CN105243387A - 一种基于无人机影像的露天矿典型地物分类方法 - Google Patents
一种基于无人机影像的露天矿典型地物分类方法 Download PDFInfo
- Publication number
- CN105243387A CN105243387A CN201510454754.9A CN201510454754A CN105243387A CN 105243387 A CN105243387 A CN 105243387A CN 201510454754 A CN201510454754 A CN 201510454754A CN 105243387 A CN105243387 A CN 105243387A
- Authority
- CN
- China
- Prior art keywords
- feature
- classification
- atural object
- unmanned plane
- image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种基于无人机影像的露天矿典型地物分类方法,该方法首先对影像进行多尺度分割,得到适合不同地物提取的对象层,然后对典型地物的特征(包括光谱特征、纹理特征、形态特征、自定义特征)进行相关性分析,剔除相关性较大的特征,同时也进行了特征空间的降维,进而得到最利于分类的特征集,最后从特征集中根据各类地物的具体特征选择5个特征进行地物分类,在得到分类结果后进行后处理(类别合并、边缘光滑化、错分类别调整)优化分类结果。该方法精度高、自动化程度高、处理流程简单,可以有效的解决露天矿中裸土与采场混淆问题,在露天矿地物典型地物分类中有非常重要的意义。
Description
技术领域
本发明涉及露天矿生产领域,是一种基于无人机影像的露天矿典型地物面向对象分类方法。
背景技术
随着遥感技术、计算机技术以及相关技术的快速发展,通过高空飞行的各类传感器获得的影像无论在时间分辨率还是空间分辨率上都有很大的提高,近年来无人机遥感的快速发展是对卫星遥感的很好的补充和丰富。无人机遥感系统与传统航空航天遥感系统相比具有机动灵活、作业成本低、携带方便、应用广泛等多方面显著特点,使得无人机遥感系统快速成为国家应急救灾、国土资源监察、矿山勘测、数字城市建设和新农村测绘保障便捷高效的数据获取手段。
长期以来,目视解译和面向像元分类方法是进行遥感影像信息提取的基本方法。目视解译方法目前仍被广泛应用于精度要求较高的信息提取中,特别是在高分辨率的遥感信息提取。但是,目视解译既需要丰富的地学知识和目视判读经验,又需要花费大量的时间去目视判读,其劳动强度大,信息获取周期长,解译质量受目视判读者的经验、对解译区域的熟悉程度等各种因素限制,具有很大的主观性。
面向像元分类是以像元作为基本单元进行地物提取,主要包括监督分类和非监督分类,常用的监督分类有最大似然法、最短距离法、马式距离法等,常用的非监督分类有ISODATA聚类法、K均值法等。但面向像元分类方法主要根据像元的光谱信息进行分类,然而,高分辨率遥感数据通常包含较少波段,光谱信息不如空间特征丰富,分类时不能仅靠光谱特征,因为高分辨率影像地物的几何结构和纹理信息更加明显,意味着地物的空间破碎性更加明显,增加了不确定性,同时,遥感影像的数据量随着空间分辨率的增加以指数级增长,高分辨率影像信息提取对计算机的软、硬件都提出了更高的要求,以面向像元分类方法对高分辨率影像进行信息提取的速度较慢,不能满足遥感信息快速提取的需要。
针对传统分类方法无法满足对高分辨率影像的分类要求,针对高分辨率遥感影像的特点,如何充分挖掘高分辨率遥感影像所包含的信息,是高分辨率遥感影像信息提取成败的关键,针对高分辨率遥感影像处理难的特点,BaatzM和SchapeA提出了面向对象地物分类方法,此方法是针对高分辨率遥感影像的分类技术,利用地物的光谱、颜色、纹理和形状等特征将拥有相似特征的像素合并到一个子区域中,最后对子区域对象进行分类。此方法打破了传统的基于像素的分类方法,充分利用了图像几何信息,提高了分类精度。对于高分辨率影像,不同地物间的差异是渐进性的,相同地物内部光谱值也并不很一致,这使得地物具有了更高的细节化,各地物光谱重叠,因此光谱分布更具有变化性,面向对象分类方法目前虽然可以基本解决这些问题,但分类方法也不是很具有普适性,需要操作人员的大量实验来确定最适合的分类特征和阈值,且针对露天矿的无人机影像,矿山地物间复杂性强,地物间差异不明显等问题,已有的面向对象分类方法也不是完全适用于无人机影像的露天矿典型地物的分类。
发明内容
本发明是一种基于无人机影像的露天矿典型地物分类方法,在露天矿的典型地物分类中,对典型地物进行更有效的分类,大大规避错分和地物不完整现象,为矿山的环境监测及地物的变化检测提供了有效的技术方法。
为达到上述目的,本发明的技术内容包括:
一种基于无人机影像的露天矿典型地物分类方法,其特征在于,包括步骤:
A)通过对露天矿无人机影像进行多尺度分割,得到不同尺度分割的影像层,选取适合每类地物提取的影像层;
B)对露天矿典型地物的所有特征进行相关性分析,剔除相关性较大、不利于分类的特征,得到去相关之后的特征集后对特征进行归一化处理,对归一化后的特征提取不符合正态分布规律的特征,进一步优化特征集;
C)从最终优化得到的特征集中根据地物特点选取5个特征建立分类函数,利用特征符合正态分布的规律确定分类阈值,进行分类;
D)对初次分类得到的结果进行类别合并、边缘光滑化、错分类别调整等优化处理,得到最终分类结果。
所述的一种基于无人机影像的露天矿典型地物分类方法,其所述A)步,将影像分割得到一系列空间上相邻、同质性较好的分割对象,多尺度分割可以根据目标地物的不同选择不同的分割尺度,通常对于小面积分布且类别纹理复杂的地物采用较小的分割尺度;而分布面积大且类别纹理简单均匀的地类采用较大的尺度,利用不同的分割尺度提取不同的地物对分类精度有很大提高。
所述的一种基于无人机影像的露天矿典型地物分类方法,其所述B)步,无人机影像中地物的各类特征丰富,除了光谱特征还有纹理特征、形状特征、结构特征等,选择最适合分类的特征是分类的难题及关键,本发明首先采用特征相关性分析,相关性越大,特征的可分性越小,剔除相关性大的特征,优化特征集,如果对象特征不符合正态分布规律,说明特征分离性差,不考虑用于分类,这样进一步优化特征集。
所述的一种基于无人机影像的露天矿典型地物分类方法,其所述C)步,地物不同适合分类的特征也就不同,根据具体的地物选择最适合的5个特征建立分类函数,例如NDVI指数是提取植被的最佳选择,但对于无人机影像没有近红外波段,根据NDVI指数,利用1波段和3波段定义NDSI指数,利用特征值符合正态分布规律,来为每个特征确定分类阈值,大大减少了多次试验确定阈值的工作量。
所述的一种基于无人机影像的露天矿典型地物分类方法,其所述D)步,对分类后的结果将相邻的同类地物进行合并,可以提高地物的完整性,对每类地物单独进行平滑处理,对每类地物边缘不足一个像素的对象,判断真正的其隶属性,使边缘更加的光滑,也提高的分类结果的精度。
本发明提出的一种基于无人机影像的露天矿典型地物分类方法,是一种能够保证高精度分类和减少人工目视解译的无人机影像的露天矿典型地物分类方法,该方法通过多尺度分割,充分考虑了不同地物在高分辨率影像中尺度问题,通过剔除相关性大的特征,从而提高了特征选取的效率和分类精度。
附图说明
图1为本发明的技术流程图;
图2实验区原始无人机影像;
图3a分割尺度为80的分割结果图;
图3b分割尺度为100的分割结果图;
图3c分割尺度为130的分割结果图;
图3d分割尺度为150的分割结果图;
图3e分割尺度为200的分割结果图;
图3f分割尺度为250的分割结果图;
图4实验区露天矿典型地物分类结果(包括:植被、道路、裸土)。
具体实施方式
本发明的目的在于实现一种保证较高的分类精度和提高自动化效率的无人机影像的露天矿典型地物的分类方法。本方法主要步骤如下:首先采用多尺度分割算法对无人机露天矿影像进行分割,得到不同分割尺度对应的影像层,选择适合每种地物提取的对象层,对地物特征进行去相关优化,确定分类特征集,为每类地物选择最适合的5个特征建立分类函数,并确定特征的分类阈值,最后对分类后的结果进行优化。本发明的流程图如图1所示。
本分类方法采用的是多尺度分割,由于多尺度分析的方法能够综合考虑不同尺度的影像信息,当设定多个分割尺度对影像进行分割后,形成了由分割尺度参数所决定的影像对象层次体系,影像对象集合了像元的光谱信息、此像元与周围像元的关系信息等。在多尺度分割中,每个对象层都有其固定尺度值,多个对象层次可以体现出多种空间尺度的地物类别属性,在不同尺度对象层上提取不同属性的类别信息,由此解决了同一分辨率的影像数据识别所有空间属性有所差异类型的问题。通过多尺度分割后,得到不同尺度分割的对象层,针对同一类地物,比较不同尺度的分割结果,从相邻的同质像元是否最大化合并和异质性像元是否有效的区分开,来选择适合地物提取的最佳尺度,最佳的分割尺度是既能保证同类地物的完整性,又能有效的和其它地物区分,减少混淆现象。
本分类方法在分类特征选择时发明一种特征去相关优化特征集的方法,首先,从分割后的影像中选出若干个具有代表性且在空间上分布均匀的样本对象,然后利用这些样本对象的特征值求出所有特征的自相关系数矩阵。设原始高维特征集为FN=(f1,f2,...,fN),样本对象个数为K,则这N个特征的自相关系数矩阵可表示为:
i,j=1,....,N
式中,表示特征集中第1个样本第i个特征的值,x表示第i个特征的均值估计设置一个阈值考察所有的特征,当某两个特征相关系数超过阈值时,去掉与其他特征也存在较强的相关性且方差较小的特征。这样就剔除了相关性较大的特征,优化了特征集;在优化的特征集中,如果对象特征不符合正态分布规律,说明特征分离性差,不考虑用于分类,这样进一步优化特征集。
本分类方法在建立分类函数时,根据各类地物的特点不同,分别为其选择5个特征建立分类函数,例如,对植被的分类最主要的特征是NDVI指数,但由于无人机遥感影像没有近红外波段,所以利用NDVI思想,自定义NDSI指数,NDSI=(layer1-layer3)/(layer1+layer3)。另外再选择layer1波段的均值,为植被建立分类函数。由于特征集中的特征都符合正态分布规律,所以在确定阈值时,可以初步选择阈值为μ±2σ,其中μ为某一地物的一个特征的均值,σ为某一地物的一个特征的的标准差,然后根据确定的阈值进行微小的调整就可以确定最后的阈值,这样减少了多次试验确定阈值的工作量。
本分类方法在对分类结果进行优化时采用的分别对每类地物进行平滑处理,判断地物对象边缘的不满足一个像元的对象的隶属问题,将这个像元分类到其中占50%以上的那一类,这样有效的解决了在分类时发生在两类地物交界处的错分和混淆现象,最后合并相邻的同类地物,使地物更加完整,最终实现无人机影像的露天矿典型地物的分类。
实施例1:
以某露天矿2014年8月的无人机航拍影像作为数据源,进行本发明的一种基于无人机影像的露天矿典型地物分类方法的实验。实验区原始影像如图2所示。
A)首先对影像进行多尺度分割,分别设置分割尺度为80、100、130、150、200、250,得到的分割结果图如图3所示,从分割的结果比较不同的分割尺度的分割效果可以发现,尺度参数设置为80时,分割得到的对象的面积较小,把地物分割的过于细,不利于完整的提取地物;当尺度参数设置为100、130时,对道路的分割效果较好,很好的把道路分割成小的对象,而且没有把道路两侧的裸地大量的和道路分割到一个多边形对象中;分割尺度为150、200时,对于大范围植被和矿区的分割效果较好,相对较好的保留了大面积地物的完整性;而对于分割尺度250或更大的尺度时,得到的影像对象的面积较大,一个对象中包含了多个地物,对分类会造成错误的影像。
B)从分割后的影像中选出若干个具有代表性且在空间上分布均匀的样本对象,然后利用这些样本对象的特征值求出所有特征的自相关系数矩阵。剔除相关性大的和分布不符合正态分布规律的特征,得到用于分类的特征集,如表1所示。最后从特征集中为每类地物选择特征建立分类函数进行分类,本实验将地物分为植被、裸土、道路和未分类地物。
C)最后对分类后的结果进行平滑、合并和错分类别调整等优化得到最终的分类结果如图4所示。
表1优化后的分类特征集
Claims (5)
1.一种基于无人机影像的露天矿典型地物分类方法,其特征在于,包括步骤:
A)通过对露天矿无人机影像进行多尺度分割,得到不同尺度分割的影像层,选取适合每类地物提取的影像层;
B)对露天矿典型地物的所有特征进行相关性分析,剔除相关性较大、不利于分类的特征,得到去相关之后的特征集后对特征进行归一化处理,对归一化后的特征提取不符合正态分布规律的特征,进一步优化特征集;
C)从最终优化得到的特征集中根据地物特点选取5个特征建立分类函数,利用特征符合正态分布的规律确定分类阈值,进行分类;
D)对初次分类得到的结果进行类别合并、边缘光滑化、错分类别调整的优化处理,得到最终分类结果。
2.如权利1所述的一种基于无人机影像的露天矿典型地物分类方法,其特征在于:所述A)步,将影像分割得到一系列空间上相邻、同质性较好的分割对象,多尺度分割可以根据目标地物的不同选择不同的分割尺度,通常对于小面积分布且类别纹理复杂的地物采用较小的分割尺度;而分布面积大且类别纹理简单均匀的地类采用较大的尺度,利用不同的分割尺度提取不同的地物对分类精度有很大提高。
3.如权利1所述的一种基于无人机影像的露天矿典型地物分类方法,其特征在于:所述B)步,无人机影像中地物的各类特征丰富,除了光谱特征还有纹理特征、形状特征、结构特征等,选择最适合分类的特征是分类的难题及关键,本发明首先采用特征相关性分析,相关性越大,特征的可分性越小,剔除相关性大的特征,优化特征集,如果对象特征不符合正态分布规律,说明特征分离性差,不考虑用于分类,这样进一步优化特征集。
4.如权利1所述的一种基于无人机影像的露天矿典型地物分类方法,其特征在于:所述C)步,地物不同适合分类的特征也就不同,根据具体的地物选择最适合的5个特征建立分类函数,例如NDVI指数是提取植被的最佳选择,但对于无人机影像没有近红外波段,根据NDVI指数,利用1波段和3波段自定义NDSI指数,利用特征值符合正态分布规律,来为每个特征确定分类阈值,大大减少了多次试验确定阈值的工作量。
5.如权利1所述的一种基于无人机影像的露天矿典型地物分类方法,其特征在于:所述D)步,对分类后的结果将相邻的同类地物进行合并,可以提高地物的完整性,对每类地物单独进行平滑处理,对每类地物边缘不足一个像素的对象,判断真正的其隶属性,使边缘更加光滑,也提高分类结果的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510454754.9A CN105243387A (zh) | 2015-07-30 | 2015-07-30 | 一种基于无人机影像的露天矿典型地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510454754.9A CN105243387A (zh) | 2015-07-30 | 2015-07-30 | 一种基于无人机影像的露天矿典型地物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105243387A true CN105243387A (zh) | 2016-01-13 |
Family
ID=55041028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510454754.9A Pending CN105243387A (zh) | 2015-07-30 | 2015-07-30 | 一种基于无人机影像的露天矿典型地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243387A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199557A (zh) * | 2016-06-24 | 2016-12-07 | 南京林业大学 | 一种机载激光雷达数据植被提取方法 |
CN108830336A (zh) * | 2018-06-27 | 2018-11-16 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN109344852A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像识别方法和装置、分析仪器和存储介质 |
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN111062351A (zh) * | 2019-12-24 | 2020-04-24 | 中国矿业大学 | 一种星/机载影像数据融合识别煤矿区场地特征的方法 |
CN114549972A (zh) * | 2022-01-17 | 2022-05-27 | 中国矿业大学(北京) | 露天矿采场提取方法、装置、设备、介质及程序产品 |
CN114861891A (zh) * | 2022-07-05 | 2022-08-05 | 中国民航大学 | 基于改进的稀疏自编码器的空管系统态势特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320431A (zh) * | 2008-06-13 | 2008-12-10 | 北京航空航天大学 | 基于局域标准差的自适应sar图像分类方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
-
2015
- 2015-07-30 CN CN201510454754.9A patent/CN105243387A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320431A (zh) * | 2008-06-13 | 2008-12-10 | 北京航空航天大学 | 基于局域标准差的自适应sar图像分类方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
Non-Patent Citations (3)
Title |
---|
樊利恒 等: "基于改进最大似然方法的多光谱遥感图像分类方法", 《电光与控制》 * |
许燕: "面向对象的无人机影像分类研究", 《地理空间信息》 * |
阚晓云 等: "无人机影像分割尺度及地物分类研究", 《科技广场》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199557A (zh) * | 2016-06-24 | 2016-12-07 | 南京林业大学 | 一种机载激光雷达数据植被提取方法 |
CN108830336A (zh) * | 2018-06-27 | 2018-11-16 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN108830336B (zh) * | 2018-06-27 | 2021-08-13 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN109344852A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像识别方法和装置、分析仪器和存储介质 |
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN111062351A (zh) * | 2019-12-24 | 2020-04-24 | 中国矿业大学 | 一种星/机载影像数据融合识别煤矿区场地特征的方法 |
CN111062351B (zh) * | 2019-12-24 | 2023-12-22 | 中国矿业大学 | 一种星/机载影像数据融合识别煤矿区场地特征的方法 |
CN114549972A (zh) * | 2022-01-17 | 2022-05-27 | 中国矿业大学(北京) | 露天矿采场提取方法、装置、设备、介质及程序产品 |
CN114549972B (zh) * | 2022-01-17 | 2023-01-03 | 中国矿业大学(北京) | 露天矿采场提取方法、装置、设备及介质 |
CN114861891A (zh) * | 2022-07-05 | 2022-08-05 | 中国民航大学 | 基于改进的稀疏自编码器的空管系统态势特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN101539998B (zh) | 蚀变遥感异常提取方法和系统 | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
CN102496034B (zh) | 基于直线单词的高空间分辨率遥感图像词袋分类方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN101493888B (zh) | Pdc岩屑数字图像录井方法 | |
Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
Li et al. | GIS-based detection of grain boundaries | |
CN103678552A (zh) | 基于显著区域特征的遥感影像检索方法及系统 | |
CN103309982A (zh) | 一种基于视觉显著点特征的遥感影像检索方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN104318051A (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
Unsalan et al. | Classifying land development in high-resolution satellite imagery using hybrid structural-multispectral features | |
Huang et al. | Cloud detection for high-resolution remote-sensing images of urban areas using colour and edge features based on dual-colour models | |
CN104966091A (zh) | 一种基于无人机遥感影像的露天矿道路提取方法 | |
CN103971367A (zh) | 水文资料图像分割方法 | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160113 |