CN105761286A - 基于多光谱遥感影像的水色异常对象提取方法及系统 - Google Patents
基于多光谱遥感影像的水色异常对象提取方法及系统 Download PDFInfo
- Publication number
- CN105761286A CN105761286A CN201610111884.7A CN201610111884A CN105761286A CN 105761286 A CN105761286 A CN 105761286A CN 201610111884 A CN201610111884 A CN 201610111884A CN 105761286 A CN105761286 A CN 105761286A
- Authority
- CN
- China
- Prior art keywords
- principal component
- component
- remote sensing
- exception object
- water colour
- 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
Classifications
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多光谱遥感影像的水色异常对象提取方法及系统，本发明先获取遥感影像的反射率，之后进行水陆分离及去云处理得到水域部分的遥感反射率，对多波段遥感反射率进行主成分分析获得第一主成分；之后对第一主成分图像进行直方图分析，设置阈值，利用阈值分割第一主成分成目标分量和背景分量，利用目标分量和背景分量的类间方差最大时的阈值并设定倍数对第一主成分进行分割，得到水色异常对象部分；对水色异常部分进行像元统计，获取水色异常对象的面积和分布。本发明可最大程度的保留多波段的信息量，提高了精确度，同时完全基于计算机自动计算获取分割阈值，可大大节省信息提取时间，实现简单精确地提取水色异常对象的分布信息。
Description
技术领域
本发明涉及水体监测领域，更具体涉及一种基于多光谱遥感影像的水色异常对象提取方法及系统。
背景技术
水色异常对象，例如浒苔爆发是近岸海域由于水体富营养化而导致的一种水环境灾害事件。当水色异常对象爆发时会导致水体透明度降低,水色异常对象死亡后的降解物会导致水体溶解氧降低，水质恶化，严重影响水体水质，因此需要对近岸海域水色异常对象分布面积和位置进行实时、快速监测，从而对水色异常对象灾害进行实时部署和应急处理，为环境管理和应急部门提供技术支撑，提高对突发水环境应急事件的监测能力。
水色异常对象，例如浒苔，一般具有典型的光谱特征，可利用遥感技术监测。目前对于水体水色异常对象信息的遥感监测常用方法是：对多光谱遥感影像进行处理后获取遥感反射率影像，结合水色异常对象的光谱特征，如浒苔、水华等主要利用近红外波段和红波段的遥感反射率计算NDVI(归一化植被指数)，然后通过设定阈值，对NDVI图像进行阈值分割，提取水色异常对象的分布像元数，再通过遥感影像的空间分辨率计算水色异常对象的分布面积，实现对水色异常对象信息的提取。
该方法中的阈值都是人为依据经验设定的，操作步骤繁琐，并且阈值的选取因不同人员选取的样点数量等原因而存在差异，因此水色异常对象提取的面积和范围容易由于人为原因造成精确度低；同时此方法仅考虑了红波段和近红外两个波段，没有考虑水色异常对象在其他波段的光谱信息，造成光谱信息的大量丢失(而且对于某些水色异常对象而言，并没有明显的特征波段)，从而大大降低了水色异常对象提取的精确度。另外，上述方法适用于水色异常对象完全覆盖水面状况的信息提取，但是对于水体和水色异常对象混合的像元(不同混合比例的水色异常对象和水体构成的像元或处于不同水体深度的水色异常对象组成的像元)，提取精确度极低。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何以简单、自动化的方式获取高精确度的水色异常对象的分布。
(二)技术方案
为了解决上述技术问题，本发明提供了基于多光谱遥感影像的水色异常对象提取方法，所述方法包括以下步骤：
S1、获取含有水色异常对象的水面的多光谱遥感影像，并根据所获取的多光谱遥感影像获取对应的遥感反射率；
S2、对所述遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率；
S3、利用所述水域部分的遥感反射率构建多维光谱空间，并对所述多维光谱空间进行主成分分析获得第一主成分；
S4、计算所述第一主成分的直方图，设置最小像元灰度值为初始阈值，并把初始阈值作为第一主成分的分割阈值；
S5、利用所述分割阈值对所述第一主成分进行分割，形成目标分量和背景分量两部分，其中目标分量的灰度均值大于背景分量的灰度均值；
S6、计算目标分量中所有像元的灰度均值以及目标分量中所有像元的个数占第一主成分像元总数的比例；计算背景分量中所有像元的灰度均值和背景分量中所有像元的个数占第一主成分像元总数的比例，并利用所述均值和比例计算目标分量和背景分量之间的类间方差；
S7、判断目标分量和背景分量之间的类间方差是否大于预定的类间方差，若是，则更新所述预定的类间方差值为当前的类间方差值；若否，则保留当前预定的类间方差值；
S8、将直方图中所有像元灰度值作为分割阈值从小到大依次遍历，重复步骤S5-S7，获取目标分量和背景分量之间的类间方差最大时的像元值，并作为分割阈值；
S9、将分割阈值更新为当前的分割阈值的预定倍数，并利用更新后的分割阈值对所述第一主成分进行分割，形成水色异常对象部分和背景部分；同时根据所述水色异常对象部分确定水色异常对象的位置分布；
S10、对所述水色异常对象部分进行像元统计，并根据统计结果计算水色异常对象分布的面积，获取水色异常对象的面积和分布。
优选地，所述步骤S4中在计算所述第一主成分生成直方图，之后利用所述直方图信息计算所述第一主成分的分割阈值。
优选地，所述预定倍数根据水色异常对象设置。
优选地，所述步骤S3中构建多维光谱空间之后还包括：
对于每一个波段，计算其在不同光谱空间的相关矩阵；
利用所有的所述相关矩阵确定所述第一主成分。
优选地，所述水色异常对象为水华、浒苔、赤潮、溢油、黑水团或漂浮垃圾等。
一种基于多光谱遥感影像的水色异常对象提取系统，所述系统包括数据获取单元、数据分离单元、第一主成分获取单元、数据处理单元以及分布提取单元；所述数据处理单元包括分割子单元和计算子单元；
所述数据获取单元用于获取含有水色异常对象的水面多光谱遥感影像，并根据所获取的多光谱遥感影像获取对应的遥感反射率；
所述数据分离单元用于对所述遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率；
所述第一主成分获取单元用于利用所述水域部分的遥感反射率构建多维光谱空间，并对所述多维光谱空间进行主成分分析获得第一主成分；
所述计算子单元用于所述第一主成分的直方图，并设置分割阈值为所述最小像元值；所述分割子单元用于利用所述分割阈值对所述第一主成分进行分割，形成目标分量和背景分量；所述计算子单元还用于计算所述目标分量中所有像元的灰度均值以及目标分量中所有像元的个数占第一主成分像元总数的比例，计算所述背景分量中所有像元的灰度均值和背景分量中所有像元的个数占第一主成分像元总数的比例，利用所述均值和比例计算目标分量和背景分量之间的类间方差，之后所述计算子单元还用于判断所述目标分量和背景分量之间的类间方差是否大于预定的类间方差，若是，则更新所述预定的类间方差值为当前的类间方差值，若否，则保留当前预定的类间方差值；将直方图中所有像元值作为分割阈值从小到大依次遍历，获取目标分量和背景分量之间类间方差最大时的分割阈值，将当前的分割阈值输出给所述分布提取单元；
所述分布提取单元用于将分割阈值更新为当前分割阈值的预定倍数，并利用更新后的分割阈值对所述第一主成分进行分割，形成水色异常对象部分和背景部分，之后对所述水色异常对象部分进行像元统计，并根据统计结果计算水色异常对象分布的面积；所述分布提取单元还用于根据所述水色异常对象部分可以确定水色异常对象的位置。
优选地，所述计算子单元在在计算所述第一主成分的生成直方图，之后利用所述直方图信息计算所述第一主成分的分割阈值。
优选地，所述预定倍数根据水色异常对象设置。
优选地，所述第一主成分获取单元在构建多维光谱空间之后还用于：对于每一个波段，计算其在不同光谱空间的相关矩阵；利用所有的所述相关矩阵确定所述第一主成分。
优选地，所述水色异常对象为水华、浒苔、赤潮、溢油、黑水团或漂浮垃圾等。
(三)有益效果
本发明提供了一种基于多光谱遥感影像的水色异常对象提取方法及系统，本发明首先获取遥感影像的反射率，之后进行水陆分离及去云处理得到水域部分的遥感反射率，并对遥感反射率进行主成分分析获得第一主成分；之后对第一主成分图像进行直方图分析，设置阈值，利用阈值把第一主成分分割成目标分量和背景分量两部分，其中目标分量的灰度均值大于背景分量的灰度均值。利用目标分量和背景分量之间的类间方差最大时的阈值并设定倍数对第一主成分进行分割，得到目标(均值较大的部分)，即水色异常对象部分；之后对水色异常对象部分进行像元统计，并根据统计结果计算水色异常对象分布面积，获取水色异常对象的面积和分布。本发明所可最大程度的保留多波段的信息量，避免传统方法仅使用红波段和近红外波段的信息；其次对于图像信息的异常提取时，本发明完全基于计算机自动计算获取分割阈值，和传统方法相比，可大大节省信息提取的时间，实现了简单、高效、迅速、精确地提取水色异常对象的分布面积。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的基于多光谱遥感影像的水色异常对象面积提取方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
一种基于多光谱遥感影像的水色异常对象面积提取方法，如图1所示，所述方法包括以下步骤：
S1、获取含有水色异常对象的水面的多光谱遥感影像，并根据所获取的多光谱遥感影像获取对应的遥感反射率；
S2、对所述遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率；
S3、利用所述水域部分的遥感反射率构建多维光谱空间，并对所述多维光谱空间进行主成分分析获得第一主成分；
S4、计算所述第一主成分的直方图，设置最小像元灰度值为初始阈值，并把初始阈值作为第一主成分的分割阈值；
S5、利用所述分割阈值对所述第一主成分进行分割，形成目标分量和背景分量两部分，其中目标分量的灰度均值大于背景分量的灰度均值；
S6、计算目标分量中所有像元的灰度均值以及目标分量中所有像元的个数占第一主成分像元总数的比例；计算背景分量中所有像元的灰度均值和背景分量中所有像元的个数占第一主成分像元总数的比例，并利用所述均值和比例计算目标分量和背景分量之间的类间方差；
S7、判断目标分量和背景分量之间的类间方差是否大于预定的类间方差，若是，则更新所述预定的类间方差为当前的类间方差；若否，则保留当前预定的类间方差；
S8、将直方图中所有像元灰度值作为分割阈值从小到大依次遍历，重复步骤S5-S7，获取目标分量和背景分量之间的类间方差最大时的像元值，并作为分割阈值；
S9、将分割阈值更新为当前的分割阈值的预定倍数，并利用更新后的分割阈值对所述第一主成分进行分割，形成水色异常对象部分和背景部分；同时根据所述水色异常对象部分确定水色异常对象的位置分布；
S10、对所述水色异常对象部分进行像元统计，并根据统计结果计算水色异常对象分布的面积，获取水色异常对象的面积和分布。其中，像元就是传统图像的像素，遥感影像像元就是遥感影像的像素代表的地面实际大小。
上述步骤中，最小像元值为对应直方图的最左侧的横坐标的值，其中直方图的横坐标表示像元灰度值，并且按照从小到大的顺序排列，纵坐标表示像元个数。第二像元值为对应直方图的与所述最小像元值相邻并且位于所述最小像元值右侧的像元值。
上述方法先对影像进行主成分分析，获取图像信息量最大的第一主成分，再对第一主成分进行水色异常(浒苔)的信息提取，可在最大限度的减少图像信息量丢失的情况下进行水色异常的提取，避免了信息的丢失，还可以利用计算机自动提取水色异常(浒苔)，减少人为判断阈值的不精确性，提高水色异常(浒苔)的提取精度和速度。该种方法的优点是快速，全自动化，精度高。
进一步地，所述步骤S4中在计算所述第一主成分生成直方图，之后利用所述直方图信息计算所述第一主成分的分割阈值。
进一步地，所述预定倍数根据水色异常对象设置。
进一步地，所述步骤S3中构建多维光谱空间之后还包括：
对于每一个波段，计算其在不同光谱空间的相关矩阵；
利用所有的所述相关矩阵确定所述第一主成分。
进一步地，所述水色异常对象为水华、浒苔、赤潮、溢油、黑水团或漂浮垃圾等。
对应于上述方法存在一种基于多光谱遥感影像的水色异常对象面积提取系统，所述系统包括数据获取单元、数据分离单元、第一主成分获取单元、数据处理单元以及分布提取单元；所述数据处理单元包括分割子单元和计算子单元；
所述数据获取单元用于获取含有水色异常对象的水面的多光谱遥感影像，并根据所获取的多光谱遥感影像获取对应的遥感反射率；
所述数据分离单元用于对所述遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率；
所述第一主成分获取单元用于利用所述水域部分的遥感反射率构建多维光谱空间，并对所述多维光谱空间进行主成分分析获得第一主成分；
所述计算子单元用于所述第一主成分的直方图，并设置分割阈值为所述最小像元值；所述分割子单元用于利用所述分割阈值对所述第一主成分进行分割，形成目标分量和背景分量；所述计算子单元还用于计算所述目标分量中所有像元的灰度均值以及目标分量中所有像元的个数占第一主成分像元总数的比例，计算所述背景分量中所有像元的灰度均值和背景分量中所有像元的个数占第一主成分像元总数的比例，利用所述均值和比例计算目标分量和背景分量之间的类间方差，之后所述计算子单元还用于判断所述目标分量和背景分量之间的类间方差是否大于预定的类间方差，若是，则更新所述预定的类间方差值为当前的类间方差值，若否，则保留当前预定的类间方差值；将直方图中所有像元值作为分割阈值从小到大依次遍历，获取目标分量和背景分量之间类间方差最大时的分割阈值，将当前的分割阈值输出给所述分布提取单元；
所述分布提取单元用于将分割阈值更新为当前分割阈值的预定倍数，并利用更新后的分割阈值对所述第一主成分进行分割，形成水色异常对象部分(均值较大的部分)和背景部分(均值较小的部分)，之后对所述水色异常对象分量进行像元统计，并根据统计结果计算水色异常对象分布的面积。
进一步地，所述计算子单元在在计算所述第一主成分的生成直方图，之后利用所述直方图信息计算所述第一主成分的分割阈值。
进一步地，所述预定倍数根据水色异常对象设置。
进一步地，所述第一主成分获取单元在构建多维光谱空间之后还用于：对于每一个波段，计算其在不同光谱空间的相关矩阵；利用所有的所述相关矩阵确定所述第一主成分。
进一步地，所述水色异常对象为浒苔，但是不限于浒苔。
上述方法和系统可以实现浒苔信息的快速、精确提取，可减少信息损失、提高浒苔遥感提取的精度，降低人为设置阈值的不确定性，提高浒苔遥感监测的速度和精确性。
下面通过一个具体的实施例对上述方法进行详细说明，此实施例以浒苔为例。
1、获取多光谱影像的遥感反射率；
2、对遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率；
3、对水域部分的遥感反射率构建多维光谱空间，进行光谱空间的主成分分析，获取水域部分的第一主成分P0；
4、对第一主成分P0进行直方图分析，设置P0的最小像元值为初始阈值T0，并把初始阈值作为第一主成分的分割阈值；
5、利用阈值T0对第一主成分图像P0进行分割，分割成两部分即目标P1(均值较大的部分)、背景P2(均值较小的部分)；
6、分别计算目标和背景两部分的均值μ1和μ2及像元数占第一主成分像元总数的比例ω1、ω2；计算两部分的类间方差g＝ω1ω2(μ1-μ2)^2；
7、判断目标和背景之间的类间方差是否大于预定的类间方差，若是，则更新所述预定的类间方差值为当前的类间方差值；若否，则保留当前预定的类间方差值；
8、将直方图中所有像元灰度值作为分割阈值从小到大依次遍历，重复步骤5-7，获取目标分量和背景分量之间的类间方差最大时的像元值，并作为分割阈值；
9、当类间方差g最大时，选取此时的Tn，设置阈值倍数N，得到NTn，利用NTn对第一主成分P0进行分割，得到浒苔(均值较大的部分)和背景(均值较小的部分)二值影像；其中，上述阈值倍数N根据数据源以及水色异常对象的不同而做不同的设置，例如水色异常对象是浒苔、数据源是HJ-CCD时，阈值倍数设置为1.4-1.6；水色异常对象是水华、数据源是MODIS时，阈值倍数设置为1.0-1.2。
10、对浒苔分布(水色异常区)影像进行像元统计分析，得到像元总数；依据像元的大小(遥感影像的地面空间分辨率，、这里的大小就是宽度，如HJ-CCD影像是30m*30m，GF-1WFV影像是16m*16m)计算浒苔的分布面积。
本实施例首先对多光谱遥感影像的反射率进行光谱空间变换，计算不同波段在不同波谱空间的相关矩阵，得到反映多光谱遥感影像主要信息的第一主成分，然后对第一主成分进行图像分割，形成两部分，直至分成的两部分影像之间类间方差最大，选取此时的分割阈值，再依据不同的水色异常对象(例如浒苔)设置不同的倍数，对主成分图像进行分割，获取浒苔(水色异常)的分布状况，再依据像元大小(遥感影像的空间分辨率)计算浒苔的分布面积。这种方法在遥感反射率的基础上快速、自动化的提取浒苔的分布面积及空间分布特征，为浒苔的应急监测提供可靠的监测结果，为污防治和环境应急管理部门提供技术支撑。
以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于多光谱遥感影像的水色异常对象提取方法，其特征在于，所述方法包括以下步骤：
S1、获取含有水色异常对象的水面的多光谱遥感影像，并根据所获取的多光谱遥感影像获取对应的遥感反射率；
S2、对所述遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率；
S3、利用所述水域部分的遥感反射率构建多维光谱空间，并对所述多维光谱空间进行主成分分析获得第一主成分；
S4、计算所述第一主成分的直方图，设置最小像元灰度值为初始阈值，并把初始阈值作为第一主成分的分割阈值；
S5、利用所述分割阈值对所述第一主成分进行分割，形成目标分量和背景分量两部分，其中目标分量的灰度均值大于背景分量的灰度均值；
S6、计算目标分量中所有像元的灰度均值以及目标分量中所有像元的个数占第一主成分像元总数的比例；计算背景分量中所有像元的灰度均值和背景分量中所有像元的个数占第一主成分像元总数的比例，并利用所述均值和比例计算目标分量和背景分量之间的类间方差；
S7、判断目标分量和背景分量之间的类间方差是否大于预定的类间方差，若是，则更新所述预定的类间方差值为当前的类间方差值；若否，则保留当前预定的类间方差值；
S8、将直方图中所有像元灰度值作为分割阈值从小到大依次遍历，重复步骤S5-S7，获取目标分量和背景分量之间的类间方差最大时的像元值，并作为分割阈值；
S9、将分割阈值更新为当前的分割阈值的预定倍数，并利用更新后的分割阈值对所述第一主成分进行分割，形成水色异常对象部分和背景部分；同时根据所述水色异常对象部分确定水色异常对象的位置分布；
S10、对所述水色异常对象部分进行像元统计，并根据统计结果计算水色异常对象分布的面积，获取水色异常对象的面积和分布。
2.根据权利要求1所述的方法，其特征在于，所述步骤S4中在计算所述第一主成分生成直方图，之后利用所述直方图信息计算所述第一主成分的分割阈值。
3.根据权利要求2所述的方法，其特征在于，所述预定倍数根据水色异常对象设置。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3中构建多维光谱空间之后还包括：
对于每一个波段，计算其在不同光谱空间的相关矩阵；
利用所有的所述相关矩阵确定所述第一主成分。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述水色异常对象为水华、浒苔、赤潮、溢油、黑水团或漂浮垃圾。
6.一种基于多光谱遥感影像的水色异常对象提取系统，其特征在于，所述系统包括数据获取单元、数据分离单元、第一主成分获取单元、数据处理单元以及分布提取单元；所述数据处理单元包括分割子单元和计算子单元；
所述数据获取单元用于获取含有水色异常对象的水面多光谱遥感影像，并根据所获取的多光谱遥感影像获取对应的遥感反射率；
所述数据分离单元用于对所述遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率；
所述第一主成分获取单元用于利用所述水域部分的遥感反射率构建多维光谱空间，并对所述多维光谱空间进行主成分分析获得第一主成分；
所述计算子单元用于所述第一主成分的直方图，并设置分割阈值为所述最小像元值；所述分割子单元用于利用所述分割阈值对所述第一主成分进行分割，形成目标分量和背景分量；所述计算子单元还用于计算所述目标分量中所有像元的灰度均值以及目标分量中所有像元的个数占第一主成分像元总数的比例，计算所述背景分量中所有像元的灰度的均值和背景分量中所有像元的个数占第一主成分像元总数的比例，利用所述均值和比例计算目标分量和背景分量之间的类间方差，之后所述计算子单元还用于判断所述目标分量和背景分量之间的类间方差是否大于预定的类间方差，若是，则更新所述预定的类间方差值为当前的类间方差值，若否，则保留当前预定的类间方差值；将直方图中所有像元值作为分割阈值从小到大依次遍历，获取目标分量和背景分量之间类间方差最大时的分割阈值，将当前的分割阈值输出给所述分布提取单元；
所述分布提取单元用于将分割阈值更新为当前分割阈值的预定倍数，并利用更新后的分割阈值对所述第一主成分进行分割，形成水色异常对象部分和背景部分，之后对所述水色异常对象部分进行像元统计，并根据统计结果计算水色异常对象分布的面积；所述分布提取单元还用于根据所述水色异常对象部分可以确定水色异常对象的位置。
7.根据权利要求6所述的系统，其特征在于，所述计算子单元在在依据所述第一主成分生成直方图，之后利用所述直方图信息计算所述阈值，作为第一主成分的分割阈值。
8.根据权利要求7所述的系统，其特征在于，所述预定倍数根据水色异常对象设置。
9.根据权利要求8所述的系统，其特征在于，所述第一主成分获取单元在构建多维光谱空间之后还用于：对于每一个波段，计算其在不同光谱空间的相关矩阵；利用所有的所述相关矩阵确定所述第一主成分。
10.根据权利要求6至9任一项所述的系统，其特征在于，所述水色异常对象为水华、浒苔、赤潮、溢油、黑水团或漂浮垃圾。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610111884.7A CN105761286A (zh) | 2016-02-29 | 2016-02-29 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610111884.7A CN105761286A (zh) | 2016-02-29 | 2016-02-29 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105761286A true CN105761286A (zh) | 2016-07-13 |
Family
ID=56330491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610111884.7A Pending CN105761286A (zh) | 2016-02-29 | 2016-02-29 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105761286A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504189A (zh) * | 2016-11-29 | 2017-03-15 | 福建四创软件有限公司 | 一种基于gis的海洋受灾面积提取方法 |
| CN106706522A (zh) * | 2016-12-31 | 2017-05-24 | 环境保护部卫星环境应用中心 | 一种磷石膏的遥感识别方法及其系统 |
| CN106803078A (zh) * | 2017-01-18 | 2017-06-06 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
| CN106918559A (zh) * | 2017-05-04 | 2017-07-04 | 环境保护部卫星环境应用中心 | 一种检测水体质量的方法及装置 |
| CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
| CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
| CN107229907A (zh) * | 2017-05-09 | 2017-10-03 | 宁波大红鹰学院 | 一种利用无人机检测海洋赤潮发生面积的方法 |
| CN108133483A (zh) * | 2017-12-22 | 2018-06-08 | 辽宁师范大学 | 基于计算机视觉技术的赤潮实时监测方法 |
| CN108169142A (zh) * | 2017-12-20 | 2018-06-15 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
| CN109269989A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
| CN109472804A (zh) * | 2018-11-05 | 2019-03-15 | 南方科技大学 | 基于遥感影像的陆表水体提取方法和装置 |
| CN109814551A (zh) * | 2019-01-04 | 2019-05-28 | 丰疆智慧农业股份有限公司 | 谷物处理自动驾驶系统、自动驾驶方法以及自动识别方法 |
| CN110322452A (zh) * | 2019-07-03 | 2019-10-11 | 云南电网有限责任公司电力科学研究院 | 一种多光谱图像油料区划分方法及装置 |
| CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
| CN113177979A (zh) * | 2021-06-04 | 2021-07-27 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080247640A1 (en) * | 2004-07-22 | 2008-10-09 | National University Corporation Nara Institute Of | Image Processing Device, Image Processing Method, and Recording Medium on Which the Program is Recorded |
| CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
| 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 |
| CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和系统 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN105138994A (zh) * | 2015-08-31 | 2015-12-09 | 中国科学院遥感与数字地球研究所 | 一种基于高光谱遥感图像的水华识别方法及装置 |
-
2016
- 2016-02-29 CN CN201610111884.7A patent/CN105761286A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080247640A1 (en) * | 2004-07-22 | 2008-10-09 | National University Corporation Nara Institute Of | Image Processing Device, Image Processing Method, and Recording Medium on Which the Program is Recorded |
| CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
| 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 |
| CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和系统 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN105138994A (zh) * | 2015-08-31 | 2015-12-09 | 中国科学院遥感与数字地球研究所 | 一种基于高光谱遥感图像的水华识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 吴传庆 等: "基于环境卫星CCD 数据的黄海浒苔遥感监测", 《中国环境监测》 * |
| 吴迪: "基于多光谱海洋遥感图像的地物分离方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王平: "《国土资源遥感技术发展文集》", 31 July 2006, 吉林大学出版社 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504189A (zh) * | 2016-11-29 | 2017-03-15 | 福建四创软件有限公司 | 一种基于gis的海洋受灾面积提取方法 |
| CN106706522A (zh) * | 2016-12-31 | 2017-05-24 | 环境保护部卫星环境应用中心 | 一种磷石膏的遥感识别方法及其系统 |
| CN106803078A (zh) * | 2017-01-18 | 2017-06-06 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
| CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
| CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
| CN106971146B (zh) * | 2017-03-03 | 2018-04-03 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
| CN106918559A (zh) * | 2017-05-04 | 2017-07-04 | 环境保护部卫星环境应用中心 | 一种检测水体质量的方法及装置 |
| CN106918559B (zh) * | 2017-05-04 | 2019-03-12 | 环境保护部卫星环境应用中心 | 一种检测水体质量的方法及装置 |
| CN107229907A (zh) * | 2017-05-09 | 2017-10-03 | 宁波大红鹰学院 | 一种利用无人机检测海洋赤潮发生面积的方法 |
| CN108169142A (zh) * | 2017-12-20 | 2018-06-15 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
| CN108169142B (zh) * | 2017-12-20 | 2019-02-22 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
| CN108133483A (zh) * | 2017-12-22 | 2018-06-08 | 辽宁师范大学 | 基于计算机视觉技术的赤潮实时监测方法 |
| CN108133483B (zh) * | 2017-12-22 | 2021-06-15 | 辽宁师范大学 | 基于计算机视觉技术的赤潮实时监测方法 |
| CN109269989A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
| CN109472804A (zh) * | 2018-11-05 | 2019-03-15 | 南方科技大学 | 基于遥感影像的陆表水体提取方法和装置 |
| CN109814551A (zh) * | 2019-01-04 | 2019-05-28 | 丰疆智慧农业股份有限公司 | 谷物处理自动驾驶系统、自动驾驶方法以及自动识别方法 |
| CN110322452A (zh) * | 2019-07-03 | 2019-10-11 | 云南电网有限责任公司电力科学研究院 | 一种多光谱图像油料区划分方法及装置 |
| CN110322452B (zh) * | 2019-07-03 | 2023-07-14 | 云南电网有限责任公司电力科学研究院 | 一种多光谱图像油料区划分方法及装置 |
| CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
| CN113177979A (zh) * | 2021-06-04 | 2021-07-27 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105761286A (zh) | 基于多光谱遥感影像的水色异常对象提取方法及系统 | |
| CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
| Arévalo et al. | Shadow detection in colour high‐resolution satellite images | |
| CN110599552B (zh) | 一种基于计算机视觉的pH试纸检测方法 | |
| DE102011106052B4 (de) | Schattenentfernung in einem durch eine fahrzeugbasierte Kamera erfassten Bild unter Verwendung eines nichtlinearen beleuchtungsinvarianten Kerns | |
| CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
| CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
| CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
| DE102011106050A1 (de) | Schattenentfernung in einem durch eine fahrzeugbasierte Kamera erfassten Bild zur Detektion eines freien Pfads | |
| CN103927741A (zh) | 增强目标特征的sar图像合成方法 | |
| DE102011106072A1 (de) | Schattenentfernung in einem durch eine fahrzeugbasierte kamera erfassten bild unter verwendung einer optimierten ausgerichteten linearen achse | |
| CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
| Cai et al. | Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index | |
| CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
| CN105740844A (zh) | 基于图像识别技术的绝缘子炸裂故障检测方法 | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| CN102855627A (zh) | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 | |
| CN116630352A (zh) | 一种基于双向级联像素差分网络的岩心测量方法及装置 | |
| CN103743750A (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
| CN115984672A (zh) | 基于深度学习的高清图像内小目标的检测方法和装置 | |
| CN111985436A (zh) | 一种基于lsd的车间地标线识别拟合方法 | |
| CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
| CN112036246B (zh) | 遥感影像分类模型的构建方法，遥感影像分类方法及系统 | |
| CN115311566A (zh) | 一种云掩模图像的生成方法和预训练网络训练方法 | |
| CN112307873A (zh) | 一种基于全卷积神经网络的违章建筑自动识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160713 |