小麦倒伏面积提取系统及方法与流程

1.本发明涉及基于无人机影像的对地观测和作物表型提取领域，具体涉及小麦倒伏面积提取系统及方法。


背景技术：

2.小麦是世界播种面积最大、产量最多的粮食作物，其长势及产量情况影响着世界粮食安全。倒伏经常发生在小麦生长过程中，是一种常见的农业灾害，引起倒伏的原因很多，灾害性天气和小麦品种抗倒性强弱带来的影响最大。倒伏后小麦容易生疾病导致质量降低，小麦倒伏还增加了机械收获的难度。所以发生了倒伏之后，不及时获取倒伏信息会影响相关部门进行产量评估。
3.人工调查法和遥感影像法是目前获取小麦倒伏面积比较常用的两种方法。人工调查法由工作人员实地观察、测量统计作物倒伏信息，这种方法费时费力，效率低下，只适用于小范围的内的作物倒伏调查；遥感影像法通过获取地面的遥感影像，不同地物会呈现出不同的纹理差异，也会有不同的光谱反射率，遥感影像法通过分析这些差异来区别地物。这种方法可以一次获得大面积的小麦遥感影像，效率比人工法高很多，但基于遥感的调查方法也存在一些问题：获取影像受天气影响较大，多云和雨雪天气会严重影响成图；对固定地点的重返周期比较长，不能确保一次就能完全获取到研究区的影像。
4.近年来，无人机遥感凭借其平台易建性、成本低、操作简单、时空分辨率高等优势，弥补了人工和卫星遥感的不足，针对小型无人机遥感影像的数据的处理方法也越来越成熟，可以实现及时获取大批量影像进行处理，用无人机采集影像适合复杂农田环境，并且获取高分辨率的影像可以实现作物地块划分小区来进行研究，研究尺度更加精细，非常适于作物倒伏调查。无人机已经成为农业定量遥感研究中快速、准确获取作物信息的主要工具，是当前研究的热点和趋势。


技术实现要素：

5.本发明旨在至少在一定程度上解决现有技术中存在的技术问题至少之一。为此，本发明提出了小麦倒伏面积提取系统和方法，利用该提取系统和方法能够准确地提取小麦的倒伏面积，降低人工成本，适于规模化推广应用。
6.在本发明的一个方面，本发明提出了一种小麦倒伏面积提取系统。根据本发明的实施例，所述系统包括：
7.获取单元，用于通过无人机搭载多光谱传感器获取试验区田间影像数据；
8.预处理单元，所述预处理单元与所述获取单元相连，用于处理获取的试验区田间影像数据得到小麦冠层多光谱影像；
9.计算单元，所述计算单元与所述预处理单元相连，用于计算小麦冠层多光谱影像中目标作物的纹理特征；
10.选取单元，所述选取单元与所述计算单元相连，用于将计算得到的纹理特征分别
与多光谱影像进行合并，使用马氏距离分类法对所述影像进行分类分析，提取小麦倒伏面积。
11.根据本发明实施例的小麦倒伏面积提取系统采用无人机获取小麦影像数据，并对该影像数据进行分析，确定纹理特征，对该纹理特征与影像数据进行分类分析，以便提取小麦倒伏面积。进一步地，发明人在对分类分析结果与人工调查数据进行比对以确定分类模型精度时发现，不同的分类分析方法或影响该精度值。进而，发明人对目前研究报道的多种分类方法进行大量理论分析和实验验证，发现采用马氏距离分类法所得分类模型精度值较高，由此，以保证最终所得小麦倒伏面积的准确性。
12.根据本发明的实施例，上述小麦倒伏面积提取系统还可以具有下列附加技术特征：
13.根据本发明的实施例，所述试验区田间影像数据是通过无人机搭载多光谱传感器于飞行高度为30～50米、飞行时间为9:00～10:00、13:00～14:00、17:00～18:00所采集获得的。
14.根据本发明的实施例，所述计算单元用于对得到的小麦冠层多光谱影像，利用如下方法提取纹理特征：
15.使用基于二阶概率统计的滤波工具计算正常小麦与倒伏小麦的纹理信息；纹理分析后需要统计正常和倒伏小麦的均值和方差，利用这两个值计算出变异系数和相对差异系数。
16.根据本发明的实施例，所述选取单元用于：选择变异系数小、相对差异系数大的纹理特征作为倒伏提取模型的变量；选取红色、绿色、蓝色三个波段的均值纹理特征结合所述飞行高度、飞行时段的多光谱影像合并得到的影像；将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
17.根据本发明的实施例，所述提取系统进一步包括：评价单元，所述评价单元与所述选取单元相连，用于对比人工调查数据和所述选取单元所得分类模型结构，验证分类模型精度。
18.根据本发明的实施例，所述评价单元用于：用所述选取单元计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值为分类误差。
19.在本发明的另一方面，本发明提出了一种利用前面所述小麦倒伏面积提取系统提取小麦倒伏面积的方法。根据本发明的实施例，所述方法包括如下步骤：s1：使用无人机搭载多光谱传感器采集试验区田间影像数据；s2：对s1采集的田间影像数据进行预处理，得到小麦冠层多光谱影像；s3：计算s2得到的小麦冠层多光谱影像中目标作物的纹理特征；s4：选取红色、绿色、蓝色三个波段的均值纹理特征结合所述飞行高度、飞行时段的多光谱影像合并得到的影像，使用马氏距离分类法对影像进行分类分析，提取小麦倒伏面积。由此，利用根据本发明实施例的方法能够准确地提取小麦的倒伏面积，降低人工成本，适于规模化推广应用。
20.根据本发明的实施例，无人机搭载多光谱传感器的飞行高度为30～50米、飞行时间为9:00～10:00、13:00～14:00、17:00～18:00。
21.根据本发明的实施例，s2所述预处理包括影像拼接和几何校正、辐射定标。
22.根据本发明的实施例，所述s3包括如下步骤：对s2得到的小麦冠层多光谱影像，利用如下方法提取倒伏小麦与正常小麦的纹理特征：使用基于二阶概率统计的滤波工具计算正常小麦与倒伏小麦的纹理信息；纹理分析后需要统计正常和倒伏小麦多个纹理特征的均值和方差，利用这两个值计算出变异系数和相对差异系数。
23.根据本发明的实施例，所述s4包括如下步骤：s41：选择变异系数小、相对差异系数大的纹理特征作为倒伏提取模型的变量；s42：选取红色、绿色、蓝色三个波段的均值纹理特征结合所述飞行高度、飞行时段的多光谱影像合并得到的影像；s43：将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
24.根据本发明的实施例，所述方法进一步包括：s5：将s4所得小麦倒伏面积结果与人工调查数据相比对，验证分类模型精度。
25.根据本发明的实施例，所述s5包括如下步骤：用s46计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值为分类误差。
26.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
27.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
28.图1显示了根据本发明一个实施例的小麦倒伏面积提取系统的示意图；
29.图2显示了根据本发明一个实施例的小麦倒伏面积提取方法的流程图。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.本发明提出了小麦倒伏面积提取系统及利用其提取小麦倒伏面积的方法，下面将分别对其进行详细描述。
32.小麦倒伏面积提取系统
33.在本发明的一个方面，本发明提出了一种小麦倒伏面积提取系统。根据本发明的实施例，参见图1，该系统包括：获取单元100、预处理单元200、计算单元300和选取单元400，下面将分别对各单元进行详细描述。
34.根据本发明的实施例，获取单元100用于通过无人机搭载多光谱传感器获取试验区田间影像数据。采用无人机获得影像数据，更加便捷，降低了人工成本，避免人为因素造成影像数据不准确。
35.根据本发明的实施例，试验区田间影像数据是通过无人机搭载多光谱传感器于飞行高度为30～50米、飞行时间为9:00～10:00、13:00～14:00、17:00～18:00所采集获得的。
发明人发现，无人机飞行高度和飞行时间会影响分类模型精度，从而影响最终结果的准确性。进而，通过大量实验研究发现，飞行高度为50米、飞行时间为上午9:00～10:00，分类模型的精度较大，提取的小麦倒伏面积较为准确。
36.根据本发明的实施例，预处理单元200与获取单元100相连，用于处理获取的试验区田间影像数据得到小麦冠层多光谱影像。小麦的各部位中，冠层影像信息更能够反映小麦倒伏状态，进而，以其作为研究基础。
37.根据本发明的实施例，计算单元300与预处理单元200相连，用于计算小麦冠层多光谱影像中目标作物的纹理特征。
38.根据本发明的实施例，计算单元300用于对得到的小麦冠层多光谱影像，利用如下方法提取纹理特征：
39.使用基于二阶概率统计的滤波工具计算正常小麦与倒伏小麦的纹理信息；纹理分析后需要统计正常和倒伏小麦的均值和方差，利用这两个值计算出变异系数和相对差异系数。
40.纹理特征主要包括均值、方差、同质性、对比度、相异性、信息熵、二阶矩和相关性8种，每次进行分析时，都需要将这8种纹理特征分别与多光谱影像进行合成，将合成后的影像用马氏距离法进行监督分类查看精度。在此过程中，发明人发现，以均值和方差作为纹理特征进行分析，即可保证分类模型精度，因此，每次进行分析只要统计出正常和倒伏小麦的均值和方差即可。另外，变异系数与特征内差异相关，相对差异系数与特征间差异相关。
41.根据本发明的实施例，选取单元400与计算单元300相连，用于将计算得到的纹理特征分别与多光谱影像进行合并，使用马氏距离分类法对所述影像进行分类分析，提取小麦倒伏面积。发明人发现，不同的分类分析方法或影响该精度值。进而，发明人对目前研究报道的多种分类方法进行大量理论分析和实验验证，发现采用马氏距离分类法所得分类模型精度值较高，由此，以保证最终所得小麦倒伏面积的准确性。
42.根据本发明的实施例，选取单元用于：
43.由于特征内差异越小、特征间差异越大表明特征的分类能力越强，所以选择变异系数小、相对差异系数大的纹理特征作为倒伏提取模型的变量；
44.使用arcgis中镶嵌至新栅格工具，采取不同组合方式对被选择的纹理特征进行合并得到新影像，从中选择训练样本和验证样本，验证样本不能和训练样本重复并且像素值为训练样本的1/2，使用马氏距离分类法对合并后的影像进行分类分析；
45.使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其kappa系数作为参考标准进行精度评价，最终选取红色、绿色、蓝色三个波段的均值纹理特征结合多光谱影像合并得到的影像；
46.使用arcgis中镶嵌至新栅格工具，将红色、绿色、蓝色三个波段的均值纹理特征与不同飞行高度和飞行时段的多光谱影像进行合并得到新影像，从中选择训练样本和验证样本，使用马氏距离分类法对合并后的影像进行分类分析；
47.使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其kappa系数作为参考标准进行精度评价，最终选取红色、绿色、蓝色三个波段的均值纹理特征结合所述飞行高度、飞行时段的多光谱影像合并得到的影像；
48.将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界
信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
49.根据本发明的实施例，该提取系统进一步包括：评价单元，所述评价单元与所述选取单元相连，用于对比人工调查数据和所述选取单元所得分类模型结构，验证分类模型精度。由此，以便于确定最终提取倒伏面积结果是否准确。
50.根据本发明的实施例，评价单元用于：用所述选取单元计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值为分类误差。
51.提取小麦倒伏面积的方法
52.在本发明的另一方面，本发明提出了一种利用前面所述小麦倒伏面积提取系统提取小麦倒伏面积的方法。根据本发明的实施例，参见图2，该方法包括：
53.s1无人机采集试验区影像
54.在该步骤中，使用无人机搭载多光谱传感器采集试验区田间影像数据。
55.根据本发明的实施例，无人机搭载多光谱传感器的飞行高度为30～50米、飞行时间为9:00～10:00、13:00～14:00、17:00～18:00。由此，以便于保证最终结果的准确性高。
56.s2预处理，得到小麦冠层多光谱影像
57.在该步骤中，对s1采集的田间影像数据进行预处理，得到小麦冠层多光谱影像。
58.根据本发明的实施例，s2所述预处理包括影像拼接和几何校正、辐射定标。
59.s3计算纹理特征
60.在该步骤中，计算s2得到的小麦冠层多光谱影像中目标作物的纹理特征。
61.根据本发明的实施例，s3包括如下步骤：对s2得到的小麦冠层多光谱影像，利用如下方法提取倒伏小麦与正常小麦的纹理特征：使用基于二阶概率统计的滤波工具计算正常小麦与倒伏小麦的纹理信息；纹理分析后需要统计正常和倒伏小麦多个纹理特征的均值和方差，利用这两个值计算出变异系数和相对差异系数。由此，以便计算得到纹理特征。
62.s4使用马氏距离分类法对影像进行分类分析，提取小麦倒伏面积
63.在该步骤中，选取红色、绿色、蓝色三个波段的均值纹理特征结合所述飞行高度、飞行时段的多光谱影像合并得到的影像，使用马氏距离分类法对影像进行分类分析，提取小麦倒伏面积。
64.根据本发明的实施例，s4包括如下步骤：
65.s41、选择变异系数小、相对差异系数大的纹理特征作为倒伏提取模型的变量；
66.s42、选取红色、绿色、蓝色三个波段的均值纹理特征结合飞行高度、飞行时段的多光谱影像合并得到的影像；
67.s46、将分类得到的倒伏地块和小区边界进行叠加分析，使得倒伏地块也有小区的边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
68.根据本发明的实施例，该方法进一步包括：s5：将s4所得小麦倒伏面积结果与人工调查数据相比对，验证分类模型精度。由此，以便于判断所得小麦倒伏面积结果是否准确。
69.根据本发明的实施例，s5包括如下步骤：用s46计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，所述差值为分类误差。
70.本领域技术人员能够理解的是，前面针对小麦倒伏面积提取系统所描述的特征和优点，同样适用于该提取小麦倒伏面积的方法，在此不再赘述。
71.下面将结合实施例对本发明的方案进行解释。本领域技术人员将会理解，下面的
实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件的，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规产品。
72.实施例1
73.1、实验过程
74.1.1航拍影像
75.使用无人机搭载多光谱传感器获取试验区田间冬小麦影像。
76.1.2影像分析
77.1.2.1预处理
78.将采集的田间影像数据进行预处理，包括影像拼接和几何校正、辐射定标，得到小麦冠层多光谱影像。
79.1.2.2计算纹理特征
80.对得到的冬小麦冠层多光谱影像，利用如下方法提取纹理特征：
81.使用基于二阶概率统计的滤波工具计算正常冬小麦与倒伏冬小麦的纹理信息，滤波的处理窗口设置为7*7，以基准窗口为参考，空间相关性矩阵变换值x和y均为1，灰度质量级为64；纹理分析后需要统计正常和倒伏冬小麦的均值和方差，利用这两个值计算出变异系数和相对差异系数。
82.1.2.3分类分析
83.特征内差异越小、特征间差异越大表明特征的分类能力越强，选择变异系数小、相对差异系数大的纹理特征作为倒伏提取模型的变量；
84.使用arcgis中镶嵌至新栅格工具，采取不同组合方式对被选择的纹理特征进行合并得到新影像，选择评价良好的训练样本和验证样本，验证样本不能和训练样本重复并且像素值为训练样本的1/2，使用马氏距离分类法对合并后的影像进行监督分类；
85.使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其kappa系数作为参考标准进行精度评价，最终选取红色、绿色、蓝色三个波段的均值纹理特征结合多光谱影像合并得到的影像；
86.使用arcgis中镶嵌至新栅格工具，将红色、绿色、蓝色三个波段的均值纹理特征与不同飞行高度和飞行时段的多光谱影像进行合并得到新影像，选择评价良好的训练样本和验证样本，使用马氏距离分类法对合并后的影像进行监督分类；
87.使用混淆矩阵，对每一种合并方式进行精度验证，用得到的总体分类精度及其kappa系数作为参考标准进行精度评价，最终选取红色、绿色、蓝色三个波段的均值纹理特征结合飞行高度为50m、飞行时段处于上午9:00-10:00的多光谱影像合并得到的影像；
88.将分类得到的倒伏地块和小区边界进行叠加分析，使得同一张影像上面既有倒伏信息也有小区边界信息，统计出每一个小区中倒伏面积的大小，计算每一个小区中的倒伏面积占比。
89.1.2.4评价
90.用计算得到的每一个小区中的倒伏面积占比，与已知的人工调查出的倒伏面积占比计算差值，该差值为分类误差。
91.实施例2不同飞行高度的影响
92.按照实施例1的方法提取冬小麦倒伏面积，其中，飞行高度分别为30米、40米、50米。所得分类误差结果参见下表，结果表明，飞行高度为50米时，效果最佳。
[0093] 总体分类精度kappa系数rgb1_30m96.9182％0.9286rgb1_40m98.4609％0.9650rgb1_50m99.4602％0.9875
[0094]
实施例3不同飞行时间的影响
[0095]
按照实施例1的方法提取冬小麦倒伏面积，其中，飞行时间分别为上午9:00～10:00(rgb1)、中午13:00～14:00(rgb2)、下午17:00～18:00(rgb3)。所得分类误差结果参见下表，结果表明，飞行时间为上午9:00～10:00时，效果最佳。
[0096] 总体分类精度kappa系数rgb1_50m99.4602％0.9875rgb2_50m95.5221％0.8990rgb3_50m99.2305％0.9822
[0097]
实施例4不同分类分析方法
[0098]
按照实施例1的方法提取冬小麦倒伏面积，其中，分类分析方法分别为最大似然法、最小距离法、马氏距离法、支持向量机法、平行六面体法。所得分类误差结果参见下表，结果表明，采用马氏距离法分析时，效果最佳。
[0099] 总体分类精度kappa系数最大似然法99.4602％0.9875最小距离法88.7289％0.7374马氏距离法99.1494％0.9802支持向量机法99.8201％0.9958平行六面体法86.1443％0.6385
[0100]
注：所用影像为上午9:00～10:00以50米飞行高度得到的无人机多光谱影像。
[0101]
实施例4不同纹理特征
[0102]
按照实施例1的方法提取冬小麦倒伏面积，其中，纹理特征分别为均值、方差、同质性、对比度、相异性、信息熵、二阶矩和相关性。所得分类误差结果参见下表，结果表明，采用均值和方差作为纹理特征，效果最佳。
[0103] 总体分类精度kappa系数 总体分类精度kappa系数rgb 均值99.9836％0.9996rgb 方差98.2006％0.9578rgb 同质性99.2802％0.9832rgb 对比度98.2823％0.9596rgb 相异性99.3947％0.9859rgb 熵99.4602％0.9874rgb 二阶矩99.2802％0.9832rgb 相关性99.2802％0.9832
[0104]
注：所用影像为上午9:00～10:00以50米飞行高度得到的无人机多光谱影像。
[0105]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0106]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。