CN110717413B - 面向无人机可见光影像的水体信息提取方法及装置 - Google Patents
面向无人机可见光影像的水体信息提取方法及装置 Download PDFInfo
- Publication number
- CN110717413B CN110717413B CN201910903059.4A CN201910903059A CN110717413B CN 110717413 B CN110717413 B CN 110717413B CN 201910903059 A CN201910903059 A CN 201910903059A CN 110717413 B CN110717413 B CN 110717413B
- Authority
- CN
- China
- Prior art keywords
- visible light
- water body
- light image
- body information
- segmentation
- 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
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种面向无人机可见光影像的水体信息提取方法及装置,面向无人机可见光影像的水体信息提取方法包括:对所述可见光影像进行分割,以生成所述可见光影像的分割结果;利用差异植被指数法从所述分割结果中提取初始水体信息;根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息。本发明提供的面向无人机可见光影像的水体信息提取方法能够在无人机可见光影像中,区分其中水体信息以及其他信息,从而准确提取水体信息。
Description
技术领域
本发明涉及遥感影像解译技术领域,具体涉及无人机可见光影像地物信息解译技术领域,特别是涉及一种面向无人机可见光影像的水体信息提取方法及装置。
背景技术
无人机可见光影像具有高清晰、大比例尺的优点。但无人机可见光影像大多只有红(R)、绿(G)、蓝(B)三个波段,只含有RGB三个波段的无人机影像称为无人机可见光影像。与多波段卫星遥感影像(如Landsat 8 OLI)相比,无人机可见光影像虽然具有更高的空间分辨率,但波段信息较少,无法使用传统的指数法来提取地物信息。尤其是针对水体信息的提取,无人机可见光影像缺少对水体信息最为敏感的近红外波段(NIR)。
发明内容
针对现有技术中的问题,本发明提供的面向无人机可见光影像的水体信息提取方法及装置能够在无人机可见光影像中,区分其中水体信息以及其他信息,从而准确提取水体信息。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种面向无人机可见光影像的水体信息提取方法,包括:
对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
利用差异植被指数法从所述分割结果中提取初始水体信息;
根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息。
优选地,所述对所述可见光影像进行分割,以生成所述可见光影像的分割结果,包括:
利用多尺度分割算法计算分割所述可见光影像的分割尺度;
利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
优选地,所述根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息,包括:
计算所述平均值与所述标准差平方之间的差值;
利用差异植被指数法从所述分割结果中提取植被信息;
根据所述差值区分所述水体信息与所述植被信息,以提取所述最终水体信息。
优选地,所述根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息,包括:
计算所述平均值与所述标准差平方之间的差值;
根据所述差值提取所述最终水体信息。
第二方面,本发明提供一种面向无人机可见光影像的水体信息提取装置,该装置包括:
分割结果生成单元,用于对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
初始信息提取单元,用于利用差异植被指数法从所述分割结果中提取初始水体信息;
最终信息提取单元,用于根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息。
优选地,所述分割结果生成单元包括:
分割尺度计算模块,用于利用多尺度分割算法计算分割所述可见光影像的分割尺度;
分割结果生成模块,用于利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
优选地,所述最终信息提取单元包括:
差值计算第一模块,用于计算所述平均值与所述标准差平方之间的差值;
植被信息提取模块,用于利用差异植被指数法从所述分割结果中提取植被信息;
最终信息提取模块,用于根据所述差值区分所述水体信息与所述植被信息,以提取所述最终水体信息。
优选地,所述最终信息提取单元包括:
差值计算第二模块,用于计算所述平均值与所述标准差平方之间的差值;
最终信息提取第二模块,用于根据所述差值提取所述最终水体信息。
第三方面,本发明提供一种电子设备,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,处理器执行程序时实现面向无人机可见光影像的水体信息提取方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现面向无人机可见光影像的水体信息提取方法的步骤。
从上述描述可知,本发明提供的面向无人机可见光影像的水体信息提取方法及装置,在利用多尺度分割算法对无人机可见光影像进行分割的基础上,使用可见光波段差异植被指数法对分割结果进行计算,以初步提取出植被信息与水体信息,接着,通过构建蓝波段标准差与平均值差异水体指数进一步对提取结果进行计算,从而达到准确提取水体信息的目的。与现有技术相对,本方法提出可以对仅有RGB三波段的无人机可见光影像提取水体信息,克服了由于无人机可见光影像缺少对水体信息比较敏感的近红外波段(NIR),仅仅使用红(R)、绿(G)、蓝(B)三个波段信息,现有的水体指数不能仅依靠RGB三个波段提取无人机可见光影像的水体信息的问题,综上,本方法能够在无人机可见光影像中,利用蓝波段的平均值与标准差的差异区分可见光影像中的水体信息与植被信息,最终准确提取水体信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明的实施例中面向无人机可见光影像的水体信息提取方法流程示意图一;
图2为本发明的实施例中面向无人机可见光影像的水体信息提取方法步骤100的流程示意图;
图3为本发明的实施例中面向无人机可见光影像的水体信息提取方法步骤300的流程示意图一;
图4为本发明的实施例中面向无人机可见光影像的水体信息提取方法步骤300的流程示意图二;
图5为本发明的实施例中面向无人机可见光影像的水体信息提取方法流程示意图三;
图6为本发明的实施例中面向无人机可见光影像的水体信息提取方法流程示意图四;
图7为本发明的具体应用实例中面向无人机可见光影像的水体信息提取方法的流程示意图一;
图8为本发明的具体应用实例中面向无人机可见光影像的水体信息提取方法的流程示意图二;
图9为本发明的具体应用实例中研究区域图示意图;
图10为本发明的具体应用实例中使用可见光波段差异植被指数算法提取的植被信息与水体信息结果示意图;
图11为本发明的具体应用实例中提取的水体信息结果原图;
图12为本发明的具体应用实例中提取的水体信息结果进行开运算之后的结果示意图;
图13为本发明的具体应用实例中提取的水体信息最终结果示意图;
图14为本发明的实施例中的面向无人机可见光影像的水体信息提取装置的结构示意图;
图15为本发明的实施例中的分割结果生成单元结构示意图;
图16为本发明的实施例中的最终信息提取单元结构示意图一;
图17为本发明的实施例中的最终信息提取单元结构示意图二;
图18为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例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。
鉴于现有技术中无人机可见光影像波段信息较少,无法使用传统的指数法来提取地物信息。尤其是针对水体信息的提取,无人机可见光影像缺少对水体信息最为敏感的近红外波段(NIR)。基于此,本发明的实施例提供一种面向无人机可见光影像的水体信息提取方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:对所述可见光影像进行分割,以生成所述可见光影像的分割结果。
可以理解的是,在步骤100之前面向无人机可见光影像的水体信息提取方法还应包括加载无人机可见光影像。另外,步骤100中的分割是指把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
步骤200:利用差异植被指数法从所述分割结果中提取初始水体信息。
差异植被指数法(visible-band difference vegetation index,简称VDVI)是根据植被的光谱特性,通过观察它们在各波段间反射率的差异,构造植被指数,提取植被信息,从而形成了各种植被指数。植被指数是对地表植被状况的简单、有效和经验的度量。步骤200是对步骤100中的分割结果进行计算,其目的是先提取出初始水体信息,其中初始水体信息包括植被信息与水体信息,并排除其他地物(不透水面、裸土等)对提取水体信息的影响。
步骤300:根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息。
可以理解的是,步骤300是根据可见光影像中蓝波段的平均值及蓝波段的标准差构建一种新的指数,在这里定义为蓝波段标准差与平均值差异水体指数(Blue bandstandard deviation and mean difference water body index,简称BSMW),对步骤200中的初始水体信息图层进行计算,通过不断调整阈值的方法,将水体信息与植被信息区分,从而达到进一步地、准确地提取水体的目的。
从上述描述可知,本发明提供的面向无人机可见光影像的水体信息提取方法,在利用多尺度分割算法对无人机可见光影像进行分割的基础上,使用可见光波段差异植被指数法对分割结果进行计算,以初步提取出植被信息与水体信息,接着,通过构建蓝波段标准差与平均值差异水体指数进一步对提取结果进行计算,从而达到准确提取水体信息的目的。与现有技术相对,本方法提出可以对仅有RGB三波段的无人机可见光影像提取水体信息,克服了由于无人机可见光影像缺少对水体信息比较敏感的近红外波段(NIR),仅仅使用红(R)、绿(G)、蓝(B)三个波段信息,现有的水体指数不能仅依靠RGB三个波段提取无人机可见光影像的水体信息的问题,综上,本方法能够在无人机可见光影像中,利用蓝波段的平均值与标准差的差异区分可见光影像中的水体信息与植被信息,最终准确提取水体信息。
一实施例中,参见图2,步骤100包括:
步骤101:利用多尺度分割算法计算分割所述可见光影像的分割尺度。
步骤101在实施时,具体为:采用面向对象的分类方法,基于多尺度分割算法的原理先计算分割影像(即无人机可见光影像)的最佳尺度。进一步地,以预设步长开始逐步分割,达到设定的最大分割尺度时停止分割。每分割一次,计算一次局部方差并记录,最后把每一个分割尺度下得到的局部方差进行统计,使用变化率计算公式去衡量当前分割尺度下得到的结果与上一次分割尺度下得到的结果的变化率。当变化率较大时,则认为该尺度为最佳分割尺度。在本实施例中,当变化率大于0.65时,认为对应的尺度(55)为最佳分割尺度。
步骤102:利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
步骤102实质上是利用步骤101中生成的最佳分割尺度对无人机可见光影像进行多尺度分割。
一实施例中,参见图3,步骤300包括:
步骤301:计算所述平均值与所述标准差平方之间的差值。
步骤302:利用差异植被指数法从所述分割结果中提取植被信息。
基于前述的背景技术,无人机可见光影像虽然具有更高的空间分辨率,但波段信息较少,无法使用传统的指数法来提取地物信息。尤其是针对水体信息的提取,无人机可见光影像缺少对水体信息最为敏感的近红外波段(NIR),而现有技术中无人机可见光影像中与水体信息最为相似的为植被信息,另一方面,基于地理常识,地表水体往往与植被相连,所以将水体信息与植被信息区分开来对于提取水体信息尤为重要。
步骤303:根据所述差值区分所述水体信息与所述植被信息,以提取所述最终水体信息。
在步骤301及步骤303中,通过可见光影像中蓝波段的平均值与可见光影像中蓝波段的标准差平方之间的差值来构建的指数BSMW,以对无人机可见光影像进行处理,其目的是在步骤200的基础上进一步区分植被信息和水体信息,并通过不断调整阈值的方式,将水体信息与植被信息从无人机可见光影像中区分开。
一实施例中,参见图4,步骤300包括:
步骤30a:计算所述平均值与所述标准差平方之间的差值。
步骤30b:根据所述差值提取所述最终水体信息。
可以理解的是,步骤300还可以以另一种方式来实现,即不从分割结果中提取植被信息,直接根据差值提取所述最终水体信息。以该种方式执行步骤300的好处是:简化计算步骤,从而加快运行速度。相对地,以步骤301至步骤303来执行步骤300的好处是:可以更为精准的从分割结果中提取最终水体信息。
在步骤30a及步骤30b中,通过可见光影像中蓝波段的平均值与可见光影像中蓝波段的标准差平方之间的差值来构建的指数BSMW,以对无人机可见光影像进行处理,其目的是在步骤200的基础上进一步区分植被信息和水体信息,并通过不断调整阈值的方式,将水体信息与植被信息从无人机可见光影像中区分开。
一实施例中,参见图5,面向无人机可见光影像的水体信息提取方法还包括:
步骤500:对提取结果进行滤波。
利用数学形态学滤波的方法,即:腐蚀、膨胀、开运算、闭运算对提取结果进行处理。其目的是消除孤立的小斑块或填补图像内部的小孔。另外,如提取结果中存在一些孤立的小斑块,需采用开运算对其进行处理。
一实施例中,参见图6,面向无人机可见光影像的水体信息提取方法还包括:
步骤600:对提取结果进行验证。
具体地,通过目视解译的方式,从无人机可见光影像中手动提取水体信息作为验证数据,并计算其可靠系数,以对提取结果进行验证。
从上述描述可知,本发明提供的面向无人机可见光影像的水体信息提取方法,在利用多尺度分割算法对无人机可见光影像进行分割的基础上,使用可见光波段差异植被指数法对分割结果进行计算,以初步提取出植被信息与水体信息,接着,通过构建蓝波段标准差与平均值差异水体指数进一步对提取结果进行计算,从而达到准确提取水体信息的目的。与现有技术相对,本方法提出可以对仅有RGB三波段的无人机可见光影像提取水体信息,克服了由于无人机可见光影像缺少对水体信息比较敏感的近红外波段(NIR),仅仅使用红(R)、绿(G)、蓝(B)三个波段信息,现有的水体指数不能仅依靠RGB三个波段提取无人机可见光影像的水体信息的问题,综上,本方法能够在无人机可见光影像中,利用蓝波段的平均值与标准差的差异区分可见光影像中的水体信息与植被信息,最终准确提取水体信息。
为进一步地说明本方案,本发明以云南师范大学呈贡校区部分校园无人机可见光影像作为研究数据,提供面向无人机可见光影像的水体信息提取方法的具体应用实例,该具体应用实例具体包括如下内容,参见图7及图8。
研究区无人机可见光影像如图9所示。影像包含红、绿、蓝三个波段,影像中主要地物类型有:植被、水体、裸土地、不透水面。
S0:加载无人机可见光影像。
S1:计算分割无人机可见光影像的最佳尺度。
具体地,按照步长为1,分割起始尺度为20,分割循环次数为100作为参数,统计每一次分割后无人机可见光影像的局部方差,使用变化率公式(1)计算无人机可见光影像每次分割后的变化率,选择变化率较大的尺度作为最佳分割尺度。
公式(1)中,L表示当前分割尺度下无人机可见光影像的局部方差,L’表示上一分割尺度下无人机可见光影像的局部方差。
S2:使用多尺度分割算法对无人机可见光影像进行分割。
分割尺度使用上一步计算得到的最佳分割尺度。根据地理学第一定律,距离越近,地物间的相关性越大,多尺度分割算法采用自下至上逐步合并具有同质性像元的方式,直到达到人为设定的最大分割尺度后停止合并,将具有同质性的地物分为一个斑块。可以理解的是,分割尺度越小,无人机可见光影像被划分的越细碎,无人机可见光影像的局部方差越小;反之,分割尺度越大,无人机可见光影像被划分的越粗略,无人机可见光影像的局部方差越大。
S3:使用可见光波段差异植被指数法对分割后的无人机可见光影像进行计算。
具体地,使用可见光波段差异植被指数法(visible-band differencevegetation index,简称VDVI)对分割后的无人机可见光影像进行计算,将计算结果与原始无人机可见光影像进行对比,设定0.04作为提取水体与植被信息的阈值,提取结果如图10所示。从提取结果来看,植被与水体被提取出来,而不透水面与裸土被排除。
进一步的,参照公式(2)使用VDVI指数对无人机可见光影像进行计算。其目的是提取出无人机可见光影像中的植被信息与水体信息,排除裸土、不透水面等其他地物的干扰,通过不断调整阈值的方式,将两种地物信息从无人机可见光影像提取出来。公式(2)中,R、G、B分别表示无人机可见光影像的红、绿、蓝波段。
S4:进行二次分割。
因为水体信息内部差异性较小,为了更准确的提取水体信息,在现有分割尺度的基础上,寻找一个更大的分割尺度对无人机可见光影像进行分割。方法与最佳分割尺度计算方式(步骤S1)相同。
S5:使用指数BSMW法对第二次分割后的无人机可见光影像进行计算。
以步骤S3的结果作为掩膜,使用本方法构建的指数BSMW(公式3)对无人机可见光影像进行处理,其目的是在步骤S3的基础上进一步区分植被和水体,通过不断调整阈值的方式,将水体信息与植被信息从无人机可见光影像中区分开。
BSMW=m-std2 (blue) (3)
式中,m表示影像中蓝波段的平均值,std(blue)表示影像中蓝波段的标准差。
具体地,通过与原始无人机可见光影像进行对比,设定62作为提取水体的阈值,提取结果如图11所示。
S6:对提取结果进行滤波。
从图11的提取结果来看,水体信息提取较完整,但也参杂着其他较小的地物。使用数学形态学滤波(开运算)对结果进行处理。图12为最终水体提取效果图。
步骤S5实施上是使用数学形态学滤波的方法,即:腐蚀、膨胀、开运算、闭运算对提取结果进行处理。其目的是消除孤立的小斑块或填补图像内部的小孔。另外,如提取结果中存在一些孤立的小斑块,需采用开运算对其进行处理,结果如图11及图12所示,去除了一些细小的斑块,更完整的表示了水体信息,参见图13。
S7:对提取结果进行验证。
通过目视解译的方式,从无人机可见光影像中手动提取水体作为验证数据,通过计算,使用BSMW指数提取的水体信息的kappa系数达到了0.95,可见提取水体信息精度较高。
从上述描述可知,本发明提供的面向无人机可见光影像的水体信息提取方法,在利用多尺度分割算法对无人机可见光影像进行分割的基础上,使用可见光波段差异植被指数法对分割结果进行计算,以初步提取出植被信息与水体信息,接着,通过构建蓝波段标准差与平均值差异水体指数进一步对提取结果进行计算,从而达到准确提取水体信息的目的。与现有技术相对,本方法提出可以对仅有RGB三波段的无人机可见光影像提取水体信息,克服了由于无人机可见光影像缺少对水体信息比较敏感的近红外波段(NIR),仅仅使用红(R)、绿(G)、蓝(B)三个波段信息,现有的水体指数不能仅依靠RGB三个波段提取无人机可见光影像的水体信息的问题,综上,本方法能够在无人机可见光影像中,利用蓝波段的平均值与标准差的差异区分可见光影像中的水体信息与植被信息,最终准确提取水体信息。
基于同一发明构思,本申请实施例还提供了面向无人机可见光影像的水体信息提取装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于面向无人机可见光影像的水体信息提取装置解决问题的原理与面向无人机可见光影像的水体信息提取方法相似,因此面向无人机可见光影像的水体信息提取装置的实施可以参见面向无人机可见光影像的水体信息提取方法实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现面向无人机可见光影像的水体信息提取方法的面向无人机可见光影像的水体信息提取装置的具体实施方式,参见图14,面向无人机可见光影像的水体信息提取装置具体包括如下内容:
分割结果生成单元10,用于对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
初始信息提取单元20,用于利用差异植被指数法从所述分割结果中提取初始水体信息;
最终信息提取单元30,用于根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息。
优选地,参见图15,所述分割结果生成单元10包括:
分割尺度计算模块101,用于利用多尺度分割算法计算分割所述可见光影像的分割尺度;
分割结果生成模块102,用于利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
优选地,参见图16,所述最终信息提取单元30包括:
差值计算第一模块301,用于计算所述平均值与所述标准差平方之间的差值。
植被信息提取模块302,用于利用差异植被指数法从所述分割结果中提取植被信息。
最终信息提取模块303,用于根据所述差值区分所述水体信息与所述植被信息,以提取所述最终水体信息。
优选地,参见图17,所述最终信息提取单元30包括:
差值计算第二模块30a,用于计算所述平均值与所述标准差平方之间的差值。
最终信息提取第二模块30b,用于根据所述差值提取所述最终水体信息。
从上述描述可知,本发明提供的面向无人机可见光影像的水体信息提取装置,在利用多尺度分割算法对无人机可见光影像进行分割的基础上,使用可见光波段差异植被指数法对分割结果进行计算,以初步提取出植被信息与水体信息,接着,通过构建蓝波段标准差与平均值差异水体指数进一步对提取结果进行计算,从而达到准确提取水体信息的目的。与现有技术相对,本方法提出可以对仅有RGB三波段的无人机可见光影像提取水体信息,克服了由于无人机可见光影像缺少对水体信息比较敏感的近红外波段(NIR),仅仅使用红(R)、绿(G)、蓝(B)三个波段信息,现有的水体指数不能仅依靠RGB三个波段提取无人机可见光影像的水体信息的问题,综上,本方法能够在无人机可见光影像中,利用蓝波段的平均值与标准差的差异区分可见光影像中的水体信息与植被信息,最终准确提取水体信息。
本申请的实施例还提供能够实现上述实施例中的面向无人机可见光影像的水体信息提取方法中全部步骤的一种电子设备的具体实施方式,参见图18,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信;通信接口1203用于实现服务器端设备、采集设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序,处理器执行计算机程序时实现上述实施例中的面向无人机可见光影像的水体信息提取方法中的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:对所述可见光影像进行分割,以生成所述可见光影像的分割结果。
步骤200:利用差异植被指数法从所述分割结果中提取初始水体信息。
步骤300:根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息。
从上述描述可知,本申请实施例中的电子设备,在利用多尺度分割算法对无人机可见光影像进行分割的基础上,使用可见光波段差异植被指数法对分割结果进行计算,以初步提取出植被信息与水体信息,接着,通过构建蓝波段标准差与平均值差异水体指数进一步对提取结果进行计算,从而达到准确提取水体信息的目的。与现有技术相对,本方法提出可以对仅有RGB三波段的无人机可见光影像提取水体信息,克服了由于无人机可见光影像缺少对水体信息比较敏感的近红外波段(NIR),仅仅使用红(R)、绿(G)、蓝(B)三个波段信息,现有的水体指数不能仅依靠RGB三个波段提取无人机可见光影像的水体信息的问题,综上,本方法能够在无人机可见光影像中,利用蓝波段的平均值与标准差的差异区分可见光影像中的水体信息与植被信息,最终准确提取水体信息。
本申请的实施例还提供能够实现上述实施例中的面向无人机可见光影像的水体信息提取方法中全部步骤的一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的面向无人机可见光影像的水体信息提取方法的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:对所述可见光影像进行分割,以生成所述可见光影像的分割结果。
步骤200:利用差异植被指数法从所述分割结果中提取初始水体信息。
步骤300:根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息。
从上述描述可知,本申请实施例中的计算机可读存储介质,在利用多尺度分割算法对无人机可见光影像进行分割的基础上,使用可见光波段差异植被指数法对分割结果进行计算,以初步提取出植被信息与水体信息,接着,通过构建蓝波段标准差与平均值差异水体指数进一步对提取结果进行计算,从而达到准确提取水体信息的目的。与现有技术相对,本方法提出可以对仅有RGB三波段的无人机可见光影像提取水体信息,克服了由于无人机可见光影像缺少对水体信息比较敏感的近红外波段(NIR),仅仅使用红(R)、绿(G)、蓝(B)三个波段信息,现有的水体指数不能仅依靠RGB三个波段提取无人机可见光影像的水体信息的问题,综上,本方法能够在无人机可见光影像中,利用蓝波段的平均值与标准差的差异区分可见光影像中的水体信息与植被信息,最终准确提取水体信息。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种面向无人机可见光影像的水体信息提取方法,其特征在于,包括:
对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
利用差异植被指数法从所述分割结果中提取初始水体信息;
根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息;
所述根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息,包括:
利用最佳分割尺度法,对所述初始水体信息进行二次分割;
计算所述平均值与所述标准差平方之间的差值;
根据所述差值从二次分割后的可见光影像中提取所述最终水体信息。
2.根据权利要求1所述的水体信息提取方法,其特征在于,所述对所述可见光影像进行分割,以生成所述可见光影像的分割结果,包括:
利用多尺度分割算法计算分割所述可见光影像的分割尺度;
利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
3.一种面向无人机可见光影像的水体信息提取装置,其特征在于,包括:
分割结果生成单元,用于对所述可见光影像进行分割,以生成所述可见光影像的分割结果;
初始信息提取单元,用于利用差异植被指数法从所述分割结果中提取初始水体信息;
最终信息提取单元,用于根据所述可见光影像中蓝波段的平均值及蓝波段的标准差,从所述初始水体信息中提取最终水体信息;
所述最终信息提取单元包括:
二次分割模块,用于利用最佳分割尺度法,对所述初始水体信息进行二次分割;
差值计算第二模块,用于计算所述平均值与所述标准差平方之间的差值;
最终信息提取第二模块,用于根据所述差值从二次分割后的可见光影像中提取所述最终水体信息。
4.根据权利要求3所述的水体信息提取装置,其特征在于,所述分割结果生成单元包括:
分割尺度计算模块,用于利用多尺度分割算法计算分割所述可见光影像的分割尺度;
分割结果生成模块,用于利用所述分割尺度对所述可见光影像进行分割,以生成所述分割结果。
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至2任一项所述面向无人机可见光影像的水体信息提取方法的步骤。
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,该计算机程序被处理器执行时实现权利要求1至2任一项所述面向无人机可见光影像的水体信息提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903059.4A CN110717413B (zh) | 2019-09-24 | 2019-09-24 | 面向无人机可见光影像的水体信息提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903059.4A CN110717413B (zh) | 2019-09-24 | 2019-09-24 | 面向无人机可见光影像的水体信息提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717413A CN110717413A (zh) | 2020-01-21 |
CN110717413B true CN110717413B (zh) | 2022-11-25 |
Family
ID=69210008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910903059.4A Active CN110717413B (zh) | 2019-09-24 | 2019-09-24 | 面向无人机可见光影像的水体信息提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717413B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308024A (zh) * | 2020-11-23 | 2021-02-02 | 中国水利水电科学研究院 | 一种水体信息提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957079A (zh) * | 2016-04-28 | 2016-09-21 | 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 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN107832697A (zh) * | 2017-11-01 | 2018-03-23 | 中国科学院地理科学与资源研究所 | 三七种植信息快速提取的处理方法和系统 |
CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
-
2019
- 2019-09-24 CN CN201910903059.4A patent/CN110717413B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957079A (zh) * | 2016-04-28 | 2016-09-21 | 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 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN107832697A (zh) * | 2017-11-01 | 2018-03-23 | 中国科学院地理科学与资源研究所 | 三七种植信息快速提取的处理方法和系统 |
CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
Non-Patent Citations (3)
Title |
---|
Highly efficient paddy classification using UAV-based orthorectified image;Liu Hongli et al.;《2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20171204;全文 * |
面向对象分类技术在开发建设项目水土保持监测中的应用;周湘山等;《水土保持通报》;20180615;第38卷(第3期);正文第1.3节、第2章 * |
面向对象和规则的高分辨率影像分类和建筑物信息提取研究;董小姣;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20150415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110717413A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795976B (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
Miao et al. | An object-based method for road network extraction in VHR satellite images | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
US20100008576A1 (en) | System and method for segmentation of an image into tuned multi-scaled regions | |
CN104778721A (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN105787943B (zh) | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 | |
CN104537622B (zh) | 单幅图像中去除雨滴影响的方法和系统 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN103927759A (zh) | 一种航空图像自动云检测方法 | |
CN110738134B (zh) | 面向无人机可见光影像的土壤信息提取方法及装置 | |
Hosseinpoor et al. | Convolutional neural network for building extraction from high-resolution remote sensing images | |
CN114463644A (zh) | 河流流量遥感监测方法及装置 | |
CN110717413B (zh) | 面向无人机可见光影像的水体信息提取方法及装置 | |
Wang et al. | Region-line association constraints for high-resolution image segmentation | |
Kim et al. | Adaptive descriptor-based robust stereo matching under radiometric changes | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
CN116012393A (zh) | 一种纸箱点云分割方法、装置以及处理设备 | |
CN112365525B (zh) | 高分辨率遥感影像变化检测网络和方法及装置 | |
Csillik | Superpixels: The end of pixels in obia. A comparison of stat-of-the-art superpixel methods for remote sensing data | |
CN112651351A (zh) | 一种数据处理的方法和装置 | |
Li et al. | A new smoothing-based farmland extraction approach with vectorization from raster remote sensing images | |
Li et al. | A new region growing-based segmentation method for high resolution remote sensing imagery | |
CN110807776A (zh) | 一种基于全局区域对比度的农作物半翅目害虫图像自动分割算法 | |
Rasche et al. | Satellite image classification with contours |
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 |