基于分层分类思想的烟田提取方法与流程

1.本发明属于图像处理技术领域，更具体地说，涉及基于分层分类思想的烟田提取方法。


背景技术：

2.快速、准确获取烟草种植面积信息有助于进行烟草长势监测、病虫害监测、产量估计等工作，对烟草种植管理的决策和规划具有重要意义。由于烟田地块与其他种植地块差异较小，现有烟田地块获取方法主要依赖于人工调查逐级上报，效率较低、时效性差。
3.为了解决烟草种植面积信息获取效率低下、时效性差的问题，目前通常采用遥感技术来实现快速、准确地获取烟田地块信息；这种方法的基本流程是，利用航拍或卫星图像获取烟田地块的高分辨率影像，然后利用图像处理技术对影像进行处理，完成对烟田地块的提取和识别。
4.在多云雨地区，由于天气的影响，往往获取到的卫星图像质量不高，常出现缺少关键生育期光学影像的问题，需要补充雷达遥感影像以进行烟田识别，雷达遥感影像识别工作复杂度高，且现有的用雷达遥感影像识别的方法中，需要被识别作物的长时间时序数据，所述时序数据往往覆盖自播种到收获的一整季，不能在短期内完成识别工作。


技术实现要素：

5.本发明要解决的技术问题在于提供基于分层分类思想的烟田提取方法，它可以实现降低人工上报种植地块的权重，解决数据客观性问题，同时克服生育期光学影像数据缺乏的问题，以快速得到真实的烟田种植地块范围。
6.本发明的基于分层分类思想的烟田提取方法，包括：获取待识别区域内的多光谱遥感影像；确定解译区域，建立解译标志；对得到的解译区域进行多尺度分割，以提取解译区域内的纹理信息；通过得到的多光谱遥感影像和纹理信息对解译区域进行运行多尺度分割，以对图像上的烟田地块与其他地物进行区分分割，得到初步分割图像；建立随机森林模型，随机森林模型的输入特征至少为初步分割图像，随机森林模型的输出特征为待识别区域内的烟田分布区域。
7.作为本发明的进一步改进，对解译区域进行运行多尺度分割的方法包括：将提取有解译区域内的纹理信息的影像图转换为灰度图像；通过识别灰度图像上的灰度级大致分割区域，以得到目标区域a、待分割区域c和区域b；通过多光谱遥感影像得到目标区域a内一个样本地块、待分割区域c内每个像素点的ndvi曲线；根据所得到的ndvi曲线得到区域c内关于区域a和区域b的具体分割线，以得到具体分割线分割后的区域a所在的图像，即为初步分割图像。
8.作为本发明的进一步改进，得到目标区域a内一个样本地块的ndvi曲线为烟草作物某一个生长阶段内的ndvi曲线；得到的待分割区域c内每个像素点的ndvi曲线为与上述生长阶段同一时间段内的ndvi曲线。
9.作为本发明的进一步改进，得到具体分割线的步骤包括：分析得到区域a内的样本地块的ndvi曲线的变化趋势；得到区域a内的样本地块的ndvi曲线的至少一个斜率k1、...、kn，n为大于或等于1的整数；分别对比区域c内各个像素点的ndvi曲线与区域a的ndvi曲线的趋势，得到区域c内曲线趋势一致的所有像素点；再分别计算每个像素点的ndvi曲线的斜率k11、...、kn1；分别对比k1、...、kn和k11、...、kn1；当满足k11落在[k1-a，k1+a]、...、kn1落在[kn-a，kn+a]时，则判断该像素点属于烟田区域；得到所有区域c内的判定为烟田区域的像素点，将最远离区域a的一系列像素点连线，所述连线即为具体分割线。
[0010]
作为本发明的进一步改进，确定解译区域的步骤包括：分别识别待识别区域内的非潜在烟田分布区，非潜在烟田分布区至少包括坡度过陡区、永久水体区、不透水表面区与潜在烟田分布区；在非潜在烟田分布区上设置掩膜以遮挡，未被遮挡的部分即为解译区域。
[0011]
作为本发明的进一步改进，识别坡度过陡区的步骤包括：基础数据选择数字高程模型，识别坡度大于15
°
的区域，即设置数学模型：slope》15
°
，以得到坡度过陡区。
[0012]
作为本发明的进一步改进，识别永久水体区的步骤包括：基础数据为分别选择待识别区域内的一期冬季多光谱影像、一期夏季多光谱影像，分别计算其ndwi，设置数学模型：ndwi》0；对某一像元，满足夏季ndwi指数值大于0或冬季ndwi指数值大于0时，为需要遮挡的水体掩膜区域。
[0013]
作为本发明的进一步改进，还包括道路剔除步骤，道路剔除步骤包括：获取道路数据，道路数据来自openstreetmap开源数据；通过对高速路网设置20米缓冲区，对普通公路设置5米缓冲区，建立需要被剔除的面矢量；使用arcmap10.3中“擦除”工具，对随机森林模型分类得到的烟田分布区域进行擦除道路路网区域处理。
[0014]
作为本发明的进一步改进，还包括去除误分区域步骤，去除误分区域步骤包括：设定一个最小上图面积，即小于10亩的图斑认为是错分，需要被去除。
[0015]
作为本发明的进一步改进，多光谱遥感影像数据包括哨兵2号10m空间分辨率数据、环境减灾卫星16m空间分辨率数据。
[0016]
相比于现有技术，本发明的有益效果在于：本发明通过减少人工上报权重，并引入遥感数据作为烟田分布区域识别的主要数据来源，可以提高数据的客观性和准确性；针对在多云雨地区受天气影响导致关键生育期光学影像缺失、获得的卫星图像质量不高而导致需要雷达遥感影像数据补充的情况，本发明利用冬季福建地区烟田覆盖地膜的特点，只需要选取作物一个生长阶段甚至少于一个生长阶段的短期内的无云影像作为烟田识别的数据基础，只需要保证选取的时间段内影像清晰不受天气影像，且能够反映作物的生长状态即可，相对于现有的识别方法，需要获取的时序数据往往覆盖自播种到收获的一整季，简化了数据采集难度，减少了数据的采集数量，缩短了采集数据的时间跨度，能够在短期内完成识别工作，对作物的种植管理以及生长监测提供了及时充足的数据；同时，需要采集的数据只需要选取作物一个生长阶段甚至少于一个生长阶段的短
期内，以使选取数据时可以专门选择无云雨的时间段，避免了部分地区一段时间内多云雨导致获取到的卫星图像质量不高、甚至缺少关键生育期光学影像的情况，降低了光学影像缺失的概率，降低了对需要获取的数据的时间范围要求，提高了数据的可获取率，提高了数据精度，以提高识别精度；针对现有的识别方法中，直接建立时序影像集进行地物分类以提取目标地物中的误分类和混淆较多的问题，本发明基于分层分类的思想建立多种地物掩膜，降低了误分类和混淆的问题，从而提高了烟田识别的准确度和精度；另外缩小需要分类的范围，降低计算量，提高分类精度；另外，还简化数据采集流程，利用福建地区烟田覆盖地膜的特点，只需要选取作物一个生长阶段甚至少于一个生长阶段的短期内的影像作为数据基础，减少了需要处理的数据的总量，简化了数据采集的难度和复杂性；除此之外，利用运行多尺度分割的方法，使得最终需要处理数据以得到具体分割线的区域仅为区域c，相对于识别并处理一整个待识别区域内的数据的方法，大大减小了需要处理数据的范围，减少了需要处理的数据的总数，降低了数据处理压力，提高了数据处理效率，降低了数据处理成本。
附图说明
[0017]
图1为本发明的流程图；图2为本发明的得到初步分割图像的流程图；图3为本发明的1月底无云影像中森林的目视解译标志；图4为本发明的1月底无云影像中水体的目视解译标志；图5为本发明的1月底无云影像中建筑用地的目视解译标志；图6为本发明的1月底无云影像中裸土的目视解译标志；图7为本发明的1月底无云影像中越冬作物的目视解译标志；图8为本发明的1月底无云影像中烟田地块的目视解译标志；图9为本发明的使用多尺度分割后的影像图；图10为本发明的未使用多尺度分割后的影像图；图11为本发明的道路区域剔除示意图；图12为本发明的确定最小上图面积示意图；图13为本发明的烟田提取结果图；图14为本发明的灰度级大致分割区域示意图；图15为本发明的灰度级大致分割区域示意图；图16为本发明的区域a的ndvi图；图17为本发明的区域a和区域c的ndvi图；图18为本发明的准确分割后的区域a的示意图；图19为本发明的准确分割后的区域a的示意图。
具体实施方式
[0018]
具体实施例一：请参阅图1的基于分层分类思想的烟田提取方法，用于识别待识别区域内的烟田区域，并提取所述烟田区域，将其在影像图上划分表示出来；
在本实施例中，待识别区域选取为福建地区的某烟田种植区域；基于分层分类思想的烟田提取方法包括以下步骤：s1：待识别区域内包括坡度过陡区、永久水体区、不透水表面区与潜在烟田分布区；分别识别坡度过陡区、永久水体区、不透水表面区，并在坡度过陡区、永久水体区、不透水表面区上均设置掩膜以遮挡，留潜在烟田分布区以进行烟田识别；具体地，用于识别坡度过陡区的步骤包括：基础数据选择数字高程模型；于地理数据空间云平台上下载待识别区域内的30米空间分辨率高程数据，利用arcmap10.3软件中坡度计算功能计算得到待识别区域内的坡度数据；由于烟叶种植需要较为平坦的地形，综合种植常识后，需要剔除坡度大于15
°
的区域，即设置数学模型：slope》15
°
，按该公式得到的区域为坡度过陡区；用于识别永久水体区的步骤包括：基础数据为分别选择待识别区域内的一期冬季多光谱影像、一期夏季多光谱影像，分别计算其ndwi（归一化水体指数），指数的计算公式如下：ndwi=(nir-green)/(nir+green)其中，nir代表近红外波段的反射值，green代表绿色波段的反射值，一般来说，ndwi值在-1到1之间，数值越高表示水体的可能性越大；为剔除水体，这里设置数学模型：ndwi》0；对某一像元，满足夏季ndwi指数值大于0或冬季ndwi指数值大于0时，为需要遮挡的水体掩膜区域；这里使用两个时间点影像求并集的是因为需要考虑因季节不同造成的水位线涨落，以更完整地去除地面水体；用于识别不透水表面区的步骤包括：采用既有地表类型数据完成该步骤，数据为开源数据（下载地址：http://data.starcloud.pcl.ac.cn/zh/resource/1）；设置数学模型：value=80；筛选不透水表面，以得到不透水表面区。
[0019]
s2：获取待识别区域内的多光谱遥感影像，作为后续非掩膜区域监督分类的数据基础；由于掩膜的设置，此时得到的多光谱遥感影像为潜在烟田分布区的多光谱遥感影像；多光谱遥感影像数据通常使用哨兵2号10m空间分辨率数据、环境减灾卫星16m空间分辨率数据，优选的，使用哨兵2号卫星数据；由于烟草至播种到收获之间总共经过返苗期、生根期、旺长期和成熟期四个生长阶段，因此获取的多光谱遥感影像为其中任意一个生长阶段的多光谱遥感影像，且需要保证用于获取多光谱遥感影像的时间段内云雨量少，以便于无云影像的获取；在本实施例中，多光谱遥感影像数据的时间选择为1月中~2月中的无云影像。
[0020]
s3：确定解译区域，建立解译标志：解译区域为非掩膜区域；为对非掩膜区域进行烟田地块初步提取，需要制定训练集以用于监督分类，这里将设置6类地物以作为训练集训练分类器，分别为：森林、水体、建筑用地、裸土、越冬作物、烟田地块；以下图3-图8为1月底无云影像中特定地类的目视解译标志；如图3-图8可知，对于三种田块类型，裸土偏黄，越冬作物偏绿，烟田地块由于覆盖了黑白撞色膜而导致地块偏灰，有一定不透水表面的光谱特点。
[0021]
s4：多尺度分割法：对得到的解译区域进行多尺度分割；具体地，对得到的解译区域设置分割窗口的大小，通常为图像空间分辨率*2米，窗口形状设置为方形，聚合方法设置为中值，从而提取解译区域内的纹理信息；
需要说明的是，通过多尺度分割得到纹理信息并将其作为分类影像基础，有利于降低空间变异性的影响，提高分类结果的稳定性，增强分类精度；且如图9和图10所示，分别对比使用多尺度分割前后的影像图，可以得到使用多尺度分割后的提取结果中噪音点更小，连块图斑中更不易出现未填充的孔洞，提高烟田提取效率。
[0022]
s5：利用步骤s2得到的光谱信息对步骤s4中提取得到的纹理信息进行运行多尺度分割，以对图像上的烟田地块与其他地物进行区分分割，得到初步分割图像。
[0023]
s6：建立随机森林模型，首先利用步骤s2得到的光谱信息、步骤s5得到的初步分割图像创建一个多波段影像，作为监督分类的影像底图；再根据步骤s3确定的解译标志选择多个六类地物样本作为训练集，训练随机森林分类器，应用到所述影像底图上，获取初步分类结果，提取其中烟田区域。
[0024]
s7：通过道路数据将步骤s6中获得的初步分类结果中的烟田区域内的道路区域剔除，如图11所示；其中，道路数据来自openstreetmap开源数据，通过对高速路网设置20米缓冲区，对普通公路设置5米缓冲区，建立需要被剔除的面矢量；再使用arcmap10.3中“擦除”工具，对随机森林分类结果中的烟田区域进行初步处理，擦除道路路网区域。
[0025]
s8：确定最小上图面积，去除误分区域：提取结果中可能混有噪音、游离像素点，这些小图斑多为误分导致，因此这里设定一个最小上图面积，即小于10亩的图斑认为是错分，需要被去除；具体而言，如图12所示，将处理结果转为矢量文件，在投影坐标系gcs2000_3_degree_gk_cm_120e（epsg: 4549）下利用arcmap10.3的计算几何面积功能得到每个地块面积，删去小于6667平方米的图斑。
[0026]
s9：人工修正步骤：对于有高精度烟田地块边界需求的情形，需要进行额外人工修正；底图数据一般选择空间分辨率在5米或更高分辨率的1月底数据进行修正；完成该步骤后得到最终的烟田提取结果；如图13为某区域的烟田提取结果。
[0027]
需要说明的是，步骤s5中，利用步骤s2得到的光谱信息对步骤s4中提取得到的纹理信息进行运行多尺度分割的步骤包括：z1：对步骤s4中处理得到的影像图转换为灰度图像，转换后的灰度图像中，每个像素点的值都代表了该点的亮度值；相同灰度级的像素点的集合所在的区域为同种地物样本的所在区域，因此可以通过识别灰度图像上的灰度级大致分割区域，如下图14、图15所示；其中，区域a内种植的作物为同种，以区域a内的作物为烟草，则区域a为最终需要得到烟田区域；区域b内种植的作物为另一种作物，或者区域b内也可以是裸土、建筑用地、水体这些地物样本；区域c处于区域a和区域b之间，区域c为区域a和区域b之间的分界区域，可能存在同时有区域a作物和区域b作物的情况，区域c的灰度等级也介于区域a和区域b之间，此时只需要获得区域c内的分割线，即可获得区域a作物和区域b作物的具体的分割线；z2：得到区域a内一个样本地块的某一生长阶段内的无云影像，以得到区域a内作物的该生长阶段内的ndvi曲线，即为烟田内的一个生长阶段的ndvi曲线；如图16所示，所述ndvi曲线在该生长阶段内呈现先下降、再缓慢上升、最后快速上升的趋势；所述样本地块的ndvi值可以通过取各个像素点之和的平均值得到；其中，ndvi=(nir-red)/(nir+red)，green为绿波段，red为红波段，nir为近红外波
段，swir为短波近红外波段；z3：得到所述ndvi曲线的至少一个斜率k1、...、kn，n为大于或等于1的整数；由于所述ndvi曲线在该生长阶段内呈现先下降、再缓慢上升、最后快速上升的趋势，因此得到的斜率至少为三个：k1、k2、k3；z4：得到区域c内各个像素点的与上述生长阶段同一时间段内的ndvi曲线；z5：分别对比区域c内各个像素点的ndvi曲线与区域a的ndvi曲线的趋势，得到区域c内曲线趋势一致的所有像素点，即得到的每个像素点上的ndvi曲线均呈现先下降、再缓慢上升、最后快速上升的趋势；该步骤主要用于筛滤去潜在烟田区内的裸土、建筑用地、水体以及部分森林作物或越冬作物，这个步骤已经可以将大部分地物样本与烟田地块区分，以将大部分需要区分的地物样本筛去；z6：再分别计算每个像素点的ndvi曲线的斜率k11、...、kn1；其中k11所表示的ndvi曲线部分的时间段与k1所表示的ndvi曲线部分的时间段相同，如图17所示；z7：分别对比k1、...、kn和k11、...、kn1；当满足k11落在[k1-a，k1+a]、...、kn1落在[kn-a，kn+a]时，则判断该像素点属于烟田区域，其中，a为允许的误差值，a由使用者自主设定；z8：按照上述方法筛选出区域c内的判定为烟田区域的像素点，将最远离区域a的一系列像素点连线，所述连线将区域c靠近区域a的一部分划分到区域a，将区域c靠近区域b的一部分划分到区域b，所述连线即为具体分割线，如下图18、图19粗的黑线部分即为最终得到的区域a的具体范围；z9：按照上述方法得到潜在烟田区内的所有区域a，且得到的区域a的边界均为处理过的准确的分割线，因此可以准确地得到区域a的覆盖范围，即准确提取到潜在烟田区内的烟田部分，得到初步分割图像。

技术特征：
1.基于分层分类思想的烟田提取方法，其特征在于，包括：获取待识别区域内的多光谱遥感影像；确定解译区域，建立解译标志；对得到的解译区域进行多尺度分割，以提取解译区域内的纹理信息；通过得到的多光谱遥感影像和纹理信息对解译区域进行运行多尺度分割，以对图像上的烟田地块与其他地物进行区分分割，得到初步分割图像；建立随机森林模型，随机森林模型的输入特征至少为初步分割图像，随机森林模型的输出特征为待识别区域内的烟田分布区域。2.根据权利要求1所述的基于分层分类思想的烟田提取方法，其特征在于：对解译区域进行运行多尺度分割的方法包括：将提取有解译区域内的纹理信息的影像图转换为灰度图像；通过识别灰度图像上的灰度级大致分割区域，以得到目标区域a、待分割区域c和区域b；通过多光谱遥感影像得到目标区域a内一个样本地块、待分割区域c内每个像素点的ndvi曲线；根据所得到的ndvi曲线得到区域c内关于区域a和区域b的具体分割线，以得到具体分割线分割后的区域a所在的图像，即为初步分割图像。3.根据权利要求2所述的基于分层分类思想的烟田提取方法，其特征在于：得到目标区域a内一个样本地块的ndvi曲线为烟草作物某一个生长阶段内的ndvi曲线；得到的待分割区域c内每个像素点的ndvi曲线为与上述生长阶段同一时间段内的ndvi曲线。4.根据权利要求2所述的基于分层分类思想的烟田提取方法，其特征在于：得到具体分割线的步骤包括：分析得到区域a内的样本地块的ndvi曲线的变化趋势；得到区域a内的样本地块的ndvi曲线的至少一个斜率k1、...、kn，n为大于或等于1的整数；分别对比区域c内各个像素点的ndvi曲线与区域a的ndvi曲线的趋势，得到区域c内曲线趋势一致的所有像素点；再分别计算每个像素点的ndvi曲线的斜率k11、...、kn1；分别对比k1、...、kn和k11、...、kn1；当满足k11落在[k1-a，k1+a]、...、kn1落在[kn-a，kn+a]时，则判断该像素点属于烟田区域；得到所有区域c内的判定为烟田区域的像素点，将最远离区域a的一系列像素点连线，所述连线即为具体分割线。5.根据权利要求1所述的基于分层分类思想的烟田提取方法，其特征在于：确定解译区域的步骤包括：分别识别待识别区域内的非潜在烟田分布区，非潜在烟田分布区至少包括坡度过陡区、永久水体区、不透水表面区与潜在烟田分布区；在非潜在烟田分布区上设置掩膜以遮挡，未被遮挡的部分即为解译区域。6.根据权利要求5所述的基于分层分类思想的烟田提取方法，其特征在于：识别坡度过陡区的步骤包括：基础数据选择数字高程模型，识别坡度大于15
°
的区域，即设置数学模型：slope>15
°
，以得到坡度过陡区。7.根据权利要求5所述的基于分层分类思想的烟田提取方法，其特征在于：识别永久水体区的步骤包括：基础数据为分别选择待识别区域内的一期冬季多光谱影像、一期夏季多光谱影像，分别计算其ndwi，设置数学模型：ndwi>0；对某一像元，满足夏季ndwi指数值大于0或冬季ndwi指数值大于0时，为需要遮挡的水体掩膜区域。8.根据权利要求1所述的基于分层分类思想的烟田提取方法，其特征在于：还包括道路
剔除步骤，道路剔除步骤包括：获取道路数据，道路数据来自openstreetmap开源数据；通过对高速路网设置20米缓冲区，对普通公路设置5米缓冲区，建立需要被剔除的面矢量；使用arcmap10.3中擦除工具，对随机森林模型分类得到的烟田分布区域进行擦除道路路网区域处理。9.根据权利要求1所述的基于分层分类思想的烟田提取方法，其特征在于：还包括去除误分区域步骤，去除误分区域步骤包括：设定一个最小上图面积，即小于10亩的图斑认为是错分，需要被去除。10.根据权利要求1所述的基于分层分类思想的烟田提取方法，其特征在于：多光谱遥感影像数据包括哨兵2号10m空间分辨率数据、环境减灾卫星16m空间分辨率数据。

技术总结
本发明公开了基于分层分类思想的烟田提取方法，属于图像处理技术领域。基于分层分类思想的烟田提取方法，包括：获取待识别区域内的多光谱遥感影像；确定解译区域，建立解译标志；对得到的解译区域进行多尺度分割，以提取解译区域内的纹理信息；通过得到的多光谱遥感影像和纹理信息对解译区域进行运行多尺度分割，以对图像上的烟田地块与其他地物进行区分分割，得到初步分割图像；建立随机森林模型，随机森林模型的输入特征至少为初步分割图像，随机森林模型的输出特征为待识别区域内的烟田分布区域。它可以实现降低人工上报种植地块的权重，解决数据客观性问题，同时克服生育期光学影像数据缺乏的问题，以快速得到烟田种植地块范围。块范围。块范围。


技术研发人员：周祖煜 陈煜人 张澎彬 杨肖 刘昕璇 林波
受保护的技术使用者：杭州领见数字农业科技有限公司
技术研发日：2023.07.12
技术公布日：2023/8/9