基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...     

基于影像分割的覆膜玉米叶绿素含量反演

【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g^-1,验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g^-1)。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+...     

基于无人机影像的棉花株高预测

【目的】 利用无人机遥感技术,快速、无损和高通量地获取田间株高表型信息,预测棉花品种(系)的长势监测及产量。【方法】 以无人机(UAV)搭载高清数码相机构成低空遥感平台,获取110份处于花铃期棉花品种(系)影像,测定地面实际株高;利用拼接软件与高清数码影像,生成研究区数字表面模型(DSM)和高清正射影像(DOM);基于高清的DOM和DSM,利用克里金插值法生成研究区离散地面高程值(DEM),经作差提取棉花株高(CHM),利用不同棉花品种(系)实测株高(H)与提取的棉花株高(CHM)作回归分析。【结果】 通过DOM可快速无损地监测花铃期各棉花品种(系)长势、叶色性状差异及分布状况,经DSM和克里金插值法提取的DEM和棉花株高分布图得出,研究区整体地势较平坦,高低落差仅0.5 m。所建株高模型R²达到0.846 9,验证模型R²也达到0.758 1。【结论】 利用无人机影像生成的DOM、DSM和克里金插值法生成的DEM,提取的棉花花铃期株高(CHM)精度较高,无人机搭载数码相机进行棉花株高测定具有较好的适用性。为大范围的棉花田间株高观测提供一种新的研究方法是可行的。     

基于机器学习和深度学习的玉米种子活力光谱检测

为解决传统的种子活力检测方法存在耗时长、损伤种子等问题,实现种子活力的快速无损检测,分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型,通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本,采集其高光谱数据后通过卷积平滑（SG）和多元散射校正（MSC）去除高光谱噪声,分别采用主成分分析（PCA）、连续投影算法（SPA）进行光谱特征降维,再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像,用局部二值模式（LBP）提取感兴趣区域的纹理特征,并与纯光谱特征融合。分别基于纯光谱特征构建决策树（DT）和支持向量机（SVM）模型和融合特征建立随机森林（RF）、SVM和极端梯度提升树（XGBoost）模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示,就机器学习方法而言,针对纯光谱特征表现最好的是PCA-SVM模型,其测试集准确率为92.5%;针对融合特征表现最好的是SVM模型,其测...     

基于UAV高光谱遥感的春小麦表型特征提取

表型特征是评估作物生长状况的关键指标,对作物长势的分析至关重要。本研究利用Cubert S185机载高光谱成像仪采集了春小麦4个生长期的高光谱影像,同时测量了作物高度,叶面积指数和叶绿素含量。采用线性回归和多种机器学习算法,确定不同表型特征的最优反演模型,结果发现：利用播种前和不同生长期的DSM数据估算春小麦高度,实测值与预测值间的R²为0.808,RMSE为0.105,较好地模拟了高度变化;对比3种机器学习回归模型,发现基于光谱指数NDSI₍(710,714))构建的支持向量回归(SVR)模型对LAI具有良好的预测能力,R²为0.723,RMSE为0.267。同样,基于光谱指数NDSI₍(738,710))构建的XGBoost模型在预测CCC方面也表现优异,R²为0.795,RMSE为132.811。本研究结果可为精准农业的高效管理提供有力的技术支撑。     

基于随机森林算法的凉水自然保护区蓄积量反演研究

以黑龙江凉水自然保护区为研究对象,采用GF-1卫星遥感影像为数据源,提取遥感影像在不同窗口大小下的纹理特征信息,与遥感影像自身的光谱信息相结合;利用随机森林算法,结合地面蓄积量采样点数据,建立凉水自然保护区蓄积量反演模型。结果表明:只基于卫星光谱的反演模型的相关系数为0.59,基于卫星光谱与纹理特征的蓄积量反演模型的相关系数为0.65;当窗口大小为3×3时,森林蓄积量反演效果最好。研究表明,基于卫星光谱信息和纹理特征信息,利用随机森林算法进行森林蓄积量反演在森林资源调查方面具有良好的应用前景。     

基于光谱和Gabor纹理信息融合的油桃品种识别

为实现油桃品种的快速且无损鉴别,对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中,采用偏最小二乘回归(partial least squares regression,简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中,采用主成分分析(principal component analysis,简称PCA)获得主成分图像,并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine,简称LS-SVM)和极限学习机(extreme learning machine,简称ELM)油桃品种判别模型。结果表明,基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%,较单独采用光谱信息和纹理信息的识别率都高,说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别,为农产品无损检测提供参考价值。     

基于无人机DSM的小麦倒伏信息提取

[目的]通过计算小麦的绝对高度来监测小麦倒伏状况,基于无人机影像获取小麦倒伏面积及其分布,为快速进行农业灾害评估提供科学依据。[方法]对奇台县境内不同地形部位的小麦地块进行调查和研究,结合小麦高度的实测值构建倒伏模型,以无人机平台获取的DSM影像为数据源,通过DSM差减法得到小麦实际高度,选取3个典型倒伏地块,用构建的倒伏模型对研究区进行分类,用像元统计的方法提取倒伏面积并采用混淆矩阵的方法对模型的分类精度进行验证。[结果]倒伏主要发生在沙漠边缘、中部平原以及丘陵区的灌溉耕地,南部山区的旱耕地未发生倒伏;模型解译的总体分类精度均在83.33%以上,Kappa系数在0.75以上,表明用文中建立的倒伏模型对奇台县灌浆期小麦进行倒伏监测是可行的。[结论]利用无人机获取的DSM数据可以有效监测小麦倒伏信息。     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

大比例尺航片正射影像中的树冠提取

为使森林航片的分类精度达到单株林木提取水平,以凉水国家级自然保护区1:8000正射影像、DEM及红松(Pinus koraiensis)生境、立地条件特征为基础,对航片进行了传统的非监督分类、监督分类和专家分类,并对其分类机理进行了分析,提取了红松树冠光谱特征、纹理特征。在构建的红松树冠识别模型基础上,执行分类,并运用混淆矩阵分析法对分类结果进行了精度检验。结果表明:将纹理信息、DEM信息、红松生境及立地条件特征信息作为专家知识,构建红松树冠识别模型进行分类的方法,能有效地降低地物分类中"同物异谱"和"同谱异物"现象,使分类的总体精度达到96%,比监督分类提高了10%,从而使大比例尺森林航片分类精度达到了单株林木提取水平。     

基于高光谱成像技术的茄子叶片灰霉病早期检测

为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测.     

基于AE-FFNN神经网络的橡胶树叶片磷含量定性研究

磷元素对橡胶树的生长发育至关重要,基于近红外光谱的橡胶树氮磷钾元素含量的快速无损检测已有很多研究,但磷元素含量的检测效果远不如氮钾。基于近红外高光谱技术结合非线性特征提取方法和建模算法实现橡胶树磷元素含量的快速无损检测。以橡胶树叶片的近红外高光谱数据为分析对象,运用神经网络非线性变换的特征提取思想,构建了一种融合自编码器与前馈神经网络(autoencoder-feedforward neural network, AE-FFNN)模型。通过自编码器提取橡胶树叶片的光谱非线性特征信息,运用前馈神经网络进行建模,应对不同精细程度的分类任务,从而实现橡胶树叶片磷含量的定性分析。结果表明,AE-FFNN模型有效提取了光谱非线性特征并压缩了特征数量,通过该方法提取的特征为31个,且定性分析模型精确度提升,能够达到91.10%。相较于在光谱检测领域广泛采用的机器学习模型,所建立的AE-FFNN模型性能有较大提升。该模型既可以应用于橡胶树叶片磷元素含量的定性分析,也可为磷元素含量的定量研究提供思路。     

基于决策树模型的吉林西部居民地分布信息提取

以吉林西部为研究区,将遥感影像的光谱特征和纹理特征作为分类依据,建立决策树模型,提取居民地信息,并选用手动提取的吉林西部居民地信息,利用混淆矩阵对其进行精度评价。结果表明,决策树易于综合光谱和纹理特征进行居民地信息提取,通过对比发现,利用决策树方法提取的居民地的精度明显高于传统的最大似然法,并总结出了利用该方法提取居民地信息的算法。     

基于无人机可见光图像的作物分类研究

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。     

集群式影像处理系统的技术研究

随着经济社会的快速发展,国家基础建设对基础地理信息的需求量越来越大,需要一种能够在少量人工干预的条件下,经过一系列自动化处理,快速输出包括数字表面模型(DSM)、数字高程模型(DEM)、正射影像(DOM)等产品,并能生成一系列其他中间产品的系统设备.该系统采用多种先进算法,包括原始图像增强、快速自动生成和滤除连接点、自动提取密集DSM、传统几何校正、由DTM自动生成等高线、自动生成镶嵌影像等.通过对系统的多次测试,能够高质量地完成基于POS数据的无地面控制点空三加密、自动DEM匹配、自动DOM生产以及影像地图自动切片等任务.     

基于WorldView-2影像数据对杭州西湖区绿地信息提取研究

以杭州市西湖区为例,根据研究区域地物在World View-2遥感影像的特征差异进行区域划分。在每个分区内采用不同的多尺度和方式进行分割,构建多层次结构,综合利用光谱、形状、纹理等特征变量;采用CART决策树分类算法,选择最优特征及节点阈值分区域对杭州市西湖区的植被绿地信息进行提取;采用Jeffries-Matusita(J-M)距离法,确定纹理窗口尺度并筛选纹理特征。结果表明:本研究利用可分离指数J-M距离法得到影像地物草地、农用地、灌木、乔木最佳纹理窗口尺寸分别为5×5、11×11、13×13、13×13,对纹理尺度的选择和纹理特征的降维极大地提高了信息提取的精度及效率;基于面向对象的CART决策树分类法的总体分类精度相比基于像元的最大似然法的精度从76.53%提高到88.56%,Kappa系数从0.711 7提高到0.862 3,绿地平均用户精度从72.73%提高到84.63%;同时比常规的面向对象的方法更快速灵活地确定分类特征及阈值,大幅度地提高了提取效率及精度。     

基于神经网络的食用玫瑰花图像识别算法

针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。     

基于光谱与纹理特征融合的绿萝叶绿素含量检测

[目的]本文旨在快速测定植物体内叶绿素含量,以提高无损测定叶绿素的准确性。[方法]以绿萝叶片为研究对象,提出一种串联融合高光谱特征与纹理特征的叶绿素SPAD值的无损检测方法。采集320片绿萝叶片样本在400～900 nm波段的光谱信息,使用Savitzky-Golay卷积平滑对原始高光谱图像进行预处理,利用连续投影算法(successive projections algorithm, SPA)选取出10个特征波段,对绿萝叶片高光谱图像中的RGB图像采用灰度共生矩阵算法(gray-level co-occurrence matrix, GLCM)提取其纹理特征,采用串联方法融合高光谱特征与纹理特征得到融合特征,分别建立单一特征和融合特征的误差反向传输人工神经网络(back propagation artificial neural network, BPANN)和支持向量机回归(support vector machine regression, SVR)模型。[结果]单一使用特征光谱数据或图像纹理数据作为特征值建立的预测模型,综合性能不稳定;基于串联融合特征的预测模型准确率有明显提升。基于串联融合特征的SVR模型具有最佳的预测结果,校正集决定系数R~2为0.961 2,预测集决定系数R~2为0.957 1。[结论]高光谱特征与纹理特征的融合特征可以提高叶绿素回归预测模型的准确性,为叶绿素含量无损检测提供了重要参考。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法

采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。