CN109858450A - 一种十米级空间分辨率遥感影像城镇提取方法及系统 - Google Patents
一种十米级空间分辨率遥感影像城镇提取方法及系统 Download PDFInfo
- Publication number
- CN109858450A CN109858450A CN201910110621.8A CN201910110621A CN109858450A CN 109858450 A CN109858450 A CN 109858450A CN 201910110621 A CN201910110621 A CN 201910110621A CN 109858450 A CN109858450 A CN 109858450A
- Authority
- CN
- China
- Prior art keywords
- cities
- towns
- remote sensing
- sensing image
- point
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种十米级空间分辨率遥感影像城镇提取方法及系统。所述提取方法包括:采集夏季时相的十米级空间分辨率光学遥感影像和城镇地区的夜间灯光数据;根据光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集;根据深度学习特征训练城镇场景图像分类器,获得训练分类器;计算夜间灯光数据的最佳阈值,最佳阈值为夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值;在初始城镇区域分布掩膜图约束的空间范围内采用训练分类器进行多尺度格网的城镇场景分类,获得城镇分类结果;将城镇分类结果进行后处理操作,获得城镇边界提取结果。通过采用最佳阈值分割夜间灯光数据获得城镇和非城镇两个区域类型的分布范围和使用多尺度格网的城镇场景分类提高了城镇边界提取结果的准确性。
Description
技术领域
本发明涉及遥感领域,特别是涉及一种十米级空间分辨率遥感影像城镇提取方法及系统。
背景技术
近年来,随着我国经济的快速发展,城镇群成为经济全球化的新形势下生产要素在空间重新分配和转移主要发生地,城镇群是产业空间整合的产物,在国家和区域的经济发展中占据着核心地位。传统城市地理研究中,城市群的定义和界定主要依赖于社会经济统计数据。对于统计数据各个指标的完备性和准确性具有很高的要求,且无法直观反映城镇群内部城镇之间的空间关系,城镇群空间形态和空间模式,遥感技术的引入为获取城镇和城镇群空间信息提供了一个新的途径。
随着全球遥感卫星的日益增多,对地观测能力得到大幅度提升,在十米级空间分辨率光学遥感影像中,能够呈现出城镇的空间分布情况,在城镇群的研究中,基于遥感影像的城镇提取成为关键环节。传统的方法通常利用遥感影像的多光谱特征进行城镇用地分类,但是由于地物辐射电磁波,必须经过大气层才能到达传感器,大气的吸收和散射会对目标地物的电磁波产生影响,对多时相图像进行分类处理时,由于不同时间大气成分以及湿度不同,散射影响也不同,不同景的图像由于成像时光照条件的差别,同一地物电磁波辐射量存在差别,下垫面的覆盖类型多种多样,受传感器空间分辨率限制,遥感图像中的灰度值不能完全反映目标地物辐射电磁波的特征。另一方面,在十米级的空间分辨率成像条件下,城镇内部是包括建筑物、道路、草地、水体等多种地物类型的复合体,因此,只用遥感图像的光谱特征进行城镇类别分类,分类结果的精度低。
发明内容
本发明的目的是提供一种能够提高分类精度的十米级空间分辨率遥感影像城镇提取方法及系统。
为实现上述目的,本发明提供了如下方案:
一种十米级空间分辨率遥感影像城镇提取方法,所述提取方法包括:
采集夏季时相的十米级空间分辨率光学遥感影像和城镇地区的夜间灯光数据,所述遥感影像包括所述城镇地区的十米级空间分辨率光学遥感影像和非城镇地区的十米级空间分辨率光学遥感影像,所述夏季时相为一年当中的5~8月份;
根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集,获得多尺寸的城镇遥感影像训练样本集和多尺寸的非城镇遥感影像训练样本集;
提取所述多尺寸的城镇遥感影像训练样本集中的深度学习特征;
根据所述深度学习特征训练城镇场景图像分类器,获得训练分类器;
根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值,所述最佳阈值为所述夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值;
将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图;
在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类,获得城镇分类结果;
将所述城镇分类结果进行后处理操作,获得城镇边界提取结果。
可选的,所述根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集具体包括:
将所述光学遥感影像转换为标准假彩色合成影像,所述标准假彩色合成影像为近红外、红、绿波段分别对应红、绿、蓝通道;
分别在所述光学遥感影像和所述标准假彩色合成影像中均匀选取Ti个点位,获得T1个城镇样本点和T2个非城镇样本点;
所述点位和所述点位对应的类别信息Ci共同构成遥感影像样本点集Spoint,其中,Ti为正整数,i=1,2;所述类别信息Ci包括城镇场景类别C1和非城镇场景类别C2,所述城镇场景类别C1为落在城镇区域边界和内部的点位,所述非城镇场景类别C2为落在城镇区域以外的点位;
根据所述T1个城镇样本点和所述T2个非城镇样本点,以所述点位为中心,获取所述点位在所述标准假彩色合成影像中的邻域,获得尺寸为Nj×Nj的场景图像切片,所述场景图像切片和所述场景图像对应的类别信息构训练样本集其中,Nj和j均为正整数,j=1,2,.....,J,J为设置的样本尺寸的数量,N1,N2,...,NJ对应的样本尺寸按照降序排列,N1为样本尺寸最大值,NJ为样本尺寸最小值。
可选的,所述根据所述深度学习特征训练城镇场景图像分类器具体包括:
获取第j个样本尺寸对应的训练样本集中的场景图像切片和预训练的深度卷积神经网络模型;
将所述深度卷积神经网络模型中的输出层作为深层特征提取器,所述输出层为深度卷积神经网络中的最后一层卷积层和倒数第二个全连接层中的一者;
采用深层特征提取器提取所述遥感影像训练样本集中的场景图像的深度学习特征;
将所述遥感影像的深度学习特征和对应的场景类别编号作为训练数据;
第j个样本尺寸下的城镇场景图像分类器为支持向量机分类器SVMj。
可选的,所述根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值具体包括:
按照统一的地理空间投影方式对所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行空间叠加,获得每个点位数据对应的灯光数据像元值;
统计所述兴趣点位和所述遥感影像样本点集Spoint中城镇样本点位的灯光数据像元值的最小值Tmin;
统计所述遥感影像样本点集Spoint中非城镇样本点位的灯光数据像元值的最大值Fmax;
根据所述最小值Tmin和所述最大值Fmax之间的数值关系确定所述最佳阈值Voptimal;
其中,mean(Tmin,Fmax)表示Tmin和Fmax的平均值。
可选的,所述将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图具体包括:
获取所述遥感影像的影像空间分辨率δ和四角经纬度坐标范围;
将所述城镇地区的夜间灯光数据Light1按照所述四角经纬度坐标范围裁剪,获得与所述遥感影像相同空间范围的裁剪夜间灯光数据Light2;
将所述裁剪夜间灯光数据Light2上采样至所述影像空间分辨率δ,获得上采样灯光数据Light3;
根据所述最佳阈值Voptimal对所述上采样灯光数据Light3阈值分割,获得初始城镇区域分布掩膜图;
其中,Vbefore为阈值分割前的灯光数据像元值,Vafter为阈值分割后的灯光数据像元值。
可选的,所述在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类具体包括:
将所述遥感影像按照Nj×Nj尺寸进行格网划分,所述遥感影像边缘不足Nj大小部分以剩余部分大小计算,获得影像格网子图集合Sj;
提取所述影像格网子图集合Sj中的每个格网子图中的深度学习特征;
根据所述深度学习特征和分类器SVMj对每一个格网子图进行类别预测;
若所述格网子图的中心点对应第j-1个样本尺寸下的城镇分类结果Resultj-1中相同位置的像元值为1,采用所述分类器SVMj预测所述格网子图类别,获得格网子图类别,当j为1时,令所述初始城镇区域分布掩膜图中的城镇提取结果为Resultj-1;
将所述格网子图类别赋予对应格网内所有像元;
若所述格网子图的中心点对应第j-1个样本尺寸下的城镇分类结果相同位置的像元值为0,直接将所述格网内像元类别赋值为0;
将所有所述格网子图按照原位置拼合获得第j个样本尺寸下的城镇分类结果Resultj,所述j的取值为1,2,...,J。
可选的,所述将所述城镇分类结果进行后处理操作,获得城镇边界提取结果具体包括:
将所述城镇分类结果ResultJ以NJ×NJ大小的格网为最小处理单元,进行8邻域的中值滤波,所述8邻域的中值滤波为将每一格网处理单元的类别值设置为对应所述格网8邻域窗口内的所有格网类别值的中值,剔除所述城镇分类结果中的孤立的图斑,填补所述城镇区域内部的空洞,获得后处理城镇区域,NJ为最小的格网尺寸;
将所述后处理城镇区域最外层的格网子图按所述格网子图的中心点依次连接,构成多边形,获得最终城镇边界提取结果。
为了实现上述目的,本发明还提供了如下方案:
一种十米级空间分辨率遥感影像城镇提取系统,所述提取系统包括:
数据采集模块,用于采集夏季时相的十米级空间分辨率光学遥感影像和城镇地区的夜间灯光数据,所述遥感影像包括所述城镇地区的十米级空间分辨率光学遥感影像和非城镇地区的十米级空间分辨率光学遥感影像,所述夏季时相为一年当中的5~8月份;
训练样本集建立模块,用于根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集,获得多尺寸的城镇遥感影像训练样本集和多尺寸的非城镇遥感影像训练样本集;
深度学习特征提取模块,用于提取所述多尺寸的城镇遥感影像训练样本集中的深度学习特征;
分类器训练模块,用于根据所述深度学习特征训练城镇场景图像分类器,获得训练分类器;
最佳阈值确定模块,用于根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值,所述最佳阈值为所述夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值;
数据上采样模块,用于将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图;
城镇场景分类模块,用于在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类,获得城镇分类结果;
后处理操作模块,用于将所述城镇分类结果进行后处理操作,获得城镇边界提取结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明公开了一种十米级空间分辨率遥感影像城镇提取方法及系统,采用最佳阈值的方法,在夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值,采用最佳阈值能够准确地从所述夜间灯光数据中区分出城镇和非城镇分布区域,提高了城镇边界提取结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的十米级空间分辨率遥感影像城镇提取方法的流程图;
图2为本发明提供的十米级空间分辨率遥感影像城镇提取系统的组成框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种能够提高分类精度的十米级空间分辨率遥感影像城镇提取方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种十米级空间分辨率遥感影像城镇提取方法,所述提取方法包括:
步骤100:采集夏季时相的十米级空间分辨率光学遥感影像和城镇地区的夜间灯光数据,所述遥感影像包括所述城镇地区的十米级空间分辨率光学遥感影像和非城镇地区的十米级空间分辨率光学遥感影像,所述夏季时相为一年当中的5~8月份;
步骤200:根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集,获得多尺寸的城镇遥感影像训练样本集和多尺寸的非城镇遥感影像训练样本集;
步骤300:提取所述多尺寸的城镇遥感影像训练样本集中的深度学习特征;
步骤400:根据所述深度学习特征训练城镇场景图像分类器,获得训练分类器;
步骤500:根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值,所述最佳阈值为所述夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值;
步骤600:将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图;
步骤700:在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类,获得城镇分类结果;
步骤800:将所述城镇分类结果进行后处理操作,获得城镇边界提取结果。
所述步骤200:根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集具体包括:
将所述光学遥感影像转换为标准假彩色合成影像,所述标准假彩色合成影像为近红外、红、绿波段分别对应红、绿、蓝通道;
分别在所述光学遥感影像和所述标准假彩色合成影像中均匀选取Ti个点位,获得T1个城镇样本点和T2个非城镇样本点;
所述点位和所述点位对应的类别信息Ci共同构成遥感影像样本点集Spoint,其中,Ti为正整数,i=1,2;所述类别信息Ci包括城镇场景类别C1和非城镇场景类别C2,所述城镇场景类别C1为落在城镇区域边界和内部的点位,所述非城镇场景类别C2为落在城镇区域以外的点位;
根据所述T1个城镇样本点和所述T2个非城镇样本点,以所述点位为中心,获取所述点位在所述标准假彩色合成影像中的邻域,获得尺寸为Nj×Nj的场景图像切片,所述场景图像切片和所述场景图像对应的类别信息构训练样本集其中,Nj和j均为正整数,j=1,2,.....,J,J为设置的样本尺寸的数量,N1,N2,...,NJ对应的样本尺寸按照降序排列,N1为样本尺寸最大值,NJ为样本尺寸最小值。
所述步骤400:根据所述深度学习特征训练城镇场景图像分类器具体包括:
获取第j个样本尺寸对应的训练样本集中的场景图像切片和预训练的深度卷积神经网络模型;
将所述深度卷积神经网络模型中的输出层作为深层特征提取器,所述输出层为深度卷积神经网络中的最后一层卷积层和倒数第二个全连接层中的一者;
采用深层特征提取器提取所述遥感影像训练样本集中的场景图像的深度学习特征;
将所述遥感影像的深度学习特征和对应的场景类别编号作为训练数据;
第j个样本尺寸下的城镇场景图像分类器为支持向量机分类器SVMj。
所述步骤500:根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值具体包括:
按照统一的地理空间投影方式对所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行空间叠加,获得每个点位数据对应的灯光数据像元值;
统计所述兴趣点位和所述遥感影像样本点集Spoint中城镇样本点位的灯光数据像元值的最小值Tmin;
统计所述遥感影像样本点集Spoint中非城镇样本点位的灯光数据像元值的最大值Fmax;
根据所述最小值Tmin和所述最大值Fmax之间的数值关系确定所述最佳阈值Voptimal;
其中,mean(Tmin,Fmax)表示Tmin和Fmax的平均值。
所述步骤600:将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图具体包括:
获取所述遥感影像的影像空间分辨率δ和四角经纬度坐标范围;
将所述城镇地区的夜间灯光数据Light1按照所述四角经纬度坐标范围裁剪,获得与所述遥感影像相同空间范围的裁剪夜间灯光数据Light2;
将所述裁剪夜间灯光数据Light2上采样至所述影像空间分辨率δ,获得上采样灯光数据Light3;
根据所述最佳阈值Voptimal对所述上采样灯光数据Light3阈值分割,获得初始城镇区域分布掩膜图;
其中,Vbefore为阈值分割前的灯光数据像元值,Vafter为阈值分割后的灯光数据像元值。
所述步骤700:在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类具体包括:
将所述遥感影像按照Nj×Nj尺寸进行格网划分,所述遥感影像边缘不足Nj大小部分以剩余部分大小计算,获得影像格网子图集合Sj;
提取所述影像格网子图集合Sj中的每个格网子图中的深度学习特征;
根据所述深度学习特征和分类器SVMj对每一个格网子图进行类别预测;
若所述格网子图的中心点对应第j-1个样本尺寸下的城镇分类结果Resultj-1中相同位置的像元值为1,采用所述分类器SVMj预测所述格网子图类别,获得格网子图类别,当j为1时,令所述初始城镇区域分布掩膜图中的城镇提取结果为Resultj-1;
将所述格网子图类别赋予对应格网内所有像元;
若所述格网子图的中心点对应第j-1个样本尺寸下的城镇分类结果相同位置的像元值为0,直接将所述格网内像元类别赋值为0;
将所有所述格网子图按照原位置拼合获得第j个样本尺寸下的城镇分类结果Resultj,所述j的取值为1,2,...,J。
所述步骤800:将所述城镇分类结果进行后处理操作,获得城镇边界提取结果具体包括:
将所述城镇分类结果ResultJ以NJ×NJ大小的格网为最小处理单元,进行8邻域的中值滤波,所述8邻域的中值滤波为将每一格网处理单元的类别值设置为对应所述格网8邻域窗口内的所有格网类别值的中值,剔除所述城镇分类结果中的孤立的图斑,填补所述城镇区域内部的空洞,获得后处理城镇区域,NJ为最小的格网尺寸;
将所述后处理城镇区域最外层的格网子图按所述格网子图的中心点依次连接,构成多边形,获得最终城镇边界提取结果。
为了实现上述目的,本发明还提供了如下方案:
一种十米级空间分辨率遥感影像城镇提取系统,所述提取系统包括:
数据采集模块1,用于采集夏季时相的十米级空间分辨率光学遥感影像和城镇地区的夜间灯光数据,所述遥感影像包括所述城镇地区的十米级空间分辨率光学遥感影像和非城镇地区的十米级空间分辨率光学遥感影像,所述夏季时相为一年当中的5~8月份;
训练样本集建立模块2,用于根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集,获得多尺寸的城镇遥感影像训练样本集和多尺寸的非城镇遥感影像训练样本集;
深度学习特征提取模块3,用于提取所述多尺寸的城镇遥感影像训练样本集中的深度学习特征;
分类器训练模块4,用于根据所述深度学习特征训练城镇场景图像分类器,获得训练分类器;
最佳阈值确定模块5,用于根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值,所述最佳阈值为所述夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值;
数据上采样模块6,用于将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图;
城镇场景分类模块7,用于在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类,获得城镇分类结果;
后处理操作模块8,用于将所述城镇分类结果进行后处理操作,获得城镇边界提取结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种十米级空间分辨率遥感影像城镇提取方法,其特征在于,所述提取方法包括:
采集夏季时相的十米级空间分辨率光学遥感影像和城镇地区的夜间灯光数据,所述遥感影像包括所述城镇地区的十米级空间分辨率光学遥感影像和非城镇地区的十米级空间分辨率光学遥感影像,所述夏季时相为一年当中的5~8月份;
根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集,获得多尺寸的城镇遥感影像训练样本集和多尺寸的非城镇遥感影像训练样本集;
提取所述多尺寸的城镇遥感影像训练样本集中的深度学习特征;
根据所述深度学习特征训练城镇场景图像分类器,获得训练分类器;
根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值,所述最佳阈值为所述夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值;
将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图;
在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类,获得城镇分类结果;
将所述城镇分类结果进行后处理操作,获得城镇边界提取结果。
2.根据权利要求1所述的一种十米级空间分辨率遥感影像城镇提取方法,其特征在于,所述根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集具体包括:
将所述光学遥感影像转换为标准假彩色合成影像,所述标准假彩色合成影像为近红外、红、绿波段分别对应红、绿、蓝通道;
分别在所述光学遥感影像和所述标准假彩色合成影像中均匀选取Ti个点位,获得T1个城镇样本点和T2个非城镇样本点;
所述点位和所述点位对应的类别信息Ci共同构成遥感影像样本点集Spoint,其中,Ti为正整数,i=1,2;所述类别信息Ci包括城镇场景类别C1和非城镇场景类别C2,所述城镇场景类别C1为落在城镇区域边界和内部的点位,所述非城镇场景类别C2为落在城镇区域以外的点位;
根据所述T1个城镇样本点和所述T2个非城镇样本点,以所述点位为中心,获取所述点位在所述标准假彩色合成影像中的邻域,获得尺寸为Nj×Nj的场景图像切片,所述场景图像切片和所述场景图像对应的类别信息构训练样本集其中,Nj和j均为正整数,j=1,2,.....,J,J为设置的样本尺寸的数量,N1,N2,...,NJ对应的样本尺寸按照降序排列,N1为样本尺寸最大值,NJ为样本尺寸最小值。
3.根据权利要求1所述的一种十米级空间分辨率遥感影像城镇提取方法,其特征在于,所述根据所述深度学习特征训练城镇场景图像分类器具体包括:
获取第j个样本尺寸对应的训练样本集中的场景图像切片和预训练的深度卷积神经网络模型;
将所述深度卷积神经网络模型中的输出层作为深层特征提取器,所述输出层为深度卷积神经网络中的最后一层卷积层和倒数第二个全连接层中的一者;
采用深层特征提取器提取所述遥感影像训练样本集中的场景图像的深度学习特征;
将所述遥感影像的深度学习特征和对应的场景类别编号作为训练数据;
第j个样本尺寸下的城镇场景图像分类器为支持向量机分类器SVMj。
4.根据权利要求1所述的一种十米级空间分辨率遥感影像城镇提取方法,其特征在于,所述根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值具体包括:
按照统一的地理空间投影方式对所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行空间叠加,获得每个点位数据对应的灯光数据像元值;
统计所述兴趣点位和所述遥感影像样本点集Spoint中城镇样本点位的灯光数据像元值的最小值Tmin;
统计所述遥感影像样本点集Spoint中非城镇样本点位的灯光数据像元值的最大值Fmax;
根据所述最小值Tmin和所述最大值Fmax之间的数值关系确定所述最佳阈值Voptimal;
其中,mean(Tmin,Fmax)表示Tmin和Fmax的平均值。
5.根据权利要求1所述的一种十米级空间分辨率遥感影像城镇提取方法,其特征在于,所述将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图具体包括:
获取所述遥感影像的影像空间分辨率δ和四角经纬度坐标范围;
将所述城镇地区的夜间灯光数据Light1按照所述四角经纬度坐标范围裁剪,获得与所述遥感影像相同空间范围的裁剪夜间灯光数据Light2;
将所述裁剪夜间灯光数据Light2上采样至所述影像空间分辨率δ,获得上采样灯光数据Light3;
根据所述最佳阈值Voptimal对所述上采样灯光数据Light3阈值分割,获得初始城镇区域分布掩膜图;
其中,Vbefore为阈值分割前的灯光数据像元值,Vafter为阈值分割后的灯光数据像元值。
6.根据权利要求1所述的一种十米级空间分辨率遥感影像城镇提取方法,其特征在于,所述在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类具体包括:
将所述遥感影像按照Nj×Nj尺寸进行格网划分,所述遥感影像边缘不足Nj大小部分以剩余部分大小计算,获得影像格网子图集合Sj;
提取所述影像格网子图集合Sj中的每个格网子图中的深度学习特征;
根据所述深度学习特征和分类器SVMj对每一个格网子图进行类别预测;
若所述格网子图的中心点对应第j-1个样本尺寸下的城镇分类结果Resultj-1中相同位置的像元值为1,采用所述分类器SVMj预测所述格网子图类别,获得格网子图类别,当j为1时,令所述初始城镇区域分布掩膜图中的城镇提取结果为Resultj-1;
将所述格网子图类别赋予对应格网内所有像元;
若所述格网子图的中心点对应第j-1个样本尺寸下的城镇分类结果相同位置的像元值为0,直接将所述格网内像元类别赋值为0;
将所有所述格网子图按照原位置拼合获得第j个样本尺寸下的城镇分类结果Resultj,所述j的取值为1,2,...,J。
7.根据权利要求1所述的一种十米级空间分辨率遥感影像城镇提取方法,其特征在于,所述将所述城镇分类结果进行后处理操作,获得城镇边界提取结果具体包括:
将所述城镇分类结果ResultJ以NJ×NJ大小的格网为最小处理单元,进行8邻域的中值滤波,所述8邻域的中值滤波为将每一格网处理单元的类别值设置为对应所述格网8邻域窗口内的所有格网类别值的中值,剔除所述城镇分类结果中的孤立的图斑,填补所述城镇区域内部的空洞,获得后处理城镇区域,NJ为最小的格网尺寸;
将所述后处理城镇区域最外层的格网子图按所述格网子图的中心点依次连接,构成多边形,获得最终城镇边界提取结果。
8.一种十米级空间分辨率遥感影像城镇提取系统,其特征在于,所述提取系统包括:
数据采集模块,用于采集夏季时相的十米级空间分辨率光学遥感影像和城镇地区的夜间灯光数据,所述遥感影像包括所述城镇地区的十米级空间分辨率光学遥感影像和非城镇地区的十米级空间分辨率光学遥感影像,所述夏季时相为一年当中的5~8月份;
训练样本集建立模块,用于根据所述光学遥感影像建立城镇和非城镇多尺寸遥感影像训练样本集,获得多尺寸的城镇遥感影像训练样本集和多尺寸的非城镇遥感影像训练样本集;
深度学习特征提取模块,用于提取所述多尺寸的城镇遥感影像训练样本集中的深度学习特征;
分类器训练模块,用于根据所述深度学习特征训练城镇场景图像分类器,获得训练分类器;
最佳阈值确定模块,用于根据所述夜间灯光数据、全国县级地区兴趣点位数据和所述遥感影像的训练样本集进行叠加分析,获得所述夜间灯光数据的最佳阈值,所述最佳阈值为所述夜间灯光数据中用于分割城镇和非城镇两个区域类型的分割点数值;
数据上采样模块,用于将所述夜间灯光数据上采样至十米级空间分辨率,根据所述最佳阈值提取所述城镇的初始分布区域,获得初始城镇区域分布掩膜图;
城镇场景分类模块,用于在所述初始城镇区域分布掩膜图约束的空间范围内采用所述训练分类器进行多尺度格网的城镇场景分类,获得城镇分类结果;
后处理操作模块,用于将所述城镇分类结果进行后处理操作,获得城镇边界提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110621.8A CN109858450B (zh) | 2019-02-12 | 2019-02-12 | 一种十米级空间分辨率遥感影像城镇提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110621.8A CN109858450B (zh) | 2019-02-12 | 2019-02-12 | 一种十米级空间分辨率遥感影像城镇提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858450A true CN109858450A (zh) | 2019-06-07 |
CN109858450B CN109858450B (zh) | 2020-10-23 |
Family
ID=66897681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110621.8A Active CN109858450B (zh) | 2019-02-12 | 2019-02-12 | 一种十米级空间分辨率遥感影像城镇提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858450B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866494A (zh) * | 2019-11-14 | 2020-03-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
CN112053350A (zh) * | 2020-09-04 | 2020-12-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备 |
CN112215096A (zh) * | 2020-09-25 | 2021-01-12 | 中国科学院空天信息创新研究院 | 基于场景与像元信息的遥感图像城镇提取方法及装置 |
CN112633227A (zh) * | 2020-12-30 | 2021-04-09 | 应急管理部国家自然灾害防治研究院 | 张衡一号感应磁力仪数据闪电哨声波自动识别方法及系统 |
CN113158899A (zh) * | 2021-04-22 | 2021-07-23 | 中国科学院地理科学与资源研究所 | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 |
CN113724172A (zh) * | 2021-08-04 | 2021-11-30 | 北京大学 | 基于景观功能数据的城镇边界提取方法及系统 |
US11288828B2 (en) | 2019-11-21 | 2022-03-29 | Industrial Technology Research Institute | Object recognition system based on machine learning and method thereof |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840581A (zh) * | 2010-02-05 | 2010-09-22 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
CN105701483A (zh) * | 2016-02-29 | 2016-06-22 | 中南大学 | 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法 |
CN106127121A (zh) * | 2016-06-15 | 2016-11-16 | 四川省遥感信息测绘院 | 一种基于夜间灯光数据的建成区智能化提取方法 |
CN107016403A (zh) * | 2017-02-23 | 2017-08-04 | 中国水利水电科学研究院 | 一种基于夜间灯光数据提取城市建成区阈值的方法 |
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
-
2019
- 2019-02-12 CN CN201910110621.8A patent/CN109858450B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840581A (zh) * | 2010-02-05 | 2010-09-22 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
CN105701483A (zh) * | 2016-02-29 | 2016-06-22 | 中南大学 | 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法 |
CN106127121A (zh) * | 2016-06-15 | 2016-11-16 | 四川省遥感信息测绘院 | 一种基于夜间灯光数据的建成区智能化提取方法 |
CN107016403A (zh) * | 2017-02-23 | 2017-08-04 | 中国水利水电科学研究院 | 一种基于夜间灯光数据提取城市建成区阈值的方法 |
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
Non-Patent Citations (3)
Title |
---|
WENLONG JING ET.AL: "Mapping Urban Areas with Integration of DMSP/OLS Nighttime Light and MODIS Data Using Machine Learning Techniques", 《REMOTE SENSING》 * |
柴宝惠 等: "基于Landsat 数据和DMSP/OLS 夜间灯光数据的城市扩展提取: 以天津市为例", 《北京大学学报(自然科学版)》 * |
舒松 等: "基于夜间灯光数据的城市建成区提取方法评价与应用", 《遥感技术与应用》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866494A (zh) * | 2019-11-14 | 2020-03-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
CN110866494B (zh) * | 2019-11-14 | 2022-09-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
US11288828B2 (en) | 2019-11-21 | 2022-03-29 | Industrial Technology Research Institute | Object recognition system based on machine learning and method thereof |
CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
CN111597949B (zh) * | 2020-05-12 | 2023-04-11 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
CN111598101B (zh) * | 2020-05-25 | 2021-03-23 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
CN112053350A (zh) * | 2020-09-04 | 2020-12-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备 |
CN112053350B (zh) * | 2020-09-04 | 2024-03-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备 |
CN112215096B (zh) * | 2020-09-25 | 2023-04-07 | 中国科学院空天信息创新研究院 | 基于场景与像元信息的遥感图像城镇提取方法及装置 |
CN112215096A (zh) * | 2020-09-25 | 2021-01-12 | 中国科学院空天信息创新研究院 | 基于场景与像元信息的遥感图像城镇提取方法及装置 |
CN112633227A (zh) * | 2020-12-30 | 2021-04-09 | 应急管理部国家自然灾害防治研究院 | 张衡一号感应磁力仪数据闪电哨声波自动识别方法及系统 |
CN112633227B (zh) * | 2020-12-30 | 2024-02-23 | 应急管理部国家自然灾害防治研究院 | 张衡一号感应磁力仪数据闪电哨声波自动识别方法及系统 |
CN113158899B (zh) * | 2021-04-22 | 2022-07-29 | 中国科学院地理科学与资源研究所 | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 |
CN113158899A (zh) * | 2021-04-22 | 2021-07-23 | 中国科学院地理科学与资源研究所 | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 |
CN113724172A (zh) * | 2021-08-04 | 2021-11-30 | 北京大学 | 基于景观功能数据的城镇边界提取方法及系统 |
CN113724172B (zh) * | 2021-08-04 | 2023-09-26 | 北京大学 | 基于景观功能数据的城镇边界提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109858450B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858450A (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及系统 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
Jain et al. | Monitoring land use change and its drivers in Delhi, India using multi-temporal satellite data | |
Middel et al. | Sky View Factor footprints for urban climate modeling | |
Toure et al. | Land cover and land use change analysis using multi-spatial resolution data and object-based image analysis | |
Voltersen et al. | Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level | |
Hu et al. | Impervious surface area extraction from IKONOS imagery using an object-based fuzzy method | |
Bhaskaran et al. | Per-pixel and object-oriented classification methods for mapping urban features using Ikonos satellite data | |
Aubrecht et al. | Integrating earth observation and GIScience for high resolution spatial and functional modeling of urban land use | |
Turker et al. | Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images | |
CN108871286A (zh) | 空间大数据协同的城市建成区人口密度估算方法和系统 | |
CN108229425A (zh) | 一种基于高分辨率遥感图像的水体识别方法 | |
Wang et al. | Urban development analysis using built-up area maps based on multiple high-resolution satellite data | |
CN101403795A (zh) | 估算城区树覆盖率的遥感测量方法及其遥感测量系统 | |
Gennaretti et al. | A methodology proposal for land cover change analysis using historical aerial photos | |
Nadoushan et al. | Predicting urban expansion in Arak Metropolitan Area using two land change models | |
CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
CN111428582B (zh) | 一种利用互联网街景照片计算城市天空开阔度的方法 | |
Cha et al. | The utilization of Google Earth images as reference data for the multitemporal land cover classification with MODIS data of North Korea | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
Sabr et al. | Assessment of land use and land cover change using spatiotemporal analysis of landscape: case study in south of Tehran | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
Ma et al. | Individual structure mapping over six million trees for New York City USA | |
CN114166842A (zh) | 高分遥感数据与地面调查数据协同的城镇森林监测方法 | |
Oșlobanu et al. | Built-up area analysis using Sentinel data in metropolitan areas of Transylvania, Romania |
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 |