CN105184251B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105184251B CN105184251B CN201510549491.XA CN201510549491A CN105184251B CN 105184251 B CN105184251 B CN 105184251B CN 201510549491 A CN201510549491 A CN 201510549491A CN 105184251 B CN105184251 B CN 105184251B
- Authority
- CN
- China
- Prior art keywords
- image
- wawter bloom
- region
- bloom region
- mask
- 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.)
- Active
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
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了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,获取高分一号卫星水域图像,高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜,以及高分一号卫星水域图像的三波段藻华指数图像,在水体掩膜、云层掩膜及水草掩膜的监督下,将大于预设阈值的区域识别为水华区域,其中,预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,可见,采用本申请所述的方法及装置,能够实现从遥感图像中提取水华区域的目的。
Description
技术领域
本申请涉及遥感探测领域,尤其涉及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。
背景技术
当前条件下,作为淡水资源重要组成部分的江河、湖泊等面临严重的污染问题。尤其是在发展中国家中,由于过分强调经济发展而忽视生态环境保护等方面的工作,生产、生活中的污水和其他废弃物大量排入江河、湖泊、水库等使得水体中的营养盐物质大量富集。水体中营养盐的聚集使得水体面临日益严峻的富营养化问题,另一方面,水体的富营养化问题常常导致藻类的过度繁殖和聚集,进而发展演变成水华灾害,给人们的生产生活带来严重的影响。
卫星遥感技术迅猛发展的今天,其在环境保护方面的作用越来越受到世界各国的重视。国内外的大量实验也已经证明了,卫星遥感技术能够针对特定目标快速获得大范围、长时间动态的信息,而且相对于传统方法,既省时省力又有很高的效率,优越性是其他获取环境信息的手段所无法比拟的。
发明内容
本申请提供了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,目的在于解决如何从高分一号卫星的水域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:
一种基于高分一号卫星图像的水华区域的识别方法,包括:
获取高分一号卫星水域图像;
获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜;
获取所述高分一号卫星水域图像的三波段藻华指数图像;
在所述水体掩膜、云层掩膜及水草掩膜的监督下,将所述三波段藻华指数图像中大于预设阈值的区域识别为水华区域,所述预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,所述彩色合成图像由所述高分一号卫星水域图像转换得到。
可选地,所述预设阈值的获取方法包括:
获取初始阈值,所述初始阈值依据所述三波段藻华指数图像中满足预设条件的水华区域与其它区域的分割阈值确定;
使用所述初始阈值从所述三波段藻华指数图像中提取水华区域;
将提取到的水华区域与所述彩色合成图像上的水华区域相比较,执行以下过程,直到提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内,使得提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内的阈值为所述预设阈值:
如果所述水华区域的面积小于所述彩色合成图像上的水华区域的面积,则将当前阈值减去步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域;
如果所述水华区域的面积大于所述彩色合成图像上的水华区域,则将当前阈值增加步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域。
可选地,所述初始阈值的获取方法包括:
获取参考水华区域,所述参考水华区域为全部水华区域中预设数量的密度较低的水华区域;
对于每个参考水华区域,依据其像素值与水体像素值的区别,分别统计可将其与水体进行分割的阈值;
依据各个阈值,确定所述初始阈值。
可选地,在所述获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜之前,还包括:
将所述高分一号卫星水域图像进行精校正和裁剪,得到第一目标图像;
对所述第一目标图像进行瑞利散射校正,得到第二目标图像;
所述获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜包括:
获取所述第二目标图像的水体掩膜、云层掩膜及水草掩膜。
可选地,所述将所述高分一号卫星水域图像进行精校正包括:
选择一景研究区的经过精确几何校正的卫星遥感影像为基准(本研究中下载了一景经过几何精校正的Landsat8影像作为基准),对一景无云的天气条件良好的GF-1多光谱遥感影像数据进行几何精校正,将该景几何精校正后的GF-1多光谱遥感影像作为配准模板,对获取的所有GF-1多光谱遥感影像进行几何精校正。
一种基于高分一号卫星图像的水华区域的识别装置,包括:
第一获取模块,用于获取高分一号卫星水域图像;
第二获取模块,用于获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜;
第三获取模块,用于获取所述高分一号卫星水域图像的三波段藻华指数图像;
识别模块,用于在所述水体掩膜、云层掩膜及水草掩膜的监督下,将所述三波段藻华指数图像中大于预设阈值的区域识别为水华区域,所述预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,所述彩色合成图像由所述高分一号卫星水域图像转换得到。
可选地,还包括:
阈值获取模块,用于获取所述预设阈值;
所述阈值获取模块具体用于,获取初始阈值,所述初始阈值依据所述三波段藻华指数图像中满足预设条件的水华区域与其它区域的分割阈值确定;
使用所述初始阈值从所述三波段藻华指数图像中提取水华区域;
将提取到的水华区域与所述彩色合成图像上的水华区域相比较,执行以下过程,直到提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内,使得提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内的阈值为所述预设阈值:
如果所述水华区域的面积小于所述彩色合成图像上的水华区域的面积,则将当前阈值减去步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域;
如果所述水华区域的面积大于所述彩色合成图像上的水华区域,则将当前阈值增加步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域。
可选地,所述阈值获取模块还用于:
获取参考水华区域,所述参考水华区域为全部水华区域中预设数量的密度较低的水华区域;
对于每个参考水华区域,依据其像素值与水体像素值的区别,分别统计可将其与水体进行分割的阈值;
依据各个阈值,确定所述初始阈值。
可选地,还包括:
预处理模块,用于在所述获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜之前,将所述高分一号卫星水域图像进行精校正和裁剪,得到第一目标图像;并对所述第一目标图像进行瑞利散射校正,得到第二目标图像;
所述第二获取模块用于获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜包括:
所述第二获取模块具体用于,获取所述第二目标图像的水体掩膜、云层掩膜及水草掩膜。
可选地,所述预处理模块用于将所述高分一号卫星水域图像进行精校正包括:
所述预处理模块具体用于,选择一景研究区的经过精确几何校正的卫星遥感影像为基准(本研究中下载了一景经过几何精校正的Landsat8影像作为基准),对一景无云的天气条件良好的GF-1多光谱遥感影像数据进行几何精校正,将该景几何精校正后的GF-1多光谱遥感影像作为配准模板,对获取的所有GF-1多光谱遥感影像进行几何精校正。
本申请所述的基于高分一号卫星图像的水华区域的识别方法及装置,获取高分一号卫星水域图像,高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜,以及高分一号卫星水域图像的三波段藻华指数图像,在水体掩膜、云层掩膜及水草掩膜的监督下,将大于预设阈值的区域识别为水华区域,其中,预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,可见,采用本申请所述的方法及装置,能够实现从遥感图像中提取水华区域的目的。
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分一号卫星图像的水华区域的识别方法的流程图;
图2为本申请实施例公开的确定预设阈值的方法的流程图;
图3为本申请实施例公开的又一种基于高分一号卫星图像的水华区域的识别方法的流程图;
图4为本申请实施例公开的一种基于高分一号卫星图像的水华区域的识别装置的结构示意图。
具体实施方式
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。
本申请实施例公开了一种基于高分一号卫星图像的水华区域的识别方法,如图1所示,包括以下步骤:
S101:获取高分一号卫星水域图像;
具体地,本实施例中,高分一号卫星水域图像可以为通过高分一号卫星(GF-1)得到的宽覆盖多光谱遥感图像。
S102:获取高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜;
S103:获取高分一号卫星水域图像的三波段藻华指数(Three Band Algal Index,TBAI)图像;
S104:在水体掩膜、云层掩膜及水草掩膜的监督下,将大于预设阈值的区域识别为水华区域;
其中,预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,所述彩色合成图像由所述高分一号卫星水域图像转换得到。
所谓“水体掩膜、云层掩膜及水草掩膜的监督”是指提取水华时要考虑这三种掩膜。具体的讲:水华只能发生在水体掩膜的区域,不能发生在云层掩膜和水草掩膜的区域,因此在提取水华的时候,就在水体掩膜之内、并且在云层掩膜和水草掩膜之外的区域进行判断。
S105:在水体掩膜、云层掩膜及水草掩膜的监督下,将所述三波段藻华指数图像中将不大于预设阈值的区域识别为水体区域。
需要强调的是,本实施例中,如图2所示,预设阈值的确定过程包括以下步骤:
S201:获取参考水华区域,所述参考水华区域为三波段藻华指数图像中全部水华区域中预设数量的密度较低的水华区域;
参考水华区域的获取方式可以为:接收用户从全部水华区域中选择的预设数量的密度较低的水华区域;或者,参考水华区域的获取方式还可以为:计算全部水华区域的密度,选择预设数量的密度较低者作为参考水华区域。
S202:对于每个参考水华区域,依据其像素值与水体像素值的区别,分别统计可将其与水体进行分割的阈值;
具体地,可以通过计算参考水华区域和水体区域的直方图确定阈值。
S203:依据各个阈值,确定所述初始阈值;
例如,初始阈值为各个阈值的平均值,或者各个阈值中最小的一个。
以上为初始阈值的确定过程,在确定初始阈值后,继续执行以下步骤:
S204:使用初始阈值从所述三波段藻华指数图像中提取水华区域;
S205:判断当前提取出的水华区域的面积与彩色合成图像上的水华区域的面积的偏差是否在预设范围内,如果是,执行210,如果否,执行S206;
本实施例中,提取出的水华区域的面积等于彩色合成图像上的水华区域的面积,则两者误差在预设范围内。彩色合成图像由高分一号卫星水域图像转换得到。
S206:判断当前提取出的水华区域的面积是否小于彩色合成图像上的水华区域的面积,如果是,执行S207,如果否,执行S208;
S207:将当前阈值减去步长值,得到迭代阈值;执行S209;
提取的蓝藻水华面积偏小时说明存在漏提现象,即将部分有蓝藻水华覆盖的像元识别为纯净水体,在此情况下,需要减小阈值。
本实施例中,步长值可以为0.01。
S208:将当前阈值增加步长值,得到迭代阈值;执行S209;
当提取的蓝藻水华面积偏大时说明存在过提取现象,即将部分无蓝藻水华覆盖的水体像元识别为蓝藻水华,在此情况下,需要增大阈值。
S209:使用迭代阈值从三波段藻华指数图像中提取水华区域,返回执行S205;
S210:将当前迭代阈值作为预设阈值。
本实施例所述的方法,通过迭代过程选取最优阈值,并使用最优阈值对进行预处理后的图像进行分割,从而得到水华区域,基于最优阈值的选取方法,能够提高识别的准确性。
本申请实施例公开的又一种基于高分一号卫星图像的水华区域的识别方法,如图3所示,包括以下步骤:
S301:获取高分一号宽覆盖多光谱遥感水域图像;
S302:将高分一号宽覆盖多光谱遥感水域图像进行精校正和裁剪,得到第一目标图像;
具体地,对高分一号宽覆盖多光谱遥感水域图像进行精校正的具体过程为:
选择一景经过精确几何校正的卫星遥感影像为基准(本实施例中,下载了一景经过几何精校正的Landsat8影像作为基准),对一景无云的天气条件良好的高分一号卫星(GF-1)多光谱遥感影像数据进行几何精校正,将该景几何精校正后的GF-1多光谱遥感影像作为配准模板,对高分一号宽覆盖多光谱水域图像进行几何精校正。
因为高分一号宽覆盖多光谱遥感水域图像中像元位置信息与对应的实地地物相差较大,所以需要对高分一号宽覆盖多光谱水域图像进行几何校正以使图像像元信息与实地地物相匹配。另一方面,单景影像的覆盖范围经常超过研究区的若干倍,相应的单景影像数据量都比较大,而这增加了后续工作的难度和工作量,所以,需要对经过几何校正以后的卫星影像进行基于研究区的裁剪。
在本发明实施例中,高分一号宽覆盖多光谱遥感水域图像的几何校正可以基于通用遥感图像处理软件完成,具体的参数设置为—几何校正方法选择二次多项式,同时选择最邻近内插法的图像重采样方法,几何校正精度优于0.5个像元。基于研究区的裁剪则是在获取研究区经纬度范围的条件下,对遥感图像基于研究区左上角和右下角的经纬度值进行矩形裁剪。
S303:对所述第一目标图像进行瑞利散射校正,得到第二目标图像;
在本实施例中,瑞利散射校正可以通过对研究区的卫星观测几何和太阳观测几何等信息进行精确计算,并基于6SV辐射传输模型完成。
S304:获取第二目标图像的水体掩膜、云层掩膜及水草掩膜。
具体地,可以基于归一化差分水体指数方法对研究区范围内的水体目标进行提取,得到水体掩膜图像。
可以基于单波段阈值分割方法和人工目视进行勾选的方法分别对云层信息和水草分布信息进行提取,得到云层和水草掩膜图像,具体地,可以基于单波段阈值分割方法得到云层和水体掩膜二值图像;对于水草信息,则是基于彩色合成图像(彩色合成图像的R、G、B分别为遥感图像的近红外、红光、绿光波段)上水草与水华的纹理和形态特征差异,用人工目视判读的方法对水草分布范围进行勾选(有水草分布的区域,一般水质较好,周围几乎没有蓝藻水华出现,所以一般不会出现二者混淆的情况)从而得到水草掩膜二值图像。
S305:基于中心波长位置信息对瑞利散射校正结果反射率影像数据进行波段运算,得到三波段藻华指数图像;
在实施例中,三波段藻华指数基于绿光波段、红光波段和近红外波段,并借鉴归一化差分植被指数(NDVI)和荧光高度法(FLH)的构造原理得到的。基于ENVI软件,通过波段运算的方法即可得到三波段藻华指数图像。
S306:在所述水体掩膜、云层掩膜及水草掩膜的监督下,将所述三波段藻华指数图像中大于预设阈值的区域识别为水华区域。
本实施例中,对待识别的水域图像进行一系列处理后,提取水华区域,能够增加提取的准确性。
与上述方法实施例相对应地,本申请实施例还公开了一种基于高分一号卫星图像的水华区域的识别装置,如图4所示,包括:
第一获取模块401,用于获取高分一号卫星水域图像;
第二获取模块402,用于获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜;
第三获取模块403,用于获取所述高分一号卫星水域图像的三波段藻华指数图像;
识别模块404,用于在所述水体掩膜、云层掩膜及水草掩膜的监督下,将大于预设阈值的区域识别为水华区域,所述预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,所述彩色合成图像由所述高分一号卫星水域图像转换得到。
可选地,本实施例所述装置还可以包括:
阈值获取模块405,用于获取所述预设阈值;
所述阈值获取模块具体用于,获取初始阈值,所述初始阈值依据所述三波段藻华指数图像中满足预设条件的水华区域与其它区域的分割阈值确定;使用所述初始阈值从所述三波段藻华指数图像中提取水华区域;将提取到的水华区域与所述彩色合成图像上的水华区域相比较,执行以下过程,直到提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内,使得提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内的阈值为所述预设阈值:如果所述水华区域的面积小于所述彩色合成图像上的水华区域的面积,则将当前阈值减去步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域;如果所述水华区域的面积大于所述彩色合成图像上的水华区域,则将当前阈值增加步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域。
进一步地,阈值获取模块还可以用于:获取参考水华区域,所述参考水华区域为全部水华区域中预设数量的密度较低的水华区域;对于每个参考水华区域,依据其像素值与水体像素值的区别,分别统计可将其与水体进行分割的阈值;依据各个阈值,确定所述初始阈值。
预处理模块406,用于在所述获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜之前,将所述高分一号卫星水域图像进行精校正和裁剪,得到第一目标图像;并对所述第一目标图像进行瑞利散射校正,得到第二目标图像;
在经过预处理的情况下,所述第二获取模块获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜的具体实现方式可以为:获取所述第二目标图像的水体掩膜、云层掩膜及水草掩膜。
本实施例所述的装置,可以从高分辨率水域图像中识别出水华区域,从而有利于对水华的卫星监测。
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-Only Memory)、随机存取存储器(RAM,Random Access Memory)、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 (8)
1.一种基于高分一号卫星图像的水华区域的识别方法,其特征在于,包括:
获取高分一号卫星水域图像;
获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜;
获取所述高分一号卫星水域图像的三波段藻华指数图像;
在所述水体掩膜、云层掩膜及水草掩膜的监督下,将所述三波段藻华指数图像中大于预设阈值的区域识别为水华区域,所述预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,所述彩色合成图像由所述高分一号卫星水域图像转换得到;
所述预设阈值的获取方法包括:
获取初始阈值,所述初始阈值依据所述三波段藻华指数图像中满足预设条件的水华区域与其它区域的分割阈值确定;
使用所述初始阈值从所述三波段藻华指数图像中提取水华区域;
将提取到的水华区域与所述彩色合成图像上的水华区域相比较,执行以下过程,直到提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内,使得提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内的阈值为所述预设阈值:
如果所述水华区域的面积小于所述彩色合成图像上的水华区域的面积,则将当前阈值减去步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域;
如果所述水华区域的面积大于所述彩色合成图像上的水华区域,则将当前阈值增加步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域。
2.根据权利要求1所述的方法,其特征在于,所述初始阈值的获取方法包括:
获取参考水华区域,所述参考水华区域为全部水华区域中预设数量的密度小于设定值的水华区域;
对于每个参考水华区域,依据其像素值与水体像素值的区别,分别统计可将其与水体进行分割的阈值;
依据各个阈值,确定所述初始阈值。
3.根据权利要求1所述的方法,其特征在于,在所述获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜之前,还包括:
将所述高分一号卫星水域图像进行精校正和裁剪,得到第一目标图像;
对所述第一目标图像进行瑞利散射校正,得到第二目标图像;
所述获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜包括:
获取所述第二目标图像的水体掩膜、云层掩膜及水草掩膜。
4.根据权利要求3所述的方法,其特征在于,所述将所述高分一号卫星水域图像进行精校正包括:
选择一景研究区的经过精确几何校正的卫星遥感影像为基准,对一景无云的天气条件良好的GF-1多光谱遥感影像数据进行几何精校正,将该景几何精校正后的GF-1多光谱遥感影像作为配准模板,对获取的所有GF-1多光谱遥感影像进行几何精校正。
5.一种基于高分一号卫星图像的水华区域的识别装置,其特征在于,包括:
第一获取模块,用于获取高分一号卫星水域图像;
第二获取模块,用于获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜;
第三获取模块,用于获取所述高分一号卫星水域图像的三波段藻华指数图像;
识别模块,用于在所述水体掩膜、云层掩膜及水草掩膜的监督下,将所述三波段藻华指数图像中大于预设阈值的区域识别为水华区域,所述预设阈值为使得提取出的水华区域与彩色合成图像上的水华区域的偏差在预设范围内的阈值,所述彩色合成图像由所述高分一号卫星水域图像转换得到;
阈值获取模块,用于获取所述预设阈值;
所述阈值获取模块具体用于,获取初始阈值,所述初始阈值依据所述三波段藻华指数图像中满足预设条件的水华区域与其它区域的分割阈值确定;
使用所述初始阈值从所述三波段藻华指数图像中提取水华区域;
将提取到的水华区域与所述彩色合成图像上的水华区域相比较,执行以下过程,直到提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内,使得提取出的水华区域与彩色合成图像上的水华区域的面积的偏差在预设范围内的阈值为所述预设阈值:
如果所述水华区域的面积小于所述彩色合成图像上的水华区域的面积,则将当前阈值减去步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域;
如果所述水华区域的面积大于所述彩色合成图像上的水华区域,则将当前阈值增加步长值,得到迭代阈值,使用所述迭代阈值从所述三波段藻华指数图像中提取水华区域。
6.根据权利要求5所述的装置,其特征在于,所述阈值获取模块还用于:
获取参考水华区域,所述参考水华区域为全部水华区域中预设数量的密度小于设定值的水华区域;
对于每个参考水华区域,依据其像素值与水体像素值的区别,分别统计可将其与水体进行分割的阈值;
依据各个阈值,确定所述初始阈值。
7.根据权利要求5所述的装置,其特征在于,还包括:
预处理模块,用于在所述获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜之前,将所述高分一号卫星水域图像进行精校正和裁剪,得到第一目标图像;并对所述第一目标图像进行瑞利散射校正,得到第二目标图像;
所述第二获取模块用于获取所述高分一号卫星水域图像的水体掩膜、云层掩膜及水草掩膜包括:
所述第二获取模块具体用于,获取所述第二目标图像的水体掩膜、云层掩膜及水草掩膜。
8.根据权利要求7所述的装置,其特征在于,所述预处理模块用于将所述高分一号卫星水域图像进行精校正包括:
所述预处理模块具体用于,选择一景研究区的经过精确几何校正的卫星遥感影像为基准,对一景无云的天气条件良好的GF-1多光谱遥感影像数据进行几何精校正,将该景几何精校正后的GF-1多光谱遥感影像作为配准模板,对获取的所有GF-1多光谱遥感影像进行几何精校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510549491.XA CN105184251B (zh) | 2015-08-31 | 2015-08-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510549491.XA CN105184251B (zh) | 2015-08-31 | 2015-08-31 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184251A CN105184251A (zh) | 2015-12-23 |
CN105184251B true CN105184251B (zh) | 2018-08-14 |
Family
ID=54906320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510549491.XA Active CN105184251B (zh) | 2015-08-31 | 2015-08-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184251B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106353256B (zh) * | 2016-11-10 | 2019-01-18 | 哈尔滨工业大学 | 一种基于多光谱遥感图像的水体藻类污染检测方法 |
CN107194857B (zh) * | 2017-05-23 | 2020-05-12 | 国家地理空间信息中心 | 基于高分卫星遥感数据的可利用土地资源分析系统 |
CN108830844B (zh) * | 2018-06-11 | 2021-09-10 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
CN110773842B (zh) * | 2019-10-21 | 2022-04-15 | 大族激光科技产业集团股份有限公司 | 一种焊接定位方法及装置 |
CN111104896B (zh) * | 2019-12-18 | 2021-08-27 | 河南大学 | 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 |
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 |
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 CN201510549491.XA patent/CN105184251B/zh active Active
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 (4)
Title |
---|
基于MODIS植被指数的太湖蓝藻信息提取方法研究;李亚春 等;《气象科学》;20111231;第31卷(第6期);第737-741页 * |
基于环境1号卫星的蓝藻水华提取方法研究;郭望成 等;《中国优秀硕士学位论文全文数据库工程科技I辑》;20120415(第4期);第B027-301页 * |
太湖蓝藻水华的MODIS卫星监测;周立国 等;《湖泊科学》;20081231;第20卷(第2期);第203-207页 * |
环境一号卫星CCD数据在太湖蓝藻水华遥感监测中的应用;金焰 等;《环境监测管理与技术》;20101031;第22卷(第5期);第53-56,66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184251A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yun et al. | Individual tree crown segmentation from airborne LiDAR data using a novel Gaussian filter and energy function minimization-based approach | |
Wu et al. | Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests | |
Chen et al. | Isolating individual trees in a savanna woodland using small footprint lidar data | |
Chen et al. | A GEOBIA framework to estimate forest parameters from lidar transects, Quickbird imagery and machine learning: A case study in Quebec, Canada | |
CN105809140B (zh) | 一种基于遥感模型的地表水体信息的提取方法及其装置 | |
Rampi et al. | Wetland mapping in the upper midwest United States | |
US9292747B2 (en) | Methods and systems for automatic and semi-automatic geometric and geographic feature extraction | |
Yang et al. | Remote sensing of seasonal variability of fractional vegetation cover and its object-based spatial pattern analysis over mountain areas | |
CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
CN110645961A (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
Clark et al. | Landscape analysis using multi-scale segmentation and object-oriented classification | |
Liu et al. | Modelling high arctic percent vegetation cover using field digital images and high resolution satellite data | |
CN104850853B (zh) | 城市快速提取方法及装置 | |
de Albuquerque et al. | Instance segmentation of center pivot irrigation systems using multi-temporal SENTINEL-1 SAR images | |
de Albuquerque et al. | Dealing with clouds and seasonal changes for center pivot irrigation systems detection using instance segmentation in sentinel-2 time series | |
CN114563378B (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
Li et al. | Extracting check dam areas from high‐resolution imagery based on the integration of object‐based image analysis and deep learning | |
CN107194857B (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
Hui et al. | Multi-level self-adaptive individual tree detection for coniferous forest using airborne LiDAR | |
CN107085851A (zh) | 一种提取水域岸线的方法及装置 | |
CN109918531A (zh) | 一种毒品原植物的搜查方法、装置和计算机可读存储介质 | |
CN110147746A (zh) | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统 | |
Lei et al. | A novel algorithm of individual tree crowns segmentation considering three-dimensional canopy attributes using UAV oblique photos |
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 |