纹理特征优选的农作物种植结构月尺度动态提取方法与流程

本发明涉及遥感种植结构监测领域，特别是纹理特征优选的农作物种植结构月尺度动态提取方法。

背景技术：

农作物种植结构反映了人类农业生产在空间范围内利用农业生产资源的状况，是研究农作物种类、数量结构和空间分布特征的重要信息，也是进行农作物结构调整与优化以及农业用水精细化管理的依据。传统获取农作物种植结构信息的方法主要基于灰度共生矩阵计算的纹理信息对影像进行分类，但是忽略了对分类特征量的筛选，增加了时间复杂度。

纹理特征广泛应用于高分辨率影像的分类过程。高分辨率卫星影像以其清晰、细腻的地物结构、形状和纹理信息,迅速占领了城市规划、区域环境监测与评估的卫星应用市场。如dekkerrj.2003等基于sar建立纹理特征对城市建筑区域进行分析，发现作物的纹理特征参数之间存在一定的影响，在识别过程中需要去除其对分类精度造成的误差；陈君颖等2007基于ikonos影像的光谱与纹理特征作用于农业植被的决策树分类识别过程，发现仅使用光谱特征分类精度可达83％，加以纹理特征精度提高到91％；elmqvistb2008、zhouw2009等利用高空间分辨率影像实现土地利用制图，并通过实地验证分析结果；叶时平2008基于灰度共生矩阵计算原理获取quickbird影像纹理特征使得建筑区的提取精度高达93％；侯学会等2013利用spot-ndvi时间序列分析农牧交错带的生长变化趋势，研究结果与已有的结果一致；刘克宝等2014利用rapideye5米分辨率的遥感数据提取农作物，发现5米分辨率在分类过程中可以减少大量的误差，使得分类精度达到最高；刘国栋等2015基于高分2/8米影像的纹理完成对地遥感抽样调查，利用农作物的物候历以及多时相的影像完成农作物提取，最终精度优于80％；piazzaga等2016对高分辨率影展开研究，完成森林制图，基于不同的分类器进行分类对比，得到最佳的分类器并应用于大面积的识别。宋茜等2016、张超等2016基于高分一号pms提取特定作物的纹理特征，并通过面向对象分类实现作物的种植面积变化图；郑利娟2017基于高分系列卫星分析在农业上的应用，并提出高分一号与高分六号在提取过程中的优势。但是这些都没有对纹理特征进行计算筛选，从而导致分类特征过多增加了分类时间复杂度；同时也忽略了特征相互之间的相关性，影响了最终的分类精度，难以实现遥感农作物分类的应用。

技术实现要素：

为解决现有技术中存在的问题，本发明提供了纹理特征优选的农作物种植结构月尺度动态提取方法，解决了传统获取农作物种植结构信息的方法忽略了对分类特征量的筛选，增加了时间复杂度的问题。

本发明采用的技术方案是，纹理特征优选的农作物种植结构月尺度动态提取方法，包括以下步骤：

s1：确定分析区域空间范围并进行数据准备，收集不大于月尺度的时间序列卫星遥感数据集，时间上统一处理为月尺度数据，同时完成研究区域内样本数据的预获取；

s2：根据预处理后的卫星遥感影像数据，基于灰度共生矩阵计算影像纹理特征，并利用八个特征量描述作物的纹理特性；

s3：基于实测样本计算不同纹理特征量的均值与方差，并计算不同样本间纹理特征量的可区分能力；

s4：基于各特征量的可区分能力建立优选公式，并利用公式确定参与分类的纹理特征量的最优个数，将其构建为一个新的图像；

s5：利用随机森林分类器对研究区域的农作物类型进行精细识别，实现农作物的精细化管理，生成完整时间序列的农作物的时空分布专题图并验证精度。

优选地，s1包括以下步骤：

s11：根据研究区的位置和范围，选择具有高时间分辨率和高空间分辨率的gf-1wfv数据，如果出现数据源不能完全覆盖的情况，考虑使用sention-2，高分二号，landsat8或hj-1a/b代替，同时调查实施例范围的农作物类型以及各自的生长物候期；

s12：对收集的数据进行遥感影像的处理，如果出现替代数据，需要重采样统一空间分辨率；

s13：对样本的采集需要考虑其代表性、典型性、时效性，通过建立规则格网将研究区划分为n块面积相同的区域，在各个区域内选取不同的作物样本。

优选地，s2包括以下步骤：

s21：基于灰度共生矩阵计算纹理特征信息量，根据灰度共生矩阵glcm统计在一定距离的两个像素点之间灰度相关系数，其表达式为：

p(i,j)＝[p(i,j,d,θ)]

其中，p(i,j)为在距离和方向确定的情况下出现相同像素对的频率；d为距离像素点的距离，两像素连线向量的角度为θ，通常θ取0°、45°、90°和135°；

s22:利用灰度共生矩阵计算纹理时，选取八个特征量表征纹理的特性：

平均值：反映窗口内灰度平均值与纹理的规则程度，其计算公式为：

方差：反映矩阵元素偏离均值的程度与灰度变化的大小，其计算公式为：

其中，μ是p(i,j)的均值，

对比：反映图像的清晰度与纹理沟纹深浅的程度，其计算公式为：

逆差距：反映了图像分布的平滑性，是图像均匀程度的度量，其计算公式为：

差异程度：用来检测图像的差异程度，其计算公式为：

影像所包含的信息量：度量影像纹理的随机性，是测量灰度级分布随机性的特征参数，表征影像灰度级别的混乱程度，其计算公式为：

图像灰度分布均匀性：反映了影像灰度分布均匀程度和纹理粗细度，其计算公式为：

相似程度：反映了空间灰度共生矩阵元素在行或列方向上的相似程度，其计算公式为：

式中：

优选地，s3包括以下步骤：

s31：统计不同样本在各个特征量上的均值和方差，其计算公式为：

s32：基于巴氏距离构建样本的可分离程度计算，针对不同纹理特征量计算不同样本两两间的可区分能力，其计算公式为：

式中，式中，μ图像上同一特征量在2个不同类别间的均值，σ为在同一特征量上在2个不同类别间的标准差。

优选地，s4包括以下步骤：

s41：计算各特征量在不同农作物类别中的总体分离能力，具体的计算公式为：

式中，dij为在不同样本间的可分离程度；

s42：按照各特征量对应的区分能力值从大到小的顺序对特征量进行排序；

s43：计算各特征量可分离度的累计和，其计算公式为：

s44：基于纹理特征量对应的累计分离度值与对应的精度构建相应的函数表达式，发现其满足对数函数的基本规律，因此获取函数对应的导数，即各点的斜率，其计算公式为：

y＝0.0625ln(x)+0.642

r²＝0.9191

其中，x表示各特征量所对应的累计d值；

s45：将斜率进行差值计算，若差值小于0.0001，则计算的点所对应的即为所求的纹理特征量的最佳个数，并将结果输出，获取具体的优选计算公式为：

d＝|y'i-y'i-1|

s46：将筛选后的纹理特征量组合形成新的图像。

优选地，s5包括以下步骤：

s51：以月为单位，对研究区进行种植结构识别，生成完整时间序列的农作物的时空分布专题图；

s52：根据验证样本进行结果验证，得到总体分类精度以及kappa系数。

本发明纹理特征优选的农作物种植结构月尺度动态提取方法的有益效果如下：

1.本发明基于影像纹理进行优选最终服务于农作物种植结构的识别，不仅能够有效的识别农作物种植结构，还能够节省时间，减少计算机的工作量。

2.该技术具有计算快速、适用性强的特点，有效改善了中高分辨率数据的分类局限，提高了分类速率，改进了高分一号在分类中的精度与效率，对农作物种植结构识别技术业务化推广具有重要意义。

附图说明

图1为本发明纹理特征优选的农作物种植结构月尺度动态提取方法的总流程框图。

图2为本发明纹理特征优选的农作物种植结构月尺度动态提取方法的s1的分步骤流程图。

图3为本发明纹理特征优选的农作物种植结构月尺度动态提取方法的s2的分步骤流程图。

图4为本发明纹理特征优选的农作物种植结构月尺度动态提取方法的s3的分步骤流程图。

图5为本发明纹理特征优选的农作物种植结构月尺度动态提取方法的s4的分步骤流程图。

图6为本发明纹理特征优选的农作物种植结构月尺度动态提取方法的s5的分步骤流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种农作物种植结构月尺度动态提取方法，包括以下步骤：

s1：确定分析区域空间范围并进行数据准备，收集不大于月尺度的时间序列卫星遥感数据集，时间上统一处理为月尺度数据，同时完成研究区域内样本数据的预获取；

s2：根据预处理后的卫星遥感影像数据，基于灰度共生矩阵计算影像纹理特征，并利用八个特征量描述作物的纹理特性；

s3：基于实测样本计算不同纹理特征量的均值与方差，并计算不同样本间纹理特征量的可区分能力，最终评价不同特征量在样本间的区分能力；

s4：基于各特征量的可区分能力建立优选公式，并利用公式确定参与分类的纹理特征量的最优个数，将其构建为一个新的图像；

s5：利用随机森林分类器对研究区域的农作物类型进行精细识别，实现农作物的精细化管理，生成完整时间序列的农作物的时空分布专题图并验证精度。

如图2所示，本实施方案的s1包括以下步骤：

s11：根据研究区的位置和范围，选择我国自主研发的具有高时间分辨率和高空间分辨率的gf-1wfv数据，如果出现数据源不能完全覆盖的情况，考虑使用sention-2，高分二号，landsat8或hj-1a/b代替，同时调查实施例范围的农作物类型以及各自的生长物候期；

s12：对收集的数据进行遥感影像的处理，如果出现替代数据，需要重采样统一空间分辨率；

s13：对样本的采集需要考虑其代表性、典型性、时效性，通过建立规则格网将研究区划分为n块面积相同的区域，在各个区域内选取作物样本。

如图3所示，本实施方案的s2包括以下步骤：

s21：基于灰度共生矩阵计算纹理特征信息量，根据灰度共生矩阵glcm统计在一定距离的两个像素点之间灰度相关系数，表示灰度重复出现的概率分布，其表达式为：

p(i,j)＝[p(i,j,d,θ)]

其中，p(i,j)为在距离和方向确定的情况下出现相同像素对的频率；d为距离像素点的距离，两像素连线向量的角度为θ，通常θ取0°、45°、90°和135°；

利用灰度共生矩阵计算纹理时，选取常用的八个特征量表征纹理的特性。

mean：反映窗口内灰度平均值与纹理的规则程度。

variance：反映矩阵元素偏离均值的程度与灰度变化的大小。灰度变化较大时，偏离均值越大，其值越大。

其中μ是p(i,j)的均值。当图像中的灰度变化较大时该值较大。

contrast：反映图像的清晰度与纹理沟纹深浅的程度。纹理沟纹越深，其值大。值越大则表示即纹理的清晰程度越高。

homogeneity：又称逆差距，反映了图像分布的平滑性，是图像均匀程度的度量。如果图像局部的灰度均匀，逆差矩的取值较大。

dissimilarity：用来检测图像的差异程度。若局部区域内差异变化较大，则值较大。

entropy：度量影像纹理的随机性，即影像所包含的信息量，是测量灰度级分布随机性的特征参数，表征影像灰度级别的混乱程度。熵越大，样本的类别不确定性越大。反之，图像中的灰度均匀，则嫡值就小。

angularsecondmoment：反映了影像灰度分布均匀程度和纹理粗细度，是图像灰度分布均匀性的度量。当灰度共生矩阵中元素分布较集中于主对角线附近时，说明局部区域内图像灰度分布较均匀，图像呈现较粗的纹理，角二阶矩的取值相应较大。

correlation：反映了空间灰度共生矩阵元素在行或列方向上的相似程度。若矩阵元素均匀相等，则相关程度较高，值较大；反之，如果元素间相差较大时，则表示相关性较小。

式中：

如图4所示，本实施方案的s3包括以下步骤：

s31：统计不同样本在各个特征量上的均值和方差，其计算公式为：

s32：基于bhattacharyyadistance构建样本的可分离程度计算，针对不同纹理特征量计算不同样本两两间的可区分能力，其计算公式为：

式中，式中，μ图像上同一特征量在2个不同类别间的均值，σ为在同一特征量上在2个不同类别间的标准差。

如图5所示，本实施方案的s4包括以下步骤：

s41：计算各特征量在不同农作物类别中的总体分离能力，具体的计算公式如下：

式中，dij为在不同样本间的可分离程度；

s42：按照各特征量对应的区分能力值从大到小的顺序对特征量进行排序；

s43：计算各特征量可分离度的累计和，计算公式为：

s44：基于纹理特征量对应的累计分离度值与对应的精度构建相应的函数表达式，发现其满足对数函数的基本规律，因此获取函数对应的导数，即各点的斜率，具体如下：

y＝0.0625ln(x)+0.642

r²＝0.9191

其中，x表示各特征量所对应的累计d值；

s45：将斜率进行差值计算，若差值小于0.0001，该点所对应的即为所求的纹理特征量的最佳个数。并将结果输出。获取具体的优选计算公式如下：

d＝|y'i-y'i-1|

s46：将筛选后的纹理特征量组合形成新的图像。

如图6所示，本实施方案的s5包括以下步骤：

s51：根据随机森林原理对研究区域的地物进行识别；

s52：设置分类器所需各类参数，输入分类样本对研究区域的农作物种植结构进行识别分类，完成动态识别。

s53：对研究区进行农作物识别，生成完整时间序列的农作物时空分布专题图；

s54：根据验证样本进行结果验证，得到总体分类精度以及kappa系数。

本实施方案在实施时，本发明提出的方法是基于不同农作物在影像上具有不同的纹理特征的原理，首先对实验区的农作物类型进行分析汇总，再基于纹理特征量的可分离度与精度的计算原理，筛选最优的纹理特征量，进而形成新的图像，最终运用随机森林分类方法识别得到农作物种植结构信息。本技术方案具有简单、有效、适用性强的特点，可以快速精确的获取大范围的农作物空间分布信息，改善了传统方法中由于参与分类的特征量过多而导致的分类速率的下降与分类精度的不佳，提高了遥感监测农作物种植结构的计算效率和精度，有助于遥感技术监测农作物种植结构的业务化推广。