森林蟲害嚴(yán)重影響著森林的健康情況,如何對(duì)森林中的蟲害區(qū)域進(jìn)行監(jiān)測(cè)是國(guó)內(nèi)外林業(yè)專家一直以來(lái)的重要研究課題。隨著無(wú)人機(jī)（UAV）這一新興的小型遙感平臺(tái)在農(nóng)林業(yè)信息監(jiān)測(cè)領(lǐng)域的高度發(fā)展,為獲取森林的相關(guān)信息提供了途徑。并且基于無(wú)人機(jī)采集的多光譜數(shù)據(jù)包含豐富的光譜信息,可以提供森林植被的特征信息從而用于分類模型的建立。為了對(duì)森林中蟲害區(qū)域進(jìn)行高精度監(jiān)測(cè),本文基于無(wú)人機(jī)多光譜圖像提出了一種J-M距離和遺傳優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類方法。本文主要工作如下:1.優(yōu)化了基于J-M距離的訓(xùn)練樣本選取方法。首先搭建了林區(qū)八旋翼多光譜圖像采集平臺(tái),對(duì)采集到的圖像進(jìn)行了白板校正和正射校正,基于校正后的圖像對(duì)覆蓋區(qū)域范圍內(nèi)的地物劃分為四類,分別為蟲害木、健康林木、灌木叢和裸地道路,并基于J-M距離建立了樣本的選取規(guī)則完成了樣本集的優(yōu)化。2.提取并分析了森林多光譜圖像的圖譜特征。首先通過(guò)主成分分析（PCA）對(duì)圖像樣本進(jìn)行降維,將提取到的第二主成分（PC2）圖像作為特征圖像,基于灰度共生矩陣從中提取了紋理特征,并基于RGB顏色模型使用顏色矩算法提取了顏色特征,同時(shí)通過(guò)對(duì)樣本相對(duì)光譜反射率的分析提取了 580、680、80... 

【文章來(lái)源】：北京林業(yè)大學(xué)北京市211工程院校教育部直屬院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1. 緒論
    1.1 研究背景及意義
    1.2 森林蟲害區(qū)域分割方法的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 森林蟲害監(jiān)測(cè)現(xiàn)狀
        1.2.2 無(wú)人機(jī)多光譜圖像在森林蟲害監(jiān)測(cè)中的應(yīng)用現(xiàn)狀
        1.2.3 數(shù)字圖像處理技術(shù)在森林蟲害區(qū)域分割中的研究現(xiàn)狀
        1.2.4 多光譜技術(shù)在森林蟲害區(qū)域分割中的研究現(xiàn)狀
    1.3 多光譜圖像應(yīng)用中的關(guān)鍵問(wèn)題
        1.3.1 多光譜遙感圖像的特征提取
        1.3.2 光譜的不確定性
        1.3.3 多光譜圖像波段選擇
        1.3.4 分類模型的建模方法
    1.4 論文研究?jī)?nèi)容及結(jié)構(gòu)安排
        1.4.1 本文主要研究?jī)?nèi)容
        1.4.2 本文結(jié)構(gòu)安排
2. 基于J-M距離的訓(xùn)練樣本選取方法
    2.1 研究區(qū)域與對(duì)象分析
        2.1.1 研究區(qū)域介紹
        2.1.2 對(duì)象特征分析
    2.2 林區(qū)多光譜數(shù)據(jù)采集與校正
        2.2.1 無(wú)人機(jī)圖像采集平臺(tái)搭建
        2.2.2 樣本數(shù)據(jù)采集
        2.2.3 樣本數(shù)據(jù)校正與標(biāo)記
    2.3 基于J-M距離的樣本選取規(guī)則
    2.4 本章小結(jié)
3. 森林多光譜圖像的圖譜特征提取方法
    3.1 主成分分析
        3.1.1 主成分分析原理
        3.1.2 主成分分析實(shí)現(xiàn)
    3.2 紋理特征提取
        3.2.1 紋理特征提取原理
        3.2.2 紋理特征提取實(shí)現(xiàn)與分析
    3.3 顏色特征提取
        3.3.1 顏色特征提取原理
        3.3.2 顏色特征提取實(shí)現(xiàn)
    3.4 光譜特征提取
        3.4.1 植被相對(duì)光譜反射率
        3.4.2 光譜特征提取與分析
    3.5 植被指數(shù)
        3.5.1 植被指數(shù)介紹
        3.5.2 植被指數(shù)模型建立
    3.6 本章小結(jié)
4. 基于遺傳優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類算法
    4.1 分類體系與解譯標(biāo)識(shí)的建立
    4.2 BP神經(jīng)網(wǎng)絡(luò)分類算法
        4.2.1 多特征學(xué)習(xí)
        4.2.2 BP神經(jīng)網(wǎng)絡(luò)分類算法原理
        4.2.3 BP神經(jīng)網(wǎng)絡(luò)分類算法實(shí)現(xiàn)
    4.3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化
        4.3.1 遺傳算法原理
        4.3.2 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化實(shí)現(xiàn)
    4.4 對(duì)比算法設(shè)計(jì)
        4.4.1 支持向量機(jī)
        4.4.2 面向?qū)ο蟮姆诸愃惴?br>    4.5 分類結(jié)果及對(duì)比分析
        4.5.1 分類結(jié)果評(píng)價(jià)指標(biāo)
        4.5.2 分類結(jié)果及精度評(píng)價(jià)
    4.6 本章小結(jié)
5. 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)介
導(dǎo)師簡(jiǎn)介
獲得成果目錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Gesture Recognition Based on BP Neural Network Improved by Chaotic Genetic Algorithm[J]. Dong-Jie Li,Yang-Yang Li,Jun-Xiang Li,Yu Fu.  International Journal of Automation and Computing. 2018(03)
[2]基于PCA和神經(jīng)網(wǎng)絡(luò)的蕎麥剝殼混合物識(shí)別[J]. 呂少中,杜文亮,陳偉,劉廣碩,張麗杰.  農(nóng)機(jī)化研究. 2018(01)
[3]基于高光譜圖像和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的茶葉病斑識(shí)別[J]. 張帥堂,王紫煙,鄒修國(guó),錢燕,余磊.  農(nóng)業(yè)工程學(xué)報(bào). 2017(22)
[4]4種引誘劑林間誘捕松墨天牛效果比較[J]. 溫小遂,喻愛(ài)林,唐艷龍,廖三臘,施明清.  林業(yè)科學(xué)研究. 2017(05)
[5]無(wú)人機(jī)航拍林業(yè)蟲害圖像分割復(fù)合梯度分水嶺算法[J]. 張軍國(guó),馮文釗,胡春鶴,駱有慶.  農(nóng)業(yè)工程學(xué)報(bào). 2017(14)
[6]高光譜技術(shù)在茶葉品種檢測(cè)中的應(yīng)用[J]. 王化.  科技創(chuàng)新導(dǎo)報(bào). 2017(09)
[7]基于隨機(jī)森林模型的林地葉面積指數(shù)遙感估算[J]. 姚雄,余坤勇,楊玉潔,曾琪,陳樟昊,劉健.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(05)
[8]一種改進(jìn)的航空遙感影像陰影自動(dòng)檢測(cè)方法[J]. 位明露,詹總謙.  測(cè)繪通報(bào). 2016(06)
[9]基于無(wú)人機(jī)圖像分形特征的油松受災(zāi)級(jí)別判定[J]. 費(fèi)運(yùn)巧,劉文萍,陸鵬飛,駱有慶.  計(jì)算機(jī)應(yīng)用研究. 2017(04)
[10]落葉松毛蟲發(fā)生的空間分布及其影響因子[J]. 于躍,房磊,王鳳霞,馬望,佟艷豐,楊健.  生態(tài)學(xué)雜志. 2016(05)

碩士論文
[1]森林病蟲害圖像分析算法研究[D]. 費(fèi)運(yùn)巧.北京林業(yè)大學(xué) 2016
[2]基于TVDI的石林縣云南松切梢小蠹遙感監(jiān)測(cè)研究[D]. 鄧槿.北京林業(yè)大學(xué) 2016
[3]基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[D]. 劉香偉.長(zhǎng)安大學(xué) 2009



本文編號(hào)：3636768