留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

用于高光谱图像分类的归一化光谱指数的构建与应用

张东彦 赵晋陵 黄林生 马雯萩

张东彦, 赵晋陵, 黄林生, 马雯萩. 用于高光谱图像分类的归一化光谱指数的构建与应用[J]. 红外与激光工程, 2014, 43(2): 586-594.
引用本文: 张东彦, 赵晋陵, 黄林生, 马雯萩. 用于高光谱图像分类的归一化光谱指数的构建与应用[J]. 红外与激光工程, 2014, 43(2): 586-594.
Zhang Dongyan, Zhao Jinling, Huang Linsheng, Ma Wenqiu. Development and application of normalized spectral index based on hyperspectral imagery classification[J]. Infrared and Laser Engineering, 2014, 43(2): 586-594.
Citation: Zhang Dongyan, Zhao Jinling, Huang Linsheng, Ma Wenqiu. Development and application of normalized spectral index based on hyperspectral imagery classification[J]. Infrared and Laser Engineering, 2014, 43(2): 586-594.

用于高光谱图像分类的归一化光谱指数的构建与应用

基金项目: 

国家自然科学基金(41301471);教育部博士点基金项目(20133401120003);安徽大学青年科学研究基金(KJQN1121);安徽大学研究生学术创新研究项目(YQH100165);安徽省高等学校省级自然科学研究项目(KJ2013A026);安徽省自然科学基金(1308085QC58);中国博士后科学基金(2013T60189,2012M520445);安徽大学博士科研启动项目

详细信息
    作者简介:

    张东彦(1982- ),男,讲师,博士,主要从事高光谱遥感与图像处理方面的研究。Email:zhangdy@nercita.org.cn;黄林生(1977- ),男,讲师,博士,主要从事高光谱遥感应用研究。Email:linsheng0808@163.com

    张东彦(1982- ),男,讲师,博士,主要从事高光谱遥感与图像处理方面的研究。Email:zhangdy@nercita.org.cn;黄林生(1977- ),男,讲师,博士,主要从事高光谱遥感应用研究。Email:linsheng0808@163.com

  • 中图分类号: S127

Development and application of normalized spectral index based on hyperspectral imagery classification

  • 摘要: 成像高光谱的近地田间应用为农业定量遥感的发展提供了新的契机。如何发挥其图谱合一的数据优势,尤其在解析土壤、阴影等背景地物对作物养分反演模型的影响需要关注。该研究借助可见/近红外成像高光仪,在近地田间采集小麦群体的成像立方体,根据影像中光照裸土、阴影裸土、光照叶片和阴影叶片的反射光谱特征建立了归一化光谱分类指数,并应用该指数提取大豆影像中不同类型地物的光谱,分析了背景土壤剔除前后的大豆植被归一化光谱与叶绿素密度的决定系数变化情况。结果表明:土壤和阴影叶片光谱去除后,反演叶绿素密度的敏感波段由红-近红外区间(727 nm,922 nm)向蓝、绿,尤其是红波段(710 nm,711 nm)移动。对叶绿素密度敏感的波段区间表现为可见光增加,近红外减少,且红边波段决定系数最高。由此说明,基于归一化光谱指数的植被光谱提纯对定量遥感反演研究具有重要意义。
  • [1]
    [2] Rogan John, Jennifer Miller, Doug Stow, et al. Land-Cover change monitoring with classification trees using landsat tm and ancillary data[J]. Photogrammetric Engineering Remote Sensing, 2003, 69 (7): 793-804.
    [3]
    [4] Gong P, Pu R, Biging G S, et al. Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1355-1362.
    [5] Boggs G S. Assessment of SPOT 5 and QuickBird remotely sensed imagery for mapping tree cover in savannas[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12: 217-224.
    [6]
    [7]
    [8] Zhang X, Feng X, Jiang H. Object-oriented method for urban vegetation mapping using IKONOS imagery[J]. International Journal of Remote Sensing, 2010, 31(1): 177-196.
    [9] Yang M, Zhao C, Zhao Y, et al. Research on a method to derive wheat canopy information from airborne imaging spectrometer data[J]. Scientia Agricultura Sinica, 2002, 35(6): 626-631.
    [10]
    [11]
    [12] Kumara A S, Keerthi V, Manjunath A S, et al. Hyperspectral image classification by a variable interval spectral average and spectral curve matching combined algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12: 261-269.
    [13]
    [14] Martin D P, Rybicki E P. Microcomputer-based quantification of maize streak virus symptoms in Zea mays[J]. Phytopathology, 1998, 88(5): 422-427.
    [15]
    [16] Lukina E V, Stone M L, Raun W R. Estimating vegetation coverage in wheat using digital images[J]. Journal of Plant Nutrition, 1999, 22(2): 341-350.
    [17]
    [18] Ahmad I S, Reid J F, Paulsen M R, et al. Color classifier for symptomatic soybean seeds using image processing[J]. Plant Disease, 1999, 83(4): 320-327.
    [19] Shi Y, Deng J, Chen L, et al. Leaf characteristics extraction of rice under potassium stress based on static scan and spectral segmentation technique[J]. Spectroscopy and Spectral Analysis, 2010, 30(1): 214-219.
    [20]
    [21]
    [22] Scharf P C, Lory J A. Calibrating corn color from aerial photographs to predict sidedress N need [J]. Agronomy Journal, 2002, 94: 397-404.
    [23]
    [24] Jia L, Chen X, Zhang F, et al. To detect nitrogen status of inter wheat by using color digital camera [J]. J Plant Nutrition, 2004, 27(3): 441-450.
    [25]
    [26] Tong Q, Xue Y, Wang J, et al. Development and application of the field imaging spectrometer system [J]. Journal of Remote Sensing, 2010, 14(3): 409-422.
    [27] Zhang D Y, Liu L Y, Huang W J, et al. Inversion and evaluation of crop chlorophyll density based on analyzing image and spectrum[J]. Infrared and Laser Engineering, 2013, 42(7): 1871-1181.
    [28]
    [29] Christian Nansen, Tulio Macedo, Rand Swanson, et al. Use of spatial structure analysis of hyperspectral data cubes for detection of insect-induced stress in wheat plants [J]. International Journal of Remote Sensing, 2009, 30(10):2447-2464.
    [30]
    [31] Chai A, Liao N, Tian L. Identification of cucumber disease using hyperspectral imaging and discriminate analysis[J]. Spectroscopy and Spectral Analysis, 2010, 30(5): 1357-1361.
    [32]
    [33]
    [34] Inoue Y, Penuelas J. An AOTF-based hyperspectral imaging system for field use in ecophysiological and agricultural applications[J]. International Journal of Remote Sensing, 2001, 22(18): 3883-3888.
    [35] Tan H, Li S, Wang K, et al. Monitoring canopy chlorophyll density in seedlings of winter wheat using imaging spectrometer[J]. Acta Agronomica Sinica, 2008, 34(10): 1812-1817.
    [36]
    [37] Zhang L, Huang C, Wu T, et al. Laboratory calibration of a field imaging spectrometer system [J]. Sensors, 2011, 11:2408-2425.
    [38]
    [39]
    [40] Huang W. Remote sensing monitoring of crops diseases mechanism and application[J]. China's Agricultural Science and Technology Press, 2009: 18-24.
    [41] Wang J, Zhao C, Huang W. Basis and Application of Quantitative Remote Sensing in Agriculture[M]. Beijing: Science Press, 2008: 5-11.
    [42]
    [43] Yu B I, Michael Ostland, Peng Gong. Penalized discriminant analysis of in situ hperspectral data for conifer species recognition[J]. IEEE Transactions on Geosciences and Remote Sensing, 1999, 5(37): 2569-2576.
    [44]
    [45]
    [46] Pu R. Broadleaf species recognition with in situ hyperspectral data[J]. International Journal of Remote Sensing, 2009, 30: 2759-2779.
    [47]
    [48] Zhang D Y, Liang D, Zhao J L, et al. Bidirectional reflectance characteristics of soybean canopy using multi-angle hyperspectral imaging[J]. Infrared and Laser Engineering, 2013, 42(3): 787-797.
    [49]
    [50] Haboudane D, Tremblay N, Miller J R, et al. Remote estimation of crop chlorophyll content using spectral indices derived from hyperspecral data[J]. IEEE Transaction on Geoscience and Remote sensing, 2008, 46: 423-427.
    [51]
    [52] Gitelson A A, Kaufman Y, Merzlyak M. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298.
    [53] Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment, 2003, 86: 542-553.
    [54]
    [55] Roshanak Darvishzadeh, Andrew Skidmore, Artin Chlerf, et al. Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in heterogeneous grassland[J]. Remote Sensing of Environment, 2008, 112: 2592-2604.
    [56]
    [57] Fig.4 Identified result of imagery classification
  • [1] 林丽, 刘新, 朱俊臻, 冯辅周.  基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究 . 红外与激光工程, 2022, 51(3): 20210227-1-20210227-9. doi: 10.3788/IRLA20210227
    [2] 杜圣杰, 贾晓芬, 黄友锐, 郭永存, 赵佰亭.  面向CNN模型图像分类任务的高效激活函数设计 . 红外与激光工程, 2022, 51(3): 20210253-1-20210253-9. doi: 10.3788/IRLA20210253
    [3] 张颖, 李河申, 王昊, 孙军华, 张晞, 刘惠兰, 吕妍红.  基于神经网络的典型地物的偏振多光谱图像分类(特邀) . 红外与激光工程, 2022, 51(6): 20220249-1-20220249-8. doi: 10.3788/IRLA20220249
    [4] 赵慧洁, 张晓元, 贾国瑞, 邱显斐, 翟亮.  运动补偿下双通道星载高光谱成像仪图像配准 . 红外与激光工程, 2021, 50(3): 20211022-1-20211022-9. doi: 10.3788/IRLA20211022
    [5] 赵晓枫, 魏银鹏, 杨佳星, 蔡伟, 张志利.  综合相似性在红外目标隐身效果评估中的应用 . 红外与激光工程, 2020, 49(1): 0104004-0104004(11). doi: 10.3788/IRLA202049.0104004
    [6] 盛家川, 陈雅琦, 王君, 韩亚洪.  深度学习结构优化的图像情感分类 . 红外与激光工程, 2020, 49(11): 20200269-1-20200269-10. doi: 10.3788/IRLA20200269
    [7] 刘鹏飞, 赵怀慈, 李培玄.  对抗网络实现单幅RGB重建高光谱图像 . 红外与激光工程, 2020, 49(S1): 20200093-20200093. doi: 10.3788/IRLA20200093
    [8] 王咏梅, 石恩涛, 王后茂.  宽谱段高光谱成像仪星上波长定标方法 . 红外与激光工程, 2019, 48(3): 303006-0303006(7). doi: 10.3788/IRLA201948.0303006
    [9] 张腊梅, 陈泽茜, 邹斌.  基于3D卷积神经网络的PolSAR图像精细分类 . 红外与激光工程, 2018, 47(7): 703001-0703001(8). doi: 10.3788/IRLA201847.0703001
    [10] 侯榜焕, 姚敏立, 贾维敏, 沈晓卫, 金伟.  空谱结构保持的高光谱图像分类 . 红外与激光工程, 2017, 46(12): 1228001-1228001(8). doi: 10.3788/IRLA201746.1228001
    [11] 梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉.  利用成像高光谱区分冬小麦白粉病与条锈病 . 红外与激光工程, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
    [12] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [13] 段运生, 张东彦, 黄林生, 赵晋陵.  冻害胁迫小麦的图谱特征解析研究 . 红外与激光工程, 2015, 44(7): 2218-2223.
    [14] 葛明锋, 亓洪兴, 王义坤, 王雨曦, 马彦鹏, 蔡能斌, 舒嵘.  基于轻小型无人直升机平台的高光谱遥感成像系统 . 红外与激光工程, 2015, 44(11): 3402-3407.
    [15] 刘恂, 华文深, 杨佳.  面向高光谱探测的伪装效果评价方法 . 红外与激光工程, 2014, 43(10): 3228-3232.
    [16] 孟卫华, 倪国强, 高昆, 向静波, 项建胜.  红外高光谱成像的光谱聚焦 . 红外与激光工程, 2013, 42(3): 774-779.
    [17] 张东彦, 刘良云, 黄文江, Coburn Craig, 梁栋.  利用图谱特征解析和反演作物叶绿素密度 . 红外与激光工程, 2013, 42(7): 1871-1881.
    [18] 王大成, 张东彦, 李宇飞, 秦其明, 王纪华, 范闻捷, 陈诗琳.  结合HJ1A/B卫星数据和生态因子的籽粒品质监测 . 红外与激光工程, 2013, 42(3): 780-786.
    [19] 孟鑫, 李建欣, 李苏宁, 朱日宏.  像面干涉成像光谱技术中的复原方法 . 红外与激光工程, 2013, 42(8): 2238-2243.
    [20] 张东彦, 梁栋, 赵晋陵, Coburn Craig, Wang Zhijie, 王秀.  多角度成像解析大豆冠层的二向反射特征 . 红外与激光工程, 2013, 42(3): 787-797.
  • 加载中
计量
  • 文章访问数:  298
  • HTML全文浏览量:  37
  • PDF下载量:  174
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-06-20
  • 修回日期:  2013-07-25
  • 刊出日期:  2014-02-25

用于高光谱图像分类的归一化光谱指数的构建与应用

    作者简介:

    张东彦(1982- ),男,讲师,博士,主要从事高光谱遥感与图像处理方面的研究。Email:zhangdy@nercita.org.cn;黄林生(1977- ),男,讲师,博士,主要从事高光谱遥感应用研究。Email:linsheng0808@163.com

    张东彦(1982- ),男,讲师,博士,主要从事高光谱遥感与图像处理方面的研究。Email:zhangdy@nercita.org.cn;黄林生(1977- ),男,讲师,博士,主要从事高光谱遥感应用研究。Email:linsheng0808@163.com

基金项目:

国家自然科学基金(41301471);教育部博士点基金项目(20133401120003);安徽大学青年科学研究基金(KJQN1121);安徽大学研究生学术创新研究项目(YQH100165);安徽省高等学校省级自然科学研究项目(KJ2013A026);安徽省自然科学基金(1308085QC58);中国博士后科学基金(2013T60189,2012M520445);安徽大学博士科研启动项目

  • 中图分类号: S127

摘要: 成像高光谱的近地田间应用为农业定量遥感的发展提供了新的契机。如何发挥其图谱合一的数据优势,尤其在解析土壤、阴影等背景地物对作物养分反演模型的影响需要关注。该研究借助可见/近红外成像高光仪,在近地田间采集小麦群体的成像立方体,根据影像中光照裸土、阴影裸土、光照叶片和阴影叶片的反射光谱特征建立了归一化光谱分类指数,并应用该指数提取大豆影像中不同类型地物的光谱,分析了背景土壤剔除前后的大豆植被归一化光谱与叶绿素密度的决定系数变化情况。结果表明:土壤和阴影叶片光谱去除后,反演叶绿素密度的敏感波段由红-近红外区间(727 nm,922 nm)向蓝、绿,尤其是红波段(710 nm,711 nm)移动。对叶绿素密度敏感的波段区间表现为可见光增加,近红外减少,且红边波段决定系数最高。由此说明,基于归一化光谱指数的植被光谱提纯对定量遥感反演研究具有重要意义。

English Abstract

参考文献 (57)

目录

    /

    返回文章
    返回