CN109658380A - 基于前期林地矢量数据的林地变化检测方法 - Google Patents
基于前期林地矢量数据的林地变化检测方法 Download PDFInfo
- Publication number
- CN109658380A CN109658380A CN201811329023.1A CN201811329023A CN109658380A CN 109658380 A CN109658380 A CN 109658380A CN 201811329023 A CN201811329023 A CN 201811329023A CN 109658380 A CN109658380 A CN 109658380A
- Authority
- CN
- China
- Prior art keywords
- forest
- vector data
- early period
- obtains
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于前期林地矢量数据的林地变化检测方法,该方法包括步骤1,对前后两期遥感影像进行基于前期林地矢量数据的多尺度分割,分别获取前后两期遥感影像对应的像斑;步骤2,提取前后两期像斑的多维特征,采用基于稀疏表示理论的特征融合方法计算像斑的差异度;步骤3,自适应选择训练样本,使用基于最大期望算法的贝叶斯阈值确定法确定前后两期像斑差异度的变化阈值;步骤4,对步骤2得到的加权差异影像使用步骤3得到的变化阈值进行二值分割,获得林地变化检测结果。本发明能够利用前期林地矢量数据对前后两期遥感影像进行多尺度分割,进而得到林地变化的检测结果。
Description
技术领域
本发明属于遥感影像数据处理领域,涉及一种基于前期林地矢量数据进行多尺度分割,进而提取林地变化信息的检测方法。
背景技术
随着国家可持续发展战略的实施,以六大林业重点工程的全面启动为标志,我国林业进入了一个以可持续发展理论为指导,全面推进跨越式发展的新阶段。但是当前森林资源调查监测多以地面人工调查为主,技术手段落后,监测数据采集、传输和存储的信息化、自动化水平低,导致相关工作耗时长、成本高,调查周期长、频次少、精度受人为因素影响大,需要推动林地变化检测向自动化发展。遥感影像的多尺度分割是基于面向对象方法的遥感影像林地变化检测前提,分割精度在很大程度上决定了变化检测精度。目前多尺度分割方法多集中在定量和定性判别最佳参数的研究,已研究出多种多尺度分割算法,但是实际应用效果却不够理想,难以大规模应用于实际生产。
基于我国已实现年度森林资源年度变更调查,更新年度森林资源数据库和林地矢量数据,根据目前林业调查工作可知,该林地矢量数据可以准确描述森林经营单位的境界线和林班区划线。因此可利用前期林地矢量数据对前后两期遥感影像进行分割,以提高分割精度,进而提高林地变化检测精度。
发明内容
针对目前所存在的问题,本发明提供一种基于前期林地矢量数据的林地变化检测方法,该方法能够利用前期林地矢量数据对前后两期遥感影像进行多尺度分割,进而得到林地变化的检测结果。
本发明基于前期林地矢量数据的林地变化检测方法,包括以下步骤:
步骤1,对前后两期遥感影像进行基于前期林地矢量数据的多尺度分割,分别获取前后两期遥感影像对应的像斑;
步骤2,提取前后两期像斑的多维特征,采用基于稀疏表示理论的特征融合方法计算像斑的差异度;
步骤3,自适应选择训练样本,使用基于最大期望(expectation maximization,EM)算法的贝叶斯阈值确定法确定前后两期像斑差异度的变化阈值;
步骤4,对步骤2得到的加权差异影像使用步骤3得到的变化阈值进行二值分割,获得林地变化检测结果。
所述步骤1中,分割后的像斑使用分形网络演化算法再次进行分割,生成子像斑。
所述步骤2的特征包括植被变化指数特征、归一化水指数特征、光谱特征、近红外波段标准差特征和近红外波段灰度共生矩阵纹理特征。
本发明利用前期林地矢量数据对前后两期遥感影像进行分割,通过分割的像斑一系列的操作,获得林地变化检测结果,本发明的使用提高了当前森林资源调查监测的信息化和自动化,检测效率高,检测精度高。
附图说明
图1为本发明实施例的流程示意图;
具体实施方式
以下结合附图和实施例详细说明本发明的具体实施方式。
如图1所示,本发明基于前期林地矢量数据的林地变化检测方法,包括以下步骤:
步骤1,将前期林地矢量数据与前后两期遥感影像配准套合,以前期林地像斑矢量边界为准对前后两期遥感影像进行多尺度分割,获取两期遥感影像对应的林地像斑。由于变化区域没有规律性,很少变化区域正好对用一个前期林地像斑,不能保证分割后像斑的光谱同质性,使得后续变化检测变得困难。因此有必要对分割后的林地像斑使用分形网络演化算法再次进行分割,生成子像斑,从而保证各林地像斑内的光谱同质性。
分形网络演化算法基于像素自下而上的增长,在保证异质性最小的前提下,把光谱信息相近的且相邻的像元合并为一个光谱同质的像斑。
步骤2,遥感影像具有非常丰富的纹理特征、植被指数特征和光谱特征,提取像斑的光谱特征、植被变化指数(NDVI)特征、归一化水指数(NDWI)特征、近红外波段标准差特征、近红外波段灰度共生矩阵纹理特征遥感影像特征,得到各特征的特征向量,进而采用基于稀疏表示理论的特征融合方法计算像斑的加权差异度。
基于稀疏表示理论的特征融合方法是使用数据稀疏这一先验知识,从所有特征向量中找到尽可能少的元素对目标信号进行稀疏表示。即假设像斑各特征向量表示为则对于目标向量bb,我们希望找到一个向量使得Ax=b并且向量x的l0l0范数最小,但由于难以求解l0l0范数,一般使用l1l1范数代替,用公式表示为:
min||x||1
s.t Ax=b
最终得到的x即为基于稀疏表示理论的特征融合方法所得的特征联合稀疏向量,这个向量就是遥感像斑多特征融合的结果。
步骤3,自适应选择训练样本,使用基于EM算法的贝叶斯阈值确定法确定前后两期像斑的变化阈值。
自适应选择样本像斑,假设选取的N个样本像斑为xi(i=1,...,N),样本像斑差异度越大,其标准差越大,计算其标准差σi以表征差异像斑的变化程度。将差异度较大的样本像斑称为强差异像斑,将σi由大到小排序,提取前50%对应的样本像斑样本,通过基于EM算法的贝叶斯阈值确定方法获得变化阈值T。
步骤4,利用T对步骤2得到差异度像斑进行二值分割,获得林地变化像斑检测结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种基于前期林地矢量数据的林地变化检测方法,其特征在于包括以下步骤:
步骤1,对前后两期遥感影像进行基于前期林地矢量数据的多尺度分割,分别获取前后两期遥感影像对应的像斑;
步骤2,提取前后两期像斑的多维特征,采用基于稀疏表示理论的特征融合方法计算像斑的差异度;
步骤3,自适应选择训练样本,使用基于最大期望算法的贝叶斯阈值确定法确定前后两期像斑差异度的变化阈值;
步骤4,对步骤2得到的加权差异影像使用步骤3得到的变化阈值进行二值分割,获得林地变化检测结果。
2.根据权利要求1所述的基于前期林地矢量数据的林地变化检测方法,其特征在于:所述步骤1中,分割后的像斑使用分形网络演化算法再次进行分割,生成子像斑。
3.根据权利要求1所述的基于前期林地矢量数据的林地变化检测方法,其特征在于:所述步骤2的特征包括植被变化指数特征、归一化水指数特征、光谱特征、近红外波段标准差特征和近红外波段灰度共生矩阵纹理特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811329023.1A CN109658380A (zh) | 2018-11-09 | 2018-11-09 | 基于前期林地矢量数据的林地变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811329023.1A CN109658380A (zh) | 2018-11-09 | 2018-11-09 | 基于前期林地矢量数据的林地变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109658380A true CN109658380A (zh) | 2019-04-19 |
Family
ID=66110729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811329023.1A Pending CN109658380A (zh) | 2018-11-09 | 2018-11-09 | 基于前期林地矢量数据的林地变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658380A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852381A (zh) * | 2019-11-11 | 2020-02-28 | 四川航天神坤科技有限公司 | 一种林火火烧迹地的提取方法及系统 |
CN111680704A (zh) * | 2020-06-11 | 2020-09-18 | 生态环境部卫星环境应用中心 | 海洋红线新增人类活动斑块自动化快速提取方法和装置 |
CN112435268A (zh) * | 2020-11-17 | 2021-03-02 | 中国资源卫星应用中心 | 一种基于多源遥感影像提取过火区域的方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN106022391A (zh) * | 2016-05-31 | 2016-10-12 | 哈尔滨工业大学深圳研究生院 | 一种高光谱图像特征的并行提取与分类方法 |
CN107633482A (zh) * | 2017-07-24 | 2018-01-26 | 西安电子科技大学 | 一种基于序列图像的超分辨率重建方法 |
CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
CN108122008A (zh) * | 2017-12-22 | 2018-06-05 | 杭州电子科技大学 | 基于稀疏表示和多特征决策级融合的sar图像识别方法 |
US20180260657A1 (en) * | 2016-11-01 | 2018-09-13 | Shenzhen University | Method and system for extracting and classifying features of hyperspectral remote sensing image |
CN108664911A (zh) * | 2018-05-04 | 2018-10-16 | 武汉科技大学 | 一种基于图像稀疏表示的鲁棒人脸识别方法 |
-
2018
- 2018-11-09 CN CN201811329023.1A patent/CN109658380A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN106022391A (zh) * | 2016-05-31 | 2016-10-12 | 哈尔滨工业大学深圳研究生院 | 一种高光谱图像特征的并行提取与分类方法 |
US20180260657A1 (en) * | 2016-11-01 | 2018-09-13 | Shenzhen University | Method and system for extracting and classifying features of hyperspectral remote sensing image |
CN107633482A (zh) * | 2017-07-24 | 2018-01-26 | 西安电子科技大学 | 一种基于序列图像的超分辨率重建方法 |
CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
CN108122008A (zh) * | 2017-12-22 | 2018-06-05 | 杭州电子科技大学 | 基于稀疏表示和多特征决策级融合的sar图像识别方法 |
CN108664911A (zh) * | 2018-05-04 | 2018-10-16 | 武汉科技大学 | 一种基于图像稀疏表示的鲁棒人脸识别方法 |
Non-Patent Citations (3)
Title |
---|
MENG LIU ET AL: "Change detection in urban areas of high-resolution polarization SAR images using heterogeneous clutter models", 《2011 3RD INTERNATIONAL ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR)》 * |
王婧兴: "基于矢量数据的遥感影像分割方法研究", 《科技创新导报》 * |
贾永红: "一种新的遥感影像变化检测方法", 《武汉大学学报·信息科学版》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852381A (zh) * | 2019-11-11 | 2020-02-28 | 四川航天神坤科技有限公司 | 一种林火火烧迹地的提取方法及系统 |
CN111680704A (zh) * | 2020-06-11 | 2020-09-18 | 生态环境部卫星环境应用中心 | 海洋红线新增人类活动斑块自动化快速提取方法和装置 |
CN112435268A (zh) * | 2020-11-17 | 2021-03-02 | 中国资源卫星应用中心 | 一种基于多源遥感影像提取过火区域的方法及装置 |
CN112435268B (zh) * | 2020-11-17 | 2023-12-26 | 中国资源卫星应用中心 | 一种基于多源遥感影像提取过火区域的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
CN102364498B (zh) | 一种基于多标签的图像识别方法 | |
CN109658380A (zh) | 基于前期林地矢量数据的林地变化检测方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN109815357A (zh) | 一种基于非线性降维及稀疏表示的遥感图像检索方法 | |
CN113033714B (zh) | 多模态多粒度遥感影像面向对象全自动机器学习方法及系统 | |
CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
CN104751199A (zh) | 一种棉花裂铃期自动检测方法 | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
CN108846360A (zh) | 草原盐渍化的遥感识别方法、装置及计算机可读储存介质 | |
CN112560949B (zh) | 基于多级统计学特征提取的高光谱分类方法 | |
Islam et al. | Nitrogen fertilizer recommendation for paddies through automating the Leaf Color Chart (LCC) | |
CN103824083B (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
CN105550707A (zh) | 一种烟田遥感数据的分类提取方法 | |
Huang et al. | Tea garden detection from high-resolution imagery using a scene-based framework | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
Li et al. | Texture-Aware Self-Attention Model for Hyperspectral Tree Species Classification | |
Lin et al. | In defense of iterated conditional mode for hyperspectral image classification |
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: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |