融合“简单非迭代聚类（SNIC）超像素”与“Canny边缘检测方法”的农田边界检测
机器学习
2025-02-10 v1 计算机视觉与模式识别
摘要
耕作区域的高效利用是农业可持续发展和确保粮食安全的必要因素。随着发达国家卫星技术的快速发展，正在寻找新方法以准确且可操作地识别耕作区域。在此背景下，基于卫星图像数据的频谱分析来识别农田边界被认为是现代农业中最优且最准确的方法之一。本文提出了一种新方法，利用通过“Google Earth Engine”（GEE）平台获取的卫星数据来确定耕作区域的适宜性和绿色指数。在该方法中，结合了两种强大的算法：“SNIC（简单非迭代聚类）超像素”和“Canny边缘检测方法”。SNIC算法将卫星图像中的像素组合成具有相似特征的更大区域（超像素），从而提供更好的图像分析。Canny边缘检测方法检测图像中的急剧变化（边缘），以确定农田的精确边界。这项使用Sentinel-2卫星的高分辨率多光谱数据和Google Earth Engine JavaScript API进行的研究表明，所提出的方法在准确且可靠地分类随机选取的农田方面是有效的。这两种工具的结合使用通过最小化卫星图像中异常值的影响，允许更准确地确定农田边界。结果，基于获取的数据，可以为大面积区域的农业监测和资源管理创建更准确和可靠的地图。从而扩展了基于云的平台和人工智能方法在农业领域的应用能力。
引用
@article{arxiv.2502.04529,
title = {Agricultural Field Boundary Detection through Integration of "Simple Non-Iterative Clustering (SNIC) Super Pixels" and "Canny Edge Detection Method"},
author = {Artughrul Gayibov},
journal= {arXiv preprint arXiv:2502.04529},
year = {2025}
}
备注
4 pages, 2 figures