一种基于JM Relief F湿地植被特征优选与融合方法
文献发布时间:2023-06-19 11:22:42
技术领域
本发明设计遥感影像监督分类领域,具体涉及一种基于 JM Relief F湿地植被特征优选与融合方法。
背景技术
湿地植被生长结构是指对湿地内不同类型的植被的空间分布以及各类植被生长面积等信息。植被生长结构反映了我国湿地的健康状况,是分析湿地植被面积以及统计湿地植被类型的基础,同时也是对湿地环境进行治理和改善的依据。传统获取湿地植被生长结构的方法是由人工现场进行识别,无法准确地提供各种湿地植被在空间上的分布情况,且获取周期长,效率不高。随着航天遥感技术的不断发展,遥感影像数据识别替代了传统人工现场识别,节约了时间提高了效率,但卫星遥感影像存在分辨率较低的问题,无法对湿地植被生长结构进行准确的判断。聂岩等人发明了一种迷迭香种植分布高分辨率卫星遥感识别方法,(参考:聂岩,李嘉欣,张莉,郭超,高尚.一种迷迭香种植分布高分辨率卫星遥感识别方法:中国,202010935308.0[P].2020-12-08)。上述方法利用卫星遥感影像,通过光谱指数强化植被指数对迷迭香的种植区域进行识别。聂岩等人的发明,虽然实现了对大范围的单一植被进行识别,但是无法对多种植被进行精细的识别。近年来无人机遥感技术不断成熟,因为其分辨率高、成本低、周期短等优势被广泛应用于湿地植被生长结构调查当中。向杰等人发明了一种基于特征检测的无人机遥感影像森林信息提取系统,该方法通过计算机对多尺度分割后的图像进行特征的检测,可以判断出多种森林树种,但是最终使用的特征变量没有经过筛选,增加了树种分类的计算时间,(参考:向杰,王安慧,任东,郑天璞,任顺.一种基于特征检测的无人机遥感影像森林信息提取系统:中国, 202110044037.4[P]2021-04-09.)
综上,遥感影像湿地植被识别中的重要组成部分是特征变量的筛选,可以有效的去除与分类无关变量和冗余变量,提高湿地植被分类精度及运算速度。本发明以目前主流的特征变量筛选的方法Relief F算法和J M距离算法为基准,提出了一种基于JM Relief F湿地植被特征优选与融合方法,为湿地植被的精准识别与分类提供了一种解决方案。
发明内容
为解决现有技术中存在的问题,本发明提供了基于JM Relief F湿地植被特优选与融合方法,解决了传统获取湿地植被生长结构信息的方法忽略了对特征变量的筛选,以及在特征融合的过程当中忽略了特征变量之间存在的差异,从而导致的分类精度不高问题。
为实现上述目的,本发明采用的技术方案为,基于JM Relief F湿地植被特优选与融合方法,包括以下步骤:
S1:确定实验区域的空间范围,获取无人机高分辨率RGB 遥感影像数据以及试验区域内样本验证数据,对收集到的数据进行训练;
S2:对步骤S1获取的无人机高分辨率RGB遥感影像数据使用制图软件进行拼接获取数字正射影像(DOM)图,提取光谱特征并基于灰度共生矩阵和植被枝茎差异计算植被的纹理特征和空间几何特征;
S3:对步骤S2所获取的光谱信息、纹理特征和空间几何特征中的特征变量的均值与方差进行计算,使用Relief F算法计算各特征变量权重,剔除与分类无关的特征变量;
S4:对步骤S3所得特征变量结果,使用J M距离算法计算各个特征变量的可分离程度,剔除影响分类精度的冗余变量;
S5:对步骤S4所得优选特征采用面向对象分类方法结合随机森林(RandomForest,RF)分类器对实验区域的湿地植被进行精准识别,并通过区域内样本数据进行精度验证。
优选的,S1包括以下步骤:
(1)调查研究区域内生长的湿地植被类型,以及各自的生长情况;
(2)进行样本点采集时应保证所选的样本具有代表性、典型性,保证试验区域内都搜集到足够样本信息。
优选的,S2包括以下步骤:
(1)光谱信息包含:R、G、B三个波段的平均值、亮度值和最大强度差;
(2)使用灰度共生矩阵计算纹理特征,选取常用六个特征变量表示植被的纹理特征:
对比度:度量矩阵的值是如何分布和图像中局部变化的多少,反应了图像的清晰度和纹理的沟纹深浅;
角二阶矩:反映了图像灰度分布均匀程度和纹理粗细度;
逆差距:反映了图像纹理局部变化的大小;
熵:表明了图像灰度分布的复杂程度,熵值越大,图像越复杂;
相关性:用来度量图像的灰度级在行或列方向上的相似程度;
均值:反映窗口内灰度平均值与纹理的规则程度;
(3)根据植被枝茎差异计算空间几何特征,选取两个特征变量表示植被的空间几何特征:
非对称性:描述了与普通多边形相比,即图像对象的长宽比;
紧致度:描述了图像对象的紧凑性,即图像对象长度和宽度的乘积除以像素的个数。
优选的,S3包括以下步骤:
(1)统计光谱信息、纹理特征和空间几何特征中各个特征变量的均值与方差,其计算公式为:
式中:p(i,j)为像元的灰度值,μ为均值σ为方差;
(2)Relief F算法计算各特征变量权重,其计算公式为:
其中diff
优选的,S4包括以下步骤:
(1)使用J M距离算法计算各个特征变量的可分离程度,其计算公式为:
其中C
优选的,S5包括以下步骤:
(1)根据随机森林算法的原理对实验区域的湿地植被进行识别,利用不同颜色表示分类过后的不同湿地植被,主要识别地物包含芦苇、互花米草、海桐、棕榈树、枯木、水体和道路;
(2)将随机森林算法参数设置:最大特征数16,决策树个数 500;
(3)根据采集到的样本数据进行精度验证,得到湿地植被识别的总体精度和Kappa系数。
由上,本发明提供的基于JM Relief F湿地植被特征优选与融合方法,具有的有益效果如下:该技术具有很强的分辨能力,有效改善了低分辨率遥感影像造成的分类局限,提高了分类精度,最终服务于湿地植被生长结构的精细识别,不仅可以识别湿地植被类别,还可以减少人为工作时间,提高工作效率。改进的JM Relief F特征优化算法对湿地植被生长结构的精细识别有一定的借鉴作用。
附图说明
本发明内容的描述与下面附图相结合将变得明显和容易理解,其中:
图1为本发明实施的总流程图;
图2为本发明实验区域分类结果图。
具体实施方式
如图1所示步骤,对本发明基于JM Relief F湿地植被特征优选与融合方法进行详细说明。
步骤S1:确定实验区域的空间范围,获取无人机高分辨率 RGB遥感影像数据以及试验区域内样本验证数据,对收集到的数据进行训练。包括以下具体步骤:
(1)调查研究区域内生长的湿地植被类型,以及各自的生长情况;
(2)进行样本点采集时应保证所选的样本具有代表性、典型性,保证试验区域内都搜集到足够样本信息。
S2:对步骤S1获取的无人机高分辨率RGB遥感影像数据使用制图软件进行拼接获取数字正射影像(DOM)图,提取光谱特征并基于灰度共生矩阵和植被枝茎差异计算植被的纹理特征和空间几何特征。包括以下具体步骤:
(1)光谱信息包含:R、G、B三个波段的平均值、亮度值和最大强度差;
(2)使用灰度共生矩阵计算纹理特征,选取常用六个特征变量表示植被的纹理特征:
对比度:度量矩阵的值是如何分布和图像中局部变化的多少,反应了图像的清晰度和纹理的沟纹深浅;
角二阶矩:反映了图像灰度分布均匀程度和纹理粗细度;
逆差距:反映了图像纹理局部变化的大小;
熵:表明了图像灰度分布的复杂程度,熵值越大,图像越复杂;
相关性:用来度量图像的灰度级在行或列方向上的相似程度;
均值:反映窗口内灰度平均值与纹理的规则程度;
(3)根据植被枝茎差异计算空间几何特征,选取两个特征变量表示植被的空间几何特征:
非对称性:描述了与普通多边形相比,即图像对象的长宽比;
紧致度:描述了图像对象的紧凑性,即图像对象长度和宽度的乘积除以像素的个数。
步骤S3:对步骤S2所获取的光谱信息、纹理特征和空间几何特征中的特征变量的均值与方差进行计算,使用Relief F算法计算各特征变量权重,剔除与分类无关的特征变量。包括以下具体步骤:
(1)统计光谱信息、纹理特征和空间几何特征中各个特征变量的均值与方差,其计算公式为:
式中:p(i,j)为像元的灰度值,μ为均值σ为方差;
(2)Relief F算法计算各特征变量权重,其计算公式为:
其中diff
步骤S4:对步骤S3所得特征变量结果,使用J M距离算法计算各个特征变量的可分离程度,剔除影响分类精度的冗余变量。包括以下具体步骤:
(1)使用J M距离算法计算各个特征变量的可分离程度,其计算公式为:
其中C
步骤S5:对步骤S4所得优选特征采用面向对象分类方法结合随机森林(RandomForest,RF)分类器对实验区域的湿地植被进行精准识别,并通过区域内样本数据进行精度验证。包括以下具体步骤:
(1)根据随机森林算法的原理对实验区域的湿地植被进行识别,如图2所示,利用不同颜色表示分类过后的不同湿地植被,主要识别地物包含芦苇、互花米草、海桐、棕榈树、枯木、水体和道路;
(2)将随机森林算法参数设置:最大特征数16,决策树个数 500;
(3)根据采集到的样本数据进行精度验证,如表1所示,得到湿地植被识别的总体精度和Kappa系数。
表1
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
- 一种基于JM Relief F湿地植被特征优选与融合方法
- 一种基于特征优选的多特征融合表情识别方法