CN109670408A - 一种基于对象的遥感图像水体提取方法 - Google Patents
一种基于对象的遥感图像水体提取方法 Download PDFInfo
- Publication number
- CN109670408A CN109670408A CN201811432404.2A CN201811432404A CN109670408A CN 109670408 A CN109670408 A CN 109670408A CN 201811432404 A CN201811432404 A CN 201811432404A CN 109670408 A CN109670408 A CN 109670408A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- clean water
- wave band
- particle
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 29
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002028 premature Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 241001070941 Castanea Species 0.000 claims description 2
- 235000014036 Castanea Nutrition 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000006463 Talin Human genes 0.000 description 1
- 108010083809 Talin Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000001514 detection method 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
- 238000003709 image segmentation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
Abstract
本发明公开了一种基于对象的遥感图像水体提取方法,首先,对预先获取的原始遥感图像进行预处理,获取各波段地物反射率和灰度值;其次,基于对象特征的选择,构建对象特征空间,并将特征数据集随机划分为训练集与测试集;最后,采用添加变异算子的粒子群优化算法对预先构建的基于支持向量机的水体提取模型进行优化,同时通过适应度来确定每一次寻找到的参数组合是否为全局最优,如果是,输出最优参数组合;否则通过变异操作,继续迭代直到找到全局最优解。本发明采用结构简单收敛速度快的自适应变异粒子群算法改进基于SVM的水体信息提取模型,在时间成本上更加节约且分类精度也有一定提高,提取的水体信息结果精度大幅上升。
Description
技术领域
本专利申请涉及遥感图像处理领域,特别涉及一种基于对象的遥感图像水体提取方法。
背景技术
随着遥感技术的进一步发展,通过对遥感影像的分析进而实现水体信息的精确提取对于水资源管理、旱涝预警、凌汛监测等具有重要的意义。高分辨率遥感图像的产生与应用对于进一步的遥感监测研究十分关键,但是也对传统的遥感图像分析方法提出了更高的要求。遥感图像分析的目的就是通过图像分割、分类、识别、检测和测量等方法和手段分析图像中的目标以及获取该目标的相关参数,从中提取关键地物信息。虽然遥感图像分析方法经过了长时间的研究,但由于遥感图像自身存在的诸多不确定性、地物自身的复杂性以及认知科学的相关研究尚未成熟,传统的基于像素的遥感图像分析方法很难突破瓶颈。
为了解决上述的关键问题,同时随着机器学习方法的发展与应用,大量研究人员希望通过机器学习的方式,构造算法与模型,进一步的提高遥感影像地物信息的提取精度。支持向量机(SVM)的方法作为代表性的机器学习算法,在构造基于对象的遥感图像地物信息提取模型时具有较好的效果。然而,更进一步的优化SVM参数提高模型效率仍旧是一个需要深入研究的领域。
发明内容
发明目的:本发明提出一种基于对象的遥感图像水体提取方法,能克服基于像素的方法存在的鲁棒性差、高维特征描述困难等问题。
技术方案:本发明所述的一种基于对象的遥感图像水体提取方法,包括以下步骤:
(1)对预先获取的原始遥感图像进行预处理,获取各波段地物反射率和灰度值;
(2)基于对象特征的选择,构建对象特征空间,并将特征数据集随机划分为训练集与测试集;
(3)采用添加变异算子的粒子群优化算法对预先构建的基于支持向量机的水体提取模型进行优化,同时通过适应度来确定每一次寻找到的参数组合是否为全局最优,如果是,输出最优参数组合;否则通过变异操作,继续迭代直到找到全局最优解。
步骤(2)所述的对象特征主要包括波段1-4光谱信息、归一化水体差异指数、纹理信息熵数值。
步骤(2)所述特征数据集主要包括每个对象包含的像素数量,对象的特征阈值。
所述步骤(2)包括以下步骤:
(21)根据地物光谱选择高分1号遥感图像波段1、波段2、波段3、波段4、归一化水体差异指数以及灰度共生矩阵的纹理特征,作为对象的6个特征属性;
(22)分别计算每个像元的6个属性的属性值,以此6个属性方向向量的合成向量区分水体与非水体;
(23)将特征数据集划分为训练集和测试集。
所述步骤(3)包括以下步骤:
(31)选取具有较宽收敛性且不受维数严格限制的径向基函数作为分类依据函数;
(32)初始化粒子,粒子内容包含惩罚参数和和函数参数两部分;
(33)为解决早熟收敛和迭代效率不高导致的参数寻优差的缺陷,定义群体适应度方差σ2:根据定义,群体适应度方差反映所有粒子的收敛程度,其值越小越趋于收敛,反之则进行随机搜索;结合全局极值f(Pg)和理论极值fd,通过和f(Pg)≥fd判别收敛,其中SVM分类精确度作为粒子的适应度函数fi为粒子的适应度,favg为所有粒子当前的平均适应度;当出现早熟收敛时,全局极值一定是局部最优解,此时通过变异操作来改变栗子前进方向后,让粒子进入其他区域进行搜索,不断寻找新的局部和全局极值,循环往复,直至寻找到全局最优解,其中,定义变异操作为一个增加随机扰动的方法:其中为全局极值在第k维的取值,η是一个服从(0,1)高斯分布的随机变量。
有益效果:与现有技术相比,本发明的有益效果:1、根据多维特征空间构建对象的分类提取模型,相比于基于像素的方法(以光谱指数法为主),水体信息提取结果精度大幅上升;2、采用结构简单收敛速度快的自适应变异粒子群算法改进基于SVM的水体信息提取模型,在时间成本上更加节约且分类精度也有一定提高。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明所述的一种基于对象的遥感图像水体提取方法,包括以下步骤:
1、获取原始遥感图像并进行图像预处理,对原始遥感图像进行绝对辐射定标与大气校正之后,获取各波段地物反射率和灰度值。
在本实施方式中,所述水体提取方法主要应用于在有效避免山体阴影等噪声干扰的条件下,精确快速的提取具有水体特征的区域。
具体地,在步骤1中包括如下步骤:
(1)实验采用数据为高分1号陆地资源卫星16m精度多光谱宽幅高分辨率遥感图像,相较于Landsat、Google Eyes,具有影像获取时间快监测范围广,对于短时间间隔的变化监测具有重要意义,同时四波段光谱特征已满足研究和应用需求。
(2)由于原始遥感图像尺寸过大,剪裁为若干含水体区域图像作实验研究且无需同一尺度大小;
(3)针对获取时间进行特定的绝对辐射定标参数设定和大气校正模型,处理过程通过ENVI 5.3实现;
(4)预处理后,输出得到地物反射率和灰度值。
2、构造对象,主要包括对象特征的选择,在本专利中采用波段1-4光谱信息、归一化水体差异指数(NDWI)和纹理特征共计6个特征构建对象特征空间,并将数据集划分为训练集与测试集。
根据地物光谱选择高分1号遥感图像波段1、波段2、波段3、波段4、归一化水体差异指数以及灰度共生矩阵的纹理特征,作为对象的6个特征属性,根据步骤S1的预处理,分别计算每个像元的6个属性的属性值,以此6个属性方向向量的合成向量区分水体与非水体。其中归一化水体差异指数计算公式为:band2、band4分别为波段2和波段4地物反射率,其数值在S1步骤中已得出。灰度共生矩阵的纹理特征计算公式为:其中Pi,j为矩阵(i,j)点的归一化值,N为矩阵的像素数。
3、构建一个基于支持向量机的水体提取模型,并采用自适应变异粒子群算法对支持向量机算法中的参数(惩罚参数和核函数参数)进行优化,通过适应度函数来确定每一次寻找到的参数组合是否为全局最优,如果是,输出最优参数组合;否则继续迭代直到找到全局最优解,具体地,包括如下步骤:
(1)确定选取具有较宽收敛性且不受维数严格限制的RBF核函数作为分类依据函数;
(2)初始化粒子,粒子内容包含惩罚参数和和函数参数两部分;
(3)为解决早熟收敛和迭代效率不高导致的参数寻优差的缺陷,定义群体适应度方差σ2:来反映所有粒子的收敛程度,其值越小越趋于收敛,反之则进行随机搜索。结合全局极值f(Pg)和理论极值fd,通过和f(Pg)≥fd作为收敛判别条件,其中适应度函数由SVM分类精确度决定,fi为粒子的适应度,favg为所有粒子当前的平均适应度。
因此,当出现早熟收敛时,全局极值一定是局部最优解,此时通过变异操作来改变粒子前进方向后,让粒子进入其他区域进行搜索,不断寻找新的局部和全局极值,循环往复,直至寻找到全局最优解。其中,定义变异操作为一个增加随机扰动的方法:其中为全局极值在第k维的取值,η是一个服从(0,1)高斯分布的随机变量。
通过以上算法获取全局最优解,即粒子所在位置的两个部分参数数值,作为最终获取的最优SVM输入参数组合。
将获得的最优SVM参数组合输入模型并对测试集和完整待提取图像数据进行实验验证,获取水体信息提取结果矢量图(在图像中区分水体与非水体部分),并采用计算分类精度(kappa系数)作为水体提取结果的量化指标。在本实施方式中,通过自适应变异离子群优化算法迭代寻找得到最优解后,通过输入任意一张或多张遥感图像,通过处理后输出的图像是非水体与水体两大向量的矢量图,以颜色及边界轮廓区分。
表1精度对比
方法 | KNN | PCA | SVM | PSO-SVM | 本发明方法 |
生产精度 | 90.51% | 91.45% | 90.97% | 93.78% | 94.21% |
用户精度 | 94.13% | 89.72% | 95.58% | 94.01% | 95.33% |
全局精度 | 91.80% | 90.33% | 91.93% | 94.18% | 94.87% |
Kappa系数 | 0.8631 | 0.8356 | 0.8658 | 0.9079 | 0.9135 |
表1为采用不同算法基于宁蒙河段的一部分黄河河道遥感图像水体提取,实验结果表明,相比于其他基于对象的方法,基于SVM的方法表现出较高的精度以及Kappa系数,与此同时,优化后的SVM具有更优的结果。相比于基于粒子群优化的SVM方法,本文所提方法在精度方面也具备一定程度的提高。
Claims (5)
1.一种基于对象的遥感图像水体提取方法,其特征在于,包括以下步骤:
(1)对预先获取的原始遥感图像进行预处理,获取各波段地物反射率和灰度值;
(2)基于对象特征的选择,构建对象特征空间,并将特征数据集随机划分为训练集与测试集;
(3)采用添加变异算子的粒子群优化算法对预先构建的基于支持向量机的水体提取模型进行优化,同时通过适应度来确定每一次寻找到的参数组合是否为全局最优,如果是,输出最优参数组合;否则通过变异操作,继续迭代直到找到全局最优解。
2.根据权利要求1所述的一种基于对象的遥感图像水体提取方法,其特征在于,步骤(2)所述的对象特征主要包括波段1-4光谱信息、归一化水体差异指数、纹理信息熵数值。
3.根据权利要求1所述的一种基于对象的遥感图像水体提取方法,其特征在于,步骤(2)所述特征数据集主要包括每个对象包含的像素数量和对象的特征阈值。
4.根据权利要求1所述的一种基于对象的遥感图像水体提取方法,其特征在于,所述步骤(2)包括以下步骤:
(21)根据地物光谱选择高分1号遥感图像波段1、波段2、波段3、波段4、归一化水体差异指数以及灰度共生矩阵的纹理特征,作为对象的6个特征属性;
(22)分别计算每个像元的6个属性的属性值,以此6个属性方向向量的合成向量区分水体与非水体;
(23)将特征数据集划分为训练集和测试集。
5.根据权利要求1所述的一种基于对象的遥感图像水体提取方法,其特征在于,所述步骤(3)包括以下步骤:
(31)选取具有较宽收敛性且不受维数严格限制的径向基函数作为分类依据函数;
(32)初始化粒子,粒子内容包含惩罚参数和和函数参数两部分;
(33)为解决早熟收敛和迭代效率不高导致的参数寻优差的缺陷,定义群体适应度方差σ2:根据定义,群体适应度方差反映所有粒子的收敛程度,其值越小越趋于收敛,反之则进行随机搜索;结合全局极值f(Pg)和理论极值fd,通过和f(Pg)≥fd判别收敛,其中SVM分类精确度作为粒子的适应度函数fi为粒子的适应度,favg为所有粒子当前的平均适应度;当出现早熟收敛时,全局极值一定是局部最优解,此时通过变异操作来改变栗子前进方向后,让粒子进入其他区域进行搜索,不断寻找新的局部和全局极值,循环往复,直至寻找到全局最优解,其中,定义变异操作为一个增加随机扰动的方法:其中为全局极值在第k维的取值,η是一个服从(0,1)高斯分布的随机变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811432404.2A CN109670408A (zh) | 2018-11-28 | 2018-11-28 | 一种基于对象的遥感图像水体提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811432404.2A CN109670408A (zh) | 2018-11-28 | 2018-11-28 | 一种基于对象的遥感图像水体提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670408A true CN109670408A (zh) | 2019-04-23 |
Family
ID=66143305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811432404.2A Pending CN109670408A (zh) | 2018-11-28 | 2018-11-28 | 一种基于对象的遥感图像水体提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670408A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175640A (zh) * | 2019-05-22 | 2019-08-27 | 镇江四联机电科技有限公司 | 一种基于机器学习的电液伺服阀故障诊断方法 |
CN111612061A (zh) * | 2020-05-20 | 2020-09-01 | 湖南城市学院 | 一种基于光谱相似尺度算法的支持向量机水体自动提取方法 |
CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN104751176A (zh) * | 2015-03-24 | 2015-07-01 | 河海大学 | 一种高光谱遥感影像波段选择方法 |
-
2018
- 2018-11-28 CN CN201811432404.2A patent/CN109670408A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN104751176A (zh) * | 2015-03-24 | 2015-07-01 | 河海大学 | 一种高光谱遥感影像波段选择方法 |
Non-Patent Citations (3)
Title |
---|
张学良: "《智能优化算法及其在机械工程中的应用》", 30 September 2012 * |
徐星: "《热力学例子群优化算法研究及其应用》", 30 May 2011 * |
杜科林: "基于PSO参数优化支持向量机的湿地遥感分类——以鄱阳湖部分区域为例", 《江西科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175640A (zh) * | 2019-05-22 | 2019-08-27 | 镇江四联机电科技有限公司 | 一种基于机器学习的电液伺服阀故障诊断方法 |
CN111612061A (zh) * | 2020-05-20 | 2020-09-01 | 湖南城市学院 | 一种基于光谱相似尺度算法的支持向量机水体自动提取方法 |
CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和系统 |
CN112380945B (zh) * | 2020-11-06 | 2021-12-21 | 中国电力科学研究院有限公司 | 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN107798348B (zh) | 基于邻域信息深度学习的高光谱图像分类方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN108564115A (zh) | 基于全卷积gan的半监督极化sar地物分类方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN107330875B (zh) | 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 | |
CN106600600A (zh) | 基于特征匹配的晶圆缺陷检测方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN109670408A (zh) | 一种基于对象的遥感图像水体提取方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
CN103473545A (zh) | 一种基于多特征的文本图像相似度度量方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
CN112084842B (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
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 | |
Dong et al. | Fusing multilevel deep features for fabric defect detection based NTV-RPCA | |
CN113361407B (zh) | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
CN107564024B (zh) | 基于单侧聚集线段的sar图像聚集区域提取方法 | |
Ye et al. | Cucumber appearance quality detection under complex background based on image processing | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 |
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: 20190423 |
|
RJ01 | Rejection of invention patent application after publication |