CN103927558A - 一种软硬变化检测的冬小麦遥感识别方法 - Google Patents

Abstract

本发明提供一种软硬变化检测的冬小麦遥感识别方法，包括步骤一、获取数据，包括对原始影像进行数据标准化预处理和目视解译两种方法；步骤二、针对两期遥感影像提取进行差值计算，得到差值图像；步骤三、从两期遥感影像及其差值图像进行对比分析，整个区域从T₁到T₂时期光谱变化特征确定为5类：水体—＞水体、裸地—＞裸地、植被—＞植被、植被—＞裸地、裸地—＞植被；步骤四、利用扩展支撑向量机方法(extended support vector machine，ESVM)提取出冬小麦的空间分布。本发明针对多时相遥感影像上离散变化(像元内完全发生变化)与连续变化(像元内部分发生变化)是共存的特点，采用软硬变化检测的方法进行冬小麦的识别，采用ESVM划分出冬小麦突变区、冬小麦渐变区和非冬小麦区，将冬小麦突变区、冬小麦渐变区两个区域合并在一起，生成冬小麦的空间分布图。

Description

一种软硬变化检测的冬小麦遥感识别方法

【技术领域】

本发明涉及导航遥感领域，特别是一种软硬变化检测的冬小麦遥感识别方法。 

【背景技术】

冬小麦是我国主要的粮食作物之一，分布范围较广，其播种面积占粮食作物播种面积的1／5，在国家粮食安全中具有重要的地位。及时、准确地获取作物播种面积信息，特别是冬小麦，对于制定国家／区域农业经济发展规划、指导种植业结构调整，提高农业生产管理水平具有重要的意义。 

遥感技术具有覆盖范围广、探测周期短的特点，为农作物准确识别提供重要的技术支撑。目前，利用遥感技术进行作物识别的方法包括两大类：单时相遥感影像识别、多时相遥感变化检测。单时相遥感影像识别是利用作物生长季关键期的单期遥感影像，采用不同的分类方法，如硬分类方法(包括神经网络、决策树分类、支持向量机等)、软分类方法(包括线性模型、概率模型、随机几何模型、模糊分析模型等)等，进行分类获取作物的空间分布信息；或通过单期遥感影像提取某种关键指标，如绿度剖面特征、植被指数、叶面积指数等，设定阈值进行作物信息的提取。由于同期作物存在光谱相混的问题，作物识别会造成大量的混分现象，识别精度难以保证。农作物生长具有短时间内土地覆盖变化强烈的特征，这种短时期内的迹象变化与自然植被的周期性季节性变化形成了较大的反差。因此， 利用多期遥感影像进行作物识别，能够利用短期内作物的光谱变化，定量刻画出作物的生长物候特征并进行作物识别，消除作物相混的问题，提高作物的识别精度。 

根据作物在不同生长期内表现出的光谱差异特性，适合用多时相土地覆盖变化检测方法进行作物的识别。目前，从识别结果来看，变化检测方法进行作物识别主要可分为两类：硬变化检测方法(Hard Land Use／Cover Change Detection Method，HLUCD)和软检测方法(Soft Land Use／Cover Change Detection Method，SLUCD)。其中，HLUCD方法能够将检测结果以离散方式的土地覆盖表达变化和非变化信息，从而提取出作物的空间分布，如代数运算法、转换法、分类法。从当前的研究来看，HLUCD方法作为常用的遥感变化检测作物识别方法，其优势在于能够利用作物的物候生长特征准确进行作物的识别，但该方法由于受到混合像元、光谱不确定性等诸多因素影响，不适合对复杂地物和微弱变化区域进行描述。SLUCD方法是用[0，1]之间的连续变化概率图进行土地覆盖变化信息提取，可以检测微小的土地覆盖变化信息，从而得到研究目标像元内的丰度，较HLUCD方法能够提供更加丰富的信息。目前SLUCD的相关研究已取得一定进展，主要包括：阈值划分法、模糊混合矩阵法、基于对象的划分法和基于时间的变化检测方法。以上SLUCD方法多用于土地覆盖、森林、沙漠、生物交错带等方面的研究，且多应用于长时间跨度的地物研究。SLUCD方法适合于中、低分辨率影像混合像元的变化识别，反映出地物的连续变化特征，得到作物的丰度信息，但该方法在纯净区域的识别受到光谱不稳 定性因素(由大气、土壤等)影响，导致混入一些其它地物组分，造成识别误差。 

【发明内容】

本发明针对多期遥感影像上离散变化(像元内完全发生变化)与连续变化(像元内部分发生变化)是共存的问题，综合软、硬变化检测方法各自的优势，针对短时间尺度的农作物识别提出了一种二者相结合的冬小麦识别方法——软硬变化遥感检测冬小麦识别方法(Soft and Hard Land Use／Cover Detection Method，SHLUCD)，在两期影像上选择土地覆盖变化分类样本，利用扩展支撑向量机(extended support vector machine，ESVM)，划分出冬小麦突变区、冬小麦渐变区、非冬小麦区，冬小麦突变区、冬小麦渐变区两个区域镶嵌，形成冬小麦的识别区域，提高冬小麦遥感识别精度。 

本发明提出的基于软硬变化遥感检测冬小麦识别方法，包括以下步骤： 

步骤一、获取数据，包括对原始影像进行数据标准化预处理和目视解译两种方法； 

步骤二、针对两期遥感影像提取进行差值计算，得到差值图像； 

步骤三、从两期遥感影像及其差值图像进行对比分析，整个区域从T₁到T₂时期光谱变化特征确定为5类：水体—>水体、裸地—＞裸地、植被—＞植被、植被—＞裸地、裸地—＞植被； 

步骤四、利用扩展支撑向量机方法(ESVM)提取出划分出冬小麦突变 区、冬小麦渐变区、非冬小麦区。 

步骤五、冬小麦突变区与冬小麦渐变区拼接，得到冬小麦的空间分布。 

优选的，上述步骤一利用公式(1)对多期遥感影像进行差值计算，得到冬小麦的变化程度，具体为： 

${\mathrm{DN}}^{\′}={\mathrm{DN}}_{T_2}-{\mathrm{DN}}_{T_1}---\left(1\right)$

其中，DN_T2表示T₂时期遥感影像各波段的DN值；DN_T1表示T₁时期遥感影像各波段的DN值。 

优选的，上述步骤二对研究区内两期遥感影像及其差值图像进行对比分析，整个区域从T₁到T₂时期光谱变化特征确定为5类：水体—＞水体；裸地—＞裸地；植被—＞植被；植被—＞裸地；裸地—＞植被。每类训练样本数量设定为30p(p代表波段数)，即每一类变化地物训练样本数量均为120个像元。 

优选的，上述步骤三，利用扩展支撑向量机(extended support vector machine，ESVM)根据确定支撑向量，根据公式(2)划分出冬小麦突变区、冬小麦渐变区、非冬小麦区，冬小麦突变区。 

当f(x)≥1 

x∈A则β_x(A)=1，β_x(B)=0； 

当f(x)≤-1 

x∈B，则β_x(A)=0，β_x(B)=1；    (2) 

当-1＜f(x)<1 

x∈{A，B}，则 ${\mathrm{\&beta;}}_x\left(A\right)=\frac{1}{2}(f\left(x\right)+1),{\mathrm{\&beta;}}_x\left(B\right)=\frac{1}{2}(1-f\left(x\right))$

其中，f(x)为转换的丰度值，β_x(A)表示冬小麦的丰度值，β_x(B)表示非作物的丰度值；A、B分别代表作物和非作物类型 

本发明提出一种软硬变化检测的作物遥感识别方法，通过对多期影像进行差值计算，得到光谱的变化向量图像，一定程度上反映出冬小麦的变化程度，利用扩展支撑向量机(extended support vector machine，ESVM)确定超平面，划分出冬小麦突变区、冬小麦渐变区、非冬小麦区，将冬小麦突变区与冬小麦渐变区拼接，得到冬小麦的空间分布。 

【附图说明】

图1为作物遥感变化检测识别方法示意图； 

图2为研究区及数据； 

图3为本发明的流程图； 

图4为研究区差值图像(R:G:B波段组合：近红外差值波段，红光差值波段，绿光差值波段)； 

图5为基于ESVM软硬变化检测识别冬小麦示意图； 

图6为不同方法冬小麦识别结果分布图(其中，(a)真实冬小麦分布图，(b)HLUCD冬小麦识别结果，(c)SLUCD冬小麦识别结果，(d)SHLUCD冬小麦识别结果)； 

图7为不同尺度下HLUCD、SLUCD、SHLUCD识别精度比较。 

图8为地物变化样本选择 

【具体实施方式】

下面结合附图说明及具体实施方式对本发明进一步说明。 

1.软硬变化检测作物识别模型 

变化检测是对不同时期地表对象或现象的变化特征与状态的识别过 程。利用变化检测方法进行作物识别，主要是根据作物在不同生长期内特有物候特征反映在遥感影像上表达出不同的光谱特征，从而利用遥感影像探测到作物的光谱特征变化以确定作物类型。 

S为从T1到T2时期遥感光谱特征变化对应地物的转化状态，见公式(1)： 

$S:\stackrel{\&RightArrow;}{\mathrm{ab}}---\left(1\right)$

其中，a，b分别代表T1、T2时期两种不同时期光谱特征向量。该地表光谱信息变化可以映射为特定的作物，即通过信息变化状态来确定作物类型，地物类型与某一种光谱特征变化一一对应。 

图1表述了SHLUCD方法的思路框架。(a)(b)分别为t1和t2时期研究区地表信息状态，其中a、b分别表示两种不同地物在遥感图像上表现出来的地表信息。白色(a类地物信息)到绿色(b类地物信息)表现为连续的过渡状态，而非突变状态。(c)表示t1时期到t2时期地物状态表现为的变化状态和变化程度信息，白色表示未发生作物转化的区域，黑色表示完全转化为作物的区域，灰色为部分转化为作物的区域。(d)由硬变化检测方法(HLUCD)转变得到的目标作物识别结果。(e)由软变化检测方法(SLUCD)转变得到的目标作物识别丰度值。(f)由软硬变化检测 方法(SHLUCD)转变得到的目标作物识别丰度值。S1和S2分别代表变化区、过渡区、未变化区之间的阈值，其中丰度值S1以上表示完全转化为作物的区域，S2以下表示未发生作物转化的区域。S1和S2之间的值表示该区域中作物的丰度。该方法在Foody(2001)提出的土地覆盖软变化检测模型(见图1e)的基础上，根据土地覆盖变化在中、低分遥感影像上实际表现出连续的光谱变化特征，将变化程度综合划分为三种状态：变化、无变化、过渡。依据此假设，在确定土地变化状态(即地物类型)的基础上，土地变化程度与区域内作物的丰度相对应，即变化程度等同于作物的丰度信息，见公式(2)： 

$M=\left\{\begin{array}{cc}0& \mathrm{if\; f}\left(s\right)<S_1\\ f\left(s\right)& \mathrm{if}{S}_1<f\left(s\right)<S_2\\ 1& \mathrm{if\; f}\left(s\right)>S_2\end{array}\right.---\left(2\right)$

其中，M表示软硬变化检测提取出的作物丰度信息。f(s)代表通过传统软变化检测方法得到的强度或丰度信息。s代表不同时期地物的遥感信息差异特征，如光谱、纹理等。S1、S2是针对变化特征S设定的阈值，分别为划突变区域、过渡区域、无变化区域三种状态的阈值。由于作物生长变化是在短时间内发生的，因此中分影像过渡区主要是混合像元或者光谱不确定区域。当丰度值小于S1时，赋值为0，表示没有作物的区域；同样的，当丰度值大于S2时，赋值为1，表示完全转化为作物的区域；当变化程度介于S1和S2之间，代表过渡区，表示部分转化为作物的区域，作物丰度的取值范围为[S1，S2]之间的数值。其中，S1和S2是划分三个区域的关键，实现方法可以采用变化强度阈值法、空间特征划分、模糊矩阵、 扩展支撑向量分析等。 

从图1d、e可见，HLUCD通过二值划分，根据阈值划分将变化状态的地物变化强度信息分为两类，用于表示作物和非作物(见图1d)，但该方法无法对混合像元区提供详细的变化信息；SLUCD将变化程度信息转换成连续的丰度值(见图1e)，在渐变区(过渡区)表达出更加丰富的信息，但由于类内光谱的不稳定性而在识别纯净作物像元区中存在识别误差。 

SHLUCD综合了HLUCD和SLUCD方法各自的优势(见图1f)，一方面在离散变化区可通过土地覆盖变化状态来有效识别作物(即纯净冬小麦像元区)，另一方面可在连续变化区通过作物变化状态和变化程度更好的识别作物的丰度信息(即混合冬小麦或光谱不确定像元区)，达到多期遥感影像变化检测提高作物识别精度的目的。 

2.研究区与数据 

研究区位于北京市朝阳、大兴、通州三区交界处，覆盖范围为15km×14km(见图2a)。该地区冬小麦、蔬菜与果树交错生长，地块破碎，种植结构复杂，给冬小麦遥感识别带来了困难。在遥感影像上，大片、地块破碎小麦呈现纯净、混合像元现象共存现象，适合本研究的开展。冬小麦生长周期从10月上旬开始，到来年6月下旬结束，整个生长阶段包括播种、出苗、分蘖、越冬、返青、起身、拔节、灌浆和成熟(见表1)。 

表1北京地区冬小麦物候特征表 

根据研究区冬小麦物候特征选用2011年10月6日(播种期，T₁)和2012年4月16日(拔节期，T₂)两期环境1号卫星影像数据(像元分辨率30m)，质量较好，无云(见图2c、d)。影像由四个波段组成，分别为：蓝光波段(0.43-0.52μm)、绿光波段(0.52-0.60μm)、红光波段(0.63-0.69μm)、近红外波段(0.76-0.9μm)。环境1号卫星数据均经过严格的几何精校正和辐射校正。以2010年高分辨率的航片数据为参考影像(高斯克吕格投影，坐标系为北京54)，利用二次多项式和双线性内插法，对2012年4月16日影像进行精校正，经重新选点检验，确定误差在一个像元内。进一步以2012年4月16日影像为基准影像，对2011年10月6日影像进行几何校正，相对配准误差控制在0.5个像元内。应用一次线性回归形式对两期遥感影像进行相对辐射校正。此外，以2010年航片数据作为底图，结合两期中分遥感影像和地面调查数据，目视解译出实验区内冬小麦的空间分布作为真值(见图2b)，提供构建训练样本的先验知识和进行实验结果的精度验证。 

3.流程 

本发明流程引用变化向量分析(Change Vector Analysis，CVA)进行图像的插值计算，利用扩展支撑向量机(extended support machine，ESVM) 进行变化向量光谱空间的划分，得到冬小麦突变区、冬小麦渐变区、非冬小麦区，将冬小麦突变区、冬小麦渐变区拼接生成冬小麦的空间分布。流程如图3所示。 

4.差值图像计算 

针对两期环境一号小卫星遥感图像逐波段进行差值运算(见式(3))，得到4个波段的差值图像，最后将新生成的四个差值波段组合成四波段的变化向量图像(见图4)。该图像可结合原始图像判别光谱变化的状态信息(即变化方向)，并能够一定程度上反映出冬小麦的变化程度。 

${\mathrm{DN}}^{\&prime;}={\mathrm{DN}}_{T_2}-{\mathrm{DN}}_{T_1}---\left(3\right)$

其中，DN_T2表示T₂时期遥感影像各波段的DN值；DN_T1表示T₁时期遥感影像各波段的DN值。 

根据地物的光谱特征)，结合差值遥感影像(见图4)，分析地物在不同波段光谱特征差异及其在差值图像中的表现特性：1)水体，由于水体在蓝光、红光、近红外波段呈现出低反射率的光谱特性，因此差值图像上灰色线状或灰色块状地物为水体。2)裸地-裸地与植被-植被，在不同时期均为同一类的地物，在不同时期影像各波段所呈现出的光谱反射率差异不大，在差值图像上以灰色色调显示的地物对应为两期影像中同时为裸地或植被的区域。因此，在差值影像这两种地物与上述水体光谱相仿，即未发生变化的地物。3)植被-裸地，对于环境卫星遥感影像，裸地在绿光和红光波段中反射率总体高于植被，而在近红外波段小于植被，因此对于T₁到T₂ 时期由植被转变为裸地的区域而言，两期影像的差值在红光和绿光波段为正值，且红光波段差值会更高，近红外波段差值为负值。根据差值图像显示组合可知，该区域地物在差值图像中以蓝绿色色调显示，一般对应蔬菜或草坪等。4)裸地-植被，由于裸地和植被在近红外波段上的反射率差异较大，而在其它波段差异较小，因此差值图像上以红色色调表示的区域对应T₁到T₂时期由裸地转变成植被，结合该区域的作物物候特征确定该区域为冬小麦。上述不同地物的光谱变化特征详见图8。 

5.变化样本选择 

通过对研究区内两期遥感影像及其差值图像进行对比分析，整个区域从T1到T2时期光谱变化特征确定为5类：水体-＞水体；裸地-＞裸地；植被-＞植被；植被-＞裸地；裸地-＞植被。图8表明不同地物在两期影像和差值影像上的光谱特征，其中，R:G:B组合波段分别为4:3:2。差值影像R:G:B波段组合分别为近红外差值波段：红光差值波段：绿光差值波段。 

6.冬小麦识别 

ESVM是SVM在遥感识别应用中的扩展，在实际的划分过程中所有波段变化程度向量参与其中，可在SVM方法的基础上解决由于系统噪声所造成的相对纯净像元间的光谱变化，识别结果为纯净、混合像元识别结 果的复合，因此引用ESVM特性，实现SHLUCD进行冬小麦的遥感识别。 

图5中，A代表确定转化为冬小麦与部分转化为冬小麦区域之间的超平面；B代表其它地物与部分转化为冬小麦之间的超平面；d表示部分转化为冬小麦的像元到超平面A的垂直距离，即冬小麦丰度。图5为二维平面上利用多时相进行冬小麦和其它地物的划分过程，以1、2变化向量波段示例，用ESVM方法实现SHLUCD冬小麦遥感识别。其中，支持向量是由处于恰好过渡状态的像元向量所构成，而这些像元被称为“刚好转化为冬小麦的像元”和“刚好为其它地物的像元”，也就是支撑向量。两条穿过支撑向量的超平面将图像向量空间划分为三个部分：超平面A之上表示完全转化为冬小麦的区域；超平面B之下表示其它地物区域；A、B之间表示部分转变为冬小麦的区域。两个超平面之间的距离为1，部分转化为冬小麦的像元与超平面A的垂直距离(图5中的距离d)表示冬小麦的丰度值，也就是软变化检测识别出的冬小麦。ESVM的判别式如式(4)所示： 

当f(x)≥1 

x∈A则β_x(A)＝1，β_x(B)＝0； 

当f(x)≤-1            (4) 

x∈B，则β_x(A)＝0，β_x(B)＝1； 

当-1＜f(x)＜1 

x∈{A，B}，则 ${\mathrm{\&beta;}}_x\left(A\right)=\frac{1}{2}(f\left(x\right)+1),{\mathrm{\&beta;}}_x\left(B\right)=\frac{1}{2}(1-f\left(x\right))$

其中，f(x)为转换的丰度值，β_x(A)表示冬小麦的丰度值，β_x(B)表示非作物的丰度值；A、B分别代表作物和非作物类型。 

7.结果与分析 

三种方法的识别结果与真实冬小麦对比可知，整体上三种识别方法提取出的冬小麦范围与真实冬小麦分布基本相同(图6)，均表现出较好的识别结果。HLUCD方法将识别结果表现为冬小麦和非冬小麦两种地物，过渡区的微弱冬小麦信息被忽略(图6b)。SLUCD方法判别的结果是以[0，100％]的连续丰度值表示冬小麦的识别结果，可表现出过渡区域冬小麦的细节信息，但在识别结果中存在许多噪声点。表现在两个方面：其一，在纯净的非冬小麦区域识别出一定的冬小麦丰度，这些值均接近于0(图6c子区窗口W2)，其二，在纯净的冬小麦区域冬小麦识别结果应为100％，但在SLUCD识别结果中一般接近于100％，尤其是对于大片的冬小麦种植区域，识别结果不像HLUCD方法冬小麦结果为100％。SHLUCD的识别结果能够将整个区域划分为三个部分：确定转化为冬小麦的区域(白色区域，丰度值为100％)、部分转化为冬小麦的区域(以(0，100％)的灰色色阶表示冬小麦丰度)、其它地物区(黑色区域，丰度值为0)。从结果来看，SHLUCD在冬小麦过渡区(混合像元)是SLUCD结果，在冬小麦离散变化区域(纯净像元)是HLUCD结果，综合了二者优势解决遥感影像纯净、混合变化区域共存的问题，能够更加准确的识别出离散变化、连续变化区域的冬小麦，符合遥感影像反映出的冬小麦分布情况。 

(1)精度评估 

图7表明，整体上SHLUCD识别结果表现最高的识别精度。SHLUCD、HLUCD、SLUCD的RMSE在各窗口下的取值范围分别为0.14-0.07，0.15-0.07，0.16-0.08；bias的大致取值分别为-0.0008，-0.007，0.014；R2取值范围分别为0.68-0.86，0.62-0.86，0.60-0.86。因此，SHLUCD方法较其它两种方法对冬小麦识别表现出较高精度和较好稳定性。随着窗口尺寸的增加，三种方法的R2值均增加，而RMSE和bias值降低，这说明随着像元尺度的增加，窗口内冬小麦像元产生错入错现象一定程度上抵消了分类误差和配准偏差产生的影响，这与已有的研究结论是相一致的(潘耀忠等，2011；Pan等，2012)。 

根据真值数据(见6a)将研究区进行划分，分别为冬小麦突变区域(即冬小麦丰度100％)、冬小麦渐变区域(即混合冬小麦区域)、非冬小麦区域(即冬小麦为0％)，并分析评价三个区域中各方法识别作物的精度(表3)。表3表明：在非小麦区和冬小麦突变区(离散变化区)，HLUCD的识别精度最高，SHLUCD与其接近，SLUCD精度最低且较其它两种方法相差较大，主要是因为SLUCD对光谱比较敏感，容易将一些地物误分成冬小麦，而SHLUCD继承了HLUCD特性，对光谱的微弱变化不敏感；在冬小麦丰度渐变区，SLUCD识别精度最高，SHLUCD与其接近，HLUCD对目标结果进行二值划分，对含有比较低丰度的冬小麦会忽略，而对于高丰度的冬小麦取值为100％，造成HLUCD的识别错误，具有SLUCD特性的SHLUCD可以避免这一点。SHLUCD方法总体识别精度高于单独使用任何一种软、硬变化检测的方法，因此对于遥感影像上土地覆盖变化的离散变化、连续变化共存现象具有很 好的灵活性和适用性。 

(2)空间分布对比分析 

从图6a-d可以看出，三种变化检测方法识别出冬小麦的整体结果与真值均较为一致。为更加清晰分析本发明方法的优势，选择一个子区(图6a-d子区窗口W1)进行三个方法的对比分析，可以得出：对于HLUCD方法，在典型冬小麦区域识别效果好，而地块边缘过渡区，即冬小麦混合像元区，由于冬小麦丰度偏高、低，被硬性划分为冬小麦，非冬小麦区，造成冬小麦的错分、漏分；对于SLUCD方法，地块边缘过渡区域识别结果较符合实际情况，较HLUCD方法表现出较好的优势，但由于光谱的不稳定性因素，在典型非冬小麦区域的冬小麦识别过程中识别结果非100％，造成混入误差。如在典型的非冬小麦区域，识别结果为具有一定丰度的冬小麦，范围约0-20％像元。这主要是因为光谱的不稳定性，导致不含有冬小麦的像元被分解出一定丰度的冬小麦，这是利用分解方法进行软变化检测不可回避的困难(Brown等，2000)。然而对于典型的完全转为冬小麦的区域中，冬小麦丰度为100％，但实际的识别结果丰度一般在90％到100％之间，这也是硬变化检测存在的问题(Pan等，2012)。 

与上述两种方法相比，SHLUCD能够更加准确的提取出离散变化区和连续变化区的冬小麦。离散变化区的冬小麦分布范围和识别结果与HLUCD结果相似，消除了SLUCD方法导致其它地物的混入，能够准确的提取出离散变化区域的冬小麦，丰度取值为100％；连续变化区识别结果与SLUCD结果基本相同，能够较好的识别出边缘过渡区域(混合像元区)的冬小麦信息。 相对于SLUCD方法，基于ESVM超平面光谱空间的划分，SHLUCD方法仍然会舍弃一部分低丰度的冬小麦像元，这会对小麦地块的边缘像元造成一定的影响。综上分析，SHLUCD综合集成了软、硬变化检测方法各自的优势，充分利用作物的物候特征，能够更加有效地识别出作物的空间分布。 

8结论 

本发明综合软、硬变化检测方法各自优势，本提出了软硬变化检测的冬小麦识别方法(SHLUCD)，并通过图像遥感差值和ESVM方法，实现了软硬变检测识别冬小麦的识别。(较HLUCD和SLUCD方法，在不同窗口尺度下，SHLUCD识别结果整体表现出最低的RMSE和bias，以及最高的R2(RMSE范围为0.14-0.07，bias为-0.0008，R2为0.68-0.86)，因而显示出较高的冬小麦识别精度和稳定性。三个划分区域(冬小麦突变区域、冬小麦渐变区域、非小麦区域)的精度验证表明，SHLUCD在冬小麦突变区和非小麦区域识别精度接近HLUCD，在冬小麦渐变区域识别精度接近SLUCD，在实际的应用中可适应不同景观分布特征，整体精度高于单独使用HLUCD或SLUCD。 

本发明方法仍有一些问题有待进一步的解决，主要包括：假设在确定土地变化状态(即地物类型)的基础上，土地变化程度与区域内作物的丰度相对应，但地物变化概率与地物丰度之间的定量关系仍需要在深入验证。 

本领域中，离散变化区(即纯净像元区，包括完全转换成作物的突变区域和非作物区域)和连续变化区(即渐变区，混合像元区，是部分转化为作物的区域)在多时 相遥感影像共存的特性，利用软硬变化划分出各自的区域。本发明针对两期影像生成的差值影像进行变化样本的选取，利用扩展支撑向量机(extended support vector machine，ESVM)将冬小麦划分为三个区域：冬小麦突变区域、冬小麦渐变区域、非冬小麦区域。本发明通过对北京选择一个研究区，以两期环境减灾1号卫星影像为实验数据开展实验，实验结果表明软硬变化检测的方法要比单独软、硬变化检测识别出的冬小麦精度要高。在不同尺度窗口下，SHLUCD较传统方法表现出较明显的优势，具有更低的RMSE(SHLUCD为[0.14-0.07]，HLUCD为[0.15-0.07]，SLUCD为[0.16-0.08])和bias(SHLUCD为-0.0008，HLUCD为-0.007，SLUCD为0.014)和更高的R2(SHLUCD为[0.68-0.86]，HLUCD为[0.62-0.86]，SLUCD为[0.60-0.86])。 

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。 

Claims (5)

1.一种软硬变化检测的冬小麦遥感识别方法，其特征在于：包括以下步骤： 

步骤一、针对两期遥感影像提取进行差值计算，得到差值图像； 

步骤二、对两期遥感影像及其差值图像进行对比分析，整个区域从T₁到T₂时期光谱变化特征确定为5类：水体—＞水体、裸地—＞裸地、植被—＞植被、植被—＞裸地、裸地—＞植被； 

步骤三、利用扩展支撑向量机方法(ESVM)划分出冬小麦突变区、冬小麦渐变区、非冬小麦区； 

步骤四、将冬小麦突变区、冬小麦渐变区两个区域拼接在一起，生成冬小麦的空间分布图。 

2.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于：所述步骤一具体是进行多期遥感影像之间进行差值计算，反映冬小麦的变化程度，具体为： 

其中，DN_T2表示T₂时期遥感影像各波段的DN值；DN_T1表示T₁时期遥感影像各波段的DN值。 

3.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于：所述步骤二根据图像上反映地物在不同时期影像光谱之间的变化信息，建立地表土地覆盖变化的识别体系，目视选择土地覆盖变化样本。 

4.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于：所述步骤三根据ESVM利用公式(2)确定超平面，将整幅遥 感影像划分出冬小麦突变区、冬小麦渐变区、非冬小麦区。 

当f(x)≥1 

x∈A则β_x(A)=1，β_x(B)=0； 

当f(x)≤-1 

x∈B，则β_x(A)=0，β_x(B)=1；    (2) 

当-1＜f(x)<1 

x∈{A，B}，则

其中，f(x)为转换的丰度值，β_x(A)表示冬小麦的丰度值，β_x(B)表示非作物的丰度值；A、B分别代表作物和非作物类型。 

5.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于：所述步骤四将冬小麦突变区、冬小麦渐变区按照拼接的方式，生成冬小麦的空间分布图。