CN111539965A - 协同多源信息的城市地表水国产高分遥感自适应提取方法 - Google Patents
协同多源信息的城市地表水国产高分遥感自适应提取方法 Download PDFInfo
- Publication number
- CN111539965A CN111539965A CN202010280089.7A CN202010280089A CN111539965A CN 111539965 A CN111539965 A CN 111539965A CN 202010280089 A CN202010280089 A CN 202010280089A CN 111539965 A CN111539965 A CN 111539965A
- Authority
- CN
- China
- Prior art keywords
- surface water
- remote sensing
- water
- resolution remote
- morphological
- 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
Links
- 239000002352 surface water Substances 0.000 title claims abstract description 108
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 106
- 230000000877 morphologic effect Effects 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 2
- 238000006452 multicomponent reaction Methods 0.000 description 19
- 102000003979 Mineralocorticoid Receptors Human genes 0.000 description 6
- 108090000375 Mineralocorticoid Receptors Proteins 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种协同多源信息的城市地表水国产高分遥感自适应提取方法,包括以下步骤:1)计算高分遥感影像的形态学大/小面积水体指数;2)计算中分遥感影像的改进水体指数;3)对水体指数计算结果,基于GlobeLand30产品的自适应分割,提取城市地表水结果WMSWI,WMLWI和WMNDWI;4)对WMLWI和WMNDWI采用决策级融合后处理获得城市地表水后处理结果WPLN以及对WMNDWI采用纹理特征后处理获得城市地表水后处理结果WPS;5)对步城市地表水后处理结果WPLN和WPS进行联合处理,获取最终的城市地表水结果。本发明实现城市地表水自动化信息提取,克服了国产高分遥感光谱信息不足的条件下,仍能在复杂的城市背景下进行自动化信息提取。
Description
技术领域
本发明属于高分遥感图像处理及信息提取技术领域,尤其涉及一种协同多源信息的城市地表水国产高分遥感自适应提取方法。
背景技术
城市地表水与人类居住环境和生态系统服务密切相关,在城市规划,环境保护和热岛效应中发挥着重要的作用。然而,伴随着城市化进程的加剧及城市安全应急的需要,传统的监测方法(实地测绘和站点信息等)无法满足及时准确的获取城市大区域地表水信息的要求。随着国产高分遥感数据获取的时效性和便捷性均有大幅度的提升,使其成为城市地表水监测的重要数据源。
目前基于光学遥感的城市地表水提取方法基本为5种类型,具体包括:a)单波段阈值分割;b)多波段光谱水指数;c)有监督或无监督分类方法;d)线性解混方法以及e)基于上述方法的组合方法。在这些方法中,多波段光谱水体指数和阈值分割组合的方法因其具备操作便捷且提取结果可靠的特性被广泛研究与应用。当前应用效果较好的方法是一种基于8波段WorldView-2高分遥感影像的新型水体指数(Xie,C.,Huang,X.,Zeng,W.X.,andFang,X.2016.“A novel water index for urban high-resolution eight-bandWorldView-2imagery”.International Journal of Digital Earth,9,925-941)。这种方法在光谱信息的基础上引入了形态信息,有效的抑制了噪声,在提升了水体特征的显著性上有一定的优势。然而,由于国产高分辨率遥感影像的光谱信息匮乏,该水体指数方法未能应用于国产高分辨率遥感影像中。同时,人工的阈值选择难于保证城市地表水分割结果的稳定性与高效性。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种协同多源信息的城市地表水国产高分遥感自适应提取方法,在发挥高分辨率遥感影像的空间信息优势基础上,协同中分辨率遥感影像的光谱信息优势,建立多尺度联合特征,在此基础上,引入GlobeLand30信息产品,提出一种协同多源信息的自适应学习方法,进行城市地表水的自动提取,实现城市地表水的快速监测。
本发明目的通过以下技术方案予以实现:一种协同多源信息的城市地表水国产高分遥感自适应提取方法,所述方法包括如下步骤:1)计算高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI;2)计算中分遥感影像的改进水体指数MNDWI;3)基于GlobeLand30产品的水体类型,对步骤1)的高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI和步骤2)的中分遥感影像的改进水体指数MNDWI,分别进行自适应分割,相应的获取城市地表水初始结果WMSWI、城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI;4)对城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI采用决策级融合后处理获得城市地表水后处理结果WPLN;对WMSWI采用纹理特征后处理获得城市地表水后处理结果WPS;5)对步骤4)的城市地表水后处理结果WPLN和城市地表水后处理结果WPS进行联合处理,获取最终的城市地表水结果WFR。
上述协同多源信息的城市地表水国产高分遥感自适应提取方法中,在步骤1)中,计算高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI包括如下步骤:
MLWI=EMPsMCRmean-EMPsWTHmean
MSWI=EMPsMCRmean+EMPsWTHmean
其中,EMPsMCRmean和EMPsWTHmean的计算方法为:
其中,EMPsMCR(i,rΔs)和EMPsWTH(i,rΔs)的计算方法为:
EMPsMCR(i,rΔs)=MCR(i)(rΔs)
EMPsWTH(i,rΔs)=WTH(i)(rΔs)
其中,MCR(i)(rΔs)和WTH(i)(rΔs)的计算方法为:
WTH(r)=NDWI-γNDWI(r)
其中,归一化水体指数NDWI的计算方法为:
式中,EMPsMCRmean为扩展形态学闭重建轮廓序列的平均值;EMPsWTHmean为扩展形态学形态学顶帽变换轮廓序列的平均值;EMPsMCR(i,rΔs)为扩展形态学闭重建轮廓序列,EMPsWTH(i,rΔs)为扩展形态学形态学顶帽变换轮廓序列;MCR为形态学闭重建,WTH为形态学顶帽变换;φ和γ分别表示NDWI图像的重建闭合和打开,i表示圆形结构体元素的数量,r表示圆形结构体元素的半径,Δs为圆形结构体元素数量之间的步长距离;ρGreen和ρNIR分别为绿色波段和近红外波段的大气顶部反射率。
上述协同多源信息的城市地表水国产高分遥感自适应提取方法中,在步骤2)中,中分遥感影像的改进水体指数MNDWI为:
式中,ρGreen和ρSWIR分别是绿色波段和SWIR波段的大气顶部反射率。
上述协同多源信息的城市地表水国产高分遥感自适应提取方法中,在步骤3)中,基于GlobeLand30产品的水体类型,对步骤1)的高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI和步骤2)的中分遥感影像的改进水体指数MNDWI,分别进行自适应分割,相应的获取城市地表水初始结果WMSWI、城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI包括如下步骤:
3.1)根据步骤1)的高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI和步骤2)的中分遥感影像的改进水体指数MNDWI,对GlobeLand30的水体类型产品进行K-Means聚类分析,从而获取水体样本信息S;
3.2)基于步骤3.1)的水体样本信息S,分别对高分遥感影像的形态学大面积水体指数MLWI、高分遥感影像的形态学小面积水体指数MSWI和中分遥感影像的改进水体指数MNDWI进行阈值分割,获取城市地表水初始结果WMSWI、城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI。
上述协同多源信息的城市地表水国产高分遥感自适应提取方法中,在步骤3.1)中,水体样本信息S通过以下公式得到:
式中,k是簇类型的数量;Ci是GlobeLand30的水体类型产品;t为GlobeLand30的水体类型产品集合的取值;F为下标,F=MSWI、MLWI、MNDWI;DN为基于水体指数计算结果F的像素值;是Ci水体类型产品的平均像素值向量。
上述协同多源信息的城市地表水国产高分遥感自适应提取方法中,在步骤3.2)中,城市地表水初始结果WMSWI、城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI通过以下公式得到:
WF={DNFI|DNFI∈[MeanFS-StdevFS,MeanFS+StdevFS]}
其中,MeanFS的计算方法为:
其中,StdevFS的计算方法为:
式中,MeanFS和StdevFS分别为水体样本S的均值和标准差;n为水体样本S的数量;F为下标,F=MSWI、MLWI、MNDWI;WF为F所对应的城市地表水初始结果,即为WMSWI,WMLWI和WMNDWI。
上述协同多源信息的城市地表水国产高分遥感自适应提取方法中,在步骤4)中,城市地表水后处理结果WPLN的公式如下:
其中,O为城市地表水初始结果的对象;A是对象O的面积;T1为阈值参数。
上述协同多源信息的城市地表水国产高分遥感自适应提取方法中,在步骤4)中,城市地表水后处理结果WPS的公式如下:
其中,GLCM的计算方法为:
式中,GLCM为灰度共生矩阵;N是灰度级的数量;g(i,j)是归一化对称灰度级共生矩阵;NDWI为归一化水体指数;O为城市地表水初始结果的对象;(i,j)为像素坐标;T2为阈值参数。
本发明与现有技术相比具有如下有益效果:
本发明的方法通过计算高分遥感影像的形态学水体指数,提升水体在高分遥感影像中的几何显著度,同时协同中分遥感影像的光谱信息,在此基础上补充水体的光谱信息,提升城市地表水的特征显著性;基于GlobeLand30产品,采用聚类的方法,对多水体特征进行自适应阈值分割,较大程度上克服了多维特征阈值难于确定的问题;采用决策级融合和纹理特征分别对不同类型的城市地表水进行类型后处理,去除噪声干扰,提升方法的鲁棒性,最终实现城市地表水的自动化信息提取。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的同多源信息的城市地表水国产高分遥感自适应提取方法的流程图;
图2(a)是本发明实施例提供的原始高遥感影像和GlobeLand30的水体类型产品;
图2(b)是本发明实施例提供的原始中遥感影像和GlobeLand30的水体类型产品;
图2(c)是本发明实施例提供的原始分遥感影像和GlobeLand30的水体类型产品;
图3(a)是本发明实施例提供的形态学大面积水体指数(MLWI)特征图;
图3(b)是本发明实施例提供的形态学小面积水体指数(MSWI)特征图;
图3(c)是本发明实施例提供的改进的水体指数(MNDWI)特征图;
图4是本发明实施例提供的基于K-Means聚类分析的GlobeLand30水体样本类型优化结果图;
图5(a)是本发明实施例提供的基于优化样本对MLWI进行自适应分割获取的城市地表水初始结果图;
图5(b)是本发明实施例提供的基于优化样本对MSWI进行自适应分割获取的城市地表水初始结果图;
图5(c)是本发明实施例提供的基于优化样本对MNDWI进行自适应分割获取的城市地表水初始结果图;
图6是本发明实施例提供的对WMLWI和WMNDWI采用决策级融合后处理获得城市地表水后处理结果图;
图7是本发明实施例提供的对WMNDWI采用纹理特征后处理获得城市地表水后处理结果图;
图8是本发明实施例提供的城市地表水最终提取结果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明实施例中,所采用的高空间分辨率遥感影像和中空间分辨率遥感影像分别是2016年4月9日和2016年5月4日的高分一号高空间分辨率遥感影像和Landsat-8中空间分辨率遥感影像(见图2(a)和图2(b))。其中,高分一号卫星遥感数据的多光谱和全色分辨率分别为8米和2米,含有四个波段,分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm),红波段(0.63-0.69μm),近红外波段(0.77-0.89μm),辐射量化等级为16bit。Landsat-8卫星遥感数据的多光谱和全色分辨率分别为30米和15米,主要应用六个波段,分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm),红波段(0.63-0.69μm),近红外波段(0.77-0.89μm),中红外波段(1.56-1.66μm)以及全色波段(0.500–0.680)。此外,本实施例中所采用的城市地表水参考产品数据为2010年GlobaLand30土地覆盖产品中的水体产品结果(见图2(c))。
如图1所示,本发明提供了一种基于多源数据协同的城市地表水高分遥感自适应提取方法的具体步骤如下:
1)计算高分遥感影像的形态学大/小面积水体指数(MLWI/MSWI)的具体方法是,
MLWI=EMPsMCRmean-EMPsWTHmean
MSWI=EMPsMCRmean+EMPsWTHmean
其中,EMPsMCRmean和EMPsWTHmean的计算方法为:
其中,EMPsMCR(i,rΔs)和EMPsWTH(i,rΔs)的计算方法为:
EMPsMCR(i,rΔs)=MCR(i)(rΔs)
EMPsWTH(i,rΔs)=WTH(i)(rΔs)
其中,MCR(i)(rΔs)和WTH(i)(rΔs)的计算方法为:
WTH(r)=NDWI-γNDWI(r)
其中,NDWI的计算方法为:
式中,EMPsMCRmean和EMPsWTHmean被定义为扩展形态学轮廓(EMP)的平均值;i表示MCR的数量,其参数(imin,imax和Δi)分别设置为(1,21和1);WTH是圆形结构元素(SE);φ和γ分别表示高分一号影像NDWI的重建闭合和打开,r表示圆形SE的半径,其参数与i的相同。本实施例大水体指数(MLWI)和形态学小水体指数(MSWI)的结果见图3(a)和图3(b)。
2)计算中分遥感影像的改进水体指数(MNDWI)的具体方法是,
式中,ρGreen和ρSWIR分别是绿色波段和SWIR波段的大气顶部(ToA)反射率。本实施例改进的水体指数(MNDWI)特征的结果见图3(c)。
3)根据步骤1)和步骤2)的水体指数计算结果MLWI、MSWI和MNDWI,对GlobeLand30的水体类型产品进行K-Means聚类分析,从而获取纯度较高的水体样本信息S,计算方法为:
式中,k是簇类型的数量;Ci是GlobeLand30的水体类型产品;t为GlobeLand30的水体类型产品集合的取值;F为水体指数计算结果,其取值为{MSWI,MLWI和MNDWI};DN为基于水体指数计算结果F的像素值;是Ci水体类型产品的平均像素值向量。k簇聚集成水体和非水体两类,其中,水体样本信息即为S;
基于步骤3.1)的水体样本结果S,分别对水体指数计算结果MLWI、MSWI和MNDWI特征进行阈值分割,获取城市地表水初始结果WMSWI,WMLWI和WMNDWI,计算方法为:
WF={DNFI|DNFI∈[MeanFS-StdevFS,MeanFS+StdevFS]}
其中,MeanFS的计算方法为:
其中,StdevFS的计算方法为:
式中,MeanFS和StdevFS分别为水体样本S的均值和标准差;n为水体样本S的数量;F为水体指数计算结果,其取值为{MSWI,MLWI和MNDWI};WF为F取值的城市地表水初始结果,即为WMSWI,WMLWI和WMNDWI。本实施例城市地表水初始WMSWI,WMLWI和WMNDWI的结果见图5(a),图5(b)和图5(c)。
4)采用面积指标对WMLWI和WMNDWI进行决策级融合后处理,并获得城市地表水后处理结果WRLN,计算方法是:
式中,O为城市地表水初始结果的对象;A是对象O的面积;T1为阈值参数,本研究通过实验将其设置为0.7。本实施例的采用面积指标的大水体后处理结果图6;
采用纹理特征对WMSWI进行后处理的计算方法是:
其中,GLCM的计算方法为:
式中,GLCM为灰度共生矩阵;N是灰度级的数量;g(i,j)是归一化对称灰度级共生矩阵;NDWI为归一化水体指数;O为城市地表水初始结果的对象;(I,j)为像素坐标;T2为阈值参数,本研究通过实验将其设置为0.4。本实施例的基于纹理特征的小水体后处理结果图7。
5)对4)的城市地表水后处理结果WPLN和WPS进行联合处理,获取最终的城市地表水结果WFR,应用ArcGIS软件中的联合工具。本实施例的城市地表水最终提取结果图8。
本发明的方法利用多尺度形态学方法表达高分遥感的两类城市地表水空间形态特征,提出了形态学大/小面积水体指数,增强了不同形态的城市地表水表达能力;引入GlobeLand30参考产品数据,提出基于聚类的阈值区间自动选择方法,克服了多波段阈值难于确定的问题;由于国产高分遥感影像的光谱信息匮乏,导致城市地表水易于出现与裸地、建筑物阴影等混分问题,为此,协同具备光谱信息丰富的中分Landsat-8数据,采用决策级融合和纹理特征的组合方法,抑制不同类型噪声的干扰,最终现实城市场景下的城市地表水自动化提取。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (8)
1.一种协同多源信息的城市地表水国产高分遥感自适应提取方法,其特征在于,所述方法包括如下步骤:
1)计算高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI;
2)计算中分遥感影像的改进水体指数MNDWI;
3)基于GlobeLand30产品的水体类型,对步骤1)的高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI和步骤2)的中分遥感影像的改进水体指数MNDWI,分别进行自适应分割,相应的获取城市地表水初始结果WMSWI、城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI;
4)对城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI采用决策级融合后处理获得城市地表水后处理结果WPLN;对WMSWI采用纹理特征后处理获得城市地表水后处理结果WPS;
5)对步骤4)的城市地表水后处理结果WPLN和城市地表水后处理结果WPS进行联合处理,获取最终的城市地表水结果WFR。
2.根据权利要求1所述的协同多源信息的城市地表水国产高分遥感自适应提取方法,其特征在于:在步骤1)中,计算高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI包括如下步骤:
MLWI=EMPsMCRmean-EMPsWTHmean
MSWI=EMPsMCRmean+EMPsWTHmean
其中,EMPsMCRmean和EMPsWTHmean的计算方法为:
其中,EMPsMCR(i,rΔs)和EMPsWTH(i,rΔs)的计算方法为:
EMPsMCR(i,rΔs)=MCR(i)(rΔs)
EMPsWTH(i,rΔs)=WTH(i)(rΔs)
其中,MCR(i)(rΔs)和WTH(i)(rΔs)的计算方法为:
WTH(r)=NDWI-γNDWI(r)
其中,归一化水体指数NDWI的计算方法为:
式中,EMPsMCRmean为扩展形态学闭重建轮廓序列的平均值;EMPsWTHmean为扩展形态学形态学顶帽变换轮廓序列的平均值;EMPsMCR(i,rΔs)为扩展形态学闭重建轮廓序列,EMPsWTH(i,rΔs)为扩展形态学形态学顶帽变换轮廓序列;MCR为形态学闭重建,WTH为形态学顶帽变换;φ和γ分别表示NDWI图像的重建闭合和打开,i表示圆形结构体元素的数量,r表示圆形结构体元素的半径,Δs为圆形结构体元素数量之间的步长距离;ρGreen和ρNIR分别为绿色波段和近红外波段的大气顶部反射率。
4.根据权利要求1所述的协同多源信息的城市地表水国产高分遥感自适应提取方法,其特征在于:在步骤3)中,基于GlobeLand30产品的水体类型,对步骤1)的高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI和步骤2)的中分遥感影像的改进水体指数MNDWI,分别进行自适应分割,相应的获取城市地表水初始结果WMSWI、城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI包括如下步骤:
3.1)根据步骤1)的高分遥感影像的形态学大面积水体指数MLWI和高分遥感影像的形态学小面积水体指数MSWI和步骤2)的中分遥感影像的改进水体指数MNDWI,对GlobeLand30的水体类型产品进行K-Means聚类分析,从而获取水体样本信息S;
3.2)基于步骤3.1)的水体样本信息S,分别对高分遥感影像的形态学大面积水体指数MLWI、高分遥感影像的形态学小面积水体指数MSWI和中分遥感影像的改进水体指数MNDWI进行阈值分割,获取城市地表水初始结果WMSWI、城市地表水初始结果WMLWI和城市地表水初始结果WMNDWI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280089.7A CN111539965B (zh) | 2020-04-10 | 2020-04-10 | 协同多源信息的城市地表水国产高分遥感自适应提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280089.7A CN111539965B (zh) | 2020-04-10 | 2020-04-10 | 协同多源信息的城市地表水国产高分遥感自适应提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539965A true CN111539965A (zh) | 2020-08-14 |
CN111539965B CN111539965B (zh) | 2024-03-26 |
Family
ID=71977086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010280089.7A Active CN111539965B (zh) | 2020-04-10 | 2020-04-10 | 协同多源信息的城市地表水国产高分遥感自适应提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539965B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184718A (zh) * | 2020-08-21 | 2021-01-05 | 中国资源卫星应用中心 | 一种城市建筑物高分遥感影像自动提取的方法及装置 |
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 |
CN112991425A (zh) * | 2021-04-28 | 2021-06-18 | 武汉光谷信息技术股份有限公司 | 一种水域水位提取方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100310177A1 (en) * | 2009-05-06 | 2010-12-09 | University Of New Brunswick | Method of interest point matching for images |
CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN109801296A (zh) * | 2019-01-14 | 2019-05-24 | 中国科学院地理科学与资源研究所 | 一种海绵城市建设下垫面嵌套式遥感精细化制图方法 |
CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
CN109934770A (zh) * | 2019-01-21 | 2019-06-25 | 广州地理研究所 | 基于高分辨率卫星遥感影像的城市不透水面提取方法 |
-
2020
- 2020-04-10 CN CN202010280089.7A patent/CN111539965B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100310177A1 (en) * | 2009-05-06 | 2010-12-09 | University Of New Brunswick | Method of interest point matching for images |
CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN109801296A (zh) * | 2019-01-14 | 2019-05-24 | 中国科学院地理科学与资源研究所 | 一种海绵城市建设下垫面嵌套式遥感精细化制图方法 |
CN109934770A (zh) * | 2019-01-21 | 2019-06-25 | 广州地理研究所 | 基于高分辨率卫星遥感影像的城市不透水面提取方法 |
CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
Non-Patent Citations (7)
Title |
---|
GE LI ET.AL: "《Adaptive Multiscale Deep Fusion Residual Network for Remote Sensing Image Classification》", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 57, no. 11 * |
V. DE WITTE ET.AL: "《Classification of multi-source images using color morphological profiles》", 《2011 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
李丹 等: "《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》, vol. 60, no. 2 * |
梁泽毓: "《基于深度学习的多源遥感水体信息提取方法及其应用研究》", 《CNKI硕士电子期刊》 * |
范远程 等: "《基于多源高遥感的水体信息提取研究》", 《2011 INTERNATIONAL CONFERENCE ON ECOLOGICAL PROTECTION OF LAKES‐WETLANDS‐WATERSHED AND APPLICATION OF 3S TECHNOLOGY》 * |
詹国旗: "《基于多源数据的吉林省中西部黑土区侵蚀沟自动提取研究》", 《CNKI硕士电子期刊》 * |
魏航: "《多源遥感图像水体信息提取方法的研究》", 《CNKI硕士电子期刊》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184718A (zh) * | 2020-08-21 | 2021-01-05 | 中国资源卫星应用中心 | 一种城市建筑物高分遥感影像自动提取的方法及装置 |
CN112184718B (zh) * | 2020-08-21 | 2024-05-21 | 中国资源卫星应用中心 | 一种城市建筑物高分遥感影像自动提取的方法及装置 |
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 |
CN112991425A (zh) * | 2021-04-28 | 2021-06-18 | 武汉光谷信息技术股份有限公司 | 一种水域水位提取方法、系统及存储介质 |
CN112991425B (zh) * | 2021-04-28 | 2021-08-06 | 武汉光谷信息技术股份有限公司 | 一种水域水位提取方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111539965B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539965A (zh) | 协同多源信息的城市地表水国产高分遥感自适应提取方法 | |
CN108596103B (zh) | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 | |
Matsuki et al. | Hyperspectral tree species classification of Japanese complex mixed forest with the aid of LiDAR data | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
WO2022252242A1 (zh) | 一种基于多光谱图像的水污染区域识别方法和系统 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN108629757A (zh) | 基于复数剪切波变换与深度卷积神经网络的图像融合方法 | |
CN102446351A (zh) | 一种多光谱与高分辨率全色图像融合方法研究 | |
CN108765359A (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
CN105913421A (zh) | 基于自适应形状暗通道的遥感图像云检测方法 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
CN116310459B (zh) | 基于多视图空谱联合的高光谱图像子空间聚类方法 | |
CN104217440A (zh) | 一种从遥感图像中提取建成区的方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN111275652A (zh) | 一种去除城市遥感图像中雾霾的方法 | |
CN104484670A (zh) | 基于伪彩色和支持向量机的遥感图像云检测方法 | |
CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
CN111368776B (zh) | 一种基于深度集成学习的高分辨率遥感图像分类方法 | |
CN111563866A (zh) | 一种多源遥感图像融合方法 | |
CN113592770B (zh) | 一种去除水草影响的藻华遥感识别方法 | |
CN110766655A (zh) | 一种基于丰度的高光谱图像显著性分析方法 | |
CN115661677A (zh) | 一种基于暗通道特征引导的轻量级卫星影像云检测方法 |
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 |