多光谱低空遥感图像光照辐射度校正

为了提高受云层阴影影响的遥感图像的信息提取准确度,该文以水稻小区试验过程中为进行氮素水平检测而采集的低空机载高分辨率多光谱遥感图像为对象,对受云层阴影影响的高光谱图像进行光谱校正,从而提高氮素水平检测的精度。试验中采用机载的双摄像机同步采集可见光和近红外的水稻遥感图像,并将两摄像机的图像进行几何校正后合成得到彩红外(color infrared,CIR)光谱图像;同时在图像采集区域布置3块不同反射率的1.2 m×1.2 m标定靶,利用便携式光谱仪测定标定靶的反射光谱曲线,并统计标定靶在图像中各通道的亮度均值。以标定靶在晴天无云和有云图像中的亮度值为节点,对G、R和近红外(near infrared,NIR)通道分别建立分段的线性变换模型进行校正。为验证校正精度,在遥感图像中分别选择大田水稻、小区试验田块和裸地3个不同区域的图像的G、R和NIR通道像素亮度均值及归一化植被指数(normalized differential vegetation index,NDVI)作为评价指标。试验结果表明,和传统的整体线性变换相比,采用分段线性变换校正具有较高精度,G、R和NIR通道校正后的平均误差为8.6%,9.1%和11.7%,NDVI平均误差为11.5%,有效提高了阴影条件下的遥感图像的信息提取精度,提高了受云层影响遥感图像的利用率。研究为低空遥感的图像校正提供了参考。     

基于改进空间引力模型的农作区遥感影像亚像元定位

针对空间引力模型在遥感影像亚像元定位中存在的不足,该文提出了一种基于改进空间引力模型的农作区遥感影像亚像元定位方法。研究首先分析了原始空间引力模型运行速度慢、定位精度低的原因。然后,分别改进了空间引力模型的初始化算法和优化算法,改进后的初始化算法使亚像元更具空间相关性;改进后的优化算法在初始化的基础上显著提高了模型的运行速度和定位精度。最后,以吉林省镇赉县农作区SPOT-5影像为例,在原图像空间分辨率退化4倍的尺度下进行遥感影像亚像元定位试验。结果表明,改进模型与原始模型相比亚像元定位精度提高了6.67个百分点,运行速度提高了10.69倍。因此,改进空间引力模型在地物类别相对复杂的农作区遥感影像亚像元定位中,可以更好的突破空间分辨率的限制,为确保农作物种植面积提取、区域产量遥感估测提供有力支撑。     

SPOT VEGETATION S10影像云和雪盖的检测与处理

以整个中国区域为例,采用3种检测方法对Spot vegetation S10影像上存在的云和雪盖的检测结果进行了对比分析.结果表明,BISE检测器得到的云层和实际最为接近,用Spot vegetation状态地图得到的云层过少,而用Spot vegetation检测器V2.0得到的云和雪盖像素有部分重叠.最后利用云、雪盖像素在时间序列上的相邻像素进行平滑处理方法达到去云和雪盖的目的,研究结果对于Spot vegetation S10影像的噪音消除和应用精度的提高具有借鉴意义.     

基于改进小波变换的地物类型提取研究

在多源遥感图像融合过程中,为充分利用高分辨率影像的低频信息,从而提高对影像的解译能力,本研究尝试对传统的小波融合算法进行了改进,以SPOT5的多光谱波段和全色波段为数据源,借助MatLab与ENVI等工具,实现改进后小波变换的遥感影像融合,该融合方法跟传统融合方法相比,信息熵和清晰度都有所提高.分别以传统融合图像及改进小波变换融合后图像为分类底图,实施了监督分类,完成地物类型的提取,结果表明:改进的小波变换融合后图像分类效果更好,分类精度和Kappa系数都有所提高,其中利用小波变换融合为基础的马氏距离法和决策树算法相结合的分类效果最佳.     

基于薄云雾去除的ETM+影像大气校正

中国南方农业遥感监测中,遥感影像常常受到薄云雾影响,大气的散射与吸收作用会使传感器接收到的地物反射率与真实值之间存在差距,是导致数据质量下降的主要原因,薄云雾去除和大气校正处理是十分必要的。该研究利用LandSat-7/ETM+影像,结合背景抑制云雾厚度因子（BSHTI）云检测方法和虚拟云点（VCP）云去除方法进行薄云雾去除,并与暗元法去云处理结果对比分析,然后将去云处理后的影像进行FLAASH大气校正,选取校正前后典型地物的光谱特征和NDVI值进行分析评价。结果表明,BSHTI-VCP法可有效消除薄云雾对遥感数据的影响,提高了云雾覆盖范围的影像质量;FLAASH大气校正较好地消除了大气影响,获得了地物真实地表反射率。该研究为南方作物遥感监测中定量反演与信息解译提供了良好理论支持。     

基于剪切波和全变分的农田遥感图像去噪去伪影方法

农田遥感图像在采集过程中会受到噪声影响,为得到准确的农田遥感图像数据,应对获取的农田遥感图像进行去噪预处理。农田遥感图像中的纹理承载了重要信息,在图像降噪的同时保持或增强图像纹理具有重要意义。由于纹理和噪声一样,在频域表现为高频信号,以分解和重构算法为基础的常见滤波(含小波变换)方法在降噪的同时,也会造成纹理清晰度的下降。该文结合农田遥感图像纹理呈现出来的直线特性,将剪切波(Shearlet)和变分理论相结合,提出了一种新的遥感农田图像保纹理降噪方法。该方法首先对较大的遥感图像分块进行shearlet变换,在降噪的同时识别不同图块图像的纹理含量;对细小纹理含量较少的平滑区域,采用保边降噪变分模型去除shearlet变换带来的人工伪影。为避免子图块边界带来的边界效应,该文基于中心仿射变换理论提出了一种新的图像延拓方法,有效提高了图像降噪的效果。试验结果表明,该文算法去噪后的峰值信噪比(peak signal to noise ratio,PSNR)平均值比全变分模型去噪算法大1 d B,该文算法去噪后的PSNR平均比曲线波去噪算法大2 d B。同基于Symmlet小波的Shearlet算法相比,该文算法处理后农田遥感图像中伪影减少,在高斯噪声标准偏差σ为10、20和30 d B时,峰值信噪比PSNR分别提高了13.99%、9.69%和7.75%。     

基于双注意力语义分割网络的田间苗期玉米识别与分割

为实现复杂田间场景中幼苗期玉米和杂草的准确识别与区域划分,该研究提出改进的双注意力语义分割方法,通过获取形态边界实现玉米幼苗的识别与精细分割,在此基础上采用形态学处理方法识别图像中除玉米外的全部杂草区域。首先对6种当前最高性能的语义分割网络进行对比,确定模型原始架构;建立幼苗期玉米语义分割模型,包括改进深层主干网络增强特征,引入双注意力机制构建特征的场景语义依赖关系,以编码器-解码器结构组建模型并增加辅助网络优化底层特征,改进损失函数协调模型整体表现,制定改进的迁移学习策略;提出图像形态学处理方法,基于玉米像素分割结果,生成杂草分割图。测试结果表明,模型的平均交并比、平均像素识别准确率分别为94.16%和95.68%,相比于原网络分别提高1.47%和1.08%,识别分割速度可达15.9帧/s。该研究方法能够对复杂田间场景中的玉米和杂草进行准确识别与精细分割,在仅识别玉米的前提下识别杂草,有效减少图像标注量,避免田间杂草种类的多样性对识别精度的影响,解决玉米与杂草目标交叠在形态边界上难以分割的问题,研究结果可为智能除草装备提供参考。     

基于波段增强的DeepLabv3+多光谱影像葡萄种植区识别

精准获取葡萄种植区分布信息对其精细化管理和优质基地建设具有重要意义，通常大区域种植区识别主要基于遥感影像完成，但葡萄种植区空间位置的分散性和背景环境的复杂性，使得种植区识别的精度不高。该研究基于DeepLabv3+网络，改进网络输入通道数使其能够接受更多的光谱信息，同时构建波段信息增强模块（Band Information Enhancement，BIE），利用各波段特征图之间的相关性生成综合特征，提出了波段信息增强的葡萄种植区识别方法（BIE-DeepLabv3+）。在2016和2019年高分二号影像葡萄种植区数据集上训练网络，在2020年影像上测试其性能，结果表明，改进模型输出结果的平均像素精度和平均交并比分别为98.58%和90.27%，识别效果好于机器学习SVM算法，在深度学习DeepLabv3+模型的基础上分别提高了0.38和2.01个百分点，比SegNet分别提高了0.71和4.65个百分点。BIE-DeepLabv3+模型拥有更大的感受野和捕获多尺度信息特征的同时放大了地物间的差异，能够解决影像中葡萄种植区存在类间纹理相似性、背景和环境复杂等问题，在减少模型参数的同时预测出的葡萄种植区更加完整，且边缘识别效果良好，为较大区域内背景复杂的遥感图像葡萄种植区识别提供了有效方法。     

基于改进HRNet的单幅图像苹果果树深度估计方法

针对苹果自动采收获取果树深度信息的实际需求,以及目前单幅图像深度估计算法存在的空间分辨率低和边缘模糊问题,提出一种基于改进高分辨率网络（High-Resoultion Net, HRNet）的单幅图像苹果果树深度估计模型。首先基于HRNet构建多分支并行的编码器网络,提取多尺度特征,并通过引入密集连接机制强化特征传递过程中的连续性;为了减少冗余特征造成的噪声干扰,使用卷积注意力模块在通道及像素层级对融合特征进行重标定,强化特征图结构信息。在解码器网络中,使用条纹细化模块自适应地优化特征图的边界细节信息,突出边缘特征,改善边缘模糊问题,最后经上采样生成深度图。在NYU Depth V2公共数据集和果园深度数据集上进行试验。试验结果表明,引入密集连接机制,添加卷积注意力模块、条纹细化模块均能提升模型性能。提出的改进HRNet网络在果园深度数据集上的平均相对误差、均方根误差、对数平均误差、深度边缘准确误差和边缘完整性误差分别为0.123、0.547、0.051、3.90和10.76,在不同阈值下的准确率达到了0.850、0.975、0.993;在主观视觉上,改进HRNet网络生成的深度图有清晰的边缘以及较多的纹理细节。本文方法在客观指标和主观效果上均有良好的表现。     

改进YOLOv5s和迁移学习对番茄穴盘苗的分级检测

为了提高番茄穴盘苗分级检测精度,该研究提出了改进YOLOv5s目标检测模型,并通过迁移学习对番茄穴盘病苗识别精度进行优化。采用轻量级网络EfficientNetv2的Backbone部分作为特征提取网络,保留YOLOv5s中的SPPF空间金字塔池化模块,压缩模型参数数量以减少计算量;更改模型Neck部分原始上采样模块为CARAFE轻量级上采样模块,在引入很少参数量的情况下提高模型精度;同时将PANet替换为BiFPN,引入特征权重信息,增强不同尺度特征融合能力;引入有效多尺度注意力机制(efficient multi-scale attention,EMA),提高对番茄苗的关注,减少背景干扰;替换CIoU损失函数为SIoU损失函数,考虑真实框与预测框之间的方向匹配,提高模型收敛效果。试验结果表明,改进的YOLOv5s目标检测模型经过迁移学习训练后,平均精度均值达到95.6%,较迁移学习前提高了0.7个百分点;与原YOLOv5s模型相比,改进YOLOv5s模型平均精度均值提升2.6个百分点;改进YOLOv5s模型的参数量、计算量和权重大小分别为原YOLOv5s模型的53.1%、20.0%和53.6%,便于后期将模型部署到边缘设备中;与Faster-RCNN、CenterNet及YOLO系列目标检测模型相比,改进YOLOv5s模型在检测精度和检测速度方面均有明显优势,该研究成果可以为穴盘苗的分级检测提供依据。     

基于点特征检测的农业航空遥感图像配准算法

针对当前无人机遥感图像配准算法普遍存在匹配精度差与配准速度慢等问题,该文以点特征检测方法为基础,结合矩阵降维处理方法,提出一种适用于农业航空遥感图像配准的改进算法—SNS(scale-invariant feature transform and singular value decomposition)算法。SNS算法以高斯函数同步检测尺度空间极值点的坐标和特征尺度,利用海森矩阵消除伪特征点,获取特征点精准定位,在求取特征点的模值与方向基础上,采用奇异值分解方法进行矩阵优化,实现数据降维再重构。试验结果表明,SNS算法与经典算法相比,配准速度平均提高5.01%,配准精度均方根误差平均降低10.48%,说明SNS算法在压缩数据量的同时,提高了整体配准精度,具有配准速度较快和鲁棒性较好的特点。研究结果可为农业航空遥感图像快速配准提供参考。     

基于优化SIFT算法的无人机遥感作物影像拼接

针对作物遥感影像因对比度低所导致的使用尺度不变特征变换算法(scale-invariant feature transform,SIFT)提取特征点数目少,拼接效果不理想的情况,提出了一种基于图像锐化的自适应修改采样步长的非极小值抑制拼接算法,该算法在图像预处理中引入锐化滤波器对平滑后的图像进行卷积,增强图像细节,增加特征点提取数目,同时通过基于尺度的自适应修改采样步长,使图像特征点分布更加均匀,根据低对比度作物遥感影像的成像特性,采用非极小值抑制,提高图像匹配效率。在查找匹配点的过程中,引入最优节点优先算法(best-bin-first,BBF)查找最近邻与次近邻,采用随机抽样一致算法(random sample consensus,RANSAC)优选特征点。通过试验验证,该文改进后的算法相比于标准SIFT算法,在处理低空作物遥感影像时,特征点提取数目平均增加77.5%,特征点匹配对数平均增加15对,对于标准SIFT算法无法匹配的低对比度作物遥感影像,提取到了8对以上的匹配点对,满足了拼接条件。该改进算法相对于标准SIFT算法更适于低对比度遥感影像的拼接。     

基于变分法和剪切波耦合算法的蝗虫切片保纹理图像降噪

保纹理降噪在农业领域图像处理中具有非常重要的作用。现有降噪方法由于无法正确识别纹理和噪声导致降噪效果不理想。针对该问题,该文提出多尺度插值小波框架下的变分法和剪切波变换耦合降噪方法,其中变分法可以识别图像中的主要目标物轮廓,但把纹理识别为噪声;而剪切波变换可识别图像中的纹理细节,但也容易把噪声当作纹理。耦合方法首先对图像进行错切变换,实现图像中纹理区域的降噪,然后通过变分法消除剪切波变换中误将噪声作为纹理重构出现的人工伪影。耦合方法结合了2种方法的优点,使图像降噪效果得到提高。最后以蝗虫切片图像的降噪为例进行数值验证,相对于变分法,峰值信噪比PSNR提高了6.37%;相对于剪切波,PSNR提高了5.90%,数值结果表明了该方法的有效性。     

无人机遥感在农田信息监测中的应用进展

快速实时地掌握农田信息是实施精准农作的基础。以无人机为平台的低空遥感探测技术,具有空间分辨率高、时效性强和成本低等特点,可填补地面监测和高空遥感间的测量尺度空缺,因此在农田信息精准监测领域具有广泛的应用前景。近年来,随着无人机飞行平台稳定性增强、操作难度降低,机载遥感设备的轻量化和多样化,以及遥感数据处理技术的进步,无人机遥感在农田信息监测领域得到了快速发展。本文对国内外相关研究成果进行了总结,对常用遥感技术类型和数据处理方法以及具体应用方向和实施效果进行了综述,并提出了当前存在的突出问题和未来的发展方向,以期为推动无人机遥感在农田信息监测和精准农业中更广泛的应用提供依据。     

The application of some image-analysis techniques to recognition of soil micromorphological features

A number of image analysis techniques, largely drawn from remote sensing, have been applied to soil thin sections in an attempt (i) to overcome some of the limitations of previous approaches and (ii) to identify some complex soil features. Using different wavelengths and light polarizations, microscopic images of thin sections obtained from different horizons were digitized. It was then possible to carry out a series of experiments including geometric corrections, creation of multilayer images, principal component transformation, classification procedures, morphological analysis and modelling of bi-dimensional optical anisotropy of the soil matrix. As a special procedure, principal component images were included in the multilayer images, thereby improving the classification on which a morphological analysis was conducted. The reliability of the procedure was tested against point counting and was found to be successful. The overall procedure allowed the combination of brightness and shape classifications. Bi-dimensional matrix optical anisotropy was detected at 256 levels and plotted as a three-dimensional perspective view, thus creating a new way of studying this feature.     

基于空间LDA模型的高分辨率遥感影像地物覆盖分类

高空间分辨率遥感影像可以更为精确地分析地物覆盖类型,但空间分辨率的提高也对现有分类方法带来了新的挑战,隐狄利克雷分配(latent dirichlet allocation,LDA)模型能够建立遥感影像底层特征和高层语义之间的联系,但是当前LDA模型在遥感影像分析领域的应用以场景分类和图像检索为主,已有的一些关于土地覆盖分类研究缺少对高分辨率遥感数据的空间关系进行挖掘。该文在标准LDA模型的基础上,利用词包模型构建方法生成的影像文档和单词对象来展开试验,利用多尺度分割挖掘影像中对象的空间关系,设计"主题流行度"和"主题内容"2种形式的影像文档区域属性,以协变量的形式作为LDA模型的先验知识,提出一种空间LDA模型(Space-LDA)。利用无锡宜兴市Quick Bird影像验证该模型在高分辨率遥感影像分类中的有效性,结果表明空间LDA模型分类结果不仅明显优于标准LDA,而且对区域尺度的变化具有一定的鲁棒性,空间区域信息同时从主题流行度和主题内容2个层面提供了推理信息,使模型具有更灵活的结构。     

结合三维密集点云的无人机影像大豆覆盖度提取

针对仅依赖二维遥感影像提取大豆覆盖度难以剔除杂草等复杂背景干扰的问题,该研究提出一种结合三维密集点云的大豆覆盖度提取方法,利用改进的运动恢复结构（Structure from Motion,SfM）算法与半全局匹配（Semi-Global Matching,SGM）算法从无人机立体影像中生成高精度稠密的大豆叶面真彩色三维点云,通过伽马增强的可见光绿叶指数提取植被信息,采用最佳结构元的局部阈值分割算法消除低矮杂草等噪声干扰,以达到结合可见光谱与三维点云实现复杂背景下大豆覆盖度提取的目的。选取不同时期、不同杂草混杂程度、不同地形起伏背景的大豆种植区无人机可见光影像进行试验。结果表明,该方法适用于复杂背景下的花芽分化期大豆覆盖度提取,伽马增强的绿叶指数可提高植被提取精度,结合三维点云信息的覆盖度提取精度达到98%以上,相比支持向量机、结合Lab颜色空间变换与Kmeans分割法、双峰阈值法等常用方法效率提高至少68%,在精度和效率方面明显优于仅利用二维影像的覆盖度提取方法。研究成果对于农田精细化管理和产量估测等具有重要的参考价值。     

基于无人机遥感影像监测土地整治项目道路沟渠利用情况

为客观监测和有效评价土地整治项目基础设施建后利用情况,初步探讨利用无人机航拍影像结合智能算法识别设施利用状态的可能性,该文选取典型项目,利用多旋翼无人机航拍获取高分辨率影像,提取田间道路和骨干沟渠影像网格切片,通过BoW模型构建典型地物样本特征库基于样本纹理特征进行分类,利用支持向量机模型对研究区骨干线状基础设施利用状况进行识别,并依据目视解译和实地勘察对识别结果进行了精度验证。结果显示无人机遥感方法可以初步识别研究区基础设施建后利用情况;研究区田间道路病害和骨干沟渠淤塞情况识别总体分类精度达到80%和70%;田间道路分类误差主要来自通行不畅与路面裂缝,骨干沟渠分类误差主要来自轻度淤塞;提高影像精度情况下,田间道路利用状况识别精度有所提升但不显著,骨干沟渠通畅状况识别精度无明显变化,模型对宽度2 m以下沟渠识别结果精度较差。研究表明,基于无人机遥感对土地整治项目基础设施利用情况进行自动分类识别具有可行性且效率较高,而监测精度有待于后期进一步提升。