一种土壤类型遥感分类识别方法、装置、设备及存储介质

技术领域

本发明属于计算机技术领域，尤其涉及一种土壤类型遥感分类识别方法、装置、设备及存储介质。

背景技术

土壤类型的空间分布是精准农业和土地资源管理的重要依据。传统土壤类型制图主要是通过野外调查、室内转绘完成，多年来得到广泛的应用。然而传统方法周期长、成本高、程序复杂，而且主观性较强，最终的土壤图精度较低。数字制图技术被提出，用于快速便捷地更新土壤数据。而随着遥感技术的发展，利用遥感影像获取土壤属性和土壤类型数据已经成为数字土壤制图的一种新的途径和方法。

然而，目前利用遥感技术提取的变量指标大部分反映的是土壤类型的光谱特征，对于一部分光谱特征相同的土壤类型，难以通过光谱特征进行分别识别，导致现有的遥感技术分类精度低，分类效果不好。

可见，现有对土壤类型进行分类识别的遥感技术还存在着分类精度低，分类效果不好的技术问题。

发明内容

本发明实施例的目的在于提供一种土壤类型遥感分类识别方法，旨在解决现有对土壤类型进行分类识别的遥感技术还存在着分类精度低，分类效果不好的技术问题。

本发明实施例是这样实现的，一种土壤类型遥感分类识别方法，包括：

获取待识别土壤的遥感影像；

根据预设的纹理特征提取规则提取所述遥感影像在预设尺度下的纹理特征；所述纹理特征至少包括均值、方差、同质性、对比、相似度、信息熵、二阶矩和相关性中的一种；

将所述纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像；

根据预设的分类识别规则对所述遥感分类影像进行处理确定待识别土壤的分类识别结果。

本发明实施例的另一目的在于提供一种土壤类型遥感分类识别装置，包括：

遥感影像获取单元，用于获取待识别土壤的遥感影像；

纹理特征提取单元，用于根据预设的纹理特征提取规则提取所述遥感影像在预设尺度下的纹理特征；所述纹理特征至少包括均值、方差、同质性、对比、相似度、信息熵、二阶矩和相关性中的一种；

融合单元，用于将所述纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像；

分类识别单元，用于根据预设的分类识别规则对所述遥感分类影像进行处理确定待识别土壤的分类识别结果

本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述土壤类型遥感分类识别方法的步骤。

本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述土壤类型遥感分类识别方法的步骤。

本发明提供的一种土壤类型遥感分类识别方法，通过提取遥感影像中可用于描述土壤空间结构以及几何形态信息的纹理特征，并与遥感影像原本所包含的光谱特征进行融合得到融合有纹理特征的遥感分类影像，如此在对遥感分类影像进行分类识别处理的过程中，可以利用纹理特征所包含的丰富的空间结构和几何信息辅助进行分类识别，克服了现有技术中单纯使用光谱特征进行分类识别所存在的光谱信息不足的问题，提高了分类的精度，从而保证了土壤类型的遥感分类识别效果。

附图说明

图1为本发明实施例提供的一种土壤类型遥感分类识别方法的步骤流程图；

图2为本发明实施例提供的另一种土壤类型遥感分类识别方法的步骤流程图；

图3为本发明实施例提供的又一种土壤类型遥感分类识别方法的步骤流程图；

图4为本发明实施例提供的再一种土壤类型遥感分类识别方法的步骤流程图；

图5为本发明实施例提供的还一种土壤类型遥感分类识别方法的步骤流程图；

图6（a）~图6（c）为三种不同的土壤类型遥感分类识别方法所得到的分类识别效果示意图；

图7为本发明实施例提供的一种土壤类型遥感分类识别装置的结构示意图；

图8为本发明实施例提供的一种执行土壤类型遥感分类识别方法的计算机设备的内部结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为本发明实施例提供的一种土壤类型遥感分类识别方法的步骤流程图，具体包括以下步骤：

步骤S102，获取待识别土壤的遥感影像。

在本发明实施例中，所述遥感影像通常是由一个15 m分辨率的全色波段（波段8：0.50-0.68m）和10个30m分辨率的多光谱波段组成，通常情况下为简化操作，选取前七个可见光谱波段作为研究对象。

步骤S104，根据预设的纹理特征提取规则提取所述遥感影像在预设尺度下的纹理特征。

在本发明实施例中，所述纹理特征是一种表达空间结构和几何信息的特征，所述纹理特征至少包括均值、方差、同质性、对比、相似度、信息熵、二阶矩和相关性中的一种。

作为本发明的一个优选实施例，所述纹理特征提为信息熵。选择信息熵作为纹理特征，后续的分类效果更优。

在本发明实施例中，提取预设尺度下的纹理特征的方法有许多种，本发明在此不做具体的说明，具体的一种优选可行方案请参阅图4及其解释说明的内容。

步骤S106，将所述纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像。

在本发明实施例中，将纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像，其中由于纹理特征描述了土壤的空间结构以及几何形态信息，而遥感影像包含了土壤的光谱信息，因此融合纹理特征的遥感分类影像中既包含了土壤的空间结构以及几何形态信息，又包含了土壤的光谱信息。

步骤S108，根据预设的分类识别规则对所述遥感分类影像进行处理确定待识别土壤的分类识别结果。

在本发明实施例中，进一步对包含了土壤的空间结构、几何形态信息以及光谱信息遥感分类影像进行分类识别就可以根据遥感分类影像确定出区域中各块土壤的类型，从而得到待识别土壤的分类识别结果。

本发明提供的一种土壤类型遥感分类识别方法，通过提取遥感影像中可用于描述土壤空间结构以及几何形态信息的纹理特征，并与遥感影像原本所包含的光谱特征进行融合得到融合有纹理特征的遥感分类影像，如此在对遥感分类影像进行分类识别处理的过程中，可以利用纹理特征所包含的丰富的空间结构和几何信息辅助进行分类识别，克服了现有技术中单纯使用光谱特征进行分类识别所存在的光谱信息不足的问题，提高了分类的精度，从而保证了土壤类型的遥感分类识别效果。

如图2所示，为本发明实施例提供的另一种土壤类型遥感分类识别方法的步骤流程图，详述如下。

在本发明实施例中，与图1所示出的一种土壤类型遥感分类识别方法的步骤流程图的区别在于，所述步骤S104具体为：

步骤S204，根据预设的纹理特征提取规则提取所述遥感影像在预设的多个尺度下的纹理特征。

在本发明实施例中，考虑到不同的纹理特征在不同尺度下所包含的空间结构以及几何形态信息不同，因此通过获取在多个尺度下的纹理特征，可以综合保证提取出的不同的纹理特征中在特定尺度下包含的空间结构以及几何形态信息最多，从而进一步提高后续分类的效果。

作为本发明的一个优选实施例，预设尺度为5×5尺度、15×15尺度、21×21尺度以及23×23尺度中的至少一种，最优选择5×5尺度、15×15尺度、21×21尺度以及23×23尺度，在该多个尺度下，纹理特征针对于不同的土壤类型均达到的最优的分类效果。

如图3所示，为本发明实施例提供的又一种土壤类型遥感分类识别方法的步骤流程图，详述如下。

在本发明实施例中，与图1所示出的一种土壤类型遥感分类识别方法的步骤流程图的区别在于，在所述步骤S102之后还包括：

步骤S302，对所述遥感影像进行辐射矫正和几何校正处理生成处理后的遥感影像。

在本发明实施例中，辐射矫正和几何校正可以理解为对遥感影像的预处理，同样可以提高后续的分类效果，本发明不做具体的说明。

如图4所示，为本发明实施例提供的再一种土壤类型遥感分类识别方法的步骤流程图，详述如下。

在本发明实施例中，与图1所示出的一种土壤类型遥感分类识别方法的步骤流程图的区别在于，所述步骤S104具体为：

步骤S402，基于灰度共生矩阵提取所述遥感影像在预设尺度下的纹理特征。

在本发明实施例中，具体是通过灰度共生矩阵来提取纹理特征的，具体的，灰度共生矩阵是基于空间共现矩阵计算二阶参数，并在给定方向上按一定距离分隔的像素对相对频率的列表，记录了不同像素对出现的次数，同时还记录了像素的相对位置和空间信息，所提取出的纹理特征效果更好。

如图5所示，为本发明实施例提供的还一种土壤类型遥感分类识别方法的步骤流程图，详述如下。

在本发明实施例中，与图1所示出的一种土壤类型遥感分类识别方法的步骤流程图的区别在于，所述步骤S108具体为：

步骤S502，基于最大似然分类法对所述遥感分类影像进行处理确定待识别土壤的分类识别结果。

在本发明实施例中，分类方法使用最大似然分类法，该分类方法可以根据土壤类型在遥感数据中的均值和标准偏差等统计信息，将先前未识别的像元归类到所有类别中相似概率最高的一类中。

为进一步了解本发明所提供的技术方案，下述将结合具体实验过程对本发明提供的土壤类型遥感分类识别方法的原理进行描述，详述如下。

1、确定研究区：

考虑到平度市是胶东半岛典型的平原丘陵地区，土壤类型丰富，为土壤分类研究提供了较好的条件。所以我们选择山东省东部平度市作为研究区。它位于北纬36°28′15"-37°02′46"之间，东经119°31′30"-120°19′13"之间，总面积3 175.63 km2，是山东省最大的县级市。平度市属于暖温带东亚半湿润季风区大陆性气候，境内气候四季分明。年平均气温11.9℃，年平均降水量680毫米，日照时数约2700小时。它的地势一般北高南低。研究区从山区到平原有十三个土壤亚类，分别为淋溶褐土、褐土性土、褐土、滨海盐土、中性石质土、中性粗骨土、粗骨土、棕壤性土、潮棕壤、棕壤、湿潮土、潮土和砂姜黑土（根据中国土壤发生分类）。其中三种土壤亚类砂姜黑土、棕壤、潮土，面积最大且分布最广泛。

2、遥感数据的搜集和预处理：

为了覆盖整个研究区域，获取了2景的Landsat8 OLI卫星图像。该图像由一个15 m分辨率的全色波段（波段8：0.50-0.68 m）和10个30 m分辨率的多光谱波段组成。为简化计算，选择前七个可见光谱波段参与研究。

对采集到的Landsat 8 OLI图像数据进行辐射矫正和几何校正，然后通过直方图匹配对两景图像进行拼接。最后，通过ArcGIS10.2裁剪得到空间分辨率为30 m的研究区域内的影像，也就是待识别土壤的遥感影像。

3、提取遥感影像的纹理特征

选择灰度共生矩阵的方法提取纹理特征。灰度共生矩阵是基于空间共现矩阵计算二阶参数，并在给定方向上按一定距离分隔的像素对相对频率的列表，记录了不同像素对出现的次数，同时还考虑了像素的相对位置和空间信息。

为了避免纹理特征之间所代表信息的重复性，考虑了以下纹理特征：均值、方差、同质性、对比、相似度、信息熵、二阶矩和相关性。不同的纹理特征反映了不同的图像信息，因此需要根据实际分类的需要选择合适的纹理特征，以确保分类中涉及到的纹理特征能够有效提高土壤类型的可分性。而对上述提取的8种纹理特征处理，分别生成各自的纹理均值曲线，然后进行描述性统计分析，可以通过比较曲线特点和描述性统计特征选出对各土壤类型可分性较高的纹理特征，研究表明，同质性、信息熵、二阶矩和相关性可以区分淋溶褐土、棕壤性土和潮土，不同土壤类型的纹理特征值相对分散，分类效果好，其中信息熵具有最佳的离散程度。而剩余纹理特征虽然也具有一定的分类效果，但效果弱于同质性、信息熵、二阶矩和相关性。因此，后续试验采用信息熵作为纹理特征进行融合分类。

4、确定土壤类型的最佳尺度信息熵的窗口大小

使用了12种不同的窗口（从3×3到25×25的奇数窗口）来提取纹理特征，也就是信息熵。每一个窗口大小都将分别与光谱数据融合创建一个新的图像数据。

为了定量研究不同窗口大小纹理特征下土壤类型间的可分度，采用Jeffries-Matusita距离法对训练样本进行可分度分析。J-M 距离是类对间统计可分性的一种度量，计算两个类别的密度函数之间的平均差异。该方法基于均值、方差和协方差矩阵等一组统计特征来计算波段组合中两个类之间的可分离程度。J-M 距离的数值范围在 0-2之间，值越大说明土壤类型之间的可分性越高。如果这个值在1.9和2之间，两个类之间具有较好的可分离性，得到的类将被准确地分离。如果该值在1.7-1.9之间，则两类之间的可分性为良好；如果小于1.7，则可分性较差。

通过统计光谱数据和不同窗口纹理特征图像中土壤训练样本的可分性得出J-M分析结果。随着纹理特征窗口的增大，各土壤类型的平均可分性也随之逐渐增大，但增幅随着窗口的增大而逐渐减小。当信息熵窗口为21×21时，平均可分性分别达到最大值，并保持不变。在此基础上，选择纹理特征信息熵21×21的窗口作为土壤分类的最优单尺度纹理特征。

虽然纹理特征的窗口分别为21×21时，整体精度和Kappa系数分别达到最高值，但每种土壤类型不可能同时达到最高的精度，因此使用后验概率的方法来确定每一个土壤类型最佳的信息熵提取窗口，即通过不同窗口的信息熵进行土壤类型识别结果来确定最佳的提取窗口。结果表明，每一种土壤类型的分类精度达到最高精度时，对应的窗口大小分别为5×5（潮土），15×15（砂姜黑土、棕壤），21×21（湿潮土、棕壤性土）和23×23（褐土），因此，信息熵特征参数组合的多尺度窗口为5×5、15×15、21×21和23×23尺度，但考虑到添加纹理特征的数量将显著增加输入变量的数量，从而增加计算时间，在实际中，可以根据实际情况从上述尺度选择任意合适的尺度来提取纹理特征，以保证计算效果以及计算效率。

5、最佳窗口融合的多尺度纹理特征参数土壤遥感分类

选择5×5、15×15、21×21和23×23窗口提取的信息熵，进行组合，然后融合成新的遥感数据进行土壤分类。根据最大似然分类法也就是根据土壤类型在遥感数据中的均值和标准偏差等统计信息，将先前未识别的像元归类到所有类别中相似概率最高的一类中。

为了体现本发明提供的土壤类型遥感分类识别方法相对于现有技术区别，将采用遥感影像光谱数据单独分类、以及单尺度纹理特征与遥感影像光谱数据融合分类以及多尺度纹理特征与遥感影像光谱数据融合分类上述三种不同的土壤类型遥感分类识别方法所得到的分类识别效果示意图绘制如下，具体如图6（a）~图6（c）所示。

其中，图6（a）为遥感影像光谱数据单独分类的效果示意图，图6（b）为单尺度纹理特征与遥感影像光谱数据融合分类的效果示意图，图6（c）为多尺度纹理特征与遥感影像光谱数据融合分类的效果示意图。

将分类的效果示意图与真实数据对比可以发现，其中基于遥感影像光谱数据的单独分类精度为40.99%，无法得到高质量的结果。而在单尺度纹理特征与遥感影像光谱数据融合分类的过程中，选择的单尺度窗口为21×21，纹理特征选择信息熵，此时分类精度为63.46%，比光谱数据的分类精度提高22.47%，这是因为将纹理特征融合到光谱数据中可以利用其丰富的空间结构和几何特征信息，克服图像光谱信息不足的问题，提高土壤类型的分类精度。进一步的，在多尺度纹理特征与遥感影像光谱数据融合分类的过程中，选择的多尺度为5×5、15×15、21×21和23×23，纹理特征同样选择信息熵，此时分类精度达到74.32%，与最佳单尺度窗口提取的信息熵分类结果相比，提高了10.96%，这是因为多尺度纹理特征的融合，可以识别光谱特征相同但性质不同的土壤类型，因此，各土壤类型的最优纹理特征参数的多尺度融合方法比各土壤类型的最优单尺度纹理特征参数的多尺度融合方法更能提高遥感图像的分类精度。

如图7所示，为本发明实施例提供的一种土壤类型遥感分类识别装置的结构示意图，具体包括以下单元：

遥感影像获取单元710，用于获取待识别土壤的遥感影像。

在本发明实施例中，所述遥感影像通常是由一个15 m分辨率的全色波段（波段8：0.50-0.68m）和10个30 m分辨率的多光谱波段组成，通常情况下为简化操作，选取前七个可见光谱波段作为研究对象。

纹理特征提取单元720，用于根据预设的纹理特征提取规则提取所述遥感影像在预设尺度下的纹理特征。

在本发明实施例中，所述纹理特征是一种表达空间结构与几何信息的特征，所述纹理特征至少包括均值、方差、同质性、对比、相似度、信息熵、二阶矩和相关性中的一种。

作为本发明的一个优选实施例，所述纹理特征提为信息熵。选择信息熵作为纹理特征，后续的分类效果更优。

在本发明实施例中，提取预设尺度下的纹理特征的方法有许多种，本发明在此不做具体的说明，具体的一种优选可行方案请参阅图4及其解释说明的内容。

融合单元730，用于将所述纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像。

在本发明实施例中，将纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像，其中由于纹理特征描述了土壤的空间结构以及几何形态信息，而遥感影像包含了土壤的光谱信息，因此融合纹理特征的遥感分类影像中既包含了土壤的空间结构以及几何形态信息，又包含了土壤的光谱信息。

分类识别单元740，用于根据预设的分类识别规则对所述遥感分类影像进行处理确定待识别土壤的分类识别结果。

在本发明实施例中，进一步对包含了土壤的空间结构、几何形态信息以及光谱信息遥感分类影像进行分类识别就可以根据遥感分类影像确定出区域中各块土壤的类型，从而得到待识别土壤的分类识别结果。

本发明提供的一种土壤类型遥感分类识别装置，通过提取遥感影像中可用于描述土壤空间结构以及几何形态信息的纹理特征，并与遥感影像原本所包含的光谱特征进行融合得到融合有纹理特征的遥感分类影像，如此在对遥感分类影像进行分类识别处理的过程中，可以利用纹理特征所包含的丰富的空间结构和几何信息辅助进行分类识别，克服了现有技术中单纯使用光谱特征进行分类识别所存在的光谱信息不足的问题，提高了分类的精度，从而保证了土壤类型的遥感分类识别效果。

图8示出了一个实施例中计算机设备的内部结构图。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现土壤类型遥感分类识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行土壤类型遥感分类识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的土壤类型遥感分类识别装置可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该土壤类型遥感分类识别装置的各个程序模块，比如，图7所示的遥感影像获取单元710、纹理特征提取单元720、融合单元730以及分类识别单元740。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的土壤类型遥感分类识别方法中的步骤。

例如，图8所示的计算机设备可以通过如图7所示的土壤类型遥感分类识别装置中的遥感影像获取单元710执行步骤S102；计算机设备可通过纹理特征提取单元720执行步骤S104；计算机设备可通过融合单元730执行步骤S106。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待识别土壤的遥感影像；

根据预设的纹理特征提取规则提取所述遥感影像在预设尺度下的纹理特征；所述纹理特征至少包括均值、方差、同质性、对比、相似度、信息熵、二阶矩和相关性中的一种；

将所述纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像；

根据预设的分类识别规则对所述遥感分类影像进行处理确定待识别土壤的分类识别结果。

在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：

获取待识别土壤的遥感影像；

根据预设的纹理特征提取规则提取所述遥感影像在预设尺度下的纹理特征；所述纹理特征至少包括均值、方差、同质性、对比、相似度、信息熵、二阶矩和相关性中的一种；

将所述纹理特征与所述遥感影像融合生成融合纹理特征的遥感分类影像；

根据预设的分类识别规则对所述遥感分类影像进行处理确定待识别土壤的分类识别结果。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

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。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。