CN109670425A - 一种基于多尺度思想的地物信息提取方法 - Google Patents

一种基于多尺度思想的地物信息提取方法 Download PDF

Info

Publication number
CN109670425A
CN109670425A CN201811491022.7A CN201811491022A CN109670425A CN 109670425 A CN109670425 A CN 109670425A CN 201811491022 A CN201811491022 A CN 201811491022A CN 109670425 A CN109670425 A CN 109670425A
Authority
CN
China
Prior art keywords
scale
ground object
image
remote sensing
target
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
Application number
CN201811491022.7A
Other languages
English (en)
Inventor
王冬利
承达瑜
许佳木
赵玉玲
张安兵
刘海新
赵安周
王贺封
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN201811491022.7A priority Critical patent/CN109670425A/zh
Publication of CN109670425A publication Critical patent/CN109670425A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques

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 Analysis (AREA)

Abstract

本发明属于遥感影像分类领域，具体涉及一种基于多尺度思想的地物信息提取方法，明确目标地物遥感提取的特征信息；然后根据目标地物特征、其他干扰地物特征以及遥感数据的可获取性，选择最佳时相数据；采用多尺度技术对目标区域的遥感影像进行多空间分辨率尺度表达，基于由粗到精、从低到高或从大尺度到小尺度的顺序，逐层应用非监督分类提取目标地物信息；精度验证。本发明采用多种不同空间分辨率的遥感影像数据构建多尺度空间数据，结合非监督分类技术从空间尺度由大到小、分辨率由低到高逐层提取，使得目标区域目标地物信息的提取由概略到具体，由模糊到更准确，可以用于农业、林业等领域，逐步精确地表地物空间分布信息。

Description

一种基于多尺度思想的地物信息提取方法
技术领域
本发明属于遥感影像分类领域，具体涉及一种基于多尺度思想的地物信息提取方法。
背景技术
遥感作为当今非常重要的一种空间信息获取手段，基于遥感数据进行地物信息提取技术与方法的研究具有重要的科学价值与应用意义。随着空间信息技术的发展，遥感信息分类提取技术得到了越来越广泛地应用，如农业遥感、城市遥感、水利、地质等众多行业领域。当前遥感影像分类信息提取技术与方法有很多，这些方法各有优缺点，如目视解译方法分类精度非常高，但费时、费力、成本高，人工操作无自动化；监督分类方法分类精度也很高，但是需要地面训练样本，且人为主观因素较多，导致分类精度不稳定，且自动化程度低；非监督分类输入数据少、参数少、无需训练样本，但是该方法常常需要分类后进行大量的分析，以及分类后处理，引入人为因素，导致分类精度不稳定，降低了自动化程度；决策树分类。综上所述，目前已有的遥感分类技术普遍存在人为干扰大，导致精度不稳定、普适性差、自动化程度不高等缺点。
发明内容
为了克服现有基于遥感技术的信息提取方法和模型存在的上述问题，本发明提供了一种基于多尺度思想的地物信息提取方法，提高精度。
具体技术方案为：
一种基于多尺度思想的地物信息提取方法，包括以下步骤：
(1)明确目标地物遥感提取的特征信息；
(2)然后根据目标地物特征、其他干扰地物特征以及遥感数据的可获取性，选择最佳时相数据；
(3)采用多尺度技术对目标区域的遥感影像进行多空间分辨率尺度表达，即构建由低到高多种空间分辨率遥感影像的金字塔结构；
(4)基于由粗到精、从低到高或从大尺度到小尺度的顺序，逐层应用非监督分类提取目标地物信息。首先在最大尺度影像上，应用非监督分类将目标区域分为目标地物候选区域和其他地物区域两类；然后，应用上一尺度中获取到的目标地物候选区域对下一尺度影像进行掩膜去掉部分非目标地物区域，再对掩膜后的影像应用非监督分类，再次把影像分为两类：目标地物候选区域和其他地物区域；以此类推，将后续所有尺度的影像先掩膜再非监督分类，最后得到最小尺度影像上的分类结果就是最终目标区域目标地物准确的面积和空间分布。
(5)精度验证。应用不同方法获取验证数据，如野外地面采样点、高分辨率遥感影像的目视选取采样点等，再应用混淆矩阵法，从Kappa系数、总体精度、制图精度和用户精度四个方面对提取结果进行精度验证。
本发明提供的一种基于多尺度思想的地物信息提取方法，采用多种不同空间分辨率的遥感影像数据构建多尺度空间数据，结合非监督分类技术从空间尺度由大到小、分辨率由低到高逐层提取，使得目标区域目标地物信息的提取由概略到具体，由模糊到更准确，可以用于农业、林业等领域，逐步精确地表地物空间分布信息。
附图说明
图1为本发明的方法流程图；
图2为实施例的辛集市2014年冬小麦种植空间分布图。
具体实施方式
下面将结合附图和实施例对本发明做进一步阐述，其中，下面的实施例只是本发明的一部分，并不是本发明的全部实施例。因此，以下实施例仅用于更加清楚地描述本发明的技术方案，而不能以此来限制本发明的保护范围。
采用如图1所示的一种基于多尺度思想的地物信息提取方法，下面采用该方法提取河北省辛集市2014年冬小麦种植面积及空间分布，并进行精度验证。遥感数据可以选择中、高分辨率遥感影像。本次提取使用的数据分别是空间分辨率为16米的高分一号遥感影像数据、空间分辨率为30米的Landsat8影像以及空间分辨率为250米的Modis数据。具体提取过程如下：
(1)明确目标地物冬小麦种植信息遥感提取的特征信息，本实施例选取归一化植被指数(NDVI)作为冬小麦特征信息；
(2)然后根据冬小麦的物候特征、其他干扰地物特征以及遥感数据的可获取性，选择最佳时相数据。本实施例选取2014年4月3日高分一号数据、2014年4月13日Landsat8影像数据和2014年4月7日MODIS NDVI的16天合成数据；
(3)采用多尺度技术基于第二步中选择的遥感数据对辛集市的遥感影像进行多空间分辨率尺度表达，即构建由低到高多种空间分辨率遥感影像的金字塔结构；
(4)基于由粗到精、从低到高或从大尺度到小尺度的顺序，逐层应用非监督分类提取冬小麦种植信息。首先在最大尺度影像(空间分辨率250米的MODIS)上，应用非监督分类将目标区域分为冬小麦候选区域和其他地物区域两类；然后，应用上一尺度中获取到的冬小麦候选区域对下一尺度影像(空间分辨率为30米的Landat8数据)进行掩膜去掉部分非冬小麦区域，再对掩膜后的影像应用非监督分类，再次把影像分为两类：冬小麦候选区域和其他地物区域；以此类推，将后续所有尺度的影像先掩膜再非监督分类，最后得到最小尺度影像(空间分辨率16米的高分一号数据)上的分类结果就是最终目标区域冬小麦准确的种植面积和空间分布。本实施例提取的冬小麦种植面积为355.90KM2，其空间分布见附图2所示。
(5)精度验证。本实施例中采用的是随机撒点结合高分辨率遥感影像目视选点的方式获取验证样本点。最后再应用混淆矩阵法，从Kappa系数、总体精度、制图精度和用户精度四个方面对提取结果进行精度验证。具体精度如表1所示。
表1基于本发明模型的冬小麦提取结果精度验证
以上实施例仅用于说明本发明，而并非是对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (3)

1.一种基于多尺度思想的地物信息提取方法，其特征在于，包括以下步骤：
(1)明确目标地物遥感提取的特征信息；
(2)然后根据目标地物特征、其他干扰地物特征以及遥感数据的可获取性，选择最佳时相数据；
(3)采用多尺度技术对目标区域的遥感影像进行多空间分辨率尺度表达，即构建由低到高多种空间分辨率遥感影像的金字塔结构；
(4)基于由粗到精、从低到高或从大尺度到小尺度的顺序，逐层应用非监督分类提取目标地物信息；
(5)精度验证。
2.根据权利要求1所述的一种基于多尺度思想的地物信息提取方法，其特征在于，所述的步骤(4)具体的包括以下步骤：
首先，在最大尺度影像上，应用非监督分类将目标区域分为目标地物候选区域和其他地物区域两类；
然后，应用上一尺度中获取到的目标地物候选区域对下一尺度影像进行掩膜去掉部分非目标地物区域，再对掩膜后的影像应用非监督分类，再次把影像分为两类：目标地物候选区域和其他地物区域；以此类推，将后续所有尺度的影像先掩膜再非监督分类，最后得到最小尺度影像上的分类结果就是最终目标区域目标地物准确的面积和空间分布。
3.根据权利要求1或2所述的一种基于多尺度思想的地物信息提取方法，其特征在于，所述的步骤(5)具体的包括以下步骤：应用野外地面采样点、高分辨率遥感影像的目视选取采样点，再应用混淆矩阵法，从Kappa系数、总体精度、制图精度和用户精度四个方面对提取结果进行精度验证。
CN201811491022.7A 2018-12-07 2018-12-07 一种基于多尺度思想的地物信息提取方法 Pending CN109670425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811491022.7A CN109670425A (zh) 2018-12-07 2018-12-07 一种基于多尺度思想的地物信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811491022.7A CN109670425A (zh) 2018-12-07 2018-12-07 一种基于多尺度思想的地物信息提取方法

Publications (1)

Publication Number Publication Date
CN109670425A true CN109670425A (zh) 2019-04-23

Family

ID=66144744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811491022.7A Pending CN109670425A (zh) 2018-12-07 2018-12-07 一种基于多尺度思想的地物信息提取方法

Country Status (1)

Country Link
CN (1) CN109670425A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190952A (zh) * 2019-12-23 2020-05-22 中电海康集团有限公司 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法
CN113963260A (zh) * 2021-10-20 2022-01-21 中科三清科技有限公司 一种冬小麦种植区的提取方法、装置和计算机设备
CN114565839A (zh) * 2022-02-17 2022-05-31 广州市城市规划勘测设计研究院 一种遥感影像目标检测方法、装置、设备及计算机介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781216B2 (en) * 2009-03-10 2014-07-15 Choros Cognition Ab Method for performing automatic classification of image information
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN104951754A (zh) * 2015-06-08 2015-09-30 中国科学院遥感与数字地球研究所 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
CN106529422A (zh) * 2016-10-21 2017-03-22 河北工程大学 一种基于遥感技术的地球表层信息快速提取方法
CN106650604A (zh) * 2016-10-21 2017-05-10 河北工程大学 一种基于植被指数思想的地物信息遥感提取方法
CN108898096A (zh) * 2018-06-27 2018-11-27 重庆交通大学 一种面向高分影像的信息快速精确提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781216B2 (en) * 2009-03-10 2014-07-15 Choros Cognition Ab Method for performing automatic classification of image information
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN104951754A (zh) * 2015-06-08 2015-09-30 中国科学院遥感与数字地球研究所 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
CN106529422A (zh) * 2016-10-21 2017-03-22 河北工程大学 一种基于遥感技术的地球表层信息快速提取方法
CN106650604A (zh) * 2016-10-21 2017-05-10 河北工程大学 一种基于植被指数思想的地物信息遥感提取方法
CN108898096A (zh) * 2018-06-27 2018-11-27 重庆交通大学 一种面向高分影像的信息快速精确提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆美蓉: ""面向对象的高分辨率遥感影像分类及应用研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190952A (zh) * 2019-12-23 2020-05-22 中电海康集团有限公司 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法
CN111190952B (zh) * 2019-12-23 2023-10-03 中电海康集团有限公司 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法
CN113963260A (zh) * 2021-10-20 2022-01-21 中科三清科技有限公司 一种冬小麦种植区的提取方法、装置和计算机设备
CN114565839A (zh) * 2022-02-17 2022-05-31 广州市城市规划勘测设计研究院 一种遥感影像目标检测方法、装置、设备及计算机介质

Similar Documents

Publication Publication Date Title
Jin et al. Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data
CN110717354B (zh) 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
Kavzoglu Increasing the accuracy of neural network classification using refined training data
CN103632363B (zh) 基于多尺度融合的对象级高分辨率遥感影像变化检测方法
Mahmon et al. A review on classification of satellite image using Artificial Neural Network (ANN)
Hurd et al. Characterization of forest fragmentation and urban sprawl using time sequential Landsat imagery
CN107644415A (zh) 一种文本图像质量评估方法及设备
CN106529508A (zh) 基于局部和非局部多特征语义高光谱图像分类方法
Münzinger et al. Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models
Liu et al. Establishing a citywide street tree inventory with street view images and computer vision techniques
CN106846322B (zh) 基于曲线波滤波器和卷积结构学习的sar图像分割方法
CN109670425A (zh) 一种基于多尺度思想的地物信息提取方法
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
Wang et al. Using GF-2 imagery and the conditional random field model for urban forest cover mapping
Su et al. Machine learning-assisted region merging for remote sensing image segmentation
CN104820841B (zh) 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
CN104239890A (zh) 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法
CN103593853A (zh) 基于联合稀疏表达的遥感影像多尺度面向对象分类方法
Bogan et al. Imaging spectrometry-derived estimates of regional ecosystem composition for the Sierra Nevada, California
CN116740474A (zh) 一种基于锚定条纹注意力机制的遥感图像分类方法
CN101561882B (zh) 一种基于空间相关性的亚像元空间定位方法
Xia et al. Land resource use classification using deep learning in ecological remote sensing images
CN107121681A (zh) 基于高分卫星遥感数据的居民地提取系统
CN107644230A (zh) 一种遥感图像对象的空间关系建模方法
CN117392533A (zh) 一种高光谱遥感影像岩性样本集构建方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190423