CN103914678A - 基于纹理与植被指数的撂荒地遥感识别方法 - Google Patents

Abstract

本发明利用多传感器、多分辨率、多光谱、多时相遥感数据的特点，综合遥感影像的光谱、纹理特征与植被指数特征，通过构建遥感影像配准融合框架、光谱和纹理特征空间以及植被指数时间序列，建立了基于纹理与植被指数的撂荒地识别方法。相比现有遥感撂荒地识别方法，本发明解决了由于破碎耕地所带来的精度问题，减少了人工参与的主观性，提高了撂荒地识别效率。其特征在于包括如下四个单元：遥感影像配准与融合单元、典型光谱与纹理特征单元、植被指数时间序列特征单元以及撂荒地识别和信息提取单元。由上述四个单元组成的撂荒地遥感识别方法，可快速、高精度地识别出大范围区域上的撂荒地分布信息和数据，为土地利用、粮食保障等提供辅助决策数据支持。

Description

基于纹理与植被指数的撂荒地遥感识别方法

技术领域

本发明属于遥感技术应用领域，特别是大范围耕地区域利用多传感器、多分辨率、多光谱、多时相遥感数据进行撂荒地识别和信息提取的方法。

背景技术

耕地撂荒现象在我国日趋严重。随着我国政治经济结构的显著变化，在过去的几十年间撂荒地已逐渐发展成为一个普遍现象。中国人多地少，人均占有耕地水平低，耕地的保有与粮食安全紧密联系在一起。耕地撂荒会严重影响到粮食产量，已经成为威胁粮食安全的又一重要因素。开展撂荒地的调查和研究对确保我国18亿亩耕地国家战略的实施有着重大的意义，并且有助于掌握耕地的利用现状，可为粮食安全保障、土地利用规划和人口、经济发展等政策的制定提供科学依据。

撂荒地现状的调查，传统方法采用实地调查、专题调研的形式进行，然后再对部分地区进行实证探讨。但这种方法存在着很多问题：采用全面调查往往需要过多的人力、物力；而抽样调查受调查方案设计的合理性影响严重。此外，实地调查撂荒地的方法在大区域(比如国家级、省级或国家农业区级)往往无法满足时效性的要求。遥感技术具有获取数据范围广、时效快、客观、受限制少、成本低等特点，已广泛应用于农业生产评估、土地利用、土地覆盖等方面。利用遥感技术进行撂荒地识别能满足大范围和时效性等要求。

现有基于遥感数据的撂荒地提取方法主要有目视解译法和植被指数时间序列法。遥感目视解译方法主要是根据专家经验通过对影像的判断进行撂荒地勾画，具有较强主观性，且很难区分出耕地轮休和撂荒的特征。植被指数时间序列法是利用基于多时相归一化植被指数(Normalized Differential Vegetation Index，NDVI)的比值构造时间序列曲线，对闲置状况进行逐年动态监测，根据闲置时间判断撂荒地，一定程度上解决了耕地轮休和撂荒区分难的问题。但是，由于NDVI指数在植被高覆盖区域容易出现饱和情况，不利于描述植被在不同季节的差异。此外，一些地区由于地形和土地规划等条件影响，耕地破碎化现象严重，但是植被指数时间序列法所需连续高时间分辨率遥感数据通常为中低分辨率遥感数据，不足以判断出破碎耕地，从而大大影响了识别方法的精度。因此，现有的基于遥感数据的撂荒地识别与信息提取方法，在精度和效率上对应用于大范围区域的要求尚有一定程度的差距。

发明内容

本发明利用多传感器、多分辨率、多光谱、多时相遥感数据的特点，综合遥感影像的光谱、纹理特征与植被指数特征，通过构建遥感影像配准融合框架、光谱和纹理特征空间以及植被指数时间序列，建立了基于纹理与植被指数的撂荒地识别方法。相比现有遥感撂荒地识别方法，本发明解决了由于破碎耕地所带来的精度问题，减少了人工参与的主观性，提高了撂荒地识别效率，从而在精度和时效上满足了大范围区域识别的要求，为我国撂荒地调查和研究提供了重要的技术支撑，为土地利用、粮食保障等提供辅助决策数据支持。

本发明技术方案如下：

基于纹理与植被指数的撂荒地遥感识别方法，其特征在于包括如下四个单元：遥感影像配准与融合单元、典型光谱与纹理特征单元、植被指数时间序列特性单元以及撂荒地识别和信息提取单元。由上述四个单元组成的基于多数据源的撂荒地遥感识别方法，可快速、高精度地识别出大范围区域上的撂荒地分布信息和数据，为土地利用、粮食保障等提供辅助决策数据支持。

所述遥感影像配准与融合单元是按照统一的地理框架，配准不同分辨率不同时相的多源遥感影像。采用非向下采样Contourlet变换(Non-subsampled Contourlet Transform，NSCT)方法分解和重建图像，结合人眼视觉特性融合出适用于撂荒地识别的遥感影像。

所述典型光谱与纹理特征单元是根据高空间分辨率遥感影像的光谱和纹理特征，快速选取少量的典型地物区域，构建典型地物的光谱和纹理空间特性，为快速识别闲置耕地提供必要的参照基准。

所述植被指数时间序列特性单元是利用高时间分辨率遥感数据的连续性，计算典型地物的增强型植被指数(Enhanced Vegetation Index，EVI)，根据植被指数时间序列曲线得到典型地物的周期特征。

所述撂荒地识别和信息提取单元是结合典型地物的光谱与纹理特征，采用最大似然法分类提取出遥感影像上的闲置耕地，再根据植被指数时间序列特征识别出撂荒地块，提供区域的撂荒地状态信息和空间分布数据。

与现有技术相比，本发明具有如下特点：

1.利用NSCT变换将全色与多光谱遥感影像分解至频域，融合后利用逆NSCT变换重建至空域。融合后的影像更好地保留了全色影像的空间细节(纹理特征)和多光谱影像的色彩细节(光谱特征)，更有利于区分出撂荒地与正常耕地的特征。

2.使用少量典型地物作为依据，利用了先验知识在精度上的优势，充分考虑到撂荒地内部的复杂性，有效地结合了高分辨率遥感影像的光谱特征和纹理特征，提高了撂荒地识别的效率和精度。

3.增强型植被指数(EVI)与不同覆盖程度植被的线性关系更好，对植被季节性变化的敏感性更高。不同植被的植被指数时间序列特征与季节性差异表现得更明显，更有利于撂荒地的识别。

4.结合光谱特征与灰度共生矩阵纹理特征进行最大似然法分类提取闲置耕地，充分利用影像光谱特性的同时还利用了高空间分辨率影像的空间细节特性，更好地区分出了不同地物及植被覆盖类型，提高了分类精度。

5.采用多源遥感数据，充分利用其各自的优势，通过多种遥感技术相结合，克服了单一数据源单一技术的局限性。有效地区分出种植耕地、休耕地和撂荒地，实现了区域撂荒地快速、高精度的识别和信息提取。

附图说明

图1是利用多源遥感数据进行撂荒地识别和信息提取流程图。

图2是多光谱与全色遥感影像融合流程图。

图3是撂荒地块判断流程图。

附图中本领域通用的外文缩写解释如下：

NSCT：非向下采样Contourlet变换。ACSF：绝对对比度。RCSF：相对对比度。GLCM：灰度共生矩阵。EVI：增强型植被指数。

具体实施方式

本发明利用多源遥感数据进行撂荒地识别和信息提取的流程图如图1所示。利用本发明中所述方法进行撂荒地识别和信息提取的流程如下：

1.多源遥感影像配准

对同一区域高、中、低不同空间分辨率及不同时相的多源遥感影像，统一采用通用横轴墨卡托投影(Universal Ttansverse Mercator，UTM)和WGS-84坐标系的地理框架。以一景几何精纠正的影像作为基准，其它影像与其配准。在影像间选取至少7对同名地物控制点，通过二次多项式纠正实现不同影像的地理坐标匹配。二次多项式纠正公式如下：

X＝Ax+By+Cx²+Dy²+Exy+F

Y＝Gx+Hy+Ix²+Jy²+Kxy+L

利用选定的控制点坐标按照最小二乘法求得多项式系数。将高空间分辨率、高时间分辨率及多光谱遥感影像配准后产生一个空间校准集合。为多光谱与全色影像融合、植被指数时间序列提取等工作做准备。

2.多光谱与全色遥感影像融合

利用NSCT变换将高空间分辨率的全色影像与高光谱分辨率的多光谱影像分解至频域，生成多分辨率、多方向的一系列频域影像；按照人眼视觉特性制定一组融合规则，得到融合后的频域影像；再利用逆NSCT变换，将融合后的频域影像转换到空域。其流程图如图2。

NSCT变换将源图像转换成一系列频域子图像，包括一级低频子图像和三级高频子图像。低频子图像只有一幅，没有方向性。1-3级高频子图像又分别有2、4、8幅方向子图像，共14幅。融合规则的核心为活度计算与决策映射计算。活度计算分为绝对对比度(AbsoluteContrast Sensitivity Function，ACSF)与相对对比度(Relative Contrast Sensitivity Function，RCSF)两个指标，ACSF主要针对低频信息，RCSF针对高频信息。

$\mathrm{ACSF}=\frac{C^{\{s,d\}}(m,n)}{C^{\left\{1\right\}}(m,n)}$ 0≤m≤M  0≤n≤N

$\mathrm{RCSF}=\frac{C^{\{s,d\}}(m,n)}{\frac{1}{D}\underset{j=0}{\overset{D}{\mathrm{\Σ}}}{C}^{\{s,j\}}(m,n)}$ 0≤m≤M  0≤n≤N

其中，C^{s，d}(m，n)是第s级高频图像中方向d子图像位于(m，n)的像素值，C^{1}(m，n)是低频图像位于(m，n)的像素值，M为图像的行数，N为图像的列数，D为图像的像素总数。

合成映射规则是根据全色影像和多光谱影像的低频、高频子图像间的差异指定而成。具体为：

1)由于低频图像主要包含背景的均一色彩信息，所以低频图像合成映射规则是由多光谱影像的低频子图像直接作为融合影响的低频子图像。融合规则为：

$C_F^{\left\{1\right\}}=C_{\mathrm{MS}}^{\left\{1\right\}}$

2)由于高频图像主要包含地块边界等空间变化细节信息，所以高频图像合成映射规则是比较全色影像和多光谱影像在同一级、同一方向高频子图像的活度指标大小，针对某一像素选取活度指标值大的高频子图像的像素值作为融合影像的高频子图像的像素值。

对于第一级高频图像，采用ASCF作为合成映射指标，不考虑高频图像的方向性。融合规则为：

$C_F^{\left\{2\right\}}(m,n)=\left\{\begin{array}{ccc}{C}_{\mathrm{MS}}^{\left\{2\right\}}(m,n)& \mathrm{if}& {\mathrm{ACSF}}_{\mathrm{MS}}>{\mathrm{ACSF}}_{\mathrm{PAN}}\\ C_{\mathrm{PAN}}^{\left\{2\right\}}(m,n)& \mathrm{if}& {\mathrm{ACSF}}_{\mathrm{PAN}}\≥{\mathrm{ACSF}}_{\mathrm{MS}}\end{array}\right.$

对于第二级、第三级高频图像，采用RSCF作为合成映射指标，考虑高频图像的方向性。第二级高频图像的四个方向子图像分别依据RSCF值融合；而第三级高频图像有八个方向子图像，分为水平竖直和对角线两类分别依据RSCF值融合。融合规则为：

$C_F^{\{3,d\}}(m,n)=\left\{\begin{array}{ccc}{C}_{\mathrm{MS}}^{\{3,d\}}(m,n)& \mathrm{if}& {\mathrm{RCSF}}_{\mathrm{MS}}^{\{3,d\}}>{\mathrm{RCSF}}_{\mathrm{PAN}}^{\{3,d\}}\\ C_{\mathrm{PAN}}^{\{3,d\}}(m,n)& \mathrm{if}& {\mathrm{RCSF}}_{\mathrm{PAN}}^{\{3,d\}}\≥{\mathrm{RCSF}}_{\mathrm{MS}}^{\{3,d\}}\end{array}\right.$

其中，d＝{1，2，3，4}。

$C_F^{\{4,d\}}(m,n)=\left\{\begin{array}{ccc}{C}_{\mathrm{MS}}^{\{4,d\}}(m,n)& \mathrm{if}& {\mathrm{RCSF}}_{\mathrm{MS}}^{\{4,d\}}>{\mathrm{RCSF}}_{\mathrm{PAN}}^{\{4,d\}}\\ C_{\mathrm{PAN}}^{\{4,d\}}(m,n)& \mathrm{if}& {\mathrm{RCSF}}_{\mathrm{PAN}}^{\{4,d\}}\≥{\mathrm{RCSF}}_{\mathrm{MS}}^{\{4,d\}}\end{array}\right.$

其中，对于水平竖直方向子图像，d＝{1，4，5，8}；对于对角线方向子图像，d＝{2，3，6，7}。

3.典型光谱与纹理特征提取

利用先验知识，在融合后的高空间分辨率遥感影像上，针对4类主要地物类型(水体、建筑物与道路、林地、裸土)，选取5-10个典型区域；根据区域的农业耕种特点，针对不同种植作物的耕地(水稻、小麦、蔬菜、棉花等)，同样选取5-10个典型区域；针对撂荒地选取10-15个典型区域。通过典型区域不同波段的灰度表现构建不同地物类型的光谱特征空间及光谱特征矢量。

采用灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)的方法计算典型区域的纹理特征参数。GLCM是计算局域范围内像元灰度级共同出现的频率，不同的空间关系和纹理会产生不同的共生矩阵，提取像素值在移动窗口内中的共生频率，用各种不同统计测度提取公式矩阵特性，以此来区分不同的纹理和结构特性。使用的统计测度计算公式如下：

1)均值

$\mathrm{Mean}=\frac{1}{n\×n}\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}f(i,j)$

2)方差

$\mathrm{VAR}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(f(i,j)-{\mathrm{\μ}}_{n\×n})}^2$

3)熵

$\mathrm{ENT}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}f(i,j)\log \left[f(i,j)\right]$

4)角二阶矩

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(f(i,j)\right)}^2$

5)同质性

$\mathrm{HOM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{f(i,j)}{1+{(i-j)}^2}$

6)对比度

$\mathrm{CON}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}f(i,j)$

利用以上计算得出的6个纹理特征参数集，构建纹理特征空间及纹理特征矢量。

4.植被指数时间序列特性提取

EVI用来表征植被生长状态、植被覆盖度，对植被的季节性变化敏感性较高。其计算公式如下：

$\mathrm{EVI}=2.5\×\frac{\mathrm{NIR}-R}{\mathrm{NIR}+6.0R-7.5B+1}$

其中，EVI表示增强型植被指数值，NIR表示近红外波段值，R表示可见光红波段值，B表示可见光蓝波段值。

利用连续的高时间分辨率的多光谱遥感数据，计算典型区域近10年的EVI值，提取出典型区域10年的原始EVI时间序列。采用一维高斯滤波器对原始EVI时间序列平滑去噪，绘制出不同地物类型的EVI时间序列曲线。结合不同植物与作物(杨树、松树、水稻、小麦、蔬菜、杂草等)的物候特征，得到不同植被覆盖类型的EVI时间序列特征。

5.撂荒地识别与信息提取

结合不同地物类型的光谱特征与灰度共生矩阵纹理特征，利用之前计算的光谱特征矢量与纹理特征矢量，采用最大似然法对高空间分辨影像进行分类。最大似然法依照遥感数据的统计特征，假定各类分布函数为正态分布，根据最大似然比贝叶斯判决准则法建立非线性判别函数集进行分类。贝叶斯公式如下：

$P\left({\mathrm{\ω}}_i\right|X)=\frac{P\left(X\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}P\left(X\right|{\mathrm{\ω}}_j)P\left({\mathrm{\ω}}_j\right)}$

其中，M为类别数，P(ω_i|X)为各类别的后验概率，P(ω_i)为各类别的先验概率，P(X|ω_j)为各类别的条件概率密度函数。

光谱特征与灰度共生纹理特征分类可以排除非耕地地块(水体、建筑物与道路、林地、裸土)与正常种植耕地地块(麦田、水稻田、菜地等)。对于识别出的闲置耕地地块，结合高时间分辨率数据提取出的EVI时间序列特征排除休耕地块。

EVI时间序列特征曲线能反映作物生长的周期性季节特征，根据小麦、水稻等作物种植的物候特点，与杂草的生长周期相区分。将闲置2年以上的耕地判断为撂荒地，否则为休耕耕地。同时提取出撂荒种类、撂荒时间等信息，得到撂荒地的信息与空间分布。撂荒地识别顺序如图3。

Claims (1)

1.基于纹理与植被指数的撂荒地遥感识别方法，其特征在于包括如下四个单元：遥感影像配准与融合单元、典型光谱与纹理特征单元、植被指数时间序列特性单元以及撂荒地识别和信息提取单元，由上述四个单元组成的基于多数据源的撂荒地遥感识别方法，可快速、高精度地识别出大范围区域上的撂荒地分布信息和数据，为土地利用、粮食保障等提供辅助决策数据支持；

所述遥感影像配准与融合单元是按照统一的地理框架，配准不同分辨率不同时相的多源遥感影像，采用非向下采样Contourlet变换(Non-subsampled Contourlet Transform，NSCT)方法分解和重建图像，结合人眼视觉特性融合出适用于撂荒地识别的遥感影像；

所述典型光谱与纹理特征单元是根据高空间分辨率遥感影像的光谱和纹理特征，快速选取少量的典型地物区域，构建典型地物的光谱和纹理空间特性，为快速识别闲置耕地提供必要的参照基准；

所述植被指数时间序列特性单元是利用高时间分辨率遥感数据的连续性，计算典型地物的增强型植被指数(Enhanced Vegetation Index，EVI)，根据植被指数时间序列曲线得到典型地物的周期特征；

所述撂荒地识别和信息提取单元是结合典型地物的光谱与纹理特征，采用最大似然法分类提取出遥感影像上的闲置耕地，再根据植被指数时间序列特征识别出撂荒地块，提供区域的撂荒地状态信息和空间分布数据。