CN109409265A - 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 - Google Patents
一种基于陆地资源卫星影像的浮筏养殖区域提取方法 Download PDFInfo
- Publication number
- CN109409265A CN109409265A CN201811197060.1A CN201811197060A CN109409265A CN 109409265 A CN109409265 A CN 109409265A CN 201811197060 A CN201811197060 A CN 201811197060A CN 109409265 A CN109409265 A CN 109409265A
- Authority
- CN
- China
- Prior art keywords
- patch
- potential
- ndvi
- feature
- area
- 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
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于陆地资源卫星影像的浮筏养殖区域提取方法,其特征在于,包括以下步骤:1)在遥感影像分割的基础上,利用NDWI指数,提取遥感影像中的水体区域;2)在水体区域小尺度分割的基础上,利用NDVI视觉显著特征,提取潜在养殖区域P1;3)计算潜在养殖区域P1中斑块的边缘重叠度,对P1进一步筛选,获取更为精确的潜在养殖区P2;4)计算潜在养殖区P2中斑块的相对宽度,对P2进一步筛选,获取最终提取结果。本发明的方法NDVI视觉显著特征的基础上,利用养殖区边缘特征显著的特点,引入边缘重叠度的概念,实现了陆地资源卫星影像中的筏式养殖区域的高精度提取。
Description
技术领域
本发明属于数字图像处理技术领域,特别涉及一种基于陆地资源卫星影像的浮筏养殖区域提取方法。
背景技术
利用遥感影像进行目标提取是目前遥感领域较为广泛的应用之一。近海养殖可以为沿海商业带来巨大的经济效益,但是与此同时如果过度养殖将会对海洋的生态环境造成严重影响,因此迫切需要一种快速高效的提取方法对近海养殖区域进行监测,这对合理开发海洋资源和保护海洋生态环境具有十分重要的意义。传统的浮筏养殖区域提取方法主要是依据个人经验和对历史数据的分析来提供决策意见,这种方法存在一定程度的局限性和风险性。卫星遥感数据监测范围广、获取时间短、地物信息丰富,可以更加宏观并且快速实时的监测近海浮筏养殖信息。因此,采用陆地资源卫星影像对近海浮筏养殖区域的提取,能够为政府决策、数据更新提供基础数据支持。
目前针对浮筏养殖区的提取方法主要有以下几种:(1)目视解译,这种方法虽然精度较高,但是对解译人员的要求较高,并且耗时费力;(2)比值指数分析法,此方法充分利用遥感影像的光谱信息,但是当部分养殖区在光谱上与深海水域接近或是当深海水域光谱并非均一时,会导致错分,无法消除椒盐噪声;(3)对比分析纹理信息,该方法对图像的质量要求较高,无法解决“异物同谱”和“异物同纹理”;(4)空间结构分析的信息提取,该方法针对的是高分影像,但是难以适用中等分辨率的陆地资源卫星影像。当前精度较高的养殖区域提取方法是基于显著性特征增强的NDVI养殖区提取方法(Zhihua Wang,Xiaomei Yang,Yueming Liu,and Chen Lu.”Extraction of coastal raft cultivation area withheterogeneous water background by thresholding object-based visually salientNDVI from high spatial resolution imagery.”Remote Sensing Letters,9:9,839-846.doi:10.1080/2150704X.2018.1468103.)和基于养殖区域矩形形状的方法(Wang Min,Qi Cui,Jie Wang,Dongping Ming,and Guonian Lv.2017.”Raft cultivation areaextraction from high resolution remote sensing imagery by fusing multi-scaleregion-line primitive association features.”Isprs Journal of Photogrammetry&Remote Sensing 123:104-13.doi:10.1016/j.isprsjprs.2016.10.008.)。Zhihua Wang提出的方法针对的是高分影像,并且在筏式养殖区提取时只考虑影像的光谱信息,而忽视边缘线特征,导致错提的较多;Wang Min提出的方法主要是利用2米及以下的高分影像内的直线特征,而对于空间分辨率为15m-30m的陆地资源卫星,难以提取养殖区内部直线特征。在卫星影像中相对于灰度而言,边缘特征更为稳定,但是粗略定位的边缘线与实际的浮筏养殖区边界往往有一定的距离(约1~2个象素),且边缘检测结果不理想的情况下,边缘线段间的间隙造成浮筏养殖区域的丢失,视觉注意模型与边缘线相结合目的即在于根据粗略的边缘线和遥感图像的显著性特征对浮筏养殖区进行精确定位。
对中外文献进行检索,现有技术中没有采用视觉注意模型与边缘线特征相结合的基于陆地资源卫星影像的浮伐养殖区高精度提取方法。
发明内容
针对上述问题,本发明提出一种基于陆地资源卫星影像的浮筏养殖区域提取方法,该方法在利用浮筏养殖目标NDVI视觉显著度特征较高的基础上,利用浮筏养殖区边边缘特征显著的特点,通过计算重叠度对初始提取结果进一步筛选,进而实现浮筏养殖区域的高精度提取。
本发明的具体技术方案是一种基于陆地资源卫星影像的浮筏养殖区域提取方法,其特征在于,包括以下步骤:
1)在遥感影像分割的基础上,利用NDWI指数,提取遥感影像中的水体区域;
2)在水体区域小尺度分割的基础上,利用NDVI视觉显著特征,提取潜在养殖区域P1;
3)计算潜在养殖区域P1中斑块的边缘重叠度,对P1进一步筛选,获取更为精确的潜在养殖区P2;
4)计算潜在养殖区P2中斑块的相对宽度,对P2进一步筛选,获取最终提取结果。
更进一步地,所述的步骤1)中在大尺度遥感影像分割的基础上,利用NDWI指数,提取遥感影像中的水体的具体方法是,
1.1)对遥感影像进行图像分割,分割算法为eCognition软件中的Multiresolution Segmentation算法或SLIC超像素分割算法;
1.2)按下式(I)计算每一个斑块的归一化水体指数NDWI,
其中,G为当前计算斑块的绿波段均值,NIR为当前计算斑块的近红外波段均值;
1.3)人工设置阈值T1或者根据OTSU方法自动获取阈值T1,将NDWI大于T1的标记为水体区域,其它为陆地。
更进一步地,所述的步骤2)中在水体区域小尺度分割的基础上,利用NDVI视觉显著特征,提取潜在养殖区P1的具体方法是,
2.1)对水体区域进行影像小尺度分割;
2.2)按下式(II)计算水体区域中每一个斑块的NDVI特征,
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值。
2.3)按下式(III),计算当前斑块的NDVI显著特征,
其中,Oc是计算NDVI显著度的当前斑块,N(Oc)是当前斑块的所有相邻斑块的集合,B(Oc,Oj)是斑块Oc与其相邻斑块Oj的公共边长,表示当前斑块Oc的NDVI,其NDVI显著特征是
2.4)人工设置阈值T2或者根据OTSU方法自动获取阈值T2,将SO(NDVI)大于T2的标记为潜在养殖区P1,其它为非养殖区。
更进一步地,所述的步骤3)中计算潜在养殖区域P1中斑块的边缘重叠度,对P1进一步筛选,获取更为精确的潜在养殖区P2的具体方法是,
3.1)使用边缘检测算法,例如Sobel算子、Canny算子,提取水体区域内的边缘特征图E,即由0和1组成的二维矩阵,其中1表示边缘像素;
3.2)对其按下式(IV)对边缘特征图E进行卷积操作,获取边缘概率密度图Eg,
其中,符号是卷积运算,(x,y)表示像素的坐标,G(x,y)是高斯函数,具体如下式(V),
其中σ是控制高斯函数G(x,y)的作用范围的标准差参数;
3.3)按照下式(VI)获取潜在区域P1中每个斑块的边缘像素集合,
其中Oc表示当前待处理斑块,Bc表示Oc的边缘像素集合,p表示Oc中的任一个像素,N4(p)表示像素p的四邻域像素集,q表示N4(p)中的一个像素。
3.4)按照下式(VII)计算斑块的边缘重叠度,
其中Rc表示当前计算的斑块Oc的边缘重叠度,p是斑块Oc的边缘像素集合Bc的一个像素,即(x,y)构成的一个坐标对,|Bc|表示Bc的像素个数;
3.5)人工设置阈值T3或者根据OTSU方法自动获取阈值T3,将Rc大于T3的标记为潜在养殖区P2,其它为非养殖区。
更进一步地,所述的步骤4)中计算潜在养殖区P2中斑块的相对宽度,对P2进一步筛选,获取最终提取结果,具体方法是,
4.1)按式(VIII)计算当前待处理斑块的相对宽度,
其中,A是由像素个数表示的当前待处理斑块Oc的面积,|Bc|表示Oc的边缘像素集合的元素个数;
4.2)将实际中养殖区斑块的标准宽度的150%设定为阈值T4,将区域P2中斑块宽度W大于T4的设置为非养殖区,其它为最终养殖区。
本发明的有益效果是:本发明的方法在NDVI视觉显著特征的基础上,引入边缘重叠度的概念,进而通过该特征将基于NDVI视觉显著度特征的养殖区初始提取结果进一步提升精度,最终通过相对宽度再次提升提取精度。
本发明对近海浮筏养殖,包括呈长条带状、矩形带状的海水养殖,具有较好的鲁棒性,并具有在大区域提取时海水背景复杂情况下的精确提取能力。
附图说明
图1为本发明的基于高分遥感影像的筏式海水养殖提取提取方法的流程图;
图2为本发明一个具体实施例采用的陆地资源卫星遥感影像;
图3为具体实施例中基于NDWI分离的水体和陆地结果图;
图4是具体实施例中基于NDVI显著特征图提取的潜在养殖区P1;
图5是具体实施例中水体区域的边缘检测结果;
图6是具体实施例中边缘概率密度图;
图7是具体实施例中基于边缘概率密度图的潜在养殖区P2;
图8是具体实施例中经过相对宽度再次筛选的最终提取结果。
具体实施方式
下面结合说明书附图对本发明的具体技术方案作进一步地描述。
采用本发明的方法进行处理的原始陆地资源卫星遥感影像多光谱分辨率达30米,全色波段分辨率达15米,图像尺寸为1025行×1025列,含有九个波段,分别是气溶胶波段(0.43-0.45μm),蓝波段(0.45-0.51μm),绿波段(0.53-0.59μm),红波段(0.64-0.67μm),近红外波段(0.85-0.88μm),短红外波段1(1.57-1.65μm),短红外波段2(2.11-2.29μm),全色波段(0.50-0.68μm),卷云波段(1.36-1.38μm)。待提取的目标是近海浮筏养殖区域。如附图2所示。
如图1所示,本发明的基于高分遥感影像的筏式海水养殖提取提取方法的具体步骤如下:
1.1)对遥感影像进行图像分割,分割算法为eCognition软件中的Multiresolution Segmentation算法或SLIC超像素分割算法,分割尺度参数设置为300;
1.2)按下式(I)计算每一个斑块的归一化水体指数NDWI,
其中,G为当前计算斑块的绿波段均值,NIR为当前计算斑块的近红外波段均值;
1.3)人工设置阈值T1=0,将NDWI大于T1的标记为水体区域,其它为陆地,结果如附图3所示。
2.1)对水体区域进行影像小尺度分割,分割参数设置为20;
2.2)按下式(II)计算水体区域中每一个斑块的NDVI特征,
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值。
2.3)按下式(III),计算当前斑块的NDVI显著特征,
其中,Oc是计算NDVI显著度的当前斑块,N(Oc)是当前斑块的所有相邻斑块的集合,B(Oc,Oj)是斑块Oc与其相邻斑块Oj的公共边长,表示当前斑块Oc的NDVI,其NDVI显著特征是
2.4)人工设置阈值T2=0,将SO(NDVI)大于T2的标记为潜在养殖区P1,其它为非养殖区,如附图4所示。
3.1)使用边缘检测算法,本实施例中使用Canny算子,提取水体区域内的边缘特征图E,如附图5所示;
3.2)对其按下式(IV)对边缘特征图E进行卷积操作,获取边缘概率密度图Eg,如附图6所示,
其中,符号是卷积运算,(x,y)表示像素的坐标,G(x,y)是高斯函数,具体如下式(V),
其中σ是控制高斯函数G(x,y)的作用范围的标准差参数,本实施例中设置为1;
3.3)按照下式(VI)获取潜在区域P1中每个斑块的边缘像素集合,
其中Oc表示当前待处理斑块,Bc表示Oc的边缘像素集合,p表示Oc中的任一个像素,N4(p)表示像素p的四邻域像素集,q表示N4(p)中的一个像素。
3.4)按照下式(VII)计算斑块的边缘重叠度,
其中Rc表示当前计算的斑块Oc的边缘重叠度,p是斑块Oc的边缘像素集合Bc的一个像素,即(x,y)构成的一个坐标对,|Bc|表示Bc的像素个数;
3.5)人工设置阈值T3=0.15,将Rc大于T3的标记为潜在养殖区P2,其它为非养殖区,如附图7所示。
4.1)按式(VIII)计算当前待处理斑块的相对宽度,
其中,A是由像素个数表示的当前待处理斑块Oc的面积,|Bc|表示Oc的边缘像素集合的元素个数;
4.2)将实际中养殖区斑块的标准宽度的150%设定为阈值T4,将区域P2中斑块宽度W大于T4的设置为非养殖区,其它为最终养殖区,如附图8所示。
本发明方法在NDVI视觉显著度特征的基础上,引入边缘重叠度的概念,对初始提取结果进一步筛选,同时利用相对宽度对结果再次筛选,对比附图4、7和8,可以发现本发明方法比NDVI视觉显著度特定具有明显优势,能够更高精度的提取筏式海水养殖区。
显然,所描述的实施例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。
Claims (5)
1.一种基于陆地资源卫星影像的浮筏养殖区域提取方法,其特征在于,包括以下步骤:
1)在遥感影像分割的基础上,利用NDWI指数,提取遥感影像中的水体区域;
2)在水体区域小尺度分割的基础上,利用NDVI视觉显著特征,提取潜在养殖区域P1;
3)计算潜在养殖区域P1中斑块的边缘重叠度,对P1进一步筛选,获取更为精确的潜在养殖区P2;
4)计算潜在养殖区P2中斑块的相对宽度,对P2进一步筛选,获取最终提取结果。
2.如权利要求1所述的一种基于陆地资源卫星影像的浮筏养殖区域提取方法,其特征在于,所述的步骤1)中在遥感影像分割的基础上,利用NDWI指数,提取遥感影像中的水体区域的具体方法是,
1.1)对遥感影像进行图像分割,分割算法为eCognition软件中的MultiresolutionSegmentation算法或SLIC超像素分割算法;
1.2)按下式(I)计算每一个斑块的归一化水体指数NDWI,
其中,G为当前计算斑块的绿波段均值,NIR为当前计算斑块的近红外波段均值;
1.3)人工设置阈值T1或者根据OTSU方法自动获取阈值T1,将NDWI大于T1的标记为水体区域,其它为陆地。
3.如权利要求1所述的一种基于陆地资源卫星影像的浮筏养殖区域提取方法,其特征在于,所述的步骤2)中在水体区域小尺度分割的基础上,利用NDVI视觉显著特征,提取潜在养殖区P1的具体方法是,
2.1)对水体区域进行影像小尺度分割;
2.2)按下式(II)计算水体区域中每一个斑块的NDVI特征,
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值。
2.3)按下式(III),计算当前斑块的NDVI显著特征,
其中,Oc是计算NDVI显著度的当前斑块,N(Oc)是当前斑块的所有相邻斑块的集合,B(Oc,Oj)是斑块Oc与其相邻斑块Oj的公共边长,表示当前斑块Oc的NDVI,其NDVI显著特征是
2.4)人工设置阈值T2或者根据OTSU方法自动获取阈值T2,将SO(NDVI)大于T2的标记为潜在养殖区P1,其它为非养殖区。
4.如权利要求1所述的一种基于陆地资源卫星影像的浮筏养殖区域提取方法,其特征在于,所述的步骤3)中计算潜在养殖区域P1中斑块的边缘重叠度,对P1进一步筛选,获取更为精确的潜在养殖区P2的具体方法是,
3.1)使用边缘检测算法,例如Sobel算子、Canny算子,提取水体区域内的边缘特征图E,即由0和1组成的二维矩阵,其中1表示边缘像素;
3.2)对其按下式(IV)对边缘特征图E进行卷积操作,获取边缘概率密度图Eg,
其中,符号是卷积运算,(x,y)表示像素的坐标,G(x,y)是高斯函数,具体如下式(V),
其中σ是控制高斯函数G(x,y)的作用范围的标准差参数;
3.3)按照下式(VI)获取潜在区域P1中每个斑块的边缘像素集合,
其中Oc表示当前待处理斑块,Bc表示Oc的边缘像素集合,p表示Oc中的任一个像素,N4(p)表示像素p的四邻域像素集,q表示N4(p)中的一个像素。
3.4)按照下式(VII)计算斑块的边缘重叠度,
其中Rc表示当前计算的斑块Oc的边缘重叠度,p是斑块Oc的边缘像素集合Bc的一个像素,即(x,y)构成的一个坐标对,|Bc|表示Bc的像素个数;
3.5)人工设置阈值T3或者根据OTSU方法自动获取阈值T3,将Rc大于T3的标记为潜在养殖区P2,其它为非养殖区。
5.如权利要求1所述的一种基于陆地资源卫星影像的浮筏养殖区域提取方法,其特征在于,所述的步骤4)中计算潜在养殖区P2中斑块的相对宽度,对P2进一步筛选,获取最终提取结果,具体方法是,
4.1)按式(VIII)计算当前待处理斑块的相对宽度,
其中,A是由像素个数表示的当前待处理斑块Oc的面积,|Bc|表示Oc的边缘像素集合的元素个数;
4.2)将实际中养殖区斑块的标准宽度的150%设定为阈值T4,将区域P2中斑块宽度W大于T4的设置为非养殖区,其它为最终养殖区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197060.1A CN109409265B (zh) | 2018-10-15 | 2018-10-15 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197060.1A CN109409265B (zh) | 2018-10-15 | 2018-10-15 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409265A true CN109409265A (zh) | 2019-03-01 |
CN109409265B CN109409265B (zh) | 2021-05-18 |
Family
ID=65467968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811197060.1A Active CN109409265B (zh) | 2018-10-15 | 2018-10-15 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409265B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN112989940A (zh) * | 2021-02-08 | 2021-06-18 | 国家海洋环境监测中心 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
CN113420780A (zh) * | 2021-05-24 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种遥感时空谱特征融合的养殖池提取方法 |
CN116824157A (zh) * | 2023-06-30 | 2023-09-29 | 中国科学院空天信息创新研究院 | 采样点确定、遥感产品真实性校验方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095899A (zh) * | 2015-08-23 | 2015-11-25 | 华南理工大学 | 一种图片中相关文本的自动框选方法 |
CN107909083A (zh) * | 2017-11-10 | 2018-04-13 | 中国科学院地理科学与资源研究所 | 一种基于轮廓匹配优化的矩形检测提取方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
-
2018
- 2018-10-15 CN CN201811197060.1A patent/CN109409265B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095899A (zh) * | 2015-08-23 | 2015-11-25 | 华南理工大学 | 一种图片中相关文本的自动框选方法 |
CN107909083A (zh) * | 2017-11-10 | 2018-04-13 | 中国科学院地理科学与资源研究所 | 一种基于轮廓匹配优化的矩形检测提取方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
Non-Patent Citations (3)
Title |
---|
JIANQIANG REN 等: "《REGIONAL YIELD PREDICTION OF WINTER WHEAT BASED ON RETRIEVAL OF LEAF AREA INDEX BY REMOTE SENSING TECHNOLOGY》", 《IEEE》 * |
王雪峰: "《基于纹理和空间特征的中分辨率影像滨海水产养殖用地提取研究》", 《地球信息科学》 * |
蔡利梅: "《数字图像处理》", 30 August 2014 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN111881816B (zh) * | 2020-07-27 | 2023-06-09 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN112037244B (zh) * | 2020-08-26 | 2024-02-20 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN112989940A (zh) * | 2021-02-08 | 2021-06-18 | 国家海洋环境监测中心 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
CN112989940B (zh) * | 2021-02-08 | 2023-08-01 | 国家海洋环境监测中心 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
CN113420780A (zh) * | 2021-05-24 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种遥感时空谱特征融合的养殖池提取方法 |
CN113420780B (zh) * | 2021-05-24 | 2023-04-18 | 中国科学院地理科学与资源研究所 | 一种遥感时空谱特征融合的养殖池提取方法 |
CN116824157A (zh) * | 2023-06-30 | 2023-09-29 | 中国科学院空天信息创新研究院 | 采样点确定、遥感产品真实性校验方法、装置及电子设备 |
CN116824157B (zh) * | 2023-06-30 | 2024-02-02 | 中国科学院空天信息创新研究院 | 采样点确定、遥感产品真实性校验方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109409265B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409265A (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
CN108256534B (zh) | 一种基于高分遥感影像的筏式海水养殖区域提取方法 | |
CN106709517B (zh) | 红树林识别方法及系统 | |
CN107274420B (zh) | 基于图像分割的海洋锋面提取方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN109087312A (zh) | 一种无人机航线自动规划方法和系统 | |
CN109359533B (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
Heenkenda et al. | Mangrove tree crown delineation from high-resolution imagery | |
CN103544505A (zh) | 面向无人机航拍图像的船只识别系统及方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN109635765A (zh) | 一种浅海珊瑚礁遥感信息自动提取方法 | |
Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
Janušaitė et al. | A novel GIS-based approach for automated detection of nearshore sandbar morphological characteristics in optical satellite imagery | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
Masini et al. | Satellite-based recognition of landscape archaeological features related to ancient human transformation | |
CN114708208A (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
Gusmawati et al. | Aquaculture Pond Precise Mapping in Perancak Estuary, Bali, Indonesia | |
KR101050067B1 (ko) | 중해상도 인공위성 영상자료로부터 김양식장 시설을 탐지하는 방법 | |
KR101809656B1 (ko) | 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법 | |
Zhu et al. | spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data | |
Fletcher et al. | A semiautomated approach for monitoring landscape changes in Texas seagrass beds from aerial photography | |
CN110033460B (zh) | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 | |
CN113129320B (zh) | 一种从航空正射影像中提取养殖水塘边界的方法和系统 | |
CN116012707A (zh) | 一种渔光互补光伏养殖模式的遥感识别方法 | |
Lopez et al. | Line-based image segmentation method: a new approach to segment VHSR remote sensing images automatically |
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 |