果的准确度大于预设阈值(如90％)时，则进行下一步制种玉米田的识别。

可选地，S4包括:

以S3获取的玉米田块为专题图层，采用多尺度分割算法对高分二号全色波段进行分割，获取玉米田块；

获取对高分二号全色波段进行分割后的每个玉面田块的光谱与纹理特征差异，根据阈值法识别所述监测区的制种玉米田。

可选地，所述获取对高分二号全色波段进行分割后的每个玉面田块的光谱与纹理特征差异包括:

采用灰度共生矩阵获取对高分二号全色波段进行分割后的每个玉面田块的纹理信息。

具体地，本发明实施例构建每个对象的特征集描述，对象的特征集描述主要包括光谱特征、纹理特征。其中对象的光谱特征是指该对象在某一波段上所有像素的均值。对象的纹理特征的计算采用面向对象的灰度共生矩阵(GLCM)计算，在计算面向对象的GLCM时，基准窗口是对象本身，窗口的大小即对象的大小。本发明实施例面向对象灰度共生矩阵(GLCM)计算采用的是先统计对象内所有灰度级别，然后基于这些灰度级别再进行GLCM的计算。

本发明实施例应用纹理的主要目的是描述制种玉米、大田玉米田块之间的差异性，考虑得就是制种玉米父本行的缺失引起的局部灰度的反射差异。

本实施例利用灰度共生矩阵，计算纹理对比度特征，公式如下：

其中，quant_k表示变化检测影像灰度压缩的等级，即灰度共生矩阵的维数，p(i,j)表示灰度共生矩阵中元素的值，也就是概率值。

基于对制种玉米田块与大田玉米田块的光谱及纹理特征差异分析，通过预实验获取分类阈值，最终识别制种玉米田块。

图4是本发明一个实施例的多源多时相高分遥感影像的制种玉米田识别***的结构示意图。如图4所示，本发明实施例的多源多时相高分遥感影像的制种玉米田识别***包括影像获取单元41、时序数据集获取单元42、玉米田块识别单元43和制种玉米田识别单元44：

影像获取单元41，用于获取监测区玉米生长季多时相高分一号宽幅相机WFV影像及关键生育期的高分二号全色波段影像；

时序数据集获取单元42，用于对获取的高分一号宽幅相机WFV影像进行预处理，获取玉米生长季的高分一号宽幅相机-归一化差值植被指数WFV-NDVI时序数据集及配准好的高分二号全色波段；

玉米田块识别单元43，用于利用面向对象分类方法对玉米生育期的高分一号WFV-NDVI时序数据集进行处理，根据作物间的物候特征差异，识别所述监测区的玉米田块；

制种玉米田识别单元44，以S3获取的玉米田块为基础，根据制种玉米田与大田玉米田的高分二号全色波段上的光谱与纹理信息差异，识别所述监测区的制种玉米田；

其中，所述关键生育期指玉米抽穗期间母本去雄后时期。

时序数据集获取单元42进一步用于：

对获取高分一号宽幅相机WFV影像进行辐射校正、正射校正、计算每期高分一号WFV影像的归一化差分植被指数NDVI，对玉米生长季获取的所有NDVI波段进行合成，获取WFV-NDVI时序数据集。

玉米田块识别单元43进一步用于：

以多尺度分割算法对所述高分一号WFV-NDVI时序数据集进行影像分割，获取田块图斑；

导入不同地类的训练样本，获取不同作物的NDVI时序曲线，对不同作物NDVI时序曲线进行分析，确定分类体系，利用阈值法进行玉米田块识别；

其中，每个田块图斑的属性为多时相的NDVI值。

本发明实施例的多源多时相高分遥感影像的制种玉米田识别***可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。

本发明实施例提供的多源多时相高分遥感影像的制种玉米田识别方法及***，基于面向对象多时相影像识别方法利用玉米关键物候时期的光谱信息变化信息提取玉米田块，克服了基于像素分类的分类结果破碎化问题，并为进一步制种玉米识别提供田块级别数据。针对制种玉米抽穗期间母本去雄后与大田玉米在高分二号遥感影像上的光谱和纹理差异，进行最终制种玉米田提取。本发明实施例在样本、多时相、高空间分辨率遥感影像支持下，可为制种玉米遥感监测提供准确、客观、经济的方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

需要说明的是术语“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。

本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种多源多时相高分遥感影像的制种玉米田识别方法，其特征在于，包括:

S1：获取监测区玉米生长季多时相高分一号宽幅相机WFV影像及关键生育期的高分二号全色波段影像；

S2：对获取的高分一号宽幅相机WFV影像进行预处理，获取玉米生长季的高分一号宽幅相机-归一化差分植被指数WFV-NDVI时序数据集及配准好的高分二号全色波段；

S3：利用面向对象分类方法对玉米生长季的高分一号WFV-NDVI时序数据集进行处理，根据作物间的物候特征差异，识别所述监测区的玉米田块；

S4：以S3获取的玉米田块为基础，根据制种玉米田与大田玉米田的高分二号全色波段上的光谱与纹理信息差异，识别所述监测区的制种玉米田；

其中，所述关键生育期指玉米抽穗期后，母本去雄后时期。

2.根据权利要求1所述的多源多时相高分遥感影像的制种玉米田识别方法，其特征在于，S2包括:

对获取高分一号宽幅相机WFV影像进行辐射校正、正射校正、计算每期高分一号WFV影像的归一化差分植被指数NDVI，对玉米生长季获取的所有NDVI波段进行合成，获取WFV-NDVI时序数据集。

3.根据权利要求2所述的多源多时相高分遥感影像的制种玉米田识别方法，其特征在于，所述计算每期高分一号WFV影像的归一化差分植被指数NDVI，包括：根据下式计算归一化差分植被指数NDVI，

$NDVI=\frac{{\mathrm{\ρ}}_{nir}-{\mathrm{\ρ}}_{red}}{{\mathrm{\ρ}}_{nir}+{\mathrm{\ρ}}_{red}}$

其中，NDVI表示归一化差分植被指数，ρ_nir表示高分一号WFV影像的近红外波段的反射率，ρ_red表示红波段的反射率。

4.根据权利要求1所述的多源多时相高分遥感影像的制种玉米田识别方法，其特征在于，获取配准好的高分二号全色波段包括:

将所述高分一号宽幅相机WFV影像与所述高分二号全色波段影像中的同名点进行匹配，获取配准好的高分二号全色波段影像。

5.根据权利要求1所述的多源多时相高分遥感影像的制种玉米田识别方法，其特征在于，S3包括:

以多尺度分割算法对所述高分一号WFV-NDVI时序数据集进行影像分割，获取田块图斑；

导入不同地类的训练样本，获取不同作物的NDVI时序曲线，对不同作物NDVI时序曲线进行分析，确定分类体系，利用阈值法进行玉米田块识别；

其中，每个田块图斑的属性为多时相的NDVI值。

6.根据权利要求1所述的多源多时相高分遥感影像的制种玉米田识别方法，其特征在于，S4包括:

以S3获取的玉米田块为专题图层，采用多尺度分割算法对高分二号全色波段进行分割，获取多个玉米田块；

获取对高分二号全色波段进行分割后的每个玉米田块的光谱与纹理特征差异，根据阈值法识别所述监测区的制种玉米田。

7.根据权利要求6所述的多源多时相高分遥感影像的制种玉米田识别方法，其特征在于，所述获取对高分二号全色波段进行分割后的每个玉米田块的光谱与纹理信息差异包括:

采用灰度共生矩阵获取高分二号全色波段分割后的玉米田块的纹理信息。

8.一种多源多时相高分遥感影像的制种玉米田识别***，其特征在于，包括：

影像获取单元，用于获取监测区玉米生长季多时相高分一号宽幅相机WFV影像及关键生育期的高分二号全色波段影像；

时序数据集获取单元，用于对获取的高分一号宽幅相机WFV影像进行预处理，获取玉米生长季的高分一号宽幅相机-归一化差值植被指数WFV-NDVI时序数据集及配准好的高分二号全色波段；

玉米田块识别单元，用于利用面向对象分类方法对玉米生长季的高分一号WFV-NDVI时序数据集进行处理，根据作物间的物候特征差异，识别所述监测区的玉米田块；

制种玉米田识别单元，以S3获取的玉米田块为基础，根据制种玉米田与大田玉米田的高分二号全色波段上的光谱与纹理信息差异，识别所述监测区的制种玉米田；

其中，所述关键生育期指玉米抽穗期间母本去雄后时期。

9.根据权利要求8所述的多源多时相高分遥感影像的制种玉米田识别***，其特征在于，所述时序数据集获取单元进一步用于：

对获取高分一号宽幅相机WFV影像进行辐射校正、正射校正、计算每期高分一号WFV影像的归一化差值植被指数NDVI，对玉米生长季获取的所有NDVI波段进行合成，获取WFV-NDVI时序数据集。

10.根据权利要求8所述的多源多时相高分遥感影像的制种玉米田识别***，其特征在于，所述玉米田块识别单元进一步用于：

以多尺度分割算法对所述高分一号WFV-NDVI时序数据集进行影像分割，获取多个田块图斑；

导入不同地类的训练样本，获取不同作物的NDVI时序曲线，对不同作物NDVI时序曲线进行分析，确定分类体系确定，利用阈值法进行玉米田块识别；

其中，每个田块图斑的属性为多时相的NDVI值。