本發(fā)明涉及一種提取方法，具體涉及一種基于夜間燈光數(shù)據(jù)的建成區(qū)智能化提取方法。
背景技術(shù)：
：隨著城市化進程的加快，在區(qū)域乃至全國尺度上，對于城市化區(qū)域的空間布局、空間擴展狀態(tài)的研究越來越重要。目前城市建成區(qū)提取主要采用土地利用調(diào)查數(shù)據(jù)、TM/ETM或MODIS影像解譯數(shù)據(jù)，但是處理效率慢，且提取的建成區(qū)結(jié)果與城市的真實發(fā)展水平之間存在一定差異，因此，采用夜間燈光遙感數(shù)據(jù)提取城市范圍越來越受到關(guān)注，目前常用的方法集中在閾值法，然而采用閾值法從夜間燈光遙感數(shù)據(jù)提取建成區(qū)范圍的精度有限，且閾值的選取受時間和地區(qū)差異的影響較大，同一閾值無法適應(yīng)不同城市不同時間的建成區(qū)提取。近年來，部分研究人員結(jié)合夜間燈光數(shù)據(jù)和植被指數(shù)數(shù)據(jù)，采用自動分類算法提取城市建成區(qū)范圍，但是多源數(shù)據(jù)的引入，也導致分類算法的復雜，如何綜合利用夜間燈光遙感數(shù)據(jù)和其他數(shù)據(jù)的信息，構(gòu)建能夠根據(jù)城市自身特征和時間自適應(yīng)的智能優(yōu)化算法，實現(xiàn)城市建成區(qū)范圍的智能化提取，是現(xiàn)有技術(shù)要解決的問題。技術(shù)實現(xiàn)要素：為解決上述現(xiàn)有技術(shù)中的不足，本發(fā)明的目的是提供一種基于夜間燈光數(shù)據(jù)的建成區(qū)智能化提取方法，本發(fā)明基于夜間燈光遙感影像和植被指數(shù)影像，采用粒子群優(yōu)化算法選取城市和非城區(qū)樣本，然后基于SVM分類的區(qū)域生長算法，實現(xiàn)城市建成區(qū)的智能化提取，本發(fā)明成果能夠適應(yīng)不用城市不同時期的建成區(qū)提取。本發(fā)明的目的是采用下述技術(shù)方案實現(xiàn)的：本發(fā)明提供一種基于夜間燈光數(shù)據(jù)的建成區(qū)智能化提取方法，所述方法包括下述步驟：步驟1：根據(jù)同一城市范圍的夜間燈光遙感影像、植被指數(shù)遙感影像和高分辨率遙感影像，制作待處理區(qū)域的影像和交叉驗證樣本；步驟2：初始化粒子群參數(shù)，根據(jù)每個粒子的參數(shù)，從夜間燈光和植被指數(shù)遙感影像中，選取城區(qū)種子樣本和非城區(qū)樣本；步驟3：針對每一個粒子，采用基于支持向量機SVM分類的區(qū)域生長算法，根據(jù)城區(qū)種子領(lǐng)域像元的分類結(jié)果，判斷是否有新增的城區(qū)像元，如果新增像元數(shù)為0，則完成支持向量機SVM模型訓練；如果新增像元數(shù)大于0，則更新城區(qū)種子，繼續(xù)訓練支持向量機SVM模型；步驟4：根據(jù)步驟3訓練完成的支持向量機SVM模型，采用交叉驗證樣本進行精度驗證，計算每模型的分類精度；步驟5：根據(jù)粒子群最優(yōu)分類精度和精度方差，判斷是否滿足終止條件，如果滿足就輸出最優(yōu)參數(shù)；如果不滿足，則采用自適應(yīng)粒子群優(yōu)化算法更新粒子群參數(shù)，返回步驟2；步驟6：根據(jù)步驟5輸出的最優(yōu)參數(shù)，重新確定城區(qū)種子樣本和非城區(qū)樣本，采用基于SVM分類的區(qū)域生長算法，提取城市建成區(qū)范圍，并輸出到結(jié)果影像中。進一步地，所述步驟1包括下述步驟：(1)選取某一城市范圍，下載相近時間的SuomiNPP衛(wèi)星的VIIRS夜間燈光遙感影像數(shù)值NTL和植被指數(shù)遙感影像數(shù)值NDVI，并采樣到相同的空間分辨率，根據(jù)地理位置進行空間配準，然后裁切成相同大小的影像數(shù)據(jù)；(2)對照相近時間的高分辨率遙感影像，包括資源三號衛(wèi)星、高分二號衛(wèi)星、WorldView-2衛(wèi)星遙感影像，隨機選取城區(qū)和非城區(qū)的樣本，保存到文本文件中，作為支持向量機SVM分類預測的交叉驗證樣本，該交叉驗證樣本文件中每個樣本保存在一行：<label><1>:<value1><2>:<value2>(1)其中，label為樣本標簽，取值為0或1，0代表非城區(qū)樣本，1代表城區(qū)樣本，標簽由高分辨率遙感影像確定；value1代表該樣本的夜間燈光遙感影像數(shù)值NTL；value2代表該樣本的植被指數(shù)遙感影像數(shù)值NDVI。進一步地，所述步驟2基于粒子群優(yōu)化算法，采用不同的夜間燈光數(shù)據(jù)閾值，確定城區(qū)樣本種子和非城區(qū)樣本，包括下述步驟：(1)粒子群參數(shù)初始化：采用基于SVM分類的區(qū)域生長算法實現(xiàn)對城市建成區(qū)范圍的提取，用于訓練的城區(qū)樣本和非城區(qū)樣本均包含夜間燈光遙感影像數(shù)值NTL和植被指數(shù)遙感影像數(shù)值NDVI兩維特征值，城區(qū)初始種子樣本和非城區(qū)樣本的確定受夜間燈光遙感影像NTL閾值的影響，引入粒子群優(yōu)化算法PSO對城區(qū)初始種子樣本和非城區(qū)樣本的NTL閾值參數(shù)進行優(yōu)化；在粒子群優(yōu)化算法PSO中，選擇城區(qū)初始種子樣本和非城區(qū)樣本的夜間燈光遙感影像數(shù)值NTL閾值參數(shù)作為粒子的變量參數(shù)，每個粒子位置屬性X(s1,s2),s1代表城區(qū)初始種子樣本的夜間燈光遙感影像數(shù)值NTL閾值，s2代表非城區(qū)樣本的夜間燈光遙感影像數(shù)值NTL閾值；采用粒子群優(yōu)化算法PSO在搜索空間中搜尋最優(yōu)解時，每個粒子的狀態(tài)由粒子的速度和位置決定，采用隨機函數(shù)對每個粒子的位置和速度進行初始化處理，粒子群的初始化位置和速度分別為：Xi(s1,s2)和Vi(s1,s2)，其中i代表第i個粒子；(2)根據(jù)粒子群初始化參數(shù)，提取城區(qū)種子樣本和非城區(qū)樣本。進一步地，所述步驟(2)中，城區(qū)種子樣本提取包括：將輸入影像范圍劃分為尺寸n×n的小塊，當影像的寬高不能被整除時，影像尾端的分塊尺寸小于n×n；搜尋每塊范圍影像的夜間燈光遙感影像數(shù)值NTL最大值，且當最大值大于s1時，即選取此位置對應(yīng)夜間燈光遙感影像數(shù)值NTL和植被指數(shù)遙感影像數(shù)值NDVI為城區(qū)種子樣本；非城區(qū)樣本選取包括：在整個輸入影像范圍內(nèi)進行搜索，當某個位置的植被指數(shù)遙感影像數(shù)值NDVI大于0.4且夜間燈光遙感影像數(shù)值NTL時，或者植被指數(shù)遙感影像數(shù)值NDVI小于0時，則將該位置對應(yīng)的夜間燈光遙感影像數(shù)值NTL和植被指數(shù)遙感影像數(shù)值NDVI選為非城區(qū)樣本。進一步地，所述步驟3包括下述步驟：(1)通過每一個粒子的參數(shù)，選取城區(qū)種子樣本和非城區(qū)樣本之后，采用支持向量機SVM對樣本進行訓練：支持向量機SVM模型采用以下核函數(shù)：1)線性核函數(shù)：K(xi,x)＝(xi·x)(2)2)徑向基核函數(shù)：K(xi,x)＝exp(-γ||xi-x||2)(3)式中：xi為輸入樣本、x為輸入向量、γ核函數(shù)參數(shù)；(2)采用訓練后的支持向量機SVM模型，對所有城區(qū)種子周圍3×3領(lǐng)域中的像元進行再分類，如果通過再分類沒有產(chǎn)生新的城區(qū)樣本，則完成支持向量機SVM模型訓練；如果通過再分類產(chǎn)生新的城區(qū)樣本，則將新增的城區(qū)樣本加入原有的城區(qū)樣本中，再采用支持向量機SVM進行訓練，直至不產(chǎn)生新的城區(qū)樣本，則完成支持向量機SVM模型訓練。進一步地，所述步驟4包括：當?shù)谝粋€粒子訓練出的支持向量機SVM模型，將該模型應(yīng)用到對交叉驗證樣本的預測，即采用交叉驗證CV方式，對支持向量機SVM模型的精度進行計算，分類精度如下式所示：f=cscs+us---(4)]]>式中：cs和us分別代表正確樣本數(shù)和錯分樣本數(shù)；最后返回步驟2和3，訓練下一個粒子的支持向量機SVM模型，計算基于該粒子參數(shù)的分類精度，直至完成每個粒子的分類精度計算。進一步地，所述步驟5包括下述步驟：(1)計算粒子群分類精度方差和最優(yōu)分類精度：設(shè)粒子群的粒子數(shù)目為n，fi為第i個粒子的分類精度，favg為粒子群目前的平均精度，σ2為粒子群的群體精度方差，σ2的定義為：σ2=1n2Σi=1n[fi-favgf]---(5)]]>其中，f為歸一化定標因子，f的取值采用如下公式：f=max{|fi-favg|},max{|fi-favg|}>11,others---(6)]]>群體適應(yīng)度方差σ2反映的是粒子群中所有粒子的收斂程度，σ2越小，則粒子群越趨于收斂，反之，則粒子群處于隨機搜索階段；粒子群最優(yōu)分類精度fG，是當前整個粒子群分類精度的極大值；(2)判斷粒子群是否滿足收斂條件：粒子群優(yōu)化算法最終達到收斂位置時，整個粒子群處于全局最優(yōu)值，利用分類精度方差和最優(yōu)分類精度來判斷是否收斂，收斂條件如下所示：σ2=0fG≥fT---(7)]]>式中，fT是預先設(shè)定的理論最優(yōu)分類精度；當粒子群位置滿足收斂條件時，則將粒子群最優(yōu)分類精度fG對應(yīng)的粒子參數(shù)輸出，作為粒子群優(yōu)化算法PSO訓練出來的最優(yōu)參數(shù)；否則，需要對粒子群的位置進行更新；(3)當粒子群不滿足收斂條件時，對粒子群的速度和位置進行更新：根據(jù)如下公式對粒子群的速度和位置進行更新：Vidt+1=wtVidt+c1r1(Pidt-Xidt)+c2r2(PGt-Xidt)Xidt+1=Xidt+Vidt+1---(8)]]>其中，t為當前迭代次數(shù)，Xi＝(Xi1,Xi2,…,Xid)為粒子群的位置，粒子群搜索空間為D維，則d＝1,2,…,D；Vi＝(Vi1,Vi2,…,Vid)為粒子群在空間中的飛行速度；c1和c2是兩個學習因子，r1和r2是取值范圍為[0,1]的隨機數(shù)；wt為慣性系數(shù)，隨著迭代次數(shù)而減小，公式如下：wt＝w0exp(-0.5t2)(9)(4)重新計算粒子群分類精度方差和最優(yōu)分類精度，并進行自適應(yīng)變異處理：當完成粒子群位置更新后，重新完成步驟2、3、4中的處理，計算出粒子群的分類精度方差和最優(yōu)分類精度，加入變異操作防止粒子群優(yōu)化算法PSO出現(xiàn)過早收斂的處理，即當粒子群當前位置滿足變異條件時，則進行變異處理，包括：設(shè)定一個變異算子Rm,Rm=M,σ2<σT2andfG<fT0,others---(10)]]>其次，通過隨機函數(shù)產(chǎn)生一個取值范圍在[0,1]之間的隨機數(shù)r，當r<Rm時，對粒子群當前的全局最優(yōu)值PGt進行如下的變異操作，PGt=PGt(1+0.5η)---(11)]]>其中，M和σT2為預先設(shè)定值，M和σT2的值越小，則變異幾率越??；反之，則變異幾率越大；η為服從(0,1)的高斯分布隨機變量；對粒子群的位置和速度進行更新，重新計算粒子群的分類精度方差和最優(yōu)分類精度，并判斷是否滿足收斂條件，如果滿足收斂條件，則將粒子群最優(yōu)分類精度fG對應(yīng)的粒子參數(shù)輸出，作為粒子群優(yōu)化算法PSO訓練出來的最優(yōu)參數(shù)；否則，需要對粒子群的位置進行更新，直至滿足收斂條件或達到迭代次數(shù)上限。進一步地，所述步驟6包括：通過粒子群優(yōu)化算法PSO優(yōu)化后的參數(shù)，重新選取城區(qū)城區(qū)種子樣本和非城區(qū)樣本，采用步驟3中基于支持向量機SVM分類的區(qū)域生長算法，采用支持向量機SVM對初始的城區(qū)和非城區(qū)樣本進行訓練，基于訓練好的支持向量機SVM模型，對所有城區(qū)種子周圍3×3領(lǐng)域中的像元進行再分類，如果通過再分類沒有產(chǎn)生了新的城區(qū)樣本，則輸出分類結(jié)果；如果通過再分類產(chǎn)生新的城區(qū)樣本，則將新增的城區(qū)樣本加入原有的城區(qū)樣本中，對支持向量機SVM模型進行更新，直至不產(chǎn)生新的城區(qū)樣本，則輸出分類結(jié)果；最后，將分類結(jié)果保存到城市影像中，完成城市建成區(qū)范圍智能化提取。與最接近的現(xiàn)有技術(shù)相比，本發(fā)明提供的技術(shù)方案具有的優(yōu)異效果是：本發(fā)明公開了一種基于夜間燈光數(shù)據(jù)的建成區(qū)智能化提取方法，包括：采用自適應(yīng)粒子群優(yōu)化算法，實現(xiàn)對VIIRS夜間燈光和MODIS植被指數(shù)影像樣本選取參數(shù)的最優(yōu)選??；基于SVM分類的區(qū)域生長算法，完成對SVM模型訓練，并采用交叉驗證方法對模型進行精度驗證；根據(jù)優(yōu)化后參數(shù)，確定城區(qū)樣本和非城區(qū)樣本，采用基于SVM分類的區(qū)域生長算法，提取城市建成區(qū)范圍。本發(fā)明從樣本選取源頭著手，進行樣本選取參數(shù)自適應(yīng)優(yōu)化，并采用SVM和區(qū)域生長算法，提高夜間燈光數(shù)據(jù)提高建成區(qū)范圍的處理效率和精度。附圖說明圖1是本發(fā)明提供的基于夜間燈光數(shù)據(jù)的建成區(qū)智能化提取方法的流程圖；圖2是本發(fā)明提供的交叉驗證樣本實例的示意圖；圖3是本發(fā)明提供的城市建成區(qū)效果示意圖。具體實施方式下面結(jié)合附圖對本發(fā)明的具體實施方式作進一步的詳細說明。以下描述和附圖充分地示出本發(fā)明的具體實施方案，以使本領(lǐng)域的技術(shù)人員能夠?qū)嵺`它們。其他實施方案可以包括結(jié)構(gòu)的、邏輯的、電氣的、過程的以及其他的改變。實施例僅代表可能的變化。除非明確要求，否則單獨的組件和功能是可選的，并且操作的順序可以變化。一些實施方案的部分和特征可以被包括在或替換其他實施方案的部分和特征。本發(fā)明的實施方案的范圍包括權(quán)利要求書的整個范圍，以及權(quán)利要求書的所有可獲得的等同物。在本文中，本發(fā)明的這些實施方案可以被單獨地或總地用術(shù)語“發(fā)明”來表示，這僅僅是為了方便，并且如果事實上公開了超過一個的發(fā)明，不是要自動地限制該應(yīng)用的范圍為任何單個發(fā)明或發(fā)明構(gòu)思。附圖1為本發(fā)明流程圖，本發(fā)明被適用于城市建成區(qū)范圍自動化提取，具體包括以下步驟：1、根據(jù)同一城市范圍的夜間燈光遙感影像、植被指數(shù)遙感影像和高分辨率遙感影像，制作待處理區(qū)域的影像和交叉驗證樣本。(1)選取某一城市范圍，下載相近時間的SuomiNPP衛(wèi)星的VIIRS夜間燈光(NTL)遙感影像和MODIS植被指數(shù)(NDVI)遙感影像，并采樣到相同的空間分辨率，根據(jù)地理位置進行空間配準，然后裁切成相同大小的影像數(shù)據(jù)。(2)對照相近時間的高分辨率遙感影像，如資源三號衛(wèi)星、高分二號衛(wèi)星、WorldView-2等衛(wèi)星遙感影像，隨機選取城區(qū)和非城區(qū)的樣本，保存到文本文件中，作為SVM分類預測的交叉驗證樣本。該交叉驗證樣本文件中每個樣本保存在一行，每行的格式如下所示，實例參見圖2。<label><1>:<value1><2>:<value2>(1)其中，label為樣本標簽，取值為0或1，0代表非城區(qū)樣本，1代表城區(qū)樣本，標簽由高分辨率遙感影像確定；value1代表該樣本的夜間燈光影像數(shù)值；value2代表該樣本的NDVI影像數(shù)值。2、初始化粒子群參數(shù)，根據(jù)每個粒子的參數(shù)，從夜間燈光和植被指數(shù)遙感影像中，選取城區(qū)種子樣本和非城區(qū)樣本。本步驟基于粒子群優(yōu)化算法(ParticleSwarmOptimization)，采用不同的夜間燈光數(shù)據(jù)閾值，確定城區(qū)樣本種子和非城區(qū)樣本。包括以下步驟：(1)粒子群參數(shù)初始化。本發(fā)明采用基于SVM分類的區(qū)域生長算法實現(xiàn)對城市建成區(qū)范圍的提取，用于訓練的城區(qū)樣本和非城區(qū)樣本均包含NTL和NDVI兩維特征值，而城區(qū)初始種子樣本和非城區(qū)樣本的確定易受NTL閾值的影響，因此本發(fā)明引入粒子群優(yōu)化算法對城區(qū)初始種子樣本和非城區(qū)樣本的NTL閾值參數(shù)進行優(yōu)化。在PSO算法中，選擇城區(qū)初始種子樣本和非城區(qū)樣本的NTL閾值參數(shù)作為粒子的變量參數(shù)，每個粒子位置屬性X(s1,s2),s1代表城區(qū)初始種子樣本的NTL閾值，s2代表非城區(qū)樣本的NTL閾值。采用PSO算法在搜索空間中搜尋最優(yōu)解時，每個粒子的狀態(tài)由粒子的速度和位置決定，本發(fā)明首先采用隨機函數(shù)對每個粒子的位置和速度進行初始化處理，粒子群的初始化位置和速度分別為：Xi(s1,s2)和Vi(s1,s2)，其中i代表第i個粒子。(2)根據(jù)粒子群初始化參數(shù)，提取城區(qū)種子樣本和非城區(qū)樣本。城區(qū)種子樣本提取方法：將輸入影像范圍劃分為尺寸(nxn)的小塊，當影像的寬高不能被整除時，影像尾端的分塊尺寸可能小于(nxn)；搜尋每塊范圍影像的NTL最大值，且當最大值大于s1時，即選取此位置對應(yīng)NTL和NDVI數(shù)值為城區(qū)種子樣本。非城區(qū)樣本選取方法：在整個輸入影像范圍內(nèi)進行搜索，當某個位置的NDVI值大于0.4且NTL值時，或者NDVI小于0時，則將該位置對應(yīng)的NTL和NDVI數(shù)值選為非城區(qū)樣本。3、針對每一個粒子，采用基于SVM分類的區(qū)域生長算法，根據(jù)城區(qū)種子領(lǐng)域像元的分類結(jié)果，判斷是否有新增的城區(qū)像元，如果新增像元數(shù)為0，則完成SVM模型訓練；如果新增像元數(shù)大于0，則更新城區(qū)種子，繼續(xù)訓練SVM模型。(1)通過每一個粒子的參數(shù)，選取城區(qū)種子樣本和非城區(qū)樣本之后，采用支持向量機(SVM)方法對樣本進行訓練。SVM的主要思想是建立一個超平面作為決策曲面,使得正例和反例之間的隔離邊緣被最大化。為了使算法模型能夠適應(yīng)線性和非線性兩種情況，本發(fā)明中，SVM模型采用了兩種常見的核函數(shù)，SVM算法編程實現(xiàn)采用了OpenCV3.0.0中的cv庫：1)線性核函數(shù)K(xi,x)＝(xi·x)(2)2)徑向基核函數(shù)K(xi,x)＝exp(-γ||xi-x||2)(3)式中：xi為輸入樣本、x為輸入向量、γ核函數(shù)參數(shù)。(2)采用訓練后的SVM模型，對所有城區(qū)種子周圍3x3領(lǐng)域中的像元進行再分類，如果通過再分類沒有產(chǎn)生了新的城區(qū)樣本，則完成SVM模型訓練；如果通過再分類產(chǎn)生了新的城區(qū)樣本，則將新增的城區(qū)樣本加入原有的城區(qū)樣本中，再采用SVM方法進行訓練，直至不產(chǎn)生新的城區(qū)樣本，則完成SVM模型訓練。4、根據(jù)步驟3訓練完成的SVM模型，采用交叉驗證樣本進行精度驗證，計算每模型的分類精度。當?shù)谝粋€粒子訓練出的SVM模型，將該模型應(yīng)用到對交叉驗證樣本的預測，即采用交叉驗證(CV，CrossValidation)方法，對分類模型的精度進行計算，分類精度如下式所示：f=cscs+us---(4)]]>上式中，cs和us分別代表正確樣本數(shù)和錯分樣本數(shù)。然后，返回步驟2和3，訓練下一個粒子的SVM模型，計算基于該粒子參數(shù)的分類精度，直至完成每個粒子的分類精度計算。5、根據(jù)粒子群最優(yōu)分類精度和精度方差，判斷是否滿足終止條件，如果滿足就輸出最優(yōu)參數(shù)；如果不滿足，則采用自適應(yīng)粒子群優(yōu)化算法更新粒子群參數(shù)，返回步驟2。(1)計算粒子群分類精度方差和最優(yōu)分類精度設(shè)粒子群的粒子數(shù)目為n，fi為第i個粒子的分類精度，favg為粒子群目前的平均精度，σ2為粒子群的群體精度方差，σ2的定義為：σ2=1n2Σi=1n[fi-favgf]---(5)]]>其中，f為歸一化定標因子，其作用是限制σ2的大小，f隨算法的進化而變化，f的取值采用如下公式：f=max{|fi-favg|},max{|fi-favg|}>11,others---(6)]]>群體適應(yīng)度方差σ2反映的是粒子群中所有粒子的收斂程度，σ2越小，則粒子群越趨于收斂，反之，則粒子群處于隨機搜索階段。此外，粒子群最優(yōu)分類精度fG，是當前整個粒子群分類精度的極大值。(2)判斷粒子群是否滿足收斂條件粒子群優(yōu)化算法最終達到收斂位置時，整個粒子群處于全局最優(yōu)值，本發(fā)明利用分類精度方差和最優(yōu)分類精度來判斷是否收斂，收斂條件如下所示：σ2=0fG≥fT---(7)]]>式中，fT是預先設(shè)定的理論最優(yōu)分類精度。當粒子群位置滿足收斂條件時，則將粒子群最優(yōu)分類精度fG對應(yīng)的粒子參數(shù)輸出，作為PSO算法訓練出來的最優(yōu)參數(shù)；否則，需要對粒子群的位置進行更新。(3)當粒子群不滿足收斂條件時，對粒子群的速度和位置進行更新。粒子群優(yōu)化算法的基本原理是將系統(tǒng)初始化為一組隨機解，通過迭代搜尋最優(yōu)值。當粒子群的初始參數(shù)不滿足收斂條件時，則需根據(jù)如下公式對粒子群的速度和位置進行更新：Vidt+1=wtVidt+c1r1(Pidt-Xidt)+c2r2(PGt-Xidt)Xidt+1=Xidt+Vidt+1---(8)]]>其中，t為當前迭代次數(shù)，Xi＝(Xi1,Xi2,…,Xid)為粒子群的位置，粒子群搜索空間為D維，則d＝1,2,…,D；Vi＝(Vi1,Vi2,…,Vid)為粒子群在空間中的飛行速度；c1和c2是兩個學習因子，r1和r2是取值范圍為[0,1]的隨機數(shù)；wt為慣性系數(shù)，隨著迭代次數(shù)而減小，公式如下：wt＝w0exp(-0.5t2)(9)(4)重新計算粒子群分類精度方差和最優(yōu)分類精度，并進行自適應(yīng)變異處理。當完成粒子群位置更新后，重新完成步驟2、3、4中的處理，計算出粒子群的分類精度方差和最優(yōu)分類精度，為了防止PSO算法出現(xiàn)過早收斂的現(xiàn)象，讓粒子群跳出局部最優(yōu)解，尋找全局最優(yōu)解，本發(fā)明，在傳統(tǒng)粒子群算法中，加入變異操作的處理，即當粒子群當前位置滿足變異條件時，則進行變異處理，具體方法如下。首先設(shè)定一個變異算子Rm,Rm=M,σ2<σT2andfG<fT0,others---(10)]]>上式中，M和σT2為預先設(shè)定值，M和σT2的值越小，則變異幾率越?。环粗?，則變異幾率越大。其次，通過隨機函數(shù)產(chǎn)生一個取值范圍在[0,1]之間的隨機數(shù)r，當r<Rm時，對粒子群當前的全局最優(yōu)值PGt進行如下的變異操作，PGt=PGt(1+0.5η)---(11)]]>其中，η為服從(0,1)的高斯分布隨機變量。然后，對粒子群的位置和速度進行更新，重新計算粒子群的分類精度方差和最優(yōu)分類精度，并判斷是否滿足收斂條件，如果滿足收斂條件，則將粒子群最優(yōu)分類精度fG對應(yīng)的粒子參數(shù)輸出，作為PSO算法訓練出來的最優(yōu)參數(shù)；否則，需要對粒子群的位置進行更新，直至滿足收斂條件或達到迭代次數(shù)上限。6、根據(jù)步驟5輸出的最優(yōu)參數(shù)，重新確定城區(qū)種子樣本和非城區(qū)樣本，采用基于SVM分類的區(qū)域生長算法，提取城市建成區(qū)范圍，并輸出到結(jié)果影像中。通過PSO算法優(yōu)化后的參數(shù)，重新選取城區(qū)城區(qū)種子樣本和非城區(qū)樣本，采用步驟3中“基于SVM分類的區(qū)域生長算法”，首先，采用SVM方法對初始的城區(qū)和非城區(qū)樣本進行訓練，其次，基于訓練好的SVM模型，對所有城區(qū)種子周圍3x3領(lǐng)域中的像元進行再分類，如果通過再分類沒有產(chǎn)生了新的城區(qū)樣本，則輸出分類結(jié)果；如果通過再分類產(chǎn)生了新的城區(qū)樣本，則將新增的城區(qū)樣本加入原有的城區(qū)樣本中，對SVM模型進行更新，直至不產(chǎn)生新的城區(qū)樣本，則輸出分類結(jié)果。最后，將分類結(jié)果保存到影像中，完成城市建成區(qū)范圍智能化提取。實施例以某一城市的NPP/VIIRS夜間燈光遙感數(shù)據(jù)和MODISNDVI數(shù)據(jù)為例，采用本發(fā)明中的算法對城市空間進行自動提取，原始遙感數(shù)據(jù)與處理結(jié)果之間的對比效果如圖3所示。以上實施例僅用以說明本發(fā)明的技術(shù)方案而非對其限制，盡管參照上述實施例對本發(fā)明進行了詳細的說明，所屬領(lǐng)域的普通技術(shù)人員依然可以對本發(fā)明的具體實施方式進行修改或者等同替換，這些未脫離本發(fā)明精神和范圍的任何修改或者等同替換，均在申請待批的本發(fā)明的權(quán)利要求保護范圍之內(nèi)。當前第1頁1 2 3