利用高分辨率遥感影像的高寒山区积雪提取方法与流程

本发明涉及遥感技术领域，具体涉及一种利用高分辨率遥感影像的高寒山区积雪提取方法。

背景技术：

受地形地质及环境保护等因素的制约，传统地理学、气象学的方法较难定量获取高寒山区的积雪数据。随着遥感技术的快速发展，为积雪监测提供了新技术手段。

当前modis数据及其雪盖产品被广泛应用于积雪监测。《利用modis数据判识祁连山区积雪方法研究》(王兴、张强、郭铌等，《干旱气象》2007年6月底25卷第2期)中揭示了利用祁连山区的modis影像，基于归一化差值积雪指数(normalizeddifferencesnowindex，ndsi)指数提取积雪区域。《青藏高原中分辩率亚像元雪填图算法研究》(张洪恩，中国科学院研究生院遥感应用研究所2004年博士论文)中揭示了基于modis数据利用混合分解理论，开发自动的雪填图算法。《基于ndsi-ndvi特征空间的积雪面积反演研究》(陈文倩、丁建丽、孙永猛等，《冰川冻土》2015年8月第38卷第4期)中揭示了将归一化差值植被指数(normalizeddifferencevegetationindex，ndvi)与ndsi指数相结合，建立积雪反演模型，以提高积雪提取精度。

考虑到modis数据的最高空间分辨率只有500m，较难适用精细化的积雪监测，但由于高分辨率影像缺乏经典的积雪指数ndsi所需的短波红外波段，因此传统基于ndsi指数提取积雪的方法并不适用。

发展ndsi的替代指数来进行积雪提取是一种常见的做法。《detectionofspatial,temporal,andspectralsurfacechangesintheny-area79°n,svalbard,usingalowcostmultispectralcameraincombinationwithspectroradiometermeasurements》(hinklerj,jb,hansenbu.，《physics&chemistryoftheearthpartsa/b/c》2003年第28期)中提出了rgbndsi及ndsii指数代替ndsi指数进行积雪识别。《山区复杂地形条件下gf-1卫星遥感雪面反射率计算》(蒋璐媛、肖鹏峰、冯学智等，《南京大学学报(自然科学)》2015年9月第51卷第5期)中提出了在ndsii指数的基础上，构建适用于gf-1号卫星的积雪提取指数，实验表明该指数能有效识别积雪。然而受山区阴影的影响，此类方法常需利用高精度dem进行地形校正，才能有效识别山区积雪。

图像分类的方法是实现高分辨率遥感图像积雪识别的另一类方法。《taylor&francisonline::automaticsnowcovermonitoringathightemporalandspatialresolution,usingimagestakenbyastandarddigitalcamera-internationaljournalofremotesensing》(j.hinkler,s.b.pedersen,m.rasch，《internationaljournalofremotesensing》2012年第23卷第21期)中揭示了利用ikonos影像分析积雪与其它地物类别的光谱差异，进而采用isodata算法提取积雪信息。《supportvectormachine-baseddecisiontreeforsnowcoverextractioninmountainareasusinghighspatialresolutionremotesensingimage》(zhul.，《journalofappliedremotesensing》2014年第8卷第1期)中提到基于zy-3影像提取多个积雪识别特征，利用决策树方法识别天山北麓积雪。《面向对象的卫星影像积雪信息提取》(雍万铃、杨树文、张立峰等，《测绘科学》2016年第41卷第9期)中揭示了利用hj影像采用面向对象的方法提取积雪信息。

由上可知，受制于短波红外波段及高寒山区地形数据的缺乏，利用图像分类的方法是提取高分辨率影像的高寒山区积雪信息的有效方法。再者考虑到利用传统基于像素的方法提取高分辨影像上的积雪区域易出现椒盐现象，且高分辨影像的纹理、几何及空间关系等信息丰富，亟需提供一种高分辨影像高寒山区积雪提取方法来有效消除积雪提取结果中的椒盐现象，从而得到准确连续的积雪区。

技术实现要素：

本发明的目的在于，提供一种利用高分辨率遥感影像的高寒山区积雪提取方法，解决有效消除积雪提取结果中的椒盐现象，得到准确连续的积雪区。

为实现上述目的，本发明所设计的利用高分辨率遥感影像的高寒山区积雪提取方法，包括以下步骤：步骤s1)，利用最优尺度的分形网络演化分割算法对高分辨率遥感影像进行分割，得到高分辨率影像对象；步骤s2)，利用高分辨率影像对象构建高维影像对象特征图；步骤s3)，构建深度置信网络模型；步骤s4)，构建全连接条件随机场模型；步骤s5)，输出积雪提取结果。

作为优选实施方式，所述步骤s1)进一步包括以下步骤：步骤1.1)，从待提取积雪的遥感影像中裁剪出用于确定最优分割尺度的实验区；步骤1.2)，依次设置分割尺度，对实验区影像进行分形网络演化分割，计算每层各个对象的波段平均标准差；步骤1.3)，统计各层对象的波段平均标准差，计算不同尺度层下标准差的变化率；步骤1.4)，取变化率随尺度变化的曲线峰值为最优分割尺度。

作为优选实施方式，在所述步骤1.1)中，从待提取积雪的遥感影像中裁剪出大小为1000像素*1000像素的积雪区域，用作确定该影像最优分割尺度的实验区；在所述步骤1.2)中，以步长3为尺度间隔，依次从0到200设置相应的分割尺度，对实验区影像进行fnea多尺度分割，统计每层分割对象的数目和各对象的波段标准差，并计算每层对象的波段平均标准差sd。

作为优选实施方式，在所述步骤1.3)中，统计各层对象的波段平均标准差sd的值，按照如下公式计算不同尺度层下的sd的变化率roc：

其中，i为对象层号，sd(i)为当前层对象的平均标准差，sd(i-1)为下一层对象的平均对象标准差。

作为优选实施方式，在所述步骤1.5)中，利用确定的积雪提取最优分割尺度，用fnea算法对整幅遥感影像进行多尺度分割得到分割结果。

作为优选实施方式，在所述步骤2)中，提取影像对象的光谱特征、形状特征及纹理特征。

作为优选实施方式，所述步骤s3)进一步包括以下步骤：步骤3.1)，在待提取积雪的高分辨率遥感影像上选取地类样本作为训练样本训练得到最底层rbm模型；步骤3.2)，利用步骤3.1)得到的最底层rbm模型的隐含层作为第1层的可见层，并采用对比散度算法训练得到第1层的rbm模型；步骤3.3)，以第i-1层rbm模型的隐含层作为第i层的可见层，采用对比散度算法训练得到第i层的rbm模型，直到当前层数i达到dbn模型所设定的层数n；步骤3.4)，优化dbn模型参数；步骤3.5)，得到参数优化后的dbn模型。

作为优选实施方式，在所述步骤3.4)中，在dbn模型的最上层添加一个bp神经网络层，利用训练样本对bp神经网络层进行训练，按照逐层向后的方式传播每层训练产生的误差，并采用随机梯度下降法对dbn的参数进行微调；在所述步骤3.5)中，重复bp神经网络层训练直到误差达到设定值或达到最大循环次数，得到参数优化后的dbn模型。

作为优选实施方式，在所述步骤s4)中，利用所述步骤s3)中的dbn模型得到的对象类别概率来定义一阶势函数ψi(oi)：

ψi(oi)＝-in(p^dbn(oi＝k))，

式中，p^dbn(oi＝k)为所述步骤s3)中dbn模型输出的第i个对象oi类别为k时的概率；

利用两种不同的高斯核函数线性组合来定义二阶势函数ψij(oi,oj)

ψij(oi,oj)＝μ(oi,oj)(ω1f1(oi,oj)+ω2f2(oi,oj))，

其中，

式中，μ(oi,oj)为分类相容性权重；ω1与ω2为高斯权重系数；pi和pj分比为对象oi和oj在图像中的空间位置，用对象内的所有像素空间位置的平均值计算；θi和θj为对象oi和oj的所有波段组成的特征向量，用对象内所有像素的波段特征向量的平均值计算得到；α、β、γ用来调整对象oi和oj的位置和波段特征向量的相对大小；

利用所选取样本采用分段训练的方法得到上述参数，进而得到结合dbn的全连接条件随机场。

作为优选实施方式，在所述步骤s5)中，利用平均场算法对所述步骤s4)中构建的结合dbn模型的全连接条件随机场模型进行推断，计算出各对象的类别概率，并依据最大后验准则判断各对象类别是否为积雪区。

本发明的有益效果是：本发明的利用高分辨率遥感影像的高寒山区积雪提取方法对不同传感器数据的适用性更强，且更适用于高分辨遥感影像的积雪提取；利用面向对象的思想将深度置信网络与全连接条件随机场模型相结合，充分利用高分辨影像的光谱、形状、纹理及空间关系信息，消除积雪提取结果中的椒盐现象，提高积雪提取的精度。

附图说明

图1为本发明优选实施例的利用高分辨率遥感影像的高寒山区积雪提取方法的流程图。

图2为图1中的最优尺度分形网络演化分割高分辨率遥感影像步骤的子流程图。

图3为深度置信网络模型的结构示意图。

图4为深度置信网络的训练示意图。

图5为图1中的构建深度置信网络模型步骤的子流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

针对高分辨遥感影像缺少计算ndsi指数所需的短波红外波段，为了消除积雪提取结果中的椒盐现象，本方明的利用高分辨率遥感影像的高寒山区积雪提取方法采用面向对象的结合深度置信网络(deepbeliefnetwork，dbn)和全连接条件随机场(conditionalrandomfields，crf)的高分辨影像高寒山区积雪提取方法来获取准确连续的积雪提取结果，如图1中所示，包括以下步骤：

步骤s1)，高分辨率遥感影像的最优尺度分形网络演化分割。对于待提取积雪信息的高分辨率遥感影像，首先确定影像的最优分割尺度，然后利用分形网络演化算法生成遥感影像对象，作为积雪提取单元。

步骤s2)，构建高维影像对象特征图。以生成的影像对象为单元，计算各对象的光谱、形状、纹理等特征，充分利用高分辨率影像的特征信息，进而构建高维影像对象特征图像。

步骤s3)，构建深度置信网络模型。设置dbn模型的层数、各层节点数，选取各类别样本，基于高维影像对象特征图，训练dbn模型。

步骤s4)，构建全连接条件随机场模型。利用训练好的dbn模型得到的各对象的类别概率构建条件随机场的一阶势函数，利用高斯核函数模型构建条件随机场模型的二阶势函数，并通过分段训练得到模型相应参数，进而得到全连接的条件随机场模型。

步骤s5)，输出积雪提取结果。利用平均场算法对构建的条件随机场模型进行推断，计算各对象的类别概率，并依据最大后验准则判断各对象类别，得到最终提取的积雪区。

下文将结合附图对本发明优选实施例的利用高分辨率遥感影像的高寒山区积雪提取方法的各个步骤将分别进行进一步的详细解析。

步骤s1)，高分辨遥感影像的最优尺度分形网络演化分割。

考虑到分形网络演化分割(fractalnetworkevolutionalgorithm，fnea)算法是一种多尺度分割算法，且能充分利用影像的光谱、形状和纹理信息，本发明利用该算法构建高分辨影像对象。fnea的基本思想是通过分形迭代过程，根据相似性最大的合并准则，从像素开始合并满足条件的两相邻对象，其技术关键是相邻对象之间的相似性准则的定义。经典的fnea中对象的相似性是综合光谱相似性和形状相似性来度量，其中光谱的相似性度量hval是利用对象内像素灰度值的标准差来度量，形状的相似性hsha采用合并前后形状特征空间内的变化来描述。则相邻两对象的综合光谱和形状的相似性准则可定义为：

f＝wshahsha+(1-wsha)hval

上式中，wsha为权重，f为fnea算法中的分割尺度，给定不同的分割尺度阈值即可得到不同大小的分割对象，阈值越大分割得到的对象数目越小，对象也越大。

分割尺度的大小直接影响fnea算法分割结果的好坏，而分割结果直接影响着后续积雪提取的精度。为确定提取积雪的最优分割尺度，利用每层分割对象的平均标准差来判别分割结果的优劣，进而获取积雪提取的最优分割尺度，最后利用分形网络演化算法生成遥感影像对象，作为后续积雪提取单元。高分辨遥感图像的最优尺度分割的具体流程如下所示：

步骤1.1)，从待提取积雪的遥感影像中裁剪出确定最优分割尺度的实验区。因遥感影像上不同地类的最优分割尺度一般不同，为更好地确定该影像积雪提取的最优分割尺度，从待提取积雪的遥感影像中裁剪出大小为1000像素*1000像素的积雪区域，用作确定该影像最优分割尺度的实验区。

步骤1.2)，依次设置分割尺度对实验区影像进行分形网络演化分割，计算每层对象的波段平均标准差。以步长3为尺度间隔，依次从0到200设置相应的分割尺度，对实验区影像进行fnea多尺度分割，统计每层分割对象的数目和各对象的波段标准差(standarddeviation，sd)，并计算每层对象的波段平均标准差sd。

步骤1.3)，统计各层对象的波段平均标准差，计算不同尺度层下标准差的变化率。统计各层对象的波段平均标准差sd的值，计算不同尺度层下的sd的变化率roc：

其中，i为对象层号，即sd(i)为当前层对象的平均标准差，sd(i-1)为下一层对象的平均对象标准差。

步骤1.4)，取变化率随尺度变化的曲线峰值为最优分割尺度。绘制变化率roc随尺度变化的曲线图，曲线的峰值即roc值最大时所对应的尺度值，为该影像积雪提取的最优分割尺度。

步骤1.5)，利用最优分割尺度对整幅遥感影像进行多尺度分割。利用上述方法确定的积雪提取最优分割尺度，利用fnea算法对整幅遥感影像进行多尺度分割，得到最终的分割结果。

步骤s2)，构建高维影像对象特征图。

不同类型的高分辨率传感器载荷差异较大，且高分辨率影像波段较少，一般只有可见光波段、近红外波段及全色波段；另外不同地形条件下的遥感影像上的积雪光谱表征一般不同，影像上也易出现“同物异谱”与“同谱异物”现象，单一利用积雪光谱特征较难直接作为高分辨遥感影像积雪识别的依据。与单个像素相比，高分辨卫星影像对象包含丰富的特征信息，如对象的几何信息、纹理信息及光谱信息，充分利用影像对象的各个特征信息有助于更好地识别积雪。为此，利用步骤s1)中得到的fnea多尺度分割算法生成影像对象，并提取影像对象的光谱、形状及纹理特征。本发明方法所用的特征如表1所示：

表1本发明方法所用的对象影像特征

步骤s3)，构建深度置信网络模型。

深度置信网络(deepbeliefnetwork，dbn)适合对高维特征信息及复杂分类问题进行特征提取与建模，并已成功应用于遥感图像分类领域。dbn是由多层受限制的玻尔兹曼机(restrictedboltzmannmachine，rbm)堆叠组成，其中rbm模型是由可见层和隐含层所构成的两层神经网络。dbn将训练样本作为最底层rbm可见层的输入，并将训练样本学习后获得的隐含层作为其上一层rbm可见层的输入，进而获得该层rbm的隐含层，然后将该隐含层当作其上一层rbm可见层的输入；依次类推，通过逐层学习的方法获得多层的dbn网络模型。为将dbn模型应用于遥感分类中，在dbn模型的最上层添加一个bp(backpropagation，反向传播)层，并将顶层rbm模型的输出作为bp层的输入，然后通过bp层得到输出结果，本发明利用的dbn模型的网络结构如图3所示。

上述dbn模型的训练过程分为预训练和微调两个过程，训练过程如图4所示。首先通过对每一层的rbm模型单独训练，初步获取dbn网络模型的各个参数，然后利用样本进行监督学习优化微调dbn网络模型参数，进而完成对整个dbn网络模型的训练。请结合参阅图5，本发明构建深度置信网络模型的具体步骤如下：

步骤3.1)，在待提取积雪的高分辨率遥感影像上选取地类样本作为训练样本训练得到最底层rbm模型。在待提取积雪的遥感影像上，选取各个地类不同类型的样本，每种地类宜选取多个纯洁的样本。利用选取的训练样本初始化最底层rbm的可见层，并利用对比散度算法训练得到最底层rbm模型。

步骤3.2)，利用步骤3.1)得到的最底层rbm模型的隐含层作为第1层的可见层，并采用对比散度算法训练得到第1层的rbm模型。

步骤3.3)，以第i-1层rbm模型的隐含层作为第i层的可见层，采用对比散度算法训练得到第i层的rbm模型，直到当前层数i达到dbn模型所设定的层数n。

步骤3.4)，优化dbn模型参数。利用训练样本对最后的bp神经网络层进行训练，按照逐层向后的方式传播每层训练产生的误差，并采用随机梯度下降法对dbn的参数进行微调。

步骤3.5)，得到参数优化后的dbn模型。重复bp神经网络层训练，直到误差达到设定值或达到最大循环次数，此时得到参数优化后的dbn模型。

步骤s4)，构建全连接条件随机场模型。

条件随机场(conditionalrandomfields，crf)模型是一种经典的随机场模型，因其在任意多特征融合和空间上下文信息表达具有独特优势，广泛应用于图像的分割、分类、识别等领域。但传统的crf方法易使得分类结果出现过平滑的现象，致使地类边界信息丢失。为此，本发明利用上述步骤s1)中分割生成的对象为分类单元，在此基础上利用crf模型进行积雪提取。

crf是一种判别式概率图模型，通常采用gibbs分布来模拟变量之间的邻域相互作用。利用crf框架分类的基本思想是找到使后验概率最大的图像类别标签，进一步可转换为计算使对应能量函数达到最小值时的图像类别标签。本发明以对象作为基本观测单元，则相应的能量函数的表达式如下所示：

式中ψi(oi)为一阶势函数，ψij(oi,oj)为二阶势函数，n为影像的对象数目，oi、oj分别为影像的第i个和j个对象，为对象oi的邻域对象的标号。

由上式可知，势函数的构建是crf模型的关键，其中一阶势函数通常是用来对单点的观测信息与其对应的类别标签建模，为此本发明利用上述步骤s3)中dbn模型得到的对象类别概率为来定义一阶势函数ψi(oi)，表达式如下：

ψi(oi)＝-in(p^dbn(oi＝k))

式中，p^dbn(oi＝k)为步骤s3)中dbn模型输出的第i个对象oi类别为k时的概率。

二阶势函数通常用来描述图像的空间上下文信息，常见的做法是采用potts模型来定义，但该方法仅考虑到观测对象的邻域对象，而未充分利用对象间的空间关系。为此，本发明利用两种不同的高斯核函数线性组合来定义二阶势函数ψij(oi,oj)，从而构成全连接的条件随机场，表达式如下：

ψij(oi,oj)＝μ(oi,oj)(ω1f1(oi,oj)+ω2f2(oi,oj))

其中：

上述表达式中，μ(oi，oj)为分类相容性权重；ω1与ω2为高斯权重系数；pi和pj分别为对象oi和oj在图像中的空间位置，用对象内的所有像素空间位置的平均值计算；θi和θj为对象oi和oj的所有波段组成的特征向量，用对象内所有像素的波段特征向量的平均值计算得到，α、β、γ用来调整对象oi和oj的位置和波段特征向量的相对大小；利用所选取样本采用分段训练的方法可得到上述参数，进而得到本方法所构建的结合dbn的全连接条件随机场。

步骤s5)，输出分类结果。

利用平均场算法对步骤s4)中构建的结合dbn模型的全连接条件随机场模型进行推断，计算出各对象的类别概率，并依据最大后验准则判断各对象类别是否为积雪区，进而得到整幅影像的积雪区。具体步骤如下：

步骤5.1)，获得各对象的类别。输入各对象的特征矢量，利用平均场算法对条件随机场模型进行推断，依次获取各对象的类别概率，并依据最大后验概率准则，获取该对象的类别。

步骤5.2)，获得整幅影像的类别信息。以对象为分类单元，将对象内各像素均标记为同样的类别；重复上述步骤，进而获取整幅影像的类别信息，并输出为单波段的类别影像。

步骤5.3)，获得影像的积雪分布图。利用gis软件的制图功能，对类别影像进行专题图制作，最终得到该影像的积雪分布图。

与现有的技术相比，本发明的利用高分辨率遥感影像的高寒山区积雪提取方法具有以下优点：

(1)相比传统利用ndsi积雪指数的方法提取积雪，本方法对不同传感器数据的适用性更强，且更适用于高分辨遥感影像的积雪提取；

(2)相比传统利用图像分类的积雪提取方法，本方法利用面向对象的思想将深度置信网络与全连接条件随机场模型相结合，充分利用高分辨影像的光谱、形状、纹理及空间关系信息，消除积雪提取结果中的椒盐现象，提高积雪提取的精度。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。