CN113408370A - 基于自适应参数遗传算法的森林变化遥感检测方法 - Google Patents
基于自适应参数遗传算法的森林变化遥感检测方法 Download PDFInfo
- Publication number
- CN113408370A CN113408370A CN202110605694.1A CN202110605694A CN113408370A CN 113408370 A CN113408370 A CN 113408370A CN 202110605694 A CN202110605694 A CN 202110605694A CN 113408370 A CN113408370 A CN 113408370A
- Authority
- CN
- China
- Prior art keywords
- pixel
- remote sensing
- forest
- class
- individual
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 230000002068 genetic effect Effects 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 2
- 238000002329 infrared spectrum Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000036039 immunity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感技术领域,具体公开了一种基于自适应参数遗传算法的森林变化遥感检测方法,包括对森林遥感影像数据进行预处理;利用光谱波段的反射率计算两幅大气校正后的森林遥感影像的归一化植被指数,并令其为植被指数特征图;对植被指数特征图进行中值滤波,使用差值法对滤波后的特征图构造植被指数差异图;对植被指数差异图进行显著性检测:对显著性差异图使用模糊C均值聚类算法进行预分类,使用基于自适应参数的遗传算法对不确定类像素集中像素的类别标签进行优化,生成最终的变化图。本发明用于解决使用单一光谱特征的遗传算法造成的森林变化检测精度低和搜索空间庞大的问题。
Description
技术领域
本发明属于遥感技术领域,涉及一种森林变化遥感检测方法,具体涉及一种基于自适应参数遗传算法的森林变化遥感检测方法。
背景技术
变化检测是遥感图像处理中最重要的研究课题之一,是指在同一地理区域内不同时间获取两幅或两幅以上的遥感图像,进行定性、定量分析和测定地表变化,被广泛应用于环境监测、自然灾害评估、森林资源监测、农业调查等领域。
森林覆盖了地球31%的表面,是人类陆地上最大的生态***。森林对生态环境、生物多样性和气候变化有重要影响,在净化空气、调节气候、涵养水源、减少风沙危害等方面起着重要作用,其数量和质量已成为国民经济的重要物质基础。森林资源状况的变化对于国家的发展进步,乃至全球生态环境、生物多样性和气候变化都有重要影响。因此,及时准确地获取森林覆盖变化信息,对于研究环境变化和森林管理规划具有重要意义。
传统的森林变化检测方法主要是人工目视解译,需要专门的解译人员对不同时期图像的变化区域进行比较和解译,难以快速准确地对大范围的森林区域进行判别。与传统方法相比,遥感技术拥有探测范围大、数据采集周期短、受地面条件限制少等优点,近年来在森林变化检测领域中得到了广泛的应用。不同植物在不同季节的遥感影像有较大的不同,利用归一化植被指数NDVI、比值植被指数RVI等光谱特征参数来进行森林变化检测可以克服植被的季节性差异。但是,由于遥感图像在采集和传输过程中会受到不同程度的噪声干扰,只利用光谱特征对遥感影像进行分类会使得分类精度较低。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于自适应参数遗传算法的森林变化遥感检测方法,用于解决使用单一光谱特征的遗传算法造成的森林变化检测精度低和搜索空间庞大的问题。
为了达到上述目的,本发明采用以下技术方案予以实现。
基于自适应参数遗传算法的森林变化遥感检测方法,包括以下步骤:
步骤1,获取不同时刻的两幅森林遥感影像I1和I2,对每幅所述森林遥感影像分别进行预处理,得到两幅预处理后的森林遥感影像I1”和I2”;
步骤2,利用光谱波段的反射率分别计算两幅预处理后的森林遥感影像I1”、I2”的归一化植被指数矩阵NDVI1、NDVI2,并令其为对应的植被指数特征图SF1、SF2;
步骤3,对植被指数特征图SF1和SF2分别进行中值滤波,对应得到去噪后的特征图SF1'、SF2';使用差值法对去噪后的特征图SF1'、SF2'构造植被指数差异图DI;
步骤4,对植被指数差异图DI进行显著性检测,得到显著性差异图DS;
步骤5,使用模糊C均值聚类算法对显著性差异图DS进行预分类,将DS中的像素划分为变化类、未变化类和不确定类,对应得到变化类像素集、未变化类像素集和不确定类像素集;
步骤6,使用基于自适应参数的遗传算法对不确定类像素集中像素的类别标签进行优化,得到不确定类对应的优化后的类别标签;根据优化后的类别标签生成最终的变化图。
与现有技术相比,本发明的有益效果为:
(1)本发明对滤波后的植被指数差异图DI使用显著性检测,获取了变化区域的大致位置,并在显著性区域使用模糊C均值聚类算法进行预分类,大大减少了进化计算的搜索空间;
(2)本发明选用遗传算法来优化森林遥感影像的像素标签,该方法在全局进行多点搜索,覆盖面大,不易陷入局部最优;
(3)本发明使用的遗传算法不仅考虑了图像的光谱信息,还引入了空间邻域因子,解决了传统遗传算法在森林变化检测任务上的抗噪性差的问题;同时,自适应变化的遗传算子使得像素的变异概率也发生自适应的改变,使得算法收敛速度加快。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是本发明的实现流程图;
图2是本发明仿真实验的森林遥感影像及不同算法的处理结果;其中,(a)、(b)分别为不同时刻的森林遥感影像;(c)为原始遗传算法所得变化图,(d)为本发明方法所得变化图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明提供的一种基于自适应参数遗传算法的森林变化遥感检测方法,包括以下步骤:
步骤1,获取不同时刻的两幅森林遥感影像I1和I2,对每幅所述森林遥感影像分别进行预处理,得到两幅预处理后的森林遥感影像I1”和I2”;图像大小为M×N×B;M、N分别表示I1和I2的行数和列数,B表示图像的光谱波段数目,其中,M≥20,N≥20,B≥4;
步骤1.1,读取两个不同时刻的哨兵2A卫星森林遥感影像,其中M=350,N=200,B=4;
步骤1.2,由于遥感影像数据在获取和传输过程中易产生***的、随机的辐射失真或畸变,从而造成遥感图像的失真,影响遥感图像的判读和解译。为消除或改正因辐射误差而引起影像畸变,本发明将森林遥感图像I1和I2输入遥感影像处理软件ENVI 5.2中,使用ENVI的radiometric calibration工具包对I1和I2进行辐射校正,获取辐射校正后的森林遥感影像I1'、I2‘;
由于大气和光照等因素会影响地物反射率,为了获取地物真实的反射率,本发明利用ENVI 5.2中的FLASH Atmospheric Correction工具包对辐射校正后的森林遥感影像I1'、I2‘进行大气校正,获得大气校正后的森林遥感影像I1”、I2”,即为预处理后的图像。
步骤2,利用光谱波段的反射率分别计算两幅预处理后的森林遥感影像I1”、I2”的归一化植被指数矩阵NDVI1、NDVI2,并令其为对应的植被指数特征图SF1、SF2;
植被指数可以根据植物的光谱特性,将卫星可见光和近红外波段进行组合,实现对地表植被状况的有效度量,有效区分植被与土壤,在森林变化的检测领域被广泛应用。归一化植被指数NDVI是植被覆盖的最佳指示因子,对土壤背景的变化较敏感,在很大程度上消除地形和阴影的影响,对植被提取效果较好。本发明利用遥感影像光谱波段的反射率计算大气校正后的森林遥感影像的归一化植被指数矩阵NDVI,计算公式为:
其中,ρNIR和ρRED分别表示森林遥感影像的红外光谱波段反射率和红光谱波段反射率,令每幅预处理后的森林遥感影像I1”、I2”求得的NDVI矩阵为对应森林影像的植被指数特征图SF1、SF2,图像大小为M×N,具体为350×200。
步骤3,对植被指数特征图SF1和SF2分别进行中值滤波,对应得到去噪后的特征图SF1'、SF2';使用差值法对去噪后的特征图SF1'、SF2'构造植被指数差异图DI;
3.1,使用中值滤波算法对两幅植被指数特征图SF1、SF2进行去噪处理,得到去噪后的植被指数特征图SF1'、SF2’;
3.2,使用差值法对去噪后的特征图SF1'、SF2'构造植被指数差异图DI,即将两幅植被指数特征图SF1、SF2对应位置的像素值做差,将差值作为DI(x,y)对应位置的像素值,遍历所有像素点即可得到差异图DI。
DI(x,y)=SF1'(x,y)-SF2'(x,y)。
步骤4,对植被指数差异图DI进行显著性检测,得到显著性差异图DS;
4.1,为了减少分类计算的搜索空间,本发明对植被指数差异图DI进行了一种基于全局对比度的自下而上的图像显著性检测。该方法计算每个像素在整个图像上的全局对比度,把该像素与图像中其他所有像素在颜色上的欧式距离之和作为该像素的显著性特征,计算公式为:
其中,Sam(x,y)是像素(x,y)的显著性特征,且(x,y)≠(i,j);然后将Sam(x,y)归一化为[0,255]。因为植被指数差异图DI是单通道图像,所以显著性特征值就是像素的灰度值。
4.2,对显著性图Sam使用OTSU(最大类间方差法)图像分割算法,生成二值化的显著性差异图S,其中非显著区域的像素值为0,显著性区域的像素值为1;然后利用二值化的显著性图S和植被指数差异图DI生成显著性差异图DS:
DS(x,y)=S(x,y)·DI(x,y)。
步骤5,使用模糊C均值聚类算法对显著性差异图DS进行预分类,将DS中的像素划分为变化类、未变化类和不确定类,对应得到变化类像素集、未变化类像素集和不确定类像素集;
5.1,设置模糊C均值聚类算法的目标函数为:
具体操作中,本发明设c=3,m=2,阈值ε=10-5,最大迭代次数T=103;并初始化迭代次数t=1,随机初始化三个聚类中心v1、v2、v3;
5.2,计算新的聚类中心和隶属度函数:
若当前迭代代数t=1,则直接根据聚类中心的像素值更新每个像素的隶属度;若当前迭代代数t≥2,则先用上一代求得的隶属度矩阵更新聚类中心,再根据聚类中心更新隶属度矩阵。具体公式为:
5.3,若且t≤T,则令t=t+1,返回步骤5.2;否则,迭代终止,根据每个像素最终的隶属度分配其类别标签:对于像素xj,若argk{max{ukj}}=argk{max{vk}},且max{ukj}≥0.9,则该像素属于变化类;argk{max{vk}}表示具有最大聚类中心像素值的类别k,argk{max{ukj}}表示像素xj的最大隶属度所对应的类别;若argk{max{ukj}}=argk{min{vk}},且max{ukj}≥0.9,则该像素属于未变化类;其他情况下,该像素属于不确定类。在步骤6之后的算法中不再对已经确定类别的像素即变化类和未变化类的像素进行计算。
步骤6,使用基于自适应参数的遗传算法对不确定类像素集中像素的类别标签进行优化,得到不确定类对应的优化后的类别标签;根据优化后的类别标签生成最终的变化图。
6.1,种群初始化:
设置种群大小为Num=40,即种群中有40个编码为二进制二维矩阵的个体,个体矩阵Ind的大小与显著性差异图DS大小相同,即350×200;根据步骤5所得的类别标签,对所有个体矩阵Ind进行初始化,即将变化类像素集对应位置的像素值修改为1,未变化类像素集对应位置的像素值修改为0,不确定类像素集对应位置的像素值随机编码为0或1;并建立不确定类像素在个体矩阵中的位置索引,设迭代次数k'=1,阈值ε'=10-2,最大迭代次数K=105;
6.2,计算个体适应度:
根据个体与目标函数的适应度值确定选择该个体执行遗传操作的概率。与传统遗传算法不同,本发明所使用的改进遗传算法引入了像素的空间信息,设计带有邻域因子的目标函数OF,计算公式为:
其中,r为类别标识,r=0,1,r=0对应未变化类,r=1对应变化类;cr表示显著性区域中对应类别的所有像素,nr和mr表示对应类别像素的统计个数和平均灰度值,Nq表示中心像素xj的3×3邻域Nj中的第q个像素,其中,q=1,2,3...,9,lq为Nq与中心像素xj的欧氏距离,L是像素xj与其周围像素之间的距离权重;DSj表示显著性差异图DS中与中心像素xj位置对应的像素。
在得到每个个体的目标函数后,对其取倒数求得每个个体的适应度Fitness:
6.3,对种群进行精英选择和交叉操作:
若当前迭代代数k'=1,则对所有个体进行遗传操作;若当前迭代代数k'≥2,则当前迭代的个体为子代个体,k'-1代个体为父代个体,那么,根据子代和父代的所有个体的适应度值从高到低选择Num个个体执行遗传操作,即选择40个个体,挑选出适应度值最高的个体作为当前迭代代数的最佳个体,并将最佳适应度值保存在矩阵Maxfit中,未被选中的个体在进化中被淘汰。然后对被选中执行遗传操作的个体进行交叉操作,具体做法为:首先,将执行遗传操作的所有个体进行两两分组,形成多组待交叉个体;再随机在(0,1)之间初始化一个与个体大小一致的矩阵A,遍历矩阵A的元素,当某元素数值小于预先设置的交叉概率pc=0.8,则标记该元素的位置;然后将每组待交叉个体中与标记位置相同的元素进行交换,其他位置不变,形成交叉后的种群;
6.4,对交叉后的种群中的每个个体逐像素计算其变异概率:
对于交叉后的种群中的每个个体,遍历个体矩阵,对目标像素xj的3×3邻域Lj中的每个邻域像素Lj(s),s=1,2,3...,9,计算其属于类别r的隶属度usr:
其中,r=0,1:mr表示步骤6.2)求得的各类别像素的平均灰度值;
根据隶属度usr,为邻域像素Lj(s)分配类别标签,若us0≥us1,则cs=0,否则,cs=1;因此,目标像素xj的变异概率为:
其中,ds是邻域像素Lj(s)到中心像素点xj的空间距离,Bj为xj的二进制编码值;
若求得的变异概率p(xj)大于预先设置的标准变异概率p=0.2,则该位置的编码改变,即0变为1或者1变为0,否则编码值不变;遍历完每个个体矩阵则得到变异后的种群,并将其作为上一代的子代种群;计算子代种群中每个个体的适应度,并选出适应度最大的作为该子代的最佳适应度;
6.5,若相邻两次迭代代数求得的最佳适应度的差大于所设定的阈值,即|Maxfitk'+1-Maxfitk'|≥ε',且k'≤K,则令k'=k'+1,返回步骤6.3,否则输出本次迭代的适应度最高的个体;
6.6,在输出的最佳个体上补充步骤5中得到的变化类和未变化类对应的像素的类别标签,输出最终的带有标签的二进制变化图。
仿真实验
下面通过仿真数据处理结果进一步说明本发明的正确性和有效性。
仿真内容:使用原始遗传算法与本发明算法对图2(a)和图2(b)所示的两幅多光谱森林图像进行变化检测,结果如图2(c)和图2(d)所示,其中,图2(c)是原始遗传算法所得的变化图,图2(d)是本发明算法求得的变化图。
最后,统计其平均分类精度,结果如表1所示。
表1原始遗传算法与本发明算法的检测精度
算法 | 检测精度 |
原始遗传算法 | 69.5% |
本发明算法 | 82.2% |
从图2(c)和2(d)可以看出,本发明方法能够对遥感图像实现准确的地物分类,对于森林地物中的干扰因素能够有限排除,具有较强的鲁棒性,实现准确检测。且从表1可以看出,本发明具有更高的检测精度。
本发明通过使用森林遥感影像的NDVI光谱特征图作为变化检测待分图像,对其进行去噪和显著性检测预处理。为了进一步减少变化检测算法的搜索空间,本发明使用了模糊C均值聚类,根据灰度值给隶属度大于阈值的像素分配类别标签,对隶属度小于阈值的像素进行基于自适应参数的遗传算法分类。
本发明与传统遗传算法不同的是,在目标函数和变异概率中引入图像的空间邻域信息,自适应地修改遗传算子参数,避免了传统遗传算法分类模型性抗噪性差和搜索空间巨大的问题,有效地平衡了噪声抑制和细节保留,使进化朝着最优解的方向快速收敛,大大提高了算法的检测精度,从而更准确地获取森林地区的变化信息,增强了对林地变化的检测能力。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.基于自适应参数遗传算法的森林变化遥感检测方法,其特征在于,包括以下步骤:
步骤1,获取不同时刻的两幅森林遥感影像I1和I2,对每幅所述森林遥感影像分别进行预处理,得到两幅预处理后的森林遥感影像I1″和I2″;其中,I1和I2大小相同,均为M×N×B,M、N分别表示图像的行数和列数,B表示图像的光谱波段数目,M≥20,N≥20,B≥4;
步骤2,利用光谱波段的反射率分别计算两幅预处理后的森林遥感影像I1″、I2″的归一化植被指数矩阵NDVI1、NDVI2,并令其为对应的植被指数特征图SF1、SF2;
步骤3,对植被指数特征图SF1和SF2分别进行中值滤波,对应得到去噪后的特征图SF1′、SF2′;使用差值法对去噪后的特征图SF1′、SF2′构造植被指数差异图DI;
步骤4,对植被指数差异图DI进行显著性检测,得到显著性差异图DS;
步骤5,使用模糊C均值聚类算法对显著性差异图DS进行预分类,将DS中的像素划分为变化类、未变化类和不确定类,对应得到变化类像素集、未变化类像素集和不确定类像素集;
步骤6,使用基于自适应参数的遗传算法对不确定类像素集中像素的类别标签进行优化,得到不确定类对应的优化后的类别标签;根据优化后的类别标签生成最终的变化图。
2.根据权利要求1所述的基于自适应参数遗传算法的森林变化遥感检测方法,其特征在于,步骤1中,所述预处理为对I1和I2分别进行辐射校正,然后对辐射校正后的影像进行大气校正。
4.根据权利要求1所述的基于自适应参数遗传算法的森林变化遥感检测方法,其特征在于,所述使用差值法对去噪后的特征图SF1′、SF2′构造植被指数差异图DI具体为:将去噪后的特征图SF1′、SF2′对应位置的像素值作差,将作差结果作为指数差异图DI对应位置的像素值。
5.根据权利要求1所述的基于自适应参数遗传算法的森林变化遥感检测方法,其特征在于,所述对植被指数差异图DI进行显著性检测,具体过程为:
4.1,计算植被指数差异图DI中每个像素(x,y)在DI上的全局对比度,把该像素与DI中其他所有像素(i,j)在颜色上的欧式距离之和作为该像素的显著性特征,计算公式为:
其中,Sam(x,y)是像素(x,y)的显著性特征,且(x,y)≠(i,j);||·||表示求欧氏距离;然后将Sam(x,y)归一化为[0,255],得到显著性图Sam;
4.2,对显著性图Sam使用最大类间方差法,生成二值化的显著性差异图S;然后利用二值化的显著性图S和植被指数差异图DI生成显著性差异图DS:
DS(x,y)=S(x,y)·DI(x,y)。
6.根据权利要求1所述的基于自适应参数遗传算法的森林变化遥感检测方法,其特征在于,所述使用模糊C均值聚类算法对显著性差异图DS进行预分类,具体为:
5.1,设置模糊C均值聚类算法的目标函数为:
设定c、m、阈值ε和最大迭代次数T;并初始化迭代次数t=1,随机初始化三个聚类中心v1、v2、v3;
5.2,计算新的聚类中心和隶属度函数:
若当前迭代代数t=1,则直接根据聚类中心的像素值更新每个像素的隶属度;若当前迭代代数t≥2,则先用上一代求得的隶属度矩阵更新聚类中心,再根据聚类中心更新隶属度矩阵;具体公式为:
7.根据权利要求1所述的基于自适应参数遗传算法的森林变化遥感检测方法,其特征在于,所述使用基于自适应参数的遗传算法对不确定类像素集中像素的类别标签进行优化,具体为:
6.1,种群初始化:设置种群大小为Num,即种群中有Num个编码为二进制二维矩阵的个体,个体矩阵Ind的大小与显著性差异图DS大小相同;根据步骤5所得的类别标签,对种群中所有个体矩阵Ind进行初始化,即将变化类像素集对应位置的像素值修改为1,未变化类像素集对应位置的像素值修改为0,不确定类像素集对应位置的像素值随机编码为0或1;并建立不确定类像素在个体矩阵中的位置索引,设迭代次数k′=1,阈值ε′,最大迭代次数K;
6.2,计算个体适应度:
引入像素的空间信息,设计带有邻域因子的目标函数OF:
其中,r为类别标识,r=0,1,r=0对应未变化类,r=1对应变化类;cr表示显著性区域中对应类别的所有像素,nr和mr表示对应类别像素的统计个数和平均灰度值,Nq表示中心像素xj的3×3邻域Nj中的第q个像素,lq为Nq与中心像素xj的欧氏距离,L是像素xj与其周围像素之间的距离权重;DSj表示显著性差异图DS中与中心像素xj位置对应的像素;
在得到每个个体的目标函数后,对其取倒数求得每个个体的适应度Fitness:
6.3,对种群进行精英选择和交叉操作:
若当前迭代代数k′=1,则对所有个体进行遗传操作;若当前迭代代数k′≥2,则当前迭代的个体为子代个体,k′-1代个体为父代个体,那么,根据子代和父代的所有个体的适应度值从高到低选择Num个个体执行遗传操作,挑选出适应度值最高的个体作为当前迭代代数的最佳个体,并将最佳适应度值保存在矩阵Maxfit中,未被选中的个体在进化中被淘汰;然后对被选中执行遗传操作的个体进行交叉操作,得到交叉后的种群;
6.4,对交叉后的种群中的每个个体逐像素计算其变异概率:
若求得的变异概率p(xj)大于预先设置的标准变异概率p,则该位置的编码改变,即0变为1或者1变为0,否则编码值不变;遍历每个个体矩阵则得到变异后的种群,并将其作为上一代的子代种群;计算子代种群中每个个体的适应度,并选出适应度最大的作为该子代的最佳适应度;
6.5,若相邻两次迭代代数求得的最佳适应度的差大于所设定的阈值,即|Maxfitk′+1-Maxfitk′|≥ε′,且k′≤K,则令k′=k′+1,返回步骤6.3,否则输出本次迭代的适应度最高的个体;根据该个体确定优化后不确定像素集的类别标签。
8.根据权利要求7所述的基于自适应参数遗传算法的森林变化遥感检测方法,其特征在于,所述对被选中执行遗传操作的个体进行交叉操作,具体做法为:首先,将执行遗传操作的所有个体进行两两分组,形成多组待交叉个体;再随机在(0,1)之间初始化一个与个体大小一致的矩阵A,遍历矩阵A的元素,当某元素数值小于预先设置的交叉概率pc,则标记该元素的位置;然后将每组待交叉个体中与标记位置相同的元素进行交换,其他位置不变,形成交叉后的种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605694.1A CN113408370B (zh) | 2021-05-31 | 2021-05-31 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605694.1A CN113408370B (zh) | 2021-05-31 | 2021-05-31 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408370A true CN113408370A (zh) | 2021-09-17 |
CN113408370B CN113408370B (zh) | 2023-12-19 |
Family
ID=77675513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110605694.1A Active CN113408370B (zh) | 2021-05-31 | 2021-05-31 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408370B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109176A (zh) * | 2022-12-21 | 2023-05-12 | 成都安讯智服科技有限公司 | 一种基于协同聚类的报警异常预测方法和*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060287753A1 (en) * | 2005-06-16 | 2006-12-21 | Jason Plumhoff | Process change detection through the use of evolutionary algorithms |
CN101561882A (zh) * | 2009-05-22 | 2009-10-21 | 中国科学院地理科学与资源研究所 | 一种基于空间相关性的亚像元空间定位方法 |
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
CN103971362A (zh) * | 2013-12-24 | 2014-08-06 | 西安电子科技大学 | 基于直方图和精英遗传聚类算法的sar图像变化检测 |
CN104268574A (zh) * | 2014-09-25 | 2015-01-07 | 西安电子科技大学 | 一种基于遗传核模糊聚类的sar图像变化检测方法 |
CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
CN105374047A (zh) * | 2015-12-15 | 2016-03-02 | 西安电子科技大学 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN109409292A (zh) * | 2018-10-26 | 2019-03-01 | 西安电子科技大学 | 基于精细化特征优化提取的异源图像匹配方法 |
CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
US20200128721A1 (en) * | 2018-10-31 | 2020-04-30 | The Climate Corporation | Automated sample collection and tracking system |
CN111666981A (zh) * | 2020-05-13 | 2020-09-15 | 云南电网有限责任公司信息中心 | 一种基于遗传模糊聚类的***数据异常检测方法 |
CN112149492A (zh) * | 2020-07-06 | 2020-12-29 | 北京航空航天大学 | 一种基于强化遗传学习的遥感图像精确云检测方法 |
US20210027429A1 (en) * | 2019-07-26 | 2021-01-28 | Zhejiang University Of Technology | Noise detection method for time-series vegetation index derived from remote sensing images |
-
2021
- 2021-05-31 CN CN202110605694.1A patent/CN113408370B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060287753A1 (en) * | 2005-06-16 | 2006-12-21 | Jason Plumhoff | Process change detection through the use of evolutionary algorithms |
CN101561882A (zh) * | 2009-05-22 | 2009-10-21 | 中国科学院地理科学与资源研究所 | 一种基于空间相关性的亚像元空间定位方法 |
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
CN103971362A (zh) * | 2013-12-24 | 2014-08-06 | 西安电子科技大学 | 基于直方图和精英遗传聚类算法的sar图像变化检测 |
CN104268574A (zh) * | 2014-09-25 | 2015-01-07 | 西安电子科技大学 | 一种基于遗传核模糊聚类的sar图像变化检测方法 |
CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN105374047A (zh) * | 2015-12-15 | 2016-03-02 | 西安电子科技大学 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
CN109409292A (zh) * | 2018-10-26 | 2019-03-01 | 西安电子科技大学 | 基于精细化特征优化提取的异源图像匹配方法 |
US20200128721A1 (en) * | 2018-10-31 | 2020-04-30 | The Climate Corporation | Automated sample collection and tracking system |
CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
US20210027429A1 (en) * | 2019-07-26 | 2021-01-28 | Zhejiang University Of Technology | Noise detection method for time-series vegetation index derived from remote sensing images |
CN111666981A (zh) * | 2020-05-13 | 2020-09-15 | 云南电网有限责任公司信息中心 | 一种基于遗传模糊聚类的***数据异常检测方法 |
CN112149492A (zh) * | 2020-07-06 | 2020-12-29 | 北京航空航天大学 | 一种基于强化遗传学习的遥感图像精确云检测方法 |
Non-Patent Citations (11)
Title |
---|
CAIHONG MU 等: "Change detection in SAR images based on the salient map guidance and an accelerated genetic algorithm", 《2017 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC)》 * |
CAIHONG MU 等: "Change detection in SAR images based on the salient map guidance and an accelerated genetic algorithm", 《2017 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC)》, 7 July 2017 (2017-07-07), pages 1150 - 1157 * |
D. CHITRADEVI 等: "Brain Hemisphere Analysis Using Genetic Algorithm and Fuzzy Clustering in Alzheimer Disease", 《2018 INTERNATIONAL CONFERENCE ON COMMUNICATION AND SIGNAL PROCESSING (ICCSP)》 * |
D. CHITRADEVI 等: "Brain Hemisphere Analysis Using Genetic Algorithm and Fuzzy Clustering in Alzheimer Disease", 《2018 INTERNATIONAL CONFERENCE ON COMMUNICATION AND SIGNAL PROCESSING (ICCSP)》, 8 November 2018 (2018-11-08), pages 0901 - 0905 * |
刘骊 等: "《计算机服装建模及仿真》", 31 December 2018, 昆明:云南大学出版社, pages: 206 * |
李成洲: "基于进化优化及卷积网络的遥感图像变化检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李成洲: "基于进化优化及卷积网络的遥感图像变化检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2019, no. 2, 15 February 2019 (2019-02-15), pages 2 * |
汤玉奇: "面向对象的高分辨率影像城市多特征变化检测研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
汤玉奇: "面向对象的高分辨率影像城市多特征变化检测研究", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2014, no. 7, 15 July 2014 (2014-07-15), pages 140 - 23 * |
王平: "基于差异图和块分类的雷达图像变化检测", 《长春师范大学学报》, vol. 39, no. 8, pages 42 - 49 * |
王桥: "《区域生态保护的遥感监管方法与应用》", 31 March 2015, 北京:中国环境科学出版社, pages: 67 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109176A (zh) * | 2022-12-21 | 2023-05-12 | 成都安讯智服科技有限公司 | 一种基于协同聚类的报警异常预测方法和*** |
CN116109176B (zh) * | 2022-12-21 | 2024-01-05 | 成都安讯智服科技有限公司 | 一种基于协同聚类的报警异常预测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN113408370B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Waldner et al. | Deep learning on edge: Extracting field boundaries from satellite images with a convolutional neural network | |
CN111369540B (zh) | 基于掩码卷积神经网络的植物叶片病害识别方法 | |
US20200250428A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
CN111553240B (zh) | 一种玉米病害病情分级方法、***和计算机设备 | |
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN113780097B (zh) | 基于知识图谱和深度学习的耕地提取方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
Xin et al. | Image recognition of crop diseases and insect pests based on deep learning | |
CN116977960A (zh) | 一种基于实例分割的水稻秧苗行检测方法 | |
CN113408370B (zh) | 基于自适应参数遗传算法的森林变化遥感检测方法 | |
Silva et al. | Sugarcane crop line detection from UAV images using genetic algorithm and Radon transform | |
CN108416297B (zh) | 一种基于叶绿素荧光的植被信息快速识别方法 | |
CN104732246B (zh) | 一种半监督协同训练高光谱图像分类方法 | |
Radhika et al. | Ensemble subspace discriminant classification of satellite images | |
Zhao et al. | Improving object-oriented land use/cover classification from high resolution imagery by spectral similarity-based post-classification | |
CN109344837B (zh) | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 | |
US20230108422A1 (en) | Methods and systems for use in processing images related to crops | |
CN113988224A (zh) | 一种珊瑚礁底质分类模型的训练、应用方法及装置 | |
CN113096114B (zh) | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 | |
CN116188880B (zh) | 基于遥感影像和模糊识别的耕地分类的方法及其*** | |
CN118097313B (zh) | 基于频域主动学习的高光谱图像分类方法 | |
CN115205853B (zh) | 一种基于图像的柑橘果实检测与识别方法及*** | |
CN113240051B (zh) | 一种基于遗传规划算法的耕地地块分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |