CN107392927A - 一种亚米级遥感影像渔业网箱提取方法 - Google Patents

一种亚米级遥感影像渔业网箱提取方法 Download PDF

Info

Publication number
CN107392927A
CN107392927A CN201710591187.0A CN201710591187A CN107392927A CN 107392927 A CN107392927 A CN 107392927A CN 201710591187 A CN201710591187 A CN 201710591187A CN 107392927 A CN107392927 A CN 107392927A
Authority
CN
China
Prior art keywords
net cage
image
sub
mrow
fishery net
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
CN201710591187.0A
Other languages
English (en)
Other versions
CN107392927B (zh
Inventor
孟令奎
任润东
崔长露
张文
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710591187.0A priority Critical patent/CN107392927B/zh
Publication of CN107392927A publication Critical patent/CN107392927A/zh
Application granted granted Critical
Publication of CN107392927B publication Critical patent/CN107392927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/10—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
    • G06T2207/20212—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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种亚米级遥感影像渔业网箱提取方法，包括对影像进行归一化植被指数NDVI计算，进行高通滤波，对高通滤波结果进行边缘特征增强，进行灰度共生矩阵计算，构建归一化指数NDES，计算四个方向上的NDES指数，提取渔业网箱的大致范围；对每个联通区域划定缓冲区域范围进行裁剪，基于边缘检测对裁剪后的NDVI影像进行分割，基于四方向NDES指数通过设定规则提取渔业网箱精确范围。应用本发明技术方案可以方便快捷地准确实现围网养殖区空间分布及其面积的获取，节约人力物力，对实际监测工作具有重要积极意义。

Description

一种亚米级遥感影像渔业网箱提取方法
技术领域
本发明属于遥感图像处理领域，特别涉及一种亚米级遥感影像渔业网箱提取方法。
背景技术
目前，围网养殖区空间分布及其面积的获取方法主要依靠人工实地调查测量，该方法时间周期长，人力投入大。遥感技术由于其具有实时、大范围、动态和客观等优势，逐渐成为围网养殖区监测的主流方法。从遥感影像中提取渔业网箱，能有效的降低人工寻找的成本，大大缩短获取网箱范围的时间。但此方法提取出的围网养殖区范围受自然水体的光谱及纹理影响，会发生误分、漏分的问题，也对围网养殖范围的分析、应用造成了阻碍。
目前的水产养殖区域提取的主流方法主要有：1)面向对象方法，通过多尺度分割方法，针对地物的光谱、纹理、形状等信息，提取养殖区，该方法的精度依赖于选取的特征及隶属度函数；2)纹理特征阈值法，通过灰度共生矩阵计算得到均值，以其为量化指标确定最佳阈值，该方法的缺点是对线状的河流水体易错分。针对上述方法的不足，学者针对多方向纹理特征、空间特征、亚米级遥感等继续进行了探索，并取得了一定成果。但由于水体光谱特征和纹理特征变化比较复杂，会受到其他非网箱类漂浮物的影响，包括水域中由于水色变化而导致水面纹理特征发生突变等，上述的围网养殖区提取方法难以适用。
发明内容
针对现有技术中对于渔业网箱提取中存在的问题，本发明提供了一种基于多方向纹理特征的亚米级遥感影像渔业网箱提取方法。通过计算不同方向上的纹理特征确定遥感影像中渔业网箱的大致范围，再对该范围内的影像利用多方向纹理特征设定规则进行进一步的特征提取，从而得到渔业网箱的准确位置和轮廓。
为解决上述技术问题，本发明提供一种亚米级遥感影像渔业网箱提取方法，包括以下步骤：
步骤1，渔业网箱大致范围确定，包括以下子步骤，
步骤1.1，对所用影像情况进行判断，若影像为亚米级多光谱影像，则直接进入步骤1.2；若多光谱影像空间分辨率没有达到亚米级，则对多光谱影像用对应的亚米级全色影像进行融合，然后进入步骤1.2；
步骤1.2，对影像进行归一化植被指数NDVI计算，得到NDVI影像；
步骤1.3，对NDVI影像进行高通滤波；
步骤1.4，对高通滤波结果进行边缘特征增强；
步骤1.5，对步骤1.4增强后的影像进行灰度共生矩阵计算，提取熵Entropy及二阶角距Second Moment；
步骤1.6，提取多方向纹理特征，包括构建归一化指数NDES，然后计算0°、45°、90°、135°四个方向上的NDES指数，记为NDES0°、NDES45°、NDES90°、NDES135°，得到四个方向上的NDES影像；
设定如下条件，
式中，DN为待处理范围影像的像素值，T1为设定的阈值，获取到的每一个DN值为1的联通区域是为渔业网箱的大致范围；
步骤2，渔业网箱范围精确提取，包括以下子步骤，
步骤2.1，对步骤1.6中获取到的每个联通区域，划定缓冲区域范围；
步骤2.2，使用步骤2.1中获取的缓冲区范围，对步骤1.3中获取的NDVI影像和步骤1.6所得四个方向上的NDES影像进行裁剪；
步骤2.3，采用基于边缘检测方法对裁剪后的NDVI影像进行分割；
步骤2.4，基于步骤2.3的分割结果，根据以下分类规则进行提取，
式中，T2为经验阈值，T3为NDVI阈值，符合上述公式条件的范围为提取所得渔业网箱精确范围。
而且，步骤1.2中，进行归一化植被指数NDVI计算如下，
其中，RRed为影像红波段，RNIR为影像的近红外波段。
而且，步骤1.3中，高通滤波的滤波模板采用15×15大小的窗口。
而且，步骤1.4中，边缘特征增强采用Roberts算子。
而且，步骤1.6中，T1为0.5。
而且，步骤2.1中，缓冲区距离的值式中S为联通区域面积，a为联通区域最小外接矩形的长与宽之比。
而且，步骤2.4中，T3设置为0.1，用于过滤掉水和水草。
本发明具有如下特点和有益效果：1、本发明引入了多方向纹理特征的机制，通过对处理后的影像计算灰度共生矩阵得到纹理度量，采用熵与二阶角距构建了纹理特征指数NDES，对0°、45°、90°、135°四个方向上的NDES叠加阈值分割，进一步扩大了渔业网箱区域与水面之间的反差，有利于渔业网箱的提取。2、本发明采取了由粗略到精确两个阶段分步提取的手段，首先利用网箱类地物的光谱特征、纹理特征并结合形态学运算对疑似网箱的地物进行筛选，确定渔业网箱的大致范围；然后利用多级限制条件缩小了候选区域，进一步过滤掉了可能会对网箱提取造成干扰的其他信息。应用本发明技术方案可以方便快捷地准确实现围网养殖区空间分布及其面积的获取，节约人力物力，对实际监测工作具有重要积极意义。
附图说明
图1为本发明实施例的渔业网箱提取流程示意图。
图2a为本发明实施例的0°方向NDES示意图。
图2b为本发明实施例的45°方向NDES示意图。
图2c为本发明实施例的90°方向NDES示意图。
图2d为本发明实施例的135°方向NDES示意图。
图3为本发明实施例的粗略提取整体效果示意图。
具体实施方式
下面将详细描述本发明的具体实施例。应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。
参见图1，实施例所提供的流程如下：
步骤1，渔业网箱大致范围确定，包括以下子步骤：
步骤1.1，对所用影像情况进行判断，根据影像的分辨率选择执行：
若影像为亚米级多光谱影像，则直接进入步骤1.2。
若多光谱影像空间分辨率没有达到亚米级，但提供了相对应的亚米级全色影像，则对影像进行采用Gram-Schmidt方法进行全色影像与多光谱影像的融合，然后进入步骤1.2。Gram-Schmidt方法是现有的方法，本发明不予赘述。
实施例采用高分二号多光谱影像(4米分辨率)、高分二号全色影像(0.8米分辨率)进行融合。
步骤1.2，对影像进行归一化植被指数计算：计算影像的NDVI指数，其中，RRed为影像红波段，RNIR为影像近红外波段；
步骤1.3，对得到的NDVI影像进行高通滤波，具体实施时可采用ENVI软件实现。
考虑到网箱与水体区域的反差随着窗口范围的增大，水体与网箱区域的反差也逐步升高；时间消耗上，在窗口大小为17时，处理相同大小影像区域的时间消耗相比上一节点有较为明显的增加。因此，结合时间损耗和反差的变化趋势，优选地，采用卷积核窗口大小为15×15的高通滤波对影像进行处理。
该卷积核同时保证了最短的时间消耗和最大的网箱与水体反差，卷积核中各项的值如下所示；
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 224 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
步骤1.4，对高通滤波之后得到的影像采用边缘检测算子(优选Roberts算子)进行边缘特征增强；
步骤1.5，对Roberts算子增强后的影像可借助现有软件，例如ENVI5.3软件的Co-occurrence Texture Parameters工具，进行灰度共生矩阵计算，提取其熵(Entropy)及二阶角距(Second Moment)值；
采用多方向纹理特征的目的是为了结合不同方向上的影像信息变化趋势对误提取的水体范围进行剔除；对于一个8邻域图像来说，四个方向上的纹理特征与8邻域中的另外四个方向有着对称的特性，因此发明选取0°、45°、90°、135°四个方向上的熵及二阶角距。
熵(Entropy)这一纹理度量，在窗口大小从3×3变化到7×7时，网箱类地物上的像素值一直呈上升趋势，并在7×7窗口时达到极值，在窗口大小大于7×7时，网箱区域上的熵开始呈减小趋势。
因此，进一步地，实施例中灰度共生矩阵窗口大小优选采用7×7，以保证网箱类地物与水体的像素值差距最大，并设置灰度共生偏移(X，Y)的值分别为(1，0)、(1，1)、(0，1)、(-1，1)，得到0°、45°、90°、135°4个方向上的熵及二阶角距。
使用以上两个波段构建归一化指数NDES，进一步扩大渔业网箱与水面之间的反差；通过计算0°、45°、90°、135°四个方向上的NDES指数，得到四个方向上的NDES影像，并设定如下条件：
式中，DN为待处理范围影像的像素值，T1为设定的阈值，为0.5。
实施例得到的四个方向上的NDES影像分别如图2a、图2b、图2c和图2d，获取到的每一个DN值为1的联通区域即为渔业网箱的大致范围，如图3所示。
步骤2，渔业网箱范围精确提取，包括以下子步骤：
步骤2.1，对获取到的每个联通区域，计算其面积并划定缓冲区域范围，缓冲区距离采用公式确定，式中D为缓冲区距离，S为联通区域面积，a为联通区域外接矩形的长与宽之比。
步骤2.2，使用步骤2.1中获取的缓冲区范围，对步骤1.3中获取的NDVI影像、步骤1.6所得四个方向上的NDES影像分别进行裁剪，得到网箱大致范围内的以上两种影像。
步骤2.3，对裁剪后的NDVI影像进行分割，分割方法采用基于边缘检测的分割算法，具体实施时可采用ENVI软件的Feature Extraction(特征提取)工具实现，对分割后的影像需要进行特征提取，在本发明实施例中用的是Rule Based Feature ExtractionWorkflow(基于规则的面向对象信息提取)方法。优选地，分割尺度选择50。
步骤2.4，基于步骤2.3的分割结果，继续设定分类规则为：
其中，T2为经验阈值，根据影像的实际情况选择，保证网箱与其他地物可以更好的分离。实施例取值为0.3。T3为NDVI的阈值，可优选设置为0.1，过滤掉水和水草，符合上述公式条件的范围为水体。
符合上述公式条件的范围即为渔业网箱精确范围。
通过以上流程，实施例先获取渔业网箱粗略范围，再对其精确提取。首先对遥感影像进行归一化植被(NDVI)指数计算，对结果进行高通滤波及Roberts算子卷积增强边缘特征，之后获取其灰度共生矩阵，采用灰度共生矩阵中的熵和二阶角距影像构建纹理特征指数NDES，进一步突出了水体与渔业网箱之间的反差，并以四方向NDES指数均大于0.5为阈值提取渔业网箱大致范围。然后对大致范围内像素值为1的联通区域设置缓冲区，在缓冲区内对NDVI影像数据进行分割，并采用四方向NDES指数均大于0.3为阈值设置条件，最终获得渔业网箱精确范围。
具体实施时，以上流程可采用计算机软件技术实现自动运行。

Claims (7)

1.一种亚米级遥感影像渔业网箱提取方法，其特征在于，包括以下步骤：
步骤1，渔业网箱大致范围确定，包括以下子步骤，
步骤1.1，对所用影像情况进行判断，若影像为亚米级多光谱影像，则直接进入步骤1.2；若多光谱影像空间分辨率没有达到亚米级，则对多光谱影像用对应的亚米级全色影像进行融合，然后进入步骤1.2；
步骤1.2，对影像进行归一化植被指数NDVI计算，得到NDVI影像；
步骤1.3，对NDVI影像进行高通滤波；
步骤1.4，对高通滤波结果进行边缘特征增强；
步骤1.5，对步骤1.4增强后的影像进行灰度共生矩阵计算，提取熵Entropy及二阶角距Second Moment；
步骤1.6，提取多方向纹理特征，包括构建归一化指数NDES，然后计算0°、45°、90°、135°四个方向上的NDES指数，记为NDES0°、NDES45°、NDES90°、NDES135°，得到四个方向上的NDES影像；
设定如下条件，
式中，DN为待处理范围影像的像素值，T1为设定的阈值，获取到的每一个DN值为1的联通区域是为渔业网箱的大致范围；
步骤2，渔业网箱范围精确提取，包括以下子步骤，
步骤2.1，对步骤1.6中获取到的每个联通区域，划定缓冲区域范围；
步骤2.2，使用步骤2.1中获取的缓冲区范围，对步骤1.3中获取的NDVI影像和步骤1.6所得四个方向上的NDES影像进行裁剪；
步骤2.3，采用基于边缘检测方法对裁剪后的NDVI影像进行分割；
步骤2.4，基于步骤2.3的分割结果，根据以下分类规则进行提取，
式中，T2为经验阈值，T3为NDVI阈值，符合上述公式条件的范围为提取所得渔业网箱精确范围。
2.根据权利要求1所述亚米级遥感影像渔业网箱提取方法，其特征在于：步骤1.2中，进行归一化植被指数NDVI计算如下，
<mrow> <mi>N</mi> <mi>D</mi> <mi>V</mi> <mi>I</mi> <mo>=</mo> <mfrac> <mrow> <msub> <mi>R</mi> <mrow> <mi>N</mi> <mi>I</mi> <mi>R</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>R</mi> <mrow> <mi>Re</mi> <mi>d</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>R</mi> <mrow> <mi>N</mi> <mi>I</mi> <mi>R</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>R</mi> <mrow> <mi>Re</mi> <mi>d</mi> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> </mrow>
其中，RRed为影像红波段，RNIR为影像的近红外波段。
3.根据权利要求1所述亚米级遥感影像渔业网箱提取方法，其特征在于：步骤1.3中，高通滤波的滤波模板采用15×15大小的窗口。
4.根据权利要求1所述亚米级遥感影像渔业网箱提取方法，其特征在于：步骤1.4中，边缘特征增强采用Roberts算子。
5.根据权利要求1所述亚米级遥感影像渔业网箱提取方法，其特征在于：步骤1.6中，T1为0.5。
6.根据权利要求1所述亚米级遥感影像渔业网箱提取方法，其特征在于：步骤2.1中，缓冲区距离的值式中S为联通区域面积，a为联通区域最小外接矩形的长与宽之比。
7.根据权利要求1或2或3或4或5或6所述亚米级遥感影像渔业网箱提取方法，其特征在于：步骤2.4中，T3设置为0.1，用于过滤掉水和水草。
CN201710591187.0A 2017-07-19 2017-07-19 一种亚米级遥感影像渔业网箱提取方法 Active CN107392927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710591187.0A CN107392927B (zh) 2017-07-19 2017-07-19 一种亚米级遥感影像渔业网箱提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710591187.0A CN107392927B (zh) 2017-07-19 2017-07-19 一种亚米级遥感影像渔业网箱提取方法

Publications (2)

Publication Number Publication Date
CN107392927A true CN107392927A (zh) 2017-11-24
CN107392927B CN107392927B (zh) 2019-08-20

Family

ID=60335919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710591187.0A Active CN107392927B (zh) 2017-07-19 2017-07-19 一种亚米级遥感影像渔业网箱提取方法

Country Status (1)

Country Link
CN (1) CN107392927B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145794A (zh) * 2018-08-10 2019-01-04 大连理工大学 一种海洋牧场网箱的健康监测方法
CN109472203A (zh) * 2018-09-30 2019-03-15 广州地理研究所 一种基于遥感数据的中心支轴式喷灌农田识别方法
CN116320987A (zh) * 2023-04-07 2023-06-23 中国公路工程咨询集团有限公司 基于高分遥感、北斗和电子围栏的空侧施工器械调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030003401A (ko) * 2001-06-30 2003-01-10 주식회사 케이티 질감특징과 웨이브렛 모멘트 특징의 융합에 의한 내용기반영상검색방법
CN101937079A (zh) * 2010-06-29 2011-01-05 中国农业大学 基于区域相似度的遥感影像变化检测方法
CN105913426A (zh) * 2016-04-11 2016-08-31 中国科学院南京地理与湖泊研究所 一种基于zy-3影像的浅水湖泊围网区提取方法
CN106570485A (zh) * 2016-11-09 2017-04-19 北京航空航天大学 一种基于深度学习的筏式养殖遥感图像场景标注方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030003401A (ko) * 2001-06-30 2003-01-10 주식회사 케이티 질감특징과 웨이브렛 모멘트 특징의 융합에 의한 내용기반영상검색방법
CN101937079A (zh) * 2010-06-29 2011-01-05 中国农业大学 基于区域相似度的遥感影像变化检测方法
CN105913426A (zh) * 2016-04-11 2016-08-31 中国科学院南京地理与湖泊研究所 一种基于zy-3影像的浅水湖泊围网区提取方法
CN106570485A (zh) * 2016-11-09 2017-04-19 北京航空航天大学 一种基于深度学习的筏式养殖遥感图像场景标注方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEI WU ETC: "Research on remote sensing image classification based on Neuro-Fuzzy and texture analysis", 《PROCEEDINGS OF THE 29TH CHINESE CONTROL CONFERENCE》 *
XUEHENG YAO ETC: "Multi-spectral remote sensing images fusion based on k-th central moment", 《2010 SECOND IITA INTERNATIONAL CONFERENCE ON GEOSCIENCE AND REMOTE SENSING》 *
李俊杰 等: "基于遥感影像纹理信息的湖泊围网养殖区提取", 《湖泊科学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145794A (zh) * 2018-08-10 2019-01-04 大连理工大学 一种海洋牧场网箱的健康监测方法
CN109472203A (zh) * 2018-09-30 2019-03-15 广州地理研究所 一种基于遥感数据的中心支轴式喷灌农田识别方法
CN109472203B (zh) * 2018-09-30 2020-10-23 广州地理研究所 一种基于遥感数据的中心支轴式喷灌农田识别方法
CN116320987A (zh) * 2023-04-07 2023-06-23 中国公路工程咨询集团有限公司 基于高分遥感、北斗和电子围栏的空侧施工器械调度方法
CN116320987B (zh) * 2023-04-07 2023-09-29 中国公路工程咨询集团有限公司 基于高分遥感、北斗和电子围栏的空侧施工器械调度方法

Also Published As

Publication number Publication date
CN107392927B (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
Huang et al. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery
CN104598908B (zh) 一种农作物叶部病害识别方法
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
CN103559500B (zh) 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法
Zhang et al. An unsupervised evaluation method for remotely sensed imagery segmentation
CN106650812B (zh) 一种卫星遥感影像的城市水体提取方法
CN107578418A (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
Su Scale-variable region-merging for high resolution remote sensing image segmentation
CN109657610A (zh) 一种高分辨率多源遥感影像的土地利用变化检测方法
CN111985543A (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN111368825B (zh) 一种基于语义分割的指针定位方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
Ozdarici-Ok Automatic detection and delineation of citrus trees from VHR satellite imagery
CN109829425B (zh) 一种农田景观小尺度地物分类方法及系统
CN107392927B (zh) 一种亚米级遥感影像渔业网箱提取方法
CN111191628A (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN108229551A (zh) 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
CN103500343A (zh) 基于mnf变换结合扩展属性滤波的高光谱影像分类方法
CN109409389A (zh) 一种融合多特征的面向对象变化检测方法
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN111007013A (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN106650663A (zh) 建筑物真伪变化的判定方法及含此方法的伪变化去除方法
CN113129281B (zh) 一种基于深度学习的小麦茎秆截面参数检测方法
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法

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