基于小波纹理和随机森林的猕猴桃果园遥感提取

为快速、准确地从高分影像中获取猕猴桃种植分布信息,提出了一种结合小波变换纹理分析和随机森林分类的QuickBird影像猕猴桃果园自动提取方法。首先,采用coif5小波对QuickBird全色影像进行多尺度小波分解,计算各子频带小波系数的能量特征作为纹理特征;然后,将小波纹理与光谱特征组合构建分类特征;最后,利用随机森林分类实现土地利用分类和猕猴桃果园空间分布提取。结果表明,小波纹理识别猕猴桃果园的效果明显优于光谱特征和其他2种纹理特征;光谱+小波纹理特征的分类精度最高,猕猴桃果园提取精度(Fk)和总体分类精度(OA)分别为95.30%和94.46%,比光谱+灰度共生矩阵纹理分类分别提高6.70%和2.88%,比光谱+分形纹理分类显著提高13.43%和6.98%;随机森林分类结果优于相同特征下的支持向量机、最大似然分类。本文提取的猕猴桃果园面积与目视解译结果的相对误差小于7%。此外,利用本文方法对同期QuickBird影像另一研究区的苹果园分布进行提取,结果表明,该方法对苹果园提取有较好的适用性。     

基于无人机遥感与随机森林的荒漠草原植被分类方法

荒漠草原是草原中最旱生的类型,属于草原的极限生态状态,也是气候变化和生态系统演变的预警区。利用无人机高光谱遥感技术快速、准确地提取荒漠草原草地植被类型,对动态监测草原生态安全和合理开发草地畜牧业具有重要意义。以无人机搭载高光谱成像系统采集内蒙古荒漠草原遥感图像,获得具有高空间分辨率和高光谱分辨率的图像;通过光谱连续统去除变换,增强草地植被之间的光谱差异,并构建植被指数;采用分步波段选择法选择荒漠草原植被的特征波段,实现高光谱数据降维;构建融合光谱特征、植被特征、地形特征和纹理特征等24个变量的随机森林分类模型,并与支持向量机（SVM）、K-最近邻（KNN）和最大似然分类（MLC）法进行比较。结果表明,在4种分类方法中随机森林分类算法分类效果最好,总体分类精度达到91.06%,比SVM、KNN和MLC等机器学习算法分别高7.9、15.61、18.33个百分点,Kappa系数达到0.90,比SVM、KNN和MLC算法分别高0.13、0.23和0.26。无人机高光谱低空遥感和随机森林算法的结合为荒漠草原草地植被分类提供了新途径。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于无人机多光谱影像特征的最佳波段组合研究

针对卫星遥感影像分辨率低、时间周期长、波段冗余信息多等问题,利用无人机多光谱数据获取便捷、成本低、周期短的优势,以玛纳斯河畔为研究区,使用固定翼无人机搭载Micro MCA12 Snap多光谱传感器获取高分辨率多光谱影像。通过对多光谱影像数据标准差及相关性进行分析排序,结合OIF方法得到原始波段最佳组合,使用多种植被及水体指数、主成分分析、灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段,提出将光谱特征、纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合。实验结果表明,针对Micro MCA12 Snap多光谱传感器,可选择波段1、6、11、NDVI、NDWI以及灰度共生矩阵中的Mean参量作为其地物分类的最佳波段组合。感兴趣区域内非监督IsoData分类精度从83.57%提升到89.80%,监督的SVM分类精度从95.58%提升到99.76%。研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考。     

基于Google Earth Engine的黄土高原覆膜农田遥感识别

为了建立覆膜农田遥感识别技术体系,本研究选取甘肃省定西市安定区团结镇作为黄土高原地膜覆盖旱作农业代表性区域,基于Google Earth Engine云平台和Landsat-8反射率数据,采用特征重要性分析优选纹理特征,利用参数优化后的随机森林算法提取覆膜农田区域并选出最佳特征组合方案,最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果来评价不同分类算法的性能。结果表明:优化关键参数后的随机森林算法能够显著提高遥感影像的分类精度;单一特征方案中,基于光谱特征的分类精度最高,且加入指数和纹理特征可提高总体识别精度;利用随机森林特征重要性分析选取的优选纹理特征分类性能优于全部纹理特征,基于"光谱+指数+优选纹理"特征方案的识别结果最佳,总体精度和Kappa系数达95.05%和0.94;与支持向量机、决策树和最小距离分类相比,随机森林优势明显,总体精度分别高3.10、7.74、50.78个百分点。本研究实现了对地形复杂地区覆膜农田空间分布较为精准的识别。     

基于无人机高光谱遥感影像的防护林树种分类

树种信息对林业资源监测和管理具有重要意义,及时准确地掌握树种及长势状况是防护林工程建设与效益评价的基础。为研究利用无人机高光谱数据进行防护林树种分类的效果,选取典型区域使用Matrice600型六旋翼无人机搭载Rikola高光谱成像仪获取高光谱影像,基于支持向量机-递归特征消除算法（SVM-RFE）选取原始波段最佳组合,再结合纹理特征、植被指数和数理统计特征,使用随机森林算法对所有特征进行重要性评估并与分类精度相结合进行特征优化,进而构建高光谱影像全波段、原始波段最佳组合、全部特征变量、基于随机森林（RF）特征优化后特征变量4种分类方案,分别采用最大似然法（MLC）、支持向量机（SVM）、随机森林对防护林优势树种进行分类。结果表明：所提出的基于交叉验证的SVM-RFE算法选出的原始波段组合能更好地还原原始光谱特征;通过RF算法的特征重要性分析与分类精度相结合的方法可以有效选出重要特征,当使用全部特征的85%（包括17个光谱特征、3个纹理特征、5个植被指数和3个数理统计特征）进行分类时,总体精度最高为9593%（Kappa系数为0.9475）;所有特征中植被指数特征最重要,3种分类方法中RF算法分类总体精度（OA）最高。     

面向空间自相关信息的高光谱图像分类方法

空间滤波器在提取高光谱图像纹理信息过程中容易丢失空间自相关信息,导致植被分类精度不高。针对当前方法的不足,提出一种空间自相关信息的高光谱图像分类算法(Classification of hyperspectral image based on spatial autocorrelation information,CHISCI)。该方法先用域转换线性插值卷积滤波(Domain transform filter of interpolated convolution,DTFOIC)对高光谱全波段图像提取空间自相关信息,然后对高光谱数据进行主成分分析(Principal component analysis,PCA)降维后的前部分主成分提取空间自相关信息,两种空间自相关信息线性融合后交由支持向量机(Support vector machine,SVM)完成分类。试验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法和边缘保持滤波以及递归滤波的方法,所提出的CHISCI方法对高光谱图像的植被分类精度有较大提高,在训练样本仅为6%和1%的情况下,对印第安农林和萨里斯山谷数据集分类的总体分类精度分别达到96.16%和98.67%,比其他算法高出2~16个百分点,验证了该方法的有效性。     

结合影像纹理、光谱与地形特征的森林结构参数反演

以黑龙江省SPOT5遥感影像和森林资源清查数据为数据源,获得对应样地的影像纹理特征、光谱波段值、光谱组合值以及地形信息,提取样地调查数据的林分信息,采用多元逐步回归分析,建立以SPOT5遥感影像纹理、光谱和地形特征为自变量,多个森林结构参数(林分平均直径、断面积、蓄积量和树种多样性指数)为因变量的估测模型,筛选最优纹理特征生成窗口及最优森林结构参数反演模型。结果表明,SPOT5影像的纹理光谱特征与森林结构参数具有较强的相关性,9×9窗口为最优纹理特征生成窗口;在引入地形因子后模型精度有了较大提高,树种多样性指数估测模型R2adj都在0.72以上,蓄积量模型估测精度最优(R2adj为0.864、RMSE为21.260 m~3/hm~2)。研究表明利用高分辨率遥感影像纹理、光谱和地形特征进行多个森林结构参数估测具有很好的应用效果。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。     

基于Sentinel-2超分辨率影像的干旱区水体提取方法

针对干旱区复杂环境下水体光谱特性空间差异大、水体提取方法适用性差的问题,本研究基于Sentinel-2卫星多光谱数据,通过超分辨率算法重建10 m空间分辨率多光谱影像,将短波红外(Short-wave infrared, SWIR)重建波段、近红外(Near-infrared, NIR)重建波段作为水体识别特征波段,在此基础上采用超像素分割算法识别水体像元,基于24种光谱指数、支持向量机(Support vector machine, SVM)、神经网络(Neural network, NN)、K-means共构建60种水体提取方法,采用总体精度(Overall accuracy, OA)、准确率(Precision)、F1值、马修斯相关系数(Matthews correlation coefficient, MCC)等水体提取精度指标进行综合评价,以黑河流域为典型研究区,确定干旱区最佳水体提取方法。结果表明,基于Sentinel-2绿色波段(中心波长为560 nm)与超分辨率重建短波红外波段(中心波长为1 610 nm)构建的改进的归一化水体指数方法,显著增强水体提取时对干旱区细小水...     

复杂环境中苹果树识别与导航线提取方法

为精准化管理果园,针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题,通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像,选取并计算易于区分杂草与苹果树的归一化差异绿度指数（NDGI）、比值植被指数（RVI）分布图,构建DSM、NDGI、RVI融合图像后,综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数（NDCSI）以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元,降低非植被像元对果树提取的干扰。对比使用支持向量机（SVM）法、随机森林（RF）法和最大似然（MLC）法分别提取最终融合图像和普通正射影像中的苹果树像元,并计算混淆矩阵评价各识别精度。试验表明,MLC法对融合图像中果树的识别效果最优,其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824;相对于普通正射影像,本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中,融合图像对RF法的用户精度提升幅度最大,为27.12个百分点;对SVM法的制图精度提升幅度最大,为9.03个百分点;对3种方法的总体分类精度提升幅度最低为13个百分点;对SVM法的Kappa系数提升幅度最大,为22.55%,且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后,以感兴趣区域划分法提取各果树行特征点,并以最小二乘法拟合各行特征点得到导航线,其平均角度偏差为0.5975°,10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。     

基于双边滤波和空间邻域信息的高光谱图像分类方法

提出了一种基于双边滤波和像元邻域信息的高光谱图像分类(BS-SVM)算法。该方法首先利用双边滤波器提取经主成分分析降维后的高光谱图像空间纹理信息,然后通过设计一种高光谱像元邻域信息来构建高光谱的空间相关信息,最后将2种空间信息融合后与光谱信息结合,形成空谱信息(空间信息和光谱信息)后交由支持向量机完成分类。实验结果表明,相比单纯使用光谱信息的支持向量机的分类方法以及基于Gabor滤波的空谱信息结合分类方法,所提出的BS-SVM方法分类精度有较大幅度提高,充分证明了该方法的有效性。     

基于特征融合的果园非结构化道路识别方法

针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题，提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正，并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取，采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点，并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘，引入分段三次样条插值法拟合道路边缘，以此实现道路识别。试验结果表明，在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下，S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素，平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言，使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素，平均偏差率均值分别为1.02%、1....     

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。     

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时,常选择前几个主成分（PCs）作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。     

基于改进Linknet网络的黄土高原苹果园精准提取

黄土高原近20年来苹果栽植面积迅猛增加，对区域生态水文和社会经济发展均产生了重要影响。但该区域果园地块小且场景复杂，仅有县/市尺度统计数据，尚无苹果园实际的空间分布信息。为此，本研究建立了无人机低空遥感影像专业数据集。融合迁移学习与深度学习方法，将残差神经网络ResNet34网络迁移到Linknet网络，得到R_34_Linknet网络。将R_34_Linknet网络与5种常用的深度学习语义分割模型SegNet、FCN_8s、DeeplabV3+、UNet和Linknet应用于黄土高原苹果园空间分布提取，表现最好的模型为R_34_Linknet，其在测试集上的调和平均值F₁为87.1%，像素准确度PA为92.3%，均交并比MIoU为81.2%，频权交并比FWIoU为85.7%，平均像素准确度MPA为89.6%。将空间金字塔池化结构（Atrous Spatial Pyramid Pooling，ASPP）与R_34_Linknet网络相结合，扩大网络的感受野，得到R_34_Linknet_ASPP网络；然后对ASPP结构进行改进，得到R_34_Linknet_ASPP+网络。对比三种网络性能，表现最优的为R_34_Linknet_ASPP+，在测试集上F₁为86.3%，PA为94.7%，MIoU为82.7%，FWIoU为89.0%，MPA为92.3%。使用R_34_Linknet_ASPP+在长武县王东沟和白水县通积村提取苹果园面积精度分别为94.22%和95.66%。本研究提出的R_34_Linknet_ASPP+方法提取到的苹果园更加准确，苹果园地块边缘处效果更好，可作为黄土高原苹果园空间分布制图等研究的技术支撑和理论依据。     

基于MESMA和RF的山丘区土地利用信息分类提取

探讨了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和随机森林(Random forest,RF)相结合的土地利用信息分类提取方法。以Landsat-8 OLI卫星遥感影像为主要数据,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA将影像分解为植被、不透水面和裸土3类组分,将生成的3类组分变量和基于光谱、纹理信息计算选取的20个特征变量组合后开展RF分类实验,将分类结果与相同特征变量下的支持向量机(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分类结果进行比较分析。结果表明:MESMA可以获得较为精确的组分丰度信息;RF分类结果优于相同特征变量下的SVM和MLC分类结果;在MESMA生成的组分信息变量参与分类后,3种方法的分类精度均有所改善,分别达90.50%、88.85%、86.35%,其中RF的分类精度改善最为显著;MESMA与线性混合分解(Linear spectral mixture analysis,LSMA)生成的组分信息变量相比,前者对于改善分类精度效果更为明显。MESMA对于提高影像分类精度起到一定积极作用,基于MESMA和RF的方法对中等空间分辨率影像山丘区土地利用信息分类提取精度较高,利用该方法开展遥感影像解译可为大尺度的土地利用监测和管理工作提供技术支持和理论参考。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测,本研究以山东省烟台市栖霞市苹果园为研究区,采集100个土壤样本,利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率,利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理,分析果园土壤的反射光谱特征,研究光谱反射率与其有机质含量的相关关系,筛选土壤有机质含量的敏感波长并构建光谱指数后,分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型,并对模型精度进行验证比较。结果表明,筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数,最终构建的光谱指数分别为NDSI_{（678,709）}、NDSI_{（678,1931）}、NDSI_{（678,2201）}、NDSI_{（709,1939）}和NDSI_{（1939,2201）}。建立的MLR、SVM和RF回归模型中,以RF模型精度最优,其校正样本集R²为0.8804,RMSE为0.1423,RPD达到2.25;验证模型的R²为0.7466,RMSE为0.1266,RPD为1.79,建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此,可以利用RF方法快速预测苹果果园土壤有机质含量,了解土壤养分分布状况,指导农民合理施肥,从而提高果园生产管理效率。