CN103530888A - 基于比例信息的林地被动微波混合像元分解方法 - Google Patents
基于比例信息的林地被动微波混合像元分解方法 Download PDFInfo
- Publication number
- CN103530888A CN103530888A CN201310528638.8A CN201310528638A CN103530888A CN 103530888 A CN103530888 A CN 103530888A CN 201310528638 A CN201310528638 A CN 201310528638A CN 103530888 A CN103530888 A CN 103530888A
- Authority
- CN
- China
- Prior art keywords
- forest
- broad
- image
- leaf
- passive microwave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明的基于比例信息的林地被动微波混合像元分解方法,属于遥感图像处理的技术领域。该方法的应用条件是林地被动微波遥感数据和林地图像数据,方法包括如下过程:1)通过颜色空间转换、阈值分割,计算林地图像中针叶林和阔叶林的比例信息,2)建立林地被动微波混合像元分解模型,3)林地被动微波混合像元分解模型求解,获得阔叶林组分亮温和针叶林组分亮温。本发明可以获得观测地区更为准确的林地信号,有助于森林的微波传输特性和林地相关参数反演研究,也有助于其它相关科学问题的解决和实现,进一步推动遥感面向全球的实时、精确的植被参数监测。
Description
技术领域
本发明属于遥感图像处理的技术领域,具体涉及一种基于比例信息的林地被动微波混合像元分解方法,可以由林地被动微波混合像元中分解获得针叶林和阔叶林的组分亮温,提供观测地区更为准确的林地信号,有助于森林的微波传输特性和林地相关参数反演研究。
背景技术
目前,被动微波遥感技术已被广泛应用于对植被生物量、冠层含水量、土壤水分、地表冻融状态判别、雪水当量等地表参数的反演算法和监测中。植被作为研究的目标对象或干扰因素,对植被信号的准确理解和准确表达是提高算法精度的关键。为了尽可能准确的获取植被参数或排除植被影响,提高反演精度,一系列针对植被的被动微波辐射传输模型已经相继建立,包括零阶(参见Ulaby,F.T.,Moore,R.K.&Fung,A.K.(1981).Microwave remote sensing:active and passive,vol.I.Artech House,Dedham,MA.)、一阶(参见Mo,T.(1982).A model for microwaveemission from vegetation-covered fields.Journal of Geophysical Research,87,11229-11237.)、高阶的辐射传输模型(参见Eom,H.J.&Fung,A.K.(1986).Scattering from a random layer embedded with dielectric needles.Remote Sensing ofEnvironment,19,139-149.和Ferrazzoli,P.&Guerriero,L.(1995).Radar sensitivityto tree geometry and woody volume:a model analysis.IEEE Transactions onGeoscience and Remote Sensing,33,360-371.)、回归模型(参见Ferrazzoli,P.,Guerriero,L.&Wigneron,J.-P.(2002).Simulating L-band emission of forests in viewof future satellite applications.IEEE Transactions on Geoscience and Remote Sensing,40,2700-2708.)、森林多层模型(参见Karam,M.A.(1997).A physical model formicrowave radiometry of vegetation.IEEE Transactions on Geoscience and RemoteSensing35,1045-1058.)等。这些模型绝大部分是基于对植被不同组成部分相对重要性的一个直观认识:即认为植被是由一些具有不同尺寸和形状的、随机分布的离散散射体组成(参见E.Santi,S.Paloscia,P.Pampaloni,S.Pettinato,Ground-Based Microwave Investigations of Forest Plots in Italy,IEEE trans.Geosci.Remote Sens.,vol.47,pp.3016-3025,2009.),把这些来自植被不同组成部分的贡献信号加和可以获取植被总的辐射信号。Shi(参见Shi,J.,Jackson,T.,Tao,J.,Du,J.,Bindlish,R.,Lu,L.&Chen,K.S.(2008).Microwave vegetation indices for shortvegetation covers from satellite passive microwave sensor AMSR-E.Remote Sensingof Environment,112,4285-4300.)指出,在被动微波遥感的观测尺度上,观测到的植被冠层信号是观测范围内不同植被冠层的信号的总和。
迄今为止,被动微波遥感中对森林的微波传输特性研究,无论在理论模型方面还是实验上进行的比较少,实验数据和成果也有限(参见G.Macelloni,S.Paloscia,et.al,Airborne multifrequency L-to Ka-band radiometric measurementsover forests.IEEE Transactions on Geoscience and Remote Sensing,vol.39,No.11,pp.2507–2513,2001.、Guglielmetti,M.Schwank,C.Matzler,C.Oberdorster,J.Vanderborght,and H.Fluhler,Measured microwave radiative properties of adeciduous forest canopy,Remote Sensing of Environment,109,pp.523-532.,2007.和M.Parde,K.Goita,A.Royer,F.Vachon.Boreal forest transmissivity in themicrowave domain using ground-based measurements,IEEE Transactions onGeoscience and Remote Sensing Letters,Vol2-2,pp.169-171,2005.)。由于全球各地气候、地形等因素的巨大差异,使得森林的种类、高度、结构等千差万别。一般来说森林分为两类,一类是是针叶林,包括樟子松、落叶松、红松、云杉(冷杉)等;另一类为阔叶林,包括温带的白桦、杨树,热带亚热带的橡胶树、桉树等。
多频段的被动微波对于森林特性的变化敏感,其具有相对较长的波长,可以穿透较厚的植被层,探测到植被冠层及冠层以下的地表参数信息。为了有效的获取森林参数或排除森林影响,对森林信号的正确理解和表达是关键。由于全球各地气候、地形等因素的巨大差异,使得森林的种类、高度、结构等千差万别,森林可以认为是由阔叶林和针叶林组成的一个离散的非均匀介质。通过林地被动微波混合像元分解获得针叶林和阔叶林的组分亮温,将有助于森林的微波传输特性和林地相关参数反演研究。
发明内容
本发明要解决的技术问题在于提供了一种基于比例信息的林地被动微波混合像元分解方法,可以由林地被动微波混合像元中分解获得针叶林和阔叶林的组分亮温,提供观测地区更为准确的林地信号,有助于森林的微波传输特性和林地相关参数反演研究。
本发明根据被动微波遥感的观测尺度上,观测到的森林信号由观测范围内阔叶林和针叶林两类组成,通过获得林地图像中针叶林和阔叶林的比例信息,建立林地被动微波混合像元分解模型,采用最小二乘法迭代计算求解方程组,实现林地被动微波混合像元分解,得到针叶林和阔叶林的组分亮温。本发明可以实现林地被动微波混合像元分解,获得针叶林和阔叶林的组分亮温,提供观测地区更为准确的林地信号,有助于森林的微波传输特性和林地相关参数反演研究。
为解决本发明要解决的技术问题,给出技术方案如下。
一种基于比例信息的林地被动微波混合像元分解方法,该方法的应用条件是林地被动微波遥感数据和林地图像数据,方法包括如下过程:1)获得林地图像中针叶林和阔叶林的比例信息,2)建立林地被动微波混合像元分解模型,3)林地被动微波混合像元分解模型求解。具体过程如下
(一)获得林地图像中针叶林和阔叶林的比例信息
本发明采用数字图像处理的方法从采集得到的林地图像中获得针叶林和阔叶林的比例信息,其具体处理流程如下:
(1)采用现有技术进行颜色空间转换
通常采用的RGB(红、绿、蓝)模型适合于显示系统,但不适用于图像分割和分析,因为R、G、B三个分量是高度相关的,只要亮度发生改变,三个分量都会相应变化。HIS(色调、饱和度、亮度)模型更符合人描述和解释颜色的方式,可以将图像分成彩色和灰度信息。其中,I为亮度,表示人能感知到的颜色强弱;H为色调,表示颜色(与波长有关);S为饱和度,表示色的纯度,单色光中混入的光的程度。采用公式(1)-(3)可以实现将图像由RGB空间转变为HIS空间,对测试数据中针叶林、阔叶林、混合针阔叶林类型图像的亮度、色调和饱和度分别进行统计平均,得到三类林地图像HIS直方图信息。
(2)阈值分割
根据林地类型HIS各个分量的统计信息,从色调上区分,针叶林、阔叶林和混合针阔叶林的色调有明显不同,阔叶林的色调体现的是阔叶林黄绿色的色调信息;针叶林的色调反映了针叶林墨绿针叶的信息和红色树干的信息;而混合针阔叶林的色调信息结合了针叶林和阔叶林共同的色调信息分布。从饱和度上区分,阔叶林和针叶林的饱和度直方图基本只有一个峰值,体现该图像中只有一种色调的饱和度较高,而对于混合针阔叶林,其饱和度直方图会出现两个峰值,证明该图像中有两种颜色的饱和度都较高,体现了该区域内是针叶和阔叶的混合类型。从亮度角度上看,三种林地类型的亮度分布较一致。因此,可以根据针叶林和阔叶林类型的HIS直方图信息特点,采用以下分类原则对测试图像中的林地类型进行分类:
(a)阔叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的阈值HT∈[T1 T2];饱和度直方图基本只有一个峰值;
(b)针叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的阈值HT∈[T3 T1);饱和度直方图基本只有一个峰值;
(c)混合针阔叶林图像满足条件:饱和度直方图具有双峰值的特点。
对测试图像中分类得到的混合针阔叶林图像进一步分割处理,将混合针阔叶林图像中色调值大于等于T1的像素定义为阔叶林,将色调值小于T1的像素定义为针叶林。
(3)计算比例信息
林地类型分类结果得到的二值图像中有部分噪声,通过采用区域标定的方法可以标定图像中的连通区域,区域标定算法如下:
(a)扫描二值图像,遇到没加标记的目标像素时,添加一个新的标记;
(b)给所有与加标记像素连接在一起的像素添加相同的标记。直到连接在一起的像素全部被添加标记。这样,一个连接成分就被添加了相同的标记;
(c)回到(a),重新查找新的没加标记的像素;
(d)重复上述各个步骤,图像全部被扫描后,处理结束。
进一步计算各个连通区域的像素总数,若连通区域的像素总数小于整幅图像的某一比例,则认为该连通区域为噪声,应当去除。
处理后图像中,阔叶林类型在林地图像中所占的比例信息α即为阔叶林像素总数与整幅图像像素总数的比值,即:
其中,CB代表林地图像中阔叶林像元个数,M和N分别代表采集图像的宽和高。
针叶林类型的比例信息β为:
β=1-α (5)
(二)建立林地被动微波混合像元分解模型
研究假设观测地区中针叶林组分亮温TN相同、阔叶林组分亮温TB相同,对于观测地区连续采集得到的m个被动微波混合像元亮温TM,已知被动微波混合像元对应的林地图像中阔叶林和针叶林的比例信息,通过公式(6)建立林地被动微波混合像元分解模型,求解被动微波混合像元中阔叶林和针叶林的组分亮温:
TM(i)=α(i)TB+β(i)TN i=1,2,K,m (6)
式中:TM(i)是第i个被动微波混合像元亮温,α(i)是第i个被动微波混合像元对应的林地图像中阔叶林的比例,β(i)是第i个被动微波混合像元对应的林地图像中针叶林的比例。
(三)林地被动微波混合像元分解模型求解
设计一个目标函数作为判断可能解优劣的标准,这里选取R作为目标函数,ξ为事先给定的阈值,它的取值大小取决于对解的精度要求。目标函数R定义为:
此外,针叶林和阔叶林的组分亮温应为正值,即满足:
TB>0 (8)
TN>0 (9)
在(7)、(8)和(9)式的共同约束下,采用非负最小二乘法迭代运算求得(6)式中的最优解,即求得观测地区林地混合像元中针叶林和阔叶林的组分亮温。
本发明的技术方案具体叙述如下。
一种基于比例信息的林地被动微波混合像元分解方法,有以下步骤,
(一)采用数字图像处理的方法从采集得到的林地图像中获得针叶林和阔叶林的比例信息,对测试数据中针叶林、阔叶林、混合针阔叶林类型图像的色调H、亮度I和饱和度S分别进行统计平均,得到三类林地图像HIS直方图信息;
对测试图像中的林地类型进行分类:(a)阔叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的色调的阈值范围HT∈[T1 T2],其中,T1、T2分别是阔叶林色调阈值的最小值和最大值;饱和度直方图基本只有一个峰值;(b)针叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的阈值色调的阈值范围HT∈[T3 T1),其中,T3是针叶林色调阈值的最小值;饱和度直方图基本只有一个峰值;(c)混合针阔叶林图像满足条件:饱和度直方图具有双峰值,并将混合针阔叶林图像中色调值大于等于T1的像素定义为阔叶林,将色调值小于T1的像素定义为针叶林;
计算比例信息:阔叶林类型在林地图像中所占的比例信息α=CB/(M×N),其中,CB代表林地图像中阔叶林像元个数,M和N分别代表采集图像的宽和高;针叶林类型的比例信息β=1-α;
(二)假设观测地区中针叶林组分亮温TN相同、阔叶林组分亮温TB相同,对于观测地区连续采集得到的m个被动微波混合像元亮温TM,已知被动微波混合像元对应的林地图像中阔叶林和针叶林的比例信息,通过公式TM(i)=α(i)TB+β(i)TNi=1,2,K,m建立林地被动微波混合像元分解模型,求解被动微波混合像元中阔叶林和针叶林的组分亮温,公式中TM(i)是第i个被动微波混合像元亮温,α(i)是第i个被动微波混合像元对应的林地图像中阔叶林的比例,β(i)是第i个被动微波混合像元对应的林地图像中针叶林的比例;
(三)选取R作为目标函数,ξ为事先给定的阈值,目标函数R定义为:
最后,采用非负最小二乘法迭代运算求得TM(i)的最优解,即求得观测地区林地混合像元中针叶林和阔叶林的组分亮温。
在步骤(一)中计算比例信息之前,可以通过采用标定连通区域的方法去除林地类型分类结果得到的二值图像中的噪声;所述的标定连通区域,算法如下:
(a)扫描二值图像,遇到没加标记的目标像素时,添加一个新的标记;
(b)给所有与加标记像素连接在一起的像素添加相同的标记。直到连接在一起的像素全部被添加标记。这样,一个连接成分就被添加了相同的标记;
(c)回到(a),重新查找新的没加标记的像素;
(d)重复上述各个步骤,图像全部被扫描后,处理结束;
进一步计算各个连通区域的像素总数,若连通区域的像素总数小于整幅图像的某一比例,则认为该连通区域为噪声,应当去除。
在步骤(三)中,所述的给定的阈值ξ,取值大小取决于对TM(i)求解精度的要求。
本发明的有益效果:
本发明提出一种基于比例信息的林地被动微波混合像元分解方法,结合被动微波遥感实验数据,由林地被动微波混合像元分解获得阔叶林组分亮温和针叶林组分亮温。传统方法直接使用林地被动微波混合像元数据进行植被的被动微波辐射传输模型和相关参数反演的研究,混合像元的存在使研究的结果存在较大的误差。通过采用本发明提出的方法,只要已知林地被动微波混合像元中针叶林和阔叶林的比例信息,就可以使用林地被动微波混合像元分解模型,由林地被动微波混合像元中分解获得针叶林和阔叶林的组分亮温,可以获得观测地区更为准确的林地信号,有助于森林的微波传输特性和林地相关参数反演研究,也有助于其它相关科学问题的解决和实现,进一步推动遥感面向全球的实时、精确的植被参数监测。
附图说明
图1是本发明实施例1阔叶林HIS直方图。
图2是本发明实施例1针叶林HIS直方图。
图3是本发明实施例1混合针阔叶林HIS直方图。
图4是本发明实施例1林地图像中阔叶林的比例。
图5是本发明实施例1林地图像中针叶林的比例。
图6是本发明实施例1被动微波辐射计C频段的水平和垂直极化数据。
图7是本发明实施例1被动微波辐射计X频段的水平和垂直极化数据。
图8是本发明实施例1被动微波辐射计K频段的水平和垂直极化数据。
具体实施方式
实施例1:
研究地区选择黑龙江省方正县双凤水库,地理位置为45.75°N,128.88°E,该地区气候为寒温带大陆季风区,季节变化明显,西南方向为观测林地。遥感车上辐射计有C、X和K三个频段,每个频段有水平(H)和垂直(V)两种极化方式,遥感车在坝上匀速行驶,得到观测地区不同位置、不同频段的微波辐射亮温值。将辐射计观测结果采集到微机上,数据采集速度为每秒1次,遥感车上辐射计旁边固定的摄像机同时拍摄不同位置的观测图像,图像采集速度为每秒1帧。观测地区的林地类型可以分为为阔叶林和针叶林,由被动微波辐射计观测到的目标视场包括阔叶林、针叶林和针阔叶林。选取拍摄得到的连续140幅观测图像和对应的140组被动微波辐射数据作为测试数据。
具体包括以下步骤:
(一)获得林地图像中针叶林和阔叶林的比例信息
本发明采用数字图像处理的方法从采集得到的林地图像中获得针叶林和阔叶林的比例信息,其具体处理流程如下:
(1)颜色空间转换
通常采用的RGB(红、绿、蓝)模型适合于显示系统,但不适用于图像分割和分析,因为R、G、B三个分量是高度相关的,只要亮度发生改变,三个分量都会相应变化。HIS(色调、亮度和饱和度)模型更符合人描述和解释颜色的方式,可以将图像分成彩色和灰度信息。其中,I为亮度,表示人能感知到的颜色强弱;H为色调,表示颜色(与波长有关);S为饱和度,表示色的纯度,单色光中混入的光的程度。采用公式(1)-(3)可以实现将图像由RGB空间转变为HIS空间,对测试数据中针叶林、阔叶林、混合针阔叶林类型图像的亮度、色调和饱和度分别进行统计平均,得到三类林地图像HIS直方图信息,如图1、图2和图3所示。
(2)阈值分割
根据林地类型各个分量的统计信息可见,从色调上区分,针叶林、阔叶林和混合针阔叶林的色调有明显不同,阔叶林的色调主要集中在0.17附近,体现的是阔叶林黄绿色的色调信息;针叶林除了在0到0.17之间均匀分布外,在0.8以上也有相应的值,其值反映了针叶林墨绿针叶的信息和红色树干的信息;而混合针阔叶林的色调信息结合了针叶林和阔叶林共同的色调信息分布。从饱和度上区分,阔叶林和针叶林的饱和度直方图基本只有一个峰值,体现该图像中只有一种色调的饱和度较高,而对于混合针阔叶林,其饱和度直方图会出现两个峰值,证明该图像中有两种颜色的饱和度都较高,体现了该区域内是针叶和阔叶的混合类型。从亮度角度上看,三种林地类型的亮度分布直方图较一致。因此,可以根据不同林地类型的HIS直方图信息特点,采用以下分类原则对测试图像中的林地类型进行分类:
(a)阔叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的阈值HT∈[0.17 0.25];饱和度直方图基本只有一个峰值;
(b)针叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的阈值HT∈[0.01 0.17);饱和度直方图基本只有一个峰值;
(c)混合针阔叶林图像满足条件:饱和度直方图具有双峰值的特点。
对测试图像中分类得到的混合针阔叶林图像进一步分割处理,将混合针阔叶林图像中色调值大于等于0.17的像素定义为阔叶林,将色调值小于0.17的像素定义为针叶林。
(3)计算比例信息
林地类型分类结果得到的二值图像中有部分噪声,通过采用区域标定的方法可以标定图像中的连通区域,区域标定算法如下:
(a)扫描二值图像,遇到没加标记的目标像素时,添加一个新的标记;
(b)给所有与加标记像素连接在一起的像素添加相同的标记。直到连接在一起的像素全部被添加标记。这样,一个连接成分就被添加了相同的标记;
(c)回到(a),重新查找新的没加标记的像素;
(d)重复上述各个步骤,图像全部被扫描后,处理结束。
进一步计算各个连通区域的像素总数,若连通区域的像素总数小于整幅图像的1%,则认为该连通区域为噪声,应当去除。处理后图像中,阔叶林类型在林地图像中所占的比例信息α即为阔叶林像素总数与整幅图像像素总数的比值,即:
其中,CB代表林地图像中阔叶林像元个数,M和N分别代表采集图像的宽和高,分别为720像素和576像素。
针叶林类型的比例信息β为:
β=1-α (5)
(二)建立林地被动微波混合像元分解模型
研究假设观测地区中针叶林组分亮温TN相同、阔叶林组分亮温TB相同,对于观测地区连续采集得到的140个被动微波混合像元亮温TM,已知被动微波混合像元对应的林地图像中阔叶林和针叶林的比例信息,通过公式(6)建立林地被动微波混合像元分解模型,求解被动微波混合像元中阔叶林和针叶林的组分亮温:
TM(i)=α(i)TB+β(i)TN i=1,2,K,140 (6)
式中:TM(i)是第i个被动微波混合像元亮温;如图4所示,α(i)是第i个被动微波混合像元对应的林地图像中阔叶林的比例;如图5所示,β(i)是第i个被动微波混合像元对应的林地图像中针叶林的比例。
(三)林地被动微波混合像元分解模型求解
设计一个目标函数作为判断可能解优劣的标准,这里选取R作为目标函数,ξ为事先给定的阈值,它的取值大小取决于对解的精度要求,此处为0.1K。目标函数R定义为:
此外,针叶林和阔叶林的组分亮温应为正值,即满足:
TB>0 (8)
TN>0 (9)
在(7)、(8)和(9)式的共同约束下,采用非负最小二乘法迭代运算求得(6)式中的最优解,即求得观测地区林地混合像元中针叶林和阔叶林的组分亮温。
已知被动微波辐射计C、X和K频段的水平和垂直极化数据(如图6、图7和图8所示),结合测试图像中针叶林和阔叶林比例信息(图4和图5),利用公式(6)提出的林地混合像元分解模型,计算得到三个频段中阔叶林和针叶林的组分亮温(见表1)。
表1
表1给出本实施例的三个频段中阔叶林和针叶林的组分亮温的结果。
Claims (3)
1.一种基于比例信息的林地被动微波混合像元分解方法,有以下步骤,
(一)采用数字图像处理的方法从采集得到的林地图像中获得针叶林和阔叶林的比例信息,对测试数据中针叶林、阔叶林、混合针阔叶林类型图像的色调H、亮度I和饱和度S分别进行统计平均,得到三类林地图像HIS直方图信息;
对测试图像中的林地类型进行分类:(a)阔叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的色调的阈值范围HT∈[T1 T2],其中,T1、T2分别是阔叶林色调阈值的最小值和最大值;饱和度直方图基本只有一个峰值;(b)针叶林图像需满足条件:对于色调采用OTSU自适应阈值分割,分割后的阈值色调的阈值范围HT∈[T3 T1),其中,T3是针叶林色调阈值的最小值;饱和度直方图基本只有一个峰值;(c)混合针阔叶林图像满足条件:饱和度直方图具有双峰值,并将混合针阔叶林图像中色调值大于等于T1的像素定义为阔叶林,将色调值小于T1的像素定义为针叶林;
计算比例信息:阔叶林类型在林地图像中所占的比例信息α=CB/(M×N),其中,CB代表林地图像中阔叶林像元个数,M和N分别代表采集图像的宽和高;针叶林类型的比例信息β=1-α;
(二)假设观测地区中针叶林组分亮温TN相同、阔叶林组分亮温TB相同,对于观测地区连续采集得到的m个被动微波混合像元亮温TM,已知被动微波混合像元对应的林地图像中阔叶林和针叶林的比例信息,通过公式TM(i)=α(i)TB+β(i)TNi=1,2,K,m建立林地被动微波混合像元分解模型,求解被动微波混合像元中阔叶林和针叶林的组分亮温,公式中TM(i)是第i个被动微波混合像元亮温,α(i)是第i个被动微波混合像元对应的林地图像中阔叶林的比例,β(i)是第i个被动微波混合像元对应的林地图像中针叶林的比例;
(三)选取R作为目标函数,ξ为事先给定的阈值,目标函数R定义为:
最后,采用非负最小二乘法迭代运算求得TM(i)的最优解,即求得观测地区林地混合像元中针叶林和阔叶林的组分亮温。
2.根据权利要求1所述的基于比例信息的林地被动微波混合像元分解方法,其特征是,在计算比例信息之前,通过采用标定连通区域的方法去除林地类型分类结果得到的二值图像中的噪声;所述的标定连通区域,算法如下:
(a)扫描二值图像,遇到没加标记的目标像素时,添加一个新的标记;
(b)给所有与加标记像素连接在一起的像素添加相同的标记。直到连接在一起的像素全部被添加标记。这样,一个连接成分就被添加了相同的标记;
(c)回到(a),重新查找新的没加标记的像素;
(d)重复上述各个步骤,图像全部被扫描后,处理结束;
进一步计算各个连通区域的像素总数,若连通区域的像素总数小于整幅图像的某一比例,则认为该连通区域为噪声,应当去除。
3.根据权利要求1或2所述的基于比例信息的林地被动微波混合像元分解方法,其特征是,所述的给定的阈值ξ,取值大小取决于对TM(i)求解精度的要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310528638.8A CN103530888B (zh) | 2013-10-30 | 2013-10-30 | 基于比例信息的林地被动微波混合像元分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310528638.8A CN103530888B (zh) | 2013-10-30 | 2013-10-30 | 基于比例信息的林地被动微波混合像元分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530888A true CN103530888A (zh) | 2014-01-22 |
CN103530888B CN103530888B (zh) | 2016-01-27 |
Family
ID=49932867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310528638.8A Expired - Fee Related CN103530888B (zh) | 2013-10-30 | 2013-10-30 | 基于比例信息的林地被动微波混合像元分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530888B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046188A (zh) * | 2015-04-13 | 2015-11-11 | 中南林业科技大学 | Modis混合像元分解森林信息提取方法 |
CN105488805A (zh) * | 2015-12-15 | 2016-04-13 | 吉林大学 | 多频双极化林地积雪被动微波混合像元分解方法 |
CN116468321A (zh) * | 2023-04-23 | 2023-07-21 | 河北省科学院地理科学研究所 | 一种表征植被生长分布规律的地形位综合指数方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
CN102608592A (zh) * | 2012-04-05 | 2012-07-25 | 吉林大学 | 基于五种地物分类信息的积雪被动微波混合像元分解方法 |
-
2013
- 2013-10-30 CN CN201310528638.8A patent/CN103530888B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
CN102608592A (zh) * | 2012-04-05 | 2012-07-25 | 吉林大学 | 基于五种地物分类信息的积雪被动微波混合像元分解方法 |
Non-Patent Citations (2)
Title |
---|
M.GUGLIELMETTI ET AL.: "Measured microwave radiative transfer properties of a deciduous forest canopy", 《REMOTE SENSING OF ENVIROMENT》, 31 December 2007 (2007-12-31) * |
MICKAEL PARDE ET AL.: "Boreal Forest Transmissivity in the Microwave Domain Using Ground-Based Measurements", 《IEEE GEOSCRIENCE AND REMOTE SENSING LETTERS》, 31 December 2005 (2005-12-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046188A (zh) * | 2015-04-13 | 2015-11-11 | 中南林业科技大学 | Modis混合像元分解森林信息提取方法 |
CN105488805A (zh) * | 2015-12-15 | 2016-04-13 | 吉林大学 | 多频双极化林地积雪被动微波混合像元分解方法 |
CN116468321A (zh) * | 2023-04-23 | 2023-07-21 | 河北省科学院地理科学研究所 | 一种表征植被生长分布规律的地形位综合指数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103530888B (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101963664B (zh) | 基于水陆地物分类信息的微波遥感混合像元分解方法 | |
Ghasemi et al. | A review on biomass estimation methods using synthetic aperture radar data | |
Mette et al. | Biomass estimation from polarimetric SAR interferometry over heterogeneous forest terrain | |
Bässler et al. | LiDAR as a rapid tool to predict forest habitat types in Natura 2000 networks | |
CN110136194A (zh) | 基于星载多光谱遥感数据的积雪覆盖度测算方法 | |
Yaney-Keller et al. | Using Unmanned Aerial Systems (UAS) to assay mangrove estuaries on the Pacific coast of Costa Rica | |
Roy et al. | Stratification of density in dry deciduous forest using satellite remote sensing digital data—An approach based on spectral indices | |
CN102608592B (zh) | 基于五种地物分类信息的积雪被动微波混合像元分解方法 | |
Souza-Filho et al. | Discrimination of coastal wetland environments in the Amazon region based on multi-polarized L-band airborne Synthetic Aperture Radar imagery | |
CN104361338A (zh) | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 | |
CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
CN113505635A (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
CN110308097A (zh) | 一种卫星图像云检测方法及系统 | |
CN104463836A (zh) | 一种基于移动窗口的城市绿色空间遥感度量方法 | |
Van Pham et al. | Integrating Sentinel-1A SAR data and GIS to estimate aboveground biomass and carbon accumulation for tropical forest types in Thuan Chau district, Vietnam | |
Ashiagbor et al. | Pixel-based and object-oriented approaches in segregating cocoa from forest in the Juabeso-Bia landscape of Ghana | |
CN103530888A (zh) | 基于比例信息的林地被动微波混合像元分解方法 | |
Pang et al. | Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands: a case study in China. | |
Gao et al. | Mapping growing stock volume and biomass carbon storage of larch plantations in Northeast China with L-band ALOS PALSAR backscatter mosaics | |
Wang et al. | Accuracy of the $ K $-distribution regression model for forest biomass estimation by high-resolution polarimetric SAR: Comparison of model estimation and field data | |
CN102411143A (zh) | 分离多角度卫星观测信号中的植被信息和地表发射信号的方法 | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
Guo et al. | Mapping soil salinity using a combination of vegetation index time series and single-temporal remote sensing images in the Yellow River Delta, China | |
Kovacs et al. | Assessing fine beam RADARSAT-1 backscatter from a white mangrove (Laguncularia racemosa (Gaertner)) canopy | |
Reyes-Palomeque et al. | Combining LiDAR data and airborne imagery of very high resolution to improve aboveground biomass estimates in tropical dry forests |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160127 Termination date: 20161030 |