CN109359533A - 一种基于多波段遥感影像的海岸线提取方法 - Google Patents
一种基于多波段遥感影像的海岸线提取方法 Download PDFInfo
- Publication number
- CN109359533A CN109359533A CN201811063787.0A CN201811063787A CN109359533A CN 109359533 A CN109359533 A CN 109359533A CN 201811063787 A CN201811063787 A CN 201811063787A CN 109359533 A CN109359533 A CN 109359533A
- Authority
- CN
- China
- Prior art keywords
- pixel
- remote sensing
- color lump
- wave band
- color
- 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
- G06V20/13—Satellite images
-
- 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
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及海岸线提取技术,具体涉及一种基于多波段遥感影像的海岸线提取方法,包括以下步骤:A)导入目标区域多波段遥感影像数据;B)为每个像素点构建特征向量,将目标区域分割成为若干个色块;C)选取一个海洋水体参考点,识别海洋水体区域;D)提取步骤C获得的海洋水体区域边界,将边界作为海岸线输出。本发明的实质性效果是:将每个波段遥感图像滤波处理后进一步构建每个目标像素点的多波段光辐射能量特征向量,根据该特征向量进行色块划分和海洋水体识别,识别出的海洋水体边界即海岸线,能够有效发挥多波段遥感图像的优势,提高海岸线提取精准度。具有波段越多,提取精准度越高的特点。
Description
技术领域
本发明涉及海岸线提取技术,具体涉及一种基于多波段遥感影像的海岸线提取方法。
背景技术
海岸线是划分海洋与陆地管理区域的基准线,其变化直接改变潮间带滩涂资源量及海岸带环境,影响人民的生存和发展,被国际地理信息委员会(IGDC)定为最重要的27种地表特征之一。卫星遥感图像是卫星过顶时记录的地面、海面以及云层的某个或多个光波段感光强度的记录,其记录值表达的是该波段光辐射的能量值。多波段遥感图像能够反映不同光反射物对多个波段光的反射特性。对于物体识别,有着明显优于单波段遥感图像的效果。随着卫星技术的不断进步,多波段遥感图像得到发展。然而目前的海岸线提取方法,主要为灰度图边界寻找法,并不能很好的发挥多光谱遥感图像的优势。
中国专利CN104732215A,公开日2015年6月24日,一种基于信息向量机的遥感影像海岸线提取方法,公开了一种基于信息向量机的遥感影像海岸线提取方法,它首先获取含有海岸线信息的遥感影像,并根据遥感影像的波段信息计算归一化差值水体指数,得到NDWI影像;然后在NDWI影像上选取样本点并提取颜色、纹理特征与类别构造训练样本,训练IVM模型;再利用训练好的IVM模型自动对影像所有像元进行分类,实现遥感影像的海水与陆地的分割;最后通过灰度化与二值化的图像处理技术提取海岸线。其有益效果是显著增强了在噪声污染下海岸线提取的精度,实现了海岸线快速而准确地提取,为海岸线测量、识别与分析提供一种高效的技术手段。
发明内容
本发明要解决的技术问题是:目前的遥感图像海岸线提取技术主要针对灰度图进行边界识别和提取,不能很好的发挥多波段遥感图像的优势。提出了一种基于多波段遥感影像的将每个波段遥感图像滤波处理后进一步构建每个目标像素点的多波段光辐射能量特征向量,根据该特征向量进行色块划分和海洋水体识别,识别出的海洋水体边界即海岸线的精准度更高的更便捷的海岸线提取方法。
为解决上述技术问题,本发明所采取的技术方案为:一种基于多波段遥感影像的海岸线提取方法,包括以下步骤:A)将目标区域的多波段遥感影像数据导入到若干个二维数组中,每个二维数组存储目标区域一个波段的能量值信息,二维数组的大小与目标区域遥感影像大小相等,对导入的多波段遥感影像进行soble算子滤波处理;B)根据像素点每个波段的能量值,为每个像素点构建特征向量,根据相似性将特征向量相似的像素点归为同色,将目标区域分割成为若干个色块;C)选取一个海洋水体参考点,将该参考点所在色块以及与所在色块同色的全部色块作为海洋水体区域;D)提取步骤C获得的海洋水体区域边界,将边界作为海岸线输出。
作为优选,所述为像素点构建特征向量的方法为:B1)选取一个波段遥感图像,找到该波段遥感图像中能量值的最大值Emax;B2)以Emax/3为界限,将该波段遥感图像二值化,小于Emax/3的像素置零,大于或等于Emax/3的像素置1;B3)对每个波段遥感图像执行步骤B1~B2,将每个像素点对应的全部波段值作为该像素点的特征向量,特征向量T(x,y)=(e1,e2,…,en),其中x,y未像素点的横竖坐标值,e1~en为该像素点位置在不同波段摇杆图像中的二值化后的值,n为波段数量。
作为优选,将目标区域分割成为若干个色块的方法包括以下步骤:BB1)设定相似度阈值K,若两个相邻像素的特征向量的余弦距离L小于阈值K,则该两个像素视为同色;BB2)使用种子生长法,将全部像素点进行色块划分,生成一张由若干个色块分隔的尺寸与目标区域遥感图像相同的色块图;BB3)若所述色块图中存在色块中的像素的特征向量的元素值均为0或均为1,则将该色块融入到其包围色块中;BB4)若不存在包围色块,则将该色块全部像素点的多波段能量值分别作均值化处理,并分别将与该色块相邻的色块全部像素点的多波段能量值分别作均值化处理,将与该色块均值化后的多波段能量值最接近的色块视为包围色块。
作为优选,所述选取海洋水体参考点的方包括以下步骤:C1)获取全部波段的频率信息,取与可见蓝光中心频率最接近的波段遥感图像;C2)提取该波段遥感图像中能量值的最大值Emax,获取该波段遥感图像中能量值大于Emax/3的像素点,作为样本像素点集,求取样本像素点集能量值的均值;C3)将样本像素点集中能量值最接近所述均值的像素点作为海洋水体的参考点。
作为优选,使用种子生长法划分色块的方法包括以下步骤:E1)建立一张与目标区域大小形同的三维数组,存储已分块的像素点位置坐标以及色块类别,初始化色块类别值r0,建立待检测二维数组,从任意一个像素点位置(x,y)作为起始位置;E2)将(x,y,r0)添加到步骤E1建立的三维数组,将与像素点位置(x,y)相邻的四个像素位置添加到待检测二维数组中,从待检测二维数组中取出第一个元素值,检测该元素值对应像素的特征向量与位置(x,y)像素的特征向量是否相等,若相等,则将与该位置像素相邻的四个像素位置里未被步骤E1建立的三维数组存储的位置坐标添加到待检测二维数组,将该位置像素的位置坐标以及r0作为元素存储到步骤E1建立的三维数组中,若不相等则将该像素位置从待检测二维数组中移除;E3)重复步骤E2直到待检测二维数组为空,判断步骤E1建立的三维数组记录的像素位置是否覆盖目标区域,若是,则结束本流程,若否,则从未被步骤E1建立的三维数组存储的剩余像素位置选取任一像素位置作为起始位置,将色块类别值加1,重新执行步骤E2~E3;E4)将所述三维数组中色块类别值相同的元素所记录的位置集合作为一个色块,将目标区域划分成若干个色块。
作为优选,所述使用种子生长法划分色块的方法还包括步骤E5)将所述若干个色块依次两两检测,从所述两个色块中分别选取若干个像素点对,检测所述像素点对对应的特征值是否相等,若特征值相等的像素点对大于特征值不相等的像素点对,则将所述两个色块视为同色,将所述两个色块的色块类别值置为相等值。
作为优选,执行步骤B之前依次对每个波段的遥感图像数据进行soble算子滤波处理。
本发明的实质性效果是:将每个波段遥感图像滤波处理后进一步构建每个目标像素点的多波段光辐射能量特征向量,根据该特征向量进行色块划分和海洋水体识别,识别出的海洋水体边界即海岸线,能够有效发挥多波段遥感图像的优势,提高海岸线提取精准度。具有波段越多,提取精准度越高的特点。
附图说明
图1为本发明海岸线提取方法流程框图。
图2为本发明像素点构建特征向量方法流程框图。
图3为本发明色块分割方法流程框图。
图4为本发明选取海洋水体参考点方法流程框图。
图5为使用种子生长法划分色块方法流程框图。
图6为示例卫星遥感图像。
图7为进行色块划分后的图像。
图8为边界提取结果。
图9为部分边界放大图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
如图1所示,为本发明海岸线提取方法流程框图,包括以下步骤:A)将目标区域的多波段遥感影像数据导入到若干个二维数组中,每个二维数组存储目标区域一个波段的能量值信息,二维数组的大小与目标区域遥感影像大小相等,对导入的多波段遥感影像依次进行soble算子滤波处理;B)根据像素点每个波段的能量值,为每个像素点构建特征向量,根据相似性将特征向量相似的像素点归为同色,将目标区域分割成为若干个色块;C)选取一个海洋水体参考点,将该参考点所在色块以及与所在色块同色的全部色块作为海洋水体区域;D)提取步骤C获得的海洋水体区域边界,将边界作为海岸线输出。如图6所示,为示例卫星遥感图像,该卫星遥感图像为多波段卫星遥感图像合成后的真彩色图的灰度图,实施本专利时则无需合成真彩色图,直接导入不同波段遥感图像。
如图2所示,为本发明像素点构建特征向量方法流程框图,包括以下步骤:B1)选取一个波段遥感图像,找到该波段遥感图像中能量值的最大值Emax;B2)以Emax/3为界限,将该波段遥感图像二值化,小于Emax/3的像素置零,大于或等于Emax/3的像素置1;B3)对每个波段遥感图像执行步骤B1~B2,将每个像素点对应的全部波段值作为该像素点的特征向量,特征向量T(x,y)=(e1,e2,…,en),其中x,y未像素点的横竖坐标值,e1~en为该像素点位置在不同波段摇杆图像中的二值化后的值,n为波段数量。
如图3所述,为本发明色块分割方法流程框图,包括以下步骤:BB1)设定相似度阈值K,若两个相邻像素的特征向量的余弦距离L小于阈值K,则该两个像素视为同色;BB2)使用种子生长法,将全部像素点进行色块划分,生成一张由若干个色块分隔的尺寸与目标区域遥感图像相同的色块图;BB3)若色块图中存在色块中的像素的特征向量的元素值均为0或均为1,则将该色块融入到其包围色块中;BB4)若不存在包围色块,则将该色块全部像素点的多波段能量值分别作均值化处理,并分别将与该色块相邻的色块全部像素点的多波段能量值分别作均值化处理,将与该色块均值化后的多波段能量值最接近的色块视为包围色块。如图7所示,为对示例卫星遥感图像,进行色块划分后的图像结果,可见对海水水面区域的识别效果比较好,因为海水对于光线的反射具有区别于陆地以及植被较明显的特征。识别出水体区域后对水体区域进行边界提取,如图8所示。图9为部分边界放大图,可见本发明方法能够识别微小的水陆交界线,具有更精准的识别效果。
如图4所示,为本发明选取海洋水体参考点方法流程框图,选取海洋水体参考点的方包括以下步骤:C1)获取全部波段的频率信息,取与可见蓝光中心频率最接近的波段遥感图像;C2)提取该波段遥感图像中能量值的最大值Emax,获取该波段遥感图像中能量值大于Emax/3的像素点,作为样本像素点集,求取样本像素点集能量值的均值;C3)将样本像素点集中能量值最接近均值的像素点作为海洋水体的参考点。
如图5所示,为使用种子生长法划分色块方法流程框图,包括以下步骤:E1)建立一张与目标区域大小形同的三维数组,存储已分块的像素点位置坐标以及色块类别,初始化色块类别值r0,建立待检测二维数组,从任意一个像素点位置(x,y)作为起始位置;E2)将(x,y,r0)添加到步骤E1建立的三维数组,将与像素点位置(x,y)相邻的四个像素位置添加到待检测二维数组中,从待检测二维数组中取出第一个像素,检测该像素的特征向量与位置(x,y)像素的特征向量是否相等,若相等,则将与该位置像素相邻的四个像素位置里未被步骤E1建立的三维数组存储的位置坐标添加到待检测二维数组,将该位置像素的位置坐标以及r0作为元素存储到步骤E1建立的三维数组中,若不相等则将该像素位置从待检测二维数组中移除;E3)重复步骤E2直到待检测二维数组为空,判断步骤E1建立的三维数组记录的像素位置是否覆盖目标区域,若是,则结束本流程,若否,则从未被步骤E1建立的三维数组存储的剩余像素位置选取任一像素位置作为起始位置,将色块类别值加1,重新执行步骤E2~E3;E4)将三维数组中色块类别值相同的元素所记录的位置集合作为一个色块,将目标区域划分成若干个色块;E5)将若干个色块依次两两检测,从两个色块中分别选取若干个像素点对,检测像素点对对应的特征值是否相等,若特征值相等的像素点对大于特征值不相等的像素点对,则将两个色块视为同色,将两个色块的色块类别值置为相等值。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (9)
1.一种基于多波段遥感影像的海岸线提取方法,其特征在于,
包括以下步骤:
A)将目标区域的多波段遥感影像数据导入到若干个二维数组中,每个二维数组存储目标区域一个波段的能量值信息,二维数组的大小与目标区域遥感影像大小相等;
B)根据像素点每个波段的能量值,为每个像素点构建特征向量,根据相似性将特征向量相似的像素点归为同色,将目标区域分割成为若干个色块;
C)选取一个海洋水体参考点,将该参考点所在色块以及与所在色块同色的全部色块作为海洋水体区域;
D)提取步骤C获得的海洋水体区域边界,将边界作为海岸线输出。
2.根据权利要求1所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
所述为像素点构建特征向量的方法为:
B1)选取一个波段遥感图像,找到该波段遥感图像中能量值的最大值Emax;
B2)以Emax/3为界限,将该波段遥感图像二值化,小于Emax/3的像素置零,大于或等于Emax/3的像素置1;
B3)对每个波段遥感图像执行步骤B1~B2,将每个像素点对应的全部波段值作为该像素点的特征向量,特征向量T(x,y)=(e1,e2,…,en),其中x,y未像素点的横竖坐标值,e1~en为该像素点位置在不同波段摇杆图像中的二值化后的值,n为波段数量。
3.根据权利要求1或2所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
将目标区域分割成为若干个色块的方法包括以下步骤:
BB1)设定相似度阈值K,若两个相邻像素的特征向量的余弦距离L小于阈值K,则该两个像素视为同色;
BB2)使用种子生长法,将全部像素点进行色块划分,生成一张由若干个色块分隔的尺寸与目标区域遥感图像相同的色块图;
BB3)若所述色块图中存在色块中的像素的特征向量的元素值均为0或均为1,则将该色块融入到其包围色块中;
BB4)若不存在包围色块,则将该色块全部像素点的多波段能量值分别作均值化处理,并分别将与该色块相邻的色块全部像素点的多波段能量值分别作均值化处理,将与该色块均值化后的多波段能量值最接近的色块视为包围色块。
4.根据权利要求1或2所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
所述选取海洋水体参考点的方包括以下步骤:
C1)获取全部波段的频率信息,取与可见蓝光中心频率最接近的波段遥感图像;
C2)提取该波段遥感图像中能量值的最大值Emax,获取该波段遥感图像中能量值大于Emax/3的像素点,作为样本像素点集,求取样本像素点集能量值的均值;
C3)将样本像素点集中能量值最接近所述均值的像素点作为海洋水体的参考点。
5.根据权利要求3所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
所述选取海洋水体参考点的方包括以下步骤:
C1)获取全部波段的频率信息,取与可见蓝光中心频率最接近的波段遥感图像;
C2)提取该波段遥感图像中能量值的最大值Emax,获取该波段遥感图像中能量值大于Emax/3的像素点,作为样本像素点集,求取样本像素点集能量值的均值;
C3)将样本像素点集中能量值最接近所述均值的像素点作为海洋水体的参考点。
6.根据权利要求3所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
使用种子生长法划分色块的方法包括以下步骤:
E1)建立一张与目标区域大小形同的三维数组,存储已分块的像素点位置坐标以及色块类别,初始化色块类别值r0,建立待检测二维数组,从任意一个像素点位置(x,y)作为起始位置;
E2)将(x,y,r0)添加到步骤E1建立的三维数组,将与像素点位置(x,y)相邻的四个像素位置添加到待检测二维数组中,从待检测二维数组中取出第一个像素,检测该像素的特征向量与位置(x,y)像素的特征向量是否相等,若相等,则将与该位置像素相邻的四个像素位置里未被步骤E1建立的三维数组存储的位置坐标添加到待检测二维数组,将该位置像素的位置坐标以及r0作为元素存储到步骤E1建立的三维数组中,将该像素位置从待检测二维数组中移除;
E3)重复步骤E2直到待检测二维数组为空,判断步骤E1建立的三维数组记录的像素位置是否覆盖目标区域,若是,则结束本流程,若否,则从未被步骤E1建立的三维数组存储的剩余像素位置选取任一像素位置作为起始位置,将色块类别值加1,重新执行步骤E2~E3;
E4)将所述三维数组中色块类别值相同的元素所记录的位置集合作为一个色块,将目标区域划分成若干个色块。
7.根据权利要求5所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
所述使用种子生长法划分色块的方法还包括步骤E5)将所述若干个色块依次两两检测,从所述两个色块中分别选取若干个像素点对,检测所述像素点对对应的特征值是否相等,若特征值相等的像素点对大于特征值不相等的像素点对,则将所述两个色块视为同色,将所述两个色块的色块类别值置为相等值。
8.根据权利要求1或2所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
执行步骤B之前依次对每个波段的遥感图像数据进行soble算子滤波处理。
9.根据权利要求3所述的一种基于多波段遥感影像的海岸线提取方法,其特征在于,
执行步骤B之前依次对每个波段的遥感图像数据进行soble算子滤波处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063787.0A CN109359533B (zh) | 2018-09-12 | 2018-09-12 | 一种基于多波段遥感影像的海岸线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063787.0A CN109359533B (zh) | 2018-09-12 | 2018-09-12 | 一种基于多波段遥感影像的海岸线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359533A true CN109359533A (zh) | 2019-02-19 |
CN109359533B CN109359533B (zh) | 2021-06-18 |
Family
ID=65351021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811063787.0A Active CN109359533B (zh) | 2018-09-12 | 2018-09-12 | 一种基于多波段遥感影像的海岸线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359533B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443821A (zh) * | 2019-07-09 | 2019-11-12 | 成都理工大学 | 基于图像的水体检测方法及水体检测装置 |
CN110765941A (zh) * | 2019-10-23 | 2020-02-07 | 张学玲 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN111178230A (zh) * | 2019-12-26 | 2020-05-19 | 武汉大学 | 一种遥感影像内河洲滩智能化提取方法 |
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和系统 |
CN112967338A (zh) * | 2019-12-13 | 2021-06-15 | 宏达国际电子股份有限公司 | 影像处理系统及影像处理方法 |
CN113155860A (zh) * | 2020-12-17 | 2021-07-23 | 华能澜沧江水电股份有限公司 | 一种基于流态视频监测的过水建筑物结构损伤诊断方法及系统 |
CN112967338B (zh) * | 2019-12-13 | 2024-05-31 | 宏达国际电子股份有限公司 | 影像处理系统及影像处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546431A (zh) * | 2009-05-07 | 2009-09-30 | 同济大学 | 基于序列非线性滤波的遥感影像水体专题信息提取方法 |
CN103106655A (zh) * | 2013-01-15 | 2013-05-15 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的建设工地非监督提取方法 |
CN104156964A (zh) * | 2014-08-14 | 2014-11-19 | 陈荣元 | 一种综合mrf和贝叶斯网络的遥感影像区域分割方法 |
CN105139015A (zh) * | 2015-07-24 | 2015-12-09 | 河海大学 | 一种遥感图像水体提取方法 |
CN106023133A (zh) * | 2016-04-26 | 2016-10-12 | 武汉大学 | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 |
WO2017049204A1 (en) * | 2015-09-18 | 2017-03-23 | SlantRange, Inc. | Systems and methods for determining statistics of plant populations based on overhead optical measurements |
CN106971396A (zh) * | 2017-03-10 | 2017-07-21 | 中国科学院遥感与数字地球研究所 | 基于超像素的冰盖冻融探测方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
-
2018
- 2018-09-12 CN CN201811063787.0A patent/CN109359533B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546431A (zh) * | 2009-05-07 | 2009-09-30 | 同济大学 | 基于序列非线性滤波的遥感影像水体专题信息提取方法 |
CN103106655A (zh) * | 2013-01-15 | 2013-05-15 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的建设工地非监督提取方法 |
CN104156964A (zh) * | 2014-08-14 | 2014-11-19 | 陈荣元 | 一种综合mrf和贝叶斯网络的遥感影像区域分割方法 |
CN105139015A (zh) * | 2015-07-24 | 2015-12-09 | 河海大学 | 一种遥感图像水体提取方法 |
WO2017049204A1 (en) * | 2015-09-18 | 2017-03-23 | SlantRange, Inc. | Systems and methods for determining statistics of plant populations based on overhead optical measurements |
CN106023133A (zh) * | 2016-04-26 | 2016-10-12 | 武汉大学 | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 |
CN106971396A (zh) * | 2017-03-10 | 2017-07-21 | 中国科学院遥感与数字地球研究所 | 基于超像素的冰盖冻融探测方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443821A (zh) * | 2019-07-09 | 2019-11-12 | 成都理工大学 | 基于图像的水体检测方法及水体检测装置 |
CN110443821B (zh) * | 2019-07-09 | 2023-05-05 | 成都理工大学 | 基于图像的水体检测方法及水体检测装置 |
CN110765941A (zh) * | 2019-10-23 | 2020-02-07 | 张学玲 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN112967338A (zh) * | 2019-12-13 | 2021-06-15 | 宏达国际电子股份有限公司 | 影像处理系统及影像处理方法 |
CN112967338B (zh) * | 2019-12-13 | 2024-05-31 | 宏达国际电子股份有限公司 | 影像处理系统及影像处理方法 |
CN111178230A (zh) * | 2019-12-26 | 2020-05-19 | 武汉大学 | 一种遥感影像内河洲滩智能化提取方法 |
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和系统 |
CN111915625B (zh) * | 2020-08-13 | 2021-04-13 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和系统 |
CN113155860A (zh) * | 2020-12-17 | 2021-07-23 | 华能澜沧江水电股份有限公司 | 一种基于流态视频监测的过水建筑物结构损伤诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109359533B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN109086824A (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
CN111860336B (zh) | 基于位置感知的高分辨遥感图像倾斜船舶目标检测方法 | |
CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
CN103984946B (zh) | 一种基于K‑means的高分辨率遥感地图道路提取方法 | |
CN104463193B (zh) | 基于深度稀疏ica的极化sar图像分类方法 | |
CN105447274B (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
CN110414509B (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN113971769B (zh) | 基于多源大数据的海岸带地域功能长时序识别方法 | |
Liu et al. | Aquaculture area extraction and vulnerability assessment in Sanduao based on richer convolutional features network model | |
Malof et al. | Image features for pixel-wise detection of solar photovoltaic arrays in aerial imagery using a random forest classifier | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN107504923A (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
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 | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN114627367B (zh) | 一种侧扫声呐图像的海底线探测方法 | |
CN109840496A (zh) | 海水养殖区分层分类提取方法、装置、存储介质及电子设备 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN102567726A (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN114743103A (zh) | 基于Deeplabv3+网络模型的海岛礁遥感影像地质分类方法 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN108765440A (zh) | 一种单极化sar图像的线引导超像素海岸线提取方法 |
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 |