基于像元二分法的冬小麦植被覆盖度提取模型

【目的】快速准确提取冬小麦返青期植被覆盖度信息。【方法】利用无人机获取田间冬小麦可见光图像,提取图像中4种常见可见光植被指数;在像元二分法原理的基础上,分别构建基于差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)、归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI)和归一化绿红差异指数(Normalized green-red difference index,NGRDI)的植被覆盖度提取模型,采用支持向量机(Support vector machine,SVM)监督分类结果作为真值对各模型进行精度验证。【结果】4种模型中,利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高,提取效果较好。与监督分类结果对比,4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%,R2分别为0.946 1、0.934 4、0.695 3和0.746 0,均方根误差(RMSE)分别为0.021 9、0.059 5、0.042 0和0.055 9。【结论】采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取,为植被覆盖度提取提供了一种新途径,可为无人机遥感监测提供参考。     

基于分水岭算法的无人机不同飞行高度下林木冠幅提取研究

树冠是林木重要的组成部分之一,林木冠幅信息精确提取对森林资源调查和树木生长动态监测有着重要的意义。通过设置不同的无人机飞行高度,以哈尔滨市城市林业示范基地中的樟子松样地为对象,分别利用传统分水岭算法和改进分水岭算法对单木树冠和林隙进行提取,并对树冠冠幅和树冠投影面积进行估算,最后与实测数据进行对比分析。结果表明:1）基于传统分水岭算法平均单木冠幅识别率为51.11%,平均欠分割率为25.18%,平均过分割率为11.11%;树冠冠幅和树冠投影面积平均提取精度分别为69.72%和53.59%,说明传统分水岭算法对单木冠幅提取效果一般。2）改进分水岭算法平均单木冠幅识别率为80.74%,平均欠分割率为8.15%,平均过分割率为6.67%;树冠冠幅和树冠投影面积平均提取精度约分别为79.84%和76.04%,表明改进的分水岭算法对林木单木冠幅提取精度较高。3）50 m飞行高度下样地中林隙面积在0~5 m²和5~10 m²各占57.89%和31.58%;林隙形状指数分布在1.14~1.85,平均值为1.36;研究表明,利用改进分水岭算法在50 m无人机飞行高度获取的林木影像可以有效提取林木树冠和林隙面积信息,研究结果可为森林资源调查提供有效参考。     

基于显著性检测的蔬菜鳞翅目害虫图像自动分割算法

提出一种基于显著性检测的害虫图像自动分割算法(S-segmentation算法),首先利用显著性检测方法,结合图像局部区域的颜色距离和空间距离特征,对样本图像作预处理;然后采用无交互式图像分割算法处理显著检测结果图,可实现目标区域的完美分割,避免多次重复设置背景区域.通过对5种鳞翅目幼虫图像进行分割试验,结果表明该算法的分割准确性明显提高,平均分割精确度可达93.14%,较传统图像分割算法提高了约20%,并且复杂度低,运行效率高,分割精确度不受样本数量影响.进一步将该算法应用到体型和颜色多样化的鳞翅目成虫图像分割上,得到的平均分割精确度达到88.22%.     

基于K-means聚类与果萼形状的‘海沃德’猕猴桃膨大果检测方法

【目的】根据‘海沃德’猕猴桃膨大果和未经膨大剂处理的猕猴桃正常果在果萼形状上的差异,建立一种基于K-means聚类算法的猕猴桃膨大果的图像识别方法。【方法】利用K-means聚类算法对猕猴桃的RGB图像进行聚类,以初步分割出猕猴桃果萼;对RGB图像进行灰度化,并采用最大类间方差法对灰度图像进行阈值分割,基于阈值分割后的二值图像提取猕猴桃的边缘区域;基于K-means聚类分割的结果与猕猴桃边缘区域的二值图像提取果萼的聚类,再利用数学形态学处理精确提取出猕猴桃的果萼。求取果萼区域最小外接矩形的长宽比,并根据长宽比进行猕猴桃正常果与膨大果的判断与识别。【结果】对提取的猕猴桃果萼特征的统计分析表明,当猕猴桃果萼区域最小外接矩形的长宽比值大于1.6时为膨大果,否则为正常果,利用该算法对‘海沃德’猕猴桃膨大果的总体正确识别率为91.5%。【结论】基于K-means聚类分割算法和果萼形状上的差异所提出的猕猴桃膨大果无损、便捷检测方法,为猕猴桃膨大果的工业化在线检测及基于手机平台的猕猴桃膨大果识别软件的开发提供了新思路。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

果园自然环境下采摘机器人路径识别方法

果园自然环境下光照条件是不同的,而不同的光照条件又会对采摘机器人的路径导航产生不同影响,针对此环境,本研究提出了一种根据光照度进行分类并使用不同算法提取道路中心线的方法。首先对图像亮度分量和光照度进行研究,并将光照度划分为低光照、正常光照和高光照3个等级。在低光照条件下通过分离出S通道,然后利用K-means与Ncut算法对其进行分割,在正常光照条件下采用Otsu算法对S通道进行分割,在高光照条件下则通过K-means与Ncut算法对Cg、Cb与Cr通道进行差分运算后的图像进行分割。将分割后的图像进行边缘检测并提取道路轮廓,并通过最小二乘法实现道路中心线的获取。最后选用150张不同光照条件下的图像进行了静态试验验证,并通过课题组自行研制的采摘机器人进行了动态试验验证,静态试验验证结果表明,3种光照条件下图像分割区域与道路真实区域的平均重合度为96.74%、平均分割误差为2.01%、平均道路中心线平均偏差为2.71像素,平均耗时为0.182 s;动态试验验证结果表明,3种光照条件下的平均横向偏移距离为3.1 cm。表明,该方法在不同光照条件下具有较高的精度和实时性,能够满足采摘机器人在自然光照条件下的路径识别及导航需求。     

一种基于K-means与Close-Form融合的树木图像提取方法

基于图像的树木自动提取是其种类、长势、形态等信息智能化判别的基础,如何实现树木的自动、准确、快速提取是具有实用性的科学问题。在自然场景中,由于图像元素多样、颜色差异大,树木自身存在不规则性,树木提取难度非常大。针对现有的图像分割与图像抠图法在树木提取过程中分别存在的误分割与过程复杂所导致的计算量大的问题,提出了一种基于K-means聚类算法优化Close-Form图像抠图的树木提取方法。在少量的标记下,依据颜色线性假设进行最小化代价函数计算,得到图像透明度;对透明度图像依次进行中值滤波、高斯滤波,得到透明度的去噪图像;对滤波后透明度与标准化的图像绿色分量组成二维空间进行K-means二聚类,实现背景与前景对象的准确判定,进而完成自然背景的树木图像提取。为了验证所提方法在不同场景和不同标记下的树木提取有效性,设计了基于K-means图像分割和传统Close-Form抠图方法的比较性试验。结果表明,基于K-means优化Close-Form的树木提取方法解决了传统Close-Form算法在少量标记下图像前景、背景估计不准确问题,克服了图像分割存在的误分类情况,实现了不同自然环境和多目标树木对象的提取。此方法具有对象提取稳定、计算时间快的优点,相对原Close-Form算法用时减少49.98%。     

基于清晰度的茶叶嫩芽聚类分割方法

针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。     

基于差分进化鲸鱼优化算法的森林冠层图像分割

针对森林冠层图像结构复杂,受光照不均匀,导致分割精度较差等问题,提出一种基于差分进化鲸鱼优化算法的冠层图像分割方法。首先选取多阈值Kapur熵作为适应度函数,应用鲸鱼优化算法（whale optimization algorithm,WOA）对阈值的搜索过程进行优化,代替传统遍历搜索机制,加强阈值搜索能力与效率。其次引入差分进化算法（differential evolution algorithm,DEA）进行混合,采用以种群平均适应度为评价指标的混合策略平衡2种算法,增强算法的局部搜索能力,实现更好地平衡探索与开发。最后通过对森林冠层图像进行阈值分割研究,在适应度值、PSNR、SSIM与计算时间上进行对比分析。结果表明,本算法可以获得更精确的分割阈值和更高的分割精度。     

基于K-means和特征提取的植物叶部病害检测与实现

针对植物常见叶部病害的检测并提高准确率,提出了基于K-means的图像分割和颜色特征提取的算法。以苹果枯叶病为研究对象,应用K-means算法先进行病斑叶片的图像分割,再提取三阶颜色矩参数,与正常叶片参数进行对比分析;实验测试表明,该方法能较好的识别苹果枯叶病,具有较好的鲁棒性,且准确率较高。     

水稻多时相植被指数特征及覆盖度提取研究

为准确快速获取水稻的植被指数特征和植被覆盖度信息,利用无人机采集水稻分蘖期、抽穗期和结实期的多光谱影像数据,选择不同类型的植被指数,利用样本统计法和植被指数交点法,提取并探究水稻3个生长期在地块和像元尺度下的植被指数特征,并运用阈值分割法提取水稻植被信息及覆盖度信息。结果表明,水稻3个生长期内,在像元和地块尺度下均表现出明显的物候特征,且与杂草和树木存在明显区别;多光谱植被指数的植被覆盖度提取精度整体高于可见光植被指数;归一化植被指数（normalized difference vegetation index,NDVI）对水稻3个时期植被覆盖度提取精度最高,提取误差分别为0.40%、0.43%和0.81%,R²为0.77、0.92和0.98,均方根误差（root mean square error,RMSE）为9.09%、2.97%和0.38%;可见光波段差异植被指数（visible-band difference vegetation index,VDVI）提取精度高于超绿红蓝差分指数（excess green-red-blue difference index,EGEBDI）和过绿减过红指数（excess green-excess red index,ExG-ExR）,提取误差分别为4.30%、1.36%和1.60%,R²分别为0.53、0.77和0.80,RMSE分别为14.62%、3.70%和5.50%。该研究成果可为作物长势监测及其植被覆盖度提取提供技术支撑。     

GEE支持下的河南省冬小麦面积提取及长势监测

【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎（Google Earth Engine,GEE）云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域（冬小麦种植区域）结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。     

基于RS的冬小麦种植面积提取及最佳时相选择

为探求冬小麦种植面积提取的方法,本研究通过多种图像处理方法对TM数据进行处理,结合实地调查和研究区主要种植作物的物候历,利用TM数据提取了冬小麦的种植面积。同时为了提高解译精度,结合GIS进行了两次目视解译过程,消除了分类器分类会出现的多分和漏分现象。结果表明:通过分类后计算混淆矩阵与地面真实感兴趣区(ROI)进行比较,发现Mahalanobis Distance分类法阈值(最大误差距离)为2.9时分类效果最佳。得到2007年研究区域冬小麦遥感监测面积为560 650 hm2,提取精度达到了95.23%。三个地区以临汾地区提取精度最高,而晋中地区最低。因此利用该方法提取冬小麦种植面积是可行的。     

Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta,China

Accurate winter wheat identification and phenology extraction are essential for field management and agricultural policy making. Here, we present mechanisms of winter wheat discrimination and phenological detection in the Yellow River Delta(YRD) region using moderate resolution imaging spectroradiometer(MODIS) time-series data. The normalized difference vegetation index(NDVI) was obtained by calculating the surface reflectance in red and infrared. We used the Savitzky-Golay filter to smooth time series NDVI curves. We adopted a two-step classification to identify winter wheat. The first step was designed to mask out non-vegetation classes, and the second step aimed to identify winter wheat from other vegetation based on its phenological features. We used the double Gaussian model and the maximum curvature method to extract phenology. Due to the characteristics of the time-series profiles for winter wheat, a double Gaussian function method was selected to fit the temporal profile. A maximum curvature method was performed to extract phenological phases. Phenological phases such as the green-up, heading and harvesting phases were detected when the NDVI curvature exhibited local maximum values. The extracted phenological dates then were validated with records of the ground observations. The spatial patterns of phenological phases were investigated. This study concluded that, for winter wheat, the accuracy of classification is 87.07%, and the accuracy of planting acreage is 90.09%. The phenological result was comparable to the ground observation at the municipal level. The average green-up date for the whole region occurred on March 5, the average heading date occurred on May 9, and the average harvesting date occurred on June 5. The spatial distribution of the phenology for winter wheat showed a significant gradual delay from the southwest to the northeast. This study demonstrates the effectiveness of our proposed method for winter wheat classification and phenology detection.     

一种粗糙熵和K-均值聚类相结合的岩心图像分割方法

K-均值聚类算法和粗糙熵是应用于图像分割的主要算法,目的是对图像进行分析处理。将K-均值聚类算法和粗糙熵结合起来应用到岩心图像的分割,目的是提取出岩石的隙缝信息。先利用K-均值聚类算法对岩心图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阚值分割的目的。通过效果图对比分析可以看出,采用基于粗糙熵的K-均值聚类算法处理多目标的岩心图像,提取出的目标更清晰,更明确,实验结果更有价值,证明了改进后算法的有效性。     

改进的医学CT图像K-均值聚类分割算法的实现

为提高K-均值聚类算法在医学CT图像分割上的应用效果、稳定性和质量,减少程序运行时间,本研究用Matlab语言优化了K-均值聚类算法程序,与StatisticsToolbox的K—means函数进行比较,使用单因素方差分析法检验两种算法实现程序运行时间的差异,并直接观察分割效果和稳定性。结果显示,改进后的K-均值聚类算法程序具有分割结果稳定、质量提高等优点,在常用Windows操作系统和Pc机配置环境下,分割耗时在1s左右,显著低于原有的分割程序,消除了等待感觉,提高了使用者的工作舒适度和效率,为图像的识别处理奠定了基础。     

基于面向对象分类的冬小麦种植面积遥感监测 —以淮北市临涣矿区为例

为揭示2000年以来淮北矿区冬小麦种植面积变化规律,以IKNOS、Worldview-III高分辨率遥感影像为数据源,采用基于多尺度分割的面向对象分类方法,提取安徽淮北临涣矿区冬小麦种植面积信息,分析其时空变化特征及其驱动因素。结果表明,基于多尺度分割的面向对象分类方法对冬小麦种植信息提取结果非常理想,Kappa系数达到0.92,总体精度为93%,制图精度可达到94%;临涣矿区现有冬小麦种植面积为21.16 km2,占矿区总面积的55.1%;随着临涣矿区开采规模不断扩大与人口密度的增加,矿区冬小麦种植面积显著减少,交通运输用地、工业用地以及住宅用地均有不同程度增加。该研究对深入开展淮北矿区冬小麦长势监测和估产、区域粮食安全评估等工作提供重要的科学参考。     

一种融合聚类和分类算法的树木图像多目标优化分割方法

目的结合树木图像颜色和纹理特征,融合聚类和分类算法对树木图像进行多目标优化分割,从而提高自然背景下树木图像分割的准确性。方法首先,利用MSCC框架理论,解决聚类和分类目标函数同时依赖于聚类中心的问题。然后,分别选定聚类性能评价指标函数和分类性能评价指标函数。最后,采用多目标进化优化方法——NSGA-II算法进行优化,得到Pareto前端最优解集,并通过计算聚类有效性指数I的最大值,寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用K-means、Fuzzy C-means、对聚类目标函数进行单目标优化,采用MOPSO方法进行多目标优化,以及NSGA-II方法进行多目标优化等5种方法对样本图像进行分割比较。结果在聚类中心数量相同、种群大小相同、遗传代数相同的条件下,指数I的值表明本文提出的分割方法优势显著。对于4类不同样本图像分割的指数I值进行对比可知,以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法;MOPSO多目标优化方法分割结果优于单目标优化结果;基于NSGA-II优化的多目标函数分割结果又优于MOPSO多目标优化结果。结论融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数,并采用非支配排序遗传算法对多目标函数进行优化,能更好地保留树木图像的颜色和纹理特征,分割准确率显著提高。      

一种基于趋势单产和遥感修正模型的混合估产模型

【目的】在分析国内外农作物估产方法的相关研究进展基础上,将传统统计估产方法和遥感估产方法相结合,提出一种新的混合估产模型。【方法】该模型由趋势单产、遥感修正单产和随机误差项三部分组成,其中趋势单产利用历史长时间序列的单产统计数据,通过多项式回归的方法结合ARIMA模型修正得到,遥感修正单产利用3个作物关键生育期NDVI和实测单产多元回归得到。为验证所提出估产方法的可行性和精度,利用2015年冬小麦关键生育期的三景环境卫星遥感影像和冬小麦实测地块单产数据以及近30年(1985—2014年)北京市各区县的冬小麦单产数据,对2015年的北京市的冬小麦单产进行估算,与真实值(2015年单产统计数据)对比。【结果】混合估产模型对北京市的冬小麦单产预测精度达到98.7%,各区县估产精度均超过90%,除房山(90.3%)外,各县单产预测相对精度均超过95%;传统趋势单产模型对北京市的冬小麦单产预测精度达到94.75%,但在区县尺度上,传统估产模型预测精度较低,对房山区的估产精度不足80%;引入ARIMA模型可以提高传统趋势单产模型的精度。修正后的趋势单产模型冬小麦单产预测精度平均提高了1.59%。本文建立的遥感修正模型,利用三景遥感影像修正结果最优,此方法使冬小麦估产精度整体提升3.55%,尤其是房山、平谷等区县,精度明显提升。【结论】该模型在市级尺度和县级尺度上预测冬小麦单产均取得较高精度,充分考虑冬小麦时间尺度和空间尺度上的变化,对农作物估产有一定的指导意义。     

复杂背景下油茶果采收机重叠果实定位方法研究

油茶果机械化振动采摘技术关键在于振动点选取,判断振动点选取取决于果实生长密度测算和分布估计.然而自然环境下重叠果实的识别对判定结果有较大的影响,因此提出一种基于凸壳识别的分割边界优化方法,提升重叠油茶果识别与分割准确度.该方法先将原始图像转换颜色空间,经过阈值分割和形态学处理获得重叠果实的凹区域,然后在此基础上通过Harris角点检测得到区域的特征点集,利用主成分分析(PCA)和欧式距离方法分析特征点距离关系得到分割路径,最后采用最小二乘法对分割后的目标区域进行拟合重建得到果实轮廓.对比重建的果实轮廓与真实分布图像,该方法的平均定位误差为8.6％,比Hough方法低5.1％;平均耗时为0.52 s,比Hough方法低0.12 s.结果 表明,提出的方法可以有效解决重叠油茶果实识别与分割问题,为采摘装置的振动点选择奠定基础.