CN105512619B - 一种基于分层知识的不透水面信息提取方法 - Google Patents
一种基于分层知识的不透水面信息提取方法 Download PDFInfo
- Publication number
- CN105512619B CN105512619B CN201510847625.6A CN201510847625A CN105512619B CN 105512619 B CN105512619 B CN 105512619B CN 201510847625 A CN201510847625 A CN 201510847625A CN 105512619 B CN105512619 B CN 105512619B
- Authority
- CN
- China
- Prior art keywords
- impervious surface
- layer
- abundance
- end member
- component
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于分层知识的不透水面信息提取方法包括:基于城市生物物理组成的影像分层;基于LSMA的不透水面丰度提取,包括:根据区域的生物物理组成提取特征分量,构建分层规则,将研究区分层。对各层分别进行MNF变换,分离数据中的噪声;在每一层的MNF散点图中选取端元,根据每一层的生物物理组成采用不同类型的端元集;根据端元集信息在每一层分别进行LSMA分解,高反射率H和低反射率L丰度相加得到每一层不透水面丰度信息,通过对得到的每一层不透水面信息进行合并,提取整个区域内不透水面丰度信息。本发明有效避免不透水面在高丰度区域低估、低丰度区域高估的现象,显著增加地物类间差异、减少地物类内混淆,提高城市不透水面丰度提取精度。
Description
技术领域
本发明涉及透水面丰度提取技术领域,尤其涉及一种利用分层知识的提取中等分辨率遥感影像不透水面丰度方法。
背景技术
城市化进程正在全球范围内以前所未有的速度进行着,这一过程导致大量自然地表逐渐向人工不透水面转变。不透水面是城市化程度的重要标志,同时也是环境科学、生态学、地理学等领域关注的热点问题。
目前,利用遥感影像,特别是中低分辨率影像的不透水面丰度提取方法普遍存在用单一像元或高反射率(high albedo,H)和低反射率(low albedo,L)两类端元表示全部不透水面类型,对不透水面类内差异考虑不足。此外,部分不透水面和部分土壤等地物存在相似的光谱特征。较小的类间差异和较大的类内差异导致不透水面丰度提取存在在高丰度地区低估、低丰度地区高估的问题。譬如,以往线性光谱混合分析(Linear Spectral MixtureAnalysis,LSMA)及基于LSMA的不透水面丰度提取方法并没有根据城市生物物理组成的不同而采取不同的端元模型,而是在整个影响范围内提取一个端元集应用于整个影像。这种方法的缺点是没有考虑地物的类内差异,同时不同地物的光谱相似性也会导致丰度提取结果的高估或低估。
发明内容
本发明要解决的技术问题是提供一种基于分层知识的不透水面丰度提取方法,能够改善由于相似地物的类间差异和不透水面的类内差异导致的不透水面信息在高丰度区域低估、低丰度区域高估的现象,提高不透水面丰度信息提取精度。
为解决上述问题,本发明采用如下的技术方案:
一种基于分层知识的不透水面信息提取方法包括以下步骤:步骤S1、基于城市生物物理组成的影像分层,具体包括以下步骤:
步骤S1.1、对城市遥感影像进行预处理,所述预处理包含辐射校正与去除水体掩膜;
步骤S1.2、计算预处理后的城市遥感影像生物物理组成的特征分量,对典型地物在特征分量的特性进行分析;
步骤S1.3、增强所述特征分量;
步骤S1.4、根据所述增强后特征分量,构建分层规则,将城市遥感影像分为不同层次;
步骤S2、基于LSMA的不透水面丰度提取,具体过程包括以下步骤:
步骤S2.1、对各层分别进行MNF变换,分离数据中的噪声;
步骤S2.2、在每一层的MNF散点图中选取端元,根据每一层的生物物理组成采用不同类型的端元集;
步骤S2.3、根据所述端元集信息在每一层分别进行LSMA分解,高反射率H和低反射率L丰度相加得到每一层不透水面丰度信息,通过对得到的每一层不透水面信息进行合并,提取整个区域内不透水面丰度信息。
2、作为优选,步骤S1.2具体为:在预处理后的图像中,采用IHS变换亮度分量I及归一化植被指数NDVI作为表征城市地物构成的生物物理特征分量;其中,I表达同一地物的光谱差异,其定义为:
其中,R,G,B分别是影像中3个不同波段,以不透水面为高亮区域并和其他地物有最大区分度为选取准则。
其中,NIR为近红外波段,RED为红光波段。
作为优选,步骤S1.3具体为:对I、NDVI特征分量增强,其数学表达式为:
其中,ienh为增强后的特征分量,inor为归一化的原始特征分量,λ为灵敏度因子,θ为归一化特征分量要增强的目标地物的平均值。
作为优选,步骤S1.4具体为:在对特征分量进行增强的基础上,分析其直方图,确定增强后亮度I分量阈值P1、P3及增强后NDVI分量阈值P2、P4,构建图像分层规则,其定义为:
Area 1:Ienh>P1,NDVIenh<P2,
Area 3:Ienh<P3,NDVIenh>P4,
Area 2为剩余部分。
作为优选,步骤S2.2具体为:Area 1选取高反射率-低反射率-土壤端元集,Area 2选取高反射率-低反射率-土壤-植被端元集,Area 3选取低反射率-土壤-植被端元集。
本发明的技术方案以城市遥感影像为主要数据源,根据区域的生物物理组成将研究区分层,对各层独立采用不同的混合像元端元模型,利用LSMA提取区域不透水面信息,即通过提取生物物理组成特征分量,构建分层规则,将研究区分层,再针对不同层的特征分别独立选取端元集进行混合像元分解,得到不透水面丰度信息。
本发明与现有技术相比具有如下特点:充分利用城市生物物理组成对遥感影像进行分层,并且充分利用层级信息在影像每一层分别独立选取不同类型的端元进行混合像元分解,从而增强不透水面类内差异、相似地物类间差异,提高不透水面丰度提取精度。
附图说明
图1本发明基于分层知识的不透水面丰度提取方法流程图;
图2为遥感影像分层流程示意图;
图3为特征分量增强示意图,其中,A:亮度分量直方图;B:增强后亮度分量直方图;C:归一化植被指数直方图;D:增强后归一化植被指数直方图;
图4为不透水面丰度计算流程示意图;
图5为不透水面丰度信息提取结果示意图,其中,图5a:本发明的方法得到的不透水面丰度;图5b:简单四端元LSMA得到的不透水面丰度。
具体实施方式
本发明提供一种基于分层知识的不透水面丰度提取方法,根据表征生物物理组成的特征分量将图像分层,再根据每层地物构成特点独立选取端元集,提高了不透水面丰度提取的精度,如图1所示,包括以下步骤,
步骤S1、基于城市生物物理组成的影像分层
城市不同生物物理成分由于构成地物不同具有明显的光谱特性差异,这种差异是对图像进行分层的基础;本发明采用增强后的城市生物物理特征分量构建图像分层规则,将图像分为不同生物物理层次,如图2所示,具体包括以下步骤:
步骤S1.1、对城市遥感影像进行预处理,所述预处理包含辐射校正与去除水体掩膜。
对于城市遥感影像(主要针对Landsat卫星的中等分辨率影像)进行辐射定标,即将遥感影像DN值转换为地面反射率,同时,水体虽然是城市重要地物类型,但根据V-I-S(Vegetation-Impervious Surface-Soil,植被-不透水面-土壤)模型,城市影像所有像元均可视为植被、不透水面、土壤这三类的线性组合。因此,为消除水体影响,利用非监督分类对图像进行去水体掩膜。本实施例中,利用ENVI软件辐射定标工具进行定标,获取地表反射率;利用ISODATA(Iterative Self-Organizing Data Analysis Technique,迭代自组织数据分析技术)非监督分类进行去水体掩膜。
步骤S1.2、计算预处理后的城市遥感影像生物物理组成的特征分量,对地物在特征分量的特性进行分析。
在预处理后的图像中,采用IHS(Intensity,Hue,Saturation
)变换亮度分量I(Intensity)及归一化植被指数NDVI(Normalized DifferenceVegetation Index)作为表征城市地物构成的生物物理特征分量;其中,I表达同一地物的光谱差异,其定义为:
其中,R,G,B分别是影像中3个不同波段,以不透水面为高亮区域并和其他地物有最大区分度为选取准则,本实施例中,R为红光波段,G为绿光波段,B为蓝光波段。
引入NDVI对植被进行区分,减少植被的类内差异对不透水面丰度的影响,其定义为:
其中,NIR为近红外波段,RED为红光波段。
步骤S1.3、增强所述特征分量。
为增加各层之间的区分性,对I、NDVI特征分量增强,其数学表达式为:
其中,ienh为增强后的特征分量,inor为归一化的原始特征分量,λ为灵敏度因子,θ为归一化特征分量要增强的目标地物的平均值。本实施例中,λ均取20,θ取0.5。
本实施例中,增强前后的I分量直方图如图3中A、B所示,增强前后的NDVI分量直方图如图3中C、D所示。
步骤S1.4、根据所述增强后特征分量,构建分层规则,将城市遥感影像分为不同层次。
在对特征分量进行增强的基础上,分析其直方图,确定增强后亮度I分量阈值P1、P3及增强后NDVI分量阈值P2、P4,构建图像分层规则,其定义为:
Area 1:Ienh>P1,NDVIenh<P2;Area 3:Ienh<P3,NDVIenh>P4;Area 2为剩余部分,其中,本实施例中P1为0.5,P2为0.6,P3为0.25,P4为0.2。
步骤S2、基于LSMA的不透水面丰度提取
现有不透水面丰度提取方法在整个影像范围内提取一组端元集,忽略了不同生物物理构成的特点,一定程度上影响了准确性。因此,本发明通过在每一层独立进行数据变换、选取端元,重点解决了相似地物的类间混淆和地物类内差异带来的端元提取误差。
如图4所示,基于LSMA的不透水面丰度提取的具体过程包括以下步骤:
步骤S2.1、对各层分别进行MNF(Minimum Noise Fraction)变换,分离数据中的噪声。
步骤S2.2、在每一层的MNF散点图中选取端元,根据每一层的生物物理组成采用不同类型的端元集。
其中,Area1由于新老城区的并存和不透水面材料的多样性,不透水面可分为H和L,土壤主要以高反射率的建筑工地砂石等为主,植被的影响可以忽略。Area2土壤的构成转变成以农田和荒地等人工地类为主,其光谱反射率相比于砂石等有所下降,植被以农作物、草地为主。Area3土壤以自然地类为主,植被以林地和灌木为主,同时有少量低反射率不透水面存在。因此,Area 1选取高反射率-低反射率-土壤(High albedo-Low albedo-Soil,H-L-S)端元集,Area 2选取高反射率-低反射率-土壤-植被(High albedo-Low albedo-Soil-Vegetation,H-L-S-V)端元集,Area 3选取低反射率-土壤-植被(Low albedo-Soil-Vegetation,L-S-V)端元集。
步骤S2.3、根据所述端元集信息在每一层分别进行LSMA(Linear Spect ralMixture Analysis)分解,高反射率H和低反射率L丰度相加得到每一层不透水面丰度信息,通过对得到的每一层不透水面信息进行合并,提取整个区域内不透水面丰度信息。
本实施例中得到的不透水面丰度如图5所示。其中,图5a是本发明提出的不透水面丰度提取算法得到的结果,图5b是简单四端元(H-L-S-V)LSMA方法得到的不透水面丰度结果。可以看出本发明的方法有效的改善了不透水面丰度在高丰度区域低估、低丰度区域高估的情况。同时,对本实施例提取的城市不透水面丰度结果进行精度评价,选决定系数R,均方根误差RMSE,系统误差SE三个指标对结果进行定量评价。将Google Earth最相近时间获取的影像目视解译数据作为参考数据,通过统计R为0.91,RMSE为9.17%,SE为4.72%,经实验验证,本发明能够得到较理想的提取结果。
上述实施例,只是本发明的一个实例,并不是用来限制本发明的实施与权利范围,凡与本发明权利要求所述内容相同或等同的技术方案,均应包括在本发明保护范围内。
Claims (5)
1.一种基于分层知识的不透水面信息提取方法,其特征在于,包括以下步骤:步骤S1、基于城市生物物理组成的影像分层,具体包括以下步骤:
步骤S1.1、对城市遥感影像进行预处理,所述预处理包含辐射校正与去除水体掩膜;
步骤S1.2、计算预处理后的城市遥感影像生物物理组成的特征分量,对地物在特征分量的特性进行分析;
步骤S1.3、增强所述特征分量;
步骤S1.4、根据所述增强后特征分量,构建分层规则,将城市遥感影像分为不同层次;
步骤S2、基于LSMA的不透水面丰度提取,具体过程包括以下步骤:
步骤S2.1、对各层分别进行MNF变换,分离数据中的噪声;
步骤S2.2、在每一层的MNF散点图中选取端元,根据每一层的生物物理组成采用不同类型的端元集;
步骤S2.3、根据所述端元集信息在每一层分别进行LSMA分解,高反射率H和低反射率L丰度相加得到每一层不透水面丰度信息,通过对得到的每一层不透水面信息进行合并,提取整个区域内不透水面丰度信息。
2.如权利要求1所述的基于分层知识的不透水面信息提取方法,其特征在于,步骤S1.2具体为:在预处理后的图像中,采用IHS变换亮度分量I及归一化植被指数NDVI作为表征城市地物构成的生物物理特征分量;其中,I表达同一地物的光谱差异,其定义为:
其中,R,G,B分别是影像中3个不同波段,以不透水面为高亮区域并和其他地物有最大区分度为选取准则;
其中,NIR为近红外波段,RED为红光波段。
3.如权利要求2所述的基于分层知识的不透水面信息提取方法,其特征在于,步骤S1.3具体为:对I、NDVI特征分量增强,其数学表达式为:
其中,ienh为增强后的特征分量,inor为归一化的原始特征分量I,λ为灵敏度因子,θ为归一化特征分量要增强的目标地物的平均值。
4.如权利要求3所述的基于分层知识的不透水面信息提取方法,其特征在于,步骤S1.4具体为:在对特征分量进行增强的基础上,分析其直方图,确定增强后亮度I分量阈值P1、P3及增强后NDVI分量阈值P2、P4,构建图像分层规则,其定义为:
Area 1:Ienh>P1,NDVIenh<P2,
Area 3:Ienh<P3,NDVIenh>P4,
Area 2为剩余部分。
5.如权利要求4所述的基于分层知识的不透水面信息提取方法,其特征在于,步骤S2.2具体为:Area 1选取高反射率-低反射率-土壤端元集,Area 2选取高反射率-低反射率-土壤-植被端元集,Area 3选取低反射率-土壤-植被端元集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510847625.6A CN105512619B (zh) | 2015-11-27 | 2015-11-27 | 一种基于分层知识的不透水面信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510847625.6A CN105512619B (zh) | 2015-11-27 | 2015-11-27 | 一种基于分层知识的不透水面信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512619A CN105512619A (zh) | 2016-04-20 |
CN105512619B true CN105512619B (zh) | 2019-01-22 |
Family
ID=55720586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510847625.6A Active CN105512619B (zh) | 2015-11-27 | 2015-11-27 | 一种基于分层知识的不透水面信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512619B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125091A (zh) * | 2016-06-22 | 2016-11-16 | 广州地理研究所 | 线性光谱解混的城市不透水面遥感提取方法 |
CN108230419B (zh) * | 2018-02-05 | 2021-06-15 | 中国地质科学院矿产资源研究所 | 一种遥感图像光谱层析剥离方法及系统 |
CN108427934B (zh) * | 2018-03-28 | 2020-08-07 | 北京科技大学 | 一种高光谱影像混合像元分解方法 |
CN109490209A (zh) * | 2018-11-15 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | 一种基于城市不透水面和dem的城市地表径流检测方法 |
CN111563228A (zh) * | 2020-05-07 | 2020-08-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于地表入射短波辐射的山地地表反射率地形改正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521273B (zh) * | 2011-11-23 | 2013-06-19 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN102184423B (zh) * | 2011-05-17 | 2014-07-30 | 中国科学院遥感与数字地球研究所 | 一种全自动的区域不透水面遥感信息精确提取方法 |
KR101540356B1 (ko) * | 2015-01-30 | 2015-07-30 | 서울대학교산학협력단 | 우수유출저감을 위한 레인가든 면적 산출 시스템 및 방법 |
CN105095888A (zh) * | 2015-09-18 | 2015-11-25 | 中国科学院遥感与数字地球研究所 | 一种基于不透水面聚集密度的城市主要建成区遥感提取方法 |
-
2015
- 2015-11-27 CN CN201510847625.6A patent/CN105512619B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184423B (zh) * | 2011-05-17 | 2014-07-30 | 中国科学院遥感与数字地球研究所 | 一种全自动的区域不透水面遥感信息精确提取方法 |
CN102521273B (zh) * | 2011-11-23 | 2013-06-19 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
KR101540356B1 (ko) * | 2015-01-30 | 2015-07-30 | 서울대학교산학협력단 | 우수유출저감을 위한 레인가든 면적 산출 시스템 및 방법 |
CN105095888A (zh) * | 2015-09-18 | 2015-11-25 | 中国科学院遥感与数字地球研究所 | 一种基于不透水面聚集密度的城市主要建成区遥感提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105512619A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512619B (zh) | 一种基于分层知识的不透水面信息提取方法 | |
Lobser et al. | MODIS tasselled cap: land cover characteristics expressed through transformed MODIS data | |
Lu | The potential and challenge of remote sensing‐based biomass estimation | |
Lu et al. | A survey of image classification methods and techniques for improving classification performance | |
Ferreira et al. | Retrieving structural and chemical properties of individual tree crowns in a highly diverse tropical forest with 3D radiative transfer modeling and imaging spectroscopy | |
Pu et al. | Spectral mixture analysis for mapping abundance of urban surface components from the Terra/ASTER data | |
Zarco-Tejada et al. | Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops | |
Zhu et al. | A spatial-channel progressive fusion ResNet for remote sensing classification | |
Czerepowicz et al. | Using satellite image data to estimate aboveground shelterbelt carbon stocks across an agricultural landscape | |
Peddle et al. | Large area forest classification and biophysical parameter estimation using the 5-Scale canopy reflectance model in Multiple-Forward-Mode | |
Li et al. | Land cover classification using MODIS–ASTER airborne simulator (MASTER) data and NDVI: A case study of the Kochang area, Korea | |
Van Delm et al. | Classification and quantification of green in the expanding urban and semi-urban complex: Application of detailed field data and IKONOS-imagery | |
CN102982538B (zh) | 一种资源卫星多光谱图像模拟真彩色方法 | |
CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
Pu | Mapping urban forest tree species using IKONOS imagery: preliminary results | |
CN109815894A (zh) | 一种针对哨兵2a影像的建筑物阴影提取处理方法 | |
Omari et al. | Retrieval of forest canopy parameters by inversion of the PROFLAIR leaf-canopy reflectance model using the LUT approach | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN113705523A (zh) | 一种基于光学和双极化sar融合的分层城市不透水面提取方法 | |
Fischer | PCA-based supervised identification of biological soil crusts in multispectral images | |
Das et al. | Mapping vegetation and forest types using Landsat TM in the western ghat region of Maharashtra, India | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
Zhou et al. | Comparison of object-oriented and Maximum Likelihood Classification of land use in Karst area | |
Yan et al. | Extraction of physical and chemical information from soil based on hyperspectral remote sensing based on plantation of Jerusalem artichoke | |
CN109472244A (zh) | 一种基于分离指数的土壤、岩石和植被识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211110 Address after: 266000 Room 204, comprehensive road, Science Park, Shandong University of science and technology, 579 qianwangang Road, Huangdao District, Qingdao, Shandong Province Patentee after: Qingdao xingkeruisheng Information Technology Co., Ltd Address before: 266580 No. 66, Changjiang West Road, Qingdao Economic and Technological Development Zone, Shandong Province Patentee before: China University of Petroleum (East China) |