推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于纹理特征和SVM的QuickBird影像苹果园提取

更新时间:2019-12-30 09:49:40 大小:2M 上传用户:zhiyao6查看TA发布的资源 标签:纹理特征svm 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

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%。


部分文件列表

文件名 大小
基于纹理特征和SVM的QuickBird影像苹果园提取.pdf 2M

部分页面预览

(完整内容请下载后查看)
2 0 1 7  
3
农 业 机 械 学 报  
48  
3
卷 第 期  
doi: 10. 6041 /j. issn. 1000-1298. 2017. 03. 024  
SVM QuickBird  
理特征和  
取  
12  
2
13  
1
荣杰  
宁纪锋 秀英  
瑞  
( 1.  
西北农大学学院 西凌  
712100; 2.  
西北农大学信息学院 西凌  
712100;  
3.  
大学农学院 阳  
471003)  
: ( ) ,  
摘要 为提高高间分感影于  
QuickBird  
研究征  
自动提法 该先采子  
( OIF)  
不  
( 3  
素  
× 3 13 × 13  
素  
)
矩阵  
( GLCM) 、  
相  
3
并分别与合 最后持向量机  
( SVM)  
:  
进行研究分  
, ,  
相比 结合能有效提高度  
( F )  
a
度  
( OA) ,  
谱  
+ GLCM  
( 9  
素  
× 9  
) F  
素 分a 和  
OA  
96. 99% 96. 16% +  
形  
为  
0. 63  
1. 56  
+  
分点 显著提高  
11. 92  
9. 20  
提高  
分点和  
分点和  
分  
SVM3 ,  
类方分析 最似然明  
SVM  
精  
,  
最后取结进行面积统计 结明  
GLCM  
SVM  
结合 分类的面积视解  
98% 。  
过  
: ; ; ; ;  
关键词 别 信息矩阵 持向量机  
; QuickBird  
: TP79; S127 : A : 1000-1298( 2017) 03-0188-10  
文献标识码 文章编号  
中图分类号  
Apple Orchard Extraction with QuickBird Imagery Based on  
Texture Features and Support Vector Machine  
12  
2
13  
1
SONG Rongjie  
NING Jifeng LIU Xiuying  
CHANG Qingrui  
( 1. College of Natural Resources and EnvironmentNorthwest A&F UniversityYanglingShaanxi 712100China  
2. College of Information EngineeringNorthwest A&F UniversityYanglingShaanxi 712100China  
3. Agronomy CollegeHenan University of Science and TechnologyLuoyang 471003China)  
Abstract: In order to improve the accuracy of apple orchard extracting in very high spatial resolution  
( VHSR) remote sensing imagean automated apple orchard extracting method based on texture features  
together with spectral values and support vector machine ( SVM) was studied. This method firstly  
obtained the optimum combination of multi-spectral bands by using the optimum index factor ( OIF) ; then  
three kinds of texture featuresnamely gray level co-occurrence matrix ( GLCM) ,fractal and spatial  
autocorrelation texture with six different window sizes ( from 3 pixels × 3 pixels to 13 pixels × 13 pixels)  
were extracted from the panchromatic image for comparisonand further merged with spectral values  
respectively; finally the above features were used to identify apple orchard by using SVM. Experiments  
using QuickBird data showed that spectral features combined with texture features could achieve higher  
apple orchard extraction accuracy ( F ) and overall accuracy ( OA) than using spectral features or  
a
textures features alone. Among the different features usedthe spectral + GLCM features ( with 9 pixels ×  
9 pixels) achieved the highest accuracy ( F and OA were 96. 99% and 96. 16% respectively) which  
a
were slightly higher ( 0. 63 and 1. 56 percentagesrespectively) than those of spectral + fractal features  
and significantly higher ( 11. 92 and 9. 20 percentagesrespectively) than those of spectral + spatial  
autocorrelation features. Among the different classification methodsthree classification techniques  
: 2016-06-18  
: 2016-09-28  
收稿日期  
修回日期  
基金项目 技术研究发展计划  
( 2015JM3110)  
:
( 863  
)
计划 项目  
( 2013AA102401-2) ( 31501228)  
项目 西项目  
:
作者简介 杰  
( 1981) , , , E-mail: srj@ nwsuaf. edu. cn  
博士从事土地信息技术研究  
:
通信作者  
( 1959) , , , E-mail: changqr@ nwsuaf. edu. cn  
男 教授 博士导师 从事土地信息技术研究  
3
:
和  
SVM  
QuickBird  
取  
189  
( SVMmaximum likelihood and neural networks) were compared for accuracy in apple orchard  
detectionand results suggested that SVM had the highest accuracy in identifying apple orchard.  
McNemar test was also computed for statistic significance among spectral + GLCM and other features and  
also among the three classifiersand the confidence levels were all less than 5% . Consistency of the  
extracted apple orchard area and the visual interpretation results according to filed investigation and  
Google Earth VHSR concurrent image were able to achieve 98% in test regions.  
Key words: apple orchard; remote sensing identification; information extraction; gray level co-  
occurrence matrix; support vector machine; QuickBird  
3 ,  
研究  
引言  
和  
SVM  
技术园  
栽培面积大 产量多的品  
技术 取研究供  
西果优植  
技术依据  
1]  
面积和产量列  
成为济  
1
研究概况数据  
,  
发展和农产业 种  
, ,  
进行监测 间分于  
1. 1  
研究概况  
产业布局果  
( 107°45'00″ ~ 108°03'28″E34°12'43″ ~  
县  
34°38'10″N)  
西西北高南  
产业发展具有重要义  
、  
目前 利技术等作物  
、 、 ,  
西高低 以湿  
进行间分取研究较  
, , 12. 4,  
均气降  
2 - 6]  
592 mm, ,  
是国西优质  
果  
进行研究相  
7 - 10]  
研究  
用  
感影这些间分辨  
生产基地县  
Landsat5 SPOT5  
本文研究南部风  
( 10 ~ 30 m)  
较低 制了度  
, ,  
面  
研究结无法满足农业用需求 目前用  
, ,  
积大 具有较强分析研究的  
QuickBird ( 1 ~ 4 m)  
等高率  
研究土地特点地调结  
空  
间分信息研究少  
间分感影能够提供  
、 、  
将研究土地划分苗  
(
)
、 、 7 。  
研究  
间结信息 遥  
大多年  
34  
份  
68  
,  
作物方面 由于高  
910  
开始生长到  
份苹生长期 大  
1. 2  
1. 2. 1  
验选 用  
QuickBird  
果实中  
减少和低 传依靠  
类方类的精  
数据源  
据  
2014  
用中 通常理信  
息与信息相结合 提高类的度  
7
25  
研 究 区  
像 包括间分率为  
( 0. 45 ~ 0. 90 m)  
由于研究目使感影不同 研究用的  
11 - 14]  
一定差异 取  
0. 61 m  
法  
段  
μ
间分率  
不同园  
2. 4 m  
4
( B ( 0. 45 ~ 0. 52 m) 、  
μ
1
段  
有效用性进一步研究  
B ( 0. 52 0. 60 m) B ( 0. 63 0. 69 m) B ( 0. 76 ~  
μ μ  
4
2
3
机  
( Support vector  
0. 90 m) ) ,  
μ 中多参考如  
machineSVM)  
1
研究为  
835 1 225 ,  
总  
统计类  
2
、  
技术 本学线性和高别  
5. 89 km 、  
视解玉  
面积为  
中具有的学速度和高的广用  
、 、 、 、  
研究面  
15 - 17]  
34. 31% 29. 26% 9. 26% 、  
积 的 为  
像土地类和作物提取研究中  
、  
于上述分析 本文以快准确像  
10. 55% 6. 03% 9. 84% 0. 76% 。  
研究不  
中的信息用  
QuickBird  
作物的生长征  
感影  
西中西区扶林  
一定相  
、  
研究分析矩阵分  
一定困难  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载