CN110390255A - 基于多维度特征提取的高铁环境变化监测方法 - Google Patents
基于多维度特征提取的高铁环境变化监测方法 Download PDFInfo
- Publication number
- CN110390255A CN110390255A CN201910454218.7A CN201910454218A CN110390255A CN 110390255 A CN110390255 A CN 110390255A CN 201910454218 A CN201910454218 A CN 201910454218A CN 110390255 A CN110390255 A CN 110390255A
- Authority
- CN
- China
- Prior art keywords
- image
- speed rail
- remote sensing
- feature
- layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多维度特征提取的高铁环境变化监测方法,包括:S1,高分辨率遥感影像预处理;S2,不同时相遥感影像匹配;S3,多维变化特征提取;S4,特征图层对像化转化与统计;S5,以对像化的特征图层为数据源选取变化样本并进行最优特征筛选;S6,利用变化提取最优特征组合空间构建随机森林分类器进行变化区域提取与优化;S7,分类结果的优化、导出,完成高铁环境变化监测。本发明能有效完成高铁沿线的地表变化提取,与逐像素提取方法相比,能有效抑制椒盐噪声,提高了变化区域提取精度,同时变化区域边界与真实地物状况更加吻合,有效提高了高铁地表环境变化监测的效率,节约了监测的人工和经济成本。
Description
技术领域
本发明涉及高铁环境监测领域,特别是涉及一种基于多维度特征提取的高铁环境变化监测方法。
背景技术
随着我国高铁建设的快速发展,高铁里程和覆盖范围不断增加,预计到2020年我国高铁的总里程将超过3万公里。高速铁路这种高速交通运输方式在惠及千家万户的同时,其运营安全引起了社会的高度关注。如何有效监测高铁沿线环境并快速提取其沿线环境的变化情况成为国内众多学者新的研究方向。
高速铁路时速高、对运营环境要求比较苛刻。铁路周围不稳定的建筑体,如彩钢瓦、农作物大棚、高耸的电塔、线杆、深挖的取土坑、密集堆积的货场等在极端恶劣天气(飓风、台风、强降雨、冰雹等)3下都可能对高铁的运行造成严重威胁,轻则造成高速列车紧急停车,重则造成列车重大安全事故。因此密切关注高铁沿线的运营环境的变化,随时掌握高铁沿线风险源的分布与位置对高铁运营安全至关重要。
现行高铁沿线变化监测的方式主要是采用人力巡视的方式进行,该方法由于受人视野和作业环境等因素的限制作业效率低下,精度也不能得到保证,随着高铁里程的日趋增长,无法满足作业任务的需求。遥感技术具有大尺度、多时相等特点,使用遥感数据可以快速获取大区域空间信息。随着我国高分卫星数据平台的研发和应用,遥感数据的空间分辨率得到了显著提高,通过高分数据平台可以获取地表米级、亚米级高空间分辨率多光谱遥感影像数据,因此使用多时相高分数据进行高铁沿线地表环境监测成为可能。
遥感变化监测的相关研究主要有影像直接比较法、分类后比较法和直接分类法三种。直接比较法较为简单常用,其主要方法为使用配准的两个时相单波段遥感影像直接进行差值或比值得到地表变化信息分布图像。分类后比较法为使用配准后的前后时相的遥感影像分别进行分类,然后使用分类后的矢量数据进行空间叠加分析得出地表变化分布。直接分类法,将前后两个时相的信息进行配准和叠加,综合利用叠加的影像波段组进行变化特征提取,并利用变化特征图像直接进行变化区域、未变化区域分类。
直接法简单但精度较差,容易受时相等因素的影响而产生较多的噪声信息,同时无法直接综合利用多个波段信息。分类后比较法,其过程较为繁琐,需要对两个时相的地物进行分类,其变化提取的精度取决于分类的精度,通常情况下,无法避免分类细节差异而产生噪声区域,其结果多用于类别变化统计分析。直接分类法,其综合利用特征提取和分类的思想,具有噪声相对较少、提取精度高,过程较分类后比较法较为简便等优势。但无论是图像直接比较法、分类后比较法还是直接分类法,通常采用基于单像元进行,对于高分辨率遥感影像容易产生椒盐噪声现象。
发明内容
本发明的目的是提供一种快速、准确、高效的高铁沿线地表环境变化监测方法。
为此,本发明的技术方案如下:
一种基于多维度特征提取的高铁环境变化监测方法,包括以下步骤:
S1,高分辨率遥感影像预处理:对不同时相的高分辨率遥感影像分别依次进行辐射定标、正射校正、大气校正和图像融合,完成不同时相遥感影像的预处理;
S2,不同时相遥感影像匹配:利用计算机视觉算法对步骤S1预处理遥感影像中两个时相的高分辨率遥感影像分别进行不同尺度下金字塔影像特征角点提取,对所述特征角点进行相似性度量,得到匹配特征点,并利用匹配特征点进入更为精细的下一层金字塔图层匹配,去除错误的匹配特征点,利用最终保留的匹配特征点作为两个时相影像的连接点,完成不同时相影像的自动匹配;
S3,多维变化特征提取:对步骤S2匹配后的两个时相的高分辨率遥感影像分别进行多维变化特征计算,得到相应的特征图层;
S4,特征图层对像化转化与统计:以S3得到的特征图层数据为数据源进行超像素分割得到地物对象单元,并以地物对象为统计单元计算多维变化特征的均值和标准差;综合利用多个特征图层的信息,设置影像分割参数,完成影像由像素单元向对象单元的转换;
S5,以对像化的特征图层为数据源选取变化样本并进行最优特征筛选:以对像化的特征图层为数据源,选择多个类型的地表变化样本,并计算各个样本数据在对像化多维变化特征维度上的欧式距离,以此为依据进行可分性度量,得到变化提取最优特征组合;
S6,利用变化提取最优特征组合空间构建随机森林分类器进行变化区域提取与优化:首先使用变化样本在最优多维变化特征空间下多维特征信息进行随机森林分类模型训练得到分类模型,利用训练好的分类模型对整个区域进行分类,得出整个区域的变化分布情况;
S7,分类结果的优化、导出:对步骤S6得出的变化分布情况进行优化,将优化后的结果数据包括其类别属性以矢量的格式进行导出,完成高铁环境变化监测。
其中,所述步骤S1包括:
1)辐射定标:
获取遥感影像后,将DN值转化为辐射亮度值计算公式为:
Radition_value=Gain*Band_DN+offset...............(1)
其中:Radition_value为辐射亮度值、Band_DN为传感器获取的各个波段下的采样量化值,Gain为本波段的增益值,offset为本波段的偏量;
2)正射校正:通过正射校正消除因地形起伏产生的影像畸变;
3)大气校正:通过大气校正消除大气中水分、二氧化碳和细小的胶体和粉尘颗粒对地物反射所带来的影响,将辐射亮度值转化为地表反射率;
4)遥感图像融合:通过遥感图像融合将低分辨率的多光谱影像与高分辨率的全色影像进行信息融合,以提高多光谱遥感影像的的空间分辨率。
其中,所述步骤S2具体包括以下步骤:
A)逐层计算各个像元的Robert梯度:
fx=f(x+1,y+1)-f(x,y).................................(2)
fx=f(x+1,y)-f(x,y+1).................................(3)
Robert算子邻域如下:
f(x,y) | f(x,y+1) |
f(x+1,y) | f(x+1,y+1) |
;
B)逐像元计算滑动窗口内灰度协方差矩阵:
其中dx和dy分别为x方向和y方向的微分;
C)计算确定角点特征值W和U:
其中trN为协方差矩阵的迹,设定阈值Tw、Tu,遍历图像获取同时满足W>Tw和U>Tu的像元点;
D)设定领域窗口的大小,并以领域窗口内的最大特征值点作为特征角点。选择特定的滑动窗口,在窗口利用马氏距离进行图层间特征角点的相似性度量,选择相似性最高的点对作为连接点,将匹配的链接点进入下一级金字塔进行继续匹配。对最终匹配连接点误差进行估算,去除误差较大的连接点。根据以上匹配算法使用研究区遥感影像进行配准,得到配准后的影像数据。
所述步骤S3中的多维变化特征包括:亮度比值(Bright_BI)、最小噪声分离(MNF)、归一化植被指数比值(NDVI_BI)、归一化水体指数比值(NDWI_BI)和光谱角(SAM)。
步骤S4中,需要设置的参数包括:参与影像分割的图层与权重、分割单元的尺度大小、几何形态/光谱的参考比重因子参数以及分割对象的紧凑度/平滑度。
优选的是,步骤S4中,将亮度比值、最小噪声分离、归一化植被指数、归一化水体指数和光谱角作为分割图层,图层的权重系数分别为:1、1、1、1、1。
优选的是,步骤S4中,对于1m空间分辨率的影像数据存在部分零散居民地聚集的影像,采用80-150的分割尺寸对单元进行分割;
优选的是,步骤S4中,几何形态的参考比重为0.2~0.5。
优选的是,步骤S4中,紧凑度的参考比重为0.4-0.6。
优选的是,步骤S5中,利用区域样本数据对多维变化特征进行筛选和组合,分别计算各个维度空间下样本的归一化欧式距离平均值D:
其中i用于控制组合空间的维度,xi为第i个变化特征,μi为对应特征下样本均值,通过枚举法,分别计算1、2、3、4、5五个维度空间下的变化特征组合的归一化欧式距离均值D,选择距离平均值最小的特征组合作为最优特征组合。
本发明具有以下有益效果:
本发明将计算机视觉影像特征匹配、图像超像素分割算法、多维遥感地表变化特征提取、机器学习分类器算法有机地结合在一起,将变化、未变化区域范围识别和属性判定过程进行分离,有效提高了高铁地表环境变化监测的效率,节约了监测的人工和经济成本;
本发明能有效完成高铁沿线的地表变化提取,与逐像素提取方法相比,能有效抑制椒盐噪声,提高了变化区域提取精度,同时变化区域边界与真实地物状况更加吻合。
附图说明
图1是本发明中多个尺度的影像金字塔下影像连接点提取与匹配图;
图2本发明中影像配准前后的对比效果图;
图3为植被光谱曲线图;
图4为本发明的方法中高铁沿线地表变化提取效果图。
具体实施方式
以下结合具体实施例对本发明的监测方法进行详细说明。
实施例一
以1m空间分辨率高分遥感数据为例,基于多维度特征提取的高铁环境变化监测方法步骤如下:
S1、高分辨率遥感影像预处理:
进行不同时相高分辨率遥感影像的预处理,包括四步:1)传感器参数进行绝对的辐射定标,2)使用研究区高精度的DEM进行正射校正;3)大气校正:使用MODTRAN 4+辐射传输模型消除大气对影像数据波谱的影响;4)多光谱数据和全色波段数据融合。具体如下:
1)辐射定标:
获取遥感影像后,为了进行数据的压缩和传输要进行量化和重采样,将获取的辐射亮度值转化为DN(Digital Number)值进行存储和传输。一般情况下,DN值不具有具体的物理意义,在精确的遥感影像数据应用中,一般需要将DN值再转化为辐射亮度值,这个过程称之为辐射定标,其计算公式为:
Radition_value=Gain*Band_DN+offset............(1)
其中Radition_value为辐射亮度值、Band_DN为传感器获取的各个波段下的采样量化值,Gain为本波段的增益值,offset为本波段的偏量。对于具体数据而言要获取各个波段的增益和偏量。
2)正射校正:
由于地形起伏造成在相对固定轨道下的卫星所采集的影像会产生畸变,造成地势较高的区域较地势较低的区域比例尺大,或造成平面空间上的扭曲。为了消除这种畸变需要对遥感影像数据进行正射校正。通常情况下,高分辨率遥感数据正射校正需要地表控制点(GCPs)或卫星传感器的外方位元素建立有理多项式系数文件(RPC),并利用数字高程模型进行校正。大部分1a级别的高分辨率遥感数据均包含RPC数据,因此直接利用区域数字高程数据即可完成正射校正。
3)大气校正:
大气校正是为了消除大气中水分、二氧化碳和细小的胶体、粉尘颗粒对地物反射所带来的影响,将步骤1)得到的辐射亮度值转化为地表反射率或发生率的过程。MODTRAN 4+辐射传输模型可以实现像素级400nm—2500nm波段范围内遥感影像的大气校正。其中地表的平均高度根据区域数字地表模型确定;其传感器高度、像元大小为传感器的共有属性;成像日期、时间、中心坐标、根据头文件获取;根据区域位置选择气溶胶参数,建筑密集的市区选择Urban气溶胶模型,如区域大面积位于野外则选择Rural;大气模型根据影像的经纬度和时相确定,其中大气模型包括:Sub-Arctic Winter(SAW)、Mid-Latitude Winter(MLW)、Sub-Arctic Summer(SAS)、Mid-Latitude Sumer(MLS)、Tropical(T),具体的大气模型确定参数如表1所示:
表1大气模型参数表
4)遥感图像融合:
遥感图像融合通常是指将低分辨率高光谱的遥感影像与高分辨率的单波段进行信息融合,通过重采样生成高分辨多光谱遥感影像的技术,使得处理后的遥感影像同时具有较高的空间分辨率和光谱分辨率。可采用彩色空间变换、NNDiffuse Pan Sharpening等图像融合方法完成影像融合得到1m空间分辨率的多光谱影像数据。通过对不同时相的遥感数据重复上述过程完成不同时相遥感数据的预处理。
S2、不同时相遥感影像匹配:
影像配准又称图像匹配,是将不同传感器、不同时相或不同视角获取的影像中的同名地物点匹配到相同的目标坐标下。图像自动匹配方法分为图像灰度匹配、基于特征匹配。通常情况下灰度匹配计算量大、计算速度慢,易受外界光线环境变化影响。基于特征匹配具有计算量小,匹配效果好等特点。特征匹配分为基于点和线的匹配。角点的提取要好于线段的检测,这是由于光圈问题决定的,通过一个点观测一条直线,只有垂直于线段的时候才能观测到,而角点的观测则不受角度的限制。角点为图像领域内的各个方向上灰度变化的局部最大值。角点检测有多种算法,使用较多的为Moravec、Harris和Forstner算法等。其中Forstner算法运算速度较快、精度较高,在图像匹配领域得到广泛的应用,该算法逐像元计算Robert梯度以及以该像元为中心的滑动窗口内的灰度协方差矩阵,以此为依据选取特征点。如图1所示,本发明以Forstner算法为基础,在多个尺度的影像金字塔下进行影像连接点提取与匹配,得到匹配后的遥感影像,具体步骤如下:
首先构建匹配图像与被匹配图像的多尺度影像金字塔,在两个时相数据上分别利用Forstner算法提取最大尺度上金字塔图层中的特征角点,对特征角点进行相似性度量得到匹配特征点,并利用匹配特征点进入更为精细的下一层金字塔图层匹配,去除错误的匹配点。利用最终保留的匹配特征点作为两个时相影像的连接点,具体计算过程为:
A)逐层计算各个像元的Robert梯度:
fx=f(x+1,y+1)-f(x,y).................................(1)
fx=f(x+1,y)-f(x,y+1).................................(2)
Robert算子邻域如下:
f(x,y) | f(x,y+1) |
f(x+1,y) | f(x+1,y+1) |
;
B)逐像元计算滑动窗口内灰度协方差矩阵:
其中dx和dy分别为x方向和y方向的微分;
C)计算确定角点特征值W和U:
其中trN为协方差矩阵的迹,设定阈值Tw、Tu,遍历图像获取同时满足W>Tw和U>Tu的像元点.
D)设定领域窗口的大小,并以领域窗口内的最大特征值点作为特征角点。选择特定的滑动窗口,在窗口利用马氏距离进行图层间特征角点的相似性度量,选择相似性最高的点对作为连接点,将匹配的链接点进入下一级金字塔进行继续匹配。对最终匹配连接点误差进行估算,去除误差较大的连接点。根据以上匹配算法使用研究区遥感影像进行配准,得到配准后的影像数据,其影像配准前后的对比效果如图2所示。由匹配结果可知,区域房屋等具有明显角点的区域得到了较为精准的匹配,道路等线状地物其角点特征不是十分明显,其匹配效果较建筑地物差,但总体上其地物间匹配得到较大改善。
S3、多维变化特征提取:
使用融合匹配后的多光谱影像分别进行亮度比值(Bright_BI)、最小噪声分离(MNF)、归一化指标指数比值(NDVI_BI)、水体指数比值(NDWI_BI)、光谱角(SAM)等多维变化特征计算,得到相应的特征图层。其中:
亮度比值(Bright_BI)是使用多光谱影像数据中各个波段的总体亮度值差异来描述地物的变化情况。对于具体的遥感数据而言,亮度Brightness的定义为:
其中blue、green、red和nir分别为蓝光、绿光、红光和近红外波段的地表反射率值。而亮度比值(Bright_BI)为两个时相的亮度的比值,其计算公式为:
其中Brighti、Brightj分别为i、j期次数据的亮度值。
最小噪声分离(MNF)变换本质上是两次层叠的主成分变换,第一步变换是用于分离和重新调节数据中的噪声去除变换后的噪声波段数据间相关性,使得噪声的方差最小。第二次变换的目的是噪声白化数据作进一步处理,通过特征值判断数据的内在维度。最终数据被划分为两大部分,第一部分是最大特征值相关的特征图层,其物理意义为图像中的主要信息,第二部分为相近特征值对应波段和噪声占主体的波段图层。对两个时相遥感影像图层组进行最小噪声分离,其图层最大特征波段为影像的主要信息,即未发生变化的空间主体地物信息,而变化部分由于其波谱信息的不一致性则表现出噪声的特征,因此不同时相间空间变化信息在噪声图层表现出较为明显的特征。将精确配准后的前后两个时相遥感影像进行空间叠加,对叠加后的图层组进行最小噪声分离变换得到变换后图层。通过变换后的图像可知,主要的地物信息如建筑、水体、道路等在前前几个特征图像上得到了清晰的体现,而区域的噪声信息在后几个个特征波段较为明显。通过对比观测前后两个时相变化区域,选择可以代表变化特征的MNF图像作为MNF变化特征。对MNF变化特征图层进行9邻域窗口中值滤波处理,去除图像异常值单点噪声对信息提取所带来的影响。
通过植被地物光谱曲线研究可知,植被在近红外波段具有明显的反射峰,而在红光波段由于叶绿素对红光波段的吸收作用而存在吸收谷,如图3所示。因此可以利用这一特性构建归一化植被指数NDVI进行植被增强。不同时相下,植被的覆盖范围、郁密度等有着明显的不同,这些不同在NDVI上有着明显的差异。因此可以使用两个时相的NDVI比值来描述两个时相下植被的差异程度。对于具体的遥感数据计算NDVI和NDVI_BI而言,计算公式为:
其中nir、red为遥感影像近红外和红光波段地表反射率值,NDVIi、NDVIj分别为i、j时相的NDVI图层。
逐像元运用上述公式完成水体归一化植被指数比值特征图层的计算。
通过前人对地表水体光谱曲线研究可知,水体的光谱区域,在绿光波段存在明显的反射峰,在近红外波段几乎接近全吸收。因此可以采用归一化水体指数(NDWI)进行图像水体增强。通过两个时相的水体指数的比值NDWI_BI可以获取两个时相下水体的范围的差异。
其中nir,green分别为遥感数据的近红外和绿光波段数据。NDWIi、NDWIj分别为i、j时相的NDWI图层。逐像元运用上述公式完成水体归一化水体指数比值特征图层计算。
在多光谱影像中每一个像元对应的光谱曲线可以视为一个多维向量,相同的地物其两个时相的波谱的相似程度越大,表现在光谱向量夹角上,相似地物的光谱角小,不同地物间随着光谱曲线的差异的增大光谱角增大。光谱角(SAM)的计算公式为:
在本实施例中,xi为高分二号遥感数据中第一个时相中第i个像元的光谱向量,yi为高分二号遥感数据中第二个时相中第i个像元的光谱向量。通过逐像元计算得到两个时相的光谱角特征图层。
通过上述过程完成两个期次多维变化特征图层的计算。
S4、特征图层对像化转化与统计:
以S3得到的特征图层数据为数据源进行超像素分割得到地物对象单元,并以地物对象为统计单元计算多维变化特征的均值和标准差;综合利用多个波段的信息,设置影像分割参数,完成影像由像素单元向对象单元的转换。需要设置的参数如下:
参与影像分割的图层与权重,除融合后的可见光和近红外波段外,全色波段、图像边缘增强的图层和以其他图像信息增强的图层均可以参与多尺度分割,并根据分割目标对象设置各个图层的权重;
分割单元的尺度大小,其为相对的概念,没有具体单位,描述了其分割影像对象单位的大小,其值越大,其影像单位越大;
几何形态/光谱的参考的比重因子参数(0-1),其为影像光谱和几何形态在影像分割过程中的参考比重,其几何形态和光谱参考的比重参数之和为1,如果几何形体参考比重参数设置为x,则光谱的参考比重参数为1-x;
分割对象的紧凑度/平滑度(0-1),此参数描述了分割对象单元边缘的平滑程度,紧凑程度越大其分割对象的平滑程度越小,平滑程度和紧凑程度之和同样为1。
本发明具体将Brihgt_BI、MNF、NDVI_BI、NDWI_BI和SAM等地表变化特征图层作为分割图层,图层的权重系数分别为:1、1、1、1、1。对于分割尺度而言根据影响的地物类型分布进行选择,一般情况下,1m空间分辨率的影像数据存在部分零散居民地聚集的影像中采用80-150的分割尺寸可以满足应用需求;根据实验得出的经验值,几何形态的参考的比重一般设置为0.2~0.5,以影像的光谱信息为主、形状信息为辅;紧凑度选择0.4-0.6,一般可以满足应用需求。
以上参数为一般项目的经验参数,其值可根据具体的应用效果进行调节。分割完成后,分别计算Brihgt_BI、MNF、NDVI_BI、NDWI_BI和SAM各个图层对象的均值和标准差。
S5、以对像化的特征图层为数据源选取变化样本并进行最优特征筛选:
多维变化特征从多个维度上描述地表的变化情况,如亮度比值从整体辐射亮度的角度描述了地表的变化情况,对人工建筑物等地物较为敏感,最小噪声分离从统计总体的角度对地表变化进行描述,而NDVI_BI则是从植被覆盖变化的角度描述地表变化情况,NDWI_BI是水体变化的角度描述地表的变化情况。对于不同区域而言,从不同的维度描述和提取变化区域在一定程度上可以提高变化区域的提取精度,但同时也带入了一部分噪声,因此需要利用区域样本数据对多维变化特征进行筛选和组合,从而构建变化提取的最优特征空间。其计算原理为分别计算各个维度空间下样本的归一化欧式距离平均值D。其计算公式为:
其中i用于控制组合空间的维度,xi为第i个变化特征,μi为对应特征下样本均值。通过枚举法,分别计算1、2、3、4、5五个维度空间下的变化特征组合的归一化欧式距离均值D,选择距离平均值最小的特征组合作为变化提取最优特征组合。不同区域下选择不同类型的样本数据所计算出的最优特征空间组合可能存在不同,因此最优特征组合为变量而非常量。
S6、利用变化提取最优特征组合空间构建随机森林分类器进行变化区域提取与优化:
随机森林分类算法(RF)是一种在大数据集合上有效运行算法,能较好的处理和运用多维特征空间,而不需要降维操作,具有较好的分类精度。本发明中,随机森林分类算法的运用分为分类模型训练和模拟分类两个过程。首先使用变化样本在多维变化特征空间下进行随机森林分类模型训练。对应区域而言通过样本数据筛选得出Bright_BI、NDVI_BI和SAM等特征组合为本区域的最优特征空间。利用各个对象单元下在特征空间下的均值、标准差作为模型的自变量,对象的变化/未变化类别作为因变量进行训练。利用训练好的分类模型对整个区域进行分类得出整个区域的变化分布情况。
S7、分类结果的优化、导出:
对步骤6得出的变化提取结果进行优化,其主要的步骤是边缘平滑、相邻斑块合并、小斑块处理。由于对象分割以栅格影像为基准,所以地物对象边界易出现锯齿边界。利用对象膨胀、回缩等操作进行平滑;对相邻的属性相同的斑块进行合并,并取消其边界线;将小于4个像元的小斑块进行融合,其类别划归为相邻的类别。将优化后的结果数据包括其类别属性以矢量的格式进行导出。
采用2015年、2017年高铁沿线两期高空间分辨率遥感数据为实验数据,按照1-7步骤进行处理得出实验结果,结果如图3所示,通过结果分析可知,此方法对于高铁沿线的彩钢房、混凝土建筑、地表植被变化等地表变化具有较好的提取效果,对于变化噪声具有较好的抑制作用。
本实施例以高铁沿线地表环境变化为研究对象,以两个期次1m空间分辨率高清遥感影像为数据源,影像匹配实验生成280组匹配点,图像匹配总体均方根误差(RMS)为0.31个像元。通过随机抽取200个样本点进行精度验证,遥感变化监测的总体精度为91%。
通过对实验结果的分析可知:不同时相下高耸的建筑所产生的不同角度的阴影、水体在不同温度下的状态、植被在不同时相下的郁密度是高铁沿线遥感变化监测的主要误差来源。
本方法对于高铁沿线变化监测所关注的彩钢瓦房、塑料大棚、建筑和棚户简易房等地物变化具有较好的识别效果,对植被变化、光线的强弱差异等变化不敏感,对高铁沿线地表环境监测具有较好的适用性。
Claims (10)
1.一种基于多维度特征提取的高铁环境变化监测方法,包括以下步骤:
S1,高分辨率遥感影像预处理:
对不同时相的高分辨率遥感影像分别依次进行辐射定标、正射校正、大气校正和图像融合,完成不同时相遥感影像的预处理;
S2,不同时相遥感影像匹配:
利用计算机视觉算法对步骤S1预处理遥感影像中两个时相的高分辨率遥感影像分别进行不同尺度下金字塔影像特征角点提取,对所述特征角点进行相似性度量,得到匹配特征点,并利用匹配特征点进入更为精细的下一层金字塔图层匹配,去除错误的匹配特征点,利用最终保留的匹配特征点作为两个时相影像的连接点,完成不同时相影像的自动匹配;
S3,多维变化特征提取:
对步骤S2匹配后的两个时相的高分辨率遥感影像分别进行多维变化特征计算,得到相应的特征图层;
S4,特征图层对像化转化与统计:以S3得到的特征图层数据为数据源进行超像素分割得到地物对象单元,并以地物对象为统计单元计算多维变化特征的均值和标准差;综合利用多个特征图层的信息,设置影像分割参数,完成影像由像素单元向对象单元的转换;
S5,以对像化的特征图层为数据源选取变化样本并进行最优特征筛选:
以对像化的特征图层为数据源,选择多个类型的地表变化样本,并计算各个样本数据在对像化多维变化特征维度上的欧式距离,以此为依据进行可分性度量,得到变化提取最优特征组合;
S6,利用变化提取最优特征组合空间构建随机森林分类器进行变化区域提取与优化:
首先使用变化样本在最优多维变化特征空间下多维特征信息进行随机森林分类模型训练得到分类模型,利用训练好的分类模型对整个区域进行分类,得出整个区域的变化分布情况;
S7,分类结果的优化、导出:
对步骤S6得出的变化分布情况进行优化,将优化后的结果数据包括其类别属性以矢量的格式进行导出,完成高铁环境变化监测。
2.根据权利要求1所述的高铁环境变化监测方法,其特征在于,所述步骤S1包括:
1)辐射定标:
获取遥感影像后,将DN值转化为辐射亮度值计算公式为:
Radition_value=Gain*Band_DN+offset……………(1)
其中:Radition_value为辐射亮度值、Band_DN为传感器获取的各个波段下的采样量化值,Gain为本波段的增益值,offset为本波段的偏量;
2)正射校正:通过正射校正消除因地形起伏产生的影像畸变;
3)大气校正:通过大气校正消除大气中水分、二氧化碳和细小的胶体和粉尘颗粒对地物反射所带来的影响,将辐射亮度值转化为地表反射率;
4)遥感图像融合:
通过遥感图像融合将低分辨率的多光谱影像与高分辨率的全色影像进行信息融合,以提高多光谱遥感影像的的空间分辨率。
3.根据权利要求1所述的高铁环境变化监测方法,其特征在于,所述步骤S2具体包括以下步骤:
A)逐层计算各个像元的Robert梯度:
fx=f(x+1,y+1)-f(x,y)……………………………(1)
fx=f(x+1,y)-f(x,y+1)……………………………(2)
Robert算子邻域如下:
;
B)逐像元计算滑动窗口内灰度协方差矩阵:
其中dx和dy分别为x方向和y方向的微分;
C)计算确定角点特征值W和U:
其中trN为协方差矩阵的迹,设定阈值Tw、Tu,遍历图像获取同时满足W>Tw和U>Tu的像元点;
D)设定领域窗口的大小,并以领域窗口内的最大特征值点作为特征角点。选择特定的滑动窗口,在窗口利用马氏距离进行图层间特征角点的相似性度量,选择相似性最高的点对作为连接点,将匹配的链接点进入下一级金字塔进行继续匹配。对最终匹配连接点误差进行估算,去除误差较大的连接点。根据以上匹配算法使用研究区遥感影像进行配准,得到配准后的影像数据。
4.根据权利要求1-3中任一项所述的高铁环境变化监测方法,其特征在于,步骤S3中的多维变化特征包括:亮度比值(Bright_BI)、最小噪声分离(MNF)、归一化植被指数比值(NDVI_BI)、归一化水体指数比值(NDWI_BI)和光谱角(SAM)。
5.根据权利要求4所述的高铁环境变化监测方法,其特征在于,步骤S4中,需要设置的参数包括:参与影像分割的图层与权重、分割单元的尺度大小、几何形态/光谱的参考比重因子参数以及分割对象的紧凑度/平滑度。
6.根据权利要求5所述的高铁环境变化监测方法,其特征在于,步骤S4中,将亮度比值、最小噪声分离、归一化植被指数比值、归一化水体指数比值和光谱角作为分割图层,图层的权重系数分别为:1、1、1、1、1。
7.根据权利要求6所述的高铁环境变化监测方法,其特征在于,步骤S4中,对于1m空间分辨率的影像数据存在部分零散居民地聚集的影像,采用80-150的分割尺寸对单元进行分割。
8.根据权利要求7所述的高铁环境变化监测方法,其特征在于,步骤S4中,几何形态的参考比重为0.2~0.5。
9.根据权利要求8所述的高铁环境变化监测方法,其特征在于,步骤S4中,紧凑度的参考比重为0.4-0.6。
10.根据权利要求9所述的高铁环境变化监测方法,其特征在于,步骤S5中利用区域样本数据对多维变化特征进行筛选和组合,分别计算各个维度空间下样本的归一化欧式距离平均值D:
其中i用于控制组合空间的维度,xi为第i个变化特征,μi为对应特征下样本均值,通过枚举法,分别计算1、2、3、4、5五个维度空间下的变化特征组合的归一化欧式距离均值D,选择距离平均值最小的特征组合作为最优特征组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454218.7A CN110390255A (zh) | 2019-05-29 | 2019-05-29 | 基于多维度特征提取的高铁环境变化监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454218.7A CN110390255A (zh) | 2019-05-29 | 2019-05-29 | 基于多维度特征提取的高铁环境变化监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390255A true CN110390255A (zh) | 2019-10-29 |
Family
ID=68284971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910454218.7A Pending CN110390255A (zh) | 2019-05-29 | 2019-05-29 | 基于多维度特征提取的高铁环境变化监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390255A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910457A (zh) * | 2019-11-22 | 2020-03-24 | 大连理工大学 | 基于角点特征的多光谱立体相机外参计算方法 |
CN110956207A (zh) * | 2019-11-22 | 2020-04-03 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
CN111091054A (zh) * | 2019-11-13 | 2020-05-01 | 广东国地规划科技股份有限公司 | 一种地类变化监测方法、***及存储介质 |
CN111091113A (zh) * | 2019-12-30 | 2020-05-01 | 贵阳欧比特宇航科技有限公司 | 一种高光谱影像数据融合方法 |
CN111257854A (zh) * | 2020-01-19 | 2020-06-09 | 中南林业科技大学 | 一种通用的基于遥感影像分割单元的地形校正优化方法 |
CN111582642A (zh) * | 2020-04-03 | 2020-08-25 | 中国水产科学研究院东海水产研究所 | 一种鱼类最适环境判断方法、电子设备及存储介质 |
CN112147078A (zh) * | 2020-09-22 | 2020-12-29 | 华中农业大学 | 一种农作物表型信息多源遥感监测方法 |
CN113822220A (zh) * | 2021-10-09 | 2021-12-21 | 海南长光卫星信息技术有限公司 | 一种建筑物检测方法及*** |
CN114283070A (zh) * | 2022-03-07 | 2022-04-05 | 中国铁路设计集团有限公司 | 融合无人机影像与激光点云的地形断面制作方法 |
CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1651860A (zh) * | 2004-06-08 | 2005-08-10 | 王汶 | 用不同尺度遥感数据估计面积变化的对称***抽样技术 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN108195767A (zh) * | 2017-12-25 | 2018-06-22 | 中国水产科学研究院东海水产研究所 | 河口湿地外来种监测方法 |
CN109523516A (zh) * | 2018-10-19 | 2019-03-26 | 中国科学院遥感与数字地球研究所 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
CN109657610A (zh) * | 2018-12-18 | 2019-04-19 | 北京航天泰坦科技股份有限公司 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
CN109685081A (zh) * | 2018-12-27 | 2019-04-26 | 中国土地勘测规划院 | 一种遥感提取撂荒地的联合变化检测方法 |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN109784251A (zh) * | 2019-01-04 | 2019-05-21 | 中国铁路总公司 | 高铁沿线小型水体遥感识别方法 |
-
2019
- 2019-05-29 CN CN201910454218.7A patent/CN110390255A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1651860A (zh) * | 2004-06-08 | 2005-08-10 | 王汶 | 用不同尺度遥感数据估计面积变化的对称***抽样技术 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN108195767A (zh) * | 2017-12-25 | 2018-06-22 | 中国水产科学研究院东海水产研究所 | 河口湿地外来种监测方法 |
CN109523516A (zh) * | 2018-10-19 | 2019-03-26 | 中国科学院遥感与数字地球研究所 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN109657610A (zh) * | 2018-12-18 | 2019-04-19 | 北京航天泰坦科技股份有限公司 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
CN109685081A (zh) * | 2018-12-27 | 2019-04-26 | 中国土地勘测规划院 | 一种遥感提取撂荒地的联合变化检测方法 |
CN109784251A (zh) * | 2019-01-04 | 2019-05-21 | 中国铁路总公司 | 高铁沿线小型水体遥感识别方法 |
Non-Patent Citations (4)
Title |
---|
张明哲等: "基于超像素分割和多方法融合的SAR图像变化检测方法", 《遥感技术与应用》 * |
温奇等: "高分辨率遥感影像的平原建成区提取", 《光学精密工程》 * |
肖明虹等: "超像素分割和多方法融合的遥感影像变化检测方法", 《测绘通报》 * |
蒋丽丽等: "京沪高铁周边环境安全隐患智能监测体系研究", 《铁路计算机应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091054B (zh) * | 2019-11-13 | 2020-11-10 | 广东国地规划科技股份有限公司 | 一种地类变化监测方法、***、装置及存储介质 |
CN111091054A (zh) * | 2019-11-13 | 2020-05-01 | 广东国地规划科技股份有限公司 | 一种地类变化监测方法、***及存储介质 |
CN110956207A (zh) * | 2019-11-22 | 2020-04-03 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
CN110910457A (zh) * | 2019-11-22 | 2020-03-24 | 大连理工大学 | 基于角点特征的多光谱立体相机外参计算方法 |
CN110956207B (zh) * | 2019-11-22 | 2023-09-19 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
CN110910457B (zh) * | 2019-11-22 | 2021-04-16 | 大连理工大学 | 基于角点特征的多光谱立体相机外参计算方法 |
CN111091113A (zh) * | 2019-12-30 | 2020-05-01 | 贵阳欧比特宇航科技有限公司 | 一种高光谱影像数据融合方法 |
CN111257854A (zh) * | 2020-01-19 | 2020-06-09 | 中南林业科技大学 | 一种通用的基于遥感影像分割单元的地形校正优化方法 |
CN111582642A (zh) * | 2020-04-03 | 2020-08-25 | 中国水产科学研究院东海水产研究所 | 一种鱼类最适环境判断方法、电子设备及存储介质 |
CN112147078A (zh) * | 2020-09-22 | 2020-12-29 | 华中农业大学 | 一种农作物表型信息多源遥感监测方法 |
CN113822220A (zh) * | 2021-10-09 | 2021-12-21 | 海南长光卫星信息技术有限公司 | 一种建筑物检测方法及*** |
CN114283070A (zh) * | 2022-03-07 | 2022-04-05 | 中国铁路设计集团有限公司 | 融合无人机影像与激光点云的地形断面制作方法 |
CN114283070B (zh) * | 2022-03-07 | 2022-05-03 | 中国铁路设计集团有限公司 | 融合无人机影像与激光点云的地形断面制作方法 |
CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
Pu et al. | A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species | |
CN107392130B (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
Wang et al. | Comparison of IKONOS and QuickBird images for mapping mangrove species on the Caribbean coast of Panama | |
Lu et al. | Land cover classification in a complex urban-rural landscape with QuickBird imagery | |
CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN106339674B (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN111709379A (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** | |
CN103679675B (zh) | 一种面向水质定量遥感应用的遥感影像融合方法 | |
CN105930772A (zh) | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN102842044B (zh) | 高分辨率可见光遥感图像变化检测方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
Zhang et al. | Remote sensing of impervious surfaces in tropical and subtropical areas | |
CN106971397A (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN102013095A (zh) | 基于分布变换的多传感器图像融合方法 | |
CN112258523A (zh) | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |