CN105608473B - 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 - Google Patents

Abstract

本发明一种土地覆盖分类方法，包括步骤如下：(1)确定国产遥感影像性质相似的斑块区域从而进行合理影像分割；(2)根据(1)步骤分割出的不同区域，利用光谱、纹理、几何特性，计算影像特征；(3)利用历史土地利用数据及地物光谱库，结合(2)影像特征，自动获取地物样本；(4)以(3)的地物样本作为信息熵，采用决策树及boosting技术提取各类地物；(5)计算各类地物图斑面积，根据设定值进行图斑合并与剔除，最终获得分类结果。本发明解决了土地覆盖分类错分、碎斑多的问题，使得运算效率提高了50％，分类精度提高到90％。

Description

一种基于高分辨率卫星影像的高精度土地覆盖分类方法

技术领域

本发明涉及一种基于国产高分辨率卫星影像面向对象的高精度土地覆盖分类方法，适用于无云覆盖的国产遥感卫星多光谱影像的土地覆盖分类，属于遥感信息处理领域。

背景技术

随着经济的发展，全球环境破坏也日趋严重，干旱洪涝、农耕土地非法占有、森林滥伐等问题频繁发生严重影响了人们的生活和社会经济的发展以及社会的稳定，利用遥感信息快速、科学、准确的对土地覆盖进行分类和评价，适时掌握区域化土地覆盖情况，及时采取相应对策，对土地资源合理规划及保护有着重要的作用。

土地覆盖的遥感监测多是通过土地覆盖类型、面积以及变化情况进行监测，要想知道土地覆盖面积的变化必然离不开土地覆盖分类，相对于单一地物类型的提取而言，从遥感影像上自动提取土地覆盖类别的算法相对较少，目前单波段阈值法、多波段谱间关系法、非监督分类法、监督分类法等土地覆盖分类方法相继得到了应用。

其中单波段阈值法是利用某种地物与背景地物在某一波段上的反射率或像元灰度值的差异确定某一数值为区分某一地物和其他地物的方法。此方法原理简单操作简便。但其中关键的是阈值的确定，阈值选取的准确性直接决定了地物提取的准确性。因此单波段阈值法在地物类型丰富，地物在所选波段上灰度值接近的影像上具有一定的局限性，其提取精度低。

多波段谱间关系法的实质是构造波段运算函数对影像进行处理，该方法能够利用多波段的优势综合提取地物信息。此方法综合利用了多个波段的光谱信息，因此提取效果往往要比单波段阈值法要好。但是此方法要根据不同遥感卫星多光谱影像中地物独特的多波段谱间关系特征，构造出谱间关系法地物提取计算模型，如G+R＞NIR+MIR或MIR/G＜a等，G代表绿光波段，R代表红光波段，NIR代表近红外波段，MIR代表短波红外波段，a为阈值。由于不同遥感卫星多光谱数据往往需要不同的计算模型，因此这种方法的普适性不高，很难推广。

非监督分类方法是面向象元的分类方法，操作较为简单，然而该方法分类结果非常破碎，数据量大，在高分辨率影像分类不太适应。监督分类一般采用人工勾画样本，选择一种监督分类方法进行面向象元分类。这种方法人工干预较多，主观判断较多，同时结果也较为破碎。

总的来说，以上几种方法存在以下几方面缺点：(1)方法较为原始，提取精度低；(2)在提取过程中需要辅助人工干预，甚至还需要实地实测、手工勾绘，费时费力；(3)针对不同遥感卫星多光谱数据需要不同的计算模型和阈值，普适性低；(4)针对高分辨率影像，面向象元的方法分类结果数据较为破碎，不宜实际使用。

发明内容

本发明解决的技术问题为：克服现有技术不足，提供一种基于高分辨率卫星影像的高精度土地覆盖分类方法，本发明采取面向对象的思想精确地提取地物类别，并能提高生产效率，流程简单，工程易于实现。

本发明解决的技术方案为：

一种基于高分辨率卫星影像的高精度土地覆盖分类方法包括步骤如下：

(1)确定卫星遥感影像性质相似的斑块区域，并进行合理影像分割；

(1a)根据卫星遥感影像的灰度值计算表观反射率，计算过程如下：

(1a1)按下公式将影像的灰度值转换为表观辐亮度：

L_a＝Gain×DN+Bias

其中，Gain为增益，DN为灰度值，Bias为偏移量；

(1a2)按下式将表观辐射亮度转换为表观反射率：

其中，a表示正整数，d为日-地距离订正因子，E_s是大气外太阳光谱辐照度，θ_s是太阳天顶角；

(1b)根据影像空间分辨率，按下式设置影像分割尺度h：

其中，h为影像分割尺度，r为影像的空间分辨率；

(1c)确定影像分割尺度后，采用均值漂移分割算法进行影像分块处理，得到影响块；

(2)根据步骤(1c)分割出的影响块，计算影像特征；

的影像特征计算步骤如下：

(2a)构建影像特征的谱特征，谱特征包括波段平均值和影像光谱标准差；

各波段的平均值：

其中，μ_o为第o波段反射率的均值，o取正整数；ρ_a表示各象元的表观反射率；

影像光谱标准差：

其中，σ_o为第o波段的影像光谱标准差；

(2b)构建影像特征的图特征；的图特征为影像的几何特性，本文主要以平均梯度予以描述；

平均梯度G(x,y)按照下式计算得：

G(x,y)＝d_xi+d_yi；

d_x(i,j)＝[ρ(i+1,j)-ρ(i-1,j)]/2

d_y(i,j)＝[ρ(i,j+1)-ρ(i,j-1)]/2

其中，ρ(i+1,j)为指影像各个波段的表观反射率，i和j表示影响表观反射率矩阵的行和列；

(3)根据步骤(2)的影像特征，获取地物样本；

的样本采集步骤如下：

(3a)根据计算得到的平均值、标准差以及平均梯度，以3*3的方阵对全影像进行采集，利用下式计算地物样本象元的地类值：

f(m_i,j)＝aμ_i,j+bσ_i,j+cG(x,y)

其中，f(m_i,j)表示3*3方阵的地类值；μ_i,j表示波段的平均值；σ_i,j表示影像光谱标准差；a表示波段平均值对地物分类的影响因子；b表示标准差对地物分类的影响因子；c表示平均梯度对地物分类的影响因子；a、b和c三个系数利用监督分类法结合历史地物样本，通过迭代迭代加权获得；

(3b)根据步骤(3a)求出的象元对应的地类值，得到地物样本：以实际地物精度为基准，象元对应的地类值精度在实际地物精度5％范围内的象元作为地物样本；

(4)以步骤(3)的地物样本作为信息熵，采用决策树及boosting技术提取各类地物；

(5)计算步骤(4)提取的各类地物图斑面积，根据设定值进行图斑合并与剔除，获得最终分类结果。

本发明与现有技术相比的优点在于：

(1)本发明使用遥感影像的表观反射率代替影像的灰度值来提取地物类别，因为遥感成像是在大气中对地面物体辐射进行探测和收集，大气是遥感信息传输的必经介质，太阳辐射在大气传输过程中会与大气发生一系列的相互作用，从而影响卫星传感器入瞳处所记录的地表辐射亮度，也就是最后获取的遥感影像会在一定程度上偏离其本来的地表面貌，因此对遥感影像进行大气订正，即使用表观反射率代替原遥感影像中的灰度值可以在一定程度上还原地表真实面貌，能更加精确地提取遥感影像中的地物类别。

(2)本发明采用面向对象的方法对影像进行土地覆盖分类。在漂移图像分割过程中，结合分割尺度，以影像光谱、纹理为特性，将影像分割成以对象为单元的各个部分，使得地物分类结果保持整体性，并且提高分类效率与精度，本发明的分割尺度计算方法，考虑了空间分辨率的因素，能够更加保证分割准确高效。

(3)本发明采用了样本自动选取与寻找的过程，减少了人工干预的主观性，保证了样本寻找的准确性，从而达到分类精度的准确性。

(4)本发明解决了土地覆盖分类错分、碎斑多的问题，使得运算效率提高了50％，分类精度提高到90％。

附图说明

图1为本发明土地覆盖自动分类方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行进一步的详细描述。

如图1所示，一种基于高分辨率卫星影像的高精度土地覆盖分类方法包括：

(1)确定卫星遥感影像性质相似的斑块区域，并进行合理影像分割；

(1a)根据卫星遥感影像的灰度值计算表观反射率，计算过程如下：

(1a1)按下公式将影像的灰度值转换为表观辐亮度：

L_a＝Gain×DN+Bias

其中，Gain为增益，DN为灰度值，Bias为偏移量，这些参数可从影像对应的XML中获取。

(1a2)按下式将表观辐射亮度转换为表观反射率：

其中，a表示正整数，d为日-地距离订正因子，E_s是大气外太阳光谱辐照度，θ_s是太阳天顶角；

(1b)根据影像空间分辨率，按下式设置影像分割尺度h：

其中，h为影像分割尺度，r为影像的空间分辨率，单位为米。；

获得具有反射率的遥感影像后，设置分割尺度。分割尺度的设置，需要结合影像空间分辨率大小。一般来说，影像较为清晰，地物不破碎。

(1c)确定影像分割尺度后，采用均值漂移分割算法进行影像分块处理，得到影响块；

均值漂移具有很好的算法收敛性，其方向总是指向具有最大局部密度的地方，在密度函数极大值处，漂移量趋于零，所以均值漂移算法是一种自适应快速上升算法，它可以通过计算找到最大的局部密度在何处，并向其位置“漂移”。

如果影像维数为p，当空间位置向量与颜色向量一起合为“空间-颜色”域时，维数为p+2，作为辐射对称核和欧几里德多元核表示为：

其中，x^s为特征矢量的空间部分，x^r为特征矢量的颜色部分，k(x)在空间和颜色域中都使用相同的核，h_s、h分别为核带宽以及分割尺度，C为相应的归一化常数。因此，带宽参数(h_s,h_r)就成为基于均值漂移分割过程中的重要参数。而h_s可以通过影像对应的配置文件获取。

通过这种分割算法得出的结果将影像分割成若干块，得到的影像块具有对象集中、连续性好以及边界规则的特性，为下面的土地覆盖分类做好效率以及精度上的准备。

(2)根据步骤(1c)分割出的影响块，计算影像特征；

的影像特征计算步骤如下：

(2a)构建影像特征的谱特征，谱特征包括波段平均值和影像光谱标准差；

各波段的平均值：

其中，μ_o为第o波段反射率的均值，o取正整数；ρ_a表示各象元的表观反射率；

影像光谱标准差：

其中，σ_o为第o波段的影像光谱标准差；

谱特征可以反映影像的光谱特性，以平均值与标准差即可反映出影像光谱的整体情况以及变化情况，从而用于土地覆盖分类的样本判断；

(2b)构建影像特征的图特征；的图特征为影像的几何特性，本文主要以平均梯度予以描述；

平均梯度G(x,y)按照下式计算得：

G(x,y)＝d_xi+d_yi；

d_x(i,j)＝[ρ(i+1,j)-ρ(i-1,j)]/2

d_y(i,j)＝[ρ(i,j+1)-ρ(i,j-1)]/2

其中，ρ(i+1,j)为指影像各个波段的表观反射率，i和j表示影响表观反射率矩阵的行和列；

影像的平均梯度可以有效地反映图像空间细节以及边缘信息。

综合对象的光谱、形状、纹理三大类特征，可生成一系列具有物理意义的、以空间对象为单元的特征层，为后继面向对象监督分类提供丰富的信息支持。

(3)根据步骤(2)的影像特征，获取地物样本；

的样本采集步骤如下：

(3a)根据计算得到的平均值、标准差以及平均梯度，以3*3的方阵对全影像进行采集，利用下式计算地物样本象元的地类值：

f(m_i,j)＝aμ_i,j+bσ_i,j+cG(x,y)

其中，f(m_i,j)表示3*3方阵的地类值；μ_i,j表示波段的平均值；σ_i,j表示影像光谱标准差；a表示波段平均值对地物分类的影响因子；b表示标准差对地物分类的影响因子；c表示平均梯度对地物分类的影响因子；a、b和c三个系数利用监督分类法结合历史地物样本，通过迭代迭代加权获得；

(3b)根据步骤(3a)求出的象元对应的地类值，得到地物样本：以实际地物精度为基准，象元对应的地类值精度在实际地物精度5％范围内的象元作为地物样本；假如水体的地物精度为1，求出的象元对应的地物值为0.8，那将超过5％的范围，将不能作为水体的地物样本；

(4)以步骤(3)的地物样本作为信息熵，采用决策树及boosting技术提取各类地物；

土地覆盖分类阶段步骤如下：

采用改进的SVM(Support vector machine)的原理是用分离超平面作为分离训练数据的线性函数。SVM允许直接用训练数据来描述分离超平面，可以直接解决分类问题，无需把密度估计作为中间步骤。设训练数据由n个样本(l₁,m₁),…,(l_n,m_n)构成，l∈Rd，m∈{+1，-1}，由超平面决策函数来分离：

D(l)＝(w·l)+w₀

其中，w和w₀为决策函数来分离系数；

定义数据样本可分性的约束为：

(w·l_i)+w₀≥+1

若m_i＝+1，则：

(w·l_i)+w₀≤-1

若m_i＝-1，i＝1,…,n，或：

m_i[(w·l_i)+w₀]≥1,i＝1,…,n

对给定的训练数据集，分离超平面可表达为上述形式。从分离超平面到最近数据点的最小距离，被称为空隙，用τ表示。空隙直接与分离超平面的推广能力有关，空隙越大，类间的可分性越大，因此选取分离超平面的条件是使空隙达到极大。支撑向量是在空隙边沿上的数据点，或等价地使m_i[(w·l_i)+w₀]＝1的数据点，也是最接近于决策曲面的数据点，它们最难被分类，可决定决策面位置，最优超平面的决策曲面可用支撑向量集来描述。

(5)计算步骤(4)提取的各类地物图斑面积，根据设定值进行图斑合并与剔除，获得最终分类结果。

本发明未公开的内容属于本领域公知常识。

Claims (1)

1.一种基于高分辨率卫星影像的高精度土地覆盖分类方法，其特征在于包括：

(1)确定卫星遥感影像性质相似的斑块区域，并进行合理影像分割；

(1a)根据卫星遥感影像的灰度值计算表观反射率，计算过程如下：

(1a1)按下公式将影像的灰度值转换为表观辐射亮度：

L_a＝Gain×DN+Bias

其中，Gain为增益，DN为灰度值，Bias为偏移量；

(1a2)按下式将表观辐射亮度转换为表观反射率：

其中，a表示正整数，d为日-地距离订正因子，E_s是大气外太阳光谱辐照度，θ_s是太阳天顶角；

(1b)根据影像空间分辨率，按下式设置影像分割尺度h：

其中，h为影像分割尺度，r为影像的空间分辨率；

(1c)确定影像分割尺度后，采用均值漂移分割算法进行影像分块处理，得到影响块；

(2)根据步骤(1c)分割出的影响块，计算影像特征；

所述的影像特征计算步骤如下：

(2a)构建影像特征的谱特征，所述谱特征包括波段平均值和影像光谱标准差；

各波段的平均值：

其中，μ_o为第o波段反射率的均值，o取正整数；ρ_a表示各象元的表观反射率；

影像光谱标准差：

其中，σ_o为第o波段的影像光谱标准差；

(2b)构建影像特征的图特征；所述的图特征为影像的几何特性，以平均梯度予以描述；

平均梯度G(x,y)按照下式计算得：

G(x,y)＝d_x(i,j)+d_y(i,j)；

d_x(i,j)＝[ρ(i+1,j)-ρ(i-1,j)]/2

d_y(i,j)＝[ρ(i,j+1)-ρ(i,j-1)]/2

其中，ρ(i+1,j)为指影像各个波段的表观反射率，i和j表示影响表观反射率矩阵的行和列；

(3)根据步骤(2)的影像特征，获取地物样本；

所述的样本采集步骤如下：

(3a)根据计算得到的平均值、标准差以及平均梯度，以3*3的方阵对全影像进行采集，利用下式计算地物样本象元的地类值：

f(m_i,j)＝aμ_i,j+bσ_i,j+cG(x,y)

其中，f(m_i,j)表示3*3方阵的地类值；μ_i,j表示波段的平均值；σ_i,j表示影像光谱标准差；a表示波段平均值对地物分类的影响因子；b表示标准差对地物分类的影响因子；c表示平均梯度对地物分类的影响因子；a、b和c三个系数利用监督分类法结合历史地物样本，通过迭代加权获得；

(3b)根据步骤(3a)求出的象元对应的地类值，得到地物样本：以实际地物精度为基准，象元对应的地类值精度在实际地物精度5％范围内的象元作为地物样本；假如水体的地物精度为1，求出的象元对应的地类值为0.8，那将超过5％的范围，将不能作为水体的地物样本；

(4)以步骤(3)的地物样本作为信息熵，采用决策树及boosting技术提取各类地物；

(5)计算步骤(4)提取的各类地物图斑面积，根据设定值进行图斑合并与剔除，获得最终分类结果。