CN106709517A - 红树林识别方法及系统 - Google Patents

红树林识别方法及系统 Download PDF

Info

Publication number
CN106709517A
CN106709517A CN201611178117.4A CN201611178117A CN106709517A CN 106709517 A CN106709517 A CN 106709517A CN 201611178117 A CN201611178117 A CN 201611178117A CN 106709517 A CN106709517 A CN 106709517A
Authority
CN
China
Prior art keywords
mangrove
image
identified
module
segmentation
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
Application number
CN201611178117.4A
Other languages
English (en)
Other versions
CN106709517B (zh
Inventor
宋芳妮
王玮哲
赵军
陈元伟
覃文建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Space Star Technology Co Ltd
Original Assignee
Space Star Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Space Star Technology Co Ltd filed Critical Space Star Technology Co Ltd
Priority to CN201611178117.4A priority Critical patent/CN106709517B/zh
Publication of CN106709517A publication Critical patent/CN106709517A/zh
Application granted granted Critical
Publication of CN106709517B publication Critical patent/CN106709517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/10041—Panchromatic 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
    • G06T2207/20004—Adaptive image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种红树林识别方法及系统，其中方法包括：读取待识别遥感图像，采用假彩色合成技术对待识别遥感图像进行处理，获取相应的假彩色图像；基于超像素算法对假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像；对每一个假彩色子图像进行属性参数的计算，生成相应的带有矢量信息的待识别文件；运用基于综合特征的红树林识别算法对每一份待识别文件进行红树林识别，获取待识别遥感图像中的红树林区域。其采用基于超像素算法对待识别遥感图像进行自适应分割，利用像素之剑特征的相似程度将遥感图像中的像素进行分组的目的，降低了后续图像处理任务的复杂度，从而提高了红树林识别效率。

Description

红树林识别方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种红树林识别方法及系统。
背景技术
红树林是生长在热带、亚热带沿海潮间带滩涂上特有的木本植物群落，属于常绿阔叶林，对海岸带的环境保护、生态平衡以及生物多样化保护有非常重要的意义。由于红树林主要分布于淤泥深厚的海湾或河口盐渍土壤上，其特殊的生长环境不利于大面积的野外实地调查，往往需要借助遥感技术来快速进行监测和调查。由此，基于遥感图像的红树林检测技术具有重要的意义。目前，传统的基于遥感图像的红树林检测技术主要有目视解译法、波段组合法、图像分类法、专家分类法、模糊分类法和面向对象分类法等。但是，上述方法中对图像的处理大多以像素为单位，用二维矩阵来表示一张图像，并且其通常没有考虑像素之间的空间组织关系，这就使得检测算法处理效率过低，从而影像红树林的识别效率。
发明内容
有鉴于此，本发明实施例提供一种红树林识别方法及系统，以解决传统的红树林检测技术的识别效率较低的问题。
为实现本发明目的提供的一种红树林识别方法，包括如下步骤：
读取待识别遥感图像，采用假彩色合成技术对所述待识别遥感图像进行处理，获取相应的假彩色图像；
基于超像素算法对所述假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像；
对每一个所述假彩色子图像进行属性参数的计算，生成相应的带有矢量信息的待识别文件；
运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别，获取所述待识别遥感图像中的红树林区域。
在其中一个实施例中，所述采用假彩色合成技术对所述待识别遥感图像进行处理，获取相应的假彩色图像，包括如下步骤：
由所述待识别遥感图像中提取出三帧单谱段图像；其中，所述三帧单谱段图像分别为：第一谱段图像、第二谱段图像和第三谱段图像；
逐个将所述第一谱段图像中像元的灰度、第二谱段图像中像元的灰度和第三谱段图像中像元的灰度分别映射为LAB空间的色调分量、明度分量和彩度分量；
将映射得到的LAB空间的色调分量、明度分量和彩度分量进行合成，得到所述假彩色图像。
在其中一个实施例中，所述基于超像素算法对所述假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像，包括如下步骤：
初始化超像素分割的距离、标签和聚类中心；
以当前像素点为中心，预设距离范围内计算当前像素点到所有种子点的距离；
根据计算出的距离重新计算所述聚类中心，得到实际聚类中心；
判断重新计算出的所述实际聚类中心与初始化设定的所述聚类中心是否相同；
当判断出所述实际聚类中心与初始化设定的所述聚类中心相同时，结束分割；当判断出所述实际聚类中心与初始化设定的所述聚类中心不同时，返回继续执行所述以当前像素点为中心，预设距离范围内计算当前像素点到所有种子点的距离的步骤，直至所述实际聚类中心与初始化设定的所述聚类中心相同为止。
在其中一个实施例中，对所述假彩色图像进行分割得到多个所述假彩色子图像后，还包括如下步骤：
判断每个所述假彩色子图像是否满足目视分割要求；
当判断出所述假彩色子图像均满足所述目视分割要求时，直接执行所述对每一个所述假彩色子图像进行属性参数的计算的步骤；
当判断出所述假彩色子图像不满足所述目视分割要求时，根据预先设定的分割参数对所述假彩色子图像进行进一步分割，直至分割得到的图像满足所述目视分割要求。
在其中一个实施例中，所述运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别，包括如下步骤：
对每一份所述待识别文件进行归一化植被指数分析计算，并根据计算得到的所述归一化植被指数区分所述待识别文件中的不同地物类型；
根据红树林的特征和研究区域的可标定性，将所述待识别文件中的无红树林的陆地植被区剔除，并通过掩膜技术建立仅保留有红树林的潮间带和海水解译区的遥感影像掩膜图；
采用支持向量机分类方法区分所述遥感影像掩膜图中的红树林和非红树林。
在其中一个实施例中，所述运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别之后，还包括如下步骤：
判断识别结果是否满足目视识别要求；
若是，则标记所述红树林区域；若否，则启动自定义识别，对所述待识别文件继续进行识别。
在其中一个实施例中，获取所述红树林区域后，还包括如下步骤：
计算所述红树林区域的面积；
根据计算得到的面积监测不同时期所述红树林区域的变化趋势。
相应的，本发明还提供了一种红树林识别系统，其包括图像合成模块、图像分割模块、图像计算模块和图像识别模块；
所述图像合成模块，用于读取待识别遥感图像，采用假彩色合成技术对所述待识别遥感图像进行处理，获取相应的假彩色图像；
所述图像分割模块，用于基于超像素算法对所述假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像；
所述图像计算模块，用于对每一个所述假彩色子图像进行属性参数的计算，生成相应的带有矢量信息的待识别文件；
所述图像识别模块，用于运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别，获取所述待识别遥感图像中的红树林区域。
在其中一个实施例中，还包括第一判断模块和精细分割模块；
所述第一判断模块，用于判断每个所述假彩色子图像是否满足目视分割要求；
所述第一判断模块，还用于当判断出所述假彩色子图像均满足所述目视分割要求时，直接跳转至所述图像计算模块，由所述图像计算模块执行所述对每一个所述假彩色子图像进行属性参数的计算的步骤；
所述第一判断模块，还用于当判断出所述假彩色子图像不满足所述目视分割要求时，跳转至所述精细分割模块，由所述精细分割模块根据预先设定的分割参数对所述假彩色子图像进行进一步分割，直至分割得到的图像满足所述目视分割要求。
在其中一个实施例中，还包括第二判断模块、红树林标记模块和自定义识别模块；
所述第二判断模块，用于判断所述图像识别模块对所述待识别文件进行识别后得到的识别结果是否满足目视识别要求；
所述第二判断模块，还用于当判断出所述识别结果满足所述目视识别要求时，跳转至所述红树林标记模块，由所述红树林标记模块标记所述红树林区域；
所述第二判断模块，还用于当判断出所述识别结果不满足所述目视识别要求时，跳转至所述自定义识别模块，由所述自定义识别模块启动自定义识别，对所述待识别文件继续进行识别。
在其中一个实施例中，还包括面积计算模块和变化趋势监测模块；
所述面积计算模块，用于计算所述红树林区域的面积；
所述变化趋势监测模块，用于根据计算得到的面积监测不同时期所述红树林区域的变化趋势。
采用上述技术方案，本发明至少可取得下述技术效果：
其通过基于遥感图像，对待识别遥感图像中的红树林区域进行识别时，首先采用假彩色合成技术对待识别遥感图像进行处理以获取相应的假彩色图像，进而再基于超像素算法对合成的假彩色图像进行分割，得到多个假彩色子图像，并对每一个假彩色子图像进行属性参数的计算生成相应的带有矢量信息的待识别文件，最后再运用基于综合特征的红树林识别算法对每一份待识别文件进行红树林识别，从而获取待识别遥感图像中的红树林区域。由于本发明的红树林识别方法中，在对红树林区域进行识别之前，采用基于超像素算法对待识别遥感图像进行自适应分割，从而实现了利用像素之剑特征的相似程度将遥感图像中的像素进行分组的目的，由此可以获取遥感图像的冗余信息，在很大程度上降低了后续图像处理任务的复杂度，这也就有效简化了后续红树林区域识别的难度，从而提高了红树林识别效率，最终有效解决了传统的红树林检测技术的识别效率较低的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，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，还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是本实施例所述的红树林识别方法的流程图；
图2是本实施例所述的红树林识别方法中采用假彩色合成技术对待识别遥感图像进行处理的原理示意图；
图3是本实施例所述的红树林识别方法中采用假彩色合成技术处理待识别遥感图像并对处理后的待识别遥感图像进行分割的流程图；
图4是本实施例所述的红树林识别方法中运用基于综合特征的红树林识别算法对待识别文件进行红树林自动识别过程中进行SVM分类的原理图；
图5是采用Landsat 8 OLIl陆地成像仪(空间分辨率30米)所采集到的遥感图像；
图6是对图5的右下角区域图像进行假彩色合成后的图像；
图7是本实施例所述的红树林识别方法中超像素聚类算法的示意图；
图8是本实施例所述的红树林识别方法中对假彩色图像进行多尺度分割的参数设置界面示意图；
图9a—图9l是通过设置不同分割参数后对图6进行分割后的效果图；
图10是本实施例所述的红树林识别系统的结构示意图。
贯穿附图，应该注意的是，相似的标号用于描绘相同或相似的元件、特征和结构。
具体实施方式
提供以下参照附图的描述来帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。以下描述包括帮助理解的各种具体细节，但是这些细节将被视为仅是示例性的。因此，本领域普通技术人员将认识到，在不脱离本公开的范围和精神的情况下，可对本文所述的各种实施例进行各种改变和修改。另外，为了清晰和简洁，公知功能和构造的描述可被省略。
以下描述和权利要求书中所使用的术语和词汇不限于文献含义，而是仅由发明人用来使本公开能够被清晰和一致地理解。因此，对于本领域技术人员而言应该明显的是，提供以下对本公开的各种实施例的描述仅是为了示例性目的，而非限制由所附权利要求及其等同物限定的本公开的目的。
应该理解，除非上下文明确另外指示，否则单数形式也包括复数指代。因此，例如，对“组件表面”的引用包括对一个或更多个这样的表面的引用。
图1是本实施例所述的红树林识别方法的流程图。参考图1，本实施例所述的红树林识别方法包括如下步骤：首先，包括步骤S100，读取待识别遥感图像。其中，此处需要说明的是，在本实施例中，所读取的待识别遥感图像指的是卫星遥感数据，其包括Landsat-7/8(含ETM+)、SPOT-5/6、ZY3、GF-1/2栅格数据，也支持矢量数据。
读取待识别遥感图像后，为了从遥感图像中提取某种信息，必须对它进行各种处理，包括影像增强及特征提取等。因此，此时执行步骤S200，采用假彩色合成技术对待识别遥感图像进行处理，获取相应的假彩色图像。其中，参考图2，在本实施例中，其采用假彩色合成技术对待识别遥感图像进行合成处理的原理具体为：从多光谱图像中取三帧单谱段图像，逐个像元pi的灰度D1(pi)、D2(pi)、D3(pi)分别映射为LAB空间的色调分量H(pi)、明度分量L(pi)、彩度分量C(pi)，然后合成为一帧假彩色图像。
由此，基于上述合成原理，在本实施例中，其采用假彩色合成技术对待识别图像进行合成处理时，其具体包括如下步骤：首先，为了保证后续合成处理过程的有效性和准确性，其先对待识别遥感图像进行是否满足假彩色合成要求。具体的，其可通过对待识别遥感图像进行波段数的判断来实现。
即，参考图3，首先通过步骤S210，判断波段数是否大于或等于3。若是，则表明当前待识别遥感图像可以进行假彩色合成，因此此时可直接执行步骤S220，选取待识别遥感图像参与融合波段。此处，本领域技术人员可以理解的是，所选取的待识别遥感图像参与融合波段数为3。进而，再执行步骤S230，由待识别遥感图像中提取出三帧单谱段图像。其中，三帧单谱段图像分别为：第一谱段图像、第二谱段图像和第三谱段图像。并逐个将第一谱段图像中像元的灰度、第二谱段图像中像元的灰度和第三谱段图像中像元的灰度分别映射为LAB空间的色调分量、明度分量和彩度分量。最后，再通过步骤S240，将映射得到的LAB空间的色调分量、明度分量和彩度分量进行合成，得到假彩色图像。
其中，在执行步骤S210，判断波段数是否大于或等于3时，当判断处波段数小于3，则表明此时待识别遥感图像不满足假彩色合成要求，因此为了避免后续对待识别遥感图像进行无用功的合成处理等，可直接结束当前待识别遥感图像的识别过程。由此，其通过在对待识别遥感图像进行处理之前，先对其进行是否满足假彩色合成要求进行判断，既保证了后续合成处理的有效性和准确性，同时还避免了不满足要求时仍对其进行合成处理操作所导致的无用功耗。
当通过上述步骤完成对待识别遥感图像的假彩色合成之后，即可执行步骤S300，基于超像素算法对假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像。即，利用超像素算法，对合成的假彩色图像，进行面向对象的多尺度自适应分割，用户可以根据需求，设置不同尺度的分割精度，控制分割效果，且分割对象进行标签化设计。
此处，需要说明的是，由于目前传统的对图像的处理大多以像素为单位，用二维矩阵来表示一张图像，并未考虑像素之间的空间组织关系，这使得算法处理效率过低。而在本实施例中，其通过利用颜色和距离相似性进行超像素(超像素指的是具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块)分割，采用简单线性迭代聚类的方法，生成大小均匀、形状规则的分割区域，实现了利用像素之间特征的相似程度将像素分组的目的，由此可以获取图像的冗余信息，在很大程度上降低了后续图像处理任务的复杂度。
其具体原理为：将彩色图像转换为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造度量标准，对图像像素进行局部聚类的过程。该算法速度较快，能生成紧凑、近似均匀的超像素。
相应的，基于上述原理，参考图3，在本实施例中，其对假彩色图像进行面向对象的多尺度自适应分割具体包括如下步骤：首先，执行步骤S310，初始化超像素分割的距离、标签和聚类中心。即，初始化种子点。
更为具体的，假设待识别遥感图像包含有N个像素点，预分割为k个相同尺度的超像素，那么每个超像素的大小为N/K，且每个种子点的距离近似为在本实施例中，为了避免种子点处在待识别遥感图像的边缘位置，以及对后续的聚类过程造成干扰，需要将种子点在以它为中心的3*3的窗口内移动到梯度值较小的位置，同时为每个种子分配一个单独的标签。
当完成上述初始化种子点后，即可进行相似度衡量。具体的，相似度衡量指的是对于待识别遥感图像中的每个像素点，分别计算其与距离最近的种子点之间的相似度程度，并将最相似的种子点的标签赋给该像素点。然后通过不断迭代过程，直到收敛为止。其中，相似度的衡量关系如下：
其中：d1ab为像素间颜色差异，dxy为像素点间的空间距离，Di表示两个像素的相似度，其取值越大，说明两个像素越相似；s是种子点的间距：m是平衡参数，用来衡量颜色值与空间信息在相似度衡量中的比重，其经验取值范围为10-40。
更为具体的，其在进行相似度衡量时，参考图3，首先执行步骤S320，以当前像素点为中心，预设距离范围内计算当前像素点到所有种子点的距离。此处，需要说明的是，预设距离范围优选为2S*2S范围内。然后执行步骤S330，根据计算出的距离重新计算聚类中心，得到实际聚类中心。进而，执行步骤S340，判断重新计算出的实际聚类中心与初始化设定的聚类中心是否相同。当判断出实际聚类中心与初始化设定的聚类中心相同时，表明达到收敛程度，因此可直接结束分割。当判断出实际聚类中心与初始化设定的聚类中心不同时，则表明此时还未达到收敛程度，因此返回步骤S320，继续执行以当前像素点为中心，预设距离范围内计算当前像素点到所有种子点的距离的步骤，直至实际聚类中心与初始化设定的聚类中心相同为止。
其中，优选的，为了保证红树林识别结果的精确度和更易辨识度，其在对假彩色图像进行分割得到多个假彩色子图像后，还包括步骤S400，判断每个假彩色子图像是否满足目视分割要求。此处，需要说明的是，目视分割要求指的是：人眼对分割结果做出判别。
当判断出假彩色子图像均满足目视分割要求时，此处需要指出的是，目视分割要求指的是人眼对分割结果判别与实际图像区域一致，此时表明认为当前分割效果满意，因此可直接执行步骤S500，所对每一个假彩色子图像进行属性参数的计算。其中，属性参数包含红树林数量、面积信息等。当判断出假彩色子图像不满足目视分割要求时，表明认为当前分割效果不是很满意，可手动更改分割参数，或者设计规则集，实现自动和交互式的更精细的分割，直到达到人眼满意的效果为止。即，执行步骤S600，根据预先设定的分割参数对假彩色子图像进行进一步分割，直至分割得到的图像满足目视分割要求。
参考图1，当完成对假彩色图像的分割之后，即可执行步骤S500，对每一个假彩色子图像进行属性参数的计算，生成相应的带有矢量信息的待识别文件。其中，在本实施例中，其对分割区域的各对象进行属性参数的计算，生成带矢量信息的待识别文件为：shp格式文件。
进而，执行步骤S700，运用基于综合特征的红树林识别算法对每一份待识别文件进行红树林识别，获取待识别遥感图像中的红树林区域。其中，在本实施例中，其运用基于综合特征的红树林识别算法对每一份待识别文件进行红树林识别具体指的是：为了将红树林同非红树林进行有效区分，充分利用红树林的滨海湿地生态系统，采用NDVI((Normalized Difference Vegetation Index，归一化植被指数)结合SVM(SupportVector Machine，支持向量机分类方法)的算法，综合进行判断，从而识别出红树林区域。
更为具体的，归一化植被指数NDVI(Normalized Difference Vegetation Index)是反映植被生长状态及植被覆盖度的最佳指数之一。植被与非植被间的NDVI值差异明显，其中红树林和陆地植被的NDVI值远远高于海水、建筑用地。由于红树林生长区域具有周期性浸水，受高盐胁迫的特点，光谱特征不同于陆地植被，其NDVI值比其它绿色植物明显偏低，在一定程度上更突出了红树林信息，增强了地物间的可分性。
因此，在本实施例中，运用基于综合特征的红树林识别算法对每一份待识别文件进行红树林识别时，首先，对每一份待识别文件进行归一化植被指数分析计算，并根据计算得到的归一化植被指数区分所述待识别文件中的不同地物类型。即，利用NDVI将遥感图像中的不同地物类型区分开。需要指出的是，本实施例中，NDVI可通过公式：计算得到。其中，ρNIR为近红外波段，ρR为红波段。同时，NDVI的取值范围为-1.00～1.00之间，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，ρNIR和ρR的反射率近似相等；正值，表示有植被覆盖，并且NDVI值越大，表示植物覆盖度越高。
然后，再根据红树林的特征和研究区域的可标定性，将待识别文件中的无红树林的陆地植被区剔除，并通过掩膜技术建立仅保留有红树林的潮间带和海水解译区的遥感影像掩膜图。这是由于直接使用原始遥感图像直接进行红树林的分类检测，不仅数据运算量很大，而且由于无关紧要的地物种类繁多复杂，在分类过程中，极易出现错分、漏分现象。因此，在本实施例中，当完成待识别文件的NDVI指数分析之后，根据红树林的特征和研究区域的可标定性，先将待识别文件中的无红树林的陆地植被区剔除，并通过掩膜技术，建立仅保留生长红树林的潮间带和海水解译区遥感影像掩膜图，有效减小了计算量，并提高了识别结果的准确性。
其中，此处需要说明的是，掩膜后的遥感解译区主要含有红树林、海水、滩涂、水产养殖、少量陆地植被和建筑用地等类型区，能大大减少了陆地植被及其它地物的影响，更有利于红树林信息的提取。
另外，根据红树林的特征和研究区域的可标定性，将待识别文件中的无红树林的陆地植被区剔除时，主要依据以下特征进行无红树林的陆地植被区的剔除：(1)红树林生长的潮间带呈条状分布，陆地边界清晰；(2)红树林纯净像元区色调均匀，纹理平滑、细腻；(3)红树林混合像元区与陆地植物分布区之间有较明显的分界线。
待剔除无红树林的陆地植被区后，即可进行红树林的识别。即，采用支持向量机分类(SVM)方法区分遥感影像掩膜图中的红树林和非红树林。其中，参考图4，SVM的主要原理为：实心点和空心点代表两类样本，假如两类样本是线性可分的，则机器学习的结果是一个超平面或称为判别函数，该超平面可以将训练样本分为正负两类。图中H2为分类线，Hl、H3分别为过各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离叫做分类间隔，与Hl、H3相交的点就是所谓的支持向量。
更进一步的，优选的，为了更进一步的保证识别结果的准确性和清晰度，在识别出红树林区域后，其还包括步骤S800，判断识别结果是否满足目视识别要求，即人眼对识别结果判别与实际图像区域一致。若是，则执行步骤S900，标记红树林区域。若否，则执行步骤S1000，启动自定义识别。其中，自定义识别指的是：通过借助海岸线、DEM等其它辅助数据，利用包含、大小等规则集，得到准确的红树林分布区域，对待识别文件继续进行识别，直至识别结果满足目视识别结果为止。
同时，为了实现对红树林区域的监测，在本实施例中，参考图1，在完成红树林区域的识别和标记后，还包括步骤S1100，计算红树林区域的面积，以及步骤S1200，根据计算得到的面积监测不同时期,红树林区域的变化趋势，以达到对红树林区域变化趋势的监测的目的。
为了更清楚的说明本发明的红树林识别方法的技术方案，以下以一具体遥感图像为例进行更进一步的说明。其中，在本实施例中，该具体的遥感图像为Landsat 8 OLIl陆地成像仪(空间分辨率30米)所采集到的遥感图像。该遥感图像原图如图5所示。其中，图6为图5中右下角红树林密集区，且图6为对图5进行假彩色合成后的假彩色图像。图像上红色密布，说明该区森林资源丰富，生态环境良好，为进一步的分割和识别提供基础。
进一步的，对图6进行面向对象的图像自适应分割。其中，为了提高算法的运算速度，如图7所示，在对每个种子点聚类时，只在以种子点为中心的2S*2S区域内搜索相似像素点，而不是在整幅图像中寻找。
同时，参考图8，为面向对象分割的界面，通过界面内控件进行参数的设置，从而实现自适应图像分割。图像分割参数设置如下：Max Pixels：分割区域数量因子，决定分割区域的数量，实验中设定4(优选范围是3～36)。Max Compactness：尺度间隔，决定分割区域的紧凑程度，实验中设定0.4(优选范围是0.3～0.7)。Minimal Scale：最小尺度因子，决定显示的最小的分割区域尺度，实验中设定1.0(优选范围为0.1～1.0)。Iterations：迭代次数，用于设定k-means分类算法的迭代次数，实验中设定10次(优选范围为5～20)。
参考图9a—图9l，为一组不同分割数量因子，尺度间隔，迭代次数，最小尺度因子的实验结果测试图。其中，图9a为分割数量因子为4的效果图。图9b为分割数量因子为10的效果图。图9c为分割数量因子为30的效果图。图9d为尺度间隔为0.3的效果图。图9e为尺度间隔为0.5的效果图。图9f为尺度间隔为0.7的效果图。图9g为迭代次数为5次的效果图。图9h为迭代次数为10次的效果图。图9i为迭代次数为20次的效果图。图9j为最小尺度因子为0.1的效果图。图9k为最小尺度因子为0.25的效果图。图9l为最小尺度因子为0.5的效果图。由此可见，分割数量因子越大，获得的分割区域越多；尺度间隔越小，分割区域越紧凑；迭代次数越多，对区域内不同地物边界划分越细致；最小尺度因子越小，能将极小的区域从大区域中细分出来。
由此，本发明的基于多光谱遥感图像的逐级分类红树林提取方法，利用覆盖蓝、绿、红、近红外、短波红外的多光谱遥感数据，经过面向对象的多尺度分割、植被指数计算，结合行政区域、海岸线、DEM等辅助信息，通过包含、大小等逻辑关系运算，最终对沿海土地的红树林进行识别，得到相应的红树林分布图。其有效提高了红树林的识别效率，并且保证了红树林识别结果的准确性。
相应的，为了实现上述任一种红树林识别方法，本发明还提供了一种红树林识别系统。由于本发明的红树林识别系统的工作原理与本发明的红树林识别方法原理相同或相似，因此重复之处不再赘述。
参考图10，本实施例所述的红树林识别系统100包括图像合成模块110、图像分割模块120、图像计算模块130和图像识别模块140。其中，图像合成模块110，用于读取待识别遥感图像，采用假彩色合成技术对待识别遥感图像进行处理，获取相应的假彩色图像。图像分割模块120，用于基于超像素算法对假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像。图像计算模块130，用于对每一个假彩色子图像进行属性参数的计算，生成相应的带有矢量信息的待识别文件。图像识别模块140，用于运用基于综合特征的红树林识别算法对每一份待识别文件进行红树林识别，获取待识别遥感图像中的红树林区域。
进一步的，本实施例的红树林识别系统100还包括第一判断模块和精细分割模块(图中均未示出)。其中，第一判断模块，用于判断每个假彩色子图像是否满足目视分割要求。第一判断模块，还用于当判断出假彩色子图像均满足目视分割要求时，直接跳转至图像计算模块130，由图像计算模块130执行对每一个假彩色子图像进行属性参数的计算的步骤。第一判断模块，还用于当判断出假彩色子图像不满足目视分割要求时，跳转至精细分割模块，由精细分割模块根据预先设定的分割参数对假彩色子图像进行进一步分割，直至分割得到的图像满足目视分割要求。
更进一步的，本实施例的红树林识别系统100还包括第二判断模块、红树林标记模块和自定义识别模块(图中均未示出)。其中，第二判断模块，用于判断图像识别模块对待识别文件进行识别后得到的识别结果是否满足目视识别要求。第二判断模块，还用于当判断出识别结果满足目视识别要求时，跳转至红树林标记模块，由红树林标记模块标记红树林区域。第二判断模块，还用于当判断出识别结果不满足目视识别要求时，跳转至自定义识别模块，由自定义识别模块启动自定义识别，对待识别文件继续进行识别。
优选的，本实施例的红树林识别系统100还包括面积计算模块和变化趋势监测模块(图中均未示出)。其中，面积计算模块，用于计算红树林区域的面积。变化趋势监测模块，用于根据计算得到的面积监测不同时期红树林区域的变化趋势。
应该注意的是，如上所述的本公开的各种实施例通常在一定程度上涉及输入数据的处理和输出数据的生成。此输入数据处理和输出数据生成可在硬件或者与硬件结合的软件中实现。例如，可在移动装置或者相似或相关的电路中采用特定电子组件以用于实现与如上所述本公开的各种实施例关联的功能。另选地，依据所存储的指令来操作的一个或更多个处理器可实现与如上所述本公开的各种实施例关联的功能。如果是这样，则这些指令可被存储在一个或更多个非暂时性处理器可读介质上，这是在本公开的范围内。处理器可读介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光学数据存储装置。另外，用于实现本公开的功能计算机程序、指令和指令段可由本公开所属领域的程序员容易地解释。
尽管已参照本公开的各种实施例示出并描述了本公开，但是本领域技术人员将理解，在不脱离由所附权利要求及其等同物限定的本公开的精神和范围的情况下，可对其进行形式和细节上的各种改变。

Claims (11)

1.一种红树林识别方法，其特征在于，包括如下步骤：
读取待识别遥感图像，采用假彩色合成技术对所述待识别遥感图像进行处理，获取相应的假彩色图像；
基于超像素算法对所述假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像；
对每一个所述假彩色子图像进行属性参数的计算，生成相应的带有矢量信息的待识别文件；
运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别，获取所述待识别遥感图像中的红树林区域。
2.如权利要求1所述的方法，其特征在于，所述采用假彩色合成技术对所述待识别遥感图像进行处理，获取相应的假彩色图像，包括如下步骤：
由所述待识别遥感图像中提取出三帧单谱段图像；其中，所述三帧单谱段图像分别为：第一谱段图像、第二谱段图像和第三谱段图像；
逐个将所述第一谱段图像中像元的灰度、第二谱段图像中像元的灰度和第三谱段图像中像元的灰度分别映射为LAB空间的色调分量、明度分量和彩度分量；
将映射得到的LAB空间的色调分量、明度分量和彩度分量进行合成，得到所述假彩色图像。
3.如权利要求1所述的方法，其特征在于，所述基于超像素算法对所述假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像，包括如下步骤：
初始化超像素分割的距离、标签和聚类中心；
以当前像素点为中心，预设距离范围内计算当前像素点到所有种子点的距离；
根据计算出的距离重新计算所述聚类中心，得到实际聚类中心；
判断重新计算出的所述实际聚类中心与初始化设定的所述聚类中心是否相同；
当判断出所述实际聚类中心与初始化设定的所述聚类中心相同时，结束分割；当判断出所述实际聚类中心与初始化设定的所述聚类中心不同时，返回继续执行所述以当前像素点为中心，预设距离范围内计算当前像素点到所有种子点的距离的步骤，直至所述实际聚类中心与初始化设定的所述聚类中心相同为止。
4.如权利要求1或3所述的方法，其特征在于，对所述假彩色图像进行分割得到多个所述假彩色子图像后，还包括如下步骤：
判断每个所述假彩色子图像是否满足目视分割要求；
当判断出所述假彩色子图像均满足所述目视分割要求时，直接执行所述对每一个所述假彩色子图像进行属性参数的计算的步骤；
当判断出所述假彩色子图像不满足所述目视分割要求时，根据预先设定的分割参数对所述假彩色子图像进行进一步分割，直至分割得到的图像满足所述目视分割要求。
5.如权利要求1所述的方法，其特征在于，所述运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别，包括如下步骤：
对每一份所述待识别文件进行归一化植被指数分析计算，并根据计算得到的所述归一化植被指数区分所述待识别文件中的不同地物类型；
根据红树林的特征和研究区域的可标定性，将所述待识别文件中的无红树林的陆地植被区剔除，并通过掩膜技术建立仅保留有红树林的潮间带和海水解译区的遥感影像掩膜图；
采用支持向量机分类方法区分所述遥感影像掩膜图中的红树林和非红树林。
6.如权利要求1或5所述的方法，其特征在于，所述运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别之后，还包括如下步骤：
判断识别结果是否满足目视识别要求；
若是，则标记所述红树林区域；若否，则启动自定义识别，对所述待识别文件继续进行识别。
7.如权利要求1所述的方法，其特征在于，获取所述红树林区域后，还包括如下步骤：
计算所述红树林区域的面积；
根据计算得到的面积监测不同时期所述红树林区域的变化趋势。
8.一种红树林识别系统，其特征在于，包括图像合成模块、图像分割模块、图像计算模块和图像识别模块；
所述图像合成模块，用于读取待识别遥感图像，采用假彩色合成技术对所述待识别遥感图像进行处理，获取相应的假彩色图像；
所述图像分割模块，用于基于超像素算法对所述假彩色图像进行面向对象的多尺度自适应分割，得到多个假彩色子图像；
所述图像计算模块，用于对每一个所述假彩色子图像进行属性参数的计算，生成相应的带有矢量信息的待识别文件；
所述图像识别模块，用于运用基于综合特征的红树林识别算法对每一份所述待识别文件进行红树林识别，获取所述待识别遥感图像中的红树林区域。
9.如权利要求8所述的系统，其特征在于，还包括第一判断模块和精细分割模块；
所述第一判断模块，用于判断每个所述假彩色子图像是否满足目视分割要求；
所述第一判断模块，还用于当判断出所述假彩色子图像均满足所述目视分割要求时，直接跳转至所述图像计算模块，由所述图像计算模块执行所述对每一个所述假彩色子图像进行属性参数的计算的步骤；
所述第一判断模块，还用于当判断出所述假彩色子图像不满足所述目视分割要求时，跳转至所述精细分割模块，由所述精细分割模块根据预先设定的分割参数对所述假彩色子图像进行进一步分割，直至分割得到的图像满足所述目视分割要求。
10.如权利要求8所述的系统，其特征在于，还包括第二判断模块、红树林标记模块和自定义识别模块；
所述第二判断模块，用于判断所述图像识别模块对所述待识别文件进行识别后得到的识别结果是否满足目视识别要求；
所述第二判断模块，还用于当判断出所述识别结果满足所述目视识别要求时，跳转至所述红树林标记模块，由所述红树林标记模块标记所述红树林区域；
所述第二判断模块，还用于当判断出所述识别结果不满足所述目视识别要求时，跳转至所述自定义识别模块，由所述自定义识别模块启动自定义识别，对所述待识别文件继续进行识别。
11.如权利要求8所述的系统，其特征在于，还包括面积计算模块和变化趋势监测模块；
所述面积计算模块，用于计算所述红树林区域的面积；
所述变化趋势监测模块，用于根据计算得到的面积监测不同时期所述红树林区域的变化趋势。
CN201611178117.4A 2016-12-19 2016-12-19 红树林识别方法及系统 Active CN106709517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611178117.4A CN106709517B (zh) 2016-12-19 2016-12-19 红树林识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611178117.4A CN106709517B (zh) 2016-12-19 2016-12-19 红树林识别方法及系统

Publications (2)

Publication Number Publication Date
CN106709517A true CN106709517A (zh) 2017-05-24
CN106709517B CN106709517B (zh) 2020-09-04

Family

ID=58938403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611178117.4A Active CN106709517B (zh) 2016-12-19 2016-12-19 红树林识别方法及系统

Country Status (1)

Country Link
CN (1) CN106709517B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108253943A (zh) * 2017-12-24 2018-07-06 航天恒星科技有限公司 一种基于卫星遥感影像的赤潮浒苔一体化监测方法
CN108830869A (zh) * 2018-05-11 2018-11-16 西安电子科技大学 基于超像素的遥感图像并行分割方法
CN108986116A (zh) * 2018-07-16 2018-12-11 中国科学院东北地理与农业生态研究所 一种基于遥感影像的红树林提取方法及系统
CN109034026A (zh) * 2018-07-16 2018-12-18 中国科学院东北地理与农业生态研究所 一种遥感影像中水陆区域的红树林提取方法及系统
CN109726705A (zh) * 2019-01-24 2019-05-07 中国科学院地理科学与资源研究所 红树林信息的提取方法、装置及电子设备
CN110926430A (zh) * 2019-11-22 2020-03-27 海南省林业科学研究所 一种空地一体化红树林监测系统及控制方法
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
CN111310614A (zh) * 2020-01-22 2020-06-19 北京航天宏图信息技术股份有限公司 一种遥感影像的提取方法和装置
CN111899436A (zh) * 2020-07-29 2020-11-06 北京市永康药业有限公司 一种智能化学药品存储柜
CN113822107A (zh) * 2020-08-11 2021-12-21 山东理工大学 一种融合多种植被指数的土地荒漠化提取方法及装置
CN115424142A (zh) * 2022-08-26 2022-12-02 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海岸线类型判别方法、装置、介质和设备
CN117011555A (zh) * 2023-10-07 2023-11-07 广东海洋大学 一种基于遥感图像识别的红树林生态检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254326A (zh) * 2011-07-22 2011-11-23 西安电子科技大学 利用核传递进行图像分割的方法
CN103000077A (zh) * 2012-11-27 2013-03-27 中国科学院东北地理与农业生态研究所 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法
CN103218806A (zh) * 2013-03-18 2013-07-24 中国科学院东北地理与农业生态研究所 一种基于遥感卫星图像和面向对象分类法探测高潮时被淹没红树林分布的方法
US20140321754A1 (en) * 2013-04-26 2014-10-30 Omron Corporation Image processing device, image processing method, image processing control program, and recording medium
CN104573654A (zh) * 2015-01-08 2015-04-29 中国林业科学研究院资源信息研究所 一种基于分层决策树的红树林提取方法
CN105447274A (zh) * 2015-12-22 2016-03-30 中国科学院东北地理与农业生态研究所 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN105930868A (zh) * 2016-04-20 2016-09-07 北京航空航天大学 一种基于层次化增强学习的低分辨率机场目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254326A (zh) * 2011-07-22 2011-11-23 西安电子科技大学 利用核传递进行图像分割的方法
CN103000077A (zh) * 2012-11-27 2013-03-27 中国科学院东北地理与农业生态研究所 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法
CN103218806A (zh) * 2013-03-18 2013-07-24 中国科学院东北地理与农业生态研究所 一种基于遥感卫星图像和面向对象分类法探测高潮时被淹没红树林分布的方法
US20140321754A1 (en) * 2013-04-26 2014-10-30 Omron Corporation Image processing device, image processing method, image processing control program, and recording medium
CN104573654A (zh) * 2015-01-08 2015-04-29 中国林业科学研究院资源信息研究所 一种基于分层决策树的红树林提取方法
CN105447274A (zh) * 2015-12-22 2016-03-30 中国科学院东北地理与农业生态研究所 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN105930868A (zh) * 2016-04-20 2016-09-07 北京航空航天大学 一种基于层次化增强学习的低分辨率机场目标检测方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108253943B (zh) * 2017-12-24 2020-08-21 航天恒星科技有限公司 一种基于卫星遥感影像的赤潮浒苔一体化监测方法
CN108253943A (zh) * 2017-12-24 2018-07-06 航天恒星科技有限公司 一种基于卫星遥感影像的赤潮浒苔一体化监测方法
CN108830869A (zh) * 2018-05-11 2018-11-16 西安电子科技大学 基于超像素的遥感图像并行分割方法
CN109034026A (zh) * 2018-07-16 2018-12-18 中国科学院东北地理与农业生态研究所 一种遥感影像中水陆区域的红树林提取方法及系统
CN108986116A (zh) * 2018-07-16 2018-12-11 中国科学院东北地理与农业生态研究所 一种基于遥感影像的红树林提取方法及系统
CN109034026B (zh) * 2018-07-16 2021-06-25 中国科学院东北地理与农业生态研究所 一种遥感影像中水陆区域的红树林提取方法及系统
CN108986116B (zh) * 2018-07-16 2021-08-27 中国科学院东北地理与农业生态研究所 一种基于遥感影像的红树林提取方法及系统
CN109726705A (zh) * 2019-01-24 2019-05-07 中国科学院地理科学与资源研究所 红树林信息的提取方法、装置及电子设备
CN109726705B (zh) * 2019-01-24 2020-07-31 中国科学院地理科学与资源研究所 红树林信息的提取方法、装置及电子设备
CN110926430A (zh) * 2019-11-22 2020-03-27 海南省林业科学研究所 一种空地一体化红树林监测系统及控制方法
CN110926430B (zh) * 2019-11-22 2021-11-26 海南省林业科学研究所 一种空地一体化红树林监测系统及控制方法
CN111310614A (zh) * 2020-01-22 2020-06-19 北京航天宏图信息技术股份有限公司 一种遥感影像的提取方法和装置
CN111310614B (zh) * 2020-01-22 2023-07-25 航天宏图信息技术股份有限公司 一种遥感影像的提取方法和装置
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
CN111899436A (zh) * 2020-07-29 2020-11-06 北京市永康药业有限公司 一种智能化学药品存储柜
CN113822107A (zh) * 2020-08-11 2021-12-21 山东理工大学 一种融合多种植被指数的土地荒漠化提取方法及装置
CN113822107B (zh) * 2020-08-11 2024-01-19 山东理工大学 一种融合多种植被指数的土地荒漠化提取方法及装置
CN115424142A (zh) * 2022-08-26 2022-12-02 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海岸线类型判别方法、装置、介质和设备
CN117011555A (zh) * 2023-10-07 2023-11-07 广东海洋大学 一种基于遥感图像识别的红树林生态检测方法
CN117011555B (zh) * 2023-10-07 2023-12-01 广东海洋大学 一种基于遥感图像识别的红树林生态检测方法

Also Published As

Publication number Publication date
CN106709517B (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN106709517A (zh) 红树林识别方法及系统
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
Wang et al. Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks: A case study
CN109146889B (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN108875659B (zh) 一种基于多光谱遥感影像的海图养殖区识别方法
CN104392228B (zh) 基于条件随机场模型的无人机图像目标类检测方法
Hormese et al. Automated road extraction from high resolution satellite images
CN107146229B (zh) 基于元胞自动机模型的结肠息肉图像分割方法
CN106611423B (zh) 基于脊波滤波器和反卷积结构模型的sar图像分割方法
CN106570485B (zh) 一种基于深度学习的筏式养殖遥感图像场景标注方法
CN106846322B (zh) 基于曲线波滤波器和卷积结构学习的sar图像分割方法
CN110728197B (zh) 基于深度学习的单木级树种识别方法
CN111027497B (zh) 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN103544505B (zh) 面向无人机航拍图像的船只识别系统及方法
CN112434745A (zh) 基于多源认知融合的遮挡目标检测识别方法
CN105447274B (zh) 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN109308451A (zh) 一种高分数据信息提取系统及方法
CN110223310A (zh) 一种基于深度学习的线结构光中心线和箱体边缘检测方法
Marochov et al. Image classification of marine-terminating outlet glaciers in Greenland using deep learning methods
CN107564016A (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
CN111563408A (zh) 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法
CN109829426A (zh) 基于高分遥感影像的铁路建设临时建筑监测方法及系统
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
Liu et al. Object-oriented detection of building shadow in TripleSat-2 remote sensing imagery
CN108022245A (zh) 基于面线基元关联模型的光伏面板模板自动生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant