EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 2: 56 - 65

DOI: https://doi.org/10.6046/zrzyyg.2023358

技术方法

基于HSV和纹理特征的裸地分层精细提取

  • 卫虹宇 , 1, 2, 3 ,
  • 姚文举 , 1, 2, 3 ,
  • 孙建 1, 2, 3 ,
  • 孙嵩 1, 2, 3 ,
  • 张焕雪 4
展开
  • 1.山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队),兖州 272100
  • 2.山东省大数据产业创新中心,兖州 272100
  • 3.高分辨率对地观测系统济宁数据与应用中心,兖州 272100
  • 4.山东师范大学地理与环境学院,济南 250358
姚文举(1978-),男,高级工程师,主要从事地理信息系统和摄影测量遥感相关工作。Email:。

卫虹宇(1996-),女,硕士,助理工程师,主要研究方向为遥感图像识别。Email:。

Copy editor: 张仙

收稿日期: 2023-11-24

  修回日期: 2024-04-25

  网络出版日期: 2026-06-03

基金资助

山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队)2022年开放基金项目“基于深度学习的高分遥感影像裸地及防尘网自动识别研究”(LNY202205)

收起

Hierarchical fine-scale information extraction of bare land based on hue-saturation-value and texture features

  • WEI Hongyu , 1, 2, 3 ,
  • YAO Wenju , 1, 2, 3 ,
  • SUN Jian 1, 2, 3 ,
  • SUN Song 1, 2, 3 ,
  • ZHANG Huanxue 4
Expand
  • 1. Shandong Provincial Lunan Geology and Exploration Institute(Shandong Provincial Bureau of Geology and Mineral Resources No.2 Geological Brigade), Yanzhou 272100, China
  • 2. Shandong Big Data Industry Innovation Center, Yanzhou 272100, China
  • 3. Jining Data and Application Center of High Resolution Earth Observation System, Yanzhou 272100, China
  • 4. College of Geography and Environment, Shandong Normal University, Jinan 250358, China

Received date: 2023-11-24

  Revised date: 2024-04-25

  Online published: 2026-06-03

Fold

摘要

裸地提取对于国土规划、环境保护和可持续发展具有关键作用。已有的裸地提取方法在大范围、多时相的应用中难以兼顾提取效率和提取精度,针对该问题,提出一种基于色调-饱和度-明度(hue-saturation-value,HSV)特征分析构建归一化差值指数,结合纹理特征和植被指数,分层精细、简单高效地实现裸地提取的方法,并应用于山东省曲阜市城区。首先,以3期高分一号(GF-1)卫星影像为数据源,将影像的红、绿、蓝波段转换到HSV色彩空间,基于裸地与其他地物类型在H,S,V分量上的差异,构建归一化差值SH指数和归一化差值SV指数,实现裸地分层初步提取; 然后,对H,S,V分量差异不明显的低层建筑区与裸地引入纹理特征,对比分析不同纹理特征,实现裸地进一步提取; 最后,利用归一化植被指数实现裸地的最终提取,并进行结果后处理。结果表明,构建的归一化差值指数结合同质性纹理特征的提取效果最好,裸地提取的总体精度在93%以上,Kappa系数在0.84以上,均高于对比的分类方法,说明所提方法对裸地提取的有效性,为裸地提取提供新的思路和方法。

关键词： 高分一号; 裸地分层精细提取; HSV; 纹理特征

本文引用格式

卫虹宇 , 姚文举 , 孙建 , 孙嵩 , 张焕雪 . 基于HSV和纹理特征的裸地分层精细提取[J]. 自然资源遥感, 2025 , 37(2) : 56 -65 . DOI: 10.6046/zrzyyg.2023358

Abstract

Extracting information about bare land is crucial for territorial planning, environmental protection, and sustainable development. However, current information extraction methods for bare land struggle to balance the extraction efficiency and accuracy in large-scale and multitemporal applications. This study constructed normalized difference indices based on the analysis of the hue-saturation-value (HSV) features. By combining texture features and vegetation index, this study proposed a simple, efficient hierarchical fine-scale information extraction method for bare land. This proposed method was applied to the urban area of Qufu City, Shandong Province, China. First, with three GF-1 satellite images as the data source, the red, green, and blue bands from the images were converted to the HSV color space. Based on the differences in H, S, and V components between bare land and other land types, the normalized difference SH and SV indices were constructed for preliminary hierarchical information extraction of bare land. Second, texture features were introduced to low-rise building areas and bare land, where the differences in H, S, and V components are nonsignificant. Different texture features were comparatively analyzed for further information extraction of bare land. Third, the normalized difference vegetation indices were used to achieve the final information extraction of bare land, followed by post-processing of the results. The results of this study demonstrate that the constructed normalized difference indices, combined with homogeneous texture features, showed the optimal extraction performance, with an overall accuracy of above 93% and a Kappa coefficient of above 0.84, outperforming other classification methods. Therefore, the proposed method proves effective in extracting information about bare land, serving as a novel approach for bare land information extraction.

Key words： GF-1; hierarchical fine-scale information extraction of bare land; HSV; texture feature

0 引言

扬尘问题已经成为影响空气质量的重要因素,扬尘污染的控制工作亟需加强[1]。裸地是指表层为土质、基本无植被覆盖的裸露地面[2],主要包括土堆、施工工地、未开发用地和休耕的农用地的裸露地块[3-6]。裸地是造成扬尘问题的主要污染源。传统的裸地监测主要依赖人工实地调查,受制于成本、交通条件等因素,调查效率较低,调查结果不够全面。近年来遥感技术迅速发展,有助于高效地获取裸地的空间分布信息[7],在国土规划、生态环境治理和保护中具有重要意义。
高分一号(GF-1)卫星已在轨稳定运行10 a,卫星状态良好,成像清晰,可以作为裸地提取的数据源。利用遥感影像提取裸地信息,国内外学者提出了许多方法。指数提取法是较为广泛应用的方法,根据地物的光谱特性建立遥感指数以提取裸地。现有的指数有归一化土壤指数(normalized difference soil index,NDSI)[8]、裸地指数(bare soil index,BSI)[9]、增强型裸地指数(enhanced bare soil index,EBSI)[10]、增强型建筑和裸地指数(enhanced built-up and bareness index,EBBI)[11]等。已有的裸地提取指数需要用到中红外及热红外谱段,GF-1卫星影像仅具有蓝、绿、红、近红外4个光谱波段,缺少直接构建裸地提取指数所需的关键谱段。此外,土壤反射光谱在GF-1卫星影像的4个波段上缺少显著诊断性特征,因此难以直接构建其提取指数[12-13]。影像分类法是专题提取的常用方法之一[14],如孟晋杰等[15]基于北京地区GF-1卫星影像,先对影像进行分割,再为裸地、建筑物等5种地物类型分别设计特征数据,最后通过分类方法提取地物信息。这种方法有效提高了裸地的提取精度,但在确定分割尺度时需要多次尝试对比,并且设计的特征数据多达十几种,提取过程需要耗费较多时间成本。深度学习是近年来的热门方法,朱皓辰等[16]设计了一种改进DenseNet的深度学习模型,在GF-1等卫星影像上实现了高精度、自动化的裸地提取; 邱昀等[17]以北京市大兴区为例,利用深度学习方法对裸地和防尘网覆盖裸地进行分类识别,提高了遥感解译的工作效率。深度学习方法以高效、人工干预少等优点广泛应用在各个领域,但是在多时相应用中需要大量的标签数据以增加模型的泛化能力,标签数据的获取成本高。因此,亟待研究一种精确高效且经济实惠的裸地提取方法。
已有的裸地提取方法多是在红-绿-蓝(red-green-blue,RGB)色彩空间进行研究,在大范围、多时相的应用中难以同时兼顾提取效率和提取精度。鉴于色调-饱和度-明度(hue-saturation-value,HSV)颜色特征在影像识别中的有效应用[18-20],并考虑到颜色和纹理都是裸地区别于其他地物的重要特征,提出一种基于HSV和纹理特征的裸地分层精细提取方法。将影像的RGB波段进行HSV色彩变换,设计归一化差值SH指数(normalized difference saturation-hue index,NDSHI)和归一化差值SV指数(normalized difference saturation-value index,NDSVI),结合纹理特征和植被指数,经过后处理实现裸地提取。本文以山东省曲阜市城区为研究区,利用多时相遥感影像验证以上方法的裸地提取能力。

1 研究区概况及数据源

1.1 研究区概况

选择山东省曲阜市城区进行研究。研究区地处山东省西南部,南、北、东三面环山,中西部是泗河、沂河冲积平原,位于鲁中南山地丘陵区向华北平原的过渡地带,形成了东北高、西南低的基本地势。该区域属温带季风气候,年平均气温16.0 ℃,降水量713 mm。曲阜是东方文化重要发祥地,建设发展较快以及旅游开发工程较多。图1是研究区影像和裸地调查示例,研究区的裸地数量多、分布面广,土地裸露情况需要及时掌握并处理。
图1 研究区影像和裸地调查示例

Fig.1 Study area image and bare land survey examples

1.2 数据源及其预处理

GF-1卫星影像覆盖面积广、重访周期短且易于获取,适用于裸地提取。采用2022年2月26日、2022年9月28日、2023年6月24日3景GF-1卫星影像,经辐射定标、大气校正、正射纠正、影像融合和影像裁剪,得到实验数据。处理后的影像空间分辨率为2 m,具有近红外、红、绿、蓝4个光谱波段。

1.3 采样数据

将研究区分为非裸地和裸地2类,见图2(a),非裸地是指包括水体、植被、道路、厂房、低层建筑区、高层建筑区的地物类型,裸地是指包括土堆、施工工地、未开发用地和休耕的农用地的地物类型。本文方法是将非裸地的每个子类逐步剔除,最终得到裸地,所以在分类时对非裸地的每个子类和裸地一类进行采样,通过人工目视解译对每类各选取200个样本点。使用ArcMap软件随机生成600个样本点,通过目视解译标注为裸地和非裸地用于精度评价。分类样本和验证样本见图2(b),后续的分层提取和监督分类都基于同一套样本。
图2 采样数据

Fig.2 Sample data

2 研究方法

本研究的技术路线如图3所示,主要包括7个步骤: ①影像数据预处理; ②通过HSV变换,分离H,S,V 3个分量,结合纹理特征,分析不同地类特征差异; ③基于HSV特征分析,利用S和H分量构建NDSHI指数剔除道路、厂房、水体; ④基于HSV特征分析,利用S和V分量构建NDSVI指数剔除高层建筑区; ⑤利用灰度共生矩阵[21]计算纹理特征,对比分析纹理特征,剔除低层建筑区; ⑥通过归一化植被指数(normalized difference vegetation index,NDVI)[22]剔除植被; ⑦计算裸地图斑面积,设置面积阈值剔除小图斑,得到最终的裸地提取结果。
图3 裸地分层精细提取技术流程

Fig.3 Flow chart of bare land hierarchical fine extraction technology

2.1 基于HSV特征分析的归一化差值指数构建

基于RGB色彩空间的裸地提取方法在大范围、多时相的应用中难以兼顾效率和提取精度,鉴于HSV颜色特征在遥感影像识别领域中的有效应用,采用HSV色彩变换进行裸地提取研究。通过目视解译将裸地样本标注为土堆、施工工地、未开发用地和休耕的农用地4类,在HSV影像上采用J-M(Jeffries-Matusita)距离法[23]计算不同类型裸地之间的可分离性,计算结果见表1。可以看出,在多时相影像上,不同类型裸地之间的J-M距离都小于1,说明裸地类别间的差异性较小,需要合成一类进行研究。
表1 研究区不同类型裸地可分离性

Tab.1 Separability of different types of bare land in the study area

影像日期 土堆-
施工工地		 土堆-
未开发用地		 土堆-
休耕的农用地		 施工工地-
未开发用地		 施工工地-
休耕的农用地		 未开发用地-
休耕的农用地
2022-02-26 0.25 0.17 0.22 0.18 0.28 0.21
2022-09-28 0.51 0.21 0.25 0.71 0.41 0.34
2023-06-24 0.63 0.34 0.37 0.54 0.57 0.46
对3期GF-1卫星影像进行HSV变换,基于图2(b)中的分类样本,分别计算非裸地各个子类和裸地一类的样本点在H,S,V 3个分量上的平均值,绘制各类地物的HSV均值曲线图如图4所示。
图4 研究区典型地物HSV均值曲线

Fig.4 HSV mean curve of typical surface features in the study area

由图4可知,在3期影像的单一波段上,裸地与其他地物类型不具有明显的差异性特征,难以直接进行提取。结合多个波段来看,将不同地物类型逐个与裸地进行比较可以发现,道路与裸地的色调H值相当,饱和度S值明显低于裸地,所以道路的S与H的差值小于裸地; 厂房的色调H值低于裸地,饱和度S值大于或略等于裸地,所以厂房的S与H的差值大于裸地; 在图4(a)和图4(b)中,水体的色调H值大于或略等于饱和度S值,裸地的色调H值明显低于饱和度S值,此时水体的S与H的差值小于裸地,在图4(c)中,水体的色调H值低于饱和度S值,裸地的色调H值大于饱和度S值,此时水体的S与H的差值大于裸地; 高层建筑区的饱和度S值低于裸地,明度V值明显高于裸地,所以高层建筑区的V与S的差值大于裸地。
通过HSV特征分析可得,道路、厂房、水体和裸地之间的光谱特征差异体现在S和H波段,高层建筑区和裸地之间的光谱特征差异体现在S和V波段,低层建筑区、植被与裸地在3期影像的HSV均值曲线上没有明显的统一规律。基于分析结果,借助归一化差值型指数的构建特点,利用差值运算可以突出地面信息的基本思想,用S和H构建NDSHI指数,用于剔除道路、厂房、水体; 用S和V构建NDSVI指数,用于剔除高层建筑区。计算公式为:
N D S H I = ρ S - ρ H ρ S + ρ H ,
N D S V I = ρ V - ρ S ρ V + ρ S ,
式中 ρ H ,   ρ S ,   ρ V分别为色调、饱和度、明度的值。
基于分类样本统计研究区典型地物的NDSHI和NDSVI指数值范围,如图5所示。从图5中可以看出,同一地物在不同季节影像中的指数值差异明显,但在每景影像中不同地物之间存在规律。在NDSHI指数值方面,水体、道路、厂房的指数值区间与裸地的指数值区间重叠较小; 在NDSVI指数值方面,高层建筑区的指数值区间与裸地的指数值区间重叠较小。这2种指数结合使裸地与不同地物区分明显,裸地信息显著增强。
图5 研究区典型地物NDSHI和NDSVI指数值区间

Fig.5 Range of NDSHI and NDSVI index values for typical surface features in the study area

2.2 低层建筑区和裸地纹理特征提取

由HSV特征分析可知,基于HSV难以区分低层建筑区和裸地,为此引入纹理特征进行研究。通过计算图像的灰度共生矩阵来获得纹理特征,选取了均值、方差、同质性、对比度、相异性,计算公式分别为:
M = 1 k ∑ i , j k p ( i , j ) ,
V = 1 k - 1 ∑ i , j k p ( i , j ) - M 2 ,
H = ∑ i , j k p ( i , j ) 1 + ( i - j ) 2 ,
C = ∑ i , j k p ( i , j ) ( i - j ) 2 ,
D = ∑ i , j k p ( i , j ) i - j ,
式中: M为均值; V为方差; H为同质性; C为对比度; D为相异性; k为影像的灰度级数; p ( i , j )为具有空间关系的且灰度值分别为 i和 j的2个像元出现的概率。
低层建筑区和裸地的纹理特征如图6所示,均值和同质性可以反映图像局部灰度均匀性,裸地的均值和同质性的亮度值高于低层建筑区,说明裸地的纹理较均匀; 方差、对比度和相异性可以反映图像局部灰度变化程度,裸地的方差、对比度和相异性的亮度值低于低层建筑区,说明裸地的局部灰度变化小,纹理沟纹较浅。对比纹理图像的范围值,方差、同质性、对比度各自的最大值与最小值差异较大,这3种纹理特征能够区分低层建筑区和裸地。
图6 低层建筑区和裸地纹理特征

Fig.6 Texture features of low-rise area and bare land

2.3 精度评价

采用生产者精度(producer accuracy,PA)、用户精度(user accuracy,UA)、总体精度(overall accuracy,OA)和Kappa系数作为裸地提取精度的评价指标,计算公式为:
P A = x i i x i + × 100 % ,
U A = x i i x + i × 100 % ,
O A = ∑ i = 1 n x i i N ,
K a p p a = N ∑ i = 1 n x i i - ∑ i = 1 n ( x i + x + i ) N 2 - ∑ i = 1 n ( x i + x + i ) ,
式中: x i i为混淆矩阵对角线元素; x i +为类别的列总和; x + i为类别的行总和; n为类别数; N为验证样本个数。

3 结果与分析

3.1 裸地分层精细提取结果与分析

3.1.1 基于HSV指数构建的裸地分层初步提取结果

基于GF-1卫星影像进行裸地分层初步提取,以2023年6月24日的部分区域为例,裸地提取效果见图7。图7(a)标准假彩色影像中裸地呈现黄色,植被呈现红色,道路、厂房等5种地物类型的目视解译结果标注在图中,用于分析提取效果。图7(b)NDSHI计算结果中,大部分道路的灰度比裸地暗,大部分厂房和水体的灰度比裸地亮,与HSV均值曲线分析结果相符。图7(c)中暗的灰度代表提取并剔除的部分,大部分道路、厂房、水体都被剔除。本文基于不同地物类型与裸地之间的特征差异来构建指数,不考虑非裸地间的特征差异性,由此,部分植被、低层建筑区、高层建筑区也被剔除。图7(d)NDSVI计算结果中,大部分高层建筑区的灰度比裸地亮,符合HSV均值曲线分析的规律。使用NDSHI提取结果对NDSVI计算结果进行掩模处理,通过阈值分割提取并剔除高层建筑区,结果见图7(f),剔除了大部分高层建筑区,保留了裸地以及植被、建筑等少量非裸地。分析未被剔除的部分高层建筑区,其NDSVI计算结果的灰度较暗,容易与裸地混淆。裸地提取结果中保留的非裸地,需要进一步提取并剔除。
图7 裸地分层初步提取结果

Fig.7 Preliminary results of bare land hierarchical extraction

3.1.2 基于纹理特征的裸地提取结果

为了验证引入纹理特征对于裸地提取的有效性,选取4个包含低层建筑区的典型区域,裸地分层初步提取结果和基于不同纹理特征的裸地再提取结果如表2所示,亮的灰度代表裸地,暗的灰度代表非裸地。4个区域的初步提取结果中都有较大面积的低层建筑区被误分为裸地,其中区域1有部分高层建筑区被误分为裸地。对比区域1的提取结果,对比度、方差、同质性可以同时剔除低层建筑区和高层建筑区。对比区域1,2,3的提取结果,对比度、方差、同质性剔除低层建筑区的效果较好,与图6中纹理特征的表现一致。对比区域4的提取结果,相异性、对比度、方差在剔除低层建筑区的同时会使裸地出现“空洞”,均值和同质性可以保留裸地的完整性。因此,从低层建筑区剔除效果和裸地完整性2方面来看,同质性纹理特征的效果最好。
表2 基于不同纹理特征的裸地再提取结果对比

Tab.2 Comparison of bare land re-extraction results based on different texture features

区域序号 真彩色影像 裸体分层初步
提取结果		 均值 相异性 对比度 方差 同质性
1
2
3
4

3.1.3 曲阜市城区裸地分层精细提取结果与分析

研究区3期影像的裸地提取结果如图8所示,由图可得,从城区中心到城区外围,裸地的数量和面积越来越大。城区外围的裸地中休耕的农用地占比较大,主要分布在西部和东南部。9月和6月休耕的农用地集中连片分布,2月由于种植冬小麦而休耕的农用地较少。城区内部的裸地在2月的分布面积最大,这是因为受季节影响植被覆盖较少,土地裸露程度大。随着监测时间的增加,城区内部的裸地减少,对影像目视解译发现,部分裸地是由于施工完工而变成了建筑,还有一部分裸地变成了防尘网,说明曲阜市不断推进裸地治理工作。
图8 曲阜市城区裸地分层精细提取结果

Fig.8 Hierarchical fine extraction results of bare land in the urban area of Qufu City

曲阜市城区的裸地包括土堆、施工工地、未开发用地和休耕的农用地,不同类型裸地的提取结果如表3所示。对提取结果进行分析,遥感影像的地物类型复杂多样,裸地在影像上呈现的类型、形状、尺度不一,本文方法将大部分裸地提取出来,且提取的裸地边界较准确,说明本文方法能够在复杂城区景观中提取出裸地与非裸地的差异化特征。提取结果中部分操场跑道、道路误分为裸地,分析发现,误提地物的NDSHI,NDSVI和纹理特征都与裸地的差异较小,在分层提取过程中难以完全提取并剔除。由于误分的图斑多呈条带状,可以增加后处理方法以剔除。对于施工工地、休耕的农用地中的小面积裸地提取遗漏的问题,通过研究发现,在后处理步骤之前,这些小面积的裸地都被提取出,而为了剔除破碎的小图斑,在后处理过程中不可避免地会剔除掉部分裸地。
表3 曲阜市城区不同类型裸地提取结果

Tab.3 Extraction results of different types of bare land in the urban area of Qufu City

数据序号 土堆 施工工地 未开发用地 休耕的农用地
1
2
3

3.2 裸地提取方法对比与分析

为了验证本文方法的鲁棒性,对3期影像选取相同的区域,比较本文方法与面向对象分类、基于像元的最大似然分类、基于像元的支持向量机的裸地提取结果,见表4,可以看出同一影像或不同影像中的裸地尺度差别较大。在不同时相的影像中,本文方法提取的裸地边界较准确,更接近目视解译结果,但也存在提取结果不够完整的问题。面向对象方法的核心是分割,基于整个研究区影像,通过反复实验确定最佳分割尺度,分割后基于对象的分类结果较为连贯,但是很多裸地周围的非裸地被误检,说明在大幅影像中采用单一分割尺度难以适应多尺度的裸地分割。基于像元的分类方法所得结果中有大量噪声,说明单纯依靠光谱特征的分类方法存在一定局限性。
表4 裸地提取结果对比

Tab.4 Comparison of bare land extraction results

方法 2022年
2月26日		 2022年
9月28日		 2023年
6月24日
目视
解译
本文
方法
面向
对象
分类
最大
似然
分类
支持
向量
机
为进一步验证各类方法的裸地提取效果,在研究区的3期影像上,基于裸地提取验证样本统计分析精度指标(表5)。由表5可知,本文方法OA在93%以上,Kappa系数在0.84以上,均高于对比的分类方法,证明本文方法对裸地提取的有效性。本文方法裸地UA达到89%以上,说明提取裸地的准确率较高,裸地PA在83%以上,提取裸地遗漏的问题仍然有待深入研究。比较各方法在3期影像中OA的最大值与最小值的差值,本文方法、面向对象分类、基于像元的最大似然分类、基于像元的支持向量机依次为1.17%,3.5%,5.84%和8.5%,说明本文方法受季节的影响最小,对于多时相的裸地提取的普适性较强。第1期影像的裸露地表较多,裸地分布范围广,提取难度较大。最大似然分类和支持向量机在该影像的裸地提取精度不高,说明这2种方法在裸地分布范围增加时对样本的需求也增加,应用于大范围、多时相裸地提取的效率和可操作性存在不便。面向对象分类方法在第1期影像的裸地提取精度稍低于本文方法,在大范围裸地提取中需要分区域确定分割尺度以提高提取精度。本文方法构建的指数简洁有效,结合纹理特征和植被指数的提取过程操作简便,在裸地提取中能够兼顾提取效率和提取精度。
表5 曲阜市城区裸地提取结果精度评价

Tab.5 Accuracy evaluation of bare land extraction results in the urban area of Qufu City

影像日期 指标 本文方法 面向对象分类 最大似然分类 支持向量机
裸地 非裸地 裸地 非裸地 裸地 非裸地 裸地 非裸地
2022年
2月26日		 PA/% 87.65 96.12 81.48 94.29 88.27 88.36 71.60 90.41
UA/% 89.31 95.46 84.08 93.23 73.71 95.32 73.42 89.59
OA/% 93.83 90.83 88.33 85.33
Kappa系数 0.84 0.77 0.72 0.63
2022年
9月28日		 PA/% 83.55 98.88 96.71 93.08 92.62 94.68 91.45 94.64
UA/% 96.21 94.66 82.58 98.82 85.19 97.49 85.28 97.03
OA/% 95.00 94.00 94.17 93.83
Kappa系数 0.86 0.85 0.85 0.84
2023年
6月24日		 PA/% 84.62 98.20 90.38 95.72 89.74 94.37 87.82 94.59
UA/% 94.29 94.78 88.13 96.59 84.85 96.32 85.09 95.67
OA/% 94.67 94.33 93.17 92.83
Kappa系数 0.86 0.85 0.83 0.82

4 结论

为了在大范围、多时相的遥感影像裸地提取中兼顾提取效率和提取精度,本文提出一种基于HSV和纹理特征的裸地分层精细提取方法,应用于山东省曲阜市城区,在3期GF-1卫星影像上验证本文方法的裸地提取能力。将研究区分为裸地和非裸地2类,对非裸地的每个子类逐步剔除,得到最终裸地结果。基于HSV特征分析构建NDSHI指数和NDSVI指数实现裸地分层初步提取; 针对低层建筑区与裸地在H,S,V分量中没有明显的差异性特征的问题,采用纹理特征进一步提取; 最后利用NDVI剔除植被,再进行后处理。实验结果表明:
1)本文基于不同地物类型与裸地之间的特征差异构建NDSHI和NDSVI指数,可以有效地剔除道路、厂房、水体和高层建筑区。由于不考虑非裸地间的特征差异性,部分植被和低层建筑区也被剔除。
2)对比不同纹理特征的裸地再提取结果,同质性纹理特征的效果最好,能够在剔除低层建筑区的同时保留裸地的完整性。
3)本文方法在3期影像的精度评价结果较稳定,OA在93%以上,Kappa系数在0.84以上,均高于对比的分类方法,能够在大范围、多时相影像上实现裸地高效精细提取。
4)本文方法提取裸地的UA达到89%以上,PA在83%以上,说明提取准确率较高,但裸地提取遗漏的问题还需要进一步研究优化。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
刘奥博, 吴其重, 陈雅婷, 等. 北京市平原区裸露地风蚀扬尘排放量[J]. 中国环境科学, 2018, 38(2):471-477.

Liu A B, Wu Q Z, Chen Y T, et al. Estimation of dust emissions from bare soil erosion over Beijing Plain Area[J]. China Environmental Science, 2018, 38(2):471-477.

[2]
中国工程建设标准化协会. T/CECS 995—2022建筑施工裸地遥感监测技术导则[S]. 北京: 中国建筑出版社, 2022.

China Association for Standardization of Engineering Construction. T/CECS 995—2022 Technical guidelines for remote sensing monitoring of bare land in construction[S]. Beijing: China Architecture Press, 2022.

[3]
熊文成, 徐永明, 李京荣, 等. 天津市扬尘污染源中高分辨率遥感监测[J]. 遥感信息, 2017, 32(3):45-49.

Xiong W C, Xu Y M, Li J R, et al. Urban dust pollution sources monitoring based on medium and high resolution satellite imagery in Tianjin[J]. Remote Sensing Information, 2017, 32(3):45-49.

[4]
孙一鸣, 张宝钢, 吴其重, 等. 国产微景一号小卫星影像的城市裸地识别应用[J]. 自然资源遥感, 2022, 34(1):189-197.doi:10.6046/zrzyyg.2021056.

Sun Y M, Zhang B G, Wu Q Z, et al. Application of domestic low-cost micro-satellite images in urban bare land identification[J]. Remote Sensing for Natural Resources, 2022, 34(1):189-197.doi:10.6046/zrzyyg.2021056.

[5]
邱永红, 谭永忠, 周国华. 一种遥感影像裸土地特征增强方法[J]. 计算机工程与应用, 2012, 48(32):196-199.

Qiu Y H, Tan Y Z, Zhou G H. Feature enhancement method for bare land in remote sensing images[J]. Computer Engineering and Applications, 2012, 48(32):196-199.

[6]
Nguyen C T, Chidthaisong A, Kieu D P, et al. A modified bare soil index to identify bare land features during agricultural fallow-period in Southeast Asia using Landsat8[J]. Land, 2021, 10(3):231.

[7]
方洪科, 刘贵芬, 朱从旭, 等. 山东省滨州市裸露地面遥感监测及简要分析[C]// 中国环境科学学会2023年科学技术年会论文集(四). 南昌, 2023:267-269.

Fang H K, Liu G F, Zhu C X, et al. Remote sensing monitoring and brief analysis of bare land in Binzhou City,Shandong Province[C]// Chinese Society for Environmental Sciences.Proceedings of the 2023 Science and Technology Annual Conference of the Chinese Society for Environmental Sciences(4). Nanchang, 2023:267-269.

[8]
Rogers A S, Kearney M S. Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices[J]. International Journal of Remote Sensing, 2004, 25(12):2317-2335.

[9]
Chen W, Liu L, Zhang C, et al. Monitoring the seasonal bare soil areas in Beijing using multitemporal TM images[C]// IGARSS 2004.2004 IEEE International Geoscience and Remote Sensing Symposium.Anchorage,AK.IEEE, 2004:3379-3382.

[10]
吴志杰, 赵书河. 基于TM图像的“增强的指数型建筑用地指数”研究[J]. 国土资源遥感, 2012, 24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

Wu Z J, Zhao S H. A study of enhanced index-based built-up index based on Landsat TM imagery[J]. Remote Sensing for Land and Resources, 2012, 24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

[11]
As-syakur A R, Adnyana I W S, Arthana I W, et al. Enhanced built-up and bareness index (EBBI) for mapping built-up and bare land in an urban area[J]. Remote Sensing, 2012, 4(10):2957-2970.

[12]
张雅琼, 赵宇昕, 屈冉, 等. 基于GF-1卫星遥感影像的生态空间周边建筑余泥渣土场提取方法研究[J]. 环境保护科学, 2018, 44(6):50-55,89.

Zhang Y Q, Zhao Y X, Qu R, et al. Study of extraction method of construction waste residue fields around ecological space based on GF-1 satellite remote sensing image[J]. Environmental Protection Science, 2018, 44(6):50-55,89.

[13]
李霞, 徐涵秋, 李晶, 等. 基于NDSI和NDISI指数的SPOT-5影像裸土信息提取[J]. 地球信息科学学报, 2016, 18(1):117-123.

DOI

Li X, Xu H Q, Li J, et al. Extraction of bare soil features from SPOT-5 imagery based on NDSI and NDISI[J]. Journal of Geo-Information Science, 2016, 18(1):117-123.

[14]
尚明, 马杰, 李悦, 等. Landsat和GF数据面向对象土地覆盖分类研究[J]. 自然资源遥感, 2024. 36(3):240-247.doi:10.6046/zrzyyg.2023135.

Shang M, Ma J, Li Y, et al. Research on object-oriented land cover classification of Landsat and GF data[J]. Remote Sensing for Natural Resources, 2024. 36(3):240-247.doi:10.6046/zrzyyg.2023135.

[15]
孟晋杰, 王建华. 高分一号影像数据城市生态用地监测[J]. 测绘科学, 2016, 41(9):33-37.

Meng J J, Wang J H. Monitoring of urban ecological land use based on Gaofen-1 data[J]. Science of Surveying and Mapping, 2016, 41(9):33-37.

[16]
朱皓辰, 吴艳兰, 何彬方. 基于改进DenseNet模型的高分遥感影像城市裸地提取[J]. 安徽农业大学学报, 2022, 49(5):799-808.

Zhu H C, Wu Y L, He B F. Extraction of urban bare land from high-resolution remote sensing images based on improved DenseNet model[J]. Journal of Anhui Agricultural University, 2022, 49(5):799-808.

[17]
邱昀, 姜磊, 李金香, 等. 深度学习在裸地扬尘源监测中的应用研究[J]. 中国环境监测, 2023, 39(s1):72-79.

Qiu Y, Jiang L, Li J X, et al. Research on the application of deep learning in monitoring dust sources in bare land[J]. Environmental Monitoring in China, 2023, 39(s1):72-79.

[18]
宋承运, 曲雪杉, 胡光成, 等. 基于NDVI-NSSI空间与HSV变换的成熟期农作物遥感识别[J]. 农业机械学报, 2023, 54(8):193-200.

Song C Y, Qu X S, Hu G C, et al. Crop identification in mature stage with remote sensing based on NDVI-NSSI space and HSV transformation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(8):193-200.

[19]
陶欢, 李存军, 谢春春, 等. 基于HSV阈值法的无人机影像变色松树识别[J]. 南京林业大学学报(自然科学版), 2019, 43(3):99-106.

DOI

Tao H, Li C J, Xie C C, et al. Recognition of red-attack pine trees from UAV imagery based on the HSV threshold method[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2019, 43(3):99-106.

[20]
林雨准, 张保明, 郭海涛, 等. HSV变换和多尺度分割相结合的高分辨率遥感影像阴影检测[J]. 测绘科学技术学报, 2017, 34(5):486-490.

Lin Y Z, Zhang B M, Guo H T, et al. Shadow detection from high resolution remote sensing imagery based on HSV transformation and multilevel segmentation[J]. Journal of Geomatics Science and Technology, 2017, 34(5):486-490.

[21]
Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems,Man,and Cybernetics, 1973, SMC-3(6):610-621.

[22]
Rouse J, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. NASA Special Publication, 1974, 351:309.

[23]
Song C, Woodcock C E, Seto K C, et al. Classification and change detection using landsat TM data when and how to correct atmospheric effects?[J]. Remote Sensing of Environment, 2001, 75(2):230-244.

Options
文章导航

/

〈 〉