CN105389826A - 珊瑚岛礁岸线高分sar遥感提取方法 - Google Patents
珊瑚岛礁岸线高分sar遥感提取方法 Download PDFInfo
- Publication number
- CN105389826A CN105389826A CN201510975604.2A CN201510975604A CN105389826A CN 105389826 A CN105389826 A CN 105389826A CN 201510975604 A CN201510975604 A CN 201510975604A CN 105389826 A CN105389826 A CN 105389826A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sar remote
- sar
- sensing image
- noise reduction
- 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
- 235000014653 Carica parviflora Nutrition 0.000 title claims abstract description 35
- 241000243321 Cnidaria Species 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 52
- 238000001914 filtration Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 12
- 238000011946 reduction process Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 6
- 244000132059 Carica parviflora Species 0.000 description 5
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 239000003653 coastal water Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
珊瑚岛礁岸线高分SAR遥感提取方法,包括对获取的SAR遥感影像进行初步降噪预处理;将预处理后的SAR遥感影像进行再次降噪处理;通过降噪后的SAR遥感影像生成纹理图像,并确定分析的区域;对SAR遥感影像进行分类,并对获取的分类结果进行闭运算和分类后处理消除局部碎斑;根据纹理特征信息进行分类;利用栅矢转换方法将分类后处理的图像转为矢量数据,再通过平滑处理得到瞬时水边线;最后结果平滑处理获取珊瑚岛礁海岸线。本发明利用高分SAR遥感影像作为数据源,能够有效避免因云层、太阳辐射、极端天气等气象条件以及太阳光照条件等因素影响岸线提取的精度,为近海及远海岛礁岸线的自动提取与变化分析提供依据。
Description
技术领域
本发明涉及一种海洋水深遥感测量方法,尤其涉及一种基于遥感图像自动提岸线的珊瑚岛礁岸线高分SAR遥感提取方法。
背景技术
海岸线是海陆分界线,在我国系指多年大潮平均高潮位时的海陆分界线,海岸线位置测定是人们研究海陆相互作用、海洋地质研究、气候变化和环境保护等必须进行的一项技术活动,也是进行海洋地形图测绘、海岸带调查等工作的重要内容。SAR遥感影像中各类地物都具有相对独立的特征,主要原因是在SAR遥感影像中陆地部分植被能多次后向散射能量,礁盘部分主要为礁岩,表面平滑,只能发生单次后向散射,而微波与海面发生Bragg散射,从而使得不同地物类型在SAR遥感影像中体现出不同的纹理信息,正是根据这一特性,可以利用SAR遥感影像进行实时海岸线提取。
遥感影像是海岸线提取的重要数据源,主要包括光学影像和雷达影像两类。由于光学影像易受到云层、太阳辐射等气象条件以及太阳光照条件影响,降低了光学影像的质量,从而影响海岸线提取精度;而SAR遥感影像具有全天时、全天候观测以及穿透云层能力等特点,因此基于SAR遥感影像提取海岸线,能够较好的解决海岛礁常受到云层和天气影响处于云雾遮挡状态的问题,目前,还没有采用基于亚米级高分辨率SAR遥感影像自动提取海岸线的方法。
发明内容
本发明提供一种珊瑚岛礁岸线高分SAR遥感提取方法,用于解决现有技术中因云层等影响导致珊瑚岛礁海岸线不准确的问题,采用高分SAR遥感影像作为海岸线提取的数据源,实现精确和实时的珊瑚岛礁岸线测定。
珊瑚岛礁岸线高分SAR遥感提取方法,包括以下步骤:
步骤一:对获取的SAR遥感影像进行初步降噪预处理;
所述初步降噪预处理是利用滤波对SAR遥感影像进行滤噪处理;
步骤二:将预处理后的SAR遥感影像进行再次降噪处理,以满足岸线自动提取所需的SAR遥感影像要求;
步骤三:通过降噪后的SAR遥感影像生成纹理图像,并确定分析的区域;
步骤四:对SAR遥感影像进行分类,并对获取的分类结果进行闭运算和分类后处理消除局部碎斑;选择陆地植被、礁盘和水体的纹理特征信息进行分类;
步骤五:利用栅矢转换方法将分类后处理的图像转为矢量数据,再通过斑块面积计算、斑块融合、碎斑剔除、面转线处理、假边界剔除和平滑处理得到瞬时水边线;
步骤六:最后利用平滑处理工具,获取珊瑚岛礁海岸线。
如上所述的珊瑚岛礁岸线高分SAR遥感提取方法,所述步骤一中的滤波采用的是LEE滤波,并采用双次LEE滤波实现图像滤噪的效果。
如上所述的珊瑚岛礁岸线高分SAR遥感提取方法,所述步骤二中采用的再次降噪处理的方法为中值滤波法、低通滤波法和数字形态学滤波法。
如上所述的珊瑚岛礁岸线高分SAR遥感提取方法,所述步骤四中采用的SAR遥感影像进行分类方法为最小距离分类法。
本发明的有益效果:
本发明利用高分SAR遥感影像,综合采用频率域滤波、线性滤波核非线性滤波结合的降噪方法,基于SAR遥感影像纹理特征信息及矢量后处理技术提取珊瑚礁岸线,能够有效避免因云层、太阳辐射、极端天气等气象条件以及太阳光照条件等因素影响岸线提取的精度;可为近海及远海岛礁岸线的自动提取与变化分析提供依据,便于进行海洋地形图测绘和海岸带调查等应用。
附图说明
图1是本发明实施例的流程图;
图2是本发明实施例中SAR遥感影像经Lee滤波虑噪预处理结果图;
图3是本发明实施例中SAR遥感影像中值滤波结果图;
图4是本发明实施例中SAR遥感影像低通滤波结果图;
图5是本发明实施例中SAR遥感影像数学形态学滤波处理图;
图6a是本发明实施例中降噪SAR遥感影像图;
图6b是本发明实施例中降噪SAR遥感影像纹理图像直方图;
图7是本发明实施例中最小距离分类结果图;
图8是本发明实施例中最小监督分类图经分类后处理结果图;
图9是本发明实施例中分类后处理图经碎斑处理后图像;
图10是本发明实施例中面转线结果图;
图11是本发明实施例中提取的珊瑚岛礁岸线结果图;
图12是本发明实施例中提取的珊瑚岛礁岸线与标准岸线叠合图;
图13是本发明实施例中提取的珊瑚岛礁岸线精度验证图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例一种珊瑚岛礁岸线高分SAR遥感提取方法,以中国南海西沙群岛某处的高分SAR卫星遥感影像进行珊瑚岛礁岸线提取为例,进行详细描述,包括以下步骤:
步骤一:对获取的SAR遥感影像进行初步降噪预处理;
所述初步降噪预处理是利用滤波对SAR遥感影像进行滤噪处理,并利用两次Lee滤波对SAR遥感影像进行滤噪处理,Lee滤波是基于图像局部统计特性进行图像斑点滤波的典型方法,其原理是基于完全发育的斑点噪声模型,选择一定大小的窗口作为局部区域,计算其均值和方差,从而达到图像滤噪的效果。本实例中利用Lee滤波对SAR遥感影像进行降噪的窗口大小设定为5*5。
如图2所示,原始SAR遥感影像中大量的斑点噪声,运用两次Lee滤波消除了大量颗粒噪声,平滑了SAR遥感影像。
步骤二:将预处理后的SAR遥感影像进行再次降噪处理,满足岸线自动提取技术所需的SAR遥感影像要求。
Lee滤波后的SAR遥感影像虽消除了部分颗粒噪声,但并未达到岸线自动提取技术所需的影像质量要求,故再采用中值滤波、低通滤波和数字形态学法对SAR遥感影像进行再次降噪处理,从而消除SAR遥感影像中斑点噪声对珊瑚礁岸线自动提取的影响。
数学形态学滤波法是一种非线性滤波器,根据不同的目的可以选择不同类型、大小和形状的结构元素进行相应的形态变换,从而进行噪声消除。
函数b对函数f进行灰度膨胀可定义f⊕b,其运算模型公式如下:
f⊕b(s,t)=max{f(s-x,t-y)+b(x,y)|(s-x),(t-y)∈Df;(x,y)∈Db}(1)
式中,Df和Db分别是函数f和b的定义域,b是形态处理的结构元素。
中值滤波法的基本原理是把数字图像或数字序列中一点的一个邻域中各点值的中值代替,它是一种去除噪声的的非线性处理方法,它在去噪的同时也保护了图像的边缘,中值滤波法模型公式如下:
一组数x1,x2,x3,L,xn,把各数按值的大小顺序排列于下
xi1≤xi2≤xi3≤L≤xin(2)
y称为序列x1,x2,x3,L,xn的中值。
低通滤波法是一种频率域处理法,该方法能去除影像代表颗粒噪声的高频信号分量,该方法在去噪的同时也能平滑图像,一个理想的二维低通滤波器的传递函数模型公式如下:
式中,D0是一个规定的非负的量,叫做理想低通滤波器的截止频率。D(μ,ν)是从频率域的原点到(μ,ν)点的距离,即
各滤波方法采用的窗口大小为中值滤波法为3*3大小窗口、低通滤波法为11*11大小窗口和数学形态学滤波法为5*5大小窗口。
如图3、4、5所示,为经中值滤波、低通滤波和数学形态学滤波法对预处理的SAR遥感影像进行再降噪处理后的结果。经再噪声处理后SAR遥感影像斑点噪声明显得到改善,达到了平滑目的的同时也保证了图像中各地物的特征信息。
步骤三:通过降噪后的SAR遥感影像生成纹理图像,并确定分析的区域;
如图6a、6b所示,基于降噪SAR遥感影像,生成纹理图像,分析SAR遥感影像及各纹理图像直方图可知,降噪后的SAR遥感影像直方图具有双峰特性,均值和方差纹理图像的直方图中有两个拐点,而其他纹理图像则没有。这是由于SAR遥感影像中陆地部分植被能多次后向散射能量,而礁盘部分主要为礁岩,表面平滑,只能发生单次后向散射,而水体的散射特征又不同于陆地地物,故在纹理影像中这三类要素的纹理特征也有所不同。
步骤四:对SAR遥感影像进行分类,并对获取的分类结果进行闭运算和分类后处理消除局部碎斑;选择陆地植被、礁盘和水体的纹理特征信息进行分类;
步骤五:利用栅矢转换方法将分类后处理的图像转为矢量数据,再通过斑块面积计算、斑块融合、碎斑剔除、面转线处理、假边界剔除和平滑处理得到瞬时水边线;
如图7所示,图像中包括水、礁盘和陆地三类。基于选择的陆地植被、礁盘和水体感兴趣区域,采用监督分类中的最小距离分类法进行SAR遥感影像分类。最小距离分类法是监督分类中的一种方法,它是通过求出未知类别向量X到事先已知的各类别,如A,B,C等中心向量的距离D,然后将待分类的向量X归结为这些距离中最小的那一类的分类方法。最小距离分类法过程是:(1)确定类别数量,并提取每一类所对应的已知的样本;(2)计算每一个类别的样本所对应的特征,每一类的每一维都有特征集合,通过集合,可以计算出一个均值,即特征中心;(3)利用选取的距离准则,本文选用欧式距离对待分类的样本进行判定。
如图8所示,监督分类结果包括三类地物要素,且含有大量的细小碎斑,这将影响水陆分离的效果和精度。因此,利用对分类后处理技术对分类结果进行处理,将水和礁盘合为水这一类,并采用形态学闭运算消除部分细小碎斑。
如图9所示,图中大部分碎斑已消除。通过栅矢化处理得到陆地与海水分离的矢量图层;再通过属性字段计算器统计各斑块面积,基于面积信息选取水和陆地独立的碎斑,利用要素融合技术将碎斑进行融合及剔除。
步骤六:最后利用平滑处理工具,获取珊瑚岛礁海岸线。
如图10、图11所示,基于面线转换技术提取矢量图层内各要素轮廓线,由于得到的线图层中包括大量的非水陆边界线,包括暗礁界线、人工建筑轮廓线等,为获取最终的珊瑚礁岸线,结合遥感影像剔除多余线,最后进行平滑处理获取珊瑚岛礁岸线。
对提取的珊瑚岛礁海岸线进行精度验证:
为了验证提取珊瑚岸线的精准度,以SAR遥感影像覆盖的对应岛礁高分辨率遥感影像为数据源,采用人工交互方法提取珊瑚礁岸线作为标准岸线,并将提取的珊瑚礁岸线与标准岸线作重叠处理,并整体观察两者的差异。
如图12所示,基于高分SAR提取的赵述岛珊瑚礁岸线结果精度较高,不仅能很好地区分出陆地与礁盘,而且整体上能与标准岸线很好地叠合。
如图13所示,在标准线和基于本发明模型提取的岸线之间以10m为间距生成139个横断面,并统计提取岸线与标准线的距离偏差和均方根误差。提取的该岛珊瑚礁岸线到标准岸线的距离均值和均方根误差分别为2.93m和3.91m,图13为提取岸线精度验证示意图。
本发明利用高分SAR遥感影像作为数据源,综合采用频率域滤波、线性滤波核非线性滤波结合的降噪方法,基于SAR遥感影像纹理特征信息及矢量后处理技术提取珊瑚礁岸线,能够有效避免因云层、太阳辐射、极端天气等气象条件以及太阳光照条件等因素影响岸线提取的精度,为近海及远海岛礁岸线的自动提取与变化分析提供依据,便于进行海洋地形图测绘和海岸带调查等应用。
本发明未详尽描述的技术内容均为公知技术。
Claims (4)
1.珊瑚岛礁岸线高分SAR遥感提取方法,其特征在于,包括以下步骤:
步骤一:对获取的SAR遥感影像进行初步降噪预处理;
所述初步降噪预处理是利用滤波对SAR遥感影像进行滤噪处理
步骤二:将预处理后的SAR遥感影像进行再次降噪处理,满足岸线自动提取技术所需的SAR遥感影像要求;
步骤三:通过降噪后的SAR遥感影像生成纹理图像,并确定分析的区域;
步骤四:对SAR遥感影像进行分类,并对获取的分类结果进行闭运算和分类后处理消除局部碎斑;选择陆地植被、礁盘和水体的纹理特征信息进行分类;
步骤五:利用栅矢转换方法将分类后处理的图像转为矢量数据,再通过斑块面积计算、斑块融合、碎斑剔除、面转线处理、假边界剔除和平滑处理得到瞬时水边线;
步骤六:最后利用平滑处理工具,获取珊瑚岛礁海岸线。
2.根据权利要求1所述的珊瑚岛礁岸线高分SAR遥感提取方法,其特征在于,所述步骤一中的滤波采用的是LEE滤波,并通过双次LEE滤波实现图像滤噪的效果。
3.根据权利要求1所述的珊瑚岛礁岸线高分SAR遥感提取方法,其特征在于,所述步骤二中采用的再次降噪处理的方法为中值滤波法、低通滤波法和数字形态学滤波法。
4.根据权利要求1所述的珊瑚岛礁岸线高分SAR遥感提取方法,其特征在于,所述步骤四中采用的SAR遥感影像进行分类方法为最小距离分类法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510975604.2A CN105389826A (zh) | 2015-12-23 | 2015-12-23 | 珊瑚岛礁岸线高分sar遥感提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510975604.2A CN105389826A (zh) | 2015-12-23 | 2015-12-23 | 珊瑚岛礁岸线高分sar遥感提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105389826A true CN105389826A (zh) | 2016-03-09 |
Family
ID=55422075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510975604.2A Pending CN105389826A (zh) | 2015-12-23 | 2015-12-23 | 珊瑚岛礁岸线高分sar遥感提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389826A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256399A (zh) * | 2017-06-14 | 2017-10-17 | 大连海事大学 | 一种基于Gamma分布超像素算法和基于超像素TMF 的SAR 图像海岸线检测算法 |
CN107507193A (zh) * | 2017-08-04 | 2017-12-22 | 国家海洋环境监测中心 | 高分三号合成孔径雷达影像围填海信息自动提取方法 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN109635765A (zh) * | 2018-12-19 | 2019-04-16 | 三亚中科遥感研究所 | 一种浅海珊瑚礁遥感信息自动提取方法 |
CN110008908A (zh) * | 2019-04-10 | 2019-07-12 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于高分遥感影像的草原围栏提取方法 |
CN112861614A (zh) * | 2020-12-31 | 2021-05-28 | 中国水产科学研究院南海水产研究所 | 一种绿色能源的远程岛礁生态监测系统及方法 |
CN113298836A (zh) * | 2021-06-29 | 2021-08-24 | 天津市测绘院有限公司 | 一种顾及要素轮廓强度的遥感图像薄云去除方法及系统 |
CN113988224A (zh) * | 2021-12-01 | 2022-01-28 | 中国自然资源航空物探遥感中心 | 一种珊瑚礁底质分类模型的训练、应用方法及装置 |
CN114612379A (zh) * | 2022-01-23 | 2022-06-10 | 杭州领见数字农业科技有限公司 | 一种基于sar影像的浅滩筏架提取方法及装置 |
CN116580321A (zh) * | 2023-07-12 | 2023-08-11 | 江苏省地质调查研究院 | 一种遥感影像岸线自动识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092045A1 (en) * | 2008-10-15 | 2010-04-15 | The Boeing Company | System and method for airport mapping database automatic change detection |
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
US20110101239A1 (en) * | 2008-05-08 | 2011-05-05 | Iain Woodhouse | Remote sensing system |
CN102496185A (zh) * | 2011-12-14 | 2012-06-13 | 南京大学 | 基于多分辨率遥感影像离散点融合的dem构建方法 |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
-
2015
- 2015-12-23 CN CN201510975604.2A patent/CN105389826A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110101239A1 (en) * | 2008-05-08 | 2011-05-05 | Iain Woodhouse | Remote sensing system |
US20100092045A1 (en) * | 2008-10-15 | 2010-04-15 | The Boeing Company | System and method for airport mapping database automatic change detection |
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN102496185A (zh) * | 2011-12-14 | 2012-06-13 | 南京大学 | 基于多分辨率遥感影像离散点融合的dem构建方法 |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
Non-Patent Citations (3)
Title |
---|
余俊杰: "基于纹理的遥感图像分类算法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
巢子豪 等: "基于遥感和GIS的海州湾海岸线提取方法研究", 《淮海工学院学报(自然科学版)》 * |
马小峰 等: "海岸线卫星遥感提取方法研究进展", 《遥感技术与应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256399B (zh) * | 2017-06-14 | 2021-01-15 | 大连海事大学 | 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法 |
CN107256399A (zh) * | 2017-06-14 | 2017-10-17 | 大连海事大学 | 一种基于Gamma分布超像素算法和基于超像素TMF 的SAR 图像海岸线检测算法 |
CN107507193A (zh) * | 2017-08-04 | 2017-12-22 | 国家海洋环境监测中心 | 高分三号合成孔径雷达影像围填海信息自动提取方法 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN109190538B (zh) * | 2018-08-24 | 2021-06-08 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN109635765B (zh) * | 2018-12-19 | 2023-08-29 | 海南空天信息研究院 | 一种浅海珊瑚礁遥感信息自动提取方法 |
CN109635765A (zh) * | 2018-12-19 | 2019-04-16 | 三亚中科遥感研究所 | 一种浅海珊瑚礁遥感信息自动提取方法 |
CN110008908A (zh) * | 2019-04-10 | 2019-07-12 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于高分遥感影像的草原围栏提取方法 |
CN112861614A (zh) * | 2020-12-31 | 2021-05-28 | 中国水产科学研究院南海水产研究所 | 一种绿色能源的远程岛礁生态监测系统及方法 |
CN112861614B (zh) * | 2020-12-31 | 2024-01-12 | 中国水产科学研究院南海水产研究所 | 一种绿色能源的远程岛礁生态监测系统及方法 |
CN113298836A (zh) * | 2021-06-29 | 2021-08-24 | 天津市测绘院有限公司 | 一种顾及要素轮廓强度的遥感图像薄云去除方法及系统 |
CN113988224A (zh) * | 2021-12-01 | 2022-01-28 | 中国自然资源航空物探遥感中心 | 一种珊瑚礁底质分类模型的训练、应用方法及装置 |
CN114612379A (zh) * | 2022-01-23 | 2022-06-10 | 杭州领见数字农业科技有限公司 | 一种基于sar影像的浅滩筏架提取方法及装置 |
CN116580321A (zh) * | 2023-07-12 | 2023-08-11 | 江苏省地质调查研究院 | 一种遥感影像岸线自动识别方法 |
CN116580321B (zh) * | 2023-07-12 | 2023-09-08 | 江苏省地质调查研究院 | 一种遥感影像岸线自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389826A (zh) | 珊瑚岛礁岸线高分sar遥感提取方法 | |
CN102054274B (zh) | 一种海岸带水体遥感信息全自动提取方法 | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN110378308A (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN102830404B (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
CN105528585B (zh) | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 | |
CN105427301B (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN110097101A (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN101493935A (zh) | 基于剪切波隐马尔可夫模型的合成孔径雷达图像分割方法 | |
CN105469393A (zh) | 基于决策融合的浅海水深多时相遥感影像反演方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN108537116B (zh) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 | |
Demir et al. | Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN104573662B (zh) | 一种云判方法和系统 | |
CN106447686A (zh) | 一种基于快速有限剪切波变换的图像边缘检测方法 | |
Wang et al. | IDUDL: Incremental double unsupervised deep learning model for marine aquaculture SAR images segmentation | |
CN109543589B (zh) | 基于初相-多普勒不变距离和knn的海陆场景分割方法 | |
Zaletnyik et al. | LIDAR waveform classification using self-organizing map |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |
Application publication date: 20160309 |
|
WD01 | Invention patent application deemed withdrawn after publication |