CN117409330B - 水生植被识别方法、装置、计算机设备和存储介质 - Google Patents
水生植被识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117409330B CN117409330B CN202311724615.4A CN202311724615A CN117409330B CN 117409330 B CN117409330 B CN 117409330B CN 202311724615 A CN202311724615 A CN 202311724615A CN 117409330 B CN117409330 B CN 117409330B
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- sensing image
- target
- image data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000002310 reflectometry Methods 0.000 claims abstract description 201
- 238000001228 spectrum Methods 0.000 claims abstract description 68
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims description 69
- 238000010586 diagram Methods 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 230000014509 gene expression Effects 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000004456 color vision Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10024—Color image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种水生植被识别方法、装置、计算机设备和存储介质。所述方法包括：根据目标湖泊对应的待分析遥感影像数据，确定待分析遥感影像数据对应的目标波段反射率数据；将目标波段反射率数据转换至目标色彩空间，得到待分析遥感影像数据对应的色彩空间色度坐标数据；将色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对待分析遥感影像数据的颜色识别结果；根据目标波段反射率数据，确定待分析遥感影像数据对应的归一化指数数据和光谱角数据；根据颜色识别结果、归一化指数数据和光谱角数据，确定待分析遥感影像数据对应的水生植被识别结果。采用本方法能够对目标湖泊中的水生植被进行准确识别，提高水生植被的识别效率。
Description
技术领域
本申请涉及植被识别技术领域，特别是涉及一种水生植被识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
水生植被作为内陆湖泊生态系统最重要的组成部分之一，具有减少外源污染负荷、提升水体透明度、抑制藻类、提供鱼类栖息地等重要的生态功能，同时，水生植物具有较强的碳固持能力，可以减缓温室气体排放，从而调节气候变化。根据形态结构和生长特征，水生植物可分为挺水植被、浮叶植被和沉水植被。水生植物是生态系统健康的关键指标，其丰度和组成的变化可能对湖泊的整体生态状态和功能产生重大影响。
在植被识别领域中，传统方法主要依靠从卫星影像中提取出的NDVI、NDWI、FAI等波段指数对植被进行识别，然而，由于背景环境、监测时间和监测区域的不同，采用上述波段指数进行植被识别时，上述波段指数波动范围大，植被识别过程中波段指数阈值也会发生变化，针对不同监测时间和不同监测区域的水生植被进行识别时需要对每张卫星影响对应的波段指数阈值进行逐一确定，不利于提高水生植被的识别效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高水生植被的识别效率的水生植被识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种水生植被识别方法，包括：
根据目标湖泊对应的待分析遥感影像数据，确定所述待分析遥感影像数据对应的目标波段反射率数据；
将所述目标波段反射率数据转换至目标色彩空间，得到所述待分析遥感影像数据对应的色彩空间色度坐标数据；
将所述色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对所述待分析遥感影像数据的颜色识别结果；
根据所述目标波段反射率数据，确定所述待分析遥感影像数据对应的归一化指数数据和光谱角数据；
根据所述颜色识别结果、所述归一化指数数据和所述光谱角数据，确定所述待分析遥感影像数据对应的水生植被识别结果。
在其中一个实施例中，所述色彩空间色度坐标数据包括色彩空间色度横坐标数据和色彩空间色度纵坐标数据，所述将所述目标波段反射率数据转换至目标色彩空间，得到所述待分析遥感影像数据对应的色彩空间色度坐标数据，包括：
根据所述目标波段反射率数据和所述目标波段反射率数据对应的转换参数，确定所述待分析遥感影像数据对应的三刺激值数据；
根据所述三刺激值数据，确定所述色彩空间色度横坐标数据和所述色彩空间色度纵坐标数据。
在其中一个实施例中，所述转换参数包括第一转换参数、第二转换参数和第三转换参数，所述根据所述目标波段反射率数据和所述目标波段反射率数据对应的转换参数，确定所述待分析遥感影像数据对应的三刺激值数据，包括：
根据所述目标波段反射率数据和所述第一转换参数，确定所述待分析遥感影像数据对应的三刺激值第一子数据；
根据所述目标波段反射率数据和所述第二转换参数，确定所述待分析遥感影像数据对应的三刺激值第二子数据；
根据所述目标波段反射率数据和所述第三转换参数，确定所述待分析遥感影像数据对应的三刺激值第三子数据；
根据所述三刺激值第一子数据、所述三刺激值第二子数据和所述三刺激值第三子数据，确定所述三刺激值数据。
在其中一个实施例中，所述将所述色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对所述待分析遥感影像数据的颜色识别结果，包括：
通过所述预训练的颜色识别模型，确定所述色彩空间色度坐标数据对应的色度坐标分布数据；
通过所述预训练的颜色识别模型，对比所述色彩空间色度坐标数据和所述色度坐标分布数据，得到所述颜色识别结果。
在其中一个实施例中，所述方法还包括：
获取水生植被遥感影像数据，确定所述水生植被遥感影像数据对应的水生植被目标波段反射率数据；
将所述水生植被目标波段反射率数据转换至目标色彩空间，得到所述水生植被遥感影像数据对应的水生植被色彩空间色度坐标数据；
根据所述水生植被色彩空间色度坐标数据，确定所述水生植被遥感影像数据对应的散点图数据；
获取所述散点图数据对应的下边界数据，根据所述下边界数据，生成所述预训练的颜色识别模型。
在其中一个实施例中，所述归一化指数数据包括第一指数数据和第二指数数据，所述目标波段反射率数据包括近红外波段反射率数据、红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据，所述根据所述目标波段反射率数据，确定所述待分析遥感影像数据对应的归一化指数数据和光谱角数据，包括：
根据所述近红外波段反射率数据和所述红光波段反射率数据，确定所述第一指数数据；
根据所述近红外波段反射率数据和所述绿光波段反射率数据，确定所述第二指数数据；
根据所述红光波段反射率数据、所述绿光波段反射率数据和所述蓝光波段反射率数据，确定所述光谱角数据。
在其中一个实施例中，所述根据所述颜色识别结果、所述归一化指数数据和所述光谱角数据，确定所述待分析遥感影像数据对应的水生植被识别结果，包括：
获取所述归一化指数数据对应的归一化指数阈值，对比所述归一化指数数据和所述归一化指数阈值，确定第一对比结果；
获取所述光谱角数据对应的光谱角阈值，对比所述光谱角数据和所述光谱角阈值，确定第二对比结果；
根据所述颜色识别结果、所述第一对比结果和所述第二对比结果，确定所述水生植被识别结果。
第二方面，本申请还提供了一种水生植被识别装置，包括：
反射率确定模块，用于根据目标湖泊对应的待分析遥感影像数据，确定所述待分析遥感影像数据对应的目标波段反射率数据；
色彩转换模块，用于将所述目标波段反射率数据转换至目标色彩空间，得到所述待分析遥感影像数据对应的色彩空间色度坐标数据；
颜色识别模块，用于将所述色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对所述待分析遥感影像数据的颜色识别结果；
指数确定模块，用于根据所述目标波段反射率数据，确定所述待分析遥感影像数据对应的归一化指数数据和光谱角数据；
植被识别模块，用于根据所述颜色识别结果、所述归一化指数数据和所述光谱角数据，确定所述待分析遥感影像数据对应的水生植被识别结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述水生植被识别方法、装置、计算机设备、存储介质和计算机程序产品，通过根据目标湖泊对应的待分析遥感影像数据，确定待分析遥感影像数据对应的目标波段反射率数据，从而基于针对目标湖泊的待分析遥感影像数据，确定准确的目标波段反射率数据；将目标波段反射率数据转换至目标色彩空间，得到待分析遥感影像数据对应的色彩空间色度坐标数据，从而基于目标色彩空间，将目标波段反射率数据转换为色彩空间色度坐标数据，减少颜色感知的主观性导致的误差，提高色彩空间色度坐标数据所表征的颜色的准确性；将色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对待分析遥感影像数据的颜色识别结果，从而基于预训练的颜色识别模型，对待分析遥感影像数据进行初步的颜色识别和植被识别；根据目标波段反射率数据，确定待分析遥感影像数据对应的归一化指数数据和光谱角数据，从而确定准确的归一化指数数据和光谱角数据，为后续水生植被识别提供数据支撑；根据颜色识别结果、归一化指数数据和光谱角数据，确定待分析遥感影像数据对应的水生植被识别结果，能够通过提取待分析遥感影像数据对应的目标波段反射率数据，将目标波段反射率数据转换为目标色彩空间下的色彩空间色度坐标数据，基于预训练的颜色识别模型对待分析遥感影像数据进行初步的颜色识别和植被识别，并利用归一化指数数据、光谱角数据和预训练的颜色识别模型输出的颜色识别结果，总和确定准确的水生植被识别结果，无需单独对各个参数阈值进行反复调整，实现基于待分析遥感影像数据对应的目标波段反射率数据，对目标湖泊中的水生植被进行准确识别，提高不同湖泊和不同时间等条件下水生植被识别的适用性，提高水生植被的识别效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为一个实施例中一种水生植被识别方法的应用环境图；
图2为一个实施例中一种水生植被识别方法的流程示意图；
图3为一个实施例中一种构建颜色识别模型的流程示意图；
图4为一个实施例中一种基于散点图数据确定下边界数据的示意图；
图5为一个实施例中一种湖泊水生植被识别方法的流程示意图；
图6为一个实施例中一种水生植被识别装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的水生植被识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102根据目标湖泊对应的待分析遥感影像数据，确定待分析遥感影像数据对应的目标波段反射率数据；终端102将目标波段反射率数据转换至目标色彩空间，得到待分析遥感影像数据对应的色彩空间色度坐标数据；终端102将色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对待分析遥感影像数据的颜色识别结果；终端102根据目标波段反射率数据，确定待分析遥感影像数据对应的归一化指数数据和光谱角数据；终端102根据颜色识别结果、归一化指数数据和光谱角数据，确定待分析遥感影像数据对应的水生植被识别结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中，如图2所示，提供了一种水生植被识别方法，以该方法应用于终端为例进行说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S202，根据目标湖泊对应的待分析遥感影像数据，确定待分析遥感影像数据对应的目标波段反射率数据。
其中，目标湖泊可以是指需要进行水生植被识别的区域所对应的湖泊。
其中，待分析遥感影像数据可以是指通过卫星等设备对目标湖泊进行图像采集时得到的数据，实际应用中，待分析遥感影像数据可以包括记录目标湖泊中各种地物的电磁波大小的数据，具体地，待分析遥感影像数据可以包括RGB真彩色影像数据。
其中，目标波段反射率数据可以是指表征待分析遥感影像数据所表征的遥感影像在特定波段下的光谱反射率的数据，实际应用中，目标波段反射率数据可以包括近红外波段反射率数据、红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据等，具体地，光谱反射率可以是指目标湖泊中的地物在特定波段（如近红外波段、红光波段、绿光波段和蓝光波段等）的反射通量与该波段的入射通量之比。
作为一种示例，当需要对目标湖泊中的水生植被进行识别时，终端获取卫星等设备对目标湖泊进行图像采集时得到的待分析遥感影像数据，终端分析目标湖泊对应的待分析遥感影像数据，进而确定待分析遥感影像数据对应的目标波段反射率数据。
步骤S204，将目标波段反射率数据转换至目标色彩空间，得到待分析遥感影像数据对应的色彩空间色度坐标数据。
其中，目标色彩空间可以是指确定每个颜色所关联的三个数（或三刺激值）的方法，实际应用中，目标色彩空间可以包括CIE1931XYZ色彩空间。
其中，色彩空间色度坐标数据可以是指表征待分析遥感影像数据在目标色彩空间中对应的任意一点所对应的位置的数据，实际应用中，色彩空间色度坐标数据可以包括色彩空间色度横坐标数据x和色彩空间色度纵坐标数据y。
作为一种示例，终端按照预设的数据转换方法，将目标波段反射率数据转换至目标色彩空间，得到待分析遥感影像数据对应的色彩空间色度横坐标数据x和色彩空间色度纵坐标数据y。
步骤S206，将色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对待分析遥感影像数据的颜色识别结果。
其中，预训练的颜色识别模型可以是指用于判断色彩空间色度坐标数据在待分析遥感影像数据中对应的像元是否可能为水生植被像元的模型，具体地，水生植被像元可以是指目标湖泊中的水生植被在待分析遥感影像数据中对应的像元，实际应用中，当色彩空间色度坐标数据满足预训练的颜色识别模型对应的数据要求，终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元可能为水生植被像元，当色彩空间色度坐标数据不满足预训练的颜色识别模型对应的数据要求，终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元不是水生植被像元。
其中，颜色识别结果可以是指预训练的颜色识别模型输出的数据，实际应用中，颜色识别结果可以用于表征色彩空间色度坐标数据在待分析遥感影像数据中对应的像元是否可能为水生植被像元。
作为一种示例，终端将色彩空间色度坐标数据输入至预训练的颜色识别模型，预训练的颜色识别模型对色彩空间色度坐标数据进行数据转换和分析，进而确定针对待分析遥感影像数据中各像元的颜色识别结果。
步骤S208，根据目标波段反射率数据，确定待分析遥感影像数据对应的归一化指数数据和光谱角数据。
其中，归一化指数数据可以是指对待分析遥感影像数据中的特定波段进行归一化差值处理，以凸显待分析遥感影像数据中的水体信息的数据，实际应用中，归一化指数数据可以包括归一化植被指数（NDVI）和归一化水指数（NDWI）。
其中，光谱角数据可以是指表征待分析遥感影像数据中的像元光谱与预设的参考光谱之间的相似程度的数据，实际应用中，光谱角数据可以包括待分析遥感影像数据中的像元光谱与预设的参考光谱之间矢量的夹角。
作为一种示例，终端按照预设的归一化指数数据计算表达式，根据目标波段反射率数据，确定待分析遥感影像数据对应的归一化指数数据，终端按照预设的光谱角数据计算表达式，根据目标波段反射率数据，确定待分析遥感影像数据对应的光谱角数据。
步骤S210，根据颜色识别结果、归一化指数数据和光谱角数据，确定待分析遥感影像数据对应的水生植被识别结果。
其中，水生植被识别结果可以是指用于表征待分析遥感影像数据中水生植被像元分布情况的数据，实际应用中，水生植被识别结果包括待分析遥感影像数据中各像元是否为水生植被像元的数据，根据待分析遥感影像数据中各像元是否为水生植被像元，可以确定待分析遥感影像数据中水生植被像元的分布情况。
作为一种示例，终端通过对比归一化指数数据和预设的归一化指数阈值，确定归一化指数对比结果，终端根据光谱角数据和预设的光谱角阈值，确定光谱角对比结果，终端结合颜色识别结果、归一化指数对比结果和光谱角对比结果，确定待分析遥感影像数据对应的水生植被识别结果。
上述水生植被识别方法中，通过根据目标湖泊对应的待分析遥感影像数据，确定待分析遥感影像数据对应的目标波段反射率数据，从而基于针对目标湖泊的待分析遥感影像数据，确定准确的目标波段反射率数据；将目标波段反射率数据转换至目标色彩空间，得到待分析遥感影像数据对应的色彩空间色度坐标数据，从而基于目标色彩空间，将目标波段反射率数据转换为色彩空间色度坐标数据，减少颜色感知的主观性导致的误差，提高色彩空间色度坐标数据所表征的颜色的准确性；将色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对待分析遥感影像数据的颜色识别结果，从而基于预训练的颜色识别模型，对待分析遥感影像数据进行初步的颜色识别和植被识别；根据目标波段反射率数据，确定待分析遥感影像数据对应的归一化指数数据和光谱角数据，从而确定准确的归一化指数数据和光谱角数据，为后续水生植被识别提供数据支撑；根据颜色识别结果、归一化指数数据和光谱角数据，确定待分析遥感影像数据对应的水生植被识别结果，能够通过提取待分析遥感影像数据对应的目标波段反射率数据，将目标波段反射率数据转换为目标色彩空间下的色彩空间色度坐标数据，基于预训练的颜色识别模型对待分析遥感影像数据进行初步的颜色识别和植被识别，并利用归一化指数数据、光谱角数据和预训练的颜色识别模型输出的颜色识别结果，总和确定准确的水生植被识别结果，无需单独对各个参数阈值进行反复调整，实现基于待分析遥感影像数据对应的目标波段反射率数据，对目标湖泊中的水生植被进行准确识别，提高不同湖泊和不同时间等条件下水生植被识别的适用性，提高水生植被的识别效率。
在一个示例性的实施例中，色彩空间色度坐标数据包括色彩空间色度横坐标数据和色彩空间色度纵坐标数据，将目标波段反射率数据转换至目标色彩空间，得到待分析遥感影像数据对应的色彩空间色度坐标数据，包括：根据目标波段反射率数据和目标波段反射率数据对应的转换参数，确定待分析遥感影像数据对应的三刺激值数据；根据三刺激值数据，确定色彩空间色度横坐标数据和色彩空间色度纵坐标数据。
其中，色彩空间色度横坐标数据可以是指色彩空间色度坐标数据中表征横坐标的数据，实际应用中，色彩空间色度横坐标数据可以表示为x。
其中，色彩空间色度纵坐标数据可以是指色彩空间色度坐标数据中表征纵坐标的数据，实际应用中，色彩空间色度纵坐标数据可以表示为y。
其中，目标波段反射率数据对应的转换参数可以是指将目标波段反射率数据转换至目标色彩空间过程中，对各目标波段反射率数据进行转换时所依照的规则所表征的数据，实际应用中，目标波段反射率数据对应的转换参数的数量可以包括1个、2个和3个等。
其中，三刺激值数据可以是指表征引起人体视网膜对某种颜色感觉的三种原色的刺激程度的数据，实际应用中，三刺激值可以包括红原色刺激量（X）、绿原色刺激量（Y）和蓝原色刺激量（Z）。
作为一种示例，终端根据目标波段反射率数据和目标波段反射率数据对应的转换参数，将目标波段反射率数据转换为待分析遥感影像数据对应的三刺激值数据，终端根据三刺激值数据，结合色彩空间色度横坐标计算表达式，确定色彩空间色度横坐标数据，终端根据三刺激值数据，结合色彩空间色度纵坐标计算表达式，确定色彩空间色度纵坐标数据，具体地，色彩空间色度横坐标计算表达式可以表示为x=X/（X+Y+Z），色彩空间色度纵坐标计算表达式可以表示为y=Y/（X+Y+Z）。
本实施例中，通过根据目标波段反射率数据和目标波段反射率数据对应的转换参数，确定待分析遥感影像数据对应的三刺激值数据；根据三刺激值数据，确定色彩空间色度横坐标数据和色彩空间色度纵坐标数据，能够利用转换参数，将目标波段反射率数据转换为三刺激值数据，并结合色彩空间色度坐标计算表达式，确定准确的色彩空间色度横坐标数据和色彩空间色度纵坐标数据，为后续水生植被识别提供数据支撑，进而提高水生植被的识别效率。
在一些实施例中，转换参数包括第一转换参数、第二转换参数和第三转换参数，根据目标波段反射率数据和目标波段反射率数据对应的转换参数，确定待分析遥感影像数据对应的三刺激值数据，包括：根据目标波段反射率数据和第一转换参数，确定待分析遥感影像数据对应的三刺激值第一子数据；根据目标波段反射率数据和第二转换参数，确定待分析遥感影像数据对应的三刺激值第二子数据；根据目标波段反射率数据和第三转换参数，确定待分析遥感影像数据对应的三刺激值第三子数据；根据三刺激值第一子数据、三刺激值第二子数据和三刺激值第三子数据，确定三刺激值数据。
其中，第一转换参数可以是指将目标波段反射率数据转换为三刺激值第一子数据（即红原色刺激量X）时所采用的数据，实际应用中，第一转换参数可以表示为（A1，A2，A3）。
其中，第二转换参数可以是指将目标波段反射率数据转换为三刺激值第二子数据（即绿原色刺激量Y）时所采用的数据，实际应用中，第二转换参数可以表示为（M1，M2，M3）。
其中，第三转换参数可以是指将目标波段反射率数据转换为三刺激值第三子数据（即蓝原色刺激量Z）时所采用的数据，实际应用中，第三转换参数可以表示为（C1，C2，C3）。
其中，三刺激值第一子数据可以是指红原色刺激量，实际应用中，三刺激值第一子数据可以表示为X，具体地，三刺激值第一子数据可以表示为X= A1*R+A2*G+A3*B，其中，R可以是指目标波段反射率数据中的红波段反射率数据，G可以是指目标波段反射率数据中的绿波段反射率数据，B可以是指目标波段反射率数据中的蓝波段反射率数据。
其中，三刺激值第二子数据可以是指绿原色刺激量，实际应用中，三刺激值第二子数据可以表示为Y，具体地，三刺激值第二子数据可以表示为Y= M1*R+M2*G+M3*B，其中，R可以是指目标波段反射率数据中的红波段反射率数据，G可以是指目标波段反射率数据中的绿波段反射率数据，B可以是指目标波段反射率数据中的蓝波段反射率数据。
其中，三刺激值第三子数据可以是指蓝原色刺激量，实际应用中，三刺激值第三子数据可以表示为Z，具体地，三刺激值第三子数据可以表示为Z= C1*R+C2*G+C3*B，其中，R可以是指目标波段反射率数据中的红波段反射率数据，G可以是指目标波段反射率数据中的绿波段反射率数据，B可以是指目标波段反射率数据中的蓝波段反射率数据。
作为一种示例，终端根据目标波段反射率数据和第一转换参数，确定待分析遥感影像数据对应的三刺激值第一子数据；根据目标波段反射率数据和第二转换参数，确定待分析遥感影像数据对应的三刺激值第二子数据；根据目标波段反射率数据和第三转换参数，确定待分析遥感影像数据对应的三刺激值第三子数据，具体地，基于第一转换参数、第二转换参数和第三转换参数可以构建三刺激值计算表达式，该三刺激值计算表达式可以表示为：
。
其中，R可以是指目标波段反射率数据中的红波段反射率数据，G可以是指目标波段反射率数据中的绿波段反射率数据，B可以是指目标波段反射率数据中的蓝波段反射率数据，第一转换参数（A1，A2，A3）中的A1=2.7689，A2=1.7517，A3=1.1302，第二转换参数（M1，M2，M3）中的M1=1.0000，M2=4.5907，M3=0.0601，第三转换参数（C1，C2，C3）中的C1=0.0000，C2=0.0565，C3=5.5943。
终端根据三刺激值第一子数据、三刺激值第二子数据和三刺激值第三子数据，确定三刺激值数据，具体的，三刺激值可以表示为（三刺激值第一子数据X，三刺激值第二子数据Y，三刺激值第三子数据Z）。
本实施例中，通过根据目标波段反射率数据和第一转换参数，确定待分析遥感影像数据对应的三刺激值第一子数据；根据目标波段反射率数据和第二转换参数，确定待分析遥感影像数据对应的三刺激值第二子数据；根据目标波段反射率数据和第三转换参数，确定待分析遥感影像数据对应的三刺激值第三子数据；根据三刺激值第一子数据、三刺激值第二子数据和三刺激值第三子数据，确定三刺激值数据，能够分别结合第一转换参数、第二转换参数和第三转换参数，将目标波段反射率数据转换为准确的三刺激值，为后续水生植被识别提供数据支撑，进而提高水生植被的识别效率。
在一些实施例中，将色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对待分析遥感影像数据的颜色识别结果，包括：通过预训练的颜色识别模型，确定色彩空间色度坐标数据对应的色度坐标分布数据；通过预训练的颜色识别模型，对比色彩空间色度坐标数据和色度坐标分布数据，得到颜色识别结果。
其中，色度坐标分布数据可以是指表征色彩空间色度坐标数据对应的像元与预训练的颜色识别模型对应的函数图像之间位置关系的数据，实际应用中，将色彩空间色度坐标数据中的色彩空间色度横坐标数据x输入至预训练的颜色识别模型对应的函数图像表达式y=ax2+bx+c中，即可得到预训练的颜色识别模型对应的函数图像上横坐标与色彩空间色度横坐标数据相同的函数图像点的纵坐标数据y1，通过对比色彩空间色度横坐标数据x对应的色彩空间色度纵坐标数据y和y1，可以确定色彩空间色度坐标数据对应的像元与预训练的颜色识别模型对应的函数图像之间的位置关系。
作为一种示例，终端根据预训练的颜色识别模型对应的函数图像表达式和色彩空间色度横坐标数据，计算色彩空间色度坐标数据对应的色度坐标分布数据，终端通过预训练的颜色识别模型，对比色彩空间色度坐标数据和色度坐标分布数据，得到颜色识别结果，例如，色彩空间色度坐标数据可以表示为（x，y），预训练的颜色识别模型对应的函数图像表达式可以表示为y=ax2+bx+c（如y=11.102568x2-6.495907x+1.309564），终端将色彩空间色度横坐标数据x输入至预训练的颜色识别模型对应的函数图像表达式y=ax2+bx+c，得到色度坐标分布数据y1，可以理解的是，点（x，y1）可以表示预训练的颜色识别模型对应的函数图像上横坐标为x的点，对比色彩空间色度纵坐标数据y和色度坐标分布数据y1，若y>y1，则终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元可能为水生植被像元，若y<y1，则终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元不是水生植被像元。
本实施例中，通过预训练的颜色识别模型，确定色彩空间色度坐标数据对应的色度坐标分布数据；通过预训练的颜色识别模型，对比色彩空间色度坐标数据和色度坐标分布数据，得到颜色识别结果，能够基于预训练的颜色识别模型，确定色度坐标分布数据，并结合色彩空间色度坐标数据和色度坐标分布数据之间的大小关系，确定准确的颜色识别结果，为后续水生植被识别提供数据支撑，进而提高水生植被的识别效率。
在一些实施例中，上述方法还包括：获取水生植被遥感影像数据，确定水生植被遥感影像数据对应的水生植被目标波段反射率数据；将水生植被目标波段反射率数据转换至目标色彩空间，得到水生植被遥感影像数据对应的水生植被色彩空间色度坐标数据；根据水生植被色彩空间色度坐标数据，确定水生植被遥感影像数据对应的散点图数据；获取散点图数据对应的下边界数据，根据下边界数据，生成预训练的颜色识别模型。
其中，水生植被遥感影像数据可以是指卫星等设备对湖泊中水生植被进行图像采集得到的数据，实际应用中，水生植被遥感影像数据可以包括不同时间下、高纬度（如维度>40°N）区域中的湖泊中的水生植被对应的卫星遥感影像数据，具体地，水生植被遥感影像数据可以包括RGB真彩色影像数据。
其中，水生植被目标波段反射率数据可以是指表征水生植被遥感影像数据所表征的遥感影像在特定波段下的光谱反射率的数据，实际应用中，水生植被目标波段反射率数据可以包括近红外波段反射率数据、红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据等。
其中，水生植被色彩空间色度坐标数据可以是指水生植被遥感影像数据在目标色彩空间中对应的任意一点所对应的位置的数据。
其中，散点图数据可以是指表征水生植被色彩空间色度坐标数据对应的数据点在直角坐标系平面上的分布情况的数据，实际应用中，根据散点图数据可以确定散点图。
其中，下边界数据可以是指表征散点图数据对应的散点图中散点的下边界的数据。
作为一种示例，如图3所示，提供了一种构建颜色识别模型的流程示意图，终端获取不同时间下、高纬度（如纬度>40°N）区域中的湖泊中的水生植被对应的水生植被遥感影像数据，例如，终端还可以根据水生植被遥感影像数据，结合NDVI值绘制水生植被分布的感兴趣区域（绿色区域），得到若干个水生植被像素点，终端根据若干个水生植被像素点，提取水生植被遥感影像数据中的水生植被目标波段反射率数据，终端将目标波段反射率数据转换至CIE色彩空间，得到针对水生植被像素点对应的水生植被目标波段反射率数据的水生植被色彩空间色度横坐标和水生植被色彩空间色度纵坐标，终端根据水生植被色彩空间色度横坐标和水生植被色彩空间色度纵坐标绘制散点，得到散点图数据，终端采用预设的下边界提取方式（如借助数学计算工具），确定散点图数据对应的下边界数据，终端可以将下边界数据对应的表达式作为预训练的颜色识别模型对应的函数图像的表达式，从而构建预训练的颜色识别模型，如图4所示，提供了一种基于散点图数据确定下边界数据的示意图，其中，散点图数据对应的下边界数据的表达式（即预训练的颜色识别模型的函数表达式）可以表示为y=11.102568x2-6.495907x+1.309564，其中，R为红光波段反射率数据，①可以表示蓝色，②可以表示绿色，③可以表示红色。
本实施例中，通过获取水生植被遥感影像数据，确定水生植被遥感影像数据对应的水生植被目标波段反射率数据；将水生植被目标波段反射率数据转换至目标色彩空间，得到水生植被遥感影像数据对应的水生植被色彩空间色度坐标数据；根据水生植被色彩空间色度坐标数据，确定水生植被遥感影像数据对应的散点图数据；获取散点图数据对应的下边界数据，根据下边界数据，生成预训练的颜色识别模型，能够基于水生植被遥感影像数据，构建预训练的颜色识别模型，从而利用颜色识别模型，确定准确的颜色识别结果，为后续水生植被识别提供数据支撑，进而提高水生植被的识别效率。
在一些实施例中，归一化指数数据包括第一指数数据和第二指数数据，目标波段反射率数据包括近红外波段反射率数据、红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据，根据目标波段反射率数据，确定待分析遥感影像数据对应的归一化指数数据和光谱角数据，包括：根据近红外波段反射率数据和红光波段反射率数据，确定第一指数数据；根据近红外波段反射率数据和绿光波段反射率数据，确定第二指数数据；根据红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据，确定光谱角数据。
其中，第一指数数据可以是指归一化植被指数（NDVI），具体地，近红外波段反射率数据可以表示为RNIR，红光波段反射率数据可以表示为Rred，绿光波段反射率数据可以表示为Rgreen，蓝光波段反射率数据可以表示为Rblue，归一化植被指数可以表示为NDVI=（RNIR-Rred）/（RNIR+Rred）。
其中，第二指数数据可以是指归一化水指数（NDWI），具体地，近红外波段反射率数据可以表示为RNIR，红光波段反射率数据可以表示为Rred，绿光波段反射率数据可以表示为Rgreen，蓝光波段反射率数据可以表示为Rblue，归一化植被指数可以表示为NDWI=（Rgreen-RNIR）/（Rgreen+RNIR）。
其中，近红外波段反射率数据可以是指待分析遥感影像数据所表征的遥感影像在近红外波段下的光谱反射率的数据。
其中，红光波段反射率数据可以是指待分析遥感影像数据所表征的遥感影像在红光波段下的光谱反射率的数据。
其中，绿光波段反射率数据可以是指待分析遥感影像数据所表征的遥感影像在绿光波段下的光谱反射率的数据。
其中，蓝光波段反射率数据可以是指待分析遥感影像数据所表征的遥感影像在蓝光波段下的光谱反射率的数据。
作为一种示例，终端基于NDVI计算表达式：NDVI=（RNIR-Rred）/（RNIR+Rred），根据近红外波段反射率数据和红光波段反射率数据，计算第一指数数据（即归一化植被指数），终端基于NDWI计算表达式：NDWI=（Rgreen-RNIR）/（Rgreen+RNIR），根据近红外波段反射率数据和绿光波段反射率数据，计算第二指数数据（即归一化水指数），终端基于预设的光谱角计算表达式，根据红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据，确定光谱角数据，具体地，光谱角可以表示为AngleRGB，光谱角计算表达式可以表示为：
。
其中，Rred可以是指红光波段反射率数据，Rgreen可以是指绿光波段反射率数据，Rblue可以是指蓝光波段反射率数据。
本实施例中，通过根据近红外波段反射率数据和红光波段反射率数据，确定第一指数数据；根据近红外波段反射率数据和绿光波段反射率数据，确定第二指数数据；根据红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据，确定光谱角数据，能够基于对应的计算表达式，确定准确的归一化指数数据和光谱角数据，为后续水生植被识别提供数据支撑，进而提高水生植被的识别效率。
在一些实施例中，根据颜色识别结果、归一化指数数据和光谱角数据，确定待分析遥感影像数据对应的水生植被识别结果，包括：获取归一化指数数据对应的归一化指数阈值，对比归一化指数数据和归一化指数阈值，确定第一对比结果；获取光谱角数据对应的光谱角阈值，对比光谱角数据和光谱角阈值，确定第二对比结果；根据颜色识别结果、第一对比结果和第二对比结果，确定水生植被识别结果。
其中，归一化指数阈值可以是指预先设置的、用于判断归一化指数数据是否满足预设的归一化指数要求的数据。
其中，第一对比结果可以是指表征归一化指数数据是否满足预设的归一化指数要求的数据。
其中，光谱角阈值可以是指预先设置的、用于判断光谱角数据是否满足预设的光谱角要求的数据。
其中，第二对比结果可以是指表征光谱角数据是否满足预设的光谱角要求的数据。
作为一种示例，终端获取归一化指数数据对应的归一化指数阈值，具体地，第一指数数据即归一化植被指数（NDVI）具有对应的第一阈值HNDVI，第二指数数据即归一化水指数（NDWI）具有对应的第二阈值HNDWI，终端分别对比NDVI与HNDVI、以及NDWI与HNDWI，得到第一对比结果，终端获取光谱角数据对应的光谱角阈值HAngle，对比光谱角数据AngleRGB和光谱角阈值HAngle，确定第二对比结果，终端结合颜色识别结果、第一对比结果和第二对比结果，确定水生植被识别结果，例如，若颜色识别结果表征色彩空间色度坐标数据在待分析遥感影像数据中对应的像元可能为水生植被像元，则第一对比结果表征NDVI>HNDVI，且第二对比结果表征NDWI<HNDWI，终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元为水生植被像元，通过对所有色彩空间色度坐标数据在待分析遥感影像数据中对应的像元进行识别，从而识别目标湖泊中的水生植被。
本实施例中，通过获取归一化指数数据对应的归一化指数阈值，对比归一化指数数据和归一化指数阈值，确定第一对比结果；获取光谱角数据对应的光谱角阈值，对比光谱角数据和光谱角阈值，确定第二对比结果；根据颜色识别结果、第一对比结果和第二对比结果，确定水生植被识别结果，能够基于归一化指数数据和光谱角数据各自对应的阈值，分别确定针对归一化指数数据的第一对比结果和针对光谱角数据的第二对比结果，并结合颜色识别结果，确定准确的水生植被识别结果，进而提高水生植被的识别效率。
在一些实施例中，如图5所示，提供了一种湖泊水生植被识别方法的流程示意图，终端获取针对目标湖泊的待分析遥感影像数据，终端提取待分析遥感影像数据中的目标波段反射率数据，具体地，目标波段反射率数据可以包括红光波段反射率数据R、绿光波段反射率数据G、蓝光波段反射率数据B，终端将目标波段反射率数据转换至CIE色彩空间，得到待分析遥感影像数据中的各像元对应的色彩空间色度坐标数据（包括色彩空间色度横坐标数据x0和色彩空间色度纵坐标数据y0），终端将色彩空间色度坐标数据输入至预训练的颜色识别模型，预训练的颜色识别模型对应的函数图像的表达式可以表示为y=11.102568x2-6.495907x+1.309564，具体地，终端将色彩空间色度横坐标数据x0代入预训练的颜色识别模型对应的函数图像的表达式，得到色度坐标分布数据y1，终端对比y0和y1，若y0>y1，则终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元可能为水生植被像元，若y0<y1，则终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元不是水生植被像元，终端根据目标波段反射率数据，结合预设的NDVI计算表达式、NDWI计算表达式和AngleRGB计算表达式，计算归一化指数数据NDVI和NDWI以及光谱角数据AngleRGB，在y0>y1的情况下，终端对比NDVI和预设的第一阈值HNDVI（如0.47）、对比NDWI和预设的第二阈值HNDWI（如-0.24）、对比AngleRGB和光谱角阈值HAngle（如172.60），若NDVI>0.47且NDWI<-0.24且AngleRGB>172.60，终端判定色彩空间色度坐标数据在待分析遥感影像数据中对应的像元为水生植被像元，待分析遥感影像数据中的所有像元均进行上述操作，从而筛选出待分析遥感影像数据中的所有像元中为水生植被像元的像元，进而实现对目标湖泊中水生植被的准确识别，提高水生植被的识别效率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的水生植被识别方法的水生植被识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个水生植被识别装置实施例中的具体限定可以参见上文中对于水生植被识别方法的限定，在此不再赘述。
在一个示例性的实施例中，如图6所示，提供了一种水生植被识别装置，包括：反射率确定模块602、色彩转换模块604、颜色识别模块606、指数确定模块608和植被识别模块610，其中：
反射率确定模块602，用于根据目标湖泊对应的待分析遥感影像数据，确定所述待分析遥感影像数据对应的目标波段反射率数据。
色彩转换模块604，用于将所述目标波段反射率数据转换至目标色彩空间，得到所述待分析遥感影像数据对应的色彩空间色度坐标数据。
颜色识别模块606，用于将所述色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对所述待分析遥感影像数据的颜色识别结果。
指数确定模块608，用于根据所述目标波段反射率数据，确定所述待分析遥感影像数据对应的归一化指数数据和光谱角数据。
植被识别模块610，用于根据所述颜色识别结果、所述归一化指数数据和所述光谱角数据，确定所述待分析遥感影像数据对应的水生植被识别结果。
在一个示例性实施例中，所述色彩空间色度坐标数据包括色彩空间色度横坐标数据和色彩空间色度纵坐标数据，上述色彩转换模块604具体还用于根据所述目标波段反射率数据和所述目标波段反射率数据对应的转换参数，确定所述待分析遥感影像数据对应的三刺激值数据；根据所述三刺激值数据，确定所述色彩空间色度横坐标数据和所述色彩空间色度纵坐标数据。
在一个示例性实施例中，所述转换参数包括第一转换参数、第二转换参数和第三转换参数，上述色彩转换模块604具体还用于根据所述目标波段反射率数据和所述第一转换参数，确定所述待分析遥感影像数据对应的三刺激值第一子数据；根据所述目标波段反射率数据和所述第二转换参数，确定所述待分析遥感影像数据对应的三刺激值第二子数据；根据所述目标波段反射率数据和所述第三转换参数，确定所述待分析遥感影像数据对应的三刺激值第三子数据；根据所述三刺激值第一子数据、所述三刺激值第二子数据和所述三刺激值第三子数据，确定所述三刺激值数据。
在一个示例性实施例中，上述颜色识别模块606具体还用于通过所述预训练的颜色识别模型，确定所述色彩空间色度坐标数据对应的色度坐标分布数据；通过所述预训练的颜色识别模型，对比所述色彩空间色度坐标数据和所述色度坐标分布数据，得到所述颜色识别结果。
在一个示例性实施例中，上述颜色识别模块606具体还用于获取水生植被遥感影像数据，确定所述水生植被遥感影像数据对应的水生植被目标波段反射率数据；将所述水生植被目标波段反射率数据转换至目标色彩空间，得到所述水生植被遥感影像数据对应的水生植被色彩空间色度坐标数据；根据所述水生植被色彩空间色度坐标数据，确定所述水生植被遥感影像数据对应的散点图数据；获取所述散点图数据对应的下边界数据，根据所述下边界数据，生成所述预训练的颜色识别模型。
在一个示例性实施例中，所述归一化指数数据包括第一指数数据和第二指数数据，所述目标波段反射率数据包括近红外波段反射率数据、红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据，上述指数确定模块608具体还用于根据所述近红外波段反射率数据和所述红光波段反射率数据，确定所述第一指数数据；根据所述近红外波段反射率数据和所述绿光波段反射率数据，确定所述第二指数数据；根据所述红光波段反射率数据、所述绿光波段反射率数据和所述蓝光波段反射率数据，确定所述光谱角数据。
在一个示例性实施例中，上述植被识别模块610具体还用于获取所述归一化指数数据对应的归一化指数阈值，对比所述归一化指数数据和所述归一化指数阈值，确定第一对比结果；获取所述光谱角数据对应的光谱角阈值，对比所述光谱角数据和所述光谱角阈值，确定第二对比结果；根据所述颜色识别结果、所述第一对比结果和所述第二对比结果，确定所述水生植被识别结果。
上述水生植被识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种水生植被识别方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (8)
1.一种水生植被识别方法，其特征在于，所述方法包括：
根据目标湖泊对应的待分析遥感影像数据，确定所述待分析遥感影像数据对应的目标波段反射率数据；
将所述目标波段反射率数据转换至目标色彩空间，得到所述待分析遥感影像数据对应的色彩空间色度坐标数据；
将所述色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对所述待分析遥感影像数据的颜色识别结果；获取水生植被遥感影像数据，确定所述水生植被遥感影像数据对应的水生植被目标波段反射率数据；将所述水生植被目标波段反射率数据转换至目标色彩空间，得到所述水生植被遥感影像数据对应的水生植被色彩空间色度坐标数据；根据所述水生植被色彩空间色度坐标数据，确定所述水生植被遥感影像数据对应的散点图数据；获取所述散点图数据对应的下边界数据，根据所述下边界数据，生成所述预训练的颜色识别模型；通过所述预训练的颜色识别模型，确定所述色彩空间色度坐标数据对应的色度坐标分布数据；通过所述预训练的颜色识别模型，对比所述色彩空间色度坐标数据和所述色度坐标分布数据，得到所述颜色识别结果；
根据所述目标波段反射率数据，确定所述待分析遥感影像数据对应的归一化指数数据和光谱角数据；
根据所述颜色识别结果、所述归一化指数数据和所述光谱角数据，确定所述待分析遥感影像数据对应的水生植被识别结果。
2.根据权利要求1所述的方法，其特征在于，所述色彩空间色度坐标数据包括色彩空间色度横坐标数据和色彩空间色度纵坐标数据，所述将所述目标波段反射率数据转换至目标色彩空间，得到所述待分析遥感影像数据对应的色彩空间色度坐标数据，包括：
根据所述目标波段反射率数据和所述目标波段反射率数据对应的转换参数，确定所述待分析遥感影像数据对应的三刺激值数据；
根据所述三刺激值数据，确定所述色彩空间色度横坐标数据和所述色彩空间色度纵坐标数据。
3.根据权利要求2所述的方法，其特征在于，所述转换参数包括第一转换参数、第二转换参数和第三转换参数，所述根据所述目标波段反射率数据和所述目标波段反射率数据对应的转换参数，确定所述待分析遥感影像数据对应的三刺激值数据，包括：
根据所述目标波段反射率数据和所述第一转换参数，确定所述待分析遥感影像数据对应的三刺激值第一子数据；
根据所述目标波段反射率数据和所述第二转换参数，确定所述待分析遥感影像数据对应的三刺激值第二子数据；
根据所述目标波段反射率数据和所述第三转换参数，确定所述待分析遥感影像数据对应的三刺激值第三子数据；
根据所述三刺激值第一子数据、所述三刺激值第二子数据和所述三刺激值第三子数据，确定所述三刺激值数据。
4.根据权利要求1所述的方法，其特征在于，所述归一化指数数据包括第一指数数据和第二指数数据，所述目标波段反射率数据包括近红外波段反射率数据、红光波段反射率数据、绿光波段反射率数据和蓝光波段反射率数据，所述根据所述目标波段反射率数据，确定所述待分析遥感影像数据对应的归一化指数数据和光谱角数据，包括：
根据所述近红外波段反射率数据和所述红光波段反射率数据，确定所述第一指数数据；
根据所述近红外波段反射率数据和所述绿光波段反射率数据，确定所述第二指数数据；
根据所述红光波段反射率数据、所述绿光波段反射率数据和所述蓝光波段反射率数据，确定所述光谱角数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述颜色识别结果、所述归一化指数数据和所述光谱角数据，确定所述待分析遥感影像数据对应的水生植被识别结果，包括：
获取所述归一化指数数据对应的归一化指数阈值，对比所述归一化指数数据和所述归一化指数阈值，确定第一对比结果；
获取所述光谱角数据对应的光谱角阈值，对比所述光谱角数据和所述光谱角阈值，确定第二对比结果；
根据所述颜色识别结果、所述第一对比结果和所述第二对比结果，确定所述水生植被识别结果。
6.一种水生植被识别装置，其特征在于，所述装置包括：
反射率确定模块，用于根据目标湖泊对应的待分析遥感影像数据，确定所述待分析遥感影像数据对应的目标波段反射率数据；
色彩转换模块，用于将所述目标波段反射率数据转换至目标色彩空间，得到所述待分析遥感影像数据对应的色彩空间色度坐标数据；
颜色识别模块，用于将所述色彩空间色度坐标数据输入至预训练的颜色识别模型，得到针对所述待分析遥感影像数据的颜色识别结果；获取水生植被遥感影像数据，确定所述水生植被遥感影像数据对应的水生植被目标波段反射率数据；将所述水生植被目标波段反射率数据转换至目标色彩空间，得到所述水生植被遥感影像数据对应的水生植被色彩空间色度坐标数据；根据所述水生植被色彩空间色度坐标数据，确定所述水生植被遥感影像数据对应的散点图数据；获取所述散点图数据对应的下边界数据，根据所述下边界数据，生成所述预训练的颜色识别模型；通过所述预训练的颜色识别模型，确定所述色彩空间色度坐标数据对应的色度坐标分布数据；通过所述预训练的颜色识别模型，对比所述色彩空间色度坐标数据和所述色度坐标分布数据，得到所述颜色识别结果；
指数确定模块，用于根据所述目标波段反射率数据，确定所述待分析遥感影像数据对应的归一化指数数据和光谱角数据；
植被识别模块，用于根据所述颜色识别结果、所述归一化指数数据和所述光谱角数据，确定所述待分析遥感影像数据对应的水生植被识别结果。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724615.4A CN117409330B (zh) | 2023-12-15 | 2023-12-15 | 水生植被识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724615.4A CN117409330B (zh) | 2023-12-15 | 2023-12-15 | 水生植被识别方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409330A CN117409330A (zh) | 2024-01-16 |
| CN117409330B true CN117409330B (zh) | 2024-03-29 |
Family
ID=89498400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311724615.4A Active CN117409330B (zh) | 2023-12-15 | 2023-12-15 | 水生植被识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409330B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994668B (zh) * | 2024-04-07 | 2024-06-11 | 国家海洋环境监测中心 | 一种翅碱蓬覆盖面积的遥感图像计算方法、系统、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2750853C1 (ru) * | 2020-08-28 | 2021-07-05 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тверской государственный университет" | Способ выделения границ водных объектов и ареалов распространения воздушно-водной растительности по многоспектральным данным дистанционного зондирования Земли |
| CN114419436A (zh) * | 2022-01-12 | 2022-04-29 | 南方科技大学 | 水华区域监测方法、装置、设备、存储介质和程序产品 |
| CN117115657A (zh) * | 2023-09-07 | 2023-11-24 | 中国农业大学 | 一种绿色作物识别方法、系统、设备及介质 |
| CN117152634A (zh) * | 2023-09-12 | 2023-12-01 | 广东省水利水电科学研究院 | 基于色度指数的多源卫星影像浮水植物识别方法和系统 |
| CN117197646A (zh) * | 2023-09-20 | 2023-12-08 | 北京市水科学技术研究院 | 沉水植物的遥感自动识别方法、装置、计算机设备及介质 |
-
2023
- 2023-12-15 CN CN202311724615.4A patent/CN117409330B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2750853C1 (ru) * | 2020-08-28 | 2021-07-05 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тверской государственный университет" | Способ выделения границ водных объектов и ареалов распространения воздушно-водной растительности по многоспектральным данным дистанционного зондирования Земли |
| CN114419436A (zh) * | 2022-01-12 | 2022-04-29 | 南方科技大学 | 水华区域监测方法、装置、设备、存储介质和程序产品 |
| CN117115657A (zh) * | 2023-09-07 | 2023-11-24 | 中国农业大学 | 一种绿色作物识别方法、系统、设备及介质 |
| CN117152634A (zh) * | 2023-09-12 | 2023-12-01 | 广东省水利水电科学研究院 | 基于色度指数的多源卫星影像浮水植物识别方法和系统 |
| CN117197646A (zh) * | 2023-09-20 | 2023-12-08 | 北京市水科学技术研究院 | 沉水植物的遥感自动识别方法、装置、计算机设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409330A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9697233B2 (en) | Image processing and matching | |
| CN107909039B (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
| CN117409330B (zh) | 水生植被识别方法、装置、计算机设备和存储介质 | |
| CN111325271B (zh) | 图像分类方法及装置 | |
| US9171226B2 (en) | Image matching using subspace-based discrete transform encoded local binary patterns | |
| 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 | |
| US20220292728A1 (en) | Point cloud data processing method and device, computer device, and storage medium | |
| 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 | |
| CN111680579A (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
| Zhou et al. | A two‐stage hue‐preserving and saturation improvement color image enhancement algorithm without gamut problem | |
| CN115082322B (zh) | 图像处理方法和装置、图像重建模型的训练方法和装置 | |
| CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN116129345A (zh) | 变压器的油枕油位检测方法、装置和计算机设备 | |
| CN115223181A (zh) | 基于文本检测的报告材料印章文字识别方法和装置 | |
| CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
| Ziegelmeier et al. | Stratifying high-dimensional data based on proximity to the convex hull boundary | |
| CN117379033B (zh) | 皮肤色素检测方法、装置、计算机设备和存储介质 | |
| CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
| CN116977154B (zh) | 可见光图像与红外图像融合储存方法、装置、设备和介质 | |
| CN115527161B (zh) | 异常放电监测方法、装置、计算机设备和存储介质 | |
| CN113434621B (zh) | 基于ArcGIS的水土资源专题地图生成方法、装置、设备及介质 | |
| CN117235584B (zh) | 图数据分类方法、装置、电子装置和存储介质 | |
| CN115345926A (zh) | 光谱响应图像的定标方法、装置、计算机设备和存储介质 | |
| CN116030301A (zh) | 图像内容分类方法、装置、设备、介质和产品 | |
| CN116012665A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 |
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 |