收藏本站
收藏 | 论文排版

卫星高光谱遥感农作物精细分类研究

张影  
【摘要】:农作物播种面积和产量信息是保障粮食安全、农业供给侧结构性改革的重要依据。及时、准确地获取农作物种植面积及产量信息对优化农作物种植结构、科学制定农业政策、国家经济发展具有重要意义。随着成像光谱技术的发展,高光谱图像凭借光谱分辨率高的优点为农作物分类提供了新的技术手段。但是目前高光谱图像农作物分类方面仍存在着空间分辨率低、维数灾难、数据处理工作量大的问题。针对目前高光谱图像农作物精细分类研究存在的不足,本文主要进行了以下研究:(1)选取GF-5高光谱图像和GF-1全色影像作为数据源,采用了IHS变换、Brovey变换、PCA变换、谐波分析、GS变换、改进PCA 6种图像融合方法,以此来提高高光谱图像的空间分辨率。通过评价指标比较6种融合方法的优劣程度,选择适合卫星高光谱图像融合的方法。比较6种图像融合方法,图像信息量方面谐波分析图像融合标准差最大,改进PCA变换图像融合次之,即改进PCA变换融合图像包含了一定的信息量。光谱信息保持方面改进PCA变换图像融合SAM最小为0.95,GS融合方法次小为1.20,由此可以反映出改进PCA变换、GS融合两种方法的光谱畸变较小。与其他图像融合方法相比,改进PCA图像融合方法能够提供令人满意的结果。(2)在高光谱数据降维过程中,包括波段选择、特征提取、特征优选三个部分。波段选择采用聚类排序、稀疏表示、改进萤火虫3种方法,通过计算波段子集的平均信息熵、平均相关系数、J-M距离、总体分类精度来优选波段选择方法。特征优选采用随机森林、嵌入式L1正则化、类内类间距离方法,通过混淆矩阵获得的总体分类精度、Kappa系数、各类地物的制图精度及用户精度来选择适合卫星高光谱数据降维的特征选择方法。在波段选择过程中,改进萤火虫算法波段子集的AIE最高、ACC最低,说明波段信息量最大、相关性最小。改进萤火虫算法在4个定量评价指标上均优于其他两种波段选择方法。特征优选过程中,3种特征选择方法分类结果的总体精度均优于80%,其中基于类内类间距离方法总体精度最高为92.29%,Kappa系数为0.85。(3)在同等样本、特征条件下,比较高光谱图像和多光谱图像农作物精细分类的总体分类精度、Kappa系数、制图精度以及用户精度,优选出适合复杂地区农作物分类的数据源。比较得到高光谱图像总体分类精度比多光谱图像高19.72个百分点。高光谱图像能够较好地识别研究区内的9种地物,制图精度大多数优于80%。而多光谱图像在研究区农作物分类上,仅识别出4种作物,且每种作物的制图精度均低于高光谱图像的制图精度。


知网文化
【相似文献】
中国期刊全文数据库 前15条
1 张悦;官云兰;;基于聚类的高光谱图像非监督波段选择方法[J];北京测绘;2018年01期
2 张兵;;高光谱图像处理与信息提取前沿[J];遥感学报;2016年05期
3 朱荣光;马本学;高振江;葛建兵;;畜产品品质的高光谱图像无损检测研究进展[J];激光与红外;2011年10期
4 何元磊;刘代志;易世华;;一种新的高光谱图像波段选择方法[J];光电工程;2010年09期
5 王文正;赵保军;唐林波;冯帆;;基于光谱差异均衡区间筛选的高光谱目标检测[J];北京理工大学学报;2019年03期
6 周杨;厉小润;赵辽英;;改进的高光谱图像线性预测波段选择算法[J];光学学报;2013年08期
7 冯燕;何明一;宋江红;魏江;;基于独立成分分析的高光谱图像数据降维及压缩[J];电子与信息学报;2007年12期
8 彭艳斌;艾解清;;基于谱聚类波段选择的高光谱图像分类[J];光电工程;2012年02期
9 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期
10 张悦;官云兰;;聚类与自适应波段选择结合的高光谱图像降维[J];遥感信息;2018年02期
11 孔燕萍;覃亚丽;;基于深度学习的高光谱图像分类算法[J];传感器与微系统;2020年07期
12 郝红勋;何红艳;张炳先;;基于非负最小二乘法的全色与高光谱图像融合[J];航天返回与遥感;2019年04期
13 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期
14 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期
15 常志敏;;高光谱图像技术在农产品检测中的应用进展[J];中国食品;2021年08期
中国重要会议论文全文数据库 前20条
1 王喆;王百合;王艺婷;;高光谱图像波段选择方法综述[A];国家安全地球物理丛书(十一)——地球物理应用前沿[C];2015年
2 张悦;官云兰;;基于聚类的高光谱图像非监督波段选择方法[A];《江西遥感》2017年第2期(总第3期)[C];2017年
3 李雪莹;吕美蓉;刘岩;孙中梁;侯广利;范萍萍;;普通光谱仪与高光谱相机之间模型转移的研究[A];第21届全国分子光谱学学术会议暨2020年光谱年会论文集[C];2020年
4 卢云龙;刘志刚;;高光谱图像目标探测现状研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
5 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
6 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集(下册)[C];2008年
7 马德敏;孙凡;金星;舒嵘;王建宇;;机载高光谱图像质量定量化评价方法的研究[A];成像光谱技术与应用研讨会论文集[C];2004年
8 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
9 杨榕;郭玉兴;伊志强;郭传瑸;;CT-MRI图像融合联合计算机辅助导航在中颅窝底-颞下窝沟通瘤诊治中的应用研究[A];2019第一届全国口腔颌面-头颈肿瘤学术大会——聚合引领、协同发展论文汇编[C];2019年
10 钱琨;杨俊彦;龙华保;朱婧文;蔡彬;;基于侧窗滤波与分块贝塞尔插值的图像融合[A];2019年红外、遥感技术与应用研讨会暨交叉学科论坛论文集[C];2019年
11 朱婧文;刘文好;印剑飞;谢启明;;双波段复杂天空背景弱小目标图像融合算法[A];2018年光学技术与应用研讨会暨交叉学科论坛论文集[C];2018年
12 郭文昌;石海亮;钱涛;;3D-slicer软件辅助神经与血管图像融合在面肌痉挛显微血管减压术中的应用价值[A];第十三届中国医师协会神经外科医师年会摘要集[C];2018年
13 曲锋;刘建卓;刘英;吴宏圣;王健;杨东军;叶新;孙强;;基于多尺度几何分析方法的图像融合方法[A];2009年先进光学技术及其应用研讨会论文集(上册)[C];2009年
14 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年
15 张馨月;张旭东;;基于压缩感知的高光谱图像重建研究综述[A];第十三届全国信号和智能信息处理与应用学术会议论文集[C];2019年
16 唐宏;杨新;方涛;施鹏飞;;基于核方法的光谱角制图模型及其在高光谱图像分割中的应用[A];中国地理信息系统协会第八届年会论文集[C];2004年
17 杨志;毛士艺;陈炜;;基于多分辨率局部峰度熵的鲁棒图像融合算法[A];中国航空学会信号与信息处理专业全国第八届学术会议论文集[C];2004年
18 曲桂红;;放射治疗成像与图像融合应用研究[A];首届全国医疗器械学术与产业论坛论文集[C];2002年
19 徐利民;龚珊;余再军;;奇异值分解与非负矩阵分解色在数据降维方面的特性分析[A];2010年通信理论与信号处理学术年会论文集[C];2010年
20 王强军;王润生;;城市航空摄影图像融合分割方法[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年
中国博士学位论文全文数据库 前20条
1 张帆;基于空谱特征学习和深度网络的高光谱图像分类研究[D];西安电子科技大学;2020年
2 李理;基于马氏距离测度核学习的高光谱图像分类方法研究[D];哈尔滨工业大学;2018年
3 高巍;基于多核学习的高光谱图像分类方法研究[D];哈尔滨工业大学;2019年
4 滕艺丹;高光谱图像信息恢复方法研究[D];哈尔滨工业大学;2018年
5 丁晨;基于自适应卷积神经网络的高光谱图像分类方法研究[D];西北工业大学;2018年
6 王丽;基于压缩感知的高光谱图像采样和重构技术研究[D];西北工业大学;2018年
7 潘磊;基于稀疏低秩表示的高光谱图像特征提取与分类[D];西南交通大学;2019年
8 温茂星;复杂背景下高光谱运动目标探测方法研究[D];中国科学院大学(中国科学院上海技术物理研究所);2019年
9 薄纯娟;基于空谱联合模型的高光谱图像分类方法研究[D];大连理工大学;2019年
10 付巍;基于稀疏表征的高光谱图像空谱压缩与分类方法研究[D];湖南大学;2019年
11 韦晓辉;面向高光谱图像分类的特征提取与选择方法研究[D];湖南大学;2019年
12 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年
13 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年
14 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年
15 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年
16 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年
17 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年
18 吴钊君;基于权重核范数的高光谱图像去噪与解混方法研究[D];哈尔滨工业大学;2018年
19 张星;组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究[D];国防科学技术大学;2016年
20 冯志玺;空谱稀疏结构学习下的高光谱数据降维与分类技术研究[D];西安电子科技大学;2018年
中国硕士学位论文全文数据库 前20条
1 张影;卫星高光谱遥感农作物精细分类研究[D];中国农业科学院;2021年
2 李江;基于图像融合的高光谱图像分类[D];华中科技大学;2012年
3 余意;高光谱图像数据分布式分类处理方法研究[D];哈尔滨工业大学;2017年
4 李玉芳;进化多目标高光谱图像波段选择与分类[D];西安电子科技大学;2014年
5 董光;基于低空遥感的若尔盖草地鼠害信息提取方法及对比研究[D];四川师范大学;2019年
6 李发勇;基于深度学习的高光谱图像分类算法研究[D];西北师范大学;2020年
7 姚利;基于标记样本扩展的高光谱波段选择技术[D];西安电子科技大学;2015年
8 吴奎霖;高光谱图像空谱特征提取与分类方法研究[D];深圳大学;2019年
9 马超;基于深度学习的高光谱遥感图像分类[D];杭州电子科技大学;2019年
10 李阿楠;核稀疏法在高光谱图像目标检测中的应用研究[D];华北电力大学;2019年
11 蒋家旭;基于自适应残差3D-CNN的高光谱图像跨域分类[D];内蒙古工业大学;2019年
12 张燕琪;基于聚类的高光谱图像压缩技术研究[D];重庆邮电大学;2019年
13 王金哲;融合可见光/高光谱和LiDAR数据的城市地物分类算法研究[D];哈尔滨工业大学;2019年
14 陈显军;基于空-谱协方差特征的高光谱图像流形降维方法[D];华南理工大学;2019年
15 马冠群;基于低秩约束的高光谱图像去噪算法研究[D];电子科技大学;2019年
16 祝凤娟;高光谱图像分类的样本优化算法研究[D];合肥工业大学;2019年
17 伍宇;基于注意力机制的CNN与稀疏ELM的高光谱图像分类[D];中国地质大学;2019年
18 董欢;高光谱和显微高光谱技术对羊肉中抗氧化酶的检测及对比研究[D];宁夏大学;2019年
19 肖春华;基于高光谱测色的织物染色配方智能预测[D];浙江理工大学;2019年
20 马超;贮藏期内滩羊熟肉肌红蛋白含量变化的高光谱模型构建及空间分布[D];宁夏大学;2019年
中国重要报纸全文数据库 前2条
1 记者 钟夏;两天半采集全球高光谱图像数据[N];珠海特区报;2019年
2 本报记者 付毅飞;“珠海一号”,为何能拍出太空大片[N];科技日报;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978