CN109448127A - 一种基于无人机遥感的农田高精度导航地图生成方法 - Google Patents
一种基于无人机遥感的农田高精度导航地图生成方法 Download PDFInfo
- Publication number
- CN109448127A CN109448127A CN201811104500.4A CN201811104500A CN109448127A CN 109448127 A CN109448127 A CN 109448127A CN 201811104500 A CN201811104500 A CN 201811104500A CN 109448127 A CN109448127 A CN 109448127A
- Authority
- CN
- China
- Prior art keywords
- farmland
- region
- ndvi
- remote sensing
- coordinate
- 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 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 14
- 230000007704 transition Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007635 classification algorithm Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000003703 image analysis method Methods 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 235000013350 formula milk Nutrition 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 4
- 230000037431 insertion Effects 0.000 description 4
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机遥感的农田高精度导航地图生成方法,先通过无人机拍摄获得多幅农田遥感图像,对多幅图像采用坐标正向变换或者坐标反向变换的几何校正得出每幅图像在地面坐标系下的图像边界,然后各个图像拼接成农田全景图像,通过几何精校正后生成农田全景图的正射图像,然后采用算法对农田全景图的正射图像进行分割,最终得出最优化的分割结果,最后在分割结果基础上,采用NDVI(即植被覆盖指数)提取农田区域,并将提取后的各个农田区域进行合并,最终完成农田导航地图的生成。本发明不仅能精确的提取农田信息生成农田导航地图,而且有效提高导航地图的生成速度,便于农田导航的应用。
Description
技术领域
本发明涉及一种导航地图生成方法,具体是一种基于无人机遥感的农田高精度导航地 图生成方法。
背景技术
随着社会经济的发展和现代科学技术的进步,农业改革的步伐也在不断加大,农业机 械自动化发展进程也在逐渐加快。目前,全球农业的发展都面临着较为严峻的形式,因而 国内外都十分注重加大科技投入,推动农业机械自动化的进步。
拖拉机作为重要的农业机械之一,是实现各种各样机械化作业的动力。然而,通常情 况下,拖拉机组在恶劣环境下作业时,由于工作情况的复杂多变,操作人员技术水平差异, 很难达到高精度的要求。在拖拉机驾驶方面,很难保证作业方向和行距问题,造成漏播或 重复,土地利用率极低,化肥浪费严重,并且长时间作业给作业人员造成重负荷。无人驾驶拖拉机便可以避免这类问题的发生,其能达到节省人力,节省资源,提高工作效率的目的。要想实现无人驾驶,就需要生成高精度导航地图,目前遥感技术在农业上也具有越来越广泛的应用,我们很容易通过无人机遥感来获取自己所关注区域的高精度地图并进行分析处理获取农田耕地的具体信息。
在现有的农田遥感提取技术中,主要有如下两种方法:1)人工目视解译;2)基于分类的农田提取,前者能够较精确提取农田信息,但存在生成速度慢、成本过高的不足。后 者虽然提取信息速度较快、成本较低,但只能得到农田的大范围统计结果而无法完成农田 信息的精确提取。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于无人机遥感的农田高精度导航地 图生成方法,不仅能精确的提取农田信息生成农田导航地图,而且有效提高导航地图的生 成速度,便于农田导航的应用。
为了实现上述目的,本发明采用的技术方案是:一种基于无人机遥感的农田高精度导 航地图生成方法,具体步骤为:
步骤A:操控无人机处于所需生成导航地图的农田上空,无人机航飞测绘采用差分GPS 定位法进行测量,航飞路线为航向重叠度高于60%,旁向重叠在35%-45%之间,旋偏角控制 在12度以下,对农田进行航拍获取多幅高分辨率的农田遥感图像;
步骤B:对得到的每幅高分辨率农田遥感图像采用坐标正向变换进行几何校正,具体过 程为:像素坐标正向变换;以遥感图像的阵列为基础,按行列的顺序依次对每个遥感像素 点位求其在地面坐标系(也是输出图像坐标系)中的正确位置;对于简单的旋转、偏移和 缩放变形,可以使用最基本的放射变换公式进行纠正:
X=a0+a1x’+a2y’
Y=b0+b1x’+b2y’
其中,X、Y为矫正后影像中的坐标,x’、y’为矫正前影像中坐标;a0、a1、a2及b0、 b1、b2均为多项式系数;可根据实际情况进行系数调整;
步骤C:将经过几何校正后多幅高分辨率的农田遥感图像拼接成农田全景图像;
步骤D:将农田全景图像通过几何精校正后生成农田全景图的正射图像;几何精校正为 已知方法,具体为利用地面控制点数据对遥感图像的几何畸变本身进行数学模拟,选择地 图投影,确定先关的投影参数;地面控制点和相应的像素应为同名地物点,从而准确地进 行匹配;并可借助一些已知特定的算法进行半自动的匹配;
步骤E:采用面向对象的图像分析法对农田全景图进行自动化解译,具体过程为:利用 KMeans非监督分类算法和Fisher标准估算农田全景图中各个波段的权值,并将估算的波段 权值应用到光谱合并计算中,能够较好地提高农田区域的分割精度,实现基于全局最优合 并的区域生长算法.最终得到最优化的分割结果;
步骤F:采用NDVI(即植被覆盖指数)从分割后的区域中提取农田区域:设定NDVI阈值(即用于区分农田和背景的阈值),在分割结果中,依次将各个区域的NDVI值与设定 的NDVI阈值进行比较,若区域中的NDVI值大于设定的NDVI阈值,则确定该区域为农 田,否则为其他区域(即背景区域);最终将确定后的各个区域中相邻的农田区域和非农田 区域分别合并,然后将农田区域提取完成农田导航地图的生成。
进一步,所述步骤B中的坐标正向变换采用坐标反向变换替代,坐标反向变换的具体 过程为:对得到的每幅高分辨率农田遥感图像采用坐标反向变换进行几何校正,具体过程 为:像素坐标反向变换;以空白的输出图像阵列为基础,按行列的顺序依次对每个输出像 素点位反求遥感图像坐标中的位置;
X’=a0+a1x+a2y
Y’=b0+b1x+b2y
其中,X’、Y’为矫正后影像中的坐标,x、y为矫正前影像中的坐标。
3.根据权利要求1所述的一种基于无人机遥感的农田高精度导航地图生成方法,其特 征在于,所述步骤E的具体算法过程为:
①波段权重估算
基于RG的图像分割算法都需要设置合理的区域合并标准,以衡量待合并区域适合合并 的程度。HSWO和HSeg都采用了波段均值误差平方和作为区域合并标准:
其中i、j分别表示待合并的两个区域,行是区域的像素数目,B是波段数,u是区域的 灰度均值;在实际情况中,不同波段对地物的区分能力不同。所以,在农业遥感图像分割中,需要考虑各个波段对地物的区分能力,来对各个波段赋予相应的权重,以增大区分能力强的波段的作用,减少区分能力弱的波段的贡献。考虑了各个波段区分能力的BSMSE 值具体公式如下,其中,各个波段权重和为1;
Fisher标准可以衡量图像中不同类别的区分能力,因此,要计算农田多光谱影像中各个 波段的权重,可以首先计算各自波段的Fisher标准,根据Fisher标准确定不同区域的权重 值,其计算公式如下:
其中,m,n分别代表图像中的两个不同的类别,L是类别总数;μ,δ分别是图像中 某个类别的均值和标准差;此时,各个波段的权重可以由下式计算:
其中Jb是第b个波段的Fisher标准;
②光谱合并
在光谱合并中,根据式(2)对图像中所有的相邻区域计算其BSMSE值,并按照BSMSE值由小到大排序,优先合并BSMSE值最小的一对邻域。但在合并过程中,一次合并会影响 其他邻域对的BSMSE值。
因此定义了如下操作,以处理上述问题:
1)初始化:计算所有邻域对的BSMSE值,并从小到大排序,得到有序集合D;
2)在有序集合D中找到最小的一对邻域Pair(Ri,Rj),若其BSMSE小于阈值Tspec,将其合并得到Rk;否则进行4);
3)重新计算Rk;与其邻域的BSMSE值,并更新其在有序集合D中的位置,使有序集合D依旧保持有序;
4)若有序集合D不为空,返回2),否则输出结果;
在以上的操作中,有序集合D的操作包括***(初始化)、删除(例如图2中的D14)、排序等。在***、删除操作中,维持有序集合D的有序是关键。为了高效的实现这一过程, 本文采用了二叉搜索树来实现有序集合D。
在步骤2)中的阈值Tspec,实际上定义了分割算法的结束条件;Tspec越小,则区域合并 的次数越少,算法结束越快,结果中区域的面积越小;相反,区域的合并次数越多,算法收敛越慢,结果的区域面积越大;最终完成区域的分割情况。
4.根据权利要求1所述的一种基于无人机遥感的农田高精度导航地图生成方法,其特 征在于,所述步骤F的具体过程为:
1)设定NDVI阈值TNDVI,对于每一个区域Ri,在其邻域中寻找与其最相似的区域Rj;
2)若(NDVI(Ri)<TNDVI且NDVI(Rj)<TNDVI)或者(NDVI(Ri)≥TNDVI且NDVI(Rj)≥TNDVI),则合并Ri和Rj,否则不合并;
3)若所有区域都访问后,执行4),否则回到1),访问下一个区域;
4)若1)至3)没有合并产生,结束并输出结果,否则返回1);
步骤1)中之所以要搜索与当前区域最为相似的邻域,是为了提高算法精度,避免错误 的合并。
与现有技术相比,本发明先通过无人机拍摄获得多幅农田遥感图像,对多幅图像采用 坐标正向变换或者坐标反向变换的几何校正得出每幅图像在地面坐标系下的图像边界,然 后各个图像拼接成农田全景图像,通过几何精校正后生成农田全景图的正射图像,然后采 用算法对农田全景图的正射图像进行分割,最终得出最优化的分割结果,最后在分割结果 基础上,采用NDVI(即植被覆盖指数)提取农田区域,并将提取后的各个农田区域进行合 并,最终完成农田导航地图的生成。本发明不仅能精确的提取农田信息生成农田导航地图, 而且有效提高导航地图的生成速度,便于农田导航的应用。
附图说明
图1是本发明的整体流程图;
图2是本发明实施例中区域R1和R2合并前后的BSMSE情况图。
具体实施方式
下面将对本发明做进一步说明。
如图所示,本发明的具体步骤为:
步骤A:操控无人机处于所需生成导航地图的农田上空,无人机的飞行范围在以操控者 为中心的目视距离半径500米内且相对高度低于120米内,对农田进行航拍获取多幅高分 辨率的农田遥感图像;
步骤B:对得到的每幅高分辨率农田遥感图像采用坐标正向变换进行几何校正,具体过 程为:像素坐标正向变换;以遥感图像的阵列为基础,按行列的顺序依次对每个遥感像素 点位求其在地面坐标系(也是输出图像坐标系)中的正确位置;对于简单的旋转、偏移和 缩放变形,可以使用最基本的放射变换公式进行纠正:
X=a0+a1x’+a2y’
Y=b0+b1x’+b2y’
其中,X、Y为矫正后影像中的坐标,x’、y’为矫正前影像中坐标;
步骤C:将经过几何校正后多幅高分辨率的农田遥感图像拼接成农田全景图像;
步骤D:将农田全景图像通过几何精校正后生成农田全景图的正射图像;几何精校正为 已知方法,具体为利用地面控制点数据对遥感图像的几何畸变本身进行数学模拟,选择地 图投影,确定先关的投影参数;地面控制点和相应的像素应为同名地物点,从而准确地进 行匹配;并可借助一些已知特定的算法进行半自动的匹配;
步骤E:采用面向对象的图像分析法对农田全景图进行自动化解译,具体过程为:利用 KMeans非监督分类算法和Fisher标准估算农田全景图中各个波段的权值,并将估算的波段 权值应用到光谱合并计算中,能够较好地提高农田区域的分割精度,实现基于全局最优合 并的区域生长算法.最终得到最优化的分割结果;
步骤F:采用NDVI(即植被覆盖指数)从分割后的区域中提取农田区域:设定NDVI阈值,在分割结果中,依次将各个区域的NDVI值与设定的NDVI阈值进行比较,若区域 中的NDVI值大于设定的NDVI阈值,则确定该区域为农田,否则为其他区域(或背景区域); 最终将确定后的各个区域中相邻的农田区域和非农田区域分别合并,然后将农田区域提取 完成农田导航地图的生成。
进一步,所述步骤B中的坐标正向变换采用坐标反向变换替代,坐标反向变换的具体 过程为:对得到的每幅高分辨率农田遥感图像采用坐标反向变换进行几何校正,具体过程 为:像素坐标反向变换;以空白的输出图像阵列为基础,按行列的顺序依次对每个输出像 素点位反求遥感图像坐标中的位置;
X’=a0+a1x+a2y
Y’=b0+b1x+b2y
其中,X’、Y’为矫正后影像中的坐标,x、y为矫正前影像中的坐标。
进一步,所述步骤E的具体算法过程为:
①波段权重估算
基于RG的图像分割算法都需要设置合理的区域合并标准,以衡量待合并区域适合合并 的程度。HSWO和HSeg都采用了波段均值误差平方和作为区域合并标准:
其中i、j分别表示待合并的两个区域,行是区域的像素数目,B是波段数,u是区域的 灰度均值;在实际情况中,不同波段对地物的区分能力不同。所以,在农业遥感图像分割中,需要考虑各个波段对地物的区分能力,来对各个波段赋予相应的权重,以增大区分能力强的波段的作用,减少区分能力弱的波段的贡献。考虑了各个波段区分能力的BSMSE 值具体公式如下,其中,各个波段权重和为1;
Fisher标准可以衡量图像中不同类别的区分能力,因此,要计算农田多光谱影像中各个 波段的权重,可以首先计算各自波段的Fisher标准,根据Fisher标准确定不同区域的权重 值,其计算公式如下:
其中,m,n分别代表图像中的两个不同的类别,L是类别总数;μ,δ分别是图像中 某个类别的均值和标准差;此时,各个波段的权重可以由下式计算:
其中Jb是第b个波段的Fisher标准;
②光谱合并
在光谱合并中,根据式(2)对图像中所有的相邻区域计算其BSMSE值,并按照BSMSE值由小到大排序,优先合并BSMSE值最小的一对邻域。但在合并过程中,一次合并会影响 其他邻域对的BSMSE值。如图2显示了合并区域R1、R2会对其他邻域的BSMSE值产 生影响:在合并R1、R2之后,D16、D23、D15均可能发生变化,D14与D24在合并后为D17;
因此定义了如下操作,以处理上述问题:
1)初始化:计算所有邻域对的BSMSE值,并从小到大排序,得到有序集合D;
2)在有序集合D中找到最小的一对邻域Pair(Ri,Rj),若其BSMSE小于阈值Tspec,将其合并得到Rk;否则进行4);
3)重新计算Rk;与其邻域的BSMSE值,并更新其在有序集合D中的位置,使有序集合D依旧保持有序;
4)若有序集合D不为空,返回2),否则输出结果;
在以上的操作中,有序集合D的操作包括***(初始化)、删除(例如图2中的D14)、排序等。在***、删除操作中,维持有序集合D的有序是关键。为了高效的实现这一过程, 本文采用了二叉搜索树来实现有序集合D。
在步骤2)中的阈值Tspec,实际上定义了分割算法的结束条件;Tspec越小,则区域合并 的次数越少,算法结束越快,结果中区域的面积越小;相反,区域的合并次数越多,算法收敛越慢,结果的区域面积越大;最终完成区域的分割情况。
进一步,所述步骤F的具体过程为:
1)设定NDVI阈值TNDVI,对于每一个区域Ri,在其邻域中寻找与其最相似的区域Rj;
2)若(NDVI(Ri)<TNDVI且NDVI(Rj)<TNDVI)或者(NDVI(Ri)≥TNDVI且NDVI(Rj)≥TNDVI),则合并Ri和Rj,否则不合并;
3)若所有区域都访问后,执行4),否则回到1),访问下一个区域;
4)若1)至3)没有合并产生,结束并输出结果,否则返回1);
步骤1)中之所以要搜索与当前区域最为相似的邻域,是为了提高算法精度,避免错误 的合并。
Claims (4)
1.一种基于无人机遥感的农田高精度导航地图生成方法,其特征在于,具体步骤为:
步骤A:操控无人机处于所需生成导航地图的农田上空,无人机航飞测绘采用差分GPS定位法进行测量,航飞路线为航向重叠度高于60%,旁向重叠在35%-45%之间,旋偏角控制在12度以下,对农田进行航拍获取多幅高分辨率的农田遥感图像;
步骤B:对得到的每幅高分辨率农田遥感图像采用坐标正向变换进行几何校正,具体过程为:像素坐标正向变换;以遥感图像的阵列为基础,按行列的顺序依次对每个遥感像素点位求其在地面坐标系中的正确位置;
x=a0+a1x'+a2y'
y=b0+b1x'+b2y'
其中,x,y为矫正后影像中的坐标,x',y'为矫正前影像中坐标,a0、a1、a2及b0、b1、b2均为多项式系数;
步骤C:将经过几何校正后多幅高分辨率的农田遥感图像拼接成农田全景图像;
步骤D:将农田全景图像通过几何精校正后生成农田全景图的正射图像;
步骤E:采用面向对象的图像分析法对农田全景图进行自动化解译,具体过程为:利用KMeans非监督分类算法和Fisher标准估算农田全景图中各个波段的权值,并将估算的波段权值应用到光谱合并计算中,实现基于全局最优合并的区域生长算法.最终得到最优化的分割结果;
步骤F:采用NDVI从分割后的区域中提取农田区域:设定NDVI阈值,在分割结果中,依次将各个区域的NDVI值与设定的NDVI阈值进行比较,若区域中的NDVI值大于设定的NDVI阈值,则确定该区域为农田,否则为其他区域;最终将确定后的各个区域中相邻的农田区域和非农田区域分别合并,然后将农田区域提取完成农田导航地图的生成。
2.根据权利要求1所述的一种基于无人机遥感的农田高精度导航地图生成方法,其特征在于,所述步骤B中的坐标正向变换采用坐标反向变换替代,坐标反向变换的具体过程为:对得到的每幅高分辨率农田遥感图像采用坐标反向变换进行几何校正,具体过程为:像素坐标反向变换;以空白的输出图像阵列为基础,按行列的顺序依次对每个输出像素点位反求遥感图像坐标中的位置;
X’=a0+a1x+a2y
Y’=b0+b1x+b2y
其中,X’、Y’为矫正后影像中的坐标,x、y为矫正前影像中的坐标。
3.根据权利要求1所述的一种基于无人机遥感的农田高精度导航地图生成方法,其特征在于,所述步骤E的具体算法过程为:
①波段权重估算
计算农田多光谱影像中各个波段的权重,首先计算各自波段的Fisher标准,根据Fisher标准确定不同区域的权重值,其计算公式如下:
其中,m,n分别代表图像中的两个不同的类别,L是类别总数;μ,δ分别是图像中某个类别的均值和标准差;此时,各个波段的权重可以由下式计算:
其中Jb是第b个波段的Fisher标准;
②光谱合并
在光谱合并中,根据式(2)对图像中所有的相邻区域计算其BSMSE值,并按照BSMSE值由小到大排序,优先合并BSMSE值最小的一对邻域;但在合并过程中,一次合并会影响其他邻域对的BSMSE值;因此定义如下操作:
1)初始化:计算所有邻域对的BSMSE值,并从小到大排序,采用二叉搜索树的方式得到有序集合D;
2)在有序集合D中找到最小的一对邻域Pair(Ri,Rj),若其BSMSE小于阈值Tspec,将其合并得到Rk;否则进行4);
3)重新计算Rk;与其邻域的BSMSE值,并更新其在有序集合D中的位置,使有序集合D依旧保持有序;
4)若有序集合D不为空,返回2),否则输出结果。
在步骤2)中的阈值Tspec,定义为分割算法的结束条件;Tspec越小,则区域合并的次数越少,算法结束越快,结果中区域的面积越小;相反,区域的合并次数越多,算法收敛越慢,结果的区域面积越大;最终完成区域的分割情况。
4.根据权利要求1所述的一种基于无人机遥感的农田高精度导航地图生成方法,其特征在于,所述步骤F的具体过程为:
1)设定NDVI阈值TNDVI,对于每一个区域Ri,在其邻域中寻找与其最相似的区域Rj;
2)若NDVI(Ri)<TNDVI且NDVI(Rj)<TNDVI或者NDVI(Ri)>TNDVI且NDVI(Rj)>TNDVI,则合并Ri和Rj,否则不合并;
3)若所有区域都访问后,执行4),否则回到1),访问下一个区域;
4)若1)至3)没有合并产生,结束并输出结果,否则返回1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811104500.4A CN109448127B (zh) | 2018-09-21 | 2018-09-21 | 一种基于无人机遥感的农田高精度导航地图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811104500.4A CN109448127B (zh) | 2018-09-21 | 2018-09-21 | 一种基于无人机遥感的农田高精度导航地图生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109448127A true CN109448127A (zh) | 2019-03-08 |
CN109448127B CN109448127B (zh) | 2022-11-18 |
Family
ID=65530836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811104500.4A Active CN109448127B (zh) | 2018-09-21 | 2018-09-21 | 一种基于无人机遥感的农田高精度导航地图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109448127B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN111445544A (zh) * | 2020-02-24 | 2020-07-24 | 东莞职业技术学院 | 一种基于路线实况检测的地图绘制方法 |
CN111882573A (zh) * | 2020-07-31 | 2020-11-03 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及*** |
CN113063375A (zh) * | 2021-03-16 | 2021-07-02 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
CN113222980A (zh) * | 2021-06-01 | 2021-08-06 | 安徽建筑大学 | 一种基于无人机平台的洪涝灾害查勘方法 |
CN113920441A (zh) * | 2021-08-30 | 2022-01-11 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
WO2023097494A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳市大疆创新科技有限公司 | 全景图像拍摄方法、装置、无人机、***及存储介质 |
CN117788351A (zh) * | 2024-02-27 | 2024-03-29 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120201415A1 (en) * | 2011-02-07 | 2012-08-09 | Southern Minnesota Beet Sugar Cooperative | Organic matter mapping |
CN106845360A (zh) * | 2016-12-27 | 2017-06-13 | 郑州大学 | 基于无人机遥感的高分辨率农作物表面模型构造方法 |
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
-
2018
- 2018-09-21 CN CN201811104500.4A patent/CN109448127B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120201415A1 (en) * | 2011-02-07 | 2012-08-09 | Southern Minnesota Beet Sugar Cooperative | Organic matter mapping |
CN106845360A (zh) * | 2016-12-27 | 2017-06-13 | 郑州大学 | 基于无人机遥感的高分辨率农作物表面模型构造方法 |
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
Non-Patent Citations (1)
Title |
---|
邓继忠等: "基于可见光波段的无人机超低空遥感图像处理", 《华南农业大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN110533052B (zh) * | 2019-09-16 | 2020-09-18 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN111445544A (zh) * | 2020-02-24 | 2020-07-24 | 东莞职业技术学院 | 一种基于路线实况检测的地图绘制方法 |
CN111882573A (zh) * | 2020-07-31 | 2020-11-03 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及*** |
CN111882573B (zh) * | 2020-07-31 | 2023-08-18 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及*** |
CN113063375A (zh) * | 2021-03-16 | 2021-07-02 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
CN113063375B (zh) * | 2021-03-16 | 2022-04-08 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
CN113222980A (zh) * | 2021-06-01 | 2021-08-06 | 安徽建筑大学 | 一种基于无人机平台的洪涝灾害查勘方法 |
CN113920441A (zh) * | 2021-08-30 | 2022-01-11 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
WO2023097494A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳市大疆创新科技有限公司 | 全景图像拍摄方法、装置、无人机、***及存储介质 |
CN117788351A (zh) * | 2024-02-27 | 2024-03-29 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及*** |
CN117788351B (zh) * | 2024-02-27 | 2024-05-03 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109448127B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448127A (zh) | 一种基于无人机遥感的农田高精度导航地图生成方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
WO2022016563A1 (zh) | 一种植保无人机地面监控***及其监控方法 | |
CN108242079B (zh) | 一种基于多特征视觉里程计和图优化模型的vslam方法 | |
CN110378909B (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN103411609B (zh) | 一种基于在线构图的飞行器返航路线规划方法 | |
CN110096994B (zh) | 一种基于模糊标签语义先验的小样本PolSAR图像分类方法 | |
Wu et al. | Mapping invasive plant with UAV-derived 3D mesh model in mountain area—A case study in Shenzhen Coast, China | |
CN107167811A (zh) | 基于单目视觉与激光雷达融合的道路可行驶区域检测方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
Hormese et al. | Automated road extraction from high resolution satellite images | |
CN109146889A (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN111414954B (zh) | 一种岩石图像检索方法及其*** | |
CN111241970A (zh) | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
CN109829476A (zh) | 基于yolo的端到端三维物体检测方法 | |
CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
Bektas Balcik et al. | Determination of land cover/land use using spot 7 data with supervised classification methods | |
CN112101251A (zh) | 基于可变卷积神经网络的sar自动目标识别方法 | |
CN115240066A (zh) | 基于深度学习的遥感影像矿区复绿监测方法及*** | |
CN112381730B (zh) | 一种遥感影像数据扩增方法 | |
CN101561882A (zh) | 一种基于空间相关性的亚像元空间定位方法 | |
CN111339953A (zh) | 一种基于聚类分析的薇甘菊监测方法 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 |
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 |