[发明专利]一种基于自适应样本选择的高光谱城区水体检测方法

摘要

本发明提供一种基于自适应样本选择的高光谱城区水体检测方法，在高光谱近红外谱段图像的预处理方面，通过质量评价SSIM的方法去除噪声波段图像，采用两次平均操作进一步消除噪声，能够获取更加稳定的近红外谱段的均值图像，与传统单波段阈值分割方法相比，无需人工选择待分割图像；本发明将无监督的阈值分割方法提取疑似水体区域，再通过有监督的特征学习与分类器训练，从疑似水体区域中剔除在近红外谱段与水体较为相似的建筑阴影、建筑屋顶沥青等地物；因此，本发明将无监督的阈值分割方法与有监督的特征学习与分类器训练方法相结合，具备城区观测场景的自适应能力，能够实现实测场景数据“现采集、现处理”，且虚警较低。

主权项

1.一种高光谱城区水体自动检测方法，其特征在于，包括以下步骤：S1：获取原始高光谱图像中所有近红外谱段图像的均值图像，并将该均值图像作为第一均值图像；S2：分别获取所述第一均值图像与所述所有近红外谱段图像的SSIM值，剔除小于预设阈值T1的SSIM值对应的近红外谱段图像，并重新获取剩余近红外谱段图像的均值图像，并将该均值图像作为第二均值图像；S3：对所述第二均值图像进行阈值分割，获取疑似水体区域；S4：对所述疑似水体区域分别进行膨胀操作和腐蚀操作，并将膨胀操作的结果在原始高光谱图像中对应的原始光谱作为正样本，将腐蚀操作的结果在原始高光谱图像中对应的原始光谱作为负样本；其中，所述原始光谱为原始高光谱图像中各像素点的像素值以波长为变量，在全波段范围内形成的光谱；S5：采用机器学习的方法，根据所述正样本的光谱特征和负样本的光谱特征完成光谱特征分类器的训练；S6：采用所述光谱特征分类器对步骤S3中获取的疑似水体区域在原始高光谱图像中对应的原始光谱进行重检，从而获取城区水体区域。