CN107944368A - 一种基于时序遥感图像的水体提取方法 - Google Patents
一种基于时序遥感图像的水体提取方法 Download PDFInfo
- Publication number
- CN107944368A CN107944368A CN201711138438.6A CN201711138438A CN107944368A CN 107944368 A CN107944368 A CN 107944368A CN 201711138438 A CN201711138438 A CN 201711138438A CN 107944368 A CN107944368 A CN 107944368A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water body
- image
- images
- radiance
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000005855 radiation Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 70
- 238000010586 diagram Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000003809 water extraction Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012892 rational function Methods 0.000 claims description 4
- 210000000746 body region Anatomy 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 5
- BWSIKGOGLDNQBZ-LURJTMIESA-N (2s)-2-(methoxymethyl)pyrrolidin-1-amine Chemical compound COC[C@@H]1CCCN1N BWSIKGOGLDNQBZ-LURJTMIESA-N 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000002352 surface water Substances 0.000 description 3
- 241000668842 Lepidosaphes gloverii Species 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000009728 shiwei Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于时序遥感图像的水体提取方法,其步骤:首先收集覆盖研究区域的短期时间序列遥感图像,其次对收集的时间序列遥感图像进行几何校正、图像配准和辐射定标,然后采用趋势分析法分析近红外波段辐亮度随太阳高度角变化的趋势特征,得到近红外波段辐亮度随太阳高度角的变化斜率图,最后对近红外波段辐亮度随太阳高度角的变化斜率设定阈值进行水体提取,得到水体提取结果图。方法易行,操作简便,能够较好的将建设用地、山体阴影与水体区分开来,且对细小支流水体能够很好的检测出来,水体提取精度较高,同时本发明仅利用了近红外波段数据,减少了对多光谱遥感图像特定波段的依赖性。
Description
技术领域
本发明涉及遥感图像分类识别技术领域,更具体地涉及一种利用短期时间序列遥感图像数据的遥感图像水体提取方法,适用于可以获取同一区域短期(地物类型未发生变化的时间段内,如数日)多个不同太阳高度角的多光谱遥感图像序列的情况下的地表水资源调查与监测。
背景技术
地表水体分布信息的准确获取对水资源调查、河流综合治理、水利规划、洪涝旱灾监测以及灾害评估等领域具有重要意义。从卫星遥感影像中快速准确地提取水体信息已成为地表水资源调查与监测的一种重要手段。
现阶段,利用遥感技术自动提取水体信息的方法主要有单波段阈值法、谱间关系法、监督分类法和水体指数法等。
(1)单波段阈值法。该方法是利用水体在近红外或中红外波段处强吸收以及其它非水体在这两个波段处强反射的特点,来设定相应的阈值进行水体提取。这种方法原理较为简单,陆家驹等(陆家驹,李士鸿.TM资料水体识别技术的改进[J].环境遥感,1992,(01):17-23.)提出了基于红外单波段阈值识别水体的简单方法,但该方法难以精确提取细小水体。
(2)监督分类法。该方法通过人工选取一定数量的代表性样本,根据已知类别的样本信息,利用统计学的方法对整幅影像进行分类,主要包括最大似然方法、支持向量机(SVM)方法等。段秋亚等(段秋亚,孟令奎,樊志伟,胡卫国,谢文君.GF-1卫星影像水体信息提取方法的适用性研究[J].国土资源遥感,2015,27(04):79-84.)通过对GF-1卫星影像水体提取方法的适用性研究,认为SVM法提取精度最高。该类方法对人工选取的样本具有很强的依赖性,且需要经过反复迭代,耗时较长。
(3)谱间关系法。该方法通过对水体和背景地物的光谱曲线进行分析,确定水体有别于其它地物的光谱特征,进而进行水体信息的提取。该方法最早由周成虎等(周成虎,骆剑承,杨晓.1999,遥感影像地学理解与分析.北京:科学出版社)提出,他们提出的谱间关系水体提取模型为:(TM2+TM3)>(TM4+TM5)。张明华(张明华.用改进的谱间关系模型提取极高山地区水体信息[J].地理与地理信息科学,2008,24(2):14-16.)改进了谱间关系法,并和阈值法进行结合,构建了一种多条件谱间关系模型。
(4)水体指数法。该方法利用水体及其它地物在不同波段的光谱差异的特征,通过构建特征指数从而达到水体提取的目的。常规的水体信息提取指数包括归一化差异水体指数(Normalized Difference Water Index,NDWI)、修正归一化差异水体指数(ModifiedNormalized Difference Water Index,MNDWI)等。NDWI利用水体特有的在绿波段的反射率高于近红外波段的特性,将这两个波段进行归一化差值处理,以此来突出水体信息,把水体信息与其背景地物更好的区分开来,该方法简单易操作,但容易将建设用地与水体混淆。徐涵秋(徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报,2005,9(5):589-595.)通过分析NDWI,将NDWI模型公式中的近红外波段修改为中红外波段,修改后的模型即为MNDWI,其水体提取效果优于NDWI,能更有效的提取城镇水体,并消除部分阴影对水体的影响等。
虽然目前已经形成了一系列基于遥感的水体提取模型方法,但水体提取精度问题在某些背景地物反射率较低的地区仍然比较突出,如:建设用地、山体阴影等这些非水体地物与水体有相似的反射特征,目前的水体提取方法容易将其与水体混淆,从而导致水体的提取精度下降,MNDWI虽然能够一定程度上消除这些影响,但其利用的中红外波段目前多数光学卫星传感器并不具备。
另外,当前水体提取使用的数据基本为中高分辨率的极轨卫星图像,如Landsat系列卫星影像,这些卫星的重访周期较长,且通常在一天中的固定时间拍摄,难以获取短期(地物类型未发生变化的时间段内,如数日)不同太阳高度角的图像,因此无法利用短期时间序列数据进行水体信息提取。高分四号(GF-4)卫星是我国第一颗地球同步轨道遥感卫星,具备高时间分辨率、中等空间分辨率观测能力,配置地球同步轨道五十米分辨率的凝视相机,可以完成分钟级别的遥感监测任务,能够获得同一区域短时内不同太阳高度角的图像,其时间维特征为基于遥感图像的地物识别和提取提供了新的思路。
针对目前基于遥感图像的水体提取中存在的问题,结合GF-4卫星的优势,本发明提出了一种利用短期时序遥感图像数据的遥感图像水体提取方法,提高基于遥感图像的水体信息提取精度。
发明内容
为解决如何实现基于遥感图像的水体信息准确提取的技术问题,本发明的目的在于提供了一种利用短期时序遥感图像数据的遥感图像水体提取方法,方法易行,操作简便,能够较好地将建设用地、山体阴影与水体区分开来,且对细小支流水体能够很好地检测出来,水体提取精度较高。同时本发明仅利用了近红外波段数据,减少了对多光谱遥感图像特定波段的依赖性。
为了实现所述的目的,本发明的技术解决方案是:
本发明技术构思是:首选是收集覆盖研究区域的不同太阳高度角的短期时间序列多光谱遥感图像;其次是对收集的时间序列遥感图像进行几何校正、图像配准和辐射定标;再是基于上述校正后的时间序列影像,采用趋势分析方法分析近红外波段辐亮度随太阳高度角变化的趋势特征,得到近红外波段辐亮度随太阳高度角的变化斜率图;最后是基于上述的近红外波段辐亮度随太阳高度角的变化斜率图,通过设定阈值进行水体提取,得到水体分布提取结果图。
一种利用短期时序遥感图像数据的遥感图像水体提取方法,其步骤是:
(A)收集覆盖研究区域的不同太阳高度角的短期时间序列多光谱遥感图像。
所述的研究区域时间序列遥感图像收集的要求包括以下步骤:
1)每景遥感图像均覆盖研究区域,且每景图像的云覆盖区域均不大于10%;
2)每景遥感图像均包含近红外波段,最好是同一传感器拍摄的图像;
3)收集不同时相遥感图像n景(n>=2),不同时相图像上的地物类型未发生变化,一般数据的时间跨度不超过10天;
4)遥感图像拍摄时的太阳高度角在30-75度,且最大太阳高度角和最小太阳高度角之间的差异不小于10度;
(B)对收集的时间序列遥感图像进行几何校正、图像配准和辐射定标。
所述的时间序列遥感图像几何校正、图像配准和辐射定标包括以下步骤:
1)利用卫星图像自带的有理多项式系数(Rational Polynomial Coefficients,RPC),通过有理函数模型(Rational Function Model,RFM)对图像进行几何校正。
有理函数模型是美国Space Imaging公司提供的一种广义的新型遥感卫星传感器成像模型,利用有理函数逼近二维像平面与三维物平面的对应关系。其形式如下式:
其中(P,L,H)和(X,Y)分别是地面坐标和影像坐标的正则化坐标,其取值范围为-1到1之间。
其中,Longitude,Latitude,Height分别表示WGS-84坐标下的经度、纬度和高程;LONG_OFF,LAT_OFF,HEIGHT_OFF分别表示经度、纬度和高程的偏移量;LONG_SCALE,LAT_SCALE,HEIGHT_SCALE分别表示经度、纬度和高程的比例因子。
其中,COL,ROW分别表示图像点的列数、行数;SAMP_OFF,LINE_OFF分别表示列、行的偏移量;SAMP_SCALE,LINE_SCALE分别表示列、行的比例因子。
NumL(P,L,H),DenL(P,L,H),NumS(P,L,H)和DenS(P,L,H)都是如下形式的多项式:
F(P,L,H)=a1+a2L+a3P+a4H+a5LP+a6LH+a7PH+a8L2+a9P2+a10H2+a11PLH
+a12L3+a13LP2+a14LH2+a15L2P+a16P3+a17PH2+a18L2H+a19P2H+a20H3
LONG_OFF,LAT_OFF,HEIGHT_OFF,LONG_SCALE,LAT_SCALE,HEIGHT_SCALE,SAMP_OFF,LINE_OFF,SAMP_SCALE,LINE_SCALE在图像自带的RPC中均可查到,NumL(P,L,H),DenL(P,L,H),NumS(P,L,H)和DenS(P,L,H)的多项式系数ai(i=1,2,…,20)在图像自带的RPC中也可查到。
2)选定一个时相的遥感图像为基准图像,其它(n-1)个时相的遥感图像作为待配准图像,通过选取基准图像与待配准图像上的同名特征点,然后利用这些同名特征点建立基准图像与待配准图像之间的几何畸变模型(如多项式模型),再利用该几何畸变模型进行几何校正,从而实现不同时相遥感图像的图像配准。
3)通过从卫星图像的头文件中读取定标系数,使用以下计算公式将各时相影像的数字量化值DN(Digital Number)转换成辐亮度,实现图像的辐射定标:
Lt=Gain×DN+Bias
式中,Lt为图像的辐亮度,Gain为增益,Bias为偏置,单位均为W﹒m-2﹒sr-1﹒μm-1,DN为卫星载荷观测值,无量纲。
(C)基于上述校正后的时间序列影像,采用趋势分析方法分析近红外波段辐亮度随太阳高度角变化的趋势特征,得到近红外波段辐亮度随太阳高度角的变化斜率图。采用趋势分析方法获取近红外波段辐亮度随太阳高度角的变化斜率图包括以下步骤:
采用Theil-Sen Median趋势分析方法,计算n(n-1)/2个数据组合的斜率的中位数。该方法有由Henri Theil于1950年、Pranab K.Sen于1968年分别提出的研究长时序变化的方法(Sen,Pranab Kumar.Estimates of the regression coefficient based onKendall's tau.Journal of the American Statistical Association,1968,63(324):1379–1389.),其公式为:
其中,slope为图像像元近红外波段辐亮度值随太阳高度角的变化斜率(无量纲),NIRi和NIRj分别为i时相和j时相的近红外波段辐亮度值(无量纲),Suni和Sunj分别为i时相和j时相的太阳高度角值(无量纲)。
按照以上公式计算各像元近红外波段辐射亮度值随太阳高度角的变化斜率,生成近红外波段辐亮度变化斜率图。
(D)基于上述的近红外波段辐亮度随太阳高度角的变化斜率图,通过设定阈值进行水体提取,得到水体提取结果图。设定阈值进行水体提取得到水体提取结果图包括以下步骤:
1)对于生成的近红外波段辐亮度变化斜率图,设定斜率阈值T,T为正数;
2)对于斜率slope小于T的像元,将其归入水体类别,赋值为1,对于斜率slope大于等于T的像元,将其归入非水体类别,赋值为0,生成水体提取结果图,其中数值为1的区域即为水体区域。由于水体像元的斜率slope通常小于其它地表覆盖类型,通过设置合适的阈值,可以将水体与其它地表覆盖类型区分开来,对于基于光谱的水体提取方法中容易与水体混淆的建设用地、山体阴影也能够较好的区分,同时对细小支流水体也能够很好的检测出来。
上述技术措施,填补了目前基于时间序列遥感图像进行水体提取的空白,通过利用水体与其他地类在近红外波段的反射光谱随太阳高度角的变化特征差异实现了基于短期时间序列遥感图像的水体高精度提取,同时该方法仅利用了近红外波段数据,减少了对多光谱遥感图像特定波段的依赖性。
关键步骤C是采用趋势分析方法获取近红外波段辐亮度随太阳高度角的变化斜率图。
解决的技术难题:解决了水体的高精度自动提取问题,尤其是水体提取中容易混入建设用地、山体阴影,容易漏提小的支流水体的问题。
主要解决的技术问题:如何将地物光谱随时间(太阳高度角)的变化特征信息引入到水体提取当中,提高水体提取的精度。
达到的技术效果:能够实现水体的高精度提取,对于基于光谱的水体提取方法中容易与水体混淆的建设用地、山体阴影能够较好的区分,同时对细小支流水体也能够很好的检测出来。
发明相对于现有技术的进步:在水体提取中引入了地物反射光谱随时间(太阳高度角)的变化特征信息,提高了水体提取的精度,尤其是减少了由建设用地、山体阴影造成的虚警及对细小支流水体的遗漏。同时,一定程度上提高了水体提取的速度和自动化程度,减少了水体提取中对特定波段的依赖性。
技术方案与现有技术的主要区别:现有的遥感图像水体提取技术一般是基于单时相的遥感图像,仅利用了遥感图像的光谱及纹理等信息,基本没有引入时间序列特征信息,本发明通过引入地物反射光谱随时间(太阳高度角)的变化特征信息实现水体的遥感图像提取,为水体提取开辟了新的途径。
本发明与现有技术相比,具有以下有益效果及优点:
1、填补了目前基于时间序列遥感图像进行水体信息提取的空白,通过利用水体与其他地类在近红外波段的反射光谱随太阳高度角的变化特征差异实现了基于短期时间序列遥感图像的水体提取。
2、与目前常用的监督分类法、水体指数法等相比,本发明通过引入地物时间维的变化特征实现水体的提取,能够得到更高的提取精度,能够较好的将建设用地、山体阴影与水体区分开来,且对细小支流水体可以很好的检测出来。同时该方法仅利用了近红外波段数据,减少了对多光谱遥感图像特定波段的依赖性。
本发明在我国三个100km*100km范围的不同地区的GF-4卫星短期时间序列影像上分别进行了水体提取实验,水体的漏检率均不超过3%,虚警率均不超过2%,证明了该发明的有效性。
附图说明
图1为一种利用短期时序遥感图像数据的遥感图像水体提取方法的流程图;
图2为本发明实施例中所采用的包含水体的GF-4短期时间序列遥感图像;
a)获取时间为2016年7月23日8:10:21,太阳高度角31.4904度;b)获取时间为2016年7月23日8:30:21,太阳高度角35.7351度;c)获取时间为2016年7月23日8:40:21,太阳高度角37.8684度;d)获取时间为2016年7月23日9:49:51,太阳高度角53.6581度。
图3为基于图2的近红外波段辐亮度值随太阳高度角的变化斜率图;
图4为基于图3设定阈值获得的水体提取结果图;
图5为采用本发明方法水体提取结果与其它常规方法水体提取结果的比较;
a)GF-4图像;b)NDWI方法水体提取结果;c)SVM监督分类方法水体提取结果d)本发明方法水体提取结果。
NDWI方法易将建设用地与水体混淆,且容易漏提细小支流水体。SVM监督分类方法的结果对训练区的选择具有较强的依赖性,且分类速度较慢,耗时长。本发明方法速度快,能够较好的将建设用地与水体区分开来,且对细小支流水体能够很好的检测出来。
图6为采用本发明方法水体提取与其它常规方法的精度定量比较。
相比于SVM监督分类法、NDWI水体指数法等基于光谱的水体提取方法,本发明方法具有更高的水体提取精度,其遗漏率和虚警率均最低。
具体实施方式
实施例1:
下面结合附图通过实施例对本发明做进一步的详细说明。
根据图1、图2、图3、图4、图5、图6可知,一种利用短期时序遥感图像数据的遥感图像水体提取方法,具体步骤包括:
A、单元100时间序列遥感图像收集。收集的遥感图像(如图2)应该符合以下要求,其步骤是:
1)每景遥感图像均覆盖研究区域,且每景图像的云覆盖区域均不大于10%;
2)每景遥感图像均包含近红外波段,最好是同一多光谱传感器(GF-4)拍摄的图像,本例中所用的遥感图像均为GF-4多光谱传感器图像;
3)收集不同时相遥感图像n景(n>=2),不同时相图像上的地物类型未发生变化,一般数据的时间跨度不超过10天,本例中n=4,所用图像均为同一天拍摄;
4)遥感图像拍摄时的太阳高度角在30-75度,且最大太阳高度角和最小太阳高度角之间的差异不小于10度,本例中遥感图像拍摄时的太阳高度角分别是31.4904度、35.7351度、37.8684度和53.6581度;
B、单元101对收集的时间序列遥感图像进行几何校正、图像配准和辐射定标,得到校正后的时间序列辐亮度图像。步骤如下:
1)利用卫星图像自带的有理多项式系数(Rational Polynomial Coefficients,RPC),通过有理函数模型(Rational Function Model,RFM)实现图像几何校正。
2)选定一个时相的遥感图像为基准图像,其它(n-1)个时相的遥感图像作为待配准图像,通过选取基准图像与待配准图像上的同名特征点,然后利用这些同名特征点建立基准图像与待配准图像之间的几何畸变模型,本例中选择二次多项式模型,再利用该几何畸变模型进行几何校正,从而实现不同时相遥感图像的图像配准。
3)通过从卫星图像的头文件中读取定标系数,使用以下计算公式将各时相影像的数字量化值DN(Digital Number)转换成辐亮度,实现图像的辐射定标:
Lt=Gain×DN+Bias
式中,Lt为图像的辐亮度,Gain为增益,Bias为偏置,单位均为W﹒m-2﹒sr-1﹒μm-1,DN为卫星载荷观测值,无量纲。
C、单元102近红外波段辐亮度随太阳高度角变化的趋势特征分析,得到近红外波段辐亮度变化斜率图。步骤如下:
基于上述校正后的时间序列影像,采用Theil-Sen Median趋势分析法分析近红外波段辐亮度随太阳高度角的变化趋势特征,具体是按照以下公式计算各像元近红外波段辐射亮度值随太阳高度角的变化斜率,生成近红外波段辐亮度变化斜率图(图3)。
其中,slope为图像像元近红外波段辐亮度值随太阳高度角的变化斜率(无量纲),NIRi和NIRj分别为i时相和j时相的近红外波段辐亮度值(无量纲),Suni和Sunj分别为i时相和j时相的太阳高度角值(无量纲)。
D、单元103近红外波段辐亮度变化斜率阈值设定,得到水体提取结果图。步骤如下:
1)对于生成的近红外波段辐亮度变化斜率图,设定斜率阈值T,T为正数,本例中T=0.38;
2)对于斜率slope小于T的像元,将其归入水体类别,赋值为1,对于斜率slope大于等于T的像元,将其归入非水体类别,赋值为0,生成水体提取结果图(图4)。
E、为采用本发明方法进行时间序列遥感图像水体提取与采用NDWI方法(Mcfeeters,1996年提出,是基于绿波段与近红外波段的归一化比值水体指数)、SVM监督分类方法(Cortes和Vapnik于1995年提出,是机器学习领域一种有监督的学习模型,通常用来进行模式识别、分类以及回归分析)水体提取的结果比较(图5)。NDWI方法易将建设用地与水体混淆,且容易漏提细小支流水体。SVM监督分类方法的结果对训练区的选择具有较强的依赖性,且分类速度较慢,耗时长。本发明方法速度快,能够较好的将建设用地与水体区分开来,且对细小支流水体能够很好的检测出来。
F、为采用本发明方法进行时间序列遥感图像水体提取与采用NDWI方法、SVM监督分类方法水体提取的精度定量比较(图6)。图中的水体提取精度的评价方法如下:
首先对需要进行精度评价的区域进行基于人工目视解译的水体提取,然后将目视解译的水体提取结果作为参考依据对自动方法的水体提取结果进行基于混淆矩阵的精度评价,混淆矩阵格式如下:
水体提取混淆矩阵
通过计算水体提取的遗漏率AOmission和虚警率ACommision评价水体提取的精度,它们的计算公式分别是:
本实施例中相比于传统的监督分类法、水体指数法等基于光谱的水体提取方法,本发明方法具有更高的水体提取精度,其遗漏率和虚警率均最低,能够更好的消除建设用地的影响,且能够提取较小的支流水体。
通过上述具体实施例,在水体提取中引入地物反射光谱随时间(太阳高度角)的变化特征信息,实现了实验区水体的高精度提取,对于基于光谱的水体提取方法中容易与水体混淆的建设用地能够较好的区分,同时对细小支流水体也能够很好的检测出来。一定程度上提高了水体提取的速度和自动化程度,减少了水体提取中对特定波段的依赖性。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,其均应涵盖在本发明专利的保护范围当中。
Claims (1)
1.一种利用短期时序遥感图像数据的遥感图像水体提取方法,其步骤是:
(A)收集覆盖研究区域的不同太阳高度角的短期时间序列多光谱遥感图像:
1)每景遥感图像均覆盖研究区域,每景图像的云覆盖区域均不大于10%;
2)每景遥感图像均包含近红外波段,是同一传感器拍摄的图像;
3)收集不同时相遥感图像n景(n>=2),不同时相图像上的地物类型未发生变化,数据的时间跨度不超过10天;
4)遥感图像拍摄时的太阳高度角在30-75度,最大太阳高度角和最小太阳高度角之间的差异不小于10度;
(B)对收集的时间序列遥感图像进行几何校正、图像配准和辐射定标:
1)利用卫星图像自带的有理多项式系数,通过有理函数模型实现图像几何校正;
2)选定一个时相的遥感图像为基准图像,其它(n-1)个时相的遥感图像作为待配准图像,通过选取基准图像与待配准图像上的同名点,然后利用这些同名点建立基准图像与待配准图像之间的几何畸变模型,再利用该几何畸变模型进行几何校正,实现不同时相遥感图像的图像配准;
3)通过从卫星图像的头文件中读取定标系数,使用以下计算公式将各时相影像的数字量化值DN转换成辐亮度,实现图像的辐射定标:
Lt=Gain×DN+Bias
式中,Lt为图像的辐亮度,Gain为增益,Bias为偏置,单位均为W﹒m-2﹒sr-1﹒μm-1,DN为卫星载荷观测值,无量纲;
(C)基于上述校正后的时间序列影像,采用趋势分析方法分析近红外波段辐亮度随太阳高度角变化的趋势特征,得到近红外波段辐亮度随太阳高度角的变化斜率图:
采用Theil-Sen Median趋势分析方法,计算n(n-1)/2个数据组合的斜率的中位数,其公式为:
<mrow>
<mi>s</mi>
<mi>l</mi>
<mi>o</mi>
<mi>p</mi>
<mi>e</mi>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>NIR</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>NIR</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>Sun</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Sun</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo><</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>n</mi>
</mrow>
其中,slope为图像像元近红外波段辐亮度值随太阳高度角的变化斜率,NIRi和NIRj分别为i时相和j时相的近红外波段辐亮度值,Suni和Sunj分别为i时相和j时相的太阳高度角值;
按照以上公式计算各像元近红外波段辐射亮度值随太阳高度角的变化斜率,生成近红外波段辐亮度变化斜率图;
(D)基于上述的近红外波段辐亮度随太阳高度角的变化斜率图,通过设定阈值进行水体提取,得到水体提取结果图:
1)对于生成的近红外波段辐亮度变化斜率图,设定斜率阈值T,T为正数;
2)对于斜率slope小于T的像元,将其归入水体类别,赋值为1,对于斜率slope大于等于T的像元,将其归入非水体类别,赋值为0,生成水体提取结果图,其中数值为1的区域为水体区域,水体像元的斜率slope通常小于其它地表覆盖类型,通过设置合适的阈值,将水体与其它地表覆盖类型区分开来,对于基于光谱的水体提取方法中容易与水体混淆的建设用地、山体阴影也能够较好的区分,同时对细小支流水体能够很好地检测出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711138438.6A CN107944368B (zh) | 2017-11-16 | 2017-11-16 | 一种基于时序遥感图像的水体提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711138438.6A CN107944368B (zh) | 2017-11-16 | 2017-11-16 | 一种基于时序遥感图像的水体提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944368A true CN107944368A (zh) | 2018-04-20 |
CN107944368B CN107944368B (zh) | 2019-12-06 |
Family
ID=61932620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711138438.6A Active CN107944368B (zh) | 2017-11-16 | 2017-11-16 | 一种基于时序遥感图像的水体提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944368B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871283A (zh) * | 2018-04-28 | 2018-11-23 | 河南理工大学 | 一种基于tm影像的湖泊水体信息提取方法 |
CN109087316A (zh) * | 2018-09-07 | 2018-12-25 | 南京大学 | 一种基于遥感图像的大棚提取方法和装置 |
CN109671038A (zh) * | 2018-12-27 | 2019-04-23 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
CN109919875A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院遥感与数字地球研究所 | 一种高时频遥感图像特征辅助的居民地提取与分类方法 |
CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
CN110569734A (zh) * | 2019-08-09 | 2019-12-13 | 中国科学院南京地理与湖泊研究所 | 基于高时频遥感影像序列的新建水库自动识别方法 |
CN110660099A (zh) * | 2019-03-22 | 2020-01-07 | 西安电子科技大学 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN113657275A (zh) * | 2021-08-16 | 2021-11-16 | 中国科学院空天信息创新研究院 | 一种林草火点自动检测方法 |
CN114821287A (zh) * | 2021-01-21 | 2022-07-29 | 中国石油天然气股份有限公司 | 基于时序遥感图像的油田污染水体识别方法及装置 |
CN115147726A (zh) * | 2022-09-05 | 2022-10-04 | 清华大学 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
CN114821287B (zh) * | 2021-01-21 | 2024-05-31 | 中国石油天然气股份有限公司 | 基于时序遥感图像的油田污染水体识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
CN106950177A (zh) * | 2016-11-16 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星遥感影像的水体提取方法 |
CN107145891A (zh) * | 2017-05-08 | 2017-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的水体提取方法及系统 |
-
2017
- 2017-11-16 CN CN201711138438.6A patent/CN107944368B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
CN106950177A (zh) * | 2016-11-16 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星遥感影像的水体提取方法 |
CN107145891A (zh) * | 2017-05-08 | 2017-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的水体提取方法及系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871283A (zh) * | 2018-04-28 | 2018-11-23 | 河南理工大学 | 一种基于tm影像的湖泊水体信息提取方法 |
CN109087316A (zh) * | 2018-09-07 | 2018-12-25 | 南京大学 | 一种基于遥感图像的大棚提取方法和装置 |
CN109087316B (zh) * | 2018-09-07 | 2019-08-02 | 南京大学 | 一种基于遥感图像的大棚提取方法和装置 |
CN109671038A (zh) * | 2018-12-27 | 2019-04-23 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
CN109671038B (zh) * | 2018-12-27 | 2023-04-28 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
CN109919875A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院遥感与数字地球研究所 | 一种高时频遥感图像特征辅助的居民地提取与分类方法 |
CN110660099B (zh) * | 2019-03-22 | 2023-04-07 | 西安电子科技大学 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
CN110660099A (zh) * | 2019-03-22 | 2020-01-07 | 西安电子科技大学 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
CN110569734A (zh) * | 2019-08-09 | 2019-12-13 | 中国科学院南京地理与湖泊研究所 | 基于高时频遥感影像序列的新建水库自动识别方法 |
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN111881816B (zh) * | 2020-07-27 | 2023-06-09 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN114821287A (zh) * | 2021-01-21 | 2022-07-29 | 中国石油天然气股份有限公司 | 基于时序遥感图像的油田污染水体识别方法及装置 |
CN114821287B (zh) * | 2021-01-21 | 2024-05-31 | 中国石油天然气股份有限公司 | 基于时序遥感图像的油田污染水体识别方法及装置 |
CN113657275A (zh) * | 2021-08-16 | 2021-11-16 | 中国科学院空天信息创新研究院 | 一种林草火点自动检测方法 |
CN115147726A (zh) * | 2022-09-05 | 2022-10-04 | 清华大学 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107944368B (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944368B (zh) | 一种基于时序遥感图像的水体提取方法 | |
Chen et al. | Extraction of glacial lake outlines in Tibet Plateau using Landsat 8 imagery and Google Earth Engine | |
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 | |
CN109993237B (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
Zhou et al. | Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier | |
Zhang et al. | Automated water classification in the Tibetan plateau using Chinese GF-1 WFV data | |
Chen et al. | Spatiotemporal remote sensing image fusion using multiscale two-stream convolutional neural networks | |
Lin et al. | Radiometric normalization and cloud detection of optical satellite images using invariant pixels | |
CN109447089B (zh) | 基于超分技术的高分辨率北极海冰类型提取方法 | |
Chen et al. | An automated cloud detection method for daily NOAA-14 AVHRR data for Texas, USA | |
CN104065892A (zh) | 一种凝视卫星面阵ccd相机的相对辐射校正方法 | |
CN107194936B (zh) | 基于超像素联合稀疏表示的高光谱图像目标检测方法 | |
Hashim et al. | Determination of seagrass biomass at Merambong Shoal in Straits of Johor using satellite remote sensing technique | |
CN111931696A (zh) | 一种基于空间约束的湖库水体面积遥感自动提取方法 | |
Liu et al. | Estimating high-resolution urban surface temperature using a hyperspectral thermal mixing (HTM) approach | |
Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
Song et al. | Remote sensing image spatiotemporal fusion via a generative adversarial network with one prior image pair | |
Zhao et al. | Cloud identification and properties retrieval of the Fengyun-4A satellite using a ResUnet model | |
Jawak et al. | Iterative spectral index ratio exploration for object-based image analysis of Antarctic coastal oasis using high resolution satellite remote sensing data | |
Fryskowska et al. | Some aspects of satellite imagery integration from Eros B and Landsat 8 | |
Rahmad et al. | Impact of NDVI change to spatial distribution of land surface temperature (A study in Medan city, Indonesia) | |
Zheng et al. | Quantitative Ulva prolifera bloom monitoring based on multi-source satellite ocean color remote sensing data. | |
Luo et al. | An Evolutionary Shadow Correction Network and A Benchmark UAV Dataset for Remote Sensing Images | |
Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices | |
Siok et al. | A simulation approach to the spectral quality of multispectral images enhancement |
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 |