CN114913432A - 一种城市建设用地变化遥感检测方法 - Google Patents

一种城市建设用地变化遥感检测方法 Download PDF

Info

Publication number
CN114913432A
CN114913432A CN202210537222.1A CN202210537222A CN114913432A CN 114913432 A CN114913432 A CN 114913432A CN 202210537222 A CN202210537222 A CN 202210537222A CN 114913432 A CN114913432 A CN 114913432A
Authority
CN
China
Prior art keywords
remote sensing
image
construction land
urban construction
calculating
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
CN202210537222.1A
Other languages
English (en)
Inventor
潘龙英
刘丰宁
彭光雄
张丽玫
潘雪华
张扬远
潘勇
刘尧
单文法
张建东
王�华
李庆华
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.)
Hunan Engineering Polytechnic
Original Assignee
Hunan Engineering Polytechnic
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 Hunan Engineering Polytechnic filed Critical Hunan Engineering Polytechnic
Priority to CN202210537222.1A priority Critical patent/CN114913432A/zh
Publication of CN114913432A publication Critical patent/CN114913432A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • 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
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种城市建设用地变化遥感检测方法，包括：输入两幅不同时相经过几何校正和辐射校正的Landsat5‑TM遥感影像；对两幅遥感影像进行几何精确配准；对两幅遥感影像的7个波段进行主成分分析降维处理，分别获取对应第一组分；利用灰度共生矩阵计算两幅遥感影像TM7波段纹理特征；计算两幅遥感影像的归一化植被指数NDVI；计算两幅遥感影像的归一化建筑指数NDBI；对获取的4对变化检测因子进行图像差值运算；对获得的四个差值结果灰度图像进行主成分分析，取其第一组分为城市建设用地变化检测结果；利用阈值对城市建设用地变化检测结果灰度图像进行分割，提取得到变化检测的二值图像。本发明具有算法简单易行、稳定可靠、运算高效和计算精确等技术优点。

Description

一种城市建设用地变化遥感检测方法
技术领域
本发明涉及遥感卫星图像处理技术领域，特别是指一种面向陆地卫星的城市建设用地变化遥感检测计算方法、装置及电子设备。
背景技术
土地覆被变化是人类活动与自然过程对地球陆地表层共同作用的结果，是全球变化研究的重要组成部分。城市是人类活动最活跃、土地利用程度最高的区域，土地利用类型由耕地、草地、林地等自然类型向人工建设用地的转变，是城市化过程中城市土地利用最主要的转变形式。城市扩张是城市范围在空间上的蔓延，它以建设用地的不断扩大为主要特点，在全球范围内广泛而快速的发生，对资源、环境、地理过程、生物多样性等各方面均产生了深远的影响。城市建设用地变化的遥感检测，可为城市管理、城市规划和生态环境研究提供科学依据，为城市科学发展提供数据支持，对生态城市建设具有重要现实意义。
陆地卫星（LANDSAT）系列卫星由美国航空航天局（NASA）和美国地质调查局（USGS）共同管理。自1972年起，LANDSAT系列卫星陆续发射，是美国用于探测地球资源与环境的系列地球观测卫星系统。LANDSAT系列卫星装备有专题制图仪（TM）或增强型专题制图仪(ETM+），被动感应地表反射的太阳辐射和散发的热辐射。而目前，尚未有通过简单易行的算法稳定可靠、运算高效和计算精确的基于Landsat陆地卫星遥感检测城市建设用地的计算方法的提出。
发明内容
本发明要解决的技术问题是：解决上述现有技术的不足，出一种计算精确、简单易行、稳定可靠、运算高效的基于Landsat陆地卫星的城市建设用地变化遥感检测计算方法及其实现装置。
本发明解决其技术问题所采用的的技术方案是：
一种城市建设用地变化遥感检测的计算方法，包括以下几个步骤：
S1：输入两幅不同时相、经过几何校正和辐射校正的Landsat5-TM遥感影像，得到TM1至TM7共七个波段；
S2：以遥感影像A为基准对遥感影像B进行几何精确配准；
S3:分别对遥感影像A和B的TM1至TM7共七个波段进行主成分分析降维处理，得到PC1至PC7共七个组分，分别取遥感影像A和B对应的第一组分（PC1）为变化检测因子F1A和F1B;
S4: 分别对遥感影像A和B的TM7进行纹理分析，获得其对应的纹理特征均值统计量灰度图像，即变化检测因子F2A和F2B;
S5：分别计算遥感影像A和B的归一化植被指数，获得其对应归一化植被指数，即变化检测因子F3A和F3B；
S6: 分别计算遥感影像A和B的归一化建筑指数，获得其对应归一化建筑指数，即变化检测因子F4A和F4B；
S7: 基于获得的4对变化检测因子F1A和F1B、F2A和F2B、F3A和F3B、F4A和F4B，将每对因子进行图像差值运算，得到相应的差值运算结果DF1、DF2、DF3和DF4；
S8：对获得的DF1、DF2、DF3和DF4四个差值结果灰度图像，通过波段叠着组合成一个新的四波段图像C，对图像C的4个波段进行主成分分析，得到PC1至PC4共4个组分，取其第一组分（PC1）为城市建设用地变化检测结果灰度图像D；
S9：对城市建设用地变化检测结果灰度图像D，利用图像直方图获取变化检测的阈值T，通过波段运算将灰度值大于阈值T的像元设为变化像元，得到城市建设用地变化二值图像E。
作为本发明的一种优选方案，S1中：遥感影像选取四级产品，其全部七个波段重采样至30米空间分辨率。
作为本发明的一种优选方案，S2中，配准的均方根误差要求控制在0.5个像元以内。
作为本发明的一种优选方案，S4中，纹理特征均值统计量灰度图像是基于3×3窗口大小计算灰度共生矩阵而获得的，其中灰度共生矩阵的定义为：假设图像某一区域有N个灰度值，则对应该区域的灰度共生矩阵是一个N×N阶的概率矩阵，在矩阵中位置 ( i,j )( 1 , … , i , … N ； 1 , … , j , … , N )处元素是从灰度为i的像元离开某个固定位置关系δ=（DX, DY）处像元灰度为j这种现象出现的概率P(i,j) ，δ被称为位移量，DX和DY称为距离；
作为纹理识别的特征量是由灰度共生矩阵计算出来的一些统计量。基于所述灰度共生矩阵，纹理特征均值统计量的计算公式为：
Figure 123303DEST_PATH_IMAGE002
；
其中， P(i,j) 为灰度共生矩阵的值， i和j表示图像空间上一个点的像素坐标。
作为本发明的一种优选方案，归一化植被指数的计算公式为：NDVI= ( TM4-TM3)/(TM4+ TM3)，其中，NDVI为归一化植被指数，TM3—Landsat5-TM遥感影像的第3波段的灰度值，TM4—Landsat5-TM遥感影像的第4波段的灰度值。
作为本发明的一种优选方案，归一化建筑指数的计算公式为：NDBI= ( TM5-TM4)/(TM5+ TM4)，其中，NDBI—归一化建筑指数，TM4—Landsat5-TM遥感影像的第4波段的灰度值，TM5—Landsat5-TM遥感影像的第5波段的灰度值。
一种城市建设用地变化遥感检测的计算方法的实现装置，包括以下几个模块：
（1）获取影像模块，用于输入至少两幅不同时相、经过几何校正和辐射校正的Landsat5-TM遥感影像；
（2）影像精确配准模块，用于将遥感影像A为基准对遥感影像B进行几何精确配准；
（3）影像降维处理模块，用于对A和B遥感影像的7个波段进行主成分分析，分别获取对应第一组分；
（4）影像纹理分析模块，用于利用灰度共生矩阵计算A和B遥感影像TM7波段纹理特征
（5）植被指数计算模块，用于分别计算A和B遥感影像的归一化植被指数NDVI；
（6）建筑指数计算模块，用于分别计算A和B遥感影像的归一化建筑指数NDBI；
（7）图像差值运算模块，用于对4对变化检测因子进行图像差值运算；
（8）主成分分析模块，用于对获得的四个差值结果灰度图像，通过波段叠着组合成一个新的四波段图像，并进行主成分分析，取其第一组分为城市建设用地变化检测结果；
（9）阈值分割模块，用于利用阈值对城市建设用地变化检测结果灰度图像进行分割，提取得到相应二值图像。
本发明的有益效果是：本发明提供的一种城市建设用地变化检测计算方法和装置具有算法简单易行、稳定可靠、运算高效和计算精确等计算优点。
附图说明
图1为本发明实施例中的城市建设用地变化遥感检测计算方法流程图；
图2为本发明实施例中的变化检测因子F1灰度图像；
图3为本发明实施例中的变化检测因子F2灰度图像；
图4为本发明实施例中的变化检测因子F3灰度图像；
图5为本发明实施例中的变化检测因子F4灰度图像；
图6为本发明实施例中的变化检测因子差值运算结果DF1(a)、DF2(b)、DF3(c)、DF4(d)灰度图像；
图7为本发明实施例中的城市建设用地变化检测结果灰度图像D(a)和阈值分隔后的二值图像E(b)；
图8为本发明实施例中的城市建设用地变化遥感检测计算方法的实现装置结构示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步说明，但这些具体实施方案不以任何方式限制本发明的保护范围。
实施例1
参考图1-图7：
S1，遥感影像输入
输入两幅不同时相经过几何校正和辐射校正的Landsat5-TM遥感影像A和B，进一步的，两幅Landsat5-TM遥感影像选取四级产品，其全部七个波段重采样至30米空间分辨率，其对应的第一至第七波段分别为TM1、TM2、TM3、TM4、TM5、TM6、TM7，具体的，本发明实施例选用1996年10月4日（A）和2009年9月6日（B）两个时相长沙地区Level 4（四级产品）经过几何校正和辐射校正的Landsat5-TM遥感影像，切割出一部分区域作为本发明实施例的输入数据；
S2，遥感影像精确配准
以1996年10月4日的遥感影像A为基准对2009年9月6日的遥感影像B进行几何精确配准，配准的均方根误差要求控制在0.5个像元以内；
S3，遥感影像降维处理
分别对遥感影像A和B的TM1至TM7共7个波段进行主成分分析，得到PC1至PC7共7个组分，分别取遥感影像A和B对应的第一组分（PC1）为变化检测因子F1A和F1B，具体的，如图2a、图2b所示，分别为本发明实施例中的陆地卫星计算得到的变化检测因子F1A和F1B；
S4，遥感影像纹理分析
基于3×3窗口大小计算灰度共生矩阵，获得纹理特征均值统计量灰度图像，灰度共生矩阵的定义为： 设图像某一区域有N个灰度值，则对应该区域的灰度共生矩阵是一个N×N阶的概率矩阵，在矩阵中位置 ( i,j ) ( 1 , … , i , … N ； 1 , … , j , … ,N )处元素是从灰度为i的像元离开某个固定位置关系δ=（DX, DY）处像元灰度为j这种现象出现的概率P(i,j) ，δ被称为位移量，DX和DY称为距离，作为纹理识别的特征量是由灰度共生矩阵计算出来的一些统计量。基于所述灰度共生矩阵，纹理特征均值统计量的计算公式为：
Figure 509285DEST_PATH_IMAGE002
其中， P(i,j) 为灰度共生矩阵的值， i和j表示图像空间上一个点的像素坐标，再分别对遥感影像A和B的TM7进行纹理分析，获得其对应的纹理特征均值统计量灰度图像，即变化检测因子F2A和F2B，具体的，如图3a、图3b所示，分别为本发明实施例中的陆地卫星计算得到的变化检测因子F2A和F2B；
S5，归一化植被指数计算
归一化植被指数的计算公式为，
NDVI= ( TM4- TM3)/(TM4+ TM3)，
其中，NDVI—归一化植被指数，
TM3—Landsat5-TM遥感影像的第3波段的灰度值，
TM4—Landsat5-TM遥感影像的第4波段的灰度值，
分别计算遥感影像A和B的归一化植被指数，获得其对应归一化植被指数，即变化检测因子F3A和F3B，具体的，如图4a、图4b所示，分别为本发明实施例中的陆地卫星计算得到的变化检测因子F3A和F3B；
S6，归一化建筑计算
归一化建筑指数的计算公式为，
NDBI= ( TM5- TM4)/(TM5+ TM4)，
其中，NDBI—归一化建筑指数，
TM4—Landsat5-TM遥感影像的第4波段的灰度值，
TM5—Landsat5-TM遥感影像的第5波段的灰度值，
分别计算遥感影像A和B的归一化建筑指数，获得其对应归一化建筑指数，即变化检测因子F4A和F4B，具体的，如图5a、图5b所示，分别为本发明实施例中的陆地卫星计算得到的变化检测因子F4A和F4B。
S7，图像差值运算
基于获得的4对变化检测因子F1A和F1B、F2A和F2B、F3A和F3B、F4A和F4B，将每对因子进行图像差值运算，得到相应的差值运算结果DF1、DF2、DF3和DF4，具体的，如图6a、图6b、图6c和图6d所示，分别为本发明实施例中的陆地卫星计算得到的变化检测因子差值运算结果灰度图像DF1、DF2、DF3和DF4；
S8，主成分分析
对获得的DF1、DF2、DF3和DF4四个差值结果灰度图像，通过波段叠着组合成一个新的四波段图像C，对图像C的4个波段进行主成分分析，得到PC1至PC4共4个组分，取其第一组分（PC1）为城市建设用地变化检测结果灰度图像D，具体的，如图7a所示，为本发明实施例中的陆地卫星计算得到的城市建设用地变化检测结果灰度图像D；
S9，阈值分割
对城市建设用地变化检测结果灰度图像D，利用图像直方图获取变化检测的阈值T，通过波段运算将灰度值大于阈值T的像元设为变化像元，得到城市建设用地变化二值图像E，具体的，如图7b所示，为本发明实施例中的陆地卫星计算得到的城市建设用地变化阈值分隔后的二值图像E。
发明实施例计算得到的长沙城市建设用地变化检测结果与实际情况一致，其结论为：
长沙县由于城市扩张，其中心城区周围的大片农业用地和草地转变为城市建设用地；滨河南路北侧大片湿地变化为住宅用地，主要小区有万科城、珠江郦城和万国城等；河西麓谷-梅溪湖片区城市向西迅速扩张；湘江北路及长沙北站一带由于金霞跨境产贸城等建设，新增大片城市建设用地。
更具体的，采用类似于分类精度评价的方法，对城市建设用地变化检测的结果进行精度评价。先将变化检测结果作为分类图像，使其包含 “变化”和“不变化”2 个类别； 然后在原始遥感影像上通过选择“变化”类别和“不变化”类别的测试样本，通过建立混淆矩阵从而实现精度评价。发明实施例中城市建设用地变化检测结果的总体检测精度为91.28%、Kappa 系数为0.6917 、虚检率为10.95%、漏检率为12.87%，城市建设用地变化取得了较高检测精度，表现出了发明检测方法的优越性。因此基于本方法的城市建设用地变化检测具有优良的计算精度和较强稳定性。
由上述描述可见，本发明的面向陆地卫星的城市建设用地变化遥感检测计算方法、电子设备，具有算法简单易行、稳定可靠、运算高效高和计算精确等技术优点，从市场应用方面来讲，容易形成功能模块嵌入到各类遥感图像处理软件当中，具有广阔的应用前景和市场潜力。
另一方面，本发明实施例还提供了一种城市建设用地变化遥感检测方法的实现装置。参考图8，为本发明实施例的城市建设用地变化遥感检测方法的实现装置结构示意图。包括：
获取影像模块101，输入两幅不同时相经过几何校正和辐射校正的Landsat5-TM遥感影像；
影像精确配准模块102，以遥感影像A为基准对遥感影像B进行几何精确配准；
影像降维处理模块103，对A和B遥感影像的7个波段进行主成分分析，分别获取对应第一组分；
影像纹理分析模块104，利用灰度共生矩阵计算A和B遥感影像TM7波段纹理特征；
植被指数计算模块105，分别计算A和B遥感影像的归一化植被指数NDVI；
建筑指数计算模块106，分别计算A和B遥感影像的归一化建筑指数NDBI；
图像差值运算模块107，对4对变化检测因子进行图像差值运算；
主成分分析模块108，对获得的四个差值结果灰度图像，通过波段叠着组合成一个新的四波段图像，并进行主成分分析，取其第一组分为城市建设用地变化检测结果；
阈值分割模块109，利用阈值对城市建设用地变化检测结果灰度图像进行分割，提取得到相应二值图像。
上述实施例的一种城市建设用地变化遥感检测计算装置，用于实现前述实施例中相应的城市建设用地变化遥感检测计算方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种城市建设用地变化遥感检测的计算方法，其特征在于，包括以下几个步骤：
S1：输入两幅不同时相、经过几何校正和辐射校正的Landsat5-TM遥感影像，得到TM1至TM7共七个波段；
S2：利用所述两幅遥感影像的其中一幅遥感影像为基准对另一幅遥感影像进行几何精确配准；
S3:分别对所述两幅遥感影像的七个波段进行主成分分析降维处理，输出七个组分，分别取遥感影像对应的第一组分为第一对变化检测因子;
S4: 分别对所述两幅遥感影像的TM7进行纹理分析，获得其对应的纹理特征均值统计量灰度图像为第二对变化检测因子;
S5：分别计算所述两幅遥感影像的归一化植被指数，获得其对应归一化植被指数为第三对变化检测因子；
S6: 分别计算所述两幅遥感影像的归一化建筑指数，获得其对应归一化建筑指数为第四对变化检测因子；
S7: 基于S3-S6所获得的四对变化检测因子，将每对因子进行图像差值运算，得到相应的四对差值运算结果；
S8：对S7中所述获得的四个差值运算结果灰度图像，通过波段叠着组合成一个新的四波段图像，对图像的四个波段进行主成分分析，输出四个组分，取其第一组分为城市建设用地变化检测结果灰度图像；
S9：对S8中所述城市建设用地变化检测结果灰度图像，利用图像直方图获取变化检测的阈值，通过波段运算将灰度值大于阈值的像元设为变化像元，得到城市建设用地变化二值图像。
2.根据权利要求1所述一种城市建设用地变化遥感检测的计算方法，其特征在于，所述S1中，所述遥感影像选取四级产品，其全部七个波段重采样至30米空间分辨率。
3.根据权利要求1所述一种城市间建设用地变化遥感检测的计算方法，其特征在于：所述S2中，所述配准的均方根误差要求控制在0.5个像元以内。
4.根据权利要求1所述一种城市建设用地变化遥感检测的计算方法，其特征在于，所述S4中，所述纹理特征均值统计量灰度图像是基于3×3窗口大小计算灰度共生矩阵而获得的，灰度共生矩阵的定义为：假设图像某一区域有N个灰度值，则对应该区域的灰度共生矩阵是一个N×N阶的概率矩阵，在矩阵中位置 ( i,j ) ( 1 , … , i , … N ； 1 , … ,j , … , N )处元素是从灰度为i的像元离开某个固定位置关系δ=（DX, DY）处像元灰度为j这种现象出现的概率P(i,j) ，δ被称为位移量，DX和DY称为距离；作为纹理识别的特征量是由灰度共生矩阵计算出来的一些统计量；
基于所述灰度共生矩阵，纹理特征均值统计量的计算公式为：
Figure 295156DEST_PATH_IMAGE001
；
其中， P(i,j) 为灰度共生矩阵的值， i和j表示图像空间上一个点的像素坐标。
5.根据权利要求1所述一种城市建设用地变化遥感检测的计算方法，其特征在于，所述归一化植被指数的计算公式为：NDVI= ( TM4- TM3)/(TM4+ TM3)，其中，NDVI为归一化植被指数，TM3—Landsat5-TM遥感影像的第3波段的灰度值，TM4—Landsat5-TM遥感影像的第4波段的灰度值。
6.根据权利要求1-5任一所述一种城市建设用地变化遥感检测的计算方法，其特征在于，所述归一化建筑指数的计算公式为：NDBI= ( TM5- TM4)/(TM5+ TM4)，其中，NDBI—归一化建筑指数，TM4—Landsat5-TM遥感影像的第4波段的灰度值，TM5—Landsat5-TM遥感影像的第5波段的灰度值。
7.一种根据权利要求1所述城市建设用地变化遥感检测的计算方法的实现装置，其特征在于，包括以下几个模块：
（1）获取影像模块，用于输入至少两幅不同时相、经过几何校正和辐射校正的Landsat5-TM遥感影像；
（2）影像精确配准模块，用于将遥感影像A为基准对遥感影像B进行几何精确配准；
（3）影像降维处理模块，用于对A和B遥感影像的7个波段进行主成分分析，分别获取对应第一组分；
（4）影像纹理分析模块，用于利用灰度共生矩阵计算A和B遥感影像TM7波段纹理特征
（5）植被指数计算模块，用于分别计算A和B遥感影像的归一化植被指数NDVI；
（6）建筑指数计算模块，用于分别计算A和B遥感影像的归一化建筑指数NDBI；
（7）图像差值运算模块，用于对4对变化检测因子进行图像差值运算；
（8）主成分分析模块，用于对获得的四个差值结果灰度图像，通过波段叠着组合成一个新的四波段图像，并进行主成分分析，取其第一组分为城市建设用地变化检测结果；
（9）阈值分割模块，用于利用阈值对城市建设用地变化检测结果灰度图像进行分割，提取得到相应二值图像。
CN202210537222.1A 2022-05-18 2022-05-18 一种城市建设用地变化遥感检测方法 Pending CN114913432A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210537222.1A CN114913432A (zh) 2022-05-18 2022-05-18 一种城市建设用地变化遥感检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210537222.1A CN114913432A (zh) 2022-05-18 2022-05-18 一种城市建设用地变化遥感检测方法

Publications (1)

Publication Number Publication Date
CN114913432A true CN114913432A (zh) 2022-08-16

Family

ID=82768093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210537222.1A Pending CN114913432A (zh) 2022-05-18 2022-05-18 一种城市建设用地变化遥感检测方法

Country Status (1)

Country Link
CN (1) CN114913432A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913431A (zh) * 2022-05-18 2022-08-16 湖南工程职业技术学院 一种城市不透水面覆盖度的计算方法
CN115147726A (zh) * 2022-09-05 2022-10-04 清华大学 城市形态图的生成方法、装置、电子设备和可读存储介质
CN115578641A (zh) * 2022-11-08 2023-01-06 中化现代农业有限公司 农作物的铲除进度监测方法、装置、电子设备和存储介质
CN116362567A (zh) * 2023-04-07 2023-06-30 生态环境部卫星环境应用中心 一种城市工业热源企业应急响应遥感评估方法
CN117455149A (zh) * 2023-10-19 2024-01-26 珠江水利委员会珠江流域水土保持监测中心站 生产建设项目建设全周期变化检测方法、介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913431A (zh) * 2022-05-18 2022-08-16 湖南工程职业技术学院 一种城市不透水面覆盖度的计算方法
CN114913431B (zh) * 2022-05-18 2024-05-31 湖南工程职业技术学院 一种城市不透水面覆盖度的计算方法
CN115147726A (zh) * 2022-09-05 2022-10-04 清华大学 城市形态图的生成方法、装置、电子设备和可读存储介质
CN115147726B (zh) * 2022-09-05 2023-03-24 清华大学 城市形态图的生成方法、装置、电子设备和可读存储介质
CN115578641A (zh) * 2022-11-08 2023-01-06 中化现代农业有限公司 农作物的铲除进度监测方法、装置、电子设备和存储介质
CN116362567A (zh) * 2023-04-07 2023-06-30 生态环境部卫星环境应用中心 一种城市工业热源企业应急响应遥感评估方法
CN116362567B (zh) * 2023-04-07 2024-01-12 生态环境部卫星环境应用中心 一种城市工业热源企业应急响应遥感评估方法
CN117455149A (zh) * 2023-10-19 2024-01-26 珠江水利委员会珠江流域水土保持监测中心站 生产建设项目建设全周期变化检测方法、介质

Similar Documents

Publication Publication Date Title
CN114913432A (zh) 一种城市建设用地变化遥感检测方法
Chen et al. Thick clouds removing from multitemporal Landsat images using spatiotemporal neural networks
Liu et al. Mapping coastal wetlands using transformer in transformer deep network on China ZY1-02D hyperspectral satellite images
Lasaponara et al. Image enhancement, feature extraction and geospatial analysis in an archaeological perspective
Zhou Urban High-Resolution Remote Sensing: Algorithms and Modeling
Yan et al. Shoreline change detection and forecast along the Yancheng coast using a digital shoreline analysis system
CN114112906B (zh) 一种基于无人机低空遥感和局部地形的水体特征提取系统
Zhang et al. Reconstruction of GF-1 soil moisture observation based on satellite and in situ sensor collaboration under full cloud contamination
Zhu et al. Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models
Karakacan Kuzucu et al. Testing the potential of vegetation indices for land use/cover classification using high resolution data
CN107688776A (zh) 一种城市水体提取方法
Ghasemi et al. Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran
Liu et al. Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network
Swetanisha et al. Land use/land cover classification using machine learning models.
Liu et al. Environment monitoring of Shanghai Nanhui intertidal zone with dual-polarimetric SAR data based on deep learning
Li et al. Hyperspectral image super-resolution network based on cross-scale nonlocal attention
CN115240066A (zh) 基于深度学习的遥感影像矿区复绿监测方法及系统
Bektas Balcik et al. Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul
Kumar et al. Multi-sensor multi-resolution image fusion for improved vegetation and urban area classification
Sui et al. Processing of multitemporal data and change detection
Han et al. Refined land-cover classification mapping using a multi-scale transformation method from remote sensing, unmanned aerial vehicle, and field surveys in Sanjiangyuan National Park, China
Wang et al. Rapid identification of post-earthquake collapsed buildings via multi-scale morphological profiles with multi-structuring elements
Lv et al. A novel spatial–spectral extraction method for subpixel surface water
Wang et al. Cloud Removal With SAR-Optical Data Fusion Using a Unified Spatial-Spectral Residual Network
Luo et al. Comparison of two object-oriented technologies for detecting land use change

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