文献类型：期刊文章

作　　者：戴建国[1,2] 张国顺[1,2] 郭鹏[3] 曾窕俊[1] 崔美娜[1,2] 薛金利[1,2]

Dai Jianguo;Zhang Guoshun;Guo Peng;Zeng Tiaojun;Cui Meina;Xue Jinli(College of Information Science&Technology,Shihezi University,Shihezi 832003,China;College of Science,Shihezi University,Shihezi 832003,China;Geospatial Information Engineering Research Center,Xinjiang Production and Construction Corps,Shihezi 832003,China)

机构地区：[1]石河子大学信息科学与技术学院,石河子832003 [2]兵团空间信息工程技术研究中心,石河子832003 [3]石河子大学理学院,石河子832003

出　　处：《农业工程学报》

基　　金：国家自然科学基金资助项目(31460317)

年　　份：2018

卷　　号：34

期　　号：18

起止页码：122-129

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。

关 键 词：无人机 遥感 可见光影像  色彩与纹理特征  机器学习  作物分类  

分 类 号：S252]