CN104866852B - 提取遥感影像中土地覆被信息的方法及装置 - Google Patents
提取遥感影像中土地覆被信息的方法及装置 Download PDFInfo
- Publication number
- CN104866852B CN104866852B CN201510152907.4A CN201510152907A CN104866852B CN 104866852 B CN104866852 B CN 104866852B CN 201510152907 A CN201510152907 A CN 201510152907A CN 104866852 B CN104866852 B CN 104866852B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- remote sensing
- unclassified
- sensing image
- coverage
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种提取遥感影像中土地覆被信息的方法及装置,能够解决现有技术遥感影像中的土地覆被信息识别不准确的问题。所述方法包括:获取待提取土地覆被信息的遥感影像;基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被。
Description
技术领域
本发明涉及环境监测领域,具体涉及一种提取遥感影像中土地覆被信息的方法。
背景技术
随着环境的变化和经济的发展,在许多场合需要对遥感影像进行土地分类信息的识别,比如土地分类信息监测、环境监测等。
而遥感影像常见的土地分类信息识别方法是基于像素的土地覆被信息识别方法,基于统计学原理,以训练样本遵循正态分布为前提,且仅利用像素本身光谱信息或像素周围某个确定窗口内的纹理信息,过度着眼于局部,难以集成语义信息,并且缺失拓扑和空间关系特征,信息识别结果中存在严重的“椒盐效应”,地物错分、漏分的情况比较严重,因而不能准确地识别土地覆被信息。
发明内容
有鉴于此,本发明实施例提供一种提取遥感影像中土地覆被信息的方法及装置,能够解决现有技术遥感影像中的土地覆被信息识别不准确的问题。
为此目的,一方面,本发明提出一种提取遥感影像中土地覆被信息的方法,包括:
获取待提取土地覆被信息的遥感影像;
基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被。
另一方面,本发明提出一种提取遥感影像中土地覆被信息的装置,包括:
遥感影像获取单元,用于获取待提取土地覆被信息的遥感影像;
提取单元,用于基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被。
本发明实施例所述的提取遥感影像中土地覆被信息的方法及装置,采用基于专题图层的多分辨率影像分割方法对待提取土地覆被信息的遥感影像进行分割,着眼于整体,可充分挖掘专题图的潜力,获得边界正确、完整的地物信息提取结果;面向对象信息提取过程中,结合使用最邻近分类方法,利用拓扑和空间关系特征,能够提高土地覆被信息提取精度。
附图说明
图1为本发明提取遥感影像中土地覆被信息的方法一实施例的流程示意图;
图2为本发明提取遥感影像中土地覆被信息的方法另一实施例的流程示意图;
图3为本发明提取遥感影像中土地覆被信息的装置一实施例的方框结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例公开一种提取遥感影像中土地覆被信息的方法,包括:
S1、获取待提取土地覆被信息的遥感影像;
S2、基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被。
本发明实施例所述的提取遥感影像中土地覆被信息的方法,采用基于专题图层的多分辨率影像分割方法对待提取土地覆被信息的遥感影像进行分割,着眼于整体,可充分挖掘专题图的潜力,获得边界正确、完整的地物信息提取结果;面向对象信息提取过程中,结合使用最邻近分类方法,利用拓扑和空间关系特征,能够提高土地覆被信息提取精度。
可选地,在本发明提取遥感影像中土地覆被信息的方法的实施例中,所述基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被,包括:
基于专题图层,采用多分辨率影像分割方法,将所述遥感影像按照预设的分割尺度进行分割,并对分割后形成的遥感影像对象进行分类,形成河流、湖泊、滩涂和/或第一未分类对象;
将所述第一未分类对象按照预先确定的最优分割尺度进行分割,形成第二未分类对象,采用基于训练样本的最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被。
本发明实施例中,预设的分割尺度可以为1000000。
可选地,在本发明提取遥感影像中土地覆被信息的方法的实施例中,在所述将所述第一未分类对象按照预先确定的最优分割尺度进行分割之前,还包括:
根据自相关指标I和变异指标v确定出最优分割尺度;其中,所述自相关指标I的计算公式为:所述n为所述第一未分类对象的数量,所述wij为第一未分类对象Ri和第一未分类对象Rj的空间邻近性的度量指标,如果Ri和Rj相邻,则wij=1,否则,wij=0,所述yi为第一未分类对象Ri的平均灰度值,所述为所述第一未分类对象的平均灰度值;所述变异指标v的计算公式为:所述ai是第一未分类对象Ri的面积,vi是第一未分类对象Ri的变异数。
本发明实施例中,自相关指标I用于评价影像对象之间的可分性,变异指标v则用于表达影像对象的总体的均质性,从自相关指标I的计算公式和变异指标v的计算公式可以得知:影像分割尺度增加时,影像对象内像素数量增加因而影像对象面积增大,对象内部的变异指标v也会增加,而邻接对象之间的相关性会降低,即I值会减小。最优的分割结果应该是对象内部具有较高的同质性而对象之间有较高的异质性,即指标v和I相互调节,取最理想的组合效果。本发明实施例中,分别取研究区影像分割尺度为10、20、30、40、50、60、70、80、90、100、110和120的分割结果计算变异指标v和自相关指标I,并考察这两个指标与分割尺度之间的关系,容易得出,自相关指标I和变异指标v的最佳组合在尺度为50的时候出现。本发明实施例中,以影像对象在生长生命周期中相邻像素/对象之间归并代价最小为原则,结合使用自相关指标I和变异指标V确定影像分割的最优尺度,以最大限度的表达影像对象内部的同质性和影像对象之间的异质性。
可选地,在本发明提取遥感影像中土地覆被信息的方法的实施例中,所述对分割后形成的遥感影像对象进行分类,形成河流、湖泊、滩涂和/或第一未分类对象,包括:
确定分割后形成的专题图层属性为水面的遥感影像对象为水面对象,专题图层属性为滩涂的遥感影像对象为滩涂;
计算所述水面对象的长度与宽度的比值;其中,所述计算公式为:
所述L为水体对象的长度,即与水体对象具有等价二阶矩的椭圆的长轴的长度;W为水体对象的宽度,即与水体对象具有等价二阶矩的椭圆的短轴的长度;Var(X)为水体对象内所有像素的X坐标的方差;Var(Y)为水体对象内所有像素的Y坐标的方差;Cov(X,Y)是水体对象内所有像素的X与Y坐标的协方差;
判断所述水面对象的长度与宽度的比值是否大于预设的第一阈值,若所述水面对象的长度与宽度的比值大于所述第一阈值,则确定所述水面对象为河流,或者若所述水面对象的长度与宽度的比值不大于所述第一阈值,则确定所述水面对象为湖泊;
确定分割后形成的除河流、湖泊和滩涂外的其它遥感影像对象为第一未分类对象。
本发明实施例中,专题图层包括水体和滩涂两类,影像分割完成后,可以通过下面的逻辑判断规则提取:
IF专题图层属性=水体THEN Class=水体;
IF专题图层属性=滩涂THEN Class=滩涂。
若将水体进一步细分,可根据河流的线状特性,利用长/宽(L/W)参数进行提取,逻辑判断规则为:
IF L/W>第一阈值THEN Class=河流ELSE Class=湖泊。
可选地,参看图2,在本发明提取遥感影像中土地覆被信息的方法的实施例中,所述采用基于训练样本的最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被,包括:
从所述第二未分类对象中选出训练样本,通过对所述训练样本进行评价,确定出所述训练样本所属的类别;其中,所述类别包括低反照建筑、高反照建筑或植被;
根据所述训练样本的特征子集构建特征空间,对于每一个特征空间,计算所述训练样本所属的类别中两两类别间的平均最小距离,并选择最大的平均最小距离所对应的特征空间为最优特征空间;所述平均最小距离的计算公式为:
所述表示m维特征空间中类别Ci和类别Cj间的平均最小距离;ni和nj分别是类别Ci和类别Cj的训练样本数目;表示Ci类中第r个训练样本的特征f的值,其中r=1,2,...,ni;表示Cj类中第s个训练样本的特征f的值,其中s=1,2,...,nj;σf表示所有训练样本在该特征空间下的特征f的标准差;
基于所述最优特征空间和所述训练样本,采用最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑和植被对象;
利用基于隶属函数的模糊分类法确定出所述植被对象的植被覆盖指数;
判断所述植被覆盖指数是否大于预设的第二阈值,若所述植被覆盖指数大于所述第二阈值,则确定所述植被覆盖指数所对应的植被对象为高覆盖植被,否则,确定所述植被覆盖指数所对应的植被对象为中低覆盖植被。
本发明实施例中,如图2所示为遥感影像中土地覆被信息的提取流程图。特征优化,指从特征空间中找出最有利于分类的部分特征以降低特征空间的维数,去除类间差别小的特征,保留差别大的特征,从而达到简化特征空间结构、提高信息提取精度的目的。基于影像分割对象的10个光谱特征(光谱波段均值、光谱波段方差、Max.diff、Brightness)、2个自定义特征和4个纹理特征进行特征优化,分析结果中最优特征为6维,优化特征包括:第一波段方差、第四波段均值、Max.diff、Brightness、第二波段方差、第三波段方差。最邻近分类法是将待分类对象判属到和它距离最近的样本对象所属的类别,这里,距离可以是欧式距离也可以是马氏距离。采用基于训练样本的最邻近分类法提取高反照度建筑、低反照度建筑和植被后,可以进一步利用基于隶属函数的模糊分类法根据植被覆盖指数(NDVI)将植被进一步精细分类:高覆盖植被、中低覆盖植被,逻辑判断规则为:
IFNDVI>第二阈值THENClass=高覆盖植被ELSEClass=中低覆盖植被。
在从待提取土地覆被信息的遥感影像中提取包括河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被后,可以进一步对提取结果的精度进行评价,如果提取结果的精度未达到预期,则按照如图2所示的流程重新进行提取,直到提取结果的精度满足要求。在提取结果的精度满足要求时,可以对提取结果进行分类处理,比如对遥感影像中不同类别的区域进行标识,以便区分不同类别的土地。
本发明实施例中,通过影像对象多特征的应用,能够实现较高层次上的地物精细分类;结合使用基于训练样本的最邻近分类,能够提高地物信息提取精度,样本对象的多特征之间通过特征优化能够达到用较少的数据维提高信息提取精度的目的。
参看图3,本实施例公开一种提取遥感影像中土地覆被信息的装置,包括:
遥感影像获取单元1,用于获取待提取土地覆被信息的遥感影像;
提取单元2,用于基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被。
本发明实施例所述的提取遥感影像中土地覆被信息的装置,采用基于专题图层的多分辨率影像分割方法对待提取土地覆被信息的遥感影像进行分割,着眼于整体,可充分挖掘专题图的潜力,获得边界正确、完整的地物信息提取结果;面向对象信息提取过程中,结合使用最邻近分类方法,利用拓扑和空间关系特征,能够提高土地覆被信息提取精度。
可选地,在本发明提取遥感影像中土地覆被信息的装置的实施例中,所述提取单元,包括:
第一提取子单元,用于基于专题图层,采用多分辨率影像分割方法,将所述遥感影像按照预设的分割尺度进行分割,并对分割后形成的遥感影像对象进行分类,形成河流、湖泊、滩涂和/或第一未分类对象;
第二提取子单元,用于将所述第一未分类对象按照预先确定的最优分割尺度进行分割,形成第二未分类对象,采用基于训练样本的最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被。
可选地,在本发明提取遥感影像中土地覆被信息的装置的实施例中,还包括:
最优分割尺度确定子单元,用于在所述第二提取子单元将所述第一未分类对象按照预先确定的最优分割尺度进行分割之前,根据自相关指标I和变异指标v确定出最优分割尺度;其中,所述自相关指标I的计算公式为:所述n为所述第一未分类对象的数量,所述wij为第一未分类对象Ri和第一未分类对象Rj的空间邻近性的度量指标,如果Ri和Rj相邻,则wij=1,否则,wij=0,所述yi为第一未分类对象Ri的平均灰度值,所述为所述第一未分类对象的平均灰度值;所述变异指标v的计算公式为:所述ai是第一未分类对象Ri的面积,vi是第一未分类对象Ri的变异数。
本发明实施例中,以影像对象在生长生命周期中相邻像素/对象之间归并代价最小为原则,结合使用自相关指标I和变异指标V确定影像分割的最优尺度,以最大限度的表达影像对象内部的同质性和影像对象之间的异质性。
可选地,在本发明提取遥感影像中土地覆被信息的装置的实施例中,所述第一提取子单元,包括:
第一提取模块,用于确定分割后形成的专题图层属性为水面的遥感影像对象为水面对象,专题图层属性为滩涂的遥感影像对象为滩涂;
计算模块,用于计算所述水面对象的长度与宽度的比值;其中,所述计算公式为:
所述L为水体对象的长度,即与水体对象具有等价二阶矩的椭圆的长轴的长度;W为水体对象的宽度,即与水体对象具有等价二阶矩的椭圆的短轴的长度;Var(X)为水体对象内所有像素的X坐标的方差;Var(Y)为水体对象内所有像素的Y坐标的方差;Cov(X,Y)是水体对象内所有像素的X与Y坐标的协方差;
第二提取模块,用于判断所述水面对象的长度与宽度的比值是否大于预设的第一阈值,若所述水面对象的长度与宽度的比值大于所述第一阈值,则确定所述水面对象为河流,或者若所述水面对象的长度与宽度的比值不大于所述第一阈值,则确定所述水面对象为湖泊;
第三提取模块,用于确定分割后形成的除河流、湖泊和滩涂外的其它遥感影像对象为第一未分类对象。
可选地,在本发明提取遥感影像中土地覆被信息的装置的实施例中,所述第二提取子单元,包括:
训练样本选择与评价模块,用于从所述第二未分类对象中选出训练样本,通过对所述训练样本进行评价,确定出所述训练样本所属的类别;其中,所述类别包括低反照建筑、高反照建筑或植被;
最优特征空间确定模块,用于根据所述训练样本的特征子集构建特征空间,对于每一个特征空间,计算所述训练样本所属的类别中两两类别间的平均最小距离,并选择最大的平均最小距离所对应的特征空间为最优特征空间;所述平均最小距离的计算公式为:
所述表示m维特征空间中类别Ci和类别Cj间的平均最小距离;ni和nj分别是类别Ci和类别Cj的训练样本数目;表示Ci类中第r个训练样本的特征f的值,其中r=1,2,...,ni;表示Cj类中第s个训练样本的特征f的值,其中s=1,2,...,nj;σf表示所有训练样本在该特征空间下的特征f的标准差;
第四提取模块,用于基于所述最优特征空间和所述训练样本,采用最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑和植被对象;
植被覆盖指数确定模块,用于利用基于隶属函数的模糊分类法确定出所述植被对象的植被覆盖指数;
第五提取模块,用于判断所述植被覆盖指数是否大于预设的第二阈值,若所述植被覆盖指数大于所述第二阈值,则确定所述植被覆盖指数所对应的植被对象为高覆盖植被,否则,确定所述植被覆盖指数所对应的植被对象为中低覆盖植被。
本发明实施例中,通过影像对象多特征的应用,能够实现较高层次上的地物精细分类;结合使用基于训练样本的最邻近分类,能够提高地物信息提取精度,样本对象的多特征之间通过特征优化能够达到用较少的数据维提高信息提取精度的目的。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (6)
1.一种提取遥感影像中土地覆被信息的方法,其特征在于,包括:
获取待提取土地覆被信息的遥感影像;
基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被;
所述基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被,包括:
基于专题图层,采用多分辨率影像分割方法,将所述遥感影像按照预设的分割尺度进行分割,并对分割后形成的遥感影像对象进行分类,形成河流、湖泊、滩涂和/或第一未分类对象;
将所述第一未分类对象按照预先确定的最优分割尺度进行分割,形成第二未分类对象,采用基于训练样本的最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被;
所述采用基于训练样本的最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被,包括:
从所述第二未分类对象中选出训练样本,通过对所述训练样本进行评价,确定出所述训练样本所属的类别;其中,所述类别包括低反照建筑、高反照建筑或植被;
根据所述训练样本的特征子集构建特征空间,对于每一个特征空间,计算所述训练样本所属的类别中两两类别间的平均最小距离,并选择最大的平均最小距离所对应的特征空间为最优特征空间;所述平均最小距离的计算公式为:
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<munder>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>r</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>f</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>r</mi>
</msubsup>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>s</mi>
</msubsup>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<munder>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>r</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>f</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>s</mi>
</msubsup>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>r</mi>
</msubsup>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
所述表示m维特征空间中类别Ci和类别Cj间的平均最小距离;ni和nj分别是类别Ci和类别Cj的训练样本数目;表示Ci类中第r个训练样本的特征f的值,其中r=1,2,…,ni;表示Cj类中第s个训练样本的特征f的值,其中s=1,2,…,nj;σf表示所有训练样本在该特征空间下的特征f的标准差;
基于所述最优特征空间和所述训练样本,采用最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑和植被对象;
利用基于隶属函数的模糊分类法确定出所述植被对象的植被覆盖指数;
判断所述植被覆盖指数是否大于预设的第二阈值,若所述植被覆盖指数大于所述第二阈值,则确定所述植被覆盖指数所对应的植被对象为高覆盖植被,否则,确定所述植被覆盖指数所对应的植被对象为中低覆盖植被。
2.根据权利要求1所述的提取遥感影像中土地覆被信息的方法,其特征在于,在所述将所述第一未分类对象按照预先确定的最优分割尺度进行分割之前,还包括:
根据自相关指标I和变异指标v确定出最优分割尺度;其中,所述自相关指标I的计算公式为:所述n为所述第一未分类对象的数量,所述wij为第一未分类对象Ri和第一未分类对象Rj的空间邻近性的度量指标,如果Ri和Rj相邻,则wij=1,否则,wij=0,所述yi为第一未分类对象Ri的平均灰度值,所述为所述第一未分类对象的平均灰度值;所述变异指标v的计算公式为:所述ai是第一未分类对象Ri的面积,vi是第一未分类对象Ri的变异数。
3.根据权利要求1所述的提取遥感影像中土地覆被信息的方法,其特征在于,所述对分割后形成的遥感影像对象进行分类,形成河流、湖泊、滩涂和/或第一未分类对象,包括:
确定分割后形成的专题图层属性为水面的遥感影像对象为水面对象,专题图层属性为滩涂的遥感影像对象为滩涂;
计算所述水面对象的长度与宽度的比值;其中,所述计算公式为:
所述L为水体对象的长度,即与水体对象具有等价二阶矩的椭圆的长轴的长度;W为水体对象的宽度,即与水体对象具有等价二阶矩的椭圆的短轴的长度;Var(X)为水体对象内所有像素的X坐标的方差;Var(Y)为水体对象内所有像素的Y坐标的方差;Cov(X,Y)是水体对象内所有像素的X与Y坐标的协方差;
判断所述水面对象的长度与宽度的比值是否大于预设的第一阈值,若所述水面对象的长度与宽度的比值大于所述第一阈值,则确定所述水面对象为河流,或者若所述水面对象的长度与宽度的比值不大于所述第一阈值,则确定所述水面对象为湖泊;
确定分割后形成的除河流、湖泊和滩涂外的其它遥感影像对象为第一未分类对象。
4.一种提取遥感影像中土地覆被信息的装置,其特征在于,包括:
遥感影像获取单元,用于获取待提取土地覆被信息的遥感影像;
提取单元,用于基于专题图层,采用多分辨率影像分割方法和最邻近分类方法将所述遥感影像进行分割,并从分割后形成的遥感影像对象中提取河流、湖泊、滩涂、低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被;
所述提取单元,包括:
第一提取子单元,用于基于专题图层,采用多分辨率影像分割方法,将所述遥感影像按照预设的分割尺度进行分割,并对分割后形成的遥感影像对象进行分类,形成河流、湖泊、滩涂和/或第一未分类对象;
第二提取子单元,用于将所述第一未分类对象按照预先确定的最优分割尺度进行分割,形成第二未分类对象,采用基于训练样本的最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑、中低覆盖植被和/或高覆盖植被;
所述第二提取子单元,包括:
训练样本选择与评价模块,用于从所述第二未分类对象中选出训练样本,通过对所述训练样本进行评价,确定出所述训练样本所属的类别;其中,所述类别包括低反照建筑、高反照建筑或植被;
最优特征空间确定模块,用于根据所述训练样本的特征子集构建特征空间,对于每一个特征空间,计算所述训练样本所属的类别中两两类别间的平均最小距离,并选择最大的平均最小距离所对应的特征空间为最优特征空间;所述平均最小距离的计算公式为:
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<munder>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>r</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>f</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>r</mi>
</msubsup>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>s</mi>
</msubsup>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<munder>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>r</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>f</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>s</mi>
</msubsup>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>r</mi>
</msubsup>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
所述表示m维特征空间中类别Ci和类别Cj间的平均最小距离;ni和nj分别是类别Ci和类别Cj的训练样本数目;表示Ci类中第r个训练样本的特征f的值,其中r=1,2,…,ni;表示Cj类中第s个训练样本的特征f的值,其中s=1,2,…,nj;σf表示所有训练样本在该特征空间下的特征f的标准差;
第四提取模块,用于基于所述最优特征空间和所述训练样本,采用最邻近分类方法将所述第二未分类对象进行分类,形成低反照建筑、高反照建筑和植被对象;
植被覆盖指数确定模块,用于利用基于隶属函数的模糊分类法确定出所述植被对象的植被覆盖指数;
第五提取模块,用于判断所述植被覆盖指数是否大于预设的第二阈值,若所述植被覆盖指数大于所述第二阈值,则确定所述植被覆盖指数所对应的植被对象为高覆盖植被,否则,确定所述植被覆盖指数所对应的植被对象为中低覆盖植被。
5.根据权利要求4所述的提取遥感影像中土地覆被信息的装置,其特征在于,还包括:
最优分割尺度确定子单元,用于在所述第二提取子单元将所述第一未分类对象按照预先确定的最优分割尺度进行分割之前,根据自相关指标I和变异指标v确定出最优分割尺度;其中,所述自相关指标I的计算公式为:所述n为所述第一未分类对象的数量,所述wij为第一未分类对象Ri和第一未分类对象Rj的空间邻近性的度量指标,如果Ri和Rj相邻,则wij=1,否则,wij=0,所述yi为第一未分类对象Ri的平均灰度值,所述为所述第一未分类对象的平均灰度值;所述变异指标v的计算公式为:所述ai是第一未分类对象Ri的面积,vi是第一未分类对象Ri的变异数。
6.根据权利要求4所述的提取遥感影像中土地覆被信息的装置,其特征在于,所述第一提取子单元,包括:
第一提取模块,用于确定分割后形成的专题图层属性为水面的遥感影像对象为水面对象,专题图层属性为滩涂的遥感影像对象为滩涂;
计算模块,用于计算所述水面对象的长度与宽度的比值;其中,所述计算公式为:
所述L为水体对象的长度,即与水体对象具有等价二阶矩的椭圆的长轴的长度;W为水体对象的宽度,即与水体对象具有等价二阶矩的椭圆的短轴的长度;Var(X)为水体对象内所有像素的X坐标的方差;Var(Y)为水体对象内所有像素的Y坐标的方差;Cov(X,Y)是水体对象内所有像素的X与Y坐标的协方差;
第二提取模块,用于判断所述水面对象的长度与宽度的比值是否大于预设的第一阈值,若所述水面对象的长度与宽度的比值大于所述第一阈值,则确定所述水面对象为河流,或者若所述水面对象的长度与宽度的比值不大于所述第一阈值,则确定所述水面对象为湖泊;
第三提取模块,用于确定分割后形成的除河流、湖泊和滩涂外的其它遥感影像对象为第一未分类对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510152907.4A CN104866852B (zh) | 2015-04-01 | 2015-04-01 | 提取遥感影像中土地覆被信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510152907.4A CN104866852B (zh) | 2015-04-01 | 2015-04-01 | 提取遥感影像中土地覆被信息的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104866852A CN104866852A (zh) | 2015-08-26 |
CN104866852B true CN104866852B (zh) | 2017-12-26 |
Family
ID=53912673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510152907.4A Expired - Fee Related CN104866852B (zh) | 2015-04-01 | 2015-04-01 | 提取遥感影像中土地覆被信息的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104866852B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
CN106778629B (zh) * | 2016-12-21 | 2020-07-03 | 中国科学院深圳先进技术研究院 | 大棚识别方法及装置 |
CN106778640B (zh) * | 2016-12-23 | 2018-09-25 | 航天星图科技(北京)有限公司 | 一种三维可视化环境下地表植被覆盖模型的生成方法 |
CN106886609B (zh) * | 2017-03-31 | 2019-12-31 | 中国科学院地理科学与资源研究所 | 街区式农村居民地遥感快速标注方法 |
CN107193877A (zh) * | 2017-04-24 | 2017-09-22 | 中国科学院遥感与数字地球研究所 | 土地覆被分类***与方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279929A (zh) * | 2010-06-13 | 2011-12-14 | 中国科学院电子学研究所 | 一种基于对象语义树模型的遥感人造地物目标识别方法 |
CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011514190A (ja) * | 2008-02-29 | 2011-05-06 | エージェンシー フォー サイエンス,テクノロジー アンド リサーチ | 画像内の解剖学的構造のセグメンテーションおよびモデリングのための方法およびシステム |
-
2015
- 2015-04-01 CN CN201510152907.4A patent/CN104866852B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279929A (zh) * | 2010-06-13 | 2011-12-14 | 中国科学院电子学研究所 | 一种基于对象语义树模型的遥感人造地物目标识别方法 |
CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
Non-Patent Citations (3)
Title |
---|
基于多层次分割的遥感影像面向对象森林分类;马浩然;《中国优秀硕士学位论文全文数据库 (电子期刊)农业科技辑》;20141115(第11期);期刊第3.3.2节 * |
基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究;仇江啸等;《遥感技术与应用》;20101031;第25卷(第5期);期刊第2-3节 * |
面向对象的高分辨率遥感影响分类及最佳分割尺度研究;魏金明;《中国优秀硕士学位论文全文数据库 (电子期刊)信息科技辑》;20111215(第S1期);期刊第4.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104866852A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
Su et al. | Local and global evaluation for remote sensing image segmentation | |
Huang et al. | A comparative study of spatial approaches for urban mapping using hyperspectral ROSIS images over Pavia City, northern Italy | |
Huang et al. | Road centreline extraction from high‐resolution imagery based on multiscale structural features and support vector machines | |
Jebur et al. | Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery | |
Hamedianfar et al. | Improving detailed rule-based feature extraction of urban areas from WorldView-2 image and lidar data | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
Qin et al. | Object-based 3-D building change detection on multitemporal stereo images | |
Aytekın et al. | Unsupervised building detection in complex urban environments from multispectral satellite imagery | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN107341813B (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
Zhao et al. | Waterbody information extraction from remote-sensing images after disasters based on spectral information and characteristic knowledge | |
Zeng et al. | Image fusion for land cover change detection | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
Wan et al. | Automatic extraction of flood inundation areas from SAR images: A case study of Jilin, China during the 2017 flood disaster | |
Kurtz et al. | Multi-resolution region-based clustering for urban analysis | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
Yu et al. | Mean shift based clustering of neutrosophic domain for unsupervised constructions detection | |
Luo et al. | Extraction of bridges over water from IKONOS panchromatic data | |
Su et al. | Nonlocal feature learning based on a variational graph auto-encoder network for small area change detection using SAR imagery | |
Kushwaha et al. | Automatic Bright Circular Type Oil Tank Detection Using Remote Sensing Images. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171226 Termination date: 20210401 |
|
CF01 | Termination of patent right due to non-payment of annual fee |