CN111931709B - 遥感影像的水体提取方法、装置、电子设备及存储介质 - Google Patents
遥感影像的水体提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111931709B CN111931709B CN202010976479.8A CN202010976479A CN111931709B CN 111931709 B CN111931709 B CN 111931709B CN 202010976479 A CN202010976479 A CN 202010976479A CN 111931709 B CN111931709 B CN 111931709B
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- index
- sensing image
- image
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 238000000605 extraction Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 65
- 238000012706 support-vector machine Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003809 water extraction Methods 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000007796 conventional method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请实施例提供一种遥感影像的水体提取方法、装置、电子设备及存储介质,涉及遥感影像技术领域。该方法包括获取待测遥感影像,并对所述待测遥感影像进行预处理;基于水体指数、亮度指数和阴影指数对预处理后的所述待测遥感影像的水体区域进行初步提取,以获得图斑图像;利用预先建立的水体区分模型对所述图斑图像进行识别,以区分水体图斑和非水体图斑;根据区分结果,获取水体提取结果,采用亮度指数和阴影指数去除干扰,从而提高水体提取结果的精度,解决了现有方法由于干扰导致精度下降的问题。
Description
技术领域
本申请涉及遥感影像技术领域,具体而言,涉及遥感影像的水体提取方法、装置、电子设备及存储介质。
背景技术
自然界地物信息复杂,存在“同物异谱”和“同谱异物”的现象,特别是有些地区雪和云覆盖较多,而且水体的颜色与一些山体颜色、云层阴影、裸土颜色在影像上也很难区别,此外,在不同时相水体情况下,水体颜色也将会有所不同。
现有的水体提取方法获得的结果精度在一些区域扔不具有较高精度,这些区域由于涉及到冰雪亮度干扰、建筑用地和山体阴影干扰,因此易将其与水体混淆,从而导致提取精度下降。
发明内容
本申请实施例的目的在于提供一种遥感影像的水体提取方法、装置、电子设备及存储介质,采用亮度指数和阴影指数去除干扰,从而提高水体提取结果的精度,解决了现有方法由于干扰导致精度下降的问题。
本申请实施例提供了一种遥感影像的水体提取方法,所述方法包括:
获取待测遥感影像,并对所述待测遥感影像进行预处理;
基于水体指数、亮度指数和阴影指数对预处理后的所述待测遥感影像的水体区域进行初步提取,以获得图斑图像;
利用预先建立的水体区分模型对所述图斑图像进行识别,以区分水体图斑和非水体图斑;
根据区分结果,获取水体提取结果。
在上述实现过程中,通过水体指数、亮度指数和阴影指数去除了冰雪亮度和阴影的干扰问题,使得提取的水体区域,更加符合实际情况,从而提高水体提取结果的精度,解决了现有方法由于干扰导致精度下降的问题。
进一步地,所述基于水体指数、亮度指数和阴影指数对所述待测遥感影像的水体区域进行初步提取,以获得图斑,包括:
根据所述待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数;
根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的亮度指数;
根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的阴影指数;
根据所述水体指数、所述亮度指数和所述阴影指数获取水体提取范围;
利用预设的坡度阈值对所述水体提取范围进行过滤,以得到初步提取结果。
在上述实现过程中,通过水体指数、亮度指数和阴影指数获取水体提取范围,再通过坡度阈值进行过滤,对于水体提取范围中,有些坡度跨度大的区域,明显不是水面,通过坡度阈值的设定,去除不合理的水体范围,得到初步水体提取结果。
进一步地,所述根据所述待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数,包括:
将每个绿波段和近红外波段的波段的波段值进行归一化处理,归一化公式为:
Band_v=value/max(value);
其中,Band_v表示波段的归一化结果值,value表示波段值,max(value)表示波段最大值;
利用归一化波段值对所述待测遥感影像的水体指数进行计算,所述水体指数公式为:
其中,NDWI表示归一化水体指数,B(Green)表示绿波段的归一化波段值,B(NIR)表示近红外波段的归一化波段值;
利用灰度阈值对所述水体指数进行二值化处理,以得到二值化后的水体指数。
在上述实现过程中,对波段值进行归一化处理,使得每个波段的波段值均在0-1之间,利用灰度阈值对水体指数进行二值化处理,使得二值化后的水体指数只有0和1。
进一步地,所述根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的亮度指数,包括:
对每个蓝波段、绿波段和红波段的波段值进行归一化处理;
利用归一化波段值对所述待测遥感影像的亮度指数进行计算,所述亮度指数的公式为:
Brightness(x,y)=max([B(x,y),G(x,y),R(x,y)]);
其中,Brightness表示亮度指数,B、G、R分别表示蓝波段、绿波段和红波段归一化后的波段值,max表示取最大值,x和y分别表示所述待测遥感影像的行号和列号;
利用灰度阈值对所述亮度指数进行二值化处理,以得到二值化后的亮度指数。
在上述实现过程中,归一化处理的计算公式与水体指数中的归一化计算公式相同,利用蓝波段、绿波段和红波段进行亮度指数计算,再利用灰度阈值对亮度指数进行二值化处理,使得二值化后的亮度指数只有0和1。
进一步地,根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的阴影指数,包括:
对每个蓝波段、绿波段和红波段的波段值进行归一化处理;
利用归一化波段值对所述待测遥感影像的阴影指数进行计算,所述阴影指数的公式为:
USI=abs(G+R-2*B);
其中,USI表示阴影指数,B、G、R分别表示蓝波段、绿波段和红波段归一化后的波段值,abs表示取绝对值;
利用灰度阈值对所述阴影指数进行二值化处理,以得到二值化后的阴影指数。
在上述实现过程中,归一化处理的计算公式与水体指数中的归一化计算公式相同,利用蓝波段、绿波段和红波段归一化后的波段值进行阴影指数计算,再利用灰度阈值对阴影指数进行二值化处理,使得二值化后的阴影指数只有0和1。
进一步地,所述方法还包括构建所述水体区分模型:
利用训练遥感影像进行初步提取,获取训练图斑图像;
对所述训练图斑图像上的水体图斑和非水体图斑进行标注;
利用标注的所述图斑图像作为训练样本并调用支持向量机模型进行训练,以获取所述水体区分模型,所述支持向量机模型的公式为:
其中,表示所述支持向量机模型的输出;表示符号函数,z i 和z j 表示
输入的特征向量,K(z i ,z j )为核函数,a i 表示优化参数,y i 表示训练样本的标签,b为分类面
的最优偏置,Num表示训练样本的个数,z i (i=1,…,Num)表示所述支持向量机模型的训练特
征数据库中的所有的特征向量,z j 表示所述支持向量机模型的训练特征数据库中的任意一
个特征向量。
在上述实现过程中,初步提取得到的训练图斑图像作为训练样本对支持向量机模型进行训练和机器学习,从而生成水体区分模型,利用该水体区分模型可以区分水体图斑和非水体图斑,从而剔除非水体图斑,从而得到水体提取结果,有效的提升了水体自动提取精度。
本申请实施例还提供一种遥感影像的水体提取装置,所述装置包括:
预处理模块,用于获取待测遥感影像,并对所述待测遥感影像进行预处理;
图斑获取模块,用于基于水体指数、亮度指数和阴影指数对预处理后的所述待测遥感影像的水体区域进行初步提取,以获得图斑图像;
识别模块,用于利用预先建立的水体区分模型对所述图斑图像进行识别,以区分水体图斑和非水体图斑;
结果获取模块,用于根据区分结果,获取水体提取结果。
在上述实现过程中,通过水体指数、亮度指数和阴影指数去除干扰,进行水体的初步提取,利用水体区分模型区分水体和非水体图斑,从而实现精度高的水体提取,解决了现有方法由于干扰导致精度下降的问题。
进一步地,所述图斑获取模块包括:
水体指数计算模块,用于根据所述待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数;
亮度指数计算模块,用于根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的亮度指数;
阴影指数计算模块,用于根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的阴影指数;
水体提取范围获取模块,用于根据所述水体指数、所述亮度指数和所述阴影指数获取水体提取范围;
初步提取结果获取模块,用于利用预设的坡度阈值对所述水体提取范围进行过滤,以得到初步提取结果。
在上述实现过程中,通过水体指数、亮度指数和阴影指数获取水体提取范围,通过坡度过滤得到水体的初步提取结果,获得图斑图像。
本申请实施例还提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行上述中任一项所述的遥感影像的水体提取方法。
本申请实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行上述中任一项所述的遥感影像的水体提取方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种遥感影像的水体提取方法的流程图;
图2为本申请实施例提供的遥感影像的水体提取方法的程序流程框图;
图3为本申请实施例提供的初步提取的流程图;
图4为本申请实施例提供的初步提取结果图像;
图5为本申请实施例提供的模型训练过程流程图;
图6为本申请实施例提供的最终水体提取结果图像;
图7为本申请实施例提供的遥感影像的水体提取装置的结构框图;
图8为本申请实施例提供的遥感影像的水体提取装置的整体结构框图。
图标:
100-预处理模块;200-图斑获取模块;210-水体指数计算模块;220-亮度指数计算模块;230-阴影指数计算模块;240-水体提取范围获取模块;250-初步提取结果获取模块;300-识别模块;310-模型构建模块;301-训练图像获取模块;302-标注模块;303-训练模块;400-结果获取模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参看图1,图1为本申请实施例提供的一种遥感影像的水体提取方法的流程图。由于现有的水体提取方法无法避免冰雪亮度以及建筑用地和山体阴影干扰,导致提取精度下降,因此,本申请实施例所提供的方法采用水体指数、亮度指数和阴影指数去除上述干扰,从而提高提取精度。如图2所示,为遥感影像的水体提取方法的程序流程框图,该方法包括初分和终分两部分,即通过水体指数、阴影指数和亮度指数的计算并通过坡度过滤得到初步水体提取结果,再利用构建的水体区分模型(由SVM模型训练得到)进行识别,区分水体和非水体图斑,从而得到最终的水体提取结果,在该实现过程中,该方法具体可以包括以下步骤:
步骤S100:获取待测遥感影像,并对待测遥感影像进行预处理;
示例地,可以采用高分辨率卫星遥感影像,且具有如下特征:每景遥感图像的云覆盖区域均不大于15%;每景遥感图像均包含蓝波段,绿波段,红波段和近红外波段4个波段;由于每个区域上影像覆盖情况差异较大,因此不同时相遥感图像时间跨度一般不超过30天。
例如,采用三景青藏高原区域高分1号影像作为待测遥感影像,该影像云覆盖小于10%,为多光谱4波段影像,时相全部集中在2020年5月份。
对待测遥感影像进行预处理,包括几何校正,具体地,利用卫星遥感影像自带的有理多项式系数,通过有理函数模型(Rational Polynomial Coefficients,RPC)实现图像的几何校正:
RPC模型将像素点坐标d(line,sample)表示为以地面点大地坐标D(Latitude,Longitude,Height)为自变量的比值;为了减小计算过程中舍入误差,增强参数求解的稳定性,需要把地面坐标和影像坐标正则化到(-1,1)之间,定义多项式如下:
其中,(P,L,H)为正则化的地面坐标,(X,Y)为正则化的影像坐标。
对于P、L、H表示如下:
其中,Lon、Lat、Height分别表示CGCS2000坐标下的经度、纬度和高程;Lon_off、Lat_off、Height_off分别表示经度、纬度和高程的偏移量。
则,X和Y可表示为:
其中,Col、Row分别表示图像像素点的列数、行数;Samp_Scale,Line_off分别表示列、行的偏移量;Samp_Scale,Line_Scale分别表示列、行的比例因子,上述参数可以在待测遥感影像自带的RPC文件中查到。
其中,多项式系数a i (i=1,2,…,20)在待测遥感影像自带的RPC文件中也可查到。
步骤S200:基于水体指数、亮度指数和阴影指数对预处理后的所述待测遥感影像的水体区域进行初步提取,以获得图斑图像;
如图3所示,为初步提取的流程图,该步骤具体可以包括以下步骤:
步骤S210:根据待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数;
获取待测遥感影像的绿波段和近红外波段的两个波段信息,并利用该两个波段信息计算归一化水体指数(Normalized Difference Water Index,NDWI),包括归一化、水体指数计算和二值化的过程,具体如下:
将每个绿波段和近红外波段的波段值进行归一化处理,使得每个波段的波段值在0-1之间,归一化公式为:
Band_v=value/max(value);
其中,Band_v表示波段的归一化结果值,value表示波段值,max(value)表示波段最大值;
利用归一化波段值对待测遥感影像的水体指数进行计算,所述水体指数公式为:
其中,NDWI表示归一化水体指数,B(Green)表示绿波段的归一化波段值,B(NIR)表示近红外波段的归一化波段值;
利用灰度阈值对所述水体指数进行二值化处理,以得到二值化后的水体指数。
示例地,可以采用大津算法获取二值化的灰度阈值,实现水体指数的二值化,具体实现过程如下:
对于图像I(x,y),前景即目标与背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0,背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;图像的总平均灰度记为μ,类间方差记为g;假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/(M×N);
ω1=N1/(M×N);
N0+N1=M×N;
ω0+ω1=1;
μ=ω0*μ0+ω1*μ1;
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2;
再通过遍历的方法得到使得类间方差g最大的阈值T,即为所求的灰度阈值。
步骤S220:根据待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算待测遥感影像的亮度指数;
该过程具体包括:
对每个蓝波段、绿波段和红波段的波段值进行归一化处理,该计算过程与上述计算水体指数的归一化过程相同,在此不再赘述;
利用归一化波段值对所述待测遥感影像的亮度指数进行计算,所述亮度指数的公式为:
Brightness(x,y)=max([B(x,y),G(x,y),R(x,y)]);
其中,Brightness表示亮度指数,B、G、R分别表示蓝波段、绿波段和红波段归一化后的波段值,max表示取最大值,x和y分别表示所述待测遥感影像的行号和列号;
利用灰度阈值对亮度指数进行二值化处理,以得到二值化后的亮度指数,该二值化所用的方法与水体指数的二值化方法相同,在此不再赘述。
步骤S230:根据待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算待测遥感影像的阴影指数;
该过程具体包括:
对每个蓝波段、绿波段和红波段的波段值进行归一化处理,该计算过程与上述计算水体指数的归一化过程相同,在此不再赘述;
利用归一化波段值对所述待测遥感影像的阴影指数进行计算,所述阴影指数的公式为:
USI=abs(G+R-2*B);
其中,USI表示阴影指数,B、G、R分别表示蓝波段、绿波段和红波段归一化后的波段值,abs表示取绝对值;
利用灰度阈值对阴影指数进行二值化处理,以得到二值化后的阴影指数,该二值化所用的方法与水体指数的二值化方法相同,在此不再赘述。
步骤S240:根据水体指数、亮度指数和阴影指数获取水体提取范围;
根据水体指数二值化结果、阴影指数二值化结果和亮度指数二值化结果,取二值化值相同的区域,得到水体提取范围。
取3种指数二值化结果的交集,通过逻辑判断实现,两两指数取共同值为1的,最后得到3种指数结果都为1的区域。
步骤S250:利用预设的坡度阈值对所述水体提取范围进行过滤,以得到初步提取结果。
计算地形的数字高程模型(DEM)对应的坡度数据slope,采用阈值法,排除坡度大于设定的坡度阈值的水体(不合理的水体范围),得到初步水体提取结果。
示例地,本申请实施例中,将三景影像区域的坡度阈值设定为10度,保留小于10度的水体提取结果,如图4所示,为初步提取结果图像。
该过程中,初步提取结果解决了冰雪亮度干扰和阴影的干扰问题,使得提取的水体区域,更加符合实际情况,精度相比于只用水体指数方法有提升,同时对细小支流水体也能够很好的识别,但是初步提取结果中有很多噪声存在,即使通过坡度阈值进行过滤,提高了水体提取的精度,但是在不同的影像之间有精度差异,还会有亮度和阴影造成的噪声干扰存在,因此,采用水体区分模型对初步提取的水体结果再进行区分,力求除去噪声干扰,从而进一步提升水体提取的精度。
步骤S300:利用预先建立的水体区分模型对所述图斑图像进行识别,以区分水体图斑和非水体图斑;
在该步骤之前,需要建立水体和非水体分类模型即水体区分模型,该水体区分模型是利用支持向量机模型(SVM模型)进行训练和机器学习得到的,如图5所示,为模型训练过程流程图,具体过程如下:
步骤S301:利用训练遥感影像进行初步提取,获取训练图斑图像;
该步骤的具体实现过程与上述待测遥感影像的初步提取过程相同,也是经过预处理、水体指数、亮度指数和阴影指数计算获得水体提取范围再利用进行坡度阈值,从而获得初步提取结果即得到训练图斑图像,该过程不再赘述。
步骤S302:对所述训练图斑图像上的水体图斑和非水体图斑进行标注;
对训练图斑图像上的水体图斑和非水体图斑进行标注,将水体属性的水体图斑赋值为1,非水体属性的非水体图斑赋值为0。
步骤S303:利用标注的所述图斑图像作为训练样本并调用支持向量机模型进行训练,以获取所述水体区分模型,所述支持向量机模型的公式为:
其中,表示所述支持向量机模型的输出;表示符号函数,z i 和z j 表示
输入的特征向量,K(z i ,z j )=为核函数,a i 表示优化参数,y i 表示训练样本的标签,b为分类
面的最优偏置,Num表示训练样本的个数,z i (i=1,…,Num)表示所述支持向量机模型的训练
特征数据库中的所有的特征向量,z j 表示所述支持向量机模型的训练特征数据库中的任意
一个特征向量。
步骤S400:根据区分结果,获取水体提取结果。
利用训练好的水体区分模型,对其输入图斑图像,进行水体识别,识别出初步水体提取结果中水体和非水体图斑;再去掉非水体图斑,即可得到最终水体提取结果,如图6所示,为最终水体提取结果图像。
该方法通过引入亮度指数和阴影指数,去除干扰,得到水体提取结果,再通过标注水体样本和非水体样本,用机器学习方法SVM训练水体和非水体特征,在此基础上,区分水体和非水体图斑,从而实现精度高的水体提取。
此外,该方法中所使用的4个波段的影像数据能够取得较好的应用效果,能适用于大量的卫星传感器,减少了对多光谱遥感图像特定波段的依赖性。
在我国青藏高原三景100km*100km以上范围的GF-1卫星影像上,分别进行了水体提取实验,水体的漏检率均不超过5%,提取精度为95.6%,证明了该发明的有效性。
对于实验用仿真环境在此不做限定,例如可以采用PC机(Intel Core,主频2.5GHZ,内存16GB),Matlab2019a编程环境对高分1号遥感影像进行实验。
实施例2
本申请实施例提供一种遥感影像的水体提取装置,如图7所示,为遥感影像的水体提取装置的结构框图,该装置包括:
预处理模块100,用于获取待测遥感影像,并对所述待测遥感影像进行预处理;
图斑获取模块200,用于基于水体指数、亮度指数和阴影指数对预处理后的所述待测遥感影像的水体区域进行初步提取,以获得图斑图像;
识别模块300,用于利用预先建立的水体区分模型对所述图斑图像进行识别,以区分水体图斑和非水体图斑;
结果获取模块400,用于根据区分结果,获取水体提取结果。
其中,如图8所示,为遥感影像的水体提取装置的整体结构框图,图斑获取模块200包括:
水体指数计算模块210,用于根据所述待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数;
亮度指数计算模块220,用于根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的亮度指数;
阴影指数计算模块230,用于根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的阴影指数;
水体提取范围获取模块240,用于根据所述水体指数、所述亮度指数和所述阴影指数获取水体提取范围;
初步提取结果获取模块250,用于利用预设的坡度阈值对所述水体提取范围进行过滤,以得到初步提取结果。
该装置还包括模型构建模块310:
训练图像获取模块301,利用训练遥感影像进行初步提取,获取训练图斑图像;
标注模块302,用于对所述训练图斑图像上的水体图斑和非水体图斑进行标注;
训练模块303,用于利用标注的所述图斑图像作为训练样本并调用支持向量机模型进行训练,以获取所述水体区分模型,所述支持向量机模型的公式为:
其中,表示所述支持向量机模型的输出;表示符号函数,z i 和z j 表示
输入的特征向量,K(z i ,z j )=为核函数,a i 表示优化参数,y i 表示训练样本的标签,b为分类
面的最优偏置,Num表示训练样本的个数,z i (i=1,…,Num)表示所述支持向量机模型的训练
特征数据库中的所有的特征向量,z j 表示所述支持向量机模型的训练特征数据库中的任意
一个特征向量。
本申请实施例还提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行实施例1中所述的遥感影像的水体提取方法。
本申请实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行实施例1中所述的遥感影像的水体提取方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种遥感影像的水体提取方法,其特征在于,所述方法包括:
获取待测遥感影像,并对所述待测遥感影像进行预处理;
基于水体指数、亮度指数和阴影指数对预处理后的所述待测遥感影像的水体区域进行初步提取,以获得图斑图像;
利用预先建立的水体区分模型对所述图斑图像进行识别,以区分水体图斑和非水体图斑;
根据区分结果,获取水体提取结果;
其中,构建所述水体区分模型的具体步骤包括:
利用训练遥感影像进行初步提取,获取训练图斑图像;
对所述训练图斑图像上的水体图斑和非水体图斑进行标注;
利用标注的所述图斑图像作为训练样本并调用支持向量机模型进行训练,以获取所述水体区分模型,所述支持向量机模型的公式为:
2.根据权利要求1所述的遥感影像的水体提取方法,其特征在于,所述基于水体指数、亮度指数和阴影指数对所述待测遥感影像的水体区域进行初步提取,以获得图斑图像,包括:
根据所述待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数;
根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的亮度指数;
根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的阴影指数;
根据所述水体指数、所述亮度指数和所述阴影指数获取水体提取范围;
利用预设的坡度阈值对所述水体提取范围进行过滤,以得到初步提取结果。
3.根据权利要求2所述的遥感影像的水体提取方法,其特征在于,所述根据所述待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数,包括:
将每个绿波段和近红外波段的波段值进行归一化处理,归一化公式为:
Band_v=value/max(value);
其中,Band_v表示波段的归一化结果值,value表示波段值,max(value)表示波段最大值;
利用归一化波段值对所述待测遥感影像的水体指数进行计算,所述水体指数公式为:
其中,NDWI表示归一化水体指数,B(Green)表示绿波段的归一化波段值,B(NIR)表示近红外波段的归一化波段值;
利用灰度阈值对所述水体指数进行二值化处理,以得到二值化后的水体指数。
4.根据权利要求2所述的遥感影像的水体提取方法,其特征在于,所述根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的亮度指数,包括:
对每个蓝波段、绿波段和红波段的波段值进行归一化处理;
利用归一化波段值对所述待测遥感影像的亮度指数进行计算,所述亮度指数的公式为:
Brightness(x,y)=max([B(x,y),G(x,y),R(x,y)]);
其中,Brightness表示亮度指数,B、G、R分别表示蓝波段、绿波段和红波段归一化后的波段值,max表示取最大值,x和y分别表示所述待测遥感影像的行号和列号;
利用灰度阈值对所述亮度指数进行二值化处理,以得到二值化后的亮度指数。
5.根据权利要求1所述的遥感影像的水体提取方法,其特征在于,根据所述遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的阴影指数,包括:
对每个蓝波段、绿波段和红波段的波段值进行归一化处理;
利用归一化波段值对所述待测遥感影像的阴影指数进行计算,所述阴影指数的公式为:
USI=abs(G+R-2*B);
其中,USI表示阴影指数,B、G、R分别表示蓝波段、绿波段和红波段归一化后的波段值,abs表示取绝对值;
利用灰度阈值对所述阴影指数进行二值化处理,以得到二值化后的阴影指数。
6.一种遥感影像的水体提取装置,其特征在于,所述装置包括:
预处理模块,用于获取待测遥感影像,并对所述待测遥感影像进行预处理;
图斑获取模块,用于基于水体指数、亮度指数和阴影指数对预处理后的所述待测遥感影像的水体区域进行初步提取,以获得图斑图像;
识别模块,用于利用预先建立的水体区分模型对所述图斑图像进行识别,以区分水体图斑和非水体图斑;
结果获取模块,用于根据区分结果,获取水体提取结果;
还包括模型构件模块,所述模型构件模块包括:
训练图像获取模块,利用训练遥感影像进行初步提取,获取训练图斑图像;
标注模块,用于对所述训练图斑图像上的水体图斑和非水体图斑进行标注;
训练模块,用于利用标注的所述图斑图像作为训练样本并调用支持向量机模型进行训练,以获取所述水体区分模型,所述支持向量机模型的公式为:
7.根据权利要求6所述的遥感影像的水体提取装置,其特征在于,所述图斑获取模块包括:
水体指数计算模块,用于根据所述待测遥感影像的绿波段信息和近红外波段信息计算所述待测遥感影像的水体指数;
亮度指数计算模块,用于根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的亮度指数;
阴影指数计算模块,用于根据所述待测遥感影像的蓝波段信息、绿波段信息和红波段信息计算所述待测遥感影像的阴影指数;
水体提取范围获取模块,用于根据所述水体指数、所述亮度指数和所述阴影指数获取水体提取范围;
初步提取结果获取模块,用于利用预设的坡度阈值对所述水体提取范围进行过滤,以得到初步提取结果。
8.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行根据权利要求1至5中任一项所述的遥感影像的水体提取方法。
9.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1至5任一项所述的遥感影像的水体提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976479.8A CN111931709B (zh) | 2020-09-17 | 2020-09-17 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976479.8A CN111931709B (zh) | 2020-09-17 | 2020-09-17 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931709A CN111931709A (zh) | 2020-11-13 |
CN111931709B true CN111931709B (zh) | 2021-01-05 |
Family
ID=73335300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010976479.8A Active CN111931709B (zh) | 2020-09-17 | 2020-09-17 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931709B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113177473B (zh) * | 2021-04-29 | 2021-11-16 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN115423829B (zh) * | 2022-07-29 | 2024-03-01 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
CN115439757A (zh) * | 2022-08-26 | 2022-12-06 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
CN115294461B (zh) * | 2022-10-10 | 2023-01-31 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
CN115860975B (zh) * | 2023-02-15 | 2023-05-23 | 南京航天宏图信息技术有限公司 | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 |
CN117036222B (zh) * | 2023-08-18 | 2024-04-19 | 广东省水利水电科学研究院 | 融合多尺度极化sar图像的水体检测方法、装置及介质 |
CN117557584B (zh) * | 2024-01-10 | 2024-04-09 | 北京观微科技有限公司 | 水体提取方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN107421892A (zh) * | 2016-05-23 | 2017-12-01 | 核工业北京地质研究院 | 一种用于水体信息提取的高光谱数据处理方法 |
CN109191450A (zh) * | 2018-09-11 | 2019-01-11 | 宁波大学 | 一种遥感图像融合质量评价方法 |
CN109858394A (zh) * | 2019-01-11 | 2019-06-07 | 西安电子科技大学 | 一种基于显著性检测的遥感图像水体区域提取方法 |
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 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
RU2695436C1 (ru) * | 2018-07-31 | 2019-07-23 | Федеральное государственное бюджетное образовательное учреждения высшего образования "Самарский государственный технический университет" | Способ дифференциального регулирования подачи воды для широкозахватных дождевальных машин на основе нормализованного разностного водного индекса |
CN111259876A (zh) * | 2020-05-06 | 2020-06-09 | 中国水利水电科学研究院 | 一种基于陆表水体产品的雷达数据水体信息提取方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021890B (zh) * | 2017-12-05 | 2020-03-10 | 武汉大学 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
CN111127405B (zh) * | 2019-12-09 | 2023-08-04 | 中国资源卫星应用中心 | 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 |
-
2020
- 2020-09-17 CN CN202010976479.8A patent/CN111931709B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN107421892A (zh) * | 2016-05-23 | 2017-12-01 | 核工业北京地质研究院 | 一种用于水体信息提取的高光谱数据处理方法 |
RU2695436C1 (ru) * | 2018-07-31 | 2019-07-23 | Федеральное государственное бюджетное образовательное учреждения высшего образования "Самарский государственный технический университет" | Способ дифференциального регулирования подачи воды для широкозахватных дождевальных машин на основе нормализованного разностного водного индекса |
CN109191450A (zh) * | 2018-09-11 | 2019-01-11 | 宁波大学 | 一种遥感图像融合质量评价方法 |
CN109858394A (zh) * | 2019-01-11 | 2019-06-07 | 西安电子科技大学 | 一种基于显著性检测的遥感图像水体区域提取方法 |
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 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN111259876A (zh) * | 2020-05-06 | 2020-06-09 | 中国水利水电科学研究院 | 一种基于陆表水体产品的雷达数据水体信息提取方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于SPOT5影像自动提取水体的新方法;杨树文 等;《武汉大学学报 信息科学版》;20150331;第40卷(第3期);全文 * |
基于SVM方法的航空高光谱赤潮信息提取与分析;周刚 等;《应用海洋学学报》;20140831;第33卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111931709A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931709B (zh) | 遥感影像的水体提取方法、装置、电子设备及存储介质 | |
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
Li et al. | Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery | |
Singh et al. | Shadow detection and removal from remote sensing images using NDI and morphological operators | |
CN110765934B (zh) | 一种多源数据融合的地质灾害识别方法 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
WO2018116367A1 (en) | Image processing device, method and storage medium for removing clouds from an image | |
Abolt et al. | Brief communication: Rapid machine-learning-based extraction and measurement of ice wedge polygons in high-resolution digital elevation models | |
Herrault et al. | Automatic extraction of forests from historical maps based on unsupervised classification in the CIELab color space | |
CN111222564A (zh) | 基于图像通道相关性的图像鉴别系统、方法、装置 | |
CN113343945B (zh) | 水体识别方法、装置、电子设备及存储介质 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
Luo et al. | New deep learning method for efficient extraction of small water from remote sensing images | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
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 | |
CN117132842A (zh) | 基于太赫兹特征的违禁物品智能检测方法 | |
CN109035306B (zh) | 动目标自动检测方法及装置 | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
CN110689549B (zh) | 对象提取方法、装置和设备 | |
CN111125414B (zh) | 一种无人机遥感图像特定目标自动搜索方法 | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
CN109886276A (zh) | 一种表盘滚动数字字符的半字判断方法 |
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 |