CN108169142A - 基于遥感影像的水色异常快速定位方法和装置 - Google Patents
基于遥感影像的水色异常快速定位方法和装置 Download PDFInfo
- Publication number
- CN108169142A CN108169142A CN201711385825.XA CN201711385825A CN108169142A CN 108169142 A CN108169142 A CN 108169142A CN 201711385825 A CN201711385825 A CN 201711385825A CN 108169142 A CN108169142 A CN 108169142A
- Authority
- CN
- China
- Prior art keywords
- water
- image
- water colour
- exception
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感影像的水色异常快速定位方法和装置,属于水体污染监测领域,该方法首先获取遥感影像并提取出水域部分;然后计算水域部分的归一化水体指数并使用均值算子进行均值计算;将均值计算后的归一化水体指数分布影像与水色异常判断阈值进行比较,得到水色异常窗口分布影像;使用水色异常窗口分布影像,对归一化水体指数分布影像进行掩膜运算,获取初步确定的水色异常区域分布影像;将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,得到水色异常区域。本发明使用均值算子进行尺度变换,减少了比较次数,可大大减少处理时间,提高水色异常的检测速度和精确性,为环境应急管理部门提供技术支撑。
Description
技术领域
本发明涉及水体污染监测领域,特别是指一种基于遥感影像的水色异常快速定位方法和装置。
背景技术
随着工业化的发展以及城市化进程的加剧,不合理的水资源利用,导致各类水环境突发应急事件频发,使得江河湖海等水体受到威胁,严重影响了水体的饮用、灌溉、景观等各种功能。城市化的加剧、农业面源污染的危害、不合理的工业布局以及航海船只剧增等,导致水体富营养化以及各种水环境污染和环境破坏,严重破坏了水体的自净能力,进而导致沿岸居民及沿海城市的水质型缺水。水体的各种富营养化及水环境污染导致水体颜色发生变化,为了对突发水环境污染事件快速应急响应,需要对突发水色异常区域进行快速、精确的定位,为环境管理部门提供第一手的资料和信息,提高环境部门对突发水环境事件的应急监测能力,为环境管理部门提供及时的技术支撑。
目前对于水体富营养化及各类水环境突发事件的信息获取,主要依靠地面调查同遥感技术相结合的方式。传统地面调查主要是监测人员利用船只及各种水质监测仪器对水域进行现场监测,判断水质指标的达标状况,同时结合现场水体颜色同周围水体颜色的差异等经验手段来综合判断水色异常的分布状况;而遥感技术在近年水色异常的调查方面也发挥了重要的作用。通常利用卫星遥感、航空遥感或地面遥感等手段获取遥感影像,图像经过各种预处理后通过人为判断,依据各种水色异常指数及经验,通过设置阈值来对遥感影像所有像元进行判别后,识别水体部分的异常。
传统的地面调查方法依靠人力,需要消耗大量人力、物力和财力才能获取地面水体的水色异常状况,耗时、费力且需要大量资金投入,同时受天气、位置等影响而使得调查不够全面。遥感技术可解决传统调查的某些劣势,发挥了重要作用。但是目前遥感技术对水色异常的判读和识别主要是基于先验知识建立水色异常的判读指数,然后对图像所有像元进行逐一检测。由于水色异常类型和种类繁杂,利用水色异常指数不能提取未知类型的水色异常,或者提取精度较低,其次由于传统的遥感检测水色异常均是基于影像的所有像元依据判定阈值进行逐一检测,需要消耗大量时间才能完成整景影像的检测,大大降低了水色异常的检测速度。
发明内容
为解决上述技术问题,本发明提供一种基于遥感影像的水色异常快速定位方法和装置,本发明减少了比较次数,可大大减少处理时间,提高水色异常的检测速度和精确性,为环境应急管理部门提供技术支撑。
本发明提供技术方案如下:
一种基于遥感影像的水色异常快速定位方法,包括:
步骤1:获取含有水色异常区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
步骤2:对所述遥感影像进行预处理,得到遥感反射率影像,所述预处理包括辐射校正、大气校正和几何校正;
步骤3:从所述遥感反射率影像上获取水域部分的遥感反射率影像;
步骤4:采用归一化水体指数法,提取水域部分的遥感反射率影像的归一化水体指数,得到归一化水体指数分布影像,所述归一化水体指数通过如下公式得到:
其中NDWI为归一化水体指数,ρGreen、ρNIR分别是绿波段、近红外波段的遥感反射率;
步骤5:使用适合大小的均值算子对所述归一化水体指数分布影像进行均值计算,得到尺度变换后的归一化水体指数分布影像;
步骤6:将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若比较通过,则标记该窗口为水色异常窗口,得到水色异常窗口分布影像;
步骤7:使用所述水色异常窗口分布影像,对归一化水体指数分布影像进行掩膜运算,获取初步确定的水色异常区域分布影像;
步骤8:将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若比较通过,则标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
进一步的,所述步骤3包括:
步骤31:对所述遥感反射率影像进行水陆分离,得到初步确定的水域部分的遥感反射率影像;
步骤32:对初步确定的水域部分的遥感反射率影像的边缘进行掩膜运算,得到水域部分的遥感反射率影像。
进一步的,所述水色异常判断阈值通过如下方法计算得到:
步骤100:在尺度变换后的归一化水体指数分布影像样本上选取若干个水色正常窗口作为训练样本集;
步骤200:计算训练样本集的灰度均值和方差;
步骤300:根据如下公式确定水色异常判断阈值:
其中,T为水色异常判断阈值,为均值,σ为方差,n为整数,n依据训练样本集的直方图分布特征确定。
进一步的,所述步骤6包括:
步骤61:将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若窗口灰度值∈则表示比较未通过,标记该窗口为水色正常窗口;若窗口灰度值 则表示比较通过,标记该窗口为水色异常窗口,所有水色异常窗口组成水色异常窗口分布影像;
所述步骤8包括:
步骤81:将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若像元灰度值∈则表示比较未通过,标记该像元为水色正常像元;若像元灰度值则表示比较通过,标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
进一步的,所述方法还包括:
步骤9:根据水色异常像元的个数和遥感影像的空间分辨率,通过如下公式计算水色异常区的面积:
S=km;
其中,S为水色异常区的面积,k为遥感影像的空间分辨率,m为水色异常像元的个数。
一种基于遥感影像的水色异常快速定位装置,包括:
遥感影像获取模块,用于获取含有水色异常区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
预处理模块,用于对所述遥感影像进行预处理,得到遥感反射率影像,所述预处理包括辐射校正、大气校正和几何校正;
水域部分获取模块,用于从所述遥感反射率影像上获取水域部分的遥感反射率影像;
归一化水体指数模块,用于采用归一化水体指数法,提取水域部分的遥感反射率影像的归一化水体指数,得到归一化水体指数分布影像,所述归一化水体指数通过如下公式得到:
其中NDWI为归一化水体指数,ρGreen、ρNIR分别是绿波段、近红外波段的遥感反射率;
均值计算模块,用于使用适合大小的均值算子对所述归一化水体指数分布影像进行均值计算,得到尺度变换后的归一化水体指数分布影像;
窗口比较模块,用于将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若比较通过,则标记该窗口为水色异常窗口,得到水色异常窗口分布影像;
掩膜运算模块,用于使用所述水色异常窗口分布影像,对归一化水体指数分布影像进行掩膜运算,获取初步确定的水色异常区域分布影像;
像元比较模块,用于将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若比较通过,则标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
进一步的,所述水域部分获取模块包括:
水陆分离单元,用于对所述遥感反射率影像进行水陆分离,得到初步确定的水域部分的遥感反射率影像;
边缘掩膜单元,用于对初步确定的水域部分的遥感反射率影像的边缘进行掩膜运算,得到水域部分的遥感反射率影像。
进一步的,所述水色异常判断阈值通过如下模块计算得到:
训练样本集获取模块,用于在尺度变换后的归一化水体指数分布影像样本上选取若干个水色正常窗口作为训练样本集;
均值和方差计算模块,用于计算训练样本集的灰度均值和方差;
水色异常判断阈值计算模块,用于根据如下公式确定水色异常判断阈值:
其中,T为水色异常判断阈值,为均值,σ为方差,n为整数,n依据训练样本集的直方图分布特征确定。
进一步的,所述窗口比较模块包括:
窗口比较单元,用于将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若窗口灰度值∈ 则表示比较未通过,标记该窗口为水色正常窗口;若窗口灰度值则表示比较通过,标记该窗口为水色异常窗口,所有水色异常窗口组成水色异常窗口分布影像;
所述像元比较模块包括:
像元比较单元,用于将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若像元灰度值∈则表示比较未通过,标记该像元为水色正常像元;若像元灰度值 则表示比较通过,标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
进一步的,所述装置还包括:
面积计算模块,用于根据水色异常像元的个数和遥感影像的空间分辨率,通过如下公式计算水色异常区的面积:
S=km;
其中,S为水色异常区的面积,k为遥感影像的空间分辨率,m为水色异常像元的个数。
本发明具有以下有益效果:
本发明的基于遥感影像的水色异常快速定位方法通过设置均值算子进行均值计算,并将尺度变换后的窗口灰度值与水色异常判断阈值进行比较,初步确定水色异常区,然后将初步确定的水色异常区的每个像元与水色异常判断阈值进行比较,精确定位水色异常区域。本发明减少了比较次数,可大大减少处理时间,提高水色异常的检测速度和精确性,为环境应急管理部门提供技术支撑。
附图说明
图1为本发明的基于遥感影像的水色异常快速定位方法流程图;
图2为本发明的基于遥感影像的水色异常快速定位装置示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
一方面,本发明提供一种基于遥感影像的水色异常快速定位方法,如图1所示,该方法包括:
步骤1:获取含有水色异常区域的遥感影像,遥感影像包括多光谱或高光谱遥感影像。
多光谱遥感影像是指包含多个波段的遥感影像,波段数一般为几个到十几个,高光谱波段数一般为上百个。本步骤中,一般从图像采集设备(搭载在卫星上的成像光谱仪等)获取多光谱遥感影像。
步骤2:对遥感影像进行预处理,得到遥感反射率影像,预处理包括辐射校正、大气校正和几何校正。
辐射校正(radiometric correction)是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或减弱因辐射误差而引起影像失真的过程。
大气校正(atmospheric correction),用于消除大气散射、吸收、反射引起的误差。
遥感成像的时候,由于飞行器的姿态、高度、速度以及地球自转等因素的影响,造成图像相对于地面目标发生几何畸变,这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等,针对几何畸变进行的误差校正就叫几何校正。
步骤3:从遥感反射率影像上获取水域部分的遥感反射率影像。由于非水域部分的遥感反射率影像的颜色特征可能与水域部分水色异常区域的颜色特征相同,使得定位出的水色异常区包含非水域部分,定位结果不准确,导致水色异常检测错误,需要去除非水域部分。
步骤4:采用归一化水体指数法,提取水域部分的遥感反射率影像的归一化水体指数,得到归一化水体指数分布影像,归一化水体指数通过如下公式得到:
其中NDWI为归一化水体指数,ρGreen、ρNIR分别是绿波段、近红外波段的遥感反射率。
本发明使用归一化水体指数判断水色异常,归一化水体指数(NDWI,NormalizedDifference Water Index)是表示水体信息的灰度影像,用遥感反射率影像的特定波段进行归一化差值处理,以凸显影像中的水体信息。是基于绿波段与近红外波段的归一化比值指数。归一化水体指数用来提取影像中的水体信息,效果较好。
步骤5:使用适合大小的均值算子对归一化水体指数分布影像进行均值计算,得到尺度变换后的归一化水体指数分布影像。
本发明使用均值算子对归一化水体指数分布影像进行均值计算,均值算子为M*M的二维模板,优选为3*3,5*5的区域,均值算子的大小根据归一化水体指数分布影像的大小确定,一般的,归一化水体指数分布影像的行列数越大,均值算子越大。经过尺度变换后,影像数据量的降低程度依赖于均值算子的大小。
尺度变换后的影像包括多个窗口,每个窗口的灰度值为该窗口内M*M个像元的灰度平均值。
步骤6:将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若比较通过,则标记该窗口为水色异常窗口,得到水色异常窗口分布影像。
水色异常判断阈值是水色正常和异常的分界值,水色异常判断阈值可以通过各种方法确定,一般为选取多个正常水体或异常水体样本,通过这些样本的统计特征确定水色异常判断阈值。
本发明将尺度变换后的归一化水体指数分布影像的窗口与水色异常判断阈值进行比较,窗口的灰度值为该窗口内M*M个像元的灰度平均值,如果该窗口比较通过,则将该窗口内的所有像元均认为是水色异常(即标记该窗口为水色异常窗口),在尺度变换后的归一化水体指数分布影像上初步确定出水色异常区域。
步骤7:使用水色异常窗口分布影像,对归一化水体指数分布影像进行掩膜运算,获取初步确定的水色异常区域分布影像,即在尺度变换前的归一化水体指数分布影像上初步确定出水色异常区域。
步骤8:将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若比较通过,则标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域,即可得到水色异常区域的位置。
由于前述使用窗口的灰度值代替窗口内M*M个像元的灰度值与阈值进行比较,初步确定出的水色异常区域存在误差,本步骤在初步确定出的水色异常区域上将每个像元分别与水色异常判断阈值进行比较,精确定位水色异常区域。
现有技术中,需要将所有像元与阈值进行逐一比较,计算量大,消耗大量时间才能完成整景影像的检测,大大降低了水色异常的检测速度。而本发明不用将所有像元与阈值进行逐一比较,只需要将初步确定出的水色异常区域上的每个像元与阈值进行比较即可,减少了比较次数,大大提高了水色异常的检测速度。
本发明的基于遥感影像的水色异常快速定位方法通过设置均值算子进行均值计算,并将尺度变换后的窗口灰度值与水色异常判断阈值进行比较,初步确定水色异常区,然后将初步确定的水色异常区的每个像元与水色异常判断阈值进行比较,精确定位水色异常区域。本发明减少了比较次数,可大大减少处理时间,提高水色异常的检测速度和精确性,为环境应急管理部门提供技术支撑。
作为本发明的一种改进,可以通过如下方法从遥感反射率影像上获取水域部分的遥感反射率影像:
步骤31:对遥感反射率影像进行水陆分离,得到初步确定的水域部分的遥感反射率影像。
本步骤中,利用特定波段的信息,对影像进行边缘检测,检测出岛礁和大陆的轮廓,进行裁剪,完成水陆分离。或者利用已知的水体边界,对遥感反射率影像进行裁剪。
步骤32:对初步确定的水域部分的遥感反射率影像的边缘进行掩膜运算,得到水域部分的遥感反射率影像,水域部分的遥感反射率影像包括水色异常区域和水色正常区域。水陆分离后可能存在边缘不精确的问题,导致边缘不是水域部分(即边缘包括陆地),导致水色异常检测错误(将陆地部分判断为水色异常区),边缘掩膜能够对初步确定的水域部分的边缘进行修正,减少因水陆边界分离不精确而导致的水色异常检测错误的问题。
本发明中,水色异常判断阈值可以是事先设定好的,本发明直接使用该阈值,也可以是在本发明的过程中计算得到的,水色异常判断阈值优选通过如下方法计算得到:
步骤100:在尺度变换后的归一化水体指数分布影像样本上选取若干个水色正常窗口作为训练样本集。
将一幅或多幅遥感影像通过前述的处理方法,得到尺度变换后的归一化水体指数分布影像,将这些影像作为样本,在这些影像上人工选取若干个(N个)水色正常窗口,组成训练样本集。
步骤200:计算训练样本集的灰度均值和方差。
步骤300:根据如下公式确定水色异常判断阈值:
其中,T为水色异常判断阈值,为均值,σ为方差,n为整数,n依据训练样本集的直方图分布特征确定,如果训练样本集的直方图分布比较集中,则n可以适当取小些,如果训练样本集的直方图分布比较分散,则n可以适当取大些,优选的,n取值为2或3。
本发明通过训练样本集的灰度值的均值、方差以及训练样本集的直方图分布特征确定水色异常判断阈值,该阈值能够精确地定位水色异常区域。
进一步的,步骤6包括:
步骤61:将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若窗口灰度值∈则表示比较未通过,标记该窗口为水色正常窗口,可以用符号“0”表示;若窗口灰度值则表示比较通过,标记该窗口为水色异常窗口,可以用符号“1”表示,所有水色异常窗口组成水色异常窗口分布影像。
步骤8包括:
步骤81:将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若像元灰度值∈则表示比较未通过,标记该像元为水色正常像元,可以用符号“N”表示;若像元灰度值则表示比较通过,标记该像元为水色异常像元,可以用符号“Y”表示,所有水色异常像元组成的区域即为水色异常区域。
在定位出水色异常区域后,即可确定水色异常区域的位置,进一步的,还可以计算计算水色异常区的面积,该方法还包括:
步骤9:根据水色异常像元的个数和遥感影像的空间分辨率,通过如下公式计算水色异常区的面积:
S=km;
其中,S为水色异常区的面积,k为遥感影像的空间分辨率,m为水色异常像元的个数。
空间分辨率是指像素所代表的地面范围的大小,即扫描仪的瞬时视场,或地面物体能分辨的最小单元。高空间分辨率一般指一个像素所代表的地面范围一般为小于20m。
另一方面,本发明提供一种基于遥感影像的水色异常快速定位装置,如图2所示,包括:
遥感影像获取模块11,用于获取含有水色异常区域的遥感影像,遥感影像包括多光谱或高光谱遥感影像。
预处理模块12,用于对遥感影像进行预处理,得到遥感反射率影像,预处理包括辐射校正、大气校正和几何校正。
水域部分获取模块13,用于从遥感反射率影像上获取水域部分的遥感反射率影像。
归一化水体指数模块14,用于采用归一化水体指数法,提取水域部分的遥感反射率影像的归一化水体指数,得到归一化水体指数分布影像,归一化水体指数通过如下公式得到:
其中NDWI为归一化水体指数,ρGreen、ρNIR分别是绿波段、近红外波段的遥感反射率。
均值计算模块15,用于使用适合大小的均值算子对归一化水体指数分布影像进行均值计算,得到尺度变换后的归一化水体指数分布影像。
窗口比较模块16,用于将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若比较通过,则标记该窗口为水色异常窗口,得到水色异常窗口分布影像。
掩膜运算模块17,用于使用水色异常窗口分布影像,对归一化水体指数分布影像进行掩膜运算,获取初步确定的水色异常区域分布影像。
像元比较模块18,用于将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若比较通过,则标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
本发明的基于遥感影像的水色异常快速定位方法通过设置均值算子进行均值计算,并将尺度变换后的窗口灰度值与水色异常判断阈值进行比较,初步确定水色异常区,然后将初步确定的水色异常区的每个像元与水色异常判断阈值进行比较,精确定位水色异常区域。本发明减少了比较次数,可大大减少处理时间,提高水色异常的检测速度和精确性,为环境应急管理部门提供技术支撑。
作为本发明的一种改进,水域部分获取模块包括:
水陆分离单元,用于对遥感反射率影像进行水陆分离,得到初步确定的水域部分的遥感反射率影像;
边缘掩膜单元,用于对初步确定的水域部分的遥感反射率影像的边缘进行掩膜运算,得到水域部分的遥感反射率影像。
本发明中,水色异常判断阈值通过如下模块得到:
训练样本集获取模块,用于在尺度变换后的归一化水体指数分布影像样本上选取若干个水色正常窗口作为训练样本集;
均值和方差计算模块,用于计算训练样本集的灰度均值和方差;
水色异常判断阈值计算模块,用于根据如下公式确定水色异常判断阈值:
其中,T为水色异常判断阈值,为均值,σ为方差,n为整数,n依据训练样本集的直方图分布特征确定。
进一步的,窗口比较模块包括:
窗口比较单元,用于将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若窗口灰度值∈ 则表示比较未通过,标记该窗口为水色正常窗口;若窗口灰度值则表示比较通过,标记该窗口为水色异常窗口,所有水色异常窗口组成水色异常窗口分布影像;
像元比较模块包括:
像元比较单元,用于将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若像元灰度值∈则表示比较未通过,标记该像元为水色正常像元;若像元灰度值 则表示比较通过,标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
优选的,该装置还包括:
面积计算模块,用于根据水色异常像元的个数和遥感影像的空间分辨率,通过如下公式计算水色异常区的面积:
S=km;
其中,S为水色异常区的面积,k为遥感影像的空间分辨率,m为水色异常像元的个数。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于遥感影像的水色异常快速定位方法,其特征在于,包括:
步骤1:获取含有水色异常区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
步骤2:对所述遥感影像进行预处理,得到遥感反射率影像,所述预处理包括辐射校正、大气校正和几何校正;
步骤3:从所述遥感反射率影像上获取水域部分的遥感反射率影像;
步骤4:采用归一化水体指数法,提取水域部分的遥感反射率影像的归一化水体指数,得到归一化水体指数分布影像,所述归一化水体指数通过如下公式得到:
其中NDWI为归一化水体指数,ρGreen、ρNIR分别是绿波段、近红外波段的遥感反射率;
步骤5:使用适合大小的均值算子对所述归一化水体指数分布影像进行均值计算,得到尺度变换后的归一化水体指数分布影像;
步骤6:将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若比较通过,则标记该窗口为水色异常窗口,得到水色异常窗口分布影像;
步骤7:使用所述水色异常窗口分布影像,对归一化水体指数分布影像进行掩膜运算,获取初步确定的水色异常区域分布影像;
步骤8:将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若比较通过,则标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
2.根据权利要求1所述的基于遥感影像的水色异常快速定位方法,其特征在于,所述步骤3包括:
步骤31:对所述遥感反射率影像进行水陆分离,得到初步确定的水域部分的遥感反射率影像;
步骤32:对初步确定的水域部分的遥感反射率影像的边缘进行掩膜运算,得到水域部分的遥感反射率影像。
3.根据权利要求1所述的基于遥感影像的水色异常快速定位方法,其特征在于,所述水色异常判断阈值通过如下方法计算得到:
步骤100:在尺度变换后的归一化水体指数分布影像样本上选取若干个水色正常窗口作为训练样本集;
步骤200:计算训练样本集的灰度均值和方差;
步骤300:根据如下公式确定水色异常判断阈值:
其中,T为水色异常判断阈值,为均值,σ为方差,n为整数,n依据训练样本集的直方图分布特征确定。
4.根据权利要求3所述的基于遥感影像的水色异常快速定位方法,其特征在于,所述步骤6包括:
步骤61:将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若窗口灰度值则表示比较未通过,标记该窗口为水色正常窗口;若窗口灰度值 则表示比较通过,标记该窗口为水色异常窗口,所有水色异常窗口组成水色异常窗口分布影像;
所述步骤8包括:
步骤81:将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若像元灰度值则表示比较未通过,标记该像元为水色正常像元;若像元灰度值则表示比较通过,标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
5.根据权利要求1-4任一所述的基于遥感影像的水色异常快速定位方法,其特征在于,所述方法还包括:
步骤9:根据水色异常像元的个数和遥感影像的空间分辨率,通过如下公式计算水色异常区的面积:
S=km;
其中,S为水色异常区的面积,k为遥感影像的空间分辨率,m为水色异常像元的个数。
6.一种基于遥感影像的水色异常快速定位装置,其特征在于,包括:
遥感影像获取模块,用于获取含有水色异常区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
预处理模块,用于对所述遥感影像进行预处理,得到遥感反射率影像,所述预处理包括辐射校正、大气校正和几何校正;
水域部分获取模块,用于从所述遥感反射率影像上获取水域部分的遥感反射率影像;
归一化水体指数模块,用于采用归一化水体指数法,提取水域部分的遥感反射率影像的归一化水体指数,得到归一化水体指数分布影像,所述归一化水体指数通过如下公式得到:
其中NDWI为归一化水体指数,ρGreen、ρNIR分别是绿波段、近红外波段的遥感反射率;
均值计算模块,用于使用适合大小的均值算子对所述归一化水体指数分布影像进行均值计算,得到尺度变换后的归一化水体指数分布影像;
窗口比较模块,用于将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若比较通过,则标记该窗口为水色异常窗口,得到水色异常窗口分布影像;
掩膜运算模块,用于使用所述水色异常窗口分布影像,对归一化水体指数分布影像进行掩膜运算,获取初步确定的水色异常区域分布影像;
像元比较模块,用于将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若比较通过,则标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
7.根据权利要求6所述的基于遥感影像的水色异常快速定位装置,其特征在于,所述水域部分获取模块包括:
水陆分离单元,用于对所述遥感反射率影像进行水陆分离,得到初步确定的水域部分的遥感反射率影像;
边缘掩膜单元,用于对初步确定的水域部分的遥感反射率影像的边缘进行掩膜运算,得到水域部分的遥感反射率影像。
8.根据权利要求6所述的基于遥感影像的水色异常快速定位装置,其特征在于,所述水色异常判断阈值通过如下模块计算得到:
训练样本集获取模块,用于在尺度变换后的归一化水体指数分布影像样本上选取若干个水色正常窗口作为训练样本集;
均值和方差计算模块,用于计算训练样本集的灰度均值和方差;
水色异常判断阈值计算模块,用于根据如下公式确定水色异常判断阈值:
其中,T为水色异常判断阈值,为均值,σ为方差,n为整数,n依据训练样本集的直方图分布特征确定。
9.根据权利要求8所述的基于遥感影像的水色异常快速定位装置,其特征在于,所述窗口比较模块包括:
窗口比较单元,用于将尺度变换后的归一化水体指数分布影像的每个窗口分别与水色异常判断阈值进行比较,若窗口灰度值 则表示比较未通过,标记该窗口为水色正常窗口;若窗口灰度值则表示比较通过,标记该窗口为水色异常窗口,所有水色异常窗口组成水色异常窗口分布影像;
所述像元比较模块包括:
像元比较单元,用于将初步确定的水色异常区域分布影像的每个像元分别与水色异常判断阈值进行比较,若像元灰度值则表示比较未通过,标记该像元为水色正常像元;若像元灰度值 则表示比较通过,标记该像元为水色异常像元,所有水色异常像元组成的区域即为水色异常区域。
10.根据权利要求6-9任一所述的基于遥感影像的水色异常快速定位装置,其特征在于,所述装置还包括:
面积计算模块,用于根据水色异常像元的个数和遥感影像的空间分辨率,通过如下公式计算水色异常区的面积:
S=km;
其中,S为水色异常区的面积,k为遥感影像的空间分辨率,m为水色异常像元的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711385825.XA CN108169142B (zh) | 2017-12-20 | 2017-12-20 | 基于遥感影像的水色异常快速定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711385825.XA CN108169142B (zh) | 2017-12-20 | 2017-12-20 | 基于遥感影像的水色异常快速定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108169142A true CN108169142A (zh) | 2018-06-15 |
CN108169142B CN108169142B (zh) | 2019-02-22 |
Family
ID=62523092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711385825.XA Active CN108169142B (zh) | 2017-12-20 | 2017-12-20 | 基于遥感影像的水色异常快速定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108169142B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523510A (zh) * | 2018-10-11 | 2019-03-26 | 浙江大学 | 基于多光谱遥感影像的河道水质空间异常区域检测方法 |
CN111060473A (zh) * | 2020-01-15 | 2020-04-24 | 王丽娟 | 一种食品质量分析检测装置 |
CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
CN112417935A (zh) * | 2019-08-23 | 2021-02-26 | 经纬航太科技股份有限公司 | 环境巡检系统及其方法 |
CN112945352A (zh) * | 2021-02-03 | 2021-06-11 | 成都鼎安华智慧物联网股份有限公司 | 基于遥感数据水位异常信息的提取方法 |
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN114187531A (zh) * | 2022-02-14 | 2022-03-15 | 广东河海工程咨询有限公司 | 一种遥感的水环境保护及用水管理信息化系统 |
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 |
CN114993965A (zh) * | 2022-05-13 | 2022-09-02 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及系统 |
CN115984711A (zh) * | 2022-12-30 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于卫星遥感的非蓝藻水华监测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和系统 |
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 |
CN105761286A (zh) * | 2016-02-29 | 2016-07-13 | 环境保护部卫星环境应用中心 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN107025467A (zh) * | 2017-05-09 | 2017-08-08 | 环境保护部卫星环境应用中心 | 一种水体分类模型的建立方法及装置 |
-
2017
- 2017-12-20 CN CN201711385825.XA patent/CN108169142B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和系统 |
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 |
CN105761286A (zh) * | 2016-02-29 | 2016-07-13 | 环境保护部卫星环境应用中心 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN107025467A (zh) * | 2017-05-09 | 2017-08-08 | 环境保护部卫星环境应用中心 | 一种水体分类模型的建立方法及装置 |
Non-Patent Citations (1)
Title |
---|
涂晶晶: "珠江三角洲岸线监管信息平台设计与应用", 《广东水利水电》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523510A (zh) * | 2018-10-11 | 2019-03-26 | 浙江大学 | 基于多光谱遥感影像的河道水质空间异常区域检测方法 |
CN109523510B (zh) * | 2018-10-11 | 2021-05-04 | 浙江大学 | 基于多光谱遥感影像的河道水质空间异常区域检测方法 |
CN112417935A (zh) * | 2019-08-23 | 2021-02-26 | 经纬航太科技股份有限公司 | 环境巡检系统及其方法 |
TWI726396B (zh) * | 2019-08-23 | 2021-05-01 | 經緯航太科技股份有限公司 | 環境巡檢系統及其方法 |
CN111060473A (zh) * | 2020-01-15 | 2020-04-24 | 王丽娟 | 一种食品质量分析检测装置 |
CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
CN112232234B (zh) * | 2020-10-20 | 2021-04-16 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
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 |
CN112945352A (zh) * | 2021-02-03 | 2021-06-11 | 成都鼎安华智慧物联网股份有限公司 | 基于遥感数据水位异常信息的提取方法 |
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN113177473B (zh) * | 2021-04-29 | 2021-11-16 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN114187531A (zh) * | 2022-02-14 | 2022-03-15 | 广东河海工程咨询有限公司 | 一种遥感的水环境保护及用水管理信息化系统 |
CN114187531B (zh) * | 2022-02-14 | 2022-05-24 | 广东河海工程咨询有限公司 | 一种遥感的水环境保护及用水管理信息化系统 |
CN114993965A (zh) * | 2022-05-13 | 2022-09-02 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及系统 |
CN114993965B (zh) * | 2022-05-13 | 2023-04-18 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及系统 |
CN115984711A (zh) * | 2022-12-30 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于卫星遥感的非蓝藻水华监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108169142B (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108169142B (zh) | 基于遥感影像的水色异常快速定位方法和装置 | |
Shao et al. | Cloud detection in remote sensing images based on multiscale features-convolutional neural network | |
CN106971146B (zh) | 基于三查技术的水体异常遥感动态监控方法、装置和系统 | |
Zhang et al. | A simple automated dynamic threshold extraction method for the classification of large water bodies from landsat-8 OLI water index images | |
CN108759973B (zh) | 一种水位测量方法 | |
Li et al. | Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
US8594375B1 (en) | Advanced cloud cover assessment | |
CN101957309B (zh) | 一种能见度的全天候视频测量方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
Li et al. | Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm | |
CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
KR101737354B1 (ko) | 광학위성 영상을 이용한 해수표면 해조류 검출 방법 및 시스템 | |
CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
WO2019184269A1 (zh) | 基于Landsat8含雪影像的云检测方法 | |
CN107564016A (zh) | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 | |
Chunyang et al. | Sea fog detection using U-Net deep learning model based on MODIS data | |
CN104573662B (zh) | 一种云判方法和系统 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN111428752B (zh) | 一种基于红外图像的能见度检测方法 | |
CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
CN114720425B (zh) | 一种基于图像识别的能见度监测系统及方法 | |
Li et al. | Extraction of Bohai Sea ice from MODIS data based on multi-constraint endmembers and linear spectral unmixing | |
CN109033984B (zh) | 一种夜间雾快速自动检测方法 | |
Ratté-Fortin et al. | A novel algorithm of cloud detection for water quality studies using 250 m downscaled MODIS imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |