一种河湖遥感图像的处理方法及系统与流程

1.本发明涉及图像处理技术领域，尤其涉及一种河湖遥感图像的处理方法及系统。


背景技术：

2.利用遥感技术来获取河湖图像并进行进一步的监控是重要的技术手段。但现有的遥感技术在处理图像时，没有结合河湖图像的特点来开发针对性的图像分割和处理技术。可见，现有技术存在缺陷，亟需解决。


技术实现要素：

3.本发明所要解决的技术问题在于，提供一种河湖遥感图像的处理方法及系统，能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
4.为了解决上述技术问题，本发明第一方面公开了一种河湖遥感图像的处理方法，所述方法包括：获取目标河湖区域对应的原始遥感图像；根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像；基于所述目标河湖区域对应的图像处理规则，对所述目标河湖图像中的多余像素进行去除；根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数。
5.作为一种可选的实施方式，在本发明第一方面中，所述根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像，包括：从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型；根据所述图像分割模型，确定出所述原始遥感图像中的非河湖图像部分；将所述原始遥感图像中的所述非河湖图像部分去除，以得到目标河湖图像。
6.作为一种可选的实施方式，在本发明第一方面中，所述从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型，包括：确定所述目标河湖区域对应的区域特征信息；确定原始遥感图像对应的遥感特征信息；根据所述区域特征信息和所述遥感特征信息，从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型。
7.作为一种可选的实施方式，在本发明第一方面中，所述根据所述区域特征信息和所述遥感特征信息，从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型，包括：根据所述区域特征信息，从多个河湖区域中确定出至少一个满足预设的特征匹配
规则的匹配河湖区域；从算法模型库中确定出所述匹配河湖区域对应的第一图像分割模型；根据所述遥感特征信息，从所述算法模型库中确定出至少一个历史处理图像记录中有与所述遥感特征信息相同的第二图像分割模型；从所述算法模型库中确定出用于处理所述目标河湖区域的图像的至少一个第三图像分割模型；将所述第一图像分割模型、所述第二图像分割模型和所述第三图像分割模型确定为所述目标河湖区域对应的多个图像分割模型。
8.作为一种可选的实施方式，在本发明第一方面中，所述图像分割模型为通过包括有多个训练原始遥感图像和对应的区域类型标注的训练数据集训练得到的神经网络模型；所述区域类型标注包括河湖区域、林地区域、沙地区域、草地区域、泥地区域和水泥地区域；所述根据所述图像分割模型，确定出所述原始遥感图像中的非河湖图像部分，包括：将所述原始遥感图像分别输入至每一所述图像分割模型中，以得到每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分；根据每一所述图像分割模型的训练记录，确定每一所述图像分割模型的训练预测准确率；根据每一所述图像分割模型预测的所述候选非河湖图像部分对应的预测区域类型与所述目标河湖区域的区域特征之间的相似度，确定每一所述图像分割模型对应的当前预测准确参数；所述目标河湖区域的区域特征包括有所述目标河湖区域的不同区域的区域类型；根据动态规划算法，以及所述训练预测准确率和所述当前预测准确率参数，结合每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分，确定出所述原始遥感图像中的非河湖图像部分。
9.作为一种可选的实施方式，在本发明第一方面中，所述根据动态规划算法，以及所述训练预测准确率和所述当前预测准确率参数，结合每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分，确定出所述原始遥感图像中的非河湖图像部分，包括：计算每一所述图像分割模型对应的所述训练预测准确率和所述当前预测准确率参数的乘积，得到每一所述图像分割模型对应的准确率参数；确定目标函数为演算得到的非河湖图像部分的面积最大；确定限制条件为演算得到的非河湖图像部分与所述准确率参数更高的所述图像分割模型对应的所述候选非河湖图像部分之间的图像重合部分面积更大；根据所述目标函数和所述限制条件，基于动态规划算法对所述原始遥感图像进行迭代演算，以演算得到所述原始遥感图像中的非河湖图像部分。
10.作为一种可选的实施方式，在本发明第一方面中，所述基于所述目标河湖区域对应的图像处理规则，对所述目标河湖图像中的多余像素进行去除，包括：基于预设的边缘平滑滤波算法，和多个滤波阈值，对所述目标河湖图像进行多次演算，以得到多个边缘平滑的目标河湖图像；对于每一所述边缘平滑的目标河湖图像，计算该边缘平滑的目标河湖图像与每一
所述候选非河湖图像部分的最近距离的加权求和平均值；每一所述最近距离的权重与对应的所述候选非河湖图像部分对应的所述准确率参数成正比；将所述加权求和平均值最小的所述边缘平滑的目标河湖图像确定为新的目标河湖图像。
11.作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数，包括：基于颜色识别算法，和对应的颜色-污染程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的污染程度参数；基于边缘检测算法，和对应的边缘-盗挖程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的盗挖程度参数；将所述污染程度参数和所述盗挖程度参数确定为所述目标河湖区域对应的河湖信息参数。
12.本发明第二方面公开了一种河湖遥感图像的处理系统，所述系统包括：获取模块，用于获取目标河湖区域对应的原始遥感图像；分割模块，用于根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像；去除模块，用于基于所述目标河湖图像对应的图像处理规则，对所述目标区域图像中的多余像素进行去除；确定模块，用于根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数。
13.作为一种可选的实施方式，在本发明第二方面中，所述分割模块根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像的具体方式，包括：从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型；根据所述图像分割模型，确定出所述原始遥感图像中的非河湖图像部分；将所述原始遥感图像中的所述非河湖图像部分去除，以得到目标河湖图像。
14.作为一种可选的实施方式，在本发明第二方面中，所述分割模块从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型的具体方式，包括：确定所述目标河湖区域对应的区域特征信息；确定原始遥感图像对应的遥感特征信息；根据所述区域特征信息和所述遥感特征信息，从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型。
15.作为一种可选的实施方式，在本发明第二方面中，所述分割模块根据所述区域特征信息和所述遥感特征信息，从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型的具体方式，包括：根据所述区域特征信息，从多个河湖区域中确定出至少一个满足预设的特征匹配规则的匹配河湖区域；从算法模型库中确定出所述匹配河湖区域对应的第一图像分割模型；根据所述遥感特征信息，从所述算法模型库中确定出至少一个历史处理图像记录
中有与所述遥感特征信息相同的第二图像分割模型；从所述算法模型库中确定出用于处理所述目标河湖区域的图像的至少一个第三图像分割模型；将所述第一图像分割模型、所述第二图像分割模型和所述第三图像分割模型确定为所述目标河湖区域对应的多个图像分割模型。
16.作为一种可选的实施方式，在本发明第二方面中，所述图像分割模型为通过包括有多个训练原始遥感图像和对应的区域类型标注的训练数据集训练得到的神经网络模型；所述区域类型标注包括河湖区域、林地区域、沙地区域、草地区域、泥地区域和水泥地区域；所述分割模块根据所述图像分割模型，确定出所述原始遥感图像中的非河湖图像部分的具体方式，包括：将所述原始遥感图像分别输入至每一所述图像分割模型中，以得到每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分；根据每一所述图像分割模型的训练记录，确定每一所述图像分割模型的训练预测准确率；根据每一所述图像分割模型预测的所述候选非河湖图像部分对应的预测区域类型与所述目标河湖区域的区域特征之间的相似度，确定每一所述图像分割模型对应的当前预测准确参数；所述目标河湖区域的区域特征包括有所述目标河湖区域的不同区域的区域类型；根据动态规划算法，以及所述训练预测准确率和所述当前预测准确率参数，结合每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分，确定出所述原始遥感图像中的非河湖图像部分。
17.作为一种可选的实施方式，在本发明第二方面中，所述分割模块根据动态规划算法，以及所述训练预测准确率和所述当前预测准确率参数，结合每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分，确定出所述原始遥感图像中的非河湖图像部分的具体方式，包括：计算每一所述图像分割模型对应的所述训练预测准确率和所述当前预测准确率参数的乘积，得到每一所述图像分割模型对应的准确率参数；确定目标函数为演算得到的非河湖图像部分的面积最大；确定限制条件为演算得到的非河湖图像部分与所述准确率参数更高的所述图像分割模型对应的所述候选非河湖图像部分之间的图像重合部分面积更大；根据所述目标函数和所述限制条件，基于动态规划算法对所述原始遥感图像进行迭代演算，以演算得到所述原始遥感图像中的非河湖图像部分。
18.作为一种可选的实施方式，在本发明第二方面中，所述去除模块基于所述目标河湖区域对应的图像处理规则，对所述目标河湖图像中的多余像素进行去除的具体方式，包括：基于预设的边缘平滑滤波算法，和多个滤波阈值，对所述目标河湖图像进行多次演算，以得到多个边缘平滑的目标河湖图像；对于每一所述边缘平滑的目标河湖图像，计算该边缘平滑的目标河湖图像与每一所述候选非河湖图像部分的最近距离的加权求和平均值；每一所述最近距离的权重与对应
的所述候选非河湖图像部分对应的所述准确率参数成正比；将所述加权求和平均值最小的所述边缘平滑的目标河湖图像确定为新的目标河湖图像。
19.作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数的具体方式，包括：基于颜色识别算法，和对应的颜色-污染程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的污染程度参数；基于边缘检测算法，和对应的边缘-盗挖程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的盗挖程度参数；将所述污染程度参数和所述盗挖程度参数确定为所述目标河湖区域对应的河湖信息参数。
20.本发明第三方面公开了另一种河湖遥感图像的处理系统，所述系统包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的河湖遥感图像的处理方法中的部分或全部步骤。
21.与现有技术相比，本发明具有以下有益效果：本发明能够通过图像分割模型来从原始遥感图像中分割出河湖图像，并根据图像处理规则来进行多余像素的去除，以确定河湖信息参数，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
附图说明
22.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1是本发明实施例公开的一种河湖遥感图像的处理方法的流程示意图；图2是本发明实施例公开的一种河湖遥感图像的处理系统的结构示意图；图3是本发明实施例公开的另一种河湖遥感图像的处理系统的结构示意图。
具体实施方式
24.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括
对于这些过程、方法、产品或端固有的其他步骤或单元。
26.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
27.本发明公开了一种河湖遥感图像的处理方法及系统，能够通过图像分割模型来从原始遥感图像中分割出河湖图像，并根据图像处理规则来进行多余像素的去除，以确定河湖信息参数，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。以下分别进行详细说明。
28.实施例一：请参阅图1，图1是本发明实施例公开的一种河湖遥感图像的处理方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该河湖遥感图像的处理方法可以包括以下操作：101、获取目标河湖区域对应的原始遥感图像。
29.102、根据原始遥感图像，和目标河湖区域对应的图像分割模型，从原始遥感图像中分割确定出目标河湖图像。
30.103、基于目标河湖图像对应的图像处理规则，对目标区域图像中的多余像素进行去除。
31.104、根据目标河湖图像，确定目标河湖区域对应的河湖信息参数。
32.可见，实施本发明实施例所描述的方法能够通过图像分割模型来从原始遥感图像中分割出河湖图像，并根据图像处理规则来进行多余像素的去除，以确定河湖信息参数，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
33.作为一种可选的实施例，上述步骤中的，根据原始遥感图像，和目标河湖区域对应的图像分割模型，从原始遥感图像中分割确定出目标河湖图像，包括：从算法模型库中确定出目标河湖区域对应的多个图像分割模型；根据图像分割模型，确定出原始遥感图像中的非河湖图像部分；将原始遥感图像中的非河湖图像部分去除，以得到目标河湖图像。
34.可见，实施该可选的实施例可以从算法模型库中确定出目标河湖区域对应的多个图像分割模型，以用于确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
35.作为一种可选的实施例，上述步骤中的，从算法模型库中确定出目标河湖区域对应的多个图像分割模型，包括：确定目标河湖区域对应的区域特征信息；确定原始遥感图像对应的遥感特征信息；根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型。
36.可选的，区域特征信息包括区域大小、区域所属行政区域、区域地理位置范围和区域土地类型中的至少一种。可选的，遥感特征信息包括遥感设备参数、遥感图像参数中的至
少一种。
37.可见，实施该可选的实施例可以根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型，以用于确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
38.作为一种可选的实施例，上述步骤中的，根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型，包括：根据区域特征信息，从多个河湖区域中确定出至少一个满足预设的特征匹配规则的匹配河湖区域；从算法模型库中确定出匹配河湖区域对应的第一图像分割模型；根据遥感特征信息，从算法模型库中确定出至少一个历史处理图像记录中有与遥感特征信息相同的第二图像分割模型；从算法模型库中确定出用于处理目标河湖区域的图像的至少一个第三图像分割模型；将第一图像分割模型、第二图像分割模型和第三图像分割模型确定为目标河湖区域对应的多个图像分割模型。
39.可选的，特征匹配规则可以用于限定特征匹配的程度，例如单个特征或多个特征之间的匹配的相似度的阈值，并将高于该阈值的河湖区域确定为匹配河湖区域。
40.可见，实施该可选的实施例可以根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型，以用于确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
41.作为一种可选的实施例，图像分割模型为通过包括有多个训练原始遥感图像和对应的区域类型标注的训练数据集训练得到的神经网络模型；区域类型标注包括河湖区域、林地区域、沙地区域、草地区域、泥地区域和水泥地区域。
42.可选的，上述步骤中的，根据图像分割模型，确定出原始遥感图像中的非河湖图像部分，包括：将原始遥感图像分别输入至每一图像分割模型中，以得到每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分；根据每一图像分割模型的训练记录，确定每一图像分割模型的训练预测准确率；根据每一图像分割模型预测的候选非河湖图像部分对应的预测区域类型与目标河湖区域的区域特征之间的相似度，确定每一图像分割模型对应的当前预测准确参数；目标河湖区域的区域特征包括有目标河湖区域的不同区域的区域类型；根据动态规划算法，以及训练预测准确率和当前预测准确率参数，结合每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分，确定出原始遥感图像中的非河湖图像部分。
43.可见，实施该可选的实施例可以根据每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分，以及训练预测准确率和当前预测准确率参数，来确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以
便于后续的河湖治理。
44.作为一种可选的实施例，上述步骤中的，根据动态规划算法，以及训练预测准确率和当前预测准确率参数，结合每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分，确定出原始遥感图像中的非河湖图像部分，包括：计算每一图像分割模型对应的训练预测准确率和当前预测准确率参数的乘积，得到每一图像分割模型对应的准确率参数；确定目标函数为演算得到的非河湖图像部分的面积最大；确定限制条件为演算得到的非河湖图像部分与准确率参数更高的图像分割模型对应的候选非河湖图像部分之间的图像重合部分面积更大；根据目标函数和限制条件，基于动态规划算法对原始遥感图像进行迭代演算，以演算得到原始遥感图像中的非河湖图像部分。
45.可见，实施该可选的实施例可以根据动态规划算法，以及训练预测准确率和当前预测准确率参数，来迭代计算出非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
46.作为一种可选的实施例，上述步骤中的，基于目标河湖区域对应的图像处理规则，对目标河湖图像中的多余像素进行去除，包括：基于预设的边缘平滑滤波算法，和多个滤波阈值，对目标河湖图像进行多次演算，以得到多个边缘平滑的目标河湖图像；对于每一边缘平滑的目标河湖图像，计算该边缘平滑的目标河湖图像与每一候选非河湖图像部分的最近距离的加权求和平均值；每一最近距离的权重与对应的候选非河湖图像部分对应的准确率参数成正比；将加权求和平均值最小的边缘平滑的目标河湖图像确定为新的目标河湖图像。
47.可见，实施该可选的实施例可以根据边缘平滑滤波算法，和多个滤波阈值来确定出多个候选的图像，并根据距离计算来筛选出最优的图像，来对目标河湖图像中的多余像素进行去除，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
48.作为一种可选的实施例，上述步骤中的，根据目标河湖图像，确定目标河湖区域对应的河湖信息参数，包括：基于颜色识别算法，和对应的颜色-污染程度对应关系，对目标河湖图像进行识别，确定目标河湖区域对应的污染程度参数；基于边缘检测算法，和对应的边缘-盗挖程度对应关系，对目标河湖图像进行识别，确定目标河湖区域对应的盗挖程度参数；将污染程度参数和盗挖程度参数确定为目标河湖区域对应的河湖信息参数。
49.可见，实施该可选的实施例可以根据颜色识别算法和边缘检测算法来对确定目标河湖区域对应的污染程度参数和盗挖程度参数，从而能够提高信息识别的精确性，以便于后续的河湖治理。
50.实施例二：请参阅图2，图2是本发明实施例公开的一种河湖遥感图像的处理系统的结构示意图。其中，图2所描述的装置可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限
定。如图2所示，该装置可以包括：获取模块201，用于获取目标河湖区域对应的原始遥感图像；分割模块202，用于根据原始遥感图像，和目标河湖区域对应的图像分割模型，从原始遥感图像中分割确定出目标河湖图像；去除模块203，用于基于目标河湖区域对应的图像处理规则，对目标河湖图像中的多余像素进行去除；确定模块204，用于根据目标河湖图像，确定目标河湖区域对应的河湖信息参数。
51.可见，实施本发明实施例所描述的系统能够通过图像分割模型来从原始遥感图像中分割出河湖图像，并根据图像处理规则来进行多余像素的去除，以确定河湖信息参数，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
52.作为一种可选的实施例，分割模块202根据原始遥感图像，和目标河湖区域对应的图像分割模型，从原始遥感图像中分割确定出目标河湖图像的具体方式，包括：从算法模型库中确定出目标河湖区域对应的多个图像分割模型；根据图像分割模型，确定出原始遥感图像中的非河湖图像部分；将原始遥感图像中的非河湖图像部分去除，以得到目标河湖图像。
53.可见，实施该可选的实施例可以从算法模型库中确定出目标河湖区域对应的多个图像分割模型，以用于确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
54.作为一种可选的实施例，分割模块202从算法模型库中确定出目标河湖区域对应的多个图像分割模型的具体方式，包括：确定目标河湖区域对应的区域特征信息；确定原始遥感图像对应的遥感特征信息；根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型。
55.可选的，区域特征信息包括区域大小、区域所属行政区域、区域地理位置范围和区域土地类型中的至少一种。可选的，遥感特征信息包括遥感设备参数、遥感图像参数中的至少一种。
56.可见，实施该可选的实施例可以根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型，以用于确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
57.作为一种可选的实施例，分割模块202根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型的具体方式，包括：根据区域特征信息，从多个河湖区域中确定出至少一个满足预设的特征匹配规则的匹配河湖区域；从算法模型库中确定出匹配河湖区域对应的第一图像分割模型；根据遥感特征信息，从算法模型库中确定出至少一个历史处理图像记录中有与遥感特征信息相同的第二图像分割模型；
从算法模型库中确定出用于处理目标河湖区域的图像的至少一个第三图像分割模型；将第一图像分割模型、第二图像分割模型和第三图像分割模型确定为目标河湖区域对应的多个图像分割模型。
58.可选的，特征匹配规则可以用于限定特征匹配的程度，例如单个特征或多个特征之间的匹配的相似度的阈值，并将高于该阈值的河湖区域确定为匹配河湖区域。
59.可见，实施该可选的实施例可以根据区域特征信息和遥感特征信息，从算法模型库中确定出目标河湖区域对应的多个图像分割模型，以用于确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
60.作为一种可选的实施例，图像分割模型为通过包括有多个训练原始遥感图像和对应的区域类型标注的训练数据集训练得到的神经网络模型；区域类型标注包括河湖区域、林地区域、沙地区域、草地区域、泥地区域和水泥地区域。
61.可选的，分割模块202根据图像分割模型，确定出原始遥感图像中的非河湖图像部分的具体方式，包括：将原始遥感图像分别输入至每一图像分割模型中，以得到每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分；根据每一图像分割模型的训练记录，确定每一图像分割模型的训练预测准确率；根据每一图像分割模型预测的候选非河湖图像部分对应的预测区域类型与目标河湖区域的区域特征之间的相似度，确定每一图像分割模型对应的当前预测准确参数；目标河湖区域的区域特征包括有目标河湖区域的不同区域的区域类型；根据动态规划算法，以及训练预测准确率和当前预测准确率参数，结合每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分，确定出原始遥感图像中的非河湖图像部分。
62.可见，实施该可选的实施例可以根据每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分，以及训练预测准确率和当前预测准确率参数，来确定非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
63.作为一种可选的实施例，分割模块202根据动态规划算法，以及训练预测准确率和当前预测准确率参数，结合每一图像分割模型确定的原始遥感图像中的候选非河湖图像部分，确定出原始遥感图像中的非河湖图像部分的具体方式，包括：计算每一图像分割模型对应的训练预测准确率和当前预测准确率参数的乘积，得到每一图像分割模型对应的准确率参数；确定目标函数为演算得到的非河湖图像部分的面积最大；确定限制条件为演算得到的非河湖图像部分与准确率参数更高的图像分割模型对应的候选非河湖图像部分之间的图像重合部分面积更大；根据目标函数和限制条件，基于动态规划算法对原始遥感图像进行迭代演算，以演算得到原始遥感图像中的非河湖图像部分。
64.可见，实施该可选的实施例可以根据动态规划算法，以及训练预测准确率和当前
预测准确率参数，来迭代计算出非河湖图像部分，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
65.作为一种可选的实施例，去除模块203基于目标河湖区域对应的图像处理规则，对目标河湖图像中的多余像素进行去除的具体方式，包括：基于预设的边缘平滑滤波算法，和多个滤波阈值，对目标河湖图像进行多次演算，以得到多个边缘平滑的目标河湖图像；对于每一边缘平滑的目标河湖图像，计算该边缘平滑的目标河湖图像与每一候选非河湖图像部分的最近距离的加权求和平均值；每一最近距离的权重与对应的候选非河湖图像部分对应的准确率参数成正比；将加权求和平均值最小的边缘平滑的目标河湖图像确定为新的目标区域图像。
66.可见，实施该可选的实施例可以根据边缘平滑滤波算法，和多个滤波阈值来确定出多个候选的图像，并根据距离计算来筛选出最优的图像，来对目标河湖图像中的多余像素进行去除，从而能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。
67.作为一种可选的实施例，确定模块204根据目标河湖图像，确定目标河湖区域对应的河湖信息参数的具体方式，包括：基于颜色识别算法，和对应的颜色-污染程度对应关系，对目标河湖图像进行识别，确定目标河湖区域对应的污染程度参数；基于边缘检测算法，和对应的边缘-盗挖程度对应关系，对目标河湖图像进行识别，确定目标河湖区域对应的盗挖程度参数；将污染程度参数和盗挖程度参数确定为目标河湖区域对应的河湖信息参数。
68.可见，实施该可选的实施例可以根据颜色识别算法和边缘检测算法来对确定目标河湖区域对应的污染程度参数和盗挖程度参数，从而能够提高信息识别的精确性，以便于后续的河湖治理。
69.实施例三：请参阅图3，图3是本发明实施例公开的另一种河湖遥感图像的处理系统的结构示意图。如图3所示，该装置可以包括：存储有可执行程序代码的存储器301；与存储器301耦合的处理器302；处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的河湖遥感图像的处理方法中的部分或全部步骤。
70.实施例四：本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的河湖遥感图像的处理方法中的部分或全部步骤。
71.以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
72.通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式
可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（read-only memory，rom）、随机存储器（random access memory，ram）、可编程只读存储器（programmable read-only memory，prom）、可擦除可编程只读存储器（erasable programmable read only memory，eprom）、一次可编程只读存储器（one-time programmable read-only memory，otprom）、电子抹除式可复写只读存储器（electrically-erasable programmable read-only memory，eeprom）、只读光盘（compact disc read-only memory，cd-rom）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
73.最后应说明的是：本发明实施例公开的一种河湖遥感图像的处理方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

技术特征：
1.一种河湖遥感图像的处理方法，其特征在于，所述方法包括：获取目标河湖区域对应的原始遥感图像；根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像；基于所述目标河湖区域对应的图像处理规则，对所述目标河湖图像中的多余像素进行去除；根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数，具体包括：基于颜色识别算法，和对应的颜色-污染程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的污染程度参数；基于边缘检测算法，和对应的边缘-盗挖程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的盗挖程度参数；将所述污染程度参数和所述盗挖程度参数确定为所述目标河湖区域对应的河湖信息参数。2.根据权利要求1所述的河湖遥感图像的处理方法，其特征在于，所述根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像，包括：从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型；根据所述图像分割模型，确定出所述原始遥感图像中的非河湖图像部分；将所述原始遥感图像中的所述非河湖图像部分去除，以得到目标河湖图像。3.根据权利要求2所述的河湖遥感图像的处理方法，其特征在于，所述从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型，包括：确定所述目标河湖区域对应的区域特征信息；确定原始遥感图像对应的遥感特征信息；根据所述区域特征信息和所述遥感特征信息，从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型。4.根据权利要求3所述的河湖遥感图像的处理方法，其特征在于，所述根据所述区域特征信息和所述遥感特征信息，从算法模型库中确定出所述目标河湖区域对应的多个图像分割模型，包括：根据所述区域特征信息，从多个河湖区域中确定出至少一个满足预设的特征匹配规则的匹配河湖区域；从算法模型库中确定出所述匹配河湖区域对应的第一图像分割模型；根据所述遥感特征信息，从所述算法模型库中确定出至少一个历史处理图像记录中有与所述遥感特征信息相同的第二图像分割模型；从所述算法模型库中确定出用于处理所述目标河湖区域的图像的至少一个第三图像分割模型；将所述第一图像分割模型、所述第二图像分割模型和所述第三图像分割模型确定为所述目标河湖区域对应的多个图像分割模型。5.根据权利要求2所述的河湖遥感图像的处理方法，其特征在于，所述图像分割模型为通过包括有多个训练原始遥感图像和对应的区域类型标注的训练数据集训练得到的神经
网络模型；所述区域类型标注包括河湖区域、林地区域、沙地区域、草地区域、泥地区域和水泥地区域；所述根据所述图像分割模型，确定出所述原始遥感图像中的非河湖图像部分，包括：将所述原始遥感图像分别输入至每一所述图像分割模型中，以得到每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分；根据每一所述图像分割模型的训练记录，确定每一所述图像分割模型的训练预测准确率；根据每一所述图像分割模型预测的所述候选非河湖图像部分对应的预测区域类型与所述目标河湖区域的区域特征之间的相似度，确定每一所述图像分割模型对应的当前预测准确参数；所述目标河湖区域的区域特征包括有所述目标河湖区域的不同区域的区域类型；根据动态规划算法，以及所述训练预测准确率和所述当前预测准确率参数，结合每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分，确定出所述原始遥感图像中的非河湖图像部分。6.根据权利要求5所述的河湖遥感图像的处理方法，其特征在于，所述根据动态规划算法，以及所述训练预测准确率和所述当前预测准确率参数，结合每一所述图像分割模型确定的所述原始遥感图像中的候选非河湖图像部分，确定出所述原始遥感图像中的非河湖图像部分，包括：计算每一所述图像分割模型对应的所述训练预测准确率和所述当前预测准确率参数的乘积，得到每一所述图像分割模型对应的准确率参数；确定目标函数为演算得到的非河湖图像部分的面积最大；确定限制条件为演算得到的非河湖图像部分与所述准确率参数更高的所述图像分割模型对应的所述候选非河湖图像部分之间的图像重合部分面积更大；根据所述目标函数和所述限制条件，基于动态规划算法对所述原始遥感图像进行迭代演算，以演算得到所述原始遥感图像中的非河湖图像部分。7.根据权利要求6所述的河湖遥感图像的处理方法，其特征在于，所述基于所述目标河湖区域对应的图像处理规则，对所述目标河湖图像中的多余像素进行去除，包括：基于预设的边缘平滑滤波算法，和多个滤波阈值，对所述目标河湖图像进行多次演算，以得到多个边缘平滑的目标河湖图像；对于每一所述边缘平滑的目标河湖图像，计算该边缘平滑的目标河湖图像与每一所述候选非河湖图像部分的最近距离的加权求和平均值；每一所述最近距离的权重与对应的所述候选非河湖图像部分对应的所述准确率参数成正比；将所述加权求和平均值最小的所述边缘平滑的目标河湖图像确定为新的目标河湖图像。8.一种河湖遥感图像的处理系统，其特征在于，所述系统包括：获取模块，用于获取目标河湖区域对应的原始遥感图像；分割模块，用于根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像；去除模块，用于基于所述目标河湖区域对应的图像处理规则，对所述目标河湖图像中
的多余像素进行去除；确定模块，用于根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数；所述确定模块根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数的具体方式，包括：基于颜色识别算法，和对应的颜色-污染程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的污染程度参数；基于边缘检测算法，和对应的边缘-盗挖程度对应关系，对所述目标河湖图像进行识别，确定所述目标河湖区域对应的盗挖程度参数；将所述污染程度参数和所述盗挖程度参数确定为所述目标河湖区域对应的河湖信息参数。9.一种河湖遥感图像的处理系统，其特征在于，所述系统包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的河湖遥感图像的处理方法。

技术总结
本发明公开了一种河湖遥感图像的处理方法及系统，该方法包括：获取目标河湖区域对应的原始遥感图像；根据所述原始遥感图像，和所述目标河湖区域对应的图像分割模型，从所述原始遥感图像中分割确定出目标河湖图像；基于所述目标河湖区域对应的图像处理规则，对所述目标河湖图像中的多余像素进行去除；根据所述目标河湖图像，确定所述目标河湖区域对应的河湖信息参数。可见，本发明能够更加精确和高效地从遥感图像中确定出河湖图像，提高信息识别的精确性，以便于后续的河湖治理。以便于后续的河湖治理。以便于后续的河湖治理。


技术研发人员：王少波 张舒 翁士创 刘胜玉 叶咏 闫彩 汤朝 秦建新
受保护的技术使用者：水利部珠江水利委员会水文局
技术研发日：2023.08.07
技术公布日：2023/9/9