一種基于光譜指數模型的黑臭水體識別方法及系統與流程

本發明涉及遙感圖像處理領域，尤其涉及一種基于光譜指數模型的黑臭水體識別方法及系統。

背景技術：

城市黑臭水體是指城市建設城區內，呈現令人不悅的顏色和/或散發令人不適氣味的統稱。隨著城市化的快速發展，人口密度急劇增加，大量生活污水、工業廢水被排放至城市河道中，造成城市水體水質日益惡化，部分水體甚至出現嚴重的季節性或終年黑臭現象，對城市河流的生態系統帶來了很大的壓力，對城市居民的健康及日常生活造成危害，對城市景觀及城市發展造成惡劣影響。面對十份嚴峻的水體污染狀況，整治黑臭水體、控制和治理城市水體污染已經刻不容緩。

目前，城市黑臭水體的識別主要依靠常規的地面監測方法，然而這種方法需要布設大量的人工監測點位，不僅浪費大量的人力、物力和財力，也無法做到長時間跟蹤監測，并且，獲得的水環境信息也有很大的局限性。

現有技術中，通常采用衛星遙感技術對城市水系進行監測，但是對于從衛星遙感圖像中識別出黑臭水體，目前用到的識別方法準確率不高，而且，對水系黑臭程度的劃分也不細致。

技術實現要素：

有鑒于此，本發明實施例提供了一種基于光譜指數模型的黑臭水體識別方法及系統，通過本發明實施例提出的光譜指數模型計算得到的黑臭光譜指數，更加準確，并且，通過確定第一閾值和第二閾值，將水體劃分為重度黑臭水體、輕度黑臭水體和一般水體，對水體黑臭程度的劃分更加的細致。

本發明實施例提供的一種基于光譜指數模型的黑臭水體識別方法，可以包括：

獲取符合預設規則的高空間分辨率遙感圖像；所述高空間分辨率遙感圖像包括：全色遙感圖像和多光譜遙感圖像；

對所述高空間分辨率遙感圖像進行預處理，得到遙感反射率圖像；所述遙感反射率圖像包括：全色遙感反射率圖像和多光譜遙感反射率圖像；

將所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合，得到融合后的遙感反射率圖像；

將所述融合后的遙感反射率圖像對應的河流水系矢量文件或者掩膜文件疊加到所述融合后的遙感反射率圖像中，提取出所述融合后的遙感反射率圖像中的河流，得到河流遙感圖像；

獲取所述河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，并依據所述波段和預設的光譜指數模型計算黑臭光譜指數；

光譜指數模型：

其中，b1為藍光波段、b2為綠光波段、b3為紅光波段和b4為近紅外波段；

依據每個像元的光譜指數h、預設的第一閾值n1和第二閾值n2的關系，確定所述每個像元對應的水體的類別；所述類別包括：重度黑臭水體、輕度黑臭水體和一般水體。

可選的，所述預設的規則包括：

所述高空間分辨率遙感圖像在預設的云量范圍內，并且所述高空間分辨率遙感圖像覆蓋研究區域的范圍。

可選的，對所述高空間分辨率遙感圖像進行預處理包括：

采用滿足預設時相規則的高幾何精度圖像對所述全色遙感圖像和多光譜遙感圖像進行幾何精校正，得到校正過的全色遙感圖像和校正過的多光譜遙感圖像；

將校正過的全色遙感圖像和校正過的多光譜遙感圖像進行配準，得到配準后的全色遙感圖像和配準后的多光譜遙感圖像；

采用預設的輻射定標系數對配準后的全色遙感圖像和配準后的多光譜遙感圖像進行輻射定標處理，得到全色遙感反射率圖像和多光譜遙感反射率圖像。

可選的，所述將所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合，包括：

依據gram-schmidt正交化算法對所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合。

可選的，還包括：

從所述融合后的遙感反射率圖像中提取出河流水系矢量文件或者掩膜文件。

可選的，所述第一閾值n1＝0.4，第二閾值n2＝0.8，當h≤0.4時，表示該像元對應的水體為重度黑臭水體；當0.4<h≤0.8時，表示該像元對應的水體為輕度黑臭水體；h>0.8時，表示該像元對應的水體為一般水體。

本發明實施例還提供了一種基于光譜指數模型的黑臭水體識別系統，其特征在于，所述系統可以包括：

獲取單元，用于獲取符合預設規則的高空間分辨率遙感圖像；所述高空間分辨率遙感圖像包括：全色遙感圖像和多光譜遙感圖像；

預處理單元，用于對所述高空間分辨率遙感圖像進行預處理，得到遙感反射率圖像；所述遙感反射率圖像包括：全色遙感反射率圖像和多光譜遙感反射率圖像；

融合單元，用于將所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合，得到融合后的遙感反射率圖像；

疊加單元，用于將所述融合后的遙感反射率圖像對應的河流水系矢量文件或者掩膜文件疊加到所述融合后的遙感反射率圖像中，提取出所述融合后的遙感反射率圖像中的河流，得到河流遙感圖像；

計算單元，用于獲取所述河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，并依據所述波段和預設的光譜指數模型計算黑臭光譜指數；

光譜指數模型：

其中，b1為藍光波段、b2為綠光波段、b3為紅光波段和b4為近紅外波段；

確定單元，用于依據每個像元的光譜指數h、預設的第一閾值n1和第二閾值n2的關系，確定所述每個像元對應的水體的類別；所述類別包括：重度黑臭水體、輕度黑臭水體和一般水體。

可選的，所述預處理單元，包括：

幾何精校正子單元，用于采用滿足預設時相規則的高幾何精度圖像對所述全色遙感圖像和多光譜遙感圖像進行幾何精校正，得到校正過的全色遙感圖像和校正過的多光譜遙感圖像；

配準子單元，用于將校正過的全色遙感圖像和校正過的多光譜遙感圖像進行配準，得到配準后的全色遙感圖像和配準后的多光譜遙感圖像；

輻射定標子單元，用于采用預設的輻射定標系數對配準后的全色遙感圖像和配準后的多光譜遙感圖像進行輻射定標處理，得到全色遙感反射率圖像和多光譜遙感反射率圖像。

可選的，所述融合單元，包括：

融合子單元，用于依據gram-schmidt正交化算法對所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合。

可選的，還包括：

提取子單元，用于從所述融合后的遙感反射率圖像中提取出河流水系矢量文件或者掩膜文件。

本實施例中，識別遙感圖像中的黑臭水體時，對選取的高空間分辨率圖像中的全色遙感圖像和多光譜遙感圖像進行預處理和融合后，將融合后的遙感反射率圖像對應的河流水系矢量文件或者掩膜文件疊加到融合后的遙感反射率圖像中，提取出所述融合后的遙感反射率圖像中的河流，得到河流遙感圖像；獲取所述河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，并依據所述波段和預設的光譜指數模型計算黑臭光譜指數；并依據每個像元的光譜指數、預設的第一閾值和第二閾值的關系確定每個像元對應的水體的類別。其中，水體的類別包括：重度黑臭水體、輕度黑臭水體和一般水體。因此，采用本實施例中的黑臭光譜指數模型，識別出的城市河流的黑臭光譜指數更加準確，并且，將河流的水體類別區分為重度黑臭水體、輕度黑臭水體和一般水體，對水體的區分更加的細致。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1示出了本發明實施例提供的一種基于光譜指數模型的黑臭水體識別方法的流程示意圖；

圖2示出了本發明實施例提供的一種基于光譜指數模型的黑臭水體識別方法的另一流程示意圖；

圖3示出了建模數據的分布數據圖；

圖4-a示出了重度黑臭水體和輕度黑臭水體光譜指數的示意圖；

圖4-b示出了輕度黑臭水體和一般水體光譜指數的示意圖；

圖5-a示出了重度黑臭水體驗證圖；

圖5-b示出了輕度黑臭水體驗證圖；

圖5-c示出了一般水體黑臭驗證圖；

圖6示出了本發明實施例提供的一種基于光譜指數模型的黑臭水體識別系統的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

參考圖1，示出了本發明實施例提供的一種基于光譜指數模型的黑臭水體識別方法的流程示意圖，在本實施例中，所述方法可以包括如下步驟中的s101～s106：

s101：獲取符合預設規則的高空間分辨率遙感圖像；所述高空間分辨率遙感圖像包括：全色遙感圖像和多光譜遙感圖像；

本實施例中，所述預設規則可以包括以下兩個方面：

方面一：所述高空間分辨率圖像在預設的云量范圍內；

方面二：所述高空間分辨率遙感圖像覆蓋研究區域的范圍。

針對于方面一，獲取到的高空間分辨率遙感圖像的云量較少；針對于方面二：例如，若要研究北京區域的水系，獲取到的高空間分辨率圖像應該是覆蓋北京區域水系的圖像。

本實施例中，對于獲取符合預設規則的高空間分辨率遙感圖像，可能需要在大量的高空間分辨率圖像中進行篩選，篩選的過程可以是人為手動篩選的，也可以是自動篩選的。

s102：對所述高空間分辨率遙感圖像進行預處理，得到遙感反射率圖像；所述遙感反射率圖像包括：全色遙感反射率圖像和多光譜遙感反射率圖像；

本實施例中，對高空間分辨率遙感圖像進行預處理可以包括：對高空間分辨率遙感圖像進行幾何精校正、配準以及輻射定標處理，具體的如圖2提供的一種基于光譜指數模型的黑臭水體識別方法的另一流程圖所示，可以包括如下的步驟中的s201～s203：

s201：采用滿足預設時相規則的高幾何精度的圖像對所述全色遙感圖像和多光譜遙感圖像進行幾何精校正，得到校正過的全色遙感圖像和校正過的多光譜遙感圖像；

本實施例中，遙感成像的時候，由于飛行器的姿態、高度、速度以及地球自轉等因素的圖像，造成目標發生幾何畸變，因此，在對圖像中的黑臭水體進行識別之前，可以先對全色遙感圖像和多光譜遙感圖像進行幾何精校正。

本實施例中，滿足預設時相規則的高幾何精度圖像，即與全色遙感圖像和多光譜遙感圖像時相相近的高幾何精度圖像，具體的，可以理解為，與全色遙感圖像和多光譜遙感圖像拍攝的時間較為相近的，保證高幾何精度圖像中的地理坐標和全色遙感圖像與多光譜遙感圖像的地理坐標一致。

其中，例如，高幾何精度圖像可以為滿足預設時相規則的landsat圖像。

本實施例中，可以在envi(英文全稱：theenvironmentforvisualizingimages，中文全稱：圖像可視化環境)處理平臺中對全色遙感圖像和多光譜遙感圖像進行幾何精校正。

s202：將校正過的全色遙感圖像和校正過的多光譜遙感圖像進行配準，得到準配后的全色遙感圖像和配準后的多光譜遙感圖像；

本實施例中，為了之后的步驟中，全色遙感圖像和校正過的多光譜遙感圖像可以更好的融合，可以先將這兩個圖像進行配準。

s203：采用預設的輻射定標系數對配準后的全色遙感圖像和配準后的多光譜遙感圖像進行輻射定標處理，得到預處理后的全色遙感反射率圖像和預處理后的多光譜遙感反射率圖像。

本實施例中，采用的預設的輻射定標系數可以為中國資源衛星應用中心官網公布的最新的輻射定標系數。

s103：將所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合，得到融合后的遙感反射率圖像；

本實施例中，具體的，s103可以包括：

依據gram-schmidt正交化算法對所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合。

s104：將所述融合后的遙感反射率圖像對應的河流水系矢量文件或者掩膜文件疊加到所述融合后的遙感反射率圖像中，提取出所述融合后的遙感反射率圖像中的河流，得到河流遙感圖像；

本實施例中，河流水系矢量文件或者掩膜文件可以是預先設置的，也可以是從融合后的遙感反射率圖像中提取出來的。對于預先設置的河流水系矢量文件或者掩膜文件，可以是預先從其它的遙感反射率圖像中提取出來的。

其中，河流水系矢量文件或者掩膜文件均標明了河流在城市中的位置坐標。

s105：獲取所述河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，并依據所述波段和預設的光譜指數模型計算所述每個像元的黑臭光譜指數；

光譜指數模型：

其中，b1為藍光波段、b2為綠光波段、b3為紅光波段和b4為近紅外波段；

本實施例中，對光譜指數模型建模時采用的數據范圍比較廣，例如可以包括：長春、沈陽、北京、常州、無錫和杭州這些區域中取得的光譜數據，共計209個采樣點數據，實際點位分布如圖3所示。

本實施例中，采用更為廣泛的數據進行光譜指數模型的建模，如此，光譜指數模型的通用性更強。

本實施例中，計算河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，可以是，按照一定的順序，依次計算每個像元的藍、綠、紅和近紅外波段；也可以是隨機的計算每個像元的藍、綠、紅和近紅外波段；或者還可以是同時計算每一個像元的藍、綠、紅和近紅外波段。

s106：依據每個像元的光譜指數h、預設的第一閾值n1和第二閾值n2的關系，確定所述每個像元對應的水體的類別；所述類別包括：重度黑臭水體、輕度黑臭水體和一般水體。

本實施例中，對于第一閾值n1和第二閾值n2的確定，可以采用圖3中的城市數據，并從中選取75％的樣本(其中重度黑臭：73個；輕度黑臭：23個；一般水體：60個)進行閾值的確定，然后采用25％樣本(重度黑臭：25個；輕度黑臭：8個；一般水體：20個)進行精度驗證。

如圖4-a和圖4-b所示，分別為建模數據計算出的光譜指數h，可以通過這些指數值，確定第一閾值和第二閾值；例如第一閾值可以為n1＝0.4，第二閾值可以為n2＝0.8，

故，

其中，重度黑臭可以表示水體的黑臭程度較重，輕度黑臭可以表示水體黑臭的程度較輕，一般水體可以表示正常的水體。

對確定的第一閾值和第二閾值進行驗證時，如圖5-a為重度黑臭水體驗證圖、5-b為輕度黑臭水體驗證圖、5-c為一般水體黑臭驗證圖所示；

從圖中可以看出，重度黑臭水體有5個樣本誤判，識別正確率為80.0％；輕度黑臭水體有3個樣本被誤判，識別正確率為62.5％；一般水體有1個點位誤判，一般水體的識別正確率為85.0％。

本實施例中，識別遙感圖像中的黑臭水體時，對選取的高空間分辨率圖像中的全色遙感圖像和多光譜遙感圖像進行預處理和融合后，將融合后的遙感反射率圖像對應的河流水系矢量文件或者掩膜文件疊加到融合后的遙感反射率圖像中，提取出所述融合后的遙感反射率圖像中的河流，得到河流遙感圖像；獲取所述河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，并依據所述波段和預設的光譜指數模型計算黑臭光譜指數h；依據每個像元的光譜指數h、預設的第一閾值n1和第二閾值n2的關系，確定所述每個像元對應的水體的類別；所述類別包括：重度黑臭水體、輕度黑臭水體和一般水體。因此，采用本實施例中的黑臭光譜指數模型，識別出的城市河流的黑臭光譜指數更加準確，并且，將河流的水體類別區分為重度黑臭水體、輕度黑臭水體和一般水體，這樣對水體的區分更加的細致。

參考圖6，示出了本發明實施例提供的一種基于光譜指數模型的黑臭水體識別系統的結構示意圖，其特征在于，所述系統可以包括：

獲取單元601，用于獲取符合預設規則的高空間分辨率遙感圖像；所述高空間分辨率遙感圖像包括：全色遙感圖像和多光譜遙感圖像；

預處理單元602，用于對所述高空間分辨率遙感圖像進行預處理，得到遙感反射率圖像；所述遙感反射率圖像包括：全色遙感反射率圖像和多光譜遙感反射率圖像；

融合單元603，用于將所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合，得到融合后的遙感反射率圖像；

疊加單元604，用于將所述融合后的遙感反射率圖像對應的河流水系矢量文件或者掩膜文件疊加到所述融合后的遙感反射率圖像中，提取出所述融合后的遙感反射率圖像中的河流，得到河流遙感圖像；

計算單元605，用于獲取所述河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，并依據所述波段和預設的光譜指數模型計算黑臭光譜指數；

光譜指數模型：

其中，b1為藍光波段、b2為綠光波段、b3為紅光波段和b4為近紅外波段；

確定單元606，用于依據每個像元的光譜指數h、預設的第一閾值n1和第二閾值n2的關系，確定所述每個像元對應的水體的類別；所述類別包括：重度黑臭、輕度黑臭和一般水體。

可選的，所述預設的規則包括：

所述高空間分辨率遙感圖像在預設的云量范圍內，并且所述高空間分辨率遙感圖像覆蓋研究區域的范圍。

可選的，所述預處理單元，包括：

幾何精校正子單元，用于采用滿足預設時相規則的高幾何精度圖像對所述全色遙感圖像和多光譜遙感圖像進行幾何精校正，得到校正過的全色遙感圖像和校正過的多光譜遙感圖像；

配準子單元，用于將校正過的全色遙感圖像和校正過的多光譜遙感圖像進行配準，得到配準后的全色遙感圖像和配準后的多光譜遙感圖像；

輻射定標子單元，用于采用預設的輻射定標系數對配準后的全色遙感圖像和配準后的多光譜遙感圖像進行輻射定標處理，得到全色遙感反射率圖像和多光譜遙感反射率圖像。

可選的，所述融合單元，包括：

融合子單元，用于依據gram-schmidt正交化算法對所述全色遙感反射率圖像和所述多光譜遙感反射率圖像進行融合。

可選的，還包括：

提取子單元，用于從所述融合后的遙感反射率圖像中提取出河流水系矢量文件或者掩膜文件。

可選的，所述第一閾值n1＝0.4，第二閾值n2＝0.8，當h≤0.4時，表示該像元對應的水體為重度黑臭水體；當0.4<h≤0.8時，表示該像元對應的水體為輕度黑臭水體；h>0.8時，表示該像元對應的水體為一般水體。

通過本實施例提供的系統，識別遙感圖像中的黑臭水體時，對選取的高空間分辨率圖像中的全色遙感圖像和多光譜遙感圖像進行預處理和融合后，將融合后的遙感反射率圖像對應的河流水系矢量文件或者掩膜文件疊加到融合后的遙感反射率圖像中，提取出所述融合后的遙感反射率圖像中的河流，得到河流遙感圖像；獲取所述河流遙感圖像中每個像元的藍、綠、紅和近紅外波段，并依據所述波段和預設的光譜指數模型計算黑臭光譜指數h；依據每個像元的光譜指數h、預設的第一閾值n1和第二閾值n2的關系，確定所述每個像元對應的水體的類別；所述類別包括：重度黑臭水體、輕度黑臭水體和一般水體。因此，采用本實施例中的黑臭光譜指數模型，識別出的城市河流的黑臭光譜指數更加準確，并且，將河流的水體類別區分為重度黑臭、輕度黑臭和一般水體，對水體的區分更加的細致。

需要說明的是，本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或范圍的情況下，在其它實施例中實現。因此，本發明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。