h4;
[0115] ④对二值化不透水面图像13进行格网划分(每个格网单元大小为8*8)，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，如果ai 2 tin 且a22th3,则将该网格中的所有像素提取至正样本集合P。如果a2<th 4,则将该网格中的所 有像素提取至负样本集合N。
[0116]⑤从候选正样本集合丹和候选负样本集合见中分别随机提取50%的正负样本构造 最终的正样本集合p2和负样本集合N2;
[0117] 提取正样本结果如图2(e)所示，提取负样本结果如图2(f)所示。
[0118] (4)城区边界提取
[0119]①首先提取用于描述正负样本的分类特征F = P2(f)+N2(f )，f={fl，f2，f3，f4};
[0120]其中，f为影像特征集合，fi为从Landsat图像数据Ιο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；
[0121]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；
[0122] ②利用获得的城市区域，进行分类后处理，填充内部空洞，剔除小图斑，确定出城 市边界，如图2(g)所示。
[0123] 实施例2:过程示意图见图3。
[0124] 其处理步骤和实施例1相同，最终结果图如图3(g)所示。
[0125] 实施例1和实施例2的检测结果均由实线标出在图中。
[0126] 由此可见，本发明整体检测效果理想。此外，将现有技术(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 ·)的检测结果（图2(h)、图3 (h))和本发明结果（图2(g)、图3(g))作对比，通过统计正确率、错误率及kappa系数，比较分 析本发明同现有技术的优势，统计结果见下表：
[0127] 实施例1统计结果
[0129]实施例2统计结果
[0131]综合以上分析，本发明方法在正确率、错误率及Kappa系数上都要优于现有技术方 法，说明本发明方法的可行性。
【主权项】
1. 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，其特征在于， 包括W下几个步骤： 步骤1:影像预处理； 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； 将坐标转换后的夜间灯光遥感影像重采样至与坐标转换后的多光谱遥感影像相同的 空间分辨率，获得Landsat图像数据10; 步骤2:自动提取正负训练样本； 首先利用Landsat图像数据1〇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II，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12,自动提取正负 分类训练样本. 所述正负样本的自动提取过程如下： A1:对初始不透水面图像Ii进行化SU阔值分割，得到二值分割后的二值化不透水面图像 13;其中，（i，j)表示图像中的像素坐标，thi为化SU阔值分割方法自适应选取的分割阔值； A2:对初始灯光指数图像12进行化SU阔值分割，得到二值分割后的二值化灯光指数图像 14；其中，（i，j)表示图像中的像素坐标，th2为化SU阔值分割方法自适应选取的分割阔值； A3:计算二值化灯光图像^中像素值为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th3，W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; A4:对二值化不透水面图像l3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32 : 如果ai含thl且曰2含th3，则将该网格中的所有像素提取至候选正样本集合Pi; 如果曰2含th4,则将该网格中的所有像素提取至候选负样本集合化； A5:从候选正样本集合Pi和候选负样本集合化中分别随机提取50 %的正负样本构造最 终的正样本集合P2和负样本集合化； 步骤3:利用步骤2获得的正负样本进行城市边界提取； 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={fl，f2，f3，f4}; 其中，f为影像特征集合，fi为从Landsat图像数据Ιο中提取的像素的7维光谱特征，f2为 从Landsat图像数据1〇中提取的像素的2维纹理特征，f3为从初始不透水面图像Ii中提取的 像素的1维的不透水指数特征，f4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，化为负样本集合中所有像素对应影像 中的位置； 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； 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； 所述分类后处理包括对城市区域填充内部空桐W及剔除小图斑操作，其中，剔除图斑 的阔值为3X3像素。2. 根据权利要求1所述的方法，其特征在于，所述灯光遥感数据的重采样处理是指重采 样方法采用Ξ次卷积内插法。3. 根据权利要求1所述的方法，其特征在于，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Ii的步骤如下： 步骤2.1:遥感影像福射校正； 利用ENVI软件，对Landsat图像数据1〇进行福射校正，将影像上的DN值转换为反射率； 步骤2.2:不透水面指数计算； 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II，该指数计算公式 为：其中，NIR、MIRi和TIR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：其中，Green为绿波段的反射率。 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II。4. 根据权利要求1-3任一项所述的方法，其特征在于，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。5. 根据权利要求1-3任一项所述的方法，其特征在于，所述f2为从Landsat图像数据1〇中 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。
【专利摘要】本发明公开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，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空间分辨率更高的多光谱遥感数据，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，保证了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。
【IPC分类】G06K9/00
【公开号】CN105701483
【申请号】CN201610113115
【发明人】陶超, 柯文聪, 邹滨, 马进龙, 刘莹, 邹峥嵘
【申请人】中南大学
【公开日】2016年6月22日
【申请日】2016年2月29日