CN111222539A - 基于多源多时相遥感影像优化和扩充监督分类样本的方法 - Google Patents
基于多源多时相遥感影像优化和扩充监督分类样本的方法 Download PDFInfo
- Publication number
- CN111222539A CN111222539A CN201911155392.8A CN201911155392A CN111222539A CN 111222539 A CN111222539 A CN 111222539A CN 201911155392 A CN201911155392 A CN 201911155392A CN 111222539 A CN111222539 A CN 111222539A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- samples
- sample
- image
- classification
- 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
Images
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源多时相遥感影像优化和扩充监督分类样本的方法,包括步骤选取精确的训练样本;构建多源、多时相遥感影像数据集;使用所述精确样本对多源、多时相遥感影像数据集进行监督分类;确定多个时相后处理的解译结果中的相同部分,生成的待优化和扩充监督样本;生成优化和扩充监督分类样本。本发明利用少量分类样本和多源、多时相遥感影像进行监督分类样本的优化和扩充,能够极大的减少样本采集过程中产生的误差,减少样本构建过程中实地调查工作量,提高监督分类进行土地利用/覆盖中的精度。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体涉及基于多源多时相遥感影像优化和扩充监督分类样本的方法。
背景技术
监督分类又称训练场地法、训练分类法,是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术,即根据已知训练区提供的样本,通过选择特征参数,求出特征参数作为决策规则,建立判别函数以对待分类影像进行的图像分类,是模式识别的一种方法。训练样本(简称样本)也称训练区,是指分析者在遥感图像上确定出来的各种地物类型的典型分布区。样本是监督分类的关键,样本选择与评价直接关系分类的精度,监督分类要求训练区域具有典型性和代表性。计算机图像分类、遥感影像分类、土地利用/覆盖监测精确对地理环境的正确认知是保证解译结果精度的前提,具有同图像、影像空间对照关系的照片、历史资料的样本数据,是监督分类的关键,也是解译结果质量控制的关键。
现有土地利用/覆盖样本获取的方法有历史资料获取、高分辨率影像勾绘、实地调查等,其中,
1)历史资料包括历史土地利用覆盖图,实地照片等,通过历史资料数字化可用于土地利用分类样本构建,但这种方法会出现不能及时与土地利用现状进行匹配的情况。
2)高分辨率遥感影像勾绘获取样本是快速构建样本的一种方法,可在短时间内实现样本的快速扩充,但这只适用于土地利用/覆盖类型简单的地区,植被或树种分类通常在高分辨率影像上呈现相似或者相同的纹理和光谱特征,这会影像构建样本的准确性。
3)实地调查是样本获取最准确的方法之一,实地调查需要测量人员携带GPS或其他定位仪器到达样点进行测定,记录样本点的实地坐标和属性信息,包括地物类型,边界范围等。这种调查方法与相同时期的遥感影像匹配进行分类是能够达到较高的精度。但实地调查构建样本集需要大量的人力和其他资源,且不能在土地利用变化较快的区域连续观测,也不能够满足大区域土地利用监测。
有鉴于此,亟需提供一种新的能够解决监督样本采集困难、采集成本高、样本时效性差且准确度不够等问题的方法。
发明内容
为了解决上述技术问题,本发明所采用的技术方案是提供一种基于多源多时相遥感影像优化和扩充监督分类样本的方法,包括以下步骤:
S1、选取训练样本;
S2、构建多源、多时相遥感影像数据集;
S3、使用所述精确样本对多源、多时相遥感影像数据集进行监督分类;
S4、确定多个时相后处理的解译结果中的相同部分,生成的待优化和扩充监督样本;
S5、生成优化和扩充监督分类样本。
在上述方法中,所述步骤S1中,精确的训练样本满足下列条件:
①样本范围大于要解译图像的像元;
②样本边界小于地物实际分布边界;
③样本的属性准确。
在上述方法中,所述遥感影像包括:包括单一数据源、多数据源的遥感影像或单一数据源多个时相的遥感影像;
遥感影像为无云或少云影像,或通过去云算法处理生成的遥感影像。
在上述方法中,所述步骤S3包括具体包括以下步骤:
S31、利用选取的精确样本对构建的影像数据集中的每景影像进行解译;
S32、对解译结果进行后处理,得到后处理的解译结果。
在上述方法中,所述步骤S4包括以下求解步骤:
(1)当生成的影像数量为m≤9且土地利用代码位数为一位时,采用如下方法:
A1、利用ArcMap软件中的栅格计算器或Envi软件中Band Math工具,根据下列公式:
式中,CRi为第i景影像的监督分类结果,m为构建的影像数据集影像数量;
A2、通过ArcMap或QGIS软件,利用Raster to Polygon工具对运算结果T进行栅格转矢量,利用ArcMap软件selection工具,选择步骤A1中代码相同的要素,构建待优化和扩充监督分类样本;
(2)当影像数量级中影像数量为m>9或土地利用代码位数为任意位数时,采用如下方法:
B1、解译结果转矢量,对步骤S3生成的结果逐个通过ArcMap或QGIS软件,利用Raster to Polygon工具将分类结果转换为矢量;
B2、解译结果求交集,利用ArcMap或QGIS软件,使用intersect工具对步骤B1中的所有矢量进行相交,生成一个矢量图层结果;在矢量图层结果的属性表中,m个土地利用代码字段相同的要素即为待优化和扩充监督分类样本,使用ArcMap selection工具,反选m个土地利用代码字段相同的要素并删除,构建待优化和扩充监督分类样本。
在上述方法中,所述步骤S5包括以下步骤:
S51、在ArcMap属性表中,利用属性表地理计算功能计算步骤S4中生成的待优化和扩充监督样本的面积,删除ID排序在0-2%和98%-100%对应的样本;
S52、将步骤S51中删除ID排序在0-2%和98%-100%后剩余的样本通过随机抽样的方法生成新的监督分类样本数据集,样本数量可根据需求扩大到相应数量。
本发明利用少量分类样本和多源、多时相遥感影像进行监督分类样本的优化和扩充,能够极大的减少样本采集过程中产生的误差,减少样本构建的实地调查工作量,提高监督分类进行土地利用/覆盖中的精度。
同时生成的优化和扩充样本能够减少在监督分类中人力和其他资源投入,实现土地利用变化较快的区域连续观测,满足大区域计算机图像分类、遥感影像分类、土地利用/覆盖监测。
附图说明
图1为本发明提供的流程图;
图2为本发明方法实现的流程示意框图;
图3为本发明提供的精确样本的选取示意图;
图4为本发明案例中提供的7景影像数据集示意图;
图5为本发明案例中7景影像后处理的解译结果示意图;
图6为本发明案例中提供的12景影像数据集示意图;
图7为本发明案例中12景影像后处理的解译结果示意图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1所示,本发明提供了一种基于多源多时相遥感影像优化和扩充监督分类样本的方法,包括以下步骤:
S1、选取少量训练样本;训练样本具体满足下列条件的样本:
选取经过实地验证或高分辨率遥感影像准确判读的分类样本,每类地物30~50个,如图3所示,设定图像的像元,训练样本的满足条件为:
①样本范围大于要解译图像的像元;
②样本边界小于地物实际分布边界;
③样本属性中记录的地物类型要准确,即要通过实地验证或高分辨率遥感影像准确判读确定其地物类型,如图3中,应对精确样本标记为林地。
S2、构建多源、多时相遥感影像数据集;
本实施例,利用给定研究区多源、多时相遥感影像构建影像数据集,遥感影像包括单一数据源或多数据源的遥感影像,也包括单一数据源多个时相的遥感影像。为了保证样本的精确度,影像时间应相邻或者相近,研究区内的遥感影像为无云或少云影像,或通过去云算法处理生成的遥感影像,构建的影像数据集影像数量为m。
S3、使用所述少量精确样本对多源、多时相遥感影像数据集进行监督分类;包括以下步骤:
S31、利用选取的精确样本对构建的影像数据集中的每景影像进行解译,本实施例,解译可选择监督分类任意分类方法,如最大似然、马氏距离、随机森林、支持向量机等方法,生成多个时相的解译结果。
S32、对每景影像解译结果进行后处理,得到后处理的解译结果;后处理为解译结果的平滑去燥过程,包括众数分析、类聚块、类过滤等方法。
S4、确定多个时相后处理的解译结果中的相同部分,生成待优化和扩充监督样本;具体包括以下步骤:
在同一空间位置(经、纬度)的像元解译结果相同的即是优化和扩充样本的目标区域,本实施例根据不同影像数量和土地利用代码位数来求得相同区域,求解具体如下:
(1)当生成的影像数量为m≤9且土地利用代码位数为一位时,采用如下方法:
A1、利用ArcMap软件中的栅格计算器或ENVI软件中Band Math工具,根据下列公式:
式中,CRi(Classification Result)为第i景影像的监督分类结果;
例如耕地地物类型代码为1,林地为2等等,假设生成的影像数据集中的影像数量m=3,则运算过程为:
T=解译结果1*100+解译结果2*101+解译结果3*102;
运算结果T中,代码相同的区域即为优化和扩充监督样本的目标区域,则111都为耕地,222都为林地,121则不是目标区域;
A2、通过ArcMap或QGIS软件,利用Raster to Polygon工具对运算结果T进行栅格转矢量,利用ArcMap软件selection工具,选择步骤A1中代码相同的要素,构建待优化和扩充监督分类样本;
(2)当影像数量级中影像数量为m>9且土地利用代码为任意位数时(例如《土地利用现状分类》GB/T21010-2017中01代表耕地,0101水田,0102水浇地,0103旱地),A1满足本条“或土地利用代码位数”,同样适用。采用如下方法:
B1、解译结果转矢量,逐个或批量使用ArcMap或QGIS软件中Raster to Polygon工具,对步骤S32生成的后处理解译结果转换为矢量;
B2、解译结果求交集,利用ArcMap或QGIS软件,使用intersect工具对步骤B1中的所有矢量进行相交,生成一个矢量图层结果;在该矢量图层结果的属性表中,m个土地利用代码字段相同的要素(多边形)即为待优化和扩充监督分类样本。
S5、使用ArcMap selection工具,反选m个土地利用代码字段相同的要素并删除,构建待优化和扩充监督分类样本。
S51、ArcMap属性表中,利用属性表地理计算功能计算步骤S4中生成的待优化和扩充监督样本的面积,删除ID排序在0-2%和98%-100%对应的样本(例如共计1000个样本,按照面积字段排序后,删除排序1-20和980-1000的样本);
S52、将步骤S51中删除ID排序在0-2%和98%-100%后剩余的样本通过随机抽样的方法(Hawth's Analysis Tools for ArcMap工具实现)生成优化和扩充的监督分类样本,样本数量可根据需求扩大到相应数量。
本实施例,利用少量分类样本和多源、多时相遥感影像进行监督分类样本的优化和扩充,能够极大的减少样本采集过程中产生的误差,减少样本构建的实地调查工作量,提高监督分类进行土地利用/覆盖中的精度。
同时生成的优化和扩充样本能够减少在监督分类中人力和其他资源投入,实现土地利用变化较快区域连续观测,满足大区域计算机图像分类、遥感影像分类、土地利用/覆盖监测。
下面通过具体案例说明本发明。
本案例以东经98°51′56″~99°38′45″和北纬23°04′52″~23°30′27″为研究区,参考《全国遥感监测土地利用/土地覆被分类体系》建立了分类系统。使用2018年11-12月实地调查的样本构建少量精确样本和验证样本(用于对生成的优化和扩充样本的有效性验证)。
案例分别选用了7景和12景sentinel-2影像构建样本数据集,利用少量精确样本分类并生成解译结果。构建优化和扩充样本数据集,利用一景Landsat8 OLI影像进行验证优化和扩充样本在监督分类中的有效性,结果表明优化和扩充样本能够有效提高解译精度,减少样本构建过程中的误差和投入的工作量。具体如下:
(一)、本案例研究区
本案例使用东经98°51′56″~99°38′45″和北纬23°04′52″~23°30′27″的影像。
(二)少量精确训练样本选取和分类体系
本案例分类体系建立参考《全国遥感监测土地利用/土地覆被分类体系》中一级分类系统,综合考虑研究区林地和土地利用与土地覆盖情况,分类体系建立为其他林地(代码1)、竹林(代码2)、耕地(代码3)、灌木和草地(代码4)、水域(代码5)、建设用地(代码6)六类。少量精确训练样本来自2018年11月-12月实地调查。样本选取有代表性且是纯净像元,叠加2018年Google Earth影像对样本进行筛选与处理,对小于10m*10m的地物样本(对照实施方法S1中的①)、地物类型难以区分的样本进行剔除,并保证样本空间上均匀分布。最终选取的竹林、其他林地、灌木和草地、耕地、水域、建设用地样本共计450个,其中分类样本250个,验证样本200个,各个样本在属性表中都准确记录了其类型以及代码。
在样本选取的过程中,遵循本发明实施方法S1中所述:
①样本范围大于要解译图像的像元;
②样本边界小于地物实际分布边界;
③样本属性中记录的地物类型要准确,即要通过实地验证或高分辨率遥感影像准确判读确定其地物类型。
(三)构建多源、多时相遥感影像数据集
Sentinel-2是欧空局哥白尼计划的一个宽幅、高分辨率、多光谱成像任务,由同一轨道上的两颗极轨卫星组成。覆盖范围在南纬56度和北纬84度之间,用于陆地监测研究。Sentinel-2A于2015年6月23日发射,Sentinel-2B于2017年3月7日发射,影像时间分辨率为5天。Sentinel 2共有13个波段,影像包含3个分辨率级别,10m(B2,B3,B4,B8)、20m(B5,B6,B7,B8A,B11,B12)、60m(B1,B9,B10)。
研究数据来源于欧洲航天局(https://scihub.copernicus.eu/dhus/#/home)Sentinel-2A L1C级产品,投影坐标为UTM/WGS84投影。L1C产品已经过辐射定标和几何校正,采用Sen2Cor(Sentinel-2Level-2A Atmospheric Correction Processor)工具进行大气校正,处理L1C产品生成具有10个波段的L2A产品(BOA大气底端反射率)。利用SNAP软件对两景L2A产品镶嵌,镶嵌后将20m分辨率的波段按最近邻采样方法生成10m分辨率影像,再裁剪得到含有10个波段的研究区影像。
如本发明实施方式所述,选取研究区多源、多时相遥感影像构建影像数据集,遥感影像包括单一数据源或多数据源的遥感影像,也包括单一数据源多个时相的遥感影像。本示例以分别以7景和12景sentinel为例(属于单一数据源多个时相的遥感影像),多个数据源遥感影像遵循同样的数据集构建方式。
为了保证样本的精确度,影像时间选择相邻或者相近,研究区内的遥感影像均为无云或少云影像。
(1)当生成的影像数量为m≤9且土地利用代码位数为一位时:
①本示例中,构建的影像数据集影像数量为7(如图4所示),影像数据集信息如下表,其中包含时间、sentinel条带号信息。
表1、影像数据集信息
②少量精确样本对多源、多时相遥感影像数据集进行监督分类;
本案例使用随机森林方法(监督分类方法的一种)对影像数据集进行解译,生成7景影像解译结果,对每景影像解译结果进行后处理,得到后处理的解译结果(如图5所示);后处理为解译结果的平滑去燥过程,包括众数分析、类聚块、类过滤等方法。
③确定多个时相后处理的解译结果中的相同部分;
生成的影像数量为m≤9且土地利用代码位数为一位时,符合本发明实施说明步骤S4中的第一种情况采用以下步骤完成对解译结果中相同部分的求解:
利用ArcMap软件中的栅格计算器或Envi软件中Band Math工具,根据公式:计算影像数据集的解译结果,在本示例中。采用的公式为:”影像1.dat”+”影像2.dat”*10+”影像3.dat”*100+”影像4.dat”*1000+”影像5.dat”*10000+”影像6.dat”*100000+”影像7.dat”*1000000,得到计算结果栅格图层T;
构建待优化和扩充监督分类样本,通过ArcMap或QGIS软件,利用Raster toPolygon工具对运算结果T进行栅格转矢量,生成待优化区域的矢量多边形t,计算结果中待优化的目标区域和矢量图层t属性表中value字段值对应的分别为其他林地(1111111),竹林(2222222)、耕地(3333333)、灌木和草地(4444444)、水域(5555555)、建设用地(6666666)。利用ArcMap软件selection工具,反选矢量多边形t中value值为以上6个的其他多边形并删除。
④生成优化和扩充监督分类样本,利用ArcMap属性表中面积计算功能计算矢量多边形t的面积,并按照面积进行排序。删除ID排序在0-2%和98%-100%对应的样本,本示例中矢量多边形57804个,及删掉排序1-1156(0-2%)和56647-57804(98%-100%)的多边形,这主要是去除面积较大或者较小的矢量多边形。剩余多边形通过Hawth's Analysis Toolsfor ArcMap进行选择相应数量的样本生成新的样本数据集,本示例中共生成1200个样本,其中用于分类样本1200个。
(2)当生成的影像数量为m>9或土地利用代码位数为任意位数时;
①本示例中,构建的影像数据集影像数量为12(如图6所示)。影像数据集信息如下表,其中包含时间、sentinel条带号信息。
表2、影像数据集信息
②少量精确样本对多源、多时相遥感影像数据集进行监督分类;
本案例使用随机森林方法(监督分类方法的一种)对影像数据集进行解译,生成12景影像解译结果,对每景影像解译结果进行后处理,得到后处理的解译结果(如图7所示);后处理为解译结果的平滑去燥过程,包括众数分析、类聚块、类过滤等方法。
③确定多个时相后处理的解译结果中的相同部分;
生成的影像数量为m>9或土地利用代码位数为任意位数时,符合本发明实施说明步骤S4中的第二种情况采用以下步骤完成对解译结果中相同部分的求解:
逐个或批量使用ArcMap或QGIS软件中Raster to Polygon工具将12景解译结果转为12个矢量图层(T1,T2,T3,T4,….,T12),利用ArcMap或QGIS软件,使用intersect工具对步骤12个矢量图层进行相交,生成一个矢量图层结果T;在矢量图层T的属性表中,12个土地利用代码字段相同的要素(多边形)即为待优化和扩充监督分类样本。利用ArcMapselection工具构建SQL查询语句,反选12个土地利用代码字段相同的要素并删除,构建待优化和扩充监督分类样本。
④构建优化和扩充监督分类样本
利用属性表地理计算中面积计算功能计算矢量多边形t的面积,并按照面积进行排序。删除ID排序在0-2%和98%-100%对应的样本,本示例中矢量多边形42220个,及删掉排序1-844(0-2%)和41375-42220(98%-100%)的多边形,这主要是去除面积较大或者较小的矢量多边形。剩余多边形通过Hawth's Analysis Tools for ArcMap进行选择相应数量的样本生成新的样本数据集,本示例中共生成1200个样本。
(四)优化和扩充样本对监督分类精度有效性的评估
为测试优化和扩充样本的有效性,利用(二)中少量精确训练样本、(1)和(2)中生成的优化和扩充样本分别对一景Landsat影像进行分类,对比三种样本的分类精度以及生成样本的时间、人力成本。采用总体分类精度(简称OA,Overall Accuracy)、和Kappa系数来评定最终的分类结果。
LandSat影像数据信息如下:
条代号:131044;
日期:2018-03-07;
本案例使用波段:波段1-气溶胶波段,0.43-0.45,2-蓝波段0.45-0.51,3-绿波段0.53-0.59,4-红波段0.64-0.6,5-近红波段0.85-0.88,6-SWIR1波段1.57-1.65,7-SWIR2波段2.11-2.29,8-全色0.50-0.68。
对Landsat影像进行辐射定标和大气校正,获得30m地表真实反射率值影像。使用30m地表真实反射率值影像和15m影像全色波段进行数据融合,生成七个波段15m的地表反射率数据。
使用随机森林(监督分类方法的一种)分类方法,利用(二)中少量精确训练样本、(1)和(2)中生成的优化和扩充样本对一景Landsat影像进行分类。
精度评价结果如下:
表3、三类样本分类影像的精度评价结果
**m≦9时生成的样本是指(1)生成的优化和扩充样本,m>9时生成的样本是指(2)生成的优化和扩充样本
通过对分类结果的比较,(1)和(2)生成的优化和扩充样本都表现出优异的分类精度,(1)生成的优化和扩充样本在总体分类精度上比少量精确样本高8.67%,kappa系数高出0.53,(2)生成的优化和扩充样本在总体精度上比少量精确样本分类高出13.15%,kappa系数高出0.093。
验证结果表明优化和扩充的的监督分类样本可以应用于对遥感图像的土地利用/土地覆盖分类,且都能表现出良好的分类精度。相比传统获取监督分类样本的方法,实地踏查和高分辨率遥感影像勾绘都需要投入大量人力成本,实地踏查还需要投入额外的野外调查成本,及时的高分辨率遥感影像获取成本也是高昂的。本发明可以有效降低获取监督分类样本的成本,同时可以大大提高分类精度。
本发明采用多源、多时相遥感影像构建监督分类的优化和扩充样本,优点在于:
1)构建的优化和扩充样本能够避免和减少传统样本采集中的误差,提高解译精度,实地调查中,样本边界采集不准确、GPS信号不稳定等都会对样本准确性产生影响,高分辨影像勾绘过程中也难免会受到勾绘者主观因素而产生误差,这些误差都会对解译精度产生影响,本发明利用多源、多时相影像生成的优化和扩充样本能够有效解决这些误差;
2)构建的优化和扩充样本可用于多种数据源和多个尺度上的遥感影像解译,且样本个数可根据研究区域大小灵活选择;
3)构建的优化和扩充样本能够在短时间内达到对研究区解译的最好精度,使影像解译结果能够快速、准确地应用于各行各业;
4)构建的优化和扩充样本具有很高的时效性,历史资料获取的样本时效性不足导致解译精度低,本发明可通过对影像数据集构建过程中影像时间的选择,构建满足时效性的样本;
5)构建的优化和扩充样本不依赖于大量实地调查和高分辨影像勾绘,减少样本构建过程中50%以上的工作量。(按人力成本来说,本示例构建精确样本耗费1.67个工作日,生成1200个样本仅需1.5个工作日。传统调查和高分辨影像勾绘生成1200个样本,按照每人150个样本/每工作日计算则需要8个工作日,本方法可以节省60.4%的人力成本)。
本发明不局限于上述最佳实施方式,任何人应该得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
Claims (6)
1.一种基于多源多时相遥感影像优化和扩充监督分类样本的方法,其特征在于,包括以下步骤:
S1、选取训练样本;
S2、构建多源、多时相遥感影像数据集;
S3、使用所述精确样本对多源、多时相遥感影像数据集进行监督分类;
S4、确定多个时相后处理的解译结果中的相同部分,生成的待优化和扩充监督样本;
S5、生成优化和扩充监督分类样本。
2.如权利要求1所述的基于多源多时相遥感影像优化和扩充监督分类样本的方法,其特征在于,所述步骤S1中,精确的训练样本满足下列条件:
①样本范围大于要解译图像的一个像元;
②样本边界小于地物实际分布边界;
③样本的属性准确。
3.如权利要求1所述的基于多源多时相遥感影像优化和扩充监督分类样本的方法,其特征在于,所述遥感影像包括:
包括单一数据源、多数据源的遥感影像或单一数据源多个时相的遥感影像;
遥感影像为无云或少云影像,或通过去云算法处理生成的遥感影像。
4.如权利要求1所述的基于多源多时相遥感影像优化和扩充监督分类样本的方法,其特征在于,所述步骤S3包括具体包括以下步骤:
S31、利用选取的精确样本对构建的影像数据集中的每景影像进行解译;
S32、对解译结果进行后处理,得到后处理的解译结果。
5.如权利要求4所述的基于多源多时相遥感影像优化和扩充监督分类样本的方法,其特征在于,所述步骤S4包括以下求解步骤:
(1)当生成的影像数量为m≤9且土地利用代码位数为一位时,采用如下方法:
A1、利用ArcMap软件中的栅格计算器或ENVI软件中Band Math工具,根据下列公式:
式中,CRi为第i景影像的监督分类结果代码,m为构建的影像数据集影像数量;
A2、通过ArcMap或QGIS软件,利用Raster to Polygon工具对运算结果T进行栅格转矢量,利用ArcMap软件Seclection工具,选择步骤A1中代码相同的要素,构建待优化和扩充监督分类样本;
(2)当影像数量级中影像数量为m>9或土地利用代码位数为任意位数时,采用如下方法:
B1、解译结果转矢量,对步骤S3生成的结果逐个通过ArcMap或QGIS软件,利用Rasterto Polygon工具将分类结果转换为矢量;
B2、解译结果求交集,利用ArcMap或QGIS软件,使用Intersect工具对步骤B1中的所有矢量进行相交,生成一个矢量图层结果;在矢量图层结果的属性表中,m个土地利用代码字段相同的要素即为待优化和扩充监督分类样本,使用ArcMap selection工具,反选m个土地利用代码字段相同的要素并删除,构建待优化和扩充监督分类样本。
6.如权利要求5所述的基于多源多时相遥感影像优化和扩充监督分类样本的方法,其特征在于,所述步骤S5包括以下步骤:
S51、在ArcMap属性表中,利用属性表地理计算功能计算步骤S4中生成的待优化和扩充监督样本的面积,删除ID排序在0-2%和98%-100%对应的样本;
S52、将步骤S51中删除ID排序在0-2%和98%-100%后剩余的样本通过随机抽样的方法生成新的监督分类样本数据集,样本数量可根据需求扩大到相应数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155392.8A CN111222539B (zh) | 2019-11-22 | 2019-11-22 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155392.8A CN111222539B (zh) | 2019-11-22 | 2019-11-22 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222539A true CN111222539A (zh) | 2020-06-02 |
CN111222539B CN111222539B (zh) | 2021-07-30 |
Family
ID=70805925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911155392.8A Active CN111222539B (zh) | 2019-11-22 | 2019-11-22 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222539B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990368A (zh) * | 2021-04-26 | 2021-06-18 | 湖南大学 | 一种多边形结构引导的高光谱图像单样本识别方法及系统 |
CN113095169A (zh) * | 2021-03-26 | 2021-07-09 | 生态环境部卫星环境应用中心 | 大空间范围储油罐提取方法 |
CN114511786A (zh) * | 2022-04-20 | 2022-05-17 | 中国石油大学(华东) | 融合多时相信息和分通道密集卷积的遥感图像去云方法 |
CN114882379A (zh) * | 2022-07-04 | 2022-08-09 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN109086649A (zh) * | 2018-05-29 | 2018-12-25 | 国网新疆电力有限公司信息通信公司 | 卫星遥感图像水体识别方法 |
CN109447111A (zh) * | 2018-09-20 | 2019-03-08 | 杭州师范大学 | 一种基于子类训练样本的遥感监督分类方法 |
CN109657616A (zh) * | 2018-12-19 | 2019-04-19 | 四川立维空间信息技术有限公司 | 一种遥感影像土地覆盖自动分类方法 |
-
2019
- 2019-11-22 CN CN201911155392.8A patent/CN111222539B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
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 |
CN109086649A (zh) * | 2018-05-29 | 2018-12-25 | 国网新疆电力有限公司信息通信公司 | 卫星遥感图像水体识别方法 |
CN109447111A (zh) * | 2018-09-20 | 2019-03-08 | 杭州师范大学 | 一种基于子类训练样本的遥感监督分类方法 |
CN109657616A (zh) * | 2018-12-19 | 2019-04-19 | 四川立维空间信息技术有限公司 | 一种遥感影像土地覆盖自动分类方法 |
Non-Patent Citations (1)
Title |
---|
孙晓霞: "基于混合样本和支持向量机的城市地物信息提取", 《中国优秀硕士学位论文全文数据库(电子期刊)基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095169A (zh) * | 2021-03-26 | 2021-07-09 | 生态环境部卫星环境应用中心 | 大空间范围储油罐提取方法 |
CN112990368A (zh) * | 2021-04-26 | 2021-06-18 | 湖南大学 | 一种多边形结构引导的高光谱图像单样本识别方法及系统 |
CN114511786A (zh) * | 2022-04-20 | 2022-05-17 | 中国石油大学(华东) | 融合多时相信息和分通道密集卷积的遥感图像去云方法 |
CN114511786B (zh) * | 2022-04-20 | 2022-07-19 | 中国石油大学(华东) | 融合多时相信息和分通道密集卷积的遥感图像去云方法 |
CN114882379A (zh) * | 2022-07-04 | 2022-08-09 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111222539B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
Jin et al. | Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
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 | |
JP6273473B2 (ja) | 森林情報管理装置 | |
González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
CN110321861A (zh) | 一种农作物种植结构月尺度动态提取方法 | |
CN115272860B (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
Li et al. | A comparison of deep learning methods for airborne lidar point clouds classification | |
Zhang et al. | Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area | |
Ramli et al. | Homogeneous tree height derivation from tree crown delineation using Seeded Region Growing (SRG) segmentation | |
Karydas | Optimization of multi-scale segmentation of satellite imagery using fractal geometry | |
She et al. | Identification and mapping of soybean and maize crops based on Sentinel-2 data | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
CN113076796B (zh) | 喀斯特石漠化的遥感制图方法及装置 | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
CN114119575A (zh) | 一种空间信息变化检测方法及系统 | |
Qu et al. | Mapping large area tea plantations using progressive random forest and Google Earth Engine | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
Roy et al. | Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh | |
CN115019196A (zh) | 一种基于遥感的耕地非农化变化检测方法、系统及存储介质 | |
CN116168290B (zh) | 基于高分辨率遥感影像及三维数据的乔灌草分类方法 |
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 |