基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选
2017-11-01金虹杉宁明宇孙海艳
张 超,乔 敏,刘 哲,金虹杉,宁明宇,孙海艳
基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选
张 超1,2,乔 敏1,刘 哲1※,金虹杉1,宁明宇3,孙海艳3
(1. 中国农业大学信息与电气工程学院,北京100083;2. 国土资源部农用地质量与监控重点实验室,北京100035;3. 全国农业技术推广服务中心,北京100125)
制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息。该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9 m。最后采用奇台县的0.7 m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%。通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑。
无人机;遥感;图像识别;制种玉米田;纹理;Uniform-LBP;GLCM
0 引 言
种子是农业生产的命脉,是保障农产品安全的根本,准确掌握农作物种子的制种面积与产量是确保供种安全的首要任务。农作物种植面积与产量通常采用2种方式获取,第一种是行业统计,第二种是抽样调查,仅仅依靠这2种方式很难满足实时性的制种面积监测业务要求。遥感技术能够结合制种作物的种植方式、物候历特征等地学信息,以及光谱特点、纹理结构、及时间序列等影像信息,客观、及时地获取作物种植的面积及空间分布信息。
近年来,诸多学者对多时相遥感影像农作物识别开展了研究。Murakami等[1]利用9期SPOT/HRV遥感影像数据,生成了日本佐贺平原作物一年的NDVI曲线,实现作物的识别。文献[2-4]同样利用多时相HJ、GF-1影像数据,实现了作物的识别。在高空间分辨率遥感影像中,纹理是区分作物的重要信息,纹理特征结合光谱信息进行的作物识别,可提高识别精度[5-8]。在现有的影像纹理分析方法中,文献[9-11]利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取纹理特征,分别应用到木材、谷物和虹膜的识别。文献[12-13]利用融合局部二值模式(local binary pattern,LBP)与GLCM特征提取的方法进行人群密度分类和服装图像检索;文献[14]证实基于LBP-GLCM纹理特征提取方法,具有很强的纹理鉴别能力,可以获得较高的效率和准确率。文献[5-6]以多时相遥感影像构建各地类EVI(enhanced vegetation index)时序曲线,利用地类的物候差异,以C5.0决策树算法识别玉米,然后针对制种玉米与大田玉米田块的纹理差异,进一步利用高空间分辨率影像纹理信息识别出制种玉米。
与传统航空、航天遥感相比,无人机遥感技术具有使用成本低、操作简单、获取影像速度快、地面分辨率高等优点[15],使其广泛应用于农情监测、森林资源调查等方面[16]。无人机拍摄影像的高空间分辨率,为农作物精细识别提供了基础。但空间分辨率的提高,影像自动解译精度未必提高[17]。Bruzzone等[18]指出遥感影像空间分辨率过高会导致类内方差变大,类间方差变小;空间分辨率过低导致混合像元增多,降低分类精度。因此众多学者对作物最优的空间分类尺度进行了研究,文献[19-20]通过计算局部方差的方式和基于光谱角匹配的方法来确定遥感应用的最优空间分辨率;韩鹏等[21]采用信息熵选取最优的空间分辨率。文献[22]等针对无人机影像,提出一种基于小波包的空间尺度选择方法。上述研究只针对不同作物识别,对光谱信息相近的同种作物,如制种玉米与大田玉米,适宜的纹理识别尺度还需进一步研究。
本文以无人机拍摄的高空间分辨率影像为数据源,针对制种玉米在抽雄期,母本去除雄穗,父本保留雄穗;成熟期,父本行砍掉,母本保留,而使制种玉米田产生的条状纹理特点。通过实地调查,确定多个制种玉米和大田玉米的样本,利用融合Uniform-LBP和GLCM的纹理提取和尺度分析方法进行定量分析,确定适宜的制种玉米纹理识别尺度,以期为高空间分辨率遥感制种玉米田监管提供支撑。
1 研究区与数据源
1.1 研究区概况
本文选取新疆维吾尔自治区奇台县为研究区,奇台县位于新疆维吾尔自治区东北部,昌吉回族自治州东部,天山北麓,准噶尔盆地东南缘,地理范围为:89°13′~91°22′E,42°25′~45°29′N。研究区属中温带大陆性半荒漠干旱性气候,地势平坦,土壤肥沃,地下水资源丰富,无霜期约155 d左右,优越的自然条件和气温环境十分适宜杂交玉米制种,是国家级杂交玉米种子生产基地之一,全县耕地面积近133万hm2,主要作物有玉米(含制种玉米)、冬小麦、向日葵、打瓜、甜菜等。经过实地调查,研究区制种玉米于7月中旬完成去雄,7月下旬割除父本。
1.2 数据源简介
1.2.1 无人机影像与处理
在奇台县2处玉米种植区域,通过大疆精灵Phantom四轴飞行器航飞进行拍摄,获取高空间分辨率遥感影像。航拍范围分别为302 m×345 m、323 m×345 m,拍摄时间为2016年8月2日,航拍高度100 m,影像分辨率0.042 m,为RGB真彩色图像,具体如图1所示。本文无人机影像在拼接过程中,先利用地面控制点进行几何纠正,然后以地面调研数据为基础,对无人机影像配准并进行几何校正。
图1 研究区无人机遥感影像图
1.2.2 KOMPSAT-3影像数据
本文采用覆盖无人机影像区域的新疆奇台县玉米种植区的KOMPSAT-3影像数据,范围为11 190 m× 11 975 m,影像分辨率为0.7 m,以及奇台县覆盖作物生育期GF-1 WFV影像,相关卫星影像参数如表1所示。由Kompsat-3影像R、G、B 3个波段合成的真彩色影像,如图2所示。本文以研究区的实地调研数据为基础,对影像配准并进行几何纠正。区域主要种植有制种玉米、大田玉米、冬小麦、向日葵、打瓜、甜菜等作物。
表1 研究区卫星影像参数
图2 研究区Kompast-3遥感影像图
1.2.3 农作物样本数据
在新疆奇台县进行实地调研,采用手持GPS测量地块的经纬度坐标并记录植被类型、拍摄照片等,共采集样点88个,制种玉米22个,大田玉米27个,其他作物39个,具体分布见上图2所示。在获得无人机遥感影像后,结合前期实地调研数据,从影像中裁剪出3个制种玉米和2个大田玉米的样本数据。
2 研究方法
本文采用无人机遥感,研究识别制种玉米的适宜纹理尺度分析方法,首先对5个样本地块进行中值滤波处理,平滑图像消除椒盐噪声或斑点;然后采用最近邻内插法对制种玉米和大田玉米样本田块的原始影像进行重采样,获得分辨率分别是0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1.0 m的玉米田块影像;接着利用融合Uniform-LBP和GLCM的纹理提取和尺度分析方法,得到提取玉米田块的合理GLCM方向、距离和灰度级等纹理特征参数,以及最适宜区分制种玉米与大田玉米的纹理分辨率;最后基于适宜分辨率下0.7 m的KOMPSAT-3影像,在多时相EVI光谱信息识别玉米的基础上结合纹理信息,通过基于专家知识的决策树建立规则,识别制种玉米,具体流程图如图3。
注:LBP,局部二值模式;GLCM,灰度共生矩阵;EVI,增强植被指数。下同。
2.1 Uniform-LBP算子
LBP均匀模式的计算公式如下
2.2 GLCM纹理分析法
3 试验结果与分析
本文采用Uniform-LBP和GLCM结合的方法,确定纹理分析的参数和尺度,然后选用KOMPSAT-3遥感影像,通过制种玉米识别对本文方法进行实际验证。
3.1 融合Uniform-LBP和GLCM的纹理特征提取及尺度分析
本文首先使用Uniform-LBP算子对玉米样本图像滤波,获得旋转不变的LBP图像,然后分析确定GLCM的参数和尺度。
3.1.1 Uniform-LBP处理
对0.1~1.0 m分辨率下的制种玉米和大田玉米样本田块影像进行Uniform-LBP滤波处理,获得旋转不变的LBP图像,以0.1 m制种玉米的结果图为例,如图4所示。
a. 原始图像a. Original imageb. LBP图像b. LBP image
本文分析了在0°、45°、90°和135°这4个方向上ASM、entropy、homogeneity和contrast纹理特征值及其在4个方向上的平均值的变化。经Uniform-LBP处理后的玉米田块这4个纹理特征值随方向改变会有略微波动,但总体幅度较小。故为了消除方向对特征参数的影响,本文采用4个方向上特征值的平均值作为最终分析的纹理特征。同时,也证实了Uniform-LBP的旋转不变性,使纹理特征更加稳定。
3.1.2 距离参数对纹理特征值的影响
在固定移动窗口7×7,灰度级为16,分析制种玉米和大田玉米影像纹理特征值随距离的变化曲线,具体如图5所示。本文选取的距离参数范围是1~12,距离增大会造成2像元之间的像素信息丢失增大,以致GLCM无法有效地提取纹理的细节信息。
从图5可以看出,制种玉米与大田玉米的对比度、熵特征值随距离变化,在距离为4~10时趋向平稳,提取的特征比较稳定。同时,根据实地调查,研究区制种玉米父母本种植行比1:6~1:8,行距0.6~0.8 m,故条状纹理间隔在3.6~4.8 m之间。由于图5是对0.7 m的无人机影像,当步距为5~7,刚好满足制种玉米条状纹理的分布,所以本文采用步距5对影像纹理特征进行分析。
图5 对比度、熵随距离变化曲线
3.1.3 灰度级变化对纹理特征值的影响
在固定移动窗口7×7,步距为5,分析制种玉米和大田玉米影像纹理特征值随灰度级的变化,具体如图6所示。本次试验选取的灰度级分别为8、16、32、64、128和256。
注:ASM,角二阶矩。下同。
从图6可以看出,在灰度级从由256级压缩到8级的过程中,制种玉米田和大田玉米田的角二阶矩和熵这2个纹理特征值变化数值不大,且同一灰度级下,制种玉米田和大田玉米田对应的纹理特征值没有显著差异,所以纹理特征值基本不受灰度级压缩的影响。因此,本文采用灰度级8对影像纹理特征进行分析,以减少计算量,提高纹理计算效率。
3.1.4 分辨率变化对纹理特征值的影响
在固定移动窗口7×7,步距5,灰度级8,以及取4个方向的平均值的前提下,制种玉米和大田玉米影像纹理特征值随分辨率的变化曲线,如图7所示。
图7 对比度、熵随分辨率变化曲线
从图7可以看出,制种玉米与大田玉米的对比度、熵特征值随分辨率变化,在分辨率为0.6~0.9 m时,对比度和熵的纹理特征值相差较大,易于将制种玉米从玉米种识别出来。同理,通过其他特征的纹理统计信息分析也可得出同样的规律,即制种玉米纹理识别的适宜尺度是0.6~0.9 m。
3.2 基于多时相EVI光谱信息的玉米田块识别
利用覆盖新疆作物生育期4-9月份的多景GF-1奇台县WFV影像,构建多时相增强植被指数EVI数据集,依据研究区玉米与其他植被物候期的差异,实现玉米田块的识别[4]。将玉米分类结果叠加到对KOMPSAT-3影像上,得到图8a。
图8 制种玉米田块识别结果图
3.3 基于纹理信息的专家知识决策树制种玉米田块识别
利用制种玉米特有的纹理特征以及纹理识别的适宜尺度是0.6~0.9 m,对0.7 m的Kompsat-3影像,依据研究区大田玉米和制种玉米homogeneity、contrast、entropy和ASM纹理特征值的差别,即:制种玉米的Homogeneity纹理特征值介于50到110之间,Contrast纹理特征值介于70到120之间,Entropy纹理特征值介于170到210之间,ASM纹理特征值介于15到50之间,利用决策树建立如上规则,将纹理信息识别出的田块与图8a玉米田块分类结果进行叠加求交,将制种玉米田块识别出来,结果如图8b所示。
3.4 制种玉米田块的识别精度评价
利用实地调研的制种玉米验证样本,对图8b制种玉米田块的识别结果计算混淆矩阵,实现对制种玉米田块识别结果的精度评价,制种玉米识别精度达90.9%,Kappa系数为0.82,具体如下表2所示。
表2 制种玉米识别混淆矩阵
4 结 论
制种玉米与大田玉米具有相近的光谱特征,但制种玉米田块内呈现出明显的条纹状纹理,是区别制种玉米和大田玉米的重要纹理特征。适宜的空间识别尺度对高空间分辨率制种玉米的识别至关重要。本文利用融合Uniform-LBP和GLCM的纹理特征提取及尺度分析方法,并利用卫星遥感影像进行制种玉米识别试验。可以得到以下结论:
1)对于玉米田块纹理特征的提取,灰度共生矩阵合理的方向参数为0°、45°、90°和135°这4个方向上纹理特征值的平均值;合理的步距参数为5~7像元;合理的灰度级参数为8。
2)本文利用ASM、Entropy、Homogeneity和Contrast纹理特征值,研究制种玉米和大田玉米在不同分辨率下的差异性,得出制种玉米纹理识别的适宜尺度是0.6~0.9 m。
3)基于0.7 m分辨率下的KOMPSAT-3影像,在多时相EVI光谱信息识别玉米的基础上结合纹理信息,通过知识专家决策树建立规则,对制种玉米进行识别,识别精度达90.9%,基本满足对制种玉米的识别需求。
本文提出的方法适用于中国西北新疆维吾尔自治区等区域的制种玉米田识别。该区域制种玉米一般较为稳定、呈大面积连片种植,并且在抽穗期进行去雄处理。本文仅选择了若干常用的纹理特征,下一步可尝试更多的纹理特征。另外,分类过程中阈值自动确定问题也需进一步研究。
[1] Murakami T, Ogawa S, Ishitsuka N, et al. Crop discrimination with multitemporal SPOT/HRV data in the Saga Plains, Japan[J]. International Journal of Remote Sensing, 2001, 22(7): 1335-1348.
[2] Tu X, Zhao D, Guo L. Spectrum analysis technology based crop mapping using time-series of HJ satellite CCD images[J]. Sensor Letters, 2014, 12(3/5): 609-614.
[3] 贺鹏,徐新刚,张宝雷,等. 基于多时相GF-1遥感影像的作物分类提取[J]. 河南农业科学,2016,45(1):152-159.
He Peng, Xu Xingang, Zhang Baolei, et al. Classification of crops based on multi-temporal GF-1 remote sensing images[J]. Henan Agricultural Sciences, 2016, 45(1): 152-159. (in Chinese with English abstract)
[4] 覃泽林,谢国雪,李宇翔,等. 多时相高分一号影像在丘陵地区大宗农作物提取中的应用[J]. 南方农业学报,2017,48(1):181-188.
Tan Zelin, Xie Guoxue, Li Yuxiang, et al. The application of multi-temporal GF-1 images in the extraction of large crops in hilly areas[J]. Southern Agricultural Journal, 2017, 48(1): 181-188. (in Chinese with English abstract)
[5] 刘哲,李智晓,张延宽,等. 基于时序EVI决策树分类与高分纹理的制种玉米识别[J]. 农业机械学报,2015,46(10):321-327.
Liu Zhe, Li Zhixiao, Zhang Yankuan, et al. Seed maize identification based on time-series EVI decision tree classification and high resolution remote sensing texture analysis[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 46(10): 321-327. (in Chinese with English abstract)
[6] 张超,金虹杉,刘哲,等. 基于GF遥感数据纹理分析识别制种玉米[J]. 农业工程学报,2016,32(21):183-188.
Zhang Chao, Jin Hongshan, Liu Zhe, et al. Seed maize identification based on texture analysis of GF remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 183-188. (in Chinese with English abstract)
[7] Ouma Y, Tetuko J, Tateishi R. Analysis of co-occurrence and discrete wavelet transform textures for differentiation of forest and non-forest vegetation in very-high-resolution optical-sensor imagery[J]. International Journal of Remote Sensing, 2008, 29(12): 3417-3456.
[8] 游炯,裴志远,王飞,等. 基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J]. 农业工程学报,2016,32(13):131-139.
You Jiong, Pei Zhiyuan, Wang Fei, et al. County area winter wheat extracting based on improved multivariate texture information model and GF-1 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 131-139. (in Chinese with English abstract)
[9] 白雪冰,王克奇,王辉. 基于灰度共生矩阵的木材纹理分类方法的研究[J]. 哈尔滨工业大学学报,2005,37(12):1667-1670.
Bai Xuebing, Wang Keqi, Wang Hui. Research on the classification of wood texture based on Gray Level Co-occurrence Matrix[J]. Transactions of Journal of Harbin Institute of Technology, 2005, 37(12): 1667-1670. (in Chinese with English abstract)
[10] Zhang Gong, Jayas D S, Jiang Deyun, et al. Grain classification with combined texture model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2001, 17(1): 149-153. (in English with Chinese abstract)
[11] 路春辉. 基于特征融合和优化极限学习机算法的虹膜识别系统[J]. 计算机应用与软件,2016,33(7):326-333.
Lu Chunhui. Iris recognition system based on feature fusion and optimized extreme learning algorithm[J]. Computer Applications and Software, 2016, 33(7): 326-333. (in English with Chinese abstract)
[12] 薛翠红,于洋,张朝,等. 融合LBP与GLCM的人群密度分类算法[J]. 电视技术,2015,39(24):7-10.
Xue Cuihong, Yu Yang, Zhang Chao, et al. Fusing LBP and GLCM for crowd density classification algorithm[J]. Ideo Engineering, 2015, 39(24): 7-10. (in Chinese with English abstract)
[13] 李玥灵,吴国平,耿秀秀,等. 基于LBP-GLCM纹理特征提取的服装图像检索[J]. 电视技术,2015,39(12):99-103.
Li Yueling, Wu Guoping, Geng Xiuxiu, et al. Clothing image retrieval based on LBP-GLCM texture feature extraction[J]. Ideo Engineering, 2015, 39(12): 99-103. (in Chinese with English abstract)
[14] 王国德,张培林,任国全,等. 融合LBP与GLCM的纹理特征提取方法[J]. 计算机工程,2012,38(11):199-201.
Wang Guode, Zhang Peilin, Ren Guoquan, et al. Texture feature extraction method fused with LBP and GLCM[J]. Computer Engineering, 2012, 38(11): 199-201. (in Chinese with English abstract)
[15] 周洁萍,龚建华,王涛,等. 汶川地震灾区无人机遥感影像获取与可视化管理系统研究[J]. 遥感学报,2008,12(6):877-884.
Zhou Jieping, Gong Jianhua, Wang Tao, et al. Study on UAV remote sensing image acquiring and visualization management system for the area affected by 5.12 Wenchuan earthquake[J]. Journal of Remote Sensing, 2008, 12(6): 877-884. (in Chinese with English Abstract)
[16] Brown J C, Kastens J H, Coutinho A C, et al. Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J]. Remote Sensing of Environment, 2013, 130: 39-50.
[17] Soe Win Myint, Nina Lam, John Tyler. An evaluation of four different wavelet decomposition procedures for spatial feature discrimination in urban areas[J]. Transactions in GIS, 2002, 6(4): 403-429.
[18] Bruzzone L, Carlin L. A multilevel context-based system for classification of very high spatial resolution images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2006, 44(9): 2587-2600.
[19] Woodcock C E, Strahler A H, Jupp D L B. The use of variograms in remote sensing[J]. Remote Sensing of Environment, 1988, 25(3): 349-379.
[20] 李颖,陈怀亮. 田间作物杂草识别的最优遥感测量尺度[J]. 农业工程学报,2013,29(16):159-165.
Li Ying, Chen Huailiang. Optimal remote sensing scale for field crop weed identification[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(16): 159-165. (in Chinese with English abstract)
[21] 韩鹏,龚健雅,李志林,等. 遥感影像分类中的空间尺度选择方法研究[J]. 遥感学报,2010,14(3):507-518.
Han Peng, Gong Jianya, Li Zhilin, et al. Selection of optimal scale in remotely sensed image classification[J]. Journal of Remote Sensing, 2010, 14(3): 507-518. (in Chinese with English abstract)
[22] 张超,刘佳佳,苏伟,等. 基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选[J]. 农业工程学报,2016,32(21):95-101.
Zhang Chao, Liu Jiajia, Su Wei, et al. Optimal scale of crop classification using unmanned aerial vehicle remote sensing imagery based on wavelet packet transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 95-101. (in Chinese with English abstract)
[23] Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002, 24(7): 971-987.
[24] Haralick R M. Statistical and structural approaches to texture[J]. Proceeding of the IEEE, 1979, 67(5): 786-804.
[25] 陈美龙,戴声奎. 基于GLCM算法的图像纹理特征分析[J]. 通信技术,2012,45(2):108-111.
Chen Meilong, Dai Shengkui. Analysis on image texture based on gray-level co-occurrence matrix[J]. Communications Technology, 2012, 45(2): 108-111. (in Chinese with English abstract)
[26] 薄华,马缚龙,焦李成. 图像纹理的灰度共生矩阵计算问题的分析[J]. 电子学报,2006,34(1):155-158. Bo Hua, Ma Fulong, Jiao Licheng. Research on computation of GLCM of image texture[J]. Acta Electronica Sinica, 2006, 34(1): 155-158. (in Chinese with English abstract)
Texture scale analysis and identification of seed maize fields based on UAV and satellite remote sensing images
Zhang Chao1,2, Qiao Min1, Liu Zhe1※, Jin Hongshan1, Ning Mingyu3, Sun Haiyan3
(1.,,100083,;2.,,100035,;3,100125,)
According to the investigation on the spot, it was found that the female parent of seed maize field can be removed tassel and male parent retained the tassel in tasseling stage. Otherwise, the male parent line of seed maize field was cut off and the female parent kept in the mature period. But, grain maize was planted in a uniform pattern. So, seed maize field has the obvious strip texture in high spatial resolution remote sensing images. Which can be used to effectively distinguish the grain maize and seed maize of similar spectral values. In this paper, the high spatial resolution UAV remote sensing image is taken as the data source, and the scaling problem of the texture characteristics in the identification of seed maize is discussed. Firstly, the seed maize and grain maize fields were cut out from the UAV images, and this sample fields were processed by median filtering to remove salt and pepper noise or spots; Next, the seed maize and grain maize fields using nearest neighbor interpolation method to resample and obtain the maize field images with the resolution of 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 and 1.0 m; Then using the texture extraction and scale analysis method based on Uniform-LBP (Rotation Invariant Uniform Patterns) and GLCM (Gray Level Co-occurrence Matrix), to obtain the rational GLCM values are used as extracting texture features of maize fields and the most appropriate texture resolution scales to distinguish seed maize and grain maize. One, considering the texture feature values of GLCM high redundancy, this paper selected ASM (Angular second moment), Entropy, Contrast and Homogeneity 4 texture feature values which aren't related to each other in the following research. Two, because the same texture feature values of the same field affected by the texture analysis direction of GLCM, the paper use Uniform-LBP on maize sample images to obtain rotation invariant LBP image. Experiments showed that four texture feature values of maize fields will be a little fluctuation with the change of direction after Uniform-LBP treatment, but the overall amplitude is smaller, so in order to eliminate the influence of parameters of the direction, in this paper, the direction parameters is the average value of the texture features of the four directions for 0°, 45°, 90° and 135°. Three, it is found that distance is from 4 to 10 pixels, GLCM texture feature values tends to be stable, particularly, when the distance parameter is from 5 pixels to 7 pixels, which satisfies the distribution of seed maize stripe texture. According to seed maize in the study area was planted by the ratio of male to female from 1:6 to 1:8, line spacing is from 0.6m to 0.8m, so the strip texture spacing is from 3.6m to 4.8m under 0.7m resolution. Four, results showed the texture characteristic values of maize are not affected by gray level compression, so the gray level parameter choose 8 to reduce the amount of computation. Five, it is found when resolution from 0.6 to 0.9 m, texture feature values differ greatly and it is easy to distinguish seed maize and grain maize, so the most appropriate texture resolution scales is from 0.6m to 0.9m. Finally, maize planting area in Qitai Country, Xinjiang Uygur Autonomous Region was take as the study area to verify, using KOMPSAT-3 image of 0.7 m resolution, based on maize recognition results with multi-temporal EVI spectral information, using the texture analysis method in this paper, combined with the rules established by decision tree, to recognize the seed maize. The results show that seed maize identification precision reached 90.9% at 0.7m resolution, basically meeting the needs of seed maize identification requirements, which can provide support for the high spatial resolution remote sensing seed maize field fine supervision
unmanned aerial vehicle; remote sensing; image recognition;seed maize fields; texture; uniform-LBP; GLCM
10.11975/j.issn.1002-6819.2017.17.013
S127
A
1002-6819(2017)-17-0098-07
2017-04-09
2017-05-23
863计划课题:星地遥感的农作物信息感知(2013AA10230103)。
张超,教授,博士生导师,主要从事农业与国土资源遥感监测。Email:zhangchaobj@cau.edu.cn.
刘哲,副教授,博士,主要从事作物品种表型获取与评价研究。Email:liuz@cau.edu.cn