一种窗口遍历的SEVI调节因子自动优化算法制造技术

本发明专利技术涉及一种新的SEVI调节因子自动优化算法，包括以下步骤：窗口选择、植被指数计算、相关系数计算、单窗口优化解、窗口遍历、全局(全景)最优解。本发明专利技术无需DEM数据辅助、遥感影像分类和人为指定计算样区，避免了人为选择样区的不稳定性，提升了SEVI计算的自动化水平，对遥感在复杂地形山区植被信息准确反演、消除地形本影和落影的干扰具有重要的科学意义与经济价值。

【技术实现步骤摘要】
一种窗口遍历的SEVI调节因子自动优化算法
本专利技术涉及一种窗口遍历的SEVI调节因子自动优化算法。
技术介绍
现有地形阴影消除植被指数TAVI中地形调节因子f(△)优化方法主要有3种：“匹配寻优法(国家专利号200910111688X)”、“极值优化法(国家专利号201010180895.3)”和“相关系数法(国家专利号2015108077580)”。“匹配寻优”算法计算步骤为：(1)影像分类，划分遥感影像中山体的阴坡和阳坡，并选取典型样区；(2)目标识别，借助地面调查资料、实地考察数据、航拍资料或者GoogleEarth的高分辨率影像数据等核实阴坡与阳坡植被的均质性，识别典型样区阴坡与阳坡植被一致或接近的部分；(3)优化匹配，令f(△)从0开始，依次递增，考察TAVI在典型样区阴坡与阳坡植被一致部分的植被指数值变化，当二者相等时，即可确定f(△)的最优结果。“极值优化”算法计算步骤为：(1)影像分类，划分遥感影像中山体的阴坡和阳坡；(2)计算极值，计算阴坡部分TAVI的最大值MTAVI阴与阳坡部分TAVI的最大值MTAVI阳；(3)迭代寻优，令f(△)从0开始，依次递增，当满足以下公式条件时，得到f(△)最优值。|MTAVI阴-MTAVI阳|≤ε,ε→0,f(△)＝0～∞“相关系数”算法计算步骤为：(1)选择样区，在复杂地形山区选择地形影响明显、山体阳坡和阴坡对称分布的典型样区；(2)计算样区植被指数TAVI、RVI和SVI；(3)计算相关系数，包括TAVI与CVI的相关系数R1，TAVI与SVI的相关系数R2；(4)逼近优化，令f(△)从0开始，依次递增，当R1与R2满足以下公式条件时，确定f(△)优化计算结果。R1-R2≤ε,ε→0,f(△)＝0～∞上述3种优化算法，TAVI无需DEM等数据的支持，都能有效削减地形阴影对山区植被信息的影响。但前2种优化算法都需要对遥感影像分类，其中“寻优匹配”算法还需要地面数据等的支持；第3种方法，虽然无需影像分类，但需要人工选择样区，存在较大的不稳定性；此外，这三种方法都容易陷入局部最优解而非全局最优解，这都限制了地形阴影消除植被指数应用的自动化水平，不利于推广应用。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种窗口遍历的SEVI调节因子自动优化算法。该算法无需DEM数据和遥感影像分类，同时不依赖于地面调查数据也不用选择样区，对全景影像计算SEVI及其应用推广具有重要的科学意义与经济价值。为实现上述目的，本专利技术采用如下技术方案：一种窗口遍历的SEVI调节因子自动优化算法，其特征在于包括以下步骤：步骤S1：观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K；假设整景遥感影像的尺寸为M行N列；步骤S2：以整景遥感影像的表观反射率数据计算阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI；步骤S3：计算相关系数，具体如下：其中：R1为SEVI与RVI的相关系数，R2为SEVI与SVI的相关系数，x、y1、y2分别为遥感影像SEVI、RVI及SVI计算结果，n为SEVI、RVI及SVI的影像数据的像元数；步骤S4：令f(△)从0开始，间隔a，依次递增计算SEVI，同时考察SEVI与RVI的相关系数R1及SEVI与SVI的相关系数R2，当R1与R2满足以下条件时，退出内循环，得到单窗口优化解FL：R1-R2≤ε,ε→0,f(△)＝0～∞；步骤S5：从遥感影像左上角第一个像元(1，1)开始计算第一个窗口(1:K，1:K)的f(△)优化值；然后先行后列依次递增计算其它窗口的f(△)优化值；最终得到一个行列为(M-K，N-K)的f(△)优化值矩阵；步骤S6：计算f(△)优化值由高往低前m％数量的分界值F，从而得到全景影像的f(△)全局最优解FG。在本专利技术一实施例中，窗口参数K为50、100、150或200。在本专利技术一实施例中，a为0.001。在本专利技术一实施例中，m为3。在本专利技术一实施例中，阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI的计算公式为：其中：f(△)为调节因子；Br为遥感影像红光波段数据，Bnir为遥感影像近红外波段数据。本专利技术与现有技术相比具有以下有益效果：1、可用于整景影像计算：本专利技术的自动优化算法可以计算整景影像的f(△)最优解，而非样区的局部优化解，对于SEVI的实际应用和工程化推广具有重要的科学价值与经济效益。2、地形校正效果明显：本专利技术确定的f(△)全局(全景)最优解，保证SEVI能有效消除地形本影和落影对山区植被信息的干扰。3、数据需求少，成本低：本专利技术只需要遥感影像自身携带的波段数据，无需地面调查数据或实地考察数据等的支持，数据成本与时间成本实现最小化。4、流程简单，可操作性强：本专利技术主要由“窗口选择、植被指数计算、相关系数计算、逼近计算、窗口遍历、全局优化值确定”等步骤就可确定f(△)全局(全景)最优解，流程简单，操作容易，无需遥感影像分类、样区选择等环节，大大提升了SEVI应用自动化水平。附图说明图1是本专利技术技术流程示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1，本专利技术提供一种窗口遍历的SEVI调节因子自动优化算法，其包括以下步骤：步骤S1：窗口选择：观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K。结合实用性与计算效率，参照Landsat影像30米空间分辨率，窗口参数K可以选择50、100、150、200等来表征影像上窗口大小。步骤S2：植被指数计算：以整景遥感影像(M行N列)表观反射率数据计算阴影消除植被指数、比值植被指数和阴影植被指数；其中：SEVI为阴影消除植被指数；RVI为比值植被指数；SVI为阴影植被指数；f(△)为调节因子；Br为遥感影像红光波段数据，Bnir为遥感影像近红外波段数据。步骤S3：相关系数计算，具体如下：其中：R1为SEVI与CVI的相关系数，R2为SEVI与SVI的相关系数，x、y1、y2分别为遥感影像SEVI、CVI及SVI计算结果，n为SEVI、CVI及SVI的影像数据的像元数。步骤S4：逼近优化，令f(△)从0开始，以a(a可以为0.001)为间隔，依次递增进行植被指数的计算，同时考察SEVI与CVI的相关系数R1及SEVI与SVI的相关系数R2，当R1与R2满足以下条件时，退出内循环，得到单窗口优化解FL：R1-R2≤ε,ε→0,f(△)＝0～∞。步骤S5：窗口遍历，从遥感影像左上角第一个像元(1，1)开始计算第一个窗口(1:K,1:K)的f(△)优化值；然后先行后列依次递增计算其它窗口的f(△)优化值。最终得到一个行列为(M-K，N-K)的f(△)优化值矩阵。步骤S6：全局最优值确定，计算f(△)优化值由高往低前m％(m可以取3)数量的分界值F，从而得到全景影像的f(△)全局最优值FG。主要流程示意图参见图1。进一步的，所述植被指数为阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI，相应计算公式如下：其中：Br为遥感影像红光波段数据，Bnir为遥感影像近红外波段数据。通过对该方法在Landsat8OLI全景影像的验证，表明本专利技术计算的SEVI本文档来自技高网...

【技术保护点】
1.一种窗口遍历的SEVI调节因子自动优化算法，其特征在于，包括以下步骤：步骤S1：观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K；步骤S2：以整景遥感影像的表观反射率数据计算阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI；假设整景遥感影像的尺寸为M行N列；步骤S3：计算相关系数，具体如下：

【技术特征摘要】
1.一种窗口遍历的SEVI调节因子自动优化算法，其特征在于，包括以下步骤：步骤S1：观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K；步骤S2：以整景遥感影像的表观反射率数据计算阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI；假设整景遥感影像的尺寸为M行N列；步骤S3：计算相关系数，具体如下：其中：R1为SEVI与RVI的相关系数，R2为SEVI与SVI的相关系数，x、y1、y2分别为遥感影像SEVI、RVI及SVI计算结果，n为SEVI、RVI及SVI的影像数据的像元数；步骤S4：令f(△)从0开始，间隔a，依次递增计算SEVI，同时考察SEVI与RVI的相关系数R1及SEVI与SVI的相关系数R2，当R1与R2满足以下条件时，退出内循环，得到单窗口优化解FL：R1-R2≤ε,ε→0,f(△)＝0～∞；步骤S5：从遥感影像左上角第一个像元...

【专利技术属性】
技术研发人员：江洪，柳晓农，王森，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35