CN117274799A - 基于先验知识和遥感数据的城市绿地提取方法 - Google Patents
基于先验知识和遥感数据的城市绿地提取方法 Download PDFInfo
- Publication number
- CN117274799A CN117274799A CN202311147115.9A CN202311147115A CN117274799A CN 117274799 A CN117274799 A CN 117274799A CN 202311147115 A CN202311147115 A CN 202311147115A CN 117274799 A CN117274799 A CN 117274799A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- priori knowledge
- wave band
- pixel points
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 39
- 238000002310 reflectometry Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000004568 cement Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06V10/20—Image preprocessing
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于先验知识和遥感数据的城市绿地提取方法,方法包括:获取遥感数据并进行预处理得到多光谱影像数据,选择多光谱影像数据的若干个预设波段,设置与每个波段逐一对应的先验知识阈值,波段的像素点与对应的先验知识阈值进行比对,根据比对结果将像素点初始化为第一数值或第二数值,得到若干初步分层数据,基于归一化植被指数对整合数据进行修正后得到修正整合数据;根据修正整合数据和预设的分类规则得到多个地物类型的分布结果。根据先验知识提取的结果质量高,鲁棒性更强,能够快速划分城市绿地和其他地物类型,减少工作量,可广泛应用于数据处理技术领域。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于先验知识和遥感数据的城市绿地提取方法。
背景技术
城市绿地是城市基础建设一个重要指标,利用绿化地物在遥感光谱上的特征,可快速地提取城市绿地范围、位置,为城市规划者提供重要参考。传统遥感方法可以用于提取城市绿化地物。植被指数是一种通过计算遥感数据中的不同波段之间的比值或差异来评估植被覆盖程度的方法。常用的植被指数包括归一化植被指数(NDVI)和绿光植被指数(GVI)。通过计算这些指数,并设置适当的阈值,可以提取城市中的绿化地物。
传统遥感方法在提取城市绿化地物时无法保留其他城市地物类型信息,缺乏对其他地物类型的详细划分。
发明内容
有鉴于此,本发明实施例的目的是提供一种基于先验知识和遥感数据的城市绿地提取方法,能够自动提取绿化地物、水体和不透水面,解决了提取城市绿化地物时无法保留其他城市地物类型信息的问题。
第一方面,本发明实施例提供了一种基于先验知识和遥感数据的城市绿地提取方法,包括以下步骤:
获取遥感数据,对所述遥感数据进行预处理得到多光谱影像数据;
基于所述多光谱影像数据选择若干个预设波段;
基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值,将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果,根据比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值;
将若干所述初步分层数据进行整合得到整合数据;
基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数,基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据;
根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。
可选地,所述基于所述多光谱影像数据选择若干个预设波段,具体包括:
将所述多光谱影像数据输入预设的选择模型;
所述选择模型选择所述多光谱影像数据中的绿色波段、红边波段、水汽吸收波段、短波红外1波段和短波红外2波段。
可选地,所述基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值,具体包括:
基于若干所述预设波段和先验知识生成先验知识阈值表;
根据所述先验知识阈值表设置与每个所述预设波段相对应的所述先验知识阈值。
可选地,所述将每个所述预设波段的像素与对应的所述先验知识阈值进行比对,得到比对结果,根据比对结果将所述像素点初始化为第一数值或第二数值,具体包括:
获取所述像素点在若干所述预设波段的地表反射率数据:
根据所述像素点在同一所述预设波段下的所述地表反射率数据和所述先验知识阈值;
将同一所述预设波段下的所述地表反射率数据和所述先验知识阈值进行比对;
根据所述比对结果和预设的比对规则将所述像素点初始化为第一数值或第二数值。
可选地,所述根据所述比对结果和预设的比对规则将所述像素点初始化为第一数值或第二数值,具体包括:
分别获取所述像素点在绿色波段与第一先验阈值的比较结果、红边波段与第二先验阈值的比较结果、水汽吸收波段与第三先验阈值的比较结果、短波红外1波段与第四先验阈值的比较结果、短波红外2波段与第五先验阈值的比较结果;
将大于所述第一先验阈值的所述像素点初始化为第一数值,将小于所述第一先验阈值的所述像素点初始化为第二数值,得到第一初步分层数据;
将大于所述第二先验阈值的所述像素点初始化为第二数值,将小于所述第二先验阈值的所述像素点初始化为第一数值,得到第二初步分层数据;
将大于所述第三先验阈值的所述像素点初始化为第二数值,将小于所述第三先验阈值的所述像素点初始化为第一数值,得到第三初步分层数据;
将大于所述第四先验阈值的所述像素点初始化为第二数值,将小于所述第四先验阈值的所述像素点初始化为第一数值,得到第四初步分层数据;
将大于所述第五先验阈值的所述像素点初始化为第一数值,将小于所述第五先验阈值的所述像素点初始化为第二数值,得到第五初步分层数据。
可选地,所述将若干所述初步分层数据进行整合得到整合数据,具体包括:
将若干所述初步分层数据进行叠加后得到所述整合数据,叠加公式如下所示:
Y1=x1+x2+x3+x4+x5
式中,Y1是整合数据,数据大小的范围是0到5;x1、x2、x3、x4、x5是所述初步分层数据。
可选地,所述基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数,基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据,具体包括:
获取所述多光谱影像数据中的红色波段和近红外波段;
根据所述红色波段和所述近红外波段计算所述归一化植被指数;
根据所述像素点的所述归一化植植被指数和预设的中间参数计算公式计算得到中间参数;
将所述中间参数对所述整合数据进行修正后得到修正整合数据。
第二方面,本发明实施例提供了一种基于先验知识和遥感数据的城市绿地提取系统,包括:
第一模块,用于获取遥感数据,对所述遥感数据进行预处理得到多光谱影像数据;
第二模块,用于基于所述多光谱影像数据选择若干个预设波段;
第三模块,用于基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值;
第四模块,用于将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果;
第五模块,用于根据比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值;
第六模块,用于将若干所述初步分层数据进行整合得到整合数据;
第七模块,用于基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数;
第八模块,用于基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据;
第九模块,用于根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。
第三方面,本发明实施例提供了一种基于先验知识和遥感数据的城市绿地提取装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述的方法。
实施本发明实施例包括以下有益效果:本发明实施例提供一种基于先验知识和遥感数据的城市绿地提取方法,包括:获取遥感数据,对所述遥感数据进行预处理得到多光谱影像数据;基于所述多光谱影像数据选择若干个预设波段;基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值,将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果,根据比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值;将若干所述初步分层数据进行整合得到整合数据;基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数,基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据;根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。通过获取遥感数据并提取相应的波段后,通过先验知识获取像素点在相应波段的先验阈值,并将像素点初始化为第一数值或第二数值,得到像素点在不同波段的初步分层数据,对初步分层数据进行整合后通过归一化植被指数修正得到修正整合数据,然后根据预设的分类规则得到多个地物类型的分布结果,在提取城市绿地的同时对其他城市地物类型进行自动分层,可以有效地区分城市绿地范围。并且根据先验知识提取的结果质量高,鲁棒性更强,能够快速划分城市绿地,减少工作量。
附图说明
图1是本发明实施例提供的一种基于先验知识和遥感数据的城市绿地提取方法的步骤流程示意图;
图2是本发明实施例提供的另一种基于先验知识和遥感数据的城市绿地提取方法的流程示意图;
图3是本发明实施例提供的研究区的真彩色图;
图4是本发明实施例提供的研究区的绿地、水体、不透水面提取图;
图5是本发明实施例提供的一种基于先验知识和遥感数据的城市绿地提取系统的结构框图;
图6是本发明实施例提供的一种基于先验知识和遥感数据的城市绿地提取装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示,本发明实施例提供了一种基于先验知识和遥感数据的城市绿地提取方法,其包括的步骤如下所示。
S100、获取遥感数据,对所述遥感数据进行预处理得到多光谱影像数据。
其中,遥感数据采用Sentinel-2/Sentinel-1(哨兵2号卫星/哨兵1号卫星)的遥感数据。
参照图2,在一个具体的实施例中,遥感数据的数据源采用Sentinel-2影像的第二级数据,采用一级数据,则需要对影像预处理,包括大气校正、几何校正等处理。对Sentinel-2的遥感数据进行预处理后得到可直接使用的Sentinel-2多光谱影像数据。参照图3,以某区域为研究区,其像素大小是1022x1256。遥感数据具有大尺度、多时相、快速、高效地监测空间分布变化等优点,可以获得精确的土地覆被信息;而通过遥感数据提取绿地时通常无法同时对其他地物类型进行分层。本实施例将Sentinel-2多光谱影像数据通过先验知识进行处理后得到多层数据,对多层数据进行修正后通过预设的分类规则得到多个地物类型的分布结果,在提取城市绿地的同时对其他城市地物类型进行自动分层,可以有效地区分城市绿地范围。
S200、基于所述多光谱影像数据选择若干个预设波段。
具体的,获取到Sentinel-2多光谱影像数据之后,提取多光谱影像数据中相应的多个波段,通过提前提取波段,减少电脑、服务器等终端在运算时的内存占有,处理速度更快。
可选地,所述基于所述多光谱影像数据选择若干个预设波段,具体包括:
S210、将所述多光谱影像数据输入预设的选择模型;
S220、所述选择模型选择所述多光谱影像数据中的绿色波段、红边波段、水汽吸收波段、短波红外1波段和短波红外2波段。
具体的,根据先验知识提前建立一个选择模型,通过建立的选择模型来选择多光谱影像数据中相应的绿色波段、红边波段、水汽吸收波段、短波红外1波段和短波红外2波段。
S300、基于若干所述预设波段和先验绿地知识分别设置与每个所述预设波段逐一对应的先验知识阈值。
具体的,通过提前试验得到的先验知识获取多个预设波段,并设置与每个波段对应的先验知识阈值,先验知识阈值通过大量试验确定的可快速提取分类结果的阈值。
S400、将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果。
具体的,通过将预设波段中像素点的反射率与其相对应的先验知识阈值进行比对,进而得到反射率与先验知识阈值的大小关系。
S500、根据比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值。
具体的,先验知识是根据大量的实验数据提前获取的,根据实验结果总结出的能够准确提取出不同地物类型的先验知识。先将提取的波段的相应像素点与基于先验知识获取的阈值相比较,根据像素点的地表反射率数据与波段对应的阈值的大小,根据不同波段的像素点与波段对应的阈值的比较结果将在对应波段的像素点初始化为第一数值或第二数值,初始化后得到像素点在该波段的初步分层数据,进而得到多个波段对应的多个初步分层数据,一个波段具有一个初步分层数据。
可选地,所述基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值,具体包括:
S310、基于若干所述预设波段和先验知识生成先验知识阈值表;
S320、根据所述先验知识阈值表设置与每个所述预设波段相对应的所述先验知识阈值。
具体的,根据先验知识将与每个提取波段相对应的阈值提前生成先验知识阈值表,将阈值表存储,当提取到相应的波段后自动根据先验知识阈值表获取与波段对应的阈值。若先验知识表中无法查找到与某一波段相对应的阈值则自动报错,重新提取若干个预设波段,再获取阈值,多次后仍无法获取则将出错结果生成报告单,便于查看和修复。
可选地,所述将每个所述预设波段的像素与对应的所述先验知识阈值进行比对,得到比对结果,根据比对结果将所述像素点初始化为第一数值或第二数值,具体包括:
S330、获取所述像素点在若干所述预设波段的地表反射率数据;
S340、根据所述像素点在同一所述预设波段下的所述地表反射率数据和所述先验知识阈值;
S350、将同一所述预设波段下的所述地表反射率数据和所述先验知识阈值进行比对;
S360、根据所述比对结果和预设的比对规则将所述像素点初始化为第一数值或第二数值。
具体的,每个波段的像素点对应相同,多个波段是对同一区域的不同光谱影像,即是获取同一区域的不同光谱图像。获取每一个波段的像素点的地表反射率数据,根据像素点的在某一波段的地表反射率数据与波段对应的阈值相比对,不同波段对应的阈值大小不同,比对后根据像素点的地表反射率数据与阈值大小将像素点初始化为第一数值或第二数值。
可选地,所述根据所述比对结果和预设的比对规则将所述像素点初始化为第一数值或第二数值,具体包括:
S361、分别获取所述像素点在绿色波段与第一先验阈值的比较结果、红边波段与第二先验阈值的比较结果、水汽吸收波段与第三先验阈值的比较结果、短波红外1波段与第四先验阈值的比较结果、短波红外2波段与第五先验阈值的比较结果;
S362、将大于所述第一先验阈值的所述像素点初始化为第一数值,将小于所述第一先验阈值的所述像素点初始化为第二数值,得到第一初步分层数据;
S363、将大于所述第二先验阈值的所述像素点初始化为第二数值,将小于所述第二先验阈值的所述像素点初始化为第一数值,得到第二初步分层数据;
S364、将大于所述第三先验阈值的所述像素点初始化为第二数值,将小于所述第三先验阈值的所述像素点初始化为第一数值,得到第三初步分层数据;
S365、将大于所述第四先验阈值的所述像素点初始化为第二数值,将小于所述第四先验阈值的所述像素点初始化为第一数值,得到第四初步分层数据;
S366、将大于所述第五先验阈值的所述像素点初始化为第一数值,将小于所述第五先验阈值的所述像素点初始化为第二数值,得到第五初步分层数据。
在一个具体的实施例中,参照图2,挑选Sentinel-2多光谱影像的波段,以先验知识为基础,挑选第3波段(绿色波段)、第9波段(红边波段)、第10波段(水汽吸收波段)、第11波段(短波红外1波段)、第12波段(短波红外2波段)建立提取规则。在第3波段中大于800的像素等于1,否则等于0。得到一个大小为1022x1256的矩阵x1。在第9波段中小于1500的像素等于1,否则等于0。得到一个大小为1022x1256的矩阵x2。在第10波段中小于5000的像素等于1,否则等于0。得到一个大小为1022x1256的矩阵x3。在第11波段中小于6000的像素等于1,否则等于0。得到一个大小为1022x1256的矩阵x4。在第12波段中大于1200的像素等于1,否则等于0。得到一个大小为1022x1256的矩阵x5。具体可以表示为:
式中,x1为初步分层数据信息,band3为sentinel-2影像的第3波段,为第3波段对应的先验知识,设置为800。
式中,x2为初步分层数据信息,band9为sentinel-2影像的第9波段,为第9波段对应的先验知识,设置为1500。
式中,x3为初步分层数据信息,band10为sentinel-2影像的第10波段,为第10波段对应的先验知识,设置为5000。
式中,x4为初步分层数据信息,band11为sentinel-2影像的第11波段,为第11波段对应的先验知识,设置为6000。
式中,x5为初步分层数据信息,band12为sentinel-2影像的第12波段,为第12波段对应的先验知识,设置为1200。经过上述分层得到五层的初步分层数据,为同一区域在不同波段的像素点的分层数据,分别是x1、x2、x3、x4、x5。
S600、将若干所述初步分层数据进行整合得到整合数据。
具体的,将获取的多个初步分层数据进行整合,得到同一区域在提取的若干个预设波段的初步分层数据叠加值,便于更加清楚的分析像素点区域的属性和地物类型。
在一个具体的实施例中,对初步的分层数据进行整合,得到一个大小为1022x1256、数值范围为0到5的矩阵:
Y1=x1+x2+x3+x4+x5
式中,Y1是整合后的数据,数据大小的范围是0到5;;x1、x2、x3、x4、x5均是初步分层数据。
S700、基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数。
具体的,从多光谱影像数据选择红色波段和近红外波段来计算归一化植被指数,具体选择可通过上述选择模型来提前选择,选择后通过获取红色波段的地表反射率数据、近红外波段地表反射率数据和预设的计算规则进行计算得到归一化植被指数。
S800、基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据。
具体的,将整合的整合数据结合归一化植被指数修正后得到修正整合数据,归一化植被指数根据多光谱影像数据中的红色波段和近红外波段来计算。
可选地,所述基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数,基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据,具体包括:
S710、获取所述多光谱影像数据中的红色波段和近红外波段;
S720、根据所述红色波段和所述近红外波段计算所述归一化植被指数;
S730、根据所述像素点的所述归一化植植被指数和预设的中间参数计算公式计算得到中间参数;
S740、将所述中间参数对所述整合数据进行修正后得到修正整合数据。
具体的,将多光谱影像数据中的红色波段和近红外波段提前提取出来,然后对在红色波段和近红外波段的像素点进行归一化植被指数计算,根据像素点的归一化植被指数得到中间参数,通过中间参数来修正整合数据后得到修正整合数据。具体计算公式如下所示:
计算归一化植被指数NDVI值,NDVI计算公式如下:
式中,band8是sentinel-2影像的第8波段(近红外波段);band4是sentinel-2影像的第4波段(红色波段)。
在NDVI矩阵中,令大于0.3的像素等于6,令小于0.3的像素等于0,得到中间参数的一个矩阵:
式中,Y2是中间参数,也是代表植被的范围。
利用NDVI对整合后的数据进行修正,该过程可以表示为:
Y=Y1+Y2
式中,Y是最终的分层数据,其数值范围大小是0到11。
S900、根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。
具体的,对最终分数数据的结果进行分层赋值,Y数值范围为1到3的像素点代表水体;其中Y数值为1、2的像素点代表内陆水体,Y数值为3的像素点代表海洋水体;Y数值范围为4到5的像素点代表不透水面,其中Y数值为4的像素点代表裸土和水泥路,Y数值为5的像素点代表建筑物;Y数值范围是6到11的像素点代表绿地。经过上述步骤,得到绿地、水体、不透水面(建筑物、裸土、水泥路)的分布结果,如图4所示。在图4中,棕色代表绿地,蓝色是水体。淡青色代表建筑物,黄色代表裸土和水泥路。
实施本发明实施例包括以下有益效果:本发明实施例提供一种基于先验知识和遥感数据的城市绿地提取方法,包括:获取遥感数据,对所述遥感数据进行预处理得到多光谱影像数据;基于所述多光谱影像数据选择若干个预设波段;基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值,将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果,根据比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值;将若干所述初步分层数据进行整合得到整合数据;基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数,基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据;根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。通过获取遥感数据并提取相应的波段后,通过先验知识获取像素点在相应波段的先验阈值,并将像素点初始化为第一数值或第二数值,得到像素点在不同波段的初步分层数据,对初步分层数据进行整合后通过归一化植被指数修正得到修正整合数据,然后根据预设的分类规则得到多个地物类型的分布结果,在提取城市绿地的同时对其他城市地物类型进行自动分层,可以有效地区分城市绿地范围。并且根据先验知识提取的结果质量高,鲁棒性更强,能够快速划分城市绿地,减少工作量。
充分挖掘了多光谱遥感数据的优势,简化了绿地、水体、不透水面的区分过程,既保证绿地提取完整又能额外提取出水体、不透水面的信息,可应用于工程化大面积快速提取城市绿地,减少了人工工作量,提高提取效率,保证后续计算城市绿化率的准确性。
有利于评估城市中绿地的分布、可达性和服务质量,从而为城市规划师和决策者提供有关绿地保护、增加绿地面积和改善绿地质量的建议。该方法原理简单,鲁棒性好,更容易进行推广应用。
如图5所示,本发明实施例还提供了一种基于先验知识和遥感数据的城市绿地提取系统,包括:
第一模块,用于获取遥感数据,对所述遥感数据进行预处理得到多光谱影像数据;
第二模块,用于基于所述多光谱影像数据选择若干个预设波段;
第三模块,用于基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值;
第四模块,用于将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果;
第五模块,用于根据比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值;
第六模块,用于将若干所述初步分层数据进行整合得到整合数据;
第七模块,用于基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数;
第八模块,用于基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据;
第九模块,用于根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。
可见,上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图6所示,本发明实施例还提供了一种基于先验知识和遥感数据的城市绿地提取装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述方法实施例所述的方法步骤。
可见,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外,本申请实施例还公开了一种计算机程序产品或计算机程序,计算机程序产品或计算机程序存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机程序,处理器执行该计算机程序,使得该计算机设备执行上述的方法。同样地,上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
可以理解的是,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信息处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信息中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于先验知识和遥感数据的城市绿地提取方法,其特征在于,包括:
获取遥感数据;
对所述遥感数据进行预处理得到多光谱影像数据;
基于所述多光谱影像数据选择若干个预设波段;
基于若干所述预设波段和先验绿地知识分别设置与每个所述预设波段逐一对应的先验知识阈值;将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果;
根据所述比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值;
将若干所述初步分层数据进行整合得到整合数据;
基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数;
基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据;
根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多光谱影像数据选择若干个预设波段,具体包括:
将所述多光谱影像数据输入预设的选择模型;
所述选择模型选择所述多光谱影像数据中的绿色波段、红边波段、水汽吸收波段、短波红外1波段和短波红外2波段。
3.根据权利要求2所述的方法,其特征在于,所述将每个所述预设波段的像素与对应的所述先验知识阈值进行比对,得到比对结果,根据比对结果将所述像素点初始化为第一数值或第二数值,具体包括:
获取所述像素点在若干所述预设波段的地表反射率数据:
根据所述像素点在同一所述预设波段下的所述地表反射率数据和所述先验知识阈值;
将同一所述预设波段下的所述地表反射率数据和所述先验知识阈值进行比对;
根据所述比对结果和预设的比对规则将所述像素点初始化为第一数值或第二数值。
4.根据权利要求3述的方法,其特征在于,所述根据所述比对结果和预设的比对规则将所述像素点初始化为第一数值或第二数值,具体包括:
分别获取所述像素点在所述绿色波段与第一先验阈值的比较结果、所述红边波段与第二先验阈值的比较结果、所述水汽吸收波段与第三先验阈值的比较结果、所述短波红外1波段与第四先验阈值的比较结果、所述短波红外2波段与第五先验阈值的比较结果;将大于所述第一先验阈值的所述像素点初始化为第一数值,将小于所述第一先验阈值的所述像素点初始化为第二数值,得到第一初步分层数据;
将大于所述第二先验阈值的所述像素点初始化为第二数值,将小于所述第二先验阈值的所述像素点初始化为第一数值,得到第二初步分层数据;
将大于所述第三先验阈值的所述像素点初始化为第二数值,将小于所述第三先验阈值的所述像素点初始化为第一数值,得到第三初步分层数据;
将大于所述第四先验阈值的所述像素点初始化为第二数值,将小于所述第四先验阈值的所述像素点初始化为第一数值,得到第四初步分层数据;
将大于所述第五先验阈值的所述像素点初始化为第一数值,将小于所述第五先验阈值的所述像素点初始化为第二数值,得到第五初步分层数据。
5.根据权利要求1所述的方法,其特征在于,所述基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值,具体包括:
基于若干所述预设波段和先验知识生成先验知识阈值表;
根据所述先验知识阈值表设置与每个所述预设波段相对应的所述先验知识阈值。
6.根据权利要求1所述的方法,其特征在于,所述将若干所述初步分层数据进行整合得到整合数据,具体包括:
将若干所述初步分层数据进行叠加后得到所述整合数据,叠加公式如下所示:
Y1=x1+x2+x3+x4+x5
式中,Y1是整合数据,数据大小的范围是0到5;x1、x2、x3、x4、x5均是所述初步分层数据。
7.根据权利要求1所述的方法,其特征在于,所述基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数,基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据,具体包括:
获取所述多光谱影像数据中的红色波段和近红外波段;
根据所述红色波段和所述近红外波段计算所述归一化植被指数;
根据所述像素点的所述归一化植植被指数和预设的中间参数计算公式计算得到中间参数;
将所述中间参数对所述整合数据进行修正后得到修正整合数据。
8.一种基于先验知识和遥感数据的城市绿地提取系统,其特征在于,,包括:
第一模块,用于获取遥感数据,对所述遥感数据进行预处理得到多光谱影像数据;
第二模块,用于基于所述多光谱影像数据选择若干个预设波段;
第三模块,用于基于若干所述预设波段和先验知识分别设置与每个所述预设波段逐一对应的先验知识阈值;
第四模块,用于将每个所述预设波段的像素点与对应的所述先验知识阈值进行比对,得到比对结果;
第五模块,用于根据比对结果将所述像素点初始化为第一数值或第二数值,初始化后得到若干初步分层数据,其中,一个所述预设波段对应一个所述初步分层数据,一个所述像素点在不同的所述初始分成数据里面具有相应的所述第一数值或所述第二数值;
第六模块,用于将若干所述初步分层数据进行整合得到整合数据;
第七模块,用于基于所述多光谱影像数据选择植被波段来计算得到归一化植被指数;
第八模块,用于基于所述归一化植被指数对所述整合数据进行修正后得到修正整合数据;
第九模块,用于根据所述修正整合数据和预设的分类规则得到多个地物类型的分布结果。
9.一种基于先验知识和遥感数据的城市绿地提取装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147115.9A CN117274799A (zh) | 2023-09-06 | 2023-09-06 | 基于先验知识和遥感数据的城市绿地提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147115.9A CN117274799A (zh) | 2023-09-06 | 2023-09-06 | 基于先验知识和遥感数据的城市绿地提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274799A true CN117274799A (zh) | 2023-12-22 |
Family
ID=89209630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311147115.9A Pending CN117274799A (zh) | 2023-09-06 | 2023-09-06 | 基于先验知识和遥感数据的城市绿地提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523419A (zh) * | 2024-01-08 | 2024-02-06 | 银河航天(西安)科技有限公司 | 提升确定地物类型信息的精确度的方法、装置及存储介质 |
-
2023
- 2023-09-06 CN CN202311147115.9A patent/CN117274799A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523419A (zh) * | 2024-01-08 | 2024-02-06 | 银河航天(西安)科技有限公司 | 提升确定地物类型信息的精确度的方法、装置及存储介质 |
CN117523419B (zh) * | 2024-01-08 | 2024-04-26 | 银河航天(西安)科技有限公司 | 提升确定地物类型信息的精确度的方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
US9704041B2 (en) | Method and system for classifying a terrain type in an area | |
KR101219767B1 (ko) | 수치지형도 작성을 위한 차량 모바일 매핑 시스템을 이용한 도로 레이어 현지조사 방법 | |
Gini et al. | Aerial images from an UAV system: 3D modeling and tree species classification in a park area | |
Grigillo et al. | Urban object extraction from digital surface model and digital aerial images | |
CN107451982B (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
CN104820991B (zh) | 一种基于代价矩阵的多重软约束立体匹配方法 | |
TW201022708A (en) | Method of change detection for building models | |
CN117274799A (zh) | 基于先验知识和遥感数据的城市绿地提取方法 | |
CN108564532B (zh) | 大尺度地距星载sar图像镶嵌方法 | |
CN113971768A (zh) | 一种基于无人机的输电线路违章建筑三维动态检测方法 | |
Jiang et al. | Estimation of construction site elevations using drone-based orthoimagery and deep learning | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
WO2018098736A1 (zh) | 一种基于遥感成像的蓝藻监测方法及装置 | |
CN117372503B (zh) | 一种河湖岸带植被分类及覆盖度计算方法及系统 | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
CN112561981A (zh) | 一种融合影像信息的摄影测量点云滤波方法 | |
CN105184252B (zh) | 一种基于高空间分辨率图像的水华识别方法及装置 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN116469000A (zh) | 森林地上生物量和叶面积指数的反演方法及装置 | |
CN115082812A (zh) | 一种农业景观非农生境绿地斑块提取方法及其相关设备 | |
CN115423975A (zh) | 一种基于可见光影像及深度学习算法的地面高程提取方法 |
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 |