CN107067012B - 基于图像处理的海底地貌单元边缘智能识别方法 - Google Patents

基于图像处理的海底地貌单元边缘智能识别方法 Download PDF

Info

Publication number
CN107067012B
CN107067012B CN201710270758.0A CN201710270758A CN107067012B CN 107067012 B CN107067012 B CN 107067012B CN 201710270758 A CN201710270758 A CN 201710270758A CN 107067012 B CN107067012 B CN 107067012B
Authority
CN
China
Prior art keywords
image
pixel
value
gray
filtering
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.)
Active
Application number
CN201710270758.0A
Other languages
English (en)
Other versions
CN107067012A (zh
Inventor
王大伟
吴时国
郭婧
王微微
张汉羽
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.)
Qingdao Zhiyong New Material Technology Co ltd
Institute of Deep Sea Science and Engineering of CAS
Original Assignee
Qingdao Zhiyong New Material Technology Co ltd
Institute of Deep Sea Science and Engineering of CAS
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 Qingdao Zhiyong New Material Technology Co ltd, Institute of Deep Sea Science and Engineering of CAS filed Critical Qingdao Zhiyong New Material Technology Co ltd
Priority to CN201710270758.0A priority Critical patent/CN107067012B/zh
Publication of CN107067012A publication Critical patent/CN107067012A/zh
Application granted granted Critical
Publication of CN107067012B publication Critical patent/CN107067012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像处理的海底地貌单元边缘智能识别方法。包括如下步骤：1)根据海底深度测量数据绘制海底深度分布彩图，获取彩图中每个像素点的RGB三原色值；2)采用加权平均法对彩图进行灰度化计算，得到灰度图像；3)采用不同的滤波方法对灰度图像进行滤波，然后计算各滤波方法的峰值信噪比PSNR值，取最大PSNR值对应的滤波方法为最佳图像滤波方法；4)根据相邻像素灰度值之差的概率累计值确定阈值，根据阈值实现图像二值化；5)二值图像边界细化；6)根据8‑邻域跟踪方法实现边界连接；7)根据8‑邻域轮廓提取方法提取地形边界。本发明具有方法简单、计算量小、节约人力等优点。本发明适用于海底典型地貌单元的边界识别。

Description

基于图像处理的海底地貌单元边缘智能识别方法
技术领域
本发明涉及海洋测绘、海洋工程、海洋油气资源等技术领域，具体是指一种基于图像处理的海底地貌单元边缘智能识别方法。
背景技术
地球上辽阔的海洋约占地球表面积的70％。近年来海上石油勘探研究表明，海底蕴藏着丰富的石油和天然气资源。然而，由于海洋环境复杂、恶劣，直接进行海底勘探难度很大，对海洋资源的开发和利用要比开发利用陆地资源付出更高的代价。1925-1927年，德国“流星号”首次用回声测深仪系统测量了南大西洋海底地形，改变了前人对洋底地形单调的认识，得出了“海底地形起伏不亚于陆地”的结论。也就是说，海底地形十分复杂，和陆地一样是起伏不平的，有高山、深谷，也有广阔的平原和盆地。另外，海底环境复杂，海底滑坡等自然灾害的发生易导致海啸，引发次生灾害，同时，海底滑坡可直接破坏油气开发平台、海底管线等设施，海底地形地貌的识别研究将有助于海底灾害的预防和检测。因此，得到真实、直观的海底地形地貌图成为各专家学者研究的热点。
海底地形测量是按一定程序和方法，将海水覆盖下的海底地形及其变化记录在载体上的测绘工作，即测量海底地形起伏形态，按测量区域可以分为海岸带、大陆架与大洋三种海底地形测量，特点是测量内容多、精度要求高、详细获取海底地貌。通过卫星定位、水深测量和水下摄影测量等现代技术，获取海底空间信息的能力和效率得到提高，而应用GIS空间分析理论技术按照其他各项应用要求来理解掌握海底地形也越来越成为现实挑战。
20世纪70年代科学家以回声测深仪为基础发明了多波束测深系统。多波束系统应用于水下测深时一次能得到几十到几百个深度阵列，即一条一定宽度的全覆盖水深条带，所以它能够精确且快速地测出沿着航行方向覆盖的一定宽度范围内水下地形的起伏变化，进而得到水下的地形地貌相关特征。
关于海底地貌单元识别是以多波束测深系统测得的实际深度数据，生成深度、坡度图等或直接对数据进行分析来完成。相关的研究包括基于三维可视化图像进行分析，基于超图的海底地形分析等。目前在海底地形分类识别中，主要采用人工识别的方法，通过工作人员的观察及经验来区分识别。这种方法需要工作人员具有丰富的地学知识和观察判断经验，可以充分利用工作人员的知识，灵活性好，擅长提取空间相关知识。但这种方法具有很大的主观性，存在定位不准确、时效性差、可重复性差、信息获取周期长、劳动强度大等缺点。特别是由于海底数据具有海量级别，仅仅依靠专业人员的人工能力远远无法承担海量数据的处理任务。本发明利用计算机图像处理技术来进行海底地貌边缘的探测。
发明内容
本发明基于图像分析与处理技术实现海底地貌边缘识别，具有方法简单、计算量小、节约人力的优点。本发明包括如下步骤：
(1)地形RGB彩图
根据海底深度测量数据绘制海底深度分布的彩图，获取彩图中每个像素点的RGB三原色值R(i,j)、G(i,j)、B(i,j)，其中，R(i,j)、G(i,j)、B(i,j)为深度分布彩图中像素(i,j)的红、绿、蓝三个分量值，i,j为整数，且满足i∈[1,w],j∈[1,h]，w和h分别为RGB彩图的横向分辨率和纵向分辨率。
(2)图像灰度化
采用加权平均法对彩图进行灰度化计算，得到灰度图像，灰度图像各像素的灰度值根据公式f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)计算得到，其中，f(i,j)为灰度图像像素(i,j)的灰度值。
(3)图像滤波
采用不同的滤波方法对灰度图像进行滤波，然后计算各滤波方法的峰值信噪比 取最大PSNR值对应的滤波方法为最佳图像滤波方法，其中，n为每像素的比特数，在RGB彩图中确定，g(i,j)为滤波后图像像素(i,j)的灰度值。
(4)图像二值化
针对滤波后的灰度图，首先，根据和分别计算图像横向和纵向上的相邻像素灰度值之差的概率pw和ph，其中，c为横向上相邻两列像素值的差值取整，r为纵向上相邻两行像素值的差值取整，Nc表示c对应的像素点数，Nr表示r对应的像素点数，然后，分别计算横向和纵向上相邻像素灰度差值的概率累计值SPw＝∑pw和SPh＝∑ph，当SPw≥θw时的横向灰度差值作为横向阈值thw，当SPh≥θh时的纵向灰度差值作为纵向阈值thh，最后，根据横向和纵向的阈值实现图像二值化，即，若g(i,j)≤thw，则g(i,j)＝1，若g(i,j)＞thw，则g(i,j)＝0，若g(i,j)≤thh，则g(i,j)＝1，若g(i,j)＞thh，则g(i,j)＝0，得到二值化图像u(i,j)，其中，像素值0表示黑色，像素值1表示白色，θw、θh在图像处理程序中根据经验设定。
(5)边界细化
在二值化图像的横向上，首先，若满足u(i,j-1)＝1且u(i,j)＝0，则记j＝a，若满足u(i,j-1)＝0且u(i,j)＝1，则记j-1＝b，然后，根据d＝|b-a|求得二值化图像在横向上的边缘宽度d和宽度中间值c＝d/2，最后，当满足∈min≤d≤∈max时，在d范围内置u(i,a+c)＝0，置其余像素值为1，实现横向上的边界细化，同理进行纵向上的边界细化，其中，1≤i≤w，2≤j≤h，∈min、∈max在图像处理程序中根据经验设定。
(6)边界连接
根据8-邻域跟踪方法，若像素u(i,j)＝1，且满足u(i-1,j-1)＝u(i+1,j+1)＝0或u(i-1,j)＝u(i+1,j)＝0或u(i-1,j+1)＝u(i+1,j-1)＝0或u(i,j+1)＝u(i,j-1)＝0，则置u(i,j)＝0，实现图像断续边界的连接，其中，2≤i≤w-1，2≤j≤h-1。
(7)轮廓提取
根据8-邻域轮廓提取方法，若某一像素及其周围8个像素值均为0，则置该点像素值为1，将全黑封闭区域中间挖空，提取边界。
附图说明
图1为海底滑坡残留脊的深度分布灰度图；
图2为均值滤波后的灰度图；
图3为中值滤波后的灰度图；
图4为维纳滤波后的灰度图；
图5为滤波质量评价图；
图6为灰度图横向上相邻像素灰度值的差值散点图；
图7为灰度图纵向上相邻像素灰度值的差值散点图；
图8为灰度图横向上相邻像素灰度值之差的概率分布直方图；
图9为灰度图纵向上相邻像素灰度值之差的概率分布直方图；
图10为横向上的二值化结果图；
图11为纵向上的二值化结果图；
图12为完整的二值化图；
图13为边界细化后的图像；
图14为图像像素8-邻域图；
图15为边界连接结果图；
图16为地形边界轮廓图。
具体实施方式
本实施例根据多波束海底测深数据，通过对海底深度分布灰度图像像素值的分析与处理，实现海底滑坡地形边缘的智能识别。具体识别步骤如下：
(1)地形RGB彩图
根据海底深度测量数据绘制海底深度分布的彩图，获取彩图中每个像素点的RGB三原色值R(i,j)、G(i,j)、B(i,j)，其中，R(i,j)、G(i,j)、B(i,j)为深度分布彩图中像素(i,j)的红、绿、蓝三个分量值，i,j为整数，且满足i∈[1,w],j∈[1,h]，w和h分别为RGB彩图的横向分辨率和纵向分辨率。
在本实施例中，海底深度数据由多波束方法测量得到，w＝400，h＝500。
(2)图像灰度化
采用加权平均法对彩图进行灰度化计算，得到灰度图像，灰度图像各像素的灰度值根据公式f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)计算得到，其中，f(i,j)为灰度图像像素(i,j)的灰度值。
在本实施例中，图1为海底滑坡残留脊的深度分布灰度图。
(3)图像滤波
采用不同的滤波方法对灰度图像进行滤波，然后计算各滤波方法的峰值信噪比 取最大PSNR值对应的滤波方法为最佳图像滤波方法，其中，n为每像素的比特数，在RGB彩图中确定，g(i,j)为滤波后图像像素(i,j)的灰度值。
在本实施例中，n＝8，分别采用均值滤波、中值滤波、维纳滤波的方法对灰度图像进行滤波处理，图2-图4分别为均值滤波、中值滤波和维纳滤波后的灰度图。图5为以上三种滤波方法的MSE和峰值信噪比PSNR值。PSNR值越大表示滤波后的图像质量越好，由图5中数据可知，在本实施例中，中值滤波方法滤波效果最好，中值滤波后的灰度图将用于后续的二值化计算。
(4)图像二值化
针对滤波后的灰度图，首先，根据和分别计算图像横向和纵向上的相邻像素灰度值之差的概率pw和ph，其中，c为横向上相邻两列像素值的差值取整，r为纵向上相邻两行像素值的差值取整，Nc表示c对应的像素点数，Nr表示r对应的像素点数，然后，分别计算横向和纵向上相邻像素灰度差值的概率累计值SPw＝∑pw和SPh＝∑ph，当SPw≥θw时的横向灰度差值作为横向阈值thw，当SPh≥θh时的纵向灰度差值作为纵向阈值thh，最后，根据横向和纵向的阈值实现图像二值化，即，若g(i,j)≤thw，则g(i,j)＝1，若g(i,j)＞thw，则g(i,j)＝0，若g(i,j)≤thh，则g(i,j)＝1，若g(i,j)＞thh，则g(i,j)＝0，得到二值化图像u(i,j)，其中，像素值0表示黑色，像素值1表示白色，θw、θh在图像处理程序中设定。
在本实施例中，θw＝θh＝93％，thw＝11.5，thh＝14.5。图6和图7分别为灰度图横向和纵向上相邻像素灰度值的差值散点图，图中D表示灰度值的差，图8和图9分别为灰度图横向和纵向上的相邻像素灰度值之差的概率分布直方图，图10和图11分别为横向和纵向上的二值化结果，图12为图10和图11叠加后的完整的二值化图。
(5)边界细化
在二值化图像的横向上，首先，若满足u(i,j-1)＝1且u(i,j)＝0，则记j＝a，若满足u(i,j-1)＝0且u(i,j)＝1，则记j-1＝b，然后，根据d＝|b-a|求得二值化图像在横向上的边缘宽度d和宽度中间值c＝d/2，最后，当满足∈min≤d≤∈max时，在d范围内置u(i,a+c)＝0，置其余像素值为1，实现横向上的边界细化，同理进行纵向上的边界细化，其中，1≤i≤w，2≤j≤h，∈min、∈max在图像处理程序中根据经验设定。
在本实施例中，∈min＝2，∈max＝12，图13为边界细化后的图像。
(6)边界连接
根据8-邻域跟踪方法，若像素u(i,j)＝1，且满足u(i-1,j-1)＝u(i+1,j+1)＝0或u(i-1,j)＝u(i+1,j)＝0或u(i-1,j+1)＝u(i+1,j-1)＝0或u(i,j+1)＝u(i,j-1)＝0，则置u(i,j)＝0，实现图像断续边界的连接，其中，2≤i≤w-1，2≤j≤h-1。
图14为图像像素8-邻域图，图15为边界连接结果图。
(7)轮廓提取
根据8-邻域轮廓提取方法，若某一像素及其周围8个像素值均为0，则置该点像素值为1，将全黑封闭区域中间挖空，提取边界。
图16为地形边界轮廓图。

Claims (1)

1.一种基于图像处理的海底地貌单元边缘智能识别方法，其特征包括如下具体步骤：
(1)地形RGB彩图
根据海底深度测量数据绘制海底深度分布的彩图，获取彩图中每个像素点的RGB三原色值R(i,j)、G(i,j)、B(i,j)，其中，R(i,j)、G(i,j)、B(i,j)为深度分布彩图中像素(i,j)的红、绿、蓝三个分量值，i，j为整数，且满足i∈[1，w]，j∈[1，h]，w和h分别为RGB彩图的横向分辨率和纵向分辨率；
(2)图像灰度化
采用加权平均法对彩图进行灰度化计算，得到灰度图像，灰度图像各像素的灰度值根据公式f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)计算得到，其中，f(i,j)为灰度图像像素(i,j)的灰度值；
(3)图像滤波
采用不同的滤波方法对灰度图像进行滤波，然后计算各滤波方法的峰值信噪比取最大PSNR值对应的滤波方法为最佳图像滤波方法，其中，n为每像素的比特数，在RGB彩图中确定，g(i，j)为滤波后图像像素(i，j)的灰度值；
(4)图像二值化
针对滤波后的灰度图，首先，根据和分别计算图像横向和纵向上的相邻像素灰度值之差的概率pw和ph，其中，c为横向上相邻两列像素值的差值取整，r为纵向上相邻两行像素值的差值取整，Nc表示c对应的像素点数，Nr表示r对应的像素点数，然后，分别计算横向和纵向上相邻像素灰度差值的概率累计值SPw＝∑pw和SPh＝∑ph，当SPw≥θw时的横向灰度差值作为横向阈值thw，当SPh≥θh时的纵向灰度差值作为纵向阈值thh，最后，根据横向和纵向的阈值实现图像二值化，即，若g(i,j)≤thw，则g(i,j)＝1，若g(i,j)＞thw，则g(i,j)＝0，若g(i,j)≤thh，则g(i,j)＝1，若g(i,j)＞thh，则g(i,j)＝0，得到二值化图像u(i,j)，其中，像素值0表示黑色，像素值1表示白色，θw、θh在图像处理程序中根据经验设定；
(5)边界细化
在二值化图像的横向上，首先，若满足u(i,j-1)＝1且u(i,j)＝0，则记j＝a，若满足u(i,j-1)＝0且u(i,j)＝1，则记j-1＝b，然后，根据d＝|b-a|求得二值化图像在横向上的边缘宽度d和宽度中间值c＝d/2，最后，当满足∈min≤d≤∈max时，在d范围内置u(i,a+c)＝0，置其余像素值为1，实现横向上的边界细化，同理进行纵向上的边界细化，其中，1≤i≤w，2≤j≤h，∈min、∈max在图像处理程序中根据经验设定；
(6)边界连接
根据8-邻域跟踪方法，若像素u(i,j)＝1，且满足u(i-1,j-1)＝u(i+1,j+1)＝0或u(i-1,j)＝u(i+1,j)＝0或u(i-1,j+1)＝u(i+1,j-1)＝0或u(i,j+1)＝u(i,j-1)＝0，则置u(i,j)＝0，实现图像断续边界的连接，其中，2≤i≤w-1，2≤j≤h-1；
(7)轮廓提取
根据8-邻域轮廓提取方法，若某一像素及其周围8个像素值均为0，则置该点像素值为1，将全黑封闭区域中间挖空，提取边界。
CN201710270758.0A 2017-04-25 2017-04-25 基于图像处理的海底地貌单元边缘智能识别方法 Active CN107067012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710270758.0A CN107067012B (zh) 2017-04-25 2017-04-25 基于图像处理的海底地貌单元边缘智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710270758.0A CN107067012B (zh) 2017-04-25 2017-04-25 基于图像处理的海底地貌单元边缘智能识别方法

Publications (2)

Publication Number Publication Date
CN107067012A CN107067012A (zh) 2017-08-18
CN107067012B true CN107067012B (zh) 2018-03-16

Family

ID=59605040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710270758.0A Active CN107067012B (zh) 2017-04-25 2017-04-25 基于图像处理的海底地貌单元边缘智能识别方法

Country Status (1)

Country Link
CN (1) CN107067012B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320291B (zh) * 2018-01-25 2021-09-14 中国科学院深海科学与工程研究所 基于大津算法的海底地貌边界提取方法
CN108520271B (zh) * 2018-03-15 2019-10-01 中国石油大学(华东) 基于因子分析的海底地貌类型分类器设计方法
CN109493357B (zh) * 2018-11-16 2021-06-18 浙江海洋大学 一种数码影像近景图像的边界提取方法
CN109584240B (zh) * 2018-12-20 2022-05-03 成都理工大学 滑坡后缘裂缝位移图像识别方法
CN111768410B (zh) * 2019-05-22 2024-04-05 北京沃东天骏信息技术有限公司 图像处理方法和装置
CN110988888B (zh) * 2019-11-08 2021-10-29 中科长城海洋信息系统有限公司 海底信息的获取方法和装置
CN111179291B (zh) * 2019-12-27 2023-10-03 凌云光技术股份有限公司 一种基于邻域关系的边缘像素点提取方法及装置
CN112907615B (zh) * 2021-01-08 2022-07-26 中国石油大学(华东) 基于区域生长的海底地貌单元轮廓及细节识别方法
CN112418363B (zh) * 2021-01-25 2021-05-04 中国地质大学（武汉） 一种复杂背景区滑坡分类模型建立、识别方法及装置
CN113960275B (zh) * 2021-10-25 2024-01-05 西北师范大学 一种流域水生态环境监测系统
CN114429160B (zh) * 2022-04-06 2022-07-05 中国科学院烟台海岸带研究所 一种基于回声探测的人工鱼礁堆分布特征分析方法
CN115019160B (zh) * 2022-08-09 2022-11-11 中工重科智能装备有限责任公司 一种工厂仓库入库货物图像质量的控制方法
CN115661098B (zh) * 2022-10-31 2024-02-06 河海大学 一种海底管线二维冲刷剖面图像识别与数据提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1921560A (zh) * 2005-08-26 2007-02-28 电子科技大学 一种视频对象外边界提取方法
JP2010250387A (ja) * 2009-04-10 2010-11-04 Hitachi Computer Peripherals Co Ltd 画像認識装置、及びプログラム
CN102201120A (zh) * 2011-06-17 2011-09-28 电子科技大学 一种基于多特征的目标物体轮廓检测方法
CN102879786A (zh) * 2012-09-19 2013-01-16 上海大学 一种针对水下障碍物的检测定位方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201125A (zh) * 2011-04-14 2011-09-28 浙江大学 一种三维成像声纳的数据可视化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1921560A (zh) * 2005-08-26 2007-02-28 电子科技大学 一种视频对象外边界提取方法
JP2010250387A (ja) * 2009-04-10 2010-11-04 Hitachi Computer Peripherals Co Ltd 画像認識装置、及びプログラム
CN102201120A (zh) * 2011-06-17 2011-09-28 电子科技大学 一种基于多特征的目标物体轮廓检测方法
CN102879786A (zh) * 2012-09-19 2013-01-16 上海大学 一种针对水下障碍物的检测定位方法和系统

Also Published As

Publication number Publication date
CN107067012A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107067012B (zh) 基于图像处理的海底地貌单元边缘智能识别方法
Roelfsema et al. An integrated field and remote sensing approach for mapping seagrass cover, Moreton Bay, Australia
Montefalcone et al. Reprint of “Evaluating change in seagrass meadows: A time-framed comparison of Side Scan Sonar maps”
Sheng et al. Model-based conifer-crown surface reconstruction from high-resolution aerial images
Bonin-Font et al. Visual discrimination and large area mapping of posidonia oceanica using a lightweight auv
CN105809194A (zh) 一种sar影像翻译为光学影像的方法
CN109781073B (zh) 一种融合海浪特征和光谱特征的浅海水深遥感提取方法
CN105469393A (zh) 基于决策融合的浅海水深多时相遥感影像反演方法
CN111080696A (zh) 一种基于计算机视觉的水下海参识别及定位方法
CN113822352A (zh) 基于多特征融合的红外弱小目标检测方法
Thomas et al. A purely spaceborne open source approach for regional bathymetry mapping
Siregar et al. Mapping shallow waters habitats using OBIA by applying several approaches of depth invariant index in North Kepulauan Seribu
Mandlburger A case study on through-water dense image matching
CN108320291A (zh) 基于大津算法的海底地貌边界提取方法
Albanai Mapping Kuwait bathymetry using passive multispectral remote sensing
Liu et al. Estimation of blufflines using topographic LiDAR data and orthoimages
CN108460422B (zh) 基于深度分布特征的海底地貌类型识别方法
Hamylton et al. Spatial modelling of benthic cover using remote sensing data in the Aldabra lagoon, western Indian Ocean
Flemming Design of semi-automatic algorithm for shoreline extraction using Synthetic Aperture Radar (SAR) images
Gracias et al. Application challenges of underwater vision
Chang et al. Cost-effective framework for rapid underwater mapping with digital camera and color correction method
CN113469104A (zh) 基于深度学习的雷达遥感影像地表水体变化检测方法和设备
Vargas et al. Dense bathymetry in turbid coastal zones using airborne hyperspectral images
Lkebir et al. Anza palaeoichnological site, Late Cretaceous, Morocco. Part III: Comparison between traditional and photogrammetric records
Wijesundara DERIVATION OF NEARSHORE BATHYMETRY BY USING LANDSAT 8 IMAGES: A NEW APPROACH FOR COASTAL RESEARCH IN SHALLOW AREAS

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