CN110517575A - 一种地表水体制图方法及装置 - Google Patents

Abstract

一种地表水体制图方法及装置，涉及数据处理技术领域。其中，地表水体制图方法包括在生成地表水体制图结果时，首先获取目标区域的原始数据，然后对原始数据进行预处理得到候选水体样本集和目标区域的目标区域像元集；接着通过预先构建的预测神经网络和所述候选水体样本集对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率；然后根据第一概率计算目标区域像元集中每个像元属于水体的第二概率；最后，根据第二概率生成目标区域的地表水体制图结果。该方法能够避免障碍物(如建成区、阴影等)的干扰，提升水体制图精度，同时减少人为的干扰和参与，提高遥感水体制图的自动化程度。

Description

一种地表水体制图方法及装置

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种地表水体制图方法及装置。

背景技术

河流、湖泊、水库等地表水体在维持社会经济发展和生态***平衡中扮演着重要角色。然而，受气候变化和人类活动的影响，地表水体的空间分布和理化成分正在发生着巨大变化，因此，及时监测地表水动态，对于水资源管理、水害防治、水环境保护等与水相关研究和规划具有重要意义。现有的水体制图方法常为水体指数法，直接通过对原始数据进行波段运算以增强水体信号，抑制非水体信号，实现水体信息的识别和提取。然而，在实践中发现，现有的水体制图方法在生成水体制图时容易受到原始数据中障碍物(如云、云的阴影、建筑物的阴影、地形的阴影等)的干扰，进而导致得到的水体制图误差大，准确性低。

发明内容

本申请实施例的目的在于提供一种地表水体制图方法及装置，能够避免障碍物的干扰，进而提升水体制图的精度。

本申请实施例第一方面提供了一种地表水体制图方法，包括：

获取用于目标区域的地表水体制图的原始数据，并对所述原始数据进行预处理，得到候选水体样本集和所述目标区域的目标区域像元集；

通过预先构建的预测神经网络和所述候选水体样本集对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率；

根据所述第一概率计算所述目标区域像元集中每个像元属于水体的第二概率；

根据所述第二概率生成所述目标区域的地表水体制图结果。

在上述实现过程中，在生成地表水体制图结果时，先获取目标区域的原始数据，然后再对原始数据进行预处理得到候选水体样本集和目标区域的目标区域像元集，然后再根据候选水体样本集和目标区域的目标区域像元集确定验证样本子集，并计算目标区域像元集中每个像元被标记为水体的第一概率，进一步地，根据第一概率计算目标区域像元集中每个像元属于水体的第二概率，最后，根据第二概率生成地表水体制图结果。

进一步地，所述原始数据包括所述目标区域的卫星遥感数据和所述目标区域的众包地图数据；

对所述原始数据进行预处理，得到候选水体样本集和所述目标区域的目标区域像元集，包括：

根据所述卫星遥感数据获取所述目标区域的目标区域像元集，并对所述卫星遥感数据进行预处理，得到目标水体指数；

根据所述目标水体指数对所述众包地图数据进行预处理，得到候选水体样本集。

在上述实现过程中，将卫星遥感数据和众包地图数据进行结合，有利于提升地物识别提取的精度，同时还分别对卫星遥感数据和众包地图数据进行预处理，进一步减少大气对卫星遥感影像的干扰和众包地图数据中的错误信息，有利于提升生成水体制图结果的精度。

进一步地，对所述卫星遥感数据进行预处理，得到目标水体指数，包括：

对所述卫星遥感数据进行辐射定标处理，得到辐射亮度数据；

对所述辐射亮度数据进行大气校正处理，得到地表反射率；

根据所述地表反射率计算目标水体指数。

在上述实现过程中，在计算目标水体指数之前，通过对卫星遥感数据进行辐射定标和大气校正处理，得到地表反射率，最后再根据地表反射率计算出目标水体指数，能够减少大气吸收和散射的干扰，使得计算出的目标水体指数更加可靠，误差小。

进一步地，根据所述目标水体指数对所述众包地图数据进行预处理，得到候选水体样本集，包括：

从所述众包地图数据中提取与水体相关的要素信息，所述要素信息包括面状要素信息和线性要素信息；

在所述众包地图数据中建立所述线性要素信息的缓冲区；

将所述面状要素信息与所述线性要素信息的缓冲区进行合并处理，得到合并数据；

对所述合并数据进行栅格化处理，得到众包地图水体掩膜数据；

根据所述目标水体指数对所述众包地图水体掩膜数据进行过滤处理，得到候选水体样本集。

在上述实现过程中，众包地图数据包括丰富的河流、溪流、河堤等与水相关的信息，同时也包括其它的非水体信息。通过建立线性要素信息的缓冲区，能够获得更加全面的水体信息。另一方面，通过对众包地图水体掩膜数据进行过滤处理，能够去除众包地图水体掩膜数据中的虚假水像元，得到高精度的候选水体样本集，有利于提升生成水体制图结果的精度。

进一步地，通过预先构建的预测神经网络和所述候选水体样本集对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率，包括：

从所述卫星遥感数据中选取预设第一数量的背景样本数据，并对所述背景样本数据和所述候选水体样本集进行合并处理，得到合并样本集；

从所述合并样本集中确定训练样本子集和验证样本子集；

获取预先构建的预测神经网络，并通过所述训练样本子集对所述预测神经网络进行处理，得到处理数据；

根据处理数据和所述验证样本子集对所述预测神经网络进行参数校正，得到训练后的预测神经网络；

通过所述训练后的预测神经网络对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率。

在上述实现过程中，计算每个目标区域像元集中每个像元被标记为水体的第一概率时时，先根据候选水体样本集和目标区域的目标区域像元集确定验证样本子集和训练样本子集，然后再通过训练样本子集对预先构建的预测神经网络进行训练处理，得到训练后的预测神经网络，然后再通过训练后的预测神经网络来计算目标区域像元集中每个像元被标记为水体的第一概率。

进一步地，根据所述第一概率计算所述目标区域像元集中每个像元属于水体的第二概率，包括：

通过所述训练后的预测神经网络对所述验证样本子集中的水体样本进行处理，得到所述验证样本子集中每个水体样本的第三概率；

根据所述第三概率，计算所述验证样本子集中所有水体样本的概率均值；

根据所述概率均值和所述第一概率，计算所述目标区域像元集中每个像元属于水体的第二概率。

在上述实现过程中，先通过训练后的预测神经网络计算验证样本子集中每个水体样本的第三概率；然后根据第三概率，计算验证样本子集中所有水体样本的概率均值，最后再根据概率均值和第一概率，计算目标区域像元集中每个像元属于水体的第二概率。

进一步地，根据所述第二概率生成所述目标区域的地表水体制图结果，包括：

获取分割阈值区间，并根据所述合并样本集构建正样本-背景场景混淆矩阵；

根据所述正样本-背景场景混淆矩阵和所述分割阈值区间确定目标分割阈值；

根据所述目标分割阈值和所述第二概率，生成所述目标区域的地表水体制图结果。

在上述实现过程中，在生成地表水体制图结果之前，需要确定目标分割阈值，根据正样本-背景场景混淆矩阵和分割阈值区间，能够确定出最合适的分割阈值(即目标分割阈值)，进而生成最优的地表水体制图结果。

进一步地，根据所述合并样本集构建正样本-背景场景混淆矩阵，包括：

从所述合并样本集中确定分割样本子集，并从所述分割阈值区间中确定多个待选分割阈值；

根据所述分割样本子集构建每个所述待选分割阈值对应的正样本-背景场景混淆矩阵。

在上述实现过程中，在确定出待选分割阈值之后，从上述合并样本集中确定分割样本子集，然后再根据分割样本子集构建每个待选分割阈值对应的正样本-背景场景混淆矩阵。

进一步地，根据所述正样本-背景场景混淆矩阵和所述分割阈值区间确定目标分割阈值，包括：

根据每个所述待选分割阈值对应的正样本-背景场景混淆矩阵，计算该待选分割阈值对应的地表水体制图精度；

将最大的地表水体制图精度对应的待选分割阈值确定为目标分割阈值。

在上述实现过程中，将最大的地表水体制图精度对应的待选分割阈值确定为目标分割阈值，即为最佳分割阈值，其对应的地表水体制图精度最大，进而根据最佳分割阈值得到最优的地表水体制图。

本申请实施例第二方面提供一种地表水体制图装置，包括：

数据获取模块，用于获取用于目标区域的地表水体制图的原始数据；

预处理模块，用于对所述原始数据进行预处理，得到候选水体样本集和所述目标区域的目标区域像元集；

第一概率计算模块，用于通过预先构建的预测神经网络和所述候选水体样本集对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率；

第二概率计算模块，用于根据所述第一概率计算所述目标区域像元集中每个像元属于水体的第二概率；

制图模块，用于根据所述第二概率生成所述目标区域的地表水体制图结果。

在上述实现过程中，在生成地表水体制图结果时，数据获取模块先获取目标区域的原始数据，并对原始数据进行预处理得到候选水体样本集和目标区域的目标区域像元集，然后第一概率计算模块再根据候选水体样本集和目标区域的目标区域像元集确定验证样本子集，并计算目标区域像元集中每个像元被标记为水体的第一概率，进一步地，第二概率计算模块根据第一概率计算目标区域像元集中每个像元属于水体的第二概率，最后，制图模块根据第二概率生成地表水体制图结果。

本申请实施例第三方面提供一种计算机设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行第一方面公开的部分或者全部所述的地表水体制图方法。

本申请实施例第四方面提供一种计算机可读存储介质，其存储有第三方面所述的计算机设备中所使用的所述计算机程序。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例一提供的一种地表水体制图方法的流程示意图；

图2为本申请实施例二提供的一种地表水体制图方法的流程示意图；

图3为本申请实施例二提供的一种分割阈值-制图精度曲线关系图；

图4为本申请实施例三提供的一种地表水体制图装置的结构示意图；

图5为本申请实施例三提供的另一种地表水体制图装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

请参看图1，图1为本申请实施例提供的一种地表水体制图方法的流程示意框图。如图1所示，该地表水体制图方法包括：

S101、获取用于目标区域的地表水体制图的原始数据，并对原始数据进行预处理，得到候选水体样本集和目标区域的目标区域像元集。

本申请实施例中，当需要获取目标区域的地表水体制图结果时，则获取到的用于地表水体制图的原始数据为该目标区域的地理数据。其中，该地理数据可以为卫星遥感影像数据、地图数据等，对此本申请实施例不作限定。

S102、通过预先构建的预测神经网络和候选水体样本集对目标区域像元集进行处理，得到目标区域像元集中每个像元被标记为水体的第一概率。

本申请实施例中，预测神经网络可以为BP(back propagation，反向传播)神经网络、卷积神经网络(Convolutional Neural Networks，CNN)、RBF(Radial Basis Function，径向基)神经网络等，对此本申请实施例不作限定。

S103、根据第一概率计算目标区域像元集中每个像元属于水体的第二概率。

S104、根据第二概率生成目标区域的地表水体制图结果。

本申请实施例中，在计算出目标区域像元集中每个像元属于水体的第二概率之后，再根据分割阈值对第二概率进行阈值分割处理，将第二概率大于目标分割阈值的像元确定为水体，将将第二概率小于目标分割阈值的像元确定为非水体，进而得到对应的地表水体制图结果。

可见，实施图1所描述的地表水体制图方法，能够避免障碍物的干扰，进而提升水体制图的精度。

实施例2

请参看图2，图2为本申请实施例提供的一种地表水体制图方法的流程示意框图。如图2所示，该地表水体制图方法包括：

S201、获取用于目标区域的地表水体制图的原始数据。

本申请实施例中，原始数据包括卫星遥感数据和众包地图数据。具体的，卫星遥感数据可以为哨兵二号影像(Sentinel-2MSI)数据、WorldView卫星数据、QuickBird卫星数据、高分一号卫星数据、资源三号卫星数据、Landsat卫星数据等，众包地图数据可以为开放街道地图(OpenStreetMap，OSM)数据等，对此本申请实施例不作限定。

本申请实施例中，哨兵二号影像(Sentinel-2MSI)是一种新型的多光谱遥感影像，具有13个光谱波段(其中4个波段为10米空间分辨率，6个波段为20米空间分辨率，3个波段为60米空间分辨率)，重访周期大约为5天。相比于常用的中等分辨率遥感数据(LandsatETM/ETM+/OLI卫星影像)，该数据具有更高的空间分辨率和重访周期，更适合于地表水体制图和动态监测。

S202、根据卫星遥感数据获取目标区域的目标区域像元集，并对卫星遥感数据进行预处理，得到目标水体指数。

作为一种可选的实施方式，对卫星遥感数据进行预处理，得到目标水体指数，可以包括以下步骤：

对卫星遥感数据进行辐射定标处理，得到辐射亮度数据；

对辐射亮度数据进行大气校正处理，得到地表反射率；

根据地表反射率计算目标水体指数。

在上述实施方式中，目标水体指数可以为自动水体提取指数(Automate WaterExtraction Index，AWEI)、归一化水指数(Normalized Difference Water Index，NDWI)、多波段水指数(Multi-Band Water Index，MBWI)、多光谱水指数(Multi-spectral WaterIndex，MuWI))、全波段水指数(All Bans Water Index，ABWI)等等中的其中一种，对此本申请实施例不作限定。

在上述实施方式中，地表反射率是指地面反射辐射量与入射辐射量之比，表征地面对太阳辐射的吸收和反射能力。反射率越大，地面吸收太阳辐射越少；反射率越小，地面吸收太阳辐射越多。

在上述实施方式中，辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，将图像的亮度灰度值转换为绝对的辐射亮度的过程。

在上述实施方式中，大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。

在步骤S202之后，还包括以下步骤：

S203、根据目标水体指数对众包地图数据进行预处理，得到候选水体样本集。

本申请实施例中，OpenStreetMap(OSM)数据是一种用户生成的街道地图，包含了丰富的地理信息，如水体、建筑物等。OSM数据由广大志愿者提供，且缺少必要的质量控制。因此，通过步骤S203对OSM数据进行预处理，能够剔除OSM数据中可能存在的虚假水体信息，提升水体样本的精确度。

作为一种可选的实施方式，根据目标水体指数对众包地图数据进行预处理，得到候选水体样本集，可以包括以下步骤：

从众包地图数据中提取与水体相关的要素信息，要素信息包括面状要素信息和线性要素信息；

在众包地图数据中建立线性要素信息的缓冲区；

将面状要素信息与线性要素信息的缓冲区进行合并处理，得到合并数据；

对合并数据进行栅格化处理，得到众包地图水体掩膜数据；

根据目标水体指数对众包地图水体掩膜数据进行过滤处理，得到候选水体样本集。

在上述实施方式中，当众包地图数据为OSM数据时，对于OSM数据，先从OSM数据中提取与水体相关的要素信息，与水体相关的要素信息包括面状要素信息和线性要素信息，其中，面状要素信息包括水库(reservoir)要素信息、水体(water)要素信息、河堤(riverbank)要素信息等中的一种或者多种；线性要素信息包括河道(canal)要素信息、河流(river)要素信息、溪流(stream)要素信息等中的一种或者多种，对此本申请实施例不作限定。

在上述实施方式中，可以从OSM数据的landuse图层中提取水库(reservoir)要素信息；从OSM数据的natural图层中，提取水体(water)要素信息、河堤(riverbank)要素信息；从OSM数据的waterway图层中，选取河道(canal)要素信息、河流(river)要素信息和溪流(stream)要素信息。

在上述实施方式中，可以根据预设缓冲区大小，构建众包地图数据中waterway图层要素的缓冲区，其中，预设缓冲区大小包括预设缓冲区半径。在实际使用中，预设缓冲区半径可以为70米等，对此本申请实施例不作限定。

在上述实施方式中，可以根据预设栅格值对合并数据进行栅格化处理时，其中，栅格值可以为10米等，对此本申请实施例不做限定。

作为进一步可选的实施方式，根据目标水体指数对众包地图水体掩膜数据进行过滤处理，得到候选水体样本集，可以包括以下步骤：

根据目标水体指数构建滤波模型；

根据滤波模型对众包地图水体掩膜数据进行过滤处理，得到候选水体样本集。

在上述实施方式中，以目标水体指数>0为依据构建滤波模型，能够剔除众包地图水体掩膜数据中的虚假水体像元，进而得到候选水体样本集，有效避免虚假水体像元数据对地表水体制图的影响，有利于提升地表水体制图的精度。

本申请实施例中，实施上述步骤S202～步骤S203，能够对原始数据进行预处理，得到候选水体样本集和目标区域的目标区域像元集。

在步骤S203之后，还包括以下步骤：

S204、从卫星遥感数据中选取预设第一数量的背景样本数据，并对背景样本数据和候选水体样本集进行合并处理，得到合并样本集，并从合并样本集中确定训练样本子集和验证样本子集。

本申请实施例中，可根据预设划分规则从合并样本集中确定训练样本子集和验证样本子集。其中，预设划分规则包括按照预设比例随机划分，预设比例包括训练样本子集中样本数量占合并样本集中样本总数量的验证样本子集占合并样本集中样本总数量的

在上述实施方式中，从合并样本集中确定训练样本子集和验证样本子集的方式可以为随机选取，不需要人工进行训练样本的选取，减少人力物力的消耗，也有利于提升模型训练的效率。

S205、获取预先构建的预测神经网络，并通过训练样本子集对预测神经网络进行处理，得到处理数据，以及根据处理数据和验证样本子集对预测神经网络进行参数校正，得到训练后的预测神经网络。

在上述实施方式中，对背景样本数据和候选水体样本集进行合并处理，得到合并样本集，具体为，先从候选水体样本集中随机选取预设初步选取数量(例如占比5％)的像元作为初步水体样本，并按照预设初步选取数量(例如占比)从卫星遥感数据中随机选取背景样本数据。进一步地，将背景样本数据和初步水体样本进行合并得到合并样本集，再按照预设样本选取数量(例如，训练样本子集中像元的数量与目标区域像元集中像元的数量的比值为3:1)从合并样本集中确定训练样本子集和验证样本子集，其中，训练样本子集用于预测神经网络的模型训练，验证样本子集用于预测神经网络的模型参数优选。

S206、通过训练后的预测神经网络对目标区域像元集进行处理，得到目标区域像元集中每个像元被标记为水体的第一概率。

本申请实施例中，实施上述步骤S204～步骤S206，能够通过预先构建的预测神经网络和候选水体样本集对目标区域像元集进行处理，得到目标区域像元集中每个像元被标记为水体的第一概率。

S207、通过训练后的预测神经网络对验证样本子集中的水体样本进行处理，得到验证样本子集中每个水体样本的第三概率，并根据第三概率，计算验证样本子集中所有水体样本的概率均值。

S208、根据概率均值和第一概率，计算目标区域像元集中每个像元属于水体的第二概率。

本申请实施例中，对于目标区域像元集中的每个像元，计算其属于水体的第二概率的计算公式如下：

其中，P_W为目标区域像元集中像元属于水体的第二概率，c为验证样本子集中所有水体样本的概率均值，P_obs为目标区域像元集中像元被标记为水体的第一概率。

本申请实施例中，实施上述步骤S205～步骤S206，能够根据第一概率计算目标区域像元集中每个像元属于水体的第二概率。

S209、根据第二概率生成目标区域的地表水体制图结果。

作为一种可选的实施方式，根据第二概率生成目标区域的地表水体制图结果，可以包括以下步骤：

获取分割阈值区间，并根据合并样本集构建正样本-背景场景混淆矩阵；

根据正样本-背景场景混淆矩阵和分割阈值区间确定目标分割阈值；

根据目标分割阈值和第二概率，生成目标区域的地表水体制图结果。

在上述实施方式中，分割阈值区间可以为预先设置，具体可以为[-1,1]等，对此本申请实施例不作限定。

作为进一步可选的实施方式，根据合并样本集构建正样本-背景场景混淆矩阵，可以包括以下步骤：

从合并样本集中确定分割样本子集，并从分割阈值区间中确定多个待选分割阈值；

根据分割样本子集构建每个待选分割阈值对应的正样本-背景场景混淆矩阵。

在上述实施方式中，对于一个待选分割阈值来说，其对应的正样本-背景场景混淆矩阵表示如下：

因为分割样本子集是由合并样本集得到的，而合并样本集是根据背景样本数据和候选水体样本集得到的，因此，s＝1表示分割像元子集中属于候选水体样本集的像元，s＝0表示分割样本子集中属于背景样本数据的像元，y’＝1表示经训练后的预测神经网络进行预测的结果为水体，y’＝0表示经训练后的预测神经网络进行预测的结果为非水体，TP’、FP’、FN’、TN’均表示正样本-背景场景混淆矩阵的元素。

在上述实施方式中，可以从合并样本集中随机选取预设第二数量的分割样本子集，其中，预设第二数量可以为合并样本集中像元总数的等，对此本申请实施例不作限定。

作为进一步可选的实施方式，根据正样本-背景场景混淆矩阵和分割阈值区间确定目标分割阈值，可以包括以下步骤：

根据每个待选分割阈值对应的正样本-背景场景混淆矩阵，计算该待选分割阈值对应的地表水体制图精度；

将最大的地表水体制图精度对应的待选分割阈值确定为目标分割阈值。

在上述实施方式中，对于每个待选分割阈值，计算其对应的地表水体制图精度的公式如下：

其中，F_m为待选分割阈值对应的地表水体制图精度，TP’、FP’、FN’、均为该待选分割阈值对应的正样本-背景场景混淆矩阵的元素。

请一并参阅图3，图3是本实施例提供的一种分割阈值-制图精度曲线关系图。如图3所示，该曲线关系图中，横坐标为分割阈值区间内的各个待选分割阈值，纵坐标为地表水体制图精度F_m(即F-score)。由图3可见，随着待选分割阈值的增大，F_m呈现先稳定后增大最后减小的变化趋势，当分割阈值为0.32时，水体制图精度(F_m)达到最大值，即Max(F-score)＝1.7825，因此，可以确定出目标分割阈值为0.32。

在上述实施方式中，在确定出目标分割阈值之后，将第二概率大于目标分割阈值的像元确定为水体像元，将第二概率小于目标分割阈值的像元确定为非水体像元，进而得到对应的地表水体制图结果。

可见，实施图2所描述的地表水体制图方法，能够避免障碍物的干扰，进而提升水体制图的精度。

实施例3

请参看图4，图4为本申请实施例提供的一种地表水体制图装置的结构示意框图。如图4所示，该地表水体制图装置包括：

数据获取模块310，用于获取用于目标区域的地表水体制图的原始数据。

预处理模块320，用于对原始数据进行预处理，得到候选水体样本集和目标区域的目标区域像元集。

第一概率计算模块330，用于通过预先构建的预测神经网络和候选水体样本集对目标区域像元集进行处理，得到目标区域像元集中每个像元被标记为水体的第一概率。

第二概率计算模块340，用于根据第一概率计算目标区域像元集中每个像元属于水体的第二概率。

制图模块350，用于根据第二概率生成目标区域的地表水体制图结果。

本申请实施例中，原始数据包括卫星遥感数据和众包地图数据等，对此本申请实施例不作限定。

请参看图5，图5为本申请实施例提供的另一种地表水体制图装置的结构示意框图。其中，图5所示的地表水体制图装置是由图4所示的地表水体制图装置进行优化得到的，如图5所示，预处理模块320，包括：

像元获取子模块321，用于根据卫星遥感数据获取目标区域的目标区域像元集。

第一预处理子模块322，用于对卫星遥感数据进行预处理，得到目标水体指数。

第二预处理子模块323，用于根据目标水体指数对众包地图数据进行预处理，得到候选水体样本集。

作为进一种可选的实施方式，第一预处理子模块321，包括：

辐射定标单元，用于对卫星遥感数据进行辐射定标处理，得到辐射亮度数据。

大气校正单元，用于对辐射亮度数据进行大气校正处理，得到地表反射率。

计算单元，用于根据地表反射率计算目标水体指数。

作为进一步可选的实施方式，第二预处理子模块322，包括：

信息提取单元，用于从众包地图数据中提取与水体相关的要素信息，要素信息包括面状要素信息和线性要素信息。

缓冲区建立单元，用于在众包地图数据中建立线性要素信息的缓冲区。

合并单元，用于将面状要素信息与线性要素信息的缓冲区进行合并处理，得到合并数据。

栅格化单元，用于对合并数据进行栅格化处理，得到众包地图水体掩膜数据。

过滤单元，用于根据目标水体指数对众包地图水体掩膜数据进行过滤处理，得到候选水体样本集。

作为一种可选的实施方式，第一概率计算模块330，包括：

样本获取子模块331，用于从卫星遥感数据中选取预设第一数量的背景样本数据，并对背景样本数据和候选水体样本集进行合并处理，得到合并样本集；以及从合并样本集中确定训练样本子集和验证样本子集；

训练子模块332，用于获取预先构建的预测神经网络，并通过训练样本子集对预测神经网络进行处理，得到处理数据；以及根据处理数据和验证样本子集对预测神经网络进行参数校正，得到训练后的预测神经网络；

处理子模块333，用于通过训练后的预测神经网络对目标区域像元集进行处理，得到目标区域像元集中每个像元被标记为水体的第一概率。

作为一种可选的实施方式，第二概率计算模块340，包括：

第一计算子模块341，用于通过训练后的预测神经网络对验证样本子集中的水体样本进行处理，得到验证样本子集中每个水体样本的第三概率；以及根据第三概率，计算验证样本子集中所有水体样本的概率均值。

第二计算子模块342，用于根据概率均值和第一概率，计算目标区域像元集中每个像元属于水体的第二概率。

作为一种可选的实施方式，制图模块350，包括：

区间获取子模块351，用于获取分割阈值区间。

矩阵构建子模块352，用于根据合并样本集构建正样本-背景场景混淆矩阵。

阈值确定子模块353，用于根据正样本-背景场景混淆矩阵和分割阈值区间确定目标分割阈值。

制图生成子模块354，用于根据目标分割阈值和第二概率，生成目标区域的地表水体制图结果。

作为进一步可选的实施方式，矩阵构建子模块352，包括：

子集确定单元，用于从合并样本集中确定分割样本子集。

待选阈值确定单元，用于从分割阈值区间中确定多个待选分割阈值。

矩阵构建单元，用于根据分割样本子集构建每个待选分割阈值对应的正样本-背景场景混淆矩阵。

作为进一步可选的实施方式，阈值确定子模块353，包括：

精度计算单元，用于根据每个待选分割阈值对应的正样本-背景场景混淆矩阵，计算该待选分割阈值对应的地表水体制图精度。

目标确定单元，用于将最大的地表水体制图精度对应的待选分割阈值确定为目标分割阈值。

可见，实施本实施例所描述的地表水体制图装置，能够避免障碍物的干扰，进而提升水体制图的精度。

此外，本发明还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行计算机程序，从而使该计算机设备执行上述方法或者上述地表水体制图装置中的各个模块的功能。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本实施例还提供了一种计算机存储介质，用于储存上述计算机设备中使用的计算机程序。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本申请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)执行本申请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。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种地表水体制图方法，其特征在于，包括：

获取用于目标区域的地表水体制图的原始数据，并对所述原始数据进行预处理，得到候选水体样本集和所述目标区域的目标区域像元集；

通过预先构建的预测神经网络和所述候选水体样本集对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率；

根据所述第一概率计算所述目标区域像元集中每个像元属于水体的第二概率；

根据所述第二概率生成所述目标区域的地表水体制图结果。

2.根据权利要求1所述的地表水体制图方法，其特征在于，所述原始数据包括所述目标区域的卫星遥感数据和所述目标区域的众包地图数据；

对所述原始数据进行预处理，得到候选水体样本集和所述目标区域的目标区域像元集，包括：

根据所述卫星遥感数据获取所述目标区域的目标区域像元集，并对所述卫星遥感数据进行预处理，得到目标水体指数；

根据所述目标水体指数对所述众包地图数据进行预处理，得到候选水体样本集。

3.根据权利要求2所述的地表水体制图方法，其特征在于，对所述卫星遥感数据进行预处理，得到目标水体指数，包括：

对所述卫星遥感数据进行辐射定标处理，得到辐射亮度数据；

对所述辐射亮度数据进行大气校正处理，得到地表反射率；

根据所述地表反射率计算目标水体指数。

4.根据权利要求3所述的地表水体制图方法，其特征在于，根据所述目标水体指数对所述众包地图数据进行预处理，得到候选水体样本集，包括：

从所述众包地图数据中提取与水体相关的要素信息，所述要素信息包括面状要素信息和线性要素信息；

在所述众包地图数据中建立所述线性要素信息的缓冲区；

将所述面状要素信息与所述线性要素信息的缓冲区进行合并处理，得到合并数据；

对所述合并数据进行栅格化处理，得到众包地图水体掩膜数据；

根据所述目标水体指数对所述众包地图水体掩膜数据进行过滤处理，得到候选水体样本集。

5.根据权利要求2所述的地表水体制图方法，其特征在于，通过预先构建的预测神经网络和所述候选水体样本集对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率，包括：

从所述卫星遥感数据中选取预设第一数量的背景样本数据，并对所述背景样本数据和所述候选水体样本集进行合并处理，得到合并样本集；

从所述合并样本集中确定训练样本子集和验证样本子集；

获取预先构建的预测神经网络，并通过所述训练样本子集对所述预测神经网络进行处理，得到处理数据；

根据处理数据和所述验证样本子集对所述预测神经网络进行参数校正，得到训练后的预测神经网络；

通过所述训练后的预测神经网络对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率。

6.根据权利要求5所述的地表水体制图方法，其特征在于，根据所述第一概率计算所述目标区域像元集中每个像元属于水体的第二概率，包括：

通过所述训练后的预测神经网络对所述验证样本子集中的水体样本进行处理，得到所述验证样本子集中每个水体样本的第三概率；

根据所述第三概率，计算所述验证样本子集中所有水体样本的概率均值；

根据所述概率均值和所述第一概率，计算所述目标区域像元集中每个像元属于水体的第二概率。

7.根据权利要求5所述的地表水体制图方法，其特征在于，根据所述第二概率生成所述目标区域的地表水体制图结果，包括：

获取分割阈值区间，并根据所述合并样本集构建正样本-背景场景混淆矩阵；

根据所述正样本-背景场景混淆矩阵和所述分割阈值区间确定目标分割阈值；

根据所述目标分割阈值和所述第二概率，生成所述目标区域的地表水体制图结果。

8.根据权利要求7所述的地表水体制图方法，其特征在于，根据所述合并样本集构建正样本-背景场景混淆矩阵，包括：

从所述合并样本集中确定分割样本子集，并从所述分割阈值区间中确定多个待选分割阈值；

根据所述分割样本子集构建每个所述待选分割阈值对应的正样本-背景场景混淆矩阵。

9.根据权利要求8所述的地表水体制图方法，其特征在于，根据所述正样本-背景场景混淆矩阵和所述分割阈值区间确定目标分割阈值，包括：

根据每个所述待选分割阈值对应的正样本-背景场景混淆矩阵，计算该待选分割阈值对应的地表水体制图精度；

将最大的地表水体制图精度对应的待选分割阈值确定为目标分割阈值。

10.一种地表水体制图装置，其特征在于，包括：

数据获取模块，用于获取用于目标区域的地表水体制图的原始数据；

预处理模块，用于对所述原始数据进行预处理，得到候选水体样本集和所述目标区域的目标区域像元集；

第一概率计算模块，用于通过预先构建的预测神经网络和所述候选水体样本集对所述目标区域像元集进行处理，得到所述目标区域像元集中每个像元被标记为水体的第一概率；

第二概率计算模块，用于根据所述第一概率计算所述目标区域像元集中每个像元属于水体的第二概率；

制图模块，用于根据所述第二概率生成所述目标区域的地表水体制图结果。