CN109859231A - 一种基于光学图像的叶面积指数提取阈值分割方法 - Google Patents
一种基于光学图像的叶面积指数提取阈值分割方法 Download PDFInfo
- Publication number
- CN109859231A CN109859231A CN201910046112.3A CN201910046112A CN109859231A CN 109859231 A CN109859231 A CN 109859231A CN 201910046112 A CN201910046112 A CN 201910046112A CN 109859231 A CN109859231 A CN 109859231A
- Authority
- CN
- China
- Prior art keywords
- image
- leaf area
- gray
- area index
- value
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于光学图像的叶面积指数提取阈值分割方法,采用鱼眼摄像头拍摄得到原始冠层图像,并对其进行提取57.5度环和灰度化等预处理,获得成像区域的灰度图。然后自右向左使用差分遍历向量法寻找最优二值化阈值。在通过这个阈值对图像进行二值化以及滤波去燥,最后计算出叶面积指数。本发明提出的基于光学图像的叶面积指数提取阈值分割方法相比于传统的分割方法提高了图像二值化的准确性,克服了现有二值化阈值选取方法中存在较多的误判的问题,并且提高二值化分割的准确率,从而提升叶面积指数的精确性。
Description
技术领域
本发明属于叶面积指数测量技术领域,更为具体地讲,涉及一种基于光学图像的叶面积指数提取阈值分割方法。
背景技术
植被是陆表生态系统的重要组成成分,而叶片则是植被与外界进行相互作用的一个重要器官,在生态学中,叶面积指数LAI是反应植物生存、生长状态的一个重要指标,通过这个指标可以得到很多关于植物的其它状态信息,如叶面的数目、冠层结构等,此外除了反映植物本身生存状态外还可以由此推论出该植物群落的整体状态,为分析整体活力和对其它植物、动物的影响提供理论基础。除了静态的数据特征外,通过对植物叶面指数长时间检测,可以动态的了解该植物的生长过程,以及在这个过程中与周围环境、大气间的相互作用,具体体现为从土壤、大气中获取基本元素的过程和向大气中释放元素的过程,这是一个平衡的过程,需要通过使用环境检测手段进行动态检测,得到一段时间的连续信息才能够更好的了解植物生长的过程。
叶面积指数是作物群体结构重要的特征参数,一直以来,国内外对获取植物叶面积指数的方法也进行了许多研究。从最初带有破坏性的直接测量法到如今的图像处理法、遥感图像法和传感器法等多种方法获取植物叶面积指数。而目前在基于冠层图像的图像测量法中,冠层图像的处理是算法的关键。现有算法中在对冠层图像进行二值化时,其二值化阈值选取方法为经验值,存在较大主观因素,可能将天空叶片像元误判,二值化效果不理想,影响最终叶面积指数的准确性。
二值化是一种特定的处理方式,处理目标可以是树木的冠层图像,具体的处理过程为将图像中所有的像素点的值设置为不是0就是255,其中像素值是0就表示黑色,像素值是255就表示是白色,整幅图像进过这种处理后呈现出黑白效果,而且对图像进行二值化后可以使图像中数据量大为减小,从而也能凸显出目标的轮廓。在本研究内容中主要是将半球图像划分为只有“叶片”和“天空背景”两种像元的黑白图片,为了突出研究目标“叶片”,因此选定一个合适的阈值是十分重要的一步,并且阈值的选取对后面参数反演的结果影响也非常大,在底视法研究中,将图像中像素值大于阈值的灰度值设置为255,归为天空背景,将图像中像素值小于阈值的灰度值设置为0,归为叶片,计算公式如下所示:
其中BlackWhite(x,y)表示二值化图片中横坐标为x纵坐标为y处的像素值,T表示阈值大小,Gray(x,y)表示灰度化图片中横坐标为x纵坐标为y处的灰度值。
在对冠层图像进行处理过程中,图像二值化分割结果的好坏直接影响到后面冠层孔隙度的提取,进而间接影响到LAI的估算,所以二值化阈值的选取十分关键。正因为二值化阈值的重要性,科学家们对二值化阈值的选取也做了很多研究,常用的图像二值化阈值的方法有双峰法、P参数法、最大类间方差法、最大熵阈值法和迭代法等等。
对于有的图像,由于它的组成比较简单,因此在这种图像灰度化后的灰度直方图中,背景会形成一个波峰,目标物体会形成一个波峰,在这两个波峰之间就会形成一个波谷,那么这个灰度直方图中波谷所对应的灰度值T就可以作为二值化图像的阈值,也就是说这个值可以很好地分割背景和目标物体,这就是双峰法。
但是实际上由于当有些图片稍微复杂些时,就不会像上图中那样出现目标物体和背景出现明显的波峰,甚至有些图像灰度化出来后拥有多个波峰波谷,而Otsu提出了最大类间方差法,这种方法是基于整幅图像的统计特性然后实现的对阈值的自动选取,是对图像进行二值化处理的一种高效算法。最大类间方差法的思路是首先设定图像的灰度值为T,根据这个值,则图像的灰度就被分为两部分,如果此时的灰度值T能使这两部分的类间方差最大,那么这幅图像的最佳阈值即为T。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于光学图像的叶面积指数提取阈值分割方法,基于灰度化的直方图确定最优化二值化阈值,提高二值化的准确度,使得到的叶面积指数更加准确。
为实现上述发明目的,本发明提出的阈值分割方法包括以下步骤:
1.叶面积指数光学图像的获取
获取带鱼眼摄像头的无线传感器网络拍摄出来的原始冠层图像。
2.光学图像预处理
从冠层图像提取出57.5度环及以内的图像作为成像区域,其余非成像区域的像素设置为透明点。
由于在可见光波段中,相对于对红光和绿光的吸收强度,绿色植物对蓝色光的吸收最强,那么在冠层中蓝色光的透射和反射现象最小。对成像区域中各像素点的蓝色分量值对57.5度环图像进行灰度化,得到成像区域灰度图像,灰度化公式表示如下:
Gray=B
其中,Gray表示该像素点灰度化后的灰度值,B表示该像素点的蓝色分量。
3.最佳二值化阈值的选取
理想状态下,由于组成比较简单,在成像区域图像灰度化后灰度直方图中,植物叶片会因为其有相同性质会在一段相邻的灰度级上形成一个峰,而背景会形成另外一个峰,在这两个波峰之间就会形成一个波谷,那么这个灰度直方图中波谷所对应的灰度值T就可以作为二值化图像的阈值。
但是实际上有些图片稍微复杂些时,就不会出现目标物体和背景出现明显的波峰,甚至有些图像灰度化后拥有多个波峰波谷。从而自右向左使用差分遍历向量法来查找第一个波谷:
灰度直方图拟合曲线实际上是一个一维的向量:
V=[v1,v2,...,vi,...,vN],vi,i∈[1,2,...,N]
其中vi代表图像在灰度值i上的灰度累积值。
计算一维向量V的一阶差分向量:
Diffv(i)=V(i+1)-V(i),i∈1,2,...,N-1
其中Diffv(i)为向量V的一阶差分向量。
对差分向量进行取符号函数运算:
Trend(i)=sign(Diffv(i))
其中Trend为差分向量Diffv(i)取符号后的一维向量。
即遍历Diffv(i),若Diffv(i)大于0,则取1;如果小于0,则取-1,否则则值为0。
自右向左对向量Trend再进行一阶差分运算:
R(i)=Diff(Trend(i))=Trend(i-1)-Trend(i),i∈N-1,...,2,1
其中R(i)为对向量Trend(i)进行差分的值。
最后遍历得到的差分向量R(i),如果R(i)=-2,则i为投影向量V的一个波谷位,对应的波谷为V(i)。将此处的灰度值i作为二值化阈值T。
4.图像二值化及滤波去噪将成像区域灰度图像中像素值大于等于阈值T的灰度值设置为1,归为天空背景;将图像中像素值小于阈值T的灰度值设置为0,归为叶片;然后采用滤波去噪算法去除对成像区域二值化图像中的噪声。
5.计算叶面积指数根据去噪后的成像区域二值化图像计算叶面积指数。在成像区域二值化图像中提取出57.5度这一环的图像,统计其中黑白像素的数量,计算冠层孔隙度:
其中,T(θ)表示在视角θ下的冠层孔隙度,Nb(θ)表示在视角θ下背景的像素个数,Nl(θ)表示在视角θ下叶片的像素个数,θ=57.5°。
计算叶面积指数LAI:
其中,T(57.5°)表示视角57.5度下的冠层孔隙度。
本发明的有益效果是寻找更加准确的叶面积指数提取阈值,提高其二值化的准确度,使得到的叶面积指数更加精确。
附图说明
为了进一步说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,本发明的示意性实施例及其说明仅用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例中基于光学图像的叶面积指数提取阈值分割方法的一种具体实施流程图;
图2是本发明实施例中的原始冠层图像;
图3是本发明实施例中的成像区域冠层图像;
图4是本发明实施例中的成像区域灰度化图;
图5是本发明实施例中的双峰灰度直方图;
图6是本发明实施例中的自右向左使用差分遍历向量法获取阈值图;
图7是本发明实施例中的最大类间方差法获取阈值图
图8是本发明实施例中的自右向左使用差分遍历向量法阈值二值化图;
图9是本发明实施例中的最大类间方差法阈值二值化图;
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面结合附图对本发明的具体实施方式进行清楚、完整地描述,以便本领域的技术人员能更好地理解本发明。需要特别提醒注意的是,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
在本实施例中,图1为基于光学图像的叶面积指数提取阈值分割方法的一种具体实施流程图,如图1所示,主要步骤如下:
步骤1:叶面积指数光学图像的获取
使用带鱼眼摄像头的无线传感器网络拍摄出来的原始冠层图像,在拍摄时,应避免太阳光直射进入镜头。
本实施例中,鱼眼摄像头采用OV2640摄像头,该摄像头是是OmniVision公司生产的一颗1/4寸的CMOS UXGA(1632*1232)图像传感器,可提供单片UXGA摄像头和影像处理器的所有功能。通过SCCB总线控制,可以输出整帧、子采样、缩放和取窗口等方式的各种分辨率8/10位影像数据,其中UXGA最高15帧/秒。其中得到的冠层图像如图2所示。
步骤2:光学图像预处理
从图2中提取出57.5度环及以内的图像作为成像区域,即将获取的冠层图像分割为18个同心圆,从外向内数第7个圆环及以内的像素即为如图3所示的成像区域冠层图像,其余非成像区域的像素设置为透明点。
由于在可见光波段中,相对于对红光和绿光的吸收强度,绿色植物对蓝色光的吸收最强,那么在冠层中蓝色光的透射和反射现象最小。对成像区域中各像素点的蓝色分量值对57.5度环图像进行灰度化,得到如图4的成像区域灰度图像,灰度化公式表示如下:
Gray=B
其中,Gray表示该像素点灰度化后的灰度值,B表示该像素点的蓝色分量。
步骤3:最佳二值化阈值的选取
理想状态下,由于组成比较简单,在成像区域图像灰度化后灰度直方图中如图5所示,植物叶片会因为其有相同性质会在一段相邻的灰度级上形成一个峰,而背景会形成另外一个峰,在这两个波峰之间就会形成一个波谷,那么这个灰度直方图中波谷所对应的灰度值T就可以作为二值化图像的阈值。
但是实际上有些图片稍微复杂些时,就不会像图5中那样出现目标物体和背景出现明显的波峰,甚至有些图像灰度化后拥有多个波峰波谷。如图6所示从而自右向左使用差分遍历向量法来查找第一个波谷,将此处的灰度值T作为二值化阈值。而使用常用的最大类间方差法对灰度直方图进行二值化图像阈值的选取如图7所示,由图可知后者的阈值T比前者的阈值T小。
步骤4:图像二值化及滤波去噪
将成像区域灰度图像中像素值大于等于阈值T的灰度值设置为1,归为天空背景;将图像中像素值小于阈值T的灰度值设置为0,归为叶片;然后采用滤波去噪算法去除对成像区域二值化图像中的噪声。
本实施例中,使用图6和图7中的二值化阈值分别对图像进行二值化,得到如图8和图9的二值化后图像,由图可知,使用最大类间方差法得到的阈值进行二值化的图9相对于使用自右向左使用差分遍历向量法得到的阈值进行二值化的图8,将一部分植物叶片二值化为天空,从而影响了最后LAI值的准确性。
步骤5:计算叶面积指数
根据去噪后的成像区域二值化图像计算叶面积指数。在成像区域二值化图像中提取出57.5度这一环的图像,统计其中黑白像素的数量,计算冠层孔隙度:
其中,T(θ)表示在视角θ下的冠层孔隙度,Nb(θ)表示在视角θ下背景的像素个数,Nl(θ)表示在视角θ下叶片的像素个数,本发明中θ=57.5。
计算叶面积指数LAI:
其中,T(57.5°)表示视角57.5度下的冠层孔隙度。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明的保护范围内。尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种基于光学图像的叶面积指数提取阈值分割方法,其特征在于,具体包括以下步骤:
步骤1:冠层光学图像的获取;
步骤2:光学图像预处理;
步骤3:最佳二值化阈值的选取;
步骤4:图像二值化及滤波去噪;
步骤5:计算叶面积指数。
2.根据权利要求1所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤1具体包括:获取带鱼眼摄像头的无线传感器网络拍摄出来的原始冠层图像。
3.根据权利要求1所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤2具体包括:
步骤2.1:成像区域的提取;
步骤2.2:图像灰度化。
4.根据权利要求3所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤2.1具体包括:从冠层图像提取出57.5度环及以内的图像作为成像区域,其余非成像区域的像素设置为透明点。
5.根据权利要求3所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤2.2具体包括:由于在可见光波段中,相对于对红光和绿光的吸收强度,绿色植物对蓝色光的吸收最强,那么在冠层中蓝色光的透射和反射现象最小;对成像区域中各像素点的蓝色分量值对57.5度环图像进行灰度化,得到成像区域灰度图像,灰度化公式表示如下:
Gray=B
其中,Gray表示该像素点灰度化后的灰度值,B表示该像素点的蓝色分量。
6.根据权利要求1所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤3具体包括:
步骤3.1:自右向左遍历灰度直方图;
步骤3.2:使用差分向量法寻找阈值。
7.根据权利要求6所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤3.1具体包括:针对步骤2.2所得到的灰度直方图,从灰度值为255到灰度值为0自右向左遍历灰度直方图寻找波谷,然后寻找到的第一个波谷所对应的灰度值T就可以作为二值化图像的阈值。
8.根据权利要求6所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤3.2具体包括:实际上有些图片稍微复杂些时,就不会像之前步骤3.1所述出现目标物体和背景明显的波峰和波谷,甚至有些图像灰度化后拥有多个波峰波谷;从而自右向左使用差分遍历向量法来查找灰度直方图中的第一个波谷;
灰度直方图拟合曲线实际上是一个一维的向量:
v=[v1,v2,…,vi,…,vN],vi,i∈[1,2,…,N]
其中vi代表图像在灰度值i上的灰度累积值,N为255;
计算一维向量V的一阶差分向量:
Diffv(i)=V(i+1)-V(i),i∈1,2,...,N-1
其中Diffv(i)为向量V的一阶差分向量,N为255;
对差分向量进行取符号函数运算:
Trend(i)=sign(Diffv(i))
其中Trend为差分向量Diffv(i)取符号后的一维向量;
即遍历Diffv(i),若Diffv(i)大于0,则取1;如果小于0,则取-1,否则则值为0;
自右向左对向量Trend再进行一阶差分运算:
R(i)=Diff(Trend(i))=Trend(i-1)-Trend(i),i∈N-1,...,2,1
其中R(i)为对向量Trend(i)进行差分的值,N为255;
最后遍历得到的差分向量R(i),如果R(i)=-2,则i为投影向量V的一个波谷位,对应的波谷为V(i);将此处的灰度值i作为二值化阈值T。
9.根据权利要求1所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述的步骤4具体包括:将成像区域灰度图像中像素值大于等于阈值T的灰度值设置为1,归为天空背景;将图像中像素值小于阈值T的灰度值设置为0,归为叶片;然后采用滤波去噪算法去除对成像区域二值化图像中的噪声。
10.根据权利要求1所述的基于光学图像的叶面积指数提取阈值分割方法,其特征在于,所述步骤5具体包括:根据去噪后的成像区域二值化图像计算叶面积指数;在成像区域二值化图像中提取出57.5度这一环的图像,统计其中黑白像素的数量,计算冠层孔隙度:
其中,T(θ)表示在视角θ下的冠层孔隙度,Nb(θ)表示在视角θ下背景的像素个数,Nl(θ)表示在视角θ下叶片的像素个数,θ=57.5°;
计算叶面积指数LAI:
其中,T(57.5°)表示视角57.5度下的冠层孔隙度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046112.3A CN109859231A (zh) | 2019-01-17 | 2019-01-17 | 一种基于光学图像的叶面积指数提取阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046112.3A CN109859231A (zh) | 2019-01-17 | 2019-01-17 | 一种基于光学图像的叶面积指数提取阈值分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109859231A true CN109859231A (zh) | 2019-06-07 |
Family
ID=66895163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910046112.3A Pending CN109859231A (zh) | 2019-01-17 | 2019-01-17 | 一种基于光学图像的叶面积指数提取阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859231A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337963A (zh) * | 2019-06-17 | 2019-10-18 | 杨明 | 自适应温室供暖机构 |
CN111402284A (zh) * | 2020-03-17 | 2020-07-10 | 中国人民解放军国防科学技术大学 | 一种基于三维连通性的图像阈值测定方法及装置 |
CN111798509A (zh) * | 2020-06-22 | 2020-10-20 | 电子科技大学 | 一种基于半球图像法测量叶面积指数的方法 |
CN111966952A (zh) * | 2020-07-21 | 2020-11-20 | 电子科技大学 | 一种叶面积指数数据过滤方法 |
CN113008793A (zh) * | 2021-03-01 | 2021-06-22 | 天地伟业技术有限公司 | 一种基于机器视觉的微纳结构缺陷检测方法 |
CN113450353A (zh) * | 2021-08-30 | 2021-09-28 | 航天宏图信息技术股份有限公司 | 一种叶面积指数精度的优化方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604125A (zh) * | 2004-11-11 | 2005-04-06 | 上海交通大学 | 目标图像自动识别与快速跟踪的方法 |
CN1606039A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 降低目标图像自动识别与快速跟踪错判率的方法 |
CN105241377A (zh) * | 2015-09-16 | 2016-01-13 | 中国农业大学 | 基于云镜摄系统参数和视频帧的植物三维测量方法和系统 |
CN105910556A (zh) * | 2016-04-13 | 2016-08-31 | 中国农业大学 | 一种叶面积垂直分布信息提取方法 |
CN107610066A (zh) * | 2017-09-21 | 2018-01-19 | 电子科技大学 | 一种叶面积指数测量方法 |
-
2019
- 2019-01-17 CN CN201910046112.3A patent/CN109859231A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604125A (zh) * | 2004-11-11 | 2005-04-06 | 上海交通大学 | 目标图像自动识别与快速跟踪的方法 |
CN1606039A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 降低目标图像自动识别与快速跟踪错判率的方法 |
CN105241377A (zh) * | 2015-09-16 | 2016-01-13 | 中国农业大学 | 基于云镜摄系统参数和视频帧的植物三维测量方法和系统 |
CN105910556A (zh) * | 2016-04-13 | 2016-08-31 | 中国农业大学 | 一种叶面积垂直分布信息提取方法 |
CN107610066A (zh) * | 2017-09-21 | 2018-01-19 | 电子科技大学 | 一种叶面积指数测量方法 |
Non-Patent Citations (2)
Title |
---|
☆RONNY丶: ""图像分析:投影曲线的波峰查找"", 《HTTPS://WWW.CNBLOGS.COM/RONNY/P/3616470.HTML》 * |
QINGKONGYEYUE: ""图像分割:阈值获取方法总结"", 《HTTPS://BLOG.CSDN.NET/QINGKONGYEYUE/ARTICLE/DETAILS/75206289》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337963A (zh) * | 2019-06-17 | 2019-10-18 | 杨明 | 自适应温室供暖机构 |
CN111402284A (zh) * | 2020-03-17 | 2020-07-10 | 中国人民解放军国防科学技术大学 | 一种基于三维连通性的图像阈值测定方法及装置 |
CN111402284B (zh) * | 2020-03-17 | 2023-07-25 | 中国人民解放军国防科学技术大学 | 一种基于三维连通性的图像阈值测定方法及装置 |
CN111798509A (zh) * | 2020-06-22 | 2020-10-20 | 电子科技大学 | 一种基于半球图像法测量叶面积指数的方法 |
CN111966952A (zh) * | 2020-07-21 | 2020-11-20 | 电子科技大学 | 一种叶面积指数数据过滤方法 |
CN111966952B (zh) * | 2020-07-21 | 2023-04-18 | 电子科技大学 | 一种叶面积指数数据过滤方法 |
CN113008793A (zh) * | 2021-03-01 | 2021-06-22 | 天地伟业技术有限公司 | 一种基于机器视觉的微纳结构缺陷检测方法 |
CN113450353A (zh) * | 2021-08-30 | 2021-09-28 | 航天宏图信息技术股份有限公司 | 一种叶面积指数精度的优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859231A (zh) | 一种基于光学图像的叶面积指数提取阈值分割方法 | |
US20210199579A1 (en) | Method and system for urban impervious surface extraction based on remote sensing | |
CN106856002B (zh) | 一种无人机拍摄图像质量评价方法 | |
Zhang et al. | A simple automated dynamic threshold extraction method for the classification of large water bodies from landsat-8 OLI water index images | |
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
Carbonneau et al. | Feature based image processing methods applied to bathymetric measurements from airborne remote sensing in fluvial environments | |
CN107341795B (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
CN102087652A (zh) | 图像筛选方法及其系统 | |
CN107610066A (zh) | 一种叶面积指数测量方法 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN106846289A (zh) | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 | |
CN107991245B (zh) | 一种作物光谱信息采集装置及作物植被指数获取方法 | |
CN107145891B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
Dümbgen et al. | Near-infrared fusion for photorealistic image dehazing | |
Fan et al. | Dim small target detection based on high-order cumulant of motion estimation | |
CN112285710A (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
Zhan et al. | Quantitative analysis of shadow effects in high-resolution images of urban areas | |
CN106650663A (zh) | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 | |
CN110705634A (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
Fang et al. | Image quality assessment on image haze removal | |
CN109858394A (zh) | 一种基于显著性检测的遥感图像水体区域提取方法 | |
Liu et al. | Object-oriented detection of building shadow in TripleSat-2 remote sensing imagery | |
CN115311556A (zh) | 一种用于自然资源管理的遥感影像处理方法及系统 | |
Duan et al. | An index-based shadow extraction approach on high-resolution images |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190607 |
|
WD01 | Invention patent application deemed withdrawn after publication |