CN112991425B - 一种水域水位提取方法、系统及存储介质 - Google Patents
一种水域水位提取方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112991425B CN112991425B CN202110464453.XA CN202110464453A CN112991425B CN 112991425 B CN112991425 B CN 112991425B CN 202110464453 A CN202110464453 A CN 202110464453A CN 112991425 B CN112991425 B CN 112991425B
- Authority
- CN
- China
- Prior art keywords
- water level
- water
- area
- remote sensing
- sensing satellite
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Image Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
- Computing Systems (AREA)
Abstract
本发明提供一种水域水位提取方法、系统及存储介质,方法包括:提取每一张遥感卫星影像中的水体区域;从水位线图像中提取水位值;根据水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;利用每一个水位值所在位置点的高程值,对第一函数关系式进行优化,得到优化后的第二函数关系式;提取待识别遥感卫星影像中的水域面积,基于第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值。本发明提供一种遥感反演的手段,结合遥感卫星影像提取的水域面积和水位值,建立其中的数学函数关系模型,以此反推水位高度,得以解决复杂地形水位难以测量的问题,同时做到低成本、免维护,精度也有保证。
Description
技术领域
本发明涉及影像处理领域,更具体地,涉及一种水域水位提取方法、系统及存储介质。
背景技术
水作为自然界和现代城市发展的重要组成部分,在城市规划中往往需要对水域场景进行模拟。在对水域场景模拟时,通常从水域分布和水域水位高度两个方面进行模拟。目前水域分布大多使用人工绘制的河流、湖泊等的水域边界。伴随着遥感技术的发展,利用遥感卫星影像具有的多光谱、多时相、高分辨率、全天候和宏观特性的特点,从遥感卫星影像上提取水体区域的应用越来越广泛,例如使用归一化水体指数(NDWI)从MODIS影像数据提取水体区域。
但水体区域的提取精度会受到影像分辨率的限制,使用无人机影像提取水体区域,相比使用MODIS影像的提取精度有较大提升,但会受到地形因素的限制,同时成本较高。此外,使用Sentinel-2影像数据提取水体区域的方法,精度高,成本低,同时兼具宏观特性。水位高度的测量则通常使用水位标尺进行目视判断,但由于复杂地形、极端天气等因素,难以获取更为实时准确的数据,不仅如此,传统水位测量的方法难以从宏观角度观测。
发明内容
本发明针对现有技术中存在的技术问题,提供一种水域水位提取方法、系统及存储介质,克服了传统的水位测量使用水位标尺进行测量的方法难以从宏观上测量水域整体水位高度,同时维护工作量大、成本高的问题。
根据本发明的第一方面,提供了一种水域水水位提取方法,包括:
基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;利用每一个水位值所在位置点的高程值,对所述第一函数关系式进行优化,得到优化后的第二函数关系式;提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积,包括:获取不同时期不同区域的多张遥感卫星影像,利用水体指数分类法从每一张遥感卫星影像中提取水体指数图像,获取多张水体指数图像;基于阈值分类法和聚类方法从每一张水体指数图像中提取出水体区域,并获取水域面积。
可选的,所述基于阈值分类法和聚类方法从每一张水体指数图像中提取出水体区域,并获取水域面积,包括:对于任一张水体指数图像,计算所述任一张水体指数图像中的每一个像素点的像素值与预设分类阈值之间的大小关系;根据所述大小关系将所述任一张水体指数图像的所有的像素点分类两类;对分类为水体区域的所有像素点进行聚类,筛选掉分类异常的像素点,获取水体区域,并获取水域面积。
可选的,所述获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值,包括:提取任一张遥感卫星影像中不同点位的水位线图像,获取所述任一张遥感卫星影像对应的多张水位线图像,并记录每一张水位线图像的水域点位信息;利用水位检测模型提取每一张水位线图像中的水位值;将遥感卫星影像、水域点位信息和水位值对应存储。
可选的,所述利用水位检测模型提取每一张水位线图像中的水位值,包括:获取多张水位线图像,并利用水位标尺获取每一张水位线图像的水位值;以包括多张水位线图像以及每一张水位线图像对应的水位值为标签的训练样本集对水位检测模型进行训练,获取训练后的水位检测模型;利用训练后的水位检测模型对遥感卫星影像中的每一张水位线图像进行水位值的识别。
可选的,所述第一函数关系式为线性函数关系式,所述第一函数关系式为:
y=wx+b;
其中,w为一次项系数,b为常数系数,x为水体水域面积,y为水位值。
可选的,所述利用每一个水位值所在位置点的高程值,对所述函数关系式进行优化,得到优化后的第二函数关系式,包括:根据遥感卫星影像、水域点位信息和水位值的对应关系,获取任一张遥感卫星影像中的各个水位值对应的水域点位信息;获取每一个水域点位信息对应的高程值;基于所述任一张遥感卫星影像的水域面积和多个水域点位信息的高程值,建立水域面积与高程值之间的第三函数关系式;利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式。
可选的,所述第三函数关系式为非线性函数关系式;相应的,所述利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式,包括:
y’=wx+b+w’d(x);
其中,w、b分别为第一函数关系式的参数,w’为补偿系数,d(x)为第三函数关系式,y’为第二函数关系式。
根据本发明的第二方面,提供一种水域水位提取系统,包括:提取模块,用于基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;以及获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;建立模块,用于根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;优化模块,用于利用每一个水位值所在位置点的高程值,对所述函数关系式进行优化,得到优化后的第二函数关系式;获取模块,用于提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现水域水位提取方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现水域水位提取方法的步骤。
本发明提供的一种水域水位提取方法、系统及存储介质,提供一种遥感反演的手段,结合遥感卫星影像提取的水域面积和水位值,建立其中的数学函数关系模型,以此反推水位高度,得以解决复杂地形水位难以测量的问题,同时做到低成本、免维护,精度也有保证。
附图说明
图1为本发明提供的一种水域水位提取方法流程图;
图2为建立第二函数关系式的流程图;
图3为建立的第一函数关系式示意图;
图4为地形模拟示意图;
图5为建立的第三函数关系式示意图;
图6为优化后的第二函数关系式示意图;
图7为本发明提供的一种水域水位提取系统结构示意图;
图8为本发明提供的一种可能的电子设备的硬件结构示意图;
图9为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种水域水位提取方法流程图,如图1所示,方法包括:101、基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;102、获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;103、根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;104、利用每一个水位值所在位置点的高程值,对所述第一函数关系式进行优化,得到优化后的第二函数关系式;105、提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值。
可以理解的是,基于背景技术中的缺陷,本发明提出了一种基于遥感影像和数字高程模型辅助的水位精准提取方法,首先结合多时序遥感卫星影像使用水体指数提取水体区域,结合水位线图像进行水位标尺的目标检测,获取水位值。再对水位值和水域面积拟合得到第一函数关系式,其函数具有一定的精度,在此基础上,引入数字高程模型数据对水面积-水位关系的函数关系式进行残差补偿,减少地形地貌的干扰,获得水位精准提取的模型,也就是第二函数关系式。针对特定水域,即待识别水域,从遥感影像中使用水体指数分类提取出水域面积,基于第二函数关系式推算水位值。
其中,对于构建第二函数关系式的整个流程请参见图2,首先,提取遥感卫星影像中的水域面积,从水位线图像中提取水位值,基于水域面积和水位值,建立水域面积和水位值之间关系的第一函数关系式。
对于构建第一函数关系式时使用的各个水位值,获取相同点位处的高程值,基于水域面积和高程值,建立水域面积和高程值之间关系的第三函数关系式,利用第三函数关系式优化第一函数关系式,得到引入了高程数据的第二函数关系式,利用第二函数关系式来识别水位值。
本发明提供一种遥感反演的手段,结合遥感卫星影像提取的水域面积和水位值,建立其中的数学函数关系模型,以此反推水位高度,得以解决复杂地形水位难以测量的问题,同时做到低成本、免维护,精度也有保证。
在一种可能的实施例方式中,基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积,包括:获取不同时期不同区域的多张遥感卫星影像,利用水体指数分类法从每一张遥感卫星影像中提取水体指数图像,获取多张水体指数图像;基于阈值分类法和聚类方法从每一张水体指数图像中提取出水体区域,并获取水域面积。
可以理解的是,在建立第一函数关系式的过程中,首先,获取不同时间不同区域的包括水域的遥感卫星影像,首先,对原始的遥感卫星影像做大气校正、影像重采样、影像裁剪、影像拼接等相关预处理操作,在预处理后的每一张遥感卫星影像上提取水体指数图像,得到每一张遥感卫星影像对应的水体指数图像。
对于每一张水体指数图像,设定分类阈值对水体指数图像进行分类,对分类后的影像使用k均值聚类方法筛选掉分类异常的点,提取水体区域。
在一种可能的实施例方式中,基于阈值分类法和聚类方法从每一张水体指数图像中提取出水体区域,并获取水域面积,包括:对于任一张水体指数图像,计算所述任一张水体指数图像中的每一个像素点的像素值与预设分类阈值之间的大小关系;根据所述大小关系将所述任一张水体指数图像的所有的像素点分类两类;对分类为水体区域的所有像素点进行聚类,筛选掉分类异常的像素点,获取水体区域,并获取水域面积。
可以理解的是,从水体指数图像中获取水域面积时,对于任一张水体指数图像,计算水体指数图像中每一个像素点的像素值与预设分类阈值之间的大小关系,若像素点的像素值大于预设分类阈值,将像素值大于预设分类阈值的像素点划分为一类,将像素值小于预设分类阈值的像素点划分为另一类。其中,像素值大于预设分类阈值的一类像素点组成的区域为水体区域。
在提取出水体区域类别的基础上,有许多细小的分类或者误分类的像素点,不应该将其归类到水域中,在使用阈值分类提取的水体区域中的每一个像素点,使用k均值聚类方法将分类点聚类,然后筛选去掉范围较小的干扰点,提高水域提取的精度。
在一种可能的实施例方式中,获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值,包括:提取任一张遥感卫星影像中不同点位的水位线图像,并记录每一张水位线图像的水域点位信息;利用水位检测模型提取每一张水位线图像中的水位值;将遥感卫星影像、水域点位信息和水位值对应存储。
可以理解的是,上述提取了每一张遥感卫星影像中的水体区域,并获取水体区域的面积(以下称为水域面积)。对于任一张遥感卫星影像对应的区域,获取水体区域内的不同点位的多张水位线图像,并记录每一张水位线图像对应的水域点位信息,也就是在哪个点位拍摄的水位线图像。
对于每一张水位线图像,利用水位检测模型提取每一张水位线图像中的水位值,另外,将遥感卫星影像、水域点位信息和水位值对应存储起来,以供后续提供数据基础。
在一种可能的实施例方式中,利用水位检测模型提取每一张水位线图像中的水位值,包括:获取多张水位线图像,并利用水位标尺获取每一张水位线图像的水位值;以包括多张水位线图像以及每一张水位线图像对应的水位值为标签的训练样本集对水位检测模型进行训练,获取训练后的水位检测模型;利用训练后的水位检测模型对遥感卫星影像中的每一张水位线图像进行水位值的识别。
可以理解的是,在从每一张水位线图像中提取水位值时,利用水位检测模型来检测识别出水位值。水位检测模型可以为深度神经学习网络模型,具体构建过程为,获取多张水位线图像,并利用水位标尺获取每一张水位线图像的水位值。多张水位线图像、每一张水位线图像对应的水位值为标签形成训练样本集,利用训练样本集对水位检测模型进行训练,获取训练后的水位检测模型。将上述的每一张水位线图像输入训练后的水位检测模型,获取由水位检测模型输出的水位值。
在一种可能的实施例方式中,第一函数关系式为线性函数关系式,所述第一函数关系式为:
y=wx+b;(1)
其中,w为一次项系数,b为常数系数,x为水体水域面积,y为水位值。
可以理解的是,根据上述从每一张遥感卫星影像中提取的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式,其中,第一函数关系式为线性函数关系式,最终建立的第一函数关系式见上述式(1),第一函数关系式的示意图可参见图3。
在一种可能的实施例方式中,利用每一个水位值所在位置点的高程值,对所述函数关系式进行优化,得到优化后的第二函数关系式,包括:根据遥感卫星影像、水域点位信息和水位值的对应关系,获取任一张遥感卫星影像中的各个水位值对应的水域点位信息;获取每一个水域点位信息对应的高程值;基于所述任一张遥感卫星影像的水域面积和多个水域点位信息的高程值,建立水域面积与高程值之间的第三函数关系式;利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式。
可以理解的是,建立的第一函数关系式虽然具有一定的精度,但是在实际中,对于不同高程点位处,得到的水位值与实际的水位值有一定的差距,因此,第一函数关系式在预测水位值时,会受到高程值的影响,故此,本发明实施例将高程值引入,来优化第一函数关系式,获得第二函数关系式。
具体的是,根据建立第一函数关系式时使用到的每一个水位值对应的水域点位信息,获取这些水域点位信息对应的高程值,并基于水域面积和高程值,建立水域面积和高程值之间的第三函数关系式,构建的第三函数关系式的示意图可参见图5,利用第三函数关系式来优化第一函数关系式,优化后得到的第二函数关系式的示意图可参见图6。
在一种可能的实施例方式中,可以理解的是,第三函数关系式为非线性函数关系式;相应的,利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式,包括:
y’=wx+b+w’d(x);(2)
其中,w、b 分别为第一函数关系式的参数,w’为补偿系数,d(x)为第三函数关系式,y’为第二函数关系式。
利用优化后的第二函数关系式来对遥感卫星影像中的水位值从宏观上进行识别,识别精度比较高。
下面以一个具体的例子对本发明实施例提供的水域水位提取方法进行详细说明。
步骤1,在使用Sentinel-2遥感卫星影像时,需要对原始Sentinel-2遥感卫星影像做相应的影像预处理操作。首先需要将影像的亮度灰度值转换为绝对的辐射亮度,进行辐射定标操作。然后由于辐射定标得到的总辐射亮度并非完全的地表真实反射率,其中包含了由于大气吸收、散射作用造成的误差,进行大气校正操作,消除这部分误差。接着,为了后续的场景模拟配准的需要,需要将影像按照对应的坐标系进行投影,进行投影转换操作。
步骤2,在影像预处理的基础上,从遥感卫星影像中提取出水体指数图像时,主要的方法有单波段阈值法和水体指数法等。单波段阈值法根据水体在短波红外波段上所具有的强发射特性,通过设定一定的阈值,实现水体区域的提取,阈值的设定较大程度上决定了水体提取的精度,对于多时相的影像数据,需要对不同时相的影像设定不同的阈值,操作繁琐,也降低了提取结果的可靠性。水体指数法通过选取水体反射率最强和最弱的两个波段,反射率最强的作为分子,反射率最弱的作为分母,通过比值运算最大程度突显两者之间的差距,同时对指数进行归一化的处理。目前应用最广的有归一化差异水体指数(NDWI)和改进的归一化差异水体指数(MNDWI)。归一化差异水体指数对绿波段和近红外波段进行指数运算,其计算公式为:
NDWI=(Green-NIR)/(Green+NIR);
其中,Green代表影像中的绿色波段,NIR为近红外波段。该指数在分离水体和植被上效果显著,但对土壤和建筑等有所忽视,使得水体提取的精度有所不足。改进的归一化差异水体指数对绿波段和短波红外波段进行指数运算,其计算公式为:
MNDWI=(Green-SWIR)/(Green+SWIR);
其中,Green代表影像中的绿色波段,SWIR为短波红外波段,该指数则在归一化差异水体指数的基础上进行改进,加大了水体和建筑之间的反差,提升了水体区域提取的精度。
其中,从遥感卫星影像中提取水体指数图像的方法为,对于原始遥感卫星影像的每一个像素点,利用上式计算MNDWI的公式计算每一个像素点的MNDWI,将每一个像素点的MNDWI与设定阈值进行比较,当像素点的MNDWI大于设定阈值,则将该像素点归类为水体区域中的一个像素点。对每一个像素点按照该方法进行分类,得到形成水体区域的所有的像素点,这些像素点形成的图像即为水体指数图像。
利用水体指数法从遥感卫星影像中提取出水体指数图像,基于阈值分类法从水体指数图像中提取水体区域,在利用阈值分类法提取水体区域的基础上,有许多细小的分类或者误分类的点,不应该将其归类到水域中,使用k均值聚类方法将分类点聚类,然后筛选去掉范围较小的干扰点,提高水域提取的精度,同时计算水域面积以及相关的水域点位信息,为后续建立模型提供数据基础。
步骤3,目前水位监测多为摄像头监控水位标尺,在使用水位监测摄像头的图像做水位线识别前,需要做一些必要的图像预处理操作。为了获取多时序水位值的数据,需要将摄像头拍摄的视频隔一定帧数抽取图像,对抽取的图像进行水位标尺的目标检测,就需要对图像做一些亮度调整,以提高识别的准确率。同时,极端的雨雪、大风天气等原因会使得图像变得模糊,难以识别,需要相应地做一些去除噪声的操作。
步骤4,对应抽取的图像标注水位标尺的值,作为原始的数据集,使用深度学习目标检测网络,即上述实施例中的水位检测模型,将水位标尺的值作为需要目标检测的内容,进行深度学习模型训练。在图像预处理的基础上,使用训练好的网络模型识别图像中的水位标尺,获得水位值。
步骤5,将从多时序的Sentinel-2卫星影像中提取出的水域面积作为自变量,对应的特定点位水位高度值作为因变量,使用线性函数进行拟合,得到第一函数关系式,其公式为:
y=wx+b;
其中 w、b 分别为拟合的参数,x为水域面积,y为水位值,拟合的第一函数关系式曲线如附图3所示,拟合结果如表1所示。
表1
为评价第一函数关系式的拟合精度,引入SSE(和方差)、MSE(均方差)、RMSE(均方根)等评价指标,SSE、MSE、RMSE公式分别为:
其中,表示第i个点位的真实水位数据,yi表示根据第一函数关系式得到的第i
个点位的水位预测数据,wi表示第i个点位的权重,表示i个点位的水位均值数据,n表
示点位的总数量,SSE、MSE、RMSE越接近0,数据预测可靠性更高,在水域面积-水位拟合的线
性函数中,SSE为2.0913,MSE为0.1901,RMSE为0.4360,十分接近0,说明该第一函数关系式
具有一定的精度。同时还引入SSR(回归平方和)、SST(总离差平方和)、R-square(确定系数)
评价模型的解释能力,SSR、SST、R-square公式分别为:
其中,R-square正常范围在[0,1]之间,越接近1表明模型解释能力越强,证明模型越好,在水面积-水位拟合的线性函数中,R-square为0.9905,拟合效果非常好,由此可见,水位和水面积之间有着非常强的线性相关关系,可基于该第一函数关系式,从遥感影像中解译出的水域面积,反推水位值。
步骤6,步骤5中的第一函数关系式已具有一定的精度,具有非常强的实用性,但在分析函数拟合结果时不难发现,水位高度预测的误差值有时较小,仅为0.06m,有时会稍大。为减少第一函数关系式中的误差,提高识别精度,对特定水域点的地形进行分析,水位监测点往往距离水岸较近,实际测量的水位值往往会受到一定的地形因素的影响。为了更形象地描述地形因素的影响,结合水域地形模拟示意图(附图4)进行说明,水位高度从8m下降到5m的过程中,按照水面积-水位关系的第一函数关系式,水体下降的区域如图中S1部分,受到地形的影响如图中S2部分所示,使得第一函数关系式模型存在一定的误差,可通过地形与水面积之间的函数关系进行补偿,如图4中S3部分所示。通过结合数字高程模型,获得水域的地形数据,将水域面积作为自变量,对应的高程值作为因变量,拟合水面积-高程之间的函数关系,即第三函数关系式,如附图5所示,图5中的散列点为从第一函数关系式所得到的残差值,从图5中可以看出,第一函数关系式的残差值与第三函数关系式的函数曲线基本吻合,可通过引入相关的补偿系数,实现对水面积-水位线性函数模型的残差补偿,公式如下:
y’=wx+b+w’d(x);
其中, w、b 分别为水面积-水位线性函数的参数,w’为地形数据对水面积-水位线性函数的补偿系数,d(x)为水面积-高程之间的函数关系表达式,第三函数关系式如附图6所示,图6中的实心点为真实的水位值,空心点为基于第一函数关系式,使用地形数据对残差进行补偿后的第二函数关系式计算出的水位预测值,能够看到水位预测值更为接近真实值,模型更为准确,补偿后的结果如附图6所示,从图中6可以看出,补偿后的误差值更小,同时误差普遍在0.25m以内,水位提取十分精准。因此可通过该第二函数关系式,实现从遥感卫星影像中提取水域面积,精准推算水位值,达到实际应用的目的。
图7为本发明实施例提供的一种水域水位提取系统结构图,如图7所示,一种水域水位提取系统,包括提取模块701、建立模块702、优化模块703和获取模块704,其中:
提取模块701,用于基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;以及获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;
建立模块702,用于根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;
优化模块703,用于利用每一个水位值所在位置点的高程值,对所述函数关系式进行优化,得到优化后的第二函数关系式;
获取模块704,用于提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值。
可以理解的是,本发明实施例提供的水域水位提取系统与前述各实施例提供的水域水位提取方法相对应,水域水位提取系统的相关技术特征可参考水域水位提取方法的相关技术特征,在此不再赘述。
请参阅图8,图8为本发明实施例提供的电子设备的实施例示意图。如图8所示,本发明实施例提了一种电子设备,包括存储器810、处理器820及存储在存储器810上并可在处理器820上运行的计算机程序811,处理器820执行计算机程序811时实现以下步骤:基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;利用每一个水位值所在位置点的高程值,对所述第一函数关系式进行优化,得到优化后的第二函数关系式;提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值。
请参阅图9,图9为本发明提供的一种计算机可读存储介质的实施例示意图。如图9所示,本实施例提供了一种计算机可读存储介质900,其上存储有计算机程序911,该计算机程序911被处理器执行时实现如下步骤:基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;利用每一个水位值所在位置点的高程值,对所述第一函数关系式进行优化,得到优化后的第二函数关系式;提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值。
本发明实施例提供的一种水域水位提取方法、系统及存储介质,提出一种遥感反演的手段,结合遥感影像提取的水域面积和水位值,建立其中的数学函数关系模型,以此反推水位高度值,得以解决复杂地形水位难以测量的问题,同时做到低成本、免维护,精度也有保证,解决了传统的水位测量使用水位标尺进行测量的方法难以从宏观上测量水域整体水位高度,同时维护工作量大、成本高的问题。针对特定水位点水位高度受到地形影响使得模型精度不高的问题,本发明提出了一种结合数字高程模型数据,建立残差补偿因子的方法,对水面积、水位线性函数模型进行修正,使得模型的预测值更为接近真实值,提高模型精度,同时也使得模型更为真实、可靠。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (7)
1.一种水域水位提取方法,其特征在于,包括:
基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;
获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;
根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;
利用每一个水位值所在位置点的高程值,对所述第一函数关系式进行优化,得到优化后的第二函数关系式;
提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值;
所述第一函数关系式为线性函数关系式,所述第一函数关系式为:
y=wx+b;
其中,w为一次项系数,b为常数系数,x为水体水域面积,y为水位值;
所述利用每一个水位值所在位置点的高程值,对所述函数关系式进行优化,得到优化后的第二函数关系式,包括:
根据遥感卫星影像、水域点位信息和水位值的对应关系,获取任一张遥感卫星影像中的各个水位值对应的水域点位信息;
获取每一个水域点位信息对应的高程值;
基于所述任一张遥感卫星影像的水域面积和多个水域点位信息的高程值,建立水域面积与高程值之间的第三函数关系式;
利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式;所述第三函数关系式为非线性函数关系式;
相应的,所述利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式,包括:
y’=wx+b+w’d(x);
其中,w、b 分别为第一函数关系式的参数,w’为补偿系数,d(x)为第三函数关系式,y’为第二函数关系式。
2.根据权利要求1所述的水域水位提取方法,其特征在于,所述基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积,包括:
获取不同时期不同区域的多张遥感卫星影像,利用水体指数分类法从每一张遥感卫星影像中提取水体指数图像,获取多张水体指数图像;
基于阈值分类法和聚类方法从每一张水体指数图像中提取出水体区域,并获取水域面积。
3.根据权利要求2所述的水域水位提取方法,其特征在于,所述基于阈值分类法和聚类方法从每一张水体指数图像中提取出水体区域,并获取水域面积,包括:
对于任一张水体指数图像,计算所述任一张水体指数图像中的每一个像素点的像素值与预设分类阈值之间的大小关系;
根据所述大小关系将所述任一张水体指数图像的所有的像素点分类两类;
对分类为水体区域的所有像素点进行聚类,筛选掉分类异常的像素点,获取水体区域,并获取水域面积。
4.根据权利要求1所述的水域水位提取方法,其特征在于,所述获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值,包括:
提取任一张遥感卫星影像中不同点位的水位线图像,获取所述任一张遥感卫星影像对应的多张水位线图像,并记录每一张水位线图像的水域点位信息;
利用水位检测模型提取每一张水位线图像中的水位值;
将遥感卫星影像、水域点位信息和水位值对应存储。
5.根据权利要求4所述的水域水位提取方法,其特征在于,所述利用水位检测模型提取每一张水位线图像中的水位值,包括:
获取多张水位线图像,并利用水位标尺获取每一张水位线图像的水位值;
以包括多张水位线图像以及每一张水位线图像对应的水位值为标签的训练样本集对水位检测模型进行训练,获取训练后的水位检测模型;
利用训练后的水位检测模型对遥感卫星影像中的每一张水位线图像进行水位值的识别。
6.一种水域水位提取系统,其特征在于,包括:
提取模块,用于基于多张遥感卫星影像,提取每一张遥感卫星影像中的水体区域,并获取水域面积;以及获取每一张遥感卫星影像对应的水位线图像,从所述水位线图像中提取水位值;
建立模块,用于根据每一张遥感卫星影像对应的水域面积和水位值,建立水域面积和水位值之间的第一函数关系式;
优化模块,用于利用每一个水位值所在位置点的高程值,对所述函数关系式进行优化,得到优化后的第二函数关系式;
获取模块,用于提取待识别遥感卫星影像中的水域面积,基于所述第二函数关系式,获取待识别卫星遥感影像中水体区域的水位值;
所述第一函数关系式为线性函数关系式,所述第一函数关系式为:
y=wx+b;
其中,w为一次项系数,b为常数系数,x为水体水域面积,y为水位值;
所述利用每一个水位值所在位置点的高程值,对所述函数关系式进行优化,得到优化后的第二函数关系式,包括:
根据遥感卫星影像、水域点位信息和水位值的对应关系,获取任一张遥感卫星影像中的各个水位值对应的水域点位信息;
获取每一个水域点位信息对应的高程值;
基于所述任一张遥感卫星影像的水域面积和多个水域点位信息的高程值,建立水域面积与高程值之间的第三函数关系式;
利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式;所述第三函数关系式为非线性函数关系式;
相应的,所述利用所述第三函数关系式对所述第一函数关系式进行优化,获取第二函数关系式,包括:
y’=wx+b+w’d(x);
其中,w、b 分别为第一函数关系式的参数,w’为补偿系数,d(x)为第三函数关系式,y’为第二函数关系式。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-5任一项所述的水域水位提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110464453.XA CN112991425B (zh) | 2021-04-28 | 2021-04-28 | 一种水域水位提取方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110464453.XA CN112991425B (zh) | 2021-04-28 | 2021-04-28 | 一种水域水位提取方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991425A CN112991425A (zh) | 2021-06-18 |
CN112991425B true CN112991425B (zh) | 2021-08-06 |
Family
ID=76340454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110464453.XA Active CN112991425B (zh) | 2021-04-28 | 2021-04-28 | 一种水域水位提取方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991425B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11566895B2 (en) * | 2021-04-02 | 2023-01-31 | Bureau Of Hydrology, Changjiang Water Resources Commission | Method for continuous measurement of river flow based on satellite big data |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507200A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 |
CN107588823A (zh) * | 2017-09-18 | 2018-01-16 | 河海大学 | 基于双波段成像的水尺水位测量方法 |
CN108460483A (zh) * | 2018-02-09 | 2018-08-28 | 中国水利水电科学研究院 | 一种天然河道流量的定量反演方法 |
CN108509980A (zh) * | 2018-03-08 | 2018-09-07 | 南京邮电大学 | 一种基于字典学习的水位监测方法 |
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
CN108960070A (zh) * | 2018-06-05 | 2018-12-07 | 河海大学文天学院 | 一种水位高程检测系统及其方法 |
CN109489637A (zh) * | 2018-11-08 | 2019-03-19 | 清华大学 | 水量变化监测方法、装置、计算机设备和存储介质 |
CN109815865A (zh) * | 2019-01-11 | 2019-05-28 | 江河瑞通(北京)技术有限公司 | 一种基于虚拟水尺的水位识别方法及系统 |
CN110335355A (zh) * | 2019-07-16 | 2019-10-15 | 江西省水利规划设计研究院 | 一种大型浅水湖泊水面高自动计算方法 |
CN110378926A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 |
CN110686653A (zh) * | 2019-09-23 | 2020-01-14 | 北京四象爱数科技有限公司 | 无地面水文数据支持的水库蓄水变化量遥感监测方法 |
CN111539965A (zh) * | 2020-04-10 | 2020-08-14 | 中国资源卫星应用中心 | 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 |
CN112414507A (zh) * | 2020-11-23 | 2021-02-26 | 佛山市沃熙电器科技有限公司 | 一种水位检测的方法及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11080526B2 (en) * | 2017-08-15 | 2021-08-03 | Regents Of The University Of Minnesota | Satellite image classification across multiple resolutions and time using ordering constraint among instances |
-
2021
- 2021-04-28 CN CN202110464453.XA patent/CN112991425B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507200A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 |
CN107588823A (zh) * | 2017-09-18 | 2018-01-16 | 河海大学 | 基于双波段成像的水尺水位测量方法 |
CN108460483A (zh) * | 2018-02-09 | 2018-08-28 | 中国水利水电科学研究院 | 一种天然河道流量的定量反演方法 |
CN108509980A (zh) * | 2018-03-08 | 2018-09-07 | 南京邮电大学 | 一种基于字典学习的水位监测方法 |
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
CN108960070A (zh) * | 2018-06-05 | 2018-12-07 | 河海大学文天学院 | 一种水位高程检测系统及其方法 |
CN109489637A (zh) * | 2018-11-08 | 2019-03-19 | 清华大学 | 水量变化监测方法、装置、计算机设备和存储介质 |
CN109815865A (zh) * | 2019-01-11 | 2019-05-28 | 江河瑞通(北京)技术有限公司 | 一种基于虚拟水尺的水位识别方法及系统 |
CN110378926A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 |
CN110335355A (zh) * | 2019-07-16 | 2019-10-15 | 江西省水利规划设计研究院 | 一种大型浅水湖泊水面高自动计算方法 |
CN110686653A (zh) * | 2019-09-23 | 2020-01-14 | 北京四象爱数科技有限公司 | 无地面水文数据支持的水库蓄水变化量遥感监测方法 |
CN111539965A (zh) * | 2020-04-10 | 2020-08-14 | 中国资源卫星应用中心 | 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 |
CN112414507A (zh) * | 2020-11-23 | 2021-02-26 | 佛山市沃熙电器科技有限公司 | 一种水位检测的方法及电子设备 |
Non-Patent Citations (2)
Title |
---|
Integrating Landsat Imageries and Digital Elevation Models to Infer Water Level Change in Hoover Dam;Kuo-Hsin Tseng 等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20160114;第9卷(第4期);第1696-1709页 * |
Water Quality Analysis of Remote Sensing Images Based on Inversion Model;Jinzhe Wang 等;《IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20181105;第4861-4864页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112991425A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
CN110333554B (zh) | Nriet暴雨智能相似分析方法 | |
CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN113065578B (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
CN111291818A (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN113516177A (zh) | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 | |
CN110070513B (zh) | 遥感影像的辐射校正方法及系统 | |
CN112613437A (zh) | 一种准确率高的违章建筑识别方法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN114720425B (zh) | 一种基于图像识别的能见度监测系统及方法 | |
CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
CN114463678A (zh) | 一种利用摄像头视频图像的降雨类型识别方法 | |
CN111611858B (zh) | 一种基于多角度判别的倾轧轨迹面自动检测方法和装置 | |
CN113537108A (zh) | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 | |
CN113689414A (zh) | 一种高寒地区长时间序列高频率ndvi生成方法和装置 | |
CN113569786A (zh) | 基于多模态影像的作物病虫害检测方法及系统、设备、存储介质 | |
CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 | |
CN117689481B (zh) | 一种基于无人机视频数据自然灾害保险处理方法及系统 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, system, and storage medium for extracting water level in water bodies Effective date of registration: 20230615 Granted publication date: 20210806 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN OPTICS VALLEY INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023420000234 |