CN109523510A - 基于多光谱遥感影像的河道水质空间异常区域检测方法 - Google Patents

基于多光谱遥感影像的河道水质空间异常区域检测方法 Download PDF

Info

Publication number
CN109523510A
CN109523510A CN201811181324.4A CN201811181324A CN109523510A CN 109523510 A CN109523510 A CN 109523510A CN 201811181324 A CN201811181324 A CN 201811181324A CN 109523510 A CN109523510 A CN 109523510A
Authority
CN
China
Prior art keywords
detection
region
area
training set
abnormal
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
Application number
CN201811181324.4A
Other languages
English (en)
Other versions
CN109523510B (zh
Inventor
侯迪波
何思佳
喻洁
林友鑫
周钟辉
朱艳妮
张光新
张宏建
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201811181324.4A priority Critical patent/CN109523510B/zh
Publication of CN109523510A publication Critical patent/CN109523510A/zh
Application granted granted Critical
Publication of CN109523510B publication Critical patent/CN109523510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多光谱遥感影像的河道水质空间异常区域检测方法，属于水质安全监测领域。本方法基于多光谱遥感影像，使用二维滑动窗及基于多元高斯分布的双阈值异常检测算法对河道水质的空间异常进行检测，包括预处理、异常检测及形态学后处理等步骤。预处理部分对原始影像数据进行校正并提取水体部分作为研究对象，为后续检测做了数据准备；异常检测部分使用二维滑动窗和基于多元高斯分布的双阈值异常检测算法对河道中的水质空间异常区域进行检测；后处理部分使用形态学方法对检测结果进行处理并输出水质异常区域。本方法综合利用了多光谱遥感影像的光谱信息及空间信息，对于河道中常见的泥沙、废水、富营养化等异常具有较好的检测效果。

Description

基于多光谱遥感影像的河道水质空间异常区域检测方法
技术领域
本发明涉及水质安全监测领域，具体提出一种基于多光谱遥感影像的河道水质空间异常区域检测方法。
背景技术
河道作为生态环境的重要组成部分之一，其水体水质的好坏直接关系到人们的生产和生活。进行河道水质的监测和治理是水污染防治的重要组成部分。随着国家越来越重视河道生态环境并进行了河道深入整治，河道整体水环境得到了较大的改善，但仍存在如废水排放、泥沙污染、水体富营养化等现象。目前，河道水质常规监测的测点在地理上经常具有局限性，使得获取的水质数据有限，不足以反映河道水质的整体空间分布情况，难以表征水质空间异常。
河道的常见水质异常主要由泥沙污染、废水污染、热污染及水体富营养化等引起，这些异常区域在遥感影像上呈现出与周围正常水域不同的光谱特性。例如，在泥沙污染区域由于泥沙的散射作用，水体在可见光波段反射率增加，反射峰向长波长方向移动，泥沙含量与红光波段光谱值、红光与绿光波段的比值等具有相关性；工业废水和生活污水中含有的大量有机物在分解时消耗大量氧气，使得污水发黑发臭，因此废水污染区域在遥感上表现为水体的反射率降低等。这些光谱上的差异为使用遥感影像对河道水质的空间异常进行检测提供了理论依据。
河道水质的空间异常在异常检测中属于一种上下文异常，其上下文属性为空间地理位置，行为属性为各波段遥感反射光谱值，具体表现为不同河道中的正常水质具有不同的光谱特性，河道中与周围正常水质光谱存在差异的区域为水质空间异常区域，水质是否异常具有空间局部特性。不同水域的正常水质具有不同的光谱特征，且同一水域的正常水质光谱和异常水质光谱之间存在一定差异。现有的异常检测算法对水质空间异常这种场景的适用性不够，而基于水质参数反演结果进行异常分析的方法没有很好地利用影像中的空间信息，且不同时相、不同影像、不同河道的光谱差异导致了得到的模型缺乏普适性，不能很好地实现对河道水质空间异常的检测，在使用影像自身的光谱信息结合空间信息实现水质异常检测方面仍存在可以改进的空间。
发明内容
为了克服现有技术的不足，本发明提供一种基于多光谱遥感影像的河道水质空间异常区域检测方法。
本发明技术方案：
一种基于多光谱遥感影像的河道水质空间异常区域检测方法，包括以下步骤：
S1.对多光谱遥感影像进行预处理；
输入原始遥感影像数据，依次进行辐射定标、大气校正、几何校正、影像融合操作得到校正后的遥感影像数据，然后提取水体部分；
S2.水质空间异常区域检测；
确定初始训练集区域，分别使用二维滑动窗和基于多元高斯分布的异常检测算法检测河道中的水质空间区域有无异常，其中在多元高斯分布的异常判定中分别应用弱阈值和强阈值进行两次检测；
S3.对检测结果进行形态学后处理并输出检测结果；
对于使用强阈值得到的检测结果，使用图像处理中的形态学方法对检测结果进行去噪处理，将所得结果与弱阈值检测结果融合形成双阈值检测结果，然后获取异常区域边界并输出河道水质异常区域检测结果。
所述的S1步骤中，预处理包括以下步骤：
(1)辐射定标
将影像的DN(Digital Number)值转为相应的辐射亮度值，转换公式如式(1)所示：
Lε(λε)＝(DN+Bias)*Gain (1)
(2)大气校正
去除或减少大气分子和气溶胶等对水质遥感信息的影响，如根据研究区域的特点选择大气模型以及区域类型，结合卫星的波谱响应函数、轨道高度、拍摄时间等参数使用FLAASH校正模型进行大气校正；
(3)几何校正
使用地理信息准确的标准影像作为基准图像，纠正各种原因引起的遥感影像在真实地理位置上存在的误差，如在待校正影像和基准影像上人工选择15～20个均匀分布的同名地面控制点，调节RMS(单点定位)误差小于1个像元大小，使用二次多项式校正模型和三次卷积内插重采样法等方法进行几何校正；
(4)影像融合
对多光谱影像和全色影像进行影像融合，得到空间分辨率更高的多光谱遥感影像，如使用高保真的遥感影像融合方法NNDiffuse方法进行影像融合操作；
(5)水体提取
在进行异常检测之前对多光谱影像中的河道区域进行提取，后续检测步骤针对提取后的水体部分进行，水体提取可以使用已有的河道区域矢量图对影像进行裁剪，也可以使用归一化水体指数法(NDWI)、面向对象分割等方法实现。
所述的S2步骤中，使用二维滑动窗进行异常检测包括以下步骤：
(1)确定训练集区域大小l×h及滑动距离d、k，以河道水流方向为一级滑动方向、横截面为次级滑动方向进行异常检测；
(2)选定初始训练集区域
对于不同时相的遥感影像一致性较高的情况，可以使用历史正常数据作为初始训练集；使用单时相影像进行异常检测时，根据异常区域在影像中占比较少的前提，可以使用基于整体数据的高斯分布或基于密度等方法确定初始训练集区域；如，使用基于整体数据的高斯分布的方法，从左上角开始滑动寻找区域内数据标准差较小且均处于整体高斯分布概率密度较大处的区域作为初始训练集区域，检测完成后计算异常区域在影像中的占比，若不符合占比较少的前提，则重新选择初始训练集；
(3)以初始训练集右下方的待检测区域为例，第一行依次使用左侧l×h区域中的正常数据作为训练集，对其右侧d×h的区域进行异常检测，检测窗口从左至右滑动，即次级滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集；
(4)第二行开始依次使用上方l×h区域中的正常数据作为训练集，对其下方l×k的区域进行异常检测，检测窗口从左至右滑动，即次级滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集；当一行检测结束后检测窗口从上至下滑动k并回到最左侧继续下一行的检测，即一级滑动；
(5)保证训练集具有足够数据量
以初始训练集右下方的待检测区域为例，对最左侧区域进行检测时，当训练集数据不足时，补充加入上方区域正常样本到当前区域训练集中，还不足时再补充加入上方区域的训练集样本到当前区域训练集中；对非最左侧区域进行检测时，当训练集数据不足时，补充加入左侧区域正常样本到当前区域训练集中，还不足时再补充加入左侧区域的训练集样本到当前区域训练集中，以保证根据训练集的数据能够较好地建立分布模型；
(6)初始训练集左侧及上方的异常检测流程与上述其右下方的检测流程类似。
所述的S2步骤中，基于多元高斯分布的双阈值异常检测算法包含以下内容：
当使用基于多元高斯分布的异常检测时，对于给定的m×n维的训练集，将其看作服从n维高斯分布；通过对m个训练样本的分布分析，对多元高斯分布的均值μ和协方差矩阵∑进行参数估计，得到概率密度函数p(x)，计算公式如下：
p(x)越大，其对应的概率密度越高，对应的样本是异常的可能性越小；p(x)越小，其对应的概率密度越低，对应的样本是异常的可能性越大；对于新的测试样本，根据其在多元高斯分布上算出的概率密度及阈值ε判断是否为异常点，即当p(x)＜ε时将该点判定为异常，当p(x)≥ε时判定为正常；
检测阈值ε在对点异常进行检测的常规应用中一般利用少量验证集确定，但在本方法中对空间异常这种上下文异常进行检测时，每次检测的训练集和测试集不断更新，且测试集中不一定包含异常样本，难以获得验证集，因此ε使用经验值确定；
设定弱阈值εw和强阈值εs两个阈值(εw＞εs)，分别作为判定异常的阈值对影像进行两次异常检测；为了使训练集样本更具有代表性，在两次检测中更新训练集时均使用弱阈值εw作为划分训练集的阈值；两次检测结果中，使用弱阈值εw检测出的异常点相对较多，使用强阈值εs检测出的异常点相对较少，保留强阈值异常点及与其连通的弱阈值异常点区域作为异常检测的结果；其中，强阈值εs检测出的异常点作为高可信度点，在一定程度上降低误报率；而弱阈值εw检测出的异常点可以有效地补充异常边缘的细节，有助于提高检出率。
所述的S3步骤中，形态学后处理的主要流程为：
使用一种结构元素，如半径为1的圆，对异常检测结果进行开运算操作，即先腐蚀后膨胀，以消除纤细区域和小区域；在原始检测结果中保留开运算后依然存在异常的区域；滤波去除面积小于设定值(如设定10即为10个像元，在地面分辨率为1m的影像中代表10平方米)的异常区域，即噪声等造成的异常；填充孔洞、获取检测出的异常区域边界并输出。
本发明的有益效果：提出了基于多光谱遥感影像、使用二维滑动窗及基于多元高斯分布的双阈值异常检测算法的河道水质空间异常检测方法，对河道中常见的泥沙污染、废水污染、水体富营养化等水质空间异常具有较好的检测效果。其中，使用二维滑动窗能够较好地检测水质空间异常这一上下文异常；基于多元高斯分布的异常检测方法利用了多波段的信息，有效提升了检测效果；在基于多元高斯分布的异常检测算法中使用双阈值能够提高检出率、降低误报率，更有效地实现检测。
附图说明
图1为整体算法流程图；
图2为以初始训练集右下方的待检测区域为例的二维滑动窗检测流程示意图，(a)(b)部分为第一行滑动窗检测图，(c)(d)部分为后续行滑动窗检测图；
图3为部分正常水质及典型异常的多光谱曲线图；
图4为河段1模拟异常检测结果图，其中，(a)为添加两处模拟异常后的河段1多光谱影像；(b)为第三波段三倍标准差检测结果(白色为异常，黑色为正常)；(c)为四波段多元高斯分布单阈值检测结果，阈值为0.1；(d)为四波段多元高斯分布检测结果，划分训练集使用阈值0.1，异常检测使用阈值0.03；(e)为四波段多元高斯分布双阈值检测结果，即本方法检测结果，使用阈值0.03/0.1；(f)为将异常检测结果显示在影像上；
图5为河段2模拟异常检测结果图，其中，(a)为添加两处模拟异常后的河段2多光谱影像；(b)为第三波段三倍标准差检测结果(白色为异常，黑色为正常)；(c)为四波段多元高斯分布单阈值检测结果，阈值为0.1；(d)为四波段多元高斯分布检测结果，划分训练集使用阈值0.1，异常检测使用阈值0.03；(e)为四波段多元高斯分布双阈值检测结果，即本方法检测结果，使用阈值0.03/0.1；(f)为将异常检测结果显示在影像上。
具体实施方式
下面结合附图和实施例对本发明进行进一步描述。
如图1所示，一种基于多光谱遥感影像的河道水质空间异常区域检测方法，包括以下步骤：
S1.对多光谱遥感影像进行预处理；
输入原始遥感影像数据，依次进行辐射定标、大气校正、几何校正、影像融合操作得到校正后的遥感影像数据，然后提取水体部分；
S2.水质空间异常区域检测；
确定初始训练集区域，分别使用二维滑动窗和基于多元高斯分布的异常检测算法检测河道中的水质空间区域有无异常，其中在多元高斯分布的异常判定中分别应用弱阈值和强阈值进行两次检测；
S3.对检测结果进行形态学后处理并输出检测结果；
对于使用强阈值得到的检测结果，使用图像处理中的形态学方法对检测结果进行去噪处理，将所得结果与弱阈值检测结果融合形成双阈值检测结果，然后获取异常区域边界并输出河道水质异常区域检测结果。
所述的S1步骤中，预处理包括以下步骤：
(1)辐射定标
将影像的DN(Digital Number)值转为相应的辐射亮度值，转换公式如式(1)所示：
Lε(λε)＝(DN+Bias)*Gain (1)
(2)大气校正
去除或减少大气分子和气溶胶等对水质遥感信息的影响，如根据研究区域的特点选择大气模型以及区域类型，结合卫星的波谱响应函数、轨道高度、拍摄时间等参数使用FLAASH校正模型进行大气校正；
(3)几何校正
使用地理信息准确的标准影像作为基准图像，纠正各种原因引起的遥感影像在真实地理位置上存在的误差，如在待校正影像和基准影像上人工选择15～20个均匀分布的同名地面控制点，调节RMS(单点定位)误差小于1个像元大小，使用二次多项式校正模型和三次卷积内插重采样法等方法进行几何校正；
(4)影像融合
对多光谱影像和全色影像进行影像融合，得到空间分辨率更高的多光谱遥感影像，如使用高保真的遥感影像融合方法NNDiffuse方法进行影像融合操作；
(5)水体提取
在进行异常检测之前对多光谱影像中的河道区域进行提取，后续检测步骤针对提取后的水体部分进行，水体提取可以使用已有的河道区域矢量图对影像进行裁剪，也可以使用归一化水体指数法(NDWI)、面向对象分割等方法实现。
所述的S2步骤中，使用二维滑动窗进行异常检测包括以下步骤：
(1)确定训练集区域大小l×h及滑动距离d、k，以河道水流方向为一级滑动方向、横截面为次级滑动方向进行异常检测；
(2)选定初始训练集区域
对于不同时相的遥感影像一致性较高的情况，可以使用历史正常数据作为初始训练集；使用单时相影像进行异常检测时，根据异常区域在影像中占比较少的前提，可以使用基于整体数据的高斯分布或基于密度等方法确定初始训练集区域；如，使用基于整体数据的高斯分布的方法，从左上角开始滑动寻找区域内数据标准差较小且均处于整体高斯分布概率密度较大处的区域作为初始训练集区域，检测完成后计算异常区域在影像中的占比，若不符合占比较少的前提，则重新选择初始训练集；
(3)以初始训练集右下方的待检测区域为例，第一行依次使用左侧l×h区域中的正常数据作为训练集，对其右侧d×h的区域进行异常检测，检测窗口从左至右滑动，即次级滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集；
(4)第二行开始依次使用上方l×h区域中的正常数据作为训练集，对其下方l×k的区域进行异常检测，检测窗口从左至右滑动，即次级滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集；当一行检测结束后检测窗口从上至下滑动k并回到最左侧继续下一行的检测，即一级滑动；
(5)保证训练集具有足够数据量
以初始训练集右下方的待检测区域为例，对最左侧区域进行检测时，当训练集数据不足时，补充加入上方区域正常样本到当前区域训练集中，还不足时再补充加入上方区域的训练集样本到当前区域训练集中；对非最左侧区域进行检测时，当训练集数据不足时，补充加入左侧区域正常样本到当前区域训练集中，还不足时再补充加入左侧区域的训练集样本到当前区域训练集中，以保证根据训练集的数据能够较好地建立分布模型；
(6)初始训练集左侧及上方的异常检测流程与上述其右下方的检测流程类似。
所述的S2步骤中，基于多元高斯分布的双阈值异常检测算法包含以下内容：
当使用基于多元高斯分布的异常检测时，对于给定的m×n维的训练集，将其看作服从n维高斯分布；通过对m个训练样本的分布分析，对多元高斯分布的均值μ和协方差矩阵∑进行参数估计，得到概率密度函数p(x)，计算公式如下：
p(x)越大，其对应的概率密度越高，对应的样本是异常的可能性越小；p(x)越小，其对应的概率密度越低，对应的样本是异常的可能性越大；对于新的测试样本，根据其在多元高斯分布上算出的概率密度及阈值ε判断是否为异常点，即当p(x)＜ε时将该点判定为异常，当p(x)≥ε时判定为正常；
检测阈值ε在对点异常进行检测的常规应用中一般利用少量验证集确定，但在本方法中对空间异常这种上下文异常进行检测时，每次检测的训练集和测试集不断更新，且测试集中不一定包含异常样本，难以获得验证集，因此ε使用经验值确定；
设定弱阈值εw和强阈值εs两个阈值(εw＞εs)，分别作为判定异常的阈值对影像进行两次异常检测；为了使训练集样本更具有代表性，在两次检测中更新训练集时均使用弱阈值εw作为划分训练集的阈值；两次检测结果中，使用弱阈值εw检测出的异常点相对较多，使用强阈值εs检测出的异常点相对较少，保留强阈值异常点及与其连通的弱阈值异常点区域作为异常检测的结果；其中，强阈值εs检测出的异常点作为高可信度点，在一定程度上降低误报率；而弱阈值εw检测出的异常点可以有效地补充异常边缘的细节，有助于提高检出率。
所述的S3步骤中，形态学后处理的主要流程为：
使用一种结构元素，如半径为1的圆，对异常检测结果进行开运算操作，即先腐蚀后膨胀，以消除纤细区域和小区域；在原始检测结果中保留开运算后依然存在异常的区域；滤波去除面积小于设定值(如设定10即为10个像元，在地面分辨率为1m的影像中代表10平方米)的异常区域，即噪声等造成的异常；填充孔洞、获取检测出的异常区域边界并输出。
实施例
使用高分二号卫星(GF-2)PMS多光谱数据作为影像数据，以中国某城市中的河段1、河段2作为研究对象进行水质异常检测的实验。
高分二号卫星是中国在2014年研制的民用遥感卫星，具有高空间分辨率、高辐射精度和高定位精度等特点。其多光谱数据包含四个波段(蓝色、绿色、红色和近红外)，地面分辨率为4m，全色数据的地面分辨率为1m。数据级别为L1A级，是未经过预处理的原始数据，拍摄日期为2017年1月1日。
整体算法流程图如图1所示，首先对多光谱遥感影像进行预处理，输入原始遥感影像数据，依次进行辐射定标、大气校正、几何校正、影像融合、水体提取等预处理操作；然后进行水质空间异常区域检测，确定初始训练集区域，分别使用二维滑动窗和基于多元高斯分布的异常检测算法检测河道中的水质空间区域有无异常，其中在多元高斯分布的异常判定中分别应用弱阈值和强阈值进行两次检测；最后对检测结果进行形态学后处理并输出检测结果，对于使用强阈值得到的检测结果，使用图像处理中的形态学方法对检测结果进行去噪处理，将所得结果与弱阈值检测结果融合形成双阈值检测结果，获取异常区域边界并输出河道水质异常区域检测结果。二维滑动窗检测流程示意如图2所示，以初始训练集右下方的待检测区域为例，第一行依次使用左侧l×h区域中的正常数据作为训练集，对其右侧d×h的区域进行异常检测，检测窗口从左至右滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集，如图2(a)(b)所示；第二行开始依次使用上方l×h区域中的正常数据作为训练集，对其下方l×k的区域进行异常检测，检测窗口从左至右滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集，如图2(c)(d)所示。部分正常水质及典型异常的多光谱曲线如图3所示，可以看出，不同水域的正常水质具有不同的光谱特征，且同一水域的正常水质光谱和异常水质光谱之间存在一定差异。
首先对获取的L1A级高分二号PMS多光谱数据进行辐射定标、大气校正、几何校正、影像融合等预处理操作。使用公式(1)，采用中国资源卫星应用中心公布的绝对定标系数对原始影像进行辐射定标；设置卫星的波谱响应函数、轨道高度、拍摄时间等参数，根据研究区域的特点选择Sub-Arctic Summer大气模型以及Urban区域类型，使用FLAASH校正模型进行大气校正；使用地理信息准确的标准影像作为基准图像，在待校正影像和基准影像上人工选择15～20个均匀分布的同名地面控制点，调节RMS(单点定位)误差小于1个像元大小，使用二次多项式校正模型和三次卷积内插重采样法进行几何校正；使用高保真的遥感影像融合方法NNDiffuse方法进行影像融合操作，融合后的影像包含4波段多光谱信息，且空间分辨率为1m；使用NDWI方法进行区域内水体的提取。
向无明显异常的河段1和河段2中人为添加模拟异常区域，对其进行水质空间异常的检测并评价检测效果。
向河段1中添加两处泥沙污染模拟异常，如图4(a)所示，污染区域选取自河段附近的泥沙污染区域，两处异常分别呈椭圆形和圆形，其中圆形异常的边界处与该位置正常水质的光谱值做了加权平均以模拟异常区域的边缘渐变特征。
使用本方法对河段1进行水质空间异常检测，训练集区域大小l×h取22×22，一级和次级滑动距离d、k均取11，训练集最小数据量设置为320。使用四个波段的光谱值建立多元高斯分布，强阈值εs取0.03，弱阈值εw取0.1，分别作为判定异常的阈值对影像进行两次异常检测。为了使训练集样本更具有代表性，在两次检测中更新训练集时均使用弱阈值εw作为划分训练集的阈值。两次检测结果中，使用弱阈值εw检测出的异常点相对较多，使用强阈值εs检测出的异常点相对较少，保留强阈值异常点及与其连通的弱阈值异常点区域作为异常检测的结果。
由于物质在水中的溶解、扩散作用，河道水质空间异常一般呈片状分布，很少存在面积很小的点状异常。因此，在后处理操作中，使用半径为1的圆作为结构元素，对异常检测结果进行开运算操作，即先腐蚀后膨胀，以消除纤细区域和小区域；在原始检测结果中保留开运算后依然存在异常的区域；滤波去除面积小于设定值10(即为10个像元，在高分二号影像中代表10平方米)的异常区域，即噪声等造成的异常；填充孔洞、获取检测出的异常区域边界并输出，得到的结果如图4(e)所示。由图可知，两处模拟异常均被较好地检测出来。
使用检出率(probability of detection，PD)、误报率(false alarm rate，FAR)、影像中异常区域的检出数及误报数作为异常检测算法的评价指标。其中，检出率和误报率分别表示实际异常中算法检测异常数所占百分比和所有决策次数中算法检测虚假异常数所占百分比，计算公式为式(5)和式(6)：
表1TP、TN、FP、FN所代表的含义
图4(b)-(d)分别为使用二维滑动窗和其他异常检测方法得到的对比检测结果，其中，(b)为使用基于第三波段(即红波段)光谱值的三倍标准差进行异常检测所得结果，因为第三波段光谱值对泥沙污染较为敏感，因此基本能实现异常检测，但存在一定漏报；(c)为使用基于多元高斯分布的单阈值异常检测的方法进行检测的结果，阈值取0.1；(d)为使用基于多元高斯分布的异常检测的方法进行检测的结果，强阈值取0.03，弱阈值取0.1，使用弱阈值作为划分训练集的阈值，使用强阈值进行异常检测，为使用双阈值检测的本方法一个中间结果。四种方法的检测效果对比见表2，可以看出，基于四波段多元高斯分布的方法(c)-(e)比基于单波段三倍标准差的方法(b)具有更高的检出率；本方法(e)的检出率与(c)相等且比(d)稍高，误报率介于(c)和(d)之间，误报数与(d)相等，这与本方法中将强阈值检测出的异常点作为高可信度点并使用弱阈值检测出的异常点补充异常边缘细节有关。
表2河段1各方法异常检测效果
向河段2中添加一处废水污染模拟异常和两处位置接近的水体富营养化异常，如图5(a)所示，废水污染区域选取自河段附近的废水污染区域，水体富营养化异常选取自影像内湿地中存在藻类的区域，两处异常呈不规则形状，其中废水污染异常位于河道边缘，水体富营养化异常位于河道中间，由四个大小不一的圆形构成，部分圆形的边界处与该位置正常水质的光谱值做了加权平均以模拟异常区域的边缘渐变特征。
使用本方法对河段2进行水质空间异常检测，训练集区域大小l×h取22×22，一级和次级滑动距离d、k均取11，训练集最小数据量设置为320。使用四个波段的光谱值建立多元高斯分布，强阈值εs取0.03，弱阈值εw取0.1，分别作为判定异常的阈值对影像进行两次异常检测。在后处理操作中，同样使用半径为1的圆作为结构元素，对异常检测结果进行开运算操作，在原始检测结果中保留开运算后依然存在异常的区域，滤波去除面积小于设定值10的异常区域，填充孔洞、获取检测出的异常区域边界并输出，得到的结果如图5(e)所示。由图可知，三处模拟异常均被较好地检测出来，由于异常区域与正常水质的光谱差异较大，因此检出率较高。
与河段1的检测结果类似，图5(b)-(d)分别为使用二维滑动窗和其他异常检测方法得到的对比检测结果，阈值设置也与河段1相同。因为第三波段光谱值对废水污染和水体富营养化的灵敏度不如泥沙污染高，因此(b)的检测结果具有较高的漏报率。四种方法的检测效果对比见表3，由表3可以得出与河段1检测结果相同的结论。
表3河段2各方法异常检测效果
以上阐述的是本发明给出的实例，实验结果体现了本发明所提出的技术方案对于河段1和河段2中的河道水质空间异常的检测结果。需要指出的是，本发明不只限于上述实例，对于其他河道水质空间异常，采用本发明的技术方案也能给出很好的检测效果。

Claims (5)

1.一种基于多光谱遥感影像的河道水质空间异常区域检测方法，其特征在于，包括以下步骤：
S1.对多光谱遥感影像进行预处理；
输入原始遥感影像数据，依次进行辐射定标、大气校正、几何校正、影像融合操作得到校正后的遥感影像数据，然后提取水体部分；
S2.水质空间异常区域检测；
确定初始训练集区域，分别使用二维滑动窗和基于多元高斯分布的异常检测算法检测河道中的水质空间区域有无异常，其中在多元高斯分布的异常判定中分别应用弱阈值和强阈值进行两次检测；
S3.对检测结果进行形态学后处理并输出检测结果；
对于使用强阈值得到的检测结果，使用图像处理中的形态学方法对检测结果进行去噪处理，将所得结果与弱阈值检测结果融合形成双阈值检测结果，然后获取异常区域边界并输出河道水质异常区域检测结果。
2.根据权利要求1所述的方法，其特征在于，所述的S1步骤中，预处理包括以下步骤：
(2.1)辐射定标
将影像的DN(Digital Number)值转为相应的辐射亮度值，转换公式如式(1)所示：
Lε(λε)＝(DN+Bias)*Gain (1)
式(1)中，Lε(λε)为中心波长为λε的波段转换后辐射亮度值，DN值为卫星载荷观测值，Bias代表定标截距，Gain代表定标斜率；
(2.2)大气校正
去除或减少大气分子和气溶胶对水质遥感信息的影响，根据研究区域的特点选择大气模型以及区域类型，结合卫星的波谱响应函数、轨道高度、拍摄时间参数使用FLAASH校正模型进行大气校正；
(2.3)几何校正
使用地理信息准确的标准影像作为基准图像，纠正遥感影像在真实地理位置上存在的误差，在待校正影像和基准影像上人工选择15～20个均匀分布的同名地面控制点，调节单点定位(RMS)误差小于1个像元大小，使用二次多项式校正模型和三次卷积内插重采样法方法进行几何校正；
(2.4)影像融合
对多光谱影像和全色影像进行影像融合，得到空间分辨率更高的多光谱遥感影像；
(2.5)水体提取
在进行异常检测之前对多光谱影像中的河道区域进行提取，后续检测步骤针对提取后的水体部分进行。
3.根据权利要求1所述的方法，其特征在于，所述的S2步骤中，使用二维滑动窗进行异常检测包括以下步骤：
(3.1)确定训练集区域大小l×h及滑动距离d、k，以河道水流方向为一级滑动方向、横截面为次级滑动方向进行异常检测；
(3.2)选定初始训练集区域
对于不同时相的遥感影像一致性较高的情况，使用历史正常数据作为初始训练集；使用单时相影像进行异常检测时，根据异常区域在影像中占比较少的前提，使用基于整体数据的高斯分布或基于密度方法确定初始训练集区域；
(3.3)初始训练集待检测区域，第一行依次使用左侧l×h区域中的正常数据作为训练集，对其右侧d×h的区域进行异常检测，检测窗口从左至右滑动，即次级滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集；
(3.4)第二行开始依次使用上方l×h区域中的正常数据作为训练集，对其下方l×k的区域进行异常检测，检测窗口从左至右滑动，即次级滑动，每次滑动d，随着滑动窗的滑动更新训练集和测试集；当一行检测结束后检测窗口从上至下滑动k并回到最左侧继续下一行的检测，即一级滑动；
(3.5)保证训练集具有足够数据量
初始训练集的待检测区域，对最左侧区域进行检测时，当训练集数据不足时，补充加入上方区域正常样本到当前区域训练集中，还不足时再补充加入上方区域的训练集样本到当前区域训练集中；对非最左侧区域进行检测时，当训练集数据不足时，补充加入左侧区域正常样本到当前区域训练集中，还不足时再补充加入左侧区域的训练集样本到当前区域训练集中，以保证根据训练集的数据能够较好地建立分布模型。
4.根据权利要求1所述的方法，其特征在于，所述的S2步骤中，基于多元高斯分布的双阈值异常检测算法包含以下内容：
当使用基于多元高斯分布的异常检测时，对于给定的m×n维的训练集，将其看作服从n维高斯分布；通过对m个训练样本的分布分析，对多元高斯分布的均值μ和协方差矩阵∑进行参数估计，得到概率密度函数p(x)，计算公式如下：
上式中，m为训练样本数，x(i)为第i个样本的特征向量，μ为多元高斯分布的均值向量，∑为协方差矩阵，p(x)为概率密度函数；
p(x)越大，其对应的概率密度越高，对应的样本是异常的可能性越小；p(x)越小，其对应的概率密度越低，对应的样本是异常的可能性越大；对于新的测试样本，根据其在多元高斯分布上算出的概率密度及阈值ε判断是否为异常点，即当p(x)＜ε时将该点判定为异常，当p(x)≥ε时判定为正常；
设定弱阈值εw和强阈值εs两个阈值(εw＞εs)，分别作为判定异常的阈值对影像进行两次异常检测；为了使训练集样本更具有代表性，在两次检测中更新训练集时均使用弱阈值εw作为划分训练集的阈值；两次检测结果中，使用弱阈值εw检测出的异常点相对较多，使用强阈值εs检测出的异常点相对较少，保留强阈值异常点及与其连通的弱阈值异常点区域作为异常检测的结果；其中，强阈值εs检测出的异常点作为高可信度点，有助于降低误报率；而弱阈值εw检测出的异常点可以有效地补充异常边缘的细节，有助于提高检出率。
5.根据权利要求1所述的方法，其特征在于，所述S3步骤中形态学后处理的主要流程为：
对异常检测结果进行开运算操作，即先腐蚀后膨胀，以消除纤细区域和小区域；在原始检测结果中保留开运算后依然存在异常的区域；滤波去除面积小于设定值的异常区域，即噪声等造成的异常；填充孔洞、获取检测出的异常区域边界并输出。
CN201811181324.4A 2018-10-11 2018-10-11 基于多光谱遥感影像的河道水质空间异常区域检测方法 Active CN109523510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811181324.4A CN109523510B (zh) 2018-10-11 2018-10-11 基于多光谱遥感影像的河道水质空间异常区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811181324.4A CN109523510B (zh) 2018-10-11 2018-10-11 基于多光谱遥感影像的河道水质空间异常区域检测方法

Publications (2)

Publication Number Publication Date
CN109523510A true CN109523510A (zh) 2019-03-26
CN109523510B CN109523510B (zh) 2021-05-04

Family

ID=65770129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811181324.4A Active CN109523510B (zh) 2018-10-11 2018-10-11 基于多光谱遥感影像的河道水质空间异常区域检测方法

Country Status (1)

Country Link
CN (1) CN109523510B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080651A (zh) * 2019-12-12 2020-04-28 西南科技大学 基于水流分割的石油钻井污染气体自动监测方法
CN112001291A (zh) * 2020-08-18 2020-11-27 三亚中科遥感研究所 洪积扇砾石分布区主河道快速提取的方法与系统
CN113627322A (zh) * 2021-08-09 2021-11-09 台州市污染防治工程技术中心 一种用于剔除异常点的方法、系统及电子设备
CN114487283A (zh) * 2021-12-31 2022-05-13 武汉怡特环保科技有限公司 一种空气质量监测系统的远程智能诊断和运维方法及系统
CN114527249A (zh) * 2022-01-17 2022-05-24 南方海洋科学与工程广东省实验室(广州) 一种水质监测数据质量控制方法及系统
CN115389439A (zh) * 2022-10-28 2022-11-25 湖南长理尚洋科技有限公司 基于大数据的河流污染物监测方法及系统
CN116186547A (zh) * 2023-04-27 2023-05-30 深圳市广汇源环境水务有限公司 一种环境水务监测采样异常数据快速识别方法
CN118135427A (zh) * 2024-05-08 2024-06-04 常州市星图测绘科技有限公司 基于高分辨率时间序列卫星遥感的水质检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110096999A1 (en) * 2008-04-28 2011-04-28 Base Systems plc Image processing
CN104408705A (zh) * 2014-09-23 2015-03-11 西安电子科技大学 一种高光谱图像的异常检测方法
CN108169142A (zh) * 2017-12-20 2018-06-15 环境保护部卫星环境应用中心 基于遥感影像的水色异常快速定位方法和装置
US10055648B1 (en) * 2015-04-16 2018-08-21 Bae Systems Information And Electronic Systems Integration Inc. Detection, classification, and tracking of surface contacts for maritime assets

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110096999A1 (en) * 2008-04-28 2011-04-28 Base Systems plc Image processing
CN104408705A (zh) * 2014-09-23 2015-03-11 西安电子科技大学 一种高光谱图像的异常检测方法
US10055648B1 (en) * 2015-04-16 2018-08-21 Bae Systems Information And Electronic Systems Integration Inc. Detection, classification, and tracking of surface contacts for maritime assets
CN108169142A (zh) * 2017-12-20 2018-06-15 环境保护部卫星环境应用中心 基于遥感影像的水色异常快速定位方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JOS´ EA.MALPICA ET AL.: "A projection pursuit algorithm for anomaly detection in hyperspectral imagery", 《PATTERN RECOGNITION》 *
TIMOTHY E. SMETEK ET AL.: "Finding Hyperspectral Anomalies Using Multivariate Outlier Detection", 《2007 IEEE AEROSPACE CONFERENCE》 *
刘佳彬: "基于稀疏表示的高光谱图像分类和异常检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080651A (zh) * 2019-12-12 2020-04-28 西南科技大学 基于水流分割的石油钻井污染气体自动监测方法
CN112001291A (zh) * 2020-08-18 2020-11-27 三亚中科遥感研究所 洪积扇砾石分布区主河道快速提取的方法与系统
CN112001291B (zh) * 2020-08-18 2024-04-09 三亚中科遥感研究所 洪积扇砾石分布区主河道快速提取的方法与系统
CN113627322A (zh) * 2021-08-09 2021-11-09 台州市污染防治工程技术中心 一种用于剔除异常点的方法、系统及电子设备
CN114487283A (zh) * 2021-12-31 2022-05-13 武汉怡特环保科技有限公司 一种空气质量监测系统的远程智能诊断和运维方法及系统
CN114487283B (zh) * 2021-12-31 2024-01-30 武汉怡特环保科技有限公司 一种空气质量监测系统的远程智能诊断和运维方法及系统
CN114527249A (zh) * 2022-01-17 2022-05-24 南方海洋科学与工程广东省实验室(广州) 一种水质监测数据质量控制方法及系统
CN114527249B (zh) * 2022-01-17 2024-03-19 南方海洋科学与工程广东省实验室(广州) 一种水质监测数据质量控制方法及系统
CN115389439A (zh) * 2022-10-28 2022-11-25 湖南长理尚洋科技有限公司 基于大数据的河流污染物监测方法及系统
CN116186547A (zh) * 2023-04-27 2023-05-30 深圳市广汇源环境水务有限公司 一种环境水务监测采样异常数据快速识别方法
CN118135427A (zh) * 2024-05-08 2024-06-04 常州市星图测绘科技有限公司 基于高分辨率时间序列卫星遥感的水质检测方法及系统

Also Published As

Publication number Publication date
CN109523510B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN109523510A (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
Lymburner et al. Landsat 8: Providing continuity and increased precision for measuring multi-decadal time series of total suspended matter
Freitas et al. The performance of the IMERG satellite-based product in identifying sub-daily rainfall events and their properties
Kiefer et al. Application of remote sensing for the optimization of in-situ sampling for monitoring of phytoplankton abundance in a large lake
Ouma et al. A water index for rapid mapping of shoreline changes of five East African Rift Valley lakes: an empirical analysis using Landsat TM and ETM+ data
Hu et al. Atmospheric correction of SeaWiFS imagery over turbid coastal waters: a practical method
Odermatt et al. Chlorophyll retrieval with MERIS Case-2-Regional in perialpine lakes
Brooks et al. A satellite-based multi-temporal assessment of the extent of nuisance Cladophora and related submerged aquatic vegetation for the Laurentian Great Lakes
Shahzad et al. Empirical estimation of suspended solids concentration in the Indus Delta Region using Landsat-7 ETM+ imagery
Choi et al. Quantitative estimation of intertidal sediment characteristics using remote sensing and GIS
Proud et al. Rapid response flood detection using the MSG geostationary satellite
Zhou et al. Remotely sensed water turbidity dynamics and its potential driving factors in Wuhan, an urbanizing city of China
Caballero et al. On the use of Sentinel-2 satellites and lidar surveys for the change detection of shallow bathymetry: The case study of North Carolina inlets
Panthou et al. Characterising the space–time structure of rainfall in the Sahel with a view to estimating IDAF curves
CN107230197B (zh) 基于卫星云图和rvm的热带气旋客观定强方法
CN109635249B (zh) 水体浊度反演模型建立方法、检测方法及装置
Ye et al. Atmospheric correction of Landsat-8/OLI imagery in turbid estuarine waters: A case study for the Pearl River estuary
Zhong et al. Application of the Doppler weather radar in real-time quality control of hourly gauge precipitation in eastern China
CN113281749A (zh) 一种顾及同质性的时序InSAR高相干点选取方法
Hariyanto et al. Development of total suspended sediment model using Landsat-8 OLI and in-situ data at the Surabaya Coast, East Java, Indonesia
Berezowski et al. Flooding extent mapping for synthetic aperture radar time series using river gauge observations
CN117423002A (zh) 一种基于dem的小尺度潮滩图像处理方法
Ardakani et al. Monitoring of organic matter and soil salinity by using IRS-LissIII satellite data in the Harat plain, of Yazd province
Oleschko et al. Weathering: toward a fractal quantifying
CN112229771B (zh) 基于悬浮物示踪的江水倒灌入湖遥感监测方法

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