CN113553967A - 一种基于遥感图像的植被和水体变化检测方法及系统 - Google Patents
一种基于遥感图像的植被和水体变化检测方法及系统 Download PDFInfo
- Publication number
- CN113553967A CN113553967A CN202110859512.3A CN202110859512A CN113553967A CN 113553967 A CN113553967 A CN 113553967A CN 202110859512 A CN202110859512 A CN 202110859512A CN 113553967 A CN113553967 A CN 113553967A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- water body
- remote sensing
- area
- sum
- 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 170
- 230000008859 change Effects 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000009877 rendering Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000007621 cluster analysis Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 13
- 210000000746 body region Anatomy 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 17
- 238000003064 k means clustering Methods 0.000 abstract description 13
- 239000000463 material Substances 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感图像的植被和水体变化检测方法及系统，在直接利用K‑Means聚类方法处理高分辨遥感图像得到K‑Means聚类图的同时，对高分辨率遥感图像进行NDVI和NDWI计算得到NDVI图和NDWI图，在K‑Means聚类图中结合NDVI图和NDWI图获得K‑Means聚类图中植被和水体区域，然后分别计算出两幅高分辨率遥感图中所有植被和水体区域的像元总和，将得到的两幅图的像元总和作差值以检测变化，无需进行大量的人工处理和前期预处理，提高了计算速度、减少对图像进行的预处理与人力物力投入，解决了现有的植被和水体变化检测方法工作量大、效率低下和成本较高的技术问题。
Description
技术领域
本发明涉及遥感影像数据处理技术领域，尤其涉及一种基于遥感图像的植被和水体变化检测方法及系统。
背景技术
水体信息和植被信息是地理国情普查体系的重要内容，对某一地理区域中的水体和植被区域进行有效提取，对于掌握该区域水体现状和空间分布情况具有重要意义。
传统的植被和水体变化检测主要有目视解译法、基于像元分类法、多源遥感数据法、多时相复合分类法、辅助信息综合分类法以及面向对象分类法等，但由于不同数据源及光谱特征差异等原因，导致检测存在伪变化，在实际应用中仍需要大量的人工处理和前期预处理，比如样本选取、样本配准、分类训练等，因此，现有的植被和水体变化检测方法仍存在工作量大、效率低下和成本较高的问题。
发明内容
本发明提供了一种基于遥感图像的植被和水体变化检测方法及系统，用于解决现有的植被和水体变化检测方法工作量大、效率低下和成本较高的技术问题。
有鉴于此，本发明第一方面提供了一种基于遥感图像的植被和水体变化检测方法，包括：
获取至少两幅同位置不同时相的高分辨率遥感图像；
通过GDAL库读取每一幅所述高分辨率遥感图像的像元数据矩阵、波段信息及空间元数据矩阵；
根据每一幅所述高分辨率遥感图像的波段信息计算每一幅所述高分辨率遥感图像的对应的NDVI值和NDWI值，得到对应的NDVI图和NDWI图；
对每一幅所述高分辨率遥感图像进行K-Means聚类分析，得到K-Means聚类图；
根据每一幅所述高分辨率遥感图像的K-Means聚类图、空间元数据矩阵、空间元数据矩阵、NDVI图和NDWI图，划分出K-Means聚类图中的植被和水体区域；
对K-Means聚类图中的植被和水体区域进行不同颜色的渲染；
分别计算K-Means聚类图中的植被区域的像元总和及水体区域的像元总和；
将时相在后的高分辨率遥感图像对应的植被区域的像元总和减去时相在前的高分辨率遥感图像对应的植被区域的像元总和，将时相在后的高分辨率遥感图像对应的水体区域的像元总减去将时相在前的高分辨率遥感图像对应的水体区域的像元总，得到植被区域的像元总和作差结果和水体区域的像元总和作差结果；
根据作差结果判断植被区域和水体区域是否发生变化。
可选地，对K-Means聚类图中的植被和水体区域进行不同颜色的渲染，包括：
将K-Means聚类图中的植被渲染成红色；
将K-Means聚类图中的水体渲染成蓝色。
可选地，根据作差结果判断植被区域和水体区域是否发生变化，包括：
若植被区域的像元总和作差结果等于0，则植被区域未发生变化；
若植被区域的像元总和作差结果小于0，则植被区域减少；
若植被区域的像元总和作差结果大于0，则植被区域增加；
若水体区域的像元总和作差结果等于0，则水体区域未发生变化；
若水体区域的像元总和作差结果小于0，则水体区域减少；
若水体区域的像元总和作差结果大于0，则水体区域增加。
可选地，对每一幅所述高分辨率遥感图像进行K-Means聚类分析时，K值取为3～6。
可选地，K值取为5。
本发明第二方面提供了一种基于遥感图像的植被和水体变化检测系统，包括：
遥感图像获取模块，用于获取至少两幅同位置不同时相的高分辨率遥感图像；
遥感图像数据读取模块，用于通过GDAL库读取每一幅所述高分辨率遥感图像的像元数据矩阵、波段信息及空间元数据矩阵；
NDVI和NDWI计算模块，用于根据每一幅所述高分辨率遥感图像的波段信息计算每一幅所述高分辨率遥感图像的对应的NDVI值和NDWI值，得到对应的NDVI图和NDWI图；
聚类分析模块，用于对每一幅所述高分辨率遥感图像进行K-Means聚类分析，得到K-Means聚类图；
植被和水体区域划分模块，用于根据每一幅所述高分辨率遥感图像的K-Means聚类图、空间元数据矩阵、空间元数据矩阵、NDVI图和NDWI图，划分出K-Means聚类图中的植被和水体区域；
区域渲染模块，用于对K-Means聚类图中的植被和水体区域进行不同颜色的渲染；
像素元总和计算模块，用于分别计算K-Means聚类图中的植被区域的像元总和及水体区域的像元总和；
作差运算模块，用于将时相在后的高分辨率遥感图像对应的植被区域的像元总和减去时相在前的高分辨率遥感图像对应的植被区域的像元总和，将时相在后的高分辨率遥感图像对应的水体区域的像元总减去将时相在前的高分辨率遥感图像对应的水体区域的像元总，得到植被区域的像元总和作差结果和水体区域的像元总和作差结果；
判断模块，用于根据作差结果判断植被区域和水体区域是否发生变化。
可选地，对K-Means聚类图中的植被和水体区域进行不同颜色的渲染，包括：
将K-Means聚类图中的植被渲染成红色；
将K-Means聚类图中的水体渲染成蓝色。
可选地，根据作差结果判断植被区域和水体区域是否发生变化，包括：
若植被区域的像元总和作差结果等于0，则植被区域未发生变化；
若植被区域的像元总和作差结果小于0，则植被区域减少；
若植被区域的像元总和作差结果大于0，则植被区域增加；
若水体区域的像元总和作差结果等于0，则水体区域未发生变化；
若水体区域的像元总和作差结果小于0，则水体区域减少；
若水体区域的像元总和作差结果大于0，则水体区域增加。
可选地，对每一幅所述高分辨率遥感图像进行K-Means聚类分析时，K值取为3～6。
可选的，K值取为5。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供了一种基于遥感图像的植被和水体变化检测方法，在直接利用K-Means聚类方法处理高分辨遥感图像得到K-Means聚类图的同时，对高分辨率遥感图像进行NDVI和NDWI计算得到NDVI图和NDWI图，在K-Means聚类图中结合NDVI图和NDWI图获得K-Means聚类图中植被和水体区域，然后分别计算出两幅高分辨率遥感图中所有植被和水体区域的像元总和，将得到的两幅图的像元总和作差值以检测变化，无需进行大量的人工处理和前期预处理，提高了计算速度、减少对图像进行的预处理与人力物力投入，解决了现有的植被和水体变化检测方法工作量大、效率低下和成本较高的技术问题。
附图说明
为了更清楚的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的介绍，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，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中提供的一种基于遥感图像的植被和水体变化检测方法的流程示意图；
图2为本发明实施例中提供的对K-Means聚类图中的植被和水体区域进行不同颜色的渲染的效果示意图；
图3为本发明实施例中提供的一种基于遥感图像的植被和水体变化检测方法的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明中提供了一种基于遥感图像的植被和水体变化检测方法的实施例，包括：
步骤101、获取至少两幅同位置不同时相的高分辨率遥感图像。
需要说明的是，同位置不同时相的高分辨率遥感图像即指的是同一位置区域在不同时间拍摄到的遥感图像，要检测某一位置区域的植被和水体是否发生面积变化，本发明中首先需要通过遥感技术获得至少两幅同位置不同时相的高分辨率遥感图像。
步骤102、通过GDAL库读取每一幅高分辨率遥感图像的像元数据矩阵、波段信息及空间元数据矩阵。
需要说明的是，GDAL(Geospatial Data Abstraction Library)具有快速读取多种格式的遥感图像且能有效解析空间元数据等特点，还能够根据数据结构有效地提取遥感图像的投影坐标系、仿射变换等，有助于进行空间分析以及输出包含地理坐标位置的结果图像(在本发明实施例中即为步骤103中的NDVI图和NDWI图)。
步骤103、根据每一幅高分辨率遥感图像的波段信息计算每一幅高分辨率遥感图像的对应的NDVI值和NDWI值，得到对应的NDVI图和NDWI图。
需要说明的是，NDVI(归一化植被指数)是目前应用最为广泛的植被指数，是反映植被覆盖度的最佳指示因子，对土壤背景的变化比较敏感，能在很大程度上消除地形和群落结构阴影的影响，并能削弱大气的干扰，大大扩展了对植被覆盖度检测的灵敏度。NDWI(归一化水指数)，用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息。根据GDAL读取的同位置不同时相的高分辨率遥感图像的波段信息，分别计算每一幅高分辨率遥感图像的NDVI和NDWI。
植被对于可见光红波段表现出强吸收，近红外波段表现为高透射的光谱特性，将可见光红波段和近红外波段进行组合，形成各种植被指数，可达到简单、有效地定量和定性对地表植被状况进行评价的目的。NDVI是目前应用最为广泛的植被指数，是反映植被覆盖度的最佳指示因子，对土壤背景的变化比较敏感，能在很大程度上消除地形和群落结构阴影的影响，并能削弱大气的干扰，大大扩展了对植被覆盖度检测的灵敏度，其计算公式为：
式中:NDVI为归一化植被指数；RNIR为近红外波段反射率；RRED为可见光红波段反射率。若得到的NDVI值大于等于1或者小于等于0，则将其置为0，仅当0<NDVI<1时，其值保留下来，最后得到NDVI图。
NDWI用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息，是基于绿波段与近红外波段的归一化比值指数，其计算公式为：
式中:NDWI为归一化水指数；PGREEN为绿波段；PNIR为近红波段。若得到的NDWI值大于等于1或者小于等于0，则将其置为0，仅当0<NDWI<1时，其值保留下来，最后得到NDWI图。
步骤104、对每一幅高分辨率遥感图像进行K-Means聚类分析，得到K-Means聚类图。
需要说明的是，本发明实施例中，使用K-Means聚类自动划分同类型区域，地理现象都具有空间相关特性，即具有一定的相似性，但整体仍会呈现不均匀、不规则的分布状态，甚至某些区域还会出现异常点，利用K-Means算法找出高分辨率遥感图像上同类型区域的所有位置，例如高分辨率遥感图像中的植被区域为一类区域，将植被区域使用相同标识进行标记，水体区域为一类区域，将水体区域使用另一相同标识进行标记，可实现高分辨率遥感图像上同类型区域的划分，从而得到K-Means聚类图。在一个实施例中，K-Means聚类时K值可取最优值5，然后依次次之的值为4、6、3。
步骤105、根据每一幅高分辨率遥感图像的K-Means聚类图、空间元数据矩阵、空间元数据矩阵、NDVI图和NDWI图，划分出K-Means聚类图中的植被和水体区域。
需要说明的是，在步骤102～步骤103中得到的NDVI图和NDWI图携带空间元数据矩阵信息和空间元数据矩阵信息，将NDVI图和NDWI图分别与K-Means聚类图进行空间投影，可得到K-Means聚类图中的植被区域和水体区域。
步骤106、对K-Means聚类图中的植被和水体区域进行不同颜色的渲染。
需要说明的是，为对K-Means聚类图中的植被和水体区域进行区分，本发明实施例中，需要对K-Means聚类图中的植被和水体区域进行不同颜色的渲染。在一个实施例中，可以将K-Means聚类图中的植被渲染成红色，将K-Means聚类图中的水体渲染成蓝色(当然，此时除植被和水体之外的区域应被渲染成与植被区域和水体区域不同的颜色，以便于能够在图中区分出植被区域和水体区域)，如图2所示。
步骤107、分别计算K-Means聚类图中的植被区域的像元总和及水体区域的像元总和。
需要说明的是，在得到植被区域和水体区域并进行不同颜色的渲染之后，计算植被区域的像元总和以及水体区域的像元总和，假设植被渲染成红色，水体渲染成蓝色，那么只需要计算红色区域的像元总和以及蓝色区域的像元总和。
步骤108、将时相在后的高分辨率遥感图像对应的植被区域的像元总和减去时相在前的高分辨率遥感图像对应的植被区域的像元总和，将时相在后的高分辨率遥感图像对应的水体区域的像元总减去将时相在前的高分辨率遥感图像对应的水体区域的像元总，得到植被区域的像元总和作差结果和水体区域的像元总和作差结果。
需要说明的是，若要判断同位置不同时相的遥感图像中的植被区域和水体区域的面积是否发生变化，需要将前后两个时相的遥感图像的特征进行对比，因此，本发明实施例中，需要将时相在后的高分辨率遥感图像对应的植被区域的像元总和减去时相在前的高分辨率遥感图像对应的植被区域的像元总和，将时相在后的高分辨率遥感图像对应的水体区域的像元总减去将时相在前的高分辨率遥感图像对应的水体区域的像元总，得到植被区域的像元总和作差结果和水体区域的像元总和作差结果。
步骤109、根据作差结果判断植被区域和水体区域是否发生变化。
需要说明的是，在步骤108中可得出植被区域的像元总和作差结果和水体区域的像元总和作差结果，若植被区域的像元总和作差结果不为0(实际应用时可考虑一定的误差)，则说明植被区域的面积在这段时相间隔内发生了变化，若植被区域的像元总和作差结果为0，则说明植被区域的面积在这段时相间隔内没有发生变化，若水体区域的像元总和作差结果不为0(实际应用时可考虑一定的误差)，则说明水体区域的面积在这段时相间隔内发生了变化，若水体区域的像元总和作差结果为0，则说明水体区域的面积在这段时相间隔内没有发生变化。具体地，若植被区域的像元总和作差结果等于0，则植被区域未发生变化；若植被区域的像元总和作差结果小于0，则植被区域减少；若植被区域的像元总和作差结果大于0，则植被区域增加；若水体区域的像元总和作差结果等于0，则水体区域未发生变化；若水体区域的像元总和作差结果小于0，则水体区域减少；若水体区域的像元总和作差结果大于0，则水体区域增加。
本发明实施例中提供的基于遥感图像的植被和水体变化检测方法，在直接利用K-Means聚类方法处理高分辨遥感图像得到K-Means聚类图的同时，对高分辨率遥感图像进行NDVI和NDWI计算得到NDVI图和NDWI图，在K-Means聚类图中结合NDVI图和NDWI图获得K-Means聚类图中植被和水体区域，然后分别计算出两幅高分辨率遥感图中所有植被和水体区域的像元总和，将得到的两幅图的像元总和作差值以检测变化，无需进行大量的人工处理和前期预处理，提高了计算速度、减少对图像进行的预处理与人力物力投入，解决了现有的植被和水体变化检测方法工作量大、效率低下和成本较高的技术问题。
为了便于理解，请参阅图3，本发明中提供了一种基于遥感图像的植被和水体变化检测系统的实施例，包括：
遥感图像获取模块301，用于获取至少两幅同位置不同时相的高分辨率遥感图像；
遥感图像数据读取模块302，用于通过GDAL库读取每一幅所述高分辨率遥感图像的像元数据矩阵、波段信息及空间元数据矩阵；
NDVI和NDWI计算模块303，用于根据每一幅所述高分辨率遥感图像的波段信息计算每一幅所述高分辨率遥感图像的对应的NDVI值和NDWI值，得到对应的NDVI图和NDWI图；
聚类分析模块304，用于对每一幅所述高分辨率遥感图像进行K-Means聚类分析，得到K-Means聚类图；
植被和水体区域划分模块305，用于根据每一幅所述高分辨率遥感图像的K-Means聚类图、空间元数据矩阵、空间元数据矩阵、NDVI图和NDWI图，划分出K-Means聚类图中的植被和水体区域；
区域渲染模块306，用于对K-Means聚类图中的植被和水体区域进行不同颜色的渲染；
像素元总和计算模块307，用于分别计算K-Means聚类图中的植被区域的像元总和及水体区域的像元总和；
作差运算模块308，用于将时相在后的高分辨率遥感图像对应的植被区域的像元总和减去时相在前的高分辨率遥感图像对应的植被区域的像元总和，将时相在后的高分辨率遥感图像对应的水体区域的像元总减去将时相在前的高分辨率遥感图像对应的水体区域的像元总，得到植被区域的像元总和作差结果和水体区域的像元总和作差结果；
判断模块309，用于根据作差结果判断植被区域和水体区域是否发生变化。
对K-Means聚类图中的植被和水体区域进行不同颜色的渲染，包括：
将K-Means聚类图中的植被渲染成红色；
将K-Means聚类图中的水体渲染成蓝色。
根据作差结果判断植被区域和水体区域是否发生变化，包括：
若植被区域的像元总和作差结果等于0，则植被区域未发生变化；
若植被区域的像元总和作差结果小于0，则植被区域减少；
若植被区域的像元总和作差结果大于0，则植被区域增加；
若水体区域的像元总和作差结果等于0，则水体区域未发生变化；
若水体区域的像元总和作差结果小于0，则水体区域减少；
若水体区域的像元总和作差结果大于0，则水体区域增加。
对每一幅所述高分辨率遥感图像进行K-Means聚类分析时，K值取为3～6。
K值取为5。
本发明实施例中提供的基于遥感图像的植被和水体变化检测系统，在直接利用K-Means聚类方法处理高分辨遥感图像得到K-Means聚类图的同时，对高分辨率遥感图像进行NDVI和NDWI计算得到NDVI图和NDWI图，在K-Means聚类图中结合NDVI图和NDWI图获得K-Means聚类图中植被和水体区域，然后分别计算出两幅高分辨率遥感图中所有植被和水体区域的像元总和，将得到的两幅图的像元总和作差值以检测变化，无需进行大量的人工处理和前期预处理，提高了计算速度、减少对图像进行的预处理与人力物力投入，解决了现有的植被和水体变化检测方法工作量大、效率低下和成本较高的技术问题。
本发明实施例中提供的基于遥感图像的植被和水体变化检测系统用于执行前述基于遥感图像的植被和水体变化检测方法实施例中的任一种基于遥感图像的植被和水体变化检测方法，可取得与前述基于遥感图像的植被和水体变化检测方法实施例相同的技术效果，在此不在进行赘述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于遥感图像的植被和水体变化检测方法，其特征在于，包括：
获取至少两幅同位置不同时相的高分辨率遥感图像；
通过GDAL库读取每一幅所述高分辨率遥感图像的像元数据矩阵、波段信息及空间元数据矩阵；
根据每一幅所述高分辨率遥感图像的波段信息计算每一幅所述高分辨率遥感图像的对应的NDVI值和NDWI值，得到对应的NDVI图和NDWI图；
对每一幅所述高分辨率遥感图像进行K-Means聚类分析，得到K-Means聚类图；
根据每一幅所述高分辨率遥感图像的K-Means聚类图、空间元数据矩阵、空间元数据矩阵、NDVI图和NDWI图，划分出K-Means聚类图中的植被和水体区域；
对K-Means聚类图中的植被和水体区域进行不同颜色的渲染；
分别计算K-Means聚类图中的植被区域的像元总和及水体区域的像元总和；
将时相在后的高分辨率遥感图像对应的植被区域的像元总和减去时相在前的高分辨率遥感图像对应的植被区域的像元总和，将时相在后的高分辨率遥感图像对应的水体区域的像元总减去将时相在前的高分辨率遥感图像对应的水体区域的像元总，得到植被区域的像元总和作差结果和水体区域的像元总和作差结果；
根据作差结果判断植被区域和水体区域是否发生变化。
2.根据权利要求1所述的基于遥感图像的植被和水体变化检测方法，其特征在于，对K-Means聚类图中的植被和水体区域进行不同颜色的渲染，包括：
将K-Means聚类图中的植被渲染成红色；
将K-Means聚类图中的水体渲染成蓝色。
3.根据权利要求1所述的基于遥感图像的植被和水体变化检测方法，其特征在于，根据作差结果判断植被区域和水体区域是否发生变化，包括：
若植被区域的像元总和作差结果等于0，则植被区域未发生变化；
若植被区域的像元总和作差结果小于0，则植被区域减少；
若植被区域的像元总和作差结果大于0，则植被区域增加；
若水体区域的像元总和作差结果等于0，则水体区域未发生变化；
若水体区域的像元总和作差结果小于0，则水体区域减少；
若水体区域的像元总和作差结果大于0，则水体区域增加。
4.根据权利要求1所述的基于遥感图像的植被和水体变化检测方法，其特征在于，对每一幅所述高分辨率遥感图像进行K-Means聚类分析时，K值取为3～6。
5.根据权利要求4所述的基于遥感图像的植被和水体变化检测方法，其特征在于，K值取为5。
6.一种基于遥感图像的植被和水体变化检测系统，其特征在于，包括：
遥感图像获取模块，用于获取至少两幅同位置不同时相的高分辨率遥感图像；
遥感图像数据读取模块，用于通过GDAL库读取每一幅所述高分辨率遥感图像的像元数据矩阵、波段信息及空间元数据矩阵；
NDVI和NDWI计算模块，用于根据每一幅所述高分辨率遥感图像的波段信息计算每一幅所述高分辨率遥感图像的对应的NDVI值和NDWI值，得到对应的NDVI图和NDWI图；
聚类分析模块，用于对每一幅所述高分辨率遥感图像进行K-Means聚类分析，得到K-Means聚类图；
植被和水体区域划分模块，用于根据每一幅所述高分辨率遥感图像的K-Means聚类图、空间元数据矩阵、空间元数据矩阵、NDVI图和NDWI图，划分出K-Means聚类图中的植被和水体区域；
区域渲染模块，用于对K-Means聚类图中的植被和水体区域进行不同颜色的渲染；
像素元总和计算模块，用于分别计算K-Means聚类图中的植被区域的像元总和及水体区域的像元总和；
作差运算模块，用于将时相在后的高分辨率遥感图像对应的植被区域的像元总和减去时相在前的高分辨率遥感图像对应的植被区域的像元总和，将时相在后的高分辨率遥感图像对应的水体区域的像元总减去将时相在前的高分辨率遥感图像对应的水体区域的像元总，得到植被区域的像元总和作差结果和水体区域的像元总和作差结果；
判断模块，用于根据作差结果判断植被区域和水体区域是否发生变化。
7.根据权利要求6所述的基于遥感图像的植被和水体变化检测系统，其特征在于，对K-Means聚类图中的植被和水体区域进行不同颜色的渲染，包括：
将K-Means聚类图中的植被渲染成红色；
将K-Means聚类图中的水体渲染成蓝色。
8.根据权利要求7所述的基于遥感图像的植被和水体变化检测系统，其特征在于，根据作差结果判断植被区域和水体区域是否发生变化，包括：
若植被区域的像元总和作差结果等于0，则植被区域未发生变化；
若植被区域的像元总和作差结果小于0，则植被区域减少；
若植被区域的像元总和作差结果大于0，则植被区域增加；
若水体区域的像元总和作差结果等于0，则水体区域未发生变化；
若水体区域的像元总和作差结果小于0，则水体区域减少；
若水体区域的像元总和作差结果大于0，则水体区域增加。
9.根据权利要求6所述的基于遥感图像的植被和水体变化检测系统，其特征在于，对每一幅所述高分辨率遥感图像进行K-Means聚类分析时，K值取为3～6。
10.根据权利要求9所述的基于遥感图像的植被和水体变化检测系统，其特征在于，K值取为5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859512.3A CN113553967A (zh) | 2021-07-28 | 2021-07-28 | 一种基于遥感图像的植被和水体变化检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859512.3A CN113553967A (zh) | 2021-07-28 | 2021-07-28 | 一种基于遥感图像的植被和水体变化检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113553967A true CN113553967A (zh) | 2021-10-26 |
Family
ID=78133156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110859512.3A Pending CN113553967A (zh) | 2021-07-28 | 2021-07-28 | 一种基于遥感图像的植被和水体变化检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553967A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218823A (zh) * | 2013-05-08 | 2013-07-24 | 西安电子科技大学 | 基于核传播的遥感图像变化检测方法 |
| CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
| CN110879969A (zh) * | 2019-10-21 | 2020-03-13 | 北京中科锐景科技有限公司 | 一种基于遥感影像的林地变化检测方法 |
-
2021
- 2021-07-28 CN CN202110859512.3A patent/CN113553967A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218823A (zh) * | 2013-05-08 | 2013-07-24 | 西安电子科技大学 | 基于核传播的遥感图像变化检测方法 |
| CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
| CN110879969A (zh) * | 2019-10-21 | 2020-03-13 | 北京中科锐景科技有限公司 | 一种基于遥感影像的林地变化检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任旭瑞等: "以遥感图像K-均值聚类为例" * |
| 刘蓉等: "利用MERIS和AATSR资料估算黄土高原塬区植被含水量时空变化", 《遥感技术与应用》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
| Movia et al. | Shadow detection and removal in RGB VHR images for land use unsupervised classification | |
| Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
| CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
| CN103500325B (zh) | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 | |
| CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
| US20220129674A1 (en) | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels | |
| CN107145891B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
| Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
| Cai et al. | Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index | |
| Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
| Zhang et al. | Saliency‐based dark channel prior model for single image haze removal | |
| CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
| CN115236655A (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
| Fang et al. | Detection of building shadow in remote sensing imagery of urban areas with fine spatial resolution based on saturation and near-infrared information | |
| CN110796113B (zh) | 一种基于WorldView-2影像的城市蓝色地物检测方法 | |
| CN107103295B (zh) | 光学遥感影像云检测方法 | |
| CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
| Shi et al. | Automatic shadow detection in high-resolution multispectral remote sensing images | |
| CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
| CN116704369A (zh) | 一种面向对象的光学与sar遥感影像融合洪水提取方法和系统 | |
| CN113553967A (zh) | 一种基于遥感图像的植被和水体变化检测方法及系统 | |
| CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
| CN116137067A (zh) | 一种基于系数分析协同表示的高光谱图像异常检测方法 | |
| CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |