基于纹理特征和SVM的QuickBird影像苹果园提取

发布时间：2018-04-08 19:27

  本文选题：苹果园　切入点：遥感识别　出处：《农业机械学报》2017年03期

【摘要】：为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。
[Abstract]:In order to improve the precision of apple orchard extraction from high spatial resolution remote sensing image (high score image), the automatic extraction method of apple orchard based on Quick Bird remote sensing data was studied.In this method, the best combination of multispectral bands is obtained by using the optimal exponential factor (OIFs).Then using sliding windows of different sizes (from 3 pixels 脳 3 pixels to 13 pixels 脳 13 pixels) to extract the gray level co-occurrence matrix (GLCM) of panchromatic band, fractal and spatial autocorrelation texture features are combined with spectral features, respectively.Finally, the classification and recognition of apple orchard are carried out by support vector machine (SVM) classification.The results show that: compared with single spectral or texture features,Spectral features combined with texture features can effectively improve the extraction accuracy of apple orchard (Faa) and the overall classification accuracy. The spectral GLCM texture (9 pixels 脳 9 pixels) has the highest classification accuracy (96.99%) and OA (96.16%), which is higher than that of spectral fractal texture (96.99%) and OA (96.16%).Don't increase by 0.63 percentage points and 1.56 percentage points,Compared with spectral spatial autocorrelation texture, it increased by 11.92% and 9.20%.In terms of classification methods, by comparing and analyzing the classification results of SVM, maximum likelihood and neural network, it is proved that SVM classification and recognition of apple orchard has the highest accuracy.Finally, the area statistics of apple orchard extraction results show that the GLCM texture combined with SVM classification of apple orchard area estimation and visual interpretation results are more than 98.
【作者单位】： 西北农林科技大学资源环境学院;西北农林科技大学信息工程学院;河南科技大学农学院;
【基金】：国家高技术研究发展计划(863计划)项目(2013AA102401-2) 国家自然科学基金项目(31501228) 陕西省自然科学基金项目(2015JM3110)
【分类号】：S661.1;TP391.41

【参考文献】

相关期刊论文 前10条

1 游炯;裴志远;王飞;吴全;郭琳;;基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J];农业工程学报;2016年13期

2 石涛;张丽;杨元建;;基于Landsat-8和LSMM的冬小麦面积提取研究——以皖北为例[J];麦类作物学报;2015年12期

3 杨闫君;黄彦;田庆久;王磊;耿君;杨冉冉;;基于高分一号卫星WFV影像的水稻信息提取模式（英文）[J];光谱学与光谱分析;2015年11期

4 郑淑丹;郑江华;石明辉;郭宝林;森巴提;孙志群;贾晓光;李晓瑾;;基于分形和灰度共生矩阵纹理特征的种植型药用植物遥感分类[J];遥感学报;2014年04期

5 栾海军;汪小钦;杨娜娜;朱晓玲;张爱国;黄灵操;;高空间分辨率遥感影像小波域分形纹理特征提取[J];厦门理工学院学报;2014年03期

6 杨红卫;童小华;;高分辨率影像的橡胶林分布信息提取[J];武汉大学学报(信息科学版);2014年04期

7 朱爽;张锦水;帅冠元;喻秋艳;;通过软硬变化检测识别冬小麦[J];遥感学报;2014年02期

8 李恒凯;吴立新;李发帅;;面向土地利用分类的HJ-1CCD影像最佳分形波段选择[J];遥感学报;2013年06期

9 侯群群;王飞;严丽;;基于灰度共生矩阵的彩色遥感图像纹理特征提取[J];国土资源遥感;2013年04期

10 张振兴;李宁;刘阳;;基于Worldview-Ⅱ多光谱遥感数据纹理特征提取方法[J];系统工程与电子技术;2013年10期

【共引文献】

相关期刊论文 前10条

1 宋荣杰;宁纪锋;刘秀英;常庆瑞;;基于纹理特征和SVM的QuickBird影像苹果园提取[J];农业机械学报;2017年03期

2 赵磊;朱永利;贾亚飞;张宁;郭小红;袁亮;;基于GLCM和LBP的局部放电灰度图像特征提取[J];电测与仪表;2017年01期

3 郭梁;任伟征;胡亮亮;张剑;罗均;谌洪光;姚红光;陈欣;;传统稻鱼系统中“田鲤鱼”的形态特征[J];应用生态学报;2017年02期

4 王艳楠;王健健;龚健新;袁帅;刘辉;罗文;;基于环境卫星数据的沿海滩涂地物类型分类的随机森林方法[J];遥感技术与应用;2016年06期

5 朱爽;崔有祯;张锦水;;利用复合光谱纹理特征进行城市边缘区不透水层提取[J];测绘通报;2016年11期

6 杨青山;张华;;融合像元形状和光谱信息的高分遥感图像分类新方法[J];国土资源遥感;2016年04期

7 项盛文;文贡坚;高峰;;知识驱动下的飞机目标变化检测方法[J];国土资源遥感;2016年04期

8 段金廒;宿树兰;郭盛;严辉;唐于平;吴启南;;2014—2015年我国中药及天然药物资源研究进展与学科建设[J];中国现代中药;2016年10期

9 马尚杰;易湘生;游炯;郭琳;娄径;;基于GF-1影像的冬小麦种植面积核算及直补政策实施评价[J];农业工程学报;2016年18期

10 刘佳;王利民;滕飞;杨玲波;高建孟;姚保民;杨福刚;;RapidEye卫星红边波段对农作物面积提取精度的影响[J];农业工程学报;2016年13期

【二级参考文献】

相关期刊论文 前10条

1 刘凤珠;张景雄;林宗坚;阳柯;;多光谱遥感影像的灰度与纹理信息测度方法[J];武汉大学学报(信息科学版);2016年03期

2 郭燕;武喜红;程永政;王来刚;刘婷;;用高分一号数据提取玉米面积及精度分析[J];遥感信息;2015年06期

3 谢登峰;张锦水;潘耀忠;孙佩军;袁周米琪;;Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物[J];遥感学报;2015年05期

4 王利民;刘佳;杨福刚;富长虹;滕飞;高建孟;;基于GF-1卫星遥感的冬小麦面积早期识别[J];农业工程学报;2015年11期

5 葛广秀;李卫国;景元书;;基于NDVI密度分割的冬小麦种植面积提取[J];麦类作物学报;2014年07期

6 张焕雪;李强子;;空间分辨率对作物识别及种植面积估算的影响研究[J];遥感信息;2014年02期

7 李根;景元书;王琳;杨沈斌;;基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取[J];大气科学学报;2014年01期

8 王秀君;陈健;;基于LST-EVI特征空间的土壤水分含量反演[J];遥感技术与应用;2014年01期

9 栾海军;田庆久;顾行发;余涛;胡新礼;;基于分形理论与GEOEYE-1影像的NDVI连续空间尺度转换模型构建及应用[J];红外与毫米波学报;2013年06期

10 娜仁花;郑江华;郭宝林;森巴提;石明辉;孙志群;贾晓光;李晓瑾;;基于PCA和纹理特征的红花种植面积遥感估算[J];中国中药杂志;2013年21期

【相似文献】

相关期刊论文 前10条

1 贾佳;吕建新;辜良愉;;基于SVM的多传感器信息融合技术在农用柴油机故障诊断中的应用研究[J];中国农机化学报;2013年02期

2 石晶晶;刘占宇;张莉丽;周湾;黄敬峰;;基于支持向量机(SVM)的稻纵卷叶螟危害水稻高光谱遥感识别[J];中国水稻科学;2009年03期

3 赵爽;;基于SVM的拖拉机齿轮箱多故障诊断方法研究[J];农机化研究;2011年05期

4 冉笃奎;李敏;解建仓;;基于SVM的南水北调工程向黄河相机补水分析[J];沈阳农业大学学报;2010年05期

5 金t，

本文编号：1723043