CN107688776A - 一种城市水体提取方法 - Google Patents
一种城市水体提取方法 Download PDFInfo
- Publication number
- CN107688776A CN107688776A CN201710599915.2A CN201710599915A CN107688776A CN 107688776 A CN107688776 A CN 107688776A CN 201710599915 A CN201710599915 A CN 201710599915A CN 107688776 A CN107688776 A CN 107688776A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- remote sensing
- sensing image
- spectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 68
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 235000007926 Craterellus fallax Nutrition 0.000 description 3
- 240000007175 Datura inoxia Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种城市水体提取方法，包括以下步骤：获取同一区域的多光谱遥感图像和高分辨率遥感图像并进行预处理；对预处理后的多光谱遥感图像和高分辨率遥感图像进行配准，并基于配准后多光谱遥感图像和高分辨率遥感图像获得堆叠图像；对所述堆叠图像根据地物光谱和形状特征进行过分割，再利用光谱差异度特征对过分割后的对象进行合并，获取水体地物对象；提取所述水体地物对象的空间同质性特征和光谱特征并量化，根据设定的最优阈值实现对水体的准确提取。与现有技术相比，本发明能够实现城市水体的准确、快速提取，其可有效应用于城市规划、环境科学、地理信息制图等多个领域。
Description
技术领域
本发明涉及图像信息提取方法领域，尤其是涉及一种城市水体提取方法。
背景技术
城市水体是城市生态系统的重要组成部分，城市水体的准确提取及制图对城市环境评估、城市景观规划等方面的研究和应用都具有重要意义。随着遥感技术的发展，目前已经能够获取到较为丰富的遥感数据源，基于遥感图像的水体提取及制图技术在研究和工程项目中获得了广泛应用。不同于农村区域的水体，城市水体无论是光谱特征还是空间特征都更为复杂，同时，城市区域含有大量容易与水体相混淆的地物，这都给城市水体信息的准确提取带来挑战。
目前基于遥感图像的城市水体提取技术大多只考虑了单种遥感图像数据源，一般来讲，多光谱遥感图像光谱信息较为丰富，利用图像上水体光谱特征即可实现城市地表水体信息的识别，但多光谱遥感图像空间分辨率一般较低，很难满足城市区域一些细小水体的提取需求。高分辨率遥感图像空间分辨率高，地物在图像上能够呈现出较为丰富的空间特征，但其光谱信息较为匮乏，往往难以依靠计算机实现城市水体的自动准确提取。
随着空间技术的发展，我们已经能够获取到较多高空间分辨率的遥感图像，这类图像通过互联网技术，集成到如Google Earth为代表的遥感图像在线地图产品中，为居民服务、城市建设等领域提供了便利。由于Google Earth等遥感地图产品一般只有可见光三个波段，光谱信息相对匮乏，实际应用中为了获得准确的基于Google Earth遥感图像城市地表覆盖及土地利用情况解译结果，往往需要人工目视解译，该种方法时间效率低，人口成本高，当涉及区域范围较大时并不适用。相对于高分辨率遥感图像，美国国家航空航天局发射的Landsat系列卫星以及欧空局发射的Sentinel-2等卫星源源不断地向公众提供图像质量优异的多光谱遥感图像，其丰富的光谱信息能够实现地表地物的有效区分，目前基于遥感图像的城市水体提取也主要是基于该类多光谱遥感图像展开。
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城市水体提取方法。
本发明的目的可以通过以下技术方案来实现：
一种城市水体提取方法，包括以下步骤：
获取同一区域的多光谱遥感图像和高分辨率遥感图像并进行预处理；
对预处理后的多光谱遥感图像和高分辨率遥感图像进行配准，并基于配准后多光谱遥感图像和高分辨率遥感图像获得堆叠图像；
对所述堆叠图像根据地物光谱和形状特征进行过分割，再利用光谱差异度特征对过分割后的对象进行合并，获取水体地物对象；
提取所述水体地物对象的空间同质性特征和光谱特征并量化，根据设定的最优阈值实现对水体的准确提取。
所述预处理包括：
对多光谱遥感图像进行大气校正；
对高分辨率遥感图像和多光谱遥感图像分别进行研究区域的裁剪和拼接。
所述配准包括空间几何配准，具体为：
将多光谱遥感图像中的可见光-近红外波段图像利用双线性插值的方法进行空间升采样，选取多光谱遥感图像和高分辨率遥感图像的同名点，采用二次多项式方法将多光谱遥感图像配准到高分辨率遥感图像上。
所述配准还包括相对辐射配准，具体为：
通过一线性拟合方法将高分辨率遥感图像配准到多光谱遥感图像上。
所述线性拟合方法具体为：
高分辨率遥感图像为待配准图像，多光谱遥感图像为参考图像，记X为待配准图像像元，Y为参考图像像元，计算图像灰度级增益系数G和待配准图像反射率偏移系数B：
其中，n为待配准图像波段数，和为待配准图像和参考图像第i个波段像元均值；
通过以下公式实现对待配准图像的相对辐射配准：
Y＝GX+B。
所述对过分割后的对象进行合并具体为：
将面积小于900m2或长度小于50m2的对象按照其与邻近对象之间的光谱差异合并到相邻对象之中。
量化后的所述空间同质性特征H表示为：
其中，Std表示分割对象标准差，GE代表高分辨率遥感图像，下标为对应光谱波段。
所述光谱特征以水体指数AWEInsh作为判别指标，所述水体指数AWEInsh表示为：
AWEInsh＝4×(SenGreen-Senswir-1)-(0.25×Sennir+2.75×Senswir-2)
其中，Sen代表多光谱遥感图像，下标为对应光谱波段。
该方法还包括：
基于水体的提取结果和水体真实区域图像对所述提取结果进行精度评价。
进行所述精度评价的评价指标包括制图精度PA、用户精度UA和Kappa系数，具体表达式如下：
其中，m为水体真实区域图像所有像元，mii为提取结果中水体或陆地被正确分类的像元数量，mi+为提取结果中陆地或水体的像元数量，m+i为水体真实区域图像中水体或陆地像元数量。
与现有技术相比，本发明具有以下有益效果：
(1)本发明充分利用已有可免费获取的遥感图像数据资源，充分利用高分辨率遥感图像上地物空间特征以及多光谱遥感图像上城市水体光谱特征，能够实现城市水体信息的准确提取。
(2)本发明先对获取的图像数据进行预处理后再进行后续处理，有效提高了最终分类精度。
(3)由于所使用的多光谱遥感图像和高分辨率遥感图像在地表成像过程中由于光照条件等引起的地物反射率较大差异、以及图像保存过程中存储灰度级别不同等因素，使得不同图像间同一种地物光谱差异较大，因此本发明除了进行空间几何配准外，还进行了异源图像间的相对辐射配准，使信息准确融合。
(4)由于本发明所使用的高分辨率遥感图像只包含红绿蓝三个可见光波段，仅根据三个波段光谱信息易在城市水体和植被目标之间产生混淆，故在实施图像分割时，需要结合多光谱遥感图像中10米分辨率的近红外波段光谱信息与和高分辨率遥感图像可见光光谱信息，以实现对城市地表不同地物的准确分割。在以较小尺度参数实现对图像目标的过分割后，合水体面积一般较大的特点，去除由于过分割产生的小对象，从而提高分类准确度。
附图说明
图1为本发明处理方法的流程图；
图2为本发明实施例采用的区域示意图；
图3为获取到的Google Earth图像；
图4为获取到的Sentinel-2图像；
图5为图2区域中真实水体的示意图；
图6为采用本发明提取方法所得到的水体示意图；
图7为采用NDWI方法所得到的水体示意图；
图8为采用MNDWI方法所得到的水体示意图；
图9为采用AWEIsh方法所得到的水体示意图；
图10为采用AWEInsh方法所得到的水体示意图。
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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明提供一种城市水体提取方法，基于充分利用高分辨率遥感图像上水体空间特征以及多光谱遥感图像上水体光谱特征，能够对城市水体与其他地物进行有效区分。如图1所示，该方法具体包括以下步骤：
(1)获取同一区域的多光谱遥感图像和高分辨率遥感图像并进行预处理。本实施例中，多光谱遥感图像为Sentinel-2图像，高分辨率遥感图像为Google Earth图像。预处理具体为：首先对获取到的Sentinel-2图像进行大气校正，并将获取到的Google Earth图像和Sentinel-2图像按照研究区域进行裁剪、拼接。
(2)对Google Earth图像和Sentinel-2图像进行空间几何配准和相对辐射配准。
空间几何配准包括先利用双线性插值法将Sentinel-2图像中10米分辨率的可见光-近红外波段图像升采样到2米分辨率，再根据Sentinel-2和Google Earth遥感图像上地物空间和光谱特征，手动选取均匀分布特征明显的同名点，采用二项式拟合方法，将Sentinel-2图像配准到Google Earth图像上。
除图像空间配准以外，由于所收集的Sentinel-2图像和Google Earth图像在地表成像过程中由于光照条件等引起的地物反射率较大差异、以及图像保存过程中存储灰度级别不同等因素，使得不同图像间同一种地物光谱差异较大，因此需要在异源图像间进行相对辐射配准，该发明将辐射分辨率低的Google Earth图像配准到辐射分辨率高的Sentinel-2图像上，以形成配准图像，从而将两图像中对应于空间同一位置的点一一对应起来，从而达到信息准确融合。
本实施例中，相对辐射配准采用一种线性拟合的方法，实现待配准图像和参考图像各波段的配准。假定同一位置图像像元满足如下关系：
Y＝GX+B (1)
其中，G为图像灰度级增益系数，认为异源图像由于存储灰度级不同引起的光谱值差异呈一种线性关系。B为待配准图像反射率偏移系数，X为待配准图像像元，Y为参考图像像元，增益系数G和偏移系数B的计算公式为公式(2)、(3)所示：
其中，n为待配准图像波段数，和为待配准图像和参考图像第i个波段像元均值，由上式(2)、(3)即可计算出实验中Google Earth图像各波段增益和偏移系数。将增益系数G和偏移系数B带入公式(1)，即可实现对Google Earth图像的相对辐射配准。
(3)基于配准后多光谱遥感图像和高分辨率遥感图像获得堆叠图像，对所述堆叠图像根据地物光谱和形状特征进行过分割，再利用光谱差异度特征对过分割后的对象进行合并，以获取城市地表不同地物对象，包括水体地物对象等。
由于Google Earth图像只包含红绿蓝三个可见光波段，仅根据三个波段光谱信息易在城市水体和植被目标之间产生混淆，故在实施图像分割时，结合Sentinel-2图像中10米分辨率的近红外波段光谱信息与和Google Earth图像可见光光谱信息，以实现对城市地表不同地物的准确分割。
具体步骤为首先利用多分辨率分割算法，采用默认光谱权重参数和形状紧致度权重参数，设置较小尺度参数，实现对图像目标的过分割。在初步分割结果基础上，利用光谱差异度分割算法实现对图像上过分割对象的合并。最后结合水体面积一般较大的特点，去除由于过分割产生的小对象，具体为将面积小于900m2或长度小于50m2的对象按照其与邻近对象之间的光谱差异合并到相邻对象之中。
(4)对水体地物提取对象空间同质性特征和光谱特征，量化上述特征，并手动选取最优阈值。
为充分利用水体地物在Google Earth高分辨率图像和Sentinel-2多光谱图像上的空谱特征，本发明基于水体空间特征和光谱特征构造指标，实现对水体的准确提取。
根据水体地物具有较高的空间同质性特征，在Google Earth高分辨率图像上计算对象在各波段上的标准差平均值，并以此作为水体空间同质性指标H。除此之外，利用Sentinel-2图像丰富的光谱信息，计算水体指数AWEInsh，作为水体的光谱特征判别指标。具体计算公式如公式(4)和公式(5)所示：
AWEInsh＝4×(SenGreen-Senswir-1)-(0.25×Sennir+2.75×enswir-2 (5)
其中Sen代表Sentinel-2遥感图像，Std表示分割对象标准差，GE代表GoogleEarth遥感图像，下标为对应光谱波段。根据水体空谱特征量化指标计算结果，采用手动选取最优阈值的方法，即手动选取空间同质性指标H以及水体指数AWEInsh实现对水体的准确提取。
(5)通过人工描绘出实验区域水体范围，并以此作为水体真实区域进行精度分析评价。精度评价指标选用制图精度PA、用户精度UA以及Kappa系数对水体提取结果进行量化评价，所述制图精度PA、用户精度UA以及Kappa系数的计算公式为公式(6)、公式(7)以及公式(8)：
其中，m为水体真实区域图像所有像元，mii为提取结果中水体或陆地被正确分类的像元数量，mi+为提取结果中陆地或水体的像元数量，m+i为水体真实区域图像中水体或陆地像元数量。
参照图2-图10所示，以下选取上海市局部区域作为上述方法的一个实施例。该区域水体特征丰富，包含黄浦江、人工湖等面积较大的水体，同时又包括大量河网，池塘等细小水体。同时该区域涵盖上海主城区及郊区，地物类型复杂，这都给城市水体的准确提取带来挑战。
在对水体提取结果进行精度分析中，选择基于多光谱遥感图像使用上述本发明采用的新方法，以下简称“新方法”以及经典水体指数NDWI，MNDWI，AWEIsh，AWEInsh方法进行对比实验。实验中水体提取阈值均通过手动选取最优阈值的方法进行选取。在定量精度分析过程中，为避免实验区域河中船只在参考图像和实验图像上位置不同给精度分析造成的影响，对所有参与精度评价的图像均进行船掩膜处理。具体实验结果及精度验证如下：
通过实验结果对比，新方法在细小河流的提取上能够表现出更好的性能，从定量精度评价结果可知，新方法除用户精度稍低于NDWI水体指数方法以外，其他指标均显著高于其他方法，通过Kappa系数可知，新方法获得的水体提取范围与真实水体范围具有最高的分类一致性。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种城市水体提取方法，其特征在于，包括以下步骤：
获取同一区域的多光谱遥感图像和高分辨率遥感图像并进行预处理；
对预处理后的多光谱遥感图像和高分辨率遥感图像进行配准，并基于配准后多光谱遥感图像和高分辨率遥感图像获得堆叠图像；
对所述堆叠图像根据地物光谱和形状特征进行过分割，再利用光谱差异度特征对过分割后的对象进行合并，获取水体地物对象；
提取所述水体地物对象的空间同质性特征和光谱特征并量化，根据设定的最优阈值实现对水体的准确提取。
2.根据权利要求1所述的城市水体提取方法，其特征在于，所述预处理包括：
对多光谱遥感图像进行大气校正；
对高分辨率遥感图像和多光谱遥感图像分别进行研究区域的裁剪和拼接。
3.根据权利要求1所述的城市水体提取方法，其特征在于，所述配准包括空间几何配准，具体为：
将多光谱遥感图像中的可见光-近红外波段图像利用双线性插值的方法进行空间升采样，选取多光谱遥感图像和高分辨率遥感图像的同名点，采用二次多项式方法将多光谱遥感图像配准到高分辨率遥感图像上。
4.根据权利要求3所述的城市水体提取方法，其特征在于，所述配准还包括相对辐射配准，具体为：
通过一线性拟合方法将高分辨率遥感图像配准到多光谱遥感图像上。
5.根据权利要求4所述的城市水体提取方法，其特征在于，所述线性拟合方法具体为：
高分辨率遥感图像为待配准图像，多光谱遥感图像为参考图像，记X为待配准图像像元，Y为参考图像像元，计算图像灰度级增益系数G和待配准图像反射率偏移系数B：
其中，n为待配准图像波段数，和为待配准图像和参考图像第i个波段像元均值；
通过以下公式实现对待配准图像的相对辐射配准：
Y＝GX+B。
6.根据权利要求1所述的城市水体提取方法，其特征在于，所述对过分割后的对象进行合并具体为：
将面积小于900m2或长度小于50m2的对象按照其与邻近对象之间的光谱差异合并到相邻对象之中。
7.根据权利要求1所述的城市水体提取方法，其特征在于，量化后的所述空间同质性特征H表示为：
<mrow>
<mi>H</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>GE</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>GE</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>GE</mi>
<mrow>
<mi>b</mi>
<mi>l</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>3</mn>
</mfrac>
</mrow>
其中，Std表示分割对象标准差，GE代表高分辨率遥感图像，下标为对应光谱波段。
8.根据权利要求1所述的城市水体提取方法，其特征在于，所述光谱特征以水体指数AWEInsh作为判别指标，所述水体指数AWEInsh表示为：
AWEInsh＝4×(SenGreen-Senswir-1)-(0.25×Sennir+2.75×Senswir-2)
其中，Sen代表多光谱遥感图像，下标为对应光谱波段。
9.根据权利要求1所述的城市水体提取方法，其特征在于，该方法还包括：
基于水体的提取结果和水体真实区域图像对所述提取结果进行精度评价。
10.根据权利要求9所述的城市水体提取方法，其特征在于，进行所述精度评价的评价指标包括制图精度PA、用户精度UA和Kappa系数，具体表达式如下：
<mrow>
<mi>K</mi>
<mi>a</mi>
<mi>p</mi>
<mi>p</mi>
<mi>a</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>m&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<msub>
<mi>m</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<msub>
<mi>m</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
</mrow>
</msub>
<msub>
<mi>m</mi>
<mrow>
<mo>+</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msup>
<mi>m</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<msub>
<mi>m</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
</mrow>
</msub>
<msub>
<mi>m</mi>
<mrow>
<mo>+</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中，m为水体真实区域图像所有像元，mii为提取结果中水体或陆地被正确分类的像元数量，mi+为提取结果中陆地或水体的像元数量，m+i为水体真实区域图像中水体或陆地像元数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710599915.2A CN107688776B (zh) | 2017-07-21 | 2017-07-21 | 一种城市水体提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710599915.2A CN107688776B (zh) | 2017-07-21 | 2017-07-21 | 一种城市水体提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107688776A true CN107688776A (zh) | 2018-02-13 |
| CN107688776B CN107688776B (zh) | 2022-12-16 |
Family
ID=61152939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710599915.2A Active CN107688776B (zh) | 2017-07-21 | 2017-07-21 | 一种城市水体提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107688776B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
| CN109784251A (zh) * | 2019-01-04 | 2019-05-21 | 中国铁路总公司 | 高铁沿线小型水体遥感识别方法 |
| CN111145231A (zh) * | 2019-12-30 | 2020-05-12 | 国家卫星海洋应用中心 | 遥感图像的波段偏移确定方法、装置和电子设备 |
| CN111985368A (zh) * | 2020-08-07 | 2020-11-24 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
| CN112729145A (zh) * | 2020-12-21 | 2021-04-30 | 兰州大学 | 一种确定滑坡位移与库区水位波动关系的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
| US20150065803A1 (en) * | 2013-09-05 | 2015-03-05 | Erik Scott DOUGLAS | Apparatuses and methods for mobile imaging and analysis |
| CN104915954A (zh) * | 2015-05-25 | 2015-09-16 | 同济大学 | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 |
| CN104933703A (zh) * | 2015-05-22 | 2015-09-23 | 同济大学 | 一种基于水体指数的亚像元级水体提取方法 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 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 |
-
2017
- 2017-07-21 CN CN201710599915.2A patent/CN107688776B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150065803A1 (en) * | 2013-09-05 | 2015-03-05 | Erik Scott DOUGLAS | Apparatuses and methods for mobile imaging and analysis |
| CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
| CN104933703A (zh) * | 2015-05-22 | 2015-09-23 | 同济大学 | 一种基于水体指数的亚像元级水体提取方法 |
| CN104915954A (zh) * | 2015-05-25 | 2015-09-16 | 同济大学 | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| 张斌等: "ALOS影像数据土地覆盖分类及景观特征研究", 《计算机工程与应用》 * |
| 张有智等: "《农作物遥感监测与评价》", 28 February 2017, 哈尔滨工程大学出版社 * |
| 张雨果等: "基于面向对象的SPOT卫星影像梯田信息提取研究", 《水土保持研究》 * |
| 王晋年等: "《北京一号小卫星数据处理技术及应用》", 31 October 2010, 武汉大学出版社 * |
| 饶萍等: "最优分区与最优指数联合的水体信息提取", 《地球信息科学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
| CN109784251A (zh) * | 2019-01-04 | 2019-05-21 | 中国铁路总公司 | 高铁沿线小型水体遥感识别方法 |
| CN111145231A (zh) * | 2019-12-30 | 2020-05-12 | 国家卫星海洋应用中心 | 遥感图像的波段偏移确定方法、装置和电子设备 |
| CN111985368A (zh) * | 2020-08-07 | 2020-11-24 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
| CN111985368B (zh) * | 2020-08-07 | 2022-08-30 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
| CN112729145A (zh) * | 2020-12-21 | 2021-04-30 | 兰州大学 | 一种确定滑坡位移与库区水位波动关系的方法 |
| CN112729145B (zh) * | 2020-12-21 | 2022-03-11 | 兰州大学 | 一种确定滑坡位移与库区水位波动关系的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107688776B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing | |
| Karvonen | Baltic sea ice concentration estimation using SENTINEL-1 SAR and AMSR2 microwave radiometer data | |
| CN107688776A (zh) | 一种城市水体提取方法 | |
| CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
| CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
| Kabir et al. | Texture analysis of IKONOS satellite imagery for urban land use and land cover classification | |
| CN107966210B (zh) | 基于高光谱图像的热红外融合重构方法 | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
| CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
| 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 | |
| Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
| CN112101251A (zh) | 基于可变卷积神经网络的sar自动目标识别方法 | |
| Jiang et al. | Unmixing-based spatiotemporal image fusion accounting for complex land cover changes | |
| Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
| Feng et al. | Super-Resolution-Aided Sea Ice Concentration Estimation From AMSR2 Images by Encoder–Decoder Networks With Atrous Convolution | |
| Kumar et al. | Multi-sensor multi-resolution image fusion for improved vegetation and urban area classification | |
| CN102540169B (zh) | 一种基于遥感影像的水体制图产品质量评价方法 | |
| CN115271560B (zh) | 一种海洋石油钻井溢油风化定量评估系统及评估方法 | |
| Li et al. | Integrating MODIS and Landsat imagery to monitor the small water area variations of reservoirs | |
| Lv et al. | A novel spatial–spectral extraction method for subpixel surface water | |
| da Silva et al. | Hyperspectral analysis of remotely sensed images | |
| Daryaei | Digital change detection using multi-scale wavelet transformation and neural network | |
| Zhao | Multitemporal SAR images denoising and change detection: applications to Sentinel-1 data | |
| Kumar et al. | Sparse unmixing via variable splitting and augmented Lagrangian for vegetation and urban area classification using Landsat data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |