CN112001291B - 洪积扇砾石分布区主河道快速提取的方法与系统 - Google Patents
洪积扇砾石分布区主河道快速提取的方法与系统 Download PDFInfo
- Publication number
- CN112001291B CN112001291B CN202010831776.3A CN202010831776A CN112001291B CN 112001291 B CN112001291 B CN 112001291B CN 202010831776 A CN202010831776 A CN 202010831776A CN 112001291 B CN112001291 B CN 112001291B
- Authority
- CN
- China
- Prior art keywords
- data
- main river
- river channel
- threshold
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 38
- 238000011160 research Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 48
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 14
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 7
- 230000005574 cross-species transmission Effects 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 20
- 238000001914 filtration Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种洪积扇砾石分布区主河道快速提取的方法与系统,方法包括:随机选择洪积扇样本区、获取对应的卫星遥感影像数据并进行预处理、像元计算得到光谱梯度图、设置阈值得到二值影像数据并去噪处理、得到主河道提取结果数据并进行膨胀操作、得到主河道栅格数据并转化为主河道矢量数据;获取研究区域对应的数字高程模型数据并预处理、流域分析、设置阈值提取主河道河网数据并转化为主河道河网矢量数据、将主河道河网矢量数据和主河道矢量数据进行相交运算,得到主河道的线性位置数据。通过本发明提高了提取精度,使提取结果更符合现实规律,能更好地对主河道的形态特征进行定量表征。
Description
技术领域
本发明涉及主河道提取领域,更具体地,涉及一种洪积扇砾石分布区主河道快速提取的方法与系统。
背景技术
洪积扇主要发育在干旱或半干旱山区,是由于高处河流流经出山口处时携带大量砾石、砂体或细粒沉积物而形成的扇形堆积体,又称为干三角洲。形成洪积扇的河流主要分为间歇性和季节性河流,由于河流出山口后,坡度迅速减小,水流分散形成分支,加上气候干旱,分散的水流更易蒸发和渗透,导致河流水量迅速减少,尤其在砾石分布较多的区域,由于砾石颗粒大、孔隙多,会使水分渗漏到更深的地方,因此砾石分布区内冲积扇表层河道长时间处于干涸或半干涸状态,与扇内其他地物之间分异性较小。
洪积扇中水系的形态特征与分布格局一定程度上指示了洪积扇的展布方向以及形态特征等有关信息,同时反映了扇内有效储层的演化与分布。因此,准确获取扇内水系信息可以为有效储层的预测提供合理的指导。
目前,利用遥感数据进行水系提取大多是依据水体具有的光谱反射特征,主要利用水体与其他地物间的光谱反射差异对水系进行提取。但是在洪积扇砾石分布区内,水系与其他地物光谱特征相近,依靠传统方法进行水系提取的效果并不理想。
因此,提供一种扩大扇内水系与非水系信息的差异性,提高主河道提取精度,减少背景噪音的洪积扇砾石分布区主河道快速提取方法,是本领域亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种洪积扇砾石分布区主河道快速提取的方法,其特征在于,包括:
在研究区域内随机选择N个洪积扇样本区,获取所述N个洪积扇样本区对应的L幅卫星遥感影像数据;
对所述L幅卫星遥感影像数据进行几何配准和辐射校正预处理,得到L幅预处理后的卫星遥感影像数据;
每个预处理后的卫星遥感影像数据均包括M个波段影像数据,对所述M个波段影像数据的每个像元进行计算,得到主河道与非河道信息差异显著的红光波段至近红外区波段光谱梯度图;
根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值,1代表主河道,0代表非河道,得到L幅二值影像数据;
对所述L幅二值影像数据进行去噪声处理,得到去噪声后的L组主河道提取结果数据;
对所述L组主河道提取结果数据进行膨胀操作,得到凸显主河道的L组主河道栅格数据;
将所述L组主河道栅格数据转化为L组主河道矢量数据;
获取高分辨率立体像对图像数据,根据所述高分辨率立体像对图像数据获取所述研究区域对应的数字高程模型数据,并进行数据拼接与裁剪、坐标转换,填洼的预处理;
对预处理后的所述数字高程模型数据运用单流向算法进行流域分析,得到所述研究区域的河网数据,通过设置阈值提取出主河道河网数据,并将所述主河道河网数据转化为主河道河网矢量数据;
将所述主河道河网矢量数据和所述L组主河道矢量数据进行相交运算,得到主河道的线性位置数据。
优选地,对所述M个波段影像数据的每个像元进行计算按照以下方法计算:
其中,g(k,k+1)为光谱区间梯度值,ΔR(k,k+1)为不同波段之间像元值的差值,Δλ(k,k+1)为不同波段之间的波长的差值,Rk为第k波段的像元值,Rk+1为第k+1波段的像元值,λk为第k波段的波长,λk+1为第k+1波段的波长。
优选地,根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值按照以下方法进行阈值分割:
(b1gtthreshold)×1+(b1lethreshold)×0,
其中,b1为所述红光波段至近红外区波段光谱梯度图的像元值,threshold为设定的阈值,gt代表大于,le代表小于或等于,将大于阈值的像元赋值为1,小于或等于阈值的像元赋值为0。
优选地,对所述L组主河道提取结果数据进行膨胀操作按照以下方法计算:D(x)={a|Bm↑X},
其中,D(x)为a的合集,X为被处理的对象,B为结构元素,将结构元素B平移m得到Bm,若Bm击中X记下a点。
优选地,通过设置阈值提取出主河道河网数据按照以下方法进行阈值分割:
Con(Flow Accumulation>threshold,1),
其中,函数Con得到条件为真时的值,Flow Accumulation为流量累积量,threshold为设定的阈值。
一种洪积扇砾石分布区主河道快速提取的系统,其特征在于,包括:
图像获取模块和图像预处理模块耦接,用于在研究区域内随机选择N个洪积扇样本区,获取所述N个洪积扇样本区对应的L幅卫星遥感影像数据,并将所述L幅卫星遥感影像数据传输至所述图像预处理模块;
所述图像预处理模块分别与所述图像获取模块和光谱区间梯度计算模块耦接,用于对所述L幅卫星遥感影像数据进行几何配准和辐射校正预处理,并将所述L幅预处理后的卫星遥感影像数据传输至所述光谱区间梯度计算模块;
所述光谱区间梯度计算模块分别与所述图像预处理模块和阈值分割模块耦接,用于对每个预处理后的卫星遥感影像数据包括的M个波段影像数据的每个像元进行计算,得到主河道与非河道信息差异显著的红光波段至近红外区波段光谱梯度图,并将所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图传输至阈值分割模块;
所述阈值分割模块分别与所述光谱区间梯度计算模块和图像二次处理模块耦接,用于根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值,1代表主河道,0代表非河道,得到L幅二值影像数据,并将所述L幅二值影像数据传输至所述图像二次处理模块;
所述图像二次处理模块分别与所述阈值分割模块和膨胀操作模块耦接,用于对所述L幅二值影像数据进行去噪声处理,得到去噪声后的L组主河道提取结果数据,并将所述L组主河道提取结果数据传输至所述膨胀操作模块;
所述膨胀操作模块分别与所述图像二次处理模块和数据转化模块耦接,用于对所述L组主河道提取结果数据进行膨胀操作,得到凸显主河道的L组主河道栅格数据,并将所述L组主河道栅格数据传输至所述数据转化模块;
所述数据转化模块分别与所述膨胀操作模块和线性位置计算模块耦接,用于将所述L组主河道栅格数据转化为L组主河道矢量数据,并将所述L组主河道矢量数据传输至线性位置计算模块;
数字高程模型获取模块与数字高程模型数据预处理模块耦接,用于获取高分辨率立体像对图像数据,根据所述高分辨率立体像对图像数据获取所述研究区域对应的数字高程模型数据,并将所述数字高程模型数据传输至所述数字高程模型数据预处理模块;
所述数字高程模型数据预处理模块分别与所述数字高程模型获取模块和数字高程模型数据计算模块耦接,用于对所述数字高程模型数据进行数据拼接与裁剪、坐标转换,填洼的预处理,并将预处理后的所述数字高程模型数据传输至所述数字高程模型数据计算模块;
所述数字高程模型数据计算模块分别与所述数字高程模型数据预处理模块和所述线性位置计算模块耦接,所述数字高程模型数据计算模块包括分析单元、提取单元和数据转化单元;所述分析单元用于对预处理后的所述数字高程模型数据运用单流向算法进行流域分析,得到所述洪积扇样本区的河网数据,所述提取单元通过设置阈值提取出主河道河网数据,所述数据转化单元将所述主河道河网数据转化为主河道河网矢量数据,并将所述主河道河网矢量数据传输至所述线性位置计算模块;
所述线性位置计算模块分别与所述数据转化模块和所述数字高程模型数据计算模块耦接,用于将所述主河道河网矢量数据和所述L组主河道矢量数据进行相交运算,得到主河道的线性位置数据。
优选地,对所述M个波段影像数据的每个像元进行计算按照以下方法计算:
其中,g(k,k+1)为光谱区间梯度值,ΔR(k,k+1)为不同波段之间像元值的差值,Δλ(k,k+1)为不同波段之间的波长的差值,Rk为第k波段的像元值,Rk+1为第k+1波段的像元值,λk为第k波段的波长,λk+1为第k+1波段的波长。
优选地,根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值按照以下方法进行阈值分割:
(b1gtthreshold)×1+(b1lethreshold)×0,
其中,b1为所述红光波段至近红外区波段光谱梯度图的像元值,threshold为设定的阈值,gt代表大于,le代表小于或等于,此公式将大于阈值的像元赋值为1,小于或等于阈值的像元赋值为0。
优选地,对所述L幅主河道提取结果数据进行膨胀操作按照以下方法计算:D(x)={a|Bm↑X},
其中,D(x)为a的合集,X为被处理的对象,B为结构元素,将结构元素B平移m得到Bm,若Bm击中X记下a点。
优选地,通过设置阈值提取出主河道河网数据按照以下方法进行阈值分割:
Con(Flow Accumulation>threshold,1),
其中,函数Con得到条件为真时的值,Flow Accumulation为流量累积量,threshold为设定的阈值。
与现有技术相比,本发明提供的洪积扇砾石分布区主河道快速提取的方法与系统,至少实现了如下的有益效果:
1.本发明提供的洪积扇砾石分布区主河道快速提取的方法与系统,通过进行光谱梯度分析,扩大了水体信息与其他地物之间的差异性,减少了其他地物对主河道提取的干预,提高了提取精度,使提取结果更符合现实规律。
2.本发明提供的洪积扇砾石分布区主河道快速提取的方法与系统,利用中值滤波进行背景去噪,基于数学形态学进行膨胀处理,降低了背景噪音对提取结果的影响,同时保证了主河道的完整性,能更好地对主河道的形态特征进行定量表征。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是本发明提出的一种洪积扇砾石分布区主河道快速提取的方法的流程图;
图2是本发明提出的一种洪积扇砾石分布区主河道快速提取的系统的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
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讨论。
实施例1
如图1是本发明提出的一种洪积扇砾石分布区主河道快速提取的方法的流程图,该方法包括:
步骤S1:在研究区域内随机选择N个洪积扇样本区,获取N个洪积扇样本区对应的L幅卫星遥感影像数据;
其中,在获取N个洪积扇样本区对应的L幅卫星遥感影像数据时,尽可能在洪水期后进行采集,从而尽量增强主河道的光谱信息;并且卫星遥感影像数据中云量较少可以避免云层对地物的干扰。采用随机原则进行洪积扇样本区选择,可兼顾不同走向、形态特征和洪积扇内主河道的分布情况。
步骤S2:对L幅卫星遥感影像数据进行几何配准和辐射校正预处理,得到L幅预处理后的卫星遥感影像数据;
其中,几何配准采用遥感图像处理软件(ENVI),在工具箱工具(toolbox)中,依次选择几何校正(geometric correction)、配准(registration)、图像配准工作流(imageregistration workflow),在弹出的文件选择面板中输入基准图像和配准图像,点击下一步(next),在弹出的相关点面板进行对应点的添加,并设置配准参数;点击可展示的点(showtable),查看并删除误差较大的点,直至有效值(RMS)小于1,下一步(next),选择图像输出路径,进行配准并输出结果。
辐射校正也采用遥感图像处理软件(ENVI),在工具箱工具(toolbox)中,依次选择辐射校正(Radiometric Correction)、辐射定标(Radiomotric Calibration),选择待校正的遥感影像、校正类型、像元组织方式以及输出图像的路径,开始进行辐射校正。
步骤S3:每个预处理后的卫星遥感影像数据均包括M个波段影像数据,对M个波段影像数据的每个像元进行计算,得到主河道与非河道信息差异显著的红光波段至近红外区波段光谱梯度图;
其中,对M个波段影像数据的每个像元进行计算按照以下方法计算:
其中,g(k,k+1)为光谱区间梯度值,ΔR(k,k+1)为不同波段之间像元值的差值,Δλ(k,k+1)为不同波段之间的波长的差值,Rk为第k波段的像元值,Rk+1为第k+1波段的像元值,λk为第k波段的波长,λk+1为第k+1波段的波长。
对M个波段影像数据的每个像元进行计算,计算时对两个波段影像数据中同一像元位置所对应的不同像元值进行计算,可得到M-1个光谱梯度图,在M-1个光谱梯度图中,通过对比主河道与非河道信息的差异,可得到红光波段至近红外区波段光谱梯度图中主河道与非河道信息的差异显著。
通过光谱梯度计算,重复验证所选光谱区间的有效性,极大增加了主河道与非河道信息的差别度,相对减少非河道信息对主河道信息提取的干扰程度,进一步提高了主河道提取的精度。
步骤S4:根据L幅预处理后的卫星遥感影像数据对应的红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值,1代表主河道,0代表非河道,得到L幅二值影像数据;
其中,根据L幅预处理后的卫星遥感影像数据对应的红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值按照以下方法进行阈值分割:
(b1gtthreshold)×1+(b1lethreshold)×0,
其中,b1为红光波段至近红外区波段光谱梯度图的像元值,threshold为设定的阈值,gt代表大于,le代表小于或等于,将大于阈值的像元赋值为1,小于或等于阈值的像元赋值为0。
步骤S5:对L幅二值影像数据进行去噪声处理,得到去噪声后的L组主河道提取结果数据;
其中,通过阈值分割得到的主河道信息数据中包含少量的离散分布的单个非河道像元信息数据,采用中值滤波法可极大地去除二值影像数据中主河道信息数据包含的独立分布的单个非河道像元信息数据,有效去除背景噪音,可以进一步保证主河道提取的精度。
步骤S6:对L组主河道提取结果数据进行膨胀操作,得到凸显主河道的L组主河道栅格数据;
其中,对L组主河道提取结果数据进行膨胀操作按照以下方法计算:D(x)={a|Bm↑X},
其中,D(x)为a的合集,X为被处理的对象,B为结构元素,将结构元素B平移m得到Bm,若Bm击中X记下a点。
膨胀操作使得主河道得以连续分布,保证了主河道信息的完整性。
步骤S7:将L组主河道栅格数据转化为L组主河道矢量数据;
其中,通过地理信息系统软件(ArcGIS)将L组主河道栅格数据转化为L组主河道矢量数据,并为其定义投影坐标系。
步骤S8:获取高分辨率立体像对图像数据,根据高分辨率立体像对图像数据获取研究区域对应的数字高程模型数据,并进行数据拼接与裁剪、坐标转换,填洼的预处理;
其中,从美国航空航天局(NASA)网站上下载高分辨率立体像对图像数据,根据高分辨率立体像对图像数据可以获取30米分辨率的数字高程模型数据。数据拼接与裁剪得到满足研究区范围的数据,坐标转换将数字高程模型数据转换为卫星遥感影像数据相同的坐标系,填洼防止流域分析时出现不合理或者错误的水流方向。
步骤S9:对预处理后的数字高程模型数据运用单流向算法进行流域分析,得到研究区域的河网数据,通过设置阈值提取出主河道河网数据,并将主河道河网数据转化为主河道河网矢量数据;
其中,通过设置阈值提取出主河道河网数据按照以下方法进行阈值分割:
Con(Flow Accumulation>threshold,1),
其中,函数Con得到条件为真时的值,Flow Accumulation为流量累积量,threshold为设定的阈值。
步骤S10:将主河道河网矢量数据和L组主河道矢量数据进行相交运算,得到主河道的线性位置数据。
实施例2
如图2是本发明提出的一种洪积扇砾石分布区主河道快速提取的系统的结构示意图,该系统包括:
图像获取模块201和图像预处理模块202耦接,用于在研究区域内随机选择N个洪积扇样本区,获取N个洪积扇样本区对应的L幅卫星遥感影像数据,并将L幅卫星遥感影像数据传输至图像预处理模块202;
其中,在获取N个洪积扇样本区对应的L幅卫星遥感影像数据时,尽可能在洪水期后进行采集,从而尽量增强主河道的光谱信息;并且卫星遥感影像数据中云量较少可以避免云层对地物的干扰。采用随机原则进行洪积扇样本区选择,可兼顾不同走向、形态特征和洪积扇内主河道的分布情况。
图像预处理模块202分别与图像获取模块201和光谱区间梯度计算模块203耦接,用于对L幅卫星遥感影像数据进行几何配准和辐射校正预处理,并将L幅预处理后的卫星遥感影像数据传输至光谱区间梯度计算模块203;
其中,几何配准采用遥感图像处理软件(ENVI),在工具箱工具(toolbox)中,依次选择几何校正(geometric correction)、配准(registration)、图像配准工作流(imageregistration workflow),在弹出的文件选择面板中输入基准图像和配准图像,点击下一步(next),在弹出的相关点面板进行对应点的添加,并设置配准参数;点击可展示的点(showtable),查看并删除误差较大的点,直至有效值(RMS)小于1,下一步(next),选择图像输出路径,进行配准并输出结果。
辐射校正也采用遥感图像处理软件(ENVI),在工具箱工具(toolbox)中,依次选择辐射校正(Radiometric Correction)、辐射定标(Radiomotric Calibration),选择待校正的遥感影像、校正类型、像元组织方式以及输出图像的路径,开始进行辐射校正。
光谱区间梯度计算模块203分别与图像预处理模块202和阈值分割模块204耦接,用于对每个预处理后的卫星遥感影像数据包括的M个波段影像数据的每个像元进行计算,得到主河道与非河道信息差异显著的红光波段至近红外区波段光谱梯度图,并将L幅预处理后的卫星遥感影像数据对应的红光波段至近红外区波段光谱梯度图传输至阈值分割模块204;
对M个波段影像数据的每个像元进行计算,得到主河道与非河道信息差异显著的红光波段至近红外区波段光谱梯度图;
其中,对M个波段影像数据的每个像元进行计算按照以下方法计算:
其中,g(k,k+1)为光谱区间梯度值,ΔR(k,k+1)为不同波段之间像元值的差值,Δλ(k,k+1)为不同波段之间的波长的差值,Rk为第k波段的像元值,Rk+1为第k+1波段的像元值,λk为第k波段的波长,λk+1为第k+1波段的波长。
对M个波段影像数据的每个像元进行计算,计算时对两个波段影像数据中同一像元位置所对应的不同像元值进行计算,可得到M-1个光谱梯度图,在M-1个光谱梯度图中,通过对比主河道与非河道信息的差异,可得到红光波段至近红外区波段光谱梯度图中主河道与非河道信息的差异显著。
通过光谱梯度计算,重复验证所选光谱区间的有效性,极大增加了主河道与非河道信息的差别度,相对减少非河道信息对主河道信息提取的干扰程度,进一步提高了主河道提取的精度。
阈值分割模块204分别与光谱区间梯度计算模块203和图像二次处理模块205耦接,用于根据L幅预处理后的卫星遥感影像数据对应的红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值,1代表主河道,0代表非河道,得到L幅二值影像数据,并将L幅二值影像数据传输至图像二次处理模块205;
其中,根据L幅预处理后的卫星遥感影像数据对应的红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值按照以下方法进行阈值分割:
(b1gtthreshold)×1+(b1lethreshold)×0,
其中,b1为红光波段至近红外区波段光谱梯度图的像元值,threshold为设定的阈值,gt代表大于,le代表小于或等于,将大于阈值的像元赋值为1,小于或等于阈值的像元赋值为0。
图像二次处理模块205分别与阈值分割模块204和膨胀操作模块206耦接,用于对L幅二值影像数据进行去噪声处理,得到去噪声后的L组主河道提取结果数据,并将L组主河道提取结果数据传输至膨胀操作模块206;
其中,通过阈值分割得到的主河道信息数据中包含少量的离散分布的单个非河道像元信息数据,采用中值滤波法可极大地去除二值影像数据中主河道信息数据包含的独立分布的单个非河道像元数据,有效去除背景噪音,可以进一步保证主河道提取的精度。
膨胀操作模块206分别与图像二次处理模块205和数据转化模块207耦接,用于对L组主河道提取结果数据进行膨胀操作,得到凸显主河道的L组主河道栅格数据,并将L组主河道栅格数据传输至数据转化模块207;
其中,对L组主河道提取结果数据进行膨胀操作按照以下方法计算:D(x)={a|Bm↑X},
其中,D(x)为a的合集,X为被处理的对象,B为结构元素,将结构元素B平移m得到Bm,若Bm击中X记下a点。
膨胀操作使得主河道得以连续分布,保证了主河道信息的完整性。
数据转化模块207分别与膨胀操作模块206和线性位置计算模块211耦接,用于将L组主河道栅格数据转化为L组主河道矢量数据,并将L组主河道矢量数据传输至线性位置计算模块211;
其中,通过地理信息系统软件(ArcGIS)将L组主河道栅格数据转化为L组主河道矢量数据,并为其定义投影坐标系。
数字高程模型获取模块208与数字高程模型数据预处理模块209耦接,用于获取高分辨率立体像对图像数据,根据高分辨率立体像对图像数据获取研究区域对应的数字高程模型数据,并将数字高程模型数据传输至数字高程模型数据预处理模块209;
其中,从美国航空航天局(NASA)网站上下载高分辨率立体像对图像数据,根据高分辨率立体像对图像数据可以获取30米分辨率的数字高程模型数据。
数字高程模型数据预处理模块209分别与数字高程模型获取模块208和数字高程模型数据计算模块210耦接,用于对数字高程模型数据进行数据拼接与裁剪、坐标转换,填洼的预处理,并将预处理后的数字高程模型数据传输至数字高程模型数据计算模块210;
数据拼接与裁剪得到满足研究区范围的数据,坐标转换将数字高程模型数据转换为卫星遥感影像数据相同的坐标系,填洼防止流域分析时出现不合理或者错误的水流方向。
数字高程模型数据计算模块210分别与数字高程模型数据预处理模块209和线性位置计算模块211耦接,数字高程模型数据计算模块210包括分析单元2101、提取单元2102和数据转化单元2103;分析单元2101用于对预处理后的数字高程模型数据运用单流向算法进行流域分析,得到洪积扇样本区的河网数据,提取单元2102通过设置阈值提取出主河道河网数据,数据转化单元2103将主河道河网数据转化为主河道河网矢量数据,并将主河道河网矢量数据传输至线性位置计算模块211;
其中,流域分析在Arctoolbox中依次运行Spatial Analyst工具、水文分析、流向,在弹出的对话框中输入预处理后的数字高程模型数据,同时设定流向数据的输出路径,得到每个像元内的水流方向;再利用水流方向计算每个栅格内的流量累计量,在Arctoolbox中依次运行Spatial Analyst工具、水文分析、流量,在弹出的对话框内输入流向数据,同时设定流量数据的输出路径。
其中,通过设置阈值提取出主河道河网数据按照以下方法进行阈值分割:
Con(Flow Accumulation>threshold,1),
其中,函数Con得到条件为真时的值,Flow Accumulation为流量累积量,threshold为设定的阈值。
线性位置计算模块211分别与数据转化模块207和数字高程模型数据计算模块210耦接,用于将主河道河网矢量数据和L组主河道矢量数据进行相交运算,得到主河道的线性位置数据。
其中,在ArcToolbox中依次运行analysis工具、overlay工具、intersect工具进行相交运算,主河道河网矢量数据是线矢量数据,可以用于定位,主河道矢量数据是面矢量数据,通过相交运算即可得到位于面矢量数据中的线矢量数据,即主河道的精确线性位置。
通过上述实施例可知,本发明提供的洪积扇砾石分布区主河道快速提取的方法与系统,至少实现了如下的有益效果:
1.本发明提供的洪积扇砾石分布区主河道快速提取的方法与系统,通过进行光谱梯度分析,扩大了水体信息与其他地物之间的差异性,减少了其他地物对主河道提取的干预,提高了提取精度,使提取结果更符合现实规律。
2.本发明提供的洪积扇砾石分布区主河道快速提取的方法与系统,利用中值滤波进行背景去噪,基于数学形态学进行膨胀处理,降低了背景噪音对提取结果的影响,同时保证了主河道的完整性,能更好地对主河道的形态特征进行定量表征。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种洪积扇砾石分布区主河道快速提取的方法,其特征在于,包括:
在研究区域内随机选择N个洪积扇样本区,获取所述N个洪积扇样本区对应的L幅卫星遥感影像数据;
对所述L幅卫星遥感影像数据进行几何配准和辐射校正预处理,得到L幅预处理后的卫星遥感影像数据;
每个预处理后的卫星遥感影像数据均包括M个波段影像数据,对所述M个波段影像数据的每个像元进行计算,得到主河道与非河道信息差异显著的红光波段至近红外区波段光谱梯度图;
根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值,1代表主河道,0代表非河道,得到L幅二值影像数据;
对所述L幅二值影像数据进行去噪声处理,得到去噪声后的L组主河道提取结果数据;
对所述L组主河道提取结果数据进行膨胀操作,得到凸显主河道的L组主河道栅格数据;
将所述L组主河道栅格数据转化为L组主河道矢量数据;
获取高分辨率立体像对图像数据,根据所述高分辨率立体像对图像数据获取所述研究区域对应的数字高程模型数据,并进行数据拼接与裁剪、坐标转换,填洼的预处理;
对预处理后的所述数字高程模型数据运用单流向算法进行流域分析,得到所述研究区域的河网数据,通过设置阈值提取出主河道河网数据,并将所述主河道河网数据转化为主河道河网矢量数据;
将所述主河道河网矢量数据和所述L组主河道矢量数据进行相交运算,得到主河道的线性位置数据。
2.根据权利要求1所述的一种洪积扇砾石分布区主河道快速提取的方法,其特征在于,对所述M个波段影像数据的每个像元进行计算按照以下方法计算:
其中,g(k,k+1)为光谱区间梯度值,ΔR(k,k+1)为不同波段之间像元值的差值,Δλ(k,k+1)为不同波段之间的波长的差值,Rk为第k波段的像元值,Rk+1为第k+1波段的像元值,λk为第k波段的波长,λk+1为第k+1波段的波长。
3.根据权利要求1所述的一种洪积扇砾石分布区主河道快速提取的方法,其特征在于,根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值按照以下方法进行阈值分割:
(b1gtthreshold)×1+(b1lethreshold)×0,
其中,b1为所述红光波段至近红外区波段光谱梯度图的像元值,threshold为设定的阈值,gt代表大于,le代表小于或等于,将大于阈值的像元赋值为1,小于或等于阈值的像元赋值为0。
4.根据权利要求1所述的一种洪积扇砾石分布区主河道快速提取的方法,其特征在于,对所述L组主河道提取结果数据进行膨胀操作按照以下方法计算:D(x)={a|Bm↑X},
其中,D(x)为a的合集,X为被处理的对象,B为结构元素,将结构元素B平移m得到Bm,若Bm击中X记下a点。
5.根据权利要求1所述的一种洪积扇砾石分布区主河道快速提取的方法,其特征在于,通过设置阈值提取出主河道河网数据按照以下方法进行阈值分割:
Con(Flow Accumulation>threshold,1),
其中,函数Con得到条件为真时的值,Flow Accumulation为流量累积量,threshold为设定的阈值。
6.一种洪积扇砾石分布区主河道快速提取的系统,其特征在于,包括:
图像获取模块和图像预处理模块耦接,用于在研究区域内随机选择N个洪积扇样本区,获取所述N个洪积扇样本区对应的L幅卫星遥感影像数据,并将所述L幅卫星遥感影像数据传输至所述图像预处理模块;
所述图像预处理模块分别与所述图像获取模块和光谱区间梯度计算模块耦接,用于对所述L幅卫星遥感影像数据进行几何配准和辐射校正预处理,并将所述L幅预处理后的卫星遥感影像数据传输至所述光谱区间梯度计算模块;
所述光谱区间梯度计算模块分别与所述图像预处理模块和阈值分割模块耦接,用于对每个预处理后的卫星遥感影像数据包括的M个波段影像数据的每个像元进行计算,得到主河道与非河道信息差异显著的红光波段至近红外区波段光谱梯度图,并将所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图传输至阈值分割模块;
所述阈值分割模块分别与所述光谱区间梯度计算模块和图像二次处理模块耦接,用于根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值,1代表主河道,0代表非河道,得到L幅二值影像数据,并将所述L幅二值影像数据传输至所述图像二次处理模块;
所述图像二次处理模块分别与所述阈值分割模块和膨胀操作模块耦接,用于对所述L幅二值影像数据进行去噪声处理,得到去噪声后的L组主河道提取结果数据,并将所述L组主河道提取结果数据传输至所述膨胀操作模块;
所述膨胀操作模块分别与所述图像二次处理模块和数据转化模块耦接,用于对所述L组主河道提取结果数据进行膨胀操作,得到凸显主河道的L组主河道栅格数据,并将所述L组主河道栅格数据传输至所述数据转化模块;
所述数据转化模块分别与所述膨胀操作模块和线性位置计算模块耦接,用于将所述L组主河道栅格数据转化为L组主河道矢量数据,并将所述L组主河道矢量数据传输至线性位置计算模块;
数字高程模型获取模块与数字高程模型数据预处理模块耦接,用于获取高分辨率立体像对图像数据,根据所述高分辨率立体像对图像数据获取所述研究区域对应的数字高程模型数据,并将所述数字高程模型数据传输至所述数字高程模型数据预处理模块;
所述数字高程模型数据预处理模块分别与所述数字高程模型获取模块和数字高程模型数据计算模块耦接,用于对所述数字高程模型数据进行数据拼接与裁剪、坐标转换,填洼的预处理,并将预处理后的所述数字高程模型数据传输至所述数字高程模型数据计算模块;
所述数字高程模型数据计算模块分别与所述数字高程模型数据预处理模块和所述线性位置计算模块耦接,所述数字高程模型数据计算模块包括分析单元、提取单元和数据转化单元;所述分析单元用于对预处理后的所述数字高程模型数据运用单流向算法进行流域分析,得到所述洪积扇样本区的河网数据,所述提取单元通过设置阈值提取出主河道河网数据,所述数据转化单元将所述主河道河网数据转化为主河道河网矢量数据,并将所述主河道河网矢量数据传输至所述线性位置计算模块;
所述线性位置计算模块分别与所述数据转化模块和所述数字高程模型数据计算模块耦接,用于将所述主河道河网矢量数据和所述L组主河道矢量数据进行相交运算,得到主河道的线性位置数据。
7.根据权利要求6所述的一种洪积扇砾石分布区主河道快速提取的系统,其特征在于,对所述M个波段影像数据的每个像元进行计算按照以下方法计算:
其中,g(k,k+1)为光谱区间梯度值,ΔR(k,k+1)为不同波段之间像元值的差值,Δλ(k,k+1)为不同波段之间的波长的差值,Rk为第k波段的像元值,Rk+1为第k+1波段的像元值,λk为第k波段的波长,λk+1为第k+1波段的波长。
8.根据权利要求6所述的一种洪积扇砾石分布区主河道快速提取的系统,其特征在于,根据所述L幅预处理后的卫星遥感影像数据对应的所述红光波段至近红外区波段光谱梯度图中的主河道与非河道信息设置阈值按照以下方法进行阈值分割:
(b1gtthreshold)×1+(b1lethreshold)×0,
其中,b1为所述红光波段至近红外区波段光谱梯度图的像元值,threshold为设定的阈值,gt代表大于,le代表小于或等于,此公式将大于阈值的像元赋值为1,小于或等于阈值的像元赋值为0。
9.根据权利要求6所述的一种洪积扇砾石分布区主河道快速提取的系统,其特征在于,对所述L组主河道提取结果数据进行膨胀操作按照以下方法计算:D(x)={a|Bm↑X},
其中,D(x)为a的合集,X为被处理的对象,B为结构元素,将结构元素B平移m得到Bm,若Bm击中X记下a点。
10.根据权利要求6所述的一种洪积扇砾石分布区主河道快速提取的系统,其特征在于,通过设置阈值提取出主河道河网数据按照以下方法进行阈值分割:
Con(Flow Accumulation>threshold,1),
其中,函数Con得到条件为真时的值,Flow Accumulation为流量累积量,threshold为设定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010831776.3A CN112001291B (zh) | 2020-08-18 | 2020-08-18 | 洪积扇砾石分布区主河道快速提取的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010831776.3A CN112001291B (zh) | 2020-08-18 | 2020-08-18 | 洪积扇砾石分布区主河道快速提取的方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001291A CN112001291A (zh) | 2020-11-27 |
CN112001291B true CN112001291B (zh) | 2024-04-09 |
Family
ID=73473846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010831776.3A Active CN112001291B (zh) | 2020-08-18 | 2020-08-18 | 洪积扇砾石分布区主河道快速提取的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001291B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800992A (zh) * | 2021-02-03 | 2021-05-14 | 成都鼎安华智慧物联网股份有限公司 | 基于遥感数据高温异常信息的提取方法 |
CN115578644B (zh) * | 2022-08-08 | 2023-04-18 | 江苏省水利科学研究院 | 基于多特征机器学习的平原水网水葫芦提取方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5323317A (en) * | 1991-03-05 | 1994-06-21 | Hampton Terry L | Method and apparatus for determining runoff using remote geographic sensing |
CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
CN109523510A (zh) * | 2018-10-11 | 2019-03-26 | 浙江大学 | 基于多光谱遥感影像的河道水质空间异常区域检测方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160238704A1 (en) * | 2014-11-19 | 2016-08-18 | Conocophillips Company | Satellite geodesy and reservoir performance |
-
2020
- 2020-08-18 CN CN202010831776.3A patent/CN112001291B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5323317A (en) * | 1991-03-05 | 1994-06-21 | Hampton Terry L | Method and apparatus for determining runoff using remote geographic sensing |
CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
CN109523510A (zh) * | 2018-10-11 | 2019-03-26 | 浙江大学 | 基于多光谱遥感影像的河道水质空间异常区域检测方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
Non-Patent Citations (3)
Title |
---|
"REMOTE SENSING APPLICATIONS to GROUNDWATER";A.M.J. Meijerink等;《UNESCO》;20071231;第1-312页 * |
"基于RS与GIS技术的数字流域水体信息的提取";杨旭等;《水资源与水工程学报》;20180831;第81-86页 * |
"高精度卫星遥感技术在地质灾害调查与评价中的应用";邓辉;《中国博士学位论文全文数据库基础科学辑》;20080215;第A011-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112001291A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lhermitte et al. | Hierarchical image segmentation based on similarity of NDVI time series | |
CN112001291B (zh) | 洪积扇砾石分布区主河道快速提取的方法与系统 | |
Ermolaev et al. | Automated construction of the boundaries of basin geosystems for the Volga Federal District | |
CN109308688B (zh) | 一种可见光和近红外波段厚云及阴影去除方法 | |
Im et al. | An automated binary change detection model using a calibration approach | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN117671432B (zh) | 变化分析模型训练方法、装置、电子设备及存储介质 | |
Al-Muqdadi et al. | Automated watershed evaluation of flat terrain | |
Jiang et al. | Super-resolution for terrain modeling using deep learning in high mountain Asia | |
CN113920255A (zh) | 基于点云数据的高效测绘系统 | |
ESTOQUE et al. | < Original Papers> Validating ALOS PRISM DSM-derived surface feature height: Implications for urban volume estimation | |
CN110569733A (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
Nikolakopoulos et al. | Assessing the quality of DSM from ALOS optical and radar data for automatic drainage extraction | |
Endreny et al. | Satellite‐derived digital elevation model accuracy: hydrogeomorphological analysis requirements | |
Mustafa et al. | RETRACTED: Water surface area detection using remote sensing temporal data processed using MATLAB | |
Xu et al. | On-the-fly extraction of polyhedral buildings from airborne LiDAR data | |
Feng et al. | Comparison of SRTM data with other DEM sources in hydrological researches | |
CN109583626B (zh) | 路网拓扑重建方法、介质及系统 | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
CN115271560B (zh) | 一种海洋石油钻井溢油风化定量评估系统及评估方法 | |
Samboko et al. | Evaluating low-cost topographic surveys for computations of conveyance | |
CN110596017A (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
Kemal | Determination of basin characteristics by using geographical information systems (GIS) | |
Jafarzadeh et al. | Increasing the spatial accuracy of the land use map using fusion of optical and radar images of Sentinel and Google Earth Engine |
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 |