CN110147735B - 一种高光谱遥感数据分类方法 - Google Patents

一种高光谱遥感数据分类方法 Download PDF

Info

Publication number
CN110147735B
CN110147735B CN201910334771.7A CN201910334771A CN110147735B CN 110147735 B CN110147735 B CN 110147735B CN 201910334771 A CN201910334771 A CN 201910334771A CN 110147735 B CN110147735 B CN 110147735B
Authority
CN
China
Prior art keywords
remote sensing
characteristic
sensing data
graphic
value
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
CN201910334771.7A
Other languages
English (en)
Other versions
CN110147735A (zh
Inventor
王新生
陈志杰
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.)
Hubei University
Original Assignee
Hubei 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 Hubei University filed Critical Hubei University
Priority to CN201910334771.7A priority Critical patent/CN110147735B/zh
Publication of CN110147735A publication Critical patent/CN110147735A/zh
Application granted granted Critical
Publication of CN110147735B publication Critical patent/CN110147735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种高光谱遥感数据分类方法，包括以下步骤：步骤S1、获取高光谱遥感数据中每一像元在不同波段的光谱值；步骤S2、根据所述光谱值计算极坐标，得到每一所述像元的极坐标矩阵；步骤S3、根据所述极坐标矩阵获取对应像元的特征多边形，计算所述特征多边形的图形特征值；步骤S4、根据所述图形特征值对所述高光谱遥感数据进行分类。本发明具有分类精准的技术效果。

Description

一种高光谱遥感数据分类方法
技术领域
本发明涉及高光谱遥感技术领域，具体涉及一种高光谱遥感数据分类方法。
背景技术
高光谱遥感数据的分类方法是地理信息科学领域的重要研究课题。但是，目前分类方法都或多或少存在一些不足：长期以来，广泛使用的数据挖掘方法主要包括主成分分析、线性判别分析、K近邻、支持向量机、神经网络和贝叶斯分类等，这些方法大都是基于统计学原理的方法，模型表达一般是基于向量空间，地理时空数据整个数据集往往采用一个数据矩阵来描述，每个样本被视为有限维欧式空间中一个向量或点，样本之间关系由点之间关系来描述。线性代数、概率统计等是其主要数学工具，相关统计量包括统计平均值、相关系数和协方差阵等。这些方法都是针对原始特征空间的矩阵数据进行直接处理，倚重的是统计信息，未充分关注原始地理研究对象可能存在的空间/结构关系，如分布、格局、拓扑和高阶关联等信息。目前，在遥感数字图像处理领域，普遍采用的方法是将光谱数据转换为光谱曲线，形成一些直接针对光谱曲线图形特征的分析方法，包括采用光谱曲线累计交叉面积的方法、分形特征方法、光谱曲线特征点提取方法、波谱角分类、光谱曲线匹配算法和描述关键统计特征的光谱曲线图形指数方法等。但是，总体来说，这些方法只是提取了光谱曲线的总体形态信息，没有全面把握光谱曲线的结构特征。
发明内容
本发明的目的在于克服上述技术不足，提供一种高光谱遥感数据分类方法，解决现有技术中对高光谱遥感数据进行分类时无法提取对象的结构关系的技术问题。
为达到上述技术目的，本发明的技术方案提供一种高光谱遥感数据分类方法，包括以下步骤：
步骤S1、获取高光谱遥感数据中每一像元在不同波段的光谱值；
步骤S2、根据所述光谱值计算极坐标，得到每一所述像元的极坐标矩阵；
步骤S3、根据所述极坐标矩阵获取对应像元的特征多边形，计算所述特征多边形的图形特征值；
步骤S4、根据所述图形特征值对所述高光谱遥感数据进行分类。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述高光谱遥感数据分类方法。
与现有技术相比，本发明的有益效果包括：本发明以像元作为研究单位，将单个像元转换为特征多边形，通过特征多边形的图形结构描述像元的光谱特性。高光谱遥感像元包括多个像元，因此将高光谱遥感数据转化为一个个多边形。通过多个多边形的图形结构以及图形间关系，描述高光遥感数据的光谱曲线的形态特征和结构特征，从而实现对光谱曲线形态特征和结构特征的兼顾，使得后续对于高光遥感数据的分类更加精准。
附图说明
图1是本发明提供的高光谱遥感数据分类方法一实施方式的流程图。
图2是通过本发明提供的高光谱遥感数据分类方法获取的三组特征多边形的实施例；
图3是本发明中极坐标的计算原理图；
图4是本发明中凸壳面积的计算结果图；
图5是本发明中最小外接矩形的计算结果图；
图6是通过本发明提供的高光谱遥感数据分类方法，根据图形紧凑度进行分类的分类结果图；
图7是通过本发明提供的高光谱遥感数据分类方法，根据图形方位值进行分类的分类结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明的实施例1提供了高光谱遥感数据分类方法，包括以下步骤：
步骤S1、获取高光谱遥感数据中每一像元在不同波段的光谱值；
步骤S2、根据所述光谱值计算极坐标，得到每一所述像元的极坐标矩阵；
步骤S3、根据所述极坐标矩阵获取对应像元的特征多边形，计算所述特征多边形的图形特征值；
步骤S4、根据所述图形特征值对所述高光谱遥感数据进行分类。
本发明首先获取每一个像元在不同波段的光谱值，根据光谱值计算极坐标，将像元在不同波段的极坐标首尾连接，得到特征多边形，通过特征多边形描述像元在各个不同波段的光谱值，从而将像元的光谱曲线转换为特征多边形，通过特征多边形的图形结构描述光谱曲线的形态特征和结构特征，最后通过图形分类方法对特征多边形进行分类，即可实现对高光谱遥感数据的分类。
具体的，高光谱遥感数据的每一个像元都包含有各个波段的光谱值，记高光谱波段总数为n，像元值为Xab，其中：a＝1,2,…,g，b＝1,2,…,h，g、h为像元的行列数，g×h＝n。提取Xab光谱值Vk，形成一个数列，计算像元Xab的n个波段光谱值的极坐标。最后，每一个像元的极坐标首尾相连形成一个封闭的特征多边形，实现了高光谱遥感数据的转换，将高光谱遥感数据的分类转换为特征多边形的分类。
图2示出了通过本发明获取的三组特征多边形，图2中第一排为林地像元：编号为1-9；第二排为建筑物像元：编号为10-18；第三排为水体像元：编号19-27，对比三排特征多边形可以明显看出，不同的地类会呈现不同的形状特征，不同地类的特征多边形的形状特征区别明显，后续只需采用现有的图形分类方法对特征多边形进行分类，即可快速、准确的实现高光谱遥感数据的分类。
本发明以像元作为研究单位，将单个像元转换为特征多边形，通过特征多边形的图形结构描述像元的光谱特性。高光谱遥感像元包括多个像元，因此将高光谱遥感数据转化为一个个多边形。通过多个多边形的图形结构以及图形间关系，描述高光遥感数据的光谱曲线的形态特征和结构特征，从而实现对光谱曲线形态特征和结构特征的兼顾，使得后续对于高光遥感数据的分类更加精准。本发明的优点是显著提高高光谱遥感数据的分类精度，方法简单简单、易行。
所述步骤S1还包括，根据每一所述像元在不同波段的光谱值，得到各所述像元的光谱值数列，对所述光谱值数列进行标准化。
将光谱值数列标准化后再计算极坐标，有利于简化极坐标的计算。
如图3所示，所述步骤S2中根据所述光谱值计算极坐标具体包括：
计算所述极坐标的旋转角度：
Figure BDA0002038820130000041
其中，θk为所述旋转角度，n为波段总数，k为波段序号，k＝1,2,…,n；
计算所述极坐标：
xk＝cosθk×Sk
yk＝sinθk×Sk
其中，xk为所述极坐标的横坐标值，yk为所述极坐标的纵坐标值，Sk为所述像元在第k波段的光谱值。
如图4所示，所述图形特征值包括凸壳面积，获取所述特征多边形的凸壳面积具体为：
获取所述特征多边形的凸壳，计算所述凸壳的面积作为所述凸壳面积。
所述图形特征值包括Boyce-Clark形状指数，获取所述特征多边形的Boyce-Clark形状指数具体为：
Figure BDA0002038820130000042
其中，SBC为所述Boyce-Clark形状指数，ri为所述特征多边形的优势点到周界交点的辐射半径长度，m为所述特征多边形中具有相等角度差的辐射半径的数量。
特征多边形的优势点为特征多边形的形心，记为点O。选定基准方向，从基准方向开始，以2π/m作为旋转间隔角度，确定多个射线方向。以点O为起点，分别以不同的射线方向向特征多边形的轮廓边界做射线，射线与特征多边形轮廓边界的交点记为Ai，ri即点O与点Ai之间的距离。
所述图形特征值包括图形紧凑度，获取所述特征多边形的图形紧凑度具体为：
Figure BDA0002038820130000051
其中，c为所述图形紧凑度，A为所述特征多边形的面积，P为所述特征多边形的轮廓周长。
所述图形特征值包括图形的计盒维数，获取所述特征多边形的计盒维数具体为：
lnN(r)＝E+DlnM(r)1/2
其中，lnN(r)、lnM(r)分别为所述特征多边形在不同大小的正方形网格覆盖下获得的点对，E为常数，D为所述计盒维数。
在不同大小正方形网格覆盖下获取特征多边形的两个不同的点对，拟合这些点对，求取回归方程，回归方程的斜率即所述计盒维数D。
如图5所示，所述图形特征值包括图形方位值，获取所述特征多边形的图形方位值具体为；
获取所述特征多边形的最小外接矩形的方位值作为所述图形方位值。
图形方位值即最小外接矩形的方位值。
所述步骤S4具体为：
采用聚类算法，根据所述图形特征值对所述高光谱遥感数据进行分类。
根据图形特征值对特征多边形进行分类，进而实现对高光谱遥感数据的分类。根据图形特征值对特征多边形进行分类采用现有的分类算法实现即可，本优选实施例采用聚类算法实现。具体的，计算不同像元的图形特征值的欧氏距离，基于欧氏距离测度实现图形特征值的聚类，进而实现特征多边形的分类。
本发明中图形特征值包括用于描述图形大小的最小凸壳面积，包括用于描述图形形状的Boyce-Clark形状指数、图形紧凑度以及计盒维数，还包括用于描述图形方位的图形方位值，这些图形特征值均可单独作为分类判别指标，对高光谱遥感数据进行分类。
本发明分别采用这几种不同的图形特征值作为分类判别指标进行分类，分类结果表明图形紧凑度、图形方位值这两种分类判别指标的分类效果最好。图6示出了以图形紧凑度作为分类判别指标的分类过程及结果，图7示出了以图形方位值作为分类判别指标的分类过程及结果，两者分类准确率分别达到96.27％、100.00％，图6和图7中X轴为像元序号、Y轴为像元的图形特征值之间的欧式距离。本发明较传统分类方法在精度上有了很大的提高，并且方法简单易行。
实施例2
本发明的实施例2提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现以上任一实施例提供的高光谱遥感数据分类方法。
本发明提供的计算机存储介质，用于实现高光谱遥感数据分类方法，因此，高光谱遥感数据分类方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (8)

1.一种高光谱遥感数据分类方法，其特征在于，包括以下步骤：
步骤S1、获取高光谱遥感数据中每一像元在不同波段的光谱值；
步骤S2、根据所述光谱值计算极坐标，得到每一所述像元的极坐标矩阵；
步骤S3、根据所述极坐标矩阵获取对应像元的特征多边形，计算所述特征多边形的图形特征值；
步骤S4、根据所述图形特征值对所述高光谱遥感数据进行分类；
所述步骤S1还包括，根据每一所述像元在不同波段的光谱值，得到各所述像元的光谱值数列，对所述光谱值数列进行标准化；
所述步骤S2中根据所述光谱值计算极坐标具体包括：计算所述极坐标的旋转角度：其中，θk为所述旋转角度，n为波段总数，k为波段序号，k＝1,2,…,n；计算所述极坐标： xk＝cosθk×Sk yk＝sinθk×Sk其中，xk为所述极坐标的横坐标值，yk为所述极坐标的纵坐标值，Sk为所述像元在第k波段的光谱值。
2.根据权利要求1所述的高光谱遥感数据分类方法，其特征在于，所述图形特征值包括凸壳面积，获取所述特征多边形的凸壳面积具体为：
获取所述特征多边形的凸壳，计算所述凸壳的面积作为所述凸壳面积。
3.根据权利要求1所述的高光谱遥感数据分类方法，其特征在于，所述图形特征值包括Boyce-Clark形状指数，获取所述特征多边形的Boyce-Clark形状指数具体为：其中，SBC为所述Boyce-Clark形状指数，ri为所述特征多边形的优势点到周界交点的辐射半径长度，m为所述特征多边形中具有相等角度差的辐射半径的数量。
4.根据权利要求1所述的高光谱遥感数据分类方法，其特征在于，所述图形特征值包括图形紧凑度，获取所述特征多边形的图形紧凑度具体为：其中，c为所述图形紧凑度，A为所述特征多边形的面积，P为所述特征多边形的轮廓周长。
5.根据权利要求1所述的高光谱遥感数据分类方法，其特征在于，所述图形特征值包括图形的计盒维数，获取所述特征多边形的计盒维数具体为： lnN(r)＝E+DlnM(r)1/2其中，lnN(r)、lnM(r)分别为所述特征多边形在不同大小的正方形网格覆盖下获得的点对，E为常数，D为所述计盒维数。
6.根据权利要求1所述的高光谱遥感数据分类方法，其特征在于，所述图形特征值包括图形方位值，获取所述特征多边形的图形方位值具体为；获取所述特征多边形的最小外接矩形的方位值作为所述图形方位值。
7.根据权利要求1所述的高光谱遥感数据分类方法，其特征在于，所述步骤S4具体为：采用聚类算法，根据所述图形特征值对所述高光谱遥感数据进行分类。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7任一所述的高光谱遥感数据分类方法。
CN201910334771.7A 2019-04-24 2019-04-24 一种高光谱遥感数据分类方法 Active CN110147735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910334771.7A CN110147735B (zh) 2019-04-24 2019-04-24 一种高光谱遥感数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910334771.7A CN110147735B (zh) 2019-04-24 2019-04-24 一种高光谱遥感数据分类方法

Publications (2)

Publication Number Publication Date
CN110147735A CN110147735A (zh) 2019-08-20
CN110147735B true CN110147735B (zh) 2023-04-07

Family

ID=67594453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910334771.7A Active CN110147735B (zh) 2019-04-24 2019-04-24 一种高光谱遥感数据分类方法

Country Status (1)

Country Link
CN (1) CN110147735B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503739A (zh) * 2016-10-31 2017-03-15 中国地质大学（武汉） 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN108009517A (zh) * 2017-12-18 2018-05-08 河海大学 一种海洋高光谱遥感影像特征分析方法
CN108764005A (zh) * 2018-01-31 2018-11-06 华侨大学 一种高光谱遥感图像地物空间波谱特征提取方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503739A (zh) * 2016-10-31 2017-03-15 中国地质大学（武汉） 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN108009517A (zh) * 2017-12-18 2018-05-08 河海大学 一种海洋高光谱遥感影像特征分析方法
CN108764005A (zh) * 2018-01-31 2018-11-06 华侨大学 一种高光谱遥感图像地物空间波谱特征提取方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于高光谱的遥感图像的光谱角度分类方法的研究;刘天乐;《中国测绘学会2006年学术年会论文集》;20061130;第1-3节 *

Also Published As

Publication number Publication date
CN110147735A (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
CN111898688B (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN104331698B (zh) 一种遥感图像城区提取方法
CN106503739A (zh) 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN107992891B (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
CN102208034B (zh) 基于半监督维数约减的高光谱图像分类方法
CN110619263B (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
CN103914678B (zh) 基于纹理与植被指数的撂荒地遥感识别方法
CN109859256B (zh) 一种基于自动对应点匹配的三维点云配准方法
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
CN103488968A (zh) 遥感图像的混合像素物质构成精细化分解装置及方法
CN107194936B (zh) 基于超像素联合稀疏表示的高光谱图像目标检测方法
Hang et al. Graph regularized nonlinear ridge regression for remote sensing data analysis
CN110717485B (zh) 一种基于局部保留投影的高光谱图像稀疏表示分类方法
CN106780503A (zh) 基于后验概率信息熵的遥感图像最优分割尺度确定方法
CN110705449A (zh) 一种土地利用变化遥感监测分析方法
Li et al. Comparison of several remote sensing image classification methods based on envi
CN116030352B (zh) 融合多尺度分割和超像素分割的长时序土地利用分类方法
CN114511012A (zh) 基于特征匹配和位置匹配的sar图像与光学图像匹配方法
CN111062267A (zh) 一种时间序列遥感影像降维方法
Zhang et al. Spectral clustering of straight-line segments for roof plane extraction from airborne LiDAR point clouds
CN110956601B (zh) 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质
CN113989685B (zh) 基于超级体元的机载多光谱LiDAR数据土地覆盖分类的方法
CN106971402B (zh) 一种基于光学辅助的sar图像变化检测方法
CN110147735B (zh) 一种高光谱遥感数据分类方法

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