1 新疆农业大学农学院, 新疆 乌鲁木齐 830052
2 中国农业科学院作物科学研究所, 北京 100081
3 新疆农业科学院粮食作物研究所, 新疆 乌鲁木齐 830091
小麦产量产前估测关乎农业生产计划制定、 粮食安全保障、 国家经济和宏观决策。 应用无人机能够无损、 快速准确、 及时高效地估测小麦产量, 通过多种机器学习方法充分挖掘无人机多源遥感数据对多个小麦品种进行籽粒产量估测的潜力, 明确多源数据融合对模型估测精度的提升效果, 对于作物田间管理保障小麦高产稳产具有重要意义。 以黄淮麦区140个主栽小麦品种为材料开展冬小麦田间试验, 采用搭载红绿蓝（RGB）和多光谱传感器的无人机平台对灌浆期的冠层信息进行采集, 分别以岭回归、 支持向量回归、 随机森林回归、 高斯过程、 k-最邻近算法和Cubist等六种机器学习算法建立单传感器数据以及多源数据融合的产量估测模型, 采用决定系数（R2）、 均方根误差（RMSE）和相对均方根误差（RRMSE）对估算模型进行评价。 结果表明, 所选取的10个可见光植被指数及13个多光谱被指数特征值均与实测产量呈极显著相关（p<0.01）, 各特征值产量相关系数绝对值由高到低依次为多光谱植被指数（0.54～0.83）、 可见光植被指数（0.45～0.61）、 纹理特征（<0.45）。 全部六种机器学习算法均在采用多源数据融合时产量估测模型精度最高, 多源数据融合产量估测精度（平均决定系数R2=0.50～0.71）>多光谱传感器产量估测精度（R2=0.53～0.69）>RGB传感器产量估测精度（R2=0.35～0.51）。 多源数据融合相对于RGB数据的R2提高0.17～0.23, 平均均方根误差（RMSE）降低0.06～0.09 t·hm-2; 相对于多光谱数据的R2提高0.01～0.06, RMSE降低0.01～0.03 t·hm-2。 Cubist算法与其他5种算法相比, 建立的多源数据融合模型产量估测精度最高, R2为0.71, RMSE为0.29 t·hm-2。 研究表明, 相对于单一传感器数据产量估测模型, 多源数据融合能够有效提升冬小麦品种产量的估测精度, 并且Cubist算法能相对更好地处理多模态融合数据提高产量预测精度, 为预测不同小麦品种的产量提供理论指导。
无人机 遥感 小麦估产 光谱指数 纹理特征 Unmanned aerial vehicle Remote sensing Wheat yield estimation Spectral index Texture feature 光谱学与光谱分析
2023, 43(7): 2210
1 中国海洋大学信息科学与工程学部光学光电子实验室，山东 青岛 266100
2 青岛市市立医院普外科，山东 青岛 266071
光学相干层析技术（OCT）作为一种实时、无创的高分辨率成像手段，能够使用特征提取算法获得丰富的图像信息，为疾病的诊断提供客观依据。利用OCT对17例甲状腺正常组织与乳头状癌组织进行成像。针对甲状腺组织图像的特点，使用灰度共生矩阵（GLCM）、灰度直方图（GH）、中心对称自相关（CSAC）和Laws纹理测度（LM）4种算法提取图像特征值，并结合支持向量机（SVM）算法定量地评估不同特征组合的识别性能。结果显示，GLCM-GH-LM组合性能最优，能够从多个方面获得图像的纹理和灰度特征信息，灵敏度、特异性和准确度分别高达96.3%、92.2%和94.3%。研究表明，基于特征提取和机器学习的算法对甲状腺乳头状癌OCT图像进行量化分析及识别时不仅可以提供实时的监测图像，还对甲状腺恶性肿瘤临床诊断具有重要的参考价值。
光学相干层析技术 甲状腺 纹理特征 支持向量机 激光与光电子学进展
2023, 60(4): 0417002
陈玮琳 1,2,3裘莉娅 1,2,3李争 1,3,*王健 1,2,3谭畅 1,2,3
1 中国科学院上海技术物理研究所，上海 200083
2 中国科学院大学，北京 100049
3 中国科学院红外探测与成像技术重点实验室，上海 200083
在雨雪纷飞、不停波动的湖面等自然背景下，运动目标检测的准确性会受到巨大影响。因此，在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor（Vibe）算法在复杂背景下检测效果较差且易受光照变化影响的问题，提出了一种将Vibe算法与改进局部二值模式（LBP）特征算子结合的运动目标检测算法。首先，计算并保存每一帧的LBP值图像，采用相邻帧补偿策略稳定图像，减少光照对灰度值的影响。然后，使用Vibe算法建立背景模型，用改进的LBP值代替灰度值来进行前景检测。最后，进行形态学操作得到最终的前景目标。实验结果表明，所提算法和其他传统算法相比，对动态背景的抑制效果好，对比原始Vibe算法召回率平均提升25.6%，准确率平均提升12.5%，误检率平均降低22.6%。
图像处理 复杂背景 背景建模 visual background extractor算法 局部二值模式纹理特征 激光与光电子学进展
2023, 60(4): 0410012
1 宁夏大学食品与葡萄酒学院, 宁夏 银川 750021
2 宁夏大学物理与电子电气工程学院, 宁夏 银川 750021
为了研究可见-近红外(Vis-NIR)高光谱成像对滩羊肉中总酚浓度(TPC)快速检测的可行性, 基于光谱信息融合图像纹理特征建立TPC含量的预测模型, 实现滩羊肉中TPC含量的可视化表达。 将样本集根据3∶1的比例划分成校正集和预测集, 采用多元散射校正(MSC)、 基线校准(Baseline)、 去趋势(De-trending)、 卷积平滑(S-G)、 标准正态变量变换(SNV)、 归一化(Normalize)等校正方法去除原始光谱中不良散射等干扰信息。 通过竞争性自适应加权抽样(CARS)、 引导软收缩(BOSS)、 区间变量迭代空间收缩法(iVISSA)和变量组成集群分析-迭代保留信息变量(VCPA-IRIV)提取TPC浓度的代表性特征光谱。 采用灰度共生矩阵(GLCM)算法依次提取肉样第1主成分图像中纹理特征。 基于特征光谱及图谱融合信息建立滩羊肉中TPC含量的偏最小二乘回归(PLSR)与最小二乘支持向量机(LSSVM)预测模型并进行对比分析。 结果表明, (1)利用De-trending+SNV预处理后的光谱数据建立的PLSR预测模型性能较好, 其RC2=0.874 9, RP2=0.793 2; (2)采用CARS, BOSS, iVISSA和VCPA-IRIV分别提取出了23, 35, 57和43个特征波长, 占全光谱的18.4%, 28%, 45.6%和16.8%; (3)采用BOSS法提取的关键性波长建立的LSSVM模型性能较好, 其RC2=0.851 3, RP2=0.745 9, RMSEC=0.116 8和RMSEP=0.155 0; (4)与基于特征波长建立的预测模型相比, BOSS-ASM-ENT-CON-LSSVM模型为滩羊肉中TPC浓度的最佳图谱融合预测模型(RC2=0.850 0, RP2=0.770 9, RMSEC=0.116 0, RMSEP=0.144 7); (5)利用BOSS-PLSR简化模型将TPC浓度反演到样本的高光谱图像上, 通过色彩直观化形式展现出来, 实现TPC含量的可视化表达。
滩羊肉 高光谱 总酚浓度 图谱融合 可视化 Tan mutton Hyperspectral imaging Total phenol concentration Fusion of spectra and texture feature Visualization 光谱学与光谱分析
2022, 42(11): 3631
王佳佳 1,2,3提汝芳 1,3,*刘晓 1,3,4黄红莲 1,3,4孙晓兵 1,3,4
1 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230036
3 中国科学院通用光学定标与表征技术重点实验室, 安徽 合肥 230031
4 合肥市农业行业首席专家工作室, 安徽 合肥 230031
强对流云团是气象领域重要的研究对象之一。利用大气气溶胶多角度偏振探测仪(DPC) 观测数据对强对流云团进行偏振辐射特性研究,为强对流云团识别提供多维信息。以强对流云团、台风云团和非降水云团为例,研究表明:强对流云团反射率高于非降水云团,且其反射率空间分布更均匀;在发展旺盛的强对流云团中大部分是冰晶粒子,只有边缘部分有液态水存在,而其他非降水云团的相态分布差异较大;在相近的照明和观测几何条件下,强对流云团偏振角空间分布的离散性大于非降水云团,且两者偏振角均值差异大;强对流云团的偏振角图像可以很好地表征其轮廓特征。
大气光学 偏振探测仪数据 强对流云团 偏振角 偏振辐射 纹理特征
为了更好地评价图像质量, 解决在基于卷积神经网络的图像质量评价模型(CNN-IQA)上明显忽略的分块图像之间存在差异性的问题, 提出了一种多特征融合的CNN模型。首先, 将整幅图像进行不重叠分块, 并提取每个分块图像的信息熵和纹理特征。然后, 将提取计算的两特征相结合, 计算各分块图像的重要性权重, 以此衡量分块图像对失真图像质量的影响。最后, 根据计算出的重要性权重修改损失函数, 突出重要性高的分块图像在训练过程中发挥的作用。在LIVE数据集进行验证和对比实验发现, 该算法的SROCC与LCC指标为0.962和0.960, 相比原算法至少提升09%; 在TID2008数据集上验证和对比实验发现, 该算法获得的SROCC与LCC指标为0.922和0.926, 相比原算法至少提升06%。并且在两数据集上的结果均优于其他对比算法。实验结果证明了其在预测图像质量方面具有良好的性能和泛化性。
图像处理 无参考图像质量评价 卷积神经网络 纹理特征 信息熵 损失函数 image processing no reference image quality assessment convolutional neural network texture feature information entropy loss function
1 陕西科技大学电子信息与人工智能学院，陕西 西安 710021
2 日本爱知县立大学信息科学学院，爱知 长久手480-1198
针对传统的暗通道先验去雾算法存在着光晕伪影、图像偏暗、细节丢失的问题，提出了一种基于图像特征量和小波变换的去雾算法。首先，通过引入灰度共生矩阵方法求取图像纹理特征复杂度作为约束条件，利用动态滑动窗口解决了暗通道图中的虚假纹理及块效应问题；其次，结合图像亮度特征利用K-Means均值聚类算法标定亮暗区域来优化大气光值、透射率图；最后，针对大气散射模型恢复图像的偏暗、细节特征丢失问题，使用基于小波变换的图像增强技术提高图像的对比度。实验结果表明，所提算法能够较好地恢复场景和细节特征，在峰值信噪比（PSNR）、结构相似性（SSIM）、平均绝对误差（MAE）方面表现较好。
图像处理 灰度共生矩阵 纹理特征复杂度 导向滤波 小波变换 图像增强 激光与光电子学进展
2022, 59(2): 0210021
1 西南林业大学大数据与智能工程学院,云南 昆明 650233
2 西南林业大学大数据与智能工程研究院,云南 昆明 650233
3 西南林业大学林业生态大数据国家林业与草原局重点实验室,云南 昆明 650233
云南茶园主要分布于山区, 往往与其他地物混合, 破碎化程度高, 给基于遥感的高精度茶园提取带来困难。 破碎化山地茶园的遥感识别能力有待进一步提高。 以西双版纳北部及普洱市南部山区为研究区, 以高分一号(GF-1)遥感影像为数据源, 基于易康(eCognition9.0)软件, 采用多尺度分割(MRS)方法对影像进行分割, 并通过ED3Modified评估影像的最优分割尺度。 首先构造了包括14个光谱特征、 6个纹理特征和3个空间特征的23维初始特征, 通过计算样本的分离度对分类特征空间进行优化, 确定了16维最优特征空间。 然后应用面向对象的监督分类方法[贝叶斯(Bayes)、 决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。 采用实地调查样点和随机点结合的方法对提取结果进行精度验证, 并比较了不同分类方法的茶园提取精度。 面向对象的监督分类[多分类(茶园、 森林、 农田、 不透水层、 水体)]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70), (DT: 88.52%, 0.72), (RF: 91.23%, 0.78)。 三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%), (DT: 68.84%, 83.83%), (RF: 70.54%, 87.13%); 相比于面向对象的RF多分类, 面向对象RF二分类(茶园、 其他地物)OA和Kappa系数分别提高了3.24%和0.07, 茶园提取的PA与UA分别提高了5.99%和5.61%; 相较于仅利用光谱特征的基于像元的RF多分类, 面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27, 茶园提取PA与UA分别提高了21.10%和29.03%。 结果表明: 采用面向对象的监督分类方法在对茶园提取方面有应用潜力, 尤其面向对象的RF分类精度更高, 二分类相较于多分类对于茶园提取更为精细和准确。 该方法对于复杂、 破碎山地茶园提取精度较高, 能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。
茶园 面向对象 纹理特征 空间特征 多光谱 监督分类 Tea plantations Object-oriented GF-1 Texture feature Spatial feature Multispectral Supervised classification GF-1 光谱学与光谱分析
2021, 41(8): 2565
1 农业部农业遥感机理与定量遥感重点实验室, 北京农业信息技术研究中心, 北京 100097
2 山东科技大学测绘科学与工程学院, 山东 青岛 266590
3 国家农业信息化工程技术研究中心, 北京 100097
4 北京市农业物联网工程技术研究中心, 北京 100097
5 河南工程学院土木工程学院, 河南 郑州 451191
地上生物量（AGB）是表征作物生命活动的重要参数, 对作物长势监测和产量预测尤为关键。 因此, 快速准确地获取AGB信息, 对于监测作物生长状况、 指导农业管理和提高产量具有重要的意义。 以无人机为平台搭载数码相机传感器, 因机动性强、 价格低、 空间分辨率高的优势, 能够及时准确的估算作物AGB, 已成为遥感估算研究的热点之一。 由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同, 因此, 尝试在马铃薯的块茎增长期, 通过设置10, 20, 30, 40和50 m共5种无人机飞行高度, 获取不同分辨率的数码影像, 探究其对以光谱信息、 纹理特征和光谱信息+纹理特征构建AGB模型精度的影响。 首先, 基于无人机数码影像, 分别提取光谱信息和纹理特征, 通过光谱信息构建的植被指数和纹理特征, 分别结合地面试验获取的实测地上部生物量数据进行相关性分析, 分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。 然后, 分别以3种输入变量整合方差膨胀因子（VIF）进行主成分分析（PCA）降维处理, 获得最佳主成分后以多元线性回归（MLR）构建AGB估算模型。 最后, 对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。 结果发现: （1）获得的影像分辨率在0.43~2.05 cm之间变化时, 纹理特征与马铃薯AGB相关性弱于植被指数, 但都达到极显著相关水平（p<0.01）, 随着数码影像分辨率降低, 二者相关性差异明显。 （2）同种分辨率影像下, 光谱信息+纹理特征估算AGB的效果最优, 其次为单一纹理特征模型, 而单一光谱模型表现效果最差。 （3）随着数码影像分辨率提高, 光谱信息、 纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。
马铃薯 地上生物量 影像分辨率 光谱信息 纹理特征 Potato Above ground biomass Image resolution Spectral information Texture feature 光谱学与光谱分析
2021, 41(5): 1470
为了提高木材树种分类的正确率, 提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。 实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1 038.57 nm)范围内的高光谱图像。 首先, 利用基于OIF的特征波段选择方法降低高光谱图像的维数, 选择出含有信息量大的波段。 其次, 对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像, 对得到的融合图像使用I-BGLAM提取其纹理特征。 与此同时, 对高光谱图像的全波段求取平均光谱并进行S-G(Savitzky-Golay)平滑得到光谱特征。 最后, 将得到的纹理特征和光谱特征融合后送进极限学习机(ELM)中进行分类。 此外, 还和基于灰度共生矩阵(GLCM)的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。 该研究主要创新点有两个: 一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征; 二是提出一种新的特征融合的模型用于高光谱图像的分类。 针对8个树种的实验结果表明, 单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%, 而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%, 该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM, 这为后面建立的融合模型打下很好的基础, 单独使用平均光谱特征来分类的正确率最高可以达到92.71%, 使用所提出的特征融合方法所得到的分类正确率最高可达到100%, 这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。 此外, 使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。 因此, 所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率, 该方法在木材树种分类方面有着一定的利用价值。
高光谱图像 纹理特征 光谱特征 特征融合 木材树种分类 Hyper-spectral imaging I-BGLAM Texture feature Spectral feature Feature fusion Classification of wood species I-BGLAM
