CN113096114A - 结合形态与指数的高分辨率城市水体图斑遥感提取方法 - Google Patents

结合形态与指数的高分辨率城市水体图斑遥感提取方法 Download PDF

Info

Publication number
CN113096114A
CN113096114A CN202110465561.9A CN202110465561A CN113096114A CN 113096114 A CN113096114 A CN 113096114A CN 202110465561 A CN202110465561 A CN 202110465561A CN 113096114 A CN113096114 A CN 113096114A
Authority
CN
China
Prior art keywords
water body
resolution
image
index
annual
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.)
Granted
Application number
CN202110465561.9A
Other languages
English (en)
Other versions
CN113096114B (zh
Inventor
聂鹏
程熙
莫忧
周宇轩
陈宇航
姜敖
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202110465561.9A priority Critical patent/CN113096114B/zh
Publication of CN113096114A publication Critical patent/CN113096114A/zh
Application granted granted Critical
Publication of CN113096114B publication Critical patent/CN113096114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种结合形态与指数的高分辨率城市水体图斑遥感提取方法，包括以下步骤：获取某一年份的GoogleEarth高分辨率影像，构建城市水体训练样本；采用深度学习神经网络模型进行分类处理，获得初始高分辨率水体图斑；获取所述某一年份中逐月的多光谱影像；计算年度NDWI或者MNDWI，获得年度多光谱水体图斑；矢量化两种图斑，并对矢量化后的两种图斑以及所述GoogleEarth影像进行网格化处理；对网格化后的GoogleEarth高分辨率影像提取获得各网格内高分辨率边缘轮廓信息；对各网格内的两种图斑进行空间关系分析，根据分析结果结合边缘轮廓信息进行修正，获得修正后的年度水体图斑。本发明通过结合形态与指数能够提取得到准确且高分辨率的城市水体图斑。

Description

结合形态与指数的高分辨率城市水体图斑遥感提取方法
技术领域
本发明涉及遥感信息提取技术领域，特别涉及一种结合形态与指数的高分辨率城市水体图斑遥感提取方法。
背景技术
城市水体具有补充空气中的水分、吸收空气中的灰尘、调节温度、强化城市景观的作用，在城市生活中起着非常重要的作用，准确提取城市水体对于城市建设至关重要。随着遥感技术的不断发展，越来越多的遥感影像应用于城市水体的测绘和变化分析之中。
遥感图像是地物电磁波反射信息和自身发射信息的定量反映。由于自身特殊的理化特性，水体有着非常特别的遥感特征：在可见光波段范围内(480nm～580nm)，水体的反射率总体较低，约为4％～5％；到了580nm处则下降为2％～3％；当波长大于740nm时，几乎所有入射能量均被水体吸收。
研究中所采用的数据源主要为多光谱影像，如Landsat系列，Sentinel-2等，这些影像空间分辨率相对较低，难以精确描述城市内部空间的水体信息。另一方面，以GoogleEarth为代表的在线遥感影像地图产品整合了不同卫星遥感数据，能够提供大量的高空间分辨率的遥感影像，然而该类遥感影像一般仅能获取红绿蓝3个波段，光谱信息较为匮乏；特别是缺少对水体最为敏感的绿光波段和近红外波段信息，因此少有研究依靠GoogleEarth影像对城市水体进行提取；同时由于影像获取时间不一致，空间上影像信息不一定连续，单纯依靠Google Earth对城市水体进行识别难以满足对于年度水体数据获取的需求。
发明内容
针对上述问题，本发明旨在提供一种结合形态与指数的高分辨率城市水体图斑遥感提取方法，将Google Earth影像上精细的形态信息与多光谱影像上连续的水体指数时序信息相结合，提出能够获取更完善的城市水体图斑形态与图斑内部指数年度变化。
本发明的技术方案如下：
一种结合形态与指数的高分辨率城市水体图斑遥感提取方法，包括以下步骤：
获取某一年份的Google Earth高分辨率影像，根据所述Google Earth影像构建城市水体训练样本；
采用深度学习神经网络模型对所述城市水体训练样本进行训练，利用训练后的模型对所述Google Earth影像进行分类处理，获得初始高分辨率水体图斑；
获取所述某一年份中逐月的多光谱影像；
根据所有月份的多光谱影像计算年度归一化水体指数或年度归一化差异水体指数，获得年度多光谱水体图斑；
矢量化所述初始高分辨率水体图斑和所述年度多光谱水体图斑，并对矢量化后的两种图斑以及所述Google Earth影像进行网格化处理；
对网格化后的Google Earth高分辨率影像进行影像分割处理，获得各网格内高分辨率边缘轮廓信息；
对各网格内的初始高分辨率水体图斑和年度多光谱水体图斑进行空间关系分析，并根据所述空间关系分析的结果结合所述高分辨率边缘轮廓信息，对所述初始高分辨率水体图斑进行修正，获得修正后的年度水体图斑。
作为优选，所述深度学习神经网络模型采用卷积神经网络模型。
作为优选，所述卷积神经网络模型采用DlinkNet卷积神经网络模型或UNet卷积神经网络模型。
作为优选，计算所述年度归一化水体指数或年度归一化差异水体指数之后，还包括将该时间段的归一化水体指数或者归一化差异水体指数进行时间序列特征分类的步骤。
作为优选，根据所有月份的多光谱影像计算年度归一化水体指数或年度归一化差异水体指数，获得年度多光谱水体图斑时，采用Random Forest对所述多光谱影像进行分类。
作为优选，进行网格化处理时，首先将所述Google Earth影像划分为若干个正方形的网格，然后根据所述Google Earth影像的网格大小和网格数量对矢量化后的两种图斑进行相同的网格化处理。
作为优选，影像分割处理时，通过分水岭影像分割算法提取获得各网格内所述高分辨率边缘轮廓信息。
作为优选，根据所述空间关系分析的结果结合所述高分辨率边缘轮廓信息，对所述初始高分辨率水体图斑进行修正时，具体包括以下三条并行的修正规则：
修正规则一：若Google Earth影像提取结果为面积大于阈值一的水体，且所述多光谱影像提取结果为非水体，则去除所述水体；
若Google Earth影像提取结果为水体，且所述水体的面积小于阈值一，则对所述水体进行目视检测；若是水体则保留所述水体，若是非水体则去除所述水体；
修正规则二：若Google Earth影像提取结果为水体，所述水体中的某部分对应多光谱影像的提取结果为非水体，且所述非水体的面积与所述水体的面积比值大于阈值二，则去除所述非水体部分以及所述非水体对应的高分辨率轮廓边界；
修正规则三：若多光谱影像提取结果为水体，所述水体中的某部分对应GoogleEarth影像的提取结果为非水体，且所述非水体的面积与所述水体的面积比值大于阈值三，则将所述非水体部分以及所述非水体对应的高分辨率轮廓边界修正为水体。
作为优选，所述阈值一为所述多光谱影像中最小城市水体对应的像元面积；所述阈值二为50％；所述阈值三为50％。
作为优选，还包括根据所述修正后的年度水体图斑，按各个不同时间段的影像特征计算每个图斑内部时间序列特征，获取图斑形态与光谱变化相结合的的水体信息的步骤。
本发明的有益效果是：
本发明通过结合高分辨率影像中的空间信息和多光谱影像中的多光谱信息，能够提高城市水体提取结果的准确性；在结合过程中利用网格化能够将整个高分辨率影像细化，每个网格部分单独比对，提高提取结果的准确性；在结合过程中利用三条并行的修正规则能够使初始高分辨率水体图斑与年度多光谱水体图斑相互比对校正，提高结果准确性；另外，本发明还能在高分辨率图斑准确修正后再结合水体指数月度变化信息，得到图斑在一年内的变化状况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明结合形态与指数的高分辨率城市水体图斑遥感提取方法的流程示意图；
图2为某地原始遥感图像示意图；
图3为图2遥感图像采用DlinkNet卷积神经网络算法识别水体图斑的结果示意图；
图4为图2遥感图像采用UNet卷积神经网络算法识别水体图斑的结果示意图；
图5为某样本一的Google Earth原始图片及其初始高分分辨率水体图斑识别结果示意图；
图6为某样本二采用修正规则二进行修正的年度水体图斑结果示意图；
图7为某样本三采用修正规则三进行修正的年度水体图斑结果示意图；
图8为某样本四的六个水体变化的时间序列信息结果示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
如图1所示，本发明提供一种结合形态与指数的高分辨率城市水体图斑遥感提取方法，包括以下步骤：
S1：获取某一年份的Google Earth高分辨率影像，根据所述Google Earth影像构建城市水体训练样本。
在一个具体的实施例中，所述城市水体训练样本的尺寸为4000×4000像素(对应Google Earth 20级影像)或1000×1000像素(对应Google Earth 18级影像)。需要说明的是，所述城市水体训练样本的尺寸大小根据像源的影像级别及计算机处理能力进行确定，上述实施例中的训练样本尺寸并非对发明训练样本尺寸的限定，只要训练样本为N×N大小的图片即可。
在一个具体的实施例中，获取所述某一年份的Google Earth高分辨率影像时，获取该年份逐月的Google Earth高分辨率影像。
S2：采用深度学习神经网络模型对所述城市水体训练样本进行训练，利用训练后的模型对所述Google Earth影像进行分类处理，获得初始高分辨率水体图斑。
在一个具体的实施例中，所述深度学习神经网络模型采用卷积神经网络模型。可选地，所述卷积神经网络模型采用DlinkNet卷积神经网络模型或UNet卷积神经网络模型。
在一个具体的实施例中，分别采用DlinkNet卷积神经网络模型和UNet卷积神经网络模型对图2所示的原始遥感图像进行分类处理，结果分别如图3和图4所示。对比图2-4可以看出，DlinkNet卷积神经网络模型和UNet卷积神经网络模型均能准确识别出原始遥感图像中的水体部分，满足后续研究需求。
需要说明的是，除了上述满足后续分析精度要求的模型外，本发明所述深度学习神经网络模型还可采用现有技术中其他卷积神经网络模型，例如DeepNetV3卷积神经网络模型等。
初始高分辨率水体图斑的结果具有0～100的值，通过该值可以定义该图斑是否为水体的概率，例如0～50为弱水体(即是水体的概率较低)，50～100为强水体(即是水体的概率较高)。需要说明的是，也可将强弱水体分类的边界值选为其他值，例如40、60、70等等。
S3：获取所述某一年份中逐月的多光谱影像。可选地，所述多光谱影像通过Sentinel 2卫星获得。
在一个具体的实施例中，对获取的逐月Sentinel 2影像分别进行水体指数计算，然后对得到的结果进行平均化，将水体指数加入时间变化，能够获得更精确的水体信息。
需要说明的是，对多个时间段的水体指数的平均化，可以消除一些动态变化的影响；可以消除水体提取结果由于时相不同，导致的不准确识别，比如说季节水位不同导致河流内部的暗礁/浅滩/裸露，造成水体提取信息的不连续。时间不同水体的面积不相同，在不同时间段进行提取有助于得到强弱水体信息，可以确定是否为水体的概率。
S4：根据所有月份的多光谱影像计算年度归一化水体指数或年度归一化差异水体指数，获得年度多光谱水体图斑。
在一个具体的实施例中，根据所有月份的多光谱影像计算年度归一化水体指数或年度归一化差异水体指数，获得年度多光谱水体图斑时，采用Random Forest对所述多光谱影像进行分类，将分类结果再划分为水体和非水体两类。
需要说明的是，除了上述满足后续分析精度要求的模型外，本发明还可采用现有技术中其他影像分类模型，例如SVM模型等。
S5：矢量化所述初始高分辨率水体图斑和所述年度多光谱水体图斑，并对矢量化后的两种图斑以及所述Google Earth影像进行网格化处理；
在一个具体的实施例中，进行网格化处理时，首先将所述Google Earth影像划分为若干个正方形的网格，然后根据所述Google Earth影像的网格大小和网格数量对矢量化后的两种图斑进行相同的网格化处理。
需要说明的是，本发明主要是利用网格化处理细化影像区域，提高识别的准确精度，本发明也可在获得Google Earth高分辨率影像和多光谱影像后即对该影像进行网格化处理，然后再获得网格化的初始高分辨率水体图斑和年度多光谱水体图斑。
S6：对网格化后的Google Earth高分辨率影像进行影像分割处理，获得各网格内高分辨率边缘轮廓信息；
在一个具体的实施例中，采用分水岭影像分割算法提取获得各网格内所述高分辨率边缘轮廓信息。需要说明的是，除了本实施例的影像分割算法外，还可采用现有技术中的其他影像分割算法进行处理，例如两次不同尺度的阈值分割算法等。
S7：对各网格内的初始高分辨率水体图斑和年度多光谱水体图斑进行空间关系分析，并根据所述空间关系分析的结果结合所述高分辨率边缘轮廓信息，对所述初始高分辨率水体图斑进行修正，获得修正后的年度水体图斑。
在一个具体的实施例中，采用以下三条并行的修正规则对所述初始高分辨率水体图斑进行修正：
修正规则一：若Google Earth影像提取结果为面积大于阈值一的水体，且所述多光谱影像提取结果为非水体，则去除所述水体；若Google Earth影像提取结果为水体，且所述水体的面积小于阈值一，则对所述水体进行目视检测；若是水体则保留所述水体，若是非水体则去除所述水体；可选地，所述阈值一为所述多光谱影像中最小城市水体对应的像元面积。
需要说明的是，所述修正规则一修正的内容是水体提取结果中被误识别为水体的错误，实际上是非水体的部分，例如各类型的阴影等。
修正规则二：若Google Earth影像提取结果为水体，所述水体中的某部分对应多光谱影像的提取结果为非水体，且所述非水体的面积与所述水体的面积比值大于阈值二，则去除所述非水体部分以及所述非水体对应的高分辨率轮廓边界；可选地，所述阈值二为50％。
修正规则三：若多光谱影像提取结果为水体，所述水体中的某部分对应GoogleEarth影像的提取结果为非水体，且所述非水体的面积与所述水体的面积比值大于阈值三，则将所述非水体部分以及所述非水体对应的高分辨率轮廓边界修正为水体；可选地，所述阈值三为50％。
需要说明的是，确定所述阈值一时，所述最小城市水体为整个目标影像中的最小城市水体，而非某个网格影像中的最小城市水体，具体应用时，所述阈值一也可根据经验直接确定为某个面积值。所述阈值二与所述阈值三也可分别设置为其他值，例如40％、60％等，且阈值二的取值与阈值三的取值之间并无关联，可分别设置为不同的值。
在一个具体的实施例中，本发明所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，在计算所述年度归一化水体指数或年度归一化差异水体指数之后，还包括将该时间段的归一化水体指数或者归一化差异水体指数进行时间序列特征分类的步骤。
在一个具体的实施例中，本发明所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，还包括根据所述修正后的年度水体图斑，按各个不同时间段的影像特征计算每个图斑内部时间序列特征，获取图斑形态与光谱变化相结合的的水体信息的步骤。
实施例1
中国浙江省杭州市的某区域内的城市水体包含了不同大小、形态的河流、湖泊、水塘等常见类型，具有代表性，以其为本发明的实施范围，该区域的年度城市水体遥感信息提取方法具体包括以下步骤：
首先，通过Google Earth获得该区域2020年所有1-12月份的20级影像，通过Sentinel 2卫星获得该区域2020年1-12月份的影像；
其次，根据获取的每个月份的Google Earth 20级影像分别采集60个尺寸均为4000×4000像素的样本，并采用DlinkNet卷积神经网络算法对所有样本进行模型训练，应用训练好的模型对所述Google Earth 20级影像进行分类处理，获得每个月份的高分辨率水体图斑，将所有月份的高分辨率水体图斑进行平均化，得到初始高分辨率水体图斑。其中某样本一的原始图片及其初始高分分辨率水体图斑识别结果如图5所示，其中，图5(a)为该样本的原始图片，图5(b)为该样本通过DlinkNet卷积神经网络算法识别到的初始高分分辨率水体图斑结果示意图。从图5可以看出，本发明提供的深度学习方法能够提取到准确的高分辨率水体图斑轮廓。
再次，对获得的Sentinel 2影像进行去云合成处理，计算年度归一化水体指数并构建月度的时序特征，并取其中具有10米空间分辨率的蓝、绿、红与近红外4个波段组成分类特征，采用Random Forest模型进行影像分类并矢量化后获得该区域的年度水体图斑。
然后，矢量化所述初始高分辨率水体图斑和所述年度多光谱水体图斑，并对矢量化后的两种图斑以及所述Google Earth影像进行网格化处理；对网格化后的Google Earth高分辨率影像采用分水岭影像分割算法提取获得各网格内高分辨率边缘轮廓信息。
接着，对各网格内的初始高分辨率水体图斑和年度多光谱水体图斑进行空间关系分析，并根据所述空间关系分析的结果结合所述高分辨率边缘轮廓信息，对所述初始高分辨率水体图斑进行修正，获得修正后的年度水体图斑。
其中某样本二采用修正规则二进行修正的结果如图6所示，其中，图6(a)为该样本的Google Earth原始影像，图6(b)为该样本的初始高分辨率水体图斑，图6(c)为该样本的年度NDWI水体指数影像，图6(d)为该样本的在多光谱影像上提取的年度水体图斑，图6(e)为该样本在Google Earth影像上的边缘轮廓，图6(f)为该样本采用修正规则二修正后的年度水体图斑结果示意图。从图6可以看出，结合边界轮廓形态以及修正规则二进行修正后，最终的年度水体图斑结果比初始高分辨率水体图斑准确度更高，与实际更加相符，本发明的提取方法提取结果精确。
其中某样本三采用修正规则三进行修正的结果如图7所示，其中，图7(a)为该样本的Google Earth原始影像，图7(b)为该样本的初始高分辨率水体图斑，图7(c)为该样本的年度NDWI水体指数影像，图7(d)为该样本的在多光谱影像上提取的年度水体图斑，图8(e)为该样本在Google Earth影像上的边缘轮廓，图7(f)为该样本修正规则三修正后的水体图斑结果示意图。从图7可以看出，结合边界轮廓形态以及修正规则三进行修正后，最终的水体图斑结果比初始高分辨率水体图斑准确度更高，与实际更加相符，本发明的提取方法提取结果精确。
最后，以修正后的年度水体图斑为边界，前述步骤获得的时序特征计算其中从1月到12月的归一化水体指数的变化，获得其年度变化的时间序列信息。
其中某样本四的六个水体季节变化的时间序列信息如图8所示，其中，图8(a)-(f)分别为2020年1-2月、3-4月、5-6月、7-8月、9-10月、11-12月的图斑水体光谱图，亮度越高的区域代表其水体覆盖越明显。从图8可以看出，该图斑水体覆盖季节变化情况明显，本发明获得的年度变化时间序列信息精确。
通过上述实施例的结果可以发现，本发明提供的提取方法通过首先获取高分辨率的水体图斑轮廓信息，然后以图斑为基本分析单元，结合多光谱影像对其提取结果的模型错误或时相不一致误差进行修正，最终获得结果准确的年度城市水体遥感信息。另外，还可进一步结合多光谱影像的时间序列特征获取各个水体图斑内部水体变化的年度时间序列信息。
综上所述，本发明提供的方法能够实现以面向图斑的高分辨率城市水体信息的准确提取，并提供比一般方法更精细的形态特征和更丰富的光谱变化信息。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，包括以下步骤：
获取某一年份的Google Earth高分辨率影像，根据所述Google Earth影像构建城市水体训练样本；
采用深度学习神经网络模型对所述城市水体训练样本进行训练，利用训练后的模型对所述Google Earth影像进行分类处理，获得初始高分辨率水体图斑；
获取所述某一年份中逐月的多光谱影像；
根据所有月份的多光谱影像计算年度归一化水体指数或年度归一化差异水体指数，获得年度多光谱水体图斑；
矢量化所述初始高分辨率水体图斑和所述年度多光谱水体图斑，并对矢量化后的两种图斑以及所述Google Earth影像进行网格化处理；
对网格化后的Google Earth高分辨率影像进行影像分割处理，获得各网格内高分辨率边缘轮廓信息；
对各网格内的初始高分辨率水体图斑和年度多光谱水体图斑进行空间关系分析，并根据所述空间关系分析的结果结合所述高分辨率边缘轮廓信息，对所述初始高分辨率水体图斑进行修正，获得修正后的年度水体图斑。
2.根据权利要求1所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，所述深度学习神经网络模型采用卷积神经网络模型。
3.根据权利要求2所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，所述卷积神经网络模型采用DlinkNet卷积神经网络模型或UNet卷积神经网络模型。
4.根据权利要求1所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，计算所述年度归一化水体指数或年度归一化差异水体指数之后，还包括将该时间段的归一化水体指数或者归一化差异水体指数进行时间序列特征分类的步骤。
5.根据权利要求1所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，根据所有月份的多光谱影像计算年度归一化水体指数或年度归一化差异水体指数，获得年度多光谱水体图斑时，采用Random Forest对所述多光谱影像进行分类。
6.根据权利要求1所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，进行网格化处理时，首先将所述Google Earth影像划分为若干个正方形的网格，然后根据所述Google Earth影像的网格大小和网格数量对矢量化后的两种图斑进行相同的网格化处理。
7.根据权利要求1所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，影像分割处理时，通过分水岭影像分割算法提取获得各网格内所述高分辨率边缘轮廓信息。
8.根据权利要求1所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，根据所述空间关系分析的结果结合所述高分辨率边缘轮廓信息，对所述初始高分辨率水体图斑进行修正时，具体包括以下三条并行的修正规则：
修正规则一：若Google Earth影像提取结果为面积大于阈值一的水体，且所述多光谱影像提取结果为非水体，则去除所述水体；
若Google Earth影像提取结果为水体，且所述水体的面积小于阈值一，则对所述水体进行目视检测；若是水体则保留所述水体，若是非水体则去除所述水体；
修正规则二：若Google Earth影像提取结果为水体，所述水体中的某部分对应多光谱影像的提取结果为非水体，且所述非水体的面积与所述水体的面积比值大于阈值二，则去除所述非水体部分以及所述非水体对应的高分辨率轮廓边界；
修正规则三：若多光谱影像提取结果为水体，所述水体中的某部分对应Google Earth影像的提取结果为非水体，且所述非水体的面积与所述水体的面积比值大于阈值三，则将所述非水体部分以及所述非水体对应的高分辨率轮廓边界修正为水体。
9.根据权利要求8所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，所述阈值一为所述多光谱影像中最小城市水体对应的像元面积；所述阈值二为50％；所述阈值三为50％。
10.根据权利要求1-9中任意一项所述的结合形态与指数的高分辨率城市水体图斑遥感提取方法，其特征在于，还包括根据所述修正后的年度水体图斑，按各个不同时间段的影像特征计算每个图斑内部时间序列特征，获取图斑形态与光谱变化相结合的的水体信息的步骤。
CN202110465561.9A 2021-04-28 2021-04-28 结合形态与指数的高分辨率城市水体图斑遥感提取方法 Active CN113096114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110465561.9A CN113096114B (zh) 2021-04-28 2021-04-28 结合形态与指数的高分辨率城市水体图斑遥感提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110465561.9A CN113096114B (zh) 2021-04-28 2021-04-28 结合形态与指数的高分辨率城市水体图斑遥感提取方法

Publications (2)

Publication Number Publication Date
CN113096114A true CN113096114A (zh) 2021-07-09
CN113096114B CN113096114B (zh) 2022-07-01

Family

ID=76680704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110465561.9A Active CN113096114B (zh) 2021-04-28 2021-04-28 结合形态与指数的高分辨率城市水体图斑遥感提取方法

Country Status (1)

Country Link
CN (1) CN113096114B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521273A (zh) * 2011-11-23 2012-06-27 中国科学院地理科学与资源研究所 一种高分辨率遥感的多功能城市用地空间信息生成方法
CN103971115A (zh) * 2014-05-09 2014-08-06 中国科学院遥感与数字地球研究所 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法
CN104103076A (zh) * 2014-07-29 2014-10-15 环境保护部卫星环境应用中心 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法
CN107103305A (zh) * 2017-05-03 2017-08-29 西安科技大学 基于高分辨率遥感影像的高标准农田识别方法
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
CN111598101A (zh) * 2020-05-25 2020-08-28 中国测绘科学研究院 基于遥感影像场景分割的城区智能提取方法、系统及设备
CN112149594A (zh) * 2020-09-29 2020-12-29 同济大学 基于深度学习和高分辨率卫星影像的城市建设评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521273A (zh) * 2011-11-23 2012-06-27 中国科学院地理科学与资源研究所 一种高分辨率遥感的多功能城市用地空间信息生成方法
CN103971115A (zh) * 2014-05-09 2014-08-06 中国科学院遥感与数字地球研究所 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法
CN104103076A (zh) * 2014-07-29 2014-10-15 环境保护部卫星环境应用中心 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法
CN107103305A (zh) * 2017-05-03 2017-08-29 西安科技大学 基于高分辨率遥感影像的高标准农田识别方法
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
CN111598101A (zh) * 2020-05-25 2020-08-28 中国测绘科学研究院 基于遥感影像场景分割的城区智能提取方法、系统及设备
CN112149594A (zh) * 2020-09-29 2020-12-29 同济大学 基于深度学习和高分辨率卫星影像的城市建设评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAIFENG PENG 等: "End-to-End Change Detection for High Resolution Satellite Images Using Improved UNet++", 《REMOTE SENSING》 *
朱珍香 等: "福建水库空间分布特征: 沿海密度高水量少、内陆密度低水量多", 《湖泊科学》 *
贺丹 等: "高分辨率卫星遥感技术在不可移动文物监测中的应用", 《测绘与空间地理信息》 *

Also Published As

Publication number Publication date
CN113096114B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
Chen et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data
Liu et al. Mapping urban tree species using integrated airborne hyperspectral and LiDAR remote sensing data
Madonsela et al. Remote sensing of species diversity using Landsat 8 spectral variables
Li et al. Mapping multi-layered mangroves from multispectral, hyperspectral, and LiDAR data
Goodwin et al. Cloud and cloud shadow screening across Queensland, Australia: An automated method for Landsat TM/ETM+ time series
CN111476170A (zh) 一种结合深度学习和随机森林的遥感影像语义分割方法
Lassalle et al. Deep learning-based individual tree crown delineation in mangrove forests using very-high-resolution satellite imagery
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
Hussin et al. Evaluation of object-based image analysis techniques on very high-resolution satellite image for biomass estimation in a watershed of hilly forest of Nepal
Ferrato et al. Comparing hyperspectral and multispectral imagery for land classification of the Lower Don River, Toronto
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
González-Yebra et al. Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data
CN110100262B (zh) 用于从图像移除云的图像处理设备、方法和存储介质
Belenok et al. Investigating anthropogenically transformed landscapes with remote sensing
CN113327214B (zh) 一种连续时间序列水体遥感制图方法
Chen et al. Land cover mapping in urban environments using hyperspectral APEX data: A study case in Baden, Switzerland
CN114519821A (zh) 一种绿色健康植被遥感识别指数的构建方法
CN116385867A (zh) 生态地块监测识别与分析方法、系统、介质、设备及终端
CN114419463B (zh) 一种基于云平台的全球太阳能光伏板遥感自动识别方法
Qiu et al. Automated cropping intensity extraction from isolines of wavelet spectra
CN113111794B (zh) 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法
CN113096114B (zh) 结合形态与指数的高分辨率城市水体图斑遥感提取方法
Tsendbazar Object based image analysis of geo-eye VHR data to model above ground carbon stock in Himalayan mid-hill forests, Nepal
CN115861629A (zh) 一种高分耕地影像提取方法
Liao et al. Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Cheng Xi

Inventor after: Nie Peng

Inventor after: Mo You

Inventor after: Zhou Yuxuan

Inventor after: Chen Yuhang

Inventor after: Jiang Ao

Inventor before: Nie Peng

Inventor before: Cheng Xi

Inventor before: Mo You

Inventor before: Zhou Yuxuan

Inventor before: Chen Yuhang

Inventor before: Jiang Ao

GR01 Patent grant
GR01 Patent grant