综合时序遥感信息和KL-divergence的地物类型识别方法技术

本发明专利技术提出了一种综合时序遥感信息和KL

【技术实现步骤摘要】
综合时序遥感信息和KL
‑
divergence的地物类型识别方法


[0001]本专利技术涉及遥感监测的
，尤其涉及一种综合时序遥感信息和KL
‑
divergence的地物类型识别方法。

技术介绍

[0002]当前，利用遥感技术进行地物类型识别的方法主要有基于光谱信息的方法和基于时间变化特征的方法。
[0003]基于光谱的识别方法主要用于中高分辨率的光学影像，原理是利用像元值的统计特征，通过判断待识别像元与样本的相似性进行判断。如果在理想的时相内能获取覆盖研究区的中高分辨率的遥感数据，则可以得到高精度的分类识别结果。然而光学影像的获取受天气条件和重访周期的严重影响，在浓云覆盖等条件下，即使有卫星过境，也无法获取遥感数据。因此，即使形成遥感卫星星座，也很难保证在特定时间上获取覆盖整个研究区的遥感影像。
[0004]基于时间变化特征的识别方法主要用于时间序列的遥感影像及产品，主要原理是利用不同地物类型时间变化规律的差异进行识别。然而，该类遥感数据通常空间分辨率较低，导致最终的识别精度不高。因此，很多研究者综合光谱和时相特征开始混合像元分解研究，但该类方法通常得到的结果都是丰度图，虽然提高了数量上的精度，但不能具体描述像元内部地物的空间分布，在应用上仍然存在较大不便。
[0005]Kullback
–
Leibler(KL)divergence是概率论和信息论中用于测量两个概率分布之间差异的度量，被引入遥感影像分类后，取得了很好的效果。如将KL divergence与时间变化信息结合开展冬小麦识别研究，由于KL divergence量测不同分布之间的差别具有突出的优势，使得识别结果相对于其他常规方法精度较高。但缺点是仅对一种作物开展识别研究，没有考虑同时识别多种作物类型或地物类型。
[0006]现有技术中，利用遥感影像对地物类型开展监测是一种较为快捷和直观的技术手段，而各类技术手段自身固有优缺点。如常规的分类方法，尤其是参数化的分类方法，通常假设地物具有正态分布特征，这对于高维数据，如时间序列数据是不现实的。另外，通常的相似性匹配分类方法过于注重曲线的形态特征，相对更为复杂。而KL divergence不关注是否具有正态分布和形态特征，利用信息论和概率论的方法测定待分像元与真实分布之间的“距离”，具有很强的敏感性。因而引入新的数据方法，可以获得准确的监测数据，而在现有技术中，尚未见到综合时序遥感信息和KL divergence开展多种地物类型的识别研究。

技术实现思路

[0007]针对现有基于光谱的遥感常规识别方法需要具备特定的假设条件以及时序匹配方法过于注重形态特征等应用不便的技术问题，本专利技术提出一种综合时序遥感信息和KL
‑
divergence的地物类型识别方法，利用时序遥感信息并结合KL divergence进行地物类型分类识别，没有强制的假设条件，利用概率论和信息论的方法通过判断两个分布之间“距
离”来识别地物类型，只要能形成反映地物特征的参数序列(如反映地物生长特征的时间序列参数)的数据均可应用，因此相对于常规方法更加方便灵活。
[0008]为了达到上述目的，本专利技术的技术方案是这样实现的：
[0009]本专利技术利用时间序列的遥感数据生成时序遥感信息，如时间序列植被指数；为待识别的每一类地物选择样本，要求是该尺度下的纯像元样本；利用每一类地物样本像元的均值制作该类地物的标准时序曲线；基于每一类地物的标准时序曲线，利用KL divergence公式为每一类地物计算其KL值；最后比较每个像元对于待识别地物的KL值的大小，将该像元归属于具有最小KL值的类别，从而得到分类识别结果。
[0010]一种综合时序遥感信息和KL
‑
divergence的地物类型识别方法，其步骤如下：
[0011]步骤一：在研究区确定各类地物的样本，并选择对n类地物类型具有识别特征的序列遥感参数；
[0012]步骤二：利用样本点从序列遥感参数中提取对应的参数值形成每一类地物的标准序列曲线；
[0013]步骤三：以待分类像元所对应序列遥感参数值为另一个分布数据，与各类地物的标准序列曲线所对应的分布结合，基于KL
‑
divergence公式计算待分类像元对应各地类的KL值，并扩展到整个研究区，从而形成n个KL图层；
[0014]步骤四：比较每个像元对应的n个KL值，将该像元归属于最小KL值所对应的地类类别；应用到所有像元，从而得到研究区的分类结果。
[0015]优选地，所述序列遥感参数为表征植被类型生长发育的时相差异的时间序列遥感参数或反映地物的光谱曲线差异的高光谱数据形成的序列数据。
[0016]优选地，所述时间序列序列遥感参数利用MODIS NDVI数据形成，利用MODIS NDVI加上蓝波段、红波段和近红外波段反射率形成序列数据。
[0017]优选地，所述步骤二中标准序列曲线的实现方法为：
[0018]A.根据实地调查数据或研究经验，为待分类的地物类型选择纯像元样本；
[0019]B.基于所选样本，从序列遥感参数中提取对应的参数值；
[0020]C.将提取的参数值根据地物类别求均值，从而为每一类地物形成一个标准序列曲线。
[0021]优选地，所述地物的类型包括常绿林、落叶林、封闭草丛、开放草丛、乔木稀树草原、稀树草原、草地、农用地、水体和裸地；不同植被类型的明显不同的生长变化特征表现在标准序列曲线的峰谷的变化规律以及NDVI值的大小不同。
[0022]优选地，所述KL值的计算方法为：
[0023]KL
‑
divergence的计算公式为：
[0024][0025]式中，P代表真实分布序列即每一类的标准序列曲线；Q为一个待分类像元对应的数据序列；i代表两个分布中的序列号；n代表分类体系中的n个地类；
[0026]KL值用正向和反向KL
‑
divergence的均值来表示：
[0027]KL＝(D
KL
(P||Q)+D
KL
(Q||P))/2；
[0028]式中，KL为最终的KL值，D
KL
(P||Q)和D
KL
(Q||P)分别为正向KL
‑
divergence和反向
KL
‑
divergence。
[0029]优选地，每一类的KL值是一个与原始遥感数据行列数一样的图层或波段，计算所有待分类地物的像元的KL值，得到一幅对应该类地物的KL数据层，即KL图层。
[0030]优选地，针对每个像元，比较其对应的n个KL值的大小，将该像元归属于最小KL值对应的地物类别。
[0031]与现有技术相比，本专利技术的有益效果：本专利技术充分利用了地物在序列上的变化特征，如时间序列或光谱序列等，紧密结合在测量概率分布相似本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种综合时序遥感信息和KL
‑
divergence的地物类型识别方法，其特征在于，其步骤如下：步骤一：在研究区确定各类地物的样本，并选择对n类地物类型具有识别特征的序列遥感参数；步骤二：利用样本点从序列遥感参数中提取对应的参数值形成每一类地物的标准序列曲线；步骤三：以待分类像元所对应序列遥感参数值为另一个分布数据，与各类地物的标准序列曲线所对应的分布结合，基于KL
‑
divergence公式计算待分类像元对应各地类的KL值，并扩展到整个研究区，从而形成n个KL图层；步骤四：比较每个像元对应的n个KL值，将该像元归属于最小KL值所对应的地类类别；应用到所有像元，从而得到研究区的分类结果。2.根据权利要求1所述的综合时序遥感信息和KL
‑
divergence的地物类型识别方法，其特征在于，所述序列遥感参数为表征植被类型生长发育的时相差异的时间序列遥感参数或反映地物的光谱曲线差异的高光谱数据形成的序列数据。3.根据权利要求2所述的综合时序遥感信息和KL
‑
divergence的地物类型识别方法，其特征在于，所述时间序列序列遥感参数利用MODIS NDVI数据形成，利用MODIS NDVI加上蓝波段、红波段和近红外波段反射率形成序列数据。4.根据权利要求1
‑
3中任意一项所述的综合时序遥感信息和KL
‑
divergence的地物类型识别方法，其特征在于，所述步骤二中标准序列曲线的实现方法为：A.根据实地调查数据或研究经验，为待分类的地物类型选择纯像元样本；B.基于所选样本，从序列遥感参数中提取对应的参数值；C.将提取的参数值根据地物类别求均值，从而为每一类地物形成一个标准序列曲线。5.根据权利要求4所述的综合时序遥感信...

【专利技术属性】
技术研发人员：张喜旺，刘剑锋，余仕奇，赵一凡，赵浩，陈梦伟，秦奋，
申请(专利权)人：河南大学，
类型：发明
国别省市：