[發明專利]一種基于自適應樣本選擇的高光譜城區水體檢測方法

有效

• 申請號: 201810471321.8
• 申請日: 2018-05-17
• 公開（公告）號: CN108734122B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 唐林波;王文正;鄧宸偉;馮帆;趙保軍
• 申請（專利權）人: 北京理工大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/764;G06K9/62;G06T7/00;G06T7/136
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 郭德忠;李愛英

本發明提供一種基于自適應樣本選擇的高光譜城區水體檢測方法，在高光譜近紅外譜段圖像的預處理方面，通過質量評價SSIM的方法去除噪聲波段圖像，采用兩次平均操作進一步消除噪聲，能夠獲取更加穩定的近紅外譜段的均值圖像，與傳統單波段閾值分割方法相比，無需人工選擇待分割圖像；本發明將無監督的閾值分割方法提取疑似水體區域，再通過有監督的特征學習與分類器訓練，從疑似水體區域中剔除在近紅外譜段與水體較為相似的建筑陰影、建筑屋頂瀝青等地物；因此，本發明將無監督的閾值分割方法與有監督的特征學習與分類器訓練方法相結合，具備城區觀測場景的自適應能力，能夠實現實測場景數據“現采集、現處理”，且虛警較低。

技術領域

本發明屬于遙感圖像處理技術領域，尤其涉及一種基于自適應樣本選擇的高光譜城區水體檢測方法。

背景技術

隨著高光譜遙感技術的迅速發展，高光譜在軍事、民生方面的應用越來越廣泛，由此引發針對具體應用環境的高光譜數據處理要求也越來越高。其中，高光譜遙感圖像的城區水域檢測是一個重要的研究方向，其在城市水文監測，城市水網規劃以及城市生態、環境監測等方面具有重要意義。但是城市背景地物種類多樣、復雜，這就為城市水體的精確提取帶來了挑戰。

現有的高光譜城市水域檢測方法直接套用現有深度學習的方法，把城區水體檢測轉化為地物類別分類問題進行處理，忽視了城區背景地物種類的先驗信息，訓練時間極為冗長繁瑣，需要消耗海量的訓練樣本以及依賴大規模并行計算資源，在理論上也未得到充分的證明，黑箱屬性依然明顯。此外，高光譜城區影像地物類別復雜多樣，由于拍攝角度、環境、同物異譜現象等因素的影響，直接采用原始高光譜數據進行地物的識別通常檢測率不高，并且建筑陰影、建筑屋頂瀝青等地物在近紅外譜段又與水體具有較為相似的光譜性質，導致現有的高光譜城市水域檢測方法極易出現虛警過高的問題。

發明內容

為解決上述問題，本發明提供一種基于自適應樣本選擇的高光譜城區水體檢測方法，能夠去除瀝青、陰影等因素的干擾，降低檢測虛警率。

一種高光譜城區水體自動檢測方法，包括以下步驟：

S1：獲取原始高光譜圖像中所有近紅外譜段圖像的均值圖像，并將該均值圖像作為第一均值圖像；

S2：分別獲取所述第一均值圖像與所述所有近紅外譜段圖像的SSIM值，剔除小于預設閾值T1的SSIM值對應的近紅外譜段圖像，并重新獲取剩余近紅外譜段圖像的均值圖像，并將該均值圖像作為第二均值圖像；

S3：對所述第二均值圖像進行閾值分割，獲取疑似水體區域；

S4：對所述疑似水體區域分別進行膨脹操作和腐蝕操作，并將膨脹操作的結果在原始高光譜圖像中對應的原始光譜作為正樣本，將腐蝕操作的結果在原始高光譜圖像中對應的原始光譜作為負樣本；其中，所述原始光譜為原始高光譜圖像中各像素點的像素值以波長為變量，在全波段范圍內形成的光譜；

S5：采用機器學習的方法，根據所述正樣本的光譜特征和負樣本的光譜特征完成光譜特征分類器的訓練；

S6：采用所述光譜特征分類器對步驟S3中獲取的疑似水體區域在原始高光譜圖像中對應的原始光譜進行重檢，從而獲取城區水體區域。

進一步地，所述正樣本的獲取方法包括以下步驟：

對所述疑似水體區域進行膨脹操作，剔除面積小于預設閾值T2的疑似水體區域，從而將剩余的疑似水體區域作為水體樣本提取區域；

根據所述水體樣本提取區域中水體中心區域的坐標，在原始高光譜圖像中獲取與所述水體中心區域對應的原始光譜，則該原始光譜為所述正樣本。

進一步地，所述負樣本的獲取方法包括以下步驟：

對所述疑似水體區域進行腐蝕操作，擴大疑似水體區域，其中擴大的部分為疑似水體區域的周邊區域，并將所述周邊區域作為非水體樣本提取區域；