CN104933703A - 一种基于水体指数的亚像元级水体提取方法 - Google Patents
一种基于水体指数的亚像元级水体提取方法 Download PDFInfo
- Publication number
- CN104933703A CN104933703A CN201510268401.XA CN201510268401A CN104933703A CN 104933703 A CN104933703 A CN 104933703A CN 201510268401 A CN201510268401 A CN 201510268401A CN 104933703 A CN104933703 A CN 104933703A
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- land
- pixel
- sub
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于水体指数的亚像元级水体提取方法,包括以下步骤:1)水陆混合像元提取;2)水陆端元光谱选取;3)水体丰度估计。与现有技术相比,本发明既能准确提取出影像上以像元级形式存在的水体像元,又能提取出影像上以亚像元形式存在的细小水体信息,从而使得提取结果更加准确。
Description
技术领域
本发明涉及遥感影像的水体提取技术,尤其是涉及一种基于水体指数的亚像元级水体提取方法。
背景技术
目前基于遥感影像的水体提取研究基本上还停留在像元级基础上,而对于大部分遥感影像而言,很难实现遥感影像光谱分辨率和空间分辨率的双高。同时考虑到研究成本,现在的大部分水体提取应用研究主要还是基于中低分辨率的遥感影像而言,其能够适用于大面积水体提取的需求,但却无法实现精细化的水体提取。以应用最为广泛的TM遥感影像为例,其空间分辨率为30m,如果需要提取城市地区面积仅几百平米的池塘,以及宽度为10~20米的细小河流时,简单依靠像元级的水体提取则难以实现。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于水体指数的亚像元级水体提取方法,利用该方法进行水体提取,既能准确提取出影像上以像元级形式存在的水体像元,又能提取出影像上以亚像元形式存在的细小水体信息,从而使得提取结果更加准确。
本发明的目的可以通过以下技术方案来实现:
一种基于水体指数的亚像元级水体提取方法,其特征在于,包括以下步骤:
1)水陆混合像元提取;
2)水陆端元光谱选取;
3)水体丰度估计。
所述的步骤1)水陆混合像元提取具体为:
利用水体指数MNDWI将遥感影像分为纯净水体,纯净陆地以及水陆混合像元三部分。
所述的水体指数MNDWI具体为:
其中ρ(Green)表示地物在绿光波段上的反射率,ρ(MIR)表示地物在中红外波段上的反射率。
所述的步骤2)具体为:
利用遥感影像上邻近地物相似性原理,动态选取邻近纯净水体和邻近最优纯净陆地光谱作为水陆混合像元中水体端元和陆地端元的光谱。
所述的步骤3)具体为:利用全约束线性混合像元分解的方法对水陆混合像元中水体百分比含量进行估计。
与现有技术相比,本发明在像元级水体指数法水体提取的基础上,对亚像元级水体提取方法展开探索,获得了更高的水体提取精度。通过模拟实验和真实影像实验,可以看出该方法能够获得亚像元级水体提取精度,且在真实影像上亚像元级的细小水体提取上,该方法较像元级水体提取方法具有更好的提取效果。
附图说明
图1为本发明的流程图;
图2为本发明MNDWI水体指数值图像直方图;
图3为模拟影像各地物丰度及位置情况示意图,其中(a)为不透水层丰度示意图,(b)为植被丰度示意图,(c)为水体丰度示意图,(d)为模拟影像中各地物分布图;
图4为基于水体指数的混合像元提取结果;
图5为真实实验影像及实验结果示意图,其中(a)为实验影像图,(b)为真实水体区域图,(c)为MNDWI水体提取结果图,(d)为基于亚像元级水体提取结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
为了获得更精确的水体提取结果,本发明以亚像元级细小水体为提取目标,以Landsat OLI多光谱遥感影像为实验数据,对亚像元级水体提取方法展开探索,提出了一种新的基于水体指数的亚像元级水体提取方法,实验结果表明,该方法能够实现对亚像元级细小水体的准确提取。
如图1所示,本方法主要有以下三步组成:
(1)水陆混合像元提取
在对水陆混合像元进行水体百分数含量进行估计之前,首先要提取出含有水体的混合像元。在像元级水体提取方法中,利用水体指数对遥感影像进行波段计算时,指数值影像的直方图统计结果往往呈现出图2的特征,水体和陆地在水体指数值图像直方图统计中会形成两个区分度明显的波峰,两个波峰之间有一段过渡带,在对像元级水体提取时,通常选取过渡带中心作为水体阈值进行水陆分割,实际上,水体指数的原理是根据水体和陆地的光谱特征对水体信息进行增强,同时对陆地信息进行抑制,以此在影像上形成区分度明显的两类像元。对于水体指数值图像直方图统计两个峰值周围的像元,其像元光谱特征明显,一般为纯净的水体或纯净陆地像元,而在两峰之间过渡带上的像元,由于其像元光谱特征混淆,水体指数难以实现对其进行增强或抑制的效果,通过实验发现,该过渡带像元一般为水陆混合像元。在该方法中,选择水陆区分性能最好的水体指数MNDWI来进行水陆混合像元的提取。
(2)水陆端元选取
在传统的混合像元分解中,为了获得理想的分类结果,所选端元应当包含影像上所有地类(Adams等,2006)。而由于影像中一般含有大量混合像元,因此光谱类型复杂多样。已有的端元选取算法一般要先筛选出影像中纯净像元,再根据纯净像元确定端元光谱,算法往往较为复杂。除此之外,大部分的端元选取算法仅仅基于像元的光谱特征而忽视了遥感影像邻近像元之间的空间关系,因此所选端元往往不够准确。在本发明的亚像元级水体提取方法中,仅将地物端元分为水体端元和陆地端元两类,且它们都由混合像元的邻近像元所决定。因为像元之间的空间相似性与像元间的空间距离相关,因此设定了一定尺寸的空间窗以确定邻近像元的范围,通过实验比较,当窗口尺寸设置为9×9时能够获得较佳的实验结果。
通过上一节中的水陆混淆像元提取,遥感影像被分为了三部分:纯净水体像元、纯净陆地像元和水陆混合像元。纯净水体像元中,水体丰度即为100%,纯净陆地像元的水体丰度即为0,因此经过水陆混合像元提取后,只需在水陆混合像元上进行水体丰度估计即可。在遍历求解每一个水陆混合像元时,需要首先求得其水体端元光谱和陆地端元光谱。其中水体端元光谱为空间窗内所有水体像元光谱的平均值,而陆地端元光谱则是通过迭代选择窗内最优陆地像元光谱替代,最优陆地像元光谱即为与水体端元光谱构成混合像元分解模型残差最小。为防止窗内纯净陆地像元过少而使得端元选取不够准确情况,候选陆地端元光谱始终为81个纯净陆地像元,邻域窗不足像元部分则用上一个域窗中的纯净陆地像元替代。若邻域窗内不含纯净水体像元,则水体端元光谱选用上一个邻域窗计算所得的水体端元光谱。
(3)水体丰度估计
在线性混合像元分解模型中,混合像元光谱被认为是由各端元光谱根据端元在混合像元中所占比重线性加权组合而成。在本次亚像元级水体提取研究中,同样将混合像元光谱看作是由水体端元与陆地端元线性组合而成,同时需满足两个约束条件:(1)端元丰度之和为1,(2)端元丰度取值区间为0~1。混合像元分解模型定义如下:
ρm=ρl×fl+ρw×fw+σ (2)
fl+fw=1 (3)
0≤fw,fl≤1 (4)
其中p1、pw和pm分别表示陆地端元、水体端元以及混合像元的反射率,f1和fw表示陆地端元和水体端元的丰度,σ表示残差。根据公式(2)(3),水体丰度即为:
|σ|=min<0.1 (6)
在公式(5)中,pm为已知量,pw和p1根据上一节端元选取方法获得,当满足残差σ的一维范数最小且最小值小于0.1时,所求fw为混合像元水体丰度值,若残差σ的一维范数最小但不小于0.1,则令混合像元水体丰度值为0。
具体案例——基于水体指数的亚像元级水体提取方法实验验证
1模拟影像实验
1.1模拟影像生成
模拟影像的生成中,在Landsat OLI多光谱遥感影像上采样了水体、植被、不透水层三种地物的光谱,并通过线性模型将三种地物光谱合成为混合像元光谱,线性模型如下:
ρ=ρwfw+ρvfv+ρifi (7)
fw+fv+fi=100% (8)
fw,fv,fi∈[0,1] (9)
其中ρ为混合像元光谱值,ρw为水体端元光谱值,ρv为植被端元光谱值,ρi为不透水面光谱值,fw,fv和fi分别为水体,植被和不透水面的丰度值。在模拟尺寸为100×100遥感影像中,为贴近真实情况,模拟的纯净水体像元,陆地像元,水陆混合像元比例为2:7:1(即纯净水体像元为2000个,陆地像元为7000个,水陆混合像元为1000个),各种地物丰度采用随机生成的办法,满足每一个像元所有地物丰度之和为1。各端元丰度情况如图3所示。
1.2实验结果分析
由水陆混合像元提取方法,选用MNDWI水体指数对模拟影像进行波段运算,再根据指数值的直方图统计结果,手动选取出纯净陆地和纯净水体阈值。根据阈值可将影像分为纯净水体、纯净陆地以及水陆混合像元。提取结果如图4所示:
利用生产者精度评价基于水体指数的纯净水体,纯净陆地以及水陆混合像元的提取精度。生产者精度定义如公式(9),其中陆地提取精度为98.26%(存在少量漏提取),纯净水体提取精度为100%(存在误提取),混合像元提取精度为91.90%(存在部分漏提取)。提取的混合像元个数为1041个像元。
其中Sa表示分类结果中正确分类的像元个数,Si表示参考影像中该类别真实像元个数。
由上一步获得纯净水体像元和纯净陆地像元,根据前文介绍的端元选取方法,可确定水体端元光谱和候选陆地端元光谱。由于模拟影像中像元间不含有空间关系。因此在模拟影像的实验中,候选陆地端元光谱为实验中所获取的所有纯净陆地像元。在选取的水陆混合像元上计算水体丰度,定义均方根误差RMSE对其进行精度评价。均方根误差定义如下:
其中fw为实验结果中水体丰度值,ftrue为模拟影像中真实水体丰度值,Num为模拟影像像元个数。经过计算可得,水体丰度均方根误差为2.14%,水体提取精度达到了0.1个像元级。
2真实影像实验
实验数据为2014年4月10日获取的上海陆家嘴区域(东经121.497°,北纬31.242°)的Landsat OLI影像,影像尺寸为400×400。参考影像为获取时间为2014年4月14日的Google Earth高精度遥感影像,通过目视识别即可在参考影像上获取得到所有水体区域。实验影像、参考影像及水体提取结果如图5所示。
通过像元级图5(c)与亚像元级图5(d)水体提取结果比较可得,像元级水体提取方法在大面积的水体提取应用上,能够获得较好的结果,但对于城市区域细小水体的提取却会产生较大的漏提取误差。本文中基于亚像元级的水体提取方法能够改善对于细小水体提取时的漏提取情况,能够实现一定程度亚像元级水体提取。但通过实验结果图5(d)也能看出,由于城市区域地物类型复杂,且含有大量暗建筑物、阴影等与水体光谱极为相似的地物像元,因此提取结果中也存在部分对该类地物的混淆情况。同时,高低精度遥感影像的精确配准也将是研究重点之一。
现有的水体提取方法大多都是基于像元级的,而由于影像分辨率的限制,对于影像上一些细小水体往往难以提取。本发明在像元级水体指数法水体提取的基础上,对亚像元级水体提取方法展开探索,获得了更高的水体提取精度。通过模拟实验和真实影像实验,可以看出该方法能够获得亚像元级水体提取精度,且在真实影像上亚像元级的细小水体提取上,该方法较像元级水体提取方法具有更好的提取效果。
Claims (5)
1.一种基于水体指数的亚像元级水体提取方法,其特征在于,包括以下步骤:
1)水陆混合像元提取;
2)水陆端元光谱选取;
3)水体丰度估计。
2.根据权利要求1所述的一种基于水体指数的亚像元级水体提取方法,其特征在于,所述的步骤1)水陆混合像元提取具体为:
利用水体指数MNDWI将遥感影像分为纯净水体,纯净陆地以及水陆混合像元三部分。
3.根据权利要求2所述的一种基于水体指数的亚像元级水体提取方法,其特征在于,所述的水体指数MNDWI具体为:
其中ρ(Green)表示地物在绿光波段上的反射率,ρ(MIR)表示地物在中红外波段上的反射率。
4.根据权利要求1所述的一种基于水体指数的亚像元级水体提取方法,其特征在于,所述的步骤2)具体为:
利用遥感影像上邻近地物相似性原理,动态选取邻近纯净水体和邻近最优纯净陆地光谱作为水陆混合像元中水体端元和陆地端元的光谱。
5.根据权利要求1所述的一种基于水体指数的亚像元级水体提取方法,其特征在于,所述的步骤3)具体为:利用全约束线性混合像元分解的方法对水陆混合像元中水体百分比含量进行估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268401.XA CN104933703B (zh) | 2015-05-22 | 2015-05-22 | 一种基于水体指数的亚像元级水体提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268401.XA CN104933703B (zh) | 2015-05-22 | 2015-05-22 | 一种基于水体指数的亚像元级水体提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933703A true CN104933703A (zh) | 2015-09-23 |
CN104933703B CN104933703B (zh) | 2019-03-01 |
Family
ID=54120857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510268401.XA Active CN104933703B (zh) | 2015-05-22 | 2015-05-22 | 一种基于水体指数的亚像元级水体提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933703B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066210A (zh) * | 2016-06-12 | 2016-11-02 | 中国石油天然气股份有限公司 | 一种含油污染水体的识别方法及装置 |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN107688776A (zh) * | 2017-07-21 | 2018-02-13 | 同济大学 | 一种城市水体提取方法 |
CN111007039A (zh) * | 2019-11-29 | 2020-04-14 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
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 |
CN103363962A (zh) * | 2013-07-23 | 2013-10-23 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱影像的湖泊水储量遥感估算方法 |
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN103793907A (zh) * | 2013-12-12 | 2014-05-14 | 中国科学院深圳先进技术研究院 | 一种水体信息的提取方法及装置 |
CN103914692A (zh) * | 2014-04-21 | 2014-07-09 | 山东科技大学 | 一种用于煤矿周围地表水系的遥感识别方法 |
-
2015
- 2015-05-22 CN CN201510268401.XA patent/CN104933703B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
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 |
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN103363962A (zh) * | 2013-07-23 | 2013-10-23 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱影像的湖泊水储量遥感估算方法 |
CN103793907A (zh) * | 2013-12-12 | 2014-05-14 | 中国科学院深圳先进技术研究院 | 一种水体信息的提取方法及装置 |
CN103914692A (zh) * | 2014-04-21 | 2014-07-09 | 山东科技大学 | 一种用于煤矿周围地表水系的遥感识别方法 |
Non-Patent Citations (2)
Title |
---|
张新 等: "基于局部端元光谱表征的地表水体遥感自适应提取", 《光谱学与光谱分析》 * |
陈亮 等: "基于混合像元分解的水体面积提取算法", 《河海大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066210A (zh) * | 2016-06-12 | 2016-11-02 | 中国石油天然气股份有限公司 | 一种含油污染水体的识别方法及装置 |
CN106066210B (zh) * | 2016-06-12 | 2019-01-18 | 中国石油天然气股份有限公司 | 一种含油污染水体的识别方法及装置 |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN107688776A (zh) * | 2017-07-21 | 2018-02-13 | 同济大学 | 一种城市水体提取方法 |
CN107688776B (zh) * | 2017-07-21 | 2022-12-16 | 同济大学 | 一种城市水体提取方法 |
CN111007039A (zh) * | 2019-11-29 | 2020-04-14 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 |
CN111007039B (zh) * | 2019-11-29 | 2022-07-29 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104933703B (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery | |
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 | |
CN104915954B (zh) | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN110033499B (zh) | 一种基于Landsat OLI影像水体制图法 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN109447111B (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN104933703A (zh) | 一种基于水体指数的亚像元级水体提取方法 | |
CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
CN104408458A (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN106485737A (zh) | 基于线特征的点云数据与光学影像的自动配准融合方法 | |
Kassner et al. | Analysis of the solar potential of roofs by using official lidar data | |
CN104197933A (zh) | 一种望远镜视场中高星等滑动恒星的增强和提取方法 | |
CN106340005A (zh) | 基于尺度参数自动优化的高分遥感影像非监督分割方法 | |
CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
CN107688776A (zh) | 一种城市水体提取方法 | |
Pfeifer et al. | LiDAR data filtering and digital terrain model generation | |
Hu et al. | Building modeling from LiDAR and aerial imagery | |
CN108648200B (zh) | 一种间接的城市高分辨率不透水面提取方法 | |
Wan et al. | An assessment of shadow enhanced urban remote sensing imagery of a complex city–Hong Kong | |
CN106204596B (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 | |
Ding et al. | Study on building extraction from high-resolution images using Mbi | |
Li et al. | Automatic Road Extraction from High-Resolution Remote Sensing Image Based on Bat Model and Mutual Information Matching. | |
CN105631849A (zh) | 多边形目标的变化检测方法及装置 | |
Sidike et al. | Automatic building change detection through adaptive local textural features and sequential background removal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |