CN110765885B - 一种基于异源夜光遥感影像的城市扩张检测方法及装置 - Google Patents
一种基于异源夜光遥感影像的城市扩张检测方法及装置 Download PDFInfo
- Publication number
- CN110765885B CN110765885B CN201910931480.6A CN201910931480A CN110765885B CN 110765885 B CN110765885 B CN 110765885B CN 201910931480 A CN201910931480 A CN 201910931480A CN 110765885 B CN110765885 B CN 110765885B
- Authority
- CN
- China
- Prior art keywords
- image
- iss
- sample
- city
- night light
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于异源夜光遥感影像的城市扩张检测方法及装置,包括输入研究区域的LJ1‑01夜间灯光影像,ISS夜间灯光影像和对应年份的土地覆盖数据;对影像数据进行预处理,所述预处理包括几何校正和重投影;构建相对辐射定标模型并迭代求解,模拟出具有LJ1‑01影像相似特征的ISS影像;构建特征空间组合,并进行区域分类。本发明提出的异源夜光遥感影像间的相对辐射定标模型和解算方法,可解决100m分辨率的夜间灯光数据短缺问题。本发明采用变化前后数据及两者比值构建用于分类的特征组合,能够更准确的自动分类出城市扩张区域,效率和准确度远远高于人工方式。
Description
技术领域
本发明属于夜光遥感在城市发展领域的应用,提出一种全新的基于异源夜光遥感影像的城市扩张检测方法及装置。
背景技术
尽管城市区域只占据地球表面的小部分,但是它对于周围环境的影响却是显著的。经济的发展和人口的增长带来的是中国城市化进程的加快。这一现象带来了一些积极的影响譬如人民生活水平的提升,产业结构的升级,生产效率的提升等,但同时,一些消极影响譬如交通拥堵,耕地退化,城市热岛效应等也随之而来。所以,合理的城市发展规划才能使得城市健康的发展,而及时准确掌握城市扩张的时空规律则是做出合理规划的重要基础。
随着卫星遥感技术的不断发展,不同分辨率的遥感影像为不同尺度的城市扩张分析提供了稳定的数据源。相比于传统的地面测量方法,采用遥感技术检测城市扩张具有成本低,效率高,周期短等优点,更符合现阶段城市化研究的需求。近些年来,随着夜光遥感处理手段的进步和数据源的不断丰富,利用夜间灯光数据研究城市问题已经成为了一种切实有效的选择。相比于日间遥感数据,夜间灯光数据主要反映的是夜间人类活动的密度和强度,这为城市化问题的研究提供了一种新的角度。
目前已经有很多学者采用夜间灯光数据进行城市扩张检测研究。其中,绝大多数的研究采用的夜间灯光数据来自美国国防气象卫星计划的线性扫描业务系统(DefenseMeteorological Satellite Program/Operational Linescan System,DMSP/OLS)和美国极轨卫星(Suomi National Polar Orbiting Partnership,Suomi NPP)搭载的可见光近红外成像辐射传感器(Visible Infrared Imaging Radiometer Suite,VIIRS)。这些研究在全球尺度,区域尺度等大尺度区域取得了令人满意的结果,但受限于数据本身的分辨率较低,在个体城市等小尺度上的应用效果不尽人意。
2018年6月珞珈一号01星的成功发射带来了一种新的130m分辨率的夜间灯光数据,目前为止,已有相关研究证明利用该数据可以较好的提取个体城市范围。其采集的影像通常记为LJ1-01夜间灯光影像。但受限于发射成功至今时间跨度较短,无法直接使用该数据构建时间序列去分析城市扩张。作为另一种分辨率较高且较易获取的夜间灯光数据,国际空间站(ISS)夜间灯光影像同样是一个研究个体城市尺度问题的恰当选择,已有研究表明,利用该数据可以很好的研究城市内部区域分化,城市不透水面范围等问题。但受限于数据重访周期不定,全球范围尤其是城市化速度较快的发展国家的数据量较少,同样很难构建时间序列去分析城市扩张。因此,本文提出一种结合使用这两种异源夜间灯光数据的方法,通过相对辐射定标等手段构建影像时间序列,并采用时序影像分类的方式,用于检测个体城市尺度的城市扩张。
发明内容
在前人研究的基础上,针对目前利用近100m分辨率夜间灯光影像进行个体城市扩张检测的空白,本发明提出一种全新的基于异源夜光遥感影像的城市扩张检测方法。
为了达到以上目的,本发明所采用的技术方案为一种基于异源夜光遥感影像的城市扩张检测方法,包括以下步骤:
步骤1,输入研究区域的LJ1-01夜间灯光影像,ISS夜间灯光影像和对应年份的土地覆盖数据;
步骤2,对影像数据进行预处理,所述预处理包括几何校正和重投影;
步骤3,构建相对辐射定标模型并迭代求解,模拟出具有LJ1-01影像相似特征的ISS影像;
步骤4,构建特征空间组合,并进行区域分类。
而且,步骤3中所述的相对辐射定标模型,是以多元线性回归为主结构,辅以高斯低通滤波算子的定标模型,形式如下,
其中,IISS代表模拟LJ1-01影像特性的ISS影像,R,G,B分别为ISS影像的红,绿,蓝三波段,a0,a1,a2,a3为多元线性回归系数,g为高斯低通滤波算子,由尺寸参数k和标准差σ决定。
而且,步骤3中,采用迭代算法求解模型中的多元线性回归参数a0,a1,a2,a3,采用步进式搜索和多维非线性优化搜索结合求解高斯滤波器标准差σ和离群样本筛选阈值m。
而且,步骤4的实现方式如下,
利用LJ1-01夜间灯光影像,步骤3.3模拟所得ISS影像及两者的比值,构建三维的特征组合;
在研究区域内随机生成多个样本点,基于对应年份的土地覆盖数据,将样本标注为稳定非城市类,城市扩张类,稳定城市类三类;
结合以上所得的样本集和特征组合训练SVM分类器,并进行全图分类。
本发明还提供一种基于异源夜光遥感影像的城市扩张检测装置,用于实现如上所述的城市扩张检测方法。
与现有技术相比,本发明具有以下的优点和有益效果:
1.本发明提出的异源夜光遥感影像间的相对辐射定标模型和解算方法,为解决100m分辨率的夜间灯光数据短缺的现状提供了一种新思路。
2.本发明采用变化前后数据及两者比值构建用于分类的特征组合,能够更准确的自动分类出城市扩张区域,效率和准确度远远高于人工方式。
附图说明
图1为本发明实施例相对辐射定标模型中多元线性回归系数自动迭代流程图。
具体实施方式
下面将参考附图并结合实施例对本发明做进一步的详细说明。
参见图1,本发明实施例提出了一种基于异源夜光遥感影像的城市扩张检测方法,包括以下步骤:
一.输入覆盖研究区域的影像,包括获取研究区域的LJ1-01夜间灯光影像,ISS夜间灯光影像和对应年份的土地覆盖数据;
本实施例以湖北省武汉市为研究区域,检测其在2010年至2018年间的城市扩张情况。收集了2010年份覆盖武汉地区的ISS夜间灯光影像和2018年份覆盖武汉地区的LJ1-01夜间灯光影像,同时收集了2010年份和2018年份的土地覆盖数据。具体实施时可以预先进行数据采集。
二.影像预处理,包括对影像数据进行几何校正,重投影等预处理;
通过选取分布均匀的控制点来实现ISS影像和LJ1-01影像间的地理坐标配准,后将两幅夜间灯光影像重投影至UTM 50N坐标系下,并统一空间分辨率为130m。
三.相对辐射校正与模拟影像生成:构建相对辐射定标模型并迭代求解,模拟出具有LJ1-01影像相似特征的ISS影像;
步骤3.1,根据两种图像间的特性差异构建相对辐射定标模型;
本发明进一步提出相对辐射定标模型为是以多元线性回归为主结构辅以高斯低通滤波算子的定标模型。本步骤首先根据ISS影像和LJ1-01影像间的跨维度,跨时间,跨分辨率特征,构建相对辐射校正模型,模型形式如下:
其中,IISS代表模拟LJ1-01影像特性的ISS影像,R,G,B分别为ISS影像的红绿蓝三波段,a0,a1,a2,a3为多元线性回归系数,g为高斯低通滤波算子,由尺寸参数k和标准差σ决定。标准差σ影响滤波器对影像模糊化处理程度。
步骤3.2,采用迭代算法求解模型中的多元线性回归参数a0,a1,a2,a3,采用步进式搜索和多维非线性优化搜索结合的算法求解高斯滤波器标准差σ和离群样本筛选阈值m(解算过程中间参量);
步骤3.2.1,利用迭代算法求解辐射定标模型求解模型中的多元线性回归参数a0,a1,a2,a3:
解算多元线性回归系数:
(1)对ISS夜间灯光影像进行高斯低通滤波处理;
(2)对(1)中所得的影像和LJ1-01影像分别进行大津阈值分割,综合得到公共夜间明亮区域;将公共夜间明亮区域对应的LJ1-01影像中的像元构成样本集L,对应的(1)中所得影像的R波段,G波段,B波段中的像元,分别构成样本集R,G,B;
(3)利用步骤(2)所得样本拟合出多元线性模型,以求解模型参数a0,a1,a2,a3,形式如下:
li=a0+a1×ri+a2×gi+a3×bi
其中li表示样本集L中的第i个样本,ri表示样本集R中的第i个样本,gi表示样本集G中的第i个样本,bi表示样本集B中的第i个样本;
(6)剔除离群样本,其中离群样本满足ΔLi>mSΔL,其中m为一固定值;
(7)判断上一步中是否筛选出新的离群值样本。若有离群值样本出现,则在样本集L,R,G,B中的剔除离群值样本,返回(3);若无则结束迭代。
步骤3.2.2,解算高斯滤波器标准差σ和离群样本筛选阈值m:
首先采用步进式搜索,求出两参数的初始值,再采用多维非线性优化搜索,求出两者的精确值。其中,本过程的目标函数为SΔL收敛到极小值状态。具体实施时,步进式搜索和多维非线性优化搜索可参考现有技术实现,本发明不予赘述。
步骤3.3,最后,利用相对辐射定标模型模拟出具有LJ1-01影像相似特性的ISS影像。
四.构建特征组合并分类:
首先利用LJ1-01影像,模拟ISS影像及两者的比值构建三维的特征组合。其中,比值计算公式如下:
Iratio=I2/(I1+c)
其中,I2表示LJ1-01影像,I1表示模拟ISS影像,c=1,作为去底值,防止分母为零。
其次,在研究区域内随机生成1000个样本点,基于对应年份的土地覆盖数据,将样本标注为稳定非城市类,城市扩张类,稳定城市类三类。
最后,使用上步所得的训练样本和之前所得的特征组合训练SVM分类器,对全图进行分类。
本实施例中,利用两组训练样本进行交叉验证,交叉验证结果表明,分类的整体精度均在90%左右,Kappa系数均在0.84以上,各类别本身的用户精度均在86%以上,生产者精度均在82%以上。
具体实施时,可采用软件方式实现流程的自动运行。运行流程的装置也应当在本发明的保护范围内。
以上内容仅为本发明的优选实施例,并不用于限制本发明。对于本发明所属领域的技术人员来说,在不脱离本发明构思的前提下,可以做出若干推演或替换。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围内。
Claims (2)
1.一种基于异源夜光遥感影像的城市扩张检测方法,其特征在于,包括以下步骤:
步骤1,输入研究区域的LJ1-01夜间灯光影像,ISS夜间灯光影像和对应年份的土地覆盖数据;
步骤2,对影像数据进行预处理,所述预处理包括几何校正和重投影;
步骤3,构建相对辐射定标模型并迭代求解,模拟出具有LJ1-01影像相似特征的ISS影像;实现方式如下,
步骤3.1,根据两种图像间的特性差异构建相对辐射定标模型;
步骤3.2,采用迭代算法求解模型中的多元线性回归参数a0,a1,a2,a3,采用步进式搜索和多维非线性优化搜索结合的方式求解高斯滤波器标准差σ和离群样本筛选阈值m;
步骤3.3,利用相对辐射定标模型模拟出具有LJ1-01影像相似特性的ISS影像;
步骤4,构建特征空间组合,并进行区域分类;实现方式如下,
利用LJ1-01夜间灯光影像,步骤3.3模拟所得ISS影像及两者的比值,构建三维的特征组合;
在研究区域内随机生成多个样本点,基于对应年份的土地覆盖数据,将样本标注为稳定非城市类,城市扩张类,稳定城市类三类;
结合以上所得的样本集和特征组合训练SVM分类器,并进行全图分类;
所述步骤3中所述的相对辐射定标模型,是以多元线性回归为主结构,辅以高斯低通滤波算子的定标模型,形式如下,
其中,IISS代表模拟LJ1-01影像特性的ISS影像,R,G,B分别为ISS夜间灯光影像的红,绿,蓝三波段,a0,a1,a2,a3为多元线性回归系数,g为高斯低通滤波算子,由尺寸参数k和标准差σ决定;
所述步骤3中,采用迭代算法求解模型中的多元线性回归参数a0,a1,a2,a3,采用步进式搜索和多维非线性优化搜索结合求解高斯滤波器标准差σ和离群样本筛选阈值m,实现方式如下,
步骤3.2.1,利用迭代算法求解辐射定标模型求解模型中的多元线性回归参数a0,a1,a2,a3:
解算多元线性回归系数实现过程如下,
(1)对ISS夜间灯光影像进行高斯低通滤波处理;
(2)对(1)中所得的影像和LJ1-01影像分别进行大津阈值分割,综合得到公共夜间明亮区域;将公共夜间明亮区域对应的LJ1-01影像中的像元构成样本集L,对应的(1)中所得影像的R波段,G波段,B波段中的像元,分别构成样本集R,G,B;
(3)利用步骤(2)所得样本拟合出多元线性模型,以求解模型参数a0,a1,a2,a3,形式如下:
li=a0+a1×ri+a2×gi+a3×bi
其中li表示样本集L中的第i个样本,ri表示样本集R中的第i个样本,gi表示样本集G中的第i个样本,bi表示样本集B中的第i个样本;
(5)计算实际值与预测值间的绝对值差ΔL并计算其绝对值差的标准差记为SΔL;
(6)剔除离群样本,其中离群样本满足ΔLi>mSΔL,其中m为一固定值;
(7)判断上一步中是否筛选出新的离群值样本,若有离群值样本出现,则在样本集L,R,G,B中剔除离群值样本,返回(3);若无则结束迭代;
步骤3.2.2,解算高斯滤波器标准差σ和离群样本筛选阈值m:
首先采用步进式搜索,求出两参数的初始值,再采用多维非线性优化搜索,求出两者的精确值,其中本过程的目标函数为SΔL收敛到极小值状态。
2.一种基于异源夜光遥感影像的城市扩张检测装置,其特征在于:用于实现如权利要求1所述的城市扩张检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910931480.6A CN110765885B (zh) | 2019-09-29 | 2019-09-29 | 一种基于异源夜光遥感影像的城市扩张检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910931480.6A CN110765885B (zh) | 2019-09-29 | 2019-09-29 | 一种基于异源夜光遥感影像的城市扩张检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765885A CN110765885A (zh) | 2020-02-07 |
CN110765885B true CN110765885B (zh) | 2022-04-01 |
Family
ID=69330886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910931480.6A Active CN110765885B (zh) | 2019-09-29 | 2019-09-29 | 一种基于异源夜光遥感影像的城市扩张检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765885B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814570B (zh) * | 2020-06-12 | 2024-04-30 | 深圳禾思众成科技有限公司 | 一种基于动态阈值的人脸识别方法、系统及存储介质 |
CN113378724A (zh) * | 2021-06-15 | 2021-09-10 | 中南大学 | 一种多中心城市热点区域快速识别与动态监测方法 |
CN115713691B (zh) * | 2022-11-21 | 2024-01-30 | 武汉大学 | 一种基于夜光遥感的像元级电力普及率估算方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701483B (zh) * | 2016-02-29 | 2018-10-26 | 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 |
US10482668B2 (en) * | 2016-06-02 | 2019-11-19 | Thales Visionix, Inc. | Miniature vision-inertial navigation system with extended dynamic range |
CN108399399B (zh) * | 2018-03-23 | 2021-09-03 | 武汉大学 | 一种基于夜光遥感影像的城市范围提取方法 |
CN108537265A (zh) * | 2018-03-30 | 2018-09-14 | 中南大学 | 基于夜间灯光遥感数据的城镇人口时空分布估计方法 |
CN108804394A (zh) * | 2018-05-23 | 2018-11-13 | 河海大学 | 一种城市夜光总量-城镇人口回归模型的构建方法 |
CN109460445A (zh) * | 2018-11-14 | 2019-03-12 | 许昌学院 | 基于夜光遥感数据的城镇空间特征指数构建及城镇体系评价方法 |
CN110570470A (zh) * | 2019-09-06 | 2019-12-13 | 南京大学 | 基于多源遥感数据的幽灵社区识别及住房空置率估算方法 |
-
2019
- 2019-09-29 CN CN201910931480.6A patent/CN110765885B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110765885A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Characterizing the spatial pattern of annual urban growth by using time series Landsat imagery | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
CN110765885B (zh) | 一种基于异源夜光遥感影像的城市扩张检测方法及装置 | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
CN109858450B (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及系统 | |
CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
Zhang et al. | A novel method for urban area extraction from VIIRS DNB and MODIS NDVI data: A case study of Chinese cities | |
CN106355643A (zh) | 一种高速公路三维实景道路模型的生成方法 | |
CN112084871B (zh) | 一种基于弱监督学习的高分遥感目标边界提取方法 | |
CN109829423A (zh) | 一种结冰湖泊红外成像检测方法 | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
Jin et al. | Combining 3D radiative transfer model and convolutional neural network to accurately estimate forest canopy cover from very high-resolution satellite images | |
Tian et al. | Impacts of satellite revisit frequency on spring phenology monitoring of deciduous broad-leaved forests based on vegetation index time series | |
CN103530875B (zh) | 一种端元提取数据预处理方法 | |
CN110705010A (zh) | 基于遥感的次日夜间地表热岛模拟方法 | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
Forghani et al. | Extracting terrain categories from multi-source satellite imagery | |
Chen | The Application of Airborne Lidar Data in the Modelling of 3D Urban Landscape Ecology | |
Shokri et al. | POINTNET++ Transfer Learning for Tree Extraction from Mobile LIDAR Point Clouds | |
CN111311103A (zh) | 一种基于夜光遥感数据的城市发展重心轨迹的获取方法 | |
CN116152503B (zh) | 面向街景的城市天空可视域在线提取方法及系统 | |
CN117576485B (zh) | 融合正负地形和光照晕渲的沙丘提取方法 |
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 |