一种基于无人机低空遥感和局部地形的水体特征提取系统技术方案

本发明专利技术提供了一种基于无人机低空遥感和局部地形的水体特征提取系统，包括焦平面阵列、探测器面阵、高光谱成像仪、GNSS及惯性导航系统组合模块、数据采集、存储及处理模块；焦平面阵列和探测器面阵用于获取全波段范围的高光谱图像；GNSS及惯性导航系统组合模块通过接收GPS或北斗卫星发送的信号计算出自身位置；数据采集、存储及处理模块用于，将采集过的原始遥感影像进行辐射校正、几何处理、正射纠正、投影变换、地理配准、融合处理、镶嵌和裁剪、特征提取、分类，形成遥感影像产品。本发明专利技术能够有效改善识别水体，提高提取精度，减少错漏及误差。差。差。

【技术实现步骤摘要】
一种基于无人机低空遥感和局部地形的水体特征提取系统


[0001]本专利技术属于无人机低空遥感、局部地形及水体特征提取领域，尤其涉及一种基于无人机低空遥感和局部地形的水体特征提取系统。

技术介绍

[0002]随着无人机、遥感及通信技术的迅猛发展，使人类具备宏观、快速、自动获取数据的能力，尤其在环保、地质、气候等领域的监测得到了广泛的应用。水体作为主要的自然资源，其主要表现为河流、湖泊等方式，利用无人机低空遥感可以对水资源分布、污染扩散及洪涝灾害等进行多层次、全方面监测。
[0003]目前现有技术主要为两类，一种是基于谱间关系法进行遥感影像水体提取，该方法主要通过增加水体和其他地物之间的光谱特征差异进行区分，在遇到阴影、薄雾及雨雪天气等条件干扰时，提取额精度会比较差。另一种是深度学习方法提取遥感影像水体，该方法提取的精度效果优于传统方法，但是该方法需要提前人工设定阈值，无法利用高光谱影像的波段优势，在提取细小水体的时候效果较差。

技术实现思路

[0004]专利技术目的：为解决
技术介绍
中存在的技术问题，本专利技术提出一种基于无人机低空遥感和局部地形的水体特征提取系统，本专利技术系统研究的目标区域包括丘陵、山地、平原等地形，当影像区域涉及丘陵、山地等要素之后，由于地形高差的原因会在影像上产生地形干扰，会影响水体特征提取的精确性、有效性和及时性，因此本专利技术在利用数字高程模型(DEM)的特性及依据遥感影像相关指数的特征，剔除阴影、信号缺失、地形遮挡等误差因素，利用卷积神经网络的优势，自动、快速及准确地提取研究区域的水体特征情况。
[0005]包括焦平面阵列、探测器面阵、高光谱成像仪、GNSS及惯性导航系统组合模块、数据采集、存储及处理模块；
[0006]所述焦平面阵列和探测器面阵，用于获取全波段范围的高光谱图像；
[0007]所述高光谱成像仪用于图像和光谱技术结合，获取目标的几何空间和光谱信息，形成高光谱、连续性、窄波段的影像数据；
[0008]所述GNSS及惯性导航系统组合模块，通过接收GPS或北斗卫星发送的信号计算出自身位置；
[0009]所述数据采集、存储及处理模块用于，对高光谱图像进行预处理。
[0010]所述GNSS及惯性导航系统组合模块在计算自身位置时，当卫星信号被遮挡，失去位置信息之后，利用惯性导航系统中加速度计和陀螺仪进行补充定位及估算运动物体位置、姿态和速度，其中加速度计用于测量物体的加速度，陀螺仪用于测量角速度。
[0011]所述对高光谱图像进行预处理，具体包括辐射校正、几何处理、正射纠正、投影变换、地理配准、融合处理、镶嵌和裁剪、特征提取、分类。
[0012]所述系统执行如下步骤：
[0013]步骤1
‑
1，根据无人机遥感中的焦平面阵列、探测器面阵、高光谱成像仪分别获取红外线、短波红外及全波段范围的高光谱图像数据，通过数据采集、存储及处理模块对高光谱图像数据进行预处理；
[0014]步骤1
‑
2，根据光谱在水体中的反射率特征，在高光谱图像中提取绿光波段、近红外波段和中红外区域；
[0015]步骤1
‑
3，计算增强型水体指数EWI、植被信息指数NDVI、建设用地指数IBI、土壤调节植被指数SAVI：
[0016][0017][0018][0019][0020]其中Green，NIR，MIR，RED分别为绿色波段、近红外波段、中红外波段、红外波段；
[0021]步骤1
‑
4，通过高光谱图像数据中左上、右下、左下、右上及中间，共5个区域的样本图像，将(X,Y
p
)输入水体特征提取卷积神经网络模型(主要包括误差传播调整权矩阵、水体提取卷积层、池化工作等操作，具体如下)中，计算出实际的输出值O
P
，通过实际的输出值与实际值Y
p
之间的差值，建立误差传播调整权矩阵E
p
：
[0022][0023]水体特征提取卷积神经网络模型的水体提取卷积层计算公式如下：
[0024][0025]其中f为激活函数，为第j列第l层，l为卷积层层数，为第i行第j列的卷积核，为第j列第l层的偏离参数，X为光谱的行向量，Y
p
为光谱的纵向量；
[0026]在卷积计算完成之后，需要进行池化计算得到降采样层，其中池化工作公式如下：
[0027][0028]其中down()是子采样函数，为第j列第l层的子采样系数，为第j列第l层的偏离参数；
[0029]步骤1
‑
5，基于像素的水体特征提取卷积神经网络模型的水体特征提取：采用单个像素的光谱向量构建模型输入特征，将一维的光谱数据构建为二维的光谱矩阵，公式如下：
[0030]V＝X
T
·
X
[0031]其中，V为对角线元素表现为每个光谱像素的方差，非对角线元素为对应光谱之间的协方差；光谱矩阵作为水体特征提取卷积神经网络模型的输入特征；
[0032]步骤1
‑
6，根据水体特征提取卷积神经网络模型将遥感影像依次进行输入层、卷积运算层、子采样池化层、全连接层、输出层的数据处理，最后对提取的水体特征及其他分类
元素(如植被、建筑用地等)进行输出。
[0033]所述系统还执行如下步骤：
[0034]步骤2
‑
1，对于数字高程模型中的地形平坦、地势低洼区域进行预处理级划分网格单元：对数字高程模型中的地形平坦、地势低洼区域范围内逐步赋予微小增量，直至使得每个网格单元内有明确的水流方向；
[0035]步骤2
‑
2，根据每个网格单元内的水流方向进行坡面径流处理：在每个网格单元中相邻的8个单元内进行坡度的比较，取3X3网格单元内坡度最大的网格单元方向为水流方向，坡度Slope的计算公式为：
[0036][0037]公式中h
i
为中心网格单元的高程，h
j
为相邻网格单元的高程，D为网格单元中心之间的距离；如果是两个网格单元位于对角线上，则D同步乘以
[0038]其中水流方向的编码为东、西、南、北、东南、东北、西南及西北，共8个方向；
[0039]步骤2
‑
3，根据每个网格单元的水流方向，自动生成水流方向矩阵并计算出每个网格单元上游的集水面积，通过将每个网格单元连接之后就形成了流域水系；
[0040]步骤2
‑
4，利用GNSS及惯性导航系统组合模块提供的位置信息，对高光谱图像数据进行地理坐标匹配，使得两个图层信息符合规定指标的重叠度，如果是超过误差允许值(误差允许值为0.1米)，则利用最小二乘法重新进行匹配；最后将提取后的流域水系和水体特征遥感影像进行叠置分析，在设置阈值(阈值为0.05米)允许范围内，则提取出河流、湖泊、水库的水体特征信息。
[0041]本系统主要充分利用无人机快速获取遥本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机低空遥感和局部地形的水体特征提取系统，其特征在于，包括焦平面阵列、探测器面阵、高光谱成像仪、GNSS及惯性导航系统组合模块、数据采集、存储及处理模块；所述焦平面阵列和探测器面阵，用于获取全波段范围的高光谱图像；所述高光谱成像仪用于图像和光谱技术结合，获取目标的几何空间和光谱信息，形成高光谱、连续性、窄波段的影像数据；所述GNSS及惯性导航系统组合模块，通过接收GPS或北斗卫星发送的信号计算出自身位置；所述数据采集、存储及处理模块用于，对高光谱图像进行预处理。2.根据权利要求1所述的系统，其特征在于，所述GNSS及惯性导航系统组合模块在计算自身位置时，当卫星信号被遮挡，失去位置信息之后，利用惯性导航系统中加速度计和陀螺仪进行补充定位及估算运动物体位置、姿态和速度，其中加速度计用于测量物体的加速度，陀螺仪用于测量角速度。3.根据权利要求2所述的系统，其特征在于，所述对高光谱图像进行预处理，具体包括辐射校正、几何处理、正射纠正、投影变换、地理配准、融合处理、镶嵌和裁剪、特征提取、分类。4.根据权利要求3所述的系统，其特征在于，所述系统执行如下步骤：步骤1
‑
1，根据无人机遥感中的焦平面阵列、探测器面阵、高光谱成像仪分别获取红外线、短波红外及全波段范围的高光谱图像数据，通过数据采集、存储及处理模块对高光谱图像数据进行预处理；步骤1
‑
2，根据光谱在水体中的反射率特征，在高光谱图像中提取绿光波段、近红外波段和中红外区域；步骤1
‑
3，计算增强型水体指数EWI、植被信息指数NDVI、建设用地指数IBI、土壤调节植被指数SAVI；步骤1
‑
4，通过高光谱图像数据中左上、右下、左下、右上及中间，共5个区域的样本图像，将(X,Y
p
)输入水体特征提取卷积神经网络模型中，计算出实际的输出值O
P
，X为光谱的行向量，通过实际的输出值与实际值Y
p
之间的差值，建立误差传播调整权矩阵E
p
；步骤1
‑
5，基于像素的水体特征提取卷积神经网络模型的水体特征提取：采用单个像素的光谱向量构建模型输入特征，将一维的光谱数据构建为二维的光谱矩阵，步骤1
‑
6，根据水体特征提取卷积神经网络模型将遥感影像依次进行输入层、卷积运算层、子采样池化层、全连接层、输出层的数据处理，最后对提取的水体特征及其他分类元素进行输出。5.根据权利要求4所述的系统，其特征在于，步骤1
‑
3中，采用如下公式计算计算增强型水体指数EWI、植被信息指数NDVI、建设用地指数IBI、土壤调节植被指数SAVI：水体指数EWI、植被信息指数NDVI、建设用地指数IBI、...

【专利技术属性】
技术研发人员：田飞，周斌，王建翔，钱坤，袁小明，孔令飞，徐晨，
申请(专利权)人：中通服咨询设计研究院有限公司，
类型：发明
国别省市：