張 超，喬 敏，劉 哲，金虹杉，寧明宇，孫海艷

?

基于無人機和衛(wèi)星遙感影像的制種玉米田識別紋理特征尺度優(yōu)選

張 超1,2，喬 敏1，劉 哲1※，金虹杉1，寧明宇3，孫海艷3

（1. 中國農業(yè)大學信息與電氣工程學院，北京100083；2. 國土資源部農用地質量與監(jiān)控重點實驗室，北京100035；3. 全國農業(yè)技術推廣服務中心，北京100125）

制種玉米田在高空間分辨率遙感影像上呈現(xiàn)的明顯條帶狀紋理，是有效區(qū)分光譜值相近的大田玉米和制種玉米的重要信息。該文在新疆維吾爾自治區(qū)奇臺縣玉米種植區(qū)以高空間分辨率的無人機遙感影像為數(shù)據(jù)源，針對制種玉米識別的紋理特征計算尺度問題，首先采用最近鄰內插法對制種玉米和大田玉米樣本田塊的無人機影像進行重采樣，得到不同分辨率的樣本；然后用融合Uniform-LBP（local binary pattern）和GLCM（gray level co-occurrence matrix）方法得到提取玉米田塊紋理特征合理GLCM參數(shù)，其中方向參數(shù)為0°、45°、90°和135°這4個方向上的紋理特征值的平均值、距離為5~7像元、灰度級為8；通過多尺度對比分析，得到最適宜區(qū)分制種玉米與大田玉米的紋理辨率為0.6~0.9 m。最后采用奇臺縣的0.7 m分辨率的Kompsat-3遙感影像進行驗證，在多時相EVI（enhanced vegetation index）光譜信息識別玉米的基礎上，利用本文確定的紋理分析方法，通過決策樹建立規(guī)則識別制種玉米，識別精度達90.9%。通過該文的研究，可為高空間分辨率遙感制種玉米田監(jiān)管提供支撐。

無人機；遙感；圖像識別；制種玉米田；紋理；Uniform-LBP；GLCM

0 引 言

種子是農業(yè)生產的命脈，是保障農產品安全的根本，準確掌握農作物種子的制種面積與產量是確保供種安全的首要任務。農作物種植面積與產量通常采用2種方式獲取，第一種是行業(yè)統(tǒng)計，第二種是抽樣調查，僅僅依靠這2種方式很難滿足實時性的制種面積監(jiān)測業(yè)務要求。遙感技術能夠結合制種作物的種植方式、物候歷特征等地學信息，以及光譜特點、紋理結構、及時間序列等影像信息，客觀、及時地獲取作物種植的面積及空間分布信息。

近年來，諸多學者對多時相遙感影像農作物識別開展了研究。Murakami等[1]利用9期SPOT/HRV遙感影像數(shù)據(jù)，生成了日本佐賀平原作物一年的NDVI曲線，實現(xiàn)作物的識別。文獻[2-4]同樣利用多時相HJ、GF-1影像數(shù)據(jù)，實現(xiàn)了作物的識別。在高空間分辨率遙感影像中，紋理是區(qū)分作物的重要信息，紋理特征結合光譜信息進行的作物識別，可提高識別精度[5-8]。在現(xiàn)有的影像紋理分析方法中，文獻[9-11]利用灰度共生矩陣（gray level co-occurrence matrix，GLCM）提取紋理特征，分別應用到木材、谷物和虹膜的識別。文獻[12-13]利用融合局部二值模式（local binary pattern，LBP）與GLCM特征提取的方法進行人群密度分類和服裝圖像檢索；文獻[14]證實基于LBP-GLCM紋理特征提取方法，具有很強的紋理鑒別能力，可以獲得較高的效率和準確率。文獻[5-6]以多時相遙感影像構建各地類EVI（enhanced vegetation index）時序曲線，利用地類的物候差異，以C5.0決策樹算法識別玉米，然后針對制種玉米與大田玉米田塊的紋理差異，進一步利用高空間分辨率影像紋理信息識別出制種玉米。

與傳統(tǒng)航空、航天遙感相比，無人機遙感技術具有使用成本低、操作簡單、獲取影像速度快、地面分辨率高等優(yōu)點[15]，使其廣泛應用于農情監(jiān)測、森林資源調查等方面[16]。無人機拍攝影像的高空間分辨率，為農作物精細識別提供了基礎。但空間分辨率的提高，影像自動解譯精度未必提高[17]。Bruzzone等[18]指出遙感影像空間分辨率過高會導致類內方差變大，類間方差變?。豢臻g分辨率過低導致混合像元增多，降低分類精度。因此眾多學者對作物最優(yōu)的空間分類尺度進行了研究，文獻[19-20]通過計算局部方差的方式和基于光譜角匹配的方法來確定遙感應用的最優(yōu)空間分辨率；韓鵬等[21]采用信息熵選取最優(yōu)的空間分辨率。文獻[22]等針對無人機影像，提出一種基于小波包的空間尺度選擇方法。上述研究只針對不同作物識別，對光譜信息相近的同種作物，如制種玉米與大田玉米，適宜的紋理識別尺度還需進一步研究。

本文以無人機拍攝的高空間分辨率影像為數(shù)據(jù)源，針對制種玉米在抽雄期，母本去除雄穗，父本保留雄穗；成熟期，父本行砍掉，母本保留，而使制種玉米田產生的條狀紋理特點。通過實地調查，確定多個制種玉米和大田玉米的樣本，利用融合Uniform-LBP和GLCM的紋理提取和尺度分析方法進行定量分析，確定適宜的制種玉米紋理識別尺度，以期為高空間分辨率遙感制種玉米田監(jiān)管提供支撐。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

本文選取新疆維吾爾自治區(qū)奇臺縣為研究區(qū)，奇臺縣位于新疆維吾爾自治區(qū)東北部，昌吉回族自治州東部，天山北麓，準噶爾盆地東南緣，地理范圍為：89°13′～91°22′E，42°25′～45°29′N。研究區(qū)屬中溫帶大陸性半荒漠干旱性氣候，地勢平坦，土壤肥沃，地下水資源豐富，無霜期約155 d左右，優(yōu)越的自然條件和氣溫環(huán)境十分適宜雜交玉米制種，是國家級雜交玉米種子生產基地之一，全縣耕地面積近133萬hm2，主要作物有玉米（含制種玉米）、冬小麥、向日葵、打瓜、甜菜等。經(jīng)過實地調查，研究區(qū)制種玉米于7月中旬完成去雄，7月下旬割除父本。

1.2 數(shù)據(jù)源簡介

1.2.1 無人機影像與處理

在奇臺縣2處玉米種植區(qū)域，通過大疆精靈Phantom四軸飛行器航飛進行拍攝，獲取高空間分辨率遙感影像。航拍范圍分別為302 m×345 m、323 m×345 m，拍攝時間為2016年8月2日，航拍高度100 m，影像分辨率0.042 m，為RGB真彩色圖像，具體如圖1所示。本文無人機影像在拼接過程中，先利用地面控制點進行幾何糾正，然后以地面調研數(shù)據(jù)為基礎，對無人機影像配準并進行幾何校正。

圖1 研究區(qū)無人機遙感影像圖

1.2.2 KOMPSAT-3影像數(shù)據(jù)

本文采用覆蓋無人機影像區(qū)域的新疆奇臺縣玉米種植區(qū)的KOMPSAT-3影像數(shù)據(jù)，范圍為11 190 m× 11 975 m，影像分辨率為0.7 m，以及奇臺縣覆蓋作物生育期GF-1 WFV影像，相關衛(wèi)星影像參數(shù)如表1所示。由Kompsat-3影像R、G、B 3個波段合成的真彩色影像，如圖2所示。本文以研究區(qū)的實地調研數(shù)據(jù)為基礎，對影像配準并進行幾何糾正。區(qū)域主要種植有制種玉米、大田玉米、冬小麥、向日葵、打瓜、甜菜等作物。

表1 研究區(qū)衛(wèi)星影像參數(shù)

圖2 研究區(qū)Kompast-3遙感影像圖

1.2.3 農作物樣本數(shù)據(jù)

在新疆奇臺縣進行實地調研，采用手持GPS測量地塊的經(jīng)緯度坐標并記錄植被類型、拍攝照片等，共采集樣點88個，制種玉米22個，大田玉米27個，其他作物39個，具體分布見上圖2所示。在獲得無人機遙感影像后，結合前期實地調研數(shù)據(jù)，從影像中裁剪出3個制種玉米和2個大田玉米的樣本數(shù)據(jù)。

2 研究方法

本文采用無人機遙感，研究識別制種玉米的適宜紋理尺度分析方法，首先對5個樣本地塊進行中值濾波處理，平滑圖像消除椒鹽噪聲或斑點；然后采用最近鄰內插法對制種玉米和大田玉米樣本田塊的原始影像進行重采樣，獲得分辨率分別是0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1.0 m的玉米田塊影像；接著利用融合Uniform-LBP和GLCM的紋理提取和尺度分析方法，得到提取玉米田塊的合理GLCM方向、距離和灰度級等紋理特征參數(shù)，以及最適宜區(qū)分制種玉米與大田玉米的紋理分辨率；最后基于適宜分辨率下0.7 m的KOMPSAT-3影像，在多時相EVI光譜信息識別玉米的基礎上結合紋理信息，通過基于專家知識的決策樹建立規(guī)則，識別制種玉米，具體流程圖如圖3。

注：LBP，局部二值模式；GLCM，灰度共生矩陣；EVI，增強植被指數(shù)。下同。

2.1 Uniform-LBP算子

LBP均勻模式的計算公式如下

2.2 GLCM紋理分析法

3 試驗結果與分析

本文采用Uniform-LBP和GLCM結合的方法，確定紋理分析的參數(shù)和尺度，然后選用KOMPSAT-3遙感影像，通過制種玉米識別對本文方法進行實際驗證。

3.1 融合Uniform-LBP和GLCM的紋理特征提取及尺度分析

本文首先使用Uniform-LBP算子對玉米樣本圖像濾波，獲得旋轉不變的LBP圖像，然后分析確定GLCM的參數(shù)和尺度。

3.1.1 Uniform-LBP處理

對0.1～1.0 m分辨率下的制種玉米和大田玉米樣本田塊影像進行Uniform-LBP濾波處理，獲得旋轉不變的LBP圖像，以0.1 m制種玉米的結果圖為例，如圖4所示。

a. 原始圖像a. Original imageb. LBP圖像b. LBP image

本文分析了在0°、45°、90°和135°這4個方向上ASM、entropy、homogeneity和contrast紋理特征值及其在4個方向上的平均值的變化。經(jīng)Uniform-LBP處理后的玉米田塊這4個紋理特征值隨方向改變會有略微波動，但總體幅度較小。故為了消除方向對特征參數(shù)的影響，本文采用4個方向上特征值的平均值作為最終分析的紋理特征。同時，也證實了Uniform-LBP的旋轉不變性，使紋理特征更加穩(wěn)定。

3.1.2 距離參數(shù)對紋理特征值的影響

在固定移動窗口7×7，灰度級為16，分析制種玉米和大田玉米影像紋理特征值隨距離的變化曲線，具體如圖5所示。本文選取的距離參數(shù)范圍是1～12，距離增大會造成2像元之間的像素信息丟失增大，以致GLCM無法有效地提取紋理的細節(jié)信息。

從圖5可以看出，制種玉米與大田玉米的對比度、熵特征值隨距離變化，在距離為4～10時趨向平穩(wěn)，提取的特征比較穩(wěn)定。同時，根據(jù)實地調查，研究區(qū)制種玉米父母本種植行比1:6～1:8，行距0.6～0.8 m，故條狀紋理間隔在3.6～4.8 m之間。由于圖5是對0.7 m的無人機影像，當步距為5～7，剛好滿足制種玉米條狀紋理的分布，所以本文采用步距5對影像紋理特征進行分析。

圖5 對比度、熵隨距離變化曲線

3.1.3 灰度級變化對紋理特征值的影響

在固定移動窗口7×7，步距為5，分析制種玉米和大田玉米影像紋理特征值隨灰度級的變化，具體如圖6所示。本次試驗選取的灰度級分別為8、16、32、64、128和256。

注：ASM，角二階矩。下同。

從圖6可以看出，在灰度級從由256級壓縮到8級的過程中，制種玉米田和大田玉米田的角二階矩和熵這2個紋理特征值變化數(shù)值不大，且同一灰度級下，制種玉米田和大田玉米田對應的紋理特征值沒有顯著差異，所以紋理特征值基本不受灰度級壓縮的影響。因此，本文采用灰度級8對影像紋理特征進行分析，以減少計算量，提高紋理計算效率。

3.1.4 分辨率變化對紋理特征值的影響

在固定移動窗口7×7，步距5，灰度級8，以及取4個方向的平均值的前提下，制種玉米和大田玉米影像紋理特征值隨分辨率的變化曲線，如圖7所示。

圖7 對比度、熵隨分辨率變化曲線

從圖7可以看出，制種玉米與大田玉米的對比度、熵特征值隨分辨率變化，在分辨率為0.6～0.9 m時，對比度和熵的紋理特征值相差較大，易于將制種玉米從玉米種識別出來。同理，通過其他特征的紋理統(tǒng)計信息分析也可得出同樣的規(guī)律，即制種玉米紋理識別的適宜尺度是0.6～0.9 m。

3.2 基于多時相EVI光譜信息的玉米田塊識別

利用覆蓋新疆作物生育期4－9月份的多景GF-1奇臺縣WFV影像，構建多時相增強植被指數(shù)EVI數(shù)據(jù)集，依據(jù)研究區(qū)玉米與其他植被物候期的差異，實現(xiàn)玉米田塊的識別[4]。將玉米分類結果疊加到對KOMPSAT-3影像上，得到圖8a。

圖8 制種玉米田塊識別結果圖

3.3 基于紋理信息的專家知識決策樹制種玉米田塊識別

利用制種玉米特有的紋理特征以及紋理識別的適宜尺度是0.6～0.9 m，對0.7 m的Kompsat-3影像，依據(jù)研究區(qū)大田玉米和制種玉米homogeneity、contrast、entropy和ASM紋理特征值的差別，即：制種玉米的Homogeneity紋理特征值介于50到110之間，Contrast紋理特征值介于70到120之間，Entropy紋理特征值介于170到210之間，ASM紋理特征值介于15到50之間，利用決策樹建立如上規(guī)則，將紋理信息識別出的田塊與圖8a玉米田塊分類結果進行疊加求交，將制種玉米田塊識別出來，結果如圖8b所示。

3.4 制種玉米田塊的識別精度評價

利用實地調研的制種玉米驗證樣本，對圖8b制種玉米田塊的識別結果計算混淆矩陣，實現(xiàn)對制種玉米田塊識別結果的精度評價，制種玉米識別精度達90.9%，Kappa系數(shù)為0.82，具體如下表2所示。

表2 制種玉米識別混淆矩陣

4 結 論

制種玉米與大田玉米具有相近的光譜特征，但制種玉米田塊內呈現(xiàn)出明顯的條紋狀紋理，是區(qū)別制種玉米和大田玉米的重要紋理特征。適宜的空間識別尺度對高空間分辨率制種玉米的識別至關重要。本文利用融合Uniform-LBP和GLCM的紋理特征提取及尺度分析方法，并利用衛(wèi)星遙感影像進行制種玉米識別試驗。可以得到以下結論：

1）對于玉米田塊紋理特征的提取，灰度共生矩陣合理的方向參數(shù)為0°、45°、90°和135°這4個方向上紋理特征值的平均值；合理的步距參數(shù)為5～7像元；合理的灰度級參數(shù)為8。

2）本文利用ASM、Entropy、Homogeneity和Contrast紋理特征值，研究制種玉米和大田玉米在不同分辨率下的差異性，得出制種玉米紋理識別的適宜尺度是0.6～0.9 m。

3）基于0.7 m分辨率下的KOMPSAT-3影像，在多時相EVI光譜信息識別玉米的基礎上結合紋理信息，通過知識專家決策樹建立規(guī)則，對制種玉米進行識別，識別精度達90.9%，基本滿足對制種玉米的識別需求。

本文提出的方法適用于中國西北新疆維吾爾自治區(qū)等區(qū)域的制種玉米田識別。該區(qū)域制種玉米一般較為穩(wěn)定、呈大面積連片種植，并且在抽穗期進行去雄處理。本文僅選擇了若干常用的紋理特征，下一步可嘗試更多的紋理特征。另外，分類過程中閾值自動確定問題也需進一步研究。

[1] Murakami T, Ogawa S, Ishitsuka N, et al. Crop discrimination with multitemporal SPOT/HRV data in the Saga Plains, Japan[J]. International Journal of Remote Sensing, 2001, 22(7): 1335－1348.

[2] Tu X, Zhao D, Guo L. Spectrum analysis technology based crop mapping using time-series of HJ satellite CCD images[J]. Sensor Letters, 2014, 12(3/5): 609－614.

[3] 賀鵬，徐新剛，張寶雷，等. 基于多時相GF-1遙感影像的作物分類提取[J]. 河南農業(yè)科學，2016，45(1)：152－159.

He Peng, Xu Xingang, Zhang Baolei, et al. Classification of crops based on multi-temporal GF-1 remote sensing images[J]. Henan Agricultural Sciences, 2016, 45(1): 152－159. (in Chinese with English abstract)

[4] 覃澤林，謝國雪，李宇翔，等. 多時相高分一號影像在丘陵地區(qū)大宗農作物提取中的應用[J]. 南方農業(yè)學報，2017，48(1)：181－188.

Tan Zelin, Xie Guoxue, Li Yuxiang, et al. The application of multi-temporal GF-1 images in the extraction of large crops in hilly areas[J]. Southern Agricultural Journal, 2017, 48(1): 181－188. (in Chinese with English abstract)

[5] 劉哲，李智曉，張延寬，等. 基于時序EVI決策樹分類與高分紋理的制種玉米識別[J]. 農業(yè)機械學報，2015，46(10)：321－327.

Liu Zhe, Li Zhixiao, Zhang Yankuan, et al. Seed maize identification based on time-series EVI decision tree classification and high resolution remote sensing texture analysis[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 46(10): 321－327. (in Chinese with English abstract)

[6] 張超，金虹杉，劉哲，等. 基于GF遙感數(shù)據(jù)紋理分析識別制種玉米[J]. 農業(yè)工程學報，2016，32(21)：183－188.

Zhang Chao, Jin Hongshan, Liu Zhe, et al. Seed maize identification based on texture analysis of GF remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 183－188. (in Chinese with English abstract)

[7] Ouma Y, Tetuko J, Tateishi R. Analysis of co-occurrence and discrete wavelet transform textures for differentiation of forest and non-forest vegetation in very-high-resolution optical-sensor imagery[J]. International Journal of Remote Sensing, 2008, 29(12): 3417－3456.

[8] 游炯，裴志遠，王飛，等. 基于改進多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J]. 農業(yè)工程學報，2016，32(13)：131－139.

You Jiong, Pei Zhiyuan, Wang Fei, et al. County area winter wheat extracting based on improved multivariate texture information model and GF-1 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 131－139. (in Chinese with English abstract)

[9] 白雪冰，王克奇，王輝. 基于灰度共生矩陣的木材紋理分類方法的研究[J]. 哈爾濱工業(yè)大學學報，2005，37(12)：1667－1670.

Bai Xuebing, Wang Keqi, Wang Hui. Research on the classification of wood texture based on Gray Level Co-occurrence Matrix[J]. Transactions of Journal of Harbin Institute of Technology, 2005, 37(12): 1667－1670. (in Chinese with English abstract)

[10] Zhang Gong, Jayas D S, Jiang Deyun, et al. Grain classification with combined texture model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2001, 17(1): 149－153. (in English with Chinese abstract)

[11] 路春輝. 基于特征融合和優(yōu)化極限學習機算法的虹膜識別系統(tǒng)[J]. 計算機應用與軟件，2016，33(7)：326－333.

Lu Chunhui. Iris recognition system based on feature fusion and optimized extreme learning algorithm[J]. Computer Applications and Software, 2016, 33(7): 326－333. (in English with Chinese abstract)

[12] 薛翠紅，于洋，張朝，等. 融合LBP與GLCM的人群密度分類算法[J]. 電視技術，2015，39(24)：7－10.

Xue Cuihong, Yu Yang, Zhang Chao, et al. Fusing LBP and GLCM for crowd density classification algorithm[J]. Ideo Engineering, 2015, 39(24): 7－10. (in Chinese with English abstract)

[13] 李玥靈，吳國平，耿秀秀，等. 基于LBP-GLCM紋理特征提取的服裝圖像檢索[J]. 電視技術，2015，39(12)：99－103.

Li Yueling, Wu Guoping, Geng Xiuxiu, et al. Clothing image retrieval based on LBP-GLCM texture feature extraction[J]. Ideo Engineering, 2015, 39(12): 99－103. (in Chinese with English abstract)

[14] 王國德，張培林，任國全，等. 融合LBP與GLCM的紋理特征提取方法[J]. 計算機工程，2012，38(11)：199－201.

Wang Guode, Zhang Peilin, Ren Guoquan, et al. Texture feature extraction method fused with LBP and GLCM[J]. Computer Engineering, 2012, 38(11): 199－201. (in Chinese with English abstract)

[15] 周潔萍，龔建華，王濤，等. 汶川地震災區(qū)無人機遙感影像獲取與可視化管理系統(tǒng)研究[J]. 遙感學報，2008，12(6)：877－884.

Zhou Jieping, Gong Jianhua, Wang Tao, et al. Study on UAV remote sensing image acquiring and visualization management system for the area affected by 5.12 Wenchuan earthquake[J]. Journal of Remote Sensing, 2008, 12(6): 877－884. (in Chinese with English Abstract)

[16] Brown J C, Kastens J H, Coutinho A C, et al. Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J]. Remote Sensing of Environment, 2013, 130: 39－50.

[17] Soe Win Myint, Nina Lam, John Tyler. An evaluation of four different wavelet decomposition procedures for spatial feature discrimination in urban areas[J]. Transactions in GIS, 2002, 6(4): 403－429.

[18] Bruzzone L, Carlin L. A multilevel context-based system for classification of very high spatial resolution images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2006, 44(9): 2587－2600.

[19] Woodcock C E, Strahler A H, Jupp D L B. The use of variograms in remote sensing[J]. Remote Sensing of Environment, 1988, 25(3): 349－379.

[20] 李穎，陳懷亮. 田間作物雜草識別的最優(yōu)遙感測量尺度[J]. 農業(yè)工程學報，2013，29(16)：159－165.

Li Ying, Chen Huailiang. Optimal remote sensing scale for field crop weed identification[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(16): 159－165. (in Chinese with English abstract)

[21] 韓鵬，龔健雅，李志林，等. 遙感影像分類中的空間尺度選擇方法研究[J]. 遙感學報，2010，14(3)：507－518.

Han Peng, Gong Jianya, Li Zhilin, et al. Selection of optimal scale in remotely sensed image classification[J]. Journal of Remote Sensing, 2010, 14(3): 507－518. (in Chinese with English abstract)

[22] 張超，劉佳佳，蘇偉，等. 基于小波包變換的農作物分類無人機遙感影像適宜尺度篩選[J]. 農業(yè)工程學報，2016，32(21)：95－101.

Zhang Chao, Liu Jiajia, Su Wei, et al. Optimal scale of crop classification using unmanned aerial vehicle remote sensing imagery based on wavelet packet transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 95－101. (in Chinese with English abstract)

[23] Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002, 24(7): 971－987.

[24] Haralick R M. Statistical and structural approaches to texture[J]. Proceeding of the IEEE, 1979, 67(5): 786－804.

[25] 陳美龍，戴聲奎. 基于GLCM算法的圖像紋理特征分析[J]. 通信技術，2012，45(2)：108－111.

Chen Meilong, Dai Shengkui. Analysis on image texture based on gray-level co-occurrence matrix[J]. Communications Technology, 2012, 45(2): 108－111. (in Chinese with English abstract)

[26] 薄華，馬縛龍，焦李成. 圖像紋理的灰度共生矩陣計算問題的分析[J]. 電子學報，2006，34(1)：155－158. Bo Hua, Ma Fulong, Jiao Licheng. Research on computation of GLCM of image texture[J]. Acta Electronica Sinica, 2006, 34(1): 155－158. (in Chinese with English abstract)

Texture scale analysis and identification of seed maize fields based on UAV and satellite remote sensing images

Zhang Chao1,2, Qiao Min1, Liu Zhe1※, Jin Hongshan1, Ning Mingyu3, Sun Haiyan3

(1.,,100083,;2.,,100035,;3,100125,)

According to the investigation on the spot, it was found that the female parent of seed maize field can be removed tassel and male parent retained the tassel in tasseling stage. Otherwise, the male parent line of seed maize field was cut off and the female parent kept in the mature period. But, grain maize was planted in a uniform pattern. So, seed maize field has the obvious strip texture in high spatial resolution remote sensing images. Which can be used to effectively distinguish the grain maize and seed maize of similar spectral values. In this paper, the high spatial resolution UAV remote sensing image is taken as the data source, and the scaling problem of the texture characteristics in the identification of seed maize is discussed. Firstly, the seed maize and grain maize fields were cut out from the UAV images, and this sample fields were processed by median filtering to remove salt and pepper noise or spots; Next, the seed maize and grain maize fields using nearest neighbor interpolation method to resample and obtain the maize field images with the resolution of 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 and 1.0 m; Then using the texture extraction and scale analysis method based on Uniform-LBP (Rotation Invariant Uniform Patterns) and GLCM (Gray Level Co-occurrence Matrix), to obtain the rational GLCM values are used as extracting texture features of maize fields and the most appropriate texture resolution scales to distinguish seed maize and grain maize. One, considering the texture feature values of GLCM high redundancy, this paper selected ASM (Angular second moment), Entropy, Contrast and Homogeneity 4 texture feature values which aren't related to each other in the following research. Two, because the same texture feature values of the same field affected by the texture analysis direction of GLCM, the paper use Uniform-LBP on maize sample images to obtain rotation invariant LBP image. Experiments showed that four texture feature values of maize fields will be a little fluctuation with the change of direction after Uniform-LBP treatment, but the overall amplitude is smaller, so in order to eliminate the influence of parameters of the direction, in this paper, the direction parameters is the average value of the texture features of the four directions for 0°, 45°, 90° and 135°. Three, it is found that distance is from 4 to 10 pixels, GLCM texture feature values tends to be stable, particularly, when the distance parameter is from 5 pixels to 7 pixels, which satisfies the distribution of seed maize stripe texture. According to seed maize in the study area was planted by the ratio of male to female from 1:6 to 1:8, line spacing is from 0.6m to 0.8m, so the strip texture spacing is from 3.6m to 4.8m under 0.7m resolution. Four, results showed the texture characteristic values of maize are not affected by gray level compression, so the gray level parameter choose 8 to reduce the amount of computation. Five, it is found when resolution from 0.6 to 0.9 m, texture feature values differ greatly and it is easy to distinguish seed maize and grain maize, so the most appropriate texture resolution scales is from 0.6m to 0.9m. Finally, maize planting area in Qitai Country, Xinjiang Uygur Autonomous Region was take as the study area to verify, using KOMPSAT-3 image of 0.7 m resolution, based on maize recognition results with multi-temporal EVI spectral information, using the texture analysis method in this paper, combined with the rules established by decision tree, to recognize the seed maize. The results show that seed maize identification precision reached 90.9% at 0.7m resolution, basically meeting the needs of seed maize identification requirements, which can provide support for the high spatial resolution remote sensing seed maize field fine supervision

unmanned aerial vehicle; remote sensing; image recognition;seed maize fields; texture; uniform-LBP; GLCM

10.11975/j.issn.1002-6819.2017.17.013

S127

A

1002-6819(2017)-17-0098-07

2017-04-09

2017-05-23

863計劃課題：星地遙感的農作物信息感知（2013AA10230103）。

張超，教授，博士生導師，主要從事農業(yè)與國土資源遙感監(jiān)測。Email：zhangchaobj@cau.edu.cn.

劉哲，副教授，博士，主要從事作物品種表型獲取與評價研究。Email：liuz@cau.edu.cn