CN107392133B - 利用面向对象多源信息融合的荒漠植物遥感识别方法 - Google Patents

利用面向对象多源信息融合的荒漠植物遥感识别方法 Download PDF

Info

Publication number
CN107392133B
CN107392133B CN201710577100.4A CN201710577100A CN107392133B CN 107392133 B CN107392133 B CN 107392133B CN 201710577100 A CN201710577100 A CN 201710577100A CN 107392133 B CN107392133 B CN 107392133B
Authority
CN
China
Prior art keywords
information
spectrum
desert
source information
unit
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
Application number
CN201710577100.4A
Other languages
English (en)
Other versions
CN107392133A (zh
Inventor
常存
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.)
Xinjiang Institute of Ecology and Geography of CAS
Original Assignee
Xinjiang Institute of Ecology and Geography 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 Xinjiang Institute of Ecology and Geography of CAS filed Critical Xinjiang Institute of Ecology and Geography of CAS
Priority to CN201710577100.4A priority Critical patent/CN107392133B/zh
Publication of CN107392133A publication Critical patent/CN107392133A/zh
Application granted granted Critical
Publication of CN107392133B publication Critical patent/CN107392133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及利用面向对象多源信息融合的荒漠植物遥感识别方法，采用如下五个单元：大区域多源信息镶嵌单元、面向对象的影像分割单元、多源信息融合单元、解译规则制定单元以及荒漠植物识别单元；针对现有技术未考虑荒漠植物分布稀疏，生长光谱信息偏弱，且易受到漫反射的影响，混合像元、同物异谱现象显著的特点，研发出利用面向对象多源信息融合的荒漠植物遥感识别方法，可解决在生态修复、气候变化、生物多样性、基因开发、消除贫困等领域的遇到的无法准确识别荒漠植物类型和时空分布的难题，为相关研究机构、公益组织、企业乃至政府提供技术支持，给干旱区的荒漠植被产业的开发、建设、管理提供数据分析依据。

Description

利用面向对象多源信息融合的荒漠植物遥感识别方法
技术领域
本发明涉及计算机数字图像处理与模式识别，以及遥感应用领域，具体涉及利用面向对象多源信息融合的荒漠植物遥感识别方法。
背景技术
荒漠植物是指旱生半乔木、半灌木、小半灌木和灌木占优势的稀疏植被，是亚热带和温带干旱区的重要植被景观。主要分布在从北非起，向东经西亚、中亚、南亚至我国西北及蒙古等地的广大戈壁荒漠内，此外，在南北美洲和澳大利亚的荒漠也有一定面积的分布。荒漠植被是局地生态环境演变、气候变化的指示器，也是全球陆面过程的重要组成部分，关系着干旱区荒漠生态系统的能量转化和物质循环过程，为荒漠动物群提供食物和庇护所。荒漠植物在生态修复、气候变化、生物多样性、基因开发、消除贫困等领域的作用越发引起世界各国研究机构、公益组织、企业乃至政府的重视。
目前主要的遥感解译方法包括：1、监督分类，又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息.每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。2、非监督分类，也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少的人工初始输入。计算机按一定规则自动地根据像无光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。上述方法多见应用于湿润区植物使用，且大多基于面向像素技术体系开展。相比湿润区植物，荒漠植物分布稀疏，生长光谱信息偏弱，且易受到裸露地表(戈壁、沙漠)漫反射的影响，混合像元、同物异谱现象显著。因此直接使用传统遥感解译方法，往往无法准确解译荒漠植物的种类和分布特征。
如何能快速准确的识别荒漠植物，已成为横亘在荒漠植物的产业开发和科学研究面前亟需解决的难题。
发明内容
本发明要解决的技术问题是：为了解决如何能快速准确的识别荒漠植物的问题，本发明提供一种利用面向对象多源信息融合的荒漠植物遥感识别方法，主要涉及基于面向对象的遥感识别方法、基于多源信息融合的遥感解译技术。将突破以像元作为最小单元的遥感分析方法体系，利用面向对象技术构建具有地学意义的评价单元，并利用多源数据提供的信息图谱知识，可从宏观格局上对荒漠植物的种类和时空分布进行有效识别，不仅是对遥感解译识别技术的拓展和创新，也对干旱区的荒漠植被产业的开发、建设、管理具有重要的应用推广意义。
本发明解决其技术问题所采用的技术方案是：一种利用面向对象多源信息融合的荒漠植物遥感识别方法。
采用如下五个单元：大区域多源信息镶嵌单元、面向对象的影像分割单元、多源信息融合单元、解译规则制定单元以及荒漠植物识别单元；由上述单元组成的面向对象多源信息融合的荒漠植物遥感识别方法，可快速、高精度地识别出大范围区域上的荒漠植被分布信息和数据，为相关研究机构、公益组织、企业乃至政府提供技术支持，给干旱区的荒漠植被产业的开发、建设、管理提供数据分析依据。
所述大区域多源信息镶嵌单元基于约束接缝线的区域分块制图处理方法，目的是将不同图幅，不同空间位置、不同分辨率的多源信息镶嵌形成特定的要素层，以达到规范数据集、降低冗余、提高预处理效率的目的；
所述面向对象的影像分割单元综合多源遥感影像、海拔、降水、气温、土壤、植被和地貌要素图，利用影像的光谱、形状和纹理因子，将影像按照一定规则切割成特征类似斑块，分割形成的斑块是具有光谱反射均匀、结构纹理均质的图斑；
所述多源信息融合单元是综合多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被和地貌要素图，以面向对象的影像分割单元分割形成的斑块作为处理单元，将不同来源、不同空间分辨率数据进行融合，以生成多时空信息集；所述多源信息集空间坐标一致、几何边界吻合，包括光谱、海拔、地学分区、气象、气候和植物生长多个领域的识别信息；
所述解译规则制定单元是利用数据挖掘方法，找出隐含在训练样本中模式类的特征，并基于训练样本自动建立决策规则；所述决策规则建立在多时空信息集基础上，采用树状结构，每个数据集依据其样本的特征信息选取叶节点，进行有效的划分，将复杂的多分类问题指标规则化；
所述荒漠植物识别单元是利用解译规则制定单元的成果，构建荒漠植物提取信息集，利用n维角度来匹配图斑信息谱和样本参考信息谱，通过计算信息谱间角度的算法，决定了图斑和样本信息谱间的相似性，最终提取荒漠植物的类型和分布特征；
包括以下步骤：
(1)采用所述大区域多源信息镶嵌单元实现大区域多源信息的镶嵌；
(2)采用所述面向对象的影像分割单元进行多尺度阈值分割；
(3)采用所述多源信息融合单元进行多源信息融合；
(4)采用所述解译规则制定单元进行解译规则制定；
(5)采用所述荒漠植物识别单元进行荒漠植物识别，最终提取荒漠植物的类型和分布特征。
步骤(1)具体为：
为保证大区域荒漠植物制图效率和制图精度，需预先对大区域多源信息源进行镶嵌融合处理，采用一种基于约束接缝线的区域分块制图处理方法；
该方法采用分区影像镶嵌的原理，首先使用通用的全球UTM投影，对大区域进行分区，形成6°分区条带，并使用ARCGIS10.0软件对分区内的数据进行投影转换，转换参数选用WGS84椭球体、UTM投影；
分别计算各图幅多源信息在地形特征约束下的镶嵌接缝线，接缝线的计算由高精度数字高程(ASTER 30M)使用ARCGIS10.0软件提供的水系流域提取初步生成，尺度参数需设置为8；
为保证大尺度地形单元在划分时不被分隔，需提前对湖泊、水库和耕地等大尺度图斑提前制作掩膜，采用ARCGIS10.0软件提供的编辑分析工具对镶嵌线进行精细修改；
利用带内的接缝线，使用ARCGIS10.0软件提供的overlay工具，对各要素数据进行裁剪和拼接，精度要求设置为0.001M，镶嵌生成各要素带内的数据集；
利用带间的接缝线，计算大区域内各带信息的有效制图范围，并对带内数据集进行投影转换，投影方式使用等积的ALBERS投影，中央经线设置为105°，两条纬线设置为25°、47°，东偏设置为400000KM，最后合并成覆盖全域的单景专题要素图。
步骤(2)具体为：
影像分割是指利用影像的光谱(波段或图层)、形状和纹理因子，将影像按照一定规则切割成特征类似斑块的技术方法，分割形成的斑块具有光谱反射均匀、结构纹理均质的特点；
阈值分割基于同质性或异质性准则将像元或像元簇代表的区域进行聚合，使用面向对象软件eCognition使用多尺度分割算法实现要素集分割，颜色权重设置为0.9，形状权重设置为0.1，紧致度权重设置为0.9，圆滑度权重设置为0.1；
设置多种尺度阈值5、10、30、600，采用对象迭代完成分割，较大尺度的分割总是基于较小尺度的分割结果完成，较小尺度上的分割进行两两合并直到满足较大分割尺度阈值为止；通过融入涵盖拓扑及空间关系的自适应地学特征，大大提高分割的效果。
步骤(3)具体为：
多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被、地貌等要素，经过大区域多源信息的镶嵌处理；
由叠加分析可组成多波段的多源信息集，由于最小分析单元是多尺度分割形成的均质图斑，其空间分辨率低于所有要素层分辨率；
采用统计分析获得该图斑各要素层的特征值；
进而采用空间滤波的方法，将不同来源、不同空间分辨率数据进行融合，可以生成多时空信息集。
步骤(4)具体为：
解译规则的制定实质是利用野外调查的样本数据，通过重复测试，将复杂的多分类问题指标规则化过程；
利用决策树分类软件See5.0，使用野外荒漠植物的类型样本作为输入参数，基于多源要素数据集进行决策树学习，考虑到混合像元和背景地类影响，类别数设置为5，最终获取常见荒漠植物类型的属性的值进行描述，该描述由决定系数最高的前5组参数组成，将能够准确预测新的图斑属于哪个类别的分类器；
利用选取的参数在对多源信息数据集进行去噪降维处理，确定对荒漠植物类别最敏感的要素集。
步骤(5)具体为：
荒漠植物识别基于解译规则制定构建的荒漠植物提取信息集，实际采用的是SAM光谱角分类方法，决定图斑和样本信息谱间的相似性，最终提取荒漠植物的类型和分布特征；
利用n维角度来匹配图斑信息谱和样本参考信息谱，分析图斑和样本信息谱间的相似性，通过以下算法计算信息谱间角度：
Figure BDA0001351237650000061
其中：nb是维度数、i是(1，nb)间的整数、ti是测试信息谱第i维的数值、ri是参考信息谱第i维的数值；
信息谱看成是维数与信息参数相等的空间里的向量，通过计算比较测试信息谱向量和参考信息谱向量在n维空间中的角度信息谱间的角度的算法，最终决定信息谱间的相似性，角度越小代表与参考光谱越匹配，当图斑向量与参考向量最大角度超过3.5°，该图斑将不会被归为荒漠植被；
对常见荒漠植被依次进行识别，最终得到荒漠植物的类型分布图。
本发明的有益效果是，本发明针对现有技术未考虑荒漠植物分布稀疏，生长光谱信息偏弱，且易受到漫反射的影响，混合像元、同物异谱现象显著的特点，研发出利用面向对象多源信息融合的荒漠植物遥感识别方法，可解决在生态修复、气候变化、生物多样性、基因开发、消除贫困等领域的遇到的无法准备识别荒漠植物类型和时空分布的难题，为相关研究机构、公益组织、企业乃至政府提供技术支持，给干旱区的荒漠植被产业的开发、建设、管理提供数据分析依据。本发明的利用面向对象多源信息融合的荒漠植物遥感识别方法，与现有技术相比，本发明具有如下特点：
1.所用大区域多源信息镶嵌方法是一种基于约束接缝线的区域分块制图处理方法。该方法采用分区影像镶嵌的原理，计算各图幅信息在地形特征约束下的镶嵌接缝线，保证大尺度地形单元在划分时不被分隔，最后合并成覆盖全域的单景专题要素图。
2.所用分割算法通过设置多种尺度阈值进行多次分割实现，较大尺度的分割总是基于较小尺度的分割结果完成，较小尺度上的分割对象迭代进行两两合并直到满足较大分割尺度阈值为止，通过融入涵盖拓扑及空间关系的自适应地学特征，大大提高分割的效果。
3.多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被、地貌等要素的融合，突破性的以分割图斑作为处理单元，需采用空间滤波的方法，将不同来源、不同空间分辨率数据进行融合，以生成多时空信息集。
4.解译规则制定过程中，利用决策树分类原理，找出隐含在训练样本中模式类的特征，利用每个数据集依据其样本的特征信息选取叶节点，进行有效的划分，将复杂的多分类问题指标规则化。
5.荒漠植物识别过程中，实际采用的是SAM光谱角分类方法，该方法利用n维角度来匹配图斑信息谱和样本参考信息谱，将信息谱看成是维数与信息参数相等的空间里的向量，通过计算信息谱间的角度的算法，决定了信息谱间的相似性。SAM比较图斑光谱向量和样本向量在n维空间中的角度，角度越小代表与参考光谱越匹配，当图斑与样本最大角度的弧度大于阈值后就不会被分类。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是利用多源遥感数据进行荒漠植物识别和信息提取的流程图。
图2是光谱角原理示意图。
图3是新疆荒漠植物分布图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
本发明利用多源遥感数据进行荒漠植物信息识别的流程图如图1所示。一种利用面向对象多源信息融合的荒漠植物遥感识别方法，
采用如下五个单元：大区域多源信息镶嵌单元、面向对象的影像分割单元、多源信息融合单元、解译规则制定单元以及荒漠植物识别单元；由上述单元组成的面向对象多源信息融合的荒漠植物遥感识别方法，可快速、高精度地识别出大范围区域上的荒漠植被分布信息和数据，为相关研究机构、公益组织、企业乃至政府提供技术支持，对干旱区的荒漠植被产业的开发、建设、管理提供数据分析依据。
所述大区域多源信息镶嵌单元基于约束接缝线的区域分块制图处理方法，目的是将不同图幅，不同空间位置、不同分辨率的多源信息镶嵌形成特定的要素层，以达到规范数据集、降低冗余、提高预处理效率的目的；
所述面向对象的影像分割单元综合多源遥感影像、海拔、降水、气温、土壤、植被和地貌等要素图，利用影像的光谱(波段或图层)、形状和纹理等各种因子，将影像按照一定规则切割成特征类似斑块，分割形成的斑块是具有光谱反射均匀、结构纹理均质的图斑；
所述多源信息融合单元是综合多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被和地貌等要素图，以面向对象的影像分割单元分割形成的斑块作为处理单元，将不同来源、不同空间分辨率数据进行融合，以生成多时空信息集；所述多源信息集空间坐标一致、几何边界吻合，包括光谱、海拔、地学分区、气象、气候和植物生长等多个领域的识别信息；
所述解译规则制定单元是利用数据挖掘方法，找出隐含在训练样本中模式类的特征，并基于训练样本自动建立决策规则；所述决策规则建立在多时空信息集基础上，采用树状结构，每个数据集依据其样本的特征信息选取叶节点，进行有效的划分，将复杂的多分类问题指标规则化；
所述荒漠植物识别单元是利用解译规则制定单元的成果，构建荒漠植物提取信息集，利用n维角度来匹配图斑信息谱和样本参考信息谱，通过计算信息谱间角度的算法，决定了图斑和样本信息谱间的相似性，最终提取荒漠植物的类型和分布特征；
包括以下步骤：
(1)采用所述大区域多源信息镶嵌单元实现大区域多源信息的镶嵌；
(2)采用所述面向对象的影像分割单元进行多尺度阈值分割；
(3)采用所述多源信息融合单元进行多源信息融合；
(4)采用所述解译规则制定单元进行解译规则制定；
(5)采用所述荒漠植物识别单元进行荒漠植物识别，最终提取荒漠植物的类型和分布特征。
步骤(1)具体为：
为保证大区域荒漠植物制图效率和制图精度，需预先对大区域多源信息源进行镶嵌融合处理，采用一种基于约束接缝线的区域分块制图处理方法；
该方法采用分区影像镶嵌的原理，首先使用通用的全球UTM投影，对大区域进行分区，形成6°分区条带，并使用ARCGIS10.0软件对分区内的数据进行投影转换，转换参数选用WGS84椭球体、UTM投影；
分别计算各图幅多源信息在地形特征约束下的镶嵌接缝线，接缝线的计算由高精度数字高程(ASTER 30M)使用ARCGIS10.0软件提供的水系流域提取初步生成，尺度参数需设置为8；
为保证大尺度地形单元在划分时不被分隔，需提前对湖泊、水库和耕地等大尺度图斑提前制作掩膜，采用ARCGIS10.0软件提供的编辑分析工具对镶嵌线进行精细修改；
利用带内的接缝线，使用ARCGIS10.0软件提供的overlay工具，对各要素数据进行裁剪和拼接，精度要求设置为0.001M，镶嵌生成各要素带内的数据集；
利用带间的接缝线，计算大区域内各带信息的有效制图范围，并对带内数据集进行投影转换，投影方式使用等积的ALBERS投影，中央经线设置为105°，两条纬线设置为25°、47°，东偏设置为400000KM，最后合并成覆盖全域的单景专题要素图。
步骤(2)具体为：
影像分割是指利用影像的光谱(波段或图层)、形状和纹理等各种因子，将影像按照一定规则切割成特征类似斑块的技术方法，分割形成的斑块具有光谱反射均匀、结构纹理均质的特点；
阈值分割基于同质性或异质性准则将像元或像元簇代表的区域进行聚合，使用面向对象软件eCognition使用多尺度分割算法实现要素集分割，颜色权重设置为0.9，形状权重设置为0.1，紧致度权重设置为0.9，圆滑度权重设置为0.1；
设置多种尺度阈值5、10、30、600，采用对象迭代完成分割，较大尺度的分割总是基于较小尺度的分割结果完成，较小尺度上的分割进行两两合并直到满足较大分割尺度阈值为止；通过融入涵盖拓扑及空间关系的自适应地学特征，大大提高分割的效果。
步骤(3)具体为：
多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被、地貌等要素，经过大区域多源信息的镶嵌处理；
由叠加分析可组成多波段的多源信息集，由于最小分析单元是多尺度分割形成的均质图斑，其空间分辨率低于所有要素层分辨率；
采用统计分析获得该图斑各要素层的特征值；
进而采用空间滤波的方法，将不同来源、不同空间分辨率数据进行融合，可以生成多时空信息集。
步骤(4)具体为：
解译规则的制定实质是利用野外调查的样本数据，通过重复测试，将复杂的多分类问题指标规则化过程；
利用决策树分类软件See5.0，使用野外荒漠植物的类型样本作为输入参数，基于多源要素数据集进行决策树学习，考虑到混合像元和背景地类影响，类别数设置为5(可根据实际需要变化)，最终获取常见荒漠植物类型的属性的值进行描述，该描述由决定系数最高的前5组参数组成，将能够准确预测新的图斑属于哪个类别的分类器；
利用选取的参数在对多源信息数据集进行去噪降维处理，确定对荒漠植物类别最敏感的要素集。
步骤(5)具体为：
荒漠植物识别基于解译规则制定构建的荒漠植物提取信息集，实际采用的是SAM光谱角分类方法，决定图斑和样本信息谱间的相似性，见图2，最终提取荒漠植物的类型和分布特征；
利用n维角度来匹配图斑信息谱和样本参考信息谱，分析图斑和样本信息谱间的相似性，通过以下算法计算信息谱间角度：
Figure BDA0001351237650000111
其中：nb是维度数、i是(1，nb)间的整数、ti是测试信息谱第i维的数值、ri是参考信息谱第i维的数值；
信息谱看成是维数与信息参数相等的空间里的向量，通过计算比较测试信息谱向量和参考信息谱向量在n维空间中的角度信息谱间的角度的算法，最终决定信息谱间的相似性，角度越小代表与参考光谱越匹配，当图斑向量与参考向量最大角度超过3.5°，该图斑将不会被归为荒漠植被；
对常见荒漠植被依次进行识别，最终得到荒漠植物的类型分布图，见图3，该图显示了新疆稀疏林和稀疏灌木林的分布特征。
本发明针对现有技术未考虑荒漠植物分布稀疏，生长光谱信息偏弱，且易受到漫反射的影响，混合像元、同物异谱现象显著的特点，研发出利用面向对象多源信息融合的荒漠植物遥感识别方法，可解决在生态修复、气候变化、生物多样性、基因开发、消除贫困等领域的遇到的无法准备识别荒漠植物类型和时空分布的难题，为相关研究机构、公益组织、企业乃至政府提供技术支持，对干旱区的荒漠植被产业的开发、建设、管理提供数据分析依据。本发明的利用面向对象多源信息融合的荒漠植物遥感识别方法，与现有技术相比，本发明具有如下特点：
1.所用大区域多源信息镶嵌方法是一种基于约束接缝线的区域分块制图处理方法。该方法采用分区影像镶嵌的原理，计算各图幅信息在地形特征约束下的镶嵌接缝线，保证大尺度地形单元在划分时不被分隔，最后合并成覆盖全域的单景专题要素图。
2.所用分割算法通过设置多种尺度阈值进行多次分割实现，较大尺度的分割总是基于较小尺度的分割结果完成，较小尺度上的分割对象迭代进行两两合并直到满足较大分割尺度阈值为止，通过融入涵盖拓扑及空间关系的自适应地学特征，大大提高分割的效果。
3.多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被、地貌等要素的融合，突破性的以分割图斑作为处理单元，需采用空间滤波的方法，将不同来源、不同空间分辨率数据进行融合，以生成多时空信息集。
4.解译规则制定过程中，利用决策树分类原理，找出隐含在训练样本中模式类的特征，利用每个数据集依据其样本的特征信息选取叶节点，进行有效的划分，将复杂的多分类问题指标规则化。
5.荒漠植物识别过程中，实际采用的是SAM光谱角分类方法，该方法利用n维角度来匹配图斑信息谱和样本参考信息谱，将信息谱谱看成是维数与信息参数相等的空间里的向量，通过计算信息谱间的角度的算法，决定了信息谱间的相似性。SAM比较图斑光谱向量和样本向量在n维空间中的角度，角度越小代表与参考光谱越匹配，当图斑与样本最大角度的弧度大于阈值后就不会被分类。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种利用面向对象多源信息融合的荒漠植物遥感识别方法，其特征在于，
采用如下五个单元：大区域多源信息镶嵌单元、面向对象的影像分割单元、多源信息融合单元、解译规则制定单元以及荒漠植物识别单元；
所述大区域多源信息镶嵌单元基于约束接缝线的区域分块制图处理方法，将不同图幅，不同空间位置、不同分辨率的多源信息镶嵌形成要素层；
所述面向对象的影像分割单元综合多源遥感影像、海拔、降水、气温、土壤、植被和地貌要素图，利用影像的光谱、形状和纹理因子，将影像切割成斑块，分割形成的斑块是具有光谱反射均匀、结构纹理均质的图斑；
所述多源信息融合单元是综合多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被和地貌要素图，以面向对象的影像分割单元分割形成的斑块作为处理单元，将不同来源、不同空间分辨率数据进行融合，以生成多时空信息集；所述多时空信息集空间坐标一致、几何边界吻合，包括光谱、海拔、地学分区、气象、气候和植物生长多个领域的识别信息；
所述解译规则制定单元是利用数据挖掘方法，找出隐含在训练样本中模式类的特征，并基于训练样本自动建立决策规则；所述决策规则建立在多时空信息集基础上，采用树状结构，每个多时空信息集依据其样本的特征信息选取叶节点，进行有效的划分；
所述荒漠植物识别单元是利用解译规则制定单元的成果，构建荒漠植物提取信息集，利用n维角度来匹配图斑信息谱和样本参考信息谱，通过计算信息谱间角度的算法，确定图斑和样本参考信息谱间的相似性，最终提取荒漠植物的类型和分布特征；
所述识别方法包括以下步骤：
(1)采用所述大区域多源信息镶嵌单元实现区域的多源信息的镶嵌；
(2)采用所述面向对象的影像分割单元进行多尺度阈值分割；
(3)采用所述多源信息融合单元进行多源信息融合；
(4)采用所述解译规则制定单元进行解译规则制定；
(5)采用所述荒漠植物识别单元进行荒漠植物识别，最终提取荒漠植物的类型和分布特征。
2.如权利要求1所述的利用面向对象多源信息融合的荒漠植物遥感识别方法，其特征在于，步骤(1)具体为：
为保证荒漠植物制图效率和制图精度，预先对区域的多源信息源进行镶嵌融合处理，采用一种基于约束接缝线的区域分块制图处理方法；
该方法采用分区影像镶嵌的原理，首先使用通用的全球UTM投影，对区域进行分区，形成6°分区条带，并使用ARCGIS10.0软件对分区内的数据进行投影转换，转换参数选用WGS84椭球体、UTM投影；
分别计算各图幅多源信息在地形特征约束下的接缝线，接缝线的计算使用ARCGIS10.0软件提供的水系流域提取初步生成，尺度参数设置为8；
为保证大尺度地形单元在划分时不被分隔，提前对湖泊、水库和耕地大尺度图斑制作掩膜，采用ARCGIS10.0软件提供的编辑分析工具对接缝线进行精细修改；
利用带内的接缝线，使用ARCGIS10.0软件提供的overlay工具，对各要素数据进行裁剪和拼接，精度要求设置为0.001M，镶嵌生成各要素带内的数据集；
利用带间的接缝线，计算区域内各带信息的有效制图范围，并对带内数据集进行投影转换，投影方式使用等积的ALBERS投影，中央经线设置为105°，两条纬线设置为25°、47°，东偏设置为400000KM，最后合并成覆盖全域的单景专题要素图。
3.如权利要求2所述的利用面向对象多源信息融合的荒漠植物遥感识别方法，其特征在于，步骤(2)具体为：
影像分割是指利用影像的光谱、形状和纹理因子，将影像切割成斑块，分割形成的斑块具有光谱反射均匀、结构纹理均质的特点；
阈值分割基于同质性或异质性准则将像元或像元簇代表的区域进行聚合，使用面向对象软件eCognition实现要素集分割，颜色权重设置为0.9，形状权重设置为0.1，紧致度权重设置为0.9，圆滑度权重设置为0.1；
设置多种尺度阈值5、10、30、600，采用对象迭代完成分割，
融入涵盖拓扑及空间关系的自适应地学特征。
4.如权利要求3所述的利用面向对象多源信息融合的荒漠植物遥感识别方法，其特征在于，步骤(3)具体为：
对多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被、地貌要素进行区域的多源信息的镶嵌处理；
对所述经过镶嵌处理的所述多尺度多时相光谱、形状、纹理、海拔、降水、气温、土壤、植被、地貌要素进行叠加分析组成多波段的多源信息集，由于最小分析单元是多尺度分割形成的均质图斑，其空间分辨率低于所有要素层分辨率；
采用统计分析获得该图斑各要素层的特征值；
进而采用空间滤波的方法，将不同来源、不同空间分辨率数据进行融合，生成多时空信息集。
5.如权利要求4所述的利用面向对象多源信息融合的荒漠植物遥感识别方法，其特征在于，步骤(4)具体为：
解译规则的制定实质是利用野外调查的样本数据，通过重复测试，将复杂的多分类问题指标规则化过程；
利用决策树分类软件See5.0，使用野外荒漠植物的类型样本作为输入参数，基于多时空信息集进行决策树学习，考虑到混合像元和背景地类影响，类别数设置为5，最终获取荒漠植物类型的属性的值进行描述，该描述由决定系数最高的前5组参数组成，将能够准确预测新的图斑属于哪个类别的分类器；
利用选取的参数再对多时空信息集进行去噪降维处理，确定对荒漠植物类别最敏感的要素集。
6.如权利要求5所述的利用面向对象多源信息融合的荒漠植物遥感识别方法，其特征在于，步骤(5)具体为：
荒漠植物识别基于解译规则制定构建的对荒漠植物类别最敏感的要素集，采用SAM光谱角分类方法决定图斑信息谱和样本参考信息谱间的相似性，最终提取荒漠植物的类型和分布特征；
利用n维角度来匹配图斑信息谱和样本参考信息谱，分析图斑信息谱和样本参考信息谱间的相似性，通过以下算法计算信息谱间角度：
Figure FDA0002233102660000041
其中：nb是维度数、i是(1，nb)间的整数、ti是图斑信息谱第i维的数值、ri是参考信息谱第i维的数值；
信息谱看成是维数与信息参数相等的空间里的向量，通过计算比较图斑信息谱向量和样本参考信息谱向量在n维空间中的角度，最终决定信息谱间的相似性，角度越小代表图斑信息谱与样本参考信息谱越匹配，当图斑信息谱向量与样本参考信息谱向量最大角度超过3.5°，该图斑将不会被归为荒漠植被；
对荒漠植被依次进行识别，最终得到荒漠植物的类型分布图。
CN201710577100.4A 2017-07-14 2017-07-14 利用面向对象多源信息融合的荒漠植物遥感识别方法 Active CN107392133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710577100.4A CN107392133B (zh) 2017-07-14 2017-07-14 利用面向对象多源信息融合的荒漠植物遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710577100.4A CN107392133B (zh) 2017-07-14 2017-07-14 利用面向对象多源信息融合的荒漠植物遥感识别方法

Publications (2)

Publication Number Publication Date
CN107392133A CN107392133A (zh) 2017-11-24
CN107392133B true CN107392133B (zh) 2020-01-10

Family

ID=60339872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710577100.4A Active CN107392133B (zh) 2017-07-14 2017-07-14 利用面向对象多源信息融合的荒漠植物遥感识别方法

Country Status (1)

Country Link
CN (1) CN107392133B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154138B (zh) * 2018-01-19 2018-11-06 长春工程学院 一种在高分辨率遥感影像中自动识别东北红豆杉的方法
CN109359533B (zh) * 2018-09-12 2021-06-18 浙江海洋大学 一种基于多波段遥感影像的海岸线提取方法
CN110363176B (zh) * 2019-07-23 2021-12-21 中国科学院西北生态环境资源研究院 一种图像分析方法及装置
CN111340779B (zh) * 2020-02-25 2020-12-22 中国科学院地理科学与资源研究所 一种类圆形植被斑块综合检测方法
CN112184747A (zh) * 2020-10-14 2021-01-05 北京大学 沙漠景观斑块分割方法及系统、电子设备及可读存储介质
CN112686159A (zh) * 2020-12-30 2021-04-20 北京墨迹风云科技股份有限公司 过敏植物分布统计方法以及装置
CN113076796B (zh) * 2021-02-08 2022-09-23 中国科学院地理科学与资源研究所 喀斯特石漠化的遥感制图方法及装置
CN115223000B (zh) * 2022-09-20 2024-02-13 江苏省基础地理信息中心 面向耕地资源监测的深度学习样本制作方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609726A (zh) * 2012-02-24 2012-07-25 中国科学院东北地理与农业生态研究所 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法
CN104751166A (zh) * 2013-12-30 2015-07-01 中国科学院深圳先进技术研究院 基于光谱角和欧氏距离的遥感影像分类方法
CN105956557A (zh) * 2016-05-04 2016-09-21 长江水利委员会长江科学院 一种面向对象的时序遥感影像云覆盖区域自动检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609726A (zh) * 2012-02-24 2012-07-25 中国科学院东北地理与农业生态研究所 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法
CN104751166A (zh) * 2013-12-30 2015-07-01 中国科学院深圳先进技术研究院 基于光谱角和欧氏距离的遥感影像分类方法
CN105956557A (zh) * 2016-05-04 2016-09-21 长江水利委员会长江科学院 一种面向对象的时序遥感影像云覆盖区域自动检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery;Qian Yu et al;《Photogrammetric Engineering & Remote Sensing》;20060731;第72卷(第7期);第799-811页 *
基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类;王宇航 等;《东北林业大学学报》;20160930;第44卷(第9期);第44-49页 *
极端干旱区荒漠稀疏河岸林遥感分类研究;古丽·加帕尔 等;《中国沙漠》;20091130;第29卷(第6期);第1153-1161页 *
面向大区域遥感专题制图的自动化策略;李均力 等;《地球信息科学》;20160531;第18卷(第5期);第673-680页 *

Also Published As

Publication number Publication date
CN107392133A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
CN107392133B (zh) 利用面向对象多源信息融合的荒漠植物遥感识别方法
Mitri et al. Mapping post-fire forest regeneration and vegetation recovery using a combination of very high spatial resolution and hyperspectral satellite imagery
Mondini et al. Combining multiple change detection indices for mapping landslides triggered by typhoons
US8682079B1 (en) Automatic extraction of built-up footprints from high resolution overhead imagery through manipulation of alpha-tree data structures
Fu et al. Comparison of optimized object-based RF-DT algorithm and SegNet algorithm for classifying Karst wetland vegetation communities using ultra-high spatial resolution UAV data
Xu et al. Mapping impervious surface fractions using automated Fisher transformed unmixing
Reyes et al. Comparison of different object-based classifications in LandsatTM images for the analysis of heterogeneous landscapes
CN115187866A (zh) 基于高分辨率影像的生态图斑提取方法
Sari et al. Quality analysis of single tree object with obia and vegetation index from lapan surveillance aircraft multispectral data in urban area
Richards et al. Image classification methodologies
Shafiezadeh et al. Evaluating and modeling the spatiotemporal pattern of regional-scale salinized land expansion in highly sensitive shoreline landscape of southeastern Iran
Liping et al. Image classification based on the linear unmixing and GEOBIA
Al-Awadhi et al. The use of remote sensing & geographical information systems to identify vegetation: The case of dhofar governorate (Oman)
Awuah Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping
Lasko et al. Automated method for artificial impervious surface area mapping in temperate, tropical, and arid environments using hyperlocal training data with Sentinel-2 imagery
Ouchra et al. Comparison of Machine Learning Methods for Satellite Image Classification: A Case Study of Casablanca Using Landsat Imagery and Google Earth Engine
Liu A SAM-based method for large-scale crop field boundary delineation
Lehrbass et al. Techniques for object-based classification of urban tree cover from high-resolution multispectral imagery
Zhang et al. A Mapping Approach for Eucalyptus Plantations Canopy and Single-Tree Using High-Resolution Satellite Images in Liuzhou, China
Liu et al. Monitoring land use and land cover change: a combining approach of change detection to analyze urbanization in Shijiazhuang, China
Karamshahi Vegetation mapping through using satellite images of‎ WorldView 2-A case study of Haft Barm, Shiraz‎
Yang et al. A Model of extracting building from high resolution remote sensing image based on Bayesian Convolutional Neural Networks
Quevedo et al. Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data
Zhan et al. Automatic Forest Extraction Method Based on Self-Organizing Map Algorithm Using Gf-2 Images
Akbari et al. Remote sensing and land use extraction for kernel functions analysis by support vector machines with ASTER multispectral imagery

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
GR01 Patent grant
GR01 Patent grant