CN115115943A - 一种基于单期遥感影像的地物信息提取方法 - Google Patents
一种基于单期遥感影像的地物信息提取方法 Download PDFInfo
- Publication number
- CN115115943A CN115115943A CN202210693703.1A CN202210693703A CN115115943A CN 115115943 A CN115115943 A CN 115115943A CN 202210693703 A CN202210693703 A CN 202210693703A CN 115115943 A CN115115943 A CN 115115943A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- index data
- remote sensing
- characteristic index
- 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
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于单期遥感影像的地物信息提取方法,所述提取方法包括:从单期多光谱遥感影像数据中取得目标地物的第一特征指数数据;通过幂函数对第一特征指数数据进行计算,获得第二特征指数数据;对第一特征指数数据或第二特征指数数据进行中心化处理和取反处理,获得第三特征指数数据;从由第一特征指数数据、第二特征指数数据及述第三特征指数数据组成的特征序列数据中进行目标地物信息提取。本发明减少了提取所需的数据量,降低了数据获取难度,有效避免了人为因素干扰,可实现提取过程自动化,具有更广泛的普适性。
Description
技术领域
本发明属于遥感影像分类的技术领域,具体涉及单期遥感影像的地物信息提取方法的技术领域。
背景技术
对遥感影像中各类地物信息进行识别、分析、提取、区分等的技术,即为遥感影像分类技术。现有技术中,应用比较广、比较成熟的遥感分类方法主要包括:基于最小距离、最大似然法、光谱角法、神经网络等的监督分类法,基于多时间序列遥感影像的决策树分类法、面向对象分类法以及非监督分类法等。虽然常用的遥感分类方法很多,但各方法分别存在一些普遍的、有待进一步解决的技术问题,如:监督分类法中存在人为主观因素相对较高的问题;决策树分类法中存在需要多期遥感影像、及部分规则的阈值确定方面的问题;面向对象分类法中存在最佳阈值选取问题;非监督分类法中存在分类形式以及后期合并类等方面的问题。总的来说,现有技术面临的主要问题包括:有效的影像数据获取难度大、人为干扰多,对地物信息的提取效率低、普适性差。
发明内容
为了克服现有技术的缺陷,本发明的目的在于提供一种只需要一期遥感影像即可实现对地物信息的高效、准确、自动化提取的方法,该方法减少了数据量以及数据获取难度,有效避免了人为因素干扰,提高了提取效率、自动化程度和普适性。
本发明的技术方案如下:
一种单期遥感影像的地物信息提取方法,其包括:
S1基于选取的单期遥感影像数据,获取目标地物的遥感特征指数信息,即第一特征指数数据;
S2通过幂函数对所述第一特征指数数据进行单次或多次栅格运算,获得第二特征指数数据;
S3对所述第一特征指数数据或第二特征指数数据进行中心化处理,对中心化处理后的数据进行取反处理,获得第三特征指数数据;
S4由所述第一特征指数数据、所述第二特征指数数据及所述第三特征指数数据组成目标地物的特征序列数据;
S5从所述特征序列数据中进行目标地物信息提取。
以上过程中,S2的处理可拉大目标地物和与其波谱相似的干扰地物之间的特征信息的差异性,同时,可在原始的单期影像的基础上,增加进行信息提取的影像的数量,形成关于目标地物的多期遥感影像数据。
以上过程中,S3的处理可获得与目标地物特征信息完全相反的新特征数据,即第三特征指数数据,该数据可从相反角度刻画目标地物与其它地物的差别特征,进一步丰富了目标地物与其它地物的差别信息,在一些具体实施例中,其相当于取得了用于识别的目标地物的另一时期的遥感数据。
根据本发明的一些具体实施方式,所述遥感特征指数如绿色植被的各种遥感植被指数,水体的各种遥感水体指数,地表各种干旱遥感指数等,更具体如归一化植被指数NDVI、归一化水指数NDWI、温度植被干旱指数TVDI。
优选的,当所述遥感特征指数为未归一化处理的特征指数,则先对其进行归一化处理,以归一化处理后的数据作为所述第一特征指数数据。
根据本发明的一些优选实施方式,所述幂函数为二次~四次函数。
随着幂函数中指数常数的增大,目标地物和波谱特征信息相近的干扰地物之间的特征差异性的拉大效果越显著,但过大的指数常数会一定程度上影响地物信息提取效果。发明人意外地发现,二次~四次方幂函数具有最佳的效果。
根据本发明的一些优选实施方式,所述中心化处理使用如下的处理模型:
y=x-u;
其中,x表示所述第一特征指数数据或所述第二特征指数数据,y表示中心化处理后的数据,u表示x的统计平均值。
该中心化处理可将目标地物的数据集中到特定的取值范围内,使其与非目标地物的数据间的区别更加显著。
根据本发明的一些具体实施方式,所述S5中,所述提取通过主成分分析法、非监督分类法、决策树分类方法中的一种或多种实现,优选的,其通过主成分分析法实现。
根据以上提取方法,可获得一种单期遥感影像的地物信息提取装置,其包括存储介质,该存储介质存储有实现上述任一提取方法的程序、算法、和/或数据结构。
本发明具备以下有益效果:
当前已有的遥感分类方法在波谱信息相似的地物中很难只应用一期遥感数据准确提取目标地物,本发明的提取方法可由单期遥感数据构建出多个目标地物的特征信息遥感数据,根据构建出的多组遥感数据,可再应用其它基于多期数据的遥感分类方法提取目标地物信息。
本发明的提取方法可构建出拉大了目标地物和其它背景地物的差异性以及目标地物与波谱信息相近的干扰地物之间的差异性、目标地物特征鲜明的特征序列遥感数据,提高了基于单期遥感数据的提取准确性、降低了提取难度。
本发明的提取方法流程简单、人为主观因素少,具有普适性,可直接进行自动化提取,进一步增强了提取准确性、提高了提取效率。
附图说明
图1为具体实施方式中提供的本发明的方法的流程示意图。
图2为实施例所得冬小麦种植空间分布图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述,但需要理解的是,所述实施例和附图仅用于对本发明进行示例性的描述,而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
参照附图1,根据本发明的技术方案,单期遥感影像的地物信息提取方法的一些具体实施方式,包括以下步骤:
S1获得待进行地物信息提取的区域的中高空间分辨率的多光谱遥感影像数据;
S2根据所得单期多光谱遥感影像数据,对目标地物的特征指数进行计算获得目标地物遥感特征指数数据,即第一特征指数数据;
S3通过幂函数对所述第一特征指数数据进行单次或多次栅格运算,获得增强目标地物与干扰地物信息差异性的第二特征指数数据;
S4对所述第一特征指数数据或第二特征指数数据进行中心化处理和取反处理,得到特征信息与特征指数相反的第三特征指数数据;
S5由所述第一特征指数数据、第二特征指数数据及第三特征指数数据组成目标地物的特征序列数据;
S6从所述特征序列数据中进行目标地物信息提取。
在一些具体实施方式中,S2中的特征指数可如绿色植被的各种遥感植被指数(如归一化植被指数NDVI等),水体的各种遥感水体指数(如归一化水指数NDWI等),地表各种干旱遥感指数(温度植被干旱指数TVDI等)等。
在一些具体实施方式中,S3中的幂函数为二次函数、三次函数和四次函数。随着幂函数次数的增大,对拉大目标地物和波谱特征信息相近干扰地物的特征差异性越大,去除的其它地物就随着增多,提取的目标地物面积随着减少。遥感分类精度主要为用户精度和生产者精度,当分类结果更注重目标地物的生产者精度时,应当选择次数小一些的幂函数,如二次方函数,当分类结果更注重用户精度时,应当选择次数大一些的幂函数,如四次方函数。
在一些具体实施方式中,S4中的标准化处理采用y=x-u方法,x可以是第一特征指数数据,也可以是第二特征指数数据,y为中心化后的数据,u是x数据统计后的平均值。
在一些具体实施方式中,S6中的提取优选采用人为主观因素少、原理及流程简单的提取方法,如聚类等非监督法、主成分分析法等。
实施例1
采用如图1所示的单期遥感影像的地物信息提取方法,对某地的冬小麦种植面积及其空间分布信息进行提取,并进行精度验证。
所用遥感影像可选择中、高分辨率遥感影像,如SPOT、高分一号(GF1)、TM/ETM等影像。本实施例中使用空间分辨率为10米的哨兵2号遥感影像数据。
具体提取过程如下:
(1)选取待提取区域内的单期遥感影像数据;本实施例具体选取冬小麦孕穗期中某一日(4月18日)的哨兵2号空间分辨率为10米的多光谱数据。
(2)通过以上取得的多光谱数据,对表征冬小麦种植特征信息的归一化植被指数(NDVI)进行计算,获取的NDVI数据为第一特征指数数据。
(3)基于计算得到的NDVI数据,采用二次方函数或三次方函数或四次方函数进行计算,生成冬小麦特征信息增强的新数据,即NDVI^2数据、NDVI^3数据或NDVI^4数据,作为第二特征指数数据。
在样本图像中,在冬小麦地物和与其波谱相似的其它绿色植被对应位置处各选取一点,对比步骤(3)中,其NDVI数据在进行幂函数计算前和计算后对应位置的数值,如下表1所示:
表1幂函数计算前后冬小麦和波谱相似其它绿色地物特征值差异性变化
NDVI取值范围是-1~1之间,绿色植被地物位于NDVI高值区域趋向1,非绿色植被地物位于NDVI低值区域为负值或是正值趋向0。从表1中可以看到:应用幂函数计算前,冬小麦和波谱相似的其它绿色植被干扰地物都处于NDVI高值区域,冬小麦的NDVI值略高一些,两种相似绿色地物的NDVI数据差值为0.206,占两种地物NDVI值总和的12.35%;幂次方计算后两种地物的特征值随着幂函数的幂次增大而减小,两种地物的特征值差值确是在逐渐增大,到了四次方函数时能明显看出冬小麦的特征值(0.771)位于高值区域趋向1,而波谱相似的其它绿色地物特征值(0.286)位于低值区域趋向0。
(4)使用中心化处理模型y=x-u对第二特征指数数据或第一特征指数数据进行中心化处理,对处理后的数据进行取反,获得与目标地物NDVI数据完全相反的新数据,即反NDVI特征数据,作为第三特征指数数据。
在本实施例中,第一特征数据NDVI中冬小麦值处于最大,位于NDVI高值区域,其它非绿色地物位于NDVI低值区域;第三特征指数数据通过中心化处理、取反处理不仅使得数据中冬小麦和其它非绿色地物特征完全相反,而且进一步增强了二者之间的差别特征;第三特征指数数据类似于6月初冬小麦收割后的NDVI数据,相当于又获取了用于识别目标地物冬小麦的另一个非常重要时期的遥感数据。
以上过程中,中心化处理前,目标地物冬小麦的特征数据位于正值区域,其它非绿色地物一部分位于正值区域另一部分位于负值区域,经过中心化处理后,目标地物冬小麦的特征数据仍处于正值区域,而其它非绿色地物全部位于负值区域。
(5)由所得第一特征指数数据、第二特征指数数据和第三特征指数数据构建冬小麦的特征序列数据。
(6)对特征序列数据进行主成分分析,选择包含冬小麦特征信息的主成分数据,该主成分数据中小于0的部分为冬小麦种植区。
主成分处理过程中,包含目标地物冬小麦特征信息的主成分数据选取规则为:
按第一特征指数数据、第二特征指数数据和第三特征指数数据的顺序进行数据输入;
根据区域内目标地物面积是否大于等于非目标地物面积以及对应的主成分分析后输入数据与各主成分之间的特征向量矩阵特征值规律,选取包含目标地物冬小麦特征信息的主成分数据,具体的选取规律如下表2所示:
表2包含目标地物冬小麦特征信息的主成分数据选取规律
如表2所示,当目标地物面积大于等于非目标地物面积时,若第三特征指数数据是基于第一特征指数数据构建的,则查找在第一和第三输入数据对应的特征值为正数,幂次方后的第二输入数据对应的特征值为负数的主成分就是目标地物冬小麦的特征信息;若第三特征指数数据是基于第二特征指数数据构建的,则查找在第一和第二输入数据对应的特征值为负数,第三输入数据对应的特征值为正数的主成分作为目标地物冬小麦的特征信息。当目标地物面积小于非目标地物面积时,不管第三特征指数数据如何构建,都查找在第一和第二输入数据对应的特征值为负号,第三输入数据对应的特征值为正号的主成分作为目标地物冬小麦的特征信息。
实施例2
按实施例1的过程进行地物信息提取,其中步骤(3)选择二次方函数,步骤(4)选择第三特征指数数据进行中心化和取反处理。
主成分分析后输入数据与各主成分之间的特征向量矩阵如下表3所示:
表3实施例2输入数据与主成分特征向量
该实施例中试验区内目标地物冬小麦种植面积大于非冬小麦地物面积,选择第一和第二输入数据对应的特征值为负号,第三输入数据对应的特征值为正号的第二主成分作为冬小麦特征信息数据,在第二主成分数据中小于0的部分为冬小麦,所得结果如附图2所示。
应用随机生成点和混淆矩阵方法对本实施例提取得到的冬小麦种植结果进行精度验证,验证结果如下表4所示:
表4实施例2提取的冬小麦种植信息混淆矩阵信息统计
从图2冬小麦种植空间分布图可以看出,除了城镇聚集区和道路已经明显分离以外,放大后可以清晰可见地看到田间小路和部分非冬小麦地块也与冬小麦分离出来。从表4精度验证结果可以看出冬小麦生产者精度达到了95.43%,各项精度都在90%以上,Kappa系数为0.86。因此无论是结果图还是精度验证结果都表明,基于空间分辨率为10米的遥感数据,本发明方法不仅人为主观因素干扰少,所需数据量少仅需一期遥感数据就可以达到较好的目标地物提取结果。
以上实施例仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下的改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于单期遥感影像的地物信息提取方法,其特征在于,其包括:
S1基于单期遥感影像数据,获取目标地物的遥感特征指数信息,即第一特征指数数据;
S2通过幂函数对所述第一特征指数数据进行单次或多次栅格运算,获得第二特征指数数据;
S3对所述第一特征指数数据或第二特征指数数据进行中心化处理,对中心化处理后的数据进行取反处理,获得第三特征指数数据;
S4由所述第一特征指数数据、所述第二特征指数数据及所述第三特征指数数据组成目标地物的特征序列数据;
S5从所述特征序列数据中进行目标地物信息提取。
2.根据权利要求1所述的地物信息提取方法,其特征在于,所述遥感特征指数选自绿色植被的遥感植被指数、水体的遥感水体指数、地表的干旱遥感指数中的任一种。
3.根据权利要求2所述的地物信息提取方法,其特征在于,所述遥感特征指数选自归一化植被指数NDVI、归一化水指数NDWI、温度植被干旱指数TVDI中的任一种。
4.根据权利要求1所述的地物信息提取方法,其特征在于,所述幂函数为二次~四次方函数。
5.根据权利要求1所述的地物信息提取方法,其特征在于,所述中心化处理使用如下的处理模型:
y=x-u;
其中,x表示所述第一特征指数数据或所述第二特征指数数据,y表示中心化处理后的数据,u表示x的统计平均值。
6.根据权利要求1所述的地物信息提取方法,其特征在于,所述S5中,所述提取通过主成分分析法、非监督分类法、决策树分类方法中的一种或多种实现。
7.根据权利要求1所述的地物信息提取方法,其特征在于,所述S5中,所述提取通过主成分分析法实现。
8.根据权利要求5所述的地物信息提取方法,其特征在于,所述遥感特征指数选自归一化植被指数NDVI,所述第三特征指数数据为对所述第一特征指数数据进行所述中心化处理及所述取反处理得到,则所述主成分分析法包括:
按第一特征指数数据、第二特征指数数据和第三特征指数数据的顺序进行数据输入,分别为第一~第三输入数据;
对第一~第三输入数据进行主成分分析,获得其分别对应的主成分特征值,为第一~第三特征值;
当目标地物面积大于等于非目标地物面积时,以第一和第三特征值为正、第二特征值为负的主成分为目标地物特征信息;
当目标地物面积小于非目标地物面积时,以第一和第二特征值为负、第三特征值为正的主成分为目标地物特征信息。
9.根据权利要求5所述的地物信息提取方法,其特征在于,所述遥感特征指数选自归一化植被指数NDVI,所述第三特征指数数据为对所述第二特征指数数据进行所述中心化处理及所述取反处理得到,则所述主成分分析法包括:
按第一特征指数数据、第二特征指数数据和第三特征指数数据的顺序进行数据输入,分别为第一~第三输入数据;
对第一~第三输入数据进行主成分分析,获得其分别对应的主成分特征值,为第一~第三特征值;
当目标地物面积大于等于非目标地物面积时,以第一和第二特征值为负、第三特征值为正的主成分为目标地物特征信息;
当目标地物面积小于非目标地物面积时,以第一和第二特征值为负、第三特征值为正的主成分为目标地物特征信息。
10.根据权利要求1-9中任一项所述的地物信息提取方法,其特征在于,所述提取方法通过自动化程序和/或装置实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210693703.1A CN115115943A (zh) | 2022-06-18 | 2022-06-18 | 一种基于单期遥感影像的地物信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210693703.1A CN115115943A (zh) | 2022-06-18 | 2022-06-18 | 一种基于单期遥感影像的地物信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115943A true CN115115943A (zh) | 2022-09-27 |
Family
ID=83328947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210693703.1A Pending CN115115943A (zh) | 2022-06-18 | 2022-06-18 | 一种基于单期遥感影像的地物信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115943A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557918A (zh) * | 2024-01-12 | 2024-02-13 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
-
2022
- 2022-06-18 CN CN202210693703.1A patent/CN115115943A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557918A (zh) * | 2024-01-12 | 2024-02-13 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
CN117557918B (zh) * | 2024-01-12 | 2024-03-19 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
WO2022184088A1 (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
CN103761295B (zh) | 基于图片自动分类的艺术类图片的定制化特征量提取方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN102708354B (zh) | 一种高尔夫球场的识别方法 | |
CN109829425B (zh) | 一种农田景观小尺度地物分类方法及系统 | |
CN107871132B (zh) | 一种空间特征自适应寻优的高光谱图像分类方法 | |
CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
CN107679644A (zh) | 一种基于降雨类型特征的站点雨量资料插补方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
Deng et al. | Application of agricultural insect pest detection and control map based on image processing analysis | |
CN111476287A (zh) | 一种高光谱影像小样本分类方法及装置 | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
CN115115943A (zh) | 一种基于单期遥感影像的地物信息提取方法 | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
CN114065819A (zh) | 基于多特征融合与改进谱聚类的用电行为分析方法及系统 | |
Bonkra et al. | Scientific landscape and the road ahead for deep learning: apple leaves disease detection | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN104268535A (zh) | 一种二维图像的特征提取方法 | |
CN116628584A (zh) | 电力敏感数据处理方法、装置、电子设备及存储介质 | |
Hidayat et al. | Identification of plant types by leaf textures based on the backpropagation neural network | |
CN115019215A (zh) | 一种基于高光谱图像的大豆病虫害识别方法和装置 | |
CN109697411B (zh) | 一种基于统计标准差的地物信息提取方法 | |
Li et al. | Crop region extraction of remote sensing images based on fuzzy ARTMAP and adaptive boost |
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 |