基于面向对象分类的细小河流水体提取方法研究

以2010年8月和1986年8月横山县TM图像为基础数据源,获取精准水域分布信息并进行动态分析。对2期TM图像进行预处理;创建特征空间WFS,辅助土地利用现状图、地形图、水系图等专题图件进行叠加分析,在WFS中通过全局阈值分割分离出沟谷阴影、植被等背景地物信息,粗提水域分布信息;在此基础上进行LBV变换,并选取适宜尺度执行面向对象分割,优化目标对象识别区;执行SVM监督分类并组合数学形态学开、闭运算对初始全域水体信息提取结果的二值图像进行分类后处理,精确逼近各类水体的水陆界限;依据2期全域水体信息提取结果进行动态分析。结果表明,所用方法能完整、快速地提取出研究区各类型水体的分布信息,准确识别细小河流水体,显著减少对沟谷阴影等背景地物的误判,基本消除椒盐效应;1986年和2010年2期水体提取结果的制图精度和用户精度分别为0.921、0.875和0.913、0.862。     

基于HJ卫星的洪水损毁农田遥感识别

利用洪水灾害前后两个时期的HJ卫星影像,对“7.21”北京市房山区特大暴雨灾毁农田识别技术进行了研究。首先采用监督分类方法,获取灾毁前后的农田分布图。然后将两个时期的农田分布图叠加,提取农田变化信息,统计受灾农田的分布面积。研究结果显示:房山区“7.21”水毁农田面积4 103.82 hm2,主要分布在拒马河、大石河和夹括河流域。验证了利用HJ卫星影像结合监督分类方法进行洪水损毁农田识别的可行性,可为相关动态监测问题提供一定的理论依据。      

黄土丘陵沟壑区遥感影像信息面向对象分类方法提取

探索了基于面向对象分类方法提取黄土丘陵沟壑区高分辨率遥感影像土地信息的途径。以燕沟典型小流域为例,基于ALOS的多光谱、全色立体影像并辅以数字高程模型DEM和NDVI数据,进行面向对象的多尺度分割,利用阈值逐次提取与该区生态系统恢复、农业生产和生活实际密切相关的灌丛、林地、草地、耕地、果园、居住地和水体共7种土地利用类型,得到的分类精度为77.73%。     

基于决策树和面向对象的作物分布信息遥感提取

利用我国2012年4—11月覆盖主要农作物全生育期的23幅中分辨率HJ-1A/1B卫星时序影像,采用决策树和面向对象相结合的分类方法提取黑龙江省双河农场主要农作物分布信息,并与传统决策树分类方法进行对比。通过影像预处理构建时序HJ星影像集,先利用面向对象方法提取道路,为作物提取排除田间道路及附属地物干扰;再结合作物物候历分析不同地物光谱和时序特征,筛选出7个特征指数和14个敏感时相,建立决策树分类模型,提取出玉米和水稻。研究表明,多特征指数辅助作物分类十分有效,尤其是归一化水指数NDWI对水稻提取非常有效;较之传统决策树分类,决策树和面向对象相结合的分类方法能有效剔除田间道路及附属林带沟渠对作物分类的干扰,总体分类精度从89.22%提升至95.18%,该方法可为其他地区利用中分辨率遥感影像低成本高精度提取作物分布信息提供借鉴。     

基于改进半监督模型的空间异质性农田特征提取研究

提取农田信息对智慧农业、环境保护等有重要意义。监督学习模型对不同地貌、区域、种植类型等空间异质性农田的特征提取效果不佳。针对该问题,本文提出一种半监督学习模型,该模型使用基于加权损失函数的在线难例样本挖掘策略,在Vaihingen数据集中总体精度高达87.1%,相较于其他半监督学习模型的提取效果最好。在吉林一号农田影像数据集进行空间异质性农田特征提取中的对比试验和精度评估,结果表明：分别使用拟提取地区和训练集地区的无标注影像训练该模型,均可提高对空间异质性农田特征提取精度,若无标注影像与拟提取地区影像中农田特征相似度高,总体精度可提升2.1～6.1个百分点,总体精度最高可达84.0%。该模型使用更少量的标注信息获得媲美监督学习模型的提取效果;而使用相同量的标注信息,可以通过增加无标注影像以取得比监督学习模型更好的提取效果。本文构建河北献县地区的农田数据集,模型使用吉林一号农田影像数据集(部分1)作为有标注训练集,吉林一号农田影像数据集(部分2)和献县地区高分二号影像数据集作为无标注影像训练后的总体精度高达88.7%。验证了改进后的半监督学习模型可准确有效提取空间异质性农田特征。     

基于Sentinel-2遥感影像的黄土高原覆膜农田识别

及时、准确地获取覆膜农田的空间分布信息是防治地膜微塑料污染的基础。为准确地识别黄土高原地区的覆膜农田,本研究构建了基于Sentinel-2遥感影像和随机森林算法的适用于黄土高原覆膜农田遥感识别的特征集组合与多时相组合方案。以甘肃省临夏县、宁夏回族自治区彭阳县和山西省山阴县作为测试区,陕西省旬邑县作为验证区开展识别研究。首先,基于随机森林算法,针对3个不同的作物生育期(播期、生长旺盛期和收获期),在7种不同的特征集组合方案中优选出各时期识别精度最高的方案。然后,基于不同作物生育期的遥感影像及其对应的最优特征集组合方案,构建不同的多时相组合来进行覆膜农田识别并优选多时相组合。最后,利用旬邑县来验证构建的优选特征集组合与多时相组合识别覆膜农田的有效性,并绘制各研究区的覆膜农田空间分布图。结果表明：相比于其他遥感识别特征因子,Sentinel-2遥感影像光谱特征集中的可见光波段(B2、B3和B4)和短波红外波段(B11和B12),指数特征集中的归一化差值裸地与建筑用地指数(NDBBI)、归一化水体指数(NDWI)、裸土指数(BSI)、归一化建筑物指数(NDBI)和改进的归一化水体指数(MNDW...     

基于机器视觉的农田机械导航线提取算法研究

随着科学技术的发展,精细农业已成为现代农业发展的主导方向。农业机械的自动导航技术是精细农业的关键技术之一,也是实施精准农业的基础。机器视觉由于其广泛实用性,已成为农田机械导航线提取的重要方法。目前,机器视觉自动导航线提取易受自然环境干扰,且在实时处理速度上有待提高。为此,研究了一种导航线提取算法,旨在简化图像处理,提高通用性。首先对CCD获取的彩色农田图像,使用改进的过绿色算法进行灰度化,得到目标区分较好的图像;然后使用改进的OTSU算法对图像进行分割,得到二值图像,再采用滤波、腐蚀、膨胀相结合的算法去除图像噪声;最后提取作物行骨架,拟合作物行直线并进行方向校正,计算相机偏差,为实时校正航向提供反馈信息。试验结果表明,该算法处理一幅图像所用时间在200ms左右,可满足农田机械实时导航的要求。     

一种基于Sentinel-2的塑料大棚提取方法

采用Sentinel-2 MSI（multispectral instrument,MSI）作为数据源,以多尺度面向对象分析为基本方法,研究分析塑料大棚与其他地物在不同分割尺度下的典型特征,建立一组大棚指数,提出一种基于大棚指数集的塑料大棚提取方法。通过山东省潍坊市某地区的塑料大棚提取试验对方法进行验证,应用该方法提取大棚的生产者精度、用户精度和总体Kappa系数分别为96.6%、89.2%和0.9,测试精度表明该方法能较为有效地应用于塑料大棚提取研究。      

基于面向对象的坑塘遥感监测与动态分析

以江汉平原的洪湖市为研究区,利用1990—2009年间的3期Landsat卫星TM遥感数据,基于面向对象的分类方法进行多尺度分割,利用光谱、空间、纹理等特征,并结合专家知识进行坑塘信息提取,对洪湖市坑塘变化状况进行遥感监测和时空演变分析。结果显示:利用面向对象的自动分类方法可以有效提取坑塘信息。洪湖市坑塘面积在1990—2009年间呈现增加趋势,其中1990—2000年与2000—2009年间坑塘面积分别增加了306.53 km2和379.69 km2。坑塘增加面积随着与湖泊空间距离的增加而减少,坑塘的增加主要由耕地、湖泊和河流转化而来。利用面向对象的坑塘信息自动提取可以为区域资源环境调查监测提供参考。     

基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类.首先基于多时相Sentinel-1雷达和Sentinel-2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间.然后构建多核学习模型,实现多源、多时相特征的自适应融合.最后构建基于池的主动学习策...     

基于Shannon-cosine小波的农田遥感图像纹理延拓

农田遥感图像一般都是大图像,对这种大图像进行后续的分析,分块处理是较常见的方法,而在进行分块处理的时候易产生边界效应。消除边界效应最常用的方法是进行图像延拓,常见的延拓方法有对称延拓、零延拓和周期延拓,但在边界处会引入大量高频信息。农田遥感图像中的纹理承载了重要的信息,因此,结合农田遥感图像纹理呈现出的直线特性,本文提出了一种基于纹理方向的图像延拓法。利用多尺度插值小波解偏微分方程的方法根据图像的灰度变化自适应选取配置点,即在图像平坦区域稀疏取点,在纹理细节处密集取点。然后根据配点利用包围盒识别农田遥感图像的纹理方向,进一步沿纹理方向进行延拓。试验结果表明,本文提出的图像延拓方法有效地克服了常规延拓方法的缺点,提高了计算效率,消除了边界效应。     

基于多目标遗传随机森林特征选择的面向对象湿地分类

以多时相Landsat8影像和SRTM DEM为数据源,对南瓮河流域进行了面向对象湿地分类。为削弱高维特征集对分类精度的影响,提出一种多目标遗传随机森林组合式特征选择算法(MOGARF)进行特征集优化。利用Relief F算法对完整特征集进行特征初选,再以基于随机森林的封装式多目标遗传算法进一步提取优化特征集。将所得特征集结合随机森林分类法提取湿地信息。并将结果分别与基于完整特征集和仅采用Relief F算法及Boruta算法提取的优化特征集的3种随机森林分类结果对比。试验结果表明,采用MOGARF算法特征选择后,特征维度降低至原来的10%,且分类精度最高,总体精度为92.61%,比其他分类方案提高0.35%~1.94%,Kappa系数为0.907 5,袋外误差为7.77%,比其他分类方案降低0.91%~1.48%。利用MOGARF特征选择的随机森林分类法是湿地分类的有效方法。     

高分辨率遥感影像农田林网自动识别

以0.5 m的Geo Eye-1卫星遥感影像为数据源,充分利用影像的纹理和光谱信息,研究农田林网高分辨率遥感自动识别方法。首先利用归一化差值植被指数(NDVI)和二维熵值构建分类决策树,并结合辅助数据初步提取出带状的农田林网;其次对该结果进行形态学处理,得到连续、细化的农田林网识别结果。选取甘肃省临泽县河西走廊中部巴丹吉林沙漠南缘绿洲的部分区域为研究区,进行实例验证,结果表明,采用本文构建的方法,农田林网的自动识别精度均在92%以上,平均精度达到92.97%,空间位置吻合度均在86%以上,平均吻合度达到93.13%,满足土地整治等工程监管的实际需求。该方法可为农田林网建设及相关工程监管提供科学支撑。     

基于Canny算子的农田线状工程地物自动提取方法

以0.5 m分辨率的World View-2为数据源,根据田间道路和沟渠在该影像中的特点,基于Canny算子,设计了一种适合云环境下自动检测农田沟渠、道路等线状工程地物的方法。在Canny算子边缘检测的基础上,首先通过设计连接断点算法,抑制单像素断点现象;然后,利用种子点生长法,通过判定欧氏距离,识别疑似线状工程地物片段,并拟合疑似片段所在直线方程;进一步利用低长度阈值过滤,连接疑似地物片段;再通过高长度阈值筛滤伪线状片段,最终实现线状工程地物的提取。以内蒙古达拉特旗土地整治工程区为研究区,对提出的方法进行了验证,实验结果表明,提取长度精度优于95%,对于地物简单的区域正确率优于95%,满足土地整治工程等建设监管的基本需求。     

基于小波变换的农田图像光照不变特征提取算法

提出了基于小波变换的农田图像光照不变特征的提取算法。采用Retinex光照模型,对原始农田图像进行剪裁和归一化等预处理,选用Haar小波基多级分解预处理后的图像,从而得到图像的高低频成分;通过阈值法更新小波分解后的高频系数,重构获得多尺度反射模型,以提取光照不变特征;进行了光照不变特征提取和农作物航线获取试验。结果表明,该算法提取的特征图受自然光照的影响很小,且能够极大程度保留场景中的物体特征。同时,农作物航线提取在不同光照条件下均具有较高精度,航线误差在±2°以内,能够满足农机导航的精度要求。在NVIDIA的Jetson TX2硬件平台上,该算法总耗时在300 ms以内,相机前视距离可达20 m,满足农机正常作业的实时性要求。     

高光谱遥感图像DE-self-training半监督分类算法

提出了一种高光谱遥感图像半监督分类算法DE-self-training。利用少量标记样本作为初始训练集,基于改进的Self-training算法构建初始分类器,对未标记样本进行预测;然后从分类结果中按一定比例随机选取部分样本,连同其类别标记一起加入训练集中,再用扩大的训练集重新训练分类器,并对剩余的未标记样本进行预测。如此迭代地进行训练-预测-挑选样本扩大训练集过程。同时,在迭代训练过程中,运用基于最近邻域规则的数据剪辑策略对扩大训练集时产生的误标记样本进行过滤,以保证训练集的质量,不断迭代地训练出更精确的分类器,最终使所有未标记样本都获得类别标记。以AVIRIS Indian Pines和Hyperion EO-1 Botswana作为实验数据对DE-self-training算法进行测试,并与基于支持向量机的分类结果作比对。实验表明,DE-self-training算法可以在标记样本数量有限条件下,充分挖掘未标记样本的有用信息,使总体分类精度和Kappa系数都有不同程度的提高。