CN103413289A - 矿区图像处理方法及装置 - Google Patents
矿区图像处理方法及装置 Download PDFInfo
- Publication number
- CN103413289A CN103413289A CN2013103894872A CN201310389487A CN103413289A CN 103413289 A CN103413289 A CN 103413289A CN 2013103894872 A CN2013103894872 A CN 2013103894872A CN 201310389487 A CN201310389487 A CN 201310389487A CN 103413289 A CN103413289 A CN 103413289A
- Authority
- CN
- China
- Prior art keywords
- layer
- vegetation
- map
- remote sensing
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了一种矿区图像处理方法及装置。其中,该方法对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,其中,土地类别图层集合包括植被区域图层和非植被区域图层;对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图;使用植被区域图层对植被覆盖图进行影像裁切得到植被图层;以及将植被图层和非植被区域图层合成生态图。通过本发明,实现了识别矿区生态地类的精度高并且可综合全面的反应矿区的生态状况的效果。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种矿区图像处理方法及装置。
背景技术
矿区生态系统是以矿山生产作业区为核心的一个独特的人工、半人工生态系统,采矿活动对矿区生态环境会带来严重影响,矿区系统结构和功能的恶化将会严重影响矿区经济效益、社会效益。矿区生态环境现状调查对查清矿区生态环境问题的时空分布,分析矿区环境问题的影响因素、诱发机制及危害性质,进而合理的提出矿区生态环境保护建议,建立生态风险管理机制,实现矿产资源开发与生态环境的协调健康发展有重要作用。
现有的基于遥感的生态环境调查一般采用遥感图像监督分类或遥感图像反演的方式来识别矿区的不同地类,在展示植被信息的时候一般采取多图件的方式分别展示植被的矢量和栅格的图层。
目前的生态环境现状调查,主要依靠气象卫星NOAA/AVHRR(空间分辨率1100m)、地球观测卫星EOS/MODIS(空间分辨率分别为250m、500m、1000m)和陆地探测卫星Landsat/MSS、TM(空间分辨率分别为30m)等卫星遥感影像,利用监督分类或遥感图像反演的方式根据不同空间尺度选取相应的数据来识别不同的土地类型,然而遥感拍摄的遥感影像是由位于各种高度,装在不同传感器上的不同清晰照相设备,以多种的采集方式,获取的遥感像片,这些遥感图像是具有不同清晰度、不同分辨率的照片,由于现有的遥感图像的拍摄受时间、地点、天气状况等多种不确定因素的影响,受遥感图像数据源限制,对矿区生态的地类识别精度较低,在需要配合展示多幅图件时,重复展示植被以外的其他土地利用类型,单幅图件信息量少。
针对现有技术中利用图像监督分类或遥感图像识别矿区生态的地类的精度低的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术利用监督分类或遥感图像反演识别矿区生态的地类的精度低的问题,目前尚未提出有效的解决方案,为此,本发明的主要目的在于提供一种矿区图像处理方法及装置,以解决上述问题。
为了实现上述目的,根据本发明的一个方面,提供了一种矿区图像处理方法,该方法包括:对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,其中,土地类别图层集合包括植被区域图层和非植被区域图层;对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图;使用植被区域图层对植被覆盖图进行影像裁切得到植被图层;以及将植被图层和非植被区域图层合成生态图。
进一步地,对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图的步骤包括:对第二多波段图像进行植被指数计算得到灰度图像;以及对灰度图像进行植被覆盖度计算得到植被覆盖图。
进一步地,将植被图层和非植被区域图层合成生态图的步骤包括:将植被图层和非植被区域图层进行叠加得到初始生态图;以及对初始生态图的各个图层进行符号化处理得到生态图。
进一步地,对初始生态图的各个图层进行符号化处理得到生态图的步骤包括:使用国标符号对初始生态图的各个图层进行符号化处理得到符号化的生态图;使用预设的图层符号和标准化的过渡色对符号化的生态图的各个图层进行简化处理得到生态图。
进一步地,在对遥感图像中的第一多波段图像进行解译得到土地类别图层集合之前,方法还包括:获取初始遥感图像;对初始遥感图像进行波段合成、辐射校正以及几何校正得到遥感图像;以及从遥感图像中提取第一多波段图像和第二多波段图像。
为了实现上述目的,根据本发明的另一方面,提供了一种矿区图像处理装置,该装置包括:第一处理模块,用于对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,其中,土地类别图层集合包括植被区域图层和非植被区域图层;第一计算模块,用于对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图;第二处理模块,用于使用植被区域图层对植被覆盖图进行影像裁切得到植被图层;以及第三处理模块,用于将植被图层和非植被区域图层合成生态图。
进一步地,第一计算模块包括:第一子计算模块,用于对第二多波段图像进行植被指数计算得到灰度图像;以及第二子计算模块,用于对灰度图像进行植被覆盖度计算得到植被覆盖图。
进一步地,第三处理模块包括:第一子处理模块,用于将植被图层和非植被区域图层进行叠加得到初始生态图;以及第二子处理模块,用于对初始生态图的各个图层进行符号化处理得到生态图。
进一步地,第二子处理模块包括:第三子处理模块,用于使用国标符号对初始生态图的各个图层进行符号化处理得到符号化的生态图;第四子处理模块,用于使用预设的图层符号和标准化的过渡色对符号化的生态图的各个图层进行简化处理得到生态图。
进一步地,矿区图像处理装置还包括:获取模块,用于获取初始遥感图像;第四处理模块,用于对初始遥感图像进行波段合成、辐射校正以及几何校正得到遥感图像;以及提取模块从遥感图像中提取第一多波段图像和第二多波段图像。
通过本发明,通过对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,可以实现对矿区生态植被信息的高精度提取,以综合全面的反映矿区生态状况,并在对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图之后,使用植被区域图层对植被覆盖图进行影像裁切得到植被图层,以对植被信息进行定性、定量、定型的展示,最后将植被图层和非植被区域图层合成生态图,采用多图层的叠加生成生态图。解决了现有技术中采用图像监督分类或遥感图像识别矿区生态的地类的精度低的问题,实现了识别矿区生态地类的精度高并且可综合全面的反应矿区的生态状况的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的矿区图像处理装置的结构示意图;
图2是根据本发明实施例的矿区图像处理方法的流程图;
图3是根据图2所示实施例的植物有效光谱响应特性的示意图;以及
图4是根据图2所示实施例的植物冠层反射光的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是根据本发明实施例的矿区图像处理装置的结构示意图。如图1所示,该矿区图像处理装置可以包括:第一处理模块10,用于对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,其中,土地类别图层集合包括植被区域图层和非植被区域图层;第一计算模块30,用于对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图;第二处理模块50,用于使用植被区域图层对植被覆盖图进行影像裁切得到植被图层;以及第三处理模块70,用于将植被图层和非植被区域图层合成生态图。
采用本发明的矿区图像处理装置,通过第一处理模块对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,可以实现对矿区生态植被信息的高精度提取,以综合全面的反映矿区生态状况,并在通过第一计算模块对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图之后,通过第二处理模块使用植被区域图层对植被覆盖图进行影像裁切得到植被图层,以对植被信息进行定性、定量、定型的展示,最后通过第三处理模块将植被图层和非植被区域图层合成生态图,采用多图层的叠加生成生态图。解决了现有技术中采用图像监督分类或遥感图像识别矿区生态的地类的精度低的问题,实现了识别矿区生态地类的精度高并且可综合全面的反应矿区的生态状况的效果。
其中,第一多波段图像可以是红、绿、蓝波段图像,第二多波段图像可以是红、近红外波段图像。该第一多波段图像可以是遥感图像中1、2、3三个波段合成的图像,可以称之为真彩色图像。第二多波段图像可以是遥感图像中4、3、2三个波段合成的图像,波段顺序不能变,也可以称之标准假彩色图像。
在本发明的上述实施例中,第一计算模块可以包括:第一子计算模块,用于对第二多波段图像进行植被指数计算得到灰度图像;以及第二子计算模块,用于对灰度图像进行植被覆盖度计算得到植被覆盖图。
根据本发明的上述实施例,第三处理模块可以包括:第一子处理模块,用于将植被图层和非植被区域图层进行叠加得到初始生态图;以及第二子处理模块,用于对初始生态图的各个图层进行符号化处理得到生态图。
在本发明的上述实施例中,第二子处理模块可以包括:第三子处理模块,用于使用国标符号对初始生态图的各个图层进行符号化处理得到符号化的生态图;第四子处理模块,用于使用预设的图层符号和标准化的过渡色对符号化的生态图的各个图层进行简化处理得到生态图。
根据本发明的上述实施例,矿区图像处理装置还可以包括:获取模块,用于获取初始遥感图像;第四处理模块,用于对初始遥感图像进行波段合成、辐射校正以及几何校正得到遥感图像;以及提取模块从遥感图像中提取第一多波段图像和第二多波段图像。
图2是根据本发明实施例的矿区图像处理方法的流程图,如图2所示该方法包括如下步骤:
步骤S102,对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,其中,土地类别图层集合包括植被区域图层和非植被区域图层。
步骤S104,对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图。
步骤S106,使用植被区域图层对植被覆盖图进行影像裁切得到植被图层。
步骤S108,将植被图层和非植被区域图层合成生态图。
采用本发明的矿区图像处理方法,通过第一处理模块对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,可以实现对矿区生态植被信息的高精度提取,以综合全面的反映矿区生态状况,并在通过第一计算模块对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图之后,通过第二处理模块使用植被区域图层对植被覆盖图进行影像裁切得到植被图层,以对植被信息进行定性、定量、定型的展示,最后通过第三处理模块将植被图层和非植被区域图层合成生态图,采用多图层的叠加生成生态图。解决了现有技术中采用图像监督分类或遥感图像识别矿区生态的地类的精度低的问题,实现了高精度识别矿区生态地类并且可综合全面的反应矿区的生态状况的效果。
具体地,本发明的上述实施例可以应用于矿区的地类识别。其中,第一多波段图像可以是红、绿、蓝波段图像,第二多波段图像可以是红、近红外波段图像。上述实施例中的遥感图像可以是WorldView-Ⅱ(空间分辨率为0.5m)卫星遥感的高分辨率遥感图像,遥感图像可以为多波段的遥感图像。
具体地,将多波段遥感图像的第一多波段图像(即红绿蓝波段图像),根据林草植被的不同解译特点进行解译,以对植被区域及其他土地利用类型进行定性的矢量勾画,得到土地类别图层集合,土地类别图层集合可以包括植被区域图层和非植被区域图层。
植物的光谱特征可使其在遥感图像上可以有效地与其他地物相区别。同时,不同的植物各有其自身的波谱特征,从而植物的光谱特征可以成为区分植被类型、长势及估算生物量的依据。
具体地,(1)健康植物的波谱曲线有明显的特点(如图3所示),该图的横坐标为波长,纵坐标为反射率,在可见光的0.55μm附近有一个反射率为10%~20%的小反射峰。在0.45μm和0.65μm附近有两个明显的叶绿素吸收谷。在0.7~0.8μm是一个陡坡,反射率急剧增高。在近红外波段0.8~1.3μm之间形成一个高的,反射率可达40%或更大的反射峰。在1.45μm,1.95μm和2.6~2.7μm处有三个水分吸收谷。
(2)自然状态下的植被冠层(如一片森林或作物)是由多重叶层组成,上层叶的阴影挡住了下层叶,整个冠层的反射是由叶的多次反射和阴影的共同作用而成,而阴影所占的比例受光照角度、叶的形状、大小、倾角等的影响。一般说来,由于阴影的影响,往往冠层的反射低于单叶的实验室监测的反射值,但在近红外谱段冠层的反射更强。这是由于植物叶子透射约50%~60%的近红外辐射能,透射到下层的近红外辐射能被下层叶反射,并透过上层叶,导致冠层红外反射的增强,如图4所示。在植物冠层,多层叶子提供了多次透射、反射的机会。因此,在冠部近红外反射随叶子层数的增加而增加。并且试验证明,约8层叶的近红外反射率达最大值。
可见光中绿光波段0.52μm-0.59μm对区分植物类别敏感;红光波段0.63μm-0.69μm对植被覆盖度、植物生长状况敏感等。但是,对于复杂的植被遥感,仅用个别波段或多个单波段数据分析对比来提取植被信息是相当局限的。因而往往选用多光谱遥感数据经分析运算(加、减、乘、除等线性或非线性组合方式),产生某些对植被长势、生物量等有一定指示意义的数值,即植被指数,它用一种简单有效的形式来实现对植物状态信息的表达,以定性和定量地评价植被覆盖、生长活力及生物量等。
在植被指数中,通常选用对绿色植物(叶绿素引起的)强吸收的可见光红波段和对绿色植物(叶内组织引起的)高反射的近红外波段。这两个波段不仅是植物光谱中的最典型的波段,而且它们对同一生物物理现象的光谱响应截然相反,故它们的多种组合对增强或揭示隐含信息将是有利的。
WorldViewⅡ卫星多光谱遥感器不仅将具有4个业内标准谱段(红、绿、蓝、近红外),还将包括四个额外谱段(海岸、黄、红边和近红外2)。具体参数见表1。
表1WorldView-Ⅱ遥感卫星参数
对WorldViewⅡ卫星高分辨率多光谱遥感图像,利用遥感软件对其红及近红外波段图像进行植被指数NDVI的数字化处理,可高精度的定性、定量的研究矿区生态植被情况。对于陆地表面主要覆盖而言,云、水、雪在可见光波段比近红外波段有较高的反射作用,因而其NDVI值为负值(<0〉;岩石、裸土在两波段有相似的反射作用,其NDVI值近于0;而在有植被覆盖的情况下,NDVI为正值(>0),并随着植被覆盖度增大,其NDVI值越大。
在本实施例中采用遥感图像成本低,省去现场调查监测的大量费用,并且WorldViewⅡ卫星遥感图像0.5m的高分辨率,可准确对矿区植被生态进行高精度的定性定量的研究。另外,WorldViewⅡ卫星回访速度快,可以及时获取所需区域的遥感图像,快速对遥感图像中的数据进行分析研究,用户还可以利用WorldViewⅡ卫星重放周期快的特点,对矿区的生态变化情况进行周期性连续监测。
根据本发明的上述实施例,对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图的步骤可以包括:对第二多波段图像进行植被指数计算得到灰度图像;以及对灰度图像进行植被覆盖度计算得到植被覆盖图。
具体地,可以根据NDVI公式利用遥感软件对多波段的遥感图像中的第二多波段图像(即红外和近红外波段图像)进行植被指数计算,得出遥感图像的NDVI灰度图像(即上述实施例中的灰度图像)。
更具体地,NDVI指数也称为归一化植被指数(Normalized Difference VegetationIndex),该指数是指近红外波段与可见光红波段数值之差和这两个波段数值之和的比值。NDVI公式如下:
NDVI=(DNNIR-DNR)/(DNNIR+DNR)或NDVI=(ρNIR-ρR)/(ρNIR+ρR)。其中,NDVI是简单比值RVI经非线性的归一化处理所得。在植被遥感中,NDVI是植被生长状态及植被覆盖度的最佳指示因子,与植被分布密度呈线性相关。因此又被认为是反映生物量和植被监测的指标。
在获取到灰度图像之后,利用遥感图像处理软件根据如下公式进行植被覆盖度运算得到植被覆盖图。其中,植被覆盖度(Vegetaion Fractional Coverage,VFC),作为反映地表植被分布特征的定量指标,是景观生态、气候变化和水土流失多种地表过程研究的关键参数。因此高精度的获取地表植被覆盖度图像对矿区生态调查有重要作用。公式为:VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)。
其中,NDVImax和NDVImin分别为整个区域内(在本申请的上述实施例中为遥感图像中的整个矿区区域)最大和最小的NDVI值。由于不可避免存在噪声,NDVImax和NDVImin一般取一定置信度范围内的最大值与最小值,置信度的取值主要根据图像的实际情况来定。在本实施例中,反演的NDVI的可靠性和可信度即为置信度。可以优选误差率α=5%,即反演的NDVI的参数估计不准确的概率为5%,置信度1-α=95%,即估计的可靠性和可靠度为95%。
更具体地,VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil),其中,NDVIsoil为完全是裸土或无植被覆盖区域的NDVI值,NDVIveg则代表完全被植被所覆盖的图像像元的NDVI值,即纯植被像元的NDVI值。两个值的计算公式分别为:
NDVIsoil=(VFCmax*NDVImin-VFCmin*NDVImax)/(VFCmax-VFCmin),
NDVIveg=((1-VFCmin)*NDVImax-(1-VFCmax)*NDVImin)/(VFCmax-VFCmin),
利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设:
1)在本实施例中,整个矿区区域内可以近似取VFCmax=100%,VFCmin=0%。
公式VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)可变为:上述的公式VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)。
2)整个矿区区域内不能近似取VFCmax=100%,VFCmin=0%。
当有实测数据的情况下,取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin,这两个实测数据对应图像的NDVI作为NDVImax和NDVImin。当没有实测数据的情况下,取一定置信度范围内的NDVImax和NDVImin。VFCmax和VFCmin可以根据经验估算。
在获取到植被覆盖图之后,用土地类别图层集合中的植被区域图层对植被覆盖图进行矢量裁切,得到矿区植被植被图层。
根据本发明的上述实施例,将植被图层和非植被区域图层合成生态图的步骤可以包括:将植被图层和非植被区域图层进行叠加得到初始生态图;以及对初始生态图的各个图层进行符号化处理得到生态图。
在本发明的上述实施例中,对初始生态图的各个图层进行符号化处理得到生态图的步骤可以包括:使用国标符号对初始生态图的各个图层进行符号化处理得到符号化的生态图;使用预设的图层符号和标准化的过渡色对符号化的生态图的各个图层进行简化处理得到生态图。
具体地,将植被图层和非植被区域图层多图层叠加,并可以应用改进的国标符号和标准化的过渡色来区分相同区域植被的不同信息,并可以利用图层符号化的差异性简化生态环境调查图件数量,避免了多图层土地利用信息的重复展示,可综合全面的反应矿区的生态状况。经过上述处理后的生态图信息量大,实时性强,易看、易懂、易用,包括了矿区各土地类型的信息,并且利用自定义的符号和过渡色对重点的生态植被区域进行多类型展示,可综合全面的反应矿区的生态状况。
更具体地,地图符号不仅具有确定的空间位置以及空间地物的性质:例如在一个城市管线系统中不同的线符号表示不同类型的管线,不同的点符号表示不同类型的设备等等,而且地图符号也可以表达与空间位置相关的丰富信息。地图数据的符号化决定着地图以何种“面目”展现给地图的使用者,因此,空间数据的符号化对于图像信息量的展示有非常重要的意义。
对生态图应用自定义的改进的国标符号和标准化的过渡色来区分相同区域植被的不同信息,利用图层符号化的差异性简化生态环境调查图件数量,减少了图件数量,避免了除林草植被外的其他土地利用信息的重复展示,增加了单幅图的信息量。
在本发明的上述实施例中,在对遥感图像中的第一多波段图像进行解译得到土地类别图层集合之前,方法还可以包括:获取初始遥感图像;对初始遥感图像进行波段合成、辐射校正以及几何校正得到遥感图像;以及从遥感图像中提取第一多波段图像和第二多波段图像。
具体地,可以对获取的初始遥感图像进行遥感图像预处理,根据用户需要对初始遥感图像进行波段合成、辐射校正以及几何校正处理,得到关于矿区区域的多波段的遥感图像。具体地,上述处理包括配准与融合、纠正、匀光与调色、镶嵌拼接等操作。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
从以上的描述中,可以看出,本发明实现了如下技术效果:采用本发明,通过第一处理模块对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,可以实现对矿区生态植被信息的高精度提取,以综合全面的反映矿区生态状况,并在通过第一计算模块对遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图之后,通过第二处理模块使用植被区域图层对植被覆盖图进行影像裁切得到植被图层,以对植被信息进行定性、定量、定型的展示,最后通过第三处理模块将植被图层和非植被区域图层合成生态图,采用多图层的叠加生成生态图。解决了现有技术中采用图像监督分类或遥感图像识别矿区生态的地类的精度低的问题,实现了高精度识别矿区生态地类并且可综合全面的反应矿区的生态状况的效果。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种矿区图像处理方法,其特征在于,包括:
对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,其中,所述土地类别图层集合包括植被区域图层和非植被区域图层;
对所述遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图;
使用所述植被区域图层对所述植被覆盖图进行影像裁切得到植被图层;以及
将所述植被图层和所述非植被区域图层合成生态图。
2.根据权利要求1所述的矿区图像处理方法,其特征在于,对所述遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图的步骤包括:
对所述第二多波段图像进行植被指数计算得到灰度图像;以及
对所述灰度图像进行植被覆盖度计算得到所述植被覆盖图。
3.根据权利要求1所述的矿区图像处理方法,其特征在于,将所述植被图层和所述非植被区域图层合成生态图的步骤包括:
将所述植被图层和所述非植被区域图层进行叠加得到初始生态图;以及
对所述初始生态图的各个图层进行符号化处理得到所述生态图。
4.根据权利要求3所述的矿区图像处理方法,其特征在于,对所述初始生态图的各个图层进行符号化处理得到所述生态图的步骤包括:
使用国标符号对所述初始生态图的各个图层进行符号化处理得到符号化的生态图;
使用预设的图层符号和标准化的过渡色对所述符号化的生态图的各个图层进行简化处理得到所述生态图。
5.根据权利要求1所述的矿区图像处理方法,其特征在于,在对遥感图像中的第一多波段图像进行解译得到土地类别图层集合之前,所述方法还包括:
获取初始遥感图像;
对所述初始遥感图像进行波段合成、辐射校正以及几何校正得到所述遥感图像;以及
从所述遥感图像中提取所述第一多波段图像和所述第二多波段图像。
6.一种矿区图像处理装置,其特征在于,包括:
第一处理模块,用于对遥感图像中的第一多波段图像进行反演与解译处理得到土地类别图层集合,其中,所述土地类别图层集合包括植被区域图层和非植被区域图层;
第一计算模块,用于对所述遥感图像中的第二多波段图像进行栅格计算得到植被覆盖图;
第二处理模块,用于使用所述植被区域图层对所述植被覆盖图进行影像裁切得到植被图层;以及
第三处理模块,用于将所述植被图层和所述非植被区域图层合成生态图。
7.根据权利要求6所述的矿区图像处理装置,其特征在于,所述第一计算模块包括:
第一子计算模块,用于对所述第二多波段图像进行植被指数计算得到灰度图像;以及
第二子计算模块,用于对所述灰度图像进行植被覆盖度计算得到所述植被覆盖图。
8.根据权利要求6所述的矿区图像处理装置,其特征在于,所述第三处理模块包括:
第一子处理模块,用于将所述植被图层和所述非植被区域图层进行叠加得到初始生态图;以及
第二子处理模块,用于对所述初始生态图的各个图层进行符号化处理得到所述生态图。
9.根据权利要求8所述的矿区图像处理装置,其特征在于,所述第二子处理模块包括:
第三子处理模块,用于使用国标符号对所述初始生态图的各个图层进行符号化处理得到符号化的生态图;
第四子处理模块,用于使用预设的图层符号和标准化的过渡色对所述符号化的生态图的各个图层进行简化处理得到所述生态图。
10.根据权利要求6所述的矿区图像处理装置,其特征在于,所述矿区图像处理装置还包括:
获取模块,用于获取初始遥感图像;
第四处理模块,用于对所述初始遥感图像进行波段合成、辐射校正以及几何校正得到所述遥感图像;以及
提取模块从所述遥感图像中提取所述第一多波段图像和所述第二多波段图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310389487.2A CN103413289B (zh) | 2013-08-30 | 2013-08-30 | 矿区图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310389487.2A CN103413289B (zh) | 2013-08-30 | 2013-08-30 | 矿区图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103413289A true CN103413289A (zh) | 2013-11-27 |
CN103413289B CN103413289B (zh) | 2017-04-12 |
Family
ID=49606294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310389487.2A Active CN103413289B (zh) | 2013-08-30 | 2013-08-30 | 矿区图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413289B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517267A (zh) * | 2014-12-23 | 2015-04-15 | 电子科技大学 | 一种基于“谱”反演的红外图像增强与重建方法 |
CN108242078A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种三维可视化的地表环境模型生成方法 |
CN109564675A (zh) * | 2016-07-25 | 2019-04-02 | 日本电气株式会社 | 信息处理设备、信息处理方法以及记录介质 |
CN112215135A (zh) * | 2020-10-10 | 2021-01-12 | 东华理工大学 | 矿区开采与治理成效监测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
CN102607529A (zh) * | 2012-03-30 | 2012-07-25 | 中国神华能源股份有限公司 | 矿区环境的测量方法、装置以及数据处理设备 |
CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
US20130217439A1 (en) * | 2012-02-21 | 2013-08-22 | Trimble Navigation Limited | Cell phone NDVI sensor |
-
2013
- 2013-08-30 CN CN201310389487.2A patent/CN103413289B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
US20130217439A1 (en) * | 2012-02-21 | 2013-08-22 | Trimble Navigation Limited | Cell phone NDVI sensor |
CN102607529A (zh) * | 2012-03-30 | 2012-07-25 | 中国神华能源股份有限公司 | 矿区环境的测量方法、装置以及数据处理设备 |
CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
Non-Patent Citations (2)
Title |
---|
刘福江: "招远金矿区植被异常及遥感找矿意义", 《吉林大学学报( 地球科学版)》 * |
吴莹莹: "基于TM遥感影像的绿洲空间分布提取研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517267A (zh) * | 2014-12-23 | 2015-04-15 | 电子科技大学 | 一种基于“谱”反演的红外图像增强与重建方法 |
CN104517267B (zh) * | 2014-12-23 | 2017-05-10 | 电子科技大学 | 一种基于“谱”反演的红外图像增强与重建方法 |
CN109564675A (zh) * | 2016-07-25 | 2019-04-02 | 日本电气株式会社 | 信息处理设备、信息处理方法以及记录介质 |
CN109564675B (zh) * | 2016-07-25 | 2023-12-19 | 日本电气株式会社 | 信息处理设备、信息处理方法以及记录介质 |
CN108242078A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种三维可视化的地表环境模型生成方法 |
CN112215135A (zh) * | 2020-10-10 | 2021-01-12 | 东华理工大学 | 矿区开采与治理成效监测方法及装置 |
CN112215135B (zh) * | 2020-10-10 | 2022-07-08 | 东华理工大学 | 矿区开采与治理成效监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103413289B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amani et al. | A generalized supervised classification scheme to produce provincial wetland inventory maps: An application of Google Earth Engine for big geo data processing | |
Avitabile et al. | Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda | |
Adepoju et al. | Improving accuracy of Landsat-8 OLI classification using image composite and multisource data with Google Earth Engine | |
Li et al. | An index and approach for water extraction using Landsat–OLI data | |
Zhou et al. | Dynamics of land surface temperature in response to land‐use/cover change | |
Hartling et al. | Urban tree species classification using UAV-based multi-sensor data fusion and machine learning | |
Merchant et al. | An object-based assessment of multi-wavelength SAR, optical imagery and topographical datasets for operational wetland mapping in boreal Yukon, Canada | |
De Luca et al. | A workflow based on Sentinel-1 SAR data and open-source algorithms for unsupervised burned area detection in Mediterranean ecosystems | |
Zhang et al. | Mapping and evaluation of landscape ecological status using geographic indices extracted from remote sensing imagery of the Pearl River Delta, China, between 1998 and 2008 | |
Berberoğlu et al. | Utilizing image texture to detect land-cover change in Mediterranean coastal wetlands | |
Clark et al. | Landscape analysis using multi-scale segmentation and object-oriented classification | |
Amani et al. | Separability analysis of wetlands in Canada using multi-source SAR data | |
Gu et al. | Predicting forest height using the GOST, Landsat 7 ETM+, and airborne LiDAR for sloping terrains in the Greater Khingan Mountains of China | |
Alexandridis et al. | Using Earth Observation to update a Natura 2000 habitat map for a wetland in Greece | |
Gupta et al. | Mixed tropical forests canopy height mapping from spaceborne LiDAR GEDI and multisensor imagery using machine learning models | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
CN103413289A (zh) | 矿区图像处理方法及装置 | |
Zhu et al. | Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models | |
Menon | Remote sensing applications in agriculture and forestry | |
Laongmanee | Assessment of spatial resolution in estimating leaf area index from satellite images: a case study with Avicennia marina plantations in Thailand | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
Abdullah | The use of Landsat 5 TM imagery to detect urban expansion and its impact on land surface temperatures in the city of Erbil, Iraqi Kurdistan | |
Fundisi et al. | A combination of Sentinel-1 RADAR and Sentinel-2 multispectral data improves classification of morphologically similar savanna woody plants | |
Kılıç et al. | An integrated framework to identify and map gullies in a Mediterranean region of Turkey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |