[发明专利]一种田块垄作特征提取方法及装置

说明书

本发明涉及一种田块垄作特征提取方法及装置，通过获取全色遥感影像，并对所述全色遥感影像进行Laplace计算和二值化，得到田垄线条图像，采用图像细化方法对所述田垄线条图像中的田垄线条进行细化，得到线条中心线，将所述线条中心线截断为线段，并根据预设曲率阈值对所述线段进行筛选，得到直线段，获取光学遥感卫星图像，并从所述光学遥感卫星图像中识别获得田块图像，根据所述直线段和所述田块图像，从而获取所述田块图像中的田块对应的垄长、垄距和垄向，便于辅助判断田块的作物类型，提高了作物类型识别精度。

技术领域

本发明涉及农业耕作技术领域，特别是涉及一种田块垄作特征提取方法及装置。

背景技术

田块耕作特征，是判断作物种植类型、轮作模式的一个基本特征，也是了解作物长势和产量的辅助特征。对田块耕作特征的描述，通常采用灰度共生矩阵(Gray-level Co-occurrence Matrix，简称GLCM)统计型纹理特征，该特征原本针对土地覆被应用开发，表示纹理的混乱程度。

然而，缺乏结构型纹理特征来描述诸如垄作、垄向、垄距等跟作物类型密切相关的知识。

发明内容

基于此，本发明的目的在于，提供一种田块垄作特征提取方法及装置，其具有提高作物类型判别精度的优点。

为了实现上述目的，本发明的第一方面是提供一种田块垄作特征提取方法，包括：

获取全色遥感影像，并对所述全色遥感影像进行Laplace计算和二值化，得到田垄线条图像；

采用图像细化方法对所述田垄线条图像中的田垄线条进行细化，得到线条中心线；

将所述线条中心线截断为线段，并根据预设曲率阈值对所述线段进行筛选，得到直线段；

获取光学遥感卫星图像，并从所述光学遥感卫星图像中识别获得田块图像；

根据所述直线段和所述田块图像，计算所述田块图像中的田块对应的垄长、垄距和垄向。

进一步地，所述获取全色遥感影像，并对所述全色遥感影像进行Laplace计算和二值化，得到田垄线条图像的步骤包括：获取全色遥感影像，采用Laplace滤波模板对所述全色遥感影像进行Laplace计算；将经过Laplace计算之后的所述全色遥感影像的像素值与阈值0比较，进行所述全色遥感影像的二值化处理，得到田垄线条图像；其中，所述像素值大于所述阈值0时，所述像素值设定为1，所述像素值小于所述阈值0时，所述像素值设定为0。

进一步地，所述将所述线条中心线截断为线段，并根据预设曲率阈值对所述线段进行筛选，得到直线段的步骤包括：计算所述线条中心线中每一像素的连接度，对所述连接度大于或等于第一预定阈值的像素进行删除，以截断所述线条中心线为N个线段；获取像素数量大于第二预定阈值的所述线段；计算所述线段的曲率，将所述曲率大于预设曲率阈值的线段，确定为直线段；其中，根据所述线段的像素数量和所述线段的两个端点连接而成的直线对应的像素数量的比值，计算所述线段的曲率。

进一步地，所述获取光学遥感卫星图像，并从所述光学遥感卫星图像中识别获得田块图像的步骤包括：获取光学遥感卫星图像，将所述光学遥感卫星图像输入到训练好的田块识别模型，获得田块图像；其中，训练所述田块识别模型包括：对光学遥感卫星样本图像勾勒出田块边界，得到田块样本数据；将所述光学遥感卫星样本图像作为输入，所述田块样本数据作为输出，输入到FCIS深度学习网络进行训练学习，得到田块识别模型。