1.一种基于Landsat遥感影像的城市不透水层提取方法,其特征是该方法主要包括如下执行步骤:
1)选取研究区域范围,提取测试数据;
2)建立城市指数模型,通过光谱波段计算,有效地将城市中透水地物和不透水地物以有鉴别的灰度值显示在生成的指数影像中;
3)基于改进粒子群算法的自动阈值选择算法,通过求解图像熵的最大值,取得最佳的不透水指数阈值,提高不透水层提取的精度;
4)综合性能评价策略,采用基于人工神经网络的相对精度比较法,组内相关系数算法和同类算法性能比较方法;
所述的步骤3)利用粒子群算法求解图形熵的最大值,从而获取最佳阈值,该算法主要包括四个步骤:(1)初始化粒子群:根据指数图像灰度级别划分确定粒子群的规模,定义初始的粒子位置和速度,定义迭代次数和迭代结束条件,定义位置和速度更新函数相关参数;
(2)计算每个粒子的适应度函数,初始化个体粒子和全局粒子初始位置和全局最优粒子;
(3)计算下一个位置的粒子适应度函数和和全局粒子适应度函数,与初始设置进行比较,并更新粒子的位置和速度及全局最优值;(4)将数据迭代至步骤(3),直到最佳的适应度函数值为止;
将灰度级别集合作为粒子群,定义为:TUISI={T0,T1,T2,…,Tk,…,Tn},0≤n≤m,0≤k≤n,i为第Ti粒子群中的一个粒子,0≤i≤n,定义该粒子的速度为Vi,则粒子群的速度集合向量表达式为:VTi={Vi0,Vi2,…,Vin},Tbi为第i个粒子的初始最佳位置,Tgi为初始全局最佳阈值,Tbi和Tgi都满足适应度函数;
适应度函数采用了图像熵函数:F(Tk)=H(Tk)=H0(Tk)+H1(Tk),Tk为当前最佳阈值,将指数影像分为大于等于Tk前景色和小于Tk的背景色,H0(Tk)和H1(Tk)分别表述背景色和前景色所有像素的图像熵总和;
其中,P0(Tk)和P1(Tk)分别为背景色和前景色每个灰度级的概率总和,P(i)为第i个像元灰度的概率,并满足以下关系:P1(Tk)=1-P0(Tk) (6)
背景色中各灰度级的概率表示为:
前景色中各灰度级的概率表示为:
通过迭代比较遍历所有灰度级,找出最大图形熵值,则为最佳阈值,迭代到下一个粒子位置满足:Vi’=ω*Vi+β1*θ*(Tbi-Ti)+β2*θ*(Tgi-Ti) (10)利用等式右侧的当前灰度阈值Ti和当前粒子速度Vi,更新等式左侧的Vi',获得最新的粒子速度,并更新阈值灰度:Ti’=Ti+Vi (11)利用当前阈值与速度之和,得到下一个特征值阈值Ti';其中β1和β2为学习因子,θ为0到
1的随机数,ω为惯性权重因子,调节迭代速度和算法收敛性,确保算法全局最优值,惯性权重因子采用动态调节,满足:其中ωmax为最大惯性权重,取值为0.9,ωmin为最小惯性权重,取值为0.4,ITmax和ITcur分别为最大迭代次数和当前迭代次数。
2.根据权利要求1所述的一种基于Landsat遥感影像的城市不透水层提取方法,其特征是所述的步骤1)主要包括:综合考虑Landsat不同传感器的影像和季节因素,选取城市地区一定经纬度范围内的区域Landsat微信遥感影像,其中影像数据内容包括传感器类型、空间纬度、所选波段信息,及OLI、ETM+和TM影像数据,每个地区涵盖春、夏、秋、冬四季的影像。
3.根据权利要求1所述的一种基于Landsat遥感影像的城市不透水层提取方法,其特征是所述的步骤2)主要包括:采用Landsat遥感影像短波红外2波段SWIR2,近红外波段NIR,红光波段Red和绿光波段Green构建城市指数模型,该指数模型表达式如下:其中λ为:
公式中l为调节常数,取值为1到3;公式中ρSWIR2,ρRed,ρNIRand ρGreen分别代表波段SWIR2、Red、NIR and Green地面反射率;Landsat遥感影像通过本指数模型进行运算后生成了指数图像,图像中比较有鉴别的区分前景色城市UIS和背景色非UIS,选择适当的阈值提取UIS;
根据指数影像中地物的灰度值域,将指数影像按照灰度级别划分为m个灰度级别,这些被划分的灰度级别数据集表示为:TUISI={T0,T1,T2,…,Tk,…Tn},0≤n≤m,0≤k≤n,定义Tk为该指数影像的最佳阈值,则UIS提取的判别式可表达为:
4.根据权利要求1所述的一种基于Landsat遥感影像的城市不透水层提取方法,其特征是所述的步骤4)采用相对精度验证方法,即利用监督学习分类方法人工神经网络ANNs,将原始影像分为UIS和非UIS,分别计算UIS和非UIS像元个数和占比,并将这些结果作为比较的对象,将指数影像UIS的像元个数与之比较,得到相对提取精度;为进一步验证相对比较方法的精度,采用了2.5m空间分辨率的Google Earth影像对随机选择的区域进行二次验证;
另外,在算法性能验证中采用对比验证方法,将本模型的提取结果与几种典型的不透水指数进行比较,分析本模型的UIS提取的性能;在算法评价上,采用ICC算法分别计算了前景色背景色各像元的组内灰度相关性,从定量的角度衡量阈值选取的正确性和准确性;组内相关系数ICC算法中将阈值分割的前景色UIS部分和背景色非UIS部分看作两个组,其中前景色UIS的ICC值为: 背景色非UIS的ICC值为: k是最佳阈值Tk灰度位置,n为被分割的图像特征值级别,定义xj为xi组内相邻灰度,满足i≠j,and i,j=0,
1…,k,…,n-1,则前景色ICC可以表达为:
其中 为灰度均值,背景色ICC表示为: