基于高分辨率影像的区域自适应耕地提取方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于遥感应用
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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DijDij=l1,l2,l4,...lip1,p2,p3,p4,...,pin1,n2,n3,n4,...nib1,b2,b3,b4,...bi...................w1,w2w3,w4,...wiT]]>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Dij，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Si，Si=Dij×δj=l1,l2,l3,l4,...lip1,p2,p3,p4,...pin1,n2,n3,n4,...nib1,b2,b3,b4,...bi...................w1,w2,w3w4,...wiT×δ1δ2δ3δ4...δj=S1S2S3S4...Si]]>其中，δi为样本集属性特征权重矩阵，δi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：E(x)=Σi=1n(E(i)×ω(i))]]>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SC2的计算公式为其中，CL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SSI2的计算公式为SSI2=1mΣi=1m(SI-SI‾)2,SI=bV]]>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，……，stdn)，对于某一耕地样本X＝(x1，x2，x3......，xn)，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SA2计算公式如下：SA2=1mΣi=1m(CA-CA‾)2]]>其中，CA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。本专利技术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。<本文档来自技高网...

【技术保护点】
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DijDij=l1,l2,l3,l4,...lip1,p2,p3,p4,...pin1,n2,n3,n4,...nib1,b2,b3,b4,...bi...................w1,w2,w3,w4,...wiT]]>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Dij，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Si，Si=Dij×δj=l1,l2,l3,l4,...lip1,p2,p3,p4,...pin1,n2,n3,n4,...nib1,b2,b3,b4,...bi..................·w1,w2,w3,w4,...wiT×δ1δ2δ3δ4...δj=S1S2S3S4...Si]]>其中，δi为样本集属性特征权重矩阵，δi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：E(x)=Σi=1n(E(i)×ω(i))]]>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：...

【技术特征摘要】
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DijDij=l1,l2,l3,l4,...lip1,p2,p3,p4,...pin1,n2,n3,n4,...nib1,b2,b3,b4,...bi...................w1,w2,w3,w4,...wiT]]>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Dij，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Si，
Si=Dij×δj=l1,l2,l3,l4,...lip1,p2,p3,p4,...pin1,n2,n3,n4,...nib1,b2,b3,b4,...bi..................·w1,w2,w3,w4,...wiT×δ1δ2δ3δ4...δj=S1S2S3S4...Si]]>其中，δi为样本集属性特征权重矩阵，δi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：
E(x)=Σi=1n(E(i)×ω(i))]]>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：
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；...

【专利技术属性】
技术研发人员：文强，丁媛，李丽，纪中奎，周会珍，沙漠泉，周淑芳，张强，任昊冬，
申请(专利权)人：二十一世纪空间技术应用股份有限公司，
类型：发明
国别省市：北京;11