CN112949657B - 一种基于遥感影像纹理特征的林地分布提取方法及装置 - Google Patents
一种基于遥感影像纹理特征的林地分布提取方法及装置 Download PDFInfo
- Publication number
- CN112949657B CN112949657B CN202110254659.XA CN202110254659A CN112949657B CN 112949657 B CN112949657 B CN 112949657B CN 202110254659 A CN202110254659 A CN 202110254659A CN 112949657 B CN112949657 B CN 112949657B
- Authority
- CN
- China
- Prior art keywords
- gray
- gray level
- image
- sliding window
- remote sensing
- 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
Links
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
-
- 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
-
- 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
- G06N3/08—Learning methods
Abstract
本申请公开了一种基于遥感影像纹理特征的林地分布提取方法,该方法将遥感影像的光谱信息和纹理信息进行融合,实现两者的优势互补,提高林地分布提取精度;此外,该方法根据滑动窗口的灰度值集合计算灰度共生矩阵,一方面能够大大减少计算量,提升林地分布提取效率,另一方面,不需要对原始灰度影像进行灰阶压缩,完整保留原始灰度影像的灰阶信息,使得最终提取得到的纹理特征更加精细,提高林地分布提取结果的精准度。本申请还提供了一种基于遥感影像纹理特征的林地分布提取装置、设备及可读存储介质,其技术效果与上述方法的技术效果相对应。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种基于遥感影像纹理特征的林地分布提取方法、装置、设备及可读存储介质。
背景技术
森林是陆地生态系统的主体,在减缓全球气候变化、维持生态平衡等方面起着至关重要的作用。森林资源调查与监测可掌握森林资源的现状与消长变化、检验经营措施的有效性和合理性,为制定林业方针政策、宏观规划及森林资源经营方案提供重要的数据支撑。传统的森林资源规划设计调查以地面调查为主,成本高、周期长、工作量大,且时效性和准确性往往难以满足实际应用的需要。而遥感技术具有覆盖范围大、重访周期短、应用成本低等优势,能及时、准确地掌握森林类型、面积、结构质量、现状及动态变化情况,在森林区划、森林资源调查、森林类型精细识别、植被制图、动态变化监测等方面具有巨大的应用潜力。
目前,高空间、高时间、高光谱分辨率的遥感影像为林地信息进一步精准识别提供了条件和可能,但受限于影像处理模式及分类方法等,高分辨率遥感影像精细识别林地信息的精度难以突破。随着人工智能技术的快速发展,深度学习逐渐成为一种有效的遥感影像分类方法,它不需要人工设计特征,而是对数据进行表征学习,更能够刻画数据丰富的内在信息。
目前,一些学者借助遥感影像丰富的空间信息、光谱信息对林地分布进行提取。已有的基于遥感影像进行林地提取的研究大致可以分为两类,基于像元的监督分类和面向对象的分类。基于像元的监督分类方法主要利用影像的光谱特征,但是往往忽略了像元间的空间结构信息,浪费了影像丰富的空间纹理信息。面向对象的分类方法能同时兼顾影像光谱特征和纹理特征,但是不能充分学习同类对象中特征的结构信息和规律,同时该方法依赖于分割方法以及分割参数的选取,因此普适性很差,分类精度也不高。此外,在实际生产过程中高分辨率时序影像较难获取,而低分辨率影像混合像元效应严重,分类精度较低,无法满足高精度需求,且分类过程中过于依赖人工经验,消耗大量时间。
相关学者研究发现多源数据支持下的多层次林地类型精细分类是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势。另一些学者基于面向对象的图像分析方法,通过对影像多种特征的分析和提取,建立桉树林信息提取的只是规则,实现桉树林空间分布的准确提取。还有一些学者利用面向对象技术和多时相遥感数据相结合的分类方法,提出了季节植被指数差的概念辅助进行林地类型分类。
遥感影像纹理特征提取的方法大致分为三大类,即基于统计的方法、基于结构的方法和基于谱的方法。其中,基于统计的方法是研究较多且较成熟的方法,它利用统计特性对纹理进行分析,主要包括:自相关函数,灰度共生矩阵、傅里叶变换、滤波模板、马尔科夫随机场等。其中,灰度共生矩阵方法在统计方法中占主导地位,应用比较广泛。相关学者将灰度共生矩阵应用到多波段遥感影像的纹理特征分析中。还有一些学者利用灰度共生矩阵提取遥感影像的纹理特征,并将其与原始波段进行组合,再对组合影像进行监督分类,证明了基于纹理特征的遥感影像分类的有效性。
但是,传统的灰度共生矩阵计算量大,若应用于遥感影像,将消耗更长的时间,并且在计算灰度共生矩阵过程中,压缩灰度级会造成影像信息的丢失,从而导致提取的纹理特征不够准确和精细。
综上,目前基于遥感影像的林地分布提取方案中,在计算灰度共生矩阵的时候为了减少计算量往往会对灰度级进行压缩,导致图像信息丢失,降低林地分布提取结果的精准度。
发明内容
本申请的目的是提供一种基于遥感影像纹理特征的林地分布提取方法、装置、设备及可读存储介质,用以解决目前林地分布提取方案要么提取速度慢,要么提取结果精度低的问题。其具体方案如下:
第一方面,本申请提供了一种基于遥感影像纹理特征的林地分布提取方法,包括:
获取待进行林地分布提取的遥感影像;
选取所述遥感影像的预设波段作为原始灰度影像;初始化滑动窗口;
根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,其中所述灰度共生矩阵根据灰度值集合生成,所述灰度值集合用于记录所述滑动窗口内的唯一灰度值;
移动所述滑动窗口,重复计算灰度共生矩阵和纹理特征值的步骤,直至遍历所述原始灰度图像;根据全部所述纹理特征值,生成纹理特征图像;
对所述遥感影像和所述纹理特征影像进行合并,得到多源输入影像;
将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果。
优选的,在所述选取所述遥感影像的预设波段作为原始灰度影像之前,还包括:
对所述遥感影像进行预处理,所述预处理包括以下任意一项或多项操作:辐射定标、大气校正、几何校正、数据融合、裁剪、拼接。
优选的,所述根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,包括:
确定所述滑动窗口内全部像元的有效灰度值,并筛选得到唯一灰度值,得到灰度值集合;
根据所述灰度值集合和所述滑动窗口的覆盖区域,生成灰度共生矩阵;
根据所述灰度共生矩阵,计算纹理特征值。
优选的,所述选取所述遥感影像的预设波段作为原始灰度影像,包括:
选取所述遥感影像的G波段作为原始灰度影像。
优选的,所述根据所述灰度共生矩阵,计算纹理特征值,包括:
根据所述灰度共生矩阵,计算均值、方差、能量、对比度、同质性、相关性、熵中的任意一项或多项,以作为纹理特征值。
优选的,在所述将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果之前,还包括:
为已知的多源输入影像添加解译标志,得到训练样本;
构建卷积神经网络模型,利用所述训练样本对所述卷积神经网络模型进行训练,得到林地分布提取模型。
优选的,在所述将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果之后,还包括:
对最小林地图斑进行面积约束,剔除所述林地分布提取结果中的碎斑点;对所述林地分布提取结果中的孔洞进行填充处理。
第二方面,本申请提供了一种基于遥感影像纹理特征的林地分布提取装置,包括:
遥感图像获取模块,用于获取待进行林地分布提取的遥感影像;
纹理特征提取模块,包括:
初始化单元,用于选取所述遥感影像的预设波段作为原始灰度影像;初始化滑动窗口;
特征值计算单元,用于根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,其中所述灰度共生矩阵根据灰度值集合生成,所述灰度值集合用于记录所述滑动窗口内的唯一灰度值;
循环单元,用于移动所述滑动窗口,重复计算灰度共生矩阵和纹理特征值的步骤,直至遍历所述原始灰度图像;根据全部所述纹理特征值,生成纹理特征图像;
数据融合模块,用于对所述遥感影像和所述纹理特征影像进行合并,得到多源输入影像;
提取模块,用于将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果。
第三方面,本申请提供了一种基于遥感影像纹理特征的林地分布提取设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如上所述的基于遥感影像纹理特征的林地分布提取方法。
第四方面,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现上所述的基于遥感影像纹理特征的林地分布提取方法。
本申请所提供的一种基于遥感影像纹理特征的林地分布提取方法,包括:获取遥感影像;选取遥感影像的预设波段作为原始灰度影像;初始化滑动窗口;根据滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,其中灰度共生矩阵根据灰度值集合生成,该灰度值集合用于记录滑动窗口内的唯一灰度值;移动滑动窗口,重复计算灰度共生矩阵和纹理特征值的步骤,直至遍历原始灰度图像;根据全部纹理特征值,生成纹理特征图像;对遥感影像和纹理特征影像进行合并,得到多源输入影像;将多源输入影像输入林地分布提取模型,得到林地分布提取结果。
可见,该方法将遥感影像的光谱信息和纹理信息进行融合,实现两者的优势互补,提高林地分布提取精度;此外,该方法根据滑动窗口的灰度值集合计算灰度共生矩阵,一方面能够大大减少计算量,提升林地分布提取效率,另一方面,不需要对原始灰度影像进行灰阶压缩,完整保留原始灰度影像的灰阶信息,使得最终提取得到的纹理特征更加精细,提高林地分布提取结果的精准度。
此外,本申请还提供了一种基于遥感影像纹理特征的林地分布提取装置、设备及可读存储介质,其技术效果与上述方法的技术效果相对应,这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为对影像进行不同程度灰度压缩后计算得到的纹理熵;
图2为本申请所提供的基于遥感影像纹理特征的林地分布提取方法实施例一的流程图;
图3为本申请所提供的基于遥感影像纹理特征的林地分布提取方法实施例二的过程示意图;
图4为本申请所提供的基于遥感影像纹理特征的林地分布提取方法实施例二中纹理特征提取过程的示意图;
图5为用于测试本申请实施效果的灰度图;
图6为依据传统灰度共生矩阵计算方法计算得到的纹理特征方差图和算法所用时间;
图7为依据本申请的灰度共生矩阵计算方法计算得到的纹理特征方差图和算法所用时间;
图8为用于测试本申请实施效果的遥感影像;
图9为只利用光谱信息得到的林地自动提取结果;
图10为本申请利用光谱信息和纹理特征得到的林地自动提取结果;
图11为本申请所提供的基于遥感影像纹理特征的林地分布提取装置实施例的功能框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在传统的灰度共生矩阵计算方法中,为了减小计算量会对原始灰度影像进行灰度级压缩,但是压缩影像灰度级会对计算得到的纹理特征造成影响,使得图像变得均一,降低图像纹理特征的复杂度。
纹理特征中的纹理熵能直观反映出原始影像的纹理复杂度。若原始灰度影像没有任何纹理,则灰度共生矩阵几乎为零矩阵,如果纹理复杂,那么纹理熵就大,反之如果原始灰度影像的灰度分布比较均匀,那么灰度共生矩阵中元素大小差异就大,熵值就小。通过图1可以直观看出,如果将原始灰度图像从原始的8比特压缩到3比特,其纹理熵也会随之线性的减小,即图像变得越来越均一,纹理特征变得越来越简单。因此,尽管图像压缩有助于灰度共生矩阵的计算,但是其同时也使得计算得到的纹理不稳健。
因为纹理特征是通过灰度共生矩阵计算得到的一系列统计量,如:能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵等。通过分析这些统计量的计算公式可以发现,灰度共生矩阵中的元素都是处于一个乘数的位置,即当灰度共生矩阵中的值为0时该项对统计量的贡献即为0。而在实际计算过程中,因为滑动窗口中几乎很难包含全部灰度级,对于不包括的灰度级,在统计灰度共生矩阵时包含该灰度级的点对的统计量即为0。
针对上述问题,基于上述特征,本申请提供了一种基于遥感影像纹理特征的林地分布提取方案,该方案对传统的灰度共生矩阵计算方法进行了优化,采用一种既能快速计算灰度共生矩阵又能完整保留影像灰阶信息的纹理特征提取方法。具体的,本申请在计算灰度共生矩阵时,首先统计滑动窗口内有效的灰度值(滑动窗口内非背景像元的灰度值),而不是可能的灰度级(整个原始灰度影像中可能出现的灰度级),然后对有效灰度值进行筛选/去重,得到唯一灰度值(彼此不重复的有效灰度值)构成的灰度值集合(包括滑动窗口内的全部有效灰度值,但相同的有效灰度值在集合中只出现一次),最终根据这个灰度值集合计算灰度共生矩阵。这样,就使得每个滑动窗口的灰度共生矩阵大小不是一致的,并且最大不会超过该滑动窗口大小的平方倍,这样就大大减小了计算量。例如,假设滑动窗口大小为3×3,这时有效灰度值不会超过9个,相应的,灰度共生矩阵大小不会大于9×9。
此外,本申请将遥感影像与纹理特征影像合并,作为林地分布提取模型的多源输入影像,实现了林地分布的自动化提取。
总之,本申请具有完整保留影像灰阶信息、降低计算代价、提高计算效率、多源信息融合、不依赖人工经验、提取结果精度高等优点。
下面对本申请提供的基于遥感影像纹理特征的林地分布提取方法实施例一进行介绍,参见图2,实施例一包括:
S101、获取待进行林地分布提取的遥感影像;
S102、选取遥感影像的预设波段作为原始灰度影像;初始化滑动窗口;
S103、根据滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,其中灰度共生矩阵根据灰度值集合生成,该灰度值集合用于记录滑动窗口内的唯一灰度值;
S104、移动滑动窗口,重复计算灰度共生矩阵和纹理特征值的步骤,直至遍历原始灰度图像;根据全部纹理特征值,生成纹理特征图像;
S105、对遥感影像和纹理特征影像进行合并,得到多源输入影像;
S106、将多源输入影像输入林地分布提取模型,得到林地分布提取结果。
本实施例中,首先获取待进行林地分布提取的遥感影像,为方便后续图像处理,可以对遥感影像进行一些预处理的操作,例如辐射定标、大气校正、几何校正、数据融合、裁剪、拼接等。
之后对遥感影像进行纹理特征的提取。提取纹理特征之前需要将多波段影像转换为灰度图象,因为纹理特征属于结构特征,因此使用不同波段的影像得到的纹理特征都是一样的。本实施例选取遥感影像的预设波段作为待进行灰度共生矩阵计算的原始灰度影像,具体可以选取RGB影像的G波段作为原始灰度影像。在提取纹理特征时,首先根据原始灰度影像生成灰度共生矩阵,然后基于灰度共生矩阵计算原始灰度影像的纹理特征值,得到纹理特征影像。
具体的,在原始灰度影像上初始化滑动窗口,根据滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,之后移动滑动窗口重复计算灰度共生矩阵和纹理特征值的步骤,直至滑动窗口遍历整个原始灰度影像,最终得到的全部纹理特征值构成一个纹理特征值矩阵,根据纹理特征值矩阵即可确定纹理特征影像。
一般情况下,灰度影像的灰度级为256,所以在对每个滑动窗口进行灰度共生矩阵计算的时候,运算量为256*256,导致运算量巨大。为了减少运算量,一般先对灰度影像进行灰度级压缩,比如将灰度级压缩为8或16,再进行灰度共生矩阵的计算。由于纹理信息值是根据灰度共生矩阵计算得到的,这种压缩灰度级的方式,虽然减少了运算量,但是也丢失部分纹理信息。
针对上述问题,本实施例在计算灰度共生矩阵时,不对原始灰度影像进行灰度级压缩,也不按照灰度级为256进行灰度共生矩阵的计算,而是根据灰度值集合计算灰度共生矩阵,其中灰度值集合用于记录滑动窗口内的唯一灰度值,即记录滑动窗口内出现的全部有效灰度值,但是相同的有效灰度值只记录一次。比如,某个滑动窗口内出现了n种灰度值,那么,在对该滑动窗口进行灰度共生矩阵计算的时候,运算量为n*n,显然n不会超过256,因此本实施例在不压缩原始灰度影像的前提下达到了减少运算量的目的,保证了后续根据灰度共生矩阵计算得到的纹理特征的完整性。
对于每个滑动窗口,在计算出灰度共生矩阵之后,就可以根据灰度共生矩阵计算出大量的纹理特征,例如均值、方差、能量、对比度、同质性、相关性、熵等,从而辅助遥感影像纹理分类。
移动滑动窗口,重复上述计算灰度共生矩阵和纹理特征值的步骤,最终得到的全部纹理特征值构成纹理特征值矩阵,即可确定纹理特征影像。
为了提升精度,本实施例对遥感影像和纹理特征影像进行合并,共同作为林地分布提取模型的输入。林地分布提取模型为预先经过训练的用于输出林地分布提取结果的卷积神经网络,具体训练过程本实施例不再展开说明。
可以理解的是,本实施例以林地为例,对作物分布提取过程进行说明,实际应用中也可应用到其他作物,比如对烟草分布的自动提取。
本实施例所提供一种基于遥感影像纹理特征的林地分布提取方法,至少具备以下优点:
优点1、与传统的灰度共生矩阵计算方法相比,本实施例通过筛选滑动窗口内的的唯一灰度值,得到灰度值集合,之后根据灰度值集合计算灰度共生矩阵。可见,本实施例一方面大大减少了计算量,提高了计算效率;另一方面,无需对灰度影像进行灰度级压缩即可减少运算量,能够完整保留灰度影像的灰阶信息,使得提取的纹理特征值更加准确、精细。
优点2、通过将遥感影像的光谱信息和纹理特征信息进行融合,实现两者的优势互补,共同作为林地分布提取模型的输入,有效提高林地分布提取的精度。
优点3、与传统的基于目视解译手动提取方法相比,本实施例利用林地分布提取模型能够自动化提取林地分布结果,不依赖人工经验,识别林地分布的准确度和稳定性相对较高。
下面开始详细介绍本申请提供的基于遥感影像纹理特征的林地分布提取方法实施例二。实施例二的实施过程如图3所示:
S201、获取目标时间在目标区域的遥感影像,并对遥感影像进行预处理操作。
以河南省平顶山市郏县高分二号为例,获取4月份、9月份的遥感影像。根据实际数据处理需要,上述预处理操作包括以下任意一项或多项:辐射定标、大气校正、几何校正、数据融合、裁剪、拼接。
S202、选取遥感影像G波段作为待计算灰度共生矩阵的原始灰度影像,并基于灰度共生矩阵计算原始灰度影像的纹理特征值,得到纹理特征影像。
S203、将遥感影像和纹理特征影像合并,得到多源输入影像。
对于已知的多源输入影像,通过实地调查结合影像特征,确定影像上林地的解译标志,制作林地和其它(除林地外的其它作物)两类训练样本,并保存为矢量样本。构建卷积神经网络模型,基于训练样本进行模型训练,得到林地分布提取模型。
具体的,该模型包括卷积层、池化层、全连接层、ReLU激活函数、Dropout层、交叉熵损失函数。作为一种具体的实施方式,模型训练之前可以对影像进行裁切分块,在训练过程中,初始学习率设置为base_lr=e-3,batch_size大小设置为256。
S204、将多源输入影像输入到林地分布提取模型中,获得林地分布提取结果,作为初步提取结果。
S205、对初步提取结果进行分类后处理,得到最终提取结果。
上述分类后处理操作具体包括:对最小林地图斑进行面积约束,剔除初步提取结果中的碎斑点;对初步提取结果中的孔洞进行填充处理。
下面对上述S202的实现过程进行展开说明,该过程如图4所示:
S401、对原始灰度影像进行边缘填充处理,使得影像中的所有像元都参与计算。
S402、设置以下窗口参数,初始化滑动窗口,其中窗口参数包括:窗口尺寸为n×n,n=5;步距为s,s=1;灰度共生矩阵的方向选择0°方向。
S403、在填充后的原始灰度影像内,对滑动窗口覆盖的影像区域计算灰度共生矩阵进而计算纹理特征值。
S404、控制滑动窗口移动一个像元点,形成新的滑动窗口覆盖的影像区域,在新的滑动窗口覆盖的影像区域内重复进行如S403的计算过程,生成该滑动窗口覆盖的影像区域的灰度共生矩阵和纹理特征值,直至完整遍历填充后的原始灰度影像。
S405、完整遍历原始灰度影像后,形成由纹理特征值构成的纹理特征值矩阵,将该纹理特征值矩阵转换成纹理特征影像。
下面对上述S403的实现过程进行详尽说明,如下:
S501、求取0°方向对应的灰度共生矩阵G。
获取滑动窗口内所有像元的灰度值(背景像元的灰度值和非背景像元的灰度值);统计窗口内所有有效灰度值(非背景像元的灰度值),并筛选其唯一灰度值,得到灰度值集合记为g={g1,g2,…,gK},其数量记为K;根据灰度值集合g生成窗口中心像元的灰度共生矩阵,其大小为K*K,K≤min{影像灰度级级数,滑动窗口内的像元数量},具体如下:
在滑动窗口内,任意选取一点(x,y)及偏离它的另一点(x+Δx,y+Δy)构成点对,其中,Δx、Δy均为整数。设该点对的灰度值组合为(gi,gj),则在滑动窗口内会得到若干种点对的灰度值组合(gi,gj),其组合共有K2种;对于整个滑动窗口,统计每一种点对的灰度值组合(gi,gj)出现的次数,然后排列成一个方阵,再用所有点对的灰度值组合(gi,gj)出现的总次数进行归一化,得到每一种点对的灰度值组合(gi,gj)出现的概率,即可得到窗口中心像元的灰度共生矩阵。
对于尺寸为M×N的原始灰度影像I,设定偏移量为(Δm,Δn)时,其对应的灰度共生矩阵G(i,j)的求取公式如下所示:
上式中,i,j为灰度值分别为gi和gj的两个像元,g={g1,g2,…,gK},G的大小为K*K,K≤min{影像灰度级级数,M*N}。
灰度共生矩阵的参数选择如下:对于16位的遥感影像,像元值的灰度级取值范围为0-65535,灰度共生矩阵的偏移参数Δx和Δy被设为0和1,即0°方向。通过上式即可得到灰度共生矩阵G。
S502、根据灰度共生矩阵G,求取对应滑动窗口的纹理特征值,包括均值、方差、能量、对比度、同质性、相关性、熵。
具体其计算公式如下:
均值Mean的求取公式如下:
方差Variance的求取公式如下:
能量Energy的求取公式如下:
对比度Contrast的求取公式如下:
同质性Homogeneity的求取公式如下:
相关性Correlation的求取公式如下:
熵Entropy的求取公式如下:
上述公式中,K为滑动窗口内唯一灰度值的数量;i,j为灰度值分别为gi和gj的两个像元;pij是具有空间位置关系且灰度分别为gi和gj的两个像元出现的次数;mr,mc分别为沿归一化后的灰度共生矩阵G的行和列计算的均值,σr,σc分别为沿灰度共生矩阵G的行和列计算的标准差。
可见,本实施例提供的一种基于遥感影像纹理特征的林地分布提取方法,采用了一种既能快速计算灰度共生矩阵又能同时完整保留影像灰阶信息的方法。
为了验证本实施例的运行速度,这里以一组对比试验进行说明。以图5所示的原始灰度图像为例,图6是基于传统灰度共生矩阵计算得到的方差纹理(图5和图6均来自《数字图像处理(第三版)》),图7是基于本实施例改进的灰度共生矩阵计算得到的方差纹理,可以看出,图6和图7示意的方差纹理完全一致。但是,相较于基于传统灰度共生矩阵的计算方式,本实施例的计算速度提升了15倍。而且这是以整个灰度图像(图像大小为263*800像素)为输入得到的计算结果,如果通过滑动窗口的方式进行计算灰度共生矩阵,本实施例的计算速度提升会更加明显。
为了验证本实施例的提取精度,这里以另一组对比试验进行说明。对于如图8所示的遥感图像,由于本实施例能够将遥感影像的光谱信息和纹理信息进行融合,实现两者的优势互补,如图9和图10所示,本实施例的林地分布提取精度明显高于传统林地分布提取方案的提取精度。
下面对本申请实施例提供的基于遥感影像纹理特征的林地分布提取装置进行介绍,下文描述的基于遥感影像纹理特征的林地分布提取装置与上文描述的基于遥感影像纹理特征的林地分布提取方法可相互对应参照。
如图11所示,本实施例的基于遥感影像纹理特征的林地分布提取装置,包括:
遥感图像获取模块,用于获取待进行林地分布提取的遥感影像;
纹理特征提取模块,包括:
初始化单元,用于选取所述遥感影像的预设波段作为原始灰度影像;初始化滑动窗口;
特征值计算单元,用于根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,其中所述灰度共生矩阵根据灰度值集合生成,所述灰度值集合用于记录所述滑动窗口内的唯一灰度值;
循环单元,用于移动所述滑动窗口,重复计算灰度共生矩阵和纹理特征值的步骤,直至遍历所述原始灰度图像;根据全部所述纹理特征值,生成纹理特征图像;
数据融合模块,用于对所述遥感影像和所述纹理特征影像进行合并,得到多源输入影像;
提取模块,用于将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果。
本实施例的基于遥感影像纹理特征的林地分布提取装置用于实现前述的基于遥感影像纹理特征的林地分布提取方法,因此该装置中的具体实施方式可见前文中的基于遥感影像纹理特征的林地分布提取方法的实施例部分,例如,遥感图像获取模块,初始化单元,特征值计算单元,循环单元,数据融合模块,提取模块,分别用于实现上述基于遥感影像纹理特征的林地分布提取方法中步骤S101,S102,S103,S104,S105,S106。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的基于遥感影像纹理特征的林地分布提取装置用于实现前述的基于遥感影像纹理特征的林地分布提取方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本申请还提供了一种基于遥感影像纹理特征的林地分布提取设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如上文所述的基于遥感影像纹理特征的林地分布提取方法。
最后,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上文所述的基于遥感影像纹理特征的林地分布提取方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种基于遥感影像纹理特征的林地分布提取方法,其特征在于,包括:
获取待进行林地分布提取的遥感影像;
选取所述遥感影像的预设波段作为原始灰度影像;初始化滑动窗口;
根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,其中所述灰度共生矩阵根据灰度值集合生成,所述灰度值集合用于记录所述滑动窗口内的唯一灰度值;
移动所述滑动窗口,重复计算灰度共生矩阵和纹理特征值的步骤,直至遍历所述原始灰度影像;根据全部所述纹理特征值,生成纹理特征图像;
对所述遥感影像和所述纹理特征图像进行合并,得到多源输入影像;
将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果;
所述唯一灰度值是指:首先统计滑动窗口内有效灰度值,然后对有效灰度值进行筛选去重,得到值彼此不重复的有效灰度值;
所述根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值为:
获取滑动窗口内所有像元的灰度值,所述像元的灰度值为背景像元的灰度值和非背景像元的灰度值;统计窗口内所有有效灰度值,所述有效灰度值为非背景像元的灰度值,并筛选其唯一灰度值,得到灰度值集合记为g={g1,g2,…,gK},其数量记为K;根据灰度值集合g生成窗口中心像元的灰度共生矩阵,其大小为K*K,K≤min{影像灰度级级数,滑动窗口内的像元数量},具体如下:
在滑动窗口内,任意选取一点(x,y)及偏离它的另一点(x+Δx,y+Δy)构成点对,其中,Δx、Δy均为整数;设该点对的灰度值组合为(gi,gj),则在滑动窗口内会得到若干种点对的灰度值组合(gi,gj),其组合共有K2种;对于整个滑动窗口,统计每一种点对的灰度值组合(gi,gj)出现的次数,然后排列成一个方阵,再用所有点对的灰度值组合(gi,gj)出现的总次数进行归一化,得到每一种点对的灰度值组合(gi,gj)出现的概率,即可得到窗口中心像元的灰度共生矩阵;
根据灰度共生矩阵G,求取对应滑动窗口的纹理特征值,包括均值、方差、能量、对比度、同质性、相关性、熵中的任意一项或多项;
具体其计算公式如下:
均值Mean的求取公式如下:
方差Variance的求取公式如下:
能量Energy的求取公式如下:
对比度Contrast的求取公式如下:
同质性Homogeneity的求取公式如下:
相关性Correlation的求取公式如下:
熵Entropy的求取公式如下:
上述公式中,K为滑动窗口内唯一灰度值的数量;i,j为灰度值为gi和gj的像元像素对的位置;pij是具有空间位置关系且灰度分别为gi和gj的两个像元出现的次数;mr,mc分别为沿归一化后的灰度共生矩阵G的行和列计算的均值,σr,σc分别为沿灰度共生矩阵G的行和列计算的标准差。
2.如权利要求1所述的方法,其特征在于,在所述选取所述遥感影像的预设波段作为原始灰度影像之前,还包括:
对所述遥感影像进行预处理,所述预处理包括以下任意一项或多项操作:辐射定标、大气校正、几何校正、数据融合、裁剪、拼接。
3.如权利要求1所述的方法,其特征在于,所述选取所述遥感影像的预设波段作为原始灰度影像,包括:
选取所述遥感影像的G波段作为原始灰度影像。
4.如权利要求1所述的方法,其特征在于,在所述将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果之前,还包括:
为已知的多源输入影像添加解译标志,得到训练样本;
构建卷积神经网络模型,利用所述训练样本对所述卷积神经网络模型进行训练,得到林地分布提取模型。
5.如权利要求1至4任意一项所述的方法,其特征在于,在所述将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果之后,还包括:
对最小林地图斑进行面积约束,剔除所述林地分布提取结果中的碎斑点;对所述林地分布提取结果中的孔洞进行填充处理。
6.一种基于遥感影像纹理特征的林地分布提取装置,其特征在于,包括:
遥感图像获取模块,用于获取待进行林地分布提取的遥感影像;
纹理特征提取模块,包括:
初始化单元,用于选取所述遥感影像的预设波段作为原始灰度影像;初始化滑动窗口;
特征值计算单元,用于根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值,其中所述灰度共生矩阵根据灰度值集合生成,所述灰度值集合用于记录所述滑动窗口内的唯一灰度值;
循环单元,用于移动所述滑动窗口,重复计算灰度共生矩阵和纹理特征值的步骤,直至遍历所述原始灰度影像;根据全部所述纹理特征值,生成纹理特征图像;
数据融合模块,用于对所述遥感影像和所述纹理特征图像进行合并,得到多源输入影像;
提取模块,用于将所述多源输入影像输入林地分布提取模型,得到林地分布提取结果;
所述唯一灰度值是指:首先统计滑动窗口内有效灰度值,然后对有效灰度值进行筛选去重,得到值彼此不重复的有效灰度值;
所述根据所述滑动窗口的覆盖区域计算灰度共生矩阵进而计算纹理特征值为:
获取滑动窗口内所有像元的灰度值,所述像元的灰度值为背景像元的灰度值和非背景像元的灰度值;统计窗口内所有有效灰度值,所述有效灰度值为非背景像元的灰度值,并筛选其唯一灰度值,得到灰度值集合记为g={g1,g2,…,gK},其数量记为K;根据灰度值集合g生成窗口中心像元的灰度共生矩阵,其大小为K*K,K≤min{影像灰度级级数,滑动窗口内的像元数量},具体如下:
在滑动窗口内,任意选取一点(x,y)及偏离它的另一点(x+Δx,y+Δy)构成点对,其中,Δx、Δy均为整数;设该点对的灰度值组合为(gi,gj),则在滑动窗口内会得到若干种点对的灰度值组合(gi,gj),其组合共有K2种;对于整个滑动窗口,统计每一种点对的灰度值组合(gi,gj)出现的次数,然后排列成一个方阵,再用所有点对的灰度值组合(gi,gj)出现的总次数进行归一化,得到每一种点对的灰度值组合(gi,gj)出现的概率,即可得到窗口中心像元的灰度共生矩阵;
根据灰度共生矩阵G,求取对应滑动窗口的纹理特征值,包括均值、方差、能量、对比度、同质性、相关性、熵中的任意一项或多项;
具体其计算公式如下:
均值Mean的求取公式如下:
方差Variance的求取公式如下:
能量Energy的求取公式如下:
对比度Contrast的求取公式如下:
同质性Homogeneity的求取公式如下:
相关性Correlation的求取公式如下:
熵Entropy的求取公式如下:
上述公式中,K为滑动窗口内唯一灰度值的数量;i,j为灰度值为gi和gj的像元像素对的位置;pij是具有空间位置关系且灰度分别为gi和gj的两个像元出现的次数;mr,mc分别为沿归一化后的灰度共生矩阵G的行和列计算的均值,σr,σc分别为沿灰度共生矩阵G的行和列计算的标准差。
7.一种基于遥感影像纹理特征的林地分布提取设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如权利要求1至5任意一项所述的基于遥感影像纹理特征的林地分布提取方法。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1至5任意一项所述的基于遥感影像纹理特征的林地分布提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254659.XA CN112949657B (zh) | 2021-03-09 | 2021-03-09 | 一种基于遥感影像纹理特征的林地分布提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254659.XA CN112949657B (zh) | 2021-03-09 | 2021-03-09 | 一种基于遥感影像纹理特征的林地分布提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949657A CN112949657A (zh) | 2021-06-11 |
CN112949657B true CN112949657B (zh) | 2022-10-11 |
Family
ID=76228915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110254659.XA Active CN112949657B (zh) | 2021-03-09 | 2021-03-09 | 一种基于遥感影像纹理特征的林地分布提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949657B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830442B (zh) * | 2022-11-11 | 2023-08-04 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
CN117593670A (zh) * | 2023-11-23 | 2024-02-23 | 日照朝力信息科技有限公司 | 用于森林资源智能调查和监测的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831427A (zh) * | 2012-09-06 | 2012-12-19 | 湖南致尚科技有限公司 | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 |
CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021396A (zh) * | 2014-06-23 | 2014-09-03 | 哈尔滨工业大学 | 基于集成学习的高光谱遥感数据分类方法 |
CN108256419B (zh) * | 2017-12-05 | 2018-11-23 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
CN109300113B (zh) * | 2018-08-28 | 2021-12-24 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测系统及方法 |
CN111860533B (zh) * | 2019-04-30 | 2023-12-12 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
CN112131912A (zh) * | 2019-06-25 | 2020-12-25 | 北京尚水信息技术股份有限公司 | 遥感影像下垫面提取方法 |
CN110837802A (zh) * | 2019-11-06 | 2020-02-25 | 齐鲁工业大学 | 一种基于灰度共生矩阵的面部图像特征提取方法 |
-
2021
- 2021-03-09 CN CN202110254659.XA patent/CN112949657B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831427A (zh) * | 2012-09-06 | 2012-12-19 | 湖南致尚科技有限公司 | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 |
CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112949657A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN112949657B (zh) | 一种基于遥感影像纹理特征的林地分布提取方法及装置 | |
CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
CN111241939A (zh) | 一种基于无人机数码影像的水稻产量估测方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN116030352B (zh) | 融合多尺度分割和超像素分割的长时序土地利用分类方法 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
CN107967454B (zh) | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 | |
CN114241326A (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN110826764A (zh) | 基于随机森林算法的植被指数预测方法、系统及设备 | |
CN114663749A (zh) | 滑坡体识别模型的训练方法、装置、电子设备及存储介质 | |
CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
CN111444824A (zh) | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 | |
CN115147726B (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
CN114119575B (zh) | 一种空间信息变化检测方法及系统 | |
Wang et al. | An unsupervised multi-scale segmentation method based on automated parameterization | |
CN113239815B (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 |
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 |