CN113298759A - 水域检测方法、装置、电子设备及存储介质 - Google Patents

水域检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113298759A
CN113298759A CN202110486162.0A CN202110486162A CN113298759A CN 113298759 A CN113298759 A CN 113298759A CN 202110486162 A CN202110486162 A CN 202110486162A CN 113298759 A CN113298759 A CN 113298759A
Authority
CN
China
Prior art keywords
image
detected
area
value
water area
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
Application number
CN202110486162.0A
Other languages
English (en)
Inventor
许燕明
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.)
Xi'an Ruide Space Information Technology Co ltd
Original Assignee
Xi'an Ruide Space Information Technology Co ltd
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 Xi'an Ruide Space Information Technology Co ltd filed Critical Xi'an Ruide Space Information Technology Co ltd
Priority to CN202110486162.0A priority Critical patent/CN113298759A/zh
Publication of CN113298759A publication Critical patent/CN113298759A/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

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

Abstract

本发明公开了一种水域检测方法、装置、电子设备及存储介质，该方法包括：获取待检测图像；对待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；根据第一阈值，对预处理后的待检测图像进行分割，得到第一图像；去除第一图像中的阴影区域，得到第二图像；获取参考图像，并将第二图像与参考图像进行融合后，确定第二图像与参考图像的融合区域；计算第二图像的特征值，并根据特征值，去除融合区域中的干扰区域，得到水域检测结果。本实施例利用水域与其他类型地物之间所表现出的特征去除阴影区域，先对水域进行粗提取，并进一步去除干扰区域，以排除干扰区域造成的不良影响，从而提高了水域检测的精度和准确性。

Description

水域检测方法、装置、电子设备及存储介质
技术领域
本发明属于图像处理技术领域，具体涉及一种水域检测方法装置、电子设备及存储介质。
背景技术
为了及时掌握水资源环境的变化信息并采取相应对策，科学、准确、快速地对水资源环境进行监测和评价己成为合理利用、规划水资源的关键问题。
目前，科学有效的水域监测是水资源应用与防洪救灾的重要依据，而遥感监测以其数据获取方便、影像分辨率较高、数据覆盖广等显著优点逐渐成为现代水资源监测的主要手段。相较于光学遥感，合成孔径雷达(Synthetic Aperture Radar，SAR)作为一种主动微波成像传感器，具有不受天气、光线以及云层影响的优点，可实现全天时、全天候成像。
相关技术中，阈值分割、主控轮廓模型和机器学习均是SAR图像水域检测的常用方法。然而，阈值分割算法的抗噪声能力较弱、容易受到噪声干扰，只适用于简单场景；主动轮廓模型(Active Contour Model,ACM)是将图像分割问题转换为求解能量泛函数最小值问题，因此计算量大、效率很低；基于机器学习的图像水域检测方法虽能够获得较好的水域检测结果，但检测精度往往取决于训练样本，而样本的获取存在困难，并且当训练样本数量过大时，需要耗费的训练时间较长，导致计算效率较低。
因此，提供一种计算简单且具有较高检测精度的水域检测方法成为本领域亟待解决的技术问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种水域检测方法、装置、电子设备及存储介质。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明实施例提供一种水域检测方法，包括：
获取待检测图像；
对所述待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；
根据所述第一阈值，对所述预处理后的待检测图像进行分割，得到第一图像；
去除所述第一图像中的阴影区域，得到第二图像；
获取参考图像，并将所述第二图像与所述参考图像进行融合后，确定所述第二图像与所述参考图像的融合区域；其中，所述参考图像为参考水域库的遥感图像；
计算所述第二图像的特征值，并根据所述特征值，去除所述融合区域中的干扰区域，得到水域检测结果。
在本发明的一个实施例中，所述对所述待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值的步骤，包括：
获取所述待检测图像中的原始数据，并计算各所述原始数据的幅值；
确定所述幅值分布在预设范围内的区间，并将所述区间的右端点作为所述幅值最大值；
将所述原始数据中幅值大于所述幅值最大值的原始数据更新为幅值等于所述幅值最大值的原始数据后，对更新后的所有原始数据进行归一化；
对归一化后的所述原始数据进行灰度化处理，得到灰度图像；
按照预设规则将所述灰度图像划分为多个区块，得到预处理后的待检测图像；
利用自适应阈值估计算法，确定预处理后的待检测图像中各个所述区块的第一阈值。
在本发明的一个实施例中，所述去除所述第一图像中的阴影区域，得到第二图像的步骤，包括：
计算所述第一图像中各个像素点对应的下视角数据；
针对所述下视角数据的每一方位时刻进行像素点提取，获得各方位时刻下的下视角列向量；
从近地点开始，逐点判断所述各方位时刻下的下视角列向量的变化情况，并记录当前下视角最大值；
当下一像素点的下视角小于最大值时，将该像素点标记为阴影区域。
在本发明的一个实施例中，所述计算所述第二图像的特征值，并根据所述特征值，去除所述融合区域中的干扰区域，得到水域检测结果的步骤，包括：
将所述第二图像中与所述融合区域对应的像素点的像素值置为零，得到待检测区域；
根据所述待检测区域的连通区域数量以及各个所述连通区域中的像素点数量，计算所述待检测区域的特征值；
根据所述第二图像中连通区域的数量以及各个所述连通区域中的像素点数量，计算所述第二图像每个所述连通区域的特征值；
比较所述待检测区域的特征值与所述第二图像中对应位置的连通区域的特征值；
当所述待检测区域的特征值与所述第二图像中对应位置的连通区域的特征值的差值满足预设条件时，将所述待检测区域确定为水域；
当所述待检测区域的特征值与所述第二图像中对应位置的连通区域的特征值的差值不满足所述预设条件时，将所述待检测区域确定为干扰区域，并从所述融合区域中剔除，得到水域检测结果。
在本发明的一个实施例中，所述特征值包括灰度均值、方差、变异系数、信息熵和均值差异特征中的至少一种。
在本发明的一个实施例中，所述连通区域的灰度均值、方差、变异系数、信息熵和均值差异特征分别采用如下公式计算得到：
Figure BDA0003050380310000041
Figure BDA0003050380310000042
CVi＝σi-μi
Figure BDA0003050380310000043
Δμi＝μi-μc
式中，Ki表示所述第二图像中的第i个连通区域，Ni表示所述第二图像中第i个连通区域的像素点数量，F(m,n)表示位于第m行、第n列像素点的像素值，P(m,n)表示位于第m行、第n列像素点的灰度共生矩阵的值，μi、σi 2、CVi、Enti和Δμi分别为所述第二图像中的第i个连通区域的灰度均值、方差、变异系数、信息熵和均值差异特征，c表示所述第i个连通区域的周围区域，μc表示所述周围区域c的灰度均值，其中，所述周围区域为距离所述第i个连通区域边缘10个像素点的范围。
在本发明的一个实施例中，所述待检测图像根据雷达接收的回波信号获得；
按照如下公式计算所述第一图像中各个像素点对应的下视角数据：
Figure BDA0003050380310000051
其中，(Xs,Ys,Zs)为所述雷达的坐标，(XT,YT,ZT)为所述第一图像中各个像素点的坐标。
第二方面，本发明实施例提供一种水域检测装置，包括：
获取模块，用于获取待检测图像；
阈值确定模块，用于对所述待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；
分割模块，用于根据所述第一阈值，对所述预处理后的待检测图像进行分割，得到第一图像；
第一去除模块，用于去除所述第一图像中的阴影区域，得到第二图像；
融合模块，用于获取参考图像，并将所述第二图像与所述参考图像进行融合后，确定所述第二图像与所述参考图像的融合区域；其中，所述参考图像为参考水域库的遥感图像；
第二去除模块，用于计算所述第二图像的特征值，并根据所述特征值，去除所述融合区域中的干扰区域，得到水域检测结果。
第三方面，本发明实施例提供一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
本发明的有益效果：
本发明公开了一种水域检测方法、装置、电子设备及存储介质，该方法包括：获取待检测图像；对待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；根据第一阈值，对预处理后的待检测图像进行分割，得到第一图像；去除第一图像中的阴影区域，得到第二图像；获取参考图像，并将第二图像与参考图像进行融合后，确定第二图像与参考图像的融合区域；计算第二图像的特征值，并根据特征值，去除融合区域中的干扰区域，得到水域检测结果。本实施例利用水域与其他类型地物之间所表现出的特征去除阴影区域，先对水域进行粗提取，并进一步去除干扰区域，以排除干扰区域造成的不良影响，从而提高了水域检测的精度和准确性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的水域检测方法的一种流程示意图；
图2是本发明实施例提供的水域检测方法的另一种流程示意图；
图3a是本发明实施例提供的水域检测方法的一种待检测图像的示例图；
图3b是本发明实施例提供的图3a中人工标定的水域范围；
图3c是采用本发明实施例提供的水域检测方法对图3a所示的待检测图像分割后得到的第一图像；
图4a是本发明实施例提供的水域检测方法的另一种待检测图像的示例图；
图4b是本发明实施例提供的图4a中人工标定的水域范围；
图4c是采用本发明实施例提供的水域检测方法对图4a所示的待检测图像分割后得到的第一图像；
图5是本发明实施例提供的水域检测装置的一种结构示意图；
图6是本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，本发明实施例提供的水域检测方法，包括：
S101，获取待检测图像；
S102，对待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；
S103，根据第一阈值，对预处理后的待检测图像进行分割，得到第一图像；
S104，去除第一图像中的阴影区域，得到第二图像；
S105，获取参考图像，并将第二图像与参考图像进行融合后，确定第二图像与参考图像的融合区域；其中，参考图像为参考水域库的遥感图像；
S106，计算第二图像的特征值，并根据特征值，去除融合区域中的干扰区域，得到水域检测结果。
本实施例中，待检测图像可以是从雷达接收到的回波中获取的遥感图像，其中，雷达可以为合成孔径雷达(Synthetic Aperture Radar，SAR)。雷达发射电磁波后会接收到回波信号，若回波信号弱，则地物在待检测图像中为灰度值较低的像素点，若回波信号强，则地物在待检测图像中为灰度值较高的像素点。在相同的发射信号功率条件下，由于水体表面平滑，发射信号在其表面上发生近似镜面反射，此时SAR接收到的回波信号较弱、甚至没有回波信号，因此水体在待检测图像中呈现为灰度较低的像素点。
具体而言，本实施例首先对待检测图像进行预处理以确定合适的分割阈值，即上述第一阈值，然后根据第一阈值对预处理后的待检测图像进行分割，大体确定水域所在的区域，得到第一图像；进一步地，在上述步骤S104～S106中，去除第一图像中的阴影区域，得到第二图像，再确定第二图像与参考图像的融合区域，该融合区域中可能包含对水域检测造成被不良影响的干扰区域，因此可根据第二图像的特征值去除干扰区域，以保证水域检测的准确性。
上述步骤S102中，对待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值的步骤，包括：
S201，获取待检测图像中的原始数据，并计算各原始数据的幅值；
S202，确定幅值分布在预设范围内的区间，并将区间的右端点作为幅值最大值；
S203，将原始数据中幅值大于幅值最大值的原始数据更新为幅值等于所述幅值最大值的原始数据后，对更新后的所有原始数据进行归一化；
S204，对归一化后的原始数据进行灰度化处理，得到灰度图像；
S205，按照预设规则将灰度图像划分为多个区块，得到预处理后的待检测图像；
S206，利用自适应阈值估计算法，确定预处理后的待检测图像中各个区块的第一阈值。
本实施例中，待检测图像的原始数据通常为复数。具体地，计算原始数据的幅值后，对各个幅值进行概率分布统计，记录幅值分布在0～0.9范围内的区间(0，I0)，并将该区间的右端点I0作为原始数据的幅值最大值。然后，将原始数据中幅值大于幅值最大值I0的原始数据更新为幅值等于幅值最大值I0的原始数据，并对更新后的所有原始数据进行归一化，也就是将更新后的所有原始数据均除以幅值最大值I0，归一化后原始数据的幅值范围在0～1之间。最后，对归一化后的原始数据进行灰度化处理，得到灰度化后的图像。其中，进行灰度化处理时，归一化后的原始数据均乘以255并取整。
上述步骤S205中，若灰度图像的大小为R×C，且R表示方位向的采样点数、C表示距离向的采样点数，那么可将该灰度图像平均划分成大小为s×s的区块。应当理解，方位向指的是与合成孔径雷达运行方向一致的方向，距离向则是指与合成孔径雷达运行方向垂直的方向；而在SAR遥感图像中，距离向体现为横坐标、方位向体现为纵坐标。
此外，需要说明的是，本实施例中的区块大小可根据待检测图像的分辨率来确定，一般来说，s的取值要保证每个区块的面积(即s×s的范围)约为50平方千米。但是，发明人在研究过程中发现，由于待检测图像的分辨率不同，因此在某些情况下不能采用平均划分的方式确定区块大小，例如，当待检测图像在方位向或距离向上的采样点数小于s，或者待检测图像在方位向或距离向上的采样点数不能被s整除时。
针对上述第一种情况，若待检测图像的方位向/距离向长度小于s，则不再在方位向/距离向上进行区块划分、而仅在其距离向/方位向上加以划分。针对上述第二种情况，若待检测图像在某一方向上的长度不能被s整除，那么可根据余数判断不能整除部分的数据被丢弃或保留；具体地，以方向位为例，若待检测图像在方向位的采样点数R除以s后余数为P，且1000＜P＜s，则保留不能整除部分的数据将其作为一个区块；反之，当P＜1000，则将不能整除部分的数据丢弃。
本实施例中可采用OSTU算法确定第一阈值。可以理解的是，通常待检测图像的数据规模很大，其中包含的地物类型也较为复杂，若直接对整幅待检测图像进行阈值估计，则无法确保阈值估计算法具有较好鲁棒性，并且计算量巨大。因此，为了提升阈值估计的准确性、降低计算量，本实施例先对得到的灰度图像进行了分块处理，并针对每个区块进行阈值估计，具体步骤如下：
(1)初始化每个区块包含256个灰度级(0，1，2……，255)，t0＝255，灰度值为i的像素点数量为Ni，每个区块内的像素点数量为N＝N0+N1+…+N255，灰度值为i的像素点的概率为P(i)＝N(i)/N；
(2)计算各灰度值的类间方差σb 2(t)：
σb 2(t)＝w0(t)w1(t)(u0(t)-u1(t))2
其中，
Figure BDA0003050380310000101
Figure BDA0003050380310000102
(3)通过比较所述各类间方差，将类间方差最大时的灰度值确定为当前阈值tk；
(4)令n＝n+1；
(5)判断n是否大于3，若是，则令T＝tk，得到最终自适应阈值T；若否，则令k＝k+1，并返回步骤(2)。
在根据第一阈值分割各个区块时可进行二值化处理，也就是说，当像素点的像素值小于等于第一阈值，则将该像素点的像素值置1，否则置0。
需要说明的是，在本申请的一些其他实施例中，也可以采用其他算法实现对各个区块的分割，本申请对此不做限定。
可选地，在对灰度图像划分区块之前，采用Lee滤波滤除灰度图像中的相干斑，并进一步利用直方图均衡化算法对滤波后的图像进行图像增强，以保证预处理后灰度图像的质量，进而提高后续水域检测的精度。示例性地，请参见图3a-3c和图4a-4c其中，图3a和图4a是本发明实施例提供的水域检测方法的一种待检测图像的示例图，图3b是图3a中人工标定的水域范围，图4b是图4a中人工标定的水域范围，图3c是采用上述步骤对图3a所示的待检测图像分割后得到的第一图像，图4c是采用上述步骤对图4a所示的待检测图像分割后得到的第一图像；其中，在二值化图像(图3b、图3c、图4b和图4c)中，白色区域表示可能存在水域的范围，显然，采用上述步骤分割得到的第一图像能够较为准确地提取出水域所在的范围，有利于提高后续进行水域检测的精度。
可选地，上述步骤S104中，去除第一图像中的阴影区域，得到第二图像的步骤，包括：
计算第一图像中各个像素点对应的下视角数据；
针对下视角数据的每一方位时刻进行像素点提取，获得各方位时刻下的下视角列向量；
从近地点开始，逐点判断各方位时刻下的下视角列向量的变化情况，并记录当前下视角最大值；
当下一像素点的下视角小于最大值时，将该像素点标记为阴影区域。
具体而言，本实施例中对第一图像进行阴影去除时，首先计算第一图像中每个像素点的下视角数据，并对下视角数据的每一方位时刻进行像素点提取，得到该方位时刻的下视角列向量；然后，在从近地点开始，逐个像素点判断下视角的变化情况，记录已判断的像素点中的下视角最大值，并将下视角小于下视角最大值的像素点确定为阴影区域。进一步地，在进行阴影去除时，可将阴影区域中像素点的像素值均置为零，此中设计方式能够有效减小阴影区域对水域检测的不利影响，进而保证水域检测结果的准确性。
应当理解，方位时刻指的是雷达沿着预设航线获取数据时的某一时间点，近地点指的是回波信号中距离雷达最近的数据点。可选地，第一图像中各个像素点对应的下视角数据采用如下公式计算得到：
Figure BDA0003050380310000121
其中，(Xs,Ys,Zs)为雷达的坐标，(XT,YT,ZT)为第一图像中各个像素点的坐标。
本实施例中，第一图像中各个像素点的坐标可通过距离-多普勒定位方程计算得到：
Figure BDA0003050380310000131
其中，公式(1)为地球椭球模型方程，h表示第一图像中各个像素点的高程，Rq表示地球赤道半径，Rp表示地球极地半径；公式(2)为上述雷达与第一图像中各个像素点的斜距方程，
Figure BDA0003050380310000132
表示雷达天线相位中心的位置矢量，
Figure BDA0003050380310000133
表示第一图像中各个像素点所在位置矢量；公式(3)为多普勒中心方程，λ表示雷达波长，
Figure BDA0003050380310000134
表示卫星相对于第一图像中各个像素点的速度矢量。本实施例采用牛顿迭代的方式对上述定位方程进行求解，即可得到第一图像中各个像素点的坐标。
可选地，确定第二图像的特征值，并根据特征值，去除融合区域中的干扰区域，得到水域检测结果的步骤，包括：
将第二图像中与融合区域对应的像素点的像素值置为零，得到待检测区域；
根据待检测区域的连通区域数量以及各个连通区域中的像素点数量，计算待检测区域的特征值；
根据第二图像中连通区域的数量以及各个连通区域中的像素点数量，计算第二图像每个连通区域的特征值；
比较待检测区域的特征值与第二图像中对应位置的连通区域的特征值；
当待检测区域的特征值与第二图像中对应位置的连通区域的特征值的差值满足预设条件时，将待检测区域确定为水域；
当待检测区域的特征值与第二图像中对应位置的连通区域的特征值的差值不满足预设条件时，将待检测区域确定为干扰区域，并从融合区域中剔除，得到水域检测结果。
具体而言，特征值包括灰度均值、方差、变异系数、信息熵和均值差异特征中的至少一种，预设条件可以为拉依达准则(3σ准则)。可以理解的是，待检测区域在遥感图像上的表现与水域相似，因而易增加水域检测时的误判风险。本实施例通过分别比较待检测区域与第二图像中对应位置处连通区域的灰度均值、方差、变异系数、信息熵和均值差异特征的一种或多种，并在二者的差值满足拉依达准则时，将待检测区域确定为干扰区域，有效减少了干扰区域对检测水域过程中的干扰，进一步保证了水域检测的准确性。
可选地，上述连通区域的灰度均值、方差、变异系数、信息熵和均值差异特征分别采用如下公式计算得到：
Figure BDA0003050380310000141
Figure BDA0003050380310000142
CVi＝σi-μi
Figure BDA0003050380310000143
Δμi＝μc1-μc2
式中，Ki表示第二图像中的第i个连通区域，Ni表示第二图像中第i个连通区域的像素点数量，F(m，n)表示位于第m行、第n列像素点的像素值，P(m，n)表示位于第m行、第n列像素点的灰度共生矩阵的值，μi、σi 2、CVi、Enti和Δμi分别为第二图像中的第i个连通区域的灰度均值、方差、变异系数、信息熵和均值差异特征，c表示第i个连通区域的周围区域，μc表示周围区域c的灰度均值，其中，周围区域为距离第i个连通区域边缘10个像素点的范围。
如图5所示，基于同一发明构思，本实施例提供了一种水域检测装置，包括：
获取模块510，用于获取待检测图像；
阈值确定模块520，用于对待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；
分割模块530，用于根据第一阈值，对预处理后的待检测图像进行分割，得到第一图像；
第一去除模块540，用于去除第一图像中的阴影区域，得到第二图像；
融合模块550，用于获取参考图像，并将第二图像与参考图像进行融合后，确定第二图像与参考图像的融合区域；其中，参考图像为参考水域库的遥感图像；
第二去除模块560，用于计算第二图像的特征值，并根据特征值，去除融合区域中的干扰区域，得到水域检测结果。
本发明提供的水域检测装置通过获取待检测图像，对待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；根据第一阈值，对预处理后的待检测图像进行分割，得到第一图像；去除第一图像中的阴影区域，得到第二图像；获取参考图像，并将第二图像与参考图像进行融合后，确定第二图像与参考图像的融合区域；计算第二图像的特征值，并根据特征值，去除融合区域中的干扰区域，得到水域检测结果。本实施例利用水域与其他类型地物之间所表现出的特征去除阴影区域，先对水域进行粗提取，并进一步去除干扰区域，以排除干扰区域造成的不良影响，从而提高了水域检测的精度和准确性。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
获取待检测图像；
对所述待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；
根据所述第一阈值，对所述预处理后的待检测图像进行分割，得到第一图像；
去除所述第一图像中的阴影区域，得到第二图像；
获取参考图像，并将所述第二图像与所述参考图像进行融合后，确定所述第二图像与所述参考图像的融合区域；其中，所述参考图像为参考水域库的遥感图像；
计算所述第二图像的特征值，并根据所述特征值，去除所述融合区域中的干扰区域，得到水域检测结果。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的方法可以应用于电子设备。具体的，该电子设备可以为：台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。
对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述水域检测方法的装置、电子设备及存储介质，则上述水域检测方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。
应用本发明实施例所提供的终端设备，可以展示专有名词和/或固定词组供用户选择，进而减少用户输入时间，提高用户体验。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请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，这里将它们都统称为“模块”或“系统”。而且，本申请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。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。
本申请是参照本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种水域检测方法，其特征在于，包括：
获取待检测图像；
对所述待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；
根据所述第一阈值，对所述预处理后的待检测图像进行分割，得到第一图像；
去除所述第一图像中的阴影区域，得到第二图像；
获取参考图像，并将所述第二图像与所述参考图像进行融合后，确定所述第二图像与所述参考图像的融合区域；其中，所述参考图像为参考水域库的遥感图像；
计算所述第二图像的特征值，并根据所述特征值，去除所述融合区域中的干扰区域，得到水域检测结果。
2.根据权利要求1所述的水域检测方法，其特征在于，所述对所述待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值的步骤，包括：
获取所述待检测图像中的原始数据，并计算各所述原始数据的幅值；
确定所述幅值分布在预设范围内的区间，并将所述区间的右端点作为所述幅值最大值；
将所述原始数据中幅值大于所述幅值最大值的原始数据更新为幅值等于所述幅值最大值的原始数据后，对更新后的所有原始数据进行归一化；
对归一化后的所述原始数据进行灰度化处理，得到灰度图像；
按照预设规则将所述灰度图像划分为多个区块，得到预处理后的待检测图像；
利用自适应阈值估计算法，确定预处理后的待检测图像中各个所述区块的第一阈值。
3.根据权利要求1所述的水域检测方法，其特征在于，所述去除所述第一图像中的阴影区域，得到第二图像的步骤，包括：
计算所述第一图像中各个像素点对应的下视角数据；
针对所述下视角数据的每一方位时刻进行像素点提取，获得各方位时刻下的下视角列向量；
从近地点开始，逐点判断所述各方位时刻下的下视角列向量的变化情况，并记录当前下视角最大值；
当下一像素点的下视角小于最大值时，将该像素点标记为阴影区域。
4.根据权利要求1所述的水域检测方法，其特征在于，所述计算所述第二图像的特征值，并根据所述特征值，去除所述融合区域中的干扰区域，得到水域检测结果的步骤，包括：
将所述第二图像中与所述融合区域对应的像素点的像素值置为零，得到待检测区域；
根据所述待检测区域的连通区域数量以及各个所述连通区域中的像素点数量，计算所述待检测区域的特征值；
根据所述第二图像中连通区域的数量以及各个所述连通区域中的像素点数量，计算所述第二图像每个所述连通区域的特征值；
比较所述待检测区域的特征值与所述第二图像中对应位置的连通区域的特征值；
当所述待检测区域的特征值与所述第二图像中对应位置的连通区域的特征值的差值满足预设条件时，将所述待检测区域确定为水域；
当所述待检测区域的特征值与所述第二图像中对应位置的连通区域的特征值的差值不满足所述预设条件时，将所述待检测区域确定为干扰区域，并从所述融合区域中剔除，得到水域检测结果。
5.根据权利要求4所述的水域检测方法，其特征在于，所述特征值包括灰度均值、方差、变异系数、信息熵和均值差异特征中的至少一种。
6.根据权利要求5所述的水域检测方法，其特征在于，所述连通区域的灰度均值、方差、变异系数、信息熵和均值差异特征分别采用如下公式计算得到：
Figure FDA0003050380300000031
Figure FDA0003050380300000032
Figure FDA0003050380300000033
Δμi＝μi-μc
式中，Ki表示所述第二图像中的第i个连通区域，Ni表示所述第二图像中第i个连通区域的像素点数量，F(m,n)表示位于第m行、第n列像素点的像素值，P(m,n)表示位于第m行、第n列像素点的灰度共生矩阵的值，μi、σi 2、CVi、Enti和Δμi分别为所述第二图像中的第i个连通区域的灰度均值、方差、变异系数、信息熵和均值差异特征，c表示所述第i个连通区域的周围区域，μc表示所述周围区域c的灰度均值，其中，所述周围区域为距离所述第i个连通区域边缘10个像素点的范围。
7.根据权利要求4所述的水域检测方法，其特征在于，所述待检测图像根据雷达接收的回波信号获得；
按照如下公式计算所述第一图像中各个像素点对应的下视角数据：
Figure FDA0003050380300000041
其中，(Xs,Ys,Zs)为所述雷达的坐标，(XT,YT,ZT)为所述第一图像中各个像素点的坐标。
8.一种水域检测装置，其特征在于，包括：
获取模块，用于获取待检测图像；
阈值确定模块，用于对所述待检测图像进行预处理，并根据预处理后的待检测图像确定第一阈值；
分割模块，用于根据所述第一阈值，对所述预处理后的待检测图像进行分割，得到第一图像；
第一去除模块，用于去除所述第一图像中的阴影区域，得到第二图像；
融合模块，用于获取参考图像，并将所述第二图像与所述参考图像进行融合后，确定所述第二图像与所述参考图像的融合区域；其中，所述参考图像为参考水域库的遥感图像；
第二去除模块，用于计算所述第二图像的特征值，并根据所述特征值，去除所述融合区域中的干扰区域，得到水域检测结果。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110486162.0A 2021-04-30 2021-04-30 水域检测方法、装置、电子设备及存储介质 Pending CN113298759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110486162.0A CN113298759A (zh) 2021-04-30 2021-04-30 水域检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110486162.0A CN113298759A (zh) 2021-04-30 2021-04-30 水域检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113298759A true CN113298759A (zh) 2021-08-24

Family

ID=77320698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110486162.0A Pending CN113298759A (zh) 2021-04-30 2021-04-30 水域检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113298759A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048828A (zh) * 2022-01-11 2022-02-15 合肥金星智控科技股份有限公司 炉管图像处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048828A (zh) * 2022-01-11 2022-02-15 合肥金星智控科技股份有限公司 炉管图像处理方法
CN114048828B (zh) * 2022-01-11 2022-04-19 合肥金星智控科技股份有限公司 炉管图像处理方法

Similar Documents

Publication Publication Date Title
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
Modava et al. Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information
JP6977873B2 (ja) 画像処理装置、画像処理方法、及び、画像処理プログラム
CN114820465B (zh) 点云检测模型训练方法、装置、电子设备及存储介质
CN110889843B (zh) 基于最大稳定极值区域的sar图像舰船目标检测方法
CN110826509A (zh) 一种基于高分遥感影像的草原围栏信息提取系统及方法
CN112561940A (zh) 密集多目标参数提取的方法、装置及终端设备
CN114332633B (zh) 雷达图像目标检测识别方法、设备和存储介质
CN107835998B (zh) 用于识别数字图像中的表面类型的分层平铺方法
CN113298759A (zh) 水域检测方法、装置、电子设备及存储介质
CN112183463B (zh) 基于雷达图像的船只识别模型的验证方法及装置
CN117710728A (zh) Sar图像目标识别方法、装置、计算机设备和存储介质
CN117036457A (zh) 一种屋顶面积的测量方法、装置、设备及存储介质
CN116403114A (zh) 一种基于深度学习的遥感影像目标识别方法及系统
CN110728311A (zh) 一种图像处理方法、装置和存储介质
CN110458878A (zh) 一种基于特征匹配跟踪算法的降水云团跟踪方法
CN117765486A (zh) 模型训练、车道线检测方法、装置、电子设备及存储介质
CN112233042B (zh) 一种含非合作目标的大场景sar图像快速生成方法
US11055852B2 (en) Fast automatic trimap generation and optimization for segmentation refinement
CN111079797B (zh) 一种图像分类的方法、装置和存储介质
CN113343819A (zh) 一种高效的无人机载sar图像目标分割方法
CN112686222A (zh) 星载可见光探测器对船舶目标检测的方法和系统
Santos et al. Ship Detection Using Sentinel-1 Amplitude SAR Data
CN113671493B (zh) 一种基于特征融合的海面小目标检测方法及系统

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