CN117197174A - 基于遥感数据的水体信息提取方法、装置、设备及介质 - Google Patents
基于遥感数据的水体信息提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117197174A CN117197174A CN202311203508.7A CN202311203508A CN117197174A CN 117197174 A CN117197174 A CN 117197174A CN 202311203508 A CN202311203508 A CN 202311203508A CN 117197174 A CN117197174 A CN 117197174A
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- image
- threshold
- target area
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 421
- 238000000605 extraction Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 87
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000007637 random forest analysis Methods 0.000 claims description 64
- 239000002245 particle Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- 238000002310 reflectometry Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 230000037237 body shape Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000000903 blocking effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003809 water extraction Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于遥感数据的水体信息提取方法、装置、设备及介质，包括：获取目标区域的多光谱影像数据；基于多光谱影像数据构建目标区域对应的水体掩膜图像；初始化水体掩膜图像对应的阈值种群，对阈值种群进行迭代更新，基于迭代更新后阈值种群确定水体掩膜图像对应的目标分割阈值；基于目标分割阈值生成目标区域对应的水体二值图像；根据水体二值图像构建样本数据，以通过水体信息提取模型基于样本数据，提取目标区域包含的水体对象。本发明可以自动化生成精度较高的样本图像，从而改善了因人工标注样本而导致的繁琐、耗时等问题，提高了样本标注效率，还可以显著提高提取水体对象的精度。
Description
技术领域
本发明涉及水体信息提取技术领域，尤其是涉及一种基于遥感数据的水体信息提取方法、装置、设备及介质。
背景技术
水体是地球生命支持系统的重要组成部分，对于可持续发展具有至关重要的作用。水体信息提取是利用遥感技术从卫星影像中获取水体的位置、面积、形状、水质等参数的过程。快速提取水体信息可以及时监测水体的动态变化，为水资源管理和保护提供数据支持。例如，利用快速提取水体信息的方法可以及时发现水体面积的增减、水质的变化、水位的波动等情况，评估水资源的供需状况，制定合理的水资源利用和保护措施。同时可以有效预报和评估自然灾害，为灾害防治和救援提供信息支持。快速提取水体信息可以及时监测洪涝、干旱、滑坡等自然灾害的发生和发展，评估灾害的影响范围和程度，指导灾害防治和救援工作。还可以反映水体的生态环境状况，为生态保护和修复提供依据。例如，及时监测水体的受污染程度、营养盐含量、悬浮物浓度等指标，评估水体的富营养化和污染风险，指导水质改善和污染防治工作。可以促进遥感技术的发展和创新，为更多领域提供更多可能性。利用快速提取水体信息的方法可以推动遥感数据处理和分析技术的进步和优化，如深度学习、数据融合、知识蒸馏等技术。同时，快速提取水体信息的方法也可以为其他领域提供数据和模型支持，如土地分类、湿地保护、军事侦察等领域。
目前的研究中常见的快速提取水体信息的方法主要是基于水体指数的方法、基于监督分类的方法等。基于水体指数法是一种利用水体在不同波段的反射特性，通过计算某些波段间的差值或比值来构造一个水体指数，然后根据水体指数的大小来判断水体和非水体区域的方法。这种方法需要人工选择合适的波段和阈值，而且对于复杂地物或混合像元的区分能力较弱。基于监督分类法是一种利用机器学习算法，通过对已知标签的样本进行训练，然后对未知标签的像元进行分类，从而实现水体和非水体区域的划分的方法。这种方法可以充分利用多光谱数据和地物特征，提高水体提取的精度和鲁棒性。但是，这种方法需要大量的样本数据和训练时间，而且对于不同场景或时相的数据可能需要重新训练或调整参数。
发明内容
有鉴于此，本发明的目的在于提供一种基于遥感数据的水体信息提取方法、装置、设备及介质，可以自动化生成精度较高的样本图像，从而改善了因人工标注样本而导致的繁琐、耗时等问题，提高了样本标注效率，还可以显著提高提取水体对象的精度。
第一方面，本发明实施例提供了一种水体信息提取模型的训练方法，包括：
获取目标区域的多光谱影像数据；
基于所述多光谱影像数据构建所述目标区域对应的水体掩膜图像；
初始化所述水体掩膜图像对应的阈值种群，对所述阈值种群进行迭代更新，基于迭代更新后所述阈值种群确定所述水体掩膜图像对应的目标分割阈值；
基于所述目标分割阈值生成所述目标区域对应的水体二值图像；
根据所述水体二值图像构建样本数据，以通过水体信息提取模型基于所述样本数据，提取所述目标区域包含的水体对象。
在一种实施方式中，基于所述多光谱影像数据构建所述目标区域对应的水体掩膜图像，包括：
对所述多光谱影像数据进行预处理，得到所述目标区域对应的大气底层反射率数据；其中，所述预处理包括辐射标定处理、大气校正处理和裁剪处理；
基于所述大气底层反射率数据，确定所述目标区域对应的多个水体指数；
利用每个所述水体指数分别提取所述目标区域对应的水体指数图像，并将每个所述水体指数图像叠加得到所述目标区域对应的综合水体指数图像；
对所述综合水体指数图像进行归一化处理，得到所述目标区域对应的水体掩膜图像。
在一种实施方式中，初始化所述水体掩膜图像对应的阈值种群，对所述阈值种群进行迭代更新，基于迭代更新后所述阈值种群确定所述水体掩膜图像对应的目标分割阈值，包括：
将所述水体掩膜图像划分为多个子图像；
对于每个所述子图像，设置该子图像对应的阈值种群；其中，所述阈值种群包括多个阈值粒子；
在当前次迭代更新过程中，基于所述阈值种群的历史最优位置向量，以及上一次迭代更新时所述阈值种群中每个所述粒子的速度向量、位置向量，对所述阈值种群中每个所述阈值粒子的速度向量、位置向量进行迭代更新，直至迭代更新停止；
根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
在一种实施方式中，根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值，包括：
确定该子图像对应的迭代更新后所述阈值种群中的水体类像素数、水体类像素灰度值、非水体类像素数、非水体类像素灰度值和总像素数；
将所述水体类像素数和所述总像素数的比值确定为水体类像素占比，以及将所述非水体类像素数和所述总像素数的比值确定为非水体类像素占比；
基于所述水体类像素占比、所述水体类像素灰度值之间的乘积，以及所述非水体类像素占比、非水体类像素灰度值之间的乘积，确定全局平均灰度值；
根据所述全局平均灰度值、所述水体类像素占比、所述非水体类像素占比、所述水体类像素灰度值和所述非水体类像素灰度值，确定该子图像对应的迭代更新后所述阈值种群的内方差和间方差；
根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
在一种实施方式中，基于所述目标分割阈值生成所述目标区域对应的水体二值图像，包括：
对于每个所述子图像，如果该子图像对应的所述水体掩膜图像中的像元值大于所述目标分割阈值，则将所述像元值置为1；如果该子图像对应的所述水体掩膜图像中的像元值小于所述目标分割阈值，则将所述像元值置为0，得到二值子图像；
将每个所述二值子图像拼接为所述目标区域对应的水体二值图像。
在一种实施方式中，所述水体信息提取模型包括随机森林模型；根据所述水体二值图像构建样本数据，以通过水体信息提取模型基于所述样本数据，提取所述目标区域包含的水体对象：
将所述水体二值图像从栅格数据转换为矢量数据；
统计所述矢量数据中包含的每个水体对象的水体位置、水体面积和水体形状，并基于所述水体位置、所述水体面积和所述水体形状生成样本数据；
调用predict方法，将所述样本数据作为所述随机森林模型的输入，得到所述随机森林模型的预测结果；
根据所述预测结果，提取所述目标区域包含的水体对象。
在一种实施方式中，所述方法还包括：
将水体样本分为训练集和测试集；
使用sklearn库中的RandomForestClassifier类创建随机森林模型，并设置所述随机森林模型的参数；
调用fit方法，将所述训练集的特征和标签作为输入，训练所述随机森林模型；
调用predict方法，将所述测试集的特征作为输入，得到所述随机森林模型的预测结果；
所述方法还包括：
使用sklearn库中的metrics模块，基于所述随机森林模型的所述预测结果计算所述随机森林模型的评价指标，并通过可视化工具分析所述随机森林模型的优劣。
第二方面，本发明实施例还提供一种水体信息提取模型的训练装置，包括：
第一数据获取模块，用于获取目标区域的多光谱影像数据；
掩膜图像确定模块，用于基于所述多光谱影像数据构建所述目标区域对应的水体掩膜图像；
分割阈值确定模块，用于初始化所述水体掩膜图像对应的阈值种群，对所述阈值种群进行迭代更新，基于迭代更新后所述阈值种群确定所述水体掩膜图像对应的目标分割阈值；
二值图像确定模块，用于基于所述目标分割阈值生成所述目标区域对应的水体二值图像；
信息提取模块，用于根据所述水体二值图像构建样本数据，以通过水体信息提取模型基于所述样本数据，提取所述目标区域包含的水体对象。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种基于遥感数据的水体信息提取方法、装置、设备及介质，首先获取目标区域的多光谱影像数据；然后基于多光谱影像数据构建目标区域对应的水体掩膜图像；初始化水体掩膜图像对应的阈值种群，对阈值种群进行迭代更新，基于迭代更新后阈值种群确定水体掩膜图像对应的目标分割阈值；再基于目标分割阈值生成目标区域对应的水体二值图像，从而根据水体二值图像构建样本数据，最后通过水体信息提取模型基于样本数据，提取目标区域包含的水体对象。上述方法可以自动化生成精度较高的水体二值图像，以构建提取水体对象所需的样本，从而通过水体信息提取模型基于水体二值图像提取水体对象，避免了人工标注样本的繁琐和耗时等问题，显著提高了样本标注效率，还可以有效提高提取水体对象的精度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明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发明的一些实施方式，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为本发明实施例提供的一种基于遥感数据的水体信息提取方法的流程示意图；
图2为本发明实施例提供的另一种基于遥感数据的水体信息提取方法的流程示意图；
图3为本发明实施例提供的一种基于遥感数据的水体信息提取装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
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，下面将结合实施例对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，的研究中常见的快速提取水体信息的方法主要是基于水体指数的方法、基于监督分类的方法等。其中，基于水体指数法需要人工选择合适的波段和阈值，而且对于复杂地物或混合像元的区分能力较弱；基于监督分类法需要大量的样本数据和训练时间，而且对于不同场景或时相的数据可能需要重新训练或调整参数。基于此，本发明实施提供了一种基于遥感数据的水体信息提取方法、装置、设备及介质，可以自动化生成精度较高的样本图像，从而改善了因人工标注样本而导致的繁琐、耗时等问题，提高了样本标注效率，还可以显著提高提取水体对象的精度。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于遥感数据的水体信息提取方法进行详细介绍，参见图1所示的一种基于遥感数据的水体信息提取方法的流程示意图，该方法主要包括以下步骤S102至步骤S110：
步骤S102，获取目标区域的多光谱影像数据。
可选的，可以获取指定卫星(诸如欧洲空间局(ESA)提供的哨兵2号卫星)采集的目标区域的多光谱影像数据，多光谱影像数据中包括多个可见光、近红外波段、短波红外波段。
步骤S104，基于多光谱影像数据构建目标区域对应的水体掩膜图像。
其中，水体掩膜图像用于表征目标区域的水体指数，水体掩膜图像中所表征的水体指数的范围限制在0-1之间。
在一种实施方式中，可以对多光谱影像数据进行预处理，以得到目标区域对应的大气底层反射率数据，再利用一种或多种水体指数算法基于大气底层反射率数据，确定出目标区域对应的多个水体指数图像，对所有水体指数图像进行叠加处理和归一化处理，即可得到水体掩膜图像。
步骤S106，初始化水体掩膜图像对应的阈值种群，对阈值种群进行迭代更新，基于迭代更新后阈值种群确定水体掩膜图像对应的目标分割阈值。
其中，阈值种群包括多个阈值粒子，每个阈值粒子表示一个候选分割阈值，目标分割阈值用于对水体掩膜图像进行二值化处理。
在一种实施方式中，可以基于上一次迭代更新的结果以及阈值种群的历史最优位置向量，进行当前次迭代更新，以得到此次迭代更新的结果(包括阈值粒子的位置向量和速度向量)，当迭代更新结束时，即可基于迭代更新后阈值种群中水体类像素数、非水体类像素数、水体类像素灰度值、非水体类像素灰度值，确定水体掩膜图像对应的目标分割阈值。
步骤S108，基于目标分割阈值生成目标区域对应的水体二值图像。
其中，水体二值图像中的像元值为1或0，其中像元值为1则表明该像元(或像素)为水体，像元值为0则表明该像元(或像素)为非水体。
在一种实施方式中，如果水体掩膜图像中的像元值大于目标分割阈值，则将该像元值置为1；反之，如果水体掩膜图像中的像元值小于目标分割阈值，则将该像元值置为0，从而得到水体二值图像。
步骤S110，根据水体二值图像构建样本数据，以通过水体信息提取模型基于样本数据，提取目标区域包含的水体对象。
其中，样本数据包括每个水体对象的水体位置、水体面积和水体形状等；水体信息提取模型可以为随机森林模型。
在一种实施方式中，可以基于水体二值图像统计处目标区域内每个水体对象的水体位置、水体面积和水体形状等，并基于上述数据生成样本数据表格文件(简称，样本数据)，利用样本数据表格文件训练随机森林模型，进而利用训练后的随机森林模型，基于样本数据表格文件精确提取目标区域包含的水体对象。
本发明实施例提供的基于遥感数据的水体信息提取方法，可以自动化生成精度较高的水体二值图像，以构建提取水体对象所需的样本，从而通过水体信息提取模型基于水体二值图像提取水体对象，避免了人工标注样本的繁琐和耗时等问题，显著提高了样本标注效率，还可以有效提高提取水体对象的精度。
为便于理解，本发明实施例提供了一种基于遥感数据的水体信息提取方法的具体实施方式。
对于前述步骤S102，在执行获取目标区域的多光谱影像数据的步骤时，可以获取哨兵2号卫星多光谱影像数据。具体的，从欧洲空间局(ESA)提供的哨兵2号卫星数据中心(https://scihub.copernicus.eu/)获取目标区域和所需时间范围内的多光谱影像数据，包括10个可见光和近红外波段(B2-B8)，以及2个短波红外波段(B11-B12)。
对于前述步骤S104，在执行基于多光谱影像数据构建目标区域对应的水体掩膜图像的步骤时，可以参见如下步骤a至步骤d：
步骤a，对多光谱影像数据进行预处理，得到目标区域对应的大气底层反射率数据；其中，预处理包括辐射标定处理、大气校正处理和裁剪处理。
具体的，参见如下步骤a1至步骤a3：
步骤a1，使用ENVI软件，输入获取的多光谱影像数据进行辐射定标，将数字数值转换为地表反射率作为结果输出。
步骤a2，使用FLAASH模型，输入地表反射率进行大气校正，消除大气散射和吸收的影响，得到经过大气校正的大气底层反射率数据作为结果输出。
步骤a3，根据目标区域及其区域范围，对大气底层反射率数据进行图像裁剪，得到目标区域的大气底层反射率数据。
步骤b，基于大气底层反射率数据，确定目标区域对应的多个水体指数。
在一种可选的实施方式中，可以使用MNDWI(Modified Normalized DifferenceWater Index，改进归一化水体指数)和AWEI(Automated Water Extraction Index，水体自动提取指数)方法对大气底层反射率数据进行水体信息提取，得到多个水体指数。该步骤的输入数据为所需区域的大气底层反射率数据。
具体的，参见如下方式一至方式二：
方式一，计算MNDWI水体指数：
利用绿光波段(B3)和短波红外波段(B11)的反射率比值来区分水体和其他地物，计算公式为：
方式二，计算AWEI水体指数：
利用绿光波段(B3)、近红外波段(B8)、短波红外波段(B11)和短波红外波段(B12)的反射率差值来区分水体和其他地物，计算公式为：
AWEI＝4×(B3-B12)-(0.25B8+2.75B11)。
步骤c，利用每个水体指数分别提取目标区域对应的水体指数图像，并将每个水体指数图像叠加得到目标区域对应的综合水体指数图像。
在一种实施方式中，将两个水体指数提取的水体指数图像相加即可得到综合水体指数图像。具体的，对MNDWI和AWEI水体指数提取方法得到水体指数图像进行逻辑与运算，得到一个综合水体指数图像。
步骤d，对综合水体指数图像进行归一化处理，得到目标区域对应的水体掩膜图像。
在一种实施方式中，对综合水体指数图像进行归一化处理，将其值范围限制在0到1之间，输出归一化的水体掩膜图像。
对于前述步骤S106，在执行初始化水体掩膜图像对应的阈值种群，对阈值种群进行迭代更新，基于迭代更新后阈值种群确定水体掩膜图像对应的目标分割阈值时，可以采用改进的OTSU(大津阈值分割)算法和粒子群算法(PSO)自动寻找目标分割阈值。具体的，可以参见如下步骤1至步骤4：
步骤1，将水体掩膜图像划分为多个子图像。
在一种实施方式中，可以采用四叉树分割算法对水体掩膜图像进行分块处理。具体的，参见如下步骤1.1至步骤1.3：
步骤1.1，对归一化的水体掩膜图像进行四叉树分割，设置分割参数为：最小区域大小为64×64像元，最大标准差为0.1；
步骤1.2，将四叉树分割后得到的多个子区域保存为单独的子图像文件，每个子图像文件包含一个子区域的水体掩膜数据；
步骤1.3，对每个子图像文件进行命名和编号。
步骤2，对于每个子图像，设置该子图像对应的阈值种群；其中，阈值种群包括多个阈值粒子。
在一种实施方式中，设置粒子群算法(PSO)的参数为：种群规模为20，最大迭代次数为100，惯性权重为0.8，学习因子为2；2)使用粒子群算法(PSO)初始化一个随机的阈值种群，每个阈值粒子表示一个候选阈值。
步骤3，在当前次迭代更新过程中，基于阈值种群的历史最优位置向量，以及上一次迭代更新时阈值种群中每个粒子的速度向量、位置向量，对阈值种群中每个阈值粒子的速度向量、位置向量进行迭代更新，直至迭代更新停止。
在一种实施方式中，根据惯性权重、学习因子和随机因子，更新每个阈值粒子的速度向量和位置向量。其中，vid k+1表示阈值粒子i在第k+1次迭代中第d维的速度向量，表示阈值粒子下一次迭代时移动的方向和距离；w为惯性权重，表示上一代阈值粒子的速度对当代阈值粒子的速度的影响；vid k表示阈值粒子i在第k次迭代中第d维的速度向量，表示阈值粒子当前的运动状态；c1为个体学习因子，表示阈值粒子本身的思考，即阈值粒子自己经验的部分；xid k为阈值粒子i在第k次迭代中第d维的位置向量，表示所求解问题的一个解；pid表示阈值粒子i的历史最优位置，即在所有迭代中，第i个阈值粒子(个体)搜索得到的最优解；pgbest表示阈值种群的历史最优位置，即在所有迭代中，整个阈值种群中的最优解。位置向量vid k+1的计算公式为：
vid k+1＝wvid k+c1rand(pid-xid k)+c1rand(pgbest-xid k)。
重复这一过程，直至位置向量vid k+1的值趋于稳定，将停止迭代更新。
步骤4，根据该子图像对应的迭代更新后阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
在一种实施方式中，可以按照如下步骤4.1至步骤4.5确定该子图像对应的目标分割阈值：
步骤4.1，确定该子图像对应的迭代更新后阈值种群中的水体类像素数、水体类像素灰度值、非水体类像素数、非水体类像素灰度值和总像素数。
其中，非目标类像素数(也即非水体类像素数)总计为nb，非目标类像素平均灰度值(也即非水体类像素灰度值)为ub，目标类像素数(也即水体类像素数)总计为no，目标类像素平均灰度值(也即水体类像素灰度值)为uo，总像素数为m×n。
步骤4.2，将水体类像素数和总像素数的比值确定为水体类像素占比，以及将非水体类像素数和总像素数的比值确定为非水体类像素占比。
在具体实现时，按照如下公式确定目标类像素占比(也即水体类像素占比)Vo和非目标类像素占比(也即非水体类像素占比)Vb：
no+nb＝m×n；
Vo+Vb＝1。
步骤4.3，基于水体类像素占比、水体类像素灰度值之间的乘积，以及非水体类像素占比、非水体类像素灰度值之间的乘积，确定全局平均灰度值。
在具体实现时，按照如下公式确定全局平均灰度值U：
U＝Vo×uo+Vb×ub。
步骤4.4，根据全局平均灰度值、水体类像素占比、非水体类像素占比、水体类像素灰度值和非水体类像素灰度值，确定该子图像对应的迭代更新后阈值种群的内方差so 2和间方差sb 2。
在具体实现时，可以按照如下公式计算间方差sb 2：
sb 2＝Vo×(U-uo)2+Vb×(U-ub)2；
另外，还可以按照如下公式计算全局方差总体方差sm 2：
sm 2＝Vo×sb 2+Vb×sb 2。
步骤4.5，根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
具体的，可以按照如下公式确定该子图像对应的目标分割阈值T：
将此式作为PSO的目标函数来更新每个阈值粒子的个体最优解和全局最优解，6)输出全局最优解作为目标分割阈值(也可称之为最佳阈值)。
对于前述步骤S108，在执行基于目标分割阈值生成目标区域对应的水体二值图像的步骤时，可以参见如下(1)至(2)：
(1)对于每个子图像，如果该子图像对应的水体掩膜图像中的像元值大于目标分割阈值，则将像元值置为1；如果该子图像对应的水体掩膜图像中的像元值小于目标分割阈值，则将像元值置为0，得到二值子图像。
具体的，参见如下(1.1)至(1.3)：
(1.1)使用最佳阈值对每个子图像进行二值化处理，将水体掩膜图像中大于阈值的像元值设为1，表示水体；将小于等于阈值的像元值设为0，表示非水体；
(1.2)将二值化后得到的多个子水体二值图像保存为单独的子图像文件，每个子图像文件包含一个子区域的水体二值数据；
(1.3)对每个子图像文件进行命名和编号。
(2)将每个二值子图像拼接为目标区域对应的水体二值图像。在具体实现时，将所有子水体二值图像拼接成一个完整的水体二值图像，随后去除多余边界，得到一个更加精确的水体二值图像，保存为一个单独的图像文件输出，包含整个区域的水体二值数据。
对于前述步骤S110，在执行根据水体二值图像构建样本数据，以通过水体信息提取模型基于样本数据，提取目标区域包含的水体对象的步骤时，可以参见如下(a)至(c)：
(a)将水体二值图像从栅格数据转换为矢量数据。
在具体实现时，可以根据水体二值图像，使用栅格转换为矢量的工具，将水体的栅格数据转换为矢量数据1。在转换时，需要设置DN(Digital Number，遥感影像像元亮度)值，由于水体的DN值显示为1，所以设置DN值为1。
(b)统计矢量数据中包含的每个水体对象的水体位置、水体面积和水体形状，并基于水体位置、水体面积和水体形状生成样本数据。
在具体实现时，可以根据矢量数据，使用属性统计的工具，计算出每个水体对象的水体位置(水体中心点的经纬度坐标)、水体面积(水体像元数乘以像元大小)、水体形状(水体轮廓的周长与面积之比)等，将这些参数作为水体对象的属性，保存在一个表格文件(也即，样本数据表格文件)中输出。
(c)调用predict方法，将样本数据作为随机森林模型的输入，得到随机森林模型的预测结果，并根据预测结果，提取目标区域包含的水体对象。
其中，随机森林算法是一种基于多个决策树的集成学习方法，可以处理高维度、非线性和缺失数据的问题，对模型确定参数。输入(c)生成的样本数据集表格文件，使用随机森林算法的工具，输出预测结果。
在一例中，训练集和测试集的划分：根据输入表格文件中的数据量，随机划分一定比例的数据作为训练集和测试集。本发明实施例设置比例为7:3，训练集用于建立随机森林模型，测试集用于评估模型的准确性和泛化能力；
在一例中，随机森林模型中树的数量的确定：根据训练集的大小和复杂度，确定随机森林中决策树的数量。需要注意参数值的设置避免增加计算时间和内存消耗。本发明实施例选择设置为100。
在一例中，随机森林模型中树的深度的确定：根据训练集的特征数和分布情况，确定决策树的最大深度。需要注意在保证拟合能力的同时避免过拟合和噪声敏感性，本发明实施例选择设置为10。
在一例中，随机森林模型中最小叶子节点样本数的确定：根据训练集的样本数和噪声情况，确定一个叶节点所需包含的最小样本数。本发明实施例选择设置为5。
在一例中，随机森林模型中最小分裂节点样本数的确定：根据训练集的样本数和噪声情况，确定一个节点可分裂所需的最小样本数。本发明实施例选择设置为10。
进一步的，本发明实施例还提供了一种训练随机森林模型的实施方式，包括如下步骤(一)至(四)：
(一)将水体样本分为训练集和测试集。在具体实现时，根据输入表格文件中的数据量，随机划分一定比例的数据作为训练集和测试集。本方案设置比例为7:3，训练集用于建立随机森林模型，测试集用于评估模型的准确性和泛化能力。
(二)使用sklearn库中的RandomForestClassifier类创建随机森林模型，并设置所述随机森林模型的参数。在具体实现时，使用sklearn库中的RandomForestClassifier类创建一个随机森林分类器对象，设置相关参数，如树的数量、最大深度、最小样本数等。
(三)调用fit方法，将所述训练集的特征和标签作为输入，训练所述随机森林模型。
(四)调用predict方法，将所述测试集的特征作为输入，得到所述随机森林模型的预测结果。
进一步的，还可以使用sklearn库中的metrics模块，基于所述随机森林模型的所述预测结果计算所述随机森林模型的评价指标，并通过可视化工具分析所述随机森林模型的优劣。具体的，使用sklearn库中的metrics模块，计算模型的准确率、召回率、F1值等评价指标，以及混淆矩阵、ROC曲线等可视化工具，分析模型的优劣。
进一步的，如果模型的性能不满意，可以尝试调整参数或使用网格搜索、交叉验证等方法优化模型。如果模型的性能达到预期，可以将模型保存为一个文件，以便后续使用。
综上所述，本发明实施例提供的基于遥感数据的水体信息提取方法至少具有以下特点：
(1)本发明实施例通过水体信息提取的方法，可以生成相对精确的样本集，避免了人工标注样本的繁琐和耗时，提高了样本标注效率；
(2)本发明实施例结合改进的OTSU方法和粒子群算法(PSO)，可以根据不同的影像数据自动寻找最佳阈值，实现了水体信息快速提取，相比原有OTSU方法，降低了运算时间和复杂度；
(3)本发明实施例采用随机森林算法对水体对象进行分类或回归分析，可以处理高维度、非线性和缺失数据的问题，增强了模型的准确性和泛化能力，相比传统的分类或回归方法，提高了水体信息提取的精度。
为便于理解，本发明实施例提供了基于遥感数据的水体信息提取方法的另一种实施方式，本发明实施例通过高分辨率的哨兵光学(Sentinel-2)作为主要的数据源，通过使用MNDWI和AWEI水体指数提取、利用改进的OTSU方法确定阈值作为较为精确的样本数据集，进而输入随机森林算法得到高精度结果，从而实现水体信息的快速提取。
具体的，参见图2所示的另一种基于遥感数据的水体信息提取方法的流程示意图，该方法主要包括以下步骤S202至步骤S220：
步骤S202，获取哨兵2号卫星的多光谱影像数据，进行预处理；
步骤S204，输出大气底层反射率数据；
步骤S206，使用MNDWI和AWEI水体指数提取方法进行水体信息提取；
步骤S208，输出水体掩膜图像；
步骤S210，使用四叉树图像分块算法进行水体掩膜图像的分块处理；在具体实现时，使用四叉树图像分块算法对水体掩膜图像进行分块处理，得到多个子图像，对每个子图像，使用改进的OTSU方法结合粒子群算法(PSO)确定最佳阈值，对子图像进行二值化处理，得到子水体二值图像，将所有子水体二值图像拼接成一个完整的水体二值图像；
步骤S212，输出水体二值图像；
步骤S214，提取水体位置、水体面积、水体形状等参数；
步骤S216，制作样本数据集输入随机森林模型；
步骤S218，输出随机森林模型的预测结果；
步骤S220，根据预测结果，提取目标区域包含的水体对象。
本发明实施例提出一种首先利用水体指数确定阈值对水体信息提取进行快速样本标注，随后输入随机森林算法提高水体信息精度的方法，提高了水体信息提取的效率和精度。水体指数选择MNDWI和AWEI，利用绿波段、近红外波段和短波红外波段构建的指数，能够有效地区分水体和其他地物，只需要计算一次水体指数，然后根据一个阈值来判断水体和非水体区域，这个过程非常简单和快速。阈值确定选择由徐红伟等人提出的一种自适应阈值的水体信息提取方法，借助内方差和间方差构建阈值,同时在此基础上使用PSO算法进行完善。该改进的OTSU算法相比基本的OTSU算法更高效。
本发明实施例能够充分利用水体指数法和监督分类法的优势，提高水体信息提取的识别效率。通过水体指数提取，利用四叉树图像分块算法和改进的OTSU方法结合粒子群算法(PSO)，可以自适应地确定最佳阈值，提高水体分割的精度和鲁棒性，同时又大大降低了样本标注的效率，减少人工干预和误差，之后结合随机森林算法提高了水体信息提取的精度和鲁棒性，实现了高效率、高精度的水体信息提取。
对于前述实施例提供的基于遥感数据的水体信息提取方法，本发明实施例提供了一种基于遥感数据的水体信息提取装置，参见图3所示的一种基于遥感数据的水体信息提取装置的结构示意图，该装置主要包括以下部分：
第一数据获取模块302，用于获取目标区域的多光谱影像数据；
掩膜图像确定模块304，用于基于多光谱影像数据构建目标区域对应的水体掩膜图像；
分割阈值确定模块306，用于初始化水体掩膜图像对应的阈值种群，对阈值种群进行迭代更新，基于迭代更新后阈值种群确定水体掩膜图像对应的目标分割阈值；
二值图像确定模块308，用于基于目标分割阈值生成目标区域对应的水体二值图像；
信息提取模块310，用于根据水体二值图像构建样本数据，以通过水体信息提取模型基于样本数据，提取目标区域包含的水体对象。
本发明实施例提供的基于遥感数据的水体信息提取装置，可以自动化生成精度较高的水体二值图像，以构建提取水体对象所需的样本，从而通过水体信息提取模型基于水体二值图像提取水体对象，避免了人工标注样本的繁琐和耗时等问题，显著提高了样本标注效率，还可以有效提高提取水体对象的精度。
在一种实施方式中，掩膜图像确定模块304还用于：
对多光谱影像数据进行预处理，得到目标区域对应的大气底层反射率数据；其中，预处理包括辐射标定处理、大气校正处理和裁剪处理；
基于大气底层反射率数据，确定目标区域对应的多个水体指数；
利用每个水体指数分别提取目标区域对应的水体指数图像，并将每个水体指数图像叠加得到目标区域对应的综合水体指数图像；
对综合水体指数图像进行归一化处理，得到目标区域对应的水体掩膜图像。
在一种实施方式中，分割阈值确定模块306还用于：
将水体掩膜图像划分为多个子图像；
对于每个子图像，设置该子图像对应的阈值种群；其中，阈值种群包括多个阈值粒子；
在当前次迭代更新过程中，基于阈值种群的历史最优位置向量，以及上一次迭代更新时阈值种群中每个粒子的速度向量、位置向量，对阈值种群中每个阈值粒子的速度向量、位置向量进行迭代更新，直至迭代更新停止；
根据该子图像对应的迭代更新后阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
在一种实施方式中，分割阈值确定模块306还用于：
确定该子图像对应的迭代更新后阈值种群中的水体类像素数、水体类像素灰度值、非水体类像素数、非水体类像素灰度值和总像素数；
将水体类像素数和总像素数的比值确定为水体类像素占比，以及将非水体类像素数和总像素数的比值确定为非水体类像素占比；
基于水体类像素占比、水体类像素灰度值之间的乘积，以及非水体类像素占比、非水体类像素灰度值之间的乘积，确定全局平均灰度值；
根据全局平均灰度值、水体类像素占比、非水体类像素占比、水体类像素灰度值和非水体类像素灰度值，确定该子图像对应的迭代更新后阈值种群的内方差和间方差；
根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
在一种实施方式中，二值图像确定模块308还用于：
对于每个子图像，如果该子图像对应的水体掩膜图像中的像元值大于目标分割阈值，则将像元值置为1；如果该子图像对应的水体掩膜图像中的像元值小于目标分割阈值，则将像元值置为0，得到二值子图像；
将每个二值子图像拼接为目标区域对应的水体二值图像。
在一种实施方式中，水体信息提取模型包括随机森林模型；信息提取模块310还用于：
将水体二值图像从栅格数据转换为矢量数据；
统计矢量数据中包含的每个水体对象的水体位置、水体面积和水体形状，并基于水体位置、水体面积和水体形状生成样本数据；
调用predict方法，将所述样本数据作为所述随机森林模型的输入，得到所述随机森林模型的预测结果；
根据所述预测结果，提取所述目标区域包含的水体对象。
在一种实施方式中，还包括模型训练模块，用于：
将水体样本分为训练集和测试集；
使用sklearn库中的RandomForestClassifier类创建随机森林模型，并设置所述随机森林模型的参数；
调用fit方法，将所述训练集的特征和标签作为输入，训练所述随机森林模型；
调用predict方法，将所述测试集的特征作为输入，得到所述随机森林模型的预测结果；
在一种实施方式中，还包括模型评估模块，用于：
使用sklearn库中的metrics模块，基于所述随机森林模型的所述预测结果计算所述随机森林模型的评价指标，并通过可视化工具分析所述随机森林模型的优劣。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能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)执行本发明各个实施例所述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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于遥感数据的水体信息提取方法，其特征在于，包括：
获取目标区域的多光谱影像数据；
基于所述多光谱影像数据构建所述目标区域对应的水体掩膜图像；
初始化所述水体掩膜图像对应的阈值种群，对所述阈值种群进行迭代更新，基于迭代更新后所述阈值种群确定所述水体掩膜图像对应的目标分割阈值；
基于所述目标分割阈值生成所述目标区域对应的水体二值图像；
根据所述水体二值图像构建样本数据，以通过水体信息提取模型基于所述样本数据，提取所述目标区域包含的水体对象。
2.根据权利要求1所述的基于遥感数据的水体信息提取方法，其特征在于，基于所述多光谱影像数据构建所述目标区域对应的水体掩膜图像，包括：
对所述多光谱影像数据进行预处理，得到所述目标区域对应的大气底层反射率数据；其中，所述预处理包括辐射标定处理、大气校正处理和裁剪处理；
基于所述大气底层反射率数据，确定所述目标区域对应的多个水体指数；
利用每个所述水体指数分别提取所述目标区域对应的水体指数图像，并将每个所述水体指数图像叠加得到所述目标区域对应的综合水体指数图像；
对所述综合水体指数图像进行归一化处理，得到所述目标区域对应的水体掩膜图像。
3.根据权利要求1所述的基于遥感数据的水体信息提取方法，其特征在于，初始化所述水体掩膜图像对应的阈值种群，对所述阈值种群进行迭代更新，基于迭代更新后所述阈值种群确定所述水体掩膜图像对应的目标分割阈值，包括：
将所述水体掩膜图像划分为多个子图像；
对于每个所述子图像，设置该子图像对应的阈值种群；其中，所述阈值种群包括多个阈值粒子；
在当前次迭代更新过程中，基于所述阈值种群的历史最优位置向量，以及上一次迭代更新时所述阈值种群中每个所述粒子的速度向量、位置向量，对所述阈值种群中每个所述阈值粒子的速度向量、位置向量进行迭代更新，直至迭代更新停止；
根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
4.根据权利要求3所述的基于遥感数据的水体信息提取方法，其特征在于，根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值，包括：
确定该子图像对应的迭代更新后所述阈值种群中的水体类像素数、水体类像素灰度值、非水体类像素数、非水体类像素灰度值和总像素数；
将所述水体类像素数和所述总像素数的比值确定为水体类像素占比，以及将所述非水体类像素数和所述总像素数的比值确定为非水体类像素占比；
基于所述水体类像素占比、所述水体类像素灰度值之间的乘积，以及所述非水体类像素占比、非水体类像素灰度值之间的乘积，确定全局平均灰度值；
根据所述全局平均灰度值、所述水体类像素占比、所述非水体类像素占比、所述水体类像素灰度值和所述非水体类像素灰度值，确定该子图像对应的迭代更新后所述阈值种群的内方差和间方差；
根据该子图像对应的迭代更新后所述阈值种群的内方差和间方差，确定该子图像对应的目标分割阈值。
5.根据权利要求3所述的基于遥感数据的水体信息提取方法，其特征在于，基于所述目标分割阈值生成所述目标区域对应的水体二值图像，包括：
对于每个所述子图像，如果该子图像对应的所述水体掩膜图像中的像元值大于所述目标分割阈值，则将所述像元值置为1；如果该子图像对应的所述水体掩膜图像中的像元值小于所述目标分割阈值，则将所述像元值置为0，得到二值子图像；
将每个所述二值子图像拼接为所述目标区域对应的水体二值图像。
6.根据权利要求1所述的基于遥感数据的水体信息提取方法，其特征在于，所述水体信息提取模型包括随机森林模型；根据所述水体二值图像构建样本数据，以通过水体信息提取模型基于所述样本数据，提取所述目标区域包含的水体对象，包括：
将所述水体二值图像从栅格数据转换为矢量数据；
统计所述矢量数据中包含的每个水体对象的水体位置、水体面积和水体形状，并基于所述水体位置、所述水体面积和所述水体形状生成样本数据；
调用predict方法，将所述样本数据作为所述随机森林模型的输入，得到所述随机森林模型的预测结果；
根据所述预测结果，提取所述目标区域包含的水体对象。
7.根据权利要求1所述的基于遥感数据的水体信息提取方法，其特征在于，所述方法还包括：
将水体样本分为训练集和测试集；
使用sklearn库中的RandomForestClassifier类创建随机森林模型，并设置所述随机森林模型的参数；
调用fit方法，将所述训练集的特征和标签作为输入，训练所述随机森林模型；
调用predict方法，将所述测试集的特征作为输入，得到所述随机森林模型的预测结果；
所述方法还包括：
使用sklearn库中的metrics模块，基于所述随机森林模型的所述预测结果计算所述随机森林模型的评价指标，并通过可视化工具分析所述随机森林模型的优劣。
8.一种基于遥感数据的水体信息提取装置，其特征在于，包括：
第一数据获取模块，用于获取目标区域的多光谱影像数据；
掩膜图像确定模块，用于基于所述多光谱影像数据构建所述目标区域对应的水体掩膜图像；
分割阈值确定模块，用于初始化所述水体掩膜图像对应的阈值种群，对所述阈值种群进行迭代更新，基于迭代更新后所述阈值种群确定所述水体掩膜图像对应的目标分割阈值；
二值图像确定模块，用于基于所述目标分割阈值生成所述目标区域对应的水体二值图像；
信息提取模块，用于根据所述水体二值图像构建样本数据，以通过水体信息提取模型基于所述样本数据，提取所述目标区域包含的水体对象。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求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，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203508.7A CN117197174A (zh) | 2023-09-18 | 2023-09-18 | 基于遥感数据的水体信息提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203508.7A CN117197174A (zh) | 2023-09-18 | 2023-09-18 | 基于遥感数据的水体信息提取方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197174A true CN117197174A (zh) | 2023-12-08 |
Family
ID=88990427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311203508.7A Pending CN117197174A (zh) | 2023-09-18 | 2023-09-18 | 基于遥感数据的水体信息提取方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197174A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557584A (zh) * | 2024-01-10 | 2024-02-13 | 北京观微科技有限公司 | 水体提取方法、装置、电子设备及存储介质 |
| CN118050329A (zh) * | 2024-04-15 | 2024-05-17 | 北京四象爱数科技有限公司 | 一种基于国控断面和哨兵影像的流域水质反演方法及设备 |
-
2023
- 2023-09-18 CN CN202311203508.7A patent/CN117197174A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557584A (zh) * | 2024-01-10 | 2024-02-13 | 北京观微科技有限公司 | 水体提取方法、装置、电子设备及存储介质 |
| CN117557584B (zh) * | 2024-01-10 | 2024-04-09 | 北京观微科技有限公司 | 水体提取方法、装置、电子设备及存储介质 |
| CN118050329A (zh) * | 2024-04-15 | 2024-05-17 | 北京四象爱数科技有限公司 | 一种基于国控断面和哨兵影像的流域水质反演方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9430499B2 (en) | Automated feature extraction from imagery | |
| CN117197174A (zh) | 基于遥感数据的水体信息提取方法、装置、设备及介质 | |
| CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
| CN116091497B (zh) | 遥感变化检测方法、装置、电子设备和存储介质 | |
| Mellor et al. | Exploring diversity in ensemble classification: Applications in large area land cover mapping | |
| CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN111784044A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Nurkarim et al. | Building footprint extraction and counting on very high-resolution satellite imagery using object detection deep learning framework | |
| Li et al. | A comparison of deep learning methods for airborne lidar point clouds classification | |
| US20220004740A1 (en) | Apparatus and Method For Three-Dimensional Object Recognition | |
| CN110517575A (zh) | 一种地表水体制图方法及装置 | |
| CN112200363B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Vaidya et al. | Classifying heterogeneous urban form into local climate zones using supervised learning and greedy clustering incorporating Landsat dataset | |
| CN116893428B (zh) | 基于激光点云的森林资源调查与监测方法及系统 | |
| CN113516060A (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
| CN117333035A (zh) | 基于卫星遥感数据的城市土地利用策略生成方法、装置、设备及介质 | |
| CN116933947A (zh) | 一种基于软投票集成分类器的滑坡易发性预测方法 | |
| CN115424131A (zh) | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 | |
| CN112200357B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Dai et al. | Landslide risk classification based on ensemble machine learning | |
| Sivasubramaniyan et al. | Original Research Article Identifying land use land cover dynamics using machine learning method and GIS approach in Karaivetti, Tamil Nadu | |
| Bermoy et al. | Prediction of Future Land Use Land Cover (lulc) and Assessment of its Impact on the Water Supply Availability of Butuan City-Taguibo River Watershed and Forest Reserve (trwfr), Philippines | |
| CN118245770B (zh) | 多气象要素分布特征的生成方法、装置、设备及介质 | |
| Chomani et al. | Evaluation of Different Classification Algorithms for Land Use Land Cover Mapping |
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 |