[发明专利]基于光谱纹理特征和K近邻法的小麦倒伏区域识别方法

权利要求书

1.一种基于光谱纹理特征和K近邻法的小麦倒伏区域识别方法，其特征在于，包括如下步骤：

步骤1、将多光谱传感器装配在无人机平台上；

步骤2、通过无人机获取研究区域的多幅多光谱遥感影像；

步骤3、基于每幅多光谱遥感影像中的每个像元的地理坐标信息，将对应于同一地块的不同波段、不同组次的多光谱遥感影像进行匹配融合与拼接，生成多幅多通道的多光谱遥感影像；

步骤4、通过目视估测的方式，按照倒伏和非倒伏两类，对匹配融合与拼接后的多光谱遥感影像进行剪裁，剪裁成视场中仅包含倒伏区域或仅包含非倒伏区域的影像，作为原始数据集；

步骤5、基于主成分分析，分析原始数据集中所有影像的主成分，计算所有影像的前两个主成分的纹理特征和所有影像中每个像元在各个波段的光谱反射率，并打包生成新数据集；

步骤6、将新数据集分为两部分：80％为样本集，20％为测试集；

步骤7、构建K近邻模型，将样本集输入到K近邻模型中进行训练，用测试集验证模型的精度，当精度达到90％以上时视为训练成功；

步骤8、预设窗口大小，调用训练成功的K近邻模型判别每个窗口的类型；

步骤9、统计出所有倒伏区域的像元个数，进一步计算出倒伏区域的总面积。

2.如权利要求1所述的基于光谱纹理特征和K近邻法的小麦倒伏区域识别方法，其特征在于，步骤5具体包括：

步骤51：基于主成分分析的方法对原始数据集中每一幅影像进行主成分分析，从而降低数据冗余；

步骤52：计算每一幅影像前两个主成分的纹理特征；

步骤53：统计每幅影像每个像元在各个波段的光谱反射率值。

3.如权利要求2所述的基于光谱纹理特征和K近邻法的小麦倒伏区域识别方法，其特征在于：步骤52中采用灰度共生矩阵的方法来计算纹理特征。

4.如权利要求1所述的基于光谱纹理特征和K近邻法的小麦倒伏区域识别方法，其特征在于：步骤7中，将测试集输入到K近邻模型中，通过五折交叉验证的方法确定K值：对模型进行多次预训练，进而得到每次预训练的平均精度，选择对应平均精度最高的K作为K值；五折交叉验证的公式为：

式中：CV为每次预训练中五组训练结果的平均精度，Accuracy为精度。

5.如权利要求1所述的基于光谱纹理特征和K近邻法的小麦倒伏区域识别方法，其特征在于，步骤8具体包括：

步骤81：以步骤5生成的新数据集中尺寸最小的图片的尺寸作为窗口，窗口在待提取倒伏区域的目标影像上平移，将待目标影像划分成多个栅格；

步骤82：调用训练完成的K近邻模型对每个栅格进行分类，倒伏区域和非倒伏区域用不同的颜色表示。

6.如权利要求1所述的基于光谱纹理特征和K近邻法的小麦倒伏区域识别方法，其特征在于，步骤9具体包括：统计倒伏区域的像元总数，而后根据以下公式计算得到每个像元对应的实地面积S：

式中：n代表图像的分辨率；s代表传感器的尺寸面积；f代表传感器获取影像时的焦距；μ代表获取影像时的物距。