[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

说明书

本发明涉及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，包括：将多光谱传感器装配在无人机平台上；获取研究区域的多幅多光谱遥感影像；生成多幅多通道的多光谱遥感影像；获取原始数据集；基于主成分分析，打包生成新数据集；将新数据集分为80％为样本集，20％为测试集；构建K近邻模型并进行训练，当精度达到90％以上时视为训练成功；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；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。本发明利用无人机遥感，基于光谱纹理特征和K近邻法地小麦倒伏区域识别方法，可实时高效地统计出所有倒伏区域的像元个数，进一步高精准的求出倒伏区域的面积。

技术领域

本发明涉及数字图像处理领域和农业信息化领域，特别涉及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。

背景技术

目前，常用的获取倒伏灾情信息的方法是实地测量(又被称为目视评估法)：由调查人员前往受灾区域，使用GPS定位器、卷尺、绳索等工具测量倒伏角点的地理坐标和倒伏范围，进而计算倒伏面积。

该技术方案具有较大的主观性且容易受到天气、周围环境等因素的影响，存在着测量结果容易引起争议、精度差、效率低等问题，无法满足农业部门“第一时间”、“及时掌握”的要求，会耽搁有关部门组织专家制定相应措施，不利于及时发放救灾资金和灾后生产恢复。

发明内容

无人机遥感具有大面积同步观测、高时效性、高准确度、经济实用等优点，已经在农业领域得到了广泛的应用。

基于此，本发明的目的是提供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，用以对小麦倒伏区域进行高精准检测。

为达到以上目的，本发明采取的技术方案是：

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，包括如下步骤：

1、将多光谱传感器装配在无人机平台上；

2、通过无人机获取研究区域的多幅多光谱遥感影像；

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；

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；

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；

6、将新数据集分为两部分：80％为样本集，20％为测试集；

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；

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；

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。

其中，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；

采用灰度共生矩阵的方法来计算纹理特征。

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。