基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法技术

本发明专利技术公开了一种基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法，首先对输入的原始遥感图像进行预处理，并利用特征指数方法提取特征光谱，构成地物特征集。其次运用改进后的约束能量最小化算法对养殖区目标地物进行增强，削弱背景光谱信息，然后运用大津法计算阈值，并结合单波段阈值对目标地物进行初步提取。最后将初步提取的结果根据地物特征，运用灰度共生纹理矩阵或面向对象法进行地物干扰物体定制化剔除，输出养殖区提取最终结果。本方法和传统目标检测方法相比，即使在“异物同谱”现象较为明显的养殖区域，本方法仍能有效克服背景地物干扰，得到较高精度的筏式养殖区提取结果，能较好地满足筏式养殖区的高精度提取要求。度提取要求。度提取要求。

【技术实现步骤摘要】
基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法


[0001]本专利技术属于遥感技术、图像处理
，具体涉及一种基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法。

技术介绍

[0002]自第二次工业革命以来，渔业资源作为陆地粮食资源的补充越来越得到更多国家和地区的关注。作为渔业资源的重要组成部分，水产养殖活动的自主选择性和经济利益更高，但对自然环境的影响程度更深，随着水中排泄物的不断沉积和残余饵料的增加，养殖水体的氨氮含量不断积累，水体富营养化现象加剧，水产养殖区域自然环境恶化。因此，如何对水产养殖区进行合理养殖和科学规划是可持续发展渔业资源的主要问题，而有效掌握养殖区的空间布局，提高水产养殖区的动态监测技术，是合理规划和科学治理渔业资源的重要环节。
[0003]与传统监测技术相比，遥感技术通过制定卫星轨道路径和运行周期，能宏观、连续、自动地观测地表物体，克服了传统监测周期长、耗时耗力、人为干扰因素大等不足，成为水产养殖区动态监测的重要手段。基于遥感技术的水产养殖区提取方法主要有目视解译法、面向对象法、基于像元光谱特征以及纹理分析等方法，一些学者均在相应的养殖区提取实验中取得了较为理想的提取效果和应用前景，极大促进了遥感技术的发展。其中目视解译方法最为常用，但其精度绝大程度上取决于目视解译人员的自身解译经验，客观性低，工作量大且耗费时间，不利于养殖区的长时间、动态监测需求。面向对象的提取方法综合考虑了遥感影像中分类对象的空间、光谱、纹理、形状特征，降低了传统图像提取方法中难以解决的“椒盐”噪声影响，但在提取过程中由于分割尺度的主观性和部分像元的“异物同谱”问题，可能会导致养殖区提取精度降低。基于像元的提取方法能较好地利用水产养殖区的光谱反射特性，突出养殖区与非养殖区间的差异，利用阈值能够自动地对水产养殖区进行提取。但是由于受传感器间差异以及自身参数影响，尚不存在一种对大部分卫星影像数据都可用的水产特征指数，而且同一养殖区内受不同水质因素的影响，水产养殖区的反射特性出现差异化现象。这也给基于像元的提取方法增加了困难，也使得像元提取法很难独立、准确地提取出水产养殖区，而与其他方法相结合使用才能更好地利用水产养殖区的光谱特征，提高水产养殖区提取算法的精度。
[0004]针对现有算法的不足，本专利技术提出一种基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法，构建一种将遥感影像地物光谱特征、阈值法和灰度共生纹理矩阵等相结合的多特征分析法，从而实现养殖区的精确提取。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法，以解决上述存在的问题。
[0006]实现本专利技术目的的技术解决方案为：
[0007]基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法，其特征在于，包括以下步骤：
[0008]步骤1：输入一幅原始遥感图像；
[0009]步骤2：对输入的遥感图像进行图像预处理，针对处理后图像中的地物特征，利用特征指数方法提取特征光谱，根据得到的特征光谱构建目标地物特征集；
[0010]步骤3：构建有限脉冲响应线性滤波器，基于梯度积分递归神经网络的约束能量最小化算法，选取目标地物像元光谱数据，利用有限脉冲响应线性滤波器对目标地物光谱数据进行增强，得到增强的遥感图像；
[0011]步骤4：对增强后的遥感图像，利用Otsu算法和单波段阈值对目标地物进行初步提取，得到目标地物的初步提取后的遥感图像；
[0012]步骤5：将初步提取后的遥感图像，基于地物纹理特征和几何特征，采用面向对象法或灰度共生纹理矩阵对养殖区地物干扰物体进行定制化剔除；
[0013]步骤6：输出最终的养殖区提取后的遥感图像。
[0014]进一步地，其特征在于，步骤3的具体操作步骤包括：
[0015]步骤31：根据已知的目标像元光谱的先验信息，构建有限脉冲响应线性滤波器；
[0016]步骤32：将约束能量最小化算法表示为一个线性约束最优化数学模型，表达式为：
[0017][0018]其中，w表示代求滤波系数，R为遥感图像的自相关矩阵，且d表示约束条件向量，并且d满足条件：
[0019][0020]步骤33：在所述约束条件向量下，当滤波器对于输入r
i
的输出y
i
满足下式：
[0021][0022]则遥感图像{r1,r2,...,r
N
}对应的平均输出能量为：
[0023][0024]其中，{r1,r2,...,r
N
}为图像中的像元矢量，代表遥感图像中的光谱信息，N为图像中的总像元数值，每个像元r
i
＝[r
i1
,r
i2
,...,r
il
]T
为l维列向量，且l是图像的波段数，1≤i≤N；
[0025]步骤34：利用拉格朗日乘数法将公式(1)转化为无约束最优化数学模型，公式为：
[0026]F(w)＝w
T
Rw+λ(d
T
w-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)，
[0027]其中，λ为拉格朗日乘子；
[0028]步骤35：将公式(5)转换为线性等式方程数学模型，公式为：
[0029]Gs(t)＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)，
[0030]其中，自相关系数矩阵G＝[2R,d
T
；d,0]∈R
(l+1)
×
(l+1)
；b为系数向量且b＝[0,1]T
∈R
l+1
；s(t)＝[w(t),λ(t)]T
∈R
l+1
为待求向量；w(t)＝{w1(t),w2(t),
…
,w
l
(t)}
T
是由滤波系数构成的l维向量，λ(t)∈R为拉格朗日函数乘子；
[0031]步骤36：定义公式(6)的误差函数为：
[0032]e(t)＝Gs(t)-b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)，
[0033]步骤37：根据公式(7)，构建积分增强梯度递归公式为：
[0034][0035]步骤38：根据公式(8)进行递归计算，直至当计算出的误差小于允许误差时结束计算，并得到滤波输出系数w(t)；
[0036]步骤39：根据得到的滤波输出系数进行反演，输出增强后的遥感图像。
[0037]进一步地，步骤4的具体操作步骤包括：
[0038]步骤41：针对增强后的遥感图像，采用Otsu算法计算出地物提取的最佳阈值并根据得到的阈值对遥感图像进行阈值分割，提取部分地物，得到Otsu阈值提取结果；
[0039]步骤42：在遥感图像的单波段上提取于Otsu阈值提取结果位置相同的光谱值，对单波段灰度值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法，其特征在于，包括以下步骤：步骤1：输入一幅原始遥感图像；步骤2：对输入的遥感图像进行图像预处理，针对处理后图像中的地物特征，利用特征指数方法提取特征光谱，根据得到的特征光谱构建目标地物特征集；步骤3：构建有限脉冲响应线性滤波器，基于梯度积分递归神经网络的约束能量最小化算法，输入目标地物像元光谱数据，利用有限脉冲响应线性滤波器对目标地物光谱数据进行增强，得到增强的遥感图像；步骤4：对增强后的遥感图像，利用Otsu算法和单波段阈值对目标地物进行初步提取，得到目标地物的初步提取后的遥感图像；步骤5：将初步提取后的遥感图像，基于地物纹理特征和几何特征，采用面向对象法或灰度共生纹理矩阵对养殖区地物干扰物体进行定制化剔除；步骤6：输出最终的养殖区提取后的遥感图像。2.根据权利要求1所述的基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法，其特征在于，步骤3的具体操作步骤包括：步骤31：根据已知的目标像元光谱的先验信息，构建有限脉冲响应线性滤波器；步骤32：将约束能量最小化算法表示为一个线性约束最优化数学模型，表达式为：其中，w表示代求滤波系数，R为遥感图像的自相关矩阵，且d表示约束条件向量，并且d满足条件：步骤33：在所述约束条件向量下，当滤波器对于输入r
i
的输出y
i
满足下式：则遥感图像{r1,r2,...,r
N
}对应的平均输出能量为：其中，{r1,r2,...,r
N
}为图像中的像元矢量，代表遥感图像中的光谱信息，N为图像中的总像元数值，每个像元r
i
＝[r
i1
,r
i2
,...,r
il
]
T
为l维列向量，且l是图像的波段数，1≤i≤N；
步骤34：利用拉格朗日乘数法将公式(1)转化为无约束最优化数学模型，公式为：F(w)＝w
T
Rw+λ(d
T
w-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)，其中，λ为拉格朗日乘子；步骤...

【专利技术属性】
技术研发人员：付东洋，钟雅枫，余果，黄浩恩，刘大召，徐华兵，罗亚飞，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：