CN111950530B - 农作物种植结构提取的多特征优选与融合方法 - Google Patents
农作物种植结构提取的多特征优选与融合方法 Download PDFInfo
- Publication number
- CN111950530B CN111950530B CN202010932539.6A CN202010932539A CN111950530B CN 111950530 B CN111950530 B CN 111950530B CN 202010932539 A CN202010932539 A CN 202010932539A CN 111950530 B CN111950530 B CN 111950530B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- pixel
- follows
- calculation formula
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 9
- 238000011160 research Methods 0.000 claims abstract description 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 230000014509 gene expression Effects 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 64
- 230000004927 fusion Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 13
- 238000012216 screening Methods 0.000 abstract description 11
- 238000003973 irrigation Methods 0.000 description 5
- 230000002262 irrigation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009928 pasteurization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了农作物种植结构提取的多特征优选与融合方法,包括,收集不大于月尺度的时间序列卫星遥感数据集,同时完成研究区域内样本数据的预获取;描述各类作物的光谱与纹理特性;计算不同的样本在光谱信息、植被指数以及纹理特征量等的表达,统计各特征量的均值与方差,计算不同样本在各个特征量上的可区分能力;建立多特征优选公式,并利用公式确定参与分类的特征量以及各特征量在分类过程中所占的比重;构建一个新的图像;利用随机森林分类器对研究区域的农作物类型进行精细识别,生成农作物的时空分布专题图并验证精度。本发明解决了传统遥感信息提取方法中忽略了对分类特征量的筛选,从而增加了时间复杂度和计算机运行速率的问题。
Description
技术领域
本发明涉及遥感种植结构监测领域,特别是农作物种植结构提取的多特征优选与融合方法。
背景技术
农作物种植结构是指对区域内不同类型作物的空间分布以及各类型的种植面积等信息做出汇总整理,最终以地图制图的形式将农作物信息直观的呈现出来。种植结构信息反映了人们在土地资源上的分配状况,是分析农作物种植面积以及统计农作物类型等的基础,同时也是对土地资源进行合理的调整和优化的依据。传统获取农作物种植结构的方法是采取从下到上的方式层层上报,无法提供准确的农作物类别在空间上的分布信息,且在时间上存在一定的滞后性。随着科学与航天技术的发展,遥感影像数据因其具有观测范围广、时效性强、周期短、成本低、信息量丰富等优势,被广泛应用于农业、林业、生态环境等的监测。这其中最重要的就是对遥感的信息提取,而特征筛选又是信息提取中最重要步骤之一,是提高分类精度的关键要素。避免了特征之间存在一定的数据冗余造成分类的时间与空间复杂度的增加,最终影响农作物种植结构的分类精度。
目前应用于特征筛选的方法是主成分分析、巴氏距离等,针对两种方法的影像研究也在不断的增加。主成分分析是对原始的特征信息进行线性变化分析,转换为信息量较大或者表达能力更强的一组线性无关的几个综合特征。但是主成分分析的结果是将特征按照信息量的大小进行重新组合,并未考虑信息量在作物类别区分中是否占据优势,因此得到的主成分对于分类效果而言并非是最优的。巴氏距离是通过特定的评价准则对原始特征量之间的相似性或可分离性进行度量。但是巴氏距离更多的是描述不同特征之间的距离,无法获取各个特征在样本可分离度中所占的比重,难以实现对特征进行增强和优化。
发明内容
为解决现有技术中存在的问题,本发明提供了农作物种植结构提取的多特征优选与融合方法,解决了传统获取农作物种植结构信息的方法忽略了对分类特征量的筛选,以及在融合过程中忽略了特征信息量之间存在的差异,从而增加了时间复杂度,影响分类精度等问题。
本发明采用的技术方案是,农作物种植结构提取的多特征优选与融合方法,包括以下步骤:
S1:确定分析区域空间范围并进行数据准备,收集不大于月尺度的时间序列卫星遥感数据集,时间上统一处理为月尺度数据,同时完成研究区域内样本数据的预获取;
S2:根据预处理后的卫星遥感影像数据,基于植被指数以及灰度共生矩阵计算原理描述各类作物的光谱与纹理特性;
S3:计算不同农作物样本在光谱信息、植被指数以及纹理特征量上的表达,统计各个特征量的均值与方差,并计算不同样本在各个特征量上的可区分能力;
S4:基于各个特征量的可区分能力建立多特征优选公式,并利用公式确定参与分类的特征量以及各个特征量在可分离度中所占的比重;
S5:依据优选后的特征以及各自的权重进行数据融合,将其构建为一个新的图像;
S6:利用随机森林分类器对研究区域的农作物类型进行精准识别,实现农作物的精细化管理,生成完整时间序列的农作物的时空分布专题图并验证精度。
优选地,S1包括以下步骤:
S11:根据研究区的位置和范围,选择具有高时间分辨率和高空间分辨率的GF-1WFV数据,如果出现数据源不能完全覆盖的情况,考虑使用sention-2,高分二号,landsat8或HJ-1A/B代替,同时调查分析区域范围的农作物类型以及各自的生长物候期;
S12:对收集的数据进行遥感影像的处理,如果出现替代数据,需要重采样统一空间分辨率;
S13:对样本的采集需要考虑其代表性、典型性、时效性,通过建立规则格网将研究区划分为n块面积相同的区域,在各个区域内选取不同的作物样本。
优选地,S2包括以下步骤:
S21:计算影像数据的归一化植被指数(NDVI),其计算公式为:
式中,NDVI表示影像的归一化植被指数结果;ρNIR为近红外波段的反射率;ρR为红光波段的反射率。
S22:利用灰度共生矩阵计算纹理时,选取八个特征量表征纹理的特性:
平均值(Mea):反映窗口内灰度平均值与纹理的规则程度,其计算公式为:
式中;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
方差(Var):反映矩阵元素偏离均值的程度与灰度变化的大小,其计算公式为:
其中,μ是p(i,j)的均值;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
对比度(Con):反映图像的清晰度与纹理沟纹深浅的程度,其计算公式为:
式中;n为影像像元的行列号差值的绝对值;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
逆差距(Hom):反映了图像分布的平滑性,是图像均匀程度的度量,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
差异度(Dis):用来检测图像的差异程度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
信息熵(Ent):度量影像纹理的随机性,是测量灰度级分布随机性的特征参数,表征影像灰度级别的混乱程度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
角二阶矩(ASM):反映了影像灰度分布均匀程度和纹理粗细度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
相似程度(Cor):反映了空间灰度共生矩阵元素在行或列方向上的相似程度,其计算公式为:
式中:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;μ、表示在x、y轴的均值与方差;
优选地,S3包括以下步骤:
S31:统计不同样本在光谱、植被指数、纹理特征量上的均值和方差,其计算公式为:
S32:基于巴氏距离构建样本的可分离程度计算,针对不同特征量计算不同样本两两间的可区分能力,其计算公式为:
式中,μ为图像上同一特征量在2个不同类别间的均值,σ为在同一特征量在2个不同类别间的标准差。
优选地,S4包括以下步骤:
S41:计算各特征量在不同农作物类别中的总体分离能力,具体的计算公式为:
式中,D(a,b)为在不同样本间的可分离程度;n为作物总的类别数;
S42:按照各特征量对应的区分能力值从大到小的顺序对特征量进行排序;
S43:计算各特征量可分离度的总和,其计算公式为:
其中,Di表示各特征量对农作物的可分离度;n为总的特征数;S表示所有特征可分离度的总和;
S44:计算各特征量的可分离度所占的比重,其计算公式为:
其中,xi表示各特征量可分离度所占的比值;
S45:将各特征量所占的比值进行累加计算,若总和大于等于95%,则停止计算,此时所对应的个数即为所求的特征量优选后的最佳个数,并将结果输出,获取具体的优选计算公式为:
其中,yi表示各特征量可分离度累加的比值;n为总的特征数。
优选地,S5包括以下步骤:
S51:基于优选后不同的特征量,以及各特征的可分离度所占的比值进行数据融合,具体的计算公式为:
式中,y为数据融合的结果;xi,ai表示各特征量及各自可分离度所占的比值;
S52:指定输出的路径与命名规范,输出新的图像;
优选地,S6包括以下步骤:
S61:根据随机森林原理对研究区域的农作物进行识别;
S62:设置分类器所需各类参数,输入分类样本对研究区域的农作物种植结构进行识别分类,完成动态识别;
S63:对研究区进行农作物识别,生成完整时间序列的农作物时空分布专题图;
S64:根据验证样本进行结果验证,得到总体分类精度以及Kappa系数。
本发明提供的农作物种植结构提取的多特征优选与融合方法,具有的有益效果如下:
1.本发明基于影像信息提取的多特征优选与融合最终服务于农作物种植结构的精细识别,不仅能够有效的识别农作物种植结构,还能够节省时间,减少计算机的运算量与存储量。
2.该技术具有计算快速、适用性强的特点,有效改善了中高分辨率数据的分类局限,提高了分类速率,改进了高分一号在分类中的精度与效率,对农作物种植结构识别技术业务化推广具有重要意义。
附图说明
图1为本发明实施例的总流程框图。
图2为本发明实施例的S1的分步骤流程图。
图3为本发明实施例的S2的分步骤流程图。
图4为本发明实施例的S3的分步骤流程图。
图5为本发明实施例的S4的分步骤流程图。
图6为本发明实施例的S5的分步骤流程图。
图7为本发明实施例的S6的分步骤流程图。
图8为本发明实施例1的分类结果图。
图9为本发明实施例2的分类结果图。
具体实施方式
下面结合实施例和附图对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示,一种农作物种植结构提取的多特征优选与融合方法,包括以下步骤:
S1:以河北省石津灌区为例,收集2019年9月GF-1WFV卫星遥感数据,实现区域的全覆盖并进行GF-1的预处理,同时收集研究区的主要作物类型及物候期变化,通过野外测量完成研究区域内样本点的采集;
S2:根据预处理后的GF-1卫星遥感影像数据,计算研究区范围内的植被指数、纹理特征以及光谱特征;
S3:统计不同农作物样本在GF-1影像的光谱信息、植被指数以及纹理特征上的表达,统计各个特征的均值与方差,并计算不同作物样本在各个特征量上的可区分能力;
S4:基于各个特征量的可区分能力建立多特征优选公式,并利用公式筛选获取最终参与分类的特征以及各个特征量在可分离能力中所占的比重;
S5:依据优选后的特征以及各自的权重进行数据融合,将其构建为一个新的图像;
S6:利用随机森林分类器对研究区域的农作物类型进行精准识别,实现农作物的精细化管理,生成石津灌区农作物的时空分布专题图并验证精度。
如图2所示,本实施方案的S1包括以下步骤:
S11:选择完全覆盖石津灌区并且具有高时间分辨率和高空间分辨率的2019年9月GF-1WFV数据,同时调查分析研究区内的农作物类型及各类作物的生长物候期变化,具体分为冬小麦、夏玉米、棉花、蔬菜、经济园林五大类;
S12:对收集的GF-1数据进行预处理操作,主要包括辐射校正、大气校正、正射校正以及图像裁剪拼接;
S13:考虑到样本采集的代表性、典型性,在石津灌区建立5km*5km的规则格网并在各个格网内选取不同类别的作物样本。整个研究区共选取样本数283个,其中训练样本189个,验证样本94个。
如图3所示,本实施方案的S2包括以下步骤:
S21:计算GF-1WFV影像数据的归一化植被指数(NDVI),其计算公式为:
式中,NDVI表示影像的归一化植被指数结果;ρNIR为近红外波段的反射率;ρR为红光波段的反射率。
S22:利用灰度共生矩阵计算纹理时,选取八个特征量表征纹理的特性:
平均值(Mea):反映窗口内灰度平均值与纹理的规则程度,其计算公式为:
式中;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
方差(Var):反映矩阵元素偏离均值的程度与灰度变化的大小,其计算公式为:
其中,μ是p(i,j)的均值;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
对比度(Con):反映图像的清晰度与纹理沟纹深浅的程度,其计算公式为:
式中;n为影像像元的行列号差值的绝对值;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
逆差距(Hom):反映了图像分布的平滑性,是图像均匀程度的度量,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
差异度(Dis):用来检测图像的差异程度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
信息熵(Ent):度量影像纹理的随机性,是测量灰度级分布随机性的特征参数,表征影像灰度级别的混乱程度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
角二阶矩(ASM):反映了影像灰度分布均匀程度和纹理粗细度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
相似程度(Cor):反映了空间灰度共生矩阵元素在行或列方向上的相似程度,其计算公式为:
式中:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;μ、表示在x、y轴的均值与方差;
如图4所示,本实施方案的S3包括以下步骤:
S31:统计不同类别作物在光谱、植被指数、纹理特征量上的均值和方差,其计算公式为:
S32:基于巴氏距离构建样本的可分离程度计算,针对不同特征量计算不同样本两两间的可区分能力,其计算公式为:
式中,μ为影像上同一特征量在2个不同类别间的均值,σ为在同一特征量在2个不同类别间的标准差。
如图5所示,本实施方案的S4包括以下步骤:
S41:计算各特征量在不同农作物类别中的总体分离能力,具体的计算公式为:
式中,D(a,b)为在不同样本间的可分离程度;n为作物总的类别数;
S42:按照各特征量对应的区分能力值从大到小的顺序对特征量进行排序;
S43:计算各特征量可分离度的总和,其计算公式为:
其中,Di表示各特征量对农作物的可分离度;n为总的特征数;S表示所有特征可分离度的总和;
S44:计算各特征量的可分离度所占的比重,其计算公式为:
其中,xi表示各特征量可分离度所占的比值;
S45:将各特征量所占的比值进行累加计算,若总和大于等于95%,则停止计算,此时所对应的个数即为所求的特征量优选后的最佳个数,并将结果输出,获取具体的优选计算公式为:
其中,yi表示各特征量可分离度累加的比值;n为总的特征数。
如图6所示,本实施方案的S5包括以下步骤:
S51:基于特征筛选后结果,以及各特征的可分离度所占的比值进行数据融合,具体的计算公式为:
式中,y为数据融合的结果;xi,ai表示各特征量及各自可分离度所占的比值;
S52:指定输出的路径与命名规范,输出新的图像;
表1特征筛选与融合的结果
如图7所示,本实施方案的S6包括以下步骤:
S61:设置随机森林分类器的分类节点树为500,构建随机森林分类器;
S62:按照分类器的格式规范输入训练样本,对石津灌区的农作物种植结构进行识别分类;
S63:生成石津灌区的农作物时空分布专题图;
S64:根据验证样本进行结果验证,得到总体分类精度以及Kappa系数。如图8所示。
表2 2019年9月石津灌区不同分类方法的作物提取精度对比
实施例2
以石家庄2个县区为研究对象,根据2019年5月份的GF-1WFV数据进行多特征的筛选与融合,最终实现农作物种植结构的识别,如图9所示。由表3可以看出,经过筛选融合后的影像分类精度达到86.16%,相对于传统的仅使用光谱信息或者纹理信息作为分类特征,精度有了很大的改善,同时经过特征筛选,消除了特征之间的干扰,减少了训练及分类的时间,提高了分类速率。故本方法显著提高了特征筛选与融合在实际应用中的时效性和精确性。
表3 2019年5月不同分类方法的作物提取精度对比
本实施方案在实施时,本发明提出的方法是基于农作物在影像上具有不同的光谱与纹理特征的原理,首先对实验区的农作物类型进行分析汇总,再基于植被指数、纹理特征以及样本在影像中的可分离度与精度的计算原理,确定特征在分离度所占的比重,实现多特征的最优筛选,并依据各自所占的比重实现筛选后的特征融合,最终运用随机森林分类方法识别得到农作物种植结构信息。本技术方案具有简单、有效、适用性强的特点,可以快速精确的获取大范围的农作物空间分布信息,改善了传统方法中由于参与分类的特征量过多而导致的分类速率的下降与分类精度的不佳,提高了遥感监测农作物种植结构的计算效率和精度,有助于遥感技术监测农作物种植结构的业务化推广。
Claims (1)
1.农作物种植结构提取的多特征优选与融合方法,其特征在于,包括以下步骤:
S1:确定分析区域空间范围并进行数据准备,收集不大于月尺度的时间序列卫星遥感数据集,时间上统一处理为月尺度数据,同时完成研究区域内样本数据的预获取;
S11:根据研究区的位置和范围,选择具有高时间分辨率和高空间分辨率的GF-1WFV数据,如果出现数据源不能完全覆盖的情况,考虑使用sention-2,高分二号,landsat8或HJ-1A/B代替,同时调查分析区域范围的农作物类型以及各自的生长物候期;
S12:对收集的数据进行遥感影像的处理,如果出现替代数据,需要重采样统一空间分辨率;
S13:对样本的采集需要考虑其代表性、典型性、时效性,通过建立规则格网将研究区划分为n块面积相同的区域,在各个区域内选取不同的作物样本;
S2:根据预处理后的卫星遥感影像数据,基于植被指数以及灰度共生矩阵计算原理描述各类作物的光谱与纹理特性;
所述S2包括以下步骤:
S21:计算影像数据的归一化植被指数(NDVI),其计算公式为:
式中,NDVI表示影像的归一化植被指数结果;ρNIR为近红外波段的反射率;ρR为红光波段的反射率;
S22:利用灰度共生矩阵计算纹理时,选取八个特征量表征纹理的特性:
平均值Mea:反映窗口内灰度平均值与纹理的规则程度,其计算公式为:
式中;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
方差Var:反映矩阵元素偏离均值的程度与灰度变化的大小,其计算公式为:
其中,μ是p(i,j)的均值;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
对比度Con)反映图像的清晰度与纹理沟纹深浅的程度,其计算公式为:
式中;n为影像像元的行列号差值的绝对值;p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
逆差距Hom:反映了图像分布的平滑性,是图像均匀程度的度量,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
差异度Dis:用来检测图像的差异程度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
信息熵Ent:度量影像纹理的随机性,是测量灰度级分布随机性的特征参数,表征影像灰度级别的混乱程度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
角二阶矩(ASM):反映了影像灰度分布均匀程度和纹理粗细度,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;
相似程度Cor:反映了空间灰度共生矩阵元素在行或列方向上的相似程度,其计算公式为:
式中:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;μ、表示在x、y轴的均值与方差;
S3:计算不同农作物样本在光谱信息、植被指数以及纹理特征量上的表达,统计各个特征量的均值与方差,并计算不同样本在各个特征量上的可区分能力;
所述S3包括以下步骤:
S31:统计不同样本在光谱、植被指数、纹理特征量上的均值μ和方差σ,其计算公式为:
式中:p(i,j)为像元的灰度值;i,j表示以影像左上角为坐标原点的各个像元的行列号;S32:基于巴氏距离构建样本的可分离程度计算,针对不同特征量计算不同样本两两间的可区分能力D(a,b),其计算公式为:
式中,μ为图像上同一特征量在2个不同类别间的均值;σ为在同一特征量在2个不同类别间的标准差;a、b表示两个不同的农作物类别;
S4:基于各个特征量的可区分能力建立多特征优选公式,并利用公式确定参与分类的特征量以及各个特征量在可分离度中所占的比重;
所述S4包括以下步骤:
S41:计算各特征量在不同农作物类别中的总体分离能力,具体的计算公式为:
式中,D(a,b)为在不同样本间的可分离程度;n为作物总的类别数;
S42:按照各特征量对应的区分能力值从大到小的顺序对特征量进行排序;
S43:计算各特征量可分离度的总和,其计算公式为:
其中,Di表示各特征量对农作物的可分离度;n为总的特征数;S表示所有特征可分离度的总和;
S44:计算各特征量的可分离度所占的比重,其计算公式为:
其中,xi表示各特征量可分离度所占的比值;
S45:将各特征量所占的比值进行累加计算,若总和大于等于95%,则停止计算,此时所对应的个数即为所求的特征量优选后的最佳个数,并将结果输出,获取具体的优选计算公式为:
其中,yi表示各特征量可分离度累加的比值;n为总的特征数;
S5:依据优选后的特征以及各自的权重进行数据融合,将其构建为一个新的图像;
所述S5包括以下步骤:
S51:基于优选后不同的特征量,以及各特征的可分离度所占的比值进行数据融合,具体的计算公式为:
式中,y为数据融合的结果;ai,xi表示各特征量及各自可分离度所占的比值;
S52:指定输出的路径与命名规范,输出新的图像;
S6:利用随机森林分类器对研究区域的农作物类型进行精准识别,实现农作物的精细化管理,生成完整时间序列的农作物的时空分布专题图并验证精度;
所述S6包括以下步骤:
S61:根据随机森林原理对研究区域的农作物进行识别;
S62:设置分类器所需各类参数,输入分类样本对研究区域的农作物种植结构进行识别分类,完成动态识别;
S63:对研究区进行农作物识别,生成完整时间序列的农作物时空分布专题图;
S64:根据验证样本进行结果验证,得到总体分类精度以及Kappa系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010932539.6A CN111950530B (zh) | 2020-09-08 | 2020-09-08 | 农作物种植结构提取的多特征优选与融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010932539.6A CN111950530B (zh) | 2020-09-08 | 2020-09-08 | 农作物种植结构提取的多特征优选与融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950530A CN111950530A (zh) | 2020-11-17 |
CN111950530B true CN111950530B (zh) | 2024-04-12 |
Family
ID=73356796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010932539.6A Active CN111950530B (zh) | 2020-09-08 | 2020-09-08 | 农作物种植结构提取的多特征优选与融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950530B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920440A (zh) * | 2021-04-06 | 2022-01-11 | 中国科学院地理科学与资源研究所 | 垃圾填埋场遥感识别方法、装置和计算机设备 |
CN112949607A (zh) * | 2021-04-15 | 2021-06-11 | 辽宁工程技术大学 | 一种基于JM Relief F湿地植被特征优选与融合方法 |
CN113901966B (zh) * | 2021-12-07 | 2022-03-11 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN114494882B (zh) * | 2022-02-07 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于随机森林的冬小麦遥感识别分析方法和系统 |
CN115223059B (zh) * | 2022-08-31 | 2022-12-09 | 自然资源部第三航测遥感院 | 基于多元遥感影像的多云雾区域农作物种植模式提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308542A (zh) * | 2008-06-26 | 2008-11-19 | 西南交通大学 | 基于Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法 |
CN104424390A (zh) * | 2013-09-06 | 2015-03-18 | 中国水利水电科学研究院 | 灌溉面积监测方法及装置 |
CN105608474A (zh) * | 2015-12-30 | 2016-05-25 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
CN108846337A (zh) * | 2018-06-01 | 2018-11-20 | 苏州中科天启遥感科技有限公司 | 一种基于支持向量机的超平面距离时间窗口选择方法 |
CN109522889A (zh) * | 2018-09-03 | 2019-03-26 | 中国人民解放军国防科技大学 | 一种基于图像分析的水文尺水位识别估算方法 |
CN109726705A (zh) * | 2019-01-24 | 2019-05-07 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
CN110321861A (zh) * | 2019-07-09 | 2019-10-11 | 中国水利水电科学研究院 | 一种农作物种植结构月尺度动态提取方法 |
CN110909652A (zh) * | 2019-11-16 | 2020-03-24 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
CN111274887A (zh) * | 2020-01-13 | 2020-06-12 | 北京师范大学 | 基于机器学习的农作物识别方法、装置、存储介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2020
- 2020-09-08 CN CN202010932539.6A patent/CN111950530B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308542A (zh) * | 2008-06-26 | 2008-11-19 | 西南交通大学 | 基于Log-Gabor混合滤波相位特征加密的高精度掌纹安全识别方法 |
CN104424390A (zh) * | 2013-09-06 | 2015-03-18 | 中国水利水电科学研究院 | 灌溉面积监测方法及装置 |
CN105608474A (zh) * | 2015-12-30 | 2016-05-25 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
CN108846337A (zh) * | 2018-06-01 | 2018-11-20 | 苏州中科天启遥感科技有限公司 | 一种基于支持向量机的超平面距离时间窗口选择方法 |
CN109522889A (zh) * | 2018-09-03 | 2019-03-26 | 中国人民解放军国防科技大学 | 一种基于图像分析的水文尺水位识别估算方法 |
CN109726705A (zh) * | 2019-01-24 | 2019-05-07 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
CN110321861A (zh) * | 2019-07-09 | 2019-10-11 | 中国水利水电科学研究院 | 一种农作物种植结构月尺度动态提取方法 |
CN110909652A (zh) * | 2019-11-16 | 2020-03-24 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
CN111274887A (zh) * | 2020-01-13 | 2020-06-12 | 北京师范大学 | 基于机器学习的农作物识别方法、装置、存储介质及终端 |
Non-Patent Citations (5)
Title |
---|
Early Prediction of Soybean Traits through Color and Texture Features of Canopy RGB Imagery;Wenan Yuan等;《SCIENTIFIC REPORTS》;20191001;1-17 * |
基于Landsat8和高分一号影像的沙湾县作物种类识别研究;白雪;武红旗;吕昱;范燕敏;;山东农业科学;20200228(第02期);161-167 * |
基于光谱和纹理特征综合的农作物种植结构提取方法研究;王镕;《中国优秀硕士学位论文全文数据库 农业科技辑》;20200415;D043-3 * |
浑善达克沙地榆树疏林的高分辨率遥感识别方法;薛传平 等;《国土资源遥感》;20180430;第30卷(第04期);74-81 * |
面向对象的特色农作物种植遥感调查方法研究;单治彬;孔金玲;张永庭;李欢;关红;胡永新;李健锋;张文博;;地球信息科学学报;20181017(第10期);141-151 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950530A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950530B (zh) | 农作物种植结构提取的多特征优选与融合方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
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 | |
CN111598045A (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 | |
CN110909652B (zh) | 纹理特征优选的农作物种植结构月尺度动态提取方法 | |
CN111738138B (zh) | 一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法 | |
CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
CN109490838A (zh) | 一种面向数据库残缺的雷达辐射源识别方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
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 | |
CN111126511A (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 | |
CN101067659A (zh) | 一种遥感图像分类方法 | |
CN110135479A (zh) | 基于随机森林测度学习的高光谱图像目标探测方法及系统 | |
CN115719453B (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
Räty et al. | On the potential to predetermine dominant tree species based on sparse-density airborne laser scanning data for improving subsequent predictions of species-specific timber volumes | |
CN115861836A (zh) | 基于多时相Sentinel-2数据的大豆种植区提取方法 | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
KR102576427B1 (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |