法律状态公告日
法律状态信息
法律状态
2020-04-14
授权
授权
2019-08-30
实质审查的生效 IPC(主分类):G06K9/00 申请日:20190429
实质审查的生效
2019-08-06
公开
公开
技术领域
本发明基于多源遥感海岸带精细分类的方法,属于遥感影像分类领域。
背景技术
当前遥感技术的发展使得大面积对地观测能力成为可能。对遥感图像的解译一方面依靠影像的空间分辨率提高,另一方面依靠影像波谱分辨率的提高。全色和多光谱影像具有较高的空间分辨率而波谱分辨率不足而难以进行精细分类;高光谱具有较高的波谱分辨率,但是空间分辨率不足,同时存在光谱冗余问题。
目前海岸带精细分类大多仅仅依靠单一的高光谱数据进行分类,而部分类别依靠光谱信息区分度并不明显,加上海岸带地区地物类型复杂,此海岸带精细分类依旧具有一定的挑战。具体表现在以下几点:一是高光谱遥感存在大量数据冗余,光谱之间存在较强的相关性,导致计算量增大,同时地物光谱混合现象影响到了分类精度和分类结果;二是一些地物类型仅仅依靠光谱信息难以区分。
发明内容
本发明的目的在于克服上述不足,提出一种弥补当前海岸带精细分类缺陷,提高海岸带分类精度的集成多源遥感数据的海岸带精细分类方法。
这种集成多源遥感数据的海岸带精细分类方法,包括如下步骤:
S1.对GF-5高光谱影像进行预处理,包括辐射定标、大气校正、正射校正;
S2.对预处理后的影像选择样本进行标记;
S3.通过几何感知的降维方法对高光谱数据进行降维处理;
S4.以经过预处理后的高光谱为依据,在待校正影像上选择控制点,用影像对影像的方式对原始DEM影像和热红外影像进行配准,并分别裁剪出与高光谱相同的范围,最后由配准后的DEM数据生成坡度图层和坡向图层;
S5.对降维后的高光谱数据与经过配准后的DEM数据、热红外数据以及坡度图层、坡向图层进行堆叠;
S6.根据之前样本标签,用支持向量机对堆叠后的数据执行分类。
作为优选:所述步骤S3中,降维处理的具体步骤为:
S3.1首先对标记样本进行聚类,用Nw(xi)表示与像元点xi具有同一标签最邻近的聚类点;Nb(xj)表示与像元点xi具有不同标签的最邻近像元点,根据聚类结果构造判别函数;
其次,根据判别函数构造相关函数,表达式如下
Aij=gw(xi,xj)-gb(xi,xj)
其中Aij为邻近点xi与xj之间的相关性;
S3.2通过构造损失函数尽量保留原有信息,同时加入S3.1中判别函数使得降维后空间更具有区分性,具体公式如下
其中,UT为映射矩,函数L(U)的最优解应当接近单位矩阵Im;
S3.3求解损失函数,此处用共轭梯度法求解,表达式为
其中,
本发明的有益效果是:结合多源影像,提高海岸带精细分类精度。针对高光谱数据冗余问题,采用几何感知的降维方式来对数据进行降维处理;DEM信息能够解决水体和山体阴影混分,建筑和船只混分的现象,以及岩石海岸与建筑混分的现象;由DEM生成的坡度和坡向信息能够发掘DEM影像潜在的特征,减少湿地与旱地植被的混分,因此将坡度和坡向图层也作为特征层添加到分类图层中;热红外影像能够更好地区分裸地和未利用地,故将高光谱影像与Landsat8热红外波段结合。通过图层堆叠的方式将降维后的高光谱影像与DEM高程数据、坡度信息、坡向信息、Landsat8热红外信息相结合,提高分类精度。该方法灵活性强,具有较强的实用性。
附图说明
图1是本发明的实施例流程图;
图2是GF5原始影像图;
图3是30米DEM影像;
图4是Landsat8热红外影像;
图5是DEM生成的坡度图;
图6是DEM生成的坡向图像;
图7是分类结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
步骤1:下载GF-5高光谱卫星影像(图2)为原始高光谱影像的真彩色显示),对影像进行辐射定标、大气校正、几何校正和正射校正预处理;
步骤2:依据实际需要确定样本类别,参照高光谱影像不同类别的光谱曲线,结合谷歌地球真实高清地表高清影像确定地表属性,在预处理后的高光谱影像上进行样本标记;
步骤3:通过几何感知的降维方式对预处理之后的高光谱数据进行降维,该方法通过样本标签信息将数据从高维空间中映射到一个更具区分度的低维空间中,从而增强类别的可区分性并减少数据冗余,具体降维方式如下所示:
(1)首先对标记样本进行聚类,用Nw(xi)表示与像元点xi具有同一标签最邻近的聚类点;Nb(xj)表示与像元点xi具有不同标签的像元点,根据聚类结果构造判别函数
其次,根据判别函数构造相关函数,表达式如下
Aij=gw(xi,xj)-gb(xi,xj)
其中Aij为邻近点xi与xj之间的相关性
(2)由于降维过程不可避免的带来信息损失,为了使得降维过程中的信息损失达到最小,通过构造损失函数尽量保留原有信息,同时加入(1)中判别函数使得降维后空间更具有区分性
其中,U为映射矩,函数L(U)的最优解应当接近单位矩阵Im。
(3)求解损失函数,此处用共轭梯度法求解,表达式为
其中,
步骤4:下载GDEMV2的DEM影像(图3)和landsat8影像,提取出第10和11两个热红外波段(图4),以经过预处理的高光谱为基准影像,在影像上选择控制点,对原始DEM影像和Landsat8热红外影像配准,使DEM影像和Landsat8热红外影像与高光谱影像空间上能堆叠;分别裁剪出与高光谱相同的范围;以经过预处理后的高光谱为依据,对原始DEM影像和landsat8第10,11波段的热红外影像进行配准,分别裁剪出与高光谱相同的范围;对配准后的DEM图层提取等高线,在等高线的基础上进行表面分析,生成坡度图层(图5)和坡向图层(图6);
步骤5:为了解决一些类别仅依靠光谱信息容易产生混分的问题,对降维后的高光谱数据与经过配准后的DEM高程数据,热红外数据以及DEM生成的坡度图层、坡向图层进行图层的堆叠;
步骤6:根据之前标记的样本标签用支持向量机对图像进行分类,图7为分类结果图。
机译: 一种适用于医学应用分析的集成分类与分类方法
机译: 一种适用于医学应用分析的集成分类与分类方法
机译: 一种适用于医学应用分析的集成分类与分类方法