基于无人机影像与自适应阈值的小麦倒伏提取方法和系统

摘要

本申请涉及数据识别技术领域，提供了一种基于无人机影像与自适应阈值的小麦倒伏提取方法和系统，该方法通过对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到目标区域的多个第二影像；基于双峰直方图阈值法，对多个第二影像进行双峰目标搜索，得到多个第三影像；确定全部第三影像的双峰目标占比和每个第三影像的自适应阈值；循环调整预设分块尺寸，对第一影像进行重新分块，并计算双峰目标占比和自适应阈值，直至得到最大的双峰目标占比；根据最大的双峰目标占比对应的多个自适应阈值，以及第一影像的预先获取的全局阈值，对目标区域中的小麦倒伏区域进行提取，藉此，提高了小麦倒伏区域提取的精度。

权利要求

1.一种基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，包括：对获取的表征小麦种植区域内的倒伏特征的第一影像按照预设分块尺寸进行分块，得到目标区域的多个第二影像；其中，所述目标区域为所述小麦种植区域；

基于双峰直方图阈值法，对多个所述第二影像进行双峰目标搜索，得到多个第三影像；

其中，所述第三影像为直方图呈双峰分布的所述第二影像；

确定全部所述第三影像的双峰目标占比和每个所述第三影像的自适应阈值；其中，所述双峰目标占比表征所述第三影像与所述第二影像的比例；

循环调整所述预设分块尺寸，对所述第一影像进行重新分块，并计算所述双峰目标占比和所述自适应阈值，直至得到最大的所述双峰目标占比；

根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取。

2.根据权利要求1所述的基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，所述对获取的所述目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像，具体为：

根据获取的所述目标区域的第一影像的图像分辨率和所述目标区域的小麦分布，确定所述预设分块尺寸，并根据所述预设分块尺寸，对所述第一影像进行分块，得到所述目标区域的多个所述第二影像。

3.根据权利要求1所述的基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，所述基于双峰直方图阈值法，对多个所述第二影像进行双峰目标搜索，得到多个第三影像，具体为：

基于预设的双峰检测系数，对多个所述第二影像的直方图分布进行检验，确定所述第二影像的双峰目标，以得到多个所述第三影像。

4.根据权利要求1所述的基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，所述确定多个所述第三影像双峰目标占比和每个所述第三影像的自适应阈值，包括：计算全部所述第三影像与所述第二影像的占比，得到所述双峰目标占比；

基于最大类间方差法或者最大熵法，确定每个所述第三影像的自适应阈值。

5.根据权利要求1所述的基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，所述根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取，包括：基于最大类间方差法，确定所述第一影像的全局阈值，并基于所述全局阈值对不属于双峰目标的多个所述第二影像进行二值化处理，得到对应的多个第一二值化图像；

根据最大的所述双峰目标占比对应的多个所述自适应阈值，对相应的多个所述第三影像进行二值化处理，得到对应的多个第二二值化图像；

对多个所述第一二值化图像、多个所述第二二值化图像依次进行拼接、形态学运算和倒伏区域矢量范围提取，得到所述目标区域中的小麦倒伏区域的矢量数据。

6.根据权利要求1‑5任一所述的基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，在对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像，还包括：

基于预设的倒伏特征指数，对获取的所述目标区域的初始影像进行倒伏特征提取，得到所述第一影像。

7.根据权利要求6所述的基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，所述倒伏特征指数包括：小麦倒伏指数和过绿植被指数；

对应的，

所述基于预设的倒伏特征指数，对获取的所述目标区域的初始影像进行倒伏特征提取，得到所述第一影像具体为：

基于所述小麦倒伏指数和过绿植被指数，根据获取的所述目标区域的初始影像的光谱特征，对所述初始影像进行光谱特征分析，得到所述第一影像。

8.根据权利要求7所述的基于无人机影像与自适应阈值的小麦倒伏提取方法，其特征在于，按照公式：

得到所述小麦倒伏指数 ；

按照公式：

得到所述过绿植被指数 ；

其中， 表示所述初始影像中可见光绿波段， 表示所述初始影像中可见光蓝波段，表示所述初始影像中可见光红波段。

9.一种基于无人机影像与自适应阈值的小麦倒伏提取系统，其特征在于，包括：分块单元，配置为对获取的表征小麦种植区域内的倒伏特征的第一影像按照预设分块尺寸进行分块，得到目标区域的多个第二影像；其中，所述目标区域为所述小麦种植区域；

双峰单元，配置为基于双峰直方图阈值法，对多个所述第二影像进行双峰目标搜索，得到多个第三影像；其中，所述第三影像为直方图呈双峰分布的所述第二影像；

计算单元，配置为确定全部所述第三影像的双峰目标占比和每个所述第三影像的自适应阈值；其中，所述双峰目标占比表征所述第三影像与所述第二影像的比例；

调整单元，配置为循环调整所述预设分块尺寸，对所述第一影像进行重新分块，并计算所述双峰目标占比和所述自适应阈值，直至得到最大的所述双峰目标占比；

提取单元，配置为根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取。

说明书

基于无人机影像与自适应阈值的小麦倒伏提取方法和系统

技术领域

[0001] 本申请涉及数据识别技术领域，特别涉及一种基于无人机影像与自适应阈值的小麦倒伏提取方法和系统。

背景技术

[0002] 倒伏是小麦种植过程中比较常见的农业灾害，小麦倒伏后，小麦光合作用降低，部分叶片和茎秆腐烂，最终导致小麦产量降低。另外，小麦倒伏后，会严重影响到机械化收割
效率，故倒伏小麦在收割过程中对人力的需求量也会增加，造成人力与资源增加。

[0003] 传统的小麦倒伏主要基于卫星遥感数据进行监测，受到卫星重访周期、恶劣天气等影响，该方法时效性较差、可操作性降低；无人机具有灵活、机动的优势，能够快速获取目
标区域的高清晰航拍影像，进而得到目标区域的小麦倒伏情况。近年来，基于无人机航拍得
到的影像数据进行小麦倒伏区域提取方法取得一定效果，然而，已有的研究主要基于传统
的ISODATA和随机森林算法等监督分类方法对小麦倒伏区域进行提取，这些方法受到影像
特征的影响，造成提取结果误分现象比较严重，精度较低。

[0004] 因此，需要提供一种针对上述现有技术不足的改进技术方案。

发明内容

[0005] 本申请的目的在于提供一种基于无人机影像与自适应阈值的小麦倒伏提取方法和系统，以解决或缓解上述现有技术中存在的问题。

[0006] 为了实现上述目的，本申请提供如下技术方案：

[0007] 本申请提供了一种基于无人机影像与自适应阈值的小麦倒伏提取方法，该方法包括：

[0008] 对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像；

[0009] 基于双峰直方图阈值法，对多个所述第二影像进行双峰目标搜索，得到多个第三影像；其中，所述第三影像为直方图呈双峰分布的所述第二影像；

[0010] 确定全部所述第三影像的双峰目标占比和每个所述第三影像的自适应阈值；其中，所述双峰目标占比表征所述第三影像与所述第二影像的比例；

[0011] 循环调整所述预设分块尺寸，对所述第一影像进行重新分块，并计算所述双峰目标占比和所述自适应阈值，直至得到最大的所述双峰目标占比；

[0012] 根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取。

[0013] 优选地，所述对获取的所述目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像，具体为：

[0014] 根据获取的所述目标区域的第一影像的图像分辨率和所述目标区域的小麦分布，确定所述预设分块尺寸，并根据所述预设分块尺寸，对所述第一影像进行分块，得到所述目
标区域的多个所述第二影像。

[0015] 优选地，所述基于双峰直方图阈值法，对多个所述第二影像进行双峰目标搜索，得到多个第三影像，具体为：

[0016] 基于预设的双峰检测系数，对多个所述第二影像的直方图分布进行检验，确定所述第二影像的双峰目标，以得到多个所述第三影像。

[0017] 优选地，所述确定多个所述第三影像双峰目标占比和每个所述第三影像的自适应阈值，包括：

[0018] 计算全部所述第三影像与所述第二影像的占比，得到所述双峰目标占比；

[0019] 基于最大类间方差法或者最大熵法，确定每个所述第三影像的自适应阈值。

[0020] 优选地，所述根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取，包括：

[0021] 基于最大类间方差法，确定所述第一影像的全局阈值，并基于所述全局阈值对不属于双峰目标的多个所述第二影像进行二值化处理，得到对应的多个第一二值化图像；

[0022] 根据最大的所述双峰目标占比对应的多个所述自适应阈值，对相应的多个所述第三影像进行二值化处理，得到对应的多个第二二值化图像；

[0023] 对多个所述第一二值化图像、多个所述第二二值化图像依次进行拼接、形态学运算和倒伏区域矢量范围提取，得到所述目标区域中的小麦倒伏区域的矢量数据。

[0024] 优选地，在对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像，还包括：

[0025] 基于预设的倒伏特征指数，对获取的所述目标区域的初始影像进行倒伏特征提取，得到所述第一影像。

[0026] 优选地，所述倒伏特征指数包括：小麦倒伏指数和过绿植被指数；

[0027] 对应的，

[0028] 所述基于预设的倒伏特征指数，对获取的所述目标区域的初始影像进行倒伏特征提取，得到所述第一影像具体为：

[0029] 基于所述小麦倒伏指数和过绿植被指数，根据获取的所述目标区域的初始影像的光谱特征，对所述初始影像进行光谱特征分析，得到所述第一影像。

[0030] 优选地，按照公式：

[0031]

[0032] 得到所述小麦倒伏指数 ；

[0033] 按照公式：

[0034]

[0035] 得到所述过绿植被指数 ；

[0036] 其中， 表示所述初始影像中可见光绿波段， 表示所述初始影像中可见光蓝波段， 表示所述初始影像中可见光红波段。

[0037] 本申请实施例还提供一种基于无人机影像与自适应阈值的小麦倒伏提取系统，包括：

[0038] 分块单元，配置为对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像；

[0039] 双峰单元，配置为基于双峰直方图阈值法，对多个所述第二影像进行双峰目标搜索，得到多个第三影像；其中，所述第三影像为直方图呈双峰分布的所述第二影像；

[0040] 计算单元，配置为确定全部所述第三影像的双峰目标占比和每个所述第三影像的自适应阈值；其中，所述双峰目标占比表征所述第三影像与所述第二影像的比例；

[0041] 调整单元，配置为循环调整所述预设分块尺寸，对所述第一影像进行重新分块，并计算所述双峰目标占比和所述自适应阈值，直至得到最大的所述双峰目标占比；

[0042] 提取单元，配置为根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取。

[0043] 有益效果：

[0044] 本申请中，通过对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像；基于双峰直方图阈值法，对多个所述第二影像进行双峰目
标搜索，得到多个第三影像；其中，所述第三影像为包含双峰目标的所述第二影像；确定全
部所述第三影像的双峰目标占比和每个所述第三影像的自适应阈值；其中，所述双峰目标
占比表征所述第三影像与所述第二影像的比例；循环调整所述预设分块尺寸，对所述第一
影像进行重新分块，并计算所述双峰目标占比和所述自适应阈值，直至得到最大的所述双
峰目标占比；根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影
像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取。藉此，通过对目标
区域的第一影像进行分块，基于双峰直方图阈值法确定每个分块的自适应阈值，以此为基
础对影像（直方图呈现单峰分布的子块影像和直方图呈现双峰分布的子块影像）进行二值
化和小麦倒伏区域提取，大大提高了小麦倒伏区域提取的精度。

[0045] 本申请根据小麦种植区域影像的图像分辨率和目标区域内小麦倒伏区域分布，确定预设分块尺寸，分辨率越高、小麦倒伏区域分布越集中，其分块尺寸越大，反之则减小分
块尺寸；在此基础上根据预设分块尺寸，对目标区域的影像的每个分块确定自适应阈值，加
速了自适应阈值查找的迭代，减少了确定自适应阈值过程中的计算量。

[0046] 本申请基于双峰检测系数确定双峰目标，基于最大类间方差法确定每个双峰目标的自适应阈值，通过自适应阈值弥补光谱异质性、阴影以及倒伏区域分布零碎的现象，在高
灰度区采用高阈值，低灰度区采用低阈值进行分割，进一步提高小麦倒伏区域提取的精度。

[0047] 本申请中，根据最大的双峰目标占比对应的多个所述自适应阈值，以及第一影像的预先获取的全局阈值，对目标区域中的小麦倒伏区域进行提取，得到目标区域中的小麦
倒伏区域的矢量数据，以矢量数据的形式输出提取结果，为后续基于小麦倒伏区域的矢量
数据做进一步分析提供了基础。

[0048] 本申请基于预设的倒伏特征指数，包括：小麦倒伏指数和过绿植被指数，对目标区域的初始影像进行倒伏特征提取，综合两种指数使得提取倒伏区域更加准确。

附图说明

[0049] 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：

[0050] 图1为根据本申请的一些实施例提供的基于无人机影像与自适应阈值的小麦倒伏提取方法的流程示意图；

[0051] 图2为根据本申请的一些实施例提供的基于双峰直方图阈值法进行双峰目标搜索的原理示意图；

[0052] 图3为根据本申请的一些实施例提供的基于无人机影像与自适应阈值的小麦倒伏提取方法对选取的多个地块小麦倒伏区域进行验证的示意图；

[0053] 图4为根据本申请的一些实施例提供的对第一地块A的小麦倒伏区域的提取结果示意图；

[0054] 图5为根据本申请的一些实施例提供的对第二地块B的小麦倒伏区域的提取结果示意图；

[0055] 图6为根据本申请的一些实施例提供的对第三地块C的小麦倒伏区域的提取结果示意图；

[0056] 图7为根据本申请的一些实施例提供的基于无人机影像与自适应阈值的小麦倒伏提取系统的结构示意图。

具体实施方式

[0057] 下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精
神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特
征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权
利要求及其等同物的范围内的此类修改和变型。

[0058] 示例性方法

[0059] 图1为根据本申请的一些实施例提供的基于无人机影像与自适应阈值的小麦倒伏提取方法的流程示意图；如图1所示，该基于无人机影像与自适应阈值的小麦倒伏提取方法
包括：

[0060] 步骤S101、对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像。

[0061] 本申请实施例中，目标区域的第一影像指的是小麦种植区域的特征影像，该特征影像表征小麦种植区域内的倒伏特征。在此，根据小麦种植区域影像的图像分辨率和目标
区域内小麦倒伏区域分布，确定预设分块尺寸，分辨率越高、小麦倒伏区域分布越集中，其
分块尺寸越大，反之则减小分块尺寸。

[0062] 本申请实施例中，通过对目标区域的初始影像进行倒伏特征提取，以获取小麦种植区域的特征影像，具体地，在对获取的目标区域的第一影像按照预设分块尺寸进行分块，
得到所述目标区域的多个第二影像之前，还包括：基于预设的倒伏特征指数，对获取的目标
区域的初始影像进行倒伏特征提取，得到第一影像，其中，目标区域的初始影像为目标区域
中小麦种植区域影像，根据目标区域的小麦种植范围矢量数据对目标区域的无人机影像进
行掩膜得到该小麦种植区域影像，藉此，通过掩膜，提取出小麦种植区域影像，降低小麦非
种植区域对倒伏特征提取的干扰，同时减少了参与后续处理的数据量。

[0063] 在一些可选实施例中，倒伏特征指数包括：小麦倒伏指数和过绿植被指数；对应地，基于预设的倒伏特征指数，对获取的目标区域的初始影像进行倒伏特征提取，得到第一
影像，具体为：基于小麦倒伏指数（Wheat Lodging Index，简称：WLI）和过绿植被指数
（Excess Green Index，简称：EXG），根据获取的目标区域的初始影像的光谱特征，对初始影
像进行光谱特征分析，得到第一影像。

[0064] 本申请实施例中，目标区域的初始影像为无人机影像，无人机影像的光谱信息中包含红、绿、蓝三个可见光波段的灰度信息，通过分析无人机影像的光谱特征，基于小麦倒
伏指数和过绿植被指数，得到第一影像。

[0065] 其中，小麦倒伏指数和过绿植被指数的计算方式如下：

[0066] 按照公式：

[0067]

[0068] 得到小麦倒伏指数 ；

[0069] 按照公式：

[0070]

[0071] 得到过绿植被指数 ；

[0072] 其中， 表示初始影像中可见光绿波段， 表示初始影像中可见光蓝波段， 表示初始影像中可见光红波段。

[0073] 本申请实施例中，通过小麦倒伏指数 ，增大小麦倒伏区域和小麦非倒伏区域之间的差异，能够有效反应出小麦倒伏的特征，提高了对目标区域的初始影像进行特征提
取的精度。此外，根据过绿植被指数对小麦倒伏指数误分的区域进行再次特征提取，能够有
效提取出小麦种植区域中亮度较高且非倒伏区域，综合使用小麦倒伏指数和过绿植被指数
对小麦种植区域的影像进行倒伏特征提取，提高了小麦倒伏特征提取的精度，使得小麦倒
伏特征提取更加准确。

[0074] 在一些可选实施例中，对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到目标区域的多个第二影像（子块影像），具体为：根据获取的目标区域的第一影像的
图像分辨率和目标区域的小麦分布，确定预设分块尺寸，并根据预设分块尺寸，对第一影像
进行分块，得到目标区域的多个第二影像。

[0075] 具体地，根据获取的目标区域的无人机影像的分辨率和目标区域的小麦分布，确定分块尺寸的大小。进一步地，目标区域的无人机影像的分辨率通过无人机飞行参数获取，
比如无人机飞行高度、无人机所搭载的相机的参数，分辨率越高，分块尺寸设置越大。目标
区域的小麦分布通过人工目视解译确定，目标区域的小麦分布越集中，分块尺寸越大；反
之，目标区域的小麦分布越零散，则分块尺寸越小。优选的，分块尺寸为1200像素，能够适应
目标区域的各种小麦分布情况，达到最佳的分块效果。

[0076] 本申请实施例中，根据预设分块尺寸，对第一影像进行分块，得到目标区域的多个第二影像，具体为：根据分块尺寸，将第一影像分割成多个正方形小块，得到多个第二影像。
根据目标区域的影像分辨率和小麦分布，确定分块尺寸，提高了分块效率，减少了计算量。

[0077] 步骤S102、基于双峰直方图阈值法，对多个第二影像进行双峰目标搜索，得到多个第三影像；其中，第三影像为直方图呈双峰分布的第二影像。

[0078] 图2为根据本申请的一些实施例提供的基于双峰直方图阈值法进行双峰目标搜索的原理示意图；如图2所示，基于双峰直方图阈值法，根据多个第二影像，制作每个影像对应
的直方图，当倒伏区域或者非倒伏区域的面积在第二影像中占据比例较小时，直方图呈现
单峰分布，表明该第二影像中不存在倒伏边界；当倒伏区域或者非倒伏区域的面积在第二
影像中占据比例相当时，直方图呈现双峰分布，表明第二影像中存在倒伏边界，直方图中的
一个峰值代表非倒伏区域，另一个峰值代表倒伏区域，此时，位于直方图两个峰值之间的局
部最小值对应的影像灰度值，可作为区分倒伏区域与非倒伏区域的阈值。

[0079] 在一些可选实施例中，基于双峰直方图阈值法，对多个第二影像进行双峰目标搜索，得到多个第三影像，具体为：基于预设的双峰检测系数，对多个第二影像的直方图分布
进行检验，确定第二影像的双峰目标，以得到多个第三影像。

[0080] 本申请实施例中，双峰检测系数表征呈现双峰分布的直方图的两个峰值之间的距离，按照公式：

[0081]

[0082] 计算得到双峰检测系数；

[0083] 式中， 为当前第二影像对应的类间方差， 为动态阈值， 为当前第二影像的像素个数， 为当前第二影像的最优阈值，此时该第二影像的类间方差最大。

[0084] 基于预设的双峰检测系数，对多个第二影像的直方图分布进行检验，当第二图像的双峰检测系数大于预设的阈值，比如阈值为0.1，则认为该第二图像的直方图符合双峰分
布，即确定第二影像的双峰目标，并将直方图呈现双峰分布的影像作为第三影像。

[0085] 步骤S103、确定全部第三影像的双峰目标占比和每个第三影像的自适应阈值；其中，双峰目标占比表征第三影像与第二影像的比例。

[0086] 在一些可选的实施例中，确定多个第三影像双峰目标占比和每个第三影像的自适应阈值，包括：计算全部第三影像与第二影像的占比，得到双峰目标占比；基于最大类间方
差法或者最大熵法，确定每个第三影像的自适应阈值。

[0087] 本申请实施例中，采用最大类间方法差法（OTSU）或者最大熵法（KSW）确定每个直方图呈现双峰分布的子块影像的自适应阈值。

[0088] 藉此，基于双峰检测系数确定双峰目标，基于最大类间方差法或最大熵法确定每个双峰目标的自适应阈值，通过自适应阈值弥补光谱异质性、阴影以及倒伏区域分布零碎
的现象，在高灰度区采用高阈值，低灰度区采用低阈值进行分割，进一步提高小麦倒伏区域
提取的精度。

[0089] 步骤S104、循环调整预设分块尺寸，对第一影像进行重新分块，并计算双峰目标占比和自适应阈值，直至得到最大的双峰目标占比。

[0090] 本申请实施例中，通过多尺度调整预设分块尺寸，以调整后的预设分块尺寸将第一影像分为多个正方形子块，得到新的子块影像。重复计算双峰目标占比和自适应阈值，并
将当前的双峰目标占比与前一次分块得到的双峰目标占进行比对。对于小麦倒伏区域，循
环初始时，预设分块尺寸通常取值较大，根据该分块尺寸对每一幅第一影像进行分块，所得
到的分块后的子块影像中，双峰目标占比较小；随着分块尺寸的调整，每一幅第一影像的分
块得到的新的子块影像中，双峰目标数量增加，计算得到新的双峰目标占比也随之增大。当
分块尺寸调整到某个阈值，新的双峰目标占比与前一次分块得到的双峰目标占比相比减小
时，则当前的分块尺寸导致双峰目标占比开始下降，对应地有前一次分块得到的双峰目标
占比为最大值，即双峰目标占比最大，此时，对应的子块影像的尺寸为最佳分块尺寸，循环
结束。

[0091] 步骤S105、根据最大的双峰目标占比对应的多个自适应阈值，以及第一影像的预先获取的全局阈值，对目标区域中的小麦倒伏区域进行提取。

[0092] 在一些可选实施例中，根据最大的双峰目标占比对应的多个自适应阈值，以及第一影像的预先获取的全局阈值，对目标区域中的小麦倒伏区域进行提取，包括：基于最大类
间方差法，确定第一影像的全局阈值，并基于全局阈值对不属于双峰目标的多个第二影像
进行二值化处理，得到对应的多个第一二值化图像；根据最大的双峰目标占比对应的多个
自适应阈值，对相应的多个第三影像进行二值化处理，得到对应的多个第二二值化图像；对
多个第一二值化图像、第二二值化图像依次进行拼接、形态学运算和倒伏区域矢量范围提
取，得到目标区域中的小麦倒伏区域的矢量数据。

[0093] 当双峰目标占比最大时，对应的子块影像的尺寸为最佳分块尺寸。此时，根据子块影像的直方图分布特征，子块影像分成两种，一种是直方图呈现双峰分布的子块影像，即双
峰目标；另一种是直方图呈现单峰分布的子块影像。即不属于双峰目标的子块影像。

[0094] 基于最大类间方差法，对第一影像进行计算，得到该第一影像的全局阈值。对于直方图呈现单峰分布的子块影像，基于第一影像的全局阈值，对直方图呈现单峰分别的子块
影像进行二值化处理，得到多个第一二值化图像。

[0095] 对于直方图呈现双峰分布的每一个子块影像，根据每一个子块影像对应的自适应阈值，对直方图呈现双峰分布的子块影像进行二值化处理，得到对应的多个第二二值化图
像。

[0096] 在一具体的例子中，所谓对子块影像进行二值化处理，具体为：将子块影像的像元对应的灰度值与阈值进行比对，子块影像中像元灰度值大于阈值的，设置像元取值为1；子
块影像中像元灰度值小于阈值的，设置像元取值为0，从而得到子块影像对应的二值化图
像。

[0097] 比如，对于直方图呈现单峰分布的子块影像，将子块影像的像元对应的灰度值与第一影像的全局阈值进行比对，像元灰度值大于第一影像的全局阈值的，设置像元取值为
1；像元灰度值小于第一影像的全局阈值的，设置像元取值为0。对于直方图呈现双峰分布的
子块影像，其阈值为每个子块影像对应的自适应阈值，根据自适应阈值，将子块影像的像元
对应的灰度值与自适应阈值进行比对，像元灰度值大于自适应阈值的，设置像元取值为1；
像元灰度值小于自适应阈值的，设置像元取值为0。

[0098] 对多个第一二值化图像、第二二值化图像依次进行拼接、形态学运算和倒伏区域矢量范围提取，得到目标区域中的小麦倒伏区域的矢量数据，完成小麦倒伏区域提取。

[0099] 通过对第一二值化图像、第二二值化图像进行拼接，得到目标区域的整体二值化影像。此时，拼接得到的二值化影像可能存在椒盐现象，进而对倒伏区域矢量范围提取产生
影响，导致提取的矢量范围形态破碎，不符合真实小麦分布情况。本申请实施例中，通过对
目标区域的整体二值化影像进行形态学运算，从而减少或消除椒盐现象，有利于后续对该
二值化影像进行矢量范围提取。

[0100] 图3为根据本申请的一些实施例提供的基于无人机影像与自适应阈值的小麦倒伏提取方法对选取的多个地块小麦倒伏区域进行验证的示意图；如图3所示，本申请实施例
中，分别选取第一地块A、第二地块B、第三地块C对小麦倒伏区域提取的精度进行验证，其
中，第一地块A具有大面积倒伏的特征，第二地块B具有光谱异质性强的特征，第三地块C具
有倒伏区域分布零碎的特征，如此，选取的地块具有多样性，从而使验证更加准确。图4为根
据本申请的一些实施例提供的对第一地块A的小麦倒伏区域的提取结果示意图；图5为根据
本申请的一些实施例提供的对第二地块B的小麦倒伏区域的提取结果示意图；图6为根据本
申请的一些实施例提供的对第三地块C的小麦倒伏区域的提取结果示意图；如图4至图6所
示，浅色区域为无人机影像中的小麦倒伏区域，深色区域为无人机影像中的小麦未倒伏区
域，连续实线为基于本申请实施例提供的方法提取得到的小麦倒伏区域范围。通过对小麦
倒伏区域提取的结果进行分析，基于本申请实施例提供的方法对小麦倒伏区域进行提取，
无论是小麦大面积倒伏或者倒伏区域分布比较零碎，得到的倒伏区域范围与实际倒伏区域
边界贴合程度较好、区域比较完整，与传统的ISODATA和随机森林算法相比，普适性更好，且
精度显著提高。

[0101] 进一步地，分别计算得到第一地块A、第二地块B、第三地块C的精确率、召回率、总体精度、F1指数、Kappa系数，如表1所示，表1如下：

[0102]

[0103] 由表1可以看出，基于本发明提供的方法，小麦倒伏区域的识别总体精度均高于95%，Kappa系数高于0.95，可以较好的识别出倒伏区域。

[0104] 综上所述，本发明中，通过对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像；基于双峰分布，对多个所述第二影像进行双峰目
标搜索，得到多个第三影像；其中，所述第三影像为包含双峰目标的所述第二影像；确定全
部所述第三影像的双峰目标占比和每个所述第三影像的自适应阈值；其中，所述双峰目标
占比表征所述第三影像与所述第二影像的比例；循环调整所述预设分块尺寸，对所述第一
影像进行重新分块，并计算所述双峰目标占比和所述自适应阈值，直至得到最大的所述双
峰目标占比；根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影
像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取。藉此，通过对目标
区进行自动提取小麦倒伏区域，无需人员操作，能够快速得到小麦倒伏区域边界信息，节约
了人力成本，同时提高了小麦倒伏区域提取的精度。

[0105] 本申请通过对目标区域的第一影像进行分块，基于双峰直方图阈值法确定每个分块的动态阈值，以此为基础对影像（直方图呈现单峰分布的子块影像和直方图呈现双峰分
布的子块影像）进行二值化和小麦倒伏区域提取，大大提高了小麦倒伏区域提取的精度。

[0106] 本申请根据小麦种植区域影像的图像分辨率和目标区域内小麦倒伏区域分布，确定预设分块尺寸，分辨率越高、小麦倒伏区域分布越集中，其分块尺寸越大，反之则减小分
块尺寸；在此基础上根据预设分块尺寸，对目标区域的影像的每个分块确定自适应阈值，加
速了自适应阈值查找的迭代，加快了确定自适应阈值过程中的收敛速度。

[0107] 本申请基于双峰检测系数确定双峰目标，基于最大类间方差法确定每个双峰目标的自适应阈值，通过自适应阈值弥补光谱异质性、阴影以及倒伏区域分布零碎的现象，在高
灰度区采用高阈值，低灰度区采用低阈值进行分割，进一步提高小麦倒伏区域提取的精度。

[0108] 本申请中，根据最大的双峰目标占比对应的多个所述自适应阈值，以及第一影像的预先获取的全局阈值，对目标区域中的小麦倒伏区域进行提取，得到目标区域中的小麦
倒伏区域的矢量数据，以矢量数据的形式输出提取结果，为后续基于小麦倒伏区域的矢量
数据做进一步分析提供了基础。

[0109] 本申请基于预设的倒伏特征指数，包括：小麦倒伏指数和过绿植被指数，对目标区域的初始影像进行倒伏特征提取。通过小麦倒伏指数 ，增大无人机影像中小麦倒伏区
域和小麦非倒伏区域之间的差异，有效反应出小麦倒伏的特征，同时，综合小麦倒伏指数和
过绿植被指数两种指数使得提取倒伏区域更加准确。

[0110] 示例性系统

[0111] 图7为根据本申请的一些实施例提供的一种基于无人机影像与自适应阈值的小麦倒伏提取系统的结构示意图；如图7所示，该基于无人机影像与自适应阈值的小麦倒伏提取
系统包括：

[0112] 分块单元701，配置为对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到所述目标区域的多个第二影像；

[0113] 双峰单元702，配置为基于双峰直方图阈值法，对多个所述第二影像进行双峰目标搜索，得到多个第三影像；其中，所述第三影像为直方图呈双峰分布的所述第二影像；

[0114] 计算单元703，配置为确定全部所述第三影像的双峰目标占比和每个所述第三影像的自适应阈值；其中，所述双峰目标占比表征所述第三影像与所述第二影像的比例；

[0115] 调整单元704，配置为循环调整所述预设分块尺寸，对所述第一影像进行重新分块，并计算所述双峰目标占比和所述自适应阈值，直至得到最大的所述双峰目标占比；

[0116] 提取单元705，配置为根据最大的所述双峰目标占比对应的多个所述自适应阈值，以及所述第一影像的预先获取的全局阈值，对所述目标区域中的小麦倒伏区域进行提取。

[0117] 本申请实施例提供的基于无人机影像与自适应阈值的小麦倒伏提取系统能够实现上述任一实施例的基于无人机影像与自适应阈值的小麦倒伏提取方法的步骤、流程，并
达到相同的技术效果，在此不再一一赘述。

[0118] 以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、
等同替换、改进等，均应包含在本申请的保护范围之内。