CN113255452A - 一种目标水体的提取方法及提取系统 - Google Patents
一种目标水体的提取方法及提取系统 Download PDFInfo
- Publication number
- CN113255452A CN113255452A CN202110451072.8A CN202110451072A CN113255452A CN 113255452 A CN113255452 A CN 113255452A CN 202110451072 A CN202110451072 A CN 202110451072A CN 113255452 A CN113255452 A CN 113255452A
- Authority
- CN
- China
- Prior art keywords
- water body
- target water
- remote sensing
- satellite remote
- sensing 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 356
- 238000000605 extraction Methods 0.000 title claims abstract description 107
- 230000011218 segmentation Effects 0.000 claims abstract description 70
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000005520 cutting process Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 52
- 230000003595 spectral effect Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000003809 water extraction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标水体的提取方法及提取系统,所述目标水体的提取方法包括如下步骤:获取卫星遥感影像,并对所述卫星遥感影像进行预处理;根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体当前位置及外扩一定距离为缓冲区;根据缓冲区的范围内的卫星遥感影像制作目标水体样本;以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;并根据分割尺寸对待分类的目标水体样本进行分割;根据分割的结果与影像特征结合进行水体提取。本发明技术方案整合出全新的水体提取的处理技术路线,提升水体最终的提取精度,满足大规模业务推动。
Description
技术领域
本发明涉及环境监测技术领域,特别涉及一种目标水体的提取方法及提取系统。
背景技术
国产高分辨率卫星遥感影像广泛应用在各行业中,针对卫星遥感影像进行水体要素提取已经广泛应用,然而该卫星遥感影像在空间区域存在较大的质量差异,因此,针对水体的卫星遥感影像的提取效果的质量差异,市面上存在三类优化水体的卫星遥感影像提取质量的方法:
第一类方法基于规则集的水体提取。该方法利用监督分类的方式,通过规则集对应的水体指数设置阈值参数,从而实现水体类型的提取。该方法中样本规则集的选择和阈值对结果有很大的影响。在复杂场景下,阈值的设置就会存在一定难度,很难区分开水体和其他类型,导致水体提取的质量不佳。
第二类方法基于面向对象尺度分割方法进行水体提取。这种方法在分割过程序需要考虑了纹理,形状特征,预设分割参数,获取初步分割图像,然后在此基础上根据典型地物不同的光谱特征,提取水体等步骤。虽然,这种方法对水体提取精度有保证,但是不同的卫星遥感影像数据会存在干扰,造成分割的结果不同,而且在实际业务中,往往需要人机结合选择分割种子点进行参数设定,进而实现提取,水体的提取过程较为复杂,且人员的投入较大。
第三类方法基于深度学习卷积神经网络的方法进行水体提取。深度学习的方法在计算机视觉领域取得了大量进展,但是在遥感地物提取方面,目前由于特征点的识别存在着卫星遥感影像干扰的问题,导致在大区域业务化也存在着问题,特别是水体要素存在颜色,光谱和边界的各种差异,降低了模型大范围预测的准确度。
综上,水体作为相对单一和较容易提取的要素,已经广泛被各种技术方法实现提取,但是这些方法手段虽然在一定的数据条件下和特定方法中能获得较高的精度效果,然而现实情况则是,水体要素存在“同物异谱”和“同谱异物”的现象。在实际大区域广泛应用中,受到数据质量影响和方法局限性都会导致业务化很难实现。为实现大规模和大范围的业务化,需要提出一种新的水体提取解决方法。
发明内容
本发明的主要目的是提供一种目标水体的提取方法及提取系统,旨在解决了水体的提取质量不佳的技术问题。
为实现上述目的,本发明提供一种目标水体的提取方法,所述目标水体的提取方法包括以下步骤:
获取卫星遥感影像,并对所述卫星遥感影像进行预处理;
根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体当前位置及外扩一定距离为缓冲区;
根据缓冲区的范围内的卫星遥感影像制作目标水体样本;
以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;
对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;
根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;
基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体特征提取;
判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;
合并或去除完成时得到目标水体的最终提取结果。
优选地,所述获取卫星遥感影像,并对所述卫星遥感影像进行预处理的步骤,包括:
预设卫星遥感影像覆盖阈值;
满足卫星遥感影像覆盖阈值时,获取卫星遥感影像;
处理卫星遥感影像,并几何校正卫星遥感影像。
优选地,所述根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置及外扩一定距离为缓冲区的步骤,包括:
根据预处理后的所述卫星遥感影像获取目标水体的外边界;
在目标水体的外边界基础上依据凸角圆弧法判别目标水体的缓冲区边界,其中,所述目标水体的缓冲区边界围合成缓冲区。
优选地,所述根据缓冲区的范围内的卫星遥感影像制作目标水体样本的步骤,包括:
获取待分类目标水体的卫星遥感影像中两个波段信息,其中,所述波段信息包括绿波段与近红外波段;
根据每个波段信息的波段值以及波段最大值获得波段的归一化结果值;
根据两个波段的归一化结果值计算所述目标水体的水体指数;
获取二值化阈值;
将获取目标水体的水体指数根据阈值区分水体与非水体两个部分,并用二值对水体以及非水体分别标注。
优选地,所述对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸的步骤,包括:
获取待分类的目标水体样本中设定某一个像元为起点;
以所述起点开始做以相邻区域的卫星遥感影像之间异质性判别。
优选地,所述以所述起点开始做以相邻区域的卫星遥感影像之间异质性判别的步骤,包括:
获取相邻两个区域的卫星遥感影像的面积以及方差,预设分割合并波段的权重,合并后的面积,合并后的方差;
根据相邻两个区域的卫星遥感影像的面积以及方差,预设分割合并波段的权重,合并后的面积,合并后的方差得出异质性参量。
此外,为实现上述目的,本发明还提出一种目标水体的提取系统,所述目标水体的提取系统包括:
获取模块,获取卫星遥感影像,并对所述卫星遥感影像进行预处理;
设置模块,根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置及外扩一定距离为缓冲区;
制作模块,根据缓冲区的范围内的卫星遥感影像制作目标水体样本;
裁切模块,以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;
确定模块,对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;
分割模块,根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;
融合模块,基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体提取;
判断模块,判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;
提取模块,合并或去除完成时得到目标水体的最终提取结果。
优选地,所述目标水体的提取系统还包括:
预设模块,预设卫星遥感影像覆盖阈值;
对比模块,满足卫星遥感影像覆盖阈值时,获取卫星遥感影像;
校正模块,处理卫星遥感影像,并几何校正卫星遥感影像。
优选地,所述目标水体的提取系统还包括:
预处理模块,根据预处理后的所述卫星遥感影像获取目标水体的外边界;
缓冲模块,在目标水体的外边界基础上依据凸角圆弧法判别目标水体的缓冲区边界,其中,所述目标水体的缓冲区边界围合成缓冲区。
优选地,所述目标水体的提取系统还包括:
波段信息模块,获取待分类目标水体的卫星遥感影像中两个波段信息,其中,所述波段信息包括绿波段与近红外波段;
波段处理模块,根据每个波段信息的波段值以及波段最大值获得波段的归一化结果值;
波段计算模块,根据两个波段的归一化结果值计算所述目标水体的水体指数;
标注模块,获取二值化阈值,将获取目标水体的水体指数根据阈值区分水体与非水体两个部分,并用二值对水体以及非水体分别标注。
本发明提出的目标水体的提取方法及提取系统,所述目标水体的提取方法包括如下步骤:获取卫星遥感影像,并对所述卫星遥感影像进行预处理;根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体当前位置及外扩一定距离为缓冲区;根据缓冲区的范围内的卫星遥感影像制作目标水体样本;以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体特征提取;判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;合并或去除完成时得到目标水体的最终提取结果。本发明技术方案整合出全新的水体提取的处理技术路线,提升水体最终的提取精度,增加水体提取的准确性,降低水体的提取过程的复杂度,便于大规模业务推动。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案,下面将对实施例或示例性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的前提下,还可以按照这些附图示出的获得其他的附图。
图1为本发明目标水体的提取方法的流程示意图
图2为本发明目标水体的提取方法中分割结果示意图;
图3为本发明目标水体的提取方法中分类结果示例图;
图4为本发明目标水体的提取方法中最终结果示意图;
图5为本发明目标水体的提取系统的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的主要解决方案是:获取卫星遥感影像,并对所述卫星遥感影像进行预处理;根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置为缓冲区;以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;获取待分类目标水体的卫星遥感影像,并根据待分类目标水体的卫星遥感影像制作待分类的目标水体样本;计算所述待分类的目标水体样本分割尺寸,并根据分割尺寸对待分类的目标水体样本进行分割;根据分割的结果与影像进行特征分类提取;判断特征分类提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;合并或去除完成时得到目标水体的提取结果。
由于现有技术中,在实际业务应用中,针对国产卫星的水体提取,有大量的水体干扰信息,以及数据存在曝光,云和冰雪覆盖的问题,为了消除这些不利于影响数据精度的因素,故提出本申请。
本发明提供一种解决方案,获取卫星遥感影像,并对所述卫星遥感影像进行预处理;根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置为缓冲区;以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;获取待分类目标水体的卫星遥感影像,并根据待分类目标水体的卫星遥感影像制作待分类的目标水体样本;计算所述待分类的目标水体样本分割尺寸,并根据分割尺寸对待分类的目标水体样本进行分割;根据分割的结果与影像进行特征分类提取;判断特征分类提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;合并或去除完成时得到目标水体的提取结果。
本发明提供一种目标水体的提取方法。
如图1所示,图1是本发明目标水体的提取方法的流程示意图。
该目标水体的提取方法包括:
步骤S10,获取卫星遥感影像,并对所述卫星遥感影像进行预处理;
具体地:为了获取高分辨率卫星遥感影像,对卫星遥感影像进行预处理,应用于卫星遥感影像中水体的提取,预处理过程主要运用获取高分辨率卫星遥感影像以及几何校正的技术手段,其中,卫星遥感影像预处理包括:
1)预设卫星遥感影像覆盖阈值,其中,预设卫星遥感影像覆盖阈值为每景卫星遥感影像的云覆盖区域均不大于10%;在满足卫星遥感影像覆盖阈值不大于10%时,获取卫星遥感影像;
需要说明的是,每景卫星遥感影像为多光谱数据,其中具有蓝波段,绿波段,红波段和近红外波段4个波段;考虑区域上卫星遥感影像覆盖情况差异大,不同时相卫星遥感影像时间跨度一般不超过15天。
2)处理卫星遥感影像,并几何校正卫星遥感影像
对卫星遥感影像进行预处理,包括几何校正,利用卫星图像自带的有理多项式系数,通过有理函数模型(RPC)实现图像几何校正;RPC模型将像点坐标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。
定义如下多项式如下:
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;
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;Lon_Scale,Lat_Scale,Height_Scale分别表示经度、纬度和高程的比例因子,影像自带的RPC文件中可查到;
其中,Col,Row分别表示图像点的列数、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,影像自带的RPC文件中可查到;
NumL(P,L,H),DenL(P,L,H),DenS(P,L,H)和NumS(P,L,H)都是如下形式的多项式:
F(P,L,H)=a1+a2L+a3P+a4H+a5LP+a6LH+a7PH+a8L2+a9P2
+a10H2+a11PLH+a12L3+a13LP2+a14LH2+a15L2P+a16P3+a17PH2+a18L2H+a19P2H+a20H3
其中,多项式系数ai(i=1,2,…,20)在影像自带的RPC文件中也可查到。
步骤S20,根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置及外扩一定距离为缓冲区;
步骤S30,根据缓冲区的范围内的卫星遥感影像制作目标水体样本;
具体地该步骤包括如下内容:1)定义缓冲区
根据预处理后的所述卫星遥感影像获取目标水体的外边界;在目标水体的外边界基础上依据凸角圆弧法判别目标水体的缓冲区边界,其中,所述目标水体的缓冲区边界围合成缓冲区。
沿着水体的外边界,选择水体范围外扩R距离,建立目标水体的缓冲区,水体缓冲区是以面为轴,以面要素的边界为基线向内外侧作R距离平行线,平行线和基线里的区域就是面缓冲区。
在本申请中主要采用凸角圆弧法进行缓冲区面积测量,实施步骤如下:
a)直线性判断,判断相邻三点是否位于同一直线上;
b)折点凸凹性判断,在转角的地方,确定使用直线求交的一侧或使用圆弧连接的一侧;
c)凸点圆弧的嵌入,即将转角外侧形成的圆弧和两边的线段相连;
d)边线关系的判别与处理,岛屿多边形参与缓冲区边界的构成,其中,重叠多边形不参与缓冲区边界的构成;
e)缓冲区边界的形成,具体是将重叠区域进行合并,绘制外围的边线,包括岛屿多边形的轮廓,形成最终的缓冲区边界。
步骤S40,以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;
使用目标水体缓冲区范围,裁切预处理完成的待分类影像。裁切方法使用mask掩膜方法。处理步骤如下:
a)制作感兴趣区掩膜图像,并进行二值化,感兴趣区掩膜内图像值为1,而区外图像值都为0。
b)感兴趣区掩膜图像乘以待处理图像,得到新图像,去除新图像为0的区域,保留新图像值不变的区域,得到影像裁切的结果。
其中,该步骤包括:
获取待分类目标水体的卫星遥感影像中两个波段信息,其中,所述波段信息包括绿波段与近红外波段;
根据每个波段信息的波段值以及波段最大值获得波段的归一化结果值;
根据两个波段的归一化结果值计算所述目标水体的水体指数;
获取二值化阈值;
将获取目标水体的水体指数根据阈值区分水体与非水体两个部分,并用二值对水体以及非水体分别标注。
具体地:1)水体指数计算
计算水体指数(NDWI),获取裁切卫星遥感影像中的2个波段信息(绿波段和近红外波段),计算归一化水体指数(NDWI);具体步骤:
a)波段值归一化,将每个波段的值统一到0-1之间;采用公式:
其中,B是波段的归一化结果值,value是波段值,max(value)是波段最大值;
b)水体指数计算,对输入影像进行波段计算,水体指数公式如下:
其中,NDWI是水体指数,B(Green)代表绿波段值,B(NIR)代表近红外波段值。
c)二值化,采用大津算法获取二值化阈值,实现水体指数二值化;大津算法实现过程:
对于图像I(x,y),前景,即目标和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
采用遍历的方法得到使类间方差g最大的阈值T,即为所求;
2)样本标注
将获得的水体指数根据阈值T区分水体和非水体部分,水体为1,非水体为0。
如图2所示,图2为本发明目标水体的提取方法中分割结果示意图;步骤S50,对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;
步骤S60,根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;
其中,该步骤包括:
获取待分类的目标水体样本中设定某一个像元为起点;
以所述起点开始做以相邻区域的卫星遥感影像之间异质性判别;
获取相邻两个区域的卫星遥感影像的面积以及方差,预设分割合并波段的权重,合并后的面积,合并后的方差;
根据相邻两个区域的卫星遥感影像的面积以及方差,预设分割合并波段的权重,合并后的面积,合并后的方差得出异质性参量。
具体地:其基本思路为:首先,随意从一个像元出发进行多尺度分割的初始合并,使单独的像元合并成比较小的影像对象;然后,对这些较小的对象进行再合并,成为更大的多边形对象,扩大对象异质性;最后,当大于尺度阈值时停止进行区域合并。所有影像对象的平均异质性最小由给定的尺度参数的阈值决定。
异质性因子由形状异质性因子与光谱异质性因子组成。形状异质性又由光滑度因子和紧致度因子组成。两者分别控制合并后目标对象的光滑和紧致程度。在分割过程中如果单单考虑地物的光谱异质性最大,具有规则形状特征的地物如道路,建筑等会损失较多信息,造成边界破碎因此,综合影像的光谱异质性和形状异质性进行影像分割才能获得较好的分割结果。其实现如下:
第一步:以单个像元为起点:
(1)光谱(spectral)异质性:
式中:ωc表示层的权重,c表示波段数,σc表示方差。
(2)形状异质性:
形状异质性由光滑度因子hsmooth和紧凑度因子hcompact组成;其公式如下:
hshape=ωc·hcompact+(1-ωc)hsmooth
其中,hshape代表影像对象区域形状异质性;ωc为紧凑度因子hsmooth的权重,其中0<ω<1。在公式2.4中,利用下式计算紧致度因子hcompact和光滑度因子hsmooth:
式中:影像区域的参数分别由下列字母表示:
L表示外接矩形周长的最小值;E表示周长,即实际边界长度;N表示像元面积或者总数。
(3)光谱和形状异质性的关系如下:
f=ω·hcolor+(1-ω)hshape
公式中hcolor代表光谱异质性参量,ω代表光谱异质性权重0≤ω≤1,f代表影像对象的总异质性值,hshape代表形状异质性参量。
第二步:以首次分割的多边形为起点,进行区域影像异质性判别:
区域光谱异质性。设n01,σ01,n02,σ02,分别代表相邻两个区域的面积与方差,拟参加分割合并波段的权重为ωc,合并后面积为nmer,,区域的方差为σcmer则:
区域形状异质性。合并前两个影像对象区域外接最小矩形分别为Lobj1,Lobj2,边界的实际长度由Eobj1,Eobj2表示。影像对象区域合并后的紧凑度因子hcompact和光滑度因子hsmooth;外接最小矩形和边界实际长度分别为:Lmerg,Emerg。利用下式进行计算:
多尺度影像分割采用自下而上的分割方式。从影像中的任意像元开始进行第一次分割并对起始异质性参量进行计算,完成首次分割后,基于形成的新影像区域进行第二次分割,如果与分割尺度的平方相比异质性参数f小时,继续进行分割;如果与分割尺度的平方相比异质性参数f大时,分割停止;按照异质性最小准则直到影像中像元全部被分割为各个影像对象时,分割结束。
如图3所示,图3为本发明目标水体的提取方法中分类结果示意图;步骤S70,基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体特征提取;
其中,该步骤还包括:
具体地:S71,特征选择
根据分割的结果和影像进行特征选择,包括光谱特征,纹理特征和空间特征。光谱特征指的是红,绿,蓝和近红波段的光谱平均值和标准差;纹理特征是绿色和近红外两个波段DN值(Digital Number)的灰度共生矩阵和灰度级差矢量对比度均值和标准差;空间特征包括尺度分割后的形状,紧密度,面积和长宽比。
S72,分类器选择
使用常用的SVM(support vector machine,支持向量机)分类器,采用Linear线性核函数进行提取。SVM分类器原理如下:
f(zj)表示分类器的输出。sign(·)表示符号函数,zi和zj表示输入的特征向量,K(zi,zj)=zi T zj为SVM的核函数,ai表示优化参数,yi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,zi(i=1,...,Num)表示SVM训练特征数据库中的所有的特征向量,zj表示SVM训练数据库中的某一个特征向量。
步骤S80,判断目标水体特征分类提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;
如图4所示,图4为本发明目标水体的提取方法中最终结果示意图;步骤S90,合并或去除完成时得到目标水体的最终提取结果。
本申请技术方案所述目标水体的提取方法包括如下步骤:获取卫星遥感影像,并对所述卫星遥感影像进行预处理;根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体当前位置及外扩一定距离为缓冲区;根据缓冲区的范围内的卫星遥感影像制作目标水体样本;以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体特征提取;判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;合并或去除完成时得到目标水体的最终提取结果。本发明技术方案整合出全新的水体提取的处理技术路线,提升水体最终的提取精度,增加水体提取的准确性,降低水体的提取过程的复杂度,便于大规模业务推动。
本发明还提出一种目标水体的提取系统,所述所述目标水体的提取方法在所述目标水体的提取系统的基础上运行实施如以上实施例所述目标水体的提取方法的步骤。
请参考图5所示,图5为本申请目标水体的提取系统的模块示意图,所述目标水体的提取系统包括:
获取模块100,获取卫星遥感影像,并对所述卫星遥感影像进行预处理;
设置模块200,根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置及外扩一定距离为缓冲区;
制作模块300,根据缓冲区的范围内的卫星遥感影像制作目标水体样本;
裁切模块400,以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;
确定模块500,对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;
分割模块600,根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;
融合模块700,基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体特征提取;
判断模块800,判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;
提取模块900,合并或去除完成时得到目标水体的最终提取结果。
进一步地,所述目标水体的提取系统还包括:
预设模块,预设卫星遥感影像覆盖阈值;
对比模块,满足卫星遥感影像覆盖阈值时,获取卫星遥感影像;
校正模块,处理卫星卫星遥感影像,并几何校正卫星遥感影像。
进一步地,所述目标水体的提取系统还包括:
预处理模块,根据预处理后的所述卫星遥感影像获取目标水体的外边界;
缓冲模块,在目标水体的外边界基础上依据凸角圆弧法判别目标水体的缓冲区边界,其中,所述目标水体的缓冲区边界围合成缓冲区。
进一步地,所述目标水体的提取系统还包括:
波段信息模块,获取待分类目标水体的卫星遥感影像中两个波段信息,其中,所述波段信息包括绿波段与近红外波段;
波段处理模块,根据每个波段信息的波段值以及波段最大值获得波段的归一化结果值;
波段计算模块,根据两个波段的归一化结果值计算所述目标水体的水体指数;
标注模块,获取二值化阈值,将获取目标水体的水体指数根据阈值区分水体与非水体两个部分,并用二值对水体以及非水体分别标注。
本申请技术方案所述目标水体的提取系统执行如下步骤:获取卫星遥感影像,并对所述卫星遥感影像进行预处理;根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体当前位置及外扩一定距离为缓冲区;根据缓冲区的范围内的卫星遥感影像制作目标水体样本;以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体特征提取;判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;合并或去除完成时得到目标水体的最终提取结果。本发明技术方案整合出全新的水体提取的处理技术路线,提升水体最终的提取精度,增加水体提取的准确性,降低水体的提取过程的复杂度,便于大规模业务推动。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种目标水体的提取方法,其特征在于,所述目标水体的提取方法包括以下步骤:
获取卫星遥感影像,并对所述卫星遥感影像进行预处理;
根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体当前位置及外扩一定距离为缓冲区;
根据缓冲区的范围内的卫星遥感影像制作目标水体样本;
以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;
对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;
根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;
基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体特征提取;
判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;
合并或去除完成时得到目标水体的最终提取结果。
2.如权利要求1所述的目标水体的提取方法,其特征在于,所述获取卫星遥感影像,并对所述卫星遥感影像进行预处理的步骤,包括:
预设卫星遥感影像覆盖阈值;
满足卫星遥感影像覆盖阈值时,获取卫星遥感影像;
处理卫星遥感影像,并几何校正卫星遥感影像。
3.如权利要求1所述的目标水体的提取方法,其特征在于,所述根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置及外扩一定距离为缓冲区的步骤,包括:
根据预处理后的所述卫星遥感影像获取目标水体的外边界;
在目标水体的外边界基础上依据凸角圆弧法判别目标水体的缓冲区边界,其中,所述目标水体的缓冲区边界围合成缓冲区。
4.如权利要求1所述的目标水体的提取方法,其特征在于,所述根据缓冲区的范围内的卫星遥感影像制作目标水体样本的步骤,包括:
获取待分类目标水体的卫星遥感影像中波段信息,其中,所述波段信息包括绿波段与近红外波段;
根据每个波段信息的波段值以及波段最大值获得波段的归一化结果值;
根据两个波段的归一化结果值计算所述目标水体的水体指数;
获取二值化阈值;
将获取目标水体的水体指数根据阈值区分水体与非水体两个部分,并用二值对水体以及非水体分别标注。
5.如权利要求1所述的目标水体的提取方法,其特征在于,所述对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸的步骤,包括:
获取待分类的目标水体样本中设定某一个像元为起点;
以所述起点开始做以相邻区域的卫星遥感影像之间异质性判别。
6.如权利要求5所述的目标水体的提取方法,其特征在于,所述以所述起点开始做以相邻区域的卫星遥感影像之间异质性判别的步骤,包括:
获取相邻两个区域的卫星遥感影像的面积以及方差,预设分割合并波段的权重,合并后的面积,合并后的方差;
根据相邻两个区域的卫星遥感影像的面积以及方差,预设分割合并波段的权重,合并后的面积,合并后的方差得出异质性参量。
7.一种目标水体的提取系统,其特征在于,所述目标水体的提取系统包括:
获取模块,获取卫星遥感影像,并对所述卫星遥感影像进行预处理;
设置模块,根据预处理后的所述卫星遥感影像确定目标水体的当前位置,设置目标水体的当前位置及外扩一定距离为缓冲区;
制作模块,根据缓冲区的范围内的卫星遥感影像制作目标水体样本;
裁切模块,以所述缓冲区的边界为界线裁切出待分类的目标水体的卫星遥感影像;
确定模块,对比目标水体样本与待分类的目标水体的卫星遥感影像确定分割尺寸;
分割模块,根据分割尺寸对裁切出的待分类的目标水体的卫星遥感影像进行尺度分割;
融合模块,基于尺度分割结果与目标水体样本融合光谱特征与纹理特征进行SVM的目标水体提取;
判断模块,判断目标水体特征提取结果,若提取的特征为水体的图斑时,合并水体的图斑,若提取的特征非水体图斑时,则去除非水体图斑;
提取模块,合并或去除完成时得到目标水体的最终提取结果。
8.如权利要求7所述的目标水体的提取系统,其特征在于,所述目标水体的提取系统还包括:
预设模块,预设卫星遥感影像覆盖阈值;
对比模块,满足卫星遥感影像覆盖阈值时,获取卫星遥感影像;
校正模块,处理卫星遥感影像,并几何校正卫星遥感影像。
9.如权利要求7所述的目标水体的提取系统,其特征在于,所述目标水体的提取系统还包括:
预处理模块,根据预处理后的所述卫星遥感影像获取目标水体的外边界;
缓冲模块,在目标水体的外边界基础上依据凸角圆弧法判别目标水体的缓冲区边界,其中,所述目标水体的缓冲区边界围合成缓冲区。
10.如权利要求8所述的目标水体的提取系统,其特征在于,所述目标水体的提取系统还包括:
波段信息模块,获取待分类目标水体的卫星遥感影像中两个波段信息,其中,所述波段信息包括绿波段与近红外波段;
波段处理模块,根据每个波段信息的波段值以及波段最大值获得波段的归一化结果值;
波段计算模块,根据两个波段的归一化结果值计算所述目标水体的水体指数;
标注模块,获取二值化阈值,将获取目标水体的水体指数根据阈值区分水体与非水体两个部分,并用二值对水体以及非水体分别标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451072.8A CN113255452A (zh) | 2021-04-26 | 2021-04-26 | 一种目标水体的提取方法及提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451072.8A CN113255452A (zh) | 2021-04-26 | 2021-04-26 | 一种目标水体的提取方法及提取系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255452A true CN113255452A (zh) | 2021-08-13 |
Family
ID=77221742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110451072.8A Pending CN113255452A (zh) | 2021-04-26 | 2021-04-26 | 一种目标水体的提取方法及提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255452A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN116486086A (zh) * | 2023-04-28 | 2023-07-25 | 安徽星太宇科技有限公司 | 一种基于热红外遥感影像的目标检测方法 |
CN117095299A (zh) * | 2023-10-18 | 2023-11-21 | 浙江省测绘科学技术研究院 | 破碎化耕作区的粮食作物提取方法、系统、设备及介质 |
CN117152602A (zh) * | 2023-09-12 | 2023-12-01 | 广东省水利水电科学研究院 | 基于色度指数的多源卫星遥感影像水体提取方法和系统 |
-
2021
- 2021-04-26 CN CN202110451072.8A patent/CN113255452A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN116486086A (zh) * | 2023-04-28 | 2023-07-25 | 安徽星太宇科技有限公司 | 一种基于热红外遥感影像的目标检测方法 |
CN116486086B (zh) * | 2023-04-28 | 2023-10-03 | 安徽星太宇科技有限公司 | 一种基于热红外遥感影像的目标检测方法 |
CN117152602A (zh) * | 2023-09-12 | 2023-12-01 | 广东省水利水电科学研究院 | 基于色度指数的多源卫星遥感影像水体提取方法和系统 |
CN117095299A (zh) * | 2023-10-18 | 2023-11-21 | 浙江省测绘科学技术研究院 | 破碎化耕作区的粮食作物提取方法、系统、设备及介质 |
CN117095299B (zh) * | 2023-10-18 | 2024-01-26 | 浙江省测绘科学技术研究院 | 破碎化耕作区的粮食作物提取方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255452A (zh) | 一种目标水体的提取方法及提取系统 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN107818303B (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
CN112287904B (zh) | 基于卫星影像的机场目标识别方法和装置 | |
Herrault et al. | Automatic extraction of forests from historical maps based on unsupervised classification in the CIELab color space | |
CN115713694B (zh) | 一种土地测绘信息管理方法 | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
KR101941043B1 (ko) | 고화질 항공 이미지에서의 물체 검출 방법 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN112488046A (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
Kumar et al. | Road network extraction from high resolution multispectral satellite imagery based on object oriented techniques | |
JP2001143054A (ja) | 衛星画像処理方法 | |
CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
Chaloeivoot et al. | Building detection from terrestrial images | |
CN113326846B (zh) | 一种基于机器视觉的桥梁表观病害快速检测方法 | |
CN116385477A (zh) | 一种基于图像分割的杆塔图像配准方法 | |
CN110427961B (zh) | 一种基于规则和样本融合的建筑信息提取方法及系统 | |
CN112036246B (zh) | 遥感影像分类模型的构建方法,遥感影像分类方法及系统 |
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 |