CN113378679B - 基于改进几何特征与特征保持采样的海岸养殖池提取方法 - Google Patents
基于改进几何特征与特征保持采样的海岸养殖池提取方法 Download PDFInfo
- Publication number
- CN113378679B CN113378679B CN202110610299.2A CN202110610299A CN113378679B CN 113378679 B CN113378679 B CN 113378679B CN 202110610299 A CN202110610299 A CN 202110610299A CN 113378679 B CN113378679 B CN 113378679B
- Authority
- CN
- China
- Prior art keywords
- river
- area
- culture pond
- image
- image data
- 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 43
- 238000005070 sampling Methods 0.000 title claims abstract description 23
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 claims 1
- 244000144974 aquaculture Species 0.000 claims 1
- 230000003321 amplification Effects 0.000 description 7
- 238000003199 nucleic acid amplification method Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010850 salt effect Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于改进几何特征与特征保持采样的海岸养殖池提取方法,包括:获取Landsat‑8图像数据,并对所述Landsat‑8图像数据进行预处理;对预处理后的图像进行海岸带提取,从而获得海岸带水体图像数据;对所述海岸带水体图像进行河流区域判断,从而获取河流图像数据;在所述海岸带水体图像数据中去除所述河流图像数据,从而获取养殖池区域图像信息。本发明能够有效的提取中等分辨率下多光谱图像的含河流海岸带养殖池。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体而言,尤其涉及一种基于改进几何特征与特征保持采样的海岸养殖池提取方法。
背景技术
早期利用多光谱图像提取海岸带养殖池,一般采用目视解译的方法。通过人工绘制海岸带养殖池,使得提取结果具有较高精度,但费时费力,无法进行大规模的养殖池自动提取。相比目视解译,指数法因其运算简单而有效提高了提取效率。其主要思想是通过不同波段间的光谱值构建光谱指数,从而抑制背景地物的同时增强目标地物,该指数适用于光谱差异较大的情况,然而当养殖池临近存在光谱与空间结构相似盐田时,会产生错分的结果。而解决这一问题的手段主要有两种:深度学习与机器学习和面向对象的方法。前一种方法通过深度提取特征来对养殖池和其它地物类别进行分类,然而该方法的计算量较大、自动化程度较低,并且当样本数量不充足时会导致移植性较差。后一种方法通过特征的局部均匀性形成不同的区域对象,再通过纹理、形状、光谱等多种特征进行分类,其优势在于可以克服传统基于像素方法中的“椒盐效应”。
目前,海岸带养殖池提取仍然面临以下几个问题:1、中等分辨率图像分辨率较低使得养殖池的堤坝仅有一至两个像素的宽度,经常与相邻养殖池粘合在一起难以有效去除。2、光谱与位置具有相似性的河流存在,使得有效提取海岸带养殖池成为一个挑战性的问题。3、在光学图像的Landsat-8中,养殖池提取采用的分类方法,通常需要依赖大量训练样本和费时的训练过程,且移植性较差。
发明内容
针对以上的问题,本发明提出一种基于改进几何特征与特征保持采样的海岸养殖池提取方法。本发明能够有效的提取中等分辨率下多光谱图像的含河流海岸带养殖池。
本发明采用的技术手段如下:
一种基于改进几何特征与特征保持采样的海岸养殖池提取方法,包括:
获取Landsat-8图像数据,并对所述Landsat-8图像数据进行预处理;
对预处理后的图像进行海岸带提取,从而获得海岸带水体图像数据;
对所述海岸带水体图像进行河流区域判断,从而获取河流图像数据;
在所述海岸带水体图像数据中去除所述河流图像数据,从而获取养殖池区域图像信息。
进一步地,对所述海岸带水体图像进行河流区域判断,包括:
基于改进的几何特征挑选河流种子区域;
基于局部连通保持特征的采样图像挑选河流种子附近的待判断区域;
在所述待判断区域进行基于局部相似性搜索,获取被桥梁截断呈现与养殖池相似特性的河流区域;
结合所述河流种子区域以及被桥梁截断呈现与养殖池相似特性的河流区域,获取河流图像数据。
进一步地,基于改进的几何特征挑选河流种子区域,包括:
基于最小外接矩阵占比的形状特征获取长条状河流区域;
基于平均宽度的形状特征去除因大坝模糊不清导致联通的养殖池区域。
进一步地,基于局部连通保持特征的采样图像挑选河流种子附近的待判断区域,包括根据以下公式获取带判断区域:
其中Ix,y为图像横坐标为x、纵坐标为y的像素点的像素值,Il定义为以当前像素(x,y)为中心点的取样窗口中的连通域的最大面积,L为长条状河流区域中河流的最短长度,ix,y为最后得到当前像素新的采样值。
进一步地,在所述待判断区域进行基于局部相似性搜索,包括:
基于骨架线端点斜率截断河流从而确定局部空间;
基于河流截断部分的中心对称性质又所述局部空间获取疑似河流区域;
对所述疑似河流区域进行基于河流宽度相似性的判断,从而获取被桥梁截断呈现与养殖池相似特性的河流区域。
进一步地,对Landsat-8图像数据进行预处理,包括:对Landsat-8图像数据进行辐射定标以及大气校正的步骤。
进一步地,对预处理后的图像进行海岸带提取,包括:
选择归一化差异水体指数,从而获取水体指数图;
采用海森矩阵对所述水体指数图进行处理,得到归一化差异水体指数的条状水体图;
结合海岸带与熵定位海岸带区域条状水体。
较现有技术相比,本发明具有以下优点:
本发明能够有效的提取中等分辨率下多光谱图像的含河流海岸带养殖池,并且充分考虑了与养殖池的堤坝干扰,能够有效移除干扰。同时避免使用分类的方法,无需多次训练,有较好的可迁移性,对不同地区的图像的提取结果有较好的鲁棒性。
基于上述理由本发明可在遥感图像提取领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于改进几何特征与特征保持采样的海岸带养殖池提取方法流程图。
图2为本文方法和两种对比算法方法在天津区域原始图像的提取结果,其中(a)为原始图像,(b)为本发明方法河流提取结果图,(c)为本发明方法养殖池提取结果图,(d)为JIAS算法河流提取结果,(e)为JIAS算法养殖池提取结果图,(f)为OOC算法河流提取结果图,(g)为OOC算法养殖池提取结果图,(h)为本发明方法提取图像局部放大图,(i)为JIAS算法提取图像局部放大图,(j)为OOC算法提取图像局部放大图(k)为本发明方法河流去除局部放大图。
图3为本发明方法和两种对比算法方法在东营区域原始图像的提取结果,其中(a)为原始图像,(b)为本发明方法河流提取结果图,(c)为本发明方法养殖池提取结果图,(d)为JIAS算法河流提取结果,(e)为JIAS算法养殖池提取结果图,(f)为OOC算法河流提取结果图,(g)为OOC算法养殖池提取结果图,(h)为本发明方法提取图像局部放大图,(i)为JIAS算法提取图像局部放大图,(j)为OOC算法提取图像局部放大图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种基于改进几何特征与特征保持采样的海岸带养殖池提取方法,包括:
S1、获取Landsat-8图像数据,并对所述Landsat-8图像数据进行预处理,预处理主要包括对Landsat-8图像数据进行辐射定标以及大气校正的步骤。
具体来说,辐射定标是将图像的DN值转化为辐射亮度值、或反射率、或表面温度等物理量的处理过程。大气校正为了消除大气气溶胶、地形和邻近地物对反射带来的影响。辐射定标和大气校正皆使用ENVI5.3软件完成。
S2、对预处理后的图像进行海岸带提取,从而获得海岸带水体图像数据。包括:选择归一化差异水体指数,从而获取水体指数图;采用海森矩阵对所述水体指数图进行处理,得到归一化差异水体指数的条状水体图;结合海岸带与熵定位海岸带区域条状水体。
具体来说,为了避免海洋、内陆等地物对定位养殖区带来的干扰,本发明给出一种基于海森矩阵和熵的养殖池定位算法。
首先,该算法通过归一化差异水体指数计算图像各像素含水量,其定义如下:
其中ρGreen和ρSWIR-1分别是Landsat-8的Green波段和SWIR-1波段的反射率。利用含水量通常有利于确定含水区域(例如:养殖池)的结构,而含水量图的生成以往的研究大多依靠阈值法。阈值法对阈值的选取较为敏感,若阈值选取较大,容易漏检含水量较低的池子,所示若阈值选取较小,则容易错检。同时,由于图像分辨率较低的原因使得养殖池的堤坝仅有一至两个像素的宽度,部分像素往往同时包含堤坝与养殖池,阈值法针对内部较窄堤坝出现错误检测的现象,这种现象使得养殖池失去原有的规则矩形特征。为了解决上述问题,本申请采用海森矩阵检测海岸带的含水区域,其原因在于海森矩阵具有较好的边缘保持效果,其特征值和特征向量能很好的描述一个线性或管状结构,其特征值可分别表示:
其中Lxx,Lyy,Lxy分别是图像x、y方向的二阶偏导和x与y二阶混合偏导,其中对于线性结构,特征值λmax相对较大,λmin相对较小,而对于非线性结构,特征值λmax相对较小。养殖池正好符合这一结构特性。与传统阈值方法相比,海森矩阵能很好的保持大坝信息,避免错误将堤坝检测为养殖池。
然而,利用海森矩阵会带来很多的内陆(例如道路)的线性结构的干扰,这些干扰会易错检为养殖池从而降低养殖池的提取精度,本申请为了解决这一问题采用海岸带的思想,首先确定海岸带区域,其目的是粗略定位海岸养殖池所在范围。根据规定海岸带区域为海岸线向陆延伸10km,向海延伸至海15km处。由于Landsat-8图像的分辨率为30m,因此从海陆分界向陆地大概延伸400个像素,向海洋延伸约500个像素。随着养殖规模的不断扩大,部分养殖池过于靠近内陆区域,被误认为陆地水体干扰被错误去除。而养殖池一般大规模密集式分布,相邻养殖池由堤坝隔开。因此可以消除大坝干扰使得靠近内陆的养殖池与海岸养殖池连通为一个整体区域,通过整体区域判断其是否位于海岸带中避免靠近陆地的养殖池的错误去除。图像熵恰恰可以解决这一问题,其反应某像素位置上的灰度值与其周围像素灰度分布的综合特征,可以将灰度较低的大坝和一些孤立点像素在图像熵的影响下会显示与养殖池相似的高灰度特性,从而将大片的养殖区联通在一起,避免过于靠近内陆的养殖区被错误去除。
S3、对所述海岸带水体图像进行河流区域判断,从而获取河流图像数据,包括:
S301、基于改进的几何特征挑选河流种子区域。
具体来说,为了去除河流干扰从而提高养殖池提取精度,针对河流一般呈现蜿蜒曲折的特性,提出一种基于最小外接矩阵占比的改进形状特征,其主要为了挑选特征更为明显的长条状河流区域,其定义如下:
其中l为目标连通域的骨架线长度,为最小外接矩阵面积占比,area表示目标连通域的面积,Area表示当前连通域最小外接矩阵的面积。
由公式可得,长度较长且蜿蜒崎岖的河流,其l值较大,Q值较小,因此其河流的P值一般更大。与其拥有相似蜿蜒特性的养殖池,其Q值虽然相似,但l值一般长度较小,因此其P值一般较小,对于规则的矩形养殖池而言,其l值一般较小,Q值更大,因此其P值一般最小。因此,一般认为P值大于500的为特征明显的河流。
以上特征能较好的区分特征明显的河流与规则养殖池,但无法区分由于部分养殖池间的大坝模糊不清导致众多养殖池联通在一起的情况,然而此类养殖池一般宽度远远大于河流的宽度,因此,针对这种特性用一种表征平均宽度的特征进行区分,其定义如下:
其中area表示目标连通域的面积,l表示目标连通域的骨架线长度,w表征的物理意义为目标连通域的平均宽度。然而此类养殖池一般宽度远远大于河流的宽度,因此一般认为w值小于15的为宽度较窄的河流。
S302、基于局部连通保持特征的采样图像挑选河流种子附近的待判断区域。具体来说,以上几何特征能有效提取特征明显的河流区域,为了通过河流连通性寻找该类河流附近的潜在河流,给出了一种局部连通特征保持的采样准则,其定义如下:
其中Ix,y为图像横坐标为x,纵坐标为y的像素点的像素值,Ii为当以前像素(x,y)为中心点,以3×3为取样窗口中的含有的连通域的最大面积,而L为上一步中提取的几何特征明显的河流的最短长度。ix,y为最后得到当前像素新的采样值。经过之前的处理,除海洋外的含水目标区域像素为1,而不含水区域和海洋区域等背景像素值为0。
S303、在所述待判断区域进行基于局部相似性搜索,获取被桥梁截断呈现与养殖池相似特性的河流区域。
具体来说,尽管局部连通特征保持的采样准则能有效去除桥梁干扰恢复河流的连通性,寻找与几何特征明显的河流连通的河流区域,然而与河流仅有一个大坝相隔的养殖池同样具有连通特性,为了区分连通的河流和养殖池,论文给出一种河流端点局部空间相似性搜索策略。
为了确定端点局部空间,本申请基于骨架线端点斜率截断河流从而确定局部空间。其中,端点斜率的计算选用的是平均斜率,其代表为局部空间的河流流向,而平均斜率的计算需要两个点,其中一个点为端点,另一个点选择骨架线位于以端点为中心的邻域窗外边界的点,称之为截断点,本申请中,邻域窗半径大小为10。那么端点斜率可如下计算:
其中m1和n1分别为端点在图像中的横纵坐标,m2和n2分别为截断点在图像中对应的横纵坐标。为了保持截断的局部空间保持规则的长条特征,截断斜率选择与河流流向垂直的方向,因此其截断斜率可表示为:
因此采用斜率为k1,过截断点的直线将河流截断为两部分,已知河流的端点局部空间即为端点与截断点所在的部分。同样为了获取已知河流流向区域的局部空间,选择以端点为中心,已知河流截断部分的中心对称区域,假设已知河流的局部区域的像素集合表示为E∈{(X1,Y1),(X2,Y2),(X3,Y3),…(Xi,Yi)},其中i代表区域的像素个数,Xi代表的是第i个像素的横坐标位置,Yi代表的是第i个像素的纵坐标位置,端点坐标为(m1,n1),则河流流向区域的可表示为:
U∈{(2m1-X1,2n1-Y1),(2m1-X2,2n1-Y2),(2m1-X3,2n1-Y3),…(2m1-Xi,2n1-Yi)}(6)
通过这种位置信息,可以大概率认为潜在区域存在的是具有连通性的河流,然而一些养殖池的部分区域可能也处于河流流向区域。河流在局部区域内宽度变化较小,因此潜在区域内的河流宽度应与已知河流的宽度相似。本申请中将两者长度差距不超过一半作为判断标准,即判别准则可表示为:
其中Ls为已知河流的宽度,L为待比较表河流的宽度,本实施例中SI为0.61。
S304、结合所述河流种子区域以及被桥梁截断呈现与养殖池相似特性的河流区域,获取河流图像数据。
S4、在所述海岸带水体图像数据中去除所述河流图像数据,从而获取养殖池区域图像信息。
下面通过具体的应用实例对本发明的效果做进一步说明。
图2(a)是天津地区的Landsat-8的RGB真彩色图像,图2(b)(d)(f)分别是论文算法、JIAS算法和OOC算法对该研究区域的河流去除区域,由图可知,论文算法对于蜿蜒曲折的河流能有效去除,而对于如图2(b)中红色框选区域所示,局部放大图如图2(k)所示的较短且形状较规则的河流,同样也能有效去除,但不可否认,一些宽度及细的人工沟渠未能去除。JIAS算法使用与水体目标具有相同标准二阶中心矩的椭圆的离心率和骨架线长度来描述其细长的特征,对于形状曲折、长度较大的河流区域同样较好的去除,但部分养殖池同样较为细长导致离心率和骨架线长度相似于河流,导致了去除河流的同时去除了较多的养殖池区域,且部分河流由于桥梁截断长度较短、形状规则,不符合此类特征,因此未有效去除。OOC利用水体目标的长宽比的值区分较为纤细的河流与类方形的养殖池,被桥梁截断的河流长度较短导致长宽比的值与养殖池一样较小,无法有效去除该类河流,而部分长度较大宽度较小的养殖池则被识别为河流被错误去除。图2(c)(e)(g)是分别是论文算法、JIAS算法和OOC算法的最终养殖区的提取结果,整体上三类方法对于大部分的养殖池均能完整提取,但均存在一些小型水体的干扰,但论文方法在绿色框所示区域未能有效提取,三者同一区域的提取结果放大图如图2(h)(i)(j)所示,其中JIAS算法能较为完整的提取出养殖池,但其对于较为细窄的堤坝无法有效去除,而OOC方法较好的保持了堤坝信息,但与此同时部分养殖池未能完整提取,而本文方法在保持堤坝信息的同时尽可能多的提取了养殖池。
图3为本发明方法和两种对比算法方法在东营区域原始图像的提取结果。该区域的Landsat8的RGB真色彩图像如图3(a)所示,3(b)(d)(f)分别是论文算法、JIAS算法和OOC算法的河流去除结果,其中,JIAS对于红色框选区域的河流能精确去除,而另外两种算法检测的此段河流与海洋连通,因此将其认为海洋从而去除,对于绿色区域框选的粗壮笔直的河流,JIAS提出的细长特征不符合该段河流的特征,而部分较细较长的养殖池却被当做河流被错误去除,而另外两种算法的特征依旧具有较好的适用性,同时,论文算法对较为细窄绵长的河流也有较好的去除性,而OOC算法虽然去除了很多细窄较短的河流,但由于河流与养殖池间的堤坝信息的丢失使得两者连通为一体,从而使得该处养殖池也被错误去除。图3(c)(e)(g)是分别是论文算法、JIAS算法和OOC算法的最终养殖区的提取结果,养殖池提取均较为完整,其中JIAS算法漏检较少而错检较多,论文算法与OOC算法错检较少而漏检较多,三者同一区域的提取结果放大图如图3(h)(i)(j)所示,与天津地区相似,论文算法对于大坝信息的保持效果是最好的,对于条状养殖池的提取效果更佳,对于图中黄色框选区域的方格状物体,三种算法均为将其检测为养殖池,这一般是池中无水的裸露养殖池。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以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***,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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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。
另外,在本发明各个实施例中的各功能单元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。
所述集成的单元如果以软件功能单元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,本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (4)
1.一种基于改进几何特征与特征保持采样的海岸养殖池提取方法,其特征在于,包括:
S1、获取Landsat-8图像数据,并对所述Landsat-8图像数据进行预处理;
S2、对预处理后的图像进行海岸带提取,从而获得海岸带水体图像数据,包括:
选择归一化差异水体指数,从而获取水体指数图;
采用海森矩阵对所述水体指数图进行处理,得到归一化差异水体指数的条状水体图;
结合海岸带与熵定位海岸带区域条状水体;
S3、对所述海岸带水体图像进行河流区域判断,从而获取河流图像数据,包括:
S301、基于改进的几何特征挑选河流种子区域,包括基于最小外接矩阵占比的形状特征获取长条状河流区域,基于平均宽度的形状特征去除因大坝模糊不清导致联通的养殖池区域,其中:
基于改进的几何特征挑选河流种子区域,包括:通过计算改进形状特征区分养殖池与河流,所述改进形状特征根据以下计算获取:
其中,其中l为目标连通域的骨架线长度,为最小外接矩阵面积占比,area表示目标连通域的面积,Area表示当前连通域最小外接矩阵的面积;
基于平均宽度的形状特征去除因大坝模糊不清导致联通的养殖池区域,包括:通过计算目标连通域的平均宽度区分河流与众多养殖池连通,所述目标连通域的平均宽度根据以下计算获取:
其中area表示目标连通域的面积,l表示目标连通域的骨架线长度,w表征的物理意义为目标连通域的平均宽度;
S302、基于局部连通保持特征的采样图像挑选河流种子附近的待判断区域;
S303、在所述待判断区域进行基于局部相似性搜索,获取被桥梁截断呈现与养殖池相似特性的河流区域;
S304、结合所述河流种子区域以及被桥梁截断呈现与养殖池相似特性的河流区域,获取河流图像数据;
S4、在所述海岸带水体图像数据中去除所述河流图像数据,从而获取养殖池区域图像信息。
2.根据权利要求1所述的一种基于改进几何特征与特征保持采样的海岸养殖池提取方法,其特征在于,基于局部连通保持特征的采样图像挑选河流种子附近的待判断区域,包括根据以下公式获取带判断区域:
其中Ix,y为图像横坐标为x、纵坐标为y的像素点的像素值,Il定义为以当前像素(x,y)为中心点的取样窗口中的连通域的最大面积,L为长条状河流区域中河流的最短长度,ix,y为最后得到当前像素新的采样值。
3.根据权利要求1所述的一种基于改进几何特征与特征保持采样的海岸养殖池提取方法,其特征在于,在所述待判断区域进行基于局部相似性搜索,包括:
基于骨架线端点斜率截断河流从而确定局部空间;
基于河流截断部分的中心对称性质又所述局部空间获取疑似河流区域;
对所述疑似河流区域进行基于河流宽度相似性的判断,从而获取被桥梁截断呈现与养殖池相似特性的河流区域。
4.根据权利要求1所述的一种基于改进几何特征与特征保持采样的海岸养殖池提取方法,其特征在于,对Landsat-8图像数据进行预处理,包括:对Landsat-8图像数据进行辐射定标以及大气校正的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610299.2A CN113378679B (zh) | 2021-06-01 | 2021-06-01 | 基于改进几何特征与特征保持采样的海岸养殖池提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610299.2A CN113378679B (zh) | 2021-06-01 | 2021-06-01 | 基于改进几何特征与特征保持采样的海岸养殖池提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378679A CN113378679A (zh) | 2021-09-10 |
CN113378679B true CN113378679B (zh) | 2024-05-14 |
Family
ID=77575247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610299.2A Active CN113378679B (zh) | 2021-06-01 | 2021-06-01 | 基于改进几何特征与特征保持采样的海岸养殖池提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378679B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576957A (zh) * | 2009-06-19 | 2009-11-11 | 西安电子科技大学 | 遥感图像快速河流提取方法 |
CN110297483A (zh) * | 2018-03-21 | 2019-10-01 | 广州极飞科技有限公司 | 待作业区域边界获取方法、装置,作业航线规划方法 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2935579B1 (fr) * | 2008-08-28 | 2010-11-05 | Centre Nat Etd Spatiales | Procede d'acquisition, de reduction et de transmission d'images satellitaires |
-
2021
- 2021-06-01 CN CN202110610299.2A patent/CN113378679B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576957A (zh) * | 2009-06-19 | 2009-11-11 | 西安电子科技大学 | 遥感图像快速河流提取方法 |
CN110297483A (zh) * | 2018-03-21 | 2019-10-01 | 广州极飞科技有限公司 | 待作业区域边界获取方法、装置,作业航线规划方法 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113378679A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766811B (zh) | 一种星载sar图像中海面船只的端到端检测与识别方法 | |
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
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 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别***及方法 | |
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 | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
Pasolli et al. | Automatic detection and classification of buried objects in GPR images using genetic algorithms and support vector machines | |
CN114627367B (zh) | 一种侧扫声呐图像的海底线探测方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN108320291A (zh) | 基于大津算法的海底地貌边界提取方法 | |
CN113378679B (zh) | 基于改进几何特征与特征保持采样的海岸养殖池提取方法 | |
CN111678883B (zh) | 海上浒苔和马尾藻鉴别方法 | |
Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding | |
CN110033460B (zh) | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 | |
CN105403890A (zh) | 一种基于行列特征向量相关的目标探测方法 | |
Zhu et al. | spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data | |
CN113920283B (zh) | 基于聚类分析和特征过滤的红外图像尾迹检测及提取方法 | |
Regniers et al. | Classification of oyster habitats by combining wavelet-based texture features and polarimetric SAR descriptors | |
CN112016441B (zh) | 基于Radon变换多特征融合的Sentinel-1图像海岸带养殖池提取方法 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和*** | |
CN113378677B (zh) | 基于空间相似性与修正盐田指数的海岸养殖池提取方法 | |
Zhao et al. | Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation | |
Wang et al. | An intelligent coastline interpretation of several types of seacoasts from TM/ETM+ images based on rules | |
Li et al. | Comparison of coastline extraction methods and block classification method to extract coastlines based on remote sensing |
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 |