一个无人机高分辨率数据集以及基于CNN和CRF的作物识别分类器

无人机(UAV)搭载的高光谱系统可以获取高空间分辨率的高光谱图像(高分辨率图像)。由于其运行成本低、灵活性高且能实时采集数据，无人机高光谱系统已成为基于遥感的农业监测重要数据源。然而，当作物类别繁多时，基于无人机高分辨率图像的作物精确分类将面临挑战。

传统的高光谱分类方法，如基于光谱和面向对象的分类方法，在对高分辨率图像进行分类时，面临着椒盐 (SP)噪声和尺度选择问题。本文提出了一种基于条件随机场分类器(CNNCRF)框架的深度卷积神经网络(DCNN)，用于无人机机载图像的作物精确分类。

UAV-borne H2imagery with a high spectral resolution(nm level)and a very high spatial resolution (cm level). (a) UAV-borne H2imagery (4-cm spatial resolution and 6-nm spectral resolution). (b) The intraclass pixels show serious spectral variability, and the interclass pixels show the spectral similarity of Rape and Lactuca sativa.

该方法利用CNN提取并融合深度光谱和局部空间特征，条件随机场(CRF)模型进一步融合空间上下文信息以改善分类图中的空洞和孤立区域。

同时，利用基于高光谱成像机制的虚拟样本增强技术来减少有限标记样本的问题。

Flowchart of the CNNCRF classification framework.

为了验证结果，研究者构建了一种新的作物分类数据集——武汉无人机载高光谱图像(WHU-Hi)数据集。在该数据集上获得的实验结果证实了所提出的CNNCRF分类方法的准确性和可视化性能优于以前的方法。此外，WHU-Hi数据集还可作为高光谱图像分类研究的基准数据集。

Effect of different numbers of training samples for SVM, FNEA-OO, SVRFMC, CNN, and CNNCRF on (a) the WHU-Hi-LongKou dataset, (b) the WHU-HiHanChuan dataset, and (c) the WHU-Hi-HongHu dataset.

Effect of different spatial patch sizes for the benchmark CNN and CNNCRF methods on (a) the WHU-Hi-LongKou dataset, (b) the WHU-Hi-HanChuan dataset, and (c) the WHU-Hi-HongHu dataset.

本文针对土地碎片化条件下作物异质性的种植特点，提出了一种基于无人机高分辨率图像的作物监测策略，并建立了由三个无人机高光谱数据集组成的作物精确分类基准数据集WHU-Hi数据集。在无人机高分辨率图像的作物精确分类中，还提出了基于条件随机场分类器框架的深度卷积神经网络，因此我们未来的研究重点将关注其实际应用。

公众号：农业之巅

更多信息请关注智农云芯（AgriBrain)：www.agribrain.cn

来源：https://doi.org/10.1016/j.rse.2020.112012