一种基于遥感影像分类的城市变化监测方法及系统技术方案

本发明专利技术公开一种基于遥感影像分类的城市变化监测方法及系统；该方法包括：采集相同位置、不同时期的第一图像数据和第二图像数据；对所述第一图像数据和第二图像数据进行粗分类，生成粗分类结果；提取所述第一图像数据和第二图像数据的光谱特征和纹理特征，并对所述光谱特征和纹理特征在细分类模块中训练，生成训练样本；细分类模块基于训练样本对粗分类结果进行细分类，并生成细分类结果；对细分类结果进行差值分析，得到若干变化区域。本发明专利技术可以降低错检率和误检率，提高了分类精度。提高了分类精度。提高了分类精度。

【技术实现步骤摘要】
一种基于遥感影像分类的城市变化监测方法及系统


[0001]本专利技术涉及影像分类领域，具体涉及一种基于遥感影像分类的城市变化监测方法及系统。

技术介绍

[0002]城市变化监测是利用不同时期同一地区卫星遥感影像或者航空影像对地表覆盖的变化进行定期监测的过程，主要有三种监测方法。第一种是直接比较法：通过影像纠正配准的两个不同时期的遥感影像的各个像元值直接进行运算以及变换处理，找出相应的变化区域。第二种是分类比较法：对于影像来说，如果某一地区发生了变化，那么在前后影像的分类图中，其所属类别也会发生变化，根据这一特点，可以进行变化监测。第三种是点特征提取法：是指检测出影像中的点特征，点特征是影像中具有复杂纹理特性的特殊点，例如影像中建筑物的角点，道路与建筑物的交点，拐点等。基于点特征法的基本思想是对前后时相的影像进行点特征的检测，比较两张影像点特征的变化情况，从而监测发现如建筑物新建或拆除等情况。
[0003]目前方法对城市变化监测也同样存在几点问题：
①
运用直接比较法只是简单的对像素值进行相加减来比较，受噪音和误差的影响比较大，所以错检率和误检率都相对较大。
②
遥感卫星影像主要是根据光谱特征进行分类，其分类结果由于遥感图像“同物异谱”、“同谱异物”现象的存在，而往往出现较多的错分、漏分情况，导致分类精度不高。

技术实现思路

[0004]本专利技术的目的是提供一种基于遥感影像分类的城市变化监测方法及系统，用以降低错检率和误检率，并提高分类精度。
[0005]为实现上述目的，本专利技术提供了如下方案：一种基于遥感影像分类的城市变化监测方法，包括：
[0006]S1：采集相同位置、不同时期的第一图像数据和第二图像数据；
[0007]S2：对所述第一图像数据和第二图像数据在粗分类模块进行粗分类，生成粗分类结果；
[0008]S3：分别提取所述第一图像数据光谱特征和纹理特征和第二图像数据的光谱特征和纹理特征，并对所述光谱特征和纹理特征在细分类模块中训练，生成训练样本；
[0009]S4：细分类模块基于训练样本，对粗分类结果进行细分类，并生成细分类结果；
[0010]S5：对细分类结果进行差值分析，得到若干变化区域。
[0011]进一步的，分别提取S3所述第一图像数据光谱特征和纹理特征以及第二图像数据的光谱特征和纹理特征，具体为：
[0012]提取第一图像数据的光谱特征Fc
t1
，纹理特征Fw
t1
，以及第二图像数据的光谱特征Fc
t2
，纹理特征Fw
t2
；
[0013]通过公式(1)计算得到F
w
：
[0014](1)F
w
＝(F
c2
，F
ASM
，F
Var
，F
Ent
)，
[0015]其中F
w
为纹理特征，F
c2
为对比度纹理特征，F
ASM
为角二阶距纹理特征，F
Var
为标准差纹理特征，F
Ent
为熵纹理特征；
[0016]所述光谱特征记为F
c
；
[0017]进一步的，所述S3包括：
[0018]所述光谱特征由公式(1)和公式(2)计算得出：
[0019][0020]其中，x
i
为提取的像元值，n为提取的像元总数，为像元平均值，x
*
计算结果为图像数据的光谱特征F
c
。
[0021]4、根据权利要求2所述的一种基于遥感影像分类的城市变化监测方法，其特征在于，所述S3具体为：所述纹理特征包括对比度C2、角二阶矩ASM、标准差Variance和熵Ent；
[0022]进一步的，所述图像数据的纹理特征的计算具体为：
[0023]所述对比度的计算方式为：
[0024][0025]L是行列最大值，C2的含义为对比度；所述P(i，j，d，θ)是灰度共生矩阵，其中P(i，j，d，θ)表示的含义为在θ方向上，间隔距离为d的一对像素，其灰度值分别为i和j的概率记为p(i，j，d，θ)，其计算方式为：
[0026][0027]其中，f(x，y)为M
×
N大小的矩阵，#(z)为集合z中元素的个数；
[0028]所述角二阶矩的计算方式为：
[0029][0030]其中，ASM为角二阶矩，p(i，j)的含义为灰度值分别为i和j的概率记为p(i，j)，G为行列最大值；
[0031]所述标准差的计算方式为：
[0032][0033]其中Variance的含义为标准差，p(i，j)的含义为灰度值分别为i和j的概率记为p(i，j)， Mean为均值，k为行列最大值；
[0034]所述熵的计算方式为：
[0035][0036]其中，Ent的含义为熵，p(i，j)的含义为灰度值分别为i和j的概率记为p(i，j)，G为行列最大值。
[0037]进一步的，所述细分类方法包括：
[0038]L1：采集图像数据，在细分类模块中进行训练，生成第一训练样本；
[0039]L2：基于第一训练样本对其进行权重迭代，得到第二训练样本；
[0040]L3：基于第二训练样本，对粗分类结果在细分类模块中进行细分类，生成细分类结果。
[0041]进一步的，所述权重迭代的计算方式为：
[0042][0043]其中，T为迭代次数，a
t
为当次迭代时的弱分类器调整权数，h
t
为选择出的弱分类函数。
[0044]进一步的，所述S1具体为：对所述S1采集的图像数据进行正射校正和大气校正。
[0045]进一步的，所述进行大气校正前还包括：
[0046]添加图像数据的中心波长信息；
[0047]根据图像数据中的四角点数据计算传感器的传感器类型、传感器高度、地面高程、像素大小、成像日期和成像时间等传感器信息；
[0048]根据图像对应的经纬度和地区选择大气模型和气溶胶模型。
[0049]一种基于遥感影像分类的城市变化监测系统，包括：
[0050]数据采集模块：采集相同位置、不同时期的第一图像数据和第二图像数据；
[0051]粗分类模块：对所述第一图像数据和第二图像数据进行粗分类，生成粗分类结果；
[0052]特征提取模块：提取所述第一图像数据和第二图像数据的光谱特征和纹理特征，并对所述光谱特征和纹理特征在细分类模块中训练，生成训练样本；
[0053]细分类模块：细分类模块对基于训练样本对粗分类结果进行细分类，并生成细分类结果；
[0054]差值分析模块：对细分类结果进行差值分析，得到若干变化区域。
[0055]本专利技术带来了以下有益效果：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感影像分类的城市变化监测方法，其特征在于，所述方法包括：S1：采集相同位置、不同时期的第一图像数据和第二图像数据；S2：对所述第一图像数据和第二图像数据在粗分类模块进行粗分类，生成粗分类结果；S3：分别提取所述第一图像数据光谱特征和纹理特征和第二图像数据的光谱特征和纹理特征，并对所述光谱特征和纹理特征在细分类模块中训练，生成训练样本；S4：细分类模块基于训练样本，对粗分类结果进行细分类，并生成细分类结果；S5：对细分类结果进行差值分析，得到若干变化区域。2.根据权利要求1所述的一种基于遥感影像分类的城市变化监测方法，其特征在于，分别提取S3所述第一图像数据光谱特征和纹理特征以及第二图像数据的光谱特征和纹理特征，具体为：提取第一图像数据的光谱特征Fc
t1
，纹理特征Fw
t1
，以及第二图像数据的光谱特征Fc
t2
，纹理特征Fw
t2
；通过公式(1)计算得到F
w
：F
w
＝(F
c2
，F
ASM
，F
Var
，F
Ent
) (1)，其中F
w
为纹理特征，F
c2
为对比度纹理特征，F
ASM
为角二阶距纹理特征，F
Var
为标隹差纹理特征，F
Ent
为熵纹理特征；所述光谱特征记为F
c
。3.根据权利要求2所述的一种基于遥感影像分类的城市变化监测方法，其特征在于，所述S3包括：所述光谱特征由公式(1)和公式(2)计算得出：(1)(2)其中，x
i
为提取的像元值，n为提取的像元总数，为像元平均值，x
*
计算结果为图像数据的光谱特征F
c
。4.根据权利要求2所述的一种基于遥感影像分类的城市变化监测方法，其特征在于，所述S3具体为：所述纹理特征包括对比度C2、角二阶矩ASM、标准差Variance和熵Ent。5.根据权利要求4所述的一种基于遥感影像分类的城市变化监测方法，其特征在于，所述图像数据的纹理特征的计算具体为：所述对比度的计算方式为：L是行列最大值，C2的含义为对比度；所述P(i，j，d，θ)是灰度共...

【专利技术属性】
技术研发人员：曹粕佳，韩宇韬，吕琪菲，张至怡，陈爽，刘意，
申请(专利权)人：四川航天神坤科技有限公司，
类型：发明
国别省市：