CN110287915B - 一种基于Landsat遥感影像的城市不透水层提取方法 - Google Patents

一种基于Landsat遥感影像的城市不透水层提取方法 Download PDF

Info

Publication number
CN110287915B
CN110287915B CN201910577350.7A CN201910577350A CN110287915B CN 110287915 B CN110287915 B CN 110287915B CN 201910577350 A CN201910577350 A CN 201910577350A CN 110287915 B CN110287915 B CN 110287915B
Authority
CN
China
Prior art keywords
image
uis
algorithm
particle
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
CN201910577350.7A
Other languages
English (en)
Other versions
CN110287915A (zh
Inventor
李明诗
王玉亮
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry 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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201910577350.7A priority Critical patent/CN110287915B/zh
Publication of CN110287915A publication Critical patent/CN110287915A/zh
Application granted granted Critical
Publication of CN110287915B publication Critical patent/CN110287915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Abstract

本发明提出的是一种基于Landsat遥感影像的城市不透水层提取方法，基于改进粒子群算法的自动阈值不透水指数模型（PSO‑UISAT），充分考虑到季节变化和地理空间变化对UIS提取的影响，将不透水层指数、全局最优自动阈值选取和算法综合验证及评价有机结合，构成完备的不透水层提取系统，适用性和可靠性高；该模型将城市指数，阈值自动选取和性能评价融为一体，形成系统，可满足不同季节，不同地理位置的Landsat遥感影像的城市不透水层提取的需求，避免了由于影像的时空差异导致阈值的人工微调和重选的工作，从而提高了不透水层提取的效率和准确性。

Description

一种基于Landsat遥感影像的城市不透水层提取方法
技术领域
本发明涉及的是一种基于Landsat遥感影像的城市不透水层提取方法，属于遥感制图技术领域。
背景技术
城市不透水层（UIS）是人类活动和城市化的产物，是指城市范围内被水泥地面、柏油马路、飞机场、城市建筑等结构所覆盖，阻止水分向地表直接渗入的区域。城市不透水层作为城市发展和管理的中重要因素，其检测，规划和管理情况标志着城市生态文明的建设水平。由于UIS带来一系列城市环境问题，如城市热岛、城市碳岛、城市雨洪及城市水体污染等问题，因此，精确的掌握UIS的地理分布，区域面积和发展变化，对于城市的整体管理规划具有重要的意义。
遥感影像具有扫描幅宽度，动态更新及时的特点，能够连续客观的记录城市信息，广泛的应用于UIS信息提取过程中。遥感影像按照空间分辨率分为高空间分辨率（<10m）、中等空间分辨率（10~100m）和低空间分辨率（>100m）。高空间分辨率遥感影像具有较丰富的地物特征信息，较大的数据量和运算复杂度，比较适合局小尺度或部分城市的透水层提取；然而，高分辨率影像会在大量的遮挡和阴影，这些影响UIS判别和提取；低分辨遥感影像可以满足全球尺度的不透水层制图，但精度较低，可以作为区域尺度下UIS提取的辅助数据。精度要求较高的UIS提取过程通常采用中等分辨率的遥感影像，典型的代表是Landsat系列遥感影像（OLI，ETM+ 和TM影像）。
UIS提取的方法总体上可分为四大类：（1）光谱混合分析算法，包括线性和非线性算法；（2）图像分类算法，典型的算法如机器学习算法：支持向量机，人工神经网络，随机森林，决策树，卷积神经网络及深度学习算法；（3）多源数据融合算法；（4）城市指数模型。现有的上述算法都存在一定的局限性，如：光谱混合分析模型在密集建筑区域出现多估算现象，在稀疏的建筑区域出现少估算现象；支持向量机等机器的学习算法的精度取决于样本的数量和样本的质量；多源数据融合模型中的数据的一致性难以确保，制约了算法的进一步发展。相对前三类算法，城市指数模型具有运算简单，运算量少，生成结果直接，灰度对比度鲜明的显著优点，是本领域技术人员的优先选择使用的方案。
现有城市指数按照性能通常分为三个类型：（1）归一化指数模型，利用多波段归一化运算，将地物的灰度值范围缩小至-1和1之间，UIS地物的灰度值一般大于0；这些指数模型包括：归一化建筑指数模型（NDBI），归一化不透水层指数模型（NDISI），修订的归一化不透水层指数模型（MNDISI）和归一化不透水指数（NDII）；（2）基于特征提取的指数模型，如生物物理指数模型（BCI），基于指数的建筑指数（IBI），建筑和裸土指数（BBI），指数提高不透水模型（p 指数），改善的建筑和裸土指数（EBBI）和联合建筑指数模型（CBI）；（3）自动阈值指数模型，包括基于遗传算法的城市群自动阈值模型（GA-UCAT）和基于高斯算法的自动阈值模型（MNDISIg）。
然而，上述的指数模型基本上都存在一定的局限性，主要在于：（1）大部分指数模型没有综合考虑时空变化对光学遥感影像的影响，如地理空间的变化对地物反射率的影响，季节变化对UIS提取精度的影响等；个别指数模型仅仅单一考虑到季节变化影响或地理空间变化的影响，缺少综合将两项因素统一考虑：如MNDISIg单独就季节变化的影响进行了验证，而GA-UCAT只对地理空间变化的影响进行了论述；（2）部分指数模型在运算前要先对水体、植被进行掩膜，或需要其他辅助条件及参数修正，增加了UIS提取的复杂度，效率较低：如BCI和NDBI指数模型要首先掩膜去水体，BCI要做缨帽变换等；（3）大部分指数模型阈值选取依靠人为选择，增加了主观因素，并且对时空变化的遥感影像需要微调或重新选取阈值才能达到预期的UIS提取效果，无疑增大了工作人员的工作量，并导致精度差异较大，效率低下；虽然GA-UCAT 和MNDISIg分别采用了遗传算法和高斯算法完成自动阈值提取，但上述算法内容仍存在较大空缺，如阈值是否为全局最优，算法的综合评价结果评定等问题亟待解决。
发明内容
本发明其目的在于解决现有城市不透水层提取方法及方法存在的上述各项问题，提出一种基于Landsat遥感影像的城市不透水层提取方法，基于改进粒子群算法的自动阈值不透水指数模型（PSO-UISAT），充分考虑到季节变化和地理空间的变化对UIS提取的影响，将不透水层指数、全局最优自动阈值选取和算法综合评价有机结合，构成完备的不透水层提取系统，可适用性和可靠性高。
本发明的技术解决方案：一种基于Landsat遥感影像的城市不透水层提取方法，主要包括如下步骤：
1）选取研究区域范围，提取测试数据；
2）建立城市指数模型，通过光谱波段计算，有效地将城市中透水地物和不透水地物以有鉴别的灰度值显示在生成的指数影像中；
3）基于改进粒子群算法的自动阈值选择算法，通过求解图像熵的最大值，取得最佳的灰度阈值，以提高不透水层提取的精度；
4）综合性能评价策略，采用基于人工神经网络（ANNs）的相对精度比较法，组内相关系数（ICC）算法和同类算法性能比较方法。
所述的步骤1）主要包括：综合考虑Landsat不同传感器的影像和季节因素，选取城市地区一定经纬度范围内的区域Landsat微信遥感影像；数据来源于美国地质调查局（USGS）官方网站，影像数据内容包括传感器类型、空间纬度、所选波段信息，及OLI、ETM+和TM影像数据，每个地区涵盖春、夏、秋、冬四季的影像。
所述的步骤2）主要包括：采用Landsat遥感影像短波红外2波段SWIR2，近红外波段NIR，红光波段Red和绿光波段Green构建城市指数模型，该指数模型表达式如下：
Figure 124915DEST_PATH_IMAGE001
(1)
其中
Figure 161004DEST_PATH_IMAGE002
为：
Figure 255999DEST_PATH_IMAGE003
. (2)
公式中
Figure 377539DEST_PATH_IMAGE004
为调节常数，取值1到3，最佳取值为2；公式中
Figure 340815DEST_PATH_IMAGE005
,
Figure 496990DEST_PATH_IMAGE006
,
Figure 762886DEST_PATH_IMAGE007
and
Figure 371722DEST_PATH_IMAGE008
分别代表波段SWIR2、red、NIR and green 地面反射率；Landsat遥感影像通过本指数模型进行运算后生成了指数图像，图像中比较有鉴别的区分前景色UIS和背景色非UIS，但要提取UIS必须选择适当的阈值；根据指数影像中地物的灰度值域，将指数影像按照灰度级别划分为m个灰度级别，这些被划分的灰度级别数据集表示为：
Figure 873111DEST_PATH_IMAGE009
, 定义
Figure 883792DEST_PATH_IMAGE010
为该指数影像的最佳阈值，则UIS提取的判别式可表达为：
Figure 320590DEST_PATH_IMAGE011
（3）。
所述的步骤3）利用粒子群算法求解图形熵的最大值，从而获取最佳阈值，该算法主要包括四个步骤：（1）初始化粒子群：根据指数图像灰度级别划分确定粒子群的规模，定义初始的粒子位置和速度，定义迭代次数和迭代结束条件，定义位置和速度更新函数相关参数；（2）计算每个粒子的适度函数，初始化个体粒子和全局粒子初始位置和全局最优粒子；（3）计算下一个位置的粒子适度函数和和全局粒子适度函数，与初始设置进行比较，并更新粒子的位置和速度及全局最优值；（4）将数据迭代至步骤（3），直到最佳的适度函数值为止。
将灰度级别集合作为粒子群，定义为：
Figure 416722DEST_PATH_IMAGE012
Figure 721801DEST_PATH_IMAGE013
为第
Figure 852568DEST_PATH_IMAGE014
粒子群中的一个粒子，定义该粒子的速度为
Figure 991425DEST_PATH_IMAGE015
，则粒子群的速度集合向量表达式为：
Figure 778116DEST_PATH_IMAGE016
，
Figure 293411DEST_PATH_IMAGE017
为第
Figure 872160DEST_PATH_IMAGE018
粒子的初始最佳位置，
Figure 181918DEST_PATH_IMAGE019
为初始全局最佳阈值，
Figure 987063DEST_PATH_IMAGE017
和
Figure 509311DEST_PATH_IMAGE019
都满足适度函数；
适度函数采用了图像熵函数：
Figure 349091DEST_PATH_IMAGE020
，
Figure 829751DEST_PATH_IMAGE021
为当前最佳阈值，将指数影像分为大于等
Figure 981247DEST_PATH_IMAGE021
前景色和小于
Figure 572765DEST_PATH_IMAGE021
的背景色，
Figure 532631DEST_PATH_IMAGE022
和
Figure 653034DEST_PATH_IMAGE023
分别表述背景色和前景色所有像素的图像熵总和；
Figure 432771DEST_PATH_IMAGE024
(4)
Figure 827980DEST_PATH_IMAGE025
(5)
其中，
Figure 235828DEST_PATH_IMAGE026
和
Figure 58290DEST_PATH_IMAGE027
分别为背景色和前景色每个灰度级的概率总和，并满足以下关系：
Figure 325324DEST_PATH_IMAGE028
（6）
Figure 993065DEST_PATH_IMAGE029
（7）
背景色中各灰度级的概率表示为：
Figure 661944DEST_PATH_IMAGE030
（8）
前景色中各灰度级的概率表示为：
Figure 655308DEST_PATH_IMAGE031
（9）
适度函数是该算法的核心，通过迭代比较遍历所有灰度级，找出最大图形熵值，则为最佳阈值，迭代到下一个粒子位置满足：
Figure 3113DEST_PATH_IMAGE032
（10）
Figure 5704DEST_PATH_IMAGE033
（11）
其中
Figure 529089DEST_PATH_IMAGE034
和
Figure 162196DEST_PATH_IMAGE035
为学习因子，
Figure 403821DEST_PATH_IMAGE036
为0到1的随机数，
Figure 944524DEST_PATH_IMAGE037
为惯性权重因子，调节迭代速度和算法收敛性，确保算法全局最优值，惯性权重因子采用了动态调节，满足：
Figure 322416DEST_PATH_IMAGE038
, (12)
其中
Figure 516636DEST_PATH_IMAGE039
为最大惯性权重，取值为0.9，
Figure 979979DEST_PATH_IMAGE040
为最小惯性权重，取值为0.4，
Figure 324373DEST_PATH_IMAGE041
和
Figure 25612DEST_PATH_IMAGE042
分别为最大迭代次数和当前迭代次数。
所述的步骤4）采用相对精度验证方法，即利用监督学习分类方法ANNs（总体精度为98.11%以上），将原始影像分为UIS 和非UIS，分别计算UIS和非UIS像元个数和占比，并将这些结果作为比较的对象，将指数影像UIS的像元个数与之比较，得到相对提取精度，为进一步验证相对比较方法的精度，采用了2.5m空间分辨率的Google Earth 影像对随机选择的区域进行二次验证；
另外，在算法性能验证中采用了对比验证方法，将本模型的提取结果与几种典型的不透水指数进行比较，分析本模型的UIS提取的性能；在算法评价上，采用了ICC算法分别计算了前景色背景色各像元的组内灰度相关性，从定量的角度衡量阈值选取的正确性和准确性；ICC算法中将阈值分割的前景色UIS部分和背景色非UIS部分看作两个组，分别表示为：
Figure 797259DEST_PATH_IMAGE043
，和
Figure 747898DEST_PATH_IMAGE044
Figure 223878DEST_PATH_IMAGE045
是最佳阈值
Figure 576362DEST_PATH_IMAGE046
灰度位置，定义
Figure 518911DEST_PATH_IMAGE047
为
Figure 425687DEST_PATH_IMAGE048
组内相邻灰度，满足
Figure 111883DEST_PATH_IMAGE049
，则前景色ICC可以表达为：
Figure 318873DEST_PATH_IMAGE050
,
Figure 25798DEST_PATH_IMAGE051
（13）
Figure 951029DEST_PATH_IMAGE052
Figure 644178DEST_PATH_IMAGE053
， （14）
背景色ICC表示为：
Figure 971255DEST_PATH_IMAGE054
,
Figure 990026DEST_PATH_IMAGE051
（15）
Figure 996028DEST_PATH_IMAGE055
Figure 24027DEST_PATH_IMAGE056
（16）。
本发明的优点：
1）有效增强UIS在图像的中的灰度颜色，降低非UIS的灰度范围，从而增强UIS和非UIS在图像中的鉴别度；
2）采用基于改进的粒子群算法自动选取阈值，提高UIS制图和检测的效率，满足对城市非法建筑检测的时效要求；
3）采用定量和定性性能综合评价策略，全面测试和评价模型的正确性、实用性和精度。
附图说明
附图1是本发明的模型流程步骤示意图。
附图2是本发明实施例的研究区域地理空间位置图。
附图3是本发明实施例中三个城市四个季节的UIS指数运算后结果比较图。
附图4是本发明实施例中的三个城市UIS指数运算后部分放大效果图。
附图5是本发明实施例中的指数影像和原始影像中裸土对UIS干扰比较图。
附图6是本发明实施例指数图像中三个城市不同传感器影像阈值比较图。
附图7是本发明实施例中采用ANNs和PSO-UISAT方法的结果比较图
附图8是本发明实施例中PSO-UISAT模型UIS提取效果与原始图像比较图。
附图9是本发明实施例中的三个城市不同城市指数提取UIS比较图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示的一种基于Landsat遥感影像的城市不透水层提取方法的流程图，该模型主要包括如下步骤：
1）选取研究区域范围，提取测试数据；
2）建立城市指数模型，通过光谱波段计算，有效地将城市中透水地物和不透水地物以有鉴别的灰度值显示在生成的指数影像中；
3）基于改进粒子群算法的自动阈值选择算法，通过求解图像熵的最大值，取得最佳的灰度阈值，以提高不透水层提取的精度；
4）综合性能评价策略，采用基于人工神经网络（ANNs）的相对精度比较法，组内相关系数（ICC）算法和同类算法性能比较方法。
所述的步骤1）主要包括：综合考虑Landsat不同传感器的影像和季节因素，选取城市地区一定经纬度范围内的区域Landsat微信遥感影像；数据来源于美国地质调查局（USGS）官方网站，影像数据内容包括传感器类型、空间纬度、所选波段信息，及OLI、ETM+和TM影像数据，每个地区涵盖春、夏、秋、冬四季的影像。
如图2所示，为了有效测试模型的正确性和有效性，本实施例采用了位于中国三个空间纬度的代表性城市分别是北京，合肥和广州。北京纬度范围为：39°16' ~ 41°23 ' N，属于温带半湿润大陆性气候，城建面积为1401KM2； 合肥纬度范围为：30° 57' ~ 32° 32'N，属于亚热带季风气候，城建面积为428 KM2；广州纬度范围为：22° 26' ~ 23° 56' N，属于海洋亚热带季风气候，城建面积为3718 KM2。这三座城市分别是京津冀城市群，长江三角洲城市群和珠江三角洲城市群核心城市，城市发展较快，在中国城市中具有典型的代表性（见图2）。影像选取综合考虑Landsat不同传感器的影像和季节因素。数据来源于美国地质调查局（USGS）官方网站，这些影像数据包括传感器类型、空间纬度、所选波段信息和波长见表1。这些数据包括OLI、ETM+和TM影像数据，每个地区涵盖了四季的影像。
Figure 205610DEST_PATH_IMAGE057
所述的步骤2）主要包括：采用Landsat遥感影像短波红外2波段SWIR2，近红外波段NIR，红光波段Red和绿光波段Green构建城市指数模型，该指数模型表达式如下：
Figure 660862DEST_PATH_IMAGE001
(1)
其中
Figure 763947DEST_PATH_IMAGE002
为：
Figure 330058DEST_PATH_IMAGE003
. (2)
公式中
Figure 631726DEST_PATH_IMAGE004
为调节常数，取值1到3，最佳取值为2；公式中
Figure 851355DEST_PATH_IMAGE005
,
Figure 972894DEST_PATH_IMAGE006
,
Figure 342696DEST_PATH_IMAGE007
and
Figure 967712DEST_PATH_IMAGE008
分别代表波段SWIR2、red、NIR and green 地面反射率；Landsat遥感影像通过本指数模型进行运算后生成了指数图像，图像中比较有鉴别的区分前景色UIS和背景色非UIS，但要提取UIS必须选择适当的阈值；根据指数影像中地物的灰度值域，将指数影像按照灰度级别划分为m个灰度级别，这些被划分的灰度级别数据集表示为：
Figure 764767DEST_PATH_IMAGE009
,定义
Figure 373603DEST_PATH_IMAGE010
为该指数影像的最佳阈值，则UIS提取的判别式可表达为：
Figure 874991DEST_PATH_IMAGE011
（3）。
所述的步骤3）利用粒子群算法求解图形熵的最大值，从而获取最佳阈值，该算法主要包括四个步骤：（1）初始化粒子群：根据指数图像灰度级别划分确定粒子群的规模，定义初始的粒子位置和速度，定义迭代次数和迭代结束条件，定义位置和速度更新函数相关参数；（2）计算每个粒子的适度函数，初始化个体粒子和全局粒子初始位置和全局最优粒子；（3）计算下一个位置的粒子适度函数和和全局粒子适度函数，与初始设置进行比较，并更新粒子的位置和速度及全局最优值；（4）将数据迭代至步骤（3），直到最佳的适度函数值为止。
将灰度级别集合作为粒子群，定义为：
Figure 885673DEST_PATH_IMAGE012
Figure 853629DEST_PATH_IMAGE013
为第
Figure 418602DEST_PATH_IMAGE014
粒子群中的一个粒子，定义该粒子的速度为
Figure 130206DEST_PATH_IMAGE015
，则粒子群的速度集合向量表达式为：
Figure 995394DEST_PATH_IMAGE016
，
Figure 727727DEST_PATH_IMAGE017
为第
Figure 311155DEST_PATH_IMAGE018
粒子的初始最佳位置，
Figure 826450DEST_PATH_IMAGE019
为初始全局最佳阈值，
Figure 14986DEST_PATH_IMAGE017
和
Figure 324744DEST_PATH_IMAGE019
都满足适度函数；
适度函数采用了图像熵函数：
Figure 395469DEST_PATH_IMAGE020
，
Figure 42351DEST_PATH_IMAGE021
为当前最佳阈值，将指数影像分为大于等
Figure 882131DEST_PATH_IMAGE021
前景色和小于
Figure 362790DEST_PATH_IMAGE021
的背景色，
Figure 389652DEST_PATH_IMAGE022
和
Figure 981171DEST_PATH_IMAGE023
分别表述背景色和前景色所有像素的图像熵总和；
Figure 675457DEST_PATH_IMAGE024
(4)
Figure 186073DEST_PATH_IMAGE025
(5)
其中，
Figure 965810DEST_PATH_IMAGE026
和
Figure 361019DEST_PATH_IMAGE027
分别为背景色和前景色每个灰度级的概率总和，并满足以下关系：
Figure 644233DEST_PATH_IMAGE028
（6）
Figure 466696DEST_PATH_IMAGE029
（7）
背景色中各灰度级的概率表示为：
Figure 733729DEST_PATH_IMAGE030
（8）
前景色中各灰度级的概率表示为：
Figure 526104DEST_PATH_IMAGE031
（9）
适度函数是该算法的核心，通过迭代比较遍历所有灰度级，找出最大图形熵值，则为最佳阈值，迭代到下一个粒子位置满足：
Figure 194983DEST_PATH_IMAGE032
（10）
Figure 188347DEST_PATH_IMAGE033
（11）
其中
Figure 411518DEST_PATH_IMAGE034
和
Figure 148530DEST_PATH_IMAGE035
为学习因子，
Figure 671915DEST_PATH_IMAGE036
为0到1的随机数，
Figure 695235DEST_PATH_IMAGE037
为惯性权重因子，调节迭代速度和算法收敛性，确保算法全局最优值，惯性权重因子采用了动态调节，满足：
Figure 936860DEST_PATH_IMAGE038
, (12)
其中
Figure 211984DEST_PATH_IMAGE039
为最大惯性权重，取值为0.9，
Figure 855455DEST_PATH_IMAGE040
为最小惯性权重，取值为0.4，
Figure 659463DEST_PATH_IMAGE041
和
Figure 388384DEST_PATH_IMAGE042
分别为最大迭代次数和当前迭代次数。
所述的步骤4）采用相对精度验证方法，即利用监督学习分类方法ANNs（总体精度为98.11%以上），将原始影像分为UIS 和非UIS，分别计算UIS和非UIS像元个数和占比，并将这些结果作为比较的对象，将指数影像UIS的像元个数与之比较，得到相对提取精度，为进一步验证相对比较方法的精度，采用了2.5m空间分辨率的Google Earth 影像对随机选择的区域进行二次验证；
另外，在算法性能验证中采用了对比验证方法，将本模型的提取结果与几种典型的不透水指数进行比较，分析本模型的UIS提取的性能；在算法评价上，采用了ICC算法分别计算了前景色背景色各像元的组内灰度相关性，从定量的角度衡量阈值选取的正确性和准确性；ICC算法中将阈值分割的前景色UIS部分和背景色非UIS部分看作两个组，分别表示为：
Figure 467199DEST_PATH_IMAGE043
，和
Figure 558651DEST_PATH_IMAGE044
Figure 330298DEST_PATH_IMAGE045
是最佳阈值
Figure 280937DEST_PATH_IMAGE046
灰度位置，定义
Figure 632284DEST_PATH_IMAGE047
为
Figure 984768DEST_PATH_IMAGE048
组内相邻灰度，满足
Figure 927316DEST_PATH_IMAGE049
，则前景色ICC可以表达为：
Figure 958726DEST_PATH_IMAGE050
,
Figure 379343DEST_PATH_IMAGE051
（13）
Figure 851912DEST_PATH_IMAGE052
Figure 434204DEST_PATH_IMAGE053
， （14）
背景色ICC表示为：
Figure 359434DEST_PATH_IMAGE054
,
Figure 583742DEST_PATH_IMAGE051
（15）
Figure 238714DEST_PATH_IMAGE055
Figure 523065DEST_PATH_IMAGE056
（16）。
本实施例对北京、合肥和广州三个城市四个季节的遥感影像进行了实验。 首先对原始的Landsat遥感影像进行城市指数运算，运算结果如图3所示，图中亮度较高的为UIS，灰度值较低的为非UIS（植被、水体和裸土），其不同地物在指数图像中的平均灰度值由表2所示；图4 为三个城市比较典型地放大后的UIS指数运算结果。
Figure 935592DEST_PATH_IMAGE058
图5 为指数图像中三个城市不同传感器影像阈值比较，横轴为地物（UIS和非UIS）的灰度值，纵轴为出现该灰度值的频次，OLI，ETM+和TM 影像在不同的纬度的城市取值较接近，如北京OLI影像阈值在-1附近，大部分UIS灰度值范围在-1和2之间，而TM影像阈值在-1和0之间，大部分UIS灰度值的范围在0.5到2之间。
算法精度验证采用了ANNs相对精度验证和几种典型的城市指数进行比结果较验证，如表3为各种算法的精度比较。 图6 展示了ANNs算法和PSO-UISAT指数模型结果的比较。红色和蓝色的椭圆分别表示道路和密集建筑的提取效果比较。ANNs对城市道路提取要明显，但在城市密集去植被错误提取为UIS，而PSO-UISAT对水体和植被提取比较精确，但对被较低反射的路面错误判别为非UIS。表4展示了三个城市四个季节组内各像元灰度值相关性比较，三个城市前景相关性较高，而背景色相关性较低，这是因为前景色只有UIS地物，而背景色中有水体，植被和裸土，灰度值的范围较大。图7展示了不同城市的特定地物的提取比较，如城市中道路，水体，立交桥等。三个城市的UIS提取情况与原始图像比较，具有较高的提取精度。图8展示了PSO-UISAT模型与其他典型的城市指数模型的比较，PSO-UISAT模型UIS提取效果与原始图像比较。（A）和（B）为北京城区部分区域；（C）和（D）为合肥城区部分区域；（E）和（F）为广州三江交汇部分区域。从图中可以看出PSO-UISAT提取的精度高出其他指数模型，如道路提取，稠密建筑的植被的提取比较明显。图9是三个城市的不同城市指数提取UIS比较结果。
Figure 432432DEST_PATH_IMAGE059
Figure 614015DEST_PATH_IMAGE060
本发明提出了采用PSO-UISAT模型提取UIS的方法，该方法是一种集城市指数，自动阈值选取和性能评价为一体的城市不透水层提取方法，包括三个部分：（1）一种新型的城市指数模型；（2）基于改进PSO的自动阈值选取算法；（3）提出了定性和定量相结合的综合评价策略；将城市指数，阈值选取和性能评价融为一体，形成系统，可满足不同季节，不同地理位置的Landsat遥感影像的城市不透水层提取的需求，避免了由于影像的时空差异导致阈值的人工微调和重选的工作，从而提高了不透水层提取的效率。

Claims (4)

1.一种基于Landsat遥感影像的城市不透水层提取方法，其特征是该方法主要包括如下执行步骤：
1)选取研究区域范围，提取测试数据；
2)建立城市指数模型，通过光谱波段计算，有效地将城市中透水地物和不透水地物以有鉴别的灰度值显示在生成的指数影像中；
3)基于改进粒子群算法的自动阈值选择算法，通过求解图像熵的最大值，取得最佳的不透水指数阈值，提高不透水层提取的精度；
4)综合性能评价策略，采用基于人工神经网络的相对精度比较法，组内相关系数算法和同类算法性能比较方法；
所述的步骤3)利用粒子群算法求解图形熵的最大值，从而获取最佳阈值，该算法主要包括四个步骤：(1)初始化粒子群：根据指数图像灰度级别划分确定粒子群的规模，定义初始的粒子位置和速度，定义迭代次数和迭代结束条件，定义位置和速度更新函数相关参数；(2)计算每个粒子的适应度函数，初始化个体粒子和全局粒子初始位置和全局最优粒子；(3)计算下一个位置的粒子适应度函数和和全局粒子适应度函数，与初始设置进行比较，并更新粒子的位置和速度及全局最优值；(4)将数据迭代至步骤(3)，直到最佳的适应度函数值为止；
将灰度级别集合作为粒子群，定义为：TUISI＝{T0，T1，T2，…，Tk，…，Tn}，0≤n≤m，0≤k≤n，i为第Ti粒子群中的一个粒子，0≤i≤n，定义该粒子的速度为Vi，则粒子群的速度集合向量表达式为：VTi＝{Vi0，Vi2，…，Vin}，Tbi为第i个粒子的初始最佳位置，Tgi为初始全局最佳阈值，Tbi和Tgi都满足适应度函数；
适应度函数采用了图像熵函数：F(Tk)＝H(Tk)＝H0(Tk)+H1(Tk)，Tk为当前最佳阈值，将指数影像分为大于等于Tk前景色和小于Tk的背景色，H0(Tk)和H1(Tk)分别表述背景色和前景色所有像素的图像熵总和；
Figure FDA0002698491340000011
Figure FDA0002698491340000012
其中，P0(Tk)和P1(Tk)分别为背景色和前景色每个灰度级的概率总和，P(i)为第i个像元灰度的概率，并满足以下关系：
P1(Tk)＝1-P0(Tk) (6)
Figure FDA0002698491340000021
背景色中各灰度级的概率表示为：
Figure FDA0002698491340000022
前景色中各灰度级的概率表示为：
Figure FDA0002698491340000023
通过迭代比较遍历所有灰度级，找出最大图形熵值，则为最佳阈值，迭代到下一个粒子位置满足：
Vi’＝ω*Vi+β1*θ*(Tbi-Ti)+β2*θ*(Tgi-Ti) (10)
利用等式右侧的当前灰度阈值Ti和当前粒子速度Vi,更新等式左侧的Vi'，获得最新的粒子速度，并更新阈值灰度：
Ti’＝Ti+Vi (11)
利用当前阈值与速度之和，得到下一个特征值阈值Ti'；其中β1和β2为学习因子，θ为0到1的随机数，ω为惯性权重因子，调节迭代速度和算法收敛性，确保算法全局最优值，惯性权重因子采用动态调节，满足：
Figure FDA0002698491340000024
其中ωmax为最大惯性权重，取值为0.9，ωmin为最小惯性权重，取值为0.4，ITmax和ITcur分别为最大迭代次数和当前迭代次数。
2.根据权利要求1所述的一种基于Landsat遥感影像的城市不透水层提取方法，其特征是所述的步骤1)主要包括：综合考虑Landsat不同传感器的影像和季节因素，选取城市地区一定经纬度范围内的区域Landsat微信遥感影像，其中影像数据内容包括传感器类型、空间纬度、所选波段信息，及OLI、ETM+和TM影像数据，每个地区涵盖春、夏、秋、冬四季的影像。
3.根据权利要求1所述的一种基于Landsat遥感影像的城市不透水层提取方法，其特征是所述的步骤2)主要包括：采用Landsat遥感影像短波红外2波段SWIR2，近红外波段NIR，红光波段Red和绿光波段Green构建城市指数模型，该指数模型表达式如下：
Figure FDA0002698491340000031
其中λ为：
Figure FDA0002698491340000032
公式中l为调节常数，取值为1到3；公式中ρSWIR2,ρRed,ρNIRand ρGreen分别代表波段SWIR2、Red、NIR and Green地面反射率；Landsat遥感影像通过本指数模型进行运算后生成了指数图像，图像中比较有鉴别的区分前景色城市UIS和背景色非UIS，选择适当的阈值提取UIS；根据指数影像中地物的灰度值域，将指数影像按照灰度级别划分为m个灰度级别，这些被划分的灰度级别数据集表示为：
TUISI＝{T0，T1，T2，…，Tk，…Tn}，0≤n≤m，0≤k≤n，定义Tk为该指数影像的最佳阈值，则UIS提取的判别式可表达为：
Figure FDA0002698491340000033
4.根据权利要求1所述的一种基于Landsat遥感影像的城市不透水层提取方法，其特征是所述的步骤4)采用相对精度验证方法，即利用监督学习分类方法人工神经网络ANNs，将原始影像分为UIS和非UIS，分别计算UIS和非UIS像元个数和占比，并将这些结果作为比较的对象，将指数影像UIS的像元个数与之比较，得到相对提取精度；为进一步验证相对比较方法的精度，采用了2.5m空间分辨率的Google Earth影像对随机选择的区域进行二次验证；
另外，在算法性能验证中采用对比验证方法，将本模型的提取结果与几种典型的不透水指数进行比较，分析本模型的UIS提取的性能；在算法评价上，采用ICC算法分别计算了前景色背景色各像元的组内灰度相关性，从定量的角度衡量阈值选取的正确性和准确性；组内相关系数ICC算法中将阈值分割的前景色UIS部分和背景色非UIS部分看作两个组，其中前景色UIS的ICC值为：
Figure FDA0002698491340000034
背景色非UIS的ICC值为：
Figure FDA0002698491340000035
k是最佳阈值Tk灰度位置，n为被分割的图像特征值级别，定义xj为xi组内相邻灰度，满足i≠j，and i，j＝0，1…，k，…，n-1，则前景色ICC可以表达为：
Figure FDA0002698491340000041
Figure FDA0002698491340000042
其中
Figure FDA0002698491340000043
为灰度均值，背景色ICC表示为：
Figure FDA0002698491340000044
Figure FDA0002698491340000045
CN201910577350.7A 2019-06-28 2019-06-28 一种基于Landsat遥感影像的城市不透水层提取方法 Active CN110287915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910577350.7A CN110287915B (zh) 2019-06-28 2019-06-28 一种基于Landsat遥感影像的城市不透水层提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910577350.7A CN110287915B (zh) 2019-06-28 2019-06-28 一种基于Landsat遥感影像的城市不透水层提取方法

Publications (2)

Publication Number Publication Date
CN110287915A CN110287915A (zh) 2019-09-27
CN110287915B true CN110287915B (zh) 2020-12-04

Family

ID=68019720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910577350.7A Active CN110287915B (zh) 2019-06-28 2019-06-28 一种基于Landsat遥感影像的城市不透水层提取方法

Country Status (1)

Country Link
CN (1) CN110287915B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237356B (zh) * 2023-11-15 2024-02-23 山东泗水丰田农药有限公司 用于农药生产的废水处理控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036511A (zh) * 2014-06-24 2014-09-10 沈阳大学 基于生物启发运算的彩色图像分割方法
CN104239901A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于模糊粒子群和目标分解的极化sar图像分类方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7298897B1 (en) * 2004-02-11 2007-11-20 United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Optimal binarization of gray-scaled digital images via fuzzy reasoning
US7720253B2 (en) * 2006-09-14 2010-05-18 Microsoft Corporation Visual perception model for hi-fidelity image watermarking
TWI419082B (zh) * 2010-12-20 2013-12-11 Ind Tech Res Inst 偵測視訊序列中的移動物體影像的方法以及影像處理系統
WO2016176684A1 (en) * 2015-04-30 2016-11-03 The Regents Of The University Of California Entropy field decomposition for image analysis
KR102147361B1 (ko) * 2015-09-18 2020-08-24 삼성전자주식회사 객체 인식 장치 및 방법, 객체 인식 모델 학습 장치 및 방법
US10055842B2 (en) * 2016-07-29 2018-08-21 Case Western Reserve University Entropy-based radiogenomic descriptions on magnetic resonance imaging (MRI) for molecular characterization of breast cancer
CN107424165A (zh) * 2017-08-11 2017-12-01 潘荣兰 一种有效的图像分割系统
CN107727078A (zh) * 2017-09-29 2018-02-23 北京工商大学 一种城市不透水层覆盖率遥感估算方法
CN109522859B (zh) * 2018-11-27 2020-11-27 南京林业大学 基于高光谱遥感影像多特征输入的城市不透水层提取方法
CN109919880A (zh) * 2019-03-18 2019-06-21 郑州轻工业学院 一种基于粒子群优化的红外图像增强方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036511A (zh) * 2014-06-24 2014-09-10 沈阳大学 基于生物启发运算的彩色图像分割方法
CN104239901A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于模糊粒子群和目标分解的极化sar图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Estimating Impervious Surfaces of Gwadar City Based on the Chinese Multi-Sources Remote Sensing Images";Jiaqi Zuo等;《IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20181105;第2631-2634页 *
"遥感技术在不透水层提取中的应用与展望";李德仁等;《武汉大学学报·信息科学版》;20160531;第41卷(第5期);第569-577、703页 *

Also Published As

Publication number Publication date
CN110287915A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
Degerli et al. Evaluation from rural to urban scale for the effect of NDVI-NDBI indices on land surface temperature, in Samsun, Türkiye
Degerli et al. Using the remote sensing method to simulate the land change in the year 2030
CN106485254A (zh) 一种输电线路通道地表特征变化自动提取方法
CN112465332A (zh) 一种城市人工湿地公园生态地质环境稳定性的评价方法
Sarkar Chaudhuri et al. Assessment of impervious surface growth in urban environment through remote sensing estimates
CN103440490B (zh) Sar影像时空相似性分析下的城市不透水面提取方法
CN109657866A (zh) 基于最大熵模型的地质灾害生态安全评价模型的构建方法
CN115909044B (zh) 一种国土空间结构时空演变模式挖掘方法
CN116151610B (zh) 一种非均质城市下垫面承灾体风险暴露空间模拟方法
CN111667187A (zh) 基于多源遥感数据的公路滑坡危险性评价方法
Yu et al. Urban impervious surface estimation from remote sensing and social data
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
Cai et al. Impact of the 2008 Olympic Games on urban thermal environment in Beijing, China from satellite images
Mushore et al. Estimating urban LST using multiple remotely sensed spectral indices and elevation retrievals
Ali et al. Monitoring degradation of wetland areas using satellite imagery and geographic information system techniques.
CN110287915B (zh) 一种基于Landsat遥感影像的城市不透水层提取方法
Shi et al. An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China
Siqi et al. A novel approach to estimating urban land surface temperature by the combination of geographically weighted regression and deep neural network models
CN111879915B (zh) 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
Lou et al. Recognition of thaw slumps based on machine learning and UAVs: A case study in the Qilian Mountains, northeastern Qinghai-Tibet Plateau
CN115203624B (zh) 一种基于时序遥感的任意时刻地表环境综合评估方法
CN115861793A (zh) 一种基于最小累积阻力模型的区域生态安全格局构建方法
CN113468982A (zh) 一种城市功能区分类方法、装置及存储介质
Shafia et al. Dynamics of Land Surface Temperature with Changing Land-Use: Building a Climate ResilientSmart City
Bai et al. Estimating the Aboveground Biomass of Urban Trees by Combining Optical and Lidar Data: A Case Study of Hengqin, Zhuhai, China

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190927

Assignee: Jiangsu NIPA palm Intelligent Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2021980006645

Denomination of invention: An extraction method of urban impervious layer based on Landsat remote sensing image

Granted publication date: 20201204

License type: Common License

Record date: 20210723

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190927

Assignee: Nanjing Ptolemy Data Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2021980006889

Denomination of invention: An extraction method of urban impervious layer based on Landsat remote sensing image

Granted publication date: 20201204

License type: Common License

Record date: 20210727

Application publication date: 20190927

Assignee: Nanjing Beili line data Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2021980006765

Denomination of invention: An extraction method of urban impervious layer based on Landsat remote sensing image

Granted publication date: 20201204

License type: Common License

Record date: 20210726

EE01 Entry into force of recordation of patent licensing contract
CB03 Change of inventor or designer information

Inventor after: Wang Yuliang

Inventor after: Li Mingshi

Inventor before: Li Mingshi

Inventor before: Wang Yuliang

CB03 Change of inventor or designer information