CN105608474B - 基于高分辨率影像的区域自适应耕地提取方法 - Google Patents

Abstract

本发明属于遥感应用技术领域，具涉及一种基于高分辨率影像的区域自适应耕地提取方法，包括：对数据进行预处理；对高分辨率影像进行多尺度分割，确定耕地的最优分割尺度，得到耕地分类的最优分割层；在最优分割层中构建多个耕地样本集，形成每个耕地样本集的属性特征空间；进行最优影像特征空间选择；根据最优影像特征空间构建耕地提取的模糊分类器；基于耕地样本集和模糊分类器进行耕地提取。本发明通过耕地样本集与模糊分类器相结合的方式实现了耕地对象的自动识别。通过选择最优分割尺度和不同耕地样本集的属性特征空间，提高了高分辨率影像的分割对象的均质性和模糊分类器的提取精度；通过耕地样本集的构建，降低了数据源对时相和数量的限制要求。

Description

基于高分辨率影像的区域自适应耕地提取方法

技术领域

本发明属于遥感应用技术领域，具体涉及一种基于高分辨率影像的区域自适应耕地提取方法。

背景技术

耕地信息的快速、准确提取对耕地动态监测、耕地地力调查与评价、耕地保护及基本农田划定、土地资源利用程度分析、精准农业等具有重要意义。

高分辨率影像增强了耕地的内部差异性，使得耕地覆盖的光谱表现呈现多样性，加大了耕地准确提取的难度。目前高分辨率影像耕地提取方法有很多种，其存在以下问题：

1)一般耕地提取方法是根据农作物的生长特点，采用时相符合生长周期的多期影像进行分析研究的，此方法在推广上受到数据源的时相和数量的限制；

2)采用面向对象的耕地提取方法应用较广泛，但其存在应用区域小、分类过程复杂，自动化程度低，不具有普适性和推广性。

发明内容

本发明的目的是提供一种基于高分辨率影像的耕地提取方法，所述耕地提取方法不受数据源的时相和数量限制，且具有普适性和推广性。

为实现上述目的，本发明提出了一种基于高分辨率影像的区域自适应耕地提取方法，包括：

S1，对数据进行预处理；

S2，对高分辨率影像进行多尺度分割，确定耕地的最优分割尺度，得到耕地分类的最优分割层；

S3，在最优分割层中构建多个耕地样本集，形成每个耕地样本集的属性特征空间；

S4，对每一个耕地样本集，进行最优影像特征空间选择；

S5，对每一个耕地样本集，根据最优影像特征空间构建耕地提取的模糊分类器；

S6，基于耕地样本集和模糊分类器进行耕地提取：

S61，根据耕地样本集的属性特征空间，逐一对步骤S2最优分割后的对象进行属性特征计算；

S62，分别对S61得到的属性特征计算结果与步骤S3构建的耕地样本集的属性特征空间范围值进行匹配，如果对象的属性特征值在某一耕地样本集的属性特征范围内，则记为1，否则记为0，得到匹配矩阵D_ij

其中，l，p，n，b，…，w分别为耕地样本集的属性特征，i为耕地样本集的个数，j为属性特征的个数，T表示矩阵的转置；

S63，根据定义的耕地样本集中每个属性特征所占权重值与匹配矩阵D_ij，分别计算对象与每一个耕地样本集的相似度，得到相似度矩阵S_i，

其中，δ_i为样本集属性特征权重矩阵，δ_i根据区域情况进行自定义；

S64，设定相似度矩阵Si的阈值判断条件，若对象与某个耕地样本集的相似度满足阈值判断条件，则对象与某个耕地样本集相匹配；

S65，根据S64的匹配结果，对该对象执行相匹配的耕地样本集对应的模糊分类器，得到分类类别函数E(i)和类别隶属度ω(i)，

S66，采用加权投票法进行耕地加权计算，计算公式如下：

其中，E(x)为耕地加权判断函数，n为与对象x相匹配的模糊分类器总数，i为模糊分类器的个数，i＝1，…，n；

S67，对对象是否为耕地进行判断，判断条件如下：

进一步，数据预处理包括对高分辨率影像及数字高程模型进行处理，其中，影像处理包括对影像进行辐射和几何校正，数字高程模型处理包括生成坡度。

进一步，所述步骤S2中，耕地的最优分割尺度为同时满足均值方差为峰值、形状指数方差为谷值的分割尺度；

其中，均值方差S_C ²的计算公式为

其中，C_L为单个对象在第L波段的亮度均值，为影像中所有对象在第L波段的亮度均值，m为影像中对象个数的总和，i为对象个数，i＝1，...m；

形状指数方差S_SI ²的计算公式为

其中，SI为单个对象的形状指数值，为影像中所有对象的形状指数均值，m为影像中对象个数的总和，i为对象个数，i＝1，...m，b为单个对象的对象周长，V为单个对象的对象体积。

进一步，所述步骤S3中，

构建耕地样本集的步骤如下：

S31，通过目视采集耕地样本，要求采集的样本均匀分布且具有代表性，涵盖所有区县的耕地类型，数量不超过整个区域对象个数的5％；

S32，根据耕地样本所在区域、地形坡度特征、物候特征和影像特征，进行耕地样本的归类，构建多个耕地样本集，并且形成每个耕地样本集的属性特征空间；

S33，对耕地样本进行剔除：

设某类别耕地样本各个对象特征的平均值为标准差为Std＝(std₁，std₂，std₃，……，std_n)，对于某一耕地样本X＝(x₁，x₂，x₃......，x_n)，若 用2倍标准差进行耕地样本的剔除。

更进一步：所述耕地样本所在区域、地形坡度特征、物候特征和影像特征分别为样本的区县名称、坡度、NDVI和亮度，每个耕地样本集的属性特征空间包括样本的区县名称、坡度、NDVI和亮度。

进一步，所述步骤S4中，最优影像特征空间选择的步骤如下：

S41，耕地对象特征空间初选：

针对高分辨率影像的光谱、纹理、形状特征建立耕地对象特征空间库：

S42，基于特征方差进行最优特征空间选择：

计算每个耕地样本集各个特征的方差，统计方差最小的2～3个特征，形成相应各耕地样本集的最优特征空间；

特征方差S_A ²计算公式如下：

其中，C_A为单个样本的该特征值，为同一耕地样本集中所有样本的该特征均值，m为此样本集中样本的个数，i＝1，...m；

对特征方差进行对比分析，选出每个耕地样本集的最优特征空间。

进一步：所述步骤S5中构建耕地提取的模糊分类器时，根据得到的不同耕地样本集的最优特征空间，通过大量实验进行特征组合，采用模糊分类方法进行耕地提取实验，构建耕地提取的多个模糊分类器。

更进一步：第i个样本集f(i)的模糊分类器如下：

其中，Max.diff为最大异质性，NDVI为归一化植被指数，Brightness为亮度，GLCM_{_Contrast}为纹理对比度，Blue_Mean为蓝波段均值，Slope为坡度。

本发明通过耕地样本集与模糊分类器相结合的方式实现了耕地对象的自动识别。通过选择最优分割尺度和不同耕地样本集的属性特征空间，提高了高分辨率影像的分割对象的均质性和模糊分类器的提取精度；通过耕地样本集的构建，降低了数据源对时相和数量的限制要求；利用耕地样本集属性特征和模糊分类器隶属度值提高了影像从分割到分类的自动化程度，不受区域和数据源的限制，具有普遍性，利于推广。

附图说明

图1为本发明基于高分辨率影像的区域自适应耕地提取方法的流程图；

图2为实施例中均值方差随切割尺度变化曲线图；

图3为实施例中形状指数方差值随切割尺度变化曲线图。

具体实施方式

下面以河北省为例，结合附图对本发明作进一步详细的说明。

实施例1

一种基于高分辨率影像的区域自适应耕地提取方法，如图1所示，包括：

S1，对数据进行预处理

选择高分辨率影像为河北省多幅SPOT6多光谱和全色遥感影像，主要时相为10月份，其中多光谱影像(包含蓝、绿、红和近红四个波段)具有6m空间分辨率，全色遥感影像空间分辨率是1.5m，对该高分辨率影像进行过辐射、几何校正和影像融合，如果是单幅高分辨率影像，则不需要进行影像融合。

同时，选择研究区的30mDEM(数字高程模型)进行辅助分类，对该数字高程模型进行坡度生成、投影变换和裁切处理(非必须处理)，保证其投影和分块大小与SPOT6数据一致。

S2，对高分辨率影像进行多尺度分割，确定耕地的最优分割尺度

(一)对高分辨率影像进行多尺度分割

多尺度分割采用异质性最小的区域合并算法，在设定的分割参数下执行分割任务，通过给定的尺度阈值，根据色彩和形状的同质准则，基于对象异质性最小的原则，将光谱信息类似的相邻像元合并为有意义的对象。

采用多特征加权准则来进行分割区域的合并，公式为：

F＝w₁×H_color+w₂×H_shape+w₃×H_texture

其中，F为异质性，w₁、w₂和w₃分别为光谱、形状和纹理的特征权重，w₁+w₂+w₃＝1；H_color、H_shape和H_texture分别为光谱、形状和纹理特征的特征值。

经过预处理的高分辨率影像，结合专家知识和目视观察，利用易康软件进行影像多尺度分割，其中选择了光谱与形状标准比值为9∶1，光滑度参数和紧致度参数(两者皆为纹理特征)的比值为1∶1，选择十五个分割尺度阈值(10，20，30，40，50，60，70，80，90，100，110，120，130，140，150)进行多尺度分割，形成了不同尺度的影像对象层。多尺度分割参数的选择原则是：在满足必要的形状标准的前提下，尽可能采用颜色标准，这是因为影像中最重要的是光谱信息，形状标准的权重太高，反而会降低分割的质量。如果地物目标的边界比较平滑，就设定较高的光滑度参数，对于形状紧致的地物类型，应该设置较大的紧致度参数。

(二)确定耕地的最优分割尺度，得到耕地分类的最优分割层；

合适的尺度选择，定义为使得分割之后影像对象的内部异质性尽可能小，而不同类别对象之间的异质性尽量大。

本实施例采用一种基于对象均值方差和形状指数方差结合的最优尺度计算方法，其原理是综合考虑耕地的光谱特征和形状特征特性，统计不同分割层中所有对象波段均值和形状指数的方差，然后分别以对象的均值方差和形状指数方差为Y轴，影像分割尺度为X轴，绘制对象均值方差和形状指数方差随着分割尺度变化的曲线，从两个曲线分布形态中判定耕地的最优分割尺度。

均值方差S_C ²的计算公式为

其中，为均值方差，C_L为单个对象在第L波段的亮度均值，为影像中所有对象在第L波段的亮度均值，m为影像中对象个数的总和，i为对象个数，i＝1，...m。

形状指数方差S_SI ²的计算公式为

其中，为形状指数方差，SI为单个对象的形状指数值，为影像中所有对象的形状指数均值，m为影像中对象个数的总和，i为对象个数，i＝1，...m，b为单个对象的对象周长，V为单个对象的对象体积。

十五个多尺度分割层计算SPOT6高分辨率影像近红外波段的均值方差和形状指数的方差如图2所示。

耕地具有光谱特征相对比较均匀，形状规则/种植结构比较规律等特点，根据这些特点，耕地的最优分割的参考值发生在均值方差峰值和形状指数方差谷值的分割值交叉处，即同时满足均值方差为峰值、形状指数方差为谷值的分割尺度为耕地最优分割尺度。这是因为当纯对象增多时，与相邻对象之间的光谱差异性增大，而混合对象增多时，与相邻对象之间的光谱异质性降低，均值方差变小；而形状指数是表征对象表面的光滑度，形状越规则，与相邻对象之间的边界光滑差异性越小，形状指数的方差就变小。

通过图2曲线分析得到，耕地最优分割尺度为70，通过目视可以看出在70尺度上较好的将耕地进行最优的分割。

下面所有的影像处理都是在耕地最优分割尺度为70的最优分割层上进行。

S3，在最优分割层中构建多个耕地样本集，形成每个耕地样本集的属性特征空间

考虑到同一类地物由于其大小、分布、密度不同而引起在光谱响应上的差异往往会导致分类困难，因而将某一地物根据其光谱和其他特征细分为若干子类再进行分类可以有效地降低分类难度。

采用以下步骤进行耕地样本集的构建：

(1)首先通过目视采集耕地样本，要求采集的样本均匀分布且具有代表性，基本涵盖所有区县的耕地类型，数量不超过整个区域对象个数的5％。

(2)根据耕地样本所在区域、地形坡度特征、物候特征和影像特征，进行耕地样本的归类，构建多个耕地样本集，并且形成每个耕地样本集的属性特征空间。

(3)对耕地样本进行剔除：

虽然在耕地样本选择过程中，遵循了均匀、同质等一般原则，但分析发现，少量样地的对象特征变异太大，故采用标准差法对耕地样本进行剔除。

设某类别耕地样本各个对象特征的平均值为标准差为Std＝(std₁，std₂，std₃，……，std_n)，对于某一耕地样本X＝(x₁，x₂，x₃......，x_n)，若 用2倍标准差进行耕地样本的剔除。

通过以上方法选取了样本的区县名称、坡度(Slope)、归一化植被指数(NDVI)和亮度(Brightness)四个指标对实验区进行耕地样本集的构建，生成了四类耕地样本集，其样本集的属性特征空间如下表所示：

S4，对每一个耕地样本集，进行最优影像(耕地对象)特征空间选择

(1)耕地对象特征空间初选

针对高分辨率影像的光谱、纹理、形状等特征建立耕地对象特征空间库，如下表所示：

特征类别	特征参数
		光谱特征	均值、亮度、归一化植被指数、土壤植被指数
形状特征	长宽比、密度、紧致度、坡度
		纹理特征	最大异质性、同质度、对比度、熵

(2)基于特征方差的最优特征空间选择

在耕地对象特征空间初选结果中，选择尽量少而有效的耕地特征组成耕地提取的最优特征空间。采用基于特征方差的最优特征空间选择方法，通过计算每个耕地样本集各个特征的方差，统计方差最小的2～3个特征，形成相应各耕地样本集的最优特征空间。特征方差计算公式如下：

其中，S_A ²为某一特征的方差，C_A为单个样本的该特征值，为同一耕地样本集中所有样本的该特征均值，m为此样本集中样本的个数，i＝1，...m。

经过对特征方差的对比分析，选出每个耕地样本集的最优特征空间，如下表：

S5，对每一个耕地样本集，根据最优影像特征空间构建耕地提取的模糊分类器

根据得到的不同耕地样本集的最优特征空间，通过大量实验进行特征组合，采用模糊分类方法进行耕地提取实验，最终构建了耕地提取的多个模糊分类器。

模糊分类器的模糊隶属函数采用基于Bayes准则的确定方法，是基于特征空间根据模糊函数来判定影像对象隶属于某一类的程度，它不仅仅是根据特征空间判别类别所属，同时根据所分地类的隶属程度阈值，再次判断地类的准确性。

式中：P′(g)为第g类出现的先验概率，

为第g类模糊向量均值，模糊协方差矩阵，m为对象的总数，X为分类的对象，i为对象的个数，i＝1，2，……，G，G为g类对象的总个数。

通过大量实验，得到四个耕地样本集对应的模糊分类器，分别为：

其中，f(i)为第i个样本集的模糊分类器。

S6，基于耕地样本集和模糊分类器进行耕地提取

S61，根据耕地样本集的属性特征空间，逐一对步骤S2得到的最优分割层分割后的对象x(x＝1，2，…n其中n为对象总个数)进行属性特征计算，包括区县名称、坡度、NDVI和亮度；

S62，分别对S61得到的属性特征计算结果与步骤S3构建的耕地样本集的属性特征空间范围值进行匹配，如果对象的属性特征值在某一耕地样本集的属性特征范围内，则记为1，否则记为0，得到匹配矩阵D_ii

其中，l，p，n，b，…，w分别为耕地样本集的属性特征，比如l，p，n，b分别代表区县名称，坡度，NDVI和亮度，i为耕地样本集的个数，j为属性特征的个数，T表示矩阵的转置；

S63，根据定义的耕地样本集中每个属性特征所占权重值与匹配矩阵D_ij，分别计算对象与每一个耕地样本集的相似度，得到相似度矩阵S_i，

其中，δ_i为样本集属性特征权重矩阵，δ_i根据区域情况进行自定义，一般情况下，δ_i为0.5。

本实施例中，j＝4，样本集属性特征中的区县名称，坡度，NDVI和亮度的权重分别 为0.3，0.2，0.3，0.2，

S64，设定相似度矩阵S_i的阈值判断条件，若对象x与某个耕地样本集的相似度满足阈值判断条件，则对象与某个耕地样本集相匹配；

本实施例中阈值条件设定为：

If S_i＞＝0.5则对象x与第j个耕地样本集相匹配。

否则，重新开始步骤S61，计算下一个对象x+1。

其中，对象x可以同时与多个样本集相匹配。

S65，根据S64的匹配结果，对该对象执行相匹配的耕地样本集对应的模糊分类器，得到分类类别函数E(i)和类别隶属度，其原理是将多个模糊分类器执行分类结果设置为1和0，其中1为耕地，0为非耕地，然后将模糊分类器耕地的隶属度值作为权重值，采用加权投票规则进行判断，满足一定阈值范围条件的最终判别为耕地。

S66，采用加权投票法进行耕地加权计算，计算公式如下：

其中，E(x)为耕地加权判断函数，n为与对象x相匹配的模糊分类器总数，i为模糊分类器的个数，i＝1，…，n；

S67，对对象是否为耕地进行判断，判断条件如下：

重复循环，直到全部对象计算完成。

Claims (8)

1.一种基于高分辨率影像的区域自适应耕地提取方法，其特征在于，所述提取方法包括：

S1，对数据进行预处理；

S2，对高分辨率影像进行多尺度分割，确定耕地的最优分割尺度，得到耕地分类的最优分割层；

S3，在最优分割层中构建多个耕地样本集，形成每个耕地样本集的属性特征空间；

S4，对每一个耕地样本集，进行最优影像特征空间选择；

S5，对每一个耕地样本集，根据最优影像特征空间构建耕地提取的模糊分类器；

S6，基于耕地样本集和模糊分类器进行耕地提取：

S61，根据耕地样本集的属性特征空间，逐一对步骤S2最优分割后的对象进行属性特征计算；

S62，分别对S61得到的属性特征计算结果与步骤S3构建的耕地样本集的属性特征空间范围值进行匹配，如果对象的属性特征值在某一耕地样本集的属性特征范围内，则记为1，否则记为0，得到匹配矩阵D_ij

其中，l，p，n，b，…，w分别为耕地样本集的属性特征，i为耕地样本集的个数，j为属性特征的个数，T表示矩阵的转置；

S63，根据定义的耕地样本集中每个属性特征所占权重值与匹配矩阵D_ij，分别计算对象与每一个耕地样本集的相似度，得到相似度矩阵S′，

其中，δ为样本集属性特征权重矩阵，δ根据区域情况进行自定义；

S64，设定相似度矩阵S的阈值判断条件，若对象与某个耕地样本集的相似度满足阈值判断条件，则对象与某个耕地样本集相匹配；

S65，根据S64的匹配结果，对该对象执行相匹配的耕地样本集对应的模糊分类器，得到分类类别函数E(k)和类别隶属度ω(k)，

S66，采用加权投票法进行耕地加权计算，计算公式如下：

其中，E(x)为耕地加权判断函数，n为与对象x相匹配的模糊分类器总数，k为模糊分类器的个数，k＝1，…，n；

S67，对对象是否为耕地进行判断，判断条件如下：

2.如权利要求1所述的基于高分辨率影像的区域自适应耕地提取方法，其特征在于，数据预处理包括对高分辨率影像及数字高程模型进行处理，其中，影像处理包括对影像进行辐射和几何校正，数字高程模型处理包括生成坡度。

3.如权利要求1所述的基于高分辨率影像的区域自适应耕地提取方法，其特征在于，所述步骤S2中，耕地的最优分割尺度为同时满足均值方差为峰值、形状指数方差为谷值的分割尺度；

其中，均值方差S_C ²的计算公式为

其中，CL_h为单个对象在第L波段的亮度均值，为影像中所有对象在第L波段的亮度均值，m为影像中对象个数的总和，h为对象个数，h＝1，...m；

形状指数方差S_SI ²的计算公式为

其中，SI_n为单个对象的形状指数值，为影像中所有对象的形状指数均值，m为影像中对象个数的总和，h为对象个数，h＝1，...m，b为单个对象的对象周长，V为单个对象的对象体积。

4.如权利要求1所述的基于高分辨率影像的区域自适应耕地提取方法，其特征在于：所述步骤S3中，构建耕地样本集的步骤如下：

S31，通过目视采集耕地样本，要求采集的样本均匀分布且具有代表性，涵盖所有区县的耕地类型，数量不超过整个区域对象个数的5％；

S32，根据耕地样本所在区域、地形坡度特征、物候特征和影像特征，进行耕地样本的归类，构建多个耕地样本集，并且形成每个耕地样本集的属性特征空间；

S33，对耕地样本进行剔除：

设某类别耕地样本各个对象特征的平均值为标准差为Std＝(std₁，std₂，std₃，……，std_n)，对于某一耕地样本X＝(x₁，x₂，x₃......，x_n)，若 用2倍标准差进行耕地样本的剔除。

5.如权利要求4所述的基于高分辨率影像的区域自适应耕地提取方法，其特征在于：所述耕地样本所在区域、地形坡度特征、物候特征和影像特征分别为样本的区县名称、坡度、NDVI和亮度，每个耕地样本集的属性特征空间包括样本的区县名称、坡度、NDVI和亮度。

6.如权利要求1所述的基于高分辨率影像的区域自适应耕地提取方法，其特征在于：所述步骤S4中，最优影像特征空间选择的步骤如下：

S41，耕地对象特征空间初选：

针对高分辨率影像的光谱、纹理、形状特征建立耕地对象特征空间库：

S42，基于特征方差进行最优特征空间选择：

计算每个耕地样本集各个特征的方差，统计方差最小的2～3个特征，形成相应各耕地样本集的最优特征空间；

特征方差S_A ²计算公式如下：

其中，CA为单个样本的特征值，为同一耕地样本集中所有样本的特征均值，p为此耕地样本集中样本的个数，p＝1，...q；

对特征方差进行对比分析，选出每个耕地样本集的最优特征空间。

7.如权利要求1所述的基于高分辨率影像的区域自适应耕地提取方法，其特征在于：所述步骤S5中构建耕地提取的模糊分类器时，根据得到的不同耕地样本集的最优特征空间，通过大量实验进行特征组合，采用模糊分类方法进行耕地提取实验，构建耕地提取的多个模糊分类器。

8.如权利要求7所述的基于高分辨率影像的区域自适应耕地提取方法，其特征在于：第i个样本集f(i)的模糊分类器如下：

其中，Max.diff为最大异质性，NDVI为归一化植被指数，Brightness为亮度，GLCM_{_Contrast}为纹理对比度，Blue_Mean为蓝波段均值，Slope为坡度。