一种基于多光谱遥感影像的互花米草识别方法及系统与流程

1.本发明涉及遥感信息处理技术领域，尤其涉及一种基于多光谱遥感影像的互花米草识别方法及系统。


背景技术：

2.滨海盐沼是处于海洋和陆地两大生态系统过渡地带，被海水周期性淹没，具有较高草本或低矮灌木植被覆盖度的一种湿地生态系统。互花米草在2003年被国家环保部列为首批16种外来入侵物种名单，是名单中唯一的海岸带盐沼植物。互花米草自1979年引入我国以来，在全国海岸带被广泛种植，后经自然扩散，分布已遍及我国温带和亚热带海滨地区。随着互花米草种群面积的不断增长，互花米草虽然在促淤造陆、保滩护岸等方面有一定作用，但也带来了诸如生物多样性的降低及生态系统的退化、生物群落结构的改变等严重的生态问题，影响滨海湿地的自然环境、生态过程和经济发展，威胁区域生物安全和生态系统稳定。特别的，互花米草极强的适应能力使其在亚热带海岸带地区与红树林竞争生存空间，造成红树林生境土壤退化等诸多生态问题。
3.常用的互花米草遥感提取方法包括目视解译、计算机自动分类方法。其中，目视解译是应用高空间分辨率遥感影像识别入侵植物分布范围最简单直观的方法，但依赖工作人员的解译经验，受主观因素的影响较大。计算机自动分类方法，如面向对象分类法，常被应用于高空间分辨率遥感影像地物信息的自动提取。面向对象分类法，需人工设置多尺度分割参数，影响方法的自动化程度，且参数设置对分割结果的影响较大。另外，互花米草和红树林的光谱特征相似，因此，亚热带海岸带地区互花米草与红树林混生的复杂环境为互花米草的遥感识别技术带来较大的挑战。


技术实现要素：

4.为了解决上述技术问题，本发明的目的是提供一种基于多光谱遥感影像的互花米草识别方法及系统，在提高互花米草提取的自动化程度的同时也减少了分类样本提取的工作量。
5.本发明所采用的第一技术方案是：一种基于多光谱遥感影像的互花米草识别方法，包括以下步骤：
6.获取高空间分辨率多光谱遥感影像数据集并进行数据预处理，得到预处理后的遥感影像数据集；
7.对预处理后的遥感影像数据集依次进行光谱分析和波段选择处理，得到互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集；
8.对互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集依次进行归一化植被指数计算处理和阈值分割处理，得到第一互花米草分布图；
9.通过支持向量机分类算法对互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集进行分类处理，得到第二互花米草分布图；
10.对第一互花米草分布图和第二互花米草分布图依次进行矢量化处理和相交处理，得到互花米草识别结果。
11.进一步，所述获取高空间分辨率多光谱遥感影像数据集并进行数据预处理，得到预处理后的遥感影像数据集这一步骤，其具体包括：
12.通过光学卫星的多光谱传感器对待识别区域进行多光谱遥感数据的拍摄，得到高空间分辨率多光谱遥感影像数据；
13.对高空间分辨率多光谱遥感影像数据进行校正处理，得到校正后的遥感影像数据集；
14.所述校正处理包括辐射定标，大气校正和正射校正；
15.通过待识别区域的矢量数据对校正后的遥感影像数据集进行裁剪处理，得到预处理后的遥感影像数据集。
16.进一步，所述对预处理后的遥感影像数据集依次进行光谱分析和波段选择处理，得到互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集这一步骤，其具体包括：
17.通过目视解译法对预处理后的遥感影像数据集进行采样处理，得到互花米草与非互花米草的纯净像素样本数据；
18.通过光谱分析方法对互花米草与非互花米草的纯净像素样本数据依次进行光谱分析处理和波段选择处理，得到互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集。
19.进一步，所述对预处理后的遥感影像数据集依次进行归一化植被指数计算处理和阈值分割处理，得到第一互花米草分布图这一步骤，其具体包括：
20.基于预处理后的遥感影像数据集，进行归一化植被指数计算，得到归一化植被指数数据；
21.通过最大类间方差法对归一化植被指数数据进行二值化分割处理，得到植被分布掩模数据；
22.基于归一化植被指数数据和植被分布掩模数据，得到植被分布区域的归一化植被指数数据；
23.通过最大类间方差法对植被分布区域的归一化植被指数数据进行二值化分割，得到第一互花米草分布图。
24.进一步，所述归一化植被指数计算公式如下：
[0025][0026]
上式中，ndvi表示归一化植被指数，ρ
nir
表示近红外波段的反射率，ρ
red
表示红光波段的反射率。
[0027]
进一步，所述支持向量机分类算法的核函数为径向基核函数，其公式如下所示：
[0028]
k(xi,yi)＝exp(-g|x
i-xj|2),g》0
[0029]
上式中，|x
i-xj|2表示空间中两类地物点之间的欧式距离的平方，g表示核函数系数。
[0030]
本发明所采用的第二技术方案是：一种基于多光谱遥感影像的互花米草识别系
统，包括：
[0031]
预处理模块，用于获取高空间分辨率多光谱遥感影像数据集并进行数据预处理，得到预处理后的遥感影像数据集；
[0032]
分析模块，用于对预处理后的遥感影像数据集依次进行光谱分析和波段选择处理，得到互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集；
[0033]
分割模块，用于对预处理后的遥感影像数据集依次进行归一化植被指数计算处理和阈值分割处理，得到第一互花米草分布图；
[0034]
分类模块，用于通过支持向量机分类算法对互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集进行分类处理，得到第二互花米草分布图；
[0035]
相交模块，用于对第一互花米草分布图和第二互花米草分布图依次进行矢量化处理和相交处理，得到互花米草识别结果。
[0036]
本发明方法及系统的有益效果是：本发明基于高空间分辨率多光谱遥感数据，先通过光谱分析挖掘互花米草的光谱特征，再通过最大类间方差法对归一化植被指数数据进行阈值分割处理，得到互花米草的初步提取结果，最后通过支持向量机分类算法对对互花米草与非互花米草的最佳光谱波段组合的遥感数据集进行分类处理，筛选出互花米草的初步提取结果中误分为互花米草的地物，在提高互花米草提取的自动化程度的同时也减少了分类样本提取的工作量。
附图说明
[0037]
图1是本发明一种基于多光谱遥感影像的互花米草识别方法的步骤流程图；
[0038]
图2是本发明一种基于多光谱遥感影像的互花米草识别系统的结构框图；
[0039]
图3是本发明高空间分辨率多光谱遥感影像数据预处理的过程流程图；
[0040]
图4是本发明基于wv-3卫星影像的调查区水体、光滩、红树林、互花米草和藻类样本的反射率折线图；
[0041]
图5是本发明基于wv-3卫星影像的调查区水体、光滩、红树林、互花米草和藻类样本的归一化植被指数的直方图；
[0042]
图6是本发明基于wv-3卫星影像的调查区归一化植被指数分布图；
[0043]
图7是本发明基于wv-3卫星影像的第一次最大类间方差法阈值分割剔除水体和光滩后的归一化植被指数分布图；
[0044]
图8是本发明基于wv-3卫星影像的第二次最大类间方差法阈值分割提取的红树林掩膜分布图；
[0045]
图9是本发明基于wv-3卫星影像的第二次最大类间方差法阈值分割后获得的第一互花米草分布图；
[0046]
图10是本发明调查区2015年wv-3卫星高空间分辨率多光谱的遥感影像图；
[0047]
图11是本发明基于调查区2015年wv-3卫星影像提取的互花米草分布图；
[0048]
图12是本发明调查区2017年wv-2卫星高空间分辨率多光谱的遥感影像图；
[0049]
图13是本发明基于调查区2017年wv-2卫星影像提取的互花米草分布图；
[0050]
图14是本发明使用gis软件将第一互花米草分布图和第二互花米草分布图分别转换成第一互花米草分布矢量和第二互花米草分布矢量的操作界面图；
[0051]
图15是本发明使用gis软件对第一互花米草分布矢量和第二互花米草分布矢量进行相交处理的操作界面图。
具体实施方式
[0052]
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0053]
参照图1，本发明提供了一种基于多光谱遥感影像的互花米草识别方法，该方法包括以下步骤：
[0054]
s1、获取高空间分辨率多光谱遥感影像数据并进行数据预处理，得到预处理后的遥感影像数据集；
[0055]
s11、通过光学卫星的多光谱传感器对待识别区域进行多光谱遥感数据的拍摄，得到高空间分辨率多光谱遥感影像数据；
[0056]
参照图10和图12，本实施例基于worldview-3(wv-3)卫星或者worldview-2(wv-2)卫星对互花米草进行多光谱遥感数据的拍摄；
[0057]
通过wv-3卫星的worldview-110相机对互花米草进行多光谱遥感拍摄，其用于拍摄的相机的光谱波段参数如下表所示：
[0058][0059]
wv-3卫星为美国digitalglobe公司拥有的第四代高分辨率光学卫星，wv-3卫星于2014年8月成功发射，其搭载的worldview-110相机收集1个空间分辨率0.31m的全色波段，8个空间分辨率1.24m的可见光近红外波段以及8个空间分辨率3.7m的短波红外波段数据，本实施例使用该卫星的8个可见光近红外波段开展互花米草的识别；
[0060]
通过wv-2卫星的worldview-110相机对互花米草进行多光谱遥感拍摄，其用于拍摄的相机的光谱波段参数如下表所示：
[0061][0062]
wv-2卫星在2009年10月6日发射升空，其搭载的worldview-110相机能够提供0.46m空间分辨率全色和1.8m空间分辨率多光谱遥感影像。该相机不仅具有4个业内标准谱段，即红、绿、蓝和近红外，还包括海岸蓝、黄、红边和近红外4个波段，本实施例使用该卫星的8个可见光近红外波段开展互花米草的识别；
[0063]
进一步需选择满足一定条件的初始wv-2卫星数据或初始wv-3卫星数据，具体包括：初始遥感影像在预设的云量范围内且覆盖整个待识别区域。例如，在某个红树林自然保护区开展互花米草遥感监测，用于识别互花米草的遥感影像应为覆盖该保护区范围的无云的高空间分辨率多光谱遥感影像。
[0064]
s12、对高空间分辨率多光谱遥感影像数据进行校正处理，得到校正后的遥感影像数据集；
[0065]
s13、所述校正处理包括辐射定标，大气校正和正射校正；
[0066]
具体地，参照图3，采用遥感影像头文件自带的辐射定标系数进行辐射定标，将像元值转化成辐亮度；依据遥感影像文件中自带的卫星运行参数，使用flaash模型对辐射定标后的遥感数据进行大气校正；所述辐射定标计算公式如下：
[0067]
l
λ
＝k
·
dn+c
[0068]
上式中，l
λ
表示波段λ的辐亮度值，k和c分别表示增益和偏移，dn表示每个像素的像元值；
[0069]
采用有理多项式系数文件对多光谱影像进行正射校正。
[0070]
s14、通过待识别区域的矢量数据对校正后的遥感影像数据集进行裁剪处理，得到预处理后的遥感影像数据集；
[0071]
具体地，通过获取已知的待识别区域边角点位置数据，再通过gis软件进行新建并编辑处理，得到所需要的待识别区域的矢量数据，使用待识别区域的矢量数据对校正后的
遥感影像数据集进行裁剪，获得预处理后的遥感影像数据集。
[0072]
s2、对预处理后的遥感影像数据集依次进行光谱分析和波段选择处理，得到互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集；
[0073]
s21、通过目视解译法对预处理后的遥感影像数据集进行采样处理，得到互花米草与非互花米草的纯净像素样本数据；
[0074]
s22、通过光谱分析方法对互花米草与非互花米草的纯净像素样本数据依次进行光谱分析处理和波段选择处理，得到互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集。
[0075]
具体地，参照图4，针对待识别区域的主要地物，随机选择每种地物类型具有代表性的纯净像素样本，例如水体、光滩、红树林、互花米草和附着在光滩上的藻类；使用平均值、标准差、直方图统计等方法，分析不同类型地物在不同光谱波段的遥感反射率差异，甄别互花米草和其他地物类型区分度较高的波段组合；也可使用jm距离筛选互花米草和其他地物具有最好分离性的光谱波段组合。互花米草在红边波段和近红外波段的反射率与其他地物差异明显，可作为区分互花米草与其他地物区分的最佳光谱波段组合；
[0076]
所述jm距离是基于条件概率理论的光谱可分性指标，公式如下所示：
[0077][0078]
上式中，p(x|wi)表示条件概率密度，即第i个像元素属于第ωi类别的几率，j
ij
表示样本间的可分离性；
[0079]
进一步，j
ij
的值在0～2之间，当j
ij
位于0.0～1.0之间时，样本间不具有光谱可分性，当j
ij
位于1.0～1.9之间时，样本间具有一定的光谱可分性，但信息重叠性较大，当j
ij
位于1.9～2.0之间时，样本间具有很好的光谱可分性。
[0080]
s3、对预处理后的遥感影像数据集依次进行归一化植被指数计算处理与阈值分割处理，得到第一互花米草分布图；
[0081]
s31、基于预处理后的遥感影像数据集，进行归一化植被指数计算，得到归一化植被指数数据；
[0082]
具体地，所述归一化植被指数计算公式如下：
[0083][0084]
上式中，ndvi表示归一化植被指数，ρ
nir
表示近红外波段的反射率，ρ
red
表示红光波段的反射率。
[0085]
s32、通过最大类间方差法对归一化植被指数数据进行二值化分割处理，得到植被分布掩模数据；
[0086]
s33、基于归一化植被指数数据和植被分布掩模数据，得到植被分布区域的归一化植被指数数据；
[0087]
s34、通过最大类间方差法对植被分布区域的归一化植被指数数据进行二值化分割，得到第一互花米草分布图；
[0088]
具体地，参照图5、图6、图7、图8和图9，使用最大类间方差法计算待识别区域归一化植被指数数据的二值化阈值，并使用该阈值对归一化植被指数数据进行二值化分割，获
取待识别区域植被分布掩膜数据；使用植被分布掩膜数据和待识别区域归一化植被指数数据获取待识别区域植被分布区的归一化植被指数数据，使用最大类间方差法计算二值化阈值，并使用阈值对植被分布区归一化植被指数数据进行二值化分割，得到第一互花米草分布图。
[0089]
s4、通过支持向量机分类算法对互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集进行分类处理，得到第二互花米草分布图。
[0090]
具体地，选择对互花米草和其他地物区分度较好的波段(即红边波段，近红外1波段和近红外2波段)作为支持向量机分类法的遥感数据的输入波段；
[0091]
选择互花米草样本和非互花米草地物样本开展支持向量机分类，其中非互花米草样本需包含与互花米草光谱特征相似的其他地类；使用支持向量机分类法进行互花米草和非互花米草两类地物进行监督分类，获取剔除其他地类的第二互花米草分布图；其中，支持向量机分类器的核函数设为径向基核函数，核函数系数设为0.333，惩罚因子设为100，所述径向基核函数公式如下所示：
[0092]
k(xi,yi)＝exp(-g|x
i-xj|2),g》0
[0093]
上式中，|x
i-xj|2表示空间中两类地物点之间的欧式距离的平方，g表示核函数系数。
[0094]
s5、对第一互花米草分布图和第二互花米草分布图依次进行矢量化处理和相交处理，得到互花米草识别结果。
[0095]
具体地，参照图11、图13、图14和图15，使用gis软件将第一互花米草分布图和第二互花米草分布图分别转换成第一互花米草分布矢量和第二互花米草分布矢量，再使用gis软件对第一互花米草分布矢量和第二互花米草分布矢量进行相交处理，作为互花米草识别最终结果即为最终互花米草分布数据。
[0096]
参照图2，一种基于多光谱遥感影像的互花米草识别系统，包括：
[0097]
预处理模块，用于获取高空间分辨率多光谱遥感影像数据集并进行数据预处理，得到预处理后的遥感影像数据集；
[0098]
分析模块，用于对预处理后的遥感影像数据集依次进行光谱分析和波段选择处理，得到互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集；
[0099]
分割模块，用于对预处理后的遥感影像数据集依次进行归一化植被指数计算处理和阈值分割处理，得到第一互花米草分布图；
[0100]
分类模块，用于通过支持向量机分类算法对互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集进行分类处理，得到第二互花米草分布图；
[0101]
相交模块，用于对第一互花米草分布图和第二互花米草分布图依次进行矢量化处理和相交处理，得到互花米草识别结果。
[0102]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0103]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。