CN102708354A - 一种高尔夫球场的识别方法 - Google Patents

Abstract

本发明解决现有技术中基于中分辨率遥感影像识别高尔夫球场的方法精度低、而基于高分辨率影像和高光谱影像识别高尔夫球场的方法成本高、幅宽窄的缺陷，提供一种基于中分辨率多光谱遥感影像进行高尔夫球场识别的方法。本发明的基本思路是：通过对球道草坪、水体2个高尔夫球场基本要素的识别，按照空间共现特征组合得到高尔夫球场靶区，在靶区内提取第3个基本要素一沙坑的专题信息，进而以单个靶区为单位，将靶区内部的球道草坪、水体、沙坑的类别水平景观指数和高尔夫球场靶区整体的景观水平景观指数作为球场的区别性特征，判断球场靶区是否为高尔夫球场。本发明具有针对性强、精度高、成本低的优点。

Description

一种高尔夫球场的识别方法

技术领域

本发明涉及一种基于中分辨率多光谱遥感影像的高尔夫球场识别方法。

背景技术

目前，国内外专门以高尔夫球场为目标的遥感目标识别研究鲜有报道，而现有相关研究在不同程度上存在针对性差、精度低、成本高等缺点，其根源是这些研究对高尔夫球场特征分析不够深入和对高尔夫球场遥感识别的精度和成本考虑不足，具体可描述为：

1基于球道草坪识别的高尔夫球场识别方法：

由于球道草坪是高尔夫球场的最主要组成部分，有部分研究将高尔夫球场识别问题简化为球道草坪的分类识别问题：Frankvich对Landsat TM影像进行主成分分析和缨帽变换，并通过ISODATA聚类获得球道草坪专题信息；Dimock利用Landsat TM的SWIR、NIR和R波段进行最大似然监督分类以识别球道草坪。

然而，该方法存在以偏概全和针对性差的缺点，并不能有效区分球道草坪与其他类型植被，造成得到的高尔夫球场识别结果精度低。

参考文献：

Frankvich，Jesse.Unsupervised Classification of Spectrally Enhanced Landsat TM Data ofMidland，MI.Final project，Digital Image Processing Research Paper.1999.

W.J.Dimock.Spatial factors affecting white grub presence and abundance in golf course turf[D].Viginia Polytechnic Institute and State University，2004.

2基于航空高光谱影像的高尔夫球场识别方法

Harvey利用航空高光谱影像数据，选择均值、骨架、多方向、多尺度纹理等特征，利用遗传算法进行特征选择，进而通过模板匹配和相似性评价对高尔夫球场进行识别。

然而，航空高光谱影像幅宽窄、获取成本高，不宜作为高尔夫球场识别的主要遥感数据。

参考文献：

N.R.Harvey，Simon Perkins.Steven P.Brumby et al.Finding golf courses：The ultra high techapproach[J].Evolutionary Image Analysis，Signal Processing and Telecommunications，2000.

3基于高分辨率影像的高尔夫球场识别方法

Bhagavathy基于高尔夫球场的纹理块(即树木和草坪的空间重现模式)利用半监督分类方案在航空影像上进行高尔夫球场的识别。该方案通过Gabor滤波器组描述纹理要素，通过高斯混合模型描述纹理块特征，并利用置信度识别高尔夫球场。

然而，该方法只适用于高分辨率影像，高分辨率遥感影像幅宽窄、获取成本高，不宜作为高尔夫球场识别的主要遥感数据。

参考文献：

S.Bhagavathy，B.S.Manjunath.Modeling and Detection of Geospatial Objects Using TextureMotifs[J]，IEEE Transactions on Geoscience and Remote Sensing，Vol.44，No.12，2006.

发明内容

本发明要解决的技术问题是：解决现有技术中基于中分辨率遥感影像识别高尔夫球场的方法精度低、而基于高分辨率影像和高光谱影像识别高尔夫球场的方法成本高、幅宽窄的缺陷，提供一种基于中分辨率多光谱遥感影像进行高尔夫球场识别的方法。

需要说明的是：18洞及18洞以上球场是高尔夫球场用地的主要组成部分，其占地面积约占全部球场占地面积的98％，对18洞及18洞以上球场用地的监测对土地利用动态监测和土地执法具有重要意义，因此18洞以下球场不在本发明的考虑范畴内。本发明的目的是：利用中分辨率多光谱遥感影像，发现影像中可能存在的已建成的18洞及18洞以上高尔夫球场，为高尔夫球场用地监测提供支持。

本发明的原理是：考虑到高尔夫球场是由球道草坪(约占67％)、水体(约占7％)、沙坑(约占3％)等基本要素构成的，只要分别对这3个基本要素进行提取识别并将识别结果进行组合，即可实现对18洞及18洞以上高尔夫球场的识别。

本发明的基本思路是：通过对球道草坪、水体2个高尔夫球场基本要素的识别，按照空间共现特征组合得到高尔夫球场靶区，在靶区内提取第3个基本要素——沙坑的专题信息，进而以单个靶区为单位，将靶区内部的球道草坪、水体、沙坑的类别水平景观指数和高尔夫球场靶区整体的景观水平景观指数作为球场的区别性特征，判断球场靶区是否为高尔夫球场。

本发明的技术方案是：

步骤S1对原始中分辨率多光谱遥感影像进行预处理；

所述对原始中分辨率多光谱遥感影像进行预处理具体是指对原始中分辨率多光谱遥感影像进行辐射校正和几何校正。

所述对原始中分辨率多光谱遥感影像进行预处理的前提是：具有传感器定标系数、太阳天顶角等用于辐射校正的参数，具有用于几何校正的足够数量的地面控制点。具体过程为：

(S11)对原始中分辨多光谱遥感影像进行绝对辐射校正，得到辐射校正后的中分辨率多光谱遥感影像；

(S12)将辐射校正后的中分辨率多光谱遥感影像拉伸为无符号8位影像(数据范围为0～255)，得到拉伸后的中分辨率多光谱遥感影像；

(S13)对拉伸后的中分辨率多光谱遥感影像进行几何精校正，得到预处理后的中分辨率多光谱遥感影像。

步骤S2提取球道草坪专题信息；

本步骤的目的是获得占高尔夫球场总面积约67％的首要基本要素——球道草坪的专题信息。本步骤的前提是：影像获取时间在球道草坪生长期内。本步骤的过程是：利用监督分类方法提取球道草坪像元，并根据球道草坪几何特征将球道草坪像元组合为球道草坪对象。

但是为了取得更高的精度，本发明中还提供了提取球道草坪专题信息所采用的具体步骤是：

(S21)在预处理后的中分辨率多光谱遥感影像上选取用于支持向量数据描述(Support Vector Data Description，SVDD)的训练样本；

(S22)以球道草坪样本各波段反射率为特征矢量，以影像像元的各波段反射率为待测试特征矢量，利用以核宽度σ和舍弃率Fracrej为基本参数的高斯径向基核函数SVDD实现对球道草坪的分类识别；

对于给定n维空间Rⁿ中包含N个对象的数据集

求其数据描述的基本思想是找到一个包含所有(或大部分)数据对象x_i的体积最小的超球体。为了降低数据描述对奇异数据的敏感程度，引入松弛变量ε_i≥0并对违反约束条件的松弛总量

加入惩罚因子C＞0。记超球球心为a，半径为R的超球体如式(1)所示：

$F(R,a,{\mathrm{\ϵ}}_i)=R^2+C{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_i---\left(1\right)$

为了得到更精确的数据描述模型，采用一个非线性映射φ：x→φ(x)将原始输入空间的数据映射到一个高维的特征空间，SVDD在此特征空间中实现超球半径最小化需要求解如下二次规划问题：

$\underset{R,\mathrm{\ϵ}}{\min }{R}^2+C{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_i$

s.t.(φ(x_i)-a)^T(φ(x_i)-a)≤R²+ε_i，i＝1，...，N，    (2)

ε_i≥0，i＝1，...，N.

对如式(2)所示规划引入Lagrange乘子α_i≥0，γ_i≥0，构造如式(3)所示的Lagrange函数：

$L(R,a,{\mathrm{\α}}_i,{\mathrm{\ϵ}}_i,{\mathrm{\γ}}_i)=R^2+C{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_i-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\γ}}_i{\mathrm{\ϵ}}_i-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\{R^2+{\mathrm{\ϵ}}_i-({\mathrm{\φ}}^2\left(x_i\right)-2\mathrm{a\φ}\left(x_i\right)+a^2)\}---\left(3\right)$

将式(3)关于变量R，a，ε_i求微分并将微分设为0，得到新约束条件：

$\frac{\∂L}{\∂R}=2R-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\left(2R\right)=0:{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i=1---\left(4\right)$

$\frac{\∂L}{\∂a}=-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i(2\mathrm{\φ}\left(x_i\right)-2a)=0:a=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\mathrm{\φ}\left(x_i\right)}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i}={\mathrm{\Σ}}_i^N{\mathrm{\α}}_i\mathrm{\φ}\left(x_i\right)---\left(5\right)$

$\frac{\∂L}{\∂{\mathrm{\ϵ}}_i}=C-{\mathrm{\α}}_i-{\mathrm{\γ}}_i=0:0\≤{\mathrm{\α}}_i\≤C---\left(6\right)$

虽然非线性映射φ(x)的具体形式未知，但根据支持向量机(Support VectorMachine，SVM)理论，可以通过引入核函数K(x，y)＝φ(x)^Tφ(y)实现非线性变换后的数据描述。将式(4)和式(5)带入式(3)，则可得到与式(2)对应的如下对偶规划：

$\underset{\mathrm{\α}}{\max }{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_{i}K(x_i,x_i)-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=1}^N{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)$

$s.t.{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i=1---\left(7\right)$

0≤α_i≤C，i＝1，...，N.

实际应用中，高斯径向基核函数是最常用的核函数，即：

K(x，y)＝exp(-||x-y||²/σ²)     (8)

式中，σ为高斯径向基核函数的核宽度参数。对于高斯径向基核函数SVDD而言，需确定核宽度σ和惩罚因子C两个参数，而惩罚因子C一般通过事先指定的定义在目标数据集上的目标舍弃率Fracrej确定，二者的关系为：

$C=\frac{1}{N\×\mathrm{Fracrej}}---\left(9\right)$

式中，N为样本数目。因此，实际应用中的基于高斯径向基核函数的SVDD分类器的训练过程中，用户需要指定一个训练样本集以及Fracrej和σ两个参数。

由式(5)可得到特征空间中最小包围超球的球心计算公式为：

$a={\mathrm{\Σ}}_i^N{\mathrm{\α}}_i^{*}\mathrm{\φ}\left(x_i\right)---\left(10\right)$

式中，

为对偶规划(7)的最优解。称与对应的训练样本为支持向量，分别记支持向量集和支持向量数目为SV和n_sv，则体积最小的超球的半径可由下式计算得到：

$R=\frac{1}{n_{\mathrm{sv}}}{\mathrm{\Σ}}_{s\∈\mathrm{SV}}\sqrt{\left|\right|\mathrm{\φ}\left(x_s\right)-a\left|\right|}$

$=\frac{1}{n_{\mathrm{sv}}}{\mathrm{\Σ}}_{s\∈\mathrm{SV}}\sqrt{\left|\right|\mathrm{\φ}\left(x_s\right)-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}\mathrm{\φ}\left(x_i\right)\left|\right|}---\left(11\right)$

$=\frac{1}{n_{\mathrm{sv}}}{\mathrm{\Σ}}_{s\∈\mathrm{SV}}\sqrt{\left|\right|K(x_s,x_s)-2{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}K(x_s,x_i)+{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}{\mathrm{\α}}_j^{*}K(x_i,x_j)\left|\right|}$

对给定测试样本z，如果其与超球体球心的距离小于超球体半径R，则接受该样本为目标类样本，否则拒绝，接受条件为：

${\left|\right|(\mathrm{\φ}\left(z\right)-a)\left|\right|}^2=K(z\·z)-2{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}K(z,x_i)+{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}{\mathrm{\α}}_j^{*}K(x_i\·x_j)\≤R^2---\left(12\right)$

(S23)对分类结果进行聚类分析，从而将球道草坪像元合并为对象；

(S24)认为形状指数小于一定阈值的对象为球道草坪对象，得到球道草坪专题图(二值图像)，形状指数的计算公式为：

$\mathrm{SI}=\frac{\sqrt{A}}{P}---\left(13\right)$

式中，A为对象面积，P为对象周长。

所述一定阈值利用研究区域内高尔夫球场球道形状指数均值与其三倍标准差求和得到。

步骤S3提取水体专题信息；

本步骤的目的是获得占高尔夫球场总面积约7％的基本要素——水体的专题信息。本步骤的前提是：影像具有短波红外(SWIR)、近红外(NIR)、红(R)波段。本步骤的过程是：利用水体的光谱特征构建一系列决策规则(Decision Rule，DR)提取暗目标地物，并分别实现水体与浓密植被、沥青路面、建筑物阴影的区分，最后对可能被错误剔除的水体进行补充识别。但是为了取得更高的精度，本发明中还提供了提取水体专题信息所采用的具体步骤是：

(S31)基于暗目标地物的低反射率特征提取暗目标地物；

根据暗目标地物(城市环境下包括水体、浓密植被、沥青路面、建筑物阴影)在SWIR波段的反射率ρ_SWIR小于阈值T_SWIR，以及对象的面积area大于阈值T_a1和宽度width大于阈值T_w去除噪声对象，提取暗目标对象，提取暗目标的决策规则可表示为：

DR_1：if(ρ_SWIR＜T_SWIR)and(area＞T_a1)and(width＞T_w)then

class_label＝dark object

所述阈值T_SWIR利用研究区域内水体像元在SWIR波段的反射率均值与其三倍标准差求和得到，T_a1利用研究区域内水体对象的面积均值与其三倍标准差求差得到，T_w利用研究区域内水体对象的宽度均值与其三倍标准差求差得到。

(S32)区分水体和浓密植被、沥青路面、建筑物阴影；

利用水体在中分辨率多光谱遥感影像上表现的光谱特征和空间特征，构建决策规则并利用其分别实现水体和浓密植被、沥青路面、建筑物阴影的区分；

水体与浓密植被的区分：若某暗目标对象在NIR波段的反射率均值

大于阈值T_NIR，则判定该对象为浓密植被，决策规则可表示为：

$\mathrm{DR}\_2:\mathrm{if}({\stackrel{\‾}{\mathrm{\ρ}}}_{\mathrm{NIR}}>T_{\mathrm{NIR}})\mathrm{then\; class}\_\mathrm{label}=\mathrm{dense}\_\mathrm{vegetation}$

所述阈值T_NIR利用研究区域内水体对象在NIR波段的反射率均值与其三倍标准差求差得到。

水体与沥青路面的区分：若某暗目标对象在R波段的反射率均值

大于阈值T_R，则判定该对象为沥青路面，决策规则可表示为：

$\mathrm{DR}\_3:\mathrm{if}({\stackrel{\‾}{\mathrm{\ρ}}}_R>T_R)\mathrm{then\; class}\_\mathrm{label}=\mathrm{asphalt}\_\mathrm{road}$

所述阈值T_R利用研究区域内水体对象在R波段的反射率均值与其三倍标准差求差得到。

水体与建筑物阴影的区分：若某暗目标对象在噪声环境下密度聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)密度聚类结果中为噪声对象(空间点集由各对象的质心组成)，且该对象SWIR波段的反射率均值

与NIR波段反射率均值

之差大于阈值T_SWIR-NIR，则判定该对象为建筑物阴影，决策规则可表示为：

$\mathrm{DR}\_4:\mathrm{if}\left(\mathrm{DBSCAN}(T_{\mathrm{Eps}},T_{\min \mathrm{Pts}})\mathrm{is\; outlier}\right)\mathrm{and}({\stackrel{\‾}{\mathrm{\ρ}}}_{\mathrm{SWIR}}-{\stackrel{\‾}{\mathrm{\ρ}}}_{\mathrm{NIR}}>T_{\mathrm{SWIR}-\mathrm{NIR}})\mathrm{then}$

class_label＝building_shadow

DBSCAN的基本思想是：对于某一聚类中的每个对象，在以其为中心、以指定数值Eps为半径的邻域内，对象个数必须大于一定的阈值minPts。密度阈值由Eps和minPts两个参数共同决定，给定数据集上的一个DBSCAN算法可用DBSCAN(Eps，minPts)表示。

所述半径Eps和对象个数阈值minPts根据水体和建筑物阴影的分类误差利用交叉验证的方法得到，阈值T_SWIR-NIR根据水体对象在SWIR波段的反射率与NIR波段的放射率差值的均值及其三倍标准差求差得到。

(S33)将在上一步中可能被错误剔除的水体对象补充识别为水体对象；

利用水体和阴影在面积上的显著差异，若某对象的面积area大于阈值T_a2，则判定该对象为水体，从而得到水体专题图(二值图像)，决策规则可表示为：

DR_5：if(area＞T_a2)then class_label＝water

所述阈值T_a2利用研究区域内水体对象的面积均值与其三倍标准差求和得到。

(S34)合并S32与S33步骤得到的水体专题信息，获得水体专题图(二值图像)。

步骤S4将球道草坪专题信息和水体专题信息进行组合，得到球场靶区；

本步骤的目的是将球道草坪专题信息和水体专题信息进行组合，从而形成可能的高尔夫球场区域(称为高尔夫球场靶区)，为沙坑专题信息提取和球场识别奠定基础。本步骤的前提是：具有同一地区的球道草坪专题图和水体专题图。本步骤的过程是：利用高尔夫球场中球道草坪和水体在局部空间范围内同时出现(空间共现)的特征，将它们组合为可能的高尔夫球场区域。

但是为了取得更高的精度和更高的自动化程度，本发明中还提供了获得球场靶区所采用的具体步骤是：

(S41)将球道草坪专题图和水体专题图进行逻辑或运算，生成球道草坪和水体分布图，该图是由球道草坪对象和水体对象构成的二值图像；

(S42)对球道草坪和水体分布图进行形态学闭运算，将相邻的草坪对象和水体对象组合为高尔夫球场靶区，用于形态学运算的结构元素形状为正方形，结构元素大小根据相邻对象的距离确定；

(S43)根据18洞及18洞以上球场的面积大于30公顷、球场内球道草坪面积与水体面积比大于1，剔除错误靶区，获得高尔夫球场靶区专题图(二值图像)。

步骤S5在高尔夫球场靶区范围内，在预处理后的中分辨率多光谱遥感影像中提取沙坑专题信息；

本步骤的目的是提取占高尔夫球场总面积约3％的基本要素——沙坑的专题信息。本步骤的过程是：将球道草坪、水体、沙坑作为高尔夫球场内的基本端元，利用混合像元分解实现球场沙坑专题信息提取。

但是为了取得更高的精度，本发明中还提供了提取沙坑专题信息所采用的具体步骤是：

(S51)在高尔夫球场靶区范围内，在预处理后的中分辨率多光谱遥感影像中选择纯净的球道草坪、水体和沙坑像元，作为混合像元分解的端元：

(S511)计算靶区内部像元的像元纯度指数(Pixel Purity Index，PPI)，得到PPI图像；

(S512)将PPI图像和球道草坪专题图进行逻辑与运算，得到的二值图像即可认为是纯净的球道草坪像元，将二值图像中归一化植被指数(NormalizedDifference Vegetation Index，NDVI)值最大的5个像元作为草坪端元；

(S513)将靶区PPI图像和水体专题图进行逻辑与运算，得到的二值图像即可认为是纯净的水体像元，将二值图像中改进的归一化水体指数(ModifiedNormalized Difference Water Index，MNDWI)值最大的5个像元作为水体端元；

MNDWI计算公式如式(14)所示：

$\mathrm{MNDWI}=\frac{{\mathrm{\ρ}}_{\mathrm{Green}}-{\mathrm{\ρ}}_{\mathrm{SWIR}}}{{\mathrm{\ρ}}_{\mathrm{Green}}+{\mathrm{\ρ}}_{\mathrm{SWIR}}}---\left(14\right)$

(S514)球道草坪对象内部存在若干孤立的未被分类为草坪的像元(即球道草坪区域中的洞或孔)通常为沙坑，从这些像元中选择R波段反射率最大的5个像元作为沙坑端元；

(S52)在球场靶区内进行混合像元分解，得到沙坑丰度图；

将球道草坪、水体和沙坑作三种基本端元，在预处理后的中分辨率多光谱影像的靶区中利用非负最小二乘混合像元分解得到沙坑丰度图，非负最小二乘的原理为：

${\mathrm{\γ}}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_{\mathrm{ij}}{\mathrm{\χ}}_j\right)+e_i---\left(15\right)$

χ_j≥0    (16)

式中，γ_i为混合像元在第i波段反射率，α_ij为第j端元组分在第i波段的反射率，χ_j为第j端元组分的丰度，e_i为第i波段的误差，n为端元数量，非负最小二乘混合像元分解即是满足χ_j≥0的条件下求e_i的最小值的过程；

(S53)沙坑丰度阈值分割，获得沙坑专题图(二值图像)：

(S531)对沙坑丰度图像进行阈值分割，将沙坑丰度大于0.5的像元作为含有沙坑的混合像元；

(S532)由于高尔夫球场靶区存在建筑物、停车场、裸土、球车道等可能与沙坑具有相似光谱特征的地物，而这些地物的面积比沙坑面积大，因此将面积大于35个像素的伪沙坑剔除；

(S533)认为沙坑面积占整个靶区面积百分比不合理的沙坑提取结果有误，相应提高或降低丰度阈值并重新进行阈值分割，直至沙坑面积百分比满足约束条件为止，丰度阈值的调整公式为：

$\mathrm{abunThres}=\left\{\begin{array}{c}\mathrm{abunThres}+\mathrm{thresStep},\mathrm{areaPerc}-\mathrm{priorPerc}>\mathrm{percThres}\\ \mathrm{abunThres}-\mathrm{thresStep},\mathrm{priorPerc}-\mathrm{areaPerc}>\mathrm{percThres}\end{array}\right.---\left(17\right)$

式中，abunThres为丰度阈值(初始取值为0.5)，thresStep是丰度增量值(取值为0.05)，areaPerc是沙坑的面积百分比(计算得到)，priorPerc为先验的面积百分比阈值(取值为3％)，percThres是允许的面积百分比误差(取值为0.5％)。

步骤S6判断球场靶区是否为18洞及18洞以上高尔夫球场；

本步骤的目的是判断球场靶区是否为18洞及18洞以上高尔夫球场，并统计获得高尔夫球场的数量、面积和专题图等专题信息。本步骤的前提是：具有同一地区的球道草坪专题图、水体专题图、沙坑专题图、球场靶区专题图。本步骤的过程是：在高尔夫球场靶区内计算球道草坪、水体、沙坑及球场靶区整体的景观指数，并以典型景观指数为特征实现球场靶区的聚类，最后通过面积判断靶区聚类类别与高尔夫球场、非高尔夫球场的对应关系。

但是为了取得更高的精度，本发明中还提供了判断球场靶区是否为18洞及18洞以上高尔夫球场所采用的具体步骤是：

(S61)利用球道草坪、水体和沙坑专题信息，在高尔夫球场靶区内计算球道草坪的类别水平景观指数——景观形状指数LSI_G、水体的类别水平景观指数——斑块个数NP_W、沙坑的类别水平景观指数——斑块个数NP_B和靶区的景观水平景观指数——斑块个数NP_L；

(S62)将靶区的景观指数特征矢量{LSI_G，NP_W，NP_B，NP_L}作为输入，在类别数目取值为2(对应于球场和非球场两种类型)、模糊加权系数取值为2的情况下对靶区执行模糊C均值聚类(Fuzzy C-Means，FCM)聚类，从而将靶区划分为2个类别(分别与高尔夫球场和非高尔夫球场对应)，FCM基本思想为：

给定数据集X＝{x₁，x₂，...，x_n}为n元数据集合，x_j∈R^s，即数据集合X中第j个元素是一个s维矢量：即x_j＝{x_j1，x_j2，...，x_js}，j＝1，2，...，n。FCM就是要将X划分为C类(2≤C≤n)，其中v＝{v₁，v₂，...，v_n}为C个聚类中心。在模糊划分中，每一个样本点不是严格地被划分到某一类，而是以一定的隶属度属于某一类。令u_ij表示第j个样本点属于第i类的隶属度，其满足如式(18)所示的条件。

${\mathrm{\Σ}}_{i=1}^c{u}_{\mathrm{ij}}=\mathrm{1,0}\≤u_{\mathrm{ij}}\≤1---\left(18\right)$

在FCM聚类算法中，隶属度矩阵和聚类中心分别为U＝{u_ij}和V＝{v_i}，FCM的目标函数为：

$J(U,V)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u_{\mathrm{ij}}}^m{d_{\mathrm{ij}}}^2---\left(19\right)$

式中，d_ij为样本x_j与聚类中心v_i之间的距离，常用的欧氏距离如式(20)所示；m≥1是模糊加权参数，表示控制分类矩阵U的模糊度，m越大则分类的模糊程度越高。

$d_{\mathrm{ij}}=\left|\right|x_j-v_i\left|\right|={\left[\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-v_{\mathrm{ij}})}^2\right]}^{\frac{1}{2}}---\left(20\right)$

FCM算法就是在满足式(18)和

的条件下求解式(19)的最小值的过程，该过程是反复修改聚类中心矩阵和隶属度矩阵的分类过程。

(S63)两类中靶区平均面积接近现有高尔夫球场平均面积的类别为高尔夫球场，另一类别为非球场，统计得到高尔夫球场专题信息。

目前，现有高尔夫球场平均面积约为60公顷。

本发明中步骤S2和步骤S3的顺序可以调换，并不影响本发明的实施。

与现有高尔夫球场识别方法相比，本方案具有以下优势：

√针对性强：以高尔夫球场(而不是通用的复合目标)为研究对象，着眼于高尔夫球场的三个基本要素的专题信息提取及高尔夫球场的组合识别，符合复合对象识别的逻辑流程，因此针对性较强；

√精度高：将高尔夫球场作为一个由球道草坪、水体和沙坑三个基本要素构成的复合对象进行识别，而不是将高尔夫球场识别简化为球道草坪的分类识别，可以较好地区分高尔夫球场与公园、农田等复合地物类别，因此精度较高；

√成本低：利用中分辨率多光谱遥感影像(而不是高分辨率遥感影像或高光谱影像)开展高尔夫球场识别，可以在满足高尔夫球场监测区域面积要求的前提下大大节省影像购买成本，适合用于高尔夫球场用地监测的业务化开展。

附图说明

图1是本发明的一种高尔夫球场的识别方法流程示意图；

图2是本发明具体实施例中，预处理后得到的中分辨率多光谱遥感影像(图中由黑色折线包围的区域即为由目视解译得到的4个18洞高尔夫球场，编号分别为①、②、③、④)；

图3为基于图2提取得到的球道草坪专题图；

图4为基于图2提取得到的水体专题图(图中的白色区域即为提取得到的水体对象)；

图5为基于图3所示的球道草坪专题图和图4所示的水体专题图组合得到的高尔夫球场靶区(图中的白色区域即为由球道草坪专题图和水体专题图组合得到的球场靶区，编号①、②、③、④与图2中的编号对应)；

图6为基于图2所示的预处理后的中分辨率多光谱遥感影像、图3所示的球道草坪专题图、图4所示的水体专题图和图5所示的高尔夫球场靶区，得到的沙坑丰度图(图中高亮度区域即为沙坑对象)；

图7为基于图3所示的球道草坪专题图、图4所示的水体专题图、图5所示的高尔夫球场靶区图和沙坑专题图，得到的高尔夫球场专题图(图中白色区域即为提取得到的球场区域，编号①、②、③、④与图2中的编号对应)。

具体实施方式

下面，结合图1～图7对本发明的方法做进一步详细的阐述：

从北京地区2007年5月17日拍摄的一景SPOT-5HRG L1A多光谱影像中截取一幅512x512大小的子图作为实例数据，对本发明的具体实施方式进行说明。

步骤S1对原始中分辨率多光谱遥感影像进行预处理；

本步骤所述对原始中分辨率多光谱遥感影像进行预处理具体是指对原始中分辨率多光谱遥感影像进行辐射校正和几何校正。

所述对原始中分辨率多光谱遥感影像进行预处理的前提是：具有传感器定标系数、太阳天顶角等用于辐射校正的参数，具有用于几何校正的足够数量的地面控制点。本步骤由3个子步骤构成，各子步骤可描述为：

(S11)对原始中分辨多光谱遥感影像进行绝对辐射校正，得到辐射校正后的中分辨率多光谱遥感影像；

(S12)将辐射校正后的中分辨率多光谱遥感影像拉伸为无符号8位影像(数据范围为0～255)，得到拉伸后的中分辨率多光谱遥感影像；

(S13)对拉伸后的中分辨率多光谱遥感影像进行几何精校正，得到预处理后的中分辨率多光谱遥感影像。

预处理后的中分辨率多光谱遥感影像如图2所示(图中由黑色折线包围的区域即为由目视解译得到的4个18洞高尔夫球场，编号分别为①、②、③、④)。

步骤S2提取球道草坪专题信息；

本步骤的目的是获得占高尔夫球场总面积约67％的首要基本要素——球道草坪的专题信息。本步骤的前提是：影像获取时间在球道草坪生长期内。本步骤的过程是：利用监督分类方法提取球道草坪像元，并根据球道草坪几何特征将球道草坪像元组合为球道草坪对象。但是为了取得更高的精度，本发明中还提供了提取球道草坪专题信息所采用的具体步骤是：

(S21)在预处理后的中分辨率多光谱遥感影像上选取用于支持向量数据描述(Support Vector Data Description，SVDD)的训练样本40个；

(S22)以球道草坪样本各波段反射率为特征矢量，以影像像元的各波段反射率为待测试特征矢量，利用利用核宽度σ为0.3、舍弃率Fracrej为0.01的高斯径向基核函数SVDD实现对球道草坪的分类识别；

对于给定n维空间Rⁿ中包含N个对象的数据集

求其数据描述的基本思想是找到一个包含所有(或大部分)数据对象x_i的体积最小的超球体。为了降低数据描述对奇异数据的敏感程度，引入松弛变量ε_i≥0并对违反约束条件的松弛总量

加入惩罚因子C＞0。记超球球心为a，半径为R的超球体如式(21)所示：

$F(R,a,{\mathrm{\ϵ}}_i)=R^2+C{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_i---\left(21\right)$

为了得到更精确的数据描述模型，采用一个非线性映射φ：x→φ(x)将原始输入空间的数据映射到一个高维的特征空间，SVDD在此特征空间中实现超球半径最小化需要求解如下二次规划问题：

$\underset{R,\mathrm{\ϵ}}{\min }{R}^2+C{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_i$

s.i.(φ(x_i)-a)^T(φ(x_i)-a)≤R²+ε_i，i＝1，...，N，   (22)

ε_i≥0，i＝1，...，N.

对如式(22)所示规划引入Lagrange乘子α_i≥0，γ_i≥0，构造如式(23)所示的Lagrange函数：

$L(R,a,{\mathrm{\α}}_i,{\mathrm{\ϵ}}_i,{\mathrm{\γ}}_i)=R^2+C{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_i-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\γ}}_i{\mathrm{\ϵ}}_i-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\{R^2+{\mathrm{\ϵ}}_i-({\mathrm{\φ}}^2\left(x_i\right)-2\mathrm{a\φ}\left(x_i\right)+a^2)\}---\left(23\right)$

将式(23)关于变量R，a，ε_i求微分并将微分设为0，得到新约束条件：

$\frac{\∂L}{\∂R}=2R-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\left(2R\right)=0:{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i=1---\left(24\right)$

$\frac{\∂L}{\∂a}=-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i(2\mathrm{\φ}\left(x_i\right)-2a)=0:a=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\mathrm{\φ}\left(x_i\right)}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i}={\mathrm{\Σ}}_i^N{\mathrm{\α}}_i\mathrm{\φ}\left(x_i\right)---\left(25\right)$

$\frac{\∂L}{\∂{\mathrm{\ϵ}}_i}=C-{\mathrm{\α}}_i-{\mathrm{\γ}}_i=0:0\≤{\mathrm{\α}}_i\≤C---\left(26\right)$

虽然非线性映射φ(x)的具体形式未知，但根据支持向量机(Support VectorMachine，SVM)理论，可以通过引入核函数K(x，y)＝φ(x)^Tφ(y)实现非线性变换后的数据描述。将式(24)和式(25)带入式(23)，则可得到与式(22)对应的如下对偶规划：

$\underset{\mathrm{\α}}{\max }{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_{i}K(x_i,x_i)-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=1}^N{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)$

$s.t.{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i=1---\left(27\right)$

0≤α_i≤C，i＝1，...，N.

实际应用中，高斯径向基核函数是最常用的核函数，即：

K(x，y)＝exp(-||x-y||²/σ²)       (28)

式中，σ为高斯径向基核函数的核宽度参数。对于高斯径向基核函数SVDD而言，需确定核宽度σ和惩罚因子C两个参数，而惩罚因子C一般通过事先指定的定义在目标数据集上的目标舍弃率Fracrej确定，二者的关系为：

$C=\frac{1}{N\×\mathrm{Fracrej}}---\left(29\right)$

式中，N为样本数目。因此，实际应用中的基于高斯径向基核函数的SVDD分类器的训练过程中，用户需要指定一个训练样本集以及Fracrej和σ两个参数。

由式(25)可得到特征空间中最小包围超球的球心计算公式为：

$a={\mathrm{\Σ}}_i^N{\mathrm{\α}}_i^{*}\mathrm{\φ}\left(x_i\right)---\left(30\right)$

式中，

为对偶规划(27)的最优解。称与

对应的训练样本为支持向量，分别记支持向量集和支持向量数目为SV和n_sv，则体积最小的超球的半径可由下式计算得到：

$R=\frac{1}{n_{\mathrm{sv}}}{\mathrm{\Σ}}_{s\∈\mathrm{SV}}\sqrt{\left|\right|\mathrm{\φ}\left(x_s\right)-a\left|\right|}$

$=\frac{1}{n_{\mathrm{sv}}}{\mathrm{\Σ}}_{s\∈\mathrm{SV}}\sqrt{\left|\right|\mathrm{\φ}\left(x_s\right)-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}\mathrm{\φ}\left(x_i\right)\left|\right|}---\left(31\right)$

$=\frac{1}{n_{\mathrm{sv}}}{\mathrm{\Σ}}_{s\∈\mathrm{SV}}\sqrt{\left|\right|K(x_s,x_s)-2{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}K(x_s,x_i)+{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}{\mathrm{\α}}_j^{*}K(x_i,x_j)\left|\right|}$

对给定测试样本z，如果其与超球体球心的距离小于超球体半径R，则接受该样本为目标类样本，否则拒绝，接受条件为：

${\left|\right|(\mathrm{\φ}\left(z\right)-a)\left|\right|}^2=K(z\·z)-2{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}K(z,x_i)+{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i^{*}{\mathrm{\α}}_j^{*}K(x_i\·x_j)\≤R^2---\left(32\right)$

(S23)对分类结果进行聚类分析，从而将球道草坪像元合并为对象；

(S24)认为形状指数小于0.251的对象为球道草坪对象，得到球道草坪专题图(二值图像)，形状指数的计算公式为：

$\mathrm{SI}=\frac{\sqrt{A}}{P}---\left(33\right)$

式中，A为对象面积，P为对象周长。

图3为基于图2提取得到的球道草坪专题图(图中的白色区域即为提取得到的球道草坪对象)。

步骤S3提取水体专题信息；

本步骤的目的是获得占高尔夫球场总面积约7％的基本要素——水体的专题信息。本步骤的前提是：影像具有短波红外(SWIR)、近红外(NIR)、红(R)波段。本步骤的过程是：利用水体的光谱特征构建一系列决策规则(Decision Rule，DR)提取暗目标地物，并分别实现水体与建筑物阴影、浓密植被和沥青路面的区分，最后对可能被错误剔除的水体进行补充识别。

但是为了取得更高的精度，本发明中还提供了提取水体专题信息所采用的具体步骤是：

(S31)基于暗目标地物的低反射率特征提取暗目标地物；

根据暗目标地物(城市环境下包括水体、浓密植被、沥青路面、建筑物阴影)在SWIR波段的反射率ρ_SWIR小于55提取暗目标对象，并根据对象的面积area大于5个像素和宽度width大于2个像素去除噪声对象，提取暗目标的决策规则可表示为：

DR_1：if(ρ_SWIR＜55)and(area＞5)and(width＞2)then

class_label＝dark object

(S32)利用水体在中分辨率多光谱遥感影像上表现的光谱特征和空间特征，构建决策规则并利用其分别实现水体和浓密植被、沥青路面、建筑物阴影的区分；

水体与浓密植被的区分：若某暗目标对象在NIR波段的反射率均值

大于84，则判定该对象为浓密植被，决策规则可表示为：

$\mathrm{DR}\_2:\mathrm{if}({\stackrel{\‾}{\mathrm{\ρ}}}_{\mathrm{NIR}}>84)\mathrm{then\; class}\_\mathrm{label}=\mathrm{dense}\_\mathrm{vegetation}$

水体与沥青路面的区分：若某暗目标对象在R波段的反射率均值

大于70，则判定该对象为沥青路面，决策规则可表示为：

$\mathrm{DR}\_3:\mathrm{if}({\stackrel{\‾}{\mathrm{\ρ}}}_R>70)\mathrm{then\; class}\_\mathrm{label}=\mathrm{asphalt}\_\mathrm{road}$

水体与建筑物阴影的区分：若某暗目标对象在噪声环境下密度聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)密度聚类结果中为噪声对象(空间点集由各对象的质心组成)，且该对象SWIR波段的反射率均值

与NIR波段反射率均值

之差大于5，则判定该对象为建筑物阴影，决策规则可表示为：

$\mathrm{DR}\_4:\mathrm{if}\left(\mathrm{DBSCAN}(27,5)\mathrm{is\; outlier}\right)\mathrm{and}({\stackrel{\‾}{\mathrm{\ρ}}}_{\mathrm{SWIR}}-{\stackrel{\‾}{\mathrm{\ρ}}}_{\mathrm{NIR}}>5)\mathrm{then}$

class_label＝building_shadow

DBSCAN的基本思想是：对于某一聚类中的每个对象，在以其为中心、以指定数值Eps为半径的邻域内，对象个数必须大于一定的阈值minPts。密度阈值由Eps和minPts两个参数共同决定，给定数据集上的一个DBSCAN算法可用DBSCAN(Eps，minPts)表示。本实施例中，半径阈值Eps取值为27个像素，个数阈值minPts取值为5。

(S33)为了将在S32中可能被错误剔除的水体对象补充成为水体对象，利用水体和阴影在面积上的显著差异，若某对象的面积area大于100，则判定该对象为水体，从而得到水体专题图(二值图像)，决策规则可表示为：

DR_5：if(area＞100)then class_label＝water

(S34)合并S32与S33步骤得到的水体专题信息，获得水体专题图(二值图像)。

图4为基于图2提取得到的水体专题图(图中的白色区域即为提取得到的水体对象)。

步骤S4将球道草坪专题信息和水体专题信息进行组合，得到球场靶区；

本步骤的目的是将球道草坪专题信息和水体专题信息进行组合，从而形成可能的高尔夫球场区域(称为高尔夫球场靶区)，为沙坑专题信息提取和球场识别奠定基础。本步骤的前提是：具有同一地区的球道草坪专题图和水体专题图。本步骤的过程是：利用高尔夫球场中球道草坪和水体在局部空间范围内同时出现(空间共现)的特征，将它们组合为可能的高尔夫球场区域。

但是为了取得更高的精度，本发明中还提供了获得球场靶区所采用的具体步骤是：

(S41)将球道草坪专题图和水体专题图进行逻辑或运算，生成球道草坪和水体分布图，该图是由球道草坪对象和水体对象构成的二值图像；

(S42)对球道草坪和水体分布图进行形态学闭运算，将相邻的草坪对象和水体对象组合为高尔夫球场靶区，用于形态学运算的结构元素形状为正方形，结构元素大小为10个像素；

(S43)根据18洞及18洞以上球场的面积大于30公顷、球场内球道草坪面积与水体面积比大于1，剔除错误靶区，获得高尔夫球场靶区专题图(二值图像)。

图5为基于图3所示的球道草坪专题图和图4所示的水体专题图组合得到的高尔夫球场靶区(图中的白色区域即为由球道草坪专题图和水体专题图组合得到的球场靶区，编号①、②、③、④与图2中的编号对应)。

步骤S5在高尔夫球场靶区范围内，在预处理后的中分辨率多光谱遥感影像中提取沙坑专题信息；

本步骤的目的是提取占高尔夫球场总面积约3％的基本要素——沙坑的专题信息。本步骤的过程是：将球道草坪、水体、沙坑作为高尔夫球场内的基本端元，利用混合像元分解实现球场沙坑专题信息提取。

但是为了取得更高的精度，本发明中还提供了提取沙坑专题信息所采用的具体步骤是：

(S51)在高尔夫球场靶区范围内，在预处理后的中分辨率多光谱遥感影像中选择纯净的球道草坪、水体和沙坑像元，作为混合像元分解的端元：

(S511)计算靶区内部像元的像元纯度指数(Pixel Purity Index，PPI)，得到PPI图像；

(S512)将PPI图像和球道草坪专题图进行逻辑与运算，得到的二值图像即可认为是纯净的球道草坪像元，将二值图像中归一化植被指数(NormalizedDifference Vegetation Index，NDVI)值最大的5个像元作为草坪端元；

(S513)将靶区PPI图像和水体专题图进行逻辑与运算，得到的二值图像即可认为是纯净的水体像元，将二值图像中改进的归一化水体指数(ModifiedNormalized Difference Water Index，MNDWI)值最大的5个像元作为水体端元；

MNDWI计算公式如式(34)所示：

$\mathrm{MNDWI}=\frac{{\mathrm{\ρ}}_{\mathrm{Green}}-{\mathrm{\ρ}}_{\mathrm{SWIR}}}{{\mathrm{\ρ}}_{\mathrm{Green}}+{\mathrm{\ρ}}_{\mathrm{SWIR}}}---\left(34\right)$

(S514)球道草坪对象内部存在若干孤立的未被分类为草坪的像元(即球道草坪区域中的洞或孔)通常为沙坑，从这些像元中选择R波段反射率最大的5个像元作为沙坑端元；

(S52)在球场靶区内进行混合像元分解，得到沙坑丰度图；

将球道草坪、水体和沙坑作三种基本端元，在预处理后的中分辨率多光谱影像的靶区中利用非负最小二乘混合像元分解得到沙坑丰度图，非负最小二乘的原理为：

${\mathrm{\γ}}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_{\mathrm{ij}}{\mathrm{\χ}}_j\right)+e_i---\left(35\right)$

χ_j≥0    (36)

式中，γ_i为混合像元在第i波段反射率，α_ij为第j端元组分在第i波段的反射率，χ_j为第j端元组分的丰度，e_i为第i波段的误差，n为端元数量，非负最小二乘混合像元分解即是满足χ_j≥0的条件下求e_i的最小值的过程；

(S53)沙坑丰度阈值分割，获得沙坑专题图(二值图像)：

(S531)对沙坑丰度图像进行阈值分割，将沙坑丰度大于0.5的像元作为含有沙坑的混合像元；

(S532)由于高尔夫球场靶区存在建筑物、停车场、裸土、球车道等可能与沙坑具有相似光谱特征的地物，而这些地物的面积比沙坑面积大，因此将面积大于35个像素的伪沙坑剔除；

(S533)认为沙坑面积占整个靶区面积百分比不合理的沙坑提取结果有误，相应提高或降低丰度阈值并重新进行阈值分割，直至沙坑面积百分比满足约束条件为止，丰度阈值的调整公式为：

$\mathrm{abunThres}=\left\{\begin{array}{c}\mathrm{abunThres}+\mathrm{thresStep},\mathrm{areaPerc}-\mathrm{priorPerc}>\mathrm{percThres}\\ \mathrm{abunThres}-\mathrm{thresStep},\mathrm{priorPerc}-\mathrm{areaPerc}>\mathrm{percThres}\end{array}\right.---\left(37\right)$

式中，abunThres为丰度阈值(初始取值为0.5)，thresStep是丰度增量值(取值为0.05)，areaPerc是沙坑的面积百分比(计算得到)，priorPerc为先验的面积百分比阈值(取值为3％)，percThres是允许的面积百分比误差(取值为0.5％)。

图6为基于图2所示的预处理后的中分辨率多光谱遥感影像、图3所示的球道草坪专题图、图4所示的水体专题图和图5所示的高尔夫球场靶区，得到的沙坑丰度图(图中高亮度区域即为沙坑对象)。

步骤S6判断球场靶区是否为18洞及18洞以上高尔夫球场；

本步骤的目的是判断球场靶区是否为18洞及18洞以上高尔夫球场，并统计获得高尔夫球场的数量、面积和专题图等专题信息。本步骤的前提是：具有同一地区的球道草坪专题图、水体专题图、沙坑专题图、球场靶区专题图。本步骤的过程是：在高尔夫球场靶区内计算球道草坪、水体、沙坑及球场靶区整体的景观指数，并以典型景观指数为特征实现球场靶区的聚类，最后通过面积判断靶区聚类类别与高尔夫球场、非高尔夫球场的对应关系。

但是为了取得更高的精度，本发明中还提供了判断球场靶区是否为18洞及18洞以上高尔夫球场所采用的具体步骤是：

(S61)利用球道草坪、水体和沙坑专题信息，在高尔夫球场靶区内计算球道草坪的类别水平景观指数——景观形状指数LSI_G、水体的类别水平景观指数——斑块个数NP_W、沙坑的类别水平景观指数——斑块个数NP_B和靶区的景观水平景观指数——斑块个数NP_L；

(S62)将靶区的景观指数特征矢量{LSI_G，NP_W，NP_B，NP_L}作为输入，在类别数目取值为2(对应于球场和非球场两种类型)、模糊加权系数取值为2的情况下对靶区执行模糊C均值聚类(Fuzzy C-Means，FCM)聚类，从而将靶区划分为2个类别(分别与高尔夫球场和非高尔夫球场对应)，FCM基本思想为：

给定数据集X＝{x₁，x₂，...，x_n}为n元数据集合，x_j∈R^s，即数据集合X中第j个元素是一个s维矢量：即x_j＝{x_j1，x_j2，...，x_js}，j＝1，2，...，n。FCM就是要将X划分为C类(2≤C≤n)，其中v＝{v₁，v₂，...，v_n}为C个聚类中心。在模糊划分中，每一个样本点不是严格地被划分到某一类，而是以一定的隶属度属于某一类。令u_ij表示第j个样本点属于第i类的隶属度，其满足如式(38)所示的条件。

${\mathrm{\Σ}}_{i=1}^c{u}_{\mathrm{ij}}=\mathrm{1,0}\≤u_{\mathrm{ij}}\≤1---\left(38\right)$

在FCM聚类算法中，隶属度矩阵和聚类中心分别为U＝{u_ij}和V＝{v_i}，FCM的目标函数为：

$J(U,V)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u_{\mathrm{ij}}}^m{d_{\mathrm{ij}}}^2---\left(39\right)$

式中，d_ij为样本x_j与聚类中心v_i之间的距离，常用的欧氏距离如式(40)所示；m≥1是模糊加权参数，表示控制分类矩阵U的模糊度，m越大则分类的模糊程度越高。

$d_{\mathrm{ij}}=\left|\right|x_j-v_i\left|\right|={\left[\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-v_{\mathrm{ij}})}^2\right]}^{\frac{1}{2}}---\left(40\right)$

FCM算法就是在满足式(38)和

的条件下求解式(39)的最小值的过程，该过程是反复修改聚类中心矩阵和隶属度矩阵的分类过程。

(S63)两类中靶区平均面积接近60公顷的类别为高尔夫球场，另一类别为非球场，统计得到高尔夫球场专题信息。

图7为基于图3所示的球道草坪专题图、图4所示的水体专题图、图5所示的高尔夫球场靶区图和沙坑专题图，得到的高尔夫球场专题图(图中白色区域即为提取得到的球场区域，编号①、②、③、④与图2中的编号对应)。

本实施例中，高尔夫球场提取误差如表1所示。

表1高尔夫球场提取结果误差统计表

参考数量	提取数量	数量误差	参考面积(hm2)	提取面积(hm2)	面积误差(％)
						4	4	0	206.19	179.35	13.02

Claims (8)

1.一种高尔夫球场的识别方法，其特征在于，包括的步骤有：

对原始中分辨率多光谱遥感影像进行预处理；

提取球道草坪专题信息；

提取水体专题信息；

将球道草坪专题信息和水体专题信息进行组合，得到球场靶区；

在高尔夫球场靶区范围内，在预处理后的中分辨率多光谱遥感影像中提取沙坑专题信息；

判断球场靶区是否为18洞及18洞以上高尔夫球场。

2.根据权利要求1所述的一种高尔夫球场的识别方法，其特征在于，所述提取球道草坪专题信息的具体步骤是：

在预处理后的中分辨率多光谱遥感影像上选取用于支持向量数据描述(Support Vector Data Description，SVDD)的训练样本；

以球道草坪样本各波段反射率为训练特征矢量，以影像像元的各波段反射率为待测试特征矢量，利用以核宽度σ和舍弃率Fracrej为基本参数的高斯径向基核函数SVDD实现对球道草坪的分类识别；

对分类结果进行聚类分析，从而将球道草坪像元合并为对象；

认为形状指数小于一定阈值的对象为球道草坪对象，得到球道草坪专题图(二值图像)；

所述一定阈值利用研究区域内高尔夫球场球道形状指数均值与其三倍标准差求和得到。

3.根据权利要求1所述的一种高尔夫球场的识别方法，其特征在于，所述提取水体专题信息的具体步骤是：

基于暗目标地物的低反射率特征提取暗目标地物；

区分水体和浓密植被和沥青路面、建筑物阴影暗目标地物；

将在上一步中可能被错误剔除的水体对象补充识别为水体对象；

合并得到的水体专题信息，获得水体专题图(二值图像)。 

4.根据权利要求1所述的一种高尔夫球场的识别方法，其特征在于，所述将球道草坪专题信息和水体专题信息进行组合，得到球场靶区的具体步骤是：

将球道草坪专题图和水体专题图进行逻辑或运算，生成球道草坪和水体分布图，该图是由球道草坪对象和水体对象构成的二值图像；

对球道草坪和水体分布图进行形态学闭运算，将相邻的草坪对象和水体对象组合为高尔夫球场靶区，用于形态学运算的结构元素形状为正方形，结构元素大小根据相邻对象的距离确定；

根据18洞及18洞以上球场的面积大于30公顷、球场内球道草坪面积与水体面积比大于1，剔除错误靶区，获得高尔夫球场靶区专题图(二值图像)。

5.根据权利要求1所述的一种高尔夫球场的识别方法，其特征在于，所述提取沙坑专题信息的具体步骤是：

在高尔夫球场靶区范围内，在预处理后的中分辨率多光谱遥感影像中选择纯净的球道草坪、水体和沙坑像元，作为混合像元分解的端元；

在球场靶区内进行混合像元分解，得到沙坑丰度图；

沙坑丰度阈值分割，获得沙坑专题图(二值图像)。

6.根据权利要求5所述的一种高尔夫球场的识别方法，其特征在于，所述在高尔夫球场靶区范围内，在预处理后的中分辨率多光谱遥感影像中选择纯净的球道草坪、水体和沙坑像元，作为混合像元分解的端元，具体步骤为：

计算靶区内部像元的像元纯度指数(Pixel Purity Index，PPI)，得到PPI图像；

将PPI图像和球道草坪专题图进行逻辑与运算，得到的二值图像即可认为是纯净的球道草坪像元，将二值图像中归一化植被指数(Normalized Difference Vegetation Index，NDVI)值最大的5个像元作为草坪端元；

将靶区PPI图像和水体专题图进行逻辑与运算，得到的二值图像即可认为是纯净的水体像元，将二值图像中改进的归一化水体指数(Modified Normalized Difference Water Index，MNDWI)值最大的5个像元作为水体端元；

球道草坪对象内部存在若干孤立的未被分类为草坪的像元(即球道草坪区域中的洞或孔)通常为沙坑，从这些像元中选择R波段反射率最大的5个像元作为 沙坑端元。

7.根据权利要求5所述的一种高尔夫球场的识别方法，其特征在于，所述沙坑丰度阈值分割，获得沙坑专题图(二值图像)的具体步骤为：

对沙坑丰度图像进行阈值分割，将沙坑丰度大于0.5的像元作为含有沙坑的混合像元；

由于高尔夫球场靶区存在建筑物、停车场、裸土、球车道等可能与沙坑具有相似光谱特征的地物，而这些地物的面积比沙坑面积大，因此将面积大于35个像素的伪沙坑剔除；

认为沙坑面积占整个靶区面积百分比不合理的沙坑提取结果有误，相应提高或降低丰度阈值并重新进行阈值分割，直至沙坑面积百分比满足约束条件为止，丰度阈值的调整公式为：

式中，abunThres为丰度阈值(初始取值为0.5)，thresStep是丰度增量值(取值为0.05)，areaPerc是沙坑的面积百分比(计算得到)，priorPerc为先验的面积百分比阈值(取值为3％)，percThres是允许的面积百分比误差(取值为0.5％)。

8.根据权利要求1所述的一种高尔夫球场的识别方法，其特征在于，所述判断球场靶区是否为18洞及18洞以上高尔夫球场的具体步骤是：

利用球道草坪、水体和沙坑专题信息，在高尔夫球场靶区内计算球道草坪的类别水平景观指数——景观形状指数LSI_G、水体的类别水平景观指数——斑块个数NP_W、沙坑的类别水平景观指数——斑块个数NP_B和靶区的景观水平景观指数——斑块个数NP_L：

将靶区的景观指数特征矢量{LSI_G，NP_W，NP_B，NP_L}作为输入，在类别数目取值为2(对应于球场和非球场两种类型)、模糊加权系数取值为2的情况下对靶区执行模糊C均值聚类(Fuzzy C-Means，FCM)聚类，从而将靶区划分为2个类别 (分别与高尔夫球场和非高尔夫球场对应)；

两类中靶区平均面积接近现有高尔夫球场平均面积的类别为高尔夫球场，另一类别为非球场，统计得到高尔夫球场专题信息。 

Images