CN114067222B - 一种城市水体遥感分类方法及装置 - Google Patents

一种城市水体遥感分类方法及装置 Download PDF

Info

Publication number
CN114067222B
CN114067222B CN202210046047.6A CN202210046047A CN114067222B CN 114067222 B CN114067222 B CN 114067222B CN 202210046047 A CN202210046047 A CN 202210046047A CN 114067222 B CN114067222 B CN 114067222B
Authority
CN
China
Prior art keywords
water body
urban water
water
angle
urban
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
Application number
CN202210046047.6A
Other languages
English (en)
Other versions
CN114067222A (zh
Inventor
杨子谦
王宇翔
房松松
颜秋宇
周玲
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.)
Nantong Aerospace Hongtu Information Technology Co.,Ltd.
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu 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 Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202210046047.6A priority Critical patent/CN114067222B/zh
Publication of CN114067222A publication Critical patent/CN114067222A/zh
Application granted granted Critical
Publication of CN114067222B publication Critical patent/CN114067222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

本申请提供了一种城市水体遥感分类方法及装置，涉及遥感图像处理技术领域，具体为：对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；计算所述城市水体的CIE的XYZ三刺激值；判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；否则，所述城市水体类型为暗色水体。本申请提供的城市水体分类方法更加符合城市水体的实际情况。

Description

一种城市水体遥感分类方法及装置
技术领域
本申请涉及遥感图像处理技术领域，尤其是涉及一种城市水体遥感分类方法及装置。
背景技术
目前针对城市水体的水体光学分类的研究相对较少，且绝大多数相关研究主要是将城市水体分为“黑臭水体”和“非黑臭水体”，涵盖的水体类型较少。还有部分研究的对象只是针对城市水体中的河流水体，并不包含一些城市中的湖泊。
发明内容
有鉴于此，本申请提供了一种城市水体遥感分类方法及装置，以解决现有技术的城市水体分类存在的上述问题。
一方面，本申请实施例提供了一种城市水体遥感分类方法，包括：
对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；
计算所述城市水体的CIE的XYZ三刺激值；
判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；否则，所述城市水体类型为暗色水体。
进一步的，所述方法还包括：构建包括各种类型水体的样本集，包括：
获取多个遥感影像的城市水体样本的高光谱数据；
基于RAL国际色卡制作色度分级表，通过人工获取多个遥感影像的城市水体样本的原位水色。
进一步的，所述最佳时空自适应阈值的确定步骤包括：
根据所述样本集，建立阈值
Figure P_220114201919331_331245001
的代价函数
Figure P_220114201919346_346857002
：
Figure P_220114201919362_362489001
其中，
Figure P_220114201919395_395162001
为样本集的第j个城市水体样本的特征，
Figure P_220114201919411_411312002
为分类精度验证函数，
Figure P_220114201919426_426932003
为第j个城市水体样本的精度目标值，是一个已知常数，m为所述样本集的样本数目；
求解
Figure P_220114201919458_458223001
的最小值，将
Figure P_220114201919473_473837002
为最小值时的
Figure P_220114201919489_489453003
作为最佳时空自适应阈值。
进一步的，所述方法还包括：利用梯度下降法对最佳时空自适应阈值进行更新的步骤，包括：
将获取到的多个最新样本加入所述样本集，更新后的样本集包括
Figure P_220114201919505_505097001
个样本；则更新后的最佳时空自适应阈值
Figure P_220114201919536_536321002
为：
Figure P_220114201919551_551934001
其中，a为学习率。
进一步的，对所述色度角进行二次校正，包括：
通过多项式拟合计算出色度角α的校正值Δ；
计算一次校正后的色度角α’：
α’=α+Δ
通过预先训练完成的随机森林模型，对一次校正后的色度角α’进行处理，得到二次校正后的色度角α’’。
进一步的，所述随机森林模型的训练过程包括：
针对所述样本集的第i个城市水体样本，基于高光谱数据计算第i个城市水体样本的色度角
Figure P_220114201919634_634463001
；
提取遥感影像上与第i个城市水体样本相同空间位置的RGB三波段离水反射率，计算对应的色度角
Figure P_220114201919650_650099001
；通过多项式拟合计算出色度角
Figure P_220114201919665_665712002
的校正值
Figure P_220114201919696_696960003
；由此得到第i个色度角样本值：
Figure P_220114201919712_712585004
；
将第i个色度角样本值
Figure P_220114201919743_743827001
作为随机森林模型的输入，将色度角
Figure P_220114201919759_759465002
作为第i个色度角样本值的标注结果，建立训练样本集；
利用训练样本集，对所述随机森林模型进行训练。
进一步的，所述阈值区间的确定步骤包括：
根据水色的不同，对样本集的每个水体样本进行分组；
针对每个分组，基于每个水体样本的高光谱数据，计算每个水体样本的色度角；
建立色度角的代价函数：
Figure P_220114201919775_775106001
其中，
Figure P_220114201919806_806559001
为一个分组的第k个样本的特征，
Figure P_220114201919823_823420002
为分类精度验证函数，
Figure P_220114201919839_839047003
为一个分组的第k个样本的精度目标值，是一个已知常数，K为一个分组的样本数目；
求解每个分组的
Figure P_220114201919854_854676001
的最大值，得到阈值区间的端点：
Figure P_220114201919885_885925002
、
Figure P_220114201919901_901553003
、
Figure P_220114201919917_917184004
、
Figure P_220114201919948_948430005
和
Figure P_220114201919964_964043006
。
进一步的，所述方法还包括：利用梯度下降法对阈值区间的端点
Figure P_220114201919979_979661001
、
Figure P_220114201919996_996756002
、
Figure P_220114201920028_028509003
、
Figure P_220114201920044_044132004
和
Figure P_220114201920059_059759005
进行更新的步骤。
进一步的，将获取到的二次校正后的色度角与预设的阈值区间进行比较，确定所述城市水体所属的阈值区间，得到所述城市水体的分类，包括：
当
Figure P_220114201920090_090977001
，则所述城市水体的类型为清洁水体，对应的水色为：蓝色或蓝绿色；
当
Figure P_220114201920122_122243001
，则所述城市水体的类型为较清洁水体，对应的水色为：浅绿或绿色；
当
Figure P_220114201920137_137881001
，则所述城市水体的类型为一般水体，对应的水色为：深绿或黄绿色；
当
Figure P_220114201920169_169142001
，则所述城市水体的类型为较浑浊水体，对应的水色为：浅黄或黄色；
当
Figure P_220114201920184_184755001
，则所述城市水体的类型为浑浊水体，水色为灰黄或黄棕色。
另一方面，本申请实施例提供了一种城市水体遥感分类装置，包括：
获取单元，用于对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；
计算单元，用于计算所述城市水体的CIE的XYZ三刺激值；
分类单元，用于判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；否则，所述城市水体类型为暗色水体。
本申请基于高分辨率的遥感影像，能够从空间尺度上反应城市内整体的水体类型分布情况，且得到的6种水体类型基本能涵盖全部的城市水体类型，更加符合城市水体的实际情况。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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的附图。
图1为本申请实施例提供的城市水体遥感分类方法的整体思路示意图 ；
图2为本申请实施例提供的城市水体遥感分类方法的流程图；
图3为本申请实施例提供的城市水体遥感分类装置的功能结构图；
图4为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
首先对本申请实施例的设计思想进行简单介绍。
目前针对城市水体的水体光学分类的研究相对较少，且绝大多数相关研究主要是将城市水体分为“黑臭水体”和“非黑臭水体”，涵盖的水体类型较少。此外，还有部分研究的对象只是针对城市水体中的河流水体，并不包含一些城市中的湖泊。
现有的FUI指数水体光学分类技术将自然水体分为21个水色等级，而对城市水体应用这样精细的分类实际上难以被民众所理解，在实际监测并不需要划分如此多的水色等级。因此，本申请基于城市水体的实际情况，将原21个水色等级重新进行了科学的划分，归类为5类城市水体水色类别，并加入了城市水体特有的灰黑色类水体，最终建立了适用于城市水体的分类，按照水色有效的将城市水体分为6类，以实现城市水体的整体光学分类；此外，本申请实施例在划分各光学类别水体时，应用了一种无约束优化的新算法：梯度下降法，能科学的确立类别划分的阈值，从而有效地提高水体光学分类的精度。
本申请的研究对象是针对城市建成区范围的城市水体，包含了河道和面积较小的湖泊水体。并结合高分辨率的遥感影像，得到的结果能从空间尺度上反应城市内整体的水体类型分布情况，且得到的6种水体类型基本能涵盖全部的城市水体类型。
如图1所示，本申请实施例提供了城市水体遥感分类方法，具体为：对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；计算所述城市水体的CIE的XYZ三刺激值；判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；否则，所述城市水体类型为暗色水体。
在色度角校正的技术方面，由于IOCCG的高光谱数据均来源于大洋水体，而以大洋水体为代表的“一类水体”和以内陆城市水体为代表的“二类水体”有较大差异，为了减少仅基于IOCCG的代表一类水体带来的偏差，本申请通过建立一种将传统经验模型和机器学习模型相结合的组合模型，减小了高空间分辨率卫星波段设置产生的光谱误差，削弱了一类水体和二类水体之间色度角的差异，最终有效的提供色度角的校正精度。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行说明。
如图2所示，本申请实施例提供了一种城市水体遥感分类方法，包括如下步骤：
步骤101：对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；
其中，预处理包括：辐射定标、几何校正和大气校正。
步骤102：计算所述城市水体的CIE的XYZ三刺激值；
利用国际照明委员会规定的一套标准的颜色系统CIE-XYZ颜色系统以实现颜色的量化表示。选择三个理想的原色X、Y、Z以代替CIE-RGB系统中的三原色R、G、B。在该系统中，X、Z两原色只代表色度，并不包含亮度的信息，光亮度只与三刺激值中的Y值成比例。
基于步骤101预处理后遥感影像 R，G，B三个波段的遥感反射率值作为色度系统的红绿蓝三原色，将其合成的真彩色图像作为实际颜色，利用 CIE 色度系统（CIE，1931）中的三原色 RGB 与三刺激值 XYZ 之间的转换关系，计算得到 R，G，B波段图像对应的颜色三刺激值，计算公式如下：
Figure P_220114201920201_201798001
步骤103：判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，进入步骤104；否则，所述城市水体的类型为暗色水体。
引入了Y刺激值不仅能够实现涵盖可见光水色水体的判识，还可以实现城市内可能是由于受严重污染而形成的水色成灰黑色水体的提取；在划分各光学类别水体时，应用了一种无约束优化的新算法：梯度下降法，能科学的确立类别划分的阈值，从而有效地提高水体光学分类的精度。
为了计算最佳时空自适应阈值，首先构建包括各种类型水体的样本集：获取多个遥感影像的城市水体样本的高光谱数据；基于RAL国际色卡制作色度分级表，为野外判识水体水色提供参考一套标准，将水体颜色标准化处理。色度分级表需根据实际水色情况选择合适色系的色卡制作，至少需要包含灰色系、绿色系和黄色系；观察者在照明条件良好的情况下，需手持色度分级表在距离观测水面1~2m处，避开阳光直射并选择与测量水体光谱相同的观测几何完成水色判读，完成城市水体野外原位水色数据和高光谱数据的收集。
获取与光的亮度成比例的 Y 刺激值在各类水色水体中的大小分布，使用梯度下降法，判识能有效区分灰黑色水体与其他水色类型水体的Y刺激值的最佳时空自适应阈值θ，具体的步骤为：
设置参数θ，为了确定划分阈值θ的好坏，引入代价函数f(θ)，公式如下：
Figure P_220114201920233_233582001
其中，
Figure P_220114201920264_264832001
为样本集的第j个城市水体样本的特征，
Figure P_220114201920280_280451002
为分类精度验证函数，
Figure P_220114201920311_311704003
为第j个城市水体样本的精度目标值，是一个已知常数，m为所述样本集的样本数目。f(θ)越小，表示假设的h和目标y值越接近，参数θ的值就越好，划分的阈值就越合理，即求解min f(θ)的过程。
可以持续更新样本数据量，不断计算最优的θ以保证达到最佳的分类精度。
引入梯度下降法求解，对f(θ)求偏导：
Figure P_220114201920327_327318001
得到更新函数：
Figure P_220114201920358_358573001
其中，
Figure M_220114201920389_389822001
为更新后的样本数据量，
Figure P_220114201920421_421537001
为更新后的最佳时空自适应阈值，a为学习率。
步骤104：基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；
首先，色度图上二维坐标 x 和 y 是由三刺激值 XYZ 计算得来的色度坐标，计算公式如下：
Figure P_220114201920453_453311001
将得到的色度坐标 (x，y) 中x、y的值代入以下公式，计算得到色度角 α的值：
α =Arctan2(x-0.3333，y-0.3333)
为了消除由高空间分辨率遥感影像的波段设置引起的色度角偏差，需要对色度角进行偏差校正，校正是通过建立一种将传统经验模型和机器学习模型相结合的组合模型。具体的步骤如下：
通过多项式拟合计算出色度角α的校正值Δ：
Figure P_220114201920484_484557001
式中：
Figure P_220114201920500_500294001
；
则一次校正后的色度角α’=α+Δ；
由于IOCCG的高光谱数据均来源于大洋水体，而以大洋水体为代表的“一类水体”和以内陆城市水体为代表的“二类水体”有较大差异，因此，采用随机森林模型对一次校正后的色度角进行二次校正。
首先，利用利用之前建立的包括各种类型水体的样本集，建立训练随机森林模型的训练样本集，具体为：
针对所述样本集的第i个城市水体样本，基于高光谱数据计算第i个城市水体样本的色度角
Figure P_220114201920631_631494001
；
提取遥感影像上与第i个城市水体样本相同空间位置的RGB三波段离水反射率，计算对应的色度角
Figure P_220114201920663_663273001
；通过多项式拟合计算出色度角
Figure P_220114201920678_678901002
的校正值
Figure P_220114201920710_710141003
；由此得到第i个色度角样本值：
Figure P_220114201920725_725804004
；
将第i个色度角样本值
Figure P_220114201920741_741402001
作为随机森林模型的输入，将色度角
Figure P_220114201920772_772648002
作为第i个色度角样本值的标注结果，建立训练样本集；
利用训练样本集，对所述随机森林模型进行训练。
通过预先训练完成的随机森林模型，对一次校正后的色度角α’进行处理，得到二次校正后的色度角α’’。
由于IOCCG的高光谱数据均来源于大洋水体，而以大洋水体为代表的“一类水体”和以内陆城市水体为代表的“二类水体”有较大差异，为了减少仅基于IOCCG的代表一类水体带来的偏差，通过建立一种将传统经验模型和机器学习模型相结合的组合模型，减小了高空间分辨率卫星波段设置产生的光谱误差，削弱了一类水体和二类水体之间色度角的差异，最终有效的提供色度角的校正精度。
所述阈值区间的确定步骤包括：
根据水色的不同，对样本集的每个水体样本进行分组；
针对每个分组，基于每个水体样本的高光谱数据，计算每个水体样本的色度角；
建立色度角的代价函数：
Figure P_220114201920788_788266001
其中，
Figure P_220114201920804_804846001
为一个分组的第k个样本的特征，
Figure P_220114201920836_836618002
为分类精度验证函数，
Figure P_220114201920852_852234003
为一个分组的第k个样本的精度目标值，是一个已知常数，K为一个分组的样本数目；
求解每个分组的
Figure P_220114201920867_867861001
的最大值，得到阈值区间的端点：
Figure P_220114201920899_899115002
、
Figure P_220114201920914_914737003
、
Figure P_220114201920930_930357004
、
Figure P_220114201920946_946006005
和
Figure P_220114201920977_977235006
。
基于阈值区间将城市水体分为5类，结合步骤103分离出暗色水体，总共六类，阈值以及其主要表观水色水体参考下表：
Figure P_220114201920993_993797001
基于劳尔色卡判识的水体颜色，重新划分了城市中不同水色水体的色度角阈值，建立了更符合城市水体实际情况的类型和水色判识标准。
基于上述实施例，本申请实施例提供了一种城市水体遥感分类装置，参阅图3所示，本申请实施例提供的城市水体遥感分类装置200至少包括：
获取单元201，用于对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；
计算单元202，用于计算所述城市水体的CIE的XYZ三刺激值；
分类单元203，用于判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；否则，所述城市水体类型为暗色水体。
需要说明的是，本申请实施例提供的城市水体遥感分类装置200解决技术问题的原理与本申请实施例提供的城市水体遥感分类方法相似，因此，本申请实施例提供的城市水体遥感分类装置200的实施可以参见本申请实施例提供的城市水体遥感分类方法的实施，重复之处不再赘述。
基于上述实施例，本申请实施例还提供了一种电子设备，参阅图4所示，本申请实施例提供的电子设备300至少包括：处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现本申请实施例提供的城市水体遥感分类方法。
本申请实施例提供的电子设备300还可以包括连接不同组件（包括处理器301和存储器302）的总线303。其中，总线303表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器302可以包括易失性存储器形式的可读介质，例如随机存储器（RandomAccess Memory，RAM）3021和/或高速缓存存储器3022，还可以进一步包括只读存储器（ReadOnly Memory，ROM）3023。
存储器302还可以包括具有一组（至少一个）程序模块3025的程序工具3024，程序模块3025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备300也可以与一个或多个外部设备304（例如键盘、遥控器等）通信，还可以与一个或者多个使得用户能与电子设备300交互的设备通信（例如手机、电脑等），和/或，与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备（例如路由器、调制解调器等）通信。这种通信可以通过输入/输出（Input /Output，I/O）接口305进行。并且，电子设备300还可以通过网络适配器306与一个或者多个网络（例如局域网（Local AreaNetwork，LAN），广域网（Wide Area Network，WAN）和/或公共网络，例如因特网）通信。如图4所示，网络适配器306通过总线303与电子设备300的其它模块通信。应当理解，尽管图4中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列（Redundant Arrays of IndependentDisks，RAID）子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是，图4所示的电子设备300仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时实现本申请实施例提供的城市水体遥感分类方法。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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范围。

Claims (5)

1.一种城市水体遥感分类方法，其特征在于，包括：
对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；
计算所述城市水体的CIE的XYZ三刺激值；
判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；否则，所述城市水体类型为暗色水体；
所述方法还包括：构建包括各种类型水体的样本集，包括：
获取多个遥感影像的城市水体样本的高光谱数据；
基于RAL国际色卡制作色度分级表，通过人工获取多个遥感影像的城市水体样本的原位水色；
所述最佳时空自适应阈值的确定步骤包括：
根据所述样本集，建立阈值
Figure P_220303075007683_683238001
的代价函数
Figure P_220303075007730_730098002
：
Figure P_220303075007745_745739001
其中，
Figure P_220303075007776_776993001
为样本集的第j个城市水体样本的特征，
Figure P_220303075007793_793569002
为分类精度验证函数，
Figure P_220303075007809_809682003
为第j个城市水体样本的精度目标值，是一个已知常数，m为所述样本集的样本数目；
求解
Figure P_220303075007840_840965001
的最小值，将
Figure P_220303075007856_856599002
为最小值时的
Figure P_220303075007872_872199003
作为最佳时空自适应阈值；
所述方法还包括：利用梯度下降法对最佳时空自适应阈值进行更新的步骤，包括：
将获取到的多个最新样本加入所述样本集，更新后的样本集包括
Figure P_220303075007887_887859001
个样本；则更新后的最佳时空自适应阈值
Figure P_220303075007919_919105002
为：
Figure P_220303075007934_934723001
其中，a为学习率；
对所述色度角进行二次校正，包括：
通过多项式拟合计算出色度角α的校正值Δ；
计算一次校正后的色度角α’：
α’=α+Δ
通过预先训练完成的随机森林模型，对一次校正后的色度角α’进行处理，得到二次校正后的色度角α’’；
所述阈值区间的确定步骤包括：
根据水色的不同，对样本集的每个水体样本进行分组；
针对每个分组，基于每个水体样本的高光谱数据，计算每个水体样本的色度角；
建立色度角的代价函数：
Figure P_220303075007965_965950001
其中，
Figure P_220303075007985_985439001
为一个分组的第k个样本的特征，
Figure P_220303075008017_017216002
为分类精度验证函数，
Figure P_220303075008032_032875003
为一个分组的第k个样本的精度目标值，是一个已知常数，K为一个分组的样本数目；
求解每个分组的
Figure P_220303075008064_064093001
的最大值，得到阈值区间的端点：
Figure P_220303075008079_079708002
、
Figure P_220303075008157_157851003
、
Figure P_220303075008190_190033004
、
Figure P_220303075008206_206204005
和
Figure P_220303075008221_221803006
。
2.根据权利要求1所述的城市水体遥感分类方法，其特征在于，所述随机森林模型的训练过程包括：
针对所述样本集的第i个城市水体样本，基于高光谱数据计算第i个城市水体样本的色度角
Figure P_220303075008253_253080001
；
提取遥感影像上与第i个城市水体样本相同空间位置的RGB三波段离水反射率，计算对应的色度角
Figure P_220303075008268_268675001
；通过多项式拟合计算出色度角
Figure P_220303075008284_284308002
的校正值
Figure P_220303075008315_315598003
；由此得到第i个色度角样本值：
Figure P_220303075008331_331184004
；
将第i个色度角样本值
Figure P_220303075008362_362444001
作为随机森林模型的输入，将色度角
Figure P_220303075008378_378067002
作为第i个色度角样本值的标注结果，建立训练样本集；
利用训练样本集，对所述随机森林模型进行训练。
3.根据权利要求2所述的城市水体遥感分类方法，其特征在于，所述方法还包括：利用梯度下降法对阈值区间的端点
Figure P_220303075008394_394624001
、
Figure P_220303075008410_410771002
、
Figure P_220303075008426_426405003
、
Figure P_220303075008457_457663004
和
Figure P_220303075008473_473269005
进行更新的步骤。
4.根据权利要求1或3所述的城市水体遥感分类方法，其特征在于，将获取到的二次校正后的色度角与预设的阈值区间进行比较，确定所述城市水体所属的阈值区间，得到所述城市水体的分类，包括：
当
Figure P_220303075008488_488934001
，则所述城市水体的类型为清洁水体，对应的水色为：蓝色或蓝绿色；
当
Figure P_220303075008520_520147001
，则所述城市水体的类型为较清洁水体，对应的水色为：浅绿或绿色；
当
Figure P_220303075008535_535771001
，则所述城市水体的类型为一般水体，对应的水色为：深绿或黄绿色；
当
Figure P_220303075008567_567031001
，则所述城市水体的类型为较浑浊水体，对应的水色为：浅黄或黄色；
当
Figure P_220303075008583_583582001
，则所述城市水体的类型为浑浊水体，水色为灰黄或黄棕色。
5.一种城市水体遥感分类装置，其特征在于，包括：
获取单元，用于对获取的遥感影像进行预处理，从预处理后的遥感影像中提取城市水体；
计算单元，用于计算所述城市水体的CIE的XYZ三刺激值；
分类单元，用于判断Y刺激值是否大于预设的最佳时空自适应阈值；若为是，基于CIE的XYZ三刺激值计算所述城市水体的色度角，并对所述色度角进行二次校正；将获取到的二次校正后的色度角与预设的多个阈值区间进行比较，得到二次校正后的色度角所属的阈值区间，由此确定所述城市水体的类型，所述类型至少包括：清洁水体、较清洁水体、一般水体、较浑浊水体和浑浊水体；否则，所述城市水体类型为暗色水体；
所述装置还用于：构建包括各种类型水体的样本集，具体用于：
获取多个遥感影像的城市水体样本的高光谱数据；
基于RAL国际色卡制作色度分级表，通过人工获取多个遥感影像的城市水体样本的原位水色；
所述最佳时空自适应阈值的确定步骤包括：
根据所述样本集，建立阈值
Figure P_220303075008615_615370001
的代价函数
Figure P_220303075008630_630998002
：
Figure P_220303075008646_646622001
其中，
Figure P_220303075008662_662240001
为样本集的第j个城市水体样本的特征，
Figure P_220303075008693_693496002
为分类精度验证函数，
Figure P_220303075008709_709114003
为第j个城市水体样本的精度目标值，是一个已知常数，m为所述样本集的样本数目；
求解
Figure P_220303075008724_724748001
的最小值，将
Figure P_220303075008755_755985002
为最小值时的
Figure P_220303075008771_771614003
作为最佳时空自适应阈值；
所述装置还用于：利用梯度下降法对最佳时空自适应阈值进行更新，具体用于：
将获取到的多个最新样本加入所述样本集，更新后的样本集包括
Figure P_220303075008789_789156001
个样本；则更新后的最佳时空自适应阈值
Figure P_220303075008805_805301002
为：
Figure P_220303075008836_836562001
其中，a为学习率；
对所述色度角进行二次校正，包括：
通过多项式拟合计算出色度角α的校正值Δ；
计算一次校正后的色度角α’：
α’=α+Δ
通过预先训练完成的随机森林模型，对一次校正后的色度角α’进行处理，得到二次校正后的色度角α’’；
所述阈值区间的确定步骤包括：
根据水色的不同，对样本集的每个水体样本进行分组；
针对每个分组，基于每个水体样本的高光谱数据，计算每个水体样本的色度角；
建立色度角的代价函数：
Figure P_220303075008852_852172001
其中，
Figure P_220303075008883_883436001
为一个分组的第k个样本的特征，
Figure P_220303075008899_899059002
为分类精度验证函数，
Figure P_220303075008914_914685003
为一个分组的第k个样本的精度目标值，是一个已知常数，K为一个分组的样本数目；
求解每个分组的
Figure P_220303075008945_945951001
的最大值，得到阈值区间的端点：
Figure P_220303075008961_961565002
、
Figure P_220303075008977_977179003
、
Figure P_220303075008993_993780004
、
Figure P_220303075009025_025533005
和
Figure P_220303075009041_041184006
。
CN202210046047.6A 2022-01-17 2022-01-17 一种城市水体遥感分类方法及装置 Active CN114067222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210046047.6A CN114067222B (zh) 2022-01-17 2022-01-17 一种城市水体遥感分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210046047.6A CN114067222B (zh) 2022-01-17 2022-01-17 一种城市水体遥感分类方法及装置

Publications (2)

Publication Number Publication Date
CN114067222A CN114067222A (zh) 2022-02-18
CN114067222B true CN114067222B (zh) 2022-04-29

Family

ID=80230968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210046047.6A Active CN114067222B (zh) 2022-01-17 2022-01-17 一种城市水体遥感分类方法及装置

Country Status (1)

Country Link
CN (1) CN114067222B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170947B (zh) * 2022-05-12 2023-04-18 广东省科学院广州地理研究所 基于遥感图像的河口浑浊带与水体分类方法、装置及设备
CN114913437B (zh) * 2022-07-15 2022-10-04 航天宏图信息技术股份有限公司 一种黑臭水体识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021129691A1 (zh) * 2019-12-23 2021-07-01 长沙智能驾驶研究院有限公司 一种对目标检测方法以及相应装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704944B (zh) * 2017-08-15 2021-05-04 浙江大学 一种基于信息论学习的股市波动区间预测模型的构建方法
CN110633717A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 一种目标检测模型的训练方法和装置
CN108985517A (zh) * 2018-07-27 2018-12-11 南京理工大学 基于线性回归的短时交通流量预测方法
CN111595791B (zh) * 2020-06-04 2023-06-30 首都师范大学 基于高光谱数据校正的内陆水体fui水色指数提取方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021129691A1 (zh) * 2019-12-23 2021-07-01 长沙智能驾驶研究院有限公司 一种对目标检测方法以及相应装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
The Forel-Ule scale revisited spectrally: preparation protocol, transmission measurements and chromaticity;Novoa S, etc.;《Journal of the European Optical Society: Rapid Publications》;20130831;全文 *

Also Published As

Publication number Publication date
CN114067222A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN114067222B (zh) 一种城市水体遥感分类方法及装置
US8594420B2 (en) Color naming, color categorization and describing color composition of images
Hurlbert 11 Computational models of color constancy
EP1247404B1 (en) Colour signal processing
CN104182949B (zh) 基于直方图特征点配准的影像匀色与融合方法及系统
CN103974053B (zh) 一种基于灰点提取的自动白平衡矫正方法
EP2638508B1 (en) System and method for identifying complex tokens in an image
WO2022252242A1 (zh) 一种基于多光谱图像的水污染区域识别方法和系统
CN113792827B (zh) 目标对象识别方法、电子设备和计算机可读存储介质
CN110458208A (zh) 基于信息测度的高光谱图像分类方法
CN110334581B (zh) 一种多源遥感影像变化检测方法
CN115984711A (zh) 一种基于卫星遥感的非蓝藻水华监测方法和系统
Chen et al. Automated bridge coating defect recognition using adaptive ellipse approach
CN113298086A (zh) 基于U-Net网络的赤潮多光谱检测方法
CN107424134A (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
Liu Supervised classification and unsupervised classification
CN112529922A (zh) 一种开放环境下多色叶片rgb图像背景精确分离的方法
KR20210096925A (ko) 대용량 항공정사영상의 효율적인 색상보정 방법
CN115410074B (zh) 遥感影像云检测方法及装置
CN114937038B (zh) 面向可用性的遥感影像质量评价方法
Granados-López et al. Pixel-based image processing for cie standard sky classification through ANN
Hirai et al. A lut-based method for recovering color signals from high dynamic range images
CN117911281A (zh) 基于cielch色彩空间的双阈值遥感影像阴影去除方法
Granados-Lopez et al. Research Article Pixel-Based Image Processing for CIE Standard Sky Classification through ANN
Liu et al. A Class-Oriented Visualization Method for Hyperspectral Imagery

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220720

Address after: 100094 building 4, yard 2, Cuihu North Ring Road, Haidian District, Beijing

Patentee after: Aerospace Hongtu Information Technology Co.,Ltd.

Patentee after: Nantong Aerospace Hongtu Information Technology Co.,Ltd.

Address before: 100195 Room 301, 3 / F, building 5, zone 4, Xishan Creative Park, Haidian District, Beijing

Patentee before: Aerospace Hongtu Information Technology Co.,Ltd.