CN108269262A - 基于多项式拟合的高分辨率遥感影像阴影自动提取算法 - Google Patents
基于多项式拟合的高分辨率遥感影像阴影自动提取算法 Download PDFInfo
- Publication number
- CN108269262A CN108269262A CN201711251629.3A CN201711251629A CN108269262A CN 108269262 A CN108269262 A CN 108269262A CN 201711251629 A CN201711251629 A CN 201711251629A CN 108269262 A CN108269262 A CN 108269262A
- Authority
- CN
- China
- Prior art keywords
- image
- shade
- fitting
- water body
- polynomial
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 38
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 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 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于多项式拟合的高分辨率遥感影像阴影自动提取算法。首先，根据影像中不同阴影面积区域的近红外波段直方图的差异，对整幅影像近红外波段直方图进行四、五次多项式拟合；其次，分析出阴影分割阈值与四、五次多项式交点的联系，进而初步提取出阴影区域；然后，使用归一化水体指数提取出水体；最后利用扫描线种子填充算法剔除阴影初步提取结果中被误检测为阴影的水体，从而获得阴影区域，算法结束。本发明的有益效果是能够快速、准确提取阴影信息，避免大量计算，并能完整地剔除水体。
Description
技术领域
本发明属于遥感技术领域，涉及高分辨率遥感影像阴影的自动提取。
背景技术
图像分割是根据需要将图像像素划分成不同的类型，以达到理解、分析和解决问题的目的，是图像处理的基本操作。图像分割方法中阈值法使用较为广泛，即通过阈值将图像像素划分成不同的区域。
学者们已在该领域进行了大量卓有成效的研究，提出了多种识别算法。其中王树根等利用整体变分模型提取分割阈值，进而获得影像阴影；虢建宏等提出了一种多波段阴影检测的方法；于东方等采用势函数拟合直方图，进而获得势函数第一个谷点，将其作为阴影分割阈值；杨俊等将I分量和归一化差值图相结合，采用双阈值进行阴影检测；梁栋等提出一种基于支持向量机的遥感影像厚云及云阴影去除方法；高贤君等改进Ostu自动阈值法，能够高效自动地检测阴影。徐德政等提出一种基于HIS色彩空间的资源三号影像阴影检测方法，可以快速有效地检测出影像上的阴影，并且能区分树木，河流等暗色物体；云雅等采用单时相法对高分一号数据进行云/阴影检测；罗艳等结合最佳指数法提出一种适用于多光谱的WorldView-2遥感卫星影像阴影检测方法。
上述方法都对图像分割进行了有益的尝试，亦取得了不错的效果。但仍然存在部分问题：(1)部分算法只针对于单一影像类型，对其他类型影像不适用；(2)部分算法虽然实现了多元影像阴影检测，但复杂度高，且无法实现自动提取；(3)个别算法能够实现半自动或自动提取，影像类型适用性较好，但计算量偏大，且无法有效去除偏蓝色地物、暗色物体和水体等信息。如杨猛、徐德政、云雅和罗艳等提出的算法只针对特定的影像，无法实现多元影像的阴影检测；虢建宏等提出的多波段阴影检测能够实现多元影像的阴影检测，但无法实现自动提取；王树根等实现了自动提取，但每次提取时需要根据图幅给λ1，λ2赋值，且计算复杂，需要多次迭代；梁栋等实现云阴影的去除，但需要太阳角度信息，该信息难以获取，且难以完整去除水体；于东方、高贤君和李轶鲲等实现影像阴影的自动提取，但存在难以有效去除水体、偏蓝色地物等问题。
由此，本发明提出了一种多项式拟合的高分辨率遥感影像阴影检测算法，该算法对所有高分辨率卫星遥感影像均适用，能够快速、准确地检测、提取地物阴影边界信息。
发明内容
本发明的目的在于提供基于多项式拟合的高分辨率遥感影像阴影自动提取算法，解决了现有的图像分割方法计算量大，分割效果不好的问题。
本发明所采用的技术流程图如图1所示。其步骤如下所示：
步骤1：读取影像近红外波段像素值，归一化到0-255，计算数据的频率，并对频率进行五点滑动平均处理，生成直方图；
步骤2：分别采用四、五次多项式拟合直方图；
步骤3：分析不同类型影像的阴影特征与四、五次多项式交点的联系，取特定的交点作为该类影像阴影的分割阈值，初步检测出阴影区域；
步骤4：利用归一化水体指数提取出水体，以水体左边界作为种子，利用扫描线种子填充算法去除初步检测结果中的水体，算法结束。
上述每个步骤的具体处理过程如下：
步骤1中对数据进行五点滑动平均处理公式如下：
式中：yi为像素值为i时的像素数量，y’i为像素值为i时平滑后的像素数量，yi+1为像素值为i+1时的像素数量。
步骤2中四、五次多项式公式如下所示：
y＝a1*x5+b1*x4+c1*x3+d1*x2+e1*x+f1
y＝a2*x4+b2*x3+c2*x2+d2*x+e2
式中，x代表像素值，y代表像素值个数，a1、b1、c1、d1、e1、f1、a2、b2、c2、d2、e2代表参数。
步骤3中生成阴影初步检测结果的具体方法如下：首先，通过遍历的方式求出四次和五次多项式的交点，其具体过程如下：将0-255依次带入四次和五次多项式，得出四次多项式结果为yi 4，五次多项式结果为yi 5，如果则认为xi是四、五次多项式的交点；然后根据该类影像阈值与交点的联系获得阴影分割阈值；接着对归一化后的近红外波段影像进行二值化处理，低于阈值的为初步阴影检测区域，高于阈值的为非阴影区域。
本发明的有益效果是采用多项式拟合近红外波段直方图的方式自动确定阴影分割阈值，能够避免大量计算，提高算法效率；用扫描线种子填充算法代替逻辑与运算，能完整的剔除水体；同时该算法能够解决阴影区域较少、偏蓝色地物和暗色植被等问题，适用性广。
附图说明
图1是本发明算法流程示意图；
图2是原始图像；
图3是近红外波段直方图；
图4是计算数据的频率形成的散点图；
图5是滑动平均处理后的结果；
图6是整幅影像四、五和六次多项式拟合图；
图7是阴影较少区域四次多项式拟合图；
图8是阈值提取结果；
图9是扫描线种子填充算法能完整的剔除水体示意图；
图10高分一号原图；
图11高分一号人工经验提取结果；
图12高分一号本发明算法结果；
图13QuickBird2原图；
图14QuickBird2人工经验提取结果；
图15QuickBird2本发明算法结果；
图16资源三号原图；
图17资源三号人工经验提取结果；
图18资源三号本发明算法结果。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明步骤如图1所示，按照以下步骤进行：
Step1读取影像近红外波段像素值，归一化到0-255，计算数据的频率，并对频率进行五点滑动平均处理，生成直方图；
高分辨率遥感影像中阴影是由于高大地物的遮挡而形成的，造成阴影区只受天空散射光和环境反射光照射，而非阴影区不仅受到天空散射光和环境反射光照射，还受到直射光的照射，因此阴影区域比非阴影区域的DN值低。根据瑞利散射和米氏散射原理，随着波长的增长，散射光急剧减弱，即太阳光照射到阴影区域的散射光随着波长的增长而急剧减弱。近红外波段波长长，散射弱，阴影和非阴影区域DN值差异大，因此可以利用近红外波段DN值来区分阴影区和非阴影区。然而由于水体对近红外波段的吸收，造成水体在近红外波段的DN值与阴影的DN值类似，因此用近红外波段初步提取出阴影区域后还需要去除水体。
近红外波段直方图分析：通过观察多种影像近红外波段直方图，发现直方图大体呈瘦钟形分布，如图2所示为原始图像，图3为近红外波段直方图。整幅影像近红外波段直方图大致呈瘦钟形分布，非阴影区域近红外波段直方图呈较对称的瘦钟形，同时阴影区域只占整幅影像较少比例，由于阴影的存在造成整幅影像近红外波段直方图局部变化。
非阴影区近红外波段直方图呈瘦钟形，由于阴影的存在造成直方图左部变化。为了便于计算，将影像亮度值归一化到整数[0,255]；计算数据的频率，并形成散点图，如图4所示。虽然数据大体呈瘦钟形，但局部波动较大，不利于函数拟合。为了保留数据的长期趋势，减弱局部起伏，对数据进行五点滑动平均处理：
式中：yi为像素值为i时的像素数量，y’i为像素值为i时平滑后的像素数量，yi+1为像素值为i+1时的像素数量，其余类似。
滑动平均处理后的结果如图5所示，能够看出滑动平均后的数据整体趋势更加明显，局部波动明显减弱。
Step2分别采用四、五次多项式拟合直方图；
使用四次多项式曲线拟合阴影较少区域能较为理想的表示瘦钟形特征，而且整幅影像直方图和阴影较少区域直方图的四次多项式拟合曲线整体趋势十分相似。五、六次多项式曲线能更好的拟合直方图，将五、六次拟合曲线作为整幅影像拟合结果，四次作为不含阴影时的拟合结果，四、五和六次多项式拟合曲线的交点含有阴影的提取阈值。通过大量实验表明：四、五次多项式拟合曲线的交点作为阈值较为理想。对整幅图像进行四、五和六次多项式拟合如图6所示，图7是阴影较少区域四次拟合图。
四、五次多项式公式如下所示：
y＝a1*x5+b1*x4+c1*x3+d1*x2+e1*x+f1
y＝a2*x4+b2*x3+c2*x2+d2*x+e2
式中,x代表像素值,y代表像素值个数，a1、b1、c1、d1、e1、f1、a2、b2、c2、d2、e2代表参数。
Step3根据该类影像阈值与四、五次多项式交点的联系，取特定的交点作为该类影像阴影提取阈值，初步检测出阴影区域；
阴影初步检测结果具体步骤如下所示：
通过分析四、五次多项式发现解方程难以求出四、五次多项式交点，但x值的范围在0-255，数量少，因此可以通过遍历的方式求出交点，方法如下：
将0-255依次带入四、五次多项式，得出四次多项式结果为yi 4，五次多项式结果为yi 5，如果则认为xi是四、五次多项式的交点。
通过分析得知高分一号、QuickBird2和资源三号影像的阈值是四、五次多项式交点中左侧第二个交点，而且四、五次多项式交点的数量多数情况下大于等于两个，如果交点数量小于两个则需采用其他算法。因此只需求出四、五次多项式的左侧第二个交点即可。
得到阈值之后，对归一化后的近红外波段影像进行二值化处理，低于阈值的为阴影区域，高于阈值的为非阴影区域。
Step4利用归一化水体指数提取出水体，以水体左边界作为种子，利用扫描线种子填充算法去除水体，算法结束。
从图8可以看出，提取出阴影的同时也误将水体提取出来，因此需要将水体剔除。首先使用归一化水体指数(NDWI)提取水体，然后用逻辑与运算去除水体，但结果不太理想。为了能完全去除水体，本文采用扫描线种子填充算法，去除水体：利用NDWI提取的水体和扫描线种子填充算法将Step3中阴影初步提取结果中水体被误提取为阴影的区域剔除，重新设为非阴影区域，如图9所示，能明显发现扫描线种子填充算法能完整地剔除水体。
本发明算法模拟：分别选取高分一号、QuickBird2和资源三号数据进行实验，对比本文算法与人工经验阈值提取结果，其中人工经验阈值提取结果采用逻辑与运算剔除水体，对比结果如图10～18所示，图10、图13、图16为原图，图11、图14、图17为人工经验提取结果；图12、图15、图18为本发明算法结果。
图中空白表示背景，黑色表示阴影提取区域。可以看出阴影基本被提取出来，与实际阴影区域较为吻合。虽然一些阴影较小区域没有提取出来，但与人工经验提取结果进行对比，发现二者基本一致，且自动阈值提取结果碎部更少。很明显看出本发明算法水体剔除更加完全，人工经验提取中水体没有被完全剔除，水体边缘残留现象十分明显。产生该现象的原因是水体提取结果无法和阴影初步提取中水体区域完全吻合，因此使用逻辑与运算无法完全剔除阴影初步提取结果中误提取的水体。通过比较，本文设计的阈值自动提取算法能够达到并超过人工经验提取结果，因此可以应用于影像阴影批量提取。
本发明的优点还在于：
(1)利用阴影区域少和不含阴影区域影像的直方图呈瘦钟形的特性和阴影区域少和区域多的直方图的区别，从而用四、五次多项式拟合直方图获得阴影提取阈值，能够避免以往自动提取算法计算量大，运算复杂等问题。
(2)利用扫描线种子填充算法去除水体，避免以往逻辑与运算去除不完全的缺点，从而提高阴影提取精度，避免水体残留对后期影像处理造成影响。
(3)相比于多峰直方图阈值提取算法，该算法能够解决阈值在小型波谷，或不在波谷的情况，适应性更强。
以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (4)
1.基于多项式拟合的高分辨率遥感影像阴影自动提取算法，其特征在于按照以下步骤进行：
步骤1：读取影像近红外波段像素值，归一化到0-255，计算数据的频率，并形成散点图，对数据进行五点滑动平均处理，生成直方图；
步骤2：分别采用四、五次多项式拟合直方图；
步骤3：根据该类影像阈值与四、五次多项式交点的联系，取特定的交点作为该类影像阴影提取阈值，初步检测提取出阴影区域；
步骤4：利用归一化水体指数提取出水体，以水体左边界作为种子，利用扫描线种子填充算法去除水体，算法结束。
2.按照权利要求1所述基于多项式拟合的高分辨率遥感影像阴影自动提取算法，其特征在于：所述步骤1中对数据进行五点滑动平均处理公式如下：
式中：yi为像素值为i时的像素数量，y’i为像素值为i时平滑后的像素数量，yi+1为像素值为i+1时的像素数量。
3.按照权利要求1所述基于多项式拟合的高分辨率遥感影像阴影自动提取算法，其特征在于：所述步骤2中四、五次多项式公式如下所示：
y＝a1*x5+b1*x4+c1*x3+d1*x2+e1*x+f1
y＝a2*x4+b2*x3+c2*x2+d2*x+e2
式中,x代表像素值,y代表像素值个数，a1、b1、c1、d1、e1、f1、a2、b2、c2、d2、e2代表参数。
4.按照权利要求1所述基于多项式拟合的高分辨率遥感影像阴影自动提取算法，其特征在于：所述步骤3中阴影初步检测结果具体方法是首先通过遍历的方式求出四、五次多项式的交点，方法如下：将0-255依次带入四、五次多项式，得出四次多项式结果为yi 4，五次多项式结果为yi 5，如果则认为xi是四、五次多项式的交点；得到阈值之后，对归一化后的近红外波段影像进行二值化处理，低于阈值的为阴影区域，高于阈值的为非阴影区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711251629.3A CN108269262B (zh) | 2017-12-01 | 2017-12-01 | 基于多项式拟合的高分辨率遥感影像阴影自动提取算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711251629.3A CN108269262B (zh) | 2017-12-01 | 2017-12-01 | 基于多项式拟合的高分辨率遥感影像阴影自动提取算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108269262A true CN108269262A (zh) | 2018-07-10 |
| CN108269262B CN108269262B (zh) | 2021-04-30 |
Family
ID=62771862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711251629.3A Active CN108269262B (zh) | 2017-12-01 | 2017-12-01 | 基于多项式拟合的高分辨率遥感影像阴影自动提取算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108269262B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313723A (zh) * | 2021-06-10 | 2021-08-27 | 浙江传媒学院 | 一种利用关键点检测多项式拟合曲线对牙根影像分割方法 |
| CN113971769A (zh) * | 2021-12-09 | 2022-01-25 | 中国科学院地理科学与资源研究所 | 基于多源大数据的海岸带地域功能长时序识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
| CN105005649A (zh) * | 2015-07-07 | 2015-10-28 | 兰州交通大学 | 一种进行潜在地下水分布制图的方法 |
| CN105869168A (zh) * | 2016-04-01 | 2016-08-17 | 南京理工大学 | 基于多项式拟合的多源遥感图像形状配准方法 |
| CN106228553A (zh) * | 2016-07-20 | 2016-12-14 | 湖南大学 | 高分辨率遥感图像阴影检测装置与方法 |
| WO2017126547A1 (ja) * | 2016-01-22 | 2017-07-27 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
-
2017
- 2017-12-01 CN CN201711251629.3A patent/CN108269262B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
| CN105005649A (zh) * | 2015-07-07 | 2015-10-28 | 兰州交通大学 | 一种进行潜在地下水分布制图的方法 |
| WO2017126547A1 (ja) * | 2016-01-22 | 2017-07-27 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
| CN105869168A (zh) * | 2016-04-01 | 2016-08-17 | 南京理工大学 | 基于多项式拟合的多源遥感图像形状配准方法 |
| CN106228553A (zh) * | 2016-07-20 | 2016-12-14 | 湖南大学 | 高分辨率遥感图像阴影检测装置与方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANOOPA S等: "Shadow Detection and Removal Using Tri-Class Based Thresholding and Shadow Matting Technique", 《PROCEDIA TECHNOLOGY》 * |
| LIASIS, G.等: "Satellite Images Analysis for Shadow Detection and Building Height estimation", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313723A (zh) * | 2021-06-10 | 2021-08-27 | 浙江传媒学院 | 一种利用关键点检测多项式拟合曲线对牙根影像分割方法 |
| CN113971769A (zh) * | 2021-12-09 | 2022-01-25 | 中国科学院地理科学与资源研究所 | 基于多源大数据的海岸带地域功能长时序识别方法 |
| CN113971769B (zh) * | 2021-12-09 | 2022-06-14 | 中国科学院地理科学与资源研究所 | 基于多源大数据的海岸带地域功能长时序识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108269262B (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909690B (zh) | 一种基于区域生成的遮挡人脸图像检测方法 | |
| CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
| CN109961049A (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
| CN103914692B (zh) | 一种用于煤矿周围地表水系的遥感识别方法 | |
| CN103745468A (zh) | 一种基于图结构和边界先验的显著性物体检测方法 | |
| CN103295018A (zh) | 一种枝叶遮挡果实精确识别方法 | |
| CN102855627B (zh) | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 | |
| CN103164695A (zh) | 一种基于多源图像信息融合的果实识别方法 | |
| CN108269262A (zh) | 基于多项式拟合的高分辨率遥感影像阴影自动提取算法 | |
| CN111523536A (zh) | 一种基于Faster RCNN的自适应路面抛洒物智能检测方法 | |
| CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
| CN111881801B (zh) | 基于不变检测策略的新增建设用地遥感监测方法及设备 | |
| CN112580661A (zh) | 一种深度监督下的多尺度边缘检测方法 | |
| CN108765448A (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
| Das et al. | Dehazing technique based on dark channel prior model with sky masking and its quantitative analysis | |
| CN104636716A (zh) | 绿色果实识别方法 | |
| CN110288616B (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 | |
| CN105551025B (zh) | 一种识别天文图像中太阳米粒的方法 | |
| Bi et al. | Fast single-image dehazing algorithm based on piecewise transformation in optical model | |
| CN108664980A (zh) | 一种基于引导滤波和小波变换的太阳冕环结构识别方法 | |
| CN111667432B (zh) | 一种基于物理模型的遥感影像阴影去除方法 | |
| CN107437254A (zh) | 一种果园邻接重叠形态果实判别方法 | |
| CN114119634A (zh) | 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统 | |
| Malekshahi et al. | Detection and removal of rain from video using predominant direction of Gabor filters |
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 |