CN106023133B - 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 - Google Patents

一种基于多特征联合处理的高分辨率遥感影像水体提取方法 Download PDF

Info

Publication number
CN106023133B
CN106023133B CN201610261434.6A CN201610261434A CN106023133B CN 106023133 B CN106023133 B CN 106023133B CN 201610261434 A CN201610261434 A CN 201610261434A CN 106023133 B CN106023133 B CN 106023133B
Authority
CN
China
Prior art keywords
water body
pixel
feature
ndwi
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.)
Active
Application number
CN201610261434.6A
Other languages
English (en)
Other versions
CN106023133A (zh
Inventor
张永军
张毅
张彦峰
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201610261434.6A priority Critical patent/CN106023133B/zh
Publication of CN106023133A publication Critical patent/CN106023133A/zh
Application granted granted Critical
Publication of CN106023133B publication Critical patent/CN106023133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30181Earth observation

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多特征联合处理的高分辨率遥感影像水体提取方法。首先对遥感影像进行辐射定标,得到地物的表观辐射量,从而通过对像元长度特征进行阈值分割排除大部分的非水体像素;然后对上述步骤保留下的水体待选像素的NDWI特征进行阈值分割,得到水体待选对象;对小面积待选对象覆盖的像素的NDWI特征再次进行阈值分割,进一步排除混杂的背景像素;最后使用区域生长的方式进行水体的边缘优化得到最终的水体对象掩膜。本发明在水体提取时使用了局部结构长度特征,体现了水体的分布特点,并抑制了大部分阴影的干扰,避免了直接分类的方式融合多种特征造成的无法充分体现不同特征特点的问题;自动的水体提取,且运行速度快。

Description

一种基于多特征联合处理的高分辨率遥感影像水体提取方法
技术领域
本发明涉及一种基于多特征联合处理的高分辨率遥感影像水体提取方法。
背景技术
地表水体是人类生存和社会发展不可取代的基本要素。针对地表水体的研究对气候模型,农业稳定性,河流变化,湿地监管,地表水体调研和管理,环境监测等领域起着重要的作用。准确提取地表水体位置、体积、变化信息是进一步的水体研究以及制定相关政策的关键一步。相比于传统的实地调查手段,遥感技术提供了快速获取地表水体的契机,大大降低了获得地表水体信息的时间与人力成本。因此,高分辨率遥感影像水体提取是具有实际意义的基础和关键性问题。
由于地表水体的多样性,从高分辨率遥感影像提取水体是个复杂的问题。目前水体提取时使用的特征主要为光谱特征、多种水体指数、纹理信息等,然而这些特征并不足以提取出高分影像上的水体。纯净水体具有光谱反射率随波长增加的特性,而浑浊水体则可能不具有该特点,并且水体与阴影的光谱特征容易混淆,这造成了光谱特征的局限性。水体指数能够增加水体与背景地物区分度,然而某些背景地物如建筑物与水体在水体指数的分布上存在重叠,这会造成这些背景地物与水体相混淆的问题。纹理信息考虑到了水体像素的分布特点,由于水体像素之间的差异比其他地物之间的差异小,因此,水体的分布较为平滑,纹理特征值较小。然而,纹理信息在计算过程中往往需要进行取窗口,该过程会造成边缘像素的混淆,引起水体边缘提取错误,小水体丢失的问题。
针对以上问题,本发明将使用像元长度特征进行水体的提取。像元长度特征能够充分体现水体内部分布均匀的特性,其计算过程中会考虑到光谱的差异性,并且不同于纹理信息,像元长度特征不需要通过移动窗口进行计算。由于水体对象内部像素差异较小,水体像素的像元长度特征取值较大,并且受像素所在的水体对象面积大小限制。充分利用像元长度特征的特性,可以排除大部分的建筑物、阴影等背景地物的干扰。在此基础上,结合水体的光谱特征、水体指数特征、水体对象面积特征可以很好的提取出高分辨率遥感影像上的水体对象信息。
发明内容
本发明主要是解决现有技术所使用特征不足以充分体现水体与背景地物之间差异的缺点,分析了像元长度特征对水体提取的作用,并且根据多种特征的特点,提出了一种联合多种特征进行高分辨率遥感影像水体提取的方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于多特征联合处理的高分辨率遥感影像水体提取方法,用于自动的从高分辨率遥感影像上提取水体信息;其特征在于,包括以下步骤:
步骤1,对遥感影像进行辐射定标,方法如下:
首先根据公式(1)将卫星各载荷的通道观测技术值DN转换为卫星载荷入瞳处等效表观辐射亮度:
L=Gain·DN+Bias (1)
式中:Gain为定标斜距,单位为W·m-1·sr-1·μm-1;DN为卫星载荷观测值;Bias为定标截距,单位为W·m-1·sr-1·μm-1;以上参数均由实际卫星数据给出;
再根据如下公式,得到大气顶端的表观辐射量:
ρ=π*L*d2/(ESUN*cos(θ)) (2)
其中,L为上一步得到的入瞳处的表观辐射量,d为年积日即影像获取时间为一年中的第几天,θ为太阳高度角,以上数据可从影像的元数据获得,ESUN为太阳表观辐射率均值,不同的卫星传感器会给定相应的取值;
步骤2,计算水体指数特征(NDWI),NDWI使用如下公式进行计算:
其中green为遥感影像上的绿波段,NIR为近红外波段的辐射量;
步骤3,将NDWI特征线性拉伸到[0,100]范围为SNDWI(Stretched NDWI)特征,使用SNDWI提取像元长度特征(Length),计算SNDWI和Length特征的具体方法如下:
其中NDWI的计算方法由步骤2给出,min为NDWI的最小值,max为NDWI的最大值,即对每个像素的NDWI特征减去最小值后拉伸到[0,100]的范围,符号表示对a进行向下取整;
计算SNDWI计算Length特征具体方法如下:
1)获取方向线;
方向线为通过中心点的延长方向线,而不是从中心点出发的射线;在计算之前预先给定方向线,一般来说方向线多得到的计算结果更好;方向线的获取可以通过中心点坐标(求取Length特征的点)和斜率根据DDA算法、Bresenham算法等计算得到,也可以如附图2所示预先给定掩膜矩阵,附图2中黑色表示计算点,不同灰度的像素表示了四条方向线;当满足以下条件时,中心像素沿各条方向线向两个方向延长:①PHi小于特定的特征th_T1;②该方向上总像素个数小于另一给定特征th_T2;
计算像素相似性(pixel homogeneity):
其中,PHi代表i方向上中心像素与周围像素的特征相似性,n表示特征个数,表示中心像素的特征,表示周围像素的特征值;
若以上任一条件无法满足时,则停止生长该方向下,开始生长下一条方向线;
2)计算各方向线的长度;
在确定每条方向线后,根据以下公式计算方向线的长度:
di=max{|me1-me2|,|ne1-ne2|} (6)
其中,(me1,ne1)表示方向线一端点的行列号,(me2,ne2)表示方向线的另一端端点的行列号;
根据上述步骤,可得到每条方向线长度组成的长度向量(d1,d2,d3,…,dD),D表示方向的个数;
3)选择方向线向量中的最大值为Length特征;
步骤4,对提取的Length特征进行阈值分割,Length特征大于阈值的部分为水体待选像素;
步骤5,对水体待选像素的NDWI特征进行阈值分割,去除部分非水体像素;
步骤6,对剩下的水体待选像素进行连通性分析,得到水体待选对象,并使用双阈值对水体待选对象进行阈值分割(t1<t2),舍去小于面积小于t1的对象,保留面积大于t2的为大面积水体,面积大于t1小于t2的为小面积待选水体对象;
步骤7,对小面积水体待选对象所有像素的NDWI特征进行阈值分割;
步骤8,对所有水体对象进行边缘优化。
在上述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,所述的步骤3和4中,使用拉伸后的NDWI特征(SNDWI),计算像元长度特征,并通过对像元长度特征进行阈值分割,排除大部分背景像素在后续处理中的干扰。
在上述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,所述的步骤4中,对提取的Length特征进行阈值分割的可依据如下策略:因为Length特征可以反映地物的结构、尺度特征,水体对象内部的Length特征主要受水体尺度约束,而其他地物特征由于内部差异较大则Length特征较小,故这里人工给定一个较小的值即可得到可能的水体像素。
在上述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,所述的步骤5中,对水体待选像素的NDWI特征进行阈值分割的方法为:待选像素由水体和部分背景地物像素组成,诸如分布比较平滑的建筑物屋顶、道路、植被信息,因此可以使用OTSU算法进行分割,去除大部分和水体像素差异较大的背景像素,其他经典的阈值分割方法也可以用在此处,分割后水体待选像素值为1,背景像素为0。
在上述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,所述的步骤6中,对水体待选像素进行连通性分析构造水体对象并对水体对象面积进行双阈值分割的方法如下:使用上述步骤生成的水体待选像素掩膜,通过区域生长得到水体待选对象;区域生长方式为若相邻像素均为1则被归为同一个对象,从影像起始处开始生长,直到处理完成整幅影像;常用的连通性分析为四邻域和八邻域两种,推荐使用八邻域处理,这样可以避免后续操作中水体对象的丢失。
对得到的水体对象的面积特征进行双阈值分割,使用双阈值(t1和t2,满足t1<t2)分割后,可将水体对象分为三类:
1)面积小于t1的水体对象为噪声的概率较高,并且面积过小的水体不具有提取的意义,这里直接舍去;
2)面积大于t2的大面积对象,由于遥感影像上存在面积大于t2且可以通过水体待选像素初次分割结果的背景地物的概率较小,故接受大面积对象为水体对象;
3)面积大于t1小于t2的小面积对象,由于小面积的对象中含有混合的背景地物的概率较高,这里将小面积对象作为小面积水体待选对象进行后续处理,排除背景地物。
在上述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,所述的步骤7中,对小面积水体待选对象所有像素的NDWI特征进行阈值分割的方法为:小面积水体与小面积背景地物之间的NDWI特征差异明显;具体而言,如果小面积待选水体对象中含有背景地物的干扰,则其覆盖范围内的所有像素的NDWI特征会呈现较好的双峰分布;这里使用常用的阈值分割方法即可得到小面积水体像素,常用的方法有OTSU,EM等算法,考虑到算法的稳定性和效率,本发明推荐使用OTSU算法。
在上述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,所述的步骤8中,对所有水体对象进行边缘优化的具体方法为:
首先,使用Canny算子计算影像边缘信息,标记边缘像素;
将所有水体对象的边界像素作为种子点,计算种子点与其邻域内非水体像素之间的光谱角距离(SA),若该非水体像素不为Canny边缘,且SA小于给定阈值(th_sa)则认为该像素为水体,设置该像素为水体,并加入种子点,重复以上操作直到所有种子点均被处理完毕为止;
其中,x和y为两像素的表观反射率向量,对于具有可见光和近红外四个波段的高分辨率遥感影像来说,x和y均为格式为{b1,b2,b3,b4}的四维向量,bi,i={1,2,3,4}表示像素在四个波段上的表观反射率。
本发明具有如下优点:在水体提取是使用了像元长度特征,体现了水体的分布特点,并抑制了大部分阴影、建筑物的干扰;考虑了不同面积水体的特征,进行分开提取保证了提取的稳定性;结合了光谱、水体指数、像元长度等多种特征,并根据每种特征的原理和水体的特性进行针对性的提取,避免了直接分类的方式融合多种特征造成的无法充分体现不同特征特点的问题;自动的水体提取,且运行速度快。
附图说明
图1为本发明的总体流程图。
图2为计算Length特征时的方向线示意图。
图3a为生成水体对象时的邻域示意图(四邻域)。
图3b为生成水体对象时的邻域示意图(八邻域)。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本发明提供的技术方案是,一种基于多特征联合处理的高分辨率遥感影像水体提取方法,利用像元长度特征的在水体提取中的优点,与水体指数和水体对象的面积特征相结合,提高了水体提取的正确率和稳定性。如图1所示,包括以下步骤:
步骤1,对遥感影像进行辐射定标,方法如下:
首先根据公式(1)将卫星各载荷的通道观测技术值DN转换为卫星载荷入瞳处等效表观辐射亮度:
L=Gain·DN+Bias (1)
式中:Gain为定标斜距,单位为W·m-1·sr-1·μm-1;DN为卫星载荷观测值;Bias为定标截距,单位为W·m-1·sr-1·μm-1;以上参数均由实际卫星数据给出;
再根据如下公式,得到大气顶端的表观辐射量:
ρ=π*L*d2/(ESUN*cos(θ)) (2)
其中,L为上一步得到的入瞳处的表观辐射量,d为年积日即影像获取时间为一年中的第几天,θ为太阳高度角,以上数据可从影像的元数据获得,ESUN为太阳表观辐射率均值,不同的卫星传感器会给定相应的取值;
步骤2,计算水体指数特征(NDWI),NDWI使用如下公式进行计算:
其中green为遥感影像上的绿波段,NIR为近红外波段的辐射量;
步骤3,将NDWI特征线性拉伸到[0,100]范围为SNDWI(Stretched NDWI)特征,使用SNDWI提取像元长度特征(Length),计算SNDWI和Length特征的具体方法如下:
其中NDWI的计算方法由步骤2给出,min为NDWI的最小值,max为NDWI的最大值,即对每个像素的NDWI特征减去最小值后拉伸到[0,100]的范围,符号表示对a进行向下取整;
计算SNDWI计算Length特征具体方法如下:
1)获取方向线;
方向线为通过中心点的延长方向线,而不是从中心点出发的射线;在计算之前预先给定方向线,一般来说方向线多得到的计算结果更好;方向线的获取可以通过中心点坐标(求取Length特征的点)和斜率根据DDA算法、Bresenham算法等计算得到,也可以如附图2所示预先给定掩膜矩阵,附图2中黑色表示计算点,不同灰度的像素表示了四条方向线;当满足以下条件时,中心像素沿各条方向线向两个方向延长:①PHi小于特定的特征th_T1;②该方向上总像素个数小于另一给定特征th_T2;
计算像素相似性(pixel homogeneity):
其中,PHi代表i方向上中心像素与周围像素的特征相似性,n表示特征个数,表示中心像素的特征,表示周围像素的特征值;
若以上任一条件无法满足时,则停止生长该方向下,开始生长下一条方向线;
2)计算各方向线的长度;
在确定每条方向线后,根据以下公式计算方向线的长度:
di=max{|me1-me2|,|ne1-ne2|} (6)
其中,(me1,ne1)表示方向线一端点的行列号,(me2,ne2)表示方向线的另一端端点的行列号;
根据上述步骤,可得到每条方向线长度组成的长度向量(d1,d2,d3,…,dD),D表示方向的个数;
3)选择方向线向量中的最大值为Length特征;
步骤4,对提取的Length特征进行阈值分割,Length特征大于阈值的部分为水体待选像素;
步骤5,对水体待选像素的NDWI特征进行阈值分割,去除部分非水体像素;
步骤6,对剩下的水体待选像素进行连通性分析,得到水体待选对象,并使用双阈值对水体待选对象进行阈值分割(t1<t2),舍去小于面积小于t1的对象,保留面积大于t2的为大面积水体,面积大于t1小于t2的为小面积待选水体对象;
步骤7,对小面积水体待选对象所有像素的NDWI特征进行阈值分割;
步骤8,对所有水体对象进行边缘优化。
步骤3和4中,使用拉伸后的NDWI特征(SNDWI),计算像元长度特征,并通过对像元长度特征进行阈值分割,排除大部分背景像素在后续处理中的干扰。
步骤4中,对提取的Length特征进行阈值分割的可依据如下策略:因为Length特征可以反映地物的结构、尺度特征,水体对象内部的Length特征主要受水体尺度约束,而其他地物特征由于内部差异较大则Length特征较小,故这里人工给定一个较小的值即可得到可能的水体像素。
步骤5中,对水体待选像素的NDWI特征进行阈值分割的方法为:待选像素由水体和部分背景地物像素组成,诸如分布比较平滑的建筑物屋顶、道路、植被信息,因此可以使用OTSU算法进行分割,去除大部分和水体像素差异较大的背景像素,其他经典的阈值分割方法也可以用在此处,分割后水体待选像素值为1,背景像素为0。
步骤6中,对水体待选像素进行连通性分析构造水体对象并对水体对象面积进行双阈值分割的方法如下:使用上述步骤生成的水体待选像素掩膜,通过区域生长得到水体待选对象;区域生长方式为若相邻像素均为1则被归为同一个对象,从影像起始处开始生长,直到处理完成整幅影像;常用的连通性分析为四邻域和八邻域两种,推荐使用八邻域处理,这样可以避免后续操作中水体对象的丢失。
对得到的水体对象的面积特征进行双阈值分割,使用双阈值(t1和t2,满足t1<t2)分割后,可将水体对象分为三类:
1)面积小于t1的水体对象为噪声的概率较高,并且面积过小的水体不具有提取的意义,这里直接舍去;
2)面积大于t2的大面积对象,由于遥感影像上存在面积大于t2且可以通过水体待选像素初次分割结果的背景地物的概率较小,故接受大面积对象为水体对象;
3)面积大于t1小于t2的小面积对象,由于小面积的对象中含有混合的背景地物的概率较高,这里将小面积对象作为小面积水体待选对象进行后续处理,排除背景地物。
步骤7中,对小面积水体待选对象所有像素的NDWI特征进行阈值分割的方法为:小面积水体与小面积背景地物之间的NDWI特征差异明显;具体而言,如果小面积待选水体对象中含有背景地物的干扰,则其覆盖范围内的所有像素的NDWI特征会呈现较好的双峰分布;这里使用常用的阈值分割方法即可得到小面积水体像素,常用的方法有OTSU,EM等算法,考虑到算法的稳定性和效率,本发明推荐使用OTSU算法。
在上述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,所述的步骤8中,对所有水体对象进行边缘优化的具体方法为:
首先,使用Canny算子计算影像边缘信息,标记边缘像素;
将所有水体对象的边界像素作为种子点,计算种子点与其邻域内非水体像素之间的光谱角距离(SA),若该非水体像素不为Canny边缘,且SA小于给定阈值(th_sa)则认为该像素为水体,设置该像素为水体,并加入种子点,重复以上操作直到所有种子点均被处理完毕为止;
其中,x和y为两像素的表观反射率向量,对于具有可见光和近红外四个波段的高分辨率遥感影像来说,x和y均为格式为{b1,b2,b3,b4}的四维向量,bi,i={1,2,3,4}表示像素在四个波段上的表观反射率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体
实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于多特征联合处理的高分辨率遥感影像水体提取方法,用于自动的从高分辨率遥感影像上提取水体信息;其特征在于,包括以下步骤:
步骤1,对遥感影像进行辐射定标,方法如下:
首先根据公式(1)将卫星各载荷的通道观测技术值DN转换为卫星载荷入瞳处等效表观辐射亮度:
L=Gain·DN+Bias (1)
式中:Gain为定标斜距,单位为W·m-1·sr-1·μm-1;DN为卫星载荷观测技术值;Bias为定标截距,单位为W·m-1·sr-1·μm-1;以上参数均由实际卫星数据给出;
再根据如下公式,得到大气顶端的等效表观辐射亮度:
ρ=π*L*d2/(ESUN*cos(θ)) (2)
其中,L为上一步得到的入瞳处的等效表观辐射亮度,d为年积日即影像获取时间为一年中的第几天,θ为太阳高度角,以上数据从影像的元数据获得,ESUN为太阳表观辐射率均值,不同的卫星传感器会给定相应的取值;
步骤2,计算水体指数特征,水体指数特征表示为NDWI,NDWI使用如下公式进行计算:
其中green为遥感影像上的绿波段的辐射量,NIR为近红外波段的辐射量;
步骤3,将NDWI特征线性拉伸到[0,100]范围为SNDWI,SNDWI为StretchedNDWI特征,使用SNDWI提取像元长度特征Length,计算SNDWI和Length特征的具体方法如下:
其中NDWI的计算方法由步骤2给出,min为NDWI的最小值,max为NDWI的最大值,即对每个像素的NDWI特征减去最小值后拉伸到[0,100]的范围,符号表示对a进行向下取整;
计算Length特征具体方法如下:
1)获取方向线;
方向线为通过中心点的延长方向线,而不是从中心点出发的射线;在计算之前预先给定方向线,一般来说方向线多得到的计算结果更好;方向线的获取通过中心点坐标求取Length特征的点和斜率根据DDA算法、Bresenham算法计算得到;或者先给定掩膜矩阵;当满足以下条件时,中心像素沿各条方向线向两个方向延长:①PHi小于特定的特征th_T1;②该方向上总像素个数小于另一给定特征th_T2;
计算像素相似性pixel homogeneity:
其中,PHi代表i方向上中心像素与周围像素的特征相似性,n表示特征个数,表示中心像素的特征值,表示周围像素的特征值;
若以上任一条件无法满足时,则停止生长该方向,开始生长下一条方向线;
2)计算各方向线的长度;
在确定每条方向线后,根据以下公式计算方向线的长度:
其中,(me1,ne1)表示方向线一端点的行列号,(me2,ne2)表示方向线的另一端端点的行列号;
根据上述步骤,可得到每条方向线长度组成的长度向量(d1,d2,d3,…,dD),D表示方向的个数;
3)选择方向线向量中的最大值为Length特征;
步骤4,对提取的Length特征进行阈值分割,Length特征大于阈值的部分为水体待选像素;
步骤5,对水体待选像素的NDWI特征进行阈值分割,去除部分非水体像素;
步骤6,对剩下的水体待选像素进行连通性分析,得到水体待选对象,并使用双阈值对水体待选对象进行阈值分割,即t1<t2,舍去面积小于t1的对象,保留面积大于t2的为大面积水体,面积大于t1小于t2的为小面积水体待选对象;
步骤7,对小面积水体待选对象所有像素的NDWI特征进行阈值分割;
步骤8,对所有水体对象进行边缘优化。
2.根据权利要求1所述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,其特征在于,所述的步骤3和4中,使用拉伸后的NDWI特征SNDWI,计算像元长度特征,并通过对像元长度特征进行阈值分割,排除大部分背景像素在后续处理中的干扰。
3.根据权利要求1所述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,其特征在于,所述的步骤4中,对提取的Length特征进行阈值分割的依据如下策略:因为Length特征反映地物的结构、尺度特征,水体对象内部的Length特征主要受水体尺度约束,而其他地物特征由于内部差异较大则Length特征较小,故这里人工给定一个小的值即可得到可能的水体像素。
4.根据权利要求1所述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,其特征在于,所述的步骤5中,对水体待选像素的NDWI特征进行阈值分割的方法为:待选像素由水体和部分背景地物像素组成,诸如分布比较平滑的建筑物屋顶、道路、植被信息,因此使用OTSU算法进行分割,去除大部分和水体像素差异大的背景像素,分割后水体待选像素值为1,背景像素为0。
5.根据权利要求1所述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,其特征在于,所述的步骤6中,对水体待选像素进行连通性分析构造水体对象并对水体对象面积进行双阈值分割的方法如下:使用上述步骤生成的水体待选像素掩膜,通过区域生长得到水体待选对象;区域生长方式为若相邻像素均为1则被归为同一个对象,从影像起始处开始生长,直到处理完成整幅影像;常用的连通性分析为四邻域和八邻域两种,推荐使用八邻域处理,这样可以避免后续操作中水体对象的丢失;
对得到的水体对象的面积特征进行双阈值分割,使用双阈值分割后,可将水体对象分为三类,其中,双阈值为t1和t2,满足t1<t2,:
1)面积小于t1的水体对象为噪声的概率较高,并且面积过小的水体不具有提取的意义,这里直接舍去;
2)面积大于t2的大面积对象,由于遥感影像上存在面积大于t2且可以通过水体待选像素初次分割结果的背景地物的概率较小,故接受大面积对象为水体对象;
3)面积大于t1小于t2的小面积对象,由于小面积的对象中含有混合的背景地物的概率较高,这里将小面积对象作为小面积水体待选对象进行后续处理,排除背景地物。
6.根据权利要求1所述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,其特征在于,所述的步骤7中,对小面积水体待选对象所有像素的NDWI特征进行阈值分割的方法为:小面积水体与小面积背景地物之间的NDWI特征差异明显;具体而言,如果小面积待选水体对象中含有背景地物的干扰,则其覆盖范围内的所有像素的NDWI特征会呈现较好的双峰分布。
7.根据权利要求1所述的一种基于多特征联合处理的高分辨率遥感影像水体提取方法,其特征在于,所述的步骤8中,对所有水体对象进行边缘优化的具体方法为:
首先,使用Canny算子计算影像边缘信息,标记边缘像素;
将所有水体对象的边界像素作为种子点,计算种子点与其邻域内非水体像素之间的光谱角距离SA,若该非水体像素不为Canny边缘,且SA小于给定阈值th_sa则认为该像素为水体,设置该像素为水体,并加入种子点,重复以上操作直到所有种子点均被处理完毕为止;
其中,x和y为两像素的表观反射率向量,对于具有可见光和近红外四个波段的高分辨率遥感影像来说,x和y均为格式为{b1,b2,b3,b4}的四维向量,bi,i={1,2,3,4}表示像素在四个波段上的表观反射率。
CN201610261434.6A 2016-04-26 2016-04-26 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 Active CN106023133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610261434.6A CN106023133B (zh) 2016-04-26 2016-04-26 一种基于多特征联合处理的高分辨率遥感影像水体提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610261434.6A CN106023133B (zh) 2016-04-26 2016-04-26 一种基于多特征联合处理的高分辨率遥感影像水体提取方法

Publications (2)

Publication Number Publication Date
CN106023133A CN106023133A (zh) 2016-10-12
CN106023133B true CN106023133B (zh) 2019-03-19

Family

ID=57081264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610261434.6A Active CN106023133B (zh) 2016-04-26 2016-04-26 一种基于多特征联合处理的高分辨率遥感影像水体提取方法

Country Status (1)

Country Link
CN (1) CN106023133B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646469B (zh) * 2016-12-21 2019-01-29 中国科学院遥感与数字地球研究所 基于变异系数法的sar船只检测优化方法
CN106650812B (zh) * 2016-12-27 2019-08-06 辽宁工程技术大学 一种卫星遥感影像的城市水体提取方法
CN108416508B (zh) * 2018-02-08 2020-10-16 中国矿业大学(北京) 一种地表生态影响边界的提取方法及系统
CN108594255B (zh) * 2018-04-20 2021-09-03 武汉大学 一种激光测距辅助光学影像联合平差方法及系统
CN108830876B (zh) * 2018-05-28 2022-03-08 河海大学 一种水域轮廓提取及面积检测方法
CN109359533B (zh) * 2018-09-12 2021-06-18 浙江海洋大学 一种基于多波段遥感影像的海岸线提取方法
CN109472294A (zh) * 2018-10-15 2019-03-15 广州地理研究所 一种城市水体的识别方法、装置、储存介质及设备
CN110033460B (zh) * 2019-04-03 2021-02-19 中国科学院地理科学与资源研究所 一种基于尺度空间变换的卫星影像中海上养殖区提取方法
CN110517575B (zh) * 2019-08-21 2021-03-02 华北水利水电大学 一种地表水体制图方法及装置
CN111027446B (zh) * 2019-12-04 2020-09-01 中国地质环境监测院 一种高分辨率影像的海岸线自动提取方法
CN111178230B (zh) * 2019-12-26 2022-03-15 武汉大学 一种遥感影像内河洲滩智能化提取方法
CN112329791B (zh) * 2020-10-30 2022-12-27 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761717A (zh) * 2014-01-26 2014-04-30 河海大学 一种基于全色遥感影像的城市水体提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5819157B2 (ja) * 2011-10-18 2015-11-18 株式会社日立ソリューションズ 画像処理装置、画像処理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761717A (zh) * 2014-01-26 2014-04-30 河海大学 一种基于全色遥感影像的城市水体提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery;Gudina L.Feyisa等;《Remote Sensing of Environment》;20141231;第140卷;第23-35页
基于高分辨率遥感影像的面向对象水体提取方法研究;殷亚秋等;《测绘通报》;20151231(第1期);第81-85页

Also Published As

Publication number Publication date
CN106023133A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
CN106023133B (zh) 一种基于多特征联合处理的高分辨率遥感影像水体提取方法
Zhang et al. New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV)
Tian et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing
CN107705309B (zh) 激光点云中林木参数评估方法
CN108596103A (zh) 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
CN112819830B (zh) 基于深度学习与机载激光点云的单株树冠分割方法
US20230350065A1 (en) Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization
CN112800973B (zh) 一种基于植被物候特征决策的互花米草提取方法
CN107609526A (zh) 基于规则的精细尺度城市不透水面快速提取方法
Xu et al. A simple phenology-based vegetation index for mapping invasive spartina alterniflora using Google Earth engine
CN112241661B (zh) 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN105405148B (zh) 一种结合树木阴影特征的遥感影像毛白杨识别方法
CN114676773B (zh) 基于sar数据的北极海冰分类方法
CN107688776B (zh) 一种城市水体提取方法
CN105447274A (zh) 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN107688777A (zh) 一种协同多源遥感影像的城市绿地提取方法
CN109598202A (zh) 一种基于对象的卫星图像多指标建成区自动提取方法
CN112037244B (zh) 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN117437538A (zh) 一种热带雨林生态系统时空格局特征提取及预测方法
CN109801304A (zh) 一种抑制裸地的建筑指数构建及建筑区域快速提取方法
Li et al. Investigating coupled impacts of climate change and socioeconomic transformation on desertification by using multitemporal Landsat images: a case study in central Xilingol, China
Fu et al. Automatic detection tree crown and height using Mask R-CNN based on unmanned aerial vehicles images for biomass mapping

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