專利名稱：一種衛(wèi)星遙感影像的水體提取方法及裝置的制作方法
技術領域：
本發(fā)明涉及遙感影像的解譯與分類，尤其涉及一種衛(wèi)星遙感影像的水體提取方法及裝置。
背景技術：
衛(wèi)星遙感影像的解譯和分類是遙感技術研究的重要領域之一，它是快速、準確獲取遙感信息的重要手段但又是一個復雜的過程。遙感解譯技術的發(fā)展滯后于遙感傳感器的發(fā)展，目前，利用數(shù)理統(tǒng)計和人工解譯結合的方法耗時，耗力，效率低下，其解譯精度受到解
譯人員水平以及對區(qū)域地理環(huán)境理解等諸多因素的影響。遙感影像反應的是復雜的、多層次、多要素的具有動態(tài)變化特征的地理信息。由于地物光譜的復雜性，自然界中存在大量的“同物異譜”和“同譜異物”的現(xiàn)象，用單純的數(shù)學和地學知識來處理不能達到高精度的要求。因此，研究綜合、多層次的分析方法對于提高遙感信息的提取精度和效率具有重要意義。分類方法是地表覆蓋制圖的核心，基本可以分為監(jiān)督分類和非監(jiān)督分類、有參分類和無參分類、硬分類和軟(模糊)分類、或逐像元分類與子像元分類以及逐對象分類。從地表覆蓋遙感分類方法的近期進展看，目前利用數(shù)理統(tǒng)計理論方法結合人工解譯仍是在進行大尺度遙感分類的主導方法。顯然這種方法具有算法成熟、充分利用人機交互優(yōu)勢特點，但也存在著用時長，對參與解譯分析的人員依賴性強，可重復性低的局限，難以迅速、準確、客觀地獲取大面積地表覆蓋信息。遙感影像分類在過去幾十年中已經(jīng)取得了很大的進步，主要體現(xiàn)在以下三個方面(1)高級分類算法的發(fā)展和應用，例如子像元分類，逐對象分類和基于知識的分類算法。(2)多種遙感特征的使用，包括光譜信息，空間信息，多時相以及多傳感器數(shù)據(jù)；(3)分類過程引用輔助數(shù)據(jù)，包括地形、土壤、道路和人口數(shù)據(jù)。精度評估在圖像分類過程中至關重要。基于誤差矩陣的精度評價是評估逐像元分類最常用的方法，而模糊分類結果評估越來越傾向于模糊方法。不確定性和誤差傳播影響分類精度，在圖像處理過程中起重要作用。識別處理過程中的最薄弱環(huán)節(jié)并且降低不確定度可以大大提高分類精確度。不確定性在以后的圖像分類研究中將成為一個重要的課題。光譜特征為圖像分類提供最重要的信息。隨著空間分辨率的提高，不得不考慮紋理和背景帶來的影響。遙感數(shù)據(jù)類型不同，所采用的分類方法也不同。例如=IKONOS (美國伊科諾斯衛(wèi)星)和SPOT 5HRG (法國SP0T-5號衛(wèi)星的高分辨率幾何)，雖然具有高空間分辨率，但是當基于像元光譜的分類方法應用于圖像分類時，高空間分辨率帶來的好處遠遠不能補償由于地形和植被分布結構以及被覆蓋土地上的寬光譜變化導致的陰影問題帶來的嚴重影響。在這種情況下，光譜信息和紋理信息的結合能夠減少這種問題，而且逐對象或者面向?qū)ο蟮姆诸愃惴ㄟh遠好于逐像元分類器。然而，在中、低空間分辨率數(shù)據(jù)中，由于空間信息的缺失，光譜信息顯得更為重要。由于混合像元在中低空間分辨率圖像中會產(chǎn)生一些問題，因而逐像元分類器不能處理。諸如SMA (Sub-Miniature-Α,無線電天線接口)的部分圖像或模糊成員信息的子像素特征已經(jīng)應用于圖像分類中，而且圖像數(shù)據(jù)與輔助數(shù)據(jù)的結合已經(jīng)成為提高圖像分類方法的另ー種途徑。當多源數(shù)據(jù)應用于分類方法中時，諸如最大似然法的參數(shù)分類算法不再適用。在這種情況下，亟待提供ー種提高衛(wèi)星遙感影像的水體提取精度的技術方案。

發(fā)明內(nèi)容
本發(fā)明實施例提供ー種衛(wèi)星遙感影像的水體提取方法及裝置，以提高衛(wèi)星遙感影像的水體提取精度。一方面，本發(fā)明實施例提供了ー種衛(wèi)星遙感影像的水體提取方法，所述衛(wèi)星遙感影像的水體提取方法包括獲取衛(wèi)星遙感影像數(shù)據(jù)；利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。可選的，在本發(fā)明ー實施例中，所述水體提取結果包括清水、含植被的水和含泥沙的水?？蛇x的，在本發(fā)明ー實施例中，所述衛(wèi)星遙感影像的水體提取方法，還包括將所述衛(wèi)星遙感影像數(shù)據(jù)進行特征指數(shù)提??；利用選取的水體樣本中的樣本像元值進行統(tǒng)計分析，確定所述預設的決策樹中的設定閾值中的九個光譜特征分量閾值；利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果?？蛇x的，在本發(fā)明ー實施例中，所述水體樣本包括深水、淺水、魚塘、含植被信息的水、含泥沙信息的水；所述九個光譜特征分量閾值包括如下信息的設定閾值亮度、綠度、濕度?？蛇x的，在本發(fā)明ー實施例中，所述衛(wèi)星遙感影像的水體提取方法，還包括通過SRTM高程數(shù)據(jù)計算坡度信息分量，得到預設的決策樹中的設定閾值中的坡度過濾閾值；在利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果后，利用所述坡度過濾閾值，對獲取的分類后的所述水體提取結果進行坡度過濾，獲取坡度過濾后的水體提取結果。另ー方面，本發(fā)明實施例提供了ー種衛(wèi)星遙感影像的水體提取裝置，所述衛(wèi)星遙感影像的水體提取裝置包括獲取單元，用于獲取衛(wèi)星遙感影像數(shù)據(jù)；決策樹単元，用于利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果?？蛇x的，在本發(fā)明ー實施例中，所述水體提取結果包括清水、含植被的水和含泥沙的水。可選的，在本發(fā)明ー實施例中，所述衛(wèi)星遙感影像的水體提取裝置，還包括特征指數(shù)提取單元，用于將所述衛(wèi)星遙感影像數(shù)據(jù)進行特征指數(shù)提??；利用選取的水體樣本中的樣本像元值進行統(tǒng)計分析，確定所述預設的決策樹中的設定閾值中的九個光譜特征分量閾值；決策樹単元，進ー步用于利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果?？蛇x的，在本發(fā)明ー實施例中，所述水體樣本包括深水、淺水、魚塘、含植被信息的水、含泥沙信息的水；所述九個光譜特征分量閾值包括如下信息的設定閾值原始影像的六個波段、亮度、綠度、濕度。可選的，在本發(fā)明ー實施例中，所述衛(wèi)星遙感影像的水體提取裝置，還包括坡度計算單元，用于通過SRTM高程數(shù)據(jù)計算坡度信息分量，得到預設的決策樹中的設定閾值中的坡度過濾閾值；決策樹単元，進 ー步用于在利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果后，利用所述坡度過濾閾值，對獲取的分類后的所述水體提取結果進行坡度過濾，獲取坡度過濾后的水體提取結果。上述技術方案具有如下有益效果因為采用獲取衛(wèi)星遙感影像數(shù)據(jù)；利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果的技術手段，所以具有如下技術效果提高了衛(wèi)星遙感影像的水體提取精度。


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，下面描述中的附圖僅僅是本發(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I為本發(fā)明實施例ー種衛(wèi)星遙感影像的水體提取方法流程圖；圖2為本發(fā)明實施例ー種衛(wèi)星遙感影像的水體提取裝置結構示意圖；圖3為本發(fā)明實施例另ー種衛(wèi)星遙感影像的水體提取裝置結構示意圖；圖4為本發(fā)明應用實例SRTM組織示意圖；圖5為本發(fā)明應用實例提供的有效的水體提取方法流程圖；圖6a為本發(fā)明應用實例衛(wèi)星遙感影像為湖泊的不意圖；圖6b為本發(fā)明應用實例對圖6a的湖泊進行水體提取的結果示意圖；圖7a為本發(fā)明應用實例衛(wèi)星遙感影像為濕地湖泊的示意圖；圖7b為本發(fā)明應用實例對圖7a的濕地湖泊進行水體提取的結果示意圖；圖8a為本發(fā)明應用實例衛(wèi)星遙感影像為田間水體的不意圖；圖8b為本發(fā)明應用實例對圖8a的田間水體進行水體提取的結果示意圖；圖8c為圖8a的方框中的局部水體的放大效果示意圖；圖8d為圖8b的方框中的局部水體的放大效果示意圖。
具體實施例方式下面將結合本發(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、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(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。本發(fā)明實施例可以考慮選擇高級非參數(shù)分類器，例如神經(jīng)網(wǎng)絡，決策樹，基于證據(jù)推理或基于知識的方法。隨著數(shù)字計算機的出現(xiàn)以及利用計算機模擬人的智能有關過程的探索，加速了“模式識別”這種數(shù)據(jù)分析技術的發(fā)展。決策樹作為ー種數(shù)據(jù)挖掘技術在模式識別領域被廣泛應用，并引入到遙感圖像處理中，于是，模擬專家目視解譯，建立遙感圖像解譯的專家系統(tǒng)，實現(xiàn)圖像的自動判讀成為遙感圖像解譯的主要趨勢之一。如圖I所示，為本發(fā)明實施例ー種衛(wèi)星遙感影像的水體提取方法流程圖，所述衛(wèi)星遙感影像的水體提取方法包括101、獲取衛(wèi)星遙感影像數(shù)據(jù)；102、利用預設的決策樹中 的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。可選的，所述水體提取結果包括清水、含植被的水和含泥沙的水。可選的，所述衛(wèi)星遙感影像的水體提取方法，還包括將所述衛(wèi)星遙感影像數(shù)據(jù)進行特征指數(shù)提??；利用選取的水體樣本中的樣本像元值進行統(tǒng)計分析，確定所述預設的決策樹中的設定閾值中的九個光譜特征分量閾值；利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果?？蛇x的，所述水體樣本包括深水、淺水、魚塘、含植被信息的水、含泥沙信息的水；所述九個光譜特征分量閾值包括如下信息的設定閾值原始影像的六個波段、亮度、綠度、濕度?？蛇x的，所述衛(wèi)星遙感影像的水體提取方法，還包括通過SRTM高程數(shù)據(jù)計算坡度信息分量，得到預設的決策樹中的設定閾值中的坡度過濾閾值；在利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果后，利用所述坡度過濾閾值，對獲取的分類后的所述水體提取結果進行坡度過濾，獲取坡度過濾后的水體提取結果。如圖2所示，為本發(fā)明實施例ー種衛(wèi)星遙感影像的水體提取裝置結構示意圖，所述衛(wèi)星遙感影像的水體提取裝置包括獲取單元21，用于獲取衛(wèi)星遙感影像數(shù)據(jù)；決策樹単元22，用于利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果?？蛇x的，所述水體提取結果包括清水、含植被的水和含泥沙的水。可選的，如圖3所示，為本發(fā)明實施例另ー種衛(wèi)星遙感影像的水體提取裝置結構示意圖，所述衛(wèi)星遙感影像的水體提取裝置除包括上述獲取單元21、決策樹単元22タト，還包括特征指數(shù)提取單元23，用于將所述衛(wèi)星遙感影像數(shù)據(jù)進行特征指數(shù)提??；利用選取的水體樣本中的樣本像元值進行統(tǒng)計分析，確定所述預設的決策樹中的設定閾值中的九個光譜特征分量閾值；決策樹単元22，進ー步用于利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果?？蛇x的，所述水體樣本包括深水、淺水、魚塘、含植被信息的水、含泥沙信息的水；所述九個光譜特征分量閾值包括如下信息的設定閾值原始影像的六個波段、亮度、綠度、濕度?？蛇x的，所述衛(wèi)星遙感影像的水體提取裝置，還可以包括坡度計算單元24，用于通過SRTM高程數(shù)據(jù)計算坡度信息分量，得到預設的決策樹中的設定閾值中的坡度過濾閾值；決策樹単元22，進ー步用于在利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果后，利用所述坡度過濾閾值，對獲取的分類后的所述水體提取結果進行坡度過濾，獲取坡度過濾后的水體提取結果。本發(fā)明實施例上述方法或裝置技術方案具有如下有益效果因為采用獲取衛(wèi)星遙感影像數(shù)據(jù)；利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果的技術手段，所以具有如下技術效果提高了衛(wèi)星遙感影像的水體提取精度。本發(fā)明以下應用實例所述方案中采用多特征數(shù)據(jù)融合的思想，應用到特征指數(shù)提取、坡度信息等為決策樹分類提供多種數(shù)據(jù)特征。本發(fā)明應用實例所述方法主要針對Landsat (陸地衛(wèi)星)衛(wèi)星數(shù)據(jù)提出，利用到空間分辨率為 90 米的 SRTM (Shuttle Radar Topography Mission,由美國太空總署(NASA)和國防部國家測繪局(NIMA)聯(lián)合測量)數(shù)字高程模型(DEM，Digital Elevation Model)數(shù)
據(jù)轉(zhuǎn)換為坡度特征，同時將Landsat衛(wèi)星數(shù)據(jù)進行特征指數(shù)提取，為決策樹分類提供九個光譜特征分量。美國NASA的陸地衛(wèi)星(Landsat)計劃從1972年7月23日以來，已發(fā)射7顆(第6顆發(fā)射失敗)。目前Landsatl-4均相繼失效,Landsat 5仍在超期運行(從1984年3月I日發(fā)射至今)。Landsat7于1999年4月15日發(fā)射升空。因此目前使用的Landsat系列衛(wèi)星數(shù)據(jù)主要是Landsat5的TM (thematic mapper,專題成像儀)數(shù)據(jù)和Landsat7的ETM+(Enhanced Thematic Mapper,增強型專題成像儀)數(shù)據(jù),兩種數(shù)據(jù)的波段信息如下表I和表2所示
權利要求
1.一種衛(wèi)星遙感影像的水體提取方法，其特征在于，所述衛(wèi)星遙感影像的水體提取方法包括 獲取衛(wèi)星遙感影像數(shù)據(jù)； 利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。
2.如權利要求I所述衛(wèi)星遙感影像的水體提取方法，其特征在于，所述水體提取結果包括清水、含植被的水和含泥沙的水。
3.如權利要求2所述衛(wèi)星遙感影像的水體提取方法，其特征在于，所述衛(wèi)星遙感影像的水體提取方法，還包括 將所述衛(wèi)星遙感影像數(shù)據(jù)進行特征指數(shù)提??； 利用選取的水體樣本中的樣本像元值進行統(tǒng)計分析，確定所述預設的決策樹中的設定閾值中的九個光譜特征分量閾值； 利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。
4.如權利要求3所述衛(wèi)星遙感影像的水體提取方法，其特征在于，所述水體樣本包括深水、淺水、魚塘、含植被信息的水、含泥沙信息的水；所述九個光譜特征分量閾值包括如下信息的設定閾值原始影像的六個波段、亮度、綠度、濕度。
5.如權利要求4所述衛(wèi)星遙感影像的水體提取方法，其特征在于，所述衛(wèi)星遙感影像的水體提取方法，還包括 通過SRTM高程數(shù)據(jù)計算坡度信息分量，得到預設的決策樹中的設定閾值中的坡度過濾閾值； 在利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果后，利用所述坡度過濾閾值，對獲取的分類后的所述水體提取結果進行坡度過濾，獲取坡度過濾后的水體提取結果。
6.一種衛(wèi)星遙感影像的水體提取裝置，其特征在于，所述衛(wèi)星遙感影像的水體提取裝置包括 獲取單元，用于獲取衛(wèi)星遙感影像數(shù)據(jù)； 決策樹單元，用于利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。
7.如權利要求6所述衛(wèi)星遙感影像的水體提取裝置，其特征在于，所述水體提取結果包括清水、含植被的水和含泥沙的水。
8.如權利要求7所述衛(wèi)星遙感影像的水體提取裝置，其特征在于，所述衛(wèi)星遙感影像的水體提取裝置，還包括 特征指數(shù)提取單元，用于將所述衛(wèi)星遙感影像數(shù)據(jù)進行特征指數(shù)提??；利用選取的水體樣本中的樣本像元值進行統(tǒng)計分析，確定所述預設的決策樹中的設定閾值中的九個光譜特征分量閾值； 決策樹單元，進一步用于利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。
9.如權利要求8所述衛(wèi)星遙感影像的水體提取裝置，其特征在于，所述水體樣本包括深水、淺水、魚塘、含植被信息的水、含泥沙信息的水；所述九個光譜特征分量閾值包括如下信息的設定閾值原始影像的六個波段、亮度、綠度、濕度。
10.如權利要求9所述衛(wèi)星遙感影像的水體提取裝置，其特征在于，所述衛(wèi)星遙感影像的水體提取裝置，還包括 坡度計算單元，用于通過SRTM高程數(shù)據(jù)計算坡度信息分量，得到預設的決策樹中的設定閾值中的坡度過濾閾值； 決策樹單元，進一步用于在利用所述九個光譜特征分量閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果后，利用所述坡度過濾閾值，對獲取的分類后的所述水體提取結果進行坡度過濾，獲取坡度過濾后的水體提取結果。
全文摘要
本發(fā)明實施例提供一種衛(wèi)星遙感影像的水體提取方法及裝置，所述衛(wèi)星遙感影像的水體提取方法包括獲取衛(wèi)星遙感影像數(shù)據(jù)；利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。所述衛(wèi)星遙感影像的水體提取裝置包括獲取單元，用于獲取衛(wèi)星遙感影像數(shù)據(jù)；決策樹單元，用于利用預設的決策樹中的設定閾值，對所述衛(wèi)星遙感影像數(shù)據(jù)中的水體信息進行分類，獲取分類后的水體提取結果。本發(fā)明實施例具有如下所述技術效果提高了衛(wèi)星遙感影像的水體提取精度。
文檔編號G06K9/46GK102855494SQ20121029749
公開日2013年1月2日 申請日期2012年8月20日 優(yōu)先權日2012年8月20日
發(fā)明者翟亮, 桑會勇, 楊剛, 王曉軍, 張曉賀, 賈毅, 邱程錦, 李奇?zhèn)?申請人:中國測繪科學研究院