基于无人机多光谱图像的森林虫害区域分割方法

发布时间：2022-02-21 07:18

　　森林虫害严重影响着森林的健康情况,如何对森林中的虫害区域进行监测是国内外林业专家一直以来的重要研究课题。随着无人机（UAV）这一新兴的小型遥感平台在农林业信息监测领域的高度发展,为获取森林的相关信息提供了途径。并且基于无人机采集的多光谱数据包含丰富的光谱信息,可以提供森林植被的特征信息从而用于分类模型的建立。为了对森林中虫害区域进行高精度监测,本文基于无人机多光谱图像提出了一种J-M距离和遗传优化的BP神经网络分类方法。本文主要工作如下:1.优化了基于J-M距离的训练样本选取方法。首先搭建了林区八旋翼多光谱图像采集平台,对采集到的图像进行了白板校正和正射校正,基于校正后的图像对覆盖区域范围内的地物划分为四类,分别为虫害木、健康林木、灌木丛和裸地道路,并基于J-M距离建立了样本的选取规则完成了样本集的优化。2.提取并分析了森林多光谱图像的图谱特征。首先通过主成分分析（PCA）对图像样本进行降维,将提取到的第二主成分（PC2）图像作为特征图像,基于灰度共生矩阵从中提取了纹理特征,并基于RGB颜色模型使用颜色矩算法提取了颜色特征,同时通过对样本相对光谱反射率的分析提取了 580、680、80... 

【文章来源】：北京林业大学北京市211工程院校教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1. 绪论
    1.1 研究背景及意义
    1.2 森林虫害区域分割方法的国内外研究现状
        1.2.1 森林虫害监测现状
        1.2.2 无人机多光谱图像在森林虫害监测中的应用现状
        1.2.3 数字图像处理技术在森林虫害区域分割中的研究现状
        1.2.4 多光谱技术在森林虫害区域分割中的研究现状
    1.3 多光谱图像应用中的关键问题
        1.3.1 多光谱遥感图像的特征提取
        1.3.2 光谱的不确定性
        1.3.3 多光谱图像波段选择
        1.3.4 分类模型的建模方法
    1.4 论文研究内容及结构安排
        1.4.1 本文主要研究内容
        1.4.2 本文结构安排
2. 基于J-M距离的训练样本选取方法
    2.1 研究区域与对象分析
        2.1.1 研究区域介绍
        2.1.2 对象特征分析
    2.2 林区多光谱数据采集与校正
        2.2.1 无人机图像采集平台搭建
        2.2.2 样本数据采集
        2.2.3 样本数据校正与标记
    2.3 基于J-M距离的样本选取规则
    2.4 本章小结
3. 森林多光谱图像的图谱特征提取方法
    3.1 主成分分析
        3.1.1 主成分分析原理
        3.1.2 主成分分析实现
    3.2 纹理特征提取
        3.2.1 纹理特征提取原理
        3.2.2 纹理特征提取实现与分析
    3.3 颜色特征提取
        3.3.1 颜色特征提取原理
        3.3.2 颜色特征提取实现
    3.4 光谱特征提取
        3.4.1 植被相对光谱反射率
        3.4.2 光谱特征提取与分析
    3.5 植被指数
        3.5.1 植被指数介绍
        3.5.2 植被指数模型建立
    3.6 本章小结
4. 基于遗传优化的BP神经网络分类算法
    4.1 分类体系与解译标识的建立
    4.2 BP神经网络分类算法
        4.2.1 多特征学习
        4.2.2 BP神经网络分类算法原理
        4.2.3 BP神经网络分类算法实现
    4.3 BP神经网络优化
        4.3.1 遗传算法原理
        4.3.2 BP神经网络优化实现
    4.4 对比算法设计
        4.4.1 支持向量机
        4.4.2 面向对象的分类算法
    4.5 分类结果及对比分析
        4.5.1 分类结果评价指标
        4.5.2 分类结果及精度评价
    4.6 本章小结
5. 总结与展望
    5.1 总结
    5.2 展望
参考文献
个人简介
导师简介
获得成果目录
致谢


【参考文献】：
期刊论文
[1]Gesture Recognition Based on BP Neural Network Improved by Chaotic Genetic Algorithm[J]. Dong-Jie Li,Yang-Yang Li,Jun-Xiang Li,Yu Fu.  International Journal of Automation and Computing. 2018(03)
[2]基于PCA和神经网络的荞麦剥壳混合物识别[J]. 吕少中,杜文亮,陈伟,刘广硕,张丽杰.  农机化研究. 2018(01)
[3]基于高光谱图像和遗传优化神经网络的茶叶病斑识别[J]. 张帅堂,王紫烟,邹修国,钱燕,余磊.  农业工程学报. 2017(22)
[4]4种引诱剂林间诱捕松墨天牛效果比较[J]. 温小遂,喻爱林,唐艳龙,廖三腊,施明清.  林业科学研究. 2017(05)
[5]无人机航拍林业虫害图像分割复合梯度分水岭算法[J]. 张军国,冯文钊,胡春鹤,骆有庆.  农业工程学报. 2017(14)
[6]高光谱技术在茶叶品种检测中的应用[J]. 王化.  科技创新导报. 2017(09)
[7]基于随机森林模型的林地叶面积指数遥感估算[J]. 姚雄,余坤勇,杨玉洁,曾琪,陈樟昊,刘健.  农业机械学报. 2017(05)
[8]一种改进的航空遥感影像阴影自动检测方法[J]. 位明露,詹总谦.  测绘通报. 2016(06)
[9]基于无人机图像分形特征的油松受灾级别判定[J]. 费运巧,刘文萍,陆鹏飞,骆有庆.  计算机应用研究. 2017(04)
[10]落叶松毛虫发生的空间分布及其影响因子[J]. 于跃,房磊,王凤霞,马望,佟艳丰,杨健.  生态学杂志. 2016(05)

硕士论文
[1]森林病虫害图像分析算法研究[D]. 费运巧.北京林业大学 2016
[2]基于TVDI的石林县云南松切梢小蠹遥感监测研究[D]. 邓槿.北京林业大学 2016
[3]基于改进型BP神经网络的遥感影像分类研究[D]. 刘香伟.长安大学 2009



本文编号：3636768