CN107247927A - 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 - Google Patents
一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 Download PDFInfo
- Publication number
- CN107247927A CN107247927A CN201710367295.XA CN201710367295A CN107247927A CN 107247927 A CN107247927 A CN 107247927A CN 201710367295 A CN201710367295 A CN 201710367295A CN 107247927 A CN107247927 A CN 107247927A
- Authority
- CN
- China
- Prior art keywords
- coastline
- information
- remote sensing
- transformation
- mrow
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 66
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000013139 quantization Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000005855 radiation Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 239000013049 sediment Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 13
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000003643 water by type Substances 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 6
- 239000003653 coastal water Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明揭示了一种基于缨帽变换的遥感图像海岸线信息提取方法及系统，包括以下步骤：预处理，对遥感图像进行辐射定标、大气校正，得到研究区域的预处理图像；基于缨帽变换的水体信息提取，对预处理图像进行缨帽变换以提取湿度信息，基于阈值分割得到初始水体信息，并利用数学形态学运算获取精确水体信息；特征知识支持下的海岸线信息提取，对精确水体信息进行矢量化并进行最终海岸线信息提取；精度评价，将海岸线信息提取结果与原始图像进行空间叠加分析，从位置准确性和海岸线完整性对结果进行评价。本发明适用于悬浮泥沙含量较大区域的海岸线信息提取，具有操作简单、结果准确等优点。
Description
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种基于缨帽变换的遥感图像海岸线信息提取方法及系统。
背景技术
海岸线是陆地与海洋的分界线，也是划分海洋与陆地管理区域的基准线，在我国指多年平均大潮高潮时形成的实际痕迹线。海岸线既是一种重要的国土资源，也是重要的基础地理信息数据。由于河口淤积、气候变暖等自然条件导致的海平面上升及围垦开荒、填海造地、海洋工程等人类活动的影响，海岸线在不断发生着变化。因此，快速而准确地测定海岸线的动态变化，对于海域使用管理、海岛海岸带研究等具有重要意义。
通常情况下，海岸线信息以野外实地调查的方式获取，首先测量拐点坐标，再顺序连接后形成海岸线，虽然精度较高，但是花费人工多、效率低下、工作周期长，而且受地理条件的限制，存在测量困难和无法到达区域，无法满足大范围提取的要求。遥感技术凭借其特有的高时效、大范围、动态性特点，能够有效克服地面调查中可能遇到的各种限制，已成为海岸线信息提取的主要手段。目前遥感图像海岸线信息提取有两种方法：目视解译和自动解译。目视解译利用绘图仪或软件进行边界描绘，并保存为矢量文件，方法简单，精度较高，但速度慢，工作量大，无法满足大范围快速提取的要求。自动解译根据水体和海岸在遥感图像上的表现特征，在计算机技术的支持下，获取海岸线的空间分布信息。相对于目视解译，自动解译速度较快，工作量较小，但容易受到其他地物的干扰，噪声较多，往往需要复杂的后处理操作。
遥感图像海岸线信息自动解译方法主要包括边缘检测法、指数分析法、阈值分割法、区域生长法、神经网络法。边缘检测法利用岸线空间关系，通过Roberts、Prewitt、Sobel、Laplace、Canny等算子检测灰度值发生阶跃变化的位置，该方法操作简单，运算效率较高。指数分析法在分析地表物体自身波谱特性的基础上进行，利用归一化植被指数、归一化水体指数、修正后归一化水体指数分离陆地和水体，物理意义较为明确。阈值分割法的前提是同类地物具有相似的灰度值，适用于目标与背景对比强烈的图像。区域生长法将具有相似性质的像素集合起来构成区域，结果比较准确。神经网络法以模拟人体神经系统的结构和功能为基础，通过样本训练实现陆地与水体的聚类，进而提取海岸线，这种方法能够提取不同类型的海岸线，并且分类精度较高。这些方法各有特点，在某些特定领域取得了一定成功，但也有其自身缺陷。边缘检测法会引入较多干扰，海岸线连续性不好。指数分析法存在容易饱和的问题，并且一部分近岸水体易被错分为陆地，严重影响了海岸线提取精度。阈值分割法容易受到光谱相似性地物的影响。区域生长法生长规则选择困难，在图像局部方差比较大的情况下效果往往不佳。神经网络法较为复杂，需要较多具有典型意义的样本支持。
缨帽变换是由Kauth和Thomas于1976年发现的一种线性变换，又称K-T变换，是针对多光谱遥感图像的一种线性变换，在减少波段相关性引起的数据冗余的同时提供具有物理特征(如植物生长、土地变化等)的信息，它遵循一般的线性变换形式，能够消除多光谱图像的相对光谱响应相关性。
考虑悬浮泥沙含量对水体光谱特性的影响，导致传统水体信息提取方法失效，影响海岸线信息提取效果，以及海岸线的实际形态变化，探索一种基于缨帽变换的遥感图像海岸线信息提取方法及系统，以应对遥感图像处理领域的挑战，保证海岸线信息提取的准确性，就成为亟待解决的问题。
发明内容
本发明的目的就是为了消除悬浮泥沙对水体信息提取的影响，保证海岸线信息提取的可靠性和准确性，提供一种基于缨帽变换的遥感图像海岸线信息提取方法及系统。
本发明的目的将通过以下技术方案得以实现：一种基于缨帽变换的遥感图像海岸线信息提取方法，所述信息提取方法依次包括以下步骤：
S1：预处理
选取所需研究区域遥感图像，进行辐射定标、大气校正和几何校正，得到所需研究区域的预处理图像，获取适于后续处理的反射率数据；
S2：基于缨帽变换的水体信息提取
S21、对S1中所述预处理图像进行缨帽变换以提取湿度信息，并基于阈值分割得到所需研究区域的初始水体信息；
S22、基于数学形态学对初始水体信息进行开启和闭合运算，得到所需研究区域的精确水体信息；
S3：特征知识支持下的海岸线信息提取
S31、对研究区域的精确水体信息进行矢量化，以获取水体边缘信息，得到研究区域的初始海岸线信息；
S32、根据海岸线在遥感图像上的表现特征及实际情况下海岸线的形态，基于海岸线的长度、距离和方向特征知识进行研究区域的最终海岸线信息提取。
优选地，所述信息提取方法还包括精度评价步骤：
S4、将S3中最终海岸线信息提取结果与原始图像进行空间叠加分析，从位置准确性和海岸线完整性两方面对结果进行精度评价。
优选地，所述S21中提取湿度指数具体包括如下步骤，
S211：利用传感器所对应的缨帽变换系数对所需研究区域的预处理图像进行缨帽变换，得到所需研究区域的缨帽变换后的遥感图像，并提取所需研究区域的湿度信息；
缨帽变换数学表达式如下所示：
u＝RTx+r (1)
其中，u表示所需研究区域的缨帽变换图像，R是传感器所对应的缨帽变换系数，x代表所需研究区域的预处理图像，r表示常数偏移量，是为避免在变换过程中出现负值；所需研究区域的缨帽变换图像的第三波段为所需研究区域的湿度信息Iwetness。
优选地，所述S21中初始水体信息具体包括如下步骤:
步骤S212：提取道路、植被、裸土、滩涂、城镇、不同泥沙含量水体等地物在研究区域的湿度信息上的取值并比较，选取分割阈值T；利用选取的分割阈值T对所需研究区域的湿度信息进行分割，提取所需研究区域的初始水体信息；
具体公式如下：
其中，Iwater为所需研究区域的初始水体信息，Iwetness为所需研究区域的湿度信息，T为选取的分割阈值。
优选地，所述S32最终海岸线信息提取依次包括如下步骤：
S321：对所需研究区域的最终水体信息进行矢量化，得到所需研究区域的初始海岸线信息；
S322：统计所需研究区域的初始海岸线信息中各线段长度，设定阈值，以去除数学形态学运算所造成的噪声影响；
具体公式如下：
Li≤LT(i＝1,2,3,...,N) (3)
其中，N为所需研究区域的初始海岸线信息线段总数，Li为第i条线段的长度，LT为设定的最短海岸线长度；
当满足公式(3)时，则删除此段海岸线，否则将该段海岸线保留，以进行后续操作，将所有海岸线根据长度由高到低进行排序，LT取总个数95％时的长度值，即LT＝LI(I＝INT(0.95*N))(INT表示取整)；
S323：考虑到海岸线的连续性，统计每一条海岸线相对于X轴的方向，以及和其他海岸线的距离，设定阈值，判定相邻海岸线是否满足公式(4)设定的连接条件；
其中，DT和AT为相邻海岸线的距离和角度差，Dm-n是第m和第n条海岸线之间的距离，Am和An分别为第m和第n条海岸线相对于X轴(水平方向)的角度；
S324：根据公式(4)连接满足条件的海岸线，得到所需研究区域的最
终海岸线信息。
一种基于缨帽变换的遥感图像海岸线信息提取系统，包括：数据输入输出模块、遥感图像预处理模块、缨帽变换模块、初始水体信息提取模块、精确水体信息提取模块及海岸线信息提取模块；所述数据输入输出模块连接所述遥感图像预处理模块，所述缨帽变换模块分别连接所述遥感图像预处理模块和初始水体信息提取模块，所述精确水体信息提取模块分别连接所述初始水体信息提取模块和海岸线信息提取模块；
所述数据输入输出模块，用以读取研究区域的卫星遥感图像、保存海岸线信息提取结果；
所述遥感图像预处理模块，用于对遥感图像进行辐射定标、大气校正和几何校正的预处理操作，消除遥感图像中的辐射畸变和几何畸变，提高遥感图像质量；
所述缨帽变换模块，利用传感器对应缨帽变换系数对预处理后遥感图像进行缨帽变换，以获取湿度分量得到湿度信息；
所述初始水体信息提取模块，比较不同地物在湿度信息上的差异性，并设定分割阈值，利用阈值对缨帽变换后的湿度分量进行初始水体信息提取；
所述精确水体信息提取模块，利用数学形态学运算对初始水体信息进行开启和闭合操作，进行精确水体信息提取；
所述海岸线信息提取模块，采用边缘跟踪法对精确水体信息进行矢量化，统计每条线段的长度和线段之间的距离，通过设定长度和距离阈值，进行海岸线信息提取。
优选地，在所述精确水体信息提取模块中，对初始水体信息进行数学
形态学运算以消除湖泊、河流等小面积水域的影响，填充海面船舶造成的孔洞，并保留原有海洋边界范围。
优选地，在所述海岸线信息提取模块中，统计初始海岸线信息的线段长度，基于阈值去除噪声影响，并统计每一段海岸线相对于X轴的方向，以及和其他海岸线的距离，设定阈值，连接满足条件的海岸线，得到精确海岸线信息。
本发明技术方案的优点主要体现在：针对悬浮泥沙含量较大，导致传统水体信息提取方法失效的问题，本技术方案构建了一种基于缨帽变换的遥感图像海岸线信息提取方法；从海岸线在遥感图像的表现特征及实际情况下的海岸线形态出发，基于长度、距离和方向等特征知识，开展噪声去除、断线连接研究，保证海岸线信息提取精度。
另外，在本发明的精确水体信息提取方法中，采用数学形态学运算以消除湖泊、河流等小面积水域的影响，填充海面船舶造成的孔洞，并保留原有海洋边界范围，进一步提高了水体信息提取的运算效率和结果准确性。
附图说明
图1是本发明基于缨帽变换的遥感图像海岸线信息提取方法的流程示意图。
图2是本发明基于缨帽变换的遥感图像海岸线信息提取系统的结构示意图。
图3是本发明实施例研究区域的区位示意图。
图4是本发明实施例研究区域的原始图像的示意图。
图5是本发明实施例研究区域的预处理后图像的示意图。
图6是本发明实施例研究区域的实测地物波谱曲线的示意图。
图7是本发明实施例研究区域基于缨帽变换后湿度信息的示意图。
图8是本发明实施例研究区域基于缨帽变换后初始水体信息的示意图。
图9是本发明实施例研究区域基于缨帽变换后精确水体信息的示意图。
图10是本发明实施例研究区域特征知识下的初始海岸线信息提取结果的示意图。
图11是本发明实施例研究区域特征知识下的精确海岸线信息提取结果示意图。
具体实施方式
本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。
本发明揭示了一种基于缨帽变换的遥感图像海岸线信息提取方法及系统，具体地，一种基于缨帽变换的遥感图像海岸线信息提取方法，如图1所示，所述信息提取方法依次包括以下步骤：
S1：预处理
选取所需研究区域遥感图像，进行辐射定标、大气校正和几何校正，得到所需研究区域的预处理图像，获取适于后续处理的反射率数据。
通常情况下，用户获取的卫星遥感影像数据为没有物理意义的灰度值，并且在成像过程中，由于受到大气的影响，数据质量较差，因此需要对其进行图像预处理，获取适于后续处理的反射率数据。在本实施例中，所述探测卫星优选为Landsat-5卫星，Landsat-5为光学对地观测卫星，是美国陆地卫星系列(Landsat卫星)的第五颗卫星，于1984年3月1日发射。Landsat-5各波段参数如下：
| 波段号 | 波段 | 频谱范围(μm) | 分辨率(m) |
| B1 | Blue | 0.45—0.52 | 30 |
| B2 | Green | 0.52—0.60 | 30 |
| B3 | Red | 0.63—0.69 | 30 |
| B4 | Near IR | 0.76—0.90 | 30 |
| B5 | SW IR | 1.55—1.75 | 30 |
| B6 | LW IR | 10.40—12.5 | 120 |
| B7 | SW IR | 2.08—2.35 | 30 |
具体地，在操作过程中先选取所需研究区域，获取该所需研究区域的遥感图像，并对获取的所需研究区域所对应的遥感图像依次进行辐射定标、大气校正和几何校正预处理操作，得到所需研究区域的预处理图像。一方面，根据文件自带的参数进行辐射定标，将灰度值转换为具有物理意义的辐亮度。另一方面，对辐亮度数据进行大气校正以获得反射率数据，在本实施例中，该大气校正采用FLAASH模型进行，减弱由于大气散射和吸收造成的衰减，改善图像质量，提高信息提取精度。
S2：基于缨帽变换的水体信息提取
海岸线是水体和陆地的分界线，因此，提取水体信息对于海岸线信息提取具有重要指导意义，能够限定海岸线信息提取的空间范围，提高结果准确性。
对所需研究区域的预处理图像进行缨帽变换以提取湿度信息，并基于阈值分割得到初始水体信息；其中，基于缨帽变换的水体信息提取，即所述研究区域的初始水体信息提取过程主要包括以下步骤：
S21、对S1中所述预处理图像进行缨帽变换以提取湿度信息，并基于阈值分割得到所需研究区域的初始水体信息；
S22、基于数学形态学对初始水体信息进行开启和闭合运算，得到所需研究区域的精确水体信息；
步骤S211：利用传感器所对应的缨帽变换系数对所需研究区域的预处理图像进行缨帽变换，得到所需研究区域的缨帽变换后遥感图像，并提取所需研究区域的湿度信息Iwetness。
缨帽变换数学表达式如下所示。
u＝RTx+r (1)
其中，u表示所需研究区域的缨帽变换图像，R是传感器所对应的缨帽变换系数，x代表所需研究区域的预处理图像，r表示常数偏移量，是为避免在变换过程中出现负值。
所需研究区域的缨帽变换图像的第三波段即是研究区域的湿度信息，该湿度信息反映了地面水分条件，特别是土壤的温度状态。
缨帽变换系数表为：
经过缨帽变换可以得到与波段数相同的几个分量，其中前三个分量与地面景物密切相关。具体地，这三个分量分别为：
第一分量为亮度信息(BI)，反映了地物总体反射率的综合效果。
第二分量为绿度信息(GVI)，与亮度信息垂直，反映了地面植被覆盖、叶面积指数及生物量的丰富程度。
第三分量为湿度信息(WI)，与土壤温度有关，反映了地面水分条件，特别是土壤的湿度状态。其余分量为黄度指数及噪声。对不同地区特点和传感器，系数是调整变化的。
对于TM图像而言，可见光-红外六个波段数据蕴含着很丰富的信息，前三个分量主要反映土壤亮度(Brightness)、绿度(Greenness)和湿度(Wetness)，第四分量为黄度及噪声。以Landsat5为例，可表示为：
经过缨帽变换后能够在该空间下对植被、土壤、水体等地面覆被做更为细致准确的分析。
步骤S212：比较道路、植被、裸土、滩涂、城镇、不同泥沙含量水体等地物在研究区域的湿度信息上的取值，以选取分割阈值T；利用选取的分割阈值T对研究区域的湿度信息进行分割，提取研究区域的初始水体信息。具体公式如下：
其中，Iwater为所需研究区域的初始水体信息，Iwetness为所需研究区域的湿度信息，T为选取的分割阈值；
利用数学形态学运算对初始水体信息进行开启和闭合操作，以消除湖泊、河流等小面积水域的影响，填充海面船舶造成的孔洞，并保留原有海洋边界范围，得到研究区域的精确水体信息。
S3：特征知识支持下的海岸线信息提取
对所需研究区域的精确水体信息进行矢量化，以获取水体边缘信息，
得到研究区域的初始海岸线信息，然后根据海岸线在遥感图像上的表现特征，考虑海岸线连续分布的实际情况，基于特征知识进行研究区域的最终海岸线信息提取；其中，特征知识支持下的海岸线信息提取依次包括如下步骤：
S31、对研究区域的精确水体信息进行矢量化，以获取水体边缘信息，得到研究区域的初始海岸线信息；
S32、根据海岸线在遥感图像上的表现特征及实际情况下海岸线的形态，所述表现特征为灰度大小、几何形态或空间位置。基于海岸线的长度、距离和方向特征知识进行研究区域的精确海岸线信息提取。
所述S32精确海岸线信息提取依次包括如下步骤：
步骤S321：对研究区域的最终水体信息进行矢量化，得到研究区域的初始海岸线信息；
步骤S322：统计研究区域的初始海岸线信息中各线段长度，设定阈值，以去除数学形态学运算所造成的噪声影响。具体公式如下：
Li≤LT(i＝1,2,3,...,N) (5)
其中，N为研究区域的初始海岸线信息线段总数，Li为第i条线段的长度，LT为设定的最短海岸线长度。
当满足公式(5)时，则删除此段海岸线，否则将该段海岸线保留，以进行后续操作。将所有海岸线根据长度由高到低进行排序，根据经验，LT一般取总个数95％时的长度值，即LT＝LI(I＝INT(0.95*N))(INT表示取整)。
步骤S323：考虑到海岸线的连续性，统计每一条海岸线相对于X轴的方向，以及和其他海岸线的距离，设定阈值，判定相邻海岸线是否满足公式(6)设定的连接条件。
其中，DT和AT为相邻海岸线的距离和角度差，Dm-n是第m和第n条海岸线之间的距离，Am和An分别为第m和第n条海岸线相对于X轴(水平方向)的角度。
步骤S324：根据公式(6)连接满足条件的海岸线，得到研究区域的精确海岸线信息。
所述信息提取方法还包括精度评价步骤：
S4、将S3中精确海岸线信息提取结果与原始图像空间叠加分析，从位置准确性和海岸线完整性两方面对结果进行精度评价。精度评价是信息提取中不可或缺的一个环节，它不仅是评价方法的好坏以及对后续应用影响的标准，更是评估方法性能、调整模型参数、优化提取过程的一种重要依据。
本发明还提供了一种基于缨帽变换的遥感图像海岸线信息提取系统，如图2所示，该信息提取系统包括数据输入输出模块、遥感图像预处理模块、缨帽变换模块、初始水体信息提取模块、精确水体信息提取模块及海岸线信息提取模块；所述数据输入输出模块连接所述遥感图像预处理模块，所述缨帽变换模块分别连接所述遥感图像预处理模块和初始水体信息提取模块，所述精确水体信息提取模块分别连接所述初始水体信息提取模块和海岸线信息提取模块；
所述数据输入输出模块，用以读取研究区域的卫星遥感图像、保存海岸线信息提取结果；
所述遥感图像预处理模块，对遥感图像进行辐射定标、大气校正和几何校正的预处理操作，消除遥感图像中的辐射畸变和几何畸变，提高遥感图像质量；大气校正采用FLAASH模型进行。
所述缨帽变换模块，利用传感器对应缨帽变换系数对预处理后遥感图像进行缨帽变换，以获取湿度信息；在本实施例中，所述传感器优选为Landsat5专题制图仪。
所述初始水体信息提取模块，比较不同地物在湿度信息上的差异性，并设定分割阈值，利用阈值对缨帽变换后的湿度分量进行初始水体信息提取；
所述精确水体信息提取模块，利用数学形态学运算对初始水体信息进行开启和闭合操作，进行精确水体信息提取；具体地，对初始水体信息进行数学形态学运算以消除湖泊、河流等小面积水域的影响，填充海面船舶造成的孔洞，并保留原有海洋边界范围。
所述海岸线信息提取模块，采用边缘跟踪法对精确水体信息进行矢量化，统计每条线段的长度和线段之间的距离，通过设定长度和距离阈值，进行海岸线信息提取。
统计初始海岸线信息的线段长度，基于阈值去除噪声影响，并统计每一段海岸线相对于X轴的方向，以及和其他海岸线的距离，设定阈值，连接满足条件的海岸线，得到精确海岸线信息。
针对悬浮泥沙含量较大，导致传统水体信息提取方法失效的问题，构建基于缨帽变换的遥感图像海岸线信息提取方法，并从海岸线在遥感图像的表现特征及实际情况下的海岸线形态出发，基于长度、距离和方向等特征知识，开展噪声去除、断线连接研究，提取海岸线信息。
另外，在本发明的最终水体信息提取方法中，采用数学形态学运算以消除湖泊、河流等小面积水域的影响，填充海面船舶造成的孔洞，并保留原有海洋边界范围，进一步提高了提取精确水体信息的运算效率和结果准确性。
实施例：
本实施例选择舟山市本岛及其附近区域为研究区，开展应用试验，对方法有效性和结果准确性进行精度评价。
研究区概况，舟山市位于浙江省东北部，东临东海、西靠杭州湾、北面上海市，是长江流域和长江三角洲对外开放的海上门户和通道。区位示意图如图3所示。
舟山市是我国第一个以群岛建制的地级市，包括1390个岛屿，地理位置介于东经121°30′-123°25′，北纬29°32′-31°04′之间，东西长182千米，南北宽169千米。2011年6月30日，国务院正式批准成立浙江舟山群岛新区，也是全国首个以海洋经济为主题的国家级新区。而舟山本岛是舟山众多岛屿中面积最大的一个，承载了最多的人口，人类活动也最为丰富。因此，研究舟山本岛及其附近区域的海岸线信息提取对于更好地管理、建设国家级新区、发展海洋经济具有重要意义。
如图4所示，为舟山市本岛及其附近区域的Landsat5假彩色合成图像，成像时间为2009年7月157日，量化级别为8bit，空间分辨率为30m，图像大小为2121×2091，中心经纬度为(122°6′50.36″E，29°56′7.20″N)。
通过图4可以看出，研究区包含海洋、湖泊、河流、城区、山区等地物，山区被植被覆盖。受长江和钱塘江冲流以及上升流的影响，近岸海域悬浮泥沙含量较多，呈现微黄或淡绿，而距离陆地较远的海域则为深蓝。陆地上的湖泊、河流水质较为清澈，呈现暗色调。
在本实施例中以舟山市本岛及其附近区域的Landsat5图像为例，阐述本发明方法的功能和技术特点。要指出的是，所给出的实施例是为了说明本发明方法的技术特点和功能特点，以使能更易于理解本发明，而不是限制本发明的使用范围。
具体步骤如下：
(1)预处理
对原始数据进行辐射定标和大气校正，将灰度值转换为反射率，并消除大气散射、吸收的影响，如图5所示。图6为地面实测地物波谱曲线。通过图5与图6可以看出，植被、水体、城镇等地物与典型波谱曲线较为接近，预处理后反射率数据较好地反映了地表物体的实际情况。
(2)基于缨帽变换的水体信息提取
利用Landsat5对应的缨帽变换系数(如公式1所示)，对预处理后数据进行缨帽变换，得到湿度信息，如图7所示。根据湿度信息所表征物理含义，选取阈值0进行分割，得到初始水体信息，如图8所示。可以看出，图8中不但包含了真实水体信息，还包含了湖泊、河流等小面积水域。根据数学形态学的特点，对初始水体信息进行开启和闭合运算，既去除了湖泊、河流等小面积水域的影响，又填充了船舶造成的空洞，海洋和陆地边界也得到了较好的保留，如图9所示。
(3)特征知识支持下的海岸线信息提取
对水体信息进行矢量化，得到初始海岸线信息，如图10所示，可以看出，初始海岸线信息包含较短的线段，这主要是由于数学形态学去除小面积水域不彻底造成的。并且，滩涂区域含水量的不一致使得水体信息提取不完整，进而造成海岸线的中断。
考虑海岸线在遥感图像上的表现特征以及实际情况下海岸线的形态，基于特征知识提取海岸线信息。一方面，设定长度阈值，去除较短海岸线，另一方面，通过统计海岸线之间的距离与方向，进行断线连接。海岸线信息提取结果如图11所示。
(4)精度评价
将海岸线信息提取结果与原始图像进行叠加显示，可以发现：本文所提海岸线信息形状比较规则，海陆分界线明显，结果较为准确。
通过以上实施例的描述，本领域技术人员可以清楚地了解到本发明可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，本发明尚有多种具体的实施方式，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于缨帽变换的遥感图像海岸线信息提取方法，其特征在于：所述信息提取方法依次包括以下步骤：
S1：预处理
选取所需研究区域遥感图像，进行辐射定标、大气校正和几何校正，得到所需研究区域的预处理图像，获取适于后续处理的反射率数据；
S2：基于缨帽变换的水体信息提取
S21、对S1中所述预处理图像进行缨帽变换以提取湿度信息，并基于阈值分割得到所需研究区域的初始水体信息；
S22、基于数学形态学对初始水体信息进行开启和闭合运算，得到所需研究区域的精确水体信息；
S3：特征知识支持下的海岸线信息提取
S31、对研究区域的精确水体信息进行矢量化，以获取水体边缘信息，得到研究区域的初始海岸线信息；
S32、根据海岸线在遥感图像上的表现特征及实际情况下海岸线的形态，基于海岸线的长度、距离和方向特征知识进行研究区域的最终海岸线信息提取。
2.根据权利要求1所述的一种基于缨帽变换的遥感图像海岸线信息提取方法，其特征在于：所述信息提取方法还包括精度评价步骤：
S4、将S3中最终海岸线信息提取结果与原始图像进行空间叠加分析，从位置准确性和海岸线完整性两方面对结果进行精度评价。
3.根据权利要求1所述的一种基于缨帽变换的遥感图像海岸线信息提取方法，其特征在于：所述S21中提取湿度信息具体包括如下步骤，
S211：利用传感器所对应的缨帽变换系数对所需研究区域的预处理图像进行缨帽变换，得到所需研究区域的缨帽变换后的遥感图像，并提取所需研究区域的湿度信息；
缨帽变换数学表达式如下所示：
u＝RTx+r (1)
其中，u表示所需研究区域的缨帽变换图像，R是传感器所对应的缨帽变换系数，x代表所需研究区域的预处理图像，r表示常数偏移量，是为避免在变换过程中出现负值。所需研究区域的缨帽变换图像的第三波段为所需研究区域的湿度信息Iwetness。
4.根据权利要求1所述的一种基于缨帽变换的遥感图像海岸线信息提取方法，其特征在于：所述S21中初始水体信息具体包括如下步骤:
步骤S212：提取道路、植被、裸土、滩涂、城镇、不同泥沙含量水体等地物在研究区域的湿度信息上的取值并比较，选取分割阈值T；利用选取的分割阈值T对所需研究区域的湿度信息进行分割，提取所需研究区域的初始水体信息；
具体公式如下：
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>w</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>w</mi>
<mi>e</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>w</mi>
<mi>e</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
</msub>
<mo><</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Iwater为所需研究区域的初始水体信息，Iwetness为所需研究区域的湿度信息，T为选取的分割阈值。
5.根据权利要求1所述的一种基于缨帽变换的遥感图像海岸线信息提取方法，其特征在于：所述S32精确海岸线信息提取依次包括如下步骤：
S321：对所需研究区域的最终水体信息进行矢量化，得到所需研究区域的初始海岸线信息；
S322：统计所需研究区域的初始海岸线信息中各线段长度，设定阈值，以去除数学形态学运算所造成的噪声影响；
具体公式如下：
Li≤LT(i＝1,2,3,...,N) (3)
其中，N为所需研究区域的初始海岸线信息线段总数，Li为第i条线段的长度，LT为设定的最短海岸线长度；
当满足公式(3)时，则删除此段海岸线，否则将该段海岸线保留，以进行后续操作，将所有海岸线根据长度由高到低进行排序，LT取总个数95％时的长度值，即LT＝LI(I＝INT(0.95*N)) (INT表示取整)；
S323：考虑到海岸线的连续性，统计每一条海岸线相对于X轴的方向，以及和其他海岸线的距离，设定阈值，判定相邻海岸线是否满足公式(4)设定的连接条件；
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>D</mi>
<mi>T</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mi>n</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>A</mi>
<mi>T</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，DT和AT为相邻海岸线的距离和角度差，Dm-n是第m和第n条海岸线之间的距离，Am和An分别为第m和第n条海岸线相对于X轴的角度；
S324：根据公式(4)连接满足条件的海岸线，得到所需研究区域的最终海岸线信息。
6.一种基于缨帽变换的遥感图像海岸线信息提取系统，其特征在于：包括：数据输入输出模块、遥感图像预处理模块、缨帽变换模块、初始水体信息提取模块、精确水体信息提取模块及海岸线信息提取模块；所述数据输入输出模块连接所述遥感图像预处理模块，所述缨帽变换模块分别连接所述遥感图像预处理模块和初始水体信息提取模块，所述精确水体信息提取模块分别连接所述初始水体信息提取模块和海岸线信息提取模块；
所述数据输入输出模块，用以读取研究区域的卫星遥感图像、保存海岸线信息提取结果；
所述遥感图像预处理模块，用于对遥感图像进行辐射定标、大气校正和几何校正的预处理操作，消除遥感图像中的辐射畸变和几何畸变，提高遥感图像质量；
所述缨帽变换模块，利用传感器对应缨帽变换系数对预处理后遥感图像进行缨帽变换，以获取湿度分量得到湿度信息；
所述初始水体信息提取模块，比较不同地物在湿度信息上的差异性，并设定分割阈值，利用阈值对缨帽变换后的湿度信息进行初始水体信息提取；
所述精确水体信息提取模块，利用数学形态学运算对初始水体信息进行开启和闭合操作，进行最终水体信息提取；
所述海岸线信息提取模块，采用边缘跟踪法对精确水体信息进行矢量化，统计每条线段的长度和线段之间的距离，通过设定长度和距离阈值，进行海岸线信息提取。
7.根据权利要求6所述的一种基于缨帽变换的遥感图像海岸线信息提取系统，其特征在于：在所述精确水体信息提取模块中，对初始水体信息进行数学形态学运算以消除湖泊、河流等小面积水域的影响，填充海面船舶造成的孔洞，并保留原有海洋边界范围。
8.根据权利要求6所述的一种基于缨帽变换的遥感图像海岸线信息提取系统，其特征在于：在所述海岸线信息提取模块中，统计初始海岸线信息的线段长度，基于阈值去除噪声影响，并统计每一段海岸线相对于X轴的方向，以及和其他海岸线的距离，设定阈值，连接满足条件的海岸线，得到精确海岸线信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710367295.XA CN107247927B (zh) | 2017-05-23 | 2017-05-23 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710367295.XA CN107247927B (zh) | 2017-05-23 | 2017-05-23 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107247927A true CN107247927A (zh) | 2017-10-13 |
| CN107247927B CN107247927B (zh) | 2022-11-18 |
Family
ID=60016808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710367295.XA Active CN107247927B (zh) | 2017-05-23 | 2017-05-23 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247927B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
| CN111353371A (zh) * | 2019-11-22 | 2020-06-30 | 中国电子科技集团公司电子科学研究院 | 基于星载sar影像的海岸线提取方法 |
| CN111597930A (zh) * | 2020-04-30 | 2020-08-28 | 河海大学 | 一种基于遥感云平台的海岸线提取方法 |
| CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
| CN115330985A (zh) * | 2022-07-25 | 2022-11-11 | 埃洛克航空科技（北京）有限公司 | 用于三维模型优化的数据处理方法和装置 |
| CN115423829A (zh) * | 2022-07-29 | 2022-12-02 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
| CN116797798A (zh) * | 2023-07-03 | 2023-09-22 | 生态环境部卫星环境应用中心 | 基于尺度变换的海岸线快速提取方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9292747B2 (en) * | 2013-03-15 | 2016-03-22 | The Boeing Company | Methods and systems for automatic and semi-automatic geometric and geographic feature extraction |
| CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
-
2017
- 2017-05-23 CN CN201710367295.XA patent/CN107247927B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9292747B2 (en) * | 2013-03-15 | 2016-03-22 | The Boeing Company | Methods and systems for automatic and semi-automatic geometric and geographic feature extraction |
| CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| 张朝阳 等: ""遥感影像海岸线提取及其变化检测技术研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 栗云召 等: ""基于遥感的黄河三角洲海岸线变化研究"", 《海洋科学》 * |
| 樊彦国: ""基于遥感影像提取海岸线方法的研究—以黄河三角洲地区黄河口段和刁口段海岸为例"", 《遥感信息》 * |
| 玉素甫江.如素力等: ""基于Landsat ETM+的内陆湖泊水体信息提取方法研究"", 《西北农林科技大学学报（自然科学版）》 * |
| 盛业华: "《数学形态学理论与地图扫描识别技术》", 31 December 1999 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
| CN111353371A (zh) * | 2019-11-22 | 2020-06-30 | 中国电子科技集团公司电子科学研究院 | 基于星载sar影像的海岸线提取方法 |
| CN111597930A (zh) * | 2020-04-30 | 2020-08-28 | 河海大学 | 一种基于遥感云平台的海岸线提取方法 |
| CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
| CN113592770B (zh) * | 2021-06-23 | 2024-02-23 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
| CN115330985A (zh) * | 2022-07-25 | 2022-11-11 | 埃洛克航空科技（北京）有限公司 | 用于三维模型优化的数据处理方法和装置 |
| CN115330985B (zh) * | 2022-07-25 | 2023-09-08 | 埃洛克航空科技（北京）有限公司 | 用于三维模型优化的数据处理方法和装置 |
| CN115423829A (zh) * | 2022-07-29 | 2022-12-02 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
| CN115423829B (zh) * | 2022-07-29 | 2024-03-01 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
| CN116797798A (zh) * | 2023-07-03 | 2023-09-22 | 生态环境部卫星环境应用中心 | 基于尺度变换的海岸线快速提取方法和装置 |
| CN116797798B (zh) * | 2023-07-03 | 2024-01-09 | 生态环境部卫星环境应用中心 | 基于尺度变换的海岸线快速提取方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107247927B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107247927A (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
| CN109886217B (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
| US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
| Pearce et al. | Repeated mapping of reefs constructed by Sabellaria spinulosa Leuckart 1849 at an offshore wind farm site | |
| CN104613944B (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
| CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
| CN103363962A (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
| CN103063202A (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
| Dickens et al. | Application of machine learning in satellite derived bathymetry and coastline detection | |
| CN109840553A (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
| CN103236063A (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
| CN110348324A (zh) | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 | |
| CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN110188927A (zh) | 一种城市热岛主控因素的分析方法、装置及存储介质 | |
| CN114898212B (zh) | 一种高分辨率遥感图像多地物变化信息提取方法 | |
| CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
| CN109829423A (zh) | 一种结冰湖泊红外成像检测方法 | |
| CN113743577B (zh) | 用于中尺度涡识别的精细化网格数据分区构建方法及系统 | |
| CN104268848A (zh) | 一种海洋内波波速监测的方法 | |
| CN106845343A (zh) | 一种光学遥感图像海上平台自动检测方法 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| Li et al. | The land-sea interface mapping: China’s coastal land covers at 10 m for 2020 | |
| Strobl et al. | Artificial neural network exploration of the influential factors in drainage network derivation | |
| CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230831 Address after: Room 1402, Building 1, Haimao Building, No. 95 Yushi 1st Road, Shenjiamen Street, Putuo District, Zhoushan City, Zhejiang Province, 316100 Patentee after: Qidi Marine Technology Industry Research Institute Putuo District Zhoushan City Address before: 316022 No. 1, Haida South Road, Lincheng street, Dinghai District, Zhoushan, Zhejiang Patentee before: Zhejiang Ocean University |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20171013 Assignee: Haice information technology (Zhejiang) Co.,Ltd. Assignor: Qidi Marine Technology Industry Research Institute Putuo District Zhoushan City Contract record no.: X2024330000004 Denomination of invention: A method and system for extracting coastline information from remote sensing images based on tassel hat transformation Granted publication date: 20221118 License type: Common License Record date: 20240108 |