CN111814809A - 遥感图像植被信息提取方法和装置 - Google Patents
遥感图像植被信息提取方法和装置 Download PDFInfo
- Publication number
- CN111814809A CN111814809A CN202010695626.4A CN202010695626A CN111814809A CN 111814809 A CN111814809 A CN 111814809A CN 202010695626 A CN202010695626 A CN 202010695626A CN 111814809 A CN111814809 A CN 111814809A
- Authority
- CN
- China
- Prior art keywords
- component
- image
- nhlvi
- remote sensing
- vegetation
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 2
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种遥感图像植被信息提取方法和装置,涉及遥感信息提取的技术领域,方法包括:获取待处理遥感图像;采用预先确定的阈值提取规则提取待处理遥感图像中植被信息,得到植被信息图像;其中,所述阈值提取规则为包括NHLVI分量的阈值范围和饱和度分量的阈值范围的提取规则。本发明能够适用于无红外光波段图像中植被信息的提取,能够提升植被信息提取精度。
Description
技术领域
本发明涉及遥感信息提取技术领域,尤其是涉及一种遥感图像植被信息提取方法和装置。
背景技术
植被信息自动提取最常用的典型方法是归一化植被指数(NormalizedDifference Vegetation Index,NDVI)法,该方法利用植被与其他地表覆盖类型对光谱反射率的差异来进行信息提取,提取精度高、适用性强,适应于高、中、低各种分辨率遥感影像。借鉴其良好的适用性,研究人员在NDVI原理基础上发展了多种可见光、近红外植被指数,并得到广泛应用,取得了显著成效。
然而,目前有些遥感平台并未搭载近红外传感器,采集的遥感影像只具有红(Red,R)、绿(Green,G)、蓝(Blue,B)3个可见光波段,无法计算NDVI;在此情况下,无法利用NDVI法,只能利用RGB可见光波段构建指数。而RGB 3个可见光波段之间相关性大,不能很好地反映植被信息。
发明内容
本发明的目的在于提供一种遥感图像植被信息提取方法和装置,能够适用于无红外光波段图像中植被信息的提取,能够提升植被信息提取精度。
第一方面,本发明提供的一种遥感图像植被信息提取方法,包括:
获取待处理遥感图像;
采用预先确定的阈值提取规则提取待处理遥感图像中植被信息,得到植被信息图像;其中,所述阈值提取规则为包括NHLVI分量的阈值范围和饱和度分量的阈值范围的提取规则。
在可选的实施方式中,通过如下方法确定阈值提取规则:
确定训练样本;
提取训练样本中的样本图斑层、NHLVI分量灰度图像、饱和度分量灰度图像,所述样本图斑层为植被矢量图层;
根据与所述样本图斑层空间重叠的NHLVI分量灰度图像中每个像素的NHLVI值确定NHLVI分量的最大值和NHLVI分量的最小值,根据与所述样本图斑层空间重叠的饱和度分量灰度图像中每个像素的饱和度值确定饱和度分量的最大值和饱和度分量的最小值;
根据NHLVI分量的最大值、NHLVI分量的最小值、饱和度分量的最大值和饱和度分量的最小值确定阈值提取规则。
在可选的实施方式中,所述待处理遥感图像为RGB遥感图像;获取待处理遥感图像的步骤之后还包括:
对所述待处理遥感图像进行从RGB空间至HSL空间的变换。
在可选的实施方式中,所述饱和度分量为HSL空间中的S分量,所述NHLVI分量为根据HSL空间中的H分量和L分量计算得到的。
在可选的实施方式中,所述阈值提取规则还包括RGB空间中的B分量的阈值范围,所述方法还包括:
根据B分量的阈值范围对所述遥感图像进行处理,得到植被信息结果图像。
在可选的实施方式中,对所述待处理遥感图像进行从RGB空间至HSL空间的变换包括:
将所述待处理遥感图像划分为多个栅格分块;
将所述待处理遥感图像按栅格分块进行RGB空间至HSL空间的变换。
第二方面,一种遥感图像植被信息提取装置,包括:
获取模块,用于获取待处理遥感图像;
提取模块,用于采用预先确定的阈值提取规则提取待处理遥感图像中植被信息,得到植被信息图像;其中,所述阈值提取规则为包括NHLVI分量的阈值范围和饱和度分量的阈值范围的提取规则。
在可选的实施方式中,还包括训练模块,所述训练模块包括:
样本确定模块,用于确定训练样本;
图层提取模块,用于提取训练样本中的样本图斑层、NHLVI分量灰度图像、饱和度分量灰度图像,所述样本图斑层为植被矢量图层;
数值计算模块,用于根据与所述样本图斑层空间重叠的NHLVI分量灰度图像中每个像素的NHLVI值确定NHLVI分量的最大值和NHLVI分量的最小值,根据与所述样本图斑层空间重叠的饱和度分量灰度图像中每个像素的饱和度值确定饱和度分量的最大值和饱和度分量的最小值;
阈值确定模块,用于根据NHLVI分量的最大值、NHLVI分量的最小值、饱和度分量的最大值和饱和度分量的最小值确定阈值提取规则。
第三方面,一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述第一方面任一项所述的方法的步骤。
第四方面,一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行前述第一方面任一项所述方法。
本发明提供的遥感图像植被信息提取方法和装置,通过采用与NHLVI分量的阈值范围和饱和度分量的阈值范围有关的阈值提取规则,对待处理遥感图像进行处理,提取植被信息,能够提升提取精度,同时适用于无红外光波段图像中植被信息的提取。本发明方法简单,易于实现。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的遥感图像植被信息提取方法的流程图;
图2为本发明实施例提供的遥感图像植被信息提取方法的另一个流程图;
图3为本发明实施例提供的遥感图像植被信息提取装置的原理图;
图4为本发明实施例提供的电子设备的原理图。
图标:31-获取模块;32-提取模块;400-电子设备;401-通信接口;402-处理器;403-存储器;404-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
随着航空航天遥感技术、传感器技术的快速发展,国内外发射遥感卫星的频率越来越高,空间分辨率、时间分辨率不断提升,丰富的遥感影像资源给植被地表覆盖信息提取、植被季节性变化研究、甚至是高频率的植被变化监测创造了可行条件,在全球及区域性生态环境监测、城市绿化监测、植被生长状况监测等方面发挥了重要作用;而良好的应用局面与海量的数据处理也给植被信息的准确、快速、自动提取提出了更高要求。
现有植被信息自动提取技术中,应用最广泛的是植被指数法,植被指数法是利用植被与其他地表覆盖类型对光谱反射率的差异来进行信息提取的方法。植被指数属于比值型指数,创建的基本原理是在多光谱波段内,寻找研究对象的最强反射波段和最弱反射波段,将强者置于分子,弱者置于分母,从而增强研究对象,抑制背景地物。目前,主要有基于近红外波段的植被指数和基于可见光波段的植被指数等类型。
(1)基于近红外波段的植被指数技术
这类植被指数是利用植物叶面在近红外波段有很强的反射特性、在可见光红光波段有很强的吸收特性的物理机理,通过这两类波段值的不同组合得到的。
航天遥感平台获取的遥感影像一般都包含B、G、R、NIR(Near Infrared,NIR)4个波段,因此,可利用基于近红外波段的植被指数方法反演植被信息。
其中,最具代表性的是NDVI法,其算式为:NDVI=(NIR-R)/(NIR+R),其中,NIR为近红外波段反射率,R为红色波段反射率。
NDVI可检测植被生长状态、植被覆盖度等。NDVI的值域范围为:-1<=NDVI<=1,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示有岩石或裸土等,NIR和R近似相等;正值,表示有植被覆盖,且随覆盖度增大而增大。
(2)基于可见光波段的植被指数技术
航空遥感平台获取的遥感影像一般都包含B、G、R 3个波段,而不包含NIR波段,因此,只能利用基于可见光波段的植被指数方法反演植被信息。
现在提出的可见光波段植被指数主要有:归一化绿红差异指数(NormalizedGreen Red Difference Index,NGRDI)、归一化绿蓝差异指数(Normalized Green BlueDifference Index,NGBDI)、红绿比值指数(Red Green Ratio Index,RGRI)、蓝绿比值指数(Blue Green Ratio Index,BGRI)、过绿指数(Excess Green,EXG)、植被指数(Vegetation,VEG)、超绿超红差分指数(Excess Green Minus Excess Red,EXGR)、植被颜色指数(ColorIndexVegetation,CIVE)、红绿蓝植被指数(Red Green Blue Vegetation Index,RGBVI)、可见光波段差异植被指数(Visible Difference Vegetation Index,VDVI)。它们的计算原理分别为:
NGRDI=(Green-Red)/(Green+Red);
NGBDI=(Green-Blue)/(Green+Blue);
RGRI=Red/Green;
BGRI=Blue/Green;
EXG=2*Green-Red-Blue;
VEG=Green/(Red0.67*Blue0.33);
EXGR=EXG-1.4*Red-Green;
CIVE=0.44*Red-0.88*Green+0.39*Blue+18.79;
RGBVI=(Green2-(Red*Blue))/(Green2+(Red*Blue));
VDVI=(2*Green-Red-Blue)/(2*Green+Red+Blue)。
上述算式中,Red表示R分量值;Green表示G分量值;Blue表示B分量值。
不同的可见光植被指数适用于不同的遥感影像,针对不同的遥感影像,需要试验不同的植被指数,以寻求最优的算法,用于提取植被信息。
在技术实施方面,现有的技术均是先计算植被指数,然后利用样本统计值,确定相应阈值,利用设计的规则,进行植被提取。
基于近红外波段的植被指数技术是目前植被信息自动提取最成熟、应用最广泛的技术,但是该技术的前提条件是影像必须具有NIR波段,当影像不具有NIR波段时,无法使用该技术。
基于可见光波段的植被指数技术单纯进行RGB 3个可见光波段的计算,未考虑RGB3个波段之间相关性大对植被信息提取准确性和精度带来的影响,在反映植被信息时进行定量分析存在一定的局限性。
基于此,本发明提出一种遥感图像植被信息提取方法和装置,本发明方法协同NHLVI、S指数提取植被信息,适用于无红外光波段图像中植被信息的提取,能够提升植被信息提取精度。下面通过实施例对本发明进行详细介绍。
参照图1,本发明提供的一种遥感图像植被信息提取方法,包括如下步骤:
S110,获取待处理遥感图像;
在本步骤中,待处理遥感图像优选为进行HSL空间转换后的图像,从而在下一步骤中根据H分量、S分量和L分量进行计算。
在HSL彩色空间中,植被具有一些独有的特征,与非植被相区别,例如,其H、S值大于道路、裸土,L值小于道路、裸土等。
S120,采用预先确定的阈值提取规则提取待处理遥感图像中植被信息,得到植被信息图像;其中,阈值提取规则为包括NHLVI分量的阈值范围和饱和度分量的阈值范围的提取规则。
在本步骤中,饱和度分量的阈值范围指的是S分量的阈值;要确定NHLVI分量的阈值范围,需要计算NHLVI分量。本实施例根据植被与非植被在HSL彩色空间中的差异,利用H、L构造一种归一化色调亮度植被指数NHLVI,NHLVI可作为可见光植被提取的一项指标,NHLVI计算公式为:
算式(1)中,H、L分别为归一化色调和亮度值,其取值范围为[0,1];N为归一化色调亮度植被指数NHLVI,其取值范围为[-1,1]。
对于S分量,在根据待处理遥感图像计算NHLVI分量灰度图像后,待处理遥感图像便具有NHLVI、H、S、L、R、G、B 7个分量。基于各分量灰度影像,分析植被与非植被在NHLVI、H、S、L、R、G、B各分量的特征,选择与非植被(指房屋、裸露地、道路、水体等)有明显差异的分量,作为植被提取的指标。本实施例通过试验确定选择NHLVI、S分量作为植被提取的指标。本实施例的待处理遥感图像无需具有NIR波段,能够适用于无红外光波段图像中植被信息的提取;由于NHLVI比较稳定,与地面实测数据和近红外植被指数的NDVI数据具有较高的相关性,在可见光植被指数中具有一定的优势;又由于本实施例不单单提取NHLVI分量,还提取S分量,采用NHLVI分量与S分量协同的方式提取植被信息,且NHLVI分量与S分量相关性不大,从而能够提升植被信息提取精度。
进一步地,通过如下方法确定阈值提取规则:
确定训练样本;
提取训练样本中的样本图斑层、NHLVI分量灰度图像、饱和度分量灰度图像,样本图斑为植被矢量图层;
根据与样本图斑层空间重叠的NHLVI分量灰度图像中每个像素的NHLVI值确定NHLVI分量的最大值和NHLVI分量的最小值,根据与样本图斑层空间重叠的饱和度分量灰度图像中每个像素的饱和度值确定饱和度分量的最大值和饱和度分量的最小值;
根据NHLVI分量的最大值、NHLVI分量的最小值、饱和度分量的最大值和饱和度分量的最小值确定阈值提取规则。
具体地,确定训练样本时,首先需要创建多边形适量图层,用于存储植被样本。然后,需要从待处理遥感图像中采集植被样本图斑层,其中,样本图斑层尽可能为纯粹遥感图像,即尽可能兼顾不同植被类型(此处类型是指林地、草地等)、尽可能覆盖整景遥感影像。最后,将得到的植被样本图斑层存储在训练样本中。
提取NHLVI分量灰度图像时,需要计算训练样本中每个像素的N指数值,根据N指数值得到NHLVI分量灰度图像。具体方法为:将训练样本进行RGB至HSL的空间变换后,逐个读取每个像素的H、S、L值,按照算式(1)计算每个像素的N指数,计算结果用灰度图进行记录和表达,即得到NHLVI分量灰度图像,该图像只有N波段。
同理,饱和度分量灰度图像需要计算训练样本中每个像素的S分量,得到饱和度分量灰度图像。
在地理信息系统专业软件中(例如ArcGIS商业软件),打开样本图斑层(样本图斑矢量图层)、NHLVI分量灰度图像、S分量灰度图像,这些图层在空间坐标上是匹配的。以NHLVI值为例,比较某一个样本图斑所重叠的NHLVI分量灰度图像中若干个像素的NHLVI值,得到各图斑内NHLVI值的最小值、最大值;统计各个样本NHLVI值的最大值及最小值,从而得到NHLVI分量的最大值、NHLVI分量的最小值,从而得到NHLVI分量的阈值范围。同理,以同样的方法得到饱和度分量的最大值和饱和度分量的最小值,从而得到饱和度分量的阈值范围。
根据上述两个阈值范围确定阈值提取规则,从而根据该阈值提取规则对目标图像进行处理,得到植被信息图层。例如,NHLVI值的最大值max1、最小值为min1,S值的最大值max2、最小值为min2;那么阈值提取规则为:min1≤N≤max1并且min2≤S≤max2。
具体可通过下述方法得到植被信息图层:例如,遥感图像的行列数大小为5000×9000,提取得到的N指数、S分量范围均为[-1,1]。通过样本训练得出植被的N指数分量、S分量阈值分别是[0.51,0.75]、[0,0.36],那么新建一个5000×9000大小的空图像,满足植被阈值的填入1,表示植被,其余填入0,表示非植被;从而得到植被信息图层。
本实施例将植被样本图斑层与NHLVI、S分量灰度图像进行空间叠置分析,并统计出各图层内NHLVI、S分量的最小值、最大值,从而得到训练样本图像全域所有植被样本图斑的NHLVI、S分量最小值、最大值;根据上述两个分量的最大值和最小值确定阈值提取规则。
可选地,待处理遥感图像为RGB遥感图像;步骤S110之后还包括:
对待处理遥感图像进行从RGB空间至HSL空间的变换。
在本实施例中,由于遥感图像通常包含B、G、R 3个可见光波段,而不包含H、S、L波段,因此需要进行彩色空间转换。
彩色系统有很多种,RGB是其中运用最广泛的系统之一,它通过对RGB 3个颜色通道的变化以及它们之间的叠加来得到各种颜色。RGB模型将颜色描述在立方体坐标系内,通常将黑色置于三维直角坐标系的原点,RGB分别置于3个坐标轴土,整个立方体放在第1卦限内。这个标准几乎表达了人类视力所能感知的所有颜色。
HSL模型也是运用最广泛的颜色系统之一,在HSL模型中,所有颜色用色调、饱和度和亮度这3个基本参数描述。色调是色彩的基本属性,就是平常所说的颜色名称,如红色、黄色等。饱和度是指色彩的纯度,饱和度越高,色彩越纯,饱和度越低,则逐渐变灰,其数值范围为0-100%。亮度与地物种类有关,其数值范围为0-100%。HSL模型将颜色描述在圆柱体坐标系内,这个圆柱体的中心轴取值为自底部的黑色到顶部的白色,而在它们中间的是灰色,绕这个轴的角度对应于色调,到这个轴的距离对应于饱和度,而沿着这个轴的高度对应于亮度。
HSL颜色模型与RGB颜色模型的不同之处在于:RGB是一种心理物理色的颜色系统,而HSL是一种基于知觉色的颜色系统。
RGB至HSL彩色空间变换,即将颜色从RGB立方体变换至HSL圆柱体,其变换原理为:对于任何一组RGB值,在HSL彩色空间中对应于亮度值为L的剖面上的点,参数L与RGB值中的最大值相等,参数S等于剖面的圆心点到L轴的相对距离,参数H等于该点绕圆柱体中心轴的角度,总体上将该角度从0-360°按照红、黄、绿、青、蓝和品红对应的角度分成6个扇区。
由变换原理可以看出,L值与影像颜色成分的最大量有关,影像越趋于黑色,L值越小,影像越趋于明亮的白色,L值越大;S值与影像最大颜色成分和最小颜色成分的差量有关,影像越趋于灰度,S值越小,影像越趋于鲜艳,S值越大,人们感知的影像色彩越丰富;L值决定了人们感知的影像颜色。
RGB至HSL彩色空间变换算式如下:
L=maxRGB;
上式中,R、G、B分别为RGB彩色空间中红、绿、蓝颜色成分值,均进行了归一化处理,其取值范围为[0,1];maxRGB、minRGB分别为红、绿、蓝颜色成分值中的最大值、最小值;H、S、L分别为HSL彩色空间中色调、饱和度、亮度值。
在上述实施例中,饱和度分量为HSL空间中的S分量,NHLVI分量为根据HSL空间中的H分量和L的分量计算得到的。
优选地,阈值提取规则还包括RGB空间中的B分量的阈值范围,上述实施例的方法还包括如下步骤:
根据B分量的阈值范围对遥感图像进行处理,得到植被信息结果图像。
在本实施例中,由于有些图像跟进上述实施例的方法进行植被信息提取后,往往会存在地表覆盖类型混淆的情况,为了进一步提高提取精度,需要根据B分量(蓝色分量)提出植被中混淆的非植被,从而得到植被信息结果图像。这是因为地表覆盖的非植被(如房屋、水体、道路、裸露地等)的B分量与植被的B分量有明显差异。
进一步地,对待处理遥感图像进行从RGB空间至HSL空间的变换包括:
将待处理遥感图像划分为多个栅格分块;
将待处理遥感图像按栅格分块进行RGB空间至HSL空间的变换。
具体地,在本实施例中,对划分的栅格分块逐块进行变换,在每个栅格分块中,逐像素进行RGB至HSL彩色空间变换计算,得到像素的HSL值,写入定义好的数组中;写入完成后,将此数据块的内存空间释放,循环处理下一个数据块,直至该数据的所有数据块均计算完毕,将整个数据的坐标信息、投影信息写入影像中。
优选地,在本实施例中,在数据HSL变化过程中,需要进行异常处理和运行状态监测。包括数据打不开时的处理、运行进度监测,以保证数据计算无异常。例如,如果出现数据打不开时,则跳过该数据,循环至下一个数据,数据输入模块用于RGB遥感影像输入。
本实施例中,数据输入支持tif、img常用遥感图像格式,影图像各波段的比特率与数据类型为16bit UInt型或8bit UInt型,为了增强系统的兼容性,输入图像的波段数不限,只要保证前3个波段依次为B、G、R波段即可。理论上数据量大小不限,以便系统正常运行。
数据进行彩色空间转换完成后,进行数据输出;数据输出为H、S、L 3个波段合成的彩色影像,比特率为32bit Float型;如果输入的RGB影像各波段的比特率为8bit,计算得到的L值在参与后续计算中需要乘以256;考虑大数据输出,将数据输出格式统一定义为img格式。
参照图2,本实施例在具体实施时,可通过如下实现步骤:
S200:获取RGB遥感图像;
S210:RGB至HSL彩色空间变换;
S220:NHLVI分量计算;
S230:植被提取指标确定;
S240:植被样本采集;
S250:植被样本特征统计;
S260:确定阈值提取规则;
S270:植被信息提取;
S280:植被中非植被信息剔除;
S290:得到植被信息结果图像。
综上所述,本实施例的方法利用HSL彩色空间中H、S、L各分量相关性小于R、G、B各分量相关性的特性,将影像从RGB彩色空间变换至HSL彩色空间,得到有利于植被信息提取的分量;从而能够实现只具有RGB3个可见光波段的遥感影像的植被信息高精度提取。本实施例通过构建NHLVI指数,使得影像具有NHLVI、H、S、L、R、G、B 7个特征分量,基于各分量灰度影像,分析植被与非植被在NHLVI、H、S、L、R、G、B各分量的特征,选择植被与非植被有明显差异的分量,作为植被提取的指标,从而实现以尽可能少的、最优的指标协同,满足植被信息提取需求,具有较高的实用性。
本实施例自动提取的植被结果中,往往会存在地表覆盖类型混淆的情况,本实施例通过植被与非植被在NHLVI、H、S、L、R、G、B各分量的特征分析,确定用于剔除非植被的特征分量,实现了对非植被进行剔除,提高了精度。由于高分辨率遥感图像数据量较大,单景影像有的超过10GB甚至更大,并且大区域范围涉及景数较多,有批量处理的需求,现有的处理效率难以满足需求。本实施例通过RGB至HSL彩色空间变换,采用栅格分块算法解决大数据输入瓶颈、计算承载能力受限、计算内存溢出、计算结果一体化输出效率较低的问题,采用数据集内循环机制解决影像数据批量变换的问题,提升效率,满足应用需求。
参照图3,一种遥感图像植被信息提取装置,包括:
获取模块31,用于获取待处理遥感图像;
提取模块32,用于采用预先确定的阈值提取规则提取待处理遥感图像中植被信息,得到植被信息图像;其中,阈值提取规则为包括NHLVI分量的阈值范围和饱和度分量的阈值范围的提取规则。
本实施例的获取模块31中的待处理遥感图像无需具有NIR波段,能够适用于无红外光波段图像中植被信息的提取;由于NHLVI比较稳定,与地面实测数据和近红外植被指数的NDVI数据具有较高的相关性,在可见光植被指数中具有一定的优势;又由于本实施例的提取模块32不单单提取NHLVI分量,还提取S分量,采用NHLVI分量与取S分量协同的方式提取植被信息,从而能够提升植被信息提取精度。
在可选的实施方式中,还包括训练模块,训练模块包括:
样本确定模块,用于确定训练样本;
图层提取模块,用于提取训练样本中的样本图斑层、NHLVI分量灰度图像、饱和度分量灰度图像,样本图斑为植被矢量图层;
数值计算模块,用于根据与样本图斑层空间重叠的NHLVI分量灰度图像中每个像素的NHLVI值确定NHLVI分量的最大值和NHLVI分量的最小值,根据与样本图斑层空间重叠的饱和度分量灰度图像中每个像素的饱和度值确定饱和度分量的最大值和饱和度分量的最小值;
阈值确定模块,用于根据NHLVI分量的最大值、NHLVI分量的最小值、饱和度分量的最大值和饱和度分量的最小值确定阈值提取规则。
可选地,待处理遥感图像为RGB遥感图像;上述实施例的装置还包括如下模块:
空间变换模块,用于对待处理遥感图像进行从RGB空间至HSL空间的变换。
可选地,上述实施例的装置中,饱和度分量为HSL空间中的S分量,NHLVI分量为根据HSL空间中的H分量和L的分量计算得到的。
可选地,阈值提取规则还包括RGB空间中的B分量的阈值范围,上述实施例的装置还包括如下模块:
B分量处理模块,用于根据B分量的阈值范围对遥感图像进行处理,得到植被信息结果图像。
进一步地,上述实施例中的空间变换模块包括如下模块:
栅格划分模块,用于将待处理遥感图像划分为多个栅格分块;
栅格转换模块,用于将待处理遥感图像按栅格分块进行RGB空间至HSL空间的变换。
综上所述,本实施例的装置,通过提取模块32实现NHLVI指数与饱和度指数协同实现植被提取,通过空间变换模块实现基于RGB彩色空间至HSL彩色空间变换,通过B分量处理模块实现蓝色波段分量非植被剔除;本实施例解决了遥感图像只具有RGB 3个可见光波段的情况下、高精度自动提取植被信息的问题;通过多项指数的协同,使得在一些地表覆盖细节上,提取精度高于现有技术;通过空间变换模块包括的栅格划分模块和栅格转换模块,首次解决了变换中大数据处理、数据批量处理难题,采用栅格分块算法保障大数据输入运行正常、计算承载能力不受限、计算内存不溢出、计算结果一体化输出并且处理高效,采用数据集内循环机制保障影像数据实现批量变换,提升效率,满足应用需求,本实施例功能实用、性能稳定,为大规模遥感影像从RGB彩色空间至HSL彩色空间变换提供了可行的解决方案。
参见图4,本发明实施例还提供了一种电子设备400,包括通信接口401、处理器402、存储器403以及总线404,处理器402、通信接口401和存储器403通过总线404连接;上述存储器403用于存储支持处理器402执行上述遥感图像植被信息提取方法的计算机程序,上述处理器402被配置为用于执行该存储器403中存储的程序。
可选地,本发明实施例还提供一种具有处理器402可执行的非易失的程序代码的计算机可读介质,程序代码使处理器402执行如上述实施例中的遥感图像植被信息提取方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种遥感图像植被信息提取方法,其特征在于,包括:
获取待处理遥感图像;
采用预先确定的阈值提取规则提取待处理遥感图像中植被信息,得到植被信息图像;其中,所述阈值提取规则为包括NHLVI分量的阈值范围和饱和度分量的阈值范围的提取规则。
2.根据权利要求1所述的方法,其特征在于,通过如下方法确定阈值提取规则:
确定训练样本;
提取训练样本中的样本图斑层、NHLVI分量灰度图像、饱和度分量灰度图像,所述样本图斑层为植被矢量图层;
根据与所述样本图斑层空间重叠的NHLVI分量灰度图像中每个像素的NHLVI值确定NHLVI分量的最大值和NHLVI分量的最小值,根据与所述样本图斑层空间重叠的饱和度分量灰度图像中每个像素的饱和度值确定饱和度分量的最大值和饱和度分量的最小值;
根据NHLVI分量的最大值、NHLVI分量的最小值、饱和度分量的最大值和饱和度分量的最小值确定阈值提取规则。
3.根据权利要求1所述的方法,其特征在于,所述待处理遥感图像为RGB遥感图像;获取待处理遥感图像的步骤之后还包括:
对所述待处理遥感图像进行从RGB空间至HSL空间的变换。
4.根据权利要求3所述的方法,其特征在于,所述饱和度分量为HSL空间中的S分量,所述NHLVI分量为根据HSL空间中的H分量和L分量计算得到的。
5.根据权利要求3所述的方法,其特征在于,所述阈值提取规则还包括RGB空间中的B分量的阈值范围,所述方法还包括:
根据B分量的阈值范围对所述遥感图像进行处理,得到植被信息结果图像。
6.根据权利要求3所述的方法,其特征在于,对所述待处理遥感图像进行从RGB空间至HSL空间的变换包括:
将所述待处理遥感图像划分为多个栅格分块;
将所述待处理遥感图像按栅格分块进行RGB空间至HSL空间的变换。
7.一种遥感图像植被信息提取装置,其特征在于,包括:
获取模块,用于获取待处理遥感图像;
提取模块,用于采用预先确定的阈值提取规则提取待处理遥感图像中植被信息,得到植被信息图像;其中,所述阈值提取规则为包括NHLVI分量的阈值范围和饱和度分量的阈值范围的提取规则。
8.根据权利要求7所述的装置,其特征在于,还包括训练模块,所述训练模块包括:
样本确定模块,用于确定训练样本;
图层提取模块,用于提取训练样本中的样本图斑层、NHLVI分量灰度图像、饱和度分量灰度图像,所述样本图斑层为植被矢量图层;
数值计算模块,用于根据与所述样本图斑层空间重叠的NHLVI分量灰度图像中每个像素的NHLVI值确定NHLVI分量的最大值和NHLVI分量的最小值,根据与所述样本图斑层空间重叠的饱和度分量灰度图像中每个像素的饱和度值确定饱和度分量的最大值和饱和度分量的最小值;
阈值确定模块,用于根据NHLVI分量的最大值、NHLVI分量的最小值、饱和度分量的最大值和饱和度分量的最小值确定阈值提取规则。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至6任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695626.4A CN111814809A (zh) | 2020-07-17 | 2020-07-17 | 遥感图像植被信息提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695626.4A CN111814809A (zh) | 2020-07-17 | 2020-07-17 | 遥感图像植被信息提取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814809A true CN111814809A (zh) | 2020-10-23 |
Family
ID=72865652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010695626.4A Pending CN111814809A (zh) | 2020-07-17 | 2020-07-17 | 遥感图像植被信息提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651312A (zh) * | 2020-12-15 | 2021-04-13 | 北京林业大学 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN108242078A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种三维可视化的地表环境模型生成方法 |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
-
2020
- 2020-07-17 CN CN202010695626.4A patent/CN111814809A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN108242078A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种三维可视化的地表环境模型生成方法 |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
Non-Patent Citations (2)
Title |
---|
毛智慧 等: "利用色调—亮度彩色分量的可见光植被指数", 中国图象图形学报, vol. 22, no. 11, pages 1602 - 1610 * |
赵叶 等: "基于多时相遥感数据和HSV 变换的越冬前冬小麦面积提取", 中国农业信息, vol. 31, no. 6, pages 21 - 28 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651312A (zh) * | 2020-12-15 | 2021-04-13 | 北京林业大学 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
US9805293B2 (en) | Method and apparatus for object recognition in image processing | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
CN114595975A (zh) | 基于深度学习模型的无人机遥感松材线虫病害监测方法 | |
CN105184251B (zh) | 一种基于高分一号卫星图像的水华区域的识别方法及装置 | |
CN113176211B (zh) | 一种基于hsv颜色空间模型变换的日间云检测方法 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN113920143A (zh) | 基于无人机遥感影像的亚田块边界提取方法及装置 | |
CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
CN111814809A (zh) | 遥感图像植被信息提取方法和装置 | |
CN112818880B (zh) | 基于深度学习的航拍图像植被提取与分类方法 | |
CN107239886B (zh) | 基于高分卫星遥感数据的gdp密度分析系统 | |
CN116129278B (zh) | 一种基于遥感影像的土地利用分类识别系统 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
JP2001357380A (ja) | 画像処理による森林地域の評価方法及びこの評価に関するプログラムを記憶した記憶媒体 | |
CN116189021A (zh) | 多分支互交叉注意力增强的无人机多光谱目标检测方法 | |
CN116385894A (zh) | 基于遥感图像的海岸线识别方法、装置以及设备 | |
CN115631419A (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
de Moura Fernandes et al. | Aboveground biomass estimation in dry forest in northeastern Brazil using metrics extracted from sentinel-2 data: Comparing parametric and non-parametric estimation methods | |
CN115598071A (zh) | 植物生长分布状态检测方法及装置 | |
CN114386828A (zh) | 海岛景观三维指数构建方法 | |
Alba et al. | Land cover change detection in Southern Brazil through orbital imagery classification methods |
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 |