[发明专利]基于光谱纹理特征和支持向量机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支持向量机的小麦倒伏区域识别方法，其特征在于，包括以下步骤：

步骤1：在无人机平台上装配多光谱传感器；

步骤2：通过装配多光谱传感器的无人机平台对农田进行监测，得到无人机影像；

步骤3：根据无人机平台监测得到的每幅无人机影像，基于每个像元的地理坐标信息，将对应于同一地块的不同波段、不同组次的无人机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，对步骤3生成的多光谱遥感影像进行剪裁，生成视场中只有倒伏区域或只有非倒伏区域的影像，作为原始数据集；

步骤5：基于主成分分析方法，计算原始数据集中所有影像的前两个主成分分量的纹理特征及所有影像的每个像元在各个波段的光谱反射率，将计算结果作为新数据集；

步骤6：将步骤5得到的新数据集分为两部分：80％为样本集，20％为测试集；

步骤7：构建支持向量机模型，将样本集输入到支持向量机模型中进行训练，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，调用训练成功的支持向量机模型，判别每个窗口的类型；统计出所有倒伏区域的像元个数，进一步求出倒伏区域的面积。

2.如权利要求1所述的基于光谱纹理特征和支持向量机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分量的纹理特征；

步骤53：统计每幅遥感影像每个像元对应的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支持向量机的小麦倒伏区域识别方法，其特征在于，步骤52所述的纹理特征采用灰度共生矩阵的方法来计算。

4.如权利要求1所述的基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法，其特征在于，所述步骤8具体包括如下步骤：

步骤81：以步骤5得到的新数据集中图像尺寸最小图片的尺寸作为窗口大小，将窗口在待提取倒伏区域的目标图片上平移，将目标图片划分成多个栅格；

步骤82：调用训练成功的支持向量机模型对每个栅格进行分类，划分为倒伏区域和非倒伏区域，并将倒伏区域和非倒伏区域用不同的颜色表示；

步骤83：统计倒伏区域的像元总数，根据公式(2)，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；u代表获取影像时的物距。