一种基于多源遥感数据提取地物空间分布位置的方法技术

本发明专利技术公开了一种基于多源遥感数据提取地物空间分布位置的方法，利用欧比特“珠海一号”10米分辨率的高光谱影像和GF2号0.8米分辨率的高分影像，采用多源遥感数据融合技术，发现影像中同种地物的光谱信息夹角产生了小于0.05度的微小变化，与原高分影像对比后并未发现几何畸变、地理位置偏移和坐标系统报错等问题。采用该多源遥感方法对茶的空间分布位置进行提取，实验发现利用多源遥感的方法对茶空间位置提取产生了更加理想的效果。

【技术实现步骤摘要】
一种基于多源遥感数据提取地物空间分布位置的方法
本专利技术属于遥感影像信息提取领域，具体涉及一种基于多源遥感提取地物空间分布位置的方法。
技术介绍
基于单一光学卫星影像数据源提取茶种植空间分布时，由于周边植被环境复杂，导致针对农作物进行提取时精度较低。
技术实现思路
专利技术目的：本专利技术提供一种提取精度高的一种基于多源遥感提取地物空间分布位置的方法。一种基于多源遥感数据提取地物空间分布位置的方法，包括以下步骤：将Gram-Schmidt方法运用到高光谱、高分影像融合处理时，采用改进的GS变换，将第T个GS分量由前T-1个GS分量构造，利用高光谱图像的相关波段进行光谱重采样，以模拟全色分辨率图像，即在构造融合影像数据矩阵时利用如下公式：其中，GST是GS变换后产生的第T个分量，BT是原始高光谱影像的第T个波段影像，uT是第T个原始高光谱波段影像灰度值的均值；其中：为波段灰度值平均值，为原始高光谱第T个波段与GS变化后的协方差，为高光谱第T个波段灰度值的标准差，利用反GS变化公式将变换后的T波段数据集赋值到原始高光谱T波段，通过这种GS变换方法，保持原高光谱波段影像的光谱特征；采用GS方法融合高光谱影像和高分影像得出的融合图像与原高光谱图相比均值差异较小；通过与原图像的地物属性、特征比较发现融合影像的相关性较强且相对偏差较小，并保持高保真的高光谱光谱信息和高空间分辨率的空间信息；同时，通过对融合前后的光谱曲线绘制，发现融合后的影像光谱与原始高光谱比较，GS光谱锐化融合后同一地物的光谱曲线形状与走势没有发生明显变化；GS变换的遥感影像数据融合技术融合的图像中植被等地物的色调变异较小，接近原始高光谱图像；融合影像中典型地物的边缘等信息未发生几何畸变和位置偏移；同时，GS变换融合方法标准差最接近原始高光谱影像，拥有大量信息熵值；采用面向对象的分类方法在不同尺度上对高分影像进行最佳分类阈值设置，实现多尺度分割，剔除非植被区域和不相关地物。使用多源融合影像数据，计算归一化植被指数NDVI和波段计算，选取样本进行分类，采用改进的NDVI计算方法，即采用非线性变换增强NDVI低值区间并抑制高值植被响应区间段，从而达到对植被覆盖区NDVI分布区间限制红移的目的；式(5)中，NIR为融合影像近红外波段，中心波长为880nm；R为红波段，中心波长为686nm。具体地，所述采用波段光谱响应值作为多维信息空间的矢量。具体地，所述计算原始高光谱影像与融合后影像中同种地物的光谱曲线夹角来评定融合前后的匹配度，若夹角越小，说明数据融合前后的光谱曲线变化越小，匹配度越高。其中Ti、Ri表示原始高光谱与σ数据融合后影像的N维空间向量矢量且θ∈(0，)。具体地，所述对地势特殊界限模糊的图像采用采用了面向对象的拉普拉斯算子对融合数据进行图像梯度计算，并利用二阶导微分表示梯度离散度，从而可以将梯度算法中不能表现的纹理特征通过拉普拉斯离散度来表征；其中T、R分别表示融合影像中波段的二维函数，σ为二维空间中波段之间的协方差值；通过上述公式可以计算出融合影像中波段的高斯梯度值，并根据该梯度值将像元进行空间锐化；进行梯度分割的好处是能将地物界线模糊的区域，利用灰度梯度表征出一个梯度范围，从而依据该梯度阈值对模糊界线进行规则检测；拉普拉斯算子是对图像二维函数的二阶导求值，对融合影像中像元灰度不连续的部分通过空间锐化后强调出变化细节，并会在灰度模糊边界产生一个基于像元明显的灰度边界；为了将灰度边界与背景特征在通过拉普拉斯算子操作后的图像混合恢复，采用以下算法：其中为拉普拉斯二阶梯度差分离散度，参数C的取值与拉普拉斯算子滤镜定义相关，当滤镜中心数值取正时C取值-1，若为负值C取值1。有益效果：与现有技术相比，本专利技术的优点在于：本专利技术最大似然分类结果、ISO非监督分类分类结果、BP神经网络分类结果、SVM分类结果的分类效果更佳，精度最高，地物提取分离性最好；2)本分类方法的错分、漏分现象比其余几种方法更少；3)利用融合数据光谱信息对植被覆盖区的边缘线分类提取效果明显、分类结果像元聚合效果更佳附图说明图1是同名点高光谱光谱曲线a、融合影像光谱曲线b。图2是融合数据中10种地物的光谱曲线。图3是(a)耕地、(b)茶、(c)建筑物融合前后光谱曲线夹角拟正太分布。图4是专家知识决策树规则数据挖掘分析。图5是融合影像NDVI分布直方图。图6是拉普拉斯算子滤镜。图7是SAM光谱分析原理。图8是试验区域遥感影像。图9是实验流程图。图10是(a)样本选取过程、(b)不相关地物剔除结果的样本选取。图11是(a)最大似然分类结果、(b)ISO非监督分类分类结果、(c)BP神经网络分类结果、(d)SVM分类结果、(e)本文方法分类结果。具体实施方式下面结合附图和具体实施方式，进一步阐明本专利技术。一种基于多源遥感数据提取地物空间分布位置的方法，具体说明如下：本专利技术基于欧比特“珠海一号”10米分辨率的高光谱影像和GF2号0.8米分辨率的高分影像，采用GS正交化光谱锐化的数据融合技术，将欧比特“珠海一号”10米分辨率的高光谱影像丰富的光谱信息和GF2号0.8米分辨率的高分影像的纹理信息进行融合。数据融合后发现影像中同种地物的光谱信息夹角产生了小于0.02度的微小变化，与原高分影像对比后并未发现几何畸变、地理位置偏移和坐标系统报错等问题。并且在后续的实验过程中发现通过GS光谱锐化方法得到的融合数据，在地物空间分布位置提取过程中产生了更加理想的效果。采用GS方法融合欧比特高光谱影像和GF2号高分影像得出的融合图像与原高光谱图相比均值差异较小；通过与原图像的地物属性、特征比较发现融合影像的相关性较强且相对偏差较小，并保持高保真的高光谱光谱信息和高空间分辨率的空间信息。同时，通过对10种地物融合前后的光谱曲线绘制，发现融合后的影像光谱与原始高光谱比较，GS光谱锐化融合后同一地物的光谱曲线形状与走势没有发生明显变化。GS变换的遥感影像数据融合技术融合的图像中植被等地物的色调变异较小，接近原始高光谱图像。融合影像中典型地物的边缘等信息未发生几何畸变和位置偏移。同时，GS变换融合方法标准差最接近原始高光谱影像，拥有大量信息熵值。融合结果评价：对采用GS融合技术融合后的影像数据进行结果评价，主要采用波段光谱响应值作为多维信息空间的矢量，然后计算原始高光谱影像与融合后影像中同种地物的光谱曲线夹角来评定融合前后的匹配度。若夹角越小，说明数据融合前后的光谱曲线变化越小，匹配度越高。其中Ti、Ri表示原始高光谱与σ数据融合后影像的N维空间向量矢量且由表一和图3可知，茶地融合后影像的光谱曲线与原始高光谱曲线夹角在绿波段B7(566nm)位置夹角为0.430度，红边位置B14本文档来自技高网...

【技术保护点】
1.一种基于多源遥感数据提取地物空间分布位置的方法，其特征在于：采用面向对象的分类方法在不同尺度上对高分影像进行最佳分类阈值设置，实现多尺度分割，剔除非植被区域和不相关地物。使用多源融合影像数据，计算归一化植被指数NDVI和波段计算，选取样本进行分类，采用改进的NDVI计算方法，即采用非线性变换增强NDVI低值区间并抑制高值植被响应区间段，从而达到对植被覆盖区NDVI分布区间限制红移的目的；/n

【技术特征摘要】
1.一种基于多源遥感数据提取地物空间分布位置的方法，其特征在于：采用面向对象的分类方法在不同尺度上对高分影像进行最佳分类阈值设置，实现多尺度分割，剔除非植被区域和不相关地物。使用多源融合影像数据，计算归一化植被指数NDVI和波段计算，选取样本进行分类，采用改进的NDVI计算方法，即采用非线性变换增强NDVI低值区间并抑制高值植被响应区间段，从而达到对植被覆盖区NDVI分布区间限制红移的目的；



式(5)中，NIR为融合影像近红外波段，中心波长为880nm；R为红波段，中心波长为686nm。


2.根据权利要求1所述的一种基于多源遥感数据提取地物空间分布位置的方法，其特征在于：所述采用波段光谱响应值作为多维信息空间的矢量。


3.根据权利要求1所述的一种基于多源遥感数据提取地物空间分布位置的方法，其特征在于：所述计算原始高光谱影像与融合后影像中同种地物的光谱曲线夹角来评定融合前后的匹配度，若夹角越小，说明数据融合前后的光谱曲线变化越小，匹配度越高。



其中Ti、Ri表示原始高光谱与σ数据融合后影像的N维空间...

【专利技术属性】
技术研发人员：陈章林，唐浩，杨刚，朱安超，陈添，陈勇，陆莎莎，赵宗鸿，樊鑫，黄熙贤，刘凯旋，曹吉，曹云成，王雄，杨波，
申请(专利权)人：贵阳欧比特宇航科技有限公司，
类型：发明
国别省市：贵州;52