一种草原植被覆盖伪变化剔除方法技术

本发明专利技术一种基于视觉特征和先验知识共同引导的草原植被覆盖伪变化剔除方法。通过视觉特征和先验知识引导，对包含伪变化的变化监测结果进行处理，视觉特征通过多时相数据的类别风格纠正可以减小类内特征表示的变化，以某一时相数据作为基准，利用检测模型的类别属性预测作为多时相数据的伪标签y。通过选择少量局部区域的多时相样本，在先验知识的辅助下，得到这部分区域的植被变化信息。利用类别风格纠正数据和少量局部区域的植被变化信息对变化监测模型进行微调，降低变化检测模型对伪变化的敏感程度，实现伪变化的剔除。本发明专利技术先验知识补全了通过遥感影像无法直接得到的间接特征层，使得变化监测在先验知识辅助下能够得到更为准确的结果。更为准确的结果。更为准确的结果。

【技术实现步骤摘要】
一种草原植被覆盖伪变化剔除方法


[0001]本专利技术涉及智能识别
，具体涉及一种草原植被覆盖伪变化剔除方法。

技术介绍

[0002]草原植被覆盖变化是反映一个地区生态系统环境变化的重要指标，通过建立某个区域长时间序列植被覆盖遥感数据集来监测所选区域的植被覆盖变化是目前重要的评价生态变化的方法之一。然而，受高分辨率遥感拍摄角度、季节、光照、云影、阴影等因素的影响，草原植被遥感影像存在伪变化现象，干扰变化检测模型的学习和草原植被覆盖变化情况的检测。
[0003]当前，常规的伪变化检测方法大多面向栅格形式数据，分析变化对象的光谱、纹理等特征。具体步骤为：(1)初始变化检测。采用分割
‑
分类
‑
提取变化信息的思路进行初始变化检测，先对影像进行分割，对两个时相影像分别进行目标提取分类，根据变化对象的光谱特征和几何特征进行变化信息的初步提取。(2)提取伪变化信息。包括检测对象的提取和阴影的提取。利用检测对象的光谱特征亮度等提取相应的信息，根据蓝波段的均值和其他波段的均值差别来区别阴影和非阴影。(3)去除伪变化信息。利用对象间的空间特征，在初始检测结果中把提取到的伪变化对象剔除，得到正确的检测结果。
[0004]常规的伪变化检测方法大多分析变化对象的光谱、纹理等特征，无法适应矢量形式存储的草原覆盖数据。现有面向草原覆盖类型矢量空间数据伪变化信息检测的方法局限性主要表现为：缺少自动匹配不同尺度与精度的机制，无法应对不同情况数据，造成方法只能局限在一定的尺度和精度下使用；依靠主观经验反复试验确定区分真伪变化的阈值，易受到时空差异的影响，严重制约了伪变化检测的可靠性与精度；缺少对伪变化概率、形态特征、规模大小、数据尺度与数据精度等伪变化关键特征进行的综合考虑，根据单一因子分析变化信息真伪，难以全面剔除伪变化信息。

技术实现思路

[0005]本专利技术要解决的技术问题
[0006]本专利技术提出一种基于视觉特征和先验知识共同引导的草原植被覆盖伪变化剔除方法，以解决由于草原植被自然要素物候敏感的特点可能存在仅依靠通用视觉特征难以克服的伪变化问题，为草原植被覆盖度准确评估提供支撑，减小伪变化对变化检测模型学习过程的干扰。
[0007]为解决技术问题本专利技术采用的技术方案
[0008]一种草原植被覆盖伪变化剔除方法，该方法基于视觉特征和先验知识共同引导，具体步骤为：
[0009]S1，视觉特征通过多时相数据的类别风格纠正可以减小类内特征表示的变化，以任意一个时相数据作为基准，利用检测模型的类别属性预测作为多时相数据的伪标签对其它时相数据的植被覆盖进行逐类别的风格特征变换，采用生成对抗训练拟合基准时相
中植被覆盖类别的风格，实现对多时相数据的类别风格纠正：
[0010][0011]其中，表示图像像元p的类别为k，表示基准时相域B中类别k特征各通道的均值与方差，表示其它任意时相域A中类别k特征各通道的均值与方差；
[0012]S2，先验知识补全了通过遥感影像无法直接得到的间接特征层，使得变化监测在先验知识辅助下能够得到更为准确的结果,通过选择少量局部区域的多时相样本，在先验知识的辅助下，可以得到这部分区域的植被变化信息；
[0013]S3，利用类别风格纠正数据和少量局部区域的植被变化信息对变化监测模型进行微调，降低变化检测模型对伪变化的敏感程度，实现伪变化的剔除。
[0014]进一步地,所述S1为了增大类别风格纠正后样本的类间差异，考虑给决策边界加间隔。假设x是m维特征向量，W
iT
x是特征向量生成的概率值，i∈[1，K]。决策边界的向量内积形式可表示为：
[0015]|w
i
|xcos(θ
i
)＝|w
j
|xcos(θ
j
)
[0016]对权值进行归一化后，类别i的决策边界可表示为：
[0017]cos(θ
i
)＝cos(θ
j
)
[0018]决策边界附近的特征很容易在类别i和类别j之间混淆，考虑给决策边界加间隔，类别i的决策边界为：
[0019]cos(θ
i
)
‑
m＝cos(θ
j
)
[0020]迫使类别风格纠正后样本特征远离最初的决策边界，增大类间特征差异。
[0021]进一步地，所述S2中先验知识包含了植被解译标志和地理规律。
[0022]进一步地，所述S2对于遥感影像上草原植被区块的类型变化识别，具体步骤为:
[0023]S21:根据遥感影像的坐标信息和时间信息对遥感领域知识图谱中草原植被的子类别检索进行约束；
[0024]S22:结合定量遥感反演模型，对植被中的生物量累计进行估算，拟合草原的生长周期；
[0025]S23:将多时相数据的草原生长周期信息与时空间信息相结合，通过遥感领域知识图谱确定植被类型是否发生变化。
[0026]与常规的伪变化检测方法相比，本专利技术具有如下优点：
[0027]本专利技术受时空差异的影响小，伪变化检测的可靠性与精度较高；本专利技术解决仅依靠通用视觉特征难以克服的伪变化问题，实现伪变化信息过滤的自动化，提高工作效率。
附图说明
[0028]图1：基于市局特征和先验知识共同引导的草原植被覆盖伪变化剔除方案示意图。
具体实施方式
[0029]本专利技术技术方案的基本内容为基于视觉特征和先验知识共同引导的草原植被覆盖伪变化剔除方法。通过视觉特征和先验知识引导，对包含伪变化的变化监测结果进行处
理，得到变化监测模型，最终得到伪变化剔除的变化监测结果。
[0030]为使本专利技术所提出的技术方案的目的、特征和优点能够更加明显易懂，下面将结合附图，对本专利技术所提出的技术方案的实施例进行清楚、完整地描述。显然，所描述的实施例仅仅是所提出的技术方案的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本专利技术保护的范围。
[0031]基于视觉特征和先验知识共同引导的草原植被覆盖伪变化剔除方法具体方案如图1所示。
[0032]首先，从视觉特征的角度考虑，不同植被覆盖特征表示的变化具有不同的统计特性，通过多时相数据的类别风格纠正可以减小类内特征表示的变化，即减小多时相数据的伪变化。以某一时相数据作为基准，利用检测模型的类别属性预测作为多时相数据的伪标签对其它时相数据的植被覆盖进行逐类别的风格特征变换，采用生成对抗训练拟合基准时相中植被覆盖类别的风格，实现对多时相数据的类别风格纠正：
[0033][0034]其中，表示图像像元p的类别为k，表示基准时相域B中类别k特征各通道的均值与方差，表示其它任意时相域A中类别k特征各通道的均值与方差。为了增大类别风格纠正后样本的类间差异，考虑给决策边界加间隔。假设x是m维特征向量，W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种草原植被覆盖伪变化剔除方法，其特征在于，该方法基于视觉特征和先验知识共同引导，具体步骤为：S1，视觉特征通过多时相数据的类别风格纠正可以减小类内特征表示的变化，以任意一个时相数据作为基准，利用检测模型的类别属性预测作为多时相数据的伪标签y，对其它时相数据的植被覆盖进行逐类别的风格特征变换，采用生成对抗训练拟合基准时相中植被覆盖类别的风格，实现对多时相数据的类别风格纠正：其中，表示图像像元p的类别为k，表示基准时相域B中类别k特征各通道的均值与方差，表示其它任意时相域A中类别k特征各通道的均值与方差；S2，先验知识补全了通过遥感影像无法直接得到的间接特征层，使得变化监测在先验知识辅助下能够得到更为准确的结果,通过选择少量局部区域的多时相样本，在先验知识的辅助下，可以得到这部分区域的植被变化信息；S3，利用类别风格纠正数据和少量局部区域的植被变化信息对变化监测模型进行微调，降低变化检测模型对伪变化的敏感程度，实现伪变化的剔除。2.根据权利要求1所述的一种草原植被覆盖伪变化剔除方法，其特征在于，所述S1为了增大类别风格纠正后样本的类间差异，考虑给决策边界加间隔。假设x是m维特征向量，W
iT
x是特征向量生成的概率值，i∈[1，K]。决策边界的向量内积形式可表示...

【专利技术属性】
技术研发人员：苑博，云杰，高翔，张晨，宋艳平，孙艳涛，张磊，张昱，
申请(专利权)人：内蒙航天动力机械测试所，
类型：发明
国别省市：