基于多特征CRF的无人机影像松材线虫病监测方法

doi:10.13474/j.cnki.11-2246.2019.0223

测绘通报 ›› 2019, Vol. 0 ›› Issue (7): 78-82.doi: 10.13474/j.cnki.11-2246.2019.0223

基于多特征CRF的无人机影像松材线虫病监测方法

刘金沧¹, 王成波², 常原飞²

1. 广东省国土资源测绘院, 广东广州 510500;
2. 中国科学院遥感与数字地球研究所, 北京 100101

收稿日期:2019-03-21 修回日期:2019-05-22 出版日期:2019-07-25 发布日期:2019-07-31
作者简介:刘金沧(1987-),男,硕士,工程师,主要从事自然资源调查监测、摄影测量与遥感应用研究。E-mail:liujincang_whu@126.com
基金资助:
广东省省级科技计划（2018B020207002）

Monitoring method of bursaphelenchus xylophilus based on multi-feature CRF by UAV image

LIU Jincang¹, WANG Chengbo², CHANG Yuanfei²

1. Surveying and Mapping Institute, Land and Resources Department of Guangdong Province, Guangzhou 510500, China;
2. Institute of Remote Sensing and Digital Earth, CAS, Beijing 100101, China

Received:2019-03-21 Revised:2019-05-22 Online:2019-07-25 Published:2019-07-31

摘要/Abstract

摘要： 利用无人机遥感技术进行林业调查，可以获取低成本、高分辨率、高时间密度的遥感数据，特别是为小尺度范围的森林病虫害监测提供了非常有效的监测手段。本文以小型无人机为影像获取平台，航摄获取可见光RGB影像，基于高分辨率影像进行松材线虫病松树提取方法研究。根据影像特点，提取影像中地物颜色、纹理特征，并采用CRF方法进行分类，识别出病害松树。通过比较多种分类方法的提取结果，验证了基于多特征CRF方法在松材线虫病监测中的可行性和有效性。

关键词: 无人机影像, 特征提取, 图像分类, CRF, 松材线虫病

Abstract: The use of UAV remote sensing technology for forest survey can obtain low-cost, high-resolution, high-time-density remote sensing data, especially for small-scale forest pest monitoring. In this paper, we use the small unmanned aerial vehicle as the image acquisition platform, acquire the RGB image, and study the extraction method of red-attacked pine based on the high resolution image. According to the image characteristics, the color and texture features of the image are extracted, and the CRF method is adopted to identify red-attacked pine. The feasibility and effectiveness of the multi-feature conditional random field method in the monitoring of bursaphelenchus xylophilus is verified by comparing the extraction results of multiple classification methods.

Key words: UAV image, feature selection, image classification, CRF, bursaphelenchus xylophilus

中图分类号:

P237

刘金沧, 王成波, 常原飞. 基于多特征CRF的无人机影像松材线虫病监测方法[J]. 测绘通报, 2019, 0(7): 78-82.

LIU Jincang, WANG Chengbo, CHANG Yuanfei. Monitoring method of bursaphelenchus xylophilus based on multi-feature CRF by UAV image[J]. 测绘通报, 2019, 0(7): 78-82.

参考文献

[1] 王斌,范冬林.深度学习在遥感影像分类与识别中的研究进展综述[J].测绘通报,2019(2):99-102,136.
[2] SUTTON C, MCCALLUM A. An introduction to conditional random fields[J]. Foundations and Trends® in Machine Learning, 2012, 4(4):267-373.
[3] SHOTTON J, WINN J, ROTHER C, et al.TextonBoost for image understanding:multi-class object recognition and segmentation by jointly modeling texture, layout, and context[J]. International Journal of Computer Vision, 2009, 81(1):2-23.
[4] KOHLI P, LADICKY L U, TORR P H S. Robust higher order potentials for enforcing label consistency[J]. International Journal of Computer Vision, 2009, 82(3):302-324.
[5] WEGNER J D, HANSCH R, THIELE A, et al. Building detection from one orthophoto and high-resolution InSAR data using conditional random fields[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(1):83-91.
[6] ZHONG Y F, ZHAO J, ZHANG L P. A hybrid object-oriented conditional random field classification framework for high spatial resolution remote sensing imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11):7023-7037.
[7] ZHONG P, WANG R. Learning conditional random fields for classification of hyperspectral images[J]. IEEE Transactions on Image Processing, 2010, 19(7):1890-1907.
[8] 杨耘,隋立春.条件随机场建模的大尺度空间上下文的高分辨率遥感图像分类[J].测绘通报,2014(8):21-24.
[9] 李娟,姚翰文.我国松材线虫病疫区现状及管理对策[J].中国森林病虫,2019(2):26-28,35.
[10] 李丰毅,余光柱,陈宪超.基于航拍数据的松材线虫病区域检测[J].电脑知识与技术,2018(29):239-241.
[11] 徐誉远,胡爽,王本洋.无人机遥感在我国森林资源监测中的应用动态[J].林业与环境科学,2017(1):97-101.
[12] 陈军丽,黄睿.利用多属性剖面概率融合的高光谱影像分类[J].遥感信息,2019(2):69-74.
[13] 徐芳.基于Gabor纹理描述的遥感影像分割[J].测绘科学,2013,38(1):116-117,124.
[14] HE Y, LUO Y P, HU D C. Unsupervised texture segmentation based on geodesic active regions[J]. Journal of Software, 2007, 18(3):592.
[15] DALAL N, TRIGGS B, SCHMID C. Human detection using oriented histograms of flow and appearance[C]//Proceedings of 2006 European lonference on Computer Vision. Heidelberg:Springer, 2006(3952):428-441.

基于多特征CRF的无人机影像松材线虫病监测方法

Monitoring method of bursaphelenchus xylophilus based on multi-feature CRF by UAV image

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨俊, 刘灵辉. 加权全极化SAR图像分类下的功能区土地时空变化特征提取[J]. 测绘通报, 2022, 0(7): 138-142,153.
[2]	周烨, 刘云波, 郑丽波, 龙泱君. 多平台点云数据的单木参数提取精度分析[J]. 测绘通报, 2022, 0(7): 168-172.
[3]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[4]	高莎, 袁希平, 甘淑, 杨明龙, 袁新悦, 罗为东. 融合无人机影像与LiDAR点云的山区地表覆被景观特征探测[J]. 测绘通报, 2022, 0(1): 110-115.
[5]	丁鸽, 燕立爽, 彭健, 朱传广, 黄雪亭. 基于RANSAC算法的隧道点云横断面提取[J]. 测绘通报, 2021, 0(9): 120-123.
[6]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.
[7]	淳锦, 张新长, 郭海京, 张建国, 金诗程. 基于多源信息与深度学习特征提取的人口空间抽样方法[J]. 测绘通报, 2021, 0(8): 42-47.
[8]	陶莉, 胡召玲. 利用Sentinel-2A数据提取长江中下游丘陵地带农作物种植信息[J]. 测绘通报, 2021, 0(7): 39-43.
[9]	高莎, 袁希平, 甘淑, 杨亚复, 李霞. 面向复杂山地的机载LiDAR与无人机影像融合应用[J]. 测绘通报, 2021, 0(7): 65-69.
[10]	彭述刚, 王大成, 谭军辉, 敖旋峰, 俞佳颖. 基于改进卷积神经网络的城市地下排水管道视频智能识别[J]. 测绘通报, 2021, 0(10): 132-135,167.
[11]	钱学飞, 沈映政, 王友昆, 陈宇, 徐博. 一种改进SURF的视觉影像匹配算法[J]. 测绘通报, 2021, 0(1): 99-102,107.
[12]	葛义攀, 王晓红. 基于本质矩阵的无人机影像精确匹配[J]. 测绘通报, 2020, 0(8): 55-58,75.
[13]	李闯, 王晓红, 何志伟. 利用A-AKAZE算法进行喀斯特地区无人机影像匹配[J]. 测绘通报, 2020, 0(6): 53-56.
[14]	李红梅, 张春亢, 张霞, 罗竹. Morse理论支持下的建筑物点云特征提取[J]. 测绘通报, 2020, 0(5): 31-35,42.
[15]	喜文飞, 史正涛, 李国柱. 图论算法的无人机影像匹配特征点粗差剔除[J]. 测绘通报, 2020, 0(4): 6-10.