CN109657598B - 基于分层策略的滨海湿地遥感分类方法 - Google Patents
基于分层策略的滨海湿地遥感分类方法 Download PDFInfo
- Publication number
- CN109657598B CN109657598B CN201811524068.4A CN201811524068A CN109657598B CN 109657598 B CN109657598 B CN 109657598B CN 201811524068 A CN201811524068 A CN 201811524068A CN 109657598 B CN109657598 B CN 109657598B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- classification
- coastal wetland
- wetland
- 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.)
- Active
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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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
本发明涉及基于分层策略的滨海湿地遥感分类方法,包括:步骤1,对遥感数据进行预处理;步骤2,基于遥感指数获取的植被指数,水体指数和基于缨帽变换获取的亮度辅助数据进行选样;步骤3,对多光谱影像和辅助数据进行粗分类;步骤4,对耕地、林地、城镇区域进行掩膜;步骤5,用LBP局部二值模式算子来描述图像局部纹理特征;步骤6,结合光谱信息和空间纹理信息,对水体和湿地区域进行影像分割;步骤7,获得滨海湿地矢量数据;步骤8,制作滨海湿地专题地图。本发明的有益效果是:本发明不仅可以节省时间、人力、物力和财力,还可以快速准确的获取滨海湿地分类,分类结果精度高,具有明显的地理意义。
Description
技术领域
本发明属于滨海湿地遥感分类方法,特别涉及一种基于分层策略的滨海湿地遥感分类方法。
背景技术
滨海湿地(Coastal wetland)是指陆地生态系统和海洋生态系统的交错过渡地带。按国际湿地公约的定义,滨海湿地的下限为海平面以下6米处(习惯上常把下限定在大型海藻的生长区外缘),上限为大潮线之上与内河流域相连的淡水或半咸水湖沼以及海水上溯未能抵达的入海河的河段,具有高生产力及作为各种动植物重要的栖息地,具有维护生态平衡、环境稳定的功能。如抵御海洋灾害为沿岸提供保护、控制海岸侵蚀、过滤农业和工业废物和沿岸含水层补给。虽然政府重视对滨海湿地的保护,但是,其仍受到人类活动和环境变化的干扰,导致滨海湿地被破坏。
湿地分类一般结合遥感影像、地表高程、岸线和坡度等辅助数据,以人工绘制或已有的专题图为依据获取湿地地物样本,对影像进行监督解译,获取最终的结果。早期多利用中低分辨率的卫星遥感数据获取土地利用/覆盖信息,其中Landsat影像是最为可靠和廉价的数据源,其覆盖范围、30m空间分辨率和多波段光谱信息使其在区域性的湿地遥感中得到广泛应用。
目前针对中低分辨率的遥感数据,通常采用基于像素的监督分类方法获取分类结果(如最大似然法);伴随着机器学习方法的发展,人工神经网络、支持向量机、决策树等方法也逐步在滨海湿地遥感分类中得到应用。随着遥感数据空间分辨率的不断提高,面向对象的分类方法在小范围、高精度的滨海湿地分类中也经常使用。
随着对滨海湿地监测逐步的精细化,当前的滨海湿地分类研究取得了丰硕的成果,同时也面临着一些问题:1)基于遥感影像的传统分类方法,如基于极大似然法和决策树等的影像分类,尽管能获取滨海湿地动态分布信息,但是“同质异谱”与“同谱异质”易造成滨海湿地地物的错分从而降低分类精度;2)由于面向对象的方法需要提取影像的多种特征信息用于分类过程中的属性计算,特征过多易反而造成分类精度下降。
发明内容
本发明的目的是克服现有技术的不足,提供一种充分利用了遥感数据的光谱信息和滨海湿地的纹理信息对遥感影像进行多尺度分割的基于分层策略的滨海湿地遥感分类方法。
本发明的目的是通过以下技术方案实现的:基于分层策略的滨海湿地遥感分类方法,包括以下步骤:
步骤1,对遥感数据进行预处理;
步骤2,基于遥感指数获取的植被指数,水体指数和基于缨帽变换获取的亮度辅助数据进行选样;
步骤3,对多光谱影像和辅助数据进行粗分类;
步骤4,对耕地、林地、城镇区域进行掩膜;
步骤5,用LBP局部二值模式算子来描述图像局部纹理特征;
步骤6,结合步骤3所得到的光谱信息和步骤4所得到的空间纹理信息,对水体和湿地区域进行影像分割,并对该区域进行精细分类;
步骤7,导出耕地、林地、城镇、人工运河、河流、滩涂、沼泽、养殖池塘、水库和浅海水域对象,获得滨海湿地矢量数据;
步骤8,制作滨海湿地专题地图。
作为优选:所述步骤5中:局部纹理特征的获得通过利用不断旋转圆形邻域得到一系列初始定义的LBP值,取其最小值作为该邻域的LBP值;其实现方式为:
其中,p表示3×3窗口中除中心像素点外的第p个像素点;I(c)表示中心像素点的灰度值,I(p)表示领域内第p个像素点的灰度值;s(x)公式如下:
对LBP的结果进行二进制编码,并做循环位移,取所有结果中最小的那个值:
作为优选:所述步骤6中:首先,用基于图的聚类方式将图像进行聚类,数据用图表示,其节点是对象,而边代表对象之间的联系;簇可以定义为连通分支:相互连通但不与组外对象联通的对象组;基于临近的簇:其中两个对象是相连的,仅当他们的距离在指定范围内;其主要内容为:
在标准随机块模型中,节点被划分为不相交的簇,图中的边是独立选择的;同一簇中一对节点之间的边的概率为p,对于不同簇中的一对节点,边的概率为q;为了写出它的ML估计量,我们用对应的簇矩阵表示任意候选簇,其中当且仅当和j被分配到同一个簇时,yij=0否则yij=1;特别是,对于属于集群的任何节点yij=1;设为图的观测邻接矩阵,假设aij=1,对所有的都成立,则给定Y的对数似然函数是:
重新排列,得到
其中,C为与Y无关的集;在Y为聚类矩阵的前提下,最大似然估计量将最大化上述表达;
本发明的有益效果是:本发明不仅可以节省时间、人力、物力和财力,还可以快速准确的获取滨海湿地分类,分类结果精度高,具有明显的地理意义。本发明克服了滨海湿地分布范围较小且混含度大,在传统的分类提取技术在提取滨海湿地地物漏分和错分现象严重的困难。本发明将滨海湿地分类流程化,加速了提取速度,提高了效率。
附图说明
图1是本发明的实施例流程图;
图2是杭州湾南岸示意图;
图3是利用多种特征信息,粗分类示意图;
图4是杭州湾分类结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明提出的基于分层策略的滨海湿地遥感分类方法,充分利用Landsat遥感数据的光谱特性,首先通过遥感指数计算有效提取水体和湿地范围,然后基于光谱和纹理特征信息对水体和湿地范围影像进行多尺度分割,实现滨海湿地精细分类,最后将所有分类结果进行融合获得最终分类结果。总之,本发明提出的方法在保障分类精度的前提下逐步提高参与分类的样本信息的精确度,最终实现精细化分类,为后续应用提供可靠的支持。因此,本发明提出的方法具有重要的实际应用意义。
本发明技术方案可采用计算机软件实现自动运行流程。以下结合图1详述基于分层策略的滨海湿地遥感分类方法的步骤。
步骤1,下载实验所用的Landsat遥感影像,为消除由大气散射所引起的辐射误差和由于卫星姿态变化、地形起伏、地球自转和曲率等因素引起的地球畸变和几何畸变,利用ENVI5.3进行几何校正,具体几何校正为现有技术。
步骤2,对遥感数据提取光谱特征,并利用归一化差异水体指数(ModifiedNormalized Difference Water Index,MNDWI),增强型植被指数(Enhanced VegetationIndex,EVI),比值植被指数(Ratio Vegetation Index,RVI)和缨帽变换的亮度(BI)分量计算对象的波段特征进行选样:
主要的遥感指数公式如下:
BI=0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4438TM5+0.1706TM7 (6)
步骤3,利用步骤3的多种特征信息,进行粗分类,得到水体、湿地、耕地、林地、城镇五类地物。
步骤4,对耕地、林地、城镇区域进行掩膜。
步骤5,LBP方法是结合了统计方法和结构分析方法的一种结构简单,功能强大的算法。它利用中心灰度值与周围灰度值相比较而得到局部区域内的纹理特征,用一连串的二进制码来描述。
LBP描述的是中心像素值跟周围像素值的相关关系,是两两对比,因此整个图像的灰度线性变化并不影响它,故LBP具有灰度不变性。但却不是旋转不变的,因此,本步骤选用LBP的旋转不变模式,即不断旋转圆形邻域得到一系列初始定义的LBP值,取其最小值作为该邻域的LBP值。其实现方式为:
其中,p表示3×3窗口中除中心像素点外的第p个像素点;I(c)表示中心像素点的灰度值,I(p)表示领域内第p个像素点的灰度值;s(x)公式如下:
对LBP的结果进行二进制编码,并做循环位移,取所有结果中最小的那个值:
步骤6,本步骤的目的是将影像进行聚类,然后在图像平面内,将相互连接而且属于同一聚类得像素连接形成区域,实现图像的分割。首先,用基于图的聚类方式将图像进行聚类,也即是如果数据用图表示,其节点是对象,而边代表对象之间的联系。簇可以定义为连通分支:相互连通但不与组外对象联通的对象组。基于临近的簇:其中两个对象是相连的,仅当他们的距离在指定范围内。其主要内容为:
在标准随机块模型中,节点被划分为不相交的簇,图中的边是独立选择的;同一簇中一对节点之间的边的概率为p,对于不同簇中的一对节点,边的概率为q。为了写出它的ML估计量,我们用对应的簇矩阵表示任意候选簇,其中当且仅当和j被分配到同一个簇时,yij=0否则yij=1。特别是,对于属于集群的任何节点yij=1。设为图的观测邻接矩阵(假设aij=1,对所有的都成立)则给定Y的对数似然函数是:
重新排列,得到
其中,C为与Y无关的集。在Y为聚类矩阵的前提下,最大似然估计量将最大化上述表达。
本步骤所用算法虽然作为标准随机块模型得最大似然估计量得松弛,但在一般的设置中建立了性能保障。
步骤7,导出耕地、林地、城镇、人工运河、河流、滩涂、沼泽、养殖池塘、水库和浅海水域对象,获得滨海湿地矢量数据;
步骤8,制作滨海湿地专题地图。
本实例试验数据研究选取2005年6月4日-20日杭州湾南岸为例(图2),数据为Landsat ETM+数据。
经过提取多种特征信息实现了粗分类,得到水体、湿地、耕地、林地、城镇五类地物(图3),且总体精度OA=96.29%。经过纹理计算分割聚类后获得耕地、林地、城镇、人工运河、河流、滩涂、沼泽、养殖池塘、水库和浅海水域14类地物(图4),总体精度OA=90.15%,虽然有所降低,但仍能够保证实际应用。
Claims (1)
1.一种基于分层策略的滨海湿地遥感分类方法,其特征在于,包括以下步骤:
步骤1,对遥感数据进行预处理;
步骤2,基于遥感指数获取的植被指数,水体指数和基于缨帽变换获取的亮度辅助数据进行选样;
步骤3,对多光谱影像和辅助数据进行粗分类;
步骤4,对耕地、林地、城镇区域进行掩膜;
步骤5,用LBP局部二值模式算子来描述图像局部纹理特征;所述步骤5中:局部纹理特征的获得通过利用不断旋转圆形邻域得到一系列初始定义的LBP值,取其最小值作为该邻域的LBP值;其实现方式为:
其中,p表示3×3窗口中除中心像素点外的第p个像素点;I(c)表示中心像素点的灰度值,I(p)表示领域内第p个像素点的灰度值;s(x)公式如下:
对LBP的结果进行二进制编码,并做循环位移,取所有结果中最小的那个值:
步骤6,结合步骤3所得到的光谱信息和步骤4所得到的空间纹理信息,对水体和湿地区域进行影像分割,并对该区域进行精细分类;所述步骤6中:
首先,用基于图的聚类方式将图像进行聚类,数据用图表示,其节点是对象,而边代表对象之间的联系;簇可以定义为连通分支:相互连通但不与组外对象联通的对象组;基于临近的簇:其中两个对象是相连的,仅当他们的距离在指定范围内;其主要内容为:
在标准随机块模型中,节点被划分为不相交的簇,图中的边是独立选择的;同一簇中一对节点之间的边的概率为p,对于不同簇中的一对节点,边的概率为q;为了写出它的ML估计量,我们用对应的簇矩阵Y∈Rn×n表示任意候选簇,其中当且仅当i和j被分配到同一个簇时,yij=0否则yij=1;特别是,对于属于集群的任何节点i,yij=1;设A∈Rn×n为图的观测邻接矩阵,假设aij=1,对所有的i都成立,则给定Y的对数似然函数是:
重新排列,得到
其中,C为与Y无关的集;在Y为聚类矩阵的前提下,最大似然估计量将最大化上述表达;
通过替代约束“Y是一个聚类矩阵”,得到了一种凸算法,对于所有的(i,j)都有0≤yij≤1;由于知道p和q,需要选择一个数字t(p<t<q),遵循凸算法,其主要内容是:
步骤7,导出耕地、林地、城镇、人工运河、河流、滩涂、沼泽、养殖池塘、水库和浅海水域对象,获得滨海湿地矢量数据;
步骤8,制作滨海湿地专题地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524068.4A CN109657598B (zh) | 2018-12-13 | 2018-12-13 | 基于分层策略的滨海湿地遥感分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524068.4A CN109657598B (zh) | 2018-12-13 | 2018-12-13 | 基于分层策略的滨海湿地遥感分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657598A CN109657598A (zh) | 2019-04-19 |
CN109657598B true CN109657598B (zh) | 2020-05-05 |
Family
ID=66114532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524068.4A Active CN109657598B (zh) | 2018-12-13 | 2018-12-13 | 基于分层策略的滨海湿地遥感分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657598B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800826A (zh) * | 2020-12-15 | 2021-05-14 | 四川航天神坤科技有限公司 | 一种基于遥感影像分类的城市变化监测方法及系统 |
CN112883960B (zh) * | 2021-01-25 | 2022-08-26 | 山东浪潮科学研究院有限公司 | 一种海水养殖区域提取方法及装置 |
CN114399685B (zh) * | 2022-03-25 | 2022-06-21 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
CN115631372B (zh) * | 2022-10-18 | 2023-06-09 | 菏泽市土地储备中心 | 基于土壤遥感数据的土地信息分类管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
CN107909039A (zh) * | 2017-11-16 | 2018-04-13 | 武汉大学 | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 |
CN108596029A (zh) * | 2018-03-20 | 2018-09-28 | 尚正(北京)信息技术有限公司 | 农作物分类方法、装置、计算机设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011069188A1 (en) * | 2009-12-07 | 2011-06-16 | Agent Smith Pty Ltd | Unified content scanning and reporting engine |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN105447274B (zh) * | 2015-12-22 | 2018-07-27 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
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 |
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
-
2018
- 2018-12-13 CN CN201811524068.4A patent/CN109657598B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
CN107909039A (zh) * | 2017-11-16 | 2018-04-13 | 武汉大学 | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 |
CN108596029A (zh) * | 2018-03-20 | 2018-09-28 | 尚正(北京)信息技术有限公司 | 农作物分类方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109657598A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657598B (zh) | 基于分层策略的滨海湿地遥感分类方法 | |
Duan et al. | Mapping national-scale aquaculture ponds based on the Google Earth Engine in the Chinese coastal zone | |
CN102013015A (zh) | 一种面向对象的遥感影像海岸线提取方法 | |
CN111310681B (zh) | 一种融入地学知识的红树林分布遥感提取方法 | |
Xu et al. | Monitoring coastal reclamation changes across Jiangsu Province during 1984–2019 using landsat data | |
CN113971769B (zh) | 基于多源大数据的海岸带地域功能长时序识别方法 | |
KAVZOĞLU et al. | The use of object-based image analysis for monitoring 2021 marine mucilage bloom in the sea of marmara | |
Xing et al. | A coastal wetlands mapping approach of Yellow River Delta with a hierarchical classification and optimal feature selection framework | |
CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
Kaiser | Environmental changes, remote sensing, and infrastructure development: The case of Egypt's East Port Said harbour | |
Yan et al. | Sea reclamation in mainland China: process, pattern, and management | |
CN111862134B (zh) | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 | |
Peng et al. | Detailed wetland-type classification using Landsat-8 time-series images: a pixel-and object-based algorithm with knowledge (POK) | |
Sun et al. | Policy-driven opposite changes of coastal aquaculture ponds between China and Vietnam: Evidence from Sentinel-1 images | |
Liu et al. | Fine-grained wetland classification for national wetland reserves using multi-source remote sensing data and Pixel Information Expert Engine (PIE-Engine) | |
Hui et al. | Coastline extraction based on multi-scale segmentation and multi-level inheritance classification | |
Jiang et al. | Dynamics of coastal land-based aquaculture pond in China and Southeast Asia from 1990 to 2020 | |
CN115063437A (zh) | 一种红树林冠层可见光图像指数特征分析方法及系统 | |
Moravej et al. | Comparison of automated and manual landform delineation in semi detailed soil survey procedure | |
CN113724389A (zh) | 基于面向对象分层决策树的湿地制图方法 | |
Nashait et al. | Integrating various satellite images for identification of the water bodies through using machine learning: A case study of Salah Adin, Iraq | |
Ciaburri et al. | Automatic extraction of rivers from satellite images using image processing techniques | |
Hu et al. | Tidal flats dataset covers coastal region in north of 18 N latitude of China,(1989-2020) | |
Nanda et al. | SVM and OBIA based Comparative Analysis on LANDSAT Multi Temporal Data for Wetland Mapping | |
Li et al. | Dynamics changes of coastal aquaculture ponds based on the Google Earth Engine in Jiangsu Province, China |
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 |