CN117115669A - 双条件质量约束的对象级地物样本自适应生成方法及系统 - Google Patents
双条件质量约束的对象级地物样本自适应生成方法及系统 Download PDFInfo
- Publication number
- CN117115669A CN117115669A CN202311389219.0A CN202311389219A CN117115669A CN 117115669 A CN117115669 A CN 117115669A CN 202311389219 A CN202311389219 A CN 202311389219A CN 117115669 A CN117115669 A CN 117115669A
- Authority
- CN
- China
- Prior art keywords
- sample
- ground
- ground object
- land
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 8
- 238000012876 topography Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06V20/188—Vegetation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种双条件质量约束的对象级地物样本自适应生成方法及系统,包括以下步骤:基于土地利用数据产品,获取设定时间段内地物类型未发生变化的像素,形成土地利用类型像素图;基于土地利用类型像素图,获取各地类样本的中心像素;以各类地物的中心像素作为代表样本点,结合样本尺寸以得到各类地物的样本区块,形成各类地物的样本集;基于各样本区块的多源特征,以样本可分离性和植被指数相关性值作为指标,评估样本集质量;如果不达标,重新获取各类地物的中心像素和样本区块,以生成新的样本集直至达标。本发明自动生成对象级地物样本集,较大程度上节省了计算成本,在保证样本质量的基础上提高了样本生成效率。
Description
技术领域
本发明属于遥感与机器学习相关技术领域,具体涉及一种双条件质量约束的对象级地物样本自适应生成方法及系统。
背景技术
随着卫星传感器类型的增多及计算机技术的快速发展,加上计算和数据存储能力的提高,使得大量卫星数据和复杂的机器学习大框架模型用于大面积土地覆盖制图以及目标提取变为了一种常态。随着机器学习和深度学习的发展,遥感影像目标提取及分类精度得到了较为明显的提高。但往往高质量分类精度的前提条件是需要充足且高质量的训练样本数据,故训练样本数据的准备是首要任务,更是直接影响了分类结果。
为此,国内外大量学者对如何高效且准确的获取地物训练样本做了大量的研究。其中,用最为广泛的一种样本选择方式便是结合遥感影像的人工目视解译方法,例如结合野外调查数据使用人工目视解译的方式得到了分类样本集,并计算了样本可分离度,结果显示样本间可分离性较好。但该方法在一定程度上具有局限性,该种方式需要人工对每一个样本数据进行判断与选择,大范围区域的样本选择不仅费时费力,同时也增加了人为主观性因素的影响。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足,提供一种双条件质量约束的对象级地物样本自适应生成方法及系统,自动生成对象级地物样本集,较大程度上节省了计算成本,在保证样本质量的基础上提高了样本生成效率。
本发明采用的技术方案是:一种双条件质量约束的对象级地物样本自适应生成方法,包括以下步骤:
基于土地利用数据产品,获取设定时间段内地物类型未发生变化的地类像素,形成土地利用类型像素图;
基于土地利用类型像素图,获取各类地类样本的中心像素;
以各类地物的中心像素作为其相应的代表样本点,结合样本尺寸,得到各类地物的样本区块;
获取各样本区块的多源特征作为其对应的标签,形成各类地物的特征集;
以样本可分离性和植被指数相关性值作为指标,评估样本集;如果不达标,重新获取各类地物的中心像素和样本区块,以生成新的样本集直至达标。
上述技术方案中,获取设定时间段内未发生变化的若干地类像素的过程包括:在线调用若干年份土地利用数据产品,对其重分类至特定的分类体系;筛选出在设定年数内地物类型未发生变化像素。
上述技术方案中,判定待评估样本集的样本可分离性符合设定标准后,再评估其植被指数相关性值是否达标。
上述技术方案中,获取任一地类的代表样本点的过程包括:针对土地利用类型像素图,采用设定的邻域尺寸的单位核函数对其进行滤波处理;基于设定的邻域尺寸,选择邻域均为同一种地物类型的中心像素位置作为该地物类型的代表样本点。
上述技术方案中,获取任一类地物样本区块的过程包括:基于设定的邻域尺寸,获取以中心像素为基准的四个斜角点像素;单向连接四个斜角点像素构成样本的边界线,形成样本区块。
上述技术方案中,针对不达标的样本集,重新设定邻域尺寸,再次执行获取各类地物的中心像素、样本区块和样本集的过程。
上述技术方案中,所述多源特征包括:波段特征、植被指数特征、纹理特征、极化特征和地形因子。
上述技术方案中,任意两种地物类型样本集之间,在任一种特征上的样本可分离性J-M的计算公式如下:
;
上式中,B为待计算的两种地物类型样本之间的巴氏距离;
所述巴氏距离B的计算公式如下所示:
;
上式中,i和j表示两种地物类型Ci和Cj的编号,mi表示地物类型Ci的样本集中各样本在该特征上的平均值,δi表示地物类型Ci的样本集中各样本在该特征上的方差;mj表示地物类型Cj的样本集中各样本在该特征上的平均值,δj表示地物类型Cj的样本集中各样本在该特征上的方差;
针对每两种地物类型的样本集间在所有维度特征上的J-M值取均值,以得到所有地物类型的样本集在多维特征上的J-M值。
上述技术方案中,任意两种地物类型的样本集,其植被指数相关性值PXY的计算公式如下:
;
其中,X和Y分别指由任意两种地物类型的样本计算而构成的植被指数数据集合;cov(X ,Y)为X和Y的协方差;σXσY是X和Y的标准差乘积;E(X)和E(Y)分别是X和Y的数学期望;
针对不同地物类型的样本集,获取每两种地物间植被指数相关性值,并进行均值处理,得到所有地物类型的样本集的植被指数相关性值。
本发明还提供了一种双条件质量约束的对象级地物样本自适应生成系统,其特征在于:该系统用于上述技术方案所述的一种双条件质量约束的对象级地物样本自适应生成方法。
本发明提出了双条件质量约束的对象级地物样本自适应生成方法及系统,其有益效果在于:本发明建立了一个根据样本质量进行自适应调整样本尺寸,进而自动生成样本集的整体框架,其可扩展性较强。对于需要大量对象级样本数据的实验场景中具有较强的应用价值,一方面该方法在现有的常用土地利用数据产品数据上,获取较为集中分布且长时间未变化的不同地类块,将其作为样本提取的基础数据,有效反映地物特征。另一方面使用多源遥感数据构建特征空间,采用样本可分离度为主,地类间样本植被指数相关性指标为辅来评价样本质量,通过样本质量反馈的方式自动调整样本尺寸,以实现反复优化样本质量的目的。
进一步地,本发明在现有土地利用数据产品基础上,采用多年份产品叠加生成地类像素图像,可有效提高各个像素的地类代表性,有利于后文高质量样本生成。
进一步地,本发明先后采用样本可分离性以及植被指数相关性值作为指标对样本集进行评价,可有效提高指标评价过程的稳健性的同时,提高评价过程的效率,当判定数据集的样本可分离性不达标后,直接返回样本选择环节重新设定邻域尺寸。
进一步地,本发明通过使用样本点结合邻域尺寸的空间卷积滤波器处理,可以得到同类像素较为集中分布的区域块,有效提取出具有代表性的样本点以表征特定类型的地物特征,提高样本集的有效性。
进一步地,本发明以中心像素结合周围斜角像素点的方式生成样本对象块,有利于调整样本位置,加快样本生成速率。
进一步地,本发明针对不达标的样本集,返回重新设定空间卷积滤波器的邻域尺寸,进而调整样本选取的范围和位置,该循环机制自动化程度高且易于执行,有效节约了计算成本的同时保证了调整的有效性。
进一步地,本发明通过构建多维特征空间,以计算各个样本的训练标签,有效反映出样本的特性,提高样本集的利用价值。
进一步地,本发明通过构建多维特征空间,提出不同地物间JM距离均值和植被指数相关性值的计算方法,有效评估样本集的有效性,从而提高了后续模型训练结果的精度。
进一步地,本发明施加双阈值的方法,有效地提高了整个系统自动循环进程质量,以生成高质量样本对象块。该方法和系统对于一些需要大量对象级样本数据的实验场景中具有较强的应用价值。
附图说明
图1是本发明的方法流程示意图。
图2是空间卷积滤波处理流程图。
图3是样本质量反馈生成样本集流程图。
图4是质量反馈选取最优样本参数的结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
本发明采用的技术方案是:一种双条件质量约束的对象级地物样本自适应生成方法,包括以下步骤:
基于土地利用数据产品,获取设定时间段内地物类型未发生变化的地类像素,形成土地利用类型像素图;
基于土地利用类型像素图,获取各类地类样本的中心像素;
以各类地物的中心像素作为其相应的代表样本点,得到各类地物的样本区块形成各类地物的样本集;
基于各样本区块的多源特征,样本可分离性和植被指数相关性值作为指标,评估样本集;如果不达标,重新获取各类地物的中心像素和样本区块,以生成新的样本集直至达标。
如图1所示,本具体实施例包含以下步骤:
(一)土地利用数据产品筛选与处理:在线调用符合需求的多年份土地利用数据产品,对其重分类至特定的分类体系,进一步筛选两年间未发生变化的地类像素。
(二)空间卷积滤波操作:在(一)的基础上对影像所有像素使用空间卷积滤波器进行处理,一方面是为获取同地类、不同邻域尺寸的中心像素,另一方面为了降低现有产品数据带来的“噪声”影响。
(三)结合中心像素和邻域的对象级样本生成:基于(二)获取到的中心像素和邻域尺寸,进一步生成邻域内为同地物类型的样本区块,进而形成各类地物的样本集。
(四)多源数据预处理及特征空间构建:通过在线调用遥感数据和其他辅助数据,对数据源进行预处理以及时空筛选等操作,依此针对每个样本集构建不限于光谱特征、雷达特征和纹理特征等所构成的特征空间。
(五)基于样本质量的对象级样本参数的自适应调整:采用J-M值和植被指数相关性值作为样本质量评估指标,分别设定J-M指标阈值T1和植被指数相关性指标阈值T2,当计算的J-M值和植被指数相关性值有其一达不到阈值T的要求时则返回(二)重新获取中心像素,进一步在(三)中获取新的样本数据,直至所有地类间满足阈值要求。
下面结合具体实施例进一步说明本发明的方法步骤原理:
S1.土地利用数据产品筛选与处理
根据研究目的筛选与调用符合要求的多年份土地利用数据产品。根据场景选择的高空间、时间分辨率的土地类型分类图像数据,即为土地利用数据产品。本具体实施例筛选出2021年和2020年欧空局全球覆盖产品(European Space Agency World Cover,ESA),以林地、草地、耕地、建筑和水体作为分类体系(Class_A)为例。
ESA数据是面向全球土地覆盖的产品,其原始产品分类体系(Class_B)与本示例分类体系Class_A具有一定的差异。因此,需对分类体系在原始ESA数据基础上重分类,将ESA数据分类体系视为一个列表,并筛选出Class_B中的分类类型,将其映射到一个新的列表,GEE中使用remap函数可以简单实现。
为了降低两个年份的分类产品自身的分类误差所带来的影响,在GEE中进一步使用eq函数(式1)和updateMask(式2)函数进行筛选两年份间每一种地物类型未发生改变的所有像素。具体函数表达式如下:
(1);
(2);
其中,eq函数表达式可解释为若是两年份分类产品的对应像素值P1等于P2,则结果返回为 1;否则结果为 0,通过该函数可以得到一幅像素为0和1的二值图像。针对updateMask函数,其将eq函数处理得到的结果图的像素值Pmask进行输入,如果 Pmask值等于1,那么结果便将原始图Pimage1返回至图对应位置的像素Pimage2;否则返回结果就是 0,通过该函数处理得到包含重分类对应体系且未发生变化的土地利用类型像素图。
S2.空间卷积滤波处理
为了减少现有土地利用数据产品数据地物类型的空间差异,特别是存在于像素之间的边缘效应,进而降低地理定位误差和可变跨层空间效应的影响,采用一种基于空间卷积滤波的思想对每个地类的各个像素进行操作。根据步骤S1获取的土地利用处理结果图,采用当前循环流程设定的邻域尺寸(Neighbor Size,NS)的单位核函数对像素图进行滤波操作,该操作的目的是使选取的样本具有代表性,选择邻域均为同一种地物类型的中心像素位置(Center Pixel Location,CPL)作为该地物类型的代表样本点,并且在一定程度上也降低了“椒盐现象”带来的样本选择不确定性等因素。具体定义公式如下:
(3);
其中,i和j指的是样本代表点(即所取的中心像素)所在邻域的长和宽;样本代表点与其邻域所包含的区间作为所取样本;Pi,j表示土地利用类型像素图中所取的中心像素的邻域第i行第j列元素,Ki,j表示单位核函数的第i行第j列的元素,n表示单位核函数的行或列的个数。N表示所取样本各像素与单位核函数卷积计算得到的结果。i,j参数值是根据循环次数自动更新的。执行步骤S2时,i和j按照公式(4)取值。当执行到步骤S5时,判定当前生成的样本集不符合样本质量要求,则重新返回步骤S2,重新对i和j进行取值。
i和j参数取值均与循环次数有关,其关系公式如下:
i=j=k+2(4);
其中,k指的是循环次数。
计算过程如图2,该示意图显示为当流程处于第一次循环(k=1)时,针对中心像素邻域和卷积核均为3×3(i,j=3)的邻域,当样本的像素均为同一种地物类型时,如果样本与均为1的单位卷积核进行卷积的计算结果等于卷积核像素个数(即i·j==N ),此种情形便将CPL保留下来作为样本中心像素,否则便将其舍弃。
最终所形成样本中心像素集满足下式:
(5);
其中,W是空间卷积滤波处理后的样本中心像素集,i和j为单位核函数的行数与列数,与公式(3)中的取值保持一致;N指的是公式(3)得到的结果,V是空间卷积滤波处理后保留的样本中心像素集(部分样本对象中的像素不全为同种地类),0即代表空间卷积滤波处理后舍弃的样本中心像素集。
S3.对象级样本生成
针对对象级样本的生成,采用一种结合中心像素位置和缓冲邻域的思想,即针对步骤S2中所得到的样本中心像素集,根据当前循环过程中在步骤S2所选定的NS大小进行缓冲区操作,以此得到本次循环过程中的样本区块,作为对象级样本。获取以中心像素为基准的四个斜角点像素位置组成的点集Q,公式如下:
(6);
其中,P代表斜角点像素点,i,j的取值与公式(3)相同,k指当前的循环流程次数编号。
依此单向连接获取到的四个斜角点像素构成样本的边界线,生成样本区块。基于每个样本区块所述的地物类型进行整合,得到各类地物的样本集,样本集中的单个样本信息为相应的样本区块包含的图像信息。
S4.多源特征空间构建
通过调用GEE平台上的光学卫星影像(如Sentinel-2、Landsat等)和雷达卫星数据(如Sentinel-1),对光学遥感数据进行去云(雪)、时间筛选及中值合成操作,而对雷达数据可采用Refine-Lee滤波进行去噪及时空筛选相关处理,外加其他辅助数据(如高程数据),获取每个样本区块的多源数据。根据多源数据可构建每个样本区块的光学、雷达以及地形因子等特征,示例如表1所示。
表1 特征空间数据集
特别的,波长范围处于670~760nm之间的红边波段对于不同覆被的区分具有良好的效果;差值极化特征与比值极化特征跟地物表面的粗糙度有关,前者可以有效地区分林地和草地等的差异性,后者有利于区分水体、道路与植被等地物类型。此外,其中计算纹理特征是基于灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)实现的,但GLCM算法需要灰度8位图像作为输入,故通过初始合成图像的近红外、红色和绿色波段的线性组合生成灰度图像(Gray),其实现公式如下:
(7);
其中,NIR为影像的近红外波段,Red和Green分别为影像的红色波段和绿色波段。
基于研究数据集中的多源数据,计算得到每个样本区块相应的多源特征,每个样本集各样本相应的多源特征形成多源特征空间,用于后续评价样本集质量。
S5.样本质量评估及数据集生成
基于样本质量的对象级样本参数的自适应调整基本思路是:根据样本的质量评估结果,若样本质量较好,则输出样本集;反之,则返回至S2进一步调整SCF的NS,进而生成在该NS下的对象级样本集,依此继续评估其样本质量。以J-M距离和植被指数相关性值作为样本质量评估的指标,为了确保样本的高质量,需要在确保满足J-M距离评估指标的基础上再满足植被指数相关性指标,通过样本质量反复的反馈以实现高质量对象级样本集的生成,如图3所示。
该部分内容充分考虑了不同尺寸的样本的光谱、纹理以及极化等特征具有一定的差异,例如不同尺寸的物体会对不同波长的光具有不同的吸收和反射特性,会导致遥感影像上的光谱特征发生一定的改变;较小尺寸的样本可能在纹理上显示出更细微的细节,而较大的样本可能在纹理上显示出更大的结构特征;此外,样本尺寸可以影响光的偏振特性的解释和表达。本发明最终生成的样本集能同时满足样本可分离性和植被指数相关性值双指标阈值要求,在两种特征表达上取得最佳平衡。
样本质量一般可以使用人工目视检验法、样本可分离性法及样本相关性分析法等方法进行评估。其中,人工目视检验人力和时间成本比较高,故在以往的研究中样本可分离性法使用较多,J-M距离是通过计算地类之间的差异,是一种具有通用性的定量评价方式,J-M值分布在0~2之间,值越大则代表了样本的可分性越好,样本质量越高,若其值处于1.8~2.0之间则说明样本的可分离性比较好,处于1.4~1.8之间则样本的选择合格,当J-M值小于1.4时则说明样本之间的可分离性较差。任意两种地物类型的样本集之间在任一种特征上的样本可分离性J-M的计算公式如下:
(8);
上式中,B为待计算的两种地物类型样本之间的巴氏距离;
所述巴氏距离B的计算公式如下所示:
(9);
上式中,i和j表示两种地物类型Ci和Cj的编号,mi表示地物类型Ci的样本集中各样本在该特征上的平均值,δi表示地物类型Ci的样本集中各样本在该特征上的方差;mj表示地物类型Cj的样本集中各样本在该特征上的平均值,δj表示地物类型Cj的样本集中各样本在该特征上的方差;
针对每两种地物类型的样本集间在所有维度特征上的J-M值取均值,以得到所有地物类型的样本集在多维特征上的J-M值。
本具体实施例的样本质量评价指标是结合J-M值和Person值双指标构成,样本植被指数相关性分析法分析样本质量是观察评估特征在同类样本间和不同类样本间植被指数相关性表现,一般情况下同类样本间聚集程度高,不同类样本间植被指数相关性低则说明样本质量较高。相关性指标包括皮尔逊(Person)相关系数、斯皮尔曼相关系数或卡方检验等,常用Person相关系数来表达样本的相关性。
任意两种地物类型的样本集的植被指数相关性值PXY的计算公式如下:
(10);
其中,X和Y分别指由任意两种地物类型的样本计算而构成的植被指数数据集合;cov(X ,Y)为X和Y的协方差;σXσY是X和Y的标准差乘积;E(X)和E(Y)分别是X和Y的数学期望;
针对不同地物类型的样本集,获取每两种地物间植被指数相关性值,并进行均值处理,得到所有地物类型的样本集的植被指数相关性值。
当相关系数处于0.8~1.0时,变量之间是高度相关的;处于0.5~0.8的变量之间处于中度相关;处于0.3~0.5时,变量之间具有低相关性性;而处于0~0.3时,变量之间具体弱相关性或几乎没有相关性。
本具体实施例针对单次循环生成样本集首先计算其J-M值,判定其大于设定阈值后,再来计算样本集的植被指数相关性;反之则直接返回步骤S2,重新选择领域尺寸开始下一次循环流程。如果样本集的植被指数相关性小于设定阈值,则判定样本集合格并输出,反之则直接返回步骤S2,重新选择领域尺寸开始下一次循环流程。
本次发明方法应用至XX市作为实例应用,以2021年和2020年欧空局全球覆盖产品作为基础数据源;分类体系包括林地、草地、耕地、建筑和水体五种地物类型;选择的遥感数据源包括Sentine-2和Sentinel-1,为了获得高质量的影像数据,均对二者进行了去噪以及整年合成操作;此外构建的特征空间包括原始光谱波段、极化特征、光谱指数以及纹理特征。在上述数据及特征准备环节的基础上,本具体实施例为了获得高质量样本集,将J-M值阈值设置为1.9,不同地类间植被指数相关性指标阈值设置为0.1,由于建筑和水体易于与上述植被区分,而三种植被之间的光谱差异较小,需要作为重点研究的对象。故根据根据图4所示,通过多次质量反馈的结果,自行调节不同中心像素的位置以及中心像素邻域的尺寸,反馈循环了一共8次得到了最优结果,其三种植被之间的J-M值均达到了1.9以上,不同类间的MTCI植被指数也达到了0.1以下,故该部分样本集满足样本质量要求(表2),且该部分的样本集是由17×17邻域的样本块所构成。
表2 不同地类间MTCI相关性分析
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种双条件质量约束的对象级地物样本自适应生成方法,其特征在于:包括以下步骤:
基于土地利用数据产品,获取设定时间段内地物类型未发生变化的像素,形成土地利用类型像素图;
基于土地利用类型像素图,获取各类地类样本的中心像素;
以各类地物的中心像素作为其相应的代表样本点,结合样本尺寸,得到各类地物的样本区块,形成各类地物的样本集;
基于各样本区块的多源特征,以样本可分离性和植被指数相关性值作为指标,评估样本集;如果不达标,重新获取各类地物的中心像素和样本区块,以生成新的样本集直至达标。
2.根据权利要求1所述的方法,其特征在于:获取设定时间段内未发生变化的若干地类像素的过程包括:在线调用若干年份土地利用数据产品,对其重分类至特定的分类体系;筛选出在设定年数内地物类型未发生变化像素。
3.根据权利要求1所述的方法,其特征在于:判定待评估样本集的样本可分离性符合设定标准后,再评估其植被指数相关性值是否达标。
4.根据权利要求1所述的方法,其特征在于:获取任一地类的代表样本点的过程包括:针对土地利用类型像素图,采用设定的邻域尺寸的单位核函数对其进行滤波处理;基于设定的邻域尺寸,选择邻域均为同一种地物类型的中心像素位置作为该地物类型的代表样本点。
5.根据权利要求4所述的方法,其特征在于:获取任一类地物样本区块的过程包括:基于设定的邻域尺寸,获取以中心像素为基准的四个斜角点像素;单向连接四个斜角点像素构成样本的边界线,形成样本区块。
6.根据权利要求5所述的方法,其特征在于:针对不达标的样本集,重新设定邻域尺寸,再次执行获取各类地物的中心像素、样本区块和样本集的过程。
7.根据权利要求5所述的方法,其特征在于:所述多源特征包括:波段特征、植被指数特征、纹理特征、极化特征和地形因子。
8.根据权利要求1所述的方法,其特征在于:任意两种地物类型样本集之间,在任一种特征上的样本可分离性J-M的计算公式如下:
;
上式中,B为待计算的两种地物类型样本之间的巴氏距离;
所述巴氏距离B的计算公式如下所示:
;
上式中,i和j表示两种地物类型Ci和Cj的编号,mi表示地物类型Ci的样本集中各样本在该特征上的平均值,δi表示地物类型Ci的样本集中各样本在该特征上的方差;mj表示地物类型Cj的样本集中各样本在该特征上的平均值,δj表示地物类型Cj的样本集中各样本在该特征上的方差;
针对每两种地物类型的样本集间在所有维度特征上的J-M值取均值,以得到所有地物类型的样本集在多维特征上的J-M值。
9.根据权利要求1所述的方法,其特征在于:任意两种地物类型的样本集,其植被指数相关性值PXY的计算公式如下:
;
其中,X和Y分别指由任意两种地物类型的样本计算而构成的植被指数数据集合;cov(X,Y)为X和Y的协方差;σXσY是X和Y的标准差乘积;E(X)和E(Y)分别是X和Y的数学期望;
针对不同地物类型的样本集,获取每两种地物间植被指数相关性值,并进行均值处理,得到所有地物类型的样本集的植被指数相关性值。
10.一种双条件质量约束的对象级地物样本自适应生成系统,其特征在于:该系统用于实现权利要求1-9任一项所述的一种双条件质量约束的对象级地物样本自适应生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389219.0A CN117115669B (zh) | 2023-10-25 | 2023-10-25 | 双条件质量约束的对象级地物样本自适应生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389219.0A CN117115669B (zh) | 2023-10-25 | 2023-10-25 | 双条件质量约束的对象级地物样本自适应生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115669A true CN117115669A (zh) | 2023-11-24 |
CN117115669B CN117115669B (zh) | 2024-03-15 |
Family
ID=88809674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311389219.0A Active CN117115669B (zh) | 2023-10-25 | 2023-10-25 | 双条件质量约束的对象级地物样本自适应生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115669B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726902A (zh) * | 2023-12-19 | 2024-03-19 | 中国科学院空天信息创新研究院 | 一种基于Sentinel2时序曲线分布的大豆样本生成方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
CN115953685A (zh) * | 2023-01-18 | 2023-04-11 | 内蒙古农业大学 | 多层多尺度分割的农用大棚类型信息提取方法及系统 |
CN115984689A (zh) * | 2022-12-21 | 2023-04-18 | 中国科学院地理科学与资源研究所 | 一种多尺度地表复杂性特征提取及其土地利用分割方法 |
US20230186606A1 (en) * | 2020-08-30 | 2023-06-15 | Southwest Electronics Technology Research Institute (China Electronics Technology Group Corporation | Tensor Collaborative Graph Discriminant Analysis Method for Feature Extraction of Remote Sensing Images |
US20230255133A1 (en) * | 2020-07-10 | 2023-08-17 | Institut Biosens - Istrazivacko-Razvojni Institut Za Informacione Tehnologije Biosistema | System and method for intelligent soil sampling |
-
2023
- 2023-10-25 CN CN202311389219.0A patent/CN117115669B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230255133A1 (en) * | 2020-07-10 | 2023-08-17 | Institut Biosens - Istrazivacko-Razvojni Institut Za Informacione Tehnologije Biosistema | System and method for intelligent soil sampling |
US20230186606A1 (en) * | 2020-08-30 | 2023-06-15 | Southwest Electronics Technology Research Institute (China Electronics Technology Group Corporation | Tensor Collaborative Graph Discriminant Analysis Method for Feature Extraction of Remote Sensing Images |
CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
CN115984689A (zh) * | 2022-12-21 | 2023-04-18 | 中国科学院地理科学与资源研究所 | 一种多尺度地表复杂性特征提取及其土地利用分割方法 |
CN115953685A (zh) * | 2023-01-18 | 2023-04-11 | 内蒙古农业大学 | 多层多尺度分割的农用大棚类型信息提取方法及系统 |
Non-Patent Citations (2)
Title |
---|
XIA ZHANG等: "《Crop Classification Based on Feature Band Set Construction and Object-Oriented Approach Using Hyperspectral Images》", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 9, no. 9 * |
眭海刚 等: "《多时相遥感影像变化检测方法综述》", 《武汉大学学报信息科学版》, vol. 43, no. 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726902A (zh) * | 2023-12-19 | 2024-03-19 | 中国科学院空天信息创新研究院 | 一种基于Sentinel2时序曲线分布的大豆样本生成方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117115669B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
Roberts et al. | Assessment of image fusion procedures using entropy, image quality, and multispectral classification | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN105069468B (zh) | 基于脊波和深度卷积网络的高光谱图像分类方法 | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
CN109376600A (zh) | 多光谱遥感影像综合特征云检测方法及装置 | |
Xue et al. | Shortwave radiation calculation for forest plots using airborne LiDAR data and computer graphics | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
JP6943251B2 (ja) | 画像処理装置、画像処理方法及びコンピュータ読み取り可能記録媒体 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
Xu et al. | Retrieving global leaf chlorophyll content from MERIS data using a neural network method | |
CN114821349A (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
Fayad et al. | Hy-TeC: a hybrid vision transformer model for high-resolution and large-scale mapping of canopy height | |
Franklin | Land cover stratification using Landsat Thematic Mapper data in Sahelian and Sudanian woodland and wooded grassland | |
Zahidi et al. | An end-to-end hyperspectral scene simulator with alternate adjacency effect models and its comparison with cameosim | |
CN116879192A (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
van Leeuwen et al. | Understanding limits of species identification using simulated imaging spectroscopy | |
Fayad et al. | Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights | |
Kozoderov et al. | Cognitive technologies for processing optical images of high spatial and spectral resolution | |
Czerkawski et al. | Deep Internal Learning for Inpainting of Cloud-Affected Regions in Satellite Imagery. Remote Sens. 2022, 14, 1342 | |
Sun et al. | Method for extracting corn planting plots in the Loess Plateau region based on the improved HRNet and NDVI time series | |
Murata et al. | Three-dimensional leaf edge reconstruction using a combination of two-and three-dimensional phenotyping approaches |
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 |