CN108009505A - 一种基于遥感信息的湿地信息更新提取方法 - Google Patents
一种基于遥感信息的湿地信息更新提取方法 Download PDFInfo
- Publication number
- CN108009505A CN108009505A CN201711276873.5A CN201711276873A CN108009505A CN 108009505 A CN108009505 A CN 108009505A CN 201711276873 A CN201711276873 A CN 201711276873A CN 108009505 A CN108009505 A CN 108009505A
- Authority
- CN
- China
- Prior art keywords
- wetland
- remote sensing
- image
- msub
- area
- 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
一种基于遥感信息的湿地信息更新提取方法,通过对待研究区域湿地覆被类型进行预设区分、对遥感技术得到的区域图像进行预处理、最后对区域图像进行监督分类识别并转化为矢量数据并反复迭代更新的方法,对湿地信息进行实时的更新于提取,克服了现有技术中,湿地信息提取精度低,更新时间短的问题,可靠性高,稳定性好。
Description
技术领域
本发明涉及一种基于遥感信息的湿地信息更新提取方法,属于湿地保护领域。
背景技术
根据拉姆沙尔《国际湿地公约》定义,湿地系指不问其为天然或人工、常久或暂时之沼泽地、湿原、泥炭地或水域地带,带有或静止或流动、或为淡水、半咸水或咸水水体者,包括低潮时水深不超过6米的水域。本发明旨在利用遥感技术覆盖范围广、信息量大、重复监测时间短、信息更新时间快等优点,以我国淮河中游流域地区为示范区,进行湿地地表覆被信息的自动提取与更新制图。
参考湿地公约及全国湿地调查分类体系,考虑现有自动化分类中对于特征判别的可操作性一般,及淮南地区地物特征复杂,现有技术对湿地类型的分类和信息提取办法的精度有限,提出一种新的信息更新提取方法迫在眉睫。
发明内容
本发明解决的技术问题是:针对现有技术中提取湿地信息精度低、湿地类型分类不明确、更新速度慢的问题,提出了一种基于遥感信息的湿地信息更新提取方法,能更好的适应湿地提取的状况与条件。
本发明解决上述技术问题是通过如下技术方案予以实现的:
一种基于遥感信息的湿地信息更新提取方法,具体步骤如下:
(1)对待研究区域湿地覆被类型进行预设区分;
(2)根据步骤(1)区分得到的区域类型将利用遥感技术得到的区域图像进行预处理;
(3)对预处理后的区域图像进行监督分类识别,判断湿地类型,获取湿地专题影像,并转化为矢量数据,根据更新要求利用遥感影像对湿地地区覆被信息进行检测。
所述步骤(1)中,待研究区域湿地覆被类型可分为水体、林地、水生植被、水田、泥滩地、城镇。
所述步骤(2)中,利用遥感技术进行区域图像预处理的方法为正射校正、图像配准、云影检测。
所述步骤(3)中,所述监督分类识别步骤如下:
(a)对预处理后的区域图像进行影像分割,并利用矢量化技术对分割后的影像分割区域生成影像对象图斑;
(b)利用地物波谱对当前所得影像对象图斑进行自动匹配;
(c)以步骤(a)所得分割后影像分割区域为处理单元,计算所述对象图斑图谱特征。
所述步骤(c)中,所述图谱特征为差值图像像素灰度值,计算方法如下:
式中,xij为差值图像像素灰度值,和分别是t1和t2两个时相图像的像素灰度值,c为常数
本发明与现有技术相比的优点在于:
(1)本发明提供的一种基于遥感信息的湿地信息更新提取方法,通过利用预设好的分区进行遥感技术图像预处理,再通过监督分类识别进行图像深度处理的方法,提升了图像信息提取的精度,能更好的通过图像反映湿地区域的具体情况;
(2)本发明采用将图像信息转化为矢量数据并根据算法反复迭代的方法,对图像信息进行更新,更新时间段,稳定性更好。
附图说明
图1为发明提供的信息更新提取流程图;
具体实施方式
一种基于遥感信息的湿地信息更新提取方法,如图1所示,具体工作步骤如下:
(1)首先预设待研究区的湿地覆被类型,实现水体、林地、水生植被、水田、泥滩地、城镇等主要类型的区分;
(2)根据步骤(1)区分得到的区域类型将利用遥感技术得到的区域图像进行预处理,其中预处理手段为正射校正、图像配准、云影检测;
(3)利用监督分类技术进行湿地类型识别,获取湿地专题影像,并将湿地专题影像转换为矢量数据,达成利用遥感影像对湿地地区覆被信息监测更新的要求。
其中,监督分类计数包括具体步骤如下:
(a)对预处理后的区域图像进行影像分割,并利用矢量化技术对分割后的影像分割区域生成影像对象图斑;
(b)利用地物波谱对当前所得影像对象图斑进行自动匹配;
(c)以分割对象为处理单元,计算对象图斑的图谱特征。借助对象级分类模型,对目标影像对象斑块进行监督分类,生成湿地信息专题产品,监督分类的关键是有效解析样本所蕴含的特征信息并进行良好的泛化,针对不同遥感数据的空间、光谱分辨率以及实际成像情况,有必要选用适应性较强的分类器完成最终的土地覆盖分类;
所述图谱特征为差值图像像素灰度值,计算方法如下:
式中,计算得到对象图斑的图谱特征后,提取湿地覆被信息,借助采集的训练样本和面向对象的监督分类方法,实现湿地信息提取的专题图生产,通过叠置分析更新获得现势的湿地更新产品,完成湿地信息更新与提取。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (5)
1.一种基于遥感信息的湿地信息更新提取方法,其特征在于步骤如下:
(1)对待研究区域湿地覆被类型进行预设区分;
(2)根据步骤(1)区分得到的区域类型将利用遥感技术得到的区域图像进行预处理;
(3)对预处理后的区域图像进行监督分类识别,判断湿地类型,获取湿地专题影像,并转化为矢量数据,根据更新要求利用遥感影像对湿地地区覆被信息进行检测。
2.根据权利要求1所述的一种基于遥感信息的湿地信息更新提取方法,其特征在于:所述步骤(1)中,待研究区域湿地覆被类型可分为水体、林地、水生植被、水田、泥滩地、城镇。
3.根据权利要求1所述的一种基于遥感信息的湿地信息更新提取方法,其特征在于:所述步骤(2)中,利用遥感技术进行区域图像预处理的方法为正射校正、图像配准、云影检测。
4.根据权利要求1所述的一种基于遥感信息的湿地信息更新提取方法,其特征在于:所述步骤(3)中,所述监督分类识别步骤如下:
(a)对预处理后的区域图像进行影像分割,并利用矢量化技术对分割后的影像分割区域生成影像对象图斑;
(b)利用地物波谱对当前所得影像对象图斑进行自动匹配;
(c)以步骤(a)所得分割后影像分割区域为处理单元,计算所述对象图斑图谱特征。
5.根据权利要求4所述的一种基于遥感信息的湿地信息更新提取方法,其特征在于:所述步骤(c)中,所述图谱特征为差值图像像素灰度值,计算方法如下:
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>c</mi>
<mo>,</mo>
</mrow>
式中,xij为差值图像像素灰度值,和分别是t1和t2两个时相图像的像素灰度值,c为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276873.5A CN108009505A (zh) | 2017-12-06 | 2017-12-06 | 一种基于遥感信息的湿地信息更新提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276873.5A CN108009505A (zh) | 2017-12-06 | 2017-12-06 | 一种基于遥感信息的湿地信息更新提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009505A true CN108009505A (zh) | 2018-05-08 |
Family
ID=62057032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711276873.5A Pending CN108009505A (zh) | 2017-12-06 | 2017-12-06 | 一种基于遥感信息的湿地信息更新提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009505A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494294A (zh) * | 2022-01-25 | 2022-05-13 | 北京市测绘设计研究院 | 地表覆盖数据处理方法及装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103201A (zh) * | 2009-12-18 | 2011-06-22 | 湖南城市学院 | 多任务模式的湿地数据采集方法及系统 |
CN103646246A (zh) * | 2013-12-19 | 2014-03-19 | 交通运输部天津水运工程科学研究所 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN105678818A (zh) * | 2016-03-08 | 2016-06-15 | 浙江工商大学 | 面向对象分类技术实现河口滩涂分类面积提取的方法 |
CN103971115B (zh) * | 2014-05-09 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 |
-
2017
- 2017-12-06 CN CN201711276873.5A patent/CN108009505A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103201A (zh) * | 2009-12-18 | 2011-06-22 | 湖南城市学院 | 多任务模式的湿地数据采集方法及系统 |
CN103646246A (zh) * | 2013-12-19 | 2014-03-19 | 交通运输部天津水运工程科学研究所 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
CN103971115B (zh) * | 2014-05-09 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN105678818A (zh) * | 2016-03-08 | 2016-06-15 | 浙江工商大学 | 面向对象分类技术实现河口滩涂分类面积提取的方法 |
Non-Patent Citations (2)
Title |
---|
万剑华等: "基于变化检测的滨海湿地图高效更新方法", 《国土资源遥感》 * |
莫利江等: "面向对象的湿地景观遥感分类——以杭州湾南岸地区为例", 《湿地科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494294A (zh) * | 2022-01-25 | 2022-05-13 | 北京市测绘设计研究院 | 地表覆盖数据处理方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | Comparison of pixel-based and object-oriented classification methods for extracting built-up areas in arid zone | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN109029381A (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
CN103886285A (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
Ding et al. | Alexnet feature extraction and multi-kernel learning for objectoriented classification | |
CN104103076A (zh) | 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法 | |
Kalkan et al. | Comparison of support vector machine and object based classification methods for coastline detection | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
Zhang et al. | The analysis of object-based change detection in mining area: A case study with pingshuo coal mine | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
CN112037244A (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
Liu et al. | Land use and land cover mapping in China using multimodal fine-grained dual network | |
Lv et al. | pyShore: A deep learning toolkit for shoreline structure mapping with high-resolution orthographic imagery and convolutional neural networks | |
Hui et al. | Coastline extraction based on multi-scale segmentation and multi-level inheritance classification | |
An et al. | Object-oriented urban dynamic monitoring—A case study of Haidian District of Beijing | |
CN101894368A (zh) | 基于测地距离的半监督sar图像水域分割方法 | |
CN108009505A (zh) | 一种基于遥感信息的湿地信息更新提取方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
Liu et al. | A tailings pond identification method based on spatial combination of objects | |
Wang et al. | Urban road information extraction from high resolution remotely sensed image based on semantic model | |
Wu et al. | A fully automatic method to extract rare earth mining areas from Landsat Images | |
Alrassi et al. | GEOBIA For Land Use Mapping Using Worldview2 Image In Bengkak Village Coastal, Banyuwangi Regency, East Java | |
Fang et al. | Recognizing global dams from high-resolution remotely sensed images using convolutional neural networks |
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: 20180508 |
|
RJ01 | Rejection of invention patent application after publication |