申请日2019.09.05
公开(公告)日2020.01.14
IPC分类号G06K9/00; G06K9/62; G06N3/08
摘要
本发明公开了一种城市黑臭水体的识别方法、装置、设备以及存储介质，该方法包括获取城市水体的遥感数据;对遥感数据进行预处理;利用预处理后的遥感数据计算水体清洁指数WCI;建立深度神经网络模型并将预处理后的数据以及水体清洁指数WCI导入所述深度神经网络模型;训练所述深度神经网络模型;通过训练好的深度神经网络模型识别城市水体;该黑臭水体的识别方法通过建立深度神经网络模型，利用该模型结合光谱水体指数与图像解译标志的双重判断标准，并在训练深度神经网络模型时辅佐人工验证，大大的提高了深度神经网络识别的准确率，同时由于利用深度神经网络模型来进行识别，大大的减小了运算数量，提高了识别效率。
权利要求书
1.一种城市黑臭水体的识别方法，其特征在于，包括：
获取城市水体的遥感数据;
对遥感数据进行预处理;
利用预处理后的遥感数据计算水体清洁指数WCI;
建立深度神经网络模型并将预处理后的数据以及水体清洁指数WCI导入所述深度神经网络模型;
训练所述深度神经网络模型;
通过训练好的深度神经网络模型识别城市水体。
2.根据权利要求1所述的识别方法，其特征在于，所述对遥感数据进行预处理，进一步包括：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像;
辐射定标，将图像的数字量化值转化为辐亮度数据;
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
3.根据权利只要1所述的识别方法，其特征在于：所述水体清洁指数WCI=|(b2-b1)/Δλ12|/|(b3-b2)/Δλ23|
其中，Δλ12=λ2-λ1，Δλ23=λ3-λ2;b1、b2、b3分别为遥感卫星PMS第1、2、3波段的反射率值;λ1、λ2、λ3分别为第1、2、3波段的中心波长。
4.根据权利要求1所述的识别方法，其特征在于，所述训练所述深度神经网络模型进一步包括：
构建图像解译标志;
结合图像解译标志以及水体清洁指数判断该水体是否属于黑臭水体;
若判断属于黑臭水体则人工实地走访检验;
将人工校验的结果反馈到深度神经网络模型用来修正所述深度神经网络模型。
5.根据权利要求4所述的识别方法，其特征在于：所述图像解译标志包括水体颜色、次生环境、河道淤塞以及岸边带垃圾堆放。
6.一种城市黑臭水体的识别装置，其特征在于包括：
获取单元，用于获取城市水体的遥感数据
预处理单元，用于对遥感数据做预处理;
深度神经网络模型单元，用于建立深度神经网络模型以及对所述深度神经网络模型进行训练;
识别单元，用所述深度神经网络模型对城市水体进行识别。
7.根据权利要求6所述的识别装置，其特征在于，所述预处理模块具体是用于对遥感数据做如下处理：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像;
辐射定标，将图像的数字量化值转化为辐亮度数据;
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
8.根据权利要求6所述的识别装置，其特征在于：所述获取单元通过GF-1遥感卫星获取城市水体数据。
9.一种城市黑臭水体的识别设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的一种城市黑臭水体的识别方法的步骤。
10.一种存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的一种城市黑臭水体的识别方法的步骤。
说明书
城市黑臭水体的识别方法、装置、设备以及存储介质
技术领域
本发明涉及城市水体识别领域，特别涉及一种城市黑臭水体的识别方法、装置、设备以及存储介质。
背景技术
城市黑臭水体是指城市建设城区内，呈现令人不悦的颜色和/或散发令人不适气味的统称，城市黑臭水体一般呈暗黑色、黑灰色、黑褐色、黄褐色以及灰绿色等。城市黑臭水体不仅严重破坏了城市水系的生态系统，而且还严重影响着居民身体健康和生活品质。
目前，随着遥感技术的发展，遥感监测实现了对河流低成本、高效率的监测，并且，我国遥感监测技术已达到亚米级水平，对于较为细小的河流，也同样具有监测能力，因此，遥感技术解决了黑臭水体识别的难题，不仅效率高，而且降低了黑臭水体识别的成本。
然而现有技术中，基于遥感的城市黑臭水体识别都是需要将遥感数据进行处理分析运算后得到结果，由于遥感数据量庞大，没经过一段时间重新对水体数据更新的时候都需要重新进行分析、运算才行，而且有时候还需要进行人工校验，效率低下，准确率也不够高。
发明内容
为了解决现有的城市黑臭水体识别效率低的问题，本发明提供一种高效率的黑臭水体的识别方法、装置、设备以及存储介质。
为了实现上述目的，本发明一方面提供一种城市黑臭水体的识别方法，包括：获取城市水体的遥感数据;对遥感数据进行预处理;利用预处理后的遥感数据计算水体清洁指数WCI;建立深度神经网络模型并将预处理后的数据以及水体清洁指数WCI导入所述深度神经网络模型;训练所述深度神经网络模型;通过训练好的深度神经网络模型识别城市水体。
在上述识别方法中，所述对遥感数据进行预处理，进一步包括：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像;
辐射定标，将图像的数字量化值转化为辐亮度数据;
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
在上述识别方法中，所述水体清洁指数WCI=|(b2-b1)/Δλ12|/|(b3-b2)/Δλ23|
其中，Δλ12=λ2-λ1，Δλ23=λ3-λ2;b1、b2、b3分别为遥感卫星PMS第1、2、3波段的反射率值;λ1、λ2、λ3分别为第1、2、3波段的中心波长。
在上述识别方法中，所述训练所述深度神经网络模型进一步包括：
构建图像解译标志;
结合图像解译标志以及水体清洁指数判断该水体是否属于黑臭水体;
若判断属于黑臭水体则人工实地走访检验;
将人工校验的结果反馈到深度神经网络模型用来修正所述深度神经网络模型。
在上述识别方法中，所述图像解译标志包括水体颜色、次生环境、河道淤塞以及岸边带垃圾堆放。
另一方面，本发明还提供一种城市黑臭水体的识别装置，其特征在于包括：
获取单元，用于获取城市水体的遥感数据
预处理单元，用于对遥感数据做预处理;
深度神经网络模型单元，用于建立深度神经网络模型以及对所述深度神经网络模型进行训练;
识别单元，用所述深度神经网络模型对城市水体进行识别。
在上述识别装置中，所述预处理模块具体是用于对遥感数据做如下处理：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像;
辐射定标，将图像的数字量化值转化为辐亮度数据;
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
在上述识别装置中，所述获取单元通过GF-1遥感卫星获取城市水体数据。
另一方面，本发明还提供一种城市黑臭水体的识别设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的一种城市黑臭水体的识别方法的步骤。
最后，本发明还提供一种存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种城市黑臭水体的识别方法的步骤。
本发明相对于现有技术的有益效果是：该黑臭水体的识别方法通过建立深度神经网络模型，利用该模型结合光谱水体指数与图像解译标志的双重判断标准，并在训练深度神经网络模型时辅佐人工验证，大大的提高了深度神经网络识别的准确率，同时由于利用深度神经网络模型来进行识别，大大的减小了运算数量，提高了识别效率。（发明人卢有春）