标题

Size: px

Start display at page:

Download "标题"

作延闻人
5 years ago
Views:

1 第 35 卷第 3 期年 5 月地质科技情报 Geological Science and Technology Information Vol.35 No.3 May 2016 基于大数据的遥感图像植被识别方法陈冠宇 1 ꎬ 李向 1 2 ꎬ 王岭玲 (1. 中国地质大学 ( 武汉 ) 计算机学院 ꎬ 武汉 ꎻ 2. 武汉工程科技学院 ꎬ 武汉 ) 摘要 : 植被泛指地球表面的植物群落 ꎬ 包括草地森林沼泽等 ꎮ 遥感影像具有宏观性客观性精确性实时性等特点 ꎬ 能够真实地反映地表覆盖物的状态 ꎬ 清晰地展现各种地表覆盖类型的特征及分布情况 ꎮ 传统的基于遥感影像的植被识别采用人工作业的方式 ꎬ 极大地依赖于人的先验知识 ꎬ 且效率极低 ꎮ 随着遥感应用技术的快速发展 ꎬ 很多自动化的植被检测技术被提出 ꎮ 这些方法在特定范围内得到了应用 ꎬ 但同时也存在着一些缺陷 ꎮ 在采用分块原则预处理较大影像数据的基础上提出了一种基于特征融合的 SVM 分类算法来探讨遥感影像中的植被识别 ꎮ 实验表明 ꎬ 提出的算法具有较好的识别效果和较高的执行速度 ꎮ 关键词 : 遥感影像 ꎻ 植被 ꎻ 支持向量机 ꎻ 分类方法 ꎻ 大数据中图分类号 :P627 文献标志码 :A 文章编号 : (2016) 植被作为地球陆地覆盖面积最大对人类生存环境和生存质量影响最显著的因子 ꎬ 一直是生态学研究的核心内容 ꎬ 而正确识别植被特征则是植被生态学研究的基础支撑性工作 [1] ꎮ 常规的植被特征识别方法主要依赖于一些成本高费时费力的野外调查手段 ꎬ 通过影像处理软件进行数据加载 ꎬ 并通过人眼识别的方式判断影像中存在的植被区域 ꎬ 这种方式虽然较为精确 ꎬ 但效率较低 ꎬ 成本较高 ꎬ 很难满足区域性大范围植被生态学研究的需要 ꎮ 遥感影像应用研究提供了较为新颖的技术手段 ꎮ 遥感影像数据具有客观高速精度动态等特点 ꎬ 使得地表各类地物要素能够得到真实反映 ꎮ 植被识别是遥感影像应用技术中的研究热点 ꎮ 在不同时期的遥感影像中 ꎬ 植被的颜色高度等方面都会有变化 [2] ꎬ 这也使得基于遥感影像的自动化植被检测技术的发展提供了可能 ꎮ 遥感图像分类方法的研究一直受到遥感研究工作者的重视 [3] ꎬ 提出了基于遥感影像的自动化植被 [4 5] 检测技术 ꎬ 包括基于遥感影像指数的检测方法和基于影像分类的检测方法等 [6] [7 8] ꎮ 近年来 ꎬLi 等用 Gram Schmidt 法 Pansharp 变换法 Brovey 变换和主成分 (PC) 变换 4 种方法分析了遥感影像预处理中融合方法的选择问题 ꎬ 提出了高光谱遥感数据快 [9] 速改进 DE 算法 ꎮ 王秋全等探讨分析了 SVM 分类 K 均值分类以及贝叶斯网络分类方法在遥感影 [10] 像分类中的效果和精度 ꎬ 陈冠宇等在此基础上对卷积神经网络算法进行了改进和对比分析 ꎮ Zhang [11] 等探讨了 SVM 分类算法在森林植被识别中的应用 ꎮ 但这些算法依据自身属性 ꎬ 在植被识别中存在着一定的局限性 ꎮ 因此 ꎬ 笔者将在采用分块原则预处理较大影像数据的基础上 ꎬ 提出一种基于特征融合的 SVM 分类算法进行遥感影像中的植被识别 ꎮ 1 遥感影像识别与分类从复杂的遥感影像中提取有用信息并充分利用提取的信息 ꎬ 一直是技术人员竞相研究的内容 ꎮ 信息的提取其实就是一个信息分类识别的过程 ꎬ 通过分类识别 ꎬ 可以提取遥感影像中感兴趣的信息 [12] ꎮ 笔者提出了一种基于特征融合的分类方法来实现遥感影像中的植被检测 ꎬ 算法实现过程如下 : 首先提取影像的光谱特征和植被指数 ꎮ 将像元的光谱特征和植被指数作为表征像元的特征向量 ꎬ 因为光谱特征和植被指数的量纲并不一致 ꎬ 所以需要进行归一化处理 ꎮ 然后通过支持向量机分类算法对影像进行分类 ꎬ 获得植被区域 ꎮ 算法流程图如图 1 所示 ꎮ 1.1 特征提取遥感影像中的特定区域往往与一些特征紧密相连 ꎮ 构造适合的特征向量可以极大地提高分类算法的精度 ꎮ 笔者将提取影像中的光谱特征和植被指数来构建特征向量 ꎮ 光谱特征提取物体的反射率体现为物体对光谱的吸收和反收稿日期 : 编辑 : 杨勇基金项目 : 湖北省自然科学基金项目基于高空间分辨率 RS LiDAR 和 GPR 的多源数据融合方法研究 (2012FFB6403) 作者简介 : 陈冠宇 (1991 )ꎬ 男 ꎬ 现正攻读计算机技术专业硕士学位 ꎬ 主要从事遥感图像识别与分类 ꎮ E mail:164067@ qq.com 通信作者 : 李向 (1970 )ꎬ 男 ꎬ 副教授 ꎬ 主要从事智能计算及在地学中的应用 ꎮ E mail:lixiang@ cug.edu.cn

2 第 3 期陈冠宇等 : 基于大数据的遥感图像植被识别方法 205 括以下几种 ꎮ (1) 比值植被指数其数学表达式如下 : 图 1 算法流程图 Fig.1 Algorithm flow chart 射 ꎬ 多数的地表覆盖物具有特定的光谱波形 ꎮ 因此 ꎬ 在基于高分辨率的遥感影像处理中通常会提取影像中的光谱特征 ꎮ 相关研究表明 ꎬ 从光谱曲线中获得的光强信息可以通过使用波长的宽度深度对称度反射值等参数表示 ꎮ 光谱特征作为影像中最直观的信息 ( 即每个像元的光谱强度 ) 在影像分类中具有重要意义 ꎬ 通过该特征可以将影像中的不同覆盖物进行大致区分 ꎮ 光谱特征是遥感影像上最为直接的信息 ꎬ 也就是每个像元的光谱强度 ꎮ 通过光谱特征可以大致将影像上不同地物进行简单区分 ꎮ 通常 ꎬ 林地草地反射光谱中绿波段较强 ꎬ 而绿地中一些非法建设用地多呈现蓝光谱波段强的特征 ꎮ 通过对光谱特征的提取对于建设用地提取具有重要意义 ꎮ 几种常见的光谱特征如下 :1 波段光谱均值 ꎬ 对于特定波段 ꎬ 其计算方法为图斑对象中所有像元在该波段的强度均值 ꎻ2 亮度 ꎬ 为图斑对象中各个波段均值的平均值 ꎮ 3 标准差 ꎬ 其描述的是特定波段数据的离散状态 ꎬ 计算波段的标准差 ꎬ 必须先计算该波段的光谱均值 ꎻ4 波段光谱比值 ꎬ 为图斑对象中特定波段的均值与所有波段均值之和的比值 ꎮ 光谱信息作为遥感影像数据最基础的信息 ꎬ 它的提取过程相对简单 ꎬ 通常只需要对像素进行遍历 ꎬ 计算统计量即可 ꎮ 植被指数提取地球表面的植被通过传感器最终体现在遥感影像上的主要是其冠层和叶子的光谱特性 ꎮ 不同的光谱波段 ꎬ 体现了植被的不同状态 ꎮ 通常 ꎬ 植物体叶子内部细胞的光谱特性在近红外波段中较容易体现 ꎬ 植物体中的叶绿素含量在可见光波段中较容易体现 ꎬ 水分含量在短红外波段中体现较为明显 ꎮ 通常使用红光波段和近红外波段来计算植被指数 ꎬ 这是由于绿色植物对于红光波段具有较强的吸收作用 ꎬ 对于近红外则体现出高投射性 ꎮ 这 2 种波段在统一状态下对植物的光谱具有截然相反的响应效果 ꎬ 因此可以通过计算二者的比值差值等来体现植被信息 ꎬ 并抑制非植被信息 ꎮ 常用的植被指数包 RVI = DN NIR DN R (1) (2) 差值植被指数其数学表达式如下 : DVI = DN NIR - DN R (2) (3) 归一化植被指数其数学表达式如下 : NDVI = DN - DN NIR R (3) DN NIR + DN R 式中 :NIR 表示影像中特定位置像元的近红外波段 ꎻ R 表示该位置的红外波段 ꎻDN 代表该位置像元的灰度值 ꎮ 1.2 特征归一化特征归一化处理在遥感影像处理中十分常见 ꎬ 对影像进行归一化处理主要包含两方面意义 : 一是特征归一化作为特征提取前的一种预处理方法 ꎻ 二是特征归一化对提取后的特征向量进行特征变换 ꎮ 在对影像进行特征提取的过程中 ꎬ 由于提取的特征量纲不同 ꎬ 所以必须进行归一化处理 ꎮ 下面介绍 2 种常见的归一化处理方法 ꎮ (1) 基于线性拉伸的特征归一化 y = (x-v min) (V max -V min ) (4) 式中 :xꎬy 表示变换前后的特征值 ꎻV min ꎬV max 表示特征向量中的最小最大特征值 ꎮ (2) 基于次序替代的归一化对于所有像元的某一特征值 ꎬ 其中 n 为像元个数 ꎮ 首先对该特征值按照降序排序 ꎬ 得到新的特征序列 ꎬ 然后把每个像元的特征值设置为该特征值归一化后的次序 ꎬ 即式 (5)ꎮ a i = rank(a i) - 1 n - 1 (5) 式中 :a i 是第 i 个像元的特征值 ꎻn 为像元个数 ꎻrank 为排名函数 ꎬrank(a i ) 是第 i 个像元特征值的排名 ꎮ 当出现 2 个像元的特征值相同时 ꎬ 则将它们的归一化结果设置为次序的平均值 ꎮ 1.3 SVM 分类器 SVM( 支持向量机 ) 是由 Vapnik 等根据统计学习理论提出的新型学习算法 ꎬ 该算法在图像语音识别生物特征识别入侵检测以及故障诊断等方面发挥了重要作用 [13] ꎮ SVM 的最显著特点在于其根据结构风险最小准则 ꎬ 尽可能地提升学习能力 ꎬ 即通过有限的训练样本数据得到小的误差能够确保对其他测试集仍然保持较小误差 ꎮ 该方法对于高维度向量以及没有先验知识的情况 ꎬ 具有很好的应用性 [14] ꎮ SVM 算法是在统计学习原理和结构风险最小理论基础上推导而来的 ꎬ 通过一定量的样本数据在

3 206 地质科技情报 2016 年算法的复杂度以及学习水平间寻找一种折衷状态 ꎬ 以期获得较好的推广能力 ꎮ 期望风险最小化机器学习是为了根据给定的样本数据对特定输入输出间的关系做出近似估计 ꎬ 使它能够对未知输出作尽可能准确的预测 ꎮ H2 H H1 式 (6) 为期望风险最小化模型 ꎮ minφ(w) = 1 2 w 2 (6) 式中 :w 为函数的广义参数 ꎮ 式 (7) 满足约束条件 ꎬ 约束是指数据点 ( x i ꎬy i ) 到分类面的距离大于等于 1ꎮ y i = (w x i + b) 1ꎬ i = 1ꎬ2ꎬ3ꎬ (7) 式中 :(x i ꎬy i ) 是数据点 ꎻb 是分类间隔 ꎬ 是指两个类的分类边界的距离 ꎮ 经典风险最小化在之前的论述中 ꎬ 机器学习的目的在于能够将期望风险降至尽可能的小 ꎬ 通常研究员使用的信息只有样本数据 ꎬ 所以很难定量评估期望风险 ꎬ 传统方法通常以尽可能地降低经验风险为依据 ꎬ 使用样本数据量度经验风险 ꎮ 机器学习的真实风险包含两方面因素 : 经验误差和置信区间 ꎮ 通常 ꎬ 算法和学习模型的选择过程就是调整置信区间的过程 ꎬ 如果选择数学模型适合现有的训练集合 ꎬ 便可以取得较好的结果 ꎮ 但因其在理论方面的不足 ꎬ 此种选择通常依靠先验知识 ꎮ 统计学习理论提出一种方法 ꎬ 通过把函数集合构成函数子序列 ꎬ 使每个子序列依照 VC 维的大小进行排列 ꎬ 寻找每个子序列中经验风险的最小值 ꎮ 如图 2 所示 ꎬ 该思想称为经验风险 ꎮ 最优分类面 SVM 算法的执行目的是为了在线性可分的情况中找到最优分类面 ꎬ 如图 3 所示 ꎮ 图 3 中实心点和空心点分别代表 2 种不同类别的数据 ꎬH 为正确划分两类数据的分界线 ꎬH1 H2 为 2 条与分界线平行的直线 ꎬ 且与分界线 H 最近 ꎬ 它们之间的间隔称为 SVM 分类空隙 ꎮ 在训练 SVM 分类器之前 ꎬ 需要采集样本数据 ꎬ 通常对影像的采样操作需遵循以下原则 :1 多采集一些样本区域 ꎻ2 样本区域分布均匀 ꎻ3 勾选多边形图 2 SVM 中的经验风险最小化 Fig.2 SVM in the ERM H Fig.3 图 3 区域时 ꎬ 尽可能细致 ꎮ SVM 中的最优分类面 SVM in the optimal classification surface 本文研究中将使用 libsvm 开源库来实现 SVM 分类算法 ꎬ 该库提供了一组简单接口用于实现训练分类器分类器预测等功能 ꎬ 使用较为简便 ꎮ libsvm 提供了如表 1 所示的几种核函数 ꎮ 表 1 Table 1 核函数类型描述 Kernel type description 参数值核函数类型 1.4 大数据遥感影像处理线性函数多项式函数 RBF 函数 Sigmoid 函数针对数据量较大的遥感影像进行处理时 ꎬ 因为加载数据时难以将影像一次性读入内存 ꎬ 所以需要采取分块处理的方式 ꎬ 分块的原则 ꎬ 是要确保每一块数据的处理能够获得充足的内存 ꎬ 分块示意图如图 4 所示 ꎮ Fig.4 图 4 大数据的分块处理 Big data block processing 如图 4 所示 ꎬ 一块较大的遥感影像数据因为其数据容量较大 ꎬ 难以进行一次性处理 ꎬ 故这里将其进行分块 ꎬ 之后对单个数据块进行处理 ꎻ 待处理过程执行完毕 ꎬ 将处理结果拼接在一起即可 ꎮ 较大影像的处理流程如下 :1 设置适合分块尺度 ( 确保单个数据块的处理流程正确 )ꎻ2 对影像进行分块 ꎻ3 分别处理各个数据块 ꎻ4 将处理结果进行拼接 ꎮ 2 实验分析通过 Visual C 平台进行算法设计 ꎬ 通过

$第３期２０７陈冠宇等:基于大数据的遥感图像植被识别方法ＧＤＡＬ库进行影像的加载ꎮ 定义像元的特征向量如下: typedef struct { long pixel_id; float r_mean; float g_mean; float$ }Pixel_Feature; 结构体中 pixel _ id 表示像元 idꎬ r _ meanꎬ g _ meanꎬb_mean 分别代表 3 个波段的光谱均值ꎮ r _ deviationꎬg _deviationꎬb

}Pixel_Feature; 结构体中 pixel _ id 表示像元 idꎬ r _ meanꎬ g _ meanꎬb_mean 分别代表 3 个波段的光谱均值ꎮ r _ deviationꎬg _deviationꎬb

若影像较大ꎬ则加载一块数据) ꎻ②遍历全局像元ꎬ构建像元特征向量ꎬ并进行特征归一化处理ꎻ ③采集样本ꎬ训练分类器模型ꎻ④使用ＳＶＭ分类器对像元进行分类ꎮ 为了验证本文提出算法的有效性ꎬ本文设计２个独立实验ꎮ ２.１

１实验１实验中采用ＳＰＯＴ５卫星的遥感影像数据ꎬ遥感影像尺寸９００像元９００像元ꎬ如图５所示ꎮ 遥感数据较小ꎬ实验中未进行分块ꎮ 将影像中的地表覆盖物分为植被河流建筑和其他４类ꎮ 通过监督分类对各位置像元进行分类ꎮ

4 第３期２０７陈冠宇等:基于大数据的遥感图像植被识别方法ＧＤＡＬ库进行影像的加载ꎮ 定义像元的特征向量如下: typedef struct { long pixel_id; float r_mean; float g_mean; float b_mean; float r_deviation; float g_deviation; float b_deviation; float brightness; float RVI; float DVI; float NDVI; }Pixel_Feature; 结构体中 pixel _ id 表示像元 idꎬ r _ meanꎬ g _ meanꎬb_mean 分别代表 3 个波段的光谱均值ꎮ r _ deviationꎬg _deviationꎬb _deviation 分别代表 3 个波段的光谱方差ꎮ brightness 为像元亮度值ꎮ RVIꎬ DVIꎬNDVI 分别代表比值植被指数ꎬ差值植被指数和归一化植被指数ꎮ 算法执行流程如下:①通过ＧＤＡＬ库加载遥感影像( 若影像较大ꎬ则加载一块数据) ꎻ②遍历全局像元ꎬ构建像元特征向量ꎬ并进行特征归一化处理ꎻ ③采集样本ꎬ训练分类器模型ꎻ④使用ＳＶＭ分类器对像元进行分类ꎮ 为了验证本文提出算法的有效性ꎬ本文设计２个独立实验ꎮ ２.１分类结果及分析２.１.１实验１实验中采用ＳＰＯＴ５卫星的遥感影像数据ꎬ遥感影像尺寸９００像元９００像元ꎬ如图５所示ꎮ 遥感数据较小ꎬ实验中未进行分块ꎮ 将影像中的地表覆盖物分为植被河流建筑和其他４类ꎮ 通过监督分类对各位置像元进行分类ꎮ 图５Ａ所示实验区中植被区域约占全局影像的７０ ꎬ将分类影像与原数据进行对比可知基于本文算法的植被识别具有较高的准确性ꎮ 识别分类结果如图５Ｂ所示ꎮ ２.１.２实验２实验中采用的ＳＰＯＴ５卫星遥感影像数据ꎬ遥感影像尺寸３３７３像元２８３６像元ꎬ如图５Ｃ所示ꎮ A B C D 图５实验区遥感影像(ＡꎬＣ)及分类结果(ＢꎬＤ) Ｆｉｇ.５Ｅｘｐｅｒｉｍｅｎｔａｌａｒｅａｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ(ａꎬｃ)ꎬ ａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓ(ｂꎬｄ)

5 208 地质科技情报 2016 年 SVM 算法也可以对大数据遥感影像数据进行处理 ꎬ 在实验 2 中数据较大 ꎬ 我们将数据进行分块 ꎬ 分块尺度设置为 ꎮ 算法执行时首先需要计算当前数据块的序号 ꎬ 然后通过分块尺度计算当前数据块在影像中的位置 ꎬ 进而加载该部分数据进行计算 ꎮ 由于本文采用的是基于像元的处理方式 ꎬ 对影像进行分块不会对处理结果造成影响 ꎬ 因此逐块处理后就可以进行合并 ꎮ 图 5 C 所示实验区中植被区域约占全局影像的 64%ꎬ 识别分类结果如图 5 D 所示 ꎮ 2.2 分类精度评价方法在做实验之前 ꎬ 我们先确定如何评价训练后网络的质量和分类精度 ꎮ 分类精度较好确定 ꎬ 因为测试数据都是带标签的数据 ꎬ 分好类后将分类结果和样本标签比较 ꎬ 即可知道分类识别的正确率错检率漏检率 ꎬ 即 : 正确检测的植被像元数正确率 = 区域内全部植被像元数错误检测的植被像元数错检率 = 检测出的全部植被像元数未检测出的植被像元数漏检率 = 区域内的全部植被像元数 (8) (9) (10) 在影像中选取一个较小的区域 ꎬ 对本文提出的算法进行定量评价 ꎬ 如表 2 所示 ꎮ Table 2 表 2 植被检测精度 Vegetation detection precision 实验样本大小 / 像元正确率 / % 错检率 / % 漏检率 / % 实验实验 SVM 算法除了具有较高的精度外同时还具有较高的执行效率 ꎬ 如表 3 所示为算法运行的硬件环境及时间开销 ꎮ Table 3 表 3 算法执行效率 Algorithm execution efficiency 实验内存操作系统数据尺寸 / 像元运行时间 / s 实验 1 2G Win 实验 2 2G Win 由表 3 可知本文算法即使在较低配置的计算机上运行也具有较高的执行效率 ꎮ 图 6 为本文算法执行效率曲线 ꎬ 其中横坐标代表处理的像元数目 ( 单位 : 万 )ꎬ 纵坐标为处理时间 ( 单位 :s)ꎮ 图 6 中的 3 条曲线分别为 3 次测试下算法的执行效率曲线 ꎬ 可以看出 ꎬ 本文算法耗时相对稳定 ꎬ 执行效率较高 ꎮ 通过 2 组实验证明了 SVM 算法进行植被提取的准确性和高效性 ꎬ 同时可以实现大数据的处理 ꎮ 实验中 ꎬ 对全局影像进行遍历 ꎬ 提取光谱特征和植被 /s / 图 6 算法执行效率图 Fig.6 Algorithm execution efficiency 指数 ꎬ 通过特征归一化的方式建立特征向量 ꎮ 通过 SVM 分类器对像元进行分类 ꎬ 获得分类结果 ꎮ 为了能够体现本文算法的准确性 ꎬ 将对分类后像元进行统计 ꎬ 并计算本文算法用于植被识别的准确性错检率以及漏检率等指标 ꎮ 实验中对算法的运行时间进行量测 ꎬ 结果表明该算法执行效率较高 ꎮ 3 结语通常基于遥感影像的植被检测中仅采用单一类型特征 ꎮ 实践证明单独使用某一类特征进行植被检测的结果精度较低 ꎬ 且易于出现漏检错检的情况 ꎮ 基于此种原因 ꎬ 本文通过提取遥感影像中的光谱与植被指数两类特征方式建立像元的特征向量 ꎬ 通过特征归一化进行去量纲化 ꎮ 通过人工选取采样区域训练分类器模型 ꎬ 并通过经典的 SVM 分类器实现影像分类 ꎬ 最终获得分类结果 ꎮ 对于数据量较大的遥感影像采用分块的原则进行了处理 ꎬ 实验表明本文提出的植被检测算法具有较高的精度和较强的实用性 ꎮ 参考文献 : [1] 谭炳香. 高光谱遥感森林类型识别及其郁闭度定量估测研究 [D]. 北京 : 中国林业科学研究院 ꎬ2006. [2] 袁静文. 宜昌地区植被信息提取与变化检测研究 [J]. 交通科技与经济 ꎬ2014ꎬ16(4): [3] Lu DꎬWeng Q.A survey of image classification methods and tech niques of improving classification performance [ J ]. International Journal of Remote Sensingꎬ 2007ꎬ28(5): [4] 张杰 ꎬ 沈芳 ꎬ 刘志国. 长江口潮滩湿地植被光谱分析与遥感检测 [J]. 华东师范大学学报 : 自然科学版 ꎬ2007ꎬ11(4): [5] 刘晓菲. 基于长时序多源遥感数据的植被覆盖度反演与变化检测研究 [D]. 北京 : 中国矿业大学 ꎬ2014. [6] 詹总谦 ꎬ 来冰华 ꎬ 万杰 ꎬ 等. 一种利用纹理特征和朴素贝叶斯分

6 第 3 期陈冠宇等 : 基于大数据的遥感图像植被识别方法 209 类器检测近景影像植被的方法 [ J]. 武汉大学学报 : 信息科学版 ꎬ2013ꎬ23(6): [7] Li XiangꎬWang Lingling.On the study of fusion techniques for bad geological remote sensing image[ J].Journal of Ambient Intelligence and Humanized Computingꎬ2015ꎬ6(1): [8] Li XiangꎬWang Ge. Optimal band selection for hyperspectral data with improved differential evolution[ J].Journal of Ambient Intelli gence and Humanized Computingꎬ2015ꎬ 6(5): [9] 王秋全 ꎬ 李向 ꎬ 王岭玲. 基于不良地质识别的分类方法研究与分析 [J]. 地质科技情报 ꎬ2014ꎬ33(6): [10] 陈冠宇 ꎬ 李向 ꎬ 安凯. 基于卷积神经网络的不良地质体识别与分类 [J]. 地质科技情报 ꎬ2016ꎬ 35(1): [11] Zhang Hꎬ Xu Jꎬ Jiang Q. Extraction and network sharing of forest vegetation information based on SVM [ J]. Journal of Networksꎬ 2013ꎬ 8(5): [12] 薛重生 ꎬ 王霞. 基于分形几何的遥感图像纹理分析方法及应用 [J]. 地质科技情报 ꎬ1997ꎬ 21(3): [13] 何灵敏 ꎬ 沈掌泉 ꎬ 孔繁胜 ꎬ 等.SVM 在多源遥感图像分类中的应用研究 [J]. 中国图象图形学报 ꎬ2007ꎬ12(4): [14] Perumal Kꎬ Bhaskaran R. SVM based effective land use classifica tion system for multispectral remote sensing images[ J].Internation al Journal of Computer Science & Information Securityꎬ 2009ꎬ 5 (2): Identification and Classification of Remote Sensing Image of Vegetation Based on Big Data Chen Guanyu 1 ꎬ Li Xiang 1 ꎬ Wang Lingling 2 (1.School of Computerꎬ China University of Geosciencesꎬ Wuhan ꎬ Chinaꎻ (2.Wuhan University of Engineering Scienceꎬ Wuhan ꎬChina) Abstract: Vegetation refers to plant community of the earth s surfaceꎬ including grasslandsꎬ forestsꎬ and marshes. Remote sensing image with many characteristicsꎬ such as broad perspectivityꎬ objectivityꎬ accuracy and real time performanceꎬ can reflect the real situation of the surface covering and clearly display the characteristics of different land cover types and their distribution. The manual operation of conventional recognition of vegetation based on re mote sensing image depends strongly on prior information and so it is low in efficiency. Though many automatic de tection technologies of vegetation have been applied in the identification of vegetationꎬ they still have some defects. This paper ꎬ on the basis of big data block processingꎬ puts forward SVM based on feature fusion to investigate the vegetation recognition in the remote sensing images. The experiment result shows that the proposed algorithm has better recognition effect and higher execution speed. Key words: remote sensing imageꎻ vegetationꎻ SVMꎻ classification methodꎻ big data

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位自然科学版文章编号视网膜图像中视盘的快速自动定位方法赵晓芳林土胜李碧摘要基于眼底视网膜血管的分布结构及视盘本身的特点提出一种快速自动定位视盘的方法首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标最后把视盘限定在以粗定位的视盘为中心的一个小窗口内用变换精确定位视盘中心该方法不需要事先分割视网膜血管也不需要对算法进行训练