CN112380904A - 一种基于遥感信息的多种农作物分类成果分割方法 - Google Patents
一种基于遥感信息的多种农作物分类成果分割方法 Download PDFInfo
- Publication number
- CN112380904A CN112380904A CN202011101756.7A CN202011101756A CN112380904A CN 112380904 A CN112380904 A CN 112380904A CN 202011101756 A CN202011101756 A CN 202011101756A CN 112380904 A CN112380904 A CN 112380904A
- Authority
- CN
- China
- Prior art keywords
- crop
- data
- image
- pixel value
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000017060 Arachis glabrata Nutrition 0.000 description 2
- 244000105624 Arachis hypogaea Species 0.000 description 2
- 235000010777 Arachis hypogaea Nutrition 0.000 description 2
- 235000018262 Arachis monticola Nutrition 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 241000219146 Gossypium Species 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000020232 peanut Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000699 topical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感信息的多种农作物分类成果分割方法，包括如下步骤：(1)获取研究区影像，并对影像进行预处理；(2)根据需求对影像进行识别分类，获取相关专题影像文件；(3)读取专题影像文件数据，获得各分类结果中每个像元的像元值；(4)将分类成果数据中的像元值进行排序，筛选出不重复的像元值以获得作物代码；(5)检查专题影像中的像元值是否为作物代码，将同一作物代码的专题影像像元值保留，并将非目标地物的像元值赋为0，循环此步骤，将所有单个目标作物图层导出，从而获得该研究区单一农作物种类分布成果图。本发明实现了对单一地类进行信息提取流程的自动化，使信息提取更快速，减少人工工作量。
Description
技术领域
本发明涉及遥感信息提取领域，具体涉及一种基于遥感信息的多种农作物分类成果分割方法。
背景技术
农作物空间分布信息不仅是农作物长势监测、病虫害预警和产量估算的基础数据，同时，精准高效的掌握农作物空间种植分布，对于国家宏观指导农业生产、制定农业政策、规范农业管理也具有重要的现实意义。相比传统的实地调查统计方法，遥感技术具有宏观视野、动态监测、信息获取方便和成本节约等诸多优点。
农作物空间分布逐渐由目视解译发展到基于统计学的分类方法，遥感图像的计算机自动识别分类，是计算机模式识别技术在遥感领域的具体应用，是遥感图像应用处理的重要内容和关键技术之一。目前市场上推出的数字图像处理软件信息提取自动化流程不够完善，对于单一地类分割通常人工干预多，效率低下。例如，常用软件bandmath、reclassify、Raster Calculator主要针对单景影像的操作，并没有批量处理操作。
基于上述情况，本发明提出了一种基于遥感信息的多种农作物分类成果分割方法，可有效解决以上问题，使信息提取更快速，减少人工工作量。
发明内容
针对现有技术中存在的不足，本发明的目的在于提供一种基于遥感信息的多种农作物分类成果分割方法。本发明针对现有技术人工干预过多、效率低下的问题，实现了单一地类信息提取过程的流程化、规范化。
为解决上述技术问题，本发明通过下述技术方案实现：
本发明提供一种基于遥感信息的多种农作物分类成果分割方法，包括如下步骤：
(1)获取研究区影像，并对影像进行预处理；
(2)根据需求对影像进行识别分类，获取相关专题影像文件；
(3)读取专题影像文件数据，获得各分类结果中每个像元的像元值；
(4)将分类成果数据中的像元值进行排序，筛选出不重复的像元值以获得作物代码；
(5)检查专题影像中的像元值是否为作物代码，将同一作物代码的专题影像像元值保留，并将非目标地物的像元值赋为0，循环此步骤，将所有单个目标作物图层导出，从而获得该研究区单一农作物种类分布成果图。
作为本发明的一种优选技术方案，所述步骤(1)中，对影像的预处理方法包括正射校正、全色多光谱融合、影像镶嵌、影像裁剪、不同时相影像波段合成。
作为本发明的一种优选技术方案，所述步骤(2)中，输出专题影像文件为方便代码读取的.tif格式数据，将专题影像中的农作物赋予所需的作物代码，该作物代码对应于专题影像的像元值。
作为本发明的一种优选技术方案，所述步骤(3)中，识别.tif格式的专题栅格数据，分别读取栅格数据每一行、每一列像元的像元值，读取专题影像文件数据的方法为：
data＝read_tiff(files[i])
其中，i为像元值为作物代码的专题影像文件，data为获得的该专题影像中每个像元的像元值。
作为本发明的一种优选技术方案，所述步骤(4)中，将所述步骤(3)中代码读取的该专题影像中每个像元的像元值按照值的大小进行分类，相同像元值的像元进行提取，按照每种农作物的统一像元值获得作物，具体方法为；
data_sort＝data[sort(data)]
crop_dm＝data_sort[uniq(data_sort)]
其中，data为专题影像中每个像元的像元值，data_sort为排序后的像元值，crop_dm为获得的作物代码。
作为本发明的一种优选技术方案，所述步骤(5)中，循环导出各类农作物类型数据的方法为：
temp＝(data eq crop_dm[crop_num])*crop_dm[crop_num]
其中，temp为计算后专题影像的像元值，crop_num为计算前该像元的原始值。
作为本发明的一种优选技术方案，所述步骤(5)中，循环导出各类农作物类型数据，每种农作物类型数据以栅格数据形式进行存放在同一图层，即可形成每种农作物空间分布结构。
本发明与现有技术相比，具有以下优点及有益效果：
本发明实现了对单一地类进行信息提取流程的自动化，使信息提取更快速，减少人工工作量。
附图说明
图1为本发明提供的多种农作物分类成果分割方法流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施例对本发明的优选实施方案进行描述，但是应当理解，附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
本发明提供一种基于遥感信息的多种农作物分类成果分割方法，包括如下步骤：
(1)获取研究区影像(国产卫星)，并对影像进行预处理；
选择符合当地农作物生长物候周期的影像，对全色、多光谱影像进行辐射校正、大气校正和正射校正；并将全色和多光谱数据进行融合、融合数据质量检查、影像镶嵌、影像裁剪、不同时相影像波段合成等预处理操作。
(2)根据需求对影像进行识别分类，获取相关专题影像文件；
基于训练样本对影像进行神经元法监督分类，获取玉米、大豆、花生、棉花等农作物专题影像；输出专题影像若为.tif格式数据则进入下一步骤，若否，则经影像格式转换后再进入下一步骤；同时，将专题影像中的农作物赋予所需的作物代码。
(3)识别.tif格式的专题栅格数据，分别读取栅格数据每一行、每一列像元的像元值，读取专题影像文件数据，获得各分类结果中每个像元的像元值(如玉米、大豆、花生、棉花等)；
data＝read_tiff(files[i])
其中，i为像元值为作物代码的专题影像文件，data为获得的该专题影像中每个像元的像元值。
(4)将所述上述步骤(3)中代码读取的该专题影像中每个像元的像元值按照值的大小进行分类，相同像元值的像元进行提取，按照每种农作物的统一像元值获得作物，具体方法为：
data_sort＝data[sort(data)]
crop_dm＝data_sort[uniq(data_sort)]
其中，data为专题影像中每个像元的像元值，data_sort为排序后的像元值，crop_dm为获得的作物代码。
(5)检查专题影像中的像元值是否为作物代码，将同一作物代码的专题影像像元值保留，并将非目标地物的像元值赋为0，循环此步骤，将所有单个目标作物图层导出，从而获得该研究区单一农作物种类分布成果图。
temp＝(data eq crop_dm[crop_num])*crop_dm[crop_num]
其中，temp为计算后专题影像的像元值，crop_num为计算前该像元的原始值。
该步骤中循环导出各类农作物类型数据，每种农作物类型数据以栅格数据形式进行存放在同一图层，即可形成每种农作物空间分布结构。
此外，步骤(2)中的训练样本选取：通过反复的实验并结合目视解译，根据需求和作物自身光谱特性，对影像选取特征训练样本，并对训练样本进行可分离性分析(保证可分离性＞1.8)。
依据本发明的描述及附图，本领域技术人员很容易制造或使用本发明的一种基于遥感信息的多种农作物分类成果分割方法，并且能够产生本发明所记载的积极效果。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (7)
1.一种基于遥感信息的多种农作物分类成果分割方法，其特征在于，包括如下步骤：
(1)获取研究区影像，并对影像进行预处理；
(2)根据需求对影像进行识别分类，获取相关专题影像文件；
(3)读取专题影像文件数据，获得各分类结果中每个像元的像元值；
(4)将分类成果数据中的像元值进行排序，筛选出不重复的像元值以获得作物代码；
(5)检查专题影像中的像元值是否为作物代码，将同一作物代码的专题影像像元值保留，并将非目标地物的像元值赋为0，循环此步骤，将所有单个目标作物图层导出，从而获得该研究区单一农作物种类分布成果图。
2.根据权利要求1所述的一种基于遥感信息的多种农作物分类成果分割方法，其特征在于，所述步骤(1)中，对影像的预处理方法包括正射校正、全色多光谱融合、影像镶嵌、影像裁剪、不同时相影像波段合成。
3.根据权利要求1所述的一种基于遥感信息的多种农作物分类成果分割方法，其特征在于，所述步骤(2)中，输出专题影像文件为方便代码读取的.tif格式数据，将专题影像中的农作物赋予所需的作物代码，该作物代码对应于专题影像的像元值。
4.根据权利要求1所述的一种基于遥感信息的多种农作物分类成果分割方法，其特征在于，所述步骤(3)中，识别.tif格式的专题栅格数据，分别读取栅格数据每一行、每一列像元的像元值，读取专题影像文件数据的方法为：
data＝read_tiff(files[i])
其中，i为像元值为作物代码的专题影像文件，data为获得的该专题影像中每个像元的像元值。
5.根据权利要求1所述的一种基于遥感信息的多种农作物分类成果分割方法，其特征在于，所述步骤(4)中，将所述步骤(3)中代码读取的该专题影像中每个像元的像元值按照值的大小进行分类，相同像元值的像元进行提取，按照每种农作物的统一像元值获得作物，具体方法为：
data_sort＝data[sort(data)]
crop_dm＝data_sort[uniq(data_sort)]
其中，data为专题影像中每个像元的像元值，data_sort为排序后的像元值，crop_dm为获得的作物代码。
6.根据权利要求1所述的一种基于遥感信息的多种农作物分类成果分割方法，其特征在于，所述步骤(5)中，循环导出各类农作物类型数据的方法为：
temp＝(data eq crop_dm[crop_num])*crop_dm[crop_num]
其中，temp为计算后专题影像的像元值，crop_num为计算前该像元的原始值。
7.根据权利要求1所述的一种基于遥感信息的多种农作物分类成果分割方法，其特征在于，所述步骤(5)中，循环导出各类农作物类型数据，每种农作物类型数据以栅格数据形式进行存放在同一图层，即可形成每种农作物空间分布结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101756.7A CN112380904A (zh) | 2020-10-15 | 2020-10-15 | 一种基于遥感信息的多种农作物分类成果分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101756.7A CN112380904A (zh) | 2020-10-15 | 2020-10-15 | 一种基于遥感信息的多种农作物分类成果分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112380904A true CN112380904A (zh) | 2021-02-19 |
Family
ID=74581526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011101756.7A Pending CN112380904A (zh) | 2020-10-15 | 2020-10-15 | 一种基于遥感信息的多种农作物分类成果分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380904A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894006A (zh) * | 2014-12-02 | 2016-08-24 | 北京师范大学 | 时空概率模型水稻遥感识别方法 |
| CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学（北京） | 一种地质图专题信息提取方法 |
| CN106710437A (zh) * | 2016-12-26 | 2017-05-24 | 中国矿业大学(北京) | 电子地图的编制方法和*** |
| CN109447111A (zh) * | 2018-09-20 | 2019-03-08 | 杭州师范大学 | 一种基于子类训练样本的遥感监督分类方法 |
| CN111259727A (zh) * | 2019-12-12 | 2020-06-09 | 中国资源卫星应用中心 | 基于遥感数据的秋收主要农作物信息提取方法及*** |
-
2020
- 2020-10-15 CN CN202011101756.7A patent/CN112380904A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894006A (zh) * | 2014-12-02 | 2016-08-24 | 北京师范大学 | 时空概率模型水稻遥感识别方法 |
| CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学（北京） | 一种地质图专题信息提取方法 |
| CN106710437A (zh) * | 2016-12-26 | 2017-05-24 | 中国矿业大学(北京) | 电子地图的编制方法和*** |
| CN109447111A (zh) * | 2018-09-20 | 2019-03-08 | 杭州师范大学 | 一种基于子类训练样本的遥感监督分类方法 |
| CN111259727A (zh) * | 2019-12-12 | 2020-06-09 | 中国资源卫星应用中心 | 基于遥感数据的秋收主要农作物信息提取方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 刘志强 等: "面向对象的高分辨率遥感影像分类在水土保持监测中的应用研究——以某公路工程为例", 《浙江水利科技》 * |
| 刘成名 等: "烟台市城镇建设用地动态变化的遥感分析", 《科技创新与生产力》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Early-and in-season crop type mapping without current-year ground truth: Generating labels from historical information via a topology-based approach | |
| Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
| CN107341795B (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
| CN110210387B (zh) | 基于知识图谱的绝缘子目标检测方法、***、装置 | |
| Wang et al. | YOLOv3‐Litchi Detection Method of Densely Distributed Litchi in Large Vision Scenes | |
| CN110751019A (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
| CN110766690B (zh) | 基于深度学习点监督思想的麦穗检测和计数方法 | |
| CN108492296B (zh) | 基于超像素分割的小麦麦穗智能计数***及方法 | |
| Masood et al. | Plants disease segmentation using image processing | |
| US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
| CN115909059A (zh) | 一种自然资源样本库建立方法和装置 | |
| Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
| Singh et al. | A review on artificial intelligence techniques for disease recognition in plants | |
| CN111539293A (zh) | 一种果树病害诊断方法及*** | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
| Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
| CN113989649A (zh) | 一种基于深度学习的遥感地块识别方法 | |
| Al-Saad et al. | Autonomous palm tree detection from remote sensing images-uae dataset | |
| CN112380904A (zh) | 一种基于遥感信息的多种农作物分类成果分割方法 | |
| CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 | |
| CN115828181A (zh) | 基于深度学习算法的马铃薯病害种类识别方法 | |
| Kumar et al. | A symbiosis with panicle-SEG based CNN for count the number of wheat ears | |
| Lu et al. | Snowvision: Segmenting, identifying, and discovering stamped curve patterns from fragments of pottery | |
| Boutiche et al. | Robust vegetation segmentation under field conditions using new adaptive weights for hybrid multichannel images based on the Chan-Vese model |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |