发明内容
本申请实施例的目的在于提供一种水体识别方法、装置、电子设备及存储介质,旨在解决当前水体识别准确度低的问题。
第一方面,本申请实施例提供了一种水体识别方法,包括:
获取目标地理区域的目标影像数据集和包含水体掩膜的第一矢量数据,目标影像数据集的每景遥感影像与第一矢量数据存在空间交集;
根据目标影像数据集,确定归一化差异水体指数NDWI影像数据集和近红外波段NIR影像数据集;
针对目标影像数据集中的每景遥感影像,将遥感影像与第一矢量数据进行空间叠加,确定第一矢量数据中的第二矢量数据和第三矢量数据,第二矢量数据为水体掩膜对应在遥感影像上的全部区域包含水体的矢量数据,第三矢量数据为水体掩膜对应在遥感影像上的部分区域包含水体的矢量数据;
根据第二矢量数据和第三矢量数据,识别NDWI影像数据集和NIR影像数据集的水体数据,得到目标地理区域的水体数据。
在本实施例中,通过获取目标地理区域的目标影像数据集和包含水体掩膜的第一矢量数据,从而利用水体掩膜降低背景环境干扰和问题复杂度,提高水体识别的准确度;根据目标影像数据集,确定归一化差异水体指数NDWI影像数据集和近红外波段NIR影像数据集,以便于后续利用水体在NDWI和NIR上的反向表现识别水体,提高水体识别精度;针对目标影像数据集中的每景遥感影像,将遥感影像与第一矢量数据进行空间叠加,确定第一矢量数据中的第二矢量数据和第三矢量数据,从而实现自动区别遥感影像上的包含全部水、部分水和无水的区域;以及根据不同区域的含水情况,利用第二矢量数据和第三矢量数据,识别NDWI影像数据集和NIR影像数据集的水体数据,得到目标地理区域的水体数据,实现水体区域的自动区别和自动提取。
在一实施例中,获取目标地理区域的目标影像数据集和包含水体掩膜的第一矢量数据,包括:
获取目标地理区域的原始影像数据集和包含水体掩膜的第一矢量数据;
对原始影像数据集进行正射校正和影像融合,得到多光谱影像数据集;
将多光谱影像数据与第一矢量数据进行空间叠加,确定多光谱影像数据中与第一矢量数据存在空间交集的目标影像数据集。
在本实施例中,利用水体掩膜有效降低水体识别过程中的复杂背景信息和机器运算量,提高水体识别精度和识别效率。
在一实施例中,针对目标影像数据集中的每景遥感影像,将遥感影像与第一矢量数据进行空间叠加,确定第一矢量数据中的第二矢量数据和第三矢量数据,包括:
将每景遥感影像与第一矢量数据进行空间叠加,得到第一矢量数据的目标水体掩膜对应在遥感影像上的水体掩膜区域;
根据水体掩膜区域中所有像元的近红外波段标准差,确定遥感影像的地物类型是否为单一地物;
若遥感影像的地物类型为单一地物,则将包含符合第一预设条件的目标水体掩膜的第一矢量数据确定为第二矢量数据;
若遥感影像的地物类型不为单一地物,则将包含符合第二预设条件的目标水体掩膜的第一矢量数据确定为第三矢量数据。
在本实施例中,通过是否为单一地物,确定遥感影像的水体掩膜区域是否全部包含水或者部分包含水,从而实现全部包含水和部分包含水的区域识别。
进一步地,若遥感影像的地物类型为单一地物,则将包含符合第一预设条件的目标水体掩膜的第一矢量数据确定为第二矢量数据,包括:
若遥感影像的地物类型为单一地物,计算水体掩膜区域中所有像元的近红外波段均值、目标比值和第一明度均值,目标比值为近红外波段总值与所有波段总值之间的比值;
若近红外波段均值大于第一阈值、目标比值大于第二阈值以及第一明度均值大于第三阈值,则目标水体掩膜符合第一预设条件,包含目标水体掩膜的第一矢量数据为第二矢量数据。
在本实施例中,对于全部包含水的区域,进一步识别该区域是否为确实全部包含水,而不是云、雪、冰、裸土等无水区域,从而进一步地提高水体识别精度。
进一步地,若遥感影像的地物类型不为单一地物,则将包含符合第二预设条件的目标水体掩膜的第一矢量数据确定为第三矢量数据,包括:
若遥感影像的地物类型不为单一地物,则计算水体掩膜区域中所有像元的目标比例和第二明度均值,目标比例为水体掩膜区域中所有像元的近红外波段值低于预设水体阈值的比例;
若目标比例大于第四阈值以及第二明度均值大于第五阈值,则目标水体掩膜符合第二预设条件,包含目标水体掩膜的第一矢量数据为第三矢量数据。
在本实施例中,对于部分包含水的区域,进一步识别该区域是否确实包含水,而不是云、雪、冰、裸土等无水区域,从而进一步地提高水体识别精度。
在一实施例中,根据第二矢量数据和第三矢量数据,识别NDWI影像数据集和NIR影像数据集的水体数据,得到目标地理区域的水体数据,包括:
将第二矢量数据与NDWI影像数据集进行空间叠加,确定遥感影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域的第一水体数据;
根据第三矢量数据、NDWI影像数据集合NIR影像数据集,确定遥感影像上与第三矢量数据的水体掩膜对应的第二水体掩膜区域的第二水体数据,目标地理区域的水体数据包括第一水体数据和第二水体数据。
在本实施例中,基于水体在NDWI灰度图上的灰度值比较高,而在近红外波段NIR灰度图上的灰度值比较低,利用水体在两者上的反向表现,将两者结合实现水体识别,提高水体识别精度。
进一步地,将第二矢量数据与NDWI影像数据集进行空间叠加,确定遥感影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域的第一水体数据,包括:
针对NDWI影像数据集中的每个NDWI影像,将NDWI影像与第二矢量数据进行空间叠加,得到NDWI影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域;
确定第一水体掩膜区域的质心像素;
确定质心像素的四邻域像素对应的NDWI值;
若NDWI值大于预设值,则第一水体掩膜区域为水体,得到第一水体数据。
在本实施例中,利用水体区域增长,循环运算全部包含水的区域,实现水体区域识别。
进一步地,根据第三矢量数据、NDWI影像数据集合NIR影像数据集,确定遥感影像上与第三矢量数据的水体掩膜对应的第二水体掩膜区域的第二水体数据,包括:
将第三矢量数据分别与NDWI影像数据集中的NDWI影像和NIR影像数据集中的NIR影像进行空间叠加,得到NDWI影像上与第三矢量数据的水体掩膜对应的第三水体掩膜区域,和NIR影像上与第三矢量数据的水体掩膜对应的第四水体掩膜区域,第二水体掩膜区域包括第三水体掩膜区域和第四水体掩膜区域;
对第三水体掩膜区域和第四水体掩膜区域进行大津分割,得到第三水体掩膜区域对应的第一目标值和第四水体掩膜区域对应的第二目标值;
若遥感影像上的目标区域的NDWI值大于第一目标值,以及遥感影像的近红外值小于第二目标值,则目标区域为水体,得到遥感影像的第二水体数据。
在本实施例中,大津分割技术基于的是归一化差异水体指数和近红外波段的结合应用,充分利用水体在两者上的反向表现,提高水体识别精度。
第二方面,本申请实施例提供了一种水体识别装置,包括:
获取模块,用于获取目标地理区域的目标影像数据集和包含水体掩膜的第一矢量数据,目标影像数据集的每景遥感影像与第一矢量数据存在空间交集;
第一确定模块,用于根据目标影像数据集,确定归一化差异水体指数NDWI影像数据集和近红外波段NIR影像数据集;
第二确定模块,用于针对目标影像数据集中的每景遥感影像,将遥感影像与第一矢量数据进行空间叠加,确定第一矢量数据中的第二矢量数据和第三矢量数据,第二矢量数据为水体掩膜对应在遥感影像上的全部区域包含水体的矢量数据,第三矢量数据为水体掩膜对应在遥感影像上的部分区域包含水体的矢量数据;
识别模块,用于根据第二矢量数据和第三矢量数据,识别NDWI影像数据集和NIR影像数据集的水体数据,得到目标地理区域的水体数据。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行上述第一方面任一项的水体识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一项的水体识别方法。
需要说明的是,上述第二方面至第四方面的有益效果参见第一方面的相关描述,在此不再赘述。
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。
如相关技术记载,对于高分辨率影像,采用阈值分割法或机器学习分类法在特征空间、综合应用光谱或空间特征上实现水体监测。其中,常用的阈值分割法是在整景影像上通过全局阈值分离水体与非水体,但大范围内的水体光谱特征差异很大,不同水体的监测效果也不尽相同,稳定性较差。而机器学习分类法往往需要大量的样本数据做支撑,并且需要投入大量的人力和时间进行样本标注和模型训练。可见当前方式都是针对特定数据和应用进行开发,在时间与空间上的普适性以及工程化应用程度都比较低。
当前水体识别过程存在云、雪和冰,以及云、山体和建筑物的阴影,暗黑色的道路和房屋,枯水期水体干涸而造成的漏提和误提现象。而高分辨率卫星影像的空间分辨率高,但光谱信息相对不足,只有蓝、绿、红、近红外4个波段,在水体识别方面具有很大的局限性。
针对上述现有技术中的问题,本申请提供了一种水体识别方法,通过获取目标地理区域的目标影像数据集和包含水体掩膜的第一矢量数据,从而利用水体掩膜降低背景环境干扰和问题复杂度,提高水体识别的准确度;根据目标影像数据集,确定归一化差异水体指数NDWI影像数据集和近红外波段NIR影像数据集,以便于后续利用水体在NDWI和NIR尚的反向表现识别水体,提高水体识别精度;针对目标影像数据集中的每景遥感影像,将遥感影像与第一矢量数据进行空间叠加,确定第一矢量数据中的第二矢量数据和第三矢量数据,从而实现自动区别遥感影像上的包含全部水、部分水和无水的区域;以及根据不同区域的含水情况,利用第二矢量数据和第三矢量数据,识别NDWI影像数据集和NIR影像数据集的水体数据,得到目标地理区域的水体数据,实现水体区域的自动区别和自动提取。
参见图1,图1示出了本申请实施例提供的一种水体识别方法的实现流程图。本申请实施例中下述的水体识别方法可应用于电子设备,电子设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。本申请实施例的水体识别方法,包括步骤S101至S104,详述如下:
步骤S101,获取目标地理区域的目标影像数据集和包含水体掩膜的第一矢量数据,目标影像数据集的每景遥感影像与第一矢量数据存在空间交集。
在本实施例中,目标影像数据集是目标地理区域内的所有遥感影像通过水体掩膜进行筛选后得到的影像集合。水体掩膜是对遥感影像进行遮挡,以实现控制影像处理区域的影像模板。第一矢量数据是包含多个水体掩膜矢量面的矢量数据,示例性地,本实施例的第一矢量数据为水面面积大于0.5km2以上湖泊、水库和国家三级以上河流的水体掩膜构成的矢量数据。
可选地,水体掩膜矢量面包括无水、部分水和全部水。其中为无水时,则水体掩膜矢量面不存在水体;为部分水时,水体掩膜矢量面存在部分水体;为全部水时,水体掩膜矢量面内全部都是水体。
可选地,矢量面的面积大于平水期或丰水期的水面。
步骤S102,根据目标影像数据集,确定归一化差异水体指数NDWI影像数据集和近红外波段NIR影像数据集。
在本实施例中,NDWI影像数据集包括多个NDWI影像,其是利用目标影像数据集中的遥感影像的特定波段进行归一化差值处理后得到的影像,可选地,NDWI可以是绿波段与近红外波段的归一化比值指数,也可以是中红外波段与近红外波段的归一化比值指数,对此不做限定。NIR影像数据包含多个NIR影像,其是对目标影像数据集中的遥感影像进行近红外波段提取后得到的影像。
步骤S103,针对目标影像数据集中的每景遥感影像,将遥感影像与第一矢量数据进行空间叠加,确定第一矢量数据中的第二矢量数据和第三矢量数据,第二矢量数据为水体掩膜对应在遥感影像上的全部区域包含水体的矢量数据,第三矢量数据为水体掩膜对应在遥感影像上的部分区域包含水体的矢量数据。
在实施例中,第二矢量数据为水体掩膜矢量面内全部都是水体的矢量数据,第三矢量数据为水体掩膜矢量面内存在部分水体的矢量数据。本实施例将每景遥感影像与第一矢量数据进行空间叠加,以计算两者之间在空间范围的交集,根据两者的交集程度,可以确定出在目标地理区域内各个遥感影像对应区域的含水情况,从而筛选出第一矢量数据中的第二矢量数据和第三矢量数据。
步骤S104,根据第二矢量数据和第三矢量数据,识别NDWI影像数据集和NIR影像数据集的水体数据,得到目标地理区域的水体数据。
在本实施例中,目标地理区域的水体数据包括水体区域范围。可选地,第二矢量数据为水体掩膜矢量面全部包含水的矢量数据,其只需要确定实际含水范围,所以可以基于水体在NDWI灰度图上的灰度值较高的特点,利用NDWI影像数据集识别遥感影像中的实际水体范围。
可选地,第三矢量数据为水体掩膜矢量面部分包含水的矢量数据,也就是说,除了水体之外还包含其他物体信息,所以需要区别水体与非水体之间的边界,因此利用水体在NDWI灰度图上的灰度值较高,在NIR灰度图上的灰度值较低的特点,利用NDWI影像数据集和NIR影像数据集识别遥感影像中的水体范围边界,从而实现遥感影像中水体数据的识别。
在一实施例中,在图1实施例的基础上,上述步骤S101,包括:获取目标地理区域的原始影像数据集和包含水体掩膜的第一矢量数据;对原始影像数据集进行正射校正和影像融合,得到多光谱影像数据集;将多光谱影像数据与第一矢量数据进行空间叠加,确定多光谱影像数据中与第一矢量数据存在空间交集的目标影像数据集。
在本实施例中,输入数据包括多景原始影像数据和包含水体掩膜的第一矢量数据,对原始影像数据进行正射校正和影像融合,得到多光谱影像数据集,将多光谱影像数据集与第一矢量数据进行空间叠加,计算两者在空间范围内的交集,以排除多光谱影像数据集中与第一矢量数据无空间交集的影像数据,得到目标影像数据集。
在一实施例中,在图1实施例的基础上,上述步骤S103,包括:
将每景遥感影像与第一矢量数据进行空间叠加,得到第一矢量数据的目标水体掩膜对应在遥感影像上的水体掩膜区域;
根据水体掩膜区域中所有像元的近红外波段标准差,确定遥感影像的地物类型是否为单一地物;
若遥感影像的地物类型为单一地物,则将包含符合第一预设条件的目标水体掩膜的第一矢量数据确定为第二矢量数据;
若遥感影像的地物类型不为单一地物,则将包含符合第二预设条件的目标水体掩膜的第一矢量数据确定为第三矢量数据。
在本实施例中,针对目标影像数据集中的每景遥感影像,将其与第一矢量数据进行空间范围的叠加,并根据多重阈值对第一矢量数据中的每个水体掩膜矢量面(采用WAOI表示)进行筛选,得到WAOI全水、WAOI部分水和WAOI无水。第二矢量数据为包含所有WAOI全水的矢量数据,第三矢量数据为包含所有WAOI部分水的矢量数据。
可选地,针对每个WAOI,计算WAOI对应在遥感影像上的水体掩膜区域所覆盖的所有像元的近红外波段的标准差;若该标准差不大于预设的近红外波段标准差阈值,则遥感影像的地物类型为单一地物;若该标准差大于预设的近红外波段标准差阈值,则遥感影像的地物类型不为单一地物。
可选地,若遥感影像的地物类型为单一地物,计算水体掩膜区域中所有像元的近红外波段均值、目标比值和第一明度均值,目标比值为近红外波段总值与所有波段总值之间的比值;若近红外波段均值大于第一阈值、目标比值大于第二阈值以及第一明度均值大于第三阈值,则目标水体掩膜符合第一预设条件,包含目标水体掩膜的第一矢量数据为第二矢量数据。
在本实施例中,第一阈值为用于排除非全水的近红外波段均值的阈值,第二阈值为用于排除非全水的近红外占比的阈值,第三阈值为表示为水体时的明度阈值。
示例性地,针对每个WAOI,计算WAOI对应在遥感影像上的水体掩膜区域所覆盖的所有像元的近红外波段的均值,若该均值不大于第一阈值,则说明水体掩膜矢量面的含水情况存在全水可能,若该均值大于第一阈值,则说明水体掩膜矢量面的含水情况可以排除为非全水,即可以确定水体掩膜矢量面为WAOI无水。
进一步地,计算WAOI对应在遥感影像上的水体掩膜区域所覆盖的所有像元的近红外波段总值与所有波段总值之间的目标比值,可选地,通过以下计算公式计算得到:
其中,所述
为蓝波段总值,
为绿波段总值,
为红波段总值,
为近红外波段总值,
为目标比值,
i表示波段个数,例如
Bi表示第
i个蓝波段值,
i=[
1,n]。
若目标比值不大于第二阈值,则说明水体掩膜矢量面的含水情况存在全水可能,若该目标比值大于第二阈值,则说明水体掩膜矢量面的含水情况可以排除为非全水,即可以确定水体掩膜矢量面为WAOI无水。
进一步地,计算WAOI对应在遥感影像上的水体掩膜区域所覆盖的所有像元的明度均值,若该明度均值不大于第三阈值,则说明水体掩膜矢量面的含水情况存在全水可能,若该明度均值大于第三阈值,则说明水体掩膜矢量面的含水情况可以排除为非全水,即可以确定水体掩膜矢量面为WAOI无水。
若近红外波段均值大于第一阈值、目标比值大于第二阈值以及第一明度均值大于第三阈值,则水体掩膜矢量面为WAOI全水。
可选地,若遥感影像的地物类型不为单一地物,则计算水体掩膜区域中所有像元的目标比例和第二明度均值,目标比例为水体掩膜区域中所有像元的近红外波段值低于预设水体阈值的比例;若目标比例大于第四阈值以及第二明度均值大于第五阈值,则目标水体掩膜符合第二预设条件,包含目标水体掩膜的第一矢量数据为第三矢量数据。
在本实施例中,第四阈值为排除无水的比例阈值,第五阈值为非水体时的明度阈值,预设水体阈值为水体所占像素的比例。可选地,预设水体阈值可根据影像像素分辨率进行调整。
示例性地,针对每个WAOI,计算WAOI对应在遥感影像上的水体掩膜区域所覆盖的所有像元的目标比例,若目标比例大于第四阈值,则可以排除水体掩膜矢量面为无水的情况,若目标比例不大于第四阈值,则可以确定水体掩膜矢量面为WAOI无水。进一步地,计算WAOI对应在遥感影像上的水体掩膜区域所覆盖的所有像元的第二明度均值,若第二明度均值大于第五阈值,则可以确定水体掩膜矢量面为WAOI无水,若第二明度均值不大于第五阈值,则说明水体掩膜矢量面的含水情况为存在部分水的可能。
若目标比例大于第四阈值以及第二明度均值大于第五阈值,则水体掩膜矢量面为WAOI部分水。
在一实施例中,在图1实施例的基础上,上述步骤S104,包括:
将第二矢量数据与NDWI影像数据集进行空间叠加,确定遥感影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域的第一水体数据;
根据第三矢量数据、NDWI影像数据集合NIR影像数据集,确定遥感影像上与第三矢量数据的水体掩膜对应的第二水体掩膜区域的第二水体数据,目标地理区域的水体数据包括第一水体数据和第二水体数据。
在本实施例中,第一水体数据为WAOI全水对应在遥感影像上的水体数据,第二水体数据为WAOI部分水对应在遥感影像上的水体数据。进一步地,将针对WAOI全水的水体区域增长和针对WAOI部分水的影像分割提取所得到的全部水体数据进行平滑处理,处理后进行数据的矢量化,得到矢量数据,并将所有矢量数据进行合并,得到最终的水体提取矢量数据。
可选地,将第二矢量数据与NDWI影像数据集进行空间叠加,确定遥感影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域的第一水体数据,包括:
针对NDWI影像数据集中的每个NDWI影像,将NDWI影像与第二矢量数据进行空间叠加,得到NDWI影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域;
确定第一水体掩膜区域的质心像素;
确定质心像素的四邻域像素对应的NDWI值;
若NDWI值大于预设值,则第一水体掩膜区域为水体,得到第一水体数据。
在实施例中, WAOI全水表示第一水体掩膜区域的实际水体范围大于等于WAOI的范围,针对该情况,在NDWI影像数据集中以第二矢量数据的每一WAOI为空间范围,给定起始像素和阈值范围,将给定阈值作为进行区域增长的判断指标,以达到全部水体范围的提取。
示例性地,以一个WAOI为例,将WAOI叠加在NDWI影像上,WAOI在上层,影像在下层。在该WAOI范围中,在NDWI影像上找到WAOI质心所对应的像素位置,以该像素为起始像素位,对其四邻域的像素进行判断,若NDWI大于上述给定阈值,则认为是水体,以此规律增长,直至全部水体范围提取。可选地,给定阈值为该WAOI中所覆盖的所有像元的NDWI均值减去经验值得到。
可选地,根据第三矢量数据、NDWI影像数据集合NIR影像数据集,确定遥感影像上与第三矢量数据的水体掩膜对应的第二水体掩膜区域的第二水体数据,包括:
将第三矢量数据分别与NDWI影像数据集中的NDWI影像和NIR影像数据集中的NIR影像进行空间叠加,得到NDWI影像上与第三矢量数据的水体掩膜对应的第三水体掩膜区域,和NIR影像上与第三矢量数据的水体掩膜对应的第四水体掩膜区域,第二水体掩膜区域包括第三水体掩膜区域和第四水体掩膜区域;
对第三水体掩膜区域和第四水体掩膜区域进行大津分割,得到第三水体掩膜区域对应的第一目标值和第四水体掩膜区域对应的第二目标值;
若遥感影像上的目标区域的NDWI值大于第一目标值,以及遥感影像的近红外值小于第二目标值,则目标区域为水体,得到遥感影像的第二水体数据。
在本实施例中,WAOI部分水表示第二水体掩膜区域的实际水体范围小于WAOI的范围,针对该情况,在NDWI影像数据集和NIR影像数据集中进行影像分割,目的是为了剔除WAOI范围中的其他地物,只提取水体部分。
示例性地,对NDWI影像数据集和NIR影像数据集分别与第三矢量数据叠加,将叠加后的结果采用大津分割,确定对应的分割目标值,设NDWI的分割目标值为第一目标值,近红外波段的分割目标值为第二目标值。在每一WAOI中,当同时满足NDWI大于阈值A和近红外波段小于阈值B的部分即为该WAOI的水体部分。
作为示例而非限定,为便于对本方法的理解,以下提供一种应用场景。具体实施以GF2(高分2号卫星)数据为例,经数据处理,多重阈值筛选后得到WAOI全水、WAOI部分水和WAOI无水。针对WAOI全水进行水体区域增长处理,对WAOI部分水进行影像分割提取处理,合并所有类型水体并进行矢量化,结果示例如下:
如图2所示,该影像的编号A边框为WAOI无水,WAOI无水中全部为冰等其他地类,不进行水体提取。如图3所示,该影像的编号B边框为WAOI无水,WAOI无水中全部为其他地类,不进行水体提取。如图4所示,该影像的编号C边框为WAOI部分水,在WAOI部分水中进行影像分割,编号D边框为自动提取的水体范围。如图5所示,该影像的编号E边框为WAOI部分水,WAOI部分水中进行影像分割,编号F边框为自动提取的水体范围。如图6所示,该影像的编号G边框为WAOI全水,在WAOI全水中找到质心作为起始像素进行水体区域增长,编号H边框为自动提取的水体范围。
为了执行上述方法实施例对应的方法,以实现相应的功能和技术效果,下面提供一种水体识别装置。参见图7,图7是本申请实施例提供的一种水体识别装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的水体识别装置,包括:
获取模块701,用于获取目标地理区域的目标影像数据集和包含水体掩膜的第一矢量数据,所述目标影像数据集的每景遥感影像与所述第一矢量数据存在空间交集;
第一确定模块702,用于根据所述目标影像数据集,确定归一化差异水体指数NDWI影像数据集和近红外波段NIR影像数据集;
第二确定模块703,用于针对所述目标影像数据集中的每景遥感影像,将所述遥感影像与所述第一矢量数据进行空间叠加,确定所述第一矢量数据中的第二矢量数据和第三矢量数据,所述第二矢量数据为所述水体掩膜对应在所述遥感影像上的全部区域包含水体的矢量数据,所述第三矢量数据为所述水体掩膜对应在所述遥感影像上的部分区域包含水体的矢量数据;
识别模块704,用于根据所述第二矢量数据和所述第三矢量数据,识别所述NDWI影像数据集和NIR影像数据集的水体数据,得到所述目标地理区域的水体数据。
在一实施例中,获取模块701,包括:
获取单元,用于获取目标地理区域的原始影像数据集和包含水体掩膜的第一矢量数据;
预处理单元,用于对原始影像数据集进行正射校正和影像融合,得到多光谱影像数据集;
第一确定单元,用于将多光谱影像数据与第一矢量数据进行空间叠加,确定多光谱影像数据中与第一矢量数据存在空间交集的目标影像数据集。
在一实施例中,第二确定模块703,包括:
叠加单元,用于将每景遥感影像与第一矢量数据进行空间叠加,得到第一矢量数据的目标水体掩膜对应在遥感影像上的水体掩膜区域;
第二确定单元,用于根据水体掩膜区域中所有像元的近红外波段标准差,确定遥感影像的地物类型是否为单一地物;
第三确定单元,用于若遥感影像的地物类型为单一地物,则将包含符合第一预设条件的目标水体掩膜的第一矢量数据确定为第二矢量数据;
第四确定单元,用于若遥感影像的地物类型不为单一地物,则将包含符合第二预设条件的目标水体掩膜的第一矢量数据确定为第三矢量数据。
进一步地,第三确定单元,包括:
第一计算子单元,用于若遥感影像的地物类型为单一地物,计算水体掩膜区域中所有像元的近红外波段均值、目标比值和第一明度均值,目标比值为近红外波段总值与所有波段总值之间的比值;
第一判定子单元,用于若近红外波段均值大于第一阈值、目标比值大于第二阈值以及第一明度均值大于第三阈值,则目标水体掩膜符合第一预设条件,包含目标水体掩膜的第一矢量数据为第二矢量数据。
进一步地,第四确定单元,包括:
第二计算子单元,用于若遥感影像的地物类型不为单一地物,则计算水体掩膜区域中所有像元的目标比例和第二明度均值,目标比例为水体掩膜区域中所有像元的近红外波段值低于预设水体阈值的比例;
第二判定子单元,用于若目标比例大于第四阈值以及第二明度均值大于第五阈值,则目标水体掩膜符合第二预设条件,包含目标水体掩膜的第一矢量数据为第三矢量数据。
在一实施例中,识别模块704,包括:
第五确定单元,用于将第二矢量数据与NDWI影像数据集进行空间叠加,确定遥感影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域的第一水体数据;
第六确定单元,用于根据第三矢量数据、NDWI影像数据集合NIR影像数据集,确定遥感影像上与第三矢量数据的水体掩膜对应的第二水体掩膜区域的第二水体数据,目标地理区域的水体数据包括第一水体数据和第二水体数据。
进一步地,第五确定单元,包括:
第一叠加子单元,用于针对NDWI影像数据集中的每个NDWI影像,将NDWI影像与第二矢量数据进行空间叠加,得到NDWI影像上与第二矢量数据的水体掩膜对应的第一水体掩膜区域;
第一确定子单元,用于确定第一水体掩膜区域的质心像素;
第二确定子单元,用于确定质心像素的四邻域像素对应的NDWI值;
第三判定子单元,用于若NDWI值大于预设值,则第一水体掩膜区域为水体,得到第一水体数据。
进一步地,第六确定单元,包括:
第二叠加子单元,用于将第三矢量数据分别与NDWI影像数据集中的NDWI影像和NIR影像数据集中的NIR影像进行空间叠加,得到NDWI影像上与第三矢量数据的水体掩膜对应的第三水体掩膜区域,和NIR影像上与第三矢量数据的水体掩膜对应的第四水体掩膜区域,第二水体掩膜区域包括第三水体掩膜区域和第四水体掩膜区域;
分割单元,用于对第三水体掩膜区域和第四水体掩膜区域进行大津分割,得到第三水体掩膜区域对应的第一目标值和第四水体掩膜区域对应的第二目标值;
第四判定子单元,用于若遥感影像上的目标区域的NDWI值大于第一目标值,以及遥感影像的近红外值小于第二目标值,则目标区域为水体,得到遥感影像的第二水体数据。
上述的水体识别装置可实施上述方法实施例的水体识别方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
图8为本申请一实施例提供的电子设备的结构示意图。如图8所示,该实施例的电子设备8包括:至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现上述任意方法实施例中的步骤。
所述电子设备8可以是智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算设备。该电子设备可包括但不仅限于处理器80、存储器81。本领域技术人员可以理解,图8仅仅是电子设备8的举例,并不构成对电子设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),该处理器80还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述电子设备8的内部存储单元,例如电子设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述电子设备8的外部存储设备,例如所述电子设备8上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
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。