[发明专利]一种基于纹理信息的森林类型识别方法

说明书

技术领域

一种基于纹理信息的森林类型识别方法属于遥感技术领域，特别涉及一种辅以纹理信息的TM数据森林类型遥感分类的方法。

背景技术

在遥感技术几十年的发展历程中，形成了多层次、多平台、多角度、多波段、多极化的对地观测系统。各种先进的对地观测卫星不断发射，向地面提供着丰富的数据源。遥感数据的获取能力远远领先于遥感数据的处理及信息提取能力。因此，研究遥感数据处理及信息提取的方法就显得特别重要。

概括起来，遥感可以提取地物的类型信息和地物的参数信息。对于林业部门来说，森林类型信息是基础信息，根据林分类型和树种、龄级、郁闭度等因子制定相应的经营管理措施和规划方案。同时用遥感数据识别不同的森林类型是定量反演森林资源的生物量、碳储量和植被指数等信息基础，由于不同森林类型存在很大差异，因此就要针对不同森林类型建立定量反演模型。

遥感图像计算机分类方法是模式识别在图像处理中的应用。常规分类方法分为监督分类、非监督分类以及两者结合的混合分类等。这类方法呈现出许多的局限性，突出表现在两个方面：一是要求数据必须服从一些特殊的分布如高斯分布；其二，分类是基于影像的光谱特征来进行的，忽略了其它有用的信息，尤其是影像的空间结构信息。目前国内外学者提出的分层分类方法，不拘于一种分类方法对地物的识别，用多种分类方法同时分类，在此基础上用决策级融合方法，确定最终分类结果。在这一过程中，加入地物纹理信息能够有效的提高分类的精度，能够更好的识别地表森林类型。因此采用分层分类配合多种分类器同时加入地物纹理信息对于提高森林分类精度具有重要应用价值。

遥感图像纹理信息提取主要采用的是基于统计的纹理分析方法。目前主要是灰度共生矩阵(GLCM)法，该方法原理简单，较易实现，但不能很好地反映象素之间的灰度级空间相关的规律。地统计学能够分析像元值的空间分布的空间异质性和空间相关性，因为遥感图像的DN值(灰度值)是二维坐标的函数，从地统计学的角度来看，可以看作一个区域化变量，具有随机性和空间相关性两方面的特征。图像所固有的灰度值空间相关性变化可以用变差函数的特征来描述。因此地统计学提取纹理信息可以更好地计算空间结构特征差异性，从而辅助分类有效提高分类精度。

发明内容

本发明为了解决现有技术中森林类型遥感识别精度难以提高，特别是较大区域森林类型识别精度提高更加困难的问题，提出了一种基于纹理信息的森林类型遥感识别方法，以TM遥感影像为数据源，利用地统计学方法提取影像的纹理信息，采用最大似然分类方法，提高森林类型遥感识别精度，尤其是较大区域森林类型识别精度。

本发明的目的是这样实现的：

一种基于纹理信息的森林类型识别方法，所述方法包括以下步骤：

S1，根据物候信息确定合适时间的TM遥感数据作为数据源，并对选定的TM数据进行预处理；

S2，提取研究区域林地部分；

S3，确定提取纹理信息时窗口及步长大小；

S4，利用地统计学原理提取影像纹理信息；

S5，利用最大似然法对TM影像进行分类；

S6，使用地面验证数据对最大似然法分类结果进行验证。

上述的一种基于纹理信息的森林类型识别方法，所述的步骤S1中，所述的合适时间为每年的6、7、8、9月份。

上述的一种基于纹理信息的森林类型识别方法，所述的步骤S1中，所述的预处理包括：①遥感影像辐射归一化、②遥感影像的拼接与裁切、③主成分分析。

所述的遥感影像辐射归一化，计算公式为：

g_d＝(g_r-μ_r)/σ_r×σ_f+μ_f

式中，g_d为源图像校正后的像素灰度值，μ_f、σ_f分别为参考图像的像素均值和标准差，g_r、μ_r、σ_r分别为源图像的像素灰度值、均值和标准差。

上述的一种基于纹理信息的森林类型识别方法，所述的步骤S2中，对研究区域主成分分析后的影像进行非监督分类，提取影像的林地部分。

上述的一种基于纹理信息的森林类型识别方法，所述的步骤S3中，分别根据半变异函数或实际遥感影像像元值确定提取纹理信息时窗口大小及步长大小。

根据半变异函数对研究区域植被指数进行地学分析，计算其变程大小，确定地统计提取纹理信息时窗口大小及步长大小。