一种基于时间序列融合影像提取洪水水体的IK-means方法技术

一种基于时间序列融合影像提取洪水水体的IK

【技术实现步骤摘要】
一种基于时间序列融合影像提取洪水水体的IK
‑
means方法


[0001]本专利技术涉及卫星遥感数据处理，特别是涉及一种基于时间序列融合影像提取洪水水体的IK
‑
means方法。

技术介绍

[0002]随着近几十年来遥感卫星传感器的升级，利用不同的遥感卫星数据监测和绘制洪水范围已被证明是一种非常有效的技术。现有洪水提取中采用的遥感卫星影像主要为：1）光学影像；2）雷达影像；3）光学和雷达遥感影像相结合。
[0003]基于光学影像提取洪水水体是最普遍的研究思路，基于此的提取技术分为三种情况：a）阈值方法；b）分类器方法；c）其他方法。阈值方法是：通过分析水体光谱特征曲线选择合适的波段构建模型，在模型运算后的结果上选择合适的阈值分离水体。阈值方法存在很多局限性，比如，对边缘信息提取不准确，细小水体难以提取。分类器方法是：利用了高空间分辨率卫星影像丰富的空间及纹理信息,结合光谱构建了洪水提取的方法。目前主要采用的机器学习方法有SVM方法、决策树法和面向对象方法。其他方法是：结合其他技术手段提取洪水水体的方法主要包括基于GIS技术、混合像元分解、BP神经网络、MRF随机场、光谱角匹配及深度学习的方法, 深度学习方法对于某些区域或者不同传感器的影像提取的效果更好,精度更高。
[0004]基于雷达影像提取洪水水体可以排除云的影响，可以研究洪水周期内的范围演变，主流的技术包括：a）灰度阈值分割法；b）基于DEM数据滤波法；c）基于灰度共生矩阵方法。灰度阈值分割法是：依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过阈值将影像分为水体与非水体的二值图。基于DEM数据滤波法是：利用DEM模拟SAR并依据阴影亮度值低的特征,从模拟SAR图像中将阴影提取出来，剔除水体中的阴影部分，主要是解决由于地形导致的阴影与水体难以区分的问题。采用滤波解决SAR图像的斑点噪声,进而提高水体的提取效率和精度。基于灰度共生矩阵方法是：基于灰度共生矩阵提取纹理特征,建立多维特征空间,通过样本采集,可以减弱SAR图像的斑点噪声,使分类结果的“椒盐现象”明显减少,提高了水体的提取精度。
[0005]光学和雷达遥感数据相结合的提取方法是利用了各自影像的优势，其中，光学影像具有丰富的空间信息和光谱信息，但是在洪水发生期间一般受云层和阴影的影响较大，而SAR影像因其具有穿透性不受云的影响可以对于光学影像提取比较困难的地方进互补。近些年，研究技术主要是通过结合SAR和光学遥感影像,或者辅助DEM等信息,大体上利用光学遥感进行水体的粗提取,在粗提取基础上利用雷达影像结合DEM数据进行水体的精细提取,构建相应的模型来实现对水体的提取。
[0006]现有技术的主要实施流程：
①ꢀ
遥感影像数据准备；
②ꢀ
影像数据筛选；
③ꢀ
采用相应技术识别地物和水体识别；
④ꢀ
采用相关技术提取洪水水体；
⑤ꢀ
提取结果精度验证。
[0007]基于遥感影像研究洪涝灾害中，洪水监测中光学影像很大程度上受到云的干扰，仅仅依靠微波传感器，数据类型单一，获取的信息有限，时效性差。光学和雷达遥感数据组
合的提取方法可以解决克服以上不足，但是基于高分辨率的光学和雷达遥感数据组合的洪水提取技术因受到山体、城市建筑阴影的影响存在提取复杂、非均匀区域的大面积洪水不准确的现象。
[0008]需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0009]本专利技术的主要目的在于克服上述
技术介绍
的缺陷，本专利技术提供一种基于时间序列融合影像提取洪水水体的IK
‑
means方法，解决以下技术问题：
①
仅仅采用光学影像很大程度上受到云的干扰；
②
SAR影像数据具有较高的信噪比且山体，建筑的阴影和水体难以区分；
③
基于高分辨率的光学和雷达遥感数据组合的洪水提取技术因受到山体、城市建筑阴影的影响存在提取不准确的现象。
[0010]为实现上述目的，本专利技术采用以下技术方案：一种基于时间序列融合影像提取洪水水体的IK
‑
means方法，包括如下步骤：S1、获取源自遥感卫星的雷达时间序列影像和光学时间序列影像；S2、使用所述雷达时间序列影像中的VH波段和所述光学时间序列影像中的植被指数NDVI，融合得到合成多波段影像；S3、将包含SRTM Plus地形特征和所述合成多波段影像的组合作为k
‑
means分类器的输入影像，计算由所述k
‑
means分类器分类的每个类别的NDVI特征和VH特征，利用洪水期间水体的NDVI特征和VH特征建立自动识别聚类类别中是洪水类别的模型，从而来识别洪水水体。
[0011]进一步地，所述雷达时间序列影像为Sentinel
‑
1时间序列影像，所述光学时间序列影像为Sentinel
‑
2时间序列影像。
[0012]进一步地，步骤S2中，根据所述光学时间段影像计算水体指数TW，根据所述雷达时间段影像计算水体指数SDWI，将基于VH波段的影像、基于NDVI的影像、水体指数TWI、SDWI和SRTM Plus地形特征组合为一个多波段的影像，作为k
‑
means分类器的输入影像。
[0013]进一步地，所述SRTM Plus地形特征包括地形衍生指数，其包括坡度和斜坡指数。
[0014]进一步地，水体指数TWI、SDWI通过如下公式计算：
[0015]其中，B2、B3、B5、B6、B8和B11分别表示所述光学时间序列影像的蓝色波段、绿色波段、红边波段1、红边波段2、近红外波段、短波红外1波段和短波红外2波；VV和VH分别表示所述雷达时间序列影像的VV波段极化的后向散射强度值和VH波段极化的后向散射强度值。
[0016]进一步地，所述基于VH波段的影像为中值复合值MedVC影像，所述基于NDVI的影像为最大值复合值MaxVC影像；其中，对所述雷达时间序列影像采用中值合成周期时间序列的中值复合值MedVC影像；对所述光学时间序列影像计算NDVI值，采用每个位置的NDVI最大值
合成周期时间序列的最大值复合值MaxVC影像。
[0017]进一步地，步骤S3中，所述计算由所述k
‑
means分类器分类的每个类别的NDVI特征和VH特征，利用洪水期间水体的NDVI特征和VH特征来识别洪水水体，具体包括：S31、根据已知的水体数据，计算洪水期间的水体的NDVI中值的范围T和VH中值的范围H；S32、判断由所述k
‑
means分类器分类的每个类别的NDVI中值是否属于T范围内，并且判断每个类别的VH中值是否属于H范围内；S33、根据判断结果，基于洪水期间水体的NDVI特征提取洪水类别的水体和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列融合影像提取洪水水体的IK
‑
means方法，其特征在于，包括如下步骤：S1、获取源自遥感卫星的雷达时间序列影像和光学时间序列影像；S2、使用所述雷达时间序列影像中的VH波段和所述光学时间序列影像中的植被指数NDVI，合成得到多波段影像；S3、将特征指数、包含SRTM Plus地形特征和所述合成多波段影像的组合作为k
‑
means分类器的输入影像，计算由所述k
‑
means分类器分类的每个类别的NDVI特征和VH特征，利用洪水期间水体的NDVI特征和VH特征建立自动识别聚类类别中是洪水类别的模型，从而来识别洪水水体。2.如权利要求1所述的方法，其特征在于，所述雷达时间序列影像为Sentinel
‑
1时间序列影像，所述光学时间序列影像为Sentinel
‑
2时间序列影像。3.如权利要求1至2任一项所述的方法，其特征在于，步骤S2中，根据所述光学时间序列影像计算水体指数TWI，根据所述雷达时间序列影像计算水体指数SDWI；将基于VH波段的影像、基于NDVI的影像、水体指数TWI、SDWI和SRTM Plus地形特征组合为一个多波段的影像，作为k
‑
means分类器的输入影像。4.如权利要求3所述的方法，其特征在于，所述SRTM Plus地形特征为地形衍生指数，其包括坡度和斜坡指数。5.如权利要求3所述的方法，其特征在于，水体指数TWI和SDWI通过如下公式计算：；其中，B2、B3、B5、B6、B8、B11和B12分别表示所述光学时间序列影像的蓝色波段、绿色波段、红边波段1、红边波段2、近红外波段、短波红外1波段和短波红外2波；VV和VH分别表示所述雷达时间序列影像的VV波段极化的后向散射强度值和VH波段极化的后向散射强度值。6.如权利要求3所述的方法，其特征在于，所述基于VH波段的影像为中值复合值MedVC影像，所述基于NDVI的影像为最大值复合值MaxVC影像；其中，对所述雷达时间序列影像采用中值合成周期时间序列的中值复合值MedVC影像；对所述光学时间序列影像计算NDVI值，采用每个位置的NDVI最大值合成周期时间序列的最大值复合值MaxVC影像。7.如权利要求1至2任一项所述的方法，其特征在于，步骤S3中，所述计算由所述k
‑
means分类器分类的每个类别的NDVI特征和VH特征，利用洪水期间水体的NDVI特征和VH特征来识别洪水水体，具体包括：S31、根据已知的水体数据，计算洪水期间的水体的NDVI中值的范...

【专利技术属性】
技术研发人员：陈波，牛丽峰，魏小峰，许贵林，姚力波，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：