一种基于对象的卫星图像多指标建成区自动提取方法技术

本发明专利技术提供了一种基于对象的卫星图像多指标建成区自动提取方法，该方法包括以下步骤：对图像进行预处理，将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正；构建一个针对WorldView‑2的建成区提取指数，调整归一化差异植被指数和归一化差异水体指数；基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图，并根据不同指数图提取建成区、植被和水体信息；去除识别为建成区的非建成区信息，对遗漏的建成区信息进行提取，获取基于像素的建成区信息；对图像进行分割，并使用分割结果对上述像素的建成区进行优化。本发明专利技术能够准确地捕捉建成区的轮廓，提高建成区的提取精度。

【技术实现步骤摘要】
一种基于对象的卫星图像多指标建成区自动提取方法
本专利技术涉及卫星图像多指标建成区自动提取技术，特别涉及一种基于对象的卫星图像多指标建成区自动提取方法，
技术介绍
快速的城市扩张导致了一系列的城市问题，例如不合理的城市扩张和不合理的城市用地。集约化和精细化规划已经成为城市规划的趋势。随着超高分辨率遥感卫星的发射，在城市建成区中准确识别信息成为可能，并在精细城市规划中具有巨大的应用潜力。然而，由于屋顶、树木和阴影的不同类型，城市建成区的具体模式可能会有很大不同。因此，与中分辨率和低分辨率图像相比，使用高空间分辨率图像精确检测和提取城市建成区更具挑战性。前人已经提出了许多从高空间分辨率图像中提取城市建成区的方法。它们大致可分为五类:基于分类的方法、基于指数的方法、基于纹理的方法、基于几何特征的方法和基于深度学习的方法。基于分类的方法主要考虑如何使用合适的分类器提取城市建成区。Goetz等人(2003)和Lu(2009)等人使用决策树作为分类器来提取每个像素中的建成区信息，但是这些用使用高空间分辨率图像分类每个像素的方法很难获得良好的结果，特别是在复杂的城市场景中。因此，基于对象的图像分析方法(OBIA)越来越广泛地用于高空间分辨率图像中的建成区提取。虽然OBAI方法可以获得更好的分类结果，但是图像分割阈值的确定、特征的选择和提取效率仍然需要考虑。基于指数的构建方法是基于光谱波段设计的，其中建成区在多光谱数据集中显示它们的最高和最低反射率值。通常，基于指数的构建方法利用短波长红外波段(SWIR)作为发展指数的必要波段，因为城市地区在SWIR中的反射率响应高于其他光谱波段。因为大多数高空间分辨率图像没有SWRI，所以这些方法不能直接应用于高空间分辨率图像。GenyunSun基于主成分分析产生的第一个成分，以及土壤调节植被指数(SAVI)和归一化差异水分指数(NDWI)，提出了一个名为CBI的指数名称。PC变换和四个标准光谱的使用使得CBI独立于SWRI，可以应用于高空间分辨率图像。Kumar等人(2012)研究了各种归一化指数，使用不同的波段组合来提取建成区。他们发现，与其他波段组合的归一化指数相比，WorldView-2的PCA1和NIR2波段的归一化指数具有很高的区分性。因此，基于PCA1和NIR2波段的归一化指数(PCABI)被用于提取建成区。此外，建筑面积指数(BAI)和两个基于视觉的指数(VrNIR-BI和VgNIR-BI)也可以用于基于高空间分辨率图像的建成区提取。尽管基于指数的构建方法具有简单、易于实现和速度的优点，但是确定提取建成区的最佳阈值仍然是一个问题。基于纹理的方法可以基于建成区信息具有高纹理密度以及其纹理特征不同于背景的特征来提取建成区。Pesaresi等人(2008)提出了一个基于纹理的累积存在指数(PanTex)。该指数基于模糊规则的各向异性纹理共生度量的组合，这些度量是通过灰度共生矩阵(GLCM)从卫星数据中获得的。它已经成功地用于全球人类居住区测绘。ShaoZhenfeng等人(16)提出了一种构建区域显著性指数(BASI)，该方法采用非采样轮廓波变换(NSCT)来描述纹理并测量建成区的显著性。基于纹理的方法对于具有规则纹理的区域是有效的。然而，在高空间分辨率图像中，建筑物通常稀疏分布，并与树木混合在一起，并且不显示规则的纹理图案，因此这些方法可能无法检测建成区。基于几何特征的方法主要利用建成区中许多人造物体的显著几何特征(例如密集角点和密集边缘)来提取建成区。对于密集角点，许多研究提出了基于角点密度的方法。在这些方法中，经常使用局部特征点(如SIFT和Harris)。对于密集边缘，提出了基于边缘密度的方法。Unsalan等人(2004)介绍了一套基于直线的措施，以评估高分辨率全色卫星图像中的土地开发水平。XiaoGangning；等人(2017)提出了一种从高空间分辨率遥感图像中提取建成区的方法，该方法利用直角拐角、直角边和路标的基于特征级别的融合。尽管几何特征是建成区检测的良好线索，但在高空间分辨率图像中，密集的点和线可能会受到农田、树木和其他物体的影响。基于深度学习的方法是深度学习兴起后出现的一种新的建成区提取趋势。Tian等人(2008)提出了一种基于深度卷积神经网络(DCNNs)的新的建成区检测方法，它包括三个主要部分，包括基于预训练的DCNNs构建视觉知识库、从标记图像中学习城市特点和检测测试图像中的城市区域。TanYihua(2017)提出了一种深度卷积神经网络(CNN)的多输入结构来自动提取建成区。尽管与传统方法相比，基于深度学习的方法有很大的优势和潜在的应用，但是样本制作和模型训练的成本非常昂贵。从以上讨论中，我们可以得出结论，现有的建成区提取方法有其自身的局限性，尤其是在自动化和提取精度方面。
技术实现思路
本专利技术目的在于，解决现有的建成区提取方法存在的问题，并提出一种利用WorldView–2卫星丰富的波段信息，用于稳健准确的从遥感图像中提取建成区。为了实现上述目的，本专利技术提供了一种基于对象的卫星图像多指标建成区自动提取方法，该方法包括以下步骤：对图像进行预处理，将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正；构建一个针对WorldView-2的建成区提取指数，调整归一化差异植被指数和归一化差异水体指数；基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图，并根据不同指数图提取建成区、植被和水体信息；去除识别为建成区的非建成区信息，对遗漏的建成区信息进行提取，获取基于像素的建成区信息；对图像进行分割，并使用分割结果对上述像素的建成区进行优化。优选地，所述构建一个针对WorldView-2的建成区提取指数，调整归一化差异植被指数和归一化差异水体指数步骤，具体为：比较所有可能的波段组合，选择两个波段的归一化差异构建建成区提取指数BAEIr-c，并基于此调整归一化差异植被指数和归一化差异水指数。优选地，所述基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图，并根据不同指数图提取建成区、植被和水体信息步骤，具体为：选择分数阶达尔文粒子群优化算法FODPSO用作多阈值图像分割的算法，自动从归一化差异植被指数、归一化差异水体指数和建成区提取指数地图中获取植被、水和裸土信息，并获取植被、水、裸土和建成区地图。优选地，所述去除识别为建成区的非建成区信息，对遗漏的建成区信息进行提取，获取基于像素的建成区信息步骤，具体为：首先反转建成区图以获得非建成区图，从非建成区图中减去植被、水和裸土图，以获得遗漏的建成区信息；之后，添加遗漏的建成区图和原先的建成区图，以获得完整的建成区图。优选地，所述对图像进行分割，并使用分割结果对上述像素的建成区进行优化步骤，具体为：使用易康软件对图像进行分割，图像被分割成多个个图像对象,基于每个图像对象的类别，获得精确的建成区图。本专利技术整个提取过程自动化进行，能够准确地捕捉建成区的轮廓，提高建成区的提取精度。附图说明图1为一种基于对象的卫星图像多指标建成区自动提取方法流程示意图；图2为建成区提取流程图；图3为实验区域图；图4为研究区四种典型土地覆盖类型的本文档来自技高网...

【技术保护点】
1.一种基于对象的卫星图像多指标建成区自动提取方法，其特征在于包括以下步骤：对图像进行预处理，将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正；构建一个针对WorldView‑2的建成区提取指数，调整归一化差异植被指数和归一化差异水体指数；基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图，并根据不同指数图提取建成区、植被和水体信息；去除识别为建成区的非建成区信息，对遗漏的建成区信息进行提取，获取基于像素的建成区信息；对图像进行分割，并使用分割结果对上述像素的建成区进行优化。

【技术特征摘要】
1.一种基于对象的卫星图像多指标建成区自动提取方法，其特征在于包括以下步骤：对图像进行预处理，将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正；构建一个针对WorldView-2的建成区提取指数，调整归一化差异植被指数和归一化差异水体指数；基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图，并根据不同指数图提取建成区、植被和水体信息；去除识别为建成区的非建成区信息，对遗漏的建成区信息进行提取，获取基于像素的建成区信息；对图像进行分割，并使用分割结果对上述像素的建成区进行优化。2.根据权利要求1所述的方法，其特征在于，所述构建一个针对WorldView-2的建成区提取指数，调整归一化差异植被指数和归一化差异水体指数步骤，具体为：比较所有可能的波段组合，选择两个波段的归一化差异构建建成区提取指数BAEIr-c，并基于此调整归一化差异植被指数和归一化差异水指数。3.根据权利要求1所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：孟庆岩，孙震辉，张颖，张琳琳，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京,11