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量，具體涉及一種基于近景攝影測量方式估算礦區(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 免的會對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，有必要對礦業(yè)廢棄地進行生態(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)域進行了大量的研究。植被能有效地控制水土流失，被公認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)與能量流動的中樞，也對人類社會經(jīng)濟活動有重要貢獻的資源。 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綜合量化指標(biāo)，在礦區(qū)植被恢復(fù)狀況 調(diào)查與評價中具重要意義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很重要的變量，可以通過分析植 被覆蓋度的空間分布計算植被恢復(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，植被覆蓋度都是作為一個重要 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)水土流失的強度；5)植被覆蓋度是評估植被恢 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最重要的指標(biāo)，植被 覆蓋度測量方法的改進以及測量精度的提高，是調(diào)查和評價礦業(yè)廢棄地植被恢復(fù)狀況的當(dāng) 務(wù)之急。目前，傳統(tǒng)的地面測量方法主要有目測法、采樣法、儀器測量法。目測法主要通過 在地面選取樣方，依靠人的經(jīng)驗進行估計，這種方法對人的經(jīng)驗依賴較大，很難保證測量的 準(zhǔn)確性與可靠性。采樣法通過在樣方內(nèi)采樣輔助工具進行統(tǒng)計測量，缺點是操作過于復(fù)雜， 時間較長，限制的條件較多。儀器測量法主要有空間定量計法、移動光量計法和數(shù)碼相機攝 影測量法。空間定量計法、移動光量計法需要使用專用的傳感器設(shè)備，野外操作不方便。數(shù) 碼相機攝影測量法利用數(shù)碼相機平行于地面照相后，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量植被覆蓋度方法的缺點，具有結(jié)果精度高，穩(wěn)定性好，省時的特點。 目前應(yīng)用數(shù)碼相機進行測量已成為地面測量植被覆蓋度的發(fā)展趨勢，也是地面調(diào)查輔助航 空遙感方法的重要手段。
通過查閱文獻和對專利信息類網(wǎng)站進行檢索，有關(guān)利用數(shù)碼相機測量植被覆蓋度 的方法大都是針對廣袤的森林或草原地區(qū)，計算單一植被蓋度。目前針對礦業(yè)廢棄地植被 恢復(fù)區(qū)植被特點(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 相機近景攝影測量植被覆蓋度的方法還未見報道。

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，利用支持向量機對礦區(qū)植 被與非植被進行分類，同時估算礦區(qū)植被覆蓋度。本發(fā)明要解決的技術(shù)問題之二是針對礦業(yè)廢棄地植被恢復(fù)區(qū)的植被生長特點，構(gòu) 建專門的植被覆蓋度估測系統(tǒng)。為了解決上述第一個技術(shù)問題，本發(fā)明涉及一種基于近景攝影測量方式估算礦區(qū) 植被覆蓋度的方法，其包括如下步驟S1、對待測礦區(qū)進行近景攝影，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、對步驟S3中區(qū)分的植被信息進行統(tǒng)計計算，得到植被覆蓋度。其中，所述近景攝影測量方式是指用數(shù)碼相機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)偏差和對比度。在步驟S2中，通過計算訓(xùn)練樣本集的n個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時表示樣本為植被， 當(dāng)為-1時表示樣本為非植被；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個變量都為需要優(yōu)化 的參數(shù)。通過計算下面的極值問題來計算所述廣義最優(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對應(yīng)的參數(shù)；當(dāng)a i不等于0時，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時表示樣本為植被，當(dāng)為-1時表示樣本為非植被；a ,為與支持向量Xi對應(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)為非負時表示植被，為負時表示非植被。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技術(shù)問題，本發(fā)明還涉及一種基于近景攝影測量方式估算礦 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待估算的數(shù)據(jù)進行 植被與非植被的分類；植被覆蓋度計算模塊，用于根據(jù)分類的結(jié)果自動進行植被覆蓋度計算。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，解決了礦區(qū)植被與非植被的分類問題， 同時得到了礦區(qū)植被覆蓋度；2、本發(fā)明采用徑向基核函數(shù)構(gòu)建支持向量機分類器，利用特征向量對所述支持向 量機分類器進行訓(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待測礦區(qū)中的植被和非植被進行分類；3、本發(fā)明適用于采用數(shù)碼相機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定；4、本發(fā)明針對礦業(yè)廢棄地植被恢復(fù)區(qū)的植被生長特點，構(gòu)建專門的植被覆蓋度估 測系統(tǒng)，對待測礦區(qū)進行近景攝影，選取圖像中的顏色特征和紋理特征，利用支持向量機分 類器實現(xiàn)對植被和非植被的快速分類，并對植被信息進行統(tǒng)計，從而自動、快速、準(zhǔn)確地計 算植被覆蓋度，為調(diào)查礦區(qū)植被生長狀況提供可靠的依據(jù)；同時也可作為定量遙感估測植 被覆蓋度算法的實際驗證。


圖1為本發(fā)明基于近景攝影測量方式估算礦區(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。
具體實施例方式以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。實施例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植被恢復(fù)區(qū)為例，采用1000萬像素的數(shù)碼相 機在該區(qū)域內(nèi)進行拍照，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，同時對所拍照的區(qū)域進行精確的目測估算植被覆蓋度。結(jié) 果表明，本方法與嚴(yán)格目測估算的偏差很小，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、對待測礦區(qū)進行近景攝影，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、藍色、亮度及以所述像元為中心的 3X3方陣內(nèi)的9個像元的紅色平均值、綠色平均值、藍色平均值；所述紋理特征包括采用灰 度共生矩陣法計算的以所述像元為中心的5X5方陣的標(biāo)準(zhǔn)偏差和對比度；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)偏差和對比度。S2、利用植被樣本與非植被樣本的特征向量，計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；通過計算訓(xùn)練樣本集的n個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時表示樣本為植被， 當(dāng)為-1時表示樣本為非植被；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。通過計算下面的極值問題來計算所述廣義最優(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對應(yīng)的參數(shù)；當(dāng)a i不等于0時，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時表示樣本為植被，當(dāng)為-1時表示樣本為非植被；a ,為與支持向量Xi對應(yīng)的參數(shù)； b為分類閥值。S3、提取待測礦區(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)為非負時表示植被，為負時表示非植被。S4、運用像元統(tǒng)計法，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)偏差和對比度，通過對整幅圖像采用5X 5窗口進行掃描， 利用灰度共生矩陣法計算紋理特征量；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行有效分類的支持向量及對應(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待估算的數(shù)據(jù)進行植被與非植被的分類，即 將待測礦區(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行分類，區(qū)分出植被和非植被；4.植被覆蓋度計算模塊用于根據(jù)分類的結(jié)果自動進行植被覆蓋度計算，即對分類后的植被圖像進行統(tǒng)計 計算，計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。以上實施方式僅用于說明本發(fā)明，而并非對本發(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、對待測礦區(qū)進行近景攝影，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、對步驟S3中區(qū)分的植被信息進行統(tǒng)計計算，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，通過計算訓(xùn)練樣本集的n個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時表示樣本為植被，當(dāng)為-1 時表示樣本為非植被；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，通過計算下面的極值問題來計算所述廣 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對應(yīng)的參數(shù)；當(dāng)a ,不等于0時，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時表示樣本為植被，當(dāng)為-1時表示樣本為非植被；a ,為與支持向量Xi對應(yīng)的參數(shù)；b 為分類閥值；當(dāng)函數(shù)f(x)為非負時表示植被，為負時表示非植被。 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待估算的數(shù)據(jù)進行植被 與非植被的分類；植被覆蓋度計算模塊，用于根據(jù)分類的結(jié)果自動進行植被覆蓋度計算。
全文摘要
本發(fā)明涉及一種基于近景攝影測量方式估算礦區(qū)植被覆蓋度的方法，該方法通過對待測礦區(qū)進行攝影，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，利用支持向量機分類器實現(xiàn)對植被和非植被的快速分類，然后對植被信息進行統(tǒng)計，從而快速、準(zhǔn)確地計算植被覆蓋度，為調(diào)查礦區(qū)植被生長狀況提供可靠的依據(jù)；該方法同時也可作為定量遙感估測植被覆蓋度算法的實際驗證。本發(fā)明還涉及一種基于近景攝影測量方式估算礦區(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算模塊。
文檔編號G06T7/00GK101832769SQ20101013783
公開日2010年9月15日 申請日期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 申請人:中國農(nóng)業(yè)大學(xué)