一种基于遥感影像的冰川和积雪自动提取方法及系统与流程

1.本发明涉及遥感测量技术领域，具体来说，涉及一种基于遥感影像的冰川和积雪自动提取方法及系统。


背景技术：

2.冰川与积雪，是地表重要的淡水资源，一般存在于高纬地区或中低纬的高山地区。在遥感影像上，冰川与积雪表现为积雪覆被类型，与其它地物覆被类型不同，积雪覆盖具有独特的光谱特性，表现在可见光范围内的高反射率，在近红外反射率逐渐下降，在短波红外区域下降更低，积雪的这一光谱特性是积雪光学遥感监测的物理基础。
3.目前，常用的积雪提取方法有：1)波段运算提取；波段运算有波段比值法、归一化积雪指数法，此类方法特征过于单一，非常容易产生误提取，效果不稳定。2)基于分类算法的提取；基于分类算法的提取有监督分类和非监督分类，非监督分类方法不需要先验知识，据地物的光谱统计特性进行分类，当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好，相比而言，监督分类方法更为有效。3)面向对象技术的信息提取；面向对象技术的信息提取主要用于高空间分辨率影像，不适用于中低分辨率影像。高分辨率影像的光谱信息欠缺，存在明显的“同物异谱，同谱异物”现象，面向对象技术是将研究对象破碎成同质图斑对象，结合纹理、光谱、形状的多特征进行信息识别。现有技术中的“利用高分辨率遥感影像的高寒山区积雪提取方法”，就是利用面向对象的思想将深度置信网络与全连接条件随机场模型相结合，充分利用高分辨影像的光谱、形状、纹理及空间关系信息，提高积雪提取的精度。
4.为提高积雪提取精度，越来越多学者综合利用多源数据、多维度特征展开积雪提取。如利用noaa avhrr和tm信息复合的技术对雪盖进行了高精度提取；利用归一化积雪指数和和各波段反射率阈值粗提取积雪范围，再通过 dbn网络对积雪进行进一步识别；综合rs和gis的方法并结合aster影像和dem等多源数据，对冰川进行识别等等，结果表明dem数据源衍生的特征对提取精度有辅助作用。
5.随着遥感卫星数据的增加和辅助数据的逐年积累，如何利用多源数据和多维度特征，提高积雪检测的精度和普适性，是人们关注的重点。此外，在我国高寒山区及干旱、半干旱地区，积雪是重要的储备淡水资源，并且由积雪造成的雪崩、风吹雪等自然灾害，对人类生命财产安全造成很大威胁。为此，探索一种新的高精度积雪提取方法非常有意义。


技术实现要素：

6.针对相关技术中的问题，本发明提出一种基于遥感影像的冰川和积雪自动提取方法及系统，其从多维度特征分析地物特征，有效融合dem和光谱信息，避免由于特征维度单一，造成冰川与积雪识别精度低的情况；同时，综合利用雪盖指数法和决策树算法，在雪盖指数法提取的基础上，借助决策树算法能够同时处理数据型和常规型属性的优势，挖掘冰川与积雪提取规律，提高冰川与积雪提取精度。
7.本发明的技术方案是这样实现的：
8.根据本发明的一方面，提供了一种基于遥感影像的冰川和积雪自动提取方法。
9.该基于遥感影像的冰川和积雪自动提取方法，包括：
10.获取待提取区域的卫星遥感影像，并对所述卫星遥感影像进行预处理，去除卫星遥感影像中的影像干扰因素；其中，所述卫星遥感影像包含蓝、绿、红、近红、短波红外波段；
11.利用归一化积雪指数阈值方法，对预处理后的卫星遥感影像进行冰川和积雪粗提取，确定冰川和积雪疑似范围；
12.获取待提取区域内的dem辅助数据，结合遥感影像，计算多维度特征，含光谱值、标准差以及dem特征；
13.利用冰川和积雪疑似范围，对待提取区域内的dem特征数据和光谱特征数据进行掩模处理，得到疑似范围内的多维特征；
14.采集疑似范围内冰川与积雪的样本、非冰川与积雪的样本，选取多维度特征，利用预先配置的决策树模型，对冰川与积雪进行精细提取，得到冰川与积雪范围。
15.其中，对所述卫星遥感影像进行预处理包括：对所述卫星遥感影像进行大气校正处理、影像配准处理以及影像融合处理。
16.此外，在利用归一化积雪指数阈值方法，对预处理后的卫星遥感影像 进行冰川和积雪粗提取，确定疑似范围时，归一化积雪指数ndsi的，其 中，green代表的是0.5μm到0.6μm范围的绿波段；swir1代表的是1.55μm 到1.75μm范围的短波红外波段。
[0017][0018][0019]
其中，所述决策树模型的算法为cart算法，且常用尼基指数作为属性度量的指标。
[0020]
另外，上述方法还包括：以人工勾画的冰川与积雪范围数据作为真值数据，对精细识别得到的冰川与积雪范围进行正确率分析，所述正确率由正确预测的冰川与积雪面积除以预测的冰川与积雪总面积得到。
[0021]
根据本发明的另一方面，提供了一种基于遥感影像的冰川和积雪自动提取系统。
[0022]
该基于遥感影像的冰川和积雪自动提取系统，包括：
[0023]
数据获取模块，用于获取待提取区域的卫星遥感影像，并对所述卫星遥感影像进行预处理，去除卫星遥感影像中的影像干扰因素；其中，所述卫星遥感影像包含蓝、绿、红、近红、短波红外波段；
[0024]
粗提取模块，用于利用归一化积雪指数阈值方法，对预处理后的卫星遥感影像进行冰川和积雪粗提取，确定冰川和积雪疑似范围；
[0025]
特征计算模块，用于获取待提取区域内的dem辅助数据，结合遥感影像，计算多维度特征，含光谱值、标准差以及dem特征；
[0026]
特征掩模模块，用于利用冰川和积雪疑似范围，对待提取区域内的 dem特征数据和光谱特征数据进行掩模处理，获取疑似范围内的多维特征；
[0027]
范围识别模块，用于采集疑似范围内的冰川与积雪的样本、非冰川与积雪的样本，选取多维特征，利用预先配置的决策树模型，对冰川与积雪进行精细提取，得到冰川与积雪范围。
[0028]
其中，所述数据获取模块在对所述卫星遥感影像进行预处理包括：对所述卫星遥
感影像进行大气校正处理、影像配准处理以及影像融合处理。
[0029]
另外，所述粗提取模块在利用归一化积雪指数阈值方法，对预处理后 的卫星遥感影像进行冰川和积雪粗提取，确定疑似范围时，归一化积雪指 数ndsi，其中，green代表的是0.5μm到0.6μm范围的绿波段；swir1 代表的是1.55μm到1.75μm范围的短波红外波段。
[0030][0031][0032]
其中，所述决策树模型的算法为cart算法，且常用尼基指数作为属性度量的指标。
[0033]
此外，上述系统还包括：精度评价模块，用于以人工勾画的冰川与积雪范围数据作为真值数据，对精细识别得到的冰川与积雪范围进行正确率分析，所述正确率由正确预测的冰川与积雪面积除以预测的冰川与积雪总面积得到。
[0034]
有益效果：
[0035]
1)本发明融合dem和光谱特征，生成多维度特征，利于冰川与积雪识别。在中低维度地区，非季节性的积雪在dem上具有一定规律，相比单纯的利用影像各波段灰度信息进行积雪提取，综合dem特征，能够提取更高精度的积雪结果。
[0036]
2)积雪在遥感卫星影像上特点鲜明，利用决策树模型，能够很容易推出相应的逻辑表达式。在长时间监测同一地区冰川与积雪情况下，能够通过冰川与积雪在多个维度上表现出来的规律，快速、准确提取冰川与积雪。
[0037]
3)本发明综合雪盖指数和决策树模型进行积雪提取，避免了单一的波段运算或者决策树模型信息提取造成的误提取。
附图说明
[0038]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1是根据本发明实施例的一种基于遥感影像的冰川和积雪自动提取方法的流程示意图；
[0040]
图2是根据本发明实施例的一种基于遥感影像的冰川和积雪自动提取系统的结构示意框图；
[0041]
图3是根据本发明实施例的遥感融合影像图；
[0042]
图4是根据本发明实施例的计算遥感融合影像的ndsi特征结果图；
[0043]
图5是根据本发明实施例的ndsi阈值提取冰川与积雪结果图；
[0044]
图6是根据本发明实施例的冰川与积雪精细识别结果图；
[0045]
图7根据本发明实施例的融合dem和光谱特征进行信息提取的结果影像；
[0046]
图8根据本发明实施例的仅输入光谱特征进行信息提取的结果影像。
具体实施方式
[0047]
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。基于
本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
根据本发明的实施例，提供了一种基于遥感影像的冰川和积雪自动提取方法及系统。
[0049]
如图1所示，根据本发明实施例的一种基于遥感影像的冰川和积雪自动提取方法，包括以下步骤：
[0050]
步骤s101，获取待提取区域的卫星遥感影像，并对所述卫星遥感影像进行预处理，去除卫星遥感影像中的影像干扰因素；其中，所述卫星遥感影像包含蓝、绿、红、近红、短波红外波段；
[0051]
步骤s102，利用归一化积雪指数阈值方法，对预处理后的卫星遥感影像进行冰川和积雪粗提取，确定冰川和积雪疑似范围；
[0052]
步骤s103，获取待提取区域内的dem辅助数据，结合遥感影像，计算多维度特征，含光谱值、标准差以及dem特征；
[0053]
步骤s104，利用冰川和积雪疑似范围，对待提取区域内的dem特征数据和光谱特征数据进行掩模处理，得到疑似范围内的多维特征；
[0054]
步骤s105，采集疑似范围内冰川与积雪的样本、非冰川与积雪的样本，选取多维度特征，利用预先配置的决策树模型，对冰川与积雪进行精细提取，得到冰川与积雪范围。
[0055]
在具体应用时，对所述卫星遥感影像进行预处理包括：对所述卫星遥感影像进行大气校正处理、影像配准处理以及影像融合处理。其中，由于传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。因此，为消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程，在展开信息提取之前，首先对遥感卫星展开大气校正处理。而考虑全色和多光谱影像之间存在的位置误差，需要对展开影像配准。影像配准采用相对配准，以全色数据为参考，对多光谱影像进行相对配准即可。遥感影像融合是将全色高空间分辨率和多光谱多波谱信息进行互补的一个过程，利用影像融合的算法进行处理，获取既包括光谱信息、又具备高空间分辨率信息的遥感影像。它能够提高后期信息识别精度，扩大应用范围和效果。
[0056]
此外，考虑积雪在可见光范围内的高反射率，在近红外反射率逐渐下 降，在短波红外区域下降更低。利用归一化积雪指数(normalized differencesnow index，ndsi)是利用可见光(主要是绿光)及短波红外波段的组合 突显了影像中积雪的覆盖部分。利用ndsi对冰川与积雪进行初步粗提取， 输出冰川与积雪提取的成果。具体的，在利用归一化积雪指数阈值，对预 处理后的卫星遥感影像进行粗提取，确定冰川和积雪疑似范围时，归一化 积雪指数ndsi，其中，green代表的是0.5μm到0.6μm范围的绿波段；swir1 代表的是1.55μm到1.75μm范围的短波红外波段。
[0057][0058][0059]
而在计算预处理影像的光谱特征时，包括每个波段的dn值和标准差等。dn值能够反映每个像素的灰度分布情况，标准差能够反映像素之间的离散程度。对于积雪覆盖的地表，标准差的离散程度一般比较低，此外，在可见光范围内，积雪表现的dn值偏高。
[0060]
另外，在实际应用时，所述决策树模型的算法为cart算法，且常用尼基指数作为属
性度量的指标。采用的分类树(决策树)是一种十分常用的分类方法，它是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。对于决策树，数据的准备往往是简单或者是不必要的，而且能够同时处理数据型和常规型属性，在相对短的时间内能够对大型数据源做出可行且效果良好的结果。
[0061]
此外，上述方法还包括：以人工勾画的冰川与积雪范围数据作为真值数据，对精细识别得到的冰川与积雪范围进行正确率分析，所述正确率由正确预测的冰川与积雪面积除以预测的冰川与积雪总面积得到。
[0062]
如图2所示，根据本发明实施例的一种基于遥感影像的冰川和积雪自动提取系统，包括：
[0063]
数据获取模块201，用于获取待提取区域的卫星遥感影像，并对所述卫星遥感影像进行预处理，去除卫星遥感影像中的影像干扰因素；其中，所述卫星遥感影像包含蓝、绿、红、近红、短波红外波段；
[0064]
粗提取模块202，用于利用归一化积雪指数阈值方法，对预处理后的卫星遥感影像进行冰川和积雪粗提取，确定冰川和积雪疑似范围；
[0065]
特征计算模块203，用于获取待提取区域内的dem辅助数据，结合遥感影像，计算多维度特征，含光谱值、标准差以及dem特征；
[0066]
特征掩模模块204，用于利用冰川和积雪疑似范围，对待提取区域内的dem特征数据和光谱特征数据进行掩模处理，获取疑似范围内的多维特征；
[0067]
范围识别模块205，用于采集疑似范围内的冰川与积雪的样本、非冰川与积雪的样本，选取多维特征，利用预先配置的决策树模型，对冰川与积雪进行精细提取，得到冰川与积雪范围。
[0068]
此外，上述系统还包括：精度评价模块(图中未示出)，用于以人工勾画的冰川与积雪范围数据作为真值数据，对精细识别得到的冰川与积雪范围进行正确率分析，所述正确率由正确预测的冰川与积雪面积除以预测的冰川与积雪总面积得到。
[0069]
为了方便理解本发明的上述技术方案，以下以青海省的冰川与积雪为例，对本发明的上述技术方案进行详细说明。
[0070]
以青海省的冰川与积雪为例，青海省的冰川主要分布在唐古拉山、祁连山及昆仑山区，选取祁连山地区2018年的landsat8遥感数据，选取30 米全国dem数据作为辅助数据，进行冰川与积雪提取，具体实施步骤：
[0071]
步骤1：遥感数据预处理
[0072]
(1)对landsat8全色和多光谱数据进行大气校正。利用envi5.3辐射定标、flaash大气校正两个功能模块，完成遥感数据的大气校正。
[0073]
(2)影像配准。以全色波段为参考波段，将多光谱波段与全色波段进行相对配准。在研究区范围内采集均匀的同名点，通过仿射变换，实现影像的配准校正。
[0074]
(3)影像融合处理。将全色和多光谱进行融合处理，获取15米分辨率 的遥感数据。常用融合方法有brovey变换融合、ihs变换融合、主成分 变换融合、小波变换融合等。本次影像融合采用brovey变换融合方法。
[0075][0076]
i
high
代表全色波段，i
low
代表多光谱波段，∑i
low
代表多光谱所有波段之和。
[0077]
计算第一步输出遥感融合影像，见图3所示。
[0078]
步骤2：归一化积雪指数阈值提取冰川与积雪
[0079][0080][0081]
green代表的是0.5μm到0.6μm范围的绿波段；swir1代表的是1.55μm到1.75μm范围的短波红外波段。计算第二步输出融合影像的 ndsi特征，计算结果见图4所示，可见积雪在ndsi中表现很突出。通过阈值划分的方式，计算输出ndsi阈值提取结果，见图5所示。
[0082]
步骤3：基于融合多维度特征利用决策树模型进行积雪提取
[0083]
(1)获取dem特征和光谱特征。
[0084]
dem特征获取：获取研究区的dem辅助数据，考虑后续需要对dem 特征与其它特征进行融合，对研究区dem数据重采样至15米，与landsat8 融合后影像分辨率一致，最终输出重采样后dem特征。
[0085]
光谱特征获取：将landsat8数据蓝、绿、红、近红、短波红外1、短波红外2作为光谱特征的一部分。此外，计算蓝、绿、红、近红、短波红外1、短波红外2波段的标准差，作为光谱特征的另一部输入。标准差的计算方法：以待计算的像素为中心，指定窗口大小，窗口内所有像素灰度值减去平均值，它的平方和除以像素的总个数，开根号，即可得到该像素的标准差。
[0086]
(2)掩模处理光谱特征和dem特征
[0087]
利用步骤2中的冰川与积雪粗提取结果范围，对光谱特征和dem特征进行掩模处理，输出疑似冰川与积雪范围内的光谱特征和dem特征。
[0088]
(3)决策树模型信息提取
[0089]
利用波段组合的方式，融合高程、光谱特征。在融合特征的基础上，分别采集冰川与积雪的样本、非冰川与积雪的样本，利用决策树模型，对冰川与积雪进行精细识别，细识别结果见图6所示。
[0090]
决策树采用自顶而下递归的贪心算法，在决策树的内部节点进行属性值的比较，并根据不同的属性值判断从该节点向下的分支，得到决策树的叶节点。在建立决策树的过程中，如何建立最佳的分裂节点非常关键。目前，属性度量的方法有尼基指数、信息增益比、信息增益、g统计、距离度量等多种方法。本次决策树利用的cart算法，常用尼基指数作为属性度量的指标。
[0091]
设数据集s的分类属性c有m个不同的离散属性c1，c2，...，c
m
，对应的尼基指数公式为：
[0092][0093]
其中，p
i
是类别c
i
出现的频率。若利用a属性。
[0094]
将s数据集划分为s1和s2，划分的尼基指数公式为：
[0095]
gini(s)＝(s1/s)*gini(s1)+(s2/s)*gini(s2)
[0096]
寻找划分的最佳节点，也就是计算每个属性的最佳划分方法，再比较所有属性的尼基指数，尼基指数最小的，认为是最优的划分节点。
[0097]
由于决策树构造很容易产生过拟合现象，因此，需要对决策树进行剪枝，一般的剪
枝方法有预剪枝和后剪枝。cart决策树采用后剪枝法，也就是先生成决策树再对树进行剪枝，然后使用交叉验证来检验各种剪枝的效果，选择泛化能力最好的剪枝策略。剪枝的思路为：首先，剪枝，形成一个子树序列。
[0098]
剪枝过程中，计算子树的损失函数如下：
[0099]
c
α
(t)＝c(t)+α|t|
[0100]
其中，t表示任意一个子树，c(t)表示训练数据的预测误差。|t|表示叶节点的数量，α≥0，c
α
(t)表示参数为α时，子树t的损失。α是权衡训练数据的拟合程度与模型的复杂程度。
[0101]
对于固定的α，一定存在c
α
(t)最小的子树，我们将其表示为t
α
，t
α
在 c
α
(t)最小的意义下是最优的。然后，对剪枝得到的子树序列，采用交叉验证法，在子树序列中选取最优树，即可实现决策树的剪枝。
[0102]
步骤4：精度评价
[0103]
以人工勾画的冰川与积雪为真值数据，对上一步决策树模型提取的冰川与积雪提取结果展开精度评价，精度评价采用正确率指标，公式为：
[0104]
正确率＝正确预测面积/预测总面积
[0105]
其中，正确预测面积表示正确提取的冰川与积雪面积，预测总面积表示提取的冰川与积雪面积。
[0106]
本发明提出的方法提取2018年冰川与积雪的提取精度分别为98.7％。
[0107]
此外，为了验证本该实施例中多维度特征的作用，采用同样的样本，仅输入光谱特征时，利用决策树模型进行信息提取，输出分类结果。如图 7、图8所示，从目视效果分析，可明显看出融合dem和光谱特征进行信息提取结果更为完整一些，效果较优。从精度评价指标分析，融合dem和光谱特征输出的分类图正确率为98.7％，输入光谱特征后的分类图正确率为 92.6％，对比可知，本次实施例中采用的方法，冰川与积雪提取精度较优。
[0108]
综上所述，借助于本发明的上述技术方案，通过从多维度特征分析地物特征，有效融合dem和光谱信息，避免了由于特征维度单一，造成冰川与积雪识别精度低的情况；同时，通过综合利用雪盖指数法和决策树算法，在雪盖指数法提取的基础上，借助决策树算法能够同时处理数据型和常规型属性的优势，挖掘冰川与积雪提取规律，提高了冰川与积雪提取精度。
[0109]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。