CN106022341A - 高分辨率光学遥感图像灾后水体信息提取方法及系统 - Google Patents

高分辨率光学遥感图像灾后水体信息提取方法及系统 Download PDF

Info

Publication number
CN106022341A
CN106022341A CN201610288294.1A CN201610288294A CN106022341A CN 106022341 A CN106022341 A CN 106022341A CN 201610288294 A CN201610288294 A CN 201610288294A CN 106022341 A CN106022341 A CN 106022341A
Authority
CN
China
Prior art keywords
water body
calamity
image
water
remote sensing
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
CN201610288294.1A
Other languages
English (en)
Other versions
CN106022341B (zh
Inventor
陈超
郭碧云
林建民
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.)
Qidi Marine Technology Industry Research Institute Putuo District Zhoushan City
Original Assignee
Zhejiang Ocean University ZJOU
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 Zhejiang Ocean University ZJOU filed Critical Zhejiang Ocean University ZJOU
Priority to CN201610288294.1A priority Critical patent/CN106022341B/zh
Publication of CN106022341A publication Critical patent/CN106022341A/zh
Application granted granted Critical
Publication of CN106022341B publication Critical patent/CN106022341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/30Noise filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/24Aligning, centring, orientation detection or correction of the image
    • G06V10/247Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/58Extraction of image or video features relating to hyperspectral data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及高分辨率光学遥感图像灾后水体信息提取方法及系统,该方法通过选取灾后水体区域为目标灾后水体研究区域,获取其高分辨率光学遥感图像,并对获取的遥感图像进行辐射定标、大气校正、几何校正和噪声去除,得到预处理图像;利用基于广义模糊算子方法对预处理图像作增强处理,得到目标灾后水体研究区域的增强图像;利用面向对象方法对所得增强图像进行分割,利用基于光谱信息方法对分割后图像中的水体信息进行粗提取,得到粗提取的灾后水体信息;根据水体信息提取特征知识判断方法,对粗提取的灾后水体信息做精提取,得到精提取的灾后水体信息;利用区域标记法对所得水体区域作孔洞填充,获取得到最终的灾后水体信息。

Description

高分辨率光学遥感图像灾后水体信息提取方法及系统
技术领域
本发明涉及遥感图像处理领域,尤其涉及一种高分辨率光学遥感图像灾后水体信息提取方法及系统。
背景技术
水体是地球生物赖以生存的重要资源,在自然环境中,水体作为一个独立因子,格外受到人们关注。水体信息提取对于调查全球水资源、预测洪水灾害并评估环境影响,以及作为桥梁、码头、舰船等移动或非移动目标的参照信息都具有重要意义。遥感技术以其探测范围广、获取信息多、更新时间快等特点,成为获取地球表层信息的重要手段,特别是高分辨率遥感卫星的升空,更为包括水体在内的资源调查和灾害监测提供了契机。其中,针对灾害后水体的监测尤为重要。
在目前针对灾害后水体信息的提取研究中,主要有四种提取方法:单波段阈值法、多波段谱间关系法、水体指数法和决策树方法。其中,单波段阈值法是根据水体的波谱特征,利用可见光-近红外波段的遥感图像提取水体信息;多波段谱间关系法通过分析水体与背景地物(植被、土壤等)的波谱曲线特征,建立逻辑判别表达式,进而从遥感图像中分离出水体信息;水体指数法的原理是寻找多光谱图像中地物最强和最弱的反射波段,借助比值运算扩大二者差距,进而突出水体信息;决策树方法的基本原理是通过一定的判定条件对原始数据集逐步进行二分和细化,以达到最终提取水体信息的目的。这几类方法各有特点,在特定领域都取得了一定的成功,但是也都有各自缺陷。
单波段阈值法具有模型简单、运算效率高的特点,但容易受到阴影、水质变化、波浪、深浅等因素的影响;多波段谱间关系法能够有效去除阴影的影响,特别适合于山区水体的提取,但利用该方法所构建的光谱特征模型没有定式,光谱特征模型与研究区、遥感图像时相性有关;水体指数法在抑制植被、阴影、土壤等信息方面具有突出优势,但其关键是始终维持地物反射的强弱关系,一旦这种关系被削弱,则该方法识别结果就会较差,甚至失效;决策树方法利用了除亮度值以外的其他知识,识别结果较准,但是决策过程的抽象或判定规则的制定较为复杂。
考虑高分辨率光学图像空间结构丰富,导致常规灾后水体信息提取方法效果较差这一特点,探索一种能够提高水体信息提取精度的光学遥感图像灾后水体信息提取方法成为遥感图像处理领域的又一挑战。
发明内容
本发明所要解决的首要技术问题是针对上述现有技术提供一种既能够克服浓密植被、沥青道路等相似性地物对灾后水体信息提取的不利影响,又能够精确地从灾后区域中得到水体信息的高分辨率光学遥感图像灾后水体信息提取方法。
本发明进一步要解决的技术问题是提供一种实现上述灾后水体信息提取方法的灾后水体信息提取系统。
本发明解决上述首要技术问题所采用的技术方案为:高分辨率光学遥感图像灾后水体信息提取方法,其特征在于,依次包括如下步骤:
步骤1,选取灾后水体区域作为目标灾后水体研究区域,获取该目标灾后水体研究区域的高分辨率光学遥感图像,并对获取的目标灾后水体研究区域所对应的光学遥感图像依次进行辐射定标、大气校正、几何校正和噪声去除的预处理操作,得到目标灾后水体研究区域的预处理图像;
步骤2,利用基于广义模糊算子的方法对所得目标灾后水体研究区域的预处理图像进行增强处理,得到目标灾后水体研究区域的增强图像;其中,针对目标灾后水体研究区域预处理图像的增强处理过程包括如下步骤2-1至步骤2-3:
步骤2-1,利用模糊分布函数提取目标灾后水体研究区域预处理图像的模糊特征数据;其中,模糊特征数据标记为P,模糊特征P按照如下公式得到:
P = Γ ( X ) = ( X i j - D ) / ( X max - D ) , ( i = 1 , 2 , ... , M ; j = 1 , 2 , ... , N ) D = ( X max - X min ) / 2 ;
其中,X表示目标灾后水体研究区域的预处理图像,Γ(·)为模糊分布函数,i和j分别为图像像素所在的位置,M和N分别为图像的行数和列数,Xmax和Xmax分别是图像的最大灰度值和最小灰度值,Xij表示在位置(i,j)处图像像素的灰度值;
步骤2-2,利用广义模糊增强算子对所得模糊特征数据进行非线性模糊变换;其中,非线性模糊变换后的模糊特征数据标记为P',P'的计算公式如下:
P &prime; = G F O &lsqb; P &rsqb; = 1 - ( 1 + P ) 2 , - 1 &le; P < 0 P 2 , 0 &le; P < r 1 - 2 ( 1 - P ) 2 , r &le; P &le; 1 ;
其中,GFO[·]为广义模糊增强算子,r为分段因子,且r=0.2956;
步骤2-3,将处理后的模糊特征数据逆变换到空间域,得到增强后的目标灾后水体研究区域的增强图像;其中,目标灾后水体研究区域增强图像标记为X',X'由如下公式得到:
X'=Γ-1(P')=P'(Xmax-D)+D,D=(Xmax-Xmin)/2;
其中,Γ-1(·)为模糊分布函数Γ(·)的反函数;
步骤3,利用面向对象的方法对目标灾后水体研究区域的增强图像进行分割,并利用基于光谱信息的方法对分割后图像中的水体信息进行粗提取,得到粗提取的灾后水体信息;其中,所述灾后水体信息的粗提取过程包括步骤3-1至步骤3-3:
步骤3-1,统计目标灾后水体研究区域增强图像的直方图,并设定水体信息关于直方图的阈值T1和T2
步骤3-2,利用面向对象的方法对目标灾后水体研究区域的增强图像进行图像分割,得到若干分割后的独立增强图像单元,并分别统计每个独立增强图像单元的灰度均值、面积以及长宽比;
步骤3-3,根据设定的水体信息直方图阈值T1和T2以及得到的各独立增强图像单元的灰度均值,判断并得到灰度均值位于水体信息阈值T1和T2范围之内的独立增强图像单元作为灾后水体信息粗提取结果;
步骤4,根据水体信息提取特征知识判断方法,对得到的粗提取的灾后水体信息做精提取,得到精提取的灾后水体信息;其中,水体信息提取特征知识判断方法依次包括如下步骤4-1至步骤4-4:
步骤4-1,获取水体在灾害前的灾前水体遥感图像和灾害后的灾后水体遥感图像,并根据对应的灾前水体遥感图像和灾后水体遥感图像,分别得到水体在灾害前的灾前水体表现特征以及灾害后的灾后水体表现特征;其中,所述灾前水体表现特征和灾后水体表现特征均包括对应水体的光谱特征、几何特征、纹理特征和空间关系特征,灾后水体遥感图像所对应区域标记为C1
步骤4-2,获取灾后水体遥感图像区域C1的归一化植被指数INDVI,并设定归一化植被指数阈值T3后,进行如下判断:
当INDVI≤T3时,判定此归一化植被指数INDVI对应的遥感图像区域C2为水体、阴影和沥青路面,然后获取遥感图像区域C2的灰度值I2,并执行步骤4-3;否则,判定该归一化植被指数INDVI对应的遥感图像区域为浓密植被;其中,归一化植被指数INDVI计算公式如下:
I N D V I = N I R - R N I R + R ;
其中,NIR近红外波段的反射值,R为红光波段的反射值;
步骤4-3,设定候选灾后水体的面积阈值Ta1和Ta2(Ta1≤Ta2),设定候选灾后水体的长宽比阈值Ts1和Ts2(Ts1≤Ts2),并在获取遥感图像区域C2的面积Ia和长宽比Is后,进行如下判断:
当Ta1≤Ia≤Ta2且Ts1≤Is≤Ts2时,判定该面积对应的遥感图像区域C3为水体和阴影,然后获取该遥感图像区域C3的灰度值I3,并执行步骤4-4;否则,判定该面积对应的遥感图像区域为沥青路面;
步骤4-4,在所得遥感图像区域C3中,设定候选灾后水体区域平均灰度I1与邻近阴影区域平均灰度I2的差值阈值T4,且判断I1-I2≤T4时,则判定该候选灾后水体区域为水体;否则,判定该候选灾后水体区域为阴影区域;
步骤5,利用区域标记法对步骤4-4中所得水体区域进行孔洞填充,获取得到最终的灾后水体信息。
本发明还提供一种实现上述灾后水体信息提取方法的灾后水体信息提取系统,其特征在于,包括遥感图像数据获取模块、图像预处理模块、图像增强模块、灾后水体信息粗提取模块、灾后水体信息精提取模块以及进行孔洞填充的图像后处理模块;所述遥感图像数据获取模块连接图像预处理器模块,图像增强模块分别连接图像预处理器模块和灾后水体信息粗提取模块,灾后水体信息精提取模块分别连接灾后水体信息粗提取模块和图像后处理模块;其中:
遥感图像数据获取模块,用以分别获取水体灾害前后的光学遥感图像;
图像预处理模块,对遥感图像进行辐射定标、大气校正、几何校正和噪声去除的预处理操作,提高遥感图像质量;
图像增强模块,利用基于广义模糊算子的方法对预处理后的预处理遥感图像进行增强处理,以减弱灾后水体内部的异质性,增强其均一性;
水体信息粗提取模块,利用面向对象的方法对增强后的遥感图像进行分割,并设定光谱信息阈值,对水体信息进行粗提取;
水体信息精提取模块,用以在针对粗提取的水体信息,利用水体信息提取特征知识判断方法进行水体信息精提取;
图像后处理模块,采用区域标记法对精提取的水体信息进行孔洞填充。
与现有技术相比,本发明的优点在于:针对高分辨率光学遥感图像的特点,构建基于光谱信息的灾后水体信息提取方法,综合利用与水体有关的水体区域图像灰度值、水体区域面积、长宽比以及水体区域平均灰度值与邻近阴影区域平均灰度值间的关系,提高复杂环境下水体信息提取精度,有效避免了阴影、浓密植被和沥青公路等相似性地物对灾后水体信息提取的不利影响,也较好地抑制了悬浮泥沙含量增加引起水质变化、水流加速使得波浪增多等现象,保证了水体信息提取结果的可靠性和准确性;
另外,在本发明的灾后水体信息提取方法中,采用区域标记法对判断所得出的水体区域进行孔洞填充,以在不改变水体区域原有边界的情况下填充四周被水体包围的孔洞,进一步提高了提取灾后水体信息的效率。
附图说明
图1为本发明实施例中高分辨率光学遥感图像灾后水体信息提取方法的流程示意图;
图2为实现图1所示灾后水体信息提取方法的灾后水体信息提取系统结构示意图;
图3为获取的灾后水体区域的光学遥感图像;
图4为利用图1所示方法在图3中提取的灾后水体信息示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示,本实施例中高分辨率光学遥感图像灾后水体信息提取方法,依次包括如下步骤:
步骤1,选取灾后水体区域作为目标灾后水体研究区域,获取该目标灾后水体研究区域的高分辨率光学遥感图像,并对获取的目标灾后水体研究区域所对应的光学遥感图像依次进行辐射定标、大气校正、几何校正和噪声去除的预处理操作,以提高遥感图像质量和突出水体信息,从而得到目标灾后水体研究区域的预处理图像;辐射定标、大气校正、几何校正和噪声去除均属于现有技术,此处不做过多赘述;
例如,假设某A市下辖有七个县,七个县分别为A1、A2、A3、A4、A5、A6和A7;其中,A2县发生了洪灾,则A2县即为所要选取的灾后水体区域,也就是本实施例中需要研究的目标灾后水体研究区域;在确定目标灾后水体研究区域A2后,则获取该目标灾后水体研究区域A2的高分辨率光学遥感图像;目标灾后水体研究区域A2所对应的高分辨率光学遥感图像此处标记为CA2;经对遥感图像CA2预处理操作后,得到目标灾后水体研究区域的预处理图像此时记为C'A2
步骤2,利用基于广义模糊算子的方法对所得目标灾后水体研究区域的预处理图像进行增强处理,以减弱灾后水体内部的异质性,增强水体内部的均一性,得到目标灾后水体研究区域的增强图像;
在目标灾后水体研究区域,由于水流加速引起的波浪、泥沙等悬浮物质增加,这将会使得河流内部的光谱不再均一,如果仍然利用传统图像增强方法进行处理,会增大水体内部光谱的异质性,影响水体信息的提取效果。因此,在本步骤2中,利用基于广义模糊算子的方法对目标灾后水体研究区域的预处理图像进行增强处理,以在实现增强水体和其他目标地物对比度的基础上,减少目标地物内部的灰度层次,尽可能使水体内部的像素值归一化到相同或相近的灰度级,使水体能够较为完整、准确地通过图像形式提取出来;
其中,针对目标灾后水体研究区域预处理图像的增强处理过程包括如下步骤2-1至步骤2-3:
步骤2-1,利用模糊分布函数提取目标灾后水体研究区域预处理图像的模糊特征数据;其中,模糊特征数据标记为P,模糊特征P按照如下公式得到:
P = &Gamma; ( X ) = ( X i j - D ) / ( X max - D ) , ( i = 1 , 2 , ... , M ; j = 1 , 2 , ... , N ) D = ( X max - X min ) / 2 ;
其中,X表示目标灾后水体研究区域的预处理图像,Γ(·)为模糊分布函数,模糊分布函数属于现有技术,此处不做赘述;i和j分别为图像像素所在的位置,M和N分别为图像的行数和列数,Xmax和Xmax分别是图像的最大灰度值和最小灰度值,Xij表示在位置(i,j)处图像像素的灰度值;
步骤2-2,利用广义模糊增强算子对所得模糊特征数据进行非线性模糊变换;其中,非线性模糊变换后的模糊特征数据标记为P',P'的计算公式如下:
P &prime; = G F O &lsqb; P &rsqb; = 1 - ( 1 + P ) 2 , - 1 &le; P < 0 P 2 , 0 &le; P < r 1 - 2 ( 1 - P ) 2 , r &le; P &le; 1 ;
其中,GFO[·]为广义模糊增强算子,r为分段因子,且r=0.2956;
步骤2-3,将处理后的模糊特征数据逆变换到空间域,得到增强后的目标灾后水体研究区域的增强图像;其中,目标灾后水体研究区域增强图像标记为X',X'由如下公式得到:
X'=Γ-1(P')=P'(Xmax-D)+D,D=(Xmax-Xmin)/2;
其中,Γ-1(·)为模糊分布函数Γ(·)的反函数;
具体到目标灾后水体研究区域A2,其预处理图像C'A2经过增强处理后,所得到的目标灾后水体研究区域的增强图像记为C″A2
步骤3,利用面向对象的方法对目标灾后水体研究区域的增强图像进行分割,并利用基于光谱信息的方法对分割后图像中的水体信息进行粗提取,得到粗提取的灾后水体信息;其中,灾后水体信息的粗提取过程包括步骤3-1至步骤3-3:
步骤3-1,统计目标灾后水体研究区域增强图像的直方图,并设定水体信息关于直方图的阈值T1和T2
步骤3-2,利用面向对象的方法对目标灾后水体研究区域的增强图像进行图像分割,得到若干分割后的独立增强图像单元,并分别统计每个独立增强图像单元的灰度均值、面积以及长宽比;
步骤3-3,根据设定的水体信息直方图阈值T1和T2以及得到的各独立增强图像单元的灰度均值,判断并得到灰度均值位于水体信息阈值T1和T2范围之内的独立增强图像单元作为灾后水体信息粗提取结果;
步骤4,根据水体信息提取特征知识判断方法,对得到的粗提取的灾后水体信息做精提取,得到精提取的灾后水体信息;其中,水体信息提取特征知识判断方法依次包括如下步骤4-1至步骤4-4:
步骤4-1,获取水体在灾害前的灾前水体遥感图像和灾害后的灾后水体遥感图像,并根据对应的灾前水体遥感图像和灾后水体遥感图像,分别得到水体在灾害前的灾前水体表现特征以及灾害后的灾后水体表现特征;其中,灾前水体表现特征和灾后水体表现特征均包括对应水体的光谱特征、几何特征、纹理特征和空间关系特征;其中:
水体的光谱特征即为对应水体区域图像的灰度值,水体的几何特征对应着水体区域的面积以及长宽比,水体的空间关系特征则对应着水体区域平均灰度值与邻近阴影区域平均灰度值之间的大小关系特征情况;
步骤4-2,获取目标灾后水体研究区域的增强图像C1的归一化植被指数INDVI,并设定归一化植被指数阈值T3后,进行如下判断:
当INDVI≤T3时,判定此归一化植被指数INDVI对应的遥感图像区域C2为水体、阴影和沥青路面,然后获取遥感图像区域C2的灰度值I2,并执行步骤4-3;否则,判定该归一化植被指数INDVI对应的遥感图像区域为浓密植被;其中,归一化植被指数INDVI计算公式如下:
I N D V I = N I R - R N I R + R ;
其中,NIR近红外波段的反射值,R为红光波段的反射值;
在本步骤4-2中,经利用归一化植被指数阈值T3对目标灾后水体研究区域的增强图像C1中的各区域进行判断后,目标灾后水体研究区域的增强图像C1被分为两个区域:一个区域是遥感图像区域C2,另一个区域是C1-C2所对应的遥感图像区域;在遥感图像区域C2中,又包含了水体区域、阴影区域和沥青路面区域;而在遥感图像区域C1-C2中,经判断只包含了浓密植被区域,该浓密植被区域由于未含水体区域,则在后续的水体信息提取中,该浓密植被区域不再进行考虑;
步骤4-3,设定候选灾后水体的面积阈值Ta1和Ta2(Ta1≤Ta2),设定候选灾后水体的长宽比阈值Ts1和Ts2(Ts1≤Ts2),并在获取遥感图像区域C2的面积Ia和长宽比Is后,进行如下判断:
当Ta1≤Ia≤Ta2且Ts1≤Is≤Ts2时,判定该面积对应的遥感图像区域C3为水体和阴影,然后获取该遥感图像区域C3的灰度值I3,并执行步骤4-4;否则,判定该面积对应的遥感图像区域为沥青路面;
可知,在该步骤4-3中,通过设定一组面积阈值(Ta1,Ta2)和一组区域长宽比阈值(Ts1,Ts2),将步骤4-2中所得到的遥感图像区域C2又分成两个区域:一个区域是满足阈值判断条件的遥感图像区域C3,另一个区域则是C2-C3所对应的遥感图像区域;在遥感图像区域C3中,包含了水体区域和阴影区域;在遥感图像区域C2-C3中,全部为沥青路面。由于该遥感图像区域C2-C3经判断不含有水体,在后续的水体信息提取中,同样不予考虑该区域C2-C3
步骤4-4,在所得遥感图像区域C3中,设定候选灾后水体区域平均灰度I1与邻近阴影区域平均灰度I2的差值阈值T4,且判断I1-I2≤T4时,则判定该候选灾后水体区域为水体;否则,判定该候选灾后水体区域为阴影区域;
在该步骤4-4中,通过设定水体区域平均灰度I1与邻近阴影区域平均灰度I2之间的差值阈值T4,将步骤4-3中所得到的遥感图像区域C3又分成两个区域:一个区域是满足阈值判断条件(I1-I2≤T4)的遥感图像区域C4,另一个区域则是C3-C4所对应的遥感图像区域;在遥感图像区域C4中,此遥感图像区域C4经判断后,全部为水体区域,即所要提取的候选灾后水体区域;在遥感图像区域C3-C4中,全部为阴影区域,此处的阴影区域在后续水体信息提取中同样也不予考虑;
步骤5,利用区域标记法对步骤4-4中所得水体区域进行孔洞填充,即对遥感图像区域C4处进行空洞填充,以在不改变水体区域原有边界的情况下填充四周被水体包围的孔洞,进一步提高提取灾后水体信息的效率,获取得到最终的灾后水体信息。通过结合研究此时所得到的最终的灾后水体信息,即可以对灾后的该区域水体情况作出监测分析结论。
在本实施例一中,以图3所示的遥感图像作为待提取的灾后水体区域图像,S形走向的部分为水流区域,其他部分为植被、公路等非水流区域,利用本实施例中的灾后水体信息提取方法对图3中的灾后水体区域进行了提取,灾后水体提取后的效果参见图4所示。可见,在图4中的白色区域即为灾后的水体区域,黑色区域部分为植被、公路等非水流区域。通过比较图3和图4能够知道,图4中的提取的水体区域很好的反映了该区域水体的实际情况,有效避免了阴影、浓密植被和沥青公路等相似性地物对灾后水体信息提取的不利影响,也较好地抑制了悬浮泥沙含量增加引起水质变化、水流加速使得波浪增多等现象,保证了水体信息提取结果的可靠性和准确性。
实施例二
如图2所示,本实施例提供一种灾后水体信息提取系统,该灾后水体信息提取系统能够实现实施例中所述的灾后水体信息提取方法。具体地,该灾后水体信息提取系统,包括遥感图像数据获取模块、图像预处理模块、图像增强模块、灾后水体信息粗提取模块、灾后水体信息精提取模块以及进行孔洞填充的图像后处理模块;遥感图像数据获取模块连接图像预处理器模块,图像增强模块分别连接图像预处理器模块和灾后水体信息粗提取模块,灾后水体信息精提取模块分别连接灾后水体信息粗提取模块和图像后处理模块;其中:
遥感图像数据获取模块,用以分别获取水体灾害前后的光学遥感图像;
图像预处理模块,对遥感图像进行辐射定标、大气校正、几何校正和噪声去除的预处理操作,提高遥感图像质量;
图像增强模块,利用基于广义模糊算子的方法对预处理后的预处理遥感图像进行增强处理,以减弱灾后水体内部的异质性,增强其均一性;
水体信息粗提取模块,利用面向对象的方法对增强后的遥感图像进行分割,并设定光谱信息阈值,对水体信息进行粗提取;
水体信息精提取模块,用以在针对粗提取的水体信息,利用水体信息提取特征知识判断方法进行水体信息精提取;
图像后处理模块,采用区域标记法对精提取的水体信息进行孔洞填充。

Claims (2)

1.高分辨率光学遥感图像灾后水体信息提取方法,其特征在于,依次包括如下步骤:
步骤1,选取灾后水体区域作为目标灾后水体研究区域,获取该目标灾后水体研究区域的高分辨率光学遥感图像,并对获取的目标灾后水体研究区域所对应的光学遥感图像依次进行辐射定标、大气校正、几何校正和噪声去除的预处理操作,得到目标灾后水体研究区域的预处理图像;
步骤2,利用基于广义模糊算子的方法对所得目标灾后水体研究区域的预处理图像进行增强处理,得到目标灾后水体研究区域的增强图像;其中,针对目标灾后水体研究区域预处理图像的增强处理过程包括如下步骤2-1至步骤2-3:
步骤2-1,利用模糊分布函数提取目标灾后水体研究区域预处理图像的模糊特征数据;其中,模糊特征数据标记为P,模糊特征P按照如下公式得到:
P = &Gamma; ( X ) = ( X i j - D ) / ( X max - D ) , ( i = 1 , 2 , ... , M ; j = 1 , 2 , ... , N ) D = ( X max - X min ) / 2 ;
其中,X表示目标灾后水体研究区域的预处理图像,Г(·)为模糊分布函数,i和j分别为图像像素所在的位置,M和N分别为图像的行数和列数,Xmax和Xmax分别是图像的最大灰度值和最小灰度值,Xij表示在位置(i,j)处图像像素的灰度值;
步骤2-2,利用广义模糊增强算子对所得模糊特征数据进行非线性模糊变换;其中,非线性模糊变换后的模糊特征数据标记为P',P'的计算公式如下:
P &prime; = G F O &lsqb; P &rsqb; = 1 - ( 1 + P ) 2 , - 1 &le; P < 0 P 2 , 0 &le; P < r 1 - 2 ( 1 - P ) 2 , r &le; P &le; 1 ;
其中,GFO[·]为广义模糊增强算子,r为分段因子,且r=0.2956;
步骤2-3,将处理后的模糊特征数据逆变换到空间域,得到增强后的目标灾后水体研究区域的增强图像;其中,目标灾后水体研究区域增强图像标记为X',X'由如下公式得到:
X'=Г-1(P')=P'(Xmax-D)+D,D=(Xmax-Xmin)/2;
其中,Г-1(·)为模糊分布函数Г(·)的反函数;
步骤3,利用面向对象的方法对目标灾后水体研究区域的增强图像进行分割,并利用基于光谱信息的方法对分割后图像中的水体信息进行粗提取,得到粗提取的灾后水体信息;其中,所述灾后水体信息的粗提取过程包括步骤3-1至步骤3-3:
步骤3-1,统计目标灾后水体研究区域增强图像的直方图,并设定水体信息关于直方图的阈值T1和T2
步骤3-2,利用面向对象的方法对目标灾后水体研究区域的增强图像进行图像分割,得到若干分割后的独立增强图像单元,并分别统计每个独立增强图像单元的灰度均值、面积以及长宽比;
步骤3-3,根据设定的水体信息直方图阈值T1和T2以及得到的各独立增强图像单元的灰度均值,判断并得到灰度均值位于水体信息阈值T1和T2范围之内的独立增强图像单元作为灾后水体信息粗提取结果;
步骤4,根据水体信息提取特征知识判断方法,对得到的粗提取的灾后水体信息做精提取,得到精提取的灾后水体信息;其中,水体信息提取特征知识判断方法依次包括如下步骤4-1至步骤4-4:
步骤4-1,获取水体在灾害前的灾前水体遥感图像和灾害后的灾后水体遥感图像,并根据对应的灾前水体遥感图像和灾后水体遥感图像,分别得到水体在灾害前的灾前水体表现特征以及灾害后的灾后水体表现特征;其中,所述灾前水体表现特征和灾后水体表现特征均包括对应水体的光谱特征、几何特征、纹理特征和空间关系特征,灾后水体遥感图像所对应区域标记为C1
步骤4-2,获取灾后水体遥感图像区域C1的归一化植被指数INDVI,并设定归一化植被指数阈值T3后,进行如下判断:
当INDVI≤T3时,判定此归一化植被指数INDVI对应的遥感图像区域C2为水体、阴影和沥青路面,然后获取遥感图像区域C2的灰度值I2,并执行步骤4-3;否则,判定该归一化植被指数INDVI对应的遥感图像区域为浓密植被;其中,归一化植被指数INDVI计算公式如下:
I N D V I = N I R - R N I R + R ;
其中,NIR近红外波段的反射值,R为红光波段的反射值;
步骤4-3,设定候选灾后水体的面积阈值Ta1和Ta2(Ta1≤Ta2),设定候选灾后水体的长宽比阈值Ts1和Ts2(Ts1≤Ts2),并在获取遥感图像区域C2的面积Ia和长宽比Is后,进行如下判断:
当Ta1≤Ia≤Ta2且Ts1≤Is≤Ts2时,判定该面积对应的遥感图像区域C3为水体和阴影,然后获取该遥感图像区域C3的灰度值I3,并执行步骤4-4;否则,判定该面积对应的遥感图像区域为沥青路面;
步骤4-4,在所得遥感图像区域C3中,设定候选灾后水体区域平均灰度I1与邻近阴影区域平均灰度I2的差值阈值T4,且判断I1-I2≤T4时,则判定该候选灾后水体区域为水体;否则,判定该候选灾后水体区域为阴影区域;
步骤5,利用区域标记法对步骤4-4中所得水体区域进行孔洞填充,获取得到最终的灾后水体信息。
2.实现权利要求1所述灾后水体信息提取方法的灾后水体信息提取系统,其特征在于,包括遥感图像数据获取模块、图像预处理模块、图像增强模块、灾后水体信息粗提取模块、灾后水体信息精提取模块以及进行孔洞填充的图像后处理模块;所述遥感图像数据获取模块连接图像预处理器模块,图像增强模块分别连接图像预处理器模块和灾后水体信息粗提取模块,灾后水体信息精提取模块分别连接灾后水体信息粗提取模块和图像后处理模块;其中:
遥感图像数据获取模块,用以分别获取水体灾害前后的光学遥感图像;
图像预处理模块,对遥感图像进行辐射定标、大气校正、几何校正和噪声去除的预处理操作,提高遥感图像质量;
图像增强模块,利用基于广义模糊算子的方法对预处理后的预处理遥感图像进行增强处理,以减弱灾后水体内部的异质性,增强其均一性;
水体信息粗提取模块,利用面向对象的方法对增强后的遥感图像进行分割,并设定光谱信息阈值,对水体信息进行粗提取;
水体信息精提取模块,用以在针对粗提取的水体信息,利用水体信息提取特征知识判断方法进行水体信息精提取;
图像后处理模块,采用区域标记法对精提取的水体信息进行孔洞填充。
CN201610288294.1A 2016-05-03 2016-05-03 高分辨率光学遥感图像灾后水体信息提取方法及系统 Active CN106022341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610288294.1A CN106022341B (zh) 2016-05-03 2016-05-03 高分辨率光学遥感图像灾后水体信息提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610288294.1A CN106022341B (zh) 2016-05-03 2016-05-03 高分辨率光学遥感图像灾后水体信息提取方法及系统

Publications (2)

Publication Number Publication Date
CN106022341A true CN106022341A (zh) 2016-10-12
CN106022341B CN106022341B (zh) 2018-08-31

Family

ID=57082268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610288294.1A Active CN106022341B (zh) 2016-05-03 2016-05-03 高分辨率光学遥感图像灾后水体信息提取方法及系统

Country Status (1)

Country Link
CN (1) CN106022341B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171245A (zh) * 2017-10-09 2018-06-15 浙江海洋大学 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置
CN109447916A (zh) * 2018-10-30 2019-03-08 环境保护部华南环境科学研究所 一种基于高分辨率遥感影像的水质定量方法
CN109471445A (zh) * 2018-11-01 2019-03-15 浙江海洋大学 一种移动式的新型养殖监测系统
CN109544558A (zh) * 2018-09-27 2019-03-29 浙江工业大学 一种城市复杂环境下阴影与水体分离方法
CN110246119A (zh) * 2019-05-09 2019-09-17 华北电力大学 基于sar影像的输电杆塔水灾故障隐患的识别方法
CN110389127A (zh) * 2019-07-03 2019-10-29 浙江大学 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN110399860A (zh) * 2019-08-02 2019-11-01 吉林高分遥感应用研究院有限公司 一种玉米涝灾监测方法及系统
CN110443821A (zh) * 2019-07-09 2019-11-12 成都理工大学 基于图像的水体检测方法及水体检测装置
CN110574360A (zh) * 2017-04-25 2019-12-13 富士胶片株式会社 图像处理装置、摄像装置、图像处理方法及程序
CN110827229A (zh) * 2019-11-01 2020-02-21 中国科学院长春光学精密机械与物理研究所 一种基于纹理加权直方图均衡化的红外图像增强方法
CN111753680A (zh) * 2020-06-09 2020-10-09 生态环境部卫星环境应用中心 一种基于高分辨率卫星数据的河流生态流量保障程度遥感快速判别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHOU LIGUO等: "An Investigation of Urban Water Automatic Extraction Based on Texture and Imaging Knowledge from High Resolution SAR Images", 《2009 JOINT URBAN REMOTE SENSING EVENT》 *
殷亚秋等: "基于高分辨率遥感影像的面向对象水体提取方法研究", 《测绘通报》 *
程滔等: "基于高分辨率遥感影像的地理国情普查水体信息提取方法", 《测绘通报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110574360B (zh) * 2017-04-25 2020-12-29 富士胶片株式会社 图像处理装置、摄像装置、图像处理方法及程序
CN110574360A (zh) * 2017-04-25 2019-12-13 富士胶片株式会社 图像处理装置、摄像装置、图像处理方法及程序
CN108171245A (zh) * 2017-10-09 2018-06-15 浙江海洋大学 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置
CN109544558A (zh) * 2018-09-27 2019-03-29 浙江工业大学 一种城市复杂环境下阴影与水体分离方法
CN109544558B (zh) * 2018-09-27 2021-05-11 浙江工业大学 一种城市复杂环境下阴影与水体分离方法
CN109447916A (zh) * 2018-10-30 2019-03-08 环境保护部华南环境科学研究所 一种基于高分辨率遥感影像的水质定量方法
CN109471445A (zh) * 2018-11-01 2019-03-15 浙江海洋大学 一种移动式的新型养殖监测系统
CN110246119B (zh) * 2019-05-09 2021-06-08 华北电力大学 基于sar影像的输电杆塔水灾故障隐患的识别方法
CN110246119A (zh) * 2019-05-09 2019-09-17 华北电力大学 基于sar影像的输电杆塔水灾故障隐患的识别方法
CN110389127B (zh) * 2019-07-03 2020-08-14 浙江大学 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN110389127A (zh) * 2019-07-03 2019-10-29 浙江大学 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN110443821A (zh) * 2019-07-09 2019-11-12 成都理工大学 基于图像的水体检测方法及水体检测装置
CN110443821B (zh) * 2019-07-09 2023-05-05 成都理工大学 基于图像的水体检测方法及水体检测装置
CN110399860A (zh) * 2019-08-02 2019-11-01 吉林高分遥感应用研究院有限公司 一种玉米涝灾监测方法及系统
CN110827229A (zh) * 2019-11-01 2020-02-21 中国科学院长春光学精密机械与物理研究所 一种基于纹理加权直方图均衡化的红外图像增强方法
CN111753680A (zh) * 2020-06-09 2020-10-09 生态环境部卫星环境应用中心 一种基于高分辨率卫星数据的河流生态流量保障程度遥感快速判别方法

Also Published As

Publication number Publication date
CN106022341B (zh) 2018-08-31

Similar Documents

Publication Publication Date Title
CN106022341A (zh) 高分辨率光学遥感图像灾后水体信息提取方法及系统
Trier et al. Automatic detection of mound structures in airborne laser scanning data
US20210199579A1 (en) Method and system for urban impervious surface extraction based on remote sensing
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
CN103714339B (zh) 基于矢量数据的sar影像道路损毁信息提取方法
Zhao et al. Waterbody information extraction from remote-sensing images after disasters based on spectral information and characteristic knowledge
CN102063720B (zh) 基于Treelets的遥感图像变化检测方法
CN107862255B (zh) 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法
CN109583321A (zh) 一种基于深度学习的结构化道路中小物体的检测方法
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN103049763A (zh) 一种基于上下文约束的目标识别方法
Xu et al. Multi-source remote sensing data classification via fully convolutional networks and post-classification processing
CN109840553A (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
CN115452759B (zh) 一种基于卫星遥感数据的河湖健康指标评价方法及系统
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法
CN111597949A (zh) 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
Lambers et al. Towards detection of archaeological objects in high-resolution remotely sensed images: the Silvretta case study
CN105512622A (zh) 一种基于图分割和监督学习的可见光遥感图像海陆分割方法
CN111028244A (zh) 基于超像素的已知样本不均衡情况下的遥感图像语义分割的方法
CN102231190B (zh) 冲洪积扇信息的自动提取方法
CN112330562B (zh) 一种异构遥感图像变换方法及系统
Wei et al. Texture feature analysis in oil spill monitoring by SAR image
Henderson et al. Raster map image analysis
Ren et al. Geological disaster detection from remote sensing image based on experts' knowledge and image features
Yan et al. Water mapping using multispectral airborne LiDAR data

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230907

Address after: Room 1402, Building 1, Haimao Building, No. 95 Yushi 1st Road, Shenjiamen Street, Putuo District, Zhoushan City, Zhejiang Province, 316100

Patentee after: Qidi Marine Technology Industry Research Institute Putuo District Zhoushan City

Address before: 316022 No.1 Haida South Road, Changzhi Island, Lincheng street, Dinghai District, Zhoushan City, Zhejiang Province

Patentee before: Zhejiang Ocean University

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20161012

Assignee: Haice information technology (Zhejiang) Co.,Ltd.

Assignor: Qidi Marine Technology Industry Research Institute Putuo District Zhoushan City

Contract record no.: X2024330000004

Denomination of invention: Method and System for Extracting Water Body Information from High Resolution Optical Remote Sensing Images after Disaster

Granted publication date: 20180831

License type: Common License

Record date: 20240108