CN112967308B - 一种双极化sar影像的水陆边界提取方法及*** - Google Patents
一种双极化sar影像的水陆边界提取方法及*** Download PDFInfo
- Publication number
- CN112967308B CN112967308B CN202110220619.3A CN202110220619A CN112967308B CN 112967308 B CN112967308 B CN 112967308B CN 202110220619 A CN202110220619 A CN 202110220619A CN 112967308 B CN112967308 B CN 112967308B
- Authority
- CN
- China
- Prior art keywords
- data
- amphibious
- value
- land
- peak value
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 57
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 86
- 230000010287 polarization Effects 0.000 claims description 46
- 230000003287 optical effect Effects 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 33
- 230000009977 dual effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 22
- 230000008569 process Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种双极化SAR影像的水陆边界提取方法及***,该方法通过统计双极化SAR影像数据的频率直方图,从频率直方图中提取峰谷值并建立二维散点坐标系,以直线作为双极化数据散点的水陆判别式,生成单时相水陆二值图提取结果,得到精度可靠的水陆边界,且自动化程度较高,整个过程不需要任何人工操作。
Description
技术领域
本发明涉及计算机图像处理技术领域,尤其涉及一种双极化SAR影像的水陆边界提取方法及***。
背景技术
受气候变化影响,极端天气出现的频次和概率有所增加,表现为洪涝和干旱灾害频发。大面积水陆边界的自动高精度提取,对于洪灾和旱灾的实时或准实时监测/预警都有助益。现主要的水陆边界提取技术主要存在以下三种:
光学遥感影像提取水陆边界。此类型影像有其先天不足,由于从可见光到近红外谱段的辐射难以穿透云层或浓雾,使其很容易受雨雪云雾霾等不良天气的影响,在南方多云多雨地区尤为严重。由于洪涝灾害发生时经常伴有云雨天气,光学遥感影像难以在这一重要的应用场景中真正发挥作用。
单极化SAR影像双峰法。其利用单极化SAR影像上水体和陆地呈现双峰结构的特点,使用双峰之间的谷值作为密度分割的阈值,从而提取出水陆边界。此方法准确率值得商榷,因为所谓的双峰结构实际上是水体和陆地两个正态分布结构叠加后的结果,两个正态分布的交叉部分使得不管采用什么样的阈值,总会存在相当一部分的错分误差。体现到实际图像上,就是在水陆交界处,真实的水体被错分成陆地或者真实的陆地被错分成水体。单极化SAR影像所包含的信息量毕竟有限,使用双峰之间的谷值作为阈值可以尽量较少错分误差。
双极化SAR影像水体指数法。其通过引入水体指数的概念,综合运用两种极化方式的SAR影像,进一步提高水体识别精度。水体指数的计算式为:wi=ln(10*p1*p2),其中p1和p2分别是两种极化方式下的后向散射系数或分贝化后的强度值。再在水体指数的基础上,执行如同单极化双峰法的提取处理,从而得到水陆边界。该方法由于利用了两种极化方式下的更丰富的信息,可以获得比单极化更准确的结果,但是所使用的方法和单极化双峰法并无二致,没有最大限度利用双极化的信息。
发明内容
针对上述问题,本发明提出一种双极化SAR影像的水陆边界提取方法及***,旨在充分发掘双极化SAR影像蕴含的丰富信息,以精确界定图像中的水陆边界。
为解决上述技术问题,本发明第一方面提出一种双极化SAR影像的水陆边界提取方法,包括以下步骤:
S1,获取目标区域的双极化SAR影像数据;
S2,对所述双极化SAR影像数据中所包含的两类单极化SAR影像数据进行统计,分别获得第一类极化数据和第二类极化数据的频率直方图,并从所述第一类极化数据的频率直方图中提取第一水体峰值w1、第一陆地峰值l1以及第一谷值v1,从所述第二类极化数据的频率直方图中提取第二水体峰值w2、第二陆地峰值l2以及第二谷值v2;
S3,以所述第一类极化数据为X轴,以所述第二类极化数据为Y轴建立笛卡尔坐标系,标记出W(w1,w2)、L(l1,l2)和V(v1,v2)三个特征点;
S4,过W点和L点作一条直线k1,过V点作垂直于所述直线k1的直线k2,落在所述直线k2左下方的双极化数据点被划分为水体,落在所述直线k2右上方的双极化数据点被划分为陆地,并生成单时相水陆二值图提取结果。
在一些实施方式中,所述S2具体为:
S21,以预设像素为单位对所述第一类极化数据/所述第二类极化数据进行分块,形成由M*N个影像分块构成的格网,将不足所述预设像素的像素并入最后一个影像分块;
S22,去除所述影像分块中的背景值后得到有效值,逐一提取所述有效值的直方图峰谷值;
S23,随机抽取所述有效值中10%像素组成集合S;
S24,将所述集合S的数据从小到大进行排序,取排序后的集合S的1%分位数作为数据范围的最小值,取排序后的集合S的99%分位数作为数据范围的最大值;
S25,将所述数据范围等分为256个区间,计算落入每个所述区间的像素个数,得到所述第一类极化数据/所述第二类极化数据的频率直方图;
S26,遍历所述频率直方图的256个区间,若首次出现当前的目标区间的像素值为最近邻9个区间中的最大值,则定义目标区间为所述第一水体峰值w1/所述第二水体峰值w2,若第二次出现当前的目标区间的像素值为最近邻9个区间中的最大值,则定义目标区间为所述第一陆地峰值l1/所述第二陆地峰值l2;
S27,将位于所述第一水体峰值w1和所述第一陆地峰值l1/所述第二水体峰值w2和所述第二陆地峰值l2之间的所有区间中的最小值所在区间记为所述第一谷值v1/所述第二谷值v2。
在一些实施方式中,还包括,若所述单时相水陆二值图提取结果中所包含的水体像元和陆地像元之间的数量差在二倍以上,则进行二次分类。
在一些实施方式中,所述二次分类包括,从所述单时相水陆二值图提取结果的水体范围和陆地范围内,随机抽取所述水体像元和陆地像元两者间数量较小值的10%的像元,将从所述水体范围和陆地范围抽取的像元的并集作为二次分类计算对象,重复所述S24-所述S27以及所述S3-所述S4的步骤,重新生成所述单时相水陆二值图提取结果。
在一些实施方式中,还包括,获取与所述双极化SAR影像数据在时间上最接近的光学影像数据,采用光学遥感影像植被和水体自动提取方法从所述光学影像数据中提取光学水陆二值图结果,将所述单时相水陆二值图提取结果与所述光学水陆二值图结果的交集定义为合并二值图结果,将所述单时相水陆二值图提取结果、所述光学水陆二值图结果以及所述合并二值图结果进行栅格转矢量处理,分别得到三张矢量图V1、V2和V3,取得与矢量图V3具有相交关系的矢量图V1中的所有实体构成的矢量图V'1。
在一些实施方式中,还包括,对于矢量图V3中的每一个实体,执行以下处理:设当前实体为E3,计算实体E3的面积为A3,计算得到与实体E3具有相交关系的矢量图V'1中的对应实体E1的面积为A1,计算得到与实体E3具有相交关系的矢量图V2中的对应实体E2的面积为A2,定义A1和A2之间的较小值为As,定义A1和A2之间的较大值为Ab,定义包含度INC=A3/As,定义扩张度为EXP=Ab/As,若INC<0.8或EXP>500%,则将实体E1从矢量图V'1中删除。
在一些实施方式中,在获取目标区域的双极化SAR影像数据后,对双极化SAR影像数据进行预处理。
同时,本发明第二方面提出一种双极化SAR影像的水陆边界提取***,包括:
数据获取装置,用于获取目标区域的双极化SAR影像数据;
数据分析装置,用于对所述双极化SAR影像数据中所包含的两类单极化SAR影像数据进行统计,分别获得第一类极化数据和第二类极化数据的频率直方图,并从所述第一类极化数据的频率直方图中提取第一水体峰值w1、第一陆地峰值l1以及第一谷值v1,从所述第二类极化数据的频率直方图中提取第二水体峰值w2、第二陆地峰值l2以及第二谷值v2;
数据建模装置,用于以所述第一类极化数据为X轴,以所述第二类极化数据为Y轴建立笛卡尔坐标系,标记出W(w1,w2)、L(l1,l2)和V(v1,v2)三个特征点;
数据提取装置,用于过W点和L点作一条直线k1,过V点作垂直于所述直线k1的直线k2,落在所述直线k2左下方的双极化数据点被划分为水体,落在所述直线k2右上方的双极化数据点被划分为陆地,并生成单时相水陆二值图提取结果。
本发明的有益效果为:通过统计双极化SAR影像数据的频率直方图,从频率直方图中提取峰谷值并建立二维散点坐标系,以直线作为双极化数据散点的水陆判别式,生成单时相水陆二值图提取结果,得到精度可靠的水陆边界,且自动化程度较高,整个过程不需要任何人工操作。
附图说明
图1为本发明实施例一公开的双极化SAR影像的水陆边界提取方法的流程示意图;
图2a为2020年12月9日湖南郴州市东江湖区域的双极化SAR影像;
图2b为单时相双极化SAR影像的水陆边界提取结果二值图;
图3a为2020年11月10日湖南郴州市东江湖区域的的光学影像;
图3b为光学影像的光学水陆边界结果二值图;
图4a为去除阴影后的2020年12月9日东江湖区域水陆边界矢量图;
图4b为去除阴影后的2020年12月9日东江湖区域水陆二值图;
图5为本发明实施例三公开的双极化SAR影像的水陆边界提取***的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,下面结合附图和具体实施方式,以2020年12月9日湖南郴州市东江湖区域的哨兵一号双极化SAR影像为例进行详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
根据图1所示,本实施例提出了一种双极化SAR影像的水陆边界提取方法,包括以下步骤:
S1,获取目标区域的双极化SAR影像数据。
在本实施例中,该目标区域选定为湖南省郴州市东江湖区域,通过PC或者任何能够联网的设备从欧空局(ESA)官网下载哨兵一号(Sentinel-1)提供的双极化SAR影像数据,该双极化SAR影像数据的网址为https://scihub.copernicus.eu/dhus/#/home,双极化SAR影像数据文件的时间标识为2020年12月9日,文件名称为S1A_IW_GRDH_1SDV_20201209T103450_20201209T103515_035608_042A35_8945.zip,产品类型为GRD,该类型产品具有VV和VH两种极化方式。
更进一步的,在获取目标区域的双极化SAR影像数据后,对双极化SAR影像数据进行预处理,主要包括以下几个步骤:1)轨道校正,自动下载精确的轨道文件并更新xml元数据文件中的Sentinel-1卫星轨道状态信息;2)热噪声去除,SAR影像的热噪声会影响雷达后向散射信号的精度,进行热噪声去除可以提高SAR影像的信噪比;3)辐射定标,将传感器接收到的后向散射信号转化为为后向散射系数;4)相干斑滤波,使用Refined-Lee滤波器(一种自适应滤波器)对影像中的相干斑点噪声进行滤波处理;5)地形校正,自动下载DEM对影像进行地形校正,修正由于地形起伏引起的位置偏差;6)分贝化,实质上是一种对数变换,经过分贝化后的后向散射系数近似常见的高斯分布,且有利于可视化及数据分析。
经过预处理的2020年12月9日双极化SAR影像数据如图2a所示,由于每个影像分块的算法流程完全相同,本实例仅截取了包含东江湖范围的5000像素见方的影像块作为示例。
S2,对双极化SAR影像数据中所包含的两类单极化SAR影像数据进行统计,分别获得第一类极化数据和第二类极化数据的频率直方图,并从第一类极化数据的频率直方图中提取第一水体峰值w1、第一陆地峰值l1以及第一谷值v1,从第二类极化数据的频率直方图中提取第二水体峰值w2、第二陆地峰值l2以及第二谷值v2;
上述的S2具体为:
S21,以预设像素为单位对第一类极化数据/第二类极化数据进行分块,形成由M*N个影像分块构成的格网,将不足预设像素的像素并入最后一个影像分块;
在本实施例中,未对第一类极化数据/第二类极化数据进行分块进行分块,即未1*1的原始图像。
S22,去除影像分块中的背景值(一般为0)后得到有效值,逐一提取有效值的直方图峰谷值;
S23,随机抽取有效值中10%像素组成集合S,作为初次分类计算对象,使运算速度更快。由于利用了随机样本的统计学特征可以代表全局的统计学特征,随机抽取10%的样本计算特征值,提高了10倍的速度。以哨兵一号卫星为例,300公里*200公里区域的水陆边界提取仅需不到10分钟。
S24,为了消除极端异常值的干扰,将集合S的数据从小到大进行排序,取排序后的集合S的1%分位数作为数据范围的最小值,取排序后的集合S的99%分位数作为数据范围的最大值;
S25,将数据范围等分为256个区间,计算落入每个区间的像素个数,得到第一类极化数据/第二类极化数据的频率直方图;
S26,遍历256个区间,若首次出现当前的目标区间的像素值为最近邻9个区间(包括本区间和左右各四个区间)中的最大值,则定义目标区间为第一水体峰值w1/第二水体峰值w2,若第二次出现当前的目标区间的像素值为最近邻9个区间中的最大值,则定义目标区间为第一陆地峰值l1/第二陆地峰值l2;
S27,将位于第一水体峰值w1和第一陆地峰值l1/第二水体峰值w2和第二陆地峰值l2之间的所有区间中的最小值记为第一谷值v1/第二谷值v2。
S3,以第一类极化数据为X轴,以第二类极化数据为Y轴建立笛卡尔坐标系,标记出W(w1,w2)、L(l1,l2)和V(v1,v2)三个特征点,三个特征点分别表征水体分布密度最大、陆地分布密度最大和水陆之间分布密度最小的散点。
S4,过W点和L点作一条直线k1,过V点作垂直于直线k1的直线k2,以直线k2的方程式作为水体和陆地的判别式,落在直线k2左下方的双极化数据点被划分水体,落在直线k2右上方的双极化数据点被划分为陆地,并生成单时相水陆边界提取结果,该结果实际上是一种二值图(水体的值为1,陆地的值为0),记为B1,如图2b所示。
本发明通过统计双极化SAR影像数据的频率直方图,从频率直方图中提取峰谷值并建立二维散点坐标系,以直线作为双极化数据散点的水陆判别式,生成单时相水陆二值图提取结果,得到精度可靠的水陆边界,且自动化程度较高,整个过程不需要任何人工操作。
为了增强分类精度,还可以采用以下步骤对上述的单时相水陆二值图提取结果进行处理:若单时相水陆二值图提取结果中所包含的水体像元和陆地像元之间的数量差在二倍以上,则进行二次分类。二次分类包括,从单时相水陆二值图提取结果的水体范围和陆地范围内,随机抽取水体像元和陆地像元两者间数量较小值的10%的像元,将从水体范围和陆地范围抽取的像元的并集作为二次分类计算对象,重复S24-S27以及S3-S4的步骤,重新生成单时相水陆二值图提取结果。
在本实施例中,设水体像元个数为Nw,陆地像元个数为Nl,取二者中较大的值为Nb,二者较小的值为Ns,若Nb/Ns>2,则认为水陆比例相差悬殊,需要进行二次分类。这是因为在直方图上,占优势的一方对弱势方具有湮没效应,使得峰值之间的谷值朝弱势方移动而偏离合理位置。当双极化的谷值均发生偏移时,用于判别的直线也会发生平移,从而影响分类结果的精度。二次分类步骤如下:从初次分类的水体范围和陆地范围内,各随机抽取Ns*10%的像元,将二者的并集作为二次分类计算对象,重复S24-S27以及S3-S4的步骤,单时相水陆二值图提取结果。
实施例二
由于背景技术中所述的三种水陆边界提取方法均没有很好的处理阴影对水体所造成的影响。山体或高大建筑物的存在,以及卫星遥感倾斜摄影测量的特征,使得光学或雷达影像上均可能存在较多的阴影,如何在水体提取基础上尽可能的去除阴影噪声的干扰,一直是困扰人们的难题。由于光学卫星和雷达卫星的成像方式和成像机理有很大差异,具体而言,光学卫星属于被动遥感,记录的是地物对太阳辐射的反射率。雷达卫星属于主动遥感,记录的是地物对雷达主动发射辐射的后向散射系数。不同卫星在不同时刻的成像位置和观测方向不同,传感器与地物之间的相对方位角也不同,使得山体或建筑物的阴影出现在实体的不同侧面,表现为短期内的两次不同观测中,同一物体的阴影完全不相交或即使具备相交关系但是包含度不大(两个时期中的较小实体被包含在较大实体之中)。而水体的位置则在短期内不会改变,且只会在水陆边界处发生扩张度或收缩,具有较大的包含度。充分利用水体和阴影在时相特征上的这一不同点,对二者加以区分。
因此,本实施例在实施例一的基础上,增加了多源多时相方法去除阴影的方法,以去除混淆在水体中的雷达图像阴影。
多时相方法去除阴影的步骤如下:首先获取与双极化SAR影像数据在时间上最接近的光学影像数据,要求目标区域无云层遮挡。
在本实例中,该光学影像数据为同一网址下载的最近一期历史哨兵二号影像数据,如图3a。该光学影像数据的时间标识为2020年11月10日,文件名称为S2B_MSIL2A_20201110T025939_N0214_R032_T49RGJ_20201110T055638.zip。可以选择手工下载,也可以使用Python调用sentinelsat库中的功能函数,自动下载指定区域和时间范围的数据。
然后,采用光学遥感影像植被和水体自动提取方法从光学影像数据中提取光学水陆二值图结果,该结果实际上是一种二值图(水体的值为1,陆地的值为0),记为B2,如图3b所示。将单时相水陆二值图提取结果与光学水陆二值图结果的交集定义为合并二值图结果(即B1为1∩B2为1),得到又一个二值图,记为B3,将单时相水陆二值图提取结果B1、光学水陆二值图结果B2以及合并二值图结果B3进行栅格转矢量处理,分别得到三张矢量图V1、V2和V3,取得与矢量图V3具有相交关系的矢量图V1中的所有实体构成的矢量图V1',至此去除了不同成像时刻完全不具有相交关系的阴影。
进一步去除阴影,对于矢量图V3中的每一个实体,执行以下处理:对于矢量图V3中的每一个实体,执行以下处理:设当前实体为E3,计算实体E3的面积为A3,计算得到与实体E3具有相交关系的矢量图V'1中的对应实体E1的面积为A1,计算得到与实体E3具有相交关系的矢量图V2中的对应实体E2的面积为A2,定义A1和A2之间的较小值为As,定义A1和A2之间的较大值为Ab,定义包含度INC=A3/As,定义扩张度为EXP=Ab/As,若INC<0.8或EXP>500%,则将实体E1从矢量图V'1中删除,至此去除了不同时刻具有相交关系但包含度不大或扩张度过大的阴影。
所有实体经过上述处理后,即可得到去除了绝大多数阴影的当期水陆边界矢量图,如图4a,示意了去除阴影后的2020年12月9日东江湖区域水陆边界矢量分布图,图4b为对应的水陆二值图,可见,与图2b相比,去除阴影后的水陆边界更加接近真实环境。在本实施例当中,通过将单时相水陆二值图提取结果融合多源多时相水陆信息,最大限度去除雷达阴影的干扰,得到精度可靠的水陆边界。
实施例三
如图5所示,公开了一种双极化SAR影像的水陆边界提取***,包括:
数据获取装置,用于获取目标区域的双极化SAR影像数据;
数据分析装置,用于对双极化SAR影像数据中所包含的两类单极化SAR影像数据进行统计,分别获得第一类极化数据和第二类极化数据的频率直方图,并从第一类极化数据的频率直方图中提取第一水体峰值w1、第一陆地峰值l1以及第一谷值v1,从第二类极化数据的频率直方图中提取第二水体峰值w2、第二陆地峰值l2以及第二谷值v2;
数据建模装置,用于以第一类极化数据为X轴,以第二类极化数据为Y轴建立笛卡尔坐标系,标记出W(w1,w2)、L(l1,l2)和V(v1,v2)三个特征点;
数据提取装置,用于过W点和L点作一条直线k1,过V点作垂直于直线k1的直线k2,落在直线k2左下方的双极化数据点被划分为水体,落在直线k2右上方的双极化数据点被划分为陆地,并生成单时相水陆二值图提取结果,记为B1。
在本实施例中,对于本***中所包含的装置,其设置方式均可依照实施例一示例进行设置,如:
二次分类装置,用于从单时相水陆二值图提取结果的水体范围和陆地范围内,随机抽取水体像元和陆地像元两者间数量较小值的10%的像元,将从水体范围和陆地范围抽取的像元的并集作为二次分类计算对象,重复S24-S27以及S3-S4的步骤,重新生成单时相水陆二值图提取结果。
作为本实施例的又一种实施方式,上述的多源多时相方法去除阴影的步骤可以封装为物理/虚拟装置,以实现具体功能:
光学影像数据获取装置,用于获取与双极化SAR影像数据在时间上最接近的光学影像数据。
第一阴影去除装置,用于采用光学遥感影像植被和水体自动提取方法从光学影像数据中提取光学水陆二值图结果,该结果实际上是一种二值图(水体的值为1,陆地的值为0),记为B2,将单时相水陆二值图提取结果与光学水陆二值图结果的交集定义为合并二值图结果(即B1为1∩B2为1),得到又一个二值图,记为B3,将单时相水陆二值图提取结果B1、光学水陆二值图结果B2以及合并二值图结果B3进行栅格转矢量处理,分别得到三张矢量图V1、V2和V3,取得与矢量图V3具有相交关系的矢量图V1中的所有实体构成的矢量图V'1。
第二阴影去除装置,用于对于矢量图V3中的每一个实体,执行以下处理:设当前实体为E3,计算实体E3的面积为A3,计算得到与实体E3具有相交关系的矢量图V1'中的对应实体E1的面积为A1,计算得到与实体E3具有相交关系的矢量图V2中的对应实体E2的面积为A2,定义A1和A2之间的较小值为As,定义A1和A2之间的较大值为Ab,定义包含度INC=A3/As,定义扩张度为EXP=Ab/As,若INC<0.8或EXP>500%,则将实体E1从矢量图V'1中删除。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (7)
1.一种双极化SAR影像的水陆边界提取方法,其特征在于,包括以下步骤:
S1,获取目标区域的双极化SAR影像数据;
S2,对所述双极化SAR影像数据中所包含的两类单极化SAR影像数据进行统计,分别获得第一类极化数据和第二类极化数据的频率直方图,并从所述第一类极化数据的频率直方图中提取第一水体峰值w1、第一陆地峰值l1以及第一谷值v1,从所述第二类极化数据的频率直方图中提取第二水体峰值w2、第二陆地峰值l2以及第二谷值v2;所述S2具体为:S21,以预设像素为单位对所述第一类极化数据/所述第二类极化数据进行分块,形成由M*N个影像分块构成的格网,将不足所述预设像素的像素并入最后一个影像分块;S22,去除所述影像分块中的背景值后得到有效值,逐一提取所述有效值的直方图峰谷值;S23,随机抽取所述有效值中10%像素组成集合S;S24,将所述集合S的数据从小到大进行排序,取排序后的集合S的1%分位数作为数据范围的最小值,取排序后的集合S的99%分位数作为数据范围的最大值;S25,将所述数据范围等分为256个区间,计算落入每个所述区间的像素个数,得到所述第一类极化数据/所述第二类极化数据的频率直方图;S26,遍历所述频率直方图的256个区间,若首次出现当前的目标区间的像素值为最近邻9个区间中的最大值,则定义目标区间为所述第一水体峰值w1/所述第二水体峰值w2,若第二次出现当前的目标区间的像素值为最近邻9个区间中的最大值,则定义目标区间为所述第一陆地峰值l1/所述第二陆地峰值l2;S27,将位于所述第一水体峰值w1和所述第一陆地峰值l1/所述第二水体峰值w2和所述第二陆地峰值l2之间的所有区间中的最小值所在区间记为所述第一谷值v1/所述第二谷值v2;
S3,以所述第一类极化数据为X轴,以所述第二类极化数据为Y轴建立笛卡尔坐标系,标记出W(w1,w2)、L (l1,l2)和V(v1,v2)三个特征点;
S4,过W点和L点作一条直线k1,过V点作垂直于所述直线k1的直线k2,落在所述直线k2左下方的双极化数据点被划分为水体,落在所述直线k2右上方的双极化数据点被划分为陆地,并生成单时相水陆二值图提取结果。
2.如权利要求1所述的双极化SAR影像的水陆边界提取方法,其特征在于,还包括,若所述单时相水陆二值图提取结果中所包含的水体像元和陆地像元之间的数量差在二倍以上,则进行二次分类。
3.如权利要求2所述的双极化SAR影像的水陆边界提取方法,其特征在于,所述二次分类包括,从所述单时相水陆二值图提取结果的水体范围和陆地范围内,随机抽取所述水体像元和陆地像元两者间数量较小值的10%的像元,将从所述水体范围和陆地范围抽取的像元的并集作为二次分类计算对象,重复所述S24-所述S27以及所述S3-所述S4的步骤,重新生成所述单时相水陆二值图提取结果。
4.如权利要求1或3所述的双极化SAR影像的水陆边界提取方法,其特征在于,还包括,获取与所述双极化SAR影像数据在时间上最接近的光学影像数据,采用光学遥感影像植被和水体自动提取方法从所述光学影像数据中提取光学水陆二值图结果,将所述单时相水陆二值图提取结果与所述光学水陆二值图结果的交集定义为合并二值图结果,将所述单时相水陆二值图提取结果、所述光学水陆二值图结果以及所述合并二值图结果进行栅格转矢量处理,分别得到三张矢量图V1、V2和V3,取得与矢量图V3具有相交关系的矢量图V1中的所有实体构成的矢量图V'1。
5.如权利要求4所述的双极化SAR影像的水陆边界提取方法,其特征在于,还包括,对于矢量图V3中的每一个实体,执行以下处理:设当前实体为E3,计算实体E3的面积为A3,计算得到与实体E3具有相交关系的矢量图V'1中的对应实体E1的面积为A1,计算得到与实体E3具有相交关系的矢量图V2中的对应实体E2的面积为A2,定义A1和A2之间的较小值为As,定义A1和A2之间的较大值为Ab,定义包含度INC=A3/As,定义扩张度为EXP=Ab/As,若INC<0.8或EXP>500%,则将实体E1从矢量图V'1中删除。
6.如权利要求1所述的双极化SAR影像的水陆边界提取方法,其特征在于,还包括,在所述获取目标区域的双极化SAR影像数据后,对所述双极化SAR影像数据进行预处理。
7.一种双极化SAR影像的水陆边界提取***,其特征在于,包括:
数据获取装置,用于获取目标区域的双极化SAR影像数据;
数据分析装置,用于对所述双极化SAR影像数据中所包含的两类单极化SAR影像数据进行统计,分别获得第一类极化数据和第二类极化数据的频率直方图,并从所述第一类极化数据的频率直方图中提取第一水体峰值w1、第一陆地峰值l1以及第一谷值v1,从所述第二类极化数据的频率直方图中提取第二水体峰值w2、第二陆地峰值l2以及第二谷值v2;以预设像素为单位对所述第一类极化数据/所述第二类极化数据进行分块,形成由M*N个影像分块构成的格网,将不足所述预设像素的像素并入最后一个影像分块;S22,去除所述影像分块中的背景值后得到有效值,逐一提取所述有效值的直方图峰谷值;S23,随机抽取所述有效值中10%像素组成集合S;S24,将所述集合S的数据从小到大进行排序,取排序后的集合S的1%分位数作为数据范围的最小值,取排序后的集合S的99%分位数作为数据范围的最大值;S25,将所述数据范围等分为256个区间,计算落入每个所述区间的像素个数,得到所述第一类极化数据/所述第二类极化数据的频率直方图;S26,遍历所述频率直方图的256个区间,若首次出现当前的目标区间的像素值为最近邻9个区间中的最大值,则定义目标区间为所述第一水体峰值w1/所述第二水体峰值w2,若第二次出现当前的目标区间的像素值为最近邻9个区间中的最大值,则定义目标区间为所述第一陆地峰值l1/所述第二陆地峰值l2;S27,将位于所述第一水体峰值w1和所述第一陆地峰值l1/所述第二水体峰值w2和所述第二陆地峰值l2之间的所有区间中的最小值所在区间记为所述第一谷值v1/所述第二谷值v2;
数据建模装置,用于以所述第一类极化数据为X轴,以所述第二类极化数据为Y轴建立笛卡尔坐标系,标记出W(w1,w2)、L (l1,l2)和V(v1,v2)三个特征点;
数据提取装置,用于过W点和L点作一条直线k1,过V点作垂直于所述直线k1的直线k2,落在所述直线k2左下方的双极化数据点被划分为水体,落在所述直线k2右上方的双极化数据点被划分为陆地,并生成单时相水陆二值图提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110220619.3A CN112967308B (zh) | 2021-02-26 | 2021-02-26 | 一种双极化sar影像的水陆边界提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110220619.3A CN112967308B (zh) | 2021-02-26 | 2021-02-26 | 一种双极化sar影像的水陆边界提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967308A CN112967308A (zh) | 2021-06-15 |
CN112967308B true CN112967308B (zh) | 2023-09-19 |
Family
ID=76275779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110220619.3A Active CN112967308B (zh) | 2021-02-26 | 2021-02-26 | 一种双极化sar影像的水陆边界提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967308B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677401B (zh) * | 2022-03-28 | 2022-10-21 | 珠江水利委员会珠江水利科学研究院 | 一种基于极化雷达自身影像特征的水体提取方法及*** |
CN115147728A (zh) * | 2022-06-24 | 2022-10-04 | 滁州学院 | 一种基于雷达数据和光学数据协同的塘坝快速识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
CN102609933A (zh) * | 2011-12-16 | 2012-07-25 | 电子科技大学 | 一种极化sar图像的自适应相干变化检测方法 |
CN104123563A (zh) * | 2014-07-17 | 2014-10-29 | 电子科技大学 | 一种基于Cloude分解的极化SAR图像分类方法 |
CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和*** |
CN105372631A (zh) * | 2015-10-29 | 2016-03-02 | 中国科学院遥感与数字地球研究所 | 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用 |
CN107507209A (zh) * | 2017-08-07 | 2017-12-22 | 西安理工大学 | 极化sar图像的素描图提取方法 |
CN110574071A (zh) * | 2017-01-27 | 2019-12-13 | Ucl商业有限公司 | 用于对齐3d数据集的设备,方法和*** |
CN111898250A (zh) * | 2020-07-03 | 2020-11-06 | 武汉大学 | 基于多源数据融合的河口尾闾段出汊预测方法及装置 |
CN112131946A (zh) * | 2020-08-21 | 2020-12-25 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9261583B2 (en) * | 2011-04-07 | 2016-02-16 | Baron Services, Inc. | Systems and methods for calibrating dual polarization radar systems |
-
2021
- 2021-02-26 CN CN202110220619.3A patent/CN112967308B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
CN102609933A (zh) * | 2011-12-16 | 2012-07-25 | 电子科技大学 | 一种极化sar图像的自适应相干变化检测方法 |
CN104123563A (zh) * | 2014-07-17 | 2014-10-29 | 电子科技大学 | 一种基于Cloude分解的极化SAR图像分类方法 |
CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和*** |
CN105372631A (zh) * | 2015-10-29 | 2016-03-02 | 中国科学院遥感与数字地球研究所 | 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用 |
CN110574071A (zh) * | 2017-01-27 | 2019-12-13 | Ucl商业有限公司 | 用于对齐3d数据集的设备,方法和*** |
CN107507209A (zh) * | 2017-08-07 | 2017-12-22 | 西安理工大学 | 极化sar图像的素描图提取方法 |
CN111898250A (zh) * | 2020-07-03 | 2020-11-06 | 武汉大学 | 基于多源数据融合的河口尾闾段出汊预测方法及装置 |
CN112131946A (zh) * | 2020-08-21 | 2020-12-25 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
Non-Patent Citations (3)
Title |
---|
A Dual-Polarization X -Band Traveling-Wave Antenna Panel for Small-Satellite Synthetic Aperture Radar;Vinay Ravindra;《IEEE Transactions on Antennas and Propagation 》;论文全文 * |
中国极化电子离子对撞机计划;曹须;《核技术》;论文全文 * |
多极化星载SAR森林覆盖变化检测方法;谷鑫志;《林业科学》;论文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112967308A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977801B (zh) | 一种联合光学和雷达的区域水体快速动态提取方法及*** | |
Chen et al. | Filtering airborne laser scanning data with morphological methods | |
CN109001780B (zh) | 一种自适应的sar卫星海面舰船目标在轨检测方法 | |
CN107507200B (zh) | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 | |
CN114998742B (zh) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 | |
CN112967308B (zh) | 一种双极化sar影像的水陆边界提取方法及*** | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN112418016B (zh) | 基于sar的灌溉信息提取方法及装置 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
Liu et al. | Detection of rapid erosion in SE Spain | |
CN116704331A (zh) | 滩涂变化信息提取方法、装置及电子设备 | |
Qin et al. | Inundation impact on croplands of 2020 flood event in three Provinces of China | |
Soisuvarn et al. | High-Resolution Coastal Winds From the NOAA Near Real-Time ASCAT Processor | |
Zhao et al. | An automatic SAR-based change detection method for generating large-scale flood data records: the UK as a test case | |
Hillebrand et al. | Application of textural analysis to map the sea ice concentration with sentinel 1A in the western region of the Antarctic Peninsula | |
Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China | |
Lian et al. | Denoising algorithm based on local distance weighted statistics for photon counting LiDAR point data | |
Liang et al. | Water Body Extraction Research Based on S Band SAR Satellite of | |
Raaf et al. | Image-filtering and optimization of rainy cells | |
Bolla et al. | The tracking and prediction of high intensity rainstorms | |
Sahu et al. | Flood Inundation Mapping of Krishnaraja Nagar, Mysore Using Sentinel-1 Sar Images | |
Isiaka et al. | Flood Impact Assessment in Koton Karfe Using Sentinel-1 Synthetic Aperture Radar (SAR) Data | |
CN114359730B (zh) | 一种无样本条件下农作物种植区快速识别的方法 | |
Li et al. | Retrieving leaf area index of forests in red soil hilly region using remote sensing data |
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 |