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
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
年
月
第
doi: 10． 6041 /j． issn． 1000-1298． 2017． 03． 024
SVM QuickBird
的
基于纹理特征和
影像苹果园提取
1，2
2
1，3
1
宋荣杰
宁纪锋 刘秀英
常庆瑞
( 1．
，
西北农林科技大学资源环境学院 陕西杨凌
712100; 2．
，
西北农林科技大学信息工程学院 陕西杨凌
712100;
3．
，
河南科技大学农学院 洛阳
471003)
: ( ) ，
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
QuickBird
，
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
( 3
同大小滑动窗口 从 像素
× 3 13 × 13
像素到 像素
)
像素 提取全色波段的灰度共生矩阵
( GLCM) 、
分形和空间自相
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
关
， ，
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
( F )
a
和总体分类精度
( OA) ，
其中光谱
+ GLCM
( 9
纹理 像素
× 9
) ，F
像素 分类精度最高 a 和
OA
96. 99% 96. 16% ， +
和 比光谱 分形
分别为
0. 63
1. 56
， +
个百分点 比光谱 空间自相关纹理显著提高
11. 92
9. 20
纹理分别提高
个百分点和
个百分点和
个百分
。
， SVM、 3 ，
在分类方法上 通过对比分析 最大似然和神经网络 种方法的分类结果 探明
SVM
点
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
SVM
纹理结合 分类的苹果园面积估算与目视解
98% 。
译结果的一致性超过
: ; ; ; ;
关键词 苹果园 遥感识别 信息提取 灰度共生矩阵 支持向量机
; 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
1，2
2
1，3
1
SONG Rongjie
NING Jifeng LIU Xiuying
CHANG Qingrui
( 1． College of Natural Resources and Environment，Northwest A＆F University，Yangling，Shaanxi 712100，China
2． College of Information Engineering，Northwest A＆F University，Yangling，Shaanxi 712100，China
3． Agronomy College，Henan University of Science and Technology，Luoyang 471003，China)
Abstract: In order to improve the accuracy of apple orchard extracting in very high spatial resolution
( VHSR) remote sensing image，an 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 features，namely 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 comparison，and 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 used，the 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 percentages，respectively) than those of spectral + fractal features
and significantly higher ( 11. 92 and 9. 20 percentages，respectively) than those of spectral + spatial
autocorrelation features． Among the different classification methods，three classification techniques
: 2016-06-18
: 2016-09-28
收稿日期
修回日期
基金项目 国家高技术研究发展计划
( 2015JM3110)
:
( 863
)
计划 项目
( 2013AA102401-2) 、 ( 31501228)
国家自然科学基金项目 和陕西省自然科学基金项目
:
作者简介 宋荣杰
( 1981—) ， ， ， ， ，E-mail: srj@ nwsuaf． edu． cn
女 博士生 讲师 主要从事土地资源与空间信息技术研究
:
通信作者 常庆瑞
( 1959—) ， ， ， ， ，E-mail: changqr@ nwsuaf． edu． cn
男 教授 博士生导师 主要从事土地资源与空间信息技术研究
3
:
宋荣杰 等 基于纹理特征和
SVM
QuickBird
影像苹果园提取
189
第
期
的
( SVM，maximum likelihood and neural networks) were compared for accuracy in apple orchard
detection，and 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 classifiers，and 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 ，
形方法和空间自相关 种纹理特征提取方法 研究
引言
、
综合光谱特征 纹理特征和
SVM
分类技术的苹果园
、
苹果是我国栽培面积最大 产量最多的果树品
，
识别技术 为基于高分影像的苹果园提取研究提供
。
，
陕西省地处黄土高原苹果优势产区 苹果种植
。
技术依据
种
［1］
，
面积和产量均居全国前列
已成为当地促进经济
1
研究区概况与数据
。 ，
发展和农民增收的特色产业 因此 对主要苹果种
， ，
植产区进行遥感监测 明确苹果园的空间分布 对于
1. 1
研究区概况
、
苹果产业布局优化 种植适宜性评价以及促进苹果
( 107°45'00″ ～ 108°03'28″E、34°12'43″ ～
扶风县
34°38'10″N)
。
，
位于陕西省关中平原西部 地势北高南
产业可持续发展具有重要意义
， 、
目前 利用遥感技术对小麦 玉米和水稻等作物
、 ， 、 、 ，
低 西高东低 以平原 台 塬地为主 属于大陆性湿
，
进行遥感识别和空间分布提取研究较多 取得了较
， ， 12. 4℃，
润季风气候 四季分明 全年平均气温 年降
［2 － 6］
，
592 mm， ，
水量 适宜苹果种植 是国家和陕西省优质
好的结果
但对苹果园进行遥感识别的研究相
［7 － 10］
。
对偏少 现有的苹果园提取研究
。
主 要 采 用
，
等遥感影像 这些影像空间分辨
苹果生产基地县
Landsat5 SPOT5
和
，
本文研究区位于扶风县东南部杏林镇 是扶风
( 10 ～ 30 m)
，
相对较低 限制了苹果园提取精度
，
， ，
县苹果最佳适生区之一 苹果种植历史悠久 果园面
率
。
研究结果无法满足精细农业应用需求 目前采用
， ，
积大 具有较强的代表性 因此被选作分析和研究的
QuickBird ( 1 ～ 4 m)
等高分辨率
。
实验区 根据研究区土地利用特点和实地调查结
影像提取苹果园空
。
间分布信息的研究较少
高空间分辨率遥感影像 高分影像 能够提供
， 、 、
果 将研究区的土地利用划分为苹果园 夏玉米 苗
(
)
、 、 、 7 。
木用地 居民地 道路 裸地和水渠 种类别 研究
，
丰富的地物空间结构和细节信息 为更加精细的遥
，
区内苹果园大多处于盛果期 苹果树每年
3—4
月份
6—8
月
。 ，
感作物识别提供新的数据来源 另一方面 由于高
9—10
，
开始萌芽生长到
份苹果树处于稳定生长期 果园内植被覆盖度较大
1. 2
1. 2. 1
试验选 用
QuickBird
月份果实成熟 其中
，
分影像光谱波段减少和光谱分辨率降低 传统依靠
，
。
光谱特征的分类方法严重制约着高分影像分类的精
数据源
遥感数据
2014
。
，
因此在实际应用中 通常将高分影像的纹理信
度
，
息与光谱信息相结合 以提高地物分类的精度
。
7
25
月
但
年
日 获 取 的 研 究 区
高分影像 包括同期获取的空间分辨率为
( 0. 45 ～ 0. 90 m)
，
由于研究目标和使用遥感影像不同 研究中采用的
，
［11 － 14］
。
有一定差异 对于苹果园提取
0. 61 m
纹理提取方法
的全色波段
μ
和空间分辨率
，
来说 不同纹理提取方法对基于高分影像的苹果园
2. 4 m
4
( B ( 0. 45 ～ 0. 52 m) 、
μ
1
为
的
个多光谱波段
，
提取是否有效尚不明确 其适用性尚需进一步研究
。
B ( 0. 52 ～0. 60 m) 、B ( 0. 63 ～0. 69 m) 、B ( 0. 76 ～
μ μ
4
2
3
，
在分类方法方面 支持向量机
( Support vector
0. 90 m) ) ，
μ 其中多光谱影像及其地面参考数据如
machine，SVM)
1
。
所示 研究区图像大小为
835 、1 225 ，
行 列 总
是一种基于统计学理论的监督分类
图
2
， 、
技术 它在小样本学习 非线性和高维数据模式识别
5. 89 km 。 ， 、
根据目视解译结果 苹果园 夏玉
面积为
，
中具有更快的学习速度和较高的精度 已广泛应用
、 、 、 、
米 苗木 居民地 道路 裸地和水渠所占研究区总面
［15 － 17］
。
34. 31% 、29. 26% 、9. 26% 、
积 的 比 例 分 别 为
于高分影像土地利用分类和作物提取研究中
， 、
鉴于上述分析 本文以快速 准确获取高分影像
10. 55% 、6. 03% 、9. 84% 、0. 76% 。
此时研究区内不
，
中的苹果园分布信息为目标 利用
QuickBird
，
同作物的生长特征较为明显 苹果园光谱反射特征
遥感影
，
像数据 选取陕西关中西部苹果主产区扶风县杏林
，
与夏玉米有一定差别 但与苗木的光谱特征较为相
， 、
镇为研究区域 通过分析比较灰度共生矩阵方法 分
，
似 仅利用光谱特征区分苹果园存在一定困难
。
全部评论(0)