CN108764132A - 一种湖泊湿地遥感图像误差检测方法 - Google Patents
一种湖泊湿地遥感图像误差检测方法 Download PDFInfo
- Publication number
- CN108764132A CN108764132A CN201810521026.9A CN201810521026A CN108764132A CN 108764132 A CN108764132 A CN 108764132A CN 201810521026 A CN201810521026 A CN 201810521026A CN 108764132 A CN108764132 A CN 108764132A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- land
- wetland
- region
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种湖泊湿地遥感图像误差检测方法,步骤为:获得研究对象对应的若干遥感图像;对图像进行锐化处理并自动进行水陆划分;在提取的水体影像上测算NDWI值并确定水陆边界;在自动做标记兴趣区时,先以水域和陆地两种分类为标准,标注一次兴趣区;再以水域、陆地和湿地三类为标准,标注一次兴趣区;将两次标记得到的兴趣区图像进行比较,对比获得两次标注间的差异是否符合要求,即是否小于差异阈值;若大于差异阈值则利用微波遥感影像进行验证与修正;选取最适合的图像作为标记结果,从而大幅度减少直接标记时由湿地产生的误差。本发明能够大幅度减少湿地处理不当对结果的影响,使水域轮廓提取更便捷与客观。
Description
技术领域
本发明属于数字图像处理与模式识别技术领域,特别涉及一种湖泊湿地遥感图像误差检测方法。
背景技术
卫星遥感监测使快速获取地表水体时空分布信息地有效手段之一。卫星遥感图像具有分辨率较高,覆盖范围广且可以免费获取地显著特点,利用该数据开展地表水体信息与遥感监测,可以快速掌握水体信息,获得较为客观的旱涝灾害监测信息,对于防洪防旱,水资源调查,海岸线变化,环境检测等领域都具有重要的作用。
随着遥感技术的成熟,水域成为了目前遥感领域的一大重点研究对象。水域轮廓能反应水体的多种信息,其体现了自然的发展方向,人类文明程度,同时也对改善附近城市气候有着十分重大的意义。
湿地指天然或人工形成的沼泽地等带有静止或流动水体的成片浅水区,还包括在低潮时水深不超过6米的水域。湿地与森林、海洋并称全球三大生态系统,在世界各地分布广泛。湿地生态系统中生存着大量动植物,很多湿地被列为自然保护区。20世纪中后期由于湿地围垦、生物资源的过度利用、湿地环境污染、湿地水资源过度利用、大江大河流域水利工程建设、泥沙淤积、海岸侵蚀与破坏、城市建设与旅游业的盲目发展等不合理利用导致湿地生态系统退化[中国湿地资源的退化及其原因分析],造成湿地面积缩小,水质下降、水资源减少甚至枯竭、生物多样性降低、湿地功能降低甚至丧失。因此迫切需要对湿地进行保护、恢复和重建。湿地恢复包括湿地的恢复、湿地改建以及湿地重建,是指通过生态技术或生态工程对退化或消失的湿地进行修复或重建,再现退化前的结构和功能,以及相关的物理、化学和生物学特性,使其发挥应有的作用
在进行湖泊面积识别时,常由于湿地与湖泊RGB值相近而产生误差,目前在湿地误差判别方面仍有不足,故应采取更为客观有效的方法。本发明采用将图像进行两次分类标记进行面积对比的方法判定图像真实轮廓,从而避免由于湿地识别不精准造成的误差。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种能够大幅度减少湿地处理不当对结果的影响,使水域轮廓提取更便捷与客观的湖泊湿地遥感图像误差检测方法。
技术方案:为解决上述技术问题,本发明提供一种湖泊湿地遥感图像误差检测方法,包括如下步骤:
(1)获得研究对象对应的若干遥感图像;
(2)对图像进行锐化处理并自动进行水陆划分;
(3)在提取的水体影像上测算NDWI值并确定水陆边界;
(4)在自动做标记兴趣区时,先以水域和陆地两种分类为标准,标注一次兴趣区;
(5)再以水域、陆地和湿地三类为标准,标注一次兴趣区;
(6)将两次标记得到的兴趣区图像进行比较,对比获得两次标注间的差异是否符合要求,即是否小于差异阈值;
(7)若大于差异阈值则利用微波遥感影像进行验证与修正;
(8)选取最适合的图像作为标记结果,从而大幅度减少直接标记时由湿地产生的误差。
进一步的,所述步骤(2)中对图像进行锐化处理是采用拉普拉斯锐化进行处理。
进一步的,所述步骤(3)中测算NDWI值的表达式如下:
NDWI=(K(G)-K(R))/(K(G)+K(R))
K(G)是基于绿波段的归一化比值指数;
K(R)是基于近红外波段的归一化比值指数。
进一步的,所述步骤(4)中以水域和陆地两种分类为标准,标注一次兴趣区的具体步骤如下:
(4.1)根据每一增长区的NDWI值,计算得到水体判别阈值;
(4.2)在已人工标记好的图像中进行测算;
(4.3)计算被识别为陆地部分的NDWI值,并取其均值,以此作为陆地的监测阈值L;计算被识别为水域部分的NDWI值,并取其均值,以此作为水域部分的监测阈值W,以此完成分为两类的标记;
(4.4)利用水面各处NDWI值与水体识别阈值做对比处理,若研究区域NDWI值较所述水体判别阈值大,则可判定其为水域;
若研究区域NDWI值较所述水体判别阈值小,且较陆地判别出差异不大,则可判定其为陆地。
进一步的,所述步骤(5)中以水域、陆地和湿地三类为标准,标注一次兴趣区的具体步骤如下:
(5.1)计算被识别为湿地部分的NDWI值,并取其均值,以此作为湿地的监测阈值D;添加湿地分类后完成分为三类的标记;
(5.2)利用水面各处NDWI值与水体识别阈值做对比处理,若研究区域NDWI值较所述水体判别阈值大,则可判定其为水域;
若研究区域NDWI值较所述水体判别阈值小,且较湿地判别阈值大,则可判定其为湿地;
若研究区域NDWI值较所述湿地判别阈值小,且较陆地判别出差异不大,则可判定其为陆地。
进一步的,所述步骤(6)中将两次标记得到的兴趣区图像进行比较的具体步骤如下:
设定差异比,若差异值较差异比高,则利用微波遥感影像进行校正;若差异值较差异比低,即误差可接受,则固定选择第二次标记的结果作为最终结果。
进一步的,所述步骤(1)中遥感图像为卫星遥感影像,所述卫星遥感影像为由Landsat系列卫星采集的光学影像。
与现有技术相比,本发明的优点在于:
本发明通过采用检测并校正湖泊湿地遥感图像判别误差的方法,包括:确定设定区域的卫星遥感图像,对图像进行去噪处理,自动进行水陆划分。针对水体区域测算NDWI值,并由NDWI值计算得到阈值,确定水陆边界。进行兴趣区标记处理,先以水域陆地两种分类为标准,标注一次兴趣区;再以水域、陆地和湿地三类为标准,标注一次兴趣区。至此将两次标记得到的兴趣区图像进行比较,对比获得两次标注间的差异。设定合适的差异比例,若差异过大则利用微波遥感影像进行验证与修正。最终选取最适合的图像作为标记结果,继续项目所需要的后期处理步骤。此方法可大幅度减少直接标记时由湿地产生的误差,使结果更具客观性。
附图说明
图1为本发明的流程图;
图2为实施例中2000年5月19日的洪泽湖湖泊遥感卫星拍摄所得预览图;
图3为实施例中图2进行图像增强后的结果示意图;
图4为实施例中对图像以水域和陆地两种标准进行分类得到的结果示意图;
图5为实施例中对图像以水域、陆地和湿地三种标准进行分类得到的结果示意图;
图6为实施例中比较后进行轮廓提取后的示意图;
图7为实施例中滤除散点后,提取的主要湖泊洪泽湖示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
如图1所示,本发明实施例公开了一种湖泊湿地遥感图像误差检测方法,该方法包括:
S101、获取设定地理区域的卫星遥感图像;
具体的,本发明实施例用于在从卫星拍摄获得的遥感图像中识别水域与陆地,提取水域轮廓。卫星遥感图像具有较高的宏观性和实时性,具体在实施本发明实施例技术方案时,可根据需求选择特定日期,特定水域或特定地理区域的卫星遥感图像。如图2所示为2000年5月19日的洪泽湖湖泊遥感卫星拍摄所得预览图,该图即为获取的卫星遥感图像。
S102、对图像进行等处理并自动进行水陆划分;
拉普拉斯锐化是以图像邻域内像素灰度差分计算为基础的一种图像领域增强算法,即当检测出某一邻域中心的像素灰度低于周围其他值时,进一步减小此中心像素点的灰度,而对于中心像素点灰度高的情况则进一步增强其灰度。其使用对领域中心像素的四个方向求卷积获得一个中心值,对于处理结果再加一个衰减因子,可以实现锐化处理,提高图像的对比度而使图像更为清晰。如图3所示,即为针对图2进行蜕化处理后的结果示意图。
S103、在提取的水体影像上测算NDWI值并确定水陆边界;
具体地,NDWI=(K(G)-K(R))/(K(G)+K(R))
K(G)是基于绿波段的归一化比值指数。
K(R)是基于近红外波段的归一化比值指数。
S104、在自动做标记兴趣区时,先以水域和陆地两种分类为标准,标注一次兴趣区;
具体地,标记出湖泊的基本信息,并标记出水面和陆地,便于识别和学习。
优选地,所述水体判别阈值的判定方法,包括:
根据每一增长区的NDWI值,计算得到水体判别阈值;
在已人工标记好的图像中进行测算:
计算被识别为陆地部分的NDWI值,并取其均值,以此作为陆地的监测阈值L;计算被识别为水域部分的NDWI值,并取其均值,以此作为水域部分的监测阈值W,以此完成分为两类的标记。
利用水面各处NDWI值与水体识别阈值做对比处理,
若研究区域NDWI值较所述水体判别阈值大,则可判定其为水域;
若研究区域NDWI值较所述水体判别阈值小,且较陆地判别出差异不大,则可判定其为陆地。如图4所示,即为针对图3以水域和陆地两种分类为标准,标注一次兴趣区后的结果示意图。
S105、再以水域、陆地和湿地三类为标准,标注一次兴趣区;
在上一步基础上,计算被识别为湿地部分的NDWI值,并取其均值,以此作为湿地的监测阈值D;添加湿地分类后完成分为三类的标记。
利用水面各处NDWI值与水体识别阈值做对比处理,
若研究区域NDWI值较所述水体判别阈值大,则可判定其为水域;
若研究区域NDWI值较所述水体判别阈值小,且较湿地判别阈值大,则可判定其为湿地;
若研究区域NDWI值较所述湿地判别阈值小,且较陆地判别出差异不大,则可判定其为陆地;如图5所示,即为针对图3以水域、陆地和湿地三类为标准,标注一次兴趣区后的结果示意图。
S106、将两次标记得到的兴趣区图像进行比较,对比获得两次标注间的差异;
具体的,设定差异比,若差异值较差异比高,则利用微波遥感影像进行校正。
若差异值较差异比低,即误差可接受,则固定选择第二次标记的结果作为最终结果。
S107、若差异过大则利用微波遥感影像进行验证与修正;
具体地,微波影像是遥感影像之一,是指侧视成像雷达获得的影像,它不同于早期以雷达为中心,沿方位向扫描获得的极坐标表达的雷达影像。微波遥感的对某些地物有特殊的波谱特性,对冰雪、森林、土壤有穿透能力,可用于湖泊遥感探测。
S108、选取最适合的图像作为标记结果,从而大幅度减少直接标记时由湿地产生的误差,并对所选取的结果图像进行轮廓提取,并对提取后的图像滤除散点,提取出主轮廓的图像。
如图6所示,即为针对图5进行粗略轮廓提取后的示意图。
如图7所示,即为针对图6进行主湖轮廓提取的结果示意图。
具体的,一种湖泊湿地遥感图像误差检测方法,包括以下步骤:
(1)获得研究对象对应的若干遥感图像;
(2)对图像进行锐化等处理并自动进行水陆划分;
(3)在提取的水体影像上测算NDWI值并确定水陆边界;
(4)在自动做标记兴趣区时,先以水域和陆地两种分类为标准,标注一次兴趣区;
(5)再以水域、陆地和湿地三类为标准,标注一次兴趣区;
(6)将两次标记得到的兴趣区图像进行比较,对比获得两次标注间的差异是否符合要求,即是否小于差异阈值;
(7)若大于差异阈值则利用微波遥感影像进行验证与修正;
(8)选取最适合的图像作为标记结果,从而大幅度减少直接标记时由湿地产生的误差。
其中所述卫星遥感影像为由Landsat系列卫星采集的光学影像。利用拉普拉斯算子对图像进行锐化处理。利用人工标记好的数据训练模型使图像完成水陆自动识别。
进一步的,所述NDWI值为归一化水体指数,其表达式如下所示:
NDWI=(K(G)-K(R))/(K(G)+K(R))
K(G)为基于绿波段的归一化比值指数。
K(R)为基于近红外波段的归一化比值指数。
NDWI值一般用来提取影像中的水体信息,效果较好。此方法一般适用于提取大范围的水域轮廓,并不适用于城市中的较小水域。
对于如上所述的人工标记数据,已标记出湖泊的基本信息,并标记出水面和陆地,便于识别和学习。
进一步的,所述差异值判定标准为,对两次不同分类的额处理结果进行比较,设定差异阈值为较小图像的3%,若两次图像所差像素点小于差异阈值,则认为符合要求,若大于差异阈值,则认为图像差异较大,不符合要求。
进一步的,所述水体判别阈值的判定方法,包括:
根据每一增长区的NDWI值,计算得到水体判别阈值;
在已人工标记好的图像中进行测算:
计算被识别为湿地部分的NDWI值,并取其均值,以此作为湿地的监测阈值D;计算被识别为陆地部分的NDWI值,并取其均值,以此作为陆地的监测阈值L;计算被识别为水域部分的NDWI值,并取其均值,以此作为水域部分的监测阈值W。
进一步的,所述NDWI值与水体识别阈值做对比处理:
若研究区域NDWI值较所述水体判别阈值大,则可判定其为水域;
若研究区域NDWI值较所述水体判别阈值小,且较湿地判别阈值大,则可判定其为湿地;若研究区域NDWI值较所述湿地判别阈值小,且较陆地判别阈值差异不大,则可判定其为陆地;
进一步的,所述水体标记方法,包括:
先对水域以水域、陆地为标准,进行标记,此时图像仅被分为两类。再次添加湿地标准,以水域、陆地、湿地进行新一轮标记,此时图像被分为3类。由于两次分类相比增加了湿地分类,故由于湿地产生的不良影响,对于部分图像存在两次分类后所提取面积差异较大的情况,此时通过两种方法分类标记可识别此种图片并对其进行进一步处理,可有效防止由于湿地影响导致的部分图片识别不精准的情况,从而防止对图像预测和分析造成影响。
进一步的,所述水体标记方法,包括:
将两次标记结果中水域部分进行自动监测,观察其面积差异是否符合标准:即对两幅图进行面积提取与比较,对于已设定的差异比3%,若差异的像素点数小于较小图像的3%,则可认为此图像由湿地产生的影响在可接受范围内,故可进行下一步湖泊轮廓提取操作;若对比得知差异值大于较小图像的3%,则认为差异过大,应利用微波遥感影像进行校正后对图像重新进行处理。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种湖泊湿地遥感图像误差检测方法,其特征在于,包括如下步骤:
(1)获得研究对象对应的若干遥感图像;
(2)对图像进行锐化处理并自动进行水陆划分;
(3)在提取的水体影像上测算NDWI值并确定水陆边界;
(4)在自动做标记兴趣区时,先以水域和陆地两种分类为标准,标注一次兴趣区;
(5)再以水域、陆地和湿地三类为标准,标注一次兴趣区;
(6)将两次标记得到的兴趣区图像进行比较,对比获得两次标注间的差异是否符合要求,即是否小于差异阈值;
(7)若大于差异阈值则利用微波遥感影像进行验证与修正;
(8)选取最适合的图像作为标记结果,从而大幅度减少直接标记时由湿地产生的误差。
2.根据权利要求1所述的一种湖泊湿地遥感图像误差检测方法,其特征在于,所述步骤(2)中对图像进行锐化处理是采用拉普拉斯锐化进行处理。
3.根据权利要求1所述的一种湖泊湿地遥感图像误差检测方法,其特征在于,所述步骤(3)中测算NDWI值的表达式如下:
NDWI=(K(G)-K(R))/(K(G)+K(R))
K(G)是基于绿波段的归一化比值指数;
K(R)是基于近红外波段的归一化比值指数。
4.根据权利要求1所述的一种湖泊湿地遥感图像误差检测方法,其特征在于,根据权利要求1所述的一种湖泊湿地遥感图像误差检测方法,其特征在于,所述步骤(4)中以水域和陆地两种分类为标准,标注一次兴趣区的具体步骤如下:
(4.1)根据每一增长区的NDWI值,计算得到水体判别阈值;
(4.2)在已人工标记好的图像中进行测算;
(4.3)计算被识别为陆地部分的NDWI值,并取其均值,以此作为陆地的监测阈值L;计算被识别为水域部分的NDWI值,并取其均值,以此作为水域部分的监测阈值W,以此完成分为两类的标记;
(4.4)利用水面各处NDWI值与水体识别阈值做对比处理,若研究区域NDWI值较所述水体判别阈值大,则可判定其为水域;
若研究区域NDWI值较所述水体判别阈值小,且较陆地判别出差异不大,则可判定其为陆地。
5.根据权利要求1所述的一种湖泊湿地遥感图像误差检测方法,其特征在于,所述步骤(5)中以水域、陆地和湿地三类为标准,标注一次兴趣区的具体步骤如下:
(5.1)计算被识别为湿地部分的NDWI值,并取其均值,以此作为湿地的监测阈值D;添加湿地分类后完成分为三类的标记;
(5.2)利用水面各处NDWI值与水体识别阈值做对比处理,若研究区域NDWI值较所述水体判别阈值大,则可判定其为水域;
若研究区域NDWI值较所述水体判别阈值小,且较湿地判别阈值大,则可判定其为湿地;
若研究区域NDWI值较所述湿地判别阈值小,且较陆地判别出差异不大,则可判定其为陆地。
6.根据权利要求1所述的一种湖泊湿地遥感图像误差检测方法,其特征在于,所述步骤(6)中将两次标记得到的兴趣区图像进行比较的具体步骤如下:
设定差异比,若差异值较差异比高,则利用微波遥感影像进行校正;若差异值较差异比低,即误差可接受,则固定选择第二次标记的结果作为最终结果。
7.根据权利要求1所述的一种湖泊湿地遥感图像误差检测方法,其特征在于,所述步骤(1)中遥感图像为卫星遥感影像,所述卫星遥感影像为由Landsat系列卫星采集的光学影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810521026.9A CN108764132B (zh) | 2018-05-28 | 2018-05-28 | 一种湖泊湿地遥感图像误差检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810521026.9A CN108764132B (zh) | 2018-05-28 | 2018-05-28 | 一种湖泊湿地遥感图像误差检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764132A true CN108764132A (zh) | 2018-11-06 |
CN108764132B CN108764132B (zh) | 2022-02-11 |
Family
ID=64006599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810521026.9A Active CN108764132B (zh) | 2018-05-28 | 2018-05-28 | 一种湖泊湿地遥感图像误差检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764132B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840910A (zh) * | 2019-02-19 | 2019-06-04 | 自然资源部第二海洋研究所 | 一种港口附近水冰图像误差检测方法 |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
CN113362266A (zh) * | 2020-02-19 | 2021-09-07 | 中国石油天然气集团有限公司 | 基于多属性一致性的水域检测方法及装置 |
CN114037832A (zh) * | 2021-12-17 | 2022-02-11 | 北京中宇瑞德建筑设计有限公司 | 一种卫星遥感图像中典型区域的提取方法及系统 |
CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN107085851A (zh) * | 2017-05-26 | 2017-08-22 | 环境保护部卫星环境应用中心 | 一种提取水域岸线的方法及装置 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
-
2018
- 2018-05-28 CN CN201810521026.9A patent/CN108764132B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN107085851A (zh) * | 2017-05-26 | 2017-08-22 | 环境保护部卫星环境应用中心 | 一种提取水域岸线的方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840910A (zh) * | 2019-02-19 | 2019-06-04 | 自然资源部第二海洋研究所 | 一种港口附近水冰图像误差检测方法 |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
CN113362266A (zh) * | 2020-02-19 | 2021-09-07 | 中国石油天然气集团有限公司 | 基于多属性一致性的水域检测方法及装置 |
CN114037832A (zh) * | 2021-12-17 | 2022-02-11 | 北京中宇瑞德建筑设计有限公司 | 一种卫星遥感图像中典型区域的提取方法及系统 |
CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
CN117110217B (zh) * | 2023-10-23 | 2024-01-12 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108764132B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764132A (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
Hu et al. | Monitoring coastline variations in the Pearl River Estuary from 1978 to 2018 by integrating Canny edge detection and Otsu methods using long time series Landsat dataset | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
CN114821355B (zh) | 海岸线自动化识别方法和装置 | |
CN115452759B (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
Taghadosi et al. | Trend analysis of soil salinity in different land cover types using Landsat time series data (case study Bakhtegan Salt Lake) | |
CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
CN114724049A (zh) | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 | |
Hong et al. | Automatic sub-pixel coastline extraction based on spectral mixture analysis using EO-1 Hyperion data | |
CN115620162A (zh) | 一种基于决策级数据融合的洪涝淹没区域提取方法 | |
CN112037244A (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
CN110738679A (zh) | 基于遥感影像变化自动提取的地理省情监测方法及系统 | |
CN111862134B (zh) | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
Puissant et al. | Coastline extraction in VHR imagery using mathematical morphology with spatial and spectral knowledge | |
CN111275631A (zh) | 一种遥感影像提取城市水体时消除阴影干扰的方法 | |
Vukadinov et al. | An algorithm for coastline extraction from satellite imagery | |
JP2005346665A (ja) | 海岸線抽出方法及び海岸線抽出システム | |
CN113177473B (zh) | 遥感影像水体自动化提取方法和装置 | |
Nanare et al. | Remote sensing satellite image analysis for deforestation in yavatmal district, maharashtra, india | |
CN112711793B (zh) | 一种削山建设识别方法及装置 | |
Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China | |
Karydas et al. | Fine scale mapping of agricultural landscape features to be used in environmental risk assessment in an olive cultivation area |
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 |