SAR遥感图像中农田区域识别与检测方法研究

发布时间：2021-11-11 19:20

　　为实现对SAR遥感图像中农田种植区域的精确识别与检测,利用特征提取、多种分类器、图像融合、相关判决等方法,实现对SAR遥感图像中农田种植区域的精确识别与检测。通过分析合成雷达孔径背景,介绍合成孔径雷达图像农田种植区域的特征提取及识别检测方法,结合PCA融合方式证明SAR图像能有效实现对农田区域的精确识别与检测。最后提出一种基于多分类器集成学习的SAR图像农田区域识别与检测方法,试验验证了该方法的有效性。 

【文章来源】：中国农机化学报. 2020,41(09)北大核心

【文章页数】：5 页

【部分图文】：

算法流程图

提取样本特征后结合训练中所需数据要求,对待测样本的特点进行确定。根据试验结果发现,小样本精度已达到饱和状态,无法继续提高效果。试验选取的8个特征已完全展现出每一个位置的区域特点,若通过增加特征种类,则难以提高精确度。由此可见,该提取方法已达到饱和状态,无需再增加样本特征或者规模。结合合成孔径雷达图像数据,对分类器集成合成孔径雷达图像中农田区域进行识别与检测,再对结果进行验证。分别选取甘肃省某市区的农田、荒漠以及植被三个类型。图2(a)为原始的合成孔径雷达,像素为600像素×600像素。将图2(a)按照单元20像素×20像素进行划分处理,共分为900份,图2(b)为经小波去噪后高亮度点大部分被滤除的非农田区域。

图3对应的是AdaBoostM1二元分类算法分类器、RobustBoost分类器及K-近邻分类器的分类检测结果。结合图3以及表2的相关数据分析可知,AdaBoostM1二元分类算法分类器的正确识别率为95.0%,Robust Boost分类算法的正确识别率为94.4%,K-近邻分类算法的正确率为97.5%。总体而言三种分类算法的正确率均在94%～98%之间,K-近邻分类算法的正确率最高。因而,可将三种分类算法检测的结果进行融合。

【参考文献】：
期刊论文
[1]基于LiDAR的农田地形环境三维重建方法设计与研究[J]. 郎朗,冯晓蓉,刘浪.  中国农机化学报. 2020(01)
[2]基于无人机平台的直立作物倒伏监测研究展望[J]. 赵立新,李繁茂,李彦,韩丰民,丁筱玲.  中国农机化学报. 2019(11)
[3]基于物联网技术的数字农田信息监测系统研究[J]. 王茂励,王浩,董振振,唐勇伟,段杰.  中国农机化学报. 2019(09)
[4]基于最大熵阈值分割的SAR图像溢油检测[J]. 李致衡,陈亮,张博程,师皓,龙腾.  信号处理. 2019(06)
[5]基于宇宙算法的农田无线传感器网络覆盖研究[J]. 胡辉,张凤莉.  中国农机化学报. 2019(03)
[6]基于优化深度学习的SAR图像地物分类检测方法研究[J]. 欧阳艺文,王珂,吴圣娜.  信息通信. 2018(09)
[7]基于级联CNN的SAR图像舰船目标检测算法[J]. 李健伟,曲长文,彭书娟.  控制与决策. 2019(10)
[8]基于机器视觉的水果采摘机器人目标识别方法[J]. 初广丽,张伟,王延杰,丁南南,刘艳滢.  中国农机化学报. 2018(02)
[9]基于流形学习的高分SAR图像建筑区提取方法[J]. 崔师爱,程博,刘岳明.  国土资源遥感. 2017(04)
[10]基于集成学习的SAR图像农田区域识别与检测方法研究[J]. 张立祥,王珂,王春晓.  信息通信. 2017(11)



本文编号：3489382