CN115170947B - 基于遥感图像的河口浑浊带与水体分类方法、装置及设备 - Google Patents

基于遥感图像的河口浑浊带与水体分类方法、装置及设备 Download PDF

Info

Publication number
CN115170947B
CN115170947B CN202210515018.XA CN202210515018A CN115170947B CN 115170947 B CN115170947 B CN 115170947B CN 202210515018 A CN202210515018 A CN 202210515018A CN 115170947 B CN115170947 B CN 115170947B
Authority
CN
China
Prior art keywords
water body
turbid
pixel
image
value
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
CN202210515018.XA
Other languages
English (en)
Other versions
CN115170947A (zh
Inventor
王重洋
姜浩
杨骥
李勇
周霞
黄浩玲
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.)
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Guangzhou Institute of Geography of GDAS, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN202210515018.XA priority Critical patent/CN115170947B/zh
Publication of CN115170947A publication Critical patent/CN115170947A/zh
Application granted granted Critical
Publication of CN115170947B publication Critical patent/CN115170947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及遥感数据分析领域，特别涉及一种基于遥感图像的河口浑浊带与水体分类方法，包括：获取目标区域的遥感图像，根据遥感图像的近红波段值以及红光波段值，计算遥感图像的波段比值结果，获取波段比值图像；对波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，其中，波段比值图像包括浑浊带像元以及水体像元；根据浑浊带像元以及水体像元，分别获取浑浊带像元对应的平均值以及水体像元对应的平均值，作为浑浊带阈值以及水体阈值；将去噪处理后的波段比值图像转换为梯度图像，获取梯度图像的各个像元对应的像元值，根据梯度图像的各个像元对应的像元值、浑浊带阈值以及水体阈值，获取分类结果。

Description

基于遥感图像的河口浑浊带与水体分类方法、装置及设备
技术领域
本发明涉及遥感数据分析领域，特别涉及是一种基于遥感图像的河口浑浊带与水体分类方法、装置、设备以及存储介质。
背景技术
入海河口区域存在泥沙含量显著高于上游、下游的浑浊水体(浑浊带)，非浑浊带区域称为一般水体。
区分河口浑浊带与一般水体的分布范围是多学科领域研究的热点。目前的技术方案，多以泥沙含量阈值进行分类，然而，由于河口区域水质水环境复杂多变，在对泥沙含量进行提取时，数据时空差异大，从而导致对浑浊带与水体的分类结果不稳定，难以对浑浊带与水体进行准确的分类，局限性明显。
发明内容
基于此，本发明的目的在于，提供一种基于遥感图像的河口浑浊带与水体分类方法、装置、设备以及存储介质，基于计算获取的浑浊带阈值以及水体阈值，对遥感图像的河口浑浊带与水体进行分类，准确、高效、快捷。
第一方面，本申请实施例提供了一种基于遥感图像的河口浑浊带与水体分类方法，包括以下步骤：
获取目标区域的遥感图像，根据所述遥感图像的近红波段值以及红光波段值，计算所述遥感图像的波段比值结果，获取波段比值图像；
对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，其中，所述波段比值图像包括浑浊带像元以及水体像元；
根据所述浑浊带像元以及水体像元，分别获取所述浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值；
将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，根据所述梯度图像的各个像元对应的像元值、浑浊带阈值以及水体阈值，获取分类结果，其中，所述分类结果包括浑浊带分类结果以及水体分类结果。
第二方面，本申请实施例提供了一种基于遥感图像的河口浑浊带与水体分类装置，包括：
获取模块，用于获取目标区域的遥感图像，根据所述遥感图像的近红波段值以及红光波段值，计算所述遥感图像的波段比值结果，获取波段比值图像；
去噪模块，用于对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，其中，所述波段比值图像包括浑浊带像元以及水体像元；
阈值设置模块，用于根据所述浑浊带像元以及水体像元，分别获取所述浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值；
分类模块，用于将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，根据所述梯度图像的各个像元对应的像元值、浑浊带阈值以及水体阈值，获取分类结果，其中，所述分类结果包括浑浊带分类结果以及水体分类结果。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感图像的河口浑浊带与水体分类方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于遥感图像的河口浑浊带与水体分类方法的步骤。
在本申请实施例中，提供一种基于遥感图像的河口浑浊带与水体分类方法、装置、设备以及存储介质，基于计算获取的浑浊带阈值以及水体阈值，对遥感图像的河口浑浊带与水体进行分类，准确、高效、快捷。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于遥感图像的河口浑浊带与水体分类方法的流程示意图；
图2为本申请一个实施例提供的基于遥感图像的河口浑浊带与水体分类方法中S4的流程示意图；
图3为本申请一个实施例提供的基于遥感图像的河口浑浊带与水体分类方法中S4的流程示意图；
图4为本申请另一个实施例提供的基于遥感图像的河口浑浊带与水体分类方法的流程示意图；
图5为本申请一个实施例提供的基于遥感图像的河口浑浊带与水体分类装置的结构示意图；
图6为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请第一实施例提供的基于遥感图像的河口浑浊带与水体分类方法的流程示意图，所述方法包括如下步骤：
S1：获取目标区域的遥感图像，根据所述遥感图像的近红波段值以及红光波段值，计算所述遥感图像的波段比值结果，获取波段比值图像。
所述基于遥感图像的河口浑浊带与水体分类方法的执行主体为基于遥感图像的河口浑浊带与水体分类方法的分类设备(以下简称分类设备)，在一个可选的实施例中，所述分类设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
分类设备可以通过卫星获取目标区域的遥感图像，也可以通过从数据库中下载获取，其中，所述遥感图像包括浑浊带像元以及水体像元。
并获取所述遥感图像的近红波段值以及红光波段值，将所述遥感图像的近红波段值、红光波段值输入至预设的比值公式中进行比值处理，计算所述遥感图像的波段比值结果，获取波段比值图像，其中，所述比值公式为：
Pv＝B1/B2
式中，Pv为所述遥感图像的波段比值结果，B1为所述遥感图像的近红波段值，B2为所述遥感图像的红光波段值。
S2：对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像。
为了消除噪声对波段比值图像的影响，从而使所述波段比值图像中的浑浊带像元以及水体像元区分开来，在本实施例中，分类设备对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，具体地，分类设备可以采用高斯滤波，对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像。
S3：根据所述浑浊带像元以及水体像元，分别获取所述浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值。
在本实施例中，分析设备基于先验知识训练阈值方法，在所述去噪处理后的波段比值图像中获取若干个浑浊带像元以及水体像元，分别获取所述若干个浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值。实现了浑浊带阈值以及水体阈值的实时获取，从而更加准确地对浑浊带像元以及水体像元进行分类。
S4：将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，根据所述梯度图像的各个像元对应的像元值、浑浊带阈值以及水体阈值，获取所述各个像元对应的分类结果。
在本实施例中，分类设备将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，根据所述梯度图像的各个像元对应的像元值、浑浊带阈值以及水体阈值，获取分类结果，其中，所述分类结果包括浑浊带分类结果以及水体分类结果。
请参阅图2，图2为本申请一个实施例提供的基于遥感图像的河口浑浊带与水体分类方法中S4的流程示意图，包括步骤S401～S402，具体如下：
S401：根据边缘检测算法，将所述去噪处理后的波段比值图像的各个像元对应的像元值进行转换，获取所述去噪处理后的波段比值图像的像元的梯度值。
所述边缘检测算法为：
Figure BDA0003641125230000051
Figure BDA0003641125230000052
式中，Gx为所述梯度图像的像元的横向梯度值，Gy为所述梯度图像的像元的纵向梯度值，Pv'为所述去噪处理后的波段比值图像；
在本实施例中，分类设备根据边缘检测算法，将所述去噪处理后的波段比值图像的各个像元对应的像元值进行转换，获取所述去噪处理后的波段比值图像的各个像元的横向梯度值以及纵向梯度值。
S402：根据所述梯度图像的像元的横向梯度值、纵向梯度值以及梯度强度计算算法，获取所述梯度图像的像元的梯度强度值，作为所述梯度图像的像元的像元值。
所述梯度强度计算算法为：
Figure BDA0003641125230000053
式中，G为所述梯度图像的像元的梯度强度值。
在本实施例中，分类设备根据所述梯度图像的像元的横向梯度值、纵向梯度值以及梯度强度计算算法，获取所述梯度图像的像元的梯度强度值，作为所述梯度图像的像元的像元值。
请参阅图3，图3为本申请一个实施例提供的基于遥感图像的河口浑浊带与水体分类方法中S4的流程示意图，包括步骤S403～S404，具体如下：
S403：将所述梯度图像的各个像元对应的像元值分别与所述浑浊带阈值以及水体阈值进行对比，获取各个像元对应的对比差值。
在本实施例中，分类设备采用受标记控制分水岭分割(Marker ControlledWatershed Segmentation)方法，将所述梯度图像划分为若干个标记区域，将所述标记区域的各个像元对应的像元值分别与所述浑浊带阈值以及水体阈值进行对比，获取所述标记区域的各个像元对应的对比差值，其中，所述对比差值包括浑浊带对比差值以及水体对比差值。
S404：将所述浑浊带对比差值与水体对比差值进行对比，若所述浑浊带对比差值小于或者等于水体对比差值，则将所述对比差值对应的像元设置为浑浊带像元，若所述浑浊带对比差值大于水体对比差值，则将所述对比差值对应的像元设置为水体像元，获取所述分类结果。
在本实施例中，分类设备将所述浑浊带对比差值与水体对比差值进行对比，若所述浑浊带对比差值小于或者等于水体对比差值，则将所述对比差值对应的像元设置为浑浊带像元，若所述浑浊带对比差值大于水体对比差值，则将所述对比差值对应的像元设置为水体像元，获取所述分类结果。
在另一个可选的实施例中，当所述标志区域内的浑浊带像元超过预设的浑浊带像元阈值，则将所述标志区域内的全部像元设置为浑浊带像元，获取所述标志区域对应的浑浊带分类结果；当所述标志区域内的水体像元超过预设的水体像元阈值，则将所述标志区域内的全部像元设置为水体像元，获取所述标志区域对应的水体分类结果。
请参阅图4，图4为本申请另一个实施例提供的基于遥感图像的河口浑浊带与水体分类方法的流程示意图，还包括步骤S5，所述步骤S5在步骤S4之后，具体如下：
S5：响应于显示指令，获取所述遥感图像对应的电子地图数据，根据所述分类结果，获取各个像元对应的分类标识，在所述电子地图上进行像元以及分类标识的显示以及标注。
所述显示指令由用户发出，分类设备接收。
在本实施例中，分类设备获取用户发送的所述显示指令，并进行响应，获取所述遥感图像对应的电子地图数据，分类设备根据所述各个像元对应的分类结果，获取所述各个像元对应的分类标识，具体地，所述温度标识可以是颜色标识，不同的颜色用以区分浑浊带分类结果以及水体分类结果。并返回至分类设备的显示界面中，在所述电子地图上进行分类标识的显示以及标注。
请参考图5，图5为本申请一个实施例提供的基于遥感图像的河口浑浊带与水体分类装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于遥感图像的河口浑浊带与水体分类装置的全部或一部分，该装置5包括：
获取模块51，用于获取目标区域的遥感图像，根据所述遥感图像的近红波段值以及红光波段值，计算所述遥感图像的波段比值结果，获取波段比值图像；
去噪模块52，用于对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，其中，所述波段比值图像包括浑浊带像元以及水体像元；
阈值设置模块53，用于根据所述浑浊带像元以及水体像元，分别获取所述浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值；
分类模块54，用于将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，根据所述梯度图像的各个像元对应的像元值、浑浊带阈值以及水体阈值，获取分类结果，其中，所述分类结果包括浑浊带分类结果以及水体分类结果。
在本申请实施例中，通过获取模块，获取目标区域的遥感图像，根据所述遥感图像的近红波段值以及红光波段值，计算所述遥感图像的波段比值结果，获取波段比值图像；通过去噪模块，对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，其中，所述波段比值图像包括浑浊带像元以及水体像元；通过阈值设置模块，根据所述浑浊带像元以及水体像元，分别获取所述浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值；通过分类模块，将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，根据所述梯度图像的各个像元对应的像元值、浑浊带阈值以及水体阈值，获取分类结果，其中，所述分类结果包括浑浊带分类结果以及水体分类结果。基于计算获取的浑浊带阈值以及水体阈值，对遥感图像的河口浑浊带与水体进行分类，准确、高效、快捷。
请参考图6，图6为本申请一个实施例提供的计算机设备的结构示意图，计算机设备6包括：处理器61、存储器62以及存储在存储器62上并可在处理器61上运行的计算机程序63；计算机设备可以存储有多条指令，指令适用于由处理器61加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
其中，处理器61可以包括一个或多个处理核心。处理器61利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器62内的指令、程序、代码集或指令集，以及调用存储器62内的数据，执行基于遥感图像的河口浑浊带与水体分类装置5的各种功能和处理数据，可选的，处理器61可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programble Logic Array，PLA)中的至少一个硬件形式来实现。处理器61可集成中央处理器61(Central Processing Unit，CPU)、图像处理器61(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器61中，单独通过一块芯片进行实现。
其中，存储器62可以包括随机存储器62(Random Access Memory，RAM)，也可以包括只读存储器62(Read-Only Memory)。可选的，该存储器62包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器62可用于存储指令、程序、代码、代码集或指令集。存储器62可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器62可选的还可以是至少一个位于远离前述处理器61的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (6)

1.一种基于遥感图像的河口浑浊带与水体分类方法，其特征在于，包括以下步骤：
获取目标区域的遥感图像，根据所述遥感图像的近红波段值以及红光波段值，计算所述遥感图像的波段比值结果，获取波段比值图像；
对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，其中，所述波段比值图像包括浑浊带像元以及水体像元；
根据所述浑浊带像元以及水体像元，分别获取所述浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值；
将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，将所述梯度图像的各个像元对应的像元值分别与所述浑浊带阈值以及水体阈值进行对比，获取各个像元对应的对比差值，其中，所述对比差值包括浑浊带对比差值以及水体对比差值；
将所述浑浊带对比差值与水体对比差值进行对比，若所述浑浊带对比差值小于或者等于水体对比差值，则将所述对比差值对应的像元设置为浑浊带像元，若所述浑浊带对比差值大于水体对比差值，则将所述对比差值对应的像元设置为水体像元，获取分类结果，其中，所述分类结果包括浑浊带分类结果以及水体分类结果。
2.根据权利要求1所述的基于遥感图像的河口浑浊带与水体分类方法，其特征在于，所述将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，包括步骤：
根据边缘检测算法，将所述去噪处理后的波段比值图像的各个像元对应的像元值进行转换，获取所述去噪处理后的波段比值图像的像元的梯度值，其中，所述梯度值包括横向梯度值以及纵向梯度值，所述边缘检测算法为：
式中，Gx为所述梯度图像的像元的横向梯度值，Gy为所述梯度图像的像元的纵向梯度值，Pv'为所述去噪处理后的波段比值图像；
根据所述梯度图像的像元的横向梯度值、纵向梯度值以及梯度强度计算算法，获取所述梯度图像的像元的梯度强度值，作为所述梯度图像的像元的像元值，其中，所述梯度强度计算算法为：
式中，G为所述梯度图像的像元的梯度强度值。
3.根据权利要求1所述的基于遥感图像的河口浑浊带与水体分类方法，其特征在于，还包括步骤：
响应于显示指令，获取所述遥感图像对应的电子地图数据，根据所述分类结果，获取各个像元对应的分类标识，在所述电子地图上进行像元以及分类标识的显示以及标注。
4.一种基于遥感图像的河口浑浊带与水体分类装置，其特征在于，包括：
获取模块，用于获取目标区域的遥感图像，根据所述遥感图像的近红波段值以及红光波段值，计算所述遥感图像的波段比值结果，获取波段比值图像；
去噪模块，用于对所述波段比值图像进行去噪处理，获取去噪处理后的波段比值图像，其中，所述波段比值图像包括浑浊带像元以及水体像元；
阈值设置模块，用于根据所述浑浊带像元以及水体像元，分别获取所述浑浊带像元对应的平均值以及所述水体像元对应的平均值，作为浑浊带阈值以及水体阈值；
分类模块，用于将所述去噪处理后的波段比值图像转换为梯度图像，获取所述梯度图像的各个像元对应的像元值，将所述梯度图像的各个像元对应的像元值分别与所述浑浊带阈值以及水体阈值进行对比，获取各个像元对应的对比差值，其中，所述对比差值包括浑浊带对比差值以及水体对比差值；
将所述浑浊带对比差值与水体对比差值进行对比，若所述浑浊带对比差值小于或者等于水体对比差值，则将所述对比差值对应的像元设置为浑浊带像元，若所述浑浊带对比差值大于水体对比差值，则将所述对比差值对应的像元设置为水体像元，获取分类结果，其中，所述分类结果包括浑浊带分类结果以及水体分类结果。
5.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于遥感图像的河口浑浊带与水体分类方法的步骤。
6.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于遥感图像的河口浑浊带与水体分类方法的步骤。
CN202210515018.XA 2022-05-12 2022-05-12 基于遥感图像的河口浑浊带与水体分类方法、装置及设备 Active CN115170947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210515018.XA CN115170947B (zh) 2022-05-12 2022-05-12 基于遥感图像的河口浑浊带与水体分类方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210515018.XA CN115170947B (zh) 2022-05-12 2022-05-12 基于遥感图像的河口浑浊带与水体分类方法、装置及设备

Publications (2)

Publication Number Publication Date
CN115170947A CN115170947A (zh) 2022-10-11
CN115170947B true CN115170947B (zh) 2023-04-18

Family

ID=83483538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210515018.XA Active CN115170947B (zh) 2022-05-12 2022-05-12 基于遥感图像的河口浑浊带与水体分类方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115170947B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025467A (zh) * 2017-05-09 2017-08-08 环境保护部卫星环境应用中心 一种水体分类模型的建立方法及装置
WO2022077958A1 (zh) * 2020-10-13 2022-04-21 上海商汤智能科技有限公司 水体分割方法及装置、电子设备和存储介质
WO2022083202A1 (zh) * 2020-10-20 2022-04-28 山东科技大学 基于U-net神经网络的精细水体提取方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140119639A1 (en) * 2012-10-31 2014-05-01 Microsoft Corporation Water-body classification
CN107167431B (zh) * 2017-05-26 2019-07-05 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统
CN111598961B (zh) * 2020-05-22 2022-02-01 中国科学院西北生态环境资源研究院 地物信息提取方法、装置、电子设备及存储介质
CN111723753B (zh) * 2020-06-23 2023-07-11 深圳航天宏图信息技术有限公司 卫星遥感图像的去条带方法、装置和电子设备
CN112036233B (zh) * 2020-07-13 2023-04-28 国家海洋信息中心 一种综合阈值分割和分水岭变换算法的冰面湖提取方法
CN114067222B (zh) * 2022-01-17 2022-04-29 航天宏图信息技术股份有限公司 一种城市水体遥感分类方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025467A (zh) * 2017-05-09 2017-08-08 环境保护部卫星环境应用中心 一种水体分类模型的建立方法及装置
WO2022077958A1 (zh) * 2020-10-13 2022-04-21 上海商汤智能科技有限公司 水体分割方法及装置、电子设备和存储介质
WO2022083202A1 (zh) * 2020-10-20 2022-04-28 山东科技大学 基于U-net神经网络的精细水体提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
况润元 等.基于实测数据与遥感影像的鄱阳湖水体光学分类.长江流域资源与环境.2015,24(05),第773-780页. *

Also Published As

Publication number Publication date
CN115170947A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
Aquino et al. vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis
CN108491757B (zh) 基于多尺度特征学习的光学遥感图像目标检测方法
CN110956225B (zh) 一种违禁品检测方法及系统、一种计算设备及存储介质
Liu et al. A robust automated flower estimation system for grape vines
CN103218832B (zh) 基于图像中全局颜色对比度和空域分布的视觉显著性算法
Ghanea et al. Automatic building extraction in dense urban areas through GeoEye multispectral imagery
CN114463637B (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN112966548A (zh) 一种大豆地块识别方法及系统
Jenifa et al. Classification of cotton leaf disease using multi-support vector machine
CN111079807A (zh) 一种地物分类方法及装置
CN115439757A (zh) 一种基于遥感影像的水质污染源溯源方法、装置以及设备
CN107610136B (zh) 基于凸包结构中心查询点排序的显著目标检测方法
CN116704324A (zh) 基于水下图像的目标检测方法、系统、设备以及存储介质
CN113284066B (zh) 遥感影像自动云检测方法和装置
CN101533515A (zh) 一种面向视频监控的基于块的背景建模方法
CN115170947B (zh) 基于遥感图像的河口浑浊带与水体分类方法、装置及设备
CN111784636A (zh) 一种基于纹理生长的皮肤图像纹理定量评估方法
CN106960188A (zh) 天气图像分类方法及装置
CN116242788A (zh) 基于多光谱影像的水体磷酸盐浓度预测方法以及装置
Lopez et al. Line-based image segmentation method: a new approach to segment VHSR remote sensing images automatically
CN115019055A (zh) 一种图像匹配方法、装置、智能设备及存储介质
KR20160119997A (ko) 물고기 영상의 특징 정보 추출 방법 및 물고기 영상의 특징 정보를 이용한 물고기 식별 방법
CN115170975A (zh) 基于遥感图像的河口浑浊带识别方法、装置及设备
Cong et al. Salient man-made object detection based on saliency potential energy for unmanned aerial vehicles remote sensing image
CN105320936B (zh) 一种卫星图片中障碍物的识别方法及识别装置

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