CN107657631B - 一种基于植被分布的微波光谱混合图像的生成方法 - Google Patents

一种基于植被分布的微波光谱混合图像的生成方法 Download PDF

Info

Publication number
CN107657631B
CN107657631B CN201611207013.1A CN201611207013A CN107657631B CN 107657631 B CN107657631 B CN 107657631B CN 201611207013 A CN201611207013 A CN 201611207013A CN 107657631 B CN107657631 B CN 107657631B
Authority
CN
China
Prior art keywords
remote sensing
sensing data
microwave
pixel
vegetation
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
CN201611207013.1A
Other languages
English (en)
Other versions
CN107657631A (zh
Inventor
田媛
杜敬
李会丹
刘成基
李海侠
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.)
Zhongke Star Map Co., Ltd.
Original Assignee
Space Star Technology (beijing) Co Ltd
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 Space Star Technology (beijing) Co Ltd filed Critical Space Star Technology (beijing) Co Ltd
Priority to CN201611207013.1A priority Critical patent/CN107657631B/zh
Publication of CN107657631A publication Critical patent/CN107657631A/zh
Application granted granted Critical
Publication of CN107657631B publication Critical patent/CN107657631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Image Processing (AREA)

Abstract

一种基于植被分布的微波光谱混合图像的生成方法，其特征在于，其包括以下步骤：获取遥感数据，并对遥感数据进行预处理；其中，遥感数据包括微波遥感数据和光谱遥感数据；基于所述光谱遥感数据提取植被分布区域；对微波遥感数据和光谱遥感数据进行配准，并基于光谱遥感数据中的植被分布区域提取微波遥感数据中相同范围的匹配区域；生成基于植被分布的微波光谱混合图像。本发明综合了微波遥感和光谱遥感的优点，克服了单独利用一种遥感技术对土地植物分布不能全面表征其特征的缺陷，根据植被特有的亮温和分布位置，提高微波光谱混合像元的空间分辨率，可以同时获得高空间分辨率的地物亮温和植被分布信息。

Description

一种基于植被分布的微波光谱混合图像的生成方法
技术领域：
本发明涉及地理信息系统和遥感技术领域，具体是一种基于植被分布的微波光谱混合图像的生成方法。
背景技术：
遥感技术作为地球信息科学的前沿技术，可以在短期内连续获取大范围的地面信息，实现植被信息的快速收集和定量分析，反应迅速，客观性强，是目前最为有效的对地观测技术和信息获取手段。
遥感技术中的微波遥感的波长一般从1cm-1m，由于波长较长，其能量可以穿透云、雾、沙尘以及除了暴雨以外的其他大气层状态。这些优点使得星载被动微波遥感可以在几乎所有天气条件下监测地表的微波发射特征，并通过不同类型地表对微波信号的散射和吸收特征分析，来确定地表类型和相关定量化参数反演，例如地表温度，土壤水分，植被等。被动微波遥感的另一个特点是较高的时间分辨率，有利于进行大尺度、变化趋势等分析研究，实现对全球地表信息的有效观测。尽管被动微波数据的空间分辨率为几十公里，但是它可以全天候地提供信息，而且有能力穿透云层，因此在大尺度、全球性环境监测中有着其他遥感数据所不能替代的作用。
近年来新的高空间分辨率、高光谱、雷达等遥感技术的发展，为植被现代化监测提供了新的机遇。我国幅员辽阔，农作物种类丰富，如何及时、客观、准确地收集植被信息，对科学指导土地利用具有重要意义。
目前国内外进行土地植被分布分类的研究目前主要集中于中低分辨率的遥感影像分类中，往往无法看出明确的地理学和生物学意义，且提取的植物分布区域精度较低。
发明内容：
针对现有的缺陷或不足，本发明提供了一种基于植被分布的微波光谱混合图像的生成方法，其特征在于，其包括以下步骤：
步骤1，获取遥感数据，并对遥感数据进行预处理；其中，遥感数据包括微波遥感数据和光谱遥感数据；
步骤2，基于所述光谱遥感数据提取植被分布区域；
步骤3，对微波遥感数据和光谱遥感数据进行配准，并基于光谱遥感数据中的植被分布区域提取微波遥感数据中相同范围的匹配区域；
步骤4，生成基于植被分布的微波光谱混合图像。
优选地，其中，所述步骤1，获取遥感数据，并对遥感数据进行预处理，具体包括：
步骤1-1，获取微波遥感数据，对微波遥感数据进行预处理，所述预处理包括标定、大气校正、地理校正和标准化预处理；
步骤1-2，获取光谱遥感数据，对光谱遥感数据进行预处理，所述预处理包括图像拼接、等经纬度投影。
优选地，其中，所述步骤2，基于所述光谱遥感数据提取植被分布区域，具体包括：
步骤2-1，将具有相似性质的像元进行合并构成一个完整区域，进行光谱遥感数据分割，得到分割图像；
步骤2-2，进行植被分布信息的计算机自动提取，获得光谱遥感数据中的植物分布区域。
优选地，其中，所述步骤3，对微波遥感数据和光谱遥感数据进行配准，并基于光谱遥感数据中的植被分布区域提取微波遥感数据中相同范围的匹配区域，具体包括：
步骤3-1，像元位置粗匹配：
(1)已知原始微波像元的经纬度信息，可以确定该像元覆盖的地理范围；
(2)根据覆盖区域的地理位置信息，搜索落在其范围内的光谱像元；粗匹配后得到的光谱像元称为候选匹配像元；
步骤3-2，像元位置精匹配
将候选像元匹配面积作为判定条件：如果候选匹配像元与微波像元区域配准超过50％，则认为该候选匹配像元为正确匹配像元；若匹配区域小于50％，则认为该候选匹配像元为错误匹配像元；如果匹配面积等于50％，需要计算两者不同匹配情况下的相关系数，将相关系数较大的候选匹配像元作为正确的匹配像元，匹配后，每个微波像元对应多个正确匹配的光谱像元；
步骤3-3，微波遥感数据和光谱遥感数据匹配完成后，根据光谱遥感数据中的植物分布区域的范围，在微波遥感数据中提取出相同范围的匹配区域。
优选地，其中，所述步骤4，生成基于植被分布的微波光谱混合图像，具体包括：对微波遥感数据和光谱遥感数据中的匹配区域进行融合，生成基于植被分布的微波光谱混合融合图像。
本发明综合了微波遥感和光谱遥感的优点，利用面向对象技术的分割得到均质的多边形对象。本发明克服了单独利用一种遥感技术对土地植物分布不能全面表征其特征的缺陷，根据植被特有的亮温和分布位置，提高微波光谱混合像元的空间分辨率，可以同时获得高空间分辨率的地物亮温和植被分布信息。
附图说明
图1本发明所提出的方法流程图。
具体实施方式
为了更好地理解本发明，下面结合附图参考实施例的描述，对本发明的方法进行进一步的说明。
为了全面理解本发明，在以下详细描述中提到了众多具体细节。但是本领域技术人员应该理解，本发明可以无需这些具体细节而实现。在实施例中，不详细描述公知的方法、过程、组件，以免不必要地使实施例繁琐。
参见图1所示，本发明的一种基于植被分布的微波光谱混合图像的生成方法，其特征在于，其包括以下步骤：
步骤1，获取遥感数据，并对遥感数据进行预处理；其中，遥感数据包括微波遥感数据和光谱遥感数据；
步骤2，基于所述光谱遥感数据提取植被分布区域；
步骤3，对微波遥感数据和光谱遥感数据进行配准，并基于光谱遥感数据中的植被分布区域提取微波遥感数据中相同范围的匹配区域；
步骤4，生成基于植被分布的微波光谱混合图像。
优选地，其中，所述步骤1，获取遥感数据，并对遥感数据进行预处理，具体包括：
步骤1-1，获取微波遥感数据，对微波遥感数据进行预处理，所述预处理包括标定、大气校正、地理校正和标准化预处理；
步骤1-2，获取光谱遥感数据，对光谱遥感数据进行预处理，所述预处理包括图像拼接、等经纬度投影。
优选地，其中，所述步骤2，基于所述光谱遥感数据提取植被分布区域，具体包括：
步骤2-1，将具有相似性质的像元进行合并构成一个完整区域，进行光谱遥感数据分割，得到分割图像；
步骤2-2，进行植被分布信息的计算机自动提取，获得光谱遥感数据中的植物分布区域。
优选地，其中，所述步骤3，对微波遥感数据和光谱遥感数据进行配准，并基于光谱遥感数据中的植被分布区域提取微波遥感数据中相同范围的匹配区域，具体包括：
步骤3-1，像元位置粗匹配：
(1)已知原始微波像元的经纬度信息，可以确定该像元覆盖的地理范围；
(2)根据覆盖区域的地理位置信息，搜索落在其范围内的光谱像元；粗匹配后得到的光谱像元称为候选匹配像元；
步骤3-2，像元位置精匹配
将候选像元匹配面积作为判定条件：如果候选匹配像元与微波像元区域配准超过50％，则认为该候选匹配像元为正确匹配像元；若匹配区域小于50％，则认为该候选匹配像元为错误匹配像元；如果匹配面积等于50％，需要计算两者不同匹配情况下的相关系数，将相关系数较大的候选匹配像元作为正确的匹配像元，匹配后，每个微波像元对应多个正确匹配的光谱像元；
步骤3-3，微波遥感数据和光谱遥感数据匹配完成后，根据光谱遥感数据中的植物分布区域的范围，在微波遥感数据中提取出相同范围的匹配区域。
优选地，其中，所述步骤4，生成基于植被分布的微波光谱混合图像，具体包括：对微波遥感数据和光谱遥感数据中的匹配区域进行融合，生成基于植被分布的微波光谱混合融合图像。
优选地，其中，所述步骤2-2，进行植被分布信息的计算机自动提取，具体为：
步骤2-2-1，提取各分割区域的光谱特征信息；
步骤2-2-2，选择植被分布指数，计算各分割区域的指数值；
步骤2-2-3，提取各分割区域的指数值中大于阈值的区域，完成地表植被分布信息的计算机自动提取。
优选地，其中，所述步骤2-2-2，选择的植被分布指数为：
其中，NIR为近红外波段的光谱特征值，RED为可见光红光波段的光谱特征值，a为修正因子，取值范围0-1，其中1代表较低的植被分布，0代表较高的植被分布。
优选地，其中，所述步骤2-2-1，所述光谱特征包括亮度、饱和度或色调。
可见，本发明综合了微波遥感和光谱遥感的优点，利用面向对象技术的分割得到均质的多边形对象。本发明克服了单独利用一种遥感技术对土地植物分布不能全面表征其特征的缺陷，根据植被特有的亮温和分布位置，提高微波光谱混合像元的空间分辨率，可以同时获得高空间分辨率的地物亮温和植被分布信息。
这里只说明了本发明的优选实施例，但其意并非限制本发明的范围、适用性和配置。相反，对实施例的详细说明可使本领域技术人员得以实施。应能理解，在不偏离所附权利要求书确定的本发明精神和范围情况下，可对一些细节做适当变更和修改。

Claims (1)

1.一种基于植被分布的微波光谱混合图像的生成方法，其特征在于，其包括以下步骤：
步骤1，获取遥感数据，并对遥感数据进行预处理；其中，遥感数据包括微波遥感数据和光谱遥感数据；
步骤2，基于所述光谱遥感数据提取植被分布区域；
步骤3，对微波遥感数据和光谱遥感数据进行配准，并基于光谱遥感数据中的植被分布区域提取微波遥感数据中相同范围的匹配区域；
步骤4，生成基于植被分布的微波光谱混合图像；
所述步骤1具体包括：
步骤1-1，获取微波遥感数据，对微波遥感数据进行预处理，所述预处理包括标定、大气校正、地理校正和标准化预处理；
步骤1-2，获取光谱遥感数据，对光谱遥感数据进行预处理，所述预处理包括图像拼接、等经纬度投影；
所述步骤2具体包括：
步骤2-1，将具有相似性质的像元进行合并构成一个完整区域，进行光谱遥感数据分割，得到分割图像；
步骤2-2，进行植被分布信息的计算机自动提取，获得光谱遥感数据中的植物分布区域，具体为：
步骤2-2-1，提取各分割区域的光谱特征信息；
步骤2-2-2，选择植被分布指数，计算各分割区域的指数值；
步骤2-2-3，提取各分割区域的指数值中大于阈值的区域，完成地表植被分布信息的计算机自动提取；
所述步骤2-2-2，选择的植被分布指数为：
其中，NIR为近红外波段的光谱特征值，RED为可见光红光波段的光谱特征值，a为修正因子，取值范围0-1，其中1代表较低的植被分布，0代表较高的植被分布；
所述步骤3具体包括：
步骤3-1，像元位置粗匹配：
(1)已知原始微波像元的经纬度信息，可以确定该像元覆盖的地理范围；
(2)根据覆盖区域的地理位置信息，搜索落在其范围内的光谱像元；粗匹配后得到的光谱像元称为候选匹配像元；
步骤3-2，像元位置精匹配
将候选像元匹配面积作为判定条件：如果候选匹配像元与微波像元区域配准超过50％，则认为该候选匹配像元为正确匹配像元；若匹配区域小于50％，则认为该候选匹配像元为错误匹配像元；如果匹配面积等于50％，需要计算两者不同匹配情况下的相关系数，将相关系数较大的候选匹配像元作为正确的匹配像元，匹配后，每个微波像元对应多个正确匹配的光谱像元；
步骤3-3，微波遥感数据和光谱遥感数据匹配完成后，根据光谱遥感数据中的植物分布区域的范围，在微波遥感数据中提取出相同范围的匹配区域；
所述步骤4具体包括：对微波遥感数据和光谱遥感数据中的匹配区域进行融合，生成基于植被分布的微波光谱混合融合图像。
CN201611207013.1A 2016-12-23 2016-12-23 一种基于植被分布的微波光谱混合图像的生成方法 Active CN107657631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611207013.1A CN107657631B (zh) 2016-12-23 2016-12-23 一种基于植被分布的微波光谱混合图像的生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611207013.1A CN107657631B (zh) 2016-12-23 2016-12-23 一种基于植被分布的微波光谱混合图像的生成方法

Publications (2)

Publication Number Publication Date
CN107657631A CN107657631A (zh) 2018-02-02
CN107657631B true CN107657631B (zh) 2018-09-25

Family

ID=61127542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611207013.1A Active CN107657631B (zh) 2016-12-23 2016-12-23 一种基于植被分布的微波光谱混合图像的生成方法

Country Status (1)

Country Link
CN (1) CN107657631B (zh)

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
CN104851113A (zh) * 2015-04-17 2015-08-19 华中农业大学 多分辨率遥感影像的城市植被自动提取方法

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
CN104851113A (zh) * 2015-04-17 2015-08-19 华中农业大学 多分辨率遥感影像的城市植被自动提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多光谱影像辅助的微波遥感水体提取方法研究;熊金国 等;《中国水利水电科学研究院学报》;20120331;第10卷(第1期);23-28,35 *
多源遥感数据在植被识别和提取中的应用;高晓岚 等;《资源科学》;20080131;第30卷(第1期);153-158 *

Also Published As

Publication number Publication date
CN107657631A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
Aboutalebi et al. Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration
Zhou et al. Individual tree parameters estimation for plantation forests based on UAV oblique photography
CN104881865A (zh) 基于无人机图像分析的森林病虫害监测预警方法及其系统
Hall Remote sensing in social science research
Kumar et al. Built-up and vegetation extraction and density mapping using WorldView-II
CN106778640B (zh) 一种三维可视化环境下地表植被覆盖模型的生成方法
CN101403795A (zh) 估算城区树覆盖率的遥感测量方法及其遥感测量系统
Li et al. Individual tree delineation in windbreaks using airborne-laser-scanning data and unmanned aerial vehicle stereo images
Weng et al. Mapping and assessing of urban impervious areas using multiple endmember spectral mixture analysis: a case study in the city of Tampa, Florida
Gonzalez Musso et al. Applying unmanned aerial vehicles (UAVs) to map shrubland structural attributes in northern Patagonia, Argentina
Katoh et al. Application of high-resolution airborne data using individual tree crowns in Japanese conifer plantations
Bektas Balcik et al. Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul
KR20220066783A (ko) 산림 바이오매스의 산정방법
Zhou et al. A framework for precisely thinning planning in a managed pure Chinese fir forest based on UAV remote sensing
CN107657631B (zh) 一种基于植被分布的微波光谱混合图像的生成方法
Whiteside et al. Extraction of tree crowns from high resolution imagery over Eucalypt dominant tropical savannas
Ilangakoon et al. Estimating leaf area index by bayesian linear regression using terrestrial Lidar, LAI-2200 plant canopy analyzer, and landsat tm spectral indices
Klein et al. N-dimensional geospatial data and analytics for critical infrastructure risk assessment
Brigante et al. USE OF MULTISPECTRAL SENSORS WITH HIGH SPATIAL RESOLUTION FOR TERRITORIAL AND ENVIRONMENTAL ANALYSIS.
Ferraz et al. Large scale road network extraction in forested moutainous areas using airborne laser scanning data
Alexandridis et al. LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations
DelGreco Four years of unmanned aerial system imagery reveals vegetation change in a sub-arctic mire due to permafrost thaw
Nasiri et al. UAV-Based Canopy Height Modeling under Leaf-on and Leaf-off Conditions for Determining Tree Height and Crown Diameter (Case Study: Hyrcanian Mixed Forest)
Kusnandar et al. Camera-Based vegetation index from unmanned aerial vehicles
Zhang et al. A Multi-feature Combined Cloud-snow Differentiation Algorithm for Gaofen-1 WFV Data Using Temperature, Temporal, and Spectral Characteristics

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Tian Yuan

Inventor after: Du Jing

Inventor after: Li Huidan

Inventor after: Liu Chengji

Inventor after: Li Haixia

Inventor before: Li Huidan

Inventor before: Liu Chengji

Inventor before: Li Haixia

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4)

Patentee after: Zhongke Star Map Co., Ltd.

Address before: 101399 Building 1A-4, National Geographic Information Technology Industrial Park, Guomen Business District, Shunyi District, Beijing

Patentee before: Space Star Technology (Beijing) Co., Ltd.