CN110298366B - 农作物分布提取方法及装置 - Google Patents
农作物分布提取方法及装置 Download PDFInfo
- Publication number
- CN110298366B CN110298366B CN201910604765.9A CN201910604765A CN110298366B CN 110298366 B CN110298366 B CN 110298366B CN 201910604765 A CN201910604765 A CN 201910604765A CN 110298366 B CN110298366 B CN 110298366B
- Authority
- CN
- China
- Prior art keywords
- extracted
- image
- crops
- distribution
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种农作物分布提取方法及装置,涉及计算机视觉技术领域。该农作物分布提取方法包括步骤:获取待提取农作物的遥感图像;将遥感图像输入至预先训练好的分布特征提取模型,输出与遥感图像对应的待提取农作物的分布特征图,分布特征图中标记有待提取农作物的分布区域;提取待提取农作物的分布区域,对待提取农作物的分布区域进行渲染,输出待提取农作物的分布效果图。本发明的农作物分布提取方法及装置改善了传统农作物分布提取方法中存在的特征提取效果误差较大,特征提取难度大,以及人力物力资源浪费等问题,达到了对农作物分布特征进行精确提取的技术效果。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其是涉及一种农作物分布提取方法及装置。
背景技术
地物识别是遥感领域的核心问题之一,而遥感图像中的农作物特征识别与提取一直具有重要的应用价值。
针对遥感图像的复杂地形地貌中的农作物特征识别与提取,传统的农作物分布提取方法主要依靠大量的标注人员进行人工目视标注,由于标准不统一且人工标注的主观性导致特征提取效果存在较大误差,也增加了特征提取难度,并浪费了大量人力物力。
发明内容
有鉴于此,本发明的目的在于提供一种农作物分布提取方法及装置,以改善现有技术中存在的特征提取误差较大的技术问题。
第一方面,本发明实施例提供了一种农作物分布提取方法,该方法包括以下步骤:
获取待提取农作物的遥感图像;
将遥感图像输入至预先训练好的分布特征提取模型,输出与遥感图像对应的待提取农作物的分布特征图;其中,分布特征图中标记有待提取农作物的分布区域;
提取待提取农作物的分布区域,对待提取农作物的分布区域进行渲染,输出待提取农作物的分布效果图。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,获取待提取农作物的遥感图像的步骤包括:
获取指定区域内待提取农作物的原始遥感图像;
对原始遥感图像进行预处理,生成待提取农作物的遥感图像,其中,预处理的过程包括以下处理过程中的一种或多种:几何校正处理过程、图像融合处理过程、大气校正处理过程。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,将遥感图像输入至预先训练好的分布特征提取模型的步骤包括:
对待提取农作物的遥感图像进行二值化处理,得到遥感图像对应的二值化图像;
将二值化图像输入至预先训练好的分布特征提取模型。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,该方法还包括:
获取预先建立的待提取农作物的图片数据集,其中,农作物图片数据集包含多个预先标注完成的待提取农作物图片,每个待提取农作物图片标注有是否为待提取农作物的分布区域的标识符;
提取图片数据集中包括的训练子集,将训练子集输入至待训练的卷积神经网络模型,对待训练的卷积神经网络模型进行训练以生成分布特征提取模型;以及,
提取图片数据集中包括的测试子集,将测试子集输入至训练完成的分布特征提取模型,以对分布特征提取模型进行测试。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,该方法还包括:
接收用户输入的与遥感图像对应的二值化图像的标注数据,其中,标注数据标注在二值化图像中,得到待提取农作物的分布区域和待提取农作物的非分布区域;
将带有标注数据的二值化图像按照预先设置的像素尺寸进行分割,生成多个二值化图像样本;
判断每个二值化图像样本中包含的待提取农作物的分布区域是否大于待提取农作物的非分布区域;
如果是,将二值化图像样本标注为第一图像样本,其中,第一图像样本为包含待提取农作物的分布区域的待提取农作物图片;
如果否,将二值化图像样本标注为第二图像样本,其中,第二图像样本为未包含待提取农作物的分布区域的待提取农作物图片;
根据第一图像样本和第二图像样本建立待提取农作物的图片数据集。
第二方面,本发明实施例还提供一种农作物分布提取装置,该装置包括:
遥感图像获取模块,用于获取待提取农作物的遥感图像;
遥感图像处理模块,用于将遥感图像输入至预先训练好的分布特征提取模型,输出与遥感图像对应的待提取农作物的分布特征图;其中,分布特征图中标记有待提取农作物的分布区域;
分布区域处理模块,用于提取待提取农作物的分布区域,对待提取农作物的分布区域进行渲染,输出待提取农作物的分布效果图。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,遥感图像获取模块用于:
获取指定区域内待提取农作物的原始遥感图像;
对原始遥感图像进行预处理,生成待提取农作物的遥感图像,其中,预处理的过程包括以下处理过程中的一种或多种:几何校正处理过程、图像融合处理过程、大气校正处理过程。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,遥感图像处理模块用于:
对待提取农作物的遥感图像进行二值化处理,得到遥感图像对应的二值化图像;
将二值化图像输入至预先训练好的分布特征提取模型。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第三种可能的实施方式,其中,该装置还包括:
图片数据集获取模块,用于获取预先建立的待提取农作物的图片数据集,其中,农作物图片数据集包含多个预先标注完成的待提取农作物图片,每个待提取农作物图片标注有是否为待提取农作物的分布区域的标识符;
训练子集处理模块,用于提取图片数据集中包括的训练子集,将训练子集输入至待训练的卷积神经网络模型,对待训练的卷积神经网络模型进行训练以生成分布特征提取模型;以及,
测试子集处理模块,用于提取图片数据集中包括的测试子集,将测试子集输入至训练完成的分布特征提取模型,以对分布特征提取模型进行测试。
结合第二方面的第三种可能的实施方式,本发明实施例提供了第二方面的第四种可能的实施方式,其中,该装置还包括:
标注数据接收模块,用于接收用户输入的与遥感图像对应的二值化图像的标注数据,其中,标注数据标注在二值化图像中,得到待提取农作物的分布区域和待提取农作物的非分布区域;
图像分割模块,用于将带有标注数据的二值化图像按照预先设置的像素尺寸进行分割,生成多个二值化图像样本;
判断模块,用于判断每个二值化图像样本中包含的待提取农作物的分布区域是否大于待提取农作物的非分布区域;
第一标注模块,用于判断模块的判断结果为是时,将二值化图像样本标注为第一图像样本,其中,第一图像样本为包含待提取农作物的分布区域的待提取农作物图片;
第二标注模块,用于判断模块的判断结果为否时,将二值化图像样本标注为第二图像样本,其中,第二图像样本为未包含待提取农作物的分布区域的待提取农作物图片;
图片数据集建立模块,用于根据第一图像样本和第二图像样本建立待提取农作物的图片数据集。
本发明实施例带来了以下有益效果:
本发明实施例通过一种农作物分布提取方法及装置,能够将所获取的待提取农作物的遥感图像输入至预先训练好的分布特征提取模型,输出与遥感图像对应的待提取农作物的分布特征图,并且,该分布特征图中标记有待提取农作物的分布区域,以便于进一步提取该分布区域并进行渲染,从而输出待提取农作物的分布效果图。上述将所获取的待提取农作物的遥感图像输入至预先训练好的分布特征提取模型进行处理并最终输出待提取农作物的分布效果图的农作物分布提取方法能够减小提取效果误差,减小特征提取难度,并节省人力物力,从而达到对农作物分布特征进行精确提取的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构中实现和获得。
为使本发明的上述目的、特征和优点能够更加明显易懂,下文特举优选实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明的具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图进行简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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为本发明实施例提供的一种农作物分布提取方法的流程图;
图2为本发明实施例提供的另一种农作物分布提取方法的流程图;
图3为本发明实施例提供的一种农作物分布提取装置的结构示意图;
图4为本发明实施例提供的另一种农作物分布提取装置的结构示意图。
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,下面将结合附图对本发明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。
目前,地物识别是遥感领域的核心问题之一,而遥感图像中的农作物识别一直有着重要的应用价值。在农业领域,及时了解农作物的分布情况、生长趋势、农作物变化,可辅助预测出产量甚至是农作物所遇到的生长问题。通过分布提取实现农作物的生长情况感知,可有效地帮助农民预防病虫害、估计产量、应对自然灾害、管理农作物,且对于政府的农业政策也可提供数据支持。传统的农作物分布提取方法主要依靠大量标注人员进行人工目视标注,由于标准不统一且人工标注的主观性导致识别结果存在较大误差,增加了核查工作量,浪费了大量人力、物力。基于此,本发明实施例提供的一种农作物分布提取方法及装置,以改善人工标注过程中存在的误差较大、特征提取难度大、以及人力物力资源浪费等问题。
为了便于对本发明实施例进行理解,首先对本发明实施例所公开的一种农作物分布提取方法进行详细介绍。
在一种可能的实施方式中,本发明提供了一种农作物分布提取方法。如图1所示,其为本发明实施例提供的一种农作物分布提取方法的流程图。该农作物分布提取方法包括以下步骤:
步骤S102:获取待提取农作物的遥感图像。
其中,遥感图像是指记录各种地物电磁波大小的胶片或照片,主要分为航空图片和卫星图片。
待提取农作物可以是各种农作物中的一种或多种,诸如,冬小麦、玉米、大豆、花生等,本发明实施例对此并不进行限制。
步骤S104:将遥感图像输入至预先训练好的分布特征提取模型,输出与遥感图像对应的待提取农作物的分布特征图;其中,分布特征图中标记有待提取农作物的分布区域。
其中,上述预先训练好的分布特征提取模型,是对卷积神经网络模型进行训练得到的,能够对遥感图像进行特征提取,从而得到标记有待提取农作物的分布区域的分布特征图。
其中,卷积神经网络作为深度学习算法中的一种,能够成功地应用于图像识别与提取,其直接由计算机向其中输入简单的原始图像数据,并不需要对原始图像数据进行特别复杂的人工处理,并且其通过深层次的网络模型以及前向、反向传播算法进行精确的特征识别与提取,得到相关特征,从而降低了人为识别与提取的误差和成本。
步骤S106:提取待提取农作物的分布区域,对待提取农作物的分布区域进行渲染,输出待提取农作物的分布效果图。
本发明实施例通过一种农作物分布提取方法,能够将所获取的待提取农作物的遥感图像输入至预先训练好的分布特征提取模型,输出与遥感图像对应的待提取农作物的分布特征图,并且,该分布特征图中标记有待提取农作物的分布区域,以便于进一步提取该分布区域并进行渲染,从而输出待提取农作物的分布效果图。上述将所获取的待提取农作物的遥感图像输入至预先训练好的分布特征提取模型进行处理并最终输出待提取农作物的分布效果图的农作物分布提取方法能够减小提取效果误差,减小特征提取难度,并节省人力物力,从而达到对农作物分布特征进行精确提取的技术效果。
考虑到遥感影像在相同地理空间区域中地形、地貌、时间的不同,会导致地物分布复杂,也使得对遥感影像中的特征提取也就尤为重要,因此,上述步骤S102中获取的遥感图像,通常是对该地区的原始遥感图像进行预处理得到的遥感图像,以提高其精确度。具体地,图2示出了本发明实施例提供的另一种农作物分布提取方法的流程图,该方法包括以下步骤:
步骤S202:获取指定区域内待提取农作物的原始遥感图像。
步骤S204:对原始遥感图像进行预处理,生成待提取农作物的遥感图像,其中,预处理的过程包括以下处理过程中的一种或多种:几何校正处理过程、图像融合处理过程、大气校正处理过程。
其中,几何校正处理过程是通过一系列数学模型来改正和消除遥感图像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照***中的表达要求不一致时产生的变形的过程。图像融合处理过程是将所采集到的对于同一目标的图像数据经过图像处理和计算机技术等,最大限度地提取有利信息并综合成高质量的图像的过程。大气校正处理过程是消除由大气影响所造成的辐射误差,真实反映地物的表面反射率的过程。对原始遥感图像进行预处理,使得所生成的待提取农作物的遥感图像更加精确,鲁棒性更强。
在实际使用时,在对待提取农作物的原始遥感图像进行预处理得到其遥感图像之后,还需要对该遥感图像进行二值化处理,然后再输入至预先训练好的分布特征提取模型进行特征提取,同时,对遥感图像的二值化处理过程,也便于后续建立待提取农作物的图片数据集,具体地的二值化处理过程如下述步骤S206所示。
步骤S206:对待提取农作物的遥感图像进行二值化处理,得到遥感图像对应的二值化图像。
在实际使用时,对遥感图像的二值化处理可以采用指定的图像处理工具,如,使用ENVI(The Environment for Visualizing Images,可视化图像环境)软件中的ROI(Regionof Interest,感兴趣区域)工具对遥感图像进行图像二值化,得到二值化图像。
其中,ENVI为一种完整的遥感图像处理平台,应用软件处理技术来实现图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析等技术过程。
步骤S208:将二值化图像输入至预先训练好的分布特征提取模型,输出与上述遥感图像对应的待提取农作物的分布特征图;其中,分布特征图中标记有待提取农作物的分布区域。
步骤S210:提取待提取农作物的分布区域,对待提取农作物的分布区域进行渲染,输出待提取农作物的分布效果图。
由于上述分布特征提取模型是预先训练好的具有分布特征提取功能的神经网络模型,因此,本发明实施例提供的农作物分布提取方法,还包括对神经网络模型的训练过程,具体地,以上述神经网络模型为CNN(Convolutional Neural Networks,卷积神经网络)卷积神经网络为例进行说明,卷积神经网络(CNN)作为深度学习算法中的一种,它直接由计算机向模型中输入简单的原始图像数据,并不需要对原始数据进行特别复杂的人工处理,并且其通过深层次的网络模型以及前向、反向传播算法自动学习得到相关特征,降低了人为筛选的误差和成本。神经网络的网络层次结构通常分为输入层、卷积层、池化层和全连接层。输入层为原始的三维图像数据;卷积层中,原始图像数据基于各个卷积单元和卷积核进行运算并通过反向传播优化得到每个卷积层的特征权重,通过多层卷积来得到最终的特征;池化层也称为下采样层,目的是为了减少网络特征图大小,降低计算复杂度;全连接层,把复杂的特征图转换为样本标记空间。
具体地,具有分布特征提取功能的神经网络模型的训练过程包括以下步骤:
(1)获取预先建立的待提取农作物的图片数据集;
其中,该农作物图片数据集包含多个预先标注完成的待提取农作物图片,每个待提取农作物图片标注有是否为待提取农作物的分布区域的标识符;
(2)提取图片数据集中包括的训练子集,将训练子集输入至待训练的卷积神经网络模型,对待训练的卷积神经网络模型进行训练以生成分布特征提取模型;以及,
由此,便得到训练完成的分布特征提取模型。
(3)提取图片数据集中包括的测试子集,将测试子集输入至训练完成的分布特征提取模型,以对分布特征提取模型进行测试。
具体实现时,上述步骤(1)中预先标注的过程通常是人工标注的过程,并且,这些标注完成的待提取农作物图片通常也都是通过二值化处理之后得到的二值化图像,具体地,可以使用半自动目视标注方法进行标注,如,使用ENVI软件中的ROI工具进行二值化处理,然后再进行人工标注,由于农作物的区域识别为二分类问题(即,是农作物的分布区域和不是农作物的分布区域),因此,可以将该是农作物的分布区域标记为白色,不是农作物的分布区域标记为黑色,然后根据人工标注完成的图片数据建立上述待提取农作物的图片数据集。
进一步,对于已建立的待提取农作物的图片数据集,还可以进一步建立训练子集和测试子集,例如,将图片数据集中的多个图片随机打乱,并选取其中的80%作为训练子集,20%作为测试子集,分别对待训练的卷积神经网络模型进行训练和测试,上述待提取农作物的图片数据集中包含的图片数据的数量,以及训练子集和测试子集的占比,均可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
在实际使用中,对于已训练完成的分布特征提取模型,还需验证该训练完成的分布特征提取模型是否可以进行大面积应用。具体地,可以将测试子集中的各个样本输入到已训练完成的分布特征提取模型,将输出的待提取农作物的分布效果图与真实图像进行比对,得到预测正确和预测错误的样本个数,然后通过以下评价公式来计算预测精确度:
其中,Precision表示预测精确度;TP为测试子集中的测试正确的样本个数;FP为测试子集中的测试错误的样本个数。通过实验证明,通常,在预测精确度Precision大于等于93.8%的情况下,该训练完成的分布特征提取模型达到计算机视觉提取领域标准,可用于大面积农作物分布提取;否则,需要对训练参数进行调整,然后再继续进行训练和测试,直到达到预测精确度Precision大于等于93.8%的要求,进而用于大面积农作物分布提取。
进一步,上述建立待提取农作物的图片数据集的过程可以包括以下步骤:
(1)接收用户输入的与遥感图像对应的二值化图像的标注数据,其中,标注数据标注在二值化图像中,得到待提取农作物的分布区域和待提取农作物的非分布区域;
在实际使用时,用户可以使用不同的颜色对上述二值化图像进行标注,如,将待提取农作物的分布区域标记为白色,待提取农作物的非分布区域标记为黑色等等。
(2)将带有标注数据的二值化图像按照预先设置的像素尺寸进行分割,生成多个二值化图像样本;
考虑到二值化图像样本的数量较多,为了便于对每个二值化图像样本进行区分,在实际使用时,在对二值化图像进行分割后,还可以按照组成二值化图像的顺序对每个二值化图像样本进行命名,以便于后续的图片融合操作,如对于每个二值化图像样本分配相应的ID等等。
(3)判断每个二值化图像样本中包含的待提取农作物的分布区域是否大于待提取农作物的非分布区域;
(4)如果是,将二值化图像样本标注为第一图像样本,其中,第一图像样本为包含待提取农作物的分布区域的待提取农作物图片;
(5)如果否,将二值化图像样本标注为第二图像样本,其中,第二图像样本为未包含待提取农作物的分布区域的待提取农作物图片;
(6)根据第一图像样本和第二图像样本建立待提取农作物的图片数据集。
为了便于理解,以上述待提取农作物为冬小麦为例进行说明,具体地,以华北地区冬小麦种植为例进行说明,华北地区地属平原,土层深厚,农业发展迅速,小麦作物面积相较于其他地区更为广袤。在高分遥感影像中,小麦的标注容易受到其他种类作物及杂草灌木的干扰,而冬小麦作为华北地区冬季最重要的作物之一,可以避免受到大部分的样本干扰因素的影响。
具体实现时,可以使用ENVI软件中的ROI工具对研究区内的小麦作物进行人工标注;考虑到小麦区域识别属于二分类问题,所以使用ROI工具中的Create ClassificationImage from ROIs得到二值化样本图像数据,并将二值化图像切割为5x5的样本;通过python编程使每个样本和二值化图像ID进行绑定,如果图像中的白色区域大于黑色区域则标注为小麦,此方法能够显著地提高标注效率,增加样本中的正样本数量,从而使卷积神经网络能够对冬小麦的特征更精确地学习。
具体地,以上述待提取农作物的图片数据集大小为1545390张5x5大小的jpg格式遥感影像,位深度为8bit,像元值取值范围在0-255之间为例进行说明,且,待提取农作物的图片数据集包含的样本进行随机打乱,其中80%为训练集,20%为测试集。
考虑到卷积神经网络的网络结构分为输入层、卷积层、池化层、全连接层,因此,在实际使用时,可首先在输入层对1545390张5x5的遥感影像进行切割处理,卷积层中卷积核的大小为3x3,利用卷积核对5x5的遥感影像进行卷积,形成5x5x3的张量,在卷积层后和全连接层中加入池化层来减少特征图大小,加快运算速率。两层全连接层算法分别采用relu和softmax实现归一化,然后,将待提取农作物的图片数据集所有的张量按批输入至待训练的卷积神经网络模型中,进行训练,为了加快学习速率,可以设置相应的迭代次数,以得到较快的训练速率和较好的分类结果。具体的训练过程以及训练算法可以参照相关技术的资料实现,本发明实施例对此不进行限制。
综上所述,该农作物分布提取方法实现了对高分辨率图像中的农作物识别与提取。在遥感图像的农作物识别与提取中,通过卷积神经网络模型在计算机视觉领域的应用使得计算机代替人来识别农作物,避免了人为主观性,也提高了识别效率,节约了人力物力成本。
在另一种可能的实施方式中,对应于上述实施方式提供的农作物分布提取方法,本发明实施例还提供了一种农作物分布提取装置,图3为本发明实施例提供的一种农作物分布提取装置的结构示意图。如图3所示,该装置包括:
遥感图像获取模块30,用于获取待提取农作物的遥感图像;
遥感图像处理模块32,用于将遥感图像输入至预先训练好的分布特征提取模型,输出与遥感图像对应的待提取农作物的分布特征图;其中,分布特征图中标记有待提取农作物的分布区域;
分布区域处理模块34,用于提取待提取农作物的分布区域,对待提取农作物的分布区域进行渲染,输出待提取农作物的分布效果图。
在实际使用时,上述遥感图像获取模块30用于:
获取指定区域内待提取农作物的原始遥感图像;
对原始遥感图像进行预处理,生成待提取农作物的遥感图像,其中,预处理的过程包括以下处理过程中的一种或多种:几何校正处理过程、图像融合处理过程、大气校正处理过程。
进一步,上述遥感图像处理模块32用于:
对待提取农作物的遥感图像进行二值化处理,得到遥感图像对应的二值化图像;
将二值化图像输入至预先训练好的分布特征提取模型。
图4示出了本发明实施例提供的另一种农作物分布提取装置的结构示意图,如图4所示,除图3所示的结构外,上述装置还包括:
图片数据集获取模块36,用于获取预先建立的待提取农作物的图片数据集,其中,农作物图片数据集包含多个预先标注完成的待提取农作物图片,每个待提取农作物图片标注有是否为待提取农作物的分布区域的标识符;
训练子集处理模块38,用于提取图片数据集中包括的训练子集,将训练子集输入至待训练的卷积神经网络模型,对待训练的卷积神经网络模型进行训练以生成分布特征提取模型;以及,
测试子集处理模块40,用于提取图片数据集中包括的测试子集,将测试子集输入至训练完成的分布特征提取模型,以对分布特征提取模型进行测试。
进一步地,如图4所示,上述装置还包括:
标注数据接收模块42,用于接收用户输入的与遥感图像对应的二值化图像的标注数据,其中,标注数据标注在二值化图像中,得到待提取农作物的分布区域和待提取农作物的非分布区域;
图像分割模块44,用于将带有标注数据的二值化图像按照预先设置的像素尺寸进行分割,生成多个二值化图像样本;
判断模块46,用于判断每个二值化图像样本中包含的待提取农作物的分布区域是否大于待提取农作物的非分布区域;
第一标注模块48,用于判断模块的判断结果为是时,将二值化图像样本标注为第一图像样本,其中,第一图像样本为包含待提取农作物的分布区域的待提取农作物图片;
第二标注模块50,用于判断模块的判断结果为否时,将二值化图像样本标注为第二图像样本,其中,第二图像样本为未包含待提取农作物的分布区域的待提取农作物图片;
图片数据集建立模块52,用于根据第一图像样本和第二图像样本建立待提取农作物的图片数据集。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
进一步,本发明实施例还提供了一种服务器,该服务器包括:处理器和存储器;其中,所述存储器,用于存放计算机程序;所述处理器,用于执行所述存储器上所存放的程序时,实现上述农作物分布提取方法步骤。
本发明实施例还提供了一种计算机存储介质,用于存储计算机程序指令,当计算机执行所述计算机程序指令时,执行上述农作物分布提取方法。
本发明实施例所提供的农作物分布提取方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种农作物分布提取方法,其特征在于,包括以下步骤:
获取待提取农作物的遥感图像;
将所述遥感图像输入至预先训练好的分布特征提取模型,输出与所述遥感图像对应的所述待提取农作物的分布特征图;其中,所述分布特征图中标记有所述待提取农作物的分布区域;
提取所述待提取农作物的分布区域,对所述待提取农作物的分布区域进行渲染,输出所述待提取农作物的分布效果图;
将所述遥感图像输入至预先训练好的分布特征提取模型的步骤包括:
对所述待提取农作物的遥感图像进行二值化处理,得到所述遥感图像对应的二值化图像;
将所述二值化图像输入至预先训练好的所述分布特征提取模型;
所述方法还包括:
获取预先建立的所述待提取农作物的图片数据集,其中,所述农作物图片数据集包含多个预先标注完成的待提取农作物图片,每个所述待提取农作物图片标注有是否为所述待提取农作物的分布区域的标识符;
提取所述图片数据集中包括的训练子集,将所述训练子集输入至待训练的卷积神经网络模型,对所述待训练的卷积神经网络模型进行训练以生成所述分布特征提取模型;以及,
提取所述图片数据集中包括的测试子集,将所述测试子集输入至训练完成的所述分布特征提取模型,以对所述分布特征提取模型进行测试;
所述方法还包括:
接收用户输入的与所述遥感图像对应的二值化图像的标注数据,其中,所述标注数据标注在所述二值化图像中,得到所述待提取农作物的分布区域和所述待提取农作物的非分布区域;
将带有所述标注数据的二值化图像按照预先设置的像素尺寸进行分割,生成多个二值化图像样本;
判断每个所述二值化图像样本中包含的所述待提取农作物的分布区域是否大于所述待提取农作物的非分布区域;
如果是,将所述二值化图像样本标注为第一图像样本,其中,所述第一图像样本为包含所述待提取农作物的分布区域的待提取农作物图片;
如果否,将所述二值化图像样本标注为第二图像样本,其中,所述第二图像样本为未包含所述待提取农作物的分布区域的待提取农作物图片;
根据所述第一图像样本和所述第二图像样本建立所述待提取农作物的图片数据集。
2.根据权利要求1所述的方法,其特征在于,所述获取待提取农作物的遥感图像的步骤包括:
获取指定区域内所述待提取农作物的原始遥感图像;
对所述原始遥感图像进行预处理,生成所述待提取农作物的遥感图像,其中,所述预处理的过程包括以下处理过程中的一种或多种:几何校正处理过程、图像融合处理过程、大气校正处理过程。
3.一种农作物分布提取装置,其特征在于,所述装置包括:
遥感图像获取模块,用于获取待提取农作物的遥感图像;
遥感图像处理模块,用于将所述遥感图像输入至预先训练好的分布特征提取模型,输出与所述遥感图像对应的所述待提取农作物的分布特征图;其中,所述分布特征图中标记有所述待提取农作物的分布区域;
分布区域处理模块,用于提取所述待提取农作物的分布区域,对所述待提取农作物的分布区域进行渲染,输出所述待提取农作物的分布效果图;
所述遥感图像处理模块用于:
对所述待提取农作物的遥感图像进行二值化处理,得到所述遥感图像对应的二值化图像;
将所述二值化图像输入至预先训练好的所述分布特征提取模型;
所述装置还包括:
图片数据集获取模块,用于获取预先建立的所述待提取农作物的图片数据集,其中,所述农作物图片数据集包含多个预先标注完成的待提取农作物图片,每个所述待提取农作物图片标注有是否为所述待提取农作物的分布区域的标识符;
训练子集处理模块,用于提取所述图片数据集中包括的训练子集,将所述训练子集输入至待训练的卷积神经网络模型,对所述待训练的卷积神经网络模型进行训练以生成所述分布特征提取模型;以及,
测试子集处理模块,用于提取所述图片数据集中包括的测试子集,将所述测试子集输入至训练完成的所述分布特征提取模型,以对所述分布特征提取模型进行测试;
所述装置还包括:
标注数据接收模块,用于接收用户输入的与所述遥感图像对应的二值化图像的标注数据,其中,所述标注数据标注在所述二值化图像中,得到所述待提取农作物的分布区域和所述待提取农作物的非分布区域;
图像分割模块,用于将带有所述标注数据的二值化图像按照预先设置的像素尺寸进行分割,生成多个二值化图像样本;
判断模块,用于判断每个所述二值化图像样本中包含的所述待提取农作物的分布区域是否大于所述待提取农作物的非分布区域;
第一标注模块,用于所述判断模块的判断结果为是时,将所述二值化图像样本标注为第一图像样本,其中,所述第一图像样本为包含所述待提取农作物的分布区域的待提取农作物图片;
第二标注模块,用于所述判断模块的判断结果为否时,将所述二值化图像样本标注为第二图像样本,其中,所述第二图像样本为未包含所述待提取农作物的分布区域的待提取农作物图片;
图片数据集建立模块,用于根据所述第一图像样本和所述第二图像样本建立所述待提取农作物的图片数据集。
4.根据权利要求3所述的装置,其特征在于,所述遥感图像获取模块用于:
获取指定区域内所述待提取农作物的原始遥感图像;
对所述原始遥感图像进行预处理,生成所述待提取农作物的遥感图像,其中,所述预处理的过程包括以下处理过程中的一种或多种:几何校正处理过程、图像融合处理过程、大气校正处理过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604765.9A CN110298366B (zh) | 2019-07-05 | 2019-07-05 | 农作物分布提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604765.9A CN110298366B (zh) | 2019-07-05 | 2019-07-05 | 农作物分布提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298366A CN110298366A (zh) | 2019-10-01 |
CN110298366B true CN110298366B (zh) | 2021-05-04 |
Family
ID=68030444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910604765.9A Active CN110298366B (zh) | 2019-07-05 | 2019-07-05 | 农作物分布提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298366B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807143A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 作物连通域的识别方法、装置及作业*** |
CN113807129A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 一种作物区域识别方法、装置、计算机设备和存储介质 |
CN116010970A (zh) * | 2021-05-20 | 2023-04-25 | 浙江网商银行股份有限公司 | 基于遥感数据的数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
CN108376232A (zh) * | 2018-01-04 | 2018-08-07 | 北京星衡科技有限公司 | 一种用于遥感影像的自动解译的方法与装置 |
CN109145885A (zh) * | 2018-10-11 | 2019-01-04 | 北京师范大学 | 一种大尺度农作物遥感分类方法及*** |
CN109558806A (zh) * | 2018-11-07 | 2019-04-02 | 北京科技大学 | 高分遥感图像变化的检测方法和*** |
CN109740631A (zh) * | 2018-12-07 | 2019-05-10 | 中国科学院东北地理与农业生态研究所 | 基于对象的obia-svm-cnn遥感影像分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440646B (zh) * | 2013-08-19 | 2016-08-10 | 成都品果科技有限公司 | 用于颜色分布和纹理分布图像检索的相似度获取方法 |
CN106203432B (zh) * | 2016-07-14 | 2020-01-17 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位*** |
CN106296695B (zh) * | 2016-08-12 | 2019-05-24 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
US10600184B2 (en) * | 2017-01-27 | 2020-03-24 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN109684938A (zh) * | 2018-12-06 | 2019-04-26 | 广西大学 | 一种基于作物冠层航拍俯视图的甘蔗株数自动识别方法 |
-
2019
- 2019-07-05 CN CN201910604765.9A patent/CN110298366B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
CN108376232A (zh) * | 2018-01-04 | 2018-08-07 | 北京星衡科技有限公司 | 一种用于遥感影像的自动解译的方法与装置 |
CN109145885A (zh) * | 2018-10-11 | 2019-01-04 | 北京师范大学 | 一种大尺度农作物遥感分类方法及*** |
CN109558806A (zh) * | 2018-11-07 | 2019-04-02 | 北京科技大学 | 高分遥感图像变化的检测方法和*** |
CN109740631A (zh) * | 2018-12-07 | 2019-05-10 | 中国科学院东北地理与农业生态研究所 | 基于对象的obia-svm-cnn遥感影像分类方法 |
Non-Patent Citations (2)
Title |
---|
"农作物种植结构遥感提取研究进展";胡琼等;《中国农业科学》;20150531;第48卷(第10期);第1900-1914页 * |
"高分辨率遥感影像农田林网自动识别";吕雅慧等;《农业机械学报》;20180131;第49卷(第1期);第157-163页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110298366A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sadeghi-Tehran et al. | DeepCount: in-field automatic quantification of wheat spikes using simple linear iterative clustering and deep convolutional neural networks | |
Shendryk et al. | Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
US10015360B1 (en) | Image-based field boundary detection and identification | |
CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
CN110298366B (zh) | 农作物分布提取方法及装置 | |
CN107918776B (zh) | 一种基于机器视觉的用地规划方法、***及电子设备 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
David et al. | Vegetation indices and textures in object-based weed detection from UAV imagery | |
CN113609889A (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
WO2018098736A1 (zh) | 一种基于遥感成像的蓝藻监测方法及装置 | |
Gauci et al. | A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
Musyoka | Automatic delineation of small holder agricultural field boundaries using fully convolutional networks | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN113673340B (zh) | 一种害虫种类图像识别方法及*** | |
Islam et al. | QuanCro: a novel framework for quantification of corn crops’ consistency under natural field conditions | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 | |
CN115700805A (zh) | 植物高度检测方法、装置、设备及存储介质 | |
CN117292281B (zh) | 基于无人机图像的露地瓜菜检测方法、装置、设备及介质 | |
CN116385818B (zh) | 云检测模型的训练方法、装置及设备 | |
Biju et al. | Demarcation and Mapping of a Tree Species Using VHRS Data and Deep learning methods |
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 |