CN109087316B - 一种基于遥感图像的大棚提取方法和装置 - Google Patents
一种基于遥感图像的大棚提取方法和装置 Download PDFInfo
- Publication number
- CN109087316B CN109087316B CN201811042272.2A CN201811042272A CN109087316B CN 109087316 B CN109087316 B CN 109087316B CN 201811042272 A CN201811042272 A CN 201811042272A CN 109087316 B CN109087316 B CN 109087316B
- Authority
- CN
- China
- Prior art keywords
- image
- greenhouse
- vegetation
- vegetation information
- nir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000002310 reflectometry Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 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 2
- 239000002689 soil Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 1
- 229920002554 vinyl polymer Polymers 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感图像的大棚提取方法，包括以下步骤：步骤一、获取遥感图像，对所述遥感影像进行预处理，获得光谱反射率图像；步骤二、基于所述光谱反射率图像，提取出所有包含植被信息的像元，组成植被信息图像；步骤三、基于所述植被信息图像，根据大棚的光谱反射特征，抑制高密度植被信息，凸显大棚以及低密度植被信息；步骤四、基于大棚‑低密度植被信息图像，根据大棚在近红外波段光谱反射率高于低密度植被的特性，组成大棚信息图像。本发明利用高分辨率影像进行预处理，得到光谱反射率图像，基于光谱反射率图像和植被信息图像，根据大棚指数提取出所有包含大棚的像元，计算出大棚的面积。本发明由国土资源部公益性行业科研专项经费(201411006)资助完成。
Description
技术领域
本发明属于遥感图像处理技术，具体而言涉及一种基于遥感图像的大棚提取方法和装置。
背景技术
温室大棚的显著增加反映了我国现代农业的快速发展，温室蔬菜的增加逐渐满足了居民一年四季的农副产品需求；但同时也带来一些需要关注的问题，如大棚的化肥使用造成的土壤退化、塑料废物处理不当造成的环境污染、种植作物数量增加带来的平均耗水量增大及大棚建造工程进度不能有效监控等。因此，温室大棚的空间分布信息及时和准确获取，是解决当地的农业管理、土壤保护、节水管理、降低监管成本及减少环境污染的核心问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种及时准确的大棚提取方法和装置。
一种基于遥感图像的大棚提取方法，其特征在于，包括以下步骤：
(1)获取遥感图像，所述遥感影像至少包括：红、绿、蓝和近红外波段四个波段，对所述遥感影像进行预处理，获得光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，其中x,y代表像元在图像的坐标，R,G,B,NIR分别代表红波段、绿波段、蓝波段和近红外波段；
(2)基于所述光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，提取出所有包含植被信息的像元，组成植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，所述植被信息图像包括低密度植被、高密度植被和大棚；
(3)基于所述植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，根据大棚的光谱反射特征，通过公式(1)，抑制高密度植被信息，凸显大棚以及低密度植被信息，公式(1)如下：
设定阈值T2，提取出pv>T2的像元，组成大棚-低密度植被信息图像PVIf(x，y)f∈{R，G，B，NIR}；
(4)基于大棚-低密度植被信息图像PVIf(x，y)f∈{R，G，B，NIR}，根据大棚在近红外波段光谱反射率高于低密度植被的特性，采用NDVI指数进行区分，具体为：
设定阈值T3，提取出NDVI>T3的像元，组成大棚信息图像。
步骤(2)中，首先依据植被绿光波段的反射率高于蓝光和红光的特征，设计两个方向系数和之后通过近红外和红波段突出植被信息，具体公式如下：
其中VPI表示植被信息指数，||为绝对值符号，设定阈值T1，提取出VPI>T1的像元，组成植被信息图像。根据计算获得的VPI生成图像，采用直方图统计获得该VPI图像的直方图统计图，设定最大的波谷作为阈值T1。
步骤(1)获取的遥感图像为高分辨率遥感图像。
一种基于遥感图像的大棚提取装置，其特征在于包括：图像预处理模块：获取遥感图像，所述遥感影像至少包括：红、绿、蓝和近红外波段四个波段，对所述遥感影像进行预处理，获得光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，其中x,y代表像元在图像的坐标，R,G,B,NIR分别代表红波段、绿波段、蓝波段和近红外波段；
植被信息提取模块：基于所述光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，提取出所有包含植被信息的像元，组成植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，所述植被信息图包括低密度植被、高密度植被和大棚；
大棚低密度植被提取模块：基于所述植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，根据大棚的光谱反射特征，通过公式(1)，抑制高密度植被信息，凸显大棚以及低密度植被信息，公式(1)如下：
设定阈值T2，提取出PV>T2的像元，组成大棚-低密度植被信息图像PVIf(x，y)f∈{R，G，B，NIR}；
大棚提取模块：基于大棚-低密度植被信息图像PVIf(x，y)，f∈{R，G，B，NIR}，根据大棚在近红外波段光谱反射率高于低密度植被的特性，采用NDVI指数进行区分，具体为：
设定阈值T3，提取出NDVI>T3的像元，组成大棚信息图像。根据计算获得的VPI生成图像。
所述植被信息提取模块，首先依据植被绿光波段的反射率高于蓝光和红光的特征，设计两个方向系数和之后通过近红外和红波段突出植被信息，具体公式如下：
其中VPI表示植被信息指数，||为绝对值符号，设定阈值T1，提取出VPI>T1的像元，组成植被信息图像。采用直方图统计获得改VPI图像的直方图统计图，设定最大的波谷作为阈值T1。
所述图像预处理模块，获取的遥感图像为高分辨率遥感图像。
本发明所达到的有益技术效果：本发明利用高分辨率影像进行预处理，得到光谱反射率图像，基于光谱反射率图像，根据新提出的植被指数提取出所有包含植被信息的像元，组成植被信息图像，基于植被信息图像，根据新提出的大棚指数提取出所有包含大棚的像元，进而计算大棚的面积。本发明提供了一种高效、高精度的大棚提取方法和装置。
附图说明
图1为本发明的实施示意图；
图2为本发明VPI图像直方图统计图；
图3为本发明pv图像直方图统计图；
图4为本发明NDVI图像直方图统计图；
图5为本发明大棚提取结果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域技术人员。
如附图1所示，为本申请的具体步骤流程。数据预处理。首先获取GF-2数据。高分二2号(GF-2)卫星是我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星，搭载有两台高分辨率1米全色、4米多光谱相机。本发明采用高分2号多光谱图像，对图像进行辐射定标和大气校正得到反射率数据，辐射定标根据高分2号卫星数据公布的系数进行定标，大气校正采用FLAASH大气校正。
对校正后的光谱反射率图像采用改进的植被指数获得植被信息。首先依据植被绿光波段的反射率高于蓝光和红光的特征，设计两个方向系数和之后通过近红外和红波段突出植被信息，具体公式如下：
其中VPI表示植被信息指数，||为绝对值符号，设定阈值T1，提取出VPI>T1的像元，组成植被信息图像。
其中阈值的设定可以根据直方图统计获得，对VPI图像做直方图统计，植被和其他地物的反射率界限明显，出现明显的波峰和波谷。如图2所示的第二个波谷则为植被和其他地物的分界线，将该波谷作为阈值T1，植被中包含低密度植被、高密度植被和大棚。
将VPI大于等于T1的像元设置为1，小于阈值T1的像元设置为0，得到二值化图像，将该二值化图像与原反射率图像相乘，得到分割的低密度植被、高密度植被和大棚组成的植被信息图VIf(x，y)，f∈{R，G，B，NIR}。
基于植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，根据大棚的光谱反射特征，通过公式(1)，抑制高密度植被信息，凸显大棚以及低密度植被信息，公式(1)如下：
设定阈值T2，提取出pv>T2的像元，组成大棚-低密度植被信息图像PVIf(x，y)，f∈{R，G，B，NIR}；
对运算结果的pv图像进行直方图统计，如图3所示在两个拐点之间的部分为大棚以及低密度植被的。
将结果进行二值化，将二值化后图像与原始反射率图像相乘，得到大棚-低密度植被信息图像PIf(x，y)，f∈{R，G，B，NIR}。
基于大棚-低密度植被信息图像PVIf(x，y)，f∈{R，G，B，NIR}，根据大棚在近红外波段光谱反射率高于低密度植被的特性，采用NDVI指数进行区分，具体为：
设定阈值T3，提取出NDVI>T3的像元，组成大棚信息图像。如图4所示两条竖线之间的区域NDVI较低，是低密度植被区，剩下的为塑料大棚。
对大于阈值T3的像元进行二值化，得到最终的大棚提取结果区域。对提取结果进行开运算和/或闭运算去除噪声，得到精细化结果图，如图5所示。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例。对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附权利要求范围决定。
Claims (7)
1.一种基于遥感图像的大棚提取方法，其特征在于，包括以下步骤：
步骤一、获取遥感图像，所述遥感图像至少包括：红、绿、蓝和近红外波段四个波段，对所述遥感图像进行预处理，获得光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，其中x，y代表像元在图像的坐标，R，G，B，NIR分别代表红波段、绿波段、蓝波段和近红外波段；
步骤二、基于所述光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，提取出所有包含植被信息的像元，组成植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，所述植被信息图像包括低密度植被、高密度植被和大棚；
所述步骤二，首先依据植被绿波段的反射率高于蓝光和红光的特征，设计两个方向系数和之后通过近红外和红波段突出植被信息，具体公式如下：
其中VPI表示植被信息指数，||为绝对值符号，设定阈值T1，提取出VPI＞T1的像元，组成植被信息图像；
步骤三、基于所述植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，根据大棚的光谱反射特征，通过公式(1)，抑制高密度植被信息，凸显大棚以及低密度植被信息，公式(1)如下：
设定阈值T2，提取出pv＞T2的像元，组成大棚-低密度植被信息图像PVIf(x，y)，f∈{R，G，B，NIR}；
步骤四、基于大棚-低密度植被信息图像PVIf(x，y)，f∈{R，G，B，NIR}，根据大棚在近红外波段光谱反射率高于低密度植被的特性，采用NDVI指数进行区分，具体为：
设定阈值T3，提取出NDVI＞T3的像元，组成大棚信息图像。
2.根据权利要求1所述的方法，其特征在于，所述步骤一获取的遥感图像为高分辨率遥感图像。
3.根据权利要求1所述的方法，其特征在于：根据计算获得的VPI生成图像，采用直方图统计获得该VPI图像的直方图统计图，设定最大的波谷作为阈值T1。
4.一种基于遥感图像的大棚提取装置，其特征在于包括：
图像预处理模块：获取遥感图像，所述遥感图像至少包括：红、绿、蓝和近红外波段四个波段，对所述遥感图像进行预处理，获得光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，其中x，y代表像元在图像的坐标，R，G，B，NIR分别代表红波段、绿波段、蓝波段和近红外波段；
植被信息提取模块：基于所述光谱反射率图像If(x，y)，f∈{R，G，B，NIR}，提取出所有包含植被信息的像元，组成植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，所述植被信息图像包括低密度植被、高密度植被和大棚；所述植被信息提取模块，首先依据植被绿波段的反射率高于蓝光和红光的特征，设计两个方向系数和之后通过近红外和红波段突出植被信息，具体公式如下：
其中VPI表示植被信息指数，||为绝对值符号，设定阈值T1，提取出VPI＞T1的像元，组成植被信息图像；大棚低密度植被提取模块：基于所述植被信息图像VIf(x，y)，f∈{R，G，B，NIR}，根据大棚的光谱反射特征，通过公式(1)，抑制高密度植被信息，凸显大棚以及低密度植被信息，公式(1)如下：
设定阈值T2，提取出PV＞T2的像元，组成大棚-低密度植被信息图像PVIf(x，y)，f∈{R，G，B，NIR}；
大棚提取模块：基于大棚-低密度植被信息图像PVIf(x，y)，f∈{R，G，B，NIR}，根据大棚在近红外波段光谱反射率高于低密度植被的特性，采用NDVI指数进行区分，具体为：
设定阈值T3，提取出NDVI＞T3的像元，组成大棚信息图像。
5.根据权利要求4所述的装置，其特征在于，所述图像预处理模块，获取的遥感图像为高分辨率遥感图像。
6.根据权利要求4所述的装置，其特征在于：根据计算获得的VPI生成图像，采用直方图统计获得该VPI图像的直方图统计图，设定最大的波谷作为阈值T1。
7.一种计算机可读存储介质，其上存储计算机指令，其特征在于，该指令被处理器执行时实现上述权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811042272.2A CN109087316B (zh) | 2018-09-07 | 2018-09-07 | 一种基于遥感图像的大棚提取方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811042272.2A CN109087316B (zh) | 2018-09-07 | 2018-09-07 | 一种基于遥感图像的大棚提取方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109087316A CN109087316A (zh) | 2018-12-25 |
| CN109087316B true CN109087316B (zh) | 2019-08-02 |
Family
ID=64841028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811042272.2A Active CN109087316B (zh) | 2018-09-07 | 2018-09-07 | 一种基于遥感图像的大棚提取方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109087316B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111028307A (zh) * | 2019-11-13 | 2020-04-17 | 潍坊科技学院 | 一种基于ArcGIS的存量温室土壤状况专题图制作方法 |
| CN111582181B (zh) * | 2020-05-11 | 2023-06-09 | 北华航天工业学院 | 一种区域尺度大棚内有无作物种植的检测方法 |
| CN112033914B (zh) * | 2020-09-01 | 2021-04-20 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
| CN112785590B (zh) * | 2021-02-09 | 2022-09-13 | 河北地质大学 | 一种基于双差值归一化的植被指数计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934405A (zh) * | 2017-03-21 | 2017-07-07 | 北京师范大学 | 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法 |
| CN107944368A (zh) * | 2017-11-16 | 2018-04-20 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感图像的水体提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3386025B2 (ja) * | 1999-12-15 | 2003-03-10 | 株式会社ニコン | 画像特徴抽出装置、画像特徴抽出方法、監視検査システム、半導体露光システム、およびインターフェースシステム |
-
2018
- 2018-09-07 CN CN201811042272.2A patent/CN109087316B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934405A (zh) * | 2017-03-21 | 2017-07-07 | 北京师范大学 | 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法 |
| CN107944368A (zh) * | 2017-11-16 | 2018-04-20 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感图像的水体提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109087316A (zh) | 2018-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109087316B (zh) | 一种基于遥感图像的大棚提取方法和装置 | |
| Zheng et al. | Early season detection of rice plants using RGB, NIR-GB and multispectral images from unmanned aerial vehicle (UAV) | |
| Zhang et al. | A simple automated dynamic threshold extraction method for the classification of large water bodies from landsat-8 OLI water index images | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| Frohn et al. | Segmentation and object-oriented classification of wetlands in a karst Florida landscape using multi-season Landsat-7 ETM+ imagery | |
| US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
| CN108573276A (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| Yang et al. | Remote sensing of seasonal variability of fractional vegetation cover and its object-based spatial pattern analysis over mountain areas | |
| Shi et al. | Mapping plastic greenhouses using spectral metrics derived from GaoFen-2 satellite data | |
| Xu et al. | Review of coral reef ecosystem remote sensing | |
| CN109376600A (zh) | 多光谱遥感影像综合特征云检测方法及装置 | |
| CN108986040B (zh) | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 | |
| CN110334623B (zh) | 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 | |
| CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
| CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
| Juarez et al. | An improved estimate of leaf area index based on the histogram analysis of hemispherical photographs | |
| CN107564016A (zh) | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 | |
| CN113379759A (zh) | 一种光学遥感卫星影像水体自动提取方法 | |
| CN114241328A (zh) | 基于空天遥感数据融合的田间立地秸秆提取方法及装置 | |
| Li et al. | Maize acreage estimation using ENVISAT MERIS and CBERS-02B CCD data in the North China Plain | |
| CN115631419A (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
| Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
| CN106127133A (zh) | 一种基于红光‑近红外光谱特征空间的水体提取方法 | |
| Li et al. | A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model | |
| CN109377476B (zh) | 遥感影像云检测特征参数的动态阈值获取方法及装置 |
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 |