CN114758254B - 一种双波段无监督水深反演方法及系统 - Google Patents

一种双波段无监督水深反演方法及系统 Download PDF

Info

Publication number
CN114758254B
CN114758254B CN202210671487.0A CN202210671487A CN114758254B CN 114758254 B CN114758254 B CN 114758254B CN 202210671487 A CN202210671487 A CN 202210671487A CN 114758254 B CN114758254 B CN 114758254B
Authority
CN
China
Prior art keywords
band
remote sensing
water depth
sensing image
pixel
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
CN202210671487.0A
Other languages
English (en)
Other versions
CN114758254A (zh
Inventor
王力哲
谌一夫
张笑寒
乐源
严茜
胡萌志
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202210671487.0A priority Critical patent/CN114758254B/zh
Publication of CN114758254A publication Critical patent/CN114758254A/zh
Application granted granted Critical
Publication of CN114758254B publication Critical patent/CN114758254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Hydrology & Water Resources (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种双波段无监督水深反演方法及系统，包括：获取第一遥感影像，通过边缘检测算法获得遥感影像中的水陆边界点，其中，第一遥感影像为第一时刻的遥感影像；在与水陆边界点平行的方向上选取第一数量的像素点，选取与每个像素点的相邻像素组成第一像素对，其中，根据遥感影像的底质类型数量确定第一数量；在与水陆边界点垂直的方向上选取第二数量的像素点，作为第一参考像素；获取第二遥感影像，以相同的方式获得第二像素对和第二参考像素；根据第一像素对、第一参考像素、第二像素对和第二参考像素通过双波段HOPE模型进行水深反演，获得第一遥感影像和第二遥感影像的水深信息，保证可以根据遥感影像反演获得水深。

Description

一种双波段无监督水深反演方法及系统
技术领域
本发明涉及海洋遥感领域，具体而言，涉及一种双波段无监督水深反演方法及系统。
背景技术
水深是浅海重要的地形要素，对于海岸工程规划与开发、海上航运以及对于海岛的管理与开发具有重要意义，传统的水深测量大多是由技术人员实地测量，但是在远离大陆或境外的海岸带、岛礁区域，技术人员往往难以登岛进行实地测量，且在海岸带和岛礁区域的实测数据范围较小，获取难度也较大。现有的适用于海岛礁区域的水深测量方法包括实测控制点数据、基于监督算法的水深反演方法必须依靠已测得的数据获取水深，在实际应用中具有较多的限制，且效率较低。
发明内容
本发明解决的问题是如何高效快速地获得遥感影像中指定区域的水深。
为解决上述问题，本发明提供一种双波段无监督水深反演方法，包括：
获取第一遥感影像，通过边缘检测算法获得所述第一遥感影像中的水陆边界点，其中，所述第一遥感影像为第一时刻的遥感影像；在与所述水陆边界点平行的方向上选取第一数量的像素点，选取与每个所述像素点的相邻像素组成第一像素对；在与所述水陆边界点垂直的方向上选取第二数量的像素点，作为第一参考像素，其中，根据所述第一遥感影像的尺寸和分辨率确定所述第二数量；获取第二遥感影像，以与针对所述第一遥感影像相同的方式获得第二像素对和第二参考像素，其中，所述第二遥感影像为第二时刻的遥感影像；根据所述第一像素对、所述第一参考像素、所述第二像素对和所述第二参考像素通过双波段HOPE模型进行水深反演，获得所述第一遥感影像的水深信息。
可选地，根据所述第一像素对获得所述第一遥感影像中蓝绿波段的第一单位向量；根据所述第一参考像素获得所述第一遥感影像的扩散衰减系数的第一蓝绿波段比；根据所述第二像素对获得所述第二遥感影像中蓝绿波段的第二单位向量；根据所述第二参考像素获得所述第二遥感影像的扩散衰减系数的第二蓝绿波段比；根据所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比构建反演公式，以获得所述水深信息。
可选地，所述根据所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比构建反演公式，以获得所述水深信息包括：
基于所述双波段HOPE模型处理所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比，构建代价函数；求解所述代价函数的最小值，获得最小代价，其中，所述最小代价包括特定中心波长的粒子的后向散射系数，所述后向散射系数包括所述第一时刻的所述后向散射系数和所述第二时刻的所述后向散射系数；将所述第一时刻和所述第二时刻的所述后向散射系数代入所述双波段HOPE模型中，获得所述水深信息。
可选地，所述根据所述第一像素对获得所述第一遥感影像中蓝绿波段的第一单位向量包括：
通过下述公式计算所述第一单位向量：
Figure 100002_DEST_PATH_IMAGE002
，
其中，
Figure 100002_DEST_PATH_IMAGE004
表示所述第一单位向量，
Figure 100002_DEST_PATH_IMAGE006
表示所述第一单位向量与底质参数数量积之和，n表示所述第一像素对的数量。
可选地，所述求解所述代价函数的最小值，获得最小代价包括：
对所述代价函数中的未知参数设立约束区间；在所述未知参数的所述约束区间内，使用最小二乘法求解所述代价函数的最小值，获得所述最小代价。
可选地，所述在所述未知参数的所述约束区间内，使用最小二乘法求解所述代价函数的最小值，获得所述最小代价包括：
使用下述公式通过所述最小二乘法计算获得所述最小代价：
Figure 100002_DEST_PATH_IMAGE008
，
其中，
Figure 100002_DEST_PATH_IMAGE010
表示所述代价函数的所述最小值，
Figure 100002_DEST_PATH_IMAGE012
表示在所述第一时刻传感器接收到的辐亮度观测值，
Figure 100002_DEST_PATH_IMAGE014
表示在所述第一时刻所述传感器接收到的辐亮度模拟值，
Figure 100002_DEST_PATH_IMAGE016
表示所述第一时刻的所述未知参数，
Figure 100002_DEST_PATH_IMAGE018
表示所述第二时刻的所述未知参数。
可选地，所述将所述第一时刻和所述第二时刻的所述后向散射系数代入所述双波段HOPE模型中，获得所述水深信息包括：
使用下述公式计算所述水深信息：
Figure 100002_DEST_PATH_IMAGE020
，
其中，z表示所述水深信息，
Figure 100002_DEST_PATH_IMAGE022
、
Figure 100002_DEST_PATH_IMAGE024
和
Figure 100002_DEST_PATH_IMAGE026
分别表示由所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比计算的系数。
可选地，在所述根据所述第一像素对、所述第一参考像素、所述第二像素对和所述第二参考像素通过双波段HOPE模型进行水深反演，获得所述第一遥感影像的水深信息之前，还包括：
对单波段HOPE模型进行双波段变换；将双波段变换后的所述单波段HOPE模型通过向量相加的方式变换为所述双波段HOPE模型。
可选地，所述在与所述水陆边界点平行的方向上选取第一数量的像素点，选取与每个所述像素点的相邻像素组成第一像素对包括：
获取在所述第一遥感影像中的海底底质类型数量，根据所述海底底质类型数量确定所述第一数量，其中，所述第一数量与所述海底底质类型数量呈正相关关系。
相对于现有技术，本发明通过边缘检测算法获得遥感影像中的水陆边界点，由水陆边界点提取像素，进而对水深进行反演计算，代替传统的底质反射率，保证减少对水深反演的影响；提取与水陆边界平行的第一像素对，保证在第一像素对中的所有像素均处于同一水深；提取与水陆边界垂直的像素作为第一参考像素，保证第一参考像素中的像素点处于不同的水深，然后根据双波段变换后的双波段HOPE模型进行水深反演，获得水深信息，保证通过遥感影像即可反演水深信息。
另一方面，本发明还提出一种双波段无监督水深反演系统，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的双波段无监督水深反演方法。
所述双波段无监督水深反演系统相对于现有技术所具有的有益效果与上述双波段无监督水深反演方法一致，在此不再赘述。
附图说明
图1为本发明实施例的双波段无监督水深反演方法的流程示意图；
图2为本发明实施例的双波段无监督水深反演方法步骤S500细化后的流程示意图；
图3为本发明实施例的双波段无监督水深反演方法步骤S550细化后的流程示意图；
图4为本发明实施例的双波段无监督水深反演方法步骤S552细化后的流程示意图；
图5为本发明实施例的双波段无监督水深反演方法步骤S500之前的流程示意图；
图6为本发明实施例的双波段无监督水深反演方法的像素示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
如图1所示，本发明实施例提供的一种双波段无监督水深反演方法，包括：
步骤S100，获取第一遥感影像，通过边缘检测算法获得所述第一遥感影像中的水陆边界点，其中，所述第一遥感影像为第一时刻的遥感影像。
可选地，通过Canny边缘检测算法检测遥感影像中的水陆边界点。
在另一些实施例中，也可以使用其他边缘检测算法检测遥感影像中的水陆边界点。
在一实施例中，首先获取第一时刻的遥感影像，然后使用预设的边缘检测算法，检测出水陆交界处的像素，对水陆交界的像素值取均值后进行辐射转换，作为遥感影像的默认底质反射率。底质反射率表示卫星上的传感器接收到被浅水底质反射辐亮度与浅水底质本身接收的太阳辐亮度的比值。在本发明中，通过将水陆边界点进行取均值，然后进行辐射变换，将结果作为默认底质反射率，可以减少底质反射率对水深反演的影响。
步骤S200，在与所述水陆边界点平行的方向上选取第一数量的像素点，选取与每个所述像素点的相邻像素组成第一像素对。
优选地，在水陆交界处平行的方向上选取50个像素点。
可选地，在与所述水陆边界点平行的方向上随机选取第一数量的像素点。
在一实施例中，随机选取与水陆边界点平行方向上的50个像素点，对于每个像素点，都选取一个与之相邻的像素，组成50个像素对，将所述50个像素对作为第一像素对。因50个像素均从水陆边界点平行的方向选取的，故这50个像素点可以看作水深相同，由此可进一步推出，第一像素对中的所有（100个）像素所在的水深均相同。另一方面，由于是随机选取，则第一像素对中的像素所在的底质类型并不相同。
如图6所示，N、N+3、N+6为水陆边界，则N+1、N+4、N+7的方向是与水陆边界平行，N+3、N+4、N+5的方向与水陆边界垂直。
几何上，如果水属性在空间上是均匀的，则最佳单位向量应垂直于连接所有底部类型等深度向量数据点的线，对于不同底质类型的浅水区，最佳旋转系数单位向量应使最佳单位向量与底质参数数量积之和不仅与水深最大相关，而且相对于不同底质类型最大独立。即，若水属性在空间上是均匀的，则最佳单位向量仅与水深相关，且与底质类型无关，因此空间上最佳单位向量与每个的像素对的连线均垂直，每个像素对与最佳单位向量的数量积为0，因此最佳单位向量与50个像素对的数量积的总和也为0。
在实际应用中，由于像素对之间的水属性和底部反射率值的可变性，并不是所有的像素对严格符合标准，导致某个或某几个数量积不为0，所有数量积相加之后可能会大于0，但是可以实现差异值之和的最小化，求得差异值的最小值即为最佳单位向量。
可选地，底质类型包括沙底、岩石底、珊瑚/海草底。
其中，每种底质类型的底部反射率不同。
步骤S300，在与所述水陆边界点垂直的方向上选取第二数量的像素点，作为第一参考像素，其中，根据所述第一遥感影像的尺寸和分辨率确定所述第二数量。
在一实施例中，在水陆边界点垂直的方向上选取预设数量的像素点，因像素点与水陆边界点垂直，故这些像素点所在的水深不同且底质类型相同。
在理论中，浅水中扩散衰减系数的蓝绿波段比在空间上是不变的，则利用步骤S200获取到的水深相同底质类型不同与步骤S300获取到的水深不同底质类型相同的像素点分别计算扩散衰减系数的蓝绿波段比，然后进行解算即可对水深进行反演计算。
步骤S400，获取第二遥感影像，以与针对所述第一遥感影像相同的方式获得第二像素对和第二参考像素，其中，所述第二遥感影像为第二时刻的遥感影像。
在理论中，去除潮汐的影响之后，在一定时间段内，同一区域的水深不会发生变化，故获取第二时刻的遥感影像，以相同的方式获得第二像素对和第二参考像素。
可选地，第一时刻与第二时刻的间隔为一个卫星回访周期。
可选地，第一时刻与第二时刻不超过15天。
在一实施例中，将第一时刻之后的第一个卫星回访时刻作为第二时刻。获取第二时刻的第二遥感影像，然后获取第二遥感影像中与水陆边界点平行的方向上选取第一数量的像素点，然后选取与每个所述像素点的相邻像素组成第二像素对；选取与水陆边界点垂直方向上第二数量的像素点，作为第二参考像素。因在两时刻中，相同像素点所在的水深相同，根据HOPE模型中的公式建立等式，求出未知参数，然后根据标准HOPE模型建立代价函数，求出最终的未知量，代入双波段HOPE模型进行水深反演。
HOPE(Hyperspectral Optimization Process Exemplar)算法是比较常用的高光谱水深反演算法。
步骤S500，根据所述第一像素对、所述第一参考像素、所述第二像素对和所述第二参考像素通过双波段HOPE模型进行水深反演，获得所述第一遥感影像的水深信息。
根据浅水中扩散衰减系数的蓝绿波段比在空间上不变，利用双波段HOPE模型，使用第一参考像素计算出回归斜率（蓝绿波段扩散衰减系数之比），然后根据标准HOPE模型对回归斜率中一个波段的扩散衰减系数进行解算，再通过回归斜率即可计算出另一个波段的扩散衰减系数。在一实施例中，由HOPE公式可以解算出绿波段的扩散衰减系数，然后根据回归斜率进而算出蓝波段的扩散衰减系数。
根据一定时间内同一区域的水深不会发生变化这一性质，将第一时刻与第二时刻的遥感影像分别建立表示水深的等式，因水深相等，所以可以将两等式合并。然后再根据标准HOPE模型构建代价函数，最终根据合并后的等式以及代价函数求出等式中的未知参数，然后根据求得的未知参数通过双波段HOPE模型推导出的公式进行水深反演，获得遥感影像的水深信息，该水深信息即为第一遥感影像与第二遥感影像的水深信息。
可选地，如图5所示，在步骤S500之前，还包括：
步骤S900，对单波段HOPE模型进行双波段变换；
步骤S901，将双波段变换后的所述单波段HOPE模型通过向量相加的方式变换为所述双波段HOPE模型。
对单波段HOPE模型进行HOPE模型双波段变换。在经过公式变换之后需要使用向量相加的方式将单波段模型变换为双波段模型，保证通过双波段求出与底质反射率最大无关而与水深最大相关的最佳单位向量，进而将底质类型与水深反演的影响降到最低。
双波段变换过程如下述公式所示：
Figure DEST_PATH_IMAGE028
，
假设
Figure DEST_PATH_IMAGE030
，令
Figure DEST_PATH_IMAGE032
则：
Figure DEST_PATH_IMAGE034
，
令
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE038
则：
Figure DEST_PATH_IMAGE040
，
其中，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
。
将两个单波段公式进行向量相加得：
Figure DEST_PATH_IMAGE046
，
其中
Figure DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE054
，取
Figure DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE058
可得：
Figure DEST_PATH_IMAGE060
，
其中，z表示水深信息，
Figure DEST_PATH_IMAGE062
表示底质反射率。由双波段HOPE公式可知，
Figure DEST_PATH_IMAGE064
由蓝绿波段扩散衰减系数
Figure DEST_PATH_IMAGE066
和最佳单位向量
Figure DEST_PATH_IMAGE068
获得。
在一实施例中，对水陆交界的像素值取均值后进行辐射转换，作为遥感影像的底质反射率
Figure DEST_PATH_IMAGE069
以减小底质类型对水深反演的影响。将HOPE模型进行双波段变换，获得双波段HOPE模型，然后通过求蓝绿波段扩散衰减系数
Figure 952418DEST_PATH_IMAGE066
和最佳单位向量
Figure 416897DEST_PATH_IMAGE068
，再带入表示深度的公式中，反演出遥感影像的深度。
可选地，如图2所示，步骤S500包括：
步骤S510，根据所述第一像素对获得所述第一遥感影像中蓝绿波段的第一单位向量。
因在空间上最佳单位向量与所有的相邻像素对构成的连线垂直，故需使最佳单位向量与底质参数数量积之和尽可能小，则由需满足下述公式：
Figure DEST_PATH_IMAGE071
，
其中，
Figure DEST_PATH_IMAGE073
表示最佳单位向量与底质参数数量积之和，
Figure DEST_PATH_IMAGE075
表示最佳单位向量，
Figure DEST_PATH_IMAGE077
与
Figure DEST_PATH_IMAGE079
分别表示两像素点连线表示的向量。
步骤S520，根据所述第一参考像素获得所述第一遥感影像的扩散衰减系数的第一蓝绿波段比。
Figure DEST_PATH_IMAGE081
，
Figure DEST_PATH_IMAGE083
，
其中，
Figure DEST_PATH_IMAGE085
由步骤S900的公式推导而出，
Figure DEST_PATH_IMAGE087
表示回归斜率，即扩散衰减系数的第一蓝绿波段比。
步骤S530，根据所述第二像素对获得所述第二遥感影像中蓝绿波段的第二单位向量。
步骤S540，根据所述第二参考像素获得所述第二遥感影像的扩散衰减系数的第二蓝绿波段比。
基于扩散衰减系数的蓝绿波段比不变这一特性，通过第一参考像素表示出扩散衰减系数的第一蓝绿波段比，通过第二参考像素表示出扩散衰减系数的第二蓝绿波段比。此时可通过蓝波或绿波任意一个的扩散衰减系数进行解算，然后根据另一个蓝绿波段比即可求出另一个波段的扩散衰减系数。
在一实施例中，取参数
Figure DEST_PATH_IMAGE089
=0.084，
Figure DEST_PATH_IMAGE091
=0.17，
Figure DEST_PATH_IMAGE093
=1，根据标准HOPE公式可得：
Figure DEST_PATH_IMAGE095
Figure DEST_PATH_IMAGE097
，
Figure DEST_PATH_IMAGE099
，
Figure DEST_PATH_IMAGE101
，
Figure DEST_PATH_IMAGE103
，
Figure DEST_PATH_IMAGE105
，
Figure DEST_PATH_IMAGE107
，
其中，
Figure DEST_PATH_IMAGE108
、
Figure DEST_PATH_IMAGE109
和
Figure DEST_PATH_IMAGE110
的取值为经验值，
Figure DEST_PATH_IMAGE112
表示离水辐照度与水下行辐照度的比率，
Figure DEST_PATH_IMAGE114
表示后向散射与吸收系数之比，
Figure DEST_PATH_IMAGE116
表示中心波长，
Figure DEST_PATH_IMAGE118
表示后向散射系数，
Figure DEST_PATH_IMAGE120
表示吸收系数，
Figure DEST_PATH_IMAGE122
表示粒子后向散射系数，
Figure DEST_PATH_IMAGE124
表示纯水的后向散射系数，
Figure DEST_PATH_IMAGE126
表示纯水的吸收系数，
Figure DEST_PATH_IMAGE128
表示浮游植物吸收系数，
Figure DEST_PATH_IMAGE130
表示有色溶解有机物和碎屑光吸收系数，P表示中心波长为443波段的浮游植物吸收系数，G表示中心波长为443波段的有色溶解有机物和碎屑光吸收系数，X表示中心波长为443波段的粒子后向散射系数，
Figure DEST_PATH_IMAGE132
可看作未知参数的函数。
通过上述公式，将总吸收系数和总后向散射系数分解为三个未知参数P、G、X，分别对第一时刻和第二时刻构建上述公式，得出三对/六个未知参数
Figure DEST_PATH_IMAGE133
和
Figure DEST_PATH_IMAGE134
。
步骤S550，根据所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比构建反演公式，以获得所述水深信息。
在一实施例中，根据标准的HOPE模型构建公式：
Figure DEST_PATH_IMAGE136
，
因在浅水中，扩散衰减系数的蓝绿波段比在空间上不变，则通过标准HOPE模型，使用两个时刻的
Figure DEST_PATH_IMAGE138
、
Figure DEST_PATH_IMAGE140
、
Figure DEST_PATH_IMAGE142
、
Figure DEST_PATH_IMAGE144
和
Figure DEST_PATH_IMAGE146
分别表示第一时刻和第二时刻的水深，将两个表示水深的等式合并，然后进行变形，可得：
Figure DEST_PATH_IMAGE148
，
在上述公式中，将第一时刻的绿波段的后向散射系数
Figure DEST_PATH_IMAGE150
作为验证值，将第一时刻的绿波段、第二时刻的蓝绿两波段的后向散射系数均作为已知值，进而模拟第一时刻绿波段的值。
其中，
Figure DEST_PATH_IMAGE152
表示第一时刻，
Figure DEST_PATH_IMAGE154
表示第二时刻。
可选地，步骤S510包括：通过下述公式计算所述第一单位向量：
Figure DEST_PATH_IMAGE155
，
其中，
Figure DEST_PATH_IMAGE156
表示所述第一单位向量，
Figure DEST_PATH_IMAGE157
表示所述第一单位向量与底质参数数量积之和，n表示所述第一像素对的数量。
可选地，如图3所示，步骤S550包括：
步骤S551，基于所述双波段HOPE模型处理所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比，构建代价函数。
步骤S552，求解所述代价函数的最小值，获得最小代价，其中，所述最小代价包括特定中心波长的粒子的后向散射系数，所述后向散射系数包括所述第一时刻的所述后向散射系数和所述第二时刻的所述后向散射系数。
步骤S553，将所述第一时刻和所述第二时刻的所述后向散射系数代入所述双波段HOPE模型中，获得所述水深信息。
由步骤540可得，总吸收系数和总后向散射系数可以分解为三个未知参数P、G、X，故可由标准HOPE模型构建如下所示的代价函数：
Figure DEST_PATH_IMAGE159
，
进而将两个时刻的六个未知参数带入得：
Figure DEST_PATH_IMAGE161
，
在所述未知参数的所述约束区间内，使用最小二乘法求解所述代价函数的最小值，获得所述最小代价包括：
使用下述公式通过所述最小二乘法计算获得所述最小代价：
Figure DEST_PATH_IMAGE162
，
其中，
Figure DEST_PATH_IMAGE163
表示所述代价函数的所述最小值，
Figure DEST_PATH_IMAGE164
表示在所述第一时刻传感器接收到的辐亮度观测值，
Figure DEST_PATH_IMAGE165
表示在所述第一时刻所述传感器接收到的辐亮度模拟值，
Figure DEST_PATH_IMAGE167
分别表示所述第一时刻的所述未知参数，
Figure DEST_PATH_IMAGE169
分别表示所述第二时刻的所述未知参数。
可选地，如图4所示，步骤S552包括：
S5521，对所述代价函数中的未知参数设立约束区间；
S5522，在所述未知参数的所述约束区间内，使用最小二乘法求解所述代价函数的最小值，获得所述最小代价。
在一实施例中，未知参数的约束区间如下表所示：
Figure DEST_PATH_IMAGE171
使用上表中的未知参数的取值范围和初始值，结合步骤S553中的代价函数，使用最小二乘优化的方法求出
Figure DEST_PATH_IMAGE173
，即最小代价，得到优化后的未知参数
Figure DEST_PATH_IMAGE175
。
将未知参数代入公式
Figure DEST_PATH_IMAGE176
中，利用已求出的最佳单位向量
Figure DEST_PATH_IMAGE178
、蓝绿波段扩散系数
Figure DEST_PATH_IMAGE180
通过公式反演获得水深z。
本发明完整的实施例为：
对HOPE模型进行双波段处理，以向量相加的方式将单波段模型变换为双波段模型，推导出表示深度的公式。其中，需要获得最佳单位向量、未知参数以及扩散衰减系数的蓝绿波段的数值才可获得水深。
故，首先获取第一时刻和第二时刻的遥感影像，其中第一时刻与第二时刻需要在一定时间间隔内，满足两个遥感影像的水深相同。然后通过边缘检测算法检测水陆交界点，将水陆边界点得到的蓝绿波段的像素值均值作为底质反射率，以减小底质类型对水深反演的影响。对于第一遥感影像，随机提取50个平行于水陆交界，并提取相邻的像素，组成50个像素对，作为第一像素对，然后提取第二数量与水陆交界垂直的像素作为第一参考像素。同理，将第二时刻的第二遥感影像进行同样的处理。因最佳单位向量与水深有关，与底质类型无关，故可利用水深相同的第一像素对求出最佳单位向量；因潜水中扩散衰减系数的蓝绿波段比是不变的，故使用参考像素表示出回归斜率（蓝绿波段扩散衰减系数之比），通过标注HOPE公式即可解算出回归斜率中的一个波段的扩散衰减系数，进而求出另一个波段的扩散衰减系数。
通过标准HOPE公式可将总吸收系数和总后向散射系数分解为三个未知参数X、G和P。根据第一遥感影像和第二遥感影像中，水深不变的性质，利用标准HOPE模型构建代价函数，在X、G和P的约束条件内使用最小二乘法计算代价函数的最小值，即可获得优化后的未知参数
Figure DEST_PATH_IMAGE181
。将最佳单位向量、蓝绿波段扩散衰减系数和优化后的未知参数代入最初推导出的水深公式，获得遥感影像的水深。
本发明又一实施例提供的一种双波段无监督水深反演系统，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的双波段无监督水深反演方法。
现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
电子设备包括计算单元，其可以根据存储在只读存储器（ROM）中的计算机程序或者从存储单元加载到随机访问存储器（RAM）中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。在本申请中，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发明实施例方案的目的。另外，在本发明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，也可以是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。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (8)

1.一种双波段无监督水深反演方法，其特征在于，包括：
获取第一遥感影像，通过边缘检测算法获得所述第一遥感影像中的水陆边界点，其中，所述第一遥感影像为第一时刻的遥感影像；
在与所述水陆边界点平行的方向上选取第一数量的像素点，选取与每个所述像素点的相邻像素组成第一像素对；
在与所述水陆边界点垂直的方向上选取第二数量的像素点，作为第一参考像素，其中，根据所述第一遥感影像的尺寸和分辨率确定所述第二数量；
获取第二遥感影像，以与针对所述第一遥感影像相同的方式获得第二像素对和第二参考像素，其中，所述第二遥感影像为第二时刻的遥感影像；
根据所述第一像素对、所述第一参考像素、所述第二像素对和所述第二参考像素通过双波段HOPE模型进行水深反演，获得所述第一遥感影像的水深信息，其中，根据所述第一像素对获得所述第一遥感影像中蓝绿波段的第一单位向量；根据所述第一参考像素获得所述第一遥感影像的扩散衰减系数的第一蓝绿波段比；根据所述第二像素对获得所述第二遥感影像中蓝绿波段的第二单位向量；根据所述第二参考像素获得所述第二遥感影像的扩散衰减系数的第二蓝绿波段比；根据所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比构建反演公式，以获得所述水深信息，其中，基于所述双波段HOPE模型处理所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比，构建代价函数；求解所述代价函数的最小值，获得最小代价，其中，所述最小代价包括特定中心波长的粒子的后向散射系数，所述后向散射系数包括所述第一时刻的所述后向散射系数和所述第二时刻的所述后向散射系数；将所述第一时刻和所述第二时刻的所述后向散射系数代入所述双波段HOPE模型中，获得所述水深信息。
2.根据权利要求1所述的双波段无监督水深反演方法，其特征在于，所述根据所述第一像素对获得所述第一遥感影像中蓝绿波段的第一单位向量包括：
通过下述公式计算所述第一单位向量：
Figure DEST_PATH_IMAGE002
，
其中，
Figure DEST_PATH_IMAGE004
表示所述第一单位向量，
Figure DEST_PATH_IMAGE006
表示所述第一单位向量与底质参数数量积之和，n表示所述第一像素对的数量。
3.根据权利要求1或2所述的双波段无监督水深反演方法，其特征在于，所述求解所述代价函数的最小值，获得最小代价包括：
对所述代价函数中的未知参数设立约束区间；
在所述未知参数的所述约束区间内，使用最小二乘法求解所述代价函数的最小值，获得所述最小代价。
4.根据权利要求3所述的双波段无监督水深反演方法，其特征在于，所述在所述未知参数的所述约束区间内，使用最小二乘法求解所述代价函数的最小值，获得所述最小代价包括：
使用下述公式通过所述最小二乘法计算获得所述最小代价：
Figure DEST_PATH_IMAGE008
，
其中，
Figure DEST_PATH_IMAGE010
表示所述代价函数的所述最小值，
Figure DEST_PATH_IMAGE012
表示在所述第一时刻传感器接收到的辐亮度观测值，
Figure DEST_PATH_IMAGE014
表示在所述第一时刻所述传感器接收到的辐亮度模拟值，
Figure DEST_PATH_IMAGE016
表示所述第一时刻的所述未知参数，
Figure DEST_PATH_IMAGE018
表示所述第二时刻的所述未知参数。
5.根据权利要求4所述的双波段无监督水深反演方法，其特征在于，所述将所述第一时刻和所述第二时刻的所述后向散射系数代入所述双波段HOPE模型中，获得所述水深信息包括：
使用下述公式计算所述水深信息：
Figure DEST_PATH_IMAGE020
，
其中，z表示所述水深信息，
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE024
和
Figure DEST_PATH_IMAGE026
分别表示由所述第一单位向量、所述第二单位向量、所述扩散衰减系数的第一蓝绿波段比和所述扩散衰减系数的第二蓝绿波段比计算的系数。
6.根据权利要求1所述的双波段无监督水深反演方法，其特征在于，在所述根据所述第一像素对、所述第一参考像素、所述第二像素对和所述第二参考像素通过双波段HOPE模型进行水深反演，获得所述第一遥感影像的水深信息之前，还包括：
对单波段HOPE模型进行双波段变换；
将双波段变换后的所述单波段HOPE模型通过向量相加的方式变换为所述双波段HOPE模型。
7.根据权利要求1所述的双波段无监督水深反演方法，其特征在于，所述在与所述水陆边界点平行的方向上选取第一数量的像素点，选取与每个所述像素点的相邻像素组成第一像素对包括：
获取在所述第一遥感影像中的海底底质类型数量，根据所述海底底质类型数量确定所述第一数量，其中，所述第一数量与所述海底底质类型数量呈正相关关系。
8.一种双波段无监督水深反演系统，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现权利要求1-7任一所述的双波段无监督水深反演方法。
CN202210671487.0A 2022-06-15 2022-06-15 一种双波段无监督水深反演方法及系统 Active CN114758254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210671487.0A CN114758254B (zh) 2022-06-15 2022-06-15 一种双波段无监督水深反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210671487.0A CN114758254B (zh) 2022-06-15 2022-06-15 一种双波段无监督水深反演方法及系统

Publications (2)

Publication Number Publication Date
CN114758254A CN114758254A (zh) 2022-07-15
CN114758254B true CN114758254B (zh) 2022-11-18

Family

ID=82336079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210671487.0A Active CN114758254B (zh) 2022-06-15 2022-06-15 一种双波段无监督水深反演方法及系统

Country Status (1)

Country Link
CN (1) CN114758254B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618633B (zh) * 2022-10-31 2023-08-01 海南师范大学 一种基于纯水吸收高光谱特征的水深反演方法
CN117237430B (zh) * 2023-11-10 2024-03-08 中国地质大学（武汉） 一种高精度多时序水深反演方法、计算设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100778014B1 (ko) * 2005-09-16 2007-11-21 한국건설기술연구원 영상을 이용한 액체 높이 측정 장치 및 방법
CN102176001B (zh) * 2011-02-10 2013-05-08 哈尔滨工程大学 一种基于透水波段比值因子的水深反演方法
CN105469393A (zh) * 2015-11-18 2016-04-06 国家海洋局第一海洋研究所 基于决策融合的浅海水深多时相遥感影像反演方法
CN105865424B (zh) * 2016-04-13 2019-09-17 中测新图(北京)遥感技术有限责任公司 一种基于非线性模型的多光谱遥感水深反演方法及装置
CN109059796B (zh) * 2018-07-20 2020-07-31 自然资源部第三海洋研究所 无水深控制点区域的浅海水深多光谱卫星遥感反演方法
CN112013822A (zh) * 2020-07-22 2020-12-01 武汉智图云起科技有限公司 基于改进gwr模型的多光谱遥感水深反演方法
CN111947628B (zh) * 2020-08-25 2022-05-27 自然资源部第一海洋研究所 基于固有光学参数的线性水深反演方法
CN114549611A (zh) * 2022-02-23 2022-05-27 中国海洋大学 一种基于神经网络及少量点测量的水下绝对距离估计方法

Also Published As

Publication number Publication date
CN114758254A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN114758254B (zh) 一种双波段无监督水深反演方法及系统
Pe’eri et al. Satellite remote sensing as a reconnaissance tool for assessing nautical chart adequacy and completeness
Casal et al. Assessment of empirical algorithms for bathymetry extraction using Sentinel-2 data
Jiang et al. Quantitative assessment of soil salinity using multi-source remote sensing data based on the support vector machine and artificial neural network
Moussavi et al. Derivation and validation of supraglacial lake volumes on the Greenland Ice Sheet from high-resolution satellite imagery
Vinayaraj et al. Satellite-derived bathymetry using adaptive geographically weighted regression model
Muzirafuti et al. The contribution of multispectral satellite image to shallow water bathymetry mapping on the Coast of Misano Adriatico, Italy
Eren et al. Bottom characterization by using airborne lidar bathymetry (ALB) waveform features obtained from bottom return residual analysis
CN112013822A (zh) 基于改进gwr模型的多光谱遥感水深反演方法
Mishra et al. Enhancing the detection and classification of coral reef and associated benthic habitats: A hyperspectral remote sensing approach
US9373052B2 (en) Shape and photometric invariants recovery from polarisation images
CN109059796A (zh) 无水深控制点区域的浅海水深多光谱卫星遥感反演方法
Kanno et al. Statistical combination of spatial interpolation and multispectral remote sensing for shallow water bathymetry
Alvarez-Ellacuria et al. Decoupling spatial and temporal patterns in short-term beach shoreline response to wave climate
CN114563378B (zh) 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备
CN111738347B (zh) 海浪方向谱订正方法、装置、存储介质和电子设备
CN114297938B (zh) 一种基于神经网络的光学浅水水底深度的反演方法
Andriolo et al. Breaking wave height estimation from timex images: Two methods for coastal video monitoring systems
Liu et al. Using SPOT 5 fusion-ready imagery to detect Chinese tamarisk (saltcedar) with mathematical morphological method
Shah et al. A review of approaches for water depth estimation with multispectral data
Coleman et al. Holes in the ocean: Filling voids in bathymetric lidar data
Pattanaik et al. Estimation of shallow water bathymetry using IRS-multispectral imagery of Odisha Coast, India
Mishra et al. Bathymetric mapping using IKONOS multispectral data
Peng et al. A physics-assisted convolutional neural network for bathymetric mapping using ICESat-2 and Sentinel-2 data
Zhu et al. An APMLP deep learning model for bathymetry retrieval using adjacent pixels

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