CN111814541A - 一种薇甘菊的高光谱特征的筛选方法 - Google Patents
一种薇甘菊的高光谱特征的筛选方法 Download PDFInfo
- Publication number
- CN111814541A CN111814541A CN202010476403.9A CN202010476403A CN111814541A CN 111814541 A CN111814541 A CN 111814541A CN 202010476403 A CN202010476403 A CN 202010476403A CN 111814541 A CN111814541 A CN 111814541A
- Authority
- CN
- China
- Prior art keywords
- mikania micrantha
- hyperspectral
- classification
- band
- screening
- 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
Links
- 241001440840 Mikania micrantha Species 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012216 screening Methods 0.000 title claims abstract description 19
- 238000010187 selection method Methods 0.000 claims abstract description 41
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000011160 research Methods 0.000 claims description 34
- 238000012706 support-vector machine Methods 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 19
- 238000002310 reflectometry Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 210000001747 pupil Anatomy 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 230000009545 invasion Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208838 Asteraceae Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- 241001473283 Mikania Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种薇甘菊的高光谱特征的筛选方法,包括如下步骤:S1、获取遥感影像数据进行预处理;S2、薇甘菊高光谱特征初选:获得一种或几种反映薇甘菊光谱特征较佳的波段选择方法;S3、薇甘菊高光谱特征初选检验:找到最能反映薇甘菊光谱特征的最佳波段选择方法,并通过最佳波段选择方法初选出最能体现薇甘菊的高光谱特征的多个波段;S4、薇甘菊高光谱特征优选:获得优选后的薇甘菊高光谱特征最为明显的波段组合。本发明通过不同的波段选择方法和不同的分类方法对薇甘菊的高光谱特征进行研究,通过薇甘菊的高光谱特征的筛选方法得到最佳识别薇甘菊的高光谱特征数据,为开展国内的薇甘菊防治工作提供更加丰富的技术支撑。
Description
技术领域
本发明属于遥感和信息技术领域,具体涉及一种薇甘菊的高光谱特征的筛选方法。
背景技术
外来物种入侵已成为全球变化研究的重要问题,因其缺少天敌并且具有很强的竞争力,抢占本土生物生存空间,严重威胁了植物和生物的多样性和生态平衡的稳定。及时掌握入侵生物的入侵范围,是科学管理和控制入侵有害生物的基础和前提。薇甘菊(Mikaniamicrantha Kunth),为菊科假泽兰属,是攀援类、多分枝的草质藤本植物。薇甘菊的传播极其迅速,起源于南美、中美洲,现已广泛传入热带、亚热带地区,是我国极具危险性的外来入侵物种,也是我国危害性最高的林业有害植物之一。薇甘菊喜欢攀援在其他植被上方以获取足够的光源,以获得群落中最有利光照位置:有乔木的时候,薇甘菊多见攀援于乔木上;没有乔木的生境中,目标则是高大的草本植物;当生境中没有上层植物时,薇甘菊可以通过自缠绕以获得最大的光满足。薇甘菊的入侵和扩散对林业用地和农业用地均造成了一定的危害和损失,因此提高薇甘菊的监测力度对森林资源保护有重大意义。
在生物入侵已经成为全球问题的大环境下,及时掌握入侵生物的入侵范围,是科学管理和控制入侵有害生物的基础和前提,因此对入侵有害生物的监测逐渐引起林业学者的重视,而林业有害植物的监测更是研究重点。最开始对林业有害植物的主要监测手段是人工调查方式,需要收集入侵区域的自然地理、环境条件和历史资料等信息,不仅成本高、周期长,而且对于地理条件比较复杂、难进入的林区调查效果不佳,导致传统的实地调查手段对林业有害植物的分布状况监测效果不佳。通过遥感技术可以快捷、准确反映地表植物的覆盖情况,为及时摸清入侵植物的面积及空间分布提供了新的思路,也为森林植被及资源的保护提供了依据。常规的多光谱遥感影像仅包含少数几个波段,在进行植被分类监测时,由于波段的光谱较宽且离散,监测精度难以提高。高光谱遥感可以获取许多非常窄的光谱连续影像数据,通过提取目标植物的光谱曲线,来实现林业有害植物的入侵监测。由于高光谱遥感在地物识别、探测上的巨大潜力和优势,逐渐成为了林业有害植物遥感监测领域的研究热点之一。因此,现在需要研发出薇甘菊的高光谱特征的筛选方法,以获得薇甘菊的高光谱特征数据,为开展薇甘菊的防治工作提供基础。
发明内容:
本发明目的是提供了一种薇甘菊的高光谱特征的筛选方法,要解决现有技术中缺乏薇甘菊的高光谱特征数据、薇甘菊监控工作和防治困难较大的技术问题。
为实现以上目的,本发明采用如下技术方案:
一种薇甘菊的高光谱特征的筛选方法,包括如下步骤:
S1、获取遥感影像数据:通过对待研究的高光谱遥感影像进行预处理并获得处理后的数据源;
S2、薇甘菊高光谱特征初选:通过OIF、ABS、OBI、基于研究区的ASP+ABS、基于薇甘菊区域ASP+ABS、SCP六种波段选择方法对所示步骤S1中处理后的薇甘菊遥感影像数据源进行高光谱特征初选,分析得到的六种特征波段组合,获得一种或几种反映薇甘菊光谱特征较佳的波段选择方法;
S3、薇甘菊高光谱特征初选检验:将所述步骤S2中一种或几种较佳的波段选择方法选出的波段组合分别生成对应的新影像,并对所生成的新影像分别采用支持向量机、光谱角填图两种方法对研究区内薇甘菊进行分类,以分类结果的精度评价一种或几种的波段组合对薇甘菊高光谱特征的响应程度,找到最能反映薇甘菊光谱特征的最佳波段选择方法,并通过最佳波段选择方法初选出最能体现薇甘菊的高光谱特征的多个波段;
S4、薇甘菊高光谱特征优选:将所述步骤S3中获得的最能体现薇甘菊的高光谱特征的多个波段经过计算自适应波段指数(ABS指数)进行排序,将排序第一的波段用较适合的分类方法进行分类,再逐一按顺序加入排序靠前波段,以分类结果的精度评定薇甘菊的高光谱特征,获得优选后的薇甘菊高光谱特征最为明显的波段组合。
优选的,所述步骤S1中,高光谱数据预处理包括:待研究的高光谱数据依次进行几何校正、数据降噪、辐射校正和波段剔除的处理。
优选的,所述步骤S3中,对比支持向量机、光谱角填图两种分类方法分别对所生成的新影像的分类结果精度,找到最适合的分类方法;所述步骤S4中,采用所述步骤S3中所找到的最适合分类方法对排序第一的波段进行分类处理。
优选的,所述步骤S1中的几何校正处理具体包括:将研究区高光谱数据的影像坐标系由像元坐标系转换成地心坐标系,数字影像也转化为灰度值影像。
优选的,所述步骤S1中的数据降噪处理包括:采用主成分分析法对影像进行降噪处理。
优选的,所述步骤S1中的辐射校正处理包括:首先进行绝对辐射校正,将像元亮度值转换为入瞳绝对辐亮度值,再进行反射率反演,将辐亮度转换为地物的反射率。
优选的,所述步骤S1中的波段剔除处理为:对辐射校正处理后获得的波段进行观察,剔除反射率为异常值的波段。
优选的,所述步骤S4中将薇甘菊的纹理特征加入到分类处理中进行薇甘菊高光谱特征的优选。
优选的,所述步骤S4中采用角二阶矩作为薇甘菊的纹理特征代表波段。
本发明通过不同的波段选择方法和不同的分类方法并结合纹理特征对薇甘菊的高光谱特征进行研究,通过薇甘菊的高光谱特征的筛选方法得到最佳识别薇甘菊的高光谱特征数据,为开展国内的薇甘菊防治工作提供更加丰富的技术支撑,对薇甘菊的及时发现预警、掌握入侵范围及降低入侵造成的损失具有重大意义。
附图说明
图1为本发明实施中研究区区位图;
图2为本发明实施例中高光谱数据预处理流程示意图;
图3为本发明实施例的初选过程中三种波段选择方法获得的薇甘菊高光谱特征波段;
图4为本发明实施例中步骤SS初选检验中三种不同波段选择方法的SVM分类精度图;
图5为本发明实施例中步骤SS初选检验中三种不同波段选择方法的SAM分类精度图;
图6为本发明实施例中薇甘菊的纹理特征提取流程图;
图7为本发明实施例中波段优选分类精度折线图;
图8为本发明实施例中优选后的薇甘菊高光谱特征波段。
具体实施方式
以下提供本发明的优选实施例,以助于进一步理解本发明。本领域技术人员应了解到,本发明实施例的说明仅是示例性的,并不是为了限制本发明的方案。
实施例
试验区概况:本实施例以广东省广州市增城林场为研究区,薇甘菊为研究对象,由于高空间分辨率遥感数据量较大,选择其中一景影像作为研究区。增城林场位于广东省广州市增城区内,处于北纬23°17′30″-23°22′30″,东经113°37′30″-113°48′45″之间。增城林场的地形地貌较为复杂,以低山、丘陵为主,低处山坡较为平缓,高处山坡比较陡峭,地势呈北高南低,海拔范围为100至500多米范围内。林场总面积为2745.4hm2,森林覆盖率约为89.31%。林场内前期种植松树为主,现已自然消亡,在中低部基本不可见,只顶峰处还有少量,后期改种桉树,长势一般,较为瘦弱。数据获取时间为10月份,林区内的天气湿热,下雨频繁。薇甘菊的长势正旺,稍大一点的基本都已攀爬到树枝或树冠上,从天上俯视能看得到。林区内薇甘菊的治理是从8月开始打药治理,到10月底花季时打两三次药,把之前调查发现的薇甘菊尽量杀灭。本实施例选择的航飞地点,是在管辖范围外,不会治理薇甘菊的区域。
S1、首先获取高光谱遥感数据:
遥感数据主要为无人机搭载Nano-Hyperspec(下文简称N)微型机载高光谱成像仪采集的高光谱遥感图像。遥感系统选用深圳大疆公司为行业应用设计的经纬M600Pro六旋翼无人机作为遥感平台。使用的高光谱传感器为Headwall公司生产的Nano-Hyperspec(下文简称Nano)内置推扫式微型机载高光谱成像仪,高光谱数据获取模块包括了高光谱数据采集模块、GPS/IMU导航模块和数据存储模块。高光谱成像仪获取数据的波长范围为400-1000nm,光谱采样间隔为2.2nm,通道个数270,像素大小为7.4μm。利用小型方位组合导航系统,可以获取高光谱数据采集模块的姿态方位等数据,采用固态Mems陀螺为基础,IMU和带有载波相位的测量型GPS接收机为主要部位,可实现高精度的位置姿态测量。
无人机飞行时间为2017年10月23日,共进行了有效飞行10余架次。获取原始影像数据与配套的POS数据。本次飞行高度为300米,影像单幅幅宽83米,地面分辨率为0.15米,并可提供精确航迹信息的IMU和GPS数据、记录详细飞行情况的飞行日志。
其次对高光谱数据进行预处理:
(1)几何校正
无人机搭载的成像光谱仪获取的原始数据,由于传感器自身、数据获取平台及其目标地形变化等各种因素而导致影像中各个像素点相对于地面目标的实际地理位置发生扭曲、拉伸、偏移等几何畸变,直接使用这种带有畸变的影像进行处理分析,容易导致误差,难以满足我们后续对薇甘菊的高光谱特征进行研究,并且原始数据没有地理信息数据。因此原始数据应优先进行几何校正。经过几何校正,影像坐标系由像元坐标系转换成地心坐标系,数字影像也转化为灰度值影像。
(2)数据降噪
采用主成分分析法(PCA)对影像进行降噪处理,具体的原理和过程为现有技术,在此不赘述。本研究使用的高光谱遥感影像波长范围为400-1000nm,共270个波段,包括162个可见光波段(400nm-759.4nm)和108个近红外波段(761.6-1000nm)。前20个波段(400nm-444nm)受损严重,包含较多的噪声,对后续的研究会造成一定的影响,因此需要将前20个波段剔除,保留剩下的无严重噪声波段。本研究对研究区高光谱影像使用主成分分析法进行降噪,在进行主成分变换后,选取前22个主成分进行逆变换,得到去除噪声之后的影像,保留影像信息为99.5%。去噪前的影像中,薇甘菊的光谱曲线平滑度差、“毛刺”较多;去噪后的影像中,薇甘菊的光谱曲线平滑了很多,“毛刺”也基本消失不见,更接近真实状态的光谱曲线。说明去噪效果较好,去除了部分噪声,特别是在501.7nm-690.5nm波长范围内,“毛刺”现象得到明显改善。
(3)辐射校正
传感器获取数据过程中得到的是DN(Digital Number)值数据,即像元亮度值,记录了像元的灰度值信息,表示像元灰度大小,不具有光谱意义[67]。同时由于光照度、大气层辐射的影响,太阳的辐亮度与传感器入瞳辐亮度有较大差异。为了消除该影响来改善与其他高光谱数据之间的一致性,需要进行辐射校正及反射率反演,将DN值转换成反射率数据。首先进行绝对辐射校正,将DN值首先转换为入瞳绝对辐亮度值,再进行反射率反演,将辐亮度转换为地物的反射率。采用的方法为双线性回归方法,它是基于DN值与反射率具有线性关系的前提提出的,需要同时采集两个地物的DN值与光谱,流程和原理为现有技术,在此不进行赘述。
本研究对Nano影像数据做辐射定标处理是在软件ENVI5.3下进行,在影像上圈出黑白毯区域作为ROI,求出这两个区域的亮度均值,通过地面实测黑白毯反射率,求出双线性回归方程的系数a和b,将影像DN值转化为反射率,为下一步研究做准备。在求解系数a、b时,因影像波段的中心波长与地面实测光谱仪中心波长不一致,首先需要将地面实测光谱进行重采样,使重采样后的中心波长与影像上一致,再求得回归系数。
(4)波段剔除
经过平滑去噪和辐射校正之后,在一定程度上抑制了噪声并获取了研究区地物的反射率光谱。本实施中处理后的影像一共250个波段,但经观察发现后90个波段(801.6nm-1000nm)的反射率为异常值,基本无法使用,因此需要剔除这类波段,防止对后续研究带来的消极影响。最终保留160个波段(446.2nm-799.4nm)用于后续研究。
S2、薇甘菊特征初选:
通过OIF、ABS、OBI、基于研究区的ASP+ABS、基于薇甘菊区域ASP+ABS、SCP六种波段选择方法对研究区的薇甘菊进行高光谱特征初选。
(1)通过最佳指数因子法(OIF)进行波段选择的结果见下表1(篇幅所限仅展示前50个波段组合,下同)。
表1 OIF排序表
(2)通过自适应波段指数法(Adaptive Band Selection,ABS)进行波段选择的结果见下表2。
表2 ABS排序表
(3)通过最佳波段指数法(OBI)进行波段选择的结果见下表3。
表3 OBI排序表
在基于高光谱影像数据研究薇甘菊高光谱特征时,首先应考虑如何在选择特征波段时避免选出相关性过高的波段,其次选出来的波段要能够较好地反映薇甘菊的光谱特征。
通过以上结果可以看出:OIF、ABS和OBI三种波段选择方法选择的波段过于集中在近红外区域,势必有大量的冗余信息,但植被间光谱特征的最大差异除了近红外还有可见光波段,以上三种结果在前50波段排序中绝大部分只反映出数据的局部特征而忽略了可见光波段,违背了波段选择的原则是从原始高维特征区间选出能映射高维区间的低维特征区间,同时也不符合光谱分析时提到的植被光谱特征,更不能代表薇甘菊的光谱特征,于是初选过程排除这三种方法选出来的波段。
(4)基于研究区影像ASP+ABS的波段选择
高光谱影像的波段相关系数矩阵具有明显的成块特点,由于同一子空间中相关性较高,不同子空间中相关性较弱,根据这一特点对高光谱影像进行子空间划分,再对划分后的子空间进行波段选择,这样可以兼具波段间的相关性与信息量。本实施例的矩阵是一个160波段*160波段的矩阵,篇幅限制不予展示。在得到影像的相关性矩阵后,通过提取矩阵下三角,可以获得波段间的近邻可传递矢量,将近邻可传递矢量的局部极小值点作为子空间划分的节点。同一子空间的波段间具有较强的相关性,相邻波段相关性最弱的波段就成了子空间划分的节点。对本研究区域,波段间的相关性都很高。从B15以后各相邻波段间相关系数都超过99.5%,因此通过子空间划分可以筛选出具有代表性的波段。
对于预处理后的影像图进行研究,可看出影像的近邻可传递曲线具有3个极小值点,可划分出4个独立子空间,每个子空间波段号分别为B1-B22,B23-B34,B35-B115和B116-B159,选取每个子空间的局部极大值点对应的波段作为一个新的波段组合,用于代替原始影像进行后续研究。由于子空间内相邻波段具有相似的高相关性,根据ABS指数公式,可以得出同一子空间中局部极大ABS值的波段比它相邻两波段具有更高的信息量的推论,所以比它相邻两波段更具有代表性、区分度更高,通过选取子空间内极大ABS值作为特征波段进行下一步研究。选出的波段序号依次为B4、B11、B18、B22、B34、B51、B75、B90、B96、B105、B154、B158、B159。
(5)基于薇甘菊发生范围ASP+ABS的波段选择
本实施例使用的高光谱数据空间分辨率为0.15m,由于薇甘菊喜欢攀附在别的植被上,在高光谱影像上显现出大片较连续的侵入范围,可以在ENVI软件中较为轻易地裁剪出薇甘菊完全侵入的部分区域从而有针对性地研究薇甘菊的高光谱特征。基于此,提出一个研究高光谱特征的新策略,尝试从高光谱影像上裁剪部分目标区域进行波段选择方法的降维,对比传统的基于整个研究区的波段选择,验证此方法的可行性。
在ENVI软件中对薇甘菊裁剪区进行相关性计算,得到相关系数矩阵,提取出薇甘菊裁剪区域近邻可传递相关曲线。通过近邻可传递曲线,将波段范围划分为4个子空间,每个子空间波段号分别为B1-B27,B28-B74,B75-B110和B111-B159。选取每个子空间的局部极大值点对应的波段作为一个新的波段组合,在原始研究区影像中选取出这个波段组合进行后续研究。选出的波段序号依次为B9、B17、B46、B53、B68、B75、B81、B86、B88、B94、B98、B106、B110、B127、B129、B131、B133、B135。
(6)基于光谱特征参数法(SCP)的波段选择
通过计算薇甘菊与不同地类间光谱特征参数的差异分析选出了表4中的波段区域,将这些波段按照从小到大排序,依次为B35、B37、B39、B50、B51、B52、B57、B58、B60、B100、B104、B115、B150、B151。将选择的14个波段作为一个新的波段组合,用于代替原始影像进行后续研究。
表4光谱特征参数波段选择结果表
参见附图3所示,将(4)、(5)和(6)三种波段选择方法获得的三种薇甘菊高光谱特征初选波段导入MATLAB软件可看出,三种方法选出的薇甘菊特征波段都能较好地体现薇甘菊原有的波谱形态,但哪种特征波段选择方法的结果能更好地体现薇甘菊的高光谱特征,还需分类实验验证。
S3、薇甘菊高光谱特征初选检验
通过对波段选择后的影像进行分类和分类后精度评价来验证哪种波段选择的方法对薇甘菊的识别最为敏感,也就是哪种波段选择方法选出的波段组合更能凸显薇甘菊的光谱特征。采用支持向量机和光谱角填图方法对步骤S2中初选后波段选择的结果进行分类和分类后精度评价。支持向量机和光谱角填图方法均为现有技术,本部分对其远离和处理过程不进行赘述。
将步骤S2中初选后的3种不同波段选择法使用支持向量机(SVM)分类得到的精度结果表用柱形图表示,参考附图4,可以看出使用支持向量机分类时,三种波段选择方法总体分类精度均超过87%,分类效果较好。其中,基于薇甘菊发生区域ASP+ABS波段选择方法的总体精度(OA)和Kappa系数都是最高的,其次是基于研究区ASP+ABS波段选择方法,最低的是基于光谱特征参数的波段选择方法。基于薇甘菊区域ASP+ABS+SVM方法的OA和Kappa系数高于研究区ASP+ABS+SVM方法1.34%、0.0172、高于SCP+SVM方法3.42%、0.0441。说明在使用SVM分类方法时,基于薇甘菊发生区域ASP+ABS波段选择方法要优于另外两种波段选择方法。
参考附图5所示,使用光谱角填图(SAM)分类时,基于薇甘菊发生区域ASP+ABS波段选择方法的OA和Kappa系数都是最高的,其次是基于研究区ASP+ABS波段选择方法,基于光谱特征参数的波段选择方法精度是最低的。基于薇甘菊区域ASP+ABS+SAM方法的总体分类精度和Kappa系数高于研究区ASP+ABS+SAM方法4.53%、0.0572、SCP+SAM方法9.67%、0.1221。说明在使用SAM分类方法时,基于薇甘菊发生区域ASP+ABS波段选择方法要优于另外两种波段选择方法。
因此,通过支持向量机和光谱角填图法的分类结果,分类结果最好的是基于薇甘菊发生区域的ASP+ABS法与支持向量机结合使用的方法,分类结果精度为90.97%,Kappa系数为0.8842。将分类精度最高的18个波段作为薇甘菊的初选波段继续进行优选。
S4、与纹理信息结合的薇甘菊高光谱特征的优选
薇甘菊纹理特征提取流程参考附图6所示,采用步骤S3中得到的18个初选波段,由通过灰度共生矩阵提取纹理特征是基于单波段进行的,为确保参与特征提取的影像信息最大化,首先对18个波段做主成分分析,选择包含原影像93.85%信息量的第一主成分,设置15*15的滑动窗口和位移计算灰度共生矩阵,得到4个纹理特征波段进行分类,从步骤S3中的对比发现,SVM分类效果高于SAM,因此采用SVM对影像数据进行分类。分类结果参见下表5所示,可看出直接使用纹理特征波段得到的分类效果不怎么好,四个纹理特征分类精度都不超过70%,角二阶矩波段分类精度较其他三个纹理特征波段精度更高,后续采用角二阶矩作为纹理特征代表波段参与后续的优选。
表5纹理特征分类精度统计表
将角二阶矩纹理特征波段加入初选后获得的18个优选波段组合,使用SVM进行分类,比较加入纹理信息后分类精度的变化。
分类结果参见下表6所示,对比只用光谱波段进行分类,纹理特征的加入提高了分类精度,总体精度的数值提高了2.65%,Kappa系数提高了0.0342;从图像上看,也改善了光谱波段分类时易出现的“椒盐”现象;对比只使用纹理特征波段分类,加入光谱波段后分类精度有较明显的提高,表明光谱信息在分类中具有明显优势,纹理信息在分类过程中有一定的辅助作用。
表6基于光谱信息与纹理信息结合的分类混淆矩阵
通过ASP+ABS方法对薇甘菊发生区域进行波段选择,并用支持向量机模型进行分类,得到的结果较其他波段选择和分类方法精度更高,更能体现薇甘菊的光谱特征,作为薇甘菊的初选波段结果,但到底薇甘菊在哪些波段光谱特征更明显,还需要进一步分析。在进行波段初选之后,通过计算ABS指数了解初选波段之间相关性和信息量,将波段进行排序,得到排序结果见表7。ABS排序是由单波段信息量与相邻波段间相关性的比值的大小决定的,排名越靠前说明波段含有较高的信息量和较低的波段间相关性。
表7 ABS指数表
经过波段初选后,光谱波段经历了一次“抽稀”,因此剩余波段间的相关性大大降低,这样再通过ABS排序得出来的波段势必是按照信息量的排序,将排序第一的波段用于SVM分类,再逐一按顺序加入排序靠前波段,通过观察分类精度的变化趋势,探讨初选的18个波段对于薇甘菊的高光谱特征响应特点,是否18个波段里面还有冗余波段,可以进一步筛选。在进行光谱波段分类的实验后,加入对应实验波段的纹理特征波段比较分类结果。
在逐一按ABS指数顺序加入排序靠前波段的分类实验中,通过附图7所示的分类精度折线图发现:一开始逐一加入光谱波段时,分类精度明显提高;接下来随着波段组合数量的上升,精度提高的速度放缓;到了前17波段,总体分类精度出现最高值;在18波段,总体精度出现略微下降趋势。经对比发现,17波段组合比18波段组合的总体分类精度提高了0.04%,Kappa系数提高了0.0005。另外,纹理特征的加入对分类结果有一定的提高,总体分类精度提高了3.18%,Kappa系数提高了0.0409。实验结果表明:ABS排序前17波段在薇甘菊分类上较其他波段组合更有优势,识别效果最佳。为优选波段组合。
优选波段组合分类结果如附图8、下表8和下表9。
表8光谱波段优选分类结果混淆矩阵
表9光谱波段+纹理波段优选分类结果混淆矩阵
本实施例中以广东省广州市增城林场为试验区,利用无人机搭载的高光谱成像仪获取研究区高光谱遥感影像,对Nano高光谱影像进行几何校正、噪声去除等预处理工作,基于ENVI5.3、MATLAB和EXCEL2016平台通过OIF、ABS、OBI、研究区ASP+ABS、基于薇甘菊发生区域ASP+ABS和SCP六种波段选择方法对高光谱影像进行波段选择,在波段选择的基础上使用支持向量机和光谱角填图法提取研究区域内薇甘菊分布信息,并对分类的结果进行精度评价与分析,选择分类精度最高的波段选择结果和分类方法作为后续研究的基础。对分类精度最高的波段进行二次筛选,探讨适用于薇甘菊基于高光谱影像信息提取的最优波段组合。为了尽量避免高光谱分类中常出现的“同谱异物”和“同物异谱”现象,通过加入空间信息,研究纹理特征在分类中起到的作用。得到六种波段选择方法结果,经研究筛选出三种波段选择方法选出的波段组合适用于分类。分别用支持向量机和光谱角填图法对高光谱数据进行分类,支持向量机更适用于分类。在波段选择的基础上引入纹理特征,纹理特征的加入对影像分类起到了一定的作用,提高了薇甘菊的分类精度,角二阶矩分类精度优于熵、相关性、对比度。在波段初选的基础上,进一步分析选出来的光谱波段对分类起到的作用,选出适用于薇甘菊识别的波段组合,综合纹理特征,经过二次ABS排序的前17波段和角二阶矩纹理特征对薇甘菊的识别精度最高,优于其他波段组合,更能体现薇甘菊的高光谱特征。
最后应当说明的是,以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所述领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或等同替换,但以上变更、修改或等同替换,均在本申请的待授权或待批准之权利要求保护范围之内。
Claims (9)
1.一种薇甘菊的高光谱特征的筛选方法,其特征在于,包括如下步骤:
S1、获取遥感影像数据:通过对待研究的高光谱遥感影像进行预处理获得处理后的薇甘菊遥感影像数据源;
S2、薇甘菊高光谱特征初选:通过OIF、ABS、OBI、基于研究区的ASP+ABS、基于薇甘菊区域ASP+ABS、SCP六种波段选择方法对步骤S1中处理后的薇甘菊遥感影像数据源进行高光谱特征初选,分析得到的六种特征波段组合,获得一种或几种反映薇甘菊光谱特征较佳的波段选择方法;
S3、薇甘菊高光谱特征初选检验:将所述步骤S2中一种或几种较佳的波段选择方法选出的波段组合分别采用支持向量机、光谱角填图两种方法对薇甘菊进行分类,找到最能反映薇甘菊光谱特征的最佳波段选择方法,并通过最佳波段选择方法初选获得最能体现薇甘菊的高光谱特征的多个波段;
S4、薇甘菊高光谱特征优选:将所述步骤S3中获得的最能体现薇甘菊的高光谱特征的多个波段经过计算自适应波段指数进行排序,将排序第一的波段用优选的分类方法进行分类,再逐一按顺序加入排序靠前波段,以分类结果的精度评定薇甘菊的高光谱特征,获得优选后的薇甘菊高光谱特征最为明显的波段组合。
2.根据权利要求1所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S1中,高光谱数据预处理包括:待研究的高光谱数据依次进行几何校正、数据降噪、辐射校正和波段剔除的处理。
3.根据权利要求2所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S3中,对比支持向量机、光谱角填图两种分类方法分别对所生成的新影像的分类结果精度,找到优选的分类方法;所述步骤S4中,采用所述步骤S3中所确定的优选分类方法进行分类处理。
4.根据权利要求2所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S1中的几何校正处理具体包括:将研究区高光谱数据的影像坐标系由像元坐标系转换成地心坐标系,数字影像也转化为灰度值影像。
5.根据权利要求2所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S1中的数据降噪处理包括:采用主成分分析法对影像进行降噪处理。
6.根据权利要求2所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S1中的辐射校正处理包括:首先进行绝对辐射校正,将像元亮度值转换为入瞳绝对辐亮度值,再进行反射率反演,将辐亮度转换为地物的反射率。
7.根据权利要求2所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S1中的波段剔除处理为:对辐射校正处理后获得的波段进行观察,剔除反射率为异常值的波段。
8.根据权利要求1-7任意一项所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S4中将薇甘菊的纹理特征加入到分类处理中进行薇甘菊高光谱特征的优选。
9.根据权利要求8所述的薇甘菊的高光谱特征的筛选方法,其特征在于,所述步骤S4中采用角二阶矩作为薇甘菊的纹理特征代表波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476403.9A CN111814541A (zh) | 2020-05-29 | 2020-05-29 | 一种薇甘菊的高光谱特征的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476403.9A CN111814541A (zh) | 2020-05-29 | 2020-05-29 | 一种薇甘菊的高光谱特征的筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814541A true CN111814541A (zh) | 2020-10-23 |
Family
ID=72848352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010476403.9A Pending CN111814541A (zh) | 2020-05-29 | 2020-05-29 | 一种薇甘菊的高光谱特征的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814541A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845326A (zh) * | 2015-12-04 | 2017-06-13 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的冰川识别方法 |
CN108898070A (zh) * | 2018-06-07 | 2018-11-27 | 湖南中科星图信息技术有限公司 | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 |
US20200150051A1 (en) * | 2018-03-12 | 2020-05-14 | Zhejiang University | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images |
-
2020
- 2020-05-29 CN CN202010476403.9A patent/CN111814541A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845326A (zh) * | 2015-12-04 | 2017-06-13 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的冰川识别方法 |
US20200150051A1 (en) * | 2018-03-12 | 2020-05-14 | Zhejiang University | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images |
CN108898070A (zh) * | 2018-06-07 | 2018-11-27 | 湖南中科星图信息技术有限公司 | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 |
Non-Patent Citations (1)
Title |
---|
刘彦君等: "基于无人机高光谱影像波段选择的薇甘菊分类", 《测绘通报》, pages 1 - 7 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Solano et al. | A methodology based on GEOBIA and WorldView-3 imagery to derive vegetation indices at tree crown detail in olive orchards | |
Liu et al. | Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms | |
CN111985543B (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
Huang et al. | Phenotypic techniques and applications in fruit trees: a review | |
Wang et al. | Neural network classification of mangrove species from multi-seasonal Ikonos imagery | |
CN110287869A (zh) | 基于深度学习的高分辨率遥感影像农作物分类方法 | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
CN110398466A (zh) | 基于遥感反演的农作物生长状态监测方法 | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN110889394A (zh) | 基于深度学习UNet网络的水稻倒伏识别方法 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
Verma et al. | Mapping and area estimation of mango orchards of Lucknow region by applying knowledge based decision tree to Landsat 8 OLI Satellite Images | |
Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
Abdelraouf et al. | Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery | |
Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
Gong et al. | Vineyard identification in an oak woodland landscape with airborne digital camera imagery | |
CN111814541A (zh) | 一种薇甘菊的高光谱特征的筛选方法 | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
Qu et al. | A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects |
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 |