基于無(wú)人機(jī)多光譜圖像的云南松蟲(chóng)害區(qū)域識(shí)別方法

張軍國(guó) 韓歡慶 胡春鶴 駱有慶

(1.北京林業(yè)大學(xué)工學(xué)院， 北京 100083； 2.北京林業(yè)大學(xué)林學(xué)院， 北京 100083)

0 引言

云南省祥云縣境內(nèi)地形單元多樣，溝谷縱橫，地勢(shì)高于四鄰，具有十分嚴(yán)重的干旱缺水氣候特征，形成了該縣單一云南松(Pinusyunnanensis)林分結(jié)構(gòu)。這種特殊的氣候環(huán)境和單一的林分結(jié)構(gòu)易導(dǎo)致取食云南松的切梢小蠹大規(guī)模爆發(fā)，使得該地成為松小蠹危害的典型地區(qū)，嚴(yán)重影響了當(dāng)?shù)亓謽I(yè)生態(tài)安全和經(jīng)濟(jì)效益。對(duì)切梢小蠹蟲(chóng)害危害程度進(jìn)行高效率準(zhǔn)確監(jiān)測(cè)識(shí)別是進(jìn)行蟲(chóng)害防治的重點(diǎn)工作內(nèi)容之一。隨著小型無(wú)人機(jī)技術(shù)的日臻完善，小型無(wú)人機(jī)(Unmanned aerial vehicle, UAV)遙感平臺(tái)在農(nóng)林業(yè)信息監(jiān)測(cè)領(lǐng)域的應(yīng)用日益廣泛[1-3]，在林業(yè)蟲(chóng)害航拍監(jiān)測(cè)領(lǐng)域也已有實(shí)際應(yīng)用案例。

無(wú)人機(jī)蟲(chóng)害遙感監(jiān)測(cè)的關(guān)鍵問(wèn)題就是如何對(duì)遙感圖像中的蟲(chóng)害區(qū)域進(jìn)行識(shí)別。目前國(guó)內(nèi)主要基于可見(jiàn)光航拍圖像對(duì)森林蟲(chóng)害區(qū)域監(jiān)測(cè)進(jìn)行研究[4-6]。為了能夠獲取更為豐富的森林植被信息，提高監(jiān)測(cè)識(shí)別準(zhǔn)確率，近年來(lái)，小型無(wú)人機(jī)掛載多光譜近地遙感成像系統(tǒng)取代可見(jiàn)光成像系統(tǒng)[7]正逐步成為該領(lǐng)域的趨勢(shì)，并已經(jīng)取得了一些研究成果[8-10]，如LEHMANN等[11]基于面向?qū)ο蟮膱D像分割方法對(duì)一個(gè)橡木林場(chǎng)的無(wú)人機(jī)近紅外圖像蟲(chóng)害區(qū)域進(jìn)行識(shí)別，但分類精度并不是很理想。ZAINUDDIN等[12]和ELFAITH等[13]基于多光譜圖像建立了葉片蟲(chóng)害程度與NDVI指數(shù)之間的分析模型，但植被指數(shù)方法并不適用于含混度大的林區(qū)遙感圖像。張帥堂等[14]提出了一種遺傳優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation, BP)實(shí)現(xiàn)了茶葉病斑的精準(zhǔn)識(shí)別，但其識(shí)別效率會(huì)受到自然條件下背景的影響。此外由于自然條件下的林區(qū)多光譜遙感圖像存在“同譜異物”和“同物異譜”的現(xiàn)象[15]，會(huì)在一定程度上限制樣本的質(zhì)量，從而影響識(shí)別精度。

針對(duì)祥云縣云南松蟲(chóng)害區(qū)域高精度識(shí)別的需求，本文嘗試基于云南松蟲(chóng)害多光譜圖像提出一種J- M(Jeffries- Matusita)距離優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類方法，并通過(guò)優(yōu)化樣本特征的選取，著重解決分類識(shí)別的精度以及樣本訓(xùn)練的效率問(wèn)題。

1 多光譜圖像采集

1.1 無(wú)人機(jī)遙感平臺(tái)

本文使用的無(wú)人機(jī)遙感平臺(tái)為自主設(shè)計(jì)的八旋翼飛行器，如圖1a所示；多光譜傳感器為Tetracam公司生產(chǎn)的ADC Snap，如圖1b所示，光譜范圍包括綠波段、紅波段和近紅外波段(波長(zhǎng)范圍520～920 nm，光譜分辨率為30 nm)。

圖1 八旋翼飛行器遙感平臺(tái)Fig.1 Eight rotorcraft remote sensing platform

1.2 圖像采集

多光譜圖像采集工作于2016年4月在云南省祥云縣(100.91°E, 25.34°N)完成。在遭受蟲(chóng)害的典型地區(qū)規(guī)劃了8塊標(biāo)準(zhǔn)地，每塊地規(guī)格為30 m×30 m，標(biāo)準(zhǔn)地之間具有一定的蟲(chóng)口密度差異和林分密度差異。圖像采集工作均在多云天氣下完成，最終篩選出用于處理的圖像樣本512幅，分辨率1 280像素×1 024像素，篩選規(guī)則為圖像內(nèi)無(wú)陰影、清晰且包含各類地物，并且要保證同一標(biāo)準(zhǔn)地內(nèi)的樣本圖像能夠覆蓋整個(gè)標(biāo)準(zhǔn)地。飛行器飛行高度為30～35 m之間，此條件下地面分辨率約為3 cm。

1.3 多光譜數(shù)據(jù)校正

采集時(shí)先對(duì)標(biāo)準(zhǔn)白色校正板進(jìn)行采集得到全白標(biāo)定圖像，然后采集一個(gè)全黑標(biāo)定圖像，再進(jìn)行樣本數(shù)據(jù)采集得到原始多光譜圖像。為保證光譜數(shù)據(jù)的準(zhǔn)確性并且消除采集過(guò)程中的噪聲干擾，按照

(1)

式中R——校正后的多光譜圖像

IS——多光譜相機(jī)采集的原始多光譜圖像

D——多光譜相機(jī)采集得到的全黑標(biāo)定圖像

W——多光譜相機(jī)采集得到的全白標(biāo)定圖像

對(duì)原始多光譜圖像進(jìn)行校正得到校正后的多光譜圖像[16]。

1.4 樣本標(biāo)記

在對(duì)圖像校正完畢后，還需依據(jù)各類地物實(shí)地調(diào)查得到的先驗(yàn)知識(shí)完成對(duì)圖像樣本的標(biāo)記，為后續(xù)特征向量提取和識(shí)別分類奠定基礎(chǔ)，本文分別對(duì)512幅多光譜圖像進(jìn)行了標(biāo)記。同時(shí)，本文隨機(jī)選出400幅多光譜圖像樣本作為訓(xùn)練集，并對(duì)訓(xùn)練集圖像中的每類地物分別選取一定范圍作為訓(xùn)練樣本，其余112幅作為測(cè)試集。多光譜圖像中主要包括4類地物樣本：蟲(chóng)害木、健康林木、灌木叢和裸地道路，圖2為4類地物在圖像中的示例。

圖2 4類地物類型Fig.2 Four types of ground objects

4類地物樣本在每一幅樣本圖像中都有體現(xiàn)，但由于森林的特殊性，不同標(biāo)準(zhǔn)地中的地物樣本都是不盡相同的，同一標(biāo)準(zhǔn)地中取得的樣本也會(huì)存在拍攝角度的差別。不過(guò)每一類地物的影像特征是具有共性的：健康林木樹(shù)冠形狀規(guī)則為單簇或多簇的健康針葉，顏色較亮，紋理較為均勻；蟲(chóng)害木樹(shù)冠形狀不規(guī)則，無(wú)完整的簇狀針葉結(jié)構(gòu)或全為枝干，為黃色或灰色，紋理不均勻；灌木叢形狀規(guī)則，冠部葉片紋理均勻，顏色最亮；裸地道路形狀不規(guī)則，多為褐色和紅褐色。

2 J- M距離優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類方法

本文多光譜圖像樣本存在“同譜異物”或“同物異譜”的現(xiàn)象，并非完全相互獨(dú)立，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)分類算法容易產(chǎn)生過(guò)擬合現(xiàn)象，影響神經(jīng)網(wǎng)絡(luò)模型的精度和訓(xùn)練效率。因此，本文將J- M距離引入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，建立樣本的選區(qū)規(guī)則。

算法關(guān)鍵步驟如下：①計(jì)算訓(xùn)練集內(nèi)各樣本圖像的J- M距離，并據(jù)此優(yōu)化訓(xùn)練集。②提取訓(xùn)練集內(nèi)各樣本圖像的顏色、紋理、光譜值及植被指數(shù)特征向量。③配置BP神經(jīng)網(wǎng)絡(luò)參數(shù)并訓(xùn)練模型。④得到分類模型后使用測(cè)試集對(duì)其進(jìn)行驗(yàn)證。

2.1 J- M距離優(yōu)化

為有效降低“同譜異物”或“同物異譜”現(xiàn)象對(duì)蟲(chóng)害區(qū)域識(shí)別的影響，提升BP神經(jīng)網(wǎng)絡(luò)分類模型的分類精度和訓(xùn)練效率，本文首先計(jì)算每幅樣本圖像中各類地物樣本之間的J- M距離，通過(guò)對(duì)建模自變量的優(yōu)化選擇來(lái)提升網(wǎng)絡(luò)的訓(xùn)練效率，并降低網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象。優(yōu)化的算法流程如圖3所示。

圖3 算法流程圖Fig.3 Flowchart of optimized algorithm

J- M距離能夠衡量訓(xùn)練樣本的可分離程度，進(jìn)而確定各個(gè)類別之間的差異性，其取值范圍為0～2。J- M距離J的計(jì)算公式為

J=2(1-e-B)

(2)

式中B——巴氏距離

m1、m2——類別的特征均值

τ1、τ2——類別的特征標(biāo)準(zhǔn)差

在對(duì)訓(xùn)練集內(nèi)所有圖像的J- M距離進(jìn)行計(jì)算后，即可按照以下規(guī)則優(yōu)化訓(xùn)練圖像：當(dāng)訓(xùn)練集圖像中任意兩類地物之間J- M距離均大于1.8時(shí)，說(shuō)明樣本之間可分離性較好，屬于優(yōu)質(zhì)樣本；當(dāng)出現(xiàn)小于1.8并且大于1的情況時(shí)，說(shuō)明該訓(xùn)練圖像中對(duì)應(yīng)地物樣本之間的可分離性一般，需要適當(dāng)調(diào)整對(duì)應(yīng)地物的樣本區(qū)域；當(dāng)小于1時(shí)，需要考慮剔除該訓(xùn)練圖像中對(duì)應(yīng)地物的樣本區(qū)域。

2.2 圖譜特征向量提取

云南松林受切梢小蠹危害可分為3個(gè)表征階段，第1階段切梢小蠹蟲(chóng)大范圍集群攻擊樹(shù)干，但樹(shù)木枝葉在視覺(jué)上仍顯綠色而邊材濕度下降，樹(shù)木處于綠葉狀態(tài)而稱為“綠色攻擊階段”。第2階段隨著切梢小蠹攻擊的不斷進(jìn)行，樹(shù)葉逐漸從綠色變?yōu)辄S色甚至紅色，造成黃冠或紅冠而稱為“紅色攻擊階段”。第3階段為“灰色攻擊階段”，大多數(shù)寄主樹(shù)木失去全部針葉[17]。由于第1階段危害視覺(jué)效果不明顯，本文重點(diǎn)對(duì)第2、3階段進(jìn)行分析，引入顏色特征、紋理特征與光譜值特征，并構(gòu)建植被指數(shù)模型來(lái)識(shí)別多光譜圖像中的各類地物。

2.2.1顏色特征提取

RGB顏色模型是圖像處理中最常用的顏色模型，可以通過(guò)計(jì)算其各分量顏色矩的方法來(lái)描述顏色特征。顏色信息主要集中在低階矩體現(xiàn)，一階矩(均值)反應(yīng)顏色分量的平均強(qiáng)度，二階矩(方差)反應(yīng)區(qū)域的顏色方差，三階矩描述顏色的偏移性。本文通過(guò)計(jì)算樣本圖像的前三階顏色矩得到樣本的9個(gè)顏色特征值，計(jì)算公式為

(3)

(4)

(5)

式中Pij——第i個(gè)像素的第j個(gè)顏色分量

N——像素?cái)?shù)量

μi——一階矩，顏色的平均強(qiáng)度

σi——二階矩，顏色的不均勻性

ζi——三階矩，顏色的不對(duì)稱性[18]

2.2.2紋理特征提取

紋理特征描述了圖像區(qū)域所對(duì)應(yīng)物體的局部結(jié)構(gòu)及排列規(guī)律，如粗糙度、光滑度、顆粒度、隨機(jī)性和規(guī)范性等。通過(guò)觀察圖像中4類地物區(qū)域的紋理特征差異，將紋理特征作為識(shí)別蟲(chóng)害區(qū)域的特征之一。本文通過(guò)灰度共生矩陣(Gray-level co-occurrence matrix, GLCM)算法進(jìn)行紋理特征的提取，是一種通過(guò)研究灰度空間相關(guān)性來(lái)描述紋理的常用方法，可用Pij(d,θ)(i=1,2,…,G;j=1,2,…,G)表示區(qū)域灰度共生矩陣，其中G表示圖像的灰度級(jí)數(shù)。Pij(d,θ)表示以灰度級(jí)為i的點(diǎn)為起點(diǎn)，計(jì)算方向θ上與它距離為d的灰度級(jí)為j的點(diǎn)出現(xiàn)的概率。

圖4 樣本在4個(gè)方向上的紋理特征均值Fig.4 Texture feature mean values of samples in four directions

將經(jīng)過(guò)灰度處理的地物樣本區(qū)域圖像根據(jù)

(6)

(7)

(8)

(9)

式中μx——{px(j);j=1,2,…,G}的均值

σx——{px(j);j=1,2,…,G}的方差

μy——{py(i);i=1,2,…,G}的均值

σy——{py(i);i=1,2,…,G}的方差

n——區(qū)域內(nèi)起點(diǎn)與終點(diǎn)之間的灰度級(jí)差值

λASM——能量的紋理特征值

λCON——對(duì)比度的紋理特征值

λCOR——相關(guān)度的紋理特征值

λENT——熵的紋理特征值

計(jì)算能量、對(duì)比度、相關(guān)度和熵的紋理特征值。

在0°、45°、90°和135°共4個(gè)方向上取窗口尺寸為3×3，得到樣本的16個(gè)紋理特征值。圖4為樣本在4個(gè)方向上的紋理特征均值，其中ASM表示能量，CON表示對(duì)比度，COR表示相關(guān)度，ENT表示熵。由圖4可知，裸地道路樣本的能量總體高于其他3類，反映了裸地道路區(qū)域紋理較粗。4個(gè)方向上的對(duì)比度對(duì)4類地物樣本的區(qū)分效果良好，其中裸地道路和蟲(chóng)害木區(qū)域的對(duì)比度高于其他兩類，紋理溝較深，視覺(jué)效果清晰。相關(guān)度方面，4類地物樣本差異不大。在熵值方面則表現(xiàn)為蟲(chóng)害木區(qū)域樣本最小，表明其非均勻程度較大。

2.2.3光譜值特征提取

云南松針葉表面的相對(duì)光譜反射率能夠反映其內(nèi)部生物化學(xué)組成信息。當(dāng)葉片受到害蟲(chóng)侵襲后，會(huì)造成病害位置的葉綠素短缺，水分含量下降，從而使各波段光譜反射率表現(xiàn)出極大的差異[17]。本文樣本的平均相對(duì)光譜反射率曲線如圖5所示。

圖5 相對(duì)光譜反射率曲線Fig.5 Relative spectral reflectance curves

根據(jù)圖5曲線可知蟲(chóng)害區(qū)域和健康林區(qū)光譜反射率曲線趨勢(shì)基本相同，在可見(jiàn)光區(qū)域內(nèi)(520～700 nm)體現(xiàn)為反射率相對(duì)較低，并且在550 nm附近有一個(gè)波峰，在580 nm和680 nm附近有波谷，在近紅外光區(qū)域(700～920 nm)反射率急劇上升并維持穩(wěn)定，形成高反射光譜區(qū)。兩者在可見(jiàn)光區(qū)域內(nèi)的反射率差別較小，在近紅外波段范圍內(nèi)反射率出現(xiàn)了較大差距，說(shuō)明不同健康狀況的云南松的光譜數(shù)據(jù)確實(shí)存在差異，利用光譜值特征來(lái)進(jìn)行蟲(chóng)害區(qū)域的分類識(shí)別是可行的。并且兩者在580、680、800 nm共3個(gè)波段處具有顯著差異，因此可以選定這3個(gè)波段所對(duì)應(yīng)的相對(duì)光譜反射率作為光譜值特征來(lái)識(shí)別蟲(chóng)害區(qū)域。

2.2.4植被指數(shù)特征提取

單一地使用相對(duì)光譜反射率信息并不能發(fā)揮多光譜圖像的優(yōu)勢(shì)，在基于多光譜圖像的植被健康狀況分析領(lǐng)域，植被指數(shù)是應(yīng)用最為廣泛的技術(shù)。植被指數(shù)與植被活力、植被的生化物理參數(shù)等密切相關(guān)，還可以在一定程度上消除反射光譜中大氣、土壤等因素的干擾。針對(duì)云南松蟲(chóng)害區(qū)域的分類識(shí)別，本文根據(jù)多光譜圖像波長(zhǎng)范圍和經(jīng)典組合形式提出5種植被指數(shù)，即

(10)

(11)

(12)

(13)

(14)

式中ρNIR——近紅外波段反射率

ρRed——紅光波段反射率

ρGreen——綠光波段反射率

NDVI——?dú)w一化植被指數(shù)

NDVIm——改進(jìn)型歸一化植被指數(shù)

SRI1——近紅外與紅波段比值植被指數(shù)

SRI2——近紅外與綠波段比值植被指數(shù)

EVIm——改進(jìn)型增強(qiáng)植被指數(shù)

2.3 BP神經(jīng)網(wǎng)絡(luò)分類

在對(duì)優(yōu)化的訓(xùn)練集進(jìn)行特征提取得到33維的特征向量后，本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)云南松多光譜圖像樣本進(jìn)行訓(xùn)練，另外為驗(yàn)證該優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在分類精度上的優(yōu)越性，同時(shí)采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)(Support vector machine, SVM)算法處理圖像作為比對(duì)。BP神經(jīng)網(wǎng)絡(luò)層數(shù)為3層，輸入層節(jié)點(diǎn)數(shù)與對(duì)應(yīng)的特征向量維數(shù)一致，即33，輸出層節(jié)點(diǎn)數(shù)與地物數(shù)量一致，即4。網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.1，RMS誤差設(shè)置為0.1，最大迭代次數(shù)設(shè)置為500。隱含層激活函數(shù)為對(duì)數(shù)函數(shù)，輸出層傳遞函數(shù)為線性函數(shù)，隱含層節(jié)點(diǎn)個(gè)數(shù)[19]為

(15)

式中H——隱含層節(jié)點(diǎn)數(shù)

I——輸入層節(jié)點(diǎn)數(shù)

O——輸出層節(jié)點(diǎn)數(shù)

同時(shí)，本文為檢驗(yàn)光譜值特征和植被指數(shù)對(duì)分類的有效性，嘗試使用3個(gè)特征向量組合進(jìn)行檢驗(yàn)。由2.2節(jié)得知，共有顏色特征、紋理特征、光譜值特征和植被指數(shù)4組特征值。組合1為顏色特征和紋理特征，組合2為顏色特征、紋理特征和光譜值特征，組合3為顏色特征、紋理特征、光譜值特征和植被指數(shù)。3種組合對(duì)應(yīng)的輸入特征向量維數(shù)分別為25、28和33。

2.4 模型評(píng)價(jià)方法

為了對(duì)比算法的分類精度，本文采用Kappa指數(shù)和總體分類精度對(duì)結(jié)果進(jìn)行評(píng)價(jià)。對(duì)測(cè)試集中的每一幅圖像所對(duì)應(yīng)的區(qū)域進(jìn)行地面隨機(jī)采樣調(diào)查，通過(guò)將采樣點(diǎn)分類結(jié)果與實(shí)地采樣結(jié)果進(jìn)行一致性情況比對(duì)，即可列出混淆矩陣。

得到混淆矩陣后，即可進(jìn)一步得到總體分類精度OAI和Kappa指數(shù)KIA。其中OAI為分類正確的采樣點(diǎn)占采樣點(diǎn)總數(shù)的百分比，KIA是一種由LANDIS和KOCH提出的通過(guò)隨機(jī)采樣來(lái)評(píng)價(jià)分類結(jié)果一致性和信度的重要指標(biāo)[20]，0≤KIA≤0.2表示“極低的一致性”，0.2

(16)

其中

式中KIA——Kappa指數(shù)

PA——觀察一致性

Pe——機(jī)遇一致性

r——地物類型數(shù)量

x——混淆矩陣中的數(shù)據(jù)

3 分類結(jié)果與分析

圖6為J- M優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和SVM 3種分類模型在各個(gè)特征向量組合下的分類效果對(duì)比圖。從視覺(jué)效果來(lái)看，3種模型通過(guò)特征向量組合3都能較好地區(qū)分4類地物樣本，JM- BP和BP通過(guò)特征向量組合2的分類效果一般；對(duì)于特征向量組合1，3種模型都出現(xiàn)了不同程度的分類錯(cuò)誤，其中SVM效果最差。但分類精度還需通過(guò)評(píng)價(jià)指標(biāo)來(lái)確定，不同算法下各特征向量組合的評(píng)價(jià)結(jié)果如表1所示。

圖6 蟲(chóng)害監(jiān)測(cè)圖像分類效果對(duì)比Fig.6 Classification effect comparison of pest monitoring image

由表1評(píng)價(jià)結(jié)果得出，J- M優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和SVM通過(guò)特征向量組合2和組合3都能較好地區(qū)分4類地物樣本，其中組合3效果最優(yōu)。SVM對(duì)樣本測(cè)試集的KIA分別為0.60、0.75和0.78，BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本測(cè)試集的KIA分別為0.71、0.82和0.87，而JM- BP算法對(duì)樣本測(cè)試集的KIA分別為0.75、0.89和0.92，整體高于另外兩種分類模型的分類效果，而且模型建立時(shí)間相對(duì)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法也縮短了38%，在分類精度提升的同時(shí)也實(shí)現(xiàn)了訓(xùn)練效率的提升。因此，針對(duì)森林蟲(chóng)害區(qū)域分類識(shí)別這一領(lǐng)域，本文提出的J- M距離優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的分類效果優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法和SVM算法。

表1 不同算法下各特征向量組合的評(píng)價(jià)結(jié)果Tab.1 Evaluation results of various feature vectorcombinations under different algorithms

根據(jù)3種模型下各特征向量組合的評(píng)價(jià)結(jié)果可進(jìn)一步得出：顏色特征和紋理特征組成的特征向量組合對(duì)測(cè)試集的分類精度普遍較低。由圖4可以看出，能量、相關(guān)度、熵這3個(gè)紋理特征值差異不大，很容易造成誤識(shí)別，這也是特征向量組合1識(shí)別率較低的重要原因。由顏色特征、紋理特征和光譜值特征組成的特征向量組合2，對(duì)于測(cè)試集的分類精度高于組合1，并且具有大幅提升，其原因是不同地物類型的光譜反射率存在著明顯的差異。綜合了顏色特征、紋理特征、光譜值特征和植被指數(shù)的特征向量組合3，對(duì)測(cè)試集的分類精度達(dá)到了“幾乎完全一致”的等級(jí)，說(shuō)明組合3中包含的5種植被指數(shù)特征能夠進(jìn)一步地提升模型的分類精度。

4 結(jié)束語(yǔ)

針對(duì)云南省祥云縣云南松蟲(chóng)害區(qū)域的分類識(shí)別問(wèn)題，在搭建八旋翼多光譜圖像采集平臺(tái)的基礎(chǔ)上，采用無(wú)人機(jī)近地遙感技術(shù)，基于多光譜圖像的顏色特征、紋理特征、光譜值特征和植被指數(shù)提出了一種J- M距離優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類模型。并從總體分類精度和Kappa指數(shù)兩方面與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和SVM算法進(jìn)行比較。結(jié)果表明，本文算法的分類精度優(yōu)于另外兩種算法，對(duì)4類地物樣本識(shí)別的平均OAI和KIA分別達(dá)到了94.01%和0.92，建模時(shí)間相對(duì)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法也縮短了38%，實(shí)現(xiàn)了分類精度和訓(xùn)練效率的提升，表明本文算法對(duì)于處理自然條件下的高冗余度圖像分類具有顯著優(yōu)勢(shì)。同時(shí)，經(jīng)3種算法驗(yàn)證，光譜值特征和植被指數(shù)可以對(duì)林區(qū)多光譜圖像蟲(chóng)害區(qū)域的分類識(shí)別起到促進(jìn)作用。綜上可得，利用多光譜成像技術(shù)和基于J- M距離的優(yōu)化神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)云南松蟲(chóng)害區(qū)域的高精度識(shí)別。

1 田明璐，班松濤，常慶瑞，等. 基于無(wú)人機(jī)成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(11)：285-293.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20161139&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2016.11.039.

TIAN Minglu,BAN Songtao, CHANG Qingrui, et al.Estimation of SPAD value of cotton leaf using hyperspectral images from UAV based imaging spectroradiometer[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016,47(11):285-293.(in Chinese)

2 韓文霆，張立元，張海鑫，等. 基于無(wú)人機(jī)遙感與面向?qū)ο蠓ǖ奶镩g渠系分布信息提取[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(3)：205-214. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170326&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.03.026.

HAN Wenting,ZHANG Liyuan,ZHANG Haixin,et al.Extraction method of sublateral canal distribution information based on UAV remote sensing[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(3):205-214. (in Chinese)

3 姚雄，余坤勇，楊玉潔，等.基于隨機(jī)森林模型的林地葉面積指數(shù)遙感估算[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(5)：159-166. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170519&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.05.019.

YAO Xiong, YU Kunyong, YANG Yujie, et al. Estimation of forest leaf area index based on random forest model and remote sensing data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 159-166. (in Chinese)

4 張軍國(guó)，馮文釗，胡春鶴，等. 無(wú)人機(jī)航拍林業(yè)蟲(chóng)害圖像分割復(fù)合梯度分水嶺算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(14)：93-99.

ZHANG Junguo,FENG Wenzhao,HU Chunhe, et al.Image segmentation method for forestry unmanned aerial vehicle pest monitoring based on composite gradient watershed algorithm[J].Transactions of the CSAE,2017,33(14):93-99.(in Chinese)

5 LIU W. A marker-based watershed algorithm using fractional calculus for unmanned aerial vehicle image segmentation[J]. Journal of Information and Computer Science, 2015, 12(14): 5327-5338.

6 費(fèi)運(yùn)巧，劉文萍，陸鵬飛，等. 基于無(wú)人機(jī)圖像分形特征的油松蟲(chóng)災(zāi)級(jí)別判定[J].計(jì)算機(jī)應(yīng)用研究，2017，34(4)： 1253-1256.

FEI Yunqiao, LIU Wenping, LU Pengfei, et al. Judgment on disaster classification of Chinese pine based on fractal features in UAV image[J]. Application Research of Computers, 2017,34(4): 1253-1256.(in Chinese)

7 ROBERTSD A, SMITHM O, ADAMSJ B. Green vegetation, nonphotosynthetic vegetation, and soils in AVIRIS data[J]. Remote Sensing of Environment, 1993, 44(2-3):255-269.

8 吳瓊. 基于遙感圖像的松材線蟲(chóng)病區(qū)域檢測(cè)算法研究[D]. 合肥：安徽大學(xué)，2013.

WU Qiong. Research onBursaphelenchusxylophilusarea detection based on remote sensing image[D]. Hefei: Anhui University, 2013. (in Chinese)

9 PENA J M, TORRES-SANCHEZ J, DE CASTRO AI, et al. Weed mapping in early-season maize fields using object-based analysis of unmanned aerial vehicle (UAV) images[J]. PLOS ONE, 2013, 8(10):e77151.

10 LU B, HE Y. Species classification using unmanned aerial vehicle (UAV)-acquired high spatial resolution imagery in a heterogeneous grassland[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 128:73-85.

11 LEHMANN J R K, NIEBERDING F, PRINZ T, et al. Analysis of unmanned aerial system-based CIR images in forestry-anew perspective to monitor pest infestation levels[J]. Forests, 2015, 6(3):594-612.

12 ZAINUDDIN K, BOHARI S N, GHAZALI N, et al. Utilizing quadcopter as LARS image platform to determine the paddy spectral and growth parameter[C]∥ IEEE International Conference on Aerospace Electronics and Remote Sensing Technology. IEEE, 2014:210-215.

13 ELFAITH M A, FETHI B A, RIYAD I, et al. Random forest regression and spectral band selection for estimating sugarcane leaf nitrogen concentration using EO- 1 hyperion hyperspectral data[J]. International Journal of Remote Sensing, 2013, 34(2):712-728.

14 張帥堂，王紫煙，鄒修國(guó)，等. 基于高光譜圖像和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的茶葉病斑識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33(22)：200-207.

ZHANG Shuaitang,WANG Ziyan,ZOU Xiuguo, et al.Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network[J].Transactions of the CSAE,2017,33(22):200-207.(in Chinese)

15 李石華，王金亮，畢艷，等. 遙感圖像分類方法研究綜述[J]. 國(guó)土資源遙感，2005，17(2)：1-6.

LI Shihua, WANG Jinliang, BI Yan, et al. A review of methods for classification of remote sensing images[J]. Remote Sensing for Land & Resources, 2005, 17(2): 1-6. (in Chinese)

16 鄭志雄，齊龍，馬旭，等. 基于高光譜成像技術(shù)的水稻葉瘟病病害程度分級(jí)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(19)：138-144.

ZHENG Zhixiong,QI Long,MA Xu, et al.Grading method of rice leaf blast using hyperspectral imaging technology[J].Transactions of the CSAE,2013,29(19):138-144.(in Chinese)

17 鄧槿. 基于TVDI的石林縣云南松切梢小蠹遙感監(jiān)測(cè)研究[D]. 北京：北京林業(yè)大學(xué)，2016.

DENG Jin. Research on remote sensing monitoring ofPinusyunnanensisdamaged by tomicus in Shilin based on TVDI [D]. Beijing: Beijing Forestry University, 2016. (in Chinese)

18 張東彥，張競(jìng)成，朱大洲，等. 小麥葉片脅迫狀態(tài)下的高光譜圖像特征分析研究[J]. 光譜學(xué)與光譜分析，2011，31(4)：1101-1105.

ZHANG Dongyan, ZHANG Jingcheng, ZHU Dazhou, et al. Investigation of the hyperspectral image characteristics of wheat leaves under different stress[J]. Spectroscopy and Spectral Analysis, 2011,31(4): 1101-1105. (in Chinese)

19 李宗儒. 基于圖像分析的蘋(píng)果病害識(shí)別技術(shù)研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2010.

LI Zongru. Research on identify technologies of apple’s disease based on image analysis[D]. Yangling: Northwest A&F University, 2010. (in Chinese)

20 LANDIS J R, KOCH G G. The measurement of observer agreement for categorical data [J]. Biometrics, 1977, 33(1):159-174.