基于迁移学习的无人机影像耕地信息提取方法

随着精准农业技术的发展,对农作物用地信息快速、准确提取的需求越来越高。同时,无人机技术以其方便、高效、具有低空云下飞行能力等优势被广泛应用于自然资源的调查中。但无人机影像普遍光谱信息较为匮乏,因此很难准确、快速地提取出耕地信息。基于此,提出了一种利用迁移学习机制的耕地提取方法(TLCLE)。首先,利用深度卷积神经网络(DCNN)剔除线状地物(道路、田埂等),然后,通过引入迁移学习机制将DCNN特征训练过程中得到的特征提取方法迁移到耕地提取中,最后,将所提方法与利用易康(e Cognition)软件进行耕地提取(ECLE)结果进行对比。研究结果表明:对于实验影像1、2,TLCLE方法耕地提取总体精度分别为91.9%、88.1%,ECLE方法总体精度分别为90.3%、88.3%,2种方法提取精度相当,在保证耕地地块完整、连续性上TLCLE方法优于ECLE方法。     

考虑地形特征的无人机影像分区域加权平差拼接方法

无人机遥感手段以其方便、快捷、成本低、可云下飞行的优势正越来越多地应用于农情信息的获取。为了解决无人机影像的数量多、畸变大、影像拼接过程中产生大量累积误差等问题,对拼接过程中如何减少误差累积进行了研究。首先,根据记录影像匹配过程中心点位置计算大致的匹配区域。然后,进行区域网概略计算,列出误差方程。对不同地形特征区域影像赋予权值,进行分区域加权平差。最后,利用3条航带的无人机影像分别对所提方法和直接拼接法进行了实验对比。实验结果表明:所提方法拼接后错位和鬼影现象减少了12%,拼接效率提高了15%,拼接后获得的面积扩大了8%。