基于空间优化与多特征纹理差异的灌木丛识别方法与流程

摘要: 本发明涉及遥感影像处理、矿区生态恢复、灌木丛识别领域,尤其涉及一种基于空间优化与多特征纹理差异的灌木丛识别方法。背景技术:1、随着无人机遥感技术与高分辨率对地观...
基于空间优化与多特征纹理差异的灌木丛识别方法与流程

本发明涉及遥感影像处理、矿区生态恢复、灌木丛识别领域,尤其涉及一种基于空间优化与多特征纹理差异的灌木丛识别方法。

背景技术:

1、随着无人机遥感技术与高分辨率对地观测技术的发展,基于无人机影像的地表植被识别已广泛应用于草原生态监测、荒漠化调查、矿区生态恢复评估及半干旱区植被结构分析等领域。其中,灌木作为干旱与半干旱地区的重要植被类型,其空间分布特征能够反映区域生态恢复状况、地表退化程度及植被演替过程,因此,对灌木区域进行准确识别与空间结构表达具有重要意义。

2、现有灌木识别方法主要包括基于光谱特征的方法、基于纹理特征的方法以及基于深度学习的方法。其中,基于光谱特征的方法通常利用植被指数、波段差异等信息进行分类,但由于灌木与草地在光谱响应上具有较强相似性,特别是在复杂背景、低覆盖度及阴影干扰条件下,容易产生误判;基于纹理特征的方法虽然能够在一定程度上增强灌木结构信息,但多数方法采用固定窗口或单尺度纹理描述方式,难以稳定表达灌木在不同空间尺度下的结构差异,导致复杂场景中的泛化能力不足;而基于深度学习的方法虽然具有较强的非线性表达能力,但通常依赖大量标注样本,模型可解释性较弱,且在复杂地表环境下容易受到阴影、噪声及场景变化的影响。

3、然而,现有方法大多将灌木识别视为单纯的像元分类问题,主要关注像元类别标签,而缺乏对灌木区域真实空间组织结构的建模与表达。实际上,灌木区域通常具有明显的冠层粗糙性、空间聚集性、纹理随机性以及内部阴影耦合结构,其空间分布呈现连续组织特征,而传统方法难以有效保持灌木区域的空间连续性与边界完整性,容易出现孤立噪声、边界断裂及局部空洞等问题,从而影响灌木空间结构的真实表达。

4、因此,亟需一种能够联合利用多尺度纹理差异、阴影结构特征及空间邻域连续性信息,对灌木区域真实空间组织结构进行稳定表达与连续重建的灌木识别方法,以提高复杂地表环境下灌木识别的稳定性、鲁棒性及空间结构表达能力。

技术实现思路

1、本发明提供了一种提出一种基于空间优化与多特征纹理差异的灌木丛识别方法,用于解决复杂地表环境下灌木目标与草地、裸地及阴影区域之间光谱混淆严重、纹理尺度差异明显、传统固定窗口方法泛化能力不足的问题。

2、为了实现上述目的,本发明采用的技术方案是:

3、一种基于空间优化与多特征纹理差异的灌木丛识别方法,方法步骤如下:

4、s1、获取研究区域的无人机遥感影像,并对原始数据进行正射校正、辐射校正、噪声去除及影像拼接处理,以消除几何畸变与光照差异带来的影响,并通过植被指数对影像中的植被区域进行初步筛选,得到待识别的植被区域影像,为后续灌木纹理分析提供基础数据;

5、s2、基于灌木冠层具有明显空间粗糙性、局部聚集性及纹理随机性的特点构建多尺度纹理特征向量模型,用于提取不同空间尺度下的局部纹理方差、方向熵及粗糙度纹理特征,实现灌木空间结构特征的定量表达;其中,局部纹理方差用于描述灌木区域的灰度波动特性;方向熵用于表征冠层纹理方向的离散程度;粗糙度用于反映灌木与草地在空间频率结构上的差异;

6、s3、基于灌木冠层内部普遍存在局部阴影与亮斑交替分布的结构特征,构建植被区域内部的阴影耦合特征模型,获取灌木阴影结构特征参数;通过阴影耦合特征模型统计阴影区域在植被区域中的面积占比及空间分布特征,增强灌木与草地之间的结构差异表达,从而降低复杂光照条件下由于光谱相似性造成的误判问题;

7、s4、融合光谱特征、多尺度纹理特征、粗糙度特征以及阴影耦合特征,构建灌木空间概率表达模型,对每个像元属于灌木区域的概率进行估计,通过多特征联合建模,将传统二值分类问题转化为空间概率场表达问题,得到灌木空间概率分布图,为后续空间传播优化提供初始概率结果;

8、s5、利用空间邻域之间的连续性与聚集性,对初始灌木概率分布进行空间传播优化,通过邻域概率加权更新提高灌木区域的空间一致性与边界完整性,并结合阈值分割、连通域优化、小区域剔除以及空洞修复等后处理操作,对空间概率场进行结构优化,最终生成复杂地表环境下的灌木识别结果图。

9、作为优选,步骤s2中,所述多尺度纹理特征向量模型的构建方法如下,

10、s2-1、构建影像灰度化与尺度空间:

11、将预处理后的无人机影像记为,对原始影像进行高斯尺度空间构建:

12、 ;

13、其中,为尺度参数为的高斯核函数,表示卷积运算,为尺度空间影像,通过设置多个尺度参数,可得到多尺度纹理分析空间;

14、s2-2、计算局部纹理方差、方向熵、多尺度粗糙度和局部结构对比度特征;

15、s2-3、构建多特征纹理向量

16、将局部纹理方差、方向熵、多尺度粗糙度及局部结构对比度特征进行融合,构建多尺度纹理特征向量,其计算公式如下:

17、 。

18、作为优选,步骤s2-1中,所述高斯核函数可定义为:

19、  。

20、作为优选,步骤s2-2中,所述局部纹理方差、方向熵、多尺度粗糙度和局部结构的计算方法如下:

21、首先,在尺度空间影像中,以像元为中心建立局部窗口,计算局部窗口灰度均值和局部纹理方差以表征灌木区域内部的灰度波动强度,其计算公式如下:

22、 ;

23、 ;

24、其中,为窗口内像元数量;

25、其次,计算局部窗口内梯度方向,定义影像在二维空间中的梯度为;梯度方向为;将方向划分为个方向区间,统计各方向概率;则定义方向熵为:

26、 ;

27、然后,对于不同尺度下的影像局部粗糙度,其计算公式如下:

28、 ;

29、其中,为窗口平均值;

30、则定义多尺度粗糙度向量为:

31、 ;

32、其中,表示不同尺度下的粗糙度;

33、最后,定义局部结构对比度为:

34、;

35、其中,为计算窗口内的最大灰度值,为计算窗口内的最小灰度值,为极小的正常数。

36、作为优选,步骤s3中,所述阴影耦合特征模型的构建方法如下,

37、s3-1、基于预处理后的无人机影像数据,对植被区域特征提取;

38、s3-2、进行阴影特征计算,统计植被区域阴影面积占比、阴影空间分布离散度、阴影边界复杂度特征以构成灌木阴影结构特征参数;

39、作为优选,步骤s3-1中,所述植被区域特征提取方法如下:

40、首先,基于预处理后的无人机影像数据,计算归一化植被指数,其计算公式如下:

41、 ;

42、其中,为近红外波段,为红光波段;通过阈值分割得到植被掩特征;

43、其次,计算平均亮度,其计算公式如下:

44、 ;

45、其中,为局部窗口,为亮度分量;

46、最后,进行阴影判定得到植被阴影掩膜特征,阴影判定条件定义为:

47、 ;

48、其中,为局部亮度标准差,为阴影敏感系数。

49、作为优选,步骤s3-2中,所述植被区域阴影面积占比、阴影空间分布离散度、阴影边界复杂度的计算方法如下,

50、首先,阴影面积占比,其计算公式如下:

51、 ;

52、其中,为阴影像元数量,为植被像元数量;

53、其次,阴影空间离散度,其计算公式如下:

54、 ;

55、 ;

56、其中,为阴影区域质心;

57、然后,阴影边界复杂度计算公式为:

58、 ;

59、其中,为阴影边界长度,为阴影面积;

60、最后,构建阴影耦合响应,其计算公式如下:

61、 ;

62、其中,,,为权重参数。

63、作为优选,步骤s4中,所述灌木空间概率表达模型的构建方法如下,

64、s4-1 灌木特征响应函数的构建

65、对所有特征进行最大最小值归一化处理,根据灌木区域在不同特征空间中的统计响应规律,建立灌木综合响应函数,其计算公式如下:

66、 ;

67、其中,为第类特征权重,且;

68、同时,由于灌木区域与非灌木区域之间通常呈现非线性过渡关系,因此采用概率映射函数将综合响应转换为空间概率,其计算公式如下:

69、

70、其中,为灌木响应阈值,为概率敏感系数,为初始灌木概率;

71、s4-2初始灌木空间概率场生成

72、由于灌木通常具有空间聚集性,因此进一步引入局部空间一致性约束,提高概率场稳定性,空间一致性约束项定义为:

73、 ;

74、 ;

75、其中,为空间一致性约束项,为邻域平均概率,为像元的邻域集合;

76、构建空间概率能量函数优化空间概率场,其能量函数由数据项和空间一致性项这两个重要的部分组成;

77、其中数据项定义为:

78、 ;

79、将空间一致性在局部一致性约束的基础之上进行空间扩展,其定义为:

80、 ;

81、其中,为空间距离权重;

82、由此,得到空间概率能量函数和初始灌木空间概率场:

83、 ;

84、 。

85、作为优选,步骤s5中,进行空间传播优化和邻域概率加权更新方法如下,

86、构建空间概率传播优化模型,所述空间概率传播优化模型由s4得到的灌木空间概率场基于距离较近的像元邻域集合构建,其空间传播权重表示为:

87、 ;

88、其中,为像元间欧氏距离;为空间距离衰减参数,取值为常数;

89、对传播权重进行行归一化,其计算公式如下:

90、 且满足:,

91、由此,定义邻域传播概率:

92、 ;

93、其中,为邻域像元灌木概率;

94、则更新模型定义为:

95、 ;

96、其中,为第次迭代概率,为概率保持系数。

97、作为优选,步骤s5中,还包括对空间概率场能量函数进行收敛判定,其判定方法如下,

98、当概率能量场小于收敛阈值时,得到稳定灌木空间概率场,对概率场进行阈值分割得到灌木掩膜特征;由于灌木区域内部可能存在局部空洞,使用形态学闭运算修复灌木内部断裂与空洞,得到灌木识别结果。

99、作为优选,还包括步骤s6,对灌木空间组织结构重建结果验证,将步骤s5获得的最终灌木识别结果,分别从分类准确性、空间结构一致性、空间连续性及边界完整性四个方面进行综合评价。

100、与现有技术相比,本发明的优点在于:

101、(1)本发明针对复杂地表环境下灌木区域空间结构难以稳定表达的问题,提出一种基于空间贝叶斯优化与多特征纹理差异建模的灌木丛识别方法。与传统基于单一光谱或固定纹理窗口的识别方法不同,本发明不再将灌木目标视为孤立像元类别,而是将灌木区域视为具有连续空间组织结构的地表对象,通过联合刻画灌木冠层内部的纹理粗糙性、空间聚集性、方向随机性以及阴影耦合关系,实现灌木空间结构特征的显式表达与连续重建。

102、(2)本发明通过建立多尺度纹理响应模型,有效描述了灌木冠层在不同空间尺度下的结构差异特征,增强了灌木区域与草地、裸地及阴影区域之间的空间可分性;同时,通过引入植被内部阴影耦合特征,将传统方法中易被视为噪声的阴影信息转化为灌木结构的重要组成部分,提高了复杂光照条件下灌木空间组织结构的表达能力。

103、(3)本发明通过构建灌木空间概率场,并利用邻域概率传播机制对局部空间关系进行连续优化,实现了灌木区域空间连续性的增强与边界结构的稳定恢复,降低了局部噪声、孤立斑块及边界断裂对识别结果的影响,使最终结果更符合灌木区域真实空间分布规律。

104、(4)本发明不仅提高了复杂环境下灌木识别的稳定性与鲁棒性,而且能够更加真实地重建灌木区域的空间组织结构与空间聚集特征,可广泛应用于草原生态监测、荒漠植被调查、矿区生态恢复评估及半干旱区植被空间结构分析等领域。