CN109697411B - 一种基于统计标准差的地物信息提取方法 - Google Patents

一种基于统计标准差的地物信息提取方法 Download PDF

Info

Publication number
CN109697411B
CN109697411B CN201811491715.6A CN201811491715A CN109697411B CN 109697411 B CN109697411 B CN 109697411B CN 201811491715 A CN201811491715 A CN 201811491715A CN 109697411 B CN109697411 B CN 109697411B
Authority
CN
China
Prior art keywords
threshold value
remote sensing
target
standard deviation
extracting
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
Application number
CN201811491715.6A
Other languages
English (en)
Other versions
CN109697411A (zh
Inventor
王冬利
赵安周
王贺封
刘海新
承达瑜
张安兵
李静
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 CN201811491715.6A priority Critical patent/CN109697411B/zh
Publication of CN109697411A publication Critical patent/CN109697411A/zh
Application granted granted Critical
Publication of CN109697411B publication Critical patent/CN109697411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于遥感影像分类领域，具体涉及一种基于统计标准差的地物信息提取方法选取适宜时相的遥感影像数据和获取目标地物提取指标遥感数据；根据目标地物和其它地物在提取指标上的差异性，初步确定一个相对较低的初始阈值；然后以初始阈值通过阈值分割法提取目标地物，并统计提取到的全部目标地物的标准差，接着初始阈值以一定的步长增加并应用增长后的阈值分割提取目标地物，同时统计每个阈值分割后提取到的目标地物的标准差，直到统计的标准差出现下降，则阈值增长和分割结束，标准差由增长变为下降出现拐点时的阈值就是最佳阈值。本发明根据具有精度高、流程简单、人为干扰少、自动化程度等特点。

Description

一种基于统计标准差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，具体涉及一种基于统计标准差的地物信息提取方法。
背景技术
遥感技术具有数据获取范围广、速度快、时效性强以及数据综合性和可比性强等特点，是当前最重要的一种空间数据获取手段。全球每年都会获取到海量的遥感数据，而目标地物信息的分类和提取是遥感领域非常重要的一种技术，也是海量遥感数据后续应用与分析的必要基础工作。因此，遥感地物信息提取方法与模型的研究具有重要的科学价值和应用意义。随着越来越多的遥感平台和传感器技术的开发与应用，越来越多的学科与技术被引入或融入到遥感领域中来，地物信息遥感提取方法也得到了极大的发展。例如，监督分类精度高，非监督分类输入参数少、无需训练样本，决策树分类方法精度高、易于理解等。
尽管目前已经发展了很多种地物信息遥感提取方法，并具有各自独特的优点，但是缺点同样明显。这些已有的方法普遍存在人为干扰因素大、自动化程度低、提取精度不稳定、普适性差等缺点。
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，本发明提供一种基于统计标准差的地物信息提取方法，提高精度和自动化程度。
具体技术方案为：
一种基于统计标准差的地物信息提取方法，包括以下步骤：
(1)选取适宜时相的遥感影像数据和获取目标地物提取指标遥感数据；
通过目标区域的调研以及遥感数据的可获取性，选择适宜时相的遥感数据，再通过分析区域内各类地物特征，确定目标地物提取指标，根据提取指标的公式或原理获取目标地物提取指标遥感数据；
(2)确定最佳分割阈值；
应用获取到的目标地物提取指标遥感数据，如目标地物处于指标高值区域，其它地物处于低值区域；若相反，则可以用指标最大值减去目标地物提取指标遥感影像；根据目标地物和其它地物在提取指标上的差异性，初步确定一个相对较低的初始阈值；
然后以初始阈值通过阈值分割法提取目标地物，并统计提取到的全部目标地物的标准差，接着初始阈值以一定的步长增加并应用增长后的阈值分割提取目标地物，同时统计每个阈值分割后提取到的目标地物的标准差，直到统计的标准差出现下降，则阈值增长和分割结束，标准差由增长变为下降出现拐点时的阈值就是最佳阈值；
(3)目标地物提取和精度验证。基于目标地物提取指标遥感数据，以上一步获取的最佳阈值为阈值，应用阈值分割法提取目标地物。采用验证样本点和混淆矩阵方法对提取结果进行精度验证。采用验证样本点可以是实地野外采集，也可以是随机撒点结合Googleearth或高空间分辨率影像目视选取。
本发明提供的一种基于统计标准差的地物信息提取方法，根据不同地物的遥感影像特征差异性，分析目标地物与其它地物的特征构建目标地物提取指标遥感影像数据，基于该指标影像数据以统计标准差的方法判断最佳阈值，应用阈值分割方法提取目标地物。应用统计标准差分法判断最佳阈值的原理是：基于目标地物提取指标遥感影像与纯目标地物相比，当目标地物中含有其它地物时，遥感影像上目标地物区域的标准差会增大，当其它地物逐渐减少，目标地物区域的标准差会逐渐增大，直到都是目标地物时标准差会降低，即标准差会出现拐点，拐点处的阈值就是最佳阈值。该方法具有精度高、流程简单、人为干扰少、自动化程度等特点。
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所示的一种基于统计标准差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为实施例，并进行精度验证。遥感数据可以选择中、高分辨率遥感影像，如SPOT、高分一号(GF1)、TM/ETM等影像。本次提取使用空间分辨率为16米的高分一号遥感影像数据。具体提取过程如下：
1、遥感数据选取和冬小麦提取指标遥感数据的获取
通过查阅资料，从辛集市主要农作物的关键生长期可以得出：冬小麦的归一化植被指数(NDVI)从2月底和3月初(返青期)开始逐渐增大，到4月下旬和5月上旬(抽穗期)植被指数达到最大，然后逐渐减小直到6月上旬和中旬收割时达到一个较小值；辛集市内套种夏玉米大约在5月下旬开始播种；野草、树木等其它绿色干扰地物在4月初时基本还处于枯黄状态，但从4月中旬开始，这些地物的NDVI值开始增大，会对辛集市的冬小麦造成影响。鉴于此，本实施例选取2014年4月3日的高分一号多光谱数据，该数据的空间分辨率为16米，云量接近为0％。通过对辛集市地物信息的分析，本实施例选取归一化植被指数(NDVI)作为冬小麦种植信息提取指标。按照归一化植被指数公式，计算辛集市2014年4月3日GF1数据的NDVI，从而获取辛集市高分一号NDVI遥感数据。
2、最佳阈值的确定
应用获取到的辛集市高分一号NDVI遥感数据(目标地物冬小麦处于NDVI高值区域，其它地物处于NDVI低值区域)，根据NDVI原理中不同地物的特性和差异性，初步确定一个相对较低的初始阈值，本实施例选取初始阈值为0.3。然后以0.3为阈值通过阈值分割法提取冬小麦，并统计本次提取到的全部冬小麦NDVI的标准差，接着初始阈值以0.01的步长增加并应用增长后的阈值分割提取目冬小麦，同时再次统计每个阈值分割后提取到的冬小麦NDVI的标准差，重复上述阈值增长和分割提取冬小麦步骤，直到统计的标准差出现下降，则阈值增长和分割结束，标准差由增长变为下降出现拐点时的阈值就是最佳阈值，本次实施例的最佳阈值是0.49。其空间分布见图2所示。
3、冬小麦种植信息提取和精度验证。
基于辛集市高分一号NDVI遥感数据，以上一步获取的最佳阈值0.49为阈值，应用阈值分割法提取冬小麦，得到最终的冬小麦种植面积329.86KM2。采用随机撒点结合Googleearth并对比4月3日和6月23日高分一号标准假彩色影像目视选取验证样本点，并应用混淆矩阵方法对提取结果进行精度验证，精度验证结果如表1所示。
表1本发明模型提取辛集市冬小麦的精度信息统计
Figure GDA0002625135680000031
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 (4)

1.一种基于统计标准差的地物信息提取方法，其特征在于，包括以下步骤：
(1)选取适宜时相的遥感影像数据和获取目标地物提取指标遥感数据；
(2)确定最佳分割阈值；
应用获取到的目标地物提取指标遥感数据，根据NDVI原理中不同地物的特性和差异性，目标地物冬小麦处于NDVI高值区域，其它地物处于NDVI低值区域，初步确定一个相对较低的初始阈值；
然后以初始阈值通过阈值分割法提取目标地物，并统计提取到的全部目标地物的NDVI标准差，接着初始阈值以一定的步长增加并应用增长后的NDVI阈值分割提取目标地物，同时统计每个阈值分割后提取到的目标地物的NDVI标准差，直到统计的NDVI标准差出现下降，则NDVI阈值增长和分割结束，NDVI标准差由增长变为下降出现拐点时的NDVI阈值就是最佳阈值；
(3)目标地物提取和精度验证。
2.根据权利要求1所述的一种基于统计标准差的地物信息提取方法，其特征在于，所述的步骤(1)具体包括以下步骤，通过目标区域的调研以及遥感数据的可获取性，选择适宜时相的遥感数据，再通过分析区域内各类地物特征，确定目标地物提取指标，根据提取指标的公式或原理获取目标地物提取指标遥感数据。
3.根据权利要求1所述的一种基于统计标准差的地物信息提取方法，其特征在于，所述的步骤(2)中获取到的目标地物提取指标遥感数据，具体的，如目标地物处于指标高值区域，其它地物处于低值区域；若相反，则可以用指标最大值减去目标地物提取指标遥感影像。
4.根据权利要求1到3任一项所述的一种基于统计标准差的地物信息提取方法，其特征在于，所述的步骤(3)包括以下步骤，基于目标地物提取指标遥感数据，以上一步获取的最佳阈值为阈值，应用阈值分割法提取目标地物，采用验证样本点和混淆矩阵方法对提取结果进行精度验证；采用验证样本点为实地野外采集，或随机撒点结合Google earth或高空间分辨率影像目视选取。
CN201811491715.6A 2018-12-07 2018-12-07 一种基于统计标准差的地物信息提取方法 Active CN109697411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811491715.6A CN109697411B (zh) 2018-12-07 2018-12-07 一种基于统计标准差的地物信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811491715.6A CN109697411B (zh) 2018-12-07 2018-12-07 一种基于统计标准差的地物信息提取方法

Publications (2)

Publication Number Publication Date
CN109697411A CN109697411A (zh) 2019-04-30
CN109697411B true CN109697411B (zh) 2020-09-29

Family

ID=66230376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811491715.6A Active CN109697411B (zh) 2018-12-07 2018-12-07 一种基于统计标准差的地物信息提取方法

Country Status (1)

Country Link
CN (1) CN109697411B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232171A (zh) * 2020-10-10 2021-01-15 中煤航测遥感集团有限公司 基于随机森林的遥感影像信息提取方法、装置及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9390331B2 (en) * 2014-04-15 2016-07-12 Open Range Consulting System and method for assessing riparian habitats
CN105404873B (zh) * 2015-11-30 2018-09-04 中国科学院遥感与数字地球研究所 一种基于ndvi时间序列坐标转换的冬小麦识别方法
CN106126920B (zh) * 2016-06-23 2018-07-06 北京农业信息技术研究中心 农作物雹灾受灾面积遥感评估方法
US9942440B2 (en) * 2016-07-25 2018-04-10 Clearag, Inc. Image-based field boundary detection and identification
CN106650604B (zh) * 2016-10-21 2019-10-11 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
CN106951877A (zh) * 2017-03-28 2017-07-14 北京恒华伟业科技股份有限公司 一种对高分辨率影像的地物提取方法及装置

Also Published As

Publication number Publication date
CN109697411A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Lv et al. Iterative training sample expansion to increase and balance the accuracy of land classification from VHR imagery
Vaudour et al. An overview of the recent approaches to terroir functional modelling, footprinting and zoning
George et al. Forest tree species discrimination in western Himalaya using EO-1 Hyperion
Puletti et al. Unsupervised classification of very high remotely sensed images for grapevine rows detection
CN111626269B (zh) 一种实用的大空间范围滑坡提取方法
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
Razak et al. Mapping rubber trees based on phenological analysis of Landsat time series data-sets
CN107680098A (zh) 一种甘蔗蔗节特征的识别方法
Almeida et al. Phenological visual rhythms: Compact representations for fine-grained plant species identification
Lin et al. Identification of pumpkin powdery mildew based on image processing PCA and machine learning
Deng et al. Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel
CN106991449A (zh) 一种生活场景重构辅助识别蓝莓品种的方法
CN107194857B (zh) 基于高分卫星遥感数据的可利用土地资源分析系统
CN116543316A (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN109697411B (zh) 一种基于统计标准差的地物信息提取方法
Meivel et al. Monitoring of potato crops based on multispectral image feature extraction with vegetation indices
CN107121681A (zh) 基于高分卫星遥感数据的居民地提取系统
Okubo et al. Land use/cover classification of a complex agricultural landscape using single-dated very high spatial resolution satellite-sensed imagery
Zhou et al. A framework for precisely thinning planning in a managed pure Chinese fir forest based on UAV remote sensing
CN105046229B (zh) 一种农作物行的识别方法及装置
CN111666914A (zh) 基于曲线间距离的耕地识别方法、系统、设备及存储介质
Moradi et al. Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network
CN116385271A (zh) 一种遥感图像耕地撂荒识别方法
CN115797501A (zh) 一种结合森林干扰与恢复事件的时间序列林龄制图方法

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
GR01 Patent grant
GR01 Patent grant