CN108846352A - 一种植被分类与识别方法 - Google Patents

一种植被分类与识别方法 Download PDF

Info

Publication number
CN108846352A
CN108846352A CN201810590015.6A CN201810590015A CN108846352A CN 108846352 A CN108846352 A CN 108846352A CN 201810590015 A CN201810590015 A CN 201810590015A CN 108846352 A CN108846352 A CN 108846352A
Authority
CN
China
Prior art keywords
classification
vegetation
point cloud
vegetative coverage
laser radar
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.)
Granted
Application number
CN201810590015.6A
Other languages
English (en)
Other versions
CN108846352B (zh
Inventor
陈景尚
周华敏
陈剑光
刘明
邸龙
宋作强
胡峰
杨喆
孙仝
郑耀华
何勇
甘燕良
宋海龙
魏攀
李名
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.)
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201810590015.6A priority Critical patent/CN108846352B/zh
Publication of CN108846352A publication Critical patent/CN108846352A/zh
Application granted granted Critical
Publication of CN108846352B publication Critical patent/CN108846352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • 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
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及遥感数据融合及智能化应用领域，即采用多源传感器遥感数据融合实现地表植被覆盖的精细提取，更具体地说，本发明涉及一种高光谱图像与激光雷达点云融合的植被分类与识别方法。本发明针对地表植被覆盖分类与识别的难点，采用一种融合高光谱图像和激光雷达点云数据特征的组合分类方法，并对影响分类精度的空谱特征进行优化选择与组合，从而进一步提高植被覆盖分类和识别的精度，增加植被覆盖制图的精细度。

Description

一种植被分类与识别方法
技术领域
本发明涉及遥感数据融合及智能化应用领域，即采用多源传感器遥感数据融合实现地表植被覆盖的精细提取，更具体地说，本发明涉及一种高光谱图像与激光雷达点云融合的植被分类与识别方法。
背景技术
地表物体的空间结构及分布是按非均一的主客观规律组合而成，不同的地物其尺度也相异，即使同类地物其空间尺度也随空间结构特征变化而变化，尤其是地表植被覆盖的空间构成规律较为复杂。地表植被覆盖存在种类多、结构复杂、草林相不齐的问题，并且具有类别组成的复杂性、空间分布的破碎性以及多尺度集聚等特征，因而在地表植被覆盖专题制图中，植被的分类与识别技术至关重要。高光谱图像具有光谱分辨率高、波谱信息丰富的特性，能够区分通常看来相似的地物类别，实现物质的识别，具有更精细的地表覆盖信息识别和提取能力，但是存在空间分辨率低、信息冗余、维数灾难等缺点，且无深度信息。激光雷达点云，则能提供地表物体外表的三维空间结构信息，可以用来区分和表示诸如地面、房屋和树木等高度层次信息显著的地物，但是缺乏光谱信息，无法描述物质的属性信息。因此，高光谱图像与激光雷达点云都具有特别的优势，两种遥感数据融合能发挥不同源数据的各自优势，最终能提高植被覆盖分类与提取的精度和植被覆盖制图的质量。目前，现有的植被覆盖分类提取还多采用单一的遥感数据源，例如仅采用高分辨率遥感图像、机载激光雷达点云、高光谱图像等，或者说，针对地表植被覆盖的分类与识别，尚无一种可行的方法能融合高光谱图像和激光雷达点云数据实现精细的植被覆盖分类与提取。因此，本发明针对地表植被覆盖分类与识别的难点，采用一种融合高光谱图像和激光雷达点云数据特征的组合分类方法，并对影响分类精度的空谱特征进行优化选择与组合，从而进一步提高植被覆盖分类和识别的精度，增加植被覆盖制图的精细度。
发明内容
本发明为解决上述存在的问题，提供一种植被分类与识别方法，针对提高植被分类与识别精度，基于多源传感器遥感数据融合实现精细的地表植被覆盖提取，能有效地提高植被覆盖专题制图的质量及面向特殊应用的植被管理能力。
本发明的技术方案是；一种植被分类与识别方法，包括以下步骤；
S1：数据预处理，包括激光雷达点云LiDAR(Light Detection And Ranging)预处理和高光谱图像HSI(HyperSpectral Image)预处理；
S2：高光谱图像与激光雷达点云数据配准，通过建立健壮的特征线/面配准基元库，实现异源的激光雷达点云和高光谱图像间精度配准,并统一地理编码到确定的空间参考系统；
S3：利用激光雷达点云生成的数字地面模型DSM(Digital Surface Model)和数字地形模型DTM(Digital Terrain Model)，生成归一化的数字地面模型nDSM(NormalizedDigital Surface Model)；
S4：利用高光谱图像计算NDVI(Normalized Difference Vegetation Index)与EVI(Enhanced Vegetation Index)两个光谱植被指数，结合归一化的数字地面模型nDSM，生成植被覆盖区域的参考掩膜；
S5：定义地表植被覆盖类型，将目标场景中的地表覆盖划分为植被覆盖区域和非植被覆盖区域，而后将植被覆盖区域的地表覆盖类型进一步粗划分为不同密度的林本地与不同覆盖度的草本地；
S6：对高光谱图像作主成分分析PCA(Principal Component Analysis)变换，获得空间主成分和光谱主成分，利用参考或辅助的训练样本，采用RF(Rotation Forests)算法，进行基于光谱主成分的初分类，然后在此基础上，将空间主成分与归一化的数字地面模型nDSM进行空间尺度上的融合，并将初分类图斑输入MRF(Markov Random Fields)先验分类器，实现精细地表植被覆盖分类与识别，得到植被覆盖分类图；
S7：分类精度与结果回溯修正，对植被覆盖分类图进行精度评定和可能误差回溯改正。
进一步，步骤S1数据预处理的方法为：高光谱图像HSI预处理，其辐射校正和几何校正采用与传感器集成的Post-Processing软件模块实现，大气校正采用FLAASH(FastLine-of-sight Atmospheric Analysis of Spectral Hypercubes)算法实现；激光雷达点云LiDAR预处理，采用形态学滤波器对原始点云数据进行去噪处理。
地表植被覆盖的分类与识别使用的遥感数据为高光谱图像和激光雷达点云数据，便于发挥多源传感器遥感数据的各自优势，提高地表植被覆盖分类和识别的能力，增加植被覆盖制图的精度，同时激光雷达点云数据去噪方法为形态学滤波器，便于有效地实现原始点云数据的去噪处理。
进一步，步骤S2高光谱图像与激光雷达点云数据配准的方法为：将激光雷达点云正射投影到2D平面生成深度图；结合生成的2D平面深度图和高光谱图像进行几何特征挖掘，建立稳定的特征线/面配准基元库；实现异源的激光雷达点云和高光谱图像间精度配准，并统一地理编码到确定的空间参考系统；其中多边形面配准基元对的相交面积与相并面积之比作为形状差异主因子α，多边形面配准基元对的边长数之比作为形状差异次因子β，主次因子共同作为分类图中可判别区块对象对应分类图斑的形状调整(膨胀与收缩)参数；配准后前直线配准基元对的不平行线基元间的夹角均值之比γ与平行线基元间的平行间距均值之比λ作为衡量精配准的潜在精度评价因子，作为评价最终分类精度的平衡(方向和位置)参数。
高光谱图像与激光雷达点云配准的方法为异源遥感特征线/面配准基元库，便于特定区域多源传感器遥感数据在空间参考和几何上统一，提供了健壮、可靠的实现方法。
进一步，步骤S3生成归一化的数字地面模型nDSM的方法为：利用激光雷达点云数据内插生成数字地面模型DSM，然后利用激光雷达点云数据中的地面点云部分内插得到数字地形模型DTM；再将DSM与DTM进行栅格网格间的算法求差运算得到nDSM。
进一步，步骤S4生成植被覆盖区域的参考掩膜的方法为：对高光谱图像按光谱波段比，计算光谱植被指数，生成NDVI与EVI指数波段；结合归一化的数字地面模型nDSM将区域内的地表覆盖划分为植被覆盖区域和非植被覆盖区域，并将植被覆盖区域作为植被分类和识别的参考掩膜。
光谱植被指数为归一化植被指数NDVI和增强植被指数EVI，充分利用了可见光波段的所有信息，对植被覆盖区域的提取更加准确。
进一步，步骤S5地表植被覆盖类型定义的方法为：将目标场景中的地表覆盖划分为植被覆盖区域和非植被覆盖区域，而后将植被覆盖区域的地表覆盖类型进一步粗划分为林本地、草本地；在此基础上，将林本地又细划分为高密度、中密度、低密度的乔木林和灌木林，将草本地细划分为高覆盖、中覆盖、低覆盖的人工草地和天然草地。
植被分类与识别中，设定了植被覆盖区域参考掩膜和植被覆盖类型定义，便于更精细、有效的植被覆盖分类和提取。
进一步，步骤S6地表植被覆盖分类与识别的方法为：对高光谱图像作PCA变换，将原始光谱波段映射到低维的特征子空间，并划分为空间主成分和光谱主成分；采用RF算法，进行基于光谱主成分的初分类，得到的地表植被覆盖分类图作为初分类结果，然后在此基础上，将空间主成分与归一化的数字地面模型nDSM进行空间尺度上的融合；并将初分类图斑输入MRF先验分类器，得到最终的植被覆盖分类图。
植被分类为组合空谱特征分类器，RF分类器针对光谱主成分，MRF先验分类器针对空间主成分和nDSM融合后结果，便于将融合高光谱图像和激光雷达点云数据后的完备特征输入分类器，实现更高精度的地表植被覆盖分类与识别。
进一步，步骤S7分类精度与结果回溯修正的方法为：对植被覆盖分类图进行精度评定和可能误差回溯分析；使用特征直线配准基元对潜在精度评价因子{γ,λ}，对最终的分类精度评定结果进行修正；使用由特征面配准基元得到的形状差异因子{α,β}，对最终的植被覆盖分类结果进行修正。
本发明的有益效果：本发明针对特定或复杂环境下的地表植被覆盖分类与识别精度不高，常规方法数据源单一的不足，融合利用了多源传感器遥感数据，综合异源遥感数据的固有优势，也即融合了高光谱图像和激光雷达点云数据，实现地表植被覆盖的精细提取；针对完整场景的直接植被分类和识别存在的计算量大，以及“同物异谱，同谱异物”现象导致分类精度降低和错分类的情况，本发明将目标场景划分为植被覆盖区域和非植被覆盖区域，而后将植被覆盖区域的地表覆盖类型进一步粗划分为林本地、草本地。在此基础上，将林本地又细划分为高密度、中密度、低密度的乔木林和灌木林，将草本地细划分为高覆盖、中覆盖、低覆盖的人工草地和天然草地。通过植被覆盖区域与非植被覆盖区域的分离与显著的地表植被覆盖类型的细分，起到了分层次划分的效果，可以有效地提高植被分类和识别的精细度；针对传统的异源传感器遥感数据配准精度难以在后序分类中体现出来或加以作用，有效地对最终的分类精度进行科学评价以及对最终分类结果进行必要软调整。本发明设计了两种基于特征面配准基元对的形状调整参数以调整显著形状的分类图斑，从而提高分类结果的精度；基于特征线配准基元对设计了两种平衡分类精度的参数。通过设计分类图斑的形状调整参数和分类精度平衡参数，可以有效地提高地表植被覆盖制图的质量和提供更科学的精度评价。
附图说明
图1是本发明的流程图。
图2是高光谱图像数据特征线/面配准基元对{Li,Pj},i＝15,j＝5的示例图。
图3是激光雷达点云数据特征线/面配准基元对{Li,Pj},i＝15,j＝5的示例图。
图4是高光谱图像与激光雷达点云数据特征线/面配准基元对{Li,Pj},i＝15,j＝5的示例图。
图5是特定区域地表植被覆盖类型划分示例图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
实施例1：
如图1所示，一种高光谱图像与激光雷达点云数据融合的植被分类与识别方法，该方法包括：
S1：数据预处理，包括激光雷达点云LiDAR(Light Detection And Ranging)预处理和高光谱图像HSI(HyperSpectral Image)预处理；
S2：高光谱图像与激光雷达点云数据配准，通过建立健壮的特征线/面配准基元库，实现异源的激光雷达点云和高光谱图像间精度配准,并统一地理编码到确定的空间参考系统；
S3：利用激光雷达点云生成的数字地面模型DSM(Digital Surface Model)和数字地形模型DTM(Digital Terrain Model)，生成归一化的数字地面模型nDSM(NormalizedDigital Surface Model)；
S4：利用高光谱图像计算NDVI(Normalized Difference Vegetation Index)与EVI(Enhanced Vegetation Index)两个光谱植被指数，结合归一化的数字地面模型nDSM，生成植被覆盖区域的参考掩膜；
S5：定义地表植被覆盖类型，将目标场景中的地表覆盖划分为植被覆盖区域和非植被覆盖区域，而后将植被覆盖区域的地表覆盖类型进一步粗划分为不同密度的林本地与不同覆盖度的草本地；
S6：对高光谱图像作主成分分析PCA(Principal Component Analysis)变换，获得空间主成分和光谱主成分，利用参考或辅助的训练样本，采用RF(Rotation Forests)算法，进行基于光谱主成分的初分类，然后在此基础上，将空间主成分与归一化的数字地面模型nDSM进行空间尺度上的融合，并将初分类图斑输入MRF(Markov Random Fields)先验分类器，实现精细地表植被覆盖分类与识别，得到植被覆盖分类图；
S7：分类精度与结果回溯修正，对植被覆盖分类图进行精度评定和可能误差回溯改正。
其中，步骤S1数据预处理的方法为：高光谱图像HSI预处理，其辐射校正和几何校正采用与传感器集成的Post-Processing软件模块实现，大气校正采用FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)算法实现；激光雷达点云LiDAR预处理，采用形态学滤波器对原始点云数据进行去噪处理。
高光谱图像与激光雷达点云数据配准的方法为：将3D激光雷达点云正射投影到2D平面生成深度图。结合2D平面深度图和高光谱图像进行几何特征挖掘，建立稳定的特征线/面配准基元库{Li,Pj},i,j∈Ν+，实现异源的激光雷达点云和高光谱图像间精度配准，并统一地理编码到确定的空间参考系统。
如图2—图4所示，其中多边形面配准基元对{PHSI,PLiDAR}j的相交面积与相并面积之比作为形状差异主因子0＜α≤1，多边形面配准基元对的边长数之比作为形状差异次因子β＞0，主次因子共同作为分类图中可判别区块对象对应分类图斑的形状调整(膨胀与收缩)参数，计算公式如下所示：
其中AI表示多边形面配准基元对的相交面积，表示AU多边形面配准基元对的相并面积，NP表示多边形面配准基元的边个数。
配准后前直线配准基元对{LHSI,LLiDAR}i的不平行线配准基元间的夹角均值之比γ＞0与平行线配准基元间的平行间距均值之λ＞0比作为衡量精配准的潜在精度评价因子，作为评价最终分类精度的平衡(方向和位置)参数，计算公式如下所示：
其中，表示不平行线配准基元对之间的平均夹角均值，表示平行线配准基元对之间的平均间距均值。
步骤S3生成归一化的数字地面模型nDSM的方法为：利用激光雷达点云数据内插生成数字地面模型DSM，然后利用激光雷达点云数据中的地面点云部分内插得到数字地形模型DTM，将DSM与DTM进行栅格网格间的算法求差运算得到nDSM，如下式所示：
nDSM＝DSMΘDEM (3)
其中，Θ表示栅格网格间的算数运算符。
步骤S4生成植被覆盖区域参考掩膜的方法为：对高光谱图像按光谱波段比，计算光谱植被指数，生成NDVI与EVI指数波段，计算公式如式(4)、式(5)所示。结合归一化的数字地面模型nDSM将区域内的地表覆盖划分为植被覆盖区域和非植被覆盖区域，并将植被覆盖区域作为植被分类和识别的参考掩膜。
其中，NIR表示近红外波段，RED表示红色波段，BLUE表示蓝色波段。
步骤S5地表植被覆盖类型定义的方法为：如图3所示，本发明将目标场景的地表覆盖划分为植被覆盖区域和非植被覆盖区域，而后将植被覆盖区域的地表覆盖类型进一步粗划分为林本地和草本地；在此基础上，将林本地又细划分为高密度、中密度、低密度的乔木林和灌木林，将草本地细划分为高覆盖、中覆盖、低覆盖的人工草地和天然草地。
步骤S6地表植被覆盖分类与识别的方法为：对高光谱图像作PCA变换，将原始光谱波段映射到低维的特征子空间，划分为空间主成分和光谱主成分；采用RF算法，进行基于光谱主成分的初分类，得到的地表植被覆盖分类图作为初分类结果，然后在此基础上，将空间主成分与nDSM进行空间尺度上的融合。并将初分类图斑输入MRF先验分类器，得到最终的植被覆盖分类图。
步骤S7分类精度与结果回溯修正的方法为：对植被覆盖分类图进行精度评定和可能误差回溯分析。使用由特征直线配准基元对潜在评价因子{γ,λ}，对最终的分类精度评定结果进行修正。使用由特征面配准基元对得到的形状差异因子{α,β}，对最终的地表植被覆盖分类结果进行修正。
所述的分类精度与结果，设定有由高光谱图像和激光雷达点云配准过程中导出的形态调整参数和精度平衡参数；如果符号设定所有调整因子的阈值为θ，当MAX(α,β,γ,λ)≥θ时，说明前序高光谱图像和激光雷达点云配准需要进一步重新精配准；假定高光谱数据为主数据，最终分类结果M修正为M(1+α+β)，最终分类精度统计T修正为T(1+γ+λ)；其中，α符号恒为正；如果β≤1则符号为正，如果β＞1且(β-1)≤1，重新计算β＝β-1，取符号为负，其他取值需要重新规划特征线/面配准基元库；如果γ≤1则符号为正，如果γ＞1且(γ-1)≤1，重新计算γ＝γ-1，取符号为负，其他取值需要重新规划特征线/面配准基元库；如果λ≤1则符号为正，如果λ＞1且(λ-1)≤1，重新计算λ＝λ-1，取符号为负，其他取值需要重新规划特征线/面配准基元库。
地表植被覆盖的分类与识别使用的遥感数据为高光谱图像和激光雷达点云数据，便于发挥多源传感器遥感数据的各自优势，提高地表植被覆盖分类和识别的能力，增加植被覆盖制图的精度。
激光雷达点云数据去噪方法为形态学滤波器，便于有效地实现原始点云数据的去噪处理。
光谱植被指数为归一化植被指数NDVI和增强植被指数EVI，充分利用了可见光波段的所有信息，对植被覆盖区域的提取更加准确。
高光谱图像与激光雷达点云配准的方法为异源遥感特征线/面配准基元库，便于特定区域多源传感器遥感数据在空间参考和几何上统一，提供了健壮、可靠的实现方法。
植被分类与识别中，设定了植被覆盖区域参考掩膜和植被覆盖类型定义，便于更精细、有效的植被覆盖分类和提取。
植被分类为组合空谱特征分类，RF分类器针对光谱主成分，MRF先验分类器针对空间主成分和nDSM融合后结果，便于将融合高光谱图像和激光雷达点云数据后的完备特征输入分类器，实现更高精度的地表植被覆盖分类与识别。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种植被分类与识别方法，其特征在于，包括以下步骤；
S1：数据预处理，包括激光雷达点云LiDAR预处理和高光谱图像HSI预处理；
S2：高光谱图像与激光雷达点云数据配准，通过建立健壮的特征线/面配准基元库，实现异源的激光雷达点云和高光谱图像间精度配准,并统一地理编码到确定的空间参考系统；
S3：利用激光雷达点云生成的数字地面模型DSM和数字地形模型DTM，生成归一化的数字地面模型nDSM；
S4：利用高光谱图像计算NDVI与EVI两个光谱植被指数，结合归一化的数字地面模型nDSM，生成植被覆盖区域的参考掩膜；
S5：定义地表植被覆盖类型，将目标场景中的地表覆盖划分为植被覆盖区域和非植被覆盖区域，而后将植被覆盖区域的地表覆盖类型进一步粗划分为不同密度的林本地与不同覆盖度的草本地；
S6：对高光谱图像作主成分分析PCA变换，获得空间主成分和光谱主成分，利用参考或辅助的训练样本，采用RF算法，进行基于光谱主成分的初分类，然后在此基础上，将空间主成分与归一化的数字地面模型nDSM进行空间尺度上的融合，并将初分类图斑输入MRF先验分类器，实现精细地表植被覆盖分类与识别，得到植被覆盖分类图；
S7：分类精度与结果回溯修正，对植被覆盖分类图进行精度评定和可能误差回溯改正。
2.根据权利要求1所述的一种植被分类与识别方法，其特征在于，步骤S1数据预处理的方法为：高光谱图像HSI预处理，其辐射校正和几何校正采用与传感器集成的Post-Processing软件模块实现，大气校正采用FLAASH算法实现；激光雷达点云LiDAR预处理，采用形态学滤波器对原始点云数据进行去噪处理。
3.根据权利要求1所述的一种植被分类与识别方法，其特征在于，步骤S2高光谱图像与激光雷达点云数据配准的方法为：将激光雷达点云正射投影到2D平面生成深度图；结合生成的2D平面深度图和高光谱图像进行几何特征挖掘，建立稳定的特征线/面配准基元库；实现异源的激光雷达点云和高光谱图像间精度配准，并统一地理编码到确定的空间参考系统；其中多边形面配准基元对的相交面积与相并面积之比作为形状差异主因子α，多边形面配准基元对的边长数之比作为形状差异次因子β，主次因子共同作为分类图中可判别区块对象对应分类图斑的形状调整参数；配准后前直线配准基元对的不平行线基元间的夹角均值之比γ与平行线基元间的平行间距均值之比λ作为衡量精配准的潜在精度评价因子，作为评价最终分类精度的平衡参数。
4.根据权利要求1所述的一种植被分类与识别方法，其特征在于，步骤S3生成归一化的数字地面模型nDSM的方法为：利用激光雷达点云数据内插生成数字地面模型DSM，然后利用激光雷达点云数据中的地面点云部分内插得到数字地形模型DTM；再将DSM与DTM进行栅格网格间的算法求差运算得到nDSM。
5.根据权利要求1所述的一种植被分类与识别方法，其特征在于，步骤S4生成植被覆盖区域的参考掩膜的方法为：对高光谱图像按光谱波段比，计算光谱植被指数，生成NDVI与EVI指数波段；结合归一化的数字地面模型nDSM将区域内的地表覆盖划分为植被覆盖区域和非植被覆盖区域，并将植被覆盖区域作为植被分类和识别的参考掩膜。
6.根据权利要求1所述的一种植被分类与识别方法，其特征在于，步骤S5地表植被覆盖类型定义的方法为：将目标场景中的地表覆盖划分为植被覆盖区域和非植被覆盖区域，而后将植被覆盖区域的地表覆盖类型进一步粗划分为林本地、草本地；在此基础上，将林本地又细划分为高密度、中密度、低密度的乔木林和灌木林，将草本地细划分为高覆盖、中覆盖、低覆盖的人工草地和天然草地。
7.根据权利要求1所述的一种植被分类与识别方法，其特征在于，步骤S6地表植被覆盖分类与识别的方法为：对高光谱图像作PCA变换，将原始光谱波段映射到低维的特征子空间，并划分为空间主成分和光谱主成分；采用RF算法，进行基于光谱主成分的初分类，得到的地表植被覆盖分类图作为初分类结果，然后在此基础上，将空间主成分与归一化的数字地面模型nDSM进行空间尺度上的融合；并将初分类图斑输入MRF先验分类器，得到最终的植被覆盖分类图。
8.根据权利要求3所述的一种植被分类与识别方法，其特征在于，步骤S7分类精度与结果回溯修正的方法为：对植被覆盖分类图进行精度评定和可能误差回溯分析；使用特征直线配准基元对潜在精度评价因子{γ,λ}，对最终的分类精度评定结果进行修正；使用由特征面配准基元得到的形状差异因子{α,β}，对最终的植被覆盖分类结果进行修正。
CN201810590015.6A 2018-06-08 2018-06-08 一种植被分类与识别方法 Active CN108846352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810590015.6A CN108846352B (zh) 2018-06-08 2018-06-08 一种植被分类与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810590015.6A CN108846352B (zh) 2018-06-08 2018-06-08 一种植被分类与识别方法

Publications (2)

Publication Number Publication Date
CN108846352A true CN108846352A (zh) 2018-11-20
CN108846352B CN108846352B (zh) 2020-07-14

Family

ID=64210809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810590015.6A Active CN108846352B (zh) 2018-06-08 2018-06-08 一种植被分类与识别方法

Country Status (1)

Country Link
CN (1) CN108846352B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710718A (zh) * 2018-12-26 2019-05-03 浙江大学 一种植被覆盖因子的快速估算方法
CN109902567A (zh) * 2019-01-22 2019-06-18 深圳大学 一种快速评估植被健康状况的数据处理方法及系统
CN110210420A (zh) * 2019-06-05 2019-09-06 哈尔滨工业大学 基于融合高光谱图像和dsm数据的分类方法
CN110321826A (zh) * 2019-06-26 2019-10-11 贵州省交通规划勘察设计研究院股份有限公司 一种基于植株高度的无人机边坡植被分类方法
CN110517575A (zh) * 2019-08-21 2019-11-29 华北水利水电大学 一种地表水体制图方法及装置
CN111639543A (zh) * 2020-04-26 2020-09-08 山东科技大学 一种基于马尔科夫随机场的高光谱遥感影像湿地分类方法
CN111931559A (zh) * 2020-06-22 2020-11-13 云南电网有限责任公司带电作业分公司 一种输电线路走廊区域内树种的分类方法
CN112634212A (zh) * 2020-12-14 2021-04-09 江西省林业科学院 基于高光谱无人机的病害潜伏树检测方法及系统
CN112651295A (zh) * 2020-11-18 2021-04-13 上海市园林科学规划研究院 一种城市绿地树木识别系统及方法
CN112698347A (zh) * 2020-12-02 2021-04-23 北京华益瑞科技有限公司 地表植被参数监测装置、系统及方法
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN113688909A (zh) * 2021-08-25 2021-11-23 北京市水科学技术研究院 一种生态区土地分类方法、装置及电子设备
CN114115236A (zh) * 2021-10-29 2022-03-01 中国航空工业集团公司洛阳电光设备研究所 一种基于激光雷达的飞机牵引车自动对接导航装置及方法
CN114462512A (zh) * 2022-01-18 2022-05-10 自然资源部国土卫星遥感应用中心 一种系统性的高光谱草原群落划分方法
CN114821074A (zh) * 2022-07-01 2022-07-29 湖南盛鼎科技发展有限责任公司 机载liDAR点云语义分割方法、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017739A (zh) * 2012-11-20 2013-04-03 武汉大学 基于激光雷达点云与航空影像的真正射影像的制作方法
CN105787457A (zh) * 2016-03-08 2016-07-20 浙江工商大学 一种modis卫星集成dem提高植被分类遥感精度的估算方法
WO2016142651A1 (en) * 2015-03-06 2016-09-15 Bae Systems Plc Method and apparatus for processing spectral images
CN106056591A (zh) * 2016-05-25 2016-10-26 哈尔滨工业大学 一种融合光谱图像和激光雷达数据进行城市密度估计方法
CN106199557A (zh) * 2016-06-24 2016-12-07 南京林业大学 一种机载激光雷达数据植被提取方法
CN106529484A (zh) * 2016-11-16 2017-03-22 哈尔滨工业大学 基于类指定多核学习的光谱和激光雷达数据联合分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017739A (zh) * 2012-11-20 2013-04-03 武汉大学 基于激光雷达点云与航空影像的真正射影像的制作方法
WO2016142651A1 (en) * 2015-03-06 2016-09-15 Bae Systems Plc Method and apparatus for processing spectral images
CN105787457A (zh) * 2016-03-08 2016-07-20 浙江工商大学 一种modis卫星集成dem提高植被分类遥感精度的估算方法
CN106056591A (zh) * 2016-05-25 2016-10-26 哈尔滨工业大学 一种融合光谱图像和激光雷达数据进行城市密度估计方法
CN106199557A (zh) * 2016-06-24 2016-12-07 南京林业大学 一种机载激光雷达数据植被提取方法
CN106529484A (zh) * 2016-11-16 2017-03-22 哈尔滨工业大学 基于类指定多核学习的光谱和激光雷达数据联合分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUNSHI XIA 等: "Hyperspectral Remote Sensing Image Classfication Based on Rotation Forest", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
刘丽娟 等: "机载LiDAR和高光谱融合实现温带天然树种识别", 《遥感学报》 *
董保根 等: "LiDAR点云支持下地物精细分类的实现方法", 《遥感技术与应用》 *
虞海英: "融合记载LIDAR和高光谱数据的滨海湿生植被生物量反演方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710718A (zh) * 2018-12-26 2019-05-03 浙江大学 一种植被覆盖因子的快速估算方法
CN109902567A (zh) * 2019-01-22 2019-06-18 深圳大学 一种快速评估植被健康状况的数据处理方法及系统
CN109902567B (zh) * 2019-01-22 2021-02-26 深圳大学 一种快速评估植被健康状况的数据处理方法及系统
CN110210420A (zh) * 2019-06-05 2019-09-06 哈尔滨工业大学 基于融合高光谱图像和dsm数据的分类方法
CN110321826A (zh) * 2019-06-26 2019-10-11 贵州省交通规划勘察设计研究院股份有限公司 一种基于植株高度的无人机边坡植被分类方法
CN110321826B (zh) * 2019-06-26 2023-02-24 贵州省交通规划勘察设计研究院股份有限公司 一种基于植株高度的无人机边坡植被分类方法
CN110517575A (zh) * 2019-08-21 2019-11-29 华北水利水电大学 一种地表水体制图方法及装置
CN110517575B (zh) * 2019-08-21 2021-03-02 华北水利水电大学 一种地表水体制图方法及装置
CN111639543A (zh) * 2020-04-26 2020-09-08 山东科技大学 一种基于马尔科夫随机场的高光谱遥感影像湿地分类方法
CN111931559A (zh) * 2020-06-22 2020-11-13 云南电网有限责任公司带电作业分公司 一种输电线路走廊区域内树种的分类方法
CN112651295A (zh) * 2020-11-18 2021-04-13 上海市园林科学规划研究院 一种城市绿地树木识别系统及方法
CN112698347A (zh) * 2020-12-02 2021-04-23 北京华益瑞科技有限公司 地表植被参数监测装置、系统及方法
CN112634212A (zh) * 2020-12-14 2021-04-09 江西省林业科学院 基于高光谱无人机的病害潜伏树检测方法及系统
CN112634212B (zh) * 2020-12-14 2023-08-15 江西省林业科学院 基于高光谱无人机的病害潜伏树检测方法及系统
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN113688909A (zh) * 2021-08-25 2021-11-23 北京市水科学技术研究院 一种生态区土地分类方法、装置及电子设备
CN113688909B (zh) * 2021-08-25 2024-01-30 北京市水科学技术研究院 一种生态区土地分类方法、装置及电子设备
CN114115236A (zh) * 2021-10-29 2022-03-01 中国航空工业集团公司洛阳电光设备研究所 一种基于激光雷达的飞机牵引车自动对接导航装置及方法
CN114462512A (zh) * 2022-01-18 2022-05-10 自然资源部国土卫星遥感应用中心 一种系统性的高光谱草原群落划分方法
CN114462512B (zh) * 2022-01-18 2023-02-10 自然资源部国土卫星遥感应用中心 一种系统性的高光谱草原群落划分方法
CN114821074A (zh) * 2022-07-01 2022-07-29 湖南盛鼎科技发展有限责任公司 机载liDAR点云语义分割方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN108846352B (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN108846352A (zh) 一种植被分类与识别方法
Hirschmugl et al. Single tree detection in very high resolution remote sensing data
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
Zhou An object-based approach for urban land cover classification: Integrating LiDAR height and intensity data
Dekker Texture analysis and classification of ERS SAR images for map updating of urban areas in the Netherlands
CN105138970B (zh) 基于空间信息的极化sar图像分类方法
Dinuls et al. Tree species identification in mixed Baltic forest using LiDAR and multispectral data
CN109492563A (zh) 一种基于无人机高光谱影像和LiDAR点云的树种分类方法
CN109164459A (zh) 一种结合激光雷达和高光谱数据对森林树种分类的方法
Li et al. On the utilization of novel spectral laser scanning for three-dimensional classification of vegetation elements
CN109034233A (zh) 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法
Kuzmin et al. Automatic segment-level tree species recognition using high resolution aerial winter imagery
Yang et al. Delineating individual tree crowns in an uneven-aged, mixed broadleaf forest using multispectral watershed segmentation and multiscale fitting
Dutta et al. Characterizing vegetation canopy structure using airborne remote sensing data
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
Dmitriev Classification of the forest cover of Tver oblast using hyperspectral airborne imagery
Kim et al. Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data
Teo et al. Object-based land cover classification using airborne lidar and different spectral images
Yurtseven et al. Using of high-resolution satellite images in object-based image analysis
Tsendbazar Object based image analysis of geo-eye VHR data to model above ground carbon stock in Himalayan mid-hill forests, Nepal
Xu et al. Advanced exploratory data analysis for mapping regional canopy cover
Kim et al. Methods for LiDAR point cloud classification using local neighborhood statistics
Shen et al. High spatial resolution hyperspectral mapping for forest ecosystem at tree species level
Kanjir et al. Application of object based approach to heterogeneous land cover/use
Iskandar et al. Crown closure segmentation on wetland lowland forest using the mean shift algorithm

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