一种基于对象的遥感图像水体提取方法与流程

本专利申请涉及遥感图像处理领域，特别涉及一种基于对象的遥感图像水体提取方法。
背景技术：
：随着遥感技术的进一步发展，通过对遥感影像的分析进而实现水体信息的精确提取对于水资源管理、旱涝预警、凌汛监测等具有重要的意义。高分辨率遥感图像的产生与应用对于进一步的遥感监测研究十分关键，但是也对传统的遥感图像分析方法提出了更高的要求。遥感图像分析的目的就是通过图像分割、分类、识别、检测和测量等方法和手段分析图像中的目标以及获取该目标的相关参数，从中提取关键地物信息。虽然遥感图像分析方法经过了长时间的研究，但由于遥感图像自身存在的诸多不确定性、地物自身的复杂性以及认知科学的相关研究尚未成熟，传统的基于像素的遥感图像分析方法很难突破瓶颈。为了解决上述的关键问题，同时随着机器学习方法的发展与应用，大量研究人员希望通过机器学习的方式，构造算法与模型，进一步的提高遥感影像地物信息的提取精度。支持向量机(svm)的方法作为代表性的机器学习算法，在构造基于对象的遥感图像地物信息提取模型时具有较好的效果。然而，更进一步的优化svm参数提高模型效率仍旧是一个需要深入研究的领域。技术实现要素：发明目的：本发明提出一种基于对象的遥感图像水体提取方法，能克服基于像素的方法存在的鲁棒性差、高维特征描述困难等问题。技术方案：本发明所述的一种基于对象的遥感图像水体提取方法，包括以下步骤：(1)对预先获取的原始遥感图像进行预处理，获取各波段地物反射率和灰度值；(2)基于对象特征的选择，构建对象特征空间，并将特征数据集随机划分为训练集与测试集；(3)采用添加变异算子的粒子群优化算法对预先构建的基于支持向量机的水体提取模型进行优化，同时通过适应度来确定每一次寻找到的参数组合是否为全局最优，如果是，输出最优参数组合；否则通过变异操作，继续迭代直到找到全局最优解。步骤(2)所述的对象特征主要包括波段1-4光谱信息、归一化水体差异指数、纹理信息熵数值。步骤(2)所述特征数据集主要包括每个对象包含的像素数量，对象的特征阈值。所述步骤(2)包括以下步骤：(21)根据地物光谱选择高分1号遥感图像波段1、波段2、波段3、波段4、归一化水体差异指数以及灰度共生矩阵的纹理特征，作为对象的6个特征属性；(22)分别计算每个像元的6个属性的属性值，以此6个属性方向向量的合成向量区分水体与非水体；(23)将特征数据集划分为训练集和测试集。所述步骤(3)包括以下步骤：(31)选取具有较宽收敛性且不受维数严格限制的径向基函数作为分类依据函数；(32)初始化粒子，粒子内容包含惩罚参数和和函数参数两部分；(33)为解决早熟收敛和迭代效率不高导致的参数寻优差的缺陷，定义群体适应度方差σ2：根据定义，群体适应度方差反映所有粒子的收敛程度，其值越小越趋于收敛，反之则进行随机搜索；结合全局极值f(pg)和理论极值fd，通过和f(pg)≥fd判别收敛，其中svm分类精确度作为粒子的适应度函数fi为粒子的适应度，favg为所有粒子当前的平均适应度；当出现早熟收敛时，全局极值一定是局部最优解，此时通过变异操作来改变栗子前进方向后，让粒子进入其他区域进行搜索，不断寻找新的局部和全局极值，循环往复，直至寻找到全局最优解，其中，定义变异操作为一个增加随机扰动的方法：其中为全局极值在第k维的取值，η是一个服从(0,1)高斯分布的随机变量。有益效果：与现有技术相比，本发明的有益效果：1、根据多维特征空间构建对象的分类提取模型，相比于基于像素的方法(以光谱指数法为主)，水体信息提取结果精度大幅上升；2、采用结构简单收敛速度快的自适应变异粒子群算法改进基于svm的水体信息提取模型，在时间成本上更加节约且分类精度也有一定提高。附图说明图1为本发明的流程图。具体实施方式下面结合附图对本发明作进一步详细说明。如图1所示，本发明所述的一种基于对象的遥感图像水体提取方法，包括以下步骤：1、获取原始遥感图像并进行图像预处理，对原始遥感图像进行绝对辐射定标与大气校正之后，获取各波段地物反射率和灰度值。在本实施方式中，所述水体提取方法主要应用于在有效避免山体阴影等噪声干扰的条件下，精确快速的提取具有水体特征的区域。具体地，在步骤1中包括如下步骤：(1)实验采用数据为高分1号陆地资源卫星16m精度多光谱宽幅高分辨率遥感图像，相较于landsat、googleeyes，具有影像获取时间快监测范围广，对于短时间间隔的变化监测具有重要意义，同时四波段光谱特征已满足研究和应用需求。(2)由于原始遥感图像尺寸过大，剪裁为若干含水体区域图像作实验研究且无需同一尺度大小；(3)针对获取时间进行特定的绝对辐射定标参数设定和大气校正模型，处理过程通过envi5.3实现；(4)预处理后，输出得到地物反射率和灰度值。2、构造对象，主要包括对象特征的选择，在本专利中采用波段1-4光谱信息、归一化水体差异指数(ndwi)和纹理特征共计6个特征构建对象特征空间，并将数据集划分为训练集与测试集。根据地物光谱选择高分1号遥感图像波段1、波段2、波段3、波段4、归一化水体差异指数以及灰度共生矩阵的纹理特征，作为对象的6个特征属性，根据步骤s1的预处理，分别计算每个像元的6个属性的属性值，以此6个属性方向向量的合成向量区分水体与非水体。其中归一化水体差异指数计算公式为：band2、band4分别为波段2和波段4地物反射率，其数值在s1步骤中已得出。灰度共生矩阵的纹理特征计算公式为：其中pi,j为矩阵(i,j)点的归一化值，n为矩阵的像素数。3、构建一个基于支持向量机的水体提取模型，并采用自适应变异粒子群算法对支持向量机算法中的参数(惩罚参数和核函数参数)进行优化，通过适应度函数来确定每一次寻找到的参数组合是否为全局最优，如果是，输出最优参数组合；否则继续迭代直到找到全局最优解，具体地，包括如下步骤：(1)确定选取具有较宽收敛性且不受维数严格限制的rbf核函数作为分类依据函数；(2)初始化粒子，粒子内容包含惩罚参数和和函数参数两部分；(3)为解决早熟收敛和迭代效率不高导致的参数寻优差的缺陷，定义群体适应度方差σ2：来反映所有粒子的收敛程度，其值越小越趋于收敛，反之则进行随机搜索。结合全局极值f(pg)和理论极值fd，通过和f(pg)≥fd作为收敛判别条件，其中适应度函数由svm分类精确度决定，fi为粒子的适应度，favg为所有粒子当前的平均适应度。因此，当出现早熟收敛时，全局极值一定是局部最优解，此时通过变异操作来改变粒子前进方向后，让粒子进入其他区域进行搜索，不断寻找新的局部和全局极值，循环往复，直至寻找到全局最优解。其中，定义变异操作为一个增加随机扰动的方法：其中为全局极值在第k维的取值，η是一个服从(0,1)高斯分布的随机变量。通过以上算法获取全局最优解，即粒子所在位置的两个部分参数数值，作为最终获取的最优svm输入参数组合。将获得的最优svm参数组合输入模型并对测试集和完整待提取图像数据进行实验验证，获取水体信息提取结果矢量图(在图像中区分水体与非水体部分)，并采用计算分类精度(kappa系数)作为水体提取结果的量化指标。在本实施方式中，通过自适应变异离子群优化算法迭代寻找得到最优解后，通过输入任意一张或多张遥感图像，通过处理后输出的图像是非水体与水体两大向量的矢量图，以颜色及边界轮廓区分。表1精度对比方法knnpcasvmpso-svm本发明方法生产精度90.51％91.45％90.97％93.78％94.21％用户精度94.13％89.72％95.58％94.01％95.33％全局精度91.80％90.33％91.93％94.18％94.87％kappa系数0.86310.83560.86580.90790.9135表1为采用不同算法基于宁蒙河段的一部分黄河河道遥感图像水体提取，实验结果表明，相比于其他基于对象的方法，基于svm的方法表现出较高的精度以及kappa系数，与此同时，优化后的svm具有更优的结果。相比于基于粒子群优化的svm方法，本文所提方法在精度方面也具备一定程度的提高。当前第1页12