CN108710862B - 一种高分辨率遥感影像水体提取方法 - Google Patents

一种高分辨率遥感影像水体提取方法 Download PDF

Info

Publication number
CN108710862B
CN108710862B CN201810505091.2A CN201810505091A CN108710862B CN 108710862 B CN108710862 B CN 108710862B CN 201810505091 A CN201810505091 A CN 201810505091A CN 108710862 B CN108710862 B CN 108710862B
Authority
CN
China
Prior art keywords
land
water
image
region
rough
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
Application number
CN201810505091.2A
Other languages
English (en)
Other versions
CN108710862A (zh
Inventor
王鑫
徐明君
黄凤辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810505091.2A priority Critical patent/CN108710862B/zh
Publication of CN108710862A publication Critical patent/CN108710862A/zh
Application granted granted Critical
Publication of CN108710862B publication Critical patent/CN108710862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种有效的高分辨率遥感影像水体提取方法。首先，给定一幅原始高分辨率遥感影像，提出一种基于局部二值模式和K最近邻的算法，对其进行水陆粗分离，同时采用形态学处理来抑制分类区域内的噪声点。接着，设计一种基于LBP和支持向量机的方法，对水陆边界区域作进一步细分离，并采用形态学滤波去除细化后边界区域附近的噪声点。最后，针对细化结果，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。本发明提出的方法采用“粗分+细分”的策略进行水陆的分离，准确率更高；此外，本发明分别采用KNN和SVM两种不同的分类方法，一方面确保了提取的效率，另一方面适应于不同尺寸像元的分类，使得最终分类结果稳健且有效。

Description

一种高分辨率遥感影像水体提取方法
技术领域
本发明属于图像处理领域，尤其涉及一种高分辨率遥感影像水体提取方法。
背景技术
水资源是人类生存必不可少的重要资源，实时、准确地获取水体信息对水资源的有效管理和合理利用有着重大意义。由于水资源时空分布不均，且具有流动性，人工检测很难实时有效地获取信息。随着遥感技术的飞速发展，通过遥感影像提取地表水体信息不仅监测范围广，而且具有实时性的优势。
遥感技术经过多年的发展,所采集得到的遥感影像的空间分辨率由10m、5m、2m、1m、向亚米级逐步提高。高空间分辨率遥感图像的产生，使得水体信息的提取有了更便利、更详细的数据来源。目前，基于高分辨率遥感影像进行水体提取的方法有很多。
公开号CN107506769A一种城市水体信息的提取方法及系统，首先，对卫星拍摄的城市的遥感图像进行数据预处理，得到预处理后的图像；然后，根据预设分割参数对预处理后的图像进行图像分割，得到具有特征组的均值图像；接着，对均值图像进行光谱特征分析，得到典型地物光谱曲线图，该曲线图包括建筑物、水体和阴影等典型地物在各波段的光谱曲线；最后，根据特征组提取出典型地物光谱曲线提取图中的水体信息。该发明主要在利用地物光谱特征的基础上对水体区域进行提取，达到了一定的提取精度，但存在不足：算法需要预设分割参数，对于不同场景下的含水体信息图像的参数需要重新设置，且特征组包含光谱、拓扑、形状和长宽比等特征，特征提取和标记过程复杂、耗时。
公开号CN105809140A一种基于遥感模型的地表水体信息的提取方法及其装置，首先，通过设置阈值对预处理后的遥感数据进行二值化处理；然后，对处理后的二值化遥感数据进行地表水体信息提取。提出的方法中阈值的设置对水体提取的效果起决定性作用，在水陆对比度明显的情况下能够取得较好的效果，但是在复杂场景下，水体提取效果会有一定程度的下降。
综上，现有的高分辨率遥感影像水体提取方法，存在的局限性主要表现在：
(1)传统的高分辨率遥感影像水体提取方法首先提取水体的各种类型的特征，用于后续的水体检测，特征提取过程较为，且可能存在人工干预，降低的算法的通用性；
(2)传统的高分辨率遥感影像水体提取方法，在划分水体和陆地边界区域时，效果不理想。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种有效的高分辨率遥感影像水体提取方法，采用“粗分+细分”的策略进行水陆的分离，与传统的直接检测水体的方法相比，准确率更高；此外，在水陆分离过程中，分别采用KNN和SVM两种不同的分类方法，一方面确保了提取的效率，另一方面适应于不同尺寸像元的分类，使得最终分类结果稳健且有效。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种高分辨率遥感影像水体提取方法，包含训练阶段和测试阶段，其特征在于：
所述训练阶段包括以下步骤：
(1)构建高分辨率遥感水陆场景图像数据集，将遥感水陆场景图像数据集分为训练集Train和测试集Test；
(2)针对输入的遥感水陆场景训练集图像，进行粗略分区，对每一个粗略区域制作相应的标签，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(3)基于步骤(2)提取的特征，构造基于K最近邻(K-Nearest Neighbor，KNN)的初始水陆分类器；
(4)针对输入的遥感水陆场景训练集图像，进行细致分区，对每一个细致区域制作相应的标签，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(5)基于步骤(4)提取的特征，构造基于支持向量机(Support Vector Machine，SVM)的精确水陆分类器；
所述测试阶段包括以下步骤：
(6)针对输入的遥感水陆场景测试集图像，进行粗略分区，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(7)将步骤(6)中特征输入步骤(3)中分类器，得到水陆区域粗分离结果；
(8)采用形态学方法抑制分类区域内的噪声点；
(9)对水陆粗分离边界区域进行细致分区，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(10)将步骤(9)中特征输入步骤(5)中分类器，得到水陆边界区域细分离结果；
(11)采用形态学方法抑制水陆边界区域内的噪声点；
(12)对细化结果，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。
其中，步骤(1)中，构建高分辨率遥感水陆场景图像数据集方法如下：
(1.1)构建遥感水陆场景图像数据集Image＝[Image1,…,Imagei,…,Imagen]，其中n表示有n张遥感水陆场景图像，Imagei表示第i个遥感水陆场景图像；
(1.2)将数据集分为训练集部分Train和测试集部分Test，针对数据集中遥感影像，从中随机抽取m张图像构建训练集，其余n-m张图像构建测试集，则有：Train＝[Train1,…,Traini,…,Trainm]，Test＝[Test1,…,Testi,…,Testn-m]。
其中，步骤(2)中，粗略分区并制作标签，及LBP特征提取方法如下：
(2.1)给定一幅训练图像Traini，设其大小为M×N，对其进行不重叠粗略分区，设分为C个区域，每块区域大小均为w×h，pi表示第i个粗分区域；
(2.2)对步骤(2.1)中每一个粗分区域pi，制作标签，即若该区域一半以上为水体区域，则其标签li＝1；反之，则其标签li＝0；
(2.3)对步骤(2.1)中每一个粗分区域pi，提取其LBP特征，设c为区域pi中的某一点，则该点的LBP值为：
Figure BDA0001671228020000031
其中，j＝1,…,8为点c邻域的第j个像素点序号，领域大小设为3×3，gj为该像素点的灰度值，gc为点c的灰度值；S(·)表示符号函数：
Figure BDA0001671228020000032
对区域pi中的所有点按照上述方式计算LBP值，然后通过对其作统计直方图，将它们整合为一个256维的向量，该向量即表示粗分区域pi的LBP特征向量xi。
其中，步骤(3)中，构造基于KNN的初始水陆分类器的方法如下：
针对步骤(2)提取的特征，构建KNN的特征数据库，用于测试阶段进行粗分离判决时的比对，训练阶段，KNN分类器的输入为步骤(2)计算得到的每一个粗分区域pi的LBP特征向量xi，输出为所有特征向量组成的特征数据库，即将所有粗分区域的LBP特征向量组合成一个矩阵，该矩阵即构成了特征数据库。
其中，步骤(4)中，细致分区并制作标签，及LBP特征提取方法如下：
(4.1)给定一幅训练图像Traini，设其大小为M×N，对其进行不重叠细致分区，设分为D个区域，每块区域大小均为r×s，qi表示第i个细分区域，并且与步骤(2.1)相比，分区大小不同，要求r＜w，s＜h，D＞C；
(4.2)对步骤(4.1)中D个区域，随机抽取num个区域进行处理，每一个细分区域qi，制作标签，即若该区域一半以上为水体区域，则其标签yi＝1；反之，则其标签yi＝0；
(4.3)对步骤(4.1)中每一个细分区域qi，采用步骤(2.3)中所述方法，提取其LBP特征向量zi。
其中，步骤(5)中，构造基于SVM的精确水陆分类器的方法如下：
(5.1)针对步骤(4)提取的特征，构建SVM的训练特征数据库，作为训练阶段SVM分类器的输入；
(5.2)训练SVM分类器：
Figure BDA0001671228020000041
其中，f(zj)表示分类器的输出。sign(·)表示符号函数，zi和zj表示输入的特征向量，K(zi,zj)＝zi Tzj为SVM的核函数，αi表示优化参数，yi表示训练样本的标签，b为分类面的最优偏置，Num表示训练样本的个数，zi(i＝1,...,Num)表示SVM训练特征数据库中的所有的特征向量，zj表示svm训练数据库中的某一个特征向量。
其中，步骤(7)中，使用基于KNN的初始水陆分类器对测试图像进行水陆区域粗分离，方法如下：
测试阶段，KNN分类器的输入为步骤(6)计算得到的整幅测试图像各个粗略区域的LBP特征向量和步骤(3)训练得到的特征数据库，通过针对测试图像每一个粗略区域，计算其LBP特征向量与特征数据库中各个特征向量之间的欧氏距离，找到与该粗略区域距离最小的K个特征向量，依次统计出这K个特征向量的所属类别，找出包含最多个数的类，将该粗略区域划分到此类中。
最终得到整幅图像各个粗略区域的预测标签值，该值为1或0；若粗略区域的预测标签值为1，则该区域认作为水体区域，将该区域置为白色；若为0，则该区域认作为非水体区域，即陆地区域，将该区域置为黑色，最终得到水陆粗分离二值化结果图像BWp。
其中，步骤(8)中，采用形态学方法抑制分类区域内的噪声点的方法如下：
对水陆粗分离二值化结果图像，采用形态学闭运算，用以消除水体或陆地区域内部的噪声点：
Figure BDA0001671228020000051
其中，CLOSE(·)表示形态学闭运算，E为结构元素，采用形态学方法抑制分类区域内的噪声点后，可以得到优化后的水陆粗分离二值化结果图像BWpo。
其中，步骤(9)中的，对水陆粗分离边界区域进行细致分区，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征：
(9.1)利用步骤(8)得到的优化后的水陆粗分离二值化图像BWpo，定位出原始测试图像上的水陆边界区域；
(9.2)对定位出的水陆粗分离边界区域进行细致分区，细分区方法与步骤(4.1)相同，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征。
其中，步骤(10)中，将步骤(9)中特征输入步骤(5)中分类器，得到水陆边界区域细分离结果，方法如下：
(10.1)将(9.2)结果输入到基于SVM的精确水陆分类器中，对水陆边界区域进行细分离，得到整幅图像水陆边界细致区域的预测标签值，该值为1或0，若边界细致区域的预测标签值为1，则该区域认作为水体区域，将该区域置为白色；若为0，则该区域认作为非水体区域，即陆地区域，将该区域置为黑色；最终得到水陆细分离二值化结果图像BWq；
(10.2)采用步骤(8)形态学方法抑制水陆细分离二值化结果图像BWq的噪声点，最终得到优化后的水陆细分离二值化结果图像BWqo，针对细化结果BWqo，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
(1)采用“粗分+细分”的策略进行水陆的分离，与传统的直接检测水体的方法相比，准确率更高；
(2)在水陆分离过程中，分别采用KNN和SVM两种不同的分类方法，一方面确保了提取的效率，另一方面适应于不同尺寸像元的分类，使得最终分类结果稳健且有效；
(3)针对细化结果，采用形态学腐蚀运算对水体边缘进行平滑，可以得到更加准确的水体边缘。
附图说明
图1是本发明的结构框图；
图2是具体实施例中各个过程的结果图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示，本发明的技术方案进一步的详细描述如下：
(1)构建高分辨率遥感水陆场景图像数据集，将遥感水陆场景图像数据集分为训练集Train和测试集Test；
(1.1)构建遥感水陆场景图像数据集Image＝[Image1,…,Imagei,…,Imagen]，其中为了方便说明，示例中取n＝100，表示有n种遥感水陆场景图像个数，Imagei表示第i个遥感水陆场景图像，数据集中图像均来自Google Earth。
(1.2)将数据集分为训练集部分Train和测试集部分Test，针对数据集中遥感影像，从中随机抽取m＝20张图像构建训练集，其余n-m＝80张图像构建测试集。则有：Train＝[Train1,…,Traini,…,Trainm]，Test＝[Test1,…,Testi,…,Testn-m]。
(2)针对输入的遥感水陆场景训练集图像，进行粗略分区，对每一个粗略区域制作相应的标签，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(2.1)给定一幅训练图像Traini，设其大小为M×N，以2600×2600为例，对其进行不重叠粗略分区，设分为C＝1600个区域，每块区域大小均为w×h,w＝65,h＝65，pi表示第i个粗分区域；
(2.2)对步骤(2.1)中每一个粗分区域pi，制作标签，即若该区域一半以上为水体区域，则其标签li＝1；反之，则其标签li＝0。
(2.3)对步骤(2.1)中每一个粗分区域pi，提取其LBP特征。LBP是一种用来描述图像局部特征的算子，具有灰度不变性。设c为区域pi中的某一点，则该点的LBP值为：
Figure BDA0001671228020000071
其中，j为点c邻域的第j个像素点，领域大小设为3×3，gj为该像素点的灰度值，gc为点c的灰度值，j＝1,…,8，S(·)表示符号函数：
Figure BDA0001671228020000072
对区域pi中的所有像素点按照上述方式计算LBP值，然后通过对其作统计直方图，然后将它们整合为一个256维的向量，该向量即表示粗分区域pi的LBP特征向量xi。
(3)基于步骤(2)提取的特征，构造基于K最近邻(K-Nearest Neighbor，KNN)的初始水陆分类器；针对步骤(2)提取的特征，构建KNN的特征数据库，用于测试阶段进行粗分离判决时的比对，训练阶段，KNN分类器的输入为步骤(2)计算得到的每一个粗分区域pi的LBP特征向量xi，输出为所有特征向量组成的特征数据库，即将所有粗分区域的LBP特征向量组合成一个矩阵，该矩阵即构成了特征数据库。
(4)针对输入的遥感水陆场景训练集图像，进行细致分区，对每一个细致区域制作相应的标签，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(4.1)给定一幅训练图像Traini，设其大小为M×N，以2600×2600为例，对其进行不重叠细致分区，设分为D＝40000个区域，每块区域大小均为r×s,r＝13,s＝13，qi表示第i个细分区域。
(4.2)对步骤(4.1)中D个区域，为了减小计算量，随机抽取1600个区域进行处理。每一个细分区域qi，制作标签，即若该区域一半以上为水体区域，则其标签yi＝1；反之，则其标签yi＝0。
(4.3)对步骤(4.1)中每一个细分区域qi，采用步骤(2.3)中所述方法，提取其LBP特征向量zi。
(5)基于步骤(4)提取的特征，构造基于支持向量机(Support Vector Machine，SVM)的精确水陆分类器；
(5.1)针对步骤(4)提取的特征，构建SVM的训练特征数据库，作为训练阶段SVM分类器的输入。
(5.2)训练SVM分类器：
Figure BDA0001671228020000081
其中，f(zj)表示分类器的输出。sign(·)表示符号函数。zi和zj表示输入的特征向量。K(zi,zj)＝zi Tzj为SVM的核函数。αi表示优化参数，yi表示训练样本的标签，b为分类面的最优偏置，Num表示训练样本的个数，zi(i＝1,...,Num)表示SVM训练特征数据库中的所有的特征向量，zj表示svm训练数据库中的某一个特征向量。
(6)针对输入的遥感水陆场景测试集图像，进行粗略分区，粗分方法与步骤(2.1)相同，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(7)将步骤(6)中特征输入步骤(3)中分类器，得到水陆区域粗分离结果。
测试阶段，KNN分类器的输入为步骤(6)计算得到的整幅测试图像各个粗略区域的LBP特征向量和步骤(3)训练得到的特征数据库，通过针对测试图像每一个粗略区域，计算其LBP特征向量与特征数据库中各个特征向量之间的欧氏距离，找到与该粗略区域距离最小的K个特征向量，依次统计出这K个特征向量的所属类别，找出包含最多个数的类，将该粗略区域划分到此类中。最终得到整幅图像各个粗略区域的预测标签值，该值为1或0；若粗略区域的预测标签值为1，则该区域认作为水体区域，将该区域置为白色；若为0，则该区域认作为非水体区域，即陆地区域，将该区域置为黑色，最终得到水陆粗分离二值化结果图像BWp。
(8)采用形态学方法抑制分类区域内的噪声点。
对水陆粗分离二值化结果图像，采用形态学闭运算，用以消除水体或陆地区域内部的噪声点：
Figure BDA0001671228020000082
其中，CLOSE(·)表示形态学闭运算，E为66×66大小方形结构元素。采用形态学方法抑制分类区域内的噪声点后，可以得到优化后的水陆粗分离二值化结果图像BWpo。
(9)对水陆粗分离边界区域进行细致分区，细分区方法与步骤(4.1)相同，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(9.1)利用步骤(8)得到的优化后的水陆粗分离二值化图像BWpo，定位出原始测试图像上的水陆边界区域；
(9.2)对定位出的水陆粗分离边界区域进行细致分区，细分区方法与步骤(4.1)相同，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(10)将步骤(9)中特征输入步骤(5)中分类器，得到水陆边界区域细分离结果；
将(9.2)结果输入到基于SVM的精确水陆分类器中，对水陆边界区域进行细分离，得到整幅图像水陆边界细致区域的预测标签值，该值为1或0。若边界细致区域的预测标签值为1，则该区域认作为水体区域，将该区域置为白色；若为0，则该区域认作为非水体区域，即陆地区域，将该区域置为黑色。最终，我们可以得到水陆细分离二值化结果图像BWq。
(11)采用形态学方法，与步骤(8)相同，对步骤(10)得到水陆细分离二值化结果图像BWq抑制分类区域内的噪声点，所选择的结构元素E为14×14大小方形结构元素，抑制水陆边界区域内的噪声点，最终可以得到优化后的水陆细分离二值化结果图像BWqo。
(12)针对细化结果BWqo，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。
结合仿真条件与结果对本发明做进一步的描述：
(1)仿真条件
本次实验是在PC机(Intel Core,主频1.6GHZ，内存4GB)中，Matlab2016a编程环境中对Google Earth遥感图像进行实验。
(2)仿真内容与结果分析
如图2所示，通过实例给出，采用本发明提出的一种有效的高分辨率遥感影像水体提取方法获得的效果。给出包括遥感水体提取中各个过程的结果图：基于LBP和KNN的水陆粗分离的结果、基于LBP和KNN的水陆细分离的结果、基于形态学水体边缘平滑的结果、在原图上标记水体提取的结果。
从实验结果来看，本发明的一种有效的高分辨率遥感影像水体提取方法，能够很好的区别水面与陆地，水体定位与水体信息提取准确率高；水陆分界线轮廓清晰，并且细化后的水陆分离图相对于初步水陆分离图来说，边缘更加明显、平滑。本发明方法采用两步走的测策略，初步分类得到水陆二值分类图像后，由此定位到粗糙水域，进行区域再次分类，得到水域细化后的边缘轮廓，进一步去噪平滑处理后得到水陆分离二值图像，最终得到精确的水体提取结果。
此外，本发明选用两种不同的遥感图像水体提取算法与提出的方法进行比较，选用的两个比较算法分别是：
崔佳玲在“基于纹理的高分辨率遥感图像水陆分离算法[D].华中科技大学,2016.”提出的采用灰度共生矩阵纹理特征的支持向量机分类方法，简称方法1。
邓滢等在“结合纹理与极化分解的面向对象极化SAR水体提取方法[J].遥感技术与应用,2016,31(04):714-723”提出的首先利用灰度共生矩阵计算SAR影像的同质性纹理特征，获得基于同质性特征的水体二值图，简称方法2。
表1是三种方法在Google Earth遥感水体影像上的性能比较。结果表明，本发明提出的方法对遥感图像水体提取效果最好。
表1三种方法分类准确率比较
Figure BDA0001671228020000101

Claims (4)

1.一种高分辨率遥感影像水体提取方法，包含训练阶段和测试阶段，其特征在于：
所述训练阶段包括以下步骤：
(1)构建高分辨率遥感水陆场景图像数据集，将遥感水陆场景图像数据集分为训练集Train和测试集Test；
(2)针对输入的遥感水陆场景训练集图像，进行粗略分区，对每一个粗略区域制作相应的标签，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(3)基于步骤(2)提取的特征，构造基于K最近邻(K-Nearest Neighbor，KNN)的初始水陆分类器；
(4)针对输入的遥感水陆场景训练集图像，进行细致分区，对每一个细致区域制作相应的标签，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(5)基于步骤(4)提取的特征，构造基于支持向量机(Support Vector Machine，SVM)的精确水陆分类器；
所述测试阶段包括以下步骤：
(6)针对输入的遥感水陆场景测试集图像，进行粗略分区，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
(7)将步骤(6)中特征输入步骤(3)中分类器，得到水陆区域粗分离结果；
(8)采用形态学方法抑制分类区域内的噪声点；
(9)对水陆粗分离边界区域进行细致分区，然后提取每个区域的局部二值模式(LocalBinary Patterns，LBP)特征；
(10)将步骤(9)中特征输入步骤(5)中分类器，得到水陆边界区域细分离结果；
(11)采用形态学方法抑制水陆边界区域内的噪声点；
(12)对细化结果，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果；
所述步骤(2)中，粗略分区并制作标签，及LBP特征提取方法如下：
(2.1)给定一幅训练图像Traini，设其大小为M×N，对其进行不重叠粗略分区，设分为C个区域，每块区域大小均为w×h，pi表示第i个粗分区域；
(2.2)对步骤(2.1)中每一个粗分区域pi，制作标签，即若该区域一半以上为水体区域，则其标签li＝1；反之，则其标签li＝0；
(2.3)对步骤(2.1)中每一个粗分区域pi，提取其LBP特征，设c为区域pi中的某一点，则该点的LBP值为：
Figure FDA0003638142170000021
其中，j＝1,…,8为点c邻域的第j个像素点序号，领域大小设为3×3，gj为该像素点的灰度值，gc为点c的灰度值；S(·)表示符号函数：
Figure FDA0003638142170000022
对区域pi中的所有点计算LBP值，然后通过对其作统计直方图，将它们整合为一个256维的向量，该向量即表示粗分区域pi的LBP特征向量xi；
所述步骤(4)中，细致分区并制作标签，及LBP特征提取方法如下：
(4.1)给定一幅训练图像Traini，设其大小为M×N，对其进行不重叠细致分区，设分为D个区域，每块区域大小均为r×s，qi表示第i个细分区域，并且与步骤(2.1)相比，分区大小不同，要求r＜w，s＜h，D＞C；
(4.2)对步骤(4.1)中D个区域，随机抽取num个区域进行处理，每一个细分区域qi，制作标签，即若该区域一半以上为水体区域，则其标签yi＝1；反之，则其标签yi＝0；
(4.3)对步骤(4.1)中每一个细分区域qi，采用步骤(2.3)中所述方法，提取其LBP特征向量zi；
所述步骤(7)中，使用基于KNN的初始水陆分类器对测试图像进行水陆区域粗分离，方法如下：
测试阶段，KNN分类器的输入为步骤(6)计算得到的整幅测试图像各个粗略区域的LBP特征向量和步骤(3)训练得到的特征数据库，通过针对测试图像每一个粗略区域，计算其LBP特征向量与特征数据库中各个特征向量之间的欧氏距离，找到与该粗略区域距离最小的K个特征向量，依次统计出这K个特征向量的所属类别，找出包含最多个数的类，将该粗略区域划分到此类中；最终得到整幅图像各个粗略区域的预测标签值，该值为1或0；若粗略区域的预测标签值为1，则该粗略区域认作为水体区域，将该粗略区域置为白色；若为0，则该粗略区域认作为非水体区域，即陆地区域，将该粗略区域置为黑色，最终得到水陆粗分离二值化结果图像BWp；
所述步骤(8)中，采用形态学方法抑制分类区域内的噪声点的方法如下：
对水陆粗分离二值化结果图像，采用形态学闭运算，用以消除水体或陆地区域内部的噪声点：
Figure FDA0003638142170000031
其中，CLOSE(·)表示形态学闭运算，E为结构元素，采用形态学方法抑制分类区域内的噪声点后，得到优化后的水陆粗分离二值化结果图像BWpo；
所述步骤(9)中的，对水陆粗分离边界区域进行细致分区，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征：
(9.1)利用步骤(8)得到的优化后的水陆粗分离二值化图像BWpo，定位出原始测试图像上的水陆边界区域；
(9.2)对定位出的水陆粗分离边界区域进行细致分区，细分区方法与步骤(4.1)相同，然后提取每个区域的局部二值模式(Local Binary Patterns，LBP)特征；
所述步骤(10)中，将步骤(9)中特征输入步骤(5)中分类器，得到水陆边界区域细分离结果，方法如下：
(10.1)将(9.2)结果输入到基于SVM的精确水陆分类器中，对水陆边界区域进行细分离，得到整幅图像水陆边界细致区域的预测标签值，该值为1或0，若边界细致区域的预测标签值为1，则该边界细致区域认作为水体区域，将该边界细致区域置为白色；若为0，则该边界细致区域认作为非水体区域，即陆地区域，将该边界细致区域置为黑色；最终得到水陆细分离二值化结果图像BWq；
(10.2)采用步骤(8)形态学方法抑制水陆细分离二值化结果图像BWq的噪声点，最终得到优化后的水陆细分离二值化结果图像BWqo，针对细化结果BWqo，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。
2.根据权利要求1所述的高分辨率遥感影像水体提取方法，步骤(1)中，构建高分辨率遥感水陆场景图像数据集方法如下：
(1.1)构建遥感水陆场景图像数据集Image＝[Image1,…,Imagei,…,Imagen]，其中n表示有n张遥感水陆场景图像，Imagei表示第i个遥感水陆场景图像；
(1.2)将数据集分为训练集部分Train和测试集部分Test，针对数据集中遥感影像，从中随机抽取m张图像构建训练集，其余n-m张图像构建测试集，则有：Train＝[Train1,…,Traini,…,Trainm]，Test＝[Test1,…,Testi,…,Testn-m]。
3.根据权利要求1所述的高分辨率遥感影像水体提取方法，步骤(3)中，构造基于KNN的初始水陆分类器的方法如下：针对步骤(2)提取的特征，构建KNN的特征数据库，用于测试阶段进行粗分离判决时的比对，训练阶段，KNN分类器的输入为步骤(2)计算得到的每一个粗分区域pi的LBP特征向量xi，输出为所有特征向量组成的特征数据库。
4.根据权利要求1所述的高分辨率遥感影像水体提取方法，步骤(5)中，构造基于SVM的精确水陆分类器的方法如下：
(5.1)针对步骤(4)提取的特征，构建SVM的训练特征数据库，作为训练阶段SVM分类器的输入；
(5.2)训练SVM分类器：
Figure FDA0003638142170000041
其中，f(zj)表示分类器的输出，sign(·)表示符号函数，zi和zj表示输入的特征向量，
Figure FDA0003638142170000042
为SVM的核函数，αi表示优化参数，yi表示训练样本的标签，b为分类面的最优偏置，Num表示训练样本的个数。
CN201810505091.2A 2018-05-24 2018-05-24 一种高分辨率遥感影像水体提取方法 Active CN108710862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810505091.2A CN108710862B (zh) 2018-05-24 2018-05-24 一种高分辨率遥感影像水体提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810505091.2A CN108710862B (zh) 2018-05-24 2018-05-24 一种高分辨率遥感影像水体提取方法

Publications (2)

Publication Number Publication Date
CN108710862A CN108710862A (zh) 2018-10-26
CN108710862B true CN108710862B (zh) 2022-06-28

Family

ID=63870504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810505091.2A Active CN108710862B (zh) 2018-05-24 2018-05-24 一种高分辨率遥感影像水体提取方法

Country Status (1)

Country Link
CN (1) CN108710862B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934095A (zh) * 2019-01-22 2019-06-25 中交信息技术国家工程实验室有限公司 一种基于深度学习的遥感图像水体提取方法及系统
CN110059538B (zh) * 2019-02-27 2021-07-09 成都数之联科技有限公司 一种基于深度密集神经网络的水体识别方法
CN111860615A (zh) * 2020-06-30 2020-10-30 河海大学 一种基于特征词典融合的遥感水体目标提取方法
CN112633070A (zh) * 2020-11-27 2021-04-09 中国科学院空天信息创新研究院 高分辨率遥感影像建筑物提取方法及系统
CN114241336B (zh) * 2021-12-30 2022-09-20 河南祥宇工程勘察设计有限公司 一种基于动态低分辨遥感图像的河湖水域确权划界方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN107273868A (zh) * 2017-06-28 2017-10-20 电子科技大学 一种遥感图像中区分煤矿区的煤堆和煤矸石区域的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251890B (zh) * 2008-03-13 2010-04-21 西安交通大学 基于多色域选择性形态学处理的视频图像肤色检测方法
CN102136075B (zh) * 2011-03-04 2013-05-15 杭州海康威视数字技术股份有限公司 复杂场景下的多视角人脸检测方法及其装置
CN103473739B (zh) * 2013-08-15 2016-06-22 华中科技大学 一种基于支持向量机的白细胞图像精确分割方法与系统
CN106504245A (zh) * 2016-10-28 2017-03-15 东北大学 一种多模态脑影像损伤性病变组织图像分割方法
CN106485239A (zh) * 2016-11-02 2017-03-08 郑州航空工业管理学院 一种利用单类支持向量机检测河流目标的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN107273868A (zh) * 2017-06-28 2017-10-20 电子科技大学 一种遥感图像中区分煤矿区的煤堆和煤矸石区域的方法

Also Published As

Publication number Publication date
CN108710862A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
CN108710862B (zh) 一种高分辨率遥感影像水体提取方法
Fan et al. Road crack detection using deep convolutional neural network and adaptive thresholding
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
Tang et al. Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
CN107358258B (zh) 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
Alsmadi et al. Fish classification based on robust features extraction from color signature using back-propagation classifier
CN107480620B (zh) 基于异构特征融合的遥感图像自动目标识别方法
CN108898065B (zh) 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN111079685A (zh) 一种3d目标检测方法
CN109919960B (zh) 一种基于多尺度Gabor滤波器的图像连续边缘检测方法
CN110766689A (zh) 基于卷积神经网络进行物品图像缺陷检测的方法及装置
CN110570440A (zh) 一种基于深度学习边缘检测的图像自动分割方法及装置
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
Farouk et al. Microarray spot segmentation algorithm based on integro-differential operator
CN114373079A (zh) 一种快速准确的探地雷达目标检测方法
Singh et al. A hybrid approach for information extraction from high resolution satellite imagery
CN107392926B (zh) 基于前期土地专题图的遥感影像特征选择方法
CN111860615A (zh) 一种基于特征词典融合的遥感水体目标提取方法
Wu et al. Research on crack detection algorithm of asphalt pavement
Akther et al. Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
CN103345739B (zh) 一种基于纹理的高分辨率遥感影像建筑区指数计算方法
CN115661660A (zh) Sar图像桥梁快速检测方法及设备

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