CN113221788A - 一种田块垄作特征提取方法及装置 - Google Patents
一种田块垄作特征提取方法及装置 Download PDFInfo
- Publication number
- CN113221788A CN113221788A CN202110557228.0A CN202110557228A CN113221788A CN 113221788 A CN113221788 A CN 113221788A CN 202110557228 A CN202110557228 A CN 202110557228A CN 113221788 A CN113221788 A CN 113221788A
- Authority
- CN
- China
- Prior art keywords
- image
- ridge
- field
- remote sensing
- line
- 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
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
- G06V20/188—Vegetation
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种田块垄作特征提取方法及装置,通过获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像,采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线,将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段,获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像,根据所述直线段和所述田块图像,从而获取所述田块图像中的田块对应的垄长、垄距和垄向,便于辅助判断田块的作物类型,提高了作物类型识别精度。
Description
技术领域
本发明涉及农业耕作技术领域,特别是涉及一种田块垄作特征提取方法及装置。
背景技术
田块耕作特征,是判断作物种植类型、轮作模式的一个基本特征,也是了解作物长势和产量的辅助特征。对田块耕作特征的描述,通常采用灰度共生矩阵(Gray-level Co-occurrence Matrix,简称GLCM)统计型纹理特征,该特征原本针对土地覆被应用开发,表示纹理的混乱程度。
然而,缺乏结构型纹理特征来描述诸如垄作、垄向、垄距等跟作物类型密切相关的知识。
发明内容
基于此,本发明的目的在于,提供一种田块垄作特征提取方法及装置,其具有提高作物类型判别精度的优点。
为了实现上述目的,本发明的第一方面是提供一种田块垄作特征提取方法,包括:
获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像;
采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线;
将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段;
获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像;
根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向。
进一步地,所述获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像的步骤包括:获取全色遥感影像,采用Laplace滤波模板对所述全色遥感影像进行Laplace计算;将经过Laplace计算之后的所述全色遥感影像的像素值与阈值0比较,进行所述全色遥感影像的二值化处理,得到田垄线条图像;其中,所述像素值大于所述阈值0时,所述像素值设定为1,所述像素值小于所述阈值0时,所述像素值设定为0。
进一步地,所述将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段的步骤包括:计算所述线条中心线中每一像素的连接度,对所述连接度大于或等于第一预定阈值的像素进行删除,以截断所述线条中心线为N个线段;获取像素数量大于第二预定阈值的所述线段;计算所述线段的曲率,将所述曲率大于预设曲率阈值的线段,确定为直线段;其中,根据所述线段的像素数量和所述线段的两个端点连接而成的直线对应的像素数量的比值,计算所述线段的曲率。
进一步地,所述获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像的步骤包括:获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得田块图像;其中,训练所述田块识别模型包括:对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;将所述光学遥感卫星样本图像作为输入,所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
进一步地,所述根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向的步骤包括:获取所述直线段对应的第一图层和所述田块图像对应的第二图层,将所述第一图层和所述第二图层根据经纬度匹配,确定所述田块图像中的田块对应的所述直线段;计算每一所述直线段的像素数,得到每一所述直线段的垄长,将所述垄长中的最大垄长作为所述田块的垄长;计算每一所述直线段和左右相邻的线段之间的距离,将所述距离的中位数作为所述田块的垄距;计算每一所述直线段的角度,将所述角度的中位数作为所述田块的垄向。
本发明的第二方面提供一种田块垄作特征提取装置,包括:
线条图像单元,用于获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像;
细化单元,用于采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线;
筛选单元,用于将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段;
识别田块单元,用于获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像;
计算单元,用于根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向。
与现有技术相比,本发明的有益效果如下:
本发明提供了一种田块垄作特征提取方法及装置,通过获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像,采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线,将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段,获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像,根据所述直线段和所述田块图像,从而获取所述田块图像中的田块对应的垄长、垄距和垄向,便于辅助判断田块的作物类型,提高了作物类型识别精度。
附图说明
图1为本发明田块垄作特征提取方法的流程示意图;
图2为本发明田块垄作特征提取方法中S10的流程示意图;
图3为本发明田块垄作特征提取方法中S30的流程示意图;
图4为本发明田块垄作特征提取方法中S41的流程示意图;
图5为本发明田块垄作特征提取方法中S50的流程示意图;
图6为本发明田块垄作特征提取装置的结构框图;
图7为本发明田块垄作特征提取装置线条图像单元70的结构框图;
图8为本发明田块垄作特征提取装置截断和筛选单元90的结构框图;
图9为本发明田块垄作特征提取装置输入单元102的结构框图;
图10为本发明田块垄作特征提取装置计算单元110的结构框图。
具体实施方式
为了更好地理解和实施,下面结合附图详细说明本发明。
请参阅图1,本发明实施例提供一种田块垄作特征提取方法,包括的步骤如下:
S10.获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像。
全色波段,一般使用0.5微米到0.75微米左右的单波段,即从绿色往后的可见光波段。全色遥感影像是对地物辐射中全色波段的影像摄取,因为是单波段,在图上显示是灰度图片。在本申请实施例中,获取全色遥感影像,针对所述全色遥感影像进行Laplace计算和二值化,得到预处理后的图像,即田垄线条图像。
在一个可选的实施例中,请参阅图2,所述步骤S10包括S11~S12,具体如下:
S11.获取全色遥感影像,采用Laplace滤波模板对所述全色遥感影像进行Laplace计算。
Laplace算法是线性二阶微分算法,即用上下左右4个相邻像元值相加的和,再减去该像元值的四倍,作为该像元的亮度值。在本申请实施例中,采用Laplace滤波模板对所述全色遥感影像进行Laplace计算,其中所述Laplace滤波模板为:
S12.将经过Laplace计算之后的所述全色遥感影像的像素值与阈值0比较,进行所述全色遥感影像的二值化处理,得到田垄线条图像;其中,所述像素值大于所述阈值0时,所述像素值设定为1,所述像素值小于所述阈值0时,所述像素值设定为0。
图像二值化就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。在本申请实施例中,将经过Laplace计算之后的所述全色遥感影像中的像素值与阈值0比较,像素值为正值的,将所述像素值重新设定为1,像素值为负值的,将所述像素值重新设定为0,二值化后的图像即为田垄线条图像。
S20.采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线。
图像细化(Image Thinning),指二值图像的骨架化(Image Skeletonizing)的一种操作运算,所谓的细化就是经过一层层的剥离,从原来的图中去掉一些点,但仍要保持原来的形状,直到得到图像的骨架,所述骨架,可以理解为图像的中轴。在本申请实施例中,采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线。其中,所述图像细化方法可以为MATLAB、SKINMAGE中的图像细化算法,对所述田垄线条图像中的田垄线条重复删除线条边缘满足一定条件的像素,最终得到单像素宽度的线条中心线。
S30.将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段。
在本申请实施例中,获取的所述线条中心线存在互相交叉部分,将有交叉点的所述线条中心线截断为线段,所述线段包括部分弯曲线段,对所述线段按照预设曲率阈值筛选,得到直线段。
在一个可选的实施例中,请参阅图3,所述步骤S30包括S31~S33,具体如下:
S31.计算所述线条中心线中每一像素的连接度,对所述连接度大于或等于第一预定阈值的像素进行删除,以截断所述线条中心线为N个线段;
S32.获取像素数量大于第二预定阈值的所述线段;
S33.计算所述线段的曲率,将所述曲率大于预设曲率阈值的线段,确定为直线段;其中,根据所述线段的像素数量和所述线段的两个端点连接而成的直线对应的像素数量的比值,计算所述线段的曲率。
在本申请实施例中,计算所述线条中心线中每一像素的连接度,即某像素对应的8领域内,是否包含2个以上的像素,对连接度大于等于3的像素进行删除,将所述线条中心线截断为若干线段。将像素数量大于等于20的所述线段保留,计算保留的所述线段的曲率,将所述曲率大于等于0.99的线段,确定为直线段。其中,曲率计算公式如下:
nl为所述线段的像素数量,n为所述线段的两个端点连接而成的直线对应的像素数量,b为所述线段的曲率。
S40.获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像。
在一个可选的实施例中,所述步骤S40包括S41,具体如下:
S41.获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得田块图像。
在本申请实施例中,将从谷歌地球中获取的光学遥感卫星图像输入到训练好的田块识别模型中,识别出所述光学遥感卫星图像中所有的田块,从而得到田块图像。
在一个可选的实施例中,请参阅图4,所述步骤S41包括S412~S414包括:
S412.对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
S414.将所述光学遥感卫星样本图像作为输入,所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
在本申请实施例中,预先采集大量的光学遥感卫星样本图像,然后针对每个光学遥感卫星样本图像,人工逐一勾勒出所述样本图像中的田块边界,得到田块样本数据,将所述光学遥感卫星样本图像作为输入,将所述田块样本数据作为输出,输入到全卷积实例感知语义分割(Fully Convolutional Instance-aware Semantic Segmentation,简称FCIS)深度学习网络进行训练学习,从而得到田块识别模型。
S50.根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向。
在本申请实施例中,根据所述田块图像,将所述直线段归类到所述田块图像中的每个田块中,以计算所述田块图像中的田块对应的垄长、垄距和垄向。
在一个可选的实施例中,请参阅图5,所述步骤S50包括S51~S54,具体如下:
S51.获取所述直线段对应的第一图层和所述田块图像对应的第二图层,将所述第一图层和所述第二图层根据经纬度匹配,确定所述田块图像中的田块对应的所述直线段;
S52.计算每一所述直线段的像素数,得到每一所述直线段的垄长,将所述垄长中的最大垄长作为所述田块的垄长;
S53.计算每一所述直线段和左右相邻的线段之间的距离,将所述距离的中位数作为所述田块的垄距;
S54.计算每一所述直线段的角度,将所述角度的中位数作为所述田块的垄向。
在本申请实施例中,将所述直线段对应的第一图层和所述田块图像对应的第二图层根据经纬度匹配,即将所述直线段归类到所述田块图像中的每个田块中。
计算每一所述直线段包含的像素数量,将所述像素数量乘以每个像素的宽度,得到垄长。每个田块中包含多个直线段,将多个直线段对应的垄长互相比较,确定最大的垄长为所述田块的垄长。计算每个所述直线段与左右相邻的直线段之间的距离,将所述距离按照从小到大进行排序,将所述距离的中位数作为所述田块的垄距。计算每一所述直线段的角度时,设定一个平面坐标系,例如,以纵向方向耕作作物的田块为例,计算每个所述直线段与所述平面坐标系中的竖直线之间的夹角,将所述夹角的角度按照从小到大排序,将所述角度的中位数作为所述田块的垄向。
应用本发明实施例,通过获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像,采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线,将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段,获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像,根据所述直线段和所述田块图像,从而获取所述田块图像中的田块对应的垄长、垄距和垄向,便于辅助判断田块的作物类型,提高了作物类型识别精度。
相应于上述方法实施例,请参阅6,本发明实施例提供一种田块垄作特征提取装置60,包括:
线条图像单元70,用于获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像;
细化单元80,用于采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线;
截断和筛选单元90,用于将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段;
识别田块单元100,用于获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像;
计算单元110,用于根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向。
可选的,请参阅图7,所述线条图像单元70,具体包括:
Laplace计算单元72,用于获取全色遥感影像,采用Laplace滤波模板对所述全色遥感影像进行Laplace计算;
二值化单元74,用于将经过Laplace计算之后的所述全色遥感影像的像素值与阈值0比较,进行所述全色遥感影像的二值化处理,得到田垄线条图像;其中,所述像素值大于所述阈值0时,所述像素值设定为1,所述像素值小于所述阈值0时,所述像素值设定为0。
可选的,请参阅图8,所述截断和筛选单元90,具体包括:
线段单元92,用于计算所述线条中心线中每一像素的连接度,对所述连接度大于或等于第一预定阈值的像素进行删除,以截断所述线条中心线为N个线段;
获取单元94,用于获取像素数量大于第二预定阈值的所述线段;
直线段单元96,用于计算所述线段的曲率,将所述曲率大于预设曲率阈值的线段,确定为直线段;其中,根据所述线段的像素数量和所述线段的两个端点连接而成的直线对应的像素数量的比值,计算所述线段的曲率。
可选的,所述识别田块单元100,具体包括:
输入单元102,用于获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得田块图像;
可选的,请参阅图9,所述输入单元102,具体包括:
勾勒单元1022,用于对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
训练学习单元1024,用于将所述光学遥感卫星样本图像作为输入,所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
可选的,请参阅图10,所述计算单元110,具体包括:
匹配单元112,用于获取筛选后的所述线段对应的第一图层和所述田块图像对应的第二图层,将所述第一图层和所述第二图层根据经纬度匹配,确定所述田块图像中的田块对应的所述直线段;
垄长单元114,用于计算每一所述线段的像素数,得到每一所述线段的垄长,将所述垄长中的最大垄长作为所述田块的垄长;
垄距单元116,用于计算每一所述线段和左右相邻的线段之间的距离,将所述距离的中位数作为所述田块的垄距;
垄向单元118,用于计算每一所述线段的角度,将所述角度的中位数作为所述田块的垄向。
应用本发明实施例,通过获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像,采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线,将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段,获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像,根据所述直线段和所述田块图像,从而获取所述田块图像中的田块对应的垄长、垄距和垄向,便于辅助判断田块的作物类型,提高了作物类型识别精度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种田块垄作特征提取方法,其特征在于,包括:
获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像;
采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线;
将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段;
获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像;
根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向。
2.根据权利要求1所述的一种田块垄作特征提取方法,其特征在于,所述获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像的步骤包括:
获取全色遥感影像,采用Laplace滤波模板对所述全色遥感影像进行Laplace计算;
将经过Laplace计算之后的所述全色遥感影像的像素值与阈值0比较,进行所述全色遥感影像的二值化处理,得到田垄线条图像;其中,所述像素值大于所述阈值0时,所述像素值设定为1,所述像素值小于所述阈值0时,所述像素值设定为0。
3.根据权利要求1所述的一种田块垄作特征提取方法,其特征在于,所述将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段的步骤包括:
计算所述线条中心线中每一像素的连接度,对所述连接度大于或等于第一预定阈值的像素进行删除,以截断所述线条中心线为N个线段;
获取像素数量大于第二预定阈值的所述线段;
计算所述线段的曲率,将所述曲率大于预设曲率阈值的线段,确定为直线段;其中,根据所述线段的像素数量和所述线段的两个端点连接而成的直线对应的像素数量的比值,计算所述线段的曲率。
4.根据权利要求1所述的一种田块垄作特征提取方法,其特征在于,所述获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像的步骤包括:
获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得田块图像;
其中,训练所述田块识别模型包括:
对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
将所述光学遥感卫星样本图像作为输入,所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
5.根据权利要求1所述的一种田块垄作特征提取方法,其特征在于,所述根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向的步骤包括:
获取所述直线段对应的第一图层和所述田块图像对应的第二图层,将所述第一图层和所述第二图层根据经纬度匹配,确定所述田块图像中的田块对应的所述直线段;
计算每一所述直线段的像素数,得到每一所述直线段的垄长,将所述垄长中的最大垄长作为所述田块的垄长;
计算每一所述直线段和左右相邻的线段之间的距离,将所述距离的中位数作为所述田块的垄距;
计算每一所述直线段的角度,将所述角度的中位数作为所述田块的垄向。
6.一种田块垄作特征提取装置,其特征在于,包括:
线条图像单元,用于获取全色遥感影像,并对所述全色遥感影像进行Laplace计算和二值化,得到田垄线条图像;
细化单元,用于采用图像细化方法对所述田垄线条图像中的田垄线条进行细化,得到线条中心线;
截断和筛选单元,用于将所述线条中心线截断为线段,并根据预设曲率阈值对所述线段进行筛选,得到直线段;
识别田块单元,用于获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得田块图像;
计算单元,用于根据所述直线段和所述田块图像,计算所述田块图像中的田块对应的垄长、垄距和垄向。
7.根据权利要求6所述的一种田块垄作特征提取装置,其特征在于,所述获取单元包括:
Laplace计算单元,用于获取全色遥感影像,采用Laplace滤波模板对所述全色遥感影像进行Laplace计算;
二值化单元,用于将经过Laplace计算之后的所述全色遥感影像的像素值与阈值0比较,进行所述全色遥感影像的二值化处理,得到田垄线条图像;其中,所述像素值大于所述阈值0时,所述像素值设定为1,所述像素值小于所述阈值0时,所述像素值设定为0。
8.根据权利要求6所述的一种田块垄作特征提取装置,其特征在于,所述截断和筛选单元包括:
线段单元,用于计算所述线条中心线中每一像素的连接度,对所述连接度大于或等于第一预定阈值的像素进行删除,以截断所述线条中心线为N个线段;
获取单元,用于获取像素数量大于第二预定阈值的所述线段;
直线段单元,用于计算所述线段的曲率,将所述曲率大于预设曲率阈值的线段,确定为直线段;其中,根据所述线段的像素数量和所述线段的两个端点连接而成的直线对应的像素数量的比值,计算所述线段的曲率。
9.根据权利要求6所述的一种田块垄作特征提取装置,其特征在于,所述识别单元包括:
输入单元,用于获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得田块图像;
其中,训练所述田块识别模型包括:
勾勒单元,用于对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
训练学习单元,用于将所述光学遥感卫星样本图像作为输入,所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
10.根据权利要求6所述的一种田块垄作特征提取装置,其特征在于,所述计算单元包括:
匹配单元,用于获取筛选后的所述线段对应的第一图层和所述田块图像对应的第二图层,将所述第一图层和所述第二图层根据经纬度匹配,确定所述田块图像中的田块对应的所述直线段;
垄长单元,用于计算每一所述线段的像素数,得到每一所述线段的垄长,将所述垄长中的最大垄长作为所述田块的垄长;
垄距单元,用于计算每一所述线段和左右相邻的线段之间的距离,将所述距离的中位数作为所述田块的垄距;
垄向单元,用于计算每一所述线段的角度,将所述角度的中位数作为所述田块的垄向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557228.0A CN113221788B (zh) | 2021-05-21 | 2021-05-21 | 一种田块垄作特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557228.0A CN113221788B (zh) | 2021-05-21 | 2021-05-21 | 一种田块垄作特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221788A true CN113221788A (zh) | 2021-08-06 |
CN113221788B CN113221788B (zh) | 2022-06-03 |
Family
ID=77093711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110557228.0A Active CN113221788B (zh) | 2021-05-21 | 2021-05-21 | 一种田块垄作特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221788B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630650A (zh) * | 2023-07-20 | 2023-08-22 | 武汉理工大学 | 一种田垄宽度识别方法及用于田垄的无人车装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6684100B1 (en) * | 2000-10-31 | 2004-01-27 | Cardiac Pacemakers, Inc. | Curvature based method for selecting features from an electrophysiologic signals for purpose of complex identification and classification |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN105740759A (zh) * | 2016-01-15 | 2016-07-06 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和*** |
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及*** |
CN109840553A (zh) * | 2019-01-17 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 耕地作物类型的提取方法及***、存储介质、电子设备 |
CN109872292A (zh) * | 2019-02-22 | 2019-06-11 | 东华理工大学 | 用于对图形图像进行快速处理的方法 |
CN110232389A (zh) * | 2019-06-13 | 2019-09-13 | 内蒙古大学 | 一种基于绿色作物特征提取不变性的立体视觉导航方法 |
CN110555804A (zh) * | 2018-05-31 | 2019-12-10 | 清华大学 | 高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 |
CN112487999A (zh) * | 2020-12-02 | 2021-03-12 | 西安邮电大学 | 一种基于CycleGAN的遥感图像鲁棒特征提取方法 |
-
2021
- 2021-05-21 CN CN202110557228.0A patent/CN113221788B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6684100B1 (en) * | 2000-10-31 | 2004-01-27 | Cardiac Pacemakers, Inc. | Curvature based method for selecting features from an electrophysiologic signals for purpose of complex identification and classification |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN105740759A (zh) * | 2016-01-15 | 2016-07-06 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和*** |
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN110555804A (zh) * | 2018-05-31 | 2019-12-10 | 清华大学 | 高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及*** |
CN109840553A (zh) * | 2019-01-17 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 耕地作物类型的提取方法及***、存储介质、电子设备 |
CN109872292A (zh) * | 2019-02-22 | 2019-06-11 | 东华理工大学 | 用于对图形图像进行快速处理的方法 |
CN110232389A (zh) * | 2019-06-13 | 2019-09-13 | 内蒙古大学 | 一种基于绿色作物特征提取不变性的立体视觉导航方法 |
CN112487999A (zh) * | 2020-12-02 | 2021-03-12 | 西安邮电大学 | 一种基于CycleGAN的遥感图像鲁棒特征提取方法 |
Non-Patent Citations (2)
Title |
---|
JEFERSSON ALEX DOS SANTOS 等: "Interactive Multiscale Classification of High-Resolution Remote Sensing Images", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
杨嘉树 等: "顾及局部特性的CNN在遥感影像分类的应用", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630650A (zh) * | 2023-07-20 | 2023-08-22 | 武汉理工大学 | 一种田垄宽度识别方法及用于田垄的无人车装置 |
CN116630650B (zh) * | 2023-07-20 | 2023-09-29 | 武汉理工大学 | 一种田垄宽度识别方法及用于田垄的无人车装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113221788B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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*** | |
Malambo et al. | Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data | |
CN106295789B (zh) | 一种基于图像处理的作物种子计数方法 | |
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 | |
Khan et al. | Remote sensing: an automated methodology for olive tree detection and counting in satellite images | |
Puletti et al. | Unsupervised classification of very high remotely sensed images for grapevine rows detection | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN112907587B (zh) | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
CN108961295B (zh) | 基于正态分布h阈值的紫色土图像分割提取方法 | |
CN113077486B (zh) | 一种山区植被覆盖率监测方法及*** | |
Soares et al. | Plantation Rows Identification by Means of Image Tiling and Hough Transform. | |
CN113221788B (zh) | 一种田块垄作特征提取方法及装置 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及*** | |
CN110298366B (zh) | 农作物分布提取方法及装置 | |
CN115331100A (zh) | 耕地种植属性的空间分布监测方法及*** | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN111738936A (zh) | 基于图像处理的多株水稻穗长的测量方法 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及*** | |
CN114219815A (zh) | 多层次语义边界分割的高分辨遥感影像农田提取方法 | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
CN117746269B (zh) | 一种基于遥感数据的耕地边界识别***和方法 | |
CN117557915B (zh) | 作物品种识别方法、装置、电子设备和存储介质 | |
CN117315471B (zh) | 一种基于遥感影像与机器学习的梯田识别方法 |
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 |