基于可见光影像的木里矿区排土场植被覆盖度提取研究

为了快速准确提取木里矿区排土场的植被覆盖度,基于无人机可见光影像,选择过绿指数、过绿减过红指数、可见光波段差异植被指数和归一化绿红差异指数,将植被指数时序图交点法和样本统计法相结合进行阈值分割,从而提取植被覆盖度,并对提取结果的精度进行验证。结果表明:可见光波段差异植被指数的提取精度最高,达到95.83%,Kappa系数为0.92。由此可见,利用可见光波段差异植被指数,将植被指数时序图交点法和样本统计法相结合的方法适用于提取木里矿区排土场的植被覆盖度且精度较高。研究结果可为高寒矿区排土场植被覆盖度的精确提取提供一定的参考。

基于无人机可见光影像的新疆棉田田间尺度地物识别

针对无人机采集影像时不同地物最佳分辨率难以确定的问题,运用大疆M600Pro型无人机获取棉花蕾期可见光影像,结合地面调查采样数据,利用神经网络(Artificial neural networks,ANN)、支持向量机(Support vector machines,SVM)和随机森林(Random forest,RF)3种监督分类算法进行田间地物识别。分析不同分辨率(1.00、2.50、5.00、7.50、10.00 cm)下对地物的识别精度,并结合算法运行时间,从分辨率、算法精度和运行时间上找到适合南疆田间尺度棉花田块地物识别的最佳分辨率和最优算法。试验结果表明:当空间分辨率为1.00 cm时,SVM对地物的识别精度最高,总体精度与Kappa系数分别为99.857%和0.997。随着空间分辨率的降低,总体精度和Kappa系数呈下降趋势。当分辨率为2.50 cm和5.00 cm时,采用RF算法,运行时间最短,土地、棉花和滴灌带可获得较好的识别精度,总体精度与Kappa系数分别可达99.252%和0.986以上。当空间分辨率大于5.00 cm时,总体精度和Kappa系数下降,滴灌带制图精度(Producer’s accuracy,PA)和用户精度(User’s accuracy,UA)下降最大。空间分辨率小于5.00 cm的图像能够很好地识别蕾期棉花地的典型地物,可为进行田间地物类型及其分布状况的识别提供指导。

面向无人机可见光影像的植被指数评价

以无人机可见光影像为数据源,选用归一化绿红差指数(NGRDI)、归一化绿蓝差异指数(NGBDI)、超绿指数(EXG)、超绿超红差分指数(EXGR)、植被颜色指数(CIVE)、可见光波段差异植被指数(VDVI)、改进型绿红植被指数(MGRVI)、超绿红蓝差分指数(EGRBDI)、红绿蓝比值植被指数(RGBRI)以及增强归一化绿蓝差异指数(E-NGBDI)可见光植被指数,通过10种植被指数分别计算出植被指数灰度图。采用最大熵值法计算阈值划分出植被与非植被,并将分类结果与通过监督分类获得的参照图进行精度验证。精度评定采用Kappa系数、用户精度、生产者精度3种方法。通过比较其结果发现,EXG和VDVI的植被提取结果最为准确,方法适用性和可靠性较好。

基于可见光影像的城市植被信息提取

针对城市中各色建筑屋顶、水体等因素对可见光影像中绿色植被信息提取的干扰,分析各类地物要素的亮度特征、红绿蓝(RGB)信息特征,以红绿蓝植被指数(RGBVI)为基础构建一种顾及亮度因子的植被提取模型,并采用该模型与其他七种植被指数对实验区的绿色植被信息进行提取。结果表明:相较于红、绿波段的归一化红绿差分指数(NGRDI)和红绿比值指数(RGRI)指数,该模型可以消除蓝色建筑屋顶对植被信息提取的干扰,提取精度更高;相对于绿、蓝波段的归一化绿蓝差分指数(NGBDI)和绿蓝比值指数(GBRI)以及红、绿、蓝波段的红绿蓝植被指数(RGBVI)、过绿指数(EXG)和绿叶指数(GLI),该模型可以消除水体对植被信息提取的干扰,错误率更低。

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。

基于无人机遥感可见光影像的农作物分类

[目的]无人机遥感具有高空间、高时间分辨率的优点,并可同时获得光谱和空间信息,因此在农作物分类中备受研究者的青睐。与侧重于从高分辨率RGB图像中提取纹理特征的分类方法不同,文章重点研究如何利用作物在光谱和空间维度上的联合特征尤其是作物高程特征,以实现农作物精细分类。[方法]首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,确定研究区域内农作物分类类别,分别对可见光遥感影像进行可见光植被指数计算及纹理滤波;针对数字表面模型(DSM)数据特点,对两期DSM数据进行差值处理,获得差异数字表面模型数据(DDSM),提取作物高度信息,并根据农作物冠层特性对差异数字表面模型进行滤波处理;最后,进行特征优选及组合,使用SVM方法进行农作物分类。[结果]确定最优分类特征为RGB、红波段对比度、绿波段二阶矩、蓝波段方差、DDSM、DDSM方差、DDSM对比度,分类精度由71.86%提高到92.30%,验证了由DSM影像提取的空间特征可以提高农作物分类精度。[结论]该研究探索了一种基于可见光及空间联合特征的农作物精细分类方法,方法简单可行,设备成本低,在基于无人机低空遥感的样方调查领域中有较大的应用前景。

一种可见光影像稠密匹配点云的单栋建筑物提取方法

建筑物点云提取是城市快速三维建模的基础。针对城区中建筑物和树木空间距离较近导致建筑物点云误提取的问题,提出一种颜色约束的欧式聚类算法。该方法利用低空拍摄可见光影像进行三维重建、获取点云数据,在建立点云K邻域索引和表面估计的基础上,以曲率最小的点作为欧式聚类的种子点,将点云的RGB值转换成Lab颜色模型,对建筑物点云的聚类提取进行约束。实验表明,该方法可以有效地解决可见光影像匹配点云中建筑物提取时将树木误提取的问题。

基于可见光影像的三维红外地景生成

红外地景生成是红外场景仿真的基础,影响因素多、计算效率低一直是影响计算机生成红外地景的重要问题。在研究红外地景生成影响因素的基础上,提出了一种易行的红外地景生成流程,并对红外辐射度算法进行了简化;以可见光图像为基础,经过对地表材质进行分类,将可见光图像分割为不同材质的若干区域,对不同材质在位置、气象、时间等因素下的红外辐射度进行计算,从而合成与可见光图像相关的红外地景图像;最后依据数字高程模型,对三维红外地景生成进行了实验验证。

基于无人机可见光影像的红树林冠层群落识别

为快速准确地监测红树林群落类型和分布,获得无人机影像在高精度红树林群落制图中的应用方法,使用无人机获取海南省澄迈县富力湾红树林国家级湿地公园的高空间分辨率(5 cm)可见光影像,应用面向对象分类和最优分割算法提取红树林冠层边界,使用可见光波段差异植被指数和随机森林分类算法识别红树林冠层群落。研究结果表明:面向对象的随机森林红树林群落分类中,选用最优分割尺度和适宜的随机森林算法特征和参数能够提高红树林群落分类精度,最终分类结果总体精度达89.09%,Kappa系数为0.87。该方法适合高精度、小尺度的红树林群落制图,能够及时、准确地监测红树林群落变化。因此,无人机可见光影像在红树林的监测与管理中有广阔的应用前景。

基于无人机可见光影像和卷积神经网络的棉花生长参数监测

花蕾期是棉花生长管理的重要时期,在此期间对生长参数进行快速无损监测是实现棉田精细化管理的关键。本文结合无人机遥感平台和深度学习技术,使用卷积神经网络(convolutional neural net-works,CNN),通过无人机采集可见光影像并对影像进行裁剪切分,以切片后的RGB图像为输入,分别构建基于AlexNet、VGGNet、GoogleNet 3种网络框架的卷积神经网络模型,实现了棉花花蕾期各项生长参数监测。结果表明:AlexNet模型在株高和地上生物量方面表现最好,株高的R^(2)为0.85452,RMSE为3.1279 cm,MAPE为3.402%,地上生物量的R^(2)为0.95117,RMSE为38.90353 g/m^(2),MAPE为6.288%;GoogLeNet模型在叶面积指数监测方面性能最优,其R^(2)为0.97061,RMSE为0.08644,MAPE为4.391%。此外,从不同时期来看,3种生长参数在花期的监测性能均高于蕾期。本文研究结果表明使用无人机对大面积棉田在关键生育期进行生长参数监测是可行的,本文的研究结果能够为类似的研究提供借鉴和参考。

基于无人机可见光影像的玉米冠层SPAD反演模型研究

叶绿素是植物进行光合作用的重要色素,利用作物光谱、纹理信息对叶绿素进行反演,为作物的实时监测和健康状况诊断提供重要依据。以大田环境下5个不同品种四叶期、拔节期的玉米为研究对象,利用无人机获取试验区可见光影像,对土壤背景进行掩膜处理,提取25种可见光植被指数、24种纹理特征,综合分析植被指数、纹理特征与玉米冠层叶绿素相对含量(SPAD)的相关性,分别建立基于植被指数、纹理特征和植被指数+纹理特征的逐步回归(SR)、偏最小二乘回归(PLSR)和支持向量回归(SVR)模型,定量估算叶绿素相对含量。在SR模型中,植被指数+纹理特征模型与植被指数模型相同,R2为0.7316,RMSE为2.9580,RPD为1.926,优于纹理特征模型;在PLSR模型中,植被指数+纹理特征模型较优,R2为0.8025,RMSE为2.4952,RPD为2.284,纹理特征模型次之,植被指数模型最差;在SVR模型中,植被指数+纹理特征模型较优,R2为0.8055,RMSE为2.6408,RPD为2.158,植被指数模型次之,纹理特征模型最差。综合分析采用基于PLSR植被指数+纹理特征模型可以实现玉米冠层SPAD快速、准确提取,为叶绿素反演提供一种新的方法,可为无人机遥感作物长势监测提供参考。

基于无人机可见光影像的绿色植被提取

在分析健康绿色植被光谱特性及无人机可见光影像典型地物各波段像元值差异的基础上,提出一种综合利用红、绿、蓝3个可见光波段信息的新型绿色植被指数——差异增强植被指数(DEVI).利用该指数及其他8种常见可见光植被指数结合不同阈值方法提取研究区域绿色植被信息,并采用地表真实感兴趣区和基于SVM的监督分类方法进行精度量化评价.结果表明:由DEVI计算的植被指数灰度影像直方图具有良好双峰形态,可利用双峰直方图阈值法快速确定阈值,且阈值一般位于0.9~1之间;同时,DEVI提取精度明显优于其余8种植被指数,且采用双峰直方图阈值法时,总体精度为98.98%,Kappa系数为0.9791,相对误差为1/83.为验证DEVI是否具有良好的可适用性及可靠性,选取3种典型植被覆盖区域进行可行性验证,结果表明:利用DEVI可高精度提取建筑密集区域和植被零散分布区域的绿色植被信息,总体精度分别为98.42%和98.56%,Kappa系数分别为0.9610和0.9635,相对误差分别为1/125和1/91;而植被集中分布区域提取精度略低于上述2种典型区域,总体精度为97.40%,Kappa系数为0.9371,相对误差为1/53.因此,提出的差异增强植被指数——DEVI可以有效、高精度、低成本提取不同植被覆盖典型区域无人机可见光影像中的绿色植被信息,为陆地生态系统中的绿色植被监测研究提供一种可行性方法.

一种无人机热红外与可见光影像匹配方法

针对异源无人机影像视角、分辨率、灰度值差异大的特点,提出一种基于语义深度局部特征的无人机热红外与可见光影像匹配方法。该方法首先利用全卷积神经网络和注意力机制提取具有语义信息的深度局部特征;其次以多通道特征图作为描述符进行kd-tree匹配;最后将向量场一致性VFC(Vector Field Consensus)和随机采样一致性RANSAC(Random Sample Consensus)相结合(VFC-RANSAC)进行误匹配剔除,从而实现无人机热红外与可见光影像的稳健匹配。匹配试验表明,与SIFT、KAZE等提取的人工特征相比,深度特征可以抵抗更大的影像几何和辐射差异;与RANSAC相比,VFC-RANSAC能够更有效地剔除外点,获得更高的正确匹配率和匹配精度。

基于无人机可见光影像与OBIA-RF算法的城市不透水面提取

不透水面是一种重要的城市地物类型,及时准确地获取城市不透水面信息对城市的合理规划、生态环境保护及可持续发展具有重要意义。低空无人机(Unmanned Aerial Vehicle,UAV)作为新型的遥感平台,具有操作灵活、时空分辨率高、受云雾影响小等优点,为中小尺度城市不透水面遥感监测提供了新的技术手段。以无人机可见光影像作为数据源,通过使用面向对象与随机森林算法相结合的方法开展对城市不透水面信息提取研究。首先,根据最佳尺度对影像进行分割并提取分割对象的不同特征,以光谱特征为基础,分别引入指数与地形特征建立方案S1~S4,以光谱、指数和地形特征为基础,分别加入纹理与几何特征构建方案S5~S7,以此来分析不同类型特征对不透水面提取效果的影响;同时,基于优选特征子集(13个)构建方案S8,基于上述8种方案,利用随机森林(RandomForest,RF)算法进行分类并确定最佳方案。然后,通过比较随机森林、支持向量机(Support Vector Machine,SVM)和K-最邻近法(K-Nearest Neighbors,KNN)算法在最佳方案的特征子集下的分类效果,评价随机森林算法对于不透水面的分类性能。结果表明:地形特征中的归一化数字表面模型(normalized Digital Surface Model,n DSM)对不透水面提取精度的提升作用最大,多个方案通过引入n DSM后分类精度均有较大幅度的提升(22.49~39.67个百分点);基于特征优选子集的S8方案分类精度最高,其总体精度达96.18%,Kappa系数为0.95,可见特征优选能够将高维度特征进行降维和优化,大幅减少特征数的同时还能一定程度提高分类效果;随机森林算法在最优特征子集下的分类效果优于SVM与KNN,总体精度比二者分别提升了1.35和14.18个百分点。可见面向对象和随机森林相结合的方法可有效开展城市不透水面精细化提取。该研究为基于无人机可见光影像的不透水面提取提供了一种新方法,也可为城市其他类别地物监测提供技术参考。

2017年新疆天山云杉无人机可见光影像深度学习训练数据集

本数据集是对新疆山地森林优势树种天山云杉进行调查与收集而形成的深度学习训练数据集。天山云杉是新疆天山地区生态功能最为重要的针叶树种,通过遥感技术对天山云杉林可有效识别和单木分割,为采集天山云杉单木因子信息提供重要支撑。本研究通过结合山地地形及环境因素制定无人机外业操作方案采集新疆农业大学南山实习林场的可见光遥感影像数据,进行数据筛选、几何校正、正射校正等预处理后拼接为正射影像,采用Labelme软件对天山云杉进行勾绘与分类,得到1128张2017年新疆天山云杉无人机可见光影像深度学习训练数据集。本数据集可为天山云杉在复杂积雪背景中的进行有效识别与单木分割提供数据基础,并为今后利用遥感技术进行大区域树冠识别和单木因子提取提供数据参考。

基于无人机可见光影像和面向对象的树种分类研究

针对目前林业部门人工调查树种存在效率低、成本高等问题,采用无人机遥感技术进行树种分类识别,提高树种调查效率,辅助林业管理部门进行林木种植结构分析、病虫害防治等工作。利用无人机获取矮冬青、三球悬铃木、马尾松和紫叶李的冠层红绿蓝(red-green-blue,RGB)可见光影像,进行数字表面模型(digital surface model,DSM)特征图像提取,通过色彩空间转换提高树种间颜色差异;应用最优尺度分割,以纹理特征、颜色特征及几何特征为分类特征参数,优选最佳分类特征集,以期实现无人机可见光影像的树种分类。结果表明,DSM与RGB特征融合图像提取树种的精度较高,可见光影像分类总精度为91.58%,Kappa系数为0.89;特征融合图像分类总精度为98.27%,Kappa系数为0.98。研究提出的特征融合图像结合面向对象分类方法实现了可见光影像的树种分类,为实现树种计数、统计、分类提供数据参考。

基于可见光影像的面向对象滑坡提取方法研究

以雅安市芦山县城2013-04-20地震受灾区域为研究区,针对灾前资源三号融合影像、灾前DEM数据以及灾后无人机可见光影像数据,采用多尺度分割的面向对象方法对两时相影像进行分割,随后采用变化矢量分析(change vector analysis,CVA)-最大数学期望方法(expectation-maximization algorithm,EM)对受灾前后的研究区进行变化检测,最后结合DEM并计算可见光波段差异植被指数(visible-band difference vegetation index,VDVI)获取滑坡信息,将提取结果与人工解译结果进行比对分析,提取精度达到81.7%。实验结果表明这是一种有效且具有潜力的方法,可为无人机遥感应用于灾情应急提供技术支撑。

基于可见光影像的架空线路树障测量技术研究

首先通过无人机智能采集线路走廊的高分辨率可见光影像;再对影像数据进行空三解算和点云加密;然后通过专业软件进行树障量测分析,以提高树障巡视的效率、安全性和准确度,保障电网运行安全;最后通过工程实践验证了该技术的可靠性。

可见光影像与激光雷达点云融合技术在配网树障巡检中的应用

针对单一使用激光雷达或者可见光相机进行配电走廊树障巡检的可视化效果差、准确性低等问题,引入可见光影像与激光雷达点云融合技术。无人机搭载集成系统同时获取激光雷达点云数据与可见光影像数据,首先将激光点云数据去噪、滤波和分类,分离出地面和非地面激光点云,然后通过坐标转换,使激光点云数据和可见光影像数据建立在同一坐标系下,再将可见光影像的光谱信息赋值给对应的激光点、云,重现点云三维实景影像,实现配电走廊树障隐患识别与分析的功能。该技术大大提高树障隐患巡检的准确性和效率,可视化效果直观。

特征优选下的无人机可见光影像地物分类

针对多维分类特征降低分类精度以及无人机可见光影像特征优选分类研究较少的问题,提出了一种基于相关系数特征去相关和最少地物类对数量的重要性评估特征优选方法。基于无人机可见光DOM和DSM数据,结合CART决策树分类方法,开展优选特征组合及精度分析。特征优选后的4种特征组合分类总体精度比特征优选前平均提高了1.53%,均达到87%以上,Kappa系数均大于0.85,分类质量高。高度特征将总体精度提高了21.74%,对提高植被、水域地物的分类精度具有重要作用。道路白色实线、暗色裂缝、路灯阴影等“细小地物”及分类特征的局限性会降低地物分类精度。结果表明:所提特征优选方法能提高分类精度,并易于实现,能为无人机可见光影像复杂地物分类提供技术支撑。