CN111339989A - 一种水体提取方法、装置、设备及存储介质 - Google Patents

一种水体提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111339989A
CN111339989A CN202010170997.0A CN202010170997A CN111339989A CN 111339989 A CN111339989 A CN 111339989A CN 202010170997 A CN202010170997 A CN 202010170997A CN 111339989 A CN111339989 A CN 111339989A
Authority
CN
China
Prior art keywords
remote sensing
water body
image
reflectivity
band
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
CN202010170997.0A
Other languages
English (en)
Other versions
CN111339989B (zh
Inventor
姚月
汪明秀
宋彩虹
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.)
Beijing Guanlan Zhitu Technology Co ltd
Original Assignee
Beijing Guanlan Zhitu Technology Co ltd
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 Beijing Guanlan Zhitu Technology Co ltd filed Critical Beijing Guanlan Zhitu Technology Co ltd
Priority to CN202010170997.0A priority Critical patent/CN111339989B/zh
Publication of CN111339989A publication Critical patent/CN111339989A/zh
Application granted granted Critical
Publication of CN111339989B publication Critical patent/CN111339989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G01N2021/4764—Special kinds of physical applications
    • G01N2021/4769—Fluid samples, e.g. slurries, granulates; Compressible powdery of fibrous samples
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种水体提取方法、装置、设备及存储介质，利用空间分辨率高于目标分辨率的遥感影像中的绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；基于该水体指数确定各个像素点是否属于水体。基于本申请方案，除了能够针对大中型湖库或者是大型河流进行水体提取外，还可以提取细小破碎的水体。而且，本申请的方案能够消除建筑物阴影的影响、水体边界处混合像元的影响以及厚云和云阴影的影响，水体提取的准确率较高。

Description

一种水体提取方法、装置、设备及存储介质
技术领域
本申请涉及水体提取技术领域，更具体地说，涉及一种水体提取方法、装置、设备及存储介质。
背景技术
多年来，地表水的变化对于生态、社会、健康以及经济效应的影响一直是学术界关注的问题。快速、准确和高效地提取地表水体具有重要意义。
近年来，各种不同分辨率遥感影像被广泛应用于水体信息提取，许多学者对水体信息遥感处理模型、定量提取方法等方面开展了广泛的研究，取得了众多的研究成果。
然而，目前的水体提取算法主要针对大中型湖库或者是大型河流，这些算法无法实现对细小破碎水体的水体提取算法。因此，如何实现对细小破碎水体的水体提取成为亟待解决的技术问题。
发明内容
本申请的目的是提供一种水体提取方法、装置、设备及存储介质，以实现对细小破碎水体的水体提取。
为实现上述目的，本申请提供了如下技术方案：
一种水体提取方法，包括：
获取遥感影像，所述遥感影像的至少部分波段的空间分辨率高于目标分辨率；
将所述遥感影像转换为遥感反射率影像；
根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；
基于所述水体指数确定各个像素点是否属于水体。
上述方法，优选的，所述根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数，包括：
对应每一个像素点，利用如下模型计算该像素点的水体指数：
Figure BDA0002409170450000021
其中，RWI表示该像素点的水体指数；band3为该像素点的绿光波段的遥感反射率；band5为红边波段1的遥感反射率；band8为该像素点的近红外波段的遥感反射率；band8a为红边波段2的遥感反射率；band12为该像素点的短波红外波段的遥感反射率。
上述方法，优选的，所述基于所述水体指数确定各个像素点是否属于水体，包括：
基于水体指数对遥感反射率影像中的像素点进行非监督分类；
对应每一个类别，计算该类别的所有像素点的水体指数的均值；
将均值最大的类别中的像素点确定为属于水体的像素点。
上述方法，优选的，所述将所述遥感影像转换为遥感反射率影像，包括：
对所述遥感影像依次进行大气校正、影像镶嵌、重采样和波段组合处理，得到地表反射率影像；
将所述地表反射率影像转换为遥感反射率影像。
上述方法，优选的，所述遥感影像为哨兵2影像。
上述方法，优选的，在对所述遥感影像依次进行大气校正、影像镶嵌、重采样和波段组合处理时，具体包括：
利用Sen2cor插件对所述遥感影像进行大气校正；
利用哨兵数据应用平台提供的镶嵌工具对大气校正后的遥感影像进行镶嵌；
利用所述哨兵数据应用平台提供的最邻近法对镶嵌后的遥感影像进行重采样处理；
利用商业软件ENVI对重采样后的遥感影像进行波段组合处理，得到所述地表反射率影像。
一种水体提取装置，包括：
获取模块，用于获取遥感影像，所述遥感影像的至少部分波段的空间分辨率高于目标分辨率；
转换模块，用于将所述遥感影像转换为遥感反射率影像；
水体指数计算模块，用于根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；
水体确定模块，用于基于所述水体指数确定各个像素点是否属于水体。
上述装置，优选的，所述水体指数计算模块具体用于：
对应每一个像素点，利用如下模型计算该像素点的水体指数：
Figure BDA0002409170450000031
其中，NWI2表示该像素点的水体指数；band3为该像素点的绿光波段的遥感反射率；band5为红边波段1的遥感反射率；band8为该像素点的近红外波段的遥感反射率；band8a为红边波段2的遥感反射率；band12为该像素点的短波红外波段的遥感反射率。
一种水体提取设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上任一项所述的水体提取方法的各个步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上任一项所述的水体提取方法的各个步骤。
通过以上方案可知，本申请提供的一种水体提取方法、装置、设备及存储介质，利用空间分辨率高于目标分辨率的遥感影像中的绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；基于该水体指数确定各个像素点是否属于水体。基于本申请方案，除了能够针对大中型湖库或者是大型河流进行水体提取外，还可以提取细小破碎的水体。而且，本申请的方案能够消除建筑物阴影的影响、水体边界处混合像元的影响以及厚云和云阴影的影响，水体提取的准确率较高。
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，下面描述中的附图仅仅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为本申请实施例提供的水体提取方法的一种实现流程图；
图2为本申请实施例提供的将遥感影像转换为遥感反射率影像的一种实现流程图；
图3为本申请实施例提供的雄安新区的部分区域的遥感影像；
图4为本申请实施例提供的基于RWI、MNDWI、MBWI、AWEIsh在图3所示遥感影像中提取水体的结果示意图；
图5为本申请实施例提供的基于本申请的RWI提取的厚云处的水体提取结果示例图；
图6为本申请实施例提供的基于本申请的RWI水体指数对天津于桥水库区域的遥感影像进行水体提取的结果示例图；
图7为本申请实施例提供的水体提取装置的一种结构示意图；
图8为本申请实施例提供的水体提取设备的硬件结构框图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。
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付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。
目前，对于遥感影像上细小水体并没有约定俗成的定义，比如，有方案将细小水体定义为遥感影像中像元表观宽度小于或者等于3个像元的狭小水体。本申请实施例中，将细小水体定义为遥感影像中像元表观宽度大于或等于5个像元，且小于或等于15个像元的细小河流或水塘。
请参阅图1，图1为本申请实施例提供的水体提取方法的一种实现流程图，可以包括：
步骤S11：获取遥感影像，该遥感影像的至少部分波段的空间分辨率高于目标分辨率。
若需要对某个地理区域的水体进行研究，可以获取该地理区域的遥感影像。本申请实施例中，遥感影像需要具备绿光波段(中心波长为560nm)、红边波段1(中心波长为705nm)、近红外波段(中心波长为842nm)、红边波段2(中心波长为865nm)，以及短波红外波段(中心波长为2190nm)五个波段的信息，且空间分辨率较高。可选的，目标分辨率可以为10米。
比如，遥感影像可以为哨兵2影像，哨兵2影像即为哨兵二号卫星拍摄的多光谱遥感影像。哨兵2影像共有13个波段，该13个波段中包含上述五个波段，且某些波段的空间分辨率可达10米，哨兵2影像的空间分辨率有3种，分别为10米、20米和60米。其中，705nm和865nm波段的空间分辨率是20米，2190nm波段的空间分辨率为60米。
步骤S12：将遥感影像转换为遥感反射率影像。
可选的，可以通过对遥感影像进行大气校正，得到地表反射率影像，将地表反射率影像除以π，得到遥感反射率影像。
步骤S13：根据遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数。
本申请实施例中，对应遥感反射率影像中的每一个像素点(为便于叙述，记为像素点P)，利用该像素点P处的绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算该像素点P的水体指数，该像素点P的水体指数表征该像素点P是否属于水体。
步骤S14：基于水体指数确定各个像素点是否属于水体。
可选的，可以基于水体指数对遥感反射率影像中的像素点进行非监督分类，分类的类别数通常在5-15之间。对应每一个类别，计算该类别的所有像素点的水体指数的均值，将均值最大的类别中的像素点确定为属于水体的像素点。
或者，
可以利用阈值判断各个像素点是否属于水体；具体的，对应每一个像素点，将该像素点的水体指数与阈值进行比较；若该像素点的水体指数大于阈值，确定该像素点为水体。其中，阈值的取值范围为[-0.2，0]。可选的，可以根据采集遥感影像时的季节不同，选用不同的阈值。比如，如果遥感影像是在春季采集的，则阈值可以为-0.2或-0.2左右，如果遥感影像是在夏季采集的，则阈值可以为-0.16或-0.16左右，如果遥感影像是在秋季采集的，则阈值可以为-0.09或-0.09左右。
本申请实施例提供的水体提取方法，利用至少部分波段的空间分辨率高于目标分辨率的遥感影像中的绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；基于该水体指数确定各个像素点是否属于水体。基于本申请方案，除了能够针对大中型湖库或者是大型河流进行水体提取外，还可以提取细小破碎的水体。而且，不管是对大中型湖库或者是大型河流进行水体提取，还是对细小破碎的水体进行水体提取，本申请的方案均能够消除建筑物阴影的影响、水体边界处混合像元的影响以及厚云和云阴影的影响，水体提取的准确率较高。
在一可选的实施例中，上述根据遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数的一种实现方式可以为：
对应每一个像素点，利用如下模型计算该像素点的水体指数：
Figure BDA0002409170450000061
其中，RWI表示该像素点的水体指数；band3为该像素点的绿光波段的遥感反射率；band5为红边波段1的遥感反射率；band8为该像素点的近红外波段的遥感反射率；band8a为红边波段2的遥感反射率；band12为该像素点的短波红外波段的遥感反射率。
在一可选的实施例中，上述将遥感影像转换为遥感反射率影像的一种实现流程图如图2所示，可以包括：
步骤S21：对遥感影像依次进行大气校正、影像镶嵌、重采样和波段组合处理，得到地表反射率影像。
本申请实施例中，先对遥感影像进行预处理，得到地表反射率影像，即DN值影像。DN(Digital Number)值是遥感影像像元亮度值。
可以利用已有的预处理工具对遥感影像进行预处理。比如：
可以使用商业软件遥感影像处理平台(The Environment for VisualizingImages，ENVI)提供的FLASSH、QUAC等工具对遥感影像进行大气校正；或者，可以使用acolite软件对遥感影像进行大气校正。如果遥感影像是哨兵2影像，则可以使用欧洲航天局官网提供的Sen2cor插件对遥感影像进行大气校正，Sen2cor插件能够批量进行大气校正，快捷方便，同时在本申请实施例中，利用Sen2cor插件进行大气校正相较于其它大气校正方法，效果更好。
可以使用ENVI提供的镶嵌工具对大气校正后的影像进行镶嵌，或者，可以使用欧洲航天局官网提供的哨兵数据应用平台(Sentinel Application Platform，简称SNAP)提供的镶嵌工具对大气校正后的影像进行镶嵌。相比于ENVI提供的镶嵌工具，本申请实施例中，使用SNAP提供的镶嵌工具时数据处理速度更快，镶嵌效果更好。需要说明的是，研究区域有大有小，一些较小研究区域可能只需要一景遥感影像即可以被覆盖，一些较大研究可能需要多景遥感影像才能够被覆盖，因此，如果步骤S11中获取的地理区域的遥感影像有至少两景，则需要执行该镶嵌步骤，如果步骤S11中获取的地理区域的遥感影像只有一景，则无需执行该镶嵌步骤，直接执行后续的重采样步骤即可。
可以使用SNAP提供的最邻近法对镶嵌处理后的影像进行重采样，或者，可以采用双线性内插法或三次卷积内插法对镶嵌处理后的影像进行重采样。相比于双线性内插法或三次卷积内插法，最邻近法计算简单，运算量小，且不破坏原始影像的灰度信息。可选的，如果遥感影像中所有波段的空间分辨率均大于或等于目标分辨率，且所有波段的空间分辨率均相同，则无需执行该重采样步骤，直接执行后续的波段组合步骤即可。如果遥感影像中有空间分辨率小于目标分辨率的波段，或者，虽然遥感影像中所有波段的空间分辨率均大于或等于目标分辨率，但至少部分波段的空间分辨率不相同，则可以对空间分辨率小于目标分辨率的波段进行重采样，使其空间分辨率达到目标分辨率或者达到遥感影像中的最大空间分辨率。比如哨兵2影像，可以将空间分辨率是20米和60米的波段都重采样到10米的空间分辨率。
可以使用ENVI提供的波段组合(Layersatcking)工具多重采样后的影像进行波段组合，或者，可以采用arcgis软件进行波段组合。
步骤S22：将地表反射率影像转换为遥感反射率影像。
可选的，可以使用ENVI软件中的波段计算工具(bandmath)将地表反射率影像除以π，得到遥感反射率影像。
下面通过对比说明本申请提供的水体提取方案(记为RWI)与三种现有技术的方案(MNDWI、MBWI、AWEIsh)的识别效果。
目视解释是遥感图像解译的一种，又称目视判读或目视判译，是遥感成像的逆过程，是目前国内使用最多的一种影像提取方法。具体是指凭借人的眼睛(也可借助光学仪器)，依靠解译者的知识、经验和掌握的相关资料，通过大脑分析、推理、判断，提取遥感图像中有用的信息。
雄安新区内的地表水体以白洋淀为主体，白洋淀区被划分为众多大大小小的水塘，同时分布着交错的细小航道，导致水体细小破碎，水体边界不易区分。如图3所示，为本申请实施例提供的雄安新区的部分区域的遥感影像。在该影像中通过人工目视解释出水体分布斑块，作为检验的真值。该示例中，目视解释得到的精确水体面积为759721.1m2。
如图4所示，为基于RWI、MNDWI、MBWI、AWEIsh在图3所示遥感影像中提取水体的结果示意图。可以看出，MNDWI水体指数虽然对建筑物的阴影的去除有较好的效果，但对水体边界的识别不够精确，并且会将水体和水草混合像元错误识别为水体；MBWI水体指数提取的水体结果较真实结果偏小；AWEIsh水体指数会将水体和水草的混合像元识别为水体。图4中的1号圆形标记区域是对不同方法对细小水体的水体边界的提取结果的对比，2号圆形标记区域是对不同方法消除混合像元的影响的能力的对比，3号圆形标记区域是对不同方法对消除建筑物阴影的影响的能力的对比。显然，基于本申请的RWI提取的细小水体边界更明显，能够将细小水体周围的混合像元和建筑物阴影有效剔除，得到的水体更加精确。另外，实验证明，基于本申请的RWI提取的细小水体也能够消除云阴影的影响。如图5所示，为基于本申请的RWI提取的厚云处的水体提取结果示例图。
其中，基于本申请的RWI提取的水体面积为732500.9m2，基于MNDWI提取的水体面积为727511.1m2，基于MBWI提取的水体面积为667021.5m2，基于AWEIsh提取的水体面积为693079.7m2。则与真值759721.1m2相比：
基于本申请的RWI的水体面积提取差异为3.6％；
基于MNDWI的水体面积提取差异为4.2％；
基于MBWI的水体面积提取差异为12.2％；
基于AWEIsh的水体面积提取差异为8.8％。
显然，基于本申请的水体提取方法提取的水体面积最接近真值。
此外，本申请实施例提供的水体提取方法，不仅适用于细小水体的水体提取，还适用于大型水体的提取。如图6所示，为基于本申请的RWI水体指数对天津于桥水库区域的遥感影像进行水体提取的结果示例图。于桥水库水体稳定、均一、面积较大，但也存在一些细小水体。图6右上角是图中矩形框区域的细小水体提取结果的放大图，从该放大图可以看出，基于本申请的RWI水体指数提取的水体的边界轮廓良好，表明本申请的RWI水体指数对细小水体提取的适用性，矩形框左侧的区域为大面积的水体，其边界提取效果也是良好的，表明本申请的RWI水体指数对大型水体提取的适用性。
与方法实施例相对应，本申请实施例还提供一种水体提取装置，本申请实施例提供的水体提取装置的一种结构示意图如图7所示，可以包括：
获取模块71，转换模块72，水体指数计算模块73和水体确定模块74；其中，
获取模块71用于获取遥感影像，所述遥感影像的至少部分波段的空间分辨率高于目标分辨率。
转换模块72用于将所述遥感影像转换为遥感反射率影像。
水体指数计算模块73用于根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；
水体确定模块74用于基于所述水体指数确定各个像素点是否属于水体。
本申请实施例提供的水体提取装置，利用至少部分波段的空间分辨率高于目标分辨率的遥感影像中的绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；基于该水体指数确定各个像素点是否属于水体。基于本申请方案，除了能够针对大中型湖库或者是大型河流进行水体提取外，还可以提取细小破碎的水体。而且，本申请的方案能够消除建筑物阴影的影响、水体边界处混合像元的影响以及厚云和云阴影的影响，水体提取的准确率较高。
在一可选的实施例中，水体指数计算模块74具体可以用于：
对应每一个像素点，利用如下模型计算该像素点的水体指数：
Figure BDA0002409170450000101
其中，NWI2表示该像素点的水体指数；band3为该像素点的绿光波段的遥感反射率；band5为红边波段1的遥感反射率；band8为该像素点的近红外波段的遥感反射率；band8a为红边波段2的遥感反射率；band12为该像素点的短波红外波段的遥感反射率。
在一可选的实施例中，水体确定模块74可以包括：
比较单元，用于对应每一个像素点，将该像素点的水体指数与阈值进行比较；所述阈值的取值范围为[-0.2，0]；
第一确定单元，用于若该像素点的水体指数大于阈值，确定该像素点为水体。
在一可选的实施例中，水体确定模块74包括：
分类单元，用于基于水体指数对遥感反射率影像中的像素点进行非监督分类。
计算单元，用于对应每一个类别，计算该类别的所有像素点的水体指数的均值。
第二确定单元，用于将均值最大的类别中的像素点确定为属于水体的像素点。
在一可选的实施例中，转换模块72可以包括：
预处理单元，用于对所述遥感影像依次进行大气校正、影像镶嵌、重采样和波段组合处理，得到地表反射率影像；
转换单元，用于将所述地表反射率影像转换为遥感反射率影像。
在一可选的实施例中，所述遥感影像为哨兵2影像。
在一可选的实施例中，预处理单元包括：
大气校正单元，用于利用Sen2cor插件对所述遥感影像进行大气校正；
镶嵌单元，用于利用哨兵数据应用平台提供的镶嵌工具对大气校正后的遥感影像进行镶嵌；
重采样单元，用于利用所述哨兵数据应用平台提供的最邻近法对镶嵌后的遥感影像进行重采样处理；
组合单元，用于利用商业软件ENVI对重采样后的遥感影像进行波段组合处理，得到所述地表反射率影像。
本申请实施例还提供一种水体提取设备，该水体提取设备可以是PC终端、云平台、服务器及服务器集群等。可选的，图8示出了水体提取设备的硬件结构框图，参照图8，水体提取设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取遥感影像，所述遥感影像的至少部分波段的空间分辨率高于目标分辨率；
将所述遥感影像转换为遥感反射率影像；
根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；
基于所述水体指数确定各个像素点是否属于水体。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
获取遥感影像，所述遥感影像的至少部分波段的空间分辨率高于目标分辨率；
将所述遥感影像转换为遥感反射率影像；
根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；
基于所述水体指数确定各个像素点是否属于水体。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
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、或者计算机软件和电子硬件的结合来实现。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。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，也可以两个或两个以上单元集成在一个单元中。
应当理解，本申请实施例中，从权、各个实施例、特征可以互相组合结合，都能实现解决前述技术问题。
所述功能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-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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种水体提取方法，其特征在于，包括：
获取遥感影像，所述遥感影像的至少部分波段的空间分辨率高于目标分辨率；
将所述遥感影像转换为遥感反射率影像；
根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；
基于所述水体指数确定各个像素点是否属于水体。
2.根据权利要求1所述的方法，其特征在于，所述根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数，包括：
对应每一个像素点，利用如下模型计算该像素点的水体指数：
Figure FDA0002409170440000011
其中，RWI表示该像素点的水体指数；band3为该像素点的绿光波段的遥感反射率；band5为红边波段1的遥感反射率；band8为该像素点的近红外波段的遥感反射率；band8a为红边波段2的遥感反射率；band12为该像素点的短波红外波段的遥感反射率。
3.根据权利要求2所述的方法，其特征在于，所述基于所述水体指数确定各个像素点是否属于水体，包括：
基于水体指数对遥感反射率影像中的像素点进行非监督分类；
对应每一个类别，计算该类别的所有像素点的水体指数的均值；
将均值最大的类别中的像素点确定为属于水体的像素点。
4.根据权利要求1所述的方法，其特征在于，所述将所述遥感影像转换为遥感反射率影像，包括：
对所述遥感影像依次进行大气校正、影像镶嵌、重采样和波段组合处理，得到地表反射率影像；
将所述地表反射率影像转换为遥感反射率影像。
5.根据权利要求1-4任意一项所述的方法，其特征在于，所述遥感影像为哨兵2影像。
6.根据权利要求5所述的方法，其特征在于，在对所述遥感影像依次进行大气校正、影像镶嵌、重采样和波段组合处理时，具体包括：
利用Sen2cor插件对所述遥感影像进行大气校正；
利用哨兵数据应用平台提供的镶嵌工具对大气校正后的遥感影像进行镶嵌；
利用所述哨兵数据应用平台提供的最邻近法对镶嵌后的遥感影像进行重采样处理；
利用商业软件ENVI对重采样后的遥感影像进行波段组合处理，得到所述地表反射率影像。
7.一种水体提取装置，其特征在于，包括：
获取模块，用于获取遥感影像，所述遥感影像的至少部分波段的空间分辨率高于目标分辨率；
转换模块，用于将所述遥感影像转换为遥感反射率影像；
水体指数计算模块，用于根据所述遥感反射率影像中绿光波段的遥感反射率、红边波段1的遥感反射率、近红外波段的遥感反射率、红边波段2的遥感反射率，以及短波红外波段的遥感反射率计算各个像素点的水体指数；
水体确定模块，用于基于所述水体指数确定各个像素点是否属于水体。
8.根据权利要求7所述的装置，其特征在于，所述水体指数计算模块具体用于：
对应每一个像素点，利用如下模型计算该像素点的水体指数：
Figure FDA0002409170440000021
其中，NWI2表示该像素点的水体指数；band3为该像素点的绿光波段的遥感反射率；band5为红边波段1的遥感反射率；band8为该像素点的近红外波段的遥感反射率；band8a为红边波段2的遥感反射率；band12为该像素点的短波红外波段的遥感反射率。
9.一种水体提取设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-6中任一项所述的水体提取方法的各个步骤。
10.一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，所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的水体提取方法的各个步骤。
CN202010170997.0A 2020-03-12 2020-03-12 一种水体提取方法、装置、设备及存储介质 Active CN111339989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010170997.0A CN111339989B (zh) 2020-03-12 2020-03-12 一种水体提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010170997.0A CN111339989B (zh) 2020-03-12 2020-03-12 一种水体提取方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111339989A true CN111339989A (zh) 2020-06-26
CN111339989B CN111339989B (zh) 2024-03-19

Family

ID=71184071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010170997.0A Active CN111339989B (zh) 2020-03-12 2020-03-12 一种水体提取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111339989B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932651A (zh) * 2020-08-13 2020-11-13 北京观澜智图科技有限公司 一种水面耀斑的提取方法及相关装置
CN113075167A (zh) * 2021-03-29 2021-07-06 中国科学院空天信息创新研究院 一种水面耀斑的识别方法及装置
CN113340819A (zh) * 2021-06-07 2021-09-03 珠江水利委员会珠江水利科学研究院 基于影像自身统计特征的水体大气校正方法、系统及存储介质
CN115578646A (zh) * 2022-09-16 2023-01-06 二十一世纪空间技术应用股份有限公司 一种蓝藻水华监测方法及装置
CN117315501A (zh) * 2023-10-23 2023-12-29 中国水利水电科学研究院 一种基于水体斑块形状和相邻关系的遥感水体分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统
CN108362267A (zh) * 2018-01-09 2018-08-03 浙江大学 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法
CN108956505A (zh) * 2018-09-18 2018-12-07 航天信德智图（北京）科技有限公司 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN110147746A (zh) * 2019-05-09 2019-08-20 武汉大学 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统
CN108362267A (zh) * 2018-01-09 2018-08-03 浙江大学 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法
CN108956505A (zh) * 2018-09-18 2018-12-07 航天信德智图（北京）科技有限公司 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN110147746A (zh) * 2019-05-09 2019-08-20 武汉大学 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN SCHWATKE等: "Automated Extraction of Consistent Time-Variable Water Surfaces of Lakes and Reservoirs Based on Landsat and Sentinel-2", 《REMOTE SENSING》 *
丁凤: "一种基于遥感数据快速提取水体信息的新方法", 《遥感技术与应用》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932651A (zh) * 2020-08-13 2020-11-13 北京观澜智图科技有限公司 一种水面耀斑的提取方法及相关装置
CN111932651B (zh) * 2020-08-13 2024-03-22 北京观澜智图科技有限公司 一种水面耀斑的提取方法及相关装置
CN113075167A (zh) * 2021-03-29 2021-07-06 中国科学院空天信息创新研究院 一种水面耀斑的识别方法及装置
CN113340819A (zh) * 2021-06-07 2021-09-03 珠江水利委员会珠江水利科学研究院 基于影像自身统计特征的水体大气校正方法、系统及存储介质
CN113340819B (zh) * 2021-06-07 2021-12-10 珠江水利委员会珠江水利科学研究院 基于影像自身统计特征的水体大气校正方法、系统及存储介质
CN115578646A (zh) * 2022-09-16 2023-01-06 二十一世纪空间技术应用股份有限公司 一种蓝藻水华监测方法及装置
CN117315501A (zh) * 2023-10-23 2023-12-29 中国水利水电科学研究院 一种基于水体斑块形状和相邻关系的遥感水体分类方法
CN117315501B (zh) * 2023-10-23 2024-04-12 中国水利水电科学研究院 一种基于水体斑块形状和相邻关系的遥感水体分类方法

Also Published As

Publication number Publication date
CN111339989B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN111339989B (zh) 一种水体提取方法、装置、设备及存储介质
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN109029381B (zh) 一种隧道裂缝的检测方法、系统及终端设备
CN108510504B (zh) 图像分割方法和装置
CN110120046B (zh) 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法
CN108416784B (zh) 城市建成区边界快速提取方法、装置及终端设备
CN105184779B (zh) 一种基于快速特征金字塔的车辆多尺度跟踪方法
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
Li et al. An improved building boundary extraction algorithm based on fusion of optical imagery and LIDAR data
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
CN111275696A (zh) 一种医学图像处理的方法、图像处理的方法及装置
CN108288256A (zh) 一种多光谱马赛克图像复原方法
CN112200854B (zh) 一种基于视频图像的叶类蔬菜三维表型测量方法
CN111640116B (zh) 基于深层卷积残差网络的航拍图建筑物分割方法及装置
CN110288623B (zh) 无人机海上网箱养殖巡检图像的数据压缩方法
CN107688776B (zh) 一种城市水体提取方法
CN115861409B (zh) 大豆叶面积测算方法、系统、计算机设备及存储介质
CN109886170A (zh) 一种钉螺智能检测识别与统计系统
Rashidi et al. Ground filtering LiDAR data based on multi-scale analysis of height difference threshold
CN105678720A (zh) 一种全景拼接判断图像匹配方法及装置
Jiang et al. Unmixing-based spatiotemporal image fusion accounting for complex land cover changes
Adu-Gyamfi et al. Functional evaluation of pavement condition using a complete vision system
CN109101977A (zh) 一种基于无人机的数据处理的方法及装置
Kim et al. Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images
CN117197686A (zh) 一种基于卫星影像的高标准农田地块边界自动识别方法

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