公开/公告号CN114998721A
专利类型发明专利
公开/公告日2022-09-02
原文格式PDF
申请/专利权人 南京信息工程大学;
申请/专利号CN202210483828.1
申请日2022-05-06
分类号G06V20/10(2022.01);G06V10/34(2022.01);G06V10/54(2022.01);G06V10/77(2022.01);G06V10/764(2022.01);G06V10/82(2022.01);G06N3/04(2006.01);G06N3/08(2006.01);
代理机构南京钟山专利代理有限公司 32252;
代理人张力
地址 210044 江苏省南京市江北新区宁六路219号
入库时间 2023-06-19 16:46:06
法律状态公告日
法律状态信息
法律状态
2022-09-20
实质审查的生效 IPC(主分类):G06V20/10 专利申请号:2022104838281 申请日:20220506
实质审查的生效
2022-09-02
公开
发明专利申请公布
技术领域
本发明属于遥感信息提取技术领域,具体涉及一种利用长短期记忆神经网络提取红树林湿地的方法。
背景技术
红树林湿地是自然分布于热带和亚热带海岸潮间带的木本植物群落,其由超过70种不同种类的湿地树木组成。红树林覆盖了北纬25°至南纬25°之间75%的热带海岸线,跨越全球123个国家。与其他潮间带湿地一样,红树林湿地在低潮时暴露,在涨潮时被淹没,处于陆地和海洋环境的交界。因此,它们发挥着重要的生态作用,包括提供栖息地和资源、净化水质和调节气候等。红树林湿地的损失可归因于各种治理尺度上的多重压力源,从资源开发的局部威胁到气候变化的全球威胁。因此,亟需开展红树林湿地的调查与保护研究,为红树林监测管理、保护与利用提供技术与数据支撑。
常规的红树林湿地野外调查常常难以到达、耗时长、工作量大、成本高,且对调查的范围和时效性具有很大的局限性,无法满足大面积红树林湿地监测的迫切需求。而遥感监测具有快速、大范围、精确、宏观性、成本低和受地面限制少等特点,能够弥补传统野外调查的不足之处,在被潮水淹没、无法进入的红树林湿地地区进行测绘和后续监测具有重要作用,被认为是监测红树林湿地方面快速有效的方法。而实现红树林湿地遥感动态监测的前提是高精度分类和提取红树林湿地。
目前,红树林湿地的遥感分类方法比较常用的有:目视解译、监督分类和非监督分类、专家分类、面向对象、波段组合与多时相线性变换等。另外,神经网络也在红树林湿地遥感分类中有着越来越广泛的应用,并表现出较好的分类精度。然而,现有技术对于图像的处理大多采用卷积神经网络,且对于特征缺乏完整的提取和整合。此外,循环神经网络,如长短期记忆神经网络特有的“记忆”功能在序列数据的处理方面开始凸显优势,但现阶段主要用于解决长时序时间序列的预测问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种利用长短期记忆神经网络提取红树林湿地的方法,可以有效地提高地物覆盖类型的分类准确性和红树林湿地的提取精度,适用于解决监测红树林湿地的动态变化情况等实际问题。
为实现上述技术目的,本发明采取的技术方案为:
一种利用长短期记忆神经网络提取红树林湿地的方法,包括:
步骤1:获取研究区域的遥感影像,并进行正射纠正和几何纠正预处理;
步骤2:获取预处理后的遥感影像的纹理特征,结合光谱特征形成具有多特征的遥感影像;
步骤3:采用专家判读的方法在多特征遥感影像上选取样本形成训练数据集,利用创建随机点方法构建验证数据集;
步骤4:搭建长短期记忆神经网络分类器,分别采用训练数据集和验证数据集对分类器进行训练和优化;
步骤5:利用优化后的分类器监测长时间序列的红树林湿地信息,获取红树林湿地动态变化特征。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤1具体包括:
步骤11:获取研究区域的遥感影像;
步骤12:利用数字高程模型对遥感影像进行正射纠正;
步骤13:对遥感影像进行几何纠正:以1:10万地形图为参考图,选择控制点,通过重采样纠正几何位置的偏差。
上述的步骤2包括:
步骤21:对预处理后的遥感影像,利用主成分分析(PCA)和最小噪声分离旋转(MNF) 两种图像增强方法来提高图像的信噪比(SNR),选取主成分分析的前两个主成分A1和A2以及最小噪声分离旋转的前三个分量F1、F2和F3作为辅助光谱特征;
步骤22:利用灰度共生矩阵方法获取遥感影像主成分分析前两个主成分A1和A2的纹理特征,包括:
均值:
方差:
协同性:
对比度:
相异性:
信息熵:
角二阶矩:
相关性:
其中,i和j分别表示第i行和第j列处的灰度值;
G(i,j)表示灰度共生矩阵标准化后第i行第j列对应的两个灰度值同时出现的概率;
L为图像的灰度级;M
步骤23:将获取的辅助光谱特征、纹理特征配置到原始遥感影像光谱特征之后,形成多特征遥感影像。
上述的步骤3中,采用专家判读的方法在多特征遥感影像上选取水域样本、红树林样本、其他植被样本和其他样本形成训练数据集;
利用创建随机点方法结合谷歌地球影像构建验证数据集。即随机点的样本标签通过谷歌地球影像确定。
上述的步骤4中,搭建的长短期记忆神经网络分类器包括:LSTM模块、全连接层和Softmax 层;
对训练数据集进行序列化,序列化数据输入LSTM模块进行序列特征提取后,经过全连接层和Softmax层输出分类提取结果;
根据分类的结果和验证数据集,改变学习速率、全连接层的层数优化分类器以获取最优分类提取结果。
上述的LSTM模块包括输入门、遗忘门和输出门;
所述遗忘门,用于对当前输入i
F
其中,w
σ表示sigmoid函数,它的输出在0到1之间;
F
上述的输入门I
首先通过输入层的sigmoid决定需要更新的信息,然后通过tanh层得到一个更新内容
I
其中,w
上述的输出门,用于最终控制当前单元S
用输出门O
O
h
其中,w
本发明具有以下有益效果:
1、本发明基于遥感影像,利用长短期记忆神经网络提取红树林湿地;
2、本发明整合了光谱特征和纹理特征,提高了遥感影像信息的可利用率;
3、本发明补充了利用循环神经网络的记忆功能来提取红树林湿地的方法,可有效地提高地物覆盖类型的分类准确性和红树林湿地的提取精度;
4、本发明弥补了野外调查在时空上的缺陷,具有快速和简单易实现等优势,更适合于实际应用。
附图说明
图1本发明方法原理图;
图2为本发明实施例中纹理特征的示意图;
图3为本发明实施例中不同方法的分类结果;
图4本发明实施例中2000-2020年深圳湾红树林湿地的动态变化情况。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1,一种利用长短期记忆神经网络提取红树林湿地的方法,包括:
步骤1:获取研究区域的遥感影像,并进行正射纠正和几何纠正等预处理;
实施例中,步骤1具体包括:
步骤11:获取研究区域的遥感影像;
步骤12:利用数字高程模型(DEM)对遥感影像进行正射纠正;
步骤13:对遥感影像进行几何纠正:以1:10万地形图为参考图,选择控制点,通过重采样纠正几何位置的偏差。
步骤2:获取预处理后的遥感影像的纹理特征,结合光谱特征形成具有多特征的遥感影像;
实施例中,步骤2包括:
步骤21:对预处理后的遥感影像,利用主成分分析(PCA)和最小噪声分数旋转(MNF) 两种图像增强方法来提高图像的信噪比(SNR),选取主成分分析的前两个主成分A1和A2以及最小噪声分离旋转的前三个分量F1、F2和F3作为辅助光谱特征;
步骤22:利用灰度共生矩阵方法获取遥感影像主成分分析前两个主成分A1和A2的纹理特征,包括:
均值:
方差:
协同性:
对比度:
相异性:
信息熵:
角二阶矩:
相关性:
其中,i和j分别表示第i行和第j列处的灰度值;
G(i,j)表示灰度共生矩阵标准化后第i行第j列对应的两个灰度值同时出现的概率;
L为图像的灰度级;M
步骤23:将获取的辅助光谱特征、纹理特征配置到原始遥感影像光谱特征之后,形成多特征遥感影像。
步骤3:采用专家判读的方法在多特征遥感影像上选取样本形成训练数据集,利用创建随机点方法构建验证数据集;
实施例中,采用专家判读的方法选取水域样本、红树林样本、其他植被样本和其他样本 (建筑物和裸地等)形成训练数据集;
利用ENVI的ROI选取的样本有水域样本、红树林样本、其他植被样本和其他样本(建筑物和裸地等);
利用创建随机点方法结合谷歌地球影像构建验证数据集。即随机点的样本标签通过谷歌地球影像确定。
步骤4:搭建长短期记忆神经网络分类器,分别采用训练数据集和验证数据集对分类器进行训练和优化;
实施例中,搭建的长短期记忆神经网络分类器包括:LSTM模块、全连接层和Softmax层;
对训练数据集进行序列化,序列化数据输入LSTM模块进行序列特征提取后,经过全连接层和Softmax层输出分类提取结果;
根据分类的结果和验证数据集,改变学习速率、全连接层的层数等优化分类器以获取最优分类提取结果。
所述LSTM模块包括输入门、遗忘门和输出门;
实施例中,LSTM模块中,首先要经过遗忘门对当前输入i
F
其中,w
σ表示sigmoid函数,它的输出在0到1之间;
F
输入门I
I
其中,w
最后,输出值的确定,输出门最终可以控制当前的这个单元S
O
h
其中w
步骤5:利用优化后的分类器监测长时间序列的红树林湿地信息,获取红树林湿地动态变化特征。
图1为本发明的方法原理图,本发明实施例利用Landsat-5TM、Landsat-7ETM及Landsat -8OLI遥感影像数据,选取深圳湾为研究区域,通过对遥感影像进行正射纠正、辐射纠正和特征整合等处理,创建训练和验证数据集,利用长短期记忆神经网络网络分类器分类并提取红树林湿地信息。
实施例:选取深圳湾为研究区域,利用本发明提出的技术方案提取深圳湾红树林湿地信息,具体步骤如下:
步骤1:收集2000-2020年深圳湾地区(包括我国香港特别行政区米埔红树林鸟类自然保护区和福田红树林鸟类自然保护区)Landsat-5TM、Landsat-7ETM及Landsat-8OLI遥感影像数据,进行正射纠正和几何纠正等预处理;
步骤2:提取遥感影像的8个纹理特征,结合光谱特征形成具有多特征的遥感影像;
步骤3:采用专家判读的方法在多特征遥感影像上选取水域样本、红树林样本、其他植被样本和其他样本(建筑物和裸地等)形成训练数据集,利用创建随机点方法结合谷歌地球影像构建验证数据集;
步骤4:搭建长短期记忆神经网络分类器,对训练数据集进行序列化,利用分类器的长短期记忆神经网络模块提取序列特征,训练分类器并优化;
步骤5:利用优化后的分类器监测长时间序列的深圳湾红树林湿地信息,获取红树林湿地动态变化特征。
图2为纹理特征示意图,图2中,a-h图分别表示:a:均值;b:方差;c:协同性;d:对比度;e:相异性;f:信息熵;g:角二角矩;h:相关性。
均值反映了纹理的规则程度,方差反映了图像像素值和均值的偏差,协同性反映了图像局部灰度的均匀性,对比度反映了图像的清晰度和纹理沟纹深浅的程度,相异性反映了局部对比度的变化程度,信息熵反映了图像中纹理的非均匀程度和复杂程度,角二角矩反映了图像灰度分布均匀程度和纹理粗细度,相关性反映了图像中局部灰度相关性。
图3为长短期记忆神经网络、随机森林和BP神经网络的分类结果,图3中,a、b图为随机森林的分类结果,c、d图为BP神经网络的分类结果,e、f图为长短期记忆神经网络的分类结果;其中,a、c、e图只用光谱特征;b、d、f图采用光谱和纹理特征。
图3可以得到只使用光谱特征的分类方法,很难区分红树林和其他植被。此外,本发明长短期记忆神经网络表现出更好的分类效果,分类精度达到了90%,Kappa系数达到了0.86。
图4为2000-2020年深圳湾红树林湿地的动态变化情况,图4中,a-e图分别表示2000、 2005、2010、2015和2020的深圳湾红树林湿地监测情况。
根据图4发现近20年来红树林湿地分布相对集中,福田红树林鸟类自然保护区内红树林斑块向海纵深加宽,外侧红树林斑块持续增大。我国香港特别行政区米埔红树林鸟类自然保护区的红树林全部向海扩张,南部区红树林同时向陆迁移。红树林湿地面积整体呈现先增加后减少的趋势。
因此按照本发明提供的方法来提高红树林湿地的分类精度进而对红树林湿地进行动态监测是可行的。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,应视为本发明的保护范围。
机译: 用户使用长短期记忆神经网络特征提取器指定关键字
机译: 使用长期短期记忆神经网络特征提取器识别用户指定的关键字
机译: 用户使用长短期记忆神经网络特征提取器指定关键字