一种中低分辨率遥感影像浒苔覆盖信息精细提取方法技术

本发明专利技术公开了一种基于中低分辨率遥感影像浒苔覆盖信息精细提取方法，基本步骤为：数据源筛选与预处理；计算预处理后影像的4个植被指数，得到各植被指数的灰度图，对各灰度图进行局部自适应阈值分割；计算初始浒苔覆盖范围；提取浒苔分布粗略范围及其光谱信息；构建并训练浒苔提取模型；提取浒苔覆盖精细范围。本发明专利技术提供的方法科学合理，综合考虑了多个植被指数提取浒苔覆盖信息的准确性、神经网络样本均衡及中低分辨率遥感影像中浒苔像元的谱_空_时特征，可在一定程度上提高浒苔覆盖信息提取方法的普适性与准确性。提取方法的普适性与准确性。提取方法的普适性与准确性。

【技术实现步骤摘要】
一种中低分辨率遥感影像浒苔覆盖信息精细提取方法


[0001]本专利技术属于海洋遥感探测
，具体涉及一种中低分辨率遥感影像浒苔覆盖信息精细提取方法。

技术介绍

[0002]近年我国海域浒苔灾害频发，不仅导致海洋生态失衡，还造成一定经济损失。然而，浒苔的空间分布变化快速，船载监测难以满足快速获取浒苔发展态势的需求。遥感技术具有大范围、多频次等优点，利用卫星遥感对浒苔监测可快速确定浒苔暴发的位置、时间和密度。中低分辨率遥感影像数据凭借较高的时间分辨率与大面积的监测范围，已成为近年浒苔遥感动态监测应用中主要的数据源。
[0003]现有适用于中低分辨率遥感影像的浒苔遥感监测方法主要有阈值法和分类法等，固定阈值法的阈值选取困难；自适应阈值法的单一植被指数不适用于所有浒苔分布情形；以中低分辨率浒苔遥感影像为输入的二维卷积神经网络存在浒苔光谱特征维度压缩、空间特征学习不充分及样本不均衡的问题，影响浒苔提取精度。鉴于此，本专利技术利用多个植被指数进行局部自适应阈值分割，提高了浒苔覆盖信息提取的准确性；提取浒苔分布粗略范围，均衡了浒苔与背景数量；考虑了各像元间的谱_空_时特征对浒苔覆盖范围进行精细提取，提高了浒苔覆盖信息提取精度。

技术实现思路

[0004](一)要解决的技术问题
[0005]为解决上述问题，本专利技术提供了一种中低分辨率遥感影像浒苔覆盖信息精细提取方法，以提高浒苔提取方法的普适性与准确性。
[0006](二)技术方案
[0007]本专利技术包含以下步骤：
[0008](1)选取能完整覆盖研究区域的中低分辨率遥感影像Im；
[0009]其中，影像选取要求：浒苔暴发期间的遥感影像，研究区域内云量小于10％且不遮盖浒苔；
[0010](2)对步骤(1)中选取的遥感影像Im进行几何校正、图像裁剪、陆地掩膜和目视解译云掩膜，得到处理后的影像I；
[0011](3)计算影像I的归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、增强植被指数EVI，得到各植被指数的灰度图g
index
，分别g
NDVI
、g
RVI
、g
DVI
、g
EVI
，对各灰度图g
index
进行局部自适应阈值分割；
[0012]其中，植被指数计算与局部自适应阈值分割的步骤分别如下：
[0013]3.1)植被指数计算：分别计算步骤(2)所得影像I的NDVI、RVI、DVI、EVI，得到各植被指数的灰度图g
index
；
[0014]其中，影像I各处像元的各植被指数的计算公式如下：
[0015][0016]式中，(i,j)代表第i行的第j列，R
nir
(i,j)、R
red
(i,j)、R
blue
(i,j)分别为影像I的(i,j)处像元的近红外波段、红光波段、蓝光波段的反射率，C1、C2和L为常量，根据数据源的差异取不同值；
[0017]3.2)对步骤3.1)所得灰度图g
index
进行局部自适应阈值分割；
[0018]其中，局部自适应阈值分割的步骤如下：
[0019]3.2.1)计算步骤3.1)所得灰度图g
index
各像元的阈值T
index
(i,j)；
[0020]其中，T
index
(i,j)的计算公式如下：
[0021][0022]式中，g
index
(i,j)代表灰度图g
index
的(i,j)处像元的像元值，index分别为NDVI、RVI、DVI、EVI，k1为标准差影响因子，取值范围为(0,1)，R为标准差的动态范围，r为开窗大小；
[0023]3.2.2)对各灰度图g
index
进行二值化操作，得到二值图G
index
；
[0024]其中，各灰度图g
index
各像元的二值化过程如下：
[0025][0026]式中，G
index
(i,j)为G
index
的(i,j)处像元的像元值，0代表该像元为背景，1代表该像元为浒苔；
[0027](4)利用步骤(3)所得各二值图G
index
计算初始浒苔覆盖范围G
cover
；
[0028]其中，初始浒苔覆盖范围G
cover
中各像元的像元值G
cover
(i,j)的计算过程如下：
[0029][0030]式中，0代表该像元为背景，1代表该像元为浒苔；
[0031](5)利用步骤(4)所得初始浒苔覆盖范围G
cover
提取浒苔分布粗略范围G
distribute
；
[0032](6)提取浒苔分布粗略范围G
distribute
的光谱信息；
[0033]其中，浒苔分布粗略范围G
distribute
的光谱信息提取步骤如下：
[0034]6.1)提取步骤(5)所得G
distribute
各像元在影像I中对应位置处像元的第band波段的原始光谱反射率N为影像I的波段数；
[0035]6.2)对步骤6.1)所得各像元的原始光谱反射率进行分数阶微分，得到变换光谱反射率此时G
distribute
各像元对应的光谱信息为
[0036]6.3)光谱信息归一化：
[0037]6.3.1)将步骤6.2)所得G
distribute
中各像元对应的光谱信息按行列位置依次取出，组成数据集X，X的具体组成为：
[0038][0039]式中，n1是G
distribute
中像元的总个数，表示X中第t1个像元的光谱信息个像元的光谱信息表示X中第t1个像元对应的中的第t2个反射率；
[0040]6.3.2)对X进行归一化处理，得到归一化后的数据X
*
；
[0041](7)构建并训练浒苔提取模型M；
[0042]其中，浒苔提取模型M的构建与训练流程分别如下：
[0043]7.1)采用1DCNN-BiLSTM神经网络构建浒苔提取模型M，该网络包括输入层、1D-CNN层、Bi-LSTM层、全局平均池化层、全连接层和输出层；
[0044]7.2)在历年能完整覆盖研究区域的中低分辨率遥感影像中选取不同时相的num张影像，num≥20，按步骤(2)-(6)对影像进行处理，制作训练样本并设置超参数，对浒苔提取模型M进行训练；
[0045](8)提取浒苔覆盖精细范围G
greentide
；
[0046]其中，浒苔覆盖精细范围G
greentid本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中低分辨率遥感影像浒苔覆盖信息精细提取方法，其特征在于，包括以下步骤：(1)选取能完整覆盖研究区域的中低分辨率遥感影像Im；其中，影像选取要求：浒苔暴发期间的遥感影像，研究区域内云量小于10％且不遮盖浒苔；(2)对步骤(1)中选取的遥感影像Im进行几何校正、图像裁剪、陆地掩膜和目视解译云掩膜，得到处理后的影像I；(3)计算影像I的归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、增强植被指数EVI，得到各植被指数的灰度图g
index
，分别g
NDVI
、g
RVI
、g
DVI
、g
EVI
，对各灰度图g
index
进行局部自适应阈值分割；其中，植被指数计算与局部自适应阈值分割的步骤分别如下：3.1)植被指数计算：分别计算步骤(2)所得影像I的NDVI、RVI、DVI、EVI，得到各植被指数的灰度图g
index
；其中，影像I各处像元的各植被指数的计算公式如下：式中，(i,j)代表第i行的第j列，R
nir
(i,j)、R
red
(i,j)、R
blue
(i,j)分别为影像I的(i,j)处像元的近红外波段、红光波段、蓝光波段的反射率，C1、C2和L为常量，根据数据源的差异取不同值；3.2)对步骤3.1)所得灰度图g
index
进行局部自适应阈值分割；其中，局部自适应阈值分割的步骤如下：3.2.1)计算步骤3.1)所得灰度图g
index
各像元的阈值T
index
(i,j)；其中，T
index
(i,j)的计算公式如下：式中，g
index
(i,j)代表灰度图g
index
的(i,j)处像元的像元值，index分别为NDVI、RVI、DVI、EVI，k1为标准差影响因子，取值范围为(0,1)，R为标准差的动态范围，r为开窗大小；
3.2.2)对各灰度图g
index
进行二值化操作，得到二值图G
index
；其中，各灰度图g
index
各像元的二值化过程如下：式中，G
index
(i,j)为G
index
的(i,j)处像元的像元值，0代表该像元为背景，1代表该像元为浒苔；(4)利用步骤(3)所得各二值图G
index
计算初始浒苔覆盖范围G
cover
；其中，初始浒苔覆盖范围G
cover
中各像元的像元值G
cover
(i,j)的计算过程如下：式中，0代表该像元为背景，1代表该像元为浒苔；(5)利用步骤(4)所得初始浒苔覆盖范围G
cover
提取浒苔分布粗略范围G
distribute
；(6)提取浒苔分布粗略范围G
distribute
的光谱信息；其中，浒苔分布粗略范围G
distribute
的光谱信息提取步骤如下：6.1)提取步骤(5)所得G
distribute
各像元在影像I中对应位置处像元的第band波段的原始光谱反射率N为影像I的波段数；6.2)对步骤6.1)所得各像元的原始光谱反射率进行分数阶微分，得到变换光谱反射率此时G
distribute
各像元对应的光谱信息为6.3)光谱信息归一化：6.3.1)将步骤6.2)所得G
distribute
中各像元对应的光谱信息按行列位置依次取出，组成数据集X，X的具体组成为：式中，n1是G
distribute
中像元的总个数，表示X中第t1个像元的光谱信息个像元的光谱信息表示X中第t1个像元对应的中的第t2个反射率；6.3.2)对X进行归一化处理，得到归一化后的数据X
*
；(7)构建并训练浒苔提取模型M；其中，浒苔提取模型M的构建与训练流程分别如下：7.1)采用1DCNN-BiLSTM神经网络构建浒苔提取模型M，该网络包括输入层、1D-CNN层、Bi-LSTM层、全局平均池化层、全连接层和输出层；7.2)在历年能完整覆盖研究区域的中低分辨率遥感影像中选取不同时相的num张影像，num≥20，按步骤(2)-(6)对影像进行处理，制作训练样本并设置超参数，对浒苔提取模型M进行训练；(8)提取浒苔覆盖精细范围G
greentide
；其中，浒苔覆盖精细范围G
greentide
...

【专利技术属性】
技术研发人员：万献慈，郑红霞，许明明，刘善伟，万剑华，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：