CN107273813A - 基于高分卫星遥感数据的地理空间要素提取系统 - Google Patents

基于高分卫星遥感数据的地理空间要素提取系统 Download PDF

Info

Publication number
CN107273813A
CN107273813A CN201710370415.1A CN201710370415A CN107273813A CN 107273813 A CN107273813 A CN 107273813A CN 201710370415 A CN201710370415 A CN 201710370415A CN 107273813 A CN107273813 A CN 107273813A
Authority
CN
China
Prior art keywords
geographical space
module
remote sensing
remotely
sensed data
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
CN201710370415.1A
Other languages
English (en)
Inventor
孟祥辉
刘文亮
王铎
姚璐
王丽丽
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.)
National Geospatial Information Center
Original Assignee
National Geospatial Information Center
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 National Geospatial Information Center filed Critical National Geospatial Information Center
Priority to CN201710370415.1A priority Critical patent/CN107273813A/zh
Publication of CN107273813A publication Critical patent/CN107273813A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于高分卫星遥感数据的地理空间要素提取系统，所述系统包括：遥感数据获取模块、数据预处理模块、多尺度分割模块、特征计算模块和空间要素提取模块。相较于现有技术，本申请提供的所述基于高分卫星遥感数据的地理空间要素提取系统，通过各模块对遥感数据的预处理、分割和特征计算，从而能够有效地提取出想要的地理空间要素，具有较高的分类精度和提取可靠性，进而有利于构建及更新地理空间数据库，对于地理信息系统应用服务以及正在进行的数字城市建设和国情监测具有重要的意义和作用。

Description

基于高分卫星遥感数据的地理空间要素提取系统
技术领域
本发明涉及遥感数据应用技术领域，具体涉及一种基于高分卫星遥感数据的地理空 间要素提取系统。
背景技术
遥感数据获取技术趋向“三多”(多传感器、多平台、多角度)和“三高”(高空 间分辨率、高光谱分辨率、高时相分辨率)。航空航天遥感影像丰富和提高了地理空间 信息的获取手段与更新效率，是地理空间数据库更新的重要信息源。目前，在高空间分 辨率遥感影像理解与分析方面，基于遥感数据的地理空间要素提取是遥感科学研究的热 点之一。
如何充分应用高空间分辨率的优越性，建立起影像数据与目标特征之间的机理联系， 提高地理空间要素分类精度与提取可靠性，进而构建及更新地理空间数据库，对于地理 信息系统应用服务以及正在进行的数字城市建设和国情监测具有重要的意义和作用。
综上，目前迫切需要一种能够利用遥感数据提取出地理空间要素的地理空间要素提 取系统。
发明内容
针对现有技术中的缺陷，本发明提供一种基于高分卫星遥感数据的地理空间要素提 取系统，以提高地理空间要素分类精度与提取可靠性。
本发明提供的一种基于高分卫星遥感数据的地理空间要素提取系统，包括：遥感数 据获取模块、数据预处理模块、多尺度分割模块、特征计算模块和空间要素提取模块；其中，
所述遥感数据获取模块，用于获取目标区域对应的原始遥感数据；
所述数据预处理模块，用于对所述原始遥感数据进行预处理，获得处理后的遥感数 据；
所述多尺度分割模块，用于根据处理后的所述遥感数据，将所述目标区域分割为多 个对象区域；
所述特征计算模块，用于计算各个所述对象区域的特征信息；
所述空间要素提取模块，用于根据各个对象区域的特征信息，提取出符合待提取地 理空间要素的特征信息的对象区域，完成地理空间要素的提取。
可选的，所述数据预处理模块，包括：
辐射定标单元，用于根据预设的转换关系将所述原始遥感数据中的后向散射系数转 换为辐射亮度值。
可选的，所述数据预处理模块，包括：
地理编码单元，用于对所述原始遥感数据进行地理编码校正。
可选的，所述数据预处理模块，包括：
滤波单元，用于对所述原始遥感数据进行滤波。
可选的，所述滤波单元，包括：
Frost滤波子单元，用于采用Frost滤波器对所述原始遥感数据进行滤波。
可选的，所述多尺度分割模块，包括：
区域合并单元，用于根据处理后的所述遥感数据，采用区域合并算法，将所述目标区域分割为多个对象区域。
可选的，所述特征计算模块，包括：
光谱特征计算单元，用于计算各个所述对象区域的光谱特征信息；
形状特征计算单元，用于计算各个所述对象区域的形状特征信息；
纹理特征计算单元，用于计算各个所述对象区域的纹理特征信息。
可选的，所述分类提取模块，包括：
邻近分类单元，用于根据各个对象区域的特征信息，采用最邻近分类法提取出符合 待提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
可选的，所述分类提取模块，包括：
函数分类单元，用于根据各个对象区域的特征信息，采用成员函数法提取出符合待 提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
可选的，所述基于高分卫星遥感数据的地理空间要素提取系统，还包括：
待提取地理空间要素特征计算模块，用于根据待提取地理空间要素的样本数据，计 算待提取地理空间要素的特征信息。
由上述技术方案可知，本发明提供的一种基于高分卫星遥感数据的地理空间要素提 取系统，包括：遥感数据获取模块、数据预处理模块、多尺度分割模块、特征计算模块 和空间要素提取模块。相较于现有技术，本申请提供的所述基于高分卫星遥感数据的地 理空间要素提取系统，通过各模块对遥感数据的预处理、分割和特征计算，从而能够有 效地提取出想要的地理空间要素，具有较高的分类精度和提取可靠性，进而有利于构建 及更新地理空间数据库，对于地理信息系统应用服务以及正在进行的数字城市建设和国 情监测具有重要的意义和作用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实 施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明第一实施例所提供的一种基于高分卫星遥感数据的地理空间要素 提取系统的示意图；
图2示出了本发明实施例提供的一种Frost滤波前的遥感影像效果图；
图3示出了本发明实施例提供的一种Frost滤波后的遥感影像效果图；
图4示出了本发明实施例提供的一种多尺度分割的流程图；
图5示出了本发明实施例提供的一种寻找合并对象的示意图；
图6示出了本发明实施例提供的一种多尺度分割参数构成图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更 加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明 所属领域技术人员所理解的通常意义。
本发明提供一种基于高分卫星遥感数据的地理空间要素提取系统。下面结合附图对 本发明的实施例进行说明。
图1示出了本发明第一实施例所提供的一种基于高分卫星遥感数据的地理空间要素 提取系统的示意图。如图1所示，本发明第一实施例提供的一种基于高分卫星遥感数据的地理空间要素提取系统包括：遥感数据获取模块1、数据预处理模块2、多尺度分割 模块3、特征计算模块4和空间要素提取模块5；其中，
所述遥感数据获取模块1，用于获取目标区域对应的原始遥感数据；
所述数据预处理模块2，用于对所述原始遥感数据进行预处理，获得处理后的遥感数据；
所述多尺度分割模块3，用于根据处理后的所述遥感数据，将所述目标区域分割为多个对象区域；
所述特征计算模块4，用于计算各个所述对象区域的特征信息；
所述空间要素提取模块5，用于根据各个对象区域的特征信息，提取出符合待提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
随着遥感技术及高分辨率数据采集技术的发展，遥感数据的分辨率越来越高，数据 类型越来越丰富，因此，采用高分辨率遥感数据提取地理空间要素已成为可能且具有较高的精准性。
本发明实施例中，所述地理空间要素包括任意一种具有独立特征的地物，例如居民 地、水域、林地、沙漠、农田、道路等，利用本申请提供的地理空间要素提取系统，可 以实现快速的提取以上任一种地理空间要素的目的，其均在本申请的保护范围之内。
所述遥感数据获取模块1用于获取目标区域对应的原始遥感数据，本发明实施例中， 以高分遥感数据为数据源，具体的，所述原始影像可以包括我国发射的高分3号卫星采集的雷达遥感数据、加拿大发射的Radarsat-2号卫星采集的雷达遥感数据、我国高分2 号、5号卫星采集的多光谱遥感数据、全色遥感数据等，其均在本申请的保护范围之内。
以Radarsat-2号卫星采集的合成孔径雷达(SAR)遥感数据为例，由于SAR传感器输出的数值输出值只是电信号数值或模拟量，并不是对应的实际地物辐射亮度，而且该 值受传感器本身产生误差的影响存在一定的畸变，所以对于原始遥感数据需要进行的第 一步处理就是辐射定标，即将传感器输出的信号(DN值，即后向散射系数)通过定量关 系式转化为对应地物的辐射亮度值。在本申请提供的一个实施例中，所述数据预处理模 块2，包括：
辐射定标单元，用于根据预设的转换关系将所述原始遥感数据中的后向散射系数转 换为辐射亮度值。
具体的，辐射定标是保证遥感数据可靠性和精确性的重要手段。对于Radarsat-2雷达影像的SGX产品，影像亮度值和后向散射系数的转换关系如下：
其中，A0、Aj为雷达系统自动增益控制系数，由Radarsat-2影像的Sigma增益偏 移参数文件读出；Ij为每个像元沿距离方向上的入射角。
所述辐射定标单元即可根据上述转换关系将所述原始遥感数据中的后向散射系数 转换为辐射亮度值。
另外，由于传感器飞行姿态(俯仰、偏航)、地球自转、地形起伏等原因使影像中 物体相较于地面目标发生几何畸变，表现为遥感影像的旋转、平移、缩放等变形。这些 畸变给SAR图像的应用造成了巨大的障碍，为了校正星载SAR图像的几何畸变，提取 SAR图像上的数据信息，必须对星载SAR原始图像进行地理编码，得到校正后的统一 的地图坐标系上的标准地理编码图像。地理编码是星载SAR图像的目的在于把星载 SAR原始图像投影到指定的地图坐标系上，并校正一些几何畸变。在本申请提供的一个 实施例中，所述数据预处理模块2，包括：
地理编码单元，用于对所述原始遥感数据进行地理编码校正。
具体的，所述地理编码单元可以基于NEST软件结合DEM把原始遥感数据投影到WGS84坐标系下，实现对原始遥感数据的地理编码校正。
此外，合成孔径雷达成像时，雷达波在反射过程会不可避免地产生许多斑点噪声。斑点噪声会对图像的空间分辨率产生影响，给图像解译和目标的判读带来很大的困难。 因此为了提高雷达影像的利用价值，必须先对影像进行滤波，消除或者减少斑点噪声。 在本发明提供的一个实施例中，所述数据预处理模块2，包括：
滤波单元，用于对所述原始遥感数据进行滤波。
通过所述滤波单元，可以消除或减少所述原始遥感数据中的斑点噪声。
滤波方式分为三种，空间域增强滤波、卷积滤波和形态学滤波。空间域增强处理是通过直接改变图像中的单个像元及相邻像元的灰度值来增强图像，这种增强方式往往是有目的的，如增强图像中的线状物体细部部分或者主干部分等；卷积(Convolutions) 滤波是通过消除特定的空间频率来使图像增强，根据增强类型(低频、中频和高频)不 同可分为低通滤波、带通滤波和高通滤波，此外还可以增强图像某些方向特征的方向滤 波等，它们的核心部分是卷积核。常用卷积核包括高通滤波(High Pass)、低通滤波(Low Pass)、拉普拉斯算子(Laplacian)、方向滤波(Directional)、高斯高通滤波(Gaussian High Pass)、高斯低通滤波(Gaussian Low Pass)、中值滤波(Median)、Sobel、Roberts， 还可以自定义卷积核；数学形态学滤波包括以下类型：膨胀(Dilate)、腐蚀(Erode)、 开启(Opening)、闭合(Closing)，它们在增强二值图像和灰度图像中各有特点。
在本发明提供的一个实施例中，所述滤波单元，包括：
Frost滤波子单元，用于采用Frost滤波器对所述原始遥感数据进行滤波。
请参考图2和图3，其分别为本发明实施例提供的一种Frost滤波前、后的遥感影像效果图。由图可知，通过所述Frost滤波子单元采用Frost滤波器对所述原始遥感数 据进行滤波具有较好的效果，Frost滤波器用于雷达图像中保留边缘的情况下，减少斑 点。它是按指数规律阻尼循环的均衡滤波，用于局部统计。参与滤波的像元由到滤波器 中心的距离、阻尼系数和局部变化计算的值来代替。滤波的窗口分别采用从3×3到29 ×29大小不等的窗口进行测试，不同窗口大小的滤波对噪声的去除影响甚大。随着滤波 窗口的变化，影像平滑度亦随之变化，经实验表明，当窗口为3×3时样区地物区分效 果最佳。
在本发明提供的一个实施例中，所述多尺度分割模块3，包括：
区域合并单元，用于根据处理后的所述遥感数据，采用区域合并算法，将所述目标区域分割为多个对象区域。
具体的，所述区域合并单元通过以下具体的区域合并算法将所述目标区域分割为多 个对象区域：
所述区域合并单元采用异质性最小的区域合并算法，是自下而上基于区域生长合并 的分割方法，在分割过程中相邻的相似像元被合并成一个不规则多边形对象，因此对象的异质性f(异质性)是不断增长的，要确保合并后的对像的异质性小于设定好的一致性 阈值。因为分割时相邻对象是成对的生长合并的，所以要合并的对象应该是相互对应并 且是异质性最小的。
请参照图4，其为本发明实施例提供的一种多尺度分割的流程图，该流程图以Radarsat-2影像为处理对象描述了采用区域合并算法进行多尺度分割的流程，具体如下：
在第一次分割时，以单个象元为起点，寻找相邻对象合并后异质性最小的像元，如果找到的像元相邻像元中合并后异质性最小的像元为该像元，异质性小于设定的阈值， 则合并这两个像元，否则就以找的像元为起点再次寻找，直至找到可以合并的像元，如 图5，其为本发明实施例提供的一种寻找合并对象的示意图。如果最小的异质性小于设 定的阈值，则进行第二次分割。循环进行，当最小的异质性值大于阈值时，则停止分割。
如果0到11为12个像元，选择5作为种子像元，首先计算5和相邻像元1、4、6、 9像元的异质性，如果5和6的异质性最小，则6作为种子像元计算6的相邻像元2、5、 7、10像元的异质性，如果6和5的异质性最小，则合并5、6像元；如果6和7的异质 性最小，则7作为种子像元继续向下寻找，直至找对为止。
在第一次分割时，以单个象元为起点，寻找相邻对象合并后异质性最小的像元，如果找到的像元相邻像元中合并后异质性最小的像元为该像元，异质性小于设定的阈值， 则合并这两个像元，否则就以找的像元为起点再次寻找，直至找到可以合并的像元。如 果最小的异质性小于设定的阈值，则进行第二次分割。循环进行，当最小的异质性值大 于阈值时，则停止分割。
多尺度分割中分割参数的设置直接决定分割结果的好坏。如果选择大的分割参数， 影像中小的地物有可能被分割到大的地物中，如果选择小的分割尺度，则想象中大的地 物有可能分成几部分，形状特征会受到影响。在能区分不同影像地物的基础上尽可能以最大的分割尺度来分割，而在实际中应该根据实际的地区特征以及分类的目的来设定。
多尺度分割算法中需要设置的参数包括波段的权重因子、异质性因子和分割尺度。 其构成如图6所示。
异质性f通过合并后对象的光谱异质性和形状异质性的加权值计算的，其中光谱异 质性和形状异质性的权重和为1。
f＝w1·hcolor+(1-w1)·hshape
其中：hcolor为光谱异质性，hshape为形状异质性，w1为光谱异质性权重。
光谱异质性是由对象像元的光谱值计算的：
其中：c为影像的波段数，wc为影像中各波段的权重，nm为合并后对象的像元个数，σm为合并后对象的标准方差，n1、n2为合并前两个相邻对象的像元个数，σ1、σ2为合 并前两个相邻对象的标准方差。
形状异质性是由对象的形状计算的：
hshape＝w2·hcom+(1-w2)·hsmooth
其中：w2为紧致度的权重，hcom为紧致度异质性，hsmooth为光滑度异质性。
紧致度异质性：
其中:nm为合并后对象的像元个数，n1、n2为合并前两个相邻对象的像元个数，Em为合并后对象区域的实际边界长度，E1、E2为合并前两个相邻对像区域的实际边界长度。
光滑度异质性:
hsmooth＝nm·Em/Lm-(n1·E1/L1+n2·E2/L2)
其中：nm为合并后对象的像元个数，n1、n2为合并前两个相邻对象的像元个数，Em为合并后对象区域的实际边界长度，E1、E2为合并前两个相邻对像区域的实际边界长度， Lm为包含合并后影像区域范围的矩形边界长度，L1、L2为包含合并前影像区域范围的 两个矩形边界长度。
在所述多尺度分割模块3对遥感数据进行分割后，遥感数据的单元变成了同质像元 组成的不规则多边形对象。
本发明实施例中，所述特征计算模块4，用于计算各个所述对象区域的特征信息，以便能够根据各对象区域的特征信息提取地理空间要素，对象区域的特征包括三种：光 谱特征、形状特征、纹理特征。光谱特征包括均值、灰度比值、标准差等；形状特征包 括面积、长宽比等；纹理特征包括灰度共生矩阵方差等。
在本发明提供的一个实施例中，所述特征计算模块4，包括：
光谱特征计算单元，用于计算各个所述对象区域的光谱特征信息；
形状特征计算单元，用于计算各个所述对象区域的形状特征信息；
纹理特征计算单元，用于计算各个所述对象区域的纹理特征信息。
具体的，光谱特征描述影像对象的光谱信息，与对象的像素值有关，包括影像对象特征的均值、方差、亮度值等。所述光谱特征计算单元用于计算以下光谱特征信息：
1)均值(mean)：
(1)Layer 1，2，3，4：图层1，2，3，4的对象亮度平均值。
其中：N为对象v中像元的个数，k为图层(1,2,3,4)，Ck(x,y,k)为k图层的(x,y) 像元值。
(2)Brightness：亮度值。
其中：wb是所有图层亮度值权重的和；是图层k的权重；是对象v的k图 层强度平均值
(3)Max.Diff.：最大的两个图层的平均值差
其中：是i图层强度平均值；是j图层强度平均值；是对象v的亮度 平均值。
2)标准差(Standard Deviation)：
Layer 1，2，3，4：图层1，2，3，4的对象标准差。
其中：Ck(x,y,k)为k图层的(x,y)像元值；是是对象v的k图层强度平均值； N为对象v中像元的个数。
3)贡献率(Ratio)：
第L层的贡献率是一个影像对象的第L层的平均值除上所有光谱层的平均值的总和。
其中：是图层k的权重；是对象v的k图层强度平均值。
4)最小像素值(Min.Pixel Value)：
5)最大像素值(Max.Pixel Value)：
6)归一化植被指数(NDVI)：
NDVI＝(NIR-R)/(NIR+R)
其中：NIR为近红外波段,R为红光波段。
形状特征是描述地物本身在影像上变现出来的形状方面的信息，及分割后影像对象 的形状信息，包括面积、边界长、长宽比、形状指数等。所述形状特征计算单元用于计 算以下形状特征信息：
1)面积(Area)：
Av＝N×u2
其中：N为对象v中像元的个数；u为像元大小
2)长宽比(Length/Width)：
对象的长和宽的比值，有两种方法计算，一般会取两者中较小的结果作为特征值。
(1)等于协方差矩阵特征值的比率，其中在较大的特征值为分子:
(2)用边界框来近似。
其中：协方差矩阵为X为对象v所有像元的x坐标，Y为对 象v所有像元的y坐标；边界框的长度为a，宽度为b，面积为a·b，f为填充度，即 对象v面积Av除以边界框的总面积a·b。
3)长度(Length)
长度使用边界框近似中计算得到的长宽比来计算。
4)宽度(Width)
宽度也使用边界框近似中计算得到的长宽比来计算。
5)边界长度(Border Length)
边界长度定义为图像的边缘。包括内、外边界，即对象内有环或洞的边缘长度也要算上。
bv＝bo+bi
其中bo为对象外部边界，bi为内部边界。
6)不对称性(Asymmetry)
对象越长，它的不对称性越高。对于一个影像对象来说，可近似与一个椭圆。不对称性可表示为椭圆的短轴和长轴的长度比。随着不对称性的增加而特征值增加。
7)边界指数(BorderIndex)
该指数描述了影像对象边界不规则性，边界越表现为锯齿状，边界指数也就越高。
其中：bv是对象v的边界长度；lv是对象v的长度；wv是对象v的宽度。
8)形状指数(Shape Index)
该指数描述影像对象边界的平滑度，影响对象边界越平滑，形状指数越低。
其中：bv是对象v的边界长度；Av为对象v的面积。
9)紧致度(Compactness)
描述了对象的紧致度，和边界指数类似，但是该指数是基于面积的，
其中：lv是对象v的长度；wv是对象v的宽度；N为对象v的像元个数。
纹理特征是反映像素空间分布的特征，通常在局部上呈现为不规则，但是在宏观上 有规律。纹理通常被描述为在局部窗口内影像灰度级之间的空间分布及空间互相关系。灰度共生矩阵为现在最常用的一种纹理统计分析方法。灰度共生矩阵式是表示对象中像素灰度级出现频率空间分布的矩阵，在不同的空间方向存在着不同的灰度共生矩阵，共 有四个方向(0°、45°、90°、135°)是常用的方向。遍历影像对象像元并且将像素 值出现的次数放到256*256的矩阵中，其中像元值和邻居像素值作为行列号，像素值取 特定图层得像素值或者所有层的平均值。然后标准化该矩阵(该对像素值出现的次数/ 所有像素值出现的次数)，所以灰度共生矩阵中的值在0-1范围内。标准的灰度共生矩 阵是对称的，对角线上的值表示灰度级相同的像素对出现的频率，离着对角线越远，说 明该对像素的灰度级相差越大。
灰度共生矩阵提供了影像灰度方向、间隔和变化幅度的信息，但是它并不能直接提 供区别纹理的特性，因此需要在灰度共生矩阵的基础上提取用来定量描述纹理特征的统 计属性。常用的用于提取遥感影像中的纹理信息的特征统计量主要有：同质性(Homogeneity)、对比度(Conrast)、非相似性(Dissimilarty)、熵(Entropy)、均 值(Mean)、方差(Variance)、角二阶矩(Angular Second Moment)、相关性(Correlation) 等，所述纹理特征计算单元用于计算以下纹理特征信息(以下公式中，i是指所在矩阵 中的行数，j是指所在矩阵中的列数，Vi,j是指矩阵第i行第j列的值，Pi,j指矩阵标准 化后第i行第j列的值，N是行或列的总数)：
(1)灰度共生矩阵同质性(GLCM_Homogeneity)
也叫逆差距，是影像对象灰度均匀性的的量，如果图像局部的灰度均匀，同质性取值越大。
(2)灰度共生矩阵对比度(GLCM_Conrast)
反映图像中影像对象灰度变化总量，在图像对象中，像元的灰度级相差越大，对象的对比度就越大，对象的视觉效果越清晰。
(3)灰度共生矩阵非相似性(GLCM_Dissimilarty)
与对比度相似，但是呈线性增长。影像对象的对比度越高，非相似度越高。
(4)灰度共生矩阵均值(GLCM_Mean)
指的是影像对象的纹理的规则程度，纹理越杂乱无章，毫无规则性，值就越小；相反，越有规律，值就越大
(5)灰度共生矩阵方差(GLCM_Variance)
反映影像对象像元值与均值变差的度量，当影响对象中灰度变化越大，方差越大。
(6)灰度共生矩阵熵(GLCM_Entropy)
描述影像对象所有的信息量的度量，是测量灰度级分布的随机性的特征参数，表达 了影像对象中纹理的复杂程度。纹理越复杂，值越大；反之，纹理越均匀，值越小。
(7)灰度共生矩阵角二阶矩(GLCM_Angular Second Moment)
影像对象灰度分布均匀性的度量。当灰度共生矩阵中的元素分布比较集中于主对角 线附近时，说明影响对象灰度分布均匀，该值相应较大；相反，如果共生矩阵的所有值均相等，则该值较小。
(8)灰度共生矩阵相关性(GLCM_Correlation)
描述灰度共生矩阵行或列元素之间的相似程度，反映某种灰度值沿某方向的延伸长 度，若延伸越长，相关性越大。
基于上述特征计算模块4计算的各个所述对象区域的特征信息，所述所述空间要素 提取模块5即可根据各个对象区域的特征信息，提取出符合待提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
在本发明提供的一个实施例中，所述分类提取模块，包括：
邻近分类单元，用于根据各个对象区域的特征信息，采用最邻近分类法提取出符合 待提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
采用最邻近分类法对各对象区域进行分类，即可提取出于与待提取地理空间要素属 于同一类别的对象区域，完成地理空间要素的提取。最邻近分类方法是利用训练样本对象来选择对象特征，与传统的监督分类相似，选择训练区作为样本对象，统计样本对象 的各地类训练样本的特征，以这个特征为中心，计算各未分类的对象的用于分类的特征 与特征中心的距离，如果距离样本类的特征中心最近，则被分到那个类别。当地物特征 不明显，无法描述其特征空间时，适合使用最邻近距离法。
在本发明提供的一个实施例中，所述分类提取模块，包括：
函数分类单元，用于根据各个对象区域的特征信息，采用成员函数法提取出符合待 提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
成员函数法分类方法是通过影像对象本身以及对像间的特征属性，计算隶属度函数， 获得相应区域特征的模糊化值，建立规则模型来进行影像分类，选择特征时应当选择待 分类类别最显著的特征加入规则库，而且不能加入太多，过多的规则会影响分类精度。根据规则库中的规则对各对象区域进行分类，进而提取出于与待提取地理空间要素属于同一类别的对象区域，完成地理空间要素的提取。
在上述实施例中，都需要首先明确待提取地理空间要素的特征信息，才能够提取出 于与待提取地理空间要素属于同一类别的对象区域，因此，在本发明提供的一个实施例中，
在本发明提供的一个实施例中，所述的基于高分卫星遥感数据的地理空间要素提取 系统还包括：
待提取地理空间要素特征计算模块4，用于根据待提取地理空间要素的样本数据，计算待提取地理空间要素的特征信息。
在本发明提供的一个具体的实施例中，基于遥感数据获取模块1、数据预处理模块2、多尺度分割模块3、特征计算模块4和空间要素提取模块5，采用C++语言开发了地 理空间要素自动提取系统，通过人机交互定义的分割尺度、颜色权重、波段比重、紧致 度权重等参数进行遥感数据的多尺度分割，进而以分割获得的对象区域为基本空间单元 进行地理空间要素的提取，通过计算待提取地理空间要素的特征信息，进而可以基于 Radarsat-2影像实现对地理空间要素的自动快速提取。
具体应用中，以居民地提取为例：
首先对经过采取二阶概率统计的影像数据进行波段选取，经反复实验，以协同性、均值、相异性进行RGB组合效果较好，协同性、均值和相异性采用的最佳窗口是5×5、 3×3和3×3，其次，对进行RGB合成的影像进行多尺度分割，相关参数为：分割尺度 为30，形状指数为0.5，紧凑度指数权重为0.4。
通过比对原Radarsat-2影像，并结合高分2号遥感影像，对分割结果进行相关参数选取，通过对居民地样本要素协同性、均值和相异性3个波段的亮度值、标准差等信 息进行统计分析，最终选取均值协同性、均值和相异性亮度值和长宽比四个参数，实现 居民地提取。
以道路提取为例：
首先对经过采取二阶概率统计的影像数据进行波段选取，经反复实验，以方差、均值、对比度进行RGB组合效果较好，方差、均值和对比度采用的最佳窗口是3×3、3×3 和4×4，其次，对进行RGB合成的影像进行多尺度分割，相关参数为：分割尺度为40， 形状指数为0.7，紧凑度指数权重为0.5。
通过比对原Radarsat-2影像，并结合高分2号遥感影像，对分割结果进行相关参数选取，通过对道路样本要素协同性、均值和相异性3个波段的亮度值、标准差等信息 进行统计分析，最终选取均值协同性、均值和相异性亮度值和长宽比四个参数，实现道 路的提取。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体 示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材 料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示 意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或 者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的 情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例 或示例的特征进行结合和组合。
需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一 部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为 替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如， 两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依 所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流 程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现， 或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的基于高分卫星遥感数据的地理空间要素提取系统可以是计 算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划 分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元 或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点， 所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统 或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示 的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是 各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存 储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以 是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部 分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、 随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代 码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其 依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特 征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施 例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，包括：遥感数据获取模块、数据预处理模块、多尺度分割模块、特征计算模块和空间要素提取模块；其中，
所述遥感数据获取模块，用于获取目标区域对应的原始遥感数据；
所述数据预处理模块，用于对所述原始遥感数据进行预处理，获得处理后的遥感数据；
所述多尺度分割模块，用于根据处理后的所述遥感数据，将所述目标区域分割为多个对象区域；
所述特征计算模块，用于计算各个所述对象区域的特征信息；
所述空间要素提取模块，用于根据各个对象区域的特征信息，提取出符合待提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
2.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述数据预处理模块，包括：
辐射定标单元，用于根据预设的转换关系将所述原始遥感数据中的后向散射系数转换为辐射亮度值。
3.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述数据预处理模块，包括：
地理编码单元，用于对所述原始遥感数据进行地理编码校正。
4.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述数据预处理模块，包括：
滤波单元，用于对所述原始遥感数据进行滤波。
5.根据权利要求4所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述滤波单元，包括：
Frost滤波子单元，用于采用Frost滤波器对所述原始遥感数据进行滤波。
6.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述多尺度分割模块，包括：
区域合并单元，用于根据处理后的所述遥感数据，采用区域合并算法，将所述目标区域分割为多个对象区域。
7.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述特征计算模块，包括：
光谱特征计算单元，用于计算各个所述对象区域的光谱特征信息；
形状特征计算单元，用于计算各个所述对象区域的形状特征信息；
纹理特征计算单元，用于计算各个所述对象区域的纹理特征信息。
8.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述分类提取模块，包括：
邻近分类单元，用于根据各个对象区域的特征信息，采用最邻近分类法提取出符合待提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
9.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，所述分类提取模块，包括：
函数分类单元，用于根据各个对象区域的特征信息，采用成员函数法提取出符合待提取地理空间要素的特征信息的对象区域，完成地理空间要素的提取。
10.根据权利要求1所述的基于高分卫星遥感数据的地理空间要素提取系统，其特征在于，还包括：
待提取地理空间要素特征计算模块，用于根据待提取地理空间要素的样本数据，计算待提取地理空间要素的特征信息。
CN201710370415.1A 2017-05-23 2017-05-23 基于高分卫星遥感数据的地理空间要素提取系统 Pending CN107273813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710370415.1A CN107273813A (zh) 2017-05-23 2017-05-23 基于高分卫星遥感数据的地理空间要素提取系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710370415.1A CN107273813A (zh) 2017-05-23 2017-05-23 基于高分卫星遥感数据的地理空间要素提取系统

Publications (1)

Publication Number Publication Date
CN107273813A true CN107273813A (zh) 2017-10-20

Family

ID=60064688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710370415.1A Pending CN107273813A (zh) 2017-05-23 2017-05-23 基于高分卫星遥感数据的地理空间要素提取系统

Country Status (1)

Country Link
CN (1) CN107273813A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784283A (zh) * 2017-10-24 2018-03-09 防灾科技学院 面向对象的无人机高分影像煤火区土地覆被分类方法
CN108089850A (zh) * 2018-01-02 2018-05-29 北京建筑大学 一种基于影像协同分割与生态地理分区规则库的地表覆盖产品增量更新方法
CN108875615A (zh) * 2018-06-07 2018-11-23 中国石油天然气股份有限公司 沉积区域遥感识别方法、装置、电子设备及存储介质
CN108898101A (zh) * 2018-06-29 2018-11-27 西安电子科技大学 基于素描图和先验约束的高分辨sar图像路网检测方法
CN108960089A (zh) * 2018-06-20 2018-12-07 中科禾信遥感科技（苏州）有限公司 一种茶树林遥感监测的方法及装置
CN109635828A (zh) * 2018-12-25 2019-04-16 国家测绘地理信息局第六地形测量队 一种生态保护红线区典型地理国情要素提取系统及方法
CN109725311A (zh) * 2018-12-25 2019-05-07 核工业北京地质研究院 一种基于雷达卫星提取地质构造的方法
CN110348542A (zh) * 2019-07-24 2019-10-18 北京师范大学 一种遥感图像特征与地理空间位置的深度融合方法
CN111597284A (zh) * 2020-04-29 2020-08-28 武汉子雨科技有限公司 一种快速提取测绘地理信息数据的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235810A (zh) * 2013-04-23 2013-08-07 国家测绘地理信息局卫星测绘应用中心 遥感影像控制点数据智能检索方法
CN104239890A (zh) * 2014-08-12 2014-12-24 浙江工商大学 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235810A (zh) * 2013-04-23 2013-08-07 国家测绘地理信息局卫星测绘应用中心 遥感影像控制点数据智能检索方法
CN104239890A (zh) * 2014-08-12 2014-12-24 浙江工商大学 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
凌飞龙: "面向植被识别的SAR图像分类方法研究", 《中国博士学位论文全文数据库.农业科技辑》 *
杨俨: "资源三号卫星遥感影像城市地表覆盖分类方法研究", 《中国优秀硕士学位论文全文数据库.基础科学辑》 *
陈长红: "基于RADARSAT_2的风沙滩地区地表土壤水分遥感反演", 《中国优秀硕士学位论文全文数据库.农业科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784283A (zh) * 2017-10-24 2018-03-09 防灾科技学院 面向对象的无人机高分影像煤火区土地覆被分类方法
CN107784283B (zh) * 2017-10-24 2021-05-18 防灾科技学院 面向对象的无人机高分影像煤火区土地覆被分类方法
CN108089850B (zh) * 2018-01-02 2020-11-24 北京建筑大学 一种基于影像协同分割与生态地理分区规则库的地表覆盖产品增量更新方法
CN108089850A (zh) * 2018-01-02 2018-05-29 北京建筑大学 一种基于影像协同分割与生态地理分区规则库的地表覆盖产品增量更新方法
CN108875615A (zh) * 2018-06-07 2018-11-23 中国石油天然气股份有限公司 沉积区域遥感识别方法、装置、电子设备及存储介质
CN108875615B (zh) * 2018-06-07 2021-04-30 中国石油天然气股份有限公司 沉积区域遥感识别方法、装置、电子设备及存储介质
CN108960089A (zh) * 2018-06-20 2018-12-07 中科禾信遥感科技（苏州）有限公司 一种茶树林遥感监测的方法及装置
CN108898101A (zh) * 2018-06-29 2018-11-27 西安电子科技大学 基于素描图和先验约束的高分辨sar图像路网检测方法
CN108898101B (zh) * 2018-06-29 2021-09-28 西安电子科技大学 基于素描图和先验约束的高分辨sar图像路网检测方法
CN109725311A (zh) * 2018-12-25 2019-05-07 核工业北京地质研究院 一种基于雷达卫星提取地质构造的方法
CN109635828A (zh) * 2018-12-25 2019-04-16 国家测绘地理信息局第六地形测量队 一种生态保护红线区典型地理国情要素提取系统及方法
CN110348542A (zh) * 2019-07-24 2019-10-18 北京师范大学 一种遥感图像特征与地理空间位置的深度融合方法
CN111597284A (zh) * 2020-04-29 2020-08-28 武汉子雨科技有限公司 一种快速提取测绘地理信息数据的方法

Similar Documents

Publication Publication Date Title
CN107273813A (zh) 基于高分卫星遥感数据的地理空间要素提取系统
Zhao et al. Superpixel-based multiple local CNN for panchromatic and multispectral image classification
US10984532B2 (en) Joint deep learning for land cover and land use classification
Xie et al. Multiscale densely-connected fusion networks for hyperspectral images classification
Huang et al. Combining pixel-and object-based machine learning for identification of water-body types from urban high-resolution remote-sensing imagery
Huang et al. A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
Wang et al. An automatic region-based image segmentation algorithm for remote sensing applications
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
CN107016677A (zh) 一种基于fcn和cnn的云图分割方法
CN102982338B (zh) 基于谱聚类的极化sar图像分类方法
Liu et al. Multimorphological superpixel model for hyperspectral image classification
CN103208001A (zh) 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN103473557A (zh) 一种空谱一体化的高光谱遥感图像分类方法
Karami et al. Gully erosion mapping using object-based and pixel-based image classification methods
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN113657324A (zh) 基于遥感影像地物分类的城市功能区识别方法
CN109146890A (zh) 基于滤波器的高光谱图像的异常目标检测方法
Chang et al. Canopy-cover thematic-map generation for Military Map products using remote sensing data in inaccessible areas
Gašparović Urban growth pattern detection and analysis
CN108492288B (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
Wang et al. The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation
CN107423771B (zh) 一种两时相遥感图像变化检测方法
Robb et al. A semi-automated method for mapping glacial geomorphology tested at Breiðamerkurjökull, Iceland

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