CN113822255B - 一种水体识别方法及相关装置 - Google Patents
一种水体识别方法及相关装置 Download PDFInfo
- Publication number
- CN113822255B CN113822255B CN202111398667.8A CN202111398667A CN113822255B CN 113822255 B CN113822255 B CN 113822255B CN 202111398667 A CN202111398667 A CN 202111398667A CN 113822255 B CN113822255 B CN 113822255B
- Authority
- CN
- China
- Prior art keywords
- water body
- image
- target
- color
- identification result
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种水体识别方法及相关装置,应用于地图领域、自动驾驶、智慧交通领域中至少一种。获取目标地理区域的目标影像,构建目标影像中所包括的多种类型的地物分别对应的差异性指数,基于该差异性指数对目标影像进行图像增强,得到目标影像在第一色彩空间的第一彩色图像。将第一彩色图像转换为第二色彩空间的第二彩色图像,第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间,符合人视觉感知,使得混合像元的不同类型的地物差异更能清晰体现。从第二彩色图像中提取像素值满足基本特征分量分别对应的第一预设条件的像元构成第一水体识别结果,根据第一水体识别结果确定目标水体识别结果,以提高水体识别尤其是小水体识别的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种水体识别方法及相关装置。
背景技术
随着遥感技术的发展、卫星影像分辨率(包括空间、时间、光谱分辨率)的显著提高,影像校正、增强、融合等处理技术的不断完善,地球表面各种地物的监测都可以不受地理位置、天气和人为的限制,遥感技术越来越显示出它独特的优越性。其中,遥感影像水体识别对于水资源调查、洪水灾害预测评估、水利规划、环境监测、甚至在地图制图等领域起着十分重要的作用。
目前,基于遥感影像进行水体识别是比较常见的手段,对于高分辨遥感影像,采用机器学习分类法在特征空间、综合应用光谱或空间特征上实现水体识别。
但是这种方法通常能够高效的识别出大面积的水体,却很难对于小水体进行识别。这是因为大多数小水体面积都较小,并且通常被建筑、植被等地物包围,也很容易被上述地物的阴影所覆盖。这些复杂的实际因素导致了在遥感影像中,小水体往往以一种混合像元的方式存在,难以被准确划分出来。
发明内容
为了解决上述技术问题,本申请提供了一种水体识别方法及相关装置,能够提高水体识别的准确性,尤其对于以混合像元存在的小水体,可以增强小水体与建筑、植被等混合地物的差异特征,大大提高小水体识别的准确性。
本申请实施例公开了如下技术方案:
第一方面,本申请实施例提供一种水体识别方法,所述方法包括:
获取目标地理区域的目标影像;
构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数,所述多种类型的地物包括水体和所述水体的混合地物,所述水体的混合地物与所述水体的类型不同;
基于所述多种类型的地物分别对应的差异性指数对所述目标影像进行图像增强,得到所述目标影像在第一色彩空间的第一彩色图像,所述第一色彩空间是以光学三原色为色彩通道构成的色彩空间;
将所述第一彩色图像转换为第二色彩空间的第二彩色图像,所述第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间;
从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,所述像素值通过色相值、饱和度值和亮度值体现;
根据所述第一水体识别结果确定目标水体识别结果。
第二方面,本申请实施例提供一种水体识别装置,所述装置包括获取单元、构建单元、增强单元、转换单元、提取单元和确定单元:
所述获取单元,用于获取目标地理区域的目标影像;
所述构建单元,用于构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数,所述多种类型的地物包括水体和所述水体的混合地物,所述水体的混合地物与所述水体的类型不同;
所述增强单元,用于基于所述多种类型的地物分别对应的差异性指数对所述目标影像进行图像增强,得到所述目标影像在第一色彩空间的第一彩色图像,所述第一色彩空间是以光学三原色为色彩通道构成的色彩空间;
所述转换单元,用于将所述第一彩色图像转换为第二色彩空间的第二彩色图像,所述第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间;
所述提取单元,用于从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,所述像素值通过色相值、饱和度值和亮度值体现;
所述确定单元,用于根据所述第一水体识别结果确定目标水体识别结果。
第三方面,本申请实施例提供一种计算机设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面所述的方法。
由上述技术方案可以看出,为了对目标地理区域中的水体进行识别,可以构建目标地理区域的目标影像中所包括的多种类型的地物分别对应的差异性指数,多种类型的地物分别对应的差异性指数分别代表了水体和水体的混合地物,水体的混合地物与水体的类型不同,第一色彩空间是以光学三原色为色彩通道构成的色彩空间,基于多种类型的地物分别对应的差异性指数对目标影像进行图像增强,得到目标影像在第一色彩空间的第一彩色图像。由于第一色彩空间是基于反射光的性质构建的,并非基于人视觉感知构建的,因此不符合人视觉感知,也不具有连续性,对于混合像元到底是属于水体还是水体的混合物难以区分,故将第一彩色图像转换为第二色彩空间的第二彩色图像,第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间,符合人视觉感知,从而使得混合像元的不同类型的地物差异特征在第二色彩图像中更能清晰体现。且第二彩色图像中提取像素值通过色相值、饱和度值和亮度值体现,具有连续性,因此可以从第二彩色图像中提取像素值满足基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,进而根据第一水体识别结果确定目标水体识别结果。该方案能够提高水体识别的准确性,尤其对于以混合像元存在的小水体,可以增强小水体与建筑、植被等混合地物的差异特征,大大提高小水体识别的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术成员来讲,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为本申请实施例提供的一种水体识别方法的系统架构示意图;
图2为本申请实施例提供的一种水体识别方法的流程图;
图3为本申请实施例提供的一种目标影像的示例图;
图4为本申请实施例提供的一种RGB色彩空间的示例图;
图5为本申请实施例提供的一种以水体是湖泊为例的真彩色图像与RGB假彩色图像的示例图;
图6为本申请实施例提供的一种第一彩色图像的示例图;
图7为本申请实施例提供的一种HIS色彩空间的示例图;
图8为本申请实施例提供的一种第一水体识别结果的示例图;
图9为本申请实施例提供的一种不同H的值所对应的像元数的示例图;
图10为本申请实施例提供的一种目标水体识别结果的示例图;
图11为本申请实施例提供的一种目标影像、第二水体识别结果和剔除建筑阴影和山体阴影后的第二水体识别结果的示例图;
图12为本申请实施例提供的一种水体识别方法的框架示例图;
图13为本申请实施例提供的四种情况下不同水体识别方法的效果对比图;
图14为本申请实施例提供的一种BP神经网络的常规结构示例图;
图15为本申请实施例提供的一种水质识别的具体流程图;
图16为基于经验法得到的最佳经验模型和本申请实施例提供的神经网络模型进行比较的示例图;
图17为本申请实施例提供的一种水体识别装置的结构图;
图18为本申请实施例提供的一种智能手机的结构图;
图19为本申请实施例提供的一种服务器的结构图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
遥感技术长期以来都被视为是观察地表水体分布、水质,以及季节性动态变化的有效手段。由于和其他地表物体相比,水的反射率要低得多,所以遥感技术也被广泛应用于水体提取的研究中。目前存在的用于从遥感影像中提取水体的方法主要可以被分为以下三类:()不通过建立指数的方法提取水体。比如简单的,直接为单个红外波段设置经验阈值,并将反射率低于阈值的像素标识为水体;通过监督或非监督分类方法用于生成土地覆盖图,从中提取水体图;或是通过多光谱图的几个波段来构建决策树,来区分水体和其他类型的地物。但是,这些方法的问题在于它们的分类规则通常是高度经验性的,无法普遍适用。()使用从两个或多个波段计算得出的差异性指数来提取水体,能够通过对单一差异性指数的阈值限定从遥感影像中识别出水体。()通过结合多个不同水体的差异性指数来提取水体。但是()和()这两种方式都是仅仅通过水体的差异性指数来识别水体,即仅仅针对遥感影像中的每个像元,判断该像元是否有较大的可能是水体。
而对于一些小水体,小水体面积都较小,并且通常被建筑、植被等地物包围,也很容易被上述地物的阴影所覆盖。这些复杂的实际因素导致了在遥感影像中,小水体往往以一种混合像元的方式存在,如果仅仅是通过上述()和()所示的方法,可能会导致将阴影识别成水体。例如表示阴影的像元由于比较像水体,通过水体的差异性指数可能判断该像元有很大的可能性是水体,但是无法判断出该像元是阴影的可能性更大,从而将阴影误识别为水体)。或者将水田识别成非水体,从而难以将小水体准确地识别出来。
为了解决上述技术问题,本申请实施例提供一种水体识别方法,该方法构建目标地理区域的目标影像中所包括的多种类型的地物分别对应的差异性指数,并基于差异性指数对目标影像进行图像增强,得到目标影像在第一色彩空间的第一彩色图像。由于多种类型的地物分别对应的差异性指数分别代表了水体和水体的混合地物,水体的混合地物与水体的类型不同,因此可以基于第一彩色图像从多个可能性的角度判断混合像元最可能属于哪个类型的地物。并且构建符合人视觉感知、具有连续性的第二彩色图像,从而使得混合像元的不同类型的地物差异特征在第二色彩图像中更能清晰体现,以通过比较像素值与基本特征分量分别对应的第一预设条件来确定像元属于哪个类型的地物,从第二彩色图像中提取像素值满足基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,进而根据第一水体识别结果确定目标水体识别结果。
需要说明的是,本申请实施例提供的方法可应用在多类综合地图和专题地图的制图方案中,对于一定的地理区域,或者特定类型的小水体进行水体识别,包括但不限于:对于城市中的小水体进行识别;对城市中的水田进行识别;对城市中的黑臭水体进行识别。
该方法应用在制图方案中可以体现在基于水体识别结果在地图中标识水体,以便基于水体在地图中的位置进行路径规划。具体可以应用在智能车路协同系统中,智能车路协同系统(Intelligent Vehicle Infrastructure Cooperative Systems,IVICS),简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
为了便于理解本申请的技术方案,下面结合实际应用场景对本申请实施例提供的水体识别方法进行介绍。该方法可以由计算机设备执行,该计算机设备可以是终端设备,也可以是服务器,还可以是终端设备和服务器共同执行。终端设备包括但不限于智能手机、电脑(例如平板电脑、笔记本电脑、台式电脑)、智能语音交互设备、智能家电、车载终端等。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
参见图1,图1为本申请实施例提供一种水体识别方法的系统架构示意图。该系统架构中的计算机设备以终端设备101(例如智能手机)为例,终端设备101可以获取目标地理区域的目标影像,以对目标地理区域中的水体进行识别。其中,目标影像可以是遥感影像。
然后终端设备101构建目标地理区域的目标影像中所包括的多种类型的地物分别对应的差异性指数,多种类型的地物分别对应的差异性指数分别代表了水体和水体的混合地物,水体的混合地物与水体的类型不同,第一色彩空间是以光学三原色为色彩通道构成的色彩空间,基于多种类型的地物分别对应的差异性指数对目标影像进行图像增强,从而通过多种类型的地物分别对应的差异性指数增强其所代表地物的特征,得到目标影像在第一色彩空间的第一彩色图像,以通过第一彩色图像的颜色区分不同类型的地物。
其中,混合地物是指水体周围与水体混合的地物,例如可以包括土壤、植被中一种或多种。
由于第一色彩空间是基于反射光的性质构建的,并非基于人视觉感知构建的,因此不符合人视觉感知,也不具有连续性,对于混合像元到底是属于水体还是水体的混合物难以区分,故终端设备101可以将第一彩色图像转换为第二色彩空间的第二彩色图像。第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间,符合人视觉感知,从而使得混合像元的不同类型的地物差异特征在第二色彩图像中更能清晰体现。且第二彩色图像中提取像素值通过色相值、饱和度值和亮度值体现,具有连续性,因此终端设备101可以从第二彩色图像中提取像素值满足基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,进而根据第一水体识别结果确定目标水体识别结果。
接下来,将以终端设备为执行主体为例,结合附图对本申请实施例提供的水体识别方法进行详细介绍。
参见图2,图2示出了一种水体识别方法的流程图,所述方法包括:
S201、获取目标地理区域的目标影像。
当需要对目标地理区域的水体进行识别时,终端设备可以获取目标地理区域的目标影像,该目标影像可以是遥感影像,参见图3所示。图3中目标地理区域包括城乡建筑、水体、植被、阴影等。
S202、构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数。
水体特别是小水体,通常被复杂的环境所包围,例如建筑、植被或阴影等。而目前技术中,仅基于水体的差异性指数所建立的水体提取方法,往往很难对这些混合其他地物的水体精准识别。对于这些混合多类地物成分的混合像元,只凭一个单一差异性指数进行是不是水体的判断是不充分的。为此,本申请实施例通过构建多种类型的地物的差异性指数,从多个可能性的角度来判断混合像元最可能属于哪种类型的地物。其中,多种类型的地物可以代表目标影像中所有可能的地物,多种类型的地物可以包括水体和水体的混合地物,水体的混合地物与水体的类型不同。
由于水体所混合的地物(即混合地物)有较大的可能是土壤和植被,而修正后的归一化差异水体指数(Modified Normalized Difference Water Index,MNDWI)是基于归一化水指数(Normalized Difference Water Index,NDWI)修正后的水体识别指数,可以有效减少建筑物和土壤对水体提取的影响;归一化差异植被指数(Normalized DifferenceVegetation Index,NDVI)是目前最广泛应用的植被监测指数,可以有效的减少山体阴影,太阳仰角和大气辐射对于植被提取的影响;归一化差异建筑指数(Normalized DifferenceBuilt-up Index,NDBI)最早是为了识别建筑密集的城市区域而创造的指数,同时被发现在裸露土地识别方面具有出色表现,因此可以通过MNDWI、NDVI、NDBI来代表三个主要类型的地物,即水体、植被和土壤。也就是说,本实施例中的多种类型的地物可以分别是水体、植被和土壤,多种类型的地物分别对应的差异性指数可以是MNDWI、NDVI和NDBI。
每种类型的地物的差异性指数代表对应类型的地物,每种类型的地物可以通过目标影像中对应的波段来体现。因此,在一种可能的实现方式中,构建目标影像中所包括的多种类型的地物分别对应的差异性指数的方式可以是根据多种类型的地物的特征获取目标影像中目标波段的光谱反射率值,将每种类型的地物分别作为目标地物,从目标波段的光谱反射率值中选取目标地物对应的光谱反射率值,计算目标地物的差异性指数。
若目标影像是哨兵二号卫星采集的影响,则哨兵二号卫星中的目标波段例如band3,band 4,band 8和band 11可以体现土壤、植被和水体。各差异性指数代表的地物以及各差异性指数的计算公式可以参见表1所示,其中,G、R、NIR(近红外光谱,Near Infrared)和MIR(中红外波段,Middle Infrared)分别对应是哨兵二号卫星中的band 3、band 4、band 8和band 11的光谱反射率值。其中,目标波段不仅限于上述四个波段,还可以是其他波段,本实施例对此不做限定。
表1 差异性指数代表的地物以及各差异性指数的计算公式
S203、基于所述多种类型的地物分别对应的差异性指数对所述目标影像进行图像增强,得到所述目标影像在第一色彩空间的第一彩色图像。
第一色彩空间是以光学三原色为色彩通道构成的色彩空间,光学三原色可以是红色(Red,R)、绿色(Green,G)和蓝色(Blue,B),则第一色彩空间即RGB色彩空间,第一彩色图像为RGB假彩色图像。
RGB色彩空间可以通过三维立体图来体现,如图4所示,其中不同的色值的红色、绿色和蓝色光叠加在一起构成丰富多彩不同颜色。
在一种可能的实现方式中,基于多种类型的地物分别对应的差异性指数对目标影像进行图像增强,得到目标影像在第一色彩空间的第一彩色图像的方式可以是对多种类型的地物分别对应的差异性指数进行归一化,得到归一化差异性指数,然后将代表不同类型的地物的归一化差异性指数分别映射到不同的色彩通道上,得到第一彩色图像。
对每个差异性指数进行归一化的公式可以参见下述公式所示,先通过下述公式所示的线性转换公式,进行Min-max归一化:
其中,x表示差异性指数的原始值,y表示归一化值差异性指数,xmin和 xmax表示目标影像中差异性指数的最小值和最大值。要注意的是,这种归一化的方式有可能会产生大于1或小于0的离群值,完成归一化后,需要将大于1的离群值分配为1,将负的离群值分配为0,将所有差异性指数值规格化为[0,1]之间。
通过对差异性指数进行归一化处理,可以实现更逼真的色彩展示,以便后续可以得到更加逼真的第一彩色图像。
然后,将归一化差异性指数用于构建第一色彩空间中的第一彩色图像。以第一色彩空间为RGB色彩空间,第一彩色图像为RGB假彩色图像为例,若多种类型的地物分别对应的差异性指数分别是水体、植被和土壤的差异性指数,通过MNDWI、NDVI和NDBI表示,则可以将归一化差异性指数NDBI的值设为红色(R),将归一化差异性指数NDVI的值设为绿色(G),将归一化差异性指数MNDWI的值设为蓝色(B)。通过将代表不同类型的地物的三个归一化差异性指数映射到R,G和B通道,不同的颜色就能区分不同的地物类型。如图5所示,图5是本申请实施例提供的一种以水体是湖泊为例的真彩色图像与RGB假彩色图像的示例图。图5中(a)所示的图为根据真彩色目视解译所定位的水体图(例如501所示的水体),图5中(b)所示的图为RGB假彩色图像,可以发现(b)所示的图中水体显示为蓝色(例如502所示,由于本申请中无法使用彩色图像,因此蓝色通过502所示的白色代替),植被显示为绿色(例如503所示,由于本申请中无法使用彩色图像,因此绿色通过503所示的深灰色代替),空地和建筑物相当于土壤,空地和建筑物显示为红色(例如504所示,由于本申请中无法使用彩色图像,因此红色通过504所示的浅灰色代替)。
基于上述第一彩色图像的生成方法,针对图3所示的目标影像,得到的第一彩色图像可以参见图6所示。与图5中(b)所示的RGB假彩色图像类似,图6中水体显示为蓝色(例如601所示),植被显示为绿色(例如602所示),空地和建筑物显示为红色(例如603所示)。
S204、将所述第一彩色图像转换为第二色彩空间的第二彩色图像。
由于第一色彩空间是基于反射光的性质构建的,并非基于人视觉感知构建的,因此不符合人视觉感知,也不具有连续性,对于混合像元到底是属于水体还是水体的混合物难以区分。例如第一彩色图像是RGB假彩色图像,则从RGB假彩色图像中识别水体完全依靠的就是像元所显示的颜色,比如,如果一个像元显示为蓝色,那么它是水体的可能性就会比较高。但是,除了颜色接近蓝色之外,水体显示出相对较高的反射强度,并且经常与其他地物混合,以混合像元的状态出现。相较于RGB假彩色图像,混合像元的不同类型的地物差异特征在第二色彩图像中更能清晰地反映出来。
其中,第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间,可以称为色相,饱和度,亮度(Hue-Saturation-Intensity,HSI)色彩空间第二彩色图像可以称为HIS假彩色图像。HIS色彩空间构成颜色的方式与人视觉感知颜色形成属性的方式更加接近。如图7所示,在HIS色彩空间中,每种色调的色相围绕中性色的中心轴呈放射状排列,该中性色的范围从底部的黑色到顶部的白色渐变。饱和度代表颜色的鲜艳程度,与颜色距离中心轴的距离相关。亮度与颜色位于中心轴的高度相关,靠近底部和顶部分别意味着和不同比例的黑色和白色混合。在本申请实施例中,色相H用于区分不同类型的地物,饱和度S用于反映单个像元中地物的丰富度,亮度I用于去除阴影。
接下来,第一彩色图像(例如RGB假彩色图像)可以通过一个固定的转换方式,转换为第二彩色图像(例如HSI假彩色图像),如表2所示,其中,R、G 和B 分别代表红色、绿色和蓝色三个色彩通道的色值,Vmax和Vmin 代表着R、G 和B这三个值中的最大值和最小值,H表示HSI假彩色图像的色相值,Ht表示不同情况下,根据红色、绿色和蓝色三个色彩通道的色值转换得到的值。
表2 RGB色彩空间至HSI色彩空间的转换公式
在HSI假彩色图像中,H的取值范围为[0,360],为了获取第二彩色图像中的色相特征,选取了六种代表颜色分别是红色、黄色、绿色、青色、蓝色和洋红色,同时将H的值划分为六个范围:0-30和330-360、30-90、90-150、150-210、210-270和270-330,每个范围的中心都是上述的代表颜色之一。S的取值范围为[0,1],当S取最大值1时,意味着这个颜色是单色,而S值越低意味着混合度越高,当S=0时,此像元的颜色取决于I的值,可以呈现白色、灰色或者黑色。I的取值范围也为[0,1],该值和像元的亮度关联,当I=1时,像元呈现白色,相反,当I=0时,像元呈现黑色。
S205、从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果。
在本申请实施例中,可以将基于MNDWI、NDVI和NDBI得到的第二彩色图像作为第一张HSI假彩色图像,第一张HSI假彩色图像被命名为land-veg-water image。在第二彩色图像中,通过设定合适的H、 S和 I分别对应的第一预设条件能提取出粗识别的水体。
根据上文中提到的六种代表颜色的划分,H = 240代表蓝色,但由于水体总是与其他类型的地物混合在一起,特别是小水体,所以实际的第二彩色图像中几乎没有呈现为正蓝色水体。在提取水体的过程中,水体的H值在240左右浮动。对于每个包含水体的混合像元,H值越低,表示混合像元中植被所占比例越高;H值越高,表示混合像元中土壤所占比例越高。因此,H的第一预设条件可以设定为H的取值范围为[210,270]以涵盖各种水体类型。S的第一预设条件限定了最小饱和度,以确保选中的混合像元中的水体占较高比例。I的第一预设条件限制了最小的颜色亮度,这有助于消除那些较易被误识别的浅蓝色阴影。
为了确定S和I的阈值,在第二彩色图像中选取50个水体的感兴趣区域(Region OfInterest,ROI),通过分析感兴趣区域的S值确定S的大概范围。然后,通过每次变更0.01间隔的确定方法获取S这一基本特征分量对应的最终第一预设条件。根据实际应用情况,仔细比较了不同第一预设条件的划分结果之后,选择设定提取像素值满足[210 < H < 270,S >0.25且I > 0.51]的像元,构成第一张粗识别的水体提取图,即得到第一水体识别结果。其中,像素值可以通过色相值、饱和度值和亮度值体现,即若某个像元的色相值H满足210 < H< 270,饱和度值S满足S > 0.25,且亮度值I满足I > 0.51,则确定该像元属于水体,进而得到第一水体识别结果,第一水体识别结果可以参见图8所示。
S206、根据所述第一水体识别结果确定目标水体识别结果。
在得到第一水体识别结果后,可以基于第一水体识别结果确定目标水体识别结果。在一种可能的实现方式中,可以将第一水体识别结果直接作为目标水体识别结果。
在另一种可能的实现方式中,在各类应当被划分为小水体的地物中,水田由于其中较高的叶绿素含量很容易被误识别为植被,且由于水田是小水体组成中的重要成分,因此水田的误识别大大的影响了小水体的整体识别精度。因此,在本申请实施例中,为了准确地识别出目标影像中的水田要素,根据第一水体识别结果确定目标水体识别结果的方式还可以是根据目标影像对水田进行提取,得到水田识别结果,进而利用水田识别结果对第一水体识别结果进行修正,得到第二水体识别结果,从而将第二水体识别结果作为目标水体识别结果。
与其他水体相比,水田更容易被误识别为植被,而难以被误识别为土壤,基于水田的这一特性,在对水田进行识别时,可以对水田和植被的特征进行增强,从而突出水田与植被的差异特征。因此,在一种可能的实现方式中,根据目标影像对水田进行提取,得到水田识别结果的方式可以是构建目标影像中所包括的水体的差异性指数和植被对应的两种差异性指数,基于水体的差异性指数和植被对应的两种差异性指数对目标影像进行图像增强,得到目标影像在第一色彩空间的第三彩色图像。然后,将第三彩色图像转换为第二色彩空间的第四彩色图像,从第四彩色图像中提取像素值满足基本特征分量分别对应的第二预设条件的像元,构成水田识别结果。
在本实施例中,水体的差异性指数可以是band 2(蓝色可见光),植被的两种差异性指数可以是band 8(NIR)和NDVI,对这三个差异性指数进行归一化,得到归一化差异性指数,然后将归一化差异性指数分别映射到不同的色彩通道上,得到第三彩色图像。基于第三彩色图像构建第四彩色图像,当第二色彩空间是HIS色彩空间时,第四彩色图像可以是与第一张HSI假彩色图像不同的另一张HSI假彩色图像。为了和第一张HSI假彩色图像区分,这张HSI假彩色图像被命名为veg-water image。
在这三个新选取的差异性指数中,NIR和NDVI均代表植被的差异性指数,和像元中植被成分的占比成正相关,而band 2则代表水体的差异性指数。因此在新合成的veg-waterimage中,相对于其他几类地物,水田得到了更大的增强,裸地以及其他土壤成分占比较高的地物差异相应削弱,使得水田更易被识别,水体边缘中泥沙含量较高的水体部分也能被更好的区分出来。
在新构成的第三彩色图像中,可以发现水体不再呈现蓝色了,而山体阴影呈现出绿色,这是因为新的差异性指数组合中有两个差异性指数都与植被相关,由于缺少土壤相关的差异性指数,所呈现的色相也会和常规预期不同。但第三彩色图像转换为第四彩色图像(另一张HSI假彩色图像)后,颜色的显示依然遵循HSI色彩空间的色彩构成规则。即H的值还是能大致区分不同地物,如图9所示,图9示出了不同H的值所对应的像元数,从图9中可以看出第四彩色图像中H的值小于110的像元数基本为零,H的值大于150的像元数也基本为零,第四彩色图像中像元的H值一般在110-150之间。
S的值反映出像元中主要成分的占比程度,I的值能够准确的检测山体阴影。如上述的水体识别流程,结合经验,选择设定提取像素值满足[H > 123,S > 0.73且I < 0.3]的像元,得到水田识别结果。其中,像素值可以通过色相值、饱和度值和亮度值体现,即若某个像元的色相值H满足H > 123,饱和度值S满足S > 0.73,且亮度值I满足I < 0.3,则确定该像元属于水田,进而得到水田识别结果。
利用水田识别结果对第一水体识别结果进行修正,可以是将水田识别结果和第一水体识别结果合并,实现水体合并后,得到第二个水体识别结果,进而将第二水体识别结果作为目标水体识别结果。得到的目标水体识别结果可以参见图10所示,与图8相比,通过该步骤进一步完善后的目标水体识别结果具有更完整的水体边缘和更准确的水田识别效果。例如图10与图8相比增加了1001所示的水体边缘,以及图10中黑色框的边缘比图8中黑色框的边缘更加清晰。
通过上述进一步进行的水田识别以及两次识别结果合并,可以对目标水体识别结果进一步完善,从而使得目标水体识别结果具有更完整的水体边缘和更准确的水田识别效果。
在得到上述目标水体识别结果后,该目标水体识别结果可以包括各种类型的水体,因此,为了进一步得到小水体识别结果可以采用四连通面积法识别面积大于预设面积阈值的水体,从目标水体识别结果中去除面积大于预设面积阈值的水体,得到小水体分布结果。其中,预设面积阈值可以是根据实际经验设定的,例如预设面积阈值可以设置为5公顷(hectare,ha)。
由上述技术方案可以看出,为了对目标地理区域中的水体进行识别,可以构建目标地理区域的目标影像中所包括的多种类型的地物分别对应的差异性指数,多种类型的地物分别对应的差异性指数分别代表了水体和水体的混合地物,水体的混合地物与水体的类型不同,第一色彩空间是以光学三原色为色彩通道构成的色彩空间,基于多种类型的地物分别对应的差异性指数对目标影像进行图像增强,得到目标影像在第一色彩空间的第一彩色图像。由于第一色彩空间是基于反射光的性质构建的,并非基于人视觉感知构建的,因此不符合人视觉感知,也不具有连续性,对于混合像元到底是属于水体还是水体的混合物难以区分,故将第一彩色图像转换为第二色彩空间的第二彩色图像,第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间,符合人视觉感知,从而使得混合像元的不同类型的地物差异特征在第二色彩图像中更能清晰体现。且第二彩色图像中提取像素值通过色相值、饱和度值和亮度值体现,具有连续性,因此可以从第二彩色图像中提取像素值满足基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,进而根据第一水体识别结果确定目标水体识别结果。该方案能够提高水体识别的准确性,尤其对于以混合像元存在的小水体,可以增强小水体与建筑、水田、植被等混合地物的差异特征,大大提高小水体识别的准确性。
需要说明的是,在将第一水体识别结果与水田识别结果合并得到第二水体识别结果,进而基于第二水体识别结果确定目标水体识别结果的情况下,由于第一水体识别结果与水田识别结果直接进行了互补融合,而在第一水体识别结果中可能出现山体阴影误识别,水田识别结果中可能出现建筑阴影误识别,这可能导致山体阴影误识别和建筑阴影误识别同时出现在了第二水体识别结果中,进而导致基于第二水体识别结果得到的目标水体识别结果收到阴影的干扰。
在这种情况下,为了消除阴影的干扰,在将第二水体识别结果作为目标水体识别结果之前,可以从第二彩色图像中提取像素值满足基本特征分量分别对应的第三预设条件的像元,提取得到建筑阴影。以及从第四彩色图像中提取像素值满足基本特征分量分别对应的第四预设条件的像元,提取得到山体阴影。从而从第二水体识别结果中剔除识别出的建筑阴影和山体阴影,以将剔除建筑阴影和山体阴影之后的第二水体识别结果作为目标水体识别结果。
其中,第三预设条件可以设定为[H < 215且I < 0.52],第四预设条件可以设定为[I > 0.28],通过在land-veg-water image中选择提取像素值为[H < 215且I < 0.52]的像元来提取建筑阴影;在veg-water image中选择提取像素值为[I > 0.28]的像元来提取山体阴影。在第二水体识别结果中剔除识别出的两类阴影就能得到目标水体识别结果。参见图11所示,图11中1101显示该处明显为一建筑聚集地的目标影像;图11中1102为将第一水体识别结果和水田识别结果直接进行了互补融合后得到的第二水体识别结果,有很多误识别为水体的建筑阴影和山体阴影,例如1102中黑色图案所示;图11中1103为剔除建筑阴影和山体阴影后的第二水体识别结果,此时可以看到已经移除了绝大多数误识别的建筑阴影和山体阴影,即1103中的黑色图案相对于1102中明显减少。
通过上述方法,可以去除建筑阴影和山体阴影,从而避免阴影误识别成水体,得到更为准确的目标水体识别结果。
基于前述实施例所述的水体识别方法,以第一色彩空间是RGB色彩空间,第二色彩空间是HIS色彩空间为例,对水体识别方法进行总结,上述方法框架可以参见图12所示,该方法框架由三个主要步骤组成。()构建HIS假彩色图像,根据哨兵二号卫星中的目标波段例如band 3,band 4,band 8和band 11的光谱反射率值构建差异性指数来识别遥感影像中的土壤、植被和水体要素,通过将这三个差异性指数映射到R、G、B色彩通道,可以获得一张由三大地物要素的差异性指数构成的RGB假彩色图像1(即第一彩色图像),然后将RGB色彩空间转换为HSI色彩空间,得到HIS假彩色图像1(即第二彩色图像)。()目标水体识别结果生成。在HSI假彩色图像1中,通过设置H,S和I值分别对应的第一预设条件(210 < H < 270,S > 0.25且I > 0.51)提取水体,得到第一水体识别结果。并且基于HSI假彩色图像1和第三预设条件(H < 215且I < 0.52)提取建筑阴影。之后选取一个水体的差异性指数和两个植被相关的波段作为植被的差异性指数,重复上述步骤,基于新的差异性指数得到RGB假彩色图像2(即第三彩色图像),然后转换成HSI假彩色图像2(即第四假彩色图像),基于HSI假彩色图像2和第二预设条件(第H > 123,S > 0.73且I < 0.3)得到水田识别结果,利用水田识别结果来修正第一水体识别结果,得到第二水体识别结果。并且基于HSI假彩色图像2和第四预设条件(I > 0.28)提取山体阴影。将剔除山体阴影和建筑阴影的第二水体识别结果作为目标水体识别结果。()小水体提取。根据小水体的定义,将面积大于5 ha的水体从目标水体识别结果中删除,得到小水体分布结果。
将本申请实施例提供的水体识别方法与常见的MNDWI及EWI(是一种增强型水体指数)水体识别方法进行比较,计算常见的误差度量指数来进行精度评定,包括产出精度(Producer’s Accuracy,PA)、使用精度(User’s Accuracy, UA)、整体精度(OverallAccuracy,OA)和卡伯系数(Kappa Coefficient Accuracy,K)。三种水体识别方法的精度比较如表3所示:
表3 三种不同水体识别方法所识别出的小水体识别结果的精度
从表3可以看出,本申请实施例提供的水体识别方法的三种精度分别高于另外两种方法,效果更好。同时,通过比较同一目标地理区域的三种识别方法,发现针对不同类型的易误识别地物,如边缘较浅的池塘、白色屋顶、建筑阴影、水田等四种情况,本申请所提出的方法都具备不可比拟的优越性,参见图13所示。其中,第一列为针对上述四种情况的目视解译的结果,第二列为针对上述四种情况采用本申请实施例提供的水体识别方法得到的结果,第三列为针对上述四种情况采用EWI方法得到的结果,第四列为针对上述四种情况采用MNDWI方法得到的结果,从图13可以看出在上述四种情况中,采用本申请实施例提供的水体识别方法(又可以称为HIS方法)得到的结果与目视解译的结果最为接近,故水体识别效果最好。
由于小水体与大型水体相比拥有一些特殊之处,如:常常受到严重污染,以至于光学特征饱和;水体组分比例并不典型且随季节高度动态变化;水体和周围人类活动紧密相关等。这些独特之处使得以往通过证实的针对一类水体,如海洋水体,以及大部分二类水体,如湖泊水体、沿岸水体的水质反演算法结果受到挑战甚至无效。因此,亟待开发针对城市中不同类型小水体水质的遥感反演模型,达到对数量繁多,分布广泛的小水体水质有效监测的目的。
为此,本申请实施例提供一种水质评估方法,该方法首先考虑到小水体本身就存在较大个体之间的差异,提出对复杂多样的小水体进行类型划分,例如可以划分为两种类型,分别是农渔和非农渔,并基于人工神经网络法对不同类型的小水体进行水体的化学需氧量(Chemical Oxygen Demand,COD)、水体的浊度等水质指标的反演,能够很好的包容这种极端值的影响,得到更符合实际的反演结果。
基于此,在得到小水体分布结果之后,可以获取反映小水体分布结果的小水体分类图像,以及获取小水体分类图像中每个像元对应的相关波段;基于反映小水体分布结果的小水体分类图像,确定小水体分类图像中表示小水体的像元所属的小水体类型;基于像元所属的小水体类型将每个像元对应的相关波段分配至不同的神经网络模型中进行计算,得到水质指标值;基于水质指标值得到水质指标分布图。
本申请实施例提供的方法对于智慧城市的建设也能起到一定作用,针对城市中和人类生活息息相关的景观类水体,本发明能对其进行精确识别,并对于其水质进行长时间周期的动态监控,对于水质变化的水体进行遥感识别,并极具针对性的提出治理建议,从而达到治理城市水环境的目的。
为了实现小水体水质评估,需要构建神经网络模型。神经网络模型就是其在模拟人的大脑,把每一个节点当作一个神经元,这些“神经元”组成的网络就是神经网络。BP神经网络(Back Propagation Neural Network,BPNN)的常规结构如图14所示,主要分为三个部分,输入层、若干隐藏层和输出层。简单来说,神经网络就是定义域(输入)和值域(输出)之间的映射。而找到映射的过程,则是通过输入层将信息(例如x1,x2,x3,x4)输入到隐藏层,在隐藏层中完成内部信息处理,再将处理后的值输出到输出层(例如输出y),再通过实际输出和期望输出之间的误差,进行误差的反向传播和修正迭代,直至误差在期望值以内。
本实施例中选取Matlab所提供的浅层神经网络拟合工具(Neural NetworkFitting)进行曲线拟合,该工具箱的神经网络采用了两层前向式网络,训练函数是trainscg,若隐藏层含有足够多的神经元,就能取得较好的识别效果。然而隐藏层(hiddenlayer)的神经元数量的选取也没有一定的准则。数量过少会使得拟合效果不好(模式分类不够准确),数量过多有可能出现过拟合状态(对于其他数据的识别能力较差)。所以一般的做法是保留默认值,如果对默认值不满意再增加神经元数量。在拟合过程中会用到三类数据集,分别是训练数据(train),确认数据(validation)和测试数据(test)。其中,训练数据用于训练神经网络,确认数据用于确认神经网络的训练效果,测试数据用于展示神经网络好坏。
在分析过哨兵二号卫星的目标影像的光谱特征后,本实施例选取了分辨率为10M的全部波段例如band2、band3、band4、band8,分辨率为20M的部分波段例如band5、band6、band7、band11,在保留分辨率优势的前提下尽可能的覆盖全部相关波段。将上述波段导入输入层,隐藏层选取10层。在对多个训练算法进行尝试后,各类水体类型-水质指标组合对应的最佳训练算法,及最佳算法所得到拟合的神经网络模型的拟合系数如表4所示。拟合系数可通过下方公式进行计算:
其中,为真实值,为预测值(即神经网络模型的输出),为真实值的平均值,小于等于1,且的值越大代表拟合的效果越好,当预测模型和实际测试的值完全匹配时,;当预测模型等于基准模型时,;当预测模型还不如基准模型,或待拟合的两组数据完全没有线性关系时,。
表4 基于不同类型的神经网络模型的浊度和COD最佳拟合模型评估结果
其中,最终拟合模型的最高验证为0.9586,故可以利用该拟合模型作为水质评估所使用的神经网络模型。同时该神经网络模型能复用到各个城市的各类小型水体水质反演上,实现大范围内,高效、快速、准确的城市小型水体水质监控。
需要说明的是,神经网络模型(拟合模型)的训练算法不仅限于上述训练算法,还可以采用其他训练算法,本申请实施例对此不做限定。
需要说明的是,本申请实施例提供的方法可以涉及人工智能领域,人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。在本申请实施例中可以利用机器学习/深度学习训练用于水质评估的神经网络模型。
选择拟合出的神经网络模型进行各类水质指标的反演,得到不同类型小水体的COD和浊度,具体流程如图15所示。主要分为三个步骤,步骤一:图像读入,图像读入主要用于读取反映小水体分布结果的小水体分类图,以及小水体分类图像中每个像元对应的相关波段,这里的相关波段可以包括八个波段,小水体分类图和相关波段可以是任意格式的图像,例如tiff格式。通过imread函数读入小水体分类图,并将其转换为矩阵格式,即得到分类矩阵,以及将相关波段的tiff格式图像转换为矩阵格式,即得到波段矩阵;步骤二:分类计算,即确定小水体分类图像中表示小水体的像元所属的小水体类型,若确定该像元属于非小水体,则水质反演结果为0;若确定该像元属于小水体类型是农渔或者非农渔,则进一步确定需要计算的水质指标类型,基于像元所属的小水体类型和水质指标类型将每个像元对应的相关波段分配至不同的神经网络模型中进行计算,得到对应的水质指标值;例如,若确定像元属于农渔类型的小水体,则将该像元的相关波段分配至神经网络模型一和神经网络模型三,分别计算对应的浊度和COD;若确定像元属于非农渔类型的小水体,则将该像元的相关波段分配至神经网络模型二和神经网络模型四,分别计算对应的浊度和COD;步骤三:图像写出——将得到的水质指标值通过imwrite函数写成tiff格式图像,得到水质指标分布图。
利用常见的经验法对同一组样本数据进行拟合,各类线性拟合的最佳公式如表5所示,不难发现其验证大多为负数,最佳仅为0.3839。而本申请实施例所提供的方法,最佳拟合模型评估如表4所示,验证均在0.8以上。
表5 基于经验法的小水体的浊度和COD最佳拟合公式及评估结果
将基于经验法得到的最佳经验模型和本申请实施例提供的神经网络模型进行比较,如图16所示。图16中折线上的每个点表示小水体类型为农渔的浊度、小水体类型为非农渔的浊度、小水体类型为农渔的COD和小水体类型为农渔的COD分别对应的R2,可见本申请实施例提供的神经网络模型在计算不同小水体类型的不同水质指标值时,其R2均大于基于经验法得到的最佳经验模型,效果更好。
需要说明的是,本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
基于前述实施例提供的水体识别方法,本申请实施例还提供一种水体识别装置,参见图17,所述水体识别装置1700包括获取单元1701、构建单元1702、增强单元1703、转换单元1704、提取单元1705和确定单元1706:
所述获取单元1701,用于获取目标地理区域的目标影像;
所述构建单元1702,用于构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数,所述多种类型的地物包括水体和所述水体的混合地物,所述水体的混合地物与所述水体的类型不同;
所述增强单元1703,用于基于所述多种类型的地物分别对应的差异性指数对所述目标影像进行图像增强,得到所述目标影像在第一色彩空间的第一彩色图像,所述第一色彩空间是以光学三原色为色彩通道构成的色彩空间;
所述转换单元1704,用于将所述第一彩色图像转换为第二色彩空间的第二彩色图像,所述第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间;
所述提取单元1705,用于从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,所述像素值通过色相值、饱和度值和亮度值体现;
所述确定单元1706,用于根据所述第一水体识别结果确定目标水体识别结果。
在一种可能的实现方式中,所述构建单元1702,用于:
根据所述多种类型的地物的特征获取所述目标影像中目标波段的光谱反射率值;
将每种类型的地物分别作为目标地物,从所述目标波段的光谱反射率值中选取所述目标地物对应的光谱反射率值,计算所述目标地物的差异性指数。
在一种可能的实现方式中,所述增强单元1703,用于:
对所述多种类型的地物分别对应的差异性指数进行归一化,得到归一化差异性指数;
将代表不同类型的地物的归一化差异性指数分别映射到不同的色彩通道上,得到所述第一彩色图像。
在一种可能的实现方式中,所述混合地物包括土壤和植被。
在一种可能的实现方式中,所述确定单元1706,用于:
根据所述目标影像对水田进行提取,得到水田识别结果;
利用所述水田识别结果对所述第一水体识别结果进行修正,得到第二水体识别结果;
将所述第二水体识别结果作为所述目标水体识别结果。
在一种可能的实现方式中,所述确定单元1706,用于:
构建所述目标影像中所包括的水体的差异性指数和植被对应的两种差异性指数;
基于所述水体的差异性指数和植被对应的两种差异性指数对所述目标影像进行图像增强,得到所述目标影像在第一色彩空间的第三彩色图像;
将所述第三彩色图像转换为第二色彩空间的第四彩色图像;
从所述第四彩色图像中提取像素值满足所述基本特征分量分别对应的第二预设条件的像元,构成水田识别结果。
在一种可能的实现方式中,所述装置还包括提取单元和剔除单元:
所述提取单元,用于从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的第三预设条件的像元,提取得到建筑阴影;从所述第四彩色图像中提取像素值满足所述基本特征分量分别对应的第四预设条件的像元,提取得到山体阴影;
所述剔除单元,用于从所述第二水体识别结果中剔除所述建筑阴影和所述山体阴影;
所述确定单元1706,用于:
将剔除所述建筑阴影和所述山体阴影之后的第二水体识别结果作为所述目标水体识别结果。
在一种可能的实现方式中,所述装置还包括识别单元:
所述识别单元,用于采用四连通面积法识别面积大于预设面积阈值的水体;
所述确定单元还用于:
从所述目标水体识别结果中去除面积大于所述预设面积阈值的水体,得到小水体分布结果。
在一种可能的实现方式中,所述获取单元1701,还用于:
获取反映所述小水体分布结果的小水体分类图像,以及获取所述小水体分类图像中每个像元对应的相关波段;
所述确定单元1706,还用于:
基于反映所述小水体分布结果的小水体分类图像,确定所述小水体分类图像中表示小水体的像元所属的小水体类型;
基于所述像元所属的小水体类型和水质指标类型将所述每个像元对应的相关波段分配至不同的神经网络模型中进行计算,得到对应的水质指标值,所述不同的神经网络模型用于计算不同类型小水体的不同水质指标类型对应的水质指标值;
基于所述水质指标值得到水质指标分布图。
由上述技术方案可以看出,为了对目标地理区域中的水体进行识别,可以构建目标地理区域的目标影像中所包括的多种类型的地物分别对应的差异性指数,多种类型的地物分别对应的差异性指数分别代表了水体和水体的混合地物,水体的混合地物与水体的类型不同,第一色彩空间是以光学三原色为色彩通道构成的色彩空间,基于多种类型的地物分别对应的差异性指数对目标影像进行图像增强,得到目标影像在第一色彩空间的第一彩色图像。由于第一色彩空间是基于反射光的性质构建的,并非基于人视觉感知构建的,因此不符合人视觉感知,也不具有连续性,对于混合像元到底是属于水体还是水体的混合物难以区分,故将第一彩色图像转换为第二色彩空间的第二彩色图像,第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间,符合人视觉感知,从而使得混合像元的不同类型的地物差异特征在第二色彩图像中更能清晰体现。且第二彩色图像中提取像素值通过色相值、饱和度值和亮度值体现,具有连续性,因此可以从第二彩色图像中提取像素值满足基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,进而根据第一水体识别结果确定目标水体识别结果。该方案能够提高水体识别的准确性,尤其对于以混合像元存在的小水体,可以增强小水体与建筑、水田、植被等混合地物的差异特征,大大提高小水体识别的准确性。
本申请实施例还提供了一种计算机设备,该设备可以是终端设备,以终端设备为智能手机为例:
图18示出的是与本申请实施例提供的智能手机的部分结构的框图。参考图18,智能手机包括:射频(英文全称:Radio Frequency,英文缩写:RF)电路1810、存储器1820、输入单元1830、显示单元1840、传感器1850、音频电路1860、无线保真(英文全称:WirelessFidelity,英文缩写:WiFi)模块1870、处理器1880、以及电源1890等部件。输入单元1830可包括触控面板1831以及其他输入设备1832,显示单元1840可包括显示面板1841,音频电路1860可以包括扬声器1861和传声器1862。本领域技术人员可以理解,图18中示出的智能手机结构并不构成对智能手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储器1820可用于存储软件程序以及模块,处理器1880通过运行存储在存储器1820的软件程序以及模块,从而执行智能手机的各种功能应用以及数据处理。存储器1820可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据智能手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1820可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1880是智能手机的控制中心,利用各种接口和线路连接整个智能手机的各个部分,通过运行或执行存储在存储器1820内的软件程序和/或模块,以及调用存储在存储器1820内的数据,执行智能手机的各种功能和处理数据,从而对智能手机进行整体监控。可选的,处理器1880可包括一个或多个处理单元;优选的,处理器1880可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1880中。
在本实施例中,智能手机中的处理器1880可以执行以下步骤:
获取目标地理区域的目标影像;
构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数,所述多种类型的地物包括水体和所述水体的混合地物,所述水体的混合地物与所述水体的类型不同;
基于所述多种类型的地物分别对应的差异性指数对所述目标影像进行图像增强,得到所述目标影像在第一色彩空间的第一彩色图像,所述第一色彩空间是以光学三原色为色彩通道构成的色彩空间;
将所述第一彩色图像转换为第二色彩空间的第二彩色图像,所述第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间;
从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的第一预设条件的像元,构成第一水体识别结果,所述像素值通过色相值、饱和度值和亮度值体现;
根据所述第一水体识别结果确定目标水体识别结果。
本申请实施例提供的计算机设备还可以是服务器,请参见图19所示,图19为本申请实施例提供的服务器1900的结构图,服务器1900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,简称CPU)1922(例如,一个或一个以上处理器)和存储器1932,一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中,存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1922可以设置为与存储介质1930通信,在服务器1900上执行存储介质1930中的一系列指令操作。
服务器1900还可以包括一个或一个以上电源1926,一个或一个以上有线或无线网络接口1950,一个或一个以上输入输出接口1958,和/或,一个或一个以上操作系统1941,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
前述实施例中由服务器所执行的步骤可以基于图19所示的结构实现。
根据本申请的一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行前述各个实施例所述的水体识别方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例各种可选实现方式中提供的方法。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术成员应当理解: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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种水体识别方法,其特征在于,所述方法包括:
获取目标地理区域的目标影像;
构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数,所述多种类型的地物包括水体和水体的混合地物,所述水体的混合地物与所述水体的类型不同;
对所述多种类型的地物分别对应的差异性指数进行归一化,得到归一化差异性指数;
将代表不同类型的地物的归一化差异性指数分别映射到不同的色彩通道上,得到所述目标影像在第一色彩空间的第一彩色图像;所述第一色彩空间是以光学三原色为色彩通道构成的色彩空间;
将所述第一彩色图像转换为第二色彩空间的第二彩色图像,所述第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间;
从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的色相大于210小于270,饱和度大于0.25,亮度大于0.51的像元,构成第一水体识别结果,所述像素值通过色相值、饱和度值和亮度值体现;
根据所述目标影像对水田进行提取,得到水田识别结果;
利用所述水田识别结果对所述第一水体识别结果进行修正,得到第二水体识别结果;
将所述第二水体识别结果作为目标水体识别结果。
2.根据权利要求1所述的方法,其特征在于,所述构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数,包括:
根据所述多种类型的地物的特征获取所述目标影像中目标波段的光谱反射率值;
将每种类型的地物分别作为目标地物,从所述目标波段的光谱反射率值中选取所述目标地物对应的光谱反射率值,计算所述目标地物的差异性指数。
3.根据权利要求1所述的方法,其特征在于,所述混合地物包括土壤和植被。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标影像对水田进行提取,得到水田识别结果,包括:
构建所述目标影像中所包括的水体的差异性指数和植被对应的两种差异性指数;
基于所述水体的差异性指数和植被对应的两种差异性指数对所述目标影像进行图像增强,得到所述目标影像在第一色彩空间的第三彩色图像;
将所述第三彩色图像转换为第二色彩空间的第四彩色图像;
从所述第四彩色图像中提取像素值满足所述基本特征分量分别对应的第二预设条件的像元,构成水田识别结果。
5.根据权利要求4所述的方法,其特征在于,所述将所述第二水体识别结果作为目标水体识别结果之前,所述方法还包括:
从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的第三预设条件的像元,提取得到建筑阴影;
从所述第四彩色图像中提取像素值满足所述基本特征分量分别对应的第四预设条件的像元,提取得到山体阴影;
从所述第二水体识别结果中剔除所述建筑阴影和所述山体阴影;
所述将所述第二水体识别结果作为目标水体识别结果,包括:
将剔除所述建筑阴影和所述山体阴影之后的第二水体识别结果作为所述目标水体识别结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
采用四连通面积法识别面积大于预设面积阈值的水体;
从所述目标水体识别结果中去除面积大于所述预设面积阈值的水体,得到小水体分布结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取反映所述小水体分布结果的小水体分类图像,以及获取所述小水体分类图像中每个像元对应的相关波段;
基于反映所述小水体分布结果的小水体分类图像,确定所述小水体分类图像中表示小水体的像元所属的小水体类型;
基于所述像元所属的小水体类型和水质指标类型将所述每个像元对应的相关波段分配至不同的神经网络模型中进行计算,得到对应的水质指标值,所述不同的神经网络模型用于计算不同类型小水体的不同水质指标类型对应的水质指标值;
基于所述水质指标值得到水质指标分布图。
8.一种水体识别装置,其特征在于,所述装置包括获取单元、构建单元、增强单元、转换单元、提取单元和确定单元:
所述获取单元,用于获取目标地理区域的目标影像;
所述构建单元,用于构建所述目标影像中所包括的多种类型的地物分别对应的差异性指数,所述多种类型的地物包括水体和水体的混合地物,所述水体的混合地物与所述水体的类型不同;
所述增强单元,用于对所述多种类型的地物分别对应的差异性指数进行归一化,得到归一化差异性指数;将代表不同类型的地物的归一化差异性指数分别映射到不同的色彩通道上,得到所述目标影像在第一色彩空间的第一彩色图像;所述第一色彩空间是以光学三原色为色彩通道构成的色彩空间;
所述转换单元,用于将所述第一彩色图像转换为第二色彩空间的第二彩色图像,所述第二色彩空间是以色相、饱和度和亮度为基本特征分量的色彩空间;
所述提取单元,用于从所述第二彩色图像中提取像素值满足所述基本特征分量分别对应的色相大于210小于270,饱和度大于0.25,亮度大于0.51的像元,构成第一水体识别结果,所述像素值通过色相值、饱和度值和亮度值体现;
所述确定单元,用于根据所述目标影像对水田进行提取,得到水田识别结果;利用所述水田识别结果对所述第一水体识别结果进行修正,得到第二水体识别结果;将所述第二水体识别结果作为目标水体识别结果。
9.一种计算机设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398667.8A CN113822255B (zh) | 2021-11-24 | 2021-11-24 | 一种水体识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398667.8A CN113822255B (zh) | 2021-11-24 | 2021-11-24 | 一种水体识别方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822255A CN113822255A (zh) | 2021-12-21 |
CN113822255B true CN113822255B (zh) | 2022-03-01 |
Family
ID=78919794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111398667.8A Active CN113822255B (zh) | 2021-11-24 | 2021-11-24 | 一种水体识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822255B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN113343945A (zh) * | 2021-08-02 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582194B (zh) * | 2020-05-12 | 2022-03-29 | 吉林大学 | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 |
CN111652092A (zh) * | 2020-05-19 | 2020-09-11 | 中南林业科技大学 | 基于Sentinel-2A数据监测森林覆盖变化的方法 |
CN113177473B (zh) * | 2021-04-29 | 2021-11-16 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN113222054B (zh) * | 2021-05-28 | 2022-03-08 | 珠江水利委员会珠江水利科学研究院 | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 |
-
2021
- 2021-11-24 CN CN202111398667.8A patent/CN113822255B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN113343945A (zh) * | 2021-08-02 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113822255A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN111259906B (zh) | 含多级通道注意力的条件生成对抗遥感图像目标分割方法 | |
CN108921092B (zh) | 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法 | |
CN106709517B (zh) | 红树林识别方法及系统 | |
Hidayati et al. | Developing an extraction method of urban built-up area based on remote sensing imagery transformation index | |
CN105096286A (zh) | 遥感图像的融合方法及装置 | |
CN109919951B (zh) | 语义关联的面向对象城市不透水面遥感提取方法及系统 | |
CN109410171A (zh) | 一种用于雨天图像的目标显著性检测方法 | |
Sowers et al. | Standardized geomorphic classification of seafloor within the United States Atlantic canyons and continental margin | |
CN107341837A (zh) | 基于影像金字塔的栅格‑矢量数据转换及连续尺度表达方法 | |
CN105139401A (zh) | 一种深度图中深度的可信度的评估方法 | |
CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
CN112927252B (zh) | 一种新增建设用地监测方法及装置 | |
JP2008242508A (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
CN113822255B (zh) | 一种水体识别方法及相关装置 | |
CN102231190A (zh) | 冲洪积扇信息的自动提取方法 | |
CN116994071A (zh) | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
Li et al. | An improved global land cover mapping in 2015 with 30 m resolution (GLC-2015) based on a multi-source product fusion approach | |
CN111079807A (zh) | 一种地物分类方法及装置 | |
CN114037922B (zh) | 一种基于层级上下文网络的航拍图像分割方法 | |
CN115861818A (zh) | 基于注意力机制联合卷积神经网络的细小水体提取方法 | |
CN112560706B (zh) | 一种多源卫星图像水体目标识别方法及装置 |
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 |