一种多特征蓝藻提取方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种多特征蓝藻提取方法、装置、电子设备及存储介质，方法包括获取国产卫星影像数据并进行预处理，获得具有几何信息且可反映地物光谱信息的反射率影像数据；分析反射率影像数据，构造影像多特征指标；对影像多特征指标进行重要性评价，选取多特征变量；将选取的多特征变量作为自变量，并根据实际踏勘获取的蓝藻分布情况分类样本，建立多个蓝藻提取分类模型；对多个蓝藻提取分类模型进行评价，选取最优的蓝藻提取分类模型；利用最优的蓝藻提取分类模型进行蓝藻提取并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。本发明专利技术能够基于国产卫星影像数据对蓝藻进行自动、准确、高效的提取。高效的提取。高效的提取。

【技术实现步骤摘要】
一种多特征蓝藻提取方法、装置、电子设备及存储介质


[0001]本专利技术是关于遥感
，特别是关于一种多特征蓝藻提取方法及实现该方法的装置、电子设备及存储介质。

技术介绍

[0002]湖泊水体富营养化现已成为一个全球性的普遍问题，与之相伴的一个现象是蓝藻水华的频繁暴发。遥感技术具有监测范围大、速度快、周期性强、成本相对低廉等优点，能够弥补常规水质监测方法定时定点的不足，节省大量的人力、物力，是进行蓝藻水华监测的最佳选择之一。目前，现有技术中，利用遥感影像数据进行蓝藻提取的方法是采用人工设置阈值的方式进行蓝藻提取。然而，受大气辐射、卫星拍摄角度等影响，无法设置固定单一的阈值，且阈值的设置受主观因素影响较大，因而，现有蓝藻提取方法基于单一指标，如NDVI、EVI等指标，且在蓝藻提取过程大量依赖人工主观判断，缺乏深层次特征，难以提高蓝藻提取精度。
[0003]进一步地，在遥感影像蓝藻目标检测过程中，不同的波段特征是反映图像不同侧面的图像表征，单独使用某一特征指标进行目标检测可能造成漏检或误检；同时，国产卫星同一数据源有多个相机载荷(如GF1
‑
wfv由四台相机组成，WFV1、WFV2、WFV3、WFV4，GF1
‑
PMS由两台相机组成，PMS1、PMS2)，不同相机载荷光谱响应程度不一致，单一的阈值算法难以实现高精度的提取要求。因此，采用单一特征组合进行蓝藻提取存在一定的不合理性。
[0004]另外，现有卫星蓝藻监测技术，主要研究以国外遥感卫星为主，如：哨兵卫星、MODIS、Landsat等卫星载荷。而国产卫星实际应用领域不同于国外卫星(如高分4号卫星应用于灾害监测、高分2号卫星应用于国土资源监测)，使得国产卫星载荷硬件参数与国外卫星具有一定区别，如光谱响应函数、太阳高度角、时空分辨率、轨道高度等存在差异，这些差异使得获取的遥感影像反射率在反映地物光谱特征时存在较大差异。然而，现有技术中，针对国产卫星进行蓝藻提取的研究相对较少，使得国产卫星数据的可用性受到极大限制。
[0005]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0006]本专利技术的目的在于提供一种多特征蓝藻提取方法、装置、电子设备及存储介质，无需人工参与进行阈值的设置，可实现蓝藻的自动化提取，并且可提高蓝藻提取的准确性，提升国产遥感卫星的应用性。
[0007]为实现上述目的，本专利技术的实施例提供了一种多特征蓝藻提取方法，所述多特征蓝藻提取方法包括：
[0008]获取国产卫星影像数据并进行预处理，获得具有几何信息且可反映地物光谱信息的反射率影像数据；
[0009]分析所述反射率影像数据，构造影像多特征指标，所述影像多特征指标至少包括
空间纹理特征、地物光谱特征；
[0010]对所述影像多特征指标进行特征变量重要性评价，选取多特征变量；
[0011]将选取的多特征变量作为自变量，并根据实际踏勘获取的蓝藻分布情况分类样本，建立多个蓝藻提取分类模型；
[0012]对多个蓝藻提取分类模型进行评价，选取最优的蓝藻提取分类模型；
[0013]利用所述最优的蓝藻提取分类模型进行蓝藻提取，并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
[0014]在本专利技术的一个或多个实施方式中，所述预处理包括几何校正、辐射校正、大气校正的一种或多种。
[0015]在本专利技术的一个或多个实施方式中，还可通过对影像多特征指标进行降维，以选取多特征变量。
[0016]在本专利技术的一个或多个实施方式中，所述构造影像多特征指标包括：
[0017]对反射率影像数据进行深度解析，深度挖掘该反射率影像数据包含的信息，通过文献、方法调研，并利用指数、比值、灰度共生矩阵中的至少一种方法，建立至少包括波段、纹理、指数的多个特征，形成影像多特征指标。
[0018]在本专利技术的一个或多个实施方式中，所述对多个蓝藻提取分类模型进行评价包括：
[0019]通过基尼系数、卡方检测中的至少一种对多特征进行特征变量重要性评价。
[0020]在本专利技术的一个或多个实施方式中，所述建立多个蓝藻提取分类模型包括：
[0021]通过机器学习方法构建蓝藻提取分类模型，所述机器学习方法至少包括支持向量机、分类树、随机森林、梯度提升树中的一种或多种。
[0022]在本专利技术的一个或多个实施方式中，所述对多个蓝藻提取分类模型进行评价，选取最优的蓝藻提取分类模型包括：
[0023]通过多指标对蓝藻提取分类模型在测试集、验证集的表现进行评价，以选取最优蓝藻提取分类模型，所述多指标至少包括计算分类混淆矩阵、Kappa系数。
[0024]本专利技术还揭示了一种多特征蓝藻提取装置，所述多特征蓝藻提取装置包括：
[0025]预处理模块，用于获取国产卫星影像数据并进行预处理，获得具有几何信息且可反映地物光谱信息的反射率影像数据；
[0026]多特征构建模块，用于分析所述反射率影像数据，构造影像多特征指标，所述影像多特征指标至少包括空间纹理特征、地物光谱特征；
[0027]特征变量选取模块，用于对所述影像多特征指标进行重要性评价，选取多特征变量；
[0028]模型构建模块，用于将选取的多特征变量作为自变量，并根据实际踏勘获取的蓝藻分布情况分类样本，建立多个蓝藻提取分类模型；
[0029]精度评价模块，用于对多个蓝藻提取分类模型进行评价，选取最优的蓝藻提取分类模型；
[0030]应用模块，用于利用所述最优的蓝藻提取分类模型进行蓝藻提取，并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。
[0031]本专利技术还揭示了一种电子设备，所述电子设备包括：
[0032]至少一个处理器；
[0033]至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理器并且存储用于由所述至少一个处理器执行的计算机程序，所述计算机程序由所述至少一个处理器执行时，使得所述电子设备执行上述所述的方法。
[0034]本专利技术还揭示了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现上述所述的方法。
[0035]与现有技术相比，本专利技术一方面无需人工参与进行阈值的设置，可实现蓝藻的自动化提取，另一方面可提高蓝藻提取的准确性，提升国产遥感卫星的应用性。
附图说明
[0036]图1是根据本专利技术一实施方式的多特征蓝藻提取方法流程图；
[0037]图2是根据本专利技术一实施方式的太湖蓝藻遥感监测影像图；
[0038]图3是根据本专利技术一实施方式的太湖蓝藻遥感监测成果图；
[0039]图4是根据本专利技术一实施方式的多特征蓝藻提取装置结构框图；
[0040]图5是根据本专利技术一实施方式的电子设备结构框图。
具体实施方式
[0041]下面结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多特征蓝藻提取方法，其特征在于，所述多特征蓝藻提取方法包括：获取国产卫星影像数据并进行预处理，获得具有几何信息且可反映地物光谱信息的反射率影像数据；分析所述反射率影像数据，构造影像多特征指标，所述影像多特征指标至少包括空间纹理特征、地物光谱特征；对所述影像多特征指标进行特征变量重要性评价，选取多特征变量；将选取的多特征变量作为自变量，并根据实际踏勘获取的蓝藻分布情况分类样本，建立多个蓝藻提取分类模型；对多个蓝藻提取分类模型进行评价，选取最优的蓝藻提取分类模型；利用所述最优的蓝藻提取分类模型进行蓝藻提取，并进行蓝藻面积统计、蓝藻区域制图、蓝藻监测报告自动生成。2.如权利要求1所述的多特征蓝藻提取方法，其特征在于，所述预处理包括几何校正、辐射校正、大气校正的一种或多种。3.如权利要求1所述的多特征蓝藻提取方法，其特征在于，还可通过对影像多特征指标进行降维，以选取多特征变量。4.如权利要求1所述的多特征蓝藻提取方法，其特征在于，所述构造影像多特征指标包括：对反射率影像数据进行深度解析，深度挖掘该反射率影像数据包含的信息，通过文献、方法调研，并利用指数、比值、灰度共生矩阵中的至少一种方法，建立至少包括波段、纹理、指数的多个特征，形成影像多特征指标。5.如权利要求1所述的多特征蓝藻提取方法，其特征在于，所述对多个蓝藻提取分类模型进行评价包括：通过基尼系数、卡方检测中的至少一种对多特征进行特征变量重要性评价。6.如权利要求1所述的多特征蓝藻提取方法，其特征在于，所述建立多个蓝藻提取分类模型包括：通过机器学习方法构建蓝藻提取分类模型，所述机器学习方法至少包括支持向量机、分类树、随机...

【专利技术属性】
技术研发人员：董世元，雷一鸣，孙永钊，王彬，王喆，杜帆，张伟，单萌萌，陈定乾，夏寅，吴明亚，张乃祥，
申请(专利权)人：苏州中科天启遥感科技有限公司，
类型：发明
国别省市：