本发明公开了一种利用无人机遥感影像的大田花生出苗情况快速提取方法，属于农业信息化技术领域，包括如下步骤：根据试验区大田数据采集需求选用无人机搭载多光谱传感器采集影像数据；进行影像数据处理，生成正射影像数据；计算过绿植被指数影像；利用计算得到的过绿植被指数影像进行局部极大值计算，初步确定花生植株位置信息的关键点；对初步确定花生植株位置信息的关键点进行直线拟合，确定花生植株区域；生成距离变换图；进行图像分割，将花生植株区域分割成一系列分割对象，每一个分割对象即为识别得到的每株花生植株。本发明实现了(56)对比文件刘帅兵 等.基于无人机遥感影像的玉米苗期株数信息提取方法《.农业工程学报》.2018,第69-77页.
1.一种利用无人机遥感影像的大田花生出苗情况快速提取方法，其特征在于，包括如下步骤：步骤1、根据试验区大田数据采集需求选用无人机搭载多光谱传感器采集影像数据；
步骤2、利用大疆智图软件进行影像数据处理，生成正射影像数据；
步骤3、随机从正射影像上裁剪指定大小的感兴趣区域影像，按照过绿植被指数计算得到试验区大田遥感影像的过绿植被指数影像；
其中， 为过绿植被指数取值； 为无人机影像的绿波段； 为无人机影像的红波段； 为无人机影像的蓝波段；
步骤4、利用计算得到的过绿植被指数影像进行局部极大值计算，初步确定花生植株位置信息的关键点；具体步骤如下：步骤4.1、定义一个圆形滑动窗口，窗口半径设置为20个像素大小，通过圆形滑动窗口定位局部极大值；如果滑动窗口的当前中心像素值大于窗口内其他像素值，则当前中心像素位置即为局部极大值；
步骤4.2、设置距离阈值 为15cm，对局部极大值点进行欧式聚类，得到一系列的极大值点簇；然后判断每个点簇内点间距离，如果当前点簇内点间最远距离小于 ，则将当前点簇内的点取平均作为花生植株的位置；如果当前点簇内点间最远距离大于等于，则通过最远距离采样方法将当前点簇分割成多个点簇，直到新点簇内点间最远距离小于 ，则每个点簇内所有点取平均作为花生植株的位置信息的关键点；最远距离采样方法的具体过程如下：步骤4.2.1、计算当前点簇所有点之间的欧式距离，取距离最远的两个点作为聚类中心，利用最近邻聚类将当前点簇分割成两个新点簇 和 ；
步骤4.2.2、分别判断新点簇 和 内点间最远距离是否小于 ；如果点簇内点间最远距离小于 ，则将该点簇内的点取平均作为花生植株的位置信息；如果点簇内点间最远距离大于等于 ，则迭代执行最远距离采样方法，直到新点簇内点间最远距离小于 ；
步骤5、利用随机抽样一致性算法对初步确定花生植株位置信息的关键点进行直线拟合，确定花生植株区域；具体步骤如下：以式（2）作为拟合直线的数学表达式，利用随机抽样一致性算法对初步确定花生植株位置信息的关键点拟合直线；
其中， 和 分别表示当前花生植株点的横纵坐标， 、和 表示不同的拟合直线参数；
然后，按式（3）所示，分别计算每个植株点到拟合直线的距离 ；
其中， 和 分别表示任一花生植株点的横坐标和纵坐标；
如果到拟合直线的距离小于指定阈值，则认为该花生植株点属于当前花生植株区域；
所述步骤6中，将过绿植被指数取值大于0.3的位置判定为花生植株区域，提取花生植株区域到距离花生植株区域最近的局部极大值点的距离，生成距离变换图；生成的距离变换图中，非花生植株区域赋值为0，花生植株区域每个像素赋值为到距离花生植株区域最近局部极大值点的距离；
步骤7、以生成的距离变换图作为标记分水岭算法的输入图像，以剩余局部极大值的位置作为标记分水岭算法的花生植株标记，进行图像分割，将花生植株区域分割成一系列分割对象，每一个分割对象即为识别得到的每株花生植株；
所述步骤7中，标记分水岭算法通过模拟水流淹没地形的过程实现分割；具体为：将距离变换图看作是一个地形表面，距离变换图中的高像素值为山峰，距离变换图中的低像素值为山谷；用来自不同山谷的河流的水填充孤立的山谷，孤立的山谷为距离变换图中的局部极小值；在相邻山谷的河流即将相遇的位置建造水坝；不断注水，不断建造水坝，直到所有的山峰都被淹没，此时建造的水坝的位置即对应每一个分割对象，即为识别得到的每株花生植株。
2.根据权利要求1所述利用无人机遥感影像的大田花生出苗情况快速提取方法，其特征在于，所述步骤1中，选用的无人机型号为DJI Mavic 3；采集的影像数据包括影像序列及影像序列对应的航空定位定向系统数据；飞行时选择光照强度稳定、天气晴朗无云、少风或无风的环境条件；飞行时段控制在中午11:00～13:00。
3.根据权利要求1所述利用无人机遥感影像的大田花生出苗情况快速提取方法，其特征在于，所述步骤2的具体过程如下：步骤2.1、首先利用大疆智图软件结合影像序列对应的航空定位定向系统数据，对无人机采集的高清影像序列进行拼接处理；
步骤2.2、然后基于航空定位定向系统数据和对应无人机采集的高清影像序列进行影像拍摄时刻空间姿态的还原；
步骤2.3、最后进行正射影像生成，正射影像生成包括空三加密、正射纠正、镶嵌拼接操作。
利用无人机遥感影像的大田花生出苗情况快速提取方法
技术领域
[0001] 本发明属于农业信息化技术领域，具体涉及一种利用无人机遥感影像的大田花生出苗情况快速提取方法。
背景技术
[0002] 花生是主要的农作物，也是重要的油料作物之一，其高产稳产对于保障国家油料安全、促进农业可持续发展至关重要。随着种子科学和遗传学的快速发展，农作物基因的研究变得越来越重要。花生作为重要的经济作物之一，种植和优化花生基因具有重要意义。由于土壤情况、机械性能，以及机手经验的不同，常导致花生出现出苗不齐、缺苗断垄问题，进而导致花生产量和品质受到不同程度的影响。因此需要对花生苗情信息进行监测，进而选育出适宜当地花生生长发育、生育期适宜的品种。
[0003] 传统的花生苗情信息提取方法依赖于人工观察和测量，这需要大量的人力和时间。近几年无人机技术和图像处理技术快速发展，通过搭载高分辨率相机的无人机，可以获取大范围的花生作物图像，并使用图像处理和分析算法来提取苗情信息，有效缓解了传统人工花生苗情信息提取方法的长周期和低效率问题。因此，从无人机遥感影像中自动获取花生苗情信息是目前的一项研究热点。
[0004] 现有技术存在的缺陷：由于大田的整地情况和机械性能不同，会造成播种深度不一致，影响花生种植萌发进而导致幼苗出土时间不一致。在花生苗期，植株大小差异较大，较大植株容易出现黏连情况，而较小植株在无人机遥感影像中显示模糊。因此，利用无人机可见光遥感影像技术，探索一种更高效、快速、精确的方法来获取花生苗情信息，以推断花生基因并筛选出优质基因，是很有必要的。
发明内容
[0005] 为了解决上述问题，本发明提出了一种利用无人机遥感影像的大田花生出苗情况快速提取方法，通过与传统人工观测方法进行对比，无人机可见光遥感影像技术在大田花生苗情信息提取方面具有明显的优势。
[0006] 本发明的技术方案如下：
[0007] 一种利用无人机遥感影像的大田花生出苗情况快速提取方法，包括如下步骤：
[0008] 步骤1、根据试验区大田数据采集需求选用无人机搭载多光谱传感器采集影像数据；
[0009] 步骤2、利用大疆智图软件进行影像数据处理，生成正射影像数据；
[0010] 步骤3、随机从正射影像上裁剪指定大小的感兴趣区域影像，按照过绿植被指数计算得到试验区大田遥感影像的过绿植被指数影像；
[0011] 步骤4、利用计算得到的过绿植被指数影像进行局部极大值计算，初步确定花生植株位置信息的关键点；
[0012] 步骤5、利用随机抽样一致性算法对初步确定花生植株位置信息的关键点进行直线拟合，确定花生植株区域；
[0013] 步骤6、基于局部极大值生成距离变换图；
[0014] 步骤7、以生成的距离变换图作为标记分水岭算法的输入图像，以剩余局部极大值的位置作为标记分水岭算法的花生植株标记，进行图像分割，将花生植株区域分割成一系列分割对象，每一个分割对象即为识别得到的每株花生植株。
[0015] 进一步地，步骤1中，选用的无人机型号为DJI Mavic 3；采集的影像数据包括影像序列及影像序列对应的航空定位定向系统数据；飞行时选择光照强度稳定、天气晴朗无云、少风或无风的环境条件；飞行时段控制在中午11:00～13:00。
[0016] 进一步地，步骤2的具体过程如下：
[0017] 步骤2.1、首先利用大疆智图软件结合影像序列对应的航空定位定向系统数据，对无人机采集的高清影像序列进行拼接处理；
[0018] 步骤2.2、然后基于航空定位定向系统数据和对应无人机采集的高清影像序列进行影像拍摄时刻空间姿态的还原；
[0019] 步骤2.3、最后进行正射影像生成，正射影像生成包括空三加密、正射纠正、镶嵌拼接操作。
[0020] 进一步地，步骤3中，过绿植被指数的计算公式如下：
[0021] (1)；
[0022] 其中， 为过绿植被指数取值； 为无人机影像的绿波段； 为无人机影像的红波段； 为无人机影像的蓝波段。
[0023] 进一步地，步骤4的具体步骤如下：
[0024] 步骤4.1、定义一个圆形滑动窗口，窗口半径设置为20个像素大小，通过圆形滑动窗口定位局部极大值；如果滑动窗口的当前中心像素值大于窗口内其他像素值，则当前中心像素位置即为局部极大值；
[0025] 步骤4.2、设置距离阈值 为15cm，对局部极大值点进行欧式聚类，得到一系列的极大值点簇；然后判断每个点簇内点间距离，如果当前点簇内点间最远距离小于 ，则将当前点簇内的点取平均作为花生植株的位置；如果当前点簇内点间最远距离大于等于，则通过最远距离采样方法将当前点簇分割成多个点簇，直到新点簇内点间最远距离小于 ，则每个点簇内所有点取平均作为花生植株的位置信息的关键点。
[0026] 进一步地，步骤5的具体步骤如下：
[0027] 以式（2）作为拟合直线的数学表达式，利用随机抽样一致性算法对初步确定花生植株位置信息的关键点拟合直线；
[0028] (2)；
[0029] 其中， 和 分别表示当前花生植株点的横纵坐标， 、和 表示不同的拟合直线参数；
[0030] 然后，按式（3）所示，分别计算每个植株点到拟合直线的距离 ；
[0031] (3)；
[0032] 其中， 和 分别表示任一花生植株点的横坐标和纵坐标；
[0033] 如果到拟合直线的距离小于指定阈值，则认为该花生植株点属于当前花生植株区域。
[0034] 进一步地，步骤6中，将过绿植被指数取值大于0.3的位置判定为花生植株区域，提取花生植株区域到距离花生植株区域最近的局部极大值点的距离，生成距离变换图；生成的距离变换图中，非花生植株区域赋值为0，花生植株区域每个像素赋值为到距离花生植株区域最近局部极大值点的距离。
[0035] 进一步地，步骤7中，标记分水岭算法通过模拟水流淹没地形的过程实现分割；具体为：将距离变换图看作是一个地形表面，距离变换图中的高像素值为山峰，距离变换图中的低像素值为山谷；用来自不同山谷的河流的水填充孤立的山谷，孤立的山谷为距离变换图中的局部极小值；在相邻山谷的河流即将相遇的位置建造水坝；不断注水，不断建造水坝，直到所有的山峰都被淹没，此时建造的水坝的位置即对应每一个分割对象，即为识别得到的每株花生植株。
[0036] 本发明所带来的有益技术效果：本发明不仅可以大大节省人力和时间成本，还能提高精确度和效率，实现了对大田花生苗情信息的快速、精确提取和识别。此外，无人机遥感技术还可以实现对大面积花生种植区域的全面监测，为花生基因研究和育种提供更多可能性。本发明的研究成果为花生作物的表型性状研究和基因筛选提供了一种新颖、高效的方法，并为农业领域的无人机遥感技术应用提供了有益的参考。
附图说明
[0037] 图1为本发明利用无人机遥感影像的大田花生出苗情况快速提取方法流程图。
[0038] 图2为本发明实验中通过无人机采集的场景1的RGB图像。
[0039] 图3为本发明实验中在场景1中得到的EGI影像。
[0040] 图4为本发明实验中在场景1中得到的RGB和EGI叠加图像。
[0041] 图5为本发明实验中在场景1中得到的距离变换图。
[0042] 图6为本发明实验中在场景1中得到的部分花生识别结果图。
[0043] 图7为本发明实验中通过无人机采集的场景2的RGB图像。
[0044] 图8为本发明实验中在场景2中得到的EGI影像。
[0045] 图9为本发明实验中在场景2中得到的RGB和EGI叠加图像。
[0046] 图10为本发明实验中在场景2中得到的距离变换图。
[0047] 图11为本发明实施例中在场景2中得到的部分花生识别结果图。
具体实施方式
[0048] 下面结合附图以及具体实施方式对本发明作进一步详细说明：
[0049] 如图1所示，一种利用无人机遥感影像的大田花生出苗情况快速提取方法包括如下步骤：
[0050] 步骤1、根据试验区大田数据采集需求选用体积小、飞行稳定的DJI Mavic 3无人机搭载多光谱传感器采集影像数据，影像数据包括影像序列及影像序列对应的航空定位定向系统数据。为了保证无人机飞行时的稳定性和数据获取的准确性，应选择光照强度稳定、天气晴朗无云、少风或无风的环境条件，对试验区进行连续飞行监测。同时，为了减小信息误差，选择光线较为充足的时间段飞行，因此，飞行时段控制在中午11:00～13:00。通过无人机采集影像序列及影像序列对应的航空定位定向系统数据数据，航空定位定向系统数据简称POS数据。POS数据通过无人机自带的POS系统获取，POS系统又称为IMU/DGPS系统，由动态差分GPS（简写为DGPS）、惯性测量装置（简写为IMU）、主控计算机系统以及相应的后处理软件四部分组成，IMU/DGPS系统为将DGPS/IMU（/惯性测量装置）组合成的高精度位置与姿态测量系统，可以在传感器成像过程中实时测量其位置和姿态，不用地面控制点进行空三加密就可以获得较高精度的影像外方位元素。
[0051] 步骤2、利用大疆智图软件进行影像数据处理，生成正射影像数据。具体过程如下：
[0052] 步骤2.1、首先利用大疆智图软件结合影像序列对应的POS数据，对无人机采集的高清影像序列进行拼接处理；
[0053] 步骤2.2、然后基于POS数据和对应无人机采集的高清影像序列进行影像拍摄时刻空间姿态的还原；
[0054] 步骤2.3、最后进行正射影像生成，从而生成高质量的正射影像以确保准确性和一致性，正射影像生成包括空三加密、正射纠正、镶嵌拼接等操作，以上操作借助现有软件完成。
[0055] 这种影像处理方法能够提高影像的准确性和可比性，为后续的数据分析和处理提供了可靠的基础。
[0056] 步骤3、随机从正射影像上裁剪指定大小的感兴趣区域影像，按照过绿植被指数计算得到试验区大田遥感影像的过绿植被指数影像（简称EGI影像）；过绿植被指数的计算公式如下：
[0057] (1)；
[0058] 其中， 为过绿植被指数取值； 为无人机影像的绿波段； 为无人机影像的红波段； 为无人机影像的蓝波段。
[0059] 步骤4、试验区一般主要包含花生植株和土壤两种地物，EGI影像中取值较大的位置一般为花生植株所在。因此利用计算得到的EGI影像进行局部极大值计算，初步确定花生植株位置信息的关键点。农业种植经验上，相邻花生种植间隔为15cm左右，将重复的局部极大值进行删除和合并。具体步骤如下：
[0060] 步骤4.1、定义一个圆形滑动窗口（设置为半径为20个像素大小），通过圆形滑动窗口定位局部极大值。如果滑动窗口的中心像素值大于窗口内其他像素值，则该中心像素位置即为局部极大值。
[0061] 步骤4.2、由于影像噪声以及花生植株本身的特性，同一株花生可能被检测出多个极大值点的位置，这将导致后续操作的过分割现象。因此，对检测到的局部极大值点进行欧式聚类（距离阈值 设置为15cm），得到一系列的极大值点簇。然后判断每个点簇内点间距离，如果点簇内点间最远距离小于 ，则将该点簇内的点取平均作为花生植株的位置信息。如果点簇内点间最远距离大于等于 ，则通过最远距离采样方法将该点簇分割成多个点簇，直到新点簇内点间最远距离小于 ，则每个点簇内所有点取平均作为花生植株的位置。最远距离采样方法的核心思想是使得所有采样点之间的距离尽可能远，其具体过程如下：
[0062] 步骤4.2.1、计算当前点簇所有点之间的欧式距离，取距离最远的两个点作为聚类中心，利用最近邻聚类将当前点簇分割成两个新点簇 和 ；
[0063] 步骤4.2.2、分别判断新点簇 和 内点间最远距离是否小于 。如果点簇内点间最远距离小于 ，则将该点簇内的点取平均作为花生植株的位置信息。如果点簇内点间最远距离大于等于 ，则迭代执行最远距离采样方法，直到新点簇内点间最远距离小于 。
[0064] 步骤5、由于利用影像光谱计算得到的EGI影像易受噪点（如杂草等）影响。根据花生植株的种植模式一般按垄呈直线排列种植，利用随机抽样一致性（RANSAC）算法对初步确定花生植株位置信息的关键点进行直线拟合，从而将花生植株位置约束呈直线排列，消除噪点影响，确定花生植株区域。
[0065] 以式（2）作为拟合直线的数学表达式，利用RANSAC算法对初步确定花生植株位置信息的关键点拟合直线；
[0066] (2)；
[0067] 其中， 和 分别表示当前花生植株点的横纵坐标， 、和 表示不同的拟合直线参数。
[0068] 然后，按式（3）所示，分别计算每个植株点到拟合直线的距离 ；
[0069] (3)；
[0070] 其中， 和 分别表示任一花生植株点的横坐标和纵坐标。
[0071] 如果到拟合直线的距离小于指定阈值，则认为该花生植株点属于当前花生植株区域。
[0072] 步骤6、基于局部极大值生成距离变换图。一般情况下，EGI影像取值大于0.3的位置是花生植株区域。通过计算提取的花生植株区域到距离其最近局部极大值点的距离，生成距离变换图。距离变换图大小与EGI影像一致，图中非花生植株区域赋值为0，花生植株区域每个像素赋值为到距离其最近局部极大值点的距离，则距离变换图中局部极小值对应EGI影像中的局部极大值。
[0073] 步骤7、将生成的距离变换图看作是一个地形表面，其中山峰代表高像素值，山谷代表低像素值。以生成的距离变换图作为标记分水岭算法的输入图像，以步骤4得到的局部极大值的位置作为标记分水岭算法的花生植株标记，进行图像分割，将花生植株区域分割成一系列分割对象，每一个分割对象即为识别得到的每株花生植株。具体步骤如下：
[0074] 步骤7.1、标记分水岭算法通过模拟水流淹没地形的过程实现分割。用各种颜色的水填充孤立的山谷（即距离变换图中的局部极小值）。来自不同山谷的河流，颜色是不同的。随着水位上升，相邻山谷的河流开始汇聚到一起。为了避免这种情况，在相邻山谷的河流即将相遇的位置建造水坝，以阻止河流汇聚。不断注水，建造水坝，直到所有的山峰都被淹没，分割结果由建造的水坝决定。
[0075] 步骤7.2、花生植株标记的作用是在水坝构建的过程中，允许哪些山谷的河流可以汇聚到一起，哪些不能汇聚到一起，以此避免过分割的情况发生。
[0076] 为了证明本发明的可行性与优越性，采集了来自不同地域、不同年份、不同生长阶段的267个小区的16348株花生幼苗对其识别。
[0077] 其中，图2‑图6为场景1的实验过程图，图2为通过无人机采集的场景1的RGB图像，通过步骤3利用公式（1）计算得到如图3所示的EGI影像，并根据像素值大小赋颜色生成彩色影像（将EGI影像像素值大小的范围等分为四个子区间,分别对应于四个颜色：蓝色、绿色、黄色和红色。其中,蓝色表示低值，红色表示高值，绿色和黄色则表示中间值），将彩色EGI影像与无人机采集的RGB图像叠加生成图4所示的叠加图像，通过步骤6生成图5所示的距离变换图，最后经过步骤7得到图6所示的最终的花生识别结果。
[0078] 图7‑图11为场景2的实验过程图，图7为通过无人机采集的场景2的RGB图像，通过步骤3利用公式（1）计算得到如图8所示的EGI影像，并根据像素值大小赋颜色生成彩色影像（将EGI影像像素值大小的范围等分为四个子区间,分别对应于四个颜色：蓝色、绿色、黄色和红色。其中，蓝色表示低值，红色表示高值，绿色和黄色则表示中间值），将彩色EGI影像与无人机采集的RGB图像叠加生成图9所示的叠加图像，通过步骤6生成图10所示的距离变换图，最后经过步骤7得到图11所示的最终的花生识别结果。
[0079] 实验得到的识别结果中每个花生苗都进行了标记，实现了对花生苗情信息的快速、精确提取和识别，证明本发明的是可行且高效的。
[0080] 当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
