[发明专利]一种基于神经网络的多时相遥感影像城市植被提取方法

权利要求书

1.一种基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，基于多时相高分辨率遥感影像数据，通过对影像进行图像分割；对样本使用BP神经网络方法进行训练，形成针对实验区植被的神经网络模型；利用该模型对多时相数据进行植被提取，采用基于权重的投票规则融合多时相提取结果，从而得到精度更高的植被区域。

2.根据权利要求1所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，具体操作为：

(1)图像分割阶段，将多时相遥感影像数据分割为多个对象；

(2)图像识别阶段，对样本使用BP神经网络方法进行训练，获得植被识别模型；使用该模型对每个对象进行识别，如果分割区域中属于植被的面积大于50％，则判定该分割区域为植被区域，否则，判定为非植被区域；

(3)多时相数据融合阶段，赋予近期的遥感影像较大的权重，判定遥感影像分割后的对象是否为植被区域的投票规则采用以下公式，

其中，year_i表示第i个遥感影像对应的年份，P_i表示第i个遥感影像中的该对象是否为植被区域；当P_融合大于0.5时，判定该对象为植被区域，否则，判定为非植被区域。

3.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述遥感影像数据来自于Google Earth发布的影像。

4.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述遥感影像的空间分辨率为0.51米，且经过预处理，所述预处理为几何校正和配准。

5.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述图像分割方法采用的是K-means聚类方法，过程如下：

1)将图像进行变换，变换为适于K-means方法运算的矩形数据格式；

2)将图像转换后的矩阵中随机抽取6个像素作为随机中心，明确参与计算的所有影像的中心位置与这6个像素点位置一致；

3)对每个像素到该随机中心进行特征距离计算；

4)将每个像素归为最近距离的随机中心；

5)重新调整每个类别的中心；

6)迭代3)～5)步骤，直到迭代次数大于300或者新的中心相对上一轮中心的变化率小于0.05％，算法结束。

6.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述获得植被识别模型的步骤包括：

(1)确定样本区，通过人工目视选取样本区中的植被像素点；

(2)使用64*64的窗口对训练样本区遥感影像进行扫描，根据统计，判定该窗口区域是否为植被区域，即如果窗口区域中属于植被的像素点比例大于50％，则判定窗口区域为植被区域并作为机器学习的正样本，否则判定为该窗口为非植被区域，并作为机器学习的负样本；

(3)将正负样本窗口的64*64个像素点，输入神经网络输入层，使用BP神经网络算法进行模型训练，得到植被识别模型。

7.根据权利要求5所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述步骤3)特征距离使用的是像素值的欧几里得距离。

8.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，所述实验区为城市居民区、商业区或工业区。

9.根据权利要求1或2所述的基于神经网络的多时相遥感影像城市植被提取方法，其特征在于，采用以下公式对所述提取结果进行准确率计算：

其中，S_i表示目视结果的对象i是否为植被区域，是则S_i为1，否则为0；P_i表示多时相数据融合后的对象i是否为植被区域，是则P_i为1，否则为0，n为对象总数。