技術(shù)特征：

1.一種基于夜間燈光數(shù)據(jù)的建成區(qū)智能化提取方法，其特征在于，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(yàn)證樣本；

步驟2：初始化粒子群參數(shù)，根據(jù)每個(gè)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(duì)每個(gè)粒子，采用基于支持向量機(jī)SVM分類的區(qū)域生長(zhǎng)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(jī)SVM模型訓(xùn)練；如果新增像元數(shù)大于0，則更新城區(qū)種子，繼續(xù)訓(xùn)練支持向量機(jī)SVM模型；

步驟4：根據(jù)步驟3訓(xùn)練完成的支持向量機(jī)SVM模型，采用交叉驗(yàn)證樣本進(jìn)行精度驗(yàn)證，計(jì)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(zhǎng)算法，提取城市建成區(qū)范圍，并輸出到結(jié)果影像中。

2.如權(quán)利要求1所述的建成區(qū)智能化提取方法，其特征在于，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(shí)間的Suomi NPP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(jìn)行空間配準(zhǔn)，然后裁切成相同大小的影像數(shù)據(jù)；

(2)對(duì)照相近時(shí)間的高分辨率遙感影像，包括資源三號(hào)衛(wèi)星、高分二號(hào)衛(wèi)星、WorldView-2衛(wèi)星遙感影像，隨機(jī)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(jī)SVM分類預(yù)測(cè)的交叉驗(yàn)證樣本，該交叉驗(yàn)證樣本文件中每個(gè)樣本保存在一行：

<label><1>:<value1><2>:<value2> (1)

其中，label為樣本標(biāo)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(biāo)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。

3.如權(quán)利要求1所述的建成區(qū)智能化提取方法，其特征在于，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(zhǎng)算法實(shí)現(xiàn)對(duì)城市建成區(qū)范圍的提取，用于訓(xùn)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(duì)城區(qū)初始種子樣本和非城區(qū)樣本的NTL閾值參數(shù)進(jìn)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(gè)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(shí)，每個(gè)粒子的狀態(tài)由粒子的速度和位置決定，采用隨機(jī)函數(shù)對(duì)每個(gè)粒子的位置和速度進(jìn)行初始化處理，粒子群的初始化位置和速度分別為：X_i(s1,s2)和V_i(s1,s2)，其中i代表第i個(gè)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。

4.如權(quán)利要求3所述的建成區(qū)智能化提取方法，其特征在于，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(dāng)影像的寬高不能被整除時(shí)，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(dāng)最大值大于s1時(shí)，即選取此位置對(duì)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(gè)輸入影像范圍內(nèi)進(jìn)行搜索，當(dāng)某個(gè)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(shí)，或者植被指數(shù)遙感影像數(shù)值NDVI小于0時(shí)，則將該位置對(duì)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。

5.如權(quán)利要求1所述的建成區(qū)智能化提取方法，其特征在于，所述步驟3包括下述步驟：

(1)通過每一個(gè)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(jī)SVM對(duì)樣本進(jìn)行訓(xùn)練：

支持向量機(jī)SVM模型采用以下核函數(shù)：

1)線性核函數(shù)：

K(x_i,x)＝(x_i·x) (2)

2)徑向基核函數(shù)：

K(x_i,x)＝exp(-γ||x_i-x||²) (3)

式中：x_i為輸入樣本、x為輸入向量、γ核函數(shù)參數(shù)；

(2)采用訓(xùn)練后的支持向量機(jī)SVM模型，對(duì)所有城區(qū)種子周圍3×3領(lǐng)域中的像元進(jìn)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(jī)SVM模型訓(xùn)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(jī)SVM進(jìn)行訓(xùn)練，直至不產(chǎn)生新的城區(qū)樣本，則完成支持向量機(jī)SVM模型訓(xùn)練。

6.如權(quán)利要求1所述的建成區(qū)智能化提取方法，其特征在于，所述步驟4包括：當(dāng)?shù)谝粋€(gè)粒子訓(xùn)練出的支持向量機(jī)SVM模型，將該模型應(yīng)用到對(duì)交叉驗(yàn)證樣本的預(yù)測(cè)，即采用交叉驗(yàn)證CV方式，對(duì)支持向量機(jī)SVM模型的精度進(jìn)行計(jì)算，分類精度如下式所示：

$f=\frac{cs}{cs+us}---\left(4\right)$

式中：cs和us分別代表正確樣本數(shù)和錯(cuò)分樣本數(shù)；

最后返回步驟2和3，訓(xùn)練下一個(gè)粒子的支持向量機(jī)SVM模型，計(jì)算基于該粒子參數(shù)的分類精度，直至完成每個(gè)粒子的分類精度計(jì)算。

7.如權(quán)利要求1所述的建成區(qū)智能化提取方法，其特征在于，所述步驟5包括下述步驟：

(1)計(jì)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，f_i為第i個(gè)粒子的分類精度，f_avg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：

${\mathrm{\&sigma;}}^2=\frac{1}{n^2}\underset{i=1}{\overset{n}{\&Sigma;}}\&lsqb;\frac{f_i-f_{avg}}{f}\&rsqb;---\left(5\right)$

其中，f為歸一化定標(biāo)因子，f的取值采用如下公式：

$f=\left\{\begin{array}{c}max\left\{\right|f_i-f_{avg}\left|\right\},max\left\{\right|f_i-f_{avg}\left|\right\}\&gt;1\\ 1,others\end{array}\right.---\left(6\right)$

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(jī)搜索階段；

粒子群最優(yōu)分類精度f_G，是當(dāng)前整個(gè)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(dá)到收斂位置時(shí)，整個(gè)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：

$\begin{array}{c}{\mathrm{\&sigma;}}^2=0\\ f_G\&GreaterEqual;f_T\end{array}---\left(7\right)$

式中，f_T是預(yù)先設(shè)定的理論最優(yōu)分類精度；

當(dāng)粒子群位置滿足收斂條件時(shí)，則將粒子群最優(yōu)分類精度f_G對(duì)應(yīng)的粒子參數(shù)輸出，作為粒子群優(yōu)化算法PSO訓(xùn)練出來的最優(yōu)參數(shù)；否則，需要對(duì)粒子群的位置進(jìn)行更新；

(3)當(dāng)粒子群不滿足收斂條件時(shí)，對(duì)粒子群的速度和位置進(jìn)行更新：

根據(jù)如下公式對(duì)粒子群的速度和位置進(jìn)行更新：

$\begin{array}{c}{V}_{id}^{t+1}=w^t{V}_{id}^t+c_1{r}_1(P_{id}^t-X_{id}^t)+c_2{r}_2(P_G^t-X_{id}^t)\\ X_{id}^{t+1}=X_{id}^t+V_{id}^{t+1}\end{array}---\left(8\right)$

其中，t為當(dāng)前迭代次數(shù)，X_i＝(X_i1,X_i2,…,X_id)為粒子群的位置，粒子群搜索空間為D維，則d＝1,2,…,D；V_i＝(V_i1,V_i2,…,V_id)為粒子群在空間中的飛行速度；c₁和c₂是兩個(gè)學(xué)習(xí)因子，r₁和r₂是取值范圍為[0,1]的隨機(jī)數(shù)；w^t為慣性系數(shù)，隨著迭代次數(shù)而減小，公式如下：

w^t＝w₀exp(-0.5t²) (9)

(4)重新計(jì)算粒子群分類精度方差和最優(yōu)分類精度，并進(jìn)行自適應(yīng)變異處理：

當(dāng)完成粒子群位置更新后，重新完成步驟2、3、4中的處理，計(jì)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(dāng)粒子群當(dāng)前位置滿足變異條件時(shí)，則進(jìn)行變異處理，包括：

設(shè)定一個(gè)變異算子R_m,

$R_m=\left\{\begin{array}{c}M,{\mathrm{\&sigma;}}^2\&lt;{\mathrm{\&sigma;}}_T^{2}and{f}_G\&lt;f_T\\ 0,others\end{array}\right.---\left(10\right)$

其次，通過隨機(jī)函數(shù)產(chǎn)生一個(gè)取值范圍在[0,1]之間的隨機(jī)數(shù)r，當(dāng)r<R_m時(shí)，對(duì)粒子群當(dāng)前的全局最優(yōu)值P_G^t進(jìn)行如下的變異操作，

$P_G^t=P_G^t(1+0.5\mathrm{\&eta;})---\left(11\right)$

其中，M和σ_T²為預(yù)先設(shè)定值，M和σ_T²的值越小，則變異幾率越?。环粗?，則變異幾率越大；η為服從(0,1)的高斯分布隨機(jī)變量；

對(duì)粒子群的位置和速度進(jìn)行更新，重新計(jì)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f_G對(duì)應(yīng)的粒子參數(shù)輸出，作為粒子群優(yōu)化算法PSO訓(xùn)練出來的最優(yōu)參數(shù)；否則，需要對(duì)粒子群的位置進(jìn)行更新，直至滿足收斂條件或達(dá)到迭代次數(shù)上限。

8.如權(quán)利要求1所述的建成區(qū)智能化提取方法，其特征在于，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(jī)SVM分類的區(qū)域生長(zhǎng)算法，采用支持向量機(jī)SVM對(duì)初始的城區(qū)和非城區(qū)樣本進(jìn)行訓(xùn)練，基于訓(xùn)練好的支持向量機(jī)SVM模型，對(duì)所有城區(qū)種子周圍3×3領(lǐng)域中的像元進(jìn)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(duì)支持向量機(jī)SVM模型進(jìn)行更新，直至不產(chǎn)生新的城區(qū)樣本，則輸出分類結(jié)果；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。