CN111091052A - 一种基于最大似然法的玉米倒伏面积提取系统及方法 - Google Patents

一种基于最大似然法的玉米倒伏面积提取系统及方法 Download PDF

Info

Publication number
CN111091052A
CN111091052A CN201911080762.6A CN201911080762A CN111091052A CN 111091052 A CN111091052 A CN 111091052A CN 201911080762 A CN201911080762 A CN 201911080762A CN 111091052 A CN111091052 A CN 111091052A
Authority
CN
China
Prior art keywords
lodging
corn
classification
nir
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911080762.6A
Other languages
English (en)
Inventor
刘哲
张心璐
昝糈莉
李绍明
张晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN201911080762.6A priority Critical patent/CN111091052A/zh
Publication of CN111091052A publication Critical patent/CN111091052A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种基于最大似然法的玉米倒伏面积提取系统及方法，能够简单快速地提取倒伏面积。所述系统包括：获取单元、预处理单元、计算单元、分类单元和评价单元，所述获取单元、预处理单元、计算单元、分类单元和评价单元依次连接；所述方法包括：使用无人机搭载多光谱传感器采集试验区田间影像数据；对采集的田间影像数据进行预处理，得到玉米冠层多光谱影像；计算玉米冠层多光谱影像中倒伏玉米、正常玉米的纹理特征以及系列植被指数信息；选取红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数这五个适宜的分类特征，使用最大似然法对影像进行监督分类，提取玉米倒伏面积；通过实地测量数据验证分类模型精度。

Description

一种基于最大似然法的玉米倒伏面积提取系统及方法
技术领域
本发明涉及基于无人机影像的对地观测和作物表型提取领域，具体涉及一种基于最大似然法的玉米倒伏面积提取系统及方法。
背景技术
玉米是我国主要种植的粮食作物之一，倒伏经常发生在玉米生长过程中，是一种常见的农业灾害，引起玉米倒伏的原因很多，灾害性天气和玉米品种抗倒性强弱带来的影响最大。研究表明，玉米倒伏后根、茎、叶等生理功能不同程度受损，在中国，玉米倒伏轻者减产5％～10％，重者减产30％～50％，倒伏后玉米容易生疾病导致质量降低，玉米倒伏还增加了机械收获的难度。所以玉米发生了倒伏之后，不及时获取倒伏信息会影响相关部门进行产量评估。
人工调查法和遥感影像法是目前获取玉米倒伏面积比较常用的两种方法。人工调查法由工作人员实地观察、测量统计作物倒伏信息，这种方法费时费力，效率低下，只适用于小范围的内的作物倒伏调查；遥感影像法通过获取地面的遥感影像，不同地物会呈现出不同的纹理差异，也会有不同的光谱反射率，遥感影像法通过分析这些差异来区别地物。这种方法可以一次获得大面积的玉米遥感影像，效率比人工法高很多，但基于遥感的调查方法也存在一些问题：获取影像受天气影响较大，多云和雨雪天气会严重影响成图；对固定地点的重返周期比较长，不能确保一次就能完全获取到研究区的影像。
近年来，无人机遥感凭借其平台易建性、成本低、操作简单、时空分辨率高等优势，弥补了人工和卫星遥感的不足，针对小型无人机遥感影像的数据的处理方法也越来越成熟，可以实现及时获取大批量影像进行处理，用无人机采集影像适合复杂农田环境，并且获取高分辨率的影像可以实现作物地块划分小区来进行研究，研究尺度更加精细，非常适于作物倒伏调查。无人机已经成为农业定量遥感研究中快速、准确获取作物信息的主要工具，是当前研究的热点和趋势。
发明内容
针对现有技术中的缺陷，本发明提供一种基于最大似然法的玉米倒伏面积提取系统及方法。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供了一种基于最大似然法的玉米倒伏面积提取方法，包括：
S1：使用无人机搭载多光谱传感器采集试验区田间影像数据；
S2：对S1采集的田间影像数据进行预处理，得到玉米冠层多光谱影像；
S3：计算S2得到的玉米冠层多光谱影像中倒伏玉米与正常玉米的纹理特征以及植被指数信息；
S4：选取红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数这五个适宜的分类特征，使用最大似然法对影像进行监督分类，提取玉米倒伏面积；
S5：通过实地测量数据验证分类模型精度。
在上述方案的基础上，S2所述预处理包括拼接和几何校正、辐射定标等；
在上述方案的基础上，所述S3包括如下步骤：
S31、对S2得到的玉米冠层多光谱影像，利用如下方法提取倒伏玉米与正常玉米的纹理特征：
使用基于二阶概率统计的滤波工具计算正常玉米与倒伏玉米的纹理信息，滤波的处理窗口设置为7*7，以基准窗口为参考，空间相关性矩阵变换值X和Y均为1，灰度质量级为64；纹理分析后需要统计正常玉米和倒伏玉米一共32项纹理特征的均值和标准差，利用这两个值计算出变异系数和相对差异系数；
S32、对S2得到的玉米冠层多光谱影像，利用如下公式提取倒伏玉米与正常玉米的植被指数：
NDVI＝(NIR-R)/(NIR+R)
GNDVI＝(NIR-G)/(NIR+G)
RVI＝NIR/R
TVI＝60*(NIR-G)-100*(R–G)
NDRE＝(NIR–Red edge)/(NIR+Red edge)
其中，NDVI为归一化差值植被指数，GNDVI为绿色归一化差值植被指数，RVI为比值植被指数，TVI为三角植被指数，NDRE为归一化差值红边指数，NIR为近红外波段反射率，R为红色波段反射率，G为绿色波段反射率，Red edge为红边波段反射率；
并分别统计正常玉米与倒伏玉米五个植被指数的均值和标准差，计算变异系数和相对差异系数；
所述变异系数与特征内差异相关，相对差异系数与特征间差异相关。
在上述方案的基础上，所述S4包括如下步骤：
S41、特征内差异越小、特征间差异越大表明特征的分类能力越强，选择变异系数小、相对差异系数大的纹理特征和植被指数作为倒伏提取模型的变量；
S42、使用多波段图层叠加工具，采取不同组合方式对被选择的纹理特征和植被指数进行合并得到新影像，选择评价良好的训练样本和验证样本，验证样本不能和训练样本重复并且像素值约为训练样本的1/2，使用最大似然分类法对合并后的影像进行监督分类；
S43、使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其Kappa系数作为主要参考标准进行精度评价，最终选择红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数方式合并得到的影像；
S44、将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
在上述方案的基础上，所述S5包括如下步骤：
用S44计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值即为分类误差；
第二方面，本发明还提供了一种基于最大似然法的玉米倒伏面积提取系统，包括：
获取单元、预处理单元、计算单元、分类单元和评价单元，所述获取单元、预处理单元、计算单元、分类单元和评价单元依次连接；
所述获取单元，用于通过无人机搭载多光谱传感器获取试验区田间影像数据；
所述预处理单元，用于处理获取的试验区田间影像数据得到玉米冠层多光谱影像；
所述计算单元，用于计算玉米冠层多光谱影像中目标作物的纹理特征及植被指数信息；
所述分类单元，用于选择适宜的纹理特征和植被指数，构建分类模型，提取倒伏面积；
所述评价单元，用于对比人工调查数据和分类模型结果，验证分类模型精度。
在上述方案的基础上，所述计算单元，具体可以用于：
对得到的玉米冠层多光谱影像，利用如下方法提取纹理特征：
使用基于二阶概率统计的滤波工具计算正常玉米与倒伏玉米的纹理信息，滤波的处理窗口设置为7*7，以基准窗口为参考，空间相关性矩阵变换值X和Y均为1，灰度质量级为64。纹理分析后需要统计正常和倒伏玉米一共32项纹理特征的均值和标准差，利用这两个值计算出变异系数和相对差异系数。
对得到的玉米冠层多光谱影像，利用如下公式提取植被指数：
NDVI＝(NIR-R)/(NIR+R)
GNDVI＝(NIR-G)/(NIR+G)
RVI＝NIR/R
TVI＝60*(NIR-G)-100*(R–G)
NDRE＝(NIR–Red edge)/(NIR+Red edge)
其中，NDVI为归一化差值植被指数，GNDVI为绿色归一化差值植被指数，RVI为比值植被指数，TVI为三角植被指数，NDRE为归一化差值红边指数，NIR为近红外波段反射率，R为红色波段反射率，G为绿色波段反射率，Red edge为红边波段反射率。
并分别统计正常、倒伏玉米五个植被指数的均值和标准差，计算变异系数和相对差异系数；
所述变异系数与特征内差异相关，相对差异系数与特征间差异相关。
在上述方案的基础上，所述分类单元，具体可以用于：
特征内差异越小、特征间差异越大表明特征的分类能力越强，选择变异系数小、相对差异系数大的纹理特征和植被指数作为倒伏提取模型的变量；
使用多波段图层叠加工具，采取不同组合方式对被选择的纹理特征和植被指数进行合并得到新影像，选择评价良好的训练样本和验证样本，验证样本不能和训练样本重复并且像素值约为训练样本的1/2，使用最大似然分类法对合并后的影像进行监督分类；
使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其Kappa系数作为主要参考标准进行精度评价，最终选择红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数方式合并得到的影像；
将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
在上述方案的基础上，所述评价单元，具体可以用于：
用计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值即为分类误差。
本发明的有益效果：
由上述技术方案可知，本发明提供的一种基于最大似然法的玉米倒伏面积提取系统及方法，能够有效准确地提取玉米的倒伏面积。结合计算得到的纹理特征和植被指数，并对其进行不同合并方法的试验，选择最适宜的组合，可以得到相对精度较高的分类模型，从而可较好地提取倒伏面积。本发明实施例提供的一种基于最大似然法的玉米倒伏面积提取系统及方法能为基于无人机影像的作物表型信息的提取提供有利参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于最大似然法的玉米倒伏面积提取方法的流程图；
图2是本发明一实施例提供的一种基于最大似然法的玉米倒伏面积提取系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明一实施例提供的一种基于最大似然法的玉米倒伏面积提取方法的流程图，参见图1，该方法包括如下步骤：
步骤S1：使用无人机搭载多光谱传感器采集试验区田间影像数据；
步骤S2：对S1采集的田间影像数据进行预处理，得到玉米冠层多光谱影像；
在本实施例中，未经处理的原始无人机影像不能直接使用，需要进行拼接和几何校正、辐射定标等预处理，得到可以直接使用的玉米冠层多光谱影像。
步骤S3：计算S2得到的玉米冠层多光谱影像中倒伏玉米与正常玉米的纹理特征以及植被指数信息；
步骤S4：选取红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数这五个适宜的分类特征，使用最大似然法对影像进行监督分类，提取玉米倒伏面积；
使用多波段图层叠加工具，采取不同组合方式对计算得到的纹理特征和植被指数进行合并得到新影像，并对合并后的影像进行监督分类，选取最适宜的分类特征，构建分类模型提取玉米倒伏面积。
步骤S5：通过实地测量数据验证分类模型精度。
本发明提供的一种基于最大似然法的玉米倒伏面积提取方法及系统，能够有效准确地提取玉米的倒伏面积。结合计算得到的纹理特征和植被指数，并对其进行不同合并方法的试验，选择最适宜的组合，可以得到相对精度较高的分类模型，从而可较好地提取倒伏面积。本发明实施例提供的一种基于最大似然法的玉米倒伏面积提取方法及系统能为基于无人机影像的作物表型信息的提取提供有利参考。
在一种可选实施方式中，所述S3可以包括如下步骤：
S31、对S2得到的玉米冠层多光谱影像，利用如下方法提取倒伏玉米与正常玉米的纹理特征：
使用基于二阶概率统计的滤波工具计算正常玉米与倒伏玉米的纹理信息，滤波的处理窗口设置为7*7，以基准窗口为参考，空间相关性矩阵变换值X和Y均为1，灰度质量级为64。纹理分析后需要统计正常和倒伏玉米一共32项纹理特征的均值和标准差，利用这两个值计算出变异系数和相对差异系数。
S32、对S2得到的玉米冠层多光谱影像，利用如下公式提取取倒伏玉米与正常玉米的植被指数：
NDVI＝(NIR-R)/(NIR+R)
GNDVI＝(NIR-G)/(NIR+G)
RVI＝NIR/R
TVI＝60*(NIR-G)-100*(R–G)
NDRE＝(NIR–Red edge)/(NIR+Red edge)
其中，NDVI为归一化差值植被指数，GNDVI为绿色归一化差值植被指数，RVI为比值植被指数，TVI为三角植被指数，NDRE为归一化差值红边指数，NIR为近红外波段反射率，R为红色波段反射率，G为绿色波段反射率，Red edge为红边波段反射率。
并分别统计正常玉米与倒伏玉米五个植被指数的均值和标准差，计算变异系数和相对差异系数；
所述变异系数与特征内差异相关，相对差异系数与特征间差异相关。
在前述方法实施例的基础上，所述S4可以包括如下步骤：
S41、特征内差异越小、特征间差异越大表明特征的分类能力越强，选择变异系数小、相对差异系数大的纹理特征和植被指数作为倒伏提取模型的变量；
S42、使用多波段图层叠加工具，采取不同组合方式对被选择的纹理特征和植被指数进行合并得到新影像，选择评价良好的训练样本和验证样本，验证样本不能和训练样本重复并且像素值约为训练样本的1/2，使用最大似然分类法对合并后的影像进行监督分类；
S43、使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其Kappa系数作为主要参考标准进行精度评价，其中红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数合并得到的影像整体分类精度最高、分类效果最好，故选择这种合并方法；
S44、将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
在前述方法实施例的基础上，所述S5可以包括如下步骤：
用计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，这个差值即为分类误差。
由于并非所有的纹理特征和植被指数都会对倒伏面积的提取起积极作用，因此本实施例中，对计算得到的纹理特征和植被指数进行了各种合并，最后选取了精度最高的合并方式，选取了最适宜的纹理特征和植被指数组合构建的分类模型，即红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数合并。
本发明另一实施例提供了一种基于最大似然法的玉米倒伏面积提取系统，参见图2所示的系统结构图，该系统包括：获取单元、预处理单元、计算单元、分类单元和评价单元，所述获取单元、预处理单元、计算单元、分类单元和评价单元依次连接；
所述获取单元，用于通过无人机搭载多光谱传感器获取试验区田间影像数据；
所述预处理单元，用于处理获取的试验区田间影像数据得到玉米冠层多光谱影像；
所述计算单元，用于计算玉米冠层多光谱影像中目标作物的纹理特征及植被指数信息；
在本实施例中，所述计算单元，具体可以用于：
对得到的玉米冠层多光谱影像，利用如下方法提取纹理特征：
使用基于二阶概率统计的滤波工具计算正常玉米与倒伏玉米的纹理信息，滤波的处理窗口设置为7*7，以基准窗口为参考，空间相关性矩阵变换值X和Y均为1，灰度质量级为64。纹理分析后需要统计正常和倒伏玉米一共32项纹理特征的均值和标准差，利用这两个值计算出变异系数和相对差异系数。
对得到的玉米冠层多光谱影像，利用如下公式提取植被指数：
NDVI＝(NIR-R)/(NIR+R)
GNDVI＝(NIR-G)/(NIR+G)
RVI＝NIR/R
TVI＝60*(NIR-G)-100*(R–G)
NDRE＝(NIR–Red edge)/(NIR+Red edge)
其中，NDVI为归一化差值植被指数，GNDVI为绿色归一化差值植被指数，RVI为比值植被指数，TVI为三角植被指数，NDRE为归一化差值红边指数，NIR为近红外波段反射率，R为红色波段反射率，G为绿色波段反射率，Red edge为红边波段反射率。
并分别统计正常、倒伏玉米五个植被指数的均值和标准差，计算变异系数和相对差异系数；
所述变异系数与特征内差异相关，相对差异系数与特征间差异相关。
所述分类单元，用于选择适宜的纹理特征和植被指数，构建分类模型，提取倒伏面积；
在本实施例中，所述分类单元，具体可以用于：
特征内差异越小、特征间差异越大表明特征的分类能力越强，选择变异系数小、相对差异系数大的纹理特征和植被指数作为倒伏提取模型的变量；
使用多波段图层叠加工具，采取不同组合方式对被选择的纹理特征和植被指数进行合并得到新影像，选择评价良好的训练样本和验证样本，验证样本不能和训练样本重复并且像素值约为训练样本的1/2，使用最大似然分类法对合并后的影像进行监督分类；
使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其Kappa系数作为主要参考标准进行精度评价，其中红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数合并得到的影像整体分类精度最高、分类效果最好，故选择这种合并方法；
将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算小区中的倒伏面积占比。
所述评价单元，用于对比人工调查数据和分类模型结果，验证分类模型精度。
在本实施例中，所述评价单元，具体可以用于：
用计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，这个差值即为分类误差。
本发明实施例提供的一种基于最大似然法的玉米倒伏面积提取系统，可以用于执行上述实施例所述的一种基于最大似然法的玉米倒伏面积提取方法，其原理和技术在此处不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于最大似然法的玉米倒伏面积提取系统，其特征在于，包括：
获取单元、预处理单元、计算单元、分类单元和评价单元；
所述获取单元、预处理单元、计算单元、分类单元和评价单元依次连接；
所述获取单元，用于通过无人机搭载多光谱传感器获取试验区田间影像数据；
所述预处理单元，用于处理获取的试验区田间影像数据得到玉米冠层多光谱影像；
所述计算单元，用于计算玉米冠层多光谱影像中目标作物的纹理特征及植被指数信息；
所述分类单元，用于选择适宜的纹理特征和植被指数，构建分类模型，提取倒伏面积；
所述评价单元，用于对比人工调查数据和分类模型结果，验证分类模型精度。
2.如权利要求1所述的基于最大似然法的玉米倒伏面积提取系统，其特征在于，所述计算单元，具体用于：
对得到的玉米冠层多光谱影像，利用如下方法提取纹理特征：
使用基于二阶概率统计的滤波工具计算正常玉米与倒伏玉米的纹理信息，滤波的处理窗口设置为7*7，以基准窗口为参考，空间相关性矩阵变换值X和Y均为1，灰度质量级为64；纹理分析后需要统计正常和倒伏玉米一共32项纹理特征的均值和标准差，利用这两个值计算出变异系数和相对差异系数；
对得到的玉米冠层多光谱影像，利用如下公式提取植被指数：
NDVI＝(NIR-R)/(NIR+R)
GNDVI＝(NIR-G)/(NIR+G)
RVI＝NIR/R
TVI＝60*(NIR-G)-100*(R–G)
NDRE＝(NIR–Red edge)/(NIR+Red edge)
其中，NDVI为归一化差值植被指数，GNDVI为绿色归一化差值植被指数，RVI为比值植被指数，TVI为三角植被指数，NDRE为归一化差值红边指数，NIR为近红外波段反射率，R为红色波段反射率，G为绿色波段反射率，Red edge为红边波段反射率；
并分别统计正常、倒伏玉米五个植被指数的均值和标准差，计算变异系数和相对差异系数；
所述变异系数与特征内差异相关，相对差异系数与特征间差异相关。
3.如权利要求2所述的基于最大似然法的玉米倒伏面积提取系统，其特征在于，所述分类单元，具体用于：
特征内差异越小、特征间差异越大表明特征的分类能力越强，选择变异系数小、相对差异系数大的纹理特征和植被指数作为倒伏提取模型的变量；
使用多波段图层叠加工具，采取不同组合方式对被选择的纹理特征和植被指数进行合并得到新影像，选择评价良好的训练样本和验证样本，验证样本不能和训练样本重复并且像素值为训练样本的1/2，使用最大似然分类法对合并后的影像进行监督分类；
使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其Kappa系数作为参考标准进行精度评价，最终选择红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数方式合并得到的影像；
将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
4.如权利要求3所述的基于最大似然法的玉米倒伏面积提取系统，其特征在于，所述评价单元，具体用于：
用计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值为分类误差。
5.一种基于最大似然法的玉米倒伏面积提取方法，应用如权利要求1～4任一权利要求所述的基于最大似然法的玉米倒伏面积提取系统，其特征在于，包括如下步骤：
S1：使用无人机搭载多光谱传感器采集试验区田间影像数据；
S2：对S1采集的田间影像数据进行预处理，得到玉米冠层多光谱影像；
S3：计算S2得到的玉米冠层多光谱影像中倒伏玉米与正常玉米的纹理特征以及植被指数信息；
S4：选取红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数这五个适宜的分类特征，使用最大似然法对影像进行监督分类，提取玉米倒伏面积；
S5：通过实地测量数据验证分类模型精度。
6.如权利要求5所述的基于最大似然法的玉米倒伏面积提取方法，其特征在于，S2所述预处理包括拼接和几何校正、辐射定标。
7.如权利要求5所述的基于最大似然法的玉米倒伏面积提取方法，其特征在于，所述S3包括如下步骤：
S31、对S2得到的玉米冠层多光谱影像，利用如下方法提取倒伏玉米与正常玉米的纹理特征：
使用基于二阶概率统计的滤波工具计算正常玉米与倒伏玉米的纹理信息，滤波的处理窗口设置为7*7，以基准窗口为参考，空间相关性矩阵变换值X和Y均为1，灰度质量级为64；纹理分析后需要统计正常玉米和倒伏玉米一共32项纹理特征的均值和标准差，利用这两个值计算出变异系数和相对差异系数；
S32、对S2得到的玉米冠层多光谱影像，利用如下公式提取倒伏玉米与正常玉米的植被指数：
NDVI＝(NIR-R)/(NIR+R)
GNDVI＝(NIR-G)/(NIR+G)
RVI＝NIR/R
TVI＝60*(NIR-G)-100*(R–G)
NDRE＝(NIR–Red edge)/(NIR+Red edge)
其中，NDVI为归一化差值植被指数，GNDVI为绿色归一化差值植被指数，RVI为比值植被指数，TVI为三角植被指数，NDRE为归一化差值红边指数，NIR为近红外波段反射率，R为红色波段反射率，G为绿色波段反射率，Red edge为红边波段反射率；
并分别统计正常玉米与倒伏玉米五个植被指数的均值和标准差，计算变异系数和相对差异系数；
所述变异系数与特征内差异相关，相对差异系数与特征间差异相关。
8.如权利要求7所述的基于最大似然法的玉米倒伏面积提取方法，其特征在于，所述S4包括如下步骤：
S41、特征内差异越小、特征间差异越大表明特征的分类能力越强，选择变异系数小、相对差异系数大的纹理特征和植被指数作为倒伏提取模型的变量；
S42、使用多波段图层叠加工具，采取不同组合方式对被选择的纹理特征和植被指数进行合并得到新影像，选择评价良好的训练样本和验证样本，验证样本不能和训练样本重复并且像素值为训练样本的1/2，使用最大似然分类法对合并后的影像进行监督分类；
S43、使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其Kappa系数作为参考标准进行精度评价，最终选择红色、绿色、近红外三个波段的均值特征结合比值植被指数、三角植被指数方式合并得到的影像；
S44、将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
9.如权利要求8所述的基于最大似然法的玉米倒伏面积提取方法，其特征在于，所述S5包括如下步骤：
用S44计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值为分类误差。
CN201911080762.6A 2019-11-07 2019-11-07 一种基于最大似然法的玉米倒伏面积提取系统及方法 Pending CN111091052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911080762.6A CN111091052A (zh) 2019-11-07 2019-11-07 一种基于最大似然法的玉米倒伏面积提取系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911080762.6A CN111091052A (zh) 2019-11-07 2019-11-07 一种基于最大似然法的玉米倒伏面积提取系统及方法

Publications (1)

Publication Number Publication Date
CN111091052A true CN111091052A (zh) 2020-05-01

Family

ID=70393717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911080762.6A Pending CN111091052A (zh) 2019-11-07 2019-11-07 一种基于最大似然法的玉米倒伏面积提取系统及方法

Country Status (1)

Country Link
CN (1) CN111091052A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582156A (zh) * 2020-05-07 2020-08-25 武汉大势智慧科技有限公司 一种基于倾斜摄影城市三维模型的高大植被提取方法
CN112418075A (zh) * 2020-11-20 2021-02-26 北京艾尔思时代科技有限公司 一种基于冠层高度模型的玉米倒伏区域检测方法及系统
CN112597855A (zh) * 2020-12-15 2021-04-02 中国农业大学 农作物倒伏程度识别方法及装置
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112766036A (zh) * 2020-12-08 2021-05-07 中科禾信遥感科技（苏州）有限公司 一种倒伏玉米遥感提取方法与装置
CN112924967A (zh) * 2021-01-26 2021-06-08 中国农业大学 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
CN113222353A (zh) * 2021-04-20 2021-08-06 中国煤炭地质总局勘查研究总院 一种基于遥感植被指数的农业监测方法及系统
CN113673339A (zh) * 2021-07-16 2021-11-19 北京农业信息技术研究中心 基于无人机影像的立地秸秆提取方法和装置
CN114076955A (zh) * 2021-09-27 2022-02-22 农业农村部规划设计研究院 一种基于高分一号卫星数据识别倒伏玉米的方法
CN114743112A (zh) * 2022-04-18 2022-07-12 农业农村部大数据发展中心 基于大数据的制种玉米田识别方法、装置及电子设备
CN114821367A (zh) * 2022-04-18 2022-07-29 山东省农业科学院 一种基于光谱图像误差变异系数的取样面积优化取样方法
CN115035423A (zh) * 2022-01-10 2022-09-09 华南农业大学 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
CN117315486A (zh) * 2023-10-30 2023-12-29 武汉理工大学 一种航道绿地监测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张超等: "基于时序光谱和高分纹理分析的制种玉米田遥感识别", 《农业机械学报》 *
樊东东: "基于代价敏感学习的冬小麦病虫害与倒伏遥感检测方法研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582156B (zh) * 2020-05-07 2023-12-05 武汉大势智慧科技有限公司 一种基于倾斜摄影城市三维模型的高大植被提取方法
CN111582156A (zh) * 2020-05-07 2020-08-25 武汉大势智慧科技有限公司 一种基于倾斜摄影城市三维模型的高大植被提取方法
CN112418075A (zh) * 2020-11-20 2021-02-26 北京艾尔思时代科技有限公司 一种基于冠层高度模型的玉米倒伏区域检测方法及系统
CN112766036A (zh) * 2020-12-08 2021-05-07 中科禾信遥感科技（苏州）有限公司 一种倒伏玉米遥感提取方法与装置
CN112597855A (zh) * 2020-12-15 2021-04-02 中国农业大学 农作物倒伏程度识别方法及装置
CN112597855B (zh) * 2020-12-15 2024-04-16 中国农业大学 农作物倒伏程度识别方法及装置
CN112712038B (zh) * 2020-12-31 2024-05-28 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112924967B (zh) * 2021-01-26 2022-12-13 中国农业大学 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
CN112924967A (zh) * 2021-01-26 2021-06-08 中国农业大学 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
CN113222353A (zh) * 2021-04-20 2021-08-06 中国煤炭地质总局勘查研究总院 一种基于遥感植被指数的农业监测方法及系统
CN113673339A (zh) * 2021-07-16 2021-11-19 北京农业信息技术研究中心 基于无人机影像的立地秸秆提取方法和装置
CN113673339B (zh) * 2021-07-16 2024-02-23 北京农业信息技术研究中心 基于无人机影像的立地秸秆提取方法和装置
CN114076955A (zh) * 2021-09-27 2022-02-22 农业农村部规划设计研究院 一种基于高分一号卫星数据识别倒伏玉米的方法
CN115035423A (zh) * 2022-01-10 2022-09-09 华南农业大学 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
CN115035423B (zh) * 2022-01-10 2024-04-16 华南农业大学 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
CN114821367A (zh) * 2022-04-18 2022-07-29 山东省农业科学院 一种基于光谱图像误差变异系数的取样面积优化取样方法
CN114821367B (zh) * 2022-04-18 2024-02-13 山东省农业科学院 一种基于光谱图像误差变异系数的取样面积优化取样方法
CN114743112B (zh) * 2022-04-18 2023-05-12 农业农村部大数据发展中心 基于大数据的制种玉米田识别方法、装置及电子设备
CN114743112A (zh) * 2022-04-18 2022-07-12 农业农村部大数据发展中心 基于大数据的制种玉米田识别方法、装置及电子设备
CN117315486A (zh) * 2023-10-30 2023-12-29 武汉理工大学 一种航道绿地监测方法、装置、电子设备及存储介质
CN117315486B (zh) * 2023-10-30 2024-05-14 武汉理工大学 一种航道绿地监测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111091052A (zh) 一种基于最大似然法的玉米倒伏面积提取系统及方法
US11029251B2 (en) Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle
Chen et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data
Liu et al. Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms
Zhou et al. Strawberry maturity classification from UAV and near-ground imaging using deep learning
JP2006250827A (ja) 作物の生育状況分析方法
CN111062251A (zh) 基于无人机成像的农田棉蚜为害等级模型的监测方法
US6990410B2 (en) Cloud cover assessment: VNIR-SWIR
CN110765977A (zh) 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法
CN113963260A (zh) 一种冬小麦种植区的提取方法、装置和计算机设备
Yang et al. Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage
CN114581768A (zh) 一种作物倒伏无人机监测方法及装置
Shu et al. Assessing maize lodging severity using multitemporal UAV-based digital images
Yeom et al. Separability analysis and classification of rice fields using KOMPSAT-2 High Resolution Satellite Imagery
Yu et al. Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands
CN110096970A (zh) 基于wv3卫星影像的松林变色立木单株标识方法
CN114782843A (zh) 基于无人机多光谱图像融合的作物产量预测方法及系统
CN114694041A (zh) 一种棉花药害与叶螨虫害的高光谱鉴别方法
Hamzeh et al. Mapping salinity stress in sugarcane fields with hyperspecteral satellite imagery
CN110211147B (zh) 一种基于成像高光谱分析的水稻纹枯病病斑提取方法
Sims et al. Assessing the health of Pinus radiata plantations using remote sensing data and decision tree analysis
Chen et al. Yield loss estimation of verticillium wilt cotton field based on uav multi-spectral and regression model
Zhang et al. Research imagery and spectral characteristics of rice sheath blight using three portable sensors
Ayyappa Reddy et al. Impact of UAV and Sentinel-2A imagery fusion on vegetation indices performance
Syafiqah et al. GIS and UAV Aerial Imaging Applications for Durian Plantation Management

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination