參考：https://baijiahao.baidu.com/s?id=1607856881407380092&wfr=spider&for=pc
首先進行opencv安裝，先安裝Anaconda3，配置好環境，在Anaconda3的python3中安裝opencv-python。
1、選擇遙感影像，本例中選擇的遙感影像爲南京市玄武湖，影像如下：
（實際應用中湖泊數據可能不會這麼分明，需要更近一步研究）
2、導入cv2和numpy，讀取影像
import cv2
import numpy
image = cv2.imread("xwh.jpg")
3、獲取湖泊區域的BGR值，對應三個數值，可以利用軟件提取，軟件如：jcpicker.exe，本例中獲取的湖泊區域的BGR值分別爲90,98,67。提取在該值上下浮動20（可自行修改）區間的值，作爲影像二值化的依據。（補充：影像必須先進行灰度化，然後才進行二值化處理。）對於在湖泊BGR區間內的影像部分賦值爲白色（255），其餘部分賦值爲黑色（0）.代碼如下：
BGR = numpy.array([90,98,67])
upper = BGR + 20
lower = BGR - 20
mask = cv2.inRange(image,lower,upper)
cv2.imshow("Mask",mask)
結果命名爲掩膜數據，結果如下圖：
4、OpenCV提供了cv2.findContours()函數提取二值化圖像的輪廓。對上面生成圖片上執行這個函數就可以返回該圖片的區域輪廓。由於執行該函數時會直接修改圖像，因此我們複製一份圖像之傳給cv2.findContours()；同時，OpenCV提供了cv2.drawContour()函數繪可以把輪廓疊加到另一張圖片上。
使用cv2.findContours()函數對mask圖片提取輪廓，並調用cv2.drawContour()把輪廓疊加在原始圖像，代碼如下：
(_,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)
結果如下圖所示：
5、在獲取的輪廓結果圖中我們可以看到，存在衆多的細小板塊，統計結果顯示number of contours:7067，其中contours.sort(key=len,reverse=True)可以對細小斑塊的面積進行排序，代碼如下:
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)
結果如下圖：
注意：由於openvc3中cv2.imshow()函數顯示的結果存在閃退的情況，在最後顯示圖的地方添加cv2.waitKey()，表示一直等待，如果其後存在代碼，不執行。
未完…….正在繼續………
由於上面步驟3中存在，手動賦予像素值的操作，因此考慮，是否可以通過統計直方圖，自動找出該值，即將R、G、B三色道直方圖中的峯值處對應的灰度值作爲輸入。
1、首先對影像進行三通道分離。代碼如下：
image = cv2.imread("xwh.jpg")
# 轉換爲浮點數進行計算
fsrc = np.array(image, dtype=np.float32) /255.0
band = cv2.split(fsrc)
其中band是一個數組，即band[b,g,r].
2、定義一個函數，分別對三色道的直方圖分別進行峯值處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])
#計算直方圖
hist = cv2.calcHist([band[x]], [0], None, [256], [minVal, maxVal])
n = hist.tolist().index(max(hist)
plt.plot(hist)
plt.show()
return n
結果如下：
利用這三個值作爲輸入值，分割的結果如下圖，相比手動而言，效果還是差些。結果如下：
在遙感影像分類中，現階段計算機能做的結果還是不如人手動進行的效果好，雖然有些公司或者個人在鼓吹AI、人工智能進行分割效果很好之類，其研究範圍是個例，不具有廣泛的適用性。
遙感影像分割，在現在以及將來都是研究熱點，技術難題尚未解決，期待各位同志繼續努力….