CN114926751A - 基于数据挖掘的农田道路提取阈值的选取方法及装置 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的农田道路提取阈值的选取方法，所述选取方法包括：通过图像采集设备采集农田信息，得到农田信息影像；对所述农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据；汇总所述逐段农田地物分布数据，获取农田道路分布概率和像素值范围；根据所述农田道路分布概率和像素值范围进行优化处理，选取农田道路提取的阈值。所述方法对影像进行处理后分段分割，逐段进行数据挖掘后通过全局汇总集中分析处理，得到农田道路像素值的分布范围及分布概率，并根据农田道路分布范围和分布概率优化选取提取阈值，能够提高农田道路提取的精准度，满足规模化的农田道路快速自动检测要求。

Description

基于数据挖掘的农田道路提取阈值的选取方法及装置

技术领域

本发明主要涉及土地监测技术领域，具体涉及一种基于数据挖掘的农田道路提取阈值的选取方法及装置。

背景技术

现代化农田建设需要采用信息化手段进行监测，根据农田信息进行高效的建设管理，而农田道路信息是农田建设项目中的重要指标之一，在农田地物信息中精确提取农田道路信息是实现规模化的农田道路快速自动检测的重要指标。

目前的农田道路信息提取主要通过传统图像处理方法进行信息提取，需要设定提取阈值进行农田道路的提取，但是阈值设定通常是根据操作人员的习惯和经验进行设定，存在较大的误差性，导致农田道路提取结果精确性低，适用性一般，并不能满足规模化的农田道路快速自动检测要求。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于数据挖掘的农田道路提取阈值的选取方法及装置，所述方法对影像进行处理后分段分割，逐段进行数据挖掘后通过全局汇总集中分析处理，得到农田道路像素值的分布范围及分布概率，并根据农田道路分布范围和分布概率优化选取提取阈值，能够提高农田道路提取的精准度，满足规模化的农田道路快速自动检测要求。

本发明提供了一种基于数据挖掘的农田道路阈值的选取方法，所述选取方法包括：

通过图像采集设备采集农田信息，得到农田信息影像；

对所述农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据；

汇总所述逐段农田地物分布数据，获取农田道路分布概率和像素值范围；

根据所述农田道路分布概率和像素值范围进行优化处理，选取农田道路提取阈值。

进一步的，所述通过图像采集设备采集农田信息，得到农田信息影像，包括：

通过无人机进行拍摄采集农田信息，得到所述农田信息影像。

进一步的，所述对预处理后的农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据，包括：

对所述农田信息影像进行预处理，得到预处理后的农田信息影像；

对所述预处理后的农田信息影像进行分段，获取若干段像素值域；

对所述若干段像素值域进行逐段挖掘，获得逐段农田地物分布数据。

进一步的，所述对农田信息影像进行预处理，得到预处理后的农田信息影像，包括：

使用图像处理软件对所述农田信息影像进行灰度处理，得到预处理后的农田信息影像。

进一步的，对所述预处理后的农田信息影像进行分段，获取若干段像素值域，包括：

将所述预处理后的农田信息影像的像素集，按照设定步长进行分段，获得若干个等步长的像素值域。

进一步的，所述对若干段像素值域进行逐段挖掘，获得逐段农田地物分布数据，还包括：

依次在每段像素值域中输入每一点像素的灰度值，得到每段像素值域的地物分布情况，从而获得逐段农田地物分布数据。

进一步的，所述汇总所述逐段农田地物分布数据，获取农田道路分布概率和像素值范围，包括：

将所述逐段农田地物分布数据汇总分析农田地物的像素值范围和分布概率，从而提取农田道路的像素值范围和分布概率。

进一步的，所述优化处理包括边界清晰的道路提取阈值优化；

在所述农田道路分布与其它地物分布范围边界清晰时，选取边界像素值作为所述农田道路提取阈值。

进一步的，所述优化处理包括边界交错的道路提取阈值优化；

在所述农田道路分布与其它地物分布范围边界交错时，根据所述农田道路分布概率，在农田道路分布概率高的像素值域范围内选取所述农田道路提取阈值。

本发明还提供了一种基于数据挖掘的农田道路提取阈值的选取装置，所述选取装置包括：

信息采集模块：通过图像采集设备采集农田信息，得到农田信息影像；

逐段挖掘模块：对所述农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据；

汇总分析模块：汇总所述逐段农田地物分布数据，获取农田道路分布概率；

优化处理模块：根据所述农田道路分布概率进行优化处理，选取农田道路提取阈值。

本发明提供了一种基于数据挖掘的农田道路提取阈值的选取方法及装置，所述方法对影像进行灰度处理，提取影像的像素集后分段分割，逐段进行数据挖掘，获取逐段农田地物分布数据，通过将所述逐段农田地物分布数据汇总集中分析，得到农田道路像素值的分布范围及分布概率，并根据农田道路分布范围和分布概率优化选取提取阈值，能够提高农田道路提取的精准度，满足规模化的农田道路快速自动检测要求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中基于数据挖掘的农田道路提取阈值的选取方法流程图；

图2是本发明实施例中农田道路信息逐段挖掘方法流程图；

图3是本发明实施例中基于数据挖掘的农田道路提取阈值的选取装置流程图；

图4是本发明实施例中像素值范围为110到120的农田地物分布数据示意图；

图5是本发明实施例中阈值为140的提取结果示意图；

图6是本发明实施例中阈值为110的提取结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

实施例一：

图1示出了本发明实施例中基于数据挖掘的农田道路提取阈值的选取方法流程图，所述基于数据挖掘的农田道路提取阈值的选取方法包括：

S11：通过图像采集设备采集农田信息，得到农田信息影像；

具体的，所述通过图像采集设备采集农田信息，得到农田信息影像，包括：

通过无人机进行拍摄采集农田信息，得到所述农田信息影像。无人机技术是利用无线电遥控设备和自备的程序控制装置操纵不载人飞机，或者由车载计算机完全地或间歇地自主地操作，能够适应多种场景执行飞行任务。通过在无人机上搭载拍摄设备，使用无人机在农田上空进行拍摄，可以提高农田项目的监测效率。

S12：对所述农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据；

具体的，所述农田地物分布数据为农田地物像素值的分布数据，即反映了所述农田信息影像在不同的像素值域范围内，农田地物像素值的分布情况。

具体的，图2示出了本发明实施例中农田道路信息逐段挖掘方法流程图，所述方法包括：

S21：对所述农田信息影像进行预处理，得到预处理后的农田信息影像；

具体的，使用图像处理软件对所述农田信息影像进行灰度处理，得到预处理后的农田信息影像。

进一步的，在跨平台计算机视觉和机器学习软件库(Opencv)中选取合适的图像处理软件进行对所述农田信息影像的灰度处理，便于后续的分析处理。

S22：对所述预处理后的农田信息影像进行分段，获取若干段像素值域。

具体的，对所述预处理后的农田信息影像进行分段，获取若干段像素值域，包括：

将所述预处理后的农田信息影像的像素集，按照设定步长进行分段，获得若干个等步长的像素值域；

S23：对所述若干段像素值域进行逐段挖掘，获得逐段农田道路分布数据；

具体的，依次在每段像素值域中输入每一点像素的灰度值，得到每段像素值域的地物分布情况，从而获得逐段农田道路分布数据。

进一步的，依次在每段像素值域中输入每一点像素的灰度值，判断所述像素点是否在该分段像素值域中，若所述像素点分布在该分段像素值域中，则用黑点显示所述像素点，若否，保持所述像素点原来的颜色。通过逐段挖掘后显示结果影像，从而获取黑点分布代表的地物，提取分析结果影像中的农田道路信息，得到逐段农田地物分布数据。

S13：汇总所述逐段农田地物分布数据，获取农田道路分布概率。

具体的，汇总所述逐段农田地物分布数据，将农田地物在逐段农田道路数据中的概率进行比较分析，从而获得每种农田地物的像素值范围和分布概率，提取农田道路的像素值范围和分布概率。

S14：根据所述农田道路分布概率进行优化处理，选取农田道路提取阈值。

具体的，所述优化处理包括边界清晰的道路提取阈值优化；

在所述农田道路分布与其它地物分布区边界清晰时，选取边界像素值作为所述农田道路提取阈值。

进一步的，所述优化处理包括边界交错的道路提取阈值优化；

在所述农田道路分布与其它地物分布边界交错时，根据所述农田道路分布概率，在农田道路分布概率高的像素值域范围内选取所述农田道路提取阈值。

本发明实施例提供了一种基于数据挖掘的农田道路提取阈值的选取方法，所述方法通过将采集的农田信息影像进行灰度化处理，通过将处理后的影像进行分割分段，进行逐段数据挖掘，得到逐段农田道路信息数据，再集中汇总得到农田道路分布概率和像素范围，通过农田道路分布概率和像素范围进行阈值的提取，提高阈值提取的准确性，实现农田道路的快速自动化检测。

实施例二：

图3示出了本发明实施例中基于数据挖掘的农田道路提取阈值的选取装置结构示意图。所述装置包括：

信息采集模块1：通过图像采集设备采集农田信息，得到农田信息影像。

具体的，使用无人机拍摄提取目标地块的农田信息，获取所述农田信息影像，可以提高信息提取效率。

逐段挖掘模块2：对所述农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田道路数据。

具体的，使用图像处理软件，将所述农田信息影像进行灰度化处理，提取所述农田信息影像的一种像素作为像素集，得到灰度化图像，将所述灰度化图像的像素集按照预设的步长进行划分，划分为若干个等步长的像素值域，对所述若干个等步长的像素值域进行数据挖掘。

具体的，取所述像素值域，将所述灰度化图像中的像素点灰度值输入到所述像素值域中，判断所述像素点是否在所述像素值域中，若是，则将所述像素点采用黑色显示，若否，则保留所述像素点原来的色彩，在所述像素值域中以影像的形式显示，分布在所述像素值域的像素点会以黑色点的形式显示，根据黑色点的分布可以分析得到相对应地物在所述像素值域中的分布情况，从而得到所述像素值域中农田道路数据。

进一步的，依次对所述若干个像素值域进行数据挖掘，得到逐段农田道路数据。

汇总分析模块3：汇总所述逐段农田道路数据，获取农田道路分布概率。

具体的，汇总分析所述逐段农田道路数据，整理得出农田地物灰度值的分布范围和分布概率，从中提取农田道路数据的灰度值分布范围和分布概率。

优化处理模块4：根据所述农田道路分布概率进行优化处理，选取农田道路提取阈值。

具体的，根据所述农田道路数据的灰度值分布范围和分布概率，优化选取农田道路提取阈值。

进一步的，根据农田道路的灰度值分布范围与其它地物的灰度值分布范围具有清晰的边界，则选取边界灰度值作为农田道路提取阈值。

进一步的，农田道路的灰度值分布范围和其它地物的灰度值分布范围交错时，根据农田道路的分布概率以及其它地物的分布概率情况分析，选取农田道路分布概率高而其它地物分布概率低的灰度值作为农田道路提取阈值。

实施例三：

在本发明实施例中，对广东省广州市增城华南农业大学宁西基地进行农田道路提取阈值的选取，在晴朗的天气环境下，使用无人机进行农田信息采集，获取农田信息影像。

具体的，使用python通用软件进行对所述农田信息影像进行灰度处理，提取影像像素的灰度值，得到灰度化图像。

进一步的，所述灰度处理将所述农田信息影像中的三色像素RGB，即红色像素、绿色像素和蓝色像素均值化，形成灰度影像，提取三色像素中的其中一种像素可以实现灰度化，如提取蓝色像素，将红色像素和绿色像素转化为蓝色像素，得到灰度化图像。

进一步的，提取RGB影像中的B影像的灰度值进行分析，也可以提取RGB影像中的R影像或者G影像进行分析处理。

具体的，对所述灰度化图像的像素值域进行等值分割，设每一段的步长为10，可以将所述灰度化图像的像素值域划分为26段，因为绿植的像素值范围明显，其像素值小于90，将绿植的像素值范围剔除，可以减少分析计算量，提高分析效率。即对90到220的像素值范围以步长为10进行等值分割，划分为16段等步长像素值域。

具体的，图4示出了本发明实施例中像素值范围为110到120的农田道路数据示意图。通过逐段挖掘的方式将所述农田信息影像的地物信息转化为黑色，并通过影像显示。

进一步的，所述逐段挖掘的方式指将所述灰度化图像的每一点像素的灰度值输入到所述像素值域中，判断该像素点的灰度值是否在所述像素值域中，若是，在所述像素值域中用黑色点显示该像素点，若否，保留该像素点的原来色彩。

具体的，如图4所示，在像素值范围为110到120的区间内，黑点出现在左上角小路、右边田块和左边田块中，表示左上角小路、左边绿植薄层以及右边田块裸土的像素灰度值范围在110到120范围内，记录所述农田地物的像素值范围。

具体的，依次对所述16段像素值域进行数据挖掘，得到逐段农田地物分布数据。

进一步的，对所述16段等步长像素值域进行逐段数据挖掘分析，得到逐段农田道路信息并将所述信息汇总分析，得到表1。在表1中汇总了农田几种地物的分布情况，包括农田小路、左上角小路、右上角小路、裸土和绿植薄层，采用“x”表示地物在该像素值域内分布且分布概率较低的情况，“xx”表示地物在该像素值域内分布且分布概率较高的情况。

表1逐段农田道路数据分类汇总

具体的，将所述逐段农田道路数据进行汇总分析，得到农田地物的像素值范围，150<农田小路<220，90<左上角小路<130，140<右上角小路<180，100<裸土田块<150，绿作薄层<120。

结合所述表1中的信息，农田道路包括农田小路、左上角小路和右上角小路，农田道路和裸土田块之间交错分布，将阈值设定在110，会出现大面积裸土被误判为道路的情况，而将阈值设定为140，则可以排除大面积裸土的干扰，仅漏判左上角小路，基于农田道路在像素值为160到170范围内分布概率较高，将阈值设定在140可以提高检测的准确性。

具体的，图5示出本发明实施例中阈值为140的提取结果示意图，图6示出了本发明实施例中阈值为110的提取结果示意图，通过结合对比图5和图6可以得出，采用像素灰度值140作为提取阈值，仅将左上角小路漏判，能够高度准确识别农田小路和右上角小路，而采用像素灰度值110作为提取阈值，将大面积的裸土识别为农田道路，影响农田道路提取结果，提取的准确性低。

进一步的，通过逐段数据挖掘和全局汇总分析，可以得到农田道路的像素值范围和分布概率，根据所述像素值范围和分布概率确定农田道路提取阈值的选取，可以提高农田道路提取的准确性。

具体的，将本发明实施例中的农田道路提取阈值优化选取方法与传统的阈值选取方法进行对比，整理得到表2，由表2可以得出农田道路提取阈值优化选取方法能够提高提取的精准性，同时适用性好，能够满足快速自动化检测的需求。

表2农田道路提取阈值优化选取方法与传统的阈值选取方法的比较

具体的，通过所述基于数据挖掘的农田道路提取阈值的选取方法进行农田道路提取阈值的选取，能够保证所述阈值选取的精准程度，同时能够适用于同批次的农田道路提取，有效提高农田道路提取的效率和准确性，满足农田道路提取的快速自动检测需求。

本发明实施例提供了一种基于数据挖掘的农田道路提取阈值的选取方法，通过逐段数据挖掘结合全局汇总分析，得到农田地物像素值的分布范围和分布概率，根据所述分布范围和分布概率进行农田道路提取阈值的优化选取，能够提高阈值的精准程度，提高农田道路提取的效率和准确性，满足农田道路提取自动快速检测的需求。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于数据挖掘的农田道路提取阈值的选取方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于数据挖掘的农田道路提取阈值的选取方法，其特征在于，选取方法包括：

通过图像采集设备采集农田信息，得到农田信息影像；

对所述农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据；

汇总所述逐段农田地物分布数据，获取农田道路分布概率和像素值范围；

根据所述农田道路分布概率和像素值范围进行优化处理，选取农田道路提取阈值。

2.如权利要求1所述的农田道路提取阈值的选取方法，其特征在于，所述通过图像采集设备采集农田信息，得到农田信息影像，包括：

通过无人机进行拍摄采集农田信息，得到所述农田信息影像。

3.如权利要求1所述的农田道路提取阈值的选取方法，其特征在于，所述对预处理后的农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据，包括：

对所述农田信息影像进行预处理，得到预处理后的农田信息影像；

对所述预处理后的农田信息影像进行分段，获取若干段像素值域；

对所述若干段像素值域进行逐段挖掘，获得逐段农田地物分布数据。

4.如权利要求3所述的农田道路提取阈值的选取方法，其特征在于，所述对农田信息影像进行预处理，得到预处理后的农田信息影像，包括：

使用图像处理软件对所述农田信息影像进行灰度处理，得到预处理后的农田信息影像。

5.如权利要求3所述的农田道路提取阈值的选取方法，其特征在于，对所述预处理后的农田信息影像进行分段，获取若干段像素值域，包括：

将所述预处理后的农田信息影像的像素集，按照设定步长进行分段，获得若干个等步长的像素值域。

6.如权利要求5所述的农田道路提取阈值的选取方法，其特征在于，所述对若干段像素值域进行逐段挖掘，获得逐段农田地物分布数据，还包括：

依次在每段像素值域中输入每一点像素的灰度值，得到每段像素值域的地物分布情况，从而获得逐段农田地物分布数据。

7.如权利要求1所述的农田道路提取阈值的选取方法，其特征在于，所述汇总所述逐段农田地物分布数据，获取农田道路分布概率和像素值范围，包括：

将所述逐段农田地物分布数据汇总分析农田地物的像素值范围和分布概率，从而提取农田道路的像素值范围和分布概率。

8.如权利要求1所述的农田道路提取阈值的选取方法，其特征在于，所述优化处理包括边界清晰的道路提取阈值优化；

在所述农田道路分布与其它地物分布范围边界清晰时，选取边界像素值作为所述农田道路提取阈值。

9.如权利要求1所述的农田道路提取阈值的选取方法，其特征在于，所述优化处理包括边界交错的道路提取阈值优化；

在所述农田道路分布与其它地物分布范围边界交错时，根据所述农田道路分布概率，在农田道路分布概率高的像素值域范围内选取所述农田道路提取阈值。

10.一种基于数据挖掘的农田道路提取阈值的选取装置，其特征在于，所述选取装置包括：

信息采集模块：通过图像采集设备采集农田信息，得到农田信息影像；

逐段挖掘模块：对所述农田信息影像的像素值域进行分割分段，通过逐段挖掘获取逐段农田地物分布数据；

汇总分析模块：汇总所述逐段农田地物分布数据，获取农田道路分布概率；

优化处理模块：根据所述农田道路分布概率进行优化处理，选取农田道路提取阈值。

Images