CN112561942B - 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法 - Google Patents

一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法 Download PDF

Info

Publication number
CN112561942B
CN112561942B CN202011488554.2A CN202011488554A CN112561942B CN 112561942 B CN112561942 B CN 112561942B CN 202011488554 A CN202011488554 A CN 202011488554A CN 112561942 B CN112561942 B CN 112561942B
Authority
CN
China
Prior art keywords
night light
target area
point
data
light data
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
CN202011488554.2A
Other languages
English (en)
Other versions
CN112561942A (zh
Inventor
黄耀欢
伍程斌
陈明星
刘业森
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources 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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202011488554.2A priority Critical patent/CN112561942B/zh
Publication of CN112561942A publication Critical patent/CN112561942A/zh
Application granted granted Critical
Publication of CN112561942B publication Critical patent/CN112561942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法。该方法包括获取第一夜光灯数据、水体数据、火点数据；对第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据；对第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据；根据第一目标区域夜光灯数据获得分位数曲线，根据分位数曲线至参考线的距离最大值，分别计算第一、二、三分级阈值；利用第一、二、三分级阈值分别对第一、二、三目标区域进行栅格重分类，分类为城市、郊区、农村和其它。该发明基于DMSP夜间灯光影像进行自动分位数曲线分析，可实现城郊村三元内部精细结构的提取，从DMSP夜光灯亮度分布自动对阈值进行选择，避免引入辅助数据以及主观因素产生的误差。

Description

一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法
技术领域
本发明涉及图像和影像识别技术领域，更具体地，涉及一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法。
背景技术
夜间灯光卫星遥感数据的应用愈发广泛，已成为城镇化及土地利用监测等研究的重要数据源。DMSP夜间灯光数据(Defense Meteorological Satellite Program，DMSP)是应用最广泛的夜光灯数据之一，其利用搭载的线性扫描业务系统，通过可见光-近红外两个波段形成灰度图像。光谱分辨率为8比特，灰度值范围0-63。与其他夜间灯光卫星相比，数据量较小，图像处理较为简便，并具有明显的长时间序列优势；此外，夜光灯数据综合性较强，其涵盖了大部分交通道路、居民地等与人口、城市分布相关的信息。
但现有的夜间灯光影响提取技术方案存在以下缺陷：依赖经验知识和辅助数据来确定夜光灯影像的灰度阈值，进而确定城市区域的方法，引入了人的主观因素和辅助数据的误差，精度不足；引入的辅助数据和经验知识不具有通用性，针对不同地区对应的经验知识和所需的辅助数据不同，因此，这种加入经验知识和辅助数据的方法难以进行大范围应用；利用机器学习确定阈值需要大量样本数据，而样本数量和时间、人力成本成正比，但对于长时间序列、大范围的应用要求样本覆盖尽可能全面，导致利用机器学习确定阈值的方法数据量大、需耗费大量时间和人力；无法实现提取城市、郊区、农村精细结构的提取。
发明内容
鉴于上述问题，本发明提出了一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其可以实现精细化的城市、郊区、农村灯光提取和数据分析。
根据本发明实施例，提供一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，所述方法包括：
获取第一夜光灯数据、水体数据、火点数据；
对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据；
对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据；
根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值；
利用所述第一分级阈值、所述第二分级阈值、所述第三分级阈值分别对第一目标区域、第二目标区域、第三目标区域进行栅格重分类，分类为城市、郊区、农村和其它。
在一个实施例中，优选地，所述对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据，具体包括：
利用所述水体数据和所述第一夜光灯数据获取水体掩膜；
利用所述火点数据和所述第一夜光灯数据获取火点掩膜；
对所述火点掩膜和水体掩膜进行融合，获取水体与火点掩膜；
利用所述水体与火点掩膜对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据。
在一个实施例中，优选地，所述对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据，具体包括：
获取待研究区域边界线，其中，所述待研究区域边界线在所述第一夜光灯数据和所述第二夜光灯数据区域内；
在所述第二夜光灯数据区域内确定所述待研究区域边界线位置；
根据所述待研究区域边界线位置将所述第二夜光灯数据裁剪为第一目标区域夜光灯数据。
在一个实施例中，优选地，所述根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值，具体包括：
根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值；
根据第一分级阈值计算所述第二目标区域，并绘制分位数曲线，并获取第二分级阈值；
根据第二分级阈值计算所述第三目标区域，并绘制分位数曲线，并获取第三分级阈值。
在一个实施例中，优选地，所述根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值，具体包括：
根据所述第一目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
根据所述0到100分位的夜光灯亮度值DN生成第一点序列，其中，所述第一点序列中的每个点包括分位数和亮度；
在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第一点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
以所述第一点序列中0分位的点和100分位的点对应的坐标利用第一计算公式确定第一直线系数；
根据第二计算公式和所述第一直线系数，确定第一直线；
利用第三计算公式计算所述第一点序列中每个点到所述第一直线的距离；
获得所述第一点序列中每个点到所述第一直线的距离最大值，并保持对应的点的坐标为第一转折点，其中，所述第一转折点包括分位值和第一分级阈值；
在一个实施例中，优选地，所述根据第一分级阈值计算所述第二目标区域，并绘制分位数曲线，并获取第二分级阈值，具体包括：
将所述第一目标区域夜光灯数据中夜光灯亮度值DN小于所述第一分级阈值的部分删除，并保存为所述第二目标区域夜光灯数据；
根据所述第二目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
根据所述0到100分位的夜光灯亮度值DN生成第二点序列，其中，所述第二点序列中的每个点包括分位数和亮度；
在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第二点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
以所述第二点序列中0分位的点和100分位的点对应的坐标利用第一计算公式确定第二直线系数；
根据第二计算公式和所述第二直线系数，确定第二直线；
利用第三计算公式计算所述第二点序列中每个点到所述第二直线的距离；
获得所述第二点序列中每个点到所述第二直线的距离最大值，并保持对应的点的坐标为第二转折点，其中，所述第二转折点包括分位值和第二分级阈值。
在一个实施例中，优选地，所述根据第二分级阈值计算所述第三目标区域，并绘制分位数曲线，并获取第三分级阈值，具体包括：
将所述第二目标区域夜光灯数据中夜光灯亮度值DN小于所述第二分级阈值的部分删除，并保存为所述第三目标区域夜光灯数据。
根据所述第三目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
根据所述0到100分位的夜光灯亮度值DN生成第三点序列，其中，所述第三点序列中的每个点包括分位数和亮度；
在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第三点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
以所述第三点序列中0分位的点和100分位的点对应的坐标利用所述第一计算公式确定第三直线系数；
根据所述第二计算公式和所述第三直线系数，确定第三直线；
利用所述第三计算公式计算所述第三点序列中每个点到所述第三直线的距离；
获得所述第三点序列中每个点到所述第三直线的距离最大值，并保持对应的点的坐标为第三转折点，其中，所述第三转折点包括分位值和第三分级阈值。
所述第一计算公式为：
Figure BDA0002840057260000051
其中，kj和bj为所述第j直线系数，Q0为0分位的点的横坐标，D0为0分位的点的纵坐标，Q100为100分位的点的横坐标，D100为100分位的点的纵坐标，所述第j为第一、第二、第三中的一个；
所述第二计算公式为：
Dj＝kjQj+bj
其中，kj和bj为所述第j直线系数，Qj为所述第j点序列中的点的横坐标，Dj为所述第j点序列中的点的纵坐标，所述第j为第一、第二、第三中的一个；
所述第三计算公式为：
Figure BDA0002840057260000052
其中，dj为所述第j点序列中每个点到所述第j直线的距离，kj和bj为所述第j直线系数，所述第j为第一、第二、第三中的一个，Qi为所述第一点序列、所述第二点序列、所述第三点序列中的第i分位的点的横坐标，Di为所述第一点序列、所述第二点序列、所述第三点序列中的第i分位的点的纵坐标。
在一个实施例中，优选地，利用所述第一分级阈值、所述第二分级阈值、所述第三分级阈值分别对第一目标区域、第二目标区域、第三目标区域进行栅格重分类，分类为城市、郊区、农村和其它，具体包括：
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第一分级阈值，输出于分类为其它；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否大于等于所述第一分级阈值，并且所述第一分级阈值不等于亮度最大值，则根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系，分类为城市、郊区和农村中的一个；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否大于等于所述第一分级阈值，并且所述第一分级阈值等于亮度最大值，则根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个。
在一个实施例中，优选地，所述根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系，分类为城市、郊区和农村中的一个，具体包括：
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第二分级阈值，输出于分类为农村；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，并且所述第一目标区域夜光灯数据中的夜光灯亮度值DN小于所述第三分级阈值，输出于分类为郊区；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，并且所述第一目标区域夜光灯数据中的夜光灯亮度值DN不小于所述第三分级阈值，输出于分类为城市。
在一个实施例中，优选地，所述根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个，具体包括：
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第二分级阈值，输出于分类为郊区；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，输出于分类为城市。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，通过该方案，在夜光灯数据的数学统计规律中对城市核心区、郊区和农村的夜光灯进行自动分级，利用数据本身的信息客观反应夜光灯亮度的变化。与以往方法相比，避免了引入主观经验数据和辅助数据。此外，该方法具有统一的数学方法理论，容易将此算法设计为计算机程序从而实现自动计算和反演。基于该发明的方法可以实现城郊村三元内部精细结构的提取，而不是将城市区域作为一种不可分类型提取，并实现从DMSP夜光灯亮度分布自动对阈值进行选择，避免引入辅助数据以及主观因素产生的误差，进而解决了现有技术存在的问题。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，对于本领域技术人员来讲，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是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法的流程图。
图2是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的通过栅格乘法和掩膜擦除获取第二夜光灯数据的流程图。
图3是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的通过裁剪获取第一目标区域夜光灯数据的流程图。
图4是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的提取第二夜光灯数据的流程图。
图5是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值的流程图。
图6是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值的流程图。
图7是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据第一分级阈值计算所述第二目标区域，并绘制分位数曲线，并获取第二分级阈值的流程图。
图8是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据第二分级阈值计算所述第三目标区域，并绘制分位数曲线，并获取第三分级阈值的流程图。
图9是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的第一点序列、第二点序列和第三点序列的分位数曲线图。
图10是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的通过栅格重分类，分类为城市、郊区、农村和其它的流程图。
图11是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系的流程图。
图12是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个的流程图。
图13是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法的整体流程示意图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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。
夜间灯光卫星遥感数据的应用愈发广泛，已成为城镇化及土地利用监测等研究的重要数据源。DMSP夜间灯光数据(Defense Meteorological Satellite Program/Operational Linescan System，DMSP/OLS)是应用最广泛的夜间灯光卫星之一，其利用搭载的线性扫描业务系统，通过可见光-近红外两个波段形成灰度图像。光谱分辨率为8比特，灰度值范围0-63。与其他夜间灯光卫星VIIRS/DNB(Visible Infrared ImagingRadiometer Suite Day/Night Band，VIIRS/DNB)相比，DMSP空间分辨率为1km，数据量较小，图像处理较为简便；其次，具有明显的长时间序列优势；此外，DMSP数据综合性较强，其涵盖了大部分交通道路、居民地等与人口、城市分布相关的信息。
利用夜光灯数据进行城市扩张识别等研究时的关键步骤主要是通过某种规则所确定的固定阈值对边界进行划定。该方法通过经验知识、引入辅助数据或者机器学习方法，确定夜灯光影像灰度阈值，进而将高于阈值的影像像元确定为城市区域。采用阈值的识别方法是基于夜间灯光数据进行城市边界提取的方法基础，已经广泛应用于城市扩张研究。
现有技术方案存在以下问题：依赖经验知识和辅助数据来确定夜光灯影像的灰度阈值，进而确定城市区域的方法，引入了人的主观因素和辅助数据的误差，精度不足；引入的辅助数据和经验知识不具有通用性，针对不同地区对应的经验知识和所需的辅助数据不同，因此，这种加入经验知识和辅助数据的方法难以进行大范围应用；利用机器学习确定阈值需要大量样本数据，样本数量明显不足；对于长时间序列、大范围的应用要求样本覆盖尽可能全面，导致利用机器学习确定阈值的方法数据量大、需耗费大量时间和人力；无法实现提取城市、郊区、农村精细结构的提取。
本发明中提出了一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，在不引入辅助经验或数据的情况下，基于DMSP夜光灯数据的城市核心区、郊区、农村边界的自动提取方法，以实现城郊村三元结构快速反演。并基于DMSP夜光灯影像数据构建分位数曲线，结合数学方法以及计算机自动化处理程序，自动寻找用于划分城郊村三元结构的阈值。
图1是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法的流程图。
如图1所示，在一个或多个实施例中，优选地，所述基于DMSP夜间灯光影像的城郊村三元结构自动提取方法包括：
S101、获取第一夜光灯数据、水体数据、火点数据；
S102、对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据；
S103、对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据；
S104、根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值；
S105、利用所述第一分级阈值、所述第二分级阈值、所述第三分级阈值分别对第一目标区域、第二目标区域、第三目标区域进行栅格重分类，分类为城市、郊区、农村和其它。
具体的，夜光灯亮度值DN(Nighttime Light，DN)用于反映亮度，主要依靠对应像素点的灰度。
在本发明实施例中，通过数据获取、滤除不稳定数据、光区域裁剪、光强分级裕度计算和光强区域划分5个步骤实现全流程的基于夜光灯亮度值DN的亮度，完全不引入辅助经验，所有的数据处理过程均为依靠数据为基础，能够更加客观的根据灯光强度划分区域。
图2是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的通过栅格乘法和掩膜擦除获取第二夜光灯数据的流程图。
如图2所示，在一个或多个实施例中，优选地，所述对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据，具体包括：
S201、利用所述水体数据和所述第一夜光灯数据获取水体掩膜；
S202、利用所述火点数据和所述第一夜光灯数据获取火点掩膜；
S203、对所述火点掩膜和水体掩膜进行融合，获取水体与火点掩膜；
S204、利用所述水体与火点掩膜对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据。
在本发明实施例中，通过第一夜光灯数据和水体数据获取了水体的掩膜，并通过第一夜光灯数据和火点数据获取了火点的掩膜，两种掩膜水体和火点分别代表了两种不稳定的光源，水体用于排除非农村、城市和郊区用地；火点数据用于排除船舶、火灾等不稳定光源；因此需要被滤除，都是不稳定的光点。其实，在实际的灯光中还存在其他的不稳定光源，但是由于不好辨识，暂且未被通过掩膜滤除。
图3是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的通过裁剪获取第一目标区域夜光灯数据的流程图。
如图3所示，在一个或多个实施例中，优选地，所述对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据，具体包括：
S301、获取待研究区域边界线，其中，所述待研究区域边界线在所述第一夜光灯数据和所述第二夜光灯数据区域内；
S302、在所述第二夜光灯数据区域内确定所述待研究区域边界线位置；
S303、根据所述待研究区域边界线位置将所述第二夜光灯数据裁剪为第一目标区域夜光灯数据。
在本发明实施例中，通过设定需要研究的区域的边界线，进行裁剪，进而可以实现利用地理或地图信息的二次的图像处理，有针对性的进行夜光灯强度等级判别。当在实际使用时，一般建议以地图区域进行裁剪，当所观测或研究的区域无明确的边界线时，也可以根据用户的需求自行设置观测区域，避免了大量的不必要的数据分析，提高了数据分析的效率。
图4是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的提取第二夜光灯数据的流程图。
如图4所示，在一个或多个实施例中，优选地，为从第一夜光数据到水体数据和火点数据，进而被转换并保存变为第二夜光数据。在第一夜光数据中白策区域为明显的光强区域，而在第二夜光数据中，黑色区域为与所述第一夜光灯数据的白色对应被识别的强光区域，但在第二夜光数据中删除了水点及火点数据的。本实施例中所述的强光与暗光为相对灯光数据中的大部分数据。
在本发明实施例中，通过展示整个灯光的数据处理过程证明，在经由水体和火点数据滤除后，能够有效的显出准确的稳定的灯光数据。所述水体和火点数据为不稳定的夜光灯数据。其中，火点数据指不稳定的的火源发光的数据。
图5是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值的流程图。
如图5所示，在一个或多个实施例中，优选地，所述根据所述第一目标区域夜光灯数据获得分位数曲线，所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值，具体包括：
S501、根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值；
S502、根据第一分级阈值计算所述第二目标区域，并绘制分位数曲线，并获取第二分级阈值；
S503、根据第二分级阈值计算所述第三目标区域，并绘制分位数曲线，并获取第三分级阈值。
在本发明实施例中，本部分整体的给出了第一分级阈值、第二分级阈值和第三分级阈值的获取流程和获取的基本数据基础。进而基于此方案，可以在获得所述第一目标夜光灯数据后，进而通过此流程直接获取灯光的数据阈值。
图6是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值的流程图。
如图6所示，在一个或多个实施例中，优选地，所述根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值，具体包括：
S601、根据所述第一目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
S602、根据所述0到100分位的夜光灯亮度值DN生成第一点序列，其中，所述第一点序列中的每个点包括分位数和亮度；
S603、在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第一点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
S604、以所述第一点序列中0分位的点和100分位的点对应的坐标利用第一计算公式确定第一直线系数；
S605、根据第二计算公式和所述第一直线系数，确定第一直线；
S606、利用第三计算公式计算所述第一点序列中每个点到所述第一直线的距离；
S607、获得所述第一点序列中每个点到所述第一直线的距离最大值，并保持对应的点的坐标为第一转折点，其中，所述第一转折点包括分位值和第一分级阈值；
在本发明实施例中，在本流程中，第一次将所述的第一目标夜光灯数据进行了100分位数的数据计算，进而获取了一条直线，通过与直线数据的距离对边获取了第一级的数据转折点，将其定义为数据的第一分级阈值，也可以认为是农村的边界阈值。
图7是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据第一分级阈值计算所述第二目标区域，并绘制分位数曲线，并获取第二分级阈值的流程图。
如图7所示，在一个或多个实施例中，优选地，所述根据第一分级阈值计算所述第二目标区域，并绘制分位数曲线，并获取第二分级阈值，具体包括：
S701、将所述第一目标区域夜光灯数据中夜光灯亮度值DN小于所述第一分级阈值的部分删除，并保存为所述第二目标区域夜光灯数据；
S702、根据所述第二目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
S703、根据所述0到100分位的夜光灯亮度值DN生成第二点序列，其中，所述第二点序列中的每个点包括分位数和亮度；
S704、在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第二点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
S705、以所述第二点序列中0分位的点和100分位的点对应的坐标利用第一计算公式确定第二直线系数；
S706、根据第二计算公式和所述第二直线系数，确定第二直线；
S707、利用第三计算公式计算所述第二点序列中每个点到所述第二直线的距离；
S708、获得所述第二点序列中每个点到所述第二直线的距离最大值，并保持对应的点的坐标为第二转折点，其中，所述第二转折点包括分位值和第二分级阈值。
在本发明实施例中，在获取第一分级阈值的基础上，进一步将所述的第一目标夜光灯数据删减到小于第一分级阈值的部分，并进行了100分位数的数据计算，进而获取了第二直线，并通过与直线数据的距离对边获取了第二级的数据转折点，将其定义为数据的第一分级阈值，也可以认为是城郊的边界阈值。
图8是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据第二分级阈值计算所述第三目标区域，并绘制分位数曲线，并获取第三分级阈值的流程图。
如图8所示，在一个或多个实施例中，优选地，所述根据第二分级阈值计算所述第三目标区域，并绘制分位数曲线，并获取第三分级阈值，具体包括：
S801、将所述第二目标区域夜光灯数据中夜光灯亮度值DN小于所述第二分级阈值的部分删除，并保存为所述第三目标区域夜光灯数据。
S802、根据所述第三目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
S803、根据所述0到100分位的夜光灯亮度值DN生成第三点序列，其中，所述第三点序列中的每个点包括分位数和亮度；
S804、在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第三点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
S805、以所述第三点序列中0分位的点和100分位的点对应的坐标利用所述第一计算公式确定第三直线系数；
S806、根据所述第二计算公式和所述第三直线系数，确定第三直线；
S807、利用所述第三计算公式计算所述第三点序列中每个点到所述第三直线的距离；
S808、获得所述第三点序列中每个点到所述第三直线的距离最大值，并保持对应的点的坐标为第三转折点，其中，所述第三转折点包括分位值和第三分级阈值。
所述第一计算公式为：
Figure BDA0002840057260000161
其中，kj和bj为所述第j直线系数，Q0为0分位的点的横坐标，D0为0分位的点的纵坐标，Q100为100分位的点的横坐标，D100为100分位的点的纵坐标，所述第j为第一、第二、第三中的一个；
所述第二计算公式为：
Dj＝kjQj+bj
其中，kj和bj为所述第j直线系数，Qj为所述第j点序列中的点的横坐标，Dj为所述第j点序列中的点的纵坐标，所述第j为第一、第二、第三中的一个；
所述第三计算公式为：
Figure BDA0002840057260000162
其中，dj为所述第j点序列中每个点到所述第j直线的距离，kj和bj为所述第j直线系数，所述第j为第一、第二、第三中的一个，Qi为所述第一点序列、所述第二点序列、所述第三点序列中的第i分位的点的横坐标，Di为所述第一点序列、所述第二点序列、所述第三点序列中的第i分位的点的纵坐标。
在本发明实施例中，通过获取第二分级阈值和基础的夜光灯数据，进行第三直线以及与第三直线的距离计算，进而利用距离的转折点，获取第三数据阈值。
图9是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的第一点序列、第二点序列和第三点序列的分位数曲线图。
如图9所示，在本发明实施例中，第一分级阈值、第二分级阈值和第三分级阈值的获取图像示意被分析，进行了实际第一点序列、第二点序列和第三点序列的运算举例，分别完成了三级的分位数曲线，并根据分位数曲线与第一直线、第二直线和第三直线的距离，获取第一分级阈值、第二分级阈值和第三分级阈值。
图10是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的通过栅格重分类，分类为城市、郊区、农村和其它的流程图。
如图10所示，在一个或多个实施例中，优选地，利用所述第一分级阈值、所述第二分级阈值、所述第三分级阈值分别对第一目标区域、第二目标区域、第三目标区域进行栅格重分类，分类为城市、郊区、农村和其它，具体包括：
S1001、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第一分级阈值，输出于分类为其它；
S1002、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否大于等于所述第一分级阈值，并且所述第一分级阈值不等于亮度最大值，则根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系，分类为城市、郊区和农村中的一个；
S1003、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否大于等于所述第一分级阈值，并且所述第一分级阈值等于亮度最大值，则根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个。
在本发明实施例中，给出了第一级夜光灯亮度值DN的判断过程，具体过程中由于夜光灯亮度值DN一定会落在其中的一个范围内，因此采取了分步判断的方式，首先判别是否为其它，进而判断是否为农村、最终在确认是郊区还是城市。
图11是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系的流程图。
如图11所示，在一个或多个实施例中，优选地，所述根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系，分类为城市、郊区和农村中的一个，具体包括：
S1101、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第二分级阈值，输出于分类为农村；
S1102、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，并且所述第一目标区域夜光灯数据中的夜光灯亮度值DN小于所述第三分级阈值，输出于分类为郊区；
S1103、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，并且所述第一目标区域夜光灯数据中的夜光灯亮度值DN不小于所述第三分级阈值，输出于分类为城市。
在本发明实施例中，通过第二分级阈值和第三分级阈值异同综合判断确认所述的夜光灯亮度值DN属于区域的部分，此种情况下主要是因为第二分级阈值与第三分级阈值为两个数值，且第二分级阈值与第三分级阈值都小于整体的亮度最大值。
图12是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法中的根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个的流程图。
如图12所示，在一个或多个实施例中，优选地，所述根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个，具体包括：
S1201、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第二分级阈值，输出于分类为郊区；
S1202、判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，输出于分类为城市。
在本发明实施例中，给出了当夜光灯亮度值DN的最大值与所述第二分级阈值相同时情况下，具体的城市和郊区的划分方式，当大于或等于第二分级阈值时，则认为输出分类为城市。
图13是本发明一个实施例的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法的整体流程示意图。
如图13所示，在一个或多个实施例中，优选地，具体的所述步骤S101到所述步骤S105的全部内容被举例完成，其中，夜光灯数据以京津冀边界为基础进行提取。具体的，夜光灯NTL(Nighttime Light，NTL)用于表示夜光灯，其中，NTLinitial为初始灯光。在本发明实施例中，通过给出完整了自动提取方法的流程，在此流程中给出了一种具体的利用此方法进行软件程序设计的设计流程，能够通过循环判断和决策树实现对最终的城郊村的三元结构自动判断和提取，并输出各个像素点是城市、郊区、农村还是其他。
在本实施例的技术方案中，通过在夜光灯数据的数学统计规律中对城市核心区、郊区和农村的夜光灯进行自动分级，利用数据本身的综合信息客观反应夜光灯亮度的变化。与以往方法相比，避免了引入主观经验数据和辅助数据。此外，该方法具有统一的数学方法理论，容易将此算法设计为计算机程序从而实现自动计算和反演。基于该发明的方法可以实现城郊村三元内部精细结构的提取，而不是将城市区域作为一种不可分类型提取，并实现从DMSP夜光灯亮度分布自动对阈值进行选择，避免引入辅助数据以及主观因素产生的误差，进而解决现有技术存在的问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其特征在于，包括：
获取第一夜光灯数据、水体数据、火点数据；
对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据；
对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据；
根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值；
利用所述第一分级阈值、所述第二分级阈值、所述第三分级阈值分别对第一目标区域、第二目标区域、第三目标区域进行栅格重分类，分类为城市、郊区、农村和其它；
其中，所述根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值，具体包括：
根据所述第一目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
根据所述0到100分位的夜光灯亮度值DN生成第一点序列，其中，所述第一点序列中的每个点包括分位数和亮度；
在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第一点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
以所述第一点序列中0分位的点和100分位的点对应的坐标利用第一计算公式确定第一直线系数；
根据第二计算公式和所述第一直线系数，确定第一直线；
利用第三计算公式计算所述第一点序列中每个点到所述第一直线的距离；
获得所述第一点序列中每个点到所述第一直线的距离最大值，并保持对应的点的坐标为第一转折点，其中，所述第一转折点包括分位值和第一分级阈值；
其中，所述根据第一分级阈值计算所述第二目标区域，并绘制分位数曲线，并获取第二分级阈值，具体包括：
将所述第一目标区域夜光灯数据中夜光灯亮度值DN小于所述第一分级阈值的部分删除，并保存为所述第二目标区域夜光灯数据；
根据所述第二目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
根据所述0到100分位的夜光灯亮度值DN生成第二点序列，其中，所述第二点序列中的每个点包括分位数和亮度；
在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第二点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
以所述第二点序列中0分位的点和100分位的点对应的坐标利用第一计算公式确定第二直线系数；
根据第二计算公式和所述第二直线系数，确定第二直线；
利用第三计算公式计算所述第二点序列中每个点到所述第二直线的距离；
获得所述第二点序列中每个点到所述第二直线的距离最大值，并保持对应的点的坐标为第二转折点，其中，所述第二转折点包括分位值和第二分级阈值；
其中，所述根据第二分级阈值计算所述第三目标区域，并绘制分位数曲线，并获取第三分级阈值，具体包括：
将所述第二目标区域夜光灯数据中夜光灯亮度值DN小于所述第二分级阈值的部分删除，并保存为所述第三目标区域夜光灯数据；
根据所述第三目标区域夜光灯数据计算0到100分位的夜光灯亮度值DN；
根据所述0到100分位的夜光灯亮度值DN生成第三点序列，其中，所述第三点序列中的每个点包括分位数和亮度；
在分位数为横坐标轴亮度为纵坐标轴的坐标系下，根据所述第三点序列中每个点的所述分位数和所述亮度以横轴逆序排列方式绘制分位数曲线；
以所述第三点序列中0分位的点和100分位的点对应的坐标利用所述第一计算公式确定第三直线系数；
根据所述第二计算公式和所述第三直线系数，确定第三直线；
利用所述第三计算公式计算所述第三点序列中每个点到所述第三直线的距离；
获得所述第三点序列中每个点到所述第三直线的距离最大值，并保持对应的点的坐标为第三转折点，其中，所述第三转折点包括分位值和第三分级阈值；
所述第一计算公式为：
Figure FDA0003893538480000031
其中，kj和bj为第j直线系数，Q0为0分位的点的横坐标，D0为0分位的点的纵坐标，Q100为100分位的点的横坐标，D100为100分位的点的纵坐标，所述第j为第一、第二、第三中的一个；
所述第二计算公式为：
Dj＝kjQj+bj
其中，kj和bj为所述第j直线系数，Qj为所述第j点序列中的点的横坐标，Dj为所述第j点序列中的点的纵坐标，所述第j为第一、第二、第三中的一个；
所述第三计算公式为：
Figure FDA0003893538480000032
其中，dj为所述第j点序列中每个点到所述第j直线的距离，kj和bj为所述第j直线系数，所述第j为第一、第二、第三中的一个，Qi为所述第一点序列、所述第二点序列、所述第三点序列中的第i分位的点的横坐标，Di为所述第一点序列、所述第二点序列、所述第三点序列中的第i分位的点的纵坐标。
2.如权利要求1所述的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其特征在于，所述对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据，具体包括：
利用所述水体数据和所述第一夜光灯数据获取水体掩膜；
利用所述火点数据和所述第一夜光灯数据获取火点掩膜；
对所述火点掩膜和所述水体掩膜进行融合，获取水体与火点掩膜；
利用所述水体与火点掩膜对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据。
3.如权利要求2所述的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其特征在于，所述对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据，具体包括：
获取待研究区域边界线，其中，所述待研究区域边界线在所述第一夜光灯数据和所述第二夜光灯数据区域内；
在所述第二夜光灯数据区域内确定所述待研究区域边界线位置；
根据所述待研究区域边界线位置将所述第二夜光灯数据裁剪为第一目标区域夜光灯数据。
4.如权利要求3所述的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其特征在于，所述根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值，具体包括：
根据所述第一目标区域夜光灯数据绘制分位数曲线，并获取第一分级阈值；
根据第一分级阈值计算第二目标区域，并绘制分位数曲线，并获取第二分级阈值；
根据第二分级阈值计算第三目标区域，并绘制分位数曲线，并获取第三分级阈值。
5.如权利要求4所述的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其特征在于，利用所述第一分级阈值、所述第二分级阈值、所述第三分级阈值分别对第一目标区域、第二目标区域、第三目标区域进行栅格重分类，分类为城市、郊区、农村和其它，具体包括：
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第一分级阈值，输出于分类为其它；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否大于等于所述第一分级阈值，并且所述第一分级阈值不等于亮度最大值，则根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系，分类为城市、郊区和农村中的一个；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否大于等于所述第一分级阈值，并且所述第一分级阈值等于亮度最大值，则根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个。
6.如权利要求5所述的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其特征在于，所述根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值和所述第三分级阈值的关系，分类为城市、郊区和农村中的一个，具体包括：
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第二分级阈值，输出于分类为农村；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，并且所述第一目标区域夜光灯数据中的夜光灯亮度值DN小于所述第三分级阈值，输出于分类为郊区；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，并且所述第一目标区域夜光灯数据中的夜光灯亮度值DN不小于所述第三分级阈值，输出于分类为城市。
7.如权利要求6所述的一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其特征在于，所述根据所述第一目标区域夜光灯数据中的夜光灯亮度值DN与所述第二分级阈值的关系，分类为城市和郊区中的一个，具体包括：
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否小于所述第二分级阈值，输出于分类为郊区；
判断所述第一目标区域夜光灯数据中的夜光灯亮度值DN是否不小于所述第二分级阈值，输出于分类为城市。
CN202011488554.2A 2020-12-16 2020-12-16 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法 Active CN112561942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011488554.2A CN112561942B (zh) 2020-12-16 2020-12-16 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011488554.2A CN112561942B (zh) 2020-12-16 2020-12-16 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法

Publications (2)

Publication Number Publication Date
CN112561942A CN112561942A (zh) 2021-03-26
CN112561942B true CN112561942B (zh) 2023-01-17

Family

ID=75064241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011488554.2A Active CN112561942B (zh) 2020-12-16 2020-12-16 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法

Country Status (1)

Country Link
CN (1) CN112561942B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610346A (zh) * 2021-07-02 2021-11-05 华南农业大学 基于多源数据的村庄发展潜力评价及村庄分类方法及装置
CN116486031A (zh) * 2023-05-25 2023-07-25 南京大学 时序遥感数据与地理大数据融合的城市更新区域识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9031325B2 (en) * 2013-07-19 2015-05-12 Digitalglobe, Inc. Automatic extraction of built-up footprints from high resolution overhead imagery through manipulation of alpha-tree data structures
US9230168B2 (en) * 2013-07-31 2016-01-05 Digitalglobe, Inc. Automatic generation of built-up layers from high resolution satellite image data
CN103824077B (zh) * 2014-03-17 2017-02-22 武汉大学 一种基于多源遥感数据的城市不透水层率息提取方法
EP3293672A1 (en) * 2016-09-07 2018-03-14 Malvern Panalytical Limited Particle boundary identification
CN106485360A (zh) * 2016-10-14 2017-03-08 华中师范大学 基于全局夜光遥感的局部社会经济指标预测方法及系统
CN108399399B (zh) * 2018-03-23 2021-09-03 武汉大学 一种基于夜光遥感影像的城市范围提取方法

Also Published As

Publication number Publication date
CN112561942A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
US10628890B2 (en) Visual analytics based vehicle insurance anti-fraud detection
CN112561942B (zh) 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法
CN110009637B (zh) 一种基于树形结构的遥感图像分割网络
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN110175507B (zh) 模型评估方法、装置、计算机设备和存储介质
CN106844527B (zh) 一种基于互联网大数据的路面病害识别与管养决策方法及系统
CN110956207B (zh) 一种光学遥感影像全要素变化检测方法
CN112102250B (zh) 训练数据为缺失标注的病理图像检测模型建立、检测方法
CN112733781A (zh) 结合poi数据的城市功能区识别方法、存储介质和电子设备
Lauko et al. Local color and morphological image feature based vegetation identification and its application to human environment street view vegetation mapping, or how green is our county?
CN115439753A (zh) 一种基于dem的陡峭河岸识别方法及系统
CN114662774A (zh) 一种城市街区活力预测方法、存储介质和终端
Li et al. Identification of undocumented buildings in cadastral data using remote sensing: Construction period, morphology, and landscape
Li et al. SolarNet: A convolutional neural network-based framework for rooftop solar potential estimation from aerial imagery
CN117079148B (zh) 城市功能区的识别方法、装置、设备和介质
CN112949784A (zh) 一种居民出行链模型构建方法及居民出行链获取方法
Zhang et al. Automatic identification of building structure types using unmanned aerial vehicle oblique images and deep learning considering facade prior knowledge
CN114626458B (zh) 一种高压后部识别方法、装置、存储介质及终端
Haryono et al. Accuracy in Object Detection Based on Image Processing at the Implementation of Motorbike Parking on the Street
CN114155447A (zh) 人工智能大数据采集系统
CN115424131B (zh) 一种云检测最优阈值选取方法、云检测方法及系统
CN110727793B (zh) 区域识别的方法、装置、终端和计算机可读存储介质
Wan et al. Areal interpolation of population projections consistent with different SSPs from 1-km resolution to block level based on USA Structures dataset
Le Bris et al. Urban morpho-types classification from SPOT-6/7 imagery and Sentinel-2 time series
CN111739032B (zh) 一种基于城市街景的绿化面积计算方法及系统

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