CN113158934A - 基于高分辨率遥感影像的城市用地分类方法及装置、设备 - Google Patents

基于高分辨率遥感影像的城市用地分类方法及装置、设备 Download PDF

Info

Publication number
CN113158934A
CN113158934A CN202110466551.7A CN202110466551A CN113158934A CN 113158934 A CN113158934 A CN 113158934A CN 202110466551 A CN202110466551 A CN 202110466551A CN 113158934 A CN113158934 A CN 113158934A
Authority
CN
China
Prior art keywords
condition
classification
remote sensing
sensing image
resolution remote
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110466551.7A
Other languages
English (en)
Inventor
鹿琳琳
李庆亭
陈方
梁栋
王雷
束磊
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute 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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202110466551.7A priority Critical patent/CN113158934A/zh
Publication of CN113158934A publication Critical patent/CN113158934A/zh
Pending legal-status Critical Current

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
    • G06V20/13—Satellite images
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本申请提供的基于高分辨率遥感影像的城市用地分类方法及装置、设备，获取城市用地的高分辨率遥感影像以及目标类型，确定目标类型所属的层级，获取层级对应的分类条件，分类条件包括归一化水体指数条件、归一化植被指数条件及预设波段的波长条件，依据分类条件以及高分辨率遥感影像，确定城市用地中的各个像素所属的目标类型。因为预设类型被预先划分为多个层级，高层级的类型对应的分类条件用于划分高层级的类型以及低层级的类型的上位类型，且低层级的类型对应的分类条件中包含高层级的类型对应的分类条件，所以，利用归一化水体指数条件以及预设波段的波长条件，能够实现对于像素类型的分层级划分，有利于提高分类结果的准确性。

Description

基于高分辨率遥感影像的城市用地分类方法及装置、设备
技术领域
本申请涉及电子信息领域，尤其涉及一种基于高分辨率遥感影像的城市用地分类方法及装置、设备。
背景技术
城市是地球表面一定的空间地域，是一定区域内人口最密集、人类活动最剧烈、人类影响最深刻的地域，是承载人类经济活动和社会文化活动的特殊空间。人类建设城市的各种活动都需要在特定地域的土地上进行，土地是人类建设城市的物质载体。在城市化进程中，随着城市人口的增长，现代城市的面积和范围正在变得越来越庞大。一方面，城市用地扩展是发展经济和提高人民生活质量的必然要求。另一方面，城市扩展不可避免地占用宝贵的土地资源，可能带来大气污染、热岛效应、以及生物多样性丧失等一系列环境问题。为妥善应对这些问题，必须对城市的土地利用情况有精准的把控。此外，合理的城市土地利用能促进城市功能的正常发挥及用地效益的不断提升，促进区域经济与环境的和谐发展。因此，准确获取城市用地的类型，具有比较重要的意义。
卫星遥感技术具有宏观、快速、客观等优势，能够准确地获取各个空间尺度的地面影像信息，已经成为城市用地分类最有效的工具与技术手段之一。其中高分辨率卫星遥感数据因其空间分辨率较高，能够获取较丰富的城市地表信息，所以可以被用在城市用地利用分类中。
而现有的基于高分辨率遥感影像的城市用地分类方法的准确性有待提升。
发明内容
本申请提供了一种基于高分辨率遥感影像的城市用地分类方法及装置、设备，目的在于提高解决城市用地的分类结果的准确性的问题。
为了实现上述目的，本申请提供了以下技术方案：
一种基于高分辨率遥感影像的城市用地分类方法，包括：
获取城市用地的高分辨率遥感影像以及目标类型，所述目标类型为预设类型中的至少一种；其中，所述预设类型被预先划分为多个层级；
确定所述目标类型所属的层级；
获取所述层级对应的分类条件，所述分类条件包括归一化水体指数条件、归一化植被指数条件以及预设波段的波长条件；其中，高层级的类型对应的分类条件，用于划分所述高层级的类型以及低层级的类型的上位类型，且所述低层级的类型对应的所述分类条件中包含所述高层级的类型对应的所述分类条件；
依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型。
可选的，所述预设类型包括：水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑；
其中，依据所述水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑在各个波段的光谱特征，确定的所述预设类型的所述层级为：
所述水体属于第一层级；
所述林地、所述草地、所述裸地、所述阴影、以及所述道路属于第二层级；
所述高亮建筑属于第三层级；
所述蓝色建筑以及所述其它建筑属于第四层级；
其中，所述层级从高到低的顺序为：所述第一层级、所述第二层级、所述第三层级以及所述第四层级。
可选的，所述第一层级对应的分类条件包括：第一条件；
所述第一条件包括归一化水体指数与第一数值的关系，以及近红外波段的波长与第二数值的关系；所述归一化水体指数依据绿光波段的光谱和近红外波段的光谱确定；
所述第二层级对应的分类条件包括：所述第一条件以及第二条件；
所述第二条件包括：归一化植被指数与第三数值的关系，以及蓝色波段的波长与第四数值的关系；所述归一化植被指数依据所述近红外波段的光谱和红光波段的光谱确定；
所述第三层级对应的分类条件包括：所述第一条件、所述第二条件以及第三条件；
所述第三条件包括：红光波段的波长与第五数值的关系、绿光波段的波长与第六数值的关系以及所述蓝光波段的波长与第七数值的关系；
所述第四层级对应的分类条件包括：所述第一条件、所述第二条件、所述第三条件以及第四条件；
所述第四条件包括：蓝绿光波段的波长与红光波段的波长的差值与第八数值的关系，以及所述蓝绿光波段的波长与第九数值的关系。
可选的，所述依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中各个像素所属的所述目标类型，包括：
将所述高分辨率遥感影像中满足所述第一条件的像素确定为所述水体；
将所述高分辨率遥感影像中不满足所述第一条件、且满足所述第二条件的像素确定为所述林地或所述草地；
将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路；
将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件、且满足所述第三条件的像素确定为所述高亮建筑；
将所述高分辨率遥感影像中不满足所述第一条件、所述第二条件以及所述第三条件、且满足所述第四条件的像素确定为所述蓝色建筑；
将所述高分辨率遥感影像中不满足所述第一条件、所述第二条件、所述第三条件以及所述第四条件的像素确定为所述其它建筑。
可选的，所述将所述高分辨率遥感影像中不满足所述第一条件、且满足所述第二条件的像素确定为所述林地或所述草地，包括：
使用随机森林分类算法，将所述高分辨率遥感影像中不满足所述第一条件且满足所述第二条件的像素确定为所述林地或所述草地；
所述将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路，包括：
使用随机森林分类算法以及纹理特征，将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路。
可选的，所述纹理特征的获取方法包括：
获取所述高分辨率遥感影像中的主成分特征量；
将所述主成分特征量进行多种方式的纹理滤波，得到多个候选纹理特征；
将对所述裸地、所述阴影、以及所述道路的分类影响最大的所述候选纹理特征作为所述纹理特征。
可选的，在所述依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型之后，还包括：
对所述城市用地中的像素所属的所述目标分类型进行优化处理，所述优化处理包括去除所述目标类型的像素构成的区域中的噪声，以及优化所述道路的形态。
可选的，所述去除所述目标类型的像素构成的区域中的噪声，包括：
使用分水岭算法，获取所述高分辨率遥感影像中的各个分块；
将每个所述分块中占比最大的像素的所述目标类型，确定为所述分块的所述目标类型。
可选的，所述优化所述道路的形态，包括：
从地图数据中获取所述道路的尺度范围；
定位所述目标类型为所述道路的像素的位置；
依据所述位置以及所述尺度范围，确定属于所述道路的像素。
一种基于高分辨率遥感影像的城市用地分类装置，包括：
第一获取模块，用于获取城市用地的高分辨率遥感影像以及目标类型，所述目标类型为预设类型中的至少一种；其中，所述预设类型被预先划分为多个层级；
第一确定模块，用于确定所述目标类型所属的层级；
第二获取模块，用于获取所述层级对应的分类条件，所述分类条件包括归一化水体指数条件、归一化植被指数条件以及预设波段的波长条件；其中，高层级的类型对应的分类条件，用于划分所述高层级的类型以及低层级的类型的上位类型，所述层级越低，对应的所述分类条件越多，且所述低层级的类型对应的所述分类条件中包含所述高层级的类型对应的所述分类条件；
第二确定模块，用于依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型。
一种电子设备，包括：
存储器和处理器；所述存储器用于存储程序，所述处理器用于运行所述程序，以实现上述的基于高分辨率遥感影像的城市用地分类方法。
一种计算机可读存储介质，其上存储有程序，所述程序被计算机设备运行时，实现上述的基于高分辨率遥感影像的城市用地分类方法。
本申请所述的基于高分辨率遥感影像的城市用地分类方法及装置、设备，获取城市用地的高分辨率遥感影像以及目标类型，确定目标类型所属的层级，获取层级对应的分类条件，分类条件包括归一化水体指数条件以及预设波段的波长条件，依据分类条件以及高分辨率遥感影像，确定城市用地中的各个像素所属的目标类型。因为预设类型被预先划分为多个层级，高层级的类型对应的分类条件用于划分高层级的类型以及低层级的类型的上位类型，且低层级的类型对应的分类条件中包含高层级的类型对应的分类条件，所以，利用归一化水体指数条件以及预设波段的波长条件，能够实现对于像素类型的分层级划分，相比于现有的多类型分类器，有利于提高分类结果的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，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为一种基于高分辨率遥感影像的城市用地分类方法的流程图；
图2为各个类型的城市地物的光谱特征曲线示例图；
图3为本申请实施例公开的又一种基于高分辨率遥感影像的城市用地分类方法的流程图；
图4为本申请实施例公开的纹理特征的获取过程的流程图；
图5为本申请实施例公开的又一种基于高分辨率遥感影像的城市用地分类方法的流程图；
图6为本申请实施例公开的一种基于高分辨率遥感影像的城市用地分类装置的结构示意图。
具体实施方式
申请人在研究的过程中发现：城市用地中的各类地物在遥感影像上，存在基于归一化水体指数条件以及波长的可分离性，基于此，本申请实施例所述的方法，采用基于归一化水体指数条件以及波长，逐层将像素划分为各种类型，以实现分类准确性的提高。
以下实施例所述的方法，可以由处理设备，例如服务器等执行。
下面将结合本申请实施例中的附图，对本申请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。
图1为本申请实施例公开的一种基于高分辨率遥感影像的城市用地分类方法，包括以下步骤：
S11、获取城市用地的高分辨率遥感影像以及目标类型。
可选的，处理设备可以从高分辨率遥感影像的采集设备，获取城市用地的高分辨率遥感影像，或者由用户输入城市用地的高分辨率遥感影像。
其中，目标类型为预设类型中的至少一种。预设类型被预先划分为多个层级。
可选的，目标类型的具体获取方式可以为：接收用户从预设类型中指定的类型，作为目标类型。可以理解的是，目标类型的数量小于或等于预设类型。
S12、确定目标类型所属的层级。
因为预设类型被预先划分为多个层级，而目标类型来自于预设类型，所以，依据预设类型的层级，可以确定目标类型的层级。
S13、获取层级对应的分类条件。
其中，分类条件包括归一化水体指数条件、归一化植被指数条件以及预设波段的波长条件。
高层级的类型对应的分类条件，用于划分高层级的类型以及低层级的类型的上位类型，也就是说，高层级的类型与低层级的类型的上位类型属于同一层级，所以，使用同一分类条件进行区分，例如满足第一分类条件则为高层级的类型，不满足第一分类条件则为低层级的类型的上位类型。
并且，低层级的类型对应的分类条件中包含高层级的类型对应的分类条件，也就是说，层级月底，对应的分类条件越多。
S14、依据分类条件以及高分辨率遥感影像，确定城市用地中的各个像素所属的目标类型。
因为分类条件是分层级的，所以，按照层级从高到低的顺序，可以确定高分辨率遥感影像中属于各层级的目标类型的像素，从而确定城市用地中的各个像素所属的目标类型。
本实施例所述的流程，因为逐层级划分像素的类型，所以已经确定类型的像素，不会再影响待确定类型的像素的类型的确定，因此与现有的多类型分类器相比，分类结果具有更高的准确性。
下面将以预设类型为水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑为例，对上述实施例进行举例说明。
以上各种预设类型的具体形式为：
水体包括但不限于河流，公园湖泊，水田池塘。林地主要分布在城市周边，河流边缘以及公园中。草地分布广泛，有公园草地、绿化带，小区绿化，自然草地。道路在三角湾区域分布密集，向四周延伸。亮色屋顶主要为钢结构建筑，在城市地块中有火车站、汽车城等工商业中心的大型建筑、以及厂房。蓝色屋顶多为厂房、车间、仓库这种长条形建筑，以及少量小区房屋。其他建筑主要分布在道路周围，往城市中心聚集。城市地块中的裸地主要为施工中的工矿用地。阴影主要为在城市地块中被建筑阴影遮蔽的区域。
申请人在研究的过程中发现：水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑的光谱特征曲线如图2所示，并且分析出以下客观规律：
1、林地和草地，二者光谱曲线形状相似，表现为在可见光波段整体呈现出强吸收，绿光波段有小幅度反射峰，红光波段吸收最强，在近红外波段则又表现出强反射特性。因此在红光波段和近红外波段交界处曲线几乎垂直。
2、水体在蓝绿光范围反射率较大、此后反射率逐步降低，在740nm波段左右反射率降到最低，红外波段变化基本平稳。
3、高亮屋顶在影像上表现为亮白色最为显眼的建筑屋顶，在全波段都表现出高于其它地物的反射率，平均光谱曲线整体较为平稳，且不与其它任何地物的平均光谱曲线相交。
4、蓝色建筑光谱曲线走势区别于任何其它地物，呈“凹”字状，表现为蓝绿光波段、以及红外光波段强反射，红光波段强吸收。
5、道路、其它建筑、裸地平均光谱曲线走势相似，基本呈现随着波长的增大反射率越大。它们之间的区别是整体上裸地反射率最大，其它建筑次之，道路最小。
6、阴影光谱曲线走势类似于植被的光谱特征，但其反射率始终较低。
基于上述客观规律，得到不同层级的类型与分类条件的对应关系如下：
1、水体属于第一层级，对应的分类条件为：第一条件。
具体的，第一条件包括：归一化水体指数(NDWI)与第一数值的关系，以及近红外波段的波长与第二数值的关系。
第一条件中，NDWI依据绿光波段的光谱和近红外波段的光谱确定，具体的，
Figure BDA0003044266700000091
G为绿光波段的光谱，NIR为近红外波段的光谱。第一数值的一个示例为0。
由于高亮建筑虽然整体反射率高，但是其光谱特性不稳定，波动较大，导致部分高亮建筑的NDWI也大于0，所以，还需要结合近红外波段(B28)的波长共同区分水体和非水体。第二数值的一个示例为1500。
第一条件可以表示为：
Figure BDA0003044266700000092
2、林地、草地、裸地、阴影、以及道路属于第二层级，对应的分类条件为：第一条件以及第二条件。
第二条件包括：归一化植被指数(NDVI)与第三数值的关系以及蓝色波段的波长与第四数值的关系。
第二条件中，NDVI依据近红外波段的光谱和红光波段的光谱确定，具体的，
Figure BDA0003044266700000101
R为红光波段的光谱，NIR为近红外波段的光谱。第三数值的一个示例为0.35。
因为蓝色建筑和植被在红色和近红外波段反射率特征变化相近，同时二者在蓝色波段也有很大差异性，因此根据二者在蓝色波段(B2)的波长差异将其区分开。第四数值的一个示例为1400。
第二条件可以表示为：
Figure BDA0003044266700000102
3、高亮建筑属于第三层级，对应的分类条件为：第一条件、第二条件以及第三条件。
其中，第三条件包括：红光波段(B14)的波长与第五数值的关系、绿光波段(B7)的波长与第六数值的关系以及蓝光波段(B2)的波长与第七数值的关系。
根据高亮屋顶的高反射率特性，在与其它地物的光谱对比后，选取以上波段。第五数值的一个示例为2672，第六数值的一个示例为2628，第七数值的一个示例为2172。
第三条件可以表示为：
Figure BDA0003044266700000103
4、蓝色建筑以及其它建筑属于第四层级，对应的分类条件为：第一条件、第二条件、第三条件以及第四条件。
其中，第四条件包括：蓝绿光波段的波长与红光波段的波长的差值与第八数值的关系，以及蓝绿光波段的波长与第九数值的关系。
第四条件的设置理由为：蓝色屋顶在蓝绿色波段的高反射和红色波段的高吸收，可利用蓝绿光波段的波长与红光波段的波长的差值来和其它地物加以区分，同时蓝绿波段的高反射可与道路阴影加以区分。
第八数值的一个示例为0，第九数值的一个示例为1930。
第四条件可以表示为：
Figure BDA0003044266700000104
基于上述层级和分类条件的对应关系，图3为本申请实施例公开的又一种基于高分辨率遥感影像的城市用地分类方法，包括以下步骤：
S31、对获取的城市用地的高分辨率遥感影像进行预处理。
本实施例中，高分辨率遥感影像为珠海一号OHS高光谱数据，成像时间在2018年9月11日，成像地点为广东省惠州市，共32个波段(中心波长466nm-940nm),空间分辨率为10m，数据处理等级为1级。
预处理可以包括但不限于裁剪、辐射定标、大气校正、以及正射校正的至少一种。以上预处理的具体实现方式均可参见现有技术，这里不再赘述。
S32、将预处理后的高分辨率遥感影像中满足第一条件的像素确定为水体，而不满足第一条件的像素确定为非水体。
可以理解的是，非水体为预设类型中，除水体之外的类型的上位类型。
S33、将预处理后的高分辨率遥感影像中不满足第一条件、且满足第二条件的像素确定为林地或草地。
具体的，使用随机森林分类算法，可以确定不满足第一条件、且满足第二条件的像素是属于林地还是草地。
S34、将预处理后高分辨率遥感影像中不满足第一条件以及第二条件的像素确定为裸地、阴影、道路或者建筑物。
具体的，使用随机森林分类算法以及纹理特征，可以确定不满足第一条件以及第二条件的像素是属于裸地、阴影、道路以及建筑物中的哪一种。进一步的，将影响最大的两个纹理特征，与影像原有的32个波段进行波段合成(layer stacking)，得到包含纹理特征的共34个波段的影像。
可以理解的是，本实施例所述的随机森林分类算法的具体实现方式，可以参见现有技术，这里不再赘述。
本实施例中，纹理特征的获取过程如图4所示。
可以理解的是，建筑物为高亮建筑、蓝色建筑、以及其它建筑的上位类型。
S35、将预处理后的高分辨率遥感影像中不满足第一条件以及第二条件、且满足第三条件的像素确定为高亮建筑。
S36、将预处理后的高分辨率遥感影像中不满足第一条件、第二条件以及第三条件、且满足第四条件的像素确定为蓝色建筑。
S37、将预处理后的高分辨率遥感影像中不满足第一条件、第二条件、第三条件以及第四条件的像素确定为其它建筑。
可以理解的是，本实施例中，以目标类型为全部的预设类型为例进行说明，而在目标类型为部分的预设类型的情况下，可以选择目标类型的对应的分类条件对像素进行分类即可(S32-S36中的部分步骤)。S32-S36的执行顺序不做限定。
S38、将以上像素的分类结果拼接至一副影像中，得到分类结果。
本实施例所述的流程，从高分辨率遥感影像中城市地物的光谱特征入手，设置各个层级以及对应的分类条件，从而实现对于像素的分层分类，使得分类结果具有较高的准确性。
图4为纹理特征的获取过程，包括以下步骤：
S41、获取高分辨率遥感影像中的主成分特征量。
这里所述的高分辨率遥感影像也可以为前述预处理后的高分辨率遥感影像。
具体的，可以使用主成分分析算法对高分辨率遥感影像提取主成分特征量，主成分特征量为包含的信息量最多的特征量。
S42、将主成分特征量进行多种方式的纹理滤波，得到多个候选纹理特征。
本实施例中，多种方式的纹理滤波可以包括但不限于：均值(Mean)滤波、方差(Variance)滤波、协同性(Homogeneity)滤波、对比度(Contrast)滤波、相异性(Dissimilarity)滤波、信息熵(Entropy)滤波、二阶矩(Second Moment)滤波和相关性(Correlation)滤波。每一种滤波得到一个作为滤波结果的候选纹理特征。
S43、从候选纹理特征中选择随机森林分类算法采用的纹理特征。
具体的，特征选择指从一组给定的特征中选出有效识别目标的最小特征子集。基于训练数据的统计特性，并利用评价函数，选择与类别间相关性较大而相互之间相关性较小的一组候选纹理特征，作为随机森林分类采用的纹理特征。具体实现方式，可以参见现有技术，这里不再赘述。
本实施例所述的纹理特征的获取流程，因为采用了多种纹理滤波方式得到候选纹理特征，并从候选纹理特征中筛选出对分类影响最大的纹理特征，有利于进一步提高分类结果的准确性。
为了进一步提高像素的分类结果的准确性，还可以在上述实施例确定的分类结果的基础上，对分类结果进行进一步的优化处理。
图5为本申请实施例公开的又一种基于高分辨率遥感影像的城市用地分类方法，包括以下步骤：
S51、获取城市用地的高分辨率遥感影像以及目标类型。
S52、确定目标类型所属的层级。
S53、获取层级对应的分类条件。
S54、依据分类条件以及高分辨率遥感影像，确定城市用地中的各个像素所属的目标类型，并区别显示不同目标类型的像素。
S55、去除目标类型的像素构成的区域中的噪声。
具体的，使用分水岭算法，获取高分辨率遥感影像中的各个分块。分水岭算法是一种经典的图像分割算法，能够将图像分割成各个分块。本实施例中，依据高分辨率遥感影像的特点，分水岭算法的参数设置可以为：Edge设定阈值为30，Full Lambda Schedule设定阈值为70，Texture Kernel Size设置为6。
统计各个分块中属于各个目标类型的像素的占比。也就是说，对于任意一个分块，统计其中的属于每一个目标类型的像素，在该区域中的全部像素中所占的比例。任一个区域中的任意一种目标类型的像素的占比为，该目标类型的像素的数量与该区域中的数量的总数量的比值。
将每个分块中占比最大的像素的目标类型，确定为分块的目标类型。
S56、优化道路的形态。
可以理解的是，道路为目标类型为道路的像素构成的区域。由于道路的特殊性，其在分类后可能呈现不连续状，与道路的实际形态有较大差异。因此需要对道路区域进行优化。
具体的，从预设的地图数据例如开放街道地图(OpenStreetMap，OSM)地理信息矢量数据中，获取道路的尺度范围，例如目前我国道路等级规范规定的不同等级的道路的尺度范围分别为20米、12米、以及8米。定位目标类型为道路的像素的位置，再依据位置以及尺度范围，确定属于道路的像素。
例如，将位置作为道路区域的中心线的位置，从中心线的位置向外扩展道路区域至尺度范围，道路区域中所有的像素的目标类型均为道路。
可以理解的是，在道路被划分等级的情况下，可以依据地图数据以及目标类型为道路的像素的位置，确定道路的等级，再依据等级获得尺度范围。
当然，道路也可以不分等级，而使用统一的尺度范围。
本实施例所述的步骤，在对高分辨率遥感影像中的像素进行分类后，进一步去除噪声以及优化道路区域，能够进一步提高城市用地分类结果的准确性。
图6为本申请实施例公开的一种基于高分辨率遥感影像的城市用地分类装置，包括：第一获取模块、第一确定模块、第二获取模块以及第二确定模块。
第一获取模块用于获取城市用地的高分辨率遥感影像以及目标类型，所述目标类型为预设类型中的至少一种；其中，所述预设类型被预先划分为多个层级。
第一确定模块用于确定所述目标类型所属的层级。第二获取模块用于获取所述层级对应的分类条件，所述分类条件包括归一化水体指数条件、归一化植被指数条件以及预设波段的波长条件；其中，高层级的类型对应的分类条件，用于划分所述高层级的类型以及低层级的类型的上位类型，所述层级越低，对应的所述分类条件越多，且所述低层级的类型对应的所述分类条件中包含所述高层级的类型对应的所述分类条件。
第二确定模块用于依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型。
可选的，在本实施例中，预设类型包括：水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑。其中，依据所述水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑在各个波段的光谱特征，确定的所述预设类型的所述层级为：
所述水体属于第一层级；所述林地、所述草地、所述裸地、所述阴影、以及所述道路属于第二层级；所述高亮建筑属于第三层级；所述蓝色建筑以及所述其它建筑属于第四层级；其中，所述层级从高到低的顺序为：所述第一层级、所述第二层级、所述第三层级以及所述第四层级。
可选的，所述第一层级对应的分类条件包括：第一条件。所述第一条件包括归一化水体指数与第一数值的关系，以及近红外波段的波长与第二数值的关系；所述归一化水体指数依据绿光波段的光谱和近红外波段的光谱确定。
所述第二层级对应的分类条件包括：所述第一条件以及第二条件。所述第二条件包括：归一化植被指数与第三数值的关系，以及蓝色波段的波长与第四数值的关系；所述归一化植被指数NDVI依据所述近红外波段的光谱和红光波段的光谱确定。所述第三层级对应的分类条件包括：所述第一条件、所述第二条件以及第三条件。所述第三条件包括：红光波段的波长与第五数值的关系、绿光波段的波长与第六数值的关系以及所述蓝光波段的波长与第七数值的关系；
所述第四层级对应的分类条件包括：所述第一条件、所述第二条件、所述第三条件以及第四条件。所述第四条件包括：蓝绿光波段的波长与红光波段的波长的差值与第八数值的关系，以及所述蓝绿光波段的波长与第九数值的关系。
可选的，第二确定模块具体用于：将所述高分辨率遥感影像中满足所述第一条件的像素确定为所述水体；将所述高分辨率遥感影像中不满足所述第一条件、且满足所述第二条件的像素确定为所述林地或所述草地；将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路；将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件、且满足所述第三条件的像素确定为所述高亮建筑；将所述高分辨率遥感影像中不满足所述第一条件、所述第二条件以及所述第三条件、且满足所述第四条件的像素确定为所述蓝色建筑；将所述高分辨率遥感影像中不满足所述第一条件、所述第二条件、所述第三条件以及所述第四条件的像素确定为所述其它建筑。
可选的，第二确定模块具体用于：使用随机森林分类算法，将所述高分辨率遥感影像中不满足所述第一条件且满足所述第二条件的像素确定为所述林地或所述草地。使用随机森林分类算法以及纹理特征，将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路。
可选的，第二确定模块还用于：获取所述高分辨率遥感影像中的主成分特征量；将所述主成分特征量进行多种方式的纹理滤波，得到多个候选纹理特征；从所述候选纹理特征中选择所述随机森林分类算法采用的所述纹理特征。
可选的，本实施例所述的装置还包括：优化模块，用于在所述第二确定模块依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型之后，对所述城市用地中的像素所属的所述目标分类型进行优化处理，所述优化处理包括去除所述目标类型的像素构成的区域中的噪声，以及优化所述道路的形态。
可选的，优化模块具体用于：使用分水岭算法，获取所述高分辨率遥感影像中的各个分块；将每个所述分块中占比最大的像素的所述目标类型，确定为所述分块的所述目标类型。
可选的，优化模块具体用于从地图数据中获取所述道路的尺度范围；定位所述目标类型为所述道路的像素的位置；依据所述位置以及所述尺度范围，确定属于所述道路的像素。
本实施例所述的装置，有利于提高城市用地的分类的准确性。
本申请实施例还公开了一种电子设备，包括：存储器和处理器。所述存储器用于存储程序，所述处理器用于运行所述程序，以实现上述方法实施例所述的方法。
本申请实施例还公开了一种计算机可读存储介质，其上存储有程序，所述程序被计算机设备运行时，实现上述方法实施例所述的方法。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种基于高分辨率遥感影像的城市用地分类方法，其特征在于，包括：
获取城市用地的高分辨率遥感影像以及目标类型，所述目标类型为预设类型中的至少一种；其中，所述预设类型被预先划分为多个层级；
确定所述目标类型所属的层级；
获取所述层级对应的分类条件，所述分类条件包括归一化水体指数条件、归一化植被指数条件以及预设波段的波长条件；其中，高层级的类型对应的分类条件，用于划分所述高层级的类型以及低层级的类型的上位类型，且所述低层级的类型对应的所述分类条件中包含所述高层级的类型对应的所述分类条件；
依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型。
2.根据权利要求1所述的方法，其特征在于，所述预设类型包括：水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑；
其中，依据所述水体、林地、草地、裸地、阴影、道路、高亮建筑、蓝色建筑以及其它建筑在各个波段的光谱特征，确定的所述预设类型的所述层级为：
所述水体属于第一层级；
所述林地、所述草地、所述裸地、所述阴影、以及所述道路属于第二层级；
所述高亮建筑属于第三层级；
所述蓝色建筑以及所述其它建筑属于第四层级；
其中，所述层级从高到低的顺序为：所述第一层级、所述第二层级、所述第三层级以及所述第四层级。
3.根据权利要求2所述的方法，其特征在于，所述第一层级对应的分类条件包括：第一条件；
所述第一条件包括归一化水体指数与第一数值的关系，以及近红外波段的波长与第二数值的关系；所述归一化水体指数依据绿光波段的光谱和近红外波段的光谱确定；
所述第二层级对应的分类条件包括：所述第一条件以及第二条件；
所述第二条件包括：归一化植被指数与第三数值的关系，以及蓝色波段的波长与第四数值的关系；所述归一化植被指数依据所述近红外波段的光谱和红光波段的光谱确定；
所述第三层级对应的分类条件包括：所述第一条件、所述第二条件以及第三条件；
所述第三条件包括：红光波段的波长与第五数值的关系、绿光波段的波长与第六数值的关系以及所述蓝光波段的波长与第七数值的关系；
所述第四层级对应的分类条件包括：所述第一条件、所述第二条件、所述第三条件以及第四条件；
所述第四条件包括：蓝绿光波段的波长与红光波段的波长的差值与第八数值的关系，以及所述蓝绿光波段的波长与第九数值的关系。
4.根据权利要求3所述的方法，其特征在于，所述依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中各个像素所属的所述目标类型，包括：
将所述高分辨率遥感影像中满足所述第一条件的像素确定为所述水体；
将所述高分辨率遥感影像中不满足所述第一条件、且满足所述第二条件的像素确定为所述林地或所述草地；
将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路；
将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件、且满足所述第三条件的像素确定为所述高亮建筑；
将所述高分辨率遥感影像中不满足所述第一条件、所述第二条件以及所述第三条件、且满足所述第四条件的像素确定为所述蓝色建筑；
将所述高分辨率遥感影像中不满足所述第一条件、所述第二条件、所述第三条件以及所述第四条件的像素确定为所述其它建筑。
5.根据权利要求4所述的方法，其特征在于，所述将所述高分辨率遥感影像中不满足所述第一条件、且满足所述第二条件的像素确定为所述林地或所述草地，包括：
使用随机森林分类算法，将所述高分辨率遥感影像中不满足所述第一条件且满足所述第二条件的像素确定为所述林地或所述草地；
所述将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路，包括：
使用随机森林分类算法以及纹理特征，将所述高分辨率遥感影像中不满足所述第一条件以及所述第二条件的像素确定为所述裸地、所述阴影、或者所述道路。
6.根据权利要求5所述的方法，其特征在于，所述纹理特征的获取方法包括：
获取所述高分辨率遥感影像中的主成分特征量；
将所述主成分特征量进行多种方式的纹理滤波，得到多个候选纹理特征；
从所述候选纹理特征中选择所述随机森林分类算法采用的所述纹理特征。
7.根据权利要求1-6任一项所述的方法，其特征在于，在所述依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型之后，还包括：
对所述城市用地中的像素所属的所述目标分类型进行优化处理，所述优化处理包括去除所述目标类型的像素构成的区域中的噪声，以及优化所述道路的形态。
8.根据权利要求7所述的方法，其特征在于，所述去除所述目标类型的像素构成的区域中的噪声，包括：
使用分水岭算法，获取所述高分辨率遥感影像中的各个分块；
将每个所述分块中占比最大的像素的所述目标类型，确定为所述分块的所述目标类型。
9.根据权利要求7所述的方法，其特征在于，所述优化所述道路的形态，包括：
从地图数据中获取所述道路的尺度范围；
定位所述目标类型为所述道路的像素的位置；
依据所述位置以及所述尺度范围，确定属于所述道路的像素。
10.一种基于高分辨率遥感影像的城市用地分类装置，其特征在于，包括：
第一获取模块，用于获取城市用地的高分辨率遥感影像以及目标类型，所述目标类型为预设类型中的至少一种；其中，所述预设类型被预先划分为多个层级；
第一确定模块，用于确定所述目标类型所属的层级；
第二获取模块，用于获取所述层级对应的分类条件，所述分类条件包括归一化水体指数条件、归一化植被指数条件以及预设波段的波长条件；其中，高层级的类型对应的分类条件，用于划分所述高层级的类型以及低层级的类型的上位类型，所述层级越低，对应的所述分类条件越多，且所述低层级的类型对应的所述分类条件中包含所述高层级的类型对应的所述分类条件；
第二确定模块，用于依据所述分类条件以及所述高分辨率遥感影像，确定所述城市用地中的各个像素所属的所述目标类型。
11.一种电子设备，其特征在于，包括：
存储器和处理器；所述存储器用于存储程序，所述处理器用于运行所述程序，以实现权利要求1-9任一项所述的基于高分辨率遥感影像的城市用地分类方法。
12.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被计算机设备运行时，实现权利要求1-9任一项所述的基于高分辨率遥感影像的城市用地分类方法。
CN202110466551.7A 2021-04-28 2021-04-28 基于高分辨率遥感影像的城市用地分类方法及装置、设备 Pending CN113158934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110466551.7A CN113158934A (zh) 2021-04-28 2021-04-28 基于高分辨率遥感影像的城市用地分类方法及装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110466551.7A CN113158934A (zh) 2021-04-28 2021-04-28 基于高分辨率遥感影像的城市用地分类方法及装置、设备

Publications (1)

Publication Number Publication Date
CN113158934A true CN113158934A (zh) 2021-07-23

Family

ID=76871826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110466551.7A Pending CN113158934A (zh) 2021-04-28 2021-04-28 基于高分辨率遥感影像的城市用地分类方法及装置、设备

Country Status (1)

Country Link
CN (1) CN113158934A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9367743B1 (en) * 2014-12-16 2016-06-14 Vricon Systems Aktiebolag Method and system for classifying a terrain type in an area
CN109801296A (zh) * 2019-01-14 2019-05-24 中国科学院地理科学与资源研究所 一种海绵城市建设下垫面嵌套式遥感精细化制图方法
WO2020063461A1 (zh) * 2018-09-30 2020-04-02 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9367743B1 (en) * 2014-12-16 2016-06-14 Vricon Systems Aktiebolag Method and system for classifying a terrain type in an area
WO2020063461A1 (zh) * 2018-09-30 2020-04-02 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
CN109801296A (zh) * 2019-01-14 2019-05-24 中国科学院地理科学与资源研究所 一种海绵城市建设下垫面嵌套式遥感精细化制图方法
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 (10)

* Cited by examiner, † Cited by third party
Title
刘小丹;于宁;: "河流湿地遥感图像分层次多尺度分割", 网络新媒体技术, no. 05 *
吴培昊等: "基于高分一号影像的天津市宝坻区地表覆盖分类研究", 《天津农业科学》 *
吴培昊等: "基于高分一号影像的天津市宝坻区地表覆盖分类研究", 《天津农业科学》, no. 02, 1 February 2020 (2020-02-01) *
左晓庆等: "基于随机森林算法的城区土地覆盖分类研究", 《河北省科学院学报》 *
左晓庆等: "基于随机森林算法的城区土地覆盖分类研究", 《河北省科学院学报》, no. 01, 15 March 2020 (2020-03-15) *
李淑圆;周静妍;余世孝;: "基于高分辨率遥感影像的广州城市土地覆被分类系统", 中山大学学报(自然科学版), no. 05, pages 1 - 2 *
江振蓝等: "基于ZY-3卫星影像多层分割的村镇用地决策树分类", 《闽江学院学报》 *
江振蓝等: "基于ZY-3卫星影像多层分割的村镇用地决策树分类", 《闽江学院学报》, no. 02, 25 March 2016 (2016-03-25) *
蒋轩;周坚华;: "针对分层分类和多描述符空间的城镇植被群分类", 遥感信息, no. 02 *
赵宇鸾;林爱文;: "基于面向对象和多尺度影像分割技术的城市用地分类研究――以武汉市城市中心区为例", 国土资源科技管理, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
CN108830870B (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
Herold et al. Object-oriented mapping and analysis of urban land use/cover using IKONOS data
CN111696123A (zh) 超像素分类识别的遥感图像水域分割提取方法
CN106503739A (zh) 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN103235952B (zh) 一种基于高分辨率遥感影像的城市绿度空间的度量方法
CN104751478A (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
CN111191628B (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN109063754A (zh) 一种基于OpenStreetMap的遥感影像多特征联合分类方法
CN105335966A (zh) 基于局域同质性指标的多尺度遥感影像分割方法
CN110309781A (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN104182763A (zh) 一种基于花朵特征的植物种类识别系统
CN107330875A (zh) 基于遥感图像正反向异质性的水体周边环境变化检测方法
CN112183416A (zh) 一种基于深度学习方法的新增建设用地自动提取方法
CN112488050A (zh) 一种结合颜色与纹理的航拍影像场景分类方法和系统
CN110879992A (zh) 基于迁移学习的草原地表覆盖物分类方法和系统
CN107992856A (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN115965812B (zh) 无人机影像对湿地植被物种和地物分类的评估方法
Alphan Multi-temporal analysis of urbanisation patterns as coastal development indicators: Eastern Mediterranean coast of Turkey
CN113158934A (zh) 基于高分辨率遥感影像的城市用地分类方法及装置、设备
CN108648200B (zh) 一种间接的城市高分辨率不透水面提取方法
Skidmore Unsupervised training area selection in forests using a nonparametric distance measure and spatial information
Nelson et al. Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery
CN110310263A (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210723