[發明專利]基于多樣性特征聯合的林地變化遙感監測方法

有效

• 申請號: 202011088024.9
• 申請日: 2020-10-13
• 公開（公告）號: CN112257531B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 馮偉;鐘嫻;全英匯;王勇;李強;趙國平;董淑仙;王碩
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06N20/20
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;陳宏社

1.一種基于多樣性特征聯合的林地變化遙感監測方法，其特征在于，包括如下步驟：

(1)對林地遙感影像數據進行預處理：

(1a)讀取不同時間的林地遙感影像集A＝{A₁,A₂,...,A_t,...,A_T}，其中A_t表示第t個時間點的大小為M×N×D的遙感影像，T表示林地遙感影像的總數，T≥2，M、N、D分別表示A_t的行數、列數、光譜波段數目，M≥10，N≥10，D≥4；

(1b)對每幅林地遙感影像A_t進行輻射校正，得到輻射校正后的林地遙感影像集A'＝{A'₁,A'₂,...,A'_t,...,A'_T}，并對每幅輻射校正后的林地遙感影像A'_t進行大氣校正,得到大氣校正后的林地遙感影像集A”＝{A”₁,A”₂,...,A”_t,...,A”_T}；

(2)獲取大氣校正后的林地遙感影像集A”的光譜特征向量集G₁：

利用光譜波段的反射率計算每幅大氣校正后的林地遙感影像A”_t的歸一化植被指數NDVI_t、比值植被指數RVI_t和增強植被指數EVI_t，并將NDVI_t、RVI_t和EVI_t組合成光譜特征向量集G_1t，得到A”對應的光譜特征向量集G₁＝{G₁₁,G₁₂,...,G_1t,...,G_1T}；

(3)獲取大氣校正后的林地遙感影像集A”的紋理特征向量集G₂：

(3a)設置包括兩個相互嵌套且中心點重合的正方形滑窗w₁和w₂的復合窗口，w₁的大小為(2p+1)×(2p+1)，w₂的大小為(2q+1)×(2q+1)，p和q均為整數，p≥1，q≥1，且p＞q；

(3b)以1為步長，并按照先行后列的順序通過復合窗口對A”_t每一個波段d進行滑動掃描，得到滑窗w₁對應的遙感影像塊的集合B(i,j,d)和滑窗w₂對應的遙感影像塊的集合C(i,j,d)：

其中d∈D，m和n分別表示復合窗口的中心點在A”_t中所處的行數和列數，I(m+i-p-1,n+j-p-1,d)和I(m+i-q-1,n+j-q-1,d)分別表示w₁和w₂中包含的A”_t的像素值；

(3c)通過B(i,j,d)和C(i,j,d)計算滑窗w₁對應的A”_t的第d個波段的五個紋理特征：數據范圍f_1,d、均值f_2,d、方差f_3,d、熵f_4,d和偏斜f_5,d，同時計算滑窗w₂對應的A”_t第d個波段的五個紋理特征：數據范圍g_1,d、均值g_2,d、方差g_3,d、熵g_4,d和偏斜g_5,d，得到A”_t的D個波段共包含D×10個紋理特征向量的紋理特征向量集G_2t，則A”的D個波段的紋理特征向量集為G₂＝{G₂₁,G₂₂,...,G_2t,...,G_2T}；

(4)對光譜特征向量集G₁和紋理特征向量集G₂分別進行歸一化：

對光譜特征向量集G₁和紋理特征向量集G₂分別進行歸一化，得到歸一化后的光譜特征向量集f(G₁)和紋理特征向量集f(G₂)：

其中和分別表示G₁和G₂每一列的均值，σ_1,(i)和σ_2,(i)分別表示G₁和G₂每一列的方差，；

(5)對光譜特征向量集f(G₁)和紋理特征向量集f(G₂)進行多樣性特征聯合：

對光譜特征向量集f(G₁)和紋理特征向量集f(G₂)進行多樣性特征聯合，得到包括U個混合特征向量的多樣性特征集G：

其中，F_u表示第u個混合特征向量，F_u＝[a_1u,a_2u,...,a_qu,...,a_Qu]^T，[·]^T表示轉置，a_qu表示第u個混合特征向量的第q個特征，[a_q1,a_q2,..,a_qu,..,a_qU]表示第q個樣本向量，G共包含了Q個樣本向量，Q＝M×N×T，U＝3+(D×10)；

(6)獲取訓練樣本集X_train和測試樣本集X_test：

對每幅遙感影像A_t中二維遙感影像的M×N個像素點進行標注，并將Q個像素點的標簽組成標簽集Y，然后隨機選取G中的S個樣本向量及Y中與S個樣本向量對應的標簽作為訓練樣本集X_train，將G中剩余的樣本向量及Y中剩余的標簽作為測試樣本集X_test，其中

(7)構建隨機森林分類模型并進行迭代訓練：

(7a)構建包括K棵深度為depth的決策樹的隨機森林分類模型L，L＝{L₁,L₂,...,L_k,...,L_K}，設迭代次數為k，最大迭代次數為K，并令k＝1，其中depth≥10，K≥500，L_k表示第k棵決策樹；

(7b)從X_train中隨機有放回地抽取S次樣本向量及標簽，每次抽取1個樣本向量及其對應的標簽，并將S次抽取的樣本向量及標簽作為每棵決策樹L_k的輸入進行訓練，得到訓練后的第k棵決策樹L′_k；

(7c)判斷k≥K是否成立，若是，得到訓練后的隨機森林分類模型L′,否則令k＝k+1，并執行步驟(7b)；

(8)獲取林地變化信息：

把測試樣本集X_test作為訓練后的隨機森林分類模型L′的輸入進行分類，并將分類得到的結果作為林地變化信息。