CN106897668A - 一种基于遥感影像的草地退化程度自动提取方法 - Google Patents
一种基于遥感影像的草地退化程度自动提取方法 Download PDFInfo
- Publication number
- CN106897668A CN106897668A CN201710042190.7A CN201710042190A CN106897668A CN 106897668 A CN106897668 A CN 106897668A CN 201710042190 A CN201710042190 A CN 201710042190A CN 106897668 A CN106897668 A CN 106897668A
- Authority
- CN
- China
- Prior art keywords
- wave band
- image
- grassland
- data
- meadow
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感影像的草地退化程度自动提取方法。包括如下步骤:首先获取待监测区域前后时相的卫星遥感影像数据,然后对影像进行预处理,剔除异常波段并进行大气校正。之后利用最小噪声分离变换进行波段优选,达到优化数据,集中草地退化信息的目的。然后确定分割尺度进行多尺度分割,以消除椒盐效应,之后利用NDVI指数与波段阈值剔除非草地对象,降低非草地对提取精度的影响。然后通过划分训练样本对不同退化程度草地进行提取,以达到草地退化程度自动提取的目的。本发明降低了数据处理量,提高提取效率,基本消除椒盐效应,能对草地退化信息进行有效提取,达到了理想的提取精度。
Description
技术领域
本发明涉及草原退化监测领域,尤其涉及一种基于遥感影像的草地退化程度自动提取方法。
背景技术
近年来,由于气候变化及人为干扰等原因,导致草地出现不同程度的退化,草地生产力明显下降,而对退化情况进行及时的诊断与提取是草地退化管理的重要前提,有助于针对不同区域退化情况的分布特征实施相应的恢复措施及管理手段。
目前的研究方法主要有目视综合判读法和结合实测数据反演草地退化指标法。目视综合判读法以遥感图像计算机屏幕人机交互判读为核心,保证了高精度,但对于解译人员和遥感影像数据的选取、处理等要求严格,工作量最大。而退化指标法中指标主要有盖度、生物量、净第一生产力(NPP)等生物学指标和土壤含水量、水土保持能力等地表特征指标,可以通过实测数据与退化指标拟合直接反演整个区域的退化情况,省时省力。但该方法中需要较多的实测数据来与相应的指标进行拟合,同时存在经验参数较多,退化指标不统一,参照系统模糊等问题,故反演精度和推广性有限。
因此,在认识到现有的提取方法客观性、合理性上方面所具有的局限性的基础上,鉴于草地退化所呈现的变化特征,建立了一种基于遥感影像的草地退化程度自动提取方法,以快速、准确的提取不同退化程度的草地。
发明内容
本发明的目的在于提供一种基于遥感影像的草地退化程度自动提取方法。
本发明的基于遥感影像的草地退化程度自动提取方法,包括如下步骤:
步骤(1)数据获取:获取待监测区域的卫星遥感影像数据,包括两景前后时相的原始影像数据;
步骤(2)数据预处理:对各个波段的光谱影像进行目视检查,确定由于大气或其他因素对光谱产生较大噪声的异常波段,对异常波段直接剔除,之后对影像数据依次进行辐射定标、镶嵌、裁剪和大气校正;
步骤(3)最小噪声分离变换:将预处理后的前后时相影像数据进行叠加处理,对叠加后的影像进行最小噪声分离变换(MNF变换);
步骤(4)多尺度分割:对步骤(3)处理后得到的数据进行多尺度分割,根据设定的波段数、光谱与形状标准参数,选择20,25,30,35,40,45,50,55,60,65,70,75,80,85,90共15个分割尺度对影像进行分割,最后目视判定观察对象内光谱均一性最好的则为最优分割尺度;
步骤(5)在最优分割尺度下,对于每一个对象,如果光谱特征阈值满足逻辑或条件,则属于非草地对象集NG,则剩余对象集G均为草地,这样可以剔除非草地的影响,从而提高分类精度。
步骤(6)在影像对象集G上,根据先验知识,在每个退化类别区域内均匀选取一定比例的训练样本,通过最近邻分类器,结合光谱、形状和纹理特征提取得到不同退化程度的草地,其中包含未退化、轻度退化、中度退化和严重退化等4种退化类型。
步骤(3)所述的MNF变换具体实现步骤如下:
G.把混有噪声的信号进行高通滤波处理,得到噪声协方差矩阵∑n。
H.计算噪声协方差矩阵∑n的特征值λ和特征向量P,由λ组成的对角矩阵记为Δ,由P组成的矩阵记为E。
I.求∑n的白化矩阵F:
F=EΔ-1/2
J.计算噪声白化之后的观测数据FTZ协方差矩阵:
∑w=cov(FTZ)=FT∑zF
其中,Z为影像数据,∑z为影像的协方差矩阵。
K.由∑w求得特征值和特征向量,由所有特征值构成的对角矩阵记为Λ,相应特征向量构成的矩阵记为G。
L.将G作用到FTZ的每个象元上,GTFTZ即为MNF变换后得到的图像。
步骤(4)所述的波段数、光谱与形状标准参数的设定,主要是通过专家知识结合目视观察获得的。
步骤(5)所述的逻辑或条件为:设定NDVI阈值为0.2-0.3,MNF处理后第四波段均值阈值为8-9,当原始影像波段NDVI值均小于NDVI阈值,MNF处理后第四波段均值均大于上述均值阈值,则将该对象归入非草地,通过NDVI或MNF变换第四波段均值的阈值调节可以剔除多数非草地对象,提高分类精度。
本发明的确定基于遥感影像的草地退化程度自动提取方法:首先对预处理后的遥感影像进行MNF变换,通过MNF变换可以对数据进行压缩,削弱噪声,同时将草地退化信息集中到变换后所得波段,进而通过分类器进行直接提取。本发明不仅缩小数据量,提高数据处理速度,而且可以集中草地退化信息,避免椒盐效应,提高识别精度。
附图说明
图1为本发明中基于遥感影像的草地退化程度自动提取方法流程图;
图2为预处理后的影像图(左侧为前时相影像,右侧为后时相影像)。
图3为本发明中MNF变换结果(左)与草地退化程度提取结果图(右)。
具体实施方式
下面结合附图详细描述本发明,本发明的目的和效果将变得更加明显。
本实例的方法具体流程如图1所示,包括:
1)数据获取:使用的遥感影像为2004年(前时相)与2011年(后时相)草原8月中旬获取的Lnadsat5TM影像,实验区位于内蒙古自治区的锡林浩特市,包含多种典型退化草地与非草地地类。
2)数据预处理:由于影像质量较好,故无异常波段需剔除,之后对前后时相影像分别进行辐射定标、镶嵌、裁剪和大气校正等。图2为预处理后的前时相(左侧)和后时相(右侧)影像。
3)最小噪声分离变换(MNF变换):变换后的14个波段按照信噪比由大到小顺序排列,波段间无相关性。我们选取维数较小,草地退化信息集中的2,3,4波段的MNF变换影像作为实验数据。图3左侧为MNF变换后的实验数据。
4)多尺度分割:对步骤(3)处理后得到的数据进行多尺度分割,根据设定的波段数、光谱与形状标准参数,选择20,25,30,35,40,45,50,55,60,65,70,75,80,85,90等15个分割尺度对影像进行分割,最后目视判定观察确定40为最优分割尺度。
5)在最优分割尺度下,对于每一个对象,如果光谱特征阈值满足第四波段均值均大于9或原始影像波段DNVI阈值均小于0.2,则分类到非草地对象集NG,则剩余对象集G均为草地,这样可以剔除非草地的影响,从而提高分类精度。
6)在影像对象集G上,根据先验知识,在每个退化类别区域内均匀选取5-10个训练样本,通过最近邻分类器,结合光谱、形状和纹理特征提取得到不同退化程度的草地,其中包含未退化、轻度退化、中度退化和严重退化等4种退化类型。图3(右侧)即为最终提取结果。
本发明在提取过程中参照系统明确,无复杂指标设计,在降低提取复杂度的同时降低数据处理量,提高提取效率,结合前后时相影像(图二)和最终提取结果图3(右侧)可以看出,使用本发明方法可以基本消除椒盐效应,对草地退化信息进行有效提取,达到了理想的提取精度。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (4)
1.一种基于遥感影像的草地退化程度自动提取方法,其特征在于,包括如下具体步骤:
步骤(1)数据获取:获取待监测区域的卫星遥感影像数据,包括两景前后时相的原始影像数据;
步骤(2)数据预处理:对各个波段的光谱影像进行目视检查,确定由于大气或其他因素对光谱产生较大噪声的异常波段,对异常波段直接剔除,之后对影像数据依次进行辐射定标、镶嵌、裁剪和大气校正;
步骤(3)最小噪声分离变换:将预处理后的前后时相影像数据进行叠加处理,对叠加后的影像进行最小噪声分离变换;
步骤(4)多尺度分割:对步骤(3)处理后得到的数据进行多尺度分割,根据设定的波段数、光谱与形状标准参数,选择20,25,30,35,40,45,50,55,60,65,70,75,80,85,90共15个分割尺度对影像进行分割,最后目视判定观察对象内光谱均一性最好的则为最优分割尺度;
步骤(5)在最优分割尺度下,对于每一个对象,如果光谱特征阈值满足逻辑或条件,则属于非草地对象集NG,则剩余对象集G均为草地;
步骤(6)在影像对象集G上,根据先验知识,在每个退化类别区域内均匀选取训练样本,通过最近邻分类器,结合光谱、形状和纹理特征提取得到不同退化程度的草地,其中包含未退化、轻度退化、中度退化和严重退化等4种退化类型。
2.根据权利要求1所述的基于遥感影像的草地退化程度自动提取方法,其特征在于,步骤(3)所述的MNF变换具体实现步骤如下:
A.把混有噪声的信号进行高通滤波处理,得到噪声协方差矩阵∑n;
B.计算噪声协方差矩阵∑n的特征值λ和特征向量P,由λ组成的对角矩阵记为Δ,由P组成的矩阵记为E;
C.求∑n的白化矩阵F:
F=EΔ-1/2
D.计算噪声白化之后的观测数据FTZ协方差矩阵:
∑w=cov(FTZ)=FT∑zF
其中,Z为影像数据,∑z为影像的协方差矩阵;
E.由∑w求得特征值和特征向量,由所有特征值构成的对角矩阵记为Λ,相应特征向量构成的矩阵记为G;
F.将G作用到FTZ的每个象元上,GTFTZ即为MNF变换后得到的图像。
3.根据权利要求1所述的基于遥感影像的草地退化程度自动提取方法,其特征在于,步骤(4)所述的波段数、光谱与形状标准参数均通过专家知识结合目视观察获得的。
4.根据权利要求1所述的基于遥感影像的草地退化程度自动提取方法,其特征在于,步骤(5)所述的逻辑或条件为:设定NDVI阈值为0.2-0.3,MNF处理后第四波段均值阈值为8-9,当原始影像波段NDVI值均小于NDVI阈值,MNF处理后第四波段均值均大于上述均值阈值,则将该对象归入非草地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710042190.7A CN106897668A (zh) | 2017-01-20 | 2017-01-20 | 一种基于遥感影像的草地退化程度自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710042190.7A CN106897668A (zh) | 2017-01-20 | 2017-01-20 | 一种基于遥感影像的草地退化程度自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106897668A true CN106897668A (zh) | 2017-06-27 |
Family
ID=59199178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710042190.7A Pending CN106897668A (zh) | 2017-01-20 | 2017-01-20 | 一种基于遥感影像的草地退化程度自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897668A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918432A (zh) * | 2018-05-15 | 2018-11-30 | 四川理工学院 | 基于Landsat8影像的水域提取方法及装置 |
CN109886067A (zh) * | 2018-12-17 | 2019-06-14 | 北京师范大学 | 湿地受损遥感识别方法及装置 |
CN110132343A (zh) * | 2018-02-02 | 2019-08-16 | 中国科学院寒区旱区环境与工程研究所 | 一种高寒山地草原退化程度的测定方法 |
CN110263922A (zh) * | 2019-07-08 | 2019-09-20 | 青海大学 | 一种用于评价草地退化程度的训练数据处理方法 |
CN110348108A (zh) * | 2019-07-08 | 2019-10-18 | 青海大学 | 一种评价草地退化程度的方法 |
RU2769575C1 (ru) * | 2021-07-05 | 2022-04-04 | Общество с ограниченной ответственностью «АГРОНОУТ» | Способ генерации карт деградации почвенного покрова |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446981A (zh) * | 2008-12-26 | 2009-06-03 | 北京农业信息技术研究中心 | 一种基于pda和3s结合的土地利用变更调查方法及系统 |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN103049655A (zh) * | 2012-12-18 | 2013-04-17 | 中国矿业大学(北京) | 基于多数据源的矿区土地生态损伤信息获取方法 |
WO2016041079A1 (en) * | 2014-09-16 | 2016-03-24 | University Of New Brunswick | Optical sensor systems and image processing methods for remote sensing |
-
2017
- 2017-01-20 CN CN201710042190.7A patent/CN106897668A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446981A (zh) * | 2008-12-26 | 2009-06-03 | 北京农业信息技术研究中心 | 一种基于pda和3s结合的土地利用变更调查方法及系统 |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN103049655A (zh) * | 2012-12-18 | 2013-04-17 | 中国矿业大学(北京) | 基于多数据源的矿区土地生态损伤信息获取方法 |
WO2016041079A1 (en) * | 2014-09-16 | 2016-03-24 | University Of New Brunswick | Optical sensor systems and image processing methods for remote sensing |
Non-Patent Citations (4)
Title |
---|
徐瑶: "藏北草地退化遥感监测与生态安全评价", 《中国博士学位论文全文数据库 农业科技辑》 * |
李百红: "基于遥感数据的草地信息提取及动态监测研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
罗耀华等: "基于GPU 的高光谱遥感MNF 并行方法研究", 《四川师范大学学报( 自然科学版)》 * |
陈强等: "基于OB-HMAD算法和光谱特征的高分辨率遥感影像变化检测", 《光谱学与光谱分析》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132343A (zh) * | 2018-02-02 | 2019-08-16 | 中国科学院寒区旱区环境与工程研究所 | 一种高寒山地草原退化程度的测定方法 |
CN110132343B (zh) * | 2018-02-02 | 2020-08-07 | 中国科学院西北生态环境资源研究院 | 一种高寒山地草原退化程度的测定方法 |
CN108918432A (zh) * | 2018-05-15 | 2018-11-30 | 四川理工学院 | 基于Landsat8影像的水域提取方法及装置 |
CN108918432B (zh) * | 2018-05-15 | 2021-07-20 | 四川理工学院 | 基于Landsat8影像的水域提取方法及装置 |
CN109886067A (zh) * | 2018-12-17 | 2019-06-14 | 北京师范大学 | 湿地受损遥感识别方法及装置 |
CN109886067B (zh) * | 2018-12-17 | 2021-05-14 | 北京师范大学 | 湿地受损遥感识别方法及装置 |
CN110263922A (zh) * | 2019-07-08 | 2019-09-20 | 青海大学 | 一种用于评价草地退化程度的训练数据处理方法 |
CN110348108A (zh) * | 2019-07-08 | 2019-10-18 | 青海大学 | 一种评价草地退化程度的方法 |
RU2769575C1 (ru) * | 2021-07-05 | 2022-04-04 | Общество с ограниченной ответственностью «АГРОНОУТ» | Способ генерации карт деградации почвенного покрова |
WO2023282787A1 (ru) * | 2021-07-05 | 2023-01-12 | Общество с ограниченной ответственностью "АГРОНОУТ" | Способ генерации карт деградации почвенного покрова |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897668A (zh) | 一种基于遥感影像的草地退化程度自动提取方法 | |
Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
Wu et al. | Image analysis-based recognition and quantification of grain number per panicle in rice | |
CN109765194B (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
Font et al. | An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN114677606B (zh) | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 | |
CN110516648B (zh) | 基于无人机遥感和模式识别的苎麻株数识别方法 | |
Patil | Identification of paddy leaf diseases using evolutionary and machine learning methods | |
Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
CN105930863A (zh) | 一种卫星相机谱段设置的确定方法 | |
Meng et al. | Fine hyperspectral classification of rice varieties based on attention module 3D-2DCNN | |
CN113963275A (zh) | 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 | |
Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
CN104463173A (zh) | 一种基于概率密度比值的作物病害识别方法 | |
CN115146789A (zh) | 基于物候分析和影像分割的冬小麦分布提取方法及系统 | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
Cui et al. | Phenotypic characteristics of ramie (Boehmeria nivea L) germplasm resources based on UAV remote sensing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170627 |