CN109544558B - 一种城市复杂环境下阴影与水体分离方法 - Google Patents
一种城市复杂环境下阴影与水体分离方法 Download PDFInfo
- Publication number
- CN109544558B CN109544558B CN201811132634.7A CN201811132634A CN109544558B CN 109544558 B CN109544558 B CN 109544558B CN 201811132634 A CN201811132634 A CN 201811132634A CN 109544558 B CN109544558 B CN 109544558B
- Authority
- CN
- China
- Prior art keywords
- pixel
- water body
- shadow
- value
- training set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种城市复杂环境下水体与阴影的区分方法,包括如下步骤:获取水体和阴影像元样本训练集S′;人工选取影像上目视解译为水体和阴影,且具有代表性的像元样本各m个组成训练集S′,记录每个像元样本蓝波段、绿波段、红波段以及近红外波段这四个波段的灰度值;获得训练集S′的增强型阴影水体指数ESWI值集合S″;遍历训练集S′中的像元p,使用增强型阴影水体指数模型计算p所对应的ESWI值放入集合S″中;利用迭代最佳阈值法求得分割集合S″的分割阈值N;遍历像元集合S并进行计算,将S中所有Ep值小于N的像元p标记为水体像元,反之标记为阴影像元。本发明可以有效解决在城市复杂环境下常用水体分类模型无法有效区分水体和阴影的问题,提高城市水体提取精度。
Description
技术领域
本发明主要涉及城市复杂环境下水体提取后分离阴影的方法,包含构建增强型阴影水体指数模型以及自适应阈值选取方案。
背景资料
城市中的水体作为自然与人为信息的综合体,是遥感对地观测研究的重要组成部分。利用遥感数据提取城市水体信息,可以在水资源调查、城市规划、城市生态监测以及洪涝灾害灾情评估方面发挥极其重要的作用。因此,如何精确进行城市水体的提取是目前遥感研究的热点之一[1]。
高分影像成像过程中,存在大量因阳光被城市中的建筑物、高大树木等地物遮挡而产生的阴影。由于水体同阴影在光谱特征上存在较高的相似性,在城市这样的复杂环境进行水体提取时,混杂阴影的问题难以避免,造成提取精度的下降。如附图1所示,阴影和水体在各波段上灰度值基本一致,分离难度较大。因此,研究阴影和水体的区分方法具有重要意义。
针对水体光谱特征与阴影相似造成两者难以区分的问题,陈文倩[2]等根据GF-1影像提供的4个波段构建阴影水体指数SWI:
SWI=B1+B2-B4 (1)
其中B1、B2、B4分别表示GF-1影像蓝波段、绿波段以及近红外波段灰度值,配合决策树实现水体与阴影的分离;姚华琴[3]等针对QuickBird影像提出了基于主成分变换和多波段运算相结合的阴影检测方法,利用多峰直方图特征对阴影进行自动检测,并设计形态滤波器对检测结果进行后处理以提取阴影部分;李存军[4]等发现阴影对相对偏差这一评价指标敏感的特性,构造了相对差异指数以增强阴影信息,然后通过阈值法将影像分为可能阴影区和非阴影区,最后根据标准差通过区域滤波去除水体中可能的阴影。上述方案都一定程度上实现了水体与混杂阴影的区分,但也存在限制条件:陈的方法更适合区分山地区域的水体和阴影;姚的检测模型主要针对城市高大地物构建,对细小阴影区域处理不够;李的方案获得高精度的前提条件为影像获取时太阳照射足够强烈。所以,需要实现一种更具有泛化能力的、更适应城市复杂环境的水体与阴影区分方案,从而提升城市水体提取的精度。
发明内容
本发明要克服现有技术的上述缺点,提供一种城市复杂环境下水体与阴影的区分方法。
本发明包含构建增强型阴影水体指数模型以及自适应阈值选取方案。本发明能有效分离城市水体提取结果中混杂的阴影,提高提取精度,并具有更好的泛化能力。
为实现上述目的,本发明在使用目前常用的水体分类模型对影像进行提取,初步得到包含水体以及类水体像元集合S的基础上,采用以下技术方案:
一种城市复杂环境下水体与阴影的区分方法,包括如下步骤:
步骤一:获取水体和阴影像元样本训练集S′;人工选取影像上目视解译为水体和阴影,且具有代表性的像元样本各m个组成训练集S′,记录每个像元样本蓝波段、绿波段、红波段以及近红外波段这四个波段的灰度值,分别用B1、B2、B3和B4来表示;
步骤二:获得训练集S′的增强型阴影水体指数ESWI值集合S″;遍历训练集S′中的像元p,使用增强型阴影水体指数模型计算p所对应的ESWI值Ep:
放入集合S″中;
实验表明,阴影像元B1-B2差值运算的结果与水体像元存在较明显的差异,比值计算和B4乘积运算则进一步强化了差异。因此增强型阴影水体指数模型可以有效实现水体和混杂阴影像元的分离。
步骤三:利用迭代最佳阈值法求得分割集合S″的分割阈值N,具体步骤如下:
S31:对集合S″取初始分割阈值N0:
其中Ep表示当前参与计算的像元p的ESWI值,|S″|表示集合S″中元素的个数,初始分割阈值N0的上标表示迭代次数;
S32:根据分割阈值N0将训练集S′划分成水体像元集合和阴影像元集合即将Ep值大于N0的像元p放入集合Ep值小于或等于N0的像元p放入集合分别求出两个集合的平均Ep值和(符号和的上标均表示迭代次数):
使用N1来重新划分训练集S′;
步骤四:遍历像元集合S并进行计算,将S中所有Ep值小于N的像元p标记为水体像元,反之标记为阴影像元,从而实现从水体提取结果中分离阴影的目的。
相比于阴影水体指数(SWI),增强型阴影水体指数使得水体和阴影像元具有更强的区分度(如附图3所示),配合迭代最佳阈值法可以将两者进行有效的分离。在水体分类模型对遥感影像提取水体的基础上使用本发明,可显著提升提取的精度。
本发明的技术构思为:本发明提供一种城市复杂环境下水体与阴影的区分方法,主要包含构建增强型阴影水体指数模型以及自适应阈值选取方案。基于少量样本构建增强型阴影水体指数模型,并通过迭代最佳阈值法得到分割阈值分离提取结果中混杂在水体中的阴影。实验表明本方法可以有效解决在城市复杂环境下常用水体分类模型无法有效区分水体和阴影的问题,提高了城市水体提取精度。
本发明的有益效果主要表现在:发展了一种增强型阴影水体指数,通过自适应阈值选择区分水体和阴影,更为智能方便,节约人力物力。
附图说明
图1是阴影与水体光谱特征示意图。
图2是本发明的迭代最佳阈值法流程图。
图3是本发明的阴影与水体像元分布散点图。
图4是本发明的实验影像图。
图5a~图5b是粗提取效果和使用本发明效果对比图,其中图5a为粗提取效果,图5b为使用本发明的效果图。
具体实施方案
参照附图,本发明是一种城市复杂环境下水体与阴影的区分方法,在使用常用水体分类模型进行城市水体提取得到类水体集合S的基础上,较好地分离提取结果中的阴影,提升提取精度。具体方法如下:
步骤一:获取水体和阴影像元样本训练集S′。人工选取实验影像上目视解译为水体和阴影,且具有代表性的像元样本各m个组成训练集S′。实验中m的取值为100。记录每个像元样本蓝波段、绿波段、红波段以及近红外波段这四个波段的灰度值,分别用B1、B2、B3和B4来表示;
步骤二:获得训练集S′的增强型阴影水体指数(ESWI)值集合S″。遍历训练集S′中的像元p,使用增强型阴影水体指数模型计算p所对应的ESWI值Ep:
放入集合S″中;
步骤三:利用迭代最佳阈值法求得分割集合S″的分割阈值N,具体步骤如下:
S31:对集合S″取初始分割阈值N0:
其中Ep表示当前参与计算的像元p的ESWI值,|S″|表示集合S″中像元的个数,初始分割阈值N0的上标表示迭代次数。
S32:根据分割阈值N0将训练集S′划分成水体像元集合和阴影像元集合即将Ep值大于N0的像元p放入集合Ep值小于或等于N0的像元p放入集合分别求出两个集合的平均Ep值和(符号和的上标均表示迭代次数):
使用N1来重新划分训练集S′;
步骤四:遍历像元集合S并计算,将S中所有Ep值小于N的像元p标记为水体像元,反之标记为阴影像元,从而实现从水体粗提取结果中分离阴影的目的。
选取一幅国产高分二号影像作为实验影像来说明本发明的有效性。高分二号卫星是我国高分计划发射的高分辨率对地观测卫星,能够提供可见光到近红外4个波段的数据、空间分辨率优于4m的多光谱影像,可作为高精度土地基础数据采集的影像数据源[5]。如附图4所示,实验影像为复杂城市环境,包含丰富地物类型,如建筑、林地、农田、道路、草地、河流等。首先使用基于支持向量机(SVM)的水体分类模型对实验影像进行水体提取,然后再使用本发明对提取结果进行精细化处理,效果如附图5所示,由于阴影和水体得到了很好的区分,所以由混杂阴影造成的水体误提部分明显减少,提取精度得到提升。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种城市复杂环境下水体与阴影的区分方法,包括以下步骤:
步骤一:获取水体和阴影像元样本训练集S′;人工选取影像上目视解译为水体和阴影,且具有代表性的像元样本各m个组成训练集S′,记录每个像元样本蓝波段、绿波段、红波段以及近红外波段这四个波段的灰度值,分别用来B1、B2、B3和B4来表示;
步骤二:获得训练集S′的增强型阴影水体指数ESWI值集合S″;遍历训练集S′中的像元p,使用增强型阴影水体指数模型计算p所对应的ESWI值Ep:
放入集合S″中;
步骤三:利用迭代最佳阈值法求得分割集合S″的分割阈值N,具体步骤如下:
S31:对集合S″取初始分割阈值N0:
其中Ep表示当前参与计算的像元p的ESWI值,|S″|表示集合S″中元素的个数,初始分割阈值N0的上标表示迭代次数;
使用N1来重新划分训练集S′;
步骤四:遍历像元集合S并进行计算,将S中所有Ep值小于N的像元p标记为水体像元,反之标记为阴影像元,从而实现从水体提取结果中分离阴影的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811132634.7A CN109544558B (zh) | 2018-09-27 | 2018-09-27 | 一种城市复杂环境下阴影与水体分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811132634.7A CN109544558B (zh) | 2018-09-27 | 2018-09-27 | 一种城市复杂环境下阴影与水体分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544558A CN109544558A (zh) | 2019-03-29 |
CN109544558B true CN109544558B (zh) | 2021-05-11 |
Family
ID=65841240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811132634.7A Active CN109544558B (zh) | 2018-09-27 | 2018-09-27 | 一种城市复杂环境下阴影与水体分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544558B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022341A (zh) * | 2016-05-03 | 2016-10-12 | 浙江海洋大学 | 高分辨率光学遥感图像灾后水体信息提取方法及系统 |
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9367743B1 (en) * | 2014-12-16 | 2016-06-14 | Vricon Systems Aktiebolag | Method and system for classifying a terrain type in an area |
-
2018
- 2018-09-27 CN CN201811132634.7A patent/CN109544558B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022341A (zh) * | 2016-05-03 | 2016-10-12 | 浙江海洋大学 | 高分辨率光学遥感图像灾后水体信息提取方法及系统 |
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
Non-Patent Citations (2)
Title |
---|
遥感影像水体提取研究综述;王航 秦奋;《测绘科学》;20180530;第43卷(第5期);全文 * |
高分影像复杂背景下的城市水体自动提取方法;王卫红 等;《计算机科学》;20191130;第46卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109544558A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN107103295B (zh) | 光学遥感影像云检测方法 | |
Chehata et al. | Object-based forest change detection using high resolution satellite images | |
Duan et al. | An index-based shadow extraction approach on high-resolution images | |
CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
CN109544558B (zh) | 一种城市复杂环境下阴影与水体分离方法 | |
CN107657246B (zh) | 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法 | |
CN104881659B (zh) | 一种不透水层的提取方法及装置 | |
Xie et al. | Object-oriented random forest classification for Enteromorpha prolifera detection with SAR images | |
Zhuang et al. | A Method for water body extraction based on the tasselled cap transformation from remote sensing images | |
Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
CN114092418A (zh) | 农田作物无人机影像的阴影检测方法 | |
Grigillo et al. | Classification based building detection from GeoEye-1 images | |
Huang et al. | Classification of very high spatial resolution imagery based on the fusion of edge and multispectral information | |
CN109359583B (zh) | 一种遥感影像中显著性面状特定目标提取方法 | |
Deng et al. | Tree crown recognition algorithm on high spatial resolution remote sensing imagery | |
Agarwal et al. | Integrating MSER into a fast ICA approach for improving building detection accuracy | |
Phong et al. | The Feasibility of Sentinel-2A and Landsat-8 Data in Rock Outcrop Extracting using Object-Based Oriented Classification-A Case Study in Mountainous Areas of Thua Thien Hue Province, Vietnam |
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 |