CN111091087A - 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 - Google Patents
基于多视图协同典型相关森林遥感影像土地覆盖提取算法 Download PDFInfo
- Publication number
- CN111091087A CN111091087A CN201911270329.9A CN201911270329A CN111091087A CN 111091087 A CN111091087 A CN 111091087A CN 201911270329 A CN201911270329 A CN 201911270329A CN 111091087 A CN111091087 A CN 111091087A
- Authority
- CN
- China
- Prior art keywords
- view
- typical
- forest
- remote sensing
- space
- 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
Images
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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,包括利用高分辨率遥感影像的光谱‑纹理‑形态学剖面特征构建生成多视图;利用典型相关分析对高分辨率遥感多视图特征之间进行特征空间变换;利用多变量倾斜决策树,构建多视图线性组合分类用于倾斜树非叶节点特征选择;投影原始多视图空间到典型相关空间;考虑输入特征和输出类别之间的关系,对输入特征子空间和输出类别采用典型相关分析将原始输入特征投影到典型分量空间;对集成多视图数据集在投影特征空间进行穷尽搜索以完成超平面***,通过对树集成生成典型相关森林;对典型相关森林中每棵树的预测结果进行多数投票,进而获得高精度的土地覆盖类别信息。
Description
技术领域
本发明属于遥感模式识别技术领域,具体涉及基于多视图协同典型相关森林遥感影像土 地覆盖提取算法,能够针对复杂地表环境提高高分辨率遥感土地覆盖信息的最终分类精度和 提取效率,适用于高分辨率遥感影像在城区、矿区、湿地等复杂环境下土地覆盖详细信息提 取、动态扩展监测,以及区域规划等相关的多种应用中。
背景技术
针对高分影像的数据处理以及影像信息提出,还存在以下几个难点:(1)影像中同类地 物的类内光谱差异增大,而不同类地物的类间光谱差异减小,使得“同物异谱、同谱异物” 现象普遍存在;(2)传统的方法难以有效描述场景中存在复杂的自然环境和各种人造地物; (3)影像空间分辨率和特征数量的急剧增加,使得计算量呈指数增加;这些问题都使得适用 于中低分辨率遥感影像的传统分类方法难以满足高分辨率遥感影像分类的需求,急需探索新 的数据处理方法来充分利用高分影像的所有潜力。
在这样的背景下,本发明针对高空间分辨率遥感影像的特点,提出的一种多视图协同典 型相关森林的遥感影像土地覆盖分类算法,通过提取光谱、纹理和形态学特征构建多视图数 据集;利用典型相关分析计算输入特征与输出类别之间的关系进行特征空间投影;集成多视 图数据集和Gini指数在投影特征空间进行穷尽搜索以完成超平面***,构建典型相关树;将 生成的多棵典型相关树进行组合生成典型相关森林,采用多数投票法得到最终的分类结果。
发明内容
针对现有技术上存在的不足,本发明提供一种基于多视图协同典型相关森林遥感影像土 地覆盖提取算法。
为实现上述目的,本发明采用如下技术方案:
一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,本发明的步骤如下:
(1)利用高分辨率遥感影像的光谱-纹理-形态学剖面特征构建生成多视图。
(2)利用典型相关分析对高分辨率遥感多视图特征之间进行特征空间变换。
(3)利用多变量倾斜决策树,构建多视图线性组合分类用于倾斜树非叶节点特征选择。
(4)投影原始多视图空间到典型相关空间,在非叶节点的特征集和属性集上,对多视图 相关性进行排序并求取最大值的多特征进行生长。
(5)考虑输入特征和输出类别之间的关系,对输入特征子空间和输出类别采用典型相关 分析将原始输入特征投影到典型分量空间。
(6)对集成多视图数据集在投影特征空间进行穷尽搜索以完成超平面***,进而完成树 模型训练生成典型相关树,通过对树集成生成典型相关森林。
(7)对典型相关森林中每棵树的预测结果进行多数投票,进而获得高精度的土地覆盖类 别信息。
采用上述技术方案,本发明的有益效果:
本发明内容在于针对高空间分辨率遥感影像,解决有效利用高分辨率遥感数据光谱-空间 特征高精度提取土地覆盖信息的问题;首先对遥感影像采用波段运算以获取光谱特征,采用 灰度共生矩阵获取纹理特征,采用形态学运算与重建获取形态学特征;再利用计算得到的光 谱-空间特征构建多视图数据集;考虑输入特征和输出类别的关系,在模型训练的节点处采用 典型相关分析对特征空间进行投影;集成多视图数据集和倾斜***规则在投影特征空间进行 穷尽搜索完成超平面***,以此构建典型相关倾斜树;采用多数投票法,将多棵典型相关树 的预测结果进行组合形成典型相关森林,最终实现高分遥感影像高精度土地覆盖分类的目的。
附图说明
图1是本发明中基于多视图协同典型相关森林遥感影像土地覆盖提取算法的步骤(1)— (7)流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体 实施方式,进一步阐述本发明:
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发 明的范围,而是仅仅表示本发明的选定实施例,基于本发明中的实施例,本领域普通技术人 员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附 图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要 性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安 装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
结合图1所示:
一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,包括如下步骤:
步骤1:输入高空间分辨率遥感影像数据;
本算法可以处理不同遥感平台(航天、航空、地面)传感器获取的高空间分辨率遥感影 像。
步骤2:提取并生成多视图特征;
如光谱-纹理-形态学-空间结构等;利用移动窗口计算提取研究区灰度共生矩阵(GLCM) 纹理信息;对空间指数进行分割并利用形态学做空间分析,分别计算提取与待分类地表类型 高度正的自相关区域和负的自相关区域;移除孤立小面积对象,并使用数学形态学填充对有 意义的对象进行增长计算;对优化后的对象图形进行交集运算,识别提取同时具有正的自相 关和负的自相关区域。
步骤3:由正交空间转换为倾斜投影特征空间;
在树模型的节点处对多视图数据集中的输入特征和输出类别采用典型相关分析,最大程 度地增加共同投影空间中特征和类别的相关性,以此构建投影特征空间。
步骤4:生成典型相关树;
投影原始多视图空间到典型相关空间,在非叶节点的特征集和属性集上,利用建立的线 性分类器,对每次分割的多视图特征进行选择,从而构建典型相关树。
步骤5:组合生成典型相关森林;
按照步骤3-步骤4的方法构建多棵典型相关树,对集成多视图数据集在投影特征空间进 行穷尽搜索以完成超平面***,进而生成典型相关树,对树集成生成典型相关森林。
步骤6:精确土地覆盖信息获取;
对典型相关森林中每棵树的预测结果进行多数投票,进而获得高精度的土地覆盖类别信 息。
一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,对本发明的具体实施步 骤详细描述:
(1)高分多视图协同模型构建;利用高分辨率遥感影像的光谱-纹理-形态学剖面特征构 建生成多视图。
(2)多维正交空间到倾斜空间转换;利用典型相关分析对高分辨率遥感多视图特征之间 进行特征空间变换。
(3)构建单棵倾斜子树模型要素;对于典型相关森林模型中树模型,已不是传统随机森 林中正交决策树,而是多变量倾斜决策树,此类决策树中通过对多视图属性的线性组合测试 形成线性分类器,ai是视图属性xi的权重。
(4)倾斜子树模型生长;投影原始多视图空间到典型相关空间,在非叶节点的特征集和 属性集上,利用建立的线性分类器,对多视图相关性进行排序并求取最大值的多特征进行生 长。
(6)典型相关森林生成;对集成多视图数据集在投影特征空间进行穷尽搜索以完成超平 面***,进而生成典型相关树,对树集成生成典型相关森林。
(7)精确土地覆盖信息获取;对典型相关森林中每棵树的预测结果进行多数投票,对于二类问题可以简单表述为,其中ε为成员树出错的概率,对于一般情况其中 表示hi在类标记cj上的输出,进而获得高精度的土地覆盖类别信息。
本实施例中,步骤(1)中所述,算法支持输入高分辨率遥感影像的不同特性视图进而构 建多视图。
本实施例中,所述步骤(2)中针对高分辨率遥感多视图的多维特征通过典型相关分析进 行正交到倾斜空间的转换。
本实施例中,所述步骤(3)中单棵树模型生成过程中,不再是传统正交决策树,而是增 强差异性的倾斜决策树。
本实施例中,所述步骤(4)中倾斜子树模型生长;通过多视图典型相关分析和相关性最 大值排序,生成倾斜子树模型,能够有效提高模型的运算效率和计算精度。
本实施例中,所述步骤(5)中对典型分量特征空间构建;基于输入特征和输出类别典型 相关分析进行特征选择与多变量协同计算,构建基于特征优化的最优典型相关空间。
本实施例中,所述步骤(6)中典型森林生成;通过对多视图变换后的空间新型穷尽搜索, 找到最后***平面,迭代循环完成单棵倾斜树的生长,并经过多次迭代生成典型相关森林。
本实施例中,所述步骤(7)对森林中每棵典型相关树的预测标记结果采用多数投票法以 获得最终的分类结果。
本发明内容在于针对高空间分辨率遥感影像,解决有效利用高分辨率遥感数据的光谱- 空间特征高精度提取土地覆盖信息的问题;首先对遥感影像采用波段运算以获取光谱特征, 采用灰度共生矩阵获取纹理特征,采用形态学运算与重建获取形态学特征;再利用计算得到 的光谱-空间特征构建多视图数据集;考虑输入特征和输出类别的关系,在模型训练的节点处 采用典型相关分析对特征空间进行投影;集成多视图数据集和倾斜***规则在投影特征空间 进行穷尽搜索完成超平面***,以此构建典型相关倾斜树;采用多数投票法,将多棵典型相 关树的预测结果进行组合形成典型相关森林,最终实现高分遥感影像高精度土地覆盖分类的 目的。
本实施例并非对本发明的形状、材料、结构等作任何形式上的限制,凡是依据本发明的 技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均属于本发明技术方案的保 护范围。
Claims (8)
1.一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,包括如下步骤:
(1)高分多视图协同模型构建;利用高分辨率遥感影像的光谱-纹理-形态学剖面特征构建生成多视图;
(2)多维正交空间到倾斜空间转换;利用典型相关分析对高分辨率遥感多视图特征之间进行特征空间变换;
(3)构建单棵倾斜子树模型要素;对于典型相关森林模型中树模型,已不是传统随机森林中正交决策树,而是多变量倾斜决策树,此类决策树中通过对多视图属性的线性组合测试形成线性分类器,ai是视图属性xi的权重;
(4)倾斜子树模型生长;投影原始多视图空间到典型相关空间,在非叶节点的特征集和属性集上,利用建立的线性分类器,对多视图相关性进行排序并求取最大值的多特征进行生长;
(6)典型相关森林生成;对集成多视图数据集在投影特征空间进行穷尽搜索以完成超平面***,进而生成典型相关树,对树集成生成典型相关森林;
2.根据权利要求1所述一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,其特征在于:步骤(1)中所述,算法支持输入高分辨率遥感影像的不同特性视图进而构建多视图。
3.根据权利要求1所述一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,其特征在于:所述步骤(2)中针对高分辨率遥感多视图的多维特征通过典型相关分析进行正交到倾斜空间的转换。
4.根据权利要求1所述一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,其特征在于:所述步骤(3)中单棵树模型生成过程中,不再是传统正交决策树,而是增强差异性的倾斜决策树。
5.根据权利要求1所述一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,其特征在于:所述步骤(4)中倾斜子树模型生长;通过多视图典型相关分析和相关性最大值排序,生成倾斜子树模型,能够有效提高模型的运算效率和计算精度。
6.根据权利要求1所述一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,其特征在于:所述步骤(5)中对典型分量特征空间构建;基于输入特征和输出类别典型相关分析进行特征选择与多变量协同计算,构建基于特征优化的最优典型相关空间。
7.根据权利要求1所述一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,其特征在于:所述步骤(6)中典型森林生成;通过对多视图变换后的空间新型穷尽搜索,找到最后***平面,迭代循环完成单棵倾斜树的生长,并经过多次迭代生成典型相关森林。
8.根据权利要求1所述一种基于多视图协同典型相关森林遥感影像土地覆盖提取算法,其特征在于:所述步骤(7)对森林中每棵典型相关树的预测标记结果采用多数投票法以获得最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270329.9A CN111091087B (zh) | 2019-12-12 | 2019-12-12 | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270329.9A CN111091087B (zh) | 2019-12-12 | 2019-12-12 | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091087A true CN111091087A (zh) | 2020-05-01 |
CN111091087B CN111091087B (zh) | 2023-04-07 |
Family
ID=70394904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911270329.9A Active CN111091087B (zh) | 2019-12-12 | 2019-12-12 | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091087B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022782A (zh) * | 2021-11-01 | 2022-02-08 | 中国石油大学(华东) | 一种基于modis卫星数据的海雾探测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1166283A (ja) * | 1997-08-13 | 1999-03-09 | Matsushita Electric Ind Co Ltd | 画像特徴量の相関抽出方法及び画像検索装置 |
CN203964904U (zh) * | 2014-07-26 | 2014-11-26 | 刘浙 | 树木垂直度检测器 |
CN108038448A (zh) * | 2017-12-13 | 2018-05-15 | 河南理工大学 | 基于加权熵的半监督随机森林高光谱遥感影像分类方法 |
-
2019
- 2019-12-12 CN CN201911270329.9A patent/CN111091087B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1166283A (ja) * | 1997-08-13 | 1999-03-09 | Matsushita Electric Ind Co Ltd | 画像特徴量の相関抽出方法及び画像検索装置 |
CN203964904U (zh) * | 2014-07-26 | 2014-11-26 | 刘浙 | 树木垂直度检测器 |
CN108038448A (zh) * | 2017-12-13 | 2018-05-15 | 河南理工大学 | 基于加权熵的半监督随机森林高光谱遥感影像分类方法 |
Non-Patent Citations (1)
Title |
---|
何云等: "基于Sentinel-2A影像特征优选的随机森林土地覆盖分类", 《资源科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022782A (zh) * | 2021-11-01 | 2022-02-08 | 中国石油大学(华东) | 一种基于modis卫星数据的海雾探测方法 |
CN114022782B (zh) * | 2021-11-01 | 2024-05-10 | 中国石油大学(华东) | 一种基于modis卫星数据的海雾探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111091087B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062282B (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
Chen | Mapping mangrove in Dongzhaigang, China using Sentinel-2 imagery | |
Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
CN111898688A (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
CN111783884B (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
Su et al. | Machine learning-assisted region merging for remote sensing image segmentation | |
CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
Kozoderov et al. | Retrieval of forest stand attributes using optical airborne remote sensing data | |
CN102521624A (zh) | 一种土地利用类型分类的方法和*** | |
Kozoderov et al. | A system for processing hyperspectral imagery: application to detecting forest species | |
CN106897722A (zh) | 一种基于区域形状特征的商标图像检索方法 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
CN116740474A (zh) | 一种基于锚定条纹注意力机制的遥感图像分类方法 | |
CN111091087B (zh) | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 | |
CN110956221A (zh) | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
Osei et al. | Long term monitoring of Ghana’s forest reserves Using Google Earth Engine | |
CN115223055A (zh) | 一种基于多源卫星遥感的碳汇估算方法 | |
CN111552004B (zh) | 一种遥感数据角度异常信息提取方法及*** | |
Kozoderov et al. | Cognitive technologies for processing optical images of high spatial and spectral resolution |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220712 Address after: 570100 No.12 Baiju Avenue, Meilan District, Haikou City, Hainan Province Applicant after: HAINAN ACADEMY OF OCEAN AND FISHERIES SCIENCES Address before: 454000 No. 2001 Century Avenue, hi tech Zone, Henan, Jiaozuo Applicant before: HENAN POLYTECHNIC University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |