CN115841492A - 基于云边协同的松材线虫病变色立木遥感智能识别方法 - Google Patents
基于云边协同的松材线虫病变色立木遥感智能识别方法 Download PDFInfo
- Publication number
- CN115841492A CN115841492A CN202310161954.XA CN202310161954A CN115841492A CN 115841492 A CN115841492 A CN 115841492A CN 202310161954 A CN202310161954 A CN 202310161954A CN 115841492 A CN115841492 A CN 115841492A
- Authority
- CN
- China
- Prior art keywords
- enhancement
- pixel point
- component
- scale
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,提出了基于云边协同的松材线虫病变色立木遥感智能识别方法,包括:获取松树图像;获取不同尺度下的分量直方图,根据像素点分量值的大小,分别计算每个尺度下像素点的邻域增强范围;根据像素点与同一超像素块内像素点的分量值差异和度量距离的差异,获取像素点对应的度量增强系数和分量增强系数以及增强分量值;根据多尺度下像素点的增强分量值,获取像素点的新分量值;根据像素点的新分量值获取高质量遥感松树图像对应的增强图;根据识别网络中松树图像的识别结果,得到松树图像中对应的线虫病变区域。本发明旨在解决对采集松树遥感图像中线虫病变区域进行识别时由于遥感图像信息冗余导致识别准确率低的问题。
Description
技术领域
本发明涉及图像处理领域,具体涉及基于云边协同的松材线虫病变色立木遥感智能识别方法。
背景技术
松材线虫病是一种由松材线虫引起的,具有很强破坏性的深林病害,近年来已在国内多个省市滋生蔓延,导致大量的松树枯死,对生态平衡造成严重破坏。
松树一旦被松材线虫寄生,针叶将会出现失水,表面退绿的现象,针叶上将会出现侵害痕迹,当松树针叶全部变为黄褐色时,松树处于枯死状态。因此可以通过识别立木针叶的状态判断是否发生松材线虫病害。松树多为集中连片,轮状分支,通常生长得到高度约为20至50米,人工拍摄采集的方式难以实现,因此通常通过对无人机遥感数据中的松树图像进行松材线虫病的识别。每景遥感图像的覆盖范围和图像分辨率是相互制约的,如果遥感图像中包含大面积的松树,图像分辨率难免降低,如果仅针对少量松树采集高分辨率的卫星图像,成本过高,且少量的数据难以获取高置信度的识别结果,如何从遥感图像中有效提取松树相关特征决定着最终的识别精度。因此,需要一种松材线虫病害的识别方案既能减少经济损失又能维护生态平衡。
发明内容
本发明提供基于云边协同的松材线虫病变色立木遥感智能识别方法,以解决传统方法对采集松树遥感图像中线虫病变区域进行识别时由于遥感图像信息冗余导致识别准确率低的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于云边协同的松材线虫病变色立木遥感智能识别方法,该方法包括以下步骤:
获取松树遥感图像,利用超像素分割技术获取多个分割尺度下高质量松树遥感图像的分割结果;
根据每个尺度下每个像素点在Lab颜色空间中每个分量的分量值在分量直方图中的位置获取每个尺度下像素点在每个分量上的信息增强度,根据每个尺度下像素点在三个分量上信息增强度获取每个尺度下像素点对应的增强半径,根据像素点的位置信息和每个尺度下的增强半径获取像素点在每个尺度下的邻域增强范围;
获取每个尺度下像素点所在超像素块中的邻域增强范围最大值,根据像素点的度量距离和邻域增强范围最大值对应像素点的度量距离获取像素点的度量增强系数;根据像素点在三个分量上的信息增强度和邻域增强范围最大值对应像素点的在三个分量上的信息增强度获取像素点的分量增强系数,根据像素点的度量增强系数和分量增强系数以及像素点三个分量的分量值获取像素点在三个分量上的增强分量值;
根据每个尺度下每个像素点对应的颜色空间中三个分量的增强分量值获取每个像素点在所有尺度下每个分量的增强分量值的平均值,将所有尺度下每个分量增强系数的平均值作为像素点在每个分量上的新分量值,所有像素点的新分量值组成增强图像;
将增强图像和高质量松树图像作为识别网络的输入,利用识别网络获取高质量松树图像中线虫病变区域的识别结果,通过最小外接矩形获取高质量松树图像中线虫病变区域识别结果的位置信息。
可选的,所述利用超像素分割技术获取多个尺度下高质量松树遥感图像的分割结果,包括具体方法为:
利用无人机获取松树林中松树的遥感图像,利用双边滤波技术对松树的遥感图像进行处理获取高质量松树遥感图像F,人为设置多个不同的超像素分割算法中的初始尺寸,利用超像素分割技术获取多个尺度下高质量松树遥感图像的分割结果。
可选的,根据每个尺度下每个像素点在Lab颜色空间中每个分量的分量值在分量直方图中的位置获取每个尺度下像素点在每个分量上的信息增强度,包括的具体方法为:,/>,/>,式中,/>、/>、/>分别是像素点i在Lab颜色空间L、a、b分量上的分量值,/>、/>、/>分别是与像素点i在L、a、b分量上分量值相等的像素点数量;/>、/>、/>分别是L、a、b分量上的最小分量值,/>、、/>分别是L、a、b分量上最小分量值的像素点数量;/>、/>、/>分别是L、a、b分量上的最大分量值,/>、/>、/>分别是L、a、b分量上最大分量值的像素点数量;/>、/>、/>分别是像素点i在L、a、b分量上的信息增强度。
可选的,所述根据每个尺度下像素点在三个分量上信息增强度获取每个尺度下像素点对应的增强半径,包括具体方法为:
分别得到每个尺度下像素点在三个分量上的信息增强度,将每个尺度下三个分量上信息增强度的平均值作为像素点在每个尺度下的平均信息增强度,获取高质量松树遥感图像F的长宽尺寸大小,将像素点在每个尺度下的平均信息增强度与长宽尺寸大小中最大值的乘积作为像素点在每个尺度下的增强半径。
可选的,所述根据像素点的位置信息和每个尺度下的增强半径获取像素点在每个尺度下的邻域增强范围,包括具体方法为:
获取每个尺度下像素点对应的增强半径,根据像素点的位置信息,将以像素点为圆点,以增强半径为半径的圆形区域作为像素点在每个尺度下的邻域增强范围。
可选的,所述获取每个尺度下像素点所在超像素块中的邻域增强范围最大值,根据像素点的度量距离和邻域增强范围最大值对应像素点的度量距离获取像素点的度量增强系数,包括的具体方法为:
将每个尺度下像素点所在超像素块内像素点对应邻域增强范围进行排序,获取邻域增强范围最大值对应的像素点,计算超像素块中度量距离最大值与像素点度量距离的差值,计算超像素块中度量距离最大值与邻域增强范围最大值对应的像素点度量距离的差值,将超像素块中度量距离最大值与像素点度量距离的差值作为分子,将超像素块中度量距离最大值与邻域增强范围最大值对应的像素点度量距离的差值作为分母,将比值结果作为像素点的度量增强系数。
可选的,所述根据像素点在三个分量上的信息增强度和邻域增强范围最大值对应像素点的在三个分量上的信息增强度获取像素点的分量增强系数,包括的具体方法为:
分别计算每个尺度下L分量下像素点与邻域增强范围最大值对应的像素点信息增强度的差值,分别计算每个尺度下a分量下像素点与邻域增强范围最大值对应的像素点信息增强度的差值,分别计算每个尺度下b分量下像素点与邻域增强范围最大值对应的像素点信息增强度的差值,将三个差值的累加和作为每个尺度下像素点的分量增强系数。
可选的,所述根据像素点的度量增强系数和分量增强系数以及像素点三个分量的分量值获取像素点在三个分量上的增强分量值,包括的具体方法为:,式中,/>是尺度/>的分割结果中像素点x的度量增强系数,/>是尺度/>的分割结果中像素点x的分量增强系数,/>是尺度/>的分割结果中像素点x的增强分量值,/>是采集图像中像素点x的分量值,,/>是像素点x对应的L分量值,/>是像素点x对应的a分量值,/>是像素点x对应的b分量值。
可选的,所述根据每个尺度下每个像素点对应的颜色空间中三个分量的增强分量值获取每个像素点在所有尺度下每个分量的增强分量值的平均值,将所有尺度下每个分量增强系数的平均值作为像素点在每个分量上的新分量值,包括的具体方法为:,/>,/>,式中,是像素点x对应的L分量的新分量值,/>是尺度c下像素点x对应的L分量的增强分量值;/>是像素点x对应的a分量的新分量值,/>是尺度c下像素点x对应的a分量的增强分量值;/>是像素点x对应的b分量的新分量值,/>是尺度c下像素点x对应的b分量的增强分量值,K是分割尺度的数量。
可选的,所述利用识别网络采用基于深度学习的语义分割模型。
本发明的有益效果是:通过设置多个尺度的超像素块大小,获取高质量松树遥感图像在多个尺度下超像素分割结果。通过每个尺度下像素点所在颜色空间中各分量上分量值的占比,构建了像素点的信息增强度,其有益效果在于通过对每个像素点的各分量值进行分析,避免了仅通过像素值获取占比时不同像素点之间区别较小的缺陷。通过邻域增强范围和增强分量值,获取不同尺度下像素点图像信息的增强比例,邻域增强范围反映了分量值一致像素点在整幅图像中显著性的分布特征,避免由于针叶过于浓密忽略小范围变色立木区域内像素点的问题。基于多个邻域增强范围计算像素点的新分量值,其次得到采集松树图像对应的增强图,多个邻域增强范围计算的新分量值能够削弱覆盖范围和图像分辨率之间相互制约,避免分辨率过大或过小造成的识别问题,增强图扩大了目标区域中像素点图像信息的显著度,使得提取的图像特征能够更加准确的对应到采集图像中的变色立木区域,完成对松树遥感图像更加可靠的线虫病变区域识别。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于云边协同的松材线虫病变色立木遥感智能识别方法流程示意图;
图2为本发明一个实施例所提供的基于云边协同的松材线虫病变色立木遥感智能识别方法中颜色空间中分量直方图示意图。
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。
请参阅图1,其示出了本发明一个实施例所提供的基于云边协同的松材线虫病变色立木遥感智能识别方法,该方法包括以下步骤:
步骤S001、利用多尺度超像素分割算法对采集松树遥感图像进行分割处理。
本实施例的目的是首先利用识别网络对采集松树遥感图像中线虫病变区域的识别,其次利用无人机的计算***分别计算每个线虫病变区域面积与其最小外接矩形面积的比值,将所有松树林中线虫病变区域的位置和面积比值结果上传至云端保存,云端将保存区域分配到护林员,护林员根据线虫病变的情况对线虫病变区域进行杀虫维护。在护理员将现场情况发送到云端,云端保存现场情况,并定期向护林员发送信息,提醒护林员对发生过病变的区域进行周期性检查,防止松材线虫病变再次发生。
选定需要识别的松树林后,根据松树林的地形、松树的分布面积以及松树的高度设置一条无人机的飞行路线,设置飞行路线的目的是在尽可能短的时间内采集松树林中的松树图像,并且在采集过程中根据不同区域内松树高度人为调整无人机的飞行高度。在飞行过程中,无人机采集的图像质量会受到周围噪声的干扰,因此需要对采集的图像进行去噪预处理,在本发明中,为了在去噪的同时保留更多的边缘信息,利用双边滤波技术对无人机采集的松树图像进行去噪处理得到高质量的松树图像F,双边滤波去噪为公知技术,具体去噪过程不再详细赘述。
进一步的,对于高质量松树图像F转换到CIELab颜色空间内得到的图像。利用多尺度超像素分割算法Multi-scale SLIC对图像/>进行K种不同尺度的分割,不同尺度的分割是指设置算法中不同的初始尺寸,本发明中K的大小取经验值5,分别是200,300,500,700,1000,并分别记为/>,/>至/>。多尺度分割的目的是评估在不同大小的超像素块区域内每个像素点图像信息与周围像素点图像信息的一致性,由于线虫变色的严重程度不同,松树叶生长的外观大小不同,因此获取多个分割尺度下的分割超像素块,后续计算像素点的有关特征值能够更大程度上放大像素点的图像信息,使得属于线虫病变立木的像素点与正常松树像素点的对比更加明显。
至此,通过双边滤波处理和多尺度超像素分割,得到高质量松树图像多尺度的分割结果。
步骤S002、获取每个尺度下分割结果中超像素块对应的分量直方图,基于分量直方图计算每个尺度下每个像素点的信息增强度和增强半径,基于信息增强度和增强半径计算每个像素点的邻域增强范围。
在松树遥感图像中,如果存在发生变色立木区域,为了获取清晰的边界和纹理特征,可以对图像中可疑区域的像素点进行特征增强,特征增强的目的是为了使得像素点的图像信息更加丰富。如果确认是干扰地物或者正常生长的松树,这些信息对于识别变色立木区域属于干扰的冗余信息,应当只提取少量的特征。
设置多个尺度对分析对象进行特征提取,所述特征包括灰度特征和纹理特征,虽然对多个尺度的图像进行分析获取了更多的图像信息,随着图像尺度越来越大,干扰信息也会逐渐增多,影响对变色立木区域的识别精度。因此,本发明对每个像素点进行特征增强,以尺度为例,对/>中的像素点进行特征增强,特征增强范围的获取过程如下:
记图像的大小为M*N,获取统计/>内每个像素点在L,a,b三个分量的值,得到三个对应的分量直方图,分别记为直方图/>、直方图/>、直方图/>。对于遥感图像中的变色立木,在遥感图像中与周围正常生长的松树具有明显的颜色差异,对于属于变色立木区域的像素点,其周围必定存在一定数量的同类像素点,考虑到松树针叶的浓密程度不同,此处构建邻域增强范围R,用于表征像素点的图像信息对周围多大范围内存在影响,计算像素点i的邻域增强范围/>:/>,,/>,,/>,式中,/>是像素点i在颜色空间内L分量上的分量值,/>是/>对应的像素点数量,/>,/>分别是图像/>中像素点L分量的最大值和最小值,/>是/>对应的像素点数量,/>是/>对应的像素点数量,L分量的直方图/>如下图2所示。/>是像素点i的信息增强度,/>的含义是与像素点i的L分量值相同的像素点在颜色空间内L分量直方图中的突出程度。
是与像素点i在Lab颜色空间a分量上的分量值,/>是与像素点i在a分量上分量值相等的像素点数量,/>是a分量上最小分量值,/>是a分量上最小分量值的像素点数量,/>是a分量上最大分量值,/>是a分量上最大分量值的像素点数量,/>是像素点i在相应尺度下的a分量上的信息增强度。
是与像素点i在Lab颜色空间b分量上的分量值,/>是与像素点i在b分量上分量值相等的像素点数量,/>是b分量上最小分量值,/>是b分量上最小分量值的像素点数量,/>是b分量上最大分量值,/>是b分量上最大分量值的像素点数量,/>是像素点i在相应尺度下的b分量上的信息增强度。
邻域增强范围反映了像素点在图像中对应的图像信息的影响区域,图像信息的影响区域是指在特征金字塔融合特征时针对像素点i应该考虑的特征范围,认为像素点i只对邻域增强范围/>内的图像特征存在影响。像素点i在颜色空间三个分量直方图中的信息占比越大,对应的邻域增强半径/>越大,像素点i的图像信息对应的影响区域越大,即邻域增强范围/>越大。
步骤S003、利用像素点所在超像素块中邻域增强范围最大值获取像素点的度量增强系数,利用像素点的分量值计算像素点在不同分量上的分量增强系数,根据像素点的度量增强系数和分量增强系数获取每个像素点每个分量的增强分量值。
对于每个分割尺度,所述分割尺度为超像素分割算法中的初始尺寸,获取图像在每个分割尺度的分割结果。进一步的,对于每个分割尺度的分割结果,分别获取像素点所在超像素块对应的颜色空间内L分量,a分量,b分两的直方图的统计结果,根据像素点在三个分量直方图中的分量值获取每个分割尺度下像素点对应的邻域增强范围R。以尺度为例,像素点i所在超像素块记为/>,获取对应的分量直方图,将像素点i的分量值带入上述信息增强度/>和增强半径r的计算公式,获得尺度/>下像素点i对应的邻域增强范围,记为/>。按照上述流程分别获取/>至/>下像素点i的邻域增强范围,分别记为/>至/>。多个邻域增强范围的作用是确定像素点的图像信息能够对多大范围图像信息产生影响,获取多个分割尺度下像素点的邻域增强范围,后续在多个邻域增强范围内计算像素点的有关特征值能够更大程度上放大像素点的图像信息,使得属于线虫病变立木的像素点与正常松树像素点的对比更加明显。
获取像素点i所在超像素块中邻域增强范围最大值对应的像素点,记为像素点p。像素点p的邻域增强范围最大,说明像素点p的图像信息对此超像素块的图像信息的影响程度最高。对像素点进行特征增强的目的在于利用识别模型识别松树图像中的线虫病变区域时,需要利用特征金字塔提取输入图像的特征。
对于尺度下超像素块中任意一个像素点,与种子点都有一个度量距离,用于表征像素点与种子点图像信息的相似程度,对于像素点p,如果一个像素点在邻域增强范围内,且与种子点的度量距离与像素点p的度量距离大小较为接近,说明这个点与像素点p同类的可信度是比较高的,应该对这个像素点的图像特征进行放大,此处构建增强分量值Q,用于表征像素点分量值基于应当增强的比例大小,通过增强系数计算像素点x对应的增强分量值/>:/>,/>,,式中,/>是像素点p所在超像素块/>中像素点与种子点度量距离的最大值,/>是像素点x与超像素块种子点的度量距离,/>是像素点p与超像素块种子点的度量距离,/>是尺度/>的分割结果中像素点x的度量增强系数。/>,/>,/>分别是像素点x在颜色空间内L分量,a分量,b分量的信息增强度,,/>,/>分别是像素点p在颜色空间内L分量,a分量,b分量的信息增强度,/>是尺度/>的分割结果中像素点x的分量增强系数。/>是尺度/>的分割结果中像素点x的增强分量值,/>是采集图像中像素点x的分量值,/>,/>是像素点x对应的L分量值,/>是像素点x对应的a分量值,/>是像素点x对应的b分量值。
遍历整幅图像,对于每个像素点计算对应的度量增强系数,分量增强系数,获取每个像素点对应的增强分量值/>,即得到每个像素点对应的颜色空间内各分量值的增强分量值。例如,像素点x对应的颜色空间分量值分别是/>,基于增强系数/>,/>对应的增强分量值记为/>,/>对应的增强分量值记为/>,/>对应的增强分量值记为/>。
至此,通过对像素点的图像信息进行增强处理,得到每个像素点对应的增强分量值。
步骤S004、根据多个尺度下每个像素点每个分量的增强分量值获取像素点在每个分量的新分量值,根据所有像素点的新分量值获取高质量松树图像对应的增强图。
进一步的,对于尺度的分割结果中的每个像素点,分别获取每个像素点在三个分量的增强分量值,根据增强分量值获取像素点的增强像素值。以像素点x为例,得到、/>、/>后,将/> 、/>、/>作为Lab颜色空间内像素点x的新的分量值,遍历所有像素点,获取尺度/>下每个像素点新的分量值。进一步的,分别获取尺度/>至/>下的像素点的增强分量值,基于5个不同尺度下像素点的增强分量值,得到像素点新分量值,计算像素点x在L、a、b三分量中的新分量值:,/>,/>,式中,/>是像素点x对应的L分量的新分量值,/>是尺度c下像素点x对应的L分量的增强分量值;/>是像素点x对应的a分量的新分量值,/>是尺度c下像素点x对应的a分量的增强分量值;/>是像素点x对应的b分量的新分量值,/>是尺度c下像素点x对应的b分量的增强分量值,K是分割尺度的数量,本发明中K的值为5。
获取每个像素点的新分量值,得到每个像素点新分量值后,将从Lab颜色空间转换到RGB颜色空间,得到高质量松树图像F的特征增强图,记为增强图FQ。
至此,通过多尺度分割和增强分量值的处理,得到增强图FQ。
步骤S005、利用识别网络获取高质量松树图像中线虫病变区域的识别结果,利用最小外接矩形确定线虫病变区域的位置信息,利用云端保存传输信息并完成对松树林的协同保护。
进一步的,利用识别网络获取高质量松树图像中线虫病变区域的识别结果,在本实施例中,以基于深度学习的语义分割模型U-net作为识别网络,将数据增强后的数据集作为训练集,对训练集中的遥感图像进行人为标注,人为设置图像标签,将变色立木区域的标签设置为1,将正常的松树区域的标签设置为2,将其余区域的标签设置为3,将训练集中的遥感图像与标签进行编码,将编码后的遥感图像作为神经网络的输入,对识别模型进行训练,神经网络的训练为公知技术,具体过程不再详细赘述。识别模型训练完成后,将增强图FQ和采集图像作为识别模型U-net的输入,识别模型的输出是松树图像中的线虫病变区域。
获取松材线虫病变区域的最小外接矩形,最小外接矩形的目的是为了确定病变区域的位置信息和病变程度,利用无人机的计算***分别计算每个线虫病变区域面积与其最小外接矩形面积的比值,比值越大说明线虫病变越严重,将病变区域的位置信息和面积比值上传至云端,云端将位置信息发送给距离较近的松树林护林员,护林员到现场进行对枯死变色立木及其周围松树进行有效清理。在护理员将现场情况发送到云端,云端保存发生线虫病变的具体松树信息和现场情况,并定期向护林员发送信息,提醒护林员对发生过病变的松树进行周期性检查,防止松材线虫病变再次发生。
至此,获取到采集松树遥感图像中线虫病变区域的识别结果,完成对识别结果的协同管理。
以上所述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 (10)
1.基于云边协同的松材线虫病变色立木遥感智能识别方法,其特征在于,该方法包括以下步骤:
获取松树遥感图像,利用超像素分割技术获取多个分割尺度下高质量松树遥感图像的分割结果;
根据每个尺度下每个像素点在Lab颜色空间中每个分量的分量值在分量直方图中的位置获取每个尺度下像素点在每个分量上的信息增强度,根据每个尺度下像素点在三个分量上信息增强度获取每个尺度下像素点对应的增强半径,根据像素点的位置信息和每个尺度下的增强半径获取像素点在每个尺度下的邻域增强范围;
获取每个尺度下像素点所在超像素块中的邻域增强范围最大值,根据像素点的度量距离和邻域增强范围最大值对应像素点的度量距离获取像素点的度量增强系数;根据像素点在三个分量上的信息增强度和邻域增强范围最大值对应像素点的在三个分量上的信息增强度获取像素点的分量增强系数,根据像素点的度量增强系数和分量增强系数以及像素点三个分量的分量值获取像素点在三个分量上的增强分量值;
根据每个尺度下每个像素点对应的颜色空间中三个分量的增强分量值获取每个像素点在所有尺度下每个分量的增强分量值的平均值,将所有尺度下每个分量增强系数的平均值作为像素点在每个分量上的新分量值,所有像素点的新分量值组成增强图像;
将增强图像和高质量松树图像作为识别网络的输入,利用识别网络获取高质量松树图像中线虫病变区域的识别结果,通过最小外接矩形获取高质量松树图像中线虫病变区域识别结果的位置信息,将位置信息上传至云端保存并传输信息给相关人员完成对松树林的协同保护。
2.根据权利要求1所述的基于云边协同的松材线虫病变色立木遥感智能识别方法,其特征在于,所述利用超像素分割技术获取多个尺度下高质量松树遥感图像的分割结果;包括具体方法为:
利用无人机获取松树林中松树的遥感图像,利用双边滤波技术对松树的遥感图像进行处理获取高质量松树遥感图像F,人为设置多个不同的超像素分割算法中的初始尺寸,利用超像素分割技术获取多个尺度下高质量松树遥感图像的分割结果。
4.根据权利要求1所述的基于云边协同的松材线虫病变色立木遥感智能识别方法,其特征在于,所述根据每个尺度下像素点在三个分量上信息增强度获取每个尺度下像素点对应的增强半径,包括具体方法为:
分别得到每个尺度下像素点在三个分量上的信息增强度,将每个尺度下三个分量上信息增强度的平均值作为像素点在每个尺度下的平均信息增强度,获取高质量松树遥感图像F的长宽尺寸大小,将像素点在每个尺度下的平均信息增强度与长宽尺寸大小中最大值的乘积作为像素点在每个尺度下的增强半径。
5.根据权利要求1所述的基于云边协同的松材线虫病变色立木遥感智能识别方法,其特征在于,所述根据像素点的位置信息和每个尺度下的增强半径获取像素点在每个尺度下的邻域增强范围,包括具体方法为:
获取每个尺度下像素点对应的增强半径,根据像素点的位置信息,将以像素点为圆点,以增强半径为半径的圆形区域作为像素点在每个尺度下的邻域增强范围。
6.根据权利要求1所述的基于云边协同的松材线虫病变色立木遥感智能识别方法,其特征在于,所述获取每个尺度下像素点所在超像素块中的邻域增强范围最大值,根据像素点的度量距离和邻域增强范围最大值对应像素点的度量距离获取像素点的度量增强系数,包括的具体方法为:
将每个尺度下像素点所在超像素块内像素点对应邻域增强范围进行排序,获取邻域增强范围最大值对应的像素点,计算超像素块中度量距离最大值与像素点度量距离的差值,计算超像素块中度量距离最大值与邻域增强范围最大值对应的像素点度量距离的差值,将超像素块中度量距离最大值与像素点度量距离的差值作为分子,将超像素块中度量距离最大值与邻域增强范围最大值对应的像素点度量距离的差值作为分母,将比值结果作为像素点的度量增强系数。
7.根据权利要求1所述的基于云边协同的松材线虫病变色立木遥感智能识别方法,其特征在于,所述根据像素点在三个分量上的信息增强度和邻域增强范围最大值对应像素点的在三个分量上的信息增强度获取像素点的分量增强系数,包括的具体方法为:
分别计算每个尺度下L分量下像素点与邻域增强范围最大值对应的像素点信息增强度的差值,分别计算每个尺度下a分量下像素点与邻域增强范围最大值对应的像素点信息增强度的差值,分别计算每个尺度下b分量下像素点与邻域增强范围最大值对应的像素点信息增强度的差值,将三个差值的累加和作为每个尺度下像素点的分量增强系数。
10.根据权利要求1所述的基于云边协同的松材线虫病变色立木遥感智能识别方法,其特征在于,所述利用识别网络采用基于深度学习的语义分割模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161954.XA CN115841492B (zh) | 2023-02-24 | 2023-02-24 | 基于云边协同的松材线虫病变色立木遥感智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161954.XA CN115841492B (zh) | 2023-02-24 | 2023-02-24 | 基于云边协同的松材线虫病变色立木遥感智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115841492A true CN115841492A (zh) | 2023-03-24 |
CN115841492B CN115841492B (zh) | 2023-05-12 |
Family
ID=85580167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310161954.XA Active CN115841492B (zh) | 2023-02-24 | 2023-02-24 | 基于云边协同的松材线虫病变色立木遥感智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841492B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040081369A1 (en) * | 2002-10-25 | 2004-04-29 | Eastman Kodak Company | Enhancing the tonal, spatial, and color characteristics of digital images using expansive and compressive tone scale functions |
CN103136733A (zh) * | 2013-02-25 | 2013-06-05 | 中国人民解放军总参谋部第六十一研究所 | 基于多尺度图像分割和颜色传递的遥感图像彩色增强方法 |
CN103530635A (zh) * | 2013-09-23 | 2014-01-22 | 上海海洋大学 | 一种基于卫星微波遥感图像的海岸线提取方法 |
CN105403989A (zh) * | 2015-10-28 | 2016-03-16 | 清华大学 | 线虫识别***及线虫识别方法 |
CN105608458A (zh) * | 2015-10-20 | 2016-05-25 | 武汉大学 | 一种高分辨率遥感影像建筑物提取方法 |
CN106295604A (zh) * | 2016-08-19 | 2017-01-04 | 厦门大学 | 基于联合滤波的遥感影像路网提取技术 |
CN112633202A (zh) * | 2020-12-29 | 2021-04-09 | 河南大学 | 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法 |
CN113240689A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种洪涝灾害区域快速提取方法 |
US20210374478A1 (en) * | 2018-05-15 | 2021-12-02 | Shenzhen University | Methods for Image Segmentation, Computer Devices, and Storage Mediums |
CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
-
2023
- 2023-02-24 CN CN202310161954.XA patent/CN115841492B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040081369A1 (en) * | 2002-10-25 | 2004-04-29 | Eastman Kodak Company | Enhancing the tonal, spatial, and color characteristics of digital images using expansive and compressive tone scale functions |
CN103136733A (zh) * | 2013-02-25 | 2013-06-05 | 中国人民解放军总参谋部第六十一研究所 | 基于多尺度图像分割和颜色传递的遥感图像彩色增强方法 |
CN103530635A (zh) * | 2013-09-23 | 2014-01-22 | 上海海洋大学 | 一种基于卫星微波遥感图像的海岸线提取方法 |
CN105608458A (zh) * | 2015-10-20 | 2016-05-25 | 武汉大学 | 一种高分辨率遥感影像建筑物提取方法 |
CN105403989A (zh) * | 2015-10-28 | 2016-03-16 | 清华大学 | 线虫识别***及线虫识别方法 |
CN106295604A (zh) * | 2016-08-19 | 2017-01-04 | 厦门大学 | 基于联合滤波的遥感影像路网提取技术 |
US20210374478A1 (en) * | 2018-05-15 | 2021-12-02 | Shenzhen University | Methods for Image Segmentation, Computer Devices, and Storage Mediums |
CN112633202A (zh) * | 2020-12-29 | 2021-04-09 | 河南大学 | 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法 |
CN113240689A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种洪涝灾害区域快速提取方法 |
CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
Non-Patent Citations (5)
Title |
---|
IXIA HUANG 等: "Chromosome Image Enhancement Using Multiscale Differential Operators" * |
侯晓然 等: "改进 Retinex 算法对特殊环境下的车牌图像增强研究" * |
刘小丹;于宁;邱红圆;: "基于谱直方图的遥感图像分层次多尺度植被分割" * |
刘小丹;于宁;邱红圆;: "基于谱直方图的遥感图像分层次多尺度植被分割", 国土资源遥感 * |
耿鑫 等: "基于模糊同组划分的多尺度彩色图像增强算法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115841492B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609526A (zh) | 基于规则的精细尺度城市不透水面快速提取方法 | |
CN112418188B (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN113040034B (zh) | 一种节水灌溉控制***及控制方法 | |
CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN109522899B (zh) | 咖啡成熟果实的检测方法、装置及电子设备 | |
CN109033937B (zh) | 通过无人机影像进行植物数量统计方法及*** | |
CN111860150B (zh) | 基于遥感影像的倒伏水稻识别方法与装置 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN116188465B (zh) | 基于图像处理技术的作物生长状态检测方法 | |
CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
CN112597855B (zh) | 农作物倒伏程度识别方法及装置 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
CN113392846A (zh) | 一种基于深度学习的水尺水位监测方法及*** | |
He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
CN116665081B (zh) | 一种滨海植被地上生物量的估算方法、计算机设备及介质 | |
Mohammadi et al. | Estimation of leaf area in bell pepper plant using image processing techniques and artificial neural networks | |
CN115841492A (zh) | 基于云边协同的松材线虫病变色立木遥感智能识别方法 | |
CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
CN114266975B (zh) | 无人机遥感图像的荔枝果实检测与计数方法 | |
CN110544237A (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
CN116310338A (zh) | 一种基于实例和语义分割的单株荔枝红叶梢分割方法 | |
CN115526927A (zh) | 综合物候和遥感大数据的水稻种植及其面积估算方法 | |
CN114694048A (zh) | 基于无人机遥感技术的稀疏灌木物种识别方法及*** |
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 |