申请/专利权人：中国水利水电科学研究院

申请日：2020-09-08

公开（公告）日：2024-04-12

公开（公告）号：CN111950530B

主分类号：G06V20/13

分类号：G06V20/13;G06V20/10;G06V10/26;G06V10/80;G06V10/764;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2020.12.04#实质审查的生效;2020.11.17#公开

摘要：本发明公开了农作物种植结构提取的多特征优选与融合方法，包括，收集不大于月尺度的时间序列卫星遥感数据集，同时完成研究区域内样本数据的预获取；描述各类作物的光谱与纹理特性；计算不同的样本在光谱信息、植被指数以及纹理特征量等的表达，统计各特征量的均值与方差，计算不同样本在各个特征量上的可区分能力；建立多特征优选公式，并利用公式确定参与分类的特征量以及各特征量在分类过程中所占的比重；构建一个新的图像；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，生成农作物的时空分布专题图并验证精度。本发明解决了传统遥感信息提取方法中忽略了对分类特征量的筛选，从而增加了时间复杂度和计算机运行速率的问题。

主权项：1.农作物种植结构提取的多特征优选与融合方法，其特征在于，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；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-1AB代替，同时调查分析区域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；S2：根据预处理后的卫星遥感影像数据，基于植被指数以及灰度共生矩阵计算原理描述各类作物的光谱与纹理特性；所述S2包括以下步骤：S21：计算影像数据的归一化植被指数NDVI，其计算公式为： 式中，NDVI表示影像的归一化植被指数结果；ρNIR为近红外波段的反射率；ρR为红光波段的反射率；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Mea：反映窗口内灰度平均值与纹理的规则程度，其计算公式为： 式中；pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；方差Var：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pi,j的均值；pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；对比度Con反映图像的清晰度与纹理沟纹深浅的程度，其计算公式为： 式中；n为影像像元的行列号差值的绝对值；pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；逆差距Hom：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： 式中：pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；差异度Dis：用来检测图像的差异程度，其计算公式为： 式中：pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；信息熵Ent：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： 式中：pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；角二阶矩ASM：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： 式中：pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；相似程度Cor：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： 式中：pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；μ、表示在x、y轴的均值与方差；S3：计算不同农作物样本在光谱信息、植被指数以及纹理特征量上的表达，统计各个特征量的均值与方差，并计算不同样本在各个特征量上的可区分能力；所述S3包括以下步骤：S31：统计不同样本在光谱、植被指数、纹理特征量上的均值μ和方差σ，其计算公式为： 式中：pi,j为像元的灰度值；i,j表示以影像左上角为坐标原点的各个像元的行列号；S32：基于巴氏距离构建样本的可分离程度计算，针对不同特征量计算不同样本两两间的可区分能力Da,b，其计算公式为： 式中，μ为图像上同一特征量在2个不同类别间的均值；σ为在同一特征量在2个不同类别间的标准差；a、b表示两个不同的农作物类别；S4：基于各个特征量的可区分能力建立多特征优选公式，并利用公式确定参与分类的特征量以及各个特征量在可分离度中所占的比重；所述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，Da,b为在不同样本间的可分离程度；n为作物总的类别数；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总和，其计算公式为： 其中，Di表示各特征量对农作物的可分离度；n为总的特征数；S表示所有特征可分离度的总和；S44：计算各特征量的可分离度所占的比重，其计算公式为： 其中，xi表示各特征量可分离度所占的比值；S45：将各特征量所占的比值进行累加计算，若总和大于等于95％，则停止计算，此时所对应的个数即为所求的特征量优选后的最佳个数，并将结果输出，获取具体的优选计算公式为： 其中，yi表示各特征量可分离度累加的比值；n为总的特征数；S5：依据优选后的特征以及各自的权重进行数据融合，将其构建为一个新的图像；所述S5包括以下步骤：S51：基于优选后不同的特征量，以及各特征的可分离度所占的比值进行数据融合，具体的计算公式为： 式中，y为数据融合的结果；ai,xi表示各特征量及各自可分离度所占的比值；S52：指定输出的路径与命名规范，输出新的图像；S6：利用随机森林分类器对研究区域的农作物类型进行精准识别，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；所述S6包括以下步骤：S61：根据随机森林原理对研究区域的农作物进行识别；S62：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；S63：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；S64：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。

全文数据：

权利要求：

百度查询： 中国水利水电科学研究院 农作物种植结构提取的多特征优选与融合方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD