一种大尺度人为水土流失扰动范围遥感智能提取方法技术

本发明专利技术公开了一种大尺度人为水土流失扰动范围遥感智能提取方法，首先获取监管范围内人为水土流失扰动前后的时序多模态遥感影像数据，并对时序多模态遥感影像数据进行高精度配准，得到时序遥感影像集；然后根据时序遥感影像集构建融合视觉注意机制的人为水土流失多模态遥感优化特征集；最后根据人为水土流失多模态遥感优化特征集，基于LSP图卷积神经网络对监管范围内的人为水土流失扰动范围进行遥感智能提取。本发明专利技术提供了基于多模态遥感的人为水土流失遥感智能提取方法，突破了原有大尺度人为水土流失扰动范围难以自动提取的技术瓶颈，实现了大尺度区域人为水土流失扰动范围高精度和智能化提取。围高精度和智能化提取。围高精度和智能化提取。

【技术实现步骤摘要】
一种大尺度人为水土流失扰动范围遥感智能提取方法


[0001]本专利技术属于遥感图像智能处理
，具体涉及一种大尺度人为水土流失扰动范围遥感智能提取方法的设计。

技术介绍

[0002]水土流失的形成和加剧与人的行为与活动密切相关，人类不合理的生产和生活方式，如项目建设的开挖、压占和堆弃等活动，会造成或者加剧水土流失。卫星遥感具有大范围、高重返和低成本等优势，能够客观准确反映人类活动导致的土地覆盖属性的变化，是人为水土流失扰动监管的重要手段，被广泛应用于全国范围的人为水土流失监管调查中。
[0003]当前，利用遥感手段开展人为水土流失监管，最为核心是需要明确人为水土流失的扰动范围。以往人为水土流失扰动范围提取主要依赖专家经验进行人工目视解译，这种方法存在3个不足：(1)解译效率低且人工成本高，大范围人为水土流失扰动范围提取需要投入大量人力，难以满足实时动态更新的需求；(2)人为水土流失遥感扰动类型复杂且特征多样，以往多采用单期高分光学影像进行参考解译，光谱特征单一，难以实现高精度提取；(3)自动化水平低，缺乏采用深度学习等智能方法识别人为水土流失扰动范围，难以满足大范围自动化提取的需求。
[0004]随着卫星遥感成像和深度学习技术快速发展，多源光学和雷达遥感协同可以获取地表时序多模态卫星遥感数据，能够表征人为水土流失扰动区域复杂的下垫面变化特征；另外，通过提取时序多模态遥感特征，采用深度学习等智能方法能够挖掘人为水土流失扰动区域光谱
‑
纹理空间特征变异规律，可实现大尺度人为水土流失扰动范围遥感智能提取。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中大范围人为水土流失扰动范围难以自动化提取的问题，提出了一种大尺度人为水土流失扰动范围遥感智能提取方法。
[0006]本专利技术的技术方案为：一种大尺度人为水土流失扰动范围遥感智能提取方法，包括以下步骤：
[0007]S1、获取监管范围内人为水土流失扰动前后的时序多模态遥感影像数据，并对时序多模态遥感影像数据进行高精度配准，得到时序遥感影像集。
[0008]S2、根据时序遥感影像集构建融合视觉注意机制的人为水土流失多模态遥感优化特征集。
[0009]S3、根据人为水土流失多模态遥感优化特征集，基于LSP图卷积神经网络对监管范围内的人为水土流失扰动范围进行遥感智能提取。
[0010]进一步地，步骤S1中的时序多模态遥感影像数据包括光学遥感数据和雷达遥感数据，针对光学遥感数据进行几何精校正、大气校正和云掩膜处理，针对雷达遥感数据进行几何精校正处理。
[0011]进一步地，步骤S1中对时序多模态遥感影像数据进行高精度配准的具体方法为：
[0012]A1、采用Log
‑
Gabor滤波器对时序多模态遥感影像数据进行滤波，获取其局部相位信息，Log
‑
Gabor滤波器LoG
d，o
(x，y)表示为：
[0013][0014]其中表示在方向o和尺度d下的偶数对称滤波器，表示在方向o和尺度d下的奇数对称滤波器，i为复数的虚数单位。
[0015]A2、将时序多模态遥感影像数据与偶数对称滤波器和奇数对称滤波器分别进行卷积，得到方向o和尺度d下的偶数对称响应能量E
d，o
(x，y)和奇数对称响应能量O
d，o
(x，y)：
[0016][0017]其中表示卷积操作，J(x，y)表示坐标为(x，y)的像素点。
[0018]A3、根据偶数对称响应能量E
d，o
(x，y)和奇数对称响应能量O
d，o
(x，y)计算幅度A
d，o
(x，y)和局部相位
[0019][0020][0021]A4、根据幅度A
d，o
(x，y)和局部相位计算得到像素点J(x，y)处的相位一致性特征值PC(x，y)：
[0022][0023][0024]其中W(x，y)为权重因子，符号表示当*为正时取自身，否则值为0，T表示估计的噪声阈值，ε表示防止分母为0的常数，表示相位差，表示平均相位值。
[0025]A5、根据相位一致性特征值PC(x，y)得到每个方向上的相位一致性图PC(θ
j
)，j＝1，2，...，o；
[0026]A6、根据相位一致性图PC(θ
j
)计算得到相位一致性的最大矩max
pc
和最小矩min
pc
：
[0027][0028][0029][0030][0031][0032]其中a、b、c均为中间参数，θ
j
表示方向角。
[0033]A7、将最大矩max
pc
和最小矩min
pc
对应图像叠加形成叠加特征图，并将叠加特征图
划分为n
×
n个互不重叠的图像块，在每个图像块区域采用Harris算子实现角点监测，选取响应强度超过预设阈值的点作为待配准点，得到待配准点集{P
j
}。
[0034]A8、针对步骤A3得到的d
×
o个幅度值A
d，o
(x，y)，将同一方向上的d个尺度的幅度值累加，得到o个累积幅度值A
o
(x，y)。
[0035]A9、分别选取基准影像I
stan
和待配准影像I
reg
中o个累积幅度值A
o
(x，y)中的最大值并记录最大值所在的方向，得到基准影像最大索引图MII
stan
和待配准影像最大索引图MII
reg
。
[0036]A10、计算基准影像最大索引图MII
stan
和待配准影像最大索引图MII
reg
的相似性测度MII
·
IN(MII
stan
，MII
reg
)：
[0037]MII
·
IN(MII
stan
，MII
reg
)＝H(MII
stan
)+H(MII
reg
)+H(MII
stan
，MII
reg
)
[0038][0039][0040][0041]其中H(MII
stan
)表示基准影像最大索引图的熵值，H(MII
reg
)表示待配准影像最大索引图的熵值，H(MII
stan
，MII
reg
)表示基准影像最大索引图和待配准影像最大索引图的联合熵，表示基准影像最大索引值A的概率分布，表示待配准影像最大索引值B的概率分布，表示基准影像最大索引值A和待配准影像最大索引值B的联合概率分布。
[0042]A11、根据待配准点集{P
j...

【技术保护点】

【技术特征摘要】
1.一种大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，包括以下步骤：S1、获取监管范围内人为水土流失扰动前后的时序多模态遥感影像数据，并对时序多模态遥感影像数据进行高精度配准，得到时序遥感影像集；S2、根据时序遥感影像集构建融合视觉注意机制的人为水土流失多模态遥感优化特征集；S3、根据人为水土流失多模态遥感优化特征集，基于LSP图卷积神经网络对监管范围内的人为水土流失扰动范围进行遥感智能提取。2.根据权利要求1所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤S1中的时序多模态遥感影像数据包括光学遥感数据和雷达遥感数据，针对光学遥感数据进行几何精校正、大气校正和云掩膜处理，针对雷达遥感数据进行几何精校正处理。3.根据权利要求1所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤S1中对时序多模态遥感影像数据进行高精度配准的具体方法为：A1、采用Log
‑
Gabor滤波器对时序多模态遥感影像数据进行滤波，获取其局部相位信息，所述Log
‑
Gabor滤波器LoG
d,o
(x,y)表示为：其中表示在方向o和尺度d下的偶数对称滤波器，表示在方向o和尺度d下的奇数对称滤波器，i为复数的虚数单位；A2、将时序多模态遥感影像数据与偶数对称滤波器和奇数对称滤波器分别进行卷积，得到方向o和尺度d下的偶数对称响应能量E
d,o
(x,y)和奇数对称响应能量O
d,o
(x,y)：其中表示卷积操作，j(x,y)表示坐标为(x,y)的像素点；A3、根据偶数对称响应能量E
d,o
(x,y)和奇数对称响应能量O
d,o
(x,y)计算幅度A
d,o
(x,y)和局部相位和局部相位和局部相位A4、根据幅度A
d,o
(x,y)和局部相位计算得到像素点J(x,y)处的相位一致性特征值PC(x,y)：征值PC(x,y)：其中W(x，y)为权重因子，符号表示当*为正时取自身，否则值为0，T表示估计的噪声阈值，ε表示防止分母为0的常数，表示相位差，表示平均相位值；A5、根据相位一致性特征值PC(x，y)得到每个方向上的相位一致性图PC(θ
j
)，j＝1，
2，...，o；A6、根据相位一致性图PC(θ
j
)计算得到相位一致性的最大矩max
pc
和最小矩min
pc
：：：：：其中a、b、c均为中间参数，θ
j
表示方向角；A7、将最大矩max
pc
和最小矩min
pc
对应图像叠加形成叠加特征图，并将叠加特征图划分为n
×
n个互不重叠的图像块，在每个图像块区域采用Harris算子实现角点监测，选取响应强度超过预设阈值的点作为待配准点，得到待配准点集{P
j
}；A8、针对步骤A3得到的d
×
o个幅度值A
d，o
(x，y)，将同一方向上的d个尺度的幅度值累加，得到o个累积幅度值A
o
(x，y)；A9、分别选取基准影像I
stan
和待配准影像I
reg
中o个累积幅度值A
o
(x，y)中的最大值并记录最大值所在的方向，得到基准影像最大索引图MII
stan
和待配准影像最大索引图MII
reg
；A10、计算基准影像最大索引图MII
stan
和待配准影像最大索引图MII
reg
的相似性测度MII
·
IN(MII
stan
，MII
reg
)：MII
·
IN(MII
stan
，MII
reg
)＝H(MII
stan
)+H(MII
reg
)+H(MII
stan
，MII
reg
)))其中H(MII
stan
)表示基准影像最大索引图的熵值，H(MII
reg
)表示待配准影像最大索引图的熵值，H(MII
stan
，MII
reg
)表示基准影像最大索引图和待配准影像最大索引图的联合熵，表示基准影像最大索引值A的概率分布，表示待配准影像最大索引值B的概率分布，表示基准影像最大索引值A和待配准影像最大索引值B的联合概率分布；
A11、根据待配准点集{P
j
}中的某一个特征点P
j
的地理位置确定待配准影像上对应点P
r
，确定模板区域；A12、在模板区域内根据相似性测度MII
·
IN(MII
stan
，MII
reg
)，采用最大值原则搜寻同名点并记录偏移量，得到所匹配的同名点对，计算同名点对的变换矩阵完成配准，得到时序遥感影像集I＝{I
i
，i＝1，2，...，t}，t为时序遥感影像数量。4.根据权利要求1所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤S2包括以下分步骤：S21、根据时序遥感影像集中的时序遥感影像数据，提取多模态遥感特征波段F1、归一化植被指数F2、归一化建筑指数F3、归一化裸地指数F4、归一化水体指数F5和归一化极化特征F6；S22、采用自底向上的视觉注意力机制，提取时序遥感影像集中的视觉显著性特征F7、方位特征F8、对比度特征F9、熵特征F
10
、角二阶矩特征F
11
、均匀性特征F
12
、相关性特征F
13
和梯度幅值特征F
14
，进而构建人为水土流失多模态遥感特征集{F
i
，i＝1，2，...，14}；S23、采用Relief
‑
F算法对人为水土流失多模态遥感特征集{F
i
，i＝1，2，...，14}进行优选，得到人为水土流失多模态遥感优化特征集F
‘
：F
‘
＝{F
′
i
，i＝1，2，....

【专利技术属性】
技术研发人员：江威，温庆可，刘朔，崔师爱，庞治国，谭杰峻，刘昌军，张晓雪，阿旺格列，王敬浪，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：