為實現(xiàn)對SAR遙感圖像中農(nóng)田種植區(qū)域的精確識別與檢測,利用特征提取、多種分類器、圖像融合、相關(guān)判決等方法,實現(xiàn)對SAR遙感圖像中農(nóng)田種植區(qū)域的精確識別與檢測。通過分析合成雷達(dá)孔徑背景,介紹合成孔徑雷達(dá)圖像農(nóng)田種植區(qū)域的特征提取及識別檢測方法,結(jié)合PCA融合方式證明SAR圖像能有效實現(xiàn)對農(nóng)田區(qū)域的精確識別與檢測。最后提出一種基于多分類器集成學(xué)習(xí)的SAR圖像農(nóng)田區(qū)域識別與檢測方法,試驗驗證了該方法的有效性。 

【文章來源】：中國農(nóng)機(jī)化學(xué)報. 2020,41(09)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

算法流程圖

提取樣本特征后結(jié)合訓(xùn)練中所需數(shù)據(jù)要求,對待測樣本的特點進(jìn)行確定。根據(jù)試驗結(jié)果發(fā)現(xiàn),小樣本精度已達(dá)到飽和狀態(tài),無法繼續(xù)提高效果。試驗選取的8個特征已完全展現(xiàn)出每一個位置的區(qū)域特點,若通過增加特征種類,則難以提高精確度。由此可見,該提取方法已達(dá)到飽和狀態(tài),無需再增加樣本特征或者規(guī)模。結(jié)合合成孔徑雷達(dá)圖像數(shù)據(jù),對分類器集成合成孔徑雷達(dá)圖像中農(nóng)田區(qū)域進(jìn)行識別與檢測,再對結(jié)果進(jìn)行驗證。分別選取甘肅省某市區(qū)的農(nóng)田、荒漠以及植被三個類型。圖2(a)為原始的合成孔徑雷達(dá),像素為600像素×600像素。將圖2(a)按照單元20像素×20像素進(jìn)行劃分處理,共分為900份,圖2(b)為經(jīng)小波去噪后高亮度點大部分被濾除的非農(nóng)田區(qū)域。

圖3對應(yīng)的是AdaBoostM1二元分類算法分類器、RobustBoost分類器及K-近鄰分類器的分類檢測結(jié)果。結(jié)合圖3以及表2的相關(guān)數(shù)據(jù)分析可知,AdaBoostM1二元分類算法分類器的正確識別率為95.0%,Robust Boost分類算法的正確識別率為94.4%,K-近鄰分類算法的正確率為97.5%�？傮w而言三種分類算法的正確率均在94%～98%之間,K-近鄰分類算法的正確率最高。因而,可將三種分類算法檢測的結(jié)果進(jìn)行融合。

【參考文獻(xiàn)】：
期刊論文
[1]基于LiDAR的農(nóng)田地形環(huán)境三維重建方法設(shè)計與研究[J]. 郎朗,馮曉蓉,劉浪.  中國農(nóng)機(jī)化學(xué)報. 2020(01)
[2]基于無人機(jī)平臺的直立作物倒伏監(jiān)測研究展望[J]. 趙立新,李繁茂,李彥,韓豐民,丁筱玲.  中國農(nóng)機(jī)化學(xué)報. 2019(11)
[3]基于物聯(lián)網(wǎng)技術(shù)的數(shù)字農(nóng)田信息監(jiān)測系統(tǒng)研究[J]. 王茂勵,王浩,董振振,唐勇偉,段杰.  中國農(nóng)機(jī)化學(xué)報. 2019(09)
[4]基于最大熵閾值分割的SAR圖像溢油檢測[J]. 李致衡,陳亮,張博程,師皓,龍騰.  信號處理. 2019(06)
[5]基于宇宙算法的農(nóng)田無線傳感器網(wǎng)絡(luò)覆蓋研究[J]. 胡輝,張鳳莉.  中國農(nóng)機(jī)化學(xué)報. 2019(03)
[6]基于優(yōu)化深度學(xué)習(xí)的SAR圖像地物分類檢測方法研究[J]. 歐陽藝文,王珂,吳圣娜.  信息通信. 2018(09)
[7]基于級聯(lián)CNN的SAR圖像艦船目標(biāo)檢測算法[J]. 李健偉,曲長文,彭書娟.  控制與決策. 2019(10)
[8]基于機(jī)器視覺的水果采摘機(jī)器人目標(biāo)識別方法[J]. 初廣麗,張偉,王延杰,丁南南,劉艷瀅.  中國農(nóng)機(jī)化學(xué)報. 2018(02)
[9]基于流形學(xué)習(xí)的高分SAR圖像建筑區(qū)提取方法[J]. 崔師愛,程博,劉岳明.  國土資源遙感. 2017(04)
[10]基于集成學(xué)習(xí)的SAR圖像農(nóng)田區(qū)域識別與檢測方法研究[J]. 張立祥,王珂,王春曉.  信息通信. 2017(11)



本文編號：3489382