CN114049571A - 高光谱影像的水体区域提取方法、装置及电子设备 - Google Patents
高光谱影像的水体区域提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114049571A CN114049571A CN202210034953.4A CN202210034953A CN114049571A CN 114049571 A CN114049571 A CN 114049571A CN 202210034953 A CN202210034953 A CN 202210034953A CN 114049571 A CN114049571 A CN 114049571A
- Authority
- CN
- China
- Prior art keywords
- water body
- hyperspectral image
- body region
- reflectivity
- band
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请实施例提供的高光谱影像的水体区域提取方法、装置及电子设备,涉及图像处理技术领域。首先,通过近红外波段的反射率阈值从目标高光谱影像中进行水体区域提取,得到第一水体区域;然后,再通过基于可见光及近红外波段的光谱特性建立的水体指数模型,对第一水体区域进行水体区域提取,得到第二水体区域;最后,对第二水体区域进行去噪处理得到目标高光谱影像中的水体区域。上述方法通过充分利用高光谱影像中的光谱信息进行两次水体区域提取,可以提高高光谱影像中水体区域的提取精度。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种高光谱影像的水体区域提取方法、装置及电子设备。
背景技术
地表水可以包括陆地表面的各种固态和液态的水体,它们与气候变化、人类福祉和生物多样性保护密切相关。近年来国家开展了全国水资源调查评价监测工作,要求充分发挥水文地质调查和卫星遥感等技术优势,全面掌握全国水资源数量、质量、空间分布、开发利用、生态状况及动态变化。遥感技术以其大尺度、高精度、近实时成像的特点,被广泛应用于水体提取和水质监测领域。随着一系列技术创新,遥感又可进一步分为多光谱遥感和高光谱遥感。与多光谱影像相比,高光谱影像具有更丰富的光谱信息。因此,如何从高光谱影像的光谱信息中准确提取出水体所在区域是本领域技术人员急需要解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本申请提供一种高光谱影像的水体区域提取方法、装置及电子设备。
第一方面,本申请实施例提供一种高光谱影像的水体区域提取方法,所述方法包括:
获取包含待提取水体区域的目标高光谱影像;
基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域,其中,所述第一水体区域由水体和疑似水体组成,所述疑似水体在近红外波段的反射率与所述水体在近红外波段的反射率相似;
基于水体指数模型对所述第一水体区域进行水体区域提取,得到由所述水体组成的第二水体区域,其中,所述水体指数模型基于所述水体和所述疑似水体在可见光及近红外波段的光谱特性确定,所述水体指数模型用于区分所述第一水体区域中的水体和疑似水体;
对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域。
在上述方案中,首先,通过近红外波段的反射率阈值从目标高光谱影像中进行水体区域提取,得到第一水体区域;然后,再通过基于可见光及近红外波段的光谱特性建立的水体指数模型,对第一水体区域进行水体区域提取,得到第二水体区域;最后,对第二水体区域进行去噪处理得到目标高光谱影像中的水体区域。上述方法通过充分利用高光谱影像中的光谱信息进行两次水体区域提取,可以提高高光谱影像中水体区域的提取精度,将高光谱影像中的非水体区域与水体区域区分开。
在一种可能的实现方式中,所述获取包含待提取水体区域的目标高光谱影像的步骤,包括:
将包含水体区域的卫星高光谱影像或航空高光谱影像作为所述目标高光谱影像,其中,所述卫星高光谱影像和航空高光谱影像的分辨率为米级或者亚米级;
在所述基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域的步骤之前,所述方法还包括:
对所述目标高光谱影像进行预处理,其中,所述预处理包括几何校正处理、大气校正处理、辐射校正处理以及归一化处理中的至少一种。
在一种可能的实现方式中,所述基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域的步骤,包括:
获取所述目标高光谱影像在所述近红外波段的多个子近红外波段上的光谱分量影像;
基于多个子近红外光谱子波段上的光谱分量影像计算得到所述目标高光谱影像在所述近红外波段上的光谱均值影像;
采用所述近红外波段的反射率阈值对所述光谱均值影像进行水体区域提取,得到所述第一水体区域。
在一种可能的实现方式中,在采用所述近红外波段的反射率阈值对所述光谱均值影像进行水体区域提取,得到所述第一水体区域的步骤之前,所述方法还包括确定所述近红外波段的反射率阈值的步骤,该步骤包括:
获取样本高光谱影像,其中,所述样本高光谱影像中包括不同类型的陆地表面物体,其中,所述陆地表面物体包括沥青、亮建筑、暗建筑、城市裸地、非城市裸地、植被、阴影、阴影水体、城市水域及非城市水域;
通过所述样本高光谱影像中的陆地表面物体在所述近红外波段的反射率确定能将水体和疑似水体与其他类型的陆地表面物体区分开的目标反射率,将所述目标反射率确定为所述近红外波段的反射率阈值,其中,所述水体包括阴影水体、城市水域及非城市水域,所述疑似水体包括阴影。
在一种可能的实现方式中,在所述基于水体指数模型对所述第一水体区域进行水体区域提取,得到由所述水体组成的第二水体区域的步骤之前,所述方法还包括创建所述水体指数模型的步骤,该步骤包括:
通过对所述水体和所述疑似水体在可见光及近红外波段的反射率曲线分析,确定所述水体所对应的反射率曲线与所述疑似水体所对应的反射率曲线存在曲线走势差异的目标位置,并获取所述目标位置所在的第一子波段及位于所述目标位置之后的第二子波段;
基于所述第一子波段对应的波段反射率与所述第二子波段对应的波段反射率建立水体指数模型。
在一种可能的实现方式中,所述基于水体指数模型对所述第一水体区域进行水体区域提取,得到由所述水体组成的第二水体区域的步骤,包括:
计算所述第一水体区域中任意一个像素点在所述第一子波段中的波段反射率与该像素点在所述第二子波段中的波段反射率之间的波段反射率差值;
将所述第一水体区域中所述波段反射率差值小于或等于预设阈值的像素点作为第一像素点,将所述第一水体区域中所述波段反射率差值大于所述预设阈值的像素点作为第二像素点,并将所述第一像素点组成的区域作为所述第二水体区域。
在一种可能的实现方式中,所述对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域的步骤,包括:
采用中值滤波的方式对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域,其中,所述中值滤波采用尺寸为7*7的滤波掩膜。
在一种可能的实现方式中,所述近红外波段的反射率阈值的范围为7%~9%;
所述第一子波段的波长的范围为695nm~705nm,所述第二子波段的波长的范围为725nm~735nm。
第二方面,本申请实施例还提供一种高光谱影像的水体区域提取装置,所述装置包括:
获取模块,用于获取包含待提取水体区域的目标高光谱影像;
第一提取模块,用于基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域;
第二提取模块,用于通过水体在可见光及近红外波段的光谱特性,建立水体指数模型,并基于所述水体指数模型对所述第一水体区域进行水体区域提取,得到第二水体区域;
处理模块,用于对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域。
第三方面,本申请实施例还提供一种电子设备,所述电子设备包括处理器及计算机可读存储介质,所述处理器及所述计算机可读存储介质之间通过总线***连接,所述计算机可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述计算机可读存储介质中的程序、指令或代码,以实现第一方面中任意一个可能的实现方式中的高光谱影像的水体区域提取方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的高光谱影像的水体区域提取方法。
基于上述任意一个方面,本申请实施例提供的高光谱影像的水体区域提取方法、装置及电子设备,首先,通过近红外波段的反射率阈值从目标高光谱影像中进行水体区域提取,得到第一水体区域;然后,再通过基于可见光及近红外波段的光谱特性建立的水体指数模型,对第一水体区域进行水体区域提取,得到第二水体区域;最后,对第二水体区域进行去噪处理得到目标高光谱影像中的水体区域。上述方法通过充分利用高光谱影像中的光谱信息进行两次水体区域提取,可以提高水体区域的提取精度,将高光谱影像中的非水体区域与水体区域区分开。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要调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它相关的附图。
图1为本申请实施例提供的高光谱影像的水体区域提取方法的一种流程示意图;
图2为本申请实施例提供的水体区域提取结果与提取参考结果的比对图;
图3为图1中步骤S102的子步骤流程示意图;
图4为本申请实施例提供的不同类型的陆地表面物体在蓝光波段的反射率分布图;
图5为本申请实施例提供的不同类型的陆地表面物体在绿光波段的反射率分布图;
图6为本申请实施例提供的不同类型的陆地表面物体在红光波段的反射率分布图;
图7为本申请实施例提供的不同类型的陆地表面物体在近红外波段的反射率分布图;
图8为在本申请实施例提供的水体和阴影在可见光及近红外波段的反射率曲线图;
图9为本申请实施例提供的嘉兴市城区的AISA高光谱影像;
图10为本申请实施例提供的长沙市城区与郊区的OHS-2D高光谱影像;
图11为本申请实施例提供的雄安马蹄湾村的visible and NIR成像光谱仪的高光谱影像;
图12为本申请实施例提供的采用不同方案对图9-图11中三幅高光谱影像进行水体提取后各项评价指标的展示图;
图13为本申请实施例提供的高光谱影像的水体区域提取装置的功能模块示意图;
图14为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参照图1,图1示例了本申请实施例提供的高光谱影像的水体区域提取方法的流程示意图,该高光谱影像的水体区域提取方法可以由电子设备(比如,计算机设备)执行,其中,本申请实施例的高光谱影像的水体区域提取方法中的部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。下面结合图1对高光谱影像的水体区域提取方法的详细步骤进行介绍。
步骤S101,获取包含待提取水体区域的目标高光谱影像。
在本步骤中,可以将卫星拍摄或航空拍摄(比如无人机拍摄)的高光谱影像作为候选高光谱影像,并从候选高光谱影像中选择包含水体区域的高光谱影像作为目标高光谱影像。其中,目标高光谱影像可以包括不同区域的高光谱影像,比如,城市区域的高光谱影像、郊区的高光谱影像及乡村的高光谱影像等;水体区域可以对应为河流、湖泊等水域。
在获取到目标高光谱影像后还可以对目标高光谱影像进行预处理,其中,预处理可以包括几何校正处理、大气校正处理、辐射校正处理以及归一化处理中的至少一种。
下面以不同来源的目标高光谱影像为例进行说明,不同影像来源的目标高光谱影像进行预处理的方式存在差异,比如,对AISA高光谱影像的预处理包括几何校正、辐射校正、大气校正及归一化处理,对OHS-2D高光谱影像的预处理包括辐射校正、大气校正及归一化处理,对visible and NIR成像光谱仪的高光谱影像的预处理包括归一化处理,其中,归一化处理是将高光谱影像的反射率归一化到统一范围(比如,0~1)内。另外,不同影像来源的目标高光谱影像在进行相同预处理时所采用的软件也可能不一样,比如,AISA高光谱影像进行辐射校正与大气校正可以采用MODTRAN 5.3.2软件,OHS-2D高光谱影像进行辐射校正与大气校正可以采用ENVI软件。
步骤S102,基于近红外波段的反射率阈值对目标高光谱影像进行水体区域提取,得到第一水体区域。
在本步骤中,因近红外波段的反射率相对于其它波段(比如、蓝光波段、绿光波段及红光波段)的反射率对水体和大部分陆地表面的非水物体有更好的区分性能,在本申请实施例中,通过近红外波段的反射率阈值可以将目标高光谱影像中的大部分非水物体与水体区分开,以从目标高光谱影像中提取得到第一水体区域。
在经过步骤S102的处理之后,得到的第一水体区域由水体和疑似水体组成,其中疑似水体可以包括目标高光谱影像中的阴影。疑似水体在近红外波段的反射率与水体在近红外波段的反射率相似,使得近红外波段的反射率阈值无法将疑似水体与水体区分开。
步骤S103,基于水体指数模型对第一水体区域进行水体区域提取,得到由水体组成的第二水体区域。
在本步骤中,水体指数模型可以根据水体和疑似水体在可见光及近红外波段的光谱特性确定,水体指数模型可以用于区分第一水体区域中的水体和疑似水体。
步骤S104,对第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为目标高光谱影像中的水体区域。
经过步骤S103的处理之后,由于噪声干扰会在提取结果包含一些单个的水体像素,这些单个的水体像素会影响提取精度,在本步骤中,对提取的第二水体区域中存在的单个的水体像素进行去除。
本申请实施例提供的上述方法,首先,通过近红外波段的反射率阈值从目标高光谱影像中进行水体区域提取,得到第一水体区域;然后,再通过基于可见光及近红外波段的光谱特性建立的水体指数模型,对第一水体区域进行水体区域提取,得到第二水体区域;最后,对第二水体区域进行去噪处理得到目标高光谱影像中的水体区域。请参照图2,上述方法通过充分利用高光谱影像中的光谱信息进行两次水体区域提取,可以提高水体区域的提取精度,将高光谱影像中的非水体区域与水体区域区分开。
进一步地,在本申请实施例中,请参照图3,步骤S102可以通过以下子步骤实现。
子步骤S1021,获取目标高光谱影像在近红外波段的多个子近红外波段上的光谱分量影像。
比如在波长760nm~900nm的近红外波段若存在N个子近红外波段,则获取N个子近红外波段上的光谱分量影像,每个子近红外波段的光谱分量影像中的像素点对应一个灰阶值。
子步骤S1022,基于多个子近红外光谱子波段上的光谱分量影像计算得到目标高光谱影像在近红外波段上的光谱均值影像。
将同一像素点在不同光谱分量影像中的灰阶值相加的和值除以子近红外波段的数量N得到该像素点的均值,如此可以得到目标高光谱影像在近红外波段上的光谱均值影像。
子步骤S1023,采用近红外波段的反射率阈值对光谱均值影像进行水体区域提取,得到第一水体区域。
其中,近红外波段的反射率阈值可以用于区分水体和疑似水体与其他陆地表面物体的反射率。
进一步地,在本申请实施例中,在子步骤S1023之前,本申请实施例提供的高光谱影像的水体区域提取方法还可以包括确定近红外波段的反射率阈值的步骤,该步骤可以通过以下方式实现。
首先,获取样本高光谱影像。
在本申请实施例中,样本高光谱影像可以包括不同类型的陆地表面物体,其中陆地表面物体可以包括容易通过近红外波段的反射率与水体区分的沥青、亮建筑、暗建筑、城市裸地、非城市裸地及植被,其中,亮建筑是指建筑未被遮挡,在高光谱影像中组成像素的灰阶值较高(比如灰阶值大于一灰阶阈值)的建筑;暗建筑是指建筑被遮挡,在高光谱影像中组成像素的灰阶值较低的建筑,同理地,非城市裸地也是指在高光谱影像中组成像素的灰阶值较低的土壤。陆地表面物体还可以包括不容易通过近红外波段的反射率与水体区分的阴影,另外,陆地表面物体中水体的存在形式可以是阴影水体、城市水域及非城市水域。
然后,通过样本高光谱影像中的陆地表面物体在近红外波段的反射率确定能将水体和疑似水体与其他类型的陆地表面物体区分开的目标反射率,将目标反射率确定为所述近红外波段的反射率阈值。
请参照图4-图7示例了样本高光谱影像中不同类型的陆地表面物体在不同波段的反射率分布图,其中图4表示不同类型的陆地表面物体在蓝光波段的反射率分布图,图5表示不同类型的陆地表面物体在绿光波段的反射率分布图,图6表示不同类型的陆地表面物体在红光波段的反射率分布图,图7表示不同类型的陆地表面物体在近红外波段的反射率分布图。从上述图中可以获知,近红外波段的反射率可以将水体与其他类型的陆地表面物体进行明显的区分,区分效果较好。如图7所示,在反射率阈值为8%时只会将阴影水体划分成一类,不会存其它的陆地表面物体和水体分为一类,可以起到很好的区分效果。在本申请实施例中,反射率阈值的取值范围可以设置在7%~9%的范围。
进一步地,在本申请实施例中,在步骤S103之前,本申请实施例提供的高光谱影像的水体区域提取方法还可以包括创建所述水体指数模型的步骤,该步骤可以通过以下方式实现。
首先,通过对水体和疑似水体在可见光及近红外波段的反射率曲线分析,确定水体所对应的反射率曲线与疑似水体所对应的反射率曲线存在曲线走势差异的目标位置,并获取位于目标位置之前的第一子波段及位于目标位置之后的第二子波段。
然后,基于第一子波段对应的波段反射率与第二子波段对应的波段反射率建立水体指数模型。
请参照图8,图8示例了水体和阴影在可见光及近红外波段的反射率曲线分析图,由图中所示,阴影水体、城市水域及非城市水域的反射率曲线在700nm左右时存在趋势的改变,即由上升趋势变化为下降趋势。而单纯阴影的反射率曲线在680nm~750nm为上升趋势。通过上述趋势变化的不同可以构建水体指数模型,具体地,先确定存在趋势变化的目标位置(即波峰位置),然后获取目标位置所在的第一子波段(比如,695nm~705nm所在的波段)及位于目标位置之后的第二子波段(比如,725nm~735nm所在的波段),例如,在第一子波段对应的波段反射率为波长700nm对应的反射率且第二子波段对应的波段反射率为波长730nm对应的反射率时,构建的水体指数模型可以如下:
在本申请实施例中,步骤S103可以通过以下方式实现。
首先,计算第一水体区域中任意一个像素点在第一子波段中的波段反射率与该像素点在第二子波段中的波段反射率之间的波段反射率差值。
然后,将所述第一水体区域中所述波段反射率差值小于或等于预设阈值的像素点作为第一像素点,将所述第一水体区域中所述波段反射率差值大于预设阈值的像素点作为第二像素点,并将所述第一像素点组成的区域作为所述第二水体区域。
在本申请实施例中,步骤S104可以通过以下方式实现。
采用中值滤波的方式对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域。具体地,可以采用7*7尺寸的滤波掩膜进行中值滤波。
为了验证上述高光谱影像的水体区域提取方法的可靠性,现通过现有技术与本申请方案同时对三幅不同影像来源的高光谱影像的水体区域提取结果进行评价。请参照图9-图11示例了三幅不同来源的高光谱影像,图9为嘉兴市城区的AISA高光谱影像,图10为长沙市城区与郊区的OHS-2D高光谱影像,图11为雄安马蹄湾村的visible and NIR成像光谱仪的高光谱影像。在本申请实施例中可以采用如下的评价指标:用户精度(UA)、生产者精度(PA)、总体精度(OA)、kappa系数(Kappa)、度量指标(F1)和平均交并比(miou)。它们的计算公式如下:
其中,为真阳率、为假阳率、为假阴率、为真阴率、为高光谱影像的像素数量、为过程参数,上述评价指标的值越接近1表示分类效果越好,即对水体区域提取结果越好。请参照图12,图12示例了采用不同方案进行三幅高光谱影像水体提取后各项评价指标的值,由图12可知,本申请提供的方案对三幅高光谱影像水体提取的各项评价指标的整体表现相较于高光谱差水指数法(HDWI)及归一化差水指数法(NDWI)要高,与支持向量机法(SVM)相当,表明本申请提供的方案对不同影像来源且不同水体环境的高光谱影像具有较好的处理能力。
进一步地,请参照图13,图13为本申请实施例提供的高光谱影像的水体区域提取装置100的一种功能模块示意图,本申请实施例可以根据电子设备执行的方法实施例对高光谱影像的水体区域提取装置100进行功能模块的划分,也即该高光谱影像的水体区域提取装置100所对应的以下各个功能模块可以用于执行上述各个方法实施例。其中,该基于高光谱影像的水体区域提取装置100可以包括获取模块110、第一提取模块120、第二提取模块130及处理模块140,下面分别对该高光谱影像的水体区域提取装置100的各个功能模块的功能进行详细阐述。
获取模块110,用于获取包含待提取水体区域的目标高光谱影像。
获取模块110可以将卫星拍摄或航空拍摄(比如无人机拍摄)的高光谱影像作为候选高光谱影像,并从候选高光谱影像中选择包含水体区域的高光谱影像作为目标高光谱影像。其中,目标高光谱影像可以包括不同区域的高光谱影像,比如,城市区域的高光谱影像、郊区的高光谱影像及乡村的高光谱影像等;水体区域可以对应为河流、湖泊等水域。
在获取到目标高光谱影像后还可以对目标高光谱影像进行预处理,其中,预处理可以包括几何校正处理、大气校正处理、辐射校正处理以及归一化处理中的至少一种。
下面以不同来源的目标高光谱影像为例进行说明,不同影像来源的目标高光谱影像进行预处理的方式存在差异,比如,对AISA高光谱影像的预处理包括几何校正、辐射校正、大气校正及归一化处理,对OHS-2D高光谱影像的预处理包括辐射校正、大气校正及归一化处理,对visible and NIR成像光谱仪的高光谱影像的预处理包括归一化处理,其中,归一化处理是将高光谱影像的反射率归一化到统一范围(比如,0~1)内。另外,不同影像来源的目标高光谱影像在进行相同预处理时所采用的软件也可能不一样,比如,AISA高光谱影像进行辐射校正与大气校正可以采用MODTRAN 5.3.2软件,OHS-2D高光谱影像进行辐射校正与大气校正可以采用ENVI软件。
本实施例中,获取模块110可以用于执行上述的步骤S101,关于获取模块110的详细实现方式可以参照上述针对步骤S101的详细描述。
第一提取模块120,用于基于近红外波段的反射率阈值对目标高光谱影像进行水体区域提取,得到第一水体区域。
因近红外波段的反射率相对于其它波段(比如、蓝光波段、绿光波段及红光波段)的反射率对水体和大部分陆地表面的非水物体有更好的区分性能,在本申请实施例中,第一提取模块120通过近红外波段的反射率阈值可以将目标高光谱影像中的大部分非水物体与水体区分开,以从目标高光谱影像中提取得到第一水体区域。第一水体区域由水体和疑似水体组成,其中疑似水体可以包括目标高光谱影像中的阴影。疑似水体在近红外波段的反射率与水体在近红外波段的反射率相似,使得近红外波段的反射率阈值无法将疑似水体与水体区分开。
第一提取模块120可以用于执行上述的步骤S102,关于第一提取模块120的详细实现方式可以参照上述针对步骤S102的详细描述。
第二提取模块130,用于基于水体指数模型对第一水体区域进行水体区域提取,得到由水体组成的第二水体区域。
水体指数模型可以根据水体和疑似水体在可见光及近红外波段的光谱特性确定,水体指数模型可以用于区分第一水体区域中的水体和疑似水体。
第二提取模块130可以用于执行上述的步骤S103,关于第二提取模块130的详细实现方式可以参照上述针对步骤S103的详细描述。
处理模块140,用于对第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为目标高光谱影像中的水体区域。
由于噪声干扰会在提取结果包含一些单个的水体像素,这些单个的水体像素会影响提取精度,处理模块140用于对提取的第二水体区域中存在的单个的水体像素进行去除。
处理模块140可以用于执行上述的步骤S104,关于处理模块140的详细实现方式可以参照上述针对步骤S104的详细描述。
需要说明的是,应理解以上装置或***中的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以在物理上分开。且这些模块可以全部以软件(比如,开源软件)可以通过处理器调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理器调用软件的形式实现,部分模块通过硬件的形式实现。作为一种示例,第一提取模块120可以由单独处理器运行实现,可以以程序代码的形式存储于上述装置或***的存储器中,由上述装置或***的某一个处理器调用并执行以上第一提取模块120的功能,其它模块的实现与之类似,在此就不再赘述。此外这些模块可以全部或部分集成在一起,也可以独立实现。这里所描述的处理器可以是一种具有信号的处理能力的集成电路,在实现过程中,上述技术方案中的各步骤或各个模块可以通过处理器中的集成逻辑电路或者执行软件程序的形式完成。
请参照图14,图14示出了本公开实施例提供的用于实现上述的高光谱影像的水体区域提取方法的电子设备10的硬件结构示意图。如图14所示,电子设备10可包括处理器11、计算机可读存储介质12及总线13。
在具体实现过程中,处理器11执行计算机可读存储介质12存储的计算机执行指令(例如图13中所示的高光谱影像的水体区域提取装置100包括获取模块110、第一提取模块120、第二提取模块130及处理模块140),使得处理器11可以执行如上方法实施例的高光谱影像的水体区域提取方法,其中,处理器11及计算机可读存储介质12可以通过总线13连接。
处理器11的具体实现过程可参见上述电子设备10执行的各个方法实施例,其实现原理和技术效果类似,本申请实施例此处不再赘述。
总线13可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的高光谱影像的水体区域提取方法。
综上所述,本申请实施例提供的高光谱影像的水体区域提取方法、装置及电子设备,首先,通过近红外波段的反射率阈值从目标高光谱影像中进行水体区域提取,得到第一水体区域;然后,再通过基于可见光及近红外波段的光谱特性建立的水体指数模型,对第一水体区域进行水体区域提取,得到第二水体区域;最后,对第二水体区域进行去噪处理得到目标高光谱影像中的水体区域。上述方法通过充分利用高光谱影像中的光谱信息进行两次水体区域提取,可以提高水体区域的提取精度,将高光谱影像中的非水体区域与水体区域区分开。
以上所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本申请的实施例的详细描述并非旨在限制本申请的保护范围,而仅仅是表示本申请的选定实施例。基于此,本申请的保护范围应以权利要求的保护范围为准。此外,基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例,都应属于本申请保护的范围。
Claims (10)
1.一种高光谱影像的水体区域提取方法,其特征在于,所述方法包括:
获取包含待提取水体区域的目标高光谱影像;
基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域,其中,所述第一水体区域由水体和疑似水体组成,所述疑似水体在近红外波段的反射率与所述水体在近红外波段的反射率相似;
基于水体指数模型对所述第一水体区域进行水体区域提取,得到由所述水体组成的第二水体区域,其中,所述水体指数模型基于所述水体和所述疑似水体在可见光及近红外波段的光谱特性确定,所述水体指数模型用于区分所述第一水体区域中的水体和疑似水体;
对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域。
2.如权利要求1所述的高光谱影像的水体区域提取方法,其特征在于,所述获取包含待提取水体区域的目标高光谱影像的步骤,包括:
将包含水体区域的卫星高光谱影像或航空高光谱影像作为所述目标高光谱影像,其中,所述卫星高光谱影像和航空高光谱影像的分辨率为米级或者亚米级;
在所述基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域的步骤之前,所述方法还包括:
对所述目标高光谱影像进行预处理,其中,所述预处理包括几何校正处理、大气校正处理、辐射校正处理以及归一化处理中的至少一种。
3.如权利要求2所述的高光谱影像的水体区域提取方法,其特征在于,所述基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域的步骤,包括:
获取所述目标高光谱影像在所述近红外波段的多个子近红外波段上的光谱分量影像;
基于多个子近红外光谱子波段上的光谱分量影像计算得到所述目标高光谱影像在所述近红外波段上的光谱均值影像;
采用所述近红外波段的反射率阈值对所述光谱均值影像进行水体区域提取,得到所述第一水体区域。
4.如权利要求3所述的高光谱影像的水体区域提取方法,其特征在于,在采用所述近红外波段的反射率阈值对所述光谱均值影像进行水体区域提取,得到所述第一水体区域的步骤之前,所述方法还包括确定所述近红外波段的反射率阈值的步骤,该步骤包括:
获取样本高光谱影像,其中,所述样本高光谱影像中包括不同类型的陆地表面物体,其中,所述陆地表面物体包括沥青、亮建筑、暗建筑、城市裸地、非城市裸地、植被、阴影、阴影水体、城市水域及非城市水域;
通过所述样本高光谱影像中的陆地表面物体在所述近红外波段的反射率确定能将水体和疑似水体与其他类型的陆地表面物体区分开的目标反射率,将所述目标反射率确定为所述近红外波段的反射率阈值,其中,所述水体包括阴影水体、城市水域及非城市水域,所述疑似水体包括阴影。
5.如权利要求4所述的高光谱影像的水体区域提取方法,其特征在于,在所述基于水体指数模型对所述第一水体区域进行水体区域提取,得到由所述水体组成的第二水体区域的步骤之前,所述方法还包括创建所述水体指数模型的步骤,该步骤包括:
通过对所述水体和所述疑似水体在可见光及近红外波段的反射率曲线分析,确定所述水体所对应的反射率曲线与所述疑似水体所对应的反射率曲线存在曲线走势差异的目标位置,并获取所述目标位置所在的第一子波段及位于所述目标位置之后的第二子波段;
基于所述第一子波段对应的波段反射率与所述第二子波段对应的波段反射率建立水体指数模型。
6.如权利要求5所述的高光谱影像的水体区域提取方法,其特征在于,所述基于水体指数模型对所述第一水体区域进行水体区域提取,得到由所述水体组成的第二水体区域的步骤,包括:
计算所述第一水体区域中任意一个像素点在所述第一子波段中的波段反射率与该像素点在所述第二子波段中的波段反射率之间的波段反射率差值;
将所述第一水体区域中所述波段反射率差值小于或等于预设阈值的像素点作为第一像素点,将所述第一水体区域中所述波段反射率差值大于所述预设阈值的像素点作为第二像素点,并将所述第一像素点组成的区域作为所述第二水体区域。
7.如权利要求6所述的高光谱影像的水体区域提取方法,其特征在于,所述对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域的步骤,包括:
采用中值滤波的方式对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域,其中,所述中值滤波采用尺寸为7*7的滤波掩膜。
8.如权利要求5-7中任意一项所述的高光谱影像的水体区域提取方法,其特征在于,
所述近红外波段的反射率阈值的范围为7%~9%;
所述第一子波段的波长的范围为695nm~705nm,所述第二子波段的波长的范围为725nm~735nm。
9.一种高光谱影像的水体区域提取装置,其特征在于,所述装置包括:
获取模块,用于获取包含待提取水体区域的目标高光谱影像;
第一提取模块,用于基于近红外波段的反射率阈值对所述目标高光谱影像进行水体区域提取,得到第一水体区域,其中,所述第一水体区域由水体和疑似水体组成,所述疑似水体在近红外波段的反射率与所述水体在近红外波段的反射率相似;
第二提取模块,用于基于水体指数模型对所述第一水体区域进行水体区域提取,得到由所述水体组成的第二水体区域,其中,所述水体指数模型基于所述水体和所述疑似水体在可见光及近红外波段的光谱特性确定,所述水体指数模型用于区分所述第一水体区域中的水体和疑似水体;
处理模块,用于对所述第二水体区域进行去噪处理,将去噪处理后的第二水体区域作为所述目标高光谱影像中的水体区域。
10.一种电子设备,其特征在于,所述电子设备包括处理器及计算机可读存储介质,所述处理器及所述计算机可读存储介质之间通过总线***连接,所述计算机可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述计算机可读存储介质中的程序、指令或代码,以实现权利要求1-8中任意一项所述的高光谱影像的水体区域提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034953.4A CN114049571A (zh) | 2022-01-13 | 2022-01-13 | 高光谱影像的水体区域提取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034953.4A CN114049571A (zh) | 2022-01-13 | 2022-01-13 | 高光谱影像的水体区域提取方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049571A true CN114049571A (zh) | 2022-02-15 |
Family
ID=80196463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034953.4A Pending CN114049571A (zh) | 2022-01-13 | 2022-01-13 | 高光谱影像的水体区域提取方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649612A (zh) * | 2023-10-19 | 2024-03-05 | 成都大学 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN107421892A (zh) * | 2016-05-23 | 2017-12-01 | 核工业北京地质研究院 | 一种用于水体信息提取的高光谱数据处理方法 |
CN108734122A (zh) * | 2018-05-17 | 2018-11-02 | 北京理工大学 | 一种基于自适应样本选择的高光谱城区水体检测方法 |
-
2022
- 2022-01-13 CN CN202210034953.4A patent/CN114049571A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN107421892A (zh) * | 2016-05-23 | 2017-12-01 | 核工业北京地质研究院 | 一种用于水体信息提取的高光谱数据处理方法 |
CN108734122A (zh) * | 2018-05-17 | 2018-11-02 | 北京理工大学 | 一种基于自适应样本选择的高光谱城区水体检测方法 |
Non-Patent Citations (1)
Title |
---|
JIAWEI YANG等: "Water extraction of hyperspectral imagery based on a fast and effective decision tree water index", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649612A (zh) * | 2023-10-19 | 2024-03-05 | 成都大学 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087274B (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
Yousif et al. | Improving urban change detection from multitemporal SAR images using PCA-NLM | |
US9779503B2 (en) | Methods for measuring the efficacy of a stain/tissue combination for histological tissue image data | |
US20220129674A1 (en) | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels | |
CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及*** | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN115205194B (zh) | 基于图像处理的粘虫板覆盖率检测方法、***及装置 | |
CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 | |
Zhang et al. | Salient region detection in remote sensing images based on color information content | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
Shi et al. | Automatic shadow detection in high-resolution multispectral remote sensing images | |
CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
CN114066862A (zh) | 一种基于色域和轮廓特征的指示器识别方法及*** | |
CN116188510B (zh) | 一种基于多传感器的企业排放数据采集*** | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
CN114170145B (zh) | 基于多尺度自编码的异质遥感图像变化检测方法 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和*** | |
CN117252789B (zh) | 高分辨率遥感影像阴影重建方法、装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220215 |
|
RJ01 | Rejection of invention patent application after publication |