CN115294482A - 一种基于无人机遥感图像的食用菌产量估算方法 - Google Patents

一种基于无人机遥感图像的食用菌产量估算方法 Download PDF

Info

Publication number
CN115294482A
CN115294482A CN202211170765.0A CN202211170765A CN115294482A CN 115294482 A CN115294482 A CN 115294482A CN 202211170765 A CN202211170765 A CN 202211170765A CN 115294482 A CN115294482 A CN 115294482A
Authority
CN
China
Prior art keywords
image
triangle
connected domain
domains
domain
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
Application number
CN202211170765.0A
Other languages
English (en)
Other versions
CN115294482B (zh
Inventor
常召航
王宝印
赵峰
高飞
丁洋
王希强
常猛
刘永香
郭惠
郑春燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Changshengyuan Biotechnology Co ltd
Original Assignee
Shandong Changshengyuan Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Changshengyuan Biotechnology Co ltd filed Critical Shandong Changshengyuan Biotechnology Co ltd
Priority to CN202211170765.0A priority Critical patent/CN115294482B/zh
Publication of CN115294482A publication Critical patent/CN115294482A/zh
Application granted granted Critical
Publication of CN115294482B publication Critical patent/CN115294482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于无人机遥感图像的食用菌产量估算方法，属于图像数据处理技术领域；包括以下步骤：通过无人机沿预设航线依次采集多张种植田内食用菌的俯视图，获取与第一连通域形状相似的多个第三连通域；获取与三角形Ⅰ形状相似的多个三角形Ⅲ；将所有相邻的两张二值图依次拼接获取种植田内食用菌的完整图像；获取种植田内食用菌的总重量。本发明能够实现图像快速无缝拼接；进而根据食用菌的菌盖面积，对其产量进行估算。

Description

一种基于无人机遥感图像的食用菌产量估算方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于无人机遥感图像的食用菌产量估算方法。
背景技术
食用菌是指一种可做菜肴食用或入药治病的大型真菌，其具有营养丰富、风味独特和较高的药用价值等特点，因此深受人们的喜爱，并且已经逐渐融入当今社会天然健康食品的行列中，使得食用菌被大范围的人工室外种植，因此需要对其进行产量估算为后续的采摘、加工和贩卖提供数据支持。而利用遥感技术进行农作物产量估算已成为主流方法，遥感估产方法不仅数据获取及时高效、成本低，且监测范围广。然而卫星遥感难以实现高精度的产量估测，因此具有低成本、机动性强、操作简单、观测范围大等优点的无人机平台发展迅速，可以提供精度较高的合适图像，为农田信息获取和产量估测提供了新途径。
然而为了获取完整的食用菌种植田地，无人机采集的各图像中必有重叠部分，为了使产量估算更加精确，需要对采集连续的图像进行精准拼接。传统的图像拼接算法，如基于SIFT算法图像拼接技术和基于SURF算法图像拼接技术，在拼接过程中运算效率较低，拼接方式需对每一幅影像进行多次特征点提取、匹配等操作，耗费大量时间，而且鲁棒性低。尤其是在图像中存在尺度变换、视角变换、光照变化时，使连续的两张图像之间匹配精度差，易出现拼接缝隙、重影错位现象。
发明内容
为了解决现有技术中的不足，本发明提供一种基于无人机遥感图像的食用菌产量估算方法，该方法通过对图像进行二值化操作，按照图像的采集顺序，利用二值图像中食用菌的特征进行图像拼接，其能够在确保匹配精度的同时，匹配速度得到了较大提高，同时有效地消除拼接重影错位现象，能够实现图像快速无缝拼接；进而根据食用菌的菌盖面积，对其产量进行估算。
本发明的目的是提供一种基于无人机遥感图像的食用菌产量估算方法，包括以下步骤：
通过无人机沿预设航线依次采集多张种植田内食用菌的俯视图，且相邻两张俯视图的部分区域重叠；对每张俯视图进行二值化处理获取二值图；将相邻两张二值图记为第一图像和第二图像；
获取第一图像中每个菌盖的第一连通域；同时获取第二图像中每个菌盖第二连通域；
根据任一第一连通域的面积和周长，及每个第二连通域的面积和周长从所有第二连通域中获取与所述第一连通域形状相似的多个第三连通域；
根据所述第一连通域与其相邻且中心点不在同一直线上的两个第一连通域的中心点两两连接构成三角形Ⅰ；根据与所述第一连通域的形状相似的任一第三连通域，与其相邻且中心点不在同一直线上的两个包括第二连通域和/或第三连通域的中心点两两连接构成三角形Ⅱ，依次获取多个三角形Ⅱ；根据三角形Ⅰ中的边长与每个三角形Ⅱ的边长从所有三角形Ⅱ中获取与所述三角形Ⅰ形状相似的多个三角形Ⅲ；
利用三角形Ⅰ对应的三个连通域的像素点数量，与其每个三角形Ⅲ对应的三个连通域重叠时，未重合区域的像素点数量，获取与三角形Ⅰ重合的三角形Ⅲ；根据三角形Ⅰ及与三角形Ⅰ重合的三角形Ⅲ，基于三角形定位方式对第一图像和第二图像进行拼接；依次将所有相邻的两张二值图依次拼接获取种植田内食用菌的完整图像；
获取多个不同俯视面积的菌盖，对其进行称重和测量菌盖俯视面积，然后根据多个菌盖俯视面积与对应的重量数据进行平滑曲线拟合，获取面积与重量函数；
将种植田内食用菌的完整图像中每个菌盖俯视面积，通过面积与重量函数，获取种植田内食用菌的总重量。
在一实施例中，所述第一连通域形状相似的多个第三连通域是按照以下步骤获取：
根据任一第一连通域的面积和周长，及每个第二连通域的面积和周长获取所述第一连通域与每个第二连通域形状相似第一概率；
根据所述第一连通域与每个第二连通域形状相似第一概率从所有第二连通域中获取与所述第一连通域形状相似的多个第三连通域。
在一实施例中，所述第一连通域与每个第二连通域形状相似第一概率是按照以下步骤获取：
获取第一图像中多个菌盖的第一连通域；并获取每个菌盖第一连通域的第一面积以及第一周长；
根据每个第一连通域的第一面积以及第一周长获取每个菌盖的第一圆形度；
同理，获取第二图像中每个菌盖第二连通域的第二面积、第二周长及每个菌盖的第二圆形度；
根据任一第一连通域的第一面积、第一周长及第一圆形度，与每个第二连通域的第二面积、第二周长及第二圆形度，获取所述第一连通域与每个第二连通域形状相似第一概率。
在一实施例中，与所述三角形Ⅰ形状相似的多个三角形Ⅲ是按照以下步骤获取：
获取所述第一连通域与其相邻的，且中心点不在同一直线上最近的和次最近的两个第一连通域；将所述第一连通域与其相邻的两个第一连通域的中心点连接构成三角形Ⅰ；
获取与所述第一连通域的形状相似的任一第三连通域，获取所述第三连通域与其相邻的，且中心点不在同一直线上最近的和次最近的两个第二连通域和/或第三连通域；将所述第三连通域与其相邻的两个第二连通域和/或第三连通域的中心点连接构成三角形Ⅱ；依次获取多个三角形Ⅱ；
根据三角形Ⅰ中的边长与每个三角形Ⅱ的边长获取三角形Ⅰ与每个三角形Ⅱ的形状相似的第二概率；根据三角形Ⅰ与每个三角形Ⅱ的形状相似的第二概率从所有三角形Ⅱ中获取与所述三角形Ⅰ形状相似的多个三角形Ⅲ。
在一实施例中，所述第一图像和第二图像是按照以下步骤进行拼接：
利用三角形Ⅰ对应的三个连通域的最小外接矩形而形成第一子图像；利用任意一个三角形Ⅲ对应的三个连通域的最小外接矩形而形成第二子图像，依次获取多个第二子图像；
根据第一子图像中三个连通域内的像素点数量与其每个第二子图像重叠时，未重合连通域的像素点数量，获取与第一子图像重合的第二子图像；
根据与第一子图像重合的第二子图像对应的三角形Ⅲ，与第一子图像对应的三角形Ⅰ，基于三角形定位方式对第一图像和第二图像进行拼接。
在一实施例中，与第一子图像重合的第二子图像是按照以下步骤获取：
根据第一子图像中三个连通域内的像素点数量与其每个第二子图像重叠时，未重合连通域的像素点数量，获取第一子图像与每个第二子图像重合概率；
根据第一子图像与每个第二子图像重合概率获取与第一子图像重合的第二子图像。
本发明的有益效果是：本发明提供的一种基于无人机遥感图像的食用菌产量估算方法，该方法通过对采集的遥感图像根据食用菌的HSV颜色特征进行特征的提取，获取每个菌盖的连通域；为了减少算法中的计算量，提高了算法的运行速度，将图像进行二值化操作；再按照图像的采集顺序，通过获取相邻两张二值图相似连通域进行初步匹配，筛选出最佳的选择目标连通域，减少后续匹配的工作量；随后基于相似连通域分别构建两张相邻图像中三角形，将每个连通域视为一个点，通过三角定位的方式进行精准匹配，有效提升相邻两张图像拼接的精准度，使得相邻图像完成拼接，其能够在确保匹配精度的同时，匹配速度得到了较大提高，同时有效地消除拼接重影错位现象，能够实现图像快速无缝拼接；进而根据食用菌的菌盖面积，对其产量进行估算。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明的一种基于无人机遥感图像的食用菌产量估算方法的实施例总体步骤的流程示意图。
图2为食用菌中香菇的HSV图像。
图3为食用菌中香菇的HSV图像对应的非均匀量化直方图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通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。
本发明主要对室外种植的食用菌产量进行估计，而对于种植区域较大的食用菌，难以通过目测或者通过航拍出一张整体图片来估量食用菌的整体产量；由于采集整体的一张图时，航拍的高度较高，拍出的图像中每个食用菌的菌盖面积很难估计。为此，通过低飞行航拍出多张遥感食用菌种植田的图像，则食用菌产量估算需要对采集的遥感图像进行精准拼接；而现有的图像拼接方法时间长、匹配精度低、易出现拼接缝隙和重影错位现象。
需要说明的是，本发明主要针对室外种植香菇的产量估计，香菇的生产每个几乎均是独立生长，在采集的图像中，每个香菇的菌盖均清晰地显示在图像中。
本发明通过对采集的遥感图像进行处理，根据食用菌的HSV颜色特征进行提取识别，然后对图像进行二值化操作，按照图像的采集顺序，利用二值图像中食用菌的特征进行图像拼接，其能够在确保匹配精度的同时，匹配速度得到了较大提高，同时有效地消除拼接重影错位现象，能够实现图像快速无缝拼接；进而根据食用菌的菌盖面积，对其产量进行估算。
本发明提供的一种基于无人机遥感图像的食用菌产量估算方法，参见图1所示，包括以下以下步骤：
S1、通过无人机沿预设航线依次采集多张种植田内食用菌的俯视图，且相邻两张俯视图的部分区域重叠；对每张俯视图进行二值化处理获取二值图；将相邻两张二值图记为第一图像和第二图像；
在本实施例中，采集食用菌的俯视图时，为了避免太阳光线照射强度的影响，选择不刺眼的清晨或者傍晚使用无人机进行飞行拍摄种植田内食用菌的俯视图，获取食用菌的俯视图；其中食用菌的俯视图中含有食用菌的菌盖。无人机上设有激光测距传感器，可实时获取其距离地面的高度，相机拍摄时调整高度使图像可以清晰显示食用菌信息，且对采集的每张高精度遥感图像进行对应的高度标记。
需要说明的是，由于采集图像时，无人机飞行高度不同会导致拍摄的各图像中景物与实际比例不同，先利用几何变换对各图像进行调整。然后对图像进行二值化操作，进而根据食用菌的形状和位置关系进行图像拼接。为此，采集俯视图的过程中，根据采集设备距离种植田的高度使其采集的每张俯视图大小比例均相等。
在本实施例中，采集的图像大小一致，然而由于无人机飞行高度不同会导致各图像中景物与实际比例不同，需要进行调整使其统一，具体如下：
根据无人机上相机的成像参数以及各采集图像的标记高度，获取各图像大小与对应的实际大小的比例，按照图像采集顺序依次获取比例集合
Figure DEST_PATH_IMAGE001
，其中
Figure 677547DEST_PATH_IMAGE002
为采集的图像数量。取集合
Figure DEST_PATH_IMAGE003
的均值
Figure 839014DEST_PATH_IMAGE004
为标准比例参数，使各图像内景物大小与景物实际大小的比例统一，计算公式如下：
Figure 394760DEST_PATH_IMAGE006
式中，
Figure 274991DEST_PATH_IMAGE004
为设定的标准比例参数，
Figure 916188DEST_PATH_IMAGE003
为第
Figure DEST_PATH_IMAGE007
幅图像与实际大小的比例，
Figure 353117DEST_PATH_IMAGE008
为第
Figure 763370DEST_PATH_IMAGE007
幅图像的缩放系数。根据各图像的缩放系数
Figure 835010DEST_PATH_IMAGE008
对图像进行几何变换调整，使其图像大小与对应的实际大小的比例统一为
Figure 697924DEST_PATH_IMAGE004
；需要说明的是，缩放系数是根据无人机上相机的成像参数及采集各图像的标记高度而获取的；为此获取缩放调整后的图像，即为食用菌的俯视图。
在本实施例中，对每张俯视图进行二值化处理时，将缩放调整后的图像进行二值化处理，食用菌的菌盖区域的像素点为1，背景区域的像素点为0。
S2、获取与第一连通域形状相似的多个第三连通域；具体如下：
获取第一图像中每个菌盖的第一连通域；同时获取第二图像中每个菌盖第二连通域；
根据任一第一连通域的面积和周长，及每个第二连通域的面积和周长从所有第二连通域中获取与第一连通域形状相似的多个第三连通域；
需要说明的是，颜色可以最直观的使不同类别的事物区分开来，且颜色特征提取的计算量较小，食用菌的菌盖表面颜色与周围环境存在较大的差异。在本实施例中，首先使用直方图均衡化算法对无人机采集的图像进行增强，改善图像的视觉效果，再使用双边滤波对图像进行去噪处理。然后将图像从RGB颜色空间转化为HSV颜色空间，参见图2和图3所示，本实施例使用16：4：4的HSV颜色空间非均匀量化的方式，获得图2中HSV图像和图3中对应图2中HSV图像的非均匀量化直方图。
通过统计当前种植田内的香菇的颜色分量特征，根据颜色分量特征值设定阈值范围，判定当像素点的颜色非均匀分量特征值在阈值范围内为食用菌区域。最后使用形态学开运算和填充运算，获取每个菌盖的连通域。因此，对第一图像中获取每个菌盖对应的第一连通域；对第二图像中获取每个菌盖第二连通域。
在本实施例中，按照以下方式对第一图像中的第一连通域进行标记：
取采集的第一图像的左上角为起始点，在图像边缘按照顺时针方向逐像素点遍历；取起始遍历像素点距离最近的食用菌的菌盖第一连通域，对其进行标记
Figure DEST_PATH_IMAGE009
，取下一个遍历像素点距离最近的食用菌第一连通域，若该连通域仍为
Figure 797598DEST_PATH_IMAGE009
，则再取下一个遍历像素点距离最近的食用菌第一连通域，直至获取新的食用菌第一连通域，标记为
Figure 327936DEST_PATH_IMAGE010
，由此获取第一图像靠近第二图像的边缘处的菌盖第一连通域集合
Figure DEST_PATH_IMAGE011
，其中，
Figure 753233DEST_PATH_IMAGE012
为标记的菌盖第一连通域数量。
在本实施例中，第一连通域形状相似的多个第三连通域是按照以下步骤获取：
根据任一第一连通域的面积和周长，及每个第二连通域的面积和周长获取第一连通域与每个第二连通域形状相似第一概率；
根据第一连通域与每个第二连通域形状相似第一概率从所有第二连通域中获取与第一连通域形状相似的多个第三连通域。
其中，第一连通域与每个第二连通域形状相似第一概率是按照以下步骤获取：
获取第一图像中多个菌盖的第一连通域；并获取每个菌盖第一连通域的第一面积以及第一周长；
根据每个第一连通域的第一面积以及第一周长获取每个菌盖的第一圆形度；
同理，获取第二图像中每个菌盖第二连通域的第二面积、第二周长及每个菌盖的第二圆形度；
根据任一第一连通域的第一面积、第一周长及第一圆形度，与每个第二连通域的第二面积、第二周长及第二圆形度，获取第一连通域与每个第二连通域形状相似第一概率。
需要说明的是，在本实施例中，通过统计集合
Figure DEST_PATH_IMAGE013
中第一个菌盖第一连通域
Figure 444721DEST_PATH_IMAGE009
的面积S和周长L，因此计算其第一圆形度E为：
Figure DEST_PATH_IMAGE015
式中，
Figure 348086DEST_PATH_IMAGE016
表示第一连通域
Figure 467351DEST_PATH_IMAGE009
的第一圆形度；
Figure DEST_PATH_IMAGE017
表示第一连通域
Figure 63549DEST_PATH_IMAGE009
的面积，
Figure 901055DEST_PATH_IMAGE018
表示第一连通域
Figure 808444DEST_PATH_IMAGE009
周长。其中，第一连通域
Figure 782216DEST_PATH_IMAGE009
的面积和第一连通域
Figure 346052DEST_PATH_IMAGE009
周长是根据第一连通域
Figure 670854DEST_PATH_IMAGE009
内的像素点数量及边缘像素点数量而获取的。由于食用菌的菌盖连通域多为圆形，通过圆形度来表示每个菌盖圆形的程度。依次计算出集合
Figure 712760DEST_PATH_IMAGE013
中每个第一连通域的圆形度；同理，获取第二图像中每个菌盖第二连通域的第二面积、第二周长及每个菌盖的第二圆形度。
第一连通域
Figure 806618DEST_PATH_IMAGE009
与每个第二连通域形状相似第一概率的计算公式如下：
Figure 275776DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE021
表示第一连通域
Figure 22628DEST_PATH_IMAGE009
与任一第二连通域形状相似第一概率；
Figure 399383DEST_PATH_IMAGE016
表示第一连通域
Figure 347747DEST_PATH_IMAGE009
的圆形度；
Figure 253386DEST_PATH_IMAGE017
表示第一连通域
Figure 287201DEST_PATH_IMAGE009
的面积；
Figure 670909DEST_PATH_IMAGE018
表示第一连通域
Figure 142954DEST_PATH_IMAGE009
的周长；
Figure 219495DEST_PATH_IMAGE022
表示该第二连通域的圆形度；
Figure DEST_PATH_IMAGE023
表示该第二连通域的面积；
Figure 943868DEST_PATH_IMAGE024
表示该第二连通域的周长。
Figure DEST_PATH_IMAGE025
表示两连通域圆形度的差异占比；
Figure 334529DEST_PATH_IMAGE026
表示面积差异占比，
Figure DEST_PATH_IMAGE027
表示周长差异占比，其值越大，形状相似概率
Figure 460748DEST_PATH_IMAGE021
越小。
依次计算出每个第二连通域与第一连通域
Figure 846206DEST_PATH_IMAGE009
的形状相似的第一概率；设定第一概率阈值99%，若
Figure 854613DEST_PATH_IMAGE028
，则判定两菌盖连通域相似，否则判定其不相关。依次获取第二图像中与第一连通域
Figure 111282DEST_PATH_IMAGE009
相似的第二连通域的数量记为C；
若C为0，则判定第一连通域
Figure 888745DEST_PATH_IMAGE009
不处于两图像的重叠区域，返回取集合
Figure 307088DEST_PATH_IMAGE013
中下一个菌盖第一连通域
Figure 802792DEST_PATH_IMAGE010
，计算与第一连通域
Figure 597572DEST_PATH_IMAGE010
相似的连通域；若依然获取的相似连通域数量为0，直至计算与第一连通域
Figure DEST_PATH_IMAGE029
相似的连通域；其中，
Figure 429875DEST_PATH_IMAGE012
为标记的菌盖第一连通域数量；
若C大于0，则将数量为C的连通域，即为与第一连通域
Figure 19119DEST_PATH_IMAGE009
相似的多个第三连通域；图像的拼接至少需要三个不在一条直线上的点进行定位，防止拼接错位重影；则进行下一步判断，从多个第三连通域中确定最相似的连通域。需要说明的是，将第一概率阈值设置为99%的目的是为了能够获取最为相似的连通域，且避免给后续通过三角定位出现更大的误差。
S3、获取与三角形Ⅰ形状相似的多个三角形Ⅲ；具体如下：
根据第一连通域与其相邻且中心点不在同一直线上的两个第一连通域的中心点两两连接构成三角形Ⅰ；根据与第一连通域的形状相似的任一第三连通域，与其相邻且中心点不在同一直线上的两个包括第二连通域和/或第三连通域的中心点两两连接构成三角形Ⅱ，依次获取多个三角形Ⅱ；根据三角形Ⅰ中的边长与每个三角形Ⅱ的边长从所有三角形Ⅱ中获取与三角形Ⅰ形状相似的多个三角形Ⅲ；
其中，与三角形Ⅰ形状相似多个三角形Ⅲ是按照以下步骤获取：
获取第一连通域与其相邻的，且中心点不在同一直线上最近的和次最近的两个第一连通域；将第一连通域与其相邻的两个第一连通域的中心点连接构成三角形Ⅰ；
获取与第一连通域的形状相似的任一第三连通域，获取第三连通域与其相邻的，且中心点不在同一直线上最近的和次最近的两个包括第二连通域和/或第三连通域；将第三连通域与其相邻的两个包括第二连通域和/或第三连通域的中心点连接构成三角形Ⅱ；依次获取多个三角形Ⅱ；
根据三角形Ⅰ中的边长与每个三角形Ⅱ的边长获取三角形Ⅰ与每个三角形Ⅱ的形状相似的第二概率；根据三角形Ⅰ与每个三角形Ⅱ的形状相似的第二概率从所有三角形Ⅱ中获取与三角形Ⅰ形状相似的多个三角形Ⅲ。
在本实施例中，为了获取与三角形Ⅰ形状相似的多个三角形Ⅲ，具体如下：
取第一图像中距离菌盖第一连通域
Figure 2118DEST_PATH_IMAGE009
最近和次最近的两个第一连通域，统计这三个第一连通域的中心点，若三个中心点处于一条直线上，则取剩下第一连通域中距离第一连通域
Figure 69432DEST_PATH_IMAGE009
最近的一个替换这两个第一连通域中相对较远的那一个，直至三个中心点不处于一条直线上，三个中心点组成一个三角形Ⅰ。将第一连通域
Figure 555908DEST_PATH_IMAGE009
的中心点距离其最近的第一连通域中心点的连接边设为
Figure 581632DEST_PATH_IMAGE030
，其长度为
Figure DEST_PATH_IMAGE031
，将第一连通域
Figure 721102DEST_PATH_IMAGE009
的中心点距离次最近的第一连通域的中心点的连接边设为
Figure 998631DEST_PATH_IMAGE032
，其长度为
Figure DEST_PATH_IMAGE033
，将最近第一连通域中心点与次最近第一连通域的中心点的连接边设为
Figure 808455DEST_PATH_IMAGE034
，其长度为
Figure DEST_PATH_IMAGE035
。
同理，与第一连通域
Figure 208344DEST_PATH_IMAGE009
的形状相似的一个第三连通域，获取第三连通域与其相邻的，且中心点不在同一直线上最近的和次最近的两个包括第二连通域和/或第三连通域；将第三连通域与其相邻的两个包括第二连通域和/或第三连通域的中心点连接构成三角形Ⅱ；依次获取多个三角形Ⅱ；将第三连通域与最近的一个包括第二连通域或第三连通域的中心点的连接边设为
Figure 634777DEST_PATH_IMAGE036
，其长度为
Figure DEST_PATH_IMAGE037
；将第三连通域与次最近的一个包括第二连通域或第三连通域的中心点的连接边设为
Figure 798821DEST_PATH_IMAGE038
，其长度为
Figure DEST_PATH_IMAGE039
；将最近的一个包括第二连通域或第三连通域的中心点与次最近的一个包括第二连通域或第三连通域的中心点的连接边设为
Figure 338518DEST_PATH_IMAGE040
，其长度为
Figure DEST_PATH_IMAGE041
；
则根据三角形Ⅰ中的边长与每个三角形Ⅱ的边长获取三角形Ⅰ与每个三角形Ⅱ的形状相似第二概率；其计算公式如下：
Figure DEST_PATH_IMAGE043
式中，
Figure 581412DEST_PATH_IMAGE044
表示三角形Ⅰ与任一个三角形Ⅱ的形状相似第二概率；
Figure 23370DEST_PATH_IMAGE031
表示第一连通域
Figure 501756DEST_PATH_IMAGE009
的中心点距离其最近的第一连通域中心点的连接边的长度；
Figure 551751DEST_PATH_IMAGE033
表示第一连通域
Figure 355759DEST_PATH_IMAGE009
的中心点距离次最近的第一连通域的中心点的连接边的长度；
Figure 756785DEST_PATH_IMAGE035
表示将最近第一连通域中心点与次最近第一连通域的中心点的连接边的长度；
Figure 38862DEST_PATH_IMAGE037
表示第三连通域与最近的一个包括第二连通域或第三连通域的中心点的连接边的长度；
Figure 474522DEST_PATH_IMAGE039
表示第三连通域与次最近的一个包括第二连通域或第三连通域的中心点的连接边的长度；
Figure 183852DEST_PATH_IMAGE041
表示最近的一个包括第二连通域或第三连通域的中心点与次最近的一个包括第二连通域或第三连通域的中心点的连接边的长度；
Figure DEST_PATH_IMAGE045
、
Figure 413452DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
分别表示三角形Ⅰ与任一个三角形Ⅱ对应的三条边的差异占比，其值越大，三角形的相似概率
Figure 436903DEST_PATH_IMAGE044
越小。
同理，在第二图像中，获取与第一连通域
Figure 727070DEST_PATH_IMAGE009
相似的每个第三连通域与其邻域且中心点不在同一直线上的连通域构成的所有三角形Ⅱ；逐个计算三角形Ⅱ与三角形Ⅰ的形状相似第二概率；
设定第二概率阈值99%，若
Figure 341722DEST_PATH_IMAGE048
，则判断三角形Ⅱ与三角形Ⅰ对应边长相似，进而可知其对应夹角也相似；否则判定其不相关。从第二图像中C个第三连通域中获得与第一连通域
Figure 982919DEST_PATH_IMAGE009
构成三角形Ⅰ相似的三角形Ⅱ对应的第三连通域的数量记为D；
若D为0，则判断在第二图像中C个第三连通域所构成的所有三角形Ⅱ与第一连通域
Figure 603868DEST_PATH_IMAGE009
构成的三角形Ⅰ不相似，返回取集合
Figure 748542DEST_PATH_IMAGE013
中下一个菌盖第一连通域
Figure 799674DEST_PATH_IMAGE010
，再依次计算与第一连通域
Figure 928167DEST_PATH_IMAGE010
相似的连通域，以及计算与第一连通域
Figure 231104DEST_PATH_IMAGE010
构成三角形Ⅰ相似的三角形Ⅱ对应的第三连通域的数量，若依然获取的三角形Ⅱ对应的第三连通域的数量为0，依次计算至第一连通域
Figure 495863DEST_PATH_IMAGE029
；
若D大于0，则从所有三角形Ⅱ获取与三角形Ⅰ相似的三角形，将与三角形Ⅰ相似的三角形记为多个三角形Ⅲ；则进行下一步判断，从多个三角形Ⅲ中选取与三角形Ⅰ最重合的三角形。
需要说明的是，将第二概率阈值设置为99%的目的是为了能够获取最为相似的三角形，且避免给后续通过三角定位出现更大的误差。
S4、将所有相邻的两张二值图依次拼接获取种植田内食用菌的完整图像；具体如下：
利用三角形Ⅰ对应的三个连通域的像素点数量，与其每个三角形Ⅲ对应的三个连通域重叠时，未重合区域的像素点数量，获取与三角形Ⅰ重合的三角形Ⅲ；根据三角形Ⅰ及与三角形Ⅰ重合的三角形Ⅲ，基于三角形定位方式对第一图像和第二图像进行拼接；依次将所有相邻的两张二值图依次拼接获取种植田内食用菌的完整图像；
其中，第一图像和第二图像是按照以下步骤进行拼接：
利用三角形Ⅰ对应的三个连通域的最小外接矩形而形成第一子图像；利用任意一个三角形Ⅲ对应的三个连通域的最小外接矩形而形成第二子图像，依次获取多个第二子图像；
根据第一子图像中三个连通域内的像素点数量与其每个第二子图像重叠时，未重合连通域的像素点数量，获取与第一子图像重合的第二子图像；
根据与第一子图像重合的第二子图像对应的三角形Ⅲ，与第一子图像对应的三角形Ⅰ，基于三角形定位方式对第一图像和第二图像进行拼接。
需要说明的是，与第一子图像重合的第二子图像是按照以下步骤获取：
根据第一子图像中三个连通域内的像素点数量与其每个第二子图像重叠时，未重合连通域的像素点数量，获取第一子图像与每个第二子图像重合概率；
根据第一子图像与每个第二子图像重合概率获取与第一子图像重合的第二子图像。
在本实施例中，利用三角形Ⅰ对应的三个连通域的最小外接矩形而形成第一子图像记为
Figure DEST_PATH_IMAGE049
；取任意一个三角形Ⅲ对应的三个连通域的最小外接矩形而形成第二子图像
Figure 918230DEST_PATH_IMAGE050
；
令三角形Ⅰ中第一连通域
Figure 268440DEST_PATH_IMAGE009
的中心点与三角形Ⅲ中与第一连通域
Figure 234122DEST_PATH_IMAGE009
对应的连通域的中心点重合，以此点为中心旋转图像
Figure 353387DEST_PATH_IMAGE050
，使三角形Ⅰ与三角形Ⅲ中的连接边
Figure 746323DEST_PATH_IMAGE030
与
Figure 583829DEST_PATH_IMAGE036
的夹角和连接边
Figure 87622DEST_PATH_IMAGE032
与
Figure 61394DEST_PATH_IMAGE038
的夹角之和最小；
统计此时第一子图像与第二子图像为未重合区域的像素点数量
Figure DEST_PATH_IMAGE051
，再计算第一图像中选取的三个连通域内的像素点数量
Figure 825564DEST_PATH_IMAGE052
，获取这两个子图像的相似概率
Figure DEST_PATH_IMAGE053
为；其第一子图像与每个第二子图像重合概率计算公式如下：
Figure DEST_PATH_IMAGE055
式中，
Figure 901098DEST_PATH_IMAGE053
表示第一子图像与每个第二子图像重合概率；
Figure 474162DEST_PATH_IMAGE051
表示第一子图像与其第二子图像重叠时，未重合连通域的像素点数量；
Figure 833599DEST_PATH_IMAGE052
表示第一子图像中三个连通域内的像素点数量。其中两子图像为未重合区域的像素点数量
Figure 830986DEST_PATH_IMAGE051
越大，其相似概率
Figure 377505DEST_PATH_IMAGE053
越小。
再逐个计算第二图像中每个三角形Ⅲ对应的三个连通域构成的第二子图像与第一图像中三角形Ⅰ对应的三个连通域形成的第一子图像，经过旋转后的重合概率
Figure 364047DEST_PATH_IMAGE053
，设定重合概率阈值99%，若
Figure 312411DEST_PATH_IMAGE056
，则判断这两个子图像相似，否则判定其不相关。需要说明的是，将重合概率阈值设置为99%主要是为了避免出现定位重影。
依次获取第二图像中形成的所有第二子图像与第一图像中的第一子图像经过旋转后的重合的所有第二子图像数量记为R。
若R为0，则判断所有第二子图像均与第一子图像不重合，返回取集合
Figure 483630DEST_PATH_IMAGE013
中下一个菌盖第一连通域
Figure 517445DEST_PATH_IMAGE010
，再依次计算与第一连通域
Figure 166732DEST_PATH_IMAGE010
相似的连通域，计算与第一连通域
Figure 232253DEST_PATH_IMAGE010
构成三角形Ⅰ相似的三角形Ⅱ对应的第三连通域的数量，以及计算与第一图像中的第一子图像经过旋转后的重合的所有第二子图像数量，若依然获取所有第二子图像均与第一子图像不重合，依次计算至第一连通域至
Figure 574372DEST_PATH_IMAGE029
；
若R大于0，则判断所有第二子图像存在与第一子图像重合的第二子图像，取所有第二子图像数量中重合概率
Figure 829904DEST_PATH_IMAGE053
最大时的第二子图像对应的三角形Ⅲ，作为三角形Ⅰ重合的三角形；
将与三角形Ⅰ重合的三角形Ⅲ对应的三个连通域的中心点作为定位点，基于三角形定位方式，令第一图像中菌盖第一连通域
Figure 548461DEST_PATH_IMAGE009
的中心点与第二图像中与第一连通域
Figure 471418DEST_PATH_IMAGE009
对应的连通域中心点重合，然后旋转第二图像，使三角形Ⅰ与其重合的三角形Ⅲ对应的连接边
Figure 859805DEST_PATH_IMAGE030
与
Figure 868213DEST_PATH_IMAGE036
的夹角和连接边
Figure 145389DEST_PATH_IMAGE032
与
Figure 922852DEST_PATH_IMAGE038
的夹角之和最小，视为重合成功，并将第一图像和第二图像的重叠部分对应像素点的像素值设定为1；至此完成了第一图像与第二图像的拼接；依次将所有相邻的两张二值图依次拼接获取种植田内食用菌的完整图像。
图像拼接过程中以二值图像进行拼接，像素点的值只有0和1，极大地减少了算法中的计算量，提高了算法的运行速度，然后根据菌盖连通域的形状特征进行初步匹配，进而根据连通域位置利用三角定位的方式进行精准匹配，能有效防止拼接重影错位现象的出现。
S5、获取种植田内食用菌的总重量；具体如下：
获取多个不同俯视面积的菌盖，对其进行称重和测量菌盖俯视面积，然后根据多个菌盖俯视面积与对应的重量数据进行平滑曲线拟合，获取面积与重量函数；
将种植田内食用菌的完整图像中每个菌盖俯视面积，通过面积与重量函数，获取种植田内食用菌的总重量。
在本实施例中，获取当前种植田的完整图像和图像内食用菌的菌盖连通域，统计菌盖连通域的面积，获得面积集合
Figure DEST_PATH_IMAGE057
，其中
Figure 278879DEST_PATH_IMAGE058
表示当前种植田内食用菌的数量。已知图像大小与实际大小的对应比例为
Figure 774582DEST_PATH_IMAGE004
，则各菌盖的实际俯视面积集合
Figure DEST_PATH_IMAGE059
为：
Figure DEST_PATH_IMAGE061
取50个菌盖俯视面积大小不同的食用菌，对其进行称重和测量菌盖俯视面积，然后根据这50组菌盖俯视面积与对应的重量数据进行平滑曲线拟合，获取面积与重量函数，其公式为：
Figure DEST_PATH_IMAGE063
式中，y为食用菌重量，x为每个实际菌盖俯视面积，
Figure 786007DEST_PATH_IMAGE064
为面积与重量函数。
将实际菌盖俯视面积集合
Figure DEST_PATH_IMAGE065
代入面积与重量函数中，获取对应的食用菌重量集合
Figure 152397DEST_PATH_IMAGE066
；其食用菌重量集合
Figure 741642DEST_PATH_IMAGE066
中每个食用菌重量计算公式如下：
Figure 600007DEST_PATH_IMAGE068
式中，
Figure 198479DEST_PATH_IMAGE065
表示第k个食用菌的菌盖实际俯视面积，
Figure 213184DEST_PATH_IMAGE064
为面积与重量函数，
Figure 973329DEST_PATH_IMAGE066
为第k个食用菌的重量，
Figure 443625DEST_PATH_IMAGE058
表示当前种植田内食用菌的数量；
在通过获取的每个食用菌的重量计算获取当前种植田内食用菌的总重量H，具体计算公式如下：
Figure 580208DEST_PATH_IMAGE070
式中，
Figure 327716DEST_PATH_IMAGE066
为第k个食用菌的重量，
Figure 524342DEST_PATH_IMAGE058
表示当前种植田内食用菌的数量，H表示当前种植田内食用菌的重量估算；从而计算出种植田内食用菌的总重量。
综上，本发明提供的一种基于无人机遥感图像的食用菌产量估算方法，该方法通过对采集的遥感图像根据食用菌的HSV颜色特征进行特征的提取，获取每个菌盖的连通域；为了减少算法中的计算量，提高了算法的运行速度，将图像进行二值化操作；再按照图像的采集顺序，通过获取相邻两张二值图相似连通域进行初步匹配，筛选出最佳的选择目标连通域，减少后续匹配的工作量；随后基于相似连通域分别构建两张相邻图像中三角形，将每个连通域视为一个点，通过三角定位的方式进行精准匹配，有效提升相邻两张图像拼接的精准度，使得相邻图像完成拼接，其能够在确保匹配精度的同时，匹配速度得到了较大提高，同时有效地消除拼接重影错位现象，能够实现图像快速无缝拼接；进而根据食用菌的菌盖面积，对其产量进行估算。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于无人机遥感图像的食用菌产量估算方法，其特征在于，包括以下步骤：
通过无人机沿预设航线依次采集多张种植田内食用菌的俯视图，且相邻两张俯视图的部分区域重叠；对每张俯视图进行二值化处理获取二值图；将相邻两张二值图记为第一图像和第二图像；
获取第一图像中每个菌盖的第一连通域；同时获取第二图像中每个菌盖第二连通域；
根据任一第一连通域的面积和周长，及每个第二连通域的面积和周长从所有第二连通域中获取与所述第一连通域形状相似的多个第三连通域；
根据所述第一连通域与其相邻且中心点不在同一直线上的两个第一连通域的中心点两两连接构成三角形Ⅰ；根据与所述第一连通域的形状相似的任一第三连通域，与其相邻且中心点不在同一直线上的两个包括第二连通域和/或第三连通域的中心点两两连接构成三角形Ⅱ，依次获取多个三角形Ⅱ；根据三角形Ⅰ中的边长与每个三角形Ⅱ的边长从所有三角形Ⅱ中获取与所述三角形Ⅰ形状相似的多个三角形Ⅲ；
利用三角形Ⅰ对应的三个连通域的像素点数量，与其每个三角形Ⅲ对应的三个连通域重叠时，未重合区域的像素点数量，获取与三角形Ⅰ重合的三角形Ⅲ；根据三角形Ⅰ及与三角形Ⅰ重合的三角形Ⅲ，基于三角形定位方式对第一图像和第二图像进行拼接；依次将所有相邻的两张二值图依次拼接获取种植田内食用菌的完整图像；
获取多个不同俯视面积的菌盖，对其进行称重和测量菌盖俯视面积，然后根据多个菌盖俯视面积与对应的重量数据进行平滑曲线拟合，获取面积与重量函数；
将种植田内食用菌的完整图像中每个菌盖俯视面积，通过面积与重量函数，获取种植田内食用菌的总重量。
2.根据权利要求1所述的基于无人机遥感图像的食用菌产量估算方法，其特征在于，所述第一连通域形状相似的多个第三连通域是按照以下步骤获取：
根据任一第一连通域的面积和周长，及每个第二连通域的面积和周长获取所述第一连通域与每个第二连通域形状相似第一概率；
根据所述第一连通域与每个第二连通域形状相似第一概率从所有第二连通域中获取与所述第一连通域形状相似的多个第三连通域。
3.根据权利要求2所述的基于无人机遥感图像的食用菌产量估算方法，其特征在于，所述第一连通域与每个第二连通域形状相似第一概率是按照以下步骤获取：
获取第一图像中多个菌盖的第一连通域；并获取每个菌盖第一连通域的第一面积以及第一周长；
根据每个第一连通域的第一面积以及第一周长获取每个菌盖的第一圆形度；
同理，获取第二图像中每个菌盖第二连通域的第二面积、第二周长及每个菌盖的第二圆形度；
根据任一第一连通域的第一面积、第一周长及第一圆形度，与每个第二连通域的第二面积、第二周长及第二圆形度，获取所述第一连通域与每个第二连通域形状相似第一概率。
4.根据权利要求1所述的基于无人机遥感图像的食用菌产量估算方法，其特征在于，与所述三角形Ⅰ形状相似的多个三角形Ⅲ是按照以下步骤获取：
获取所述第一连通域与其相邻的，且中心点不在同一直线上最近的和次最近的两个第一连通域；将所述第一连通域与其相邻的两个第一连通域的中心点连接构成三角形Ⅰ；
获取与所述第一连通域的形状相似的任一第三连通域，获取所述第三连通域与其相邻的，且中心点不在同一直线上最近的和次最近的两个第二连通域和/或第三连通域；将所述第三连通域与其相邻的两个第二连通域和/或第三连通域的中心点连接构成三角形Ⅱ；依次获取多个三角形Ⅱ；
根据三角形Ⅰ中的边长与每个三角形Ⅱ的边长获取三角形Ⅰ与每个三角形Ⅱ的形状相似的第二概率；根据三角形Ⅰ与每个三角形Ⅱ的形状相似的第二概率从所有三角形Ⅱ中获取与所述三角形Ⅰ形状相似的多个三角形Ⅲ。
5.根据权利要求1所述的基于无人机遥感图像的食用菌产量估算方法，其特征在于，所述第一图像和第二图像是按照以下步骤进行拼接：
利用三角形Ⅰ对应的三个连通域的最小外接矩形而形成第一子图像；利用任意一个三角形Ⅲ对应的三个连通域的最小外接矩形而形成第二子图像，依次获取多个第二子图像；
根据第一子图像中三个连通域内的像素点数量与其每个第二子图像重叠时，未重合连通域的像素点数量，获取与第一子图像重合的第二子图像；
根据与第一子图像重合的第二子图像对应的三角形Ⅲ，与第一子图像对应的三角形Ⅰ，基于三角形定位方式对第一图像和第二图像进行拼接。
6.根据权利要求5所述的基于无人机遥感图像的食用菌产量估算方法，其特征在于，与第一子图像重合的第二子图像是按照以下步骤获取：
根据第一子图像中三个连通域内的像素点数量与其每个第二子图像重叠时，未重合连通域的像素点数量，获取第一子图像与每个第二子图像重合概率；
根据第一子图像与每个第二子图像重合概率获取与第一子图像重合的第二子图像。
CN202211170765.0A 2022-09-26 2022-09-26 一种基于无人机遥感图像的食用菌产量估算方法 Active CN115294482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211170765.0A CN115294482B (zh) 2022-09-26 2022-09-26 一种基于无人机遥感图像的食用菌产量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211170765.0A CN115294482B (zh) 2022-09-26 2022-09-26 一种基于无人机遥感图像的食用菌产量估算方法

Publications (2)

Publication Number Publication Date
CN115294482A true CN115294482A (zh) 2022-11-04
CN115294482B CN115294482B (zh) 2022-12-20

Family

ID=83834629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211170765.0A Active CN115294482B (zh) 2022-09-26 2022-09-26 一种基于无人机遥感图像的食用菌产量估算方法

Country Status (1)

Country Link
CN (1) CN115294482B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601670A (zh) * 2022-12-12 2023-01-13 合肥恒宝天择智能科技有限公司（Cn） 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093456A (zh) * 2012-12-25 2013-05-08 北京农业信息技术研究中心 基于图像的玉米果穗性状指标计算方法
CN104252705A (zh) * 2014-09-30 2014-12-31 中安消技术有限公司 一种图像拼接方法及装置
CN106127690A (zh) * 2016-07-06 2016-11-16 *** 一种无人机遥感图像快速拼接方法
US20180357788A1 (en) * 2016-08-11 2018-12-13 Changzhou Campus of Hohai University UAV Inspection Method for Power Line Based on Human Visual System
CN110569786A (zh) * 2019-09-06 2019-12-13 中国农业科学院农业资源与农业区划研究所 一种基于无人机数据采集的果树识别和数量监测方法及***
CN111815014A (zh) * 2020-05-18 2020-10-23 浙江大学 一种基于无人机低空遥感信息的作物产量预测方法及***
CN113554675A (zh) * 2021-07-19 2021-10-26 贵州师范大学 一种基于无人机可见光遥感的食用菌产量估算方法
WO2022016563A1 (zh) * 2020-07-23 2022-01-27 南京科沃信息技术有限公司 一种植保无人机地面监控***及其监控方法
CN114240758A (zh) * 2021-12-24 2022-03-25 柳州市侗天湖农业生态旅游投资有限责任公司 一种以四边形地块为参照物的山区茶园低空图像拼接方法
CN114663789A (zh) * 2022-03-29 2022-06-24 浙江奥脉特智能科技有限公司 一种输电线路无人机航拍图像拼接方法
CN114926332A (zh) * 2022-04-21 2022-08-19 上海赫千电子科技有限公司 基于无人机母车的无人机全景图像拼接方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093456A (zh) * 2012-12-25 2013-05-08 北京农业信息技术研究中心 基于图像的玉米果穗性状指标计算方法
CN104252705A (zh) * 2014-09-30 2014-12-31 中安消技术有限公司 一种图像拼接方法及装置
CN106127690A (zh) * 2016-07-06 2016-11-16 *** 一种无人机遥感图像快速拼接方法
US20180357788A1 (en) * 2016-08-11 2018-12-13 Changzhou Campus of Hohai University UAV Inspection Method for Power Line Based on Human Visual System
CN110569786A (zh) * 2019-09-06 2019-12-13 中国农业科学院农业资源与农业区划研究所 一种基于无人机数据采集的果树识别和数量监测方法及***
CN111815014A (zh) * 2020-05-18 2020-10-23 浙江大学 一种基于无人机低空遥感信息的作物产量预测方法及***
US20210358106A1 (en) * 2020-05-18 2021-11-18 Zhejiang University Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle
WO2022016563A1 (zh) * 2020-07-23 2022-01-27 南京科沃信息技术有限公司 一种植保无人机地面监控***及其监控方法
CN113554675A (zh) * 2021-07-19 2021-10-26 贵州师范大学 一种基于无人机可见光遥感的食用菌产量估算方法
CN114240758A (zh) * 2021-12-24 2022-03-25 柳州市侗天湖农业生态旅游投资有限责任公司 一种以四边形地块为参照物的山区茶园低空图像拼接方法
CN114663789A (zh) * 2022-03-29 2022-06-24 浙江奥脉特智能科技有限公司 一种输电线路无人机航拍图像拼接方法
CN114926332A (zh) * 2022-04-21 2022-08-19 上海赫千电子科技有限公司 基于无人机母车的无人机全景图像拼接方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TIEBIAO ZHAO等: "Melon yield prediction using small unmanned aerial vehicles", 《 PROCEEDINGS OF THE SPIE》 *
陆健强等: "基于点特征检测的农业航空遥感图像配准算法", 《农业工程学报》 *
陈小青: "无人机遥感影像拼接技术的研究", 《中国硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601670A (zh) * 2022-12-12 2023-01-13 合肥恒宝天择智能科技有限公司（Cn） 基于人工智能和高分辨率遥感影像的松材线虫病监测方法
CN115601670B (zh) * 2022-12-12 2023-03-24 合肥恒宝天择智能科技有限公司 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Also Published As

Publication number Publication date
CN115294482B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN109785379B (zh) 一种对称物体尺寸及重量的测量方法及测量***
AU2020103026A4 (en) A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN107480727B (zh) 一种sift和orb相结合的无人机影像快速匹配方法
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
CN104134234B (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN109584281B (zh) 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法
CN106485655A (zh) 一种基于四旋翼飞行器航拍地图生成***及方法
CN111047566B (zh) 无人机和多光谱卫星影像进行水生植被年变化统计的方法
CN105335973A (zh) 运用于带钢加工生产线的视觉处理方法
Karkee et al. A method for three-dimensional reconstruction of apple trees for automated pruning
CN110070571B (zh) 一种基于深度相机的毛竹形态参数检测方法
CN112395984B (zh) 一种用于无人驾驶农业机械的苗列导航线检测方法
CN109919088B (zh) 一种喀斯特地区火龙果单株识别自动提取方法
CN114708208B (zh) 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法
CN115294482B (zh) 一种基于无人机遥感图像的食用菌产量估算方法
CN115272187A (zh) 一种基于车载动态视场帧间关联性的田间稻麦倒伏全局评估方法
CN116309670B (zh) 一种基于无人机的灌丛覆盖度测量方法
CN112200854A (zh) 一种基于视频图像的叶类蔬菜三维表型测量方法
Xiang et al. PhenoStereo: a high-throughput stereo vision system for field-based plant phenotyping-with an application in sorghum stem diameter estimation
Yin et al. Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges
CN115760885B (zh) 基于消费级无人机影像的高郁闭度湿地森林参数提取方法
CN116721344A (zh) 基于航拍设备的植被检测方法、装置和设备
CN115272867A (zh) 一种机器人草地边界识别与定位方法及其割草机器人
CN115035423B (zh) 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
CN115631136A (zh) 基于3d点云图像的木荷苗表型参数快速测量方法

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