遥感影像的光谱特征提取方法、终端设备及存储介质

技术领域

本发明涉及遥感技术领域，特别是一种遥感影像的光谱特征提取方法、终端设备及存储介质。

背景技术

目前常用的遥感影像特征参数主要源于已有的指数特征，或波段反射率等，并未深入挖掘光谱特征空间内的显著特征参数。建立经验模型的前提是需要从遥感影像中得到与目标参数显著相关的特征参数，由于现有技术未深入挖掘光谱特征空间内的显著特征参数，导致定性遥感分类精度较低。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种遥感影像的光谱特征提取方法、终端设备及存储介质，充分挖掘光谱信息中的特征。

为解决上述技术问题，本发明所采用的技术方案是：一种遥感影像的光谱特征提取方法，包括以下步骤：

S1、采集遥感影像，获取待选取波段信息B；

S2、构建可重复数组AL＝[x

构建可重复数组AS，用以表示在特征表达式中对应数组排列位置的各项中

构建数组AP，用以设定在特征表达式中括号的起始位置；

构建数组AC，用以表示在特征表达式中对应数组排列位置的各项中λ

S3、设定m，获得数组AL、AS、AP的所有组合形式，初始化数组AC；

S4、将数组AL、AS、AP、AC进行不重复随机组合，得到随机组合集合X，对所述随机组合集合X进行反向编码，得到随机组合集合X所表示的特征计算表达式集，根据所述特征计算表达式集得到对应的特征参数集F；

S5、对所述特征参数集F进行预处理，得到预处理后的特征参数；计算所述预处理后的特征参数与遥感影像中的地面点目标参数的相关系数，根据相关系数的绝对值，按照从小到大的顺序排列所述预处理后的特征参数；

S6、提取排序后位于前M％，且相关系数>N的预处理后的特征参数，将提取的特征参数与所述地面点目标参数进行交叉验证，计算交叉验证中的相对误差均值，若最大相对误差小于第一设定阈值，且相对误差均值小于第二设定阈值，则输出特征表达式，结束；反之，将随机组合集合X作为遗传加速算法(遗传算法)的输入，得到更新的数组AC，并返回步骤S4。

本发明构建了特征表达式，对特征表达式编码，借鉴投影寻踪算法原理，将特征构建过程转变为空间向量特征寻优过程，从而实现了遗传与变异处理，极大地缩减了特征挖掘所需的时间，充分挖掘了光谱信息中的特征。提取的特征可以用于定量遥感领域的反演建模，为地物分类识别中同谱异物的情况提供决策信息，从而更好的提升定性遥感分类精度。

为了得到可用于特征挖掘的地面点光谱信息，更好地提取光谱特征，步骤S1中，获取待选取波段信息B的具体实现过程包括：

1)剔除遥感影像数据的异常值，并读取遥感影像中的地面点目标参数；

2)根据所述地面点目标参数中的经度信息和纬度信息，定位遥感影像中的像元点，得到各地面点的光谱数据；

3)对步骤2)得到的光谱数据进行连续去统处理；

4)计算所述地面点目标参数的第一变异系数和与连续去统处理后的光谱数据同波段的反射率的第二变异系数，比较第一变异系数和第二变异系数的大小，若第一变异系数大于a倍第二变异系数，则保留该波段光谱数据，否则剔除该波段；a∈(0,1]；

5)对步骤4)处理后保留的波段信息，计算各波段间的相关系数，当两个波段间的相关系数大于第三设定阈值时，剔除两个波段中波长更长的波段数据，得到待选取的波段信息B。

本发明中，所述第三设定阈值为0.7。

变异系数CV

为了进一步挖掘更多的光谱信息，步骤S5中，对所述特征参数集F进行预处理的具体实现过程包括：

剔除特征参数集F中重复的特征参数；

计算剩余的特征参数的变异系数；

剔除变异系数大于第四设定阈值的特征参数，得到预处理后的特征参数集。

步骤S5中，所述第四设定阈值设定为15％。

本发明中，M＝1；N＝0.7；第一设定阈值为20％，第二设定阈值为10％。

本发明还提供了一种终端设备，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本发明上述方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本发明上述方法的步骤。

与现有技术相比，本发明所具有的有益效果为：本发明借鉴投影寻踪算法原理，采用遗传加速算法，充分挖掘了光谱信息中的特征，可以用于定量反演建模；本发明提出运算编码的形式，将特征构建过程转变为空间向量特征寻优过程，从而实现遗传与变异处理，大大的缩减了特征挖掘所需的时间，提高了特征挖掘的效率。

附图说明

图1为本发明实施例1方法原理图；

图2(a)和图2(b)为本发明实施例1中洞庭湖各采样点的水质参数分布曲线，其中图2(a)为高锰酸钾浓度、总氮浓度、透明度分布曲线，图2(b)为总磷浓度、叶绿素a浓度分布曲线；

图3(a)和图3(b)为洞庭湖流域的哨兵2号遥感影像图，其中图3(a)为东洞庭湖区域，图3(b)为西洞庭湖区域；

图4为洞庭湖流域的水域像元示意图；

图5(a1)～图5(d2)为总磷浓度反演模型交叉验证结果的决定系数与相对误差分布图(1图为决定系数，2图为相对误差)，其中图5(a1)、图5(a2)训练集：验证集＝9：2；图5(b1)、图5(b2)训练集：验证集＝8：3；图5(c1)、图5(c2)训练集：验证集＝7：4；图5(d1)、图5(d2)训练集：验证集＝6：5；

图6(a)和图6(b)为总磷浓度反演模型交叉线性拟合精度分布直方图，其中图6(a)为决定系数分布直方图，图6(b)为平均相对误差分布直方图；

图7为总磷浓度反演模型反演残差分布图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本文中，术语“第一”、“第二”和其它类似词语并不意在暗示任何顺序、数量和重要性，而是仅仅用于对不同的元件进行区分。在本文中，术语“一”、“一个”和其它类似词语并不意在表示只存在一个所述事物，而是表示有关描述仅仅针对所述事物中2的一个，所述事物可能具有一个或多个。在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A，而不表示在空间上B位于A的内部。另外，术语“包含”、“包括”和其它类似词语的含义应视为开放性的，而非封闭性的。例如，“A包括B”意在表示B属于A，但是B不一定构成A的全部，A还可能包括C、D、E等其它元素。

实施例1

本发明实施例1提出了一种面向光学遥感影像定量反演经验模型建立的光谱特征提取方法，具体流程如图1所示，包括两大部分：数据预处理与特征挖掘。

其中数据预处理工作是为了得到可用于特征挖掘模块的地面点光谱信息，其主要步骤如下：

步骤一：读取高光谱遥感影像，完成遥感影像的辐射定标、几何校正、地理配准、大气校正等预处理工作(可以通过ENVI软件完成预处理工作)。读取地面点采样的目标参数，根据实际情况与统计分析对采样点数据进行异常值剔除；

步骤二：根据步骤一筛选后的地面点数据，结合步骤一预处理后的高光谱遥感影像，根据地面点实测数据中的经纬度信息，定位遥感影像中的像元点，得到各地面点的光谱数据；

步骤三：对步骤二得到的地面点光谱数据进行连续去统处理(可以通过ENVI软件完成连续去统处理)；

步骤四：计算步骤一筛选后的地面点采样的目标参数T

其中变异系数的计算公式如下：

式中σ

步骤五：对步骤四处理后保留的波段信息，计算剩余各波段间的相关系数ρ

其中相关系数采用皮尔逊相关系数：

式中Cov(x,y)表示数据集x，y的协方差，μ

本实施例的特征挖掘部分采用了运算编码处理，将对相应编码采用投影寻踪与遗传加速算法进行数据挖掘，然后解码得到特征参数，分析特征参数与目标参数间的相关性，具体步骤如下：

步骤一：根据从左至右排列构架特征表达式的方式，对运算法则进行编码，其中假设特征表达式符合以下形式：

式中m表示特征表达式项数，

构建可重复数组AL＝[o

构建可重复数组AS＝[p

构建数组AP＝[l

构建数组AC＝[k

步骤二：根据需求设定步骤一内特征表达式中m的大小，枚举出整数型数组AL、AS、AP的所有组合形式，初始化一定数量的系数数组AC；

步骤三：将步骤二中枚举的AL、AS、AP、AC的所有形式进行不重复随机组合，得到随机组合集X，对随机组合集X各个组合按照步骤一的编码原理进行反向解码，得到随机组合集X所表示的特征计算表达式集，根据表达式计算得到对应的特征参数集F；

步骤四：剔除特征参数集F中重复的特征参数；计算余下的特征参数集中各特征参数F

步骤五：提取排序后位于前1％的且|ρ

以东洞庭湖水质反演为例，示例性对本发明的应用进行说明。

数据介绍：

1、野外实测数据：

2020年11月水质监测平均值，于洞庭湖水域布设11个监测点，东洞庭湖6个、南(西)洞庭共5个。水质参数为高锰酸盐指数、总磷、总氮、叶绿素a、透明度，如图2(a)和图2(b)所示。

2、遥感数据：

哨兵2号MSI数据，地面分辨率分别为10m、20m和60m，重访周期为10天，两颗互补情况下可缩短至5天。单景影像可覆盖南洞庭或东洞庭区域，其中南洞庭每月可获取三景数据，东洞庭水域每月两景，影像示意如图3(a)和图3(b)所示。

先采用本发明实施例1的数据预处理方法，对遥感影像进行大气校正，几何精校正，地理配准；随后采用水体指数提取洞庭湖水域像元，结果如图4所示。

根据监测点的地理信息，获取哨兵2号影像数据各波段反射率信息，而后，通过数据筛选，即数据预处理过程中的步骤三、四，完成光谱数据的自相似性降维处理，最终得到用于构建特征的待选取波段。

对待选取波段反射率，结合筛选后的监测点位数据进行流程中模块二：特征挖掘处理，得到最优特征组合。以水质参数中的总磷浓度指标为例，各组合交叉验证结果如图5(a1)～图5(d2)所示。

最终得到水体总磷浓度相关变量X

选取其中表现较好的一组反演模型进行测试集反演的残差分析，如图7所示，从图7可以看出，该反演模型的残差较小(仅第11个测试数据的反演残差数值较大)，能准确的反演出测试集中的水体总磷浓度值。

实施例2

本发明实施例2提供一种对应上述实施例1的终端设备，终端设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述实施例的方法。

本实施例的终端设备包括存储器、处理器及存储在存储器上的计算机程序；处理器执行存储器上的计算机程序，以实现上述实施例1方法的步骤。

在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。

实施例3

本发明实施例3提供了一种对应上述实施例1的计算机可读存储介质，其上存储有计算机程序/指令。计算机程序/指令被处理器执行时，实现上述实施例1方法的步骤。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。