一种遥感图像城区提取方法
【专利摘要】一种遥感图像城区提取方法，包括：S1，针对ASTER VNIR卫星遥感图像及其衍生产品高程数据以及PALSAR HH/HV卫星遥感图像样本，进行特征提取；S2，基于城区和非城区的光谱特性，进行显著城区和非城区点提取；S3，以显著城区和非城区点为初始信息，结合待分类数据的特征分布特性，通过LLGC方法进行置信度扩散，获得城区置信图；S4，获得整个遥感图像的置信度，以此加权进行随机采样，生成训练样本；S5，基于SVM进行城区分类：以步骤S1中所提取的特征矢量和步骤S4中提取的样本数据为基础，通过SVM方法进行分类，根据分类标签获得二值化的城区地图。本方法解决了现有技术中人工采样的高成本、高耗时等问题。
【专利说明】一种遥感图像城区提取方法
【技术领域】
[0001] 本发明涉及遥感图像处理技术，更具体地，涉及一种遥感图像城区提取方法。
【背景技术】
[0002] 全球人口中，城市人口的比率持续增长。目前已有超过一半的人口居住于城区中。 城市化的相关研究在城市规划、社会形态分析、环境变化、灾害控制等方面有着重要影响。 城区的地理相关信息一般由行政单位掌握，但有一定的局限性，包括如下：
[0003] -各国之间关于"城区"的定义存在差异；
[0004] _对城区的动态变化描述较为滞后；
[0005] -城区信息共享不易；
[0006] -发展中国家精确城区信息获取不易。
[0007] 当前对城区地图的分析中，基于遥感图像的城区地图分析成为城市化相关研究的 一种主流方式。遥感分析方法基于城区的多光谱特性进行分析，以获取高分辨率城区地图。 它不依赖于行政区划定义，在不同国家、地域间仍能保持一致性，有利于进行全球城市化相 关分析。
[0008] 但是，当前面临的问题是，不同气候带的城区在多光谱特性上往往差异较大，图 1-3显示了三个不同城市的ASTER(bl?b3)光谱伪彩数据，图中圆圈中的区域大致代表城 区。从图中可以看出城区的颜色分布特性在三幅图中差异较大，非城区亦是如此。
[0009] 针对该问题，监督分类方法是当前基于遥感图像的城区识别的主流方法。该方法 通过手工选取图像范围内的城区像素点和非城区像素点作为训练样本，而后通过监督分类 方法（如支持向量机SVM、人工神经网络、决策树等），学习城区/非城区的光谱特性并建 立模型，而后对遥感数据进行分类获取城区地图。图4显示了一个训练样本采集示意图， 该图来自文献宫崎等人的"通过结合ASTER卫星图像和GIS数据来进行地球城区测绘的自 动方法，'（Miyazaki et al. , An Automated Method for Global Urban Area Mapping by Integrating ASTER Satellite Images and GIS Data),该图表不了用于研发地面实况数 据集的可视化解读。根据该图，通过特定的人机交互界面，由研究人员手工选取样本点。
[0010] 一般而言，基于监督分类方法的多光谱遥感图像城区地图处理流程如下：
[0011] (1)从多光谱图像中提取特征矢量
[0012] 多光谱图像一般由多光谱遥感图像数据集表示，例如表示为：
[0013] {Imgb}，b = 1，2, ? ? ?，B，B 为波段总数
[0014] 对于图像中的像素点i，通过各种方法提取相关特征，生成特征矢量月。
[0015] (2)通过训练样本对城区分类模型进行学习
[0016] 对于监督分类方法，需已知训练样本集：
[0017] {巧為} ,./ = 1，2,".，A/，L为样本点的所属类别标签（Label)
[0018] (3)将学习后的模型应用于整幅图像，获取每个像素的类别标签（城区/非城 区），从而得到城区二值化的城区地图。
[0019] 对于城区分类问题，L的值域为集合{-1，1}。取值为1代表城区，-1代表非城区。
[0020] 上述方法存在如下问题：
[0021] ?训练样本的获取费时费力
[0022] 该方法需要对遥感图像有着丰富处理经验的研究人员来手工操作，逐点选取。而 且，由于不同地域城区光谱特性的变化，样本点一般只适用当前图像以及邻近区域。
[0023] ?对于全球性的城区分析，需要对各个城区地点进行采样，人力物力消耗巨大，成 本闻昂。
【发明内容】
[0024] 针对现有技术中存在的问题，本发明提出一种新的遥感图像城区提取方法，包括： SI)，针对ASTER VNIR卫星遥感图像及其衍生产品高程数据、以及PALSAR卫星遥感图像的 样本，进行特征提取；S2)，基于城区和非城区的光谱特性先验知识，进行显著城区和非城区 点提取；S3)，以这部分显著城区和非城区点作为初始信息，结合待分类数据的特征分布特 性，通过LLGC方法，进行置信度扩散，获得城区置信图；S4)，获得整个遥感图像的置信度 后，以此加权进行随机采样，生成训练样本；S5)，基于SVM进行城区分类，包括：以步骤Sl 中所提取的特征矢量，和步骤S4中提取的样本数据为基础，通过传统的SVM方法进行分类， 根据分类标签获得二值化的城区地图。
[0025] 本发明的方法是一种自适应的遥感图像城区提取方法。其基于遥感图像中城区的 光谱基本信息，结合待分类数据的光谱分布特性，通过置信度扩散的方式，实现训练样本的 自动选取，然后基于生成的训练样本，通过监督分类方法中的支持向量机SVM方法，对遥感 数据进行分类，生成城区地图。
【专利附图】
【附图说明】
[0026] 图1-3显示了三个不同城市的ASTER(bl?b3)光谱伪彩数据；
[0027] 图4显示了一个训练样本采集示意图；
[0028] 图5-6为本发明的方法的流程图；
[0029] 图7为本发明的方法的实验结果图。
【具体实施方式】
[0030] 本发明的方法的处理流程如图5-6所示。本发明的方法综合使用两种类型的遥感 数据：
[0031] ASTER(先进星载热福射和反射测量仪，Advanced Spaceborne Thermal Emission and Reflection Radiometer)中 VNIR(可见光和近红外福射计，visible and near-infrared radiometer)所获取卫星遥感图像的4个波段，分别记为Asterbl? Asterb4,频谱范围分别为 0? 52-0. 60 u m、0. 63-0. 69 u m、0. 76-0. 86 u m (nadir view)、 0.76-0. 86 iim(backward scan),以及相关衍生产品高程数据（slope data,记为 slope); 以及
[0032] PALSAR (L 波段相控阵合成孔径雷达，Phased Array L-band Synthetic Aperture Radar)HH、HV卫星遥感图像（2波段，记为记为hh、hv)，以及对入射角进行校正处理后的HH 波段数据（记为hhc J。
[0033] 参考图6,在步骤S1，针对ASTER VNIR卫星遥感图像及其衍生产品高程数据、以及 PALSAR HH/HV卫星遥感图像的样本，进行特征提取。
[0034] 在本发明中，一共计算和使用了 12个特征，其中原始的8类输入数据（Asterbl? AsterbPslopejKhvjhcxJ也是特征的一部分，这是8个特征。除原始输入数据外，本发 明中还使用额外4种特征：NDVI (归一化植被指数，Normalized Difference Vegetation Index)、NDWI (归一化水指数，Normalized Difference Water Index)、hhsub 和 hhent。其中， NDVI和NDWI是两种通用的特征，适用于区分植被和水体，均根据ASTER VNIR卫星遥感图像 数据Asterbl?Asterb4计算得到。hhsub根据PALSAR HH卫星遥感图像数据hh和hheOT计算 得到，hhsub对区分山脉（非城区）有一定的效果。hhent根据PALSAR HH卫星遥感图像数据 hh计算得到，hhent用于描述纹理信息的丰富程度，一般显著非城区部分的纹理信息都较少。 这4种特征的计算方法如公式（1)-(4):
【权利要求】
1. 一种遥感图像城区提取方法，其特征在于，包括： 51) ，针对ASTER VNIR卫星遥感图像及其衍生产品高程数据、以及PALSAR HH、HV卫星 遥感图像的样本，进行特征提取； 52) ，针对ASTER VNIR卫星遥感图像以及PALSAR HH卫星遥感图像，基于城区和非城区 的光谱特性，进行显著城区和非城区点提取； 53) ，以这部分显著城区和非城区点作为初始信息，结合待分类数据的特征分布特性， 通过LLGC方法，进行置信度扩散，获得城区置信图； 54) ，获得整个遥感图像的置信度后，以此加权进行随机采样，生成训练样本； 55) ，基于SVM进行城区分类，包括：以步骤S1中所提取的特征矢量，和步骤S4中提取 的样本数据为基础，通过传统的SVM方法进行分类，根据分类标签获得二值化的城区地图。
2. 根据权利要求1所述的遥感图像城区提取方法，其特征在于，在步骤S1中，提取的特 征包括：输入数据 Asterbl ?Asterb4、slope、hh、hv、hhCOT、NDVI、NDWI、hhsub 和 hhent，其中， Asterbl?Asterb4表示ASTER VNIR卫星遥感图像的4个波段的数据，slope表示ASTER卫 星遥感图像的衍生产品高程数据，hh和hv分别表示PALSAR卫星遥感图像的HH和HV波段 的数据，hheOT表示PALSAR卫星遥感图像的入射角进行校正处理后的HH波段数据，NDVI表 示归一化植被指数，NDWI表示归一化水指数，hhsub根据PALSAR HH卫星遥感图像数据hh和 hhCOT计算得到，用于区分非城区的数据，hhent根据PALSAR HH卫星遥感图像数据hh计算得 至IJ，用于描述纹理信息。
3. 根据权利要求2所述的遥感图像城区提取方法，其特征在于，在步骤S2中，基于计 算卫星遥感图像中的二值化掩码图像，然后同二值化掩码图像的二值形态开闭运算确定显 著城区和非城区点，其中，二值化掩码图像的对比阈值根据该卫星遥感图像的NDVI、DNWI、 hhsub、hh和/或hhent计算得到。
4. 根据权利要求1所述的遥感图像城区提取方法，其特征在于，步骤S3还包括： 1) 将ASTER VNIR卫星遥感图像的3个波段Asterbl?ASterbd^图像被作为聚类特征 并被合并为一个彩色图像Asteivgb ; 2) 基于LLGC方法，以显著城区/非城区点作为初值，基于特征矢量两两之间的相似性 构建扩散强度准则，将城区/非城区的置信度信息扩散至未分类数据的特征空间中。
5. 根据权利要求1所述的遥感图像城区提取方法，其特征在于，步骤S3还包括： 1) 将图像Aster#进行量化变换，变为索引图像，设定最大颜色索引数量M低于原样本 数量N ; 2) 针对变换后的具有新样本数量的新样本集，标记具有相同颜色索引的像素为是同一 个样本； 3) 对新样本集，基于特征矢量两两之间的相似性构建扩散强度准则，基于LLGC方法， 将城区/非城区的置信度信息扩散至未分类数据的特征空间中。
6. 根据权利要求1所述的遥感图像城区提取方法，其特征在于，步骤S4还包括： 5401) ，对每个像素的城区和非城区的置信度Cu、Cnu归一化； 5402) ，对于城区，选取Cu大于第一阈值的像素作为候选集，然后米用随机米样方法，以 Cu作为权重，选取城区训练样本； 5403) ，对于非城区，选取Cnu大于第二鱼子的像素作为候选集，然后以Cnu作为权重，获 取非城区训练样本。
7. 根据权利要求6所述的遥感图像城区提取方法，其特征在于，在步骤S401中，使得置 信度Cu、Cnu两项之和为1，在步骤S402和S403中，所述第一阈值和第二阈值设为0. 5。
8. 根据权利要求1所述的遥感图像城区提取方法，其特征在于，在步骤S5中：所用到 的 10 类特征为 Asterbl ?Asterb4、slope、NDVI、NDWI、hh、hv 和 hhent。
【文档编号】G06K9/62GK104331698SQ201410662642
【公开日】2015年2月4日 申请日期:2014年11月19日 优先权日:2014年11月19日
【发明者】唐华俊, 邵肖伟, 周清波, 史云, 杨鹏, 吴文斌 申请人:中国农业科学院农业资源与农业区划研究所