無人機影像的面向對象水稻種植面積快速提取

王晉

摘要：目前來看，對于我國的水稻生產種植工作來說，無人機影像的應用成為關鍵，其所能起到的效果也比較出色。因此，本文將從無人機影像進行水稻種植面積快速提取的重要性入手，全面展開無人機影像的面向對象水稻種植面積快速提取的探究。

關鍵詞：無人機影像;水稻種植;種植面積;種植技術;面積測量

一、引言

在當前而論，無人機影像在面積的快速提取工作中，也就被認為是最核心的內容，其所能起到的效果也比較出色，因此，在水稻種植工作中被廣泛的利用，而其具體的應用辦法，本文展開了如下內容的探究：

二、無人機影像進行水稻種植面積快速提取的重要性

1.更好的了解水稻的種植情況

無人機影像的應用，從第一個方面來看，就是可以很好的了解水稻的種植情況。傳統的水稻種植中，都是人工了解其生長的情況，而目前無人機影像的融入，也就可以實現機械化的監控，效果更加的出色，也解放了人力資源。

2.更好的了解水稻的種植面積

無人機影像同時也能更好的進行種植面積的快速提取，主要是通過參照物的對比，就可以實現面積的快速計算，相對于傳統的辦法而言，效果更好，而且計算的速度也更快。

三、無人機影像的面向對象水稻種植面積快速提取方法

我國的農業發展已經非常的迅速，基本上可以實現農業的科技化生產技術全面應用，在水稻的種植過程中，為了更好的了解水稻的情況和進行水稻種植面積的快速提取，已經開始應用了無人機影像，通過此技術，可以很好的了解水稻的情況，在水稻的種植過程中，實現全面的監督，保證了水稻種植的效果。當然，無人機影像本身的技術難度也比較大，在實際的計算過程中，還需要考慮到技術的相關內容，所以從本質上來說，目前需要了解的是無人機影像的相關技術如何使用。而其具體的使用辦法如下所述：

1.面向對象影像分割

隨著科學技術的進步，我國的農業發展也更加的迅速，其中主要的內容就是出現了更加新穎的監控方法，其原本通過人工的看守，已經變成了科技化的影像監控，可以很好的了解農作物的情況，以及相關的種植面積等等，從而有效的進行農作物的全面管理，是目前為止，我國農業生產現代化建設中的核心內容。尤其是在水稻的生產種植過程中，需要充分的考慮到如何進行水稻種植面積的快速提取，從而判斷水稻的產量是否達標，水稻本身是否滿足了既定的需求。這樣才能更好的了解水稻的情況。面向對象影像分割就是把影像按照一定獨特性質的分成若干個特定的區域的技術和過程，被分割出的區域即影像對象。對于一種地物來說，分割后生成的多邊形內各種特性既要在內部具有一致性和均勻性，又要能夠很好的表現出該地物的獨特性質，使其能夠很好的與相鄰類別地物區分開來，影像分割的邊界不能太模糊，也不能太破碎。樣區內水稻種植相對比較集中，連片性好，可以選擇較大的分割尺度。在易康（eCognition）軟件中進行100、200、300、400、500、600 不同尺度的分割。對比不同尺度下的影像分割效果，分割尺度為300時可以較準確地勾勒出地物的邊界，既沒有出現尺度為100、200時的大量破碎現象，也沒有出現尺度為400、500、600時的欠分割對象。基于局部方差（Local Variance， LV）思想，Dragut等開發了一種計算尺度工具（Estimation of ScaleParameter， ESP）來獲得定量化的最佳分割尺度。本文以10為分割尺度步長，通過計算200～400內不同尺度下影像對象同質性的局部方差來評價分割效果，并將 LV 的變化率值 ROC-LV（Rates of changeof LV）來作為對象分割最佳尺度參數。橫坐標為分割尺度，縱坐標分別為局部方差和變化率，當分割尺度為300時ROC-LV出現峰值并值最大，最終確定選取分割尺度為300，緊致度設置為 0.5，形狀因子設置為0.1，對實驗影像數據進行分割。分割后共生成140個對象，最小面積2.39 m2，最大面積3162.79 m2，平均每個對象面積225.61 m2。

2.影像監督分類

水稻是我國最常見的作物之一，人們食用的大米就是水稻加工而成，所以，對于我國的人民而言，水稻也是最重要的作物。而水稻本身在種植的過程中，很容易出現一系列的問題，如倒伏等，這種情況下，往往就需要觀察水稻的實際情況，做好水稻的監控。目前來看，水稻的監控和面積的快速提取工作，已經基本上告別了對人力資源的以來，當前的無人機影像已經可以很好的解決相應的管問題，提升了速度的同時，也降低了人力資源的成本，所以在目前來看，被廣泛的采用，所能獲得的效果也比較出色。面向對象分類的能夠綜合利用無人機影像分割對象的光譜鮮明、形狀和紋理清晰等特征對影像分類，其基本分類方法分有基于規則分類和監督分類2種。基于規則分類方法簡單，對于一些特征明顯的地物類別能夠取得較好的效果，但是對于一些特征相似的地物類別區分效果則較差。但是自然地物光譜特征復雜，存在同譜異物和同物異譜的情況，不存在一種規則（集）能夠適應所有無人機影像，制定合適規則及選取閾值的需要根據使用的影像多次調整才能加以做出，使得基于規則分類不通普適適用于所有情況。監督分類常用的有最鄰近算法、支持向量機和隨機森林法。監督分類方法主要靠判別函數判斷未知事物的特征和有限樣本的的特征來決定待分樣本所屬的類別，較規則分類方法對于類間特征交叉或重疊較多的待分影像來說也可以適用。因此，本文選擇利用監督分類對實驗區影像進行地物分類。

對樣地影像完成分割后目視解譯，建立水稻、樹木、蓮藕、菜地、裸地、道路、溝渠共7個地物類別的體系。對分割生成的對象配置最鄰近特征空間，選擇 24 個樣本進行訓練，占分割對象的 17%。水稻、樹木、蓮藕、菜地、裸地、道路、溝渠樣本個數分別為8、3、2、2、4、3、2。因為分類精度與分類特征數量并不是成正比關系，冗余分類特征會造成計算量的增加，分類效率的降低，甚至是分類精度的降低，所以基于各個類別樣本的特性，比較選定類各對象的RGB光譜、形狀、紋理中的15個特征作為初始特征集，在易康軟件中運用Feature Space Optimization工具找出可以在不同類的樣本之間產生最大平均最小距離的特征組合，隨著特征維數的增加，剛開始樣本之間的區分距離的變化明顯增大，但是特征維數大于6后區分距離變化較小，特征維數大于 10 區分距離甚至出現了下降的現象。

四、結語

綜上所述，無人機影像在水稻種植過程中的面積快速提取效果非常好，所以被廣泛的應用，針對此類情況，本文也就提出了上述內容，詳細的闡述了無人機影像的應用技術內容，確保其更好的發揮實際的效果，滿足既定工作需求。

參考文獻

[1]吳方明，張淼，吳炳方.無人機影像的面向對象水稻種植面積快速提取[J].地球信息科學學報，2019，21（05）：789-798.

[2]田明璐，班松濤，袁濤，籍延寶，馬超，李琳一.基于低空無人機多光譜遙感的水稻倒伏監測研究[J].上海農業學報，2018，34（06）：88-93.

[3]吳金勝，劉紅利，張錦水.無人機遙感影像面向對象分類方法估算市域水稻面積[J].農業工程學報，2018，34（01）：70-77.

[4]李宜展，朱秀芳，張錦水，潘耀忠，李慕義.與抽樣相結合的縣級作物遙感面積估算應用實例[J].遙感技術與應用，2015，30（05）：891-898.