基于高分辨率影像的区域自适应耕地提取方法

摘要

本发明属于遥感应用技术领域，具涉及一种基于高分辨率影像的区域自适应耕地提取方法，包括：对数据进行预处理；对高分辨率影像进行多尺度分割，确定耕地的最优分割尺度，得到耕地分类的最优分割层；在最优分割层中构建多个耕地样本集，形成每个耕地样本集的属性特征空间；进行最优影像特征空间选择；根据最优影像特征空间构建耕地提取的模糊分类器；基于耕地样本集和模糊分类器进行耕地提取。本发明通过耕地样本集与模糊分类器相结合的方式实现了耕地对象的自动识别。通过选择最优分割尺度和不同耕地样本集的属性特征空间，提高了高分辨率影像的分割对象的均质性和模糊分类器的提取精度；通过耕地样本集的构建，降低了数据源对时相和数量的限制要求。

主权项

一种基于高分辨率影像的区域自适应耕地提取方法，其特征在于，所述提取方法包括：S1，对数据进行预处理；S2，对高分辨率影像进行多尺度分割，确定耕地的最优分割尺度，得到耕地分类的最优分割层；S3，在最优分割层中构建多个耕地样本集，形成每个耕地样本集的属性特征空间；S4，对每一个耕地样本集，进行最优影像特征空间选择；S5，对每一个耕地样本集，根据最优影像特征空间构建耕地提取的模糊分类器；S6，基于耕地样本集和模糊分类器进行耕地提取：S61，根据耕地样本集的属性特征空间，逐一对步骤S2最优分割后的对象进行属性特征计算；S62，分别对S61得到的属性特征计算结果与步骤S3构建的耕地样本集的属性特征空间范围值进行匹配，如果对象的属性特征值在某一耕地样本集的属性特征范围内，则记为1，否则记为0，得到匹配矩阵D_ij$D_{ij}={\left[\begin{array}{c}{l}_1,l_2,l_3,l_4,...l_i\\ p_1,p_2,p_3,p_4,...p_i\\ n_1,n_2,n_3,n_4,...n_i\\ b_1,b_2,b_3,b_4,...b_i\\ \mathrm{...................}\\ w_1,w_2,w_3,w_4,...w_i\end{array}\right]}^T$其中，l，p，n，b，…，w分别为耕地样本集的属性特征，i为耕地样本集的个数，j为属性特征的个数，T表示矩阵的转置；S63，根据定义的耕地样本集中每个属性特征所占权重值与匹配矩阵D_ij，分别计算对象与每一个耕地样本集的相似度，得到相似度矩阵S_i，$S_i=D_{ij}\times {\delta }_j={\left[\begin{array}{c}{l}_1,l_2,l_3,l_4,...l_i\\ p_1,p_2,p_3,p_4,...p_i\\ n_1,n_2,n_3,n_4,...n_i\\ b_1,b_2,b_3,b_4,...b_i\\ ..................·\\ w_1,w_2,w_3,w_4,...w_i\end{array}\right]}^T\times \left[\begin{array}{c}{\delta }_1\\ {\delta }_2\\ {\delta }_3\\ {\delta }_4\\ ...\\ {\delta }_j\end{array}\right]=\left[\begin{array}{c}{S}_1\\ S_2\\ S_3\\ S_4\\ ...\\ S_i\end{array}\right]$其中，δ_i为样本集属性特征权重矩阵，δ_i根据区域情况进行自定义；S64，设定相似度矩阵S_i的阈值判断条件，若对象与某个耕地样本集的相似度满足阈值判断条件，则对象与某个耕地样本集相匹配；S65，根据S64的匹配结果，对该对象执行相匹配的耕地样本集对应的模糊分类器，得到分类类别函数E(i)和类别隶属度ω(i)，S66，采用加权投票法进行耕地加权计算，计算公式如下：$E\left(x\right)=\underset{i=1}{\overset{n}{\Sigma }}\left(E\right(i)\times \omega (i\left)\right)$其中，E(x)为耕地加权判断函数，n为与对象x相匹配的模糊分类器总数，i为模糊分类器的个数，i＝1，…，n；S67，对对象是否为耕地进行判断，判断条件如下：