CN105138994A - 一种基于高光谱遥感图像的水华识别方法及装置 - Google Patents
一种基于高光谱遥感图像的水华识别方法及装置 Download PDFInfo
- Publication number
- CN105138994A CN105138994A CN201510549887.4A CN201510549887A CN105138994A CN 105138994 A CN105138994 A CN 105138994A CN 201510549887 A CN201510549887 A CN 201510549887A CN 105138994 A CN105138994 A CN 105138994A
- Authority
- CN
- China
- Prior art keywords
- value
- sensing
- image
- waters
- spectrum
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Abstract
本申请提供了一种基于高光谱遥感图像的水华识别方法及装置,获取高光谱遥感水域图像,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值,将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,将所述目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域,因为水体的叶绿素a光谱指数明显小于水华和水草,而水草的藻蓝蛋白基线值明显小于水华,可见,本实施例中,依据水华光谱的特性,实现识别水华区域的目的。
Description
技术领域
本申请涉及遥感图像处理领域,尤其涉及一种基于高光谱遥感图像的水华识别方法及装置。
背景技术
水华一般是指当浮游植物的生物量明显高于水体中的平均值时,在水体表面大量聚集,形成肉眼可见的藻类聚积体的现象,水华的暴发说明此时水环境已经遭受到严重富营养化污染。水草主要包含了能够长期生活在水中的挺水、沉水和漂叶植物,作为初级生产力,水草是生物多样化的重要组成部分,对内陆水体环境有改善作用。因此,水华与水草的监测对于内陆水体水环境的监管具有重要意义。
目前,利用遥感手段对水华水草进行宏观大范围长时间的遥感监测成为了一种需求,如何从遥感图像中识别出水华区域,成为目前亟待解决的问题。
发明内容
本申请提供了一种基于高光谱遥感图像的水华识别方法及装置,目的在于解决如何从遥感图像中识别出水华区域的问题。
为了实现上述目的,本申请提供了以下技术方案:
一种基于高光谱遥感图像的水华识别方法,包括:
获取高光谱遥感水域图像;
计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值,其中,所述叶绿素a光谱指数通过所述高光谱遥感水域图像中的第一波长值和第二波长值计算得到,叶绿素a光谱在所述第一波长值处具有反射谷,在所述第二波长值处具有发射峰;所述藻蓝蛋白基线通过所述高光谱遥感水域图像中的第三波长值、第四波长值和第五波长值计算得到,藻蓝蛋白在所述第三波长值处和所述第五波长值具有反射峰,在所述第四波长值处具有反射谷;
将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,所述目标区域包括水华和/或水草区域;
将所述目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域。
可选地,还包括:
如果所述高光谱遥感水域图像中不包括原始波长值,则使用所述高光谱遥感水域图像中最接近所述原始波长值的波长值代替所述原始波长值,所述原始波长值为所述第一波长值、所述第二波长值、所述第三波长值、所述第四波长值及所述第五波长值中的任意一个。
可选地,所述计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
使用所述高光谱遥感水域图像中的第64波段和第58波段,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,所述第64波段的中心波长值为713nm,所述第58波段的中心波长值为679nm。
可选地,所述计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,ρ为反射率。
可选地,所述计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
使用所述高光谱遥感水域图像中的第37波段、第49波段和第54波段,计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,所述第37波段的中心波长值为559nm、所述第49波段的中心波长值为627nm、所述第54波段的中心波长值为656nm。
可选地,所述计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
利用PBL=ρ(A3)-ρ(A4)+((A4-A3)/(A5-A3))*(ρ(A5)-ρ(A3))计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,ρ为反射率,A3为所述第三波长值,A4为所述第四波长值,A5为所述第五波长值。
可选地,所述第一阈值与所述第二阈值中任意一个的确定方法包括:
统计用户在所述高光谱遥感水域图像中选定的目标区域的参考值之间的区别,所述目标区域包括水体区域、水华区域和水草区域,所述参考值包括叶绿素a光谱指数值或藻蓝蛋白基线值;
依据所述区别,确定第一阈值或第二阈值。
一种基于高光谱遥感图像的水华识别装置,包括:
获取模块,用于获取高光谱遥感水域图像;
计算模块,用于计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值,其中,所述叶绿素a光谱指数通过所述高光谱遥感水域图像中的第一波长值和第二波长值计算得到,叶绿素a光谱在所述第一波长值处具有反射谷,在所述第二波长值处具有发射峰;所述藻蓝蛋白基线通过所述高光谱遥感水域图像中的第三波长值、第四波长值和第五波长值计算得到,藻蓝蛋白在所述第三波长值处和所述第五波长值具有反射峰,在所述第四波长值处具有反射谷;
第一识别模块,用于将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,所述目标区域包括水华和/或水草区域;
第二将别模块,用于将所述目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域。
可选地,还包括:
替换模块,用于如果所述高光谱遥感水域图像中不包括原始波长值,则使用所述高光谱遥感水域图像中最接近所述原始波长值的波长值代替所述原始波长值,所述原始波长值为所述第一波长值、所述第二波长值、所述第三波长值、所述第四波长值及所述第五波长值中的任意一个。
可选地,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
所述计算模块具体用于,使用所述高光谱遥感水域图像中的第64波段和第58波段,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,所述第64波段的中心波长值为713nm,所述第58波段的中心波长值为679nm。
可选地,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
所述计算模块具体用于,利用计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,ρ为反射率。
可选地,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
所述计算模块具体用于,使用所述高光谱遥感水域图像中的第37波段、第49波段和第54波段,计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,所述第37波段的中心波长值为559nm、所述第49波段的中心波长值为627nm、所述第54波段的中心波长值为656nm。
可选地,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
所述计算模块具体用于,利用PBL=ρ(A3)-ρ(A4)+((A4-A3)/(A5-A3))*(ρ(A5)-ρ(A3))计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,ρ为反射率,A3为所述第三波长值,A4为所述第四波长值,A5为所述第五波长值。
可选地,还包括:
阈值确定模块,用于统计用户在所述高光谱遥感水域图像中选定的目标区域的参考值之间的区别,所述目标区域包括水体区域、水华区域和水草区域,所述参考值包括叶绿素a光谱指数值或藻蓝蛋白基线值;并依据所述区别,确定第一阈值或第二阈值。
本申请所述的基于高光谱遥感图像的水华识别方法及装置,获取高光谱遥感水域图像,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值,将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,将所述目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域,因为水体的叶绿素a光谱指数明显小于水华和水草,而水草的藻蓝蛋白基线值明显小于水华,可见,本实施例中,依据水华光谱的特性,实现识别水华区域的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种基于高光谱遥感图像的水华识别方法的流程图;
图2为本申请实施例公开的又一种基于高光谱遥感图像的水华识别方法的流程图;
图3为本申请实施例公开的一种基于高光谱遥感图像的水华识别装置的结构示意图。
具体实施方式
本申请实施例公开的基于高光谱遥感图像的水华识别方法及装置,可以应用在使用遥感识别水华的场景中,其中高光谱图像是指光谱分辨率非常高(可见光波段通常达到10nm)且光谱连续的遥感图像。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开的一种基于高光谱遥感图像的水华识别方法,如图1所示,包括以下步骤:
S101:获取高光谱遥感水域图像;
S102:计算高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值;
其中,叶绿素a光谱指数通过高光谱遥感水域图像中的第一波长值和第二波长值计算得到,叶绿素a光谱在第一波长值处具有反射谷,在第二波长值处具有发射峰。
使用叶绿素a光谱指数作为甄别依据的原理为:水华和水草都属于植物,都含有叶绿素a,发明人在研究的过程中发现:叶绿素a在反射率光谱上面有2个明显的特征:一是红光(675nm附近)的反射谷,二是近红外(715-820nm)的高反射平台(反射峰)。由于水体在近红外光部分有强烈的吸收,所以普通水体的反射率光谱在近红外的值明显低于红光波段,因此,可以构建叶绿素a光谱指数CSI指数将水华水草与水体区别开来。
基于上述原理,CSI指数利用715nm波长(第一波长值)和675nm波长(第二波长值)进行计算,具体的计算公式为:
藻蓝蛋白基线通过高光谱遥感水域图像中的第三波长值、第四波长值和第五波长值计算得到,藻蓝蛋白在所述第三波长值处和所述第五波长值具有反射峰,在所述第四波长值处具有反射谷;
使用藻蓝蛋白基线作为识别依据的原理为:内陆水体中的水华主要是蓝藻形成的,蓝藻中含有藻蓝蛋白色素,发明人在研究的过程中发现:藻蓝蛋白色素在630nm(第四波长值)左右存在一个吸收峰,从而导致反射率曲线形成谷值。由于675nm左右也是一个反射谷,因此导致630nm和675nm(第五波长值)的中间(655nm附近)形成一个反射峰。555nm(第三波长值)左右是藻类的吸收作用形成的反射峰。水草中不含藻蓝蛋白,因此就没有630nm左右的反射谷和655nm左右的反射峰,由555nm左右的反射峰和655nm左右的反射峰的连线与630nm附近谷值间的垂直连线称之为藻蓝蛋白基线。
基于上述原理,利用如下公式计算藻蓝蛋白基线:
PBL=ρ(555)-ρ(630)+((630-555)/(655-555))*(ρ(655)-ρ(555))。
S103:将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域;
本实施例中,目标区域包括水华和/或水草区域。
S104:将目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域。
本申请所述的方法,利用水体、水草和水华的光谱反射率,以叶绿素a光谱指数区分水体和目标区域,再通过藻蓝蛋白基线值从目标区域中识别出水华区域,因此,实现了利用高光谱遥感图像的识别。
本申请实施例公开的又一种基于高光谱遥感图像的水华识别方法,如图2所示,包括以下步骤:
S201:获取高光谱遥感水域图像;
本实施例中,可通过海岸带高光谱成像仪(HyperspectralImagerfortheCoastalOcean,HICO)获取地表反射率水体区域图像,并且该地表反射率水体区域图像中可包含RGB波段组合。RGB波段组合主要是指红光(R)范围波段,绿光(G)范围波段和蓝光(B)范围波段的组合。
S202:对高光谱遥感水域图像进行预处理(包括几何校正、辐射校正、水陆分离和云识别);
可选的,本发明实施例可基于更高空间分辨率遥感图像进行几何校正,利用6S瑞利散射模型进行辐射校正,利用NDWI指数进行水陆分离以及采用红波段阈值进行云识别。
S203:使用预处理后的高光谱遥感水域图像中的第64波段和第58波段,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值;
发明人在研究的过程中发现,715nm波长(第一波长值)和675nm波长(第二波长值)为理论波长,在高光谱遥感水域图像中可能不存在严格的715nm波长(第一波长值)和675nm波长(第二波长值),因此,可以采用高光谱遥感水域图像中最接近两者的波长代替原始理论波长进行计算。
本实施例中,使用高光谱遥感水域图像的第64波段,其中心波长值为713nm,以及第58波段,其中心波长值为679nm计算叶绿素a光谱指数值。
S204:使用预处理后的高光谱遥感水域图像中的第37波段、第49波段和第54波段,计算高光谱遥感水域图像中每个像元的藻蓝蛋白基线值;
类似地,在高光谱遥感水域图像中不包括理论波长值的情况下,选用近似波长值进行计算。
其中,所述第37波段的中心波长值为559nm、所述第49波段的中心波长值为627nm、所述第54波段的中心波长值为656nm。
S205:获取人工勾选的水华、水草以及水体的典型区域;
具体地,用户可以在高光谱遥感水域图像的假彩色图像中(R、G、B分别选择近红外、红光和绿光波段)勾选水华、水草以及水体的典型区域。假彩色图像上面水华和水草为红色,水体为蓝色,因此便于进行水华和水草区域的识别。
S206:经过对典型区域进行统计分析,确定叶绿素a光谱指数值的阈值T1及藻蓝蛋白基线值阈值T2;
具体地,可以对典型区域的叶绿素a光谱指数值分别进行计算,得到不同区域的叶绿素a光谱指数值,经过统计分析,确定出可以区别出不同区域的阈值T1,使用同样方式确定T2。
S207:将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,所述目标区域包括水华和/或水草区域;
将水华水草作为一个整体从水体中识别出来,结果为二值图,水体区域的像素值为0,水华和/或水草区域的像素值为1。
S208:将目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域。
即在二值图中,将水华区域识别出来。
本实施例提供的方法,利用遥感数据对水华水草进行宏观监测,发挥了卫星遥感环境监测的优势;同时基于HICO反射率遥感图像,建立了水华、水草提取的方法,使遥感图像上的水华水草定量化表示,实现了采用遥感手段对水华水草进行宏观大范围长时间的遥感监测的适用。
与上述方法实施例相对应地,本申请实施例还提供了一种基于高光谱遥感图像的水华识别装置,如图3所示,包括:
获取模块301,用于获取高光谱遥感水域图像;
计算模块302,用于计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值,其中,所述叶绿素a光谱指数通过所述高光谱遥感水域图像中的第一波长值和第二波长值计算得到,叶绿素a光谱在所述第一波长值处具有反射谷,在所述第二波长值处具有发射峰;所述藻蓝蛋白基线通过所述高光谱遥感水域图像中的第三波长值、第四波长值和第五波长值计算得到,藻蓝蛋白在所述第三波长值处和所述第五波长值具有反射峰,在所述第四波长值处具有反射谷;
第一识别模块303,用于将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,所述目标区域包括水华和/或水草区域;
第二将别模块304,用于将所述目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域。
可选地,本实施例所述装置,还可以包括:
替换模块305,用于如果所述高光谱遥感水域图像中不包括原始波长值,则使用所述高光谱遥感水域图像中最接近所述原始波长值的波长值代替所述原始波长值,所述原始波长值为所述第一波长值、所述第二波长值、所述第三波长值、所述第四波长值及所述第五波长值中的任意一个。
以及,阈值确定模块306,用于统计用户在所述高光谱遥感水域图像中选定的目标区域的参考值之间的区别,所述目标区域包括水体区域、水华区域和水草区域,所述参考值包括叶绿素a光谱指数值或藻蓝蛋白基线值;并依据所述区别,确定第一阈值或第二阈值。
具体地,计算模块计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值的具体实现方式可以为:使用所述高光谱遥感水域图像中的第64波段和第58波段,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,所述第64波段的中心波长值为713nm,所述第58波段的中心波长值为679nm。进一步地,利用计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,ρ为反射率。
计算模块计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值的具体实现方式可以为:使用所述高光谱遥感水域图像中的第37波段、第49波段和第54波段,计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,所述第37波段的中心波长值为559nm、所述第49波段的中心波长值为627nm、所述第54波段的中心波长值为656nm。进一步地,利用PBL=ρ(A3)-ρ(A4)+((A4-A3)/(A5-A3))*(ρ(A5)-ρ(A3))计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,ρ为反射率,A3为所述第三波长值,A4为所述第四波长值,A5为所述第五波长值。
本实施例所述装置,能够从高光谱水域图像中识别出水华区域,从而为水华的遥感监测奠定了基础。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种基于高光谱遥感图像的水华识别方法,其特征在于,包括:
获取高光谱遥感水域图像;
计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值,其中,所述叶绿素a光谱指数通过所述高光谱遥感水域图像中的第一波长值和第二波长值计算得到,叶绿素a光谱在所述第一波长值处具有反射谷,在所述第二波长值处具有发射峰;所述藻蓝蛋白基线通过所述高光谱遥感水域图像中的第三波长值、第四波长值和第五波长值计算得到,藻蓝蛋白在所述第三波长值处和所述第五波长值具有反射峰,在所述第四波长值处具有反射谷;
将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,所述目标区域包括水华和/或水草区域;
将所述目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域。
2.根据权利要求1所述的方法,其特征在于,还包括:
如果所述高光谱遥感水域图像中不包括原始波长值,则使用所述高光谱遥感水域图像中最接近所述原始波长值的波长值代替所述原始波长值,所述原始波长值为所述第一波长值、所述第二波长值、所述第三波长值、所述第四波长值及所述第五波长值中的任意一个。
3.根据权利要求2所述的方法,其特征在于,所述计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
使用所述高光谱遥感水域图像中的第64波段和第58波段,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,所述第64波段的中心波长值为713nm,所述第58波段的中心波长值为679nm。
4.根据权利要求1或3所述的方法,其特征在于,所述计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
利用计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,ρ为反射率。
5.根据权利要求2所述的方法,其特征在于,所述计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
使用所述高光谱遥感水域图像中的第37波段、第49波段和第54波段,计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,所述第37波段的中心波长值为559nm、所述第49波段的中心波长值为627nm、所述第54波段的中心波长值为656nm。
6.根据权利要求1或5所述的方法,其特征在于,所述计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
利用PBL=ρ(A3)-ρ(A4)+((A4-A3)/(A5-A3))*(ρ(A5)-ρ(A3))计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,ρ为反射率,A3为所述第三波长值,A4为所述第四波长值,A5为所述第五波长值。
7.根据权利要求1所述的方法,其特征在于,所述第一阈值与所述第二阈值中任意一个的确定方法包括:
统计用户在所述高光谱遥感水域图像中选定的目标区域的参考值之间的区别,所述目标区域包括水体区域、水华区域和水草区域,所述参考值包括叶绿素a光谱指数值或藻蓝蛋白基线值;
依据所述区别,确定第一阈值或第二阈值。
8.一种基于高光谱遥感图像的水华识别装置,其特征在于,包括:
获取模块,用于获取高光谱遥感水域图像;
计算模块,用于计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值和藻蓝蛋白基线值,其中,所述叶绿素a光谱指数通过所述高光谱遥感水域图像中的第一波长值和第二波长值计算得到,叶绿素a光谱在所述第一波长值处具有反射谷,在所述第二波长值处具有发射峰;所述藻蓝蛋白基线通过所述高光谱遥感水域图像中的第三波长值、第四波长值和第五波长值计算得到,藻蓝蛋白在所述第三波长值处和所述第五波长值具有反射峰,在所述第四波长值处具有反射谷;
第一识别模块,用于将叶绿素a光谱指数值大于预设的第一阈值的像元识别为目标区域,所述目标区域包括水华和/或水草区域;
第二将别模块,用于将所述目标区域中藻蓝蛋白基线值大于预设的第二阈值的像元识别为水华区域。
9.根据权利要求8所述的装置,其特征在于,还包括:
替换模块,用于如果所述高光谱遥感水域图像中不包括原始波长值,则使用所述高光谱遥感水域图像中最接近所述原始波长值的波长值代替所述原始波长值,所述原始波长值为所述第一波长值、所述第二波长值、所述第三波长值、所述第四波长值及所述第五波长值中的任意一个。
10.根据权利要求9所述的装置,其特征在于,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
所述计算模块具体用于,使用所述高光谱遥感水域图像中的第64波段和第58波段,计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,所述第64波段的中心波长值为713nm,所述第58波段的中心波长值为679nm。
11.根据权利要求8或9所述的装置,其特征在于,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值包括:
所述计算模块具体用于,利用计算所述高光谱遥感水域图像中每个像元的叶绿素a光谱指数值,其中,ρ为反射率。
12.根据权利要求9所述的装置,其特征在于,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
所述计算模块具体用于,使用所述高光谱遥感水域图像中的第37波段、第49波段和第54波段,计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,所述第37波段的中心波长值为559nm、所述第49波段的中心波长值为627nm、所述第54波段的中心波长值为656nm。
13.根据权利要求8或12所述的装置,其特征在于,所述计算模块用于计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值包括:
所述计算模块具体用于,利用PBL=ρ(A3)-ρ(A4)+((A4-A3)/(A5-A3))*(ρ(A5)-ρ(A3))计算所述高光谱遥感水域图像中每个像元的藻蓝蛋白基线值,其中,ρ为反射率,A3为所述第三波长值,A4为所述第四波长值,A5为所述第五波长值。
14.根据权利要求8所述的装置,其特征在于,还包括:
阈值确定模块,用于统计用户在所述高光谱遥感水域图像中选定的目标区域的参考值之间的区别,所述目标区域包括水体区域、水华区域和水草区域,所述参考值包括叶绿素a光谱指数值或藻蓝蛋白基线值;并依据所述区别,确定第一阈值或第二阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510549887.4A CN105138994A (zh) | 2015-08-31 | 2015-08-31 | 一种基于高光谱遥感图像的水华识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510549887.4A CN105138994A (zh) | 2015-08-31 | 2015-08-31 | 一种基于高光谱遥感图像的水华识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105138994A true CN105138994A (zh) | 2015-12-09 |
Family
ID=54724338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510549887.4A Pending CN105138994A (zh) | 2015-08-31 | 2015-08-31 | 一种基于高光谱遥感图像的水华识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105138994A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761286A (zh) * | 2016-02-29 | 2016-07-13 | 环境保护部卫星环境应用中心 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
CN106092951A (zh) * | 2016-05-27 | 2016-11-09 | 南京吉泽信息科技有限公司 | 一种藻蓝蛋白浓度遥感估算的四波段模型方法 |
CN108446325A (zh) * | 2018-02-11 | 2018-08-24 | 中国水产科学研究院南海水产研究所 | 一种叶绿素a浓度分布可视化方法、系统及装置 |
CN108564056A (zh) * | 2018-04-25 | 2018-09-21 | 中国水利水电科学研究院 | 一种遥感影像水体识别提取的方法 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
CN112419194A (zh) * | 2020-11-25 | 2021-02-26 | 武汉大学 | 一种短波红外波段辅助的遥感影像薄云雾校正方法 |
CN113326827A (zh) * | 2021-08-03 | 2021-08-31 | 南京信大环境科技有限公司 | 一种监测入海排污口水体的卫星遥感方法及系统 |
CN115611431A (zh) * | 2022-09-26 | 2023-01-17 | 中建三局绿色产业投资有限公司 | 一种生物操纵精准控藻的治理系统和方法 |
CN116310772A (zh) * | 2023-05-18 | 2023-06-23 | 德州华恒环保科技有限公司 | 基于多光谱图像的水环境污染识别方法 |
CN116645593A (zh) * | 2023-07-20 | 2023-08-25 | 南京信息工程大学 | 监测海草床分布的遥感方法、装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998664A (zh) * | 2012-10-29 | 2013-03-27 | 中国科学院对地观测与数字地球科学中心 | 一种基于合成孔径雷达的水华识别方法及装置 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
-
2015
- 2015-08-31 CN CN201510549887.4A patent/CN105138994A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998664A (zh) * | 2012-10-29 | 2013-03-27 | 中国科学院对地观测与数字地球科学中心 | 一种基于合成孔径雷达的水华识别方法及装置 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
Non-Patent Citations (3)
Title |
---|
LIN QI ET AL: "A novel MERIS algorithm to derive cyanobacterial phycocyanin pigment concentrations in a Eutrophic Lake Theoretical basis and practical considerations", 《REMOTE SENSING OF ENVIRONMENT》 * |
李俊生 等: "基于实测光谱数据的太湖水华和水生高等植物识别", 《湖泊科学》 * |
林怡 等: "基于遥感影像光谱分析的蓝藻水华识别方法", 《同济大学学报(自然科学版)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761286A (zh) * | 2016-02-29 | 2016-07-13 | 环境保护部卫星环境应用中心 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
CN106092951A (zh) * | 2016-05-27 | 2016-11-09 | 南京吉泽信息科技有限公司 | 一种藻蓝蛋白浓度遥感估算的四波段模型方法 |
CN106092951B (zh) * | 2016-05-27 | 2019-03-26 | 南京吉泽信息科技有限公司 | 一种藻蓝蛋白浓度遥感估算的四波段模型方法 |
CN108446325A (zh) * | 2018-02-11 | 2018-08-24 | 中国水产科学研究院南海水产研究所 | 一种叶绿素a浓度分布可视化方法、系统及装置 |
CN108564056A (zh) * | 2018-04-25 | 2018-09-21 | 中国水利水电科学研究院 | 一种遥感影像水体识别提取的方法 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
CN112419194A (zh) * | 2020-11-25 | 2021-02-26 | 武汉大学 | 一种短波红外波段辅助的遥感影像薄云雾校正方法 |
CN112419194B (zh) * | 2020-11-25 | 2022-04-12 | 武汉大学 | 一种短波红外波段辅助的遥感影像薄云雾校正方法 |
CN113326827A (zh) * | 2021-08-03 | 2021-08-31 | 南京信大环境科技有限公司 | 一种监测入海排污口水体的卫星遥感方法及系统 |
CN115611431A (zh) * | 2022-09-26 | 2023-01-17 | 中建三局绿色产业投资有限公司 | 一种生物操纵精准控藻的治理系统和方法 |
CN116310772A (zh) * | 2023-05-18 | 2023-06-23 | 德州华恒环保科技有限公司 | 基于多光谱图像的水环境污染识别方法 |
CN116645593A (zh) * | 2023-07-20 | 2023-08-25 | 南京信息工程大学 | 监测海草床分布的遥感方法、装置 |
CN116645593B (zh) * | 2023-07-20 | 2023-10-24 | 南京信息工程大学 | 监测海草床分布的遥感方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105138994A (zh) | 一种基于高光谱遥感图像的水华识别方法及装置 | |
Verhoeven | Near-infrared aerial crop mark archaeology: from its historical use to current digital implementations | |
CN108020511B (zh) | 一种浅水草型湖泊水质参数遥感监测方法与装置 | |
Acuña-Ruz et al. | Anthropogenic marine debris over beaches: Spectral characterization for remote sensing applications | |
Dierssen et al. | Benthic ecology from space: optics and net primary production in seagrass and benthic algae across the Great Bahama Bank | |
Brooks et al. | A satellite-based multi-temporal assessment of the extent of nuisance Cladophora and related submerged aquatic vegetation for the Laurentian Great Lakes | |
Villa et al. | A remote sensing approach to monitor the conservation status of lacustrine Phragmites australis beds | |
Gonsamo et al. | The sensitivity based estimation of leaf area index from spectral vegetation indices | |
EP3559899B1 (en) | Image processing device, method and storage medium for removing clouds from an image | |
CN103278112B (zh) | 一种基于遥感图像的叶面积指数反演方法及装置 | |
CN105184251B (zh) | 一种基于高分一号卫星图像的水华区域的识别方法及装置 | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
CN103955903A (zh) | 一种权值窗口自适应非局部均值图像去噪方法 | |
Zhang et al. | A study of image classification of remote sensing based on back-propagation neural network with extended delta bar delta | |
Besheer et al. | Modified invariant colour model for shadow detection | |
CN104992153A (zh) | 自然保护区人类活动干扰检测方法和系统 | |
Tian et al. | Retrieving leaf area index for coniferous forest in Xingguo County, China with Landsat ETM+ images | |
CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
John et al. | Integration of multispectral satellite and hyperspectral field data for aquatic macrophyte studies | |
Hsieh et al. | Analyzing spectral characteristics of shadow area from ADS-40 high radiometric resolution aerial images | |
Hoang et al. | Identification and mapping of marine submerged aquatic vegetation in shallow coastal waters with WorldView-2 satellite data | |
CN105469058A (zh) | 一种基于序列光谱曲面特征的滑坡识别方法 | |
Pagkalinawan | Mangrove forest mapping using Landsat 8 images | |
CN105184252A (zh) | 一种基于高空间分辨率图像的水华识别方法及装置 | |
CN109269994A (zh) | 一种化学需氧量的识别方法、装置、存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151209 |
|
RJ01 | Rejection of invention patent application after publication |