CN114596300B - 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 - Google Patents

滨海养殖遥感信息处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114596300B
CN114596300B CN202210263864.7A CN202210263864A CN114596300B CN 114596300 B CN114596300 B CN 114596300B CN 202210263864 A CN202210263864 A CN 202210263864A CN 114596300 B CN114596300 B CN 114596300B
Authority
CN
China
Prior art keywords
area
region
sub
water body
culture
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
CN202210263864.7A
Other languages
English (en)
Other versions
CN114596300A (zh
Inventor
黄翀
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202210263864.7A priority Critical patent/CN114596300B/zh
Publication of CN114596300A publication Critical patent/CN114596300A/zh
Application granted granted Critical
Publication of CN114596300B publication Critical patent/CN114596300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

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

Abstract

本申请公开了滨海养殖遥感信息处理方法、装置、电子设备及存储介质，方法包括：根据遥感图像的中值归一化水指数和水陆分离阈值，确定遥感图像中的水体区域和非水体区域；对水体区域和非水体区域赋值并进行多尺度分割，获得多个子区域；其中，每一子区域与其所属的水体区域或非水体区域被赋予相同的指定数值；根据每一子区域的指定数值，确定每一子区域与其相邻子区域之间的邻域平均差分值；根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将多个子区域划分为养殖塘区域和非养殖塘区域；根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域。本方法实现了陆上养殖塘和海洋网箱养殖的快速、准确提取。

Description

滨海养殖遥感信息处理方法、装置、电子设备及存储介质
技术领域
本申请涉及遥感图像信息处理邻域，具体涉及一种滨海养殖遥感信息处理方法、装置、电子设备及存储介质。
背景技术
随着水产品市场需求的大幅上升，滨海海水养殖已逐步成为当今水产品供应的重要途径之一。及时掌握滨海海水养殖的空间分布及时空动态过程，对于海水养殖的滨海用地合理规划布局、科学管理以及渔业的可持续性发展具有重要意义。传统的滨海海水养殖调查方法主要是人工实地调查，虽然精准，但该方法费时费力，难以满足大范围滨海养殖的快速监测需求。
现今主要是通过分析遥感信息来对滨海海水养殖进行监测，对滨海海水养殖的遥感信息提取通常是通过人机交互目视解译方法、计算光谱指数或采用信息自动提取方法等，这些方法易受影像分辨率影响，不易区分陆上养殖塘区域、堤坝区域和网箱养殖区域，难以实现对大范围滨海养殖的遥感信息进行高精度提取。
发明内容
本申请的目的在于提供一种滨海养殖遥感信息处理方法、装置、电子设备及存储介质，能够提升滨海养殖遥感信息提取的范围与准确率，实现陆上养殖塘和海洋网箱养殖的快速、准确提取。
本申请实施例第一方面提供了一种滨海养殖遥感信息处理方法，所述方法包括：
根据遥感图像的中值归一化水指数和水陆分离阈值，确定所述遥感图像中的水体区域和非水体区域；
对所述水体区域和所述非水体区域赋值并进行多尺度分割，获得多个子区域；其中，每一子区域与其所属的水体区域或非水体区域被赋予相同的指定数值；
根据每一子区域的指定数值，确定每一子区域与其相邻子区域之间的邻域平均差分值；
根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域；
根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域。
于一实施例中，在所述根据遥感图像的中值归一化水指数和水陆分离阈值，确定所述遥感图像中的水体区域和非水体区域之前，所述方法还包括：
根据谷歌地球引擎确定所有所述遥感图像的潜在养殖区域像素的归一化水指数；
根据所有所述遥感图像的潜在养殖区域像素的归一化水指数，确定所述遥感图像的中值归一化水指数；
根据大津阈值分割法对所述中值归一化水指数进行处理，获得所述水陆分离阈值。
于一实施例中，在所述根据谷歌地球引擎确定所述遥感图像的多个像素的归一化水指数之前，所述方法还包括：
获取卫星光学影像，并对所述卫星光学影像进行大气校正和正射校正；
根据数字高程模型数据，确定经过校正的卫星光学影像中若干养殖点的坡度；
根据若干养殖点的坡度，选择满足预设坡度范围的养殖点，并将经过校正的卫星光学影像中被选中养殖点所在区域作为所述遥感图像。
于一实施例中，所述进行多尺度分割，包括：
通过易康软件根据多尺度分割的多种分割参数，对所述水体区域和所述非水体区域进行多尺度分割。
于一实施例中，在所述根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域之前，所述方法还包括：
根据所述水体区域对应的指定数值和所述非水体区域对应的指定数值，确定所述养殖塘分离阈值。
于一实施例中，所述根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域，包括：
筛选出邻域平均差分值等于所述养殖塘分离阈值的子区域，作为潜在养殖塘区域，将其它子区域作为非养殖塘区域；
从所述潜在养殖塘区域滤除长宽比位于长宽比范围的区域，得到养殖塘区域。
于一实施例中，所述根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域，包括：
从属于非养殖塘区域的多个子区域中，筛选出邻域平均差分值为所述指定邻域平均差分值、且面积小于所述面积阈值的若干子区域，作为所述网箱养殖区域。
本申请实施例第二方面提供了一种滨海养殖遥感信息处理装置，所述装置包括：
水体确定模块，用于根据遥感图像的中值归一化水指数和水陆分离阈值，确定所述遥感图像中的水体区域和非水体区域；
尺度分割模块，用于对所述水体区域和所述非水体区域赋值并进行多尺度分割，获得多个子区域；其中，每一子区域与其所属的水体区域或非水体区域被赋予相同的指定数值；
邻域差分计算模块，用于根据每一子区域的指定数值，确定每一子区域与其相邻子区域之间的邻域平均差分值；
养殖塘提取模块，用于根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域；
网箱养殖提取模块，用于根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域。
于一实施例中，所述装置还包括：第一阈值获取模块，用于根据谷歌地球引擎确定所有所述遥感图像的潜在养殖区域像素的归一化水指数；根据所有所述遥感图像的潜在养殖区域像素的归一化水指数，确定所述遥感图像的中值归一化水指数；根据大津阈值分割法对所述中值归一化水指数进行处理，获得所述水陆分离阈值。
于一实施例中，所述装置还包括：筛选模块，用于获取卫星光学影像，并对所述卫星光学影像进行大气校正和正射校正；根据数字高程模型数据，确定经过校正的卫星光学影像中若干养殖点的坡度；根据若干养殖点的坡度，选择满足预设坡度范围的养殖点，并将经过校正的卫星光学影像中被选中养殖点所在区域作为所述遥感图像。
于一实施例中，所述进行多尺度分割，包括：通过易康软件根据多尺度分割的多种分割参数，对所述水体区域和所述非水体区域进行多尺度分割。
于一实施例中，所述装置还包括：第二阈值获取模块，用于根据所述水体区域对应的指定数值和所述非水体区域对应的指定数值，确定所述养殖塘分离阈值。
于一实施例中，所述养殖塘提取模块还用于筛选出邻域平均差分值等于所述养殖塘分离阈值的子区域，作为潜在养殖塘区域，将其它子区域作为非养殖塘区域；从所述潜在养殖塘区域滤除长宽比位于长宽比范围的区域，得到养殖塘区域。
于一实施例中，所述网箱养殖提取模块还用于从属于非养殖塘区域的多个子区域中，筛选出邻域平均差分值为所述指定邻域平均差分值、且面积小于所述面积阈值的若干子区域，作为所述网箱养殖区域。
本申请实施例第三方面提供了一种电子设备，包括：
处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行本申请第一方面所述的方法。
本申请实施例第四方面提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成本申请第一方面所述的方法。
本申请提供的滨海养殖遥感信息处理方法、装置、电子设备及存储介质，对卫星光学影像进行预处理和筛选，得到用于研究的遥感图像，计算遥感图像的中值归一化水指数，并通过阈值分割法获取水陆分离阈值，区分水体与非水体区域并分别赋值，由此获取用于提取养殖塘区域和网箱养殖区域的阈值。对遥感图像进行多尺度分割，计算经过多尺度分割得到的所有子区域的邻域平均差分值，根据获得的多个阈值与子区域的邻域平均差分值提取出养殖塘区域与网箱养殖区域。本技术方案提升了滨海养殖遥感信息提取的准确率，实现陆上养殖塘和海洋网箱养殖的快速、准确提取。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的电子设备结构示意图；
图2为本申请实施例提供的滨海养殖遥感信息处理方法的流程示意图；
图3为基于图2方法的提取养殖塘区域的方法的流程示意图；
图4为本申请实施例提供的卫星光学影像处理及区域筛选流程示意图；
图5为本申请实施例提供的获取水陆分离阈值与中值归一化水指数的方法的流程示意图；
图6为本申请实施例提供的滨海养殖遥感信息处理装置的结构示意图；
图7为提取养殖塘区域的效果示意图；
图8为提取网箱养殖区域的效果示意图。
具体实施方式
在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，并不表示排列序号，也不能理解为指示或暗示相对重要性。
在本申请的描述中，术语“包括”、“包含”等表示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、步骤、操作、元素、组件和/或其集合的存在或添加。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术邻域的技术人员通常理解的含义相同。本文在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
下面将结合附图对本申请的技术方案进行清楚、完整地描述。
请参照图1，其为本申请实施例提供的电子设备结构示意图，该电子设备可用于执行本申请实施例提供的滨海养殖遥感信息处理方法。电子设备包括：至少一个处理器103、至少一个存储器102和总线101，总线101用于实现这些组件的连接通信。
存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，包括但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read OnlyMemory，ROM)，静态随机存取存储器(Static Random Access Memory，SRAM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，EEPROM)。
处理器103可以是通用处理器，包括但不限于中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等，还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者，该处理器也可以是任何常规的处理器等，处理器103是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。处理器103可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。
请参照图2，其为本申请实施例提供的滨海养殖遥感信息处理方法的流程示意图，该方法可由图1所示的电子设备100执行，该方法包括S210-S250。
S210：根据遥感图像的中值归一化水指数和水陆分离阈值，确定遥感图像中的水体区域和非水体区域。
其中，遥感图像是对卫星光学影像进行预处理和筛选后得到的图像。中值归一化水指数通过对所有遥感图像的归一化水指数波段取中值得到。水陆分离阈值为对中值归一化水指数的遥感图像进行二值化处理得到的阈值，用于区分水体区域和非水体区域。
中值归一化水指数大于水陆分离阈值的区域为水体区域，中值归一化水指数小于水陆分离阈值的区域为非水体区域，非水体区域可以包括海洋网箱养殖区域和陆地区域。
S220：对水体区域和非水体区域赋值并进行多尺度分割，获得多个子区域。
分别对水体区域和非水体区域赋值，不同区域赋值的差值越大，越有利于在多尺度分割中获取较好的效果。通过多尺度分割，将水体区域和非水体区域分割为多个子区域。其中每一子区域与其所属的水体区域或非水体区域被赋予相同的指定数值。
示例性的，可以对水体区域和非水体区域分别赋值1000000和10，则水体区域的子区域被赋值1000000；为非水体的子区域被赋值10。
S230：根据每一子区域的指定数值，确定每一子区域与其相邻子区域之间的邻域平均差分值。
子区域的指定数值与其所属的水体区域或非水体区域被赋予的数值相同。根据公式计算每一子区域的归一化水指数邻域平均差分值SL(NDWI)，又称视觉显著归一化水指数，即计算目标子区域与其相邻区域平均值的差分，根据公共边长赋予其权重，计算公式如下：
Figure BDA0003550879300000091
其中，NDWIL为目标子区域的归一化水指数，该归一化水指数等于该子区域的指定数值，NDWILi为目标子区域相邻的第i个子区域的归一化水指数，L为目标子区域的边长，Lsi为目标子区域与第i个子区域的公共边长。
S240：根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将多个子区域划分为养殖塘区域和非养殖塘区域。
将邻域平均差分值与养殖塘分离阈值相等的子区域确定为养殖塘区域。示例性地，当对水体区域赋值1000000，对非水体区域赋值10，那么养殖塘分离阈值为999990(999990＝1000000-10)，若子区域的邻域平均差分值为999990，那么该子区域为养殖塘区域。
S250：根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域。
将非养殖塘区域中邻域平均差分值和面积阈值符合条件的子区域确定为网箱养殖区域。
上述方法通过阈值分割实现陆上养殖塘区域和海洋网箱养殖区域的提取。通过中值归一化水指数与水陆分离阈值区分水体与非水体区域并分别赋值，由此得到用于提取养殖塘区域和网箱养殖区域的阈值。对遥感图像进行多尺度分割，计算经过多尺度分割得到的所有子区域的邻域平均差分值，根据获得的多个阈值与子区域的邻域平均差分值提取出养殖塘区域与网箱养殖区域。上述方法提升了滨海养殖遥感信息提取的准确率。
于一实施例中，通过易康软件根据多尺度分割的多种分割参数，对水体区域和非水体区域进行多尺度分割。
通过eCognition(易康软件)对赋值后的区域图像进行多尺度分割(Multiresolution Segmentation)，分割参数可依据具体情况进行设定，在本实验中，NDWI(Normalized Difference Water Index，归一化水指数)邻域平均差分、蓝、绿、红、RedEdge(红边)和NIR(Near Infrared，近红外)的权重可分别设置为1、0、0、0、0、0；Shape(形状参数)、Compactness(紧密度)、Scale Parameter(尺度参数)分别设置为0.1、0.5、300。
于一实施例中，根据水体区域对应的指定数值和非水体区域对应的指定数值，确定养殖塘分离阈值。
养殖塘分离阈值可用于提取出遥感图像中的潜在养殖塘区域。由于养殖塘通常是四周由堤坝围成的规则水域，养殖塘属于水体区域，堤坝属于非水体区域，因此可以根据水体区域对应的指定数值和非水体区域对应的指定数值来确定养殖塘分离阈值。
于一实施例中，由步骤S240可提取出养殖塘区域，具体方法请参照图3流程示意图，该方法包括S310-S320。
S310：筛选出邻域平均差分值等于养殖塘分离阈值的子区域，作为潜在养殖塘区域，将其它子区域作为非养殖塘区域。
其中，潜在养殖塘区域为通过养殖塘分离阈值初步筛选出的区域，潜在养殖塘区域可以包括实际的养殖塘区域，也可以包括非养殖塘区域(比如：河流)。
邻域平均差分值与养殖塘分离阈值相等的子区域属于潜在养殖塘区域，其他区域为非养殖塘区域。
S320：从潜在养殖塘区域滤除长宽比位于长宽比范围的区域，得到养殖塘区域。
陆地区域的水体部分不仅包括养殖塘还包括河流，因此可对潜在养殖塘区域进行处理，通过“长宽比大于长宽比范围”的方法去除河流区域，得到养殖塘区域。在本实施例中，通过“长宽比>16”去除河流区域。请参照图7，其为提取养殖塘区域的效果示意图，其中，黑色区域为陆地区域，灰色区域为养殖塘区域，白色区域为海洋区域。
于一实施例中，筛选出邻域平均差分值为指定邻域平均差分值、且面积小于面积阈值的若干子区域，作为网箱养殖区域。
非水体区域中包括海洋中的网箱养殖区域和陆地区域，可以通过对水体区域和非水体区域的赋值确定用于提取网箱养殖区域的指定邻域平均差分值。
非养殖塘区域包括海洋区域、网箱养殖区域和陆地区域，首先可将子区域数值为水体数值的子区域提取出，确定其为海洋区域。由于筏式养殖区域与海洋差别较小，受分割尺度影响大，因此，在本实施例中与海水区域不作区分。
若剩余子区域的邻域平均差分值与网箱养殖提取阈值相等且面积条件符合指定像素条件，则可提取该子区域，确定其为网箱养殖区域，其余区域为陆地区域。设定像素条件可避免将网箱养殖区域与海面中的孤立岛屿混淆。由于网箱养殖的形状比较规则，且面积较小，因此像素条件中的面积数值可以设置得较小。在本实施例中设置像素条件为面积小于500pixel。
示例性的，当对水体区域赋值1000000，对非水体区域赋值10，那么，网箱养殖提取阈值为-999990(-999990＝10-1000000)，子区域数值为1000000的为海洋区域。邻域平均差分值等于-999990，且面积小于500pixel的子区域为网箱养殖区域，剩余区域为陆地区域。请参照图8，其为提取网箱养殖区域的效果示意图，其中，黑色区域为网箱养殖区域。
请参照图4，其为卫星光学影像处理及区域筛选流程示意图，该方法可由图1所示的电子设备100执行，该方法包括S410-S430。
S410：获取卫星光学影像，并对卫星光学影像进行大气校正和正射校正。
卫星光学影像为一年中陆地与海洋区域的影像数据。示例性的，卫星光学影像可以为哨兵2号(Sentinel-2A)提供的影像数据，哨兵2号是高分辨率多光谱成像卫星，该卫星在运行期间可用于监测土地植被和水体情况，为研究人员提供有关农业、林业种植等方面的光学影像数据。
电磁波透过大气层时会改变光线的方向，影响遥感图像的辐射特征，需要通过大气校正对光学影像进行处理，通过图像处理减弱大气散射、吸收等引起的误差，使得影响数据更加精确。
由于飞行器拍摄姿态、飞行速度、轨道高度以及地球自转等因素的影响，获取的光学影像可能会发生一定程度的几何畸变，因此还需要对这种几何畸变进行几何校正。正射校正是对影像进行几何畸变纠正的一个过程，可将对由地形、相机几何特性以及与传感器相关的误差所造成的明显的几何畸变进行处理，输出的正射校正影像是正射的平面真实影像。
S420：根据数字高程模型数据，确定经过校正的卫星光学影像中若干养殖点的坡度。
由于本技术方案目的在于提取陆上养殖塘区域与海上网箱养殖区域，因此可以筛去不需要的区域，例如山区，以提升最终结果的准确性。利用DEM(Digital ElevationModel，数字高程模型)SRTM(Shuttle Radar Topography Mission，航天飞机雷达地形测绘使命)数据，在GEE(Google Earth Engine，谷歌地球引擎)平台上选取多个养殖塘样本点，计算样本点坡度的最大值。
S430：根据若干养殖点的坡度，选择满足预设坡度范围的养殖点，并将经过校正的卫星光学影像中被选中养殖点所在区域作为遥感图像。
根据计算得到的样本点坡度数据确定用于去除山体区域的坡度阈值，筛选出坡度最大值小于坡度阈值的养殖点作为陆地养殖区域。将经过大气校正、正射校正与坡度筛选的陆地养殖区域和海洋养殖区域的卫星光学影像作为用于研究的合适区域的遥感图像。
上述方法通过对卫星光学影像的大气校正、正射校正以及坡度筛选，为提取陆上养殖塘区域和海洋网箱养殖区域提供合适的遥感图像。
请参照图5，其为获取水陆分离阈值与中值归一化水指数的方法的流程示意图，该方法可由图1所示的电子设备100执行，该方法包括S510-S530。
S510：根据谷歌地球引擎确定所有遥感图像的潜在养殖区域像素的归一化水指数。
在谷歌地球引擎平台上，计算研究区一年内所有遥感图像中的潜在养殖区域像素的归一化水指数。
示例性地，假设一年有10张遥感图像，每张遥感图像中的潜在养殖区域包含10000个像素，则计算每一个像素的归一化水指数，最终得到的是10张归一化水指数结果。
S520：根据所有遥感图像的潜在养殖区域像素的归一化水指数，确定遥感图像的中值归一化水指数。
利用MEDIAN函数计算所有遥感图像的中值，得到中值归一化水指数。
示例性地，计算根据S510得到的10张归一化水指数结果，计算这10张遥感图像的中值，得到1张图像包含10000像素的中值归一化水指数结果。
S530：根据大津阈值分割法对中值归一化水指数进行处理，获得水陆分离阈值。
通过大津阈值分割法对所有中值归一化水指数对应的遥感图像进行处理，得到可用于区分水体与陆地的水陆分离阈值。在本实验中，水陆分离阈值为2.035。
通过S510-S530，得到可用于分离水体与非水体区域的中值归一化水指数与水陆分离阈值。
请参照图6，其为本申请实施例提供的滨海养殖遥感信息处理装置的结构示意图，该装置600包括水体确定模块610、尺度分割模块620、邻域差分计算模块630、养殖塘提取模块640和网箱养殖提取模块650。
水体确定模块610，用于根据遥感图像的中值归一化水指数和水陆分离阈值，确定遥感图像中的水体区域和非水体区域。
尺度分割模块620，用于对水体区域和非水体区域赋值并进行多尺度分割，获得多个子区域；其中，每一子区域与其所属的水体区域或非水体区域被赋予相同的指定数值。
邻域差分计算模块630，用于根据每一子区域的指定数值，确定每一子区域与其相邻子区域之间的邻域平均差分值。
养殖塘提取模块640，用于根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将多个子区域划分为养殖塘区域和非养殖塘区域。
网箱养殖提取模块650，用于根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域。
于一实施例中，装置600还包括：第一阈值获取模块，用于根据谷歌地球引擎确定所有遥感图像的潜在养殖区域像素的归一化水指数；根据所有遥感图像的潜在养殖区域像素的归一化水指数，确定遥感图像的中值归一化水指数；根据大津阈值分割法对中值归一化水指数进行处理，获得水陆分离阈值。
于一实施例中，装置600还包括：筛选模块，用于获取卫星光学影像，并对所述卫星光学影像进行大气校正和正射校正；根据数字高程模型数据，确定经过校正的卫星光学影像中若干养殖点的坡度；根据若干养殖点的坡度，选择满足预设坡度范围的养殖点，并将经过校正的卫星光学影像中被选中养殖点所在区域作为遥感图像。
于一实施例中，进行多尺度分割包括：通过易康软件根据多尺度分割的多种分割参数，对水体区域和非水体区域进行多尺度分割。
于一实施例中，装置600还包括：第二阈值获取模块，用于根据水体区域对应的指定数值和非水体区域对应的指定数值，确定养殖塘分离阈值。
于一实施例中，养殖塘提取模块640还用于筛选出邻域平均差分值等于养殖塘分离阈值的子区域，作为潜在养殖塘区域，将其它子区域作为非养殖塘区域；从潜在养殖塘区域滤除长宽比位于长宽比范围的区域，得到养殖塘区域。
于一实施例中，网箱养殖提取模块650还用于从属于非养殖塘区域的多个子区域中，筛选出邻域平均差分值为指定邻域平均差分值、且面积小于面积阈值的若干子区域，作为网箱养殖区域。
本申请实施例还提供了一种计算机可读存储介质，包括：程序，当其藉由电子设备100运行时，使得电子设备100可执行上述实施例中方法的全部或部分流程。其中，存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等。存储介质还可以包括上述种类的存储器的组合。
功能如果以软件功能模块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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种滨海养殖遥感信息处理方法，其特征在于，包括：
根据遥感图像的中值归一化水指数和水陆分离阈值，确定所述遥感图像中的水体区域和非水体区域；其中，中值归一化水指数通过对所有遥感图像的归一化水指数波段取中值得到；
对所述水体区域和所述非水体区域赋值并进行多尺度分割，获得多个子区域；其中，每一子区域与其所属的水体区域或非水体区域被赋予相同的指定数值；
根据每一子区域的指定数值，确定每一子区域与其相邻子区域之间的邻域平均差分值；
目标子区域与其相邻子区域之间的邻域平均差分值的计算公式为：
Figure FDA0003874184130000011
其中，NDWIL为目标子区域的归一化水指数，该归一化水指数等于所述目标子区域的指定数值，NDWILi为所述目标子区域相邻的第i个子区域的归一化水指数，L为目标子区域的边长，Lsi为目标子区域与第i个子区域的公共边长；
根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域；
根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域。
2.根据权利要求1所述的方法，其特征在于，在所述根据遥感图像的中值归一化水指数和水陆分离阈值，确定所述遥感图像中的水体区域和非水体区域之前，所述方法还包括：
根据谷歌地球引擎确定所有所述遥感图像的潜在养殖区域像素的归一化水指数；
根据所有所述遥感图像的潜在养殖区域像素的归一化水指数，确定所述遥感图像的中值归一化水指数；
根据大津阈值分割法对所述中值归一化水指数进行处理，获得所述水陆分离阈值。
3.根据权利要求2所述的方法，其特征在于，在所述根据谷歌地球引擎确定所述遥感图像的多个像素的归一化水指数之前，所述方法还包括：
获取卫星光学影像，并对所述卫星光学影像进行大气校正和正射校正；
根据数字高程模型数据，确定经过校正的卫星光学影像中若干养殖点的坡度；
根据若干养殖点的坡度，选择满足预设坡度范围的养殖点，并将经过校正的卫星光学影像中被选中养殖点所在区域作为所述遥感图像。
4.根据权利要求1所述的方法，其特征在于，所述进行多尺度分割，包括：
通过易康软件根据多尺度分割的多种分割参数，对所述水体区域和所述非水体区域进行多尺度分割。
5.根据权利要求1所述的方法，其特征在于，在所述根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域之前，所述方法还包括：
根据所述水体区域对应的指定数值和所述非水体区域对应的指定数值，确定所述养殖塘分离阈值。
6.根据权利要求1所述的方法，其特征在于，所述根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域，包括：
筛选出邻域平均差分值等于所述养殖塘分离阈值的子区域，作为潜在养殖塘区域，将其它子区域作为非养殖塘区域；
从所述潜在养殖塘区域滤除长宽比位于长宽比范围的区域，得到养殖塘区域。
7.根据权利要求1所述的方法，其特征在于，所述根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域，包括：
从属于非养殖塘区域的多个子区域中，筛选出邻域平均差分值为所述指定邻域平均差分值、且面积小于所述面积阈值的若干子区域，作为所述网箱养殖区域。
8.一种滨海养殖遥感信息处理装置，其特征在于，所述装置包括：
水体确定模块，用于根据遥感图像的中值归一化水指数和水陆分离阈值，确定所述遥感图像中的水体区域和非水体区域；其中，中值归一化水指数通过对所有遥感图像的归一化水指数波段取中值得到；
尺度分割模块，用于对所述水体区域和所述非水体区域赋值并进行多尺度分割，获得多个子区域；其中，每一子区域与其所属的水体区域或非水体区域被赋予相同的指定数值；
邻域差分计算模块，用于根据每一子区域的指定数值，确定每一子区域与其相邻子区域之间的邻域平均差分值；
目标子区域与其相邻子区域之间的邻域平均差分值的计算公式为：
Figure FDA0003874184130000041
其中，NDWIL为目标子区域的归一化水指数，该归一化水指数等于所述目标子区域的指定数值，NDWILi为所述目标子区域相邻的第i个子区域的归一化水指数，L为目标子区域的边长，Lsi为目标子区域与第i个子区域的公共边长；
养殖塘提取模块，用于根据养殖塘分离阈值和多个子区域对应的邻域平均差分值，将所述多个子区域划分为养殖塘区域和非养殖塘区域；
网箱养殖提取模块，用于根据指定邻域平均差分值和面积阈值，从属于非养殖塘区域的多个子区域中确定网箱养殖区域。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-7任意一项所述的方法。
CN202210263864.7A 2022-03-17 2022-03-17 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 Active CN114596300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210263864.7A CN114596300B (zh) 2022-03-17 2022-03-17 滨海养殖遥感信息处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210263864.7A CN114596300B (zh) 2022-03-17 2022-03-17 滨海养殖遥感信息处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114596300A CN114596300A (zh) 2022-06-07
CN114596300B true CN114596300B (zh) 2022-11-08

Family

ID=81817638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210263864.7A Active CN114596300B (zh) 2022-03-17 2022-03-17 滨海养殖遥感信息处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114596300B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840496A (zh) * 2019-01-29 2019-06-04 青岛大学 海水养殖区分层分类提取方法、装置、存储介质及电子设备
CN110033460A (zh) * 2019-04-03 2019-07-19 中国科学院地理科学与资源研究所 一种基于尺度空间变换的卫星影像中海上养殖区提取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256534B (zh) * 2018-01-29 2019-03-15 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN110991393A (zh) * 2019-12-17 2020-04-10 北京航天泰坦科技股份有限公司 一种海岸线变迁遥感监测与分析的方法及装置
CN112560585B (zh) * 2020-11-27 2024-04-16 中国科学院东北地理与农业生态研究所 一种基于AWEInsh与MNDWI指数相结合的养殖池塘信息提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840496A (zh) * 2019-01-29 2019-06-04 青岛大学 海水养殖区分层分类提取方法、装置、存储介质及电子设备
CN110033460A (zh) * 2019-04-03 2019-07-19 中国科学院地理科学与资源研究所 一种基于尺度空间变换的卫星影像中海上养殖区提取方法

Also Published As

Publication number Publication date
CN114596300A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
US9942440B2 (en) Image-based field boundary detection and identification
Duru Shoreline change assessment using multi-temporal satellite images: a case study of Lake Sapanca, NW Turkey
EP3408828B1 (en) Systems and methods for detecting imaged clouds
Purinton et al. Introducing PebbleCounts: a grain-sizing tool for photo surveys of dynamic gravel-bed rivers
CN102855494B (zh) 一种卫星遥感影像的水体提取方法及装置
Sobiech et al. Observing lake-and river-ice decay with SAR: advantages and limitations of the unsupervised k-means classification approach
Karami et al. Gully erosion mapping using object-based and pixel-based image classification methods
CN111881816B (zh) 一种长时序的河湖围埂养殖区域监测方法
Li et al. Accurate water extraction using remote sensing imagery based on normalized difference water index and unsupervised deep learning
CN111310681B (zh) 一种融入地学知识的红树林分布遥感提取方法
CN109359533B (zh) 一种基于多波段遥感影像的海岸线提取方法
Spinosa et al. Remote sensing-based automatic detection of shoreline position: A case study in apulia region
Liu et al. Mapping China’s offshore mariculture based on dense time-series optical and radar data
Roncoroni et al. Centimeter-scale mapping of phototrophic biofilms in glacial forefields using visible band ratios and UAV imagery
Bertin et al. Assessment of RTK Quadcopter and structure-from-motion photogrammetry for fine-scale monitoring of coastal topographic complexity
CN112085725B (zh) 基于启发式迭代算法的残膜残留量检测方法及预警系统
Teodoro et al. Extraction of Cabedelo sand spit area (Douro estuary) from satellite images through image processing techniques
CN114596300B (zh) 滨海养殖遥感信息处理方法、装置、电子设备及存储介质
Taherzadeh et al. Using hyperspectral remote sensing data in urban mapping over Kuala Lumpur
Xu et al. Classification of coral reef benthos around Ganquan Island using WorldView-2 satellite imagery
Azhar et al. A framework for multiscale intertidal sandflat mapping: A case study in the Whangateau estuary
Zhang et al. Water quality parameters retrieval of coastal mariculture ponds based on UAV multispectral remote sensing
Zhu et al. spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data
Elmahdy et al. Change detection and mapping of mangrove using multi-temporal remote sensing data: a case study of Abu Dhabi, UAE
Na et al. Remote sensing classification of marsh wetland with different resolution images

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