摘要
为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。
引文
[1]徐伟燕,孙睿,金志凤.基于资源三号卫星影像的茶树种植区提取[J].农业工程学报,2016,32(增刊1):161-168.
[2]Rajapakse R S,Tripathi N K,Honda K.Spectral characterization and LAI modelling for the tea[Camellia sinensis(L.)O.Kuntze]canopy[J].International Journal of Remote Sensing,2002,23(18):3569-3577.
[3]黄昕,张良培,李平湘.融合形状和光谱的高空间分辨率遥感影像分类[J].遥感学报,2007,11(2):193-200.
[4]Pena-Barragan J M,Ngugi M K,Plant R E.Object-based crop identification using multiple vegetation indices,textural features and crop phenology[J].Remote Sensing of Environment,2011,115(6):1301-1316.
[5]陈云,戴锦芳,李俊杰.基于影像多种特征的CART决策树分类方法及其应用[J].地理与地理信息科学,2008,24(2):33-36.
[6]Mallinis G,KoutsiasN,Tsakiri-Strati M A.Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site[J].ISPRS Journal of Photogrammetry and Remote Sensing,2008,63(2):237-250.
[7]杨红卫,童小华.高分辨率影像的橡胶林分布信息提取[J].武汉大学学报(信息科学版),2014,39(4):411-416,421.
[8]林楠,姜琦刚,杨佳佳,等.基于资源一号02C高分辨率数据的农业区土地利用分类[J].农业机械学报,2015,46(1):278-284.
[9]佃袁勇,杨光,方圣辉.傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J].武汉大学学报(信息科学版),2017(3):362-368.
[10]胡华龙,吴冰,黄邵美.结合Gabor纹理与几何特征的高分辨率遥感影像城区道路提取方法[J].测绘科学技术学报,2015,32(4):395-400.
[11]韩丛丛,逄杰武,吴泉源,等.TM影像中居民地提取的决策树方法研究---以烟台市为例[J].遥感信息,2007(6):73-76.
[12]Li M,Zhao G X,Qin Y W.Extracton and monitoring of cotton area,growth information using remote sensing at small scale:a case study in Dingzhuang town of Guangrao county,China[C]//International Conference on Computer Distributed Control and Intelligent Environmental Monitoring,2011:816-823.
[13]王周龙,冯学智,刘晓枚,等.秦淮河丘陵地区土地利用遥感信息提取及制图[J].遥感学报,2003,7(2):131-135.
[14]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):155-158,134.
[15]张鑫,魏海坤.基于灰度共生矩阵的旋转不变性改进算法[J].工业控制计算机,2016,29(6):115-117.