CN117409203B - 一种浅水湖泊面积提取的方法 - Google Patents
一种浅水湖泊面积提取的方法 Download PDFInfo
- Publication number
- CN117409203B CN117409203B CN202311509181.6A CN202311509181A CN117409203B CN 117409203 B CN117409203 B CN 117409203B CN 202311509181 A CN202311509181 A CN 202311509181A CN 117409203 B CN117409203 B CN 117409203B
- Authority
- CN
- China
- Prior art keywords
- lake
- extracted
- positive
- image
- negative
- 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 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 230000002452 interceptive effect Effects 0.000 claims abstract description 31
- 230000007797 corrosion Effects 0.000 claims abstract description 20
- 238000005260 corrosion Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000011282 treatment Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000005520 cutting process Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000011835 investigation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种浅水湖泊面积提取的方法,包括以下步骤:获取水体和水生植物的样本影像和标签数据,并对标签数据进行腐蚀和编码处理,获得正负波段图像;基于正负波段图像和样本影像对交互式语义分割模型进行训练;基于遥感影像获取待提取湖泊的水体指数和植被指数;对水体指数和植被指数分别进行腐蚀处理,基于处理后的数据构建待提取湖泊的正负波段图像;基于训练后的交互式语义分割模型对待提取湖泊的遥感影像和正负波段图像进行处理,获得湖泊面积提取结果。本发明生成的浅水湖泊面积,通过智能设定交互式深度学习输入数据的正负极点波段,对于包含水生植物的浅水湖泊的提取精度更高,可实现全自动、高精度的湖泊面积提取。
Description
技术领域
本发明属于遥感技术与信息科学技术领域,特别是涉及一种浅水湖泊面积提取的方法。
背景技术
遥感技术是大范围、实时动态监测湖泊面积的主要技术之一。基于遥感影像提取湖泊面积的方法主要有指数(水体指数等)阈值、决策树分类、深度学习等。指数阈值方法主要根据遥感影像波段特点,利用中波红外、短波红外、红、绿等波段的算术运算构建水体指数图像,进而设定阈值来提取湖泊水域面积,这类方法提取精度跟水体指数计算效果、阈值设定好坏等直接相关,并且容易受到影像噪声、不纯净水体、水生植物等的影响。决策树分类主要是对不同波段图像进行阈值分类,并对所有分类结果进行决策级融合,实现湖泊面积的提取,这类方法提取精度与每个阈值分类结果、决策级融合规则等直接相关,而且该方法通常不具有泛化能力,一个湖泊面积的提取模型基本不能用于其他湖泊,工程化能力较差。深度学习方法通过大量先验湖泊样本,训练语义分割深度学习网络参数,并对湖泊区域影像进行处理,从而实现湖泊面积的提取,这类方法虽然具有较好的泛化能力,但是受到样本数量质量、类型全面性、分布均匀性等因素限制,需要消耗大量人力进行样本制作和大量时间进行样本迭代,工程化成本较高。
此外,由于很多浅水湖泊中常常伴生有大量水生植物,成片的、高于水面的水生植物往往造成遥感影像上该区域地表覆被表现为植被类型,以上三种方法基本无法成功提取水生植物覆盖区域的面积,极大影响了湖泊面积提取的精度,显著降低了湖泊面积数据的准确性。
发明内容
本发明的目的是提供一种浅水湖泊面积提取的方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种浅水湖泊面积提取的方法,包括以下步骤:
获取水体和水生植物的样本影像和标签数据,并对所述标签数据进行腐蚀和编码处理,获得正负波段图像;
基于所述正负波段图像和样本影像对交互式语义分割模型进行训练,获得训练后的交互式语义分割模型;
基于遥感影像获取待提取湖泊的水体指数和植被指数;
对所述水体指数和植被指数分别进行腐蚀处理,基于处理后的数据构建待提取湖泊的正负波段图像;
基于所述训练后的交互式语义分割模型对待提取湖泊的遥感影像和正负波段图像进行处理,获得湖泊面积提取结果。
可选地,获取水体和水生植物的样本影像和标签数据的过程包括:获取水体和水生植物相关监测数据以及对应的遥感影像,基于所述水体和水生植物相关监测数据裁切同空间位置区域的遥感影像,获得水体及水生植物图斑区域影像块;基于交互式语义分割模型的预训练权重对所述水体及水生植物图斑区域影像块进行交互式分割处理,获得水体和水生植物的样本影像和标签数据。
可选地,对所述标签数据进行腐蚀处理的过程包括:对所述标签数据基于网格标签进行正负像元的全向递归腐蚀运算,获得标签数据的正、负点。
可选地,对所述标签数据进行编码处理的过程包括:基于加权距离编码算法将所述标签数据的正、负点转换为正负波段图像。
可选地,获取待提取湖泊的水体指数和植被指数的过程包括:获取待提取湖泊水面面积最大范围以及对应的遥感影像,基于所述待提取湖泊水面面积最大范围裁切同空间位置区域的遥感影像,获得待提取湖泊图斑区域影像块;基于所述待提取湖泊图斑区域影像块获取所述待提取湖泊影像的水体指数和植被指数。
可选地,对所述水体指数和植被指数分别进行腐蚀处理的过程包括:对待提取湖泊内的水体指数进行全向腐蚀运算,提取待提取湖泊内的水体种子点;对待提取湖泊内的植被指数进行定向腐蚀运算,定向方向为最近水体种子点的同方向,提取待提取湖泊内的植被种子点;对待提取湖泊外的植被指数进行定向形态学运算,定向方向为最近水体种子点与最近植被种子点最小值的反方向,提取待提取湖泊外的植被种子点。
可选地,构建待提取湖泊的正负波段图像的过程包括:将待提取湖泊图斑区域影像块等间隔分为3*3区域;在每个区域的待提取湖泊内选择一个离待提取湖泊中心点相对近的水体种子点和植被种子点作为正点;在每个区域的待提取湖泊外选择一个离待提取湖泊中心点相对近的植被种子点作为负点;基于所述正点和负点构建待提取湖泊的正负波段图像。
可选地,获得湖泊面积提取结果的过程包括:基于训练后的交互式语义分割模型对待提取湖泊的正负波段图像以及待提取湖泊影像的合并图像进行交互式语义分割处理;对处理结果进行二值化、矢量化,获得湖泊面积提取初步结果;采用待提取湖泊水面面积最大范围对湖泊面积提取初步结果进行矢量裁切,得到湖泊面积提取结果。
本发明的技术效果为:
本发明生成的浅水湖泊面积,不仅无需人工设定阈值,而且无需遥感解译专业知识,通过智能设定交互式深度学习输入数据的正负极点波段,对于包含水生植物的浅水湖泊的提取精度更高,可实现全自动、高精度的湖泊面积提取。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的浅水湖泊面积提取的方法流程示意图;
图2为本发明实施例中的待提取湖泊图斑区域影像块示意图;
图3为本发明实施例中的浅水湖泊面积提取效果;其中,(a)为湖泊区域遥感影像(R:4,G:3,B:2),(b)为水体指数图像,(c)为植被指数图像;(d)为待提取湖泊内植被种子点图像,(e)为待提取湖泊湖泊外植被种子点图像,(f)为待提取湖泊内水体种子点图像,(g)为待提取湖泊的正点和负点图像,(h)为浅水湖泊面积提取结果图像。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供了一种浅水湖泊面积提取的方法,其中,该湖泊面积提取的方法包括:利用自然资源调查监测数据,基于交互式语义分割网络和预训练权重参数,制作水体和水生植物的样本影像与标签数据;利用全向腐蚀和加权距离编码由标签数据构建正、负点及正负波段图像,与样本影像一并用于交互式语义分割模型参数更新,获得交互式语义分割模型;依据自然资源调查监测数据获得待提取浅水湖泊区域最大范围;利用Landsat7/8等包含中红外、红、绿波段的遥感影像,计算待提取浅水湖泊区域影像的水体指数和植被指数,分别经全向和定向腐蚀运算提取浅水湖泊区域内、区域外的水体和植被种子点;以湖泊区域内、外的水体种子点和植被种子点为正、负点,构建正、负波段图像;利用交互式语义分割模型,对提取结果错误的像元进行交互式的语义分割修正,获得湖泊面积提取结果。
具体的实施方法包括以下步骤:
收集第三次全国国土调查数据、地理国情监测数据、海南岛陆域水体遥感提取数据集、全国地表类型遥感影像样本数据集等自然资源调查监测数据,处理形成水体相关监测数据。
自然资源调查监测数据可表示为:
R={Pi,i=1,2,....,N}
其中,R为自然资源调查监测数据集,Pi为各类调查监测数据,N为数据总数量。
针对每类调查监测数据Pi,按照图斑类别属性进行合并,获得每类调查监测水体及水生植物相关数据Pi’。
Pi’={UNIONPij,j∈field in(DLBM,DLDM,LXBH,......水体、水生植物相关类别代码,or DLMC,LBMC......水域、水体、水工设施、湖泊、河流、水生植物等)}。
其中,Pi’为每类调查监测水体及水生植物相关数据,UNION为并集,Pij为Pi的第j个图斑,field为属性域,(DLBM,DLDM,LXBH,......)为类别编码属性列,(DLMC,LBMC,......)为类别名称属性列,or为或。
针对全部调查监测数据集R,对Pi’按照空间位置进行合并,获得水体及水生植物相关监测数据R’:
R’={UNIONPi’}
其中,R’为水体及水生植物相关监测数据,Pi’为类别合并后的每类调查监测数据,UNION为并集。
利用水体及水生植物相关监测数据R’裁切同空间位置区域的光学遥感影像,基于轻量级交互式语义分割网络预训练权重对裁切影像块进行交互式分割处理,制作浅水水面的样本影像与标签数据。
作为具体的实施例,如图2所示,以水体及水生植物相关监测数据R’的每个图斑最小外截矩形向外缓冲,用缓冲后矩形裁切同空间位置区域的光学遥感影像,获得水体及水生植物图斑区域影像块。按照图斑最小外截矩形长宽的30%等比例向外部四个方向分别缓冲,缓冲后矩形长宽均为原影像的160%,考虑到语义分割模型需要对影像进行多次池化以获取该影像大步长的上下文语义信息,经3-4次池化后影像大小为原影像尺寸的1/5-1/10,最外层像元能包含水体外的背景信息,以利于水体及水生植物的正负样本的平衡。
基于HRNet18s+OCR轻量级交互式语义分割网络模型,参考遥感影像,采用目视解译的方式,在遥感影像上勾绘包含水生植物的水面面积图斑,获得水体的样本影像和标签数据。按照不大于50%的比例,对样本数据进行平移、旋转、翻转、缩放、增加噪音、亮度拉伸、色彩变换、拼接、填充、叠置等增广处理,经抽样和欠抽样,形成类别分布均衡的水体样本数据。
sample={Samplewater or Samplehydrophyte}
其中,sample为水体样本数据集,Samplewater为水面样本数据,Samplehydrophyte为水生植物样本数据,or为或。
对标签数据进行网格控制的腐蚀运算,构建正、负点波段图像,基于与样本影像一并输入HRNet18s+OCR交互语义分割网络进行训练,获得交互式语义分割模型获得交互式语义分割网络模型。
作为具体的实施例,对标签数据按网格进行正负像元的全向递归腐蚀运算,获得标签数据的正、负点。
Point_positive={Qij∈(Samplelabel=1),i=[1,3],j=[1,3]}
Point_nagetive={Qij∈(Samplelabel=0),i=[1,3],j=[1,3]}
Bi=1{i=1,2,3,4,5,6,7,8}
其中,Point_positive为正点像元,Point_nagetive为负点像元,Samplelabel为水体样本的标签图像,Qij为网格标签图像,B为3*3卷积核。
对标签数据的正、负点,采用加权距离编码算法将正负点转换为正、负波段图像。对全部正点、全部负点分别进行编码。
Dij=sqrt((xi-xj)^2+(yi-yj)^2)
Dmax=MAX(Dij)
Point_mid=(Σxi/N,Σyi/N)i=1,...,N
Grayk=(Dmax-Dpoint_mid,k)
其中,Dij为任意两点之间的距离,Point_mid为所有正点或负点的中心点,Dmax为任意两点距离的最大值,Dpoint_mid,k为像素位置k与中心点Point_mid的距离,N为正/负点总数量,Grayk为正点或负点波段图像中位置k的灰度值。
利用HRNet18s+OCR交互式语义分割预训练参数,对水体样本数据、标签数据和正负点波段图像进行交互式语义分割模型更新训练。
由自然资源调查监测数据获得浅水湖泊水面面积最大范围,利用HRNet18s+OCR交互式语义分割模型对Landsat 7/8等包含中红外、红、绿波段的遥感影像进行处理,提取浅水湖泊水域面积。
自然资源调查监测数据获得浅水湖泊水面面积最大范围;
Pk’={UNIONPij,j∈field in(DLMC,LBMC......=浅水湖泊名等)}
对Landsat 7/8等包含中红外、红、绿波段的遥感影像,同步骤2的方式获得待提取浅水湖泊区域影像,并计算待提取影像的水体指数和植被指数;
根据浅水湖泊水面面积最大范围,对湖泊区域内的水体指数进行全向腐蚀运算,提取待提取影像的水体种子点;
B=Bi=1{i=1,2,3,4,5,6,7,8}
其中,NDWIin为湖泊区域内的水体指数图像,B为3*3卷积核。
根据浅水湖泊水面面积最大范围,对湖泊区域内的植被指数进行定向腐蚀运算,定向方向为最近水体种子点的同方向,提取湖泊区域内的植被种子点;
B={Bi=1 if i in最近水体极值点的方向,Bi=0else}
其中,NDVIin为湖泊区域内的植被指数图像,B为3*3卷积核。
对湖泊区域外的植被指数进行定向形态学运算,定向方向为最近水体种子点与最近植被种子点最小值的反方向,提取湖泊区域外的植被种子点;
B={Bi=1 if i in最近水体/植被种子点最小值的反向,Bi=0else}
其中,NDVIout为湖泊区域外的植被指数图像,B为3*3卷积核。
湖泊面积提取:
将待提取区域等间隔分为3*3区域;对湖泊区域内的水体种子点和植被种子点,每个区域内分别选择一个离湖泊区域中心点相对近的水体种子点和植被种子点作为正点;对湖泊区域外的植被种子点,每个区域内分别选择一个离湖泊区域中心点相对近的植被种子点作为负点。
以正、负点构建正点距离波段和负点距离波段图像;利用训练好的交互式语义分割网络模型,对正点波段图像、负点波段图像、原始影像等合并图像进行交互式语义分割处理。
对深度学习结果进行二值化、矢量化,获得湖泊面积提取初步结果;采用湖泊区域范围对湖泊面积提取初步结果进行矢量裁切,得到湖泊面积提取结果。如图3所示,为本发明实施例中的浅水湖泊面积提取效果;其中,(a)为湖泊区域遥感影像(R:4,G:3,B:2),(b)为水体指数图像,(c)为植被指数图像;(d)为待提取湖泊内植被种子点图像,(e)为待提取湖泊湖泊外植被种子点图像,(f)为待提取湖泊内水体种子点图像,(g)为待提取湖泊的正点和负点图像,(h)为浅水湖泊面积提取结果图像。
以上所述,仅为本申请较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (6)
1.一种浅水湖泊面积提取的方法,其特征在于,包括以下步骤:
获取水体和水生植物的样本影像和标签数据,并对所述标签数据进行腐蚀和编码处理,获得正负波段图像;
基于所述正负波段图像和样本影像对交互式语义分割模型进行训练,获得训练后的交互式语义分割模型;
基于遥感影像获取待提取湖泊的水体指数和植被指数;
对所述水体指数和植被指数分别进行腐蚀处理,基于处理后的数据构建待提取湖泊的正负波段图像;
基于所述训练后的交互式语义分割模型对待提取湖泊的遥感影像和正负波段图像进行处理,获得湖泊面积提取结果;
对所述水体指数和植被指数分别进行腐蚀处理的过程包括:对待提取湖泊内的水体指数进行全向腐蚀运算,提取待提取湖泊内的水体种子点;对待提取湖泊内的植被指数进行定向腐蚀运算,定向方向为最近水体种子点的同方向,提取待提取湖泊内的植被种子点;对待提取湖泊外的植被指数进行定向形态学运算,定向方向为最近水体种子点与最近植被种子点最小值的反方向,提取待提取湖泊外的植被种子点;
构建待提取湖泊的正负波段图像的过程包括:将待提取湖泊图斑区域影像块等间隔分为3*3区域;在每个区域的待提取湖泊内选择一个离待提取湖泊中心点相对近的水体种子点和植被种子点作为正点;在每个区域的待提取湖泊外选择一个离待提取湖泊中心点相对近的植被种子点作为负点;基于所述正点和负点构建待提取湖泊的正负波段图像。
2.根据权利要求1所述的浅水湖泊面积提取的方法,其特征在于,
获取水体和水生植物的样本影像和标签数据的过程包括:获取水体和水生植物相关监测数据以及对应的遥感影像,基于所述水体和水生植物相关监测数据裁切同空间位置区域的遥感影像,获得水体及水生植物图斑区域影像块;基于交互式语义分割模型的预训练权重对所述水体及水生植物图斑区域影像块进行交互式分割处理,获得水体和水生植物的样本影像和标签数据。
3.根据权利要求1所述的浅水湖泊面积提取的方法,其特征在于,
对所述标签数据进行腐蚀处理的过程包括:对所述标签数据基于网格标签进行正负像元的全向递归腐蚀运算,获得标签数据的正、负点。
4.根据权利要求3所述的浅水湖泊面积提取的方法,其特征在于,
对所述标签数据进行编码处理的过程包括:基于加权距离编码算法将所述标签数据的正、负点转换为正负波段图像。
5.根据权利要求1所述的浅水湖泊面积提取的方法,其特征在于,
获取待提取湖泊的水体指数和植被指数的过程包括:获取待提取湖泊水面面积最大范围以及对应的遥感影像,基于所述待提取湖泊水面面积最大范围裁切同空间位置区域的遥感影像,获得待提取湖泊图斑区域影像块,基于所述待提取湖泊图斑区域影像块获取所述待提取湖泊影像的水体指数和植被指数。
6.根据权利要求1所述的浅水湖泊面积提取的方法,其特征在于,
获得湖泊面积提取结果的过程包括:基于训练后的交互式语义分割模型对待提取湖泊的正负波段图像以及待提取湖泊影像的合并图像进行交互式语义分割处理;对处理结果进行二值化、矢量化,获得湖泊面积提取初步结果;采用待提取湖泊水面面积最大范围对湖泊面积提取初步结果进行矢量裁切,得到湖泊面积提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509181.6A CN117409203B (zh) | 2023-11-14 | 2023-11-14 | 一种浅水湖泊面积提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509181.6A CN117409203B (zh) | 2023-11-14 | 2023-11-14 | 一种浅水湖泊面积提取的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409203A CN117409203A (zh) | 2024-01-16 |
CN117409203B true CN117409203B (zh) | 2024-04-02 |
Family
ID=89494373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311509181.6A Active CN117409203B (zh) | 2023-11-14 | 2023-11-14 | 一种浅水湖泊面积提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409203B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915954A (zh) * | 2015-05-25 | 2015-09-16 | 同济大学 | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 |
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 |
CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学(武汉) | 一种基于深度学习的遥感影像水域自动提取方法及*** |
CN111931696A (zh) * | 2020-09-04 | 2020-11-13 | 中国水利水电科学研究院 | 一种基于空间约束的湖库水体面积遥感自动提取方法 |
CN114332619A (zh) * | 2021-12-30 | 2022-04-12 | 安徽大学 | 一种基于深度学习的遥感数据水华提取方法 |
WO2022077958A1 (zh) * | 2020-10-13 | 2022-04-21 | 上海商汤智能科技有限公司 | 水体分割方法及装置、电子设备和存储介质 |
CN114419460A (zh) * | 2022-01-19 | 2022-04-29 | 中国科学院空天信息创新研究院 | 水体区域提取方法及装置 |
CN115410091A (zh) * | 2022-07-28 | 2022-11-29 | 山东电力工程咨询院有限公司 | 一种提取干旱区湖泊水面积的方法及*** |
-
2023
- 2023-11-14 CN CN202311509181.6A patent/CN117409203B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915954A (zh) * | 2015-05-25 | 2015-09-16 | 同济大学 | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 |
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 |
CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学(武汉) | 一种基于深度学习的遥感影像水域自动提取方法及*** |
CN111931696A (zh) * | 2020-09-04 | 2020-11-13 | 中国水利水电科学研究院 | 一种基于空间约束的湖库水体面积遥感自动提取方法 |
WO2022077958A1 (zh) * | 2020-10-13 | 2022-04-21 | 上海商汤智能科技有限公司 | 水体分割方法及装置、电子设备和存储介质 |
CN114332619A (zh) * | 2021-12-30 | 2022-04-12 | 安徽大学 | 一种基于深度学习的遥感数据水华提取方法 |
CN114419460A (zh) * | 2022-01-19 | 2022-04-29 | 中国科学院空天信息创新研究院 | 水体区域提取方法及装置 |
CN115410091A (zh) * | 2022-07-28 | 2022-11-29 | 山东电力工程咨询院有限公司 | 一种提取干旱区湖泊水面积的方法及*** |
Non-Patent Citations (1)
Title |
---|
基于知识决策树的城市水体提取方法研究;陈静波 等;遥感信息;20130228;第28卷(第1期);29-33 * |
Also Published As
Publication number | Publication date |
---|---|
CN117409203A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767801B (zh) | 一种基于深度学习的遥感影像水域自动提取方法及*** | |
CN113011427B (zh) | 基于自监督对比学习的遥感图像语义分割方法 | |
Alhassan et al. | A deep learning framework for land-use/land-cover mapping and analysis using multispectral satellite imagery | |
CN112991354A (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及*** | |
CN112419155A (zh) | 一种全极化合成孔径雷达影像超分辨率重建方法 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
Zhang et al. | Segmentation model based on convolutional neural networks for extracting vegetation from Gaofen-2 images | |
CN114494910B (zh) | 一种基于遥感图像的设施农用地多类别识别与分类方法 | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
Mantripragada et al. | The effects of spectral dimensionality reduction on hyperspectral pixel classification: A case study | |
Gonzalez | DL4DS—Deep learning for empirical downscaling | |
Li et al. | Fruit tree canopy segmentation from UAV orthophoto maps based on a lightweight improved U-Net | |
CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
CN116543165B (zh) | 一种基于双通道复合深度网络的遥感图像果树分割方法 | |
CN117409203B (zh) | 一种浅水湖泊面积提取的方法 | |
CN115205624A (zh) | 一种跨维度注意力聚合的云雪辩识方法、设备及存储介质 | |
Yi et al. | AC-UNet: an improved UNet-based method for stem and leaf segmentation in Betula luminifera | |
CN117975282B (zh) | 基于多元光学特征融合的紫菜养殖区遥感提取方法及*** | |
Li et al. | Adaptive Context Transformer for Semi-Supervised Remote Sensing Image Segmentation | |
CN113642663B (zh) | 一种卫星遥感影像水体提取方法 | |
Herlawati et al. | Semantic Segmentation of Landsat Satellite Imagery | |
Vankudari et al. | Performance of different U-Net architectures for inventory of coconut plantations using Cartosat-2 multispectral data | |
CN115797765A (zh) | 基于边界提取和断点连接后处理的田块提取方法及*** |
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 |