CN109308451A - 一种高分数据信息提取系统及方法 - Google Patents
一种高分数据信息提取系统及方法 Download PDFInfo
- Publication number
- CN109308451A CN109308451A CN201810903843.0A CN201810903843A CN109308451A CN 109308451 A CN109308451 A CN 109308451A CN 201810903843 A CN201810903843 A CN 201810903843A CN 109308451 A CN109308451 A CN 109308451A
- Authority
- CN
- China
- Prior art keywords
- sensing image
- remote sensing
- classification
- pretreated
- littoral zone
- 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.)
- Pending
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种高分数据信息提取系统及方法,包括:数据预处理模块,用于对遥感影像进行辐射校正、几何校正、地图基本操作和矢量栅格互操作预处理;信息提取功能模块,用于对预处理后的遥感影像进行海岸分类、水深探测和目标探测;地图制图模块,用于根据地理数据定制输出地图与制图元素。本发明以海洋测绘规范为标准,以图像处理和人工智能技术为基础,重点研究海岸带地物分类和海岸线分类、浅海水深探测、道路居民地等重要人工目标探测的信息提取方法,利用集成开发的形式实现遥感图像处理、信息提取、专题图制作等功能。
Description
技术领域
本发明属于海洋测绘技术领域,特别是涉及一种高分数据信息提取系统及方法。
背景技术
海岸带地物要素种类繁多,采用传统海岸地形测量方式获取海岸带地物信息效率低下,现势性难以保证,无法满足海洋信息化建设需求。对于那些船只无法到达的海域,无法实施现场测量,严重影响了海图表示海洋要素的精度和现势性,急需有效的解决方法。对于一些测量船无法到达的海区,利用卫星的全球监控遥感能力,对这些海区进行海洋测绘是一个行之有效的方法。高分卫星遥感技术不受地域限制,可以获取面状水下地形等信息,快速、高效、复测频率高,可以实时掌握测区宏观信息,可进行重要目标的变化监测。采用高分辨率卫星遥感数据进行浅海水深反演,可以获得岛礁分布轮廓图、概略等深线信息、潜在航道以及水下碍航物信息等,同时与海图数据结合,可实现对水深标定和海图修测。而高分数据的处理,尤其是特征提取与要素识别是完成海岸带地理信息提取不可缺少的技术,决定了遥感海洋测绘应用的精确程度。
综上所述,有必要深入研究基于高分辨率卫星遥感数据的海岸带要素分类识别及近岸浅水深提取技术。
发明内容
本发明目的是为了解决现有的技术问题,提出了一种高分数据信息提取系统及方法。
本发明的目的通过以下技术方案实现:一种高分数据信息提取系统,所述系统包括:
数据预处理模块,用于对遥感影像进行辐射校正、几何校正、地图基本操作和矢量栅格互操作预处理;
信息提取功能模块,用于对预处理后的遥感影像进行海岸分类、水深探测和目标探测;
地图制图模块,用于根据地理数据定制输出地图与制图元素。
进一步地,所述信息提取功能模块包括海岸分类单元、水深探测单元和目标探测单元;
所述海岸分类单元,用于对预处理后的遥感影像进行海岸带地物及海岸线分类;
所述水深探测单元,用于对预处理后的遥感影像进行沿岸浅水深探测;
所述目标探测单元,用于对预处理后的遥感影像进行海岸带道路居民人工目标探测。
进一步地,所述海岸分类单元,用于对预处理后的遥感影像进行海岸带地物及海岸线分类的方法包括:
根据海岸带地物分类类型及相应的分类方法,通过对高分辨率卫星遥感影像进行分割与特征提取处理,完成海岸带高分卫星影像海岸线地物探测及分类;先分类海岸带,根据海岸带的类别,提取海岸线。
进一步地,所述水深探测单元,用于对预处理后的遥感影像进行沿岸浅水深探测的方法包括:
基于BP神经网络分类模型和半理论半经验模型,建立遥感影像多光谱波段值与水深数值的反演模型;通过对高分辨率卫星遥感影像进行辐射定标和水陆分离处理,并结合当地实测数据实现海岸带高分卫星影像沿岸浅水深探测。
进一步地,所述目标探测单元,用于对预处理后的遥感影像进行海岸带道路居民人工目标探测的方法包括:
采用ENVI面向对象特征提取方法,利用高分辨率的全色和多光谱数据的空间、纹理及光谱信息对遥感图像进行分割与分类,提取道路居民地两类地物的人工目标;基于道路及居民地的光谱特性和空间特性,采用基于规则的面向对象特征提取方法,进行道路及居民地两类人工目标的提取。
本发明还提出一种高分数据信息提取方法,所述方法包括:
对遥感影像进行辐射校正、几何校正、地图基本操作和矢量栅格互操作预处理;
对预处理后的遥感影像进行海岸分类、水深探测和目标探测;
根据地理数据定制输出地图与制图元素。
进一步地,所述对预处理后的遥感影像进行海岸分类、水深探测和目标探测具体为:
对预处理后的遥感影像进行海岸带地物及海岸线分类;
对预处理后的遥感影像进行沿岸浅水深探测;
对预处理后的遥感影像进行海岸带道路居民人工目标探测。
进一步地,所述对预处理后的遥感影像进行海岸带地物及海岸线分类的方法包括:
根据海岸带地物分类类型及相应的分类方法,通过对高分辨率卫星遥感影像进行分割与特征提取处理,完成海岸带高分卫星影像海岸线地物探测及分类;先分类海岸带,根据海岸带的类别,提取海岸线。
进一步地,所述对预处理后的遥感影像进行沿岸浅水深探测的方法包括:
基于BP神经网络分类模型和半理论半经验模型,建立遥感影像多光谱波段值与水深数值的反演模型;通过对高分辨率卫星遥感影像进行辐射定标和水陆分离处理,并结合当地实测数据实现海岸带高分卫星影像沿岸浅水深探测。
进一步地,所述对预处理后的遥感影像进行海岸带道路居民人工目标探测的方法包括:
采用ENVI面向对象特征提取方法,利用高分辨率的全色和多光谱数据的空间、纹理及光谱信息对遥感图像进行分割与分类,提取道路居民地两类地物的人工目标;基于道路及居民地的光谱特性和空间特性,采用基于规则的面向对象特征提取方法,进行道路及居民地两类人工目标的提取。
本发明以海洋测绘规范为标准,以图像处理和人工智能技术为基础,重点研究海岸带地物分类和海岸线分类、浅海水深探测、道路居民地等重要人工目标探测的信息提取方法,利用集成开发的形式实现遥感图像处理、信息提取、专题图制作等功能。
附图说明
图1是本发明高分数据信息提取系统架构图;
图2是沿岸浅水深探测技术路线图;其中,B1、B2、B3、B4为多光谱数据的四个波段值:B1为蓝波段;B2为绿波段;B3为红波段;B4为近红外波段;N代表隐层神经元个数;
图3是沿岸浅水深探测成果图样例图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1,本发明提出一种高分数据信息提取系统,所述系统包括:
数据预处理模块,用于对遥感影像进行辐射校正、几何校正、地图基本操作和矢量栅格互操作预处理;具体为:
辐射校正:主要包括辐射定标、快速大气校正、大气校正等功能;
几何校正:主要包括几何校正和匹配;
地图基本操作:主要包括波段叠加,掩膜提取、投影转换、影像镶嵌、ROI兴趣区裁剪等功能;
矢量栅格互操作处理:主要包括重采样、矢量转栅格、栅格转矢量等功能。
信息提取功能模块,用于对预处理后的遥感影像进行海岸分类、水深探测和目标探测;
地图制图模块,用于根据矢量栅格数据和用户操作输出地图展示,以及根据地理数据定制输出地图与制图元素。所述根据矢量栅格数据和用户操作输出地图展示包括:基础地图交互:地图的拖动、放大缩小等操作;以及数据样式调整:编辑矢量数据显示样式。所述根据地理数据定制输出地图与制图元素包括:添加制图要素:添加指北针、自选彩虹条图例、添加比例尺、边框、阴影、网格、背景、文本标注等功能;以及制图输出模块功能:地图导出、清空等功能。
在进行数据预处理之前还包括数据获取模块,用于获取高分数据,即遥感影像。
所述信息提取功能模块包括海岸分类单元、水深探测单元和目标探测单元;
所述海岸分类单元,用于对预处理后的遥感影像进行海岸带地物及海岸线分类;
所述水深探测单元,用于对预处理后的遥感影像进行沿岸浅水深探测;
所述目标探测单元,用于对预处理后的遥感影像进行海岸带道路居民人工目标探测。
所述海岸分类单元,用于对预处理后的遥感影像进行海岸带地物及海岸线分类的方法包括:
根据海岸带地物分类类型及相应的分类方法,通过对高分辨率卫星遥感影像进行分割与特征提取处理,完成海岸带高分卫星影像海岸线地物探测及分类;先分类海岸带,根据海岸带的类别,提取海岸线。海岸带分类通过非监督分类、监督分类以及影像分割特征提取3条技术路线实现,集成精度较高的三种监督分类算法。
具体包括以下几个步骤:
(1)海岸带类别分类(不同颜色图例表示沙质、淤泥、山地等常见不同类别海岸带):
a)IsoData方法、K-Means方法对海岸线数据,非监督分类提取岸线;
b)普通监督分类方法海岸线分类;
c)svm支持向量机海岸线分类;
d)神经网络分类。
(2)海岸线类别分类(不同颜色图例表示沙质、淤泥、山地等常见不同类别海岸线):
a)Canny算子-海岸线提取;
b)归一化差异水体指数(NDWI)模型;
c)波段差值模型;
d)调用栅格转矢量模块,提取分类好的海岸线到矢量shp;
e)选择分别提取水体、岸线部分。
(3)精度验证(结合实测值的混淆矩阵验证)。该验证方式属于公知常识,这里不再赘述。
结合图2-图3,所述水深探测单元,用于对预处理后的遥感影像进行沿岸浅水深探测的方法包括:
基于BP神经网络分类模型和半理论半经验模型,建立遥感影像多光谱波段值与水深数值的反演模型;通过对高分辨率卫星遥感影像进行辐射定标和水陆分离处理,并结合当地实测数据实现海岸带高分卫星影像沿岸浅水深探测。
具体包括以下几个步骤:
(1)设置用于神经网络训练的参数和训练方式;
(2)设置输入训练的高分影像数据和水深点数据;
(3)输出训练好的神经网络模型(.param文件);
(4)在水深反演功能中,再输入待反演高分影像数据和训练好的神经网络;
(5)输出水深值数据。
所述目标探测单元,用于对预处理后的遥感影像进行海岸带道路居民人工目标探测的方法包括:
采用ENVI面向对象特征提取方法,利用高分辨率的全色和多光谱数据的空间、纹理及光谱信息对遥感图像进行分割与分类,提取道路居民地两类地物的人工目标;基于道路及居民地的光谱特性和空间特性,采用基于规则的面向对象特征提取方法,进行道路及居民地两类人工目标的提取。
本发明还提出一种高分数据信息提取方法,所述方法包括:
对遥感影像进行辐射校正、几何校正、地图基本操作和矢量栅格互操作预处理;具体为:
辐射校正:主要包括辐射定标、快速大气校正、大气校正等功能;
几何校正:主要包括几何校正和匹配;
地图基本操作:主要包括波段叠加,掩膜提取、投影转换、影像镶嵌、ROI兴趣区裁剪等功能;
矢量栅格互操作处理:主要包括重采样、矢量转栅格、栅格转矢量等功能。
对预处理后的遥感影像进行海岸分类、水深探测和目标探测;
根据矢量栅格数据和用户操作输出地图展示,以及根据地理数据定制输出地图与制图元素。所述根据矢量栅格数据和用户操作输出地图展示包括:基础地图交互:地图的拖动、放大缩小等操作;以及数据样式调整:编辑矢量数据显示样式。所述根据地理数据定制输出地图与制图元素包括:添加制图要素:添加指北针、自选彩虹条图例、添加比例尺、边框、阴影、网格、背景、文本标注等功能;以及制图输出模块功能:地图导出、清空等功能。
在进行数据预处理之前还包括数据获取步骤,用于获取高分数据,即遥感影像。
所述对预处理后的遥感影像进行海岸分类、水深探测和目标探测具体为:
对预处理后的遥感影像进行海岸带地物及海岸线分类;
对预处理后的遥感影像进行沿岸浅水深探测;
对预处理后的遥感影像进行海岸带道路居民人工目标探测。
所述对预处理后的遥感影像进行海岸带地物及海岸线分类的方法包括:
根据海岸带地物分类类型及相应的分类方法,通过对高分辨率卫星遥感影像进行分割与特征提取处理,完成海岸带高分卫星影像海岸线地物探测及分类;先分类海岸带,根据海岸带的类别,提取海岸线。海岸带分类通过非监督分类、监督分类以及影像分割特征提取3条技术路线实现,集成精度较高的三种监督分类算法。
具体包括以下几个步骤:
(1)海岸带类别分类(不同颜色图例表示沙质、淤泥、山地等常见不同类别海岸带):
a)IsoData方法、K-Means方法对海岸线数据,非监督分类提取岸线;
b)普通监督分类方法海岸线分类;
c)svm支持向量机海岸线分类;
d)神经网络分类。
(2)海岸线类别分类(不同颜色图例表示沙质、淤泥、山地等常见不同类别海岸线):
a)Canny算子-海岸线提取;
b)归一化差异水体指数(NDWI)模型;
c)波段差值模型;
d)调用栅格转矢量模块,提取分类好的海岸线到矢量shp;
e)选择分别提取水体、岸线部分。
(3)精度验证(结合实测值的混淆矩阵验证)。该验证方式属于公知常识,这里不再赘述。
所述对预处理后的遥感影像进行沿岸浅水深探测的方法包括:
基于BP神经网络分类模型和半理论半经验模型,建立遥感影像多光谱波段值与水深数值的反演模型;通过对高分辨率卫星遥感影像进行辐射定标和水陆分离处理,并结合当地实测数据实现海岸带高分卫星影像沿岸浅水深探测。
具体包括以下几个步骤:
(1)设置用于神经网络训练的参数和训练方式;
(2)设置输入训练的高分影像数据和水深点数据;
(3)输出训练好的神经网络模型(.param文件);
(4)在水深反演功能中,再输入待反演高分影像数据和训练好的神经网络;
(5)输出水深值数据。
所述对预处理后的遥感影像进行海岸带道路居民人工目标探测的方法包括:
采用ENVI面向对象特征提取方法,利用高分辨率的全色和多光谱数据的空间、纹理及光谱信息对遥感图像进行分割与分类,提取道路居民地两类地物的人工目标;基于道路及居民地的光谱特性和空间特性,采用基于规则的面向对象特征提取方法,进行道路及居民地两类人工目标的提取。
以上对本发明所提供的一种高分数据信息提取系统及方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种高分数据信息提取系统,其特征在于,所述系统包括:
数据预处理模块,用于对遥感影像进行辐射校正、几何校正、地图基本操作和矢量栅格互操作预处理;
信息提取功能模块,用于对预处理后的遥感影像进行海岸分类、水深探测和目标探测;
地图制图模块,用于根据地理数据定制输出地图与制图元素。
2.根据权利要求1所述的系统,其特征在于,所述信息提取功能模块包括海岸分类单元、水深探测单元和目标探测单元;
所述海岸分类单元,用于对预处理后的遥感影像进行海岸带地物及海岸线分类;
所述水深探测单元,用于对预处理后的遥感影像进行沿岸浅水深探测;
所述目标探测单元,用于对预处理后的遥感影像进行海岸带道路居民人工目标探测。
3.根据权利要求2所述的系统,其特征在于,所述海岸分类单元,用于对预处理后的遥感影像进行海岸带地物及海岸线分类的方法包括:
根据海岸带地物分类类型及相应的分类方法,通过对高分辨率卫星遥感影像进行分割与特征提取处理,完成海岸带高分卫星影像海岸线地物探测及分类;先分类海岸带,根据海岸带的类别,提取海岸线。
4.根据权利要求2所述的系统,其特征在于,所述水深探测单元,用于对预处理后的遥感影像进行沿岸浅水深探测的方法包括:
基于BP神经网络分类模型和半理论半经验模型,建立遥感影像多光谱波段值与水深数值的反演模型;通过对高分辨率卫星遥感影像进行辐射定标和水陆分离处理,并结合当地实测数据实现海岸带高分卫星影像沿岸浅水深探测。
5.根据权利要求2所述的系统,其特征在于,所述目标探测单元,用于对预处理后的遥感影像进行海岸带道路居民人工目标探测的方法包括:
采用ENVI面向对象特征提取方法,利用高分辨率的全色和多光谱数据的空间、纹理及光谱信息对遥感图像进行分割与分类,提取道路居民地两类地物的人工目标;基于道路及居民地的光谱特性和空间特性,采用基于规则的面向对象特征提取方法,进行道路及居民地两类人工目标的提取。
6.一种高分数据信息提取方法,其特征在于,所述方法包括:
对遥感影像进行辐射校正、几何校正、地图基本操作和矢量栅格互操作预处理;
对预处理后的遥感影像进行海岸分类、水深探测和目标探测;
根据地理数据定制输出地图与制图元素。
7.根据权利要求6所述的方法,其特征在于,所述对预处理后的遥感影像进行海岸分类、水深探测和目标探测具体为:
对预处理后的遥感影像进行海岸带地物及海岸线分类;
对预处理后的遥感影像进行沿岸浅水深探测;
对预处理后的遥感影像进行海岸带道路居民人工目标探测。
8.根据权利要求7所述的方法,其特征在于,所述对预处理后的遥感影像进行海岸带地物及海岸线分类的方法包括:
根据海岸带地物分类类型及相应的分类方法,通过对高分辨率卫星遥感影像进行分割与特征提取处理,完成海岸带高分卫星影像海岸线地物探测及分类;先分类海岸带,根据海岸带的类别,提取海岸线。
9.根据权利要求7所述的方法,其特征在于,所述对预处理后的遥感影像进行沿岸浅水深探测的方法包括:
基于BP神经网络分类模型和半理论半经验模型,建立遥感影像多光谱波段值与水深数值的反演模型;通过对高分辨率卫星遥感影像进行辐射定标和水陆分离处理,并结合当地实测数据实现海岸带高分卫星影像沿岸浅水深探测。
10.根据权利要求7所述的方法,其特征在于,所述对预处理后的遥感影像进行海岸带道路居民人工目标探测的方法包括:
采用ENVI面向对象特征提取方法,利用高分辨率的全色和多光谱数据的空间、纹理及光谱信息对遥感图像进行分割与分类,提取道路居民地两类地物的人工目标;基于道路及居民地的光谱特性和空间特性,采用基于规则的面向对象特征提取方法,进行道路及居民地两类人工目标的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810903843.0A CN109308451A (zh) | 2018-08-09 | 2018-08-09 | 一种高分数据信息提取系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810903843.0A CN109308451A (zh) | 2018-08-09 | 2018-08-09 | 一种高分数据信息提取系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308451A true CN109308451A (zh) | 2019-02-05 |
Family
ID=65226069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810903843.0A Pending CN109308451A (zh) | 2018-08-09 | 2018-08-09 | 一种高分数据信息提取系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308451A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN111046772A (zh) * | 2019-12-05 | 2020-04-21 | 国家海洋环境监测中心 | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 |
CN112861719A (zh) * | 2021-02-08 | 2021-05-28 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113326470A (zh) * | 2021-04-11 | 2021-08-31 | 桂林理工大学 | 遥感水深反演潮高改正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859328A (zh) * | 2010-06-21 | 2010-10-13 | 哈尔滨工程大学 | 基于人工免疫网络的遥感影像关联规则挖掘方法 |
CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
CN103400533A (zh) * | 2013-08-01 | 2013-11-20 | 国家海洋局第二海洋研究所 | 一种多分辨率可扩展海岸线库的建立与调用方法 |
CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
-
2018
- 2018-08-09 CN CN201810903843.0A patent/CN109308451A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859328A (zh) * | 2010-06-21 | 2010-10-13 | 哈尔滨工程大学 | 基于人工免疫网络的遥感影像关联规则挖掘方法 |
CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
CN103400533A (zh) * | 2013-08-01 | 2013-11-20 | 国家海洋局第二海洋研究所 | 一种多分辨率可扩展海岸线库的建立与调用方法 |
CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
Non-Patent Citations (3)
Title |
---|
张振兴 等;: "《基于人工神经网络的遥感水深反演方法研究》", 《2010 INTERNATIONAL CONFERENCE ON REMOTE SENSING》 * |
曹杨 等;: "《多源遥感数据在湖泊湿地信息提取中的应用》", 《人民黄河》 * |
程乾 等;: "《基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究》", 《自然资源学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN109993237B (zh) * | 2019-04-15 | 2020-11-10 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN111046772A (zh) * | 2019-12-05 | 2020-04-21 | 国家海洋环境监测中心 | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 |
CN112861719A (zh) * | 2021-02-08 | 2021-05-28 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
CN112861719B (zh) * | 2021-02-08 | 2022-10-21 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113326470A (zh) * | 2021-04-11 | 2021-08-31 | 桂林理工大学 | 遥感水深反演潮高改正方法 |
CN113326470B (zh) * | 2021-04-11 | 2022-08-16 | 桂林理工大学 | 遥感水深反演潮高改正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
Samiappan et al. | Mapping of invasive phragmites (common reed) in Gulf of Mexico coastal wetlands using multispectral imagery and small unmanned aerial systems | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
Liu et al. | Establishing a citywide street tree inventory with street view images and computer vision techniques | |
Zhang et al. | Toward evaluating multiscale segmentations of high spatial resolution remote sensing images | |
Im et al. | An automated binary change detection model using a calibration approach | |
Chen et al. | Detecting changes in high-resolution satellite coastal imagery using an image object detection approach | |
Choi et al. | UAV-based land cover mapping technique for monitoring coastal sand dunes | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
Liu et al. | Evaluating the potential of multi-view data extraction from small Unmanned Aerial Systems (UASs) for object-based classification for Wetland land covers | |
Sefercik et al. | Contribution of normalized DSM to automatic building extraction from HR mono optical satellite imagery | |
Dawson et al. | Mapping and monitoring of the land use/cover changes in the wider area of Itanos, Crete, using very high resolution EO imagery with specific interest in archaeological sites | |
Fan et al. | Improving impervious surface estimation by using remote sensed imagery combined with open street map points-of-interest (POI) data | |
Oșlobanu et al. | Built-up area analysis using Sentinel data in metropolitan areas of Transylvania, Romania | |
He et al. | Bilinear squeeze-and-excitation network for fine-grained classification of tree species | |
Wang et al. | Object-oriented change detection method based on multi-scale and multi-feature fusion | |
Kamal et al. | Geographic object based image analysis (GEOBIA) for mangrove canopy delineation using aerial photography | |
Forghani et al. | Extracting terrain categories from multi-source satellite imagery | |
Aliyu et al. | Integrated method for classifying medium resolution satellite remotely sensed imagery into land use map | |
Karila et al. | Automatic labelling for semantic segmentation of VHR satellite images: Application of airborne laser scanner data and object-based image analysis | |
Wahyuni | Forest change analysis using OBIA approach and supervised classification a case study: Kolaka District, South East Sulawesi | |
Das | Land use/Land cover change detection: An object oriented approach, Münster, Germany | |
Kiani et al. | Design and implementation of an expert interpreter system for intelligent acquisition of spatial data from aerial or remotely sensed images | |
Łysko et al. | CCMORPH—Coastal cliffs morphology analysis toolbox |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190205 |