CN106446875A - 面向县域遥感尺度的农作物种植面积信息提取方法及装置 - Google Patents
面向县域遥感尺度的农作物种植面积信息提取方法及装置 Download PDFInfo
- Publication number
- CN106446875A CN106446875A CN201611006469.1A CN201611006469A CN106446875A CN 106446875 A CN106446875 A CN 106446875A CN 201611006469 A CN201611006469 A CN 201611006469A CN 106446875 A CN106446875 A CN 106446875A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- factor
- image
- scale
- crop
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000007635 classification algorithm Methods 0.000 claims description 13
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 235000007164 Oryza sativa Nutrition 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 210000000582 semen Anatomy 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 241000209094 Oryza Species 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000009313 farming Methods 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向县域遥感尺度的农作物种植面积信息提取方法及装置,该方法包括步骤:准备经正射校正处理后的正射影像图;根据地物纹理、形状特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性;选择具有典型代表的地块作为样本对象;建立隶属度函数,至少包括植被指数特征函数、纹理特征函数、形状特征函数;规则分类预览;农作物种植面积信息提取;保存分类结果。本发明能够提高农作物信息提取的精度和效率。
Description
技术领域
本发明定量遥感影像信息提取领域,具体涉及一种面向县域遥感尺度的农作物种植面积信息提取方法及装置。
背景技术
粮食安全是人类21世纪面临的主要挑战。全球人口到2050年将突破90亿,如何确保90亿人口的粮食供给,农业在未来40年面临着前所未有的压力。
县域作为国家***农作物统计最基准的统计单元,精准的掌握粮食作物的数量,尤其是其空间位置分布信息,是关系到国家粮食安全,可为农业生产、产量估算、粮食价格预测和国家粮食生产布局及规划提供科学重要依据。
县域遥感尺度的农作物种植面积信息提取,目前多基于高空间分辨率卫星影像(GF、SPOT、QuickBird、WorldView等)进行提取,常用分类算法包括监督分类(最大似然法、神经网络、支持向量机、决策树)、面向对象分类等,多数情况基于单一时相对地物类别进行识别分析。对比分析两大类分类算法,基于像元的监督分类算法,分类结果容易产生“椒盐”效应;而基于地块尺度的面向对象分类在很大程度上可以消除“椒盐”效应,但受单一影像的光谱信息不丰富的影响,很难同时将不同作物类型区分开。因此,如何快速、准确的识别出县域遥感尺度的农作物种植面积信息成为遥感分类技术的难点。
发明内容
技术问题是如何提高县域遥感尺度农作物种植面积提取的精度。
有鉴于此,本发明实施例提供一种面向县域遥感尺度的农作物种植面积信息提取方法及装置用于解决技术问题。
问题的解决方案
本发明提供了一种面向县域遥感尺度的农作物种植面积信息提取方法,包括步骤:
准备经正射校正处理后的正射影像图;
根据地物纹理、形状特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性;
选择具有典型代表的地块作为样本对象;
建立隶属度函数,至少包括植被指数特征函数、纹理特征函数、形状特征函数;
规则分类预览;
农作物种植面积信息提取;
保存分类结果。
进一步的,所述正射影像图包括第一影像时相图、第二影像时相图和第三影像时相图;
所述农作物种植面积信息提取方法循环针对第一影像时相图、第二影像时相图和第三影像时相图进行农作物种植面积信息提取,具体包括如下步骤:
第一次输入第一影像时相图,基于面向对象分类算法,进行耕地信息提取,与非耕地信息区分开来;
第二次输入第二影像时相图,结合耕地信息提取结果,基于面向对象分类算法,基于光谱特征、纹理特征及形状特征,进行旱地信息提取,耕地层分为水稻田和旱地;
第三次输入第三影像时相图,结合旱地信息提取结果,基于第三影像时相图不同作物的光谱特征及植被指数差异,将旱地信息至少细化为第一旱地作物和第二旱地作物。即以面向对象分类算法、从基于光谱特征、纹理特征及形状特征、不同作物的光谱特征及植被指数差异等方面对遥感影像数据进行处理,更快速而准确的识别出县域遥感尺度的农作物种植面积信息。
进一步的,合并所有的提取结果,获得精确的农作物和地物类型信息,分类结果为,农作物包括水稻、玉米和大豆,地物类型包括水体、建筑、裸地、林地及道路。
进一步的,所述选择最佳的分割尺度进行尺度分割的步骤包括过程:
分割尺度参数设置:
将一幅M×N阵列的数字图像划分为若干个互不相交叠区域;
运用多尺度分割算法以生成高度同质性(或异质性最小)的影像分割区域,从而适于最佳分离和表示地物目标;
分割设置的主要参数至少包括最大尺度数、分割的尺度间隔、最大尺度、颜色、平滑度、无效值设置;
对分割效果进行检查,若效果未能达到预设的标准,则重复尺寸分割的步骤。多尺度分割是对影像对象提取的一个专利技术;多尺度影像分割采用异质性最小的区域合并算法;
对分割效果进行检查,可以减少后续步骤中误差的偏差扩大化,具体的,若此处存在误差,那么在经过建立隶属度函数等步骤处理后,误差将扩大化,继而导致信息提取结果存在较大偏差。
进一步的,所述建立隶属度函数的步骤包括过程:
提供亮度因子、均值因子、方差因子;
提供面积特征因子、边界指数特征因子、边界长度特征因子、紧致度特征因子、长特征因子、宽特征因子、长宽比特征因子和形状指数特征因子;
提供相邻关系因子、邻接关系因子、父子关系因子;
提供纹理因子;支持辅助数据;
自定义编辑公式形成特征因子。用于面向对象分类的对象特征包括:光谱特征、形状特征、纹理特征。执行完多尺度分割生成影像对象同质图后,特征列表和对象特征值列表即被激活。特征列表是一个非常强大的工具,用来发现区分不同影像对象类的特征;
所述规则分类预览的步骤中包括过程:检验分类效果,若效果未能达到预设的标准,则返回建立隶属度函数的步骤。其中,检查分割结果中,对分割后的影像进行检查,是为了保证影像分割生成的多边形对象内部的同质性和相邻多边形对象的异质性适宜程度。其中,规则分类预览的效果检验可以使用目视检验,也可以使用其他方法;而进行分类效果检验,过关才能继续下一步骤,可以提高信息提取的精度。
进一步的,所述保存分类结果中,结果类型包括矢量和栅格两种格式。
本发明还提供了一种使用了本发明任一公开的农作物种植面积信息提取方法的面向县域遥感尺度的农作物种植面积信息提取装置,包括:
正射模块,用于准备正射校正处理后的正射影像图;
尺度分割模块,用于根据地物纹理、形状特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性;
样本选取模块,用于选择具有典型代表的地块作为样本对象;
隶属度函数建立模块,用于建立隶属度函数,至少包括植被指数特征函数、纹理特征函数、形状特征函数;
分类预览模块,用于规则分类预览;
信息提取模块,用于农作物种植面积信息提取;
存储模块,用于保存分类结果。
本发明的有益效果:
采用上述技术方案,本发明/发明至少可取得下述技术效果:
本发明由于根据地物纹理、形状特征等进行了尺度分割,故而能够确保同一地块高度同质性(或异质性最小),并且依据隶属度函数进行了分类,提高了地物识别精度;如此,本发明即具备了面向对象分类算法在处理高分影像中的优势,并同时因为正射影像具备多时相而具备了多时相影像丰富的光谱信息优势,极大的提高了县域遥感尺度农作物种植面积信息提取精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,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,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是面向县域遥感尺度的农作物种植面积信息提取方法的流程图;
图2是多时相地物分类流程图;图3是与邻域反差图;
图4是边界指数图;
图5是边界长度图;
图6是形状指数图;
图7是图像灰度共生矩阵图;
图8是面向县域遥感尺度的农作物种植面积信息提取装置的示意图。
贯穿附图,应该注意的是,相似的标号用于描绘相同或相似的元件、特征和结构。
具体实施方式
提供以下参照附图的描述来帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。以下描述包括帮助理解的各种具体细节,但是这些细节将被视为仅是示例性的。因此,本领域普通技术人员将认识到,在不脱离本公开的范围和精神的情况下,可对本文所述的各种实施例进行各种改变和修改。另外,为了清晰和简洁,公知功能和构造的描述可被省略。
以下描述和权利要求书中所使用的术语和词汇不限于文献含义,而是仅由发明人用来使本公开能够被清晰和一致地理解。因此,对于本领域技术人员而言应该明显的是,提供以下对本公开的各种实施例的描述仅是为了示例性目的,而非限制由所附权利要求及其等同物限定的本公开的目的。
应该理解,除非上下文明确另外指示,否则单数形式也包括复数指代。因此,例如,对“组件表面”的引用包括对一个或更多个这样的表面的引用。
图1是本实施例一种面向县域遥感尺度的农作物种植面积信息提取方法的流程图。参考图1,一种面向县域遥感尺度的农作物种植面积信息提取方法的示意图:该方法,包括步骤:
S1:准备经正射校正处理后的正射影像图;
S2:根据地物纹理、形状特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性;
S3:选择具有典型代表的地块作为样本对象;
S4:建立隶属度函数,至少包括植被指数特征函数、纹理特征函数、形状特征函数;
S5:规则分类预览;
S6:农作物种植面积信息提取;
S7:保存分类结果。
采用上述技术方案,本发明/发明至少可取得下述技术效果:
本发明由于根据地物纹理、形状特征等进行了尺度分割,故而能够确保同一地块高度同质性(或异质性最小),并且依据隶属度函数进行了分类,提高了地物识别精度;如此,本发明即具备了面向对象分类算法在处理高分影像中的优势,并同时因为正射影像具备多时相而具备了多时相影像丰富的光谱信息优势,极大的提高了县域遥感尺度农作物种植面积信息提取精度。
其中,正射影像图可以分为第一影像时相图、第二影像时相图和第三影像时相图。
图2是多时相地物分类流程图,参考图2可知,本实施例优选的,正射影像图包括第一影像时相图、第二影像时相图和第三影像时相图;
农作物种植面积信息提取方法循环针对第一影像时相图、第二影像时相图和第三影像时相图进行农作物种植面积信息提取,具体包括如下步骤:
第一次输入第一影像时相图,基于面向对象分类算法,进行耕地信息提取,与非耕地信息区分开来;
第二次输入第二影像时相图,结合耕地信息提取结果,基于面向对象分类算法,基于光谱特征、纹理特征及形状特征,进行旱地信息提取,耕地层分为水稻田和旱地;
第三次输入第三影像时相图,结合旱地信息提取结果,基于第三影像时相图不同作物的光谱特征及植被指数差异,将旱地信息至少细化为第一旱地作物和第二旱地作物。即,重复步骤S1-S7,以面向对象分类算法、从基于光谱特征、纹理特征及形状特征、不同作物的光谱特征及植被指数差异等方面对遥感影像数据进行处理,更快速而准确的识别出县域遥感尺度的农作物种植面积信息。
本实施例优选的,合并所有的提取结果,获得精确的农作物和地物类型信息,分类结果为,农作物包括水稻、玉米和大豆,地物类型包括水体、建筑、裸地、林地及道路。。获得精确的农作物和地物类型信息。其中,时相1即第一影像时相图,依次类推;其中,旱地作物1即第一旱地作物,依次类推。
本实施例优选的,选择最佳的分割尺度进行尺度分割的步骤包括过程:
分割尺度参数设置:
将一幅M×N阵列的数字图像划分为若干个互不相交叠区域;
运用多尺度分割算法以生成高度同质性(或异质性最小)的影像分割区域,从而适于最佳分离和表示地物目标;
分割设置的主要参数至少包括最大尺度数、分割的尺度间隔、最大尺度、颜色、平滑度、无效值设置;
对分割效果进行检查,若效果未能达到预设的标准,则重复尺寸分割的步骤。影像分割区域即影像对象,多尺度分割是对影像对象提取的一个专利技术;多尺度影像分割采用异质性最小的区域合并算法。对分割效果进行检查,可以减少后续步骤中误差的偏差扩大化,具体的,若此处存在误差,那么在经过建立隶属度函数等步骤处理后,误差将扩大化,继而导致信息提取结果存在较大偏差。
多尺度分割是对影像对象提取的一个专利技术。它可以以不同尺度、高质量的提取影像对象(粗和细的级别)。这种技术适合具有纹理信息的影像,例如SAR、高分辨率卫星影像或者航空数据。它适合于根据特定的任务从影像数据中提取有意义的原始数据对象。多尺度分割是从一个像素的对象开始进行一个自下而上的区域合并技术,小的影像对象可以合并到稍大的对象中去。
多尺度影像分割采用异质性最小的区域合并算法,影像分割中像元的合并开始于影像中任意一个像元,先将单个像元合并为较小的影像对象,再将较小的影像对象合并成较大的多边形对象,分割过程中多边形对象不断增长的异质性最小。他是一个从下到上、逐级合并的过程。
区域合并方法的基本思想是将具有相似性质的集合起来构成区域多边形,先对每个需要分割的区域找一个种子像元作为生长的起点,然后将种子像元周围邻域中与种子像元有相同或相似性质的像元合并到种子像元所在的区域中,将这些新的像元当作新的种子像元继续进行上面的过程,直到没有满足条件的像元,这样一个区域就生成了。为了保证影像分割生成的多边形对象内部的同质性和相邻多边形对象的异质性适宜程度,在区域合并的分割过程中需要考虑两个标准:设置类似像元合并的准则与确定停止像元合并的条件,这两个条件在分割过程中控制像元的归属,因此标准设置的合理与否直接影响分割后影响对象的有效性。
区域合并算法的目的是实现分割后影像对象的权重异质性最小化,仅仅考虑光谱异质性最小会导致分割后影像对象的多边形边界比较破碎,因此,常常把光谱异质性标准和空间异质性标准配合使用。在分割前需要确定影响异质性和紧密度异质性。只有保证光谱异质性,光滑度异质性、紧密度异质性最小,才能使整幅影像所有对象的平均异质性最小。
任何一个影像对象的异质性f是由四个变量计算而得到的:wcolor(光谱信息因子)wshape(形状信息因子)hcolor(光谱异质性)hshape(形状异质性),且wcolor+wshape=1。下之中w是光谱信息因子,取值范围为:0-1。
f=w·hcolor+(1-w)hshape(0.1);
光谱异质性hcolor不仅与组成对象的像元数目有关,还取决于各个波段的标准差(公式0.2)
其中为像元内部像元值的标准差,根据组成对象的像元值得到,n为像元数目。
形状包括两个子因子:平滑度hsmooth和紧密度hcompct(公式0.3)。
hshape=wcmpct·hcmpct+(1-wcmpct)·hsmooth(0.3);
hmooth和hcmpct取决于组成对象的像元数n,多边形的边长l与同面积的最小边长b(公式0.4)。
多尺度影像分割步骤为:
(1)设置分割参数,包括各波段的权重,即单个波段在分割过程中的重要性;一个尺度阈值来决定像元合并停止的条件;根据影像纹理特征及所提取专题信息要求确定光谱因子与形状因子的权重;在形状因子中,根据大多数地物类别的结构属性确定紧密度因子和光滑度因子的权重。
(2)以影像中任意一个像元为中心开始分割,第一次分割时单个像元被看作一个最小的多边形对象参与异质性值的计算;第一次分割完成后,以生成的多边形对象为基础进行第二次分割,同样计算异质性值,判断f与预订的阈值之间的差异,若f小于阈值s,则继续进行多次的分割,相反则停止影像的分割工作,形成一个固定尺度值的影像对象层。
多尺度分割后影像的基本单元已经不再是单个像元,而是由同质像元组成的多边形对象,每个多边形对象不仅包含光谱信息,而且还包含形状信息、纹理信息、邻域信息,对于光谱信息类似的地类而言,通过多边形对象其他属性的差异就可以轻松地提取出来。多尺度分割不仅生成了有意义的影像对象,并且还将原分辨率的影像对象信息扩展到不同尺度上,实现影像信息的多尺度描述。类比于人的视觉松弛过程,随着尺度逐步增大,对影像进行逐步综合的过程。
本实施例优选的,建立隶属度函数的步骤包括过程:
提供亮度因子、均值因子、方差因子;
提供面积特征因子、边界指数特征因子、边界长度特征因子、紧致度特征因子、长特征因子、宽特征因子、长宽比特征因子和形状指数特征因子;
提供相邻关系因子、邻接关系因子、父子关系因子;
提供纹理因子;支持辅助数据;
自定义编辑公式形成特征因子;
所述规则分类预览的步骤中包括过程:检验分类效果,若效果未能达到预设的标准,则返回建立隶属度函数的步骤。用于面向对象分类的对象特征包括:光谱特征、形状特征、纹理特征。执行完多尺度分割生成影像对象同质图后,特征列表和对象特征值列表即被激活。特征列表是一个非常强大的工具,用来发现区分不同影像对象类的特征;而进行分类效果检验,过关才能继续下一步骤,可以提高信息提取的精度。
下面对特征列表里的各项特征进行一个简单的介绍:
(1)均值
1)亮度
计算在选择通道内,对象像素亮度值的均值。
2)最大层间差异
计算对象在任意两个通道的均值差,并得到最大差值,以最大差值除以亮度值即为最大层间差异。
3)Layer 0,1,2,……,k;
通道0,1,……,k的对象均值。
(2)标准差
通道0,1,……,k的对象标准差。
(3)像素
1)比值
通道的比率反映了通道对总亮度值的贡献度。需根据通道值创建新的“比值”。
2)最小像素值
需根据通道值创建新的“最小像素值”。
3)最大像素值
需根据通道值创建新的“最大像素值”。
4)与邻域反差
以距离d向外扩展当前对象的最小外接矩形边界,计算扩展范围内剔除对象内点后点的均值。需根据通道值创建新的“与邻域反差”。与邻域反差图如图3所示。
5)与邻域标准差
以距离d向外扩展当前对象的最小外接矩形边界,计算扩展范围内剔除对象内点后点的标准方差。需根据通道值创建新的“与邻域标准差”。
(4)与当前层关系
1)与当前层均值差
影像对象与当前层均值的差值。需根据通道值创建新的“与当前层均值差”。
2)与当前层比值
当前层均值与影像对象的比值。需根据通道值创建新的“与当前层比值”。
形状特征:
(1)常用
1)面积
对于没有地理参考的图像,为对象内像元数目;有地理参考的图像,为对象覆盖的真实面积。
2)边界指数
即为边界长度与最小外接矩形周长比其中,bv为影像对象的边界长,lv为影像对象的长,wv为影像对象的宽。边界指数图如图4所示。
3)边界长度
一个影像对象的边界长度定义为其与其它相邻影像的共有边界长或者整幅影像的边界长。在没有地理参考的影像中,一个像素的边界长定义为1。边界长度图如图5所示。
4)紧致度
影像对象的紧致度为对象的长与宽之积与像素总数量的比值。
5)密度
6)长
定义为像素总数量与最小外接矩形的长宽比之积的平方根。
7)长/宽
通过最小外界矩形近似求得。
8)形状指数
形状指数定义为影像边界长与4倍的影像区域平方根的比值形状指数图如图6所示。
9)宽
纹理特征最重要的分析方法即基于灰度共生矩阵(Gray Level Co-occurrenceMatrix,GLCM)。GLCM描述了图像中,在θ方向上距离为d的一对分别具有灰度i和j的像素出现的概率。假定待研究的纹理区域是矩形的,其在水平方向有Nx个分辨率,在垂直方向有Ny个分辨率,图像的灰度级为N。,Lx={0,1,2,…,Nx-1},Ly={0,1,2,…,Ny-1}分别为水平和垂直空间域。灰度为i和j的一对像素点位置方向为θ,距离为d的概率记为pi,j(d,θ),具体计算公式为:
一幅图像的灰度共生矩阵反映了图像灰度在方向、相邻间隔和幅度变化方面的综合信息。GLCM所表达的图像中像素对之间的关系,图像灰度共生矩阵图如图7所示。
面向对象分类软件主要采取GLCM的七种特征来进行纹理特征的分类,即:GLCM同质性、GLCM对比度、GLCM相异性、GLCM熵、GLCM角度(二阶矩)、GLCM均值、GLCM方差。
(1)GLCM同质性:
同质性是对图像纹理局部变化大小的度量。f1值越大说明图像纹理的不同区域间缺少变化,局部非常均匀。
(2)GLCM对比度:
纹理中反差大的像素点多,则对比度越大。对于粗纹理,Pi,j较集中于主对角线附近,对比度的值较小。
(3)GLCM相异性:
相异性描述了灰度共生矩阵中行或列元素间的相异程度,是灰度线性关系的度量。
(4)GLCM熵:
代表了图像的信息量,表示纹理的复杂程度,是图像内容随机性的度量。无纹理熵为零,有纹理熵最大。
(5)GLCM角度(二阶矩):
角二阶矩是图像灰度均匀性的度量,当Pi,j值分布集中于主对角线附近,说明局部邻域的图像灰度分布是均匀的,图像呈现较粗的纹理,该值相应较大。
(6)GLCM均值:
(7)GLCM标准差:
方差反映了纹理的周期。值越大,表明纹理的周期越大。标准差为方差的平方根。
本实施例优选的,保存分类结果中,结果类型包括矢量和栅格两种格式。
本实施例优选的,根据地物纹理、形状等特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性的步骤之后还包括步骤:
对分割效果进行检查,若效果未能达到预设的标准,则重复尺寸分割的步骤,即重复步骤S2直至分割效果达标;
所述规则分类预览的步骤中包括过程:检验分类效果,若效果未能达到预设的标准,则返回建立隶属度函数的步骤,即重读步骤S4和S5直至分类效果达标。其中,检查分割结果中,对分割后的影像进行检查,是为了保证影像分割生成的多边形对象内部的同质性和相邻多边形对象的异质性适宜程度。其中,规则分类预览的效果检验可以使用目视检验,也可以使用其他方法。
实施例二:
图8是本发明一种使用了本发明任一公开的农作物种植面积信息提取方法的面向县域遥感尺度的农作物种植面积信息提取装置的示意图,该装置包括:
正射模块10,用于准备正射校正处理后的正射影像图;
尺度分割模块20,用于根据地物纹理、形状特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性;
样本选取模块30,用于选择具有典型代表的地块作为样本对象;
隶属度函数建立模块40,用于建立隶属度函数,至少包括植被指数特征函数、纹理特征函数、形状特征函数;
分类预览模块50,用于规则分类预览;
信息提取模块60,用于农作物种植面积信息提取;
存储模块70,用于保存分类结果。
本发明的有益效果:
采用上述技术方案,本发明/发明至少可取得下述技术效果:
本发明由于根据地物纹理、形状特征等进行了尺度分割,故而能够确保同一地块高度同质性(或异质性最小),并且依据隶属度函数进行了分类,提高了地物识别精度;如此,本发明即具备了面向对象分类算法在处理高分影像中的优势,并同时因为正射影像具备多时相而具备了多时相影像丰富的光谱信息优势,极大的提高了县域遥感尺度农作物种植面积信息提取精度。
应该注意的是,如上所述的本公开的各种实施例通常在一定程度上涉及输入数据的处理和输出数据的生成。此输入数据处理和输出数据生成可在硬件或者与硬件结合的软件中实现。例如,可在移动装置或者相似或相关的电路中采用特定电子组件以用于实现与如上所述本公开的各种实施例关联的功能。另选地,依据所存储的指令来操作的一个或更多个处理器可实现与如上所述本公开的各种实施例关联的功能。如果是这样,则这些指令可被存储在一个或更多个非暂时性处理器可读介质上,这是在本公开的范围内。处理器可读介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光学数据存储装置。另外,用于实现本公开的功能计算机程序、指令和指令段可由本公开所属领域的程序员容易地解释。
尽管已参照本公开的各种实施例示出并描述了本公开,但是本领域技术人员将理解,在不脱离由所附权利要求及其等同物限定的本公开的精神和范围的情况下,可对其进行形式和细节上的各种改变。
Claims (7)
1.一种面向县域遥感尺度的农作物种植面积信息提取方法,其特征在于,包括步骤:
准备经正射校正处理后的正射影像图;
根据地物纹理、形状特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性;
选择具有典型代表的地块作为样本对象;
建立隶属度函数,至少包括植被指数特征函数、纹理特征函数、形状特征函数;
规则分类预览;
农作物种植面积信息提取;
保存分类结果。
2.如权利要求1所述的农作物种植面积信息提取方法,其特征在于,所述正射影像图包括第一影像时相图、第二影像时相图和第三影像时相图;所述农作物种植面积信息提取方法循环针对第一影像时相图、第二影像时相图和第三影像时相图进行农作物种植面积信息提取,具体包括如下步骤:
第一次输入第一影像时相图,基于面向对象分类算法,进行耕地信息提取,与非耕地信息区分开来;
第二次输入第二影像时相图,结合耕地信息提取结果,基于面向对象分类算法,基于光谱特征、纹理特征及形状特征,进行旱地信息提取,耕地层分为水稻田和旱地;
第三次输入第三影像时相图,结合旱地信息提取结果,基于第三影像时相图不同作物的光谱特征及植被指数差异,将旱地信息至少细化为第一旱地作物和第二旱地作物。
3.如权利要求2所述的农作物种植面积信息提取方法,其特征在于,合并所有的提取结果,得到的分类结果至少包括:农作物包括:水稻、玉米和大豆,非耕地信息的地物类型包括水体、建筑、裸地、林地及道路。
4.如权利要求1所述的农作物种植面积信息提取方法,其特征在于,所述选择最佳的分割尺度进行尺度分割的步骤包括过程:
分割尺度参数设置:
将一幅M×N阵列的数字图像划分为若干个互不相交叠区域;
运用多尺度分割算法以生成高度同质性(或异质性最小)的影像分割区域,从而适于最佳分离和表示地物目标;
分割设置的主要参数至少包括最大尺度数、分割的尺度间隔、最大尺度、颜色、平滑度、无效值设置;
对分割效果进行检查,若效果未能达到预设的标准,则重复尺寸分割的步骤。
5.如权利要求1所述的农作物种植面积信息提取方法,其特征在于,所述建立隶属度函数的步骤包括过程:
提供亮度因子、均值因子、方差因子;
提供面积特征因子、边界指数特征因子、边界长度特征因子、紧致度特征因子、长特征因子、宽特征因子、长宽比特征因子和形状指数特征因子;
提供相邻关系因子、邻接关系因子、父子关系因子;
提供纹理因子;
支持辅助数据;
自定义编辑公式形成特征因子;
所述规则分类预览的步骤中包括过程:检验分类效果,若效果未能达到预设的标准,则返回建立隶属度函数的步骤。
6.如权利要求1所述的农作物种植面积信息提取方法,其特征在于,所述保存分类结果中,结果类型包括矢量和栅格两种格式。
7.一种使用了如权利要求1-6任一所述农作物种植面积信息提取方法的面向县域遥感尺度的农作物种植面积信息提取装置,其特征在于,包括:
正射模块,用于准备正射校正处理后的正射影像图;
尺度分割模块,用于根据地物纹理、形状特征,设定分割尺度参数,选择最佳的分割尺度进行尺度分割,使得分割后地块为同一地物属性;
样本选取模块,用于选择具有典型代表的地块作为样本对象;
隶属度函数建立模块,用于建立隶属度函数,至少包括植被指数特征函数、纹理特征函数、形状特征函数;
分类预览模块,用于规则分类预览;
信息提取模块,用于农作物种植面积信息提取;
存储模块,用于保存分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611006469.1A CN106446875A (zh) | 2016-11-16 | 2016-11-16 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611006469.1A CN106446875A (zh) | 2016-11-16 | 2016-11-16 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106446875A true CN106446875A (zh) | 2017-02-22 |
Family
ID=58208632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611006469.1A Pending CN106446875A (zh) | 2016-11-16 | 2016-11-16 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446875A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971156A (zh) * | 2017-03-22 | 2017-07-21 | 中国地质科学院矿产资源研究所 | 一种基于面向对象分类的稀土开采区遥感信息提取方法 |
CN108960089A (zh) * | 2018-06-20 | 2018-12-07 | 中科禾信遥感科技(苏州)有限公司 | 一种茶树林遥感监测的方法及装置 |
CN109033937A (zh) * | 2018-06-01 | 2018-12-18 | 武汉禾大科技有限公司 | 通过无人机影像进行植物数量统计方法及*** |
CN109101952A (zh) * | 2018-09-04 | 2018-12-28 | 北京邮电大学 | 基于移动互联网的地物识别方法、装置、***及服务器 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN109800296A (zh) * | 2019-01-21 | 2019-05-24 | 四川长虹电器股份有限公司 | 一种基于用户真实意图的语意模糊识别方法 |
CN111489092A (zh) * | 2020-04-15 | 2020-08-04 | 云南户外图科技有限公司 | 一种植物栽培种植环境适生区的评估方法及*** |
CN112308047A (zh) * | 2020-12-02 | 2021-02-02 | 宁夏回族自治区自然资源勘测调查院 | 一种耕地质量监测方法及*** |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN113283281A (zh) * | 2021-02-26 | 2021-08-20 | 中科禾信遥感科技(苏州)有限公司 | 基于多时相遥感影像的茭白种植面积提取方法 |
CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
CN113673339A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
CN104866852A (zh) * | 2015-04-01 | 2015-08-26 | 环境保护部卫星环境应用中心 | 提取遥感影像中土地覆被信息的方法及装置 |
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN105608474A (zh) * | 2015-12-30 | 2016-05-25 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
-
2016
- 2016-11-16 CN CN201611006469.1A patent/CN106446875A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
CN104866852A (zh) * | 2015-04-01 | 2015-08-26 | 环境保护部卫星环境应用中心 | 提取遥感影像中土地覆被信息的方法及装置 |
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN105608474A (zh) * | 2015-12-30 | 2016-05-25 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
Non-Patent Citations (1)
Title |
---|
于静: "《遥感影像语义结构在城市规划中的应用》", 31 July 2009, 东北大学出版社 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971156A (zh) * | 2017-03-22 | 2017-07-21 | 中国地质科学院矿产资源研究所 | 一种基于面向对象分类的稀土开采区遥感信息提取方法 |
CN109033937A (zh) * | 2018-06-01 | 2018-12-18 | 武汉禾大科技有限公司 | 通过无人机影像进行植物数量统计方法及*** |
CN109033937B (zh) * | 2018-06-01 | 2021-11-05 | 武汉禾大科技有限公司 | 通过无人机影像进行植物数量统计方法及*** |
CN108960089A (zh) * | 2018-06-20 | 2018-12-07 | 中科禾信遥感科技(苏州)有限公司 | 一种茶树林遥感监测的方法及装置 |
CN109101952A (zh) * | 2018-09-04 | 2018-12-28 | 北京邮电大学 | 基于移动互联网的地物识别方法、装置、***及服务器 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN109800296A (zh) * | 2019-01-21 | 2019-05-24 | 四川长虹电器股份有限公司 | 一种基于用户真实意图的语意模糊识别方法 |
CN109800296B (zh) * | 2019-01-21 | 2022-03-01 | 四川长虹电器股份有限公司 | 一种基于用户真实意图的语意模糊识别方法 |
CN111489092A (zh) * | 2020-04-15 | 2020-08-04 | 云南户外图科技有限公司 | 一种植物栽培种植环境适生区的评估方法及*** |
CN111489092B (zh) * | 2020-04-15 | 2023-01-31 | 云南户外图科技有限公司 | 一种植物栽培种植环境适生区的评估方法及*** |
CN112308047A (zh) * | 2020-12-02 | 2021-02-02 | 宁夏回族自治区自然资源勘测调查院 | 一种耕地质量监测方法及*** |
CN112308047B (zh) * | 2020-12-02 | 2022-06-17 | 宁夏回族自治区自然资源勘测调查院 | 一种耕地质量监测方法及*** |
CN113283281A (zh) * | 2021-02-26 | 2021-08-20 | 中科禾信遥感科技(苏州)有限公司 | 基于多时相遥感影像的茭白种植面积提取方法 |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
CN113673339A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
CN113673339B (zh) * | 2021-07-16 | 2024-02-23 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446875A (zh) | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 | |
Neupane et al. | Deep learning based banana plant detection and counting using high-resolution red-green-blue (RGB) images collected from unmanned aerial vehicle (UAV) | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
US9202259B2 (en) | Automated geospatial image mosaic generation with automatic source selection | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和*** | |
US9396391B2 (en) | Automated geospatial image mosaic generation with multiple zoom level support | |
US11574464B2 (en) | Practical method for landslide detection in large space | |
Packalen et al. | Predicting the spatial pattern of trees by airborne laser scanning | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及*** | |
Samat et al. | Classification of VHR multispectral images using extratrees and maximally stable extremal region-guided morphological profile | |
Karami et al. | Gully erosion mapping using object-based and pixel-based image classification methods | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN114563378B (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
Zaabar et al. | Application of convolutional neural networks with object-based image analysis for land cover and land use mapping in coastal areas: A case study in Ain Témouchent, Algeria | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
Hong et al. | Multitemporal greenhouse mapping for high-resolution remote sensing imagery based on an improved YOLOX | |
Batista et al. | On the classification of remote sensing high spatial resolution image data | |
CN110427961B (zh) | 一种基于规则和样本融合的建筑信息提取方法及*** | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及*** | |
CN115049920A (zh) | 基于gee结合生育期属性和面向对象的大区域作物提取方法 | |
Hao et al. | Bi-Temporal change detection of high-resolution images by referencing time series medium-resolution images | |
Kukkonen et al. | Combination of lidar intensity and texture features enable accurate prediction of common boreal tree species with single sensor UAS data | |
Priego et al. | ECAS-II: A hybrid algorithm for the construction of multidimensional image segmenters | |
Fan et al. | Classification of hyperspectral image by preprocessing method based relation network | |
Zhao et al. | Integration of multi-classifiers in object-based methods for forest classification in the Loess plateau, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |