本发明属于遥感影像处理技术领域，特别是涉及一种基于水稻指数的多时相遥感影像水稻提取方法。
背景技术：
水稻是我国主要的粮食作物之一，其生长状况影响着国家粮食安全、农业经济发展以及社会稳定。水稻种植区域的提取是实施水稻监测、合理配置水稻种植资源、发展水稻生产的基础，卫星遥感技术以其能实现周期性、大范围覆盖的优势，成为大面积水稻种植区域快速自动提取的有效手段。
多时相遥感影像能够反映地物在不同时间的变化情况，而农作物有着显著的随季节周期性变化的物候特征，因此在多时相遥感影像中不同农作物之间以及农作物与其它地物之间可以比较明显地区分。许多学者将多时相遥感影像用于水稻提取中，现有的基于多时相遥感影像的水稻提取方法大致可分为两类：1)非监督方法，在多时相遥感影像中提取一种或多种植被指数的时间序列，根据植被指数的变化规律，设定阈值来对水稻进行提取；2)监督分类方法，基于传统的机器学习或深度学习，选取水稻训练样本，将多时相遥感影像和水稻样本输入分类器或深度网络进行训练，进而得到水稻提取的结果。但是，现有的方法中，非监督的方法往往是根据多种植被指数或植被指数的组合来设定多个阈值条件，需要耗费大量的人工、时间和精力来得到一个最佳的水稻提取模型。而监督分类方法，特别是基于深度学习的方法，需要通过大量的实地调查和人工标记来选择训练样本，自动化程度较低。此外，水稻多个生长季、一年多熟的特点是其区别于其它农作物和地物的显著物候特征之一，而现有方法较少对这种“多季”的特征加以利用。
技术实现要素：
本发明针对现有技术的不足，提供一种基于水稻指数的多时相遥感影像水稻提取方法。首先由多时相遥感影像得到可以描述水稻生长状态的植被指数时间序列，再从植被指数时间序列中提取出对应水稻每一个生长季的时序特征，通过对这些时序特征进行最小值融合来得到水稻指数特征，然后对水稻指数特征进行阈值分割得到水稻提取结果，最后利用光谱和几何约束条件进行水稻提取后处理。
为了达到上述目的，本发明提供的技术方案是一种基于水稻指数的多时相遥感影像水稻提取方法，包括以下步骤：
步骤1,对每一个时相的遥感影像进行几何配准；
步骤2,对每一个时相的遥感影像计算归一化差分植被指数ndvi，得到时序ndvi影像；
步骤3,由时序ndvi影像及水稻生长季数计算得到多个归一化差分时序指数ndti；
步骤4,对ndti进行最小值融合，得到水稻指数ri；
步骤5,对ri特征影像进行阈值分割，得到水稻提取结果；
步骤6,通过光谱约束和几何约束，对步骤5中的水稻提取结果进行后处理。
而且，所述步骤2中归一化植被指数ndvi的计算方法如下：
其中，
而且，所述步骤3中归一化差分时序指数ndti与遥感影像上对应区域的水稻生长季数有关，每一个生长季的ndti由该生长季内ndvi峰值和ndvi谷值决定，为两者之差比上两者之和。考虑到同一区域不同水稻之间生长季略微的偏差，峰值和谷值对应的时相在用户给定时相的邻域内自适应地选择。ndti计算方法如下：
其中，n为水稻生长季数，mj1为用户给定的每一季ndvi峰值的大致时相索引，mj2为用户给定的每一季ndvi谷值的大致时相索引。步骤2中将计算得到的ndvi平移至了非负范围，可以保证式(2)ndti的计算结果位于[-1,1]范围内。
而且，所述步骤4中水稻指数ri为水稻不同生长季的ndti的最小值，其计算方式如下：
求取ri后，将ri特征影像线性拉伸至[0,1]范围内。
其中，g(x，y)和g′(x，y)分别为拉伸前和拉伸后的ri特征影像，(x，y)为像素在特征影像中的位置坐标，rimin为ri特征影像中的最小像素值，rimax为ri特征影像中的最大像素值。
而且，所述步骤5中对拉伸后的ri特征影像选用固定的阈值(推荐阈值为0.33)进行阈值分割，得到水稻提取结果；
其中，rice(x，y)为水稻提取结果的二值图，(x，y)为像素的位置坐标，1表示水稻像素，0表示非水稻像素，和为设定的阈值。
而且，所述步骤6中需利用全部时相ndvi的均值进行光谱约束，设定约束阈值(推荐阈值为0.3)，以剔除水稻提取结果中明显不是植被的像素；
其中，rice′(x，y)为进行了光谱约束之后的水稻提取结果二值图，(x，y)为像素的位置坐标，ndvimean(x，y)为像素全部时相ndvi的均值，tndvi为设定的阈值。
对水稻提取结果二值图取连通域得到水稻对象，利用面积和长宽比对水稻对象进行几何约束。分别设定面积阈值tarea(推荐阈值tarea＝1000m2)和长宽比阈值tlw(推荐阈值tlw＝8)剔除不符合稻田几何形状的对象，所剔除的对象面积area≤tarea或长宽比lw≥tlw。
经过光谱约束和几何约束后，得到最终的水稻提取结果。
与现有技术相比，本发明具有如下优点：本发明无需人工选择训练样本，即可实现多时相遥感影像水稻全自动提取，且与其它基于植被指数和阈值分割的方法相比，本发明阈值设定难度较小，可大大减少人工的工作量，提高自动化程度。此外，本发明基于水稻多个生长季的特点设计水稻指数进行水稻提取，可以广泛用于多熟制品种水稻的提取。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明提供一种基于水稻指数的多时相遥感影像水稻提取方法，首先由多时相遥感影像得到可以描述水稻生长状态的植被指数时间序列，再从植被指数时间序列中提取出对应水稻每一个生长季的时序特征，通过对这些时序特征进行最小值融合来得到水稻指数特征，然后对水稻指数特征进行阈值分割得到水稻提取结果，最后利用光谱和几何约束条件进行水稻提取后处理。
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例的流程包括以下步骤：
步骤1，对每一个时相的遥感影像进行几何配准。
几何配准可通过envi、erdas等遥感影像处理软件实现，本发明中几何配准通过envi软件中的geometriccorrection-registration-imageregistrationworkflow工具实现，主要包括自动选取控制点、控制点粗差剔除、选取配准方法进行配准几个步骤。
步骤2，对每一个时相的遥感影像计算归一化差分植被指数ndvi(normalizeddifferencevegetationindex)，得到时序ndvi影像。
ndvi常用于检测植被的生长状态，其计算方法如下：
其中，
步骤3，由时序ndvi影像及水稻生长季数计算多个归一化差分时序指数ndti(normalizeddifferencetemporalindex)。
ndti与遥感影像对应区域水稻的生长季数有关，每一个生长季的ndti由该生长季内ndvi峰值和ndvi谷值决定，为两者之差比上两者之和。考虑到同一区域不同水稻之间生长季略微的偏差，峰值和谷值对应的时相在用户给定时相的邻域内自适应地选择。ndti的计算方法如下：
其中，n为水稻生长季数，mj1为用户给定的每一季ndvi峰值的大致时相索引，mj2为用户给定的每一季ndvi谷值的大致时相索引。步骤2中将计算得到的ndvi平移至了非负范围，以保证式(2)ndti的计算结果位于[-1,1]范围内。
步骤4，对ndti进行最小值融合，得到水稻指数ri(riceindex)。
由于水稻具有多个生长季的特点，水稻像素在每一个生长季的ndvi时间序列都有着明显的峰值和谷值，针对这一特点，采用每个生长季的ndti时序指数特征最小值融合的方式得到水稻指数，并进行水稻提取，可以得到较好的效果。水稻指数ri的计算方法如下：
求取ri后，将ri特征影像线性拉伸至[0,1]范围内。
其中，g(x，y)和g′(x，y)分别为拉伸前和拉伸后的ri特征影像，(x，y)为像素在特征影像中的位置坐标，rimin为ri特征影像中的最小像素值，rimax为ri特征影像中的最大像素值。
步骤5，对ri特征影像进行阈值分割，得到水稻提取结果。
对拉伸后的ri特征影像取固定的阈值(推荐阈值为0.33)进行阈值分割，得到水稻提取结果。
其中，rice(x，y)为水稻提取结果的二值图，(x，y)为像素的位置坐标，1表示水稻像素，0表示非水稻像素，和为设定的阈值。
步骤6，通过光谱约束和几何约束，对步骤5中的水稻提取结果进行后处理。
由于步骤5中得到水稻提取结果中存在少量水体和不透水层的虚警，因此还需要利用光谱约束和几何约束对水稻提取结果进行后处理。
利用全部时相ndvi的均值进行光谱约束，设定阈值(推荐阈值为0.3)，在水稻提取结果中剔除明显不是植被的像素。
其中，rice′(x，y)为进行了光谱约束之后的水稻提取结果二值图，(x，y)为像素的位置坐标，ndvimean(x，y)为像素全部时相ndvi的均值，tndvi为设定的阈值。
对水稻提取结果二值图取连通域得到水稻对象，利用面积和长宽比对水稻对象进行几何约束。分别设定面积阈值和area(推荐阈值和area＝1000m2)和长宽比阈值tlw(推荐阈值tlw＝8)剔除不符合稻田几何形状的对象，所剔除的对象面积area≤tarea或长宽比lw≥tlw。
经过光谱约束和几何约束后，得到最终的水稻提取结果。
具体实施时，以上流程可采用计算机软件技术实现自动运行流程。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
1.一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于，包括如下步骤：
步骤1,对每一个时相的遥感影像进行几何配准；
步骤2,对每一个时相的遥感影像计算归一化差分植被指数ndvi，得到时序ndvi影像；
步骤3,由时序ndvi影像及水稻生长季数计算得到多个归一化差分时序指数ndti；
步骤4,对ndti进行最小值融合，得到水稻指数ri；
步骤5,对ri特征影像进行阈值分割，得到水稻提取结果；
步骤6,通过光谱约束和几何约束，对步骤5中的水稻提取结果进行后处理。
2.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤2中归一化植被指数ndvi的计算方法如下：
其中，
3.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤3中归一化差分时序指数ndti与遥感影像上对应区域的水稻生长季数有关，每一个生长季的ndti由该生长季内ndvi峰值和ndvi谷值决定，为两者之差比上两者之和，考虑到同一区域不同水稻之间生长季略微的偏差，峰值和谷值对应的时相在用户给定时相的邻域内自适应地选择，ndti计算方法如下：
其中，n为水稻生长季数，mj1为用户给定的每一季ndvi峰值的大致时相索引，mj2为用户给定的每一季ndvi谷值的大致时相索引，步骤2中将计算得到的ndvi平移至了非负范围，可以保证式(2)ndti的计算结果位于[-1，1]范围内。
4.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤4中的水稻指数ri为水稻不同生长季的ndti的最小值，其计算方式如下：
求取ri后，将ri特征影像线性拉伸至[0，1]范围内；
其中，g(x,y)和g′(x，y)分别为拉伸前和拉伸后的ri特征影像，(x,y)为像素在特征影像中的位置坐标，rimin为ri特征影像中的最小像素值，rimax为ri特征影像中的最大像素值。
5.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤5中对拉伸后的ri特征影像选用固定的阈值进行阈值分割，得到水稻提取结果；
其中，rice(x,y)为水稻提取结果的二值图，(x,y)为像素的位置坐标，1表示水稻像素，0表示非水稻像素，t为设定的阈值。
6.如权利要求1所述的一种基于水稻指数的多时相遥感影像水稻提取方法，其特征在于：所述步骤6中需通过光谱约束在水稻提取结果中剔除明显不是植被的像素，并通过几何约束剔除不符合稻田几何形状的对象，利用全部时相ndvi的均值进行光谱约束，设定约束阈值，以剔除水稻提取结果中明显不是植被的像素；
其中，rice′(x,y)为进行了光谱约束之后的水稻提取结果二值图，(x,y)为像素的位置坐标，ndvimean(x，y)为像素全部时相ndvi的均值，tndvi为设定的阈值，对水稻提取结果二值图取连通域得到水稻对象，利用面积和长宽比对水稻对象进行几何约束，分别设定面积阈值tarea和长宽比阈值tlw剔除不符合稻田几何形状的对象，所剔除的对象面积area≤tarea或长宽比lw≥tlw，经过光谱约束和几何约束后，得到最终的水稻提取结果。
技术总结