CN104318051B - 基于规则的大范围水体信息遥感自动提取系统及方法 - Google Patents
基于规则的大范围水体信息遥感自动提取系统及方法 Download PDFInfo
- Publication number
- CN104318051B CN104318051B CN201410470496.9A CN201410470496A CN104318051B CN 104318051 B CN104318051 B CN 104318051B CN 201410470496 A CN201410470496 A CN 201410470496A CN 104318051 B CN104318051 B CN 104318051B
- Authority
- CN
- China
- Prior art keywords
- water
- rule
- data
- body information
- remote sensing
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于规则的大范围水体信息遥感自动提取系统及方法,所述系统包括:数据加载模块、预处理模块、图像分割模块、规则检索模块、信息提取模块。所述方法包括:加载遥感数据;对所述加载后的遥感数据进行预处理;对所述预处理后数据进行多尺度分割;提取水体信息规则集中的规则;依据所述水体信息提取规则完成对所述多尺度分割后数据的自动信息提取。本发明综合考虑地物识别过程中水体的光谱特征、纹理特征,以及水体与周边地物间的相关特征,更符合人识别地物时的思维模式,信息提取精度高。依据水体信息规则筛选的原则匹配出适合当前影像数据水体信息提取的最优规则,针对不同时间、不同地理地质条件下的大范围水体信息的准确提取。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种基于规则的大范围水体信息遥感自动提取系统及方法。
背景技术
水体信息提取是水资源调查、水资源宏观监测、灾害预报以及湿地保护的重要手段,同时也是构建水文模型、进行水文模拟以及其它相关研究的前提。同时,良好的水体信息提取结果能够为水利专业技术人员提供最佳的数据处理和业务分析。
现有的遥感影像水体提取方法主要分为以下四类:特征分割方法、模式分类方法、轮廓线检测方法以及多源数据综合分析方法。特征分割方法又包括自上而下的知识驱动和自下而上的数据驱动两类,知识驱动型依据地物特征构建先验模型和知识规则来指导分割,如水平集演化方法,数据驱动型根据数据自身的灰度分布特征进行分割,如单波段阈值法、特征指数法、色彩空间转换法等,其中特征指数法是通过多光谱波段运算获取反映水体与背景反差的指数,进而利用直方图阈值分割得到提取结果,典型的水体特征指数如归一化水体指数、改进的归一化差异水体指数、新型水体指数等,其模型简单,并且有不错的提取结果。模式分类方法首先对原图像进行特征提取,构造特征向量,然后利用神经网络、支撑向量机等机器学习方法将原始图像中的每个像素点分类为水体与背景两类对象,从而实现对水体的提取。轮廓线检测方法通过边缘检测获得水体的岸线边缘,然后对边缘进行编组获取水体的主体区域,最后采用纹理跟踪、区域分割等方法对检测到的水体区域进行合并,该类方法由于充分考虑的地物的边缘特征,其提取结果的轮廓定位精度较高。多源数据综合分析方法充分利用水体在不同数据源中的特征,如合成孔径雷达、地理信息系统数据等,通过多源数据之间的相互验证确定最终水体提取结果,比依靠单一数据源的方法有更高的正确率。
在现有技术中,并没有公开一种能够解决大范围水体信息提取的技术方案,相关领域技术人员在数据的研究分析过程中只能针对特定区域采用特定提取算法进行分析或者采用手工方式完成水信息提取,分析效率大幅下降,同时需要付出大量人力劳动且信息提取精度较低。
发明内容
针对背景技术中存在的问题,本发明提供了一种基于规则的大范围水体信息遥感自动提取系统,通过对输入的遥感影像数据进行处理,得出水体的提取结果,所述系统包括:
数据加载模块,用于完成遥感数据的加载;
预处理模块,用于完成所述加载后遥感数据的预处理;
图像分割模块,用于完成所述预处理后数据的多尺度分割;
规则检索模块,用于提取水体信息规则集中的规则;
信息提取模块,依据所述水体信息提取规则完成对所述多尺度分割后数据的自动信息提取。
优选的是,所述数据加载模块加载的遥感数据类型包括光学数据和/或雷达数据。
在上述任一方案中优选的是,所述预处理包括几何校正、影像配准和图像增强中至少一种。
在上述任一方案中优选的是,所述规则集包括数据类型、数据覆盖地点和数据覆盖时间中至少一种。
在上述任一方案中优选的是,所述系统进一步包括检查模块,所述检查模块用于检查水提取结果。
在上述任一方案中优选的是,所述系统进一步包括后编辑模块,所述编辑模块用于对多景遥感数据提取结果进行归并。
在上述任一方案中优选的是,所述归并包括按区域范围进行。
在上述任一方案中优选的是,所述编辑模块进一步用于对所述归并结果进行裁切。
在上述任一方案中优选的是,所述系统进一步包括制图模块,所述制图模块基于水提取结果和基础地理信息数据进行标准化专题制图。
在上述任一方案中优选的是,所述专题制图按照设定的JPG、TIFF或PDF中至少一种格式进行绘制。
在上述任一方案中优选的是,所述制图模块进一步用于所述专题图中图名、比例尺和注记中至少一种的自动添加。
在上述任一方案中优选的是,所述系统进一步包括输出模块,所述输出模块用于完成水提取结果的自动输出。
在上述任一方案中优选的是,所述自动输出的内容包括统计报表和/或报告。
本发明还提供了一种基于规则的大范围水体信息遥感自动提取方法,通过对输入的遥感影像数据进行处理,得出水体的提取结果,所述方法包括以下步骤:
加载遥感数据;
对所述加载后的遥感数据进行预处理;
对所述预处理后数据进行多尺度分割;
提取水体信息规则集中的规则;
依据所述水体信息提取规则完成对所述多尺度分割后数据的自动信息提取。
优选的是,所述加载的遥感数据类型包括光学数据和/或雷达数据。
在上述任一方案中优选的是,所述预处理包括几何校正、影像配准和图像增强中至少一种。
在上述任一方案中优选的是,所述规则集包括数据类型、数据覆盖地点和数据覆盖时间中至少一种。
在上述任一方案中优选的是,所述方法进一步包括对水提取结果进行检查。
在上述任一方案中优选的是,所述方法进一步包括对遥感数据提取结果进行归并。
在上述任一方案中优选的是,所述归并包括按区域范围进行。
在上述任一方案中优选的是,进一步包括对所述归并结果进行裁切。
在上述任一方案中优选的是,所述方法进一步包括基于水提取结果和基础地理信息数据进行标准化专题制图。
在上述任一方案中优选的是,所述专题制图按照设定的JPG、TIFF或PDF中至少一种格式进行绘制。
在上述任一方案中优选的是,所述方法进一步包括对所述专题图中图名、比例尺和注记中至少一种的自动添加。
在上述任一方案中优选的是,,所述方法进一步包括对水提取结果的进行自动输出。
在上述任一方案中优选的是,所述自动输出的内容包括统计报表和/或报告。
本发明所提供的技术方案综合考虑地物识别过程中水体的光谱特征、形状特征、纹理特征,以及水体与周边地物间的相关特征,更符合人识别地物时的思维模式,信息提取的精度更高。
通过依据水体信息规则筛选的原则匹配出适合当前影像数据水体信息提取的最优规则,实现了针对不同时间、不同地理地质条件下的大范围水体信息的准确提取。
附图说明
图1是按照本发明的基于规则的大范围水体信息遥感自动提取方法的流程图。
图2是按照本发明的规则集查询界面图。
图3是根据图2示出的规则集查询结果界面图。
具体实施方式
下面参照附图结合示例性的实施例对本发明进行详细描述。
实施例1:
图1所示为按照本发明的基于规则的大范围水体信息遥感自动提取方法的流程图,首先系统对遥感影像数据进行加载,其中凡是只纪录各种地物电磁波大小的胶片或相片,都称为遥感影像,在遥感中主要是指航空像片和卫星相片。系统对影像加载完毕后,对影像数据进行初步预处理工作,这里所述预处理主要包括几何校正、影像配准和图像增强。
几何校正:遥感成像的时候,由于飞行器的姿态、高度、速度以及地球自转等因素的影响,造成图像相对于地面目标发生几何畸变,这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等,针对几何畸变进行的误差校正即为几何校正。通常指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。
影像配准:将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程,已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。配准技术的流程如下:首先对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;然后通过匹配的特征点对得到图像空间坐标变换参数;最后由坐标变换参数进行图像配准。而特征提取是配准技术中的关键,准确的特征提取为特征匹配的成功进行提供了保障。
图像增强:通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。
数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展,图像处理和分析逐渐形成了自己的科学体系,新的处理方法层出不穷,尽管其发展历史不长,但却引起各方面人士的广泛关注。首先,视觉是人类最重要的感知手段,图像又是视觉的基础,因此,数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次,图像处理在军事、遥感、气象等大型应用中有不断增长的需求。
1998年以来,人工神经网络识别技术已经引起了广泛的关注,并且应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接,容易引入空间信息,能较好地解决图像中的噪声和不均匀问题。
图像分割过程中,主要包括阈值分割:阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现),它得到了广泛应用。
人们发展了各种各样的阈值处理技术,包括全局阈值、自适应阈值、最佳阈值等等。
全局阈值是指整幅图像使用同一个阈值做分割处理,适用于背景和前景有明显对比的图像。它是根据整幅图像确定的:T=T(f)。但是这种方法只考虑像素本身的灰度值,一般不考虑空间特征,因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。
在许多情况下,物体和背景的对比度在图像中的各处不是一样的,这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时,需要按照具体问题将图像分成若干子区域分别选择阈值,或者动态地根据一定的邻域范围选择每点处的阈值,进行图像分割。这时的阈值为自适应阈值。
阈值的选择需要根据具体问题来确定,一般通过实验来确定。对于给定的图像,可以通过分析直方图的方法确定最佳的阈值,例如当直方图明显呈现双峰情况时,可以选择两个峰值的中点作为最佳阈值。
区域分割:
区域分割的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。
区域分割需要选择一组能正确代表所需区域的种子像素,确定在生长过程中的相似性准则,制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素,也可以是包含若干个像素的小区域。大部分区域分割准则使用图像的局部性质。生长准则可根据不同原则制定,而使用不同的生长准则会影响区域分割的过程。
区域分割法的优点是计算简单,对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点,对噪声敏感,可能导致区域内有空洞。另外,它是一种串行算法,当目标较大时,分割速度较慢,因此在设计算法时,要尽量提高效率。
边缘分割:
图像分割的一种重要途径是通过边缘检测,即检测灰度级或者结构具有突变的地方,表明一个区域的终结,也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同,边界处一般有明显的边缘,利用此特征可以分割图像。
图像中边缘处像素的灰度值不连续,这种不连续性可通过求导数来检测到。对于阶跃状边缘,其位置对应一阶导数的极值点,对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子,二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示,微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感,只适合于噪声较小不太复杂的图像。
本实施例中,在获取影像数据后,依据影像数据的最小单元,即像元的光谱特征、形状特征、纹理特征、层次关系、邻域情况、空间位置、类间关系等对影像进行多尺度分割得到不同尺度上的同质对象。在此基础上,依据水体在影像上所变现出的与其他地物不同的特征进行水体信息的提取。如在光谱特性上,水体在可见光范围与近红外或中红外波段与其它地区的反射特性的差别通过一定模型算法实现水体信息的识别,如利用水体指数法NDWI(Normalized Difference water Index):
NDWI = (Green - NIR)/(Green + NIR)
可以增强水体与其他地物的反差,实现大面积水体信息的提取。
另外,根据河流的形状特征(形状指数)及内部联通性,可以将蜿蜒曲折的河流水体信息提取出来。
本实施例中,系统根据影像预处理结果对处理后的影响完成尺度分割与水体信息规则的自动匹配。在规则匹配过程中,通过大量的生产和实践建立的覆盖全国不同地区,不同时间,针对不同遥感数据源的水体信息提取规则数据库进行筛选。将得到的水体提取优选规则作用于影像数据分割结果进行水体信息的提取,对得到的结果进行裁切、人工检查与后编辑。最后系统完成水体提取结果的自动输出,包括统计报表、专题图、报告等形式的展示内容。
本实施例所提供的技术方案综合考虑地物识别过程中水体的光谱特征、形状特征、纹理特征,以及水体与周边地物间的相关特征,更符合人识别地物时的思维模式,信息提取的精度更高。通过依据水体信息规则筛选的原则匹配出适合当前影像数据水体信息提取的最优规则,实现了针对不同时间、不同地理地质条件下的大范围水体信息的准确提取。
实施例2:
如图2所示为规则集查询界面图,包括查询时间段,查询流域,查询行政区域,查询自定义区域以及查询坐标范围。其中开始时间选取为2000年1月1日,结束时间为2014年9月2日;查询流域选择为太湖;查询行政区域为黑龙江省;查询坐标范围为最小经度75最大经度135,最小维度4最大维度53。查询结果匹配规则以及相应规则表达式如图3所示,water(水体)规则编号13,表达式为( MEAN_L4 - MEAN_L2) / ( MEAN_L4 + MEAN_L2) < -0.1;city(城市)规则编号13,表达式为( MEAN_L3 + MEAN_L2 + MEAN_L1) / 3 > 29.7;cloud(云)规则编号13,表达式为( MEAN_L3 + MEAN_L2 + MEAN_L1) / 3 > 800。
本实施例中,通过输入相关图像采集信息得出自动匹配的相应规则集,规则集通过相应规则完成水体信息的特征提取,实现了范围覆盖面积大,地质地理地况复杂的水体信息提取,由于匹配使用了针对不同遥感信息图像的提取规则,使得提取效率与准确率均大幅提高。
为了更好地理解本发明,以上结合具体实施例对本发明作了详细说明。但是,显然可对本发明进行不同的变型和改型而不超出权利要求限定的本发明更宽的精神和范围。因此,以上实施例具有示例性而没有限制的含义。
Claims (14)
1.一种基于规则的大范围水体信息遥感自动提取系统,通过对输入的遥感影像数据进行处理,得出水体的提取结果,其特征在于,所述系统包括:
数据加载模块,用于完成遥感数据的加载;
预处理模块,用于完成所述加载后遥感数据的预处理;
图像分割模块,用于完成所述预处理后数据的多尺度分割,得到不同尺度上的同质对象增强水体与其他地物的反差,实现大面积水体信息的提取;
规则检索模块,根据图像获取的时间和地点进行水体提取的规则自动检索,并将规则用于水体信息提取;
所述规则通过输入的遥感影像数据自动匹配得出,并通过相应规则完成水体信息的特征提取;
信息提取模块,依据所述水体信息提取规则完成对所述多尺度分割后数据的自动信息提取;
检查模块,所述检查模块用于检查水提取结果;
后编辑模块,所述编辑模块用于对多景遥感数据提取结果进行归并;
所述系统进一步包括制图模块,所述制图模块基于水提取结果和基础地理信息数据进行标准化专题制图;
所述系统进一步包括输出模块,所述输出模块用于完成水提取结果的自动输出,所述自动输出的内容包括统计报表和/或报告;所述归并包括按区域范围进行;根据地物识别过程中水体的光谱特征、形状特征、纹理特征,以及水体与周边地物间的相关特征,并依据水体信息规则筛选原则匹配出适合当前影像数据水体信息提取的最优规则。
2.根据权利要求1所述的基于规则的大范围水体信息遥感自动提取系统,其特征在于,所述数据加载模块加载的遥感数据类型包括光学数据和/或雷达数据。
3.根据权利要求1所述的基于规则的大范围水体信息遥感自动提取系统,其特征在于,所述预处理包括几何校正、影像配准和图像增强中至少一种。
4.根据权利要求1所述的基于规则的大范围水体信息遥感自动提取系统,其特征在于,所述规则包括设置数据类型、数据覆盖地点和数据覆盖时间中的至少一种。
5.根据权利要求1所述的基于规则的大范围水体信息遥感自动提取系统,其特征在于,所述编辑模块进一步用于对所述归并结果进行裁切。
6.根据权利要求1所述的基于规则的大范围水体信息遥感自动提取系统,其特征在于,所述专题制图按照设定的JPG、TIFF或PDF中至少一种格式进行绘制。
7.根据权利要求1所述的基于规则的大范围水体信息遥感自动提取系统, 其特征在于,所述制图模块进一步用于所述专题制图中图名、比例尺和注记中至少一种的自动添加。
8.一种基于规则的大范围水体信息遥感自动提取方法,通过对输入的遥感影像数据进行处理,得出水体的提取结果,其特征在于,所述方法包括以下步骤:
加载遥感数据;
对所述加载后的遥感数据进行预处理;
对所述预处理后数据进行多尺度分割;得到不同尺度上的同质对象,增强水体与其他地物的反差,实现大面积水体信息的提取;
根据图像获取的时间和地点进行水体提取的规则自动检索,并将规则用于水体信息提取;所述规则通过输入的遥感影像数据自动匹配得出,并通过相应规则完成水体信息的特征提取;
依据所述水体信息提取规则完成对所述多尺度分割后数据的自动信息提取;
对水提取结果进行检查;
对遥感数据提取结果进行归并;
所述方法进一步包括基于水提取结果和基础地理信息数据进行标准 化专题制图;
所述方法进一步包括对水提取结果的进行自动输出,所述自动输出的内容包括统计报表和/或报告;
所述归并包括按区域范围进行;根据地物识别过程中水体的光谱特征、形状特征、纹理特征,以及水体与周边地物间的相关特征,并依据水体信息规则筛选原则匹配出适合当前影像数据水体信息提取的最优规则。
9.根据权利要求8所述的基于规则的大范围水体信息遥感自动提取方法,其特征在于,所述加载的遥感数据类型包括光学数据和/或雷达数据。
10.根据权利要求8所述的基于规则的大范围水体信息遥感自动提取方法,其特征在于,所述预处理包括几何校正、影像配准和图像增强中至少一种。
11.根据权利要求8所述的基于规则的大范围水体信息遥感自动提取方法,其特征在于,所述规则包括设置数据类型、数据覆盖地点和数据覆盖时间中的至少一种。
12.根据权利要求8所述的基于规则的大范围水体信息遥感自动提取方法,其特征在于,进一步包括对所述归并结果进行裁切。
13.根据权利要求8所述的基于规则的大范围水体信息遥感自动提取方法,其特征在于,所述专题制图按照设定的JPG、TIFF或PDF中至少一种格式进行绘制。
14.根据权利要求8所述的基于规则的大范围水体信息遥感自动提取方法,其特征在于,所述方法进一步包括对所述专题制图中图名、比例尺和注记中至少一种的自动添加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410470496.9A CN104318051B (zh) | 2014-09-15 | 2014-09-16 | 基于规则的大范围水体信息遥感自动提取系统及方法 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410467494 | 2014-09-15 | ||
CN201410467494.4 | 2014-09-15 | ||
CN2014104674944 | 2014-09-15 | ||
CN201410470496.9A CN104318051B (zh) | 2014-09-15 | 2014-09-16 | 基于规则的大范围水体信息遥感自动提取系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318051A CN104318051A (zh) | 2015-01-28 |
CN104318051B true CN104318051B (zh) | 2017-06-16 |
Family
ID=52373282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410470496.9A Active CN104318051B (zh) | 2014-09-15 | 2014-09-16 | 基于规则的大范围水体信息遥感自动提取系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318051B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978741B (zh) * | 2015-06-10 | 2019-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于水平集的水体边界时空无缝插值方法 |
CN105046087B (zh) * | 2015-08-04 | 2017-12-08 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN105444987B (zh) * | 2015-12-30 | 2018-03-06 | 中国水利水电科学研究院 | 一种基于高清摄影的薄层水流滚波测量系统与方法 |
CN106530307A (zh) * | 2016-09-30 | 2017-03-22 | 四川农业大学 | 基于邻域算法处理景观节点图片的系统与方法 |
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 |
CN109977801B (zh) * | 2019-03-08 | 2020-12-01 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
CN109918449B (zh) * | 2019-03-16 | 2021-04-06 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN112308024A (zh) * | 2020-11-23 | 2021-02-02 | 中国水利水电科学研究院 | 一种水体信息提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855494A (zh) * | 2012-08-20 | 2013-01-02 | 中国测绘科学研究院 | 一种卫星遥感影像的水体提取方法及装置 |
CN103761717A (zh) * | 2014-01-26 | 2014-04-30 | 河海大学 | 一种基于全色遥感影像的城市水体提取方法 |
-
2014
- 2014-09-16 CN CN201410470496.9A patent/CN104318051B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855494A (zh) * | 2012-08-20 | 2013-01-02 | 中国测绘科学研究院 | 一种卫星遥感影像的水体提取方法及装置 |
CN103761717A (zh) * | 2014-01-26 | 2014-04-30 | 河海大学 | 一种基于全色遥感影像的城市水体提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104318051A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
Trier et al. | Automatic detection of circular structures in high‐resolution satellite images of agricultural land | |
CN105809194B (zh) | 一种sar影像翻译为光学影像的方法 | |
Hassaan et al. | Precision forestry: trees counting in urban areas using visible imagery based on an unmanned aerial vehicle | |
CN108830877A (zh) | 岩心体视显微图像定量描述方法 | |
CN111179216B (zh) | 一种基于图像处理与卷积神经网络的作物病害识别方法 | |
Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
CN111563408B (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN111079807A (zh) | 一种地物分类方法及装置 | |
CN110070545A (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN116403121A (zh) | 水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备 | |
CN109410233A (zh) | 一种边缘特征约束的高分辨率图像道路精准提取方法 | |
CN108022245A (zh) | 基于面线基元关联模型的光伏面板模板自动生成方法 | |
Prerna et al. | Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey |
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 |