CN108051371B - 一种面向生态环境参量遥感反演的阴影提取方法 - Google Patents
一种面向生态环境参量遥感反演的阴影提取方法 Download PDFInfo
- Publication number
- CN108051371B CN108051371B CN201711252502.3A CN201711252502A CN108051371B CN 108051371 B CN108051371 B CN 108051371B CN 201711252502 A CN201711252502 A CN 201711252502A CN 108051371 B CN108051371 B CN 108051371B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- shadow
- sensing image
- index
- environment parameter
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000005855 radiation Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 230000001186 cumulative effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 13
- 230000004044 response Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011155 quantitative monitoring Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向生态环境参量信息遥感反演的阴影提取方法，包括：对原始遥感影像图进行辐射定标和大气辐射校正，得到遥感影像结果图；计算植被指数，根据所得植被指数计算阴影指数，得到阴影指数信息空间分布图；对遥感影像结果图进行影像的增强算法处理，随机采集阴影的像元样本为样本区；统计计算样本区对应阴影指数数值从小到大的累计频率及统计变量并设置一阈值范围；根据所得阈值范围，制作提取阴影信息的二值掩模图，将制作的二值掩模图与遥感影像结果图进行空间叠加，并进行波段乘积运算，即可快速提取遥感影像中阴影信息精确的空间分布图。本发明操作过程简单、灵活，易推广应用，提高了生态环境参量信息遥感反演的精度。
Description
技术领域
本发明涉及一种面向生态环境参量信息遥感反演的阴影提取方法，属于生态环境定量监测评价技术领域。
背景技术
生态环境是社会经济可持续发展的基础,生态环境状况的定量评价是实施区域可持续发展战略的重要依据。生态环境参量是用来刻画地球表面生态与环境的生物、物理与化学参数，能够定量反映区域生态环境的状况。传统生态环境参量信息数据测量密度一般较小，时间间隔往往很长，缺乏时空上的连续性与一致性；同时，记录的信息也难以体现大范围生态环境的总体分布状况。遥感技术以其特有的优势，可实现对地表不间断的昼夜观测，在获取区域陆面生态环境要素参量方面具有不可替代的作用。可以借助遥感技术来获得的生态环境参量有很多，大体可以分为两类：一类是表征植被性状和功能的指标，如描述地-气间交互作用有效截面大小的叶面积指数；描述植被与太阳辐射作用强度的光合有效辐射吸收比；用来分离能量平衡过程中植被和土壤各自贡献的植被覆盖度；以及植物净初级生产力、光和色素含量和地上生物量等，这些参数与植被的光合作用蒸腾作用和呼吸作用息息相关，是生态系统模型大气环流模型及气候模型等的重要输入参数；另一类是反映生态环境变化的地表物理环境属性的参量，如反照率、陆面温度、亮度温度、比辐射率和土壤水分等，对这些参量的定量监测是进行取样生态环境定量评价的基础和必要前提，从而能更好地了解全球变化的趋势及其驱动因子。然而，遥感技术在提供方便、快捷途径的同时，也有其自身的技术难点，其中天气状况和地形特征是影响遥感数据质量最重要的两个客观因素，因云层遮挡和山体高度而形成的阴影严重干扰了目标地物的识别，削弱了地物在传感器上的响应，对地物自身原有的光谱响应特征的影响具有较大的不确定性；加上生态环境参量的遥感定量反演本身就很复杂，因此如何有效去除影响生态环境参量定量反演的阴影信息是开展生态环境状况定量评价的前提基础，而去除目标阴影信息的前提就是如何更精确地提取阴影信息。
目前遥感阴影信息提取方法大体可以分为两类：一类是基于模型的方法；另一类是基于阴影性质的方法。第一类方法需要遮挡物体的几何形状、太阳方位角、传感器参数等信息，以此建立相应的几何模型来实现阴影信息的提取，但是在实际应用中很多信息不容易得到，具有很大的局限性。第二类方法主要是通过阴影的光谱、纹理、色彩和边缘等性质，结合一定的算法，以实现对阴影信息的提取，然而现有此类方法由于自身的制约条件，仅在某些特定领域或特定对象取得了较好的效果。如基于色彩不变的检测方法对场景限制条件较多，假设阴影区域是非纹理的平坦表面，必须是单一光照；基于直方图的方法存在强反射地形、地物漏检和水体错检的缺陷，更重要的是它只适合灰度图像；很多研究又根据在HIS空间中，阴影区域的亮度比非阴影区域的亮度值低的特性，提出了同态滤波等方法，但这些方法容易将水体、低亮度地物误判为阴影；位明露等结合HSV变换和区域生长原理，采用双阈值法，提出了一种改进的阴影检测方法，对阴影区具有较好的识别能力，但是区域生长的结果依赖于初始种子点的选取，随机性较大，方法的稳定性较差。罗艳等结合水体指数和HIS变换，可有效去除水体信息，但是针对不同的遥感影像，需要参考OIF算法，找出最佳波段组合再进行HIS变换，普适性较差。近年来，结合阴影性质，发展了一些面向对象的阴影提取方法，对阴影区域有较好的识别效果，但是此类方法也是针对特定区域，多见于对城市小区域建筑物阴影的提取，且提取过程复杂繁琐，普适性不强，有时还要根据光照、地物类别比例、传感器等影响不同，需要调整相关的常数。
发明内容
针对现有技术存在的不足，本发明结合生态环境参量信息遥感反演中的实际要求，提出了一种遥感影像阴影的提取方法，用于实现对遥感影像中目标云层阴影和山体阴影的快速提取，避免信息失真对生态环境参量定量反演结果的影响。
为解决上述问题，本发明所采取的技术方案是：
一种面向生态环境参量信息遥感反演的阴影提取方法，包括以下步骤：
步骤一，对目标原始遥感影像图进行精确的辐射定标，得到代表不同地物真实辐射亮度值的遥感影像，在此基础上，对其进行大气辐射校正，得到代表不同地物光谱反射特性的遥感影像结果图；
步骤二，基于步骤一所得的遥感影像结果图计算植被指数；
步骤三，根据步骤一得到的遥感影像结果图和步骤二得到的植被指数，计算阴影指数，得到整个遥感影像的阴影指数信息空间分布图；
步骤四，对步骤一所得的遥感影像结果图进行影像的增强算法处理；
步骤五，在步骤四所得结果图上随机采集阴影的像元样本为样本区；
步骤六，将步骤五所得样本区与步骤三所得阴影指数信息空间分布图进行空间叠加，统计计算样本区对应阴影指数数值从小到大的累计频率及统计变量；
步骤七，根据累计频率对应的阴影指数数值和统计变量值，设置一阈值范围；
步骤八，根据步骤七所得阈值范围，制作提取阴影信息的二值掩模图，将制作的二值掩模图与步骤一所得的遥感影像结果图进行空间叠加，并进行波段乘积运算，即可快速提取遥感影像中阴影信息精确的空间分布图。
进一步的，步骤二中所述植被指数为归一化植被指数NDVI，该指数计算公式为：ρNIR为遥感影像近红外波段光谱反射率值，ρR为红波段的光谱反射率值。
进一步的，步骤三中阴影指数YYI的计算公式为：其中ρNIR为遥感影像近红外波段光谱反射率值，ρSWIR为短波红外波段的光谱反射率值,NDVI为归一化植被指数。
进一步的，步骤四中对步骤一所得的遥感影像结果图进行影像的增强算法处理是指对步骤一所得的遥感影像结果图进行线性拉伸处理。
进一步的，对步骤一所得的遥感影像结果图进行2％的线性拉伸处理。可鲜明地把云层阴影和山体阴影与其他地物明显区分开来，方便进行步骤四中阴影像元样本的采集和分析。
进一步的，步骤五中为避免错选上非阴影区像元而造成误差，采用2×2的像元窗口在经过增强后的遥感影像图上随机采集阴影像元样本，样本像元数量大于等于200。
进一步的，步骤七中所述阈值范围的下限阈值为样本区对应阴影指数数值中的最小值，所述阈值范围的上限阈值为累计频率达到95％时的阴影指数数值。
进一步的，步骤八中所述二值掩模图是基于步骤三中阴影指数信息空间分布图，将大于下限阈值且小于上限阈值的区域赋值为1，其他区域赋值为0，采用波段运算法计算而得。最后，将二值掩模图与步骤一所得的遥感影像结果图进行叠加，即可快速提取影像中阴影的空间分布。
本方法从不同地物最本质的电磁波谱反射特征分析入手，通过定量对比和分析遥感影像中城镇用地、裸露土壤、农田作物、林地、草地、水体与云、云层阴影、山体阴影等不同对象的电磁波响应特征，在结合不同遥感传感器与大量的实验分析基础上，本发明构建了一个遥感影像阴影指数。该遥感影像阴影指数能有效地把云层阴影、山体阴影与其他地物类型区分开来。尤其是针对较难区分的水体信息和阴影信息，该指数也能实现较为精确的区分和信息提取。
本发明提出的方法是根据不同地物本身固有的电磁波特征和光谱响应特性，结合植被指数而建立的，能有效地区分阴影与水体及其他地物信息，不但具有易于操作、简单、灵活等优点，同时也具有明确的物理意义和普适性。因此，相比传统的模型或指数方法，本发明提出的方法应用面更广，实用性更强。
附图说明
图1为本方法的流程示意图；
图2为经过辐射定标和大气校正后的遥感影像结果图；
图3为植被指数计算结果图；
图4为阴影指数信息空间分布图；
图5为经2％线性拉伸增强后的遥感影像图；
图6为选择随机样本空间分布图；
图7为遥感影像阴影提取结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种面向生态环境参量信息遥感反演的阴影提取方法，包括以下步骤：
步骤一，对目标原始遥感影像图进行精确的辐射定标，得到代表不同地物真实辐射亮度值的遥感影像，在此基础上，对其进行大气辐射校正，得到代表不同地物光谱反射特性的遥感影像结果图。
为了说明本发明对遥感影像阴影提取效果的有效性，特选择了一张有大量云层阴影和山体阴影的遥感影像图作为实例，该实施例遥感影像为Landsat 8OLI影像，包括9个波段，空间分辨率为30米，其中包含有一个15米的全色波段。各种生态环境参量信息遥感定量反演的首要前提，需要对目标遥感影像进行辐射定标和大气校正。辐射定标是将传感器记录的无量纲的DN值转换成具有实际物理意义的大气顶层辐射亮度。辐射定标的原理是建立数字量化值与对应视场中辐射亮度值之间的定量关系，以消除传感器本身产生的误差。大气校正是基于辐射传输模型，消除大气对地物反射的影响，以获取地物较为准确的反射率的过程。不同时间、不同传感器的遥感影像会设置不同的辐射定标和大气校正参数，在处理时，这些参数都可以从遥感影像的头文件中获取。如图2为本实施例中经过辐射定标和大气校正后的目标原始遥感影像图。
步骤二，基于步骤一所得的遥感影像结果图计算植被指数。
在对不同地物光谱响应特性分析时，归一化植被指数NDVI的引入能有效地把云层阴影和山体阴影与遥感影像中水体信息等低亮度值的地物区分开来。因此，需首先对归一化植被指数NDVI进行计算，计算方法主要是利用非线性归一化的方法对较为简单的比值植被指数进行处理，目前广泛应用于遥感监测植被生长状况中，其计算公式为：
式中，ρNIR为近红外波段反射率，本实施例中为遥感影像的第5波段(band5)；
ρR为可见光红波段的反射率，本实施例中为遥感影像的第4波段(band4)。如图3为本实施例中计算的植被指数结果图。
步骤三，根据步骤一得到的遥感影像结果图和步骤二得到的植被指数，计算阴影指数，得到整个遥感影像的阴影指数信息空间分布图。
要提取遥感影像中的阴影信息，首先要将阴影像元与其他非阴影像元在数值上区分开来。在分析不同地物光谱特性时，云层阴影和山体阴影的反射率值很低，如果将近红外波段光谱反射率值(ρNIR)与短波红外波段的光谱反射率值(ρSWIR)进行加和，能很好地拉大阴影信息与其他地物信息间的距离，但水体信息与阴影信息间距离较近，容易造成错判，两者的和不能将阴影与水体较好的分开；通过引入归一化植被指数(NDVI)则能进一步显著地拉大水体信息与阴影信息间的距离，进而构建了一个新的阴影指数(YYI)，其计算公式为：
其中，YYI为阴影指数，ρNIR为近红外波段反射率，本实施例中为遥感影像的第5波段(band5)；ρSWIR为短波红外波段反射率，本实施例中为遥感影像的第6波段(band6)；NDVI为上述计算的归一化植被指数。如图4为本实施例中计算的阴影信息精确的空间分布图。
步骤四，对步骤一所得的遥感影像结果图进行影像的增强算法处理。
遥感影像增强处理是为了增加不同地物类型色彩对比度，增强算法很多，经过反复的对比实验分析，本发明采用简单的2％线性拉伸算法进行增强处理，既能增加阴影信息与其他地物信息间的对比度，也能降低环境背景噪声的影响，保真度较高，有利于样本的选择。如图5为本实施例中经2％线性拉伸算法增强后的遥感影像图，相比图2，对比度增强显著。
步骤五，在步骤四所得结果图上随机采集阴影(包括云层阴影和山体阴影)的像元样本为样本区(ROI)；
由于阴影指数(YYI)计算结果本身具有像元值，还需进一步给这些较明显的阴影信息设定一个阈值，以便精确提出阴影区。由于本发明构建的阴影指数(YYI)已显著地拉大了阴影信息与其他地物信息间的距离，能有效地把阴影信息与其他地物信息区分开来，样本区的选择只要在阴影区随机性的选择即可，利用ENVI中ROI工具基于Pixel的方法，采用2*2像元窗口进行选择，以免错选上非阴影区像元，像元数量要求不低于200个。如图6为本实施例中在增强后的遥感影像图中随机选择的样本分布图。
步骤六，将步骤五所得样本区与步骤三所得阴影指数信息空间分布图进行空间叠加，统计计算样本区对应阴影指数数值从小到大的累计频率及统计变量。
步骤七，根据累计频率对应的阴影指数数值和统计变量值(样本区对应阴影指数数值)，设置一阈值范围；
本实施例取样本区对应阴影指数数值中的最小值和累计频率达到95％时的阴影指数数值作为阈值范围的下限和上限；本实施例中，统计变量最小值为196，从小到大的累计频率为95％时对应的阴影指数像元值为2510，阴影提取的阈值范围为[196,2510]。
步骤八，根据步骤七所得阈值范围，制作提取阴影信息的二值掩模图，将制作的二值掩模图与步骤一所得的遥感影像结果图进行空间叠加，并进行波段乘积运算，即可快速提取遥感影像中阴影信息精确的空间分布图。
所述二值掩模图是基于步骤三中阴影指数信息空间分布图，将大于下限阈值且小于上限阈值的区域赋值为1，其他区域赋值为0，采用波段运算法计算而得。计算公式为：((YYI GE Thresholddown)AND(YYI LE Thresholdup))*1+YYI*0,其中YYI为步骤三所得阴影指数，Thresholddown为阈值范围的下限阈值，Thresholdup为阈值范围的上限阈值。阴影区范围的提取即是利用上述生成的二值掩模图与步骤一所得的遥感影像结果图进行空间叠加，并进行波段相乘运算，即可得出如图7所示的阴影信息精确的空间分布图。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。
Claims (7)
1.一种面向生态环境参量信息遥感反演的阴影提取方法，其特征在于，包括以下步骤：
步骤一，对原始遥感影像图进行精确的辐射定标和大气辐射校正，得到遥感影像结果图；
步骤二，基于步骤一所得的遥感影像结果图计算植被指数；
步骤三，根据步骤一得到的遥感影像结果图和步骤二得到的植被指数，计算阴影指数YYI，得到整个遥感影像的阴影指数信息空间分布图，阴影指数YYI的计算公式为：其中ρNIR为遥感影像近红外波段光谱反射率值，ρSWIR为短波红外波段的光谱反射率值,NDVI为归一化植被指数；
步骤四，对步骤一所得的遥感影像结果图进行影像的增强算法处理；
步骤五，在步骤四所得结果图上随机采集阴影的像元样本为样本区；
步骤六，将步骤五所得样本区与步骤三所得阴影指数信息空间分布图进行空间叠加，统计计算样本区对应阴影指数数值从小到大的累计频率及统计变量；
步骤七，根据累计频率对应的阴影指数数值和统计变量值，设置一阈值范围；
步骤八，根据步骤七所得阈值范围，制作提取阴影信息的二值掩模图，将制作的二值掩模图与步骤一所得的遥感影像结果图进行空间叠加，并进行波段乘积运算，即可快速提取遥感影像中阴影信息精确的空间分布图。
2.如权利要求1所述的一种面向生态环境参量信息遥感反演的阴影提取方法，其特征在于，步骤二中所述植被指数为归一化植被指数NDVI，该指数计算公式为：ρNIR为遥感影像近红外波段光谱反射率值，ρR为红波段的光谱反射率值。
3.如权利要求1所述的一种面向生态环境参量信息遥感反演的阴影提取方法，其特征在于，步骤四中对步骤一所得的遥感影像结果图进行影像的增强算法处理是指对步骤一所得的遥感影像结果图进行线性拉伸处理。
4.如权利要求3所述的一种面向生态环境参量信息遥感反演的阴影提取方法，其特征在于，对步骤一所得的遥感影像结果图进行2％的线性拉伸处理
5.如权利要求1所述的一种面向生态环境参量信息遥感反演的阴影提取方法，其特征在于，步骤五中为避免错选上非阴影区像元而造成误差，采用2×2的像元窗口在经过增强后的遥感影像图上随机采集阴影像元样本，样本像元数量大于等于200。
6.如权利要求1所述的一种面向生态环境参量信息遥感反演的阴影提取方法，其特征在于，步骤七中所述阈值范围的下限阈值为样本区对应阴影指数数值中的最小值，所述阈值范围的上限阈值为累计频率达到95％时的阴影指数数值。
7.如权利要求6所述的一种面向生态环境参量信息遥感反演的阴影提取方法，其特征在于，步骤八中所述二值掩模图是基于步骤二中阴影指数信息空间分布图，将大于下限阈值且小于上限阈值的区域赋值为1，其他区域赋值为0，采用波段运算法计算而得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711252502.3A CN108051371B (zh) | 2017-12-01 | 2017-12-01 | 一种面向生态环境参量遥感反演的阴影提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711252502.3A CN108051371B (zh) | 2017-12-01 | 2017-12-01 | 一种面向生态环境参量遥感反演的阴影提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108051371A CN108051371A (zh) | 2018-05-18 |
| CN108051371B true CN108051371B (zh) | 2018-10-02 |
Family
ID=62121954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711252502.3A Active CN108051371B (zh) | 2017-12-01 | 2017-12-01 | 一种面向生态环境参量遥感反演的阴影提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108051371B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108760658B (zh) * | 2018-06-06 | 2019-08-20 | 湖南省有色地质勘查研究院 | 一种遥感影像植被抑制及岩石土壤信息还原方法 |
| CN110046415A (zh) * | 2019-04-08 | 2019-07-23 | 中国科学院南京地理与湖泊研究所 | 一种时空精细化的土壤有机质含量遥感动态反演方法 |
| CN111415357B (zh) * | 2020-03-19 | 2023-04-07 | 长光卫星技术股份有限公司 | 一种基于彩色影像的便携式阴影提取方法 |
| CN112147078B (zh) * | 2020-09-22 | 2022-01-18 | 华中农业大学 | 一种农作物表型信息多源遥感监测方法 |
| CN112200858B (zh) * | 2020-10-10 | 2022-09-27 | 长光卫星技术股份有限公司 | 基于高分辨率光学遥感图像的外浮顶油罐储量分析方法 |
| CN112927150B (zh) * | 2021-02-20 | 2023-04-07 | 河北先河环保科技股份有限公司 | 高光谱图像的水体倒影区域光谱恢复方法及终端设备 |
| CN114563378B (zh) * | 2022-03-03 | 2022-07-29 | 生态环境部卫星环境应用中心 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
| CN115294461B (zh) * | 2022-10-10 | 2023-01-31 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
| CN105279738A (zh) * | 2015-07-15 | 2016-01-27 | 电子科技大学 | 基于遥感影像植被参数估算中阴影问题的应对方法 |
| CN106940887A (zh) * | 2017-03-09 | 2017-07-11 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像云与云下阴影检测方法 |
| CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
-
2017
- 2017-12-01 CN CN201711252502.3A patent/CN108051371B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
| CN105279738A (zh) * | 2015-07-15 | 2016-01-27 | 电子科技大学 | 基于遥感影像植被参数估算中阴影问题的应对方法 |
| CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 |
| CN106940887A (zh) * | 2017-03-09 | 2017-07-11 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像云与云下阴影检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Review of shadow detection and de-shadowing methods in remote sensing;AmirReza SHAHTAHMASSEBI et al.;《Chin.Geogra.Sci.》;20131231;第23卷(第4期);403-420 * |
| 一种改进的航空遥感影像阴影自动检测方法;位明露，詹总谦;《测绘通报》;20161231(第6期);14-17 * |
| 面向对象的高分辨率遥感影像阴影提取方法;王理政等;《测绘科学》;20170331;第42卷(第3期);108-113 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108051371A (zh) | 2018-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108051371B (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
| Wei et al. | Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches | |
| Shao et al. | Cloud detection in remote sensing images based on multiscale features-convolutional neural network | |
| Estoque et al. | Classification and change detection of built-up lands from Landsat-7 ETM+ and Landsat-8 OLI/TIRS imageries: A comparative assessment of various spectral indices | |
| Feyisa et al. | Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery | |
| CN109101955A (zh) | 基于多源卫星遥感数据的工业热异常区域识别方法 | |
| Worden et al. | Surface water detection in the Caucasus | |
| CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
| CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
| CN106778629B (zh) | 大棚识别方法及装置 | |
| S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
| Liu et al. | Modelling high arctic percent vegetation cover using field digital images and high resolution satellite data | |
| Goodarzi Mehr et al. | Using the mixture-tuned matched filtering method for lithological mapping with Landsat TM5 images | |
| CN104867139B (zh) | 一种基于辐射场的遥感图像云及阴影检测方法 | |
| Feng et al. | A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries | |
| CN107421892A (zh) | 一种用于水体信息提取的高光谱数据处理方法 | |
| Zhang et al. | Multi-temporal cloud detection based on robust PCA for optical remote sensing imagery | |
| Smyth et al. | Extent, accuracy and repeatability of bare sand and vegetation cover in dunes mapped from aerial imagery is highly variable | |
| CN114049566B (zh) | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 | |
| Chehata et al. | Object-based forest change detection using high resolution satellite images | |
| Jawak et al. | Iterative spectral index ratio exploration for object-based image analysis of Antarctic coastal oasis using high resolution satellite remote sensing data | |
| CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
| CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
| Deng et al. | An automatic cloud detection algorithm for Landsat remote sensing image | |
| CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Leigang Inventor after: Xu Quanhong Inventor after: Liu Jianfeng Inventor after: Lu Junjing Inventor after: Liu Fangyuan Inventor after: Cai Zhan Inventor after: Ma Zhiliang Inventor before: Sun Leigang Inventor before: Xu Quanhong Inventor before: Liu Jianfeng Inventor before: Lu Junjing Inventor before: He Jiaojiao Inventor before: Liu Fangyuan Inventor before: Cai Zhan Inventor before: Ma Xiaoqian |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |