CN115457325A - 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 - Google Patents
一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 Download PDFInfo
- Publication number
- CN115457325A CN115457325A CN202211128237.9A CN202211128237A CN115457325A CN 115457325 A CN115457325 A CN 115457325A CN 202211128237 A CN202211128237 A CN 202211128237A CN 115457325 A CN115457325 A CN 115457325A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- remote sensing
- spectral
- image
- rule
- 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
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法,包括:获取数字化的多光谱遥感图像数据及其元数据和传感器类型;对多光谱遥感图像数据进行辐射定标和大气校正处理,同时应用多尺度分割算法将其分割为多个分割对象;计算每个分割对象的各波段光谱值;基于大气校正后的地物光谱特征,定义核心光谱类别的逻辑表示和特征空间的阈值判别规则,构建多层判别的逻辑表达式,得到光谱规则分类模型;将各波段光谱值输入光谱规则分类模型,得到非监督分类结果。本发明将面向对象的图像分割与光谱规则的非监督分类相结合,充分利用图像的空‑谱信息,获得不同成像时间的非监督分类结果,在普适性与自动化影像数据处理方面具有优势。
Description
技术领域
本发明涉及到遥感图像的分类领域,尤其涉及一种基于面向对象和光谱规则的大气校正后多光谱遥感图像自动非监督分类方法。
背景技术
图像分类是遥感影像处理和应用的一项重要内容,其最终目标是赋予每个影像像元以唯一的类别标识,进而研究陆地表层地物空间特征。以Landsat 5/7/8系列为代表的中低分辨率多光谱影像具有开放性、完备性、长时间序列等优势,IKONOS、Quickbird、WorldView等高分辨率多光谱遥感影像包含丰富的空-谱信息,多光谱遥感影像受到研究者的广泛关注和应用。基于像元的传统分类方法主要提取遥感影像的光谱信息用于分类,面向对象分类方法多利用高分遥感影像的形状、纹理等空间特征。特征参数选取、算法分类精度和效率的平衡给多光谱遥感影像分类带来困难。目前,鲜有适用于不同分辨率多光谱遥感影像的普适分类方法。基于像元的传统分类方法主要利用光谱指数和阈值构建分类规则,应用于高分辨率多光谱遥感影像时,其可利用的光谱信息减少,且忽略了影像丰富的几何、形状、纹理等信息,分类结果不可避免地产生“椒盐”现象;面向对象分类方法对中低分辨率遥感数据的适用性研究还不深入,最优分割尺度的选择较为困难,容易造成遥感影像的“过分割”和“欠分割”,对最终的分类结果造成直接影响。此外,不同时相影像的成像条件存在差异,在进行长时间序列的地表演化研究时,使用统一设定的分类阈值和分割尺度参数不能保证获得的长时间序列遥感图像数据的分类结果一致性。
传统的多光谱遥感影像分类算法缺乏普适性与自适应性,面向像元方法忽略了丰富的空间特征,面向对象方法难以确定合适的分割尺度,没有充分利用到不同分辨率多光谱遥感影像的空-谱信息,难以提供不同成像时间一致的分类结果。
发明内容
针对现有技术的不足,本发明提出一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法,该方法有效结合了面向像元方法和面向对象方法,能够充分利用不同分辨率多光谱遥感影像的空-谱信息,自适应地提供不同成像时间一致的分类结果。需要指出的是,本发明的特殊之处在于输出的光谱类别结果是对地物的一种光谱规则的特征描述,为遥感影像的后续处理和分析提供了丰富的地表潜在信息。与传统的面向像元分类相比,本发明的数据处理量显著降低,分类结果受噪声影响减少,基于对象光谱均值的分类精度更高;与传统的面向对象分类相比,本发明的分类精度并非依赖分割尺度的选择,对分割处理的精度要求有所降低。本发明构建了特征表达完备的光谱规则分类,输出具有特定属性的光谱类别。
为达到以上目的,本发明具体技术方案如下:
一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法,包括如下步骤:
(1)获取数字化的多光谱遥感图像数据,获取多光谱遥感图像数据的元数据和传感器类型;
(2)对所述多光谱遥感图像数据进行辐射定标,对辐射定标后的多光谱遥感图像数据进行大气校正处理,从而将输入的图像亮度值转换为地表反射率,热红外波段校正为亮温温度;同时,应用多尺度分割算法对多光谱遥感图像数据进行分割,得到多个分割对象;
(3)对于图像中的每个分割对象,计算其所包含的所有像元的各波段地表反射率的均值,作为该分割对象在对应波段的光谱值;
(4)基于大气校正后的地物光谱特征,定义核心光谱类别的逻辑表示和特征空间的阈值判别规则,构建多层判别的逻辑表达式,将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果;由此构建光谱规则分类模型;
(5)将步骤(3)获得的每个分割对象在各波段的光谱值代入所述光谱规则分类模型,根据构建的光谱规则划分各个分割对象的光谱类别,输出最终的非监督分类结果。
进一步地,所述步骤(2)中的多尺度分割算法通过以下子步骤实现:
(2.1)多尺度分割过程中两个相邻图像对象间的合并代价f,即区域异质性,由四个变量计算而得:光谱权重wcolor、形状权重wshape、光谱异质性hcolor、形状异质性hshape;
所述合并代价f由下式计算得到:
f=wcolor·hcolor+wshape·hshape
式中,0≤wcolor≤1,0≤wshape≤1,且wcolor+wshape=1;
(2.2)所述光谱异质性hcolor不仅与组成图像对象的像元数目有关,还取决于各个光谱波段标准差;所述光谱异质性hcolor由下式计算得到:
hcolor=∑wc(nMerge·σMerge-(nobj1·σobj1+nobj2·σobj2))
式中,wc为波段权重,nMerge为合并后图像对象的像元数,nobj1为合并前第一个对象的像元数,nobj2为合并前第二个对象的像元数;σMerge为合并后图像对象内部像元光谱的均方差,σobj1为合并前第一个图像对象内部像元光谱的均方差,σobj2为合并前第二个图像对象内部像元光谱的均方差;
(2.3)所述形状异质性hshape由两部分组成:紧致度hcmpct和光滑度hsmooth;所述紧致度hcmpct是为了保证合并后图像对象更加紧凑和规则,所述光滑度hsmooth是为了保证合并后图像对象边界的光滑程度;
所述形状异质性hshape由下式计算得到:
hshape=wcmpct·hcmpct+(1-wcmpct)·hsmooth
式中,wcmpct为紧致度权重系数,0≤wcmpct≤1;
所述图像对象紧凑性指标hcmpct由下式计算得到:
式中,lMerge为合并后图像对象周长,lobj1为合并前第一个图像对象周长,lobj2为合并前第二个图像对象周长;
所述图像对象光滑性指标hsmooth由下式计算得到:
式中,bMerge为合并后图像对象外接矩形周长,bobj1为合并前第一个图像对象外接矩形周长,bobj2为合并前第二个图像对象外接矩形周长。
进一步地,所述步骤(4)通过以下子步骤实现:
(4.1)基于地物光谱响应曲线特征定义核心光谱类别的规则集,计算不同波段间比值,通过阈值的逻辑判别将分割对象划分为特定的核心光谱类别,得到核心光谱类别集;
(4.2)基于地物敏感波段反射率或其数学组合构建特征空间,计算反射率特征量和光谱指数,通过阈值的逻辑判别将分割对象划分为高、中、低的特征空间模糊集;
(4.3)基于提取的核心光谱类别集和特征空间模糊集,构建多层判别的逻辑表达式,将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果,由此组成光谱规则分类模型。
与现有技术相比,本发明的有益效果如下:
(1)与传统的面向像元分类相比,本发明的数据处理量显著降低,分类结果受噪声影响减少,基于对象光谱均值的分类结果精度更高。
(2)与传统的面向对象分类相比,本发明的分类精度放宽了分割尺度的选择标准,对分割处理的精度要求有所降低。
(3)本发明的光谱规则容易针对输入的多光谱波段进行修改,因此本发明适用于各种多光谱遥感图像的非监督分类。
附图说明
图1是本发明的基于面向对象和光谱规则的多光谱遥感图像非监督分类方法的流程框图。
图2是本发明对淇澳区域的Landsat8多光谱遥感图像数据的分割与分类结果示意图,其中,(a)是尺度10下该区域的初始分割结果图;
(b)是尺度10下的光谱类别结果图;
(c)是(b)对应的光谱类别结果灰度图;
(d)是尺度30下该区域的初始分割结果图;
(e)是尺度30下的光谱类别结果图;
(f)是(e)对应的光谱类别结果灰度图;
(g)是尺度50下该区域的初始分割结果图;
(h)是尺度50下的光谱类别结果图;
(i)是(h)对应的光谱类别结果灰度图。
图3是本发明对杭州区域的Sentinel-2多光谱遥感图像数据的分割与分类结果示意图,其中,(a)是尺度20下该区域的初始分割结果图;
(b)是尺度20下的光谱类别结果图;
(c)是(b)对应的光谱类别结果灰度图;
(d)是尺度40下该区域的初始分割结果图;
(e)是尺度40下的光谱类别结果图;
(f)是(e)对应的光谱类别结果灰度图;
(g)是尺度80下该区域的初始分割结果图;
(h)是尺度80下的光谱类别结果图;
(i)是(h)对应的光谱类别结果灰度图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种基于面向对象和光谱规则的大气校正后多光谱遥感图像分类方法,如图1所示,该方法包括如下步骤:
步骤一:获取数字化的多光谱遥感图像数据,获取遥感图像数据的元数据和传感器类型。
步骤二:对所述多光谱遥感图像数据进行辐射定标,对辐射定标后的多光谱遥感图像数据进行大气校正处理,从而将输入的图像亮度值转换为地表反射率,热红外波段校正为亮温温度;同时,应用多尺度分割算法对多光谱遥感图像数据进行分割,得到多个分割对象。
对多光谱遥感图像数据进行辐射定标,从而将表观反射率ρTOA转换成辐射亮度Lλ。
Landsat8的辐射定标公式如下:
Lλ=ML·ρTOA+AL (1)
Sentinel-2的辐射定标公式如下:
式中,ML为波段系数增益,AL为波段偏移量,ESUNλ表示太阳辐照度,d表示日地距离,θ表示太阳天顶角。以上参数均可从数据头文件(即步骤一所获元数据)中获取。
对辐射定标后的多光谱遥感图像数据进行大气校正处理,从而将辐射亮度Lλ转换成地表反射率SA,热红外波段校正为亮温温度T。所用大气校正算法具体为6S模型。
6S大气校正模型的具体转换公式如下:
y=xa·Lλ-xb (4)
式中,xa、xb、xc为6S模型的转换参数,y是中间变量。
Landsat8辐射定标后的热红外波段需要校正为亮温温度T:
式中,K1、K2为热红外波段转换常数,可从数据头文件中获取。
多尺度分割算法以图像同质性作为区域合并的依据,初始像元点合并得到图像小区域,图像小区域合并成大区域。具体通过以下步骤实现:
(1)多尺度分割过程中两个相邻图像对象间的合并代价f(区域异质性)由四个变量计算而得:wcolor(光谱权重)、wshape(形状权重)、hcolor(光谱异质性)、hshape(形状异质性)。wcolor和wshape取值介于0~1之间,且wcolor+wshape=1。
归并代价f可通过下式计算得到:
f=wcolor·hcolor+wshape·hshape (6)
(2)光谱异质性hcolor不仅与组成图像对象的像元数目有关,还取决于各个光谱波段标准差。光谱异质性hcolor可通过下式计算得到:
hcolor=∑wc(nMerge·σMerge-(nobj1·σobj1+nobj2·σobj2)) (7)
式中,wc为波段权重,nMerge为合并后图像对象的像元数,nobj1为合并前第一个对象的像元数,nobj2为合并前第二个对象的像元数;σMerge为合并后图像对象内部像元光谱的均方差,σobj1为合并前第一个图像对象内部像元光谱的均方差,σobj2为合并前第二个图像对象内部像元光谱的均方差。
(3)形状异质性hshape由两部分组成:紧致度hcmpct和光滑度hsmooth。紧致度hcmpct是为了保证合并后图像对象更加紧凑和规则,光滑度hsmooth是为了保证合并后图像对象边界的光滑程度。
形状异质性hshape可通过下式计算得到:
hshape=wcmpct·hcmpct+(1-wcmpct)·hsmooth (8)
式中,wcmpct为紧致度权重系数,取值范围位于0~1之间。
图像对象紧凑性指标hcmpct可通过下式计算得到:
式中,lMerge为合并后图像对象周长,lobj1为合并前第一个图像对象周长,lobj2为合并前第二个图像对象周长。
图像对象光滑性指标hsmooth可通过下式计算得到:
式中,bMerge为合并后图像对象外接矩形周长,bobj1为合并前第一个图像对象外接矩形周长,bobj2为合并前第二个图像对象外接矩形周长。
步骤三:对于图像中的每个分割对象,计算其所包含的所有像元的各波段地表反射率的均值,作为该分割对象在对应波段的光谱值。
对于分割后形成的图像对象,计算图像对象的像元数和各个波段的算术平均值,并用各个波段的算术平均值作为图像对象所包含的所有像元的各波段光谱均值,即图像对象波段光谱值。
式中,N表示该分割后形成的图像对象包含的像元总数,SAi,k表示该分割后形成的图像对象的第i个像元在第k波段的地表反射率。
在本实施例中,采用Landsat系列卫星,对每个图像对象,统计其包含的所有像元的质量评估波段数值,当无云遮挡的像元所占比例大于预先设定的阈值时,该对象的QA_flag标记为假,在后续的光谱规则分类中被划分为云、云阴影、冰雪以外的光谱类别。
步骤四:基于大气校正后的地物光谱特征,定义核心光谱类别的逻辑表示和特征空间的阈值判别规则,构建多层判别的逻辑表达式,将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果;由此构建光谱规则分类模型。
在本实施例中,以Landsat系列卫星的多波段构建完整的光谱规则,在分类计算时输入7个光谱波段(蓝光、绿光、红光、近红外、热红外和两个中红外波段)的地表反射率数值。具体通过以下子步骤实现:
(1)基于地物光谱响应曲线特征定义核心光谱类别的规则集,计算不同波段间比值,通过阈值的逻辑判别将分割对象划分为特定的核心光谱类别,得到核心光谱类别集。规则集的逻辑表达如表1所示,此处利用了除热红外波段以外的多光谱数据特征。其中blue,green,red,nir,mir1,mir2依次为分割对象的蓝光、绿光、红光、近红外和两个中红外波段的光谱数据均值。
表1核心光谱类别及规则集表达式
(2)基于地物敏感波段反射率或其数学组合构建特征空间,计算反射率特征量和光谱指数,通过阈值的逻辑判别将分割对象划分为高、中、低的特征空间模糊集。特征空间的表达式和阈值如表2所示,其中tir为经过校正的热红外波段光谱均值。
表2特征空间、相应表达式和阈值
[注]在逐像元计算时对原波段数值进行缩放,波段数值从[0,1]缩放到[0,255],此处为缩放处理后逐层归类时所用的阈值。
(3)基于提取的核心光谱类别集和特征空间模糊集,构建多层判别的逻辑表达式,将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果,由此组成光谱规则分类模型。对于Landsat8遥感影像,引入基于质量控制波段统计的QA_flag作为光谱类别细化的附加条件。层级归类的逻辑表达如表3所示。
表3层级结构及输出的光谱类别
[注1]106标签中SLNDVI为NDVI<0.2的像元(低于LNDVI模糊集的阈值)
[注2]QA_flag为Landsat QA波段的逻辑判别结果,清晰地物对应的逻辑值为0.
本实施例是以基于Landsat系列卫星的多波段构建了完整的光谱规则,在分类计算时输入7个光谱波段(蓝光、绿光、红光、近红外、热红外和两个中红外波段)的地表反射率数值。由于不同卫星获取的多光谱遥感图像所包含的波段数量和波段光谱范围有差异,光谱规则在应用于其他卫星的多光谱遥感图像时,需要根据其所包含的波段数量和波段光谱范围进行一定处理,在规则逻辑表达中删去无关波段的信息。
以Sentinel-2数据为例,由于Sentinel-2相对缺少热红外波段的信息,需要将光谱规则中与热红外波段相关的计算删去,以保证修改后的光谱规则适用于Sentinel-2数据。具体的处理如下:在(2)的计算中删去TIR和MIRTIR两个特征空间;在(3)的计算中删去HTIR、MTIR、LTIR和HMIRTIR、MMIRTIR、LMIRTIR六个特征空间模糊集的判定条件。
步骤五:将步骤三获得的每个分割对象在各波段的光谱值代入所述光谱规则分类模型,根据构建的光谱规则划分各个分割对象的光谱类别,输出最终的非监督分类结果。
与传统的面向像元分类相比,本发明的数据处理量显著降低,分类结果受噪声影响减少,基于对象光谱均值的分类结果精度更高。这是因为面向像元分类的数据处理单元为遥感影像包含的每个像元,本发明的数据处理单元为遥感影像经过分割获得的对象,整体数据处理量能够降低几个量级。
同种地物在高空间分辨率遥感影像上所呈现的光谱曲线差异增加,面向像元分类可能将属于同一地物的相邻像元划分为不同的类别,导致分类结果受噪声影响;本发明将对象波段值作为分类的输入,属于同一地物的相邻像元通常在分割阶段被划分到同一个对象,从而获得一致的分类结果。
光谱规则基于典型地物光谱曲线进行构建,而地物个体由于成像条件的影响,在多光谱影像呈现的光谱特征有一定差异,面向像元分类可能因此产生误分类;本方法对分割对象所包含的所有像元的光谱求均值,以此作为对象用于后续分类的多波段数值,能够有效降低该对象中个别离散点的光谱差异,提高分类结果精度。
下面分别给出对淇澳区域的Landsat8遥感图像数据和杭州区域的Sentinel-2遥感图像数据进行非监督分类的过程和结果展示。
1.淇澳区域遥感图像的非监督分类
(1)获取淇澳区域的Landsat8多光谱遥感图像数据,获取多光谱遥感图像数据的元数据和传感器类型。
(2)对遥感图像数据进行辐射定标和大气校正处理,大气校正算法具体为6S模型,大气和气溶胶模式选择热带海洋模式。同时应用multiresolution segmentation(MRS)多尺度分割算法,获得多光谱遥感图像数据的分割结果。
(3)计算图像中的每个分割对象在对应波段的光谱值。
(4)基于大气校正后的地物光谱特征,定义如表1所示的核心光谱类别的逻辑表示和如表2所示的特征空间的阈值判别规则,构建如表3所示的多层判别的逻辑表达式,将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果。完成光谱规则分类模型的构建。
(5)将步骤(3)获得的每个分割对象在各波段的光谱值代入光谱规则分类模型,根据光谱规则计算各个分割对象的光谱类别,输出最终的非监督分类结果如图2所示。
图2为淇澳区域的Landsat8遥感图像在不同分割尺度下的分割与分类结果。其中,(a)是尺度10下该区域的初始分割结果图;(b)是尺度10下的光谱类别结果图;(c)是(b)对应的光谱类别结果经过灰度值映射的光谱类别灰度图,包括水体,植被,城镇建设用地,裸地与待建区等地物。
(d)是尺度30下该区域的初始分割结果图;(e)是尺度30下的光谱类别结果图;(f)是(e)对应的光谱类别灰度图。
(g)是尺度50下该区域的初始分割结果图;(h)是尺度50下的光谱类别结果图;(i)是(h)对应的光谱类别灰度图。
由图可知,随着分割尺度的增大,分类结果中的噪声像元显著减少,计算数据量显著降低,尺度50下待分类的数据量约为尺度10下的5%。
2.杭州区域遥感图像的非监督分类
(1)获取杭州区域的Sentinel-2多光谱遥感图像数据,获取多光谱遥感图像数据的元数据和传感器类型。
(2)对遥感图像数据进行辐射定标和大气校正处理,大气校正算法具体为6S模型,大气和气溶胶模式选择中纬度夏季城市模式。应用MRS多尺度分割算法,获得多光谱遥感图像数据的分割结果。
(3)计算图像中的每个分割对象在对应波段的光谱值。
(4)基于大气校正后的地物光谱特征,定义如表1所示的核心光谱类别的逻辑表示,定义如表2所示的特征空间的阈值判别规则时删去TIR和MIRTIR两个特征空间,构建如表3所示的多层判别的逻辑表达式时删去HTIR、MTIR、LTIR和HMIRTIR、MMIRTIR、LMIRTIR六个特征空间模糊集的判定条件。将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果,完成光谱规则分类模型的构建。
(5)将步骤(3)获得的每个分割对象在各波段的光谱值代入光谱规则分类模型,根据光谱规则计算各个分割对象的光谱类别,输出最终的非监督分类结果如图3所示。
图3为杭州区域的Sentinel-2遥感影像在不同尺度下的分割与分类结果。其中,(a)是尺度20下该区域的初始分割结果图;(b)是尺度20下的光谱类别结果图;(c)是(b)对应的光谱类别结果经过灰度值映射的光谱类别灰度图。
(d)是尺度40下该区域的初始分割结果图;(e)是尺度40下的光谱类别结果图;(f)是(e)对应的光谱类别灰度图。
(g)是尺度80下该区域的初始分割结果图;(h)是尺度80下的光谱类别结果图;(i)是(h)对应的光谱类别灰度图。
由图可知,水体在不同的分割尺度下都能够被准确识别;分割尺度较小时,城市绿地和建设用地能够明显区分;随着分割尺度增大,逐渐表现为综合的居民区。在后续处理与分析中,可以基于不同分割尺度的光谱类别结果构建具有层次结构的土地覆盖/土地利用分类。
综上所述,从分类结果来看,本发明提供了时序一致的丰富地表潜在信息。与传统的面向像元分类相比,本发明的数据处理量显著降低,分类结果受噪声影响减少,基于对象光谱均值的分类结果精度更高;与传统的面向对象分类相比,本发明的分类精度不会高度依赖分割尺度的选择,对分割处理的精度要求有所降低。需要指出的是,光谱规则容易针对输入的多光谱波段进行修改,本发明适用于各种多光谱遥感影像。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (3)
1.一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法,其特征在于,包括如下步骤:
(1)获取数字化的多光谱遥感图像数据,获取多光谱遥感图像数据的元数据和传感器类型;
(2)对所述多光谱遥感图像数据进行辐射定标,对辐射定标后的多光谱遥感图像数据进行大气校正处理,从而将输入的图像亮度值转换为地表反射率,热红外波段校正为亮温温度;同时,应用多尺度分割算法对多光谱遥感图像数据进行分割,得到多个分割对象;
(3)对于图像中的每个分割对象,计算其所包含的所有像元的各波段地表反射率的均值,作为该分割对象在对应波段的光谱值;
(4)基于大气校正后的地物光谱特征,定义核心光谱类别的逻辑表示和特征空间的阈值判别规则,构建多层判别的逻辑表达式,将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果;由此构建光谱规则分类模型;
(5)将步骤(3)获得的每个分割对象在各波段的光谱值代入所述光谱规则分类模型,根据构建的光谱规则划分各个分割对象的光谱类别,输出最终的非监督分类结果。
2.根据权利要求1所述的基于面向对象和光谱规则的多光谱遥感图像非监督分类方法,其特征在于,所述步骤(2)中的多尺度分割算法通过以下子步骤实现:
(2.1)多尺度分割过程中两个相邻图像对象间的合并代价f,即区域异质性,由四个变量计算而得:光谱权重wcolor、形状权重wshape、光谱异质性hcolor、形状异质性hshape;
所述合并代价f由下式计算得到:
f=wcolor·hcolor+wshape·hshape
式中,0≤wcolor≤1,0≤wshape≤1,且wcolor+wshape=1;
(2.2)所述光谱异质性hcolor不仅与组成图像对象的像元数目有关,还取决于各个光谱波段标准差;所述光谱异质性hcolor由下式计算得到:
hcolor=∑wc(nMerge·σMerge-(nbj1·σobj2·σobj2·σobj2))
式中,wc为波段权重,nMerge为合并后图像对象的像元数,nobj1为合并前第一个对象的像元数,nobj2为合并前第二个对象的像元数;σMerge为合并后图像对象内部像元光谱的均方差,σobj1为合并前第一个图像对象内部像元光谱的均方差,σobj2为合并前第二个图像对象内部像元光谱的均方差;
(2.3)所述形状异质性hshape由两部分组成:紧致度hcmpct和光滑度hsmooth;所述紧致度hcmpct是为了保证合并后图像对象更加紧凑和规则,所述光滑度hsmooth是为了保证合并后图像对象边界的光滑程度;
所述形状异质性hshape由下式计算得到:
hshape=wcmpct·hcmpct+(1-wcmpct)·hsmooth
式中,wcmpct为紧致度权重系数,0≤wcmpct≤1;
所述图像对象紧凑性指标hcmpct由下式计算得到:
式中,lMerge为合并后图像对象周长,lobj1为合并前第一个图像对象周长,lobj2为合并前第二个图像对象周长;
所述图像对象光滑性指标hsmooth由下式计算得到:
式中,bMerge为合并后图像对象外接矩形周长,bobj1为合并前第一个图像对象外接矩形周长,bobj2为合并前第二个图像对象外接矩形周长。
3.根据权利要求1所述的基于面向对象和光谱规则的多光谱遥感图像非监督分类方法,其特征在于,所述步骤(4)通过以下子步骤实现:
(4.1)基于地物光谱响应曲线特征定义核心光谱类别的规则集,计算不同波段间比值,通过阈值的逻辑判别将分割对象划分为特定的核心光谱类别,得到核心光谱类别集;
(4.2)基于地物敏感波段反射率或其数学组合构建特征空间,计算反射率特征量和光谱指数,通过阈值的逻辑判别将分割对象划分为高、中、低的特征空间模糊集;
(4.3)基于提取的核心光谱类别集和特征空间模糊集,构建多层判别的逻辑表达式,将具有多重特征空间约束的核心光谱类别划分为描述不同地物特征的光谱类别结果,由此组成光谱规则分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128237.9A CN115457325A (zh) | 2022-09-16 | 2022-09-16 | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128237.9A CN115457325A (zh) | 2022-09-16 | 2022-09-16 | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115457325A true CN115457325A (zh) | 2022-12-09 |
Family
ID=84304457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211128237.9A Pending CN115457325A (zh) | 2022-09-16 | 2022-09-16 | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457325A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115988334A (zh) * | 2023-03-17 | 2023-04-18 | 江西北纬空间信息技术有限公司 | 一种自校正的数字化相机移动遥感系统及方法 |
-
2022
- 2022-09-16 CN CN202211128237.9A patent/CN115457325A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115988334A (zh) * | 2023-03-17 | 2023-04-18 | 江西北纬空间信息技术有限公司 | 一种自校正的数字化相机移动遥感系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287869B (zh) | 基于深度学习的高分辨率遥感影像农作物分类方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
CN106023133B (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN109409389B (zh) | 一种融合多特征的面向对象变化检测方法 | |
CN112949416B (zh) | 一种监督的高光谱多尺度图卷积分类方法 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN111553922A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN115271217A (zh) | 一种基于无人机多源遥感数据的小麦产量预测方法 | |
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 | |
CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN109946670A (zh) | 一种光学影像驱动的雷达极化信息提取方法 | |
CN111080649B (zh) | 一种基于黎曼流形空间的图像分割处理方法及系统 | |
CN116129278B (zh) | 一种基于遥感影像的土地利用分类识别系统 | |
CN111523451A (zh) | 一种构建高时空分辨率ndvi数据的方法 | |
CN111915625B (zh) | 一种能量积分的遥感影像地形阴影自动检测方法和系统 | |
CN113378924B (zh) | 一种基于空-谱特征联合的遥感影像监督分类方法 |
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 |