CN111611965B - 一种基于Sentinel-2影像的陆表水体提取方法 - Google Patents
一种基于Sentinel-2影像的陆表水体提取方法 Download PDFInfo
- Publication number
- CN111611965B CN111611965B CN202010476268.8A CN202010476268A CN111611965B CN 111611965 B CN111611965 B CN 111611965B CN 202010476268 A CN202010476268 A CN 202010476268A CN 111611965 B CN111611965 B CN 111611965B
- Authority
- CN
- China
- Prior art keywords
- water body
- image
- land surface
- surface water
- class
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Sentinel‑2影像的陆表水体提取方法,首先选择合适的Sentinel‑2卫星影像,并在此基础上分析该卫星影像的地物光谱响应机理,从而确定水体特征波段构建陆表水体归一化模型,然后采用大津法计算陆表水体归一化后的影像灰度直方图,自适应确定最大类间差异阈值,最后基于该阈值以及陆表水体归一化模型实现陆表水体的自动提取。本发明是一种适用性较强的陆表水体自动提取方法,方法准确,便捷可靠,可以适用于大尺度地表水体高精度制图。
Description
技术领域
本发明属于遥感影像智能识别技术领域,具体涉及一种基于Sentinel-2影像的陆表水体提取方法的设计。
背景技术
陆表水体作为全球水循环的重要组成部分,对全球生态和气候系统有着不可替代的作用。陆表水体通常包括河流、湖泊和水库等,具有明显季节性变化,因此,陆表水体的快速准确监测对于水文过程和水资源管理具有重要意义。不同于传统的现场测量,遥感技术具有宏观、动态、实时、低成本等优势,已被广泛应用于大尺度陆表水体制图。
利用遥感影像提取水体信息包括单波段阈值法、谱间关系法、水体指数法、遥感影像分类法和混合像元分解法等方法,但考虑到精度要求以及方法的复杂性,水体指数法是其中最为便捷且精度较高的水体提取方法。有的学者针对Landsat卫星遥感影像,相继提出了归一化水体指数(NDWI)、改进的归一化差异水体指数(MNDWI)和多波段组合的自动水体指数(AWEI),以上提出指数都能较好地增强遥感影像水体信息,抑制山体阴影、冰雪和城市阴影等噪声,从而可以较高精度提取陆表水体。
哨兵2号(Sentinel-2)数据作为欧空局新发射的卫星数据,能够获取全球范围卫星数据,相比于Landsat卫星,其传感器的波段设置有很大差异,利用水体指数提取陆表水体,需要针对具体的卫星光谱波段设置,在分析地物光谱响应机理的基础上,选择合适的特征波段和陆表水体归一化模型才能有效突出陆表水体信息,最后采用自适应阈值分割法提取陆表水体。目前,现有技术中还缺少一种基于光谱响应机理分析的Sentinel-2影像的陆表水体快速提取方法。
发明内容
本发明的目的是提出一种基于Sentinel-2影像的陆表水体提取方法,能够基于Sentinel-2卫星遥感数据实现对陆表水体的快速提取,可以适用大尺度地表水体高精度制图。
本发明的技术方案为:一种基于Sentinel-2影像的陆表水体提取方法,包括以下步骤:
S1、从Sentinel-2数据共享网站上选择初始卫星影像数据。
S2、对初始卫星影像数据进行地物光谱响应机理分析,并确定水体特征波段。
S3、根据水体特征波段构建陆表水体归一化模型。
S4、采用大津法自适应确定陆表水体和非水体的分类阈值。
S5、根据陆表水体归一化模型和陆表水体和非水体的分类阈值,通过二值化方法对陆表水体和非水体区域进行自动提取。
进一步地,步骤S1中初始卫星影像数据的选择标准为:
(1)选择晴空无云影像,且无明显大气气溶胶覆盖;
(2)影像中没有缺失扫描行、条带、噪声和异常像元;
(3)影像地物层次分明、色调一致;
(4)影像中无冰雪覆盖。
进一步地,步骤S1中初始卫星影像数据中的影像几何定位精度不低于一个像元。
进一步地,步骤S2中选取初始卫星影像数据中空间分辨率均为20m的波段5和波段11作为水体特征波段。
进一步地,步骤S3中陆表水体归一化模型的公式为:
其中SWI表示陆表水体归一化模型,pvre表示植被红边波段,对应初始卫星影像数据中的波段5,pSWIR表示短波红外波段,对应初始卫星影像数据中的波段11。
进一步地,步骤S4包括以下分步骤:
S41、获取待分类图像的灰度取值{1,2,...,M},并按照阈值T将待分类图像划分为C0={1,2,...,T}和C1={T+1,T+2,...,M}两类。
S42、计算待分类图像中每个灰度级i出现的概率pi:
其中N=n1+n2+…+nM表示图像像素总个数,ni表示对应灰度级i的像素个数,i=1,2,...,M。
S43、根据概率pi计算得到C0类图像像素个数在整个待分类图像中所占的概率w0、C1类图像像素个数在整个待分类图像中所占的概率w1、C0类图像的平均灰度值μ0以及C1类图像的平均灰度值μ1:
S44、根据概率w0、概率w1、平均灰度值μ0和平均灰度值μ1计算得到整个待分类图像的总平均灰度值U:
U=w0*μ0+w1*μ1
S45、根据总平均灰度值U计算得到C0类图像和C1类图像的类间方差g:
g=w0(μ0-U)2+w1(μ1-U)2
S46、选取不同阈值T,重复步骤S41~S45进行迭代计算,选取最大类间方差对应阈值作为陆表水体和非水体的分类阈值Tgood:
Tgood=argmax(g)。
进一步地,步骤S5中对陆表水体和非水体区域进行自动提取的公式为:
其中SWI表示陆表水体归一化模型,Tgood表示陆表水体和非水体的分类阈值,W为提取结果,W=1表示提取水体区域,W=0表示提取非水体区域。
本发明的有益效果是:
(1)本发明基于Sentinel-2卫星遥感数据构建陆表水体归一化模型,并采用大津法自适应确定陆表水体和非水体的分类阈值,从而实现水体信息的自动提取,是一种适用性较强的陆表水体自动提取方法。
(2)本发明具有明确的地物光谱响应机理基础,基于对Sentinel-2卫星影像数据进行地物光谱响应机理分析来确定水体特征波段,方法准确,便捷可靠。
(3)本发明采用自适应阈值方法确定陆表水体和非水体的分类阈值,可以适用于大尺度地表水体高精度制图。
附图说明
图1所示为本发明实施例提供的一种基于Sentinel-2影像的陆表水体提取方法流程图。
图2所示为本发明实施例提供的Sentinel-2典型地物光谱响应曲线示意图。
图3所示为本发明实施例提供的Sentinel-2影像水体提取效果示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于Sentinel-2影像的陆表水体提取方法,如图1所示,包括以下步骤S1~S5:
S1、从Sentinel-2数据共享网站上选择初始卫星影像数据。
本发明实施例中,初始卫星影像数据的选择标准如下:
(1)选择晴空无云影像,且无明显大气气溶胶覆盖;
(2)影像中没有缺失扫描行、条带、噪声和异常像元;
(3)影像地物层次分明、色调一致;
(4)影像中无冰雪覆盖。
本发明实施例中,初始卫星影像数据中选择的影像产品为经过几何精校正后的地表反射率产品,影像几何定位精度不低于一个像元。
S2、对初始卫星影像数据进行地物光谱响应机理分析,并确定水体特征波段。
Sentinel-2卫星传感器共有13个波段,其具体参数如表1所示,该卫星数据不仅包含10m、20m和60m三种空间分辨率数据,而且还包含了植被红边和多个近红外波段,能够较准确地反映不同地物之间光谱反射特征。
表1
根据Sentinel-2的波段设置,选取水体、建筑物、植被和裸地四种典型地物,通过统计各地物对应波段灰度值,分析Sentinel-2卫星影像典型地物光谱响应机理,如图2所示,可以看出水体随着波长增加,其反射率呈现显著衰减趋势,这是因为可见光在水体中大量透射,并且随着波长增加,水体吸收的入射能量也不断增加,导致短波红外波段的水体反射率较小,甚至接近于0。建筑、植被和裸地变化趋势较一致,在波段8A和波段11反射率较高,在波段10反射率较低。
水体指数比值模型构建原理是通过确定水体反射最强反射率特征波段和最强反射率特征波段,增强水体在影像上亮度,与此同时,也要尽量使得其他背景地物在这两个特征波段反射率差值较小,通过构建比值模型,进一步扩大两个特征波段差距,突出水体信息,并抑制其他地物类型信息。根据以上原理,并结合Sentinel-2的各波段分辨率设置,本发明实施例选取初始卫星影像数据中空间分辨率均为20m的波段5和波段11作为水体特征波段。
S3、根据水体特征波段构建陆表水体归一化模型。
本发明实施例中,陆表水体归一化模型采用比值指数,通过两个特征波段反射率之差除以特征波段反射率之和,通过运算,扩大陆表水体和背景地物之间的差异,根据选取的特征波段,构建陆表水体归一化模型,其公式为:
其中SWI表示陆表水体归一化模型,pvre表示植被红边波段,对应初始卫星影像数据中的波段5,pSWIR表示短波红外波段,对应初始卫星影像数据中的波段11。
S4、采用大津法自适应确定陆表水体和非水体的分类阈值。
根据陆表水体归一化模型计算结果为连续变化的灰度值,阈值范围为-1到1之间,其中水体灰度值较高,趋近于1,而非水水体灰度值较低,一般小于0。由于影像成像时间和季节差异,采用固定水体提取阈值往往会造成严重的混分,因此需要针对不同影像采取自适应方式确定阈值。本发明实施例采用大津法作为陆表水体自适应阈值确定方法,它是根据每景影像灰度值计算地物间的最大类间方差,从而自适应确定水体和非水体阈值。当水体和背景地物灰度值相差较大时,水体和非水体地物可以被较好地区分。
步骤S4包括以下分步骤S41~S46:
S41、获取待分类图像的灰度取值{1,2,...,M},并按照阈值T将待分类图像划分为C0={1,2,...,T}和C1={T+1,T+2,...,M}两类。
S42、计算待分类图像中每个灰度级i出现的概率pi:
其中N=n1+n2+…+nM表示图像像素总个数,ni表示对应灰度级i的像素个数,i=1,2,...,M。
S43、根据概率pi计算得到C0类图像像素个数在整个待分类图像中所占的概率w0、C1类图像像素个数在整个待分类图像中所占的概率w1、C0类图像的平均灰度值μ0以及C1类图像的平均灰度值μ1:
S44、根据概率w0、概率w1、平均灰度值μ0和平均灰度值μ1计算得到整个待分类图像的总平均灰度值U:
U=w0*μ0+w1*μ1
S45、根据总平均灰度值U计算得到C0类图像和C1类图像的类间方差g:
g=w0(μ0-U)2+w1(μ1-U)2
S46、选取不同阈值T,重复步骤S41~S45进行迭代计算,选取最大类间方差对应阈值作为陆表水体和非水体的分类阈值Tgood:
Tgood=argmax(g)
S5、根据陆表水体归一化模型和陆表水体和非水体的分类阈值,通过二值化方法对陆表水体和非水体区域进行自动提取,提取公式为:
其中SWI表示陆表水体归一化模型,Tgood表示陆表水体和非水体的分类阈值,W为提取结果,W=1表示提取水体区域,W=0表示提取非水体区域。
本发明实施例中,提取结果如图3所示,其中白色部分为水体区域,黑色部分为非水体区域。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于Sentinel-2影像的陆表水体提取方法,其特征在于,包括以下步骤:
S1、从Sentinel-2数据共享网站上选择初始卫星影像数据;
S2、对初始卫星影像数据进行地物光谱响应机理分析,并确定水体特征波段;
S3、根据水体特征波段构建陆表水体归一化模型;
S4、采用大津法自适应确定陆表水体和非水体的分类阈值;
S5、根据陆表水体归一化模型和陆表水体和非水体的分类阈值,通过二值化方法对陆表水体和非水体区域进行自动提取;
所述步骤S1中初始卫星影像数据的选择标准为:
(1)选择晴空无云影像,且无明显大气气溶胶覆盖;
(2)影像中没有缺失扫描行、条带、噪声和异常像元;
(3)影像地物层次分明、色调一致;
(4)影像中无冰雪覆盖;
所述步骤S1中初始卫星影像数据中的影像几何定位精度不低于一个像元;
所述步骤S2中选取初始卫星影像数据中空间分辨率均为20m的波段5和波段11作为水体特征波段;
所述步骤S3中陆表水体归一化模型的公式为:
其中SWI表示陆表水体归一化模型,pvre表示植被红边波段,对应初始卫星影像数据中的波段5,pSWIR表示短波红外波段,对应初始卫星影像数据中的波段11。
2.根据权利要求1所述的陆表水体提取方法,其特征在于,所述步骤S4包括以下分步骤:
S41、获取待分类图像的灰度取值{1,2,...,M},并按照阈值T将待分类图像划分为C0={1,2,...,T}和C1={T+1,T+2,...,M}两类;
S42、计算待分类图像中每个灰度级i出现的概率pi:
其中N=n1+n2+…+nM表示图像像素总个数,ni表示对应灰度级i的像素个数,i=1,2,...,M;
S43、根据概率pi计算得到C0类图像像素个数在整个待分类图像中所占的概率w0、C1类图像像素个数在整个待分类图像中所占的概率w1、C0类图像的平均灰度值μ0以及C1类图像的平均灰度值μ1:
S44、根据概率w0、概率w1、平均灰度值μ0和平均灰度值μ1计算得到整个待分类图像的总平均灰度值U:
U=w0*μ0+w1*μ1
S45、根据总平均灰度值U计算得到C0类图像和C1类图像的类间方差g:
g=w0(μ0-U)2+w1(μ1-U)2
S46、选取不同阈值T,重复步骤S41~S45进行迭代计算,选取最大类间方差对应阈值作为陆表水体和非水体的分类阈值Tgood:
Tgood=arg max(g)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476268.8A CN111611965B (zh) | 2020-05-29 | 2020-05-29 | 一种基于Sentinel-2影像的陆表水体提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476268.8A CN111611965B (zh) | 2020-05-29 | 2020-05-29 | 一种基于Sentinel-2影像的陆表水体提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611965A CN111611965A (zh) | 2020-09-01 |
CN111611965B true CN111611965B (zh) | 2020-12-22 |
Family
ID=72198429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010476268.8A Active CN111611965B (zh) | 2020-05-29 | 2020-05-29 | 一种基于Sentinel-2影像的陆表水体提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611965B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395989B (zh) * | 2020-11-18 | 2023-07-14 | 北京师范大学 | 一种用于多卫星传感器的积雪覆盖度混合像元分解方法 |
CN112800823B (zh) * | 2021-04-19 | 2024-04-02 | 上海普适导航科技股份有限公司 | 一种水体快速提取方法 |
CN113642191B (zh) * | 2021-08-25 | 2022-03-22 | 中国水利水电科学研究院 | 一种基于短波红外的遥感蒸散模型构建方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2706608A1 (en) * | 2007-11-29 | 2009-06-11 | Intelligent Sentinel Technologies, Llc | Systems and methods for a property sentinel |
US9046363B2 (en) * | 2012-04-27 | 2015-06-02 | SATOP GmbH | Using multispectral satellite data to determine littoral water depths despite varying water turbidity |
US20170280107A1 (en) * | 2016-03-28 | 2017-09-28 | AllSource Analysis, Inc. | Site sentinel systems and methods |
CN109374564A (zh) * | 2018-08-20 | 2019-02-22 | 广州地理研究所 | 一种多源遥感数据城市不透水面提取方法 |
CN109489637B (zh) * | 2018-11-08 | 2019-10-18 | 清华大学 | 水量变化监测方法、装置、计算机设备和存储介质 |
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 |
CN111160349B (zh) * | 2019-12-16 | 2022-06-03 | 广东省科学院广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
-
2020
- 2020-05-29 CN CN202010476268.8A patent/CN111611965B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111611965A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611965B (zh) | 一种基于Sentinel-2影像的陆表水体提取方法 | |
Yang et al. | Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN110100262B (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
CN112700431B (zh) | 基于遥感影像的洪水覆盖面的提取方法 | |
CN105335966A (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN111553922A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN104778668B (zh) | 基于可见光波段光谱统计特征的光学遥感图像薄云去除方法 | |
CN112285710A (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
CN106803078A (zh) | 一种sar图像舰船目标分割方法 | |
CN113191312A (zh) | 一种基于直方图智能阈值和srm辅助的遥感图像水体提取方法 | |
CN112329790A (zh) | 一种城市不透水面信息快速提取方法 | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
CN111929680B (zh) | 一种基于sar图像的洪水淹没程度快速评价方法 | |
CN113469104A (zh) | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 |
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 |