一種結(jié)合樹木陰影特征的遙感影像毛白楊識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明是一項對地觀測領(lǐng)域的技術(shù),針對高分辨率多光譜遙感影像光譜及紋理特征識別樹種信息存在精度低、難度大的問題,本發(fā)明能夠有效修正樹種識別結(jié)果,大幅提高識別精度,是一項具有研究及應(yīng)用價值的空間分析技術(shù)。
【背景技術(shù)】
[0002]樹木在生態(tài)系統(tǒng)中扮演著重要的角色,具有涵養(yǎng)水源、保持水土、凈化空氣、衛(wèi)生保健、美化環(huán)境等功能,對于保護(hù)自然界生態(tài)平衡具有非常重要的作用。
[0003]傳統(tǒng)的森林監(jiān)測及城市樹種精細(xì)調(diào)查主要通過基層單位實地抽樣調(diào)查完成,存在投入的資金和人力大、完成的時間周期長、條件惡劣區(qū)作業(yè)困難、數(shù)據(jù)精度低、缺乏空間統(tǒng)計分析功能等問題。
[0004]航天遙感是一項綜合性探測技術(shù),隨著其分辨率不斷提高,高分辨率多光譜遙感技術(shù)在森林類型解譯、蓄積測定、健康評價等方面得到越來越廣闊應(yīng)用,通過遙感技術(shù)快速提取樹木信息、識別樹種對城市樹種調(diào)查、配置、管理及森林生態(tài)系統(tǒng)監(jiān)測具有重要意義。
[0005]目前,用于樹種精細(xì)識別的商用衛(wèi)星遙感空間分辨率可達(dá)0.4m(W0rldvieW-3),完全能分辨樹叢甚至單顆樹木,但是要準(zhǔn)確分辨具體的樹種還存在較大的難度。在樹種識別方法方面,相對于傳統(tǒng)的基于像元的處理方法而言,隨著高空間分辨率遙感影像的出現(xiàn),面向?qū)ο蠓椒ㄊ艿皆絹碓綇V的應(yīng)用。研究表明,面向?qū)ο蠓椒軌蛲ㄟ^具體的實體對象來分析地物的特征,更接近提取信息的思維邏輯,能夠極大地提高高分辨率影像的信息提取精度。Le Wang等用面向?qū)ο蠓诸惣夹g(shù)識別不同的紅樹林樹種,并和傳統(tǒng)的GLCM紋理特征比較,得到了更高的精度;Su等把對象的光譜和GLCM紋理信息結(jié)合起來,對復(fù)雜城市區(qū)域進(jìn)行實驗,結(jié)果表明紋理和光譜信息結(jié)合能夠有效改善面向?qū)ο蠓诸惖男Ч?br>[0006]以上方法都是針對對象的光譜及紋理特征進(jìn)行樹種的識別和提取,然而不同種類的樹木可能存在光譜及紋理特征相似的情況,給樹種的識別和提取帶來很大困難。陰影常被視為遙感影像地物識別的干擾信息,然而,從另一個角度,陰影包含著物體的三維信息,通過陰影特征分析可以反映不同地物的高度差異。因此,根據(jù)生態(tài)系統(tǒng)群落特征,結(jié)合各樹種陰影差異來輔助遙感影像光譜、紋理特征進(jìn)行樹種高精度識別具有重大的研究價值和推廣空間。
[0007]毛白楊是城鄉(xiāng)綠化、速生用材以及防護(hù)林的優(yōu)質(zhì)樹種,其品種適應(yīng)性強(qiáng)、枝葉茂密,廣泛分布于我國以黃河流域中下游為中心的十多個省。毛白楊高可達(dá)30米,在植被生態(tài)系統(tǒng)群落中往往處于頂層,在高分辨率多光譜遙感影像上可體現(xiàn)出比其它樹種更明顯的陰影特征?;诖颂卣?,本發(fā)明試圖建立一種結(jié)合樹木陰影特征的遙感影像毛白楊識別方法。該方法通過引入樹木的陰影特征,可有效彌補(bǔ)遙感影像光譜及紋理特征相似的樹種難以區(qū)別的技術(shù)難題,大幅度修正毛白楊識別結(jié)果,對處于生態(tài)系統(tǒng)上游的高大樹種識別具有重大的借鑒意義。
【發(fā)明內(nèi)容】
[0008]本發(fā)明提出一種結(jié)合樹木陰影特征的遙感影像毛白楊識別方法,通過將樹木陰影特征作為樹種識別的輔助特征,有效解決了遙感影像光譜及紋理特征識別樹種的技術(shù)難題,有益于研究、應(yīng)用和進(jìn)一步推廣。該度量方法包括如下步驟:
步驟1)對研究區(qū)遙感影像進(jìn)行多尺度分割,形成分割結(jié)果圖;步驟2)基于所述分割結(jié)果圖中每個對象的光譜及紋理特征進(jìn)行毛白楊初步識別,形成毛白楊初步識別結(jié)果圖;步驟3)基于所述分割結(jié)果圖中每個對象的光譜特征進(jìn)行陰影提取,形成陰影提取結(jié)果圖;步驟4)從所述陰影提取結(jié)果圖中選取所述毛白楊初步識別結(jié)果圖中各毛白楊斑塊所對應(yīng)的陰影,并估算其陰影長度;步驟5)基于所述陰影長度進(jìn)行樹木高度的估算,作為度量各毛白楊斑塊平均樹高的參考值;步驟6)基于所述毛白楊斑塊平均樹高信息,對所述毛白楊初步識別結(jié)果進(jìn)行修正,形成毛白楊精確識別結(jié)果圖。
[0009]進(jìn)一步地,所述步驟1)中研究區(qū)遙感影像分割的方法如下:采用多尺度分割算法,確定最大分割尺度130,尺度數(shù)3,尺度間隔0.6,將遙感影像分割成高度同質(zhì)性的分割對象,形成分割結(jié)果圖。
[0010]進(jìn)一步地,所述步驟2)中毛白楊初步識別方法如下:利用步驟1)中形成的分割結(jié)果圖中每個對象的光譜特征亮度Brightness及紋理特征灰度共生矩陣同質(zhì)性GLCM-H0M0,采用多參數(shù)閾值法,即使用如下計算公式(a ( Brightness ( β )and( γ彡GLCM-HOMO彡δ ),形成毛白楊初步識別結(jié)果圖,其中,α、β為Brightness的閾值,γ、δ為GLCM-HOMO的閾值。
[0011]進(jìn)一步地,所述步驟3)中陰影提取方法如下:利用步驟1)中形成的分割結(jié)果圖中每個對象的光譜特征亮度Brightness,采用參數(shù)閾值法,即使用如下計算公式Brightness ^ ε,形成陰影提取結(jié)果圖,其中,ε為Brightness進(jìn)行陰影提取的閾值。
[0012]進(jìn)一步地,所述步驟4)中毛白楊斑塊陰影長度的估算方法如下:以步驟2)中毛白楊初步識別結(jié)果圖各毛白楊斑塊為基礎(chǔ),從步驟3)陰影提取結(jié)果圖中選取各毛白楊斑塊所對應(yīng)的陰影,形成毛白楊及其陰影提取結(jié)果圖,沿著樹木陰影方向在遙感影像上繪制一系列平行直線,在陰影邊界與平行直線的交點處對平行直線進(jìn)行打斷,求取每個陰影內(nèi)所有平行線段長度均值作為相應(yīng)毛白楊斑塊的陰影長度。
[0013]進(jìn)一步地,所述步驟5)中毛白楊斑塊平均樹高的估算方法如下:基于各毛白楊斑塊的陰影長度,根據(jù)遙感影像成像時刻的太陽高度角進(jìn)行樹高Height估算,即使用如下計算公式Height=(Length+r).tan Θ,得到各毛白楊斑塊平均樹高信息,其中,Length為陰影長度,Θ為太陽高度角,r為毛白楊冠幅平均半徑。
[0014]進(jìn)一步地,所述步驟6)中毛白楊精確識別方法如下:根據(jù)步驟5)中所述的毛白楊斑塊的高度特征,對所述的步驟2)中毛白楊初步識別結(jié)果進(jìn)行修正,采用閾值法,即使用如下計算公式Height多σ,剔除初步識別結(jié)果圖中樹高小于σ的對象,形成毛白楊精確識別結(jié)果圖,其中,σ為毛白楊精確識別的高度閾值。
【附圖說明】
[0015]圖1為分割結(jié)果圖;
圖2為毛白楊初步識別結(jié)果圖; 圖3為陰影提取結(jié)果圖;
圖4為毛白楊及其陰影提取結(jié)果圖;
圖5為輔助陰影長度計算的平行線段分布圖;
圖6為陰影長度計算結(jié)果圖;
圖7為樹高、陰影長度、樹冠幅半徑及太陽高度角關(guān)系圖;
圖8為毛白楊斑塊平均樹高計算結(jié)果圖;
圖9為毛白楊精確識別結(jié)果圖;
圖10為誤剔除毛白楊斑塊位置圖。
【具體實施方式】
[0016]下面結(jié)合附圖對本發(fā)明“一種結(jié)合樹木陰影特征的遙感影像毛白楊識別方法”作進(jìn)一步說明。
[0017]本發(fā)明試圖引入樹木的陰影特征來輔助高分辨率多光譜遙感影像光譜和紋理特征進(jìn)行毛白楊精細(xì)識別,大幅度提高了毛白楊的識別精度,為高分辨率多光譜遙感影像樹種識別和提取提供參考。
[0018]1)研究區(qū)遙感影像分割
研究區(qū)位于奧林匹克森林公園,覆蓋0.72kmX0.48km區(qū)域范圍,研究區(qū)分布著多個毛白楊林地斑塊,各斑塊內(nèi)毛白楊分布密集,數(shù)量從數(shù)顆到上百顆不等,平均樹高15m以上。除毛白楊外,研究區(qū)分布著柏樹、松樹、白蠟、柳樹、天目瓊花、韃靼忍冬、郁香忍冬等多種其它植被景觀,高度由lm至10m不等。各毛白楊斑塊與其它樹木交相輝映,形成高低錯落有致的生態(tài)系統(tǒng)群落。在0.4m高空間分辨率Worldview-3標(biāo)準(zhǔn)假彩色遙感影像上,毛白楊斑塊色調(diào)暗紅、紋理略粗。
[0019]根據(jù)研究區(qū)毛白楊影像特征,采用多尺度分割算法進(jìn)行遙感影像面向?qū)ο蠓指?。多尺度分割算法是較為常用的一種分割方法,能夠生成高度同質(zhì)性的影像分割區(qū)域,從而以最佳的尺度分離和表示地物目標(biāo)。在某指定的尺度下分割時,通過合并相鄰的像素或小的分割對象,在保證對象內(nèi)部像元之間同質(zhì)性最大的前提下,基于區(qū)域合并技術(shù)實現(xiàn)影像分割。
[0020]將最大分割尺度設(shè)為130,尺度數(shù)設(shè)為3,尺度間隔設(shè)為0.6,即最大尺度、中間尺度和最小尺度分別為130、130X0.6=78,78X0.6=47,分割中顏色因子占的比例設(shè)為0.7,分割中形狀因子中平滑度因子所占的比例設(shè)為0.5,將研究區(qū)遙感影像分割成高度同質(zhì)性的影像分割單元,將每個分割單元作為一個對象。
[0021]圖1為分割結(jié)果圖,分割結(jié)果表明,分割尺度適中,未造成地物景觀過度破碎,且各對象內(nèi)部樹木種類均一,為毛白楊精細(xì)識別奠定了良好基礎(chǔ)。
[0022]2)毛白楊初步識別
本發(fā)明充分綜合毛白楊的光譜特征亮度Brightness及紋理特征灰度共生矩陣同質(zhì)性GLCM-H0M0,采用多參數(shù)閾值法進(jìn)行面向?qū)ο竺讞畛醪阶R別。
[0023]亮度是最基本的光譜特征,反映了各波段像元亮度的平均值。
[0024]紋理特征是細(xì)小物體在影像上大量重復(fù)出現(xiàn)所形成的規(guī)律和特征,它是大量個體的大小、形狀、陰影和色彩的綜合反映,它描述像元亮度的空間變化特性。灰度共生矩陣(GLCM)是廣泛使用的紋理特征提取方法,其基本原理是計算局域范圍內(nèi)像元灰度級共同出現(xiàn)的頻率,不同的空間關(guān)系和紋理會產(chǎn)生不同的共生矩陣,以此來區(qū)分不同的紋理和結(jié)構(gòu)特性。同質(zhì)性是灰度共生矩陣常用的統(tǒng)計測度方法,是影像紋理相似性的度量,其值越高代表局部區(qū)域缺乏變化,具有較小的灰度差異。遙感影像上道路、草地、屋頂?shù)奶卣髦递^大,而樹木、小路、陰影的特征值較小。
[0025]對每個分割對象進(jìn)行光譜特征亮度Brightness及紋理特征灰度共生矩陣同質(zhì)性GLCM-H0M0 的計算。
[0026]采用多參數(shù)閾值法,即Brightness、GLCM-HOMO分別取閾值,取二者的交集(見公式1 ),完成毛白楊的初步識別。
[0027]( α Brightness β ) and ( γ GLCM-HOMO δ ) (1)
其中,α、β為Brightness的閾值,γ、δ為GLCM-H0M0的閾值。
[0028]在確保識別結(jié)果中最大程度涵蓋毛白楊信息的前提下,主要根據(jù)毛白楊在影