耕地地块提取方法及系统

1.本发明涉及遥感图像处理技术领域，特别是涉及耕地地块提取方法及系统。


背景技术：

2.本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
3.与传统的野外调查相比，遥感方法可以大大降低成本并提高效率，为大面积映射农业资源提供了可能。众所周知，使用基于对象的作物分类方法比基于像元的方法产生更好的结果。一、基于对象的分类方法减少了像素值的类内方差。二，大量的特征(光谱信息、空间信息，即对象的形状、对象相对于邻域的信息)可以被导出从而表征对象，潜在地改进分类补充信息增加导致的准确性下降问题。然而，基于对象的方法固有的过度分割或分割不足等问题需要解决。
4.在最近的文献中，已经探索出来许多圈定农田范围的遥感方法。这些方法大多可以分为两类：基于边缘的和基于区域的方法。基于边缘的方法侧重于使用各种空间过滤器，如scharr，sobel和canny算子。相反，基于区域的方法则是将相邻像素分组，根据预设的标准进入物体。然而，这些方法伴随着许多问题。对于基于边缘的算法，高频的过度敏感噪声通常会产生伪边缘，而任意参数化可能提取出不完整的边界。对于基于区域的算法，寻找最佳分割参数是一个反复验证的过程。例如，在参数化较差的情况下，分割结果可能会导致内部可变性较高的字段过度分割，而相邻小字段分割不足。与基于边缘的算法相关的任意参数化以及基于区域的算法导致的过分割和欠分割现象在一定程度上限制了这两种算法的成功实现。


技术实现要素：

5.为了解决现有技术的不足，本发明提供了耕地地块提取方法及系统；以解决现有耕地地块边缘提取存在的问题，提供有益的选择条件。
6.第一方面，本发明提供了耕地地块提取方法；
7.耕地地块提取方法，包括：
8.获取待处理的遥感图像；
9.生成待处理遥感图像的灰度图像，并对灰度图像进行边缘检测，得到边缘检测图像；
10.对边缘检测图像进行多时相边缘层聚合，得到聚合边缘图像；
11.对聚合边缘图像进行图像分割，得到分割图像；
12.对分割图像进行特征提取，将提取特征输入到分类器中进行分类，得到耕地图像。
13.第二方面，本发明提供了耕地地块提取系统；
14.耕地地块提取系统，包括：
15.获取模块，其被配置为：获取待处理的遥感图像；
16.边缘检测模块，其被配置为：生成待处理遥感图像的灰度图像，并对灰度图像进行
边缘检测，得到边缘检测图像；
17.边缘层聚合模块，其被配置为：对边缘检测图像进行多时相边缘层聚合，得到聚合边缘图像；
18.图像分割模块，其被配置为：对聚合边缘图像进行图像分割，得到分割图像；
19.耕地图像提取模块，其被配置为：对分割图像进行特征提取，将提取特征输入到分类器中进行分类，得到耕地图像。
20.第三方面，本发明还提供了一种电子设备，包括：
21.存储器，用于非暂时性存储计算机可读指令；以及
22.处理器，用于运行所述计算机可读指令，
23.其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
24.第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
25.第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
26.与现有技术相比，本发明的有益效果是：
27.本发明利用canny算子生成代表空间梯度的灰度图像，用于检测图像中的边缘；使用基于区域的分水岭算法利用局部阈值分割算法找到划分局部区域的高梯度幅度，向外扩展到其他对象边界完成图像分割；将归一化植被指数(ndvi)的四个特征用作分类回归树(cart)算法的输入，以生成用于区分耕种和未耕种的决策树。采用上述方案，可以高效采集农作物信息，确定农田的范围和位置，实现多时相遥感图像耕地地块边缘的自动化采集。面对气候变化和城市扩张等问题，及时做出有效的应对性方案。该方法相比其他边缘提取算法精确度更高，可构建准确的农业检测系统来实施精准农业与作物估产，维持粮食安全。
28.使用封闭的场边界，允许每块田地计算农业统计数据，为农业检测系统的实现提供便利；减少了场内异质性(椒盐效应)，提高了该流程的可移植性，能够应用于不同的农业景观；算法能够尽可能多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽可能小；运算简单、性能优良，能够较好地提取运动对象轮廓、准确得到运动物体边缘；通过实施规则集技术排除非耕地，规避了监督分类的训练数据要求，减少人力、耗费时间短、节省成本，可以大规模应用。
附图说明
29.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
30.图1为实施例一的方法流程图。
具体实施方式
31.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根
据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
33.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
34.本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
35.为了解决基于边缘算法产生的伪边缘问题，以及克服基于区域算法在寻找最优参数方面的困难，已经提出了许多解决方案。例如，阈值的后处理和局部调整，使用机器学习方法合并相邻对象，组合基于边缘和基于区域的方法以形成混合方法，以及采用三步混合方法分割图像。目前，耕地边界训练集的构建均运用人工矢量化的方法，迫切需要一种耗费最少人力、通用有效的方法。因此，本发明开发了一种结合canny算子和分水岭算法的耕地地块提取方法，以解决矢量化方法费时费力的问题。
36.实施例一
37.本实施例提供了耕地地块提取方法；
38.如图1所示，耕地地块提取方法，包括：
39.s101：获取待处理的遥感图像；
40.s102：生成待处理遥感图像的灰度图像，并对灰度图像进行边缘检测，得到边缘检测图像；
41.s103：对边缘检测图像进行多时相边缘层聚合，得到聚合边缘图像；
42.s104：对聚合边缘图像进行图像分割，得到分割图像；
43.s105：对分割图像进行特征提取，将提取特征输入到分类器中进行分类，得到耕地图像。
44.进一步地，所述方法还包括：
45.s106：对耕地图像进行噪声消除，得到消除噪声的耕地图像；
46.s107：对消除噪声的耕地图像进行图像边缘精度评价，对边缘不符合要求的耕地图像重新提取耕地区域。
47.进一步地，所述s102：生成待处理遥感图像的灰度图像，并对灰度图像进行边缘检测，得到边缘检测图像；具体包括：
48.基于canny算法生成代表空间梯度的灰度图像，并对灰度图像进行边缘检测，得到边缘检测图像。
49.进一步地，所述s102：基于canny算法生成代表空间梯度的灰度图像，并对灰度图像进行边缘检测，得到边缘检测图像；详细过程包括：
50.s1021：获取待处理的遥感图像的不同波段的图像；
51.其中，所述不同波段，包括：蓝色波段、绿色波段、红色波段、第一波长红边波段、第二波长红边波段、第三波长红边波段、近红外波段、第一波长短波红外波段和第二波长短波红外波段；
52.利用高斯滤波器对不同波段的图像进行平滑处理；
53.s1022：对平滑处理后的图像，进行梯度计算，得到每个像素点的梯度方向和梯度幅值；
54.s1023：采用非最大抑制方式，消除边界检测错误现象；
55.s1024：采用双阈值的方式，消除边界噪声；
56.s1025：采用滞后阈值，对边界进行跟踪，得到边缘检测图像。
57.示例性地，所述s1021：获取待处理的遥感图像的不同波段的图像；具体包括：
58.使用哨兵2号图像的九个波段作为边缘检测的输入，每幅训练图像有9幅边缘图像，九个波段分别为蓝色波段，绿色波段，红色波段，红边波段(3种波长)，近红外波段，短波红外波段(2种波长)。
59.具体采用波段特征如表1所示：
60.表1研究中使用的sentinel-2多光谱图像的特征
[0061][0062]
使用高斯滤波器进行初始图像平滑，目的是去除噪声。使用窗口大小为11
×
11的高斯滤波器，对原始数据与高斯掩膜作卷积，得到的图像与原始图像相比有些轻微的模糊，单独的像素噪声在经过高斯平滑的图像上变得几乎没有影响。
[0063]
高斯滤波器的大小：第一步所有的平滑滤波器将会直接影响canny算法的结果。较小的滤波器产生的模糊效果也较少，这样就可以检测较小、变化明显的细线。较大的滤波器产生的模糊效果也较多，将较大的一块图像区域涂成一个特定点的颜色值。这样带来的结果就是对于检测较大、平滑的边缘更加有用，例如彩虹的边缘。
[0064]
在具体实施中，高斯滤波的具体操作是：用一个指定的模板(或称卷积、掩膜)去扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
[0065]
一维高斯分布：
[0066][0067]
二维高斯分布：
[0068][0069]
示例性地，所述s1022：对平滑处理后的图像，进行梯度计算，得到每个像素点的梯度方向和梯度幅值；具体包括：
[0070]
首先，分别求得沿水平(x)和垂直(y)方向的梯度g
x
和gy。
[0071][0072]
之后，求得每一个像素点的梯度幅值。
[0073]
为了计算简便，也会使用g
x
和gy的无穷大范数来代替二范数。把平滑后的图像中的每一个点用g代替。在变化剧烈的边界处，将获得较大的梯度度量值g。
[0074][0075]
获得的边界通常非常粗，难以标定边界的真正位置。为了达到这一点，还必须存储梯度方向，在这一步本发明会存数两块数据，一是梯度的强度信息，另一个是梯度的方向信息。
[0076]
canny算法的基本思想是找寻一幅图像中灰度强度变化最强的位置。所谓变化最强，即指梯度方向。
[0077]
平滑后的图像中每个像素点的梯度可以由sobel算子来获得。
[0078]
在具体实施中，sobel算子借助(opencv(基于apache2.0许可发行的开源跨平台计算机视觉和机器学习软件库)运行实现。opencv中有封装好的函数，可以求图像中每个像素点的n阶导数。
[0079]
在具体实施中，图像梯度，即边缘灰度变换的范围。梯度即是一个矢量，表示某一函数在该点处的方向导数沿着该方向取得的最大值，即函数在该点处沿着梯度方向变化最快，变化率最大。对于图像来说，把图像当作函数f(x,y)，用微分去表示图像的变化率。
[0080]
二维函数求编导公式为：
[0081][0082]
在具体实施中，canny算法使用了变分法来找到一个最优的边缘，这是一种寻找优化特定功能的函数的方法。最优检测使用四个指数函数项表示，但是它非常近似于高斯函数的一阶导数。变分法的关键定理是欧拉－拉格朗日方程。它对应于泛函的临界点。在寻找函数的极大和极小值时，在一个解附近的微小变化的分析给出一阶的一个近似。
[0083]
欧拉－拉格朗日方程：
[0084][0085]
示例性地，s1023：采用非最大抑制方式，消除边界检测错误现象；具体包括：
[0086]
在python中使用scilkit图像库实现；对于每个像素点，进行如下操作：
[0087]
a)将每个像素点梯度方向近似为上下左右和45度方向中的任意一个值；
[0088]
b)比较当前像素点，和其梯度方向正负方向的像素点的梯度强度；
[0089]
c)如果当前像素点梯度强度最大，则保留，否则抑制(删除，置为0)。
[0090]
边界处的梯度方向总是指向垂直于边界的方向，最后会保留一条边界处最亮的一条细线。
[0091]
采用非最大抑制方式，消除边界检测错误现象；这一步的目的是将模糊的边界变得清晰。通俗的讲，就是保留了每个像素点上梯度强度的极大值，而删掉其他的值。
[0092]
示例性地，s1024：采用双阈值的方式，消除边界噪声；具体包括：
[0093]
设定一个阈值上界和阈值下界，图像中的像素点如果大于阈值上界则认为必然是边界(称为强边界)，小于阈值下界则认为必然不是边界，两者之间的则认为是候选项(称为弱边界)，需进行进一步处理。
[0094]
双阈值：使用两个阈值比使用一个阈值更加灵活，但是还是存在阈值的共性问题。设置的阈值过高，可能会漏掉重要信息；阈值过低，将会把枝节信息看得很重要。很难给出一个适用于所有图像的通用阈值。
[0095]
示例性地，s1025：采用滞后阈值，对边界进行跟踪，得到边缘检测图像；具体包括：
[0096]
滞后阈值需要两个阈值，即高阈值与低阈值。假设图像中的重要边缘都是连续的曲线，这样就可以跟踪给定曲线中模糊的部分，并且避免将没有组成曲线的噪声像素当成边缘。
[0097]
较高的亮度梯度比较有可能是边缘，但是没有一个确切的值来限定多大的亮度梯度是边缘多大又不是，所以canny使用了滞后阈值。
[0098]
本发明从一个较大的阈值开始，这将标识出本发明比较确信的真实边缘，使用前面导出的方向信息，本发明从这些真正的边缘开始在图像中跟踪整个的边缘。在跟踪的时候，本发明使用一个较小的阈值，这样就可以跟踪曲线的模糊部分直到本发明回到起点。这个过程完成后，本发明就得到了一个二值图像，每点表示是否是一个边缘点。
[0099]
canny的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：
[0100]
(1)最优检测：算法能够尽可能多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽可能小；
[0101]
(2)最优定位准则：检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小；
[0102]
(3)检测点与边缘点一一对应：算子检测的边缘点与实际边缘点应该是一一对应。
[0103]
进一步地，所述s103：对边缘检测图像进行多时相边缘层聚合，得到聚合边缘图像；具体包括：
[0104]
采用等权相加的方式，对边缘检测图像进行多时相边缘层聚合，得到聚合边缘图像。
[0105]
进一步地，所述采用等权相加的方式，对边缘检测图像进行多时相边缘层聚合，得到聚合边缘图像；具体包括：
[0106]
s1031：使用每个像元的均值来聚合多时相的边缘层，从而得到每个研究区域的单一复合图像；
[0107]
s1032：采用z-score算法，对复合图像进行线性拉伸(范围从0到1)，用于标准化复
合边缘层，有助于自动化选择分水岭算法的参数。
[0108]
z-score算法，也叫标准分数，是一个数与平均数的差再除以标准差的过程。在统计学中，标准分数是一个观测或数据点的值高于被观测值或测量值的平均值的标准偏差的符号数。
[0109]
标准化的转化公式为：
[0110][0111]
其中，x为原始数据；为平均数；s为标准差。
[0112]
进一步地，所述s104：对聚合边缘图像进行图像分割，得到分割图像；具体包括：
[0113]
采用分水岭算法，利用局部阈值分割的方式对聚合边缘图像进行图像分割，得到分割图像。
[0114]
分水岭的概念是以三维方式来形象化一幅图像为基础的：将图像的灰度空间表示为地球表面的整个地理结构，每个像素的灰度值代表高度。其中的灰度值较大的像素连成的线即为山脊，也就是分水岭。其中的水平面就是线性拉伸后的灰度阈值，比水平面低的区域会被淹没。
[0115]
当水平面上升到一定高度时，水就会溢出当前山谷。可以通过在分水岭上修大坝，从而避免两个山谷的水汇集，这样图像就被分成2个像素集，一个是被水淹没的山谷像素集，一个是分水岭线像素集。最终这些大坝形成的线就对整个图像进行了分区，实现对图像的分割。
[0116]
在这种“地形学”解释中，考虑三种类型的点：
[0117]
(a)局部最小值点，该点对应一个盆地的最低点，当本发明在盆地里滴一滴水的时候，由于重力作用，水最终会汇聚到该点。注意：可能存在一个最小值面，该平面内的都是最小值点。
[0118]
(b)盆地的其它位置点，该位置滴的水滴会汇聚到局部最小点。
[0119]
(c)盆地的边缘点，是该盆地和其它盆地交接点，在该点滴一滴水，会等概率的流向任何一个盆地。
[0120]
对于一个特定的区域最小值，满足条件(b)的点的集合称为该最小值的汇水盆地或分水岭。满足条件(c)的点形成地面的锋线，称为分割线或分水线。
[0121]
基于这些概念的分割算法的主要目标是找出分水线。使用局部最大值作为分离边界，使用局部最小值作为种子点。随着值的增加，对象向外扩展，直到到达另一个对象的边界，并且扩展停止。
[0122]
进一步地，所述采用分水岭算法，利用局部阈值分割的方式对聚合边缘图像进行图像分割，得到分割图像；具体包括：
[0123]
s1041：利用局部阈值分割算法，找到最合适的高度阈值，设定为测地距离阈值；
[0124]
s1042：找到聚合边缘图像灰度值最小的像素点(默认标记为灰度值最低点)为起始点，让阈值从最小值开始增长；
[0125]
s1043：水平面在增长的过程中，会触碰到周围的邻域像素。测量周围邻域像素到起始点(灰度值最低点)的测地距离，将小于测地距离阈值的邻域像素淹没，在大于测地距
离阈值的邻域像素上设置大坝，从而实现对邻域像素的分类。
[0126]
s1044：随着水平面越来越高，设置更多更高的大坝，直到大坝高度等于灰度值的最大值，所有区域都在分水岭线上相遇，所有大坝就对整个图像像素的进行了分区。
[0127]
在具体实施中，为了增强分水岭算法的稳健性，在一种开源的用于图像处理的python包scikit-image中应用局部阈值分割算法，以自动找到最合适的高度阈值，实现自动系统的开发。该高度阈值用于补偿分水岭算法固有的过度分割现象，并控制相邻对象何时可以合并(即，对象的最大像素值是否低于指定的高度阈值)。
[0128]
在具体实施中，为了获得高度阙值，本发明首先将高斯滤波器(使用11
×
11像素的移动窗口)应用于聚集边缘图像(基于canny算子获得)，然后导出。广义边缘图像通过计算每个像素的加权平均值作为中间移动窗口的像素值。最后，高度阈值是广义图像的标准偏差。此外，将这个阈值放入分水岭算法，产生一组边界重合的带有过渡光谱的边缘图像对象片段。
[0129]
在具体实施中，通过分水岭算法获得的图像对象使用提取的耕地进行掩膜，以获得农田边界结果。
[0130]
进一步地，所述s105：对分割图像进行特征提取，将提取特征输入到分类器中进行分类，得到耕地图像；具体包括：
[0131]
对分割图像提取归一化植被指数的若干个特征，将提取的所有特征作为分类回归树算法的输入值，得到分类结果标签；所述分类结果标签，包括：耕地图像和非耕地图像。
[0132]
进一步地，所述若干个特征，包括：归一化植被指数的最大值、最小值、范围值和标准偏差。
[0133]
在具体实施中，归一化植被指数是反映农作物长势和营养信息的重要参数之一。根据该参数,可以知道不同季节的农作物对氮的需求量,对合理施用氮肥具有重要的指导作用。归一化植被指数ndvi的计算公式为：
[0134][0135]
式中：ρ
nir
为近红外波段的反射值，ρ
red
为红光波段的反射值。
[0136]
进一步地，所述对分割图像提取归一化植被指数的若干个特征，将提取的所有特征作为分类回归树算法的输入值，得到分类结果标签；分类回归树算法的工作原理具体包括：
[0137]
分类回归树预测分类离散型数据，采用基尼指数选择最优特征，同时确定该最优特征的最优二值切分点。
[0138]
s1051：分类过程中，假设有k个类，样本点属于第k个类的概率为pk，则概率分布的基尼指数定义为：
[0139][0140]
s1052：根据基尼指数定义，得到样本集合d的基尼指数，其中ck表示数据集d中属于第k类的样本子集。
[0141][0142]
s1053：如果数据集d根据特征a在某一取值a上进行分割，得到d1,d2两部分后，那么在特征a下集合d的基尼系数为：
[0143][0144]
其中，基尼系数gini(d)表示集合d的不确定性，基尼系数gini(d,a)表示a＝a分割后集合d的不确定性。基尼指数越大，样本集合的不确定性越大；
[0145]
s1054：对于属性a，分别计算任意属性值将数据集划分为两部分之后的gain_gini，选取其中的最小值，作为属性a得到的最优二分方案；
[0146][0147]
然后对于训练集s，计算所有属性的最优二分方案，选取其中的最小值，作为样本及s的最优二分方案；
[0148][0149]
分类回归树算法采用二分递归分割的技术将当前样本集分为两个子样本集，使得生成的每个非叶子节点都有两个分支。非叶子节点的特征取值为true和false，左分支取值为true，右分支取值为false，因此分类回归树算法生成的决策树是结构简洁的二叉树。分类回归树算法可以处理连续型变量和离散型变量，利用训练数据递归的划分特征空间进行建树，用验证数据进行剪枝。
[0150]
对于分类回归树算法，如果待预测分类是离散型数据，则生成分类决策树。如果待预测分类是连续性数据，则生成回归决策树。在本研究中，采用分类回归树算法生成分类决策树。
[0151]
进一步地，所述s106：对耕地图像进行噪声消除，得到消除噪声的耕地图像；具体包括：
[0152]
对耕地图像，删除被耕地区域包围的非耕地物体，得到消除噪声的耕地图像。
[0153]
基于对象的方法在分割过程中，有噪声的图像会导致小物体的形成。因此使用表2所示规则集来识别和丢弃完全被耕地包围的小物体，以消除这些异常。
[0154]
表2列出了每个研究区使用的规则。区域间的共性是使用归一化植被指数的最大值、标准偏差和最小值。在最后的提取结果中，不符合规则的图像对象在进一步处理时被排除。
[0155]
表2每个研究领域的规则集
[0156][0157]
进一步地，所述s107：对消除噪声的耕地图像进行图像边缘精度评价，对边缘不符合要求的耕地图像重新提取耕地区域。
[0158]
采用平均绝对误差作为评价标准，对消除噪声的耕地图像进行图像边缘精度评价，对边缘不符合要求的耕地图像重新提取耕地区域。
[0159]
使用了一种边缘度量，用于计算参考边界和提取边界之间的平均距离误差，即平均绝对误差(mae)距离度量，并移除和视觉解释参考边界不一致的场边界。
[0160]
平均绝对误差计算代表提取边界和参考边界的两个单元中心之间的欧氏距离。为了评估提取边界的准确性，计算了两个平均绝对误差的测量值。
[0161]
maei测量从参考边界单元格的中心到最近提取的边界单元格的中心的距离，从而指示提取的边界在多大程度上代表地理空间中的参考边界。
[0162]
相反，maej测量从每个提取的边界单元到最近的参考边界单元的距离，从而提供区域内边界的标志。
[0163]
mae的计算公式如下：
[0164][0165]
其中edi表示从参考单元中心到提取单元中心测量的ed,n为参考数据集中边界单元的总数。
[0166][0167]
其中edj表示从被提取单元的中心到参考单元的中心所测量的ed。maei和maej对提取的边界和参考边界进行总结，以获得总体上的一致性，值越低代表一致性越高。
[0168]
参考场边界数据集用于评估训练的准确性。数据集由200个字段组成，这些字段是
从谷歌手动数字化的地球图像，因为谷歌地球图像的采集日期不同。
[0169]
在具体实施中，设计了一种混淆矩阵的方法来计算几种基于区域的度量。由混淆矩阵计算总体精度、一致性检验指标、错分误差和漏分误差。
[0170]
漏分误差量化了沿参考边界提取的边界的准确性，其中较高的值表明提取的油田边界没有很好地圈定。
[0171]
错分误差表示字段内的错误边界，通常是由于操作系统造成的。
[0172]
配对卡方检验作为一种额外的测量方法，以检验准确性测量之间的差异的显著性，p值为0.05(或更低)时，认为是显著的。
[0173]
表3构建的训练集精度
[0174][0175]
实施例二
[0176]
本实施例提供了耕地地块提取系统；
[0177]
耕地地块提取系统，包括：
[0178]
获取模块，其被配置为：获取待处理的遥感图像；
[0179]
边缘检测模块，其被配置为：生成待处理遥感图像的灰度图像，并对灰度图像进行边缘检测，得到边缘检测图像；
[0180]
边缘层聚合模块，其被配置为：对边缘检测图像进行多时相边缘层聚合，得到聚合边缘图像；
[0181]
图像分割模块，其被配置为：对聚合边缘图像进行图像分割，得到分割图像；
[0182]
耕地图像提取模块，其被配置为：对分割图像进行特征提取，将提取特征输入到分类器中进行分类，得到耕地图像。
[0183]
此处需要说明的是，上述获取模块、边缘检测模块、边缘层聚合模块和图像分割模块、耕地图像提取模块对应于实施例一中的步骤s101至s105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0184]
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
[0185]
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
[0186]
实施例三
[0187]
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
[0188]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0189]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0190]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
[0191]
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0192]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0193]
实施例四
[0194]
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
[0195]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。