本发明涉及遥感影像处理技术领域,特别是涉及一种基于遥感数据的中心支轴式喷灌农田识别方法。
背景技术:
中心支轴式喷灌农田,是将喷灌机的转动支轴固定在灌溉农田的中心,固定在钢筋混凝土支座上,支轴座中心下端与井泵出水管或压力管相连,上端通过旋转机构(集电环)与旋转弯管连接,通过桁架上的喷洒系统向作物喷水的一种农田喷灌模式。其特点是:覆盖面积大,作物均一程度高,单产效率较高。主要分布在我国内蒙、东北地区、欧美以及非洲,多由商业公司进行大面积的运营。
目前存在比较多的是农田火灾遥感预警方法和农作物生长状况的遥感识别方法,但是还没有一种对中心支轴式喷灌农田的识别方法。
技术实现要素:
基于此,本发明的目的在于,提供一种基于遥感数据的中心支轴式喷灌农田识别方法,其具有精确反映中心支轴式喷灌农田的空间分布,有利于农业管理的优点。
一种基于遥感数据的中心支轴式喷灌农田识别方法,包括如下步骤:
获取历史sentinel-2序列数据并针对每景图像计算ndviseries,并根据ndviseries最大值合成ndvimax图像:ndvimax=max(ndviseries);
对ndvimax图像进行边缘检测,获取所有潜在的边缘像素;
对边缘像素利用霍夫变换识别并筛选出所有可能是中心支轴式喷灌农田的圆形。
相较于现有技术,本发明的基于遥感数据的中心支轴式喷灌农田识别方法,通过获取历史的sentinel-2序列数据并针对每景图像计算ndviseries,并根据ndviseries最大值合成ndvimax图像,获得中心支轴式喷灌农田生长最为茂盛时的图像,该图像最为清晰,更容易识别;通过边缘检测获得所有潜在的农田边界,再根据中心支轴式喷灌农田在图像中表现为圆形,通过霍夫变换识别圆形从而筛选出可能是中心支轴式喷灌农田的图像,该图像反映了中心支轴式喷灌农田的空间分布,有利于农业管理和规划。
进一步地,所述对ndvimax图像进行边缘检测,获取所有潜在的边缘像素的步骤,具体包括如下子步骤:
对ndvimax图像与高斯平滑滤波器进行卷积降噪;
采用sobel算子计算卷积降噪后的ndvimax图像的梯度,获得边缘幅度图像;
采用candy算子对所述边缘幅度图像进行非极大值抑制,排除非边缘像素;
采用candy算子对所述边缘幅度图像进行双阈值启发式连接,获取所有潜在的边缘像素。
由上述技术方案可得,通过sobel算子和candy算子两重边缘检测获得所有潜在的农田边界。通过sobel算子获得的边缘幅度图像是较粗的轮廓线,而candy算子检测出图像中较细的边缘像素,两者结合全面地获取所有潜在的边缘像素。
进一步地,所述采用candy算子进行双阈值启发式连接,获取所有潜在的边缘像素的步骤具体包括如下子步骤:
设定高阈值和低阈值;
判断像素幅值与所述高阈值和低阈值的大小关系;
如果某一像素位置的幅值大于高阈值,则该像素被保留为边缘像素;
如果某一像素位置的幅值小于低阈值,则该像素作为非边缘像素被排除;
如果某一像素位置的幅值在两个阈值之间,则该像素仅仅在连接到一个高于高阈值的像素时被保留。
上述技术方案给出了candy算子获取所有潜在的边缘像素的依据。
进一步地,所述对边缘像素利用霍夫变换识别并筛选出所有可能是中心支轴式喷灌农田图像的圆形的步骤,具体包括如下子步骤:
对边缘像素进行霍夫变换
将识别到的每个圆形对应的响应值h与预设的阈值though进行比较;当响应值h大于预设的阈值though时,将对应的圆形作为可能的中心支轴式喷灌农田图像筛选出来。
进一步地,所述对边缘像素进行霍夫变换
将所有潜在的边缘像素形成的边缘形态学骨架化为1个像素宽的线条;
计算3*3区域范围内线条的连通度,对于连通度大于或等于3的线条,删除其中心像素,截断为若干线段;
获取线段长度和根据
将满足曲率取值范围或线段长度取值范围的线段作为噪声进行排除,获得去噪后的线段;
将去噪后的线段膨胀后与形态学骨架化操作前的边缘进行并操作,获得去噪且保留原始宽度的边缘。
在进行霍夫变换之前将像素相连形成的相交的线段进行截断,减少对霍夫变换识别圆形的干扰,保留更多的潜在的农田边界,提高识别圆形的几率。
进一步地,所述对边缘像素利用霍夫变换识别并筛选出所有可能是中心支轴式喷灌农田图像的圆形步骤之后,还包括如下步骤:
从所有可能是中心支轴式喷灌农田的圆形中排除重叠的圆形。
进一步地,所述从所有可能是中心支轴式喷灌农田的圆形中排除重叠的圆形的步骤,具体包括如下子步骤:
计算重叠的圆形的相割面积:
其中,a为相割面积,r和r为两个重叠的圆的半径,d两个重叠的圆的圆心距离;
求取两个重叠度:
判断重叠度ol与预设的阈值toverlap的大小关系;当ol<toverlap,保留响应值h大的圆形,删除响应值h小的圆形。
考虑到识别出来的圆形中可能存在重叠,重叠的圆一方面可能是噪声造成的识别误差,另一方面可能是农田间作造成的,为了降低识别误差,提高识别的准确率,通过计算重叠度排除小圆,保留大圆。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明的一种基于遥感数据的中心支轴式喷灌农田识别方法的流程图;
图2为本发明的ndvimax图像的示意图;
图3为本发明的步骤s20的子步骤流程图;
图4为本发明的采用sobel算子处理后获得的边缘幅度图像;
图5为本发明的步骤s24的子步骤流程图;
图6为本发明的采用sobel算子对边缘幅度图像处理后的图像;
图7为本发明的步骤s30的子步骤流程图;
图8为本发明的步骤s31之前的步骤流程图;
图9为本发明的步骤s302的示意图;
图10为本发明的步骤s301~s305的实例演示图;
图11为本发明包括步骤s40的完整流程图;
图12为本发明的步骤s40的子步骤流程图;
图13为本发明最终识别出的中心支轴式喷灌农田的图像。
具体实施方式
中心支轴式喷灌农田是大规模农业的一种重要模式,为了精准地识别中心支轴式喷灌农田,获取其空间分布,有利于农业主管部门的管理和规划,根据中心支轴式喷灌农田在遥感影像中表现为圆形的特点,本发明提出一种基于遥感数据的中心支轴式喷灌农田识别方法,通过算法识别遥感影像中的圆形来实现中心支轴式喷灌农田的识别。
请参阅图1,本发明的一种基于遥感数据的中心支轴式喷灌农田识别方法,包括如下步骤:
s10:获取历史sentinel-2序列数据并针对每景图像计算ndviseries,并根据ndviseries最大值合成ndvimax图像:ndvimax=max(ndviseries);
s20:对ndvimax图像进行边缘检测,获取所有潜在的边缘像素;
s30:对边缘像素利用霍夫变换识别并筛选出所有可能是中心支轴式喷灌农田的圆形。
sentinel-2卫星是全球环境与安全监视系统(gmes)中的多光谱遥感成像任务,该任务的实施由欧洲委员会和欧空局共同执行。该任务用于对全球陆地状况的监测,可用于农业估产,勘察土壤和水的覆盖,获取植被生长状况。sentinel-2卫星相较于spot-5和landsat-7卫星具有较高的分辨率和重访能力。
ndviseries是一种植被指数,可以应用于检测植被生长状态和植被覆盖度,并且有
请参阅图3,在一个实施例中,所述对ndvimax图像进行边缘检测,获取所有潜在的边缘像素的步骤,具体包括如下子步骤:
s21:对ndvimax图像与高斯平滑滤波器进行卷积降噪;
s22:采用sobel算子计算卷积降噪后的ndvimax图像的梯度,获得边缘幅度图像;
s23:采用candy算子对所述边缘幅度图像进行非极大值抑制,排除非边缘像素;
s24:采用candy算子对所述边缘幅度图像进行双阈值启发式连接,获取所有潜在的边缘像素。
任何边缘检测算法都不可能在未经处理的原始数据上很好地处理。为了减少边缘检测算法识别边缘像素的噪声,避免误差累计传递,获得信噪比较高的边缘像素,在步骤s21中,首先利用gaussian滤波器进行去噪,其中gaussian滤波器的表达式为
在步骤s22中,利用sobel算子分别计算横向梯度gx和纵向梯度gy:
再由横向梯度gx和纵向梯度gy合成梯度大小g和梯度方向θ:
请参阅图4,经过sobel算子计算ndvimax图像的梯度,获得的是边缘幅度图像。该边缘幅度图像保留的是原ndvimax图像的一些较粗的线条或称轮廓,但还不够精确,需要采用candy算子进一步全面地获取所有潜在的边缘像素,这些边缘像素是都可能作为农田的边界。
请参阅图5,在一个实施例中,所述采用candy算子进行双阈值启发式连接,获取所有潜在的边缘像素的步骤具体包括如下子步骤:
s241:设定高阈值和低阈值;
s242:判断像素幅值与所述高阈值和低阈值的大小关系;
s243:如果某一像素位置的幅值大于高阈值,则该像素被保留为边缘像素;如果某一像素位置的幅值小于低阈值,则该像素作为非边缘像素被排除;如果某一像素位置的幅值在两个阈值之间,则该像素仅仅在连接到一个高于高阈值的像素时被保留。
由此,请参阅图6,经过candy算子的非极大值抑制和双阈值启发式连接,一方面排除了不能作为农田边界的边缘像素,另一方面又尽可能地包括了所有潜在的可能作为农田边界的边缘像素,使得边缘检测的结果更全面和准确,进一步使得中心支轴式喷灌农田识别结果更可靠。
上面已经提及到可以通过算法识别遥感影像中的圆形来实现中心支轴式喷灌农田的识别,步骤s30基于此,应用霍夫变换识别所有潜在的边缘像素中圆形。
具体而言,请参阅图7,所述对边缘像素利用霍夫变换识别并筛选出所有可能是中心支轴式喷灌农田图像的圆形的步骤s30,具体包括如下子步骤:
s31:对边缘像素进行霍夫变换
s32:将识别到的每个圆形对应的响应值h与预设的阈值though进行比较;当响应值h大于预设的阈值though时,将对应的圆形作为可能的中心支轴式喷灌农田图像筛选出来。
在霍夫变换houghtransform中,使用累加矩阵(accumulatormatrix),也即响应值h,来记录每个像素是圆点的可能性(也叫做分数,即score)。
进一步地,考虑到步骤s20获取到的所有潜在的边缘像素中,可能存在部分边缘像素连接形成了相交的线段或者一些曲率接近0或曲率过大的线段,如果直接采用霍夫变换识别圆形,必然会将相交的线段排除在外,导致某些本应被识别的圆形被遗漏;同时曲率接近0或过大的线段本身就不可能被识别为圆形,也即不可能作为农田边界,直接采用霍夫变换识别圆形会增加识别的工作量,降低识别效率。为了使得识别结果更全面准确,提高识别的效率,请参阅图8,所述对边缘像素进行霍夫变换
s301:将所有潜在的边缘像素形成的边缘形态学骨架化为1个像素宽的线条
s302:计算3*3区域范围内线条的连通度,对于连通度大于或等于3的线条,删除其中心像素,截断为若干线段;
s303:获取线段长度和根据
s304:将满足曲率取值范围或线段长度取值范围的线段作为噪声进行排除,获得去噪后的线段;
s305:将去噪后的线段膨胀后与形态学骨架化操作前的边缘进行并操作,获得去噪且保留原始宽度的边缘。
请参阅图9,在步骤s302中,在图9左边的图(a)中,连通度为2,连通度小于3,则不进行截断;在图9右边的图(b)中,连通度为3,则删除中心像素进行截断。在进行霍夫变换之前将像素相连现成的相交的线段进行截断,减少对霍夫变换识别圆形的干扰,保留更多的潜在的农田边界,提高识别圆形的几率。
请参阅图10,图10给出了连通度大于等于3的相交的线段和曲率大于π的线段的情况,首先采用形态学骨架化算法进行腐蚀,获得第一个箭头指向的图形;接着根据线条连通度进行截断,获得第二个箭头指向的图形;最后,排除图中曲率大于π的曲线,线条膨胀并与原边缘进行并操作,获得去噪且保留原始宽度的边缘,也即最后一个图形。由此,图10中的圆形能够完整无干扰地被识别出来。
考虑到识别出来的圆形中可能存在重叠,重叠的圆一方面可能是噪声造成的识别误差,另一方面可能是农田间作造成的,为了降低识别误差,提高识别的准确率,作为本发明的优选方案,请参阅图11,所述对边缘像素利用霍夫变换识别并筛选出所有可能是中心支轴式喷灌农田图像的圆形步骤s30之后,还包括如下步骤s40:
s40:从所有可能是中心支轴式喷灌农田的圆形中排除重叠的圆形。
具体而言,请参阅图12,所述从所有可能是中心支轴式喷灌农田的圆形中排除重叠的圆形的步骤s40,具体包括如下子步骤:
s41:计算重叠的圆形的相割面积:
其中,a为相割面积,r和r为两个重叠的圆的半径,d两个重叠的圆的圆心距离;
s42:求取两个圆的重叠度:
s43:判断重叠度ol与预设的阈值toverlap的大小关系;当ol<toverlap,保留响应值h大的圆形,删除响应值h小的圆形。
下面详细介绍排除重叠的圆形的原理:
首先假设有两个圆相割,半径分别为r和r,圆心相距为d,分别用以下公示表示:
x2+y2=r2
(x-r)2+y2=r2
可得:
(x-d)2+(r2-x2)=r2
经过展开得到:
x-2dx+d2-x2=r2-r2
则:
则y相当于两圆交点连线的长度a的一半,又等于:
则a=2y又等于:
然后使用公式计算一边相割部分面积
其中,两个圆心到割线的距离分别为:
则相割面积为:-
最终,重叠度ol为:
当重叠度小于阈值时,即ol<toverlap,保留响应值h大的圆形,删除响应值h小的圆形。
最后识别出来的中心支轴式喷灌农田的图像如图13所示。
相较于现有技术,本发明的基于遥感数据的中心支轴式喷灌农田识别方法,通过获取历史的sentinel-2序列数据并针对每景图像计算ndviseries,并根据ndviseries最大值合成ndvimax图像,获得中心支轴式喷灌农田生长最为茂盛时的图像,该图像最为清晰,更容易识别;通过边缘检测获得所有潜在的农田边界,再根据中心支轴式喷灌农田在图像中表现为圆形,通过霍夫变换识别圆形从而筛选出可能是中心支轴式喷灌农田的图像,该图像反映了中心支轴式喷灌农田的空间分布,有利于农业管理和规划。
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,这些都属于本发明的保护范围。