一种基于神经网络的多时相遥感影像城市植被提取方法技术

本发明专利技术公开了一种基于神经网络的多时相遥感影像城市植被提取方法，属于植被提取技术领域，基于多时相高分辨率遥感影像数据，通过对影像进行图像分割；对训练样本使用BP神经网络方法进行训练，形成针对实验区植被的神经网络模型；利用该模型对多时相数据进行植被提取，采用基于权重的投票规则融合多时相提取结果，从而得到精度更高的植被区域。采用本发明专利技术对居民区植被提取，提取精度从87.6％提升至93.3％，具有较好的实用性。本发明专利技术适用于实际工作中的居民区、商业区、工业区等其他区域的植被提取，可推广至整个城市的植被覆盖率研究工作中。

A Method of Urban Vegetation Extraction from Multi-temporal Remote Sensing Images Based on Neural Network

The invention discloses a multi-temporal remote sensing image urban vegetation extraction method based on neural network, which belongs to the field of vegetation extraction technology. Based on Multi-temporal and high-resolution remote sensing image data, image segmentation is carried out; training samples are trained by using BP neural network method to form a neural network model for vegetation in the experimental area; and multi-temporal number is obtained by using the model. According to the vegetation extraction, the weighted voting rules are used to fuse the multi-temporal extraction results, so that the vegetation regions with higher accuracy can be obtained. The method can extract vegetation in residential areas, and the extraction accuracy is improved from 87.6% to 93.3%, which has good practicability. The invention is suitable for vegetation extraction in residential, commercial, industrial and other areas in practical work, and can be extended to the study of vegetation coverage of the whole city.

【技术实现步骤摘要】
一种基于神经网络的多时相遥感影像城市植被提取方法
本专利技术属于植被提取
，具体涉及一种基于神经网络的多时相遥感影像城市植被提取方法。
技术介绍
随着遥感传感器技术的发展，高空间分辨率遥感影像在城市地物自动提取中发挥了越来越重要的作用。如何更有效地从遥感影像中提取所需要的道路、植被、建筑等地物，是目前遥感领域的一项重要工作。居民区的植被覆盖率测量是目前测绘工作中的一项重要而常规的工作，传统的人工测绘需要测绘作业人员实地进行勘测，而基于卫星遥感影像或者是航拍影像的内业人工解译，同样耗时耗力，而且还具有较大的操作主观性，无法保证统一客观的内业操作尺度。目前，针对基于高分辨率遥感影像的城市植被的提取，相关学者进行了研究，按照像元及对象的区别，可以分为基于像元的提取方法和面向对象的提取方法。基于像元方法通常采用植被指数及经验或者自适应阈值分割进行提取，总体原理是植被指数大于对应影像的经验阈值，该像元就被认定为植被区域；而面向对象方法则是在像元的基础上，将像元所组成的对象进行特征判断，可以引入纹理、形状等其他特征来增加识别准确率。而从居民区中进行植被的提取，是城区植被提取中的一项典型应用。然而，由于卫星遥感摄影的倾角问题，城市中的建筑物在卫星影像上通常会遮蔽绿地，同时建筑物所产生的阴影也会很大程度上影响识别的稳定性，这两个问题给城市植被的自动识别带来了较大的困难。
技术实现思路
专利技术目的：针对现有技术中存在的不足，本专利技术的目的在于提供一种基于神经网络的多时相遥感影像城市植被提取方法。本专利技术适用于实际工作中的居民区、商业区、工业区等其他区域的植被提取，从而推广至整个城市的植被覆盖率研究工作中。技术方案：为了解决上述问题，本专利技术所采用的技术方案如下：一种基于神经网络的多时相遥感影像城市植被提取方法，基于多时相高分辨率遥感影像数据，通过对影像进行图像分割；对样本使用BP神经网络方法进行训练，形成针对实验区植被的神经网络模型；利用该模型对多时相数据进行植被提取，采用基于权重的投票规则融合多时相提取结果，从而得到精度更高的植被区域。具体操作为：(1)图像分割阶段，将多时相遥感影像数据切分为多个对象；(2)图像识别阶段，使用植被识别模型对每个对象进行识别，如果分割区域中属于植被的面积大于50％，则判定该分割区域为植被区域，否则，判定为非植被区域；(3)多时相数据融合阶段，赋予近期的遥感影像较大的权重，判定遥感影像分割后的对象是否为植被区域的投票规则采用如下公式所示，其中，yeari表示第i个遥感影像对应的年份，表示第i个遥感影像中的该对象是否为植被区域；当P融合大于0.5时，判定该对象为植被区域，否则，判定为非植被区域。优选的，所述遥感影像数据来自于GoogleEarth发布的影像。优选的，所述遥感影像的空间分辨率为0.51米，且经过预处理几何校正和配准。优选的，所述图像分割方法采用的是K-means聚类方法，该方法的优势在于无需设置分割参数，具有较好的分割自适应性，过程如下：1)将图像进行变换，变换为适于K-means方法运算的矩形数据格式；2)将图像转换后的矩阵中随机抽取6个像素作为随机中心，明确参与计算的所有影像的中心位置与这6个像素点位置一致；3)对每个像素到该随机中心进行特征距离计算；4)将每个像素归为最近距离的随机中心；5)重新调整每个类别的中心；6)迭代3)～5)步骤，直到迭代次数大于300或者新的中心相对上一轮中心的变化率小于0.05％，算法结束。优选的，所述获得植被识别模型的步骤包括：(1)确定样本区，通过人工目视选取样本区中的植被像素点；(2)使用64*64的窗口对样本区遥感影像进行扫描，根据统计，判定该窗口区域是否为植被区域，即如果窗口区域中属于植被的像素点比例大于50％，则判定窗口区域为植被区域并作为机器学习的正样本，否则判定为该窗口为非植被区域，并作为机器学习的负样本；(3)将正负样本窗口的64*64个像素点，输入神经网络输入层，使用BP神经网络算法进行模型训练，得到植被识别模型。优选的，所述步骤3)特征距离使用的是像素值的欧几里得距离。优选的，所述实验区为城市居民区、商业区或工业区。优选的，对所述提取结果进行准确率计算为：采用以下公式其中，Si表示目视结果的该对象i是否为植被区域，是则Si为1，否则为0；Pi表示多时相数据融合后的该对象i是否为植被区域，是则Pi为1，否则为0，n为对象总数。有益效果：与现有的技术相比，本专利技术的优点包括：(1)本专利技术通过与人工目视提取结果相比较，基于神经网络的多时相遥感影像城市植被提取方法具有较好的准确率，与使用单一时相的遥感影像提取植被区域相比较，对居民区植被区域的提取，提取精度从87.6％提升至93.3％，具有较好的实用性。(2)本专利技术适用于实际工作中的居民区、商业区、工业区等其他区域的植被提取，从而推广至整个城市的植被覆盖率研究工作中。附图说明图1为总体流程示意图；图2为实验区的多时相遥感影像图，其中，图a为实验区2018年7月15日的遥感影像图，图b为实验区2017年10月9日的遥感影像图，图c为实验区2017年7月7日的遥感影像图，图d为实验区2016年11月28日的遥感影像图；图3为BP神经网络结构图，其中，x1，x2，...xn为输入层节点，y1，y2…ym为输出层节点，wij为输入层节点i和隐藏层节点j之间的权重，wjk为隐藏层节点j和输出层节点k之间的权值；图4a为样本区的遥感影像图；图4b为样本区的植被区域图；图5为植被识别模型神经网络训练流程图；图6为遥感影像分割区域识别流程图；图7为实验区2018年遥感影像植被提取结果图；图8a为实验区多时相数据融合后的植被提取结果图；图8b为样本区植被提取结果图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合具体实施例对本专利技术的具体实施方式做详细的说明。实施例1一种基于神经网络的多时相遥感影像城市植被提取方法的流程示意图如图1所示。由图1可知，植被提取过程共分为三个部分，第一部分是图像分割阶段，其目的在于将多时相遥感影像数据切分为多个对象，利用对象进行植被的提取和识别，有利于融合多特征因素。分割的方法采用的是K-means聚类方法，该方法的优势在于无需设置分割参数，具有较好的分割自适应性；第二部分是对分割后的对象使用BP神经网络模型进行识别，主要是利用人工训练样本后构建神经网络的植被识别模型；第三部分是对多时相遥感影像数据的提取结果进行多时相数据融合，将融合后的结果进行精度检验后输出结果。1、图像分割阶段一种基于神经网络的多时相遥感影像城市植被提取方法，以城市居民区为例。实验样区为苏州市新创竹园小区，采用来自2018年7月15日，2017年10月9日，2017年7月7日和2016年11月28日这四个时相的遥感影像数据，如图2所示。采用的遥感影像数据来自于GoogleEarth发布的影像，影像的空间分辨率为0.51米。目前，由于GoogleEarth的影像质量较优，使用其影像进行科学研究的工作已经取得了较大的成果。K-means算法是经典聚类算法，使用该算法的图像分割方法是常规图像分割方法之一。与目前另一种常用的多分辨率分割方法相比，K-means方法具有不需要设置经验性本文档来自技高网...

【技术保护点】
1.一种基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，基于多时相高分辨率遥感影像数据，通过对影像进行图像分割；对样本使用BP神经网络方法进行训练，形成针对实验区植被的神经网络模型；利用该模型对多时相数据进行植被提取，采用基于权重的投票规则融合多时相提取结果，从而得到精度更高的植被区域。

【技术特征摘要】
1.一种基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，基于多时相高分辨率遥感影像数据，通过对影像进行图像分割；对样本使用BP神经网络方法进行训练，形成针对实验区植被的神经网络模型；利用该模型对多时相数据进行植被提取，采用基于权重的投票规则融合多时相提取结果，从而得到精度更高的植被区域。2.根据权利要求1所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，具体操作为：(1)图像分割阶段，将多时相遥感影像数据分割为多个对象；(2)图像识别阶段，对样本使用BP神经网络方法进行训练，获得植被识别模型；使用该模型对每个对象进行识别，如果分割区域中属于植被的面积大于50％，则判定该分割区域为植被区域，否则，判定为非植被区域；(3)多时相数据融合阶段，赋予近期的遥感影像较大的权重，判定遥感影像分割后的对象是否为植被区域的投票规则采用以下公式，其中，yeari表示第i个遥感影像对应的年份，Pi表示第i个遥感影像中的该对象是否为植被区域；当P融合大于0.5时，判定该对象为植被区域，否则，判定为非植被区域。3.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述遥感影像数据来自于GoogleEarth发布的影像。4.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述遥感影像的空间分辨率为0.51米，且经过预处理，所述预处理为几何校正和配准。5.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述图像分割方法采用的是K-means聚类方法，过程如下：1)将图像进行变换，变换为适于K-means方...

【专利技术属性】
技术研发人员：钱程扬，张琪，蒋如乔，
申请(专利权)人：苏州工业园区测绘地理信息有限公司，苏州工业园区格网信息科技有限公司，
类型：发明
国别省市：江苏,32