一種空地協同的典型農作物種植樣本采集方法技術

本發明專利技術公開了一種空地協同的典型農作物種植樣本采集方法，包括無人機進行典型農作物樣本采集，包括影像拍攝、影像拼接、田塊分割以及典型農作物自動識別，以得到典型農作物樣本數據；對所得到的典型農作物樣本數據進行實時實地的樣本屬性更正和樣本邊界的調整勾繪，得到外業典型農作物樣本數據；將外業典型農作物樣本數據入庫。本方法改變了傳統野外數據采集方法，使原手工記錄地面信息、影像勾繪圖斑等一系列工作直接通過無人機操作處理，取代內業人工影像判讀，減少了人工內業樣本采集的工作量，解決了外業人員把拍攝數據帶回到室內后進行的人工影像樣本采集所出現誤判及影像精度不高導致的采集數據不全等問題。不高導致的采集數據不全等問題。不高導致的采集數據不全等問題。

【技術實現步驟摘要】
一種空地協同的典型農作物種植樣本采集方法


[0001]本專利技術涉及遙感影像數據處理，具體涉及一種空地協同的典型農作物種植樣本采集方法。

技術介紹

[0002]典型農作物種植樣本采集現在主要采用傳統的野外樣本數據采集方法，采集的過程是在外業采集完地面照片或手工記錄地面信息后，通過內業從經過正射處理的影像數據源中勾繪并裁切與地面照片拍攝范圍和內容一致的航空航天遙感影像；再給樣本圖斑添加樣本屬性，最后對添加屬性后的樣本圖斑進行篩選和整理，并經過結構化整理，形成完整的成果內容，存儲到文件或數據庫進行管理與給技術人員進行研。
[0003]傳統的野外樣本數據采集方法主要存在如下的幾點缺陷：
[0004]①
傳統的野外樣本數據采集方法，當研究區域范圍較大時，所需要的外業人員及內業數據采集人員非常多，并且采集的速度也會相對低，若要獲取到大量的數據相對困難，而較少的樣本數據成為大范圍遙感影像分類的短板。
[0005]②
內業采集的過程需要結合影像進行邊界的勾繪及外業手工記錄信息進行田塊屬性賦值，在室內樣本整理容易發生影像不清晰時勾繪的邊界不準確和人工屬性添加有誤等問題，導致樣本的準確度不高。
[0006]③
傳統的野外樣本數據采集方法，在采集整理的不同工序及不同作業人員銜接不暢時，容易導致典型農作物種植樣本采集的精度和效率不高，再次實地補證困難。工序復雜繁瑣，效率低下。

技術實現思路

[0007]本專利技術的目的在于克服上述現有技術的不足，提供一種空地協同的典型農作物種植樣本采集方法，使得典型農作物種植樣本采集可以直接在無人機飛行過程中實現樣本采集，從而減少當研究區面積較大時的外業人員量，并且減少內業人員的工作量和誤判率，提高典型農作物種植樣本采集的工作效率及提高樣本的準確率。
[0008]為實現上述目的，本專利技術的技術方案是：
[0009]一種空地協同的典型農作物種植樣本采集方法，包括：
[0010]無人機進行典型農作物樣本采集，包括影像拍攝、影像拼接、田塊分割以及典型農作物自動識別，以得到典型農作物樣本數據；所述處理在無人機上進行；
[0011]對所得到的典型農作物樣本數據進行實時實地的樣本屬性更正和樣本邊界的調整勾繪，得到外業典型農作物樣本數據；
[0012]將外業典型農作物樣本數據入庫。
[0013]進一步地，所述影像拼接包括：
[0014]導入所拍攝的影像，以imageDatastore格式保存，顯示影像；
[0015]第一張影像進行SURF特征檢測；
[0016]迭代匹配除第一張影像外的其他影像對，獲得其他影像轉換為第一張影像投影的轉換參數；
[0017]根據轉換統一投影，確定找到全部圖像中的中心影像，計算全部其他影像向中心影像投影坐標的轉換參數；
[0018]初始化全景圖，根據全部影像轉換后的范圍確定全景圖的大小范圍，將全部影像轉換后鑲嵌到全景圖中，最后得到RGB真彩色影像。
[0019]進一步地，所述第一張影像進行SURF特征檢測包括：
[0020]讀取數據集中的第一張影像；
[0021]將真彩色影像RGB轉換為灰度強度影像I；
[0022]SURF特征檢測：
[0023]構建Hessian矩陣；
[0024]構建尺度空間和特征點定位：將經過Hessian矩陣處理的每個像元點與二維影像空間和尺度空間鄰域內的點進行比較，初步定位出關鍵點，再經過濾除能量不符目標數值的關鍵點以及錯誤定位的關鍵點，篩選出最終的穩定的特征點；從灰度影像中提取特征向量及其對應位置；
[0025]特征點主方向分配：采用的是統計特征點圓形鄰域內的Haar特征，最后將值最大的那個扇形的方向作為該特征點的主方向；
[0026]生成特征點描述子：SURF算法中，也是在特征點周圍取一個4*4像元的矩形區域塊，但是所取得矩形區域方向是沿著特征點的主方向；每個子區域統計25個像元的水平方向和垂直方向的Haar特征，這里的水平和垂直方向都是相對主方向而言的；該Haar特征為水平方向值之和、垂直方向值之和、水平方向絕對值之和以及垂直方向絕對值之和4個方向；
[0027]初始化變量以保存影像大小。
[0028]進一步地，所述迭代匹配除第一張影像外的其他影像對，獲得其他影像轉換為第一張影像投影的轉換參數包括：
[0029]依次讀取其他影像，重復第一張影像進行SURF特征檢測這一步驟；
[0030]找出前后兩幅影像I(n)與I(n
?
1)的對應關系：特征點匹配，SURF通過計算兩個特征點間的歐式距離來確定匹配度，歐氏距離越短，代表兩個特征點的匹配度越好，同時加入了Hessian矩陣跡的判斷，如果兩個特征點的矩陣跡正負號相同，代表這兩個特征具有相同方向上的對比度變化，如果不同，說明這兩個特征點的對比度變化方向是相反的；
[0031]計算每幅影像與第一張影像間的轉換參數；
[0032]計算每個轉換的輸出限制。
[0033]進一步地所述田塊分割包括：
[0034]收集實驗影像和田塊矢量樣本；
[0035]數據預處理；
[0036]構建田塊分割樣本數據集；
[0037]訓練田塊分割網絡模型；
[0038]預測整幅影像的田塊邊界，得到田塊矢量圖。
[0039]進一步地所述收集實驗影像和田塊矢量樣本包括：
[0040]導入影像，僅保留RGB三波段，以TIFF格式、uint8數據類型保存；
[0041]以影像為底圖，繪制耕地田塊的邊界矢量圖，保存為SHP文件；
[0042]所述數據預處理包括：
[0043]重投影對齊，利用GDAL庫將耕地矢量數據重投影到影像的投影坐標系，令矢量數據與柵格數據相對齊；
[0044]矢量轉柵格，利用GDAL庫將耕地矢量轉換為二值柵格數據，以TIFF格式保存；
[0045]切片，將影像和耕地柵格數據裁剪成256*256像元的小圖像，以1/4的重疊度從上往下、從左往右進行滑窗裁剪，當滑窗右邊界到達影像右邊界寬度則停止移動，下邊界同理。
[0046]進一步地，所述構建田塊分割樣本數據集包括：
[0047]將切片完的圖像分別歸納整理，影像歸入Image路徑，耕地數據歸入Mask路徑；
[0048]計算田塊的邊界圖和距離圖，利用bwperimg算法獲取二值圖像的邊界輪廓，再利用bwdist算法計算田塊邊界的距離圖，分別歸入Boundary、Distance路徑；
[0049]進一步地所述訓練田塊分割網絡模型包括：
[0050]對田塊分割的訓練集進行數據增強，利用翻轉、旋轉、色彩變換來增強訓練樣本，擴充數據集的樣本容量和多樣性；
[0051]將田塊分割的訓練樣本輸入BsiNet多任務分割網絡中，設置相應的超參數進行訓練，在Loss曲線趨近收斂或迭代次數達到一定值后完成訓練，本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種空地協同的典型農作物種植樣本采集方法，其特征在于，包括：無人機進行典型農作物樣本采集，包括影像拍攝、影像拼接、田塊分割以及典型農作物自動識別，以得到典型農作物樣本數據；對所得到的典型農作物樣本數據進行實時實地的樣本屬性更正和樣本邊界的調整勾繪，得到外業典型農作物樣本數據；將外業典型農作物樣本數據入庫。2.如權利要求1所述的空地協同的典型農作物種植樣本采集方法，其特征在于，所述影像拼接包括：導入所拍攝的影像，以imageDatastore格式保存，顯示影像；第一張影像進行SURF特征檢測；迭代匹配除第一張影像外的其他影像對，獲得其他影像轉換為第一張影像投影的轉換參數；根據轉換統一投影，確定找到全部圖像中的中心影像，計算全部其他影像向中心影像投影坐標的轉換參數；初始化全景圖，根據全部影像轉換后的范圍確定全景圖的大小范圍，將全部影像轉換后鑲嵌到全景圖中，最后得到RGB真彩色影像。3.如權利要求2所述的空地協同的典型農作物種植樣本采集方法，其特征在于，所述第一張影像進行SURF特征檢測包括：讀取數據集中的第一張影像；將真彩色影像RGB轉換為灰度強度影像I；SURF特征檢測：構建Hessian矩陣；構建尺度空間和特征點定位：將經過Hessian矩陣處理的每個像元點與二維影像空間和尺度空間鄰域內的點進行比較，初步定位出關鍵點，再經過濾除能量不符目標數值的關鍵點以及錯誤定位的關鍵點，篩選出最終的穩定的特征點；從灰度影像中提取特征向量及其對應位置；特征點主方向分配：采用的是統計特征點圓形鄰域內的Haar特征，最后將值最大的那個扇形的方向作為該特征點的主方向；生成特征點描述子：SURF算法中，也是在特征點周圍取一個4*4像元的矩形區域塊，但是所取得矩形區域方向是沿著特征點的主方向；每個子區域統計25個像元的水平方向和垂直方向的Haar特征，這里的水平和垂直方向都是相對主方向而言的；該Haar特征為水平方向值之和、垂直方向值之和、水平方向絕對值之和以及垂直方向絕對值之和4個方向；初始化變量以保存影像大小。4.如權利要求3所述的空地協同的典型農作物種植樣本采集方法，其特征在于，所述迭代匹配除第一張影像外的其他影像對，獲得其他影像轉換為第一張影像投影的轉換參數包括：依次讀取其他影像，重復第一張影像進行SURF特征檢測這一步驟；找出前后兩幅影像I(n)與I(n
?
1)的對應關系：特征點匹配，SURF通過計算兩個特征點間的歐式距離來確定匹配度，歐氏距離越短，代表兩個特征點的匹配度越好，同時加入了
Hessian矩陣跡的判斷，如果兩個特征點的矩陣跡正負號相同，代表這兩個特征具有相同方向上的對比度變化，如果不同，說明這兩個特征點的對比度變化方向是相反的；計算每幅影像與第一張影像間的轉換參數；計算每個轉換的輸出限制。5.如權利要求1所述的空地協同的典型農作物種植樣本采集方法，其特征在于，所述...

【專利技術屬性】
技術研發人員：石曉春，周昆，陳智朗，汪嘉霖，鄭華健，紀敏，邱清清，許偉杰，宋肖峰，林小波，余劍，應凱迪，許耿然，陳偉康，林炳鵬，
申請(專利權)人：廣東省國土資源測繪院，
類型：發明
國別省市：