文章信息
- 曹裕超, 王健, 邵为真, 孙文潇, 曾静静. 2023.
- CAO Yu-chao, WANG Jian, SHAO Wei-zhen, SUN Wen-xiao, ZENG Jing-jing. 2023.
- 基于点云与影像融合的黄河三角洲互花米草提取方法
- Extraction method of Spartina alterniflora in the Yellow River Delta based on point cloud and image fusion
- 海洋科学, 47(5): 131-138
- Marine Sciences, 47(5): 131-138.
- http://dx.doi.org/10.11759/hykx20220114001
-
文章历史
- 收稿日期:2022-01-14
- 修回日期:2022-03-09
2. 宁波市阿拉图数字科技有限公司, 浙江 宁波 315042;
3. 山东新汇建设集团有限公司, 山东 东营 257091;
4. 山东建筑大学测绘地理信息学院, 山东 济南 250101;
5. 青岛市勘察测绘研究院, 山东 青岛 266032
2. Ningbo Alatu Digital Science and Technology Co., Ltd, Ningbo 315042, China;
3. Shandong Xinhui Construction Group Limited Company, Dongying 257091, China;
4. College of Surveying and Geo-Informatics, Shandong Jianzhu University, Jinan 250101, China;
5. Qingdao Institute of Geotechnical Investigation and Surveying Research, Qingdao 266032, China
滨海湿地是陆地与海洋的过渡地带, 湿地生态系统具有涵养水源、调节气候、保护生物多样性等重要作用, 2021年12月24日, 第十三届全国人民代表大会常务委员会第三十二次会议正式通过了《中华人民共和国湿地保护法》[1], 湿地保护正式走向法治化, 也体现出我国对湿地保护的重视[2-3]。互花米草是一种海岸带盐沼植物, 自1990年前后首次在黄河三角洲引种后凭借其地下根茎发达、耐受力强的优势在潮间带区域快速蔓延, 侵占了芦苇、碱蓬和柽柳等本土植物的生存空间, 严重破坏了生物的多样性[4]。黄河三角洲自然保护区是被正式列入国际重要湿地名录的国家级自然保护区, 但近年来以互花米草为主的外来入侵物种对保护区的生态平衡构成了极大的威胁[5-7], 因此加强对外来入侵物种互花米草的监测研究具有重要的意义。
互花米草主要生长在近岸的潮间带, 受滨海湿地多云多雨的气候特征影响, 获取高分辨率的遥感影像较为困难[8], 而利用中低分辨率影像在分类时易在植物交错地带发生混淆, 无法准确提取互花米草的范围边界[9], 因此, 目前对互花米草的遥感监测研究主要以长时序、大面积范围互花米草的总体变化趋势分析为主。陈柯欣等[10]以整个黄河三角洲为研究区, 利用Landsat影像基于面向对象分类方法和景观重心转移模型分析了互花米草和碱蓬的动态变化, 并基于此模型预测了2026年的变化趋势。王娟等[11]以盐城国家级自然保护区为研究区分析了2006—2015年互花米草的扩张情况, 指出了互花米草种群整体向西北方向加速偏移的规律并预测了未来五年的入侵趋势。但在湿地治理过程中, 为了对特定区域内互花米草进行动态监测, 需要准确地区分互花米草与其他植被的范围边界, 因此, 基于卫星的遥感监测手段难以满足应用需求, 鉴于无人机在农业领域应用的出色表现[12-13], 一些学者采用无人机技术进行了互花米草的监测研究, 李晓敏等[14]基于无人机高光谱技术分析不同情形下互花米草的光谱特征, 并以此建立了互花米草遥感检测模型。周在明等[15]利用无人机获取的10 cm分辨率可见光波段影像, 基于改进型土壤调整植被指数有效的提取了互花米草的覆盖范围。无人机搭载相机可以快速获取厘米级的高分辨率遥感影像, 有效减少了不同地物的识别难度, 但同时增加了同一地物内部的光谱差异性, 使得同一地物内部提取结果破碎, 在对互花米草提取时难以保证精度的稳定。目前已有学者将高程信息与影像融合提取植被的研究, 赵欣怡[16]在对海岸带盐沼植被分类时基于雷达影像的高程信息有效的区分了碱蓬与光滩, 提高了分类精度。董迪等[17]在对漳江口国家级红树林自然保护区的红树林和互花米草进行提取时利用SAR影像的高程和坡度信息分离出植被与地面信息, 在此基础上利用光学影像进一步分类, 证明了融合高程信息与影像的光谱信息提高分类精度有效性。机载LiDAR具有成本低、灵活高效、实时获取的特点, 且获取的点云数据同样具有高精度的高程信息, 在滨海湿地场景下受天气影响小, 目前基于点云影像融合的湿地互花米草监测研究少有报道, 基于此, 本文提出无人机点云与影像融合的互花米草提取方法, 以无人机获取的点云和影像为数据源, 探究利用基于点云与影像融合的面向对象分类方法提高滨海湿地互花米草提取精度的可行性。
1 研究方法点云与影像数据在获取时由于传感器的不同, 其数据成果在分辨率、特征等许多方面存在差异, 直接进行融合分类存在诸多难点[18], 本文通过把点云转化为二值图像, 将提取的植被点云高程信息以灰度值表示, 在此基础上进行点云与影像的融合分类。面向对象分类是将影像按一定规则分割为若干对象后, 以对象为最小单元进行分类的方法, 该方法可以显著减轻传统分类方法中的“椒盐现象”, 在光谱信息丰富的高分辨率影像分类中具有显著优势, 因此采用基于面向对象的分类方法从融合后的影像中进行互花米草提取。
1.1 基于区域生长的点云图像滤波在湿地场景中没有建筑和树木等地物, 因此将点云进行地面滤波后得到的非地面点即为植被。由于点云存在密度不均且离散的特点, 在将点云转化为二值图像后仍存在含有内部洞和外部小斑块的噪点, 这些噪点的产生原因主要来源于点云滤波中漏分的地面点云, 因此需要对图像进行滤波, 去除点云图像中的小块噪点。区域生长法是一种经典的图像分割算法, 该算法能够保留完整的边界信息且无需先验知识就可以获得较好的分割结果, 适用于二值图像这类简单图像的滤波。算法的基本思想是对任意一个输入的种子点, 判断邻域点与该种子点是否具有相似性质, 若具有相似性质则将该邻域点加入种子点集并继续生长, 最终将图像分割成为以每个种子点为起点的具有相似性质的连通域[19]。本文以该算法为基础, 将邻域内与种子点像素值是否相同作为是否生长的条件, 计算生长结束后每个连通域的面积, 通过面积阈值去除小面积的内部洞和小斑块噪声, 实现点云图像的滤波。
1.2 基于FNEA算法的影像分割在进行面向对象分类前, 需要对影像进行分割, 常用的分割方法有分水岭分割、光谱分割、多尺度分割等, 其中多尺度分割综合考虑了光谱、纹理、形状等特征, 将不同目标以不同的尺度进行分割, 是目前广泛使用的分割方法[20]。分形网络演化方法(fractal net evolution approach, FNEA) 是Baatz M与Schape A于2000年提出的一种影像多尺度分割算法[21], 通过在像素层自下而上的增长, 依据异质性最小原则, 不断迭代合并将图像分割为若干个内部同质度最大的对象, 对象之间的异质度增量Δf根据光谱异质度增量Δhcolor和形状异质性Δhshape和加权后确定[22], 计算公式为:
$ \Delta {{f = }}{\omega _{{s}}} \cdot \Delta {h_\text{shape}} + \left( {1 - {\omega _s}} \right) \cdot \Delta {h_\text{color}} , $ | (1) |
式中, ωs为形状权重, Δhcolor和Δhshape的计算公式为:
$ \left\{ \begin{gathered} \Delta {h_\text{color}} = \sum {{\omega _k}\left[ {{n_m} \cdot \delta _\kappa ^m - \left( {{n_{\sigma 1}} \cdot \delta _k^{\sigma 1} + {n_{\sigma 2}} \cdot \delta _k^{\sigma 2}} \right)} \right]} \hfill \\ \Delta {h_\text{shape}} = {\omega _c} \cdot \Delta {h_\text{compact}} + \left( {1 - {\omega _c}} \right)\Delta {h_\text{smooth}} \hfill \\ \end{gathered} \right., $ | (2) |
式中, s为光谱波段数量; ωk为第k波段的权重; σ1和σ2为相邻两个待合并对象; m为两对象合并结果; δk为对象像元的标准方差; n为对象的像素数量; ωc为紧致度权重, Δhcompact和Δhsmooth的计算公式为:
$ \left\{ \begin{gathered} \Delta {h_\text{compact}} = {n_m} \cdot \frac{{{l_m}}}{{\sqrt {{n_m}} }} - \left( {{n_{\sigma 1}} \cdot \frac{{{l_{\sigma 1}}}}{{\sqrt {{n_{\sigma 1}}} }} + {n_{\sigma 2}} \cdot \frac{{{l_{\sigma 2}}}}{{\sqrt {{n_{\sigma 2}}} }}} \right) \hfill \\ \Delta {h_\text{smooth}} = {n_m} \cdot \frac{{{l_m}}}{{{b_m}}} - \left( {{n_{\sigma 1}} \cdot \frac{{{l_{\sigma 1}}}}{{{b_{\sigma 1}}}} + {n_{\sigma 2}} \cdot \frac{{{l_{\sigma 2}}}}{{{b_{\sigma 2}}}}} \right) \hfill \\ \end{gathered} \right., $ | (3) |
式中, l和b分别代表对象的周长和最小外接矩形边界周长。
FNEA算法通过不断迭代实现对象的合并, 在迭代过程中, 若该对象与邻域对象的最小异质度增量小于阈值, 则将这两个对象合并, 否则不进行合并操作。遍历所有对象直至所有对象与其邻域对象的异质度的增量均超出阈值时迭代终止[23]。
1.3 基于融合特征的改进最近邻算法分类影像分割完成后需要基于训练样本进行监督分类, 最近邻算法(nearest neighbor, NN)是一种基于监督学习的分类算法, 该算法结构简单、对异常值和噪声有较高的容忍度, 相较于其他分类算法, 该算法无需先验参数, 可以最大程度减少人为因素对分类结果的影响。算法的基本思想是输入的未知样本进行类别判断时, 通过计算该样本与其他已知样本的特征距离, 将距离最近的样本视为该样本的类别[24], 距离的计算常用的是欧氏距离, 当特征数量为P时, 样本I1和I2的欧式距离计算表达式为:
$ d\left(I_1, I_2\right)=\sqrt{\sum\nolimits_P\left(I_1^P-I_2^P\right)^2}, $ | (4) |
上式欧氏距离公式中, 输入的I1和I2的特征值并没有进行归一化处理, 这会导致样本中部分特征值较大的特征掩盖其他特征的情况, 即当某个特征的数值较大时, 即使I1和I2两个样本在该特征上较为相似, 但
$ I^P=\frac{I-\min (I)}{\max (I)-\min (I)}, $ | (5) |
此外, 公式(4)中各特征的权重相同, 即认为各个特征对最终的分类贡献度相同, 而实际中, 存在着大量与分类结果相关性较小甚至无关的特征[25], 在计算值时冗余特征一方面减弱了有效特征的贡献度, 降低分类精度, 另一方面增加了计算量, 使得算法更为耗时。为了提高有效特征在分类过程中的权重, 本文共选取常用的光谱、几何、纹理特征共26个和2个植被指数, 其中归一化植被指数(normalized difference vegetation index, NDVI)和增强型植被指数(enhanced vegetation index, EVI)的计算公式如下:
$ K_{\mathrm{NDVI}}=\frac{W_{\mathrm{NIR}}-W_R}{W_{\mathrm{NIR}}+W_R}, $ | (6) |
$ K_{\mathrm{EVI}}=2.5 \times \frac{W_{\mathrm{NIR}}-W_R}{W_{\mathrm{NIR}}+6 W_R-7.5 W_B+1}, $ | (7) |
式中, WNIR、WR、WB分别为近红外、红光、蓝光波段的反射率。
通过计算所有特征对已知样本判别的贡献度, 剔除贡献度较低的冗余特征后将特征集按贡献度赋权, 将加权后的欧氏距离用于类别判断, 加权欧氏距离如下:
$ d\left(I_1, I_2\right)^{\prime}=\sqrt{\sum\nolimits_{i=1}^P \omega_i\left(I_1^P-I_2^P\right)^2}\text{,} $ | (8) |
式中, ωi为第i个特征的权。
2 实验与分析 2.1 实验区域概况及数据获取实验区域位于东营市黄河口国家自然保护区内, 如图 1所示, 区域内主要分布有互花米草和芦苇两类植被以及水体、泥滩等地物。
![]() |
图 1 实验区位置及实地照片 Fig. 1 Location and field photo of the experimental area |
采用大疆M300搭载禅思L1激光雷达获取点云, 大疆P4M多光谱无人机获取影像, 其中点云密度大于100 pts/m2, 影像包括可见光RGB和B、G、R、RE、NIR 5个单波段数据, 飞行高度均为100 m, 拼接后的多光谱正射影像分辨率为0.08 m。获取的点云和多光谱影像如图 2所示, 从影像和实地现场观察到互花米草受海滨风力因素的影响, 存在倒伏和正常直立生长两种状态, 此外还有芦苇、水体、泥滩等地物分布。
![]() |
图 2 原始数据 Fig. 2 Original data |
点云经去噪预处理后采用布料模拟算法进行地面滤波, 分离地面点后得到的植被点云如图 3所示。
![]() |
图 3 地面滤波后提取的植被点云 Fig. 3 Vegetation point cloud extracted after ground filtering |
将植被点云经插值后输出为二值化图像, 利用1.1节的滤波算法将二值图像进行滤波, 通过计算并统计所有连通域的面积得到小斑块噪声的连通域面积均小于80, 因此将面积阈值设置为80, 得到如图 4所示的点云植被提取结果, 可以看出, 本文的图像滤波算法对去除小斑块和内部洞具有显著效果。
![]() |
图 4 二值图像滤波 Fig. 4 Binary image filtering |
将滤波后点云二值图像作为波段与多光谱影像进行波段合成, 合成前先对点云影像进行分辨率重采样, 采样分辨率为0.08 m, 使得点云图像与多光谱影像具有相同的分辨率, 使用Ecognition软件的ESP工具寻找FNEA的最佳分割尺度, 在测试时设置起始分割尺度为20, 步长10, 计算按每个尺度分割后的对象间局部方差, 在当分割尺度为120, 形状和光滑紧致度为0.4和0.5时影像对象同质性的局部变化的变化率达到现峰值, 将参数设置为上述值后的局部分割结果如图 5所示。
![]() |
图 5 局部分割结果 Fig. 5 Local segmentation results |
通过计算训练样本中各个特征在不同类别间的平均距离, 将平均距离相加后得到不同数量特征对应的最佳分离距离, 添加特征的顺序按照训练样本时各特征对分类结果的贡献度进行排序, 其中, 贡献度最大的5个特征分别为近红外均值、点云均值、NDVI、最大差分均值和EVI。图 6显示了不同数量特征的最佳分离距离, 可以看出, 在特征数量少于12个时, 最佳分离距离随
![]() |
图 6 不同数量特征的最佳分离距离 Fig. 6 Optimal separation distance of different numbers of features |
特征数量的增加快速增长, 但由于特征数量不足, 使得最佳分离距离处于2.5以下的较低值, 表明少量特征难以有效分类出本文的五种地物。在特征数量达到19个时最佳分离距离达到峰值, 表明该包含19个特征的特征组合能使各地物的可分离度达到最大, 而继续增加特征数量后, 由于贡献率较低的冗余特征减弱了有效特征的权重, 因此最佳分离距离呈现逐步下降趋势。
计算该特征组合下训练样本间的加权欧氏距离用于类别判断, 通过ArcMap生成2 707个随机采样点作为样本, 其中训练样本和验证样本的数量如表 1所示。
地物类别 | 训练样本数量/个 | 验证样本数量/个 |
正常互花米草 | 293 | 112 |
倒伏互花米草 | 407 | 262 |
芦苇 | 286 | 64 |
水体 | 368 | 198 |
泥滩及其他 | 446 | 301 |
为了验证融合点云后对分类结果的影响, 设置未融合点云的影像进行对比实验, 对比实验中, 分割参数保持不变, 在加权欧氏距离计算中去除了点云均值和点云标准差两个特征, 最终的分类结果如图 7所示, 从分类结果可以看出, 融合点云的最近邻分类结果对正常互花米草的提取精度明显优于未融合点云的分类结果, 互花米草的分布范围具有较好的连通性, 未融合点云的分类结果中正常互花米草漏分较多, 且分布范围比较破碎。
![]() |
图 7 分类结果 Fig. 7 Classification results |
为了更准确地评价分类精度, 将验证样本与分类结果建立混淆矩阵, 验证样本如图 8所示, 分别计算用户精度、生产者精度、总体精度和kappa系数进行精度评定, 结果如表 2所示。
![]() |
图 8 随机点验证样本 Fig. 8 Randomly generated validation sample points |
分类方法 | 地物类别 | 验证样本点数 | 生产者精度/% | 用户精度/% | 总体精度/% | Kappa系数 |
未融合点云的最近邻分类 | 倒伏互花米草 | 312 | 89.61 | 86.93 | 89.54 | 0.86 |
正常互花米草 | 162 | 67.46 | 80.28 | |||
泥滩及其他 | 370 | 97.63 | 89.75 | |||
芦苇 | 114 | 87.05 | 96.80 | |||
水体 | 248 | 92.84 | 97.50 | |||
融合点云的最近邻分类 | 倒伏互花米草 | 312 | 90.03 | 92.40 | 92.61 | 0.90 |
正常互花米草 | 162 | 82.53 | 86.43 | |||
泥滩及其他 | 370 | 98.88 | 91.37 | |||
芦苇 | 114 | 85.61 | 94.44 | |||
水体 | 248 | 96.88 | 97.95 |
由表 2可知, 融合点云前后的总体精度达到了89.54%和92.61%, kappa系数达到了0.86和0.9, 表明基于最近邻分算法的面向对象分类方法具有较好的分类精度。从各个地物的分类精度来看, 融合点云后正常互花米草的生产者精度提升显著, 从67.46%增加至82.53%, 提升了22.34%, 表明融合点云后能有效的减少正常互花米草的漏分数量。除芦苇精度有小幅降低外, 融合点云后其他地物的生产者精度和用户精度均有所提高, 所有地物中, 水体的分类精度最高, 主要是由于水体对NIR波段的吸收能力较高因而光谱特征显著, 而正常互花米草、倒伏互花米草和芦苇三种地物分类精度相对较低的原因主要是这三类植物交错生长且在特征上存在一定的相似度, 因此在交界处存在一定的分类误差。综上所述, 基于最近邻算法的面向对象分类方法可以很好的适用于入侵物种互花米草的分类研究, 且点云与多光谱影像融合的分类精度优于仅使用多光谱影像的分类精度, 验证了利用多源数据融合以提高滨海湿地的地物分类精度的可行性。
3 结论本文利用无人机获取的点云与多光谱正射影像, 结合点云与多光谱的优势, 研究基于面向对象和最近邻算法结合的互花米草提取方法, 并与未融合点云的分类结果进行对比, 通过精度评定得出以下结论:
1) 采用面向对象的分类方法中多尺度分割可以充分利用高分率影像的丰富信息, 根据像元的光谱特征和几何特征进行合并对象, 相较基于像元的分类方法可以减少同一地物范围内的像元错分情况, 减轻了“椒盐现象”。无人机多光谱影像融合点云可以提高互花米草的提取精度, 利用点云可以很好的区分正常生长和倒伏两种状态的互花米草, 同时, 通过融合点云提取的互花米草范围更加完整, 改善了分类结果破碎的现象。
2) 在湿地场景中, 植被指数和NIR波段对植被和水体的提取具有很好的效果, 在所有的特征中, 对分类结果贡献度排在前五的特征中有三种属于光谱特征, 分别为近红外均值、点云均值和最大差分均值, 表明光谱特征对分类的贡献最大, 分类精度随着特征数量的增加会先增加然后逐渐降低, 因此选择合适的特征组合对分类结果精度的提高具有重要意义。
基于无人机的多源遥感监测手段比传统遥感监测具有分辨率高、实时高效、信息丰富成本低等优势, 在滨海湿地的保护监测拥有广泛的应用前景, 在后续的研究中可进一步考虑融合点云的其他信息或其他数据对提高分类结果的可行性。
[1] |
中华人民共和国湿地保护法[J]. 浙江林业科技, 2022, 42(1): 75. Wetland protection law of the people's Republic of China[N]. Journal of Zhejiang Forestry Science and Technology, 2022, 42(1): 75. |
[2] |
杜培军, 陈宇, 谭琨. 湿地景观格局与生态安全遥感监测分析—以江苏滨海湿地为例[J]. 国土资源遥感, 2014, 26(1): 158-166. DU Peijun, CHEN Yu, TAN Kun. Monitoring and analyzing wetland landscape pattern change and ecological secturity using remote sensing images-A case study of Jiangsu coastal wetland[J]. Remote Sensing for Land and Resources, 2014, 26(1): 158-166. |
[3] |
孙工棋, 张明祥, 雷光春. 黄河流域湿地水鸟多样性保护对策[J]. 生物多样性, 2020, 28(12): 1469-1482. SUN Gongqi, ZHANG Mingxiang, LEI Guangchun. Wetland water bird biodiversity conservation strategies in the Yellow River basin[J]. Biodiversity Science, 2020, 28(12): 1469-1482. |
[4] |
李昱蓉, 武海涛, 张森, 等. 互花米草入侵和持续扩张下黄河三角洲滨海湿地潮沟的形态特征及其变化[J]. 湿地科学, 2021, 19(1): 88-97. Ll Yurong, WU Haitao, ZHANG Sen, et al. Morphological characteristics and changes of tidal creeks in coastal wetlands of the Yellow River Delta under Spartina alterniflora invasion and continuous expansion[J]. Wetland Science, 2021, 19(1): 88-97. |
[5] |
姜少玉, 陈琳琳, 闫朗, 等. 互花米草入侵对黄河三角洲秋季底栖食物网的影响[J]. 应用生态学报, 2021, 32(12): 4499-4507. JIANG Shaoyu, CHEN Linlin, YAN Lang, et al. Impacts of Spartina alterniflora invasion on the benthic food web in the Yellow River Delta during autumn[J]. Chinese Journal of Applied Ecology, 2021, 32(12): 4499-4507. |
[6] |
OKOYE O K, LI H, GONG Z. Retraction of invasive Spartina alterniflora and its effect on the habitat loss of endangered migratory bird species and their decline in YNNR using remote sensing technology[J]. Ecology and Evolution, 2020, 10(24): 13810-13824. DOI:10.1002/ece3.6971 |
[7] |
CHRITY N, WAILS, KALEB B, et al. Assessing changes to ecosystem structure and function following invasion by Spartina alterniflora and phragmites australis: a meta-analysis[J]. Biological Invasions, 2021(23): 2695-2709. |
[8] |
朱婉雪, 孙志刚, 李彬彬, 等. 基于无人机遥感的滨海盐碱地土壤空间异质性分析与作物光谱指数响应胁迫诊断[J]. 地球信息科学学报, 2021, 23(3): 536-549. ZHU Wanxue, SUN Zhigang, LI Binbin, et al. Analysis of spatial heterogeneity for soil attributes and spectral indices-based diagnosis of coastal saline alkaline farmland stress using UAV remote sensing[J]. Journal of Geo-information Science, 2021, 23(3): 536-549. |
[9] |
周在明, 杨燕明, 陈本清. 基于无人机影像的滩涂入侵种互花米草植被信息提取与覆盖度研究[J]. 遥感技术与应用, 2017, 32(4): 714-720. ZHOU Zaiming, YANG Yanming, CHEN Benqing. Research on vegetation extraction and fractional vegetation cover of Spartina alterniflora using UAV images[J]. Remote Sensing Technology and Application, 2017, 32(4): 714-720. |
[10] |
陈柯欣, 丛丕福, 曲丽梅, 等. 黄河三角洲互花米草、碱蓬种群变化及扩散模拟[J]. 北京师范大学学报(自然科学版), 2021, 57(1): 128-134. CHEN Kexin, CONG Pifu, QU Limei, et al. Simulation of dynamic changes and diffusion of typical vegetation populations in coastal wetlands in the Yellow River Delta[J]. Journal of Beijing Normal University (Natural Science), 2021, 57(1): 128-134. |
[11] |
王娟, 刘红玉, 李玉凤, 等. 入侵种互花米草空间扩张模式识别与景观变化模拟[J]. 生态学报, 2018, 38(15): 5413-5422. WANG Juan, LIU Hongyu, LI Yufeng, et al. Recognition of spatial expansion patterns of invasive Spartina alterniflora and simulation of the resulting landscape changes[J]. Acta Ecologica Sinica, 2018, 38(15): 5413-5422. |
[12] |
魏鹏飞, 徐新刚, 李中元, 等. 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测[J]. 农业工程学报, 2019, 35(8): 126-133. WEI Pengfei, XU Xingang, LI Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(8): 126-133. |
[13] |
史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望[J]. 农业机械学报, 2015, 46(2): 247-260. SHI Zhou, LIANG Zongzheng Z, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 46(2): 247-260. |
[14] |
李晓敏, 张杰, 马毅, 等. 基于无人机高光谱的外来入侵种互花米草遥感监测方法研究—以黄河三角洲为研究区[J]. 海洋科学, 2017, 41(4): 98-107. LI Xiaomin, ZHANG Jie, MA Yi, et al. Study on monitoring alien invasive species Spartina alterniflora using unmanned aerial vehicle hyperspectral remote sensing-a case study of the Yellow River Delta[J]. Marine Sciences, 2017, 41(4): 98-107. |
[15] |
周在明, 杨燕明, 陈本清. 基于可见光波段无人机影像的入侵物种互花米草提取研究[J]. 亚热带资源与环境学报, 2017, 12(2): 90-95. ZHOU Zaiming, YANG Yanming, CHEN Benqing. Study on the extraction of exotic species Spartina alterniflora from UAV visible images[J]. Journal of Subtropical Resources and Environment, 2017, 12(2): 90-95. |
[16] |
赵欣怡. 基于时序光学和雷达影像的中国海岸带盐沼植被分类研究[D]. 上海: 华东师范大学, 2020. ZHAO Xinyi. Classification of salt marsh vegetation in coastal zone of China based on temporal optics and radar images[D]. Shanghai: East China Normal University, 2020. |
[17] |
董迪, 曾纪胜, 魏征, 等. 联合星载光学和SAR影像的漳江口红树林与互花米草遥感监测[J]. 热带海洋学报, 2020, 39(2): 107-117. DONG Di, ZENG Jisheng, WEI Zheng, et al. Integrating spaceborne optical and SAR imagery for monitoring mangroves and Spartina alterniflora in Zhangjiang Estuary[J]. Journal of Tropical Oceanography, 2020, 39(2): 107-117. |
[18] |
姚春静. 机载LiDAR点云数据与遥感影像配准的方法研究[D]. 武汉: 武汉大学, 2010. YAO Chunjing. Research on registration of LiDAR point data and remote sensing images[D]. Wuhan: Wuhan University, 2010. |
[19] |
周强锋. 融合改进区域生长和图割理论的SAR图像分割[J]. 现代防御技术, 2020, 48(4): 73-77. ZHOU Qiangfeng. SAR image segmentation based on improved region growing and graph cut theory[J]. Modern Defence Technology, 2020, 48(4): 73-77. |
[20] |
殷瑞娟, 施润和, 李镜尧. 一种高分辨率遥感影像的最优分割尺度自动选取方法[J]. 地球信息科学学报, 2013, 15(6): 902-910. YIN Ruijuan, SHI Runhe, LI Jingyao. Automatic selection of optimal segmentation scale of high-resolution remote sensing images[J]. Journal of Geo-information Science, 2013, 15(6): 902-910. |
[21] |
BAATZ M, SCHPE A. An optimization approach for high quality multi-scale image segmentation[C]//Angewandte Geographische Informations-verarbeitung XII. Beitrage Zum AGIT-symposium Salzburg, KarIsruhe, Herbert Wichmann Verlag, 2000: 12-23.
|
[22] |
孙坤, 鲁铁定. 顾及多尺度分割参数的FNEA面向对象分类[J]. 测绘通报, 2018(3): 43-48. SUN Kun, LU Tieding. Research on FNEA object-oriented classification based on multi-scale partition parameters[J]. Bulletin of surveying and mapping, 2018(3): 43-48. |
[23] |
王慧贤, 靳惠佳, 王娇龙, 等. k均值聚类引导的遥感影像多尺度分割优化方法[J]. 测绘学报, 2015, 44(5): 526-532. WANG Huixian, JIN Huijia, WANG Jiaolong, et al. Optimization approach for multi-scale segmentation of remotely sensed imagery under k-means clustering guidance[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(5): 526-532. |
[24] |
聂倩, 七珂珂, 赵艳福. 融入超像素分割的高分辨率影像面向对象分类[J]. 测绘通报, 2021(6): 44-49. NIE Qian, QI Keke, ZHAO Yanfu. Object-oriented classification of high-resolution image combining super-pixel segmentation[J]. Bulletin of Surveying and Mapping, 2021(6): 44-49. |
[25] |
程远国, 唐文杰, 满欣. 基于剪枝加权k-NN算法的雷达电磁行为识别[J]. 海军工程大学学报, 2020, 32(3): 7-11. CHENG Yuanguo, TANG Wenjie, MAN Xin. Radar electromagnetic behavior recognition based on Radar electromagnetic behavior recognition based on edited and weighted k-NN algorithm[J]. Journal of Naval University of Engineering, 2020, 32(3): 7-11. |