CN105184252B - 一种基于高空间分辨率图像的水华识别方法及装置 - Google Patents
一种基于高空间分辨率图像的水华识别方法及装置 Download PDFInfo
- Publication number
- CN105184252B CN105184252B CN201510549492.4A CN201510549492A CN105184252B CN 105184252 B CN105184252 B CN 105184252B CN 201510549492 A CN201510549492 A CN 201510549492A CN 105184252 B CN105184252 B CN 105184252B
- Authority
- CN
- China
- Prior art keywords
- spot
- target
- gradient
- wawter bloom
- spatial resolution
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种基于高空间分辨率图像的水华识别方法及装置,通过对高空间分辨率水域遥感图像进行分割,得到目标区域,在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑,并提取所述目标图斑的梯度纹理特征,将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值,因为高空间分辨率图像具有较高的空间分辨率,能较好的反映不同地物的空间纹理特征,又因为水华和水草在水体中呈现出不同的空间分布特征,所以,本实施例所述的方法及装置,基于高空间分辨率遥感图像的特性,对高空间分辨率遥感图像进行分割及图斑标记后,能够实现从目标图斑中识别出水华图斑的目的。
Description
技术领域
本申请涉及电子信息领域,尤其涉及一种基于高空间分辨率图像的水华识别方法及装置。
背景技术
基于遥感技术的水华监测识别技术被广泛应用,高空间分辨率(空间分辨率一般大于10m)卫星影像的水华识别结果精度高,但是高空间分辨率卫星影像的光谱分辨率一般都比较低,波段数目少且响应范围宽,而水华和水草具有相似的光谱曲线,单纯依据低光谱分辨率的影像数据无法识别水华、水草在650nm附近的细微光谱差异,以致不能区分出水华和水草。
因此,如何从高空间分辨率卫星图像中识别出水华,成为目前亟待解决的问题。
发明内容
本申请提供了一种基于高空间分辨率图像的水华识别方法及装置,目的在于解决如何从高空间分辨率卫星图像中识别出水华的问题。
为了实现上述目的,本申请提供了以下技术方案:
一种基于高空间分辨率图像的水华识别方法,包括:
通过对高空间分辨率水域遥感图像进行分割,得到目标区域,所述目标区域包括水华区域和/或水草区域;
在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑;
提取所述目标图斑的梯度纹理特征;
将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值。
可选地,所述目标图斑的梯度纹理特征包括以下至少一种:
所述目标图斑的边缘梯度均值;
所述目标图斑的梯度均值;
所述目标图斑的梯度标准差。
可选地,所述预设条件包括梯度纹理特征小于其对应的预设阈值包括:
所述预设条件包括所述目标图斑的边缘梯度均值小于第一预设阈值,所述目标图斑的梯度均值小于第二预设阈值,所述目标图斑的梯度标准差小于第三预设阈值。
可选地,所述在所述目标区域中标记目标图斑包括:
通过对所述目标区域进行八连通分割,得到所述目标区域的图斑。
可选地,还包括:
将梯度纹理特征不小于其对应的预设阈值的目标图斑确定为水草图斑。
一种基于高空间分辨率图像的水华识别装置,包括:
分割模块,用于通过对高空间分辨率水域遥感图像进行分割,得到目标区域,所述目标区域包括水华区域和/或水草区域;
标记模块,用于在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑;
提取模块,用于提取所述目标图斑的梯度纹理特征;
识别模块,用于将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值。
可选地,所述提取模块用于提取所述目标图斑的梯度纹理特征包括:
所述提取模块具体用于,提取所述目标图斑的以下至少一种梯度纹理特征:所述目标图斑的边缘梯度均值;所述目标图斑的梯度均值;所述目标图斑的梯度标准差。
可选地,所述识别模块用于将满足预设条件的图斑识别为水华图斑包括:
所述识别模块具体用于,将满足预设条件的图斑识别为水华图斑,所述预设条件包括所述目标图斑的边缘梯度均值小于第一预设阈值,所述目标图斑的梯度均值小于第二预设阈值,所述目标图斑的梯度标准差小于第三预设阈值。
可选地,所述标记模块用于在所述目标区域中标记目标图斑包括:
所述标记模块具体用于,通过对所述目标区域进行八连通分割,得到所述目标区域的图斑。
可选地,所述识别模块还用于:
将梯度纹理特征不小于其对应的预设阈值的目标图斑确定为水草图斑。
本申请所述的基于高空间分辨率图像的水华识别方法及装置,通过对高空间分辨率水域遥感图像进行分割,得到目标区域,在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑,并提取所述目标图斑的梯度纹理特征,将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值,因为高空间分辨率图像具有较高的空间分辨率,能较好的反映不同地物的空间纹理特征,又因为水华和水草在水体中呈现出不同的空间分布特征,所以,本实施例所述的方法及装置,基于高空间分辨率遥感图像的特性,对高空间分辨率遥感图像进行分割及图斑标记后,能够实现从目标图斑中识别出水华图斑的目的。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种基于高空间分辨率图像的水华识别方法的流程图;
图2为使用sobel算子获取的目标图斑的NDVI梯度图像;
图3为本申请实施例公开的梯度纹理特征图;
图4为本申请实施例公开的又一种水华识别方法的流程图;
图5为本申请实施例公开的基于高空间分辨率图像的水华识别方法得到的NDVI图像分割结果的示意图;
图6为本申请实施例公开的基于高空间分辨率图像的水华识别方法得到的目标图斑的示意图;
图7为本申请实施例还公开的一种基于高空间分辨率图像的水华识别装置的结构示意图。
具体实施方式
本申请实施例公开的一种基于高空间分辨率图像的水华识别方法及装置,可以应用在遥感识别水体中的目标的过程中,目的在于从水体遥感图像中的水草和水华区域中,甄别出水华区域。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开的一种基于高空间分辨率图像的水华识别方法,如图1所示,包括以下步骤:
S101:通过对高空间分辨率水域遥感图像进行分割,得到目标区域,所述目标区域包括水华区域和/或水草区域;
S102:在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑;
S103:提取所述目标图斑的梯度纹理特征;
发明人在研究的过程中发现,高空间分辨率水域遥感图像具有较高的空间分辨率,能较好的反映不同地物的空间纹理特征,且水华和水草在水体中呈现出不同的空间分布特征,因此可以基于空间纹理信息识别出水华区域和水草区域。例如,如图2所示为使用sobel算子获取目标图斑的NDVI梯度图像,从梯度图上可以看出,水华图斑的边界和内部梯度都比较小,水草图斑的梯度差异比较大,水草簇边界的梯度很大,内部梯度较小。这主要是由于水华是漂浮在水面上的颗粒状浮渣,在水面上从有到无缓慢过度分布,而水草与水体的边界却是明显突变的。
基于上述原理,本实施例中,具体地,梯度纹理特征可以包括目标图斑的边界梯度均值、整个目标图斑的梯度均值和目标的梯度标准差这三个梯度纹理特征中的至少一个,特征选取的数量越多,结果的准确性越高,所以,本实施例中,优选全部三个梯度纹理特征。
如图3所示,从图中可以看出,水华图斑的边界梯度均值、整个斑块的梯度均值和标准差都比较小,而水草的都比较大。
S104:将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值。
图3中,因为水华图斑的边界梯度均值、整个斑块的梯度均值和标准差都比较小,而水草的都比较大,因此可以通过对这3个梯度纹理特征采用阈值分割的方法来识别出水华图斑和水草图斑。
具体地,预设条件包括所述目标图斑的边缘梯度均值小于第一预设阈值,所述目标图斑的梯度均值小于第二预设阈值,所述目标图斑的梯度标准差小于第三预设阈值。其中,第一阈值、第二阈值及第三阈值均可以通过统计水华及水草图斑样本的边缘梯度、梯度均值及梯度标准差得到。例如,水华图斑样本的边缘梯度的均值为A,水草图斑样本的边缘梯度的均值为B,则第一均值可以为A和B的中间值。
也就是说,满足以上三个条件的目标图斑为水华图斑,否则为水草图斑。
从以上步骤可以看出,本实施例所述的方法,充分利用了高空间分辨率图像的特性,依据纹理梯度特征识别出水华图斑,从而提高了识别的准确性。
本申请实施例公开的又一种水华识别方法,如图4所示,包括以下步骤:
S401:对高空间分辨率水域遥感图像进行预处理;
为了便于后续的图像过程分割,本实施例中,先对高空间分辨率水域遥感图像进行以下预处理:
A:将高空间分辨率水域遥感图像进行辐射校正及几何纠正,其中,辐射校正(radiometric correction)是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程;几何校正是指消除或改正遥感影像几何误差的过程;
B:将校正后的图像进行掩膜处理,所述掩膜处理是指,将所述校正后的卫星影像与预设的掩膜图像进行运算,以去除校正后卫星影像中的非目标区域,即陆地区域或其它非研究区域。
S402:获取预处理后的图像的归一化植被指数(Normalized DifferenceVegetation Index,NDVI)图像为:
NDVI=(ρrc,NIR-ρrc,R)/(ρrc,NIR+ρrc,R)
其中ρrc,R和ρrc,NIR分别是红波段和近红外波段辐射校正后的反射率。
S403:通过对NDVI图像进行分割,得到图5所示的目标区域;
具体地,对NDVI图像进行分割的过程为:
A:计算NDVI图像的灰度直方图;
B:依据灰度直方图,确定分割阈值;
由于水华、水草及水体的NDVI相差比较大,因此,灰度直方图呈现双峰夹谷的形态,选取灰度直方图中谷底处的NDVI值作为分割阈值。
D:依据分割阈值,从所述NDVI图像中分割出目标区域,目标区域可能包括水华区域、水草区域或者两者兼有。
S404:对目标区域进行八连通分割,得到目标图斑;
对目标区域内的所有像素进行八联通分割,即上、下、左、右、左上、左下、右下、右上任意一个方向联通的像素则分割成一个图斑。由于水华和水草大都是成片聚集分布,所以通过八联通分割,水华或水草区域内的所有像素被分隔成多个图斑,如图6所示。
S405:提取所述目标图斑的边缘梯度均值、梯度均值及梯度标准差;
S406:如果满足预设条件:目标图斑的边缘梯度均值小于第一预设阈值、目标图斑的梯度均值小于第二预设阈值且目标图斑的梯度标准差小于第三预设阈值,确认目标图斑为水华图斑;
具体地,可以采用sobel算子获取图斑的梯度图像:
Sobel算子包含两组3*3的矩阵,分别为水平方向和竖直方向以A(i,j)代表NDVI图像,Gx和Gy分别代表经水平方向和竖直方向边缘检测的图像:
对应的梯度图像G(i,j),按下式求得:
S407:如果不满足上述预设条件,确认目标图斑为水草图斑。
本实施例所述方法,在对图像进行分割之前,进行了预处理和获取NDVI图像的过程,以便于准确提取出图像中的目标区域,依据NDVI图像的灰度直方图呈现的特点,采用双峰法确定分割阈值,如图5所示,采用本实施例确定的阈值,能够将目标区域准确地分割出来,为后续水华区域和水草区域的识别奠定了良好的基础。
与上述方法实施例相对应地,本申请实施例还公开了一种基于高空间分辨率图像的水华识别装置,如图7所示,包括:
分割模块701,用于通过对高空间分辨率水域遥感图像进行分割,得到目标区域,所述目标区域包括水华区域和/或水草区域;
标记模块702,用于在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑;
提取模块703,用于提取所述目标图斑的梯度纹理特征;
识别模块704,用于将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值。可选地,识别模块还可以用于:将梯度纹理特征不小于其对应的预设阈值的目标图斑确定为水草图斑。
具体地,提取模块提取所述目标图斑的梯度纹理特征的具体实现方式可以为:提取所述目标图斑的以下至少一种梯度纹理特征:所述目标图斑的边缘梯度均值;所述目标图斑的梯度均值;所述目标图斑的梯度标准差。
识别模块将满足预设条件的图斑识别为水华图斑的具体实现方式可以为:将满足预设条件的图斑识别为水华图斑,所述预设条件包括所述目标图斑的边缘梯度均值小于第一预设阈值,所述目标图斑的梯度均值小于第二预设阈值,所述目标图斑的梯度标准差小于第三预设阈值。
标记模块在所述目标区域中标记目标图斑的具体实现方式可以为:通过对所述目标区域进行八连通分割,得到所述目标区域的图斑。
本实施例所述的装置,以面向对象的梯度纹理特征属性为依据,对高空间分辨率卫星影像中的水华区域和水草区域进行区分识别,而非采用像素等级的处理及识别方法,结果证明,本实施例所述的装置能够适用于高空间分辨率卫星影像中的水华区域和水草区域的识别。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于高空间分辨率图像的水华识别方法,其特征在于,包括:
通过对高空间分辨率水域遥感图像进行分割,得到目标区域,所述目标区域包括水华区域和/或水草区域;
在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑;其中,所述目标图斑为对所述目标区域进行八连通分割后得到的;
提取所述目标图斑的梯度纹理特征;
将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值;
还包括:
将梯度纹理特征不小于其对应的预设阈值的目标图斑确定为水草图斑。
2.根据权利要求1所述的方法,其特征在于,所述目标图斑的梯度纹理特征包括以下至少一种:
所述目标图斑的边缘梯度均值;
所述目标图斑的梯度均值;
所述目标图斑的梯度标准差。
3.根据权利要求2所述的方法,其特征在于,所述预设条件包括梯度纹理特征小于其对应的预设阈值包括:
所述预设条件包括所述目标图斑的边缘梯度均值小于第一预设阈值,所述目标图斑的梯度均值小于第二预设阈值,所述目标图斑的梯度标准差小于第三预设阈值。
4.一种基于高空间分辨率图像的水华识别装置,其特征在于,包括:
分割模块,用于通过对高空间分辨率水域遥感图像进行分割,得到目标区域,所述目标区域包括水华区域和/或水草区域;
标记模块,用于在所述目标区域中标记目标图斑,所述目标图斑包括水华图斑和/或水草图斑;其中,所述目标图斑为对所述目标区域进行八连通分割后得到的;
提取模块,用于提取所述目标图斑的梯度纹理特征;
识别模块,用于将满足预设条件的图斑识别为水华图斑,所述预设条件包括梯度纹理特征小于其对应的预设阈值;
所述识别模块还用于:
将梯度纹理特征不小于其对应的预设阈值的目标图斑确定为水草图斑。
5.根据权利要求4所述的装置,其特征在于,所述提取模块用于提取所述目标图斑的梯度纹理特征包括:
所述提取模块具体用于,提取所述目标图斑的以下至少一种梯度纹理特征:所述目标图斑的边缘梯度均值;所述目标图斑的梯度均值;所述目标图斑的梯度标准差。
6.根据权利要求5所述的装置,其特征在于,所述识别模块用于将满足预设条件的图斑识别为水华图斑包括:
所述识别模块具体用于,将满足预设条件的图斑识别为水华图斑,所述预设条件包括所述目标图斑的边缘梯度均值小于第一预设阈值,所述目标图斑的梯度均值小于第二预设阈值,所述目标图斑的梯度标准差小于第三预设阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510549492.4A CN105184252B (zh) | 2015-08-31 | 2015-08-31 | 一种基于高空间分辨率图像的水华识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510549492.4A CN105184252B (zh) | 2015-08-31 | 2015-08-31 | 一种基于高空间分辨率图像的水华识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184252A CN105184252A (zh) | 2015-12-23 |
CN105184252B true CN105184252B (zh) | 2019-01-22 |
Family
ID=54906321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510549492.4A Active CN105184252B (zh) | 2015-08-31 | 2015-08-31 | 一种基于高空间分辨率图像的水华识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184252B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846344B (zh) * | 2016-12-14 | 2018-12-25 | 国家海洋局第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
CN109472203B (zh) * | 2018-09-30 | 2020-10-23 | 广州地理研究所 | 一种基于遥感数据的中心支轴式喷灌农田识别方法 |
CN114565657B (zh) * | 2021-12-24 | 2023-08-15 | 西安电子科技大学 | 基于边缘梯度和方向纹理提取遥感影像中河宽方法 |
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 |
CN102998664A (zh) * | 2012-10-29 | 2013-03-27 | 中国科学院对地观测与数字地球科学中心 | 一种基于合成孔径雷达的水华识别方法及装置 |
-
2015
- 2015-08-31 CN CN201510549492.4A patent/CN105184252B/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 |
CN102998664A (zh) * | 2012-10-29 | 2013-03-27 | 中国科学院对地观测与数字地球科学中心 | 一种基于合成孔径雷达的水华识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
Ulva prolifera monitoring by GF-1 wide field-of-view sensor data;Wenxiu Liang et al;《Proc. SPIE 9261, Ocean Remote Sensing and Monitoring from Space》;20141231;第1-10页 * |
基于遥感影像光谱分析的蓝藻水华识别方法;林怡 等;《同济大学学报(自然科学版)》;20110831;第39卷(第8期);第1247-1252页 * |
基于遥感数据的太湖蓝藻水华信息识别方法;陈云 等;《湖泊科学》;20081231;第20卷(第2期);第179-183页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184252A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9940514B2 (en) | Automated geospatial image mosaic generation with multiple zoom level support | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
Awrangjeb et al. | Automatic detection of residential buildings using LIDAR data and multispectral imagery | |
CN104700062B (zh) | 一种识别二维码的方法及设备 | |
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
Karami et al. | Gully erosion mapping using object-based and pixel-based image classification methods | |
CN104376319B (zh) | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 | |
CN107424142A (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
Lo et al. | Joint trilateral filtering for depth map super-resolution | |
US8805056B2 (en) | Automatic detection and grouping of straight lines in images for personalization | |
CN107092871A (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN104951765B (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
CN105184252B (zh) | 一种基于高空间分辨率图像的水华识别方法及装置 | |
CN109727279B (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
CN109522904B (zh) | 一种基于遥感数据的规则农田提取方法 | |
CN107133967A (zh) | 提取目标图像的方法及装置 | |
Han et al. | Segmentation-based fine registration of very high resolution multitemporal images | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN104268550B (zh) | 特征提取方法及装置 | |
Stentoumis et al. | A local adaptive approach for dense stereo matching in architectural scene reconstruction | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
Ružić et al. | Texture and color descriptors as a tool for context-aware patch-based image inpainting | |
CN106355576B (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN117274799A (zh) | 基于先验知识和遥感数据的城市绿地提取方法 | |
Li et al. | Automatic Road Extraction from High-Resolution Remote Sensing Image Based on Bat Model and Mutual Information Matching. |
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 |