面向?qū)ο蠛投喾诸惼鞯拿藁ǔ雒缧畔⒖焖偬崛》椒?/h1>
2021-03-08 06:17:06閆春雨趙靜蘭玉彬魯力群楊東建溫昱婷
閆春雨，趙靜，蘭玉彬，魯力群，楊東建，溫昱婷
(1.山東理工大學(xué) 農(nóng)業(yè)工程與食品科學(xué)學(xué)院,山東 淄博 255049；2.山東理工大學(xué) 國際精準(zhǔn)農(nóng)業(yè)航空應(yīng)用技術(shù)研究中心，山東 淄博 255049；3.山東理工大學(xué) 交通與車輛工程學(xué)院，山東 淄博 255049)
棉花作為中國重要的經(jīng)濟(jì)作物之一，在國民經(jīng)濟(jì)中有著舉足輕重的地位，與其他大宗農(nóng)產(chǎn)品相比有一定的收益優(yōu)勢[1]。作物的出苗期是其生長的初始物候期，也是其關(guān)鍵物候期之一[2]。棉田中若出現(xiàn)棉苗弱小或缺苗斷壟會嚴(yán)重影響棉花的品質(zhì)與產(chǎn)量。苗期管理是棉花經(jīng)營管理的核心，快速提取棉花出苗信息可為苗期管理提供指導(dǎo)。傳統(tǒng)獲取棉花出苗信息的主要手段是靠實(shí)地調(diào)研測量，以人的主觀判斷與個人經(jīng)驗(yàn)為主，對于大面積的棉田來說耗時費(fèi)力、判別準(zhǔn)確率與精確性較低。
無人機(jī)具有機(jī)動靈活、響應(yīng)快、高分辨率、更新速度快等優(yōu)勢。遙感技術(shù)具有獲取信息快、覆蓋面積大、獲取成本相對低等優(yōu)勢。無人機(jī)遙感技術(shù)作為新的信息獲取手段已越來越多地用于農(nóng)作物氮含量、植被覆蓋度和作物產(chǎn)量等信息的獲取[3]。精準(zhǔn)農(nóng)業(yè)的迅速發(fā)展要求更準(zhǔn)確、快速、低成本地獲取各種作物生長信息。李明等[4]利用多尺度分割對水稻種植面積進(jìn)行提取，與目視解譯結(jié)果相比面積誤差小于3.5%。雷亞平等[5]利用HIS閾值法對無人機(jī)獲取的低空棉田數(shù)字圖像進(jìn)行棉苗識別，精度超過90%。魏文麗等[6]利用NDVI均值及均方差對研究區(qū)玉米出苗情況進(jìn)行提取，總體積精度達(dá)80%。董梅等[7]利用面向?qū)ο蠓椒▽o人機(jī)拍攝的煙草遙感影像進(jìn)行種植面提取和監(jiān)測，為大區(qū)域的煙草種植面積監(jiān)測提供了參考。面向?qū)ο蟮臒o人機(jī)遙感影像在棉花苗情信息方面的提取研究鮮有報(bào)道。本研究利用無人機(jī)拍攝的棉苗正射圖像，通過面向?qū)ο蟮姆诸愃枷?，采用機(jī)器學(xué)習(xí)分類器快速提取棉花苗期出苗信息，提取結(jié)果可為苗期管理提供及時的參考。
1 材料與方法
1.1 研究區(qū)概況
研究區(qū)地處冀魯豫三省交界處(如圖1所示)，屬黃河下游沖積平原。試驗(yàn)小區(qū)地勢平坦，土地肥沃，土質(zhì)以沙壤為主，屬典型的溫帶大陸性季風(fēng)氣候，年平均降水量為600 mm左右，年平均日照時數(shù)2 629.7 h，年平均氣溫為12.8 ℃，年無霜期平均206 d，非常適宜棉花生長，為黃淮流域棉花生態(tài)區(qū)的典型代表。
圖1 研究區(qū)位置與研究區(qū)分布Fig.1 Location and distribution of research area
1.2 數(shù)據(jù)獲取與處理
本研究數(shù)據(jù)于2019年5月20日在山東棉花研究中心(臨清棉花試驗(yàn)站)采集。數(shù)據(jù)獲取的設(shè)備為深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的Mavic 2無人機(jī)，該無人機(jī)將可見光相機(jī)與三軸增穩(wěn)云臺設(shè)計(jì)于一體，保證了高質(zhì)量圖像的獲取。無人機(jī)重量為907 g、展開尺寸322 mm×242 mm×84 mm、最長飛行時間31 min(無風(fēng)環(huán)境25 km/h勻速飛行)、最遠(yuǎn)續(xù)航里程18 km(無風(fēng)環(huán)境)；相機(jī)使用的傳感器為1英寸CMOS、有效像素2 000萬，最大照片尺寸5 472×3 648。拍攝時無人機(jī)飛行高度為30 m，航向重疊率與旁向重疊率均為85%。拍攝時間為當(dāng)天的12:00-14:00，天氣晴朗，相機(jī)曝光模式為自動。
本研究借助Pix4Dmapper軟件對無人機(jī)獲取的高清影像進(jìn)行拼接處理。將帶有POS數(shù)據(jù)的原始影像與地面控制點(diǎn)數(shù)據(jù)導(dǎo)入，便可自動完成空三測量，生成DSM、DOM，拼接過程中可以使用GPU加速處理。航拍前在無人機(jī)飛行區(qū)域內(nèi)設(shè)置50 cm×50 cm幾何參考板(如圖2所示)，幾何參考板由兩塊黑色布和兩塊白色布十字相間粘貼而成，幾何參考板在棉花整個生長周期內(nèi)是保持固定不變的。幾何參考板的中心點(diǎn)為地面控制點(diǎn)，為后期影像拼接時提供參考，用以提高影像拼接精度，降低相機(jī)的系統(tǒng)誤差。
圖2 幾何參考板Fig.2 Geometric reference board
2 研究方法
無人機(jī)拍攝的影像具有空間分辨率高和色彩鮮明的特點(diǎn)，高分辨率影像能夠更清晰地表達(dá)地物拓補(bǔ)關(guān)系、紋理和形狀等特征[8]。在高分辨率影像的分類中，面向?qū)ο蟮姆诸惙椒ㄓ兄鴱V泛的應(yīng)用。本研究使用的是只有紅、綠、藍(lán)3個通道的JPEG圖像，只采用基于單個像元光譜信息對地物進(jìn)行分類會造成分類精度不高，對遙感圖像處理帶來不利影響。通過面向?qū)ο蟮姆诸惙椒?，不僅利用單一像素的光譜信息，而且能充分利用遙感影像的形狀、大小、紋理以及上下文聯(lián)系等特征，可以更好地提取遙感影像中的有效信息，進(jìn)而提高分類的精度[9]。在本研究中通過采用基于面向?qū)ο蟮姆诸惙椒ǎ瑢⒚藁?、地膜和土壤進(jìn)行分類。因?yàn)榉诸愔邪藁ǎ栽谌N地物信息分類完成的同時也就完成了棉花出苗信息的提取。數(shù)據(jù)處理軟件使用eCognition Essentials，分割算法采用多尺度分類算法，技術(shù)路線如圖3所示。
圖3 技術(shù)路線Fig.3 Technical route
2.1 面向?qū)ο蠓诸惖乃悸?/h3>
面向?qū)ο蟮倪b感影像分析技術(shù)在地理信息科學(xué)與遙感領(lǐng)域取得了突出的成績，尤其是對高分辨率遙感影像的處理效果更佳。多尺度分割的目的是把遙感影像分割成影像對象，若干個滿足一定同質(zhì)標(biāo)準(zhǔn)的基本像元單元組成了具有多邊形區(qū)域的影像對象。利用eCognition Essentials軟件進(jìn)行面向?qū)ο蠓诸惙治?，首先在?jīng)任一尺度分割后生成初始影像對象，該軟件能夠生成多個層，并把這幾個層進(jìn)行組織形成等級結(jié)構(gòu)，生成的第一個對象層的下限是像素層，上限是整幅影像。后續(xù)新產(chǎn)生的影像對象層，可以放在已有層的上層、中間層或下層。在這個具有拓補(bǔ)關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)中，每一個對象都知道自己的子對象、父對象和相鄰對象。比如，子對象的邊界是由父對象決定的，子對象的總和決定了父對象的區(qū)域大小。對象層的層次結(jié)構(gòu)展示的不同尺度的影像對象信息，對象層次結(jié)構(gòu)如圖4所示。
圖4 影像對象層次結(jié)構(gòu)Fig.4 Image object hierarchy
2.2 多尺度分割
影像分割質(zhì)量的好壞直接影響后期分析處理的結(jié)果。影像分割是基于對象影像分析的關(guān)鍵和基礎(chǔ)，后續(xù)的影像分析對分割出的影像對象有嚴(yán)格的要求，使分割出來的對象同時具備非連續(xù)性和相似性兩大特征，非連續(xù)性是指影像對象區(qū)域邊界處特征不連續(xù)，相似性是指影像對象內(nèi)的所有像素都基于色彩、紋理、灰度等滿足某種相似性準(zhǔn)則[10-12]。eCogniton Essential軟件能夠進(jìn)行任意分辨率的區(qū)域合并算法，因此需要設(shè)置合理的分割尺度參數(shù)來控制合并算法的閾限，從而滿足提取不同尺度地物的需要。
對于遙感影像的分類、信息提取等操作來說，前期的影像分割是極其重要的。如果只是單一提取棉花這一類別，則不能最大可能地排除錯分(棉花類別被錯分到土壤類別或地膜類別)和漏分(土壤、地膜中應(yīng)該為棉花類別卻沒有分到棉花類別中)，所以本研究中分類對象為土壤、地膜與棉花三類。常用的分割算法有四叉樹分割、多尺度分割、多閾值分割等。本研究采用多尺度分割算法，分割算法的主要參數(shù)包含分割尺度、形狀因子和緊密度等[13]。具體為形狀與顏色權(quán)重相加為1，形狀特征包含緊密度與光滑度，兩者權(quán)重相加也為1。在選擇分割尺度時可根據(jù)目視解譯結(jié)果進(jìn)行調(diào)整。分割參數(shù)設(shè)置如圖5所示。
圖5 分割參數(shù)設(shè)置Fig.5 Segmentation parameter settings
在eCogniton Essential軟件分割設(shè)置中選擇基于對象的區(qū)域生長分割算法。由于出苗放苗后的棉苗較小，分割尺度采用5比較合適。除分割尺度外，還需設(shè)置形狀、顏色因子、緊致度、光滑度因子，來保證分割的結(jié)果不至于太破碎。在清晰分割出棉苗的同時，還要使地膜、土壤對象與棉苗對象形狀差異盡可能地大。經(jīng)過多次嘗試與可視化調(diào)節(jié)，最終顏色/形狀設(shè)置為0.9，光滑度/緊致度設(shè)置為0.9。分割結(jié)果如圖6所示。
圖6 分割結(jié)果Fig.6 Segmentation results
2.3 機(jī)器學(xué)習(xí)模型
機(jī)器學(xué)習(xí)是從已知的實(shí)例中自動發(fā)現(xiàn)規(guī)律，來對未知實(shí)例建立預(yù)測模型。機(jī)器學(xué)習(xí)分類器，既可用于像素級分類，也可用于影像對象分類。相對基于像素的訓(xùn)練，基于對象的機(jī)器學(xué)習(xí)分類方法需要更少的訓(xùn)練樣本，一個樣本對象可以包含很多的典型的像素樣本。本研究采用樸素貝葉斯(NB)、K最鄰近分類(K-NN)、支持向量機(jī)(SVM)、決策樹(CART)和隨機(jī)森林(RF)。
3 結(jié)果與分析
3.1 精度驗(yàn)證
對遙感信息提取完成之后，分類結(jié)果的好壞影響著分類結(jié)果的可信性與可利用性，通常使用精度評價來評判遙感影像分類結(jié)果的好壞。分類的精度是用分類結(jié)果與地面實(shí)測值、數(shù)據(jù)等，比較與實(shí)地的吻合程度。遙感信息提取的過程中，精度評價是非常重要的一個步驟，是對整個信息提取的評價。
在以總體分類精度為主的前提下，用戶精度和生產(chǎn)者精度兩者均越高則分類結(jié)果越好，綜合三種分類精度評價來確定最佳分類器。本研究中精度驗(yàn)證采用目視解譯分類結(jié)果與五種機(jī)器學(xué)習(xí)分類器的分類結(jié)果進(jìn)行驗(yàn)證，用戶精度和生產(chǎn)者精度都是研究中進(jìn)行定量評價的重要指標(biāo)。由表1和表2中可以得出總體分類精度較高的三種分類器分別為支持向量機(jī)、K最鄰近和樸素貝葉斯。在表1中，樸素貝葉斯分類器對三種類別的生產(chǎn)者分類精度都非常高，但因生產(chǎn)者精度實(shí)際上是一種分類結(jié)果制圖的衡量方法，他僅可以說明分類結(jié)果滿足參考分類的程度，卻不能給出一個分類a的像素確實(shí)是屬于a的可能性。這時候可以使用用戶精度來進(jìn)一步確定估計(jì)的可能性。在表2中可以看到樸素貝葉斯分類器分類的結(jié)果中，棉花這一類精度是非常低的，綜合表1和表2可以確定樸素貝葉斯分類器不是最佳分類器。在剩余的兩個分類器分類結(jié)果的比較中，可以得出支持向量機(jī)分類器是面向?qū)ο蠓诸愄崛∶藁ǔ雒缧畔⒌淖罴逊诸惼鳌?/p>
表1 五種分類器生產(chǎn)者精度對比Tab.1 Comparison of producer precision of five classifiers
表2 五種分類器用戶精度對比Tab.2 Comparison of precision of five classifiers
3.2 總體苗情分析
利用本文提出的方法對研究區(qū)無人機(jī)影像(圖7)進(jìn)行自動分類，將最佳分類器分類結(jié)果中的棉花類別進(jìn)行提取導(dǎo)出(圖8)，按實(shí)際種植面積折算出研究區(qū)地塊的平均種植株數(shù)為5 250 株。在提取的棉花類別中，面積小于2 cm2的對象算為弱苗。本研究最佳分類器-支持向量機(jī)識別出棉花的出苗數(shù)、弱苗數(shù)分別為4 539株、921株，目視解譯的出苗數(shù)、弱苗數(shù)分別為4 362株、812株，最佳分類器識別與目視解譯出苗數(shù)與弱苗數(shù)一致性都較好。從表3中可以看出支持向量機(jī)與目視解譯的出苗率一致性比較好。本研究的快速提取體現(xiàn)在對大范圍的棉田內(nèi)某一研究小區(qū)進(jìn)行分割、分類、提取出苗信息之后，可以將分類參數(shù)及規(guī)則進(jìn)行移植到其他棉田區(qū)域，完成整個棉田范圍的棉花出苗信息快速提取。
圖7 無人機(jī)拍攝的大田棉苗原圖Fig.7 Original picture of field cotton seedling taken by UAV
圖8 面向?qū)ο蠓指罘诸惷廾缃Y(jié)果圖Fig.8 Results of object-oriented segmentation and classification of cotton seedlings
表3 SVM與目視解譯提取苗情比較Tab.3 Comparison between SVM and visual interpretation to extract seedling situation
4 結(jié)論
與傳統(tǒng)的棉花出苗信息提取相比，無人機(jī)遙感具有數(shù)據(jù)獲取靈活方便、提取精度高、成本較低等優(yōu)勢，對大范圍的棉花出苗信息提取具有十分大的潛力。本研究基于高分辨率可見光無人機(jī)影像，通過面向?qū)ο蟮姆诸愃悸?，選取合適的閾值進(jìn)行多尺度分割，采用常用的機(jī)器學(xué)習(xí)分類器進(jìn)行分類，提取棉花出苗信息，并通過對比分析得出以下結(jié)論：
1)采用基于面向?qū)ο蟮姆诸愃枷?，提取高分辨率無人機(jī)影像中棉花出苗信息，五種分類器總體精度都比較高，表明無人機(jī)遙感技術(shù)在提取棉花出苗信息方面是可行的。
2)通過五種分類器分類結(jié)果對比可知，支持向量機(jī)分類器無論在用戶精度方面還是在生產(chǎn)者精度方面，都具有很高的分類精度。可以將最優(yōu)分類分割參數(shù)應(yīng)用到整個棉花種植區(qū)域，完成棉花出苗信息提取。
猜你喜歡
FMS與YBT相關(guān)性的實(shí)證研究體育科技文獻(xiàn)通報(bào)(2022年3期)2022-05-23 13:46:54 2020年國內(nèi)翻譯研究述評天津外國語大學(xué)學(xué)報(bào)(2021年3期)2021-08-13 08:32:18 遼代千人邑研究述論遼金歷史與考古(2021年0期)2021-07-29 01:06:54 分類算一算數(shù)學(xué)小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56 垃圾分類的困惑你有嗎大眾健康(2021年6期)2021-06-08 19:30:06 視錯覺在平面設(shè)計(jì)中的應(yīng)用與研究科技傳播(2019年22期)2020-01-14 03:06:54 EMA伺服控制系統(tǒng)研究民用飛機(jī)設(shè)計(jì)與研究(2019年4期)2019-05-21 07:21:24 分類討論求坐標(biāo)中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 教你一招：數(shù)的分類初中生世界·七年級(2017年9期)2017-10-13 22:27:46
閆春雨，趙靜，蘭玉彬，魯力群，楊東建，溫昱婷
(1.山東理工大學(xué) 農(nóng)業(yè)工程與食品科學(xué)學(xué)院,山東 淄博 255049；2.山東理工大學(xué) 國際精準(zhǔn)農(nóng)業(yè)航空應(yīng)用技術(shù)研究中心，山東 淄博 255049；3.山東理工大學(xué) 交通與車輛工程學(xué)院，山東 淄博 255049)
棉花作為中國重要的經(jīng)濟(jì)作物之一，在國民經(jīng)濟(jì)中有著舉足輕重的地位，與其他大宗農(nóng)產(chǎn)品相比有一定的收益優(yōu)勢[1]。作物的出苗期是其生長的初始物候期，也是其關(guān)鍵物候期之一[2]。棉田中若出現(xiàn)棉苗弱小或缺苗斷壟會嚴(yán)重影響棉花的品質(zhì)與產(chǎn)量。苗期管理是棉花經(jīng)營管理的核心，快速提取棉花出苗信息可為苗期管理提供指導(dǎo)。傳統(tǒng)獲取棉花出苗信息的主要手段是靠實(shí)地調(diào)研測量，以人的主觀判斷與個人經(jīng)驗(yàn)為主，對于大面積的棉田來說耗時費(fèi)力、判別準(zhǔn)確率與精確性較低。
無人機(jī)具有機(jī)動靈活、響應(yīng)快、高分辨率、更新速度快等優(yōu)勢。遙感技術(shù)具有獲取信息快、覆蓋面積大、獲取成本相對低等優(yōu)勢。無人機(jī)遙感技術(shù)作為新的信息獲取手段已越來越多地用于農(nóng)作物氮含量、植被覆蓋度和作物產(chǎn)量等信息的獲取[3]。精準(zhǔn)農(nóng)業(yè)的迅速發(fā)展要求更準(zhǔn)確、快速、低成本地獲取各種作物生長信息。李明等[4]利用多尺度分割對水稻種植面積進(jìn)行提取，與目視解譯結(jié)果相比面積誤差小于3.5%。雷亞平等[5]利用HIS閾值法對無人機(jī)獲取的低空棉田數(shù)字圖像進(jìn)行棉苗識別，精度超過90%。魏文麗等[6]利用NDVI均值及均方差對研究區(qū)玉米出苗情況進(jìn)行提取，總體積精度達(dá)80%。董梅等[7]利用面向?qū)ο蠓椒▽o人機(jī)拍攝的煙草遙感影像進(jìn)行種植面提取和監(jiān)測，為大區(qū)域的煙草種植面積監(jiān)測提供了參考。面向?qū)ο蟮臒o人機(jī)遙感影像在棉花苗情信息方面的提取研究鮮有報(bào)道。本研究利用無人機(jī)拍攝的棉苗正射圖像，通過面向?qū)ο蟮姆诸愃枷?，采用機(jī)器學(xué)習(xí)分類器快速提取棉花苗期出苗信息，提取結(jié)果可為苗期管理提供及時的參考。
1 材料與方法
1.1 研究區(qū)概況
研究區(qū)地處冀魯豫三省交界處(如圖1所示)，屬黃河下游沖積平原。試驗(yàn)小區(qū)地勢平坦，土地肥沃，土質(zhì)以沙壤為主，屬典型的溫帶大陸性季風(fēng)氣候，年平均降水量為600 mm左右，年平均日照時數(shù)2 629.7 h，年平均氣溫為12.8 ℃，年無霜期平均206 d，非常適宜棉花生長，為黃淮流域棉花生態(tài)區(qū)的典型代表。
圖1 研究區(qū)位置與研究區(qū)分布Fig.1 Location and distribution of research area
1.2 數(shù)據(jù)獲取與處理
本研究數(shù)據(jù)于2019年5月20日在山東棉花研究中心(臨清棉花試驗(yàn)站)采集。數(shù)據(jù)獲取的設(shè)備為深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的Mavic 2無人機(jī)，該無人機(jī)將可見光相機(jī)與三軸增穩(wěn)云臺設(shè)計(jì)于一體，保證了高質(zhì)量圖像的獲取。無人機(jī)重量為907 g、展開尺寸322 mm×242 mm×84 mm、最長飛行時間31 min(無風(fēng)環(huán)境25 km/h勻速飛行)、最遠(yuǎn)續(xù)航里程18 km(無風(fēng)環(huán)境)；相機(jī)使用的傳感器為1英寸CMOS、有效像素2 000萬，最大照片尺寸5 472×3 648。拍攝時無人機(jī)飛行高度為30 m，航向重疊率與旁向重疊率均為85%。拍攝時間為當(dāng)天的12:00-14:00，天氣晴朗，相機(jī)曝光模式為自動。
本研究借助Pix4Dmapper軟件對無人機(jī)獲取的高清影像進(jìn)行拼接處理。將帶有POS數(shù)據(jù)的原始影像與地面控制點(diǎn)數(shù)據(jù)導(dǎo)入，便可自動完成空三測量，生成DSM、DOM，拼接過程中可以使用GPU加速處理。航拍前在無人機(jī)飛行區(qū)域內(nèi)設(shè)置50 cm×50 cm幾何參考板(如圖2所示)，幾何參考板由兩塊黑色布和兩塊白色布十字相間粘貼而成，幾何參考板在棉花整個生長周期內(nèi)是保持固定不變的。幾何參考板的中心點(diǎn)為地面控制點(diǎn)，為后期影像拼接時提供參考，用以提高影像拼接精度，降低相機(jī)的系統(tǒng)誤差。
圖2 幾何參考板Fig.2 Geometric reference board
2 研究方法
無人機(jī)拍攝的影像具有空間分辨率高和色彩鮮明的特點(diǎn)，高分辨率影像能夠更清晰地表達(dá)地物拓補(bǔ)關(guān)系、紋理和形狀等特征[8]。在高分辨率影像的分類中，面向?qū)ο蟮姆诸惙椒ㄓ兄鴱V泛的應(yīng)用。本研究使用的是只有紅、綠、藍(lán)3個通道的JPEG圖像，只采用基于單個像元光譜信息對地物進(jìn)行分類會造成分類精度不高，對遙感圖像處理帶來不利影響。通過面向?qū)ο蟮姆诸惙椒?，不僅利用單一像素的光譜信息，而且能充分利用遙感影像的形狀、大小、紋理以及上下文聯(lián)系等特征，可以更好地提取遙感影像中的有效信息，進(jìn)而提高分類的精度[9]。在本研究中通過采用基于面向?qū)ο蟮姆诸惙椒ǎ瑢⒚藁?、地膜和土壤進(jìn)行分類。因?yàn)榉诸愔邪藁ǎ栽谌N地物信息分類完成的同時也就完成了棉花出苗信息的提取。數(shù)據(jù)處理軟件使用eCognition Essentials，分割算法采用多尺度分類算法，技術(shù)路線如圖3所示。
圖3 技術(shù)路線Fig.3 Technical route
2.1 面向?qū)ο蠓诸惖乃悸?/h3>
面向?qū)ο蟮倪b感影像分析技術(shù)在地理信息科學(xué)與遙感領(lǐng)域取得了突出的成績，尤其是對高分辨率遙感影像的處理效果更佳。多尺度分割的目的是把遙感影像分割成影像對象，若干個滿足一定同質(zhì)標(biāo)準(zhǔn)的基本像元單元組成了具有多邊形區(qū)域的影像對象。利用eCognition Essentials軟件進(jìn)行面向?qū)ο蠓诸惙治?，首先在?jīng)任一尺度分割后生成初始影像對象，該軟件能夠生成多個層，并把這幾個層進(jìn)行組織形成等級結(jié)構(gòu)，生成的第一個對象層的下限是像素層，上限是整幅影像。后續(xù)新產(chǎn)生的影像對象層，可以放在已有層的上層、中間層或下層。在這個具有拓補(bǔ)關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)中，每一個對象都知道自己的子對象、父對象和相鄰對象。比如，子對象的邊界是由父對象決定的，子對象的總和決定了父對象的區(qū)域大小。對象層的層次結(jié)構(gòu)展示的不同尺度的影像對象信息，對象層次結(jié)構(gòu)如圖4所示。
圖4 影像對象層次結(jié)構(gòu)Fig.4 Image object hierarchy
2.2 多尺度分割
影像分割質(zhì)量的好壞直接影響后期分析處理的結(jié)果。影像分割是基于對象影像分析的關(guān)鍵和基礎(chǔ)，后續(xù)的影像分析對分割出的影像對象有嚴(yán)格的要求，使分割出來的對象同時具備非連續(xù)性和相似性兩大特征，非連續(xù)性是指影像對象區(qū)域邊界處特征不連續(xù)，相似性是指影像對象內(nèi)的所有像素都基于色彩、紋理、灰度等滿足某種相似性準(zhǔn)則[10-12]。eCogniton Essential軟件能夠進(jìn)行任意分辨率的區(qū)域合并算法，因此需要設(shè)置合理的分割尺度參數(shù)來控制合并算法的閾限，從而滿足提取不同尺度地物的需要。
對于遙感影像的分類、信息提取等操作來說，前期的影像分割是極其重要的。如果只是單一提取棉花這一類別，則不能最大可能地排除錯分(棉花類別被錯分到土壤類別或地膜類別)和漏分(土壤、地膜中應(yīng)該為棉花類別卻沒有分到棉花類別中)，所以本研究中分類對象為土壤、地膜與棉花三類。常用的分割算法有四叉樹分割、多尺度分割、多閾值分割等。本研究采用多尺度分割算法，分割算法的主要參數(shù)包含分割尺度、形狀因子和緊密度等[13]。具體為形狀與顏色權(quán)重相加為1，形狀特征包含緊密度與光滑度，兩者權(quán)重相加也為1。在選擇分割尺度時可根據(jù)目視解譯結(jié)果進(jìn)行調(diào)整。分割參數(shù)設(shè)置如圖5所示。
圖5 分割參數(shù)設(shè)置Fig.5 Segmentation parameter settings
在eCogniton Essential軟件分割設(shè)置中選擇基于對象的區(qū)域生長分割算法。由于出苗放苗后的棉苗較小，分割尺度采用5比較合適。除分割尺度外，還需設(shè)置形狀、顏色因子、緊致度、光滑度因子，來保證分割的結(jié)果不至于太破碎。在清晰分割出棉苗的同時，還要使地膜、土壤對象與棉苗對象形狀差異盡可能地大。經(jīng)過多次嘗試與可視化調(diào)節(jié)，最終顏色/形狀設(shè)置為0.9，光滑度/緊致度設(shè)置為0.9。分割結(jié)果如圖6所示。
圖6 分割結(jié)果Fig.6 Segmentation results
2.3 機(jī)器學(xué)習(xí)模型
機(jī)器學(xué)習(xí)是從已知的實(shí)例中自動發(fā)現(xiàn)規(guī)律，來對未知實(shí)例建立預(yù)測模型。機(jī)器學(xué)習(xí)分類器，既可用于像素級分類，也可用于影像對象分類。相對基于像素的訓(xùn)練，基于對象的機(jī)器學(xué)習(xí)分類方法需要更少的訓(xùn)練樣本，一個樣本對象可以包含很多的典型的像素樣本。本研究采用樸素貝葉斯(NB)、K最鄰近分類(K-NN)、支持向量機(jī)(SVM)、決策樹(CART)和隨機(jī)森林(RF)。
3 結(jié)果與分析
3.1 精度驗(yàn)證
對遙感信息提取完成之后，分類結(jié)果的好壞影響著分類結(jié)果的可信性與可利用性，通常使用精度評價來評判遙感影像分類結(jié)果的好壞。分類的精度是用分類結(jié)果與地面實(shí)測值、數(shù)據(jù)等，比較與實(shí)地的吻合程度。遙感信息提取的過程中，精度評價是非常重要的一個步驟，是對整個信息提取的評價。
在以總體分類精度為主的前提下，用戶精度和生產(chǎn)者精度兩者均越高則分類結(jié)果越好，綜合三種分類精度評價來確定最佳分類器。本研究中精度驗(yàn)證采用目視解譯分類結(jié)果與五種機(jī)器學(xué)習(xí)分類器的分類結(jié)果進(jìn)行驗(yàn)證，用戶精度和生產(chǎn)者精度都是研究中進(jìn)行定量評價的重要指標(biāo)。由表1和表2中可以得出總體分類精度較高的三種分類器分別為支持向量機(jī)、K最鄰近和樸素貝葉斯。在表1中，樸素貝葉斯分類器對三種類別的生產(chǎn)者分類精度都非常高，但因生產(chǎn)者精度實(shí)際上是一種分類結(jié)果制圖的衡量方法，他僅可以說明分類結(jié)果滿足參考分類的程度，卻不能給出一個分類a的像素確實(shí)是屬于a的可能性。這時候可以使用用戶精度來進(jìn)一步確定估計(jì)的可能性。在表2中可以看到樸素貝葉斯分類器分類的結(jié)果中，棉花這一類精度是非常低的，綜合表1和表2可以確定樸素貝葉斯分類器不是最佳分類器。在剩余的兩個分類器分類結(jié)果的比較中，可以得出支持向量機(jī)分類器是面向?qū)ο蠓诸愄崛∶藁ǔ雒缧畔⒌淖罴逊诸惼鳌?/p>
表1 五種分類器生產(chǎn)者精度對比Tab.1 Comparison of producer precision of five classifiers
表2 五種分類器用戶精度對比Tab.2 Comparison of precision of five classifiers
3.2 總體苗情分析
利用本文提出的方法對研究區(qū)無人機(jī)影像(圖7)進(jìn)行自動分類，將最佳分類器分類結(jié)果中的棉花類別進(jìn)行提取導(dǎo)出(圖8)，按實(shí)際種植面積折算出研究區(qū)地塊的平均種植株數(shù)為5 250 株。在提取的棉花類別中，面積小于2 cm2的對象算為弱苗。本研究最佳分類器-支持向量機(jī)識別出棉花的出苗數(shù)、弱苗數(shù)分別為4 539株、921株，目視解譯的出苗數(shù)、弱苗數(shù)分別為4 362株、812株，最佳分類器識別與目視解譯出苗數(shù)與弱苗數(shù)一致性都較好。從表3中可以看出支持向量機(jī)與目視解譯的出苗率一致性比較好。本研究的快速提取體現(xiàn)在對大范圍的棉田內(nèi)某一研究小區(qū)進(jìn)行分割、分類、提取出苗信息之后，可以將分類參數(shù)及規(guī)則進(jìn)行移植到其他棉田區(qū)域，完成整個棉田范圍的棉花出苗信息快速提取。
圖7 無人機(jī)拍攝的大田棉苗原圖Fig.7 Original picture of field cotton seedling taken by UAV
圖8 面向?qū)ο蠓指罘诸惷廾缃Y(jié)果圖Fig.8 Results of object-oriented segmentation and classification of cotton seedlings
表3 SVM與目視解譯提取苗情比較Tab.3 Comparison between SVM and visual interpretation to extract seedling situation
4 結(jié)論
與傳統(tǒng)的棉花出苗信息提取相比，無人機(jī)遙感具有數(shù)據(jù)獲取靈活方便、提取精度高、成本較低等優(yōu)勢，對大范圍的棉花出苗信息提取具有十分大的潛力。本研究基于高分辨率可見光無人機(jī)影像，通過面向?qū)ο蟮姆诸愃悸?，選取合適的閾值進(jìn)行多尺度分割，采用常用的機(jī)器學(xué)習(xí)分類器進(jìn)行分類，提取棉花出苗信息，并通過對比分析得出以下結(jié)論：
1)采用基于面向?qū)ο蟮姆诸愃枷?，提取高分辨率無人機(jī)影像中棉花出苗信息，五種分類器總體精度都比較高，表明無人機(jī)遙感技術(shù)在提取棉花出苗信息方面是可行的。
2)通過五種分類器分類結(jié)果對比可知，支持向量機(jī)分類器無論在用戶精度方面還是在生產(chǎn)者精度方面，都具有很高的分類精度。可以將最優(yōu)分類分割參數(shù)應(yīng)用到整個棉花種植區(qū)域，完成棉花出苗信息提取。
猜你喜歡
體育科技文獻(xiàn)通報(bào)(2022年3期)2022-05-23 13:46:54
天津外國語大學(xué)學(xué)報(bào)(2021年3期)2021-08-13 08:32:18
遼金歷史與考古(2021年0期)2021-07-29 01:06:54
數(shù)學(xué)小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56
大眾健康(2021年6期)2021-06-08 19:30:06
科技傳播(2019年22期)2020-01-14 03:06:54
民用飛機(jī)設(shè)計(jì)與研究(2019年4期)2019-05-21 07:21:24
中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(2017年9期)2017-10-13 22:27:46
