论文部分内容阅读
摘 要 本文的突出特色在于，用标注工具对耕地的原始图像进行提取，制作出效果极佳的标签图。并且从不同的田块具体特征进行分析，提取了其特征数据，利用对应的算法，得到了能更好提升分割图像精确度的模型。还利用标注工具Labelme为耕地原始图像打上标签，非常简明有效地得到了所需要的标签图。最后我们还对模型进行了改良，大大提升图像的分割效果。
关键词 标注工具Labelme 类矩形引导算法 亮度均衡法 边缘检测法
中图分类号：TP391.4 文献标识码：A 文章编号：1007-0745（2020）04-0001-06
1 问题重述
1.1 问题背景
耕地的数量和质量是保持农业可持续发展的关键，利用卫星遥感影像可以识别并提取耕地，并对耕地进行遥感制图，准确的耕地分布能够为国家决策部门提供重要支撑。目前高精度的耕地信息提取主要还是依靠人工解译，耗费大量人力、财力且效率较低，因此，遥感图像的耕地识别算法、研究将对耕地遥感制图提供重要帮助。[1]
1.2 问题提出
1.2.1 问题一：耕地比例
计算十幅给出的耕地图在各图像中所占比例，并将得出数字，填写到给出的表格（表1）。
1.2.2 问题二：制作耕地标签图
从给定的两幅测试图像（Test1.tif、Test2.tif）中提取出耕地，制作耕地标签图，并将标签图分别上传到竞赛平台中。
1.2.3 问题三：快速、精准识别田块
我国土地辽阔，地貌复杂，希望团队寻找新的思路和模型，能够快速、精准的识别出田块。
2 问题一
2.1 工具介绍
我们通过Python语言的：PIL、NumPy等第三方库完成了这个问题一的模型建立与求解。
PIL是Python的第三方图像处理库，这个库的功能非常的强大，我们不仅能够拿它来画图，PIL还可以使图像的对比度自动增强。
NumPy（Numerical Python）是Python中科学计算的基础包。NumPy可以处理python里的数组和列，针对python的各种数据进行数据分析，这样的能力使其广受众多Python编程者的喜爱。
2.2 模型建立
首先运用PIL中的核心类--Image类，赛题图像数据初始化。然后利用NumPy库的转换矩阵功能，先将RGB图片转为灰度图片，再利用numpy库的where函数功能的广播机制统计图像像素个数。
我们团队通过将图像的所有像素点的参数计算得到，然后再将黑与白两种图像的像素个数计算得到。然后通过白色（值为1）代表耕地的像素点与总像素点之比，得到耕地所占面积结果。
2.3 问题结论
3 问题二
3.1 工具介绍
问题二是需要我们从给定的两幅测试图像（Test1.tif、Test2.tif）中取出耕地，制作对应的耕地标签图，并将标签图分别上传到竞赛平台中。为此我们选择了python中的pyqt5和深度学习图像标注工具Labelme进行对耕地打上标签的工作，其中关于python、Labelme和pyqt5的介绍如下：
Python：Python由荷兰数学和计算机科学研究学会的Guido van Rossum于1990年代初设计，作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。
Labelme：LabelMe是一个用于在线图像标注的标注工具。我们可以使用该工具对图像进行自己的规划和标注，使得标注这件原本十分枯燥的事情变的十分的简单。此外，它也可以帮助我们标注图像，使得原本需要人工标注的东西变得十分简单，节约了大量的人力物力。
pyqt5：Pyqt5是基于Digia公司强大的图形程式框架Qt5的python接口，由一组python模块构成。Pyqt5本身拥有超过620个类和6000函数及方法。在可以运行于多个平台，包括：Unix、Windows、MacOS。
3.2 模型建立
假设图像中的耕地图像都是准确的，其中的耕地面积无变化，假设通过模型得到的标注图像准确，问题二的流程图如上图2所示。
3.3 模型求解
我们想要通过标注工具Labelme进行对耕地打上标签，我们需要先将相关的软件准备好，这里使用的是python3.8，并且调用anaconda prompt对相对应的labelme与pyq5进行安装，注意这里安装的labelme版本为3.16.7，必须需要安装对应的labelme版本才可以。在anaconda安裝好了过后，需要在终端运行一下labelme接着就会出现的画面[2]。
接着我们打开上方的open选择我们需要的图片，并且对其进行标注，标注的方法为标点，将点连为线便可以得到一块被标注后的图形，再对这个图形打上标签，并且为这个标签命名，例如本次命名为耕地那么图片就算是标注好了。
接着将其保存，保存后再打开一个终端，也就是anac onda prompt。首先利用cd将路径转到你的图片文件所对应的地方，接着在终端继续输入命令行：labelme_json_to_dataset
关键词 标注工具Labelme 类矩形引导算法 亮度均衡法 边缘检测法
中图分类号：TP391.4 文献标识码：A 文章编号：1007-0745（2020）04-0001-06
1 问题重述
1.1 问题背景
耕地的数量和质量是保持农业可持续发展的关键，利用卫星遥感影像可以识别并提取耕地，并对耕地进行遥感制图，准确的耕地分布能够为国家决策部门提供重要支撑。目前高精度的耕地信息提取主要还是依靠人工解译，耗费大量人力、财力且效率较低，因此，遥感图像的耕地识别算法、研究将对耕地遥感制图提供重要帮助。[1]
1.2 问题提出
1.2.1 问题一：耕地比例
计算十幅给出的耕地图在各图像中所占比例，并将得出数字，填写到给出的表格（表1）。
1.2.2 问题二：制作耕地标签图
从给定的两幅测试图像（Test1.tif、Test2.tif）中提取出耕地，制作耕地标签图，并将标签图分别上传到竞赛平台中。
1.2.3 问题三：快速、精准识别田块
我国土地辽阔，地貌复杂，希望团队寻找新的思路和模型，能够快速、精准的识别出田块。
2 问题一
2.1 工具介绍
我们通过Python语言的：PIL、NumPy等第三方库完成了这个问题一的模型建立与求解。
PIL是Python的第三方图像处理库，这个库的功能非常的强大，我们不仅能够拿它来画图，PIL还可以使图像的对比度自动增强。
NumPy（Numerical Python）是Python中科学计算的基础包。NumPy可以处理python里的数组和列，针对python的各种数据进行数据分析，这样的能力使其广受众多Python编程者的喜爱。
2.2 模型建立
首先运用PIL中的核心类--Image类，赛题图像数据初始化。然后利用NumPy库的转换矩阵功能，先将RGB图片转为灰度图片，再利用numpy库的where函数功能的广播机制统计图像像素个数。
我们团队通过将图像的所有像素点的参数计算得到，然后再将黑与白两种图像的像素个数计算得到。然后通过白色（值为1）代表耕地的像素点与总像素点之比，得到耕地所占面积结果。
2.3 问题结论
3 问题二
3.1 工具介绍
问题二是需要我们从给定的两幅测试图像（Test1.tif、Test2.tif）中取出耕地，制作对应的耕地标签图，并将标签图分别上传到竞赛平台中。为此我们选择了python中的pyqt5和深度学习图像标注工具Labelme进行对耕地打上标签的工作，其中关于python、Labelme和pyqt5的介绍如下：
Python：Python由荷兰数学和计算机科学研究学会的Guido van Rossum于1990年代初设计，作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。
Labelme：LabelMe是一个用于在线图像标注的标注工具。我们可以使用该工具对图像进行自己的规划和标注，使得标注这件原本十分枯燥的事情变的十分的简单。此外，它也可以帮助我们标注图像，使得原本需要人工标注的东西变得十分简单，节约了大量的人力物力。
pyqt5：Pyqt5是基于Digia公司强大的图形程式框架Qt5的python接口，由一组python模块构成。Pyqt5本身拥有超过620个类和6000函数及方法。在可以运行于多个平台，包括：Unix、Windows、MacOS。
3.2 模型建立
假设图像中的耕地图像都是准确的，其中的耕地面积无变化，假设通过模型得到的标注图像准确，问题二的流程图如上图2所示。
3.3 模型求解
我们想要通过标注工具Labelme进行对耕地打上标签，我们需要先将相关的软件准备好，这里使用的是python3.8，并且调用anaconda prompt对相对应的labelme与pyq5进行安装，注意这里安装的labelme版本为3.16.7，必须需要安装对应的labelme版本才可以。在anaconda安裝好了过后，需要在终端运行一下labelme接着就会出现的画面[2]。
接着我们打开上方的open选择我们需要的图片，并且对其进行标注，标注的方法为标点，将点连为线便可以得到一块被标注后的图形，再对这个图形打上标签，并且为这个标签命名，例如本次命名为耕地那么图片就算是标注好了。
接着将其保存，保存后再打开一个终端，也就是anac onda prompt。首先利用cd将路径转到你的图片文件所对应的地方，接着在终端继续输入命令行：labelme_json_to_dataset