CN103646246A - 一种基于决策树模型的多光谱遥感影像河流信息提取方法 - Google Patents
一种基于决策树模型的多光谱遥感影像河流信息提取方法 Download PDFInfo
- Publication number
- CN103646246A CN103646246A CN201310727406.5A CN201310727406A CN103646246A CN 103646246 A CN103646246 A CN 103646246A CN 201310727406 A CN201310727406 A CN 201310727406A CN 103646246 A CN103646246 A CN 103646246A
- Authority
- CN
- China
- Prior art keywords
- river
- tree model
- water body
- remote sensing
- decision
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于决策树模型的多光谱遥感影像河流信息提取方法，包括以下步骤：步骤一，对获取的Landsat TM遥感影像进行预处理，分割出待提取的河流区域；步骤二，将分割的河流区域进行地物分类，每类选取15～20个特征点，提取出其对应的TM1～TM5的像元值；步骤三，根据提取的像元值，对不同类别地物的光谱特征进行分析，建立决策规则，并建立河流信息提取的决策树模型；步骤四，根据决策树模型，对分割的河流区域影像所有像元进行处理，以生成水体与非水体两类信息的二值化图像；步骤五，对生成的二值化图像进行矢量化处理和后处理，获得河流信息。本发明可以实现河流信息的快速提取，并可直接用于专题图的制作。
Description
技术领域
本发明涉及多光谱遥感影像提取方法，特别是一种基于决策树模型的多光谱遥感影像河流信息提取方法。
背景技术
河流水系是一类重要的地貌特征，也是陆地生态系统中变化最为活跃的区域之一。河流两岸一般人口集中，工农业生产发达，河流的变迁受沿岸人类活动的影响较大。同时，河流洪水对河岸及沿岸人民生产生活具有重大危害，河流的变化监测对于水利、环保、防洪等领域具有重要的意义。
遥感是一种通过接收地物对电磁波的响应来探测地物特征的一种高新技术，它可以在不直接接触地物的情况下，通过传感器接收的电磁波信号来记录地物的特征，然后根据地物的光谱特征，对地物进行解译和识别。卫星作为遥感监测的重要平台，可以发挥其对地的宏观、同步、动态监测，与传统方法相比，卫星遥感具有信息量大、成本低的特点，并且可以通过分析历史影像数据，监测地物的变化特征。目前，卫星遥感已成为全球变化监测中的一种重要数据源。
卫星遥感的发展为河流的变化监测提供了一种便捷途径，通过对提取的不同时期的遥感影像河流信息进行比较，有助于了解河流的变化。在很长一段时间内，遥感河流信息的提取采用的多是人机交互的目视解译方式，工作效率低，且解译质量受人为影响较大，解译的质量不易控制。目前，遥感河流信息的提取正朝自动化方向发展。专利遥感图像快速河流提取方法【CN101576957A】公布了一种基于种子点扫描的快速河流提取方法，对于河岸线的自动化提取进行了较为有益的探索，但该方法在河流出现分支或者存在桥梁截断时，则需要添加新的种子点，过程较为复杂，同时该方法主要利用遥感影像的单波段信息，没有充分利用地物的多光谱信息，对于在某一波段上光谱特征相似的两类地物，可能会出现误判现象，例如，可能将河流周围的湿地、或是受遮挡的山体作为水体而归入河流。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种高精度且快速的基于决策树模型的多光谱遥感影像河流信息提取方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于决策树模型的多光谱遥感影像河流信息提取方法，包括以下步骤：
步骤一，对获取的Landsat TM遥感影像进行预处理，分割出待提取的河流区域；
步骤二，将分割的河流区域进行地物分类，每类选取15～20个特征点，提取出其对应的TM1～TM5的像元值；
步骤三，根据提取的像元值，对不同类别地物的光谱特征进行分析，建立决策规则，并建立河流信息提取的决策树模型；
步骤四，根据决策树模型，对分割的河流区域影像所有像元进行处理，以生成水体与非水体两类信息的二值化图像；
步骤五，对生成的二值化图像进行矢量化处理和后处理，获得河流信息。
在所述步骤二中，根据河流周围地物的光谱特征，将分割的河流区域进行地物分类为水体、似水体与非水体三类，其中水体包括河流和湖泊，似水体包括湿地和山体阴影，非水体包括林地、裸地和江心洲，且每类地物的特征点分布应均匀。
在所述步骤三中，决策规则为：通过设定单一波段阈值方式，先将所有像元中非水体部分像元提取出来，然后将余下像元中的水体部分像元提取出来。
所述决策规则具体为：先通过设定TM5>T1，将所有像元中非水体部分像元分离出来，其次通过设定TM2>T2将余下像元中的似水体部分像元分离出来，其中T1为TM5波段分离非水体部分像元的阈值，T2为TM2波段分离似水体部分像元的阈值。
所述步骤一中的预处理，为采用波段融合和几何配准方法，利用多边形作为边界，对配准好的影像进行裁剪。
在所述步骤二中，通过绘制典型地物光谱响应曲线图，来对不同分类地物反射光谱特征进行分析。
所述步骤五，具体包括如下步骤：设定河流边界的最小长度阈值L1，遍历水体边界，剔除掉边界长度L<L1的非河流边界的杂点，保留L≥L1的河流相关边界，获得河岸线、江心洲边线、河岸线长度、江心洲数量以及江心洲边线长度等信息。
采用ArcGIS软件工具建立提取河流信息的决策树模型和对生成的二值化图像进行矢量化处理。
本发明具有的优点和积极效果是：由多个波段来共同进行水体信息的识别，可以有效消除由于山体阴影、林地和湿地等形成的噪声，利用河流水体及其周围地物在LandsatTM各波段不同的波谱特征，来建立决策树的判别规则，由于考虑了水体、似水体及非水体三个方面，并结合了河流的边界长度信息，剔除了似水体噪声及非河流水体边界的杂点，极大地提高了待识别河流水体的提取精度，也一并得到了江心洲的边界信息。同时，本发明集成了ArcGIS软件的相关工具进行建模和矢量化处理，可以实现河流信息的快速提取，并可直接用于专题图的制作，在未来的科研及生产当中具有广阔的应用前景。
附图说明
图1为本发明的工作流程图；
图2为本发明的决策树模型示意图；
图3为预处理后分割出的河流区域原始图像；
图4为经本发明方法处理后的河岸线、江心洲边线信息图；
图5为图4的A部放大图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
请参阅图1、图4和图5，一种基于决策树模型的多光谱遥感影像河流信息提取方法，包括以下步骤：
步骤一，对获取的Landsat TM遥感影像进行预处理，分割出待提取的河流区域；
步骤二，将分割的河流区域进行地物分类，每类选取15～20个特征点，提取出其对应的TM1～TM5的像元值；
步骤三，根据提取的像元值，对不同类别地物的光谱特征进行分析，建立决策规则，并建立河流信息提取的决策树模型；
步骤四，根据决策树模型，对分割的河流区域影像所有像元进行处理，以生成水体与非水体两类信息的二值化图像；
步骤五，对生成的二值化图像进行矢量化处理和后处理，获得河流信息。
其中，Landsat是美国陆地探测卫星系统。TM是Landsat卫星上安装的成像设备，也就是用Landsat上的TM可以对地球表面来成像。Landsat TM影像是指美国陆地卫星4～5号专题制图仪（thematic mapper）所获取的多波段扫描影像。有7个波段，其波谱范围：TM1为0.45～0.52μm，TM2为0.52～0.60μm，TM3为0.63～0.69μm，以上为可见光波段；TM4为0.76～0.90μm，为近红外波段；TM5为1.55～1.75μm，TM7为2.08～2.35μm，为中红外波段；TM6为10.40～12.50μm，为热红外波段。影像空间分辨率除热红外波段为120m外，其余均为30m，像幅185×185km2。因TM影像具较高空间分辨率、波谱分辨率、极为丰富的信息量和较高定位精度，成为20世纪80年代中后期得到世界各国广泛应用的重要的地球资源与环境遥感数据源。能满足有关农、林、水、土、地质、地理、测绘、区域规划、环境监测等专题分析和编制1∶10万或更大比例尺专题图，修测中小比例尺地图的要求。
进一步地，在所述步骤二中，可根据河流周围地物的光谱特征，将分割的河流区域进行地物分类为水体、似水体与非水体三类，其中水体包括河流和湖泊，似水体包括湿地和山体阴影，非水体包括林地、裸地和江心洲，且每类地物的特征点分布应均匀。
进一步地，在所述步骤三中，决策规则可为：通过设定单一波段阈值方式，先将所有像元中非水体部分像元提取出来，然后将余下像元中的水体部分像元提取出来。
进一步地，所述决策规则可具体为：先通过设定TM5>T1，将所有像元中非水体部分像元分离出来，其次通过设定TM2>T2将余下像元中的似水体部分像元分离出来，其中T1为TM5波段分离非水体部分像元的阈值，T2为TM2波段分离似水体部分像元的阈值。
进一步地，所述步骤一中的预处理，可为采用波段融合和几何配准方法，利用多边形作为边界，对配准好的影像进行裁剪。
进一步地，在所述步骤二中，可通过绘制典型地物光谱响应曲线图，来对不同分类地物反射光谱特征进行分析。
进一步地，所述步骤五，具体可包括如下步骤：设定河流边界的最小长度阈值L1，遍历水体边界，剔除掉边界长度L<L1的非河流边界的杂点，保留L≥L1的河流相关边界，获得河岸线、江心洲边线、河岸线长度、江心洲数量以及江心洲边线长度等信息。
进一步地，可采用ArcGIS软件工具建立提取河流信息的决策树模型和对生成的二值化图像进行矢量化处理。
下面结合使用的软件工具进一步具体说明本发明的具体实施例。
步骤一：数据的预处理：利用遥感软件读入Landsat TM影像的各波段，进行波段融合；再对融合后的遥感影像进行几何配准；然后利用多边形作为边界，从配准后的影像中提取出河流区域，并将其保存为img格式，融合后的原始图像请参见图3；
在对Landsat TM影像进行波段融合时，应按各波段的先后顺序进行添加，然后进行数据融合。
选择控制点进行影像配准时，控制点应尽量均匀分布，同时，控制点应选择一些易于辨识的点，同时，如果河流较长，位于两张或多张遥感影像上，应注意边缘地区的拼接问题。
步骤二：地物分类：选择特征点提取光谱值前，首先将步骤一分割的img影像加载到ArcGIS ArcMap图层中，然后在图层属性中将TM5设置为红、TM4设置为绿、TM2设置为蓝，同时设置图像的拉伸方式为标准偏差拉伸方式，TM5、TM4、TM2分别为TM影像的第5、第4、第2波段值。
在进行地物分类时，并不要求包含所有的地物类别，而应根据河流周围地物的光谱特征，选择能反应出水体、似水体与非水体之间的光谱特征差别的类别即可，尤其是应注意区别可能被误分为河流水体的一些噪声，如江心洲、山体阴影及湿地等。每类地物选择的特征点分布应均匀。
分类完成后，利用ArcGIS ArcCatalog建立point图层，并添加字段category来标识特征点的类别，然后在分析河流沿程对每类地物选取15～20个特征点，同时在category字段中添加标识以区分特征点的类别。
利用ArcGIS Toolbox中的Spatial Analyst Tools-extract values to points，以上述特征点图层作为输入图层，分别以步骤一分割后的img图像各波段作为输入的栅格图像，提取出第5、第2波段的值，记做TM5、TM2。
步骤三：建立决策树模型阶段，请参见图2，主要对步骤二提取的各类地物对应的TM5、TM2值进行分析，建立水体信息分割的决策树模型规则，即先通过设定TM5>T1将所有像元中非水体部分像元分离出来，其次通过设定TM2>T2将余下像元中的似水体部分像元分离出来，并确定阈值T1与T2。
步骤四：生成二值化图像阶段，在ArcGIS Toolbox中建立一个新工具集，然后添加一个新的Modle，利用ArcGIS Math工具集的有关逻辑和数学函数进行建模。
运行Modle模型，对步骤一分割后的影像所有像元进行处理，先通过设定TM5>T1将所有像元中非水体部分像元分离出来，即满足决策树模型条件TM5>T1，将该像元赋值为1，否则为0，其次通过设定TM2>T2将余下像元中的似水体部分像元分离出来,即当满足决策树模型条件TM2>T2时，该像元赋值为1，否则为0，最后，只有同时满足TM5>T1和TM2>T2时，该像元值才为1，否则为0，从而生成水体与非水体两类信息的二值化图像；
步骤五：矢量化处理阶段，在ArcGIS ArcCatalog中建立一个polygon要素类和一个polyline要素类，并添加到ArcGIS ArcMap中。
在ArcGIS ArcMap中用classified的方式将步骤四生成的二值化图像以两类进行显示，0为非水体，1为水体。然后在编辑状态下，选择该二值化图像，在ArcScan模块的vectorization option中设置outline的矢量化方式，在vectorization的GenerateFeatures设置选择转换的polyline图层以及polygon图层，确定后即可将水体的边缘转换为polygon图层。
然后设定河流边界的最小长度阈值L1，遍历水体边界，剔除掉边界长度L<L1的非河流边界的杂点，保留L≥L1的河流相关边界，得到具有孤岛特征的河流水体边界；再利用ArcGIS的feature to line命令将具有孤岛特征的河流水体边界由polygon类型转换为polyline类型，得到河岸线、江心洲等与河流有关的边界，以及与之相关的河流信息，如河岸线长度、江心洲数量、江心洲边线长度等。河岸线、江心洲边线信息等，请参见图4。
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护范围之内。
Claims (8)
1.一种基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，包括以下步骤：
步骤一，对获取的Landsat TM遥感影像进行预处理，分割出待提取的河流区域；
步骤二，将分割的河流区域进行地物分类，每类选取15～20个特征点，提取出其对应的TM1～TM5的像元值；
步骤三，根据提取的像元值，对不同类别地物的光谱特征进行分析，建立决策规则，并建立河流信息提取的决策树模型；
步骤四，根据决策树模型，对分割的河流区域影像所有像元进行处理，以生成水体与非水体两类信息的二值化图像；
步骤五，对生成的二值化图像进行矢量化处理和后处理，获得河流信息。
2.根据权利要求1所述的基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，在所述步骤二中，根据河流周围地物的光谱特征，将分割的河流区域进行地物分类为水体、似水体与非水体三类，其中水体包括河流和湖泊，似水体包括湿地和山体阴影，非水体包括林地、裸地和江心洲，且每类地物的特征点分布应均匀。
3.根据权利要求2所述的基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，在所述步骤三中，决策规则为：通过设定单一波段阈值方式，先将所有像元中非水体部分像元提取出来，然后将余下像元中的水体部分像元提取出来。
4.根据权利要求3所述的基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，所述决策规则具体为：先通过设定TM5>T1，将所有像元中非水体部分像元分离出来，其次通过设定TM2>T2将余下像元中的似水体部分像元分离出来，其中T1为TM5波段分离非水体部分像元的阈值，T2为TM2波段分离似水体部分像元的阈值。
5.根据权利要求1至4任一所述的基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，所述步骤一中的预处理，为采用波段融合和几何配准方法，利用多边形作为边界，对配准好的影像进行裁剪。
6.根据权利要求1至4任一所述的基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，在所述步骤二中，通过绘制典型地物光谱响应曲线图，来对不同分类地物反射光谱特征进行分析。
7.根据权利要求1至4任一所述的基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，所述步骤五，具体包括如下步骤：设定河流边界的最小长度阈值L1，遍历水体边界，剔除掉边界长度L<L1的非河流边界的杂点，保留L≥L1的河流相关边界，获得河岸线、江心洲边线、河岸线长度、江心洲数量以及江心洲边线长度等信息。
8.根据权利要求1至4任一所述的基于决策树模型的多光谱遥感影像河流信息提取方法，其特征在于，采用ArcGIS软件工具建立提取河流信息的决策树模型和对生成的二值化图像进行矢量化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310727406.5A CN103646246A (zh) | 2013-12-19 | 2013-12-19 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310727406.5A CN103646246A (zh) | 2013-12-19 | 2013-12-19 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103646246A true CN103646246A (zh) | 2014-03-19 |
Family
ID=50251457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310727406.5A Pending CN103646246A (zh) | 2013-12-19 | 2013-12-19 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103646246A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599285A (zh) * | 2015-02-27 | 2015-05-06 | 浪潮集团有限公司 | 一种基于遥感图像的水体信息提取方法及装置 |
| CN105787289A (zh) * | 2016-05-26 | 2016-07-20 | 广西师范学院 | 一种河流特征数据分类系统及其分类方法 |
| CN106067030A (zh) * | 2016-05-26 | 2016-11-02 | 广西师范学院 | 一种河流特征分类数据的处理方法 |
| CN103971367B (zh) * | 2014-04-28 | 2017-01-11 | 河海大学 | 水文资料图像分割方法 |
| CN106485239A (zh) * | 2016-11-02 | 2017-03-08 | 郑州航空工业管理学院 | 一种利用单类支持向量机检测河流目标的方法 |
| CN106778738A (zh) * | 2016-11-30 | 2017-05-31 | 苏州大学 | 一种基于决策理论粗糙集的地物特征提取方法 |
| CN108009505A (zh) * | 2017-12-06 | 2018-05-08 | 中国资源卫星应用中心 | 一种基于遥感信息的湿地信息更新提取方法 |
| CN108007899A (zh) * | 2017-11-29 | 2018-05-08 | 南威软件股份有限公司 | 一种基于tm影像的厚云阴影检测方法 |
| CN108154069A (zh) * | 2016-12-02 | 2018-06-12 | 航天星图科技（北京）有限公司 | 一种基于tm影像的泥石流信息提取方法 |
| CN108388916A (zh) * | 2018-02-26 | 2018-08-10 | 武汉大学 | 一种基于人工智能的水体漂浮物自动识别方法和系统 |
| CN109508641A (zh) * | 2018-10-15 | 2019-03-22 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
| CN109558474A (zh) * | 2018-12-07 | 2019-04-02 | 董云 | 基于Arcgis建立林地及森林资源地理数据库的方法及系统 |
| CN109784251A (zh) * | 2019-01-04 | 2019-05-21 | 中国铁路总公司 | 高铁沿线小型水体遥感识别方法 |
| CN111178230A (zh) * | 2019-12-26 | 2020-05-19 | 武汉大学 | 一种遥感影像内河洲滩智能化提取方法 |
| RU2754966C1 (ru) * | 2021-02-26 | 2021-09-08 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Новгородский государственный университет имени Ярослава Мудрого» | Способ телевизионной спектральной селекции изображений объектов |
| CN113610013A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于高清遥感影像的rgb波段提取建筑物轮廓的方法 |
| CN113902717A (zh) * | 2021-10-13 | 2022-01-07 | 自然资源部国土卫星遥感应用中心 | 一种基于光谱库的星载高光谱农田裸土目标识别方法 |
| CN114627305A (zh) * | 2022-05-16 | 2022-06-14 | 山东黄河河务局山东黄河信息中心 | 河流遥感影像提取方法及装置 |
| CN117152364A (zh) * | 2023-10-31 | 2023-12-01 | 航天宏图信息技术股份有限公司 | 基于影像数据的水体边界三维重建的方法、装置和设备 |
-
2013
- 2013-12-19 CN CN201310727406.5A patent/CN103646246A/zh active Pending
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971367B (zh) * | 2014-04-28 | 2017-01-11 | 河海大学 | 水文资料图像分割方法 |
| CN104599285A (zh) * | 2015-02-27 | 2015-05-06 | 浪潮集团有限公司 | 一种基于遥感图像的水体信息提取方法及装置 |
| CN105787289A (zh) * | 2016-05-26 | 2016-07-20 | 广西师范学院 | 一种河流特征数据分类系统及其分类方法 |
| CN106067030A (zh) * | 2016-05-26 | 2016-11-02 | 广西师范学院 | 一种河流特征分类数据的处理方法 |
| CN106485239A (zh) * | 2016-11-02 | 2017-03-08 | 郑州航空工业管理学院 | 一种利用单类支持向量机检测河流目标的方法 |
| CN106778738A (zh) * | 2016-11-30 | 2017-05-31 | 苏州大学 | 一种基于决策理论粗糙集的地物特征提取方法 |
| CN108154069A (zh) * | 2016-12-02 | 2018-06-12 | 航天星图科技（北京）有限公司 | 一种基于tm影像的泥石流信息提取方法 |
| CN108007899A (zh) * | 2017-11-29 | 2018-05-08 | 南威软件股份有限公司 | 一种基于tm影像的厚云阴影检测方法 |
| CN108009505A (zh) * | 2017-12-06 | 2018-05-08 | 中国资源卫星应用中心 | 一种基于遥感信息的湿地信息更新提取方法 |
| CN108388916A (zh) * | 2018-02-26 | 2018-08-10 | 武汉大学 | 一种基于人工智能的水体漂浮物自动识别方法和系统 |
| CN109508641A (zh) * | 2018-10-15 | 2019-03-22 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
| CN109558474A (zh) * | 2018-12-07 | 2019-04-02 | 董云 | 基于Arcgis建立林地及森林资源地理数据库的方法及系统 |
| CN109784251A (zh) * | 2019-01-04 | 2019-05-21 | 中国铁路总公司 | 高铁沿线小型水体遥感识别方法 |
| CN111178230A (zh) * | 2019-12-26 | 2020-05-19 | 武汉大学 | 一种遥感影像内河洲滩智能化提取方法 |
| RU2754966C1 (ru) * | 2021-02-26 | 2021-09-08 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Новгородский государственный университет имени Ярослава Мудрого» | Способ телевизионной спектральной селекции изображений объектов |
| CN113610013A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于高清遥感影像的rgb波段提取建筑物轮廓的方法 |
| CN113902717A (zh) * | 2021-10-13 | 2022-01-07 | 自然资源部国土卫星遥感应用中心 | 一种基于光谱库的星载高光谱农田裸土目标识别方法 |
| CN113902717B (zh) * | 2021-10-13 | 2022-04-26 | 自然资源部国土卫星遥感应用中心 | 一种基于光谱库的星载高光谱农田裸土目标识别方法 |
| CN114627305A (zh) * | 2022-05-16 | 2022-06-14 | 山东黄河河务局山东黄河信息中心 | 河流遥感影像提取方法及装置 |
| CN117152364A (zh) * | 2023-10-31 | 2023-12-01 | 航天宏图信息技术股份有限公司 | 基于影像数据的水体边界三维重建的方法、装置和设备 |
| CN117152364B (zh) * | 2023-10-31 | 2024-02-27 | 航天宏图信息技术股份有限公司 | 基于影像数据的水体边界三维重建的方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103646246A (zh) | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 | |
| Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
| Xu et al. | Multiple-entity based classification of airborne laser scanning data in urban areas | |
| Sarp | Lineament analysis from satellite images, north-west of Ankara | |
| Lu et al. | Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images | |
| Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
| Bunting et al. | Characterisation and mapping of forest communities by clustering individual tree crowns | |
| CN109840553A (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
| CN107392133A (zh) | 利用面向对象多源信息融合的荒漠植物遥感识别方法 | |
| CN106875481A (zh) | 一种三维可视化遥感影像地表分类模型的制作方法 | |
| CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
| Dell et al. | Supervised classification of slush and ponded water on Antarctic ice shelves using Landsat 8 imagery | |
| CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
| Zhu et al. | Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models | |
| CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
| Wu et al. | A comparison of 4 shadow compensation techniques for land cover classification of shaded areas from high radiometric resolution aerial images | |
| CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
| Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
| Ayazi et al. | Comparison of traditional and machine learning base methods for ground point cloud labeling | |
| CN115661675A (zh) | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 | |
| Brandtberg et al. | High-spatial-resolution remote sensing | |
| Jalbuena et al. | Object-based image analysis for mangroves extraction using LIDAR datasets and orthophoto | |
| CN115019184B (zh) | 基于遥感影像的石漠化程度自动分级方法及装置 | |
| Ciaburri et al. | Automatic extraction of rivers from satellite images using image processing techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140319 |