本發(fā)明涉及遙感應(yīng)用技術(shù)領(lǐng)域，尤其涉及一種大棚識別方法及裝置。

背景技術(shù)：

隨著近年來城鎮(zhèn)化的快速發(fā)展，城市建設(shè)與農(nóng)業(yè)用地的矛盾不斷加劇，人多地少成為一個嚴峻的問題。農(nóng)業(yè)大棚作為一種新的農(nóng)業(yè)設(shè)施，其具有價格低廉、可抵御病蟲害、不受氣候環(huán)境限制及提高單位面積產(chǎn)量等突出優(yōu)點，因此得到快速的應(yīng)用，近年來以每年20％的速度在不斷增長。大棚覆蓋面積的掌握對于國家統(tǒng)籌規(guī)劃、農(nóng)業(yè)產(chǎn)值估算等方面具有重要的意義。傳統(tǒng)大棚覆蓋面積以人工實地走訪判別為主，逐層向上級匯報，該方式需要耗費大量的人力物力，且無法獲得大棚的準確地理空間位置分布情況，而大棚的準確分布情況對于決策者的決策制定具有至關(guān)重要的作用。遙感影像具有價格低廉，獲取手段簡易，同時具有快速大范圍連續(xù)觀測和獲取大棚空間分布情況的突出優(yōu)點，因此，近年來基于遙感影像的大棚檢測成為了一個研究熱點問題。

目前基于遙感影像的大棚檢測，按照使用的遙感影像數(shù)據(jù)類型可以分為如下兩類：

其一是，基于高分辨率遙感影像(如IKONOS,SPOT,WordView2等)的大棚檢測算法。高分辨率遙感影像由于其具有空間分辨率高、紋理信息較遙感影像更為清晰的典型優(yōu)點，近年來得到了較多的應(yīng)用。該基于高分辨率遙感影像的大棚檢測算法，算法設(shè)計較為復(fù)雜，通常以面對對象方式進行，其對象的形成通常需要較多的參數(shù)設(shè)置，且后續(xù)的特征提取步驟需要較多的專家知識，涉及復(fù)雜的機器學(xué)習(xí)相關(guān)內(nèi)容，且高分辨率遙感影像本身幅寬較低，且價格高昂，大大限制了其在大棚檢測中的應(yīng)用。

其二是，基于中低分辨率遙感影像(如Landsat，Sentinal-2A等)的大棚檢測算法。由于中低分辨率遙感影像具有幅寬大，價格低廉等優(yōu)點，因此更加適合于大范圍的大棚檢測。Landsat影像相對于高分辨率遙感影像具有覆蓋面廣，獲取途徑更為經(jīng)濟便捷，相對于MODIS影像具有更高的空間分辨率，因此，非常適合于大棚提取研究。該基于中低分辨率遙感影像的大棚檢測算法，存在空間分辨率低，計算復(fù)雜且處理速度較慢的不足。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的缺陷，提供一種大棚識別方法及裝置。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種大棚識別方法，包括：

接收用戶輸入的遙感影像，獲取遙感影像數(shù)據(jù)；所述遙感影像數(shù)據(jù)包括可見光波段；

采用植被指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取植被指數(shù)；

采用增強型水體指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取增強型水體指數(shù)；

將所述植被指數(shù)、所述增強型水體指數(shù)和所述可見光波段識別特征，基于分類決策樹識別出所述遙感影像中的大棚區(qū)域。

優(yōu)選地，所述遙感影像數(shù)據(jù)包括可見光波段、近紅外波段和短波紅外波段；所述可見光波段包括紅光波段和綠光波段。

優(yōu)選地，所述植被指數(shù)計算公式包括：NDVI＝(NIR-R)/(NIR+R)；其中，NDVI為植被指數(shù)，NIR為近紅外波段，R為紅光波段。

優(yōu)選地，所述采用增強型水體指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取增強型水體指數(shù)，包括：

采用歸一化水體指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取歸一化水體指數(shù)；所述歸一化水體指數(shù)計算公式包括：NDWI＝(G-NIR)/(G+NIR)；其中，NDWI為歸一化水體指數(shù)，NIR為近紅外波段，G為綠光波段；

采用改進型歸一化水體指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取改進型歸一化水體指數(shù)；所述改進型歸一化水體指數(shù)計算公式包括：MNDWI＝(G-SWIR)/(G+SWIR)；其中，MNDWI為改進型歸一化水體指數(shù)，SWIR為短波紅外波段；

采用獲取增強型水體指數(shù)計算公式對所述植被指數(shù)、所述歸一化水體指數(shù)和所述改進型歸一化水體指數(shù)進行處理，以獲取所述增強型水體指數(shù)；所述獲取增強型水體指數(shù)計算公式包括：EWI＝MNDWI+NDWI-NDVI；其中，EWI為增強型水體指數(shù)。

優(yōu)選地，所述將所述植被指數(shù)、增強型水體指數(shù)和所述可見光波段作為分類決策樹的識別特征，識別出所述遙感影像中的大棚區(qū)域，包括：

判斷所述植被指數(shù)是否大于植被閾值，以識別出所述遙感影像中的植被區(qū)域或非植被區(qū)域；

判斷所述增強型水體指數(shù)是否大于水體閾值，以識別所述遙感影像中的水體區(qū)域或非水體區(qū)域；

判斷所述可見光波段中的紅光波段是否大于反射率閾值，以識別出所述遙感影像中的高反射率區(qū)域和低反射率區(qū)域；

將同時為所述非植被區(qū)域、所述水體區(qū)域和高反射區(qū)域的區(qū)域為所述遙感影像中的大棚區(qū)域。

本發(fā)明還提供一種大棚識別裝置，包括：

遙感影像數(shù)據(jù)獲取模塊，用于接收用戶輸入的遙感影像，獲取遙感影像數(shù)據(jù)；所述遙感影像數(shù)據(jù)包括可見光波段；

植被指數(shù)獲取模塊，用于采用植被指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取植被指數(shù)；

水體指數(shù)獲取模塊，用于采用增強型水體指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取增強型水體指數(shù)；

大棚識別模塊，用于將所述植被指數(shù)、所述增強型水體指數(shù)和所述可見光波段識別特征，基于分類決策樹識別出所述遙感影像中的大棚區(qū)域。

優(yōu)選地，所述遙感影像數(shù)據(jù)包括可見光波段、近紅外波段和短波紅外波段；所述可見光波段包括紅光波段和綠光波段。

優(yōu)選地，所述植被指數(shù)計算公式包括：NDVI＝(NIR-R)/(NIR+R)；其中，NDVI為植被指數(shù)，NIR為近紅外波段，R為紅光波段。

優(yōu)選地，所述水體指數(shù)獲取模塊包括：

歸一化水體指數(shù)獲取單元，用于采用歸一化水體指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取歸一化水體指數(shù)；所述歸一化水體指數(shù)計算公式包括：NDWI＝(G-NIR)/(G+NIR)；其中，NDWI為歸一化水體指數(shù)，NIR為近紅外波段，G為綠光波段；

改進型水體指數(shù)獲取單元，用于采用改進型歸一化水體指數(shù)計算公式對所述遙感影像數(shù)據(jù)進行處理，以獲取改進型歸一化水體指數(shù)；所述改進型歸一化水體指數(shù)計算公式包括：MNDWI＝(G-SWIR)/(G+SWIR)；其中，MNDWI為改進型歸一化水體指數(shù)，SWIR為短波紅外波段；

增強型水體指數(shù)獲取單元，用于采用獲取增強型水體指數(shù)計算公式對所述植被指數(shù)、所述歸一化水體指數(shù)和所述改進型歸一化水體指數(shù)進行處理，以獲取所述增強型水體指數(shù)；所述獲取增強型水體指數(shù)計算公式包括：EWI＝MNDWI+NDWI-NDVI；其中，EWI為增強型水體指數(shù)。

優(yōu)選地，所述大棚識別模塊包括：

第一判斷識別單元，用于判斷所述植被指數(shù)是否大于植被閾值，以識別出所述遙感影像中的植被區(qū)域或非植被區(qū)域；

第二判斷識別單元，用于判斷所述增強型水體指數(shù)是否大于水體閾值，以識別所述遙感影像中的水體區(qū)域或非水體區(qū)域；

第三判斷識別單元，用于判斷所述可見光波段中的紅光波段是否大于反射率閾值，以識別出所述遙感影像中的高反射率區(qū)域和低反射率區(qū)域；

大概識別處理單元，用于將同時為所述非植被區(qū)域、所述水體區(qū)域和高反射區(qū)域的區(qū)域為所述遙感影像中的大棚區(qū)域。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：本發(fā)明所提供的大棚識別方法及裝置中，獲取遙感影像對應(yīng)的遙感影像數(shù)據(jù)，再對遙感影像數(shù)據(jù)進行處理，分別獲取植被指數(shù)和增強型水體指數(shù)；再將遙感影像數(shù)據(jù)中的可見光波段和植被指數(shù)和增強型水體指數(shù)作為識別特征，基于分類決策樹識別出遙感影像中的大棚區(qū)域。而且，將可見光波段和植被指數(shù)和增強型水體指數(shù)作為識別特征作為識別特征，識別出遙感影像中的大棚區(qū)域，其識別過程簡單方便，運算效率高且易于實現(xiàn)；并且，所需參數(shù)較少，無需進行大量參數(shù)設(shè)置，魯棒性高；而且，識別結(jié)果可靠，可用于大面積大棚識別，有利提高大棚識別效率和成本。

附圖說明

下面將結(jié)合附圖及實施例對本發(fā)明作進一步說明，附圖中：

圖1是本發(fā)明實施例1中大棚識別方法的一流程圖。

圖2是圖1所示大棚識別方法的步驟S40的一具體示意圖。

圖3是本發(fā)明實施例1中大棚識別方法的一具體示意圖。

圖4是圖3所示大棚識別方法的一結(jié)果示意圖。

圖5是本發(fā)明實施例2中大棚識別裝置的一原理框圖。

具體實施方式

為了對本發(fā)明的技術(shù)特征、目的和效果有更加清楚的理解，現(xiàn)對照附圖詳細說明本發(fā)明的具體實施方式。

實施例1

圖1示出本發(fā)明實施例中的大棚識別方法。其中，該大棚知識方法由智能終端根據(jù)。如圖1所示，該大棚知識方法包括如下步驟：

S10：接收用戶輸入的遙感影像，獲取遙感影像數(shù)據(jù)，遙感影像數(shù)據(jù)包括可見光波段。

其中，遙感影像優(yōu)選采用中低分辨率遙感影像，其中，中低分辨率遙感影像包括NOAA/AVHRR、MODIS、SPOT VEGETATION等空間分辨率在1000m以內(nèi)的低空間分辨率遙感影像，還包括Landsat、SPOT和ATSER等空間分辨率在100m以內(nèi)的中空間分辨率遙感影像數(shù)據(jù)。由于中低分辨率遙感影像具有影像覆蓋面廣且價格低廉等優(yōu)點，可在大面積大棚識別過程中降低識別成本。相應(yīng)地，遙感影像還可以是IKONOS或Quick Bird等空間分辨率在5m以內(nèi)的高分辨率遙感影像，具有空間分辨率高且紋理清晰的優(yōu)點，可用于對中低分辨率遙感影像的處理結(jié)果進行驗證。

具體地，遙感影像數(shù)據(jù)包括可見光波段(VIS)、近紅外波段(NIR)和短波紅外波段(SWIR)。可見光波段(VIS)包括本實施例中所采用到的用于識別大棚的紅光波段和綠光波段，還包括藍光波段、橙光波段、黃光波段和紫光波段等?？梢姽獠ǘ蔚牟ㄩL范圍在0.77～0.39微米之間，而紅光波段的波段范圍在0.77～0.622微米之間；橙光波段的波段范圍在0.622～0.597微米之間；黃光波段的波段范圍在0.597～0.577微米之間；綠光波段的波段范圍在0.577～0.492微米之間；藍光波段的波段范圍在0.492～0.455微米之間；紫光波段的波段范圍在0.455～0.39微米之間。

近紅外光(Near Infrared，NIR)是介于可見光(VIS)和中紅外光(MIR)之間的電磁波，按ASTM(美國試驗和材料檢測協(xié)會)定義是指波長在780～2526nm范圍內(nèi)的電磁波，習(xí)慣上又將近紅外區(qū)劃分為近紅外短波(780～1100nm)和近紅外長波(1100～2526nm)兩個區(qū)域。近紅外區(qū)域是人們最早發(fā)現(xiàn)的非可見光區(qū)域。

短波紅外波段(SWIR，Short-wave infrared)，其波段范圍在0.85-2.5um之間，主要傳感材料為InGaAs(銦鎵砷),短波紅外具有穿云穿霧的特性，具有如下優(yōu)點：高識別度、全天候適合和微光夜視等優(yōu)點。具體地，短波紅外波段(SWIR)成像主要基于目標反射光成像原理，其成像與可見光灰度圖像特征相似，成像對比度高，目標細節(jié)表達清晰，因此具有高識別度。另外，短波紅外波段(SWIR)成像受大氣散射作用小，透霧、靄、煙塵能力較強，有效探測距離遠，對氣候條件和戰(zhàn)場環(huán)境的適應(yīng)性明顯優(yōu)于可見光成像，因此可天候適應(yīng)。在大氣輝光的夜視條件下，光子輻照度主要分布在1.0～1.8μm的SWIR波段范圍內(nèi)，這使得SWIR夜視成像相比于可見光夜視成像而言具有顯著的先天優(yōu)勢，因此具有微光夜視功能。

S20：采用植被指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取植被指數(shù)。

具體地，采用植被指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，獲取到的植被指數(shù)可用于識別遙感影像的植被覆蓋情況，植被指數(shù)越大，其覆蓋的植被越多，用于識別遙感影像中的植被區(qū)域或非植被區(qū)域，以排除植被區(qū)域作為遙感影像的大棚區(qū)域。

其中，植被指數(shù)計算公式包括：NDVI＝(NIR-R)/(NIR+R)；其中，NDVI為植被指數(shù)，NIR為近紅外波段，R為紅光波段。NDVI(Normalized Difference Vegetation Index,歸一化差分植被指數(shù))，用于檢測植被生成、植被覆蓋度和消除部分輻射誤差等領(lǐng)域，其中，NIR和R分別指近紅外波段和紅光波段的反向率值。進一步地，NDVI的取值在[-1，1]之間，負值表示地面覆蓋為云、水、雪等，對可見光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值，表示有植被覆蓋，且隨覆蓋度增大而增大。

S30：采用增強型水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取增強型水體指數(shù)。

具體地，采用增強型水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，獲取到的增強型水體指數(shù)可用于識別遙感影像中的水體覆蓋情況，增強型水體指數(shù)越大，其為水體的概率越大，可用于識別遙感影像中的水體區(qū)域或非水體區(qū)域。本實施例中，利用冬季大棚薄膜內(nèi)側(cè)結(jié)露這一自然現(xiàn)象，采用增強型水體指數(shù)識別出水體區(qū)域或非水體區(qū)域，以便于排除非水體區(qū)域作為遙感影像中的大棚區(qū)域。

步驟S30具體包括如下步驟：

S31：采用歸一化水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取歸一化水體指數(shù)。歸一化水體指數(shù)計算公式包括：NDWI＝(G-NIR)/(G+NIR)；其中，NDWI為歸一化水體指數(shù)，NIR為近紅外波段，G為綠光波段。

具體地，歸一化水體指數(shù)(Normalized Difference Water Index，簡稱NDWI)，用遙感影像的特定波段(即綠光波段和近紅外波段)進行歸一化差值處理，以凸顯遙感影像中的水體信息，效果較好。在歸一化水體指數(shù)(NDWI)中，土壤和建筑物在綠光波段和近紅外波段的光譜特征與水體的光譜特征，難以抑制土壤和建筑物信息，因此需進一步對歸一化水體指數(shù)(NDWI)進行處理，以識別出遙感影像中的水體區(qū)域和非水體區(qū)域。

S32：采用改進型歸一化水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取改進型歸一化水體指數(shù)。其中，改進型歸一化水體指數(shù)計算公式包括：MNDWI＝(G-SWIR)/(G+SWIR)；其中，MNDWI為改進型歸一化水體指數(shù)，SWIR為短波紅外波段。

具體地，改進型歸一化水體指數(shù)(Modified Normalized Difference Water Index,簡稱MNDWI)比歸一化水體指數(shù)(NDWI)更能夠揭示水體微細特征。如懸浮沉積物的分布、水質(zhì)的變化.另外，MNDWI可以很容易地區(qū)分陰影和水體，解決了水體提取中難于消除陰影的難題。

S33：采用獲取增強型水體指數(shù)計算公式對植被指數(shù)、歸一化水體指數(shù)和改進型歸一化水體指數(shù)進行處理，以獲取增強型水體指數(shù)。其中，獲取增強型水體指數(shù)計算公式包括：EWI＝MNDWI+NDWI-NDVI；其中，EWI為增強型水體指數(shù)。

具體地，增強型水體指數(shù)(Enhanced Water Index，以下簡稱EWI)綜合考慮遙感影像中用于體現(xiàn)植被覆蓋情況的的植被指數(shù)(NDVI)、用于凸現(xiàn)水體信息但未考慮土壤和建筑物信息的歸一化水體指數(shù)(NDWI)和用于顯示水體微細特征的改進型歸一化水體指數(shù)，使得可基于增強型水體指數(shù)(EWI)從遙感影像中識別出水體區(qū)域或非水體區(qū)域。由于冬季大棚薄膜內(nèi)側(cè)結(jié)露，使得大棚區(qū)域在遙感影像中應(yīng)當屬于基于增強型水體指數(shù)(EWI)識別出的水體區(qū)域中的一部分。

S40：將植被指數(shù)、增強型水體指數(shù)和可見光波段作為識別特征，基于分類決策樹識別出遙感影像中的大棚區(qū)域。

本實施例中，將植被指數(shù)、增強型水體指數(shù)和可見光波段作為識別特征，以識別遙感影像中的大棚區(qū)域時，所需進行的參數(shù)設(shè)置較小；采用分類決策樹對識別特征進行處理，可快速獲取遙感影像中的大棚區(qū)域，計算過程簡單且速度較快，無需進行復(fù)雜計算或較多的參數(shù)設(shè)置，可有效提高識別效率。

步驟S40具體包括如下步驟：

S41：判斷植被指數(shù)是否大于植被閾值，以識別出遙感影像中的植被區(qū)域或非植被區(qū)域。

其中，植被閾值(T1)可以是[0.4，0.5]之間的任一數(shù)值，用于評價遙感影像中任一植被指數(shù)(NDVI)對應(yīng)的區(qū)域是植被區(qū)域還是非植被區(qū)域。具體地，判斷植被指數(shù)(NDVI)是否大于植被閾值；若是，則植被指數(shù)(NDVI)對應(yīng)的區(qū)域為遙感影像中的植被區(qū)域；若否，則植被指數(shù)(NDVI)對應(yīng)的區(qū)域為遙感影像中的非植被區(qū)域。

S42：判斷增強型水體指數(shù)是否大于水體閾值，以識別所述遙感影像中的水體區(qū)域或非水體區(qū)域。

其中，水體閾值(T2)可以是[-0.2,0]之間的任一數(shù)值，用于評估遙感影像中任一增強型水體指數(shù)(EWI)對應(yīng)的區(qū)域是水體區(qū)域還是非水體區(qū)域。具體地，判斷增強型水體指數(shù)(EWI)是否大于水體閾值(T2)；若是，則增強型水體指數(shù)(EWI)對應(yīng)的區(qū)域為遙感影像中的水體區(qū)域；若否，則增強型水體指數(shù)(EWI)對應(yīng)的區(qū)域為遙感影像中的非水體區(qū)域。

S43：判斷可見光波段中的紅光波段是否大于反射率閾值，以識別出遙感影像中的高反射率區(qū)域和低反射率區(qū)域。

由于大棚的可見光波段(尤其是紅光波段)的反射率遠高于河流、魚塘等水體特征的反射率，因此可利用可見光波段中的紅光波段識別出大棚與河流、魚塘等水體特征。

其中，反射率閾值(T3)可以為[0.1,0.2]之間的任一數(shù)據(jù)，用于評估遙感影像中可見光波段中的紅光波段(R)對應(yīng)的區(qū)域是大棚還是河流、魚塘等其他水體特征，若干用戶評估可見光波段中的紅光波段對應(yīng)的區(qū)域是高亮地物或其他地物。具體地，判斷可見光波段中的紅光波段(R)是否大于反射率閾值(T3)；若是，則可見光波段中的紅光波段(R)對應(yīng)的區(qū)域為高反射率區(qū)域；若否，則可見光波段中的紅光波段(R)對應(yīng)的區(qū)域為低反饋率區(qū)域。

S44：將同時為非植被區(qū)域、水體區(qū)域和高反射區(qū)域的區(qū)域為遙感影像中的大棚區(qū)域。

即將同時滿足遙感影像中植被指數(shù)(NDVI)小于植被閾值(T1)，增強型水體指數(shù)(EWI)大于水體閾值(T2)且可見光波段中的紅光波段(R)大于反射率閾值(T3)這三個條件的區(qū)域作為遙感影像中的大棚區(qū)域?？梢岳斫獾兀齻€條件判斷的先后順序可自由組合。

如圖2所示的大棚識別方法包括如下步驟：先接收用戶輸入的遙感影像，并獲取遙感影像數(shù)據(jù)后。再判斷紅外波段(R)是否等于0；若為0，則為背景區(qū)域；若不等于0，則為非背景區(qū)域。對于非背景區(qū)域，再判斷植被指數(shù)(NDVI)是否大于植被閾值(T1)；若大于植被閾值(T1)，則為植被區(qū)域；若不大于植被閾值(T1)，則為非植被區(qū)域。對于非植被區(qū)域，再判斷增強型水體指數(shù)(EWI)是否大于水體閾值(T2)；若大于水體閾值(T2)，則為非植被-水體區(qū)域；若不大于水體區(qū)域(T2)，則為非植被-非水體區(qū)域。對于非植被-水體區(qū)域，則再判斷紅外波段(R)是否大于反射率閾值(T3)；若大于反射率閾值(T3)，則為大棚區(qū)域；則是為非大區(qū)區(qū)域，即非植被-水體-低反射率區(qū)域。對于非植被-非水體區(qū)域，再判斷紅外波段(R)是否大于反射率閾值(T3)；若大于反射率閾值(T3)，則為裸地區(qū)域，即非植被-非水體-高反射率區(qū)域；若不大于反射率閾值(T3)，則為高亮人工地物，即非植被-非水體-低反射率區(qū)域。

采用本實施例中的大棚識別方法時，如圖3中，a為用戶輸入的遙感影像，b為增強型水體指數(shù)對應(yīng)的影像。本實施例中，采用Landsat5遙感影像，如圖5所示，a1為2005年landsat5遙感影像，相應(yīng)地，b1為2005年大棚提取示意圖；a2為2009年landsat5遙感影像，相應(yīng)地，b2為2009年大棚提取示意圖；a3為2015年landsat5遙感影像，相應(yīng)地，b3為2015年大棚提取示意圖。如圖3和圖4所示，該大棚識別方法，識別大棚的效率高且精度大。

本實施例所提供的大棚識別方法中，獲取遙感影像對應(yīng)的遙感影像數(shù)據(jù)，再對遙感影像數(shù)據(jù)進行處理，分別獲取植被指數(shù)和增強型水體指數(shù)；再將遙感影像數(shù)據(jù)中的可見光波段和植被指數(shù)和增強型水體指數(shù)作為識別特征，基于分類決策樹識別出遙感影像中的大棚區(qū)域。而且，將可見光波段和植被指數(shù)和增強型水體指數(shù)作為識別特征作為識別特征，識別出遙感影像中的大棚區(qū)域，其識別過程簡單方便，運算效率高且易于實現(xiàn)；并且，所需參數(shù)較少，無需進行大量參數(shù)設(shè)置，魯棒性高；而且，識別結(jié)果可靠，可用于大面積大棚識別，有利提高大棚識別效率和成本。

實施例3

圖5示出本發(fā)明實施例中的大棚識別裝置。該大棚知識裝置包括但不限于智能終端。如圖5所示，該大棚知識裝置包括遙感影像數(shù)據(jù)獲取模塊10、植被指數(shù)獲取模塊20、水體指數(shù)獲取模塊30和大棚識別模塊40。

遙感影像數(shù)據(jù)獲取模塊10，用于接收用戶輸入的遙感影像，獲取遙感影像數(shù)據(jù)，遙感影像數(shù)據(jù)包括可見光波段。

其中，遙感影像優(yōu)選采用中低分辨率遙感影像，其中，中低分辨率遙感影像包括NOAA/AVHRR、MODIS、SPOT VEGETATION等空間分辨率在1000m以內(nèi)的低空間分辨率遙感影像，還包括Landsat、SPOT和ATSER等空間分辨率在100以內(nèi)的中空間分辨率遙感影像數(shù)據(jù)。由于中低分辨率遙感影像具有影像覆蓋面廣且價格低廉等優(yōu)點，可在大面積大棚識別過程中降低識別成本。相應(yīng)地，遙感影像還可以是IKONOS或Quick Bird等空間分辨率在5m以內(nèi)的高分辨率遙感影像，具有空間分辨率高且紋理清晰的優(yōu)點，可用于對中低分辨率遙感影像的處理結(jié)果進行驗證。

具體地，遙感影像數(shù)據(jù)包括可見光波段(VIS)、近紅外波段(NIR)和短波紅外波段(SWIR)。可見光波段(VIS)包括本實施例中所采用到的用于識別大棚的紅光波段和綠光波段，還包括藍光波段、橙光波段、黃光波段和紫光波段等?？梢姽獠ǘ蔚牟ㄩL范圍在0.77～0.39微米之間，而紅光波段的波段范圍在0.77～0.622微米之間；橙光波段的波段范圍在0.622～0.597微米之間；黃光波段的波段范圍在0.597～0.577微米之間；綠光波段的波段范圍在0.577～0.492微米之間；藍光波段的波段范圍在0.492～0.455微米之間；紫光波段的波段范圍在0.455～0.39微米之間。

近紅外光(Near Infrared，NIR)是介于可見光(VIS)和中紅外光(MIR)之間的電磁波，按ASTM(美國試驗和材料檢測協(xié)會)定義是指波長在780～2526nm范圍內(nèi)的電磁波，習(xí)慣上又將近紅外區(qū)劃分為近紅外短波(780～1100nm)和近紅外長波(1100～2526nm)兩個區(qū)域。近紅外區(qū)域是人們最早發(fā)現(xiàn)的非可見光區(qū)域。

短波紅外波段(SWIR，Short-wave infrared)，其波段范圍在0.85-2.5um之間，主要傳感材料為InGaAs(銦鎵砷),短波紅外具有穿云穿霧的特性，具有如下優(yōu)點：高識別度、全天候適合和微光夜視等優(yōu)點。具體地，短波紅外波段(SWIR)成像主要基于目標反射光成像原理，其成像與可見光灰度圖像特征相似，成像對比度高，目標細節(jié)表達清晰，因此具有高識別度。另外，短波紅外波段(SWIR)成像受大氣散射作用小，透霧、靄、煙塵能力較強，有效探測距離遠，對氣候條件和戰(zhàn)場環(huán)境的適應(yīng)性明顯優(yōu)于可見光成像，因此可天候適應(yīng)。在大氣輝光的夜視條件下，光子輻照度主要分布在1.0～1.8μm的SWIR波段范圍內(nèi)，這使得SWIR夜視成像相比于可見光夜視成像而言具有顯著的先天優(yōu)勢，因此具有微光夜視功能。

植被指數(shù)獲取模塊20，用于采用植被指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取植被指數(shù)。

具體地，采用植被指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，獲取到的植被指數(shù)可用于識別遙感影像的植被覆蓋情況，植被指數(shù)越大，其覆蓋的植被越多，用于識別遙感影像中的植被區(qū)域或非植被區(qū)域，以排除植被區(qū)域作為遙感影像的大棚區(qū)域。

其中，植被指數(shù)計算公式包括：NDVI＝(NIR-R)/(NIR+R)；其中，NDVI為植被指數(shù)，NIR為近紅外波段，R為紅光波段。NDVI(Normalized Difference Vegetation Index,歸一化差分植被指數(shù))，用于檢測植被生成、植被覆蓋度和消除部分輻射誤差等領(lǐng)域，其中，NIR和R分別指近紅外波段和紅光波段的反向率值。進一步地，NDVI的取值在[-1，1]之間，負值表示地面覆蓋為云、水、雪等，對可見光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值，表示有植被覆蓋，且隨覆蓋度增大而增大。

水體指數(shù)獲取模塊30，用于采用增強型水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取增強型水體指數(shù)。

具體地，采用增強型水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，獲取到的增強型水體指數(shù)可用于識別遙感影像中的水體覆蓋情況，增強型水體指數(shù)越大，其為水體的概率越大，可用于識別遙感影像中的水體區(qū)域或非水體區(qū)域。本實施例中，利用冬季大棚薄膜內(nèi)側(cè)結(jié)露這一自然現(xiàn)象，采用增強型水體指數(shù)識別出水體區(qū)域或非水體區(qū)域，以便于排除非水體區(qū)域作為遙感影像中的大棚區(qū)域。

其中，水體指數(shù)獲取模塊30具體包括歸一化水體指數(shù)獲取單元31、改進型水體指數(shù)獲取單元32和增強型水體指數(shù)獲取單元33。

歸一化水體指數(shù)獲取單元31，用于采用歸一化水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取歸一化水體指數(shù)。歸一化水體指數(shù)計算公式包括：NDWI＝(G-NIR)/(G+NIR)；其中，NDWI為歸一化水體指數(shù)，NIR為近紅外波段，G為綠光波段。

具體地，歸一化水體指數(shù)(Normalized Difference Water Index，簡稱NDWI)，用遙感影像的特定波段(即綠光波段和近紅外波段)進行歸一化差值處理，以凸顯遙感影像中的水體信息，效果較好。在歸一化水體指數(shù)(NDWI)中，土壤和建筑物在綠光波段和近紅外波段的光譜特征與水體的光譜特征，難以抑制土壤和建筑物信息，因此需進一步對歸一化水體指數(shù)(NDWI)進行處理，以識別出遙感影像中的水體區(qū)域和非水體區(qū)域。

改進型水體指數(shù)獲取單元32，用于采用改進型歸一化水體指數(shù)計算公式對遙感影像數(shù)據(jù)進行處理，以獲取改進型歸一化水體指數(shù)。其中，改進型歸一化水體指數(shù)計算公式包括：MNDWI＝(G-SWIR)/(G+SWIR)；其中，MNDWI為改進型歸一化水體指數(shù)，SWIR為短波紅外波段。

具體地，改進型歸一化水體指數(shù)(Modified Normalized Difference Water Index,簡稱MNDWI)比歸一化水體指數(shù)(NDWI)更能夠揭示水體微細特征。如懸浮沉積物的分布、水質(zhì)的變化.另外，MNDWI可以很容易地區(qū)分陰影和水體，解決了水體提取中難于消除陰影的難題。

增強型水體指數(shù)獲取單元33，用于采用獲取增強型水體指數(shù)計算公式對植被指數(shù)、歸一化水體指數(shù)和改進型歸一化水體指數(shù)進行處理，以獲取增強型水體指數(shù)。其中，獲取增強型水體指數(shù)計算公式包括：EWI＝MNDWI+NDWI-NDVI；其中，EWI為增強型水體指數(shù)。

具體地，增強型水體指數(shù)(Enhanced Water Index，以下簡稱EWI)綜合考慮遙感影像中用于體現(xiàn)植被覆蓋情況的的植被指數(shù)(NDVI)、用于凸現(xiàn)水體信息但未考慮土壤和建筑物信息的歸一化水體指數(shù)(NDWI)和用于顯示水體微細特征的改進型歸一化水體指數(shù)，使得可基于增強型水體指數(shù)(EWI)從遙感影像中識別出水體區(qū)域或非水體區(qū)域。由于大棚薄膜內(nèi)側(cè)結(jié)露，使得大棚區(qū)域在遙感影像中應(yīng)當屬于基于增強型水體指數(shù)(EWI)識別出的水體區(qū)域中的一部分。

大棚識別模塊40，用于將植被指數(shù)、增強型水體指數(shù)和可見光波段作為識別特征，基于分類決策樹識別出遙感影像中的大棚區(qū)域。

本實施例中，將植被指數(shù)、增強型水體指數(shù)和可見光波段作為識別特征，以識別遙感影像中的大棚區(qū)域時，所需進行的參數(shù)設(shè)置較?。徊捎梅诸悰Q策樹對識別特征進行處理，可快速獲取遙感影像中的大棚區(qū)域，計算過程簡單且速度較快，無需進行復(fù)雜計算或較多的參數(shù)設(shè)置，可有效提高識別效率。

其中，大棚識別模塊40具體包括第一判斷識別單元41、第二判斷識別單元42、第三判斷識別單元43和大概識別處理單元44。

第一判斷識別單元41，用于判斷植被指數(shù)是否大于植被閾值，以識別出遙感影像中的植被區(qū)域或非植被區(qū)域。

其中，植被閾值(T1)可以是[0.4，0.5]之間的任一數(shù)值，用于評價遙感影像中任一植被指數(shù)(NDVI)對應(yīng)的區(qū)域是植被區(qū)域還是非植被區(qū)域。具體地，判斷植被指數(shù)(NDVI)是否大于植被閾值；若是，則植被指數(shù)(NDVI)對應(yīng)的區(qū)域為遙感影像中的植被區(qū)域；若否，則植被指數(shù)(NDVI)對應(yīng)的區(qū)域為遙感影像中的非植被區(qū)域。

第二判斷識別單元42，用于判斷增強型水體指數(shù)是否大于水體閾值，以識別所述遙感影像中的水體區(qū)域或非水體區(qū)域。

其中，水體閾值(T2)可以是[-0.2,0]之間的任一數(shù)值，用于評估遙感影像中任一增強型水體指數(shù)(EWI)對應(yīng)的區(qū)域是水體區(qū)域還是非水體區(qū)域。具體地，判斷增強型水體指數(shù)(EWI)是否大于水體閾值(T2)；若是，則增強型水體指數(shù)(EWI)對應(yīng)的區(qū)域為遙感影像中的水體區(qū)域；若否，則增強型水體指數(shù)(EWI)對應(yīng)的區(qū)域為遙感影像中的非水體區(qū)域。

第三判斷識別單元43，用于判斷可見光波段中的紅光波段是否大于反射率閾值，以識別出遙感影像中的高反射率區(qū)域和低反射率區(qū)域。

由于大棚的可見光波段(尤其是紅光波段)的反射率遠高于河流、魚塘等水體特征的反射率，因此可利用可見光波段中的紅光波段識別出大棚與河流、魚塘等水體特征。

其中，反射率閾值(T3)可以為[0.1,0.2]之間的任一數(shù)據(jù)，用于評估遙感影像中可見光波段中的紅光波段(R)對應(yīng)的區(qū)域是大棚還是河流、魚塘等其他水體特征，若干用戶評估可見光波段中的紅光波段對應(yīng)的區(qū)域是高亮地物或其他地物。具體地，判斷可見光波段中的紅光波段(R)是否大于反射率閾值(T3)；若是，則可見光波段中的紅光波段(R)對應(yīng)的區(qū)域為高反射率區(qū)域；若否，則可見光波段中的紅光波段(R)對應(yīng)的區(qū)域為低反饋率區(qū)域。

大概識別處理單元44，用于將同時為非植被區(qū)域、水體區(qū)域和高反射區(qū)域的區(qū)域為遙感影像中的大棚區(qū)域。

即將同時滿足遙感影像中植被指數(shù)(NDVI)小于植被閾值(T1)，增強型水體指數(shù)(EWI)大于水體閾值(T2)且可見光波段中的紅光波段(R)大于反射率閾值(T3)這三個條件的區(qū)域作為遙感影像中的大棚區(qū)域?？梢岳斫獾?，三個條件判斷的先后順序可自由組合。

該大棚識別裝置還用于執(zhí)行如圖2所示的步驟：先接收用戶輸入的遙感影像，并獲取遙感影像數(shù)據(jù)后。再判斷紅外波段(R)是否等于0；若為0，則為背景區(qū)域；若不等于0，則為非背景區(qū)域。對于非背景區(qū)域，再判斷植被指數(shù)(NDVI)是否大于植被閾值(T1)；若大于植被閾值(T1)，則為植被區(qū)域；若不大于植被閾值(T1)，則為非植被區(qū)域。對于非植被區(qū)域，再判斷增強型水體指數(shù)(EWI)是否大于水體閾值(T2)；若大于水體閾值(T2)，則為非植被-水體區(qū)域；若不大于水體區(qū)域(T2)，則為非植被-非水體區(qū)域。對于非植被-水體區(qū)域，則再判斷紅外波段(R)是否大于反射率閾值(T3)；若大于反射率閾值(T3)，則為大棚區(qū)域；則是為非大區(qū)區(qū)域，即非植被-水體-低反射率區(qū)域。對于非植被-非水體區(qū)域，再判斷紅外波段(R)是否大于反射率閾值(T3)；若大于反射率閾值(T3)，則為裸地區(qū)域，即非植被-非水體-高反射率區(qū)域；若不大于反射率閾值(T3)，則為高亮人工地物，即非植被-非水體-低反射率區(qū)域。

本實施例中所提供的大棚識別裝置，可采用實施例1中圖3和圖4的示意圖，以顯示該大棚識別裝置進行大棚識別的效果。如圖3中，a為用戶輸入的遙感影像，b為增強型水體指數(shù)對應(yīng)的影像。本實施例中，采用Landsat5遙感影像，如圖5所示，a1為2005年landsat5遙感影像，相應(yīng)地，b1為2005年大棚提取示意圖；a2為2009年landsat5遙感影像，相應(yīng)地，b2為2009年大棚提取示意圖；a3為2015年landsat5遙感影像，相應(yīng)地，b3為2015年大棚提取示意圖。如圖3和圖4所示，該大棚識別裝置，識別大棚的效率高且精度大。

本實施例所提供的大棚識別裝置中，獲取遙感影像對應(yīng)的遙感影像數(shù)據(jù)，再對遙感影像數(shù)據(jù)進行處理，分別獲取植被指數(shù)和增強型水體指數(shù)；再將遙感影像數(shù)據(jù)中的可見光波段和植被指數(shù)和增強型水體指數(shù)作為識別特征，基于分類決策樹識別出遙感影像中的大棚區(qū)域。而且，將可見光波段和植被指數(shù)和增強型水體指數(shù)作為識別特征作為識別特征，識別出遙感影像中的大棚區(qū)域，其識別過程簡單方便，運算效率高且易于實現(xiàn)；并且，所需參數(shù)較少，無需進行大量參數(shù)設(shè)置，魯棒性高；而且，識別結(jié)果可靠，可用于大面積大棚識別，有利提高大棚識別效率和成本。

本發(fā)明是通過幾個具體實施例進行說明的，本領(lǐng)域技術(shù)人員應(yīng)當明白，在不脫離本發(fā)明范圍的情況下，還可以對本發(fā)明進行各種變換和等同替代。另外，針對特定情形或具體情況，可以對本發(fā)明做各種修改，而不脫離本發(fā)明的范圍。因此，本發(fā)明不局限于所公開的具體實施例，而應(yīng)當包括落入本發(fā)明權(quán)利要求范圍內(nèi)的全部實施方式。