CN111199236A - 一种利用决策树提取卫星影像中水体的方法、设备及介质 - Google Patents

一种利用决策树提取卫星影像中水体的方法、设备及介质 Download PDF

Info

Publication number
CN111199236A
CN111199236A CN202010009512.XA CN202010009512A CN111199236A CN 111199236 A CN111199236 A CN 111199236A CN 202010009512 A CN202010009512 A CN 202010009512A CN 111199236 A CN111199236 A CN 111199236A
Authority
CN
China
Prior art keywords
water body
branch
decision trees
decision tree
simplified
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.)
Pending
Application number
CN202010009512.XA
Other languages
English (en)
Inventor
范锦龙
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.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
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 National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202010009512.XA priority Critical patent/CN111199236A/zh
Publication of CN111199236A publication Critical patent/CN111199236A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

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

Abstract

本发明提供了一种利用决策树提取卫星影像中水体的方法、设备及介质，所述方法包括：将多波段遥感影像读取为矩阵数据并生成所需指数矩阵数据；根据所述矩阵数据设定3段式阈值；根据所述3段式阈值建立3支决策树，带入数据进行计算，形成全部树枝文件；分析所述3支决策树的树枝文件；根据树枝的分析结果，形成简化的决策树并生成简化后的树枝文件；根据所述简化后的树枝文件，统计3支决策树识别出的水体信息并进行优化判断；根据上述判断的结果，生成最终文件。采用本发明提供的利用决策树提取卫星影像中水体的方法，能够实现高效、大范围应用且识别准确率高。

Description

一种利用决策树提取卫星影像中水体的方法、设备及介质
技术领域
本发明涉及遥感影像处理技术领域，尤其是涉及一种利用决策树提取卫星影像中水体的方法、设备及介质。
背景技术
水体是一个非常重要的参量，基于遥感影像获取大范围水体信息有着其它技术无可比拟的优势。基于遥感技术，常见的水体信息提取方法主要分为：单波段或多波段阈值法、水体指数法、分类法等。单波段或多波段阈值法通常设定一个阈值，据此判断是否为水体，方法比较简单，但是精度较差，而且阈值因区域而异，不宜于大范围应用。水体指数法是利用构建的归一化水体指数进行水体的识别。同样也需要设定一个阈值为确定是否为水体，该方法较波段阈值法有进步，但是水体与阴影很难区分，二者经常是混合在一起的。分类法的使用也很多，选取水体样本，然后利用不同的分类算子，将整个区域的分类和其它类别区分开来。分类法的精度可以得到提升，但是由于分类法计算时间长，而且需要采集大量的样本，开展全球水体的识别时，其效率并不能满足需要。另外，光学遥感影像与微波、雷达影像的特点不同，使用时应考虑的因素也不同。
事实上，不同来源的光学数据也有其本身的优势和制约因素。通常国产卫星主要采用蓝、绿、红和近红外通道，可以利用的光谱信息也就这么多。如果不需要借助其它辅助数据，开展水体提取的效率将会大大提高。
发明内容
现有技术存在的问题：
现有技术没有一种效率高，能够大范围应用且识别准确率高的基于遥感影像识别水体的方法。
针对现有技术存在的缺陷，第一方面，本发明提供了一种利用决策树提取卫星影像中水体的方法，包括：
将多波段遥感影像读取为矩阵数据并生成所需指数矩阵数据；
根据所述矩阵数据设定3段式阈值；
根据所述3段式阈值建立3支决策树，带入数据进行计算，形成全部树枝文件；
分析所述3支决策树的树枝文件；
根据树枝的分析结果，形成简化的决策树并生成简化后的树枝文件；
根据所述简化后的树枝文件，统计3支决策树识别出的水体信息并进行优化判断；
根据上述判断的结果，生成最终文件。
本发明的有益效果是：
采用本发明提供的利用决策树提取卫星影像中水体的方法，能够高效、能够大范围应用且识别准确率高的实现在遥感卫星影像中识别水体。
进一步，所述将多波段遥感影像读取为矩阵数据之后还包括：根据所述矩阵数据，按照通用的公式生成以下参数中的一个或多个参数：归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
采用上述进一步方案的有益效果是：
通过采用通用公式对所述矩阵数据进行参数计算，从多个参数角度综合描述所述矩阵的数据。
进一步，在所述根据所述矩阵数据设定3段式阈值时，设定3段式阈值包括设定以下参数中的一个或多个参数：蓝波段、归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
采用上述进一步方案的有益效果是：
具体限定了3段式阈值中的参数类型，通过明确的参数类型确定更为准确3段式阈值，进而能够通过3段式阈值建立3支更为准确的决策树，在后续进行像元识别为水体的过程中能有更高的识别准确率。
进一步，所述根据所述3段式阈值建立3支决策树，带入数据进行计算，形成全部树枝文件中建立的3支决策树中，第一支具体包括蓝波段、比值植被指数、和4个波段反射率的贡献比；第二支具体包括归一化植被指数、归一化水体指数、和归一化绿红指数；第三支具体包括4个波段反射率均分贡献比。
采用上述进一步方案的有益效果是：
更进一步的具体限定了每支决策树中所用到的阈值参数类型，构建了最为精准的用于像元识别为水体的决策树。大幅提高了识别准确率。
进一步，所述根据树枝的分析结果，形成简化的决策树并生成简化后的树枝文件具体包括：
根据树枝的分析结果，合并同类的树枝，形成简化的决策树。
进一步，所述根据所述简化后的树枝文件，统计3支决策树识别出的水体信息并进行判断中的所述进行判断包括：
如果某个像元被识别为水体的次数为3，则此像元为高信度水体；如果某个像元被识别为水体的次数为2，则此像元为中信度水体；如果某个像元被识别为水体的次数为1，则此像元为低信度水体，其中有水体也有阴影；如果某个像元被识别为水体的次数为0，则此像元为低非水体区。
采用上述进一步方案的有益效果是：
具体限定了像元被识别为水体次数和此像元为水体可信度之间的关系，被识别为水体的次数越高，则说明此像元为水体的可信度越高。
第二方面，本发明提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述方法的步骤。
第三方面，本发明还提供了一种计算机存储介质，其上存储有计算机程序指令，所述程序指令被处理器执行时用于实现上述的利用决策树提取卫星影像中水体的方法对应的步骤。
本发明的有益效果是：
利用本发明的技术方法，可以通过计算机快速的标记水体区和非水体区，大大方便了后续的数据应用。
附图说明
图1是本发明的一种利用决策树提取卫星影像中水体的方法的流程图；
图2是本发明的实施例1中输入的遥感影像示意图；
图3是本发明的实施例1中经第一支决策树识别后的水体影像示意图；
图4是本发明的实施例1中经第二支决策树识别后的水体影像示意图；
图5是本发明的实施例1中经第三支决策树识别后的水体影像示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定装备结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
如图1所示，本发明提供了一种利用决策树提取卫星影像中水体的方法，包括：
S1：将多波段遥感影像读取为矩阵数据并生成所需指数矩阵数据；
S2：根据所述矩阵数据设定3段式阈值；
S3：根据所述3段式阈值建立3支决策树，带入数据进行计算，形成全部树枝文件；
S4：分析所述3支决策树的树枝文件；
S5：根据树枝的分析结果，形成简化的决策树并生成简化后的树枝文件；
S6：根据所述简化后的树枝文件，统计3支决策树识别出的水体信息并进行优化判断；
S7：根据上述判断的结果，生成最终文件。
实施例1：
步骤1、将多波段遥感影像(包括蓝、绿、红和近红外)读取为矩阵，按照通用的公式生成归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
步骤2、设定3段式阈值，包括蓝波段、归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
步骤3、建立3支决策树，第一支为蓝波段，比值植被指数、4个波段反射率的贡献比；第二支为归一化植被指数、归一化水体指数、归一化绿红指数；第三支为4个波段反射率均分贡献比；带入数据进行计算，形成全部树枝文件。
步骤4、分析3支决策树的树枝文件，重点识别每个支代表什么，主要为云、云阴影、水体、高植被、裸地/低植被区。
步骤5、根据树枝的分析结果，合并同类的树枝，形成简化的决策树，并生成简化后的树枝文件。
步骤6、统计3支决策树识别出的水体信息，如果某个像元被识别为水体的次数为3，则此像元为高信度水体；如果某个像元被识别为水体的次数为2，则此像元为中信度水体；如果某个像元被识别为水体的次数为1，则此像元为低信度水体，其中有水体也有阴影；如果某个像元被识别为水体的次数为0，则此像元为低非水体区。
步骤7、根据上述判断的结果，生成最终文件，即为水休非水体文件。
在一些说明性实施例中，所述将多波段遥感影像读取为矩阵数据之后还包括：根据所述矩阵数据，按照通用的公式生成以下参数中的一个或多个参数：归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
在一些说明性实施例中，在所述根据所述矩阵数据设定3段式阈值时，设定3段式阈值包括设定以下参数中的一个或多个参数：蓝波段、归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
在一些说明性实施例中，所述根据所述3段式阈值建立3支决策树，带入数据进行计算，形成全部树枝文件中建立的3支决策树中，第一支具体包括蓝波段、比值植被指数、和4个波段反射率的贡献比；第二支具体包括归一化植被指数、归一化水体指数、和归一化绿红指数；第三支具体包括4个波段反射率均分贡献比。
在一些说明性实施例中，所述根据树枝的分析结果，形成简化的决策树并生成简化后的树枝文件具体包括：
根据树枝的分析结果，合并同类的树枝，形成简化的决策树。
在一些说明性实施例中，所述根据所述简化后的树枝文件，统计3支决策树识别出的水体信息并进行判断中的所述进行判断包括：
如果某个像元被识别为水体的次数为3，则此像元为高信度水体；如果某个像元被识别为水体的次数为2，则此像元为中信度水体；如果某个像元被识别为水体的次数为1，则此像元为低信度水体，其中有水体也有阴影；如果某个像元被识别为水体的次数为0，则此像元为低非水体区。
第二方面，本发明提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述方法的步骤。
第三方面，本发明还提供了一种计算机存储介质，其上存储有计算机程序指令，所述程序指令被处理器执行时用于实现上述的利用决策树提取卫星影像中水体的方法对应的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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。另一点，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，可以是电性，机械或其它的形式。
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实施例方案的目的。
另外，在本申请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，本申请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，物流管理服务器，或者网络设备等)执行本申请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-Only Memory)、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，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种利用决策树提取卫星影像中水体的方法，其特征在于，包括：
将多波段遥感影像读取为矩阵数据并生成所需指数矩阵数据；
根据所述矩阵数据设定3段式阈值；
根据所述3段式阈值建立3支决策树，带入数据进行计算，形成全部树枝文件；
分析所述3支决策树的树枝文件；
根据树枝的分析结果，形成简化的决策树并生成简化后的树枝文件；
根据所述简化后的树枝文件，统计3枝决策树识别出的水体信息并进行优化判断；
根据上述判断的结果，生成最终文件。
2.根据权利要求1所述的利用决策树提取卫星影像中水体的方法，其特征在于，所述将多波段遥感影像读取为矩阵数据之后还包括：根据所述矩阵数据，按照通用的公式生成以下参数中的一个或多个参数：归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
3.根据权利要求2所述的利用决策树提取卫星影像中水体的方法，其特征在于，在所述根据所述矩阵数据设定3段式阈值时，设定3段式阈值包括设定以下参数中的一个或多个参数：蓝波段、归一化植被指数、归一化水体指数、归一化绿红指数、比值植被指数、4个波段反射率的贡献比、4个波段反射率均分贡献比。
4.根据权利要求2或3所述的利用决策树提取卫星影像中水体的方法，其特征在于，
所述根据所述3段式阈值建立3支决策树，带入数据进行计算，形成全部树枝文件中建立的3支决策树中，第一支具体包括蓝波段、比值植被指数、和4个波段反射率的贡献比；第二支具体包括归一化植被指数、归一化水体指数、和归一化绿红指数；第三支具体包括4个波段反射率均分贡献比。
5.根据权利要求1所述的利用决策树提取卫星影像中水体的方法，其特征在于，所述根据树枝的分析结果，形成简化的决策树并生成简化后的树枝文件具体包括：
根据树枝的分析结果，合并同类的树枝，形成简化的决策树。
6.根据权利要求4所述的利用决策树提取卫星影像中水体的方法，其特征在于，所述根据所述简化后的树枝文件，统计3支决策树识别出的水体信息并进行判断中的所述进行判断包括：
如果某个像元被识别为水体的次数为3，则此像元为高信度水体；如果某个像元被识别为水体的次数为2，则此像元为中信度水体；如果某个像元被识别为水体的次数为1，则此像元为低信度水体，其中有水体也有阴影；如果某个像元被识别为水体的次数为0，则此像元为低非水体区。
7.一种计算机设备，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计算机程序时实现权利要求1～6任一项中所述方法的步骤。
8.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时用于实现权利要求1～6中任一项所述的利用决策树提取卫星影像中水体的方法对应的步骤。
CN202010009512.XA 2020-01-06 2020-01-06 一种利用决策树提取卫星影像中水体的方法、设备及介质 Pending CN111199236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010009512.XA CN111199236A (zh) 2020-01-06 2020-01-06 一种利用决策树提取卫星影像中水体的方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010009512.XA CN111199236A (zh) 2020-01-06 2020-01-06 一种利用决策树提取卫星影像中水体的方法、设备及介质

Publications (1)

Publication Number Publication Date
CN111199236A true CN111199236A (zh) 2020-05-26

Family

ID=70746670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010009512.XA Pending CN111199236A (zh) 2020-01-06 2020-01-06 一种利用决策树提取卫星影像中水体的方法、设备及介质

Country Status (1)

Country Link
CN (1) CN111199236A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112987A (zh) * 2021-11-23 2022-03-01 国家卫星气象中心(国家空间天气监测预警中心) 冬小麦判识阈值确定方法以及冬小麦判识方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855494A (zh) * 2012-08-20 2013-01-02 中国测绘科学研究院 一种卫星遥感影像的水体提取方法及装置
CN107609526A (zh) * 2017-09-21 2018-01-19 吉林大学 基于规则的精细尺度城市不透水面快速提取方法
US10013639B1 (en) * 2013-12-16 2018-07-03 Amazon Technologies, Inc. Analyzing digital images based on criteria
CN108647738A (zh) * 2018-05-17 2018-10-12 中国科学院遥感与数字地球研究所 基于多指数的全球尺度遥感影像水体智能提取方法
CN109472304A (zh) * 2018-10-30 2019-03-15 厦门理工学院 基于sar与光学遥感时序数据的树种分类方法、装置和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855494A (zh) * 2012-08-20 2013-01-02 中国测绘科学研究院 一种卫星遥感影像的水体提取方法及装置
US10013639B1 (en) * 2013-12-16 2018-07-03 Amazon Technologies, Inc. Analyzing digital images based on criteria
CN107609526A (zh) * 2017-09-21 2018-01-19 吉林大学 基于规则的精细尺度城市不透水面快速提取方法
CN108647738A (zh) * 2018-05-17 2018-10-12 中国科学院遥感与数字地球研究所 基于多指数的全球尺度遥感影像水体智能提取方法
CN109472304A (zh) * 2018-10-30 2019-03-15 厦门理工学院 基于sar与光学遥感时序数据的树种分类方法、装置和设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MIN XU: "Decision tree regression for soft classification of remote sensing data", 《REMOTE SENSING OF ENVIRONMENT》 *
李丹: "基于卫星遥感的水体信息提取研究进展与展望", 《清华大学学报》 *
江梅: "基于"三分"法的序贯判别树", 中国卫生统计 *
陈静秋: "基于遥感影像提取土地利用信息的决策树方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112987A (zh) * 2021-11-23 2022-03-01 国家卫星气象中心(国家空间天气监测预警中心) 冬小麦判识阈值确定方法以及冬小麦判识方法
CN114112987B (zh) * 2021-11-23 2024-05-24 国家卫星气象中心(国家空间天气监测预警中心) 冬小麦判识阈值确定方法以及冬小麦判识方法

Similar Documents

Publication Publication Date Title
US8675989B2 (en) Optimized orthonormal system and method for reducing dimensionality of hyperspectral images
CN107665324B (zh) 一种图像识别方法及终端
CN111274865A (zh) 一种基于全卷积神经网络的遥感图像云检测方法及装置
CN109116129B (zh) 终端检测方法、检测设备、系统及存储介质
CN109409377B (zh) 图像中文字的检测方法及装置
CN111080526A (zh) 航拍图像的农田面积的测算方法、装置、设备及介质
US20220198634A1 (en) Method for selecting a light source for illuminating defects, electronic device, and non-transitory storage medium
CN108229232B (zh) 批量扫描二维码的方法和批量扫描二维码的装置
CN113792827B (zh) 目标对象识别方法、电子设备和计算机可读存储介质
CN111738349A (zh) 目标检测算法的检测效果评估方法、装置、存储介质及设备
CN113252584A (zh) 基于5g传输的作物生长检测方法及系统
CN112883987A (zh) 基于遥感光谱特征的目标提取方法及系统及装置及介质
CN111199236A (zh) 一种利用决策树提取卫星影像中水体的方法、设备及介质
CN113421273B (zh) 林草搭配信息遥感提取方法及装置
CN114419458A (zh) 一种基于高分辨率卫星遥感的裸土监测方法、装置和设备
Shi et al. Group-based sparse representation for low lighting image enhancement
US11048946B2 (en) System and method for identifying cognate image sequences
CN115711855B (zh) 一种不透水面的提取方法、装置、终端设备以及存储介质
Biffi et al. Evaluating the performance of a semi-automatic apple fruit detection in a high-density orchard system using low-cost digital rgb imaging sensor
CN115266719A (zh) 基于人工智能的水质监测方法及装置
CN110827243B (zh) 网格梁覆盖区域异常检测方法和装置
Shen et al. A holistic image segmentation framework for cloud detection and extraction
CN113989509A (zh) 基于图像识别的农作物虫害检测方法、检测系统及设备
CN116597318B (zh) 基于遥感影像的灌区耕地精准提取方法、设备及存储介质
CN117115667A (zh) 一种基于遥感图像的杂草数据采集方法

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