知网查重样例--无人机影像作物识别能力
位于航测中心区域的是一块长期监测地块（图4中的红色区域），南北250m，东西300m，分布有苜蓿、春玉米和夏玉米几种作物，以及收割完的春玉米、大豆、花生（视为裸土）。这一区域作物种植结构复杂，并具有GPS测量的作物面积与类型数据，选择这一区域作为面积识别精度评价区域，图6是面积评价区域的无人机影像，分别采用监督分类方法和面向对象的分类方法对上述几种地物类型进行识别。
采用ENVI软件，首先在影像上对每种地物类型分别选择3～5块用于分类的训练样本（图6）。训练样本的选择是监督分类的关键，需要对要分类的图像所在的区域有所了解，或进行过初步的野外调查。终选择的训练样本应能准确的代表整个区域内每个类别的光谱特征差异。因此，同一类别训练样本必须是均质的，不能包含其他类别，也不能是和其他类别之间的边界或混合像元。
进行无控制点条件下的POS辅助光束法区域网平差之后，利用103个野外检查点对校正精度进行评价，以中误差表示的平面定位精度为X轴方向（东西方向）中误差为2.2877m，Y轴方向（南北方向）中误差为2.7821m，整体平面中误差3.6018m；由于在无控制点条件空三情况下，地面定位精度会受到无人机本身GPS系统误差等的影响，因此，为降低误差并将无人机测区影像与大范围卫星影像坐标系相统一，采用3阶一般多项式模型进行几何精校正后，X轴方向（东西方向）中误差为1.5871m，Y轴方向（南北方向）中误差为1.8965m，整体平面中误差为2.32m，符合国家测绘与地理信息局提出的《数字航空摄影测量空中三角测量规范》中对1:10000平地的平面位置中误差不大于3.5m的要求，能够满足农作物面积遥感监测中作物面积调查定位精度的要求。
采用易康（eCognition）软件对无人机影像进行面向对象的分类。该软件基本的过程就是图像分割，在给定的尺度下进行与知识无关的原始影像对象的提取。面向对象是易康的主要特征，因此，步就是要提取影像对象原型，这样可以生成用于后面分类的原料。这里采用多尺度分割的方法。该方法考虑了地表实体或过程的多层次，克服数据源的固定尺度，采用多尺度影像对象层次的网络结果来揭示地表特征。图像分割的效果将直接影响分类结果的质量。
由于面向对象的分类方法不是以像素，而是以分割后的影像对象为分类单元，因此相比监督分类而言，其分类结果一般都是大片相连，在很大程度上减少了混杂不清的现象。同样用地面测量的结果对其精度进行验证，计算混淆矩阵如表4所示，总体精度达到92%以上。从这可以看出，对于无人机影像，由于其有非常高的地面分辨率，采用常规的基于像素的监督分类方法，往往会造成作物分类结果碎片化（椒盐现象）、分类精度不高的缺陷，分类结果不易矢量化，与地理数据库难以有效整合；而面向对象分类将地面分为一个个具有特定属性的“对象”，综合考虑“对象”的光谱、纹理、拓扑关系等，其分类结果更加符合实际情况和应用需求，具有更高的精度，是高分辨率遥感影像作物分类提取的理想方法。
.—— END ——.