CN101980294A - 基于遥感图像的黄河凌汛检测方法 - Google Patents
基于遥感图像的黄河凌汛检测方法 Download PDFInfo
- Publication number
- CN101980294A CN101980294A CN2010102928581A CN201010292858A CN101980294A CN 101980294 A CN101980294 A CN 101980294A CN 2010102928581 A CN2010102928581 A CN 2010102928581A CN 201010292858 A CN201010292858 A CN 201010292858A CN 101980294 A CN101980294 A CN 101980294A
- Authority
- CN
- China
- Prior art keywords
- ice
- image
- snow
- river
- yellow river
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感图像的黄河凌汛检测方法,用于解决现有的NDSI检测方法准确度差的技术问题。技术方案是首先对MODIS数据进行预处理,包括几何校正、云剔除和影像裁剪;其次使用区域增长的方法对影像中的河流区域进行粗分割;最后对河流区域内使用NDSI检测方法与聚类法相结合的方法对冰雪与水进行区分,得到黄河凌汛信息并给出预警,提高了黄河凌汛检测方法准确度。
Description
技术领域
本发明涉及一种黄河凌汛检测方法,特别是基于遥感图像的黄河凌汛检测方法。
背景技术
黄河流域东西南北跨度大,地形地貌相差悬殊,使黄河干支流每年冬季都有程度不同的冰情现象出现。这些冰情除对冬季的水运交通、供水、发电及水工建筑物等有直接影响外,尤其在河流中出现冰塞、冰坝这种特殊冰情以后,还会导致河道中冰凌泛滥成灾,严重影响着黄河周围居民的生命及财产安全。
现有的凌汛检测方法主要分为三大类:第一种是人工及半自动阈值判别方法,由于遥感图像获得的环境等因素的不同,导致判别冰雪的阈值存在不唯一性,需要人工进行多阈值的选定,因此这样的冰雪提取方法完全依赖于选取阈值人员的经验,也就导致通过这种方法处理的结果存在极大的经验成分及不一致性;第二种是基于监督或聚类的分类方法,主要由于遥感图像中大都存在空间分辨率较低的问题,导致图像中每个像素实际上都不是一个纯净的像元,因此在非监督分类法对这种混合像元进行处理的时候,就达不到预期的聚类结果;第三种是基于归一化积雪指数(NDSI)冰雪分类方法,由于这种方法主要依靠冰雪多个波段的反射特征对冰雪进行提取,可以自动鉴别冰雪,非常适合用于绘制大面积的雪盖制图,也是目前检测冰雪使用较多的方法,但由于冰雪与水光谱曲线较为相似,导致基于归一化积雪指数的方法存在冰雪与水的混分现象。
发明内容
为了克服现有的NDSI检测方法准确度差的不足,本发明提供一种基于遥感图像的黄河凌汛检测方法,该方法首先对MODIS数据进行预处理,包括几何校正、云剔除和影像裁剪;其次使用区域增长的方法对影像中的河流区域进行粗分割;最后对河流区域内使用NDSI检测方法与聚类法相结合的方法对冰雪与水进行区分,得到黄河凌汛信息并给出预警,可以提高黄河凌汛检测方法准确度。
本发明解决其技术问题所采用的技术方案:一种基于遥感图像的黄河凌汛检测方法,其特点是包括下述步骤:
(a)对MODIS影像数据进行辐射校正、Bow-tie校正处理、影像配准、云剔除和影像裁剪;
(b)选定需要生长的种子像素点,把这个像素点同周围的4-邻域或8-邻域点比较,若小于阈值,则合并到同一区域,并对合并的地物点赋予该区域的标记;
从新合并的地物点开始,反复进行邻域点比较合并操作,直到不能合并为止,所有合并到种子像素的像元即为要生长的区域,得到粗略的河流区域图;
(c)通过冰雪在MODIS数据中第4波段和第6波段的反射率提取冰雪特征:
NDSI=(R4-R6)/(R4+R6) (3-1)
式中,R4是第4波段的反射率值;R6是第6波段反射率值;
通过聚类法提取冰雪特征:
Step 3:计算各聚类中心的新向量值
式中,nj是Sj中所包含的样本数;
本发明的有益效果是:由于首先对MODIS数据进行预处理,包括几何校正、云剔除和影像裁剪;其次使用区域增长的方法对影像中的河流区域进行粗分割;最后对河流区域内使用NDSI检测方法与聚类法相结合的方法对冰雪与水进行区分,得到黄河凌汛信息并给出预警,提高了黄河凌汛检测方法准确度。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
附图是本发明基于遥感图像的黄河凌汛检测方法流程图。
具体实施方式
参照附图。1、MODIS遥感数据的预处理。
1)几何校正。
●辐射校正。
辐射校正主要包括太阳高度角订正和日地距离订正。太阳高度角的实质是将不同时间获取的影像数据都进行归一化处理,并假定太阳在对每一观测点成像时总在其正上方天顶处,具体是将实测值除以该点的太阳天顶角余弦。日地距离订正主要是订正由于不同季节的日地距离不同导致成像误差的问题,由于太阳的辐射量与日地距离的平凡成反比,故在理想情况下,太阳高度角订正与日地距离订正可表示为:
E=E0cosθ/d2 (1-1)
公式主要用于订正参数E。其中E为归一化的太阳辐照度;E0为平均日地距离时的太阳辐照度。θ为太阳天顶角;d为日地距离。一般地,公式中的E0为常数,可以从原始影像数据中获得,d是跟季节相关的变量。
●Bow-tie校正处理。
Bow-tie效应又称“蝴蝶结”效应,表现为相邻两个扫描行之间有部分数据相同,越向边缘重复数据越多,导致遥感影像数据失真。MODIS扫描角度为±55°,对应地面宽度为2330km。由于地球曲率的影响和扫描角度的增大,越靠近边缘像元代表的地物尺寸越大,在影响边缘处一个像元的尺寸已增大到约40×20km,相邻的扫描行之间有10km的重叠,这样就产生了“蝴蝶结”现象。对于1km分辨率的MODIS数据而言,在角度大约25度时开始有重叠,分辨率250m的数据在17度时就有了重叠,同时角度越大,这种重叠现象也就越严重。Bow-tie校正处理是消除MODIS遥感影像中扫描条带错位现象的过程。
●影像配准。
由于1km分辨率MODIS数据本身带有对应象素点的经纬度信息,并以波段的形式存放,可以通过这些经纬度信息校正影像,根据MODIS数据中的地理信息对影像进行配准定位,其基本原理就是将图像中的每个像素对应一个经纬度坐标。实际应用中,由于分辨率1km的图像(1354×1020)其对应的经纬度数据大小为271×204,而分辨500m(2708×2040)的图像其对应的经纬度数据大小为677×610,因此如果直接用经纬度层数据来校正黄河流域分辨率为500m的MODIS数据涉及数据尺寸不匹配的问题,解决方法是将经纬度数据进行重采样,是重采样后的数据分辨率同图像一样大,同样也可以将图像重采样使之同经纬度数据分辨率一样小,但为了保证MODIS数据空间分辨率的优势,采用对经纬度数据重采样,进行内插,构建地理位置查找表文件,得到和黄河流域MODIS数据同样尺寸的经纬度数据层,根据坐标值将此像素放在相应的位置上,从而达到不同分辨率影像配准的目的。
2)云剔除。
云剔除可通过前面分析的冰雪与云的光谱差异来进行区分。在近红外波段,冰雪反射率下降很快,反射率较低,而云在可见光和近红外部分一般都具有较高的反射率,因此可利用冰雪与云在近红外波段反射率的差异进行两者的区分。
3)影像裁剪。
在完成以上预处理后,校正后的影像即为标准影像。但由于对整个MODIS影像数据进行处理运算量非常大,故在这里对校正后的影像进行影像裁剪,以便后续处理。影像裁剪是指从原始大范围的整景影像得到研究区较小范围遥感影像的过程,包括规则范围的裁剪和不规则范围的裁剪。规则裁剪包括矩形形状的影像。不规则裁剪包括不规则多边形范围的遥感影像。本文采取规则裁剪的方式得到400×400的黄河宁蒙河段数据影像。
1.河段粗提取。
在对黄河河道进行冰雪特征提取前,首先应该对实验图像进行河流的粗分割,只有得到河流区域,才能使后续的冰雪提取实验更加有效、准确。这里使用对种子像元或区域使用区域增长算法来实现河段的粗提取。区域增长是一种在实际中受到广泛应用的图像分割方法,其基本思想是将具有相似性质的象素集中起来构成区域,该方法需要先选择一个种子点,然后将种子点周围的相似象素合并到种子点象素所属的区域中。按照聚类准则的不同可以将区域增长分割分为两大类:统计一致性分割与语义一致(或均匀)的分割,前者强调把图像分割成统计意义具有一致性的区域,而后者把图像分割成统计意义上可能并不具有一致性,但在应用中更有意义的区域。本文使用前者的统计意义,即一般意义下的区域分割。
区域分割的算法步骤如下:
(1)选定需要生长的种子像素点,把这个点同周围的4-邻域或8-邻域点比较,若小于阈值,则合并到同一区域,并对合并的地物点赋予该区域的标记;
(2)从新合并的地物点开始,反复进行邻域点比较合并操作,直到不能合并为止;
(3)所有合并到种子像素的像元即为要生长的区域,算法完毕。
经过对感兴趣区域的区域增长算法得到粗略的河流区域图。
2.基于NDSI指数与聚类法相结合的冰雪特征提取。
NDSI运用了冰雪在可见光部分,尤其是蓝光部分具有极高的反射率;在近红外波段,冰雪的反射率加速下降,且反射率很低这一光谱特性来区分河道中的冰雪及其他地物的。NDSI通过冰雪在MODIS数据中第4波段(0.545-0.565μm)和第6波段(1.628-1.652μm)的反射率计算得到:
NDSI=(R4-R6)/(R4+R6) (3-1)
K-均值算法能使所有样本到聚类中心的距离平方和最小。K均值聚类的基本思想是通过迭代,逐次逐样本移动各类的中心,直至得到最好的聚类结果为止。步骤如下:
Step 3:计算各聚类中心的新向量值
式中nj为Sj中所包含的样本数。
Claims (1)
1.一种基于遥感图像的黄河凌汛检测方法,其特征在于包括下述步骤:
(a)对MODIS影像数据进行辐射校正、Bow-tie校正处理、影像配准、云剔除和影像裁剪;
(b)选定需要生长的种子像素点,把这个像素点同周围的4-邻域或8-邻域点比较,若小于阈值,则合并到同一区域,并对合并的地物点赋予该区域的标记;
从新合并的地物点开始,反复进行邻域点比较合并操作,直到不能合并为止,所有合并到种子像素的像元即为要生长的区域,得到粗略的河流区域图;
(c)通过冰雪在MODIS数据中第4波段和第6波段的反射率提取冰雪特征:
NDSI=(R4-R6)/(R4+R6) (3-1)
式中,R4是第4波段的反射率值;R6是第6波段反射率值;
通过聚类法提取冰雪特征:
Step 3:计算各聚类中心的新向量值
式中,nj是Sj中所包含的样本数;
Step 4:如果则回到Step 2,将全部样本n重新分类,重复迭代计算;否则,结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102928581A CN101980294A (zh) | 2010-09-25 | 2010-09-25 | 基于遥感图像的黄河凌汛检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102928581A CN101980294A (zh) | 2010-09-25 | 2010-09-25 | 基于遥感图像的黄河凌汛检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101980294A true CN101980294A (zh) | 2011-02-23 |
Family
ID=43600795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102928581A Pending CN101980294A (zh) | 2010-09-25 | 2010-09-25 | 基于遥感图像的黄河凌汛检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101980294A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077592A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN105758806A (zh) * | 2016-02-04 | 2016-07-13 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱特征的地膜覆盖农田遥感监测方法 |
CN105913430A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱遥感图像的黄河主溜信息协同提取方法 |
JP2017198464A (ja) * | 2016-04-25 | 2017-11-02 | 三菱電機株式会社 | 画像処理装置及び画像処理方法 |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN115877420A (zh) * | 2022-10-17 | 2023-03-31 | 中国人民解放军61540部队 | 一种基于静止卫星的定位方法、系统、电子设备及介质 |
-
2010
- 2010-09-25 CN CN2010102928581A patent/CN101980294A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077592B (zh) * | 2013-03-27 | 2017-02-08 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
CN104077592A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
CN105678280B (zh) * | 2016-02-04 | 2020-06-16 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN105758806A (zh) * | 2016-02-04 | 2016-07-13 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱特征的地膜覆盖农田遥感监测方法 |
CN105678281B (zh) * | 2016-02-04 | 2020-06-16 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN105913430A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱遥感图像的黄河主溜信息协同提取方法 |
CN105913430B (zh) * | 2016-04-12 | 2019-01-15 | 西北工业大学 | 基于多光谱遥感图像的黄河主溜信息协同提取方法 |
JP2017198464A (ja) * | 2016-04-25 | 2017-11-02 | 三菱電機株式会社 | 画像処理装置及び画像処理方法 |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111160311B (zh) * | 2020-01-02 | 2022-05-17 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN115877420A (zh) * | 2022-10-17 | 2023-03-31 | 中国人民解放军61540部队 | 一种基于静止卫星的定位方法、系统、电子设备及介质 |
CN115877420B (zh) * | 2022-10-17 | 2023-10-10 | 中国人民解放军61540部队 | 一种基于静止卫星的定位方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101980294A (zh) | 基于遥感图像的黄河凌汛检测方法 | |
Dai et al. | Coastline extraction from repeat high resolution satellite imagery | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
Paul et al. | A new glacier inventory for the Svartisen region, Norway, from Landsat ETM+ data: challenges and change assessment | |
CN104992434B (zh) | 根据历史卫星图像在当前卫星图像上进行台风定位的方法 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN106295562A (zh) | 一种高分辨率遥感影像道路信息提取方法 | |
CN104504718B (zh) | 高分辨率航空遥感数据自动道路提取方法 | |
CN109993237A (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN110645961B (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
Baumann et al. | Updated inventory of glacier ice in New Zealand based on 2016 satellite imagery | |
CN106971156A (zh) | 一种基于面向对象分类的稀土开采区遥感信息提取方法 | |
CN109961470B (zh) | 一种基于激光点云的活立木叶属性精准估测方法 | |
CN103824077A (zh) | 一种基于多源遥感数据的城市不透水层率息提取方法 | |
CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
CN105374041A (zh) | 利用多期遥感影像提取砂质岸线的方法 | |
CN108550174A (zh) | 一种基于半全局优化的海岸线超分辨率制图方法及系统 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN114549998A (zh) | 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN104573662B (zh) | 一种云判方法和系统 | |
Kadhim et al. | Shadow detection from very high resoluton satellite image using grabcut segmentation and ratio-band algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110223 |