一种软硬变化检测的冬小麦遥感识别方法
【专利摘要】本发明提供一种软硬变化检测的冬小麦遥感识别方法，包括步骤一、获取数据，包括对原始影像进行数据标准化预处理和目视解译两种方法；步骤二、针对两期遥感影像提取进行差值计算，得到差值图像；步骤三、从两期遥感影像及其差值图像进行对比分析，整个区域从T1到T2时期光谱变化特征确定为5类：水体—＞水体、裸地—＞裸地、植被—＞植被、植被—＞裸地、裸地—＞植被；步骤四、利用扩展支撑向量机方法(extended?support?vector?machine，ESVM)提取出冬小麦的空间分布。本发明针对多时相遥感影像上离散变化(像元内完全发生变化)与连续变化(像元内部分发生变化)是共存的特点，采用软硬变化检测的方法进行冬小麦的识别，采用ESVM划分出冬小麦突变区、冬小麦渐变区和非冬小麦区，将冬小麦突变区、冬小麦渐变区两个区域合并在一起，生成冬小麦的空间分布图。
【专利说明】一种软硬变化检测的冬小麦遥感识别方法
【【技术领域】】
[0001]本发明涉及导航遥感领域，特别是一种软硬变化检测的冬小麦遥感识别方法。【【背景技术】】
[0002]冬小麦是我国主要的粮食作物之一，分布范围较广，其播种面积占粮食作物播种面积的I / 5，在国家粮食安全中具有重要的地位。及时、准确地获取作物播种面积信息，特别是冬小麦，对于制定国家/区域农业经济发展规划、指导种植业结构调整，提高农业生产管理水平具有重要的意义。
[0003]遥感技术具有覆盖范围广、探测周期短的特点，为农作物准确识别提供重要的技术支撑。目前，利用遥感技术进行作物识别的方法包括两大类:单时相遥感影像识别、多时相遥感变化检测。单时相遥感影像识别是利用作物生长季关键期的单期遥感影像，采用不同的分类方法，如硬分类方法(包括神经网络、决策树分类、支持向量机等)、软分类方法(包括线性模型、概率模型、随机几何模型、模糊分析模型等)等，进行分类获取作物的空间分布信息；或通过单期遥感影像提取某种关键指标，如绿度剖面特征、植被指数、叶面积指数等，设定阈值进行作物信息的提取。由于同期作物存在光谱相混的问题，作物识别会造成大量的混分现象，识别精度难以保证。农作物生长具有短时间内土地覆盖变化强烈的特征，这种短时期内的迹象变化与自然植被的周期性季节性变化形成了较大的反差。因此，利用多期遥感影像进行作物识别，能够利用短期内作物的光谱变化，定量刻画出作物的生长物候特征并进行作物识别，消除作物相混的问题，提高作物的识别精度。 [0004]根据作物在不同生长期内表现出的光谱差异特性，适合用多时相土地覆盖变化检测方法进行作物的识别。目前，从识别结果来看，变化检测方法进行作物识别主要可分为两类:硬变化检测方法(Hard Land Use / Cover Change Detection Method, HLUCD)和软检测方法(Soft Land Use / Cover Change Detection Method, SLUCD)。其中，HLUCD 方法能够将检测结果以离散方式的土地覆盖表达变化和非变化信息，从而提取出作物的空间分布，如代数运算法、转换法、分类法。从当前的研究来看，HLUCD方法作为常用的遥感变化检测作物识别方法，其优势在于能够利用作物的物候生长特征准确进行作物的识别，但该方法由于受到混合像元、光谱不确定性等诸多因素影响，不适合对复杂地物和微弱变化区域进行描述。SLUCD方法是用[0，1]之间的连续变化概率图进行土地覆盖变化信息提取，可以检测微小的土地覆盖变化信息，从而得到研究目标像元内的丰度，较HLUCD方法能够提供更加丰富的信息。目前SLUCD的相关研究已取得一定进展，主要包括:阈值划分法、模糊混合矩阵法、基于对象的划分法和基于时间的变化检测方法。以上SLUCD方法多用于土地覆盖、森林、沙漠、生物交错带等方面的研究，且多应用于长时间跨度的地物研究。SLUCD方法适合于中、低分辨率影像混合像元的变化识别，反映出地物的连续变化特征，得到作物的丰度信息，但该方法在纯净区域的识别受到光谱不稳定性因素(由大气、土壤等)影响，导致混入一些其它地物组分，造成识别误差。【
【发明内容】
】
[0005]本发明针对多期遥感影像上离散变化(像元内完全发生变化)与连续变化(像元内部分发生变化)是共存的问题，综合软、硬变化检测方法各自的优势，针对短时间尺度的农作物识别提出了一种二者相结合的冬小麦识别方法——软硬变化遥感检测冬小麦识别方法(Soft and Hard Land Use / Cover Detection Method, SHLUCD),在两期影像上选择土地覆盖变化分类样本，利用扩展支撑向量机(extended support vector machine,ESVM)，划分出冬小麦突变区、冬小麦渐变区、非冬小麦区，冬小麦突变区、冬小麦渐变区两个区域镶嵌，形成冬小麦的识别区域，提高冬小麦遥感识别精度。
[0006]本发明提出的基于软硬变化遥感检测冬小麦识别方法，包括以下步骤:
[0007]步骤一、获取数据，包括对原始影像进行数据标准化预处理和目视解译两种方法;
[0008]步骤二、针对两期遥感影像提取进行差值计算，得到差值图像；
[0009]步骤三、从两期遥感影像及其差值图像进行对比分析，整个区域从T1到T2时期光谱变化特征确定为5类:水体一> 水体、裸地一>裸地、植被一>植被、植被一>裸地、裸地一>植被；
[0010]步骤四、利用扩展支撑向量机方法(ESVM)提取出划分出冬小麦突变区、冬小麦渐变区、非冬小麦区。
[0011]步骤五、冬小麦突变区与冬小麦渐变区拼接，得到冬小麦的空间分布。
[0012]优选的，上述步骤一利用公式(I)对多期遥感影像进行差值计算，得到冬小麦的变化程度，具体为:
【权利要求】
1.一种软硬变化检测的冬小麦遥感识别方法，其特征在于:包括以下步骤: 步骤一、针对两期遥感影像提取进行差值计算，得到差值图像； 步骤二、对两期遥感影像及其差值图像进行对比分析，整个区域从T1到T2时期光谱变化特征确定为5类:水体一>水体、裸地一>裸地、植被一>植被、植被一>裸地、裸地一>植被； 步骤三、利用扩展支撑向量机方法(ESVM)划分出冬小麦突变区、冬小麦渐变区、非冬小麦区； 步骤四、将冬小麦突变区、冬小麦渐变区两个区域拼接在一起，生成冬小麦的空间分布图。
2.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于:所述步骤一具体是进行多期遥感影像之间进行差值计算，反映冬小麦的变化程度，具体为:DN'= DNt2 -DNti(1) 其中，DNt2表示T2时期遥感影像各波段的DN值；DNT1表示T1时期遥感影像各波段的DN值。
3.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于:所述步骤二根据图像上反映地物在不同时期影像光谱之间的变化信息，建立地表土地覆盖变化的识别体系，目视选择土地覆盖变化样本。
4.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于:所述步骤三根据ESVM利用公式(2)确定超平面，将整幅遥感影像划分出冬小麦突变区、冬小麦渐变区、非冬小麦区。
当 f(x) ≥ 1
X e A 则 β x (A)=1, β χ (B) =O ； 当 f(x) ≤-1 χ e BJU βχ(Α)=0，βχ(Β)=1 ; (2)
当-1 < f (χ)<1 χ e {A，B}，则/?⑷=|(/(x) + l),A(5)=|(l-/W) 其中，f(x)为转换的丰度值，βχθν)表示冬小麦的丰度值，βχ(Β)表示非作物的丰度值;Α、B分别代表作物和非作物类型。
5.根据权利要求1所述的基于软硬变化检测的冬小麦识别方法，其特征在于:所述步骤四将冬小麦突变区、冬小麦渐变区按照拼接的方式，生成冬小麦的空间分布图。
【文档编号】G06K9/00GK103927558SQ201310656333
【公开日】2014年7月16日 申请日期:2013年12月9日 优先权日:2013年12月9日
【发明者】张锦水, 朱爽, 谢登峰, 潘耀忠, 孙佩军 申请人:北京师范大学