基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法

1.本发明涉农业遥感领域和农业灾害评估领域，特别涉及一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法。


背景技术：

2.现有技术一的技术方案
3.当前有关部门获取倒伏区域地理信息的方法是：派遣工作人员前往受灾区域；使用尼龙绳或者粉笔石灰等确定倒伏区域的边界，将倒伏区域的边界轮廓勾勒出来，而后使用全站仪或者gps定位器等工具确定角点的地理坐标，再用卷尺等工具量出轮廓长度等信息。
4.现有技术一的缺点
5.这种方法费时耗力、受人为的主观因素影响，测量结果存在争议。而且这种测量方法是接触性质的，需要人为的在农田中一处一处的寻找受灾区域，可能会遗漏甚至造成二次伤害。
6.现有技术二的技术方案
7.当前有部分学者和地方单位采用卫星要干的方式来收集倒伏区域信息。这种方式主要是下载卫星传回的高分辨率遥感影像，直接进行图像分析。
8.现有技术二的缺点
9.但这种方式受到分辨率较低、访问时间无法预定、易受天气因素影响等制约，目前使用航天遥感来提取作物倒伏区域的技术极不成熟。目前已有的技术精度都不是非常理想。
10.无人机遥感被广泛应于与农业监测领域，越来越多的学者使用无人机遥感监测评估作物生物量、检测环境压力。使用无人机来提取倒伏面积或估计倒伏严重程度的研究也越来越多。
11.基于此，本发明的目的是提供一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法，用以对小麦倒伏区域进行高精度检测。


技术实现要素：

12.针对现有技术中存在的缺陷，本发明的目的在于提供一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法，用以对小麦倒伏区域进行高精准监测。
13.为达到以上目的，本发明采取的技术方案是：
14.一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法，包括以下步骤：
15.步骤1：在无人机平台上装配多光谱传感器；
16.步骤2：通过装配多光谱传感器的无人机平台对农田进行监测，得到无人机影像；
17.步骤3：根据无人机平台监测得到的每幅无人机影像，基于每个像元的地理坐标信息，将对应于同一地块的不同波段、不同组次的无人机影像进行匹配融合与拼接，生成多幅
多通道的多光谱遥感影像；
18.步骤4：通过目视估测的方式，按照倒伏和非倒伏两类，对步骤3生成的多光谱遥感影像进行剪裁，生成视场中只有倒伏区域或只有非倒伏区域的影像，作为原始数据集；
19.步骤5：基于主成分分析方法，计算原始数据集中所有影像的前两个主成分分量的纹理特征及所有影像的每个像元在各个波段的光谱反射率，将计算结果作为新数据集；
20.步骤6：将步骤5得到的新数据集分为两部分：80％为样本集，20％为测试集；
21.步骤7：构建支持向量机模型，将样本集输入到支持向量机模型中进行训练，用测试集验证模型的精度，当精度达到90％以上时视为训练成功；
22.步骤8：预设窗口大小，调用训练成功的支持向量机模型，判别每个窗口的类型；统计出所有倒伏区域的像元个数，进一步求出倒伏区域的面积。
23.在上述方案的基础上，步骤5具体包括：
24.步骤51：基于主成分分析方法，对原始数据集中每一幅影像进行主成分分析，从而降低数据冗余。
25.步骤52：计算每一幅影像前两个主成分分量的纹理特征；
26.步骤53：统计每幅遥感影像每个像元对应的在各个波段的光谱反射率值。
27.在上述方案的基础上，步骤52所述的纹理特征采用灰度共生矩阵的方法来计算。
28.在上述方案的基础上，所述采用灰度共生矩阵的方法具体包括：在一幅n
×
n的图像f(x,y)上，假设位置在(x,y)处的像素点灰度值为i，以该点为中心，固定距离(两个像素点相隔距离为δ，方位为θ)下的灰度值为j的像素点出现的概率p，以此被称为灰度共生矩阵。其中，所述两个像素点相隔距离为δ，δ＝(dx2+dy2)^1/2，灰度为j的像元同时出现的概率表示为p(i,j,δ,θ)；用数学表达式为：
29.p(i,j,δ,θ)＝{[(x,y),(x+dx,y+dy)]|f(x,y)＝i,f(x+dx,y+dy)＝j}
ꢀꢀ
(1)
[0030]
在上述方案的基础上，步骤8具体包括：
[0031]
步骤81：以步骤5中得到的新数据集中的图像尺寸最小的图片的尺寸作为窗口大小，将窗口在待提取倒伏区域的目标图片上平移，将目标图片划分成多个栅格；
[0032]
步骤82：调用训练成功的支持向量机模型对每个栅格进行分类，划分为倒伏区域和非倒伏区域，并将倒伏区域和非倒伏区域用不同的颜色表示。
[0033]
步骤83：统计倒伏区域的像元总数，根据公式(2)，计算得到每个像元对应的实地面积s：
[0034][0035]
式中：n代表图像的分辨率；s代表传感器的尺寸面积；f代表传感器获取影像时的焦距；u代表获取影像时的物距。
[0036]
本发明的有益效果：
[0037]
通过无人机平台搭载的多光谱传感器，基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法，可实时高效地统计出所有倒伏区域的像元个数，进一步求出倒伏区域的面积。
附图说明
[0038]
本发明有如下附图：
[0039]
图1为本发明提供的一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法的流程图；
[0040]
图2为本发明提供的一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法的结构图；
[0041]
图3为本发明提供的一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法的rgb图像效果图。
[0042]
图4为本发明提供的一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法的svm提取结果效果图。
具体实施方式
[0043]
以下结合附图1
‑
4对本发明作进一步详细说明。
[0044]
一种基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法包括以下步骤：
[0045]
步骤101：在无人机平台上装配多光谱传感器；
[0046]
步骤102：通过装配多光谱传感器的无人机平台对农田进行监测，得到无人机影像；
[0047]
步骤103：根据无人机平台监测得到的每幅无人机影像，基于每个像元的地理坐标信息，对几个波段的单通道遥感影像进行叠加，生成多幅包含有多个通道的多光谱遥感影像。
[0048]
步骤104：通过目测估计的方法，对步骤103生成的多光谱遥感影像按照倒伏和非倒伏两种类别进行裁剪，生成视场中仅包含有倒伏区域或非倒伏区域的影像，作为原始数据集。
[0049]
步骤105：基于主成分分析方法，计算原始数据集中所有多光谱遥感影像的前两个主成分分量的纹理特征；同时统计每幅多光谱遥感影像中每个像元在各个波段的光谱反射率；将这些数据打包生成新数据集。
[0050]
步骤106：将新数据集分为两部分，80％作为样本集，20％作为测试集；
[0051]
步骤107：构建支持向量机模型，将样本集输入到支持向量机模型中进行训练，用测试集验证模型的精度，当精度达到90％以上时视为训练成功。
[0052]
步骤108：根据数据集中最小的图像尺寸，预设窗口大小；调用训练成功的支持向量机模型，对每个窗口进行分类，统计倒伏区域的像元总数，换算求得倒伏区域的总面积。
[0053]
其中，步骤105具体包括：
[0054]
步骤1051：基于主成分分析的方法对原始数据集中每一幅遥感影像进行主成分分析，从而降低数据冗余。
[0055]
主成分分析，是图像处理中经常用到的降维方法，在处理有关数字图像处理方面的问题时，比如经常用的图像的查询问题，在一个几万或者几百万甚至更大的数据库中查询一幅相近的图像。这时，通常的方法是对图像库中的图片提取响应的特征，如颜色，纹理，sift，surf，vlad等特征，然后将其保存，建立响应的数据索引，然后对要查询的图像提取相应的特征，与数据库中的图像特征对比，找出与之最近的图片。
[0056]
步骤1052：计算每一幅遥感影像前两个主成分量的纹理特征；
[0057]
纹理特征是从图像中计算出来的一个值，对区域内部灰度级变化的特征进行量化，不是基于像元点的特征，需要在包含多个像元点的区域中进行统计计算，具有旋转不变性，且对噪声有较强的抵抗能力；适用于检索具有粗细、疏密等方面较大差别的纹理图像。
[0058]
采用灰度共生矩阵的方法来计算纹理特征：
[0059]
灰度共生矩阵就是从n
×
n的图像f(x,y)的灰度为i的像元出发，统计与i距离为δ＝(dx2+dy2)^1/2，灰度为j的像元同时出现的概率p(i,j,δ,θ)。用数学表达式为：
[0060]
p(i,j,δ,θ)＝{[(x,y),(x+dx,y+dy)]|f(x,y)＝i,f(x+dx,y+dy)＝j}
ꢀꢀ
(1)
[0061]
步骤1053：统计每幅遥感影像每个像元对应的在各个波段的光谱反射率值。
[0062]
步骤108具体包括：
[0063]
步骤1081：以数据集中图像尺寸最小的图片的尺寸作为窗口，窗口在待处理影像上平移，将待处理影像划分成很多个栅格。
[0064]
步骤1082：调用训练完成的支持向量机模型对每个栅格进行分类，倒伏区域和非倒伏区域用不同的颜色表示。
[0065]
步骤1083：统计倒伏区域的像元总数，而后根据公式，可以计算得到每个像元对应的实地面积s：
[0066][0067]
式中：n代表图像的分辨率；s代表传感器的尺寸面积；f代表传感器获取影像时的焦距；u代表获取影像时的物距，也即多光谱传感器距离地面的高度。
[0068]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0069]
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅是本发明的一部分实施例，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做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。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。