一种基于无人机遥感的玉米田间杂草识别方法技术

一种基于无人机遥感的玉米田间杂草识别方法，属于图像处理技术领域。其特征在于：包括如下步骤：步骤1，通过无人机获取玉米种植区域的图像数据，得到玉米种植区域的多光谱图像；步骤2，对玉米种植区域的多光谱图像进行图像分割；步骤3，对主成分分析处理后转换波段组合的伪彩色图像进行纹理特征提取，得到纹理特征参数；步骤4，对步骤3中得到的纹理特征参数进行降维处理，得到降维后的纹理特征参数；步骤5，建立分类监督模型，并对分类监督模型进行训练，通过分类监督模型对玉米种植区域内的杂草进行识别。通过本基于无人机遥感的玉米田间杂草识别方法，实现了试验区域的均布采样，同时具有较高的识别率。

A Method of Weeds Recognition in Maize Field Based on UAV Remote Sensing

【技术实现步骤摘要】
一种基于无人机遥感的玉米田间杂草识别方法
一种基于无人机遥感的玉米田间杂草识别方法，属于图像处理

技术介绍
在农业生产过程中，田间杂草被视为严重影响作物生长的因素之一，我国因杂草导致的粮食作物产量损失达总产量的10％。杂草由于其生长周期短、生长速度快、易于传播等特点，容易集中大规模爆发，在田间与作物幼苗争夺土壤养分、水分、光照等植物生长所需的资源，导致作物幼苗生长发育缓慢、产量降低等危害，因此必须对田间杂草生长及时加以控制。化学除草法由于其高效性，已成为国内外的主要除草手段，但地毯式地使用化学除草剂不仅对农田及周围生态环境造成一定的破坏，其残留在作物叶片上的药剂也对食品安全造成危害。因此，研究精准、快速的作物杂草识别方法，对于农药精准变量喷施技术的发展具有重要意义。近年来，利用图像识别进行杂草识别是一个重要的研究方向，当前杂草识别研究中，根据图像信息获取手段及图像特征提取方式不同，可分为基于光谱特征、机器视觉以及光谱成像的杂草识别方法，目前广泛采用的是基于机器视觉的识别方法，针对获取的作物及杂草图像，利用计算机分析图像中作物与杂草所表现出的形状、纹理、颜色等特征，提取差异较大的特征参数对目标进行识别检测。但是现有技术中的杂草识别方法普遍存在识别率低的问题，影响了杂草识别技术的发展，同时传统的地面图像采集难以实现试验区域的均布采样，因此容易受到样本密集区域的影响，增加样本的方法多为旋转原有图像或再次田间图像采集，费时费力。
技术实现思路
本专利技术要解决的技术问题是：克服现有技术的不足，提供一种实现了试验区域的均布采样，同时具有较高识别率的基于无人机遥感的玉米田间杂草识别方法。本专利技术解决其技术问题所采用的技术方案是：该基于无人机遥感的玉米田间杂草识别方法，其特征在于：包括如下步骤：步骤1，在玉米种植区域，通过无人机获取玉米种植区域的图像数据，对图像数据进行预处理，得到玉米种植区域的多光谱图像；步骤2，使用主成分分析法对玉米种植区域的多光谱图像进行图像分割；步骤3，利用灰度共生矩阵法作为纹理分析方法对主成分分析处理后转换波段组合的伪彩色图像进行纹理特征提取，得到纹理特征参数；步骤4，对步骤3中得到的纹理特征参数进行降维处理，得到降维后的纹理特征参数；步骤5，建立分类监督模型，并对分类监督模型进行训练，通过分类监督模型对玉米种植区域内的杂草进行识别。优选的，步骤1中所述预处理的过程为：首先对单幅图像进行辐射校正、几何校正，然后根据飞行POS数据寻找同名点，通过空三测量计算原始影像生成点云模型，最后添加纹理并将单通道图像组合为多光谱图像，得到玉米种植区域的多光谱图像。优选的，步骤3中所述的纹理特征参数包括：选择均值、方差、协同性、对比度、相异性、信息熵、二阶矩、相关性。优选的，在步骤1中，通过无人机得到玉米种植区域中蓝光、绿光、红光、红外、近红外五个通道的图像数据。优选的，步骤4中所述降维后的纹理特征参数包括：红色方差、蓝色方差、红边方差、蓝色对比度、近红外方差、近红外对比度、红边对比度、蓝色相异性。优选的，在步骤3中进采用Relief算法或主成分分析法行降维处理。优选的，在步骤5中建立的分类监督模型为随机森林模型或C4.5模型。优选的，所述的分类监督模型为随机森林模型，且将基决策树数量5的识别精度作为随机森林模型的识别精度。优选的，在执行步骤5之后，对步骤5中建立的分类监督模型进行结果分析与精度评价，并采用查准率P、查全率R以及F1值作为精度评价指标，查准率P、查全率R以及F1值的计算公式分别为：其中，TP表示真正例，FN表示假反例，FP表示假正例，TN表示真反例。与现有技术相比，本专利技术所具有的有益效果是：1、通过本基于无人机遥感的玉米田间杂草识别方法，实现了试验区域的均布采样，同时具有较高的识别率。2、利用无人机遥感获取的低空多光谱图像，其蓝、绿、红波段合成的RGB图像可以通过主成分分析有效地增强植被与裸土、阴影的色彩差异，实现植被与背景的分割。3、C4.5决策树模型及随机森林模型能够有效地对玉米、杂草进行识别，识别精度分别可达99.0％，96.501％，相比较传统的杂草识别方法，识别率大大提高。4、主成分分析算法及Relief算法均能有效地对原始数据降维，PCA算法侧重于单一数据识别准确性，Relief算法侧重于整个数据集的识别精度。C4.5模型及RF模型处理Relief算法选择的特征数据用时少于处理PCA算法主成分的用时，运算时间分别缩短51.76％，3.57％，具有较高的效率。附图说明图1为基于无人机遥感的玉米田间杂草识别方法流程图。具体实施方式图1是本专利技术的最佳实施例，下面结合附图1对本专利技术做进一步说明。实施例1：如图1所示，一种基于无人机遥感的玉米田间杂草识别方法(以下简称杂草识别方法)，包括如下步骤：步骤1，得到玉米种植区域的多光谱图像；在玉米种植区域，通过无人机得到携带的RedEdge-M多光谱相机获取图像数据，该传感器包含蓝光、绿光、红光、红外、近红外五个通道，无人机在飞行高度为30m，飞行速度3m/s的飞行状态下，采用垂直方式采集图像，获得五个单通道图像共计2630幅。将在玉米种植区得到的图像通过AgisoftPhotoScan软件进行较正、拼接等预处理操作，首先对单幅图像进行辐射校正、几何校正，然后根据飞行POS数据寻找同名点，通过空三测量计算原始影像生成点云模型，最后添加纹理并将单通道图像组合为多光谱图像，得到玉米种植区域的多光谱图像。步骤2，对玉米种植区域的多光谱图像进行图像分割；使用主成分分析法(PrincipalComponentAnalysis，PCA)对玉米种植区域的多光谱图像进行图像分割。在使用主成分分析法时，将当前正交坐标系中的数据通过矩阵变换操作映射到一个新的坐标系，其第一个新坐标轴选择的是原始数据中方差最大的方向，第二个新坐标轴选择与第一坐标轴正交且具有最大方差的方向，坐标轴选择重复直到新坐标轴数与原始数据中特征数目相等。使用主成分分析法可以有效地去除多光谱图像各波段间冗余信息，降低各波段间的相关性，将图像信息压缩为几个有效转换波段。变换后的新波段各主成分所包含的信息量呈递减趋势，第一主成分包含最大的方差信息，第二、三主成分的信息量依次减少，至最后几个主成分，信息量几乎为零。对玉米种植区的多光谱图像进行主成分分析变换，得到的第一、二、三主成分分别含有92.57％、5.99％、1.43％的信息量，将含信息量最多的前三个转换波段作为红、绿、蓝波段合成显示伪彩色图像，不同地物间的像素颜色显示有较大的差异，且裸土、阴影与植被像素辐射亮度值在绿光波段差异明显，通过设立阈值提取裸土、阴影像素区域，将其制作为掩膜文件，应用于多光谱图像，实现植被与背景的分割。步骤3，纹理特征提取；玉米及杂草在经步骤2的主成分分析法处理后转换波段组合的伪彩色图像中有明显的色彩差异，通过实地调查发现，部分杂草未能在伪彩色图像中与玉米叶片显示出色彩差异，且杂草像元与玉米像元辐射亮度值在各波段相似，仅依据辐射亮度值采用阈值法无法将玉米与杂草区分，因此选择提取多光谱图像中玉米、杂草叶片的纹理特征进行分类。在本步骤中，利用灰度共生矩阵法作为纹理分析方法对主成分分析处理后转换波段组合的伪彩色图像本文档来自技高网...

【技术保护点】
1.一种基于无人机遥感的玉米田间杂草识别方法，其特征在于：包括如下步骤：步骤1，在玉米种植区域，通过无人机获取玉米种植区域的图像数据，对图像数据进行预处理，得到玉米种植区域的多光谱图像；步骤2，使用主成分分析法对玉米种植区域的多光谱图像进行图像分割；步骤3，利用灰度共生矩阵法作为纹理分析方法对主成分分析处理后转换波段组合的伪彩色图像进行纹理特征提取，得到纹理特征参数；步骤4，对步骤3中得到的纹理特征参数进行降维处理，得到降维后的纹理特征参数；步骤5，建立分类监督模型，并对分类监督模型进行训练，通过分类监督模型对玉米种植区域内的杂草进行识别。

【技术特征摘要】
1.一种基于无人机遥感的玉米田间杂草识别方法，其特征在于：包括如下步骤：步骤1，在玉米种植区域，通过无人机获取玉米种植区域的图像数据，对图像数据进行预处理，得到玉米种植区域的多光谱图像；步骤2，使用主成分分析法对玉米种植区域的多光谱图像进行图像分割；步骤3，利用灰度共生矩阵法作为纹理分析方法对主成分分析处理后转换波段组合的伪彩色图像进行纹理特征提取，得到纹理特征参数；步骤4，对步骤3中得到的纹理特征参数进行降维处理，得到降维后的纹理特征参数；步骤5，建立分类监督模型，并对分类监督模型进行训练，通过分类监督模型对玉米种植区域内的杂草进行识别。2.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：步骤1中所述预处理的过程为：首先对单幅图像进行辐射校正、几何校正，然后根据飞行POS数据寻找同名点，通过空三测量计算原始影像生成点云模型，最后添加纹理并将单通道图像组合为多光谱图像，得到玉米种植区域的多光谱图像。3.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：步骤3中所述的纹理特征参数包括：选择均值、方差、协同性、对比度、相异性、信息熵、二阶矩、相关性。4.根据权利要求1所述的基于无人机遥感的玉米田间杂草...

【专利技术属性】
技术研发人员：赵静，李志铭，杨焕波，闫春雨，孟沌超，贾鹏，鲁力群，兰玉彬，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：山东,37