基于支持向量机分类的遥感土壤盐渍化信息监测

遥感技术在大尺度土壤盐渍化检测方面有着宏观性、实时性、动态性等优势和广阔的应用前景,但是传统的遥感图像分类方法精度不高、分类效率较低和不确定性.提出了基于支持向量机(SupportVectorMachine,SVM)的分类方法,介绍了SVM算法的基本原理,通过支持向量机分类法与传统分类方法(最大似然法和最小距离法)在盐渍化信息提取结果上进行对比,表明基于SVM的遥感图像分类方法能够较好的检测土壤的盐渍化信息,分类总精度达到95.66%,比最大似然法和最小距离法分类精度(分别为91.54%和85.42%)更高,因此更适合于遥感图像分类和盐渍化信息检测.     

高分辨率遥感影像耕地分层提取方法

随着城市化建设进程的加快,城郊耕地经常会被开发为建设用地,甚至还会遭受非法占用的危险,这极大威胁了中国粮食安全。该文针对高分辨率遥感影像城郊耕地特点,提出了一种多尺度分层的耕地提取方法。首先,基于归一化植被指数(normalized difference vegetation index,NDVI)约束改进传统Harris角点检测方法得到建筑区概率密度图,并利用最大类间方差(Otsu algorithm,Otsu)分割去除复杂建筑区;然后,利用尺度选择工具(estimation of scale parameter,ESP)分析耕地占主导影像的多尺度分割结果,得到耕地较佳分割尺度并在该尺度下分割整幅影像;进而,利用形状、光谱信息初步检测出耕地对象,选择非建筑区的耕地与建筑区的非耕地样本,训练支持向量机模型并对不确定地物进行分类;最后,依据空间关系进一步判断图像对象,得到城郊耕地最终提取结果。试验结果表明,该方法能较高精度地从城郊区域的复杂背景中提取出不同类型、不同光谱的耕地目标。     

基于空间信息的高光谱遥感植被分类技术

高光谱数据常带有噪声,传统的仅考虑光谱信息的遥感植被分类方法效果不佳,融入空间信息进行植被分类显得尤为重要。以NDVI阈值法提取植被信息后,采用最小噪声变换对Hyperion高光谱影像进行压缩处理,取前60个分量数据,并采用一种空间与光谱信息相结合的高光谱影像植被分类法,完成研究区植被分类。结果表明,对各植被类型的平均分类精度达90.3%,而最大似然法的平均分类精度仅为70.0%。融入空间信息的高光谱遥感植被分类方法能有效地削弱噪声,在一定程度上提高了分类精度,在实际应用中有一定的参考价值。     

基于支持向量机的滑坡灾害信息遥感图像提取研究

阐述了基于支持向量机的滑坡灾害信息遥感图像提取的基本原理和方法,并结合实例说明了这种方法的有效性。通过研究,试图找到一种新的滑坡地质灾害信息提取方法,为滑坡地质灾害信息的快速提取、分析滑坡地质灾害发生的激发因素奠定基础。     

支持向量机在苹果分类的近红外光谱模型中的应用

建立了一套苹果近红外光谱采集装置来减少因苹果的部位差异性而造成的试验误差。采用一种新的机器学习算法——支持向量机(SVM)建立不同产地、不同品种苹果的近红外光谱分类模型。通过选定RBF函数作为核函数，并确定合适的光谱预处理方法和核函数中惩罚系数C、正则化系数γ，使得所建立的不同品种苹果分类模型的回判识别率和预测识别率均达到100%，不同产地苹果分类模型的回判识别率为87%，预测识别率为100%，与传统的判别分析法相比其预测识别精度提高5%左右。结果表明，支持向量机可以建立高精度的苹果近红外光谱分类模型。     

基于多层感知器神经网络对遥感融合图像和TM影像进行土地覆盖分类的研究

８０年代以来，人工神经元网络（ＡＮＮ）技术的应用不断向广度和深度发展．用不同空间分辨率的ＴＭ和ＩＲＳ遥感图像进行融合，综合了不同传感器数据所提供的信息，增强了图像的清晰度，改善了解译效果。用多层感知器神经网络对遥感融合图像进行分类，分类精度达９５％，比用多层感知器神经网络对ＴＭ图像进行分类（分类精度达７３％）效果要好．     

彩色空间变换在DEM与遥感影像复合中的应用研究

非遥感数据与遥感数据复合是提高遥感影像解译精度的重要方法之一。以延河流域1997年TM影像和1∶5万DEM为数据基础,在遥感影像处理软件ERDAS IMAGINE 8.4支撑下,研究了遥感数据与非遥感数据的复合方法。研究表明,利用彩色空间变换能取得较好的效果。把遥感影像从RGB颜色模式通过彩色空间变换变换到IHS颜色模式,利用DEM代替IHS模式的色度(H)分量并通过逆变换变回到RGB模式。变换后各地类间颜色对比度增大,有利于监督分类中分类模板的建立和提高分类精度。     

基于混沌免疫算法和遥感影像的土地利用分类

为提高利用遥感影像进行土地利用分类的精度，采用了基于混沌免疫算法(Chaos Immune Algorithm)的多光谱遥感影像分类方法。首先应用混沌免疫算法对样本进行自学习得到全局最优的聚类中心，然后通过得到的聚类中心对整幅影像进行分类。该方法利用混沌变量的遍历性，进行粗粒搜索，优化免疫算法的初始抗体群；通过克隆选择算子、变异算子、抗体的循环补充操作，避免陷入局部最优解，得到全局最优的聚类中心。在对淮南矿区采用TM影像进行的土地利用分类中，试验结果表明该方法分类总精度为89.9％，Kappa系数为0.8     

滨海光谱混淆区面向对象的土地利用遥感分类

滨海光谱混淆区土地利用/覆盖信息获取是遥感信息提取的难点之一,该研究选择黄河三角洲垦利县为研究区,采用2007年3月11日陆地卫星TM遥感影像数据,利用面向对象的土地利用遥感分类技术,通过影像分割和采用支持向量机分类方法对研究区土地利用/覆盖信息进行提取,并将分类结果与传统的基于像元的分类方法进行对比分析。结果表明:面向对象支持向量机的分类精度达到84.83%,比基于像元的最大似然法和波谱角法分别提高了5.94%和19.53%,且有效避免了椒盐现象。说明面向对象的图像分类方法明显提高了遥感影像的分类精度和分类效率,为滨海光谱混淆区土地利用信息的快速、准确提取提供了有效技术手段。     

基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用。研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,m RMR)的特征降维算法(relief-m RMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用m RMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-m RMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与Ada Boost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-m RMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统m RMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点。relief-m RMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点。此外,GF-1数据结合relief-m RMR-GASVM模型的监测精度分别高出Ada Boost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点。说明GF-1数据结合relief-m RMR-GASVM模型可用于小麦白粉病的遥感监测。     

基于支持向量机的玉米根茬行图像分割

玉米根茬行的准确识别是实现玉麦轮作机器视觉式小麦自动对行免耕播种技术的前提。针对华北一年两熟区联合收获机玉米留茬收获后根茬行较难准确分割的问题,该研究以直立玉米根茬为研究对象,提出一种基于支持向量机（Support Vector Machine,SVM）的玉米根茬行分割方法。首先,利用主成分分析（Principal Components Analysis,PCA）对提取的目标（直立根茬）与背景（行间秸秆及裸露地表）的颜色和纹理特征进行分析,优选出21个特征,构成特征向量作为训练直立根茬SVM识别模型的输入;然后,根据图像坐标设置图像中间包含完整玉米根茬行的矩形区域为感兴趣区域（Region of Interest,ROI）;最后,使用训练好的直立根茬SVM识别模型以25×25（像素）的窗口在ROI内滑动检测,采用阈值法分割根茬行并通过形态学处理优化得到最终的玉米根茬行二值图像。利用在农业农村部河北北部耕地保育农业科学观测实验站采集的100幅玉米根茬行图像进行试验,结果表明,本文方法对于不同行间秸秆覆盖量和不同光照条件下的根茬行分割表现出较好的准确性和鲁棒性,直立根茬平均识别准确率、平均分割准确率、平均召回率、平均分割准确率与平均召回率的加权调和平均值（F1avr值）分别为93.8%、93.72%、92.35%和93.03%,每幅图像的平均分割时间为0.06 s,具有较好的实时性。基于SVM的分割方法可实现联合收获机玉米留茬收获后根茬行图像的分割,为下一步检测玉米根茬行直线并将其作为导航基准线进行视觉导航的研究提供良好基础。     

基于面向对象的SPOT卫星影像梯田信息提取研究

梯田信息准确和快速提取是区域水土保持动态监测和评价的核心技术之一,运用遥感技术进行地物信息提取是一种有效手段。该研究以燕沟流域为研究区,采用高分辨率的SPOT5遥感影像数据,基于面向对象分类技术,通过影像分割构建影像对象,在分析影像对象的光谱特征、纹理特征和空间特征的基础上,建立了梯田信息的遥感提取规则,实现了梯田的自动提取。最后用手工勾绘结果对梯田的遥感提取结果进行精度评价,从田块边界的吻合度评价位置精度,并通过比较该结果与人工目视解译结果进行面积精度评价。结果表明,基于面向对象分类的遥感方法可以较好地从原始影像中提取复杂地貌区梯田的位置信息,面积提取正确率达到78.38%,该方法可为黄土高原地区梯田信息遥感提取提供借鉴。     

遥感图象“空间”特征的机助处理

以陕西北部黄土高原丘陵沟壑区为例,对几种常用的遥感图象（LANDSAT和TM,航空相片扫描图象）的空间特征进行了分析,并在处理和提取技术方面作了探讨。“纹理”图象对于反映地面切割状况、分析地表形态有特殊的意义。边界保留滤波技术对于处理地形破碎地区的图象非常有效。还结合水土流失综合治理动态监测讨论了其应用情况。在地形复杂地区图象处理和分类方面取得了可喜的进展,总结出了适合于地形复杂地区遥感图象处理与分类的方法和步骤。     

基于遥感影像与逻辑回归模型的延河流域沟壑分布概率预测

为研究黄土高原沟壑地貌空间分布特征,开展了基于遥感影像和机器学习的沟壑地貌提取,研究了延河流域沟壑地貌空间分布及其环境控制因子。以Google Earth Pro平台为支撑,在人工提取大量沟壑地貌样本的基础上,基于Landsat8 OLI影像波段信息,采用主成分分析前3个变量、缨帽变换前3个变量、NDVI、高程、坡度和坡向10个因子,使用逻辑回归模型预测整个延河流域的沟壑概率分布。结果表明:(1)在10个变量因子中,因子Brightness的R²_McF为0.158,重要性最大,因子elevation的R²_McF为3.6×10^-5,重要性最小;(2)最优逻辑回归模型由组合因子Brightness,PCA₁,Greenness,Wetness,PCA₃和slope确定,其重要性R²_McF为0.206;(3)最优逻辑回归模型的沟壑概率预测精度为73.72%,ROC曲线下面积即AUC值为0.80;(4)延河流域沟壑地貌约占整个延河流域面积的52.05%。研究表明,延河流域沟壑分布呈现从西北方向到东南方向逐渐集中的特点。     

基于机器视觉的小麦害虫分割算法研究

农业病虫害的自动识别是精准农业研究方向之一。以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究。在分类上，训练了SVM分类器和基于k-均值聚类的分类方法。比较得出，SVM分类器和k-均值聚类算法在处理精度和速度上各有优势；在分割上，运用合并和分裂相结合的区域生长算法分割害虫和叶片，进行自动识别。分析表明，该算法对害虫的分类效果好、分割识别准确率达到90．7％，速度能够满足实时处理的要求，为农业机械精准施药提供了技术上的支持。     

支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法

利用遥感手段提取农作物种植面积时,需要结合作物物候特征,以提高面积的提取精度。该文以北京市通州区西南部为试验区,以冬小麦为研究对象,利用多时相的环境减灾小卫星遥感影像数据,通过基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦种植面积遥感测量试验研究。研究结果表明：该文提出的方法测量结果总体精度、Kappa系数分别为95%、0.90,远高于支持向量机（SVM）分类后直接比较方法（总体精度91%,Kappa系数0.79）;解决了实际应用中的变化阈值选取的主观性问题,该方法的频度直方图两极化现象使得变化阈值取值部分频度被压低摊平,阈值敏感度降低,变化阈值取值更为客观,一定程度上解决了阈值难以设定的问题;SVM二分法和变化向量分析的结合增强了对光谱的敏感性,能够监测不同季相上植被的长势变化,进而提高了农作物种植面积遥感测量的精度,同时对其他农作物种植面积测量提供了途径。     

基于支持向量机的典型冻土区土壤制图研究

基于青藏高原大片连续多年冻土分布的东部边缘,青海省兴海县温泉地区的野外调查数据,通过对研究区遥感数据的分析,开展了土壤制图方法的探讨。以成土因素学说和土壤-景观模型理论为基础,筛选土壤分类潜在变量,在不同的变量组合下运用支持向量机(SVM)的方法建立土壤-景观模型,对整个研究区进行预测性分类。为了更好地检验该方法的有效性,采用五折交叉方式进行结果的验证。并通过对比不同变量组合的交叉验证结果和分布模拟结果图,确定了适合典型冻土区土壤分类的环境变量组合,以较少的样本知识较好地预测该区土壤类型的空间分布。     

基于HSV空间颜色直方图的油菜叶片缺素诊断

为实现快速而准确的油菜缺素诊断,根据不同缺素导致叶片颜色的变化,提出一种基于HSV颜色空间的非均匀直方图量化和组合多个支撑向量机分类器的智能化油菜缺素分析与诊断方法。采用霍格兰配方配制营养液,并使用山崎配方无土栽培技术,模拟正常、缺氮、缺磷、缺钾、缺硼5类营养状况下的油菜生长条件,栽培了一批甘蓝型双低油菜新品种阳光2009,采集幼苗期5类油菜叶片图像建立缺素数据库。首先使用主动轮廓模型分割油菜叶片区域,然后提取分割后的油菜叶片区域的HSV颜色直方图特征,并采用非均匀量化表征不同缺素油菜叶片图像的颜色差异,最后利用一对多方案训练多个支持向量机（support vector machine,SVM）分类器实现不同缺素油菜叶片图像的分类识别。缺素分类试验结果表明,该方法能较准确地判别常见油菜的缺素类型,对5种缺素的总体识别率达到93%,为数字化和智能化的油菜营养分析与诊断提供了一条有效途径。     

基于机器视觉技术的畸形秀珍菇识别

提出了一种基于计算机图像处理技术的畸形秀珍菇识别方法。研究根据正常和畸形秀珍菇的形状特征,通过统计性分析,提取了分形维数、相对位移、菌盖圆形度、菌盖形状因子、菌盖凸性率、菌盖偏心率、菌柄弯曲度等7个特征参数。通过逐步回归筛选出分形维数、相对位移、菌盖偏心率、菌柄弯曲度等4个特征变量,并将这4个特征变量作为输入向量,采用支持向量机模式识别方法建立畸形秀珍菇判别模型,模型的独立样本预测集实测值识别率达96.67%。研究表明,利用机器视觉技术能很好地识别畸形秀珍菇,研究方法和结果为实现秀珍菇的在线分选提供技术支