一种基于遥感图像的内陆水体蓝藻分类识别方法技术

本发明专利技术公开了一种基于遥感图像的内陆水体蓝藻分类识别方法，包括如下步骤：1）获得光学遥感数据源图像，然后对获得的数据源图像进行处理，得到一个可以进行识别的预处理光学图像；2）对步骤1）中得到的可识别的预处理光学图像进行辐射定标和大气校正；3）利用步骤2）中得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息。本发明专利技术将遥感图像引入到蓝藻的监测当中，克服传统的人工现场采集水样进行水质分析的方法因为采样频次有限、成本高。耗时长等困难。遥感图像具备高空间覆盖度、高时间分辨率的特点，能够很好地对湖泊蓝藻水华进行检测。

A Classification and Recognition Method of Cyanobacteria in Inland Water Based on Remote Sensing Image

The invention discloses a classification and recognition method of cyanobacteria in inland water body based on remote sensing images, which includes the following steps: 1) obtaining the image of optical remote sensing data source, then processing the obtained data source image to obtain a pre-processed optical image that can be recognized; 2) radiometric calibration and atmospheric correction of the pre-processed optical image obtained in step 1; ) In step 2, a deep neural network for extracting cyanobacterial information from the images after radiometric calibration and atmospheric correction is established and used to identify cyanobacterial information. The invention introduces remote sensing image into the monitoring of cyanobacteria, overcomes the traditional method of collecting water samples on the spot for water quality analysis because of limited sampling frequency and high cost. Time-consuming and other difficulties. Remote sensing images have the characteristics of high spatial coverage and high temporal resolution, and can detect blue algae blooms in lakes well.

【技术实现步骤摘要】
一种基于遥感图像的内陆水体蓝藻分类识别方法
本专利技术属于图像处理
，尤其涉及一种基于遥感图像的内陆水体蓝藻分类识别方法。
技术介绍
LANDSAT美国陆地系列卫星，是主要传输光学图像的卫星，主要任务是调查地下矿藏、海洋资源和地下水资源，监视和协助管理农、林、畜牧业和水利资源的合理使用，预报农作物的收成，研究自然植物的生长和地貌，考察和预报各种严重的自然灾害(如地震)和环境污染，拍摄各种目标的图像，以及绘制各种专题图(如地质图、地貌图、水文图)等欧洲航天局(ESA，EuropeanSpaceAgency)发射的Sentinel－2A卫星携带一枚多光谱成像仪，可覆盖13个光谱波段，幅宽度达290千米。该卫星在运行期间将提供有关农业、林业种植方面的监测信息，对预测粮食产量、保证粮食安全等具有重要意义。此外，它还将用于观测地球土地覆盖变化及森林，监测湖水和近海水域污染情况，以及通过对洪水、火山喷发、山体滑坡等自然灾害进行成像为灾害测绘和人道主义救援提供帮助。对蓝藻的爆发有明显的季节性，受温度、阳光、PH值、营养物质以及风向、风速、水体流速等多种综合因素的影响，具有面积大、时空变异剧烈的特点。卫星遥感作为一种全新的技术检测手段，具备高空间覆盖度、高时间分辨率的的特点，能够很好的满足湖泊蓝藻水华爆发的要求。应用卫星遥感技术可以快速、直观、准确的圈定水域藻类爆发的时间和地点，为蓝藻水华监测提供充足的数据。光学遥感是指传感器的工作波段在可见光波段范围(0.38-0.76μm)之内的遥感技术。各种地物对不同光谱具有不同的吸收率和反射率，且物体在高于绝对温度零度时，因为其自身的辐射，发射率与波长的关系也不同。叶绿素a是藻类植物中最丰富的色素，是反映水体富营养化程度的一个重要指标。一般情况下，随着叶绿素a浓度的不同，在0.43-0.70μm范围会有选择地出现较明显的差异。通过正常水体与蓝藻水华水体在近红外波段处的显著性差异，可以有效区分正常水体和蓝藻水华水体。传统对蓝藻的监测，主要集中的方法在于利用陆地水环境监测站，该方法虽然可以监测湖水蓝藻情况，但受限于人力，该方法不能及时大面积准确的监测湖面蓝藻。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于遥感图像的内陆水体蓝藻分类识别方法，能够对研究区域的蓝藻在一定范围内进行实时监测。本专利技术所要解决的技术问题是通过以下技术方案实现的：一种基于遥感图像的内陆水体蓝藻分类识别方法，包括以下步骤：第一步，首先是在获得相关的光学遥感数据源图像，并且对数据源进行处理，这里处理指对数据源图像进行多波段的融合得到一个多通道的卫星光学图像，目的在于利用不同波段的光谱特征进行蓝藻的识别。接下来，因为得到的图像存在噪点和光学偏差，对得到的可识别的预处理光学图像进行辐射定标和大气校正，通过ENVI5.1中提供的通用辐射定标工具(RadiometricCalibration)自动从元数据文件中读取参数，从而完成辐射定标。大气校正基于ENVI5.1中的FLAASH辐射传输模块完成。再接下来，利用得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息，具体为：a)构建BP神经网络，利用BP神经网络对图像进行水体分类将之前经处理过的图像作为原始输入数据，从中抽出原始数据的80％作为训练样本，剩下20％作为测试样本来评估结果精度；b)利用BP神经网络进行样本训练：包括正向传播，即样本信息进入神经网络中的输入层后，隐含层计算后将计算结果传递到输出层，输出结果不符合要求时再进行反向传播，即从输出节点反向向神经网络中的隐含层传播由总误差诱发的权值修正；c)对通过样本训练构建出的神经网络进行参数设定，设定初始权值θ＝0.9，权重调节速度η＝0.2，动量因子ɑ＝0.9，网络全局误差E＝0.1；进行过辐射标定和大气校正之后的图像经过参数设定后的神经网络层得到识别出的蓝藻信息。进一步的，所述构建BP神经网络具体为：(a)将全部的权值与结点的阈值预置为一个小的随机值；(b)加载输入与输出；在n个输入结点上加载一维输入向量x，并指定每一输出的结点期望值ti,若该网络用于实现M种模式的分类器，则除了表征与输入相对应模式类的输出结点期望值为1外，其余输出节点的期望值均应指定为0；(c)计算实际输出y1,y2,...yi...,yM；假设欲将M类模式分类，则先计算各输出结点i＝1,2,…，M的实际输出yi，yi表示第i类模式所对应的输出节点的实际输出向量，输出节点的计算公式如下：其中，xj和yk分别为隐含层和输出层的输出值，θj和θk分别为输出层和隐含层所对应的内部阈值，Wi和Wj分别表示从输入层到隐含层、从隐含层到输出层的权值；(d)修正权值，从输出结点开始，反向地向第一隐含层传播由总误差诱发的权值修正，下一时刻互联权值的计算公式如下：Wij(t+1)＝Wij(t)+ηδjxi(3)其中，j为本结点的序号，i为隐含层或输入层结点序号；xi是第i个结点的输出或是外部输入，η为增益项；δj为误差项。(e)在达到预定误差精度或循环次数后退出，否则转到步骤(b)重复。本专利技术所达到的有益效果是：首先，本专利技术使用机器学习中的神经网络算法，搭建的神经网络结构实现了光学遥感图像的蓝藻提取，不仅可以减少了人工监测的工作量，而且对于精度也较之传统方式有了一个较大的提升。其次，本专利技术实现了利用应用卫星遥感技术可以快速、直观、准确的圈定水域藻类爆发的时间和地点，为蓝藻水华监测提供充足的数据。附图说明图1为本专利技术的人工神经元数学模型示意图；图2为本专利技术中三层BP神经网络模型示意图；图3为本专利技术中BP网络训练基本原理图示意图；图4为本专利技术中BP算法流程图；图5为本专利技术中波段融合后的太湖水域遥感影像图；图6为本专利技术中分类后的太湖水域遥感影像图；图7为本专利技术的流程图。具体实施方式为了进一步描述本专利技术的技术特点和效果，以下结合附图和具体实施方式对本专利技术做进一步描述。参照图1到图7所示，一种基于遥感图像的内陆水体蓝藻分类识别方法，图1是本专利技术的人工神经元数学模型示意图，每个神经元单元都是生物神经网络中神经元细胞的模拟样式，具有多输入、单输出的特点，是人工神经网络中的一个非线性元件。接着，图2是本专利技术中三层BP神经网络模型示意图，BP神经网络由一个输入层、一个或多个隐含层以及一个输入层组成。经过上文的分析，已知只有一个隐含层时可以满足效果与效率的双重要求。本研究采用了只有一个隐含层的三层BP神经网络。本研究使用了预处理之后的三个波段作为源数据，因此设置三个输入结点。输出结点数即为分类结果数，与用户定义的分类数量相同。由于在本文中主要研究蓝藻的提取，不涉及植被以及建筑用地等的详细分类，因此只定义了三种分类类型：陆地、水体和蓝藻。隐含层节点个数的确定相对比较困难，一般情况下，只有一个隐含层时，隐含层节点数量是输入节点的2-3倍。图3为本专利技术中BP网络训练基本原理图示意图。BP算法的实现过程如下：(1)将全部的权值与结点的阈值预置为一个小的随机值；(2)加载输入与输出；在n个输入结点上加载一维输入向量x，并指定每一输出的结点期望值ti。若该网络用于实现M种模式的分类器，则除了表征与输入相对应模式类的输出结点期本文档来自技高网...

【技术保护点】
1.一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于，包括如下步骤：(1)获得光学遥感数据源图像，然后对获得的数据源图像进行处理，得到一个可以进行识别的预处理光学图像；(2)对步骤(1)中得到的可识别的预处理光学图像进行辐射定标和大气校正；(3)利用步骤(2)中得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息。

【技术特征摘要】
1.一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于，包括如下步骤：(1)获得光学遥感数据源图像，然后对获得的数据源图像进行处理，得到一个可以进行识别的预处理光学图像；(2)对步骤(1)中得到的可识别的预处理光学图像进行辐射定标和大气校正；(3)利用步骤(2)中得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息。2.根据权利要求1所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于：步骤(1)中对获得的数据源图像进行处理具体为：对数据源图像进行多波段的融合得到一个多通道的卫星光学图像。3.根据权利要求1所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于，步骤(2)中辐射标定采用ENVI5.1中的辐射标定工具自动从图像文件中读取参数，从而完成辐射标定；大气校正采用ENVI5.1中的FLAASH辐射传输模块完成校正。4.根据权利要求1所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于，所述步骤(3)利用步骤(2)中得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息具体为：3a)构建BP神经网络，利用BP神经网络对图像进行水体分类将经处理过的图像作为原始输入数据，从中抽出原始数据的80％作为训练样本，剩下20％作为测试样本来评估结果精度；3b)利用BP神经网络进行样本训练：包括正向传播，即样本信息进入神经网络中的输入层后，隐含层计算后将计算结果传递到输出层，输出结果不符合要求时再进行反向传播，即从输出节点反向向神经网络中的隐含层传播由总误差诱发的权值...

【专利技术属性】
技术研发人员：陈嘉琪，吕吉明，王健，王娴珏，胡居荣，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32