[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

说明书

本发明公开了一种基于神经网络的多时相遥感影像城市植被提取方法，属于植被提取技术领域，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；对训练样本使用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。采用本发明对居民区植被提取，提取精度从87.6％提升至93.3％，具有较好的实用性。本发明适用于实际工作中的居民区、商业区、工业区等其他区域的植被提取，可推广至整个城市的植被覆盖率研究工作中。

技术领域

本发明属于植被提取技术领域，具体涉及一种基于神经网络的多时相遥感影像城市植被提取方法。

背景技术

随着遥感传感器技术的发展，高空间分辨率遥感影像在城市地物自动提取中发挥了越来越重要的作用。如何更有效地从遥感影像中提取所需要的道路、植被、建筑等地物，是目前遥感领域的一项重要工作。

居民区的植被覆盖率测量是目前测绘工作中的一项重要而常规的工作，传统的人工测绘需要测绘作业人员实地进行勘测，而基于卫星遥感影像或者是航拍影像的内业人工解译，同样耗时耗力，而且还具有较大的操作主观性，无法保证统一客观的内业操作尺度。

目前，针对基于高分辨率遥感影像的城市植被的提取，相关学者进行了研究，按照像元及对象的区别，可以分为基于像元的提取方法和面向对象的提取方法。基于像元方法通常采用植被指数及经验或者自适应阈值分割进行提取，总体原理是植被指数大于对应影像的经验阈值，该像元就被认定为植被区域；而面向对象方法则是在像元的基础上，将像元所组成的对象进行特征判断，可以引入纹理、形状等其他特征来增加识别准确率。而从居民区中进行植被的提取，是城区植被提取中的一项典型应用。然而，由于卫星遥感摄影的倾角问题，城市中的建筑物在卫星影像上通常会遮蔽绿地，同时建筑物所产生的阴影也会很大程度上影响识别的稳定性，这两个问题给城市植被的自动识别带来了较大的困难。

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的在于提供一种基于神经网络的多时相遥感影像城市植被提取方法。本发明适用于实际工作中的居民区、商业区、工业区等其他区域的植被提取，从而推广至整个城市的植被覆盖率研究工作中。

技术方案：为了解决上述问题，本发明所采用的技术方案如下：

一种基于神经网络的多时相遥感影像城市植被提取方法，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。具体操作为：

(1)图像分割阶段，将多时相遥感影像数据切分为多个对象；

(2)图像识别阶段，使用植被识别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如下公式所示，

其中，year_i表示第i个遥感影像对应的年份，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。

优选的，所述遥感影像数据来自于Google Earth发布的影像。

优选的，所述遥感影像的空间分辨率为0.51米，且经过预处理几何校正和配准。

优选的，所述图像分割方法采用的是K-means聚类方法，该方法的优势在于无需设置分割参数，具有较好的分割自适应性，过程如下：