一种基于多光谱图像的水污染区域识别方法和系统

摘要

本发明公开了一种基于多光谱图像的水污染区域识别方法和系统，获取目标水域的光谱图像，通过光谱差异函数，获取表征各栅格单元光谱变化程度的光谱差异图像；再基于光谱差异图像，利用差异分类函数，获取污染概率分布图；再设定阈值，从污染概率分布图提取污染图斑。本发明的识别方法在无先验知识条件下，直接根据光谱在空间上的变化特征检测污染区，无需地面标定，无需大气校正，不需要大量样本支撑，结果受大气影响较小，提高了多光谱影像利用率，应用场景广泛。

说明书

技术领域

本发明属于污染监测领域，特别涉及一种基于多光谱图像的水污染区域识别方法和系统。

背景技术

传统水污染监测采用点监测方法，即在流域内选取若干点位，设置水质自动监测站或采用人工取样化验的方法定期对点位水质进行评估。该方法只反映取样点位的水质情况，不能反映整个流域内污染的分布情况。

随着遥感技术的发展，多光谱、高光谱卫星遥感被用于流域的污染区域识别。该方法属于面监测，将整个流域划分为空间连续的栅格单元，利用水质参数反演模型计算各单元网格的水质参数数值，最后通过栅格统计或与标准值进行比对来识别污染区域。该方法能够全面地反映整个流域的污染分布情况，但所用的水质参数反演模型构建需足够量且质量可靠的样本支撑，在没有充分实验积累的条件下难以将任意时刻的历史影像用于污染区域分析。

水质参数定量反演模型是污染区识别的关键，该模型构建以“水质参数-多光谱反射率”的数据对为支撑，要求样本点数量足够、且水质参数化验结果和多光反射率计算结果质量可靠，但在实际工作中往往存在以下问题：

(1)用于多光谱反射率产品计算的大气校正过程，目前还没有适用于所有区域的方法，常用的6S、MODTRAN大气校正模型需要大量的大气参数作为输入，如CO

(2)水质参数可通过水质自动监测站或手动化验的方式获取，用于建模的样本需在时间、空间上卫星影像匹配，且采样数据应属于同一类型，如都为水质自动监测站数据，或都为同一机构检测化验结果。一般条件下，一个流域内满足使用的条件的样本不足10个，限制了水质参数反演模型的构建。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种基于多光谱图像的水污染区域识别方法和系统。

为了实现上述目的，本发明采用以下技术方案：一种基于多光谱图像的水污染区域识别方法，其特征在于包括以下步骤：

步骤1：获取目标水域的光谱图像，通过光谱差异函数D(λ

步骤2：基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；

步骤3：设定阈值，从污染概率分布图P提取目标污染图斑。

进一步的，步骤1中光谱差异函数D(λ

进一步的，步骤1中光谱差异函数D(λ

进一步的，步骤2中差异分类函数F通过目标的图像特征对光谱差异图像的干扰因素进行排除。

一种基于多光谱图像的水污染区域识别系统，包括：

光谱差异分析模块，用于获取目标水域的光谱图像，通过光谱差异函数D(λ

差异分类模块，用于基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；污染区域提取模块，用于设定阈值，从污染概率分布图P提取目标污染图斑。

进一步的，光谱差异分析模块中的光谱差异函数D(λ

进一步的，光谱差异分析模块中光谱差异函数D(λ

进一步的，差异分类模块中差异分类函数F通过目标的图像特征对光谱差异图像的干扰因素进行排除。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求上面任一项所述的方法的步骤。

本发明的水污染区域识别方法直接通过光谱在空间上的变化特征判别可能存在污染的区域，避免因大气校正不完全、样本数量不足带来的水质参数反演模型构建的问题,提高多光谱影像利用率。

并通过不同物体的光谱、形态特征剔除异常噪声，提高污染区域判别的准确性。

本发明的水污染区域识别方法和系统的有益效果是：在无先验知识条件下，直接根据光谱在空间上的变化特征检测污染区，不需要大量样本支撑，结果受大气影响较小，提高了多光谱影像利用率。

附图说明

图1是实施例基于多光谱图像的水污染区域识别方法的流程图。

图2是实施例1卫星影像。

图3是实施例1经过几何校正的多光谱反射率产品。

图4是实施例1水域范围的多光谱图像。

图5是实施例1标示污染区域的多光谱图像。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

一种基于多光谱图像的水污染区域识别方法，流程如图1所示，包括以下步骤：

步骤1：获取目标水域的光谱图像，通过光谱差异函数D(λ

步骤2：基于光谱差异图像，利用差异分类函数F(I,A,C,D)，获取污染概率分布图P；

步骤3：设定阈值，从污染概率分布图提取污染图斑。

步骤1中光谱差异函数D是为了获取各栅格单元光谱的变化程度；

步骤1中光谱差异函数D通过从多光谱图像的n种光谱数据中提取，其中n≥1；

第i个波段的光谱差异图像D(λ

各栅格单元光谱数据的差异获取方式为计算每个栅格和其周围m个栅格光谱的差异，其中m≥2；差异获取通过基础函数运算获得，计算方式不限于比值、差值、平方根、算术平方根等。

步骤2中差异分类函数F，目的是通过图像的特征差异对干扰因素进行排除。

步骤2的排除方式，不限于基于目标污染图斑的形态特征、光学特征等。

步骤3的阈值设定，根据步骤1和步骤2的结果和实际应用设置，最后从污染概率分布图提取污染图斑。

步骤1中光谱差异函数D(λ

D＝max(D(λ

其中，D为最终的光谱差异图像，D(λ

D(λ

D0(λ

D1(λ

D2(λ

D3(λ

D4(λ

其中，R(λ

步骤2中差异分类函数为F(I,A,C，D)，其中一种表现形式为，其中I为表征反射强度的分量，A、C分别为面积、周长，用于统计形态特征。

步骤2.1：对光谱差异值大于0的像元设为1，对图像进行开运算，消除孤立像元，联通相邻图斑；

步骤2.2：计算图斑的面积A和周长C，计算形态指标S＝A/C；

步骤2.3：计算强度分量I，I可以为近红外反射率，也可以为亮度分量；

步骤2.5：计算污染概率分布图P＝D*S*(1-I)。

步骤3的图像特征包括但不限于图像的形态特征、图像经过颜色转换后的亮度分布特征，或者其他一些常用图像特征识别方式。可以利用上述一种或者结合多种方式，对干扰因素进行排除，对联通图斑进行进一步处理。

步骤3具体采用以下步骤实现：

(1)计算联通图斑的形态指标C，C＝A/L，其中A为图斑面积，L为图斑周长，将C大于c1的图斑所在像元设置为0，用于剔除水面噪声，c1取值范围为0～0.05；

(2)对联通图斑进行RGB-HSV转换，其中H为色调分量，S为饱和度分量，V为亮度分量，将饱和度分量S>s1、亮度分量V>v1的像元设置为0，s1、v1取值范围为0～0.4；

(3)非0像元即为污染区域识别结果。

一种基于多光谱图像的水污染区域识别系统，包括：

光谱差异分析模块，用于获取目标水域的光谱图像，通过光谱差异函数将光谱图像转换成光谱差异图像D；

差异分类模块，用于基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；

污染区域提取模块，用于设定阈值，从污染概率分布图P提取目标污染图斑。

光谱差异函数D(λ

D＝max(D(λ

其中，D为最终的光谱差异图像，D(λ

D(λ

D0(λ

D1(λ

D2(λ

D3(λ

D4(λ

其中，R(λ

差异分类模块中差异分类函数为F为F(I,A,C,D)＝D·S·(1－I)，其中I为表征反射强度的分量，A、C分别为面积、周长，D为光谱差异图像，污染概率分布图P通过对光谱差异图像中光谱差异值大于0的像元设为1，对图像进行开运算，消除孤立像元，联通相邻图斑；计算联通图斑的面积A和周长C，计算形态指标S＝A/C；计算联通图斑强度分量I，I为近红外反射率或亮度分量；通过P＝D·S·(1－I)计算污染概率分布图。

污染区域提取模块包括：形态分析子模块，用于计算污染概率分布图联通图斑的形态指标C，C＝A/L，其中A为图斑面积，L为图斑周长，将C大于c1的图斑所在像元设置为0，用于剔除水面噪声，c1取值范围为0～0.05；色彩分析子模块，用于对联通图斑进行RGB-HSV转换，其中H为色调分量，S为饱和度分量，V为亮度分量，将饱和度分量S>s1、亮度分量V>v1的像元设置为0，s1、v1取值范围为0～0.4；识别子模块，用于识别非0像元为目标污染图斑。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

实施例1

(1)获取某区域2020年9月高分一号卫星影像(如图2)；

(2)利用辐射定标系数对卫星影像进行辐射校正，利用FLAASH大气校正方法对卫星影像进行大气校正，利用RPC参数对卫星影像进行正射校正，人工选择控制点对影像进行几何精校正，获取经过几何校正的多光谱反射率产品(如图3)；

(3)利用NDWI水体指数提取水域范围，并以此为掩膜提取水域范围的多光谱图像(如图4)；

(4)计算各像元方差，并将方差小于50的像元设置为0；

(5)对非0像元进行联通处理后，计算各图斑的形态指标，并将形态指标大于0.018(不同区域数值根据经验值确定)的像元设置为0；

(6)对非0像元进行RGB-HSV变换，并将饱和度(S)大于0.18、亮度(V)大于0.2的像元设置为0；

(7)输出非0图斑，即为识别的污染区域(区域)(如图5)。

上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。