CN115205703A - 一种多特征蓝藻提取方法、装置、电子设备及存储介质 - Google Patents
一种多特征蓝藻提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115205703A CN115205703A CN202210868718.7A CN202210868718A CN115205703A CN 115205703 A CN115205703 A CN 115205703A CN 202210868718 A CN202210868718 A CN 202210868718A CN 115205703 A CN115205703 A CN 115205703A
- Authority
- CN
- China
- Prior art keywords
- blue
- feature
- algae
- extraction
- green algae
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
Abstract
本发明公开了一种多特征蓝藻提取方法、装置、电子设备及存储介质,方法包括获取国产卫星影像数据并进行预处理,获得具有几何信息且可反映地物光谱信息的反射率影像数据;分析反射率影像数据,构造影像多特征指标;对影像多特征指标进行重要性评价,选取多特征变量;将选取的多特征变量作为自变量,并根据实际踏勘获取的蓝藻分布情况分类样本,建立多个蓝藻提取分类模型;对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型;利用最优的蓝藻提取分类模型进行蓝藻提取并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。本发明能够基于国产卫星影像数据对蓝藻进行自动、准确、高效的提取。
Description
技术领域
本发明是关于遥感技术领域,特别是关于一种多特征蓝藻提取方法及实现该方法的装置、电子设备及存储介质。
背景技术
湖泊水体富营养化现已成为一个全球性的普遍问题,与之相伴的一个现象是蓝藻水华的频繁暴发。遥感技术具有监测范围大、速度快、周期性强、成本相对低廉等优点,能够弥补常规水质监测方法定时定点的不足,节省大量的人力、物力,是进行蓝藻水华监测的最佳选择之一。目前,现有技术中,利用遥感影像数据进行蓝藻提取的方法是采用人工设置阈值的方式进行蓝藻提取。然而,受大气辐射、卫星拍摄角度等影响,无法设置固定单一的阈值,且阈值的设置受主观因素影响较大,因而,现有蓝藻提取方法基于单一指标,如NDVI、EVI等指标,且在蓝藻提取过程大量依赖人工主观判断,缺乏深层次特征,难以提高蓝藻提取精度。
进一步地,在遥感影像蓝藻目标检测过程中,不同的波段特征是反映图像不同侧面的图像表征,单独使用某一特征指标进行目标检测可能造成漏检或误检;同时,国产卫星同一数据源有多个相机载荷(如GF1-wfv由四台相机组成,WFV1、WFV2、WFV3、WFV4,GF1-PMS由两台相机组成,PMS1、PMS2),不同相机载荷光谱响应程度不一致,单一的阈值算法难以实现高精度的提取要求。因此,采用单一特征组合进行蓝藻提取存在一定的不合理性。
另外,现有卫星蓝藻监测技术,主要研究以国外遥感卫星为主,如:哨兵卫星、MODIS、Landsat等卫星载荷。而国产卫星实际应用领域不同于国外卫星(如高分4号卫星应用于灾害监测、高分2号卫星应用于国土资源监测),使得国产卫星载荷硬件参数与国外卫星具有一定区别,如光谱响应函数、太阳高度角、时空分辨率、轨道高度等存在差异,这些差异使得获取的遥感影像反射率在反映地物光谱特征时存在较大差异。然而,现有技术中,针对国产卫星进行蓝藻提取的研究相对较少,使得国产卫星数据的可用性受到极大限制。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种多特征蓝藻提取方法、装置、电子设备及存储介质,无需人工参与进行阈值的设置,可实现蓝藻的自动化提取,并且可提高蓝藻提取的准确性,提升国产遥感卫星的应用性。
为实现上述目的,本发明的实施例提供了一种多特征蓝藻提取方法,所述多特征蓝藻提取方法包括:
获取国产卫星影像数据并进行预处理,获得具有几何信息且可反映地物光谱信息的反射率影像数据;
分析所述反射率影像数据,构造影像多特征指标,所述影像多特征指标至少包括空间纹理特征、地物光谱特征;
对所述影像多特征指标进行特征变量重要性评价,选取多特征变量;
将选取的多特征变量作为自变量,并根据实际踏勘获取的蓝藻分布情况分类样本,建立多个蓝藻提取分类模型;
对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型;
利用所述最优的蓝藻提取分类模型进行蓝藻提取,并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
在本发明的一个或多个实施方式中,所述预处理包括几何校正、辐射校正、大气校正的一种或多种。
在本发明的一个或多个实施方式中,还可通过对影像多特征指标进行降维,以选取多特征变量。
在本发明的一个或多个实施方式中,所述构造影像多特征指标包括:
对反射率影像数据进行深度解析,深度挖掘该反射率影像数据包含的信息,通过文献、方法调研,并利用指数、比值、灰度共生矩阵中的至少一种方法,建立至少包括波段、纹理、指数的多个特征,形成影像多特征指标。
在本发明的一个或多个实施方式中,所述对多个蓝藻提取分类模型进行评价包括:
通过基尼系数、卡方检测中的至少一种对多特征进行特征变量重要性评价。
在本发明的一个或多个实施方式中,所述建立多个蓝藻提取分类模型包括:
通过机器学习方法构建蓝藻提取分类模型,所述机器学习方法至少包括支持向量机、分类树、随机森林、梯度提升树中的一种或多种。
在本发明的一个或多个实施方式中,所述对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型包括:
通过多指标对蓝藻提取分类模型在测试集、验证集的表现进行评价,以选取最优蓝藻提取分类模型,所述多指标至少包括计算分类混淆矩阵、Kappa系数。
本发明还揭示了一种多特征蓝藻提取装置,所述多特征蓝藻提取装置包括:
预处理模块,用于获取国产卫星影像数据并进行预处理,获得具有几何信息且可反映地物光谱信息的反射率影像数据;
多特征构建模块,用于分析所述反射率影像数据,构造影像多特征指标,所述影像多特征指标至少包括空间纹理特征、地物光谱特征;
特征变量选取模块,用于对所述影像多特征指标进行重要性评价,选取多特征变量;
模型构建模块,用于将选取的多特征变量作为自变量,并根据实际踏勘获取的蓝藻分布情况分类样本,建立多个蓝藻提取分类模型;
精度评价模块,用于对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型;
应用模块,用于利用所述最优的蓝藻提取分类模型进行蓝藻提取,并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
本发明还揭示了一种电子设备,所述电子设备包括:
至少一个处理器;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理器并且存储用于由所述至少一个处理器执行的计算机程序,所述计算机程序由所述至少一个处理器执行时,使得所述电子设备执行上述所述的方法。
本发明还揭示了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被机器执行时实现上述所述的方法。
与现有技术相比,本发明一方面无需人工参与进行阈值的设置,可实现蓝藻的自动化提取,另一方面可提高蓝藻提取的准确性,提升国产遥感卫星的应用性。
附图说明
图1是根据本发明一实施方式的多特征蓝藻提取方法流程图;
图2是根据本发明一实施方式的太湖蓝藻遥感监测影像图;
图3是根据本发明一实施方式的太湖蓝藻遥感监测成果图;
图4是根据本发明一实施方式的多特征蓝藻提取装置结构框图;
图5是根据本发明一实施方式的电子设备结构框图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
现有技术中,传统的蓝藻提取方法需要人工参与进行阈值的设置,并且由于评价指标单一、评价主观性强等缺陷,使得蓝藻提取的准确性受到影响。同时,现有技术中,利用国产遥感卫星进行蓝藻提取的研究较少,使得国产遥感卫星数据的可用性受到极大限制。本发明所揭示的一种基于国产遥感卫星的多特征蓝藻提取方法,一方面无需人工参与进行阈值的设置,可实现蓝藻的自动化提取,另一方面可提高蓝藻提取的准确性,提升国产遥感卫星的应用性。
如图1所示,本发明所揭示的一种多特征蓝藻提取方法,该方法是基于国产遥感卫星获取的影像数据进行蓝藻提取的,多特征蓝藻提取方法包括如下步骤:
S100,获取国产卫星影像数据并进行预处理,获得具有几何信息且可反映地物光谱信息的反射率影像数据;
具体地,在进行蓝藻提取时,首先获取国产卫星影像数据。在获取到国产卫星影像数据后,对其进行预处理,以获得反射率影像数据。这里的反射率影像数据是具有几何信息并能够反映地物光谱信息的影像数据。实施时,在对国产卫星影像数据进行预处理时,可采用包括但不限于辐射校正、大气校正、几何校正的处理方式。其中,辐射校正是对因传感器响应特性和大气的吸收、散射以及其它随机因素影响而导致的图像模糊失真、图像分辨率和对比度相对下降进行复原。大气校正可用于消除大气中水蒸气二氧化碳、甲烷和臭氧等物质对地物反射带来的噪声,减弱大气分子和气溶胶散射的影响,并且其可实现反演地物真实反射率,广义上,大气校正是指获得地物反射率、地表温度等真实物理模型参数,狭义上,大气校正是指获取地物真实反射率数据。几何校正是利用控制点库,结合DEM高程数据,应用RPC参数,采用有理函数模型进行正射生产。
本发明利用国产遥感卫星获取的影像数据进行蓝藻的提取,极大的提升了国产遥感卫星的应用性。本发明适用于绝大多数国产光学卫星,包括但不限于如下国产光学卫星载荷:16米(GF1-WFV、GF6-WFV),2米(GF1、GF-1B、GF-1C、GF-1D、GF6、ZY、ZY02)。
S200,分析所述反射率影像数据,构造影像多特征指标,所述影像多特征指标至少包括空间纹理特征、地物光谱特征;
具体地,由于现有技术中,通过单一阈值划分进行蓝藻提取的方式,只考虑到单个像元的光谱特征,无法解决较为普遍的同物异谱和同谱异物现象。本发明通过构建影像多特征指标,不仅考虑对象的光谱特征,还考虑对象的纹理特征、形状特征、拓扑特征、上下文关系等,在分类时可利用更丰富的知识来判断对象间的同质性或异质性,有助于提高蓝藻结果提取的客观性。实施时,当获取到具有几何信息并能够反映地物光谱信息的反射率影像数据后,进一步对该反射率影像数据进行深度解析,深度挖掘该反射率影像数据包含的信息,通过文献、方法调研,并利用指数、比值、灰度共生矩阵等方法,建立波段、纹理、指数等多个特征,形成影像多特征指标。这里影像特征指标至少包括空间纹理特征、地物光谱特征。本发明基于反射率影像数据,利用指数、比值、灰度共生矩阵等方法,层次化空间纹理、地物光谱的几何编码信息,能够实现影像数据的深度挖掘,提升蓝藻特征描述维度,增强蓝藻边界范围的提取精度。这里的灰度共生矩阵是指统计方法基于像元及相邻像元的灰度属性,研究纹理区域中的统计特性或像元及其临域内灰度的一阶(二阶或高阶统计特性),该方法通过计算相对位置固定像素对的灰度频率来提取纹理信息。
本实施例中,地物光谱特征提取是通过查阅文献、蓝藻波段分析,积累的各种蓝藻特征提取的重要指标。这里的重要指标包括但不限于归一化植被指数(NormalizedDifference Vegetation Index,NDVI)、增强型植被指数法(EnhancedVegetation Index,EVI)、漂浮藻类指数法(FloatingAlgae Index,FAI)、替代型漂浮藻类指数法(AlternativeFloatingAlgae Index,AFAI)。这些指标可较好的表征水环境中蓝藻空间分布形态。其中,
归一化植被指数是指利用红色波段和近红外波段计算的归一化指标,计算公式如下所示,其可区分水生植被与水域的关系。
其中,NIR和Red分别表示的是近红外波段和红色波段。
增强型植被指数法通过冠层背景信号的解耦合,减少大气影响,提高对高生物量区域的敏感性,提高植被监测能力,具体计算公式如下:
其中,L为土壤调节因子;C1和C2为用于使用蓝带校正正红带中气溶胶散射的系数;分别代表蓝色(0.45-0.52μm)、红色(0.6-0.7μm)和近红外(NIR)波长(0.7-1.1μm)的反射率。一般来说,G=2.5,C1=6.0,C2=7.5,L=1。
漂浮藻类指数法是采用红外、近红外、短波红外波段组合的方式,利用蓝藻和水体光谱特征差异有效识别蓝藻,具体计算公式为:
其中,ρRED、ρNIR、ρSWIR分别表示红外、近红外、短波红外波段的反射率;λRED、λNIR、λSWIR分别表示红外、近红外、短波红外波段的中心波长;这里的ρNIR为插值反射率,其是红光和短波红外波段在近红外波段处采用线性内插方式得到的反射率信息。
替代型漂浮藻类指数法是采用如下公式来进行计算,以有效识别蓝藻。
其中,λ1=667nm,λ2=748nm,λ3=869nm,R(λ)是瑞利校正反射率。
空间纹理特征提取是利用灰度共生矩阵,通过计算相对位置固定像素对的灰度频率来提取纹理信息,包括对比度、相异性、同质性、角二阶矩、方差、均值、最大概率、相关性。这里的灰度共生矩阵在纹理信息提取方面具有较强的适应能力和鲁棒性。这里的灰度共生矩阵详见上述,在此不再一一赘述。
当然,其他实施例中,还可采用其他光谱指数,如下所示,以辅助蓝藻的提取。
其中,ρGreen、ρBlue分别表示绿色、蓝色波段的反射率。
S300,对所述影像多特征指标进行特征变量重要性评价,选取多特征变量;
具体地,步骤S200中构造的影像多特征指标,如空间纹理特征、地物光谱特征是高维特征变量。而多特征变量在增加特征维度的同时,不可避免的导致了信息冗余、存储空间占用、计算效率降低等问题。为避免该问题的产生,在构造影像多特征指标后,通过对其特征变量重要性评价,以进行特征变量的选取,这有助于在实际应用过程中提升计算效率、节省存储空间、提高对蓝藻结果提取的可解释性。
本实施例中,可通过基尼系数、卡方检测等方式对多特征进行特征变量重要性评价,以实现特征变量的选取。这里的基尼系统指的是在多特征变量选取过程中,通过如下公式计算影响蓝藻分类结果的权重信息。其中,基尼系数越小,数据的纯度越高。
其中,Pm表示第m类样本所占的比例。
卡方检测是指评价特征变量与蓝藻分类结果的偏离程度,其中,卡方值越大,二者偏差程度越大;反之,二者偏差程度越小;若两个值完全相等时,卡方值就为0,表明理论值完全符合。
当然,其他实施例中,还可利用主成分分析方法对高维特征变量进行降维,这同样有助于在实际应用过程中提升计算效率、节省存储空间、提高对蓝藻结果提取的可解释性。
S400,将选取的多特征变量作为自变量,并根据实际踏勘获取的蓝藻分布情况分类样本,建立多个蓝藻提取分类模型;
具体地,当选取多特征变量后,进一步以高重要性特征变量为自变量,并以实地踏勘得到的蓝藻分布情况为分类样本划分依据,构建多个蓝藻提取分类模型,蓝藻提取分类模型可用于蓝藻的提取。
本实施例中,利用多种机器学习方法构建蓝藻提取分类模型,以进行蓝藻的提取。机器学习方法包括但不限于支持向量机、分类树、随机森林、梯度提升树。这里所述的利用机器学习方法进行蓝藻的提取,是根据电磁波特性,相同环境下的相同地物对电磁波的反应是基本相同的,因此在所成的遥感影像上应当具有相同的光谱特征曲线和空间纹理特征。基于上述特征,利用机器学习分类算法,进行蓝藻信息提取。
其中,支持向量机是通过核函数将光谱、纹理特征非线性映射到高维特征空间,在高维特征空间中构造具有低维的最优分类超平面,然后通过综合考虑经验风险和置信范围,根据结构风险最小化原则(Structural Risk Minimization,SRM),寻求使期望风险最小的函数作为判别函数,以达到蓝藻分类的目的。
决策树是依据规则将特征变量一级一级往下细分以定义决策树的各个分支,在原级与终级之间形成一个分类树结构,在树结构的每一分叉结点处,可选择不同的特征用于进一步地有效细分类,以达到蓝藻分类目的。
随机森林是一种集成学习方法,其通过自主采样的方法获取多个不同的独立样本,然后对样本进行决策树建模,最后将这些决策树组合在一起投票计算响应权重,权重最高的即为得出最终分类或预测的结果。
梯度提升树是指包含一个迭代残差树的集合,每一棵树都在学习前N-1棵树的残差,将每棵树预测的新样本输出值相加获得样本最终的预测值。但不同于常用的梯度提升决策树(GBDT,Gradient Boosting Decisiontree)在优化时仅用一阶导数信息,XGBoost对代价函数进行了二阶泰勒展开,同时用到了一阶导数和二阶导数,使XGBoost具有良好的结果。
S500,对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型;
具体地,由于不同国产卫星载荷其谱段特征、空间分辨率存在一定的差异性(这些差异性表现在卫星传感器的绝对校正、太阳天顶角大小、地-空距离、大气条件等诸多因素),导致其特征变量对于蓝藻的敏感性也不一致。因而,当建立多个蓝藻提取分类模型后,进一步对这些蓝藻提取分类模型进行评价,以选择最优的蓝藻提取分类模型进行后续蓝藻的提取,也即不同的蓝藻提取分类模型可以通过精度指标评价哪一类传感器更适用于某一种分类提取方法,以此保证多星协同蓝藻监测的准确性。换句话说,多模型多指标的评价体系,可保证蓝藻结果提取的准确性。
本实施例中,可通过计算分类混淆矩阵、Kappa系数等多指标对模型在测试集、验证集的表现进行评价,以选取最优蓝藻提取分类模型。其中,混淆矩阵是比较分类结果和实际地物真实情况的差异性,可以通过混淆矩阵表示分类结果的精度,通过比较具有相同空间坐标位置的图像像元与实际地物像元的分类结果是否相同以计算混淆矩阵;Kappa系数是通过把所有地表真实分类中的像元总数乘以混淆矩阵对角线的和,再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果,再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。
S600,利用所述最优的蓝藻提取分类模型进行蓝藻提取,并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
具体地,当选取出最优的蓝藻提取分类模型后,可利用该蓝藻提取分类模型进行蓝藻的提取。当获取蓝藻提取结果后,可进一步进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成等等。
本实施例中,蓝藻面积统计是利用蓝藻提取范围,依据归一化植被指数大小,划分归一化阈值,进行相对聚集度计算,以实现不同蓝藻聚集程度情况下的面积统计。蓝藻区域制图是将蓝藻提取成果、蓝藻统计成果、国产卫星影像信息,按照标准制图规范进行制图形成的专题图,可参见图2和图3所示。蓝藻监测报告是对蓝藻爆发区域、整体爆发强度进行描述,并在监测报告中呈现气象、卫星、专题图等基本信息,以便于向普通民众、环境治理人员等等公开蓝藻爆发情况。
本发明通过反射率影像数据进行深度挖掘,构建影像多特征变量指标,可保证蓝藻结果提取的客观性。同时,通过对所述影像多特征指标进行特征变量重要性评价,以选取多特征变量,可剔除冗余变量,保证蓝藻结果提取的高效性。并且针对构建的多个蓝藻提取分类模型进行评价,以选取最优的蓝藻提取分类模型,可确保蓝藻提取结果的准确性。
如图4所示,本发明还揭示了一种多特征蓝藻提取装置,可实现上述多特征蓝藻提取方法。具体地,多特征蓝藻提取模块包括:
预处理模块,用于获取国产卫星影像数据并进行预处理,获得具有几何信息并能够反映地物光谱信息的反射率影像数据;
多特征构建模块,用于分析所述反射率影像数据,构造影像多特征指标,所述影像多特征指标至少包括空间纹理特征、地物光谱特征;
特征变量选取模块,用于对所述影像多特征指标进行重要性评价,选取多特征变量;
模型构建模块,用于将选取的多特征变量作为自变量,并根据实际踏勘获取的蓝藻分布情况分类样本,建立多个蓝藻提取分类模型;
精度评价模块,用于对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型;
应用模块,用于利用所述最优的蓝藻提取分类模型进行蓝藻提取,并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
各模块如何实现对应的功能详见上述,在此不再一一赘述。
如图5所示,本发明还揭示了一种电子设备,该电子设备可以包括但不限于:个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、平板计算机等等。该电子设备可实现上述所述的多特征蓝藻提取方法。具体地,电子设备包括至少一个存储器、至少一个处理器以及计算机程序,至少一个存储器被耦合到所述至少一个处理器,其中,计算机程序存储于存储器中并可在处理器中运行,如该计算机程序为蓝藻提取程序等。实施时,处理器执行该计算机程序时可实现上述方法中的各个步骤,如实现获取国产卫星影像数据并进行预处理,获得具有几何信息并能够反映地物光谱信息的反射率影像数据。
这里的计算机程序可被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器中,并由所述存储器执行,以完成本发明。其中,一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该计算机程序指令段用于描述计算机程序在所述电子设备中的执行过程。
需要说明的是,这里的电子设备包括并不限于上述所述的存储器、处理器和计算机程序,也可包括其它。
本发明还揭示了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被处理器执行时,可实现上述多特征蓝藻提取方法。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、可执行文件或某些中间形式等,所述计算机可读介质可以包括能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccess Memory)等等。
如上所述,本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种多特征蓝藻提取方法,其特征在于,所述多特征蓝藻提取方法包括:
获取国产卫星影像数据并进行预处理,获得具有几何信息且可反映地物光谱信息的反射率影像数据;
分析所述反射率影像数据,构造影像多特征指标,所述影像多特征指标至少包括空间纹理特征、地物光谱特征;
对所述影像多特征指标进行特征变量重要性评价,选取多特征变量;
将选取的多特征变量作为自变量,并根据实际踏勘获取的蓝藻分布情况分类样本,建立多个蓝藻提取分类模型;
对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型;
利用所述最优的蓝藻提取分类模型进行蓝藻提取,并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
2.如权利要求1所述的多特征蓝藻提取方法,其特征在于,所述预处理包括几何校正、辐射校正、大气校正的一种或多种。
3.如权利要求1所述的多特征蓝藻提取方法,其特征在于,还可通过对影像多特征指标进行降维,以选取多特征变量。
4.如权利要求1所述的多特征蓝藻提取方法,其特征在于,所述构造影像多特征指标包括:
对反射率影像数据进行深度解析,深度挖掘该反射率影像数据包含的信息,通过文献、方法调研,并利用指数、比值、灰度共生矩阵中的至少一种方法,建立至少包括波段、纹理、指数的多个特征,形成影像多特征指标。
5.如权利要求1所述的多特征蓝藻提取方法,其特征在于,所述对多个蓝藻提取分类模型进行评价包括:
通过基尼系数、卡方检测中的至少一种对多特征进行特征变量重要性评价。
6.如权利要求1所述的多特征蓝藻提取方法,其特征在于,所述建立多个蓝藻提取分类模型包括:
通过机器学习方法构建蓝藻提取分类模型,所述机器学习方法至少包括支持向量机、分类树、随机森林、梯度提升树中的一种或多种。
7.如权利要求1所述的多特征蓝藻提取方法,其特征在于,所述对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型包括:
通过多指标对蓝藻提取分类模型在测试集、验证集的表现进行评价,以选取最优蓝藻提取分类模型,所述多指标至少包括计算分类混淆矩阵、Kappa系数。
8.一种多特征蓝藻提取装置,其特征在于,所述多特征蓝藻提取装置包括:
预处理模块,用于获取国产卫星影像数据并进行预处理,获得具有几何信息且可反映地物光谱信息的反射率影像数据;
多特征构建模块,用于分析所述反射率影像数据,构造影像多特征指标,所述影像多特征指标至少包括空间纹理特征、地物光谱特征;
特征变量选取模块,用于对所述影像多特征指标进行重要性评价,选取多特征变量;
模型构建模块,用于将选取的多特征变量作为自变量,并根据实际踏勘获取的蓝藻分布情况分类样本,建立多个蓝藻提取分类模型;
精度评价模块,用于对多个蓝藻提取分类模型进行评价,选取最优的蓝藻提取分类模型;
应用模块,用于利用所述最优的蓝藻提取分类模型进行蓝藻提取,并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理器并且存储用于由所述至少一个处理器执行的计算机程序,所述计算机程序由所述至少一个处理器执行时,使得所述电子设备执行根据权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被机器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868718.7A CN115205703A (zh) | 2022-07-22 | 2022-07-22 | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868718.7A CN115205703A (zh) | 2022-07-22 | 2022-07-22 | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205703A true CN115205703A (zh) | 2022-10-18 |
Family
ID=83583767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210868718.7A Pending CN115205703A (zh) | 2022-07-22 | 2022-07-22 | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205703A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN116386090A (zh) * | 2023-06-07 | 2023-07-04 | 中国水产科学研究院南海水产研究所 | 一种基于扫描图谱的浮游生物识别方法、系统及介质 |
-
2022
- 2022-07-22 CN CN202210868718.7A patent/CN115205703A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN115760613B (zh) * | 2022-11-15 | 2024-01-05 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN116386090A (zh) * | 2023-06-07 | 2023-07-04 | 中国水产科学研究院南海水产研究所 | 一种基于扫描图谱的浮游生物识别方法、系统及介质 |
CN116386090B (zh) * | 2023-06-07 | 2023-09-19 | 中国水产科学研究院南海水产研究所 | 一种基于扫描图谱的浮游生物识别方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Madonsela et al. | Remote sensing of species diversity using Landsat 8 spectral variables | |
CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
Rogers et al. | Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Sarker et al. | Improved forest biomass estimates using ALOS AVNIR-2 texture indices | |
CN115205703A (zh) | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 | |
CN110427818B (zh) | 高光谱数据支持的深度学习卫星数据云检测方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
Pu et al. | A protocol for improving mapping and assessing of seagrass abundance along the West Central Coast of Florida using Landsat TM and EO-1 ALI/Hyperion images | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN112395808A (zh) | 一种结合随机森林和协同克里金的生物量遥感制图方法 | |
Lasaponara et al. | Image enhancement, feature extraction and geospatial analysis in an archaeological perspective | |
CN112258523B (zh) | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
Chen et al. | Spectral unmixing using a sparse multiple-endmember spectral mixture model | |
Pouliot et al. | Evaluation of annual forest disturbance monitoring using a static decision tree approach and 250 m MODIS data | |
Zhu et al. | A change type determination method based on knowledge of spectral changes in land cover types | |
Dong | Fractal signatures for multiscale processing of hyperspectral image data | |
CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN116844049A (zh) | 基于图像差值法的森林扰动监测方法、系统、设备及介质 | |
CN111199251A (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
Hethcoat et al. | Detecting tropical selective logging with SAR data requires a time series approach | |
Qian et al. | A multidisciplinary user acceptability study of hyperspectral data compressed using an on‐board near lossless vector quantization algorithm | |
Kalbi et al. | Estimation of forest attributes in the Hyrcanian forests, comparison of advanced space-borne thermal emission and reflection radiometer and satellite poure I’observation de la terre-high resolution grounding data by multiple linear, and classification and regression tree regression models |
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 |