申请/专利权人：苏州市职业大学

申请日：2019-04-12

公开（公告）日：2019-08-06

公开（公告）号：CN110096970A

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/62(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2022.02.25#发明专利申请公布后的驳回;2019.08.30#实质审查的生效;2019.08.06#公开

摘要：本发明公开了基于WV3卫星影像的松林变色立木单株标识方法。步骤：利用辐射校正、几何纠正和大气校正方法对原始影像数据进行预处理；对已验证的松林变色立木波谱信息进行特征提取，生成训练样本和多条参数规则；对待分类图像样本中的所有像元点提取光谱特征；利用识别分类模型对待分类图像样本像元点实施分类，依次包括筛选、聚类和去噪；生成分类结果，结合变色立木的纹理和位置特征，对像元进行单株聚类和标识。本发明在复杂地形条件下对松材线虫疫木单株识别具有较高检测精度，且可实现大面积松林的松材线虫快速监测和精确定位。

主权项：1.基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，包括以下步骤：1利用辐射校正、几何纠正和大气校正方法对原始影像数据进行预处理；2对已验证的松林变色立木波谱信息进行特征提取，生成训练样本和多条参数规则，为变色立木样本识别提供学习方法；3采用步骤2的光谱特征提取方法，对待分类图像样本中的所有像元点提取光谱特征；4利用识别分类模型对待分类图像样本像元点实施分类，依次包括筛选、聚类和去噪：首先，选出符合变色立木样本光谱特征的目标像元，将误判的单点或零星点从筛选集合的样本集中剔除；其次，对于相邻的两点及以上点设置聚类规则；然后，根据变色立木分布特征、背景分别实施去噪；5生成分类结果，结合变色立木的纹理和位置特征，对像元进行单株聚类和标识。

全文数据：基于WV3卫星影像的松林变色立木单株标识方法技术领域本发明属于病虫害松树识别技术，特别涉及了一种松树变色立木识别分类方法。背景技术光谱特征法是最常见的病虫害松树识别方法，其依据是当植物受到病虫浸染时生理变化的差异性会反射在光谱特性上，尤其是红色区和近红外区的光谱特性差异。使用光谱仪等成像设备获取反射和辐射的光谱数据信息，在此基础上发现不同波段反射光谱的变化规律。相对于传统的人工实地调查方法，获取遥感图像中各地物的光谱特征信息识别病害松树，具有识别率高、识别范围广、识别速度快等优点。然而由于受传感器分辨率、卫星运行周期以及大气环境如光照、温度等的影响，利用高光谱仪等成像设备所获取的地物光谱特征数据往往不能很好地表征其类型。从图像处理和模式识别的角度出发，使用支持向量数据描述也是一种病害松树识别方法。其基本步骤是：首先根据不同地物的特点，提取其光谱信息作为相应像元点的特征，然后通过建立关于训练样本中心距离的权重函数来构造加权支持向量数据描述多分类模型，进而实现松林变色立木的分类识别。支持向量数据描述多分类方法基于图像像素进行分类识别，缺点之一在于需要对大量样本进行训练，因此执行效率较慢；此外在解决多分类识别问题时具有误判率较高、识别精度相对不高等缺点。发明内容为了解决上述背景技术提出的技术问题，本发明提出了基于WV3卫星影像的松林变色立木单株标识方法。为了实现上述技术目的，本发明的技术方案为：基于WV3卫星影像的松林变色立木单株标识方法，包括以下步骤：1利用辐射校正、几何纠正和大气校正方法对原始影像数据进行预处理；2对已验证的松林变色立木波谱信息进行特征提取，生成训练样本和多条参数规则，为变色立木样本识别提供学习方法；3采用步骤2的光谱特征提取方法，对待分类图像样本中的所有像元点提取光谱特征；4利用识别分类模型对待分类图像样本像元点实施分类，依次包括筛选、聚类和去噪：首先，选出符合变色立木样本光谱特征的目标像元，将误判的单点或零星点从筛选集合的样本集中剔除；其次，对于相邻的两点及以上点设置聚类规则；然后，根据变色立木分布特征、背景分别实施去噪；5生成分类结果，结合变色立木的纹理和位置特征，对像元进行单株聚类和标识。进一步地，步骤1的具体过程如下：首先，将记录的原始DN值转换为辐射亮度或大气外层表面反射率，消除传感器本身产生的误差；然后，将辐射亮度或者表观反射率转换为地表实际反射率，以消除大气散射、吸收、反射引起的误差；最后，将不同时间、不同波段所获得的同一地区的图像数据经几何变换使同名像点在位置上和方位上完全叠合。进一步地，在步骤2中，为了使获得的参数规则具有普遍性，选取训练样本至少大于1000；对不同波段的波谱值进行数字或逻辑运算组合提取得到相应的参数规则，参数选择方法包括差值植被指数、RVI比值植被指数、红绿比值植被指数以及归一化植被指数。进一步地，在步骤4中，筛选的具体步骤如下：4a过滤出归一化植被指数取值在0.28～0.65范围内的像元作为目标区域集合1；4b从剩余像元集合中继续过滤出RVI比值植被指数取值在1.4～2.9范围内的像元作为目标区域集合2；4c从上一步剩余集合样本中过滤出差值植被指数取值在160～450范围内的像像元作为目标区域集合3；4d基于以上3个目标区域集合的并集继续计算红绿比值植被指数取值在0.95以上的像元作为最后的筛选结果，即符合变色立木特征的目标像元。进一步地，在步骤4中，聚类的具体步骤如下：4A遍历所有目标点全集，从上下左右四个方向寻找K值以内的相邻像元集合，初始K值设为25～30；如果集合结果不为空，则将同一集合内像元分配同一个簇；如果集合为空即认为是单点，则设簇编号为0；4B对于相邻的两点及以上点设置聚类规则，即类别的判别函数，包括范围判别函数和合并规则，输出聚类后的簇中心；范围判别函数的定义方法使用KNN；合并规则定义如下：判断两个聚类集合中的元素是否存在交集，如果存在则将其合并成为一个新的簇；计算每一个簇成员的K值范围内的邻居数，密度最多的点输出为簇中心。进一步地，在步骤4中，去噪的具体步骤如下：首先，根据病树分布特征实施去噪，目的在于去掉非林区的大面积噪点，具体过程如下：基于目标点的分布特征，计算预设面积范围内聚合出的分类数量；若计算出的分类数量大于10，则认为该区域不符合林区内变色立木的分布特征，区域内的目标样本点被视为噪点去除；然后，根据林区背景实施去噪，目的在于避免类似林区边缘产生误判的情况，具体过程如下：以簇为中心放大分类簇边缘，首先，搜索半径R范围内正常绿树所占比例是否大于25％，如果大于则保留该分类簇，否则将此簇内的样本视为噪点；其次，搜索半径R范围内裸土和道路所占比例是否大于10％，如果大于则将该簇内的样本视为噪点。进一步地，在步骤5中，将经过步骤4聚类、去噪后生成的簇中心的经纬度信息输出到SHP文件，并在影像文件中标识出簇中心所在位置。进一步地，在步骤5得到分类识别结果后，采用Kappa系数来进行精度评价：上式中，k为Kappa系数，Kappa系数越大，分类精度越高，po是每一类正确分类的样本数量之和除以总样本数得到的总体分类精度，其中，N是测试样本的总体像元数量，Xi+是第i行的像元总数量，X+i是第i列的像元总数量。采用上述技术方案带来的有益效果：本发明以搭载可见光、近红外等多光谱传感器的WorldView3WV3卫星平台获取地面多光谱图像，在复杂地形条件下对松材线虫疫木单株识别具有较高检测精度，且可以实现大面积松林的松材线虫快速监测和精确定位。附图说明图1是本发明的方法流程图；图2是本发明获取的多光谱图像示意图；图3是本发明单株标识示意图。具体实施方式以下将结合附图，对本发明的技术方案进行详细说明。如图1所示，基于WV3卫星影像的松林变色立木单株标识方法，以搭载可见光、近红外等多光谱传感器的WorldView3WV3卫星平台，获取地面多光谱图像，步骤如下：步骤1：利用几何纠正、辐射校正、和大气校正等方法的对原始影像数据进行预处理，处理后的图像结果示如图2所示；在本步骤中，首先将记录的原始DN值转换为辐射亮度或大气外层表面反射率，消除传感器本身产生的误差；然后将辐射亮度或者表观反射率转换为地表实际反射率，以消除大气散射、吸收、反射引起的误差；最后将不同时间、不同波段所获得的同一地区的图像数据，经几何变换使同名像点在位置上和方位上完全叠合。步骤2：对已验证的松林变色立木波谱信息分别进行地物光谱特征提取，在此基础上生成训练样本和多条参数规则，目的是为变色立木样本识别提供学习方法：为了获得的规则具有普遍性，随机选取的病虫害树样本至少大于1000；对不同波段的波谱值进行数字或逻辑运算组合提取得到相应的参数规则，参数选择方法包括差值植被指数、RVI比值植被指数、红绿比值植被指数以及归一化植被指数。以上选择方法计算方式如下：a差值植被指数：DVI＝NIR-RNIR标识近红外波段反射值，R为红光波段反射值。该指数对土壤背景的变化极为敏感。当植被非完全覆盖时，土壤背景影响较大。植被指数可用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。bRVI比值植被指数：RVI＝NIRR通常，绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面裸土、人工建筑、水体、植被枯死或严重虫害的RVI在1附近；RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量DM、叶绿素含量相关性高，可用于检测和估算植物生物量；植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感，当植被覆盖度50％时，这种敏感性显著降低；RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。c红绿比值植被指数：RG＝RG通常，人眼见到的物体颜色是由其所反射的光所决定的。大部分植物都是吸收红光、蓝光而反射绿光，所以我们见到的植物大都是绿色。而不同生长状况的植物其反射的光也会有所差别。因此，波段比值也可以用作病虫害树的识别因子。d归一化植被指数：NDVI＝NIR-RNIR+RNDVI的数值被限定在[-1,1]之间，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。通过NDVI值可以反映出不同生长状况的农作物之间的差异，即可以区分健康和病虫害的作物。步骤3：针对待分类图像样本中所有像元点，使用步骤2所述地物光谱特征提取方法提取光谱特征。步骤4：对样本像元点实施分类，包括筛选、聚类和去噪几个步骤。首先利用步骤3中生成的包含光谱特征的待分类样本点中筛选出符合变色立木特征的目标像元，也包括目标区裸土、水体、公路、房屋建筑、草地、岩石公路、林中阴影等地物。具体方法包括：1首先过滤出NDVI取值在0.28～0.65范围之间的像元作为目标区域集合1；2从剩余像元集合中继续过滤出RVI取值在1.4～2.9范围之内的像元作为目标区域集合2；3从上一步剩余集合样本中过滤出DVI取值在160～450范围之内的像元作为目标区域集合3；4基于以上三个输出集合的并集继续计算RGVI取值在0.95以上范围之内的像元作为最后的筛选结果，即符合变色立木特征的目标像元。接下来实施首次去噪即聚类，即将误判的单点或零星点从筛选集合的样本集基础之上剔除，具体方法如下：1遍历所有目标点全集，从上下左右四个方向寻找K值以内的相邻像元集合，初始K值设为25～30；如果集合结果不为空，则将同一集合内像元分配同一个簇；如果集合为空即认为是单点，则设簇编号为0。2对于相邻的两点及以上点设置聚类规则即类别的判别函数，包括范围判别函数和合并规则，输出聚类后的簇中心。范围判别函数定义方法使用KNN；合并规则定义如下：判断两个聚类集合中的元素是否存在交集，如果存在则将其合并成为一个新的簇；计算每一个簇成员的K值范围内的邻居数K值默认取值为15，密度最多的点输出为簇中心。然后根据病树分布特征实施二次去噪，目的在于去掉非林区的大面积噪点，例如枯草和裸土等非目标物体。具体方法如下：基于目标点的分布特征，计算一定面积范围内如200个像元聚合出的分类数量；由于变色立木零星分散的可能性较小，如果计算出的分类数量大于10以上则认为该区域不符合林区内变色立木的分布特征，区域内的目标样本点被视为噪点。最后根据林区背景实施三次去噪，目的在于避免类似林区边缘产生误判的情况。具体方法如下：以簇为中心放大分类簇边缘，首先搜索半径R范围内正常绿树所占比例是否大于25％，如果大于则保留该分类簇，否则将此簇内的样本视为噪点。其次搜索半径R范围内裸土和道路所占比例是否大于10％，如果大于则将该簇内的样本视为噪点，半径R取值一般设置为10～15个像元。步骤5：生成分类结果，结合已验证的变色立木信息对分类识别后的图像进行检查验证并做出精度评价。针对上一步经过聚类、去噪后生成的簇中心，将其经纬度信息输出到SHP文件，并在影像文件中标识出簇中心所在位置，示例如图3所示。为了验证本方法在松林变色立木识别中的有效性，随机选取遥感图像样本进行实验。本发明所述方法基于野外实测样本做对比实验分析，利用混肴矩阵比较分类结果和地表真实信息，示例数据如表1所示。表1精度评价使用Kappa系数来计算，计算公式如下：其中，po是每一类正确分类的样本数量之和除以总样本数，也就是总体分类精度。pe的计算方式如下其中，N是指测试样本的总体像元数量，Xi+是指第i行的像元总数量，X+i是指第i列的像元总数量。经过计算后得出：Kappa系数取值为0.86，可见基于WV3卫星影像的松林变色立木单株标识方法较成功的对松林变色立木进行了分类，是一种较好的分类方法。实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

权利要求：1.基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，包括以下步骤：1利用辐射校正、几何纠正和大气校正方法对原始影像数据进行预处理；2对已验证的松林变色立木波谱信息进行特征提取，生成训练样本和多条参数规则，为变色立木样本识别提供学习方法；3采用步骤2的光谱特征提取方法，对待分类图像样本中的所有像元点提取光谱特征；4利用识别分类模型对待分类图像样本像元点实施分类，依次包括筛选、聚类和去噪：首先，选出符合变色立木样本光谱特征的目标像元，将误判的单点或零星点从筛选集合的样本集中剔除；其次，对于相邻的两点及以上点设置聚类规则；然后，根据变色立木分布特征、背景分别实施去噪；5生成分类结果，结合变色立木的纹理和位置特征，对像元进行单株聚类和标识。2.根据权利要求1所述基于WV3卫星影像的松林变色立木单株标识方法，其特征在于：步骤1的具体过程如下：首先，将记录的原始DN值转换为辐射亮度或大气外层表面反射率，消除传感器本身产生的误差；然后，将辐射亮度或者表观反射率转换为地表实际反射率，以消除大气散射、吸收、反射引起的误差；最后，将不同时间、不同波段所获得的同一地区的图像数据经几何变换使同名像点在位置上和方位上完全叠合。3.根据权利要求1所述基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，在步骤2中，为了使获得的参数规则具有普遍性，选取训练样本至少大于1000；对不同波段的波谱值进行数字或逻辑运算组合提取得到相应的参数规则，参数选择方法包括差值植被指数、RVI比值植被指数、红绿比值植被指数以及归一化植被指数。4.根据权利要求3所述基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，在步骤4中，筛选的具体步骤如下：4a过滤出归一化植被指数取值在0.28～0.65范围内的像元作为目标区域集合1；4b从剩余像元集合中继续过滤出RVI比值植被指数取值在1.4～2.9范围内的像元作为目标区域集合2；4c从上一步剩余集合样本中过滤出差值植被指数取值在160～450范围内的像像元作为目标区域集合3；4d基于以上3个目标区域集合的并集继续计算红绿比值植被指数取值在0.95以上的像元作为最后的筛选结果，即符合变色立木特征的目标像元。5.据权利要求3所述基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，在步骤4中，聚类的具体步骤如下：4A遍历所有目标点全集，从上下左右四个方向寻找K值以内的相邻像元集合，初始K值设为25～30；如果集合结果不为空，则将同一集合内像元分配同一个簇；如果集合为空即认为是单点，则设簇编号为0；4B对于相邻的两点及以上点设置聚类规则，即类别的判别函数，包括范围判别函数和合并规则，输出聚类后的簇中心；范围判别函数的定义方法使用KNN；合并规则定义如下：判断两个聚类集合中的元素是否存在交集，如果存在则将其合并成为一个新的簇；计算每一个簇成员的K值范围内的邻居数，密度最多的点输出为簇中心。6.根据权利要求3所述基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，在步骤4中，去噪的具体步骤如下：首先，根据病树分布特征实施去噪，目的在于去掉非林区的大面积噪点，具体过程如下：基于目标点的分布特征，计算预设面积范围内聚合出的分类数量；若计算出的分类数量大于10，则认为该区域不符合林区内变色立木的分布特征，区域内的目标样本点被视为噪点去除；然后，根据林区背景实施去噪，目的在于避免类似林区边缘产生误判的情况，具体过程如下：以簇为中心放大分类簇边缘，首先，搜索半径R范围内正常绿树所占比例是否大于25％，如果大于则保留该分类簇，否则将此簇内的样本视为噪点；其次，搜索半径R范围内裸土和道路所占比例是否大于10％，如果大于则将该簇内的样本视为噪点。7.根据权利要求1所述基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，在步骤5中，将经过步骤4聚类、去噪后生成的簇中心的经纬度信息输出到SHP文件，并在影像文件中标识出簇中心所在位置。8.根据权利要求1所述基于WV3卫星影像的松林变色立木单株标识方法，其特征在于，在步骤5得到分类识别结果后，采用Kappa系数来进行精度评价：上式中，k为Kappa系数，Kappa系数越大，分类精度越高，po是每一类正确分类的样本数量之和除以总样本数得到的总体分类精度，其中，N是测试样本的总体像元数量，Xi+是第i行的像元总数量，X+i是第i列的像元总数量。

百度查询： 苏州市职业大学 基于WV3卫星影像的松林变色立木单株标识方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD