本文以山东省栖霞市庵里水库西岸流域为研究区，基于Ｇｒａｍ－Ｓ ｃｈｉｍｄｔ（ＧＳ）方法、色彩空间（ｈｕｅ Ｓａｔｕｒａｔｉｏｎ Ｖａｌｕｅ，ｈＳＶ）变换和主成分分析（ＰｒｉｎｃｉＰａｌ ｃｏｍＰｏｎｅｎｔ ａｎａｌｙＳｉＳ，Ｐｃａ）三种方法，对研究区的资源三号卫星（Ｚｙ－３）图像进行了图像融合，基于各融合图像提取冲沟参数并进行精度评价。结果表明：三种融合图像均保留了多光谱图像的光谱信息，同时具有全色图像的空间纹理细节信息；与基于原始多光谱图像解译冲沟参数相比较，采用ＧＳ光谱锐化、ｈＳＶ变换及Ｐｃａ变换融合图像解译冲沟参数更准确；相对检验区实测冲沟参数，基于ＧＳ光谱锐化融合图像提取的冲沟参数精度．．．

【目的】利用遥感技术分析东北地区农田防护林的光谱特征和空间几何特征，探究基于农田防护林特征的高精度农田防护林自动提取方法，为大范围提取东北地区农田防护林及后续遥感监测研究提供基础数据支持。〗【方法】以吉林省中部农田防护林典型建设区的德惠、农安境内部分区域为研究区，基于资源三号（ＺＹ－３）多光谱遥感影像，分析农田防护林的植被指数和空间几何特征；以冬天有雪覆盖地表的Ｌａｎｄｓａｔ８ ＯＬＩ影像为辅助数据，提取居民地边界作为掩膜数据；提出利用面向对象方法处理二值图像，并结合数学形态学方法、ＧＩｓ技术来提取农田防护林矢量化结果。【结果】在研究区５０ ｋｍ×５０ ｋｍ范围内，农田防护林总长度为３０４．４．．．

【目的】基于覆盖浙江省的ZY-3卫星影像以及LULUCF碳汇监测样地数据,以浙江省乔木林地上碳密度为研究对象,尝试构建一个自动化提取浙江省乔木林地上碳密度的技术方法。【方法】分别在矢量标志建立、光谱信息提取、解译标志提纯、ZY-3卫星影像分类、自变量优选、建模方法优选、碳密度图制作等方面开展相关研究测试。【结果】本研究在解译标志提纯后对ZY-3影像进行分类的精度高于提纯前的影像分类精度;采用的k NN法对ZY-3影像进行分类的精度(平均总精度为80.31%,平均Kappa系数为0.69,乔木林平均用户精度为91.86%,乔木林平均生产者精度为80.85%)高于最大似然分类法(平均总精度为78.56%,平均Kappa系数为0.62,乔木林平均用户精度为89.68%,乔木林平均生产者精度为77.79%);在选用的建模方法中,k NN法构建的模型精度(平均RMSE为15.64 t/hm2,平均RRMSE为23.53%)优于稳健估计法(平均RMSE为17.63 t/hm2,平均RRMSE为25.11%)。最后,生成了浙江省乔木林地上碳密度分布图。【结论】本研究可为省域或更大尺度范围的乔木林地上或森林碳密度估算提供一个新的路径,为实现自动化估算碳密度以及其他森林参数提供参考。

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

【目的】针对规模化养殖环境下死鸡巡检自动化程度低、人工巡检费时费力等问题，提出一种基于图像配准融合算法和改进YOLOv5s的死鸡检测方法。【方法】为提高死鸡目标特征的显著性，利用SURF算法结合RANSAC算法实现热红外与可见光图像的特征点匹配，采用仿射变换模型得到配准图像，使用小波变换实现图像的分解重构，从而得到最终的配准融合图像；为降低背景信息对死鸡目标检测的干扰，提升模型对鸡只遮挡情况的检测效果，以YOLOv5s目标检测算法为基础，通过加入SE注意力模块，将CIoU＿Loss和DIoU＿NMS运用于原模型，构成改进后的YOLOv5s-SE模型。【结果】配准融合后的图像与源图像的相关系数平均值达到0.86，体现了良好的配准融合效果；模型在融合图像上的检测准确率以及平均精度均值均高于可见光图像和红外图像，改进后的YOLOv5s-SE相较于原始YOLOv5s在融合数据集上的检测准确率提升了3.3%，达到了97.7%。【结论】改进后的YOLOv5s-SE保证了应有检测速度的同时，提升了目标检测的精度，可满足实际生产中死鸡实时检测的需求。

本研究通过对元谋干热河谷典型冲沟集水区、沟头和沟床的考察采样及室内实验分析，研究了冲沟不同部位的土壤水分物理性质。结果表明：１冲沟不同部位土壤容重差异显著，其大小表现为：集水区＞沟床＞沟头，分别为１．７１，１．５８，１．４５ ｇ／ｃｍ３，且集水区、沟头和沟床土壤容重均随土层深度的增加而增大；２各部位土壤总孔隙度和毛管孔隙度均表现为：沟头＞沟床＞集水区，且其均随土层深度的增加而呈现逐渐降低的趋势；３土壤田间持水量和毛管持水量在试验土层中均表现为：沟头＞沟床＞集水区，土壤饱和蓄水量则是：集水区＞沟床＞沟头；冲沟不同部位的土壤田间持水量、毛管持水量、饱和蓄水量和毛管蓄水量随土层深度的变化趋势相似，均．．．

[目的]为解决水果品质无损检测中成本、效率、精度问题,提出了一种基于高光谱图像和三维卷积神经网络(3D-CNN)的苹果高光谱多品质参数同时检测方法。[方法]使用高光谱成像系统获取400～1 000 nm波段的苹果样本的高光谱反射图像并使用S-G平滑法对原始图像进行去噪处理,在此基础上,对采集到的高光谱图像通过多感兴趣位置的选取以及间隔波段抽取重组的方法进行样本扩充,再利用三维卷积神经网络建立样本扩充后的苹果高光谱图像与苹果糖度、硬度、含水量的多任务学习模型,通过该模型实现对苹果的糖度、硬度、含水量等品质参数的无损检测。[结果]采集245个苹果的高光谱图像及其对应的品质参数信息,通过样本扩充的方法将原始数据集扩充至9 800个样本后进行建模和验证。结果表明:本算法建立的苹果糖度、硬度、水分的分类模型,在糖度类间隔为1°Brix、硬度类间隔为0.5 kg·cm~(-2)、含水量类间隔为10%的情况下,糖度、硬度、水分的预测准确率分别为93.97%、92.29%和93.36%,回归模型糖度、硬度和水分的相关系数最高分别达到0.827、0.775和0.862,比最优的传统算法分别提高15.0%、17.0%和17.2%。[结论]本算法能够较准确实现苹果高光谱多品质参数同时检测,且相对传统方法预测精度有较大提升。

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,幵满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。

以ETM多谱段和全色影像为数据源,在最佳波段组合分析的基础上,采用主成分变换、乘积变换、小波变换、小波+IHS混合变换和小波+主成分混合变换等方法对图像进行融合.以均值、标准差、信息熵为评价指标,比较分析了不同地物特征的图像融合效果.结果表明:采用小波+IHS混合方法有利于耕地信息的提取;采用小波+主成分融合方法有利于居民地、林地、牧草地、水域、未利用地和园地等信息的提取.

针对农事活动图像中人体姿态所隐含的行为信息以及人与农具所隐含的关联信息,提出了一种基于图像特征融合的农事活动行为的识别方法:利用人体姿态估计技术Open Pose提取农事行为关节点位置信息,利用目标检测YOLOv3提取农事行为中农具的位置和分类信息,用以构建农事行为的距离空间特征矩阵和角度空间特征矩阵,并将这些特征进行图像特征融合,建立基于图像显式特征和隐式特征融合的农事活动行为识别方法EI–SVM,实现农事活动行为的识别。试验结果表明,EI–SVM方法对农事活动行为识别的准确率可达94.87%,在公用数据集上准确率达到92.39%。

用不同空间分辨率的 TM与 IRS- 1C(PAN)遥感图像进行融合 ,可增强图像清晰度。本研究用人工神经网络 BP算法对 TM和 IRS- 1C(PAN)的融合图像进行土地覆盖分类 ,分类的总体精度达到 95 % ,高于最大似然法 (分类的总体精度为 71% )

针对农事活动图像中人体姿态所隐含的行为信息以及人与农具所隐含的关联信息,提出了一种基于图像特征融合的农事活动行为的识别方法:利用人体姿态估计技术Open Pose提取农事行为关节点位置信息,利用目标检测YOLOv3提取农事行为中农具的位置和分类信息,用以构建农事行为的距离空间特征矩阵和角度空间特征矩阵,并将这些特征进行图像特征融合,建立基于图像显式特征和隐式特征融合的农事活动行为识别方法EI–SVM,实现农事活动行为的识别。试验结果表明,EI–SVM方法对农事活动行为识别的准确率可达94.87%,在公用数据集上准确率达到92.39%。

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。

对-36°和0°的多角度高光谱CHRIS遥感影像数据进行植被指数计算及影像融合,提出归一化植被指数(ND-VI)与高光谱影像融合后,采用波谱角填图(SAM)的方法提取湿地植被类型信息。该方法首先对-36°影像进行NDVI植被指数计算,然后与0°影像融合,再采用SAM方法提取湿地植被类型。结果显示,利用该方法对青海省隆宝滩湿地植被类型的提取精度可达到92.23%;而利用SAM方法对0°影像直接进行湿地植被类型提取,其精度只有66%。由此可见,利用不同角度信息影像融合的方法,大大提高了高光谱影像进行湿地植被类型信息提取的精度,为湿地植被类型信息提取又提供了一个有效可行的方法。