CN117649612A - 基于混合算法的卫星高光谱遥感数据地表水体提取方法 - Google Patents
基于混合算法的卫星高光谱遥感数据地表水体提取方法 Download PDFInfo
- Publication number
- CN117649612A CN117649612A CN202311360144.3A CN202311360144A CN117649612A CN 117649612 A CN117649612 A CN 117649612A CN 202311360144 A CN202311360144 A CN 202311360144A CN 117649612 A CN117649612 A CN 117649612A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water body
- derivative
- order
- surface water
- 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.)
- Granted
Links
- 239000002352 surface water Substances 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 title claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000012512 characterization method Methods 0.000 claims abstract description 10
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 4
- 238000003809 water extraction Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 13
- 230000005855 radiation Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于混合算法的卫星高光谱遥感数据地表水体提取方法，对经过预处理的卫星高光谱遥感数据，依据光谱分阶进行区间段的光谱反射率函数定积分，并基于恒定区间内所得定积分的差分对光谱的一阶驱动导数和/或高阶驱动导数进行表征，并将所得任一阶驱动导数的表征参值或其组合构建为地表水体指数，经过数据的分层聚类后处理实现对卫星高光谱遥感数据中的地表水体进行分离和提取。本发明在十米分辨率的遥感数据上实现了90%以上的水体提取精度，大幅提升了水体遥感识别的精度和效率，具有重要的科研和实用价值。
Description
技术领域
本发明涉及遥感光谱数据处理技术领域，尤其是一种基于多阶混合算法的卫星高光谱遥感数据地表水体提取方法。
背景技术
水资源是保障人类及其他生物生存和发展的基本条件。水体提取在水资源调查、洪水灾害评估预测和环境监测中起着重要作用。遥感技术以其高时空分辨率和低成本等优势，能够快速提取和监测大范围的水体信息，成为水体提取和水质监测的重要技术手段之一。
目前，基于遥感影像的水体提取研究方法主要包括单波段阈值法、波段间关系法和水体指数法。单波段阈值法相对较简单，通过设置阈值来区分水体和其他地物，基于水体和环境的反射率差异。波段间关系法则是通过构建波段之间的逻辑关系式，利用地物的光谱特征来分离水体和背景。水体指数法则根据水体在蓝绿波段的较高反射率和近红外波段的较低反射率，利用一些特定的波段构造与水体相关的参数。总体而言，单波段阈值法和波段间关系法利用单一或少量波段的信息，无法完全区分水体和背景，提取效果不理想；而水体指数法因其简洁且利用了遥感影像波谱特性，成为一种更有效的方法。
目前已有的水体指数主要针对Landsat、高分系列等多光谱遥感数据设计，而对于高光谱数据的水体指数研究较少。高光谱遥感具有图谱合一的优势，能够获取地物在几十甚至上百个波段的反射率信息，从而可以更准确地利用地物的光谱特征曲线进行识别，有效提升遥感应用能力。目前，利用高光谱遥感数据进行水体提取还有很大的发展空间。
发明内容
本发明要解决的技术问题是克服现有技术的种种不足，提供一种基于混合算法的卫星高光谱遥感数据地表水体提取方法，以解决现有技术中高光谱遥感影像的水体识别效果不佳的问题。
为解决上述技术问题，本发明所采取的技术方案如下。
基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，对经过预处理的卫星高光谱遥感数据，依据光谱分阶进行区间段的光谱反射率函数定积分，并基于恒定区间内所得定积分的差分对光谱的一阶驱动导数和/或高阶驱动导数进行表征，并将所得任一阶驱动导数的表征参值或其组合构建为地表水体指数，经过数据的分层聚类后处理实现对卫星高光谱遥感数据中的地表水体进行分离和提取。
作为本发明的一种优选技术方案，所述光谱分阶依照光谱的物理参值进行区分，当物理参值采用波长λ时，其积分区间段的端点由指定的波长点数值进行表征。
作为本发明的一种优选技术方案，所述一阶驱动导数由恒定区间长度下两组定积分的差值进行表征。
作为本发明的一种优选技术方案，所述高阶驱动导数基于一阶驱动导数通过如下的迭代方式获取：对于二阶驱动导数，其在恒定区间长度上的差值由临近的两个一阶驱动导数相减获取；这样二阶驱动导数包含了两个一阶驱动导数的内涵信息，由临近差值的差值进行构建，其对应恒定区间长度下三组定积分之间的交互信息；对于三阶驱动导数，其在恒定区间长度上的差值由临近的两个二阶驱动导数相减获取；以此类推进行迭代；对于任一阶的驱动导数，由于采用恒定的区间长度，故上一阶的驱动导数差分对于下一阶的驱动导数进行直接表征。
作为本发明的一种优选技术方案，在应用中构建地表水体分离算法时，驱动导数的阶数衍进以能够达到分离效果的准确率数值作为数据进程的标准终止符号；一般衍进至一到二阶即可满足常规要求。
作为本发明的一种优选技术方案，所述的数据分层聚类以前述步骤所得特定阶的驱动导数作为输入端的决策依据数据，构建算法将输光谱影像或其数字化数据分离，区分为水体和其他地物两个类别。
作为本发明的一种优选技术方案，具体的，首先将输入数据分为n组，则随机选取n个对象作为初始的子数据中心，然后计算每个对象与各个子数据中心之间的距离，把每个对象分配给距离它最近的数据中心；数据中心以及分配给它们的对象构建为一个子数据组并进行标号标记；每分配一个样本对象，数据中心返回对包含有子数据组信息的全部现有对象进行重新计算；此数据过程迭代至遍历全部数据。
作为本发明的一种优选技术方案，本发明还包括如下后续步骤：应用前按需对水体提取结果进行精度评价。
作为本发明的一种优选技术方案，本发明还包括如下后续步骤：采用混淆矩阵算法对水体提取结果进行精度评价。
作为本发明的一种优选技术方案，本发明还包括如下后续步骤：采用标准对照的平方差算法对水体提取结果进行精度评价。
采用上述技术方案所产生的有益效果在于：本发明提出了适配多种不同光谱数据环境的多重水体指数构建算法，基于此可以准确地提取水体信息；同时相对于传统方法设置单一的阈值进行水体和非水体的分离，本发明进一步引入了基于数据均值化中心的数据分组算法进行水体和非水体的分离，提高了遥感水体提取的精度；在十米分辨率的遥感数据上实现了90％以上的水体提取精度，大幅提升了水体遥感识别的精度和效率，具有重要的科研和实用价值。
附图说明
图1为五种典型地物光谱特征曲线图。
图2为实际水体分布与本发明所用方法提取水体的细节对比图。
具体实施方式
以下实施例详细说明了本发明。本发明所使用的各种原料及各项设备均为常规市售产品，均能够通过市场购买直接获得。在以下实施例的描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例1
本发明基于卫星高光谱遥感数据的地表水体提取方法，包括以下主体步骤框架：
步骤1、将获取的多幅卫星高光谱遥感数据进行数据预处理；
步骤2、在影像上选择不同地物的特征像元，并构建地物光谱特征曲线；
步骤3、分析不同类别地物的光谱特征曲线，构建新型水体提取模型，并利用新模型对影像进行处理；
步骤4、构建算法对上述处理过的影像进行水体和其他地物的分离。
步骤5、利用混淆矩阵或其他算法对水体提取结果进行精度评价。
实施例2
在步骤1当中，多幅卫星高光谱遥感数据包括2幅及以上高光谱卫星影像。具体的，在步骤1当中，对高光谱遥感影像数据进行预处理具体包括辐射校正、大气校正和几何校正。具体步骤如下：
辐射校正：将高光谱卫星影像输入到PIE-Hyp软件，利用传感器响应函数，将遥感图像中的DN值转化为辐射亮度值，从而消除传感器本身的误差，并确定传感器入口处的准确辐射值。
大气校正：将辐射校正后的影像作为输入，利用PIE-Hyp软件的6S模型对辐射校正的结果进行大气校正，消除大气中的固体颗粒、水汽等对影像的影响。
几何校正：利用PIE-Hyp软件的参考影像对大气校正的结果影像进行几何校正，得到具有地理坐标的高光谱辐亮度数据。
例如，我们选取的是四川省成都平原地区的两幅珠海一号高光谱数据，其中一幅影像位于平坦地区，影像中央是长江的支流沱江，周围分布有许多细小河流、池塘和水库等；另一幅影像位于山地区域，影像中央是青衣江，两侧有冲积平原，周围主要是山地，也分布有一些细小河流和池塘。用分布于不同地形的影像检测本发明的有效性和适用性。将两幅高光谱卫星影像分别输入到PIE-Hyp软件，利用软件提供的工具依次对影像进行辐射校正、大气校正和几何校正，将得到的结果数据保存等待后续处理。
实施例3
在步骤2当中特征像元指某类地物的纯净像元，纯净像元指当前像元位于某地物类别的非边缘区域，且像元内只含有一种类型的地物信息。具体的，在步骤2当中，在影像上选择不同地物的特征像元具体包括：确定影像上的地物类别数量，对每个类别的地物均匀选取一定数量的纯净像元作为特征像元。
构建地物光谱特征曲线包括：步骤2.1、计算不同地物类别直接的J-M距离，如果接近2说明不同类别的地物光谱可分性较好。具体的，在步骤2.1当中，J-M距离指Jeffreys-Matusita距离，指在遥感问题中，用于度量两组之间的光谱可分性的常用指标，用以表征不同类别的地物之间的可分离性。步骤2.2、对每一类地物的所有特征像元的反射率进行统计，取平均值用以表征该类地物的光谱特征曲线；步骤2.3、对所有类别的地物进行上述处理，得到所有类别地物的光谱特征曲线。
在本实施例当中，在预处理之后的影像上分别对水体、建筑物、道路、植被和阴影五种地物类别选取一定数量的纯净像元，纯净像元必须位于地物类别的非边缘区域。每类地物的像元数量具体根据地物类别所占的面积来确定，总体上遵循均匀分布的原则。
为测试所选像元的类别可分离性，利用ENVI软件计算不同地类之间的J-M距离，如果值接近2则说明所选取地类的像元可分性好，否则需要重新选取特征像元。选取纯净像元后，对每一类地物的所有特征像元的反射率进行统计并取平均值，得到各类地物的光谱特征曲线。
实施例4
在步骤3当中，分析不同类别地物的光谱特征曲线具体包括将所有类别地物的光谱特征曲线汇总到一起，分析不同类别地物的光谱曲线的特点，找出区分水和其他地物的波段。具体的，对经过预处理的卫星高光谱遥感数据，依据光谱分阶进行区间段的光谱反射率函数定积分，光谱分阶依照光谱的物理参值进行区分，一般采用波长λ时，其积分区间段的端点由指定的波长数值进行表征，如下文的550-700nm、700-850nm等；然后基于恒定区间内所得定积分的差分对光谱的一阶驱动导数和/或高阶驱动导数进行表征，并将所得任一阶驱动导数的表征参值或其组合构建为地表水体指数，经过数据的分层聚类后处理实现对卫星高光谱遥感数据中的地表水体进行分离和提取。
显然，当构建差值的区间长度恒定时，差分对区间内连续导数的平均值进行了表征；当考察对象为区间导数均值时，这一对数据起到驱动作用的一阶导数可以由恒定区间长度下两组定积分的差值进行表征。
进一步，我们认识到，当一阶均值导数(由区间差分表征)这一光谱数据的表层驱动因素不能良好的区分光谱对象时，应当采用具有更精细数据内涵的高阶驱动因素，或者高低阶驱动因素的组合。为此，我们提出了面向分离目标并结合分离效果的多阶层驱动导数参值化模型。其中，高阶驱动导数基于一阶驱动导数通过如下的迭代方式获取：对于二阶驱动导数，其在恒定区间长度上的差值由临近的两个一阶驱动导数相减获取；这样二阶驱动导数包含了两个一阶驱动导数的内涵信息，由临近差值的差值进行构建，其对应恒定区间长度下三组定积分之间的交互信息；对于三阶驱动导数，其在恒定区间长度上的差值由临近的两个二阶驱动导数相减获取；以此类推进行迭代；对于任一阶的驱动导数，由于采用恒定的区间长度，故上一阶的驱动导数差分对于下一阶的驱动导数进行直接表征。
理论上和实践均表明，在应用中构建地表水体分离算法时，驱动导数的阶数衍进以能够达到分离效果的准确率数值作为数据进程的标准终止符号；一般衍进至一到二阶即可满足常规要求。
例如，我们利用两幅珠海一号高光谱遥感影像上选取的水体、建筑物、道路、植被和阴影五种地物类别的特征像元构建的特征光谱曲线如图1所示。分析不同地物类别在不同波段上的反射率特点，水体在不同波段的反射曲线都较平缓，其他地物在700nm之前反射率较低，700nm之后反射率都有不同程度的提升。根据各类地物的反射光谱曲线特征，水体的反射光谱曲线较为平缓，意味着其一阶导数接近0，而其他地物的光谱曲线一阶导数应该为正值。选择有利于区分水体和其他地物的波段(550nm～700nm和700nm～850nm)用于构建水体提取模型。具体的，构建的新型高光谱水体指数(Hyperspectral Water Index，HWI)如下：
R(λ)代表高光谱影像上波长为λ的反射率，特征波段选取(b06～b16)和(b16～b23)之间的波段。HWI模型的构建主要是基于积分和差分思想，用差分近似代替一阶导数来简化计算利用新模型对影像进行处理包括对经过预处理的高光谱遥感影像利用HWI指数进行计算。对预处理后的高光谱影像数据利用HWI模型进行计算，得到单波段的结果影像用于后续处理。
这里是一阶的情形；高阶情形直接采用上述方法进行迭代即可。应用时一般采用不同阶参值综合分析方法，且阶数较低分配较高的权重。一般仅仅衍进至一到二阶即可满足常规要求。
实施例5
在步骤4当中，利用算法对新模型处理过的影像进行水体和地物的分离具体包括：将利用HWI模型计算得到的结果作为输入，利用算法将输入影像分成水体和其他地物两个类别。首先将输入数据分为n组，则随机选取n个对象作为初始的子数据中心，然后计算每个对象与各个子数据中心之间的距离，把每个对象分配给距离它最近的数据中心；数据中心以及分配给它们的对象构建为一个子数据组并进行标号标记；每分配一个样本对象，数据中心返回对包含有子数据组信息的全部现有对象进行重新计算；此数据过程迭代至遍历全部数据。由此我们将HWI模型处理后的单波段影像输入ENVI软件中进行数据中心聚类，将影像分成水体和非水体两个类别，两幅影像的分类结果局部细节如图2所示。
实施例6
在步骤5当中，采用混淆矩阵算法，其是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。根据混淆矩阵可以计算总体精度(Overall Accuracy)和kappa系数用以评价分类精度。具体的，在步骤5当中，精度评价指标是总体精度(Overall Accuracy)和kappa系数，可以根据混淆矩阵计算得到。总体精度是正确分类的像元总和除以总像元数；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减去某一类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。在本实施例中，在两幅影像上分别随机选取样本点用于测试水体分类精度，共挑选666个样本点，包括165个水体样本点和501个非水体样本点。计算得到的两个区域的总体精度分别为92.11％和93.50％，kappa系数分别为0.842和0.850。
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。
在各个实施例中，技术的硬件实现可以直接采用现有的智能设备，包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘，其数据存储和计算模块采用现有的存储器、计算器、控制器，其内部通信模块采用现有的通信端口和协议，其远程通信采用现有的gprs网络、万维互联网等。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/终端设备实施例仅仅是示意性的，例如，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。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。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：对经过预处理的卫星高光谱遥感数据，依据光谱分阶进行区间段的光谱反射率函数定积分，并基于恒定区间内所得定积分的差分对光谱的一阶驱动导数和/或高阶驱动导数进行表征，并将所得任一阶驱动导数的表征参值或其组合构建为地表水体指数，经过数据的分层聚类后处理实现对卫星高光谱遥感数据中的地表水体进行分离和提取。
2.根据权利要求1所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：所述光谱分阶依照光谱的物理参值进行区分，当物理参值采用波长λ时，其积分区间段的端点由指定的波长点数值进行表征。
3.根据权利要求2所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：所述一阶驱动导数由恒定区间长度下两组定积分的差值进行表征。
4.根据权利要求3所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：所述高阶驱动导数基于一阶驱动导数通过如下的迭代方式获取：对于二阶驱动导数，其在恒定区间长度上的差值由临近的两个一阶驱动导数相减获取；这样二阶驱动导数包含了两个一阶驱动导数的内涵信息，由临近差值的差值进行构建，其对应恒定区间长度下三组定积分之间的交互信息；对于三阶驱动导数，其在恒定区间长度上的差值由临近的两个二阶驱动导数相减获取；以此类推进行迭代；对于任一阶的驱动导数，由于采用恒定的区间长度，故上一阶的驱动导数差分对于下一阶的驱动导数进行直接表征。
5.根据权利要求4所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：在应用中构建地表水体分离算法时，驱动导数的阶数衍进以能够达到分离效果的准确率数值作为数据进程的标准终止符号；一般衍进至一到二阶即可满足常规要求。
6.根据权利要求5所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：所述的数据分层聚类以前述步骤所得特定阶的驱动导数作为输入端的决策依据数据，构建算法将输光谱影像或其数字化数据分离，区分为水体和其他地物两个类别。
7.根据权利要求6所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：具体的，首先将输入数据分为n组，则随机选取n个对象作为初始的子数据中心，然后计算每个对象与各个子数据中心之间的距离，把每个对象分配给距离它最近的数据中心；数据中心以及分配给它们的对象构建为一个子数据组并进行标号标记；每分配一个样本对象，数据中心返回对包含有子数据组信息的全部现有对象进行重新计算；此数据过程迭代至遍历全部数据。
8.根据权利要求7所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：本发明还包括如下后续步骤：应用前按需对水体提取结果进行精度评价。
9.根据权利要求8所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：本发明还包括如下后续步骤：采用混淆矩阵算法对水体提取结果进行精度评价。
10.根据权利要求8所述的基于分阶定积分及其恒定差分的卫星高光谱遥感数据中地表水体提取算法，其特征在于：本发明还包括如下后续步骤：采用标准对照的平方差算法对水体提取结果进行精度评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311360144.3A CN117649612B (zh) | 2023-10-19 | 2023-10-19 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311360144.3A CN117649612B (zh) | 2023-10-19 | 2023-10-19 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649612A true CN117649612A (zh) | 2024-03-05 |
| CN117649612B CN117649612B (zh) | 2024-06-14 |
Family
ID=90046716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311360144.3A Active CN117649612B (zh) | 2023-10-19 | 2023-10-19 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649612B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918566A (zh) * | 2017-03-09 | 2017-07-04 | 长江勘测规划设计研究有限责任公司 | 基于高光谱数据的土壤水分、盐分信息联合提取方法 |
| CN107590816A (zh) * | 2017-09-08 | 2018-01-16 | 哈尔滨工业大学 | 一种基于遥感图像的水体信息拟合方法 |
| CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
| KR20210105487A (ko) * | 2020-02-18 | 2021-08-27 | 단국대학교 산학협력단 | 초분광영상을 이용한 하상 변동속도 측정 방법 |
| CN114049571A (zh) * | 2022-01-13 | 2022-02-15 | 西南石油大学 | 高光谱影像的水体区域提取方法、装置及电子设备 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN114813585A (zh) * | 2022-05-12 | 2022-07-29 | 巴州新矿测绘有限责任公司 | 一种微咸水湖泊的水质参数遥感监测方法及系统 |
| CN114863183A (zh) * | 2022-05-24 | 2022-08-05 | 航天宏图信息技术股份有限公司 | 一种基于尺度集的面向对象分类方法和装置 |
| CN115187812A (zh) * | 2022-07-14 | 2022-10-14 | 中国科学院空天信息创新研究院 | 高光谱激光雷达点云数据的分类方法、训练方法及装置 |
| CN115690596A (zh) * | 2022-09-27 | 2023-02-03 | 河北省科学院地理科学研究所 | 一种基于modis数据的区域生态环境质量综合评价方法 |
-
2023
- 2023-10-19 CN CN202311360144.3A patent/CN117649612B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918566A (zh) * | 2017-03-09 | 2017-07-04 | 长江勘测规划设计研究有限责任公司 | 基于高光谱数据的土壤水分、盐分信息联合提取方法 |
| CN107590816A (zh) * | 2017-09-08 | 2018-01-16 | 哈尔滨工业大学 | 一种基于遥感图像的水体信息拟合方法 |
| CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
| KR20210105487A (ko) * | 2020-02-18 | 2021-08-27 | 단국대학교 산학협력단 | 초분광영상을 이용한 하상 변동속도 측정 방법 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN114049571A (zh) * | 2022-01-13 | 2022-02-15 | 西南石油大学 | 高光谱影像的水体区域提取方法、装置及电子设备 |
| CN114813585A (zh) * | 2022-05-12 | 2022-07-29 | 巴州新矿测绘有限责任公司 | 一种微咸水湖泊的水质参数遥感监测方法及系统 |
| CN114863183A (zh) * | 2022-05-24 | 2022-08-05 | 航天宏图信息技术股份有限公司 | 一种基于尺度集的面向对象分类方法和装置 |
| CN115187812A (zh) * | 2022-07-14 | 2022-10-14 | 中国科学院空天信息创新研究院 | 高光谱激光雷达点云数据的分类方法、训练方法及装置 |
| CN115690596A (zh) * | 2022-09-27 | 2023-02-03 | 河北省科学院地理科学研究所 | 一种基于modis数据的区域生态环境质量综合评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| HUAN XIE 等: "New hyperspectral difference water index for the extraction of urban water bodies by the use of airborne hyperspectral images", 《JOURNAL OF APPLIED REMOTE SENSING》, vol. 8, no. 1, 24 July 2014 (2014-07-24) * |
| JIAWEI YANG 等: "The Extraction of Urban Surface Water from Hyperspectral Data Based on Spectral Indices", 《JOURNAL OF THE INDIAN SOCIETY OF REMOTE SENSING》, vol. 46, 31 July 2018 (2018-07-31), XP036645293, DOI: 10.1007/s12524-018-0828-5 * |
| 杨嘉葳: "城市地表水高光谱遥感关键问题研究", 《中国博士学位论文全文数据库 工程科技Ι辑》, no. 3, 15 March 2020 (2020-03-15), pages 1 - 136 * |
| 洪亮 等: "复杂环境下高分二号遥感影像的城市地表水体提取", 《遥感学报》, vol. 23, no. 5, 25 September 2019 (2019-09-25), pages 871 - 882 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649612B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110100262B (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
| CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
| CN110689060B (zh) | 一种基于聚合特征差异学习网络的异源图像匹配方法 | |
| CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
| CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
| CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
| CN111105389A (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
| CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
| CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
| CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
| CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
| CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
| CN112329791B (zh) | 一种高光谱影像水域自动提取方法 | |
| CN111428752B (zh) | 一种基于红外图像的能见度检测方法 | |
| CN117649612B (zh) | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 | |
| CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
| CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
| CN114937038B (zh) | 面向可用性的遥感影像质量评价方法 | |
| CN114821333B (zh) | 一种高分辨率遥感影像道路材质识别方法及装置 | |
| CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 | |
| CN112613371A (zh) | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 | |
| Devidhanshrii et al. | Multiobjective Convolution Neural Network Towards Soil Nutrients Classification For Crop Recommendation On Based On Spectral And Spatial Properties Using Landsat Hyperspectral Images | |
| CN111340779B (zh) | 一种类圆形植被斑块综合检测方法 | |
| CN117935044A (zh) | 一种基于无人机高光谱图像的目标识别方法 | |
| CN114596504A (zh) | 一种基于改进b-cnn算法的输电线植被入侵检测方法、装置及存储介质 |
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 |