CN102231190A - 冲洪积扇信息的自动提取方法 - Google Patents

冲洪积扇信息的自动提取方法 Download PDF

Info

Publication number
CN102231190A
CN102231190A CN 201110191094 CN201110191094A CN102231190A CN 102231190 A CN102231190 A CN 102231190A CN 201110191094 CN201110191094 CN 201110191094 CN 201110191094 A CN201110191094 A CN 201110191094A CN 102231190 A CN102231190 A CN 102231190A
Authority
CN
China
Prior art keywords
remote sensing
image
alluvial
index
gray level
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.)
Granted
Application number
CN 201110191094
Other languages
English (en)
Other versions
CN102231190B (zh
Inventor
冯光胜
杨树文
高山
顾湘生
李小和
赵新益
曹柏树
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN 201110191094 priority Critical patent/CN102231190B/zh
Publication of CN102231190A publication Critical patent/CN102231190A/zh
Application granted granted Critical
Publication of CN102231190B publication Critical patent/CN102231190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种冲洪积扇信息的自动提取方法，包括如下步骤：(1)计算遥感影像中地物的遥感提取指数、植被指数和湿度指数，并分别生成遥感提取指数灰度图像、植被指数灰度图像和湿度指数灰度图像；(2)将所述遥感提取指数灰度图像、所述植被指数灰度图像和所述湿度指数灰度图像合成彩色合成图像；(3)对所述彩色合成图像进行主成分变换并提取第一主成分生成第一主成分灰度图像；(4)对所述第一主成分灰度图像进行阈值分割，得到冲洪积扇的二值图像，从而提取出冲洪积扇信息。本发明能准确将冲洪积扇信息提取出来，且提取的精度高、提取的速度快。

Description

冲洪积扇信息的自动提取方法
技术领域
本发明涉及地物信息遥感提取领域，尤其涉及一种冲洪积扇信息的自动提取方法。
背景技术
冲洪积扇包括冲积扇和洪积扇，它们是由常年性河流、暂时性山地水流携带的沙、石、泥等固体物质在出山后，以山麓谷口为顶点向开阔地展布而形成的扇状堆积地貌，是冲积平原的组成部分。冲洪积扇在水资源、环境调查和评价中具有重要的应用和意义，同时冲洪积扇由于成因、组成颗粒的分选程度不同，因此在工程地质调查中非常重要。冲洪积扇是一个空间地理实体，其发育范围多在几十公里甚至更大，单靠地面调查研究其演变过程比较困难，利用遥感影像从宏观角度观察和分析其空间演变具有很好的效果。
目前，对冲洪积扇的遥感提取方法主要是以人工目视解译为主，辅以人机交互分类的方法。人工目视解译是一种人工提取信息的方法，使用眼睛目视观察，同时借助一些光学仪器火灾计算机显示屏幕上，凭借丰富的解译经验，扎实的专业知识和手头的相关资料，通过人脑的分析、推理和判断，提取有用的信息。
然而，一方面，由于采用人工目视解译的方法解译遥感图像是一个复杂的认知过程，往往需要经历几次反复解译才能得到正确的结果，一景数据多种灾害信息的解译往往需要几天甚至更长的时间，因而，该方法的效率比较低。另一方面，采用人工目视解译的方法解译遥感图像时，只有在遥感图像上存在着颜色或者明度的差异时，并且这种差异能为解译者视觉所区分，才有可能将地物目标与背景区别开，且这种方法的解译精度因人而异，会成解译成果的拼接，因而，该方法的译精度比较低。
因此，有必要提供一种冲洪积扇信息的自动提取方法克服上述缺陷。
发明内容
本发明的目的是提供一种冲洪积扇信息的自动提取方法，能准确将冲洪积扇信息提取出来，且提取的精度高、提取的速度快。
为了实现上述目的，本发明提供了一种冲洪积扇信息的自动提取方法，包括如下步骤：(1)计算遥感影像中地物的遥感提取指数、植被指数和湿度指数，并分别生成遥感提取指数灰度图像、植被指数灰度图像和湿度指数灰度图像；(2)将所述遥感提取指数灰度图像、所述植被指数灰度图像和所述湿度指数灰度图像合成彩色合成图像；(3)对所述彩色合成图像进行主成分变换并提取第一主成分生成第一主成分灰度图像；(4)对所述第一主成分灰度图像进行阈值分割，得到冲洪积扇的二值图像，从而提取出冲洪积扇信息。
较佳地，所述步骤(1)之前还包括：对通过卫星获得的遥感影像的五个波段进行大气校正预处理。
较佳地，所述卫星为TM卫星，遥感影像的所述五个波段为近红外波段、红光波段、绿光波段、蓝光波段和中红外波段，遥感影像为冲积扇的遥感影像或者洪积扇的遥感影像。
较佳地，所述步骤(1)具体为：(11)获取通过卫星检测的地物的红光波长、蓝光波长、近红外波长和绿光波长，并根据公式
Figure BDA0000074599260000021
计算遥感影像中地物的遥感提取指数并生成遥感提取指数灰度图像，其中，IAFI为遥感提取指数，λRED为遥感影像中地物的红光波长，λNIR为遥感影像中地物的近红外波长，λBLUE为遥感影像中地物的蓝光波长，λCREEN为遥感影像中地物的绿光波长；(12)获取通过卫星检测的地物的近红外波段反射率和红光波段反射率，并根据公式计算遥感影像中地物的归一化植被指数并生成植被指数灰度图像，其中，INDVI为归一化植被指数，ρNIR为遥感影像中地物的近红外波段反射率，ρRED为遥感影像中地物的红光波段反射率；(13)获取通过卫星检测的地物的中红外波段反射率和绿光波段反射率，并根据公式计算遥感影像中地物的湿度指数并生成湿度指数灰度图像，其中，INDMI为土壤亮度指数，ρGREEN为遥感影像中地物的绿光波段反射率，ρMIR为遥感影像中地物的中红外波段反射率。
较佳地，所述步骤(4)具体为：(41)对所述第一主成分灰度图像进行灰度值拉伸；(42)提取拉伸后的所述第一主成分灰度图像的灰度直方图，并通过所述灰度直方图计算分割阈值；(43)根据所述分割阈值，将所述第一主成分灰度图像进行二值化，得到冲洪积扇的二值图像，从而提取出冲洪积扇信息。
较佳地，所述步骤(41)具体为：将所述第一主成分灰度图像中的灰度值范围拉伸到0-255。
较佳地，所述步骤(42)具体为：获取拉伸后的所述第一主成分灰度图像的灰度直方图，通过迭代法计算所述灰度直方图的最大灰度值和最小灰度值，并选择两个最大灰度值之间的最小灰度值作为分割阈值。
较佳地，所述步骤(4)之后还包括：对所述冲洪积扇的二值图像进行形态学膨胀滤波、腐蚀滤波以及去噪处理。
与现有技术相比，本发明的方法通过计算遥感图像中的遥感提取指数、植被指数和湿度指数，从而增强了遥感图像中的冲洪积扇的灰度值，使冲洪积扇的灰度值与其他地物的灰度值的差异变大，消除了地形阴影的影响，因而，可通过阈值自动选取算法精确地选取分割阈值，从而将冲洪积扇信息准确地提取出来。另外，由于冲洪积扇信息的提取都是基于多峰直方图阈值自动选取算法实现自动提取的，因而，提取的精度高且提取的速度快。
通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。
附图说明
图1为本发明冲洪积扇信息的自动提取方法的主流程图。
图2为经过本发明冲洪积扇信息的自动提取方法的步骤S1-步骤S6处理后得到的冲积扇的第一主成分灰度图像。
图3为采用本发明冲洪积扇信息的自动提取方法的得到的冲积扇的二值图像。
图4为采用本发明冲洪积扇信息的自动提取方法的得到的洪积扇的二值图像。
具体实施方式
现在参考附图描述本发明的实施例，附图中类似的元件标号代表类似的元件。
如图1，本实施例冲洪积扇信息的自动提取方法包括如下步骤：
步骤S1，通过TM卫星拍摄目标地的冲积扇的遥感影像或者洪积扇的遥感影像，并对所述冲积扇的遥感影像或者洪积扇的遥感影像的近红外波段、红光波段、绿光波段、蓝光波段和中红外波段进行大气校正预处理；
步骤S2，获取通过卫星检测的地物的红光波长、蓝光波长、近红外波长和绿光波长，并根据公式
Figure BDA0000074599260000041
计算遥感影像中地物的遥感提取指数并生成遥感提取指数灰度图像，
其中，IAFI为遥感提取指数，λRED为遥感影像中地物的红光波长，λNIR为遥感影像中地物的近红外波长，λBLUE为遥感影像中地物的蓝光波长，λCREEN为遥感影像中地物的绿光波长；
步骤S3，获取通过卫星检测的地物的近红外波段反射率和红光波段反射率，并根据公式
Figure BDA0000074599260000051
计算遥感影像中地物的归一化植被指数并生成植被指数灰度图像，
其中，INDVI为归一化植被指数，ρNIR为遥感影像中地物的近红外波段反射率，ρRED为遥感影像中地物的红光波段反射率；
步骤S4，获取通过卫星检测的地物的中红外波段反射率和绿光波段反射率，并根据公式
Figure BDA0000074599260000052
计算遥感影像中地物的湿度指数并生成湿度指数灰度图像，
其中，INDMI为土壤亮度指数，ρGREEN为遥感影像中地物的绿光波段反射率，ρMIR为遥感影像中地物的中红外波段反射率；
步骤S5，将所述遥感提取指数灰度图像、所述植被指数灰度图像和所述湿度指数灰度图像合成彩色合成图像；
步骤S6，对所述彩色合成图像进行主成分变换并提取第一主成分生成第一主成分灰度图像；
步骤S7，将所述第一主成分灰度图像中的灰度值范围拉伸到0-255；
步骤S8，提取拉伸后的所述第一主成分灰度图像的灰度直方图，通过迭代法计算所述灰度直方图的最大灰度值和最小灰度值，并选择两个最大灰度值之间的最小灰度值作为分割阈值；
步骤S9，根据所述分割阈值，将所述第一主成分灰度图像进行二值化，得到冲洪积扇的二值图像，从而提取出冲洪积扇信息；
步骤S10，对所述冲洪积扇的二值图像进行形态学膨胀滤波、腐蚀滤波以及去噪处理。
如图2-3所示，冲积扇的遥感影像经过步骤S1-步骤S6的处理后，冲积扇与植被、水体、耕地及人工建筑等地物的光谱差异进一步增大。因而，利用阈值自动选取算法可简单、准确的提取冲积扇的图斑。提取的结果中会存在极少的道路，在后续计算中加入地形数据，可极为方便的剔除，不影响提取的精度。
如图4所示，洪积扇的遥感影像经过本发明的冲洪积扇信息的自动提取方法处理后，通过最终获得的洪积扇的二值图像，洪积扇的信息被精确地提取出。
由上可知，本发明的方法通过计算遥感图像中的遥感提取指数、植被指数和湿度指数，从而增强了遥感图像中的冲洪积扇的灰度值，使冲洪积扇的灰度值与其他地物的灰度值的差异变大，消除了地形阴影的影响，因而，可通过阈值自动选取算法精确地选取分割阈值，从而将冲洪积扇信息准确地提取出来。另外，由于冲洪积扇信息的提取都是基于多峰直方图阈值自动选取算法实现自动提取的，因而，提取的精度高且提取的速度快。
以上结合最佳实施例对本发明进行了描述，但本发明并不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。

Claims (8)

1.一种冲洪积扇信息的自动提取方法，包括如下步骤：
(1)计算遥感影像中地物的遥感提取指数、植被指数和湿度指数，并分别生成遥感提取指数灰度图像、植被指数灰度图像和湿度指数灰度图像；
(2)将所述遥感提取指数灰度图像、所述植被指数灰度图像和所述湿度指数灰度图像合成彩色合成图像；
(3)对所述彩色合成图像进行主成分变换并提取第一主成分生成第一主成分灰度图像；
(4)对所述第一主成分灰度图像进行阈值分割，得到冲洪积扇的二值图像，从而提取出冲洪积扇信息。
2.如权利要求1所述的冲洪积扇信息的自动提取方法，其特征在于，所述步骤(1)之前还包括：
对通过卫星获得的遥感影像的五个波段进行大气校正预处理。
3.如权利要求2所述的冲洪积扇信息的自动提取方法，其特征在于，所述卫星为TM卫星，遥感影像的所述五个波段为近红外波段、红光波段、绿光波段、蓝光波段和中红外波段，遥感影像为冲积扇的遥感影像或者洪积扇的遥感影像。
4.如权利要求1所述的冲洪积扇信息的自动提取方法，其特征在于，所述步骤(1)具体为：
(11)获取通过卫星检测的地物的红光波长、蓝光波长、近红外波长和绿光波长，并根据公式
Figure FDA0000074599250000011
计算遥感影像中地物的遥感提取指数并生成遥感提取指数灰度图像，
其中，IAFI为遥感提取指数，λRED为遥感影像中地物的红光波长，λNIR为遥感影像中地物的近红外波长，λBLUE为遥感影像中地物的蓝光波长，λCREEN为遥感影像中地物的绿光波长；
(12)获取通过卫星检测的地物的近红外波段反射率和红光波段反射率，并根据公式
Figure FDA0000074599250000021
计算遥感影像中地物的归一化植被指数并生成植被指数灰度图像，
其中，INDVI为归一化植被指数，ρNIR为遥感影像中地物的近红外波段反射率，ρRED为遥感影像中地物的红光波段反射率；
(13)获取通过卫星检测的地物的中红外波段反射率和绿光波段反射率，并根据公式
Figure FDA0000074599250000022
计算遥感影像中地物的湿度指数并生成湿度指数灰度图像，
其中，INDMI为土壤亮度指数，ρGREEN为遥感影像中地物的绿光波段反射率，ρMIR为遥感影像中地物的中红外波段反射率。
5.如权利要求1所述的冲洪积扇信息的自动提取方法，其特征在于，所述步骤(4)具体为：
(41)对所述第一主成分灰度图像进行灰度值拉伸；
(42)提取拉伸后的所述第一主成分灰度图像的灰度直方图，并通过所述灰度直方图计算分割阈值；
(43)根据所述分割阈值，将所述第一主成分灰度图像进行二值化，得到冲洪积扇的二值图像，从而提取出冲洪积扇信息。
6.如权利要求5所述的冲洪积扇信息的自动提取方法，其特征在于，所述步骤(41)具体为：
将所述第一主成分灰度图像中的灰度值范围拉伸到0-255。
7.如权利要求5所述的冲洪积扇信息的自动提取方法，其特征在于，所述步骤(42)具体为：
提取拉伸后的所述第一主成分灰度图像的灰度直方图，通过迭代法计算所述灰度直方图的最大灰度值和最小灰度值，并选择两个最大灰度值之间的最小灰度值作为分割阈值。
8.如权利要求1所述的冲洪积扇信息的自动提取方法，其特征在于，所述步骤(4)之后还包括：
对所述冲洪积扇的二值图像进行形态学膨胀滤波、腐蚀滤波以及去噪处理。
CN 201110191094 2011-07-08 2011-07-08 冲洪积扇信息的自动提取方法 Active CN102231190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110191094 CN102231190B (zh) 2011-07-08 2011-07-08 冲洪积扇信息的自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110191094 CN102231190B (zh) 2011-07-08 2011-07-08 冲洪积扇信息的自动提取方法

Publications (2)

Publication Number Publication Date
CN102231190A true CN102231190A (zh) 2011-11-02
CN102231190B CN102231190B (zh) 2012-10-31

Family

ID=44843753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110191094 Active CN102231190B (zh) 2011-07-08 2011-07-08 冲洪积扇信息的自动提取方法

Country Status (1)

Country Link
CN (1) CN102231190B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427305A (zh) * 2015-11-19 2016-03-23 国家海洋局北海预报中心 一种绿潮信息提取方法
CN105629325A (zh) * 2015-12-23 2016-06-01 中国石油大学(北京) 前陆盆地冲积扇精细刻画与预测方法
CN107256452A (zh) * 2017-05-23 2017-10-17 国家地理空间信息中心 基于高分卫星遥感数据的城镇化水平评价系统
CN108154068A (zh) * 2016-12-02 2018-06-12 航天星图科技（北京）有限公司 一种遥感影像中泥石流信息的提取方法
CN108875615A (zh) * 2018-06-07 2018-11-23 中国石油天然气股份有限公司 沉积区域遥感识别方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1710380A (zh) * 2005-07-01 2005-12-21 武汉大学 基于影像分割技术的立体影像行树三维信息提取方法
JP2006266858A (ja) * 2005-03-24 2006-10-05 Railway Technical Res Inst 硬質堆積岩地域の災害発生危険度評価方法
CN1924610A (zh) * 2005-09-01 2007-03-07 中国林业科学研究院资源信息研究所 利用陆地卫星数据反演森林郁闭度和蓄积量的方法
JP2011069757A (ja) * 2009-09-28 2011-04-07 Hitachi Solutions Ltd スペクトル解析装置
CN102032903A (zh) * 2010-12-01 2011-04-27 南京大学 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法
CN102054274A (zh) * 2010-12-01 2011-05-11 南京大学 一种海岸带水体遥感信息全自动提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006266858A (ja) * 2005-03-24 2006-10-05 Railway Technical Res Inst 硬質堆積岩地域の災害発生危険度評価方法
CN1710380A (zh) * 2005-07-01 2005-12-21 武汉大学 基于影像分割技术的立体影像行树三维信息提取方法
CN1924610A (zh) * 2005-09-01 2007-03-07 中国林业科学研究院资源信息研究所 利用陆地卫星数据反演森林郁闭度和蓄积量的方法
JP2011069757A (ja) * 2009-09-28 2011-04-07 Hitachi Solutions Ltd スペクトル解析装置
CN102032903A (zh) * 2010-12-01 2011-04-27 南京大学 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法
CN102054274A (zh) * 2010-12-01 2011-05-11 南京大学 一种海岸带水体遥感信息全自动提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《国土资源遥感》 20110615 杨树文等 一种利用TM图像自动提取洪积扇的方法 第65-69页 1-8 , 第2期 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427305A (zh) * 2015-11-19 2016-03-23 国家海洋局北海预报中心 一种绿潮信息提取方法
CN105427305B (zh) * 2015-11-19 2018-12-21 国家海洋局北海预报中心 一种绿潮信息提取方法
CN105629325A (zh) * 2015-12-23 2016-06-01 中国石油大学(北京) 前陆盆地冲积扇精细刻画与预测方法
CN105629325B (zh) * 2015-12-23 2018-03-16 中国石油大学(北京) 前陆盆地冲积扇精细刻画与预测方法
CN108154068A (zh) * 2016-12-02 2018-06-12 航天星图科技（北京）有限公司 一种遥感影像中泥石流信息的提取方法
CN107256452A (zh) * 2017-05-23 2017-10-17 国家地理空间信息中心 基于高分卫星遥感数据的城镇化水平评价系统
CN108875615A (zh) * 2018-06-07 2018-11-23 中国石油天然气股份有限公司 沉积区域遥感识别方法、装置、电子设备及存储介质
CN108875615B (zh) * 2018-06-07 2021-04-30 中国石油天然气股份有限公司 沉积区域遥感识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN102231190B (zh) 2012-10-31

Similar Documents

Publication Publication Date Title
Huang et al. Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms
CN103971115B (zh) 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法
CN102254174B (zh) 崩滑体中裸地信息的自动提取方法
Trier et al. Automatic detection of mound structures in airborne laser scanning data
Yang et al. River delineation from remotely sensed imagery using a multi-scale classification approach
Wang A multi-scale approach for delineating individual tree crowns with very high resolution imagery
Karami et al. Gully erosion mapping using object-based and pixel-based image classification methods
Yang et al. A multi-band watershed segmentation method for individual tree crown delineation from high resolution multispectral aerial image
CN102231190B (zh) 冲洪积扇信息的自动提取方法
Choi et al. UAV-based land cover mapping technique for monitoring coastal sand dunes
Waleed et al. An automated method for detection and enumeration of olive trees through remote sensing
Kadhim et al. Shadow detection from very high resoluton satellite image using grabcut segmentation and ratio-band algorithms
Ming et al. Cropland extraction based on OBIA and adaptive scale pre-estimation
Moradi et al. Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network
Carbonneau et al. Global mapping of river sediment bars
Tsendbazar Object based image analysis of geo-eye VHR data to model above ground carbon stock in Himalayan mid-hill forests, Nepal
CN106204596A (zh) 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
Ayazi et al. Comparison of traditional and machine learning base methods for ground point cloud labeling
Vukadinov et al. An algorithm for coastline extraction from satellite imagery
Ouerghemmi et al. Urban vegetation mapping using hyperspectral imagery and spectral library
Fawzy et al. AUTOMATIC INDICES BASED CLASSIFICATION METHOD FOR MAP UPDATING USING VHR SATELLITE IMAGES
CN109948556A (zh) 作物分类识别方法及系统
Dehkordi et al. Performance Evaluation of Temporal and Spatial-Temporal Convolutional Neural Networks for Land-Cover Classification (A Case Study in Shahrekord, Iran)
Saliola Object-based image analysis for the delineation of canopy gaps and individual tree crowns using multi-source data: A case study in Haliburton Forest, Ontario
CN109544558B (zh) 一种城市复杂环境下阴影与水体分离方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant