综合光谱纹理和时序信息的油茶遥感提取研究

具有极高营养价值且被誉为东方“橄榄油”的油茶树是我国南方地区重要经济林,我国是世界上油茶树分布最广的国家。提取油茶种植分布和面积对林业部门开展油茶的宏观管理和生产指导具有重要意义。以地处亚热带地物复杂且多山地丘陵的湖南省常宁市为研究区,该区域分布有大量农田和森林,且部分植被季节变化较大,对油茶的遥感提取带来了很大挑战。提出了基于春夏秋三期的GF-2号高分辨率卫星影像,综合植被指数、纹理特征、 PCA主成分3种特征,以及春夏、春秋、夏秋、春夏秋四种不同时序组合和随机森林(RF)算法共构建了17种分类场景(S1—S17),运用随机森林(RF)、支持向量机(SVM)、最大似然(MLC)三种不同分类算法开展油茶遥感提取实验,筛选出最优特征组合、最佳分类季节与最优时序组合、最优分类方法。结果表明：仅基于光谱信息分类精度低,纹理特征的加入可大幅提升精度,而PCA对于精度的提升效果微弱;通过比较不同季节单时期的分类结果发现油茶提取精度最高的季节为夏季,夏季单时期影像在最优特征组合(S8)中油茶生产者精度(PA)为94.06%,油茶用户精度(UA)为92.57%;在分类场景S10—S17中实验发现,采...     

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明：各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数：0.85,提取误差：1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数：0.79,提取误差：9.34%)提取效果最好...     

基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

基于GBDT和Google Earth Engine的冬小麦种植结构提取

针对中国农田存在种植景观破碎化和复杂的种植结构这一现状,如何实现目标作物的高精度识别与制图对作物产量估算、粮食政策调整和国家粮食安全保障具有十分重要意义。基于Google Earth Engine(GEE)遥感数据处理云平台,提出一种冬小麦不同生育期的种植结构提取方法,该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源,综合考虑光谱波段特征、光谱指数特征、纹理特征和地形特征等多维特征变量,利用GBDT(gradient boosting decision tree)分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取,并探讨了冬小麦识别的最佳生育期。此外,对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。以河南陈固镇为研究区开展实验,实验结果显示,冬小麦在起身拔节期的地物识别准确率相对较高,总体分类准确率为94.61%, Kappa系数为92.68%;在抽穗扬花期的识别精度最高,总体分类准确率为97.01%, Kappa系数为95.52%;但在灌浆乳熟期的分类精度偏低,总体分类准确率为86.23%, Kappa系数为81.33...     

荒漠绿洲区带状防护林遥感提取方法研究——以磴口为例

防护林是我国荒漠绿洲区主要植被类型，可为该地区防风固沙、水盐调控、水热平衡提供有力保障，调查防护林空间分布信息十分重要。然而荒漠绿洲防护林条带较窄、斑块面积小、分布广且零散，不易大尺度准确提取。为解决此难点，以磴口县荒漠绿洲为研究区，基于GF-2号遥感影像，采用面向对象分类技术提取防护林空间分布信息。分类前，首先基于局部方差（LV）和LV变化率（ROC）曲线，选取分割防护林的最优分割尺度。然后采用随机森林（RF）算法的袋外误差率（OOB error）及基尼系数（Gini）对包含光谱、形状和纹理的分类特征进行重要性评估并筛选特征、优化模型参数；最后，基于随机森林、CART决策树、支持向量机（SVM）、K近邻（KNN）四种分类器提取防护林空间分布信息并对比验证。结果表明：(1）采用ROC-LV曲线方法相比于遍历分割参数，可更客观更高效地筛选最优分割参数的可能值；(2）基于RF算法计算的袋外误分率和基尼系数可以有效筛除冗余特征，配合分类器参数优化，在保证分类精度的同时，有效提高分类器性能，大幅提升数据处理速度；(3）基于实测数据集对分类结果进行验证，结果显示基于随机森林算法的特征优化结合SVM分类器提取的防护林空间分布信息精度最高，生产者精度达到97.14%，总体防护林面积为208.99 km2，与实际210 km2接近，在小区块中，SVM分类器的分类效果优于其他三种分类器；(4）因GF-2影像分辨率高，并且含有近红外波段，通过波段合成得到亚米级信息，故基于面向对象的方法能够以单条林带为基本单位研究防护林林网属性，例如提取断带信息等林网结构特征。研究结论可为荒漠绿洲区带状防护林提取提供重要技术支撑。     

基于HSI高光谱和TM图像的土地盐渍化信息提取方法

选择黄河三角洲垦利县代表性盐碱化区域为研究区,以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源,经几何纠正、图像裁剪、大气校正等预处理,分析不同盐渍化程度土地、水体、滩涂等主要地类的光谱特征,确定地类信息提取特征波段。结合土壤盐分含量,采用定量与定性相结合规则,构建地类信息提取模型,以决策树分类方法进行图像分类,提取土地盐渍化信息。利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果,对遥感解译数据进行精度验证,并对高光谱和多光谱影像的分类精度进行比较分析。结果表明：HSI图像的总体分类精度达96.43%,Kappa系数为95.59%,而TM图像的总体分类精度为89.17%,Kappa系数为86.74%,说明相比多光谱TM数据,基于高光谱图像可以更为准确有效地提取土地盐渍化信息;由分类结果图可以看出,高光谱影像土地盐渍化的区分度高于多光谱影像。该研究探索了高光谱图像土地盐渍化信息的提取技术方法,提供了不同盐渍化土地的分布比例数据,可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。     

基于时序Sentinel-2A影像的玉米秸秆覆盖区智能识别研究

秸秆还田是减少土壤侵蚀、增加土壤有机碳的重要措施，对黑土地保护具有重要意义。区域范围内玉米秸秆覆盖区的准确、快速识别，对监测保护性耕作实施、农业补贴政策的制定具有重要作用。以实施保护性耕作的典型区吉林省四平市为研究区，基于GEE(google earth engine)云平台，结合2020年5月—11月的Sentinel-2时序遥感影像，依据玉米生长季和收获后的秸秆状态构建光谱特征和指数特征，指数特征包括归一化差值植被指数(NDVI)和归一化差值秸秆指数(NDRI)。为避免数据冗余，对时序特征值按大小排序，同时利用分位法以0%，25%，50%，75%，100%分位选取分位(QT)特征，进而构建数据集。应用参数优化后的随机森林方法对按照7∶3划分的样本集进行训练和验证，然后对数据集分类，结合连通域标定法去除分类过程中产生的细小连通域，进一步优化全局结果。通过Kappa和整体精度(OA)定量和定性评价，实验结果表明：(1) 基于不同特征集组成数据集的分类模型(M1/M2/M3/M4/M5)定量评价结果均优于90%，其中所设计数据集的分类模型M5效果最好，Kappa和OA分别为97.41%和97.91%，相比于未加入QT特征集的分类模型M2的Kappa和OA分别提升4.52%和3.64%，同时M5识别结果可以有效保留边缘细节信息；(2)针对不同时间尺度的QT特征集，利用5月—11月时序遥感影像的QT特征集分类模型M5_6/M5可以极大地抑制其他作物秸秆的影响，相比仅利用11月时序影像QT特征的M5_1模型分类结果的Kappa和OA分别提升了3.9%和3.12%；(3) 基于M5模型，结合连通域标定法的分类模型M6的Kappa和OA分别为96.76%和97.36%，仅次于M5模型识别结果，模型M6在保证较高精度的同时避免了细碎图斑，优化了分类可视化效果。该研究提出的M6模型适用于识别研究区玉米秸秆覆盖区，该方法能够在GEE云平台环境下快速执行，适合推广应用于东北地区秸秆覆盖区。     

基于面向对象的QuickBird影像退耕地树冠信息提取

分割算法的改进和特征空间的优化足采用面向对象技术提高退耕地树冠信息提取精度的关键,也是利用高分辨率影像提取树冠信息急需解决的问题.文章采用光谱阈值对QuickBird多光谱影像进行一级分割,获得了植被区域,并采用改进的基于边缘的算法对非线性滤波处理后的全色影像进行二级分割,选取光谱、形状和纹理特征组成的特征空间对退耕还林地树冠信息进行提取.结果表明,提取总体精度为84.67%,较传统方法提高17%,KAPPA系数为0.795 3,较传统方法提高0.168.该研究方法能实现较为精确的树冠信息提取,可为管理部门实施准确的监测提供依据,对快速评价退耕还林效果具有重要意义.     

三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类

高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。     

一种光谱与纹理特征加权的高分辨率遥感纹理分割算法

高分辨率遥感影像呈现极其丰富的光谱和结构信息,传统的基于光谱的遥感影像分割方法往往使得分割区域过于细碎且分割精度不高.尝试将纹理信息引入到特征空间以期解决该问题.本文算法中,特征空间由光谱和纹理两类构成,并采用加权最小距离分类器.光谱信息通过对原始影像的变带宽均值漂移滤波获得,纹理信息由对原始影像逐波段采用多尺度伽博(Gabor)滤波器组滤波获得;依据训练样区中各特征维的方差确定该地物类别分类时特征维的权重,并通过训练样区的特征加权平均获得各地物类别的聚类中心;最后,将像素点归为到加权聚类中心距离最小的类别.实验结果表明,提出的均值漂移带宽确定方法是有效的,加权融合算法较基于光谱的分割方法在分割精度上有一定程度的提高.     

基于计算机视觉技术的茶叶品质随机森林感官评价方法研究

为弥补茶叶品质感官审评存在的缺陷，利用计算机视觉技术对茶叶品质进行快速无损评价研究。以碧螺春绿茶为对象，依据专家感官审评结果，将茶样分成4个等级；采用中值滤波及拉普拉斯算子对茶样图像进行预处理，并提取预处理后的茶样图像的颜色特征和纹理特征以表征茶叶图像的外形特征，利用随机森林算法对茶叶外形特征属性进行重要性排序；筛选出重要性较大的特征及随机森林算法中最优的决策树棵数建立感官评价模型，并与建立的支持向量机(SVM)模型性能相比较。结果表明：色调均值、色调标准差、绿体均值、平均灰度级、饱和度均值、红体均值、饱和度标准差、亮度均值、一致性等9个特征属性的重要性较大，且与感官审评特征描述结果相一致；当采用优选出的9个重要性较大的特征及决策数棵数为500时，建立的模型性能最优，模型总体判别率为95.75%，Kappa系数为0.933，OOB误差为5%，较SVM模型分别提高了3.5%，0.066，优选的9个重要性较大的图像特征与感官审评特征描述相一致。研究表明：利用随机森林方法筛选出对茶叶外形特征属性贡献最大的少数几个特征建立模型，模型性能就能达到很好的识别效果，模型得到简化，同时模型精度和稳定性都高于其他方法。     

Classification of star/galaxy/QSO and star spectral types from LAMOST data release 5 with machine learning approaches

We use 343,747 sources from LAMOST DR5 to do star/galaxy/QSO classification with machine learning approaches. Specifically, the 312,767 spectral labeled stars (G, K, M, F, A) are used to do star classification. The photometry of u, g, r, i, z, J, and H are used as machine learning features. For star/galaxy/QSO classification, the k nearest neighbor algorithm (KNN), decision tree (DT), random forest (RF) and support vector machine (SVM) perform well. For star classification, the accuracy of RF and SVM classification are higher than the accuracy of KNN and DT. The area under receiver operating characteristic curves of the four models are approaching to 1. The accuracy, precision, recall, f_score, Matthews correlation coefficient are always greater than 0.5. The four models perform all right in predicting the nature of sources and the star label.     

机器学习法的干旱区典型农作物分类

当前,基于机器学习方法开展农作物分类研究,对于确保干旱区粮食安全和生态安全有着极为重要的现实意义。基于机器学习方法,采用时间序列Sentinel 2A遥感数据提取农作物分类信息,通过引入地块基元和红边特征,探讨了不同分类特征组合对机器学习分类精度的影响。结果表明：随机森林分类器可以有效集成光谱和植被指数等多维向量的优势,将其应用于干旱区典型农作物分类上的精度均在89%以上,分类组总体精度最高可达94.02%。地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度,使光谱组及指数组的分类精度分别提高3.13%和4.07%,并能有效解决“椒盐”效应及耕地边缘廓线模糊等问题。红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39 %和1.63%,并使春、冬小麦的识别能力显著提高,表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异。该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。     

基于Vis-NIR光谱的柑橘叶片黄龙病检测及其光谱特性研究

黄龙病作为柑橘类水果最具毁灭性的疾病之一,目前尚无有效的治愈手段,因此疾病预防成为已知的唯一有效方法。基于四种柑橘叶片(健康叶片、黄龙病叶片、铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。在两类判别分析的特征值提取方法中,判别值(discriminability)运算的引入,为特征值提取提供了一个可靠依据,判别值越大表明光谱差异性越大。以被选特征值建立的Fisher线性判别分析模型,黄龙病与健康、铁缺乏、氮缺乏叶片的分类判别预测准确率分别都超过了90%,分类效果符合预期。最后,又讨论了分类树(classificationTree)在多类判别中的应用。通过对柑橘叶片原始反射谱,一阶导数谱及被选特征值分别建立分类模型,四种柑橘叶片平均预测准确度都超过88%,尤其是基于特征值的分类结果更是超过94%,验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。结合传统分类方法(k-NN, Bayesian)的结果分析,特征值作为输入变量的分类结果明显要优于原始光谱,证实了特征值选取的正确性,并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。     

基于克隆选择支持向量机高光谱遥感影像分类技术

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明：提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。     

Radio Frequency Fingerprint extraction based on Multiscale Approximate Entropy

Radio Frequency (RF) fingerprinting is the technology of recognizing the transmitter using the non-linear characteristics of an intercepted RF signal. The underlying inevitable impairments of the hardware chain in transmitters are used as unique RF signatures for the distinct identification of various radios. The technique can be applied to distinguish not only between the radio of different make but also between the radios of the same make and type. In this paper, we propose a novel RF fingerprinting method, based on Multi-Scale Approximate Entropy (MSAE) which utilizes the steady-state section of the RF signal, extracted through the Higuchi Fractal Dimension (HFD) method. The MSAE feature extraction method is validated using real-world data-set for Very High Frequency (VHF) radios. The proposed method uses MSAE features which are subsequently fed to Machine Learning (ML) algorithms for classification accuracy comparison. In terms of classification accuracy, the proposed MSAE features outperforms some of the existing steady-state methods, especially at low SNR.