CN110443821B - 基于图像的水体检测方法及水体检测装置 - Google Patents
基于图像的水体检测方法及水体检测装置 Download PDFInfo
- Publication number
- CN110443821B CN110443821B CN201910614634.9A CN201910614634A CN110443821B CN 110443821 B CN110443821 B CN 110443821B CN 201910614634 A CN201910614634 A CN 201910614634A CN 110443821 B CN110443821 B CN 110443821B
- Authority
- CN
- China
- Prior art keywords
- pixel
- edge
- expansion
- water body
- detection
- 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
- G06T7/13—Edge 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
Abstract
本发明涉及一种基于图像的水体检测方法及水体检测装置,属于水域检测技术领域。该方法包括步骤:步骤2,根据像素点的RGB值,筛选出原始遥感图像中的像素均一区域;步骤3,在像素均一区域投放膨胀点,且随着膨胀点的扩大融合,形成一个覆盖全部水体区域的最终膨胀点;步骤4,对原始遥感图像进行边缘检测,找到所有边缘线,并对边缘线的缺口进行填补;步骤5,根据边缘检测得到的边缘线确定像素均一区域的边缘线,将最终膨胀点的边缘线与像素均一区域的边缘线进行重合检验,若检验通过,则输出水体区域边界,若未通过检验,则返回步骤2。通过本发明方法及装置,可以提高水体检测的准确度。
Description
技术领域
本申请涉及水域检测技术领域,特别涉及一种基于图像的水体检测方法及水体检测装置。
背景技术
水体检测具有重要意义,例如在水体储量调查中需要测量水域面积,在山地地震勘探中,地质勘探人员往往会部署地震测线来确定炮点的位置,在选址时需要避开道路、水体等障碍物,以提高地质资料的质量。传统的方法主要通过野外勘探的和人工判别,在中西部复杂地貌地区,这种方式会耗费大量精力和时间,有的地区踏勘分析所花费时间甚至比实际作业的时间还要长,并且测线部署的位置精度也很难保证。随着遥感技术手段的发展,使用遥感影像提取水体来进行相关应用,十分方便、高效。
在相关技术中,有些水体检测方法利用遥感影像并依赖于光谱特性,对于光学图像,存在同谱异物的问题,往往不能提取或者提取的精度较低,易产生非水体混淆。
发明内容
本发明的目的在于提供一种基于图像的水体检测方法及水体检测装置,以提高水体检测的精度。。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一种基于图像的水体检测方法,包括以下步骤:
步骤2,根据像素点的RGB值,筛选出原始遥感图像中的像素均一区域;
步骤3,在像素均一区域投放膨胀点,且随着膨胀点的扩大融合,形成一个覆盖全部水体区域的最终膨胀点;
步骤4,对原始遥感图像进行边缘检测,找到所有边缘线,并对边缘线的缺口进行填补;
步骤5,根据边缘检测得到的边缘线确定像素均一区域的边缘线,将最终膨胀点的边缘线与像素均一区域的边缘线进行重合检验,若检验通过,则输出水体区域边界,若未通过检验,则返回步骤2。
根据本发明实施例,所述根据像素点的RGB值,筛选出遥感图像中的像素均一区域的步骤,包括:
根据像素点的RGB值,将R、G、B的值分别在(10-20),(20-30)(40-50)范围的像素点被判断为疑似水体;
将遥感图像分成相等大小的区块,计算每个区块中疑似水体像素点所占比例,将疑似水体像素点所占比例大于等于设定值的区块保留,舍弃其他区块;
针对于保留下来的区块,依次划分设定大小的区域,计算每个区域中像素点的均一程度,将均一程度满足设定条件的区域确定为像素均一区域。
通过上述操作,可以筛选出像素均一的水体区域,可以排除森林以及大型建筑等的阴影干扰,提高水体检测的准确度。
根据本发明实施例,依次划分设定大小的区域,计算每个区域中像素点的均一程度,将均一程度满足设定条件的区域确定为像素均一区域的方法是:
针对于单个区域,随机抽取例如若干个像素点,均分为多组,分别计算每组中R、G、B的均值,每两组进行比较,求取两组间均值的差值,如有超出50%的比较结果满足差值小于等于阈值,则判断该区域为像素均一区域。
优选的,每次划分区域进行计算时,保持相邻区域具有重叠部分,以提高判断像素均一区域的准确度。
另一方面,本发明实施例提供了一种水体检测装置,包括以下模块:
均一区域筛选模块,用于根据像素点的RGB值,筛选出原始遥感图像中的像素均一区域;
融合模块,用于在像素均一区域投放膨胀点,且随着膨胀点的扩大融合,形成一个覆盖全部水体区域的最终膨胀点;
边缘检测模块,用于对原始遥感图像进行边缘检测,找到所有边缘线,并对边缘线的缺口进行填补;
检验模块,用于根据边缘检测得到的边缘线确定像素均一区域的边缘线,将最终膨胀点的边缘线与像素均一区域的边缘线进行重合检验,若检验通过,则输出水体区域边界。
本发明实施例还提供了一种包括计算机可读指令的计算机可读存储介质,所述计算机可读指令在被执行时使处理器执行所述程序时实现任一水体检测方法的步骤。
本发明实施例还提供了一种电子设备,所述的电子设备包括处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一水体检测方法的步骤。
与现有技术相比,本发明的有益效果:通过本发明方法及装置,可以降低非水体的干扰,提高水体检测的准确度。
附图说明
为了更清楚地说明本申请实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明实施提供的基于图像的水体检测方法的流程示意图;
图2为本发明实施提供的山西省太原市迎泽区某区域的遥感影像图;
图3为实施例中所述筛选原始遥感图像中的像素均一区域的流程图;
图4为图3中所示划分区域的示意图;
图5为图2经边缘线的缺口填补处理后的图像;
图6为膨胀点的膨胀示意图;
图7是图2的最终提取结果图;
图8为本实施例中水体检测装置的功能模块示意图;
图9为本发明实施例中提供的电子设备的结构示意图。
具体实施方式
为使本申请实施方式的目的、技术方案和优点更加清楚,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
因此,以下对在附图中提供的本申请的实施方式的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
实施例
请参阅图1,本实施例中提供的一种基于图像的水体检测方法,包括以下步骤:
步骤S1:使用中值滤波对获得的原始遥感影像进行滤波操作。
请参阅图2,图2示出了山西省太原市迎泽区某区域的遥感影像图。原始遥感影像中一般都存在较多的噪点,这些噪点会很大程度上影响水体的提取,因此需要对遥感影像进行滤波操作。此处选用中值滤波法,因为中值滤波的算法较为简单,处理速度也很快。例如定义一个1*5的模板进行滑动,能较好的处理噪点,使得周围的像素接近真实值,同时能够很好的保留边缘信息。
步骤S2:根据滤波后的遥感图像中,像素点的RGB值的均一程度,筛选出像素均一区域,像素均一区域即为水体区域。
具体地,请参阅图3,本步骤包括以下细分步骤:
步骤S21,根据实践分析,水体的R、G、B值分别在(10-20),(20-30)(40-50)之间,因此,此处将满足条件(R、G、B的值范围分别在(10-20),(20-30)(40-50)之间)的像素点均判断为疑似水体。
步骤S22,将滤波后的遥感图像分成相等大小的区块,计算疑似水体像素点所占比例,将疑似水体像素点所占比例大于等于设定值(如30%)的区块保留,参与下一步(即步骤S23)筛选,其他区块舍弃,不参与下一步筛选。
步骤S23,针对于步骤S22保留下来的区块,依次划分设定大小(例如15*15(小于区块的像素面积))的区域,计算像素点的均一程度,将均一程度满足设定条件的区域确定为像素均一区域。
具体地,针对于单个区域,随机抽取例如100个像素点,均分为四组,每组25个像素点,分别计算每组中R、G、B的均值,即(R1+R2+…R24+R25)/25,(G1+G2+…G24+G25)/25,(B1+B2+…B24+B25)/25,每两组进行比较,求取两组间均值的差值,四组比较完后会得到18个比较结果,如有大于50%(如10组及以上)满足差值小于等于阈值(例如10),即可判断该区域为像素均一区域,像素均一区域即被选定为水体区域。
每次划分区域进行计算时,保持相邻区域具有重叠部分,以提高判断像素均一区域的准确度。例如后一个区域的起点为前一个区域的7(针对于15*15的区域而言,7近似为15的中位数靠左一点,能以较高重叠度包括区块的所有区域,选择7相比其他能提高判断均一区域的准确度和包容性)列(或行)。例如图4所示,若区域1和2均被判断为像素均一区域,区域3判断为非均一区域,那么区域1和2的部分为像素均一区域。又例如,若区域1和3判断为像素均一区域,区域2为非均一区域,那么区域1和3的部分(即区域1+2+3)都为像素均一区域。划定像素均一区域是为了大致确定水体的位置,而不是准确判断水体的边界,因此应该是尽量包含可能区域,即区域1和3的部分都为像素均一区域,以此降低后期收敛的难度。
如果遥感影像中包含大量的森林或者在城市区域,森林以及高楼的阴影有可能被判断为水体,因此需要进行像素均一的判断。经大量的测试证明,通过本步骤S2的上述操作,可以筛选出像素均一的水体区域,进行标记,且可以排除森林以及大型建筑的阴影干扰。
步骤S3:使用Canny算子对滤波后遥感图像进行边缘检测,找到所有边缘线,并对边缘线的缺口进行填补。Canny算子提取边缘线后,可以将边缘点的像素标记为0,非边缘点像素标记为255。遍历每一个边缘点,对其8邻域进行追踪,找到像素为0的点,再在其8邻域进行下一步追踪,直到找不到像素为0的点为止。如此下去找到每一条边缘线。再对该边缘线取其前后端点在其8邻域正方形边界寻找边缘点,若有则填满边缘线上所有的点,请参阅图5,图5是图2所示遥感影像经边缘线的缺口填补处理后的图像。
步骤S4:在像素均一区域投放膨胀点,且随着膨胀点的扩大融合,形成一个覆盖全部水体区域的最终膨胀点。
经过步骤S2筛选,可以得到水体所在的大致位置。在该区域(即步骤S2筛选出的所有均一区域统一后形成的范围)内均匀投放膨胀点,例如每11*11(没有具体要求,经过实验选定的11,设置更小也可以,效果会更好,但是会处理很慢,设置更大也可以,只是过大可能导致提取不完全)的范围内投放一个膨胀点。膨胀点定义为起初是一个非常小的圆圈,膨胀点的边缘会根据提前设定的算法(如后面所述的能量函数E(c)),进行各个方向的扩张,并达到设定条件(如后面所述的E1、或E2为最小值)时停止扩张,达到稳定状态。
本实施例中,每个膨胀点的能量函数E(c)由两大部分构成。第一个部分是膨胀点中心与水体边缘的能量函数E1,膨胀点中心的位置在建立膨胀点后保持不变,直到与另一个膨胀点融合后被取代或保持(例如两个相遇,囊括范围大的被取代,小的保留);第二部分是主膨胀点的中心与次膨胀点中心连线与次膨胀点边缘的能量函数E2。即E(c)=E1+k2E2,k2的作用是削弱主膨胀点与次膨胀点的融合速度,使得主膨胀点在与次膨胀点融合前尽可能的贴合水体边缘,以防融合之后无法探测到边界。融合时中心点消失的规则是计算膨胀边界大的保留。其中,每一个膨胀点都是主膨胀点,又是其他膨胀点的次膨胀点。
能量函数E1的作用是使得主膨胀点向离自己最近的水体边界扩张。以主膨胀点为中心,在半径为r范围内搜寻像素均一区域的边界线,或其他膨胀点的边界,搜索到时,膨胀点的边界朝着边界线的边缘根据能量函数E1向边界线移动,直到贴近边界线或者被其他膨胀点取代;若没有搜寻到边界线的方向则不进行扩张。其中r的大小为15*15的领域(范围)。图6为膨胀点的膨胀示意图,图6中,正方形虚线框表示15*15的领域,长的弧形粗实线表示水体边界,短的弧形粗实线表示主膨胀点的部分边界,箭头标示膨胀方向,邻近水体边界的黑点表示探测到的水体边界的坐标点I3,圆圈表示主膨胀点,圆圈的圆心表示主膨胀点的中心坐标I1。I1(x1,y1)为主膨胀点的中心坐标,只有一个,I2(x2,y2)为主膨胀点部分边界的坐标,有很多,I3(x3,y3)为在15*15范围内探测到的水体边界的坐标,有很多。膨胀方向就是中心坐标连线。
能量函数E1由一个膨胀力以及约束力和水体边缘的吸引力构成。其中膨胀力和约束力能保证膨胀点边缘以较快的速度以及精准地向水体边缘靠近,而吸引力可以使得膨胀点边缘准确贴近水体边缘以及填满凹陷边缘。三个力随着膨胀点而不断调整,以防步长过大越出边界。
其中,I1(x1,y1)为主膨胀点的中心坐标,为一小段水体(膨胀点)边界点的坐标均值,m为主膨胀点部分边界的坐标的个数,n为在15*15范围内探测到的水体边界的坐标的个数,为次膨胀点与主膨胀点中心连线与主(次)膨胀点边界交点的一小段边界点的均值,为次膨胀点与主膨胀点中心连线与探测到的水体边界交点的一小段边界点的均值,α1(a),β1(a),γ1(a)根据上一步移动时计算出的参数(第一次移动需要设置初值,均为1,之后的每一次迭代,α以及γ变小,β变大)。第一部分为膨胀力,根据中心点与水体边界算出,第二部分为约束力,由膨胀中心点与膨胀点边界算出,第三部分为吸引力,由膨胀点边界与水体边界算出。当E1最小时,停止膨胀。
能量函数E2的作用是使得主膨胀点向自己周围的次膨胀点扩张,直到融合为一个膨胀点。同样包含一个内部膨胀力以及外部的约束力和次膨胀点边缘的吸引力构成。
其中,α2(a),β2(a)为根据上一步移动时计算出的参数,α以及β的初值都为1在之后的每一次迭代中α2(a)变小,β2(a)变大。上式中,第一部分为吸引力,根据主膨胀点中心点与次膨胀点中心点算出,第二部分也为吸引力,由主膨胀点边界与次膨胀点边界算出。当E2最小时,停止膨胀。
最终随着膨胀点的扩大融合,会形成一个覆盖全部水体区域的最终膨胀点。只要有一个膨胀点没有融合,则重复本步骤S4。
步骤S5:根据边缘检测得到的边缘线确定像素均一区域的边缘线,将最终膨胀点的边缘线与像素均一区域的边缘线进行重合检验,验证水体区域,请参阅图7,图7是图2所示遥感影像的最终提取结果图。
具体的,先以像素均一区域位置进行7*7扩展(扩展只用于判定边缘线,投放膨胀点仍然使用初始的判定范围),判断边缘检测得到的某些边缘线是否为像素均一区域边缘线,包含进来的边缘线就是像素均一区域的边缘线。然后再将最终膨胀点的边缘线与判断为像素均一区域边缘线进行重合检验,检验的方法是随机抽选膨胀点边缘的像素点进行5*5邻域的搜索,搜索到像素均一区域的边缘线即可,抽选数量不低于60%,抽选的像素点中,若有80%的像素点搜索到像素均一区域的边缘线即通过检验。若未通过检验,返回步骤S2;若通过检验,输出提取出的水体区域边界,最终输出的水体区域边界是膨胀点的边界。
请参阅图8,本实施例中同时给出了一种水体检测装置,该装置包括以下模块:
滤波模块,用于对获得的原始遥感图像进行滤波操作,去除噪声;
均一区域筛选模块,用于根据像素点的RGB值,筛选出滤波后的遥感图像中的像素均一区域;
融合模块,用于在像素均一区域投放膨胀点,且随着膨胀点的扩大融合,形成一个覆盖全部水体区域的最终膨胀点;
边缘检测模块,用于对滤波后的遥感图像进行边缘检测,找到所有边缘线,并对边缘线的缺口进行填补;
检验模块,用于根据边缘检测得到的边缘线确定像素均一区域的边缘线,将最终膨胀点的边缘线与像素均一区域的边缘线进行重合检验,若检验通过,则输出水体区域边界。
本水体检测装置是基于前述水体检测方法的相同发明构思而提出的,因此上述各个模块的具体执行过程可以参见前述水体检测方法中的相应描述,为节省篇幅,此处不再赘述。
如图9所示,本实施例同时提供了一种电子设备,该电子设备可以包括处理器51和存储器52,其中存储器52耦合至处理器51。值得注意的是,该图是示例性的,还可以使用其他类型的结构来补充或替代该结构,实现数据提取、图表重绘、通信或其他功能。
如图9所示,该电子设备还可以包括:输入单元53、显示单元54和电源55。值得注意的是,该电子设备也并不是必须要包括图6中显示的所有部件。此外,电子设备还可以包括图6中没有示出的部件,可以参考现有技术。
处理器51有时也称控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该处理器51接收输入并控制电子设备的各个部件的操作。
其中,存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种,可存储上述处理器51的配置信息、处理器51执行的指令、记录的图像数据等信息。处理器51可以执行存储器52存储的程序,以实现信息存储或处理等。在一个实施例中,存储器52中还包括缓冲存储器,即缓冲器,以存储中间信息。
输入单元53例如可以为文件读取装置,用于向处理器51提供待识别的道路图像。显示单元54用于显示水体检测过程中的处理图像,该显示单元例如可以为LCD显示器,但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令,其中当在电子设备中执行所述指令时,所述程序使得电子设备执行如图1所示的水体检测方法所包含的操作步骤,或者如图1所示方法中的一部分步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质,其中所述计算机可读指令使得电子设备执行如图1所示的水体检测方法所包含的操作步骤,或者如图1所示方法中的一部分步骤。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种基于图像的水体检测方法,其特征在于,包括以下步骤:
步骤2,根据像素点的RGB值,筛选出原始遥感图像中的像素均一区域;
其中,所述根据像素点的RGB值,筛选出遥感图像中的像素均一区域的步骤,包括:
根据像素点的RGB值,将R、G、B的值分别在(10-20),(20-30),(40-50)范围的像素点判断为疑似水体;
将遥感图像分成相等大小的区块,计算每个区块中疑似水体像素点所占比例,将疑似水体像素点所占比例大于等于设定值的区块保留,舍弃其他区块;
针对于保留下来的区块,依次划分设定大小的区域,计算每个区域中像素点的均一程度,将均一程度满足设定条件的区域确定为像素均一区域;
步骤3,在像素均一区域投放膨胀点,且随着膨胀点的扩大融合,形成一个覆盖全部水体区域的最终膨胀点;
步骤4,对原始遥感图像进行边缘检测,找到所有边缘线,并对边缘线的缺口进行填补;
步骤5,根据边缘检测得到的边缘线确定像素均一区域的边缘线,将最终膨胀点的边缘线与像素均一区域的边缘线进行重合检验,若检验通过,则输出水体区域边界,若未通过检验,则返回步骤2;
其中,所述步骤5中,判断是否通过检验的方法是:
随机抽选膨胀点边缘的像素点进行n*n邻域的搜索,搜索到像素均一区域的边缘线即可,抽选的像素点中,若有设定阈值的像素点搜索到像素均一区域的边缘线即通过检验。
2.根据权利要求1所述的方法,其特征在于,在步骤2之前,还包括步骤1,对获得的原始遥感图像进行滤波操作,去除噪声;
此时,步骤2则是对滤波后的遥感图像进行像素均一区域筛选,步骤4则是对滤波后的遥感图像进行边缘检测。
3.一种水体检测装置,其特征在于,包括以下模块:
均一区域筛选模块,用于根据像素点的RGB值,筛选出原始遥感图像中的像素均一区域,其中,所述根据像素点的RGB值,筛选出遥感图像中的像素均一区域的步骤,包括:
根据像素点的RGB值,将R、G、B的值分别在(10-20),(20-30),(40-50)范围的像素点判断为疑似水体;
将遥感图像分成相等大小的区块,计算每个区块中疑似水体像素点所占比例,将疑似水体像素点所占比例大于等于设定值的区块保留,舍弃其他区块;
针对于保留下来的区块,依次划分设定大小的区域,计算每个区域中像素点的均一程度,将均一程度满足设定条件的区域确定为像素均一区域;
融合模块,用于在像素均一区域投放膨胀点,且随着膨胀点的扩大融合,形成一个覆盖全部水体区域的最终膨胀点;
边缘检测模块,用于对原始遥感图像进行边缘检测,找到所有边缘线,并对边缘线的缺口进行填补;
检验模块,用于根据边缘检测得到的边缘线确定像素均一区域的边缘线,将最终膨胀点的边缘线与像素均一区域的边缘线进行重合检验,若检验通过,则输出水体区域边界;其中,判断是否通过检验的方法是:
随机抽选膨胀点边缘的像素点进行n*n邻域的搜索,搜索到像素均一区域的边缘线即可,抽选的像素点中,若有设定阈值的像素点搜索到像素均一区域的边缘线即通过检验。
4.根据权利要求3所述的装置,其特征在于,还包括滤波模块,用于对获得的原始遥感图像进行滤波操作,去除噪声。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-2任一所述方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-2任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614634.9A CN110443821B (zh) | 2019-07-09 | 2019-07-09 | 基于图像的水体检测方法及水体检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614634.9A CN110443821B (zh) | 2019-07-09 | 2019-07-09 | 基于图像的水体检测方法及水体检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443821A CN110443821A (zh) | 2019-11-12 |
CN110443821B true CN110443821B (zh) | 2023-05-05 |
Family
ID=68429964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614634.9A Active CN110443821B (zh) | 2019-07-09 | 2019-07-09 | 基于图像的水体检测方法及水体检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443821B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102288B (zh) * | 2020-09-15 | 2023-11-07 | 应急管理部大数据中心 | 水体识别和水体变化检测方法、装置、设备及介质 |
CN112396697B (zh) * | 2020-11-20 | 2022-12-06 | 上海莉莉丝网络科技有限公司 | 游戏地图内区域生成方法、系统及计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452530A (zh) * | 2008-12-25 | 2009-06-10 | 西安电子科技大学 | 基于灰度统计及区域编码的sar图像水域识别方法 |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
CN103020605A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 基于决策层融合的桥梁识别方法 |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN105374033A (zh) * | 2015-10-19 | 2016-03-02 | 西安电子科技大学 | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 |
CN105631903A (zh) * | 2015-12-24 | 2016-06-01 | 河海大学 | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 |
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 |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
US9569667B1 (en) * | 2015-05-04 | 2017-02-14 | Exelis Inc | Cloud resilient algorithm for coastline registration |
CN109359533A (zh) * | 2018-09-12 | 2019-02-19 | 浙江海洋大学 | 一种基于多波段遥感影像的海岸线提取方法 |
CN109410228A (zh) * | 2018-08-22 | 2019-03-01 | 南京理工大学 | 基于多尺度数学形态学特征融合的海洋内波检测算法 |
CN109508641A (zh) * | 2018-10-15 | 2019-03-22 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
-
2019
- 2019-07-09 CN CN201910614634.9A patent/CN110443821B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452530A (zh) * | 2008-12-25 | 2009-06-10 | 西安电子科技大学 | 基于灰度统计及区域编码的sar图像水域识别方法 |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
CN103020605A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 基于决策层融合的桥梁识别方法 |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
US9569667B1 (en) * | 2015-05-04 | 2017-02-14 | Exelis Inc | Cloud resilient algorithm for coastline registration |
CN105374033A (zh) * | 2015-10-19 | 2016-03-02 | 西安电子科技大学 | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 |
CN105631903A (zh) * | 2015-12-24 | 2016-06-01 | 河海大学 | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 |
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 |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
CN109410228A (zh) * | 2018-08-22 | 2019-03-01 | 南京理工大学 | 基于多尺度数学形态学特征融合的海洋内波检测算法 |
CN109359533A (zh) * | 2018-09-12 | 2019-02-19 | 浙江海洋大学 | 一种基于多波段遥感影像的海岸线提取方法 |
CN109508641A (zh) * | 2018-10-15 | 2019-03-22 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
Non-Patent Citations (3)
Title |
---|
"DEM Generation of Typical Mountain Area Based on InSAR Technology";Xiaojun Rao;《2011 IEEE International Conference on Spatial Data Mining and Geographical Knowledge Services 》;20110811;全文 * |
"基于Landsat-8OLI数据的青海湖水体边界自动提取";李生生等;《遥感技术与应用》;20180820;全文 * |
"形态学边缘检测和区域生长相结合的遥感图像水体分割";王小鹏等;《测绘科学技术学报》;20190430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110443821A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2694021C1 (ru) | Способ и устройство идентификации частей фрагментированного материала в пределах изображения | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN110443821B (zh) | 基于图像的水体检测方法及水体检测装置 | |
Truong-Hong et al. | Octree-based, automatic building facade generation from LiDAR data | |
US8811750B2 (en) | Apparatus and method for extracting edge in image | |
CN110346808B (zh) | 一种激光雷达的点云数据处理方法和系统 | |
CN108898148B (zh) | 一种数字图像角点检测方法、系统及计算机可读存储介质 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN104754327B (zh) | 一种检测及消除高光谱图像坏点的方法 | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
EP2510498A1 (en) | Geospatial modeling system providing enhanced foliage void region inpainting features and related methods | |
Bouganssa et al. | Laplacian edge detection algorithm for road signal images and FPGA implementation | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
KR101799143B1 (ko) | 타깃 사이즈를 추정하기 위한 시스템 및 방법 | |
CN110363863B (zh) | 一种神经网络的输入数据生成方法和系统 | |
Rau et al. | Lod generation for 3d polyhedral building model | |
CN115526855A (zh) | 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 | |
Zhong et al. | A fast and effective approach to generate true orthophoto in built‐up area | |
CN102385702A (zh) | 去除路面图像中刻槽的方法 | |
KR101255022B1 (ko) | 점군자료를 활용한 구조물 균열 검출방법 | |
JP6802944B1 (ja) | 検査支援装置、検査支援方法及びプログラム | |
JP5157575B2 (ja) | 欠陥検出方法 | |
WO2021003131A1 (en) | Adaptive lane detection systems and methods | |
CN107862238B (zh) | 一种基于局部纹理密度与散度的在轨飞机候选区筛选方法 |
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 |