CN101832769A - 一种基于近景摄影估算矿区植被覆盖度的方法和系统 - Google Patents

Abstract

本发明涉及一种基于近景摄影测量方式估算矿区植被覆盖度的方法，该方法通过对待测矿区进行摄影，提取颜色特征和纹理特征，按照特定的顺序构成特征向量，利用支持向量机分类器实现对植被和非植被的快速分类，然后对植被信息进行统计，从而快速、准确地计算植被覆盖度，为调查矿区植被生长状况提供可靠的依据；该方法同时也可作为定量遥感估测植被覆盖度算法的实际验证。本发明还涉及一种基于近景摄影测量方式估算矿区植被覆盖度的系统，该系统包括特征提取模块、分类器训练模块、植被与非植被分类模块和植被覆盖度计算模块。

Description

一种基于近景摄影估算矿区植被覆盖度的方法和系统

技术领域

本发明涉及植被覆盖度的测量，具体涉及一种基于近景摄影测量方式估算矿区植被覆盖度的方法和系统。

背景技术

矿业资源的开采造成矿区生态环境问题日趋严重，矿产资源的大面积开采不可避免的会对植被和土壤造成破坏；露天开采、地面塌陷及选矿的废弃物的堆积等产生了大量的矿业废弃地，对当地造成了严重的水土流失和环境污染，从而影响了当地经济建设的发展。为了改善矿区的生态环境，有效利用矿业废弃地，有必要对矿业废弃地进行生态恢复，而植被恢复在矿业废弃地生态恢复中具有极为重要的作用，目前国内外的众多学者都在矿业废弃地植被恢复领域进行了大量的研究。

植被能有效地控制水土流失，被公认为水土保持最有效最根本的方法，良好的植被能够覆盖地面、拦截雨滴、调节地面径流、减缓流速、过滤淤泥和固结土壤，从而起到增加土壤渗透性、增加蓄水能力、涵养水源、防止水土流失、提高土壤肥力和改善生态环境等功能，一定覆盖度的植被就能够有效的防止表土流失。植被又是陆地生态系统的重要组成部分，是生态系统中物质循环与能量流动的中枢，也对人类社会经济活动有重要贡献的资源。在废弃地生态重建研究中，植被作为重要生态因子，在矿区土地复垦过程中充当“指示器”的作用。

植被覆盖度是植物群落覆盖地表状况的一个综合量化指标，在矿区植被恢复状况调查与评价中具重要意义：1)植被覆盖度是区域重要的生态气候参数，在研究矿区植被恢复气候改良过程中需要植被覆盖度的信息，同时也是描述矿区生态系统的重要基础数据；2)植被覆盖度在植被恢复及水文生态模型研究中也是一个很重要的变量，可以通过分析植被覆盖度的空间分布计算植被恢复区地下水文状况；3)在考察矿业废弃地植被恢复区地表植被蒸腾和土壤水分蒸发损失总量、光合作用的过程时，植被覆盖度都是作为一个重要的控制因子而存在；4)植被覆盖度是矿业废弃地植被恢复区水土流失的控制因子之一，植被覆盖度的高低很大程度上决定着区域内水土流失的强度；5)植被覆盖度是评估植被恢复区土地退化、盐渍化程度的有效指数。

总体上看植被覆盖度是衡量植被恢复区地表植被状况的一个最重要的指标，植被覆盖度测量方法的改进以及测量精度的提高，是调查和评价矿业废弃地植被恢复状况的当务之急。

目前，传统的地面测量方法主要有：目测法、采样法、仪器测量法。目测法主要通过在地面选取样方，依靠人的经验进行估计，这种方法对人的经验依赖较大，很难保证测量的准确性与可靠性。采样法通过在样方内采样辅助工具进行统计测量，缺点是操作过于复杂，时间较长，限制的条件较多。仪器测量法主要有空间定量计法、移动光量计法和数码相机摄影测量法。空间定量计法、移动光量计法需要使用专用的传感器设备，野外操作不方便。数码相机摄影测量法利用数码相机平行于地面照相后，依据相片估算植被覆盖度。此方法克服了其它常用地表测量植被覆盖度方法的缺点，具有结果精度高，稳定性好，省时的特点。目前应用数码相机进行测量已成为地面测量植被覆盖度的发展趋势，也是地面调查辅助航空遥感方法的重要手段。

通过查阅文献和对专利信息类网站进行检索，有关利用数码相机测量植被覆盖度的方法大都是针对广袤的森林或草原地区，计算单一植被盖度。目前针对矿业废弃地植被恢复区植被特点(地面草本植被稀疏、高度不超过0.8m，乔木植被高度小于6m)，采用数码相机近景摄影测量植被覆盖度的方法还未见报道。

发明内容

本发明要解决的技术问题之一是采用近景摄影的方式，利用支持向量机对矿区植被与非植被进行分类，同时估算矿区植被覆盖度。

本发明要解决的技术问题之二是针对矿业废弃地植被恢复区的植被生长特点，构建专门的植被覆盖度估测系统。

为了解决上述第一个技术问题，本发明涉及一种基于近景摄影测量方式估算矿区植被覆盖度的方法，其包括如下步骤：

S1、对待测矿区进行近景摄影，得到整幅图像的像元，选取植被样本与非植被样本，分别提取所述植被样本与非植被样本的颜色特征、纹理特征，将所述颜色特征和纹理特征按相应的顺序构成特征向量；

S2、利用植被样本与非植被样本的特征向量，计算植被样本与非植被样本的广义最优分类面，得到支持向量及对应的参数，采用所述支持向量和径向基核函数构建支持向量机分类器，作为植被与非植被分类器，即最优分类判别函数方程；

S3、提取待测矿区近景摄影图像中待估算数据的颜色特征和纹理特征，构建待估算数据的特征向量，将该特征向量代入步骤S2所述最优分类判别函数方程中，根据最优分类判别函数的值区分出植被和非植被；

S4、对步骤S3中区分的植被信息进行统计计算，得到植被覆盖度。

其中，所述近景摄影测量方式是指用数码相机垂直向下拍摄高度小于0.8m的矿区草本植被和/或垂直向上拍摄高度小于6m的矿区木本植被。

在步骤S1中，所述颜色特征包括像元的红色、绿色、蓝色、亮度及以所述像元为中心的3×3方阵的红色平均值、绿色平均值、蓝色平均值；

所述纹理特征包括以所述像元为中心的5×5方阵的标准偏差和对比度；

所述特征向量为：

$x^{*}=[R,G,B,I,\stackrel{\‾}{R},\stackrel{\‾}{G},\stackrel{\‾}{B},{\mathrm{\σ}}_{\mathrm{bb}},W_c]$

其中，R、G、B、I、σ_bb、W_c分别表示所述像元的红色、绿色、蓝色、亮度、以所述像元为中心的3×3方阵的红色平均值、绿色平均值、蓝色平均值、以所述像元为中心的5×5方阵的标准偏差和对比度。

在步骤S2中，通过计算训练样本集的n个植被样本与非植被样本(x₁，y₁)、(x₂，y₂)、......、(x_n，y_n)的广义最优分类面来计算植被样本与非植被样本的广义最优分类面；

所述训练样本集的植被样本与非植被样本的广义最优分类面为

y_i(w·x_i-b)≥1-ξ_i

其中，y_i为已知样本的分类状况，y_i的取值为1和-1，当为1时表示样本为植被，当为-1时表示样本为非植被；x_i为支持向量，其从特征向量中得到；w为特征向量的权重向量；b为分类阀值，为标量；ξ_i为松弛量，为标量；其中，w、b、ξ_i这3个变量都为需要优化的参数。

通过计算下面的极值问题来计算所述广义最优分类面问题：

$\min (\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i)$

y_i(w·x_i-b)≥1-ξ_i(i＝1，2，...，n)

ξ_i≥0

其中，C为常数，将上述问题表示成拉格朗日乘子式：

$L=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i+\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i[1-{\mathrm{\ξ}}_i-y_i({\mathrm{wx}}_i-b)]-\underset{i}{\mathrm{\Σ}}{\mathrm{\π}}_i{\mathrm{\ξ}}_i$

当Kuhn-Tucker条件为：

${\▿}_w=w-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i=0$

$\frac{\∂L}{\∂b}=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i=0$

$\frac{\∂L}{\∂\mathrm{\ξ}}=C-{\mathrm{\α}}_i-{\mathrm{\π}}_i=0$

α_i≥0α_i[1-ξ_i-y_i(wx_i-b)]＝0

π_i≥0π_iξ_i＝0

得到：

$w=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i$

$\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i=0,0\≤{\mathrm{\α}}_i\≤C$

α_i[1-ξ_i-y_i(wx_i-b)]＝0

π_i≥0π_iξ＝0

C-α_i-π_i＝0

其中，α_i、π_i为与x_i对应的参数；

当α_i不等于0时，在训练的样本特征向量中得到所需要的样本支持向量x_i以及对应的参数α_i、π_i、w、b、ξ_i。

在步骤S2中，所述径向基核函数为：

$K(x,x_i)=\exp (-\frac{|x-x_i|}{{\mathrm{\σ}}^2})$

其中，x、x_i、σ²分别表示待估算数据的特征向量、支持向量、样本的方差。

在步骤S2中，所述最优分类判别函数方程为：

$f\left(x\right)=\mathrm{sgn}\{{\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b\}$

其中，K(x，x_i)表示径向基核函数；y_i为已知样本的分类状况，y_i的取值为1和-1，当为1时表示样本为植被，当为-1时表示样本为非植被；α_i为与支持向量x_i对应的参数；b为分类阀值。

在步骤S3中，将待估算数据的特征向量代入步骤S2所述最优分类判别函数方程中，当函数f(x)为非负时表示植被，为负时表示非植被。

在步骤S4中，根据步骤S3区分出的植被信息得到植被像元数，利用下式计算植被像元占整幅图像像元的比例，得到植被覆盖度：

$F_{\mathrm{Veg}}=\frac{M_V}{M_T}$

其中，F_Veg表示植被覆盖度，M_V和M_T分别表示植被像元数和整幅图像像元总数。

为了解决上述第二个技术问题，本发明还涉及一种基于近景摄影测量方式估算矿区植被覆盖度的系统，该系统包括：

特征提取模块，用于提取图像的颜色特征和纹理特征，并构成特征向量，所述图像中含有植被样本、非植被样本、以及待估算的数据；

分类器训练模块，用于利用植被样本与非植被样本的特征向量以及径向基核函数构建植被与非植被分类器；

植被与非植被分类模块，用于利用所述植被与非植被分类器对待估算的数据进行植被与非植被的分类；

植被覆盖度计算模块，用于根据分类的结果自动进行植被覆盖度计算。

本发明的方法和系统的有益效果如下：

1、基于近景摄影的方式，利用支持向量机，解决了矿区植被与非植被的分类问题，同时得到了矿区植被覆盖度；

2、本发明采用径向基核函数构建支持向量机分类器，利用特征向量对所述支持向量机分类器进行训练，得到适合于分类的最优分类判别函数，作为植被与非植被分类器，通过植被与非植被分类器对待测矿区中的植被和非植被进行分类；

3、本发明适用于采用数码相机垂直向下拍摄高度小于0.8m的矿区草本植被和/或垂直向上拍摄高度小于6m的矿区木本植被的植被覆盖度的测定；

4、本发明针对矿业废弃地植被恢复区的植被生长特点，构建专门的植被覆盖度估测系统，对待测矿区进行近景摄影，选取图像中的颜色特征和纹理特征，利用支持向量机分类器实现对植被和非植被的快速分类，并对植被信息进行统计，从而自动、快速、准确地计算植被覆盖度，为调查矿区植被生长状况提供可靠的依据；同时也可作为定量遥感估测植被覆盖度算法的实际验证。

附图说明

图1为本发明基于近景摄影测量方式估算矿区植被覆盖度的方法流程示意图；

图2为本发明基于近景摄影测量方式估算矿区植被覆盖度的系统结构示意图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。实施例1本发明的估算矿区植被覆盖度的方法

以辽宁省阜新市海州露天矿排土场植被恢复区为例，采用1000万像素的数码相机在该区域内进行拍照，样方大小为1m*1m，共获取数据照片500幅，其中垂直向上拍照200幅，垂直向下拍照300幅，同时对所拍照的区域进行精确的目测估算植被覆盖度。结果表明，本方法与严格目测估算的偏差很小，大部分的偏差都在5％以下，最大的偏差仅为7.6％。

本发明基于近景摄影测量方式估算矿区植被覆盖度的方法的流程示意图参见图1，该方法包括如下步骤：

S1、对待测矿区进行近景摄影，得到整幅图像的像元，选取植被样本和非植被样本，分别提取所述植被样本和非植被样本的颜色特征、纹理特征；

其中，所述颜色特征包括像元的红色、绿色、蓝色、亮度及以所述像元为中心的3×3方阵内的9个像元的红色平均值、绿色平均值、蓝色平均值；所述纹理特征包括采用灰度共生矩阵法计算的以所述像元为中心的5×5方阵的标准偏差和对比度；

将上述颜色特征和纹理特征按照相应的顺序构成特征向量：

$x^{*}=[R,G,B,I,\stackrel{\‾}{R},\stackrel{\‾}{G},\stackrel{\‾}{B},{\mathrm{\σ}}_{\mathrm{bb}},W_c]$

其中，x^*表示特征向量，R、G、B、I、

σ_bb、W_c分别表示所述像元的红色、绿色、蓝色、亮度、以所述像元为中心的3×3方阵的红色平均值、绿色平均值、蓝色平均值、以所述像元为中心的5×5方阵的标准偏差和对比度。

S2、利用植被样本与非植被样本的特征向量，计算植被样本与非植被样本的广义最优分类面，得到支持向量及对应的参数，采用所述支持向量和径向基核函数构建支持向量机分类器，作为植被与非植被分类器，即最优分类判别函数方程；

通过计算训练样本集的n个植被样本与非植被样本(x₁，y₁)、(x₂，y₂)、......、(x_n，y_n)的广义最优分类面来计算植被样本与非植被样本的广义最优分类面；

所述训练样本集的植被样本与非植被样本的广义最优分类面为

y_i(w·x_i-b)≥1-ξ_i

其中，y_i为已知样本的分类状况，y_i的取值为1和-1，当为1时表示样本为植被，当为-1时表示样本为非植被；x_i为支持向量，其从特征向量中得到；w为特征向量的权重向量；b为分类阀值；ξ_i为松弛量。

通过计算下面的极值问题来计算所述广义最优分类面问题：

$\min (\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i)$

y_i(w·x_i-b)≥1-ξ_i(i＝1，2，...，n)

ξ_i≥0

其中，C为常数，在本实施例中取值为0.8，将上述问题表示成拉格朗日乘子式：

$L=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i+\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i[1-{\mathrm{\ξ}}_i-y_i({\mathrm{wx}}_i-b)]-\underset{i}{\mathrm{\Σ}}{\mathrm{\π}}_i{\mathrm{\ξ}}_i$

当Kuhn-Tucker条件为：

${\▿}_w=w-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i=0$

$\frac{\∂L}{\∂b}=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i=0$

$\frac{\∂L}{\∂\mathrm{\ξ}}=C-{\mathrm{\α}}_i-{\mathrm{\π}}_i=0$

α_i≥0α_i[1-ξ_i-y_i(wx_i-b)]＝0

π_i≥0π_iξ_i＝0

得到：

$w=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i$

$\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C$

α_i[1-ξ_i-y_i(wx_i-b)]＝0

π_i≥0π_iξ＝0

C-α_i-π_i＝0

其中，α_i、π_i为与x_i对应的参数；

当α_i不等于0时，在训练的样本特征向量中得到所需要的样本支持向量x_i以及对应的参数α_i、π_i、w、b、ξ_i。

所述径向基核函数为：

$K(x,x_i)=\exp (-\frac{|x-x_i|}{{\mathrm{\σ}}^2})$

其中，x、x_i、σ²分别表示待估算数据的特征向量、支持向量、样本的方差。

所述最优分类判别函数方程为：

$f\left(x\right)=\mathrm{sgn}\{{\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i{y}_{i}K\left(x{,x}_i\right)+b\}$

其中，K(x，x_i)表示径向基核函数；y_i为已知样本的分类状况，y_i的取值为1和-1，当为1时表示样本为植被，当为-1时表示样本为非植被；α_i为与支持向量x_i对应的参数；b为分类阀值。

S3、提取待测矿区近景摄影图像中待估算数据的颜色特征和纹理特征，构建待估算数据的特征向量，将该特征向量代入步骤S2所述最优分类判别函数方程

中，根据最优分类判别函f(x)数的值区分出植被和非植被，当函数f(x)为非负时表示植被，为负时表示非植被。

S4、运用像元统计法，根据步骤S3区分出的植被信息得到植被像元数，利用下式计算植被像元占整幅图像像元的比例，得到植被覆盖度：

$F_{\mathrm{Veg}}=\frac{M_V}{M_T}$

其中，F_Veg表示植被覆盖度，M_V和M_T分别表示植被像元数和整幅图像像元总数。

实施例2本发明的估算矿区植被覆盖度的系统

本发明基于近景摄影测量方式估算矿区植被覆盖度的系统包括特征提取模块、分类器训练模块、植被与非植被分类模块以及植被覆盖度计算模块，其结构示意图参见图2。

1.特征提取模块

用于提取图像的颜色特征和纹理特征，并构成特征向量，所述图像中含有植被样本、非植被样本、以及待估算的数据；其中颜色特征包括像元的红色、绿色、蓝色、亮度及以所述像元为中心的3×3方阵的红色平均值、绿色平均值、蓝色平均值；纹理特征包括以所述像元为中心的5×5方阵的标准偏差和对比度，通过对整幅图像采用5×5窗口进行扫描，利用灰度共生矩阵法计算纹理特征量；

将上述颜色特征和纹理特征按照相应的顺序构成特征向量：

$x^{*}=[R,G,B,I,\stackrel{\‾}{R},\stackrel{\‾}{G},\stackrel{\‾}{B},{\mathrm{\σ}}_{\mathrm{bb}},W_c]$

其中，x^*表示特征向量，R、G、B、I、σ_bb、W_c分别表示所述像元的红色、绿色、蓝色、亮度、以所述像元为中心的3×3方阵的红色平均值、绿色平均值、蓝色平均值、以所述像元为中心的5×5方阵的标准偏差和对比度；

2.分类器训练模块

用于利用植被样本与非植被样本的特征向量以及径向基核函数构建植被与非植被分类器，即利用植被样本与非植被样本的特征向量，计算植被样本与非植被样本的广义最优分类面，得到能够对植被和非植被进行有效分类的支持向量及对应的参数，采用支持向量和径向基核函数构建支持向量机分类器，作为植被与非植被分类器；

3.植被与非植被分类模块

用于利用所述植被与非植被分类器对待估算的数据进行植被与非植被的分类，即将待测矿区图像数据导入到特征提取模块，提取颜色特征和纹理特征，构成特征向量，将该特征向量导入到上述植被与非植被分类器中进行分类，区分出植被和非植被；

4.植被覆盖度计算模块

用于根据分类的结果自动进行植被覆盖度计算，即对分类后的植被图像进行统计计算，计算出植被像元占整幅图像像元的百分比，即得到植被覆盖度的值。

以上实施方式仅用于说明本发明，而并非对本发明的限制，本领域的普通技术人员在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (8)

1.一种基于近景摄影测量方式估算矿区植被覆盖度的方法，其特征在于，包括如下步骤：

S1、对待测矿区进行近景摄影，得到整幅图像的像元，选取植被样本与非植被样本，分别提取所述植被样本与非植被样本的颜色特征、纹理特征，将所述颜色特征和纹理特征按相应的顺序构成特征向量；

S2、利用植被样本与非植被样本的特征向量，计算植被样本与非植被样本的广义最优分类面，得到支持向量及对应的参数，采用所述支持向量和径向基核函数构建支持向量机分类器，作为植被与非植被分类器，即最优分类判别函数方程；

S3、提取待测矿区近景摄影图像中待估算数据的颜色特征和纹理特征，构建待估算数据的特征向量，将该特征向量代入步骤S2所述最优分类判别函数方程中，根据最优分类判别函数的值区分出植被和非植被；

S4、对步骤S3中区分的植被信息进行统计计算，得到植被覆盖度。

2.根据权利要求1所述的方法，其特征在于，在步骤S1中，所述颜色特征包括像元的红色、绿色、蓝色、亮度及以所述像元为中心的3×3方阵的红色平均值、绿色平均值、蓝色平均值；所述纹理特征包括以所述像元为中心的5×5方阵的标准偏差和对比度；所述特征向量为：

$x^{*}=[R,G,B,I,\stackrel{\‾}{R},\stackrel{\‾}{G},\stackrel{\‾}{B},{\mathrm{\σ}}_{\mathrm{bb}},W_c]$

其中，x^*表示特征向量，R、G、B、I、

σ_bb、W_c分别表示所述像元的红色、绿色、蓝色、亮度、以所述像元为中心的3×3方阵的红色平均值、绿色平均值、蓝色平均值、以所述像元为中心的5×5方阵的标准偏差和对比度。

3.根据权利要求1所述的方法，其特征在于，在步骤S2中，通过计算训练样本集的n个植被样本与非植被样本(x₁，y₁)、(x₂，y₂)、......、(x_n，y_n)的广义最优分类面来计算植被样本与非植被样本的广义最优分类面；所述训练样本集的植被样本与非植被样本的广义最优分类面为

y_i(w·x_i-b)≥1-ξ_i

其中，y_i为已知样本的分类状况，y_i的取值为1和-1，当为1时表示样本为植被，当为-1时表示样本为非植被；x_i为支持向量，其从特征向量中得到；w为特征向量的权重向量；b为分类阀值；ξ_i为松弛量。

4.根据权利要求3所述的方法，其特征在于，通过计算下面的极值问题来计算所述广义最优分类面问题：

$\min (\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i)$

y_i(w·x_i-b)≥1-ξ_i(i＝1，2，...，n)

ξ_i≥0

其中，C为常数，将上述问题表示成拉格朗日乘子式：

$L=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i+\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i[1-{\mathrm{\ξ}}_i-y_i({\mathrm{wx}}_i-b)]-\underset{i}{\mathrm{\Σ}}{\mathrm{\π}}_i{\mathrm{\ξ}}_i$

当Kuhn-Tucker条件为：

${\▿}_w=w-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i=0$

$\frac{\∂L}{\∂b}=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i=0$

$\frac{\∂L}{\∂\mathrm{\ξ}}=C-{\mathrm{\α}}_i-{\mathrm{\π}}_i=0$

α_i≥0α_i[1-ξ_i-y_i(wx_i-b)]＝0

π_i≥0π_iξ_i＝0

得到：

$w=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i$

$\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C$

α_i[1-ξ_i-y_i(wx_i-b)]＝0

π_i≥0π_iξ＝0

C-α_i-π_i＝0

其中，α_i、π_i为与x_i对应的参数；

当α_i不等于0时，在训练的样本特征向量中得到所需要的样本支持向量x_i以及对应的参数α_i、π_i、w、b、ξ_i。

5.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述径向基核函数为：

$K(x,x_i)=\exp (-\frac{|x-x_i|}{{\mathrm{\σ}}^2})$

其中，x、x_i、σ²分别表示待估算数据的特征向量、支持向量、样本的方差。

6.根据权利要求5所述的方法，其特征在于，在步骤S2中，所述最优分类判别函数方程为：

$f\left(x\right)=\mathrm{sgn}\{{\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b\}$

其中，K(x，x_i)表示径向基核函数；y_i为已知样本的分类状况，y_i的取值为1和-1，当为1时表示样本为植被，当为-1时表示样本为非植被；α_i为与支持向量x_i对应的参数；b为分类阀值；

当函数f(x)为非负时表示植被，为负时表示非植被。

7.根据权利要求1所述的方法，其特征在于，在步骤S4中，根据步骤S3区分出的植被信息得到植被像元数，利用下式计算植被像元占整幅图像像元的比例，得到植被覆盖度：

$F_{\mathrm{Veg}}=\frac{M_V}{M_T}$

其中，F_Veg表示植被覆盖度，M_V和M_T分别表示植被像元数和整幅图像像元总数。

8.一种基于近景摄影测量方式估算矿区植被覆盖度的系统，其特征在于，该系统包括：

特征提取模块，用于提取图像的颜色特征和纹理特征，并构成特征向量，所述图像中含有植被样本、非植被样本、以及待估算的数据；

分类器训练模块，用于利用植被样本与非植被样本的特征向量以及径向基核函数构建植被与非植被分类器；

植被与非植被分类模块，用于利用所述植被与非植被分类器对待估算的数据进行植被与非植被的分类；

植被覆盖度计算模块，用于根据分类的结果自动进行植被覆盖度计算。

Images