CN115631419B - 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 - Google Patents

一种基于变化检测的水稻种植面积和空间分布提取方法和装置 Download PDF

Info

Publication number
CN115631419B
CN115631419B CN202211568345.8A CN202211568345A CN115631419B CN 115631419 B CN115631419 B CN 115631419B CN 202211568345 A CN202211568345 A CN 202211568345A CN 115631419 B CN115631419 B CN 115631419B
Authority
CN
China
Prior art keywords
target
band
ratio
rice
remote sensing
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
Application number
CN202211568345.8A
Other languages
English (en)
Other versions
CN115631419A (zh
Inventor
关元秀
王薇
王宇翔
赵楠
范磊
张红亮
郑孟强
屈洋旭
王恒
田静国
容俊
贾玮
孙月青
黄宏源
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.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology 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 Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202211568345.8A priority Critical patent/CN115631419B/zh
Publication of CN115631419A publication Critical patent/CN115631419A/zh
Application granted granted Critical
Publication of CN115631419B publication Critical patent/CN115631419B/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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于变化检测的水稻种植面积和空间分布提取方法和装置，涉及自然资源遥感调查监测的技术领域，包括：获取待提取区域在预设时期的目标数据，其中，预设时期包括：水稻的移栽期和水稻的抽穗期，目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；基于高精度耕地矢量数据，对多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层；计算影像对象层中各个对象的波段参数；基于波段参数，确定出待提取区域中水稻的种植面积和空间分布情况，解决了现有的水稻种植面积和空间分布提取方法的提取效率和精度较低的技术问题。

Description

一种基于变化检测的水稻种植面积和空间分布提取方法和装置
技术领域
本发明涉及自然资源遥感调查监测的技术领域，尤其是涉及一种基于变化检测的水稻种植面积和空间分布提取方法和装置。
背景技术
水稻作为世界三大粮食作物之一，关乎人类粮食安全和社会稳定。稻田作为重要的湿地生态类型，对环境保护也具有非常重要的意义。我国作为主要的水稻生产国，水稻种植发挥了重要的作用。将遥感和人工智能技术相结合，快速掌握水稻种植面积和空间分布，分析年际变化，可以为制定粮食生产政策，宏观调控水稻种植区划、可持续发展农业资源提供科学依据。
水稻识别常用的遥感数据源有中低分辨率的光学和SAR（合成孔径雷达）遥感数据，如国外的Landsat系列，Modis、Sentinel系列等，而国产数据如资源（ZY）系列、高分（GF）系列、天绘（TH）系列等卫星数据使用较少。常用的水稻信息提取方法是基于水稻关键物候期，水稻与其他地类光谱特征差异明显，选取对植被和水体敏感的光谱波段或归一化植被指数NDVI、归一化水体指数NDWI等，采用监督分类、非监督分类或知识规则分类进行水稻信息提取。监督分类方法需要采集一定数量的样本，结果受样本质量的影响非常大。非监督分类则完全依靠光谱波段之间的相似性聚类，结果往往不尽如人意。知识规则分类方法，往往采用固定阈值，造成算法可移植性差，自动化程度低。也有一些人采用覆盖整个水稻生长期的长时间序列数据，通过神经网络建模或其他模型进行水稻信息提取，算法复杂度高，计算工作量大。以上大多数方法基于像素预测，受所用遥感影像空间分辨率制约，水稻提取的属性和面积精度受限。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于变化检测的水稻种植面积和空间分布提取方法和装置，以缓解现有的水稻种植面积和空间分布提取方法的提取效率和精度较低的技术问题。
第一方面，本发明实施例提供了一种基于变化检测的水稻种植面积和空间分布提取方法，包括：获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况。
进一步地，基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，包括：基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行预处理，得到目标多光谱遥感影像数据，其中，所述预处理包括：辐射定标处理、大气校正处理、正射校正处理和几何配准处理；对所述目标多光谱遥感影像数据进行合并，得到合并数据；基于所述高精度耕地矢量数据和尺度集分割算法，对所述合并数据进行分割，得到所述耕地地块层和所述影像对象层，其中，所述影像对象层包含多个对象，所述对象由同质像素组成，所述耕地地块层包含多个地块，一个地块中包含一个或多个对象。
进一步地，计算所述影像对象层中各个对象的波段参数，包括：计算所述影像对象层中各个对象的目标参数，其中，所述目标参数包括：蓝波段比值和近红外波段比值，所述蓝波段比值为移栽期多光谱遥感影像数据的蓝波段值与抽穗期多光谱遥感影像数据的蓝波段值之间的比值，所述近红外波段比值为抽穗期多光谱遥感影像数据的近红外波段值与移栽期多光谱遥感影像数据的近红外波段值之间的比值；基于所述目标参数计算出所述波段参数。
进一步地，基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括：基于所述波段参数，计算出所述影像对象层中所有对象的蓝波段比值和近红外波段比值的特征值，其中，所述特征值包括：均值和方差；基于所述蓝波段比值和近红外波段比值的特征值，确定出目标阈值，其中，所述目标阈值包括：蓝波段比值的阈值和近红外波段比值的阈值；基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况。
进一步地，基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括：将所述蓝波段比值大于所述蓝波段比值的阈值，且，所述近红外波段比值大于所述近红外波段比值的阈值的对象，确定为第一目标对象；基于所述波段参数，从所述第一目标对象剔除所述第二目标对象，得到第三目标对象，其中，所述第二目标对象包括：移栽期近红外波段的亮度与总亮度之间的比值大于第一预设阈值或抽穗期近红外波段的亮度与总亮度之间的比值小于第一预设阈值的第一目标对象，抽穗期蓝波段的比值大于第二预设阈值的第一目标对象；通过继承关系将所述第三目标对象中水稻面积大于预设阈值的第四目标对象传递至耕地地块层，得到目标耕地地块层；基于所述第四目标对象构建第一矢量数据，基于所述目标耕地地块层构建第二矢量数据；基于所述第一矢量数据和所述第二矢量数据，确定出所述待提取区域中水稻的种植面积和空间分布情况。
第二方面，本发明实施例还提供了一种基于变化检测的水稻种植面积和空间分布提取装置，包括：获取单元，用于获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；处理单元，用于基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；计算单元，用于计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；确定单元，用于基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况。
进一步地，所述处理单元，用于：基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行预处理，得到目标多光谱遥感影像数据，其中，所述预处理包括：辐射定标处理、大气校正处理、正射校正处理和几何配准处理；对所述目标多光谱遥感影像数据进行合并，得到合并数据；基于所述高精度耕地矢量数据和尺度集分割算法，对所述合并数据进行分割，得到所述耕地地块层和所述影像对象层，其中，所述影像对象层包含多个对象，所述对象由同质像素组成，所述耕地地块层包含多个地块，一个地块中包含一个或多个对象。
进一步地，所述计算单元，用于：计算所述影像对象层中各个对象的目标参数，其中，所述目标参数包括：蓝波段比值和近红外波段比值，所述蓝波段比值为移栽期多光谱遥感影像数据的蓝波段值与抽穗期多光谱遥感影像数据的蓝波段值之间的比值，所述近红外波段比值为抽穗期多光谱遥感影像数据的近红外波段值与移栽期多光谱遥感影像数据的近红外波段值之间的比值；基于所述目标参数计算出所述波段参数。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，达到了对水稻种植面积和空间分布进行高效准确的提取的目的，进而解决了现有的水稻种植面积和空间分布提取方法的提取效率和精度较低的技术问题，从而实现了提高水稻种植面积和空间分布提取方法的提取效率和精度的技术效果。
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来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，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作简单地介绍，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为本发明实施例提供的一种基于变化检测的水稻种植面积和空间分布提取方法的流程图；
图2为本发明实施例提供的一种基于变化检测的水稻种植面积和空间分布提取装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
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、完整地描述，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。
实施例一：
根据本发明实施例，提供了一种基于变化检测的水稻种植面积和空间分布提取方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于变化检测的水稻种植面积和空间分布提取方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；
需要说明的是，根据水稻的区域分布、农事历等选择空间、光谱和时相满足检测要求的遥感影像数据。由于水稻多生长在云雨较多的地区，为了确保获得移栽期和抽穗期的光学影像数据，常见的中低分辨率的光学遥感数据，只要具备蓝、绿、红、近红外四个多光谱波段都可以作为本发明实施例中多光谱遥感影像数据，如我国的光学卫星高分（GF）系列、资源（ZY）系列、天绘（TH）系列，国外的Landsat、Sentinel等皆可。
步骤S104，基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；
步骤S106，计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；
步骤S108，基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况。
在本发明实施例中，通过获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，达到了对水稻种植面积和空间分布进行高效准确的提取的目的，进而解决了现有的水稻种植面积和空间分布提取方法的提取效率和精度较低的技术问题，从而实现了提高水稻种植面积和空间分布提取方法的提取效率和精度的技术效果。
在本发明实施例中，步骤S104包括如下步骤：
基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行预处理，得到目标多光谱遥感影像数据，其中，所述预处理包括：辐射定标处理、大气校正处理、正射校正处理和几何配准处理；
对所述目标多光谱遥感影像数据进行合并，得到合并数据；
基于所述高精度耕地矢量数据和尺度集分割算法，对所述合并数据进行分割，得到所述耕地地块层和所述影像对象层，其中，所述影像对象层包含多个对象，所述对象由同质像素组成，所述耕地地块层包含多个地块，一个地块中包含一个或多个对象。
在本发明实施例中，以高精度耕地矢量数据中的坐标***为基准对移栽期和抽穗期两期多光谱影像数据分别进行辐射定标、大气校正、正射校正、几何配准等处理，然后将两期4波段影像按时间先后顺序合成为一个8波段影像数据文件（即，合并数据）。
合并数据的表达式为，式中，为移栽期蓝、绿、红、近红外波段，为抽穗期蓝、绿、红、近红外波段。
辐射定标是为了消除传感器本身所带来的辐射误差，并将传感器记录的无量纲DN值转换成具有实际物理意义的大气顶层辐射亮度或反射率。
大气校正是将大气顶层的辐射亮度值（或大气顶层反射率）转换为地表反射的太阳辐射亮度值（或地表反射率），主要是为了消除大气吸收、散射对辐射传输的影响。
正射校正则是借助卫星传感器模型参数、几何模型、控制点、DEM数据来改正因传感器误差和地形起伏等引起的像点位移，消除影像的几何变形，生成正射影像。
几何配准则是将数据集中的相同地物元素精确地彼此匹配、叠加在一起的过程。
最后，以高精度耕地矢量数据中的耕地矢量边界为约束条件，采用尺度集分割算法将合成影像分割为具有上下拓扑关联关系的对象层，分别为上层的耕地地块层和下层的影像对象层。对象是由同质像素组成的影像块，是水稻识别的基本单元。而地块则由一到多个对象组成，对象层水稻提取结果通过继承关系传递给耕地地块层。
在本发明实施例中，步骤S106包括如下步骤：
计算所述影像对象层中各个对象的目标参数，其中，所述目标参数包括：蓝波段比值和近红外波段比值，所述蓝波段比值为移栽期多光谱遥感影像数据的蓝波段值与抽穗期多光谱遥感影像数据的蓝波段值之间的比值，所述近红外波段比值为抽穗期多光谱遥感影像数据的近红外波段值与移栽期多光谱遥感影像数据的近红外波段值之间的比值；
基于所述目标参数计算出所述波段参数。
在本发明实施例中，比值变化检测假定两期影像之间没有发生变化的区域一般具有相同或相近的灰度值，而发生变化的区域其对应的灰度值将有较大的差别。将前后两期影像对应波段相除得到波段比值，发生变化的区域波段比值与背景值有较大的差异。根据水稻在移栽期影像上为水体特征，在抽穗期影像上为茂密植被特征，两期影像之间蓝波段和近红外波段变化最大。
蓝波段（0.45～0.52）位于水体衰减系数最小，散射最弱的部位，对水的穿透力最大，可获得水下细节，同时它位于绿色植被叶绿色的吸收区，因此移栽期水体的蓝波段灰度值大于抽穗期植被蓝波段的灰度值，用移栽期影像蓝波段除以抽穗期影像蓝波段，得到各影像对象蓝波段比值。
，式中，和分别为移栽期和抽穗期影像蓝波段。
近红外波段（0.76～0.90）位于植被的高反射区和水体的强吸收区，因此抽穗期植被近红外波段的灰度值远远大于移栽期水体近红外波段的灰度值，用抽穗期影像近红外波段除以移栽期影像近红外波段，得到各影像对象近红外波段比值。
，式中，和分别为抽穗期和移栽期影像近红外波段。
虽然用蓝波段比值和近红外波段比值两个特征可以将水稻与背景比较好的区分开，但有时存在少量自然植被、其他作物、高泥沙水体混分的现象，可以用移栽期近红外波段的比率过高和抽穗期近红外波段比率过低排除自然植被和其他作物，用抽穗期蓝波段的比率过高排除高泥沙水体。
波段比值计算完成后，计算各影像对象移栽期近红外波段比率、抽穗期近红外波段比率和抽穗期蓝波段比率。比率是指特定波段的亮度占所有波段总亮度的比率。
；
；
；
式中为移栽期蓝、绿、红、近红外波段，为抽穗期蓝、绿、红、近红外波段。
在本发明实施例中，步骤S108包括如下步骤：
基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括：
基于所述波段参数，计算出所述影像对象层中所有对象的蓝波段比值和近红外波段比值的特征值，其中，所述特征值包括：均值和方差；
基于所述蓝波段比值和近红外波段比值的特征值，确定出目标阈值，其中，所述目标阈值包括：蓝波段比值的阈值和近红外波段比值的阈值；
基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况。
具体的，基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括如下步骤：
将所述蓝波段比值大于所述蓝波段比值的阈值，且，所述近红外波段比值大于所述近红外波段比值的阈值的对象，确定为第一目标对象；
基于所述波段参数，从所述第一目标对象剔除所述第二目标对象，得到第三目标对象，其中，所述第二目标对象包括：移栽期近红外波段的亮度与总亮度之间的比值大于第一预设阈值或抽穗期近红外波段的亮度与总亮度之间的比值小于第一预设阈值的第一目标对象，抽穗期蓝波段的比值大于第二预设阈值的第一目标对象；
通过继承关系将所述第三目标对象中水稻面积大于预设阈值的第四目标对象传递至耕地地块层，得到目标耕地地块层；
基于所述第四目标对象构建第一矢量数据，基于所述目标耕地地块层构建第二矢量数据；
基于所述第一矢量数据和所述第二矢量数据，确定出所述待提取区域中水稻的种植面积和空间分布情况。
在本发明实施例中，分别统计所有影像对象蓝波段比值、近红外波段比值两个特征的均值和方差，采用均值-方差法自适应确定其阈值。
；
式中，、、分别为蓝波段比值的阈值、均值和标准差；a为经验系数。
；
式中，、、分别为近红外波段比值的阈值、均值和标准差；b为经验系数。
根据水稻由移栽期的水体特征变为抽穗期的茂密植被特征，变化最大的原理，建立联合判别规则模型提取对象层水稻信息。
If Blue Index>AND NIR Index>then 对象层水稻;
必要时，用波段比率做进一步优化。
If>0.25 OR<0.25 then 移除混分植被；
If>0.08 then 移除混分水体；
然后通过继承关系将对象层水稻面积大于85%（该百分比可以根据用户需求确定）的传递给地块层。
If Relative Area of 对象层水稻>0.85 then地块层水稻。
最后，将地块层和对象层水稻提取结果分别以点和面矢量形式，连同蓝波段比值、近红外波段比值等属性信息一并导出，导出的地块层点矢量可以自动挂接到原耕地矢量层，用于统计耕地地块内水稻种植面积，从而避免了所用遥感影像空间分辨率及地垄、沟渠等要素对面积精度的影响，确保面积精度的一致性；对象层面矢量则可以用来统计分析原有耕地外新增的水稻种植面积，最后出统计报表和水稻空间分布图。
本发明实施例克服了现有方法水稻提取属性和面积精度不高的缺点，只需输入水稻移栽期、抽穗期两期四波段多光谱影像和相应的耕地矢量数据，通过基于对象比值变化检测实现水稻全自动、高精度识别，其面积计算基于高精度的耕地矢量，避免受所用遥感影像的空间分辨率和地垄、沟渠等因素影响，确保面积精度的一致性。
本发明实施例有坚实的遥感物理基础，算法简易，不依赖样本，可移植性和可解释性强，可用于全球任何区域的水稻种植情况监测。
实施例二：
本发明实施例还提供了一种基于变化检测的水稻种植面积和空间分布提取装置，该基于变化检测的水稻种植面积和空间分布提取装置用于执行本发明实施例上述内容所提供的基于变化检测的水稻种植面积和空间分布提取方法，以下是本发明实施例提供的基于变化检测的水稻种植面积和空间分布提取装置的具体介绍。
如图2所示，图2为上述基于变化检测的水稻种植面积和空间分布提取装置的示意图，该基于变化检测的水稻种植面积和空间分布提取装置包括：
获取单元10，用于获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；
处理单元20，用于基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；
计算单元30，用于计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；
确定单元40，用于基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况。
在本发明实施例中，通过获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，达到了对水稻种植面积和空间分布进行高效准确的提取的目的，进而解决了现有的水稻种植面积和空间分布提取方法的提取效率和精度较低的技术问题，从而实现了提高水稻种植面积和空间分布提取方法的提取效率和精度的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口53（可以是有线或者无线）实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，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，本领域的普通技术人员应当理解：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所述以权利要求的保护范围为准。

Claims (6)

1.一种基于变化检测的水稻种植面积和空间分布提取方法，其特征在于，包括：
获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；
基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；
计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；
基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况；
其中，计算所述影像对象层中各个对象的波段参数，包括：
计算所述影像对象层中各个对象的目标参数，其中，所述目标参数包括：蓝波段比值和近红外波段比值，所述蓝波段比值为移栽期多光谱遥感影像数据的蓝波段值与抽穗期多光谱遥感影像数据的蓝波段值之间的比值，所述近红外波段比值为抽穗期多光谱遥感影像数据的近红外波段值与移栽期多光谱遥感影像数据的近红外波段值之间的比值；
基于所述目标参数计算出所述波段参数；
其中，基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括：
基于所述波段参数，计算出所述影像对象层中所有对象的蓝波段比值和近红外波段比值的特征值，其中，所述特征值包括：均值和方差；
基于所述蓝波段比值和近红外波段比值的特征值，确定出目标阈值，其中，所述目标阈值包括：蓝波段比值的阈值和近红外波段比值的阈值；
基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况；
其中，基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括：
将所述蓝波段比值大于所述蓝波段比值的阈值，且，所述近红外波段比值大于所述近红外波段比值的阈值的对象，确定为第一目标对象；
基于所述波段参数，从所述第一目标对象剔除第二目标对象，得到第三目标对象，其中，所述第二目标对象包括：移栽期近红外波段的亮度与总亮度之间的比值大于第一预设阈值或抽穗期近红外波段的亮度与总亮度之间的比值小于第一预设阈值的第一目标对象，抽穗期蓝波段的比值大于第二预设阈值的第一目标对象；
通过继承关系将所述第三目标对象中水稻面积大于预设阈值的第四目标对象传递至耕地地块层，得到目标耕地地块层；
基于所述第四目标对象构建第一矢量数据，基于所述目标耕地地块层构建第二矢量数据；
基于所述第一矢量数据和所述第二矢量数据，确定出所述待提取区域中水稻的种植面积和空间分布情况。
2.根据权利要求1所述的方法，其特征在于，基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，包括：
基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行预处理，得到目标多光谱遥感影像数据，其中，所述预处理包括：辐射定标处理、大气校正处理、正射校正处理和几何配准处理；
对所述目标多光谱遥感影像数据进行合并，得到合并数据；
基于所述高精度耕地矢量数据和尺度集分割算法，对所述合并数据进行分割，得到所述耕地地块层和所述影像对象层，其中，所述影像对象层包含多个对象，所述对象由同质像素组成，所述耕地地块层包含多个地块，一个地块中包含一个或多个对象。
3.一种基于变化检测的水稻种植面积和空间分布提取装置，其特征在于，包括：
获取单元，用于获取待提取区域在预设时期的目标数据，其中，所述预设时期包括：水稻的移栽期和水稻的抽穗期，所述目标数据包括：多光谱遥感影像数据和高精度耕地矢量数据；
处理单元，用于基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行处理，得到耕地地块层和影像对象层，其中，所述影像对象层与所述耕地地块层之间存在拓扑关联关系；
计算单元，用于计算所述影像对象层中各个对象的波段参数，其中，所述波段参数包括：目标波段的亮度与总亮度之间的比值，所述目标波段包括：移栽期近红外波段、抽穗期近红外波段和抽穗期蓝波段，所述总亮度为所述预设时期对应的多光谱遥感影像数据中各个波段的亮度之和；
确定单元，用于基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况；
其中，所述计算单元，用于：
计算所述影像对象层中各个对象的目标参数，其中，所述目标参数包括：蓝波段比值和近红外波段比值，所述蓝波段比值为移栽期多光谱遥感影像数据的蓝波段值与抽穗期多光谱遥感影像数据的蓝波段值之间的比值，所述近红外波段比值为抽穗期多光谱遥感影像数据的近红外波段值与移栽期多光谱遥感影像数据的近红外波段值之间的比值；
基于所述目标参数计算出所述波段参数；
其中，基于所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括：
基于所述波段参数，计算出所述影像对象层中所有对象的蓝波段比值和近红外波段比值的特征值，其中，所述特征值包括：均值和方差；
基于所述蓝波段比值和近红外波段比值的特征值，确定出目标阈值，其中，所述目标阈值包括：蓝波段比值的阈值和近红外波段比值的阈值；
基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况；
其中，基于所述目标阈值和所述波段参数，确定出所述待提取区域中水稻的种植面积和空间分布情况，包括：
将所述蓝波段比值大于所述蓝波段比值的阈值，且，所述近红外波段比值大于所述近红外波段比值的阈值的对象，确定为第一目标对象；
基于所述波段参数，从所述第一目标对象剔除第二目标对象，得到第三目标对象，其中，所述第二目标对象包括：移栽期近红外波段的亮度与总亮度之间的比值大于第一预设阈值或抽穗期近红外波段的亮度与总亮度之间的比值小于第一预设阈值的第一目标对象，抽穗期蓝波段的比值大于第二预设阈值的第一目标对象；
通过继承关系将所述第三目标对象中水稻面积大于预设阈值的第四目标对象传递至耕地地块层，得到目标耕地地块层；
基于所述第四目标对象构建第一矢量数据，基于所述目标耕地地块层构建第二矢量数据；
基于所述第一矢量数据和所述第二矢量数据，确定出所述待提取区域中水稻的种植面积和空间分布情况。
4.根据权利要求3所述的装置，其特征在于，所述处理单元，用于：
基于所述高精度耕地矢量数据，对所述多光谱遥感影像数据进行预处理，得到目标多光谱遥感影像数据，其中，所述预处理包括：辐射定标处理、大气校正处理、正射校正处理和几何配准处理；
对所述目标多光谱遥感影像数据进行合并，得到合并数据；
基于所述高精度耕地矢量数据和尺度集分割算法，对所述合并数据进行分割，得到所述耕地地块层和所述影像对象层，其中，所述影像对象层包含多个对象，所述对象由同质像素组成，所述耕地地块层包含多个地块，一个地块中包含一个或多个对象。
5.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至2任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
6.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至2任一项所述方法的步骤。
CN202211568345.8A 2022-12-08 2022-12-08 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 Active CN115631419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211568345.8A CN115631419B (zh) 2022-12-08 2022-12-08 一种基于变化检测的水稻种植面积和空间分布提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211568345.8A CN115631419B (zh) 2022-12-08 2022-12-08 一种基于变化检测的水稻种植面积和空间分布提取方法和装置

Publications (2)

Publication Number Publication Date
CN115631419A CN115631419A (zh) 2023-01-20
CN115631419B true CN115631419B (zh) 2023-05-09

Family

ID=84909927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211568345.8A Active CN115631419B (zh) 2022-12-08 2022-12-08 一种基于变化检测的水稻种植面积和空间分布提取方法和装置

Country Status (1)

Country Link
CN (1) CN115631419B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115995005B (zh) * 2023-03-22 2023-08-01 航天宏图信息技术股份有限公司 基于单期高分辨率遥感影像的农作物的提取方法和装置
CN117975293B (zh) * 2024-03-28 2024-06-04 四川汉盛源科技有限公司 多云雾地区水稻种植区域提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472184A (zh) * 2019-08-22 2019-11-19 电子科技大学 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
CN114821362A (zh) * 2022-07-01 2022-07-29 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740759B (zh) * 2016-01-15 2019-01-15 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
CN109459392B (zh) * 2018-11-06 2019-06-14 南京农业大学 一种基于无人机多光谱影像的水稻地上部生物量估测方法
CN112818749B (zh) * 2020-12-31 2022-09-13 中国电子科技集团公司第二十七研究所 一年两熟地区大宗粮油作物复种模式遥感监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472184A (zh) * 2019-08-22 2019-11-19 电子科技大学 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
CN114821362A (zh) * 2022-07-01 2022-07-29 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法

Also Published As

Publication number Publication date
CN115631419A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
US11521380B2 (en) Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
CN115631419B (zh) 一种基于变化检测的水稻种植面积和空间分布提取方法和装置
Zheng et al. Early season detection of rice plants using RGB, NIR-GB and multispectral images from unmanned aerial vehicle (UAV)
CN106780091A (zh) 基于植被指数时空间统计特征的农业灾害信息遥感提取方法
Malahlela Inland waterbody mapping: Towards improving discrimination and extraction of inland surface water features
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及***
CN110796001A (zh) 一种卫星影像覆膜农田识别与提取方法及***
CN112001374B (zh) 一种高光谱影像的云检测方法和装置
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
Wang et al. Unsupervised discrimination between lodged and non-lodged winter wheat: A case study using a low-cost unmanned aerial vehicle
CN114821362A (zh) 一种基于多源数据的水稻种植面积提取方法
Mtibaa et al. Land cover mapping in cropland dominated area using information on vegetation phenology and multi-seasonal Landsat 8 images
CN110647932B (zh) 一种种植作物结构遥感影像分类方法及装置
JP2019537151A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN115995005B (zh) 基于单期高分辨率遥感影像的农作物的提取方法和装置
CN112446397A (zh) 基于遥感和随机森林的产草量估算方法、装置及存储介质
WO2019184212A1 (zh) 一种分析虫害趋势的方法、装置及计算机可读存储介质
Li et al. A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model
Li et al. Crop Mapping in the Sanjiang Plain Using an Improved Object-Oriented Method Based on Google Earth Engine and Combined Growth Period Attributes
Nguyen et al. Mapping Land use/land cover using a combination of Radar Sentinel-1A and Sentinel-2A optical images
Xie et al. Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images
CN117274798B (zh) 基于正则化的时序变分模型的遥感水稻识别方法
Tian et al. Classification of planted forest species in southern China with airborne hyperspectral and LiDAR data
CN117456367A (zh) 一种农作物种植区域识别方法、装置、设备及存储介质
Sakieh et al. An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region

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