[发明专利]一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法

说明书

本发明提供了一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法。该方法包括获取第一夜光灯数据、水体数据、火点数据；对第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据；对第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据；根据第一目标区域夜光灯数据获得分位数曲线，根据分位数曲线至参考线的距离最大值，分别计算第一、二、三分级阈值；利用第一、二、三分级阈值分别对第一、二、三目标区域进行栅格重分类，分类为城市、郊区、农村和其它。该发明基于DMSP夜间灯光影像进行自动分位数曲线分析，可实现城郊村三元内部精细结构的提取，从DMSP夜光灯亮度分布自动对阈值进行选择，避免引入辅助数据以及主观因素产生的误差。

技术领域

本发明涉及图像和影像识别技术领域，更具体地，涉及一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法。

背景技术

夜间灯光卫星遥感数据的应用愈发广泛，已成为城镇化及土地利用监测等研究的重要数据源。DMSP夜间灯光数据(Defense Meteorological Satellite Program，DMSP)是应用最广泛的夜光灯数据之一，其利用搭载的线性扫描业务系统，通过可见光-近红外两个波段形成灰度图像。光谱分辨率为8比特，灰度值范围0-63。与其他夜间灯光卫星相比，数据量较小，图像处理较为简便，并具有明显的长时间序列优势；此外，夜光灯数据综合性较强，其涵盖了大部分交通道路、居民地等与人口、城市分布相关的信息。

但现有的夜间灯光影响提取技术方案存在以下缺陷：依赖经验知识和辅助数据来确定夜光灯影像的灰度阈值，进而确定城市区域的方法，引入了人的主观因素和辅助数据的误差，精度不足；引入的辅助数据和经验知识不具有通用性，针对不同地区对应的经验知识和所需的辅助数据不同，因此，这种加入经验知识和辅助数据的方法难以进行大范围应用；利用机器学习确定阈值需要大量样本数据，而样本数量和时间、人力成本成正比，但对于长时间序列、大范围的应用要求样本覆盖尽可能全面，导致利用机器学习确定阈值的方法数据量大、需耗费大量时间和人力；无法实现提取城市、郊区、农村精细结构的提取。

发明内容

鉴于上述问题，本发明提出了一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，其可以实现精细化的城市、郊区、农村灯光提取和数据分析。

根据本发明实施例，提供一种基于DMSP夜间灯光影像的城郊村三元结构自动提取方法，所述方法包括：

获取第一夜光灯数据、水体数据、火点数据；

对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据；

对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据；

根据所述第一目标区域夜光灯数据获得分位数曲线，根据所述分位数曲线至参考线的距离最大值分别计算第一分级阈值、第二分级阈值、第三分级阈值；

利用所述第一分级阈值、所述第二分级阈值、所述第三分级阈值分别对第一目标区域、第二目标区域、第三目标区域进行栅格重分类，分类为城市、郊区、农村和其它。

在一个实施例中，优选地，所述对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据，具体包括：

利用所述水体数据和所述第一夜光灯数据获取水体掩膜；

利用所述火点数据和所述第一夜光灯数据获取火点掩膜；

对所述火点掩膜和水体掩膜进行融合，获取水体与火点掩膜；

利用所述水体与火点掩膜对所述第一夜光灯数据进行栅格乘法和掩膜擦除，获取第二夜光灯数据。

在一个实施例中，优选地，所述对所述第二夜光灯数据进行裁剪，获取第一目标区域夜光灯数据，具体包括：