CN110472697A - 一种基于迭代分类的水体识别方法及装置 - Google Patents

一种基于迭代分类的水体识别方法及装置 Download PDF

Info

Publication number
CN110472697A
CN110472697A CN201910779699.9A CN201910779699A CN110472697A CN 110472697 A CN110472697 A CN 110472697A CN 201910779699 A CN201910779699 A CN 201910779699A CN 110472697 A CN110472697 A CN 110472697A
Authority
CN
China
Prior art keywords
training sample
rule
water body
band
extracting rule
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
CN201910779699.9A
Other languages
English (en)
Other versions
CN110472697B (zh
Inventor
孙芳蒂
吴志峰
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN201910779699.9A priority Critical patent/CN110472697B/zh
Publication of CN110472697A publication Critical patent/CN110472697A/zh
Priority to JP2020139359A priority patent/JP6871658B2/ja
Application granted granted Critical
Publication of CN110472697B publication Critical patent/CN110472697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于迭代分类的水体识别方法，包括：S1、根据水体与非水体的光谱特性建立提取规则，并对规则中使用的不同波段设置阈值；S2、根据提取规则提取训练样本；S3、通过将训练样本与SVM分类器结合，对训练样本周围预设邻域范围的待分类像元进行分类，得到分类结果；S4、更新提取规则中的阈值，并根据更新后的提取规则对分类结果进行判断，得到更新后的训练样本；S5、重复步骤S3‑S4，直至没有新的训练样本生成，得到最终分类结果。本发明提供的一种基于迭代分类的水体识别方法，能够提高水体识别的准确性和可靠性，提高识别水体的工作效率。

Description

一种基于迭代分类的水体识别方法及装置
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种基于迭代分类的水体识别方法及装置。
背景技术
水资源不仅与人类的生产、生活息息相关，更关乎我国经济的可持续和稳定发展。随着人口基数的不断增加，分布极为不均匀的水资源使得我国水资源供需缺口急剧增大。因此，对水资源进行监测和识别，动态分析水资源状态变得尤为重要。
使用现有的技术进行水体识别，存在如下问题：
利用水体指数的方法，阈值的确定是关键，由于影像获取时具有不同的大气和光照条件，水体指数并不存在固定的阈值，实际操作时需要为每一景影像确定合适的阈值。更为关键的是，在利用水体指数提取水体时，以往研究通常没有考虑水体内部光谱特征的差异性，采用一刀切的方式，对某一景遥感影像中的水体采用统一阈值，容易造成不同水体类型的漏分和错分。
利用监督分类方法提取水体，需要建立分类系统、选取训练样本和分类器。广泛使用的有分类器Maximum Likelihood Classifier(MLC)、Support Vector Machine(SVM)、Random Forest，Classification and Regression Trees，K-Nearest Neighboralgorithm，Minimum Distance Classifier等(Ian et al.，2011)。虽然上述分类器具有很高的计算效率，分类的精度仍然很大程度地取决于样本的代表性、准确性和全备性。此方案要求各种地表覆盖类型的训练样本比较全备，且对样本选取人员的要求比较高。
非监督分类方法首先对遥感影像进行非监督分类，然后利用先验知识和辅助资料去除噪音，提取水体，过程较复杂，后期处理工作非常巨大。
发明内容
本发明实施例的目的是提供一种基于迭代分类的水体识别方法，根据水体和非水体的光谱特征建立提取规则，选取训练样本，与SVM结合，通过不断调整提取规则的阈值和迭代分类，实现水体的自动识别。该方案有利于提高水体识别的准确性和可靠性，能够有效提高识别水体的工作效率。
为实现上述目的，一方面，本发明的一个实施例提供了一种基于迭代分类的水体识别方法，至少包括以下步骤：
S1、根据水体与非水体的光谱特性建立提取规则，并对规则中使用的不同波段设置阈值；所述提取规则包括水体提取规则和非水体提取规则；所述水体提取规则包括第一类水体提取规则和第二类水体提取规则；
S2、根据所述提取规则提取训练样本；所述训练样本包括水体训练样本和非水体训练样本；
S3、通过将所述训练样本与SVM分类器结合，对所述训练样本周围预设邻域范围的待分类像元进行分类，得到分类结果；
S4、更新所述提取规则中的阈值，并根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本；
S5、重复步骤S3-S4，直至没有新的训练样本生成，得到最终分类结果。
进一步地，所述第一类水体的提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)，Band n为第n个波段的反射率，NDWI为归一化水体指数，MNDWI为修正的归一化水体指数；所述第二类水体的提取规则为：(Band 4)∩(Band 4<B)∩(Band 3>Band 5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope为数据值地物所处位置的坡度，NDVI为归一化植被指数NormalizedDifferenced Vegetation Index的缩写；所述非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)；所述A、B、C、D、E、F、G为不同波段反射率的阈值。
进一步地，所述训练样本周围3╳3邻域范围的像元为待分类像元。
进一步地，所述更新所述提取规则中的阈值，具体为：
对每一所述阈值增加或减少5％，形成新的初始阈值。
进一步地，所述根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本，具体为：
根据更新后的提取规则对所述分类结果进行判断，若符合更新后的水体提取规则，则加入水体训练样本；若符合更新后的非水体训练规则，则加入非水体训练样本，判断结束后得到更新后的训练样本。
另一方面，本发明的另一实施例提供了一种基于迭代分类的水体识别装置，包括规则建立模块、提取模块、分类模块、判断模块和迭代模块；
所述规则建立模块，用于根据水体与非水体的光谱特性建立提取规则，并对规则中使用的不同波段设置阈值；所述提取规则包括水体提取规则和非水体提取规则；所述水体提取规则包括第一类水体提取规则和第二类水体提取规则；
所述提取模块，用于根据所述提取规则提取训练样本；所述训练样本包括水体训练样本和非水体训练样本；
所述分类模块，用于通过将所述训练样本与SVM分类器结合，对所述训练样本周围预设邻域范围的待分类像元进行分类，得到分类结果；
所述判断模块，用于更新所述提取规则中的阈值，并根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本；
所述迭代模块，用于重复对训练样本进行分类得到分类结果以及根据分类结果得到新的训练样本，直至没有新的训练样本生成，得到最终分类结果。
进一步地，所述第一类水体的提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)，Band n为第n个波段的反射率，NDWI为归一化水体指数，MNDWI为修正的归一化水体指数；所述第二类水体的提取规则为：(Band 4)∩(Band 4<B)∩(Band 3>Band 5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope为数据值地物所处位置的坡度，NDVI为归一化植被指数NormalizedDifferenced Vegetation Index的缩写；所述非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)；所述A、B、C、D、E、F、G为不同波段反射率的阈值。
进一步地，所述训练样本周围3╳3邻域范围的像元为待分类像元。
进一步地，所述更新所述提取规则中的阈值，具体为：
对每一所述阈值增加或减少5％，形成新的初始阈值。
进一步地，所述根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本，具体为：根据更新后的提取规则对所述分类结果进行判断，若符合更新后的水体提取规则，则加入水体训练样本；若符合更新后的非水体训练规则，则加入非水体训练样本，判断结束后得到更新后的训练样本。
本发明实施例的目的是提供一种基于迭代分类的水体识别方法，根据水体和非水体的光谱特征建立提取规则，选取训练样本，与SVM结合，通过不断调整提取规则的阈值和迭代分类，实现水体的自动识别。该方案有利于提高水体识别的准确性和可靠性，能够有效提高识别水体的工作效率。
附图说明
图1是本发明提供的一种基于迭代分类的水体识别方法的流程示意图；
图2是本发明提供的一种基于迭代分类的水体与非水体的光谱特征图；
图3是本发明提供的一种基于迭代分类的水体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作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。
请参阅图1-2：
本发明的第一实施例。
本发明实施例提供的一种基于迭代分类的水体识别方法，至少包括以下步骤：
S1、根据水体与非水体的光谱特性建立提取规则，并对规则中使用的不同波段设置阈值；所述提取规则包括水体提取规则和非水体提取规则；所述水体提取规则包括第一类水体提取规则和第二类水体提取规则；
S2、根据所述提取规则提取训练样本；所述训练样本包括水体训练样本和非水体训练样本；
S3、通过将所述训练样本与SVM分类器结合，对所述训练样本周围预设邻域范围的待分类像元进行分类，得到分类结果；
S4、更新所述提取规则中的阈值，并根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本；
S5、重复步骤S3-S4，直至没有新的训练样本生成，得到最终分类结果。
在本发明实施例中，将水体分类为第一类水体和第二类水体，其中，第一类水体反射率随波长增加而降低；第二类水体由于含有叶绿素或者藻类，光谱曲线与植被类似，但是反射率数值较低。
可以理解的是，请参阅图2，水体的光谱特征是反射率随着波长增加而降低，各波段反射率在0.15以下，通常可以利用归一化水体指数NDWI>0或者修正型归一化水体指数MNDWI>0进行提取。但是，某些建筑物的屋顶利用了特殊金属材料或者涂有某种特殊颜色，也满足MNDWI>0，NDWI>0的条件。考虑到特殊屋顶建筑物的Band2反射率较高，本发明实施例通过对第2波段反射率设定预设阈值A来区分第一类水体与特殊屋顶的建筑物。第一类水体训练样本的提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)。第二类水体由于含有叶绿素，其光谱特征与植被、水田类似，为了将第二类水体与植被、水田分开，第二类水水体提取规则为：(Band 4)∩(Band 4<B)∩(Band 3>Band5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope数据为地物所处位置的坡度，NDVI为归一化植被指数Normalized Differenced VegetationIndex的缩写。本发明实施例的非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)。
在本发明实施例中，通过设置不同波段反射率的预设阈值，建立提取规则，能够准确地选取到符合条件的训练样本，从而能够有效提高水体识别的准确性，且本发明通过更新阈值进而对提取规则进行更新，并通过更新后的提取规则对迭代分类结果进行判断，无人工干预，实现了水体识别的全自动化，能够有效地提高工作效率。
作为本发明实施例的一种具体实施方式，第一类水体提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)，Band n为第n个波段的反射率，NDWI为归一化水体指数，MNDWI为修正的归一化水体指数；第二提取规则为：(Band4)∩(Band 4<B)∩(Band 3>Band 5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope为数据值地物所处位置的坡度,NDVI为归一化植被指数Normalized Differenced Vegetation Index的缩写；非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)；其中，A、B、C、D、E、F、G为是不同波段反射率的阈值，可在如上建议的区间范围内取值。
在本发明实施例中，通过建立第一类水体提取规则，将第一类水体与特殊屋顶建筑物进行区分；通过建立第二类水体提取规则，将第二类水体与植被和水田进行区分，能够准确且全面地提取到训练样本。
作为本发明实施例的一种具体实时方式，训练样本周围预设的3╳3邻域范围为待分类像元。
在本发明实施例中，通过对训练样本周围3╳3邻域范围的待分类像元进行分类，以获得新的分类结果。
作为本发明实施例的一种具体实施方式，对提取规则中的阈值进行更新，具体为：
对每一阈值增加或减少5％，形成新的阈值。
当提取规则为某波段小于某个值时，更新的阈值为初始阈值增加5％，当提取规则为某波段大于某个值时，更新的阈值为初始阈值减少5％。例如，若提取规则是a>0.1，0.1为初始阈值，初始阈值减少5％后该条件变为a>0.095；若提取规则是a<0.1，初始阈值增加5％后该条件变为a<0.105，阈值的变化使得提取规则条件“放宽”，从而有更多像元满足要求。本发明实施例通过对每一初始阈值增加或减少5％，形成新的初始阈值，能够在利用更新后的提取规则对分类结果进行判断时，获得更多的像元，从而有利于提高水体识别的准确性和全面性。
作为本发明实施例的一种具体实施方式，根据更新后的提取规则对分类结果进行判断，得到训练样本，具体为：
根据更新后的提取规则对分类结果进行判断，若符合更新后的水体提取规则，则加入水体训练样本；若符合更新后的非水体训练规则，则加入非水体训练样本，判断结束后得到更新后的训练样本。
在本发明实施例中，通过更新提取规则中的阈值更新提取规则，并通过更新后的提取规则对分类结果进行识别和判断，能够获取更多满足提取规则的待分类像元，从而使得水体的提取更加全面和准确。
实施本发明实施例，具有如下有益效果：
在本发明实施例中，根据不同波段的反射特征建立提取规则，能够准确地选取到符合条件的训练样本，从而提高水体识别的准确性，且本发明通过更新阈值进而更新提取规则，迭代分类，实现水体的自动识别。该方案无人工干预，实现了水体识别的全自动化，能够有效提高识别水体的工作效率。
请参阅图2-3：
本发明的第二实施例。
本发明实施例提供的一种基于迭代分类的水体识别装置，包括规则建立模块101、提取模块102、分类模块103、判断模块104和迭代模块105；
规则建立模块101，用于根据水体与非水体的光谱特性建立提取规则，并对规则中使用的不同波段设置阈值；所述提取规则包括水体提取规则和非水体提取规则；所述水体提取规则包括第一类水体提取规则和第二类水体提取规则；
提取模块102，用于根据所述提取规则提取训练样本；所述训练样本包括水体训练样本和非水体训练样本；
分类模块103，用于通过将所述训练样本与SVM分类器结合，对所述训练样本周围预设邻域范围的待分类像元进行分类，得到分类结果；
判断模块104，用于更新所述提取规则中的阈值，并根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本；
迭代模块105，用于重复对训练样本进行分类得到分类结果，以及根据所述分类结果得到新的训练样本，直至没有新的训练样本生成，得到最终分类结果。在本发明实施例中，将水体分类为第一类水体和第二类水体，其中，第一类水体反射率随波长增加而降低；第二类水体由于含有叶绿素或者藻类，光谱曲线与植被类似，但是反射率数值较低。
可以理解的是，请参阅图2，水体的光谱特征是反射率随着波长增加而降低，各波段反射率在0.15以下，通常可以利用归一化水体指数NDWI>0或者修正型归一化水体指数MNDWI>0进行提取。但是，某些建筑物的屋顶利用了特殊金属材料或者涂有某种特殊颜色，也满足MNDWI>0，NDWI>0的条件。考虑到特殊屋顶建筑物的Band2反射率较高，本发明实施例通过对第2波段反射率设定预设阈值A来区分第一类水体与特殊屋顶的建筑物。第一类水体训练样本的提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)。第二类水体由于含有叶绿素，其光谱特征与植被、水田类似，为了将第二类水体与植被、水田分开，第二类水水体提取规则为：(Band 4)∩(Band 4<B)∩(Band 3>Band5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope数据为地物所处位置的坡度，NDVI为归一化植被指数Normalized Differenced VegetationIndex的缩写。本发明实施例的非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)。
在本发明实施例中，通过设置不同波段反射率的预设阈值，建立提取规则，能够准确地选取到符合条件的训练样本，从而能够有效提高水体识别的准确性，且本发明通过更新阈值进而对提取规则进行更新，并通过更新后的提取规则对迭代分类结果进行判断，无人工干预，实现了水体识别的全自动化，能够有效地提高工作效率。
作为本发明实施例的一种具体实施方式，第一类水体提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)，Band n为第n个波段的反射率，NDWI为归一化水体指数，MNDWI为修正的归一化水体指数；第二提取规则为：(Band4)∩(Band 4<B)∩(Band 3>Band 5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope为数据值地物所处位置的坡度,NDVI为归一化植被指数Normalized Differenced Vegetation Index的缩写；非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)；其中，A、B、C、D、E、F、G为是不同波段反射率的阈值，可在如上建议的区间范围内取值。
在本发明实施例中，通过建立第一类水体提取规则，将第一类水体与特殊屋顶建筑物进行区分；通过建立第二类水体提取规则，将第二类水体与植被和水田进行区分，能够准确且全面地提取到训练样本。
作为本发明实施例的一种具体实时方式，训练样本周围预设的3╳3邻域范围为待分类像元。
在本发明实施例中，通过对训练样本周围3╳3邻域范围的待分类像元进行分类，以获得新的分类结果。
作为本发明实施例的一种具体实施方式，对提取规则中的阈值进行更新，具体为：
对每一阈值增加或减少5％，形成新的阈值。
当提取规则为某波段小于某个值时，更新的阈值为初始阈值增加5％，当提取规则为某波段大于某个值时，更新的阈值为初始阈值减少5％。例如，若提取规则是a>0.1，0.1为初始阈值，初始阈值减少5％后该条件变为a>0.095；若提取规则是a<0.1，初始阈值增加5％后该条件变为a<0.105，阈值的变化使得提取规则条件“放宽”，从而有更多像元满足要求。本发明实施例通过对每一初始阈值增加或减少5％，形成新的初始阈值，能够在利用更新后的提取规则对分类结果进行判断时，获得更多的像元，从而有利于提高水体识别的准确性和全面性。
作为本发明实施例的一种具体实施方式，根据更新后的提取规则对分类结果进行判断，得到训练样本，具体为：
根据更新后的提取规则对分类结果进行判断，若符合更新后的水体提取规则，则加入水体训练样本；若符合更新后的非水体训练规则，则加入非水体训练样本，判断结束后得到更新后的训练样本。
在本发明实施例中，通过更新提取规则中的阈值更新提取规则，并通过更新后的提取规则对分类结果进行识别和判断，能够获取更多满足提取规则的待分类像元，从而使得水体的提取更加全面和准确。
实施本发明实施例，具有如下有益效果：
在本发明实施例中，根据不同波段的反射特征建立提取规则，能够准确地选取到符合条件的训练样本，从而提高水体识别的准确性，且本发明通过更新阈值进而更新提取规则，迭代分类，实现水体的自动识别。该方案无人工干预，实现了水体识别的全自动化，能够有效提高识别水体的工作效率。
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于迭代分类的水体识别方法，其特征在于，至少包括以下步骤：
S1、根据水体与非水体的光谱特性建立提取规则，并对规则中使用的不同波段设置阈值；所述提取规则包括水体提取规则和非水体提取规则；所述水体提取规则包括第一类水体提取规则和第二类水体提取规则；
S2、根据所述提取规则提取训练样本；所述训练样本包括水体训练样本和非水体训练样本；
S3、通过将所述训练样本与SVM分类器结合，对所述训练样本周围预设邻域范围的待分类像元进行分类，得到分类结果；
S4、更新所述提取规则中的阈值，并根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本；
S5、重复步骤S3-S4，直至没有新的训练样本生成，得到最终分类结果。
2.如权利要求1所述的基于迭代分类的水体识别方法，其特征在于，所述第一类水体的提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)，Band n为第n个波段的反射率，NDWI为归一化水体指数，MNDWI为修正的归一化水体指数；所述第二类水体的提取规则为：(Band 4)∩(Band 4<B)∩(Band 3>Band 5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope为数据值地物所处位置的坡度；所述非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)，NDVI为归一化植被指数Normalized Differenced Vegetation Index的缩写；其中，所述A、B、C、D、E、F、G为是不同波段反射率的初始阈值。
3.如权利要求1所述的基于迭代分类的水体识别方法，其特征在于，所述训练样本周围3╳3邻域范围的像元为待分类像元。
4.如权利要求1所述的基于迭代分类的水体识别方法，其特征在于，所述更新所述提取规则中的阈值，具体为：
对每一所述阈值增加或减少5％，形成新的阈值。
5.如权利要求1所述的基于迭代分类的水体识别方法，其特征在于，所述根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本，具体为：
根据更新后的提取规则对所述分类结果进行判断，若符合更新后的水体提取规则，则加入水体训练样本；若符合更新后的非水体训练规则，则加入非水体训练样本，判断结束后得到更新后的训练样本。
6.一种基于迭代分类的水体识别装置，其特征在于，包括规则建立模块、提取模块、分类模块、判断模块和迭代模块；
所述规则建立模块，用于根据水体与非水体的光谱特性建立提取规则，并对规则中使用的不同波段设置阈值；所述提取规则包括水体提取规则和非水体提取规则；所述水体提取规则包括第一类水体提取规则和第二类水体提取规则；
所述提取模块，用于根据所述提取规则提取训练样本；所述训练样本包括水体训练样本和非水体训练样本；
所述分类模块，用于通过将所述训练样本与SVM分类器结合，对所述训练样本周围预设邻域范围的待分类像元进行分类，得到分类结果；
所述判断模块，用于更新所述提取规则中的阈值，并根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本；
所述迭代模块，用于重复对训练样本进行分类得到分类结果，以及根据所述分类结果得到新的训练样本，直至没有新的训练样本生成，得到最终分类结果。
7.如权利要求6所述的基于迭代分类的水体识别装置，其特征在于，所述第一类水体的提取规则为：(NDWI>0)∩(MNDWI>0)∩(Band 2<A)，其中，“∩”表示取交集，A∈(0.10,0.12)，Band n为第n个波段的反射率，NDWI为归一化水体指数，MNDWI为修正的归一化水体指数；所述第二类水体的提取规则为：(Band 4)∩(Band 4<B)∩(Band 3>Band 5)∩(slope<C)∩(NDVI<D)，其中，B∈(0.13,0.16)，C∈(3,4)，D∈(0.14,0.20)，slope为数据值地物所处位置的坡度，NDVI为归一化植被指数Normalized Differenced Vegetation Index的缩写；所述非水体提取规则为：(Band 4)∩(Band 3<Band 5)∩(Band 4>E)∩(slope>F)∩(NDVI>G)，其中，E∈(0.16,0.23)，F∈(25,35)，G∈(0.35,0.40)；所述A、B、C、D、E、F、G为不同波段反射率的阈值。
8.如权利要求6所述的基于迭代分类的水体识别装置，其特征在于，所述训练样本周围3╳3邻域范围的像元为待分类像元。
9.如权利要求6所述的基于迭代分类的水体识别装置，其特征在于，所述更新所述提取规则中的阈值，具体为：
对每一所述阈值增加或减少5％，形成新的初始阈值。
10.如权利要求6所述的基于迭代分类的水体识别装置，其特征在于，所述根据更新后的提取规则对所述分类结果进行判断，得到更新后的训练样本，具体为：
根据更新后的提取规则对所述分类结果进行判断，若符合更新后的水体提取规则，则加入水体训练样本；若符合更新后的非水体训练规则，则加入非水体训练样本，判断结束后得到更新后的训练样本。
CN201910779699.9A 2019-08-22 2019-08-22 一种基于迭代分类的水体识别方法及装置 Active CN110472697B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910779699.9A CN110472697B (zh) 2019-08-22 2019-08-22 一种基于迭代分类的水体识别方法及装置
JP2020139359A JP6871658B2 (ja) 2019-08-22 2020-08-20 反復分類に基づく水域識別方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910779699.9A CN110472697B (zh) 2019-08-22 2019-08-22 一种基于迭代分类的水体识别方法及装置

Publications (2)

Publication Number Publication Date
CN110472697A true CN110472697A (zh) 2019-11-19
CN110472697B CN110472697B (zh) 2021-04-30

Family

ID=68513340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910779699.9A Active CN110472697B (zh) 2019-08-22 2019-08-22 一种基于迭代分类的水体识别方法及装置

Country Status (2)

Country Link
JP (1) JP6871658B2 (zh)
CN (1) CN110472697B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610882A (zh) * 2021-04-23 2021-11-05 华北水利水电大学 地表水体制图方法、装置、电子设备及存储介质
CN113341407B (zh) * 2021-06-02 2024-02-06 中国水产科学研究院南海水产研究所 一种基于雷达探测的渔业捕捞追踪系统及方法
CN116297251B (zh) * 2023-05-17 2023-08-29 安徽新宇环保科技股份有限公司 一种多传感器组合的水质检测系统及其检测探头

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6201507B2 (ja) * 2013-08-12 2017-09-27 日本電気株式会社 画像処理装置、画像処理方法および画像処理プログラム
CN105957079B (zh) * 2016-04-28 2018-12-25 淮阴师范学院 基于Landsat OLI多光谱影像的湖泊水域信息提取方法
CN106442420A (zh) * 2016-09-21 2017-02-22 河海大学 一种定性与定量结合的水质监测方法
CN106442422A (zh) * 2016-11-18 2017-02-22 中国水利水电科学研究院 水草型湖泊水草区水质遥感间接监测方法
CN107271405A (zh) * 2017-06-30 2017-10-20 中国水利水电科学研究院 一种多模型协同的水质参数浓度反演方法和装置
CN107590816B (zh) * 2017-09-08 2021-06-15 哈尔滨工业大学 一种基于遥感图像的水体信息拟合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ENVI-IDL 技术殿堂: "[ENVI 入门系列] 12.基于专家知识决策树分类", 《HTTP://BLOG.SINA.COM.CN/S/BLOG_764B1E9D0102V22M.HTML》 *
朱长明等: "基于样本自动选择与SVM结合的海岸线遥感自动提取", 《国土资源遥感》 *
海洋出版社: "《"SVM分类水体识别 海洋经济发展与海岛保护论文集》", 30 November 2011 *
骆剑承等: "分步迭代的多光谱遥感水体信息高精度自动提取", 《遥感学报》 *

Also Published As

Publication number Publication date
CN110472697B (zh) 2021-04-30
JP6871658B2 (ja) 2021-05-12
JP2021032898A (ja) 2021-03-01

Similar Documents

Publication Publication Date Title
Wang et al. A review on weed detection using ground-based machine vision and image processing techniques
Kumar et al. Image based leaf segmentation and counting in rosette plants
Hou et al. Recognition of early blight and late blight diseases on potato leaves based on graph cut segmentation
Prajapati et al. A survey on detection and classification of cotton leaf diseases
CN110472697A (zh) 一种基于迭代分类的水体识别方法及装置
CN112949704B (zh) 一种基于图像分析的烟叶成熟度状态识别方法及装置
CN111179216B (zh) 一种基于图像处理与卷积神经网络的作物病害识别方法
Patil et al. Enhanced radial basis function neural network for tomato plant disease leaf image segmentation
Jayakumar et al. Automatic prediction and classification of diseases in melons using stacked RNN based deep learning model
CN102812357A (zh) 木材树种的识别方法与系统
CN116863345A (zh) 一种基于双重注意力和尺度融合的高分影像农田识别方法
CN103177266A (zh) 储藏物害虫智能识别系统
Juwono et al. Machine learning for weed–plant discrimination in agriculture 5.0: An in-depth review
CN116486251A (zh) 一种基于多模态融合的高光谱图像分类方法
CN116739868A (zh) 基于人工智能的园林绿化管理系统及其方法
Sohail et al. An analysis on machine vision and image processing techniques for weed detection in agricultural crops
Wang et al. Review of plant leaf recognition
CN104951778A (zh) 基于语义网络的人脸识别专家系统
Seelwal et al. Automatic detection of rice diseases using deep convolutional neural networks with sgd and adam
Islam et al. Nitrogen fertilizer recommendation for paddies through automating the leaf color chart (LCC)
Lu et al. Joint crop and tassel segmentation in the wild
Jain et al. Hierarchy in Disease Severity Classification in Banana Leaves through the Integration of Convolutional Neural Network and Decision Tree Models
Dantas et al. A deterministic technique for identifying dicotyledons in images
Soh et al. Cocoa Diseases Classification using Deep Learning Algorithm
Waqas et al. Comparison of Image Features Descriptions for Diagnosis of Leaf Diseases

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