高分遥感图像植被信息提取算法设
高分一号遥感卫星数据林地信息快速提取方法的研究
高分一号遥感卫星数据林地信息快速提取方法的研究周日平【摘要】不同类型的林地具有不同的反射率特征,由此计算获得林地识别与分类的归一化植被指数(NDVI).NDVI可参与对高分一号遥感图像的监督分类:首先根据图像光谱特征及NDVI参数,在ENVI专业图像处理平台上,选择各类林地的典型样本区,进行计算机自动信息提取,获得每个像素点属于某类林地的相似度信息,然后结合纹理、形状、空间关系等特征,利用聚类分析和迭代运算等综合处理方法,快速得到具有实用性的专题分类矢量结果.该方法光照度相对较弱的阴坡和薄云覆盖下的林地分类识别效果也比较好.通过对光谱角填图法、马氏最小距离法、最大似然法等监督分类的结果进行比较,认为采用光谱角填图法提取高分一号卫星原始数据的林地矢量信息精度最高.【期刊名称】《中国煤炭地质》【年(卷),期】2019(031)002【总页数】5页(P72-76)【关键词】植被指数;波谱特征;林地信息;光谱角填图法【作者】周日平【作者单位】中煤地质集团大地高科北京 100075【正文语种】中文【中图分类】P6270 引言自20世纪70年代，遥感技术开始应用于国土资源调查中，此后随着遥感技术系统的快速发展，尤其是高分辨率和多光谱遥感卫星影像的出现，人们能够及时获取所需要的空间基础信息和各种地物信息。
充分利用卫星遥感动态的、周期性的对地观测数据，逐步实现地学专题信息的自动获取，既是GIS中数据采集自动化研究的一个方向，也是遥感信息定量化的一个方面。
实现图像解译的自动化与高精度定量化，是遥感应用领域发展的要求，也是当前遥感发展的前沿[1]。
遥感成像是从多到少的映射，是个确定过程，而影像解译是从少到多的映射，是个不确定过程[2]。
目前对卫星影像分割技术的研究远远滞后于卫星成像技术的发展,数据处理速度远跟不上遥感卫星获取数据的节奏,各种自然资源信息快速矢量化是一项艰巨的工作[3]。
获取大面积矢量化专题信息，传统的遥感图像分类方法主要依赖于人机交互目视解译，依靠经验手工拾取边界。
从高光谱遥感影像提取植被信息解析
第33卷第3期2008年5月测绘科学Sc i ence o f Survey ing and M app i ngV o l 33N o 3M ay作者简介:温兴平(1970- , 男, 山西兴县人, 在读博士, 高级工程师, 研究方向为定量遥感、遥感影像的大气校正。
E -m a i:l w fxyp @sohu co m收稿日期:2007-01-22基金项目:本研究由国土资源大调查(从高光谱遥感影像提取植被信息温兴平, 胡光道, 杨晓峰( 中国地质大学数学地质遥感地质研究所, 武汉 430074; 地质过程与矿产资源国家重点实验室, 武汉 430074; 南京信息工程大学环境科学与工程学院, 南京210044摘要遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。
高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。
植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。
本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM 方法对植被信息进行了提取, 参考光谱使用ASD 光谱辐射仪采集的植被光谱曲线。
文中对高光谱遥感影像的辐射定标和大气校正进行了研究, 针对影响光谱辐射仪采集的主要因素采取了相应的措施, 并对光谱曲线分类及参考光谱曲线的选取进行了研究。
将选取出的参考光谱曲线与大气校正后的遥感影像进行S AM 匹配提取出植被信息, 经过与实地调查资料比较并计算总体精度和kappa 系数, 计算结果达到预期精度。
最后将分类结果转换为矢量图, 经过投影转换为大地坐标后制作出北衙植被分布图。
关键词高光谱遥感; 植被信息; SAM; 提取中图分类号 TP75 文献标识码 A 文章编号 1009-2307(2008 03-0066-03DO I :10 3771/j issn 1009-2307 2008 03 0221 引言遥感技术提取植被信息已经有很长的历史, 遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。
遥感影像植被信息提取方法研究及思考
2007年12月第5卷第6期地理空间信息ＧＥＯＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＤｅｃ．，２００７Ｖｏｌ．５，Ｎｏ．６遥感影像植被信息提取方法研究及思考张海霞，卞正富（中国矿业大学环境与测绘学院，徐州江苏221008）摘要：从植被光谱特征出发，对植被信息提取的方法和现状进行了综述，其中主要介绍了几种具有代表性的植被提取方法，如：植被指数提取法、NDVI与波段合成法、HIS融合法、分级分类提取法、基于知识库提取法等，对各种方法的原理、特点、优势与限制进行了分析、对比、思考，并展望了下一步研究方向。
关键词：遥感影像；植被信息提取；光谱特征；波段Method for Vegetation Information Extractionfrom Remote Sensing ImagesZHANG Haixia,BIAN Zhengfu（ＳｃｈｏｏｌｏｆＥｎｖｉｒｏｎｍｅｎｔＳｃｉｅｎｃｅａｎｄＳｐａｔｉａｌＩｎｆｏｒｍａｔｉｃｓ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｉｎｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｕｚｈｏｕ，２２１００８，Ｃｈｉｎａ）Abstract：Ｂａｓｅｄｏｎｔｈｅｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｓｏｆｖｅｇｅｔａｔｉｏｎ，ｔｈｉｓｐａｐｅｒａｔｔｅｍｐｔｓｔｏａｎａｌｙｚｅｔｈｅｍｅｔｈｏｄｓａｎｄａｃ－ｔｕａｌｉｔｙｏｆｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ，ｐａｒｔｉｃｕｌａｒｌｙｄｉｓｃｕｓｓｅｓｓｅｖｅｒａｌｔｙｐｉｃａｌｍｅｔｈｏｄｓ，ｓｕｃｈａｓＶｅｇ－ｅｔａｔｉｏｎＩｎｄｅｘ，ＮＤＶＩｃｏｍｂｉｎｅｄｗｉｔｈｂａｎｄｓ，ＨＩＳ，ＨｉｅｒａｒｃｈｉｃａｌＣｌａｓｓｉｆｉｃａｔｉｏｎＴｅｃｈｎｉｃａｌＥｘｔｒａｃｔｉｏｎａｎｄＫｎｏｗｌｅｄｇｅ－ｂａｓｅｄＶｅｇｅｔａｔｉｏｎＥｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓ，ｔｏｇｅｔｈｅｒｗｉｔｈｔｈｅｉｒｐｒｉｎｃｉｐｌｅｓ，ｅｆｆｅｃｔｓ，ｆｕｎｃｔｉｏｎｓａｎｄｌｉｍｉｔｅｄｃｏｎ－ｄｉｔｉｏｎｓ．Ｆｉｎａｌｌｙ，ｓｕｍｍａｒｙａｎｄｐｒｏｓｐｅｃｔａｒｅｄｅｓｃｒｉｂｅｄ，ｉｎｏｒｄｅｒｔｏｇｉｖｅｇｕｉｄａｎｃｅｔｏｐｒａｃｔｉｃａｌｗｏｒｋ．Keywords：ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ；ｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ；ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ；ｐｒｏｓｐｅｃｔｓ植被调查是遥感的重要应用领域。
植被信息遥感提取方法
植被信息遥感提取是一种利用遥感技术来获取地表植被信息的方法。
这种方法通过卫星或无人机拍摄地表图像，然后利用图像处理技术和计算机视觉技术，提取出植被的特征信息，如植被覆盖率、植被类型、植被生长状态等。
以下是植被信息遥感提取的基本方法：
1. 图像获取：使用卫星或无人机拍摄地表图像，获取不同分辨率、不同光谱特性的图像数据。
这些图像数据可以提供丰富的植被信息，为后续的植被信息提取提供基础。
2. 图像预处理：对获取的图像进行预处理，包括去噪、增强、裁剪等操作，以提高图像的质量和可读性，为后续的植被信息提取提供更好的基础。
3. 特征提取：利用图像处理技术和计算机视觉技术，从图像中提取植被的特征信息。
常用的特征包括植被覆盖率、植被类型、植被生长状态等。
这些特征可以通过不同的算法和方法进行提取，如基于光谱特征的方法、基于纹理特征的方法、基于机器学习的方法等。
4. 分类识别：将提取的特征进行分类识别，确定植被的类型和生长状态。
常用的分类方法包括监督学习、非监督学习等。
通过对图像中的植被进行分类，可以得到各种植被的信息，如草地的面积、森林的覆盖率等。
5. 结果评估：对植被信息提取的结果进行评估，以确保提取结果的准确性和可靠性。
评估的方法包括人工目视检查、统计分析等。
评估结果可以用于优化植被信息提取的方法和算法，提高结果的准确性和可靠性。
总的来说，植被信息遥感提取是一种综合利用遥感技术、图像处理技术和计算机视觉技术的方法，可以快速、准确地获取地表植被的信息。
这种方法在农业、林业、环境监测等领域具有广泛的应用价值。
高分辨率遥感影像信息提取方法综述
高分辨率遥感影像信息提取方法综述王伟超;邹维宝【摘要】感知地物信息最直接的载体就是遥感影像,从遥感影像中提取地形地物等专题信息是当前遥感技术面临的一个迫在眉睫的问题.遥感影像的空间分辨率伴随着遥感技术的飞速发展从公里级发展到厘米级,同时遥感影像所包含的信息正越来越丰富化.高空间分辨率遥感影像具有数据量极大、数据复杂以及尺度依赖的特点,使得高空间分辨率的遥感影像的数据处理以及影像信息提取具有一定的难度,面临一些急需解决的问题.文中介绍了高分辨率遥感影像信息提取的国内外研究现状和趋势,分析了几种遥感影像的分类方法,指出了面向对象的遥感影像信息提取的技术及高分辨率遥感影像的多尺度分割,并指出了国内外在遥感影像信息提取技术方面的不足和迫切需要解决的问题.【期刊名称】《北京测绘》【年(卷),期】2013(000)004【总页数】5页(P1-5)【关键词】高分辨率遥感影像;信息提取;面向对象的遥感影像信息提取;多尺度分割【作者】王伟超;邹维宝【作者单位】长安大学地测学院,陕西西安710054;长安大学地测学院,陕西西安710054【正文语种】中文【中图分类】P237经过三十年的发展，空间遥感技术具有巨大的进步，已经形成对地高空间分辨率与高时间分辨率的观测能力。
在监测全球变化、区域变化、环境变化等民用方面以及军用方面，高分辨率遥感影像技术都具有非常重大的应用价值。
由于其自身辐射特点，虽然高分辨率遥感图像的空间分辨率一般在5m以内，但仍存在混合像元。
现有的遥感解译算法大体可以分为基于像元分类方法和面向对象的影响分析方法。
前者适用于中、低空间分辨率影像信息提取，后者适用于处理高空间分辨率影像数据。
由于像元分类方法提取遥感信息是一种建立在像素的统计特征基础上的信息提取方法，它所利用的地物形状、几何信息非常少，这直接导致了这种方法具有较低的分类效果和精度，而且比较依赖解译人员，从而更加迫切的需要一种能够更快速、自动提取高分辨率遥感影像信息的方法，在此背景下面向对象的影像分析方法应运而生。
植被覆盖度估算方法
植被覆盖度估算方法植被覆盖度估算方法植被覆盖度估算是为了评估一个区域或地点的植被覆盖程度，常用于生态环境研究、林业资源管理、土地利用规划等领域。
本文将介绍几种常用的植被覆盖度估算方法。
1. 监测图像分类法•监测图像分类法是利用遥感图像进行植被覆盖度估算的常见方法。
•首先，从卫星或无人机获取高分辨率的遥感图像。
•然后，利用图像分类算法（如最大似然法、支持向量机等）将图像分成不同的类别，包括植被和非植被。
•最后，计算植被覆盖度的比例，可以通过像元数、面积比例等指标进行量化。
2. 样地调查法•样地调查法是一种在野外进行的实地调查方法，适用于小范围的植被覆盖度估算。
•首先，在研究区域内选择一定数量的样地，通常为正方形或长方形的固定面积。
•然后，对每个样地内的植被进行详细调查，记录不同植被类型的面积、高度、覆盖度等信息。
•最后，根据样地的统计数据计算整个研究区域的植被覆盖度，可以通过平均值或加权平均值等方式计算。
3. 植被指数法•植被指数法是利用遥感图像中的植被指数进行植被覆盖度估算的方法。
•植被指数是通过计算遥感图像中不同波段（如红、近红外）的比值或差值获得的。
•通过植被指数，可以较为准确地反映植被的生长状况和覆盖度。
•常用的植被指数包括归一化植被指数（NDVI）、差值植被指数（DVI）、综合植被指数（EVI）等。
4. 模型模拟法•模型模拟法是利用数学或计算机模型模拟植被覆盖度的方法。
•常用的模型包括植被生长模型、碳循环模型等。
•通过收集气象数据、土壤数据等相关资料，输入到模型中进行模拟，得到植被覆盖度的估算结果。
•模型模拟法可以考虑多个因素的影响，并提供一种数值化、可重复性的估算方法。
5. 光谱混合法•光谱混合法是利用遥感图像中的光谱信息进行植被覆盖度估算的方法。
•遥感图像中的每个像元通常包含多种地物的光谱信息，通过光谱混合分析，可以将不同地物的贡献进行分离。
•通过对植被和非植被的光谱特性进行分析，可以计算植被覆盖度的比例。
landsat8植被提取步骤 -回复
landsat8植被提取步骤-回复Landsat 8植被提取步骤：第一步：数据获取与准备Landsat 8是美国国家航空航天局（NASA）和美国地质调查局（USGS）联合运营的一颗卫星，它搭载了一台名为Operational Land Imager (OLI)的传感器，可以提供高空间分辨率和多光谱信息的遥感数据。
要进行植被提取，首先需要获取Landsat 8的遥感影像数据。
这些数据可以从USGS 的遥感数据分发网站下载。
下载到数据后，还需要对其进行一些预处理以准备后续的植被提取分析。
预处理步骤通常包括校正、大气校正和辐射校正。
这些校正步骤旨在消除不同波段之间的辐射差异和大气干扰，以确保准确的植被提取结果。
第二步：选择植被指标植被指标是通过遥感数据计算得出的数值，用于衡量植被的生长状况和覆盖程度。
在Landsat 8数据中，常用的植被指标有Normalized Difference Vegetation Index (NDVI)和Enhanced Vegetation Index (EVI)。
选择合适的植被指标是提取植被信息的关键步骤。
NDVI是其中一种广泛使用的植被指标，计算公式为：(NIR - R) / (NIR + R)，其中NIR代表近红外波段的反射值，R代表红光波段的反射值。
NDVI的取值范围为-1到1，数值越高代表植被覆盖度越高。
EVI是在NDVI基础上进行改进的植被指标，能够更好地消除大气干扰和土壤背景噪声。
计算公式为：EVI = 2.5 * (NIR - R) / (NIR + 6 * R - 7.5 * B + 1)，其中B代表蓝光波段的反射值。
EVI的取值范围也为-1到1，数值越高代表植被覆盖度越高。
根据研究目的和数据特点，选择适合的植被指标进行后续的分析和提取。
第三步：获取植被提取结果在得到合适的植被指标后，可以使用不同的方法来提取植被信息。
常用的方法包括阈值分割、土地覆盖分类和机器学习算法。
高光谱遥感图像的特征提取和分类算法探究
高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。
其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。
在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。
由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。
在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。
因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。
一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。
特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。
常用的特征提取方法包括如下几种。
1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。
在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。
这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。
2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。
在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。
这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。
3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。
在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第二步:利用Meanshift算法对图片处理。
MeanShift算法可以看作是使多个随机中心点向着密 度最大的方向移动，最终得到多个最大密度中心。可以看 成初始有多个随机初始中心，每个中心都有一个半径为 bandwidth的圆，我们要做的就是求解一个向量，使得圆 心一直往数据集密度最大的方向移动，也就是每次迭代的 时候，都是找到圆里面点的平均位置作为新的圆心位置， 直到满足某个条件不再迭代，这时候的圆心也就是密度中 心。
调用meanshift算法处理后的灰度图像(左)
将其再转化为灰度图像后的图片（右）
将其灰度直方图表示出来，由图片可知将灰度阈 值设置为50左右可以将植被（灰度值大于50）和 非植被区域（灰度值小于50）分割出来。
第三步：将得出的灰度图片二值化后就得出了最终分割结果。
谢谢观看！
高分遥感图像植被信息提取算法设计
一、课题概述 二、选择设计方案的概述 三、设计方案具体讲解
四、结果分析
课题概述：
本课程设计是对高分遥感图像分析，所要分析的图片如下：
原始待分割图片：由植被和其他区域组成 （左） 非植被区域用彩笔勾画出来（右）
将原始图像的灰度直方图用MATLAB显示出来：
有直方图可知， 植被与背景的灰 度之间没有明显 的谷底，因此用 直方图阈值分割 等方法无法很好 的将植被分割出 来。因此我选用 了基于均值漂移 的meanshift算 法。
整个设计方案表述如下：
第一步，由于要分割的图像为彩色图像，用RGB彩色空间来处理图像 不太方便，因此先将图像从RGB彩色空间转换到HSI彩色空间。 第二步，在HSI彩色空间的基础上用meanshift算法进行处理。 第三步，将第二步所得的图像转换为灰度图像，将其灰度直方图用 MATLAB显示出来，选择阈值将其转换为二值化图像。至此这个过程 结束，原始图像的植被和非植被被分割出来。
其中： 代表空间位置的信息，离远点越 近，其值就越大。 表示颜色信息，颜色越 相似，其值越大。 C为常数，hs和hr为位置和像素窗口的大小，相当 于上边所介绍的高维球的半径。
综上，算法的步骤如下： (1)选择搜索窗 (2)计算得窗口的重心 (3)将窗口的重心设置在计算出的重心处 (4).移动搜索窗的中心到重心，如果移动距离大 于预设的固定阈值，则重复(2), (3), (4)直到搜索 窗的中心与质心间的移动距离小于预设的固定阈 值停止计算。 下式为计算新的重心的公式亮度轴以及垂直于此轴的一个平面 上的彩色点的轨迹组成,由平面和立方体表面相交形成的边 界或者是三角形或者是六边形。
点是一个任意点，它与红 色轴的夹角给出了色调， 向量的长度是饱和度。亮 度都由垂直亮度轴上的平 面的位置给出。
H：色调，描述纯色的属性（如红色，蓝色..） S：饱和度，给出了纯彩色被白光冲淡程度的度量 I ：亮度 在RGB彩色立方体中，，黑色顶点位于(0,0,0)处，白色顶 点位于（1，1，1）处。这条连接黑色和白色顶点的线为亮度 轴，想确定图中任意彩色点的亮度分量，我们就需要经过一 个包含该点且垂直于亮度轴的平面，这个平面和亮度轴的交 点就给出了范围在[0,1]之间的亮度值。
形成一个HSI空间所需的色调、饱和度和亮度值都可以通 过RGB彩色立方体得到。通过几何公式，就可以将任意的 RGB点转换成HSI彩色模型中的对应点。 若给出一幅RGB彩色格式的图像，则每一个RGB像素的 H分量可用下面的方程得出：
饱和度分量由下式给出： S = 1- 3/(R + G + B) * [min(R,G,B)] 亮度由下式给出： I = (R + G + B)/3
如图所以。其中黄色箭头就是Mh（meanshift向量）。
再以meanshift向量的终点为圆心，再做一个高维的球。如下图 所以，重复以上步骤，就可得到一个meanshift向量。如此重复 下去，meanshift算法可以收敛到概率密度最大得地方。也就是 最稠密的地方。如下图所示：
一般一个图像就是个矩阵，像素点均匀的分布在图 像上，就没有点的稠密性可言。所以怎样来定义点的概 率密度，这才是最关键的。如果我们就算点x的概率密度， 采用的方法如下：以x为圆心，以hs为半径。落在球内的 点位xi定义二个模式规则。 (1)x像素点的颜色与xi像素点颜色越相近，我们定义概 率密度越高。 (2)离x的位置越近的像素点xi，定义概率密度越高。 所以定义总的概率密度，是二个规则概率密度乘积的结 果，可以下式表示：