專利名稱：一種基于近景攝影估算礦區(qū)植被覆蓋度的方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及植被覆蓋度的測(cè)量，具體涉及一種基于近景攝影測(cè)量方式估算礦區(qū)植 被覆蓋度的方法和系統(tǒng)。
背景技術(shù)：
礦業(yè)資源的開采造成礦區(qū)生態(tài)環(huán)境問題日趨嚴(yán)重，礦產(chǎn)資源的大面積開采不可避 免的會(huì)對(duì)植被和土壤造成破壞；露天開采、地面塌陷及選礦的廢棄物的堆積等產(chǎn)生了大量 的礦業(yè)廢棄地，對(duì)當(dāng)?shù)卦斐闪藝?yán)重的水土流失和環(huán)境污染，從而影響了當(dāng)?shù)亟?jīng)濟(jì)建設(shè)的發(fā) 展。為了改善礦區(qū)的生態(tài)環(huán)境，有效利用礦業(yè)廢棄地，有必要對(duì)礦業(yè)廢棄地進(jìn)行生態(tài)恢復(fù)， 而植被恢復(fù)在礦業(yè)廢棄地生態(tài)恢復(fù)中具有極為重要的作用，目前國(guó)內(nèi)外的眾多學(xué)者都在礦 業(yè)廢棄地植被恢復(fù)領(lǐng)域進(jìn)行了大量的研究。植被能有效地控制水土流失，被公認(rèn)為水土保持最有效最根本的方法，良好的植 被能夠覆蓋地面、攔截雨滴、調(diào)節(jié)地面徑流、減緩流速、過濾淤泥和固結(jié)土壤，從而起到增加 土壤滲透性、增加蓄水能力、涵養(yǎng)水源、防止水土流失、提高土壤肥力和改善生態(tài)環(huán)境等功 能，一定覆蓋度的植被就能夠有效的防止表土流失。植被又是陸地生態(tài)系統(tǒng)的重要組成部 分，是生態(tài)系統(tǒng)中物質(zhì)循環(huán)與能量流動(dòng)的中樞，也對(duì)人類社會(huì)經(jīng)濟(jì)活動(dòng)有重要貢獻(xiàn)的資源。 在廢棄地生態(tài)重建研究中，植被作為重要生態(tài)因子，在礦區(qū)土地復(fù)墾過程中充當(dāng)“指示器” 的作用。植被覆蓋度是植物群落覆蓋地表狀況的一個(gè)綜合量化指標(biāo)，在礦區(qū)植被恢復(fù)狀況 調(diào)查與評(píng)價(jià)中具重要意義1)植被覆蓋度是區(qū)域重要的生態(tài)氣候參數(shù)，在研究礦區(qū)植被恢 復(fù)氣候改良過程中需要植被覆蓋度的信息，同時(shí)也是描述礦區(qū)生態(tài)系統(tǒng)的重要基礎(chǔ)數(shù)據(jù)； 2)植被覆蓋度在植被恢復(fù)及水文生態(tài)模型研究中也是一個(gè)很重要的變量，可以通過分析植 被覆蓋度的空間分布計(jì)算植被恢復(fù)區(qū)地下水文狀況；3)在考察礦業(yè)廢棄地植被恢復(fù)區(qū)地 表植被蒸騰和土壤水分蒸發(fā)損失總量、光合作用的過程時(shí)，植被覆蓋度都是作為一個(gè)重要 的控制因子而存在；4)植被覆蓋度是礦業(yè)廢棄地植被恢復(fù)區(qū)水土流失的控制因子之一，植 被覆蓋度的高低很大程度上決定著區(qū)域內(nèi)水土流失的強(qiáng)度；5)植被覆蓋度是評(píng)估植被恢 復(fù)區(qū)土地退化、鹽漬化程度的有效指數(shù)?？傮w上看植被覆蓋度是衡量植被恢復(fù)區(qū)地表植被狀況的一個(gè)最重要的指標(biāo)，植被 覆蓋度測(cè)量方法的改進(jìn)以及測(cè)量精度的提高，是調(diào)查和評(píng)價(jià)礦業(yè)廢棄地植被恢復(fù)狀況的當(dāng) 務(wù)之急。目前，傳統(tǒng)的地面測(cè)量方法主要有目測(cè)法、采樣法、儀器測(cè)量法。目測(cè)法主要通過 在地面選取樣方，依靠人的經(jīng)驗(yàn)進(jìn)行估計(jì)，這種方法對(duì)人的經(jīng)驗(yàn)依賴較大，很難保證測(cè)量的 準(zhǔn)確性與可靠性。采樣法通過在樣方內(nèi)采樣輔助工具進(jìn)行統(tǒng)計(jì)測(cè)量，缺點(diǎn)是操作過于復(fù)雜， 時(shí)間較長(zhǎng)，限制的條件較多。儀器測(cè)量法主要有空間定量計(jì)法、移動(dòng)光量計(jì)法和數(shù)碼相機(jī)攝 影測(cè)量法?？臻g定量計(jì)法、移動(dòng)光量計(jì)法需要使用專用的傳感器設(shè)備，野外操作不方便。數(shù) 碼相機(jī)攝影測(cè)量法利用數(shù)碼相機(jī)平行于地面照相后，依據(jù)相片估算植被覆蓋度。此方法克
5服了其它常用地表測(cè)量植被覆蓋度方法的缺點(diǎn)，具有結(jié)果精度高，穩(wěn)定性好，省時(shí)的特點(diǎn)。 目前應(yīng)用數(shù)碼相機(jī)進(jìn)行測(cè)量已成為地面測(cè)量植被覆蓋度的發(fā)展趨勢(shì)，也是地面調(diào)查輔助航 空遙感方法的重要手段。
通過查閱文獻(xiàn)和對(duì)專利信息類網(wǎng)站進(jìn)行檢索，有關(guān)利用數(shù)碼相機(jī)測(cè)量植被覆蓋度 的方法大都是針對(duì)廣袤的森林或草原地區(qū)，計(jì)算單一植被蓋度。目前針對(duì)礦業(yè)廢棄地植被 恢復(fù)區(qū)植被特點(diǎn)(地面草本植被稀疏、高度不超過0. 8m，喬木植被高度小于6m)，采用數(shù)碼 相機(jī)近景攝影測(cè)量植被覆蓋度的方法還未見報(bào)道。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題之一是采用近景攝影的方式，利用支持向量機(jī)對(duì)礦區(qū)植 被與非植被進(jìn)行分類，同時(shí)估算礦區(qū)植被覆蓋度。本發(fā)明要解決的技術(shù)問題之二是針對(duì)礦業(yè)廢棄地植被恢復(fù)區(qū)的植被生長(zhǎng)特點(diǎn)，構(gòu) 建專門的植被覆蓋度估測(cè)系統(tǒng)。為了解決上述第一個(gè)技術(shù)問題，本發(fā)明涉及一種基于近景攝影測(cè)量方式估算礦區(qū) 植被覆蓋度的方法，其包括如下步驟S1、對(duì)待測(cè)礦區(qū)進(jìn)行近景攝影，得到整幅圖像的像元，選取植被樣本與非植被樣 本，分別提取所述植被樣本與非植被樣本的顏色特征、紋理特征，將所述顏色特征和紋理特 征按相應(yīng)的順序構(gòu)成特征向量；S2、利用植被樣本與非植被樣本的特征向量，計(jì)算植被樣本與非植被樣本的廣義 最優(yōu)分類面，得到支持向量及對(duì)應(yīng)的參數(shù)，采用所述支持向量和徑向基核函數(shù)構(gòu)建支持向 量機(jī)分類器，作為植被與非植被分類器，即最優(yōu)分類判別函數(shù)方程；S3、提取待測(cè)礦區(qū)近景攝影圖像中待估算數(shù)據(jù)的顏色特征和紋理特征，構(gòu)建待估 算數(shù)據(jù)的特征向量，將該特征向量代入步驟S2所述最優(yōu)分類判別函數(shù)方程中，根據(jù)最優(yōu)分 類判別函數(shù)的值區(qū)分出植被和非植被；S4、對(duì)步驟S3中區(qū)分的植被信息進(jìn)行統(tǒng)計(jì)計(jì)算，得到植被覆蓋度。其中，所述近景攝影測(cè)量方式是指用數(shù)碼相機(jī)垂直向下拍攝高度小于0. 8m的礦 區(qū)草本植被和/或垂直向上拍攝高度小于6m的礦區(qū)木本植被。在步驟S1中，所述顏色特征包括像元的紅色、綠色、藍(lán)色、亮度及以所述像元為中 心的3X3方陣的紅色平均值、綠色平均值、藍(lán)色平均值；所述紋理特征包括以所述像元為中心的5X5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度；所述特征向量為
_ 9] / = [R, G, B, I, R, G, B, abb, Wc ]其中，R、G、B、I、互、G、5、obb、W。分別表示所述像元的紅色、綠色、藍(lán)色、亮度、
以所述像元為中心的3X3方陣的紅色平均值、綠色平均值、藍(lán)色平均值、以所述像元為中 心的5X5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度。在步驟S2中，通過計(jì)算訓(xùn)練樣本集的n個(gè)植被樣本與非植被樣本(Xl，yi)、(x2, y2)........(xn, yn)的廣義最優(yōu)分類面來計(jì)算植被樣本與非植被樣本的廣義最優(yōu)分類面；所述訓(xùn)練樣本集的植被樣本與非植被樣本的廣義最優(yōu)分類面為
yi (w xi-b) ≥ 1~ I i其中，Yi為已知樣本的分類狀況，的取值為1和-1，當(dāng)為1時(shí)表示樣本為植被， 當(dāng)為-1時(shí)表示樣本為非植被；Xi為支持向量，其從特征向量中得到；w為特征向量的權(quán)重向 量；b為分類閥值，為標(biāo)量；I i為松弛量，為標(biāo)量；其中，w、b、I i這3個(gè)變量都為需要優(yōu)化 的參數(shù)。通過計(jì)算下面的極值問題來計(jì)算所述廣義最優(yōu)分類面問題min(1/2丨| HI2 +C'fJ ‘,)Yi(w x「b) ^ l-l i(i = 1,2, . . . , n)DO其中，C為常數(shù)，將上述問題表示成拉格朗日乘子式<formula>formula see original document page 7</formula>當(dāng) Kuhn-Tucker 條件為<formula>formula see original document page 7</formula><formula>formula see original document page 7</formula><formula>formula see original document page 7</formula><formula>formula see original document page 7</formula><formula>formula see original document page 7</formula>得到<formula>formula see original document page 7</formula><formula>formula see original document page 7</formula>aj-y^wx-b)] = 03i i ^ 0 3i i I =0C- a j- 3i j = 0其中，a ^ ji i為與Xi對(duì)應(yīng)的參數(shù)；當(dāng)a i不等于0時(shí)，在訓(xùn)練的樣本特征向量中得到所需要的樣本支持向量\以及 對(duì)應(yīng)的參數(shù)、、^、w、b、lio在步驟S2中，所述徑向基核函數(shù)為<formula>formula see original document page 7</formula>其中，X、Xi、o 2分別表示待估算數(shù)據(jù)的特征向量、支持向量、樣本的方差。在步驟S2中，所述最優(yōu)分類判別函數(shù)方程為/(x) = sgn{J^=i a} y,K(x, xi) + b }其中，K (x，Xi)表示徑向基核函數(shù)；yi為已知樣本的分類狀況，yi的取值為1和-1，當(dāng)為1時(shí)表示樣本為植被，當(dāng)為-1時(shí)表示樣本為非植被；a ,為與支持向量Xi對(duì)應(yīng)的參數(shù)； b為分類閥值。在步驟S3中，將待估算數(shù)據(jù)的特征向量代入步驟S2所述最優(yōu)分類判別函數(shù) 方程 中，當(dāng)函數(shù)f(x)為非負(fù)時(shí)表示植被，為負(fù)時(shí)表示非植被。在步驟S4中，根據(jù)步驟S3區(qū)分出的植被信息得到植被像元數(shù)，利用下式計(jì)算植被
像元占整幅圖像像元的比例，得到植被覆蓋度 MvFVeg =其中，F(xiàn)Veg表示植被覆蓋度，Mv和Mt分別表示植被像元數(shù)和整幅圖像像元總數(shù)。為了解決上述第二個(gè)技術(shù)問題，本發(fā)明還涉及一種基于近景攝影測(cè)量方式估算礦 區(qū)植被覆蓋度的系統(tǒng)，該系統(tǒng)包括特征提取模塊，用于提取圖像的顏色特征和紋理特征，并構(gòu)成特征向量，所述圖像 中含有植被樣本、非植被樣本、以及待估算的數(shù)據(jù)；分類器訓(xùn)練模塊，用于利用植被樣本與非植被樣本的特征向量以及徑向基核函數(shù) 構(gòu)建植被與非植被分類器；植被與非植被分類模塊，用于利用所述植被與非植被分類器對(duì)待估算的數(shù)據(jù)進(jìn)行 植被與非植被的分類；植被覆蓋度計(jì)算模塊，用于根據(jù)分類的結(jié)果自動(dòng)進(jìn)行植被覆蓋度計(jì)算。本發(fā)明的方法和系統(tǒng)的有益效果如下1、基于近景攝影的方式，利用支持向量機(jī)，解決了礦區(qū)植被與非植被的分類問題， 同時(shí)得到了礦區(qū)植被覆蓋度；2、本發(fā)明采用徑向基核函數(shù)構(gòu)建支持向量機(jī)分類器，利用特征向量對(duì)所述支持向 量機(jī)分類器進(jìn)行訓(xùn)練，得到適合于分類的最優(yōu)分類判別函數(shù)，作為植被與非植被分類器，通 過植被與非植被分類器對(duì)待測(cè)礦區(qū)中的植被和非植被進(jìn)行分類；3、本發(fā)明適用于采用數(shù)碼相機(jī)垂直向下拍攝高度小于0. 8m的礦區(qū)草本植被和/ 或垂直向上拍攝高度小于6m的礦區(qū)木本植被的植被覆蓋度的測(cè)定；4、本發(fā)明針對(duì)礦業(yè)廢棄地植被恢復(fù)區(qū)的植被生長(zhǎng)特點(diǎn)，構(gòu)建專門的植被覆蓋度估 測(cè)系統(tǒng)，對(duì)待測(cè)礦區(qū)進(jìn)行近景攝影，選取圖像中的顏色特征和紋理特征，利用支持向量機(jī)分 類器實(shí)現(xiàn)對(duì)植被和非植被的快速分類，并對(duì)植被信息進(jìn)行統(tǒng)計(jì)，從而自動(dòng)、快速、準(zhǔn)確地計(jì) 算植被覆蓋度，為調(diào)查礦區(qū)植被生長(zhǎng)狀況提供可靠的依據(jù)；同時(shí)也可作為定量遙感估測(cè)植 被覆蓋度算法的實(shí)際驗(yàn)證。


圖1為本發(fā)明基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的方法流程示意圖；圖2為本發(fā)明基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的系統(tǒng)結(jié)構(gòu)示意圖。
具體實(shí)施例方式以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。實(shí)施例1本發(fā)明的估 算礦區(qū)植被覆蓋度的方法
以遼寧省阜新市海州露天礦排土場(chǎng)植被恢復(fù)區(qū)為例，采用1000萬像素的數(shù)碼相 機(jī)在該區(qū)域內(nèi)進(jìn)行拍照，樣方大小為lm*lm，共獲取數(shù)據(jù)照片500幅，其中垂直向上拍照 200幅，垂直向下拍照300幅，同時(shí)對(duì)所拍照的區(qū)域進(jìn)行精確的目測(cè)估算植被覆蓋度。結(jié) 果表明，本方法與嚴(yán)格目測(cè)估算的偏差很小，大部分的偏差都在5%以下，最大的偏差僅為 7. 6%。本發(fā)明基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的方法的流程示意圖參見圖 1，該方法包括如下步驟S1、對(duì)待測(cè)礦區(qū)進(jìn)行近景攝影，得到整幅圖像的像元，選取植被樣本和非植被樣 本，分別提取所述植被樣本和非植被樣本的顏色特征、紋理特征；其中，所述顏色特征包括像元的紅色、綠色、藍(lán)色、亮度及以所述像元為中心的 3X3方陣內(nèi)的9個(gè)像元的紅色平均值、綠色平均值、藍(lán)色平均值；所述紋理特征包括采用灰 度共生矩陣法計(jì)算的以所述像元為中心的5X5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度；將上述顏色特征和紋理特征按照相應(yīng)的順序構(gòu)成特征向量/=[R, G, B, I, R, G, B, abb，Wc ]其中，x*表示特征向量，R、G、B、I、互、G、5、O bb、w。分別表示所述像元的紅色、
綠色、藍(lán)色、亮度、以所述像元為中心的3X3方陣的紅色平均值、綠色平均值、藍(lán)色平均值、 以所述像元為中心的5X5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度。S2、利用植被樣本與非植被樣本的特征向量，計(jì)算植被樣本與非植被樣本的廣義 最優(yōu)分類面，得到支持向量及對(duì)應(yīng)的參數(shù)，采用所述支持向量和徑向基核函數(shù)構(gòu)建支持向 量機(jī)分類器，作為植被與非植被分類器，即最優(yōu)分類判別函數(shù)方程；通過計(jì)算訓(xùn)練樣本集的n個(gè)植被樣本與非植被樣本(Xl，yi)、(x2,y2)........(xn,
yn)的廣義最優(yōu)分類面來計(jì)算植被樣本與非植被樣本的廣義最優(yōu)分類面；所述訓(xùn)練樣本集的植被樣本與非植被樣本的廣義最優(yōu)分類面為<formula>formula see original document page 9</formula>其中，Yi為已知樣本的分類狀況，的取值為1和-1，當(dāng)為1時(shí)表示樣本為植被， 當(dāng)為-1時(shí)表示樣本為非植被；Xi為支持向量，其從特征向量中得到；w為特征向量的權(quán)重向 量；b為分類閥值；I為松弛量。通過計(jì)算下面的極值問題來計(jì)算所述廣義最優(yōu)分類面問題<formula>formula see original document page 9</formula><formula>formula see original document page 9</formula><formula>formula see original document page 9</formula>其中，C為常數(shù)，在本實(shí)施例中取值為0. 8，將上述問題表示成拉格朗日乘子式<formula>formula see original document page 9</formula>當(dāng) Kuhn-Tucker 條件為<formula>formula see original document page 10</formula>
得到<formula>formula see original document page 10</formula>其中，a ^ ji i為與Xi對(duì)應(yīng)的參數(shù)；當(dāng)a i不等于0時(shí)，在訓(xùn)練的樣本特征向量中得到所需要的樣本支持向量\以及 對(duì)應(yīng)的參數(shù)、、^、w、b、lio所述徑向基核函數(shù)為 r n<formula>formula see original document page 10</formula>其中，X、Xi、o 2分別表示待估算數(shù)據(jù)的特征向量、支持向量、樣本的方差。所述最優(yōu)分類判別函數(shù)方程為<formula>formula see original document page 10</formula>其中，K (x，Xi)表示徑向基核函數(shù)；yi為已知樣本的分類狀況，yi的取值為1和-1， 當(dāng)為1時(shí)表示樣本為植被，當(dāng)為-1時(shí)表示樣本為非植被；a ,為與支持向量Xi對(duì)應(yīng)的參數(shù)； b為分類閥值。S3、提取待測(cè)礦區(qū)近景攝影圖像中待估算數(shù)據(jù)的顏色特征和紋理特征，構(gòu) 建待估算數(shù)據(jù)的特征向量，將該特征向量代入步驟S2所述最優(yōu)分類判別函數(shù)方程<formula>formula see original document page 10</formula>中，根據(jù)最優(yōu)分類判別函f(x)數(shù)的值區(qū)分出植被和非植 被，當(dāng)函數(shù)f(x)為非負(fù)時(shí)表示植被，為負(fù)時(shí)表示非植被。S4、運(yùn)用像元統(tǒng)計(jì)法，根據(jù)步驟S3區(qū)分出的植被信息得到植被像元數(shù)，利用下式
計(jì)算植被像元占整幅圖像像元的比例，得到植被覆蓋度<formula>formula see original document page 10</formula>其中，F(xiàn)Veg表示植被覆蓋度，Mv和Mt分別表示植被像元數(shù)和整幅圖像像元總數(shù)。實(shí)施例2本發(fā)明的估算礦區(qū)植被覆蓋度的系統(tǒng)本發(fā)明基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的系統(tǒng)包括特征提取模塊、分 類器訓(xùn)練模塊、植被與非植被分類模塊以及植被覆蓋度計(jì)算模塊，其結(jié)構(gòu)示意圖參見圖2。1.特征提取模塊
用于提取圖像的顏色特征和紋理特征，并構(gòu)成特征向量，所述圖像中含有植被樣 本、非植被樣本、以及待估算的數(shù)據(jù)；其中顏色特征包括像元的紅色、綠色、藍(lán)色、亮度及以 所述像元為中心的3X3方陣的紅色平均值、綠色平均值、藍(lán)色平均值；紋理特征包括以所 述像元為中心的5X 5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度，通過對(duì)整幅圖像采用5X 5窗口進(jìn)行掃描， 利用灰度共生矩陣法計(jì)算紋理特征量；將上述顏色特征和紋理特征按照相應(yīng)的順序構(gòu)成特征向量X* = [R, G, B, I, R, G, B, abb，Wc ]其中，x*表示特征向量，R、G、B、I、互、G、I、o bb、W。分別表示所述像元的紅色、
綠色、藍(lán)色、亮度、以所述像元為中心的3X3方陣的紅色平均值、綠色平均值、藍(lán)色平均值、 以所述像元為中心的5X5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度；2.分類器訓(xùn)練模塊
用于利用植被樣本與非植被樣本的特征向量以及徑向基核函數(shù)構(gòu)建植被與非植 被分類器，即利用植被樣本與非植被樣本的特征向量，計(jì)算植被樣本與非植被樣本的廣義 最優(yōu)分類面，得到能夠?qū)χ脖缓头侵脖贿M(jìn)行有效分類的支持向量及對(duì)應(yīng)的參數(shù)，采用支持 向量和徑向基核函數(shù)構(gòu)建支持向量機(jī)分類器，作為植被與非植被分類器；3.植被與非植被分類模塊用于利用所述植被與非植被分類器對(duì)待估算的數(shù)據(jù)進(jìn)行植被與非植被的分類，即 將待測(cè)礦區(qū)圖像數(shù)據(jù)導(dǎo)入到特征提取模塊，提取顏色特征和紋理特征，構(gòu)成特征向量，將該 特征向量導(dǎo)入到上述植被與非植被分類器中進(jìn)行分類，區(qū)分出植被和非植被；4.植被覆蓋度計(jì)算模塊用于根據(jù)分類的結(jié)果自動(dòng)進(jìn)行植被覆蓋度計(jì)算，即對(duì)分類后的植被圖像進(jìn)行統(tǒng)計(jì) 計(jì)算，計(jì)算出植被像元占整幅圖像像元的百分比，即得到植被覆蓋度的值。以上實(shí)施方式僅用于說明本發(fā)明，而并非對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人 員在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的 技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定。
1權(quán)利要求
一種基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的方法，其特征在于，包括如下步驟S1、對(duì)待測(cè)礦區(qū)進(jìn)行近景攝影，得到整幅圖像的像元，選取植被樣本與非植被樣本，分別提取所述植被樣本與非植被樣本的顏色特征、紋理特征，將所述顏色特征和紋理特征按相應(yīng)的順序構(gòu)成特征向量；S2、利用植被樣本與非植被樣本的特征向量，計(jì)算植被樣本與非植被樣本的廣義最優(yōu)分類面，得到支持向量及對(duì)應(yīng)的參數(shù)，采用所述支持向量和徑向基核函數(shù)構(gòu)建支持向量機(jī)分類器，作為植被與非植被分類器，即最優(yōu)分類判別函數(shù)方程；S3、提取待測(cè)礦區(qū)近景攝影圖像中待估算數(shù)據(jù)的顏色特征和紋理特征，構(gòu)建待估算數(shù)據(jù)的特征向量，將該特征向量代入步驟S2所述最優(yōu)分類判別函數(shù)方程中，根據(jù)最優(yōu)分類判別函數(shù)的值區(qū)分出植被和非植被；S4、對(duì)步驟S3中區(qū)分的植被信息進(jìn)行統(tǒng)計(jì)計(jì)算，得到植被覆蓋度。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟S1中，所述顏色特征包括像元的紅 色、綠色、藍(lán)色、亮度及以所述像元為中心的3X3方陣的紅色平均值、綠色平均值、藍(lán)色平 均值；所述紋理特征包括以所述像元為中心的5X5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度；所述特征向 量為/ = [R,G,B,I,R,G,B,abb,Wc]其中，X*表示特征向量，R、G、B、I、互、H。bb、w。分別表示所述像元的紅色、綠色、藍(lán)色、亮度、以所述像元為中心的3X3方陣的紅色平均值、綠色平均值、藍(lán)色平均值、以 所述像元為中心的5X5方陣的標(biāo)準(zhǔn)偏差和對(duì)比度。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟S2中，通過計(jì)算訓(xùn)練樣本集的n個(gè)植被樣本與非植被樣本0q，yi)、(x2, y2)........(xn, yn)的廣義最優(yōu)分類面來計(jì)算植被樣本與非植被樣本的廣義最優(yōu)分類面；所述訓(xùn)練樣本集的植被樣本與非植被樣本的廣義最優(yōu) 分類面為<formula>formula see original document page 2</formula>其中，yi為已知樣本的分類狀況，yi的取值為1和-1，當(dāng)為1時(shí)表示樣本為植被，當(dāng)為-1 時(shí)表示樣本為非植被；Xi為支持向量，其從特征向量中得到；W為特征向量的權(quán)重向量；b為 分類閥值；I為松弛量。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，通過計(jì)算下面的極值問題來計(jì)算所述廣 義最優(yōu)分類面問題<formula>formula see original document page 2</formula>其中，c為常數(shù)，將上述問題表示成拉格朗日乘子式 <formula>formula see original document page 2</formula>當(dāng)Kuhn-Tucker條件為<formula>formula see original document page 3</formula>其中，a” ^為與Xi對(duì)應(yīng)的參數(shù)；當(dāng)a ,不等于0時(shí)，在訓(xùn)練的樣本特征向量中得到所需要的樣本支持向量\以及對(duì)應(yīng) 的參數(shù)a ” 31 i、w、b、I廠 根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟S2中，所述徑向基核函數(shù)為<formula>formula see original document page 3</formula>其中，X、Xi、0 2分別表示待估算數(shù)據(jù)的特征向量、支持向量、樣本的方差。 根據(jù)權(quán)利要求5所述的方法，其特征在于，在步驟S2中，所述最優(yōu)分類判別函數(shù)方程為<formula>formula see original document page 3</formula>其中，K(x, Xi)表示徑向基核函數(shù)；yi為已知樣本的分類狀況，的取值為1和-1，當(dāng) 為1時(shí)表示樣本為植被，當(dāng)為-1時(shí)表示樣本為非植被；a ,為與支持向量Xi對(duì)應(yīng)的參數(shù)；b 為分類閥值；當(dāng)函數(shù)f(x)為非負(fù)時(shí)表示植被，為負(fù)時(shí)表示非植被。 根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟S4中，根據(jù)步驟S3區(qū)分出的植被信息得到植被像元數(shù)，利用下式計(jì)算植被像元占整幅圖像像元的比例，得到植被覆蓋度 My<formula>formula see original document page 3</formula>其中，F(xiàn)Veg表示植被覆蓋度，Mv和Mt分別表示植被像元數(shù)和整幅圖像像元總數(shù)。 一種基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的系統(tǒng)，其特征在于，該系統(tǒng)包括特征提取模塊，用于提取圖像的顏色特征和紋理特征，并構(gòu)成特征向量，所述圖像中含 有植被樣本、非植被樣本、以及待估算的數(shù)據(jù)；分類器訓(xùn)練模塊，用于利用植被樣本與非植被樣本的特征向量以及徑向基核函數(shù)構(gòu)建植被與非植被分類器；植被與非植被分類模塊，用于利用所述植被與非植被分類器對(duì)待估算的數(shù)據(jù)進(jìn)行植被 與非植被的分類；植被覆蓋度計(jì)算模塊，用于根據(jù)分類的結(jié)果自動(dòng)進(jìn)行植被覆蓋度計(jì)算。
全文摘要
本發(fā)明涉及一種基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的方法，該方法通過對(duì)待測(cè)礦區(qū)進(jìn)行攝影，提取顏色特征和紋理特征，按照特定的順序構(gòu)成特征向量，利用支持向量機(jī)分類器實(shí)現(xiàn)對(duì)植被和非植被的快速分類，然后對(duì)植被信息進(jìn)行統(tǒng)計(jì)，從而快速、準(zhǔn)確地計(jì)算植被覆蓋度，為調(diào)查礦區(qū)植被生長(zhǎng)狀況提供可靠的依據(jù)；該方法同時(shí)也可作為定量遙感估測(cè)植被覆蓋度算法的實(shí)際驗(yàn)證。本發(fā)明還涉及一種基于近景攝影測(cè)量方式估算礦區(qū)植被覆蓋度的系統(tǒng)，該系統(tǒng)包括特征提取模塊、分類器訓(xùn)練模塊、植被與非植被分類模塊和植被覆蓋度計(jì)算模塊。
文檔編號(hào)G06T7/00GK101832769SQ20101013783
公開日2010年9月15日 申請(qǐng)日期2010年3月30日 優(yōu)先權(quán)日2010年3月30日
發(fā)明者李俐, 李道亮, 蘇偉, 鄒曉晨, 陳英義 申請(qǐng)人:中國(guó)農(nóng)業(yè)大學(xué)