一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法
【技术领域】
[0001] 本发明属于城市规划领域，特别涉及一种融合多光谱遥感数据和夜间灯光遥感数 据的城市边界提取方法。
【背景技术】
[0002] 城市边界自动提取是实现及时掌握城市扩展范围的关键，而城市扩展范围已成为 城市规划领域内的一个重点关注问题。同时，快速自动的提取城市边界能够减少传统监测 方法的人力物力。然而，当遥感影像的分辨率不够高时，自动提取的方法容易将一些地物误 划入城市边界，因此，中低分辨率遥感影像城市边界提取更具有挑战性。目前较新且效果较 好的城市边界提取方法以借助不透水面或夜间灯光遥感影像提取方法为主。这些方法的主 要思路是:通过选取特征考虑，利用分类器(多数为支持向量机）训练城市区域检测模型并 检测城市区域，从而提取出城市边界。其中从特征考虑，主要有利用多光谱遥感影像光谱特 征和夜间灯光遥感影像（参考文献:Xiao P,Wang X，Feng X，et al .Detecting China's Urban Expansion Over the Past Three Decades Using Nighttime Light Data[J] .IEEE Journal of Selected Topics in Applied Earth Observations&Remote Sensing,2014,7(10) :4095-4106.)两种。由于仅利用光谱特征，很容易将非城市区域的不 透水面误提取出来，从而影响城市边界提取，而仅利用夜间灯光遥感影像，由于其分辨率较 低（lkm)，同样会将非城市区域误提取出来，导致上述两种方法自动提取城市边界的效果不 理想。
【发明内容】
[0003] 本发明提出了一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方 法，其目的在于，解决现有技术未能较快速准确提取城市边界这一问题，通过融合多种数 据，利用多种特征，以达到快速自动提取城市边界，并提高城市边界的准确率，降低误提取 率的效果。
[0004] -种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法，包括以下几 个步骤：
[0005] 步骤1:影像预处理；
[0006] 对同一场景的多光谱遥感影像和夜间灯光遥感影像进行坐标转换，统一转为UTM 投影坐标系；
[0007] 对坐标转换后的夜间灯光遥感影像进行重采样至与坐标转换后的多光谱遥感影 像的空间分辨率相同，获得Landsat图像数据1〇;
[0008] 采用一致的空间分辨率30米，实现多源数据的配准；
[0009] 以使得灯光遥感数据同多光谱遥感影像数据的分辨率一致，便于正负样本提取； [0010]步骤2:自动提取正负训练样本；
[0011] 首先利用Landsat图像数据Ιο提供的光谱信息计算不透水面指数得到初始不透水 面图像h，然后结合坐标转换后的夜间灯光遥感数据提供的初始灯光指数图像1 2,自动提取 正负分类训练样本；
[0012] 所述正负样本的自动提取过程如下：
[0013] A1:对初始不透水面图像进行Otsu阈值分割，得到二值分割后的二值化不透水 面图像13;
[0015] 其中，（i，j)表示图像中的像素坐标，tin为Otsu阈值分割方法自适应选取的分割 阈值；
[0016] A2:对初始灯光指数图像12进行Otsu阈值分割，得到二值分割后的二值化灯光指 数图像14;
[0018] 其中，（i，j)表示图像中的像素坐标，th2S〇tsu阈值分割方法自适应选取的分割 阈值；
[0019] A3:计算二值化灯光图像I冲像素值为1的所有像素在初始灯光指数图像12中对应 像素的像素值的平均值th 3，以及像素值为0的所有像素在初始灯光指数图像12中对应像素 的像素值的平均值th4;
[0020] A4:对二值化不透水面图像13进行格网划分，然后计算各个格网单位所包含像素 对应的不透水面指数平均值 ai和灯光指数平均值a2:
[0021] 如果m 2也:且吧2 th3,则将该网格中的所有像素提取至候选正样本集合p1;
[0022] 如果a2 < th4,则将该网格中的所有像素提取至候选负样本集合N1;
[0023] 考虑了两种数据的各自特征的优势互补，实现自动提取正负样本；
[0024] A5:从候选正样本集合Pi和候选负样本集合Νι中分别随机提取50 %的正负样本构 造最终的正样本集合P2和负样本集合N2;
[0025]步骤3:利用步骤2获得的正负样本进行城市边界提取；
[0026]步骤3.1:首先提取用于描述正负样本的分类特征F = P2(f )+N2(f)，f = {fi，f2，f3, f4};
[0027] 其中，f为影像特征集合，为从Landsat图像数据Io中提取的像素的7维光谱特征， f2为从Landsat图像数据Ιο中提取的像素的2维纹理特征，f3为从初始不透水面图像中提 取的像素的1维的不透水指数特征，f 4为从初始灯光指数图像12中提取的像素的1维的灯光 指数特征，P2为正样本集合中所有像素对应影像中的位置，他为负样本集合中所有像素对应 影像中的位置；
[0028] 然后利用正负样本的分类特征训练SVM分类器，再用训练好的分类器对待分类的 场景的影像特征集合f进行分类，得到城市区域和非城市区域；
[0029]步骤3.2:利用获得的城市区域，进行分类后处理，确定出城市边界；
[0030]所述分类后处理包括对城市区域填充内部空洞以及剔除小图斑操作，其中，剔除 图斑的阈值为3X3像素。
[0031] 分类是以像素为单元的影像特征集合进行处理的，故需要对分类后的像素进行处 理才能得到连续的闭合边界；
[0032] 所述灯光遥感数据的重采样处理是指重采样方法采用三次卷积内插法。
[0033] 所述利用多光谱遥感数据提供的光谱信息计算不透水面指数得到初始不透水面 图像Ιι的步骤如下：
[0034]步骤2.1:遥感影像辐射校正；
[0035]利用ENVI软件，对多光谱遥感影像进行辐射校正，将影像上的DN值转换为反射率； [0036] 步骤2.2:不透水面指数计算；
[0037]采用归一化差值不透水面指数NDISI来提取步骤2中初始不透水面h，该指数计算 公式为：
[0039] 其中，NIR、MIR#PTIR分别为近红外、中红外1和热红外波段的反射率，MNDWI为归 一化水体指数，计算公式为：
[0041 ]其中，Green为绿波段的反射率。
[0042] 通过上述步骤计算得到多光谱遥感影像中对应的各个像素的不透水面指数，从而 得到初始不透水面图像Iu
[0043] 所述对二值化不透水面图像13进行格网划分时，每个格网单元大小为8*8。
[0044]所述f2为从Landsat图像数据Ιο中提取的像素的2维纹理特征是指在3*3窗口内的 均值和方差。
[0045] 有益效果
[0046] 本发明提出了一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方 法，相对于传统方法单独使用不透水面指数提取城区，通过联合使用不透水面指数和夜间 灯光遥感数据中提取的灯光指数可以更为精确地定位城区边界，降低误提取现象。同时，通 过融合较夜间灯光遥感数据（lkm)空间分辨率更高的多光谱遥感数据(30m)，将两者数据特 征同时作为城市区域和非城市区域的区别特征，对近红外、中红外1、热红外波段和MNDWI进 行归一化处理，可以保证提取的城区边界较单独使用夜间灯光遥感数据更为精细。大量实 验结果表明，本发明城市边界正确提取率达到了90%以上，较现有技术提高了近10%，误提 取率低至10%以下，解决了现有技术存在的问题，适用于土地规划、地理国情监测、城市扩 张分析等城市遥感应用。
【附图