CN112329791B - 一种高光谱影像水域自动提取方法 - Google Patents

一种高光谱影像水域自动提取方法 Download PDF

Info

Publication number
CN112329791B
CN112329791B CN202011184880.4A CN202011184880A CN112329791B CN 112329791 B CN112329791 B CN 112329791B CN 202011184880 A CN202011184880 A CN 202011184880A CN 112329791 B CN112329791 B CN 112329791B
Authority
CN
China
Prior art keywords
water area
pixel
water
image
extraction result
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
Application number
CN202011184880.4A
Other languages
English (en)
Other versions
CN112329791A (zh
Inventor
孙康
陈金勇
李方方
王敏
王士成
帅通
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202011184880.4A priority Critical patent/CN112329791B/zh
Publication of CN112329791A publication Critical patent/CN112329791A/zh
Application granted granted Critical
Publication of CN112329791B publication Critical patent/CN112329791B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高光谱影像水域自动提取方法，属于遥感图像处理技术领域。该方法首先读取高光谱图像，解析数据的波段信息，计算各个像元的水体指数值；然后利用改进的OTSU方法进行水域自动分割阈值计算，获取水域初次提取结果；接着在水域初次提取结果基础上，提取水的光谱，进行光谱一致性分析，获取各个像素与水体光谱的欧式距离；并以欧式距离作为加权值，进行协方差矩阵计算，在此基础上进行约束能量最小化方法的水域提取；然后利用改进OTSU方法获取水域二次提取结果；最后通过对水域初次提取结果和水域二次提取结果进行综合分析，得到最终水域提取结果。本发明可全自动化进行，无需先验知识和任何参数设置，具有较高的精度。

Description

一种高光谱影像水域自动提取方法
技术领域
本发明属于遥感图像处理技术领域，具体涉及一种高光谱影像水域自动提取方法。
背景技术
水作为一种人类赖以生存的重要物质，是维系生态系统稳定和健康性的决定性因子，是人类生存与发展的宝贵资源。如何科学准确地建立水资源环境的监测体系，从而掌握水体分布情况，为制定保护策略提供依据，已经成为遥感技术在环境保护领域应用的关键问题之一。
传统的水域检测方法是在水资源管理和经济允许范围内，通过架设监测站网，实现人工监测或自动监测记录监测范围内的水信息。采用这种监测方法只能保证获取某个点内的水资源信息，并且依赖于人工看守和记录，耗时耗力，效率低下。
遥感技术尤其是高光谱遥感技术不仅可以探测到多谱段、多时段和多角度的遥感图像，还可以探测到不断强化的遥感信息，获得连续区域性同步信息，其中包含系统性、瞬时性或同步性等特性，极适用于大范围和动态监测。利用高光谱遥感技术可以快速、准确的获取整体水域分布信息，提高了水体监测工作的效率，降低监测成本。因此，研究自动化的高光谱影像水域提取问题具有重要意义。
发明内容
有鉴于此，本发明的目的在于提供一种高光谱影像水域自动提取方法，其通过对水域的初次提取和二次提取结果进行综合分析，能够大幅提高水域提取的精度。
为了实现上述目的，本发明采用的技术方案为：
一种高光谱影像水域自动提取方法，包括以下步骤：
步骤1，读取高光谱图像，解析其波段信息，计算图像中各个像素的水体指数值；
步骤2，基于OTSU大津方法计算水域分割阈值，获取水域初次提取结果；
步骤3，在水域初次提取结果基础上，提取水体光谱，进行光谱一致性分析，获取各个像素与水体光谱的欧式距离；
步骤4，以步骤3所得的欧式距离作为加权值，计算图像的加权协方差矩阵，在此基础上，利用约束能量最小化方法，对每个像素计算其为水域的概率；
步骤5，将步骤4的概率作为相应像素的亮度值，得到新的图像，针对该新的图像，基于OTSU大津方法再次计算水域分割阈值，获取水域二次提取结果；
步骤6，对步骤2获得的水域初次提取结果和步骤5获得的水域二次提取结果进行综合分析，得到最终的水域提取结果。
进一步的，所述步骤2的具体方式为：
步骤2a，将图像各个像素按照亮度值从小到大的顺序进行排列；
步骤2b，从最低亮度像素开始，计算阈值指标，直至最大亮度像素；阈值指标的计算方式如下：
Figure BDA0002751141650000021
其中，F(x)为阈值指标，
Figure BDA0002751141650000022
n为图像的像素总数，n1,n2分别为图像中亮度值小于和大于x的像素数目；
步骤2c，以最大阈值指标对应的亮度值作为分割阈值；
步骤2d，按照分割阈值对图像进行分割，即水体指数值大于分割阈值的像素为水域，否则为非水域。
进一步的，所述步骤4的具体方式为：
步骤4a，计算图像的加权协方差矩阵：
Figure BDA0002751141650000023
其中，M、N分别为高光谱图像的行数和列数，xi,j为第i行第j列的像素，di,j为xi,j与水体光谱的欧式距离；
步骤4b，利用约束能量最小化方法进行水体计算：
Figure BDA0002751141650000024
其中，
Figure BDA0002751141650000025
为xi,j的转置，d为水体光谱，yi,j为第i行第j列像素为水域的概率。
进一步的，所述步骤6的具体方式为：
对于一个像素：
若两次检测结果都为水域，则该像素为水域；
若两次检测结果都不为水域，则该像素为非水域；
若两次结果仅有一次为水域，且该像素与水域相邻，则该像素为水域；
若两次结果仅有一次为水域，且该像素不与水域相邻，则该像素为非水域。
本发明相对于现有技术具有如下优点：
(1)本发明高光谱图像水域提取时，全自动化进行，无需先验知识。
(2)本发明对水域提取有较高的精度。
附图说明
图1为本发明实施例中水域自动提取方法的流程图。
图2为本发明实施例中水体提取的试验结果，其中，(A)为水体初次提取结果，(B)为最终提取结果。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1所示，一种高光谱影像水域自动提取方法，包括以下步骤：
步骤1，读取高光谱图像，解析其波段信息，计算图像中各个像素的水体指数值；
水体指数值可以采用现有技术中的常规方法计算，例如如下公式：
Figure BDA0002751141650000031
其中，Iwater为水体指数值，refGREEN、refBLUE、refNIR分别为绿色波段、蓝色波段以及近红外波段的反射率，k为人为设定的系数，通常取0～2。
步骤2，基于OTSU大津方法计算水域分割阈值，获取水域初次提取结果；具体方式为：
步骤2a，将图像各个像素按照亮度值从小到大的顺序进行排列；
步骤2b，从最低亮度像素开始，计算阈值指标，直至最大亮度像素；阈值指标的计算方式如下：
Figure BDA0002751141650000032
其中，F(x)为阈值指标，
Figure BDA0002751141650000033
n为图像的像素总数，n1,n2分别为图像中亮度值小于和大于x的像素数目；
步骤2c，以最大阈值指标对应的亮度值作为分割阈值；
步骤2d，按照分割阈值对图像进行分割，即水体指数值大于分割阈值的像素为水域，否则为非水域。
步骤3，在水域初次提取结果基础上，提取水体光谱，进行光谱一致性分析，获取各个像素与水体光谱的欧式距离；
步骤4，以步骤3所得的欧式距离作为加权值，计算图像的加权协方差矩阵，在此基础上，利用约束能量最小化方法，对每个像素计算其为水域的概率；具体方式为：
步骤4a，计算图像的加权协方差矩阵：
Figure BDA0002751141650000041
其中，M、N分别为高光谱图像的行数和列数，xi,j为第i行第j列的像素，di,j为xi,j与水体光谱的欧式距离；
步骤4b，利用约束能量最小化方法进行水体计算：
Figure BDA0002751141650000042
其中，
Figure BDA0002751141650000043
为xi,j的转置，d为水体光谱，yi,j为第i行第j列像素为水域的概率。
步骤5，将步骤4的概率作为相应像素的亮度值，得到新的图像，针对该新的图像，采用上述步骤2的方式再次计算水域分割阈值，获取水域二次提取结果；
步骤6，对步骤2获得的水域初次提取结果和步骤5获得的水域二次提取结果进行综合分析，得到最终的水域提取结果；具体来说，对于一个像素：
若两次检测结果都为水域，则该像素为水域；
若两次检测结果都不为水域，则该像素为非水域；
若两次结果仅有一次为水域，且该像素与水域相邻，则该像素为水域；
若两次结果仅有一次为水域，且该像素不与水域相邻，则该像素为非水域。
本发明的原理为：
首先读取高光谱图像，解析数据的波段信息，利用常用的水体指数计算各个像元的水体指数值，然后利用改进的OTSU方法进行水域自动分割阈值计算，获取水域初次提取结果。这种方法是自动化的，且计算速度极快，但水域初次结果有一定的不可靠性，一般情况下存在很大几率的误判。为此，本发明在在水域初步提取结果基础上，提取水的光谱，进行光谱一致性分析，进行加权协方差矩阵计算，在此基础上进行约束能量最小化计算并利用改进的OTSU方法进行阈值分割，获取水域二次提取结果。通过对水域初次提取结果和水域二次提取结果的综合分析，得到最终水域提取结果。
本发明的效果可通过以下试验进一步说明：
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz，128GB内存；
软件环境为Window 7 64位，MATLAB 2017。
2.试验方法。
利用包含水域的高光谱影像进行本发明方法的试验，影像大小为200*311*155，利用本发明方法对其进行水域提取效果分析。
3.试验内容与结果。
基于真实高光谱影像的水域提取结果如图2所示，从中可以看出，初次水体提取结果中有较多的“麻点”，说明有多个陆地区域被错判为水域。而从最终水体提取结果来看，本发明方法较好地区分了图像中的水域和土地，准确率更高。

Claims (4)

1.一种高光谱影像水域自动提取方法，其特征在于，包括以下步骤：
步骤1，读取高光谱图像，解析其波段信息，计算图像中各个像素的水体指数值；
步骤2，基于OTSU大津方法计算水域分割阈值，获取水域初次提取结果；
步骤3，在水域初次提取结果基础上，提取水体光谱，进行光谱一致性分析，获取各个像素与水体光谱的欧式距离；
步骤4，以步骤3所得的欧式距离作为加权值，计算图像的加权协方差矩阵，在此基础上，利用约束能量最小化方法，对每个像素计算其为水域的概率；
步骤5，将步骤4的概率作为相应像素的亮度值，得到新的图像，针对该新的图像，基于OTSU大津方法再次计算水域分割阈值，获取水域二次提取结果；
步骤6，对步骤2获得的水域初次提取结果和步骤5获得的水域二次提取结果进行综合分析，得到最终的水域提取结果。
2.根据权利要求1所述的一种高光谱影像水域自动提取方法，其特征在于，所述步骤2的具体方式为：
步骤2a，将图像各个像素按照亮度值从小到大的顺序进行排列；
步骤2b，从最低亮度像素开始，计算阈值指标，直至最大亮度像素；阈值指标的计算方式如下：
Figure FDA0002751141640000011
其中，F(x)为阈值指标，
Figure FDA0002751141640000012
n为图像的像素总数，n1,n2分别为图像中亮度值小于和大于x的像素数目；
步骤2c，以最大阈值指标对应的亮度值作为分割阈值；
步骤2d，按照分割阈值对图像进行分割，即水体指数值大于分割阈值的像素为水域，否则为非水域。
3.根据权利要求1所述的一种高光谱影像水域自动提取方法，其特征在于，所述步骤4的具体方式为：
步骤4a，计算图像的加权协方差矩阵：
Figure FDA0002751141640000013
其中，M、N分别为高光谱图像的行数和列数，xi,j为第i行第j列的像素，di,j为xi,j与水体光谱的欧式距离；
步骤4b，利用约束能量最小化方法进行水体计算：
Figure FDA0002751141640000021
其中，
Figure FDA0002751141640000022
为xi,j的转置，d为水体光谱，yi,j为第i行第j列像素为水域的概率。
4.根据权利要求1所述的一种高光谱影像水域自动提取方法，其特征在于，所述步骤6的具体方式为：
对于一个像素：
若两次检测结果都为水域，则该像素为水域；
若两次检测结果都不为水域，则该像素为非水域；
若两次结果仅有一次为水域，且该像素与水域相邻，则该像素为水域；
若两次结果仅有一次为水域，且该像素不与水域相邻，则该像素为非水域。
CN202011184880.4A 2020-10-30 2020-10-30 一种高光谱影像水域自动提取方法 Active CN112329791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184880.4A CN112329791B (zh) 2020-10-30 2020-10-30 一种高光谱影像水域自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184880.4A CN112329791B (zh) 2020-10-30 2020-10-30 一种高光谱影像水域自动提取方法

Publications (2)

Publication Number Publication Date
CN112329791A CN112329791A (zh) 2021-02-05
CN112329791B true CN112329791B (zh) 2022-12-27

Family

ID=74297781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184880.4A Active CN112329791B (zh) 2020-10-30 2020-10-30 一种高光谱影像水域自动提取方法

Country Status (1)

Country Link
CN (1) CN112329791B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536937A (zh) * 2021-06-17 2021-10-22 海南省林业科学研究院(海南省红树林研究院) 一种基于遥感技术的红树林生态定量反演方法
CN116051976B (zh) * 2022-11-23 2023-09-19 河南理工大学 一种融合高程信息的遥感影像的处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793907A (zh) * 2013-12-12 2014-05-14 中国科学院深圳先进技术研究院 一种水体信息的提取方法及装置
CN103942803A (zh) * 2014-05-05 2014-07-23 北京理工大学 基于sar图像的水域自动检测方法
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
CN106023133A (zh) * 2016-04-26 2016-10-12 武汉大学 一种基于多特征联合处理的高分辨率遥感影像水体提取方法
CN110033039A (zh) * 2019-04-10 2019-07-19 大连海事大学 一种基于目标约束检测的高光谱实时分类方法
CN110940638A (zh) * 2019-11-20 2020-03-31 北京科技大学 一种高光谱图像亚像元级水体边界探测方法及探测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915950B (zh) * 2015-04-29 2017-10-20 华南理工大学 一种基于能量约束的区域增长超声图像自动分割方法
CN110059704B (zh) * 2019-04-19 2021-04-13 中国科学院遥感与数字地球研究所 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法
CN110599466B (zh) * 2019-08-29 2022-04-29 武汉大学 一种成分投影优化分离的高光谱异常探测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793907A (zh) * 2013-12-12 2014-05-14 中国科学院深圳先进技术研究院 一种水体信息的提取方法及装置
CN103942803A (zh) * 2014-05-05 2014-07-23 北京理工大学 基于sar图像的水域自动检测方法
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
CN106023133A (zh) * 2016-04-26 2016-10-12 武汉大学 一种基于多特征联合处理的高分辨率遥感影像水体提取方法
CN110033039A (zh) * 2019-04-10 2019-07-19 大连海事大学 一种基于目标约束检测的高光谱实时分类方法
CN110940638A (zh) * 2019-11-20 2020-03-31 北京科技大学 一种高光谱图像亚像元级水体边界探测方法及探测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李东杰等.《基于约束能量最小化的小目标检测算法研究》.《红外与激光工程》.2010,第39卷第585-588页. *
王青等.《基于光谱角匹配和加权自相关约束能量最小化算法的水面目标探测方法》.《测试技术学报》.2020, *

Also Published As

Publication number Publication date
CN112329791A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
Xu et al. Wheat ear counting using K-means clustering segmentation and convolutional neural network
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN112329791B (zh) 一种高光谱影像水域自动提取方法
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN104820841B (zh) 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
CN110705449A (zh) 一种土地利用变化遥感监测分析方法
CN113269028B (zh) 一种基于深度卷积神经网络的水体变化检测方法和系统
CN106951863B (zh) 一种基于随机森林的变电站设备红外图像变化检测方法
CN116012653A (zh) 一种注意力残差单元神经网络高光谱图像分类方法及系统
CN118655098A (zh) 一种基于光谱反射的水质参数分类反演方法和系统
CN117649612B (zh) 基于混合算法的卫星高光谱遥感数据地表水体提取方法
CN113837123A (zh) 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法
CN112651312A (zh) 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法
CN107977968A (zh) 基于建筑物阴影信息挖掘的建筑物分层检测方法
CN116895019A (zh) 一种基于动态加权交叉熵损失的遥感图像变化检测方法及其检测系统
CN104463230B (zh) 一种利用成对约束分块的高光谱遥感影像的波段选择方法
CN112434685B (zh) 基于地表要素的遥感图像信息精细提取方法
CN112633142B (zh) 一种输电线路违章建筑物识别方法及相关装置
CN115274093A (zh) 生成包含自动标注文件的基准病理数据集的方法及系统
CN113436090A (zh) 一种遥感影像光谱和纹理特征融合提取方法
CN112613371A (zh) 一种基于密集连接卷积神经网络高光谱图像道路提取方法
CN115272679B (zh) 地热有利区的辨识方法、装置、终端及存储介质
CN112633155B (zh) 一种基于多尺度特征融合的自然保护地人类活动变化检测方法
Shi et al. Building extraction from panchromatic high-resolution remotely sensed imagery based on potential histogram and neighborhood total variation
CN113469011B (zh) 一种基于遥感图像分类算法的规划地地物识别方法和装置

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