互花米草新生斑块的动态监测方法专利检索-峰值信噪比信噪比信号处理专利检索查询-专利查询网

互花米草新生斑块的动态监测方法

阅读：1025发布：2020-06-09

专利汇可以提供互花米草新生斑块的动态监测方法专利检索，专利查询，专利分析的服务。并且本发明公开了互花米草新生斑块的动态监测方法，属于环境监测技术领域；本发明主要致力于解决河口湿地环境复杂，互花米草新生斑块的野外监测和测量工作难以进行，且现应用较多的是中空间分辨率卫星由于其空间分辨率的限制，只能满足景观尺度的监测要求，无法识别新生细小斑块；利用单一平台高分辨率卫星由于其重访周期和河口多云多雨的天气限制，不利于新生斑块的动态变化监测，而多平台高分辨率卫星具有不同的空间分辨率，直接分别使用无法得到准确的新生斑块识别与测量，为此，我们提出一种基于多平台高分辨率卫星数据融合技术的大范围、非接触性的互花米草新生斑块动态监测方法。，下面是互花米草新生斑块的动态监测方法专利的具体信息内容。

权利要求

1.互花米草新生斑块的动态监测方法，其特征在于，包括以下步骤：
S1、新生斑块潜在定植区域识别：利用中分辨率遥感卫星图像，根据目视解译的方法，并充分考虑互花米草与其他植被的时相差异，识别互花米草由海向陆的范围边界，并结合潮位数据得到潮间带范围，从而将未识别互花米草范围边界的潮间带区域作为新生斑块潜在定植区域；
S2、多源多时相高空间分辨率卫星图像采集：采集覆盖上述潜在定植区的多年同一生长旺季月份GF-1、GF-2、SPOT-6、或者WorldView-2图像，保证每年的生长旺季存在一景图像；
S3、多源多时相高空间分辨率卫星图像预处理：对所用多时相多源高分卫星图像进行辐射定标、大气校正、图像融合、配准、镶嵌与裁剪预处理；
S4、处理后卫星图像的超分辨率重建：将不同分辨率的高分图像，使用FSRCNN模型深度学习方法进行超分辨率重建；
S5、互花米草新生斑块的识别：采用像元灰度值的分水岭分割算法，进行一次图像预分割，得到初步的分割单元；而后将光谱、形状特征耦合，进行图斑合并完成总体分割来达到互花米草斑块的识别目的；
S6、互花米草新生斑块的提取和测量：将分割后的结果图叠加到0.5m的图像上，通过目视解译提取第一步骤中互花米草新生斑块；其次在ARCGIS中计算每个图斑的最小外包矩形的四邻坐标；再次通过属性表汇总得到每个图斑的南北、东西向距离；最后通过属性表的计算几何得到每个图斑的面积和周长；
S7、野外测量以及结果校正：从提取结果图中选取已经识别的斑块，按照斑块面积由大到小分为5类、每一类选取10个野外较容易到达的斑块，利用GPS定位及目视解译高清图像的方法，前往野外，对每个斑块进行定位，并测量每一斑块的面积、周长、东西南北向距离、形状、高度、株数、覆盖度、物候期、生活力及周围环境等属性。以野外测量值为X，卫星图像提取结果图中的斑块测量值为Y，做线性拟合，得到拟合方程：
Y＝a*X+b
再用拟合公式来校正所有斑块的卫星测量值；
S8、互花米草新生斑块扩张动态测量：使用多时相多平台高空间分辨率图像执行前五个步骤，得到互花米草新生斑块扩张动态测量，将前五个步骤获得的多时期精确的互花米草新生斑块测量值经过统计学等分析方法，对早期识别的互花米草新生斑块的扩散模式进行及时动态监测。
2.根据权利要求1所述的互花米草新生斑块的动态监测方法，其特征在于：所述S3中提到的图像数据预处理流程为：
1)、辐射定标：根据ENVI提供的Apply Gain and Offset工具对多光谱数据和全色数据进行辐射定标；
2)、大气校正：采用ENVI 软件中的FLAASH大气校正模块对高分多光谱图像进行大气校正；
3)、正射校正：利用DEM数据对图像因高程起伏而导致的图像空间畸变进行校正，生成多中心投影平面正射校正图像；
4)、图像融合：采用Gram-Schmidt法分别对多源多时相高空间分辨率卫星图像进行融合，得到融合后的多时相多源高分卫星图像；
5)、图像配准：借助区域已有的经校正的遥感图像作为参考图像，选取20-25个地面控制点，采用二次多项式重采样技术进行校正，总误差控制在0.5个像元之内；
6)、图像裁剪：借助已有新生斑块潜在定植区域矢量数据，对己经校正的图像进行裁剪，得到预处理后图像。
3.根据权利要求1所述的互花米草新生斑块的动态监测方法，其特征在于：所述S4中提到的FSRCNN模型分为五层，分别为特征提取层，收缩层，映射层，扩展层和重构层，前四层是卷积处理，用于从高维数据提取出低维数据；而最后一部分重构层是反卷积处理，用于将低维数据映射成高维输出，分别用Conv(滤波器大小,滤波器个数,通道数量)表示卷积处理，DeConv(滤波器大小,滤波器个数,通道数量)表示反卷积处理。
4.根据权利要求1或3所述的互花米草新生斑块的动态监测方法，其特征在于：FSRCNN网络模型中使用PRe LU函数作为每个卷积层之后的激活函数，PRe LU函数如下式所示：
使用反向误差传播算法来降低重建图像和目标图像之间的损失值，训练完成后可得到网络的权值参数，采用均方差作为损失函数；通过计算峰值信噪比，定量评估评价一幅图像重建后图像和原图像相比质量的好坏，峰值信噪比越高，压缩后失真越小。峰值信噪比常简单地通过均方误差进行定义，两个m×n单色图像I和K，如果一个为另外一个的噪声近似，那么它们的的均方误差定义为:
峰值信噪比数学公式如下：
其中，MAXI是表示图像点颜色的最大数值。
5.根据权利要求1所述的互花米草新生斑块的动态监测方法，其特征在于：所述S5和S6中所提到的互花米草新生斑块的识别以及提取和测量，本发明还结合了高分辨率图像体现出来的颜色、形状等特征进行合并，从而得到最终分割结果，以上两个步骤分别通过分水岭算法与快速图斑合并技术实现，具体技术步骤为：
Ⅰ、亚基元的获取：首先读入彩色图像，将其转化成灰度图像，然后通过分水岭分割算法对图像进行一次初分割，获取亚基元；
Ⅱ、图斑合并的代价准则：采用合并代价准则函数，该函数由合并图斑的光谱异质性参量和形状异质性参量两部分构成：
f＝w×hcolor+(1-w)×hshape
其中w是为光谱、形状异质性分配的权重，区间为[0，1]，hcolor 色调权重和hshape形状权重，区间均为(0,1)；
光谱异质性是合并后父图斑标准差与合并前两子图斑标准差之和的差，并按面积进行加权：
其中c是波段总数，wc则是各个波段由用户分配的权重，以此计算多波段图像中斑块合并的光谱差异。
形状异质性又由紧致度异质性和光滑度异质性两部分加权构成：
hshape＝wcmpct×hcmpct+(1-wcmpct)×hsmooth
紧致度差异则由以下公式计算:
光滑度差异由以下公式计算:
以上公式中，l为对象实际周长，n为对象像元个数，b为对象的外接矩形的周长。紧致度、光滑度所占权值由用户设定调整。
在合并过程中重复计算父图斑的标准差显然效率低下，为此采用如下的合并后样本标准差快速计算方式:
上式中m1、m2分别为两斑块的均值；
Ⅲ、图斑的快速合并，在确定了初始小图斑、合并代价函数等条件的基础上，采用“尺度参数”来控制整个合并过程，该参数的实质是合并代价阈值。

说明书全文

互花米草新生斑块的动态监测方法

技术领域

[0001] 本发明涉及环境监测技术领域，尤其涉及互花米草新生斑块的动态监测方法。

背景技术

[0002] 滨海湿地位于陆地生态系统和海洋生态系统之间的生态交错带，其生物多样性丰富，提供着重要的生态服务功能；同时，由于自然与人类的双重影响，滨海湿地也是是敏感的生态脆弱区，互花米草是我国滨海湿地的重要外来物种入侵物种，在2003年被列入原国
家环境保护总局公布的第一批入侵物种名单，目前，互花米草在我国沿海大面积扩散，其快速扩散极大地降低了滨海湿地的生物多样性，造成原生植被大量死亡，加剧海草床的退化，从而导致了严重的生态安全问题，对于互花米草的有效防控是目前生态环境部门面临的巨
大难题。

[0003] 互花米草的扩散分为长距离扩散和短距离扩散，一般来说，分为三个阶段：互花米草种子首先成功定居形成新的细小斑块，每个斑块之间均不相邻接；然后，细小斑块以“摊大饼”方式不断向外扩张形成大的斑块；最后，斑块连接成片状继续扩张。有研究表明，在互花米草的定植扩散初期对其采取必要的灭草措施，可以极大的提高互花米草入侵的防控效率。因此，早期识别互花米草新生斑块并对其扩散速度进行及时动态监测，对于互花米草的高效防控具有重要作用。

[0004] 对于新生斑块的监测和测量，目前多是通过传统的野外调查，对小斑块的维度、面积、周长进行测量。野外调查的方法不仅耗时耗力，还只能实现对研究区局部斑块的测量。另外，河口湿地环境复杂，很多地区难以进入，更给野外测量增加难度。

[0005] 卫星遥感技术因其多时相、大范围的特点，逐渐被研究者应用于景观尺度植被变化的监测中。目前应用较多的是陆地卫星等中空间分辨率卫星，由于其空间分辨率的限制，无法识别新生小斑块，只能在互花米草蔓延成片之后才能对其进行识别。高空间分辨率遥
感数据，尤其是亚米级分辨率遥感数据，为新生细小斑块的识别提供了可能。单一卫星由于其重访周期和河口多云多雨的天气限制，不利于新生斑块的动态变化监测。多源、多平台高分辨率卫星数据的联合使用，则可以帮助解决该问题。高分辨率卫星数据多具有不同的空
间分辨率，直接使用这些数据会增加斑块识别和监测的误差及不确定性，为解决上述不足，本发明将提出一种基于多平台高分辨率卫星数据融合技术的大范围、非接触性的互花米草
新生斑块动态监测方法。

发明内容

[0006] 本发明的目的在于提供互花米草新生斑块的动态监测方法，以解决上述背景技术中提出的问题：

[0007] (1)河口湿地环境复杂，许多地方难以进入。互花米草新生斑块的野外监测和测量耗时耗力，并难以从整体上了解新生斑块的分布情况；

[0008] (2)应用较多的是中空间分辨率卫星由于其空间分辨率的限制，只能满足景观尺度的监测要求，无法识别新生细小斑块；

[0009] (3)单一平台高分辨率卫星由于其重访周期和河口多云多雨的天气限制，不利于新生斑块的动态变化监测；

[0010] (4)多平台高分辨率卫星具有不同的空间分辨率，直接分别使用无法得到准确的新生斑块识别与测量。

[0011] 为了实现上述目的，本发明采用了如下技术方案：

[0012] 1.互花米草新生斑块的动态监测方法，包括以下步骤：

[0013] S1、新生斑块潜在定植区域识别：利用中分辨率遥感卫星图像，根据目视解译的方法，并充分考虑互花米草与其他植被的时相差异，识别互花米草由海向陆的范围边界，并结合潮位数据得到潮间带范围，从而将未识别互花米草范围边界的潮间带区域作为新生斑块潜在定植区域；

[0014] S2、多源多时相高空间分辨率卫星图像采集：采集覆盖上述潜在定植区的多年同一生长旺季月份GF-1、GF-2、SPOT-6、或者 WorldView-2图像，保证每年的生长旺季存在一景图像；

[0015] S3、多源多时相高空间分辨率卫星图像预处理：对所用多时相多源高分卫星图像进行辐射定标、大气校正、图像融合、配准、镶嵌与裁剪预处理；

[0016] S4、处理后卫星图像的超分辨率重建：将不同分辨率的高分图像，使用FSRCNN模型深度学习方法进行超分辨率重建；

[0017] S5、互花米草新生斑块的识别：采用像元灰度值的分水岭分割算法，进行一次图像预分割，得到初步的分割单元(由于它不是最后分割结果，可称其为亚基元)；而后将光谱、形状特征耦合，进行图斑合并完成总体分割来达到互花米草斑块的识别目的；

[0018] S6、互花米草新生斑块的提取和测量：将分割后的结果图叠加到 0.5m的图像上，通过目视解译提取第一步骤中互花米草新生斑块；其次在ARCGIS(地理信息系统系列软件)
中计算每个图斑的最小外包矩形的四邻坐标；再次通过属性表汇总得到每个图斑的南北、
东西向距离；最后通过属性表的计算几何得到每个图斑的面积和周长；

[0019] S7、野外测量以及结果校正：从提取结果图中选取已经识别的斑块，按照斑块面积由大到小分为5类、每一类选取10个野外较容易到达的斑块，利用GPS定位及目视解译高清图像的方法，前往野外，对每个斑块进行定位，并测量每一斑块的面积、周长、东西南北向距离、形状、高度、株数、覆盖度、物候期(营养期、花蕾期、开花期、结实期、休眠期)、生活力(强、中、弱)及周围环境等属性。以野外测量值为X，卫星图像提取结果图中的斑块测量值为Y，做线性拟合，得到拟合方程：

[0020] Y＝a*X+b

[0021] 再用拟合公式来校正所有斑块的卫星测量值；

[0022] S8、互花米草新生斑块扩张动态测量：使用多时相多平台高空间分辨率图像执行前五个步骤，得到互花米草新生斑块扩张动态测量，将前五个步骤获得的多时期精确的互
花米草新生斑块测量值经过统计学等分析方法，对早期识别的互花米草新生斑块的扩散模
式进行及时动态监测。

[0023] 优选的，所述S3中提到的图像数据预处理流程为：

[0024] 1)、辐射定标：根据ENVI(完整的遥感图像处理平台)提供的Apply Gain and Offset工具对多光谱数据和全色数据进行辐射定标；

[0025] 2)、大气校正：采用ENVI(完整的遥感图像处理平台)软件中的FLAASH大气校正模块对高分多光谱图像进行大气校正；

[0026] 3)、正射校正：利用DEM数据对图像因高程起伏而导致的图像空间畸变进行校正，生成多中心投影平面正射校正图像；

[0027] 4)、图像融合：采用Gram-Schmidt法分别对多源多时相高空间分辨率卫星图像进行融合，得到融合后的多时相多源高分卫星图像；

[0028] 5)、图像配准：借助区域已有的经校正的遥感图像作为参考图像，选取20-25个地面控制点，采用二次多项式重采样技术进行校正，总误差控制在0.5个像元之内；

[0029] 6)、图像裁剪：借助已有新生斑块潜在定植区域矢量数据，对己经校正的图像进行裁剪，得到预处理后图像。

[0030] 优选的，所述S4中提到的FSRCNN模型分为五层，分别为特征提取层，收缩层，映射层，扩展层和重构层，前四层是卷积处理，用于从高维数据提取出低维数据；而最后一部分重构层是反卷积处理，用于将低维数据映射成高维输出，分别用Conv(fi,ni,ci)表示卷积处理， DeConv(fi,ni,ci)表示反卷积处理，其中变量fi，ni，ci分别代表滤波器大小，滤波器个数和通道数量。

[0031] 优选的，FSRCNN网络模型中使用PRe LU函数作为每个卷积层之后的激活函数，PRe LU函数如下式所示：

[0032]

[0033] 使用反向误差传播算法来降低重建图像和目标图像之间的损失值，训练完成后可得到网络的权值参数，采用均方差(MSE)作为损失函数；通过计算峰值信噪比(PSNR)，定量评估评价一幅图像重建后图像和原图像相比质量的好坏，峰值信噪比越高，压缩后失真越
小。峰值信噪比常简单地通过均方误差(MSE)进行定义，两个m×n单色图像I和K，如果一个
为另外一个的噪声近似，那么它们的的均方误差定义为:

[0034]

[0035] 峰值信噪比数学公式如下：

[0036]

[0037] 其中，MAXI是表示图像点颜色的最大数值。

[0038] 优选的，所述S5和S6中所提到的互花米草新生斑块的识别以及提取和测量，本发明还结合了高分辨率图像体现出来的颜色、形状等特征进行合并，从而得到最终分割结果，以上两个步骤分别通过分水岭算法与快速图斑合并技术实现，具体技术步骤为：

[0039] Ⅰ、亚基元的获取：首先读入彩色图像，将其转化成灰度图像，然后通过分水岭分割算法对图像进行一次初分割，获取亚基元；

[0040] Ⅱ、图斑合并的代价准则：采用合并代价准则函数，该函数由合并图斑的光谱异质性参量和形状异质性参量两部分构成：

[0041] f＝w×hcolor+(1-w)×hshape

[0042] 其中w是为光谱、形状异质性分配的权重，区间为[0，1]，hcolor 色调权重和hshape形状权重，区间均为(0,1)；

[0043] 光谱异质性是合并后父图斑标准差与合并前两子图斑标准差之和的差，并按面积进行加权：

[0044]

[0045] 其中c是波段总数，wc则是各个波段由用户分配的权重(默认均为1.0)，以此计算多波段图像中斑块合并的光谱差异。

[0046] 形状异质性又由紧致度异质性和光滑度异质性两部分加权构成:

[0047] hshape＝wcmpct×hcmpct+(1-wcmpct)×hsmooth

[0048] 紧致度差异则由以下公式计算:

[0049]

[0050] 光滑度差异由以下公式计算:

[0051]

[0052] 以上公式中，l为对象实际周长，n为对象像元个数，b为对象的外接矩形的周长。紧致度、光滑度所占权值由用户设定调整。

[0053] 在合并过程中重复计算父图斑的标准差显然效率低下，为此采用如下的合并后样本标准差快速计算方式:

[0054]

[0055] 上式中m1、m2分别为两斑块的均值；

[0056] Ⅲ、图斑的快速合并，在确定了初始小图斑、合并代价函数等条件的基础上，采用“尺度参数”来控制整个合并过程，该参数的实质是合并代价阈值。

[0057] 与现有技术相比，本发明提供了互花米草新生斑块的动态监测方法，具备以下有益效果：

[0058] (1)与传统的野外采样方法相比，本发明省时省力，能够对滨海湿地大范围互花米草新生斑块的进行总览；具有非接触性的优点，避免了由于环境复杂，人无法进入而无从了解互花米草初期扩散的情况；通过多源多时相卫星数据对互花米草新生斑块的精确测量，
能够短时间内准确捕获到互花米草扩散初期的情况，提高对互花米草的防控效率；

[0059] (2)与中分辨率卫星遥感技术相比，本发明采用高分辨率卫星遥感技术，空间分辨率和重访周期大大提高，为细小斑块的提取提供了可能；

[0060] (3)本发明采用了深度学习超分辨率重建对多平台、不同分辨率数据进行融合，很大程度上降低了由于数据的分辨率不同造成的结果的误差和不确定性，精度更高，能够准
确的反映细小斑块的细微变化，更适用于快速扩散的互花米草的早期监测。
附图说明

[0061] 图1为本发明提出的互花米草新生斑块的动态监测方法的整体流程图；

[0062] 图2为本发明提出的互花米草新生斑块的动态监测方法的多时相多源高分卫星图像预处理流程图；

[0063] 图3为本发明提出的互花米草新生斑块的动态监测方法的 FSRCNN模型结构图；

[0064] 图4为本发明提出的互花米草新生斑块的动态监测方法的基于分水岭分割的多尺度分割方法流程图；

[0065] 图5为本发明提出的互花米草新生斑块的动态监测方法的野外测量以及结果校正的流程图；

[0066] 图6为本发明提出的互花米草新生斑块的动态监测方法的互花米草新生斑块扩张模式的结构示意图。

具体实施方式

[0067] 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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

[0068] 在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

[0069] 实施例1：

[0070] 请参阅图1；

[0071] 互花米草新生斑块的动态监测方法，包括以下步骤：

[0072] S1、新生斑块潜在定植区域识别：利用中分辨率遥感卫星图像，根据目视解译的方法，并充分考虑互花米草与其他植被的时相差异，识别互花米草由海向陆的范围边界，并结合潮位数据得到潮间带范围，从而将未识别互花米草范围边界的潮间带区域作为新生斑块潜在定植区域；

[0073] S2、多源多时相高空间分辨率卫星图像采集：采集覆盖上述潜在定植区的多年同一生长旺季月份GF-1、GF-2、SPOT-6、或者 WorldView-2图像，保证每年的生长旺季存在一景图像；

[0074] S3、多源多时相高空间分辨率卫星图像预处理：对所用多时相多源高分卫星图像进行辐射定标、大气校正、图像融合、配准、镶嵌与裁剪预处理；

[0075] S4、处理后卫星图像的超分辨率重建：将不同分辨率的高分图像，使用FSRCNN模型深度学习方法进行超分辨率重建；

[0076] S5、互花米草新生斑块的识别：采用像元灰度值的分水岭分割算法，进行一次图像预分割，得到初步的分割单元(由于它不是最后分割结果，可称其为亚基元)；而后将光谱、形状特征耦合，进行图斑合并完成总体分割来达到互花米草斑块的识别目的；

[0077] S6、互花米草新生斑块的提取和测量：将分割后的结果图叠加到 0.5m的图像上，通过目视解译提取第一步骤中互花米草新生斑块；其次在ARCGIS(地理信息系统系列软件)
中计算每个图斑的最小外包矩形的四邻坐标；再次通过属性表汇总得到每个图斑的南北、
东西向距离；最后通过属性表的计算几何得到每个图斑的面积和周长；

[0078] S7、野外测量以及结果校正：从提取结果图中选取已经识别的斑块，按照斑块面积由大到小分为5类、每一类选取10个野外较容易到达的斑块，利用GPS定位及目视解译高清图像的方法，前往野外，对每个斑块进行定位，并测量每一斑块的面积、周长、东西南北向距离、形状、高度、株数、覆盖度、物候期(营养期、花蕾期、开花期、结实期、休眠期)、生活力(强、中、弱)及周围环境等属性。以野外测量值为X，卫星图像提取结果图中的斑块测量值为Y，做线性拟合，得到拟合方程：

[0079] Y＝a*X+b

[0080] 再用拟合公式来校正所有斑块的卫星测量值；

[0081] S8、互花米草新生斑块扩张动态测量：使用多时相多平台高空间分辨率图像执行前五个步骤，得到互花米草新生斑块扩张动态测量，将前五个步骤获得的多时期精确的互
花米草新生斑块测量值经过统计学等分析方法，对早期识别的互花米草新生斑块的扩散模
式进行及时动态监测。

[0082] 与传统的野外采样方法相比，本发明省时省力，能够对滨海湿地大范围互花米草新生斑块的进行总览；具有非接触性的优点，避免了由于环境复杂，人无法进入而无从了解互花米草初期扩散的情况；通过多源多时相卫星数据对互花米草新生斑块的精确测量，能
够短时间内准确捕获到互花米草扩散初期的情况，提高对互花米草的防控效率；与中分辨
率卫星遥感技术相比，本发明采用高分辨率卫星遥感技术，空间分辨率和重访周期大大提
高，为细小斑块的提取提供了可能；此外，本发明采用了深度学习超分辨率重建对多平台、不同分辨率数据进行融合，很大程度上降低了由于数据的分辨率不同造成的结果的误差和
不确定性，精度更高，能够准确的反映细小斑块的细微变化，更适用于快速扩散的互花米草的早期监测。

[0083] 实施例2：

[0084] 请参阅图2，基于实施例1又有所不同之处在于；

[0085] S3中提到的图像数据预处理流程为：

[0086] 1)、辐射定标：根据ENVI(完整的遥感图像处理平台)提供的 Apply Gain and Offset工具对多光谱数据和全色数据进行辐射定标；

[0087] 2)、大气校正：采用ENVI(完整的遥感图像处理平台)软件中的FLAASH大气校正模块对高分多光谱图像进行大气校正；

[0088] 3)、正射校正：利用DEM数据对图像因高程起伏而导致的图像空间畸变进行校正，生成多中心投影平面正射校正图像；

[0089] 4)、图像融合：采用Gram-Schmidt法分别对多源多时相高空间分辨率卫星图像进行融合，得到融合后的多时相多源高分卫星图像；

[0090] 5)、图像配准：借助区域已有的经校正的遥感图像作为参考图像，选取20-25个地面控制点，采用二次多项式重采样技术进行校正，总误差控制在0.5个像元之内；

[0091] 6)、图像裁剪：借助已有新生斑块潜在定植区域矢量数据，对己经校正的图像进行裁剪，得到预处理后图像。

[0092] 利用中分辨率遥感卫星图像(如陆地卫星、哨兵-2号卫星)，根据目视解译的方法，并充分考虑互花米草与其他本地植被的时相差异以及多时相图像相结合(主要选取10月下旬图像，此时本地植被芦苇已进入衰败期，互花米草处于成熟期)，识别了2013年互花米草由海向陆的范围边界，并结合潮位数据得到潮间带范围，从而将未识别互花米草范围边界
的潮间带区域作为新生斑块潜在定植区域；选取黄河三角洲滨海湿地一个典型互花米草新
生斑块潜在定植区域，采集覆盖上述潜在定植区的多年(如近五年)同一生长旺季月份(如
7-9月) GF-1(2m分辨率)、GF-2(1m分辨率)、SPOT-6(1.5m分辨率)图像，保证每年的生长旺季存在一景图像。

[0093] 数据如表1所示。

[0094]

[0095] 接下去对所用多时相多源高分卫星图像进行辐射定标、大气校正、图像融合、配准、镶嵌与裁剪预处理，参考上述图像数据预处理流程，得到预处理后图像，如图2所示

[0096] 实施例3：

[0097] 请参阅图3，基于实施例1或2又有所不同之处在于；

[0098] S4中提到的FSRCNN模型分为五层，分别为特征提取层，收缩层，映射层，扩展层和重构层，前四层是卷积处理，用于从高维数据提取出低维数据；而最后一部分重构层是反卷积处理，用于将低维数据映射成高维输出，分别用Conv(fi,ni,ci)表示卷积处理， DeConv(fi,ni,ci)表示反卷积处理，其中变量fi，ni，ci分别代表滤波器大小，滤波器个数和通道数量。

[0099] 这一步将不同分辨率的高分图像(表1)，通过超分辨率重建的方法，统一到0.5m分辨率下。本发明使用FSRCNN深度学习方法进行超分辨率重建。首先训练得到2倍，3倍和4倍FSRCNN模型。其次进行FSRCNN测试：选择Set 5图像数据集作为测试数据，我们选定好模型参数后对Set 5图像在2倍，3倍和4倍放大条件下，分别进行分别采用双三次插值，SRCNN，FSRCNN三种算法进行重建，给出客观评价指标，同时将局部放大以便更直观地比较重建质
量，最后给出符合人眼视觉的图像增强后图像。从客观评价标准和从主观视觉来看，FSRCNN模型在重建质量上都具有显著的优势。最后将2m 的GF-1实现4倍超分辨率重建，图像分辨
率放大4倍；同样1m的 GF-2图像分辨率放大2倍；1.5m的SPOT-6图像分辨率放大3倍。所有收集到的不同分辨率高分影像统一到0.5m分辨率下。

[0100] 实施例4：

[0101] 请参阅图3，基于实施例1-3其中任意一条又有所不同之处在于；

[0102] FSRCNN网络模型中使用PRe LU函数作为每个卷积层之后的激活函数，PRe LU函数如下式所示：

[0103]

[0104] 使用反向误差传播算法来降低重建图像和目标图像之间的损失值，训练完成后可得到网络的权值参数，采用均方差(MSE)作为损失函数；通过计算峰值信噪比(PSNR)，定量评估评价一幅图像重建后图像和原图像相比质量的好坏，峰值信噪比越高，压缩后失真越
小。峰值信噪比常简单地通过均方误差(MSE)进行定义，两个m×n单色图像I和K，如果一个
为另外一个的噪声近似，那么它们的的均方误差定义为:

[0105]

[0106] 峰值信噪比数学公式如下：

[0107]

[0108] 其中，MAXI是表示图像点颜色的最大数值。

[0109] 首先进行FRCNN模型训练：本发明使用使用91-image和 General-100图像数据集作为训练图像，选择Set 5图像数据集作为测试图像。将这些图像进行数据增强作为高分辨率图像，并且对高分辨率灰度图像分别进行尺寸2，3倍或4倍缩放处理，本文将这些缩放图像作为低分辨图像。本发明训练卷积神经网络的方法是通过Caffe 对卷积神经网络进行训
练，需要对于2倍，3倍和4倍放大条件分别将低分辨率/高分辨率图像按照102/192，72/192和
62/212进行分块。去卷积层初始化设置为高斯类型和0.001标准偏差值。在开始训练卷积神经网络时，仅使用91-image数据集进行训练，此时卷积层的初始学习速率设置为0.001，去卷积层的学习速率为0.0001。在网络接近饱和后，使用91-image和General-100增强图像作为训练数据，此时需要将卷积层的学习速率改为0.0005，反卷积层设定为0.00005。为了检验FSRCNN结构的性质，我们设计了一组控制实验，在固定放大因子为3的情况下，分别对低分辨率图像特征维数d、收缩滤波器个数s、映射深度m这三个敏感变量进行不同的取值，具体选取d＝48， 56；s＝12，16和m＝2，3，4，因此我们总共进行了12个不同组合的实验。最后发现FSRCNN(56，12，4)中性能和参数达到最佳平衡，PSNR获得最高结果之一。我们选择
FSRCNN(56,12,4)作为默认网络。上述训练过程是在放大因子为3的情况下进行的，即3倍模型的训练结果己经得到，现在只要微调反卷积网络对x倍放大因子进行训练，得到x倍模型
的训练结果。

[0110] 其次进行FSRCNN模型测试：选择Set 5图像数据集作为测试数据，我们选定好模型参数后对Set 5图像在x倍放大条件下，分别进行分别采用双三次插值，SRCNN，FSRCNN三种算法进行重建，给出客观评价指标，同时从视觉直观比较重建质量，最后给出符合人眼视觉的图像增强后图像。从客观评价标准和从主观视觉来看， FSRCNN模型在重建质量上都具有显著的优势。

[0111] 实施例5：

[0112] 请参阅图4-6，基于实施例1-4中任意一条又有所不同之处在于；

[0113] S5和S6中所提到的互花米草新生斑块的识别以及提取和测量，本发明还结合了高分辨率图像体现出来的颜色、形状等特征进行合并，从而得到最终分割结果，以上两个步骤分别通过分水岭算法与快速图斑合并技术实现，具体技术步骤为：

[0114] Ⅰ、亚基元的获取：首先读入彩色图像，将其转化成灰度图像，然后通过分水岭分割算法对图像进行一次初分割，获取亚基元；

[0115] Ⅱ、图斑合并的代价准则：采用合并代价准则函数，该函数由合并图斑的光谱异质性参量和形状异质性参量两部分构成：

[0116] f＝w×hcolor+(1-w)×hshape

[0117] 其中w是为光谱、形状异质性分配的权重，区间为[0，1]，hcolor色调权重和hshape形状权重，区间均为(0,1)；

[0118] 光谱异质性是合并后父图斑标准差与合并前两子图斑标准差之和的差，并按面积进行加权：

[0119]

[0120] 其中c是波段总数，wc则是各个波段由用户分配的权重(默认均为1.0)，以此计算多波段图像中斑块合并的光谱差异。

[0121] 形状异质性又由紧致度异质性和光滑度异质性两部分加权构成:

[0122] hshape＝wcmpct×hcmpct+(1-wcmpct)×hsmooth

[0123] 紧致度差异则由以下公式计算:

[0124]

[0125] 光滑度差异由以下公式计算:

[0126]

[0127] 以上公式中，l为对象实际周长，n为对象像元个数，b为对象的外接矩形的周长。紧致度、光滑度所占权值由用户设定调整。

[0128] 在合并过程中重复计算父图斑的标准差显然效率低下，为此采用如下的合并后样本标准差快速计算方式:

[0129]

[0130] 上式中m1、m2分别为两斑块的均值；

[0131] Ⅲ、图斑的快速合并，在确定了初始小图斑、合并代价函数等条件的基础上，采用“尺度参数”来控制整个合并过程，该参数的实质是合并代价阈值。

[0132] 如果在某次合并过程中所有图斑和其待合并邻居的合并代价均大于该尺度参数的平方，则整个合并过程结束，完成图像分割；否则，待所有图斑合并后，需要重新计算新图斑的各种特征以及拓扑关系，并进行再次合并(见图3)，直到满足条件，算法就能终止，完成分割。

[0133] 提取和测量的过程在ArcMap10.2中完成。首先将分割后的结果图叠加到0.5m的图像上，通过目视解译提取第一步骤中互花米草新生斑块；其次在ARCGIS10.2中计算每个图
斑的最小外包矩形的四邻坐标(即xmax,xmin,ymin,ymax)；再次通过属性表汇总得到每个
图斑的南北、东西向距离(南北距离＝ymax-ymin，东西距离＝xmax-xmin)；最后通过属性表的计算几何得到每个图斑的面积和周长。

[0134] 实施例6：

[0135] 基于实施例1-5中任意一条又有所不同之处在于：

[0136] 本发明使用多时相多平台高空间分辨率图像执行前五个步骤，得到互花米草新生斑块扩张动态测量。第一步，使用陆地卫星提取研究区内互花米草分布图，结合潮汐数据得到新生斑块潜在定植区域。第二步，收集研究区内多年(如近五年)互花米草生长旺季的多
平台高空间分辨率图像(至少每年存在一景图像)，并进行融合，配准等预处理，得到用于第三步使用预处理后的图像。第三步，通过FSRCNN 模型网络训练得到x倍模型，可将第二步预处理后的多时期图像通过超分辨率重建的方法，采用合适的x倍模型统一到0.5m分辨率下。
第四步，通过分水岭分割算法结合高分图像体现出来颜色、形状等基本特征，将第三步得到
0.5m的多时期图像进行分割，得到互花米草斑块，其中的色调权重0.7，形状0.3比较合适，形状权重过大往往会造成分割结果和视觉分割效果相差较大，紧致度、光滑度所占权值一
般均取0.5较合适，尺度参数一般设为50。剩下的工作将在 ArcGis中完成，对识别出来的互花米草斑块结果提进行提取同时获取相关的属性值，包括面积、周长，南北向、东西向距离等。第五步，野外测量值X与前四步提取的斑块测量值Y做线性拟合，得到拟合公式Y＝a*X+b，使用该拟合公式来校正所有年限的卫星测量值。最后一步，通过前五步已经获得多时期精确的互花米草新生斑块测量值，将这些测量值经过统计学等分析方法，对早期识别的互
花米草新生斑块的扩散模式进行及时动态监测，对于互花米草的高效防控具有重要作用

[0137] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

标题	发布/更新时间	阅读量
一种NBIOT的频域时频同步方法	2020-05-08	599
一种基于压缩感知的视频序列重构方法	2020-05-11	378
自学习多路图像融合的实时矫正方法及系统	2020-05-11	121
一种基于噪声方差分段估计的图像去噪方法	2020-05-12	859
一种基于可调狭缝的波长可调谐掺铒光纤锁模激光振荡器	2020-05-08	973
一种Gm-APD激光雷达最远探测距离的计算方法	2020-05-08	647
单字符文本归一化模型训练方法、文本识别方法及装置	2020-05-12	914
操作助听器系统的方法以及助听器系统	2020-05-11	575
一种基于图像质量的人脸防伪方法	2020-05-08	518
质谱检测乳制品中A1、A2型β酪蛋白的质谱模型及其构建方法	2020-05-08	215

互花米草新生斑块的动态监测方法

互花米草新生斑块的动态监测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：