CN108333148A - 一种黑臭水体的识别方法及装置 - Google Patents
一种黑臭水体的识别方法及装置 Download PDFInfo
- Publication number
- CN108333148A CN108333148A CN201810026081.0A CN201810026081A CN108333148A CN 108333148 A CN108333148 A CN 108333148A CN 201810026081 A CN201810026081 A CN 201810026081A CN 108333148 A CN108333148 A CN 108333148A
- Authority
- CN
- China
- Prior art keywords
- rayleigh scattering
- pixel
- image
- scattering reflectivity
- water body
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
- G01N2021/4764—Special kinds of physical applications
- G01N2021/4769—Fluid samples, e.g. slurries, granulates; Compressible powdery of fibrous samples
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种黑臭水体的识别方法及装置，包括：对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；从预处理后的高空间分辨率遥感影像中提取水体的各个像元，获取水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；依据蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算每个像元的BOI指数值；并将BOI指数值与预设的阈值进行比较，确定水体的每个像元的黑臭程度。这样，通过不同波段的瑞利散射反射率以及BOI指数，在无需实现精准的大气校正的情况下，通过遥感技术实现了黑臭水体的识别。
Description
技术领域
本发明涉及黑臭水体识别领域，尤其涉及一种黑臭水体的识别方法及装置。
背景技术
城市黑臭水体是指城市建设城区内，呈现令人不悦的颜色和/或散发令人不适气味的统称，城市黑臭水体一般呈暗黑色、黑灰色、黑褐色、黄褐色以及灰绿色等。城市黑臭水体不仅严重破坏了城市水系的生态系统，而且还严重影响着居民身体健康和生活品质。
目前，随着遥感技术的发展，遥感监测实现了对河流低成本、高效率的监测，并且，我国遥感监测技术已达到亚米级水平，对于较为细小的河流，也同样具有监测能力，因此，遥感技术解决了黑臭水体识别的难题，不仅效率高，而且降低了黑臭水体识别的成本。
然而，现有技术中，通常采用的大气校正反射率Rrs来识别水体的黑臭程度，但是，大气校正反射率Rrs的获取需要在精准大气校正下才可以实现，并且，准确的大气校正需要实测的气溶胶光学厚度数据。但是目前，针对蓝、绿、红、近红四波段卫星的遥感技术没有很好的大气校正方法，很难实现精准的大气校正，这就增加了通过遥感技术实现黑臭水体识别的难度。
发明内容
有鉴于此，本发明实施例提供的一种黑臭水体的识别方法及装置，通过不同波段的瑞利散射反射率以及BOI指数，在无需实现精准的大气校正的情况下，也实现了黑臭水体的识别。
本发明实施例公开了一种黑臭水体的识别方法，包括：
对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；
从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元；
从所述预处理后的高空间分辨率遥感影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；
依据所述蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算所述水体的每个像元的BOI指数值；
将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度。
可选的，所述初始高空间分辨率遥感影像包括：全色影像和多光谱影像，所述对初始高空间分辨率遥感影像进行预处理，包括：
对全色影像和多光谱影像进行正射校正；
对所述全色影像和多光谱影像进行几何校正；
对所述全色影像和多光谱影像进行辐射标定处理；
将所述全色影像和所述多光谱影像进行融合处理，得到预处理后的高空间分辨率遥感影像。
可选的，还包括：
对所述全色影像和多光谱影像中的每个像元进行瑞利散射反射率校正，以使将所述全色影像和所述多光谱影像进行融合处理后，得到预处理后的高空间分辨率遥感影像的各个像元的预设波段的瑞利散射反射率。
可选的，从所述预处理后的高空间分辨率遥感影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率，包括：
从所述预处理后的高空间分辨率遥感影像的各个像元的预设波段的瑞利散射反射率中，获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
可选的，从所述预处理后的高空间分辨率影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率，包括：
对所述预处理后的高空间分辨率影像中所述水体的每个像元进行瑞利散射率校正，以获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
可选的，从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元，包括：
将预设区域水系的分布矢量图或者掩膜文件叠加到所述预处理后的高空间分辨率遥感影像中，以从所述预处理后的高空间分辨率遥感影像中提取出预设区域的水体的各个像元。
可选的，所述预设的BOI指数模型为：
其中，Rrc(B)为蓝光波段的瑞利散射反射率，Rrc(G)为绿光波段的瑞利散射反射率，Rrc(R)为红光波段的瑞利散射反射率。
可选的，将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度，包括：
当任何一个像元的BOI指数值大于所述预设的阈值时，确定该像元为一般水体；
当任何一个像元的BOI指数值小于等于所述预设的阈值时，确定该像元为黑臭水体。
可选的，所述预设的阈值为0.05。
可选的，还包括：
从被识别为黑臭水体的像元中剔除异常像元；
依据所述水体的每个像元的黑臭程度，生成所述高空间分辨率遥感影像的水体的黑臭分布图。
本发明实施例还提供了一种黑臭水体的识别装置，包括：
预处理单元，用于对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；
提取单元，用于从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元；
获取单元，用于从所述预处理后的高空间分辨率遥感影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；
计算单元，用于依据所述蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算所述水体的每个像元的BOI指数值；
确定单元，用于将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度。
可选的，所述预设的BOI指数模型为：
其中，Rrc(B)为蓝光波段的瑞利散射反射率，Rrc(G)为绿光波段的瑞利散射反射率，Rrc(R)为红光波段的瑞利散射反射率。
本发明提供了一种黑臭水体的识别方法及装置，包括：对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；从预处理后的高空间分辨率中提取水体的各个像元，并从预处理后的高空间分辨率影像中获取水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；然后，依据蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算水体的每个像元的BOI指数值，最后，将BOI指数值与预设的阈值进行比较，确定水体的每个像元的黑臭程度。这样，通过不同波段的瑞利散射反射率以及BOI指数，在无需实现精准的大气校正的情况下，通过遥感技术实现了黑臭水体的识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种黑臭水体的识别方法的流程示意图；
图2示出了水体的黑臭分布图；
图3示出了本发明实施例提供的一种黑臭水体的识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，示出了本发明实施例提供的一种黑臭水体的识别方法的流程示意图，在本实施例中，该方法包括：
S101：对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；
本实施例中，在对初始高空间分辨率遥感影像进行预处理之前，需要获取初始高空间分辨率遥感影像，其中，为了确保黑臭水体识别的精度，用于识别黑臭水体的初始高空间分辨率遥感影像需要符合一定的条件，具体的，包括：
所述初始高空间分辨率遥感影像为在预设的云量范围内且覆盖研究区域范围的高空间分辨率遥感影像。
举例说明：用于识别黑臭水体的高空间分辨率遥感影像可以选用云量较少的高空间分辨率遥感影像；若是针对某个城市的黑臭水体进行研究，用于识别黑臭水体的高空间分辨率遥感影像可以为该城市的高空间分辨率遥感影像。
其中，高空间分辨率遥感影像包括：全色影像和多光谱影像。
对高空间分辨率遥感影像进行预处理包括：正射校正、几何校正、辐射标定以及图像融合处理，具体的，包括：
对所述全色影像和多光谱影像进行正射校正；
对所述全色影像和多光谱影像进行几何校正；
对所述全色影像和多光谱影像进行辐射标定处理；
将所述全色影像和所述多光谱影像进行融合处理，得到预处理后的高空间分辨率遥感影像。
其中，可以采用RPC(英文全称:Rational Polynomial Coefficient，中文全称：有理多项式系数)文件执行对全色影像和多光谱影像的正射校正；针对于对所述全色影像和多光谱影像进行几何校正，可以包括：
全色影像和多光谱影像分别通过Google earth选取控制点进行校正，并且，全色影像和多光谱影像采用相同的控制点。
可以采用中国资源卫星应用中心官网公布的最新的定标系数对全色影像和多光谱影像进行辐射定标处理；
可以采用Gram-Schmidt正交化算法对全色和多光谱影像进行图像融合处理。
由此可知，得到的预处理后的高空间分辨率遥感影像为全色影像和所述多光谱影像进行融合处理后的影像。
除此之外，在可以在预处理阶段，还可以对所述全色影像和多光谱影像的每个像元进行瑞利散射反射率Rrc校正，由此，在执行了全色影像和多光谱影像的融合后，可以得到融合后的高空间分辨率遥感影像的每个像元的预设波段的瑞利散射反射率；
其中，该预设波段的瑞利散射反射率可以包含多种不同波段的瑞利散射反射率，例如包含：蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率等。
举例说明：可以采用6SV模型对全色影像和多光谱影像进行Rrc校正，具体的，基于影像获取当时的时间、经纬度、太阳高度角、太阳方位角、卫星高度角、卫星方位角等参数作为6SV模型的输入参数，得到瑞利散射校正系数等输出参数，通过瑞利散射校正系数对全色影像和多光谱影像进行Rrc校正；
S102：从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元；
本实施例中，为了从预处理后的高空间分辨率遥感影像中识别出黑臭水体，需要先识别出预处理后的高空间分辨率遥感影像中包含的水体，在本实施例中可以通过预设区域水系的分布矢量图或者掩膜文件，确定出预处理后的高空间分辨率遥感影像中水体的各个像元的位置，具体的，包括：
将预设区域水系的分布矢量图或者掩膜文件叠加到所述预处理后的高空间分辨率遥感影像，以从所述预处理后的高空间分辨率遥感影像中提取出预设区域的水体的各个像元。
本实施例中，河流水系矢量文件或者掩膜文件可以是预先设置的，也可以是从预处理的遥感反射率图像中提取出来的。对于预先设置的河流水系矢量文件或者掩膜文件，可以是预先从其它的遥感反射率图像中提取出来的。
其中，河流水系矢量文件或者掩膜文件均标明了河流在城市中的位置坐标，由此，通过矢量文件或者掩膜文件可以确定出高空间分辨率遥感影像中水体的各个像元的位置。
S103：从所述预处理后的高空间分辨率影像中获取所述水体的每个所述像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；
本实施例中，获取水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率可以包括多种方式，在本实施例中，提供以下的两种实施方式，具体包括：
实施方式一：若在对所述高空间分辨率遥感影像进行预处理时，对所述全色影像和多光谱影像中的每个像元进行瑞利散射反射率校正，可以从所述预处理后的高空间分辨率遥感影像的各个像元的预设波段的瑞利散射反射率中，获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
其中，从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元，相当于在预处理后的高空间分辨率遥感影像中确定出了水体的各个像元的位置。由此，根据水体的各个像元的位置，可以从所有像元的瑞利散射反射率中获取到水体的每个像元的瑞利散射反射率。
实施方式二：对所述预处理后的高空间分辨率影像中所述水体的每个像元进行瑞利散射率校正，以获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
针对于实施方式二，只针对提取出的水体的每个像元的进行瑞利散射反射率的校正，进而得到水体的每个像元的预设波段的瑞利散射反射率，从而获取到水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
S104：依据所述蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算所述水体的每个像元的BOI指数值；
预设的BOI指数模型为：
其中，Rrc(B)为蓝光波段的瑞利散射反射率，Rrc(G)为绿光波段的瑞利散射反射率，Rrc(R)为红光波段的瑞利散射反射率。
本实施例中，申请人经研究发现，黑臭水体红绿波段的差值较小，而一般水体的差值相对较大，因此，可以通过绿光波段和红光波段来识别黑臭水体。
由于蓝光波段受大气影响较大，很多技术人员考虑蓝光波段会对黑臭水体的识别产生影响，从而不采用蓝光波段，但是申请人通过研究发现，利用蓝光波段、绿光波段和红光波段的和作为归一化值，当蓝光波段快速增大时，归一化值也会相对增大，黑臭水体红绿波段的差值较小，而一般水体的差值相对较大。对于黑臭水体来说，差值相对较小，归一化值增大，会使得该点BOI值较低。而对于一般水体来说，差值相对较大，归一化值增大，该点BOI值变化没有黑臭水体明显。由此可知，增加了蓝光波段，可以增加黑臭水体和一般水体的可分离性。因此，本实施例中，还采用了蓝光波段用于识别黑臭水体。
除此之外，相对于大气校正反射率，瑞利散射反光率无需进行精准的大气校正，由此，本实施例中采用蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率用来识别黑臭水体。
本实施例中，需要知道的是，由于S102中提取到的是水体的各个像元，S104中分别根将获取到的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率输入到BOI指数模型中，从而计算出每个像元的BOI指数。
S105：将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度。
本实施例中，将得到的每个像元的BOI指数值分别与预设的阈值进行比较，从而确定出水体的每个像元的黑臭程序，具体的，包括：
当任何一个像元的BOI指数值大于所述预设的阈值时，确定该像元为一般水体；
当任何一个像元的BOI指数值小于等于所述预设的阈值时，确定该像元为黑臭水体。
其中，申请人经研究发现，当预设的阈值为0.05时，可以更准确的区分出黑臭水体和一般水体。
本实施例中，为了直观的展示水体的黑臭情况，可以根据每个像元的黑臭程度，输出水体的黑臭分布图，如图2所示，颜色较深的部分为黑臭水体的部分，颜色较浅的部分为一般水体，具体的，包括：
从被识别为黑臭水体的像元中剔除异常像元；
依据所述水体的每个像元的黑臭程度，生成所述高空间分辨率遥感影像的水体的黑臭分布图。
由此可知，可以从水体的黑臭分布图中确定出河流的哪个河段或者哪条河流为黑臭的水体。
本实施例中，对高空间分辨率遥感影像进行预处理，从高空间分辨率中提取水体的各个像元，并从所述的高空间分辨率影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；然后，依据所述蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算每个像元的BOI指数值，最后，将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度。这样，通过不同波段的瑞利散射反射率以及BOI指数，在无需实现精准的大气校正的情况下，通过遥感技术实现了黑臭水体的识别。
参考图3，示出了本发明实施例提供的一种黑臭水体的识别装置的结构示意图，在本实施例中，该装置包括：
预处理单元201，用于对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；
提取单元202，用于从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元；
获取单元203，用于从所述预处理后的高空间分辨率遥感影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；
计算单元204，用于依据所述蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算所述水体的每个像元的BOI指数值；
确定单元205，用于将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度。
可选的，所述初始高空间分辨率遥感影像包括：全色影像和多光谱影像，所述预处理单元，包括：
正射校正单元，用于对所述全色影像和多光谱影像进行正射校正；
几何校正单元，用于对所述全色影像和多光谱影像进行几何校正；
辐射标定单元，用于对所述全色影像和多光谱影像进行辐射标定处理；
融合处理单元，用于将所述全色影像和所述多光谱影像进行融合处理，得到预处理后的高空间分辨率遥感影像。
可选的，还包括：
瑞利散射反射率校正单元，用于对所述全色影像和多光谱影像中的每个像元进行瑞利散射反射率校正，以使将所述全色影像和所述多光谱影像进行融合处理后，得到预处理后的高空间分辨率遥感影像的各个像元的预设波段的瑞利散射反射率。
可选的，所述获取单元，包括：
获取子单元，用于从所述预处理后的高空间分辨率遥感影像的各个像元的预设波段的瑞利散射反射率中，获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
可选的，所述获取单元，包括：
校正子单元，用于对所述预处理后的高空间分辨率影像中所述水体的每个像元进行瑞利散射率校正，以获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
可选的，所述提取单元，包括：
提取子单元，用于将预设区域水系的分布矢量图或者掩膜文件叠加到所述预处理后的高空间分辨率遥感影像中，以从所述预处理后的高空间分辨率遥感影像中提取出预设区域的水体的各个像元。
可选的，所述预设的BOI指数模型为：
其中，Rrc(B)为蓝光波段的瑞利散射反射率，Rrc(G)为绿光波段的瑞利散射反射率，Rrc(R)为红光波段的瑞利散射反射率。
可选的，所述确定单元，包括：
第一确定子单元，用于当任何一个像元的BOI指数值大于所述预设的阈值时，确定该像元为一般水体；
第二确定子单元，用于当任何一个像元的BOI指数值小于等于所述预设的阈值时，确定该像元为黑臭水体。
可选的，所述预设的阈值为0.05。
可选的，还包括：
剔除单元，用于从被识别为黑臭水体的像元中剔除异常像元；
生成单元，用于依据所述水体的每个像元的黑臭程度，生成所述高空间分辨率遥感影像的水体的黑臭分布图。
本实施例的装置，通过不同波段的瑞利散射反射率以及BOI指数，在无需实现精准的大气校正的情况下，通过遥感技术实现了黑臭水体的识别。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种黑臭水体的识别方法，其特征在于，包括：
对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；
从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元；
从所述预处理后的高空间分辨率遥感影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；
依据所述蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算所述水体的每个像元的BOI指数值；
将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度。
2.根据权利要求1所述的方法，其特征在于，所述初始高空间分辨率遥感影像包括：全色影像和多光谱影像，所述对初始高空间分辨率遥感影像进行预处理，包括：
对全色影像和多光谱影像进行正射校正；
对所述全色影像和多光谱影像进行几何校正；
对所述全色影像和多光谱影像进行辐射标定处理；
将所述全色影像和所述多光谱影像进行融合处理，得到预处理后的高空间分辨率遥感影像。
3.根据权利要求2所述的方法，其特征在于，还包括：
对所述全色影像和多光谱影像中的每个像元进行瑞利散射反射率校正，以使将所述全色影像和所述多光谱影像进行融合处理后，得到预处理后的高空间分辨率遥感影像的各个像元的预设波段的瑞利散射反射率。
4.根据权利要求3所述的方法，其特征在于，从所述预处理后的高空间分辨率遥感影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率，包括：
从所述预处理后的高空间分辨率遥感影像的各个像元的预设波段的瑞利散射反射率中，获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
5.根据权利要求1所述的方法，其特征在于，从所述预处理后的高空间分辨率影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率，包括：
对所述预处理后的高空间分辨率影像中所述水体的每个像元进行瑞利散射率校正，以获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率。
6.根据权利要求1所述的方法，其特征在于，从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元，包括：
将预设区域水系的分布矢量图或者掩膜文件叠加到所述预处理后的高空间分辨率遥感影像中，以从所述预处理后的高空间分辨率遥感影像中提取出预设区域的水体的各个像元。
7.根据权利要求1所述的方法，其特征在于，所述预设的BOI指数模型为：
其中，Rrc(B)为蓝光波段的瑞利散射反射率，Rrc(G)为绿光波段的瑞利散射反射率，Rrc(R)为红光波段的瑞利散射反射率。
8.根据权利要求1所述的方法，其特征在于，将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度，包括：
当任何一个像元的BOI指数值大于所述预设的阈值时，确定该像元为一般水体；
当任何一个像元的BOI指数值小于等于所述预设的阈值时，确定该像元为黑臭水体。
9.根据权利要求1所述的方法，其特征在于，所述预设的阈值为0.05。
10.根据权利要求1所述的方法，其特征在于，还包括：
从被识别为黑臭水体的像元中剔除异常像元；
依据所述水体的每个像元的黑臭程度，生成所述高空间分辨率遥感影像的水体的黑臭分布图。
11.一种黑臭水体的识别装置，其特征在于，包括：
预处理单元，用于对初始高空间分辨率遥感影像进行预处理，得到预处理后的高空间分辨率遥感影像；
提取单元，用于从所述预处理后的高空间分辨率遥感影像中提取水体的各个像元；
获取单元，用于从所述预处理后的高空间分辨率遥感影像中获取所述水体的每个像元的蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率和红光波段的瑞利散射反射率；
计算单元，用于依据所述蓝光波段的瑞利散射反射率、绿光波段的瑞利散射反射率、红光波段的瑞利散射反射率以及预设的BOI指数模型计算所述水体的每个像元的BOI指数值；
确定单元，用于将所述BOI指数值与预设的阈值进行比较，确定所述水体的每个像元的黑臭程度。
12.根据权利要求11所述的装置，其特征在于，所述预设的BOI指数模型为：
其中，Rrc(B)为蓝光波段的瑞利散射反射率，Rrc(G)为绿光波段的瑞利散射反射率，Rrc(R)为红光波段的瑞利散射反射率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810026081.0A CN108333148B (zh) | 2018-01-11 | 2018-01-11 | 一种黑臭水体的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810026081.0A CN108333148B (zh) | 2018-01-11 | 2018-01-11 | 一种黑臭水体的识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108333148A true CN108333148A (zh) | 2018-07-27 |
| CN108333148B CN108333148B (zh) | 2020-12-01 |
Family
ID=62924922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810026081.0A Active CN108333148B (zh) | 2018-01-11 | 2018-01-11 | 一种黑臭水体的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108333148B (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118457A (zh) * | 2018-09-30 | 2019-01-01 | 中国科学院遥感与数字地球研究所 | 遥感影像处理方法及装置 |
| CN109269995A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种化学需氧量的识别方法、装置、存储介质及设备 |
| CN109269991A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种总磷的识别方法、装置、存储介质及设备 |
| CN109269994A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种化学需氧量的识别方法、装置、存储介质及设备 |
| CN109269993A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
| CN109269992A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种氨氮的识别方法、装置、存储介质及设备 |
| CN109269989A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
| CN109269990A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种总磷的识别方法、装置、存储介质及设备 |
| CN109269988A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种氨氮的识别方法、装置、存储介质及设备 |
| 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 |
| CN109635249A (zh) * | 2019-01-09 | 2019-04-16 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、水体浊度检测方法及装置 |
| CN110849821A (zh) * | 2019-11-12 | 2020-02-28 | 北华航天工业学院 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
| CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
| CN111272662A (zh) * | 2019-11-18 | 2020-06-12 | 深圳市深水水务咨询有限公司 | 一种基于遥感光谱的城市黑臭水体识别方法 |
| CN111738175A (zh) * | 2020-06-24 | 2020-10-02 | 桂林理工大学 | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 |
| CN113436193A (zh) * | 2021-08-26 | 2021-09-24 | 航天宏图信息技术股份有限公司 | 一种城市黑臭水体监测方法和装置 |
| CN113433075A (zh) * | 2021-05-08 | 2021-09-24 | 中科海慧（天津）科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
| CN113450425A (zh) * | 2021-06-08 | 2021-09-28 | 河海大学 | 一种基于阴影去除的城市黑臭水体遥感制图方法 |
| CN113109331B (zh) * | 2021-04-12 | 2021-10-01 | 生态环境部卫星环境应用中心 | 水体色度快速检测方法和装置 |
| CN113552079A (zh) * | 2021-06-17 | 2021-10-26 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于航空高光谱数据的红树林定量反演系统 |
| CN116702065A (zh) * | 2023-05-30 | 2023-09-05 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488488A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体遥感识别方法及装置 |
| CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
| CN106918559A (zh) * | 2017-05-04 | 2017-07-04 | 环境保护部卫星环境应用中心 | 一种检测水体质量的方法及装置 |
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
| KR20170112404A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
-
2018
- 2018-01-11 CN CN201810026081.0A patent/CN108333148B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488488A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体遥感识别方法及装置 |
| CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
| KR20170112404A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
| CN106918559A (zh) * | 2017-05-04 | 2017-07-04 | 环境保护部卫星环境应用中心 | 一种检测水体质量的方法及装置 |
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| LIANFENG: "Long-Term Distribution Patterns of Chlorophyll-a Concentration in China’s Largest Freshwater Lake:MERIS Full-Resolution Observations with a Practical Approach", 《REMOTE SENSING》 * |
| 温爽: "基于高分影像的城市黑臭水体遥感识别: 以南京为例", 《环境科学》 * |
Cited By (26)
| 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 |
| CN109118457A (zh) * | 2018-09-30 | 2019-01-01 | 中国科学院遥感与数字地球研究所 | 遥感影像处理方法及装置 |
| CN109269994A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种化学需氧量的识别方法、装置、存储介质及设备 |
| CN109269993A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
| CN109269992A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种氨氮的识别方法、装置、存储介质及设备 |
| CN109269989A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
| CN109269990A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种总磷的识别方法、装置、存储介质及设备 |
| CN109269988A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种氨氮的识别方法、装置、存储介质及设备 |
| CN109269991A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种总磷的识别方法、装置、存储介质及设备 |
| CN109269995A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种化学需氧量的识别方法、装置、存储介质及设备 |
| CN109635249A (zh) * | 2019-01-09 | 2019-04-16 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、水体浊度检测方法及装置 |
| CN109635249B (zh) * | 2019-01-09 | 2020-06-30 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、检测方法及装置 |
| CN110849821A (zh) * | 2019-11-12 | 2020-02-28 | 北华航天工业学院 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
| CN111272662B (zh) * | 2019-11-18 | 2022-07-26 | 深圳市深水水务咨询有限公司 | 一种基于遥感光谱的城市黑臭水体识别方法 |
| CN111272662A (zh) * | 2019-11-18 | 2020-06-12 | 深圳市深水水务咨询有限公司 | 一种基于遥感光谱的城市黑臭水体识别方法 |
| CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
| CN111209871B (zh) * | 2020-01-09 | 2021-06-25 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
| CN111738175A (zh) * | 2020-06-24 | 2020-10-02 | 桂林理工大学 | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 |
| CN113109331B (zh) * | 2021-04-12 | 2021-10-01 | 生态环境部卫星环境应用中心 | 水体色度快速检测方法和装置 |
| CN113433075A (zh) * | 2021-05-08 | 2021-09-24 | 中科海慧（天津）科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
| CN113450425A (zh) * | 2021-06-08 | 2021-09-28 | 河海大学 | 一种基于阴影去除的城市黑臭水体遥感制图方法 |
| CN113552079A (zh) * | 2021-06-17 | 2021-10-26 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于航空高光谱数据的红树林定量反演系统 |
| CN113436193A (zh) * | 2021-08-26 | 2021-09-24 | 航天宏图信息技术股份有限公司 | 一种城市黑臭水体监测方法和装置 |
| CN113436193B (zh) * | 2021-08-26 | 2021-11-30 | 航天宏图信息技术股份有限公司 | 一种城市黑臭水体监测方法和装置 |
| CN116702065A (zh) * | 2023-05-30 | 2023-09-05 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
| CN116702065B (zh) * | 2023-05-30 | 2024-04-16 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108333148B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108333148A (zh) | 一种黑臭水体的识别方法及装置 | |
| CN107167431B (zh) | 一种基于光谱指数模型的黑臭水体识别方法及系统 | |
| Mondejar et al. | Near infrared band of Landsat 8 as water index: a case study around Cordova and Lapu-Lapu City, Cebu, Philippines | |
| US20170358067A1 (en) | Method and Device for Fusing Panchromatic Image and Infrared Image | |
| Liao et al. | High-resolution remote sensing mapping of global land water | |
| Korpela et al. | Variation and directional anisotropy of reflectance at the crown scale—Implications for tree species classification in digital aerial images | |
| Sandau | Digital airborne camera: introduction and technology | |
| Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
| CN107145891B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
| CN105139396B (zh) | 一种全自动遥感影像云雾检测方法 | |
| CN112418133A (zh) | 一种基于多源遥感影像的秸秆焚烧监测方法 | |
| CN104850853B (zh) | 城市快速提取方法及装置 | |
| CN106940887A (zh) | 一种gf‑4卫星序列图像云与云下阴影检测方法 | |
| CN104778668A (zh) | 基于可见光波段光谱统计特征的光学遥感图像薄云去除方法 | |
| US20220366668A1 (en) | Image processing apparatus, image processing method, and image processing program | |
| Santosa | Evaluation of satellite image correction methods caused by differential terrain illumination | |
| CN113705523B (zh) | 一种基于光学和双极化sar融合的分层城市不透水面提取方法 | |
| CN110428013A (zh) | 一种农作物遥感分类方法及系统 | |
| CN109377476A (zh) | 遥感影像云检测特征参数的动态阈值获取方法及装置 | |
| CN111175231B (zh) | 冠层植被指数的反演方法、装置及服务器 | |
| Han et al. | Hypothetical visible bands of advanced meteorological imager onboard the Geostationary Korea Multi-Purpose Satellite-2A using data-to-data translation | |
| Topan et al. | Pléiades project: Assessment of georeferencing accuracy, image quality, pansharpening performence and DSM/DTM quality | |
| CN103295214A (zh) | 基于色彩特征的无云modis遥感图像生成方法及系统 | |
| CN110516588A (zh) | 一种遥感卫星系统 | |
| Twele et al. | The effect of stratified topographic correction on land cover classification in tropical mountainous regions |
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 |