基于稀疏非负最小二乘编码的高光谱遥感数据分类方法

为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。     

基于图谱特征的番茄种子活力检测与分级

为解决现存分级过程中损伤种子问题,替代仅根据种子表面特征评价的粗筛查方法,本研究基于高光谱的图谱融合技术,提出了一种番茄种子图像采集并辨识种子特征进而将种子分级的算法。试验随机选取170粒番茄种子作为样品,校正集与验证集比例约为3∶1。通过标准发芽试验得到种子活力结果,基于连续投影算法(Successive projections algorithm,SPA)求得反映番茄种子活力的特征波长为:535、577、595、654、684、713、744、768、809、840 nm。对特征波长下的光谱图像进行解析,通过双边滤波法、大津法、形态学变换算法提取了种子边缘轮廓,计算求出每粒种子的面积、圆形度以及图像灰度平均值。基于统计学分析,利用校正集128粒种子的特征值及其标准发芽试验结果求出分级阈值,其中有活力为合格,无活力为不合格。然后,利用验证集42粒种子的特征值对阈值进行验证,结果显示,在713 nm波长下的图像特征对活力结果判断分级的正确率最高,校正集和验证集的正确率分别为93.75%和90.48%。     

基于支持向量机的土壤主要盐分离子高光谱反演模型

快速、无损、定量地获取土壤盐分离子组成及含量是盐渍化土壤治理、改良和利用的重要依据。以新疆盐渍化土壤为研究对象,应用高光谱分析技术获取不同区域土壤盐分离子的特征光谱,在对光谱数据去噪、数据变换基础上分析了鲜样(T1)、风干(T2)和干燥(T3)3类土壤,过2、1、0.15 mm筛处理对离子含量光谱拟合模型精度的影响,建立了基于支持向量机的土壤主要盐分离子光谱反演模型,并对模型的精度和普适性进行了检验。结果表明:土壤原始特征光谱与盐分离子含量均不存在显著相关性,最大相关系数为Na+的0.41;通过光谱数据变换能够明显增强特征波段与离子含量的相关性,K+、Na+、Mg2+、Ca2+、SO_4~(2-)、Cl-和HCO-3的最优变换形式分别为(lgR)'、(lgR)'、R'、(lgR)'、CR、R'和CR,T1处理构建的拟合模型均不能很好地反演离子含量,T3处理的模型估测精度优于T2,土壤粒径越细对土壤离子含量的光谱反演效果越好。分析各处理模型的决定系数和标准误差表明,经T3处理、过0.15 mm筛所构建的离子拟合模型预测精度最高,其中K~+、Na~+、Ca2+和SO_4~(2-)的RPD分别为2.153、2.674 5、2.051和2.786 4,以未参与建模和检验的石河子垦区土样对4种离子模型的普适性检验,其R2分别为0.621 4、0.689 7、0.614 4和0.650 7,说明构建的模型适于估算该区域土壤K+、Na+、Ca2+和SO_4~(2-)的含量。     

基于高光谱图像技术的稻田苗期杂草稻识别

以生长期为10 d的杂草稻和水稻为研究对象,采集其高光谱图像信息,对其进行滤波预处理后,利用主成分分析方法优选出1448.89 nm和1469.89 nm波长下的特征图像.对每个特征图像,分别提取其形状特征、纹理特征和颜色特征,共18个特征变量.基于这些特征变量,利用神经网络方法建立杂草稻和水稻的判别模型,模型训练时杂草稻和水稻的回判率都为100％;预测时,杂草稻的回判率为92.86％,水稻的回判率为96.88％.研究表明,利用高光谱图像技术快速鉴别稻田苗期杂草稻是可行的.     

基于Matlab/GUI的汽油机缸内直接喷雾图像处理方法

设计了基于Matlab/GUI的汽油机缸内直接喷雾图像实时处理程序,实现了图像处理的可视化操作。由于汽油挥发性较强,使得汽油机缸内直接喷雾图像相对柴油喷雾图像而言,雾形边界相对模糊,且喷雾图像信噪比较差。为准确提取汽油机缸内直接喷雾研究中所需的喷雾贯穿距、喷雾锥角、周长以及面积等参数,需要在图像处理过程中精确地提取喷雾边界,为此进行了精确的噪声滤波、边缘检测、形态学优化等图像处理。在确定雾形边界后,进一步编写程序计算出喷雾贯穿距、喷雾锥角、喷射速度等参数,实现了喷雾特性参数的实时测量。     

种子自动筛选系统软件设计

在育种过程中,挑选一致性好的种子是一项繁琐而艰苦的工作,用机器视觉代替人的视觉可以克服人眼疲劳等因素对种子进行筛选所造成的误差。为此,采用OpenCV图像处理软件设计种子识别软件,对种子的面积、周长、圆形度、直径、延伸度等特征参数进行提取。根据与样本参数的对比决定是否合格,并通过串口送至下位机,控制下位机完成种子的分拣工作。该系统设计了自学习功能,样本种子可自由选择,并可自由控制筛选误差范围。经试验验证,该系统能够准确地判断玉米和小麦种子是否合格,判断速度为60粒/min。     

运用SWRRB模型研究西班牙Teba流域水量和沉积物量: Ⅰ. 模型输入及模拟实验

Water yield and sediment yield in the Teba catchment, Spain, were simulated using SWRRB (Simulator for Water Resources in Rural Basins) model. The model is composed of 198 mathematical equations. About 120 items (variables) were input for the simulation, including meteorological and climatic factors, hydrologic factors, topographic factors, parent materials, soils, vegetation, human activities, etc. The simulated results involved surface runoff, subsurface runoff, sediment, peak flow, evapotranspiration, soil water, total biomass, etc. Careful and thorough input data preparation and repeated simulation experiments are the key to get the accurate results. In this work the simulation accuracy for annual water yield prediction reached to 83.68%.     

农业自动化领域中计算机视觉技术的应用

计算机视觉技术的应用已扩展到农业自动化领域。该文介绍了计算机视觉系统的组成,概述了国内外计算机视觉技术在农业生产自动化中的应用状况,并对计算机视觉技术应用于农业自动化中存在的问题及发展前景做了概括     

孔隙结构图像分析中不同试验因素对分析结果的影响

研究了不同试验因素 (包括图像分辨率、土壤切片定向性、分析区域大小等 )对孔隙结构图像分析结果的影响以及试验误差 ,并简要介绍了用于分析土壤孔隙结构的土壤切片及数字图像的制备技术。结果表明 :不同试验因素对分析结果均会产生一定的影响 ,试验误差约在 1 0 %。这表明同一研究中应保持试验条件的相对一致以保证分析结果的可靠性和可比性     

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．