CN113989677A - 一种山区河流提取方法及系统 - Google Patents
一种山区河流提取方法及系统 Download PDFInfo
- Publication number
- CN113989677A CN113989677A CN202111333021.1A CN202111333021A CN113989677A CN 113989677 A CN113989677 A CN 113989677A CN 202111333021 A CN202111333021 A CN 202111333021A CN 113989677 A CN113989677 A CN 113989677A
- Authority
- CN
- China
- Prior art keywords
- river
- water body
- determining
- micro
- pixels
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种山区河流提取方法及系统,方法包括:对DEM数据进行水文特征提取获得微流域;对多光谱影像进行预处理获得水体指数图和线状增强图;在微流域内,根据线状增强图确定潜在河流像元,并对潜在河流像元进行赋值;基于水体指数图确定使用影像的非水体阈值;采用区域生长法,基于非水体阈值与水体阈值确定河流像元集合;将河流像元集合内的河流像元作断线连接以及二值化处理,获得山区河流提取图。本发明将基于DEM数据提取的水文特征与由多光谱遥感影像得到的水体特征进行有效结合,解决使用遥感影像进行河流提取遇到的山区河流光谱特征差异巨大所造成的统一规则难以制定的问题,提高了山区河流提取的准确率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种山区河流提取方法及系统。
背景技术
河流作为地球水圈变化的要素构成,是陆地水循环的主要方式,对全球物质、能量的输送和再分配起着重要作用,发挥着无可比拟的生态、经济与社会服务功能。随着近年来遥感技术的高速发展,基于遥感影像的河流提取已取代传统的实地测量成为获取河流相关信息的主要方式。相较于平原河流,山区河流因拥有更多末端支流、河道宽度变化更为剧烈以及不同区域的河流光谱差异巨大而较难实现自动提取。
为了提高山区河流的自动提取精度,许多学者对其进行了尝试,如《An AutomatedMethod for Extracting Rivers and Lakes from Landsat Imagery》、《RiverDelineation from Remotely Sensed Imagery Using a Multi-Scale ClassificationApproach》等研究均采用线状增强的方式增强光谱影像中河流与背景的对比度,减少不同区域、不同宽度,不同水质河流的差异,使得它们更易被统一标准所提取。《RiverDetection in Remotely Sensed Imagery Using Gabor Filtering and Path Opening》利用河流的连通性使用路径开运算方式获得完整河网。在常用的山区河流特征中,线性特征与连通特征均依赖于遥感影像的光谱特征,但山区河流的光谱特征不够稳定,因此统一规则难以设定的问题只是得到缓解而并未得到解决。众所周知,相较于平原河流,山区河流的地形依赖更强,且基于D8或者是多流向算法的DEM河流提取结果准确度比平原区域更高且不存在末端支流无法提取及断线和拓扑错误等问题。但是,现有公开的DEM数据依旧存在精度低,时效性不够等问题,且由于算法与数据组织形式的限制,提取结果无法明确是否切实存在水体,因此存在提取准确率低的问题。
发明内容
本发明的目的是提供一种山区河流提取方法及系统,以提高山区河流提取的准确率。
为实现上述目的,本发明提供了一种山区河流提取方法,所述方法包括:
步骤S1:获取待提取区域对应的多光谱影像和DEM数据;
步骤S2:对所述DEM数据进行水文特征提取,获得微流域;
步骤S3:对所述多光谱影像进行预处理,获得水体指数图和线状增强图;
步骤S4:在所述微流域内,根据所述线状增强图确定潜在河流像元,并对所述潜在河流像元进行赋值;
步骤S5:基于所述水体指数图确定使用影像的非水体阈值;
步骤S6:采用区域生长法,基于所述非水体阈值确定河流像元集合;
步骤S7:将所述河流像元集合内的河流像元作断线连接以及二值化处理,获得山区河流提取图。
可选地,所述对所述DEM数据进行水文特征提取,获得微流域,具体包括:
步骤S21:对所述DEM数据进行填洼处理,获得预处理后的所述DEM数据;
步骤S22:对预处理后的所述DEM数据进行河流水文特征提取,获得流向栅格;
步骤S23:根据所述流向栅格确定汇流量栅格;
步骤S24:按照第一阈值对预处理后的所述DEM数据进行提取,获得河流线状栅格;
步骤S25:构建所述河流线状栅格对应的缓冲区;
步骤S26:按照第二阈值对所述汇流量栅格进行处理,获得多个小流域;
步骤S27:将各所述小流域与已构建缓冲区的所述河流线状栅格进行叠置分析,生成微流域。
可选地,所述对所述多光谱影像进行预处理,获得水体指数图和线状增强图,具体包括:
步骤S31:对所述多光谱影像进行裁剪和去云处理,获得去云后的所述多光谱影像;
步骤S32:利用归一化水体指数对去云后的所述多光谱影像进行提取,获得水体指数图;
步骤S33:对所述水体指数图中的河流进行线状增强,获得线状增强图。
可选地,所述基于所述水体指数图确定使用影像的非水体阈值,具体包括:
步骤S51:基于所述水体指数图构建影像直方图,使用OTSU法找到最优阈值;
步骤S52:采用迭代的方式从所述最优阈值开始向所述直方图两边搜索出变化率最大的水体指数值分别作为使用影像的非水体阈值与水体阈值。
可选地,所述采用区域生长法,基于所述非水体阈值确定河流像元集合,具体包括:
步骤S61:以微流域内线状增强值大于0.4,且水体指数值大于非水体阈值的河流像元作为初始种子点;
步骤S62:以所述初始种子点为起点;
步骤S63:判断是否寻找到初始种子点对应的相似像元;如果寻找到初始种子点对应的相似像元,则将所述相似像元纳入河流像元集合中;如果没有寻找到初始种子点对应的相似像元,则结束;将处于微流域内,且线状增强值大于0.2、水体指数值大于非水体阈值的种子点邻域像元视为相似像元;
步骤S64:将初始种子点与所述相似像元进行合并,形成新的初始种子点,并返回“步骤S63”。
本发明还提供一种山区河流提取系统,所述系统包括:
获取模块,用于获取待提取区域对应的多光谱影像和DEM数据;
微流域确定模块,用于对所述DEM数据进行水文特征提取,获得微流域;
预处理模块,用于对所述多光谱影像进行预处理,获得水体指数图和线状增强图;
河流像元赋值模块,用于在所述微流域内,根据所述线状增强图确定潜在河流像元,并对所述潜在河流像元进行赋值;
阈值确定模块,用于基于所述水体指数图确定使用影像的非水体阈值;
河流像元集合确定模块,用于采用区域生长法,基于所述非水体阈值确定河流像元集合;
山区河流提取模块,用于将所述河流像元集合内的河流像元作断线连接以及二值化处理,获得山区河流提取图。
可选地,所述微流域确定模块,具体包括:
第一预处理单元,用于对所述DEM数据进行填洼处理,获得预处理后的所述DEM数据;
流向栅格确定单元,用于对预处理后的所述DEM数据进行河流水文特征提取,获得流向栅格;
汇流量栅格确定单元,用于根据所述流向栅格确定汇流量栅格;
河流线状栅格确定单元,用于按照第一阈值对预处理后的所述DEM数据进行提取,获得河流线状栅格;
缓冲区构建单元,用于构建所述河流线状栅格对应的缓冲区;
小流域确定单元,用于按照第二阈值对所述汇流量栅格进行处理,获得多个小流域;
微流域确定单元,用于将各所述小流域与已构建缓冲区的所述河流线状栅格进行叠置分析,生成微流域。
可选地,所述预处理模块,具体包括:
第二预处理单元,用于对所述多光谱影像进行裁剪和去云处理,获得去云后的所述多光谱影像;
水体指数图确定单元,用于利用归一化水体指数对去云后的所述多光谱影像进行提取,获得水体指数图;
线状增强图确定单元,用于对所述水体指数图中的河流进行线状增强,获得线状增强图。
可选地,所述阈值确定模块,具体包括:
最优阈值确定单元,用于基于所述水体指数图构建影像直方图,使用OTSU法找到最优阈值;
非水体阈值与水体阈值确定单元,用于采用迭代的方式从所述最优阈值开始向所述直方图两边搜索出变化率最大的水体指数值分别作为使用影像的非水体阈值与水体阈值。
可选地,所述河流像元集合确定模块,具体包括:
初始种子点确定单元,用于以微流域内线状增强值大于0.4,且水体指数值大于非水体阈值的河流像元作为初始种子点;
起点确定单元,用于以所述初始种子点为起点;
判断单元,用于判断是否寻找到初始种子点对应的相似像元;如果寻找到初始种子点对应的相似像元,则将所述相似像元纳入河流像元集合中;如果没有寻找到初始种子点对应的相似像元,则结束;将处于微流域内,且线状增强值大于0.2、水体指数值大于非水体阈值的种子点邻域像元视为相似像元;
合并单元,用于将初始种子点与所述相似像元进行合并,形成新的初始种子点,并返回“判断单元”。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明将基于DEM数据提取的水文特征与由多光谱遥感影像得到的水体特征进行有效结合,解决使用遥感影像进行河流提取遇到的山区河流光谱特征差异巨大所造成的统一规则难以制定的问题,提高了山区河流提取的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明山区河流提取方法流程图;
图2为本发明山区河流提取系统结构图;
图3为本发明结合DEM与多光谱遥感影像的山区河流提取流程图;
图4为本发明微流域示意图;
图5为本发明MNDWI指数结果示意图
图6为本发明LFE算子示意图;
图7为本发明LCLFE线状增强图;
图8为本发明水文重构后的LCLFE线状增强图;
图9为本发明基于灰度直方图确定非水体阈值和水体阈值示意图;
图10为本发明山区河流提取结果与真实数据示意图。
具体实施方式
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。
本发明的目的是提供一种山区河流提取方法及系统,以提高山区河流提取的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明公开一种山区河流提取方法,所述方法包括:
步骤S1:获取待提取区域对应的多光谱影像和DEM数据。
步骤S2:对所述DEM数据进行水文特征提取,获得微流域。
步骤S3:对所述多光谱影像进行预处理,获得水体指数图和线状增强图。
步骤S4:在所述微流域内,根据所述线状增强图确定潜在河流像元,并对所述潜在河流像元进行赋值。
步骤S5:基于所述水体指数图确定使用影像的非水体阈值。
步骤S6:采用区域生长法,基于所述非水体阈值确定河流像元集合。
步骤S7:将所述河流像元集合内的河流像元作断线连接以及二值化处理,获得山区河流提取图。
下面对各个步骤进行详细论述:
本实施例中,多光谱影像以Landsat 8OLI为例,DEM数据以SRTM为例。
步骤S2:对所述DEM数据进行水文特征提取,获得微流域,具体包括:
步骤S21:对所述DEM数据进行填洼处理,获得预处理后的所述DEM数据。
步骤S22:对预处理后的所述DEM数据进行河流水文特征提取,获得流向栅格。
步骤S23:根据所述流向栅格确定汇流量栅格。
步骤S24:按照第一阈值对预处理后的所述DEM数据进行提取,获得河流线状栅格;以线形式展现的河流栅格简称所述河流线状栅格;将流域面积的百分之一称为所述第一阈值。
步骤S25:构建所述河流线状栅格对应的缓冲区。
步骤S26:按照第二阈值对所述汇流量栅格进行处理,获得多个小流域。
步骤S27:将各所述小流域与已构建缓冲区的所述河流线状栅格进行叠置分析,生成微流域。
步骤S3:对所述多光谱影像进行预处理,获得水体指数图和线状增强图,具体包括:
步骤S31:对所述多光谱影像进行裁剪和去云处理,获得去云后的所述多光谱影像。
步骤S32:利用归一化水体指数对去云后的所述多光谱影像进行提取,获得水体指数图;本实施例中,利用MNDWI、NDWI以及AWEI对去云后的所述多光谱影像进行提取。
步骤S33:对所述水体指数图中的河流进行线状增强,获得线状增强图;具体的,本实施例中,利用LCLFE滤波、Gabor滤波以及Frangi滤波等对所述水体指数图中的河流进行线状增强。
步骤S4:在所述微流域内,根据所述线状增强图确定潜在河流像元,并对所述潜在河流像元进行赋值;具体地,将在所述微流域内,且在所述线状增强图的8邻域内线状增强值排名前三的河流像元作为潜在河流像元。
对所述潜在河流像元进行赋值,具体公式为:
其中,HIi表示第i个潜在河流像元已赋值的值,α、ε均表示设定常数,acci表示距离潜在河流像元i最近的线状河流像元(线状河流栅格值为1)所对应的汇流量栅格值,accmax表示流域内最大汇流量值,t是流域内最末端支流级别数。acci的取值范围为超出取值范围的潜在河流像元i的LCLFE值不做修正。
本发明如果不对潜在河流像元进行赋值处理,则在后续区域生长过程中可能遗漏掉,进而影响后续山区河流提取精确度。
步骤S5:基于所述水体指数图确定使用影像的非水体阈值,具体包括:
步骤S51:基于所述水体指数图构建影像直方图,使用OTSU法找到最优阈值。
步骤S52:采用迭代的方式从所述最优阈值开始向所述直方图两边搜索出变化率最大的水体指数值分别作为使用影像的非水体阈值。
步骤S6:采用区域生长法,基于所述非水体阈值确定河流像元集合,具体包括:
步骤S61:以微流域内线状增强值大于0.4,且水体指数值大于非水体阈值的河流像元作为初始种子点。
步骤S62:以所述初始种子点为起点。
步骤S63:判断是否寻找到初始种子点对应的相似像元;如果寻找到初始种子点对应的相似像元,则将所述相似像元纳入河流像元集合中;如果没有寻找到初始种子点对应的相似像元,则结束。本实施例中,将处于微流域内,且线状增强值(即LCLFE值)大于0.2、水体指数值(即MNDWI值)大于非水体阈值的种子点邻域河流像元视为相似像元。
步骤S64:将初始种子点与所述相似像元进行合并,形成新的初始种子点,并返回“步骤S63”。
步骤S65:将所述河流像元集合中连通像元数目小于设定像元个数的链路剔除。
实施例2
如图2所示,本发明还公开一种山区河流提取系统,所述系统包括:
获取模块201,用于获取待提取区域对应的多光谱影像和DEM数据。
微流域确定模块202,用于对所述DEM数据进行水文特征提取,获得微流域。
预处理模块203,用于对所述多光谱影像进行预处理,获得水体指数图和线状增强图。
河流像元赋值模块204,用于在所述微流域内,根据所述线状增强图确定潜在河流像元,并对所述潜在河流像元进行赋值。
阈值确定模块205,用于基于所述水体指数图确定使用影像的非水体阈值。
河流像元集合确定模块206,用于采用区域生长法,基于所述非水体阈值确定河流像元集合。
山区河流提取模块207,用于将所述河流像元集合内的河流像元作断线连接以及二值化处理,获得山区河流提取图。
下面对各个模块进行详细论述:
作为一种可选的实施方式,本发明所述微流域确定模块202,具体包括:
第一预处理单元,用于对所述DEM数据进行填洼处理,获得预处理后的所述DEM数据。
流向栅格确定单元,用于对预处理后的所述DEM数据进行河流水文特征提取,获得流向栅格。
汇流量栅格确定单元,用于根据所述流向栅格确定汇流量栅格。
河流线状栅格确定单元,用于按照第一阈值对预处理后的所述DEM数据进行提取,获得河流线状栅格。
缓冲区构建单元,用于构建所述河流线状栅格对应的缓冲区。
小流域确定单元,用于按照第二阈值对所述汇流量栅格进行处理,获得多个小流域。
微流域确定单元,用于将各所述小流域与已构建缓冲区的所述河流线状栅格进行叠置分析,生成微流域。
作为一种可选的实施方式,本发明所述预处理模块203,具体包括:
第二预处理单元,用于对所述多光谱影像进行裁剪和去云处理,获得去云后的所述多光谱影像。
水体指数图确定单元,用于利用归一化水体指数对去云后的所述多光谱影像进行提取,获得水体指数图。
线状增强图确定单元,用于对所述水体指数图中的河流进行线状增强,获得线状增强图。
作为一种可选的实施方式,本发明所述阈值确定模块205,具体包括:
最优阈值确定单元,用于基于所述水体指数图构建影像直方图,使用OTSU法找到最优阈值。
非水体阈值与水体阈值确定单元,用于采用迭代的方式从所述最优阈值开始向所述直方图两边搜索出变化率最大的水体指数值分别作为使用影像的非水体阈值与水体阈值。
作为一种可选的实施方式,本发明所述河流像元集合确定模块206,具体包括:
初始种子点确定单元,用于以微流域内线状增强值大于0.4,且水体指数值大于非水体阈值的河流像元作为初始种子点。
起点确定单元,用于以所述初始种子点为起点。
判断单元,用于判断是否寻找到初始种子点对应的相似像元;如果寻找到初始种子点对应的相似像元,则将所述相似像元纳入河流像元集合中;如果没有寻找到初始种子点对应的相似像元,则结束;将处于微流域内,且线状增强值大于0.2、水体指数值大于非水体阈值的种子点邻域像元视为相似像元。
合并单元,用于将初始种子点与所述相似像元进行合并,形成新的初始种子点,并返回“判断单元”。
所述河流像元集合确定模块206还包括:
剔除单元,用于将所述河流像元集合中连通像元数目小于设定像元个数的链路剔除。
本发明结合由DEM数据提取的水文特征与由多光谱遥感影像得到的水体特征实现山区河流的自动提取,解决使用遥感影像进行山区河流提取时遇到的不同区域河流光谱特征差异巨大所造成的统一规则难以制定的问题,为山区河流的自动提取提供相应思路。
本发明将基于DEM数据提取的水文特征与由多光谱遥感影像得到的水体特征进行有效结合,解决使用遥感影像进行河流提取遇到的山区河流光谱特征差异巨大所造成的统一规则难以制定的问题,为山区河流的自动提取提供相应思路。主体部分均由Python编程实现,减少了人工参与。相对于现有技术,本发明具备以下有益技术效果:第一,对影像进行基于长度的线状增强滤波,减少非河流的短线地物干扰的同时能对长连通地物进行增强。第二,使用由DEM提取的河流水文特征而非直接的DEM数据,避免了DEM数据与多光谱遥感影像之间数据源差异所造成的误差。第三,针对多光谱影像中山区河流光谱差异所导致统一规则难以设定问题,采用DEM数据得到的水文特征对符合河流特征的像元进行像元重赋值以满足统一要求。第四,本发明对山区河流提取效果好,鲁棒性更高。
实施例3
本实例采用实施例1中的提取方法进行论述,详见图3,具体包括以下步骤:
第一步:下载覆盖研究区的Landsat 8OLI影像(30m空间分辨率)与SRTM(30m空间分辨率)DEM数据,分别进行相应的预处理:Landsat 8OLI影像通过对其qa波段标注为云及云影的像元作掩膜实现去云,采用ArcGIS的水文模块去除DEM数据的洼地。
第二步:通过ArcGIS的水文模块,使用D8算法(名词解释如表1)计算河流的流向栅格以及汇流量栅格,并以流域面积的1%为默认阈值(即第一阈值)求取河流线状栅格。
第三步:在第二步生成汇流量栅格的基础上设定0.09km2的阈值(第二阈值),生成大量小流域,对河流线状栅格作500m缓冲区,保留与缓冲区相交的小流域与其边界线,最终生成的范围即为河流微流域。微流域范围具体可见图4,其缩小了研究范围,可去除大量无关区域对提取结果产生的干扰。
第四步:使用Python读取遥感影像,对绿波段与短波红外波段进行归一化处理,通过公式(2)得到MNDWI指数图,突出水体与背景差异。
其中,GREEN为绿波段,SWIR为短波红外波段,见图5,其有效实现了多光谱影像的降维及水体非水体的对比拉伸。
第五步:如图6所示,首先通过四种LFE算子与公式(3)实现LFE滤波,将不同方向算子的最大结果值作为像元的LFE响应结果,再通过双阈值追踪的方式实现结果的简单连通,强弱阈值分别设为0.4与0.2。
其中,LFE算子与双阈值追踪方式为已有算法。
随后使用细化算法将结果以8邻域的方式分块,并根据公式(4)构建LCLFE指数值:
其中,LFEmax代表同一像元块中最高的LFE指数,LFEmin代表块中最小的LFE指数,num代表块中像元数目。图7展示了LCLFE结果,可以明显看到其对短连通地物进行抑制,对长连通线状地物实现了加强。
第六步:将位于微流域内的所有像元在8邻域中排名前三的像元进行标识,将其视为潜在河流像元。
第七步:对潜在河流像元i的LCLFE值依照公式(5)进行重赋值:
其中,HIi表示第i个潜在河流像元已赋值的值,α、ε均表示设定常数,acci表示距离潜在河流像元i最近的线状河流像元(线状河流栅格值为1)所对应的汇流量栅格值,accmax表示流域内最大汇流量值,t是流域内最末端支流级别数。具体赋值后的结果具体可见图8,部分弱响应河流像元也得到了相应加强。
第八步:对MNDWI影像构建影像直方图,先使用OTSU法找到最优阈值,随后采用迭代的方式从最优阈值开始向直方图两边搜索出获得变化率最大水体指数值,分别确定为使用影像的非水体与水体阈值,具体详见图9。
第九步:构建区域生长规则,以微流域内LCLFE值大于0.4,且MNDWI值大于非水体阈值的像元为初始种子点,并构建为河流像元集合,当邻域像元LCLFE值大于0.2,且处于微流域内,以及MNDWI值大于非水体阈值的像元纳入河流像元集合。
第十步:重复第九步生长规则直至再无新像元被纳入集合并将联通像元数目小于20的像元块进行剔除。
第十一步:将LCLFE结果值进行逆归一化生成成本栅格,并将已被提取的河流像元成本设为0,小于非水体阈值像元与非微流域内像元成本设为nan,及不可达到区域。对每个不相邻块进行连接处理最终得到山区河流提取结果,具体详见图10中的(a)所示,对应地真实结果如(图10中的(b))所示,可以发现两图基本一致。
表1英文缩略语和关键术语定义
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种山区河流提取方法,其特征在于,所述方法包括:
步骤S1:获取待提取区域对应的多光谱影像和DEM数据;
步骤S2:对所述DEM数据进行水文特征提取,获得微流域;
步骤S3:对所述多光谱影像进行预处理,获得水体指数图和线状增强图;
步骤S4:在所述微流域内,根据所述线状增强图确定潜在河流像元,并对所述潜在河流像元进行赋值;
步骤S5:基于所述水体指数图确定使用影像的非水体阈值;
步骤S6:采用区域生长法,基于所述非水体阈值确定河流像元集合;
步骤S7:将所述河流像元集合内的河流像元作断线连接以及二值化处理,获得山区河流提取图。
2.根据权利要求1所述的山区河流提取方法,其特征在于,所述对所述DEM数据进行水文特征提取,获得微流域,具体包括:
步骤S21:对所述DEM数据进行填洼处理,获得预处理后的所述DEM数据;
步骤S22:对预处理后的所述DEM数据进行河流水文特征提取,获得流向栅格;
步骤S23:根据所述流向栅格确定汇流量栅格;
步骤S24:按照第一阈值对预处理后的所述DEM数据进行提取,获得河流线状栅格;
步骤S25:构建所述河流线状栅格对应的缓冲区;
步骤S26:按照第二阈值对所述汇流量栅格进行处理,获得多个小流域;
步骤S27:将各所述小流域与已构建缓冲区的所述河流线状栅格进行叠置分析,生成微流域。
3.根据权利要求1所述的山区河流提取方法,其特征在于,所述对所述多光谱影像进行预处理,获得水体指数图和线状增强图,具体包括:
步骤S31:对所述多光谱影像进行裁剪和去云处理,获得去云后的所述多光谱影像;
步骤S32:利用归一化水体指数对去云后的所述多光谱影像进行提取,获得水体指数图;
步骤S33:对所述水体指数图中的河流进行线状增强,获得线状增强图。
4.根据权利要求1所述的山区河流提取方法,其特征在于,所述基于所述水体指数图确定使用影像的非水体阈值,具体包括:
步骤S51:基于所述水体指数图构建影像直方图,使用OTSU法找到最优阈值;
步骤S52:采用迭代的方式从所述最优阈值开始向所述直方图两边搜索出变化率最大的水体指数值分别作为使用影像的非水体阈值与水体阈值。
5.根据权利要求1所述的山区河流提取方法,其特征在于,所述采用区域生长法,基于所述非水体阈值确定河流像元集合,具体包括:
步骤S61:以微流域内线状增强值大于0.4,且水体指数值大于非水体阈值的河流像元作为初始种子点;
步骤S62:以所述初始种子点为起点;
步骤S63:判断是否寻找到初始种子点对应的相似像元;如果寻找到初始种子点对应的相似像元,则将所述相似像元纳入河流像元集合中;如果没有寻找到初始种子点对应的相似像元,则结束;将处于微流域内,且线状增强值大于0.2、水体指数值大于非水体阈值的种子点邻域像元视为相似像元;
步骤S64:将初始种子点与所述相似像元进行合并,形成新的初始种子点,并返回“步骤S63”。
6.一种山区河流提取系统,其特征在于,所述系统包括:
获取模块,用于获取待提取区域对应的多光谱影像和DEM数据;
微流域确定模块,用于对所述DEM数据进行水文特征提取,获得微流域;
预处理模块,用于对所述多光谱影像进行预处理,获得水体指数图和线状增强图;
河流像元赋值模块,用于在所述微流域内,根据所述线状增强图确定潜在河流像元,并对所述潜在河流像元进行赋值;
阈值确定模块,用于基于所述水体指数图确定使用影像的非水体阈值;
河流像元集合确定模块,用于采用区域生长法,基于所述非水体阈值确定河流像元集合;
山区河流提取模块,用于将所述河流像元集合内的河流像元作断线连接以及二值化处理,获得山区河流提取图。
7.根据权利要求6所述的山区河流提取系统,其特征在于,所述微流域确定模块,具体包括:
第一预处理单元,用于对所述DEM数据进行填洼处理,获得预处理后的所述DEM数据;
流向栅格确定单元,用于对预处理后的所述DEM数据进行河流水文特征提取,获得流向栅格;
汇流量栅格确定单元,用于根据所述流向栅格确定汇流量栅格;
河流线状栅格确定单元,用于按照第一阈值对预处理后的所述DEM数据进行提取,获得河流线状栅格;
缓冲区构建单元,用于构建所述河流线状栅格对应的缓冲区;
小流域确定单元,用于按照第二阈值对所述汇流量栅格进行处理,获得多个小流域;
微流域确定单元,用于将各所述小流域与已构建缓冲区的所述河流线状栅格进行叠置分析,生成微流域。
8.根据权利要求6所述的山区河流提取系统,其特征在于,所述预处理模块,具体包括:
第二预处理单元,用于对所述多光谱影像进行裁剪和去云处理,获得去云后的所述多光谱影像;
水体指数图确定单元,用于利用归一化水体指数对去云后的所述多光谱影像进行提取,获得水体指数图;
线状增强图确定单元,用于对所述水体指数图中的河流进行线状增强,获得线状增强图。
9.根据权利要求6所述的山区河流提取系统,其特征在于,所述阈值确定模块,具体包括:
最优阈值确定单元,用于基于所述水体指数图构建影像直方图,使用OTSU法找到最优阈值;
非水体阈值与水体阈值确定单元,用于采用迭代的方式从所述最优阈值开始向所述直方图两边搜索出变化率最大的水体指数值分别作为使用影像的非水体阈值与水体阈值。
10.根据权利要求6所述的山区河流提取系统,其特征在于,所述河流像元集合确定模块,具体包括:
初始种子点确定单元,用于以微流域内线状增强值大于0.4,且水体指数值大于非水体阈值的河流像元作为初始种子点;
起点确定单元,用于以所述初始种子点为起点;
判断单元,用于判断是否寻找到初始种子点对应的相似像元;如果寻找到初始种子点对应的相似像元,则将所述相似像元纳入河流像元集合中;如果没有寻找到初始种子点对应的相似像元,则结束;将处于微流域内,且线状增强值大于0.2、水体指数值大于非水体阈值的种子点邻域像元视为相似像元;
合并单元,用于将初始种子点与所述相似像元进行合并,形成新的初始种子点,并返回“判断单元”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333021.1A CN113989677A (zh) | 2021-11-11 | 2021-11-11 | 一种山区河流提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333021.1A CN113989677A (zh) | 2021-11-11 | 2021-11-11 | 一种山区河流提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989677A true CN113989677A (zh) | 2022-01-28 |
Family
ID=79747933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111333021.1A Pending CN113989677A (zh) | 2021-11-11 | 2021-11-11 | 一种山区河流提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989677A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423829A (zh) * | 2022-07-29 | 2022-12-02 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
-
2021
- 2021-11-11 CN CN202111333021.1A patent/CN113989677A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423829A (zh) * | 2022-07-29 | 2022-12-02 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
CN115423829B (zh) * | 2022-07-29 | 2024-03-01 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915954B (zh) | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 | |
CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN103646246A (zh) | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN106022341A (zh) | 高分辨率光学遥感图像灾后水体信息提取方法及系统 | |
CN102915531A (zh) | 一种面向遥感影像分割的影像对象合并方法 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
Marochov et al. | Image classification of marine-terminating outlet glaciers in Greenland using deep learning methods | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
Attarzadeh et al. | Object-based building extraction from high resolution satellite imagery | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN107563296B (zh) | 基岩海岸岸线的提取方法及系统 | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN109146888A (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
CN113989677A (zh) | 一种山区河流提取方法及系统 | |
Yu et al. | Mean shift based clustering of neutrosophic domain for unsupervised constructions detection | |
Mustafa et al. | RETRACTED: Water surface area detection using remote sensing temporal data processed using MATLAB | |
CN114419458A (zh) | 一种基于高分辨率卫星遥感的裸土监测方法、装置和设备 | |
Dong et al. | Optical remote sensing water-land segmentation representation based on proposed SNS-CNN network |
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 |