CN116030352A - 融合多尺度分割和超像素分割的长时序土地利用分类方法 - Google Patents

Abstract

本发明涉及融合多尺度分割和超像素分割的长时序土地利用分类方法，属于遥感科学技术领域。通过获取的长时序遥感影像，计算得到土地利用分类的辅助特征，将遥感影像与辅助特征进行融合，对融合后的影像分别进行多尺度分割和SLIC分割，采用深度学习方法分别对分割后的遥感影像进行分类并进行精度评价，利用DS证据融合方法将两种分类结果进行融合，得到长时序高精度的土地利用分类结果。该方法更好地发挥两种分割方法的优势，显著提高土地利用分类精度和效率。

Description

融合多尺度分割和超像素分割的长时序土地利用分类方法

技术领域

本发明涉及一种土地利用分类方法， 具体涉及一种融合多尺度分割和超像素分割的长时序土地利用分类方法，属于遥感科学技术领域。

背景技术

遥感是土地利用监测和调查的一项重要技术。遥感技术具备信息量大、周期短、速度快等特点，并且随着遥感技术在不断进步与发展，遥感影像数据的空间、光谱分辨率也越来越高，为使用高分辨率遥感图像进行土地利用识别提供了较好的数据支撑。近年来深度学习的快速发展使得影像解译精度极大提升，为土地利用类型快速、高精度分类提供支撑。

多尺度分割和SLIC（超像素）分割是当前常用的分割算法，其目的都是分割得到地物对象。多尺度分割方法分割得到的对象更贴合地物本身的形状，但是CNN网络需要固定影像大小的输入，这就使得固定影像块中存在较多的除了该地物之外的其他地物；SLIC分割得到的对象无法很好地贴合地物本身形状，但是可以分割出较为规整的用地类型，因此方便使用固定尺寸大小的影像块，可更加充分地表达SLIC影像对象。两种分割方法各有利弊。如何更好地发挥各自的优势，使土地利用分类结果更贴合地物本身的形状，同时分割出较为规整的用地类型，提升土地利用分类精度和效率是有待解决的问题。

专利CN115187511 A，公开了一种基于自监督转换的异质遥感图像变化检测方法，包括以下步骤；步骤1)：对原始遥感图像进行图像像素离散化；步骤2)：对步骤1)离散化后的图像进行超像素分割和边界整合，超像素特征提取和分析，得到带标记像素对；步骤3)：根据步骤2)中得到的标记像素对，即可靠变化和不变像素对，将事前和事后异质遥感图像转换到一个公共特征空间，然后通过前向和后向变化得到两种差异图像；步骤4)：将步骤3)中的差异图像进行证据融合及基于先验扩充训练数据；步骤5)：将步骤4)的训练数据导入训练分类器模型生成变化检测结果。该方法对原始遥感影像采用了图像像素离散化，没有用辅助特征进行波段融合，不能很好地保留地物的光谱、纹理及色彩等信息，在提高遥感影像空间分辨率方面效果不大，且只采用了超像素分割方法，没有另外一种方法作对比体现分割效果，该方法对超像素分割得到的前向和后向变化得到的两种差异图像进行证据融合，得出的融合结果较为片面。专利CN 113963222 A，公开了一种基于多策略组合的高分辨率遥感影像变化检测方法，虽然它有用到DS融合，但其一它的分割方法为使用主成分分析法，将两时相遥感影像进行波段叠加，然后进行主成分分析，取前3波段进行影像分割，利用分割结果的矢量对原始遥感影像重新进行分割，仍然是单一分割方法；其二它DS融合的目的是判断不同时相的影像中地物是否发生变化，即主要判别地表覆盖变化情况，不是得到一个融合的结果；其三它在分割后用了几个光谱特征因子，主要作用是用来对前后时相影像进行相应的变化判断，并非帮助获得更丰富的光谱信息。所以这些技术都没有解决上述问题。

发明内容

本发明的目的是克服上述不足，而提供一种融合多尺度分割和超像素分割的长时序土地利用分类方法，更好地发挥两种分割方法的优势，显著提高土地利用分类精度和效率。

本发明采取的技术方案为：

融合多尺度分割和超像素分割的长时序土地利用分类方法，包括步骤如下：

S1.根据待测土地范围、长时序遥感影像年份和所需要的影像波段信息获取原始遥感影像，并进行预处理；

S2.计算土地利用分类辅助特征：辅助特征有归一化植被指数（NDVI）、归一化水体指数（NDWI）、归一化建筑指数（NDBI）；

S3.将获取的遥感影像波段与计算的辅助特征波段进行波段融合；所述的波段融合为将红、绿、蓝、近红外四个波段的遥感影像与三个波段的辅助特征进行波段融合，得到波段数为7个的遥感影像；

S4.对融合后的遥感影像分别进行多尺度分割和SLIC分割，用多尺度分割得到对象尺度分类结果，SLIC分割得到对象要素分类结果；所述的SLIC分割过程包括优化聚类，面向对象分割，利用构建的残差多维度分类网络进行分类并用交叉熵损失函数训练分类模型，对残差多维度分类网络模型进行精度评价确保SLIC分割的结果正确；

S5. 利用DS融合方法将两种分类结果进行融合，得到长时序高精度的土地利用分类结果。

上述方法中步骤S1所述的所需要的影像波段为红、绿、蓝、近红外四个波段的遥感影像；所述的长时序遥感影像每年同时间段同研究区的数据作为一个样本。所述的预处理过程包括几何校正、图像配准、辐射定标、大气校正、影像融合、镶嵌和裁剪。

步骤S2中，所述的归一化植被指数（NDVI）、归一化水体指数（NDWI）、归一化建筑指数（NDBI），计算公式如下：

，

，

，

NIR：近红外波段的像元值；Red：红外波段的像元值；Green：绿波段的像元值；MIR：中红外波段的像元值。

步骤S3所述的波段融合过程为基于ENVI5.1软件进行多光谱波段辐射定标、大气校正、全色波段辐射定标和图像融合操作。

步骤S4所述的多尺度分割过程包括选定最优分割尺度，利用光谱异质性和形状异质性函数加权来确定均质性因子，制作分割辅助图层，利用eCognition软件完成影像分割。

步骤S4所述的对残差多维度分类网络模型进行精度评价采用IoU（交并比）、Precision（准确率）、Recall（召回率）、F-score（调和平均数）四个精度评价指标检验，在设定的阈值范围内IoU越接近于1、Precision越大、Recall越大、F-score越大说明分类网络模型可用性越高，SLIC分割的结果越正确。所述的SLIC分割采用的残差多维度分类网络首先利用一个3×3卷积将融合后的遥感影像七个波段转换为多波段的深度特征，然后利用四个残差块进一步实现更深层次的遥感影像语义特征提取，其中每一个残差块都由一个卷积残差结构和一个恒等残差结构连接组成，通过四个残差块分别提取四种维度的深层特征，将四种维度的特征分别进行不同程度的上采样操作，得到与原始遥感影像尺寸相同的特征图，最后利用一个1×1卷积获得最终的分类结果。

步骤S5所述的DS融合是通过搭建鉴别框架，确立命题条件，计算各条件的基本概率分配和总信任函数，并在决策分类规则下，根据总信任函数对地类划分归属类别，得到DS融合分类结果。

本发明的另一目的是提供一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如上所述的融合多尺度分割和超像素分割的长时序土地利用分类方法中的步骤。

一种融合多尺度分割和超像素分割的长时序土地利用分类设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的融合多尺度分割和超像素分割的长时序土地利用分类方法。

本发明通过获取的长时序遥感影像，计算得到土地利用分类的辅助特征，将遥感影像与辅助特征进行融合，对融合后的影像分别进行多尺度分割和SLIC分割，采用深度学习方法分别对分割后的遥感影像进行分类并对分类网络进行精度评价，利用DS融合方法将融合两种分类结果进行融合，得到长时序高精度的土地利用分类结果。利用辅助特征进行波段融合可以很好地保留地物的光谱、纹理及色彩等信息，提高遥感影像空间分辨率。残差多维度分类网络利用残差块提取不同维度的影像特征，采用卷积方法对土地进行分类，解决了数据量大且存在非线性特性带来的分类困难的问题，大大提高了分类效率和分类准确度。利用IoU、Precision、Recall、F-score四种精度评价指标可以从不同角度对分类网络进行精度检验，精度检验的结果直接决定残差多维度分类网络的可用性。对图像分别采用两种方法分割，并采用DS融合方法将两种分割方法获得的土地利用结果进行融合，不仅融合了多尺度分割和超像素分割两种方法的优点，而且还能体现出融合前后的变化，可以更全面的展示融合后的结果。本发明可以显著提高土地利用分类精度和效率，避免耗费大量人力物力，为利用土地利用分类结果进行相关研究提供了思路和方法。

附图说明

图1为本发明方法的流程图；

图2为本发明实施例中波段融合结果图；

图3为本发明实施例中多尺度分割结果和SLIC分割结果图；

图4为本发明残差多维度分类网络结构图；

图5为本发明中DS融合多尺度分割和SLIC分割的分类结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

实施例1

融合多尺度分割和超像素分割的长时序土地利用分类方法，包括步骤如下（如图1所示）：

S1.根据待测土地范围、长时序遥感影像年份和所需要的影像波段信息获取原始遥感影像，并进行预处理：

确定研究区范围、长时序遥感影像年份和所需要的影像波段信息。选取内蒙古锡林浩特市为研究区域，利用GEE云平台获取每年6-8月份的红、绿、蓝、近红外四个波段的遥感影像，所述的长时序遥感影像每年同时间段同研究区的数据作为一个样本，对遥感影像进行一系列预处理，所述的预处理过程包括几何校正、图像配准、辐射定标、大气校正、影像融合、镶嵌和裁剪。

S2.计算土地利用分类辅助特征：利用栅格计算方法获取有助于土地利用分类的辅助特征，计算的辅助特征有归一化植被指数（NDVI）、归一化水体指数（NDWI）、归一化建筑指数（NDBI），计算公式如下：

，

，

，

NIR：近红外波段的像元值；Red：红外波段的像元值；Green：绿波段的像元值；MIR：中红外波段的像元值。

基于ENVI5.1软件进行多光谱波段辐射定标、大气校正、全色波段辐射定标、图像融合操作，将获取的四个波段的遥感影像与三个波段的辅助特征进行波段融合，得到波段数为7个波段的遥感影像。四个原始影像波段和三个辅助特征波段融合后的影像如图2所示，图2中a.为原始影像，b为融合NDVI，c为融合NDWI，d为融合NDBI。通过设置定标类型、辐射亮度值、输出存储顺序和数据类型完成多光谱波段辐射定标，通过FLAASH大气校正工具，从相应区域的DEM获得平均值，选择大气模型、气溶胶模型等，设置多光谱参数值完成大气校正，设置全色波段辐射定标参数，通过重采样完成波段融合。

S4.对融合后的遥感影像分别进行多尺度分割和SLIC分割，用多尺度分割得到对象尺度分类结果（如图3所示，图3中a为原始影像，b为多尺度分割结果，c为SLIC分割结果），SLIC分割得到对象要素分类结果：

（1）利用多尺度分割算法对波段融合后的遥感影像进行多尺度分割，得到对象尺度结果。其中分割之后的每个对象的像素信息一致，均为分割前每个对象内各个像素的均值。该算法的分类原则考虑光谱异质性和形状异质性两个要素，即光谱异质性和形状异质性，光谱异质性准则使用地物的光谱信息、影像区域的面积和标准差来定义。光谱异质性的公式为：

，

其中，w_i表示波段i的权重，每个对象像素总数和标准差分别为： α ₁、 σ _1,i 、 α ₂、 σ _2,i ，合并对象的像素总数和标准差为 α _m、 σ _m,i 。

形状异质性是基于紧致度和平滑度来计算。公式如下：

，

，

，

其中 l ₁、 l ₂为两个相邻影像的边界长度， α ₁、 α ₂为两个区域的像素总数， r ₁、 r ₂为两个区域的最小外包矩形的边界长度。 l _m、α_m、 r _m为合并后区域的边界长度、像素总数和最小外包矩形长度， w _compact为紧致度权重因子。

多尺度分割过程包括选定最优分割尺度，利用光谱异质性和形状异质性函数加权来确定均质性因子，制作分割辅助图层，利用eCognition软件完成影像分割。

（2）利用SLIC分割算法对波段融合后的遥感影像进行分割，得到对象要素。主要步骤为a.定义每个像素的特征向量；b.选定聚类的种子点；c.优化聚类算法，搜索尺寸的大小为2S*2S（S表示网格步长）；d.通过颜色距离和空间距离计算得到距离度量D；e. 迭代优化。然后再分别对得到的分类结果进行面向对象分割，按照3：1：1的比例将整个区域随机分为训练区域、验证区域和测试区域，并利用构建的残差多维度分类网络对该影像块进行分类。

残差多维度分类网络（见图4）：首先利用一个3×3卷积将遥感影像的七个波段转换为多波段的深度特征，然后利用四个残差块进一步实现更深层次的遥感影像语义特征。其中每一个残差块都由一个卷积残差结构和一个恒等残差结构连接组成。通过四个残差块分别提取四种维度的深层特征，将四种维度的特征分别进行不同程度的上采样操作，得到与原始遥感影像尺寸相同的特征图，最后利用一个1×1卷积获得最终的分类结果。利用准备好的训练集对残差多维度分类网络进行训练，利用验证集检验每次迭代训练后的模型精度。本发明在模型训练过程采用交叉熵损失函数，其计算方法为：

，

其中y表示影像中地物类别真实值，表示模型预测结果， S为像素数量， L为模型损失值，以此表示模型的误差大小。

根据迭代计算得到的模型损失值大小，采用IoU（交并比）、Precision（准确率）、Recall（召回率）、F-score（调和平均数）四个精度评价指标设置阈值从不同角度检验残差多维度分类网络模型精度，且每迭代一次同时检验一次精度，精度评价指标满足要求表明残差多维度分类网络是可用的，且精度越高、模型损失值越小表明SLIC分割的结果准确率越高。本发明采用IoU、Precision、Recall、F-score四个精度评价指标检验模型精度。公式如下：

IoU=TP/(TP+FP+FN) ，

Precision=TP/(TP+FP) ，

Recall=TP/(TP+FN) ，

，

TP：true positive 实际为正样本预测为正样本，

TN：true negitive 实际为负样本预测为负样本，

FP：false positive 实际为负样本预测为正样本，

FN：false negative 实际为正样本预测为负样本。

在设定的阈值范围内，IoU越接近于1、Precision越大、Recall越大、F-score越大说明分类网络模型可用性越高，SLIC分割的结果越正确。

S5. 利用DS融合方法将两种分类结果进行融合，得到长时序高精度的土地利用分类结果：

在DS融合理论中，设定Θ是一个集合，则有Θ＝｛θ_１，θ_２，…，θ_ｊ，…，θ_Ｎ｝。当某个元素存在一个有效的结果时，而且仅仅存在一个正确的结果，此时把这个集合当做一个识别框架，从所有可能的答案中只能判别出一个正确的答案。在识别框架Θ中把全部的子集合成的一个集合就形成了幂集，记作2^θ，公式如下所示：

2^θ＝｛Φ，｛θ_１｝，｛θ_２｝，…｛θ_１∪θ_２｝，｛θ_１∪θ_３｝，…，Θ｝，

式中：Φ表示空集；｛θ_ｉ∪θ_ｊ｝同样可以写成｛θ_ｉ,θ_ｊ｝，ｉ,ｊ∈［１,ｎ］，且ｉ≠ｊ，根据这个规则继续推断。

在基于SLIC分割的分类结果和基于多尺度分割的分类结果的基础上利用DS融合理论实现两种分类结果的融合。首先搭建鉴别框架，在土地利用分类中，鉴别框架搭建需要土地分类体系的支持，按照现行《土地利用分类》标准和研究区现状将研究区的土地分为7个一级类，分别是耕地、林地、草地、水域、不透水面、工矿用地、裸地，DS 融合理论的土地利用分类系统鉴别框架为：

Θ ={耕地，林地，草地，水域，不透水面，工矿用地，裸地}，

这个框架包括2^θ个命题集，

2^θ={Φ，{耕地}，{林地}，{草地}，{水域}，{不透水面}，{工矿用地}，{裸地}，{耕地，林地}，{耕地，草地}，{耕地，水域}，…，Θ｝。

然后确立命题条件，条件包括耕地与草地、耕地与裸地、耕地与水域、耕地与工矿用地之间不同的形状特征和光谱特征，耕地与林地、草地之间不同的纹理特征，其他类型用地与工矿用地、水域之间不同的颜色特征。对不同的特征的条件进行概率赋值，即用一个具有代表性样本里的条件基本概率值来代表整个区域同一地类的基本概率值，并根据已有条件，分别选取一个已知耕地、林地、草地、水域、不透水面、工矿用地、裸地的样本，统计各个条件在该样本内的图斑面积，通过各地类在样本内的组分比来确定各个条件的基本概率分配，得到七种地类的基本概率分配值。

然后通过得到的七种不同地类的基本概率分配值计算各地类总信任函数值，并设置图斑地类类别最大的组合基本可信度值、图斑地类类别与其它地类类别基本可信度值的差必须大于某一阈值、不确定性概率必须小于某一阈值、目标类别的基本可信度值必须大于不确定性概率这四种分类规则，依据总信任值及四种分类规则，对条件进行GIS叠加和统计分析，最终进行土地利用分割，得到 DS融合分类结果（见图5示例，图5中a为基于多尺度分割的分类结果，b为基于SLIC分割的分类结果，c为DS融合后的分类结果）。遥感影像中的每一个像素即属于超像素分割中的某一个对象，也属于多尺度分割中的某一个对象。

实施例2

一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如上所述的融合多尺度分割和超像素分割的长时序土地利用分类方法中的步骤。

一种融合多尺度分割和超像素分割的长时序土地利用分类设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的融合多尺度分割和超像素分割的长时序土地利用分类方法。

以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.融合多尺度分割和超像素分割的长时序土地利用分类方法，其特征是，包括步骤如下：

S1.根据待测土地范围、长时序遥感影像年份和所需要的影像波段信息获取原始遥感影像，并进行预处理；

S2.计算土地利用分类辅助特征：辅助特征有归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI；

S3.将获取的遥感影像波段与计算的辅助特征波段进行波段融合；所述的波段融合为将红、绿、蓝、近红外四个波段的遥感影像与三个波段的辅助特征进行波段融合，得到波段数为7个的遥感影像；

S4.对融合后的遥感影像分别进行多尺度分割和SLIC分割，用多尺度分割得到对象尺度分类结果，SLIC分割得到对象要素分类结果；所述的SLIC分割过程包括优化聚类，面向对象分割，利用构建的残差多维度分类网络进行分类并用交叉熵损失函数训练分类模型，对残差多维度分类网络模型进行精度评价确保SLIC分割的结果正确；

S5. 利用DS融合方法将两种分类结果进行融合，得到长时序高精度的土地利用分类结果。

2.根据权利要求1所述的融合多尺度分割和超像素分割的长时序土地利用分类方法，其特征是，步骤S1所述的所需要的影像波段为红、绿、蓝、近红外四个波段的遥感影像；所述的长时序遥感影像每年同时间段同研究区的数据作为一个样本。

3.根据权利要求1所述的融合多尺度分割和超像素分割的长时序土地利用分类方法，其特征是，步骤S3所述的波段融合过程为基于ENVI5.1软件进行多光谱波段辐射定标、大气校正、全色波段辐射定标和图像融合操作。

4.根据权利要求1所述的融合多尺度分割和超像素分割的长时序土地利用分类方法，其特征是，步骤S4所述的多尺度分割过程包括选定最优分割尺度，利用光谱异质性和形状异质性函数加权来确定均质性因子，制作分割辅助图层，利用eCognition软件完成影像分割。

5.根据权利要求1所述的融合多尺度分割和超像素分割的长时序土地利用分类方法，其特征是，步骤S4所述的对残差多维度分类网络模型进行精度评价采用交并比、准确率、召回率、调和平均数四个精度评价指标检验。

6.根据权利要求1所述的融合多尺度分割和超像素分割的长时序土地利用分类方法，其特征是，所述的超像素分割采用的残差多维度分类网络首先利用一个3×3卷积将融合后的遥感影像七个波段转换为多波段的深度特征，然后利用四个残差块进一步实现更深层次的遥感影像语义特征提取，其中每一个残差块都由一个卷积残差结构和一个恒等残差结构连接组成，通过四个残差块分别提取四种维度的深层特征，将四种维度的特征分别进行不同程度的上采样操作，得到与原始遥感影像尺寸相同的特征图，最后利用一个1×1卷积获得最终的分类结果。

7. 根据权利要求1所述的融合多尺度分割和超像素分割的长时序土地利用分类方法，其特征是，步骤S5所述的DS融合是通过搭建鉴别框架，确立命题条件，计算各条件的基本概率分配和总信任函数，并在决策分类规则下，根据总信任函数对地类划分归属类别，得到DS融合分类结果。

8.一种存储设备，其为计算机可读存储设备，其特征是，所述的计算机可读存储设备上存储有计算机程序用于实现如上权利要求1-7任一项所述的融合多尺度分割和超像素分割的长时序土地利用分类方法中的步骤。

9.一种融合多尺度分割和超像素分割的长时序土地利用分类设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7任一项所述的融合多尺度分割和超像素分割的长时序土地利用分类方法。

Images