本发明专利技术涉及黄土梯田损毁部位识别技术领域，且公开了一种基于无人机摄影测量的黄土梯田损毁部位识别方法，包括以下步骤：S1：信息采集，通过无人机进行摄影采集待检测地方的原始正射影像和数字表面模型DMS；S2：预处理，对无人机原始正射影像DOM和数字表面模型DSM进行预处理；S3：多尺度分割；S4：样本标注，根据步骤3得到的分割结果，对分割结果按照分割对象总数的1%的比例，参考DOM和DSM对进行损毁位置样本标注。本发明专利技术使用无人机影像设计有效的自动化梯田损毁识别方法提高了提取效率、减少人工工作量，可将损毁部位区别为崩塌、田面陷穴、田坎陷穴等子类别，具有操作方法简单、普适性强、效率高、精度高等特点。精度高等特点。精度高等特点。
【技术实现步骤摘要】
一种基于无人机摄影测量的黄土梯田损毁部位识别方法
[0001]本专利技术涉及黄土梯田损毁部位识别
，具体为一种基于无人机摄影测量的黄土梯田损毁部位识别方法。
技术介绍
[0002]梯田是一种典型的人工地貌，是顺山坡沿等高线修筑的阶梯状农田，在中国有很长一段历史，据统计全国有近三分之一耕地资源为梯田。黄土梯田是黄土高原地区最为重要的水土保持措施，通过梯田修筑，很大程度上改变了黄土坡面的地表径流和土地利用类型，改善了土壤侵蚀程度，具有保水、蓄水、增产作用。近年来，国家加大了黄土高原水土流失综合治理力度，实施了大量“坡改梯”等水保工程，梯田的面积不断增加。然而由于上世纪末“退耕还林还草”政策的实施，使得梯田目前缺乏人工维护，常常受强降水事件影响发生损毁，主要包括梯田田坎崩塌、田坎陷穴与田面陷穴。梯田损毁极大程度上加剧了梯田的退化过程，因此实时提取梯田损毁部位对水土保持、土地资源质量评价等方面相关的科学研究、政策制定都具有重要意义。
[0003]面向对象影像分析技术是最近几年发展起来的一门新技术，在高分辨率影像中得到考了广泛应用，可以通过分析影像对象的光谱特征、纹理特征和空间特征实现了大面积的快速识别任务，当前针对梯田损毁的提取，多基于人工目视解译，自动或半自动识别方法鲜见报道。因此，如何不失一般性地精准自动识别梯田损毁是生产实践中亟待解决的问题。
技术实现思路
[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于无人机摄影测量的黄土梯田损毁部位识别方法，解决了当前针对梯田损毁的提取，不失一般性地精准自动识别梯田损毁的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于无人机摄影测量的黄土梯田损毁部位识别方法，包括以下步骤：
[0009]S1：信息采集，通过无人机进行摄影采集待检测地方的原始正射影像和数字表面模型DMS；
[0010]S2：预处理，对无人机原始正射影像DOM和数字表面模型DSM进行预处理，计算原始正射影像绿光波段灰度共生矩阵GLCM均值G_Mean和协方差G_Var，DSM山体阴影DSM_Hillshade和DSM灰度共生矩阵自相关性DSM_Cor；
[0011]S3：多尺度分割，选取DOM红色波段R，绿色波段G，蓝色波段B，G_Mean，G_Var，DSM，DSM_Hillshade，DSM_Cor共计八个波段，分别按1，1，1，1，1，0.5，1，0.5权重设置，尺度参数、形状指数和紧致度分别选取100，0.1，0.5设置进行多尺度分割，得到分割结果；
[0012]S4：样本标注，根据步骤3得到的分割结果，对分割结果按照分割对象总数的1％的
比例，参考DOM和DSM对进行损毁位置样本标注；
[0013]S5：计算标准差，对分割对象中每个对象应用DOM和DSM分别计算DSM标准差DSM_Std，DOM_Var标准差DOM_Var_Std，DOM_Mean标准差DOM_Mean_Std，红光波段R标准差R_Std，绿光波段G均值G_Mean，DSM灰度共生矩阵熵标准差DSM_Ent_Std，分割对象形状指数Shp，分割对象DSM极差Rge，DOM过绿指数EXG，红光波段R均值R_Mean，蓝光波段B标准差B_Std，DSM_Cor标准差DSM_Cor_Std，蓝光波段B均值B_Mean共计19个特征；
[0014]S6：分类，根据训练样本采用上述19个特征对全部分割对象进行最近邻KNN分类，得到陷穴区域、崩塌区域和其他三类分类结果；
[0015]S7：再次分割，对步骤6得到的陷穴区域，通过地表起伏度指标进行田面陷穴和田坎陷穴的分割，通过多尺度分割和地表起伏度指标进行田面陷穴和田坎陷穴的分割能够数据进行充分拆分提取，提高数据的采集效率；
[0016]S8：转为矢量，将最终分类矢量结果转为栅格后重新转为矢量，以完成破碎图斑的合并，得到最终分类结果。
[0017]作为本专利技术再进一步的方案，所述S1中信息采集时选择光照充足的情况下采集，并且采集时把时间、位置信息进行标注，基于遥感影像和DEM数据。
[0018]进一步的，所述S2中预处理时计算公式如下：
[0019]G_Mean＝∑
i
∑
j
p(i,j)*i
[0020]G_Var＝∑
i
∑
j
p(i,j)*(i
‑
G_Mean)2[0021]DSM_Hilshade＝255.0*((cos(Zenith
rad
)*cos(Slope
rad
)))+(sin(Zenith
rad
)*sin(Slope_rad)*cos(Azimuth_rad
‑
Aspect_rad))
[0022]其中，Zenith表示太阳天顶角，Azimuth表示太阳方位角，Slope和Aspect分别表示坡度和坡向。后缀_rad表示所有的角度都是以弧度为单位的。
[0023][0024]其中,
[0025][0026][0027][0028][0029]在前述方案的基础上，所述S4中标注样本区分为崩塌和陷穴两类。
[0030]进一步的，所述S5中特征计算公式如下：
[0031](1)DSM标准差DSM_Std:
[0032][0033](2)DOM_Var标准差DOM_Var_Std:
[0034][0035][0036](3)DOM_Mean标准差DOM_Mean_Std:
[0037][0038][0039](4)红光波段R标准差R_Std:
[0040][0041](5)绿光波段G均值G_Mean:
[0042][0043](6)DSM灰度共生矩阵熵标准差DSM_Ent_Std:
[0044][0045][0046](7)分割对象形状指数Shp:
[0047]Shp＝ω
compt
*h
compt
+ω
smooth
*h
smooth
[0048]其中，ω
compt
、ω
smooth
分别为紧密度、光滑度的比重。
[0049](8)分割对象DSM极差Rge:
[0050]DSM_Rge＝DSM
max
‑
DSM
min
[0051](9)DOM过绿指数EXG:
[0052]DOM_EXG＝2G
‑
R
‑
B
[0053]其中，R、G、B分别为无人机影像红、绿、蓝波段的像元值。
[0054](10)红光波段R均值R_Mean:
[0055][0056](11)蓝光波段B标准差B_Std:
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于无人机摄影测量的黄土梯田损毁部位识别方法，其特征在于，包括以下步骤：S1：信息采集，通过无人机进行摄影采集待检测地方的原始正射影像DOM和数字表面模型DSM；S2：预处理，对无人机原始正射影像DOM和数字表面模型DSM进行预处理，计算原始正射影像绿光波段灰度共生矩阵GLCM均值G_Mean和协方差G_Var，DSM山体阴影DSM_Hillshade和DSM灰度共生矩阵自相关性DSM_Cor；S3：多尺度分割，选取DOM红色波段R，绿色波段G，蓝色波段B，G_Mean，G_Var，DSM，DSM_Hillshade，DSM_Cor共计八个波段，分别按1，1，1，1，1，0.5，1，0.5权重设置，尺度参数、形状指数和紧致度分别选取100，0.1，0.5设置进行多尺度分割，得到分割结果；S4：样本标注，根据步骤3得到的分割结果，对分割结果按照分割对象总数的1％的比例，参考DOM和DSM对进行损毁位置样本标注；S5：计算标准差，对分割对象中每个对象应用DOM和DSM分别计算DSM标准差DSM_Std，DOM_Var标准差DOM_Var_Std，DOM_Mean标准差DOM_Mean_Std，红光波段R标准差R_Std，绿光波段G均值G_Mean，DSM灰度共生矩阵熵标准差DSM_Ent_Std，分割对象形状指数Shp，分割对象DSM极差Rge，DOM过绿指数EXG，红光波段R均值R_Mean，蓝光波段B标准差B_Std，DSM_Cor标准差DSM_Cor_Std，蓝光波段B均值B_Mean共计19个特征；S6：分类，根据训练样本采用上述19个特征对全部分割对象进行最近邻KNN分类，得到陷穴区域、崩塌区域和其他三类分类结果；S7：再次分割，对步骤6得到的陷穴区域，通过地表起伏度指标进行田面陷穴和田坎陷穴的分割；S8：转为矢量，将最终分类矢量结果转为栅格后重新转为矢量，以完成破碎图斑的合并，得到最终分类结果。2.根据权利要求1所述的一种基于无人机摄影测量的黄土梯田损毁部位识别方法，其特征在于，所述S1中信息采集时选择光照充足的情况下采集，并且采集时把时间、位置信息进行标注，基于遥感影像和DEM数据。3.根据权利要求1所述的一种基于无人机摄影测量的黄土梯田损毁部位识别方法，其特征在于，所述S2中预处理时计算公式如下：(1)原始正射影像绿光波段灰度共生矩阵GLCM均值G_Mean：G_Mean＝∑
i
∑
j
p(i，j)*i(2)原始正射影像绿光波段灰度共生矩阵GLCM协方差G_Var：G_Var＝∑
i
∑
j
p(i，j)*(i
‑
G_Mean)2(3)DSM山体阴影DSM_Hillshade：DSM_Hillshade＝255.0*((cos(Zenith
rad
)*cos(Slope
rad
)))+(sin(Zenith
rad
)*sin(Slope_rad)*cos(Azimuth_rad
‑
Aspect_rad))其中，Z...
【专利技术属性】
技术研发人员：张兵良，那嘉明，方炫，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。