基于python3+opencv3遥感影像的湖泊边界提取

参考：https://baijiahao.baidu.com/s?id=1607856881407380092&wfr=spider&for=pc

首先进行opencv安装，先安装Anaconda3，配置好环境，在Anaconda3的python3中安装opencv-python。

1、选择遥感影像，本例中选择的遥感影像为南京市玄武湖，影像如下：

（实际应用中湖泊数据可能不会这么分明，需要更近一步研究）

2、导入cv2和numpy，读取影像

import cv2
import numpy
image = cv2.imread("xwh.jpg")

3、获取湖泊区域的BGR值，对应三个数值，可以利用软件提取，软件如：jcpicker.exe，本例中获取的湖泊区域的BGR值分别为90,98,67。提取在该值上下浮动20（可自行修改）区间的值，作为影像二值化的依据。（补充：影像必须先进行灰度化，然后才进行二值化处理。）对于在湖泊BGR区间内的影像部分赋值为白色（255），其余部分赋值为黑色（0）.代码如下：

BGR = numpy.array([90,98,67])
upper = BGR + 20
lower = BGR - 20
mask = cv2.inRange(image,lower,upper)
cv2.imshow("Mask",mask)

结果命名为掩膜数据，结果如下图：

4、OpenCV提供了cv2.findContours()函数提取二值化图像的轮廓。对上面生成图片上执行这个函数就可以返回该图片的区域轮廓。由于执行该函数时会直接修改图像，因此我们复制一份图像之传给cv2.findContours()；同时，OpenCV提供了cv2.drawContour()函数绘可以把轮廓叠加到另一张图片上。

使用cv2.findContours()函数对mask图片提取轮廓，并调用cv2.drawContour()把轮廓叠加在原始图像，代码如下：

(_,contours,hicrarchy) = cv2.findContours(mask.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
print("number of contours:%d" %(len(contours)))
alllakesImage = image.copy()
cv2.drawContours(alllakesImage,contours,-1,(0,0,255),2)
cv2.imshow("Image of All Lake",alllakesImage)

结果如下图所示：

5、在获取的轮廓结果图中我们可以看到，存在众多的细小板块，统计结果显示number of contours:7067，其中contours.sort(key=len,reverse=True)可以对细小斑块的面积进行排序，代码如下:

theLargestLake = image.copy()
contours.sort(key=len,reverse=True)
cv2.drawContours(theLargestLake,[contours[0]],-1,(0,0,255),2)
cv2.imshow("Image of the Largest Lake",theLargestLake)

结果如下图：

注意：由于openvc3中cv2.imshow()函数显示的结果存在闪退的情况，在最后显示图的地方添加cv2.waitKey()，表示一直等待，如果其后存在代码，不执行。

未完…….正在继续………

由于上面步骤3中存在，手动赋予像素值的操作，因此考虑，是否可以通过统计直方图，自动找出该值，即将R、G、B三色道直方图中的峰值处对应的灰度值作为输入。
1、首先对影像进行三通道分离。代码如下：

image = cv2.imread("xwh.jpg")
# 转换为浮点数进行计算
fsrc = np.array(image, dtype=np.float32) /255.0
band = cv2.split(fsrc)

其中band是一个数组，即band[b,g,r].

2、定义一个函数，分别对三色道的直方图分别进行峰值处的灰度值提取的操作。

def histing(x):
    #求取最大值和最小值 
  (minVal, maxVal, minLoc, maxLoc) = cv2.minMaxLoc(band[x])
    #计算直方图   
  hist = cv2.calcHist([band[x]], [0], None, [256], [minVal, maxVal])
  n = hist.tolist().index(max(hist)
  plt.plot(hist)
  plt.show()
  return n

结果如下：



利用这三个值作为输入值，分割的结果如下图，相比手动而言，效果还是差些。结果如下：

在遥感影像分类中，现阶段计算机能做的结果还是不如人手动进行的效果好，虽然有些公司或者个人在鼓吹AI、人工智能进行分割效果很好之类，其研究范围是个例，不具有广泛的适用性。

遥感影像分割，在现在以及将来都是研究热点，技术难题尚未解决，期待各位同志继续努力….