CN112270236B - 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 - Google Patents

基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 Download PDF

Info

Publication number
CN112270236B
CN112270236B CN202011128315.6A CN202011128315A CN112270236B CN 112270236 B CN112270236 B CN 112270236B CN 202011128315 A CN202011128315 A CN 202011128315A CN 112270236 B CN112270236 B CN 112270236B
Authority
CN
China
Prior art keywords
image
variable
operator
scale
establishing
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.)
Active
Application number
CN202011128315.6A
Other languages
English (en)
Other versions
CN112270236A (zh
Inventor
潘欣
赵健
许骏
佘向飞
付浩海
张华�
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.)
Changchun Institute of Applied Chemistry of CAS
Original Assignee
Changchun Institute of Applied Chemistry 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 Changchun Institute of Applied Chemistry of CAS filed Critical Changchun Institute of Applied Chemistry of CAS
Priority to CN202011128315.6A priority Critical patent/CN112270236B/zh
Publication of CN112270236A publication Critical patent/CN112270236A/zh
Application granted granted Critical
Publication of CN112270236B publication Critical patent/CN112270236B/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
    • G06F18/21—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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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

Abstract

本发明公开一种基于渐变尺度间隔变化规律算子的遥感影像植被分类方法，建立了一种渐变尺度的间隔变化规律算子，该算子可以从无方向特定亮度间隔和多种尺度上描述不同植被在遥感影像中体现的特征，进而利用一个支持向量机模型学习这些特征获得分类模型，利用渐变尺度的间隔变化规律算子和分类模型可以获得遥感影像的分类结果。利用本发明专利可以规避特定尺度、特定方向给分类带来的影响，从植被特定亮度像元在影像上的间隔特征和尺度上的变化特征来展现植被在遥感影像上的特征，进而利用这些特征提高的遥感影像植被分类的精度。

Description

基于渐变尺度间隔变化规律算子的遥感影像植被分类方法
技术领域：
本发明公开一种基于渐变尺度间隔变化规律算子的遥感影像植被分类方法，属于遥感影像技术领域。
背景技术：
通过遥感影像可以获得到较大范围区域的植被分布情况数据，这些分布情况可以很好的反映农业生产、环境和植被保护、特定植物种群的数量以及特定地区的植被演替情况，这些情况是制定社会经济发展和环境保护策略的数据基础，因此通过遥感影像获得特定地表范围的植被类型具有十分重要的价值。进行遥感影像中植被类型自动化的识别是快速获得这些数据的最重要途径。
进行自动化的遥感影像植被分类目前主要采用的手段包括两大类：第一类是传统的浅层智能分类方法，首先利用辅助的纹理算法（如：灰度共生矩阵）获得遥感影像中植被的纹理特征，进而利用浅层分类模型（如：神经网、支持向量机和决策树）来对影像进行分类；此类方法运算量较低且易于实现，但是此类方法的一个关键问题是，每次遥感影像拍摄均会受到地形、传感器、植被分布方向和光照方向的影响，每次的纹理算法均需要进行大量的尺度、方向参数的实验；而且还可能存在同一影像中不同地物的展现的纹理尺度不一致的情况，导致无法找到较佳的参数，所以此类方法较难获得好的分类结果。第二类是深度学习方法，引入卷积神经网架构对植被进行分类，此类方法可以获得较好分类结果，但是一方面深度学习系列方法均需要大量的样本支撑，很多地区植被面积本身较小难以支撑大样本量，在样本较少情况下深度学习算法无法发挥作用；另一方面卷积也是受到输入尺度影响的，如果存在同一影像中不同地物的展现的纹理尺度不一致的情况，同一个深度学习神经网卷积尺度的选择也会遇到困难。
因此需要提出一种方法，可以规避特定尺度、特定方向给分类带来的影响，提高的遥感影像植被分类的精度。
发明内容
本发明提供一种基于渐变尺度的间隔变化规律算子的遥感影像植被分类方法；可以规避特定尺度、特定方向给分类带来的影响，从植被特定亮度像元在影像上的间隔特征和尺度上的变化特征来展现植被在遥感影像上的特征，进而利用这些特征提高的遥感影像植被分类的精度。建立了一种渐变尺度的间隔变化规律算子，该算子可以从无方向特定亮度间隔和多种尺度上描述不同植被在遥感影像中体现的特征，进而利用一个支持向量机模型学习这些特征获得分类模型，利用渐变尺度的间隔变化规律算子和分类模型可以获得遥感影像的分类结果。
本发明提供的一种基于渐变尺度间隔变化规律算子的遥感影像植被分类方法，包括以下步骤：
S1，输入多波段遥感影像Image，获取影像的宽度Width，获取影像的高度Height，获取分段影像亮度变量SingleImage，获取亮度区分度变量Qufen，获取亮度区分容忍度变量Quefenrong；
S101，输入多波段遥感影像Image；
S102，获取影像的宽度Width= Image的宽度；获取影像的高度Height= Image的高度；获取影像的波段数Bands=Image的波段数；
S103，建立分段影像亮度变量SingleImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S104，初始阶段计数器InitCounter=1；
S105, 暂存单波段影像变量TempImage=读取Image的第InitCounter个波段的内容；
S106，暂存单波段影像最大值TempMax=TempImage中的最大值，暂存单波段影像最小值TempMin=TempImage中的最小值；
S107，计算TempImage=(TempImage-TempMin)/(TempMax-TempMin)；
S108，计算SingleImage=SingleImage+TempImage；
S109，InitCounter=InitCounter+1；
S110，如果InitCounter>Bands则转到S111，否则转到S105；
S111，计算SingleImag=SingleImage/Bands；
S112，获取当前标准差变量StvSingleImag=SingleImag的标准差；
S113，获取亮度区分度变量Qufen=round(1/StvSingleImag×2)，其中Round为进行四舍五入；
S114，计算SingleImag= SingleImag×Qufen；
S115，获取亮度区分容忍度变量Quefenrong=StvSingleImag×2；
S116，该步骤运行结束；
S2，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth，输出植被无方向间隔特性结果矢量RuleVectorResult；
S201，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth；
S202，算子暂存影像块OperatorTempBlock=以Row和Col为中心点在SingleImag上截取一个宽度为RuleWidth的正方形；
S203，算子暂存数组RuleOperatorArray=建立Qufen个元素的数组，数组所有元素值为0；
S204，算子计数器RuleOperatorCounter=1；
S206，算子第一暂存阈值变量RuleOperatorTemp1=RuleOperatorCounter-Quefenrong；算子第二暂存阈值变量RuleOperatorTemp2=RuleOperatorCounter+Quefenrong；
S207，算子统计个数变量RuleOperatorTempNum=计算OperatorTempBlock中像元值小于RuleOperatorTemp1或者大于RuleOperatorTemp2的像元个数；
S208，RuleOperatorArray[RuleOperatorCounter]=RuleOperatorTempNum；
S209，RuleOperatorCounter=RuleOperatorCounter+1；
S210，如果RuleOperatorCounter大于Qufen则转到S211，否则转到S206；
S211，算子暂存数组最大值RuleOperatorArrayMax=RuleOperatorArray的最大值；
S212,RuleOperatorArray=RuleOperatorArray/RuleOperatorArrayMax；
S213, RuleVectorResult=tanh(RuleOperatorArray)；
S214，将RuleVectorResult作为RuleOperator算子的结果输出；
S3,建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数AnaRow和列数AnaCol，输出为渐变尺度的间隔变化规律矢量CharacterVector；
S301，建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数Row和列数Col；
S302, 建立渐变尺度的间隔变化规律矢量CharacterVector=建立包含Qufen×3个元素的矢量；
S303, 建立渐变尺度迭代变量PevVector=建立包含Qufen个元素的矢量，矢量内所有元素均为0；
S303，渐变尺度计数器ScaleOperatorCounter=1；
S304，渐变尺度暂存变量ScaleTempVector=利用RuleOperator进行计算，设定RuleOperator的输入Row=AnaRow, Col=AnaCol, RuleWidth=3+ScaleOperatorCounter*2；
S305,渐变尺度暂存结果变量ScaleTempResult=ScaleTempVector-PevVector；
S306， PevVector=ScaleTempVector；
S307，渐变尺度算子复制起始变量ScaleStart=(ScaleOperatorCounter-1)×Qufen+1;渐变尺度算子复制结束变量ScaleEnd=ScaleStart+Qufen-1；
S308，将ScaleTempResult的所有内容复制到CharacterVector的位置为第ScaleStart至ScaleEnd的元素上；
S309，计算ScaleOperatorCounter=ScaleOperatorCounter+1；
S310，如果ScaleOperatorCounter大于3则转到S311，否则转到S304；
S311，将CharacterVector作为算子的结果输出；
S4，输入样本表TrainSet，利用ScaleOperator对TrainSet进行处理，获得分类模型Model；
S401，输入样本表TrainSet，TrainSet中每一条记录包含如下字段：
XRow：样本在影像上所处的行；
XCol：样本在影像上所处的列；
Decsion：样本所对应的类目，类型为整型变量；
S402，为TrainSet增加一个新的字段DescVector，DescVector的类型为一个可以存储Qufen×3个元素的矢量；
S403，样本个数变量TrainNum=TrainSet的记录个数；
S404，样本计数器TrainCounter=1；
S405，暂存行TempReco=TrainSet[TrainCounter]；
S406，TempReco.DescVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=TempReco.XRow, AnaCol=TempReco.XCol；
S407，TrainCounter=TrainCounter+1；
S408，如果TrainCounter>TrainNum则转到S409，否则转到S405；
S409，构建支持向量机分类模型Model，Model的输入对应TrainSet的DescVector字段，Model的输出对应TrainSet的Decsion字段；
S410，利用TrainSet的内容对Model进行训练；
S411，该步骤运行结束；
S5，利用ScaleOperator和Model获得整个影像的分类结果，获得结果影像变量ResultImage；
S501，建立结果影像变量ResultImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S502，行计数器RowCounter=1；
S503，列计数器ColCounter=1；
S504，分类暂存矢量CalVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=RowCounter,AnaCol=ColCounter；
S505，分类暂存预测结果CalTempPred=将CalVector输入到Model之中，获得Model的决策结果；
S506, 设定ResultImage的在第RowCounter行第ColCounter列位置上的像元的值为CalTempPred；
S507，ColCounter=ColCounter+1；
S508，如果ColCounter大于Width则转到S509，否则转到S504；
S509，RowCounter=RowCounter+1；
S510，如果RowCounter大于Height则转到S511，否则转到S503；
S511，输出ResultImage作为最终分类结果。
本发明的积极效果是：
建立了一种渐变尺度的间隔变化规律算子，该算子可以从无方向特定亮度间隔和多种尺度上描述不同植被在遥感影像中体现的特征，进而利用一个支持向量机模型学习这些特征获得分类模型，利用渐变尺度的间隔变化规律算子和分类模型可以获得遥感影像的分类结果。利用本发明专利可以规避特定尺度、特定方向给分类带来的影响，从植被特定亮度像元在影像上的间隔特征和尺度上的变化特征来展现植被在遥感影像上的特征，进而利用这些特征提高的遥感影像植被分类的精度。
附图说明
图1为本发明实施例1长春市周边某区域的遥感影像Image图（获取影像的宽度Width=644，获取影像的高度Height=391）；
图2为本发明实施例1长春市周边某区域的遥感影像Image图转换为影像显示的结果为图（获取亮度区分度变量Qufen=6、获取亮度区分容忍度变量Quefenrong=0.86）；
图3为本发明实施例1获得ResultImage分类结果图（1使用黄色表示，0使用紫色表示）；
图4为本发明实施例1采用传统的支持向量机方法进行分类的结果图；
图5为本发明实施例1采用支持向量机+灰度共生矩阵纹理方法进行分类的结果图；
图6为本发明实施例1采用卷积神经网进行方法进行分类的结果图。
具体实施方式
通过以下实施例进一步举例描述本发明，并不以任何方式限制本发明，在不背离本发明的技术解决方案的前提下，对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。
实施例1
本发明所述的一种基于渐变尺度间隔变化规律算子的遥感影像植被分类方法，包括以下步骤：
S1，输入多波段遥感影像Image，获取影像的宽度Width，获取影像的高度Height，获取分段影像亮度变量SingleImage，获取亮度区分度变量Qufen，获取亮度区分容忍度变量Quefenrong；
S101，输入多波段遥感影像Image；
S102，获取影像的宽度Width= Image的宽度；获取影像的高度Height= Image的高度；获取影像的波段数Bands=Image的波段数；
S103，建立分段影像亮度变量SingleImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S104，初始阶段计数器InitCounter=1；
S105, 暂存单波段影像变量TempImage=读取Image的第InitCounter个波段的内容；
S106，暂存单波段影像最大值TempMax=TempImage中的最大值，暂存单波段影像最小值TempMin=TempImage中的最小值；
S107，计算TempImage=(TempImage-TempMin)/(TempMax-TempMin)；
S108，计算SingleImage=SingleImage+TempImage；
S109，InitCounter=InitCounter+1；
S110，如果InitCounter>Bands则转到S111，否则转到S105；
S111，计算SingleImag=SingleImage/Bands；
S112，获取当前标准差变量StvSingleImag=SingleImag的标准差；
S113，获取亮度区分度变量Qufen=round(1/StvSingleImag×2)，其中Round为进行四舍五入；
S114，计算SingleImag= SingleImag×Qufen；
S115，获取亮度区分容忍度变量Quefenrong=StvSingleImag×2；
S116，该步骤运行结束；
S2，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth，输出植被无方向间隔特性结果矢量RuleVectorResult；
S201，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth；
S202，算子暂存影像块OperatorTempBlock=以Row和Col为中心点在SingleImag上截取一个宽度为RuleWidth的正方形；
S203，算子暂存数组RuleOperatorArray=建立Qufen个元素的数组，数组所有元素值为0；
S204，算子计数器RuleOperatorCounter=1；
S206，算子第一暂存阈值变量RuleOperatorTemp1=RuleOperatorCounter-Quefenrong；算子第二暂存阈值变量RuleOperatorTemp2=RuleOperatorCounter+Quefenrong；
S207，算子统计个数变量RuleOperatorTempNum=计算OperatorTempBlock中像元值小于RuleOperatorTemp1或者大于RuleOperatorTemp2的像元个数；
S208，RuleOperatorArray[RuleOperatorCounter]=RuleOperatorTempNum；
S209，RuleOperatorCounter=RuleOperatorCounter+1；
S210，如果RuleOperatorCounter大于Qufen则转到S211，否则转到S206；
S211，算子暂存数组最大值RuleOperatorArrayMax=RuleOperatorArray的最大值；
S212,RuleOperatorArray=RuleOperatorArray/RuleOperatorArrayMax；
S213, RuleVectorResult=tanh(RuleOperatorArray)；
S214，将RuleVectorResult作为RuleOperator算子的结果输出；
S3,建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数AnaRow和列数AnaCol，输出为渐变尺度的间隔变化规律矢量CharacterVector；
S301，建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数Row和列数Col；
S302, 建立渐变尺度的间隔变化规律矢量CharacterVector=建立包含Qufen×3个元素的矢量；
S303, 建立渐变尺度迭代变量PevVector=建立包含Qufen个元素的矢量，矢量内所有元素均为0；
S303，渐变尺度计数器ScaleOperatorCounter=1；
S304，渐变尺度暂存变量ScaleTempVector=利用RuleOperator进行计算，设定RuleOperator的输入Row=AnaRow, Col=AnaCol, RuleWidth=3+ScaleOperatorCounter*2；
S305,渐变尺度暂存结果变量ScaleTempResult=ScaleTempVector-PevVector；
S306， PevVector=ScaleTempVector；
S307，渐变尺度算子复制起始变量ScaleStart=(ScaleOperatorCounter-1)×Qufen+1;渐变尺度算子复制结束变量ScaleEnd=ScaleStart+Qufen-1；
S308，将ScaleTempResult的所有内容复制到CharacterVector的位置为第ScaleStart至ScaleEnd的元素上；
S309，计算ScaleOperatorCounter=ScaleOperatorCounter+1；
S310，如果ScaleOperatorCounter大于3则转到S311，否则转到S304；
S311，将CharacterVector作为算子的结果输出；
S4，输入样本表TrainSet，利用ScaleOperator对TrainSet进行处理，获得分类模型Model；
S401，输入样本表TrainSet，TrainSet中每一条记录包含如下字段：
XRow：样本在影像上所处的行；
XCol：样本在影像上所处的列；
Decsion：样本所对应的类目，类型为整型变量；
S402，为TrainSet增加一个新的字段DescVector，DescVector的类型为一个可以存储Qufen×3个元素的矢量；
S403，样本个数变量TrainNum=TrainSet的记录个数；
S404，样本计数器TrainCounter=1；
S405，暂存行TempReco=TrainSet[TrainCounter]；
S406，TempReco.DescVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=TempReco.XRow, AnaCol=TempReco.XCol；
S407，TrainCounter=TrainCounter+1；
S408，如果TrainCounter>TrainNum则转到S409，否则转到S405；
S409，构建支持向量机分类模型Model，Model的输入对应TrainSet的DescVector字段，Model的输出对应TrainSet的Decsion字段；
S410，利用TrainSet的内容对Model进行训练；
S411，该步骤运行结束；
S5，利用ScaleOperator和Model获得整个影像的分类结果，获得结果影像变量ResultImage；
S501，建立结果影像变量ResultImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S502，行计数器RowCounter=1；
S503，列计数器ColCounter=1；
S504，分类暂存矢量CalVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=RowCounter,AnaCol=ColCounter；
S505，分类暂存预测结果CalTempPred=将CalVector输入到Model之中，获得Model的决策结果；
S506, 设定ResultImage的在第RowCounter行第ColCounter列位置上的像元的值为CalTempPred；
S507，ColCounter=ColCounter+1；
S508，如果ColCounter大于Width则转到S509，否则转到S504；
S509，RowCounter=RowCounter+1；
S510，如果RowCounter大于Height则转到S511，否则转到S503；
S511，输出ResultImage作为最终分类结果。
实施例2
S1，输入多波段遥感影像Image，获取影像的宽度Width，获取影像的高度Height，获取分段影像亮度变量SingleImage，获取亮度区分度变量Qufen，获取亮度区分容忍度变量Quefenrong；
S101，输入多波段遥感影像Image；
S102，获取影像的宽度Width= Image的宽度；获取影像的高度Height= Image的高度；获取影像的波段数Bands=Image的波段数；
S103，建立分段影像亮度变量SingleImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S104，初始阶段计数器InitCounter=1；
S105, 暂存单波段影像变量TempImage=读取Image的第InitCounter个波段的内容；
S106，暂存单波段影像最大值TempMax=TempImage中的最大值，暂存单波段影像最小值TempMin=TempImage中的最小值；
S107，计算TempImage=(TempImage-TempMin)/(TempMax-TempMin)；
S108，计算SingleImage=SingleImage+TempImage；
S109，InitCounter=InitCounter+1；
S110，如果InitCounter>Bands则转到S111，否则转到S105；
S111，计算SingleImag=SingleImage/Bands；
S112，获取当前标准差变量StvSingleImag=SingleImag的标准差；
S113，获取亮度区分度变量Qufen=round(1/StvSingleImag×2)，其中Round为进行四舍五入；
S114，计算SingleImag= SingleImag×Qufen；
S115，获取亮度区分容忍度变量Quefenrong=StvSingleImag×2；
S116，该步骤运行结束；
输入长春市周边某区域的遥感影像Image图1（获取影像的宽度Width=644，获取影像的高度Height=391）；获取分段影像亮度变量SingleImage为二维数组，将其转换为影像显示的结果为图2（获取亮度区分度变量Qufen=6、获取亮度区分容忍度变量Quefenrong=0.86）。
S2，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth，输出植被无方向间隔特性结果矢量RuleVectorResult；
S201，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth；
S202，算子暂存影像块OperatorTempBlock=以Row和Col为中心点在SingleImag上截取一个宽度为RuleWidth的正方形；
S203，算子暂存数组RuleOperatorArray=建立Qufen个元素的数组，数组所有元素值为0；
S204，算子计数器RuleOperatorCounter=1；
S206，算子第一暂存阈值变量RuleOperatorTemp1=RuleOperatorCounter-Quefenrong；算子第二暂存阈值变量RuleOperatorTemp2=RuleOperatorCounter+Quefenrong；
S207，算子统计个数变量RuleOperatorTempNum=计算OperatorTempBlock中像元值小于RuleOperatorTemp1或者大于RuleOperatorTemp2的像元个数；
S208，RuleOperatorArray[RuleOperatorCounter]=RuleOperatorTempNum；
S209，RuleOperatorCounter=RuleOperatorCounter+1；
S210，如果RuleOperatorCounter大于Qufen则转到S211，否则转到S206；
S211，算子暂存数组最大值RuleOperatorArrayMax=RuleOperatorArray的最大值；
S212,RuleOperatorArray=RuleOperatorArray/RuleOperatorArrayMax；
S213, RuleVectorResult=tanh(RuleOperatorArray)；
S214，将RuleVectorResult作为RuleOperator算子的结果输出。
S3, 建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数AnaRow和列数AnaCol，输出为渐变尺度的间隔变化规律矢量CharacterVector
S301，建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数Row和列数Col；
S302, 建立渐变尺度的间隔变化规律矢量CharacterVector=建立包含Qufen×3个元素的矢量；
S303, 建立渐变尺度迭代变量PevVector=建立包含Qufen个元素的矢量，矢量内所有元素均为0；
S303，渐变尺度计数器ScaleOperatorCounter=1；
S304，渐变尺度暂存变量ScaleTempVector=利用RuleOperator进行计算，设定RuleOperator的输入Row=AnaRow, Col=AnaCol, RuleWidth=3+ScaleOperatorCounter*2；
S305,渐变尺度暂存结果变量ScaleTempResult=ScaleTempVector-PevVector；
S306，PevVector=ScaleTempVector；
S307，渐变尺度算子复制起始变量ScaleStart=(ScaleOperatorCounter-1)×Qufen+1;渐变尺度算子复制结束变量ScaleEnd=ScaleStart+Qufen-1；
S308，将ScaleTempResult的所有内容复制到CharacterVector的位置为第ScaleStart至ScaleEnd的元素上；
S309，计算ScaleOperatorCounter=ScaleOperatorCounter+1；
S310，如果ScaleOperatorCounter大于3则转到S311，否则转到S304；
S311，将CharacterVector作为算子的结果输出。
S4，输入样本表TrainSet，利用ScaleOperator对TrainSet进行处理，获得分类模型Model；
S401，输入样本表TrainSet，TrainSet中每一条记录包含如下字段；
XRow：样本在影像上所处的行；
XCol：样本在影像上所处的列；
Decsion：样本所对应的类目，类型为整型变量；
S402，为TrainSet增加一个新的字段DescVector，DescVector的类型为一个可以存储Qufen×3个元素的矢量；
S403，样本个数变量TrainNum=TrainSet的记录个数；
S404，样本计数器TrainCounter=1；
S405，暂存行TempReco=TrainSet[TrainCounter]；
S406，TempReco.DescVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=TempReco.XRow, AnaCol=TempReco.XCol；
S407，TrainCounter=TrainCounter+1；
S408，如果TrainCounter>TrainNum则转到S409，否则转到S405；
S409，构建支持向量机分类模型Model，Model的输入对应TrainSet的DescVector字段，Model的输出对应TrainSet的Decsion字段；
S410，利用TrainSet的内容对Model进行训练；
S411，该步骤运行结束。
输入样本表TrainSet的内容如下：
XRow XCol Decsion
200 85 0
352 183 0
169 368 1
22 212 1
在该表中有0和1两个类目，每个类目两个样本；最后获得对应的分类模型Model。
S5，利用ScaleOperator和Model获得整个影像的分类结果，获得结果影像变量ResultImage；
S501，建立结果影像变量ResultImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S502，行计数器RowCounter=1；
S503，列计数器ColCounter=1；
S504，分类暂存矢量CalVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=RowCounter,AnaCol=ColCounter；
S505，分类暂存预测结果CalTempPred=将CalVector输入到Model之中，获得Model的决策结果；
S506, 设定ResultImage的在第RowCounter行第ColCounter列位置上的像元的值为CalTempPred；
S507，ColCounter=ColCounter+1；
S508，如果ColCounter大于Width则转到S509，否则转到S504；
S509，RowCounter=RowCounter+1；
S510，如果RowCounter大于Height则转到S511，否则转到S503；
S511，输出ResultImage作为最终分类结果。
获得ResultImage作为最终分类结果图（1使用黄色表示，0使用紫色表示）。
可见通过本专利，仅仅利用4个样本就实现了遥感影像上不同植被间的分类。
试验例
将本发明实施例1获得的结果分类图像（参见图3）与以下三种传统的人工解译的结果进行对比，本发明专利获得结果的总体精度为93%，两类地物获得了较好的区分效果：
1、对于单纯采用传统的支持向量机方法的结果为（图4），可以看到，由于仅仅从波段无法正确的区分遥感影像中的植被（两种植被都是绿色）；遥感影像中两类植被所处区域被大量的误分，在分类结果中包含较多的胡椒盐现象，总体分类精度为52%，获得了较差的分类效果。
2、使用支持向量机+灰度共生矩阵纹理的方法（图5），可以看到一部分植被所处的区域被误分了，整个结果影像中仍有一些胡椒盐现象，总体分类精度为73.2%。
3、使用卷积神经网进行分类图6，由于输入的样本较少传统的卷积神经网不足以完全识别边界内容，结果影像中的一部分植被扩大了，总体分类精度为79.2%。
结论：
从以上结果可以看出本发明在植被分类效果和精度上优于传统方法，有着实际应用价值；可以从无方向特定亮度间隔和多种尺度上描述不同植被在遥感影像中体现的特征，规避特定尺度、特定方向给分类带来的影响，从植被特定亮度像元在影像上的间隔特征和尺度上的变化特征来展现植被在遥感影像上的特征，进而利用这些特征提高的遥感影像植被分类的精度。

Claims (1)

1.一种基于渐变尺度间隔变化规律算子的遥感影像植被分类方法，包括以下步骤：
S1，输入多波段遥感影像Image，获取影像的宽度Width，获取影像的高度Height，获取分段影像亮度变量SingleImage，获取亮度区分度变量Qufen，获取亮度区分容忍度变量Quefenrong；
S101，输入多波段遥感影像Image；
S102，获取影像的宽度Width= Image的宽度；获取影像的高度Height= Image的高度；获取影像的波段数Bands=Image的波段数；
S103，建立分段影像亮度变量SingleImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S104，初始阶段计数器InitCounter=1；
S105, 暂存单波段影像变量TempImage=读取Image的第InitCounter个波段的内容；
S106，暂存单波段影像最大值TempMax=TempImage中的最大值，暂存单波段影像最小值TempMin=TempImage中的最小值；
S107，计算TempImage=(TempImage-TempMin)/(TempMax-TempMin)；
S108，计算SingleImage=SingleImage+TempImage；
S109，InitCounter=InitCounter+1；
S110，如果InitCounter>Bands则转到S111，否则转到S105；
S111，计算SingleImag=SingleImage/Bands；
S112，获取当前标准差变量StvSingleImag=SingleImag的标准差；
S113，获取亮度区分度变量Qufen=round(1/StvSingleImag×2)，其中Round为进行四舍五入；
S114，计算SingleImag= SingleImag×Qufen；
S115，获取亮度区分容忍度变量Quefenrong=StvSingleImag×2；
S116，该步骤运行结束；
S2，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth，输出植被无方向间隔特性结果矢量RuleVectorResult；
S201，建立植被无方向间隔特性模糊描述算子RuleOperator，输入一个像元在影像上所处的行数Row和列数Col，输入尺度宽度变量RuleWidth；
S202，算子暂存影像块OperatorTempBlock=以Row和Col为中心点在SingleImag上截取一个宽度为RuleWidth的正方形；
S203，算子暂存数组RuleOperatorArray=建立Qufen个元素的数组，数组所有元素值为0；
S204，算子计数器RuleOperatorCounter=1；
S206，算子第一暂存阈值变量RuleOperatorTemp1=RuleOperatorCounter-Quefenrong；算子第二暂存阈值变量RuleOperatorTemp2=RuleOperatorCounter+Quefenrong；
S207，算子统计个数变量RuleOperatorTempNum=计算OperatorTempBlock中像元值小于RuleOperatorTemp1或者大于RuleOperatorTemp2的像元个数；
S208，RuleOperatorArray[RuleOperatorCounter]=RuleOperatorTempNum；
S209，RuleOperatorCounter=RuleOperatorCounter+1；
S210，如果RuleOperatorCounter大于Qufen则转到S211，否则转到S206；
S211，算子暂存数组最大值RuleOperatorArrayMax=RuleOperatorArray的最大值；
S212,RuleOperatorArray=RuleOperatorArray/RuleOperatorArrayMax；
S213, RuleVectorResult=tanh(RuleOperatorArray)；
S214，将RuleVectorResult作为RuleOperator算子的结果输出；
S3,建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数AnaRow和列数AnaCol，输出为渐变尺度的间隔变化规律矢量CharacterVector；
S301，建立渐变尺度的间隔变化规律算子ScaleOperator，输入一个待分析像元在影像上所处的行数Row和列数Col；
S302, 建立渐变尺度的间隔变化规律矢量CharacterVector=建立包含Qufen×3个元素的矢量；
S303, 建立渐变尺度迭代变量PevVector=建立包含Qufen个元素的矢量，矢量内所有元素均为0；
S303，渐变尺度计数器ScaleOperatorCounter=1；
S304，渐变尺度暂存变量ScaleTempVector=利用RuleOperator进行计算，设定RuleOperator的输入Row=AnaRow, Col=AnaCol, RuleWidth=3+ScaleOperatorCounter*2；
S305,渐变尺度暂存结果变量ScaleTempResult=ScaleTempVector-PevVector；
S306， PevVector=ScaleTempVector；
S307，渐变尺度算子复制起始变量ScaleStart=(ScaleOperatorCounter-1)×Qufen+1;渐变尺度算子复制结束变量ScaleEnd=ScaleStart+Qufen-1；
S308，将ScaleTempResult的所有内容复制到CharacterVector的位置为第ScaleStart至ScaleEnd的元素上；
S309，计算ScaleOperatorCounter=ScaleOperatorCounter+1；
S310，如果ScaleOperatorCounter大于3则转到S311，否则转到S304；
S311，将CharacterVector作为算子的结果输出；
S4，输入样本表TrainSet，利用ScaleOperator对TrainSet进行处理，获得分类模型Model；
S401，输入样本表TrainSet，TrainSet中每一条记录包含如下字段：
XRow：样本在影像上所处的行；
XCol：样本在影像上所处的列；
Decsion：样本所对应的类目，类型为整型变量；
S402，为TrainSet增加一个新的字段DescVector，DescVector的类型为一个可以存储Qufen×3个元素的矢量；
S403，样本个数变量TrainNum=TrainSet的记录个数；
S404，样本计数器TrainCounter=1；
S405，暂存行TempReco=TrainSet[TrainCounter]；
S406，TempReco.DescVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=TempReco.XRow, AnaCol=TempReco.XCol；
S407，TrainCounter=TrainCounter+1；
S408，如果TrainCounter>TrainNum则转到S409，否则转到S405；
S409，构建支持向量机分类模型Model，Model的输入对应TrainSet的DescVector字段，Model的输出对应TrainSet的Decsion字段；
S410，利用TrainSet的内容对Model进行训练；
S411，该步骤运行结束；
S5，利用ScaleOperator和Model获得整个影像的分类结果，获得结果影像变量ResultImage；
S501，建立结果影像变量ResultImage=建立宽度为Width高度为Height的二维数组，数组的所有元素值为0；
S502，行计数器RowCounter=1；
S503，列计数器ColCounter=1；
S504，分类暂存矢量CalVector=使用ScaleOperator进行计算，ScaleOperator的输入AnaRow=RowCounter,AnaCol=ColCounter；
S505，分类暂存预测结果CalTempPred=将CalVector输入到Model之中，获得Model的决策结果；
S506, 设定ResultImage的在第RowCounter行第ColCounter列位置上的像元的值为CalTempPred；
S507，ColCounter=ColCounter+1；
S508，如果ColCounter大于Width则转到S509，否则转到S504；
S509，RowCounter=RowCounter+1；
S510，如果RowCounter大于Height则转到S511，否则转到S503；
S511，输出ResultImage作为最终分类结果。
CN202011128315.6A 2020-10-21 2020-10-21 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 Active CN112270236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011128315.6A CN112270236B (zh) 2020-10-21 2020-10-21 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011128315.6A CN112270236B (zh) 2020-10-21 2020-10-21 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法

Publications (2)

Publication Number Publication Date
CN112270236A CN112270236A (zh) 2021-01-26
CN112270236B true CN112270236B (zh) 2022-07-19

Family

ID=74342210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011128315.6A Active CN112270236B (zh) 2020-10-21 2020-10-21 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法

Country Status (1)

Country Link
CN (1) CN112270236B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136733A (zh) * 2013-02-25 2013-06-05 中国人民解放军总参谋部第六十一研究所 基于多尺度图像分割和颜色传递的遥感图像彩色增强方法
CN105513079A (zh) * 2015-12-16 2016-04-20 中国科学院电子学研究所 大尺度时间序列遥感图像变化区域的检测方法
CN105740794A (zh) * 2016-01-27 2016-07-06 中国人民解放军92859部队 一种基于卫星影像的海岸线自动提取与分类方法
CN109166148A (zh) * 2018-08-08 2019-01-08 长春工程学院 区域灰度和方向成分算子的遥感影像中树冠直径提取方法
CN109684929A (zh) * 2018-11-23 2019-04-26 中国电建集团成都勘测设计研究院有限公司 基于多源遥感数据融合的陆生植物生态环境监测方法
CN109871884A (zh) * 2019-01-25 2019-06-11 曲阜师范大学 一种融合多特征的支持向量机面向对象遥感影像分类方法
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法
CN110690995A (zh) * 2019-09-29 2020-01-14 南京大学 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备
CN111007039A (zh) * 2019-11-29 2020-04-14 航天东方红卫星有限公司 中低分辨率遥感图像亚像元级水体自动提取方法和系统
CN111339948A (zh) * 2020-02-25 2020-06-26 武汉大学 一种高分辨率遥感影像新增建筑自动识别方法
AU2020101054A4 (en) * 2020-06-19 2020-07-30 Guizhou Institute Of Pratacultural A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV
CN111583158A (zh) * 2020-05-19 2020-08-25 国网吉林省电力有限公司 一种背景简化表达的票据电子影像压缩存储方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10458908B2 (en) * 2016-02-04 2019-10-29 Gemmacert Ltd. System and method for qualifying plant material
US10984532B2 (en) * 2018-08-24 2021-04-20 Ordnance Survey Limited Joint deep learning for land cover and land use classification

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136733A (zh) * 2013-02-25 2013-06-05 中国人民解放军总参谋部第六十一研究所 基于多尺度图像分割和颜色传递的遥感图像彩色增强方法
CN105513079A (zh) * 2015-12-16 2016-04-20 中国科学院电子学研究所 大尺度时间序列遥感图像变化区域的检测方法
CN105740794A (zh) * 2016-01-27 2016-07-06 中国人民解放军92859部队 一种基于卫星影像的海岸线自动提取与分类方法
CN109166148A (zh) * 2018-08-08 2019-01-08 长春工程学院 区域灰度和方向成分算子的遥感影像中树冠直径提取方法
CN109684929A (zh) * 2018-11-23 2019-04-26 中国电建集团成都勘测设计研究院有限公司 基于多源遥感数据融合的陆生植物生态环境监测方法
CN109871884A (zh) * 2019-01-25 2019-06-11 曲阜师范大学 一种融合多特征的支持向量机面向对象遥感影像分类方法
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法
CN110690995A (zh) * 2019-09-29 2020-01-14 南京大学 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备
CN111007039A (zh) * 2019-11-29 2020-04-14 航天东方红卫星有限公司 中低分辨率遥感图像亚像元级水体自动提取方法和系统
CN111339948A (zh) * 2020-02-25 2020-06-26 武汉大学 一种高分辨率遥感影像新增建筑自动识别方法
CN111583158A (zh) * 2020-05-19 2020-08-25 国网吉林省电力有限公司 一种背景简化表达的票据电子影像压缩存储方法
AU2020101054A4 (en) * 2020-06-19 2020-07-30 Guizhou Institute Of Pratacultural A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
"An End-to-End and Localized Post-Processing Method for Correcting High-Resolution Remote Sensing Classification Result Images";Xin Pan 等;《Remote Sensing 》;20200306;第12卷(第5期);852 *
"Automatic classification of fine-scale mountain vegetation based on mountain altitudinal belt";Zhang J等;《PLoS One》;20200825;第15卷(第8期);1-6 *
"Scale Sequence Joint Deep Learning (SS-JDL) for land use and land cover classification";Ce Zhang 等;《Remote Sensing of Environment 》;20200201;第237卷;111593 *
"一种提高喀斯特地区植被分类精度的方法——以贵州省关岭县为例";夏林 等;《贵州师范大学学报(自然科学版)》;20180512;第36卷(第3期);8-13+51 *
"分层分类和多指标结合的西北农牧交错带植被信息提取";何鸿杰 等;《干旱区地理》;20190315;第42卷(第02期);332-340 *
"基于无人机可见光影像的棉花苗情监测";薛金利;《中国优秀硕士学位论文全文数据库 (农业科技辑)》;20200815(第（2020）8期);D043-20 *
"基于纹理特征与LSSVM的青土湖地物提取";张华 等;《干旱区地理》;20180715;第41卷(第04期);802-808 *
"影像融合技术在滩涂湿地植被分类中的应用";管玉娟 等;《海洋环境科学》;20081231;第27卷(第6期);647-652 *

Also Published As

Publication number Publication date
CN112270236A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
Yao et al. A genetic-algorithm-based selective principal component analysis (GA-SPCA) method for high-dimensional data feature extraction
CN110852225A (zh) 基于深度卷积神经网络的遥感影像红树林提取方法及系统
Ruiz-Ruiz et al. Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA)
CN106845497B (zh) 基于多特征融合的玉米前期图像旱情识别方法
CN107480706A (zh) 一种制种玉米田遥感识别方法及装置
CN110991511A (zh) 一种基于深度卷积神经网络的向日葵作物种子分拣方法
CN109726705B (zh) 红树林信息的提取方法、装置及电子设备
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
CN112766155A (zh) 一种基于深度学习的海水养殖区提取方法
CN104102928A (zh) 一种基于纹理基元的遥感图像分类方法
Zhang et al. Evaluation of efficacy of fungicides for control of wheat fusarium head blight based on digital imaging
CN110689065A (zh) 一种基于扁平混合卷积神经网络的高光谱图像分类方法
CN115512123A (zh) 一种海鲜菇多时期关键生长特征提取及时期分类方法
CN112949725A (zh) 一种基于多尺度特征提取的小麦种子分类方法
CN111767943A (zh) 地膜识别方法、装置、电子设备及存储介质
CN113408573B (zh) 基于机器学习的瓷砖色号自动分类归类的方法及装置
Zlinszky et al. Will it blend? Visualization and accuracy evaluation of high-resolution fuzzy vegetation maps
CN112270236B (zh) 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN111832480B (zh) 一种基于光谱特征的油菜种植区遥感识别方法
CN116994071A (zh) 一种基于自适应光谱残差的多光谱激光雷达点云分类方法
Poleshchenko et al. On the Segmentation of Sunflower Plants in UAV Photos
CN113762128A (zh) 一种基于无监督学习的高光谱影像分类方法
CN112668670A (zh) 地膜识别方法及其相关设备
Hu et al. Estimation of wheat tiller density using remote sensing data and machine learning 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
GR01 Patent grant
GR01 Patent grant