CN105513041A - 一种大幅面遥感图像海陆分割的方法及系统 - Google Patents
一种大幅面遥感图像海陆分割的方法及系统 Download PDFInfo
- Publication number
- CN105513041A CN105513041A CN201510712624.0A CN201510712624A CN105513041A CN 105513041 A CN105513041 A CN 105513041A CN 201510712624 A CN201510712624 A CN 201510712624A CN 105513041 A CN105513041 A CN 105513041A
- Authority
- CN
- China
- Prior art keywords
- land
- extra large
- remote sensing
- block
- longitude
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 51
- 238000009826 distribution Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 36
- 238000005315 distribution function Methods 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 15
- 238000012856 packing Methods 0.000 claims description 4
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010169 landfilling Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 13
- 239000000284 extract Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 239000003653 coastal water Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 1
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 1
- 101100021570 Caenorhabditis elegans lon-3 gene Proteins 0.000 description 1
- 101150061388 LON1 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 101150004293 lon2 gene Proteins 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于遥感图像处理技术领域,提供了一种大幅面遥感图像海陆分割的方法,步骤包括:步骤A,对所述遥感图像进行海陆填充,获取海陆粗分割结果图;步骤B,结合所述海陆粗分割结果图对所述遥感图像进行分块提取,获取海陆精细分割结果图;步骤C,将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合,获取海陆分割结果图。本发明实现了一种自动的大幅面遥感图像的海陆分割方法,较好地解决了现有的海陆分割技术中,在近岸、近海多岛屿区域、地貌特征复杂的陆海区域等复杂背景下的海陆分割精度较低、分割效果几乎失效的问题。
Description
技术领域
本发明属于遥感图像处理技术领域,尤其涉及一种大幅面遥感图像海陆分割的方法及系统。
背景技术
近年来,基于遥感图像的海上目标检测、识别越来越引起研究人员的关注。然而,大量的研究结果表明,针对遥感图像的海洋目标检测算法在遥感图像中包含有陆地区域或海岛区域的情况下,直接检测的结果总是在较低的检测概率和较高的虚警概率内进行波动。为了让海洋目标检测算法仅仅作用于海洋遥感区域,进而提高算法检测率,降低虚警、漏检,必须在对海洋目标进行检测前对大幅面遥感图像进行陆地、海岛区域屏蔽或移除,此即为对遥感图像进行海陆分割处理的目的。
现有技术提出的针对光学遥感图像进行海陆分割的方法主要有以下几种:
一、利用人工手动标注的方式实现对光学遥感图像的海陆分离。该方法十分耗时,计算效率低,不能满足大数据量的应用需求。
二、利用基于阈值分割的海陆分割方法。基于阈值分割方法主要有OTSU阈值法、基于最大熵等方法。这类分割方法一般会根据图像的直方图分布选取阈值对图像进行分割,阈值选取的好坏直接决定了海陆分割的效果。对于图像的直方图呈现双峰分布或近似双峰分布的理想情况,阈值选取较为简单,但当图像灰度分布较为复杂,如近海区域灰度接近或低于海洋区域灰度时,不容易自动选取阈值,因此该类算法有一定局限性。
三、利用基于纹理的方法,特别是将纹理特征与其他特征融合在一起进行海陆分割的方法。例如,将灰度图像和纹理特征图融合后进行海陆分离;将灰度图像与LBP特征图融合后利用阈值来实现海陆分离等。这类海陆分离方法一般对局部遥感图像的海陆分割效果较佳,但当图像背景复杂时,或将这类方法应用至大幅面遥感图像时,这类方法的分割效果有待改进。
四、利用简单统计模型的海陆分割方法。例如,利用贝叶斯统计模型的海陆分割方法,以及利用阈值分割和高斯统计模型相结合的海陆分割方法。但经调研发现,上述算法在应用过程中都需人工手动辅助,操作较为繁琐;另外,这类算法也不适合直接应用于大幅面遥感图像中。
上述这几类传统的海陆分割算法一般应用在小尺度范围内对遥感图像进行海陆分割,而对于大幅面遥感图像特别是背景复杂的遥感图像,这些算法的分割结果较差,这在近岸、近海多岛屿区域以及有云雾背景下的海洋区域表现的尤为明显。
综上所述,现有技术提出的针对光学遥感图像进行海陆分离的方法存在局部有效、分割精度低的问题。
发明内容
本发明所要解决的技术问题在于提供一种大幅面遥感图像海陆分割的方法及系统,旨在解决现有技术提出的针对光学遥感图像进行海陆分离的方法存在局部有效、分割精度低的问题。
本发明是这样实现的,一种大幅面遥感图像海陆分割的方法,步骤包括:
步骤A,对所述遥感图像进行海陆填充,获取海陆粗分割结果图;
步骤B,结合所述海陆粗分割结果图对所述遥感图像进行分块提取,获取海陆精细分割结果图;
步骤C,将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合,获取海陆分割结果图。
本发明与现有技术相比,有益效果在于:本发明实现了一种自动的大幅面遥感图像的海陆分割方法,较好地解决了现有的海陆分割技术中,在近岸、近海多岛屿区域、地貌特征复杂的陆海区域等复杂背景下的海陆分割精度较低、分割效果几乎失效的问题。本发明可以有效处理复杂背景情形下的大幅面遥感图像的海陆分割问题,分割结果更为精准,对基于海陆分离的相关技术研究如海洋目标检测影响较小,适用于对遥感图像进行批量处理,实用性更强。
附图说明
图1是本发明实施例提供的一种大幅面遥感图像海陆分割的方法的流程图,
图2是本发明实施例提供的大幅面遥感图像的海陆分割方法的具体流程图;
图3a是本发明实施例中为粗分割步骤中的遥感图像添加海岸线的流程图;
图3b是本发明实施例中需用到的一卫星遥感多光谱原始示例图;
图3c是本发明实施例中,在遥感示例图中添加海岸线后的结果图;
图4a是本发明中粗分割步骤中的遥感图像海陆填充流程图;
图4b是本发明实施例中,遥感示例图中海陆粗分割后的结果图;
图4c是本发明实施例中得到的局部海陆粗分割结果图;
图5是本发明实施例中海陆精细分割步骤中的自动提取训练集子图像和测试集子图像流程图;
图6是本发明实施例中获取位于有效遥感影像区域的海陆粗分割结果实例图;
图7是本发明实施例中从原始遥感图像中分别提取全陆地区域、全海洋区域、以及需进行精细海陆分割处理的海岸线附近区域和海岛区域流程图;
图8是本发明实施例中自动提取相关区域子块的结果示例图;
图9a是图10中提取的部分全陆地训练集子图像;
图9b是图10中提取的部分全海洋训练集子图像;
图10a是本发明实施例中全陆地区域训练集对应的特征集的概率密度曲线;
图10b是本发明实施例中全海洋区域训练集对应的特征集的概率密度区曲线;
图11a是本发明实施例中全陆地训练集特征概率分布评估结果;
图11b是本发明实施例中全海洋训练集特征概率分布评估结果;
图12是本发明实施例中对测试集海陆精细分割结果进行形态学处理步骤流程图;
图13是本发明实施例中对所述海陆粗分割结果图与所述海陆精细分割结果图进行融合的流程图;
图14为本发明实施例提供的一种大幅面遥感图像海陆分割的系统的结构示意图。
图15为本发明实施例提供的一种大幅面遥感图像海陆分割的系统的详细结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了解决现有技术存在的问题,本发明提出的大幅面遥感图像的海陆分割方法主要包括基于地理信息的遥感图像海陆粗分割和基于统计学习的海陆精细分割两个部分。该方法首先利用遥感图像的经纬度信息,在全球一致化多层次高分辨率海岸线数据库(GSHHS,AGlobalSelf-consistentHierarchicalHigh-resolutionShorelineDatabase)的基础上填充大部分陆地区域,实现大幅面遥感图像的海陆粗分割,从而避免了陆地区域背景过于复杂、地貌信息过于丰富、不易分析的问题。因海岸线数据库精度、人工填海造陆、卫星图像拍摄角度等因素会造成部分遥感图像陆地区域,特别是海岸线附近区域和海岛区域未被粗分割填充,因此需对这类区域进行精细海陆分割。根据海陆粗分割结果,提取需进一步精细分割处理的区域子图像作为测试集,提取全陆地区域和全海洋区域子图像作为训练集,对训练集图像建立基于局部信息熵特征的自适应概率统计学习模型,利用该模型对测试集子图像进行基于局部信息熵的海陆精细分割。将基于地理信息的海陆粗分割结果和海陆精细分割结果融合在一起,并对融合结果进行形态学处理,最终得到完整的大幅面遥感图像海陆分割图像。
如图1所示,为本发明实施例提供的一种大幅面遥感图像海陆分割的方法,步骤包括:
A,对所述遥感图像进行海陆填充,获取海陆粗分割结果图;
B,结合所述海陆粗分割结果图对所述遥感图像进行分块提取,获取海陆精细分割结果图;
C,将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合,获取海陆分割结果图。
以下结合图2对本发明实施例提供的一种大幅面遥感图像海陆分割的方法进行详细的阐述:
A:进行海陆粗分割
遥感图像的海陆粗分割过程是基于地理信息实现的,即借助于遥感图像4个顶点对应的经纬度信息以及全球海岸线数据库GSHHS实现的。GSHHS数据库根据用户的不同需求提供不同分辨率的海岸线数据文件,包括全分辨率数据文件gshhs_f.b、高分辨率数据文件gshhs_h.b、中等分辨率数据文件gshhs_i.b、低分辨率数据文件gshhs_l.b、粗分辨率数据文件gshhs_c.b。本节的海陆粗分割方法使用的海岸线数据文件为全分辨率数据文件gshhs_f.b,即通过对gshhs_f.b文件中的原始经纬度数据进行组织、变换来实现为大幅面光学遥感图像添加海岸线、海陆填充等功能。本实施例的海陆粗分割过程包括S1和S2两个步骤:
S1:利用GSHHS数据库为遥感图像添加海岸线。
其中,步骤S1为遥感图像添加海岸线的流程,如图3a所示,具体步骤如下:
S11:输入某一遥感图像,读取与该遥感图像相对应的地理信息文件(.xml),获得遥感图像4个顶点A、B、C、D对应的经纬度坐标信息(lat1,lon1),(lat2,lon2),(lat3,lon3),(lat4,lon4)。
S12:根据遥感图像4个顶点对应的经纬度坐标信息,可确定一个四边形ABCD的经纬度区域,从gshhs_f.b海岸线数据文件中读取位于该经纬度区域范围内的所有离散海岸线经纬度数据,即(latt1,lonn1),(latt2,lonn2),(latt3,lonn3),…,(lattk,lonnk),…。
S13:根据遥感图像分辨率的大小获取遥感图像4个顶点A、B、C、D对应的顶点像素坐标,设遥感图像分辨率大小为MⅹN,则遥感图像4个顶点对应的顶点像素坐标分别为(1,1),(1,N),(M,1),(M,N);计算遥感图像的顶点像素坐标与经纬度坐标之间的线性关系,根据所述线性关系获取所述遥感图像中每个像素点对应的经纬度数据。
S14:将位于四边形经纬度区域范围内的离散海岸线经纬度数据(latt1,lonn1),(latt2,lonn2),(latt3,lonn3),…,(lattk,lonnk),…插值映射为对应的遥感图像像素坐标,得到离散海岸线像素坐标。
S15:在遥感图像中,将S14步骤中获取的离散海岸线像素坐标连成线,形成海岸线,生成海岸线添加图。
图3b为一CBERS2B卫星多光谱图像,图3c为利用上述方法在图中添加海岸线后的海岸线添加图。
S2:对所述海岸线添加图进行海陆填充,得到海陆粗分割结果图。
步骤S2对海岸线添加图进行海陆填充的流程如图4a所示,具体步骤包括:
S21:读取海岸线添加图四个顶点的经纬度坐标,根据经纬度坐标确定一个四边形经纬度区域。
S22:依次读取GSHHS数据库中的经纬度数据段,其中,在该数据中每一个经纬度数据段为一封闭陆地或海岛经纬度数据。
S23:判断该经纬度数据段与海岸线添加图顶点对应的四边形经纬度范围是否有重合区域;
S24:如若该经纬度数据与海岸线添加图的四边形经纬度范围有重合区域,保留重合区域范围的经纬度数据;
S25:判断步骤S24获取的经纬度数据是否为一封闭数据段,如果该经纬度数据为一非封闭数据段数据,需将该非封闭数据段数据重新构造成一个封闭区域,并用数据段分割标志(NaN,NaN)将该非封闭数据段数据与其他数据段数据隔开;
S26:若判断步骤S24获取的经纬度数据为一封闭数据段,则将该经纬度数据均变换为图像的像素坐标,并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域;
S27:利用区域填充算法,将S26像素点范围内的区域填充成一个完整的陆地块或海岛块;
S28:判断GSHHS数据库中是否还有其他封闭数据段,若存在重复步骤S22至步骤S27直至海陆填充完毕,得到海陆粗分割结果图。
图4b为遥感图像图3c进行海陆填充后的结果图,即海陆粗分割结果图。
B,海陆精细分割
虽然基于地理信息的海陆填充算法可以有效填充遥感图像中的大部分陆地区域,但由图4b也可以看出,填充的陆地区域有部分是遥感图像无效区域,如图像左上角的区域,该区域并不是遥感图像有效区域,但仍被该算法判别为陆地部分。另外,由于人工开发导致海岸线变迁、数据库中海岸线数据精准程度、遥感卫星图像拍摄角度等因素的影响,上述基于地理信息的海陆粗分割过程的陆地填充效果在海岸线附近区域、海岛周边区域效果并不理想。图4c为从图4b中截取的四个海岸线附近区域、海岛周边区域,由该图可以看出,部分陆地区域并没有被海陆填充算法划分为陆地部分,部分识别出来的海岛区域与遥感图像中实际海岛区域出现位置偏离的现象。因此,在海岸线边缘区域以及海岛区域需进行进一步的精细海陆分割处理。
本发明中,对于海岸线边缘区域以及海岛区域的海陆精细分割方法是基于全陆地区域和全海洋区域统计学习模型实现的,包括S3-S7五个步骤:
S3:在上述海陆粗分割基础上,对遥感图像进行分块,自动提取需要进一步精细分割处理的海岸线边缘区域块以及海岛区域块,同时提取一些全陆地区域块和全海洋区域块;以全陆地区域块、全海洋区域块作为训练集,以海岸线边缘区域块、海岛区域块作为测试集。
自动提取训练集子图像和测试集子图像区域是基于原始遥感图像信息和海陆粗分割后的图像相关信息来完成的。如图5所示,具体提取步骤如下:
S31:确定遥感图像的有效影像区域,形成遥感影像的区域。图3b中的倾斜四边形影像区域即为有效遥感影像区域Sp1p2p3p4(p1,p2,p3,p4对应四边形的4个顶点),该四边形区域外围的黑色区域为无效影像图像区域,可以通过阈值化处理和形态学操作得到遥感图像的有效影像区域;
S32:利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域。图4b中的纯白色区域Sredlandmark为海陆粗分割算法识别出来的陆地区域,而该陆地区域与步骤S31中的有效影像区域相重叠的部分即为海陆粗分割结果图中的有效陆地区域,如图6中的纯白色区域Struelandmark所示;
S33:根据所述有效陆地区域对所述遥感图像中进行分别提取全陆地区域、全海洋区域、需进行精细海陆分割处理的海岸线附近区域和海岛区域。具体来讲,如图7所示,该步骤又包括以下5个步骤:
S331:对遥感图像进行分块,获取若干图像子块。如将图像均分为512ⅹ512大小的图像子块。
S332:依次读取每一个图像子块;
S333:根据全陆地区域判别标准,判断其是否为全陆地区域子块,如属于全陆地区域子块,则提取该图像子块放入全陆地训练集文件夹中,并跳转至步骤S332继续执行。如不属于全陆地区域子块,进入步骤S334。
S334:根据全海洋区域判别标准,判断其是否为全海洋区域子块,如属于全海洋区域子块,则提取该图像子块放入全海洋训练集文件夹中,并跳转至步骤S332继续执行。如不属于全海洋区域子块,进入步骤S335。
S335:根据海岸线附近区域和海岛区域判别标准,判断其是否为海岸线附近区域或海岛区域子块,如属于该类,则提取该图像子块放入测试集文件夹中,并跳转至步骤S332继续执行。如不属于该类别,不进行其他操作,直接进入步骤S332。
本发明实施例中,选取的图像子块大小均为512ⅹ512。设图像子块为Sabcd,则有:
(1)对全陆地区域子块的判别:若该图像子块均位于海陆粗分割识别出来的遥感图像有效陆地区域中,即图6中的纯白色区域,也即
(2)对全海洋区域子块的判别:若该图像子块中不包含任何海陆粗分割识别出来的遥感图像有效陆地区域(即图6中的纯白色区域)的部分,并且该图像子块处于遥感图像中的有效影像区域Sp1p2p3p4中,也即
则该图像子块为全海洋区域子块;
(3)对海岸线边缘区域子块和海岛区域子块的判别:
(3a)若该图像子块一部分为纯白色区域,剩余的部分为非纯白色区域,即
则该图像子块为海岸线附近区域子块或海岛区域子块的候选子块;
(3b)位于有效影像区域Sp1p2p3p4边界上符合条件a的图像子块,如果该图像子块中的有效区域已经全部由海陆粗分割识别出来的区域完全覆盖,则排除该图像子块;
(3c)如果该图像子块识别出的海岛面积,即纯白色区域的面积不足图像子块面积的5%,排除该图像子块。
图8为本发明实施例提供的一个自动提取相关区域子块的结果图,其中粗黑线矩形框表示该图像子块为全陆地区域子块,白色线框表示该图像子块为全海洋区域子块,黑色线框表示该图像子块为需进一步进行海陆精细分割的区域。
S4:对所述训练集子图像和所述测试集子图像进行计算,分别获取这些图像中每个像素点对应的局部信息熵。其中,所述的某个像素所对应的局部信息熵是指,选取以该像素为中心坐标的一个邻域,计算出的该邻域的局部信息熵;
信息熵是对信息概率分布的一种度量。对于灰度图像,如果一幅图像包含G个灰度级,并且各个灰度级出现的概率分别为P1,P2,…PG,则图像的信息熵定义为:
在一般灰度图像中G=255。
图像的局部信息熵是指像素在局部(如mⅹm)邻域中的信息熵,即
其中,localmⅹm表示局部邻域图像,
nk表示灰度值为k的像素点在局部邻域中的个数。其中,本发明中所述的某个像素所对应的局部信息熵是指,选取以该像素为中心坐标的mⅹm的邻域,计算出的该邻域的局部信息熵。在后面的叙述中不再赘述。
在本发明实施例的实施过程中,对训练集和测试集子图像提取的局部信息熵特征是在像素的9ⅹ9(即m=9)局部邻域中计算的。
S5:以所有全陆地区域块的子图像计算出的所有局部信息熵作为陆地区域特征集,以所有全海洋区域块的子图像计算出的所有局部信息熵为海洋区域特征集,分别对陆地区域特征集、海洋区域特征集进行概率分布统计,并对其概率分布进行学习,计算出和该概率分布最吻合的分布类型及相关参数,确定最优的特征概率分布模型并获得特征概率分布函数。
图9为从图8中提取的部分全陆地区域和全海洋区域,全陆地区域训练集和全海洋区域训练集分别对应的特征集的概率密度曲线如图10所示。
根据训练集特征的统计分布和概率密度曲线对训练集特征进行模型概率密度函数及参数进行估计,自动选取最适合的分布模型。根据特征数据的分布特点,建立不同类型的分布模型,本发明中使用的概率分布模型有贝塔分布、Birnbaunm-Saunders分布、指数分布、Extremevalue分布、伽马分布、广义极值分布、广义Pareto分布、逆高斯分布、Logistic分布、Log-logistic分布、对数正态分布、Nakagami分布、正态分布、瑞利分布、Rician分布、t分布、韦伯分布等,依据统计学习中的贝叶斯信息准则(BIC准则)选择与训练集特征概率分布最吻合的最佳分布模型。BIC的计算方法如下:
其中
在上式中,x为待估计数据,n为待估计数据的个数,M为待评估的分布模型,θ为该分布模型对应的参数,则表示该模型对应似然函数的最大值,表示模型似然函数取最大值时的参数取值。
若某一分布计算出来的BIC值越低,表示该分布模型与实际特征集概率分布数据拟合效果越好。
假设对图8所对应的训练集特征进行测试,图11为本发明实施例提供的两类训练集特征概率分布评估结果。其中,全陆地区域特征集服从韦伯分布时,其BIC值最小,因此该训练集特征的最佳概率分布为韦伯分布;而全海洋区域特征集服从广义极值分布时,其BIC值最小,因此该训练集特征的最佳概率分布为广义极值分布。
因此,全陆地区域训练集特征概率分布函数为——韦伯分布,韦伯分布函为:
其中x为随机变量,这里表示局部信息熵特征向量;λ>0为比例参数;k>0为形状参数。经参数估计,上述全陆地训练集特征对应的韦伯分布中,参数λ=5.2459,k=17.3460,函数曲线对应图11a中的黑色实线。
全海洋区域训练集特征概率分布函数为——广义极值分布,广义极值分布函数表示为:
其中,
μ为位置参数;σ>0为比例参数;ξ∈R为形状参数。经参数估计,上述全海洋训练集特征对应的广义极值分布中,μ=2.3473,σ=0.2369,ξ=0.0569,函数曲线对应图11b中的黑色实线。
对大量不同的遥感图像进行测试发现,所有的测试图像数据中提取的全陆地区域、全海洋区域局部信息熵特征概率统计分布均满足上述16种分布中的一种或几种,均可以利用上述方法求出对应的最佳概率分布函数估计。
S6:根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割,得到阈值分割图。
由上述,假设估计出的全陆地区域训练集的特征概率分布函数如公式(7)所示,代入上述估计出的参数后具体为:
并假设估计出的全海洋区域训练集的特征概率分布函数如公式(8)所示,代入上述估计出的参数后具体为::
对于测试集中的某一子图像,提取每一个像素的局部信息熵特征,设A(m,n)为某一像素点,Ax(m,n)为该像素点对应的局部信息熵特征,则有判别函数
因为全陆地曲线函数和全海洋曲线函数之间分离度较大,为了降低时间开销,可以采用基于贝叶斯原理的阈值判别方式代替上述判别函数。
由
f1(x)=f2(x)(12)解得两个函数曲线相交时的交点x作为阈值T,即T=x,在上述两个具体函数中,T=x=3.9149,则有判别函数
以此阈值对从图8中提取的所有测试集图像进行基于局部信息熵的阈值分割,即海陆精细分离,得到阈值分割图。
S7:对所述阈值分割图进行形态学处理,得到海陆精细分割结果图。
本步骤主要包括两个步骤,如图12所示:
S71:对于阈值分割图进行空洞和细缝填充,获得初级海陆精细分割结果图。在本步骤中,对于阈值分割图,在陆地区域可能会存在因为植被、湖水、河流等因素造成的孔洞或细缝,孔洞或细缝的存在会对海陆分割结果造成误判,可以利用形态学中的闭运算和孔洞填充的方法对阈值分割图进行连接和填补,消除孔洞与细缝。
S72:去除所述初级海陆精细分割结果图中面积较小的连通域,得到海陆精细分割结果图。在本步骤中,诸如舰船目标的近岸海面一般目标较小,为了尽量降低将在海岸线附近的海面目标判别为陆地区域,在对图像进行孔洞填充后还需去除面积较小的连通域,这些面积较小的连通域作为疑似候选海面目标需要得到保留。在本步骤中,连通域面积阈值大小的选取需根据足够的先验知识和舰船等目标外形的实际参数来进行确定。
C,粗分割与精细分割结果融合
该过程对应图2中的S8。如图13所示,分为3个步骤:
S81:将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置,得到二值化掩模图像。在本步骤中,在粗分割的基础上,将测试集图像即海岸线边缘区域、海岛区域图像精细分割的结果映射至粗分割结果图像中相应位置,用这些图像子区域精细分割的结果代替粗分割的结果,得到二值化掩模图像。
S82:对所述二值化掩模图像进行形态学处理,得到海陆分割图像。基于统计学习的海陆精细分割后的二值化掩模图像虽然在输出前已经用形态学的相关操作对孔洞、细缝进行了填充,但由于部分测试集海陆分割结果图在上、下、左、右边界处的孔洞并没有完全被填充,在将精细化分割后的结果与粗分割二值化处理后的结果进行融合后不可避免地会在融合的边缘区域会产生孔洞,因此在融合后仍需对融合后的二值化图像进行形态学操作,填充其中的孔洞。
S83:将所述海陆分割图像影射至所述遥感图像,得到海陆分割结果图,所述海陆分割结果图包括:
大幅面遥感图像陆地区域——Sim·Bim;
大幅面遥感图像海洋区域——Sim·(1-Bim);
其中Sim为原始遥感图像,Bim为二值化的海陆分割掩模图像。
本发明中,涉及到形态学中的相关操作,如闭运算以及孔洞填充等,以及必要的图像区域填充方法等,对图像处理和计算机视觉领域的技术人员是已知内容,此处不再赘述。
如图14所示,为本发明实施例提供的一种大幅面遥感图像海陆分割的系统,包括:
海陆粗分割模块10,用于对所述遥感图像进行海陆填充,获取海陆粗分割结果图;
海陆精细分割模块11,用于利用所述海陆粗分割结果图对所述遥感图像进行分块提取,获取海陆精细分割结果图;
海陆分割结果获取模块12,用于将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合,获取海陆分割结果图。
如图15所示,海陆粗分割模块10具体包括:
海岸线添加模块101,用于利用GSHHS数据为所述遥感图像添加海岸线,生成海岸线添加图,具体的,海岸线添加模块具体用于:
a11,输入某一遥感图像,读取与所述遥感图像相对应的地理信息文件,获取所述遥感图像4个顶点对应的经纬度坐标;
a12,根据所述遥感图像4个顶点对应的经纬度坐标信息,确定一个四边形的经纬度区域;从GSHHS数据库中读取位于所述经纬度区域范围内的所有离散海岸线经纬度数据;
a13,根据所述遥感图像的分辨率大小获取4个顶点A、B、C、D对应的顶点像素坐标,并计算所述顶点像素坐标与所述经纬度坐标之间的线性关系;
a14,将位于所述经纬度区域范围内的离散海岸线经纬度数据映射为对应的遥感图像像素坐标,得到离散海岸线像素坐标;
a15,在遥感图像中,将所述离散海岸线像素坐标连成线,形成海岸线,生成海岸线添加图。
海陆填充模块102,对所述海岸线添加图进行海陆填充,获取海陆粗分割结果图。具体的,海陆填充模块102具体用于:
a21,读取所述经纬度坐标,根据所述经纬度坐标确定一个四边形经纬度区域;
a22,依次读取GSHHS数据库中的经纬度数据段,每一个经纬度数据段为一封闭陆地或海岛经纬度数据;
a23,判断所述经纬度数据段与所述四边形经纬度区域是否有重合区域;
a24,若所述经纬度数据段与所述四边形经纬度范围有重合区域,则保留重合区域范围的经纬度数据;
a25,判断步骤a24获取的经纬度数据是否为一封闭数据段;若该经纬度数据为一非封闭数据段数据,则将所述非封闭数据段数据重新构造成一个封闭区域,并将所述非封闭数据段数据与其他数据段数据隔开;
a26,若判断步骤a24获取的经纬度数据为一封闭数据段,则将所述经纬度数据变换为所述海岸线添加图的像素坐标,并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域;
a27,利用区域填充算法,将步骤a26中获取的区域内部填充成一个完整的陆地块或海岛块;
a28,判断GSHHS数据库中是否仍存在其他封闭数据段,若存在重复步骤a22至步骤a27直至海陆填充完毕,得到海陆粗分割结果图。
海陆精细分割单元11具体包括:
图像分块模块111,用于对所述遥感图像进行分块,得到全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块;以所述全陆地区域块和所述全海洋区域块为训练集,以所述海岸线边缘区域块和所述海岛区域块为测试集;分别对所述训练集和所述测试集提取子图像,获取训练集子图像和测试集子图像。具体的,图像分块模块111具体用于:
b11,确定所述遥感图像的有效影像区域;
b12,利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域;
b13,根据所述有效陆地区域对所述遥感图像进行分块提取,得到所述全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块。在本步骤中,图像分块模块111还用于:
b131,对所述遥感图像进行分块,获取若干图像子块;
b132,依次读取每一图像子块;
b133,判断所述图像子块是否为全陆地区域子块;
若所述图像子块为全陆地区域子块,则将所述图像子块放入全陆地训练集文件夹中,并继续执行步骤b132;
若所述图像子块非全陆地区域子块,则继续进行步骤b134;
b134,判断所述图像子块是否为全海洋区域子块;
若所述图像子块为全海洋区域子块,则将所述图像子块放入全海洋训练集文件夹中,并继续执行步骤b132;
若所述图像子块非全海洋区域子块,则继续进行步骤b135;
b135,判断所述图像子块是否为海岸线边缘区域子块或海岛区域子块;
若所述图像子块为海岸线边缘区域子块或海岛区域子块,则将所述图像子块放入海岸线边缘区域或海岛区域训练集文件夹中,并继续执行步骤b132;
若所述图像子块非海岸线边缘区域子块或海岛区域子块,则继续进行步骤b132。
局部信息熵获取模块112,用于对所述训练集子图像和所述测试集子图像进行计算,分别获取每一个像素点对应的局部信息熵;
分布函数获取模块113,用于以根据全陆地区域块的子图像计算出的局部信息熵作为陆地区域特征集,以根据全海洋区域块的子图像计算出的局部信息熵为海洋区域特征集,分别对所述陆地区域特征集和海洋区域特征集进行概率分布统计及学习,计算出与所述概率分布最吻合的分布类型及相关参数,确定最优特征概率分布模型并获得相应的特征概率分布函数;
阈值分割模块114,用于根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割,得到阈值分割图;
精细分割获取模块115,用于对所述阈值分割图进行形态学处理,得到海陆精细分割结果图。具体的,精细分割获取模块115具体用于:
b51,对于阈值分割图进行空洞和细缝填充,获得初级海陆精细分割结果图;
b52,去除所述初级海陆精细分割结果图中面积较小的连通域,得到海陆精细分割结果图。
海陆分割结果获取单元12包括:
影射融合模块121,将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置,得到二值化掩模图像;
处理模块122,对所述二值化掩模图像进行形态学处理,得到海陆分割图像;
图像获得模块123,将所述海陆分割图像影射至所述遥感图像,得到海陆分割结果图;所述海陆分割结果图包括大幅面遥感图像陆地区域和大幅面遥感图像海洋区域。
本发明提出的大幅面遥感图像的海陆分割方法,首先利用遥感图像的经纬度信息,在全球海岸线数据库(GSHHS)的基础上填充大部分陆地区域,实现大幅面遥感图像的海陆粗分割;根据海陆粗分割结果,提取需进一步精细分割处理的区域子图像作为测试集,提取全陆地区域和全海洋区域子图像作为训练集,对训练集图像建立基于局部信息熵特征的自适应概率统计学习模型,确定最优的概率分布模型,利用该模型对测试集子图像进行基于局部信息熵的贝叶斯海陆精细分割。将基于地理信息的海陆粗分割结果和海陆精细分割结果融合在一起,并对融合结果进行形态学处理,最终得到完整的大幅面遥感图像海陆分割图像。相对于现有的海陆分割方法,该方法可以有效处理复杂背景情形下的大幅面遥感图像的海陆分割问题,分割结果更为精准,对基于海陆分离的相关技术研究如海洋目标检测影响较小,适用于对遥感图像进行批量处理,实用性更强。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来控制相关的硬件完成,所述的程序可以在存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种大幅面遥感图像海陆分割的方法,其特征在于,所述方法包括下述步骤:
步骤A,对所述遥感图像进行海陆填充,获取海陆粗分割结果图;
步骤B,结合所述海陆粗分割结果图对所述遥感图像进行分块提取,获取海陆精细分割结果图;
步骤C,将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合,获取海陆分割结果图。
2.如权利要求1所述的方法,其特征在于,所述步骤A包括:
步骤A1,利用GSHHS数据库为所述遥感图像添加海岸线,生成海岸线添加图;
步骤A2,对所述海岸线添加图进行海陆填充,获取海陆粗分割结果图。
3.如权利要求2所述的方法,其特征在于,所述步骤A1包括:
步骤A11,输入某一遥感图像,读取与所述遥感图像相对应的地理信息文件,获取所述遥感图像4个顶点对应的经纬度坐标;
步骤A12,根据所述遥感图像4个顶点对应的经纬度坐标信息,确定一个四边形的经纬度区域;从所述GSHHS数据库中读取位于所述经纬度区域范围内的所有离散海岸线经纬度数据;
步骤A13,根据所述遥感图像的分辨率大小获取4个顶点对应的顶点像素坐标,并计算每个顶点的像素坐标与各自经纬度坐标之间的线性关系,根据所述线性关系获取所述遥感图像中每个像素点对应的经纬度数据;
步骤A14,将位于所述经纬度区域内的离散海岸线经纬度数据映射为对应的遥感图像的像素坐标,得到离散海岸线像素坐标;
步骤A15,在所述遥感图像中,将所述离散海岸线像素坐标连成线,形成海岸线,生成海岸线添加图。
4.如权利要求3所述的方法,其特征在于,所述步骤A2包括:
步骤A21,读取所述经纬度坐标,根据所述经纬度坐标确定一个四边形经纬度区域;
步骤A22,依次读取GSHHS数据库中的经纬度数据段,每一个经纬度数据段为一封闭陆地或海岛经纬度数据;
步骤A23,判断所述经纬度数据段与所述四边形经纬度区域是否有重合区域;
步骤A24,若所述经纬度数据段与所述四边形经纬度范围有重合区域,则保留重合区域范围的经纬度数据;
步骤A25,判断步骤A24获取的经纬度数据是否为一封闭数据段;若该经纬度数据为一非封闭数据段数据,则将所述非封闭数据段数据重新构造成一个封闭区域,并将所述非封闭数据段数据与其他数据段数据隔开;
步骤A26,若判断步骤A24获取的经纬度数据为一封闭数据段,则将所述经纬度数据变换为所述海岸线添加图的像素坐标,并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域;
步骤A27,利用区域填充算法,将步骤A26中获取的区域填充成一个完整的陆地块或海岛块;
步骤A28,判断GSHHS数据库中是否仍存在其他封闭数据段,若存在重复步骤A22至步骤A27直至海陆填充完毕,得到海陆粗分割结果图。
5.如权利要求1所述的方法,其特征在于,所述步骤B包括:
步骤B1,对所述遥感图像进行分块,得到全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块;以所述全陆地区域块和所述全海洋区域块为训练集,以所述海岸线边缘区域块和所述海岛区域块为测试集;
分别对所述训练集和所述测试集提取子图像,获取训练集子图像和测试集子图像;
步骤B2,对所述训练集子图像和所述测试集子图像进行计算,分别获取这些图像中每个像素点对应的局部信息熵;
步骤B3,以根据全陆地区域块的子图像计算出的局部信息熵作为陆地区域特征集,以根据全海洋区域块的子图像计算出的局部信息熵为海洋区域特征集,分别对所述陆地区域特征集和海洋区域特征集进行概率分布统计及学习,计算出与所述概率分布最吻合的分布类型及相关参数,确定最优特征概率分布模型并获得相应的特征概率分布函数;
步骤B4,根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割,得到阈值分割图;
步骤B5,对所述阈值分割图进行形态学处理,得到海陆精细分割结果图。
6.如权利要求5所述的方法,其特征在于,所述步骤B1包括:
步骤B11,确定所述遥感图像的有效影像区域;
步骤B12,利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域;
步骤B13,根据所述有效陆地区域对所述遥感图像中进行分块提取,得到所述全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块。
7.如权利要求6所述的方法,其特征在于,所述步骤B13具体包括:
步骤B131,对所述遥感图像进行分块,获取若干图像子块;
步骤B132,依次读取每一图像子块;
步骤B133,判断所述图像子块是否为全陆地区域子块;
若所述图像子块为全陆地区域子块,则将所述图像子块放入全陆地训练集文件夹中,并继续执行步骤B132;
若所述图像子块非全陆地区域子块,则继续进行步骤B134;
步骤B134,判断所述图像子块是否为全海洋区域子块;
若所述图像子块为全海洋区域子块,则将所述图像子块放入全海洋训练集文件夹中,并继续执行步骤B132;
若所述图像子块非全海洋区域子块,则继续进行步骤B135;
步骤B135,判断所述图像子块是否为海岸线边缘区域子块或海岛区域子块;
若所述图像子块为海岸线边缘区域子块或海岛区域子块,则将所述图像子块放入海岸线边缘区域或海岛区域测试集文件夹中,并继续执行步骤B132;
若所述图像子块非海岸线边缘区域子块或海岛区域子块,则继续进行步骤B132。
8.如权利要求5所述的方法,其特征在于,所述步骤B5包括:
步骤B51,对于阈值分割图进行空洞和细缝填充,获得初级海陆精细分割结果图;
步骤B52,去除所述初级海陆精细分割结果图中面积较小的连通域,得到海陆精细分割结果图。
9.如权利要求1所述的方法,其特征在于,所述步骤C包括:
步骤C1,将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置,得到二值化掩模图像;
步骤C2,对所述二值化掩模图像进行形态学处理,得到海陆分割图像;
步骤C3,将所述海陆分割图像影射至所述遥感图像,得到海陆分割结果图;所述海陆分割结果图包括大幅面遥感图像陆地区域和大幅面遥感图像海洋区域。
10.一种大幅面遥感图像海陆分割的系统,其特征在于,所述系统包括:
海陆粗分割单元,用于对所述遥感图像进行海陆填充,获取海陆粗分割结果图;
海陆精细分割单元,用于利用所述海陆粗分割结果图对所述遥感图像进行分块提取,获取海陆精细分割结果图;
海陆分割结果获取单元,用于将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合,获取海陆分割结果图。
11.如权利要求10所述的系统,其特征在于,所述海陆粗分割单元包括:
海岸线添加模块,用于利用GSHHS数据为所述遥感图像添加海岸线,生成海岸线添加图;
海陆填充模块,对所述海岸线添加图进行海陆填充,获取海陆粗分割结果图。
12.如权利要求11所述的系统,其特征在于,所述海岸线添加模块具体用于:
首先,输入某一遥感图像,读取与所述遥感图像相对应的地理信息文件,获取所述遥感图像4个顶点对应的经纬度坐标;
接着,根据所述遥感图像4个顶点对应的经纬度坐标信息,确定一个四边形的经纬度区域;从GSHHS数据库中读取位于所述经纬度区域范围内的所有离散海岸线经纬度数据;
接着,根据所述遥感图像的分辨率大小获取4个顶点对应的顶点像素坐标,并计算每个顶点的像素坐标与各自经纬度坐标之间的线性关系,根据所述线性关系获取所述遥感图像中每个像素点对应的经纬度数据;
接着,将位于所述经纬度区域范围内的离散海岸线经纬度数据映射为对应的遥感图像像素坐标,得到离散海岸线像素坐标;
最后,在遥感图像中,将所述离散海岸线像素坐标连成线,形成海岸线,生成海岸线添加图。
13.如权利要求11所述的系统,其特征在于,所述海陆填充模块具体用于:
a21,读取所述经纬度坐标,根据所述经纬度坐标确定一个四边形经纬度区域;
a22,依次读取GSHHS数据库中的经纬度数据段,每一个经纬度数据段为一封闭陆地或海岛经纬度数据;
a23,判断所述经纬度数据段与所述四边形经纬度区域是否有重合区域;
a24,若所述经纬度数据段与所述四边形经纬度范围有重合区域,则保留重合区域范围的经纬度数据;
a25,判断步骤a24获取的经纬度数据是否为一封闭数据段;若该经纬度数据为一非封闭数据段数据,则将所述非封闭数据段数据重新构造成一个封闭区域,并将所述非封闭数据段数据与其他数据段数据隔开;
a26,若判断步骤a24获取的经纬度数据为一封闭数据段,则将所述经纬度数据变换为所述海岸线添加图的像素坐标,并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域;
a27,利用区域填充算法,将步骤a26中获取的区域填充成一个完整的陆地块或海岛块;
a28,判断GSHHS数据库中是否仍存在其他封闭数据段,若存在重复步骤a22至步骤a27直至海陆填充完毕,得到海陆粗分割结果图。
14.如权利要求10所述的系统,其特征在于,所述海陆精细分割单元包括:
图像分块模块,用于对所述遥感图像进行分块,得到全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块;以所述全陆地区域块和所述全海洋区域块为训练集,以所述海岸线边缘区域块和所述海岛区域块为测试集;
分别对所述训练集和所述测试集提取子图像,获取训练集子图像和测试集子图像;
局部信息熵获取模块,用于对所述训练集子图像和所述测试集子图像进行计算,分别获取这些图像中每个像素点对应的局部信息熵;
分布函数获取模块,用于以根据全陆地区域块的子图像计算出的每个像素点的局部信息熵作为陆地区域特征集,以根据全海洋区域块的子图像计算出的每个像素点的局部信息熵为海洋区域特征集,分别对所述陆地区域特征集和海洋区域特征集进行概率分布统计及学习,计算出与所述概率分布最吻合的分布类型及相关参数,确定最优特征概率分布模型并获得相应的特征概率分布函数;
阈值分割模块,用于根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割,得到阈值分割图;
精细分割获取模块,用于对所述阈值分割图进行形态学处理,得到海陆精细分割结果图。
15.如权利要求14所述的系统,其特征在于,所述图像分块模块具体用于:
b11,确定所述遥感图像的有效影像区域;
b12,利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域;
b13,根据所述有效陆地区域对所述遥感图像中进行分块提取,得到所述全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块。
16.如权利要求15所述的系统,其特征在于,在所述b13中,所述图像分块模块还用于:
b131,对所述遥感图像进行分块,获取若干图像子块;
b132,依次读取每一图像子块;
b133,判断所述图像子块是否为全陆地区域子块;
若所述图像子块为全陆地区域子块,则将所述图像子块放入全陆地训练集文件夹中,并继续执行步骤b132;
若所述图像子块非全陆地区域子块,则继续进行步骤b134;
b134,判断所述图像子块是否为全海洋区域子块;
若所述图像子块为全海洋区域子块,则将所述图像子块放入全海洋训练集文件夹中,并继续执行步骤b132;
若所述图像子块非全海洋区域子块,则继续进行步骤b135;
b135,判断所述图像子块是否为海岸线边缘区域子块或海岛区域子块;
若所述图像子块为海岸线边缘区域子块或海岛区域子块,则将所述图像子块放入海岸线边缘区域或海岛区域测试集文件夹中,并继续执行步骤b132;
若所述图像子块非海岸线边缘区域子块或海岛区域子块,则继续进行步骤b132。
17.如权利要求14所述的系统,其特征在于,所述精细分割获取模块具体用于:
b51,对于阈值分割图进行空洞和细缝填充,获得初级海陆精细分割结果图;
b52,去除所述初级海陆精细分割结果图中面积较小的连通域,得到海陆精细分割结果图。
18.如权利要求10所述的系统,其特征在于,所述海陆分割结果获取单元包括:
影射融合模块,将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置,得到二值化掩模图像;
处理模块,对所述二值化掩模图像进行形态学处理,得到海陆分割图像;
图像获得模块,将所述海陆分割图像影射至所述遥感图像,得到海陆分割结果图;所述海陆分割结果图包括大幅面遥感图像陆地区域和大幅面遥感图像海洋区域。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510712624.0A CN105513041B (zh) | 2015-10-28 | 2015-10-28 | 一种大幅面遥感图像海陆分割的方法及系统 |
PCT/CN2016/078597 WO2017071160A1 (zh) | 2015-10-28 | 2016-04-06 | 一种大幅面遥感图像海陆分割的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510712624.0A CN105513041B (zh) | 2015-10-28 | 2015-10-28 | 一种大幅面遥感图像海陆分割的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105513041A true CN105513041A (zh) | 2016-04-20 |
CN105513041B CN105513041B (zh) | 2018-12-21 |
Family
ID=55720998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510712624.0A Active CN105513041B (zh) | 2015-10-28 | 2015-10-28 | 一种大幅面遥感图像海陆分割的方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105513041B (zh) |
WO (1) | WO2017071160A1 (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967449A (zh) * | 2017-11-13 | 2018-04-27 | 西北工业大学 | 一种基于广义证据理论的多光谱图像未知目标识别方法 |
CN107992818A (zh) * | 2017-11-29 | 2018-05-04 | 长光卫星技术有限公司 | 一种光学遥感图像海面船只目标的检测方法 |
CN108052629A (zh) * | 2017-12-19 | 2018-05-18 | 郑州师范学院 | 一种基于高精度dem数据的快速海陆判断方法 |
CN108376247A (zh) * | 2018-02-05 | 2018-08-07 | 北方工业大学 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
CN108519058A (zh) * | 2018-03-21 | 2018-09-11 | 国家海洋环境监测中心 | 一种光学遥感图像估算一年生海冰厚度的方法 |
CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
CN109389062A (zh) * | 2018-09-14 | 2019-02-26 | 河南大学 | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 |
CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
CN110120050A (zh) * | 2019-05-07 | 2019-08-13 | 西安电子科技大学 | 基于素描信息和超像素分割的光学遥感图像海陆分割方法 |
CN110649957A (zh) * | 2019-08-26 | 2020-01-03 | 西安空间无线电技术研究所 | 降低星载微波辐射计滑环传输误码率的方法、系统及介质 |
CN110866926A (zh) * | 2019-10-24 | 2020-03-06 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN111767856A (zh) * | 2020-06-29 | 2020-10-13 | 哈工程先进技术研究院(招远)有限公司 | 基于灰度值统计分布模型的红外小目标检测算法 |
CN111914948A (zh) * | 2020-08-20 | 2020-11-10 | 上海海事大学 | 一种基于粗精语义分割网络的海流机叶片附着物自适应识别方法 |
CN112085656A (zh) * | 2020-08-31 | 2020-12-15 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、系统、移动终端及存储介质 |
CN112150482A (zh) * | 2020-09-17 | 2020-12-29 | 北京航空航天大学 | 一种基于高程信息和归一化海水指数的海陆分割方法 |
CN112308077A (zh) * | 2020-11-02 | 2021-02-02 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
CN112434642A (zh) * | 2020-12-07 | 2021-03-02 | 北京航空航天大学 | 一种适用于处理大场景光学遥感数据的海陆分割方法 |
CN113192088A (zh) * | 2021-05-19 | 2021-07-30 | 山东纬横数据科技有限公司 | 一种基于遥感图像阈值分割的雷达图像固定背景掩模方法 |
CN113674308A (zh) * | 2021-05-06 | 2021-11-19 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN113989675A (zh) * | 2021-11-02 | 2022-01-28 | 四川睿迈威科技有限责任公司 | 基于遥感影像的地理信息提取深度学习训练样本交互制作方法 |
CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
CN115391069A (zh) * | 2022-10-27 | 2022-11-25 | 山东省计算中心(国家超级计算济南中心) | 基于海洋模式roms的并行通讯方法及系统 |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710862B (zh) * | 2018-05-24 | 2022-06-28 | 河海大学 | 一种高分辨率遥感影像水体提取方法 |
CN109697693B (zh) * | 2018-12-03 | 2022-12-13 | 广东国图勘测地理信息有限公司 | 一种实现基于大数据空间运算的方法 |
CN111368599B (zh) * | 2018-12-26 | 2023-11-07 | 北京眼神智能科技有限公司 | 遥感图像海面舰船检测方法、装置、可读存储介质及设备 |
CN109766811B (zh) * | 2018-12-31 | 2023-05-02 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
CN109886988B (zh) * | 2019-01-31 | 2023-05-05 | 湖北大学 | 一种微波成像仪定位误差的度量方法、系统、装置及介质 |
CN110097101B (zh) * | 2019-04-19 | 2022-09-13 | 大连海事大学 | 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 |
CN110070549A (zh) * | 2019-04-25 | 2019-07-30 | 中国石油大学(华东) | 一种基于最优尺度邻域信息的海上溢油sar图像软分割方法 |
CN110176005B (zh) * | 2019-05-16 | 2023-03-24 | 西安电子科技大学 | 基于归一化指数和多尺度模型的遥感图像分割方法 |
CN110211106B (zh) * | 2019-05-24 | 2022-10-18 | 大连海事大学 | 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法 |
CN110414343B (zh) * | 2019-06-24 | 2022-12-02 | 西安电子科技大学 | 一种在轨卫星遥感图像舰船检测方法 |
CN110264484B (zh) * | 2019-06-27 | 2022-10-18 | 上海海洋大学 | 一种面向遥感数据的改进海岛岸线分割系统及分割方法 |
CN110322419B (zh) * | 2019-07-11 | 2022-10-21 | 广东工业大学 | 一种遥感图像去雾方法及系统 |
CN111008585B (zh) * | 2019-11-29 | 2023-04-07 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
CN111026831B (zh) * | 2019-12-17 | 2023-09-15 | 江苏物润船联网络股份有限公司 | 一种基于Ais轨迹数据和卫星图像的航运信息挖掘方法 |
CN110992257A (zh) * | 2019-12-20 | 2020-04-10 | 北京航天泰坦科技股份有限公司 | 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置 |
CN111125392B (zh) * | 2019-12-25 | 2023-06-16 | 华中科技大学 | 一种基于矩阵对象存储机制的遥感影像存储、查询方法 |
CN111340829B (zh) * | 2020-02-10 | 2023-02-28 | 上海海洋大学 | 一种改进的dme水肿区域神经网络分割模型的构建方法 |
CN111324145B (zh) * | 2020-02-28 | 2022-08-16 | 厦门理工学院 | 一种无人机自主着陆方法、装置、设备及存储介质 |
CN111428627B (zh) * | 2020-03-23 | 2023-03-24 | 西北大学 | 一种山地地貌遥感提取方法及系统 |
CN111582198B (zh) * | 2020-05-12 | 2022-10-04 | 中国电子科技集团公司第二十八研究所 | 一种遥感图像海陆自动分割方法 |
CN111627030A (zh) * | 2020-05-29 | 2020-09-04 | 王程 | 快速高效的可见光遥感影像海陆精确分割方法 |
CN111986203B (zh) * | 2020-07-09 | 2022-10-11 | 河南科技大学 | 一种深度图像的分割方法及装置 |
CN111832575B (zh) * | 2020-07-16 | 2024-04-30 | 黄河勘测规划设计研究院有限公司 | 一种基于遥感图像的水面区域提取方法及装置 |
CN112380367B (zh) * | 2020-10-27 | 2023-01-10 | 中南大学 | 一种基于熵的遥感影像数据筛选方法 |
CN113012094B (zh) * | 2020-11-30 | 2022-12-20 | 中国科学院空天信息创新研究院 | 一种卫星遥感数据的处理方法及相关装置 |
CN112365495A (zh) * | 2020-11-30 | 2021-02-12 | 江苏海洋大学 | 基于遥感的识别违章建筑方法 |
CN113160239B (zh) * | 2021-03-08 | 2023-09-22 | 广东国地规划科技股份有限公司 | 一种违法用地检测方法及装置 |
CN113190195A (zh) * | 2021-04-25 | 2021-07-30 | 中国电子科技集团公司第五十四研究所 | 一种大幅遥感影像可视化方法及系统 |
CN113420658A (zh) * | 2021-04-30 | 2021-09-21 | 中国电子科技集团公司第十四研究所 | 一种基于fcm聚类和otsu分割的sar图像海陆分割方法 |
CN113222870B (zh) * | 2021-05-13 | 2023-07-25 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及设备 |
CN113342292B (zh) * | 2021-05-19 | 2024-04-19 | 大连陆海科技股份有限公司 | 一种基于电子海图的海冰遥感和数值数据的叠加显示方法 |
CN113739788B (zh) * | 2021-08-03 | 2023-05-23 | 中山大学 | 一种亮温数据的地理位置校正方法及装置 |
CN113762220B (zh) * | 2021-11-03 | 2022-03-15 | 通号通信信息集团有限公司 | 目标识别方法、电子设备、计算机可读存储介质 |
CN114491967B (zh) * | 2021-12-30 | 2023-03-24 | 中国科学院地理科学与资源研究所 | 陆地水储量预测方法、装置、设备及存储介质 |
CN115049928B (zh) * | 2022-06-20 | 2024-05-07 | 电子科技大学 | 一种基于角点特征和岸线封闭特征的级联港口检测方法 |
CN116482678B (zh) * | 2023-03-14 | 2024-05-03 | 中国人民解放军63921部队 | 天基雷达海面探测波位优化方法、设备及存储介质 |
CN116597043B (zh) * | 2023-05-11 | 2023-10-31 | 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) | 一种基于地质调查的数字填图方法及系统 |
CN116452901B (zh) * | 2023-06-19 | 2023-09-15 | 中国科学院海洋研究所 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
CN116778431B (zh) * | 2023-08-25 | 2023-11-10 | 青岛娄山河水务有限公司 | 基于计算机视觉的污泥处理自动监测方法 |
CN117115449B (zh) * | 2023-10-24 | 2024-01-26 | 中国石油大学(华东) | 一种适用于大场景光学遥感影像的海面船只目标分割方法 |
CN117635177B (zh) * | 2024-01-25 | 2024-04-16 | 武汉永业赛博能规划勘测有限公司 | 一种自然资源资产清查方法及系统 |
CN117975296A (zh) * | 2024-04-01 | 2024-05-03 | 自然资源部第一海洋研究所 | 一种异常海洋锋面的卫星遥感探测提取识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN103020975A (zh) * | 2012-12-29 | 2013-04-03 | 北方工业大学 | 一种结合多源遥感图像特征的码头和船舶分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8238658B2 (en) * | 2009-01-21 | 2012-08-07 | The United States Of America, As Represented By The Secretary Of The Navy | Boundary extraction method |
-
2015
- 2015-10-28 CN CN201510712624.0A patent/CN105513041B/zh active Active
-
2016
- 2016-04-06 WO PCT/CN2016/078597 patent/WO2017071160A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
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 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN103020975A (zh) * | 2012-12-29 | 2013-04-03 | 北方工业大学 | 一种结合多源遥感图像特征的码头和船舶分割方法 |
Non-Patent Citations (3)
Title |
---|
S. DELLEPIANE等: "Coastline extraction from SAR images and a method for the evaluation of the coastline precision", 《PATTERN RECOGNITION LETTERS》 * |
瞿继双等: "一种基于多阈值的形态学提取遥感图象海岸线特征方法", 《中国图象图形学报》 * |
邓江生: "一种遥感图像中海岸线的提取方法", 《光电技术应用》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
CN107967449A (zh) * | 2017-11-13 | 2018-04-27 | 西北工业大学 | 一种基于广义证据理论的多光谱图像未知目标识别方法 |
CN107967449B (zh) * | 2017-11-13 | 2019-07-05 | 西北工业大学 | 一种基于广义证据理论的多光谱图像未知目标识别方法 |
CN107992818B (zh) * | 2017-11-29 | 2020-12-25 | 长光卫星技术有限公司 | 一种光学遥感图像海面船只目标的检测方法 |
CN107992818A (zh) * | 2017-11-29 | 2018-05-04 | 长光卫星技术有限公司 | 一种光学遥感图像海面船只目标的检测方法 |
CN108052629A (zh) * | 2017-12-19 | 2018-05-18 | 郑州师范学院 | 一种基于高精度dem数据的快速海陆判断方法 |
CN108052629B (zh) * | 2017-12-19 | 2021-07-06 | 郑州师范学院 | 一种基于高精度dem数据的快速海陆判断方法 |
CN108376247A (zh) * | 2018-02-05 | 2018-08-07 | 北方工业大学 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
CN108519058A (zh) * | 2018-03-21 | 2018-09-11 | 国家海洋环境监测中心 | 一种光学遥感图像估算一年生海冰厚度的方法 |
CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
CN109389062A (zh) * | 2018-09-14 | 2019-02-26 | 河南大学 | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 |
CN109389062B (zh) * | 2018-09-14 | 2021-07-20 | 河南大学 | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 |
CN110120050A (zh) * | 2019-05-07 | 2019-08-13 | 西安电子科技大学 | 基于素描信息和超像素分割的光学遥感图像海陆分割方法 |
CN110649957A (zh) * | 2019-08-26 | 2020-01-03 | 西安空间无线电技术研究所 | 降低星载微波辐射计滑环传输误码率的方法、系统及介质 |
CN110866926A (zh) * | 2019-10-24 | 2020-03-06 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN110866926B (zh) * | 2019-10-24 | 2022-12-20 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN111767856A (zh) * | 2020-06-29 | 2020-10-13 | 哈工程先进技术研究院(招远)有限公司 | 基于灰度值统计分布模型的红外小目标检测算法 |
CN111767856B (zh) * | 2020-06-29 | 2023-11-10 | 烟台哈尔滨工程大学研究院 | 基于灰度值统计分布模型的红外小目标检测算法 |
CN111914948A (zh) * | 2020-08-20 | 2020-11-10 | 上海海事大学 | 一种基于粗精语义分割网络的海流机叶片附着物自适应识别方法 |
CN112085656A (zh) * | 2020-08-31 | 2020-12-15 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、系统、移动终端及存储介质 |
CN112085656B (zh) * | 2020-08-31 | 2023-12-05 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、系统、移动终端及存储介质 |
CN112150482A (zh) * | 2020-09-17 | 2020-12-29 | 北京航空航天大学 | 一种基于高程信息和归一化海水指数的海陆分割方法 |
CN112308077A (zh) * | 2020-11-02 | 2021-02-02 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
CN112434642B (zh) * | 2020-12-07 | 2022-11-11 | 北京航空航天大学 | 一种适用于处理大场景光学遥感数据的海陆分割方法 |
CN112434642A (zh) * | 2020-12-07 | 2021-03-02 | 北京航空航天大学 | 一种适用于处理大场景光学遥感数据的海陆分割方法 |
CN113674308A (zh) * | 2021-05-06 | 2021-11-19 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN113674308B (zh) * | 2021-05-06 | 2024-02-13 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN113192088A (zh) * | 2021-05-19 | 2021-07-30 | 山东纬横数据科技有限公司 | 一种基于遥感图像阈值分割的雷达图像固定背景掩模方法 |
CN113989675A (zh) * | 2021-11-02 | 2022-01-28 | 四川睿迈威科技有限责任公司 | 基于遥感影像的地理信息提取深度学习训练样本交互制作方法 |
CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
CN114241336B (zh) * | 2021-12-30 | 2022-09-20 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
CN115391069A (zh) * | 2022-10-27 | 2022-11-25 | 山东省计算中心(国家超级计算济南中心) | 基于海洋模式roms的并行通讯方法及系统 |
CN115391069B (zh) * | 2022-10-27 | 2023-02-03 | 山东省计算中心(国家超级计算济南中心) | 基于海洋模式roms的并行通讯方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2017071160A1 (zh) | 2017-05-04 |
CN105513041B (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105513041A (zh) | 一种大幅面遥感图像海陆分割的方法及系统 | |
CN109583425B (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
CN109934200B (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
Wang et al. | Lane detection based on random hough transform on region of interesting | |
CN103985108B (zh) | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 | |
Schwanghart et al. | Flow network derivation from a high resolution DEM in a low relief, agrarian landscape | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN111681197A (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN105512666A (zh) | 一种基于视频的河道垃圾识别方法 | |
US9256619B2 (en) | Method for detecting and recognizing boats | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN116665176B (zh) | 一种面向车辆自动驾驶的多任务网络道路目标检测方法 | |
CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
CN109389062A (zh) | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 | |
Sun et al. | Global Mask R-CNN for marine ship instance segmentation | |
CN105469393A (zh) | 基于决策融合的浅海水深多时相遥感影像反演方法 | |
CN101634706A (zh) | 高分辨率sar图像中桥梁目标的自动检测方法 | |
CN105160355A (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
CN103714556A (zh) | 一种基于金字塔表观模型的运动目标跟踪方法 | |
CN112001411A (zh) | 一种基于fpn结构的大坝裂缝检测算法 | |
CN112883971A (zh) | 一种基于深度学习的sar图像舰船目标检测方法 | |
Wang et al. | Unstructured road detection using hybrid features | |
CN107169412B (zh) | 基于混合模型决策的遥感图像靠港船只检测方法 |
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 |