CN108280812B - 一种基于图像增强的过火区域提取方法 - Google Patents
一种基于图像增强的过火区域提取方法 Download PDFInfo
- Publication number
- CN108280812B CN108280812B CN201810064529.8A CN201810064529A CN108280812B CN 108280812 B CN108280812 B CN 108280812B CN 201810064529 A CN201810064529 A CN 201810064529A CN 108280812 B CN108280812 B CN 108280812B
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- ndvi
- value
- post
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 71
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 108700016256 Dihydropteroate synthases Proteins 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000002310 reflectometry Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 9
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 229920000459 Nitrile rubber Polymers 0.000 description 21
- 230000006872 improvement Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
- G06T5/75—Unsharp masking
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像增强的过火区域提取方法，包括：(1)对过火前后的待处理图像进行数据预处理，其包括辐射定标和几何校正步骤；(2)对预处理后的图像进行过火区域粗提取，首先去除图像中的云和水，再结合近红外波段规则和多种植被指数，对整幅图像设置相对的阈值，粗略提取过火区域；(3)采用FASA图像增强法和形态学方法对过火区域进行精确提取。本发明通过充分考虑过火区域的光谱特征、热特征和空间特征，利用NDVI、GEMI和NDVIT三种植被指数，结合图像增强的方法，对过火区域进行提取，提高了过火区域提取方法的整体精度和准确度，并对非过火原因导致的植被变化影响较少，具有一定的稳定性，适合低分辨率影像的过火区域提取。
Description
技术领域
本发明涉及遥感技术领域，特别是涉及一种基于图像增强的过火区域提取方法。
背景技术
火灾是破坏自然资源，导致生态系统结构和功能退化的一个重要因素。生物质的燃烧对全球植被动态研究有重要的意义。在当前全球气候变暖加速，自然火灾的频度和强度不断增加的背景下，分析自然火灾的时空特征可以揭露气候和人为因素对该生态系统的影响。因此，准确地确定火灾的位置、毁林面积，并进行灾后评估，对及时地采取积极有效的管理措施，保护和恢复火烧迹地地区的生态系统有重要意义。
遥感技术由于具有重复周期短、覆盖范围广的特点，能够长期获取生态系统的动态信息，可以为过火区域检测提供实时的数据源，降低数据获取的时间和经济成本。目前，已经有多种遥感技术用来提取过火面积，主要有如下3类方法：
①工数字化。目视解译、手工勾绘和基于地形图进行手工量算是进行过火面积调查的传统方法。该方法存在的问题是：由于受地形起伏、地面可视条件、目视判断与转绘难度、图纸及变形和工作人员的主观判断误差等影响,这些方法取得的调查数据精度不高。
②过火区域特征指数方法。典型的过火区域特征指数包括NDVI、NBR和GEMI等，其基本方法是基于火灾后植被燃烧减少和燃烧残留物沉积这两个变化特征，利用过火前后影像指数的变化差值，突出过火区域以便进一步提取。该方法存在的问题是：由于燃烧植被和周边环境的特性不同，单一的指数差值法并不能适用于所有过火区域的提取，会产生大量的噪点。
③图像处理方法。这类方法包括波段变化，监督分类，主成分分析等。这类方法主要是针对某一特定区域的过火区域进行过火区域的提取。该方法存在的问题是：这类方法大部分比较简单，对图像的纹理特征进行变换和分析，没有充分将图像处理的优势应用于过火区域提取中；另一方面，该方法还需要配合目视判读和其他数据资料，实现过火区域的自动化提取仍然比较困难。
由此可见，上述现有的过火区域提取方法显然仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种新的基于图像增强的过火区域提取方法，使其能显著提高过火区域提取的精度和准确度，成为当前业界极需改进的目标。
发明内容
本发明要解决的技术问题是提供一种基于图像增强的过火区域提取方法，使其能显著提高过火区域提取的精度和准确度，从而克服现有的过火区域提取方法的不足。
为解决上述技术问题，本发明提供一种基于图像增强的过火区域提取方法，所述方法包括：
(1)对过火前后的待处理图像进行数据预处理，其包括辐射定标步骤和几何校正步骤；
(2)对预处理后的图像进行过火区域粗提取，首先去除图像中的云和水，再结合近红外波段规则和多种植被指数，对整幅图像设置相对的阈值，粗略提取过火区域；
(3)采用FASA图像增强法和形态学方法对过火区域进行精确提取。
作为本发明的一种改进，所述步骤(2)中去除图像中云的方法为：利用云的反射率、亮温与地表之间的巨大差别，设定云探测掩膜，所述云探测掩膜的公式为：
ρblue＞0.5orT＜283K
其中，ρblue为影像可见光蓝波段的反射率，T为像元的亮温，K为温度单位开尔文，对过火前后两景影像进行处理，若满足所述云探测掩膜的公式像元即视为云像元，去除。
进一步改进，所述步骤(2)中去除图像中水的方法为：利用水体指数NDWI对过火前后每景影像中的水进行去除，所述NDWI的计算公式为：
其中,ρgreen为可见光绿波段的反射率，ρNIR为红外波段反射率，去除过火前后每景影像中NDWI≥0的像元。
进一步改进，所述步骤(2)中近红外波段规则为：保留过火后影像中满足下列公式的像元：
(1+a)×ρNIR-post＜ρNIR-pre
其中，ρNIR-post为过火后影像的近红外波段反射率，ρNIR-pre为过火前近红外波段的反射率，系数a为0.25。
进一步改进，所述步骤(2)中多种植被指数包括归一化差值植被指数NDVI、全球环境监测植被指数GEMI和热-归一化差值植被指数NDVIT，所述NDVI、GEMI和NDVIT的计算公式分别为：
其中，ρNIR为近红外波段反射率，ρred为可见光红光波段反射率，T为像元的亮温；
利用上述公式对过火前后每景影像分别计算所述三种指数NDVI、GEMI和NDVIT，再分别用过火前指数值减去过火后指数值，得出三种指数对应的差值dNDVI、dGEMI、dNDVIT，选取同时满足dNDVI、dGEMI、dNDVIT均大于0的过火后影像的NDVIpost值；
根据选取的过火后影像的NDVIpost值，计算1-NDVIpost值，再对1-NDVIpost值进行2％的线性拉伸转化，得到1-NDVIpost图像。
进一步改进，所述步骤(3)中FASA图像增强法为：在均匀的CIE L*a*b颜色空间中对所述1-NDVIpost图像进行量化并生成直方图，然后通过双边滤波，利用直方图计算量化后色彩的空间中心和颜色方差，根据所述量化后色彩的空间中心和颜色方差值对图像中显著目标的尺寸和位置建立概率模型，计算显著性概率；同时，通过量化颜色差异计算得到全局对比值，将所述全局对比值与显著性概率相乘，获得显著值，最后通过颜色量化直方图线性插值显著值并将其分配到每个像元中，得到完整的显著图。
进一步改进，所述步骤(3)中形态学方法的处理步骤包括对灰度图像的腐蚀，对图像相同结构元素的膨胀，最后二值化图像，将所有值大于0的像元记为过火区域，即得到显著性增强的过火区域。
采用这样的设计后，本发明至少具有以下优点：
本发明通过充分考虑过火区域的光谱特征、热特征和空间特征，利用NDVI、GEMI和NDVIT三种植被指数，结合图像增强的方法，对过火区域进行提取，其中植被指数的选取和计算突出了过火区域的特征，FASA图像增强处理和形态学处理，对过火区域周边的噪点具有较好的剔除效果，能提高过火区域提取方法的整体精度和准确度，并且对非过火原因导致的植被变化影响较少，具有一定的稳定性，适合低分辨率影像的过火区域提取。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明基于图像增强的过火区域提取方法的技术流程图；
图2是本发明过火区域提取方法中FASA图像增强法的算法流程图；
图3是本发明中实验区A过火区域的提取结果图；
其中，A:手勾参考真值(深蓝色轮廓)；B:FY3C MERSI 250m图像增强法结果(黄色区域)；C:FY3C MERSI 1000m图像增强法结果(绿色区域)；D：FY3C MERSI 1000m NBR阈值法(蓝色区域)；E:Landsat 8 OLI NBR阈值法结果(浅蓝色区域)。
图4是本发明中实验区B过火区域的提取结果图；
其中，A:手勾参考真值(深蓝色轮廓)；B:FY3C MERSI 250m图像增强法结果(黄色区域)；C:FY3C MERSI 1000m图像增强法结果(绿色区域)；D：FY3C MERSI 1000m NBR阈值法(蓝色区域)；E:Landsat 8 OLI NBR阈值法结果(浅蓝色区域)。
具体实施方式
本发明过火区域提取方法结合了遥感指数法和图像增强FASA算法的优势，提高了过火区域提取的精度和准确度，为大范围的过火区域提取研究提供可靠基础。具体过火区域提取方法如下：
本实施例中该方法以FY-3C MERSI影像为基础，进行大区域的过火区域提取。参照附图1所示，该提取方法主要分为以下几个步骤：
一、数据预处理：即遥感图像预处理，包括辐射定标步骤和几何校正步骤。
1、辐射定标步骤将可见光通道的像元DN(digital number，DN)值转换为反射率，将热红外通道的红外辐亮度转化为等效黑体亮温。
2、几何校正该MERSI影像文件以几何文件(经纬度)的方式提供每个初始像元的地理定位信息。GLT(Geographic Lookup Table)几何校正法是利用输入的几何文件生成一个地理位置查找表文件，从该文件中可以查找到每个初始像元在最终输出结果中实际的地理位置。FY-3C MERSI为整轨数据，采用GLT几何校正法进行几何校正并裁剪出研究区域。
二、过火区域粗提取：
过火区域粗提取的思路为：首先初步去除图像的云和水，结合近红外波段规则和多种植被指数，对整幅图像设置相对的阈值，粗略提取出过火区域。
该过火区域粗提取的关键步骤包括以下几步：
1、去除图像的云和水
使用每个实验区过火前后的两期影像，对影像的成像质量要求较高。为了减少云的影响，首先利用云的反射率、亮温与地表之间的巨大差别，设定一个简单的云探测掩膜，对过火前后两景影像进行处理。考虑到本发明使用的所有影像只有少量的云且几乎没有覆盖过火区域，对过火区域的提取影响较少，因此采用云探测掩膜进行去云，该云探测掩膜的公式如下式(1)：
ρblue＞0.5orT＜283K (1)
其中，ρblue为影像可见光蓝波段的反射率，T为像元的亮温，K是温度单位开尔文，可以由MERSI第五波段计算得到。该方法对影像中的云进行处理，即每景影像满足式(1)的像元视为云像元并去除。
由于水体的反射率在可见光到中红外波段范围内逐渐减弱，在近红外和中红外波波段范围内吸收性最强，因此利用可见光波段和近红外波段的反差构成水体指数NDWI(Normalized Difference Water Index)，可以有效地增强影像中的水体信息。利用该水体指数NDWI对每景影像中的水进行去除。该NDWI的计算公式如下式(2)：
其中,ρgreen为可见光绿波段的反射率，ρNIR为红外波段反射率。根据测算，实验所用影像的水体NDWI值基本都大于0。因此在去云的基础上，每景影像仅保留NDWI＜0的像元，就能达到去水的目的。
2、近红外波段规则的应用
火灾导致叶片结构损坏，植被过火后影像在近红外波段的反射率将明显小于过火前的反射率，通过对过火前后光谱特征分析，制定近红外波段NIR规则，认为满足下式(3)的像元即可被视为过火区域，式(3)为：
(1+a)×ρNIR-post＜ρNIR-pre (3)
其中，ρNIR-post为过火后影像的近红外波段反射率，ρNIR-pre为过火前近红外波段的反射率，系数a的范围为0.10～0.25，最优为0.25。本实施例依据上述近红外波段规则针对过火后影像对过火区域进行筛选，在去云去水的基础上每景过火后影像仅保留满足式(3)的像元。
3、植被指数的选取和应用
基于以上，根据FY-3C 250m图像的波谱范围，经过多次试验，选择三种指数，即归一化差值植被指数(NDVI)、全球环境监测植被指数(GEMI)和热-归一化差值植被指数(NDVIT)，对过火区域进行进一步地选取。
NDVI是一种最为常用的传统植被指数，该指数在植被密度高的地区灵敏度会降低。GEMI将大气和土壤的影响最小化，用于过火区域时敏感性高于NDVI。NDVIT引入热红外通道监测到的亮温对NDVI进行改进，是一种改进指数。它们的计算公式分别如下：
其中，ρNIR为近红外波段反射率，ρred为可见光红光波段反射率，T为像元的亮温。NDVI、GEMI由可见光红光和近红外波段组成，可以反应植被变化的信息，已多次用于过火区域提取中。而NDVIT的组成除了可见光红光、近红外波段以外，还加入了亮温T。选用该指数可以充分利用MERSI 250m数据的特点，弥补该数据缺少短波红外波段等对火灾敏感波段的缺陷。对过火前后影像分别计算以上三种指数，用它们的差值dvi来表示过火前后植被指数的变化。即：
dvi＝previ-postvi (8)
其中，previ为过火前指数值，postvi为过火后指数值。当dvi大于0时，则可以表示该像元在过火前后的影像时间段内有可能因为火灾发生了变化。本实施例选取同时满足下面三个条件的过火后影像的NDVIpost值。
dNDVI＞0 (9)
dGEMI＞0 (10)
dNDVIT＞0 (11)
由于后面要对过火区域进行进一步增强，而过火后试验区因为植被较少，NDVIpost值较低，因此计算1-NDVIpost值，使原本过火区域明显的地方获得较大值。然后通过2％的线性拉伸将其值转化成0～255，便于进行后续的图像增强处理。
三、过火区域精确提取：
1、FASA图像增强法
FASA是一种快速、精准、尺寸感知显著的目标检测方法。该方法的流程如附图2所示。首先在均匀的CIE L*a*b颜色空间中对原始图片进行量化并生成直方图。然后通过双边滤波，利用直方图来计算量化后色彩的空间中心和颜色方差。这两个变量与显著目标的位置和大小有关。接着针对图像中显著目标的尺寸和位置建立概率模型，计算显著性概率。同时，通过量化颜色差异计算得到全局对比度，并与显著性概率相乘，获得显著值。最后，通过颜色量化直方图线性插值显著值并将其分配到每个像元中，得到完整的显著图。对之前处理过的1-NDVIpost图像，进行FASA图像处理，增强过火区域。
2、形态学方法
数学形态学是以形态为基础对图像进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据,保持它们基本的形状特征,除去不相干的结构。数学形态学的基础是二值形态学，基本变换包括膨胀、腐蚀、开运算和闭运算。形态学处理，灰度图像的开运算定义与二值形态学中的相同，设f(x,y)是输入图像函数，b(i,j)是结构元素函数，开运算的定义如下式(12)：
本实施例选择结构元素为1的3×3窗口的开运算对过火区域进行最后一步提取。开运算的处理相当于对灰度图像先进行腐蚀，然后对图像进行相同结构元素的膨胀。腐蚀可以消除由于几何校正误差或其它原因导致的周边离散的非过火区域散点，降低错分误差；膨胀可以使过火区域连贯，弥补之前腐蚀所造成的过火区域缺失，降低漏分误差。最后二值化图像，即所有值大于0的像元记为过火区域，即得到显著性增强的过火区域。
对比实施例
NBR阈值法现已广泛应用于多种过火区域提取研究中，并取得了良好的效果。但由于MERSI 250m影像缺少短波红外波段，因此无法进行NBR指数计算，而MERSI 1000m影像和Landsat 8 OIL影像具有相应的近红外和短波红外波段，可以计算NBR指数。因此本实施例利用Landsat 8 OLI和FY-3C MERSI 1000m影像分别计算NBR指数，并求得过火前后NBR的差值dNBR,通过阈值法提取出过火区域，并同样利用混淆矩阵，与手勾参考真值以及本发明基于图像增强的过火区域提取方法进行比较。具体结果如下：
MERSI 1000m影像的获取时间与MERSI 250m影像的获取时间一致，Landsat 8 OLI的数据时间信息与MERSI影像接近。NBR的计算公式如下式(13)：
其中ρNIR为近红外波段，ρSWIR为短波红外波段。dNBR＝NBRpre-NBRpost。结合两个实验区A区和B区的植被覆盖情况设定阈值，以此分别提取两个研究区的过火区域。为了能更好的比较本发明经图像增强的过火区域提取法和NBR阈值法，将MERSI 1000m影像应用于该方法进行过火区域处理，并根据参考真值进行精度验证。验证结果如附图3、图4以及表1和表2，其中表1和表2展示了两个试验区结果的精度。
表1.实验区A实验结果精度对比
表2.实验区B实验结果精度对比
结合附图3和图4以及表1和表2，分析得出以下几个方面的结果：
(1)本发明经图像增强的过火区域提取法得到的结果整体精度较高，且Kappa系数达到0.68以上。
(2)基于FY-1000m影像采用不同方法时，两个实验区FY-1000m-图像增强法的精度要高于FY-1000m-NBR阈值法的精度。
(3)基于不同分辨率的影像采用NBR阈值法时，过火区提取精度随影像分辨率不同变化较大，两个实验区中FY-1000m-NBR阈值法的精度要低于L8-30m-NBR阈值法的精度；基于不同分辨率的影像采用本发明经图像增强的过火区域提取法时，过火区提取精度随影像分辨率不同变化不大。
(4)基于相同分辨率影像，采用同种方法，选取不同实验区时：A区FY-250m-图像增强法和FY-1000m-图像增强法的kappa系数都略低于B区相同方法；A区FY-1000m-NBR阈值法和L8-30m-NBR阈值法的Kappa系数都高于B区同种方法。这是由于两个研究区的差异导致的。和A区相比，B区的过火区域更为集中。此外，B区选取的过火前后两幅影像时间跨度较大，有较多的植被由于物候变化等非过火原因在此期间减少。
则根据上述对比例，采用人工解译的参考值对本发明所提出的方法进行验证，并与NBR阈值结果进行比较，从影像分辨率、方法和研究区三个方面对结果进行分析，可得出：本发明经图像增强的过火区域提取法的整体精度较高；NBR阈值法更适合中分辨率(10m-120m)遥感影像提取过火区域，本发明过火区域提取法更适合对低分辨率(250m-1000m)遥感影像的过火区域提取；并且本发明图像增强过火区域提取法的提取精度不会随着影像分辨率的变化而发生较大的改变，比NBR阈值法稳定。还有，非过火区植被变化对本发明图像增强过火区域提取法影响较少，该方法更适合于过火区较集中，过火前后影像时间跨度较大的过火区域提取。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (5)
1.一种基于图像增强的过火区域提取方法，其特征在于，所述方法包括：
(1)对过火前后的待处理图像进行数据预处理，其包括辐射定标步骤和几何校正步骤；
(2)对预处理后的图像进行过火区域粗提取，首先去除图像中的云和水，再结合近红外波段规则和多种植被指数，对整幅图像设置相对的阈值，粗略提取过火区域；
近红外波段规则为：保留过火后影像中满足下列公式的像元：
(1+a)×ρNIR-post＜ρNIR-pre
其中，ρNIR-post为过火后影像的近红外波段反射率，ρNIR-pre为过火前近红外波段的反射率，系数a为0.25；
多种植被指数包括归一化差值植被指数NDVI、全球环境监测植被指数GEMI和热-归一化差值植被指数NDVIT，所述NDVI、GEMI和NDVIT的计算公式分别为：
其中，ρNIR为近红外波段反射率，ρred为可见光红光波段反射率，T为像元的亮温；
利用上述公式对过火前后每景影像分别计算所述三种指数NDVI、GEMI和NDVIT，再分别用过火前指数值减去过火后指数值，得出三种指数对应的差值dNDVI、dGEMI、dNDVIT，选取同时满足dNDVI、dGEMI、dNDVIT均大于0的过火后影像的NDVIpost值；
根据选取的过火后影像的NDVIpost值，计算1-NDVIpost值，再对1-NDVIpost值进行2％的线性拉伸转化，得到1-NDVIpost图像；
(3)采用FASA图像增强法和形态学方法对过火区域进行精确提取。
2.根据权利要求1所述的一种基于图像增强的过火区域提取方法，其特征在于，所述步骤(2)中去除图像中云的方法为：利用云的反射率、亮温与地表之间的巨大差别，设定云探测掩膜，所述云探测掩膜的公式为：
ρblue＞0.5or T＜283K
其中，ρblue为影像可见光蓝波段的反射率，T为像元的亮温，K为温度单位开尔文，对过火前后两景影像进行处理，若满足所述云探测掩膜的公式像元即视为云像元，去除。
3.根据权利要求2所述的一种基于图像增强的过火区域提取方法，其特征在于，所述步骤(2)中去除图像中水的方法为：利用水体指数NDWI对过火前后每景影像中的水进行去除，所述NDWI的计算公式为：
其中,ρgreen为可见光绿波段的反射率，ρNIR为红外波段反射率，去除过火前后每景影像中NDWI≥0的像元。
4.根据权利要求1所述的一种基于图像增强的过火区域提取方法，其特征在于，所述步骤(3)中FASA图像增强法为：在均匀的CIE L*a*b颜色空间中对所述1-NDVIpost图像进行量化并生成直方图，然后通过双边滤波，利用直方图计算量化后色彩的空间中心和颜色方差，根据所述量化后色彩的空间中心和颜色方差值对图像中显著目标的尺寸和位置建立概率模型，计算显著性概率；同时，通过量化颜色差异计算得到全局对比值，将所述全局对比值与显著性概率相乘，获得显著值，最后通过颜色量化直方图线性插值显著值并将其分配到每个像元中，得到完整的显著图。
5.根据权利要求4所述的一种基于图像增强的过火区域提取方法，其特征在于，所述步骤(3)中形态学方法的处理步骤包括对灰度图像的腐蚀，对图像相同结构元素的膨胀，最后二值化图像，将所有值大于0的像元记为过火区域，即得到显著性增强的过火区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810064529.8A CN108280812B (zh) | 2018-01-23 | 2018-01-23 | 一种基于图像增强的过火区域提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810064529.8A CN108280812B (zh) | 2018-01-23 | 2018-01-23 | 一种基于图像增强的过火区域提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108280812A CN108280812A (zh) | 2018-07-13 |
| CN108280812B true CN108280812B (zh) | 2022-03-11 |
Family
ID=62804745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810064529.8A Active CN108280812B (zh) | 2018-01-23 | 2018-01-23 | 一种基于图像增强的过火区域提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108280812B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446965B (zh) * | 2018-10-22 | 2021-07-13 | 北京师范大学 | 一种基于无人机数据的烟田自动识别方法 |
| CN109583300B (zh) * | 2018-10-29 | 2021-03-26 | 同济大学 | 一种基于多时相Landsat-8 OLI影像短波红外的火灾检测方法 |
| CN109916839B (zh) * | 2019-04-03 | 2021-03-02 | 中国矿业大学 | 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法 |
| CN110070509B (zh) * | 2019-04-26 | 2021-08-27 | 国家卫星气象中心 | 一种可见光遥感图像实时可视化系统及可视化方法 |
| WO2021035456A1 (zh) * | 2019-08-26 | 2021-03-04 | 中国科学院遥感与数字地球研究所 | 基于时敏光谱指数的高分辨率全球火烧迹地自动制图方法 |
| CN111008565B (zh) * | 2019-11-04 | 2023-05-02 | 同济大学 | 基于短波红外和热红外数据特征融合的火烧迹地检测方法 |
| CN110852381A (zh) * | 2019-11-11 | 2020-02-28 | 四川航天神坤科技有限公司 | 一种林火火烧迹地的提取方法及系统 |
| CN112396023A (zh) * | 2020-11-30 | 2021-02-23 | 北京华正明天信息技术股份有限公司 | 基于机器学习的火灾检测方法 |
| CN112509265A (zh) * | 2020-12-14 | 2021-03-16 | 浙江大学德清先进技术与产业研究院 | 一种基于多源遥感大数据融合的森林火灾监测方法 |
| CN114112065A (zh) * | 2021-11-17 | 2022-03-01 | 贵州电网有限责任公司 | 一种卫星遥感火险判识的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1763560A (zh) * | 2005-10-20 | 2006-04-26 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据自动探测草原火灾迹地的方法 |
| EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
| CN104615848A (zh) * | 2014-12-26 | 2015-05-13 | 中国南方电网有限责任公司 | 一种集森林火险预报和地面火点监测于一体的综合应用方法 |
| CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
| CN105096511A (zh) * | 2015-08-04 | 2015-11-25 | 中国林业科学研究院资源信息研究所 | 一种自动生成烟区检测结果的方法 |
| CN106600574A (zh) * | 2016-08-25 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
-
2018
- 2018-01-23 CN CN201810064529.8A patent/CN108280812B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
| CN1763560A (zh) * | 2005-10-20 | 2006-04-26 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据自动探测草原火灾迹地的方法 |
| CN104615848A (zh) * | 2014-12-26 | 2015-05-13 | 中国南方电网有限责任公司 | 一种集森林火险预报和地面火点监测于一体的综合应用方法 |
| CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
| CN105096511A (zh) * | 2015-08-04 | 2015-11-25 | 中国林业科学研究院资源信息研究所 | 一种自动生成烟区检测结果的方法 |
| CN106600574A (zh) * | 2016-08-25 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108280812A (zh) | 2018-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280812B (zh) | 一种基于图像增强的过火区域提取方法 | |
| Thonfeld et al. | Robust change vector analysis (RCVA) for multi-sensor very high resolution optical satellite data | |
| Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
| Cablk et al. | Detecting and discriminating impervious cover with high-resolution IKONOS data using principal component analysis and morphological operators | |
| CN111932567B (zh) | 基于卫星影像的冰湖轮廓自动提取方法 | |
| CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
| CN109523510B (zh) | 基于多光谱遥感影像的河道水质空间异常区域检测方法 | |
| US7184890B2 (en) | Cloud shadow detection: VNIR-SWIR | |
| CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
| CN102750701A (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
| CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| Kuhnell et al. | Mapping woody vegetation cover over the state of Queensland using Landsat TM imagery | |
| Tuomisto | Influence of compositing criterion and data availability on pixel-based Landsat TM/ETM+ image compositing over Amazonian forests | |
| CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
| CN107103295B (zh) | 光学遥感影像云检测方法 | |
| Karnawat et al. | Turbidity detection using image processing | |
| Uddstrom et al. | A Bayesian cloud mask for sea surface temperature retrieval | |
| CN114398595A (zh) | 一种基于bp神经网络的火点遥感识别方法 | |
| Wang et al. | Effective compositing method to produce cloud-free AVHRR image | |
| CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
| Hadjimitsis et al. | The importance of accounting for atmospheric effects in satellite remote sensing: a case study from the Lower Thames Valley Area, UK | |
| Gladkova et al. | SST pattern test in ACSPO clear-sky mask for VIIRS | |
| CN113657275A (zh) | 一种林草火点自动检测方法 | |
| CN110136128B (zh) | 基于Rao检验的SAR影像变化检测方法 | |
| Asakuma et al. | Detection of biomass burning smoke in satellite images using texture analysis |
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 |