一种空地协同的典型农作物种植样本采集方法技术

本发明专利技术公开了一种空地协同的典型农作物种植样本采集方法，包括无人机进行典型农作物样本采集，包括影像拍摄、影像拼接、田块分割以及典型农作物自动识别，以得到典型农作物样本数据；对所得到的典型农作物样本数据进行实时实地的样本属性更正和样本边界的调整勾绘，得到外业典型农作物样本数据；将外业典型农作物样本数据入库。本方法改变了传统野外数据采集方法，使原手工记录地面信息、影像勾绘图斑等一系列工作直接通过无人机操作处理，取代内业人工影像判读，减少了人工内业样本采集的工作量，解决了外业人员把拍摄数据带回到室内后进行的人工影像样本采集所出现误判及影像精度不高导致的采集数据不全等问题。不高导致的采集数据不全等问题。不高导致的采集数据不全等问题。

【技术实现步骤摘要】
一种空地协同的典型农作物种植样本采集方法


[0001]本专利技术涉及遥感影像数据处理，具体涉及一种空地协同的典型农作物种植样本采集方法。

技术介绍

[0002]典型农作物种植样本采集现在主要采用传统的野外样本数据采集方法，采集的过程是在外业采集完地面照片或手工记录地面信息后，通过内业从经过正射处理的影像数据源中勾绘并裁切与地面照片拍摄范围和内容一致的航空航天遥感影像；再给样本图斑添加样本属性，最后对添加属性后的样本图斑进行筛选和整理，并经过结构化整理，形成完整的成果内容，存储到文件或数据库进行管理与给技术人员进行研。
[0003]传统的野外样本数据采集方法主要存在如下的几点缺陷：
[0004]①
传统的野外样本数据采集方法，当研究区域范围较大时，所需要的外业人员及内业数据采集人员非常多，并且采集的速度也会相对低，若要获取到大量的数据相对困难，而较少的样本数据成为大范围遥感影像分类的短板。
[0005]②
内业采集的过程需要结合影像进行边界的勾绘及外业手工记录信息进行田块属性赋值，在室内样本整理容易发生影像不清晰时勾绘的边界不准确和人工属性添加有误等问题，导致样本的准确度不高。
[0006]③
传统的野外样本数据采集方法，在采集整理的不同工序及不同作业人员衔接不畅时，容易导致典型农作物种植样本采集的精度和效率不高，再次实地补证困难。工序复杂繁琐，效率低下。

技术实现思路

[0007]本专利技术的目的在于克服上述现有技术的不足，提供一种空地协同的典型农作物种植样本采集方法，使得典型农作物种植样本采集可以直接在无人机飞行过程中实现样本采集，从而减少当研究区面积较大时的外业人员量，并且减少内业人员的工作量和误判率，提高典型农作物种植样本采集的工作效率及提高样本的准确率。
[0008]为实现上述目的，本专利技术的技术方案是：
[0009]一种空地协同的典型农作物种植样本采集方法，包括：
[0010]无人机进行典型农作物样本采集，包括影像拍摄、影像拼接、田块分割以及典型农作物自动识别，以得到典型农作物样本数据；所述处理在无人机上进行；
[0011]对所得到的典型农作物样本数据进行实时实地的样本属性更正和样本边界的调整勾绘，得到外业典型农作物样本数据；
[0012]将外业典型农作物样本数据入库。
[0013]进一步地，所述影像拼接包括：
[0014]导入所拍摄的影像，以imageDatastore格式保存，显示影像；
[0015]第一张影像进行SURF特征检测；
[0016]迭代匹配除第一张影像外的其他影像对，获得其他影像转换为第一张影像投影的转换参数；
[0017]根据转换统一投影，确定找到全部图像中的中心影像，计算全部其他影像向中心影像投影坐标的转换参数；
[0018]初始化全景图，根据全部影像转换后的范围确定全景图的大小范围，将全部影像转换后镶嵌到全景图中，最后得到RGB真彩色影像。
[0019]进一步地，所述第一张影像进行SURF特征检测包括：
[0020]读取数据集中的第一张影像；
[0021]将真彩色影像RGB转换为灰度强度影像I；
[0022]SURF特征检测：
[0023]构建Hessian矩阵；
[0024]构建尺度空间和特征点定位：将经过Hessian矩阵处理的每个像元点与二维影像空间和尺度空间邻域内的点进行比较，初步定位出关键点，再经过滤除能量不符目标数值的关键点以及错误定位的关键点，筛选出最终的稳定的特征点；从灰度影像中提取特征向量及其对应位置；
[0025]特征点主方向分配：采用的是统计特征点圆形邻域内的Haar特征，最后将值最大的那个扇形的方向作为该特征点的主方向；
[0026]生成特征点描述子：SURF算法中，也是在特征点周围取一个4*4像元的矩形区域块，但是所取得矩形区域方向是沿着特征点的主方向；每个子区域统计25个像元的水平方向和垂直方向的Haar特征，这里的水平和垂直方向都是相对主方向而言的；该Haar特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向；
[0027]初始化变量以保存影像大小。
[0028]进一步地，所述迭代匹配除第一张影像外的其他影像对，获得其他影像转换为第一张影像投影的转换参数包括：
[0029]依次读取其他影像，重复第一张影像进行SURF特征检测这一步骤；
[0030]找出前后两幅影像I(n)与I(n
‑
1)的对应关系：特征点匹配，SURF通过计算两个特征点间的欧式距离来确定匹配度，欧氏距离越短，代表两个特征点的匹配度越好，同时加入了Hessian矩阵迹的判断，如果两个特征点的矩阵迹正负号相同，代表这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度变化方向是相反的；
[0031]计算每幅影像与第一张影像间的转换参数；
[0032]计算每个转换的输出限制。
[0033]进一步地所述田块分割包括：
[0034]收集实验影像和田块矢量样本；
[0035]数据预处理；
[0036]构建田块分割样本数据集；
[0037]训练田块分割网络模型；
[0038]预测整幅影像的田块边界，得到田块矢量图。
[0039]进一步地所述收集实验影像和田块矢量样本包括：
[0040]导入影像，仅保留RGB三波段，以TIFF格式、uint8数据类型保存；
[0041]以影像为底图，绘制耕地田块的边界矢量图，保存为SHP文件；
[0042]所述数据预处理包括：
[0043]重投影对齐，利用GDAL库将耕地矢量数据重投影到影像的投影坐标系，令矢量数据与栅格数据相对齐；
[0044]矢量转栅格，利用GDAL库将耕地矢量转换为二值栅格数据，以TIFF格式保存；
[0045]切片，将影像和耕地栅格数据裁剪成256*256像元的小图像，以1/4的重叠度从上往下、从左往右进行滑窗裁剪，当滑窗右边界到达影像右边界宽度则停止移动，下边界同理。
[0046]进一步地，所述构建田块分割样本数据集包括：
[0047]将切片完的图像分别归纳整理，影像归入Image路径，耕地数据归入Mask路径；
[0048]计算田块的边界图和距离图，利用bwperimg算法获取二值图像的边界轮廓，再利用bwdist算法计算田块边界的距离图，分别归入Boundary、Distance路径；
[0049]进一步地所述训练田块分割网络模型包括：
[0050]对田块分割的训练集进行数据增强，利用翻转、旋转、色彩变换来增强训练样本，扩充数据集的样本容量和多样性；
[0051]将田块分割的训练样本输入BsiNet多任务分割网络中，设置相应的超参数进行训练，在Loss曲线趋近收敛或迭代次数达到一定值后完成训练，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空地协同的典型农作物种植样本采集方法，其特征在于，包括：无人机进行典型农作物样本采集，包括影像拍摄、影像拼接、田块分割以及典型农作物自动识别，以得到典型农作物样本数据；对所得到的典型农作物样本数据进行实时实地的样本属性更正和样本边界的调整勾绘，得到外业典型农作物样本数据；将外业典型农作物样本数据入库。2.如权利要求1所述的空地协同的典型农作物种植样本采集方法，其特征在于，所述影像拼接包括：导入所拍摄的影像，以imageDatastore格式保存，显示影像；第一张影像进行SURF特征检测；迭代匹配除第一张影像外的其他影像对，获得其他影像转换为第一张影像投影的转换参数；根据转换统一投影，确定找到全部图像中的中心影像，计算全部其他影像向中心影像投影坐标的转换参数；初始化全景图，根据全部影像转换后的范围确定全景图的大小范围，将全部影像转换后镶嵌到全景图中，最后得到RGB真彩色影像。3.如权利要求2所述的空地协同的典型农作物种植样本采集方法，其特征在于，所述第一张影像进行SURF特征检测包括：读取数据集中的第一张影像；将真彩色影像RGB转换为灰度强度影像I；SURF特征检测：构建Hessian矩阵；构建尺度空间和特征点定位：将经过Hessian矩阵处理的每个像元点与二维影像空间和尺度空间邻域内的点进行比较，初步定位出关键点，再经过滤除能量不符目标数值的关键点以及错误定位的关键点，筛选出最终的稳定的特征点；从灰度影像中提取特征向量及其对应位置；特征点主方向分配：采用的是统计特征点圆形邻域内的Haar特征，最后将值最大的那个扇形的方向作为该特征点的主方向；生成特征点描述子：SURF算法中，也是在特征点周围取一个4*4像元的矩形区域块，但是所取得矩形区域方向是沿着特征点的主方向；每个子区域统计25个像元的水平方向和垂直方向的Haar特征，这里的水平和垂直方向都是相对主方向而言的；该Haar特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向；初始化变量以保存影像大小。4.如权利要求3所述的空地协同的典型农作物种植样本采集方法，其特征在于，所述迭代匹配除第一张影像外的其他影像对，获得其他影像转换为第一张影像投影的转换参数包括：依次读取其他影像，重复第一张影像进行SURF特征检测这一步骤；找出前后两幅影像I(n)与I(n
‑
1)的对应关系：特征点匹配，SURF通过计算两个特征点间的欧式距离来确定匹配度，欧氏距离越短，代表两个特征点的匹配度越好，同时加入了
Hessian矩阵迹的判断，如果两个特征点的矩阵迹正负号相同，代表这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度变化方向是相反的；计算每幅影像与第一张影像间的转换参数；计算每个转换的输出限制。5.如权利要求1所述的空地协同的典型农作物种植样本采集方法，其特征在于，所述...

【专利技术属性】
技术研发人员：石晓春，周昆，陈智朗，汪嘉霖，郑华健，纪敏，邱清清，许伟杰，宋肖峰，林小波，余剑，应凯迪，许耿然，陈伟康，林炳鹏，
申请(专利权)人：广东省国土资源测绘院，
类型：发明
国别省市：