1.本发明涉及土地提取方法技术领域，具体涉及一种基于无人机高分影像的地块提取方法。
背景技术：
2.现有的地块自动提取技术大都采用基于边缘检测的方法，但由于存在影像上边界模糊、农田内部存在光谱差异等问题，基于边缘检测以及阈值分割所得到的地块边界大都存在边界断裂和地块内部噪音过多的问题。
技术实现要素：
3.针对现有技术所存在的上述缺点，本发明的第一目的在于提供一种基于无人机高分影像的地块提取方法，解决上述背景技术中的问题。
4.为实现上述目的，本发明提供了如下技术方案：
5.一种基于无人机高分影像的地块提取方法，包括以下步骤：
6.s1、获取图片：使用无人机进行航拍，将拍摄的图像进行导入到图像处理的软件中；
7.s2、双边滤波处理：对待识别影像进行双边滤波，在保留边界信息的基础上最大限度滤去地块内部噪音；
8.s3、边缘强度检测；
9.s4、搜索填充；
10.s5、将二值化结果转为矢量信息。
11.本发明进一步设置为：所述步骤s2中的双边滤波处理，包括以下方法：
12.s21、通过点的上下左右相邻的邻域点来计算点的法向，如果4个邻域点均存在，则求这4个点的最小二乘拟合平面的法向作为该点的法向，如果只存在3个邻域点，则这3个点所定义的平面作为该点的法向，其他情况不定义该点法向，将定义该点法向的邻域点的数量记为n
p
；
13.s22、对于非边界点，定义其局部片段为包含该点的k*k大小的邻域；对于边界点，取尽量以该点为“中心”的k*k大小的邻域为其局部片段，定义每个点的局部片段的目的是将该点出现的局部扫描误差的风险平均到周围的点上，当获得了一个点所在的所有片段后，我们即可对这些片段进行比较，对其可信程度进行评价，并选取其中光滑程度最高的一个片段的平均法向来作为指导这个点进行滤波的指导法向；
14.s23、c(s)为该片段上差异最大的两个像素的颜色的差值的模，检测其颜色，由于现在的rgb相机精度已经很高了，所以该参数可以起到用高精度信息指导低精度信息滤波的作用
15.16.误差系数越低的片段，其代表该片段越光滑，法向可信程度越高，则该片段在后续联合滤波时，被选为指导法向的可能性更大；
17.s24、在获得了所有点的指导法向后，就可以利用所有的指导法向来对该深度图像进行双边联合滤波；
18.s25、在更新点的坐标时，首先需要保证这些点仍然可以作为一个深度图像，并且其连接关系不变，所以对每一个点单独更新的时候，令其只在深度方向z上位移，不会更改其x，y坐标；
19.s26、重复上述步骤，以便更好的去除噪音。
20.本发明进一步设置为：所述步骤s3：利用基于地块训练集训练的结构化森林边缘检测模型进行边缘强度检测，选用数据集尺度最优阈值对检测结果进行二值化。
21.本发明进一步设置为：所述步骤s4：对潜在边界的像素进行竖直方向与水平方向的搜索填充，从而保证边缘的完整性与内部连通性。
22.本发明进一步设置为：所述步骤s1：在飞行的时候，禁止飞入到禁飞区，使用高清摄rgb像头进行拍摄，飞行的速度为1m/s。
23.有益效果
24.采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
25.选用兼具滤波和保边功能的双边滤波进行影像增强，选用兼具效率和精度的结构化森林边缘检测模型进行边缘检测。同时将农田地块数据加入模型训练，提高模型对地块边界的识别能力。此外针对边界断裂问题，还提出一种边界连接和填充的算法。具有较高的地块识别精度和应用价值，此外得益于核心算法结构化边缘检测模型的计算效率，该方法也具有较高的计算速度。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.一种基于无人机高分影像的地块提取方法，包括以下步骤：
28.s1、获取图片：使用无人机进行航拍，将拍摄的图像进行导入到图像处理的软件中，在飞行的时候，禁止飞入到禁飞区，使用高清摄rgb像头进行拍摄，飞行的速度为1m/s；
29.s2、双边滤波处理：对待识别影像进行双边滤波，在保留边界信息的基础上最大限度滤去地块内部噪音；
30.s21、通过点的上下左右相邻的邻域点来计算点的法向，如果4个邻域点均存在，则求这4个点的最小二乘拟合平面的法向作为该点的法向，如果只存在3个邻域点，则这3个点所定义的平面作为该点的法向，其他情况不定义该点法向，将定义该点法向的邻域点的数量记为n
p
；
31.s22、对于非边界点，定义其局部片段为包含该点的k*k大小的邻域；对于边界点，取尽量以该点为“中心”的k*k大小的邻域为其局部片段，定义每个点的局部片段的目的是将该点出现的局部扫描误差的风险平均到周围的点上，当获得了一个点所在的所有片段
后，我们即可对这些片段进行比较，对其可信程度进行评价，并选取其中光滑程度最高的一个片段的平均法向来作为指导这个点进行滤波的指导法向；
32.s23、c(s)为该片段上差异最大的两个像素的颜色的差值的模，检测其颜色，由于现在的rgb相机精度已经很高了，所以该参数可以起到用高精度信息指导低精度信息滤波的作用
[0033][0034]
误差系数越低的片段，其代表该片段越光滑，法向可信程度越高，则该片段在后续联合滤波时，被选为指导法向的可能性更大；
[0035]
s24、在获得了所有点的指导法向后，就可以利用所有的指导法向来对该深度图像进行双边联合滤波；
[0036]
s25、在更新点的坐标时，首先需要保证这些点仍然可以作为一个深度图像，并且其连接关系不变，所以对每一个点单独更新的时候，令其只在深度方向z上位移，不会更改其x，y坐标；
[0037]
s26、重复上述步骤，以便更好的去除噪音。
[0038]
s3、边缘强度检测：利用基于地块训练集训练的结构化森林边缘检测模型进行边缘强度检测，选用数据集尺度最优阈值对检测结果进行二值化；
[0039]
边缘检测模型是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点(通常是图形的边缘)，图像属性中的显著变化通常反映了属性的重要事件和变化，这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化，边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域，图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类，基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向，基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是laplacian过零点或者非线性差分表示的过零点，图像边缘检测中所谓的边缘，图像的边缘是图像最基本的特征之一，所谓边缘(或边沿)是指周围像素灰度有跳跃性变化的那些像素的集合，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域之间，直观表现为图像中物体的边缘形状或表面纹理，边缘是图像分割依赖的重要特征。从本质上说，图像边缘是图像局部特性不连续性(灰度突变、颜色突变、纹理结构突变等)的反应，它标志着一个区域的终结和另一个区域的开始，边缘检测是所有基于边界分割的图像分析方法的第一步，通过灰度变换并非与图像尺度无关，这意味着它们的检测需要使用不同尺度的算子；灰度的突然变化会在一阶导数中导致波峰或波谷，或在二阶导数中等效地引起零交叉marr和hildern算法有高斯拉普拉斯(log)滤波器与一副输入图像卷积组成，即：
[0040]
g(x,y)＝
▽2[g(x,y)*f(x,y)]
[0041]
用高斯低通滤波器对输入图像滤波；计算由第一步得到的图像的拉普拉斯图像；找到第二步所得图像的零交叉，进行检测。
[0042]
s4、搜索填充：对潜在边界的像素进行竖直方向与水平方向的搜索填充，从而保证
边缘的完整性与内部连通性；
[0043]
s5、将二值化结果转为矢量信息。
[0044]
对比例1
[0045]
本实施例与所提供的实施例1的方法大致相同，其主要区别在于：步骤s2中未进行双边滤波处理；
[0046]
对比例2
[0047]
本实施例与所提供的实施例1的方法大致相同，其主要区别在于：步骤s3中未进行边缘强度检测。
[0048]
对比例3
[0049]
本实施例与所提供的实施例1的方法大致相同，其主要区别在于：步骤s4中未搜索填充。
[0050]
性能测试
[0051]
分别取等量的实施例1和对比例1～3所提供基于无人机高分影像的地块提取方法，数据的准确性、识别能力和计算速度结果：
[0052] 准确性识别能力计算速度结果实施例199.9％99.9％99.9％对比例172％99.9％60％对比例299.9％50％72％对比例399.9％55％99.9％
[0053]
s21、通过点的上下左右相邻的邻域点来计算点的法向，如果4个邻域点均存在，则求这4个点的最小二乘拟合平面的法向作为该点的法向，如果只存在3个邻域点，则这3个点所定义的平面作为该点的法向，其他情况不定义该点法向，将定义该点法向的邻域点的数量记为n
p
；
[0054]
s22、对于非边界点，定义其局部片段为包含该点的k*k大小的邻域；对于边界点，取尽量以该点为“中心”的k*k大小的邻域为其局部片段，定义每个点的局部片段的目的是将该点出现的局部扫描误差的风险平均到周围的点上，当获得了一个点所在的所有片段后，我们即可对这些片段进行比较，对其可信程度进行评价，并选取其中光滑程度最高的一个片段的平均法向来作为指导这个点进行滤波的指导法向；
[0055]
s23、c(s)为该片段上差异最大的两个像素的颜色的差值的模，检测其颜色，由于现在的rgb相机精度已经很高了，所以该参数可以起到用高精度信息指导低精度信息滤波的作用
[0056][0057]
误差系数越低的片段，其代表该片段越光滑，法向可信程度越高，则该片段在后续联合滤波时，被选为指导法向的可能性更大；
[0058]
s24、在获得了所有点的指导法向后，就可以利用所有的指导法向来对该深度图像进行双边联合滤波；
[0059]
s25、在更新点的坐标时，首先需要保证这些点仍然可以作为一个深度图像，并且其连接关系不变，所以对每一个点单独更新的时候，令其只在深度方向z上位移，不会更改
其x，y坐标；
[0060]
s26、重复上述步骤，以便更好的去除噪音。
[0061]
s3、边缘强度检测：利用基于地块训练集训练的结构化森林边缘检测模型进行边缘强度检测，选用数据集尺度最优阈值对检测结果进行二值化。
[0062]
边缘检测模型是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点(通常是图形的边缘)，图像属性中的显著变化通常反映了属性的重要事件和变化，这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化，边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域，图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类，基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向，基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是laplacian过零点或者非线性差分表示的过零点，图像边缘检测中所谓的边缘，图像的边缘是图像最基本的特征之一，所谓边缘(或边沿)是指周围像素灰度有跳跃性变化的那些像素的集合，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域之间，直观表现为图像中物体的边缘形状或表面纹理，边缘是图像分割依赖的重要特征。从本质上说，图像边缘是图像局部特性不连续性(灰度突变、颜色突变、纹理结构突变等)的反应，它标志着一个区域的终结和另一个区域的开始，边缘检测是所有基于边界分割的图像分析方法的第一步，通过灰度变换并非与图像尺度无关，这意味着它们的检测需要使用不同尺度的算子；灰度的突然变化会在一阶导数中导致波峰或波谷，或在二阶导数中等效地引起零交叉marr和hildern算法有高斯拉普拉斯(log)滤波器与一副输入图像卷积组成，即：
[0063]
g(x,y)＝
▽2[g(x,y)*f(x,y)]
[0064]
用高斯低通滤波器对输入图像滤波；计算由第一步得到的图像的拉普拉斯图像；找到第二步所得图像的零交叉，进行检测。
[0065]
s4、搜索填充：对潜在边界的像素进行竖直方向与水平方向的搜索填充，从而保证边缘的完整性与内部连通性。
[0066]
选用兼具滤波和保边功能的双边滤波进行影像增强，选用兼具效率和精度的结构化森林边缘检测模型进行边缘检测。同时将农田地块数据加入模型训练，提高模型对地块边界的识别能力。此外针对边界断裂问题，还提出一种边界连接和填充的算法。具有较高的地块识别精度和应用价值。此外得益于核心算法结构化边缘检测模型的计算效率，该方法也具有较高的计算速度。
[0067]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。