一種水體識別方法及裝置與流程
本發(fā)明涉及遙感圖像處理技術領域，具體涉及一種水體識別方法及裝置。
背景技術：
內陸水體制圖是研究內陸水循環(huán)，尤其是研究內陸淡水系統(tǒng)的前提。盡管內陸水在地球表面所占的面積較小(2％～3％)，但它供養(yǎng)著全球10％的動物和將近35％的脊椎動物，在維持生物多樣性及生態(tài)系統(tǒng)功能方面發(fā)揮著重要作用。然而，內陸水的生物多樣性正在迅速下降，可能會成為世界上最為瀕危的生態(tài)系統(tǒng)。內陸水資源也被認為在全球碳循環(huán)中發(fā)揮著重要作用。遙感技術的飛速發(fā)展為內陸水體大范圍觀測提供了可能。自從上世紀70年代美國陸地資源衛(wèi)星landsat發(fā)射以來，有關地表監(jiān)測的衛(wèi)星遙感圖像數(shù)據(jù)迅速增加。
最初的基于目視解譯的水體識別方法因人工成本高、耗費時間長等難以滿足大范圍監(jiān)測、災害即時性評估等領域的要求。
現(xiàn)有的基于監(jiān)督分類學習的水體識別方法分類精度較高，但要求輸入樣本點，樣本點精度受先驗知識影響，且樣本點的選擇也有很大的工作量。監(jiān)督分類用于小區(qū)域制圖沒有問題，如果區(qū)域過大、數(shù)據(jù)量驟升，監(jiān)督分類精度會因樣本的代表性問題而產生較大誤差。
現(xiàn)有的基于非監(jiān)督分類學習的水體識別方法雖然受人工干預較少，但無法將分類結果與地物類型一一對應，且穩(wěn)定性、分類精度等方面遠不及監(jiān)督分類。
技術實現(xiàn)要素：
本發(fā)明實施例提供一種水體識別方法及裝置，用于解決如何對大范圍地域進行準確水體識別的問題。
本發(fā)明實施例提供了一種水體識別方法，包括：
根據(jù)標準水體光譜曲線獲取待識別的多光譜圖像的水體概率圖像；
將所述水體概率圖像劃分為多個待識別單元；
根據(jù)所述待待識別單元中各個像元的水體概率針對適應度值構造目標函數(shù)；
對所述目標函數(shù)進行迭代求解，獲取所述適應度值最大時的所述待識別單元的水體分布，以對所述待識別單元進行水體識別。
可選地，所述根據(jù)標準水體光譜曲線獲取待識別的多光譜圖像的水體概率圖像，包括：
分別對所述待識別的多光譜圖像中的各個像元的光譜曲線和所述標準水體光譜曲線進行歸一化處理；
獲取歸一化處理后的待識別的多光譜圖像中的各個像元的光譜曲線與標準水體光譜曲線的相似度；
根據(jù)所述各個像元的相似度獲取所述各個像元的水體概率。
可選地，所述目標函數(shù)的公式如下：
其中，t表示適應度值；c1為常數(shù)，表示水體部分的權重，c2為常數(shù)，表示非水體部分的權重，c3為常數(shù)，表示鄰域部分的權重；pw,k表示所述待識別單元中第k個像元為水體的概率，pnw,k表示所述待識別單元中第k個像元為非水體的概率；
可選地，所述對所述目標函數(shù)進行迭代求解，包括：
采用離散粒子群算法對所述目標函數(shù)進行迭代求解。
本發(fā)明實施例提供一種水體識別裝置，包括：
水體概率圖像獲取單元，用于根據(jù)標準水體光譜曲線獲取待識別的多光譜圖像的水體概率圖像；
圖像劃分單元，用于將所述水體概率圖像劃分為多個待識別單元；
目標函數(shù)構造單元，用于根據(jù)所述待待識別單元中各個像元的水體概率針對適應度值構造目標函數(shù)；
水體識別單元，用于對所述目標函數(shù)進行迭代求解，獲取所述適應度值最大時的所述待識別單元的水體分布，以對所述待識別單元進行水體識別。
可選地，所述水體概率圖像獲取單元包括：
歸一化處理模塊，用于分別對所述待識別的多光譜圖像中的各個像元的光譜曲線和所述標準水體光譜曲線進行歸一化處理；
相似度獲取模塊，用于獲取歸一化處理后的待識別的多光譜圖像中的各個像元的光譜曲線與標準水體光譜曲線的相似度；
水體概率獲取模塊，用于根據(jù)所述各個像元的相似度獲取所述各個像元的水體概率。
可選地，所述目標函數(shù)的公式如下：
其中，t表示適應度值；c1為常數(shù)，表示水體部分的權重，c2為常數(shù)，表示非水體部分的權重，c3為常數(shù)，表示鄰域部分的權重；pw,k表示所述待識別單元中第k個像元為水體的概率，pnw,k表示所述待識別單元中第k個像元為非水體的概率；
可選地，所述水體識別單元進一步用于：
采用離散粒子群算法對所述目標函數(shù)進行迭代求解。
本發(fā)明實施例提供一種電子設備，包括：處理器、存儲器和總線；其中，
處理器和存儲器通過總線完成相互間的通信；
處理器用于調用存儲器中的程序指令，以執(zhí)行上述的水體識別方法。
本發(fā)明實施例提供一種非暫態(tài)計算機可讀存儲介質，所述非暫態(tài)計算機可讀存儲介質存儲計算機指令，所述計算機指令使所述計算機執(zhí)行上述的水體識別方法。
本發(fā)明實施例提供的水體識別方法及裝置，通過將水體概率圖像分割為多個待識別單元，考慮待識別單元中水體對象的空間連接性，最終獲得表示水體和非水體的二值分類圖像。只提取與水體有關的信息，非水體信息被壓制，因此針對性較強；同時考慮了所有光譜波段信息，對水體信息的還原性更強，比水體指數(shù)(僅僅考慮特定光譜波段)具有更高的信息利用率，實現(xiàn)對大范圍地域進行準確的水體識別，為防災減災、氣候變化、生態(tài)水文過程等領域提供支持。
附圖說明
為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1是本發(fā)明一個實施例的水體識別方法的流程示意圖；
圖2是本發(fā)明一個實施例的水體識別裝置的結構示意圖；
圖3是本發(fā)明一個實施例的電子設備的實體結構示意圖。
具體實施方式
為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整的描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
圖1是本發(fā)明一個實施例的方法的流程示意圖。如圖1所示，該實施例的方法包括：
s11：根據(jù)標準水體光譜曲線獲取待識別的多光譜圖像的水體概率圖像；
需要說明的是，本發(fā)明實施例中的標準光譜曲線是從典型水體中獲得的，代表波長與反射率的對應關系。在實際應用中，可采用landsat8oli多光譜圖像，也可以采用其他多光譜曲線，本發(fā)明對此不作限制。
水體概率指的是標準水體光譜曲線與多光譜圖像中像元的光譜曲線之間的相似度。像元的光譜與標準光譜的相似度越高，概率值越大，該像元越有可能是水體。
s12：將所述水體概率圖像劃分為多個待識別單元；
需要說明的是，地表是個連續(xù)表面，水體分布也表現(xiàn)為地理上的連續(xù)性。為了表征這種連續(xù)性，水體概率圖像被分為多個待識別單元，每個待識別單元的大小為rows行和cols列。例如，rows和cols都取值為4，那么，在4×4共16個像元的待識別單元內，每個像元是否為水取決于周圍其他15個像元。
s13：根據(jù)所述待待識別單元中各個像元的水體概率針對適應度值構造目標函數(shù)；
需要說明的是，本發(fā)明實施例針對適應度值構造目標函數(shù)。
s14：對所述目標函數(shù)進行迭代求解，獲取所述適應度值最大時的所述待識別單元的水體分布，以對所述待識別單元進行水體識別；
需要說明的是，待識別的多光譜圖像包括多個待識別處理單元(單元個數(shù)取決于rows和cols的大小，rows不一定等于cols)，每個待識別單元都可看做一個分類過程。在該分類過程中，某個像元是否為水體取決于目標函數(shù)的優(yōu)化結果。分類過程是個迭代過程，當適應度值達到最大值時，表示最優(yōu)分類結果，迭代終止。
本發(fā)明實施例提供的水體識別方法，通過將水體概率圖像分割為多個待識別單元，考慮待識別單元中水體對象的空間連接性，最終獲得表示水體和非水體的二值分類圖像。只提取與水體有關的信息，非水體信息被壓制，因此針對性較強；同時考慮了所有光譜波段信息，對水體信息的還原性更強，比水體指數(shù)(僅僅考慮特定光譜波段)具有更高的信息利用率，實現(xiàn)對大范圍地域進行準確的水體識別，為防災減災、氣候變化、生態(tài)水文過程等領域提供支持。
在本發(fā)明實施例的一種可選的實施方式中，所述根據(jù)標準水體光譜曲線獲取待識別的多光譜圖像的水體概率圖像，包括：
分別對所述待識別的多光譜圖像中的各個像元的光譜曲線和所述標準水體光譜曲線進行歸一化處理；
獲取歸一化處理后的待識別的多光譜圖像中的各個像元的光譜曲線與標準水體光譜曲線的相似度；
根據(jù)所述各個像元的相似度獲取所述各個像元的水體概率。
具體地，向量
δ表示
相似度可以用余弦相似度(公式(3))和距離相似度(公式(4))表征，因此水體概率可以用公式(2)計算。
水體概率pw的取值范圍為[0,1]，相應地，非水體概率為：
pnw＝1-pw(5)
具體地，所述目標函數(shù)的公式如下：
其中，t表示適應度值；c1為常數(shù)，表示水體部分的權重，c2為常數(shù)，表示非水體部分的權重，c3為常數(shù)，表示鄰域部分的權重；pw,k表示所述待識別單元中第k個像元為水體的概率，pnw,k表示所述待識別單元中第k個像元為非水體的概率；
為了提高對地表多樣性的敏感性，本發(fā)明實施例提供了4種權重值設置模式(見表1)，其中μ是待識別單元(rows×cols)中的概率平均值，σ是該單元中的標準差。
h模式表示該地表以很有可能是同質的水體或非水體，因為均值較大，標準差較小。在這種模式下，通過設置c1大于c2來突出水體信息。
m模式表示該地表有可能是異質非水體，因為標準差較大。在該模式下，由于其他地物光譜與水體光譜較相似，很難將水體與非水體區(qū)分開來，所以c1、c2和c3的值相等。
l模式反映了算法對細小水體(如河網(wǎng))的識別能力，它被進一步分割為ll和lh兩種模式。這兩種模式之間的差異取決于均值，相似性取決于標準差。較高的標準差意味著異質，表示有可能是水體和非水體的混合像元。當均值較低時(如ll模式)，可能是細小支流。在該模式下，c1比c2大得多，以便從大面積陸地中強調細小水體信息。同時，通過增加c3的值來反映細小水體(如河網(wǎng))之間的連接性。當均值較高時(如lh模式)，可能是水陸交界區(qū)。在這種模式下，c1被設置得較小，但仍然比c2大，因為在水陸交界區(qū)水體足夠多，不需要過分強調。
表1.權重值設置模式
進一步地，所述對所述目標函數(shù)進行迭代求解，包括：
采用離散粒子群算法對所述目標函數(shù)進行迭代求解。
需要說明的是，如果水體概率圖像被分割為n個待識別單元，則目標函數(shù)求解過程將被重復n次。以下僅對一個待處理單元的求解過程進行敘述，其他待識別單元的求解過程與此完全相同。
給定大小為d＝rows×cols的待識別單元，其可行解為{x1，x2，…，xd}，由公式(7)給出。
將每個可行解看做一個維度為n的粒子。每一個粒子都有位置x，速度v和適應度值t。位置x由公式(7)計算，適應度值t由公式(6)計算，速度v由公式(8)計算。在每一次迭代中，位置x將根據(jù)公式(8)～(12)更新。
i是指第i個粒子，d是指第d個維度，k是指第k次迭代，w是指慣性權重。在離散粒子群算法中，w由公式(11)定義。wmax通常被設置為0.95，wmin通常被設置為0.4。kmax＝2.05，r1,r2和r都是服從[0,1]均勻分布的隨機數(shù)。不同的粒子，r1,r2取值不同；而r與迭代次數(shù)有關，在每次迭代中，r的值是相同的。pid是第i個粒子的歷史最優(yōu)解，pgd是所有粒子的全局最優(yōu)解。vmax和vmin是速度允許的最大值和最小值。如果沒有限制，粒子將有可能超出可行域(即[0,1])。在本算法中，vmax＝1，vmin＝0。l()是邏輯函數(shù)(logisticfunction)，定義見公式(12)。
因此，在每個待識別單元中，目標函數(shù)的求解過程為：
(1)隨機創(chuàng)建i個粒子，維度為d，如矩陣x(公式(13))。x是個0-1矩陣。隨機創(chuàng)建相應的速度矩陣v，見公式(14)。
(2)對于x的每一行，像元被分成了水體和非水體兩類。根據(jù)公式(6)計算x每一行的適應度值t。由于第一次迭代不存在歷史值，因此歷史最優(yōu)解就是x。全局最優(yōu)解就是歷史最優(yōu)解中最大t值對應的那一行。
(3)根據(jù)公式(8)和(9)計算新的速度v，并根據(jù)公式(10)更新x。
(4)計算x每一行的適應度值t。對每一行，分別比較本次迭代的t值與上次迭代的t值。將較大的t值對應的那行x設置為歷史最優(yōu)解。
(5)如果k等于kmax，繼續(xù)下一步；否則，返回到(3)。
(6)保留的全局最優(yōu)值就是該基本計算單元的最終的分類結果。跳轉到下一個計算單元，繼續(xù)以上步驟。
為了驗證本發(fā)明實施例的水體識別方法的技術效果，在全球選擇8個實驗點，涵蓋溫帶、熱帶和寒帶的廣大氣候區(qū)，涉及渾濁水體、富含腐殖質水體、鹽湖、城市水體、密布河網(wǎng)等多種水體類型。在驗證中采用的標準水體光譜曲線為{0.1153,0.0942,0.0779,0.0715,0.0324,0.0055,0.0031}(landsat8oli傳感器，波長逐漸增加)。
結果表明，該算法在穩(wěn)定性和精度方面能夠達到監(jiān)督分類的水平，同時，能夠像非監(jiān)督分類具有較少的人工干預，靈活性和自動化程度大大提高。
圖2是本發(fā)明一個實施例的水體識別裝置的結構示意圖。如圖2所示，本發(fā)明實施例的裝置包括水體概率圖像獲取單元21、圖像劃分單元22、目標函數(shù)構造單元23和水體識別單元24，具體地：
水體概率圖像獲取單元21，用于根據(jù)標準水體光譜曲線獲取待識別的多光譜圖像的水體概率圖像；
圖像劃分單元22，用于將所述水體概率圖像劃分為多個待識別單元；
目標函數(shù)構造單元23，用于根據(jù)所述待待識別單元中各個像元的水體概率針對適應度值構造目標函數(shù)；
水體識別單元24，用于對所述目標函數(shù)進行迭代求解，獲取所述適應度值最大時的所述待識別單元的水體分布，以對所述待識別單元進行水體識別。
本發(fā)明實施例提供的水體識別裝置，通過將水體概率圖像分割為多個待識別單元，考慮待識別單元中水體對象的空間連接性，最終獲得表示水體和非水體的二值分類圖像。只提取與水體有關的信息，非水體信息被壓制，因此針對性較強；同時考慮了所有光譜波段信息，對水體信息的還原性更強，比水體指數(shù)(僅僅考慮特定光譜波段)具有更高的信息利用率，實現(xiàn)對大范圍地域進行準確的水體識別，為防災減災、氣候變化、生態(tài)水文過程等領域提供支持。
在本發(fā)明實施例的一種可選的實施方式中，水體概率圖像獲取單元21包括：
歸一化處理模塊，用于分別對所述待識別的多光譜圖像中的各個像元的光譜曲線和所述標準水體光譜曲線進行歸一化處理；
相似度獲取模塊，用于獲取歸一化處理后的待識別的多光譜圖像中的各個像元的光譜曲線與標準水體光譜曲線的相似度；
水體概率獲取模塊，用于根據(jù)所述各個像元的相似度獲取所述各個像元的水體概率。
具體地，所述目標函數(shù)的公式如下：
其中，t表示適應度值；c1為常數(shù)，表示水體部分的權重，c2為常數(shù)，表示非水體部分的權重，c3為常數(shù)，表示鄰域部分的權重；pw,k表示所述待識別單元中第k個像元為水體的概率，pnw,k表示所述待識別單元中第k個像元為非水體的概率；
水體識別單元24進一步用于：
采用離散粒子群算法對所述目標函數(shù)進行迭代求解。
本發(fā)明實施例的水體識別裝置可以用于執(zhí)行上述方法實施例，其原理和技術效果類似，此處不再贅述。
圖3是本發(fā)明一個實施例的電子設備的實體結構示意圖。
參照圖3，電子設備包括：處理器(processor)31、存儲器(memory)32和總線33；其中，
處理器31和存儲器32通過總線33完成相互間的通信；
處理器31用于調用存儲器32中的程序指令，以執(zhí)行上述各方法實施例所提供的方法。
此外，上述的存儲器32中的邏輯指令可以通過軟件功能單元的形式實現(xiàn)并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發(fā)明的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。
本實施例提供一種計算機程序產品，所述計算機程序產品包括存儲在非暫態(tài)計算機可讀存儲介質上的計算機程序，所述計算機程序包括程序指令，當所述程序指令被計算機執(zhí)行時，計算機能夠執(zhí)行上述各方法實施例所提供的水體識別方法。
本實施例提供一種非暫態(tài)計算機可讀存儲介質，所述非暫態(tài)計算機可讀存儲介質存儲計算機指令，所述計算機指令使所述計算機執(zhí)行上述各方法實施例所提供的水體識別方法。
本發(fā)明實施例提供的水體識別方法及裝置，通過將水體概率圖像分割為多個待識別單元，考慮待識別單元中水體對象的空間連接性，最終獲得表示水體和非水體的二值分類圖像。只提取與水體有關的信息，非水體信息被壓制，因此針對性較強；同時考慮了所有光譜波段信息，對水體信息的還原性更強，比水體指數(shù)(僅僅考慮特定光譜波段)具有更高的信息利用率，實現(xiàn)對大范圍地域進行準確的水體識別，為防災減災、氣候變化、生態(tài)水文過程等領域提供支持。
本領域內的技術人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產品的形式。
本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設備(系統(tǒng))、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設備的處理器執(zhí)行的指令產生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
需要說明的是術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
本發(fā)明的說明書中，說明了大量具體細節(jié)。然而能夠理解的是，本發(fā)明的實施例可以在沒有這些具體細節(jié)的情況下實踐。在一些實例中，并未詳細示出公知的方法、結構和技術，以便不模糊對本說明書的理解。類似地，應當理解，為了精簡本發(fā)明公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應將該公開的方法解釋呈反映如下意圖：即所要求保護的本發(fā)明要求比在每個權利要求中所明確記載的特征更多的特征。更確切地說，如權利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循具體實施方式的權利要求書由此明確地并入該具體實施方式，其中每個權利要求本身都作為本發(fā)明的單獨實施例。
以上實施例僅用于說明本發(fā)明的技術方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和范圍。
- 還沒有人留言評論。精彩留言會獲得點贊！