CN105631903B - 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 - Google Patents
基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 Download PDFInfo
- Publication number
- CN105631903B CN105631903B CN201510989654.6A CN201510989654A CN105631903B CN 105631903 B CN105631903 B CN 105631903B CN 201510989654 A CN201510989654 A CN 201510989654A CN 105631903 B CN105631903 B CN 105631903B
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- sensing image
- pixel
- rgbw
- 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.)
- Expired - Fee Related
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 246
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims description 37
- 238000007670 refining Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000003809 water extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 241001269238 Data Species 0.000 abstract 1
- OLTSGVZGKOFTHZ-UHFFFAOYSA-N P.P.P.P.P.P.P.P.P Chemical compound P.P.P.P.P.P.P.P.P OLTSGVZGKOFTHZ-UHFFFAOYSA-N 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- ZPUCINDJVBIVPJ-LJISPDSOSA-N ***e Chemical compound O([C@H]1C[C@@H]2CC[C@@H](N2C)[C@H]1C(=O)OC)C(=O)C1=CC=CC=C1 ZPUCINDJVBIVPJ-LJISPDSOSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于RGBW特征空间图割算法的遥感图像水体提取方法。本发明将水体指数法和影像分类法相结合，先利用水体指数法进行水体的初步提取，然后以初步提取的水体主体作为图割算法的初始目标，在本发明所构建的RGBW特征空间中，利用图割算法进行水体的精细提取；最后再根据水体指数及颜色特征信息，自适应的对水体边界处进行精细化处理。本发明还公开了一种基于RGBW特征空间图割算法的遥感图像水体提取装置。本发明能够实现对周边环境复杂的水体信息进行精确提取并且对水体边界的提取效果良好；此外，本发明的水体提取过程中不需要人为干涉，可实现全自动、全智能化，更有利于大量遥感图像数据的自动批量化处理。
Description
技术领域
本发明涉及一种基于RGBW特征空间图割算法的遥感图像水体提取方法、装置，属于遥感技术与水利技术相交叉的技术领域。
背景技术
遥感技术具有观测范围广、信息量大、获取信息快、更新周期短、节省人力物力等优势，遥感图像中水体信息自动提取技术已经成为水资源调查、利用、水体动态变化监测、水利规划评估等方面研究的有力手段。水体和陆地、植被等对太阳辐射的反射、吸收和透射特性不同，在遥感影像上的差异较明显，这种特性有利于我们对遥感图像中水体信息进行提取。
遥感图像的水体信息提取方法有很多，常用的可分为两类：一类是基于波谱分析的方法，另一类是基于影像分类的方法。
基于波谱分析的方法通过分析遥感图像中地物在不同波段的反射特征的不同，将水体与其他地物反射特性区别最大的波段通过数学运算等方式加大这种差异，从而可以通过阈值分析等方法提取出水体。在基于波谱分析的方法中，根据水体在多光谱遥感数据上的波谱特性，常用的是水体指数法：水体指数法利用水体在可见光波段吸收少、反射率低、大量透射，几乎吸收全部近红外、短波红外波的特性抑制植被信息提取水体。例如，McFeeters等人(1996)提出归一化差异水体指数NDWI(Normalize Difference WaterIndex)(参见[McFeeters S K.The use of normalized difference water index(NDWI)in the delineation of open water features[J].International Journal of RemoteSensing，1996，17(7):1425-1432.])；徐涵秋等人(2005)提出能更好的提取城市水体信息的改进归一化差异水体指数(MNDWI)(参见[徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报,2005,9(5):589-595.])；沈占锋等人(2013)在归一化差异水指数(NDWI)计算的基础上，提出采用高斯归一化水体指数(GNDWI)提取河流水体的模型(参见[沈占锋,夏列钢,李均力,等.采用高斯归一化水体指数实现遥感影像河流的精确提取[J].中国图象图形学报,2013,18(4):421-428.])；周艺等人(2014)通过对归一化差异水体指数NDWI中的绿波段修正，提出了不依赖于中红外波段的伪归一化差异水体指数FNDWI(False NDWI)(参见[周艺,谢光磊,王世新,等.利用伪归一化差异水体指数提取城镇周边细小河流信息[J].地球信息科学学报,2014,16(1):102-107.])；丁建丽(2015)等人提出单波段阈值法与构建的阴影水体指数SWI(Shadow Water Index)相结合的决策树水体信息提取方法(参见[陈文倩,丁建丽,李艳华,等.基于国产GF-1遥感影像的水体提取方法[J].资源科学,2015,37(6):1166-1172.])。
基于影像分类的方法主要是通过分析不同地物在不同波段上表现的反射率波谱特征，采用监督分类或非监督分类的方法来对水体与非水体进行分类的方法提取水体。分类方法通常以特征类内方差最小、类间方差最大为准则来对图像中的像素进行分类。常用的基于影像分类方法有最大似然法、ISODATA聚类法(Iterative Self-organizing DataAnalysis Technique Algorithm)、决策树等。
湖泊、水库、河流等水体边界像元主要由滩地和水体组成，由于人类活动、浮游生物生长、季节性水位波动变化等原因，水体边界区域情况复杂多样，增大了水体提取的难度。在同一幅影像中，不同水体单元或各自物理化学特征或因周边环境影响差异会造成其成像特征并不一定能保持均衡，水体内部与水体边缘的水质情况，泥沙含量等差异较大，单纯采用水体指数法或影像分类的方法对于提取水体的主体部分效果较好，但存在水体指数阈值难确定、水体边界处理效果不理想、将浅滩误分为水体、误提取等问题。
发明内容
本发明所要解决的技术问题在于克服现有技术不足，提供一种基于RGBW特征空间图割算法的遥感图像水体提取方法、装置，可实现高分辨率遥感图像中复杂背景下水体信息的精确提取，对水体边界的识别更准确，且整个提取过程可实现完全智能化，不需要人为干预。
本发明具体采用以下技术方案解决上述技术问题：
基于RGBW特征空间图割算法的遥感图像水体提取方法，包括以下步骤：
步骤1、利用水体指数法对遥感图像进行水体的初步提取，并以初步提取的水体中的最大连通区域作为水体主体；
步骤2、对于遥感图像的每一像素，以其在标准假彩色遥感图像中的R、G、B三个颜色通道值以及该像素的归一化差异水体指数NDWI值作为该像素的RGBW特征，从而构造出遥感图像的RGBW特征空间；
步骤3、在RGBW特征空间中，以步骤1所得到的水体主体的外接矩形内、外部分别作为初始的目标和背景，利用图割算法对遥感图像进行图像分割；并根据图像分割的多次迭代结果，将每次迭代中均被判为目标的像素作为水体像素，从而提取出更精细的水体主体；
步骤4、对步骤3所提取的水体主体的边界区域进行精细化处理，具体如下：对所述边界区域中的每个像素，判断其NDWI值是否大于NDWI阈值，并判断将标准假彩色遥感图像转换至CIE Lab颜色空间后该像素的b通道值是否小于0；将同时满足上述两个条件的像素判定为水体像素。
基于RGBW特征空间图割算法的遥感图像水体提取装置，该装置包括：
初步水体主体提取单元，用于水体指数法对遥感图像进行水体的初步提取，并以初步提取的水体中的最大连通区域作为水体主体；
RGBW特征提取单元，用于对于遥感图像的每一像素，以其在标准假彩色遥感图像中的R、G、B三个颜色通道值以及该像素的归一化差异水体指数NDWI值作为该像素的RGBW特征，从而构造出遥感图像的RGBW特征空间；
图像分割单元，用于在RGBW特征空间中，以初步水体主体提取单元所输出的水体主体的外接矩形内、外部分别作为初始的目标和背景，利用图割算法对遥感图像进行图像分割；并根据图像分割的多次迭代结果，将每次迭代中均被判为目标的像素作为水体像素，从而提取出更精细的水体主体；
精细化处理单元，用于对图像分割单元所提取的水体主体的边界区域进行精细化处理，具体如下：对所述边界区域中的每个像素，判断其NDWI值是否大于NDWI阈值，并判断将标准假彩色遥感图像转换至CIE Lab颜色空间后该像素的b通道值是否小于0；将同时满足上述两个条件的像素判定为水体像素。
相比现有技术，本发明具有以下有益效果：
本发明能够实现对周边环境复杂的水体信息进行精确提取并且对水体边界的提取效果良好；此外，本发明的水体提取过程中不需要人为干涉，可实现全自动、全智能化，更有利于大量遥感图像数据的自动批量化处理。
附图说明
图1为本发明基于RGBW特征空间图割算法的遥感图像水体提取装置的结构示意图；
图2为水体提取效果对比图。
具体实施方式
本发明针对现有技术不足，提出一种基于RGBW特征空间图割算法的遥感图像水体提取方法，其基本原理是：将水体指数法和影像分类法相结合，先利用水体指数法进行水体的初步提取，然后以初步提取的水体主体作为图割(Graph Cut)算法的初始目标，在本发明所构建的RGBW特征空间中，利用图割算法进行水体的精细提取；最后再根据水体指数及颜色特征信息，自适应的对水体边界处进行精细化处理。
为了便于公众理解，下面结合附图对本发明的技术方案进行详细说明：
本发明基于RGBW特征空间图割算法的遥感图像水体提取方法，具体包括以下步骤:
步骤1、利用水体指数法对遥感图像进行水体的初步提取，并以初步提取的水体中的最大连通区域作为水体主体。
本步骤中可利用现有的各类水体指数法进行水体的初步提取，例如背景技术中所提到的归一化差异水体指数NDWI、高斯归一化水体指数GNDWI、改进归一化差异水体指数MNDWI、不依赖于中红外波段的伪归一化差异水体指数FNDWI、单波段阈值法与构建的阴影水体指数SWI相结合的决策树水体信息提取方法等。
遥感图像通常包括多个不同波段的遥感数据，以高分一号卫星16m分辨率的多光谱宽覆盖WFV(wide field of view)相机为例，其提供0.45μm～0.89μm共四个波段(蓝光波段0.45μm～0.52μm、绿光波段0.52μm～0.59μm、红光波段0.63μm～0.69μm、近红外波段0.77μm～0.89μm)的遥感数据。多分辨率遥感影像用DN(Digital Number)值表示遥感影像像元亮度值，记录地物的灰度值。DN值是无单位的整数值，其值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等有关。
以经典的归一化差异水指数NDWI为例，其水体指数模型以地物在各个波段的DN值为基础构建，其计算公式为：
其中DNgreen表示绿光波段，DNNIR表示近红外波段。在高分一号的多光谱遥感影像中其分别对应第二和第四波段。
NDWI水体指数抑制陆地植被等信息而突出水体信息，并且公式(1)统一对NDWI数值进行了拉伸，可使不同传感器、不同成像条件的影像也可获得具有可比较的、相近统计特性的NDWI影像波段，便于后续建立统一的信息提取模型。
根据计算出的NDWI值，利用简单的阈值法即可快速地对遥感图像进行初步水体提取。为了避免图像中和水体相似的小区域以及图像噪声的干扰，本发明从初步提取的水体中选取最大连通区域作为水体主体。这样即可粗略确定水体主体的大概范围。
步骤2、对于遥感图像的每一像素，以其在标准假彩色遥感图像中的R、G、B三个颜色通道值以及该像素的归一化差异水体指数NDWI值作为该像素的RGBW特征，从而构造出遥感图像的RGBW特征空间。
所谓标准假彩色遥感图像，是运用辐射校正(Radiometric Calibration)、大气校正(FLAASH atmospheric Correction)、正射校正(RPC Orthorectification)等对遥感数据做预处理，然后将遥感数据的近红外波段、红光波段和绿光波段分别对应红、绿、蓝三个通道合成标准假彩色数字图像。标准假彩色遥感图像能充分显示各种地物影像特征的差别，能很好地区分不同地物特性，解译地物类型；但该图像与普通相机拍摄的图像有一些明显颜色差异，例如在标准假彩色遥感图像上，茂密的植被显示为鲜红色，清澈的水体显示为深蓝色，裸露的土壤显示为暗灰色等。标准假彩色遥感图像中的每个像素在RGB颜色空间中均具有R、G、B三个颜色通道值。对于遥感图像的每一个像素，可用公式(1)计算其NDWI值。将标准假彩色遥感图像的RGB三个颜色通道与NDWI值相结合，即可构建结合遥感数据彩色颜色特征与NDWI模型的四维特征空间，我们称之为RGBW特征(W即NDWI水体指数值)。RGBW特征考虑了遥感数据彩色图像中水体与其他地物的颜色特征区别，也考虑了传统的水体指数的影响。
步骤3、在RGBW特征空间中，以步骤1所得到的水体主体的外接矩形内、外部分别作为初始的目标和背景，利用图割算法对遥感图像进行图像分割；并根据图像分割的多次迭代结果，将每次迭代中均被判为目标的像素作为水体像素，从而提取出更精细的水体主体。
近年来，基于马尔科夫随机场(MRF)模型的图像分割算法广泛运用于各种目标与背景边界不清晰，前景背景相似等情况复杂的图像中提取目标，并取得良好的效果。基于MRF模型的分割方法建立在MRF模型和贝叶斯理论(Bayesian Theory)的基础上，根据统计决策和估计理论中的最优准则确定图像分割问题的目标函数，采用优化算法求取满足条件的MRF的最大可能分布，从而将图像分割问题转换为求解MRF分布的最优化问题。
图像分割可以看成图像像素标记问题，N个像素的图像可以用数组X＝{X1，X2，…，XN}来表示，每个像素Xi都有一个标记xi∈{0,1}(0代表背景，1代表前景)。将X作为MRF的结点并定义图的Gibbs能量函数为：
其中，C为邻域像素集合的数目，x＝{x1,x2,…,xN}为每个像素的标记，z＝{z1,z2,…,zN}表示像素的亮度值，θ为MRF模型参数，由图像前景和背景像素的特征值(在本发明中即为RGBW值)分布确定。
式中，为区域能量项(Regional Term)，是像素被归类为目标或者背景的惩罚，定义为像素i分割为标记xi的概率的负对数。
Ri(x，θ，z)＝-log P(zi|xi) (3)
区域能量项R可由灰度直图或高斯混合模型GMM(Gaussian Mixture Model)计算获得。
为边界能量项(Boundary Term)，边界能量项体现邻域像素i和j不连续的惩罚，在RGBW模型中，采用欧式距离衡量两像素的相似性：
Bi，j(i≠j)(x，z)＝λB<i，j>*δ(i，j) (4)
其中，B<i，j>＝exp(-β||zi-zj||2)，λ＝50，β由图像像素间的对比度决定，β＝1/2(zi-zj)2。
定义MRF的Gibbs能量函数之后，图像分割的问题转化为求图的Gibbs能量函数最小化x*的问题：
x*＝arg minx E(x，θ，z) (5)
Boykov等人(参见[Boykov Y,Kolmogorov V.An experimental comparison ofmin-cut/max-flow algorithms for energy minimization in vision[J].PatternAnalysis and Machine Intelligence,IEEE Transactions on,2004,26(9):1124-1137.])提出基于最大流最小割(max-flow/min-cut)理论，迭代求解全局MRF吉布斯(Gibbs)能量最小化的图割(Graph Cut)算法，获得较快的分割速度以及良好的图像分割结果。
对图像建立GMM模型可以利用多维特征来计算区域能量项R，获得更精确的分割结果。每个GMM模型有n个高斯分量，三个参数：每个高斯分量的权重π、每个高斯分量的均值向量μ和协方差矩阵δ。描述前景的GMM和描述背景的GMM的参数通过K-Means算法聚类已知的前景像素和背景像素确定。
GMM的高斯分量向量表示为k＝{k1,k2,..,kn}，图像中的每个像素都服从高斯分布：
P(zi|xi，θ，ki)＝N(z，θ；μ(xi，ki)，δ(xi，ki)) (6)
引入GMM模型后(3)式化为：
由每个像素的RGBW值计算出该像素分别属于目标GMM和背景GMM的概率，计算得出区域能量项R。
图割(Graph Cut)算法首先对图像建立图模型G＝(V,E)，其中V为图像像素节点的集合，节点vi∈V表示图像的一个像素，E为图像边的集合，(vi,vj)∈V表示连接节点vi和vj的不相似度。在图像分割中，边的权值表示两个像素的不相似性度量，将像素在RGBW空间的亮度值构作为不相似度量，计算边界平滑能量项Bi，j(i≠j)为边的权值。然后在图G上添加两个终端顶点S结点(代表前景)和T结点(代表背景)，并将V上的所有节点都新建一条边分别连接到S和T上，边的权值由该节点属于前景或者背景的概率决定，计算区域能量项Ri为边的权值。
当所有边的权值确定时，图构建完成。假设整幅图像的标签(每个像素的标签)为L＝{l1,l2,…ln}，其中li为0(背景)或者1(目标)，然后通过最大流最小割(max-flow/min-cut)算法来找到图发生在目标和背景的边界处的最小割L(权值和最小的边的集合)，此时图的能量E(L)＝R(L)+B(L)最小，同时断开的边恰好可以使目标和背景被分割开，实现目标和背景的分离。
一些研究者在图割算法基础上对其进行了改进，例如，基于张量空间的图割方法(Malcolm J,Rathi Y,Tannenbaum A.A graph cut approach to image segmentation intensor space.In:Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.Minnesota,USA:IEEE,2007.1-8)、基于测地线的图割算法(Price BL,Morse B,Cohen S.Geodesic graph cut for interactive image segmentation.In:Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.San Francisco,USA:IEEE,2010.3161-3168)、以及基于序保护的移动优化方法(Liu X Q,Veksler O,Samarabandu J.Order preserving moves for graph-cut-basedoptimization.IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(7):1182-1196)，均取得了较好的图像分割效果。本发明即利用各种现有图割算法对遥感图像中的水体进行精细提取。
然而，无论是经典的图割算法还是此后的各种改进图割算法，已知的前景像素和背景像素均需要通过人工交互的方式进行指定，此外，多次迭代后也需要通过人工方式选择出最佳的迭代结果，难以实现遥感数据的自动化处理。一方面，人工指定初始前景、背景以及选择最佳迭代结果，均需要高度依赖用户的专业能力，如果选定的前景、背景或最佳迭代结果不理想，则会直接影响水体的提取结果；另一方面，对于大批量遥感数据的处理，通过人工介入的方式进行数据处理，显然是不现实的。为了能够实现自动准确的图像分割，本发明并未采用人工交互的方式给出初始的前景、背景，而是对步骤1所得到的水体主体求出其外接矩形，并将该矩形框内部分作为图割算法初始的前景目标，而将矩形框外部分作为初始的背景。当然，也可采取其他方式自动给出初始的前景、背景，例如，也可以将步骤1所得到的水体主体的中心区域作为图割算法初始的前景目标，将水体主体外接矩形框外部分作为初始的背景。
此外，在经过预设的n次迭代后(本发明优选的迭代次数为5～8)，本发明利用这多次迭代结果的统计数据来自适应地判定目标像素和背景像素，具体为：根据图像分割的多次迭代结果，将每次迭代中均被判为目标的像素作为水体像素，不符合该条件的像素均为背景像素。通过以上改进，即可省去现有图割算法所需要的人工介入，从而实现算法的自动化运行。
步骤4、对步骤3所提取的水体主体的边界区域进行精细化处理，具体如下：对所述边界区域中的每个像素，判断其NDWI值是否大于NDWI阈值，并判断将标准假彩色遥感图像转换至CIE Lab颜色空间后该像素的b通道值是否小于0；将同时满足上述两个条件的像素判定为水体像素。
经过步骤3的多次迭代分割后已可以得到较准确完整的水体。为了减少人工养殖地带，浅水滩涂及浮游生物覆盖区域的误提取，获得更精确的水体轮廓，本发明进一步在分割得到的水体边界处做精细化处理。精细化处理边界的主要目的是更准确地提取水体边界区域中的水体边缘部分，水体边界的不同区域的实际情况不同，需要根据区域的不同情况做不同处理。水体主体的边界区域可采用以下划分方法：取遥感图像中以步骤3所得到的水体主体边缘为中心的预设宽度范围内的区域作为边界区域，所述预设宽度可根据实际需要灵活选取，优选为10个像素宽度。
水体边界的人工水坝、人造缓冲地带等区域的NDWI水体指数值较小，而水体边缘的NDWI水体指数值较大，因此本发明通过对边界区域中的NDWI水体指数值设定阈值的方法去除人工水坝、人造缓冲带等边界部分。NDWI阈值的选取可根据经验预先设定，本发明优选采用以下方法确定：将分割得到的水体主体去掉边界区域部分后，求剩余部分区域的NDWI水体指数值均值并设定为NDWI水体指数阈值，筛选掉边界区域中不符合水体特征的像素，即筛除其中NDWI值小于等于所述NDWI水体指数阈值的像素，从而可以很好的去除边界上的人工水坝、人造缓冲地带等区域，同时保留符合水体特征的水体边缘部分。
水体边界的淤泥淤积地带、人工养殖地带、浅滩等区域的NDWI水体指数值与水体主体部分的NDWI水体指数值很接近，通过对NDWI水体指数值设定阈值的方法不能很好的去除。但根据大量的数据分析发现，在多波段遥感数据合成的标准假彩色图像中，淤泥淤积地带、人工养殖地带、浅滩等区域在Lab色彩空间中的b通道像素值通常大于0，而水体边缘区域像素的b通道像素值通常小于0。因此本发明根据这个特性来去除边界区域中的淤泥淤积地带、人工养殖地带、浅水滩涂等区域，即将标准假彩色遥感图像转换至Lab颜色空间后，判断边界区域中各像素的b通道值是否小于0，如是，则将该像素作为水体像素保留，否则，将其作为淤泥淤积地带、人工养殖地带、浅滩等去除。
图1显示了本发明基于RGBW特征空间图割算法的遥感图像水体提取装置的基本结构，如图所示，该装置包括：
初步水体主体提取单元，用于水体指数法对遥感图像进行水体的初步提取，并以初步提取的水体中的最大连通区域作为水体主体；
RGBW特征提取单元，用于对于遥感图像的每一像素，以其在标准假彩色遥感图像中的R、G、B三个颜色通道值以及该像素的归一化差异水体指数NDWI值作为该像素的RGBW特征，从而构造出遥感图像的RGBW特征空间；
图像分割单元，用于在RGBW特征空间中，以初步水体主体提取单元所输出的水体主体的外接矩形内、外部分别作为初始的目标和背景，利用图割算法对遥感图像进行图像分割；并根据图像分割的多次迭代结果，将每次迭代中均被判为目标的像素作为水体像素，从而提取出更精细的水体主体；
精细化处理单元，用于对图像分割单元所提取的水体主体的边界区域进行精细化处理，具体如下：对所述边界区域中的每个像素，判断其NDWI值是否大于NDWI阈值，并判断将标准假彩色遥感图像转换至CIE Lab颜色空间后该像素的b通道值是否小于0；将同时满足上述两个条件的像素判定为水体像素。
为验证本发明的有效性，利用本发明方法以及其它现有方法对石梁河水库遥感图像进行水体信息提取并进行对比，数据来源于中国卫星资源应用中心提供的高分一号资源卫星WFV相机拍摄的16m分辨率的遥感数据图像，选取2014年的遥感影像作为实验数据。其中几种现有方法具体为：原始图割算法(文献[Rother C,Kolmogorov V,Blake A.Grabcut:Interactive foreground extraction using iterated graph cuts[J].ACMTransactions on Graphics(TOG),2004,23(3):309-314.]中公开的方法，用“Graph Cut”简化表示)、归一化水体指数法(文献[McFeeters S K.The use of normalizeddifference water index(NDWI)in the delineation of open water features[J].International Journal of Remote Sensing，1996，17(7):1425-1432.]中的公开的方法，用“NDWI”简化表示)、阴影指数法(文献[陈文倩,丁建丽,李艳华,等.基于国产GF-1遥感影像的水体提取方法[J].资源科学,2015,37(6):1166-1172.]中公开的方法，用“SWI”简化表示。
图2显示了水体提取效果的对比情况，其中上边一排左边的图像是2014年03月08日高分一号WFV2遥感影像预处理后合成的江苏省石梁河水库区域的标准假彩色数字图像，可以看出水库边界以人工修筑的缓冲地带以及人工水坝为主，但在水库的左边界存在人工养殖的水田、浅滩等，在水库的左上角边界存在淤泥淤积的情况。上边一排中间的图像是人工目视解译的石梁河水库标准水体图。上边一排右边的图像为在RGB颜色特征空间中利用图割(Graph Cut)算法得到的提取结果，可以看到单纯的基于颜色特征，未考虑水体特征的图割算法在提取水体时的误提取现象较为严重。下边一排左边的图像是归一化水体指数NDWI灰度图像取阈值199二值化的水体提取结果，可以看到水体边界的水田、浅滩等存在误提取现象。下边一排中间的图像为阴影水体指数SWI灰度图像取阈值198二值化的水体提取结果，可以看到人工养殖的水田、浅滩等也存在误提取现象，并且采用全局阈值会导致水库周边环境也被误提取为水体。下边一排右边的图像为本发明方法的提取结果，与标准水体图对比可以看出本发明方法提取的效果良好并且边界区域的处理效果也较好。
为了进行准确的量化评价，进一步引入信息检索的评价指标查全率、查准率、F指数对上述的提取结果进行评价。其中查全率(Recall)如式(8)所示，查准率(Precision)如式(9)所示，
R＝(提取的真正水体像素数目/人工标注的水体像素数目)*100％ (8)
P＝(提取的真正水体像素数目/算法分割提取的水体像素数目)*100％ (9)
F评价指数是查准率和查全率的加权调和平均值，此处采用F评价指数作为评估的综合目标，其具体公式为：
提取结果评价表如表1：
表1提取结果评价表
从表1可看出本发明方法在四种方法中的综合效果最好，更重要的是，本发明对水体边缘的提取更为准确，而且可实现全自动化执行，便于大规模应用。
Claims (10)
1.基于RGBW特征空间图割算法的遥感图像水体提取方法，其特征在于，包括以下步骤：
步骤1、利用水体指数法对遥感图像进行水体的初步提取，并以初步提取的水体中的最大连通区域作为水体主体；
步骤2、对于遥感图像的每一像素，以其在标准假彩色遥感图像中的R、G、B三个颜色通道值以及该像素的归一化差异水体指数NDWI值作为该像素的RGBW特征，从而构造出遥感图像的RGBW特征空间；
步骤3、在RGBW特征空间中，以步骤1所得到的水体主体的外接矩形内、外部分别作为初始的目标和背景，利用基于马尔科夫随机场模型的图割算法对遥感图像进行图像分割；并根据图像分割的多次迭代结果，将每次迭代中均被判为目标的像素作为水体像素，从而提取出更精细的水体主体；
步骤4、对步骤3所提取的水体主体的边界区域进行精细化处理，具体如下：对所述边界区域中的每个像素，判断其NDWI值是否大于NDWI阈值，并判断将标准假彩色遥感图像转换至CIE Lab颜色空间后该像素的b通道值是否小于0；将同时满足上述两个条件的像素判定为水体像素。
2.如权利要求1所述遥感图像水体提取方法，其特征在于，所述NDWI阈值通过以下方法确定：计算步骤3所得到的水体主体中除边界区域以外的区域中各像素的NDWI均值，并以该NDWI均值的0.8倍作为NDWI阈值。
3.如权利要求1所述遥感图像水体提取方法，其特征在于，利用图割算法对遥感图像进行图像分割时的迭代次数为5～8。
4.如权利要求1所述遥感图像水体提取方法，其特征在于，所述水体主体的边界区域具体为：以水体主体边缘为中心的预设宽度范围内的区域。
5.如权利要求4所述遥感图像水体提取方法，其特征在于，所述预设宽度为10个像素。
6.基于RGBW特征空间图割算法的遥感图像水体提取装置，其特征在于，该装置包括：
初步水体主体提取单元，用于水体指数法对遥感图像进行水体的初步提取，并以初步提取的水体中的最大连通区域作为水体主体；
RGBW特征提取单元，用于对于遥感图像的每一像素，以其在标准假彩色遥感图像中的R、G、B三个颜色通道值以及该像素的归一化差异水体指数NDWI值作为该像素的RGBW特征，从而构造出遥感图像的RGBW特征空间；
图像分割单元，用于在RGBW特征空间中，以初步水体主体提取单元所输出的水体主体的外接矩形内、外部分别作为初始的目标和背景，利用基于马尔科夫随机场模型的图割算法对遥感图像进行图像分割；并根据图像分割的多次迭代结果，将每次迭代中均被判为目标的像素作为水体像素，从而提取出更精细的水体主体；
精细化处理单元，用于对图像分割单元所提取的水体主体的边界区域进行精细化处理，具体如下：对所述边界区域中的每个像素，判断其NDWI值是否大于NDWI阈值，并判断将标准假彩色遥感图像转换至CIE Lab颜色空间后该像素的b通道值是否小于0；将同时满足上述两个条件的像素判定为水体像素。
7.如权利要求6所述遥感图像水体提取装置，其特征在于，所述NDWI阈值通过以下方法确定：计算初步水体主体提取单元所输出的水体主体中除边界区域以外的区域中各像素的NDWI均值，并以该NDWI均值的0.8倍作为NDWI阈值。
8.如权利要求6所述遥感图像水体提取装置，其特征在于，利用图割算法对遥感图像进行图像分割时的迭代次数为5～8。
9.如权利要求6所述遥感图像水体提取装置，其特征在于，所述水体主体的边界区域具体为：以水体主体边缘为中心的预设宽度范围内的区域。
10.如权利要求9所述遥感图像水体提取装置，其特征在于，所述预设宽度为10个像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510989654.6A CN105631903B (zh) | 2015-12-24 | 2015-12-24 | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510989654.6A CN105631903B (zh) | 2015-12-24 | 2015-12-24 | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105631903A CN105631903A (zh) | 2016-06-01 |
| CN105631903B true CN105631903B (zh) | 2018-01-16 |
Family
ID=56046790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510989654.6A Expired - Fee Related CN105631903B (zh) | 2015-12-24 | 2015-12-24 | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105631903B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097331B (zh) * | 2016-06-07 | 2018-11-13 | 浙江工业大学 | 一种基于锁孔识别的集装箱定位方法 |
| CN106650810B (zh) * | 2016-12-26 | 2019-09-03 | 河海大学 | 基于光谱属性信息和空间信息的水库水体分类方法及装置 |
| CN107271367B (zh) * | 2017-05-05 | 2019-06-28 | 北京师范大学 | 一种水体识别方法及装置 |
| CN108985307B (zh) * | 2018-07-16 | 2021-08-10 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感影像的水体提取方法及*** |
| CN109447916A (zh) * | 2018-10-30 | 2019-03-08 | 环境保护部华南环境科学研究所 | 一种基于高分辨率遥感影像的水质定量方法 |
| CN109886193B (zh) * | 2019-02-21 | 2020-11-20 | 电子科技大学 | 一种卷云检测方法、设备及计算机可读存储介质 |
| CN110189328B (zh) * | 2019-06-11 | 2021-02-23 | 北华航天工业学院 | 一种卫星遥感图像处理***及其处理方法 |
| CN110390277B (zh) * | 2019-07-04 | 2021-07-06 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
| CN110443821B (zh) * | 2019-07-09 | 2023-05-05 | 成都理工大学 | 基于图像的水体检测方法及水体检测装置 |
| CN111862138A (zh) * | 2020-07-21 | 2020-10-30 | 北京吉威空间信息股份有限公司 | 一种遥感影像半自动水体提取方法 |
| CN112634295B (zh) * | 2020-12-29 | 2022-05-20 | 中国人民解放军国防科技大学 | 一种基于双重梯度阈值的星敏感器星点分割方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
-
2015
- 2015-12-24 CN CN201510989654.6A patent/CN105631903B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
Non-Patent Citations (4)
| Title |
|---|
| Developing Superfine Water Index (SWI) for Global Water Cover Mapping Using MODIS Data;Ram C. Sharma et al;《remote Sensing》;20151021;全文 * |
| Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery;HANQIU XU;《International Journal of Remote Sensing》;20060720;第27卷(第14期);全文 * |
| Water Feature Extraction and Change Detection Using Multitemporal Landsat Imagery;Komeil Rokni et al;《Remote Sensing》;20140505;全文 * |
| 图谱迭代反馈的自适应水体信息提取方法;胡晓东 等;《测绘学报》;20111031;第40卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105631903A (zh) | 2016-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105631903B (zh) | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 | |
| WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| Sun et al. | Recognition of green apples in an orchard environment by combining the GrabCut model and Ncut algorithm | |
| CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
| CN109448016A (zh) | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 | |
| CN105139015B (zh) | 一种遥感图像水体提取方法 | |
| CN108256534A (zh) | 一种基于高分遥感影像的筏式海水养殖区域提取方法 | |
| CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
| CN109271919B (zh) | 一种基于grb和网格模式的植被覆盖度测定方法 | |
| CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
| CN107564016B (zh) | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 | |
| Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
| CN109635765A (zh) | 一种浅海珊瑚礁遥感信息自动提取方法 | |
| CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
| CN109584253A (zh) | 油液磨粒图像分割方法 | |
| Loresco et al. | Segmentation of lettuce plants using super pixels and thresholding methods in smart farm hydroponics setup | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** | |
| CN115147746A (zh) | 基于无人机遥感图像的盐碱地质识别方法 | |
| Tillett et al. | A field assessment of a potential method for weed and crop mapping on the basis of crop planting geometry | |
| CN114119617A (zh) | 一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 | |
| CN102184389A (zh) | 用于心材与边材高色差树种的年轮自动识别方法 | |
| Ye et al. | Cucumber appearance quality detection under complex background based on image processing | |
| Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding | |
| Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 Termination date: 20181224 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |