一种基于光谱图像误差变异系数的取样面积优化取样方法技术

本发明专利技术提供一种基于光谱图像误差变异系数的取样面积优化取样方法，所述方法包括等比例缩放取样面积、绘制大豆育种小区光谱反射率曲线、分析误差变异系数，通过分析两种影响因素确定所述无人机搭载的高光谱相机拍摄光谱图像的误差变异系数分析方法，获取所述大豆育种小区优化的取样面积。本发明专利技术在所述大豆育种小区取样面积内消除了边界效应的影响，从红外、近红外、RVI、NDVI、VOG1五个指标方面分析了光谱图像的误差变异系数，将变异系数的误差控制在0.01级别之内，提高了无人机高光谱相机对大豆产量估值的精确度。大豆产量估值的精确度。大豆产量估值的精确度。

A sampling area optimization method based on spectral image error variation coefficient

【技术实现步骤摘要】
一种基于光谱图像误差变异系数的取样面积优化取样方法


[0001]本专利技术属于智能监测
，尤其涉及一种基于光谱图像误差变异系数的取样面积优化取样方法。

技术介绍

[0002]目前越来越多的农作物采用航空遥感技术进行估产，利用无人机装载遥感设备采集遥感图像能大大降低采集数据所需的成本，因此例如大豆、棉花、水稻等都使用无人机的遥感技术估计其产值，在专利一种采用无人机遥感技术的农作物估产系统(专利号CN202110384538.7)就采用了这种方法，但是采集的图像需要考虑多种因素对估产的影响，才能的得到更加贴近实际的产值。
[0003]2017年，湖北调查总队连续开展了3年的无人机遥感估产项目，针对室内的水稻进行了产量模拟，针对水稻无人机采集了8000多张彩色照片，3
‑
4万张多光谱影像，一来计算量大，二来无法排除育种小区边界的影像对估产的误差。
[0004]现有技术存在的问题有：
[0005](1)取样面积过大或者过小，无法排除边界效应；
[0006](2)光谱点数数据过少，计算精度低；

技术实现思路

[0007]为了解决上述技术问题，本专利技术提供了一种无人机高光谱相机取样面积误差变异系数分析方法，本专利技术结合了取样面积和光谱反射率二者的影响，既消除了边界影响又提高了估算精度。
[0008]本专利技术所采用的技术方案如下：
[0009]一种基于光谱图像误差变异系数的取样面积优化取样方法，无人机搭载的高光谱相机拍摄获取的大豆叶片光谱图像，由所述大豆叶片光谱图像获取所述取样面积，包括：
[0010]等比例缩放大豆育种小区的长、宽，获取所述大豆育种小区的采样空间尺度；
[0011]读取高光谱相机获取的每个大豆育种小区的光谱图像和每个空间尺度下的矢量图，提取所述育种小区大豆叶片的平均光谱反射率；
[0012]绘制育种小区光谱反射率曲线，得到大豆叶片的光谱反射波长对所述光谱图像误差变异系数的影响；
[0013]分析误差变异系数，得到取样面积优化的取样范围。
[0014]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，由无人机高光谱相机拍摄的大豆叶片光谱图像获取取样面积包括：
[0015]对无人机高光谱相机拍摄的大豆叶片光谱图像进行预处理；
[0016]将预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界。
[0017]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界，包括：
[0018]以育种小区的几何中心为取样中心；
[0019]使用ArcGIS软件在拼接好的高光谱影像上划分出每个育种小区的最大面积矢量，用于保证所述采样空间矢量区域不超出小区边界。
[0020]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述等比例缩放取样面积，包括：
[0021]利用ENVI软件结合IDL语言对所述大豆育种小区最大取样面积的长和宽进行等比例缩放n次，获取n+1个采样空间尺度。
[0022]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述提取育种小区大豆叶片的平均光谱反射率时，所述大豆叶片的反射光波长为450nm
‑
900nm。
[0023]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述光谱图像的误差变异系数分析指标包括：冠层光谱近红外波段、红波段、NDVI、RVI、VOG1。
[0024]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述光谱反射率曲线在550
‑
750nm的可见光波段无明显差异；所述光谱反射率曲线在750
‑
850nm的近红外区域差异明显。
[0025]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述取样面积优化后的取样窗口的长、宽的取值范围为育种小区长、宽的20％～80％。
[0026]本专利技术的有益效果是：合理采用取样面积，消除了边界效应的影响，采用红外、近红外、RVI、NDVI、VOG1五个指标分析了误差变异系数，将变异系数的误差控制在0.01级别之内，提高了无人机对大豆产量估值的精确度。
附图说明
[0027]图1一种基于光谱图像误差变异系数的取样面积优化取样方法流程图；
[0028]图2 21个不同取样面积在2015年品比、品鉴、群体上任一个小区中所对应的冠层光谱反射率趋势图；
[0029]图3品比、品鉴、群体三类试验的红外，近红外，RVI,NDVI,VOG1五个指标的误差变异系数分析示意图；
[0030]A：品比；B：品鉴；C群体；
[0031]A+B：2015年科丰群体；A1+B1:2015年品系鉴定试验；A2+B2：2015年品系比较试验。
具体实施方式
[0032]下面结合附图与实施例对本专利技术做进一步说明：
[0033]为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本专利技术进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本专利技术的不同结构。
[0034]为了简化本专利技术的公开，下文中对特定例子的部件和设置进行描述。此外，本专利技术可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本专利技术省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本专利技术。
[0035]一种基于光谱图像误差变异系数的取样面积优化取样方法，无人机搭载的高光谱相机拍摄获取的大豆叶片光谱图像，由所述大豆叶片光谱图像获取所述取样面积，包括：
[0036]等比例缩放大豆育种小区的长、宽，获取所述大豆育种小区的采样空间尺度；
[0037]读取高光谱相机获取的每个大豆育种小区的光谱图像和每个空间尺度下的矢量图，提取所述育种小区大豆叶片的平均光谱反射率；
[0038]绘制育种小区光谱反射率曲线，得到大豆叶片的光谱反射波长对所述光谱图像误差变异系数的影响；
[0039]分析误差变异系数，得到取样面积优化的取样范围。
[0040]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，由无人机高光谱相机拍摄的大豆叶片光谱图像获取取样面积包括：
[0041]对无人机高光谱相机拍摄的大豆叶片光谱图像进行预处理；
[0042]将预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界。
[0043]根据本专利技术所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界，包括：
[0044]以育种小区的几何中心为取样中心；
[0045]使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光谱图像误差变异系数的取样面积优化取样方法，大豆叶片光谱图像是无人机搭载的高光谱相机采集的大豆育种小区的高光谱影像，取样面积小于大豆育种小区最大的面积，其特征在于，所述方法包括：划分大豆育种小区边界和最大面积矢量，用于保证在育种小区内提取取样面积；等比例缩放大豆育种小区最大面积的长、宽，得到大豆育种小区的采样空间尺度；读取每个大豆育种小区的光谱图像和每个空间尺度下的矢量图，提取大豆叶片的平均光谱反射率；绘制大豆育种小区光谱反射率曲线，得到不同取样面积下大豆叶片的光谱反射波长对平均光谱反射率的影响；分析植被指数误差变异系数，得到取样面积范围对植被指数误差变异系数的影响变化趋势图，所述光谱图像误差变异系数为利用变异系数计算方法对大豆光谱图像中植被指数的误差进行分析；采用取样面积范围对植被指数误差变异系数的影响变化趋势图中间稳定部分对应的取样面积，计算得到优化后的取样范围。2.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，划分大豆育种小区边界和最大面积矢量包括：对无人机高光谱相机拍摄的大豆叶片光谱图像进行预处理；将预处理后的光谱图像和数码正射影像结合，划分大豆育种小区的边界；以育种小区的几何中心为取样中心；使用ArcGIS软件在高光谱影像上划分出每个育种小区的最大面积矢量。3.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，所述等比例缩放大豆育种小区最大面积的长、宽，得到大豆育种小区的采样空间尺度，包括：利用ENVI软件结合IDL语言对所述大豆育种小区最大取样面积的长和宽进行等比例缩放n次，获取n+1个采样空间尺度。4.如权利要求1
‑
3所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，读取每个大豆育种小区的光谱图像...

【专利技术属性】
技术研发人员：张小燕，丁汉凤，李娜娜，李春燕，张彦威，
申请(专利权)人：山东省农业科学院，
类型：发明
国别省市：