CN113077486A - 一种山区植被覆盖率监测方法及*** - Google Patents
一种山区植被覆盖率监测方法及*** Download PDFInfo
- Publication number
- CN113077486A CN113077486A CN202110484665.4A CN202110484665A CN113077486A CN 113077486 A CN113077486 A CN 113077486A CN 202110484665 A CN202110484665 A CN 202110484665A CN 113077486 A CN113077486 A CN 113077486A
- Authority
- CN
- China
- Prior art keywords
- image
- vegetation
- pixel points
- pixel
- color image
- 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 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 68
- 230000009467 reduction Effects 0.000 claims description 30
- 238000003709 image segmentation Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000007788 liquid Substances 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 description 17
- 239000002689 soil Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明一方面提供了一种山区植被覆盖率监测方法,先通过两种不同的方式获取彩色图像中包含的植被像素点的集合U1和U2,然后获取U1和U2的交集U3,然后获取U3在U2中对应的补集U4,并进一步对U4中的像素点是否属于植被像素点进行判断,从而获得最终的植被像素点集合Ufinal,并基于Ufinal对山区植被覆盖率进行监测。另一方面,本发明还提供了一种山区植被覆盖率监测***,用于实现所述方法。相较于现有技术仅采用单一的阈值分割算法来直接对彩色图像获取其中的植被像素点的方式,本发明获得的植被覆盖率的计算结果更为准确。
Description
技术领域
本发明涉及监测领域,尤其涉及一种山区植被覆盖率监测方法及***。
背景技术
山区植被覆盖率一般指在某一区域内树木、灌木、草地等植物对地面的投影面积占该区域的总面积的比值。山区植被覆盖率是反应山区森林资源和水土保持水平的重要指标,因此,需要定期获取山区的植被覆盖率,及时了解山区植被覆盖率的变化情况以便作出相应的决策。但是,由于山区交通不便,而且面积较大,采用人工测量的方式显然不合适。因此,现有技术中一般采用遥感图像的方式来对山区植被覆盖率来进行计算。但是,现有技术中一般仅采用单一的图像分割方式,例如仅采用直方图分割来获取遥感图像中的植被像素点,这种处理方式获得的结果并不够准确。
发明内容
鉴于上述问题,本发明的目的在于提供一种山区植被覆盖率监测方法及***。
本发明一方面提供了一种山区植被覆盖率监测方法,包括:
S1,获取监测区域的彩色图像;
S2,采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1;
S3,将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2;
S4,获取U1和U2的交集U3;
S5,获取U3在U2中对应的补集U4,将U4中的元素组成待分割图像;
S6,采用阈值分割算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6;
S7,分别计算U3、U5、U6的像素值均值,依次记为clustc3、clustc5、clustc6;
S8,计算clustc3和clustc5之间的差值的绝对值dist3,5,计算clustc3和clustc6之间的差值的绝对值dist3,6;
S9,若dist3,5小于dist3,6,则将U5与U3合并,得到植被像素点的最终集合Ufinal;若dist3,5大于等于dist3,6,则将U6与U3合并,得到植被像素点的最终集合Ufinal;
S10,基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,将vegecoidx与历史植被覆盖率进行对比,获取植被覆盖率的变化情况。
优选地,所述采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1,包括:
将所述彩色图像转换到RGB颜色空间,分别获取所述彩色图像的红色分量图像R、绿色分量图像G、蓝色分量图像B;
分别计算彩色图像中每个像素点的分割参数,获得待处理图像;
使用otsu算法对所述待处理图像进行阈值分割处理,获取所述待处理图像中包含的植被像素点,并将所述待处理图像中包含的所有植被像素点存入第一集合U1。
优选地,所述分别计算彩色图像中每个像素点的分割参数,获得待处理图像,包括:
建立一幅与所述彩色图像分辨率相同的空白图像,空白图像中的像素点与彩色图像中的像素点一一对应;
将彩色图像中的像素点pix的分割参数记为cutidxpix,将pix在所述空白图像中的对应的像素点记为pix′;
采用下述式子计算cutidxpix:
式中,α表示预设的比例参数,α∈(0,1),Rpix、Gpix、Bpix分别表示pix在红色分量图像R、绿色分量图像G、蓝色分量图像B中对应的像素点的像素值;Lpix表示pix在L分量图像中对应的像素点的像素值,L分量图像为所述彩色图像在Lab颜色空间中的亮度分量对应的图像;
将cutidxpix的值作为空白图像中的像素点pix'的像素值;
采用上述方式计算空白图像中的每个像素点的像素值,从而获得待处理图像。
优选地,所述将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2,包括:
对所述彩色图像进行灰度化处理,获得灰度图像;
对所述灰度图像进行降噪处理,获得降噪图像;
对所述降噪图像进行增强处理,获得增强图像;
将所述增强图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述增强图像中的植被像素点的第二集合,将所述第二集合记为U2。
优选地,所述基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,包括:
采用下述公式计算vegecoidx:
式中,numUfinal表示集合Ufinal中包含的元素的总数,numColor表示彩色图像中包含的像素点的总数。
另一方面,本发明还提供了一种山区植被覆盖率监测***,包括图像获取模块、第一集合获取模块、第二集合获取模块、交集获取模块、待分割图像获取模块、图像分割模块、均值计算模块、差值计算模块、合并模块和覆盖率处理模块;
所述括图像获取模块用于获取监测区域的彩色图像;
所述第一集合获取模块用于采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1;
所述第二集合获取模块用于将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2;
所述交集获取模块用于获取U1和U2的交集U3;
所述待分割图像获取模块用于获取U3在U2中对应的补集U4,将U4中的元素组成待分割图像;
所述图像分割模块用于采用阈值分割算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6;
所述均值计算模块用于分别计算U3、U5、U6的像素值均值,依次记为clustc3、clustc5、clustc6;
所述差值计算模块用于计算clustc3和clustc5之间的差值的绝对值dist3,5,以及用于计算clustc3和clustc6之间的差值的绝对值dist3,6;
所述合并模块用于在dist3,5小于dist3,6时,将U5与U3合并,得到植被像素点的最终集合Ufinal;以及用于在dist3,5大于等于dist3,6时,将U6与U3合并,得到植被像素点的最终集合Ufinal;
所述覆盖率处理模块用于基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,将vegecoidx与历史植被覆盖率进行对比,获取植被覆盖率的变化情况。
与现有技术相比,本发明的优点在于:
现有技术仅采用单一的阈值分割算法来直接对彩色图像获取其中的植被像素点,由于裸土像素点和植被像素点之间的差异比较小,单一的阈值分割比较难将两者区分开来,因此获得的结果并不够准确。
而本申请通过阈值分割获得U1,然后再通过神经网络模型获得U2,然后通过获取U1和U2的交集来获得一部分植被像素点的集合U3,而对于补集U4,由于裸土像素点和植被像素点在彩色图像中的差异比较小,因此其中的像素点绝大部分属于裸土像素点和植被像素点,因此对U4组成的待分割图像进行图像分割,获得前景像素点和背景像素点,然后通过像素值均值的差异来判断前景像素点属于植被像素点还是背景像素点属于植被像素点,从而获得完整的植被像素点的集合,有效地避免了裸土像素点对统计结果的影响,有效地提高了本发明的准确性。本申请通过不同的方式来获得植被像素点,通过不同方式获得的植被像素点的交集作为准确的植被像素点,有利于提高植被像素点的识别结果的准确性,然后对U4中的像素点进行处理,由于U4是补集,其中的像素点数量较少,因此,参与计算的像素点也比较少,因此可以有效地提高本发明的计算效率。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1,为本发明一种山区植被覆盖率监测方法的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示的一种实施例,本发明提供了一种山区植被覆盖率监测方法,包括:
S1,获取监测区域的彩色图像;
S2,采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1;
S3,将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2;
S4,获取U1和U2的交集U3;
S5,获取U3在U2中对应的补集U4,将U4中的元素组成待分割图像;
S6,采用阈值分割算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6;
S7,分别计算U3、U5、U6的像素值均值,依次记为clustc3、clustc5、clustc6;
S8,计算clustc3和clustc5之间的差值的绝对值dist3,5,计算clustc3和clustc6之间的差值的绝对值dist3,6;
S9,若dist3,5小于dist3,6,则将U5与U3合并,得到植被像素点的最终集合Ufinal;若dist3,5大于等于dist3,6,则将U6与U3合并,得到植被像素点的最终集合Ufinal;
S10,基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,将vegecoidx与历史植被覆盖率进行对比,获取植被覆盖率的变化情况。
优选地,本申请的检测区域的彩色图像通过无人机获取。利用无人机获取能够有效避免大气对成像的影响,因此,获得的彩色图像细节所包含的细节信息更为丰富,另一方面,通过无人见来获取彩色图像,成本相较于卫星拍摄更低。
优选地,所述采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1,包括:
将所述彩色图像转换到RGB颜色空间,分别获取所述彩色图像的红色分量图像R、绿色分量图像G、蓝色分量图像B;
分别计算彩色图像中每个像素点的分割参数,获得待处理图像;
使用otsu算法对所述待处理图像进行阈值分割处理,获取所述待处理图像中包含的植被像素点,并将所述待处理图像中包含的所有植被像素点存入第一集合U1。
优选地,所述分别计算彩色图像中每个像素点的分割参数,获得待处理图像,包括:
建立一幅与所述彩色图像分辨率相同的空白图像,空白图像中的像素点与彩色图像中的像素点一一对应;
将彩色图像中的像素点pix的分割参数记为cutidxpix,将pix在所述空白图像中的对应的像素点记为pix′;
采用下述式子计算cutidxpix:
式中,α表示预设的比例参数,α∈(0,1),Rpix、Gpix、Bpix分别表示pix在红色分量图像R、绿色分量图像G、蓝色分量图像B中对应的像素点的像素值;Lpix表示pix在L分量图像中对应的像素点的像素值,L分量图像为所述彩色图像在Lab颜色空间中的亮度分量对应的图像;
将cutidxpix的值作为空白图像中的像素点pix'的像素值;
采用上述方式计算空白图像中的每个像素点的像素值,从而获得待处理图像。
现有技术中,一般是直接对彩色图像中的G分量图像进行阈值分割处理,但是这种分割方式得到的结果并不准确,因为裸土像素点和植被像素点之间很难从G分量图像中使用单一的阈值分割分离出来。因此,本申请通过对红色、绿色、蓝色三个分量图像进行加权融合,并结合L分量,从而得到较为容易将裸土像素点和植被像素点分离的待处理图像,待处理图像中每个像素点的像素值为分割参数的值,而L分量的设置则是能够避免光照不均对分割结果的影响,进一步提高分割结果的准确性。因此本发明上述实施例有利于提高阈值分割的准确性。
空白图像中的像素点与彩色图像中的像素点一一对应,指的是,当将空白图像和彩色图像放置在同一个坐标系下时,空白图像中位置(1,1)的像素点,其在彩色图像中对应的像素点便是彩色图像中位置(1,1)的像素点,这两个像素点在各自图像内的相对位置相同,
优选地,所述将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2,包括:
对所述彩色图像进行灰度化处理,获得灰度图像;
对所述灰度图像进行降噪处理,获得降噪图像;
对所述降噪图像进行增强处理,获得增强图像;
将所述增强图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述增强图像中的植被像素点的第二集合,将所述第二集合记为U2。
对彩色图像进行降噪处理和增强处理,有利于在去除噪点的同时,在增强图像中保留更多的边缘细节信息,从而提高使用神经网络模型对增强图像进行识别,获得其中包含的植被像素点的准确性。
优选地,所述对所述灰度图像进行降噪处理,获得降噪图像,包括:
采用预设的分割算法将所述灰度图像分割成numQ个子图像;
对于第j个子图像,通过下述方式对其进行降噪处理,j∈[1,numQ]:
计算第j个子图像中的像素点的梯度幅值的方差vogaj,若vogaj小于预设的方差阈值,则采用下述方式对第j个子图像进行降噪处理,获得降噪处理后的子图像:
对于第j个子图像中的像素点pixel,将其bl×bl大小的邻域中的像素点存入集合neUpixel,
使用下述公式计算pixel降噪后的像素值:
式中,afpixel表示pixel降噪后的像素值,aneUpixel表示将neUpixel中的像素值最大的像素点和像素值最小的像素点删除后的剩余的像素点的集合,fk表示aneUpixel中的像素点k的像素值,numofaneU表示aneUpixel中包含的像素点的总数;
使用上述公式对第j个子图像中的每个像素点进行处理,获得降噪处理后的子图像;
若vogaj大于等于预设的方差阈值,则采用下述方式对第j个子图像进行降噪处理,获得降噪处理后的子图像:
对所述第j个子图像进行小波分解,获得小波分解高频图像和小波分解低频图像;
对于小波分解高频图像中的像素点,采用以下改进的阈值处理方式进行处理:
式中,xhp(u,v)表示阈值处理前的小波分解高频图像中位置为(u,v)的像素点的像素值,axhp(u,v)表示阈值处理前后小波分解高频图像中位置为(u,v)的像素点的像素值,ya1和ya2表示预设的处理阈值,xs表示选择函数,th为预设的选择阈值,cm表示控制参数,cm∈(0.1,0.9),z1和z2分别表示小波分解高频图像中位置为(u,v)的像素点的4邻域和8邻域中的像素点的像素值的标准差;
采用上述处理公式对小波分解高频图像中的每个像素点进行阈值处理,获得处理后的小波分解高频图像;
对于小波分解低频图像中的像素点,采用下述方式进行处理:
式中,bxlp(a,b)表示小波分解低频图像中位置为(a,b)的像素点使用上述方式处理后的像素值neUa,b表示小波分解低频图像中位置为(a,b)的像素点的tl×tl大小的邻域中的像素点的坐标的集合,(a1,b1)表示neUa,b中的元素,dst[(a1,b1),(a,b)]表示小波分解低频图像中位置为(a,b)的像素点和位置为(a1,b1)的像素点之间的距离,fcdst表示neUa,b中所有的元素对应的像素点和位置为(a,b)的像素点之间的距离的方差,ylp(a,b)和ylp(a1,b1)分别表示小波分解低频图像中位置为(a,b)的像素点和位置为(a1,b1)的像素点的梯度幅值,numneUa,b表示neUa,b中包含的元素的总数;
采用上述处理公式对小波分解低频图像中的每个像素点进行处理,获得处理后的小波分解低频图像;
对处理后的小波分解低频图像和处理后的小波分解高频图像进行小波重构,获得降噪处理后的子图像;
将所有降噪处理后的子图像进行组成降噪图像。
现有的降噪处理方式一般是采用全局降噪的方式,即使用同一种降噪函数对所有像素点进行统一的降噪处理,这种处理方式容易导致降噪后的图像高斯模糊过度,从而严重丢失细节信息。因此,本申请采用预设的分割算法那将灰度图像分割为多个子图像,然后再分别对每个子图像进行降噪处理,使得处理方式的使用上更有针对性,在降噪时间和降噪效果方面取得很好的平衡。
具体地,在对子图像进行降噪处理时,进一步考虑不同的子图像的具体情况,为不同情况的子图像选取合理的降噪处理方式。在子图像中的像素点的梯度幅值的方差小于方差阈值时,即子图像中的像素点差异较小时,采用改进的均值降噪对所述子图像进行降噪处理,具体地,将当前处理的像素点的邻域像素点集合中的像素值最大的像素点和最小的像素点进行排除,然后将剩余的像素点的像素值的均值作为所述当前降噪像素点降噪后的像素值。从而能够在很大程度上避免噪声点对降噪结果的影响,因为一般噪声点都是像素值最大的点或者是像素值最小的点。
另外在子图像中的像素点的梯度幅值的方差大于等于方差阈值时,即子图像中的像素点差异较大时,采用高斯滤波的话,细节信息会丢失比较严重,因此,本申请采用了改进的小波降噪方式对子图像进行降噪处理,具体地,在对小波分解高频图像进行降噪处理时,通过设置的两个处理阈值为不同情况下的小波分解高频图像中的像素点选择不同的处理函数,进一步加强了处理函数的针对性,从而提高降噪结果的准确性。在设置处理函数时,不仅将处理阈值参与运算,而且还设置了选择函数和控制参数,使得处理函数随着不同的子图像自适应地变化,更进一步增强处理函数的针对性和自适应性。
优选地,所述采用预设的分割算法将所述灰度图像分割成numQ个子图像,包括:
采用迭代的方式对所述灰度图像进行分割:
将第n-1次分割获得的子图像存入集合imsegUn,对于imsegUn中包含的子图像imsegn,采用下述方式判断其是否需要进一步进行分割:
计算imsegn的分割指数:
imsegidxn=w1×qval[sum(imsegn)]+w2×qval[gvva(imsegn)×[ma(imsegn)-mi(imsegn)]]
式中,imsegidxn表示imsegn的分割指数,w1和w2表示权重参数,qval表示取值函数,表示取括号内的数值参与运算,sum(imsegn)表示imsegn包含的像素点的总数,gvva(imsegn)表示imsegn中的所有像素点的像素值的方差,ma(imsegn)和mi(imsegn)分别表示imsegn中的像素值的最大值和最小值;
若所述分割指数大于预设额分割指数阈值,则表示imsegn需要进一步进行分割;
将所有需要进一步进行分割的子图像存入集合simtrfUn中,对于simtrfUn中的子图像simtrfn,将其划分为面积相同的Q个子图像,并将获得的子图像存入集合imsegUn+1中,imsegUn+1表示第n次分割获得的子图像的集合。
本发明上述实施方式,在对灰度图像进行图像分割处理获得子图像时,并不是采用传统的直接将图像划分为面积相同的多个子图像,而是采用迭代的方式对灰度图像进行图像法分割处理,对于上一次迭代获得的子图像,通过计算其分割指数与分割指数阈值进行对比,从而判断其是否需要进一步进行分割,当分割指数较大时,表面当前的子图像面积较大且其中包含的像素点之间的差异比较大,因此,可以适当地进一步进行划分,而当划分指数比较小时,则停止划分,这种设置方式有利于避免获得的子图像的面积过小,同时也能够尽可能地使最终获得的子图像中的像素点之间的差异较小,从而避免后续的降噪处理的过程中,过多地调用小波降噪的方式进行降噪处理,与此同时,由于子图像中的像素点之间的差异较小,因此采用同一种降噪处理方式获得的降噪结果也较为准确,有效地提高后续的降噪处理的效率和准确率。
优选地,所述对所述降噪图像进行增强处理,获得增强图像,包括:
采用Gamma校正算法对所述降噪图像进行增强处理,获得增强图像。
优选地,所述基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,包括:
采用下述公式计算vegecoidx:
式中,numUfinal表示集合Ufinal中包含的元素的总数,numColor表示彩色图像中包含的像素点的总数。
优选地,所述将vegecoidx与历史植被覆盖率进行对比,获取植被覆盖率的变化情况,包括:
将vegecoidx记为第i个植被覆盖率,那么vegecoidx相较于第i-1个植被覆盖率vegecoidi-1的变化率var通过下述公式计算:
除了计算变化率之外,还可以通过结合历史植被覆盖率绘制植被覆盖率变化曲线等方式来获取植被覆盖率的变化情况。
优选地,所述采用阈值分割算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6,包括:
采用二维otsu算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6。
另一方面,本发明还提供了一种山区植被覆盖率监测***,包括图像获取模块、第一集合获取模块、第二集合获取模块、交集获取模块、待分割图像获取模块、图像分割模块、均值计算模块、差值计算模块、合并模块和覆盖率处理模块;
所述括图像获取模块用于获取监测区域的彩色图像;
所述第一集合获取模块用于采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1;
所述第二集合获取模块用于将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2;
所述交集获取模块用于获取U1和U2的交集U3;
所述待分割图像获取模块用于获取U3在U2中对应的补集U4,将U4中的元素组成待分割图像;
所述图像分割模块用于采用阈值分割算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6;
所述均值计算模块用于分别计算U3、U5、U6的像素值均值,依次记为clustc3、clustc5、clustc6;
所述差值计算模块用于计算clustc3和clustc5之间的差值的绝对值dist3,5,以及用于计算clustc3和clustc6之间的差值的绝对值dist3,6;
所述合并模块用于在dist3,5小于dist3,6时,将U5与U3合并,得到植被像素点的最终集合Ufinal;以及用于在dist3,5大于等于dist3,6时,将U6与U3合并,得到植被像素点的最终集合Ufinal;
所述覆盖率处理模块用于基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,将vegecoidx与历史植被覆盖率进行对比,获取植被覆盖率的变化情况。
需要说明的是,本***用于实现上述方法的功能,装置中各模块与上述方法步骤相对应,并能够实施上述方法中的不同实施方式,具体可参见上述关于方法的描述,这里不再详细叙述。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种山区植被覆盖率监测方法,其特征在于,包括:
S1,获取监测区域的彩色图像;
S2,采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1;
S3,将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2;
S4,获取U1和U2的交集U3;
S5,获取U3在U2中对应的补集U4,将U4中的元素组成待分割图像;
S6,采用阈值分割算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6;
S7,分别计算U3、U5、U6的像素值均值,依次记为clustc3、clustc5、clustc6;
S8,计算clustc3和clustc5之间的差值的绝对值dist3,5,计算clustc3和clustc6之间的差值的绝对值dist3,6;
S9,若dist3,5小于dist3,6,则将U5与U3合并,得到植被像素点的最终集合Ufinal;若dist3,5大于等于dist3,6,则将U6与U3合并,得到植被像素点的最终集合Ufinal;
S10,基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,将vegecoidx与历史植被覆盖率进行对比,获取植被覆盖率的变化情况。
2.根据权利要求1所述的一种山区植被覆盖率监测方法,其特征在于,所述采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1,包括:
将所述彩色图像转换到RGB颜色空间,分别获取所述彩色图像的红色分量图像R、绿色分量图像G、蓝色分量图像B;
分别计算彩色图像中每个像素点的分割参数,获得待处理图像;
使用otsu算法对所述待处理图像进行阈值分割处理,获取所述待处理图像中包含的植被像素点,并将所述待处理图像中包含的所有植被像素点存入第一集合U1。
3.根据权利要求2所述的一种山区植被覆盖率监测方法,其特征在于,所述分别计算彩色图像中每个像素点的分割参数,获得待处理图像,包括:
建立一幅与所述彩色图像分辨率相同的空白图像,空白图像中的像素点与彩色图像中的像素点一一对应;
将彩色图像中的像素点pix的分割参数记为cutidxpix,将pix在所述空白图像中的对应的'像素点记为pix;
采用下述式子计算cutidxpix:
式中,α表示预设的比例参数,α∈(0,1),Rpix、Gpix、Bpix分别表示pix在红色分量图像R、绿色分量图像G、蓝色分量图像B中对应的像素点的像素值;Lpix表示pix在L分量图像中对应的像素点的像素值,L分量图像为所述彩色图像在Lab颜色空间中的亮度分量对应的图像;
将cutidxpix的值作为空白图像中的像素点pix'的像素值;
采用上述方式计算空白图像中的每个像素点的像素值,从而获得待处理图像。
4.根据权利要求1所述的一种山区植被覆盖率监测方法,其特征在于,所述将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2,包括:
对所述彩色图像进行灰度化处理,获得灰度图像;
对所述灰度图像进行降噪处理,获得降噪图像;
对所述降噪图像进行增强处理,获得增强图像;
将所述增强图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述增强图像中的植被像素点的第二集合,将所述第二集合记为U2。
6.一种山区植被覆盖率监测***,其特征在于,包括图像获取模块、第一集合获取模块、第二集合获取模块、交集获取模块、待分割图像获取模块、图像分割模块、均值计算模块、差值计算模块、合并模块和覆盖率处理模块;
所述括图像获取模块用于获取监测区域的彩色图像;
所述第一集合获取模块用于采用阈值分割算法获取所述彩色图像中的植被像素点的第一集合U1;
所述第二集合获取模块用于将所述彩色图像输入到预先训练好的神经网络模型中进行图像分割处理,获取所述彩色图像中的植被像素点的第二集合U2;
所述交集获取模块用于获取U1和U2的交集U3;
所述待分割图像获取模块用于获取U3在U2中对应的补集U4,将U4中的元素组成待分割图像;
所述图像分割模块用于采用阈值分割算法对所述待分割图像进行图像分割处理,获得前景像素点的集合U5和背景像素点的集合U6;
所述均值计算模块用于分别计算U3、U5、U6的像素值均值,依次记为clustc3、clustc5、clustc6;
所述差值计算模块用于计算clustc3和clustc5之间的差值的绝对值dist3,5,以及用于计算clustc3和clustc6之间的差值的绝对值dist3,6;
所述合并模块用于在dist3,5小于dist3,6时,将U5与U3合并,得到植被像素点的最终集合Ufinal;以及用于在dist3,5大于等于dist3,6时,将U6与U3合并,得到植被像素点的最终集合Ufinal;
所述覆盖率处理模块用于基于Ufinal计算所述监测区域的当前植被覆盖率vegecoidx,将vegecoidx与历史植被覆盖率进行对比,获取植被覆盖率的变化情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484665.4A CN113077486B (zh) | 2021-04-30 | 2021-04-30 | 一种山区植被覆盖率监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484665.4A CN113077486B (zh) | 2021-04-30 | 2021-04-30 | 一种山区植被覆盖率监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077486A true CN113077486A (zh) | 2021-07-06 |
CN113077486B CN113077486B (zh) | 2021-10-08 |
Family
ID=76616678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110484665.4A Expired - Fee Related CN113077486B (zh) | 2021-04-30 | 2021-04-30 | 一种山区植被覆盖率监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077486B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272174A (zh) * | 2022-06-15 | 2022-11-01 | 武汉市市政路桥有限公司 | 一种市政道路检测方法及*** |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
CN116453003A (zh) * | 2023-06-14 | 2023-07-18 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和*** |
CN116740580A (zh) * | 2023-08-16 | 2023-09-12 | 山东绿博园市政工程有限公司 | 基于遥感技术的园林工程数据处理方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846322A (zh) * | 2016-12-30 | 2017-06-13 | 西安电子科技大学 | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 |
US20190035071A1 (en) * | 2017-07-31 | 2019-01-31 | Rachio, Inc. | Image data for improving and diagnosing sprinkler controller performance |
CN109583378A (zh) * | 2018-11-30 | 2019-04-05 | 东北大学 | 一种植被覆盖度提取方法及*** |
CN110334583A (zh) * | 2019-05-09 | 2019-10-15 | 王志杰 | 一种小区域土壤植被覆盖率测量方法、装置及电子设备 |
CN110853022A (zh) * | 2019-11-14 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 病理切片图像的处理方法、装置、***及存储介质 |
CN111079637A (zh) * | 2019-12-12 | 2020-04-28 | 武汉轻工大学 | 田间图像中分割油菜花的方法、装置、设备及存储介质 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
CN111598028A (zh) * | 2020-05-21 | 2020-08-28 | 佛山市高明曦逻科技有限公司 | 一种基于遥感成像原理识别地表植被分布方法 |
CN111832386A (zh) * | 2020-05-22 | 2020-10-27 | 大连锐动科技有限公司 | 一种估计人体姿态的方法、装置及计算机可读介质 |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
CN112488938A (zh) * | 2020-11-28 | 2021-03-12 | 井若凡 | 一种遥感图像处理*** |
-
2021
- 2021-04-30 CN CN202110484665.4A patent/CN113077486B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
CN106846322A (zh) * | 2016-12-30 | 2017-06-13 | 西安电子科技大学 | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 |
US20190035071A1 (en) * | 2017-07-31 | 2019-01-31 | Rachio, Inc. | Image data for improving and diagnosing sprinkler controller performance |
CN109583378A (zh) * | 2018-11-30 | 2019-04-05 | 东北大学 | 一种植被覆盖度提取方法及*** |
CN110334583A (zh) * | 2019-05-09 | 2019-10-15 | 王志杰 | 一种小区域土壤植被覆盖率测量方法、装置及电子设备 |
CN110853022A (zh) * | 2019-11-14 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 病理切片图像的处理方法、装置、***及存储介质 |
CN111079637A (zh) * | 2019-12-12 | 2020-04-28 | 武汉轻工大学 | 田间图像中分割油菜花的方法、装置、设备及存储介质 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
CN111598028A (zh) * | 2020-05-21 | 2020-08-28 | 佛山市高明曦逻科技有限公司 | 一种基于遥感成像原理识别地表植被分布方法 |
CN111832386A (zh) * | 2020-05-22 | 2020-10-27 | 大连锐动科技有限公司 | 一种估计人体姿态的方法、装置及计算机可读介质 |
CN112488938A (zh) * | 2020-11-28 | 2021-03-12 | 井若凡 | 一种遥感图像处理*** |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
Non-Patent Citations (8)
Title |
---|
XIAODONGBAI等: "Vegetation segmentation robust to illumination variations based on clustering and morphology modelling", 《BIOSYSTEMS ENGINEERING》 * |
Z ZHAN等: "Vegetation Land Use/Land Cover Extraction From High-Resolution Satellite Images Based on Adaptive Context Inference", 《IEEE ACCESS》 * |
支克广等: "使用图像分析法测量叶面积指数和植被覆盖率", 《气象水文海洋仪器》 * |
李文慧等: "城市植被覆盖度遥感信息提取——以连云港市为例", 《信息技术》 * |
李良军: "遥感图像信息容量与地表热环境间关系研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
穆肇南等: "贵州乌蒙山区绿色植被覆盖率退化趋势的图像分析", 《科技通报》 * |
胡鸿等: "基于遥感影像的福建省长汀县级植被覆盖变化监测及分析", 《南京林业大学学报(自然科学版)》 * |
袁旭: "基于超像素的图像分割方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272174A (zh) * | 2022-06-15 | 2022-11-01 | 武汉市市政路桥有限公司 | 一种市政道路检测方法及*** |
CN115272174B (zh) * | 2022-06-15 | 2023-05-19 | 武汉市市政路桥有限公司 | 一种市政道路检测方法及*** |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
CN116453003A (zh) * | 2023-06-14 | 2023-07-18 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和*** |
CN116453003B (zh) * | 2023-06-14 | 2023-09-01 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和*** |
CN116740580A (zh) * | 2023-08-16 | 2023-09-12 | 山东绿博园市政工程有限公司 | 基于遥感技术的园林工程数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113077486B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077486B (zh) | 一种山区植被覆盖率监测方法及*** | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN109272455B (zh) | 基于弱监督生成对抗网络的图像去雾方法 | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
CN109583378A (zh) | 一种植被覆盖度提取方法及*** | |
CN104966285B (zh) | 一种显著性区域的检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN113160053B (zh) | 一种基于位姿信息的水下视频图像复原与拼接方法 | |
WO2021189782A1 (zh) | 图像处理方法、***、自动行走设备及可读存储介质 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
JP4747122B2 (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
CN111008563A (zh) | 一种暗光场景种子发芽检测方法、装置及可读存储介质 | |
CN115908186A (zh) | 一种遥感测绘图像增强方法 | |
CN115311556A (zh) | 一种用于自然资源管理的遥感影像处理方法及*** | |
CN109191482B (zh) | 一种基于区域自适应光谱角阈值的图像合并分割方法 | |
CN113888397A (zh) | 基于无人机遥感和图像处理技术的烟草清塘点株方法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
CN109993104B (zh) | 一种遥感图像对象层次的变化检测方法 | |
CN113221788B (zh) | 一种田块垄作特征提取方法及装置 | |
CN113610940B (zh) | 基于海洋矢量文件和影像通道阈值的临海区域匀色方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211008 |