顾及光学特征多尺度融合的水体遥感提取方法技术

本发明专利技术公开了顾及光学特征多尺度融合的水体遥感提取方法，涉及图像处理技术领域，方法为：筛选出适宜水体提取的最佳谱段；获取遥感影像和对应的水体真值图像，构建水体样本库；构建用于根据遥感影像进行水体提取的神经网络，神经网络先抽取遥感影像在最佳谱段的图像信息，然后根据遥感影像在最佳谱段的图像信息输出对应的水体真值图像；利用水体样本库对神经网络进行训练和测试；利用训练完成后的神经网络模型对待提取的遥感影像进行水体提取，得到对应的水体真值图像

【技术实现步骤摘要】
顾及光学特征多尺度融合的水体遥感提取方法


[0001]本专利技术涉及图像处理
，尤其是顾及光学特征多尺度融合的水体遥感提取方法
。

技术介绍

[0002]水体提取即对水体边界进行划分，需要对水体进行精确地提取
。
传统的水体提取多依靠人工实地测量与水文站点监测，然而在地形边界和水体边界之内的土壤
、
植被等会对水体提取造成极大的干扰，产生边界难以通过人为精确划定的问题，且传统的水体提取方法费时费力
、
效率不高，存在一定风险
。
随着卫星遥感技术的飞速发展，在土地资源管理
、
区域规划
、
生态环境监测
、
洪涝灾害预测和水利资源管理等领域都有一定应用
。
同时遥感技术具有覆盖范围广
、
获取速度快
、
周期短
、
信息量丰富等优点，能够快速
、
准确地对水体信息进行提取
。
目前，遥感技术已经成为水体提取的一个重要方法...

【技术保护点】

【技术特征摘要】
1.
顾及光学特征多尺度融合的水体遥感提取方法，其特征在于，包括以下步骤：
S1
，进行水体敏感谱段分析，筛选出适宜水体提取的最佳谱段；
S2
，获取遥感影像和对应的水体真值图像作为水体样本，构建水体样本库；
S3
，构建神经网络，神经网络用于根据遥感影像进行水体提取，神经网络先抽取遥感影像在最佳谱段的图像信息，然后根据遥感影像在最佳谱段的图像信息输出对应的水体真值图像；
S4
，利用水体样本库对神经网络进行训练和测试，得到训练完成后的神经网络模型；
S5
，利用训练完成后的神经网络模型，对待提取的遥感影像进行水体提取，得到对应的水体真值图像
。2.
根据权利要求1所述的顾及光学特征多尺度融合的水体遥感提取方法，其特征在于，步骤
S1
中的具体方式如下所示：
S11
，对遥感影像进行各个波段的标准差统计以及两两波段间的相关性统计，基于统计结果计算
OIF
指数，计算公式如下：其中，
Ai
为第
i
个波段的标准差；
Rij
为第
i
个波段和第
j
个波段间的相关系数；
n
为从所有波段中选择的子波段数；
OIF
为由所选择的
n
个子波段构成的波段组合的
OIF
指数；
S12
，以不同波段排列组合的方式分别显示遥感影像，得到各个波段组合下的地形类型的光谱差异；
S13
，选择
OIF
指数和地形类型的光谱差异均较大的波段组合，作为最佳谱段组合
。3.
根据权利要求2所述的顾及光学特征多尺度融合的水体遥感提取方法，其特征在于，步骤
S13
中，将
OIF
指数和地形类型的光谱差异进行归一化，得到
OIF
指数归一化值
A
和光谱差异归一化值
B
，利用
a
×
A+(1
‑
a)
×
B
计算各个波段组合的综合评价指标值，选择综合评价指标值最大的波段组合作为最佳谱段组合；
a
为比例系数，
0≤a≤1。4.
根据权利要求1所述的顾及光学特征多尺度融合的水体遥感提取方法，其特征在于，步骤
S2
中，获取与遥感影像对应的谷歌影像，所述谷歌影像为天空无阻挡的遥感影像，根据谷歌影像中的水体特征确认水体部分和非水体部分，绘制对应的水体真值图像即二值图像
。5.
根据权利要求1所述的顾及光学特征多尺度融合的水体遥感提取方法，其特征在于，对遥感影像和对应的水体真值图像分别进行裁剪，分别得到遥感影像切片和水体真值图像切片；遥感影像切片和水体真值图像切片的大小
、
数量
、
位置均保持一致；将遥感影像切片和对应的水体真值图像切片作为水体样本，构建水体样本库
。6.
根据权利要求1所述的顾及光学特征多尺度融合的水体遥感提取方法，其特征在于，步骤
S3
中，所述神经网络包括编码部分和解码部分；编码部分和解码部分中均包括
n
个串联的密集连接块，其中，编码部分包括
n
个编码密集连接块，解码部分包括
n
个解码密集连接块；编码部分的处理过程如下所示：
S31
，输入图像即遥感影像先经过输入端卷积层进行特征抽取，抽取遥感影像在最佳谱
段的图像信息；
S32
，将遥感...

【专利技术属性】
技术研发人员：王彪，潘成荣，黄祚继，徐升，秦军，吴艳兰，董丹丹，顾雯，
申请(专利权)人：安徽省生态环境监测中心安徽省重污染天气预报预警中心安徽省，
类型：发明
国别省市：