一种融合地形特征的黄土陷穴面向对象提取方法技术

本发明专利技术公开了一种融合地形特征的黄土陷穴面向对象提取方法，以全局莫兰指数MI描述分割后相邻对象的空间自相关性作为衡量对象间异质性的标准；以灰度共生矩阵熵GE描述对象内部纹理复杂程度作为衡量对象内部同质性的标准；将MI与GE的计算式进行归一化处理统一量纲，并以综合评价指标的方式进行融合计算，得到综合评价指标峰值对应的最优分割尺度。采用分组试错法确定最优分割尺度的均质标准，进而提取出相应影像对象的特征信息，将特征信息输入卷积神经网络模型提取相应影像对象。本发明专利技术兼顾对象间异质性与对象内部同质性，且融合地形特征，具有较好的提取效果。具有较好的提取效果。具有较好的提取效果。

【技术实现步骤摘要】
一种融合地形特征的黄土陷穴面向对象提取方法


[0001]本专利技术属于地形图数据分析处理
，具体涉及一种融合地形特征的黄土陷穴面向对象提取方法。

技术介绍

[0002]黄土陷穴是黄土高原上广泛分布的一类微地貌，是由于地表水汇集在土壤节理裂隙发生潜蚀作用而形成的一种裸露于地表的黄土洞穴。其作为一种特殊的地质灾害，不仅会造成黄土高原地区的水土流失，也会诱发多种地质灾害从而对黄土地区的公路、运输管道、民用建筑等设施造成危害。
[0003]近年来，随着遥感技术的迅猛发展以及卫星影像空间分布率不断提高，越来越多的学者开始从遥感数据上对地物信息进行分类与提取并取得了良好的效果，这也为黄土陷穴的提取提供了崭新的视角。现有技术中常用的遥感影像分类提取方法主要分为基于像元与基于面向对象两类。Baatz等人提出了以面向对象的方式对影像进行分析的方法，与传统基于像元的分析方式相比，该方法跳出只考虑光谱差异性的“圈子”，结合了影像对象的纹理、形状等特征，取得了良好的分类效果，因此该方法也成为遥感信息分类与提取过程中常用的研究方法。
[0004]面向对象分类方法中，影像数据的多尺度分割是提取对象特征的关键步骤，其分割参数的选取决定最终的分割结果，而分割结果的好坏将直接影响提取效果，所以选取合适的分割参数十分重要。分割参数包括尺度参数、均质标准两个部分，尺度参数决定影像对象允许的最大异质度，均质标准则用于评价影像对象自身的同质性或异质性。因此，选取合适分割参数则需要确定最优分割尺度与均质标准。在最优分割尺度的选取上，等将局部方差法开发为EPS工具并集成在eCognition软件中而被广泛使用，但是该方法只考虑对象间异质性，未考虑对象内部同质性。因此现有的面向对象分类方法在应用于地物信息分类提取方面仍存在缺陷，对地物信息分类提取造成了不利的影响。

技术实现思路

[0005]本专利技术的目的是提供一种融合地形特征的黄土陷穴面向对象提取方法，用于解决现有技术对地物信息进行面向对象分类与提取过程中未能很好兼顾对象间异质性与对象内部同质性以及未考虑地形特征因素，而导致分类提取效果仍具有缺陷的技术问题。
[0006]所述的一种融合地形特征的黄土陷穴面向对象提取方法，以全局莫兰指数MI描述分割后相邻对象的空间自相关性作为衡量对象间异质性的标准；以灰度共生矩阵熵GE描述对象内部纹理复杂程度作为衡量对象内部同质性的标准；将MI与GE的计算式进行归一化处理统一量纲，并以综合评价指标的方式进行融合计算，得到综合评价指标峰值所对应的最优分割尺度。采用分组试错法确定最优分割尺度的均质标准，进而提取出相应地物对象的特征信息，将特征信息输入卷积神经网络模型提取相应地物对象。
[0007]优选的，MI与GE的计算式如下：
[0008][0009][0010]式(1)中，n代表对象个数，w
ij
代表i对象与j对象的空间权重，表示空间上两个对象的相邻程度，x
i
、x
j
分别为i对象与j对象的对象内部光谱均值，为整个图像的光谱均值，MI值越小代表相邻对象的相似度越低，即异质性越大；式(2)中，p(i，j)为灰度共生矩阵中第i行，j列的概率值，N为共生矩阵行列数。研究通过计算影像层中所有对象的灰度共生矩阵熵的平均值以衡量该层总体同质性的效果，其值越小代表对象内部纹理复杂度越小，即对象同质性越高。
[0011]优选的，以综合评价指标的方式进行融合计算的具体公式如下所示：
[0012][0013]式(3)中，a代表重要性指数，当取1时代表重要性相同，MI
norm
代表归一化后莫兰指数，为归一化对象灰度共生矩阵平均值。
[0014]优选的，根据黄土陷穴对象形态设定分割区间、起点和步长，并设定相应的形状因子的默认值、光谱因子、紧致度因子和光滑度因子，利用eCognition软件进行影像分割，并对针对于每个分割尺度计算并统计归一化GLCM熵平均值、归一化莫兰指数MI值和综合评价指标F
‑
Measure值。
[0015]优选的，所述均质标准包括光谱因子与形状因子，形状因子又由紧致度因子和光滑度因子共同组成，由于光谱因子与形状因子互补，紧致度因子与光滑度因子互补，两两贡献率为1，只要确定其中的两个即确定剩下两个，本方法根据确定的最优分割尺度，首先固定形状因子大小，采用分组试错法确定最优紧致度因子，再固定最优紧致度因子，采用分组试错法确定出最优形状因子。
[0016]优选的，提取出相应地物对象的特征包括光谱特征、形状特征、纹理特征和地形特征，将光谱、形状、纹理、地形特征进行组合制作融合地形特征训练样本集对卷积神经网络进行训练得到提取黄土陷穴的模型。
[0017]优选的，所述光谱特征包括：基于遥感影像提取对象的R、G、B波段的均值、标准差、波段最大差分以及亮度值；
[0018]所述形状特征包括：基于遥感影像提取对象的面积、不对称性、边界指数、边界长度、紧致度、密度、椭圆拟合度、长度、宽度、长宽比、形状指数以及圆度；
[0019]所述纹理特征包括：基于遥感影像提取对象全方位灰度共生矩阵的同质性、对比度、均值、非相似性、熵以及标准差；
[0020]所述地形特征包括：基于DEM提取对象的高程、坡度及山体阴影三者的均值与标准差。
[0021]优选的，所述卷积神经网络模型以提取出影像对象的特征信息作为输入，采用一维卷积的形式构建1D
‑
CNN模型对影像对象进行分类，模型结构包括2个卷积层、2个池化层、2个全连接层以及1个二分类输出层，同时为防止过拟合在模型中分别设置2个Dropout层，
输出层激函数为Sigmoid，进行二分类提取黄土陷穴对象，除输出层以外其他激活函数均设置为ReLu。
[0022]优选的，所述卷积神经网络模型中输入层为提取出的特征信息，卷积层C1中滤波器个数为64个，大小为3，步长为1；卷积层C2中滤波器个数为128个，大小为3，步长为1；池化层P1、P2均选用最大池化方法，池大小为2，步长为1；全连接层F1中神经元个数为256个，后连接Dropout层，参数为0.5，使神经元随机失活；全连接层F2中神经元个数为128个，后连接Dropout层，参数为0.5，使神经元随机失活。
[0023]本专利技术具有以下优点：本方案在确定分割尺度时通过将全局莫兰指数与灰度共生矩阵熵进行融合计，通过综合评价指标的算式计算不同分割尺度下的分割效果，同时兼顾到对象间异质性和对象内部同质性的要求，在此基础上通过分组试错法确定均质标准，实现对地物对象的特征信息的提取，具有较好的提取效果。通过本方案提取光谱特征、形状特征、纹理特征与地形特征相融合，应用于卷积神经网络训练，并进行后续地物信息提取，模型的错分量较少，提取的精确性较高，模型的综合性能较好。
附图说明
[0024]图1为本专利技术一种融合地形特征的黄土陷穴面向对象提取方法的流程图。
[0025]图2为本专利技术中训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合地形特征的黄土陷穴面向对象提取方法，其特征在于：以全局莫兰指数MI描述分割后相邻对象的空间自相关性作为衡量对象间异质性的标准；以灰度共生矩阵熵GE描述对象内部纹理复杂程度作为衡量对象内部同质性的标准；将MI与GE的计算式进行归一化处理统一量纲，并以综合评价指标的方式进行融合计算，得到综合评价指标峰值所对应的最优分割尺度，采用分组试错法确定最优分割尺度的均质标准，进而提取出相应影像对象的特征信息，将特征信息输入卷积神经网络模型提取相应影像对象。2.根据权利要求1所述的一种融合地形特征的黄土陷穴面向对象提取方法，其特征在于：MI与GE的计算式如下：于：MI与GE的计算式如下：式(1)中，n代表对象个数，w
ij
代表i对象与j对象的空间权重，表示空间上两个对象的相邻程度，x
i
、x
j
分别为i对象与j对象的对象内部光谱均值，为整个图像的光谱均值，MI值越小代表相邻对象的相似度越低，即异质性越大；式(2)中，p(i，j)为灰度共生矩阵中第i行，j列的概率值，N为共生矩阵行列数。研究通过计算影像层中所有对象的灰度共生矩阵熵的平均值以衡量该层总体同质性的效果，其值越小代表对象内部纹理复杂度越小，即对象同质性越高。3.根据权利要求2所述的一种融合地形特征的黄土陷穴面向对象提取方法，其特征在于：以综合评价指标的方式进行融合计算的具体公式如下所示：式(3)中，a代表重要性指数，当取1时代表重要性相同，MI
norm
代表归一化后莫兰指数，为归一化对象灰度共生矩阵平均值。4.根据权利要求3所述的一种融合地形特征的黄土陷穴面向对象提取方法，其特征在于：根据黄土陷穴对象形态设定分割区间、起点和步长，并设定相应的形状因子的默认值、光谱因子、紧致度因子和光滑度因子，利用eCognition软件进行影像分割，并对针对于每个分割尺度计算并统计归一化GLCM熵平均值、归一化莫兰指数MI值和综合评价指标F
‑
Measure值。5.根据权利要求1
‑
4中任一所述的一种融合地形特征的黄土陷穴面向对象提取方法，其特征在于：所述均质标准包括光谱因子与形状因子，形状因子又由紧致度因子和光滑度因子共同组...

【专利技术属性】
技术研发人员：黄骁力，江岭，王春，苏旭，赵明伟，陈西，杨灿灿，黄丹妮，
申请(专利权)人：滁州学院，
类型：发明
国别省市：