• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      無(wú)人機(jī)遙感在塑料大棚識(shí)別中的方法研究

      2019-05-10 02:53:34范熙偉劉耀輝
      中國(guó)農(nóng)業(yè)信息 2019年1期
      關(guān)鍵詞:塑料大棚面向?qū)ο?/a>分類器

      周 潔,范熙偉,劉耀輝

      (1. 云南師范大學(xué)旅游與地理科學(xué)學(xué)院,昆明 650500;2. 中國(guó)地震局地質(zhì)研究所,北京100029;3. 昆士蘭大學(xué)地球與環(huán)境科學(xué)系,布里斯班 4067)

      0 引言

      塑料大棚俗稱冷棚,是一種新興的保護(hù)地栽培設(shè)施。由于其具有建造容易、使用方便、降低氣候環(huán)境的限制、提高單位面積產(chǎn)量等優(yōu)點(diǎn)[1-3],被世界各國(guó)普遍使用推廣,近年來(lái)以每年20%速度持續(xù)增長(zhǎng)[4]。但同時(shí),塑料大棚改變了地表的能量平衡和水循環(huán)模式,對(duì)局地氣候、水文循環(huán)乃至全球氣候變化與生態(tài)系統(tǒng)產(chǎn)生影響;廢棄的塑料薄膜破壞了生態(tài)環(huán)境,使得土壤質(zhì)量下降[5-6]。因此,快速準(zhǔn)確地獲得塑料大棚覆蓋面積、位置分布等地理信息,對(duì)農(nóng)業(yè)規(guī)劃、環(huán)境資源保護(hù)等方面具有積極意義[7]。

      傳統(tǒng)的塑料大棚覆蓋面積信息獲取以人工實(shí)地測(cè)定為主,該方法需要耗費(fèi)大量的人力、物力和時(shí)間,且無(wú)法獲得準(zhǔn)確的地理位置分布信息,因此無(wú)法滿足海量數(shù)據(jù)實(shí)際生產(chǎn)需求。

      近年來(lái),隨著航空、航天遙感技術(shù)的迅猛發(fā)展,不同平臺(tái)、不同傳感器、不同分辨率的遙感影像數(shù)據(jù)不斷滿足不同領(lǐng)域的應(yīng)用需求[8]。國(guó)內(nèi)外許多學(xué)者將遙感技術(shù)應(yīng)用于塑料大棚檢測(cè)提取研究,作了大量相關(guān)工作。根據(jù)所使用的遙感影像數(shù)據(jù)類型的不同,可將研究工作分為兩種:基于中低分辨率遙感影像大棚檢測(cè)提取研究[9-13]和基于高分辨率遙感影像大棚檢測(cè)提取研究[14-17]。中低分辨率遙感影像具有幅寬大、價(jià)格低廉甚至免費(fèi)等優(yōu)點(diǎn),適用于大范圍、大面積的塑料大棚檢測(cè),但存在空間分辨率較低、重訪時(shí)間長(zhǎng)等缺點(diǎn),不適合小區(qū)域塑料大棚面積的精確提取。高分辨率遙感影像數(shù)據(jù)可以更清楚地表達(dá)地物目標(biāo)的空間結(jié)構(gòu)特征及表面紋理信息,分辨內(nèi)部更精細(xì)的地物組成、地物邊緣等信息[18-19],但也存在數(shù)據(jù)價(jià)格昂貴等弊端。

      無(wú)人機(jī)遙感技術(shù)的出現(xiàn)和發(fā)展,為這一問(wèn)題的解決提供了新思路[20]。相比傳統(tǒng)的衛(wèi)星遙感和載人飛機(jī),無(wú)人機(jī)遙感具有經(jīng)濟(jì)便捷、機(jī)動(dòng)靈活、操作簡(jiǎn)便、實(shí)時(shí)性強(qiáng)、影像分辨率高等一系列優(yōu)點(diǎn)。無(wú)人機(jī)影像經(jīng)過(guò)幾何校正和拼接后得到的正射影像具有很高的空間位置精度,可以實(shí)現(xiàn)對(duì)某一重點(diǎn)研究區(qū)域遙感影像超高時(shí)間、空間分辨率的快速獲取,能迅速且準(zhǔn)確地完成對(duì)研究區(qū)塑料大棚的檢測(cè)提?。?,21-22]。

      文章利用無(wú)人機(jī)高分辨率遙感數(shù)據(jù),以云南省昆明市呈貢區(qū)可樂(lè)村某塑料大棚區(qū)為研究區(qū)域,分別采用基于像元法和面向?qū)ο蠓ǎ瑢?duì)研究區(qū)進(jìn)行分割、分類、面積提取,結(jié)合研究區(qū)背景資料和實(shí)地調(diào)研結(jié)果,對(duì)比分析了兩種方法的精度。

      1 研究區(qū)概況及實(shí)驗(yàn)數(shù)據(jù)

      1.1 研究區(qū)域概況

      該文研究區(qū)為云南省昆明市呈貢區(qū)斗南鎮(zhèn)可樂(lè)村。該村地處昆明市呈貢區(qū)西部,距昆明市區(qū)12 km。海拔1 900~2 000 m,地處亞熱帶季風(fēng)氣候區(qū),年降雨量800~1 000 mm米,全年無(wú)霜期320 d,年日照量2 311 h,土地肥沃,氣候適宜,交通便利,區(qū)位優(yōu)勢(shì)突出。該村主要以花卉、蔬菜種植為主,塑料大棚種植已成為當(dāng)?shù)剞r(nóng)業(yè)經(jīng)濟(jì)發(fā)展的支柱

      1.2 實(shí)驗(yàn)數(shù)據(jù)

      1.2.1 數(shù)據(jù)獲取

      該研究于2018 年12 月21 日在可樂(lè)村塑料大棚區(qū)域使用小型旋翼無(wú)人機(jī)進(jìn)行遙感圖像的獲取,無(wú)人機(jī)型號(hào)為深圳大疆創(chuàng)新科技有限公司的Phantom 3 Professional。此款無(wú)人機(jī)搭載了HD 高清相機(jī),配有GPS 和GLONASS 雙衛(wèi)星導(dǎo)航系統(tǒng)。無(wú)人機(jī)自帶的光學(xué)成像相機(jī)其鏡頭由9 組9 片玻璃鏡片組成,包含兩片非球面鏡片,拍攝視場(chǎng)角為94°,其焦距為4 mm,最大光圈F 2.8,曝光時(shí)間為8 s 至1/8 000 s 可調(diào)。此外,相機(jī)感光元件的尺寸為0.001 58 mm,拍攝有效像素1 240 萬(wàn),圖像大小為4 000×3 000 像素,空間分辨率達(dá)0.2 m。其他相關(guān)性能參數(shù)見(jiàn)表1、表2。

      表1 Phantom 3 Professional 飛行器參數(shù)Table 1 Key aircraft parameters of Phantom 3 Professional

      表2 Phantom 3 Professional 相機(jī)參數(shù)Table 2 Key camera parameters of Phantom 3 Professional

      無(wú)人機(jī)拍攝起始位置為24.875°N,104.237°E,海拔1 928.4 m。飛行高度距地面140 m,工作范圍為700 m×700 m。作業(yè)起始時(shí)間為北京時(shí)間2018 年12 月21 日13 點(diǎn)42分,結(jié)束時(shí)間為13 點(diǎn)49 分。一架次共拍攝了130 張高清可見(jiàn)光真彩色遙感影像,每張相片圖像大小為4 000×3 000 像素,所有相片總大小為607 MB。

      1.2.2 數(shù)據(jù)拼接

      研究中所采用的無(wú)人機(jī)影像后處理軟件為EasyUAV 快拼軟件。該款軟件主要包括數(shù)字正射影像圖(Digital Orthophoto Map,DOM)、數(shù)字表面模型(Digital Surface Model,DSM)、數(shù)字高程模型(Digital Elevation Model,DEM)、真實(shí)三維密集點(diǎn)云、真三維模型的生成幾個(gè)模塊。將無(wú)人機(jī)獲取的遙感圖像導(dǎo)入軟件后建立工程文件,同時(shí)導(dǎo)入由上述公司提供的無(wú)人機(jī)相機(jī)檢校文件,EasyUAV 即可自動(dòng)完成研究區(qū)DOM、DSM 和DEM 的生成。

      將無(wú)人機(jī)獲取的130 張遙感影像進(jìn)行拼接處理,得到的研究區(qū)DOM 圖如圖1 所示。其中,圖像大小為1.949 1 萬(wàn)×1.865 2 萬(wàn)像素,文件大小為369 MB,空三中誤差為0.55 916 象元,滿足該研究影像的精度需求。

      圖1 研究區(qū)DOM 圖Fig.1 The DOM image of the study area

      圖2 大棚放大細(xì)節(jié)圖Fig.2 The magnification of the greenhouse in detail

      2 研究方法

      2.1 基于像元法監(jiān)督分類

      監(jiān)督分類(Supervised Classification),也稱為訓(xùn)練分類法,是以建立統(tǒng)計(jì)識(shí)別函數(shù)為理論基礎(chǔ),根據(jù)典型樣本訓(xùn)練方法實(shí)現(xiàn)地物分類的技術(shù)。要求訓(xùn)練區(qū)域具有典型性和代表性。判別準(zhǔn)則若滿足分類精度要求,則此準(zhǔn)則成立;反之,需重新建立分類的決策規(guī)則,直至滿足分類精度要求為止。

      基于像元法監(jiān)督分類的原理是基于影像的光譜特征來(lái)進(jìn)行分類,基本單元是像元,不考慮地物的形狀、紋理、上下文等相關(guān)特征,主要依靠像元的灰度值來(lái)進(jìn)行地物的區(qū)分。

      2.2 面向?qū)ο笮畔⑻崛?/h3>

      面向?qū)ο笮畔⑻崛≈饕▋蓚€(gè)關(guān)鍵性技術(shù):影像分割和影像分類。eCognition 是當(dāng)前應(yīng)用最廣泛的基于面向?qū)ο蠓诸惙椒ǖ倪b感信息提取軟件。

      2.2.1 影像分割

      面向?qū)ο蟮倪b感分析是處理高分辨率影像的最佳途徑之一,而影像分割是面向?qū)ο筮b感分析的基礎(chǔ),分割結(jié)果決定后期特征識(shí)別與專題信息提取的精度。影像分割就是將圖像劃分為一個(gè)個(gè)大小不等、互不相交的小區(qū)域的過(guò)程,這些小區(qū)域具有相同的光譜特征和屬性。影像分割算法包括點(diǎn)分割算法、邊緣分割算法和區(qū)域分割算法,其中應(yīng)用較為廣泛的是區(qū)域分割算法中的多尺度分割方法,該算法采用自下而上的分割方式,首先將影像分割為像元大小的對(duì)象,根據(jù)對(duì)象的顏色和形狀等特征將相鄰相似的對(duì)象逐級(jí)合并,直到達(dá)到設(shè)定的分割尺度閾值,從而完成對(duì)影像的分割。其中最佳分割尺度的確定是多尺度分割算法中最關(guān)鍵的步驟,若分割尺度較小,影像中單個(gè)地物被分割成多個(gè)細(xì)小斑塊,破壞了地物的完整性,增強(qiáng)了小目標(biāo)的干擾作用,影像被“過(guò)分割”;若分割尺度過(guò)大,影像被分割成大對(duì)象,許多地物未與其周圍環(huán)境區(qū)分割開(kāi),影像“欠分割”?!斑^(guò)分割”或者“欠分割”都不利于分割對(duì)象對(duì)地物的真實(shí)表達(dá)[23],進(jìn)而影響到地物的提取精度。不同類型的數(shù)據(jù)、不同的分類任務(wù)需要在不同的尺度下進(jìn)行分析,多尺度分割為方便的調(diào)整特定影像分析任務(wù)所需要的影像對(duì)象尺度提供了可能[24]。分割尺度以能最大程度適合該研究區(qū)地物類型的提取為最優(yōu),如圖3 所示為最優(yōu)分割尺度函數(shù)示意圖。

      圖3 最優(yōu)分割尺度示意圖Fig.3 The image of optimal segmentation scale

      多尺度分割算法中尺度參數(shù)的設(shè)置對(duì)分割結(jié)果有決定性的影響,對(duì)影像中地物異質(zhì)性條件的不同,尺度參數(shù)設(shè)置需進(jìn)行相應(yīng)的調(diào)整,通常情況下,影像對(duì)象內(nèi)部的異質(zhì)性較小,地表相對(duì)均一時(shí),該參數(shù)設(shè)置為較大值;反之,設(shè)置小值。所以多尺度分割算法的尺度參數(shù)值設(shè)置沒(méi)有同一的標(biāo)準(zhǔn),往往憑借實(shí)驗(yàn)經(jīng)驗(yàn)設(shè)置,這也正是該算法的弊端。

      多尺度分割算法中對(duì)影像的均質(zhì)性采用Color(顏色)和Shape(形狀)兩個(gè)參數(shù)度量。顏色標(biāo)準(zhǔn)是對(duì)影像光譜(色彩)特征的度量,通過(guò)設(shè)置不同波段的權(quán)重值可以調(diào)節(jié)各個(gè)波段的比重;形狀特征的度量又包括Smoothness(光滑度)和Compactness(緊致度)兩個(gè)參數(shù),其中光滑度指影像中對(duì)象邊緣的光滑度,緊致度指影像對(duì)象之間的緊致程度。

      2.2.2 影像分類

      eCognition 中有隸屬度和最鄰近兩種分類器。面向?qū)ο蟮淖钹徑椒ㄊ窃趥鹘y(tǒng)的最鄰近方法中將對(duì)象信息代替經(jīng)典分類方法中的光譜信息進(jìn)行分類[24]。此方法不僅利用影像的光譜信息,還充分考慮了地物的形狀、紋理、上下文等空間信息,極大提高了分類精度。

      2.3 精度評(píng)價(jià)

      在遙感信息提取完成后,需要對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià),以判斷提取結(jié)果的準(zhǔn)確性和差異性。該研究在拼接后的DOM 圖像上采集樣本點(diǎn),將實(shí)地調(diào)研與目視解譯結(jié)合起來(lái)確定樣本點(diǎn)類別,利用混淆矩陣來(lái)評(píng)價(jià)研究區(qū)各類地物提取精度。主要評(píng)價(jià)指標(biāo)有:生產(chǎn)者精度、用戶精度、總體精度和Kappa 系數(shù)。

      生產(chǎn)者精度PPA,它是指某一類別的正確分類數(shù)Xii占參考數(shù)據(jù)中該類別像元總數(shù)(Xi)的比例。計(jì)算公式為:

      用戶精度PUA,它是指某一類別的正確分類數(shù)Xii占分為該類別的像元總數(shù)(Xj)的比例。計(jì)算公式為:

      總體精度POA,它是指總分類正確數(shù)占總抽樣數(shù)N的比例,它反應(yīng)分類結(jié)果總的正確程度。計(jì)算公式為:

      Kappa 系數(shù):所有真實(shí)參考的像素總數(shù)乘以混淆矩陣對(duì)角線的和,再減去某一類中真實(shí)參考像素?cái)?shù)與該類中被分類像素總數(shù)之積之后,再除以像素總數(shù)的平方減去某一類中真實(shí)參考像素總數(shù)與該類中被分類像素總數(shù)之積對(duì)所有類別求和的結(jié)果[23]。它是測(cè)定兩幅圖之間吻合度和精度的一種指標(biāo),定義為:

      式(4)中,N表示樣本總數(shù),k表示分類類別數(shù),Xii表示被準(zhǔn)確分類類別數(shù),Xi+表示混淆矩陣中每一列的樣本數(shù),X+i表示每一行的樣本數(shù)。

      3 實(shí)驗(yàn)結(jié)果與分析

      3.1 基于像元法監(jiān)督分類

      該研究的基于像元監(jiān)督分類使用ENVI 5.1 軟件,具體按照以下5 個(gè)步驟進(jìn)行。

      (1)類別定義

      通過(guò)目視判讀及野外實(shí)地調(diào)研結(jié)果,將待分類研究區(qū)分為4 種類型進(jìn)行樣本選擇和圖像分類工作:即塑料大棚、房屋、植被、道路。

      (2)樣本選擇

      為完成監(jiān)督分類,需要在遙感圖像處理軟件中進(jìn)行訓(xùn)練樣本的選擇。該研究選取ENVI 遙感圖像處理平臺(tái),利用其中的ROI(Region Of Interest)工具進(jìn)行訓(xùn)練樣本的選擇。按照上述提到的4 種類別,每種類別選擇若干個(gè)典型區(qū)域作為樣本。ENVI 中采用J-M 距離(Jeffries-Matusita distance),轉(zhuǎn)換分離度(Transformed Divergence)參數(shù)表示,最為常用的是基于條件概率的J-M 距離[25]。其表達(dá)式為:

      式子中的ωi和ωj為兩種地物的分類類別??煞蛛x度的數(shù)值在0~2 之間,數(shù)值越大,可分離度越高。計(jì)算結(jié)果為塑料大棚與房屋的可分性值為1.46~1.72,塑料大棚與道路的可分性值大于1.91,塑料大棚與植被的可分性值為2.00。因此除了目視解譯,上述統(tǒng)計(jì)值也同時(shí)說(shuō)明使用監(jiān)督分類時(shí),塑料大棚和房屋之間將存在一定程度的分類誤差。

      (3)分類器選擇

      一般根據(jù)待分類圖像的復(fù)雜度和分類精度需求等確定選用哪一種分類器。監(jiān)督分類器以經(jīng)典統(tǒng)計(jì)算法或貝葉斯理論為基礎(chǔ),這類分類器主要有:平行六面體分類器、最小距離分類器、馬氏距離分類器和最大似然分類器,這類分類器的普遍問(wèn)題是對(duì)分類訓(xùn)練樣本的要求高,通常要求特征樣本空間服從正態(tài)分布,而實(shí)際應(yīng)用中特征空間數(shù)據(jù)往往具有高維異構(gòu)特征,很難滿足這類分類器的需求;基于神經(jīng)網(wǎng)絡(luò)分類器包括神經(jīng)網(wǎng)絡(luò)分類器、卷積神經(jīng)網(wǎng)絡(luò)分類器,這類分類器以神經(jīng)元結(jié)構(gòu)為原型,屬仿生算法,其中卷積神經(jīng)網(wǎng)絡(luò)分類器屬深度學(xué)習(xí)分類器,是近年來(lái)興起的面向大數(shù)據(jù)的處理算法,該算法在圖像分類中要求大量訓(xùn)練樣本對(duì)分類器進(jìn)行迭代學(xué)習(xí)運(yùn)算,因此在地學(xué)應(yīng)用中面臨樣本需求量過(guò)大,分類算法訓(xùn)練成本高的問(wèn)題;基于機(jī)器學(xué)習(xí)分類器包括支持向量機(jī)、模糊分類,這類分類器在遙感數(shù)據(jù)分類中應(yīng)用較多,算法精度高、訓(xùn)練樣本門檻低,但是運(yùn)算效率低是其主要不足??紤]到該文分類采用的圖像僅有紅、綠、藍(lán)3 個(gè)波段,且圖像中的地物類別較為簡(jiǎn)易,該研究選擇最大似然法進(jìn)行圖像分類。

      (4)影像分類

      使用ROI 提取的監(jiān)督分類樣本和最大似然法分類器,即可對(duì)EasyUAV 軟件拼接輸出的DOM 真彩色遙感圖像進(jìn)行分類,圖4 為分類結(jié)果,其中塑料大棚用紅色表示、道路用灰色表示、房屋用藍(lán)色表示、植被用綠色表示。從監(jiān)督分類結(jié)果圖4 和圖1 研究區(qū)DOM真彩色圖像對(duì)比可以發(fā)現(xiàn),道路、植被類型與真彩色圖像的空間分布較為一致。但是,由于異物同譜的影響,部分以紅色為代表的塑料大棚被錯(cuò)分到了房屋中,道路和植被之間也存在誤分。同時(shí),分類結(jié)果中存在嚴(yán)重的“椒鹽現(xiàn)象”。

      圖4 基于像元分類結(jié)果Fig.4 The image of the supervised classification result

      (5)精度評(píng)價(jià)

      為評(píng)價(jià)監(jiān)督分類方法提取房屋數(shù)據(jù)的精度,考慮到分類使用的無(wú)人機(jī)遙感圖像空間分辨率優(yōu)于5 cm,這里通過(guò)目視解譯的方式,同時(shí)結(jié)合實(shí)地考察若干采樣點(diǎn)的形式進(jìn)行地表類型真值的提取。通過(guò)ROI 工具提取各種類別若干個(gè)采樣樣本后(盡量與分類樣本有所區(qū)別,其中房屋類別中所有的房屋都進(jìn)行提取),使用ENVI 中的混淆矩陣(Confusion Matrix)工具基于分類后圖像和上述提取的ROI 真值進(jìn)行分類結(jié)果的驗(yàn)證。

      圖4 可以看出,基于像元分類結(jié)果與無(wú)人機(jī)航拍DOM 圖所呈現(xiàn)的大棚分布和走向幾乎一致,可以清晰展示研究區(qū)的基本概況。但分類結(jié)果中存在明顯的“椒鹽現(xiàn)象”,也存在部分的錯(cuò)分、誤分現(xiàn)象。

      3.2 面向?qū)ο蠓椒?/h3>

      3.2.1 面向?qū)ο蠓指?/p>

      在進(jìn)行圖像分割時(shí),考慮每個(gè)編輯層對(duì)分類結(jié)果的重要性和適宜性,給每個(gè)編輯層賦予不同的權(quán)重,這里每個(gè)編輯層的權(quán)重都賦為1,使紅、綠、藍(lán)3 個(gè)圖層均同等重要地參與運(yùn)算。再考慮不同類別地物的特征和分類要求,給圖像設(shè)置一個(gè)分割的尺度參數(shù)。通過(guò)對(duì)比不同尺度下分割對(duì)象邊界與地物實(shí)際邊界的吻合程度來(lái)確定最優(yōu)分割尺度,同時(shí)考慮到研究區(qū)地物相對(duì)單一,故將分割尺度設(shè)為較大值。

      試驗(yàn)采用控制變量法。首先固定形狀因子為0.1,緊致度因子為0.5,共設(shè)置5 個(gè)分割尺度,分別為200,500,750,1 000,2 000。試驗(yàn)影像在不同尺度下的分割效果如圖5 所示??梢钥闯觯寒?dāng)分割尺度為200 時(shí),許多均質(zhì)斑塊被分割成幾個(gè)對(duì)象而過(guò)于破碎,屬于過(guò)分割;當(dāng)分割尺度為500 時(shí),分割得出的對(duì)象邊界與地物的實(shí)際邊界吻合較好;當(dāng)分割尺度為750、1 000 時(shí),部分塑料大棚未完全分割開(kāi);當(dāng)分割尺度為2 000 時(shí),得到的分割對(duì)象較大,單個(gè)對(duì)象中地物不均一。因此,確定最優(yōu)分割尺度為500 時(shí)生成的對(duì)象大小較為理想。

      圖5 不同尺度下相同異質(zhì)性因子分割結(jié)果對(duì)比Fig.5 The comparison of segmentation results of the same heterogeneity factors at different scales

      除分割尺度外,還需設(shè)置形狀因子(Shape)和緊致度(Compactness)因子以保證分割結(jié)果不會(huì)太破碎。圖6 是在影像給定相同的分割尺度500 條件下,通過(guò)改變不同的形狀因子和緊致度因子,最終選擇最優(yōu)的分割尺度參數(shù)。對(duì)比圖像可以看:將形狀因子設(shè)置過(guò)大,圖像“欠分割”;將形狀因子設(shè)置過(guò)小,圖像“過(guò)分割”,過(guò)大或過(guò)小都不利于大棚的提取。當(dāng)形狀因子和緊致度因子均設(shè)置為0.5 時(shí),對(duì)本影像中的大棚分割效果較好。因此,該文的最優(yōu)分割尺度為500,形狀因子0.5,緊致度因子0.5。具體細(xì)節(jié)信息如圖6 所示。

      圖6 相同尺度下不同異質(zhì)性因子分割結(jié)果對(duì)比Fig.6 The Comparison of segmentation results of different heterogeneity factors at the same scale

      面向?qū)ο蠖喑叨确指顚⒀芯繀^(qū)地物分割成若干個(gè)二維的多邊形。分割地物對(duì)象的幾何特征提取就是基于地物對(duì)象矢量對(duì)象建立遙感圖像的幾何特征提取模型,提取影像的長(zhǎng)寬比、形狀指數(shù)、矩形擬合度等幾何特征。

      分割地物對(duì)象的長(zhǎng)寬比計(jì)算公式為:

      式(6)中,L指分割地物對(duì)象外接橢圓的長(zhǎng)軸長(zhǎng)度,W指分割地物對(duì)象外接橢圓短軸的長(zhǎng)度。

      圖7 兩種分割結(jié)果細(xì)節(jié)放大對(duì)比(左圖分割得過(guò)于破碎)Fig.7 The magnified comparison of the two segmentation results

      其(7)中,la表示分割地物對(duì)象的周長(zhǎng),A 指分割地物對(duì)象的面積。

      矩形擬合度描繪了一個(gè)分割地物對(duì)象與矩形的相似程度。此值通過(guò)計(jì)算一個(gè)與分割地物對(duì)象相等的矩形面積得到,矩形的長(zhǎng)寬與分割地物對(duì)象的長(zhǎng)寬相等。當(dāng)一個(gè)分割地物對(duì)象與矩形完全一致時(shí),擬合度為1,完全不相等時(shí),其擬合度為0。分割地物對(duì)象的幾何特征提取結(jié)果如圖8 所示。

      分割地物對(duì)象的形狀指數(shù)的計(jì)算公式如下:

      圖8 分割地物對(duì)象的形狀特征Fig.8 The shape features of object segmentation

      3.2.2 面向?qū)ο蠓诸?/p>

      該研究采用監(jiān)督分類方法,選用最鄰近分類器對(duì)研究區(qū)進(jìn)行分類。首先根據(jù)前面的研究成果,將研究區(qū)分為塑料大棚、房屋、植被、道路4 類;其次選擇適當(dāng)?shù)臉颖?,使用最近鄰加?quán)(Nearest Neighbor Configuration)工具配置最鄰近特征,特征選擇波段均值和標(biāo)準(zhǔn)差特征參與分類;最后,面向?qū)ο蠓诸惤Y(jié)果如圖9 所示,其中大棚用紅色表示、道路用灰色表示、房屋用藍(lán)色表示、植被用綠色表示。

      圖9 面向?qū)ο蠓诸惤Y(jié)果圖Fig.9 The image of the object oriented classification

      圖9 可以看出,面向?qū)ο蠓诸惤Y(jié)果與無(wú)人機(jī)航拍DOM 圖所呈現(xiàn)的大棚分布和走向幾乎一致,且無(wú)明顯的“椒鹽現(xiàn)象”,但也存在少量的錯(cuò)分、誤分現(xiàn)象。

      通過(guò)圖10 可以看出,面向?qū)ο蠓指钚Ч黠@優(yōu)于基于像元法?;谙裨ǚ诸惤Y(jié)果中,錯(cuò)分、漏分現(xiàn)象較為頻繁,且存在嚴(yán)重的“椒鹽現(xiàn)象”;面向?qū)ο蠓ㄓ行У販p少錯(cuò)分、漏分現(xiàn)象,抑制了“椒鹽現(xiàn)象”,極大地提高了分類精度。

      圖10 兩種分類結(jié)果細(xì)節(jié)放大對(duì)比圖Fig.10 The magnified comparison of the two classification results

      3.3 精度評(píng)價(jià)

      為了對(duì)分類精度進(jìn)行評(píng)價(jià),該研究將研究區(qū)基本背景、實(shí)地調(diào)研結(jié)果與影像目視判讀結(jié)合起來(lái),選取了多個(gè)樣本數(shù)據(jù),并對(duì)這些樣本數(shù)據(jù)與分類結(jié)果一致性進(jìn)行比較。所選取的精度驗(yàn)證樣本在研究區(qū)的分布如圖11 所示,定量精度評(píng)價(jià)結(jié)果如表3、表4所示。

      圖11 精度驗(yàn)證樣本分布圖Fig.11 The samples distribution of accuracy verification

      表3 分類結(jié)果精度對(duì)比Table 3 Comparison of the classification accuracy %

      表4 分類結(jié)果精度評(píng)價(jià)Table 4 The evaluation of classification accuracy

      從表4 可以看出,基于像元最大似然法分類結(jié)果的總體精度為68.3%,Kappa 系數(shù)為0.5848;面向?qū)ο笞钹徑诸惙ǚ诸惤Y(jié)果的總體精度為94.6%,Kappa 系數(shù)為0.9133。面向?qū)ο筇崛》椒ň让黠@高于傳統(tǒng)的基于像元提取方法。

      根據(jù)前文分類結(jié)果圖直觀對(duì)比及上述定量精度評(píng)價(jià)分析認(rèn)為,出現(xiàn)錯(cuò)分現(xiàn)象是由于地物之間光譜相似性造成。一方面,地物光譜相似性越高,出現(xiàn)錯(cuò)分現(xiàn)象就越嚴(yán)重,這是基于傳統(tǒng)的像素分類方法對(duì)高分辨率遙感影像“同物異譜”、“同譜異物”現(xiàn)象難以克服的問(wèn)題。另一方面,基于傳統(tǒng)的像素分類方法所使用的是光譜亮度差異作為區(qū)分不同地物的分類標(biāo)準(zhǔn),這將產(chǎn)生“椒鹽現(xiàn)象”,即分類結(jié)果出現(xiàn)眾多小斑點(diǎn),這些都嚴(yán)重影響地物提取的精度。

      面向?qū)ο蠓椒ú粌H僅利用影像的光譜特征,還充分利用形狀特征、紋理特征和上下文特征等細(xì)節(jié)信息,極大提高了高分辨率遙感影像的數(shù)據(jù)使用率,充分挖掘高分辨率遙感影像所包含的豐富地物信息,有效提高了分類精度。

      3.4 地物信息提取分析

      該研究采用面向?qū)ο蠓椒ㄌ崛「黝惖匚锏拿娣e如表5 所示,其中:塑料大棚面積26.371 42 萬(wàn) m2,房屋面積 4.123 67 萬(wàn) m2,植被面積 11.073 49 萬(wàn) m2,道路面積 3.178 88 萬(wàn) m2,總面積44.747 46 萬(wàn)m2。

      表5 面向?qū)ο筇崛∶娣e統(tǒng)計(jì)Table 5 The statistics of object-oriented extraction areas 萬(wàn)m2

      實(shí)地測(cè)量了13 個(gè)塑料大棚面積,將其作為樣本數(shù)據(jù),與面向?qū)ο蠓椒ㄌ崛〉拿娣e作對(duì)比,對(duì)提取面積的精度做驗(yàn)證,結(jié)果如表6 所示。

      表6 實(shí)地面積與面向?qū)ο筇崛∶娣e對(duì)比Table 6 Comparison of measurement and object extraction area

      表6 的對(duì)比結(jié)果表明,面向?qū)ο蠓椒ㄌ崛〉拿娣e與實(shí)地測(cè)量提取面積相比仍然存在一定的誤差,在總面積上的差值為3.925 m2,累積差值為22.475 m2。若按差值比例來(lái)計(jì)算,大棚的估計(jì)面積為(26.371 42 萬(wàn)±410.737)m2,滿足精度要求。

      4 結(jié)論

      準(zhǔn)確、高效的塑料大棚面積提取方法,是塑料大棚遙感估算的重要技術(shù)之一。研究利用無(wú)人機(jī)高分辨率遙感數(shù)據(jù),分別采用基于像元法和面向?qū)ο蠓?,進(jìn)行塑料大棚識(shí)別提取方法研究探討。通過(guò)試驗(yàn)對(duì)比分析得出以下結(jié)論。

      (1)塑料大棚面積的基于像元提取總體精度為68.3%,面向?qū)ο筇崛】傮w精度為94.6%。面向?qū)ο筇崛》椒ň让黠@高于傳統(tǒng)的基于像元提取方法。

      (2)與傳統(tǒng)基于光譜特征像元的面積提取方法相比,面向?qū)ο蠓诸惙椒ǔ浞挚紤]地物自身光譜、形狀、紋理、結(jié)構(gòu)等信息,有效地抑制了“椒鹽現(xiàn)象”,極大降低了“同物異譜”、“同譜異物”的影響,提高了分類的精度。

      隨著高分辨率遙感技術(shù)的迅猛發(fā)展,影像分辨率越來(lái)越高,帶來(lái)了更加豐富且復(fù)雜的地物信息,這使得面向?qū)ο蠓诸惙椒ū然谙裨诸惙椒ㄓ懈訌V闊的應(yīng)用空間。但面向?qū)ο蠓诸惙椒ǖ姆指詈头诸惖臏?zhǔn)確性主要取決于操作者的先驗(yàn)知識(shí)和經(jīng)驗(yàn),分類結(jié)果的精度也受到分割質(zhì)量和分類規(guī)則有效區(qū)分的影響。如何實(shí)現(xiàn)快速、準(zhǔn)確、自動(dòng)化提取地物信息,是當(dāng)前乃至今后的研究目標(biāo)。

      猜你喜歡
      塑料大棚面向?qū)ο?/a>分類器
      河南省鋼骨架塑料大棚拱架結(jié)構(gòu)標(biāo)準(zhǔn)化設(shè)計(jì)研究*
      基于光譜指數(shù)的流域尺度農(nóng)業(yè)塑料大棚制圖
      黑龍江糧食(2022年4期)2022-05-25 13:23:00
      塑料大棚
      面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開(kāi)發(fā)
      BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
      面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用
      加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
      結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
      面向?qū)ο骔eb開(kāi)發(fā)編程語(yǔ)言的的評(píng)估方法
      塑料大棚冬季鐵觀音茶樹(shù)的生長(zhǎng)特性研究
      呼和浩特市| 浮山县| 花莲县| 杂多县| 呼伦贝尔市| 彰化市| 康保县| 河北区| 清远市| 昂仁县| 蛟河市| 资阳市| 瑞昌市| 巴东县| 普洱| 吐鲁番市| 理塘县| 华安县| 尼玛县| 黔西县| 玉溪市| 广宗县| 临汾市| 平果县| 宜阳县| 视频| 桐柏县| 巧家县| 隆林| 大方县| 永善县| 衡阳县| 肥东县| 普定县| 安顺市| 余庆县| 荥经县| 墨竹工卡县| 吉木萨尔县| 贵港市| 舒城县|