CN115439759B - 遥感影像中植被的提取方法、装置、电子设备及介质 - Google Patents
遥感影像中植被的提取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115439759B CN115439759B CN202211395102.9A CN202211395102A CN115439759B CN 115439759 B CN115439759 B CN 115439759B CN 202211395102 A CN202211395102 A CN 202211395102A CN 115439759 B CN115439759 B CN 115439759B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- remote sensing
- band
- sensing image
- image
- 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
- 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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Abstract
本申请提供一种遥感影像中植被的提取方法、装置、电子设备及介质。该方法在获取监测区域的遥感影像后;对遥感影像中的遥感数据进行预处理,得到待处理遥感数据;利用预设植被提取算法,对待处理遥感数据中的植被数据进行提取,得到遥感影像中的植被分布信息;基于植被分布信息,获取遥感影像对应的植被特征图。该方法适用所有可见光遥感影像,无需人工选取阈值即可提取植被,同时在混合像元和低植被覆盖度的情况下有效提升了植被提取的准确性。
Description
技术领域
本申请涉及遥感图像处理技术领域,具体而言,涉及一种遥感影像中植被的提取方法、装置、电子设备及介质。
背景技术
植被、大气、水、土壤等因子共同组成了生态系统,而植被作为生产者,在整个生态循环中扮演重要角色,也是评价碳储量情况、土地覆盖情况、生态系统情况的重要指标。植被覆盖的大小对生态系统与生物多样性的温度具有重大影响,常用的航拍图像中植被的提取方法可以包括:目视解译法、植被指数法、基于像元尺度分解和机器学习法。
目视解译法:需要耗费大量的人工,难以满足大面积提取的需要,同时提取准确率受人员专业程度良莠不齐。
基于像元尺度分解和机器学习法:首先需要建立大量的训练样本,但是针对不同分辨率的影像往往需要建立不同的训练样本,在提取前耗时较多,同时提取结果的准确度在很大程度上受到训练样本的影响。
植被指数法:针对植被对不同波段的光具有不同的反射量和吸收量,对其进行线性或者非线性波段运算,实现植被的提取。典型的植被指数有NDVI归一化植被指数,NDVI需要通过阈值提取后才可获取植被区域,在阈值的选择中引入了人工误差,同时现有研究成果表明NDVI在干旱区域极容易存在过提取。
可知,上述三种植被提取方法均存在提取的准确性不高的问题。
发明内容
本申请实施例的目的在于提供一种遥感影像中植被的提取方法、装置、电子设备及介质,用以解决了现有技术存在的上述问题,提高了遥感影像中植被提取的准确性。
第一方面,提供了一种遥感影像中植被的提取方法,该方法可以包括:
获取监测区域的遥感影像,所述遥感影像包括近红外波段、绿波段和红波段;
对所述遥感影像中的遥感数据进行预处理,得到待处理遥感数据;
利用预设植被提取算法,对所述待处理遥感数据中的植被数据进行提取,得到所述遥感影像中的植被分布信息;
基于所述植被分布信息,获取所述遥感影像对应的植被特征图。
在一个可能的实现中,所述预设植被提取算法的获取过程包括:
将所述遥感影像中的地物划分为裸地、植被、水体、蓝色建筑、白色建筑和红色建筑六种类型;
采用预设光谱分析法,确定提取植被的相关波段;所述相关波段包括近红外波段、绿波段和红波段;
构建植被提取的比值指数,所述比值指数中的分子表示相关波段对应的像元在植被区域的像元值高于非植被区域的像元值,比值指数中的分母表示相关波段对应的像元在植被区域的像元值低于非植被区域的像元值,所述非植被区域为除植被区域外的其他地物区域;
采用对数函数,对所述比值指数进行处理,得到所述预设植被提取算法。
在一个可能的实现中,所述红波段范围为590nm-740nm、所述绿波段范围为520nm-600nm、所述近红外波段范围为760nm-900nm;
其中,P表示所述比值指数,表示植被快提取指数,表示波段范围在760nm-900nm近红外波段的影像辐射亮度值、表观反射率和地表反射率三者之一,波段范围在590nm-740nm红波段的影像辐射亮度值、表观反射率和地表反射率三者之一,波段范围在520nm-600nm绿波段的影像辐射亮度值、表观反射率和地表反射率三者之一,其中,、、的表示含义相同。
在一个可能的实现中,采用预设光谱分析法,确定提取植被的相关波段,包括:
采用反射率均值算法,计算出各类型地物对应的像元组在每个波段的反射率均值后,确定相应类型地物在相应波段的光谱值和相应类型地物的光谱曲线;所述各类型地物对应的像元组是基于相应类型地物对应的预设数量个像元构成的;
基于所述植被的光谱曲线与除所述植被外的任一地物的光谱曲线间的欧式距离,获取满足预设不相似条件的欧式距离对应的目标光谱曲线;
将所述目标光谱曲线对应的波段类型,确定为提取植被的相关波段;
其中,所述反射率均值算法表示为:
上式中,i取值范围为[1,6],其中,1表示裸地、2表示植被、3表示水体、4表示蓝色建筑、5表示白色建筑、6表示红色建筑,j表示不同类型的波段,n表示不同的像元。
在一个可能的实现中,基于所述植被的光谱曲线与除所述植被外的任一地物的光谱曲线间的欧式距离,获取满足预设不相似条件的欧式距离对应的目标光谱曲线,包括:
计算所述植被的光谱曲线上各光谱值与所述任一地物的光谱曲线上相应位置的光谱值的欧式距离;
若计算出的所述任一地物的光谱曲线对应的欧式距离均大于预设距离值,则将所述任一地物的光谱曲线确定为目标光谱曲线。
在一个可能的实现中,所述欧式距离的计算方式如下:
式中,x表示植被,y表示裸地、水体、蓝色建筑、白色建筑、红色建筑五类中的一类,i表示地物的不同类型。
在一个可能的实现中,获取所述遥感影像对应的植被特征图之后,所述方法还包括:
将所述遥感影像与所述植被特征图进行叠加,得到所述遥感影像对应的植被影像。
第二方面,提供了一种遥感影像中植被的提取装置,该装置可以包括:
获取单元,用于获取监测区域的遥感影像,所述遥感影像包括近红外波段、绿波段和红波段;
预处理单元,用于对所述遥感影像中的遥感数据进行预处理,得到待处理遥感数据;
提取单元,用于利用预设植被提取算法,对所述待处理遥感数据中的植被数据进行提取,得到所述遥感影像中的植被分布信息;
所述获取单元,还用于基于所述植被分布信息,获取所述遥感影像对应的植被特征图。
第三方面,提供了一种电子设备,该电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面中任一所述的方法步骤。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请实施例提供的遥感影像中植被的提取方法获取监测区域的遥感影像,遥感影像包括近红外波段、绿波段和红波段;对遥感影像中的遥感数据进行预处理,得到待处理遥感数据;利用预设植被提取算法,对待处理遥感数据中的植被数据进行提取,得到遥感影像中的植被分布信息;基于植被分布信息,获取遥感影像对应的植被特征图。该方法通过预设植被提取算法可以在干旱区域、裸地区域等低密度植被覆盖区域与建筑植被混合像元区域具有较高的提取精度,即提高了植被提取的准确性,有效抑制了混合像元的干扰,同时无需人工干预,即可获得结果,具有较高的推广性与适用性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种遥感影像中植被的提取方法的流程示意图;
图2为本申请实施例提供的一种预设植被提取算法的获取过程流程示意图;
图3为本申请实施例提供的一种建筑、植被、土壤和水体的光谱曲线图;
图4为本申请实施例提供的一种高分6号卫星影像的区域分类示意图;
图5为本申请实施例提供的一种VQEI算法和NDVI算法的植被提取结果示意图;
图6为本申请实施例提供的一种遥感影像中植被的提取装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请一部分实施例,并不是全部的实施例。基于本申请实施例,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。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
图1为本申请实施例提供的一种遥感影像中植被的提取方法的流程示意图。如图1所示,该方法可以包括:
步骤S110、获取监测区域的遥感影像。
其中,遥感影像可以包括近红外波段、绿波段和红波段。
具体实施中,遥感影像可以是高分卫星数据、高光谱卫星数据、多光谱卫星数据等可见光卫星数据,例如高分2号的卫星数据、高分6号的卫星数据、高分5号的卫星数据、GFDM数据、资源系列的卫星数据、MODIS系列的卫星数据、Landsat系列的卫星数据、北京2号的卫星数据、高景系列的卫星数据。
步骤S120、对遥感影像中的遥感数据进行预处理,得到待处理遥感数据。
获取到遥感影像后,需要对遥感影像进行预处理,得到待处理遥感数据,该预处理可以包括:正射校正处理、正射校正与辐射校正的组合处理,以及正射校正、辐射校正和大气校正的组合处理。进一步的,还可以包括全色与多光谱数据融合处理。
需要说明的是,可以根据实际应用场景,从上述多个预处理方式中选择合适的预处理方式。
步骤S130、利用预设植被提取算法,对待处理遥感数据中的植被数据进行提取,得到遥感影像中的植被分布信息。
其中,表示本申请的植被提取方法的植被快提取指数(Vegetation QuickExtraction Index,VQEI),表示波段范围在760nm-900nm近红外波段的影像辐射亮度值、表观反射率和地表反射率三者之一,波段范围在590nm-740nm红波段的影像辐射亮度值、表观反射率和地表反射率三者之一,波段范围在520nm-600nm绿波段的影像辐射亮度值、表观反射率和地表反射率三者之一,其中,、、的表示含义相同。λ表示波长(单位μm),示当前波段在不同波长下辐射能量的积分函数,也就是当前的像元值。
具体实施中,将得到的待处理遥感数据分波段代入预设植被提取算法中,得到遥感影像中的植被分布信息。
步骤S140、基于植被分布信息,获取遥感影像对应的植被特征图。
获取遥感影像对应的植被特征图之后,可以将遥感影像与植被特征图进行叠加,得到遥感影像对应的植被影像。
在一些实施例中,如图2所示,预设植被提取算法的获取过程可以包括如下步骤:
步骤S210、将遥感影像中的地物划分为裸地、植被、水体、蓝色建筑、白色建筑和红色建筑六种类型。
步骤S220、采用预设光谱分析法,确定提取植被的相关波段。
(1)波段选择
植被由于其化学特征和形态特征,对不同波长的电磁波具有不同的反射和吸收效应。受到植被中色素的影响,植被在以650nm为中心波长的红波段范围内,叶绿素吸收了很多电磁波辐射入射能量,在中心形成一个反射谷;而叶绿素对绿光显著的反射效应,在中心波长为540nm的绿波段中心形成反射峰。同时由于植被叶子内部构造的独特性,植被在近红外波段的反射率较高,同时在可见光波段和近红外波段之间(波长大约在760nm附近),由于反射率的急剧上升,形成了植被最明显的“红边”特征。
目前植被提取的主流指数中,很少同时使用了绿波段、红波段、近红外波段。以我们常用的几个植被指数为例进行说明。差值植被指数(DVI)、比值植被指数(RVI)和归一化差分植被指数(NDVI)采用近红外波段和红波段进行计算。1、归一化差分绿度植被指数(NDGI)采用绿波段和红波段进行计算。2、大气阻抗植被指数(ARVI)采用蓝波段、红波段和近红外波段进行计算,并辅以大气实况参数。3、土壤调节植被指数(SAVI)采用近红外波段和红波段进行计算,但是计算所需的真实情况下的土壤线参数难以获取。4、增强植被指数(EVI)采用蓝波段、红波段和近红外波段进行计算,但是计算所需的关键参数指标在不同区域存在明显差异,导致关键参数难以获取。综上,针对植被在绿波段的小反射峰、红波段反射谷、近红外波段反射峰特征,区别于已有植被指数的波段选取结果,即本申请选择了绿波段、红波段、近红外波段。
(2)光谱分析
不同地物对电磁波产生不同的反射、吸收、透射、辐射,遥感影像是由地物对太阳电磁波和地物本身热辐射反应的综合结果。因此,基于地物特征对城市建筑(包含蓝色建筑、白色建筑和红色建筑)、植被、土壤、水体等典型地物的特征进行分析。
如图3所示,水体在绿光波段吸收率较低、反射率相对较高,而在红外波段吸收较高、反射率相对较低。土壤的光谱曲线在可见光到近红外波段呈现直线上升的趋势。建筑物在近红外波段的反射率低于绿波段的反射率。综上可以获取,水体、建筑、土壤与植被的光谱曲线具有明显的差异。
(3)不同波段光谱信息提取
高分卫星影像通常只包含红波段、绿波段、蓝波段、近红外波段,那为保证在波段极少情况下,算法的适用性,选择高分卫星影像对模型建立过程进行解释,以北京2号为例。高分卫星影像可以更好展示地表详细信息,随着分辨率的提高,建筑物的表面纹理、颜色、形状等细节信息更加清楚(前提),因此针对北京2号数据情况,将地物划分为裸地、植被、水体、蓝色建筑、白色建筑、红色建筑六类进行分析。
采用反射率均值算法,计算出各类型地物对应的像元组在每个波段的反射率均值后,确定相应类型地物在相应波段的光谱值和相应类型地物的光谱曲线;所述各类型地物对应的像元组是基于相应类型地物对应的预设数量个像元构成的;
基于植被的光谱曲线与除植被外的任一地物的光谱曲线间的欧式距离,获取满足预设不相似条件的欧式距离对应的目标光谱曲线;将目标光谱曲线对应的波段类型,确定为提取植被的相关波段。
具体的,每一类地物选择80个纯净像元组成一类,分别求取这80个像元在每个波段的均值,反射率均值算法表示为:
上式中,上式中,i取值范围为[1,6],其中,1表示裸地、2表示植被、3表示水体、4表示蓝色建筑、5表示白色建筑、6表示红色建筑,j表示不同类型的波段,n表示不同的像元。
基于上式逐个计算完成一类地物 在每个波段的反射率均值后,即可获得该类地物在每个波段的光谱值:
(4)欧式距离分析
计算植被的光谱曲线上各光谱值与任一地物的光谱曲线上相应位置的光谱值的欧式距离;若计算出的任一地物的光谱曲线对应的欧式距离均大于预设距离值(或有一定概率(如60%)的欧式距离均大于预设距离值),则表明光谱曲线在欧几里得空间可分,即判定采用光谱可有效区分几类地物,此时将该任一地物的光谱曲线确定为目标光谱曲线。
具体的,从图3的光谱图中可以看到不同地物的光谱曲线是不同的,为进一步印证整体的关系,计算植被与其他五类地物的欧式距离,获取植被光谱曲线和其他五类地物的非相似性值。
式中,x表示植被,y表示裸地、水体、蓝色建筑、白色建筑、红色建筑五类中的一类,通过计算可以获取到植被与其他五类地物在欧几里得空间的距离,i表示地物的不同类型。
在一个例子中,通过欧式距离计算植被与其他5类地物在欧几里得空间的距离,可获得结果如表1所示:
表1
裸地 | 水体 | 蓝色建筑 | 白色建筑 | 红色建筑 | |
植被 | 0.263 | 0.318 | 0.195 | 0.618 | 0.17 |
从表1中可以发现,植被与其他五类地物之间有着明显的差别,因此绿波段、红波段、近红外波段这三个波段进行组合运算后可以用于进行植被的提取。
步骤S230、构建植被提取的比值指数。
比值指数中构建的原理是,利用分子和分母的比值,实现目标信息的增强,这就要求分子需要在植被区域的像元值要较高,非植被区域(除植被区域外的建筑、水体、裸土等区域)的像元值要较低;分母需要在植被区域的像元值要较低,非植被区域的像元值要较高;比值指数通过非植被区域的低像元值与高像元值的比,使得非植被区域的像元值更低,以及通过植被区域的高像元值与低像元值的比,使得植被区域的像元值更高。
也就是说,比值指数中的分子表示相关波段对应的像元在植被区域的像元值高于非植被区域的像元值,比值指数中的分母表示相关波段对应的像元在植被区域的像元值低于非植被区域的像元值。
为了进一步提取植被区域可构造一个自动剔除非植被区域的函数,需要将非植被区域赋值为空,也就是非植被区域的值为Nodata。利用植被指数NDVI提取植被时,容易受到周边土地覆盖类型的影响,尤其是在裸地区域、植被建筑混合区域往往容易出现过提取现象。
本申请实施例为了避免造成植被过提取,以及避免裸地区域和混合像元区域对植被的影响,采用比值指数对植被进行提取,为保证提取效果,比值指数的分母要重点完成裸地和建筑的提取,比值指数的分子需要重点完成植被信息的增强。然后通过二者比值,实现植被的全面提取,同时可对非植被区域赋值为空。
其中,分母通过波段组合后使裸地和建筑、水体区域等非植被区域的像元值显著高于其他地物的像元值。分子采用通过波段组合运算后植被信息得到了显著的增强,而建筑、裸地、水体等非植被区域的像元值被抑制。
步骤S240、采用对数函数,对比值指数进行处理,得到预设植被提取算法。
比值指数可以将植被与水体、建筑、裸地等地物进行了有效区分,同时满足了水体、建筑、裸地三类地物为负值,植被为正值。此时,引入对数函数,将水体、建筑、裸地三类地物的像元值赋值为空,同时保留植被信息,即得到预设植被提取算法,可以表示为:VQEI=
其中,表示植被快提取指数,表示波段范围在760nm-900nm近红外波段的影像辐射亮度值、表观反射率和地表反射率三者之一,波段范围在590nm-740nm红波段的影像辐射亮度值、表观反射率和地表反射率三者之一,波段范围在520nm-600nm绿波段的影像辐射亮度值、表观反射率和地表反射率三者之一,其中,、、的表示含义相同。
实验验证:
式中,表示波段范围在760nm-900nm近红外波段的影像辐射亮度值、表观反射率、地表反射率三者中的其中之一,波段范围在590nm-740nm红波段的影像辐射亮度值、表观反射率、地表反射率三者中的其中之一。要求:和在计算NDVI是,选择的数据(辐射亮度值、表观反射率、地表反射率)必须统一,例如:使用地表反射率,则也必须使用地表反射率。
(1)定性验证:
选取验证影像,对本申请的植被提取方法中VQEI算法的提取结果进行验证,以此验证VQEI算法在建筑植被混合像元区域和裸地区域对植被的提取效果优于NDVI算法。
将高分6号卫星影像作为验证影像,如图4中的①所示,对验证影像进行地物分类,得到验证影像中包括的植被、建筑、水体、裸地四类地物区域,其中裸地和建筑所占面积较大,如图4中的②所示。为对提取结果进行定性验证,合并裸地、水体、建筑三类作为非植被区域。
获取验证影像中的待验证遥感数据,并将将待处理验证遥感数据代入VQEI算法和NDVI算法,得到相应的植被提取结果,
如图5所示,图5中①是VQEI植被提取结果,②是NDVI植被提取结果。将图5中的①和②的植被提取结果与图4中的②对比可以发现,VQEI算法可以有效降低建筑区域和裸地区域的植被误判问题,而NDVI算法将很多非植被像元误判为植被,植被区域存在过提取现象。
(2)定量验证:
基于上述定性验证的验证结果,在精度验证的过程中,通过Kappa系数、总准确度等参数定量评估本申请的VQEI算法对城市区域(或称“非植被区域”)的提取效果。
此处采用的参考影像为高分6号卫星影像分类结果,如图4中的②所示,待验证影像为VQEI算法的植被提取结果影像,如图5中①所示和NDVI算法的植被提取结果影像,如图5中②所示。
在进行精度验证前,首先参考影像和待验证影像进行重叠匹配,匹配类型如下表。匹配结果被划分为“匹配成功”和“匹配失败”两种类型。“匹配成功”包括“TP(Truepositive)”和“TN(True negative)”两类;“匹配失败”包括“FP(False positive)”和“FN(False negative)”两类,具体见下表2:
表2
选取Kappa系数作为精度评价参数之一。Kappa系数是一种综合了生产者精度和用户精度的综合评判指标,Kappa系数的计算发现如下式:
式中n表示参考影像中影像的总像元个数,表示参考影像中非城市(或称“非植被”)像元的数目,表示城市像元的数目,表示待验证影像非城市像元的数目,表示待验证影像城市像元的数目。Kappa系数的计算结果可划分为五组,不同组表示参考影像和待验证影像不同的一致性:
当0≤Kappa≤0.2时,表明参考影像与待验证影像的一致性极低;
当0.21≤Kappa≤0.4时,表明参考影像与待验证影像的一致性一般;
当0.41≤Kappa≤0.6时,表明参考影像与待验证影像之间具有中等的一致性;
当0.61≤Kappa≤0.8时,表明参考影像与待验证影像之间具有高度的一致性;
当0.81≤Kappa≤1时,表明参考影像与待验证影像几乎完全一致。
为了进一步评估提取精度情况,本申请在Kappa系数的基础上,加入了总准确度进行评价。总准确度是评价待验证影像和参考影像植被总体匹配精度的方法,通过计算“匹配成功”像元数占总像元的百分比,获取城市匹配的总准确度:;
Kappa系数和总准确度评价结果可以如表3所示的精度验证结果。
表3
VQEI 算法的精度验证 | NDVI 算法的精度验证 | |
kappa 系数 | 0.849710983 | 0.73651772 |
总准确度 | 0.976702509 | 0.948924731 |
VQEI算法的kappa系数为0.849710983和总准确度为0.976702509,NDVI算法的kappa系数为0.73651772和总准确度为0.948924731,VQEI算法的精度结果优于NDVI算法的精度结果,同时VQEI算法的kappa系数计算结果表现为参考影像与待验证影像几乎完全一致,说明VQEI算法在提取植被时具有较好的适用性。综上VQEI算法在kappa系数和总准确度两项精度评价中表现优于NDVI算法。
综上所述,VQEI算法在定性验证和定量中都表现出了很好的植被提取效果,故VQEI算法对植被的提取效果优于NDVI算法。
本申请实施例提供的遥感影像中植被的提取方法获取监测区域的遥感影像,遥感影像包括近红外波段、绿波段和红波段;对遥感影像中的遥感数据进行预处理,得到待处理遥感数据;利用预设植被提取算法,对待处理遥感数据中的植被数据进行提取,得到遥感影像中的植被分布信息;基于植被分布信息,获取遥感影像对应的植被特征图。该方法通过预设植被提取算法可以在干旱区域、裸地区域等低密度植被覆盖区域与建筑植被混合像元区域具有较高的提取精度,即提高了植被提取的准确性,有效抑制了混合像元的干扰,同时无需人工干预,即可获得结果,具有较高的推广性与适用性。
与上述方法对应的,本申请实施例还提供一种遥感影像中植被的提取装置,如图6所示,该装置包括:
获取单元610,用于获取监测区域的遥感影像,所述遥感影像包括近红外波段、绿波段和红波段;
预处理单元620,用于对所述遥感影像中的遥感数据进行预处理,得到待处理遥感数据;
提取单元630,用于利用预设植被提取算法,对所述待处理遥感数据中的植被数据进行提取,得到所述遥感影像中的植被分布信息;
获取单元610,还用于基于所述植被分布信息,获取所述遥感影像对应的植被特征图。
本申请上述实施例提供的遥感影像中植被的提取装置的各功能单元的功能,可以通过上述各方法步骤来实现,因此,本申请实施例提供的该装置中的各个单元的具体工作过程和有益效果,在此不复赘述。
本申请实施例还提供了一种电子设备,如图7所示,包括处理器710、通信接口720、存储器730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。
存储器730,用于存放计算机程序;
处理器710,用于执行存储器730上所存放的程序时,实现如下步骤:
获取监测区域的遥感影像,所述遥感影像包括近红外波段、绿波段和红波段;
对所述遥感影像中的遥感数据进行预处理,得到待处理遥感数据;
利用预设植被提取算法,对所述待处理遥感数据中的植被数据进行提取,得到所述遥感影像中的植被分布信息;
基于所述植被分布信息,获取所述遥感影像对应的植被特征图。
上述提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现,因此,本申请实施例提供的电子设备的具体工作过程和有益效果,在此不复赘述。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的遥感影像中植被的提取方法。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的遥感影像中植被的提取方法。
本领域内的技术人员应明白,本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此,本申请实施例中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,本申请实施例中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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、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。
尽管已描述了本申请实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样,倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内,则本申请实施例中也意图包含这些改动和变型在内。
Claims (7)
1.一种遥感影像中植被的提取方法,其特征在于,所述方法包括:
获取监测区域的遥感影像,所述遥感影像包括近红外波段、绿波段和红波段;
对所述遥感影像中的遥感数据进行预处理,得到待处理遥感数据;
利用预设植被提取算法,对所述待处理遥感数据中的植被数据进行提取,得到所述遥感影像中的植被分布信息;
基于所述植被分布信息,获取所述遥感影像对应的植被特征图;
其中,所述预设植被提取算法的获取过程包括:
将所述遥感影像中的地物划分为裸地、植被、水体、蓝色建筑、白色建筑和红色建筑六种类型;
采用预设光谱分析法,确定提取植被的相关波段;所述相关波段包括近红外波段、绿波段和红波段;
构建植被提取的比值指数,所述比值指数中的分子表示相关波段对应的像元在植被区域的像元值高于非植被区域的像元值,比值指数中的分母表示相关波段对应的像元在植被区域的像元值低于非植被区域的像元值,所述非植被区域为除植被区域外的其他地物区域;
采用对数函数,对所述比值指数进行处理,得到所述预设植被提取算法;
2.如权利要求1所述的方法,其特征在于,采用预设光谱分析法,确定提取植被的相关波段,包括:
采用反射率均值算法,计算出各类型地物对应的像元组在每个波段的反射率均值后,确定相应类型地物在相应波段的光谱值和相应类型地物的光谱曲线;所述各类型地物对应的像元组是基于相应类型地物对应的预设数量个像元构成的;
基于所述植被的光谱曲线与除所述植被外的任一地物的光谱曲线间的欧式距离,获取满足预设不相似条件的欧式距离对应的目标光谱曲线;
将所述目标光谱曲线对应的波段类型,确定为提取植被的相关波段;
其中,所述反射率均值算法表示为:
上式中,中的i表示不同地物类型,取值范围为[1,6],其中,1表示裸地、2表示植被、3表示水体、4表示蓝色建筑、5表示白色建筑、6表示红色建筑;中的j表示所述遥感影像中不同类型的波段;表示第i类地物类型的第一个像元在第j个类型的波段下的反射率,表示第i类地物类型的第二个像元在第j个类型的波段下的反射率,表示第i类地物类型的第n个像元在第j个类型的波段下的反射率;
其中,基于所述植被的光谱曲线与除所述植被外的任一地物的光谱曲线间的欧式距离,获取满足预设不相似条件的欧式距离对应的目标光谱曲线,包括:
计算所述植被的光谱曲线上各光谱值与所述任一地物的光谱曲线上相应位置的光谱值的欧式距离;
若计算出的所述任一地物的光谱曲线对应的欧式距离均大于预设距离值,则将所述任一地物的光谱曲线确定为目标光谱曲线。
4.如权利要求1所述的方法,其特征在于,获取所述遥感影像对应的植被特征图之后,所述方法还包括:
将所述遥感影像与所述植被特征图进行叠加,得到所述遥感影像对应的植被影像。
5.一种遥感影像中植被的提取装置,其特征在于,所述装置包括:
获取单元,用于获取监测区域的遥感影像,所述遥感影像包括近红外波段、绿波段和红波段;
预处理单元,用于对所述遥感影像中的遥感数据进行预处理,得到待处理遥感数据;
提取单元,用于利用预设植被提取算法,对所述待处理遥感数据中的植被数据进行提取,得到所述遥感影像中的植被分布信息;
所述获取单元,还用于基于所述植被分布信息,获取所述遥感影像对应的植被特征图;
其中,所述预设植被提取算法的获取过程包括:
将所述遥感影像中的地物划分为裸地、植被、水体、蓝色建筑、白色建筑和红色建筑六种类型;
采用预设光谱分析法,确定提取植被的相关波段;所述相关波段包括近红外波段、绿波段和红波段;
构建植被提取的比值指数,所述比值指数中的分子表示相关波段对应的像元在植被区域的像元值高于非植被区域的像元值,比值指数中的分母表示相关波段对应的像元在植被区域的像元值低于非植被区域的像元值,所述非植被区域为除植被区域外的其他地物区域;
采用对数函数,对所述比值指数进行处理,得到所述预设植被提取算法;
6.一种电子设备,其特征在于,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存储的程序时,实现权利要求1-4任一所述的方法步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395102.9A CN115439759B (zh) | 2022-11-09 | 2022-11-09 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395102.9A CN115439759B (zh) | 2022-11-09 | 2022-11-09 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115439759A CN115439759A (zh) | 2022-12-06 |
CN115439759B true CN115439759B (zh) | 2023-04-11 |
Family
ID=84252676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211395102.9A Active CN115439759B (zh) | 2022-11-09 | 2022-11-09 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439759B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128695B (zh) * | 2023-01-10 | 2023-09-12 | 浙江九龙山国家级自然保护区管理中心 | 一种保护区内植物的调查分析系统及方法 |
CN116052017B (zh) * | 2023-01-17 | 2023-11-10 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
CN117171602B (zh) * | 2023-10-31 | 2024-01-05 | 广州市林业和园林科学研究院 | 一种生物多样性保护区监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
CN114648627A (zh) * | 2022-03-29 | 2022-06-21 | 长安大学 | 一种干旱半干旱区光学遥感影像植被信息抑制方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085517A (ja) * | 2004-09-17 | 2006-03-30 | Hiroshima Pref Gov | 衛星データによる森林地域の植生分類方法 |
US10127451B1 (en) * | 2017-04-24 | 2018-11-13 | Peter Cecil Vanderbilt Sinnott | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals |
CN108416297B (zh) * | 2018-03-09 | 2018-11-27 | 河北省科学院地理科学研究所 | 一种基于叶绿素荧光的植被信息快速识别方法 |
CN109472804A (zh) * | 2018-11-05 | 2019-03-15 | 南方科技大学 | 基于遥感影像的陆表水体提取方法和装置 |
CN110046214A (zh) * | 2019-04-17 | 2019-07-23 | 华北电力大学(保定) | 基于植被分布数据库的植被类遥感信息自动识别方法 |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
CN112329790B (zh) * | 2020-10-27 | 2024-01-23 | 厦门理工学院 | 一种城市不透水面信息快速提取方法 |
-
2022
- 2022-11-09 CN CN202211395102.9A patent/CN115439759B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
CN114648627A (zh) * | 2022-03-29 | 2022-06-21 | 长安大学 | 一种干旱半干旱区光学遥感影像植被信息抑制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115439759A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115439759B (zh) | 遥感影像中植被的提取方法、装置、电子设备及介质 | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
Kotwal et al. | A novel approach to quantitative evaluation of hyperspectral image fusion techniques | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN110100262B (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
CN105976310A (zh) | 一种基于分块的vca端元提取方法 | |
Uezato et al. | A novel endmember bundle extraction and clustering approach for capturing spectral variability within endmember classes | |
CN103984940B (zh) | 一种基于高光谱数据识别赤铁矿化的方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN109409389B (zh) | 一种融合多特征的面向对象变化检测方法 | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
CN104751181A (zh) | 一种基于相对丰度的高光谱图像解混方法 | |
Guan et al. | Random forests-based feature selection for land-use classification using lidar data and orthoimagery | |
CN104867139B (zh) | 一种基于辐射场的遥感图像云及阴影检测方法 | |
Toniol et al. | Potential of hyperspectral metrics and classifiers for mapping Brazilian savannas in the rainy and dry seasons | |
CN110879969A (zh) | 一种基于遥感影像的林地变化检测方法 | |
CN112507763A (zh) | 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质 | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
CN114398948A (zh) | 一种基于空-谱联合注意力网络的多光谱影像变化检测方法 | |
CN109580497B (zh) | 一种基于奇异性理论的高光谱矿物异常信息提取方法 | |
CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
Thorp et al. | Narrow-band and derivative-based vegetation indices for hyperspectral data | |
CN111047616A (zh) | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |