CN109726639A - 一种基于非监督分类技术的地物信息提取方法 - Google Patents
一种基于非监督分类技术的地物信息提取方法 Download PDFInfo
- Publication number
- CN109726639A CN109726639A CN201811491533.9A CN201811491533A CN109726639A CN 109726639 A CN109726639 A CN 109726639A CN 201811491533 A CN201811491533 A CN 201811491533A CN 109726639 A CN109726639 A CN 109726639A
- Authority
- CN
- China
- Prior art keywords
- object information
- extraction method
- method based
- data
- ground object
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于遥感影像分类领域,具体涉及一种基于非监督分类技术的地物信息提取方法,采用非监督分类方法,根据数据的可获取性,分为单期遥感数据和多期遥感数据两种情况,分别提取地物信息。本发明提供的一种基于非监督分类技术的地物信息提取方法,基于非监督分类技术的地物信息提取方法,根据数据的可获取性,分为单期遥感数据和多期遥感数据两种情况,分别结合不同的技术提取地物信息,从而达到更准确获取目标地物信息的目的。可以用于农业、林业、地学等领域,精确各领域内的目标地物信息。
Description
技术领域
本发明属于遥感影像分类领域,具体涉及一种基于非监督分类技术的地物信息提取方法。
背景技术
地物信息是当前非常重要的一种信息,遥感作为大范围、快速、低成本获取信息的一种技术,因此基于遥感技术的信息提取方法和模型是遥感科学领域重要的研究和应用方向之一,涉及地学、林学、农业等众多应用领域。目前,地物信息分类提取方法和技术有很多,如监督分类、非监督分类、面向对象分类、神经网络、决策树分类等。应用的遥感数据源也是多种多样,不同空间分辨率、不同时间分辨率、不同波谱分辨率等遥感数据。
目前,在基于遥感技术的信息提取应用中,普遍存在一些问题:(1)人为干扰大,导致精度不稳定、普适性差、自动化程度不高;(2)为达到较高的信息提取精度,需要地面训练样本;(3)所需遥感数据数量多、质量高,因此受高质量的遥感数据可获取性的限制,导致一些信息提取方法在特定时间段的某些区域内无法应用。
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非监督分类技术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:
一种基于非监督分类技术的地物信息提取方法,采用非监督分类方法,根据数据的可获取性,分为单期遥感数据和多期遥感数据两种情况,分别提取地物信息。
基于单期遥感数据提取,包括以下步骤:
基于单期遥感数据的地物信息提取方法,包括以下步骤:
首先应用遥感数据处理技术获取到目标地物指示性信息数据;
然后以非监督分类为核心,再结合多尺度思想,基于单期数据,应用重采样等方法构建多尺度表达,空间尺度由大到小、分辨率由粗到细的逐层提取,逐层剔除非目标地物;提取的目标地物信息由概略到具体,从而达到逐步精细、准确地提取目标地物信息的目的。
基于多期遥感数据的地物信息提取方法,包括以下步骤:以非监督分类方法,再结合时间序列曲线和差值增强方法,提取目标地物信息。
本发明提供的一种基于非监督分类技术的地物信息提取方法,基于非监督分类技术的地物信息提取方法,根据数据的可获取性,分为单期遥感数据和多期遥感数据两种情况,分别结合不同的技术提取地物信息,从而达到更准确获取目标地物信息的目的。可以用于农业、林业和地学等领域,精确各领域内的目标地物信息。
附图说明
图1为本发明的方法流程图;
图2a为实施例的单期遥感数据模型提取的辛集市2014年冬小麦种植空间分布图;
图2b为实施例的多期遥感数据模型提取的辛集市2014年冬小麦种植空间分布图;
图3为实施例的辛集市冬小麦和非冬小麦NDVI时间序列曲线。
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所示的一种基于非监督分类技术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,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:
实施例1基于单期遥感数据模型的冬小麦种植信息提取
首先,根据辛集市主要农作物的关键生长期,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,但是这些干扰地物的NDVI从4月中旬开始越来越大。因此,在仅使用一期遥感数据进行冬小麦提取时,可以选取3月下旬到4月上旬之间的数据。本实施例选取2014年4月3日空间分辨率为16米的高分一号多光谱数据,云量接近为0%。按照归一化植被指数(NDVI)公式,计算研究区2014年4月3日GF1数据的NDVI。
然后,结合多尺度技术和非监督分类技术对辛集市内冬小麦种植信息进行提取。将所选择的高分一号归一化植被指数(NDVI)数据升尺度为原始数据尺度的2倍、3倍,即空间分辨率分别为32米和48米。接着先基于最大尺度、最粗分辨率的遥感数据(空间分辨率为48米的NDVI遥感数据),应用非监督分类将研究区分为两大类,一类为冬小麦候选区域,另一类为非冬小麦区域。以基于最大尺度遥感数据得到的冬小麦候选区域为掩膜区域对下一级尺度遥感数据(空间分辨率为32米的NDVI数据)进行掩膜,再对掩膜后的NDVI数据进行非监督分类,同样是一类为冬小麦候选区域,另一类为非冬小麦区域。同理再对空间分辨率为16米的原始NDVI数据进行掩膜和非监督分类,得到最终的冬小麦种植面积,如表1所示;提取的冬小麦种植信息空间分布如附图2a所示。
实施例2基于多期数据模型的冬小麦种植信息提取
首先根据辛集市冬小麦NDVI和非冬小麦NDVI时间序列曲线,如附图3所示,选取两期数据,这两期数据的特点是冬小麦第一期的NDVI大于第二期;而非冬小麦正好相反,其第一期的NDVI小于第二期。本实施例选取2014年5月17日和6月27日两期GF1数据,云量均为0%。然后,再应用差值技术进一步增强和拉大辛集市冬小麦和非冬小麦NDVI值的差异,使得冬小麦分布在NDVI数值为正的高值区域,非冬小麦分布于负值区域以及正的低值区域。最后应用非监督分类方法将辛集市分冬小麦和非冬小麦两类,提取的冬小麦种植信息空间分布如附图2b所示。冬小麦最终提取面积如表1所示。并对提取结果的精度进行验证,精度验证结果如表2所示。
表1本发明模型提取冬小麦种植面积统计
最后,基于验证样本点应用混淆矩阵对提取结果进行精度验证,精度验证结果如表2所示。
表2本发明模型提取辛集市冬小麦的精度信息统计
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)
1.一种基于非监督分类技术的地物信息提取方法,其特征在于,采用非监督分类方法,根据数据的可获取性,分为单期遥感数据和多期遥感数据两种情况,分别提取地物信息。
2.根据权利要求1所述的一种基于非监督分类技术的地物信息提取方法,其特征在于,所述的单期遥感数据的提取,包括以下步骤:
基于单期遥感数据的地物信息提取方法,包括以下步骤:首先应用遥感数据处理技术获取到目标地物指示性信息数据;
然后以非监督分类为核心,再结合多尺度思想,空间尺度由大到小、分辨率由粗到细的逐层提取,逐层剔除非目标地物;提取的目标地物信息由概略到具体,从而达到逐步精细、准确地提取目标地物信息的目的。
3.根据权利要求1或2所述的一种基于非监督分类技术的地物信息提取方法,其特征在于,所述的多期遥感数据的地物信息提取方法,包括以下步骤:以非监督分类方法,再结合时间序列曲线和差值增强方法,提取目标地物信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811491533.9A CN109726639A (zh) | 2018-12-07 | 2018-12-07 | 一种基于非监督分类技术的地物信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811491533.9A CN109726639A (zh) | 2018-12-07 | 2018-12-07 | 一种基于非监督分类技术的地物信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726639A true CN109726639A (zh) | 2019-05-07 |
Family
ID=66294852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811491533.9A Pending CN109726639A (zh) | 2018-12-07 | 2018-12-07 | 一种基于非监督分类技术的地物信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726639A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120002865A1 (en) * | 2009-03-10 | 2012-01-05 | 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 |
CN107220587A (zh) * | 2017-04-19 | 2017-09-29 | 西安理工大学 | 一种基于两期高分辨率遥感影像的非监督变化检测方法 |
CN108564062A (zh) * | 2018-04-27 | 2018-09-21 | 上海海洋大学 | 一种基于遥感影像的海岛边界快速分割算法 |
-
2018
- 2018-12-07 CN CN201811491533.9A patent/CN109726639A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120002865A1 (en) * | 2009-03-10 | 2012-01-05 | 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 |
CN107220587A (zh) * | 2017-04-19 | 2017-09-29 | 西安理工大学 | 一种基于两期高分辨率遥感影像的非监督变化检测方法 |
CN108564062A (zh) * | 2018-04-27 | 2018-09-21 | 上海海洋大学 | 一种基于遥感影像的海岛边界快速分割算法 |
Non-Patent Citations (4)
Title |
---|
姜淑华 等: ""农作物病害危害程度自动测定与分级的研究"", 《农机化研究》 * |
姜鑫维 等: "《高光谱遥感数据降维与分类》", 31 December 2016 * |
邓磊 等: "《ERDAS图像处理基础实验教程》", 30 June 2014 * |
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》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tetila et al. | Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks | |
Kiratiratanapruk et al. | Using deep learning techniques to detect rice diseases from images of rice fields | |
CN106650604B (zh) | 一种基于植被指数思想的地物信息遥感提取方法 | |
CN110020635A (zh) | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN107966116A (zh) | 一种水稻种植面积的遥感监测方法及系统 | |
CN109360236A (zh) | 一种向日葵花盘尺寸测量方法 | |
CN105678790B (zh) | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 | |
CN105957115B (zh) | 广义dem思想下的农作物种植结构遥感提取方法 | |
Zhu et al. | A fast and automatic method for leaf vein network extraction and vein density measurement based on object-oriented classification | |
Lin et al. | Estimating litchi flower number using a multicolumn convolutional neural network based on a density map | |
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 | |
CN103500469B (zh) | 一种城市绿化建模方法 | |
Zheng et al. | YOLOv4-lite–based urban plantation tree detection and positioning with high-resolution remote sensing imagery | |
Meivel et al. | Monitoring of potato crops based on multispectral image feature extraction with vegetation indices | |
CN109670425A (zh) | 一种基于多尺度思想的地物信息提取方法 | |
Yan et al. | High-resolution mapping of paddy rice fields from unmanned airborne vehicle images using enhanced-TransUnet | |
CN106910197B (zh) | 一种单目标区域的复杂背景植物叶片图像的分割方法 | |
Zhang et al. | YOLO-VOLO-LS: a novel method for variety identification of early lettuce seedlings | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
CN109726639A (zh) | 一种基于非监督分类技术的地物信息提取方法 | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
CN109670426B (zh) | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 | |
CN109614920A (zh) | 一种基于多时相遥感数据的地物信息提取方法 | |
CN108875774A (zh) | 蝴蝶种类识别方法、电子设备、存储介质及系统 |
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: 20190507 |
|
RJ01 | Rejection of invention patent application after publication |