一种过火区域自动化多阈值判别提取方法及装置与流程

1.本发明涉及过火影像处理技术领域，特别是一种过火区域自动化多阈值判别提取方法及装置。


背景技术：

2.我国是自然灾害频发的国家，这些自然灾害对国家经济发展和社会安定造成了严重的影响，森林草原火灾作为我国主要的自然灾害之一，其极快的发展态势和难以预测的燃烧走向使其难以得到快速控制，但随着遥感卫星的不断发展，对火灾的实时全局监测有了可靠的保障。基于多源多光谱卫星可以精确获得过火区域的面积、范围等信息，对于灾中火情发展态势的实时监测有着重要的意义，为火情的及时控制和灾后的灾情评估提供了高效的帮助。
3.遥感技术由于其具有探测范围大、获取信息快、受地面限制少等特点被广泛应用在森林草原火灾的监测中，由于火灾发生前后，过火区域植被性状发生改变，其特征光谱也产生极大的变化，在近红外波段范围内(0.75～2.5μm)这种变化尤为明显，目前过火区域检测主要基于对光谱特征的分析，根据区域内构建光谱指数运算，反演出过火区域的准确范围，但由于森林草原发展迅速，发生后由于天气因素的影像，燃烧区域周围可能出现大量的云层，由于阴影在近红外波段的值与阴影非常接近，会严重干扰过火面积的提取，而过火区域周围的建筑也会带来阴影，所以去除云阴影对如何自动化快速提取区域准确的过火范围尤为重要。


技术实现要素：

4.本发明解决的技术问题是：克服现有技术的不足，提供了一种过火区域自动化多阈值判别提取方法及装置。
5.为了解决上述技术问题，本发明实施例提供的一种过火区域自动化多阈值判别提取方法，包括：
6.对获取的过火区域灾前灾后的遥感影像进行预处理，生成预处理影像；
7.基于所述预处理影像，构建ndsi指数；
8.基于所述ndsi指数，对所述遥感影像进行处理，增强云、水、阴影干扰因素与过火区域的光谱差异，生成栅格影像；
9.基于otsu算法自动阈值分类过火区域与云、水、阴影干扰因素；
10.基于阈值分割，对所述遥感影像进行干扰因素剔除处理，生成区域剔除图像；
11.对所述区域剔除图像进行灾前灾后两期的ndvi-d指数提取，并对提取结果进行自适应阈值分割，得到过火区域的二值化栅格图，并根据需要得到过火区域矢量图。
12.可选地，所述对获取的过火区域灾前灾后的遥感影像进行预处理，生成预处理影像，包括：
13.对所述遥感影像进行辐射定标和大气校正处理，得到校正影像；
14.对所述校正影像进行重采样，得到重采样影像；
15.对所述重采样影像进行降位处理，得到降位影像；
16.对所述降位影像进行波段合成处理，生成所述预处理影像。
17.可选地，所述基于所述预处理影像，构建ndsi指数，包括：
18.对所述预处理影像进行波段运算，得到波段运算结果；
19.基于所述波段运算结果，构建得到所述ndsi指数。
20.可选地，所述基于otsu算法自动阈值分类过火区域与云、水、阴影干扰因素，包括：
21.基于所述otsu算法将所述栅格影像分割为两部分；
22.将得到的灾前灾后两期影像经大津法阈值分割得到的云、水、阴影等干扰因素区域影像转化位矢量，并对两期矢量取并集，得到两期影像的最大剔除矢量，以此作为提取掩膜；
23.基于所述灾前灾后两景影像去云、水及阴影，对所述预处理影像进行提取，去除干扰过火区域提取的无效信息；
24.判断影像经处理后是否还有低于设定经验阈值的区域；
25.若灾后影像的最小像素值大于设定经验阈值，则运算结束，以表示区域内无过火区域；
26.若灾后影像的最小像素值小于设定经验阈值，则设为n，以表示区域内存在过火区域。
27.为了解决上述技术问题，本发明实施例提供了一种过火区域自动化多阈值判别提取装置，包括：
28.预处理影像生成模块，用于对获取的过火区域灾前灾后的遥感影像进行预处理，生成预处理影像；
29.ndsi指数构建模块，用于基于所述预处理影像，构建ndsi指数；
30.栅格影像生成模块，用于基于所述ndsi指数，对所述遥感影像进行处理，强云、水、阴影干扰因素与过火区域的光谱差异，生成栅格影像；
31.阈值分割模块，用于基于otsu算法自动阈值分类过火区域与云、水、阴影区域干扰因素；
32.区域剔除图像生成模块，用于基于阈值分割，对所述遥感影像进行干扰因素剔除处理，生成区域剔除图像；
33.过火矢量图获取模块，用于对所述区域剔除图像进行灾前灾后两期的ndvi-d指数提取，并对提取结果进行自适应阈值分割，得到过火区域的二值化栅格图，并根据需要得到过火区域矢量图。
34.可选地，所述预处理影像生成模块包括：
35.校正影像获取单元，用于对所述遥感影像进行辐射定标和大气校正处理，得到校正影像；
36.重采样影像获取单元，用于对所述校正影像进行重采样，得到重采样影像；
37.降位影像获取单元，用于对所述重采样影像进行降位处理，得到降位影像；
38.预处理影像生成单元，用于对所述降位影像进行波段合成处理，生成所述预处理影像。
39.可选地，所述ndsi指数构建模块包括：
40.波段运算结果获取单元，用于对所述预处理影像进行波段运算，得到波段运算结果；
41.ndsi指数构建单元，用于基于所述波段运算结果，构建得到所述ndsi指数。
42.可选地，所述过火区域提取模块包括：
43.栅格影像分割单元，用于基于所述otsu算法将所述栅格影像分割为两部分；
44.掩膜提取单元，将得到的灾前灾后两期影像经大津法阈值分割得到的云、水、阴影等干扰因素区域影像转化位矢量，并对两期矢量取并集，得到两期影像的最大剔除矢量，以此作为提取掩膜；
45.无效信息去除单元，用于基于所述灾前灾后两景影像去云、水及阴影，对所述预处理影像进行提取，去除干扰过火区域提取的无效信息；
46.区域判断单元，用于判断影像经处理后是否还有低于设定经验阈值的区域；
47.无过火区域确定单元，用于若灾后影像的最小像素值大于设定经验阈值，则运算结束，以表示区域内无过火区域；
48.过火区域确定单元，用于若灾后影像的最小像素值小于设定经验阈值，则设为n，以表示区域内存在过火区域。
49.本发明与现有技术相比的优点在于：
50.本发明实施例可以有效剔除过火区域周围的干扰因素、得到的过火区域效果更好，采用ostu大津法自适应阈值提取方法，不用手动设置提取阈值，提高了大范围过火区域的提取效率，且构建了过火面积提取的整体流程，能够自动化从影像处理、影响因素剔除、过火面积提取到去除小图斑平滑矢量。该自动化处理方法对于实际应用有良好的使用效果。
附图说明
51.图1为本发明实施例提供的一种过火区域自动化多阈值判别提取方法的步骤流程图；
52.图2为本发明实施例提供的一种过火区域自动化多阈值判别提取装置的结构示意图；
53.图3为本发明实施得到的过火区域提取图。
具体实施方式
54.实施例一
55.参照图1，示出了本发明实施例提供的一种过火区域自动化多阈值判别提取方法的步骤流程图，如图1所示，该方法可以包括以下步骤：
56.步骤101：对获取的过火区域灾前灾后的遥感影像进行预处理，生成预处理影像；
57.步骤102：基于所述预处理影像，构建ndsi指数；
58.步骤103：基于所述ndsi指数，对所述遥感影像进行处理，增强云、水、阴影干扰因素与过火区域的光谱差异，生成栅格影像；
59.步骤104：基于otsu算法自动阈值分类过火区域与云、水、阴影干扰因素；
60.步骤105：基于所述阈值分割，对所述遥感影像进行干扰因素剔除处理，生成区域剔除图像；
61.步骤106：对所述区域剔除图像进行灾前灾后两期的ndvi-d指数提取，并对提取结果进行自适应阈值分割，得到过火区域的二值化栅格图，并根据需要得到过火区域矢量图。
62.本实施例所采用的技术方案为：先对获取的灾前灾后sentinel-2影像进行处理，对其进行重采样提高分辨率，再降维成8bit，构建ndsi指数，ndsi指数对于云、水、阴影有良好的识别效果，对指数计算的栅格影像基于otsu自适应阈值提取云、水、阴影区域并进行重分类，云、水、阴影区域设置为0，其他区域设置为1，以此创建掩膜对原影像进行剔除，对得到的剔除影像进行灾前灾后两期的ndvi-d指数提取，并对提取结果进行自适应阈值分割，得到过火区域的二值化栅格图，并根据需要得到过火区域矢量图，整体流程自动化，只需要输入栅格影像就可以得到准确的过火区域范围。
63.首先，可以对自动化过火区域提取流程中涉及到的指数和算法进行简要描述。
64.1、ndsi指数
65.由于过火区域在提取过程中容易与周围水体、建筑或云层阴影混淆，所以提前去除水体和阴影对于提高过火区域提取精度至关重要。水体在近红外波段有明显的光谱特征，而阴影区域在在短波红外和中红外范围内可以与过火区域有良好区分，所以本发明构建了ndsi指数，以剔除云、水体、阴影的影响。
66.构建的ndsi指数为：
67.ndsi＝(red-(nir swir))/(red (nir swir))
68.2、ndvi-d指数
69.火灾发生的条件之一是有大量的可燃物，而林火或草原火灾的可燃物大多为植被，所以过火区域在灾前灾后地表的植被覆盖会产生明显变化，所以可以基于对地表植被的判断来识别过火区域，健康植被会反射更多的近红外(nir)和绿光，但会吸收更多的红蓝光，所以ndvi指数可以作为衡量植被状态的标准化方法，由于灾前灾后植被的明显变化，利用灾前灾后的ndvi相减，由于其他地物没有明显光谱信息变化，所以可以得到较好的过火区域范围结果。
70.ndvi指数为：
71.ndvi＝(nir-red)/(nir red)
72.ndvi-d＝ndvi
pre-ndvi
pro
73.3、ostu算法
74.otsu算法的假设是存在阈值th将图像所有像素分为两类c1
75.(小于th)和c2(大于th)，则这两类像素各自的均值就为m1、m2，图像全局均值为mg。同时像素被分为c1和c2类的概率分别为p1、p2。因此就有：
76.p1*m1 p2*m2＝mg
77.p1 p2＝1
78.类间方差表达式为：
79.σ2＝p1(m1-mg)2 p2(m2-mg)280.其中，
81.求能使得σ2最大化的灰度级k就是otsu阈值。
82.ostu被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，对本发明中的去水、云、阴影以及过火区域的提取都能找到理想的阈值。
83.接下来对本发明实施例的详细过程进行如下描述。
84.本实施例的自动化流程大体分为四个模块：1、影像预处理模块；2、影像去水、云及阴影掩膜模块；3、过火区域判断及计算提取模块；4、过火区域结果处理输出模块。整体流程的每一步可以根据需求生成所需中间产品的栅格或矢量数据，并可以作为其他相关算法的输入。
85.详细流程为：
86.1.1获取过火区域sentinel-2灾前灾后的影像，利用esa发布的sen2cor插件对l1c数据进行辐射定标和大气校正处理，输出得到处理后的栅格影像。
87.1.2对处理后的灾前灾后栅格影像进行重采样处理，将所有波段重采样为10m分辨率。
88.1.3对得到的各波段影像进行降位，降位到8bit，不仅减小了数据量,也便于后期处理。
89.1.4对需要的波段进行波段合成，并可以根据需求选择输出合成的栅格影像，可以检查处理后的影像质量并根据情况对原影像数据进行其他处理。
90.2.1分别利用灾前灾后预处理后的sentinel-2影像进行波段运算，红波段选择sentinel-2影像的band 4、近红外波段选择sentinel-2影像的band 8、短波红外选择sentinel-2影像的band 12。利用这三个波段计算ndsi，ndsi的结果在[-1,1]的区间内，可以选择输出ndsi作为中间过程结果。
[0091]
2.2利用ostu大津法自动获取阈值，将得到的栅格影像分割为两部分，将大于自适应阈值的部分设置为0，小于自适应阈值的部分设置为1。
[0092]
2.3将得到的灾前灾后两期影像经大津法阈值分割的影像转化位矢量，并对两期矢量取并集，得到两期影像的最大云、水、阴影矢量，以此作为提取掩膜。
[0093]
2.4利用灾前灾后影像提取的最大掩膜矢量位灾前灾后两景影像去云、水及阴影，对预处理后的灾前灾后sentinel-2影像进行提取，去除干扰过火区域提取的无效信息。
[0094]
2.5对剔除云、水、阴影后的影像进行阈值判断，设定经验阈值，判断影像经处理后是否还有低于设定经验阈值的区域，如果灾后影像band 4的最小像素值大于设定经验阈值，则运算结束，表示区域内无过火区域，如果灾后影像band 4的最小像素值小于设定经验阈值，则设为n，表示区域内存在过火区域。
[0095]
2.6对灾后影像band 4小于设定阈值的数量进行统计，设数量为k，如果少于设定阈值，则可能是噪点或者掩膜剔除后云、水及阴影的残留点，则不予考虑，认为该区域没有过火。如果大于设定阈值，则对每一个band 4像素值大于设定经验阈值的点进行遍历，如果其周围8
×
8的矩阵中，没有大于设定比例的n值，则该点认定为非过火区域点，如果其周围8
×
8的矩阵中，有大于设定比例的n值，则视为其是过火区域的点，经过遍历，存在这样的点，则视为该范围有过火区域，否则视为无过火区域。
[0096]
3.1过火区域计算中利用了ndvi归一化植被指数，分别利用灾前灾后预处理后的sentinel-2影像进行波段运算，红波段选择了sentinel影像的band 4、近红外波段选择了
sentinel影像的band 8。对灾前灾后的sentinel-2影像分别进行ndvi的波段运算，并将灾前灾后的ndvi处理结果相减，得到灾前灾后光谱明显变化区域的范围，也就是提取出的过火区域面积，基于灾前灾后ndvi的差值构建指数ndvi-d。
[0097]
3.2对于得到的ndvi-d栅格影像进行ostu大津法自适应阈值优选最佳阈值，对于大于所得阈值的部分设为1，为过火区域范围，小于所得阈值的部分设为0，为非过火区域范围。
[0098]
4.1对得到的过火区域二值栅格图进行小图斑去除，去除其中提取过程中产生噪点，并将得到的处理后的二值图转化为矢量，并对矢量进行边缘平滑，并依据需求对矢量进行面部件消除。
[0099]
4.2统一存储所有的中间结果和最终成果，便于以后处理中的调用、修改。
[0100]
该过火面积自动化提取流程使用实例
[0101]
获取四川3.30木里县森林火灾灾前灾后的sentinel-2遥感影像，并自动对输入影像进行预处理，得到经过辐射定标和大气校正的影像并降位为8bit，选择需要的影像进行波段合成并输出影像结果。
[0102]
对预处理后的sentinel-2影像进行波段运算，计算ndsi，并根据ostu自动阈值法，自动选取最优阈值，生成二值图，并对两期栅格转矢量并求并集，使用合并矢量将云、水、阴影进行掩膜，去除干扰过火区域提取因素。对去除云、水、阴影后的影像进行过火区域判断，先设定经验阈值，判断区域内是否存在小于阈值的点，若存在，再计算小于阈值点的个数，如果数量过小则视为噪点，即该区域无过火区域，若点的数量大于设定阈值，则对过火区域疑似点进行遍历，若该点周围8
×
8矩阵范围内，过火区域疑似点的数量大于设定的百分比，则该区域有过火区域并进行下一步运算。
[0103]
对灾前灾后两期处理后的影像分别进行ndvi波段计算，并对结果求差值得到ndvi-d，对该影像使用ostu大津法求最有阈值进行分割，得到过火区域的范围。
[0104]
对得到的过火区域范围进行小图斑去除并都图斑边缘进行平滑处理，对得到的过火范围提取成果和中间过程进行储存，具体如图3(a)(b)所示。
[0105]
实施例二
[0106]
参照图2，示出了本发明实施例提供的一种过火区域自动化多阈值判别提取装置的结构示意图，如图2所示，该装置可以包括以下模块：
[0107]
预处理影像生成模块210，用于对获取的过火区域灾前灾后的遥感影像进行预处理，生成预处理影像；
[0108]
ndsi指数构建模块220，用于基于所述预处理影像，构建ndsi指数；
[0109]
栅格影像生成模块230，用于基于所述ndsi指数，对所述遥感影像进行处理，增强云、水、阴影干扰因素与过火区域的光谱差异，生成栅格影像；
[0110]
阈值分割模块240，用于基于otsu算法自动阈值分类过火区域与云、水、阴影区域干扰因素；
[0111]
区域剔除图像生成模块250，用于基于阈值分割，对所述遥感影像进行干扰因素剔除处理，生成区域剔除图像；
[0112]
过火矢量图获取模块260，用于对所述区域剔除图像进行灾前灾后两期的ndvi-d指数提取，并对提取结果进行自适应阈值分割，得到过火区域的二值化栅格图，并根据需要
得到过火区域矢量图。
[0113]
可选地，所述预处理影像生成模块包括：
[0114]
校正影像获取单元，用于对所述遥感影像进行辐射定标和大气校正处理，得到校正影像；
[0115]
重采样影像获取单元，用于对所述校正影像进行重采样，得到重采样影像；
[0116]
降位影像获取单元，用于对所述重采样影像进行降位处理，得到降位影像；
[0117]
预处理影像生成单元，用于对所述降位影像进行波段合成处理，生成所述预处理影像。
[0118]
可选地，所述ndsi指数构建模块包括：
[0119]
波段运算结果获取单元，用于对所述预处理影像进行波段运算，得到波段运算结果；
[0120]
ndsi指数构建单元，用于基于所述波段运算结果，构建得到所述ndsi指数。
[0121]
可选地，所述过火区域提取模块包括：
[0122]
栅格影像分割单元，用于基于所述otsu算法将所述栅格影像分割为两部分；
[0123]
掩膜提取单元，将得到的灾前灾后两期影像经大津法阈值分割得到的云、水、阴影等干扰因素区域影像转化位矢量，并对两期矢量取并集，得到两期影像的最大剔除矢量，以此作为提取掩膜；
[0124]
无效信息去除单元，用于基于所述灾前灾后两景影像去云、水及阴影，对所述预处理影像进行提取，去除干扰过火区域提取的无效信息；
[0125]
区域判断单元，用于判断影像经处理后是否还有低于设定经验阈值的区域；
[0126]
无过火区域确定单元，用于若灾后影像的最小像素值大于设定经验阈值，则运算结束，以表示区域内无过火区域；
[0127]
过火区域确定单元，用于若灾后影像的最小像素值小于设定经验阈值，则设为n，以表示区域内存在过火区域。
[0128]
本技术所述具体实施方式可以使本领域的技术人员更全面地理解本技术，但不以任何方式限制本技术。因此，本领域技术人员应当理解，仍然对本技术进行修改或者等同替换；而一切不脱离本技术的精神和技术实质的技术方案及其改进，均应涵盖在本技术专利的保护范围中。
[0129]
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。