买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：汇杰设计集团股份有限公司

摘要：本发明公开了一种基于卫星图像的水资源信息采集方法，包括：获取卫星图像并计算图像指数与卫星原始波段信息共同构成卫星图像特征；基于核主成分分析对卫星图像特征进行降维；将降维后的卫星图像特征输入深度学习网络进行训练，进而对卫星图像中的水体进行分割；根据分割结果提取水体特征；根据卫星图像水体分割结果以及提取的水体特征，采集水资源信息分布图及其变化趋势信息。本发明将多个图像指数融合到基于核主成分分析的降维方法中可以进一步提高数据的鲁棒性。通过将基于核主成分分析的降维方法和基于深度学习的图像分割方法结合起来，可以实现对卫星图像中的水体进行快速、准确的分割，提高水资源信息的采集效率和精度。

主权项：1.一种基于卫星图像的水资源信息采集方法，其特征在于，包括以下步骤：S1：获取卫星图像并计算图像指数与卫星原始波段信息共同构成卫星图像特征；包括：所述卫星图像由多个原始波段构成，根据所述原始波段的组合计算相应的图像指数用于凸显卫星图像不同地貌的特征，所述的图像指数包括修正归一化差值水体指数MNDWI，归一化差值含水指数NDMI，归一化差值植被指数NDVI，可见光大气阻抗指数VARI以及相应计算方式为： ； ； ； ；其中，R表示红光波段的像素值，G表示绿光波段的像素值，B表示蓝光波段的像素值，SWIR表示短波红外波段的像素值，NIR表示近红外波段的像素值；结合卫星的原始波段，卫星图像特征可表示为： ；S2：基于核主成分分析对卫星图像特征进行降维；包括：S21：将卫星图像特征中的像素中心化： ；其中，代表卫星图像特征上的像素，用于计算像素在卫星图像特征上的均值；S22：使用函数映射特征至高维空间，并计算核矩阵K，核矩阵的计算方式为： ；其中，，为中的一个像素，N表示像素的数目，T代表矩阵转置，为核函数，用于计算函数映射后的结果；S23：计算中心化核矩阵，计算方式为： ；其中，代表一个每个元素值皆为1N的矩阵；S24：计算中心化核矩阵的特征值和特征向量： ；其中，表示特征值，表示特征向量，用于提取输入矩阵的特征值和特征向量；S25：根据特征值的大小，选取前e个特征值对应的特征向量组成变换矩阵P，并用卫星图像特征上的像素X乘以变换矩阵P得到降维后的卫星图像特征： ；其中，Y为降维后的卫星图像特征： ；其中，e为选取的特征值的数量，e小于原始卫星图像特征Fea中的特征数量；S3：将降维后的卫星图像特征输入深度学习网络进行训练，进而对卫星图像中的水体进行分割；包括：S31：将卫星图像特征输入图像分割网络，获得网络预测出的卫星图像每个像素位置是否为水体的结果： ；其中，O为图像分割网络预测的结果，每个像素记录着该像素为水体的概率，表示图像分割网络；S32：根据图像分割网络预测的结果计算损失函数，并更新网络参数：所述损失函数的计算方式为： ；其中，表示当前像素为水体时为1，否则为0；表示当前像素为非水体时为1，否则为0；表示图像分割网络预测结果O中像素为水体的概率；为损失函数调整系数；所述图像分割网络参数的更新方式为： ； ；其中，W和b分别为图像分割网络的权重和偏置，是网络通过不断迭代学习得到的参数；和分别代表当前迭代状态下W和b的梯度；为神经网络的学习率，用于控制神经网络梯度下降的幅度；S33：利用训练好的图像分割网络，将卫星图像输入至网络中，即可获得该卫星图像的水体分割结果；每个像素的取值为0或1，分别代表非水体和水体；S34：对分割结果进行形态学处理：为了去除分割结果中导致结果不平滑的噪声，对分割结果采取两次形态学处理，第一次形态学处理为： ；其中，表示结构元素，用于判断图像中是否存在对应的结构；为分割结果；该次处理中，若在图像像素坐标处与的交集不为空，则输出图像的图像像素坐标处为1，否则为0；进一步地，进行第二次形态学处理： ；其中，为第一次形态学处理的结果；该次处理中，若在图像像素坐标处与完全包含在中，则输出图像的图像像素坐标处为1，否则为0；将经过形态学处理后的分割结果作为最终的分割结果；S4：根据分割结果提取水体特征；S5：根据卫星图像水体分割结果以及提取的水体特征，采集水资源信息分布图及其变化趋势信息。

全文数据：

权利要求：

百度查询： 汇杰设计集团股份有限公司 一种基于卫星图像的水资源信息采集方法