CN111723711A - 基于Pléiades和面向对象的地膜信息提取方法及系统 - Google Patents
基于Pléiades和面向对象的地膜信息提取方法及系统 Download PDFInfo
- Publication number
- CN111723711A CN111723711A CN202010524253.4A CN202010524253A CN111723711A CN 111723711 A CN111723711 A CN 111723711A CN 202010524253 A CN202010524253 A CN 202010524253A CN 111723711 A CN111723711 A CN 111723711A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- oriented
- scale
- mulch
- farmland
- 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.)
- Pending
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
- G06V20/13—Satellite images
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Pléiades和面向对象的地膜信息提取方法,采用Pléiades卫星影像数据,开展了基于面向对象的地膜农田遥感识别。首先利用多尺度分割方法对影像进行不同尺度分割,通过对比不同分割尺度下影像对象分割效果,选出适合研究区地膜农田遥感识别最优分割尺度。在此基础上,提取光谱特征、几何特征以及纹理特征等多种特征并进行了特征优选,获取优化特征子集。最后利用随机森林机器学习算法进行地膜农田分布信息提取,并利用混淆矩阵法进行精度验证。本发明大大提高了农田地膜的识别精度和准确度。
Description
技术领域
本发明涉及农田地膜识别技术领域,更具体的说是涉及一种基于Pléiades和面向对象的地膜信息提取方法及系统。
背景技术
在农业生产中利用地膜覆盖技术可以有效提高土壤熵情和土壤温度,保水保肥,抑制杂草、防止病虫害,增加农作物产量,提高农作物的品质等作用。70年代后期,地膜开始被使用在我国的农业栽培中。如今,在农业生产上地膜的使用量越来越多,这对我国玉米、棉花、马铃薯等农作物提前进入产品形成期,对单产的增加有重要作用。目前为止,在农业生产中利用的地膜绝大多数由稳定的有机化合物聚乙烯或聚氯乙烯合成,难分解,易破碎、难回收,并且随着地膜施用量的增加和使用时间的增长,残留地膜逐年积累,使得土壤板结,阻碍地下水下渗,使农作物根系受损,减少农作物的产量,造成农业环境污染。因此,权衡覆盖地膜的积极作用和消极影响在农业应用上具有非常重要的意义。
获取地膜农田空间分布信息能够为其生产效益和环境效应综合评价提供基础数据。传统的农业统计数据缺乏时空性,受人为主观影响。而野外调查方法受到环境复杂等客观条件的制约,很难实现大规模的实地调查,并且需要耗费许多的人员、资源、金钱和时间。因此,急需寻找一种便于收集地膜农田空间分布信息的方法。
遥感技术是不直接接触目标物的情况下获取其分布信息及其变化信息的技术,其具有观测范围广、受天气限制少、获取数据速度快、实时性强、信息丰富等优势,因此在很多领域中得到了广泛的应用。根据遥感数据的获取方式以及接受的信息源不同,可将遥感技术分为光学遥感技术和微波遥感技术。其中,光学遥感技术主要通过太阳发射的电磁波穿过大气传到地物,地物反射或本身的电磁波被卫星传感器在可见光波段、近红外波段、短波红外波段和热红外波段接收从而得到光学遥感影像,光学遥感技术的应用已经进入了各行各业。中低空间分辨率遥感成像技术(如MODIS卫星数据、Landsat卫星数据),其扫描覆盖面积大,获取详细的光谱及空间信息存在一定的局限性。随着遥感技术的不断发展,能获取的遥感影像数据的空间分辨率不断提高,高空间分辨率遥感数据的应用范围也不断扩大;高空间分辨率影像能够提供更加详细的地表覆盖信息,地物的形状信息、纹理信息和地物间各空间关联等更加直观,使得较小的空间尺度地物如房屋、水体的信息提取更加容易。遥感影像信息提取方法也不断发展。根据是否需要先验知识,可分为监督分类和非监督分类;根据处理单位不同可分为基于像元的分类,基于亚像元的分类以及面向对象的分类;根据利用的技术手段不同可分为人机交互式的目视解译、传统的计算机自动分类以及机器学习分类等。
基于像元的遥感影像分类方法主要以光谱信息的差异为依据进行遥感影像的分类,主要考虑像元尺度上的光谱信息,较少考虑形状信息、纹理信息、结构信息以及上下文等信息,其分类结果容易产生“椒盐现象”。随着遥感技术的不断进步,相继出现多种高分辨率影像获取技术。高分辨率遥感影像中包含了更多的空间结构信息,但由于分辨率高,在基于像元的分类过程中容易出现“同物异谱”现象,即同种地物的光谱特征不同,以及“同谱异物”现象,即不同地物出现相同光谱特征的现象,从而影响信息提取效果。为了避免基于像元的分类中存在的此类问题,面向对象的分类方法得到快速发展。
面向对象分类方法基于目标对象完成影像信息提取,其处理的最小单元是由影像分割得到与实际的地物类别相对应的一个个影像对象的实体单元。面向对象的分类方法可以借助影像对象的多种特征,也可以运用不同的分割尺度转化为不同尺度的影像对象层。目标地物存在多样性和复杂性,不同地物具有不同的适用尺度,需要在其最优尺度层中提取,充分挖掘遥感影像信息,因而分类精度和速度显著提高。面向对象分类方法能够同时考虑光谱、纹理、形状、大小、拓扑关系和上下文关系等多种影像特征,能满足各种分类条件,便于分类,使分类结果更加准确,是适宜高分辨率遥感影像的分类和提取方法。
目前,地膜覆盖栽培技术作为一项重要的农业实践技术,由于其利弊关系,它的规划发展需要进行严格监管。地膜农田遥感识别的难度在于地膜农田遥感特征在空间、时间、光谱上具有特殊性。虽然对于遥感在地膜识别上的运用近两年开始得到了关注,但是对于地膜农田面向对象最佳尺度还没有一个明确的分割尺度,同时,地膜农田遥感识别的对象特征数量和种类的选择也是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种基于Pléiades和面向对象的地膜信息提取方法及系统,采用Pléiades卫星获取高分辨率影像,并同时考虑光谱、纹理、形状、大小、拓扑关系和上下文关系等多种影像特征,使研究区地物的分类更加准确,能够提高农田地膜的识别精度。
为了实现上述目的,本发明采用如下技术方案:
一种基于Pléiades和面向对象的地膜信息提取方法,包括以下步骤:
步骤S1、获取待研究区域范围内的卫星影像数据和调查样本,并对所述卫星影像数据进行预处理;所述卫星影像数据为Pléiades卫星数据;
步骤S2、采用面向对象影像分析方法中的多尺度分割方法对预处理后的卫星影像数据进行分割,获取最优分割尺度下的分割对象;
步骤S3、在最优分割尺度下提取所述分割对象上的光谱特征、纹理特征以及几何特征中的多种特征;
步骤S4、利用随机森林机器学习回归优化方法对步骤S3中的所述多种特征进行优化,获得优化特征子集;
步骤S5、基于所述优化特征子集及所述调查样本数据,采用随机森林进行训练获得地膜农田识别结果;
步骤S6、利用混淆矩阵法对所述地膜农田识别结果进行精度验证。
经由上述的技术方案可知,与现有技术相比,本发明采用采用Pléiades卫星获取高分辨率影像,并同时考虑光谱、纹理、形状、大小、拓扑关系和上下文关系等多种影响特征,并对特征值进行优化,使研究区地物的分类更加准确,能够提高农田地膜的识别精度。
同时,运用多尺度分割方法进一步明确每个单元的属性,使遥感影像得到充分利用,同时,它可以使影像分割后形成的子区域互不交叠,但内部却以相同或相似的特征连通,有效减少“椒盐现象”,从而提高分辨率和遥感影像的识别精度。
优选的,在上述一种基于Pléiades和面向对象的地膜信息提取方法中,所述步骤S1中对所述卫星影像数据进行预处理包括所述步骤S1中对所述卫星影像数据进行预处理至少包括辐射定标、大气校正和几何校正。
优选的,在上述一种基于Pléiades和面向对象的地膜信息提取方法中,步骤S2包括:
S21、设定不同的分割尺度参数;
S22、根据步骤S21中不同的分割尺度参数分别对卫星影像数据进行分割,得到不同分割尺度参数下的分割效果图;所述分割效果图中每一个分割对象所包含的所有像元均存在相似性;
S23、比较不同分割尺度参数下的分割效果图,选取最优分割尺度参数下的分割效果图。
优选的,在上述一种基于Pléiades和面向对象的地膜信息提取方法中,步骤S3中的光谱特征包括:灰度均值、亮度和最大差分。
优选的,在上述一种基于Pléiades和面向对象的地膜信息提取方法中,步骤S3中的纹理特征包括均一性、对比度、同质性、异质性、熵、角二阶矩、均值、相关性和标准差。
优选的,在上述一种基于Pléiades和面向对象的地膜信息提取方法中,步骤S3中的几何特征包括长宽比、边界长度、矩形拟合、紧凑度、密度、圆度和形状指数。
优选的,在上述一种基于Pléiades和面向对象的地膜信息提取方法中,所述步骤S5包括:
步骤S51、获取待研究区域范围内的地物类型的调查样本;
步骤S52、将所述调查样本分为训练样本和验证样本;
步骤S53、采用随机森林方法对所述训练样本进行训练和类别预测;
步骤S54、获取地膜农田识别结果。
优选的,在上述一种基于Pléiades和面向对象的地膜信息提取方法中,步骤S6包括:
S61、获取验证样本;
S62、利用混淆矩阵法和验证样本对地膜农田识别结果进行精度验证。
本发明还提供一种基于Pléiades和面向对象的地膜信息提取系统,包括
影像获取模块,所述影像获取模块用于获取待研究区域范围内的Pléiades卫星影像数据;
预处理模块,所述预处理模块用于对所述卫星影像数据进行预处理;
影像分割模块,所述影像分割模块用于采用采用面向对象影像分析方法中的多尺度分割方法对预处理后的卫星影像数据进行分割,获取最优分割尺度下的分割对象;
对象特征提取模块,所述对象特征提取模块用于在最优分割尺度下提取分割对象上的光谱特征、纹理特征以及几何特征中的多种特征;
特征优化模块,所述特征优化模块利用随机森林机器学习回归优化方法对所述特征进行优化,获得优化特征子集;
地膜农田识别模块,所述地膜农田识别模块用于基于优化特征子集及样本数据,采用随机森林进行训练获得地膜农田识别结果;
精度验证模块,所述精度验证模块利用混淆矩阵法对地膜农田识别结果进行精度验证。
经由上述技术方案可知,本发明提供通过影像获取模块获取研究区域的Pléiades卫星遥感影像数据,具有分辨率高的特点。通过预处理模块对卫星影像数据进行处理,以获得高质量的影像信息。通过分割模块使遥感影像得到充分利用,同时,它可以使影像分割后形成的子区域互不交叠,但内部却以相同或相似的特征连通。有效减少“椒盐现象”,从而提高高分辨率遥感影像识别精度。通过特征提取模块和特征优化模块提取特征值并进行优化处理,以提取更加有效的特征空间便于地膜农田识别。通过地膜农田识别模块和精度验证模块进一步提高地物的分类精度和农田地膜的识别精度。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于Pléiades和面向对象的地膜信息提取方法的流程图;
图2附图为本发明待研究区域示意图;
图3a附图为本发明分割尺度参数为50时的分割效果图;
图3b附图为本发明分割尺度参数为80时的分割效果图;
图3c附图为本发明分割尺度参数为100时的分割效果图;
图3d附图为本发明分割尺度参数为150时的分割效果图;
图3e附图为本发明分割尺度参数为200时的分割效果图;
图3f附图为本发明分割尺度参数为250时的分割效果图;
图3g附图为本发明分割尺度参数为300时的分割效果图;
图3h附图为本发明分割尺度参数为350时的分割效果图;
图3i附图为本发明分割尺度参数为400时的分割效果图;
图4附图为本发明特征优化过程示意图;
图5附图为本发明中地膜农田识别结果;
图6附图为本发明基于Pléiades和面向对象的地膜信息提取系统的结构示意图。
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。
如图2所示,本实施例的研究区位于河北省衡水冀州市,本实施例选取的研究区域地理坐标为北纬37°33′00″至37°41′00″,东经115°20′00″至115°28′00″之间,是地势平坦的低洼平原,海拔高度21.5-26.5m,属于大陆性季风气候,四季分明,冬季寒冷干燥,夏季温暖湿润,多年平均气温13.10℃,多年平均降水量461.80mm。冀州区全区的农业用地为0.72*10-5hm2,主要以耕地面积为主,约占0.6*10-5hm2。主要的农作物有小麦和玉米,农作物耕作制度熟制一般为一年两熟或两年三熟。全市覆盖地膜的农田约0.14*106hm2,地膜使用量在4200t左右。
如图1所示,本发明实施例公开了一种基于Pléiades和面向对象的地膜信息提取方法,包括以下步骤:
步骤S1、获取待研究区域范围内的卫星影像数据和调查样本,并对所述卫星影像数据进行预处理;所述卫星影像数据为Pléiades卫星数据;
步骤S2、采用面向对象影像分析方法中的多尺度分割方法对预处理后的卫星影像数据进行分割,获取最优分割尺度下的分割对象;
步骤S3、在最优分割尺度下提取分割对象上的光谱特征、纹理特征以及几何特征中的多种特征;
步骤S4、利用随机森林机器学习回归优化方法对步骤S3中的多种特征进行优化,获得优化特征子集;
步骤S5、基于优化特征子集及调查样本数据,采用随机森林进行训练获得地膜农田识别结果;
步骤S6、利用混淆矩阵法对地膜农田识别结果进行精度验证。
具体的,步骤S1中所利用的遥感数据为法国的高分辨率Pléiades卫星数据。Pléiades高分辨率卫星由两个相同的卫星Pléiades1和Pléiades2构成,Pléiades1和Pléiades2分别于2011年12月17日、2012年12月1日升空并投入使用接收遥感影像数据。卫星Pléiades1和Pléiades2一起运行重访周期为1天,每天可收集影像二百万平方公里,具备0.5m的超高空间分辨率,幅宽达到20km。光谱范围全色470-830nm、蓝430-550nm、绿500-620nm、红590-710nm、近红外740-940nm。本研究采用河北省衡水市冀州区2015年5月24日Pléiades卫星影像数据作为数据源。
步骤S1中对卫星影像数据进行预处理至少包括辐射定标、大气校正和几何校正。
步骤S2包括:
S21、设定不同的分割尺度参数;
S22、根据步骤S21中不同的分割尺度参数分别对卫星影像数据进行分割,得到不同分割尺度参数下的分割效果图;分割效果图中每一个分割对象所包含的所有像元均存在相似性;
S23、比较不同分割尺度参数下的分割效果图,选取最优分割尺度参数下的分割效果图。
现实中的一切事物均存在一定的结构性以及多尺度性,甚至一些事物只有在一定的尺度之下才可被人观察到,不同的尺度会给予它们不同的表现形式。遥感影像所呈现的信息也有层次结构性与多尺度性,所以在进行影像分析时需要进行尺度分割。分割后的卫星遥感影像应具备如下特点:(1)卫星遥感影像中的所有像元都存在于被分割的子区域中;(2)同一区域中各像元之间存在一种或多种属性相似,不同区域中的各像元之间要存在明显的属性差异。在影像分割的过程关键在于分割尺度的选择,最优尺度是基于地物现象及具体问题进行选择,确保分割后的对象像元不能太破碎,其边界也不能模糊。
多尺度分割方法就是利用事物的层次结构性、多尺度性以及区域合并算法来创建最小单元,以一个像元为参考点,以相应的属性比较相邻像元的差异性,若差异性小于设定指数,则合并像元,若超出设定指数,则不合并。分割的目的在于使得每个最小单元都具有不同的属性。基于多尺度分割的面向对象的分类方法将遥感影像分割为一系列的同质区域,分割后的实体再经过信息提取处理即可得到所需的分割效果图。
为了进一步验证不同分割尺度参数的分割精度,本实施例分别采用分割尺度50、80、100、150、200、250、300、350和400对研究区域的卫星遥感影像进行分割;
由图3a-3i可知,分割尺度过大或过小都会导致最后分割的结果不精确。分割尺度选择的越大,遥感影像对象的范围越大并且个数也相应的减少。分割尺度较小处于50-150时,影像对象被分割的过于细碎,出现过度分割的情况,影响分割效果;分割尺度为250-400时,出现亚分割现象,遥感影像容易出现错分,从而造成地膜农田的漏分;分割尺度为200时,边界较为清晰,整体性较好,可以较为容易的与其他地物进行区分。本实施例所研究的地膜最佳的分割尺度为200。
有无地膜覆盖的农田在几何特征以及纹理特征等方面均有明显区别,本实施例所提取的特征包括光谱特征、几何特征以及纹理特征。
光谱特征至少包括:灰度均值、亮度和最大差分。光谱特征的灰度均值计算公式如公式(1)所示,
公式(1)表示对象在第i个波段所有灰度均值,式中vi为影像对象的像元值,n为波段个数;
光谱特征的亮度计算公式如公式(2)所示,
公式(2)表示对象内各波段灰度值的加权平均数,式中nL为波段个数,μi为对象i波段的均值;
光谱特征的最大差分的计算公式如公式(3)所示,
Max_diff=(μLmax-μLmin)/b (3);
公式(3)表示对象内各波段灰度均值间的最大差异,μLmax为对象最大波段值,μLmin为对象最小波段值。
纹理特征至少包括均一性、对比度、同质性、异质性、熵、角二阶矩、均值、相关性和标准差。利用灰度共生矩阵法GLCM提取纹理特征,并利用影像灰度级之间联合条件概率密度P(i,j/d,θ)表示纹理特征,其中P(i,j/d,θ)表示在给定空间距离d和方向θ时,灰度i为始点,出现灰度级为j的概率;
纹理特征的均值表示影像对象的灰度平均值,其计算公式如公式(4)所示,
纹理特征的标准差表示影像的灰度变化大小,其计算公式如公式(5)所示,
纹理特征的对比度表示衡量影像中局部的变化数量,其计算公式如公式(6)所示,
纹理特征的同质性反应影响对象的内在差异性,其计算公式如公式(7)所示,
纹理特征的异质性表示影像对象的灰度细节变化程度,其计算公式如公式(8)所示,
纹理特征的相关性表示与相邻像素灰度级的线形依赖,其计算公式如公式(9)所示,
纹理特征的信息熵表示反应影像对象的信息量大小,其计算公式如公式(10)所示,
纹理特征的角二阶矩表示对象内灰度分布的均一程度,其计算公式如公式(11)所示,
几何特征至少包括长宽比、边界长度、矩形拟合、紧凑度、密度、圆度和形状指数。利用设置相应规则和阈值对影像对象内的像素点位进行计算,以提取几何特征;
几何特征的长度表示影响对象长轴方向的长度,其计算公式如公式(12)所示,
几何特征的长宽比表示影像对象的长度与宽度的比值,其计算公式如公式(13)所示,
几何特征的密度表示影像对象的像素空间中的分布,其计算公式如公式(14)所示,
上式中,n为像元数目,X、Y为像元坐标;
几何特征的紧凑度用于表征影像对象的紧凑程度,其计算公式如公式(15)所示,
Compt=lw/A (15);
几何特征的形状指数用于描述影像对象边界的光滑程度,其计算公式如公式(16)所示,
上式中bl表示影响对象的周长;
几何特征的圆度表示影像对象与椭圆的相似程度,其计算公式如公式(17)所示,
Round=4·A/πl2 (17)。
但是遥感影像特征也不是提取得越多越好,特征太多会产生冗余信息,进而影响计算速度及分类精度,因此,本实施例利用机器学习回归优化方法对提取特征进行优化。如图4所示,为本实施例对特征优化过程示意图。
本实施例在多尺度分割以后分别提取最优分割尺度参数下的分割效果图中的光谱特征、几何以及纹理特征,如表1所示:
表1提取的特征
利用机器学习回归的方法将上述特征值进行优化,去除了纹理特征中的角二阶矩、均值、相关性和标准差4个特征,特征优化后提取的特征如表2所示:
表2特征优化后提取的特征
为了收集实地数据,于2016年4月中在研究区开展了实地调查,采集了地膜农田以及其他地物类型的样点数据。研究区的地物类型可分为地膜覆盖农田、建筑物、植被、水体及其他五种类型。每种地物采集的样本数量如表3所示。
表3样本数据
土地覆盖类型 | 样本数据 |
地膜覆盖农田 | 189 |
建筑物 | 165 |
植被 | 197 |
水体 | 64 |
其他 | 93 |
合计 | 708 |
对卫星影像数据进行多尺度分割和特征提取及优化后,再进行地膜农田识别,具体的,步骤S5包括:
步骤S51、获取待研究区域范围内的地物类型的调查样本;
步骤S52、将调查样本分为训练样本和验证样本;
步骤S53、采用随机森林方法对训练样本进行训练和类别预测;
步骤S54、获取地膜农田识别结果。
步骤S6包括:
S61、获取验证样本;
S62、利用混淆矩阵法和验证样本对地膜农田识别结果进行精度验证。
本实施例采用随机森林(Random Forest,RF)方法进行地膜农田识别,其核心为决策树和分类器,可以优化参数,建立多波段遥感影像数据模型,分类提取研究区影像地物。王克晓等人在提取水稻种植面积时,分类精度可达92%。
RF识别分类方法主要利用多棵决策树对样本进行训练以及类别预测,由于决策树使用的训练集是从总样集中有放回地采取出来,同时,在训练每棵树的节点时,所使用的每种特征都是以某种比例随机抽取的,因此总训练集中的样本可多次出现在一棵树的训练集中,也可能在一棵训练树中从未出现过,在保证训练样本的随机性的同时也避免了由于主观以及片面性所导致的分类误差。分类噪声对RF分类器的影响较小,在一定程度上也提高了分类精度。利用混淆矩阵法对地膜农田识别结果进行精度验证。混淆矩阵法估计参数包括总体分类精度,用户精度、制图精度以及Kappa系数。
如图5所示,本实施例利用高空间分辨率Pléiades遥感影像数据面向对象的分类方法,得到总体精度为79.61,用户精度为75.32,制图精度为77.84的遥感影像。能够有效识别地膜农田,总体识别精度为88.27%,用户精度为88.67%,制图精度为84.58%,kappa系数为0.88。
由图5可知地膜农田主要分布在研究区中部和东南部区域,能较为清楚地识别出各种地物类型,克服了基于像元分类方法产生的“椒盐”效应,有效提高了地膜农田遥感识别效果。
基于像元的分类方法对每个像元为单位的影像进行分类,其分类结果容易出现噪音,也容易受到一些外界条件(光照、云层)的干扰,需要抽取较多的分类样本。高空间分辨率遥感影像数据可以得到较为详细的地物信息,但是同种地物的光谱差异变大,不同种地物的光谱特征相互重叠,所以很难用在基于中低空间分辨率的遥感影像数据的分类方法上。基于面向对象分类方法的基本单元是经过分割得到的影像,根据高分辨率遥感影像数据的各种特征进行分类,得到的分类结果不同地物的影像对象的复杂程度较低。对分类结果的精度评价和目标地物的识别可以看出面向对象的分类方法是更加适合高空间分辨率遥感影像图像的信息提取。
如图6所示,本发明实施例还提供一种基于Pléiades和面向对象的地膜信息提取系统,包括
影像获取模块1,影像获取模块1用于获取待研究区域范围内的卫星影像数据;
预处理模块2,预处理模块2用于对卫星影像数据进行预处理;
影像分割模块3,影像分割模块3用于采用采用面向对象影像分析方法中的多尺度分割方法对预处理后的卫星影像数据进行分割,获取最优分割尺度下的分割对象;
对象特征提取模块4,对象特征提取模块4用于在最优分割尺度下提取分割对象上的光谱特征、纹理特征以及几何特征中的多种特征;
特征优化模块5,特征优化模块5利用随机森林机器学习回归优化方法对所述特征进行优化,获得优化特征子集;
地膜农田识别模块6,地膜农田识别模块6用于基于优化特征子集及样本数据,采用随机森林进行训练获得地膜农田识别结果;
精度验证模块7,精度验证模块7利用混淆矩阵法对地膜农田识别结果进行精度验证。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,包括以下步骤:
步骤S1、获取待研究区域范围内的卫星影像数据和调查样本,并对所述卫星影像数据进行预处理;所述卫星影像数据为Pléiades卫星数据;
步骤S2、采用面向对象影像分析方法中的多尺度分割方法对预处理后的卫星影像数据进行分割,获取最优分割尺度下的分割对象;
步骤S3、在最优分割尺度下提取所述分割对象上的光谱特征、纹理特征以及几何特征中的多种特征;
步骤S4、利用随机森林机器学习回归优化方法对步骤S3中的所述多种特征进行优化,获得优化特征子集;
步骤S5、基于所述优化特征子集及所述调查样本数据,采用随机森林进行训练获得地膜农田识别结果;
步骤S6、利用混淆矩阵法对所述地膜农田识别结果进行精度验证。
2.根据权利要求1所述的一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,所述步骤S1中对所述卫星影像数据进行预处理至少包括辐射定标、大气校正和几何校正。
3.根据权利要求1所述的一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,步骤S2包括:
S21、设定不同的分割尺度参数;
S22、根据步骤S21中不同的分割尺度参数分别对卫星影像数据进行分割,得到不同分割尺度参数下的分割效果图;所述分割效果图中每一个分割对象所包含的所有像元均存在相似性;
S23、比较不同分割尺度参数下的分割效果图,选取最优分割尺度参数下的分割效果图。
4.根据权利要求1所述的一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,步骤S3中的光谱特征包括:灰度均值、亮度和最大差分。
5.根据权利要求1所述的一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,步骤S3中的纹理特征包括均一性、对比度、同质性、异质性、熵、角二阶矩、均值、相关性和标准差。
6.根据权利要求1所述的一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,步骤S3中的几何特征包括长宽比、边界长度、矩形拟合、紧凑度、密度、圆度和形状指数。
7.根据权利要求1所述的一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,所述步骤S5包括:
步骤S51、获取待研究区域范围内的地物类型的调查样本;
步骤S52、将所述调查样本分为训练样本和验证样本;
步骤S53、采用随机森林方法对所述训练样本进行训练和类别预测;
步骤S54、获取地膜农田识别结果。
8.根据权利要求1所述的一种基于Pléiades和面向对象的地膜信息提取方法,其特征在于,步骤S6包括:
S61、获取验证样本;
S62、利用混淆矩阵法和验证样本对地膜农田识别结果进行精度验证。
9.一种基于Pléiades和面向对象的地膜信息提取系统,其采用权利要求1-8任一项所述的基于Pléiades和面向对象的地膜信息提取方法,其特征在于,包括
影像获取模块(1),所述影像获取模块(1)用于获取待研究区域范围内的卫星影像数据;
预处理模块(2),所述预处理模块(2)用于对所述卫星影像数据进行预处理;
影像分割模块(3),所述影像分割模块(3)用于采用采用面向对象影像分析方法中的多尺度分割方法对预处理后的卫星影像数据进行分割,获取最优分割尺度下的分割对象;
对象特征提取模块(4),所述对象特征提取模块(4)用于在最优分割尺度下提取分割对象上的光谱特征、纹理特征以及几何特征中的多种特征;
特征优化模块(5),所述特征优化模块(5)利用随机森林机器学习回归优化方法对所述特征进行优化,获得优化特征子集;
地膜农田识别模块(6),所述地膜农田识别模块(6)用于基于优化特征子集及样本数据,采用随机森林进行训练获得地膜农田识别结果;
精度验证模块(7),所述精度验证模块(7)利用混淆矩阵法对地膜农田识别结果进行精度验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524253.4A CN111723711A (zh) | 2020-06-10 | 2020-06-10 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524253.4A CN111723711A (zh) | 2020-06-10 | 2020-06-10 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723711A true CN111723711A (zh) | 2020-09-29 |
Family
ID=72566338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010524253.4A Pending CN111723711A (zh) | 2020-06-10 | 2020-06-10 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723711A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723712A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于雷达遥感数据和面向对象的地膜信息提取方法及系统 |
CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
CN113673339A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
CN114255247A (zh) * | 2021-12-22 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
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 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN107392926A (zh) * | 2017-09-18 | 2017-11-24 | 河海大学 | 基于前期土地专题图的遥感影像特征选择方法 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109299673A (zh) * | 2018-09-05 | 2019-02-01 | 中国科学院地理科学与资源研究所 | 城市群绿度空间提取方法及介质 |
CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
CN110245694A (zh) * | 2019-05-30 | 2019-09-17 | 农业农村部农业生态与资源保护总站 | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 |
CN111191628A (zh) * | 2020-01-06 | 2020-05-22 | 河海大学 | 基于决策树与特征优化的遥感影像震害建筑物识别方法 |
-
2020
- 2020-06-10 CN CN202010524253.4A patent/CN111723711A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
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 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN107392926A (zh) * | 2017-09-18 | 2017-11-24 | 河海大学 | 基于前期土地专题图的遥感影像特征选择方法 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109299673A (zh) * | 2018-09-05 | 2019-02-01 | 中国科学院地理科学与资源研究所 | 城市群绿度空间提取方法及介质 |
CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
CN110245694A (zh) * | 2019-05-30 | 2019-09-17 | 农业农村部农业生态与资源保护总站 | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 |
CN111191628A (zh) * | 2020-01-06 | 2020-05-22 | 河海大学 | 基于决策树与特征优化的遥感影像震害建筑物识别方法 |
Non-Patent Citations (4)
Title |
---|
哈斯图亚: "基于多源数据的地膜覆盖农田遥感识别研究", 《中国博士学位论文全文数据库 农业科技辑》, 15 February 2018 (2018-02-15), pages 043 - 2 * |
眭海刚等: "多时相遥感影像变化检测方法综述", 《武汉大学学报(信息科学版)》, no. 12, 5 December 2018 (2018-12-05), pages 132 - 145 * |
赵敏等: "面向对象的多特征分级CVA遥感影像变化检测", 《遥感学报》, no. 01, 25 January 2018 (2018-01-25), pages 123 - 135 * |
陈苏婷等: "多尺度多特征融合的高分辨率遥感影像分类", 《量子电子学报》, no. 04, 15 July 2016 (2016-07-15), pages 38 - 44 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723712A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于雷达遥感数据和面向对象的地膜信息提取方法及系统 |
CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
CN113673339A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
CN113673339B (zh) * | 2021-07-16 | 2024-02-23 | 北京农业信息技术研究中心 | 基于无人机影像的立地秸秆提取方法和装置 |
CN114255247A (zh) * | 2021-12-22 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723711A (zh) | 基于Pléiades和面向对象的地膜信息提取方法及系统 | |
Zhang et al. | Object-oriented method for urban vegetation mapping using IKONOS imagery | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
Watts et al. | Monitoring of cropland practices for carbon sequestration purposes in north central Montana by Landsat remote sensing | |
Shi et al. | Mapping plastic greenhouses using spectral metrics derived from GaoFen-2 satellite data | |
Guan et al. | Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
Xia et al. | Phenology-based decision tree classification of rice-crayfish fields from Sentinel-2 imagery in Qianjiang, China | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
CN111723712A (zh) | 基于雷达遥感数据和面向对象的地膜信息提取方法及系统 | |
Zhang et al. | Crop type mapping with temporal sample migration | |
Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
Tuya et al. | Potential of Pléiades and Radarsat-2 data for mapping plastic-mulched farmland using object-based image analysis | |
CN110210376A (zh) | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 | |
Cui et al. | Optimal spatial resolution of remote-sensing imagery for monitoring cantaloupe greenhouses | |
Cui et al. | AGTML: A novel approach to land cover classification by integrating automatic generation of training samples and machine learning algorithms on Google Earth Engine | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
You et al. | Crop Mapping of Complex Agricultural Landscapes Based on Discriminant Space | |
Dutta | Assessment of tea bush health and yield using geospatial techniques | |
Huang et al. | Extraction of agricultural plastic film mulching in karst fragmented arable lands based on unmanned aerial vehicle visible light remote sensing | |
Meresa et al. | Application of GIS and remote sensing to analyse land use land cover change detection and vegetation dynamics using multi-temporal satellite images; The case of Mariamdehan Kebele, Tigray Region, Northern Ethiopia | |
Youssefi et al. | Unsupervised zoning of cultivation areas with similar cultivation pattern in Golestan province based on the vegetation products of MODIS sensor | |
CN114724024B (zh) | 基于云计算平台和生命周期的双季作物种植界线自动化提取方法 |
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 |