CN112258523A - 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 - Google Patents
一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 Download PDFInfo
- Publication number
- CN112258523A CN112258523A CN202011121927.2A CN202011121927A CN112258523A CN 112258523 A CN112258523 A CN 112258523A CN 202011121927 A CN202011121927 A CN 202011121927A CN 112258523 A CN112258523 A CN 112258523A
- Authority
- CN
- China
- Prior art keywords
- enteromorpha
- pixel
- follows
- index
- image
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于中低分辨率遥感影像浒苔覆盖信息精细提取方法,基本步骤为:数据源筛选与预处理;计算预处理后影像的4个植被指数,得到各植被指数的灰度图,对各灰度图进行局部自适应阈值分割;计算初始浒苔覆盖范围;提取浒苔分布粗略范围及其光谱信息;构建并训练浒苔提取模型;提取浒苔覆盖精细范围。本发明提供的方法科学合理,综合考虑了多个植被指数提取浒苔覆盖信息的准确性、神经网络样本均衡及中低分辨率遥感影像中浒苔像元的谱_空_时特征,可在一定程度上提高浒苔覆盖信息提取方法的普适性与准确性。
Description
技术领域
本发明属于海洋遥感探测技术领域,具体涉及一种中低分辨率遥感影像浒苔覆盖信息精细提取方法。
背景技术
近年我国海域浒苔灾害频发,不仅导致海洋生态失衡,还造成一定经济损失。然而,浒苔的空间分布变化快速,船载监测难以满足快速获取浒苔发展态势的需求。遥感技术具有大范围、多频次等优点,利用卫星遥感对浒苔监测可快速确定浒苔暴发的位置、时间和密度。中低分辨率遥感影像数据凭借较高的时间分辨率与大面积的监测范围,已成为近年浒苔遥感动态监测应用中主要的数据源。
现有适用于中低分辨率遥感影像的浒苔遥感监测方法主要有阈值法和分类法等,固定阈值法的阈值选取困难;自适应阈值法的单一植被指数不适用于所有浒苔分布情形;以中低分辨率浒苔遥感影像为输入的二维卷积神经网络存在浒苔光谱特征维度压缩、空间特征学习不充分及样本不均衡的问题,影响浒苔提取精度。鉴于此,本发明利用多个植被指数进行局部自适应阈值分割,提高了浒苔覆盖信息提取的准确性;提取浒苔分布粗略范围,均衡了浒苔与背景数量;考虑了各像元间的谱_空_时特征对浒苔覆盖范围进行精细提取,提高了浒苔覆盖信息提取精度。
发明内容
(一)要解决的技术问题
为解决上述问题,本发明提供了一种中低分辨率遥感影像浒苔覆盖信息精细提取方法,以提高浒苔提取方法的普适性与准确性。
(二)技术方案
本发明包含以下步骤:
(1)选取能完整覆盖研究区域的中低分辨率遥感影像Im;
其中,影像选取要求:浒苔暴发期间的遥感影像,研究区域内云量小于10%且不遮盖浒苔;
(2)对步骤(1)中选取的遥感影像Im进行几何校正、图像裁剪、陆地掩膜和目视解译云掩膜,得到处理后的影像I;
(3)计算影像I的归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、增强植被指数EVI,得到各植被指数的灰度图gindex,分别gNDVI、gRVI、gDVI、gEVI,对各灰度图gindex进行局部自适应阈值分割;
其中,植被指数计算与局部自适应阈值分割的步骤分别如下:
3.1)植被指数计算:分别计算步骤(2)所得影像I的NDVI、RVI、DVI、EVI,得到各植被指数的灰度图gindex;
其中,影像I各处像元的各植被指数的计算公式如下:
式中,(i,j)代表第i行的第j列,Rnir(i,j)、Rred(i,j)、Rblue(i,j)分别为影像I的(i,j)处像元的近红外波段、红光波段、蓝光波段的反射率,C1、C2和L为常量,根据数据源的差异取不同值;
3.2)对步骤3.1)所得灰度图gindex进行局部自适应阈值分割;
其中,局部自适应阈值分割的步骤如下:
3.2.1)计算步骤3.1)所得灰度图gindex各像元的阈值Tindex(i,j);
其中,Tindex(i,j)的计算公式如下:
式中,gindex(i,j)代表灰度图gindex的(i,j)处像元的像元值,index分别为NDVI、RVI、DVI、EVI,k1为标准差影响因子,取值范围为(0,1),R为标准差的动态范围,r为开窗大小;
3.2.2)对各灰度图gindex进行二值化操作,得到二值图Gindex;
其中,各灰度图gindex各像元的二值化过程如下:
式中,Gindex(i,j)为Gindex的(i,j)处像元的像元值,0代表该像元为背景,1代表该像元为浒苔;
(4)利用步骤(3)所得各二值图Gindex计算初始浒苔覆盖范围Gcover;
其中,初始浒苔覆盖范围Gcover中各像元的像元值Gcover(i,j)的计算过程如下:
式中,0代表该像元为背景,1代表该像元为浒苔;
(5)利用步骤(4)所得初始浒苔覆盖范围Gcover提取浒苔分布粗略范围Gdistribute;
(6)提取浒苔分布粗略范围Gdistribute的光谱信息;
其中,浒苔分布粗略范围Gdistribute的光谱信息提取步骤如下:
6.3)光谱信息归一化:
6.3.2)对X进行归一化处理,得到归一化后的数据X*;
(7)构建并训练浒苔提取模型M;
其中,浒苔提取模型M的构建与训练流程分别如下:
7.1)采用1DCNN-BiLSTM神经网络构建浒苔提取模型M,该网络包括输入层、1D-CNN层、Bi-LSTM层、全局平均池化层、全连接层和输出层;
7.2)在历年能完整覆盖研究区域的中低分辨率遥感影像中选取不同时相的num张影像,num≥20,按步骤(2)-(6)对影像进行处理,制作训练样本并设置超参数,对浒苔提取模型M进行训练;
(8)提取浒苔覆盖精细范围Ggreentide;
其中,浒苔覆盖精细范围Ggreentide的提取步骤如下:
其中,Ggreentide中各像元的像元值Ggreentide(i,j)的计算过程如下:
优选地,步骤3.2.1)中,k1取0.5,R取128,r取5。
优选地,步骤(5)中,浒苔分布粗略范围Gdistribute的提取步骤如下:
1)提取步骤(4)所得的初始浒苔覆盖范围Gcover中所有的浒苔像元位置,以集合location1表示,具体公式如下:
location1={(i,j)|Gcover(i,j)=1}
式中,Gcover(i,j)为Gcover中(i,j)处像元的像元值;
2)在集合location1中任选一点P1=(i1,j1),将location1中与P1距离小于2α的全部点取出,组成集合location2,具体公式如下:
式中,α取2.5;
3)在location2中任选一点P2=(i2,j2),以α为半径,过点P1和P2作两个圆Cir1和Cir2,计算两个圆的圆心坐标;
其中,圆Cir1和Cir2的圆心坐标的计算公式如下:
式中,为点P1与点P2构成方向向量的垂直向量,坐标为(a1,a2),d为圆心到点P1和P2构成的线段D12的距离,(icir1,jcir1)为Cir1的圆心坐标,(icir2,jcir2)为Cir2的圆心坐标;
4)执行判断:若Cir1和Cir2中任一圆内部不包含location2中除P2外任一点,则D12为location2的一个非凸边缘;
5)选择location2中的下一个点按步骤3)-4)进行判断,直到遍历location2中全部点;
6)选择location1中的下一个点按步骤2)-5)进行判断,直到遍历location1中全部点;
7)此时找到location1的全部非凸边缘,其所围区域即为浒苔分布粗略范围Gdistribute。
优选地,步骤6.2)中,分数阶微分的计算公式如下:
优选地,步骤6.3.2)中,归一化处理的步骤如下:
其中,数据X中第h行o列的反射率X(h,o)的归一化公式如下:
式中,Xmin,h为X(h,o)所在列所有反射率中的最小值,Xmax,h为X(h,o)所在列所有反射率中的最大值,X(h,o) *为X(h,o)归一化后的反射率。
优选地,步骤7.1)中1D-CNN层、Bi-LSTM层、输出层的具体结构为:
1D-CNN层有2层,第1层1D-CNN的卷积核大小为7×1,数量为128,激活函数为relu;第2层1D-CNN的卷积核大小为5×1,数量为128,激活函数同第1层;每层1D-CNN层后接1个批标准化层和1个辍学层;
其中,激活函数relu的具体公式如下:
式中,u为神经元的输入;
Bi-LSTM层有2层,每层Bi-LSTM层由双向的LSTM层组合而成,其隐藏层的神经元个数为128,激活函数为tanh,每层Bi-LSTM层后接1个批标准化层;
其中,激活函数tanh的具体公式如下:
式中,u为神经元的输入;
输出层的激活函数为softmax,具体公式如下:
优选地,步骤7.2)中的超参数设置为:辍学层的概率为0.1、迭代次数为1000、批大小为64、学习率为0.001。
(三)有益效果
本方法的优点体现在:
本发明提供了一种中低分辨率遥感影像浒苔覆盖信息精细提取方法,该方法综合考虑了多个植被指数提取浒苔覆盖信息的准确性、神经网络样本均衡及中低分辨率遥感影像中浒苔像元的谱_空_时特征,可在一定程度上提高浒苔覆盖信息提取方法的普适性与准确性,为浒苔灾害遥感业务化提供了技术支撑。
附图说明
图1为本发明的流程图;
图2为本发明实施例的详细流程图;
图3为本发明的1DCNN-BiLSTM神经网络的网型结构图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图与实施例,对本发明的具体实施方式作进一步详细描述:
参照图1,以GOCI影像作为数据源为例,本发明实施例的详细流程如图2所示,具体实施步骤为:
(1)选取能完整覆盖研究区域的中低分辨率遥感影像Im;
其中,影像选取要求:浒苔暴发期间的遥感影像,研究区域内云量小于10%且不遮盖浒苔。
(2)对步骤(1)中选取的遥感影像Im进行几何校正、图像裁剪、陆地掩膜和目视解译云掩膜,得到处理后的影像I。
(3)计算影像I的归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、增强植被指数EVI,得到各植被指数的灰度图gindex,分别gNDVI、gRVI、gDVI、gEVI,对各灰度图gindex进行局部自适应阈值分割;
其中,植被指数计算与局部自适应阈值分割的步骤分别如下:
3.1)植被指数计算:分别计算步骤(2)所得影像I的NDVI、RVI、DVI、EVI,得到各植被指数的灰度图gindex;
其中,影像I各处像元的各植被指数的计算公式如下:
式中,(i,j)代表第i行的第j列,Rnir(i,j)、Rred(i,j)、Rblue(i,j)分别为影像I的(i,j)处像元的近红外波段、红光波段、蓝光波段的反射率,在GOCI影像中,C1、C2和L分别取6.0、7.5和1.0;
3.2)对步骤3.1)所得灰度图gindex进行局部自适应阈值分割;
其中,局部自适应阈值分割的步骤如下:
3.2.1)计算步骤3.1)所得灰度图gindex各像元的阈值Tindex(i,j);
其中,Tindex(i,j)的计算公式如下:
式中,gindex(i,j)代表灰度图gindex的(i,j)处像元的像元值,index分别为NDVI、RVI、DVI、EVI,k1为标准差影响因子,取值范围为(0,1),R为标准差的动态范围,r为开窗大小;
优选地,k1取0.5,R取128,r取5;
3.2.2)对各灰度图gindex进行二值化操作,得到二值图Gindex;
其中,各灰度图gindex各像元的二值化过程如下:
式中,Gindex(i,j)为Gindex的(i,j)处像元的像元值,0代表该像元为背景,1代表该像元为浒苔。
(4)利用步骤(3)所得各二值图Gindex计算初始浒苔覆盖范围Gcover;
其中,初始浒苔覆盖范围Gcover中各像元的像元值Gcover(i,j)的计算过程如下:
式中,0代表该像元为背景,1代表该像元为浒苔。
(5)利用步骤(4)所得初始浒苔覆盖范围Gcover提取浒苔分布粗略范围Gdistribute;
其中,浒苔分布粗略范围Gdistribute的提取步骤如下:
5.1)提取步骤(4)所得的初始浒苔覆盖范围Gcover中所有的浒苔像元位置,以集合location1表示,具体公式如下:
location1={(i,j)|Gcover(i,j)=1}
式中,Gcover(i,j)为Gcover中(i,j)处像元的像元值;
5.2)在集合location1中任选一点P1=(i1,j1),将location1中与P1距离小于2α的全部点取出,组成集合location2,具体公式如下:
式中,α取2.5;
5.3)在location2中任选一点P2=(i2,j2),以α为半径,过点P1和P2作两个圆Cir1和Cir2,计算两个圆的圆心坐标;
其中,圆Cir1和Cir2的圆心坐标的计算公式如下:
式中,为点P1与点P2构成方向向量的垂直向量,坐标为(a1,a2),d为圆心到点P1和P2构成的线段D12的距离,(icir1,jcir1)为Cir1的圆心坐标,(icir2,jcir2)为Cir2的圆心坐标;
5.4)执行判断:若Cir1和Cir2中任一圆内部不包含location2中除P2外任一点,则D12为location2的一个非凸边缘;
5.5)选择location2中的下一个点按步骤5.3)-5.4)进行判断,直到遍历location2中全部点;
5.6)选择location1中的下一个点按步骤5.2)-5.5)进行判断,直到遍历location1中全部点;
5.7)此时找到location1的全部非凸边缘,其所围区域即为浒苔分布粗略范围Gdistribute。
(6)提取浒苔分布粗略范围Gdistribute的光谱信息;
其中,浒苔分布粗略范围Gdistribute的光谱信息提取步骤如下:
其中,分数阶微分的计算公式如下:
6.3)光谱信息归一化:
6.3.2)对X进行归一化处理,得到归一化后的数据X*;
其中,数据X中第h行o列的反射率X(h,o)的归一化公式如下:
式中,Xmin,h为X(h,o)所在列所有反射率中的最小值,Xmax,h为X(h,o)所在列所有反射率中的最大值,X(h,o) *为X(h,o)归一化后的反射率。
(7)构建并训练浒苔提取模型M;
其中,浒苔提取模型M的构建与训练流程分别如下:
7.1)构建浒苔提取模型M:采用1DCNN-BiLSTM神经网络(一维卷积-双向长短期记忆神经网络)构建浒苔提取模型M,该网络包括输入层、1D-CNN层、Bi-LSTM层、全局平均池化层、全连接层和输出层;
其中,1DCNN-BiLSTM神经网络的网型结构如图3所示,具体结构如下:
输入层的输入为经步骤(6)所得数据X*;
1D-CNN层的输入为输入层的输出,1DCNN-BiLSTM神经网络中有2层1D-CNN层,第1层1D-CNN的卷积核(conv 1d_1)大小为7×1,数量为128,激活函数为relu;第2层1D-CNN的卷积核(conv 1d_2)大小为5×1,数量为128,激活函数同第1层;每层1D-CNN层后接1个批标准化层和1个辍学层;
其中,激活函数relu的具体公式如下:
式中,u为神经元的输入;
一层1D-CNN的计算公式为:
式中,bq为偏置项,Np为第p层1D-CNN层卷积核的大小,表示1D-CNN层所输出特征向量中第m个位置所在元素的值,Xm+k表示输入特征向量中第m+k个位置所在元素的值,Wpq是第p层1D-CNN卷积核中第q个位置所在元素的值;
Bi-LSTM的输入为1D-CNN层的输出,1DCNN-BiLSTM神经网络中有2层Bi-LSTM层,每层Bi-LSTM层由双向的LSTM层组合而成,其隐藏层的神经元个数为128,激活函数为tanh,每层Bi-LSTM层后接1个批标准化层;
其中,激活函数tanh的具体公式如下:
式中,u为神经元的输入;
一个LSTM神经元细胞的前向计算流程如下:
式中,xt为双层1D-CNN的输出,WA、WF、WE、WO均为神经元细胞的连接参数,bA、bF、bE、bO为偏置项,运算“·”为矩阵乘法运算,运算“*”为矩阵对应元素相乘;
全局平均池化层的输入为Bi-LSTM层的输出;
全连接层的输入为全局平均池化层的输出;
输出层的输入为全连接层的输出,使用softmax函数对浒苔与背景进行分类,具体公式如下:
7.2)训练浒苔提取模型M;
其中,浒苔提取模型M的训练过程如下:
根据步骤(1)的要求,在2015~2019年的能完整覆盖研究区域的GOCI影像中每年选取不同日期的4张影像(共20张),按步骤(2)-(6)对影像进行处理,得到处理后的数据集Test*,并对其进行标记,浒苔为1,背景为0,得到标签数据
数据集Test*中每一个样本的标记方式如下:
将按7:3的比例随机分为训练集和验证集,输入步骤7.1)构建的浒苔提取模型M进行训练,其中超参数设置为:辍学层的概率为0.1、迭代次数为1000、批大小为64、学习率为0.001,当迭代次数达到1000时,模型M训练完毕。
(8)提取浒苔覆盖精细范围Ggreentide;
其中,浒苔覆盖精细范围Ggreentide的提取步骤如下:
其中,Ggreentide中各像元的像元值Ggreentide(i,j)的计算过程如下:
Claims (7)
1.一种中低分辨率遥感影像浒苔覆盖信息精细提取方法,其特征在于,包括以下步骤:
(1)选取能完整覆盖研究区域的中低分辨率遥感影像Im;
其中,影像选取要求:浒苔暴发期间的遥感影像,研究区域内云量小于10%且不遮盖浒苔;
(2)对步骤(1)中选取的遥感影像Im进行几何校正、图像裁剪、陆地掩膜和目视解译云掩膜,得到处理后的影像I;
(3)计算影像I的归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、增强植被指数EVI,得到各植被指数的灰度图gindex,分别gNDVI、gRVI、gDVI、gEVI,对各灰度图gindex进行局部自适应阈值分割;
其中,植被指数计算与局部自适应阈值分割的步骤分别如下:
3.1)植被指数计算:分别计算步骤(2)所得影像I的NDVI、RVI、DVI、EVI,得到各植被指数的灰度图gindex;
其中,影像I各处像元的各植被指数的计算公式如下:
式中,(i,j)代表第i行的第j列,Rnir(i,j)、Rred(i,j)、Rblue(i,j)分别为影像I的(i,j)处像元的近红外波段、红光波段、蓝光波段的反射率,C1、C2和L为常量,根据数据源的差异取不同值;
3.2)对步骤3.1)所得灰度图gindex进行局部自适应阈值分割;
其中,局部自适应阈值分割的步骤如下:
3.2.1)计算步骤3.1)所得灰度图gindex各像元的阈值Tindex(i,j);
其中,Tindex(i,j)的计算公式如下:
式中,gindex(i,j)代表灰度图gindex的(i,j)处像元的像元值,index分别为NDVI、RVI、DVI、EVI,k1为标准差影响因子,取值范围为(0,1),R为标准差的动态范围,r为开窗大小;
3.2.2)对各灰度图gindex进行二值化操作,得到二值图Gindex;
其中,各灰度图gindex各像元的二值化过程如下:
式中,Gindex(i,j)为Gindex的(i,j)处像元的像元值,0代表该像元为背景,1代表该像元为浒苔;
(4)利用步骤(3)所得各二值图Gindex计算初始浒苔覆盖范围Gcover;
其中,初始浒苔覆盖范围Gcover中各像元的像元值Gcover(i,j)的计算过程如下:
式中,0代表该像元为背景,1代表该像元为浒苔;
(5)利用步骤(4)所得初始浒苔覆盖范围Gcover提取浒苔分布粗略范围Gdistribute;
(6)提取浒苔分布粗略范围Gdistribute的光谱信息;
其中,浒苔分布粗略范围Gdistribute的光谱信息提取步骤如下:
6.3)光谱信息归一化:
6.3.2)对X进行归一化处理,得到归一化后的数据X*;
(7)构建并训练浒苔提取模型M;
其中,浒苔提取模型M的构建与训练流程分别如下:
7.1)采用1DCNN-BiLSTM神经网络构建浒苔提取模型M,该网络包括输入层、1D-CNN层、Bi-LSTM层、全局平均池化层、全连接层和输出层;
7.2)在历年能完整覆盖研究区域的中低分辨率遥感影像中选取不同时相的num张影像,num≥20,按步骤(2)-(6)对影像进行处理,制作训练样本并设置超参数,对浒苔提取模型M进行训练;
(8)提取浒苔覆盖精细范围Ggreentide;
其中,浒苔覆盖精细范围Ggreentide的提取步骤如下:
其中,Ggreentide中各像元的像元值Ggreentide(i,j)的计算过程如下:
2.根据权利要求1所述的一种中低分辨率遥感影像浒苔覆盖信息精细提取方法,其特征在于:所述步骤3.2.1)中,k1取0.5,R取128,r取5。
3.根据权利要求1所述的一种中低分辨率遥感影像浒苔覆盖信息精细提取方法,其特征在于:所述步骤(5)中,浒苔分布粗略范围Gdistribute的提取步骤如下:
1)提取步骤(4)所得的初始浒苔覆盖范围Gcover中所有的浒苔像元位置,以集合location1表示,具体公式如下:
location1={(i,j)|Gcover(i,j)=1}
式中,Gcover(i,j)为Gcover中(i,j)处像元的像元值;
2)在集合location1中任选一点P1=(i1,j1),将location1中与P1距离小于2α的全部点取出,组成集合location2,具体公式如下:
式中,α取2.5;
3)在location2中任选一点P2=(i2,j2),以α为半径,过点P1和P2作两个圆Cir1和Cir2,计算两个圆的圆心坐标;
其中,圆Cir1和Cir2的圆心坐标的计算公式如下:
式中,为点P1与点P2构成方向向量的垂直向量,坐标为(a1,a2),d为圆心到点P1和P2构成的线段D12的距离,(icir1,jcir1)为Cir1的圆心坐标,(icir2,jcir2)为Cir2的圆心坐标;
4)执行判断:若Cir1和Cir2中任一圆内部不包含location2中除P2外任一点,则D12为location2的一个非凸边缘;
5)选择location2中的下一个点按步骤3)-4)进行判断,直到遍历location2中全部点;
6)选择location1中的下一个点按步骤2)-5)进行判断,直到遍历location1中全部点;
7)此时找到location1的全部非凸边缘,其所围区域即为浒苔分布粗略范围Gdistribute。
6.根据权利要求1所述的一种中低分辨率遥感影像浒苔覆盖信息精细提取方法,其特征在于:所述步骤7.1)中1D-CNN层、Bi-LSTM层、输出层的具体结构为:
1D-CNN层有2层,第1层1D-CNN的卷积核大小为7×1,数量为128,激活函数为relu;第2层1D-CNN的卷积核大小为5×1,数量为128,激活函数同第1层;每层1D-CNN层后接1个批标准化层和1个辍学层;
其中,激活函数relu的具体公式如下:
式中,u为神经元的输入;
Bi-LSTM层有2层,每层Bi-LSTM层由双向的LSTM层组合而成,其隐藏层的神经元个数为128,激活函数为tanh,每层Bi-LSTM层后接1个批标准化层;
其中,激活函数tanh的具体公式如下:
式中,u为神经元的输入;
输出层的激活函数为softmax,具体公式如下:
7.根据权利要求1所述的一种中低分辨率遥感影像浒苔覆盖信息精细提取方法,其特征在于:所述步骤7.2)中的超参数设置为:辍学层的概率为0.1、迭代次数为1000、批大小为64、学习率为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121927.2A CN112258523B (zh) | 2020-10-20 | 2020-10-20 | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121927.2A CN112258523B (zh) | 2020-10-20 | 2020-10-20 | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258523A true CN112258523A (zh) | 2021-01-22 |
CN112258523B CN112258523B (zh) | 2022-03-08 |
Family
ID=74245641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011121927.2A Active CN112258523B (zh) | 2020-10-20 | 2020-10-20 | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258523B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569823A (zh) * | 2021-09-26 | 2021-10-29 | 中国石油大学(华东) | 一种多指数决策的浒苔混合像元分解方法 |
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN114112987A (zh) * | 2021-11-23 | 2022-03-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
CN115205693A (zh) * | 2022-09-16 | 2022-10-18 | 中国石油大学(华东) | 一种多特征集成学习的双极化sar影像浒苔提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880856A (zh) * | 2012-08-22 | 2013-01-16 | 国家海洋局第二海洋研究所 | 基于油、水光谱特征差异的航空高光谱遥感自动识别海表溢油的方法 |
CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
CN108253943A (zh) * | 2017-12-24 | 2018-07-06 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
CN109635765A (zh) * | 2018-12-19 | 2019-04-16 | 三亚中科遥感研究所 | 一种浅海珊瑚礁遥感信息自动提取方法 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110321864A (zh) * | 2019-07-09 | 2019-10-11 | 西北工业大学 | 基于多尺度裁剪机制的遥感图像文字说明生成方法 |
CN110728446A (zh) * | 2019-10-09 | 2020-01-24 | 中国地质大学(武汉) | 一种基于cnn-lstm的县级尺度农作物估产方法 |
-
2020
- 2020-10-20 CN CN202011121927.2A patent/CN112258523B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880856A (zh) * | 2012-08-22 | 2013-01-16 | 国家海洋局第二海洋研究所 | 基于油、水光谱特征差异的航空高光谱遥感自动识别海表溢油的方法 |
CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
CN108253943A (zh) * | 2017-12-24 | 2018-07-06 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
CN109635765A (zh) * | 2018-12-19 | 2019-04-16 | 三亚中科遥感研究所 | 一种浅海珊瑚礁遥感信息自动提取方法 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110321864A (zh) * | 2019-07-09 | 2019-10-11 | 西北工业大学 | 基于多尺度裁剪机制的遥感图像文字说明生成方法 |
CN110728446A (zh) * | 2019-10-09 | 2020-01-24 | 中国地质大学(武汉) | 一种基于cnn-lstm的县级尺度农作物估产方法 |
Non-Patent Citations (2)
Title |
---|
SHIANG WANG等: ""Microwave remote sensing for marine monitoring: An example of Enteromorpha prolifera bloom monitoring"", 《2010 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
王猛等: ""利用无人机遥感技术提取农作物植被覆盖度方法研究"", 《作物杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN113569823A (zh) * | 2021-09-26 | 2021-10-29 | 中国石油大学(华东) | 一种多指数决策的浒苔混合像元分解方法 |
CN113569823B (zh) * | 2021-09-26 | 2021-12-17 | 中国石油大学(华东) | 一种多指数决策的浒苔混合像元分解方法 |
CN114112987A (zh) * | 2021-11-23 | 2022-03-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
CN114112987B (zh) * | 2021-11-23 | 2024-05-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
CN115205693A (zh) * | 2022-09-16 | 2022-10-18 | 中国石油大学(华东) | 一种多特征集成学习的双极化sar影像浒苔提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112258523B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shendryk et al. | Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery | |
CN112258523B (zh) | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 | |
Liu et al. | Deep convolutional neural network training enrichment using multi-view object-based analysis of Unmanned Aerial systems imagery for wetlands classification | |
Chen et al. | Integration of multi-source data for water quality classification in the Pearl River estuary and its adjacent coastal waters of Hong Kong | |
Martins et al. | Deep neural network for complex open-water wetland mapping using high-resolution WorldView-3 and airborne LiDAR data | |
Uezato et al. | A novel endmember bundle extraction and clustering approach for capturing spectral variability within endmember classes | |
Mustapha et al. | Comparison of neural network and maximum likelihood approaches in image classification | |
Liu et al. | Multimorphological superpixel model for hyperspectral image classification | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
Chi et al. | Deep learning based retrieval algorithm for Arctic sea ice concentration from AMSR2 passive microwave and MODIS optical data | |
Beucher et al. | Interpretation of convolutional neural networks for acid sulfate soil classification | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
Nidamanuri et al. | Transferring spectral libraries of canopy reflectance for crop classification using hyperspectral remote sensing data | |
CN106960221A (zh) | 一种基于光谱特征和空间特征融合的高光谱图像分类方法及系统 | |
CN115205590A (zh) | 一种基于互补集成Transformer网络的高光谱图像分类方法 | |
Li et al. | Adoption of machine learning in intelligent terrain classification of Hyperspectral remote sensing images | |
Tun et al. | Hyperspectral remote sensing images classification using fully convolutional neural network | |
Li et al. | Improving model robustness for soybean iron deficiency chlorosis rating by unsupervised pre-training on unmanned aircraft system derived images | |
Mohammadpour et al. | Applications of Multi‐Source and Multi‐Sensor Data Fusion of Remote Sensing for Forest Species Mapping | |
Asiyabi et al. | Segment-based bag of visual words model for urban land cover mapping using polarimetric SAR data | |
Ganchenko et al. | Special Area Detection and Recognition on Agricultural Fields Images | |
Das et al. | A novel method for detecting soil salinity using AVIRIS-NG imaging spectroscopy and ensemble machine learning | |
CN115019174B (zh) | 基于像素重组和注意力的上采样遥感图像目标识别方法 | |
CN115565009A (zh) | 基于深度去噪稀疏自编码器及issvm的电子元件分类方法 | |
Otele et al. | Design and Implementation of an Automatic Deep Stacked Sparsely Connected Auto-encoder (ADSSCA) Neural Network Architecture for Lithological Mapping under thick Vegetation using Remote Sensing |
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 |