CN105405148A - 一种结合树木阴影特征的遥感影像毛白杨识别方法 - Google Patents
一种结合树木阴影特征的遥感影像毛白杨识别方法 Download PDFInfo
- Publication number
- CN105405148A CN105405148A CN201510791686.5A CN201510791686A CN105405148A CN 105405148 A CN105405148 A CN 105405148A CN 201510791686 A CN201510791686 A CN 201510791686A CN 105405148 A CN105405148 A CN 105405148A
- Authority
- CN
- China
- Prior art keywords
- chinese white
- white poplar
- shadow
- result
- patch
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合树木阴影特征的遥感影像毛白杨识别方法,步骤如下:步骤1)对研究区遥感影像进行多尺度分割,形成分割结果图;步骤2)基于所述分割结果图中每个对象的光谱及纹理特征进行毛白杨初步识别,形成毛白杨初步识别结果图;步骤3)基于所述分割结果图中每个对象的光谱特征进行阴影提取,形成阴影提取结果图;步骤4)从所述阴影提取结果图中选取所述毛白杨初步识别结果图中各毛白杨斑块所对应的阴影,并估算其阴影长度;步骤5)基于所述阴影长度进行树木高度的估算,作为度量各毛白杨斑块平均树高的参考值;步骤6)基于所述毛白杨斑块平均树高信息,对所述毛白杨初步识别结果进行修正,形成毛白杨精确识别结果图。
Description
技术领域
本发明是一项对地观测领域的技术,针对高分辨率多光谱遥感影像光谱及纹理特征识别树种信息存在精度低、难度大的问题,本发明能够有效修正树种识别结果,大幅提高识别精度,是一项具有研究及应用价值的空间分析技术。
背景技术
树木在生态系统中扮演着重要的角色,具有涵养水源、保持水土、净化空气、卫生保健、美化环境等功能,对于保护自然界生态平衡具有非常重要的作用。
传统的森林监测及城市树种精细调查主要通过基层单位实地抽样调查完成,存在投入的资金和人力大、完成的时间周期长、条件恶劣区作业困难、数据精度低、缺乏空间统计分析功能等问题。
航天遥感是一项综合性探测技术,随着其分辨率不断提高,高分辨率多光谱遥感技术在森林类型解译、蓄积测定、健康评价等方面得到越来越广阔应用,通过遥感技术快速提取树木信息、识别树种对城市树种调查、配置、管理及森林生态系统监测具有重要意义。
目前,用于树种精细识别的商用卫星遥感空间分辨率可达0.4m(Worldview-3),完全能分辨树丛甚至单颗树木,但是要准确分辨具体的树种还存在较大的难度。在树种识别方法方面,相对于传统的基于像元的处理方法而言,随着高空间分辨率遥感影像的出现,面向对象方法受到越来越广的应用。研究表明,面向对象方法能够通过具体的实体对象来分析地物的特征,更接近提取信息的思维逻辑,能够极大地提高高分辨率影像的信息提取精度。Le
Wang等用面向对象分类技术识别不同的红树林树种,并和传统的GLCM纹理特征比较,得到了更高的精度;Su等把对象的光谱和GLCM纹理信息结合起来,对复杂城市区域进行实验,结果表明纹理和光谱信息结合能够有效改善面向对象分类的效果。
以上方法都是针对对象的光谱及纹理特征进行树种的识别和提取,然而不同种类的树木可能存在光谱及纹理特征相似的情况,给树种的识别和提取带来很大困难。阴影常被视为遥感影像地物识别的干扰信息,然而,从另一个角度,阴影包含着物体的三维信息,通过阴影特征分析可以反映不同地物的高度差异。因此,根据生态系统群落特征,结合各树种阴影差异来辅助遥感影像光谱、纹理特征进行树种高精度识别具有重大的研究价值和推广空间。
毛白杨是城乡绿化、速生用材以及防护林的优质树种,其品种适应性强、枝叶茂密,广泛分布于我国以黄河流域中下游为中心的十多个省。毛白杨高可达30米,在植被生态系统群落中往往处于顶层,在高分辨率多光谱遥感影像上可体现出比其它树种更明显的阴影特征。基于此特征,本发明试图建立一种结合树木阴影特征的遥感影像毛白杨识别方法。该方法通过引入树木的阴影特征,可有效弥补遥感影像光谱及纹理特征相似的树种难以区别的技术难题,大幅度修正毛白杨识别结果,对处于生态系统上游的高大树种识别具有重大的借鉴意义。
发明内容
本发明提出一种结合树木阴影特征的遥感影像毛白杨识别方法,通过将树木阴影特征作为树种识别的辅助特征,有效解决了遥感影像光谱及纹理特征识别树种的技术难题,有益于研究、应用和进一步推广。该度量方法包括如下步骤:
步骤1)对研究区遥感影像进行多尺度分割,形成分割结果图;步骤2)基于所述分割结果图中每个对象的光谱及纹理特征进行毛白杨初步识别,形成毛白杨初步识别结果图;步骤3)基于所述分割结果图中每个对象的光谱特征进行阴影提取,形成阴影提取结果图;步骤4)从所述阴影提取结果图中选取所述毛白杨初步识别结果图中各毛白杨斑块所对应的阴影,并估算其阴影长度;步骤5)基于所述阴影长度进行树木高度的估算,作为度量各毛白杨斑块平均树高的参考值;步骤6)基于所述毛白杨斑块平均树高信息,对所述毛白杨初步识别结果进行修正,形成毛白杨精确识别结果图。
进一步地,所述步骤1)中研究区遥感影像分割的方法如下:采用多尺度分割算法,确定最大分割尺度130,尺度数3,尺度间隔0.6,将遥感影像分割成高度同质性的分割对象,形成分割结果图。
进一步地,所述步骤2)中毛白杨初步识别方法如下:利用步骤1)中形成的分割结果图中每个对象的光谱特征亮度Brightness及纹理特征灰度共生矩阵同质性GLCM-HOMO,采用多参数阈值法,即使用如下计算公式(α≤Brightness≤β)and(γ≤GLCM-HOMO≤δ),形成毛白杨初步识别结果图,其中,α、β为Brightness的阈值,γ、δ为GLCM-HOMO的阈值。
进一步地,所述步骤3)中阴影提取方法如下:利用步骤1)中形成的分割结果图中每个对象的光谱特征亮度Brightness,采用参数阈值法,即使用如下计算公式Brightness≤ε,形成阴影提取结果图,其中,ε为Brightness进行阴影提取的阈值。
进一步地,所述步骤4)中毛白杨斑块阴影长度的估算方法如下:以步骤2)中毛白杨初步识别结果图各毛白杨斑块为基础,从步骤3)阴影提取结果图中选取各毛白杨斑块所对应的阴影,形成毛白杨及其阴影提取结果图,沿着树木阴影方向在遥感影像上绘制一系列平行直线,在阴影边界与平行直线的交点处对平行直线进行打断,求取每个阴影内所有平行线段长度均值作为相应毛白杨斑块的阴影长度。
进一步地,所述步骤5)中毛白杨斑块平均树高的估算方法如下:基于各毛白杨斑块的阴影长度,根据遥感影像成像时刻的太阳高度角进行树高Height估算,即使用如下计算公式Height=(Length+r)∙tanθ,得到各毛白杨斑块平均树高信息,其中,Length为阴影长度,θ为太阳高度角,r为毛白杨冠幅平均半径。
进一步地,所述步骤6)中毛白杨精确识别方法如下:根据步骤5)中所述的毛白杨斑块的高度特征,对所述的步骤2)中毛白杨初步识别结果进行修正,采用阈值法,即使用如下计算公式Height≥σ,剔除初步识别结果图中树高小于σ的对象,形成毛白杨精确识别结果图,其中,σ为毛白杨精确识别的高度阈值。
附图说明
图1为分割结果图;
图2为毛白杨初步识别结果图;
图3为阴影提取结果图;
图4为毛白杨及其阴影提取结果图;
图5为辅助阴影长度计算的平行线段分布图;
图6为阴影长度计算结果图;
图7为树高、阴影长度、树冠幅半径及太阳高度角关系图;
图8为毛白杨斑块平均树高计算结果图;
图9为毛白杨精确识别结果图;
图10为误剔除毛白杨斑块位置图。
具体实施方式
下面结合附图对本发明“一种结合树木阴影特征的遥感影像毛白杨识别方法”作进一步说明。
本发明试图引入树木的阴影特征来辅助高分辨率多光谱遥感影像光谱和纹理特征进行毛白杨精细识别,大幅度提高了毛白杨的识别精度,为高分辨率多光谱遥感影像树种识别和提取提供参考。
1)研究区遥感影像分割
研究区位于奥林匹克森林公园,覆盖0.72km×0.48km区域范围,研究区分布着多个毛白杨林地斑块,各斑块内毛白杨分布密集,数量从数颗到上百颗不等,平均树高15m以上。除毛白杨外,研究区分布着柏树、松树、白蜡、柳树、天目琼花、鞑靼忍冬、郁香忍冬等多种其它植被景观,高度由1m至10m不等。各毛白杨斑块与其它树木交相辉映,形成高低错落有致的生态系统群落。在0.4m高空间分辨率Worldview-3标准假彩色遥感影像上,毛白杨斑块色调暗红、纹理略粗。
根据研究区毛白杨影像特征,采用多尺度分割算法进行遥感影像面向对象分割。多尺度分割算法是较为常用的一种分割方法,能够生成高度同质性的影像分割区域,从而以最佳的尺度分离和表示地物目标。在某指定的尺度下分割时,通过合并相邻的像素或小的分割对象,在保证对象内部像元之间同质性最大的前提下,基于区域合并技术实现影像分割。
将最大分割尺度设为130,尺度数设为3,尺度间隔设为0.6,即最大尺度、中间尺度和最小尺度分别为130、130×0.6=78、78×0.6=47,分割中颜色因子占的比例设为0.7,分割中形状因子中平滑度因子所占的比例设为0.5,将研究区遥感影像分割成高度同质性的影像分割单元,将每个分割单元作为一个对象。
图1为分割结果图,分割结果表明,分割尺度适中,未造成地物景观过度破碎,且各对象内部树木种类均一,为毛白杨精细识别奠定了良好基础。
2)毛白杨初步识别
本发明充分综合毛白杨的光谱特征亮度Brightness及纹理特征灰度共生矩阵同质性GLCM-HOMO,采用多参数阈值法进行面向对象毛白杨初步识别。
亮度是最基本的光谱特征,反映了各波段像元亮度的平均值。
纹理特征是细小物体在影像上大量重复出现所形成的规律和特征,它是大量个体的大小、形状、阴影和色彩的综合反映,它描述像元亮度的空间变化特性。灰度共生矩阵(GLCM)是广泛使用的纹理特征提取方法,其基本原理是计算局域范围内像元灰度级共同出现的频率,不同的空间关系和纹理会产生不同的共生矩阵,以此来区分不同的纹理和结构特性。同质性是灰度共生矩阵常用的统计测度方法,是影像纹理相似性的度量,其值越高代表局部区域缺乏变化,具有较小的灰度差异。遥感影像上道路、草地、屋顶的特征值较大,而树木、小路、阴影的特征值较小。
对每个分割对象进行光谱特征亮度Brightness及纹理特征灰度共生矩阵同质性GLCM-HOMO的计算。
采用多参数阈值法,即Brightness、GLCM-HOMO分别取阈值,取二者的交集(见公式1),完成毛白杨的初步识别。
(α≤Brightness≤β)and(γ≤GLCM-HOMO≤δ)(1)
其中,α、β为Brightness的阈值,γ、δ为GLCM-HOMO的阈值。
在确保识别结果中最大程度涵盖毛白杨信息的前提下,主要根据毛白杨在影像上体现的亮度和同质性特征来进行阈值选则,在标准假彩色遥感影像上,毛白杨斑块色调暗红、纹理略粗,与其它大部分树种相比,毛白杨斑块亮度较低、同质性较小。取Brightness阈值为α=228、β=279,GLCM-HOMO阈值为γ=40、δ=64,形成毛白杨初步识别结果图(图2),初步识别结果图中几乎涵盖了研究区所有的毛白杨,同时包含了少量与毛白杨光谱及纹理特征无法区分的其它树种,需要通过阴影特征进一步加以剔除。
3)阴影提取
采用参数阈值法进行研究区面向对象阴影提取。采用的参数为光谱特征亮度Brightness,即Brightness取阈值(见公式2),完成阴影提取。
Brightness≤ε(2)
其中,ε为Brightness进行阴影提取的阈值。
在确保提取结果中最大程度涵盖阴影信息的前提下,主要根据阴影在影像上体现的亮度特征来进行阈值选则,在标准假彩色遥感影像上,阴影亮度最暗,颜色近黑色。图3为阴影提取结果图,其中Brightness阈值为ε=217。阴影提取结果图中几乎涵盖了研究区所有的阴影信息,同时包含了部分亮度特征与阴影近似的非阴影信息,如水体、建筑物等。
4)毛白杨斑块阴影长度估算
地物的阴影长度与太阳高度角有关,太阳高度角越小,阴影越长。遥感影像上的树木阴影形状受太阳高度角、方位角、卫星高度角、方位角以及地面坡度的影响。当卫星与太阳位于树木同侧时,如果卫星高度角过小,将只能获取部分阴影信息,当卫星高度角小于太阳高度角时,太阳方位及卫星方位间的夹角也对阴影存在影响。地表起伏对阴影的形状和大小也有影响,同样高度的地物在太阳高度角相同的情况下,不同倾斜地段上阴影大小是不同的。
本研究区所用遥感影像成像时刻太阳高度角53.38°,卫星高度角接近90°,卫星几乎可以拍摄到树木阴影的全部,遥感影像上体现了丰富的阴影特征。研究区地势平坦,假设地面坡度为零,忽略地表起伏对阴影的影响。在此基础上进行毛白杨斑块阴影长度的估算。
首先,以毛白杨初步识别结果图各毛白杨斑块为基础,从阴影提取结果图中选取各毛白杨斑块所对应的阴影,并对毛白杨及阴影对象进行必要的操作,包含阴影矢量的合并、打断及毛白杨斑块必要的合并处理等,形成毛白杨及其阴影提取结果图(图4)。
其次,明确阴影方向。阴影方向即太阳光线的方向,可根据太阳方位角确定。本研究区遥感影像拍摄时刻太阳方位角为146.91°,即阴影方向为北偏西33.09°。
再次,沿着阴影方向在影像上按3m间隔绘制一系列平行直线,平行直线覆盖毛白杨及其阴影提取结果图中所有阴影对象。在阴影对象边界与平行直线的交点处对平行直线进行打断处理,只保留阴影内线段,形成辅助阴影长度计算的平行线段分布图(图5)。
最后,求取每个阴影对象内所有平行线段长度均值作为相应的毛白杨斑块的阴影长度特征,得到阴影长度计算结果图(图6)。
5)毛白杨斑块平均树高估算
以各毛白杨斑块的阴影长度为基础,进行各斑块平均树高的估算,无阴影的斑块不做处理。
在卫星高度角近似90°,研究区比较平坦的前提下,遥感影像上阴影长度与树高、树冠幅半径以及成像时刻太阳高度角的关系如图7所示,即树冠幅会对树阴影造成部分遮挡,树冠幅半径与遥感影像上阴影长度之和才代表树木阴影的实际长度。根据成像时刻的太阳高度角、阴影长度以及树冠幅半径进行树高Height估算(见公式3)。
Height=(Length+r)∙tanθ(3)
其中,Length为阴影长度,θ为太阳高度角,r为毛白杨冠幅平均半径。
本研究区遥感影像成像时刻太阳高度角θ为53.38°,阴影长度Length采用步骤4中阴影长度计算结果,经实地考察,毛白杨冠幅平均半径r取1.5m,完成树高估算,图8为毛白杨高度计算结果图(单位:米),结果图反映了不同毛白杨斑块阴影边缘位置树木平均高度的不同,将此值作为度量各毛白杨斑块平均树高的参考值。
6)毛白杨精确识别
针对毛白杨初步识别结果图中混入的其它树种信息,根据研究区毛白杨显著高于其它树种的特性,借助毛白杨斑块平均树高来进行初步识别结果的修正,有效剔除非毛白杨信息。
研究区毛白杨初步识别结果中各毛白杨斑块存在以下2种情况:
第一种情况,毛白杨斑块不存在阴影。此种情况表明该斑块树木高度与临近斑块树木高度近似或小于临近斑块树木高度。根据研究区毛白杨处于生态景观最顶层的特征,可判定此部分毛白杨斑块实际为初步识别中的误判信息,可直接作剔除处理;
第二种情况,毛白杨斑块存在阴影。可以根据参数阈值法通过设定阈值来剔除非毛白杨信息,即高度Height取阈值(见公式4),剔除高度低于设定阈值的非毛白杨斑块。
Height≥σ(4)
其中,σ为毛白杨精确识别的高度阈值。
根据毛白杨斑块平均树高估算结果,取σ值为13,形成毛白杨精确识别结果图(图9)。精确识别结果有效剔除了初步识别结果中的所有非毛白杨斑块,实现了毛白杨信息的高精度识别,识别精度达93%(共14个毛白杨斑块,识别出13个)。被误剔除的毛白杨斑块(图10中浅色斑块)平均树高为9.9m,因其高度低于所设阈值而被剔除,究其原因,主要是因为该毛白杨斑块的阴影不是投射到地面上,而是投射到了邻接其它树木上,即该斑块阴影特征反映的是毛白杨与邻接树木的高度差。由此可见,本专利适用于阴影投射到地面的林缘毛白杨斑块的精确识别,对于阴影投射到邻接其它树木的林中毛白杨斑块,可在具体操作过程中,因地制宜地设置树种间相对高度阈值从而避免毛白杨斑块的误剔除。
Claims (7)
1.一种结合树木阴影特征的遥感影像毛白杨识别方法,该识别方法包括如下步骤:
步骤1)对研究区遥感影像进行多尺度分割,形成分割结果图;
步骤2)基于所述分割结果图中每个对象的光谱及纹理特征进行毛白杨初步识别,形成毛白杨初步识别结果图;
步骤3)基于所述分割结果图中每个对象的光谱特征进行阴影提取,形成阴影提取结果图;
步骤4)从所述阴影提取结果图中选取所述毛白杨初步识别结果图中各毛白杨斑块所对应的阴影,并估算其阴影长度;
步骤5)基于所述阴影长度进行树木高度的估算,作为度量各毛白杨斑块平均树高的参考值;
步骤6)基于所述毛白杨斑块平均树高信息,对所述毛白杨初步识别结果进行修正,形成毛白杨精确识别结果图。
2.如权利要求1所述的度量方法,其特征在于,所述步骤1)中研究区遥感影像分割的方法如下:采用多尺度分割算法,确定最大分割尺度130,尺度数3,尺度间隔0.6,将遥感影像分割成高度同质性的分割对象,形成分割结果图。
3.如权利要求1所述的度量方法,其特征在于,所述步骤2)中毛白杨初步识别方法如下:利用步骤1)中形成的分割结果图中每个对象的光谱特征亮度Brightness及纹理特征灰度共生矩阵同质性GLCM-HOMO,采用多参数阈值法,即使用如下计算公式(α≤Brightness≤β)and(γ≤GLCM-HOMO≤δ),形成毛白杨初步识别结果图,其中,α、β为Brightness的阈值,γ、δ为GLCM-HOMO的阈值。
4.如权利要求1所述的度量方法,其特征在于,所述步骤3)中阴影提取方法如下:利用步骤1)中形成的分割结果图中每个对象的光谱特征亮度Brightness,采用参数阈值法,即使用如下计算公式Brightness≤ε,形成阴影提取结果图,其中,ε为Brightness进行阴影提取的阈值。
5.如权利要求1所述的度量方法,其特征在于,所述步骤4)中毛白杨斑块阴影长度的估算方法如下:以步骤2)中毛白杨初步识别结果图各毛白杨斑块为基础,从步骤3)阴影提取结果图中选取各毛白杨斑块所对应的阴影,形成毛白杨及其阴影提取结果图,沿着树木阴影方向在遥感影像上绘制一系列平行直线,在阴影边界与平行直线的交点处对平行直线进行打断,求取每个阴影内所有平行线段长度均值作为相应毛白杨斑块的阴影长度。
6.如权利要求1所述的度量方法,其特征在于,所述步骤5)中毛白杨斑块平均树高的估算方法如下:基于各毛白杨斑块的阴影长度,根据遥感影像成像时刻的太阳高度角进行树高Height估算,即使用如下计算公式Height=(Length+r)∙tanθ,得到各毛白杨斑块平均树高信息,其中,Length为阴影长度,θ为太阳高度角,r为毛白杨冠幅平均半径。
7.如权利要求1所述的度量方法,其特征在于,所述步骤6)中毛白杨精确识别方法如下:根据步骤5)中所述的毛白杨斑块的高度特征,对所述的步骤2)中毛白杨初步识别结果进行修正,采用阈值法,即使用如下计算公式Height≥σ,剔除初步识别结果图中树高小于σ的对象,形成毛白杨精确识别结果图,其中,σ为毛白杨精确识别的高度阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510791686.5A CN105405148B (zh) | 2015-11-17 | 2015-11-17 | 一种结合树木阴影特征的遥感影像毛白杨识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510791686.5A CN105405148B (zh) | 2015-11-17 | 2015-11-17 | 一种结合树木阴影特征的遥感影像毛白杨识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405148A true CN105405148A (zh) | 2016-03-16 |
CN105405148B CN105405148B (zh) | 2017-11-14 |
Family
ID=55470615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510791686.5A Active CN105405148B (zh) | 2015-11-17 | 2015-11-17 | 一种结合树木阴影特征的遥感影像毛白杨识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105405148B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491566A (zh) * | 2016-06-12 | 2017-12-19 | 中国科学院城市环境研究所 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
CN108053416A (zh) * | 2017-12-14 | 2018-05-18 | 北京市遥感信息研究所 | 一种基于单幅卫星图像的最大储油量提取系统 |
CN108458978A (zh) * | 2018-03-13 | 2018-08-28 | 山东农业大学 | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 |
CN109993046A (zh) * | 2018-06-29 | 2019-07-09 | 长城汽车股份有限公司 | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 |
CN111310681A (zh) * | 2020-02-24 | 2020-06-19 | 中国科学院地理科学与资源研究所 | 一种融入地学知识的红树林分布遥感提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024258A (zh) * | 2010-12-15 | 2011-04-20 | 中国科学院遥感应用研究所 | 具有边界保持特性的遥感图像多尺度分割方法 |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
US20140140581A1 (en) * | 2012-11-07 | 2014-05-22 | Jerry Dieruf | Methods and systems for providing remote plant identification by unique biological characteristics |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
-
2015
- 2015-11-17 CN CN201510791686.5A patent/CN105405148B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024258A (zh) * | 2010-12-15 | 2011-04-20 | 中国科学院遥感应用研究所 | 具有边界保持特性的遥感图像多尺度分割方法 |
US20140140581A1 (en) * | 2012-11-07 | 2014-05-22 | Jerry Dieruf | Methods and systems for providing remote plant identification by unique biological characteristics |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
Non-Patent Citations (4)
Title |
---|
KONGWEN ZHANG ET AL: "Individual Urban Tree Species Classification Using Very High Spatial Resolution Airborne Multi-Spectral Imagery Using Longitudinal Profiles", 《REMOTE SENSING》 * |
何诗静 等: "高光谱遥感在树木识别方面的应用与研究概述", 《林业科学》 * |
周艳飞 等: "基于高分辨遥感数据的胡杨与柽柳树冠提取", 《遥感技术与应用》 * |
岳俊 等: "基于光谱与纹理特征的南疆盆地果树树种遥感识别研究", 《新疆农业大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491566A (zh) * | 2016-06-12 | 2017-12-19 | 中国科学院城市环境研究所 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
CN107491566B (zh) * | 2016-06-12 | 2020-08-07 | 中国科学院城市环境研究所 | 一种定量化研究城市森林对pm2.5净化作用的方法 |
CN108053416A (zh) * | 2017-12-14 | 2018-05-18 | 北京市遥感信息研究所 | 一种基于单幅卫星图像的最大储油量提取系统 |
CN108053416B (zh) * | 2017-12-14 | 2020-06-02 | 北京市遥感信息研究所 | 一种基于单幅卫星图像的最大储油量提取系统 |
CN108458978A (zh) * | 2018-03-13 | 2018-08-28 | 山东农业大学 | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 |
CN109993046A (zh) * | 2018-06-29 | 2019-07-09 | 长城汽车股份有限公司 | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 |
CN109993046B (zh) * | 2018-06-29 | 2021-04-09 | 长城汽车股份有限公司 | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 |
CN111310681A (zh) * | 2020-02-24 | 2020-06-19 | 中国科学院地理科学与资源研究所 | 一种融入地学知识的红树林分布遥感提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105405148B (zh) | 2017-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103824077B (zh) | 一种基于多源遥感数据的城市不透水层率息提取方法 | |
CN105405148A (zh) | 一种结合树木阴影特征的遥感影像毛白杨识别方法 | |
CN110288647B (zh) | 一种基于高分辨率卫星数据监测灌区灌溉面积方法 | |
CN106023133B (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN108592888B (zh) | 一种居民地提取方法 | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
CN106778629B (zh) | 大棚识别方法及装置 | |
CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN107564016B (zh) | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN108805924A (zh) | 一种百合花采摘点定位方法及系统 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN114627380A (zh) | 一种基于光学影像与sar时序数据融合的水稻识别方法 | |
CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
CN115661634A (zh) | 城市生态网络空间要素精准识别方法 | |
CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
CN104573662B (zh) | 一种云判方法和系统 | |
CN106650749B (zh) | 一种高分辨率光学影像中直角建筑物的标绘方法 | |
Zhang et al. | A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China |
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 |