CN106803097A - 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 - Google Patents

一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 Download PDF

Info

Publication number
CN106803097A
CN106803097A CN201611231406.6A CN201611231406A CN106803097A CN 106803097 A CN106803097 A CN 106803097A CN 201611231406 A CN201611231406 A CN 201611231406A CN 106803097 A CN106803097 A CN 106803097A
Authority
CN
China
Prior art keywords
image
indexes
ndenwi
classification
sunshade net
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
Application number
CN201611231406.6A
Other languages
English (en)
Inventor
王月如
陈劲松
关舒婧
韩鹏鹏
韩宇
易琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201611231406.6A priority Critical patent/CN106803097A/zh
Publication of CN106803097A publication Critical patent/CN106803097A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Abstract

本发明实施例公开一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备，该方法包括：通过先将预处理后的多光谱图像和全色图像进行图像融合，然后对融合后的图像进行分割得到适合继续分类的面向对象图像斑块，再计算图像斑块的NDENWI指数、NDVI指数及BSI指数，最后根据NDENWI指数、NDVI指数以及BSI指数对图像斑块进行分类提取得到遮阳网类别；可见，实施图1所描述的方法，通过NDENWI指数，将水体与植被遮阳网之间的差异拉大，同时使用了面向对象分类的方法，结合图像融合与图像拉伸的处理，提高植被遮阳网在分类时的精度。

Description

一种利用遥感影像提取植被遮阳网类别的方法及装置、用户 设备
技术领域
本发明涉及智能设备技术领域，尤其涉及一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备。
背景技术
遥感影像分类是将遥感影像中的每个像元划分到不同地物类别中的过程。分类依据主要包括地物光谱特征、地物形状特征、空间关系特征等，目前大多数研究还是基于地物光谱特征。结合目视解译结果，利用计算机自动分类算法是目前遥感影像分类的主要方法。从分类层次来看，分类方法可划分为基于像元的分类和面向对象的分类，传统的基于像元的分类方法以单个像元为单位,过于着眼于局部而忽略了附近整片图斑的几何结构情况，产生“椒盐现象”，制约了信息提取的精度，而面向对象的遥感分类方法，综合考虑光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，将影像分割为多个同质影像图斑，作为最小研究单元，具有更高的分类精度。
在现有的分类方法与分类指数中，没有明确针对水体和植被遮阳网，例如水体与富贵竹种植遮阳网进行区分的作用，分类时在一定程度上会发生漏分错分的问题。
发明内容
本发明实施例公开了一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备，有利于提高植被遮阳网在分类时的精度。
本发明实施例第一方面公开一种利用遥感影像提取植被遮阳网类别的方法，包括：
将预处理后的多光谱图像和全色图像进行图像融合；
对融合后的图像进行分割得到适合继续分类的面向对象图像斑块；
计算所述图像斑块的NDENWI指数、NDVI指数及BSI指数；
根据所述NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将预处理后的多光谱图像和全色图像进行图像融合的步骤包括：
将多光谱图像进行辐射定标和大气校正，以及对全色图像进行辐射定标；
然后将全色图像与多光谱图像进行图像融合；
对融合后的图像进行裁剪，再对裁剪后的图像进行拉伸。
作为一种可选的实施方式，在本发明实施例第一方面中，所述方法还包括：
结合Green波段、SWIR1波段和SWIR2波段，并且使用复合波段比值法来构建NDENWI指数公式，所述NDENWI指数公式用于计算NDENWI指数，所述NDENWI指数公式为：
其中，SWIR1与SWIR2分别为landsat8卫星的陆地成像仪(全称：Operational Land Imager，OLI)影像中的第六波段和第七波段，Green为landsat8卫星OLI影像的第三波段。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别的步骤包括：
根据所述NDENWI指数和预设的阈值区分出水体与非水体两类；
然后根据NDVI指数和预设的阈值将非水体类别分为植被与非植被两类；
再根据BSI指数将非植被类别区分出裸地与遮阳网两类。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别的步骤之后，所述方法还包括：
获取所述图像斑块的距离特征与光谱特征；
根据所述距离特征与所述光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别。
本发明实施例第二方面公开一种利用遥感影像提取植被遮阳网类别的装置，包括：
图像融合模块，用于将预处理后的多光谱图像和全色图像进行图像融合；
分割模块，用于对图像融合模块融合后的图像进行分割得到适合继续分类的面向对象图像斑块；
指数计算模块，用于计算分割模块分割得到的图像斑块的NDENWI指数、NDVI指数及BSI指数；
分类提取模块，用于根据指数计算模块计算的NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别。
作为一种可选的实施方式，在本发明实施例第二方面中，所述图像融合模块包括：
预处理单元，用于将多光谱图像进行辐射定标和大气校正，以及对全色图像进行辐射定标；
图像融合单元，用于将预处理单元处理后的全色图像与多光谱图像进行图像融合；
裁剪和拉伸单元，用于对图像融合单元融合后的图像进行裁剪，再对裁剪后的图像进行拉伸。
作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
NDENWI指数构建模块，用于结合Green波段、SWIR1波段和SWIR2波段，并且使用复合波段比值法来构建NDENWI指数公式，所述NDENWI指数公式用于计算NDENWI指数，所述NDENWI指数公式为：
其中，SWIR1与SWIR2分别为landsat8卫星的陆地成像仪(全称：Operational Land Imager，OLI)影像中的第六波段和第七波段，Green为landsat8卫星OLI影像的第三波段。
作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
获取模块，用于获取分割模块分割得到的图像斑块的距离特征与光谱特征；
以及，优化模块，用于根据获取模块获取的距离特征与光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别。
本发明实施例第三方面公开一种用户设备，包括本发明实施例第二方面公开的所述利用遥感影像提取植被遮阳网类别的装置。
与现有技术相比，本发明实施例具备以下有益效果：
本发明实施例中，通过先将预处理后的多光谱图像和全色图像进行图像融合，然后对融合后的图像进行分割得到适合继续分类的面向对象图像斑块，再计算图像斑块的NDENWI指数、NDVI指数及BSI指数，最后根据NDENWI指数、NDVI指数以及BSI指数对图像斑块进行分类提取得到遮阳网类别；可见，实施图1所描述的方法，通过NDENWI指数，将水体与植被遮阳网之间的差异拉大，同时使用了面向对象分类的方法，结合图像融合与图像拉伸的处理，提高植被遮阳网在分类时的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种利用遥感影像提取植被遮阳网类别的方法的流程示意图；
图2是本发明实施例公开的另一种利用遥感影像提取植被遮阳网类别的方法的流程示意图；
图3是本发明实施例公开的另一种利用遥感影像提取植被遮阳网类别的方法的流程示意图；
图4是本发明实施例公开的一种利用遥感影像提取植被遮阳网类别的装置的结构示意图；
图5是本发明实施例公开的另一种利用遥感影像提取植被遮阳网类别的装置的结构示意图；
图6是本发明实施例公开的一种用户设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备，利于提高植被遮阳网在分类时的精度。以下进行结合附图进行详细描述。
实施例一
在本实施例中，描述的方法是基于landsat8卫星OLI影像进行的分类操作。2013年2月11号，NASA成功发射了Landsat 8卫星，其上携带有两个主要载荷：陆地成像仪OLI和热红外传感器TIRS。其中，OLI包括9个波段，空间分辨率为30米，其中包括一个15米的全色波段，成像宽幅为185km x185km。
请参阅图1，图1是本发明实施例公开的一种利用遥感影像提取植被遮阳网类别的方法的流程示意图。如图1所示，该利用遥感影像提取植被遮阳网类别的方法可以包括以下步骤：
101、将预处理后的多光谱图像和全色图像进行图像融合；
获取遥感影像后，首先对遥感影像进行预处理，具体的：首先是将多光谱图像进行辐射定标、大气校正，接着对全色图像进行辐射定标，然后将全色图像与多光谱图像进行图像融合，再对融合后的图像进行裁剪之后对其进行0-1000级拉伸。
102、对融合后的图像进行分割得到适合继续分类的面向对象图像斑块；
将预处理后的多光谱图像和全色图像进行图像融合后，再对融合后的图像进行分割得到适合继续分类的面向对象图像斑块。具体的：在易康软件中使用四叉树分割与光谱差异分割相结合的方法，通过设置适当的分割尺度、波段权重、光谱权重、纹理权重等参数得到被分割的适合继续分类的面向对象图像斑块。
103、计算图像斑块的NDENWI指数、NDVI指数及BSI指数；
分割得到适合继续分类的面向对象图像斑块后，再计算图像斑块的NDENWI指数、NDVI指数及BSI指数。具体的：使用预先构建的NDENWI指数公式计算NDENWI指数，再计算其他指数例如NDVI指数、BSI指数等等。本步骤目的是挑选用于分类的有效波段，以减少信息冗余，从有限的多波段数据中产生新的信息，以增强地物之间的光谱区分度。
104、根据NDENWI指数、NDVI指数以及BSI指数对图像斑块进行分类提取得到遮阳网类别；
NDENWI指数是根据Green波段、SWIR1波段和SWIR2波段，并且使用复合波段比值法来构建的NDENWI指数公式计算得到的，NDENWI指数能够尽可能地拉大水体与富贵竹种植遮阳网两个类别之间的差距，减少两个类别间混淆的可能。NDVI指数是检测植被生长状态、植被覆盖度和消除部分辐射误差等。NDVI指数能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗超度等，且与植被覆盖有关。BSI指数为裸土指数图像的灰度值。
再根据计算得到的NDENWI指数、NDVI指数以及BSI指数对图像斑块进行分类提取得到遮阳网类别，具体的：先根据NDENWI指数和预设的阈值区分出水体与非水体两类；然后根据NDVI指数和预设的阈值将非水体类别分为植被与非植被两类；再根据BSI指数将非植被类别区分出裸地与遮阳网两类。
在图1所描述的方法，通过先将预处理后的多光谱图像和全色图像进行图像融合，然后对融合后的图像进行分割得到适合继续分类的面向对象图像斑块，再计算图像斑块的NDENWI指数、NDVI指数及BSI指数，最后根据NDENWI指数、NDVI指数以及BSI指数对图像斑块进行分类提取得到遮阳网类别；可见，实施图1所描述的方法，通过NDENWI指数，将水体与植被遮阳网之间的差异拉大，同时使用了面向对象分类的方法，结合图像融合与图像拉伸的处理，提高植被遮阳网在分类时的精度。
实施例二
请参阅图2，图2是本发明实施例公开的另一种利用遥感影像提取植被遮阳网类别的方法的流程示意图。如图2所示，该利用遥感影像提取植被遮阳网类别的方法可以包括以下步骤：
步骤201与步骤202同实施例一中的步骤101至步骤102，以及，步骤204与步骤205同实施例一中的步骤103至步骤104，本实施例中不再赘述。
203、构建NDENWI指数公式；
归一化指数创建的基本原理就是在多光谱波段内寻找出所要研究地类的最强反射波段和最弱反射波段。将强者置于分子，弱者置于分母。通过归一化比值运算，进一步扩大二者的差距，使感兴趣的地物在所生成的指数影像上得到最大的亮度增强,而背景地物则受到抑制。
通过观察水体与植被遮阳网两个类别的光谱特征图像可以得出结论：水体与植被遮阳网两个类别在Green波段、SWIR1波段和SWIR2波段存在的差别较明显，故结合这三个波段使用了复合波段比值法来构建NDENWI指数。NDENWI指数建立的原则是尽可能地拉大水体与植被遮阳网两个类别之间的差距，减少两个类别间混淆的可能。
区分水体与植被遮阳网两个类别的NDENWI指数公式为：
式中，SWIR1与SWIR2分别为landsat8卫星OLI影像的第六波段及第七波段，第六波段与第七波段为短波红外波段；Green为landsat8卫星OLI影像的第三波段，该波段为绿光波段。
其中，实施图2所描述的方法通过对遥感图像中水体与植被遮阳网在分类时易混淆以至于错分漏分的问题，创建NDENWI指数，将水体与水植被遮阳网之间的差异拉大，同时使用了面向对象分类的方法，结合图像融合与图像拉伸的处理，提高植被遮阳网在分类时的精度。
实施例三
请参阅图3，图3是本发明实施例公开的另一种利用遥感影像提取植被遮阳网类别的方法的流程示意图。如图3所示，该利用遥感影像提取植被遮阳网类别的方法可以包括以下步骤：
步骤301与步骤305同实施例2中的步骤201至步骤205，本实施例中不再赘述。
306、获取图像斑块的距离特征与光谱特征；
获取图像斑块的距离特征与光谱特征，通过挑选用于分类的有效波段，以减少信息冗余，从有限的多波段数据中产生新的信息，进一步增强地物之间的光谱区分度。
需要说明的是，本步骤可在步骤303之后与步骤304一同执行。
307、根据距离特征与光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别；
在本步骤中，通过获取的距离特征与光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，能够获取优化后的遮阳网类别，进一步提高植被遮阳网在分类时的精度。
其中，实施图3所描述的方法进一步获取了图像斑块的距离特征与光谱特征，并且根据距离特征与光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别，进一步提高植被遮阳网在分类时的精度。
实施例四
请参阅图4，图4是本发明实施例公开的一种利用遥感影像提取植被遮阳网类别的装置的结构示意图。如图4所示，该利用遥感影像提取植被遮阳网类别的装置可以包括：
图像融合模块401，用于将预处理后的多光谱图像和全色图像进行图像融合；获取遥感影像后，首先对遥感影像进行预处理，具体的：首先是将多光谱图像进行辐射定标、大气校正，接着对全色图像进行辐射定标，然后将全色图像与多光谱图像进行图像融合，再对融合后的图像进行裁剪之后对其进行0-1000级拉伸。
分割模块402，用于对图像融合模块401融合后的图像进行分割得到适合继续分类的面向对象图像斑块；将预处理后的多光谱图像和全色图像进行图像融合后，再对融合后的图像进行分割得到适合继续分类的面向对象图像斑块。具体的：在易康软件中使用四叉树分割与光谱差异分割相结合的方法，通过设置适当的分割尺度、波段权重、光谱权重、纹理权重等参数得到被分割的适合继续分类的面向对象图像斑块。
指数计算模块403，用于计算分割模块402分割得到的图像斑块的NDENWI指数、NDVI指数及BSI指数；具体的：使用预先构建的NDENWI指数公式计算NDENWI指数，再计算其他指数例如NDVI指数、BSI指数等等。本步骤目的是挑选用于分类的有效波段，以减少信息冗余，从有限的多波段数据中产生新的信息，以增强地物之间的光谱区分度。
分类提取模块404，用于根据指数计算模块403计算的NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别；根据计算得到的NDENWI指数、NDVI指数以及BSI指数对图像斑块进行分类提取得到遮阳网类别，具体的：先根据NDENWI指数和预设的阈值区分出水体与非水体两类；然后根据NDVI指数和预设的阈值将非水体类别分为植被与非植被两类；再根据BSI指数将非植被类别区分出裸地与遮阳网两类。
本发明实施例中的装置中，图像融合模块401先将预处理后的多光谱图像和全色图像进行图像融合，然后分割模块402对融合后的图像进行分割得到适合继续分类的面向对象图像斑块，指数计算模块403再计算图像斑块的NDENWI指数、NDVI指数及BSI指数，最后分类提取模块404根据NDENWI指数、NDVI指数以及BSI指数对图像斑块进行分类提取得到遮阳网类别；可见，本实施例提供的利用遥感影像提取植被遮阳网类别的装置通过NDENWI指数，将水体与植被遮阳网之间的差异拉大，同时使用了面向对象分类的方法，结合图像融合与图像拉伸的处理，提高植被遮阳网在分类时的精度。
实施例五
请参阅图5，图5是本发明实施例公开的另一种利用遥感影像提取植被遮阳网类别的装置的结构示意图。其中，图5所示的利用遥感影像提取植被遮阳网类别的装置是由图4所示的利用遥感影像提取植被遮阳网类别的装置进行优化得到的。与图4所示的利用遥感影像提取植被遮阳网类别的装置相比，图5所示的利用遥感影像提取植被遮阳网类别的装置还可以包括：
NDENWI指数构建模块405，用于结合Green波段、SWIR1波段和SWIR2波段，并且使用复合波段比值法来构建NDENWI指数公式，所述NDENWI指数公式用于计算NDENWI指数，所述NDENWI指数公式为：
其中，SWIR1与SWIR2分别为landsat8卫星的陆地成像仪(全称：Operational Land Imager，OLI)影像中的第六波段和第七波段，Green为landsat8卫星OLI影像的第三波段。
获取模块406，用于获取分割模块402分割得到的图像斑块的距离特征与光谱特征；以及，
优化模块407，用于根据获取模块406获取的距离特征与光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别。
进一步的，图像融合模块401包括：
预处理单元4011，用于将多光谱图像进行辐射定标和大气校正，以及对全色图像进行辐射定标；
图像融合单元4012，用于将预处理单元4011处理后的全色图像与多光谱图像进行图像融合；
裁剪和拉伸单元4013，用于对图像融合单元4012融合后的图像进行裁剪，再对裁剪后的图像进行拉伸。
本实施例中提供的利用遥感影像提取植被遮阳网类别的装置，为解决遥感图像中水体与植被遮阳网在分类时易混淆以至于错分漏分的问题，通过NDENWI指数构建模块405构建NDENWI指数，将水体与植被遮阳网之间的差异拉大，同时使用了面向对象分类的方法，结合图像融合模块401图像融合与图像拉伸的处理，提高植被遮阳网在分类时的精度。进一步的，获取模块406获取距离特征与光谱特征，再由优化模块407根据距离特征与光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别，从而进一步提高植被遮阳网在分类时的精度。
实施例六
请参阅图6，图6是本发明实施例公开的一种用户设备的结构示意图。其中，图6所示的用户设备包括图4～图5任意一种利用遥感影像提取植被遮阳网类别的装置。实施图6所示的用户设备，通过NDENWI指数，将水体与植被遮阳网之间的差异拉大，同时使用了面向对象分类的方法，结合图像融合与图像拉伸的处理，提高植被遮阳网在分类时的精度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种利用遥感影像提取植被遮阳网类别的方法，其特征在于，包括：
将预处理后的多光谱图像和全色图像进行图像融合；
对融合后的图像进行分割得到适合继续分类的面向对象图像斑块；
计算所述图像斑块的归一化网体-水体差异增强指数(Normalized DifferenceEnhance between Net and Water Index，NDENWI)、归一化植被指数(NormalizedDifference Vegetation Index，NDVI)及裸土指数(bare soil index，BSI)；
根据所述NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别。
2.根据权利要求1所述的方法，其特征在于，所述将预处理后的多光谱图像和全色图像进行图像融合的步骤包括：
将多光谱图像进行辐射定标和大气校正，以及对全色图像进行辐射定标；
然后将全色图像与多光谱图像进行图像融合；
对融合后的图像进行裁剪，再对裁剪后的图像进行拉伸。
3.根据权利要求1-2所述的方法，其特征在于，所述方法还包括：
结合Green波段、SWIR1波段和SWIR2波段，并且使用复合波段比值法来构建NDENWI指数公式，所述NDENWI指数公式用于计算NDENWI指数，所述NDENWI指数公式为：
其中，SWIR1与SWIR2分别为landsat8卫星的陆地成像仪(全称：Operational Land Imager，OLI)影像中的第六波段和第七波段，Green为landsat8卫星OLI影像的第三波段。
4.根据权利要求3所述的方法，其特征在于，所述根据NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别的步骤包括：
根据所述NDENWI指数和预设的阈值区分出水体与非水体两类；
然后根据NDVI指数和预设的阈值将非水体类别分为植被与非植被两类；
再根据BSI指数将非植被类别区分出裸地与遮阳网两类。
5.根据权利要求4所述的方法，其特征在于，所述根据NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别的步骤之后还包括：
获取所述图像斑块的距离特征与光谱特征；
根据所述距离特征与所述光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别。
6.一种利用遥感影像提取植被遮阳网类别的装置，其特征在于，包括：
图像融合模块，用于将预处理后的多光谱图像和全色图像进行图像融合；
分割模块，用于对图像融合模块融合后的图像进行分割得到适合继续分类的面向对象图像斑块；
指数计算模块，用于计算分割模块分割得到的图像斑块的NDENWI指数、NDVI指数及BSI指数；
分类提取模块，用于根据指数计算模块计算的NDENWI指数、NDVI指数以及BSI指数对所述图像斑块进行分类提取得到遮阳网类别。
7.根据权利要求6所述的装置，其特征在于，所述图像融合模块包括：
预处理单元，用于将多光谱图像进行辐射定标和大气校正，以及对全色图像进行辐射定标；
图像融合单元，用于将预处理单元处理后的全色图像与多光谱图像进行图像融合；
裁剪和拉伸单元，用于对图像融合单元融合后的图像进行裁剪，再对裁剪后的图像进行拉伸。
8.根据权利要求6-7所述的装置，其特征在于，所述装置还包括：
NDENWI指数构建模块，用于结合Green波段、SWIR1波段和SWIR2波段，并且使用复合波段比值法来构建NDENWI指数公式，所述NDENWI指数公式用于计算NDENWI指数，所述NDENWI指数公式为：
其中，SWIR1与SWIR2分别为landsat8卫星的陆地成像仪(全称：Operational Land Imager，OLI)影像中的第六波段和第七波段，Green为landsat8卫星OLI影像的第三波段。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取分割模块分割得到的图像斑块的距离特征与光谱特征；
以及，优化模块，用于根据获取模块获取的距离特征与光谱特征，剔除遮阳网类中毗邻水体的斑块和Green波段、SWIR1波段和SWIR2波段光谱值的平均值之和较高的斑块，得到优化后的遮阳网类别。
10.一种用户设备，其特征在于，包括权利要求6～权利要求9任意一项所述的利用遥感影像提取植被遮阳网类别的装置。
CN201611231406.6A 2016-12-28 2016-12-28 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 Pending CN106803097A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611231406.6A CN106803097A (zh) 2016-12-28 2016-12-28 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611231406.6A CN106803097A (zh) 2016-12-28 2016-12-28 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备

Publications (1)

Publication Number Publication Date
CN106803097A true CN106803097A (zh) 2017-06-06

Family

ID=58984932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611231406.6A Pending CN106803097A (zh) 2016-12-28 2016-12-28 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备

Country Status (1)

Country Link
CN (1) CN106803097A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629289A (zh) * 2018-04-11 2018-10-09 千寻位置网络有限公司 农田的识别方法及系统、应用于农业的无人机
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN110008908A (zh) * 2019-04-10 2019-07-12 中国科学院、水利部成都山地灾害与环境研究所 一种基于高分遥感影像的草原围栏提取方法
CN110390276A (zh) * 2019-07-04 2019-10-29 中科卫星应用德清研究院 基于遥感大数据的大棚房识别方法及系统
CN110852300A (zh) * 2019-11-19 2020-02-28 中煤航测遥感集团有限公司 地物分类的方法、地图的绘制方法、装置及电子设备
CN111157524A (zh) * 2020-01-09 2020-05-15 北京观澜智图科技有限公司 基于高分影像的道路材质识别方法及装置和电子设备
CN117372503A (zh) * 2023-12-08 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963664A (zh) * 2010-09-28 2011-02-02 中国科学院东北地理与农业生态研究所 基于水陆地物分类信息的微波遥感混合像元分解方法
CN102708354A (zh) * 2011-12-31 2012-10-03 中国科学院遥感应用研究所 一种高尔夫球场的识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963664A (zh) * 2010-09-28 2011-02-02 中国科学院东北地理与农业生态研究所 基于水陆地物分类信息的微波遥感混合像元分解方法
CN102708354A (zh) * 2011-12-31 2012-10-03 中国科学院遥感应用研究所 一种高尔夫球场的识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴雪楠等: "基于 Landsat8的面向对象分类方法研究", 《福建电脑》 *
宋明明等: "基于多时相 Landsat8 数据的南方丘陵区典型地物信息提取——以秦淮河流域为例", 《科学技术与工程》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629289A (zh) * 2018-04-11 2018-10-09 千寻位置网络有限公司 农田的识别方法及系统、应用于农业的无人机
CN108629289B (zh) * 2018-04-11 2021-07-30 千寻位置网络有限公司 农田的识别方法及系统、应用于农业的无人机
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN108846832B (zh) * 2018-05-30 2021-06-15 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN110008908A (zh) * 2019-04-10 2019-07-12 中国科学院、水利部成都山地灾害与环境研究所 一种基于高分遥感影像的草原围栏提取方法
CN110390276A (zh) * 2019-07-04 2019-10-29 中科卫星应用德清研究院 基于遥感大数据的大棚房识别方法及系统
CN110390276B (zh) * 2019-07-04 2021-06-22 中科卫星应用德清研究院 基于遥感大数据的大棚房识别方法及系统
CN110852300A (zh) * 2019-11-19 2020-02-28 中煤航测遥感集团有限公司 地物分类的方法、地图的绘制方法、装置及电子设备
CN111157524A (zh) * 2020-01-09 2020-05-15 北京观澜智图科技有限公司 基于高分影像的道路材质识别方法及装置和电子设备
CN117372503A (zh) * 2023-12-08 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统
CN117372503B (zh) * 2023-12-08 2024-03-08 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统

Similar Documents

Publication Publication Date Title
CN106803097A (zh) 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备
Karlson et al. Assessing the potential of multi-seasonal WorldView-2 imagery for mapping West African agroforestry tree species
George et al. Forest tree species discrimination in western Himalaya using EO-1 Hyperion
Li et al. Mapping multi-layered mangroves from multispectral, hyperspectral, and LiDAR data
Bunting et al. The delineation of tree crowns in Australian mixed species forests using hyperspectral Compact Airborne Spectrographic Imager (CASI) data
CN106915462A (zh) 基于多源影像信息的林业病虫害智能识别系统
Safren et al. Detection of green apples in hyperspectral images of apple-tree foliage using machine vision
Gilmore et al. Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh
CN106650689A (zh) 一种沿海城市时间序列土地利用信息提取方法
Pu Broadleaf species recognition with in situ hyperspectral data
US9639755B2 (en) Automated compound structure characterization in overhead imagery
Piiroinen et al. Classification of crops across heterogeneous agricultural landscape in Kenya using AisaEAGLE imaging spectroscopy data
González-Yebra et al. Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data
Pu Mapping tree species using advanced remote sensing technologies: A state-of-the-art review and perspective
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
CN108681715A (zh) 海南热带天然林植被型组分类方法
Christian et al. Classification of tropical trees growing in a sanctuary using Hyperion (EO-1) and SAM algorithm
CN110443139A (zh) 一种面向分类的高光谱遥感影像噪声波段探测方法
Sun et al. Mapping tropical dry forest age using airborne waveform LiDAR and hyperspectral metrics
Roth et al. Automated detection of individual clove trees for yield quantification in northeastern Madagascar based on multi-spectral satellite data
CN106568730A (zh) 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
Thenkabail et al. Hyperspectral remote sensing for terrestrial applications
Kar et al. Classification of multispectral satellite images
CN108764285A (zh) 一种基于高分辨率影像的松树病死木识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170606

RJ01 Rejection of invention patent application after publication