CN111476182A - 一种基于多源数据和多向纹理滤波分析的梯田提取方法 - Google Patents

一种基于多源数据和多向纹理滤波分析的梯田提取方法 Download PDF

Info

Publication number
CN111476182A
CN111476182A CN202010283200.8A CN202010283200A CN111476182A CN 111476182 A CN111476182 A CN 111476182A CN 202010283200 A CN202010283200 A CN 202010283200A CN 111476182 A CN111476182 A CN 111476182A
Authority
CN
China
Prior art keywords
terrace
slope
method based
source data
extraction method
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
CN202010283200.8A
Other languages
English (en)
Other versions
CN111476182B (zh
Inventor
李毅
龚建华
孙麇
李文航
周洁萍
殷兵晓
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202010283200.8A priority Critical patent/CN111476182B/zh
Publication of CN111476182A publication Critical patent/CN111476182A/zh
Application granted granted Critical
Publication of CN111476182B publication Critical patent/CN111476182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/188—Vegetation
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于多源数据和多向纹理滤波分析的梯田提取方法，该方法综合利用了遥感影像数据和地形数据两种数据源，先用TM多波段融合遥感数据，使用贝叶斯分类方法对耕地的区域进行提取，接着使用地形坡度数据对山坡耕地的区域进行提取，然后采用Gabor滤波器对全色高分辨率遥感影像进行多向滤波，计算出每个格网波纹的方向，通过对比格网坡向值，在山坡耕地的斑块中将波纹法向量方向与坡向相同的区域提出作为梯田的识别范围。该方法在黄土高原区域进行实验，其结果与已有方法相比，能获得较高的完整性和正确性。

Description

一种基于多源数据和多向纹理滤波分析的梯田提取方法
技术领域
本发明涉及遥感地物分类领域，特别是涉及一种基于多源数据和多向纹理滤波分析的梯田提取方法。
背景技术
梯田已被证明是防治水土流失的有效方法，但是由于多分布在山区，梯田的调查耗费人力且成本高昂。随着高分辨率遥感影像和地理信息数据的普及，目前已经有应用在梯田提取的自动化方法，主要分为以下几类：
第一类方法为基于影像的像元特征或者纹理特性等单一特征的分类方法，前者主要考虑梯田的光谱特性来进行分类提取，该方法无法很好的区分梯田和平地水田；后者多采用傅里叶等滤波算法，利用图像变换后在频率域上的性质，来作为梯田提取的主要指标，这类方法由于仅考虑的纹理特性，在地物斑块较为细碎复杂的区域，难以达到较好的分类结果。
第二类方法为基于面向对象的高分辨率遥感识别方法，该方法一般先通过影像分割构建影像对象,在总结分析影像对象的光谱、纹理和空间等特征的基础上,根据多次试验确定最优分割合并尺度参数，从而实现梯田的自动化提取。这类方法由于没有考虑区域地形特征，梯田和坡耕地的误分较为严重，也难以达到较高的提取精度。
发明内容
本发明的目的是提供一种基于多源数据和多向纹理滤波分析的梯田提取方法，以解决上述现有技术存在的问题，使梯田分类精度提高，获得高精度梯田影像。
为实现上述目的，本发明提供了如下方案：
本发明提供一种基于多源数据和多向纹理滤波分析的梯田提取方法，包括以下步骤：
对原始遥感图像数据进行土地利用类型划分，提取耕地区域；
对耕地区域进行坡度信息提取，获得山坡上的耕地区域，并进行划分形成格网；
对原始遥感图像数据进行若干方向的Gabor小波计算，将得到的若干方向结果进行对比，得出Gabor小波计算值最大的方向，即获得影像地物纹理“波纹”的法向量方向；
对DEM的坡向值利用坡向值处理转换公式进行处理，然后进行坡向归类计算；
将每个原始遥感图像格网像元纹理“波纹”的法向量方向与DEM格网的坡向值进行对比，法向量方向与坡向值一致的格网被定义为梯田候选区域；
将所有梯田候选区域与山坡耕地区域进行交集运算，得到梯田区域，进行梯田提取。
优选的，土地利用类型划分采用贝叶斯分类器。
优选的，坡度选取2°～25°。
优选的，Gabor小波计算方向选择0°、30°、60°、90°、120°和150°共6个方向。
优选的坡向值处理转换公式为：
Figure BDA0002447496810000031
公式(1)中的DAspect表示栅格格网的实际坡向值，D’Aspect为转换后的坡向值。
优选的，坡向归类计算公式为：
Figure BDA0002447496810000032
公式(2)中，D’Aspect为转换后的坡向值，D”Aspect为重新分类后的坡向值。
本发明公开了以下技术效果：
本发明综合了高分辨率遥感影像的细节纹理特征和地形特征的优势，抓住梯田轮廓线和坡向的关系，采用了分层提取的策略，能很好的区分梯田和坡耕地，从而可以获得相对较高的梯田分类精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明总体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例采用同一地区的多种来源的图像进行，参照图1所示，本发明提供一种基于多源数据和多向纹理滤波分析的梯田提取方法，具体包括如下步骤：
使用Landsat TM图像进行贝叶斯分类器训练点采集，对贝叶斯分类器进行训练。贝叶斯分类器主要有四种，分别是：Naive Bayes、TAN、BAN和GBN，本实施方式里使用NaiveBayes，即朴素贝叶斯分类器。利用训练完成的贝叶斯分类器对原始遥感图像进行土地利用类型划分，提取耕地区域，获得只包含耕地的遥感图像。
本实施方式中优选采用5m分辨率DEM数据，使用DEM进行坡度计算，提取坡度大于2°且小于25°的DEM，然后与只包含耕地的遥感图像进行交集运算，获得山坡耕地图像。
本实施方式中优选采用2m分辨率遥感图像，使用资源三号融合图像，对图像数据进行0～180°内的多方向选择，要求角度差值相等。相比传统的傅里叶方法，Gabor滤波器在空间域和频率域都能获得很好的分辨率，它类似于人类视觉系统，主要用于频率和方向上的图像表达，适合对梯田“波纹”状纹理进行表达。因此，在本实施方式中从“波纹”法向量方向中选用0°、30°、60°、90°、120°和150°共6个方向进行Gabor小波计算，将得到的6个方向结果进行对比，得出Gabor小波计算值最大的方向，即获得影像地物纹理“波纹”的法向量。
利用DEM数据，使用坡向值转化公式对坡向值进行转化，转化至0～180°范围内，转化公式为：
Figure BDA0002447496810000051
公式(1)中的DAspect表示栅格格网的实际坡向值，D’Aspect为转换后的坡向值。
坡向为坡面法线在水平面上的投影的方向，坡向的范围为0～360°。由于在本实施方式中，考虑的是坡向和纹理方向的垂直关系，完全相反的坡向与纹理方向的垂直关系是相同的。鉴于此对称关系，利用公式将180°～360°的坡向转化到0～180°范围内，可以简化坡向与纹理方向垂直关系的判断。
将转化完成的坡向值按照公式(2)进行重新分类。
Figure BDA0002447496810000061
公式(2)中的D′Aspect为转换后的坡向值，D”Aspect为重新分类后的坡向值。
将2m分辨率遥感图像中每个栅格格网的像元纹理“波纹”法向量方向与DEM格网的坡向值进行对比，重分类的坡向值与Gabor滤波纹理法方向相同的格网被定义为梯田候选区域。
将所有梯田候选区域与山坡耕地图像进行交集运算，得到梯田范围图像，进行梯田提取。
本发明针对目前技术在梯田识别中分类指标单一，没有考虑区域地形特征，梯田和坡耕地的误分较为严重的问题，提出了一种基于多源数据和多向纹理滤波分析的梯田提取方法。该方法综合利用了遥感影像数据和地形数据两种数据源，采用分层提取的策略，首先采用中分辨率影像光谱分割、然后针对土地坡度阈值分割、最后采用高分辨率影像纹理方向结合坡向的方法进行分割，从而提取梯田的区域。这种方法能很好的区分梯田和坡耕地，从而可以获得相对较高的梯田分类精度。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于多源数据和多向纹理滤波分析的梯田提取方法，其特征在于：包括以下步骤：
对原始遥感图像数据进行土地利用类型划分，提取耕地区域；
对耕地区域进行坡度信息提取，获得山坡上的耕地区域；
对原始遥感图像数据进行若干方向的Gabor小波计算，将得到的计算结果进行对比，得出Gabor小波计算值最大的方向，即获得影像地物纹理“波纹”的法向量方向；
对DEM的坡向值利用坡向值处理转换公式进行处理，然后进行坡向归类计算；
将每个由原始遥感图像获取的栅格格网纹理“波纹”的法向量方向与每个DEM栅格格网的坡向值进行对比，法向量方向与坡向值相同的格网被定义为梯田候选区域；
将所有所述梯田候选区域与山坡耕地区域进行交集运算，得到梯田区域，进行梯田提取。
2.根据权利要求1所述的基于多源数据和多向纹理滤波分析的梯田提取方法，其特征在于：所述土地利用类型划分采用贝叶斯分类器。
3.根据权利要求1所述的基于多源数据和多向纹理滤波分析的梯田提取方法，其特征在于：所述坡度选取2°～25°。
4.根据权利要求1所述的基于多源数据和多向纹理滤波分析的梯田提取方法，其特征在于：所述Gabor小波计算方向优选0°、30°、60°、90°、120°和150°共6个方向。
5.根据权利要求1所述的基于多源数据和多向纹理滤波分析的梯田提取方法，其特征在于：所述坡向值处理转换公式为：
Figure FDA0002447496800000021
公式(1)中的DAspect表示栅格格网的实际坡向值，D’Aspect为转换后的坡向值。
6.根据权利要求1所述的基于多源数据和多向纹理滤波分析的梯田提取方法，其特征在于：所述坡向归类计算公式为：
Figure FDA0002447496800000022
公式(2)中，D’Aspect为转换后的坡向值，D”Aspect为重新分类后的坡向值。
CN202010283200.8A 2020-04-13 2020-04-13 一种基于多源数据和多向纹理滤波分析的梯田提取方法 Active CN111476182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010283200.8A CN111476182B (zh) 2020-04-13 2020-04-13 一种基于多源数据和多向纹理滤波分析的梯田提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010283200.8A CN111476182B (zh) 2020-04-13 2020-04-13 一种基于多源数据和多向纹理滤波分析的梯田提取方法

Publications (2)

Publication Number Publication Date
CN111476182A true CN111476182A (zh) 2020-07-31
CN111476182B CN111476182B (zh) 2021-06-01

Family

ID=71752175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010283200.8A Active CN111476182B (zh) 2020-04-13 2020-04-13 一种基于多源数据和多向纹理滤波分析的梯田提取方法

Country Status (1)

Country Link
CN (1) CN111476182B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985422A (zh) * 2020-08-25 2020-11-24 兰州交通大学 基于遥感的耕地田面坡度估算方法、估算装置
CN113254552A (zh) * 2021-03-11 2021-08-13 广州建通测绘地理信息技术股份有限公司 一种全域土地综合整治潜力的识别方法及系统
CN117315471A (zh) * 2023-09-26 2023-12-29 中国水利水电科学研究院 一种基于遥感影像与机器学习的梯田识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140205189A1 (en) * 2013-01-18 2014-07-24 International Business Machines Corporation Techniques for Ground-Level Photo Geolocation Using Digital Elevation
CN105608474A (zh) * 2015-12-30 2016-05-25 二十一世纪空间技术应用股份有限公司 基于高分辨率影像的区域自适应耕地提取方法
CN106384081A (zh) * 2016-08-30 2017-02-08 水利部水土保持监测中心 一种基于高分辨率遥感影像的坡耕地提取方法和系统
CN109447028A (zh) * 2018-11-12 2019-03-08 南京大学 一种农田沟渠网络自动提取方法
CN109740570A (zh) * 2019-01-18 2019-05-10 中国水利水电科学研究院 一种基于地形指数和物候差异的梯田遥感识别方法
CN109872320A (zh) * 2019-02-26 2019-06-11 西南石油大学 基于影像分析的边坡种植植被防护功能的检测系统及方法
CN110211128A (zh) * 2019-05-06 2019-09-06 南京泛在地理信息产业研究院有限公司 基于遥感影像和dem的黄土高原梯田提取方法
CN110298299A (zh) * 2019-06-26 2019-10-01 贵州省交通规划勘察设计研究院股份有限公司 一种基于等高航线的无人机边坡植被分类方法
CN110415265A (zh) * 2019-08-08 2019-11-05 南京师范大学 基于无人机高精度dem数据的梯田自动提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140205189A1 (en) * 2013-01-18 2014-07-24 International Business Machines Corporation Techniques for Ground-Level Photo Geolocation Using Digital Elevation
CN105608474A (zh) * 2015-12-30 2016-05-25 二十一世纪空间技术应用股份有限公司 基于高分辨率影像的区域自适应耕地提取方法
CN106384081A (zh) * 2016-08-30 2017-02-08 水利部水土保持监测中心 一种基于高分辨率遥感影像的坡耕地提取方法和系统
CN109447028A (zh) * 2018-11-12 2019-03-08 南京大学 一种农田沟渠网络自动提取方法
CN109740570A (zh) * 2019-01-18 2019-05-10 中国水利水电科学研究院 一种基于地形指数和物候差异的梯田遥感识别方法
CN109872320A (zh) * 2019-02-26 2019-06-11 西南石油大学 基于影像分析的边坡种植植被防护功能的检测系统及方法
CN110211128A (zh) * 2019-05-06 2019-09-06 南京泛在地理信息产业研究院有限公司 基于遥感影像和dem的黄土高原梯田提取方法
CN110298299A (zh) * 2019-06-26 2019-10-01 贵州省交通规划勘察设计研究院股份有限公司 一种基于等高航线的无人机边坡植被分类方法
CN110415265A (zh) * 2019-08-08 2019-11-05 南京师范大学 基于无人机高精度dem数据的梯田自动提取方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985422A (zh) * 2020-08-25 2020-11-24 兰州交通大学 基于遥感的耕地田面坡度估算方法、估算装置
CN111985422B (zh) * 2020-08-25 2024-04-23 兰州交通大学 基于遥感的耕地田面坡度估算方法、估算装置
CN113254552A (zh) * 2021-03-11 2021-08-13 广州建通测绘地理信息技术股份有限公司 一种全域土地综合整治潜力的识别方法及系统
CN117315471A (zh) * 2023-09-26 2023-12-29 中国水利水电科学研究院 一种基于遥感影像与机器学习的梯田识别方法

Also Published As

Publication number Publication date
CN111476182B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111476182B (zh) 一种基于多源数据和多向纹理滤波分析的梯田提取方法
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
Sofia et al. An objective approach for feature extraction: distribution analysis and statistical descriptors for scale choice and channel network identification
Yang et al. Timely and accurate national-scale mapping of urban land in China using Defense Meteorological Satellite Program’s Operational Linescan System nighttime stable light data
CN107330875B (zh) 基于遥感图像正反向异质性的水体周边环境变化检测方法
Reis et al. Identification of hazelnut fields using spectral and Gabor textural features
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
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
CN103258324B (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
CN105608474A (zh) 基于高分辨率影像的区域自适应耕地提取方法
CN108830203B (zh) 一种基于sar图像的建筑区提取方法和系统
CN103198480A (zh) 基于区域和Kmeans聚类的遥感图像变化检测方法
CN105976376A (zh) 一种基于部件模型的高分辨sar图像目标检测方法
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
Li et al. Integrating multiple textural features for remote sensing image change detection
CN113468982A (zh) 一种城市功能区分类方法、装置及存储介质
Xu et al. Vegetation information extraction in karst area based on UAV remote sensing in visible light band
CN115205528A (zh) 一种用于面向地理对象影像分析的特征选择方法
Lin et al. CAFE: A cross-attention based adaptive weighting fusion network for MODIS and Landsat spatiotemporal fusion
Wang et al. An improved SAR radiometric terrain correction method and its application in polarimetric SAR terrain effect reduction
CN114792322A (zh) 一种检测山地国产高分辨率卫星影像云与云阴影的方法
El Hage et al. Impact of DEM reconstruction parameters on topographic indices
Chowdhury et al. Selection of algorithm for land use land cover classification and change detection
Prabowo et al. Detecting and Counting Coconut Trees in Pleiades Satellite Imagery using Histogram of Oriented Gradients and Support Vector Machine
Yuan et al. Mapping orchards on plain terrains using multi-temporal medium-resolution satellite imagery

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