基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数,精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前,利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数,针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像,通过提取植被指数和纹理特征,分析水稻的动态生长变化,并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长,并且这些参数随水稻生长呈现出了相似的动态变化趋势;（2）与RGB图像相比,多光谱图像评估水稻含水量具有更高的潜力,其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68,RMSEP=0.039,rRMSE =5.24%）;（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86,RMSEP=0.026,rRMSE=3.51%）,预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明,基于无人机遥感技术监测水稻含水量是可行的,可为农田精准灌溉和田间管理决策提供新思路。     

基于多特征融合的遥感图像河流提取

遥感影像中地物复杂多样,为得到较高精度的河流区域信息,弥补单一特征河流提取适用性受限的局限,提出一种融合纹理、光谱和形状特征的河流区域提取方法。首先选取图像红外通道作为输入,根据纹理特征计算灰度共生矩阵,并选取灰度共生矩阵统计量中的角二阶矩图作为处理对象;接着根据光谱特征对角二阶矩图进行最大类间方差（OTSU）计算获取二值图像;然后进行连通域标记,根据几何特征构建特定滤波器以滤除非河流噪声,最后生成精度较高的河流流域图。处理的河流遥感影像中包括了林地、城市、山地、耕地等不同类型的区域,通过与经典算法的对比验证,提取结果显示该方法能够提高河流流域提取的精确度和完整度。     

基于双树复小波变换和邻域操作的哈密瓜纹理提取

为研究哈密瓜表面纹理特征分布规律,采集金密16号9成熟、全熟和金密17号9成熟、全熟共168幅哈密瓜样本图像,对RGB彩色图像的R、G、B分量执行代数运算,转换为灰度图后进行背景分割,然后利用双树复小波变换(DT-CWT)分解图像,获取高频子图像,并对其执行邻域操作,采用迭代法选取最优阈值完成纹理提取,最后利用灰度差分统计法和纹理频谱分析法描述分析哈密瓜纹理特征,建立基于支持向量机(SVM)的分类模型。研究结果表明,利用DT-CWT和邻域操作相结合的方法可得到更加连续、完整的哈密瓜纹理图像;4种哈密瓜的纹理特征值差异显著,利用纹理特征值分类准确率为89.3%;哈密瓜表面纹理无周期性。     

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ALOS遥感数据纹理及纹理指数的柞树蓄积量估测

以北京市怀柔区柞树林为研究对象,通过计算ALOS卫星2.5 m分辨率融合影像在不同窗口下的纹理特征及衍生纹理指数,采用多元逐步回归模型建立柞树地面实测蓄积量与ALOS影像纹理特征及衍生纹理指数的相关关系,比较纹理特征及衍生纹理指数拟合柞树蓄积量模型的精度,筛选最优反演模型及最优纹理生成窗口。结果表明:同一纹理生成窗口下,基于衍生纹理指数的柞树蓄积量反演模型(R2adj=0.603、RMSE为19.899 4 m3/hm2)精度优于基于纹理特征的柞树蓄积量反演模型(R2adj=0.217、RMSE为27.943 8 m3/hm2);结合同一窗口的纹理特征及衍生纹理指数进行柞树蓄积量建模,精度可进一步提升(R2adj=0.747,RMSE为15.887 6 m3/hm2);基于所有窗口的纹理特征及衍生纹理指数建立多元逐步回归模型,可得到柞树蓄积量估测的最优模型(R2adj=0.807,RMSE为13.856 5 m3/hm2);11×11窗口为最优纹理生成窗口,其对应最优单窗口模型拟合优度为:R2adj=0.747,RMSE为15.887 6 m3/hm2。     

遥感影像的自适应小波精细积分降噪方法

针对遥感影像数据量大、应用精度较高的图像降噪变分法处理时计算效率较低的问题,基于quasi-Shannon小波构造了一种二维自适应小波插值算子,并和精细积分法相结合建立了求解二维偏微分方程自适应小波精细积分方法。利用小波变换的多尺度自适应性和精细积分方法的高精度有效提高了图像降噪变分法的求解效率,从而可实现较大遥感影像的降噪处理。     

基于LBV变换与小波变换的OLI图像融合方法

以陕西省榆阳区2013年6月9日的Landsat 8 OLI图像为基础数据源,对比分析LBV-Wavelet RF等5种图像融合算法的使用效果。对图像预处理后,分别采用HIS变换、Brovey变换、HPF变换、PCA变换和LBV-Wavelet RF方法进行融合和SVM监督分类,然后从目视评价和定量评价两方面对比分析各种融合算法的使用效果。在目视评价方面,判读融合前、后9种地类光谱特征的一致性;融合后图像是否具有全色波段图像的空间结构特征,是否存在细节模糊。在定量评价方面,采用灰度均值差、灰度均方根差评价融合后图像对多光谱信息的保持性能;采用相关系数均值、相关系数均方根差评价融合后图像对高空间分辨率信息的融入度;采用总体分类精度、Kappa系数评价融合前、后SVM监督分类精度差异。结果表明LBV-Wavelet RF方法能够使融合后图像在保持原多光谱图像光谱信息的同时,增强纹理结构特征,提高对细小地物的辨识能力;融合后图像SVM监督分类的总体分类精度和Kappa系数分别为84.01%和0.787,较原多光谱图像分别提高13.45%和15.91%。     

基于非抽样剪切波变换的遥感图像融合方法

提出了一种基于Mean-shift分割和非抽样剪切波变换(NSST)的多光谱与高分辨率全色图像融合方法。对高分辨率图像进行Mean-shift分割,并利用区域方差将多光谱图像划分为需要进行空间细节增强及需要光谱特征保持的区域;然后利用NSST变换对高分辨率图像和多光谱图像的强度分量进行多尺度分解。分解后的低频子带采用基于四阶相关系数的融合规则进行融合,带通方向子带根据分割所得的区域按区域方差进行融合;最后进行NSST重构得到融合后的强度分量,经IHS逆变换获得高分辨率的多光谱图像。仿真实验表明,与其他4种相关的融合方法相比,该方法能在空间分辨率的提高与光谱信息的保持之间达到良好的平衡,使得融合图像不仅具有较好的光谱保持特性,而且其空间分辨率也能得到有效提高。     

基于小波变换与卷积神经网络的羊脸识别模型

为解决养殖场条件下羊只的个体识别问题,本文基于小波变换与卷积神经网络,提出一种融合频域特征与空间域特征的羊脸识别模型DWT-GoatNet。首先采集总计30只高相似度西农萨能奶山羊日间、夜间两种不同光照环境下的面部图像,基于SSIM指标剔除其中相似度过高的样本,接着进行图像裁剪,并通过模糊、调整亮度、平移、旋转、加入噪声、缩放等方法完成数据增强;然后,设计基于二维离散小波变换(2D-DWT)与卷积运算的羊脸特征提取模块,完成特征融合;之后,以前述羊脸特征提取模块为基础,添加分类模块,进行卷积神经网络搭建;最后,进行超参数组合寻优,形成羊脸识别模型。试验结果表明,本文所构建的羊脸识别模型在日间、夜间两种不同光照环境下测试集上识别准确率分别可达99.74%和99.89%,高于AlexNet、VGGNet-16、GoogLeNet、ResNet-50、DenseNet-121等经典卷积神经网络模型,说明所构建模型适用于羊只的个体识别,为精准养殖、农险理赔领域相关工作提供了有效解决方案。     

基于像素级融合的小波变换红外图像算法研究

针对单一红外图像噪声干扰大的问题,提出一种利用多幅红外图像在时间和空间上的互补信息基于像素级融合的小波变换算法,提升红外图像的信噪比.通过特征提取对原始红外图像进行像素级融合,得出该方法在提升缺陷信号可视效果的同时会放大噪声.将融合后的图像再进行小波变换处理,滤除噪声干扰后可使图像的信噪比由4.75dB提升至15.59...     

基于无人机遥感图像提取农田微地形特征

近年来极端暴雨天气与自然灾害频发,导致农田损毁,影响耕作。该研究利用高精度农田数字地形模型（FDTM, Farmland Digital Terrain Model),基于地形因子综合属性提出一种识别农田微地形特征（凸起特征及洼地特征）的方法。首先,基于SfM（Structure from Motion）技术处理试验田的航拍图像,获取高精度农田FDTM。分析FDTM的高程方差随局部窗口尺度的变化趋势,确定分析窗口的尺度区间为31×31至51×51像素。其次,选择高程、地形起伏度和坡度综合评价在51×51像素窗口下提取的315个高程极值点,获取多窗口地形因子综合隶属度。最终,根据斯特吉斯公式确定阈值为0.627,提取16个农田凸起特征顶点,并结合等高线图识别凸起特征的外形轮廓。类似地,建立反转数字地形模型（RFDTM, Reverse-FDTM）,将FDTM中的洼地特征转变为RFDTM中的凸起特征,识别9个农田洼地特征。研究结果可为农田复垦及精准土地平整作业提供理论依据与方法支持。