CN115620043A - 高光谱与空间数据融合的地理实体语义标注方法 - Google Patents

Abstract

本发明一种高光谱与空间数据融合的地理实体语义标注方法，包括：S1采集典型地理实体分类下的近地面高光谱R_li，并对采集到的近地面高光谱进行分类内部光谱融合处理，同时采集与所述近地面高光谱对应的同一地理区域的遥感高光谱R_p；S2对各地理实体分类下的融合光谱R_ci进行提取各地理实体分类的最佳波段组合，并通过波段裁剪与拼接形成最佳波段组合的近地面组合高光谱R_i；S3确定当前扫描的像素元所属的地理实体分类，并将所识别的类型与地理实体分类字段进行映射，形成语义体系，从而当扫描完毕之后完成采集的遥感高光谱中遥感影像的地理实体语义的标注。通过各地理实体高光谱最佳波段选取但作为识别基础，采用像素元扫描识别，做到了高效准确的语义标注。

Description

高光谱与空间数据融合的地理实体语义标注方法

技术领域

本发明提供了一种自然与人文地理领域中自然资源行业的语义分类标注方法，涉及采用 高光谱的语义标注，尤其涉及高光谱与空间数据融合的地理实体语义标注方法，属于地理景 观语义标引领域。

背景技术

在地理实体语义分类中大都对城市中道路和建筑进行，现有技术采用复杂的人工智能网 络运算，仅仅局限于城市范围的道路和建筑，虽然取得了良好的道路与建筑的轮廓的提取， 并建立起实体语义体系，但实际上地理实体不仅包括了城市道路建筑，还包括了城市以外的 行政区划中的道路建筑，以及人文和自然景观构筑成的地理实体，包括植被、农作物、水体、 大棚示范区、裸地、乡村道路等任意需要进行的语义标注。

高光谱数据属于地物二维影像+一维光谱的三维立方数据结构,现有技术采用遥感技术对 地物和农作物的生长、抗灾害，以及土壤成分进行分类研究,大多采用反演手段计算出所需要 地物的光谱信息，未关注如何利用高光谱的数据对地理实体进行语义分类。

对于高光谱的数据处理，现有技术往往是对同一类地理分类比如农作物进行采集，从而 能够容易对采集图像整体进行处理，但是当研究范围扩展到更大的地理区域时，各类地理实 体难以呈现在遥感影像上，因此无法从整体上进行特征波段提取。并且如果采用RNN、CNN、 SVM或其他改进的的算法则需要不同的样本进行学习计算，提取精度不足71％的同时还极大 地加重了算法负担。

此外遥感高光谱由于受到大气环境的制约，需要采用复杂的校正算法，从而提高了数据 处理的成本，最终的语义标注的效率也受到影响，同时校正算法的多样性，也不能确定哪一 种算法更符合遥感影像采集时的具体情况，因此面对复杂多变的采集环境以及一些未知的不 可控因素，需要考虑一种绕开大气环境制约的高光谱采集方法。

事实上，语义标注并不关心高光谱数据是否精确，因为语义标注并不利用高光谱进行物 质含量的计算，而是关注地理实体分类之间是否能正确区分，属于定性分类，从而获得实体 分类的影像提取形成语义体系，因此对于天气的影响可能仅需要简单但不失细致地分类方案 就能得到良好的区分程度，同时进行简单的校正就提供一种可供参考的高光谱数据。

现有的近地面或暗室高光谱成像技术多是对于农作物的叶面营养物质分析以及工业上零 部件的缺陷无损检测，其运用领域远未得到充分的利用。

发明内容

本发明从上述现有技术地理实体语义体系的不完整现状出发，考虑一种新的语义标 注思路，即采用高光谱的手段，主要包括如下几个方面：第一地理区域遥感影像采集；第二 地理区域高光谱的采集与各地理实体类型的高光谱特征谱段提取；第三通过图像像素扫描方 式将遥感影像中每个像素的光谱信息所归属的地理实体类型进行扫描获取，形成语义标注。

基于上述考虑，本发明提供了一种高光谱与空间数据融合的地理实体语义标注方法， 其特征在于，包括如下步骤：

S1选定预设的大气环境下，采集典型地理实体分类下的近地面高光谱R_li，i表示不同地 理实体分类的编号，并对采集到的近地面高光谱进行分类内部光谱融合处理，获得融合光谱 R_ci，同时采集与所述近地面高光谱对应的同一地理区域的遥感高光谱R_p；

S2对各地理实体分类下的融合光谱R_ci进行提取各地理实体分类的最佳波段组合，并通 过波段裁剪与拼接形成最佳波段组合的近地面组合高光谱R_i；

S3对遥感高光谱进行像素元逐个扫描，对于每一个被扫描的像素元的高光谱与各地理实 体分类的最佳组合波段光谱进行比对，从而确定当前扫描的像素元所属的地理实体分类，并 将所识别的类型与地理实体分类字段进行映射，形成语义体系，从而扫描完毕之后完成采集 的遥感高光谱中遥感影像的地理实体语义标注。

优选地，在S3之后还包括了：

S4将S2提出的各类地理实体分类的最佳波段组合运用于S3中已语义标注完毕的遥感高 光谱中，按照S2的方法获得所述遥感高光谱对应的遥感组合高光谱R’_i，使用近地面组合高 光谱R_i对遥感组合高光谱R'_i进行校正处理，获得校正后的遥感组合高光谱R_cor＝f(R'_i,R_i)， f(·)为校正操作，优选地，f(·)为将R'_i对应特征波段的峰值和/或积分强度进行校正到R_i的 水平，具体使用高斯函数进行每一个波段谱峰进行拟合，实现所述校正。

如此既利用了近地面的高光谱数据完成了各地理实体的语义标注，又完成了语义遥感高 光谱的校正，提高了语义标注的高效性和简化性。

其中S1具体包括：

S1-1根据所需要分类的地理实体类型种类数N而配备相应数量的无人机架数 kN,k＝1,2,3,4,5，在预设的气象条件下，将多架无人机沿着预定的飞行路线对各种类的地理实体的多个采集点进行高光谱采集；

优选地，所有无人机的飞行高度一致，且对于各类地理实体，所有无人机按照预定的飞行路线在同一时刻同时开始飞行，且在同一时间点停止一切采集。以保证采集的各类地 理实体处于大致同一个时段内，防止出现一些地理实体之间采集工作明显是处于不同的两个 间隔时长的时段，导致高光谱数据不能准确反映同一时段的状态。

S1-2对每一类地理实体的多个采集点采集的高光谱进行预处理，获得典型地理实体分类 下的近地面高光谱R_lij，j为采集点数，且每个采集点采集一个高光谱；

优选地，所述预处理包括：一阶导数，归一化，多元散射校正，标准正态变量变换，Savitzky-Golay平滑中的至少一者。

S1-3对于每一个分类内部，对多个采集点采集的高光谱进行叠加平均处理

其中， K_i为第i类地理实体采集点数，

为各光谱R_lij的各波长处的强度，形成R_ci，同时采集与所 述近地面高光谱对应的同一地理区域的遥感高光谱R_p。

其中S2具体包括：

S2-1对各地理实体分类下的融合光谱R_ci进行提取各地理实体分类的最佳波段组合

其中q_i∈[3,9]为第i类地理实体的最佳波段组合中的波段序号，对于每一个

都表 示为一个最佳波段组合，

其中，最佳波段组合

采用如下方式选取：

设最佳波段判别指数

或

或

其中u,v,x,y,z,a,a₁,…,a_n为第i类地理实体的高光谱 波段序号，Q_i为第i类地理实体的高光谱波段总数，S为通过多个采样点的高光谱各波段计 算的标准差，R_uv、R_xyz、

为相应下标为序号的波段之间的相关系数，求和符号分别是 对所有可能总数

进行取遍求和，取

对应的波段组合即三波段、四波段、一直到n+2波段组合作为最佳波段组合；

可见我们通过最佳波段组合的方式目的并非用于人工智能算法，而是将其视作一种 表征特定地理实体类型的特征，用于识别实体类型。不同的地理实体类型的首先最佳波段组 合方式不同，其次各波段的积分强度也不同，从而成为了可以识别实体类型的特征基础。

S2-2通过波段裁剪与拼接，按照各最佳波段的波长值大小顺序组合形成的近地面组合高 光谱R_i，所述裁剪为将最佳波段以外的所有波段数据删除，所述拼接为将最佳波段区域之首 尾顺次连接的在拼接点，拼接点上的强度值强制定义为基线值，并且拼接后各波段谱线所跨 的波长值大小以及范围仍然定义不变，且除拼接处以外的各波长处的峰值不变。

其中S3中对遥感高光谱进行像素元逐个扫描，对于每一个被扫描的像素元的光谱与各地 理实体分类的最佳组合波段光谱进行比对，从而确定当前扫描的像素元所属的地理实体分类 具体包括：

S3-1定义像素元大小p为分辨率res∈[0.3m,1m]的正整数M∈[1,4]倍见方的区域，即 p＝M·res×M·res，建立地理实体类型数据库，包括地理实体分类字段，地理实体基本参数字 段，其中，所述地理实体分类字段中包括各实体分类专属的地理实体编码；

S3-2使用像素元p对遥感高光谱中的遥感影像进行规定的扫描方式进行扫描，对于扫描 过程中的每一个像素元内，调取对应的高光谱

其中t为当前扫描到的像素元的序号；

优选地，所述规定的扫描方式为，图像行扫描和/或列扫描的方式。优选地，对于同一行 和/或同一列扫描时，当前像素元扫描完毕时平移一个像素元边长距离而继续下一个像素元扫 描。

S3-3将

中对应各类地理实体R_i波段的那些波段所对应的光谱谱线与对应各类地理实 体R_i的谱线进行相似度比较，当比对到最高相似度，且大于预设值80-90％时，即将当前扫 描的像素元p识别为对应的地理实体类型；

当所述最高相似度小于预设值，则在当前像素元p八邻域范围内对具有完整影像的像素 的像素元进行如下分析：

若八邻域中存在已经识别地理实体类型的，则将

中对应已经识别地理实体的近地面组 合高光谱波段的那些波段所对应的光谱谱线与该已经识别地理实体分类的组合高光谱谱线进 行相似度比较；若八邻域中有未确定地理实体类型的，则继续识别邻域中未确定地理实体类 型的邻域所属的地理实体类型；

计算

中对应各所有确定地理实体类型后邻域代表的地理实体的近地面组合高光谱波 段的那些波段所对应的光谱谱线与各所有确定地理实体类型后邻域代表的地理实体的近地面 组合高光谱的光谱谱线的相似度，取相似度最大者对应的邻域所代表的地理实体类型作为当 前像素元p所识别的地理实体类型，并且已经识别地理实体类型的邻域像素元视作已经完成 扫描，在以后的扫描过程中不再予以扫描识别；

若八邻域中也存在至少一个在识别其代表的地理实体类型过程中计算的所述相似度小于 所述预设值的邻域，则不计入当前相似度比较对象，而只将大于预设值的那些邻域作为相似 度比较对象；

若八邻域全部为不计入当前相似度比较对象，则将当前像素元p的地理实体类型定义为 前一个像素元或后一个像素元识别的地理实体类型，

其中，所述的相似度比较方法为：

S3-3-1将

进行S2-2的步骤获得

对应的组合高光谱

其中i表示对

的组合按照 第i类地理实体类型对应的R_i形成的方式进行组合形成；

S3-3-2对

中最佳组合波段内各波段的积分强度值

与R_i对应的波段的积分强度值

进行比较，求标准差的倒数

定义为相似度。

所述将所识别的类型与地理实体分类字段进行映射，形成语义体系具体包括：

S3-4对每一个扫描的像素元所识别的分类字段赋予对应的地理实体编码，

S3-5将每一个像素元中心的时空坐标赋予对应的地理实体基本参数字段，各扫描的像素 元的被赋予时空坐标的地理实体基本参数字段连同赋予的地理实体编码的分类字段形成语义 体系。

有益效果

1.避开了机器学习算法，采用高光谱的最佳波段组合下组合高光谱为识别特征，对于地 理实体数据进行分类划分，简化了语义标注的算法，提高了标注效率；

2.采用像素元扫描基础上，基于组合高光谱分别识别像素元内的实体分类，并采用八邻 域修正，从而精确地从遥感高光谱中抠出各地理分类的范围，从而建立像素元分类-地理编码 之间的语义体系，完成语义标注。

附图说明

图1示范区典型地物遥感高光谱中真彩色影像维，

图2十二类地理实体的近地面组合高光谱获取过程示意图，

图3近地面组合高光谱具体的裁剪与拼接组合过程示意图，其中图3a裁剪波段示意图，图 3b裁剪过后的示意图，图3c拼接方式示意图，图3d拼接过后的示意图，

图4所示为图1中示范区典型地物遥感真彩色图中方框所示区域，

图5语义体系形成过程流程图，

图6为示范区建筑提取结果示意图，

图7为示范区水体提取结果示意图，

图8为示范区大棚提取结果示意图，

图9为示范区林地、草地提取结果示意图，

图10为示范区农作物提取结果示意图，

图11为示范区裸地提取结果示意图，

图12为示范区道路提取结果示意图。

具体实施方式

实施例1

图1为示范区典型地物遥感高光谱中真彩色影像维，分为城市道路、乡村道路、大棚、 建筑、河流、水塘、林地、草地、水稻、玉米、非主要作物、裸地、其他地物十三类。我们 将河流、水塘都视作水体，从而一共十二类，由此设置20架搭载高光谱设备的无人机，分别 负责对于十二类地体实体的高光谱的采集，在1小时内，各采集1000-10000幅，采集频率为 每秒0.36-3.6次。

所有无人机的飞行高度一致为100-200m范围，且对于各类地理实体，所有无人机按 照预定路线在同一时刻同时开始飞行，且在从起始开始1小时候停止一切采集。其中，对每 一类地理实体的5000个采集点采集的高光谱进行预处理一阶导数，归一化，多元散射校正，Savitzky-Golay平滑处理，如图2所示，获得典型地理实体分类下的近地面高光谱 {R_l1,R_l2,R_l3,R_l4,R_l5,R_l6,R_l7,R_l8,R_l9,R_l10,R_l11,R_l12}，其中每一个元素都包括5000个采集点采 集的高光谱样本，且每个采集点采集一个高光谱；

对于十二个分类中的每一个分类内部，对5000个采集点采集的高光谱进行叠加平均处理 获得{R_c1,R_c2,R_c3,R_c4,R_c5,R_c6,R_c7,R_c8,R_c9,R_c10,R_c11,R_c12}，其中每个元素只含有一个融合高 光谱数据 ，同时采集与所述近地面高光谱对应的同一地理区域的遥感高光谱R_p。

实施例2

对各地理实体分类下的融合光谱{R_c1,R_c2,R_c3,R_c4,R_c5,R_c6,R_c7,R_c8,R_c9,R_c10,R_c11,R_c12} 进行提取各地理实体分类的最佳波段组合

其中q_i∈[3,9]为第i类地理实体的最佳波段组 合中的波段序号，对于每一个

都表示为一个波段，

其中，最佳波段组合

采用如下方式选取：

设最佳波段判别指数

或

或

其中u,v,x,y,z,a,a₁,…,a_n为第i类地理实体的高光谱 波段序号，Q_i为第i类地理实体的高光谱波段总数，S为通过多个采样点的高光谱各波段计 算的标准差，R_uv、R_xyz、

为相应下标为序号的波段之间的相关系数，求和符号分别是 对所有可能总数

进行取遍求和，取

对应的波段组合即三波段、四波段、一直到n+2波段组合作为最佳波段组合。得到十二类地 理实体分类最佳组合波段

如果 发现三波段对于其中一类地理实体来说为F_i的表达各形态的最小值，则对于该地理实体类型， 比如房屋，则

对于水稻则为四波段，对应

如图3所示，图3a为地理实体类型中其中一张融合高光谱R_ci。其最佳组合波段中存在编号为1，2，3的三个谱峰，对峰2和峰3之间的光谱数据进行裁剪，形成图3b的已裁剪 状态，然后按照各最佳波段的波长值大小顺序即峰1，峰2，峰3的波段波长顺序，通过将峰 2和峰3进行拼接。注意到图3c圈出的峰3波段的最左侧的数据点大于基线值，因此拼接之 后将该数据点强制定义为基线值，而与峰2的波段的最右侧的基线值重合，形成已拼接状态 图3d。拼接后峰1和峰2为移动，而峰3为平移操作，除了波段最左侧的值强制定义为基线 值，峰3谱线所跨的波长值大小以及范围仍然定义不变，因此并非是波长轴所指示的波长值 范围。

对于其他地理实体类型，同样方法操作，最终形成近地面组合高光谱 {R₁,R₂,R₃,R₄,R₅,R₆,R₇,R₈,R₉,R₁₀,R₁₁,R₁₂}(如图2所示)。

实施例3

本实施例将说明基于像素元扫描的遥感影像的地理实体分类的方法。如图4a所示为图1 中示范区典型地物遥感真彩色图中方框所示区域，作为像素元扫描的一个实施方式。设定像 素元大小而4m×4m，分辨率为1m，对于图4a中水稻区域和一处夹杂的非主要农作物的经 过区域。图4b右侧放大显示了图4b中水稻和非主要农作物交界附近的区域扫描情况。其中 以从右往左，从上至下的扫描方式扫描。如图4b所示，当像素元经历到图中元素1的位置时， 调用像素元中的如图4c高光谱R¹ _p与近地面组合高光谱 {R₁,R₂,R₃,R₄,R₅,R₆,R₇,R₈,R₉,R₁₀,R₁₁,R₁₂}相应的波段的谱峰作相似度计算，则确定为水稻 类型。而实际上像素元1也完全在水稻区域内。

但是，图4b中像素元1为当前起始扫描位置，扫描历经到下一个像素元2时，像素元2 跨越了水稻与非主要农作物的交界，此时像素元2与图4d的代表水稻的组合高光谱R₈的相 似度为所有近地面组合高光谱中最大的，但不到预设值80％，则如图4b所示对像素元2作八 邻域，其中像素元4和7完全位于水稻区域内，像素元6和9全在非主要农作物区域，相似 度最低，只有像素元5和8也在自边界。经过计算发现与像素元8相似度相对较大，则取像素元8所述的类型，而像素元8与R₈的相似度已经计算为超过80％即为水稻类型，因此像素元2的类型定义为水稻。

若将像素元为1m×1m分辨率，则像素元扫描方向上一分为四，则最左侧的部分完全在 非主要农作物内，而3/4则基本全在水稻范围内，因此更细致地将像素元2的区域区分出了 水稻和非主要农作物的两个类型。可见当像素元越小，则识别会越精细。

如图5所示，对每一个扫描的像素元所识别的分类字段赋予对应的地理实体编码，将 每一个像素元中心的时空坐标赋予对应的地理实体基本参数字段，各扫描的像素元的被赋予 时空坐标的地理实体基本参数字段连同赋予的地理实体编码的分类字段形成语义体系，完成 对实施例1的遥感影像地理实体类型的语义标注。

在之后还包括了：

将上述提出的十二类地理实体分类的最佳波段组合运用于S3中已语义标注完毕的遥感 高光谱中，按照S2的方法获得所述遥感高光谱对应的遥感组合高光谱R'_i，使用近地面组合 高光谱R_i对遥感组合高光谱R'_i进行校正处理，获得校正后的遥感组合高光谱R_cor＝f(R'_i,R_i)， f(·)为校正操作，f(·)为将R'_i的对应特征波段的峰值和/或积分强度进行校正到R_i的水平, 具体使用高斯函数进行每一个波段谱峰进行拟合，实现所述校正。

根据上述的方法，我们得到了十二类地理实体类型的语义标注，其中，图6为示范区建 筑提取结果示意图。从建筑提取结果看，居民区主要集中于蒲河周边，主城区位于示范区中 西部，蒲河东北以高层建筑区为主，示范区东北有大型厂房。从提取结果看面积越大的建筑 物边缘提取效果越好，村落中的面积偏小的房屋边缘越平滑。根据结果进行初步统计，示范 区建筑物约35000个，其中大型厂房约100个，总占地面积约6.06平方千米。

图7为示范区水体提取结果示意图。示范区主要河流为蒲河，主体为南北向分布，还有 一条人工渠向沈阳方向延伸，富营养化情况非常严重；此外，区内淡水鱼养殖业发展较好， 有近330个水塘均匀分布于区内，仅个别疑似废弃水塘存在富营养化现象；示范区内自然水 体面积约1.06平方，水塘面积约1.67平方千米。

图8为示范区大棚提取结果示意图。区内有较多蔬菜大棚，总数量约554个，占面积约 5.19平方千米。

图9为示范区林地、草地提取结果示意图。区内林地和草地面积分别为5.59平方千米和 6.95平方千米，大面积集中分布林地较少，主要集中在河岸道路两旁，以杨树为主柳树次之， 草地主要集中在是蒲河周边，城市整体绿化程度不高。

图10为示范区农作物提取结果示意图。区内作物种类相对单一，以玉米和水稻为主，其 中水稻分布最多占地面积18.265平方千米，较大田块约1平方千米，玉米面积11.01平方千 米，已收割玉米面积约4.5平方千米，二者占总耕地面积的72％，估计区内产量大约为3300 万斤。

图11为示范区裸地提取结果示意图。区内裸地主要为粮食收割后的农用地，该时节已收 割作物主要为玉米，面积约4.5平方千米。

图12为示范区道路提取结果示意图。对城市道路和乡村道路进行提取，结果显示较宽的 城市道路提取结果较准确，但在城市周边较细小的水泥道路与乡村的水泥道路在特征上基本 一致，容易出现混淆。区内中部交通较便利，但乡镇，尤其是耕作区道路通达性较差。

最后将类型提取到的范围内进行多图层的融合即可实现整体示范区的地理实体类型的可 视化区分。

Claims (7)

1.一种高光谱与空间数据融合的地理实体语义标注方法，其特征在于，包括如下步骤：

S1选定预设的大气环境下，采集典型地理实体分类下的近地面高光谱R_li，i表示不同地理实体分类的编号，并对采集到的近地面高光谱进行分类内部光谱融合处理，获得融合光谱R_ci，同时采集与所述近地面高光谱对应的同一地理区域的遥感高光谱R_p；

S2对各地理实体分类下的融合光谱R_ci进行提取各地理实体分类的最佳波段组合，并通过波段裁剪与拼接形成最佳波段组合的近地面组合高光谱R_i；

S3对遥感高光谱进行像素元逐个扫描，对于每一个被扫描的像素元的高光谱与各地理实体分类的特征波段进行比对，从而确定当前扫描的像素元所属的地理实体分类，并将所识别的类型与地理实体分类字段进行映射，形成语义体系，从而当扫描完毕之后完成采集的遥感高光谱中遥感影像的地理实体语义的标注。

2.根据权利要求1所述的方法，其特征在于，在S3之后还包括了：

S4将S2提出的各类地理实体分类的最佳波段组合运用于S3中已语义标注完毕的遥感高光谱中，按照S2的方法获得所述遥感高光谱对应的遥感组合高光谱R'_i，使用近地面组合高光谱R_i对遥感组合高光谱R'_i进行校正处理，获得校正后的遥感组合高光谱R_cor＝f(R'_i,R_i)，f(·)为校正操作，f(·)为将R'_i的对应特征波段的峰值和/或积分强度进行校正到R_i的水平，具体使用高斯函数进行每一个波段谱峰进行拟合，实现所述校正。

3.根据权利要求1或2所述的方法，其特征在于，其中S1具体包括：

S1-1根据所需要分类的地理实体类型种类数N而配备相应数量的无人机架数kN,k＝1,2,3,4,5，在预设的气象条件下，将多架无人机沿着预定的飞行路线对各种类的地理实体的多个采集点进行高光谱采集；

所有无人机的飞行高度一致，且对于各类地理实体，所有无人机按照预定的飞行路线在同一时刻同时开始飞行，且在同一时间点停止一切采集；

S1-2对每一类地理实体的多个采集点采集的高光谱进行预处理，获得典型地理实体分类下的近地面高光谱R_lij，j为采集点数，且每个采集点采集一个高光谱，

所述预处理包括：一阶导数，归一化，多元散射校正，标准正态变量变换，Savitzky-Golay平滑中的至少一者；

S1-3对于每一个分类内部，对多个采集点采集的高光谱进行叠加平均处理

其中，K_i为第i类地理实体采集点数，

为各光谱R_lij的各波长处的强度，形成R_ci，同时采集与所述近地面高光谱对应的同一地理区域的遥感高光谱R_p。

4.根据权利要求3所述的方法，其特征在于，其中S2具体包括：

S2-1对各地理实体分类下的融合光谱R_ci进行提取各地理实体分类的最佳波段组合

其中q_i∈[3,9]为第i类地理实体的最佳波段组合中的波段序号，对于每一个

都表示为一个最佳波段组合，

其中，最佳波段组合

采用如下方式选取：

设最佳波段判别指数

或

或

其中u,v,x,y,z,a,a₁,…,a_n为第i类地理实体的高光谱波段序号，Q_i为第i类地理实体的高光谱波段总数，S为通过多个采样点的高光谱各波段计算的标准差，

为相应下标为序号的波段之间的相关系数，求和符号分别是对所有可能总数

进行取遍求和，取

对应的波段组合即三波段、四波段、一直到n+2波段组合作为最佳波段组合；

S2-2通过波段裁剪与拼接，按照各最佳波段的波长值大小顺序组合形成的近地面组合高光谱R_i，其中所述裁剪为将最佳波段以外的所有波段数据删除，所述拼接为将最佳波段区域之首尾顺次连接的在拼接点，拼接点上的强度值强制定义为基线值，并且拼接后各波段谱线所跨的波长值大小以及范围仍然定义不变，且除拼接处以外的各波长处的峰值不变。

5.根据权利要求4所述的方法，其特征在于，S3中对遥感高光谱进行像素元逐个扫描，对于每一个被扫描的像素元的高光谱与各地理实体分类的最佳组合波段光谱进行比对，从而确定当前扫描的像素元所属的地理实体分类具体包括：

S3-1定义像素元大小p为分辨率res∈[0.3m,1m]的正整数M∈[1,4]倍见方的区域，即p＝M·res×M·res，建立地理实体类型数据库，包括地理实体分类字段，地理实体基本参数字段，其中，所述地理实体分类字段中包括各实体分类专属的地理实体编码；

S3-2使用像素元p对遥感高光谱中的遥感影像进行规定的扫描方式进行扫描，对于扫描过程中的每一个像素元内，调取对应的高光谱

其中t为当前扫描到的像素元的序号；

S3-3将

中对应各类地理实体R_i波段的那些波段所对应的光谱谱线与对应各类地理实体R_i的谱线进行相似度比较，当比对到最高相似度，且大于预设值80-90％时，即将当前扫描的像素元p识别为对应的地理实体类型；

当所述最高相似度小于预设值，则在当前像素元p八邻域范围内对具有完整影像的像素的像素元进行如下分析：

若八邻域中存在已经识别地理实体类型的，则将

中对应已经识别地理实体的近地面组合高光谱波段的那些波段所对应的光谱谱线与该已经识别地理实体分类的组合高光谱谱线进行相似度比较；若八邻域中有未确定地理实体类型的，则继续识别邻域中未确定地理实体类型的邻域所属的地理实体类型；

计算

中对应各所有确定地理实体类型后邻域代表的地理实体的近地面组合高光谱波段的那些波段所对应的光谱谱线与各所有确定地理实体类型后邻域代表的地理实体的近地面组合高光谱的光谱谱线的相似度，取相似度最大者对应的邻域所代表的地理实体类型作为当前像素元p所识别的地理实体类型，并且已经识别地理实体类型的邻域像素元视作已经完成扫描，在以后的扫描过程中不再予以扫描识别；

若八邻域中也存在至少一个在识别其代表的地理实体类型过程中计算的所述相似度小于所述预设值的邻域，则不计入当前相似度比较对象，而只将大于预设值的那些邻域作为相似度比较对象；

若八邻域全部为不计入当前相似度比较对象，则将当前像素元p的地理实体类型定义为前一个像素元或后一个像素元识别的地理实体类型，

其中，所述的相似度比较方法为：

S3-3-1将

进行S2-2的步骤获得

对应的组合高光谱

其中i表示对

的组合按照第i类地理实体类型对应的R_i形成的方式进行组合形成；

S3-3-2对

中最佳组合波段内各波段的积分强度值

与R_i对应的波段的积分强度值

进行比较，求标准差的倒数

定义为相似度；

所述将所识别的类型与地理实体分类字段进行映射，形成语义体系具体包括：

S3-4对每一个扫描的像素元所识别的分类字段赋予对应的地理实体编码，

S3-5将每一个像素元中心的时空坐标赋予对应的地理实体基本参数字段，各扫描的像素元的被赋予时空坐标的地理实体基本参数字段连同赋予的地理实体编码的分类字段形成语义体系。

6.根据权利要求5所述的方法，其特征在于，所述规定的扫描方式为，图像行扫描和/或列扫描的方式。

7.根据权利要求6所述的方法，其特征在于，对于同一行和/或同一列扫描时，当前像素元扫描完毕时平移一个像素元边长距离而继续下一个像素元扫描。

Images