本文選題：無(wú)人機(jī) + 遙感圖像　； 參考：《安徽大學(xué)》2014年碩士論文

【摘要】：中國(guó)是世界上林業(yè)有害生物災(zāi)害最嚴(yán)重的國(guó)家,而松樹又是我國(guó)非常重要的森林物種資源,具有很高的經(jīng)濟(jì)和實(shí)用價(jià)值。近年來(lái),由于受松材線蟲病的侵染,許多地區(qū)的松林相繼發(fā)現(xiàn)大量的枯死松樹。由于該病害具有傳播速度快、致病能力強(qiáng)、適生范圍廣等特點(diǎn),導(dǎo)致整個(gè)松林遭到毀滅,因而被列為林業(yè)病蟲害之首,不僅嚴(yán)重威脅我國(guó)林業(yè)資源和生態(tài)建設(shè),而且給國(guó)民經(jīng)濟(jì)帶來(lái)了巨大的損失。因此,研究實(shí)現(xiàn)松林中病害松樹的識(shí)別與監(jiān)測(cè),對(duì)預(yù)防松樹病蟲害、保護(hù)松林資源和促進(jìn)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展等具有十分重要的意義。 傳統(tǒng)的病害松樹識(shí)別主要依靠病蟲害專家人工實(shí)地調(diào)查進(jìn)行,受山區(qū)地形條件、調(diào)查人員責(zé)任心等影響,這種方法很難及時(shí)準(zhǔn)確地掌握疫情,而且難以大范圍推廣。隨著遙感技術(shù)的快速發(fā)展,利用衛(wèi)星監(jiān)測(cè)平臺(tái)獲取高分辨率遙感數(shù)據(jù)對(duì)監(jiān)測(cè)大面積枯死松樹非常有效。然而受衛(wèi)星運(yùn)行周期、大氣環(huán)境等因素的影響,衛(wèi)星遙感技術(shù)難以發(fā)現(xiàn)單株染病松樹,另外受經(jīng)費(fèi)成本的制約,不適合長(zhǎng)期大范圍地應(yīng)用。因此尋找一種既經(jīng)濟(jì)又有效的識(shí)別與監(jiān)測(cè)方式,已成為重要的研究課題。 本文以小型無(wú)人機(jī)為空中飛行平臺(tái),以雙光譜相機(jī)為遙感探測(cè)手段,獲取松林的可見光和近紅外圖像,綜合運(yùn)用圖像處理、模式識(shí)別等知識(shí)實(shí)現(xiàn)病害松樹的識(shí)別與監(jiān)測(cè)。主要研究?jī)?nèi)容如下： 1.闡述了松樹病蟲害識(shí)別與監(jiān)測(cè)的目的和意義、國(guó)內(nèi)外研究現(xiàn)狀、研究區(qū)與數(shù)據(jù)源,并介紹了支持向量數(shù)據(jù)描述的基本理論和發(fā)展現(xiàn)狀。 2.提出了一種基于加權(quán)支持向量數(shù)據(jù)描述的遙感圖像病害松樹識(shí)別方法。首先根據(jù)不同地物的特點(diǎn),提取可見光圖像和近紅外圖像各顏色分量作為相應(yīng)像素點(diǎn)的顏色特征,接著通過提取加窗圖像塊的灰度共生矩陣得到中心像素點(diǎn)的紋理特征,然后通過建立關(guān)于訓(xùn)練樣本中心距離的權(quán)重函數(shù)來(lái)構(gòu)造加權(quán)支持向量數(shù)據(jù)描述多分類模型,進(jìn)而將圖像中地物多輸出分類,從而實(shí)現(xiàn)病害松樹的有效識(shí)別。多組對(duì)比實(shí)驗(yàn)驗(yàn)證了該方法的識(shí)別準(zhǔn)確性。 3.提出了一種基于多特征和改進(jìn)的加權(quán)支持向量數(shù)據(jù)描述多分類的病害松樹識(shí)別方法。該方法基于每類樣本的單像素和中心局部區(qū)域進(jìn)行特征提取,構(gòu)建相應(yīng)特征向量,在傳統(tǒng)支持向量數(shù)據(jù)描述多分類方法的基礎(chǔ)上,將處于分類模型模糊區(qū)域的樣本使用K近鄰隸屬度函數(shù)估計(jì)法進(jìn)行判別決策,并結(jié)合權(quán)重函數(shù)和小波核函數(shù)的優(yōu)點(diǎn),構(gòu)建加權(quán)小波支持向量數(shù)據(jù)描述多分類器,并應(yīng)用于病害松樹的識(shí)別。實(shí)驗(yàn)結(jié)果表明,該方法避免了傳統(tǒng)支持向量數(shù)據(jù)描述多分類方法中對(duì)模糊區(qū)域樣本決策的盲目性,在局部樣本中尋求密度高的樣本類別,大大提高了病害松樹的識(shí)別率。 4.提出了一種基于特征稀疏表示和加權(quán)小波支持向量數(shù)據(jù)描述的松樹多級(jí)病害識(shí)別方法。首先對(duì)松樹雙光譜圖像進(jìn)行特征提取,然后利用特征數(shù)據(jù)集構(gòu)造學(xué)習(xí)字典,根據(jù)學(xué)習(xí)字典計(jì)算每個(gè)樣本的稀疏系數(shù),得到樣本的稀疏表示特征向量,輸入加權(quán)小波支持向量數(shù)據(jù)描述多分類器模型,從而將受不同病害程度的松樹有效地分類識(shí)別。實(shí)驗(yàn)結(jié)果無(wú)論從視覺上還是定量評(píng)價(jià)上均說明了該方法的可行性和有效性。
[Abstract]:China is the most serious forest pest in the world, and the pine tree is one of the most important forest species resources in our country. It has high economic and practical value. In recent years, because of the infection of pine wood nematode disease, a large number of dead pine trees have been found in many areas. Because of the disease, the disease has the speed of rapid transmission and the pathogenic energy. The characteristics of strong force and wide range of life have caused the whole pine forest to be destroyed, so it is listed as the first of the forestry diseases and insect pests. It not only seriously threatens our country's forestry resources and ecological construction, but also brings great losses to the national economy. Therefore, the recognition and monitoring of pine trees in the pine forest, the prevention of pine tree diseases and pests, and the protection of pine forest capital are studied. The source and the promotion of sustainable economic and social development are of great significance.
The traditional disease pine tree recognition mainly depends on the artificial field investigation of the disease and insect pest experts, and is affected by the terrain conditions of the mountain area, the responsibility of the investigators and so on. This method is difficult to grasp the epidemic situation in time and accurately, and is difficult to extend in a large scope. With the rapid development of remote sensing technology, the high resolution remote sensing data is obtained by satellite monitoring platform. Monitoring large area of dead pine trees is very effective. However, by satellite operation cycle and atmospheric environment, satellite remote sensing technology is difficult to find pine trees infected by single plant, and it is not suitable for long term application. Therefore, it has become an important research to find an economic and effective way of identification and monitoring. Subject.
In this paper, a small unmanned aerial vehicle (UAV) is used as an aerial flight platform and a dual spectral camera is used as a remote sensing method to obtain the visible and near infrared images of the pine forest. The recognition and monitoring of the pine tree is realized by using image processing, pattern recognition and so on. The main contents are as follows:
1. the purpose and significance of identification and monitoring of pine tree pests and diseases, research status at home and abroad, research areas and data sources are introduced, and the basic theory and development status of support vector data description are introduced.
2. a method of recognition of pine trees for remote sensing images based on weighted support vector data description is proposed. Firstly, according to the characteristics of different objects, the color features of the visible and near infrared images are extracted as the color features of the corresponding pixels, and then the striation of the center pixels is obtained by extracting the gray level co-occurrence matrix of the window image blocks. Then, the weight function of the center distance of the training samples is built to describe the multi classification model of weighted support vector data, and then the multiple output of the ground objects in the image is classified so as to realize the effective recognition of the disease pine trees.
3. a multi classification method of disease pine tree recognition based on multiple features and improved weighted support vector data description is proposed. The method is based on the feature extraction of the single pixel and central local region of each class of samples, and the corresponding feature vectors are constructed. On the basis of the traditional support vector data description multi classification method, the classification model will be in the classification model. The sample of the fuzzy region uses the K nearest neighbor membership function estimation method to make a decision. Combining the advantages of the weight function and the wavelet kernel function, the weighted wavelet support vector data is constructed to describe multiple classifiers and applied to the recognition of the disease pine trees. The experimental results show that the method avoids the traditional multi classification method of the traditional support vector data description. In the fuzzy region, the blindness of the sample decision is to find the sample with high density in the local samples, which greatly improves the recognition rate of the disease pine.
4. a multistage disease recognition method based on feature sparse representation and weighted wavelet support vector data description is proposed. First, the pine tree double spectral image is extracted, then the learning dictionary is constructed by using the feature data set, and the sparse coefficients of each sample are calculated according to the learning dictionary, and the sparse representation feature of the sample is obtained. The weight and input weighted wavelet support vector data are used to describe the multi classifier model, which can effectively classify the pine trees with different degrees of disease. The experimental results show the feasibility and effectiveness of the method in both visual and quantitative evaluation.

【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 薛重生,王霞;基于分形幾何的遙感圖像紋理分析方法及應(yīng)用[J];地質(zhì)科技情報(bào);1997年S1期

2 王海暉,彭嘉雄,吳巍;一種多傳感器遙感圖像的配準(zhǔn)方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年08期

3 張艷寧,鄭江濱,候云舒,趙榮椿;基于SOM和SVM的遙感圖像目標(biāo)識(shí)別[J];系統(tǒng)工程與電子技術(shù);2002年07期

4 ;ERDAS IMAGINE遙感圖像處理系統(tǒng)的特點(diǎn)[J];國(guó)土資源遙感;2002年03期

5 柳強(qiáng),張根耀;遙感圖像的獲取方法研究[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2003年12期

6 吳傳慶,趙永超,童慶禧,鄭蘭芬;基于光譜信息的遙感圖像空間域自適應(yīng)濾波[J];遙感學(xué)報(bào);2004年01期

7 王宇宙,趙宗濤,王旭紅;基于數(shù)學(xué)形態(tài)學(xué)的遙感圖像分割算法[J];微電子學(xué)與計(jì)算機(jī);2004年04期

8 牟勝梅,劉光明;海量遙感圖像數(shù)據(jù)實(shí)時(shí)預(yù)處理系統(tǒng)結(jié)構(gòu)設(shè)計(jì)[J];計(jì)算機(jī)工程與科學(xué);2004年10期

9 徐欣鋒,黃廉卿,徐抒巖,王家騏;一種高分辨力遙感圖像星上壓縮方案[J];儀器儀表學(xué)報(bào);2004年S1期

10 強(qiáng)贊霞,彭嘉雄;基于融合及數(shù)學(xué)形態(tài)學(xué)的遙感圖像目標(biāo)檢測(cè)[J];計(jì)算機(jī)工程;2005年10期

相關(guān)會(huì)議論文 前10條

1 蔡欣華;黃世奇;;超分辨率圖像重建及其應(yīng)用[A];國(guó)家安全地球物理叢書（四）——地球物理環(huán)境探測(cè)和目標(biāo)信息獲取與處理[C];2008年

2 張鳳春;董增壽;劉明君;;基于局部方差均衡的遙感圖像增強(qiáng)方法[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（2）[C];2008年

3 徐欣鋒;黃廉卿;徐抒巖;王家騏;;一種高分辨力遙感圖像星上壓縮方案[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

4 周婷婷;陳文惠;;遙感在森林火燒跡地植被恢復(fù)監(jiān)測(cè)中應(yīng)用研究[A];地理學(xué)與生態(tài)文明建設(shè)——中國(guó)地理學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文摘要集[C];2008年

5 王雪蓮;王仁禮;;基于K-L變換的遙感圖像變化檢測(cè)方法研究[A];第十三屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2001年

6 田越;楊曉月;周春平;季統(tǒng)凱;張鳳坡;吳勝利;;基于頻域解混疊提高遙感圖像空間分辨率方法研究[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2001年

7 楊武年;廖崇高;濮國(guó)梁;徐強(qiáng);于慶文;徐凌;;3S技術(shù)支持下的遙感圖像地質(zhì)解譯三維可視化及影像動(dòng)態(tài)分析[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

8 黃勇杰;王樹國(guó);劉俊義;陳東;;遙感圖像去云算法研究[A];首屆信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2003年

9 陳燕;齊清文;楊志平;;基于遙感圖像的地學(xué)信息單元特征提取與識(shí)別[A];中國(guó)地理信息系統(tǒng)協(xié)會(huì)第八屆年會(huì)論文集[C];2004年

10 許大欣;;遙感圖像控制點(diǎn)的建立[A];測(cè)繪荊楚——湖北省測(cè)繪學(xué)會(huì)2005年“索佳杯”學(xué)術(shù)論文集[C];2005年

相關(guān)重要報(bào)紙文章 前10條

1 ;富融IMAGINE：數(shù)字城市的四款工具[N];中國(guó)計(jì)算機(jī)報(bào);2002年

2 鄭智　徐欣然;一座縣城的長(zhǎng)城課題[N];人民日?qǐng)?bào)海外版;2009年

3 趙永新;呼喚更多科學(xué)的提燈[N];人民日?qǐng)?bào);2010年

4 記者 范宏喜;山西地災(zāi)防治實(shí)現(xiàn)網(wǎng)絡(luò)化[N];中國(guó)國(guó)土資源報(bào);2010年

5 李志中 王永江 宋鴻儒 國(guó)土資源部航空物探遙感中心;遙感技術(shù)在城市規(guī)劃及環(huán)保方面的應(yīng)用[N];科技日?qǐng)?bào);2000年

6 記者 星子;中科院全力支持青海玉樹抗震救災(zāi)工作[N];青海日?qǐng)?bào);2010年

7 富融;3S技術(shù) 礦業(yè)的好幫手[N];中國(guó)礦業(yè)報(bào);2000年

8 龔奴;公路工程遙感技術(shù)之應(yīng)用[N];廠長(zhǎng)經(jīng)理日?qǐng)?bào);2001年

9 吳佑壽;信息技術(shù)與航天航空[N];新清華;2004年

10 梁曉夢(mèng) 吳軍;中地大幫內(nèi)蒙古治沙[N];中國(guó)礦業(yè)報(bào);2001年

相關(guān)博士學(xué)位論文 前10條

1 葛宏立;面向類的圖像分割方法研究[D];北京林業(yè)大學(xué);2004年

2 羅睿;遙感圖像信息系統(tǒng)的設(shè)計(jì)與分析[D];解放軍信息工程大學(xué);2001年

3 劉哲;基于信息融合的遙感圖像處理方法研究[D];西北工業(yè)大學(xué);2002年

4 席學(xué)強(qiáng);基于模型的遙感圖像三維目標(biāo)識(shí)別系統(tǒng)研究[D];中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué);2000年

5 劉春紅;超光譜遙感圖像降維及分類方法研究[D];哈爾濱工程大學(xué);2005年

6 柯麗;基于小波變換的空間遙感圖像實(shí)時(shí)壓縮方法研究[D];中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所）;2005年

7 王永昌;云臺(tái)山區(qū)森林立地分類與植被恢復(fù)技術(shù)研究[D];南京林業(yè)大學(xué);2006年

8 陳韶斌;基于知識(shí)推理和視覺機(jī)理的遙感圖像目標(biāo)識(shí)別方法研究[D];華中科技大學(xué);2010年

9 胡俊華;圖象局部不變特征及其應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

10 滕鑫鵬;遙感圖像道路提取研究[D];江蘇大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 丁海玲;基于JPEG2000的高速遙感圖像實(shí)時(shí)壓縮仿真系統(tǒng)研究[D];中國(guó)科學(xué)院研究生院（空間科學(xué)與應(yīng)用研究中心）;2005年

2 陳光;遙感圖像中建筑物識(shí)別與變化檢測(cè)[D];南京理工大學(xué);2005年

3 仇大海;3S技術(shù)在第二次全國(guó)土地調(diào)查中的應(yīng)用[D];中國(guó)地質(zhì)大學(xué)（北京）;2008年

4 李紅康;海洋遙感圖像艦船目標(biāo)及尾跡檢測(cè)研究[D];電子科技大學(xué);2008年

5 劉一;用QuickBird、TM圖像對(duì)塔河林業(yè)局可燃物類型劃分及載量估測(cè)的比較研究[D];東北林業(yè)大學(xué);2008年

6 鄧會(huì)新;遙感圖像壓縮技術(shù)應(yīng)用研究[D];沈陽(yáng)工業(yè)大學(xué);2005年

7 倪虹霞;基于小波變換和中值濾波的遙感圖像預(yù)處理[D];吉林大學(xué);2005年

8 陳輝;數(shù)字水印技術(shù)及其在遙感圖像中的應(yīng)用研究[D];成都理工大學(xué);2005年

9 尹作為;基于C編譯器的遙感圖像分析軟件初步設(shè)計(jì)[D];武漢大學(xué);2005年

10 樸永旭;基于多特征遙感圖像配準(zhǔn)方法的研究[D];東北師范大學(xué);2006年

，

本文編號(hào)：1843513