CN110096997A - 一种集成多源遥感数据的海岸带精细分类方法 - Google Patents

一种集成多源遥感数据的海岸带精细分类方法 Download PDF

Info

Publication number
CN110096997A
CN110096997A CN201910353646.0A CN201910353646A CN110096997A CN 110096997 A CN110096997 A CN 110096997A CN 201910353646 A CN201910353646 A CN 201910353646A CN 110096997 A CN110096997 A CN 110096997A
Authority
CN
China
Prior art keywords
data
image
layer
littoral zone
dem
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
Application number
CN201910353646.0A
Other languages
English (en)
Other versions
CN110096997B (zh
Inventor
孙伟伟
邵文静
杨刚
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.)
Ningbo University
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN201910353646.0A priority Critical patent/CN110096997B/zh
Publication of CN110096997A publication Critical patent/CN110096997A/zh
Application granted granted Critical
Publication of CN110096997B publication Critical patent/CN110096997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T5/80—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image

Abstract

本发明涉及一种集成多源遥感数据的海岸带精细分类方法，包括如下步骤：步骤1)对GF‑5高光谱影像进行预处理，包括辐射定标、大气校正、正射校正；步骤2)对预处理后的影像选择样本进行标记；步骤3)通过几何感知的降维方法对高光谱数据进行降维处理；步骤4)以经过预处理后的高光谱为依据，在待校正影像上选择控制点；步骤5)对降维后的高光谱数据与经过配准后的DEM数据、热红外数据以及坡度图层、坡向图层进行堆叠；步骤6)根据之前样本标签，用支持向量机对堆叠后的数据执行分类。本发明的有益效果是：结合多源影像，提高海岸带精细分类精度；提高分类精度。该方法灵活性强，具有较强的实用性。

Description

一种集成多源遥感数据的海岸带精细分类方法
技术领域
本发明基于多源遥感海岸带精细分类的方法，属于遥感影像分类领域。
背景技术
当前遥感技术的发展使得大面积对地观测能力成为可能。对遥感图像的解译一方面依靠影像的空间分辨率提高，另一方面依靠影像波谱分辨率的提高。全色和多光谱影像具有较高的空间分辨率而波谱分辨率不足而难以进行精细分类；高光谱具有较高的波谱分辨率，但是空间分辨率不足，同时存在光谱冗余问题。
目前海岸带精细分类大多仅仅依靠单一的高光谱数据进行分类，而部分类别依靠光谱信息区分度并不明显，加上海岸带地区地物类型复杂，此海岸带精细分类依旧具有一定的挑战。具体表现在以下几点：一是高光谱遥感存在大量数据冗余，光谱之间存在较强的相关性，导致计算量增大，同时地物光谱混合现象影响到了分类精度和分类结果；二是一些地物类型仅仅依靠光谱信息难以区分。
发明内容
本发明的目的在于克服上述不足，提出一种弥补当前海岸带精细分类缺陷，提高海岸带分类精度的集成多源遥感数据的海岸带精细分类方法。
这种集成多源遥感数据的海岸带精细分类方法，包括如下步骤：
S1.对GF-5高光谱影像进行预处理，包括辐射定标、大气校正、正射校正；
S2.对预处理后的影像选择样本进行标记；
S3.通过几何感知的降维方法对高光谱数据进行降维处理；
S4.以经过预处理后的高光谱为依据，在待校正影像上选择控制点，用影像对影像的方式对原始DEM影像和热红外影像进行配准，并分别裁剪出与高光谱相同的范围，最后由配准后的DEM数据生成坡度图层和坡向图层；
S5.对降维后的高光谱数据与经过配准后的DEM数据、热红外数据以及坡度图层、坡向图层进行堆叠；
S6.根据之前样本标签，用支持向量机对堆叠后的数据执行分类。
作为优选：所述步骤S3中，降维处理的具体步骤为：
S3.1首先对标记样本进行聚类，用Nw(xi)表示与像元点xi具有同一标签最邻近的聚类点；Nb(xj)表示与像元点xi具有不同标签的最邻近像元点，根据聚类结果构造判别函数；
其次，根据判别函数构造相关函数，表达式如下
Aij＝gw(xi，xj)-gb(xi，xj)
其中Aij为邻近点xi与xj之间的相关性；
S3.2通过构造损失函数尽量保留原有信息，同时加入S3.1中判别函数使得降维后空间更具有区分性，具体公式如下
其中，UT为映射矩，函数L(U)的最优解应当接近单位矩阵Im；
S3.3求解损失函数，此处用共轭梯度法求解，表达式为
其中，
本发明的有益效果是：结合多源影像，提高海岸带精细分类精度。针对高光谱数据冗余问题，采用几何感知的降维方式来对数据进行降维处理；DEM信息能够解决水体和山体阴影混分，建筑和船只混分的现象，以及岩石海岸与建筑混分的现象；由DEM生成的坡度和坡向信息能够发掘DEM影像潜在的特征，减少湿地与旱地植被的混分，因此将坡度和坡向图层也作为特征层添加到分类图层中；热红外影像能够更好地区分裸地和未利用地，故将高光谱影像与Landsat8热红外波段结合。通过图层堆叠的方式将降维后的高光谱影像与DEM高程数据、坡度信息、坡向信息、Landsat8热红外信息相结合，提高分类精度。该方法灵活性强，具有较强的实用性。
附图说明
图1是本发明的实施例流程图；
图2是GF5原始影像图；
图3是30米DEM影像；
图4是Landsat8热红外影像；
图5是DEM生成的坡度图；
图6是DEM生成的坡向图像；
图7是分类结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
步骤1：下载GF-5高光谱卫星影像(图2)为原始高光谱影像的真彩色显示)，对影像进行辐射定标、大气校正、几何校正和正射校正预处理；
步骤2：依据实际需要确定样本类别，参照高光谱影像不同类别的光谱曲线，结合谷歌地球真实高清地表高清影像确定地表属性，在预处理后的高光谱影像上进行样本标记；
步骤3：通过几何感知的降维方式对预处理之后的高光谱数据进行降维，该方法通过样本标签信息将数据从高维空间中映射到一个更具区分度的低维空间中，从而增强类别的可区分性并减少数据冗余，具体降维方式如下所示：
(1)首先对标记样本进行聚类，用Nw(xi)表示与像元点xi具有同一标签最邻近的聚类点；Nb(xj)表示与像元点xi具有不同标签的像元点，根据聚类结果构造判别函数
其次，根据判别函数构造相关函数，表达式如下
Aij＝gw(xi，xj)-gb(xi，xj)
其中Aij为邻近点xi与xj之间的相关性
(2)由于降维过程不可避免的带来信息损失，为了使得降维过程中的信息损失达到最小，通过构造损失函数尽量保留原有信息，同时加入(1)中判别函数使得降维后空间更具有区分性
其中，U为映射矩，函数L(U)的最优解应当接近单位矩阵Im。
(3)求解损失函数，此处用共轭梯度法求解，表达式为
其中，
步骤4：下载GDEMV2的DEM影像(图3)和landsat8影像，提取出第10和11两个热红外波段(图4)，以经过预处理的高光谱为基准影像，在影像上选择控制点，对原始DEM影像和Landsat8热红外影像配准，使DEM影像和Landsat8热红外影像与高光谱影像空间上能堆叠；分别裁剪出与高光谱相同的范围；以经过预处理后的高光谱为依据，对原始DEM影像和landsat8第10,11波段的热红外影像进行配准，分别裁剪出与高光谱相同的范围；对配准后的DEM图层提取等高线，在等高线的基础上进行表面分析，生成坡度图层(图5)和坡向图层(图6)；
步骤5：为了解决一些类别仅依靠光谱信息容易产生混分的问题，对降维后的高光谱数据与经过配准后的DEM高程数据，热红外数据以及DEM生成的坡度图层、坡向图层进行图层的堆叠；
步骤6：根据之前标记的样本标签用支持向量机对图像进行分类，图7为分类结果图。

Claims (2)

1.一种集成多源遥感数据的海岸带精细分类方法，其特征在于，包括如下步骤：
S1.对GF-5高光谱影像进行预处理，包括辐射定标、大气校正、正射校正；
S2.对预处理后的影像选择样本进行标记；
S3.通过几何感知的降维方法对高光谱数据进行降维处理；
S4.以经过预处理后的高光谱为依据，在待校正影像上选择控制点，用影像对影像的方式对原始DEM影像和热红外影像进行配准，并分别裁剪出与高光谱相同的范围，最后由配准后的DEM数据生成坡度图层和坡向图层；
S5.对降维后的高光谱数据与经过配准后的DEM数据、热红外数据以及坡度图层、坡向图层进行堆叠；
S6.根据之前样本标签，用支持向量机对堆叠后的数据执行分类。
2.根据权利要求1所述的集成多源遥感数据的海岸带精细分类方法，其特征在于，所述步骤S3中，降维处理的具体步骤为：
S3.1首先对标记样本进行聚类，用Nw(xi)表示与像元点xi具有同一标签最邻近的聚类点；Nb(xj)表示与像元点xi具有不同标签的最邻近像元点，根据聚类结果构造判别函数；
其次，根据判别函数构造相关函数，表达式如下
Aij＝gw(xi,xj)-gb(xi,xj)
其中Aij为邻近点xi与xj之间的相关性；
S3.2通过构造损失函数尽量保留原有信息，同时加入S3.1中判别函数使得降维后空间更具有区分性，具体公式如下
其中，UT为映射矩，函数L(U)的最优解应当接近单位矩阵Im；
S3.3求解损失函数，此处用共轭梯度法求解，表达式为
其中，
CN201910353646.0A 2019-04-29 2019-04-29 一种集成多源遥感数据的海岸带精细分类方法 Active CN110096997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910353646.0A CN110096997B (zh) 2019-04-29 2019-04-29 一种集成多源遥感数据的海岸带精细分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910353646.0A CN110096997B (zh) 2019-04-29 2019-04-29 一种集成多源遥感数据的海岸带精细分类方法

Publications (2)

Publication Number Publication Date
CN110096997A true CN110096997A (zh) 2019-08-06
CN110096997B CN110096997B (zh) 2020-04-14

Family

ID=67446295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910353646.0A Active CN110096997B (zh) 2019-04-29 2019-04-29 一种集成多源遥感数据的海岸带精细分类方法

Country Status (1)

Country Link
CN (1) CN110096997B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110079A (zh) * 2007-06-27 2008-01-23 中国科学院遥感应用研究所 一种数字地球原型系统
CN103760619A (zh) * 2014-01-07 2014-04-30 中国神华能源股份有限公司 煤田火区的监测方法和装置
CN105069471A (zh) * 2015-07-31 2015-11-18 西安电子科技大学 基于模糊标签的高光谱数据子空间投影和分类方法
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法
CN105447274A (zh) * 2015-12-22 2016-03-30 中国科学院东北地理与农业生态研究所 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN103810701B (zh) * 2014-01-15 2017-07-25 北京农业信息技术研究中心 一种无人机载成像高光谱几何校正的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110079A (zh) * 2007-06-27 2008-01-23 中国科学院遥感应用研究所 一种数字地球原型系统
CN103760619A (zh) * 2014-01-07 2014-04-30 中国神华能源股份有限公司 煤田火区的监测方法和装置
CN103810701B (zh) * 2014-01-15 2017-07-25 北京农业信息技术研究中心 一种无人机载成像高光谱几何校正的方法及系统
CN105069471A (zh) * 2015-07-31 2015-11-18 西安电子科技大学 基于模糊标签的高光谱数据子空间投影和分类方法
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法
CN105447274A (zh) * 2015-12-22 2016-03-30 中国科学院东北地理与农业生态研究所 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张宁: "基于Landsat8遥感影像的沈阳市水稻种植信息提取及动态监测", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
杨艳青: "不同地貌单元下遥感影像分类方法的比较研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
马小丽: "基于机器学习的高光谱图像地物分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN110096997B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
Ourhzif et al. Lithological mapping using landsat 8 oli and aster multispectral data in imini-ounilla district south high atlas of marrakech
Wang et al. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery
Rogers et al. Mapping of mangrove extent and zonation using high and low tide composites of Landsat data
Purkis et al. Integrating in situ reef-top reflectance spectra with Landsat TM imagery to aid shallow-tropical benthic habitat mapping
Masoumi et al. Integration of spectral, thermal, and textural features of ASTER data using Random Forests classification for lithological mapping
CN108564587A (zh) 一种基于全卷积神经网络的大范围遥感影像语义分割方法
El Janati et al. Application of ASTER remote sensing data to geological mapping of basement domains in arid regions: a case study from the Central Anti-Atlas, Iguerda inlier, Morocco
Palaniswami et al. Spectral mixture analysis for subpixel classification of coconut
Sun et al. Object-oriented land cover classification using HJ-1 remote sensing imagery
Kumar et al. Classification of floristic composition of mangrove forests using hyperspectral data: case study of Bhitarkanika National Park, India
Alexander et al. Classification of vegetation in an open landscape using full-waveform airborne laser scanner data
CN105447274A (zh) 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN109308451A (zh) 一种高分数据信息提取系统及方法
Yang et al. Object-based classification of cloudy coastal areas using medium-resolution optical and SAR images for vulnerability assessment of marine disaster
CN110096997A (zh) 一种集成多源遥感数据的海岸带精细分类方法
Wang et al. Random forest classification of sediments on exposed intertidal flats using ALOS-2 quad-polarimetric SAR data
Mokhtari et al. Digital image processing and analysis techniques for detection of hydrothermal alteration zones: a case study in Siah-Jangal area, North of Taftan Volcano, Southeastern Iran
Fontanel et al. Enhancement of Landsat imagery by combination of multispectral classification and principal component analysis
CN113705523B (zh) 一种基于光学和双极化sar融合的分层城市不透水面提取方法
Wei et al. Preliminary evaluation of Gaofen-3 quad-polarized SAR imagery for Longbao protected plateau wetland reserve
Carvalho et al. Optical and SAR imagery for mapping vegetation gradients in Brazilian savannas: Synergy between pixel-based and object-based approaches
Hall et al. Basin setting and age of the late Palaeoproterozoic Capricorn Formation, Western Australia
Liao et al. Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay
Trisasongko et al. Mapping Oil Palm Plantations in the Fringe of Sebangau National Park, Central Kalimantan, Indonesia
Kalelioğlu et al. Delineating compositionally different dykes in the Ulukışla basin (Central Anatolia, Turkey) using computer‐enhanced multi‐spectral remote sensing data

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