4、結(jié)果分析

4.3 不同分類(lèi)方法比較與分析

4.3.1基于SVM方法的分類(lèi)結(jié)果比較

在不同SVM分類(lèi)方法中，由于其所采用的分類(lèi)模型和輸入特征差異影響，分類(lèi)結(jié)果也存在較大差異。相較于SVM-Linear方法，SVM-RBF模型采用RBF核函數(shù)將原始特征光譜空間投影到更加高維空間，以解決線(xiàn)性不可分問(wèn)題，理論上應(yīng)該可以得到更好的分類(lèi)結(jié)果。然而在本實(shí)驗(yàn)中，SVM-RBF模型并沒(méi)有體現(xiàn)出更加強(qiáng)大的優(yōu)勢(shì)，反而在西瓜、水泥路面、裸土這些地物分類(lèi)中表現(xiàn)出更差的分類(lèi)結(jié)果。這有可能與訓(xùn)練樣本的數(shù)量和可分性密切相關(guān)，這些地物的樣本數(shù)量偏少，樣本空間即使投影到高維空間，也難以被區(qū)分開(kāi)來(lái)。高光譜不同波段之間的強(qiáng)相關(guān)性以及信息冗余“Hughes現(xiàn)象”，主成分變換方法可以對(duì)原始光譜數(shù)據(jù)進(jìn)行降維，通過(guò)提取部分主成分分量進(jìn)行地物分類(lèi)有可能在一定程度上提高分類(lèi)模型的魯棒性。提取前k個(gè)主分量輸入到基于RBF核變換的SVM分類(lèi)模型中，得到的分類(lèi)結(jié)果精度與主成分分量個(gè)數(shù)之間的關(guān)系如圖5所示。

圖5 基于不同方法的作物分類(lèi)結(jié)果

可以發(fā)現(xiàn)，當(dāng)主分量數(shù)量過(guò)少，會(huì)影響到分類(lèi)精度，而隨著主分量數(shù)量的增加，分類(lèi)精度會(huì)有所提升直到穩(wěn)定狀態(tài)，此時(shí)如果再增加主分量數(shù)量，分類(lèi)精度反而會(huì)下降。

圖6 不同數(shù)量的主成分分類(lèi)精度變化

從圖6可以看出，取前15個(gè)主成分分量能夠達(dá)到較好的分類(lèi)結(jié)果，此15個(gè)主成分占原圖像信息含量為99.92%，所有地物的平均分類(lèi)精度為83.15%，僅裸土的分類(lèi)精度較低。如果在此基礎(chǔ)上再加入灰度共生矩陣的紋理特征，即SVM-RBF-PCAGLCM模型。一般來(lái)說(shuō)，將高空間分辨率圖像的空間紋理特征輸入到分類(lèi)器中有助于提高圖像分類(lèi)精度。但對(duì)于本研究而言，它并沒(méi)有獲得理想效果，這是因?yàn)楸狙芯繀^(qū)地表覆蓋類(lèi)型十分復(fù)雜、作物的生長(zhǎng)階段也不一致，多數(shù)地物并沒(méi)有體現(xiàn)出有規(guī)律的空間紋理特征所致。

表2 測(cè)試樣本的分類(lèi)精度

但是從表2也可以看出，對(duì)于大面積分布、有一定空間紋理規(guī)律的地物，SVM-RBF-PCA-GLCM模型能夠得到較好的效果，如絲瓜、水稻、鐵皮廠房、南瓜、黃瓜。相較于本文其他SVM方法，采用空間后處理技術(shù)的SVM-ERW方法考慮了相鄰像素之間的空間相關(guān)性以及訓(xùn)練樣本和測(cè)試樣本之間的連通性，在消除“椒鹽”噪聲方面表現(xiàn)良好，同時(shí)在整體精度上展示出較好的性能，但是該方法容易將作物間的其他地物類(lèi)型劃分為相同作物，比如其中的水泥路面、裸土和其他，多被錯(cuò)誤劃分成鄰近作物類(lèi)型。

4.3.2基于深度學(xué)習(xí)方法的分類(lèi)結(jié)果比較

針對(duì)高光譜遙感圖像高維非線(xiàn)性問(wèn)題，深度學(xué)習(xí)方法具有較強(qiáng)的自主學(xué)習(xí)能力的優(yōu)勢(shì)，并且能夠解決復(fù)雜的多維非線(xiàn)性問(wèn)題，可以從原始圖像中提取各層次特征，從而在高光譜圖像分類(lèi)中表現(xiàn)出更強(qiáng)的魯棒性。

從分類(lèi)結(jié)果上看出，3DCNN模型與Attention-CNN模型由于融合了圖像光譜—空間信息，極大地提升了高光譜圖像分類(lèi)精度，同時(shí)分類(lèi)結(jié)果也剔除了大部分椒噪聲；基于深度學(xué)習(xí)方法的分類(lèi)結(jié)果總體分類(lèi)精度整體上比SVM方法提升了12.7%。3D-CNN模型基于整個(gè)高光譜立方體數(shù)據(jù)集，有效地提取了光譜—空間特征，并且不依賴(lài)于數(shù)據(jù)預(yù)處理方式或后期處理，能夠取得較好的效果，所有地物類(lèi)型的分類(lèi)精度均有很大的提升。引入注意力機(jī)制的AttentionCNN模型，可以讓模型忽略無(wú)關(guān)信息而更多地關(guān)注圖像中的高階光譜特征，從而提升圖像分類(lèi)效果。從分類(lèi)結(jié)果上來(lái)看，Attention-CNN模型與3D-CNN模型在總體分類(lèi)精度OA、Kappa系數(shù)上并沒(méi)有體現(xiàn)出太多的差異，但是它的平均分類(lèi)精度卻提升了3.7%，對(duì)于西瓜這類(lèi)小樣本數(shù)量地物而言，其分類(lèi)精度遠(yuǎn)超過(guò)其他方法。

4.4 不同覆蓋背景下蔬菜作物的分類(lèi)結(jié)果

不同覆蓋背景會(huì)與作物產(chǎn)生光譜混合現(xiàn)象，特別是作物處于不同生長(zhǎng)發(fā)育階段、葉面積覆蓋較小時(shí)，作物混合光譜效應(yīng)越明顯，混合光譜差異越大，從而影響作物的精細(xì)分類(lèi)結(jié)果。水稻作物由于沒(méi)有覆蓋背景影響且葉面積覆蓋較大，其光譜特征明顯、作物內(nèi)部同質(zhì)性高，因此在所有分類(lèi)方法中水稻作物能夠很好地與蔬菜其他作物區(qū)分開(kāi)來(lái)。辣椒包含地膜、大棚和防蟲(chóng)網(wǎng)3種覆蓋背景，盡管總體上深度學(xué)習(xí)方法獲得了較好的分類(lèi)結(jié)果，但是在不同覆蓋背景上的分類(lèi)效果還是存在一定的差異。在3D-CNN模型的分類(lèi)結(jié)果中，均會(huì)出現(xiàn)部分區(qū)域由于混合光譜影響而錯(cuò)分為其他類(lèi)型的現(xiàn)象，特別是在小尺度地塊分類(lèi)結(jié)果中，3種覆蓋類(lèi)型的部分地塊均出現(xiàn)了極端錯(cuò)誤分類(lèi)情形。例如第二排小尺度地塊中的左起第12塊大棚覆蓋辣椒、第23塊防蟲(chóng)網(wǎng)覆蓋辣椒以及第三排第5、6塊地膜覆蓋辣椒均出現(xiàn)了極端錯(cuò)誤分類(lèi)情況；而在Attention-CNN模型辣椒分類(lèi)結(jié)果中，僅第二排第12塊大棚覆蓋辣椒出現(xiàn)了極端錯(cuò)誤現(xiàn)象，其他覆蓋背景的辣椒作物得到了較好的分類(lèi)效果，但是大尺度地塊上地膜覆蓋辣椒除外。地膜覆蓋的絲瓜在3D-CNN模型中分類(lèi)效果較好，但防防蟲(chóng)網(wǎng)覆蓋的絲瓜欠佳；Attention-CNN模型的分類(lèi)效果與之相反。在小尺度地塊上，地膜和大棚覆蓋的茄子在Attention-CNN模型中均得到了較好的分類(lèi)效果。

產(chǎn)生上述現(xiàn)象的原因在于不同覆蓋背景對(duì)訓(xùn)練集混合光譜的影響。在實(shí)驗(yàn)區(qū)中，辣椒、茄子和絲瓜3種作物最為典型，均受了地膜、大棚及防蟲(chóng)網(wǎng)覆蓋背景的影響。它們處在不同生長(zhǎng)發(fā)育階段，其中辣椒處于初花期生長(zhǎng)階段，葉片較為茂盛，植株長(zhǎng)勢(shì)較好；茄子處于移栽期，葉片較小，植株整體偏小；絲瓜處于盛果期，葉片茂密，整體植株覆蓋面積大。這3種作物在不同覆蓋背景下的作物光譜如圖7所示。

圖7不同覆蓋背景下蔬菜作物光譜

從圖7中可以看出，不同覆蓋背景下的作物光譜有顯著差異，這也給同種作物精細(xì)分類(lèi)帶來(lái)較大挑戰(zhàn)。不同蔬菜作物受覆蓋物材質(zhì)、顏色以及作物生長(zhǎng)物候等因素影響，其光譜曲線(xiàn)的變化會(huì)存在一定的不確定性。在將來(lái)的研究中，我們將圍繞不同地區(qū)常用地膜、大棚材質(zhì)、顏色開(kāi)展更進(jìn)一步的高光譜成像實(shí)驗(yàn)，深入分析其光譜、空間特征變化機(jī)理，闡明蔬菜作物設(shè)施覆蓋對(duì)其光譜的影響性。

五、結(jié)論

本研究以湖南省農(nóng)業(yè)科學(xué)研究院高橋科研基地為研究區(qū)，通過(guò)利用無(wú)人搭載高光譜傳感器獲取研究區(qū)的高光譜數(shù)據(jù)，采用當(dāng)前流行SVM機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法對(duì)研究區(qū)的蔬菜作物進(jìn)行了精細(xì)分類(lèi)，經(jīng)過(guò)對(duì)分類(lèi)結(jié)果比較和精度評(píng)價(jià)分析，不同的方法均能得到較好的效果，可為復(fù)雜背景下田間蔬菜作物無(wú)人機(jī)高光譜精細(xì)分類(lèi)提供一定的技術(shù)支持。通過(guò)本次研究，可以得到以下結(jié)論：

（1）無(wú)人機(jī)高光譜遙感數(shù)據(jù)兼具高空間分辨率和高光譜分辨率的特點(diǎn)，在受到地膜、防鳥(niǎo)網(wǎng)、大棚覆蓋等復(fù)雜背景影響情況下，仍可有效地實(shí)現(xiàn)蔬菜作物高精度精細(xì)分類(lèi)，可對(duì)區(qū)域蔬菜作物管理現(xiàn)代化、自動(dòng)化和精細(xì)化提供有力支撐。

（2）基于SVM的不同分類(lèi)方法可以得到較好的分類(lèi)效果，但難以克服分類(lèi)中的椒鹽噪聲影響；由于高光譜數(shù)據(jù)的高維度、信息冗余、非線(xiàn)性等特點(diǎn)，直接將原始高光譜特征輸入SVM分類(lèi)器以及核變換分類(lèi)器，效果不甚理想，但是通過(guò)選擇主成分降維后可以有效地提升分類(lèi)效果，但是效果有限；鑒于本研究不同蔬菜作物的種植背景較為復(fù)雜、作物生長(zhǎng)階段差異較大，空間紋理結(jié)構(gòu)特征的輸入并沒(méi)有取得理想的分類(lèi)精度提升效果。

（3）基于深度學(xué)習(xí)的方法（1D-CNN除外）可以有效實(shí)現(xiàn)對(duì)復(fù)雜背景下的蔬菜作物分類(lèi)；三維卷積神經(jīng)網(wǎng)絡(luò)（3D-CNN）能夠有效地提取高光譜圖像中的光譜—空間特征，并從中挖掘深層次的高級(jí)語(yǔ)義信息，分類(lèi)結(jié)果中能有效地消除椒鹽噪聲，在蔬菜作物精細(xì)分類(lèi)中表現(xiàn)出強(qiáng)大的優(yōu)勢(shì)；基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)（Attention-CNN）通過(guò)關(guān)注圖像中的光譜—空間特征信息，在分類(lèi)精度上表現(xiàn)得更加平衡，對(duì)于西瓜這類(lèi)小樣本數(shù)量地物而言，其分類(lèi)精度遠(yuǎn)超過(guò)其他方法。

（4）蔬菜作物在大尺度地塊上空間紋理特征明顯，而在小地塊尺度上差異較大，宜采用不同深度學(xué)習(xí)方法對(duì)其進(jìn)行精細(xì)分類(lèi)。基于3D-CNN模型有效地融合了光譜—空間結(jié)構(gòu)特征，更加適合提取大地塊尺度上的蔬菜作物；Attention-CNN模型引入注意力機(jī)制，聚焦高階光譜特征和局部鄰域信息，更加適合小尺度地塊作物的精細(xì)分類(lèi)。由于蔬菜作物種植的特殊性和實(shí)驗(yàn)基地的局限性，本研究獲取的數(shù)據(jù)較為有限，后續(xù)將通過(guò)深入研究不同覆蓋背景對(duì)蔬菜作物光譜信號(hào)的透過(guò)規(guī)律和影響機(jī)制，收集多個(gè)區(qū)域的高光譜航飛數(shù)據(jù)，進(jìn)一步分析研究蔬菜復(fù)雜覆蓋背景下的蔬菜作物種植結(jié)構(gòu)信息高光譜遙感探測(cè)能力及精度。

推薦：

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專(zhuān)門(mén)用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性?xún)r(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶(hù)需求更換物鏡。

審核編輯 黃宇