CN104599282B - 一种基于遥感图像的沙波体范围检测方法 - Google Patents
一种基于遥感图像的沙波体范围检测方法 Download PDFInfo
- Publication number
- CN104599282B CN104599282B CN201510067527.0A CN201510067527A CN104599282B CN 104599282 B CN104599282 B CN 104599282B CN 201510067527 A CN201510067527 A CN 201510067527A CN 104599282 B CN104599282 B CN 104599282B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- bed ripples
- line
- point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种新的基于遥感图像的沙波体范围确定方法，利用浅海沙波地形在遥感图像中呈现的特征信息(沙波波纹和波脊)和沙波地形分布规律，获得沙波体的范围信息。本发明针对广泛分布的浅海沙波区的地形变化监测需求，利用遥感技术方法的大范围覆盖和高频率重访的能力，基于遥感图像中所包含的因沙波地形对水体流场和海面粗超度的调制而在呈现的亮暗条纹特征，通过遥感图像灰度变化趋势分析，确定沙波体的边界，提取沙波体的范围，用于浅海沙波体的识别管理与地形动态变化监测，是遥感信息技术用于沙波地形变化监测的一项创新，具有极大的实用价值。
Description
技术领域
本发明涉及遥感技术应用和浅海地形监测领域，特别是一种基于遥感图像的沙波体范围检测方法。
背景技术
海底地形测绘是探索和研究海洋的第一步，是开发和保护海洋的首要条件，也是现今海洋学研究的迫切需求。在回声测深仪发明之前，主要靠测深杆和测深锤来测量水深，测量精度较差。20世纪20年代回声测深仪出现之后，现代意义上海图的绘制才得以实现。但早期的测深仪为单波束发射，一次发射只能得到测量船正下方的水深，因而只能实现点、线测量，无法反映测线之间的地形地貌。1970年代中期出现的多波束测深技术实现了带状测量(最大宽度可达水深的7倍)，显著提高了测深效率。尽管如此，限于测量周期长、人力消耗大和资金需求高等方面的劣势，在地形高变化的浅海区域进行大范围的动态变化监测任务中，仅依赖多波束测深方法仍然很难满足需求。对于浅海区域广泛分布的浅海沙波地形动态变化监测，需要掌握沙波的位置和沙波体范围等信息的基础，通过多期比较分析，确定沙波的新生、移动、形态改变和消亡等动态变化信息。如何充分发挥遥感技术的大范围高动态观测能力，对浅海沙波区的沙波范围进行动态监测，对于掌握地形演化规律和特征都有十分重要的意义。
本发明针对广泛分布的浅海沙波分布区进行地形变化动态监测的需求，利用遥感技术方法的大范围覆盖和高频率重访的能力，基于遥感图像中所包含的因沙波地形对水动力调制而引起的灰度差异特征信息(亮暗条纹信息)，提取浅海沙波体的范围，用于浅海沙波的识别管理与沙波地形动态变化监测。从检索到的公开资料看，尚未有基于遥感方法进行浅海沙波体范围快速确定的方法。
发明内容
本发明所要解决的技术问题是提供一种新的基于遥感图像的沙波体范围检测方法。
本发明解决上述技术问题所采用的技术方案是：
一种基于遥感图像的沙波体范围检测方法，包括以下步骤：
(1)通过遥感器获取沙波纹理分布的遥感图像，提取沙波波脊线；
(2)以沙波波脊线的一个端点为起点，等间距地添加检测点；
(3)基于检测点添加检测线；
(4)将检测线叠加于遥感图像上，以检测点为起点，获得检测线位置上的遥感图像像元的灰度值，经过归一化处理得到检测线的遥感图像剖面线；
(5)对获得的每一条检测线的遥感图像归一化剖面线采用均值滤波法进行平滑处理，获得平滑灰度剖面线；
(6)对平滑灰度剖面线进行梯度计算，获得梯度剖面线；
(7)从沙波波脊线出发，依次读取梯度值进行判定，当梯度值小于判断阈值S时，则此梯度值所在数据点作为该检测线的范围分界点；
(8)将全部检测线的范围分界点连线，得到沙波体范围。
作为优选，所述步骤(1)中提取沙波波脊线，根据遥感图像上沙波纹理分布特征，亮暗条纹相接处为沙波波脊线的位置，采用人机交互方法提取相应的沙波波脊线。
作为优选，所述步骤(2)中等间距地添加检测点，检测点的分布间距为5到10个遥感图像像元点，检测点采用均匀分布的原则生成，具体步骤如下：
(21)根据沙波波脊线的长度、遥感图像的像元尺寸，计算确定检测点的间距r，间距r为遥感图像空间分辨率的5-10倍；
(22)以沙波波脊线的一个端点为起点，以距离r为步长，依次确定检测点的位置，添加检测点。
作为优选，所述步骤(3)中基于检测点添加检测线，首先基于每一个检测点分别向两侧添加垂直于沙波波脊线的检测线；其次在沙波波脊线两端，分别添加至少3条接近于或等于均匀间隔的检测线。
作为优选，所述步骤(4)中，将检测线叠加于遥感图像上，从遥感图像上获得与检测线相交的所有像元点，并读取其灰度值，经过归一化处理，得到检测线的遥感图像剖面线；所述归一化处理方法为：
(41)通过比较和计算获得该检测线上所有像元灰度值的平均值DNa、最大值DNmax和最小值DNmin；
(42)计算任意像元点的归一化像元值，计算公式如下：
其中DN为原像元灰度值，DNnew为归一化后像元灰度值，范围为-1.0～1.0。
作为优选，所述步骤(5)中对获得的每一条检测线的遥感图像归一化剖面线采用均值滤波法进行平滑处理，平滑处理方法如下：
(51)以任意数据点p为中心，前后各取N个数据点，获得2N+1个数据点，计算2N+1个数据点的算术平均值作为当前数据点p的数值，重新连接所有数据点获得平滑灰度剖面线；N的取值为1～10。
作为优选，所述步骤(6)中对平滑灰度剖面线进行梯度计算，逐点计算所述步骤(5)获得的平滑灰度剖面线数据点的梯度，获得梯度剖面线；计算方法采用三点法：以当前点Pn为中心，后一个点Pn+1的灰度值减去前一个点Pn-1的灰度值，再除以2取绝对值得到Pn点的梯度sn；计算公式为：
作为优选，所述步骤(7)中，从所述步骤(4)中获得的灰度剖面线的最小值DNmin或最大值DNmax所在点出发，分别沿所述步骤(6)获得的梯度剖面线，逐点获取梯度值sn，并与判断阈值S比较，当梯度值小于判断阈值S时，则此梯度值所在数据点作为该检测线的范围分界点；所述判断阈值S小于等于0.001。
作为优选，所述步骤(8)中，将所述步骤(7)获得的全部检测线的范围分界点按顺序连线，所得区域为沙波体范围。
具体来说，广泛分布的浅海沙波地形能在遥感图像上成像，呈现为清晰的亮暗条幅间或分布的沙波纹理信息。其原理是：浅海沙波区起伏的地形通过水动力作用调制了海表流场，被调制后的海表流场通过波-流相互作用改变了表面波的密度谱，表面波密度谱的改变导致海面粗糙度的改变，海面粗糙度的改变引起海-气界面太阳耀光散射强度的改变，从而在遥感图像上呈现亮暗条纹间或分布的沙波波纹信息。而沙波地形作为浅海区域进过长期水动力过程作用形成的自然地貌形态，呈现波浪形连续分布，并在沙波波脊线两侧的水深呈单调变化趋势。上述的遥感图像的沙波波纹特征信息和沙波地形分布规律，可用于浅海沙波区沙波体范围的检测。
本发明利用浅海沙波地形在遥感图像中呈现的特征信息(沙波波纹和波脊)和沙波地形分布规律，通过遥感图像灰度分布趋势判定沙波体的边界，从而获得沙波范围信息。
本发明同现有技术相比具有以下优点及效果：浅海沙波分布区地形通常处于动态变化中，沙波位置和形态变化情况是沙波地形监测的重要内容。多波束测深虽已成为当前浅海水深测量的主要手段，但受测量周期、人力消耗和资金的限制，通常无法经常进行动态测量与监测。遥感监测是一种非常有效的沙波地形变化动态监测手段。本发明针对广泛分布的浅海沙波区的地形变化监测需求，利用遥感技术方法的大范围覆盖和高频率重访的能力，基于遥感图像中所包含的因沙波地形对水体流场和海面粗超度的调制而在呈现的亮暗条纹特征，通过遥感图像灰度变化趋势分析，确定沙波体的边界，提取沙波体的范围，用于浅海沙波体的识别管理与地形动态变化监测，是遥感信息技术用于沙波地形变化监测的一项创新，具有极大的实用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是基于遥感图像的沙波体范围检测方法的技术路线图；
图2是典型沙波的遥感图像灰度剖面线；
图3是根据遥感图像获得的沙波波脊线；
图4是检测点和检测线的示意图；
图5a是检测线的归一化灰度剖面线(1)；
图5b是检测线的归一化灰度剖面线(2)；
图6a是平滑灰度剖面线(1)；
图6b是平滑灰度剖面线(2)；
图7a是梯度剖面线(1)；
图7b是梯度剖面线(2)；
图8是每条检测线上的范围分界点示意图；
图9是沙波范围线提取结果示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
根据本发明的基于遥感图像的浅海沙波体范围确定方法进行实验，如图1所示，具体包括如下步骤：
(1)通过遥感器获取沙波纹理分布的遥感图像，提取沙波波脊线：
根据遥感图像上沙波纹理分布特征，沙波区通常呈现亮暗条纹间隔分布。再根据沙波地形遥感成像机理，亮暗条纹相接处为沙波波脊线的位置。图2显示了遥感图像中垂直于沙波波脊线的灰度坡面线，并标注了沙波波脊线的位置。据此可采用人机交互方法绘制相应的沙波波脊线。图3显示了根据遥感图像获得的沙波波脊线。
(2)以沙波波脊线的一个端点为起点，等间距地添加检测点：
在沙波波脊线上添加若干检测点，检测点的分布间距以5到10个遥感图像像元点为宜，检测点采用均匀分布的原则生成，具体步骤如下：(21)根据沙波波脊线的长度、遥感图像的像元尺寸，计算确定检测点的间距r，间距r为遥感图像空间分辨率的5-10倍；(22)以沙波波脊线的一个端点为起点，以距离r为步长，依次确定检测点的位置，添加检测点。如图4所示。
(3)基于检测点绘制检测线：
基于步骤(2)所生成的检测点绘制检测线。首先基于每一个检测点分别向两侧添加垂直于沙波波脊线的检测线；另外在沙波波脊线两端，分别添加不少于3条尽可能均匀间隔的检测线，如图4所示。
(4)将检测线叠加于遥感图像上，以检测点为起点，获得检测线位置上的遥感图像像元的灰度值，经过归一化处理得到检测线的遥感图像剖面线：
将步骤(3)生成的检测线叠加于遥感图像上，从遥感图像上获得与检测线相交的所有像元点，并读取其灰度值，经过归一化处理，得到检测线的遥感图像剖面线，图5a和图5b分别为两个方向的归一化灰度剖面线。归一化处理方法为：(41)通过比较和计算获得该检测线上所有像元灰度值的平均值DNa、最大值DNmax和最小值DNmin；(42)计算任意像元点的归一化像元值，计算公式如下：
其中DN为原像元灰度值，DNnew为归一化后像元灰度值，范围为-1.0～1.0。
(5)对获得的每一条检测线的遥感图像归一化剖面线采用均值滤波法进行平滑处理，获得平滑灰度剖面线：
对步骤(4)生成的每一条检测线的遥感图像归一化剖面线采用均值滤波法进行平滑处理，获得平滑灰度剖面线，两个方向的平滑灰度剖面线分别如图6a和图6b所示。平滑处理方法如下：1)以任意数据点p为中心，前后各取N个数据点(包含p点本身)，获得2N+1个数据点，计算这些数据点的算术平均值作为当前数据点p的数值，重新连接获得平滑后剖面线。根据遥感图像质量和空间分辨率的差异，N的取值可以不同，一般为1～10之间。
(6)对平滑灰度剖面线进行梯度计算，获得梯度剖面线：
计算步骤(5)获得的平滑灰度剖面线上每个数据点的梯度，获得梯度剖面线，两个方向的梯度剖面线分别如图7a和图7b所示。计算方法采用三点法：以当前点Pn为中心，后一个点Pn+1的灰度值减去前一个点Pn-1的灰度值，再除以2取绝对值得到Pn点的梯度sn。计算公式为：
(7)从沙波波脊线出发，依次读取梯度值进行判定，当梯度值小于判断阈 值S时，则此梯度值所在数据点作为该检测线的范围分界点：
从步骤(4)获得的灰度剖面线的最小值DNmin(图5a)或最大值DNmax(图5b)所在点出发，分别沿步骤(6)获得的梯度剖面线(图7a或图7b)，逐点获取梯度值sn，并与判断阈值S比较，当梯度值小于判断阈值S时，则该点就作为当前检测线的范围分界点。其中极判断阈值S为一接近于0的值，可取0.001，表明在此处遥感图像灰度变化已经很小，已到达沙波体的边界。
(8)将全部检测线的范围分界点连线，得到沙波体范围：
将步骤(7)获得的全部检测线的范围分界点按顺序连线，所得区域为沙波体范围。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (9)
1.一种基于遥感图像的沙波体范围检测方法，包括以下步骤：
(1)通过遥感器获取沙波纹理分布的遥感图像，提取沙波波脊线；
(2)以沙波波脊线的一个端点为起点，等间距地添加检测点；
(3)基于检测点添加检测线；
(4)将检测线叠加于遥感图像上，以检测点为起点，获得检测线位置上的遥感图像像元的灰度值，经过归一化处理得到检测线的遥感图像剖面线；
(5)对获得的每一条检测线的遥感图像归一化剖面线采用均值滤波法进行平滑处理，获得平滑灰度剖面线；
(6)对平滑灰度剖面线进行梯度计算，获得梯度剖面线；
(7)从沙波波脊线出发，依次读取梯度值进行判定，当梯度值小于判断阈值S时，则此梯度值所在数据点作为该检测线的范围分界点；
(8)将全部检测线的范围分界点连线，得到沙波体范围。
2.根据权利要求1所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(1)中提取沙波波脊线，根据遥感图像上沙波纹理分布特征，亮暗条纹相接处为沙波波脊线的位置，采用人机交互方法提取相应的沙波波脊线。
3.根据权利要求1所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(2)中等间距地添加检测点，检测点的分布间距为5到10个遥感图像像元点，检测点采用均匀分布的原则生成，具体步骤如下：
(21)根据沙波波脊线的长度、遥感图像的像元尺寸，计算确定检测点的间距r，间距r为遥感图像空间分辨率的5-10倍；
(22)以沙波波脊线的一个端点为起点，以距离r为步长，依次确定检测点的位置，添加检测点。
4.根据权利要求1所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(3)中基于检测点添加检测线，首先基于每一个检测点分别 向两侧添加垂直于沙波波脊线的检测线；其次在沙波波脊线两端，分别添加至少3条接近于或等于均匀间隔的检测线。
5.根据权利要求1所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(4)中，将检测线叠加于遥感图像上，从遥感图像上获得与检测线相交的所有像元点，并读取其灰度值，经过归一化处理，得到检测线的遥感图像剖面线；所述归一化处理方法为：
(41)通过比较和计算获得该检测线上所有像元灰度值的平均值DNa、最大值DNmax和最小值DNmin；
(42)计算任意像元点的归一化像元值，计算公式如下：
其中DN为原像元灰度值，DNnew为归一化后像元灰度值，范围为-1.0～1.0。
6.根据权利要求1所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(5)中对获得的每一条检测线的遥感图像归一化剖面线采用均值滤波法进行平滑处理，平滑处理方法如下：
(51)以任意数据点p为中心，前后各取N个数据点，获得2N+1个数据点，计算2N+1个数据点的算术平均值作为当前数据点p的数值，重新连接所有数据点获得平滑灰度剖面线；N的取值为1～10。
7.根据权利要求1所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(6)中对平滑灰度剖面线进行梯度计算，逐点计算所述步骤(5)获得的平滑灰度剖面线数据点的梯度，获得梯度剖面线；计算方法采用三点法：以当前点Pn为中心，后一个点Pn+1的灰度值减去前一个点Pn-1的灰度值，再除以2取绝对值得到Pn点的梯度sn；计算公式为：
。
8.根据权利要求5所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(7)中，从所述步骤(4)中获得的灰度剖面线的最小值DNmin或最大值DNmax所在点出发，分别沿所述步骤(6)获得的梯度剖面线，逐点获取梯度值sn，并与判断阈值S比较，当梯度值小于判断阈值S时，则此梯度值所在数据点作为该检测线的范围分界点；所述判断阈值S小于等于0.001。
9.根据权利要求1所述的一种基于遥感图像的沙波体范围检测方法，其特征在于：所述步骤(8)中，将所述步骤(7)获得的全部检测线的范围分界点按顺序连线，所得区域为沙波体范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510067527.0A CN104599282B (zh) | 2015-02-09 | 2015-02-09 | 一种基于遥感图像的沙波体范围检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510067527.0A CN104599282B (zh) | 2015-02-09 | 2015-02-09 | 一种基于遥感图像的沙波体范围检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104599282A CN104599282A (zh) | 2015-05-06 |
| CN104599282B true CN104599282B (zh) | 2017-04-12 |
Family
ID=53125032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510067527.0A Active CN104599282B (zh) | 2015-02-09 | 2015-02-09 | 一种基于遥感图像的沙波体范围检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104599282B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069772B (zh) * | 2015-06-11 | 2018-01-26 | 国家电网公司 | 一种电力元器件识别方法 |
| CN108416508B (zh) * | 2018-02-08 | 2020-10-16 | 中国矿业大学(北京) | 一种地表生态影响边界的提取方法及系统 |
| CN113283437B (zh) * | 2021-07-22 | 2021-10-29 | 中国海洋大学 | 一种海底沙波特征识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
| JP2012215568A (ja) * | 2011-03-31 | 2012-11-08 | Mitsubishi Electric Research Laboratories Inc | 不均一なパルスタイミングを用いた高解像度ｓａｒ撮像 |
| CN103148842A (zh) * | 2013-02-04 | 2013-06-12 | 国家海洋局第二海洋研究所 | 一种基于遥感图像特征的浅海沙波区多波束测深地形重构方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8355579B2 (en) * | 2009-05-20 | 2013-01-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Automatic extraction of planetary image features |
-
2015
- 2015-02-09 CN CN201510067527.0A patent/CN104599282B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012215568A (ja) * | 2011-03-31 | 2012-11-08 | Mitsubishi Electric Research Laboratories Inc | 不均一なパルスタイミングを用いた高解像度ｓａｒ撮像 |
| CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
| CN103148842A (zh) * | 2013-02-04 | 2013-06-12 | 国家海洋局第二海洋研究所 | 一种基于遥感图像特征的浅海沙波区多波束测深地形重构方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104599282A (zh) | 2015-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A gully erosion assessment model for the Chinese Loess Plateau based on changes in gully length and area | |
| CN103148842B (zh) | 一种基于遥感图像特征的浅海沙波区多波束测深地形重构方法 | |
| Ouyang et al. | Pavement cracking measurements using 3D laser-scan images | |
| Kang et al. | Topographic mapping on large-scale tidal flats with an iterative approach on the waterline method | |
| CN105654501B (zh) | 基于模糊阈值的自适应图像分割方法 | |
| Maguya et al. | Adaptive algorithm for large scale dtm interpolation from lidar data for forestry applications in steep forested terrain | |
| Su et al. | Quantification of angularity of general-shape particles by using Fourier series and a gradient-based approach | |
| CN106846344A (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| Guo et al. | A geometry-and texture-based automatic discontinuity trace extraction method for rock mass point cloud | |
| CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
| CN104599282B (zh) | 一种基于遥感图像的沙波体范围检测方法 | |
| CN101539629A (zh) | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 | |
| CN104361582A (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
| CN103675791A (zh) | 基于数值分布均衡化的米散射激光雷达云识别方法 | |
| CN110473187A (zh) | 一种面向对象的线扫描三维路面裂缝提取方法 | |
| CN104197902A (zh) | 一种利用单景高分辨率光学遥感图像提取浅海地形的方法 | |
| Zhu et al. | Loess terrain segmentation from digital elevation models based on the region growth method | |
| CN104613945B (zh) | 一种浅海大型复杂沙波区地形重构方法 | |
| Vetter et al. | Estimating changes of riverine landscapes and riverbeds by using airborne LiDAR data and river cross-sections | |
| JP2015059821A (ja) | 日射量予測装置および方法 | |
| He et al. | Quantifying spatial distribution of interrill and rill erosion in a loess at different slopes using structure from motion (SfM) photogrammetry | |
| CN104613893B (zh) | 一种利用遥感图像测量沙波水深的方法 | |
| CN110084748A (zh) | 一种基于整体变分的红外和可见光图像融合方法 | |
| CN104599278B (zh) | 一种基于遥感图像的浅海沙波信息提取方法 | |
| CN108305244A (zh) | 一种作物软硬变化区域的划分方法及系统 |
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 |