CN108564056B - 一种遥感影像水体识别提取的方法 - Google Patents
一种遥感影像水体识别提取的方法 Download PDFInfo
- Publication number
- CN108564056B CN108564056B CN201810376904.2A CN201810376904A CN108564056B CN 108564056 B CN108564056 B CN 108564056B CN 201810376904 A CN201810376904 A CN 201810376904A CN 108564056 B CN108564056 B CN 108564056B
- Authority
- CN
- China
- Prior art keywords
- water
- pixel
- area
- seed point
- rgb
- 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
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
- G06V20/13—Satellite images
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感影像水体识别提取的方法,包括:利用RGB值对遥感影像进行二值化,得到二值化图像;遍历二值化图像,以每个像素点的光谱信息作为特征量判断得到属于水体的像素点,并作为种子点;基于每个种子点的4‑邻域法追踪与该种子点的光谱信息相同的像素点,并对种子点和与其光谱信息相同的像素点进行标记;自动链码标识相同的像素点,得到标识不同的多个水体区域,实现大尺度多水体区域的一体化多水体信息的同时识别和提取。本发明实现将大尺度多水体区域所有规模以上水体一次性智能化的单独识别和提取出来,克服单个水体遥感反演提取局限性,提取效率高,操作简单,精度好。
Description
技术领域
本发明涉及水体信息提取技术,具体涉及一种遥感影像水体识别提取的方法。
背景技术
水是生态系统中的重要一环,能够快速准确的提取水体信息,对水资源配置、防洪抗旱和环境检测都有着重要的影响。
随着遥感技术的发展,遥感影像的分辨率也越来越高,水体信息提取的方法也越来越多样化。大致有以下几类:
(1)对低分辨率影像基于像元的水体信息提取,例如监督分类、最大似然法等;
(2)利用单波段设置阈值的方法来进行水体信息的提取;
(3)波段组合方法,利用不同波段组合来突出水体信息,从而进行提取水体信息;
(4)水体指数方法,主要是构建不同的水体指数来提取水体,例如归一化差异水体指数(NDWI)、改进归一化差异水体指数(MNDWI)等;
(5)基于含有近红外波段的数据,进行水体信息的提取,因为水体在近红外波段具有较高的吸收率,很低的反射率,因此提取水体信息大多都会用到近红外波段。
上述传统的水资源水体提取方法多侧重于单个水体的边界和面积,在面对大尺度多水体区域的多水体同时识别和提取时,算法复杂、准确率低、提取效率较低;特别是对于基于含有近红外波段的数据进行水体信息的提取的方法,不仅在只提取其中一个水体信息时,该区域的其他水体信息会对这一水体造成干扰,而且不适用于没有近红外波段的影像,在适用范围上具有一定的局限性。
有鉴于此,急需设计一种可以快速实现大尺度多水体区域所有规模以上一次性智能化水体提取的方案。
发明内容
本发明所要解决的技术问题是如何设计一种可以快速实现大尺度多水体区域所有规模以上一次性智能化水体提取的方案的问题。
为了解决上述技术问题,本发明所采用的技术方案是提供一种遥感影像水体识别提取的方法,包括以下步骤:
步骤S10、利用RGB值对遥感影像进行二值化,得到二值化图像;
步骤S20、遍历二值化图像,以每个像素点的光谱信息作为特征量判断得到属于水体的像素点,并作为种子点;基于每个种子点的4-邻域法追踪与该种子点的光谱信息相同的像素点,并对种子点和与其光谱信息相同的像素点进行标记;
步骤S30、自动链码标识相同的像素点,得到标识不同的多个水体区域,计算水体区域面积,实现大尺度多水体区域的一体化多水体信息的同时识别和提取。
在上述方法中,采用基于遥感影像的RGB三通道的双阈值法判断像素点是否为水体,双阈值法判定像素点F(Xi,Yi)是否为水体的公式为:
当F(Xi,Yi)为真(F(Xi,Yi)=1)时,表示该点为种子点;
其中,R0为像素点F(Xi,Yi)在R通道的光谱信息;G0为像素点F(Xi,Yi)在G通道的光谱信息;B0为像素点F(Xi,Yi)在B通道的光谱信息;TR1、TR2为R通道二值化的两个阈值;TG1、TG2为G通道二值化的两个阈值;TB1、TB2为B通道二值化的两个阈值。
在上述方法中,在确定遥感影像RGB二值化的阈值时,将RGB值先平滑平均,再根据平滑后的RGB的值确定遥感影像RGB二值化的阈值。
在上述方法中,将RGB值先平滑平均,再根据平滑后的RGB的值确定遥感影像RGB二值化的阈值具体为:
从影像中读取n个RGB值,每5个RGB的值为一组,计算每组RGB值的的滑动平均值,将直接从遥感影像中读取的RGB值进行平滑;
然后再将经过平滑后得到的n/5个RGB值依次排列;
最后,基于RGB值的直方图,确定RGB二值化的阈值范围。
在上述方法中,采用基于区域增长的水体区域追踪识别算法实现步骤S20,步骤S20具体包括以下步骤:
步骤S21、从二值化图像第一行第一列的像素开始扫描,当像素点的光谱信息使判定像素点是否为水体的公式的值为1时,设该像素点为种子点,并标记,标记码lable=1;
步骤S22、在种子点F(Xi,Yi)的4-邻域之内,检测与种子点F(Xi,Yi)光谱信息相同的像素点;并对与种子点连通的像素点进行标记,记录其坐标,分别存入连通判断栈和水体区域栈中,并建立对应标记码与水体区域栈的映射关系;
步骤S23、判断连通判断栈是否为空,如果为空,表明已完成一个水体区域提取,执行步骤S25;否则,执行步骤S24;
步骤S24、将连通判断栈中的像素点取出,作为种子点,执行步骤S22;
步骤S25、判断是否扫描完二值化图像的所有像素点,如果是,执行步骤28;否则,执行步骤S26;
步骤S26、继续扫描二值化图像的像素点,当扫描光谱信息使判定像素点是否为水体的公式的值为1的像素点时,判断该像素点是否带有标记,如果有,执行步骤S25;否则,执行步骤S27;
步骤S27、令标记的标记码lable=lable+1;然后执行步骤S22;
步骤S28、水体追踪识别结束。
在上述方法中,建立水体区域面积与库容关系曲线,并通过提取的水体区域面积,结合水体区域面积与库容关系曲线,实时推求各水体的水量储量情况。
在上述方法中,通过设置提取目标水体的水体面积阈值,去除提取的多个水体区域中的噪声;具体为:
根据每个水体区域的标记的标签label值,可以计算出其对应的区域面积,再根据对应区域面积Slabel与水体面积阈值T对比结果,判断该水体区域是否为噪声;
如果水体区域面积Slabel大于水体面积阈值T,则该水体区域不为噪声;
如果水体区域面积Slabel小于等于水体面积阈值T,则该水体区域为噪声,根据标记码与水体区域栈的映射关系,找到该区域对应的水体区域栈,并将对应水体区域栈中像素点的标记码改为非水体标识码,并修改标记码与水体区域栈的映射关系。
在上述方法中,并去除噪声后,将剩余的所有的水体区域按照标识码进行排序,然后按照顺序对水体区域重新进行标记,使各个水体区域之间的标记码连续,并修改每个水体区域与对应水体区域栈的映射关系。
与现有技术相比,本发明提出的水体追踪识别算法,在影像中自主搜寻种子点,再基于种子点的4-邻域追踪水体区域,对区域进行标记,以分别不同区域的水体对应的湖泊面积,从而实现将大尺度多水体区域所有规模以上水体一次性智能化的单独识别和提取出来,克服单个水体遥感反演提取局限性,提取效率高,操作简单,精度好。
附图说明
图1为本发明提供的一种遥感影像水体识别提取的方法的流程图;
图2为本发明中对遥感影像进行二值化后得到的二值化图像示意图;
图3为本发明中水体区域追踪算法的示意图;
图4为本发明中步骤S20的具体流程图;
图5为采用区域增长法得到的水体区域提取效果图
图6为采用两边扫描法得到的水体区域提取效果图;
图7为本发明的水体追踪算法得到的水体区域提取效果图。
具体实施方式
本发明在只有RGB波段的数据上提取水体信息,并针对大尺度多水体区域现象提出水体追踪识别提取算法,实现大尺度多水体区域所有规模以上水体一次性智能化的水体信息的识别和提取,克服单个水体遥感反演提取的局限性。下面结合说明书附图和具体实施方式对本发明做出详细说明。
如图1所示,本发明提供的一种遥感影像水体识别提取的方法,包括以下步骤:
步骤S10、考虑到使用的遥感影像可能没有近红外波段,所以先需要利用RGB值对遥感影像进行二值化,得到二值化图像(如图2所示),然后在二值图像上追踪水体区域,其中,二值化是将遥感图像中含有水体信息的像素显式化(值为1),其他像素隐式化(背景值0),隐式化和隐式化的像素将二值化的遥感图像分割成彼此分离的多个连通区域,把显示化的连通区域当作疑似水体目标进行识别和提取,即为在二值图像上追踪水体区域。
步骤S20、遍历整个二值化图像(例如是从二值化图像的左上角开始扫描),以每个像素点的光谱信息作为特征量判断其是否属于水体,将属于水体的像素点作为种子点;基于每个种子点的4-邻域法追踪与该种子点的光谱信息相同的像素点,并对种子点和与其光谱信息相同的像素点进行标记,实现水体区域追踪,不同种子点标记不同,以区分不同水体区域。
步骤S30、自动链码标识相同的像素点,得到标识不同的多个水体区域,并计算其面积,实现大尺度多水体区域的一体化多水体信息的同时识别和提取。
由于在大区域多水体的二值化图像中通过人工确定每个水体的种子点,不仅效率低,而且容易丢失水体信息,所以在本发明中,为了避免上述问题,没有采用人机交互的方式选取一个个种子点,而是遍历整幅二值化图像,根据每个像素点的性质判断该像素点是否符合水体特征要求来自助搜索确定种子点。本发明采用基于遥感影像的RGB三通道的双阈值法判断像素点是否为水体,双阈值法判定像素点F(Xi,Yi)是否为水体的公式为:
当F(Xi,Yi)为真(F(Xi,Yi)=1)时,表示该点为种子点。
其中,R0为像素点F(Xi,Yi)在R通道的光谱信息;G0为像素点F(Xi,Yi)在G通道的光谱信息;B0为像素点F(Xi,Yi)在B通道的光谱信息;TR1、TR2为R通道二值化的两个阈值;TG1、TG2为G通道二值化的两个阈值;TB1、TB2为B通道二值化的两个阈值。
可见,在追踪遥感影像时,遥感影像RGB二值化的阈值的准确对追踪效果是有很大的影响的,所以为了追踪的准确,需要准确获得图像的最佳RGB二值化的阈值。在将二值化图像中所有的RGB值分别读取出来时,由于湖泊边界的RGB值与湖泊的RGB值存在差异,若只考虑湖泊面积的RGB值,会将湖泊边界的信息遗失,造成湖泊面积减少,降低提取的面积精度,所以在确定遥感影像RGB二值化的阈值时,本发明会在确定遥感影像RGB二值化的阈值时,将RGB值先平滑平均,再根据平滑后的RGB的值确定遥感影像RGB二值化的阈值,具体为:
从影像中读取到n个RGB值,每5个RGB的值为一组,计算每组RGB值的的滑动平均值,将直接从遥感影像中读取的RGB值进行平滑;
然后再将经过平滑后得到的n/5个RGB值依次排列;
最后,基于RGB值的直方图,确定RGB二值化的阈值范围。
下面以R通道为例进行说明,假如影像中读取的R值为R1、R2、…Rn时,先计算每5个滑动平均值,即
采用这种方法将直接从遥感影像中读取的R值(或G值、B值)平滑后,会平滑掉湖泊边界和湖泊面积之间RGB值的差异,然后再将经过平滑后的R值(A1、A2、……、An)依次排列,基于RGB值的直方图,确定RGB二值化的阈值范围。
上述RGB二值化的阈值确定方法基于追踪算法的特征,具有的优点在于,比整幅影像采用单一的灰度直方图作为分割的根据,这种利用RGB三通道的方法会更加准确;另外,上述RGB二值化的阈值确定方法不需要人工选取试验点,降低人的主观影响。
在本发明中,采用基于区域增长的水体区域追踪识别算法(图3为本发明水体区域追踪算法的示意图)实现步骤S20,其中,区域增长是将具有相似性质的像素点连通起来,得到一个单连通的区域的算法;这样基于每个种子点的4-邻域法追踪与该种子点的光谱信息相同的像素点,就是确定该种子点与4个邻域的连通性(种子点像素值与周围某一点的像素值相等,则说明种子点与该像素点具有连通性),如种子点F(Xi,Yi),其在4个邻域的四个点依次为:F(Xi-1,Yi)、F(Xi,Yi-1)、F(Xi+1,Yi)、F(Xi,Yi+1),假如:
F(Xi,Yi)∩F(Xi-1,Yi)={1}
则表明该种子点与上一行的像素点连通;
则表明该种子点与前一列的像素点并不连通。
如图4所示,本发明步骤S20具体包括以下步骤:
步骤S21、从二值化图像第一行第一列的像素开始扫描,当像素点的光谱信息使判定像素点是否为水体的公式的值为1时,设该像素点为种子点,并标记,标记码lable=1;
步骤S22、在种子点F(Xi,Yi)的4-邻域之内,检测与种子点F(Xi,Yi)光谱信息相同的像素点;并对与种子点连通的像素点进行标记,记录其坐标,分别存入连通判断栈和水体区域栈中,并建立对应标记码与水体区域栈的映射关系;
步骤S23、判断连通判断栈是否为空,如果为空,表明已完成一个水体区域提取,执行步骤S25;否则,执行步骤S24;
步骤S24、将连通判断栈中的像素点取出,作为种子点,执行步骤S22;
步骤S25、判断是否扫描完二值化图像的所有像素点,如果是,执行步骤S28;否则,执行步骤S26;
步骤S26、继续扫描二值化图像的像素点,当扫描光谱信息使判定像素点是否为水体的公式的值为1的像素点时,判断该像素点是否带有标记,如果有,执行步骤S25;否则,执行步骤S27;
步骤S27、令标记的标记码lable=lable+1,以区别不同连通区域;然后执行步骤S22;
步骤S28、水体追踪识别结束。
在本发明中,建立水体区域面积与库容关系曲线,并通过本发明提取的水体区域面积,结合水体区域面积与库容关系曲线,可以实时推求各水体的水量储量情况,为区域水资源研究和动态管理提供技术支持。
为了去除所得水体区域中的噪声,根据水体面域广的特点,设置一个水体面积阈值,将水体与其他具有水体信息的区域区分开来。例如在一定范围内提取湖泊时,由于地理环境等特点,湖泊周围会有池塘、水田等也含有水体信息的地方;水体的信息主要几种在绿波段,而池塘的信息也主要在绿波段,在提取湖泊水体时,不可避免的会将池塘一并提取出来,为了提高提取湖泊面积的精确度,需要设置一个水体面积阈值将湖泊和池塘分开。
湖泊是指地上洼地积水形成的、区域比较宽广的水域;池塘多位人工所挖,水域面积不大,所以水域面积的大小成为区分湖泊和池塘的一个重要因素,将湖泊区域与非湖泊区域区分后,还需要将非湖泊区域去除。根据每个区域的标记的标签label值,可以计算出其对应的区域面积,再根据对应区域面积Slabel与水体面积阈值T对比结果,判断该水体区域是否为噪声;
如果水体区域面积Slabel大于水体面积阈值T,则该水体区域不为噪声;
如果水体区域面积Slabel小于等于水体面积阈值T,则该水体区域为噪声,根据标记码与水体区域栈的映射关系,找到该区域对应的水体区域栈,并将对应水体区域栈中像素点的标记码改为非水体(背景)标识码0,并修改标记码与水体区域栈的映射关系,即
F(stackX.top(),stackY.top())=0
其中,(stackX.top(),stackY.top())为栈中像素点的空间信息。由于在追踪过程中就遍历了影像中所有的点,所以同时记录了每个像素点的位置和面积,所以在对某些特征量进行判断时,减少了运算时间。
在本发明中,在将二值化图像遍历一遍后,并去除噪声后,将剩余的所有的水体区域按照标识码进行排序,然后按照顺序对水体区域重新进行标记,使各个水体区域之间的标记码连续,并修改每个水体区域与对应水体区域栈的映射关系,这样根据标记码的最大值,就可以知道提取到的水体区域数量。
下面以从遥感影像中对花家湖的水体信息进行识别和提取为例,对本发明的水体信息识别提取与两遍扫描法和区域增长法进行对比试验,评价本发明的提取效率。其中,花家湖是花马湖湖群之一,实测面积约为4.825平方公里。
利用三种方法同时对二值图像进行提取,图5至图7分别是采用区域增长法、两边扫描法和本发明的水体追踪算法得到的水体区域提取效果图,表1为三种方法提取水体信息的对比表。
表1、三种方法提取水体信息的对比表。
序号 | 算法 | 提取的面积(平方公里) | 误差率(%) |
实测面积 | 4.825 | ||
1 | 区域增长法 | 4.337 | 89.9 |
2 | 两遍扫描法 | 9.723 | 201.5 |
3 | 水体追踪识别算法 | 4.743 | 98.3 |
实验表明本文算法的效率优于两边扫描法和区域增长法。这三种方法的实验结果如图2所示。
对比图5和图7,从采用区域增长法得到的提取结果图5可以看出,只能提取二值化图像中一个水体区域(即一部分水体),对于其他水体区域由于没有选择种子点,无法提取,造成湖泊面积减少;从使用本发明的水体追踪识别算法得到的提取结果图7可以看出,二值化图像中的两个目标湖泊(两个水体区域)都被完整的提取出来;
对比图6和图7,从采用两遍扫描法得到的提取结果图6可以看出,两遍扫描法是将影像中连通性区域都提取出来了,但并不能根据水体的空间特征将多水体分别独立出来,造成湖泊面积变大;从使用本发明的水体追踪识别算法得到的提取结果图7可以看出,其将二值化图像中仅有的两个水体区域都提取出来了;
从三种方法提取水体信息的对比表中可以看出,区域增长法提取的湖泊面积精度为89.9%,湖泊面积减少了10.1%;两边扫描法提取的湖泊面积精度为201.5%,由于将其他水体一并提出,造成湖泊面积增大;本发明的水体追踪识别算法提取的湖泊面积精度为98.3%。
通过上述对三种方法的对比,可以得出以下结论:区域增长法对单一水体进行提取时,速度比较快,但是对多水体区域,会造成水体信息遗失,影像湖泊面积精度;两遍扫描法可以提取多水体,但是扫描时间长,噪声消除的并不完全;总体来讲,本发明水体追踪识别算法的效果是最好的,能同时对多水体区域分别进行提取,耗时少,操作简单,精度高。
本发明并不局限于上述最佳实施方式,任何人应该得知在本发明的启示下做出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
Claims (5)
1.一种遥感影像水体识别提取的方法,其特征在于,包括以下步骤:
步骤S10、利用RGB值对遥感影像进行二值化,得到二值化图像;
步骤S20、遍历二值化图像,以每个像素点的光谱信息作为特征量判断得到属于水体的像素点,并作为种子点;基于每个种子点的4-邻域法追踪与该种子点的光谱信息相同的像素点,并对种子点和与其光谱信息相同的像素点进行标记;
步骤S30、自动链码标识相同的像素点,得到标识不同的多个水体区域,计算水体区域面积,实现大尺度多水体区域的一体化多水体信息的同时识别和提取;
采用基于遥感影像的RGB三通道的双阈值法判断像素点是否为水体,双阈值法判定像素点F(Xi,Yi)是否为水体的公式为:
当F(Xi,Yi)为真(F(Xi,Yi)=1)时,表示该点为种子点;
其中,R0为像素点F(Xi,Yi)在R通道的光谱信息;G0为像素点F(Xi,Yi)在G通道的光谱信息;B0为像素点F(Xi,Yi)在B通道的光谱信息; T_R1 、T_R2为R通道二值化的两个阈值;T_G1 、T_G2为G通道二值化的两个阈值; T_B1 、T_B2为B通道二值化的两个阈值;
在确定遥感影像RGB二值化的阈值时,将RGB值先平滑平均,再根据平滑后的RGB的值确定遥感影像RGB二值化的阈值,具体为:
从影像中读取到n个RGB值,每5个RGB的值为一组,计算每组RGB值的滑动平均值,将直接从遥感影像中读取的RGB值进行平滑;
然后再将经过平滑后得到的n/5个RGB值依次排列;
最后,基于RGB值的直方图,确定RGB二值化的阈值范围。
2.根据权利要求1所述的方法,其特征在于,采用基于区域增长的水体区域追踪识别算法实现步骤S20,步骤S20具体包括以下步骤:
步骤S21、从二值化图像第一行第一列的像素开始扫描,当像素点的光谱信息使判定像素点是否为水体的公式的值为1时,设该像素点为种子点,并标记,标记码lable=1;
步骤S22、在种子点F(Xi,Yi)的4-邻域之内,检测与种子点F(Xi,Yi)光谱信息相同的像素点;并对与种子点连通的像素点进行标记,记录其坐标,分别存入连通判断栈和水体区域栈中,并建立对应标记码与水体区域栈的映射关系;
步骤S23、判断连通判断栈是否为空,如果为空,表明已完成一个水体区域提取,执行步骤S25;否则,执行步骤S24;
步骤S24、将连通判断栈中的像素点取出,作为种子点,执行步骤S22;
步骤S25、判断是否扫描完二值化图像的所有像素点,如果是,执行步骤28;否则,执行步骤S26;
步骤S26、继续扫描二值化图像的像素点,当扫描光谱信息使判定像素点是否为水体的公式的值为1的像素点时,判断该像素点是否带有标记,如果有,执行步骤S25;否则,执行步骤S27;
步骤S27、令标记的标记码lable=lable+1;然后执行步骤S22;
步骤S28、水体追踪识别结束。
3.根据权利要求1所述的方法,其特征在于,建立水体区域面积与库容关系曲线,并通过提取的水体区域面积,结合水体区域面积与库容关系曲线,实时推求各水体的水量储量情况。
4.根据权利要求2所述的方法,其特征在于,通过设置提取目标水体的水体面积阈值,去除提取的多个水体区域中的噪声;具体为:
根据每个水体区域的标记的标签label值,可以计算出其对应的区域面积,再根据对应区域面积Slabel与水体面积阈值T对比结果,判断该水体区域是否为噪声;
如果水体区域面积Slabel大于水体面积阈值T,则该水体区域不为噪声;
如果水体区域面积Slabel小于等于水体面积阈值T,则该水体区域为噪声,根据标记码与水体区域栈的映射关系,找到该区域对应的水体区域栈,并将对应水体区域栈中像素点的标记码改为非水体标识码,并修改标记码与水体区域栈的映射关系。
5.根据权利要求4所述的方法,其特征在于,并去除噪声后,将剩余的所有的水体区域按照标识码进行排序,然后按照顺序对水体区域重新进行标记,使各个水体区域之间的标记码连续,并修改每个水体区域与对应水体区域栈的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810376904.2A CN108564056B (zh) | 2018-04-25 | 2018-04-25 | 一种遥感影像水体识别提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810376904.2A CN108564056B (zh) | 2018-04-25 | 2018-04-25 | 一种遥感影像水体识别提取的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564056A CN108564056A (zh) | 2018-09-21 |
CN108564056B true CN108564056B (zh) | 2019-10-25 |
Family
ID=63536434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810376904.2A Active CN108564056B (zh) | 2018-04-25 | 2018-04-25 | 一种遥感影像水体识别提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564056B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334656B (zh) * | 2019-07-08 | 2021-09-21 | 中国人民解放军战略支援部队信息工程大学 | 基于信源概率加权的多源遥感图像水体提取方法及装置 |
CN110388986B (zh) * | 2019-08-05 | 2020-11-27 | 北京绿土科技有限公司 | 基于tasi数据的土地表面温度反演方法 |
TWI726396B (zh) * | 2019-08-23 | 2021-05-01 | 經緯航太科技股份有限公司 | 環境巡檢系統及其方法 |
CN110826571B (zh) * | 2019-11-01 | 2023-10-20 | 云南电网有限责任公司信息中心 | 一种用于图像快速识别及特征匹配的图像遍历算法 |
CN112098614A (zh) * | 2020-08-25 | 2020-12-18 | 江苏裕和检测技术有限公司 | 提高检测精确度的水质检测系统及检测方法 |
CN112581398A (zh) * | 2020-12-22 | 2021-03-30 | 上海电机学院 | 基于区域生长标号的图像降噪方法 |
CN113642663B (zh) * | 2021-08-24 | 2022-03-22 | 中国水利水电科学研究院 | 一种卫星遥感影像水体提取方法 |
CN116434065B (zh) * | 2023-04-19 | 2023-12-19 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN105139015A (zh) * | 2015-07-24 | 2015-12-09 | 河海大学 | 一种遥感图像水体提取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138994A (zh) * | 2015-08-31 | 2015-12-09 | 中国科学院遥感与数字地球研究所 | 一种基于高光谱遥感图像的水华识别方法及装置 |
KR20170077444A (ko) * | 2015-12-28 | 2017-07-06 | 전자부품연구원 | 인체 포즈 인지 시스템 및 방법 |
CN107392130B (zh) * | 2017-07-13 | 2020-12-08 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
-
2018
- 2018-04-25 CN CN201810376904.2A patent/CN108564056B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139015A (zh) * | 2015-07-24 | 2015-12-09 | 河海大学 | 一种遥感图像水体提取方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
Non-Patent Citations (3)
Title |
---|
基于光谱-空间特征的遥感影像水体提取方法;张毅等;《甘肃科技》;20160630;第33-37页 * |
基于高分遥感影像的黄土高原地区水体高精度提取;孙娜等;《国土资源遥感》;20171231;第29卷(第4期);第173-178页 * |
遥感图像目标检测;黄珊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101215;第15、29-32页第3.1、4.2-4.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108564056A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564056B (zh) | 一种遥感影像水体识别提取的方法 | |
CN109583425B (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
CN104751187B (zh) | 抄表图像自动识别方法 | |
CN105654501B (zh) | 基于模糊阈值的自适应图像分割方法 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN107784663A (zh) | 基于深度信息的相关滤波跟踪方法及装置 | |
CN105493141B (zh) | 非结构化道路边界检测 | |
CN109636784A (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
CN109919951B (zh) | 语义关联的面向对象城市不透水面遥感提取方法及系统 | |
CN108090911A (zh) | 一种光学遥感图像的近岸舰船分割方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 | |
CN106780727B (zh) | 一种车头检测模型重建方法及装置 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN104658003A (zh) | 舌体图像的分割方法和装置 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN105046701A (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN105138992A (zh) | 一种基于区域主动轮廓模型的海岸线检测方法 | |
CN106340005A (zh) | 基于尺度参数自动优化的高分遥感影像非监督分割方法 | |
CN116823811B (zh) | 一种功能性冲锋衣表面质量检测方法 | |
CN104331877A (zh) | 融合色调梯度的彩色图像边缘检测方法 |
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 |