一种融合遥感影像时序与纹理特征的地块作物识别方法技术

本发明专利技术提供一种融合遥感影像时序与纹理特征的地块作物识别方法，首先利用分割算法提取高空间分辨率影像中的农田地块边界，作为农作物识别的最小单元；其次，采用主成分分析(PCA)获取高分辨遥感影像的主要波段信息二值图，之后计算地块内灰度共生矩阵(GLCM)统计变量，形成作物识别的地块纹理特征集；再次，基于多源遥感数据分析不同遥感传感器之间反射率，构建统一的地物反射率模型，计算并形成地块下NDVI时序曲线特征，形成作物识别的地块时序特征集；最后利用统计分析地块下的不同特征，区分不同特征的作物识别能力，选出优势特征集作为SVM分类器的输入变量，并最终获取分类结果。并最终获取分类结果。并最终获取分类结果。

【技术实现步骤摘要】
Sensing，2011，32(1)：1505-1529等。
[0005]获取农作物遥感特征是农作物遥感分类的重要前提。选择合适的遥感特征构建特征集对于改善农田地块破碎、作物种植结构复杂区域的作物分类有很大的作用。对于弥补中低分辨率影像中几何特征不足，以及面对高空间分辨率影像光谱和时间特征的缺乏，需要结合不同分辨率遥感影像数据，充分挖掘不同影像数据的优势特征，组合不同遥感地物特征构建最佳的分类决策模型，从而针对具体的研究区进行多维度遥感作物识别。
[0006]在本专利相关方面的专利方面，可查到的专利中与本专利相关的并不多，仅包含2个，分别为：中国农业大学刘哲，孙海艳，金虹杉，李智晓，张超，宁明宇，陈英义的专利技术专利“多源多时相高分遥感影像的制种玉米田识别方法及系统”(公开号：106355143A)，该专利主要是针对高分一号影像数据的光谱与纹理信息进行进行的玉米提取，与本专利中针对地块级的时间序列建立相关度不大；以及中国水稻研究所的唐健，范德耀的专利技术专利“基于DSP的水稻杂草识别系统及其识别方法”(公开号：102184392A)，该专利主要是针对DSP的水稻杂草识别方法，主要属于硬件、设备专利
，与本专利没有相关性。

技术实现思路

[0007]本专利技术的目的是提供一种融合遥感影像时序与纹理特征的地块作物识别方法，重点应用高空间分辨率影像的空间纹理信息、高时间分辨率影像的时间序列信息，形成以农田地块为基本单元的分类特征集合。并对所有分类特征进行统计分析实现特征优选，取得良好分类结果。
[0008]本专利技术的基本思路为：根据影像分割和矢量编辑提取农田地块边界；应用主成分分析获取高空间分辨率影像主要波段信息，并计算地块单元下灰度共生矩阵(GLCM)统计值；针对多源多时相遥感影像引入地物光谱反射率归一化模型，形成统一的地块尺度下的NDVI时序特征；根据地块内纹理时序特征，采用统计分析优势特征，形成最终分类特征集合，并结合支撑向量机分类器取得分类结果。
[0009]本专利技术的技术方案提供了一种融合遥感影像时序、纹理特征的田间地块作物识别方法，包括以下的实施步骤：
[0010]1)农田矢量地块边界获取。利用影像分割算法对高空间分辨率遥感影像进行分割，并通过人工编辑获取农田地块矢量边界，作为农作物分类的最小基本单元。
[0011]2)主成分分析(PCA)。引入统计分析中的主成分分析(PCA)，对高空间分辨影像波段进行降维处理，获取该影像的第一主成分的主要波段信息二值图，并作为计算纹理信息的基础数据源。
[0012]3)获取地块纹理特征。基于灰度共生矩阵(GLCM)提取纹理信息。以农田地块为最小单元，在每一个地块内以3
×
3(或者5
×
5)的分析窗口计算纹理统计值，并以地块内纹理平均值作为该地块的纹理特征标识。
[0013]4)光谱归一化。对经过辐射定标、几何纠正的多源多时相遥感影像，分别计算地块单元下的不同传感器影像地物反射率，并以平均值作为该地块作物反射率标识。以其中某一传感器为基准构建线性转换方程，形成统一的地块标识NDVI时间序列曲线。
[0014]5)获取地块时序特征。计算地块NDVI时间序列曲线物候特征、以及曲线的整体分布特征：偏度和峰度。所有时序特征的获取均在地块单元下完成，作为地块分类的时序特征
集合。
[0015]6)特征优选。根据地块内纹理、时序特征类型，使用统计分类箱型图分析各个特征对主要农作物类别的可分性，优选出对分类贡献度大的特征集合。
[0016]7)以优选的特征集合作为输入，进行小样本训练。利用支撑向量机(SVM)分类器获取分类结果。
[0017]本专利技术与现有技术相比具有以下特点：在对地块纹理信息获取过程中，采用PCA分析计算高空间分辨影像的主要波段信息，并利用GLCM统计变量获取地块下的纹理平均值，作为地块纹理特征标识；基于不同遥感数据源建立光谱归一化模型，并形成地块下的NDVI时序特征。引入地块NDVI曲线偏度和峰度特征，表达时序曲线的整体分布状况，有利于区分不同农作物的物候时序曲线；对不同农作物建立分类特征统计箱型图，比较农作物类别的异同，类别间差异大、类内间距离小，说明该特征的样本可分性好，从而选出优势分类特征集。
附图说明
[0018]图1是融合遥感影像纹理时序特征的田间地块作物识别方法流程示意图
[0019]图2是沙雅县研究区区域遥感影像示意图
[0020]图3是GF-2第一主成分波段影像图
[0021]图4是GF-2第一主成分影像地块GLCM entropy
[0022]图5是地块尺度下主要农作物分类特征箱型图
[0023]图6是地块尺度下主要农作物识别结果
具体实施方式
[0024]本专利技术的基本流程如图1所示。获取主成分波段高分纹理特征，构建地块纹理特征集。融合GF-1 WFV、Landsat OLI与Sentinel-2A光谱信息，比较不同传感器间地物光谱差异，构造线性函数建立基于Sentinel-2A数据构建地块尺度下10米空间分辨率NDVI序列，计算地块时序特征。经过特征优选作为SVM特征输入，得出分类结果。图2为选取的新疆沙雅县研究区高分二号(GF-2)影像图，用于提供地块边界信息和地块内作物纹理信息。其中研究区内主要用于识别作物地块为：棉花、玉米和冬小麦。
[0025]图3所示为GF-2第一主成分波段影像图。主成分分析(PCA)是一种广泛使用的数据降维方法，通过PCA计算保留数据集中的重要特征，去除噪声和不重要的特征，在保证重要信息前提下大大节省了时间成本。对GF-2的多个波段数据进行PCA分析，提取最具代表该影像特征的第一主成分波段以便于后续的分析计算。
[0026]图4所示为GF-2第一主成分影像地块GLCM entropy(熵值)。纹理特征是遥感影像上的灰度性质和像素值空间结构关系，特别是在高空间分辨率遥感影像上，纹理特征是作物分类重要特征之一，并且受到影像传感器、大气等其他因素影响相对较小，有助于作物识别精度提高。灰度共生矩阵(Grey-Level Co-occurrence Matrix，GLCM)是常用且有效的纹理提取统计方法，具有较好的适应能力。试验中计算的纹理特征有：均值(Mean)、方差(Variance)、熵(Entropy)、同质性(Homogeneity)以及相异性(Dissirnilarity)。
[0027]使用多源遥感数据可以构建农作物物候信息。构建以Sentinel-2A为基准的光谱
转换方程，实现两组不同传感器光谱值归一化，将地块尺度下的GF-1 WFV NDVI及Landsat OLI NDVI时间序列转换为Sentinel-2A NDVI序列，形成地块尺度下10m分辨率NDVI时间序列。在基于地块内时序NDVI曲线上计算曲线的统计特征，分别获取峰值(MaxV)、峰值所对应的坐标轴X值(MaxX)、曲线上行斜率(UR)、下行斜率(DR)。另外对于NDVI曲线的整体分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合遥感影像时序与纹理特征的地块作物识别方法，其特征在于包括以下几个步骤：步骤1，对高空间分辨率遥感影像，利用影像分割算法或人工编辑获取农田地块矢量边界并形成地块，作为农作物分类的最小基本单元。步骤2，对高空间分辨率遥感影像进行主成分分析，获取该影像的第一主成分波段信息二值图，并作为计算纹理信息的基础数据。步骤3，基于灰度共生矩阵(GLCM)提取纹理信息，以地块为最小单元，在每一个地块内以3
×
3(或者5
×
5)的分析窗口计算纹理统计值，并以地块内纹理平均值作为该地块的纹理特征标识。步骤4，对经过辐射定标、几何纠正的多源多时相遥感影像进行处理并进行地块时序分析，计算地块的不同传感器影像地物反射率，并...

【专利技术属性】
技术研发人员：沈占锋，邓刘洋，骆剑承，
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：