基于归一化植被指数对荒漠化草原地面高光谱影像中植被的识别

草原植被的分布与面积是草原退化评定的重要指标。以荒漠化草原植被为研究对象,在内蒙古四子王旗试验区域自然光下采植被的高光谱数据,通过构建植被光谱特征指标阈值对植被覆盖地区与非植被覆盖地区进行识别和分类,为低空高光谱遥感进行大面积的识别及数量统计提供依据,为高效,适时的草原监测和退化评价提供理论和技术手段。选择具有代表性归一化植被指数NDVI分析数据规律。结果表明:荒漠化草原阈值区间为0.01~0.9,其中植被阈值区间为0.4~0.9,非植被阈值区间为0.01~0.4,当NDVI阈值取0.4时对有无植被覆盖分类明显,经Kappa系数验证精度达96.2%。高精度的植被识别为后续无人机高光谱遥感提供数据数据支持及理论基础。     

基于成像高光谱的苹果树叶片病害区域提取方法研究

【目的】对带病斑苹果树叶片的高光谱图像进行病斑提取,为作物病虫害的遥感监测提供支持。【方法】对带有病斑的苹果树叶片成像高光谱图像,从传统基于光谱特征和面向对象特征2个方向入手进行病斑提取。为减少高光谱图像波段之间的冗余,首先对高光谱图像采用PCA变换进行降维处理,利用降维之后的前11个波段,分别采用波谱角分类和面向对象分类的方法提取苹果树叶片病害区域。【结果】由于同物异谱和异物同谱现象的存在,波谱角分类算法在提取病斑时,对叶柄和叶脉产生了错误的分类,而且以像元为分类单位的波谱角分类,在分类结果图中存在椒盐噪声,而面向对象分类则避免了这一现象的发生。【结论】采用面向对象分类方法提取苹果叶片病斑的结果优于基于光谱特征的波谱角分类方法,其总体精度和Kappa系数分别为98.44%和0.97。     

内蒙古草地光谱特征分析

通过野外定点光谱采样,对线叶菊、羊草等几种常见的草甸草原类型进行光谱特征分析和种类识别,并分析了不同退化梯度草原的光谱特征.结果表明通过高光谱可以很好的体现不同草地类型、不同植物光谱差异特征.羊草在可见光比针茅的反射率大,而一阶导数,针茅的峰值比羊草大,红边位置与红边面积有所不同,且存在BEP“红移”.并发现在可见光区域重度退化草原的光谱反射率大于轻度退化的光谱反射率,而在近红外要小于轻度退化的光谱反射率.     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。     

未辐射校正高光谱数据应用于分类的可行性分析——应用光谱角制图法

常用的高光谱图像分类识别技术要求图像首先经过辐射校正处理.考虑到该过程的复杂性,我们通过比较光谱角制图法对辐射校正前后高光谱数据分类识别的结果,分析了未辐射校正数据应用于分类的可行性.使用光谱角制图法的原因在于该方法通过比较光谱向量间的角度确定相似程度,且参考光谱可以从原始图像中直接提取,这两点为辐射校正前数据用于分类提供了可能性.     

基于高光谱图像技术的马铃薯种类的鉴别

红、黄、紫马铃薯果肉颜色相近,肉眼很难识别,不同种类的马铃薯其营养成分各异,因此需要将马铃薯准确分类。传统的分类主要依靠化学实验方法,操作复杂且费时费力。利用高光谱技术对不同种类的马铃薯实施分类,不仅弥补传统方法的缺点而且能够快速、准确地实现分类。实验过程中首先利用高光谱成像系统采集黄、红、紫3种马铃薯的高光谱图像,并提取反射光谱数据;然后对光谱进行多元散射较正(MSC)预处理,接着运用主成分分析(PCA)选出7个特征波段;最后建立全波段、特征波段的支持向量机(SVM)和BP人工神经网络(BP-ANN)模型,实现马铃薯种类鉴别,准确率分别达到100%,说明利用高光谱图像技术能够准确的实现马铃薯分类。     

基于高光谱遥感的农作物分类研究进展

【目的】农作物类型识别是农作物面积、长势监测与产量预测的重要前提。及时、准确地获取农作物类型、空间分布以及种植面积对制定农业政策、促进社会经济发展和保障国家粮食安全具有重要意义。近年来,高光谱遥感凭借光谱分辨率高、光谱信息丰富等优点,已广泛应用于农作物制图中。【方法】文章归纳了高光谱遥感应用于农作物分类的研究进展,总结了国内外农作物分类常用的高光谱数据源,并分析了各种数据源的适用范围。梳理了农作物高光谱遥感分类方法,讨论了各种分类方法的优缺点。【结果】现有农作物高光谱遥感分类研究存在一些不足:(1)机载高光谱影像光谱分辨率高,但影像监测面积小,不适合大区域农作物面积提取研究;(2)星载高光谱影像监测面积较大,但空间分辨率较低,某些农作物面积提取实际应用中精度较低;(3)由于缺乏对农作物高光谱特征的研究,导致分类算法机理性不足,普适性较差。【结论】农作物高光谱遥感分类未来研究方向是:(1)丰富高光谱遥感监测的农作物类型;(2)提高高光谱影像的空间分辨率,实现农作物种植结构复杂、地块破碎地区的农作物分类研究;(3)进一步研究利用高光谱遥感进行农作物分类的机理和多源数据融合的方法。     

基于土壤调整植被指数对荒漠草原地表高光谱影像中植被识别

草原植被的分布情况是草原荒漠化等级评价的重要指标。本文以内蒙古自治区中部荒漠草原为研究对象,通过采集地物高光谱数据,使用土壤调整植被指数结合阈值法探寻植被光谱最佳阈值分布区间,进而完成植被的识别。研究结果表明,植被与非植被的最佳阈值临界为0.20,总体精度达到97.7%,Kappa系数达0.956。满足荒漠草原植被的高光谱识别要求,为后续研究低空高光谱遥感进行草原退化等级评价提供了技术支持。     

基于随机森林法的农作物高光谱遥感识别

  目的  不同农作物种类光谱差异小,通过探测众多窄波段范围的细微差别,提取区分不同农作物的特征波段,是目前实现农作物高光谱遥感识别的重要途径。如何提取区分不同农作物的特征波段,进而实现农作物的精确识别是一个挑战。近来出现的随机森林方法在多变量目标的分类识别方法展现了优势,为解决这一难题提供了一个新手段。  方法  利用随机森林法与传统方法分析杭州地区8种典型农作物的反射光谱,提取特征波段并进行分类,对比不同方法的识别效果。  结果  不同作物的反射光谱及其一阶微分、二阶微分、倒数的对数、去包络线法所提取的特征波段只能区分部分作物;随机森林法无需对反射光谱预处理,直接对全波段反射光谱数据处理,不仅筛选出了区分不同作物的特征波段,且运用所选择的波段对作物进行随机森林分类的效果也是最优的。  结论  随机森林法选择的波段（550、2 490、370、770、560、380、540、530、570、350 nm）不仅能区分不同作物,还能反映农作物生化属性的不同,使得用于分类的波段及分类方法体现了不同作物间物化性质的不同,在展现高光谱遥感识别农作物优势的同时,也为大面积农作物遥感精细分类提供借鉴。     

结合多尺度纹理特征的高光谱影像面向对象树种分类

目的基于机载高光谱影像的分类研究中，利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少，并且相关研究主要针对单一树种识别而不考虑多种树种，因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。方法利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况，采用分层分类的方法区分非林地、其他林地与有林地，对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量，包括独立主成分分析ICA变换光谱特征以及空间纹理特征，分析各树种的光谱反射率及所适合的纹理尺度，依据不同尺度纹理特征进行分层分类，比较不同特征利用支持向量机SVM分类的树种分类结果。结果结合单一尺度纹理特征的分类结果总体精度为87.11%，Kappa系数为0.846；结合不同尺度纹理特征的分类总体精度为89.13%，Kappa系数为0.87，相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中，纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度，尤其在其他阔叶树种和马尾松树种的分类中，制图精度较单一纹理尺度分别提高了5.48%和6.12%。结论利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势，提高了纹理特征在树种分类中的贡献率；综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法，使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的，能够满足机载高光谱影像树种精细识别的应用需求。      

AVIRIS高光谱遥感数据的植被信息提取

以Moffett Field的AVIRIS高光谱遥感影像为对象,应用基于信息量的自适应波段选择方法实现植被信息提取的最优波段组合,在此基础上采用监督分类为主、目视解译为辅的信息提取方法,在ENVI和ERDAS遥感图像处理软件中进行分析与处理,实现植被信息提取。结果表明,与多光谱遥感数据相比,高光谱遥感数据具有更强的植被信息识别能力,提取的植被信息更丰富。     

基于高光谱成像的大豆叶片叶绿素分布可视化

[目的]利用高光谱成像技术估测大豆叶片叶绿素含量并实现其分布可视化,为直观监测大豆元素营养水平和生长发育状况提供技术支持.[方法]利用高光谱成像技术采集80片生长发育程度不同的大豆叶片高光谱图像,提取并计算叶片平均光谱后测定其对应的叶绿素含量,分析大豆叶片反射光谱特征差异,比较叶绿素与叶片反射光谱特征的关系,通过不同的...     

基于DIQA的腐烂蓝莓高光谱特征波长图像选取方法

目前高光谱成像技术已成为蓝莓品质自动检测的重要手段,其中提取特征波长是一个重要步骤。为获得最佳的腐烂蓝莓高光谱特征波长图像,提出一种基于深度学习的高光谱图像特征波长图像选取方法。首先提取腐烂蓝莓高光谱各波长图像的高频分量图像,然后提出利用深度学习图像质量评价网络（DIQA）选取腐烂蓝莓高光谱图像中的最佳图像。在DIQA第一阶段对腐烂蓝莓高光谱图像的高频图学习误差图。在DIQA第二阶段将第一阶段能够预测误差图的网络作为对腐烂蓝莓高光谱图像质量评价的骨干网络,并对网络做全局平均池化,最后引入两个特征以弥补信息量损失,通过评分评价图像质量。结果表明：通过对400～1000nm的472个波长下蓝莓高光谱图像进行质量评价,得到最佳图像质量的5个波长(664,721, 836,854,884nm)。与PCA提取的特征波长(454, 607, 699,913,967nm)图像相比较得知,所提取的腐烂蓝莓特征波长图像具有较多优势。另外采用卷积神经网络ResNet50对DIQA与PCA构建的蓝莓特征波长图像数据集进行学习,得出DIQA选取的腐烂蓝莓特征波长图像构建的数据集,损失能较快的收敛,并且在验证集...     

基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究

以福建沙县为研究区,融合SPOT-5多光谱影像与全色影像,基于灰度共生矩阵法提取纹理量,与光谱波段组合,采用支持向量机分类方法提取虫害信息,探讨纹理特征对于虫害监测信息提取精度的影响。结果表明:结合多尺度纹理与光谱特征的支持向量机分类方法,其虫害信息提取总精度最高,为80.48%;结合单尺度纹理与光谱特征的支持向量机分类器方法,其虫害信息提取总精度次之,为78.81%;基于光谱特征的最大似然法,其虫害信息提取总精度最低,为70.48%。结合多尺度纹理与光谱特征的支持向量机分类器方法,其图面表现也较好,减少了图面的细碎斑点。因此,提取多尺度纹理与光谱特征结合,丰富了图像信息量,有助于提高虫害信息的提取精度。     

退化草甸草原近地面光谱特征初探

运用ISI921VF-256型地物光谱仪对内蒙古西乌旗哈日根台镇赛温都嘎查低山丘陵草甸草原的草群、裸地等进行光谱数据的提取,获得其反射率光谱特征。试验结果表明：不同地物的反射率不同,草甸草原草地群落的光谱反射曲线在可见光波段具有明显的峰谷特性,在近红外波段呈强反射;裸地的反射曲线在可见光区高于草地群落;在近红外区低于草地群落;在不同退化梯度下,草甸草原植物群落的光谱反射率,随着退化梯度的加强而增强;在同一退化梯度下,大针茅群落对可见光的反射率小于冷蒿群落,而对近红外光的反射率大于冷蒿群落;草甸草原的不同地物具有其不同的光谱特征,并随着退化程度的变化表现一定的差异。     

基于无人机高光谱的荒漠草原地表微斑块分类研究

草原荒漠化会严重破坏草原生态平衡，荒漠草原地物分类已成为草原监测管理的关键问题。本文通过构建无人机高光谱遥感系统，解决了原有草原调查方式上效率低与空间分辨率不足问题；构建高分辨率图像卷积神经网络(HR-CNN)解决了荒漠草原地表微斑块精细化分类问题；与ResNet34、GoogLeNet、常规卷积神经网络模型进行对比，总体上HR-CNN模型表现更优，总体分类精度与Kappa系数分别为98.27%、96.63。在相同迭代次数条件下，模型构建速度上，HR-CNN相较其它三类模型分别提升65.88%、65.71%、13.77%。模型内存占有量上，HR-CNN相较其它三类模型分别降低92.11%、79.21%、43.64%。该网络模型是轻量化卷积在荒漠草原地物分类研究中的有效探索，可为后续草原地物分类提供新思路。     

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。     

土地覆盖遥感专题信息分层分级提取方法研究

【目的】以陕西省横山县1990年的TM图像和2013年的OLI图像作为基础数据源,准确获取横山县土地覆盖专题信息,并制作土地利用类型转换图谱。【方法】对图像预处理后,将横山县10种土地利用类型分别归属到不同的专题层,按照提取难度排列各专题层的处理顺序;对于一个专题层针对性的构建特征空间,并辅助专题图件在特征空间中通过全局阈值分割,获取目标土地利用类型的概貌信息;将包含一层概貌信息的二值图像作为掩膜文件与原图像进行求交运算,依据剩余地物之间的光谱特征和形态特征差异选取尺度,对求交结果依次执行面向对象分割、SVM监督分类和基于数学形态学开闭运算的分类后处理操作,以进一步分离出较难识别的背景地物,获取目标土地利用类型的精确空间分布信息;复合各专题层的提取结果,形成一期的土地覆盖分类结果,然后由两期结果制作横山县1990-2013年土地用类型转入、转出图谱。【结果】分层分级提取方法依据目标土地利用类型对象与背景地物对象的光谱特征和形态特征差异,对多光谱遥感图像逐层逐级分解计算,有效减少对光谱特征微弱、混淆地物的漏分误判现象,降低椒盐效应。两期TM/OLI图像提取结果的总体分类精度和Kappa系数分别为82.31%和0.775,81.26%和0.762。【结论】实验所设计的专题信息提取方法能够较为准确、快速地获取横山县土地覆盖专题信息,为解译黄土高原水蚀风蚀交错带TM/OLI图像提供一个新的思路。     

基于空谱一体化的农田高光谱图像分类

为强化高光谱成像技术在近地农业方面的应用,以农田近红外高光谱图像为研究对象,利用高光谱成像技术,结合光谱分析方法和监督分类方法,对农田图像进行分类。针对高光谱图像数据量大、非线性等特点,采用主成分分析(PCA)和支持向量机(SVM)法建立农田图像分类器。在利用光谱信息分类的基础上,采用空谱一体化方法对光谱分类结果进行修正,去除孤立点和噪声的影响。基于支持向量机的总体分类精度为88.4%,采用空谱一体化方法的总体分类精度最高达89.7%,说明利用空间信息修正光谱信息可以提高近地农田对象的分类精度,为基于高光谱图像的近地农田识别提供理论依据。     

基于高光谱图像技术的油菜籽品种鉴别方法研究

提出了一种采用高光谱图像技术结合人工神经网络对油菜籽品种进行鉴别的方法.采集多个品种油菜籽400～1 000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波长;采用基于灰度直方图和灰度共生矩阵联合的统计方法从特征图像中提取纹理特征参数,应用人工神经网络建立油菜籽品种鉴别模型.结果表明,模型训练时品种判别率为93.75%,预测的判别率为91.67%.说明高光谱图像技术对油菜籽品种具有较好的分类和鉴别作用.