CN110033460A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110033460A CN110033460A CN201910264709.5A CN201910264709A CN110033460A CN 110033460 A CN110033460 A CN 110033460A CN 201910264709 A CN201910264709 A CN 201910264709A CN 110033460 A CN110033460 A CN 110033460A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- scale
- seed
- transformation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000009466 transformation Effects 0.000 title claims abstract description 37
- 238000009364 mariculture Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 239000000284 extract Substances 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 239000000654 additive Substances 0.000 claims abstract description 6
- 230000000996 additive effect Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 210000000746 body region Anatomy 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 description 10
- 239000013535 sea water Substances 0.000 description 4
- 239000003643 water by type Substances 0.000 description 4
- 238000009313 farming Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了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,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)对水体区域的遥感影像各个波段分别进行大尺度和小尺度空间变换,将大尺度空间变换的结果与小尺度空间变换的结果相减运算,得到多波段局部增强影像;3)在目标区域中选择样本集,对多波段局部增强影像进行向量投影变换,得到养殖区特征图;4)对目标区域进行观测,确定阈值后,从养殖区特征图中提取养殖区。本发明的海上养殖区提取方法,运用影像尺度空间中的跨尺度运算机制,在利用全波段的向量投影变换基础上,通过双阈值方法实现卫星遥感影像中多类型的海上养殖区高精度提取。
Description
技术领域
本发明属于数字图像处理技术领域,特别涉及一种基于尺度空间变换的卫星影像中海上养殖区提取方法。
背景技术
海上养殖,为人类提供了大量食物,促进了沿海经济效益,但也同时带来了比较严重的环境问题。及时、准确地获取海上养殖的空间分布信息对管理海上养殖业的发展,以及诸如台风、风暴潮等灾害预警具有非常重要的意义。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监测这些养殖信息。因此,发展卫星遥感获取海上养殖提取技术,能够提供客观、准确、及时的海上养殖区空间分布信息,为政府管理、市场预估等提供有力的关键技术支撑。
目前关于海上养殖区提取的方法主要有:(1)目视解译,这种方法虽然精度较高,但是对解译人员的先验知识要求较高,并且耗时费力,难以发挥解译的时效性;(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;(3)面向对象方法,这是当前应用较广的一类方法。方法(WANG M,CUI Q,WANG J,et al.Raft cultivation area extractionfrom high resolution remote sensing imagery by fusing multi-scale region-lineprimitive association features[J].Isprs Journal of Photogrammetry&RemoteSensing,2017,123:104-113.)采用分割对象与内部直线段相结合的技术,对资源三号卫星影像中的筏式养殖进行了提取,但难以适用于分辨率为4米或者更低分辨率中内部直线段提取困难的影像;方法(王志华.一种基于高分遥感影像的筏式海水养殖区域提取方法:中国,108256534A[P].2018-07-06.)利用归一化植被指数(NDVI)和基于对象的视觉显著度的技术手段,避免了内部直线段提取的问题,并且可有效消除海水背景复杂对目标提取的干扰,但是在不同水域边界的交界区,这种方法仍存在错误提取率较高的问题。为此,方法(王志华.一种基于陆地资源卫星影像的浮筏养殖区域提取方法:中国,109409265A[P].2019-03-01.)进一步引入养殖区外边缘特征,显著降低了不同水域边界交界区错误提取的问题。但以上方法仍存在以下问题:(1)在覆盖范围广且成本低的15-30米分辨率卫星遥感影像中,影像分割精度较低,导致以上以影像分割为基础的面向对象方法提取精度较低;(2)以NDVI特征为主的指标只利用了红波段和近红外波段信息,提取类型仅限于筏式养殖,并且提取精度难以进一步提高;(3)使用单一阈值分割目标,难以同时提高提取精度的召回率和正确率。通过引入尺度空间变换技术的跨尺度运算,可以实现像素级的局部区域增强,避免分割算法带来的误差;以全波段向量投影的变换增强方式,可以综合利用全波段信息;引入双阈值分割算法,在提高目标提取正确率的前提下,进一步提高养殖区边界提取的准确率。
对中外文献进行检索,现有技术中没有采用尺度空间变换的跨尺度运算、向量投影变换以及双阈值提取相结合的基于卫星影像的海上养殖区提取方法。
发明内容
针对上述问题,本发明提供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,该方法运用影像尺度空间中的跨尺度运算机制,在利用全波段的向量投影变换基础上,通过双阈值方法实现卫星遥感影像中多类型的海上养殖区高精度提取。
本发明的具体技术方案是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,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)对水体区域的遥感影像各个波段分别进行大尺度和小尺度空间变换,将大尺度空间变换的结果与小尺度空间变换的结果相减运算,得到多波段局部增强影像;
3)在目标区域中选择样本集,对多波段局部增强影像进行向量投影变换,得到养殖区特征图;
4)对目标区域进行观测,确定阈值后,从养殖区特征图中提取养殖区。
更进一步地,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Multiresolution Segmentation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)根据OTSU方法获取阈值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)中对水体区域的遥感影像各个波段分别进行大尺度和小尺度空间变换,将大尺度空间变换的结果与小尺度空间变换的结果相减运算,得到多波段局部增强影像的具体方法是,
2.1)按照下式(II),对水体区域进行影像各波段小尺度的高斯卷积操作,
其中,IC是小尺度高斯卷积后的影像,b1,b2,L,bn是影像的第1,2,...,n个波段,符号是卷积运算,G(σC)是标准差为σC的二维高斯函数,σC是高斯卷积操作的小尺度参数;
2.2)按照下式(III),对水体区域进行影像各波段大尺度的高斯卷积操作,
其中,IS是大尺度高斯卷积后的影像,σS是高斯卷积操作的大尺度参数;
2.3)将小尺度高斯卷积后的影像IC与大尺度高斯卷积后的影像IS按照下式(IV)进行相减操作,
IΔ=IC-IS……(IV)
其中,IΔ是通过相减操作后得到的多波段局部增强影像。
更进一步地,所述的步骤3)在目标区域中选择样本集,对多波段局部增强影像进行向量投影变换,得到养殖区特征图的具体方法是,
3.1)在目标区域中选择样本集,按照下式(V)生成目标向量,
其中,a是生成的目标向量,O是选择的样本集,oi是样本集中的一个样本,样本的各维特征是多波段局部增强影像中的各个波段值,|O|表示样本集包含的样本数量;
3.2)按照下式(VI)对多波段局部增强影像进行向量投影变换,生成养殖区特征图,
其中,H是向量投影变换后生成的养殖区特征图,符号< >表示向量的内积操作。
更进一步地,所述的步骤4)中对目标区域进行观测,确定阈值后,从养殖区特征图中提取养殖区的具体方法是,
4.1)使用阈值TL对养殖区特征图按照下式(VII)提取,得到种子区,根据对目标区域的观测选取TL,
Seed={p1|p1∈H,p1H≥TL}……(VII)
其中,Seed为种子区,p1是一个像素,p1H是像素p1在养殖区特征图H中的特征值;
4.2)使用阈值TS对养殖区特征图中的非种子区按照下式(VIII)提取,得到潜在区,根据对目标区域的边界的观测选取TS,
Potential={p2|p2∈H-Seed,p2H≥TS}……(IX)
其中,Potential为潜在区,H-Seed是养殖区特征图中不是种子区Seed的区域,p2是一个像素,p2H是像素p2在H-Seed中的特征值;
4.3)将与种子区Seed与邻接的Potential区合并,作为最终养殖区提取结果。
本发明的有益效果是:本发明的方法在影像尺度空间中借助跨尺度运算进行局部增强,在克服复杂海水背景的同时,避免了图像分割算法带来的误差问题;利用向量投影变换,充分利用了遥感影像各波段信息,克服只使用一个或者两个波段信息不足,而造成精度不高的问题;通过双阈值方法,可同时提高正确率和召回率,进而实现海上养殖区高精度提取。
本发明对中、高分辨率卫星影像中复杂海水背景下各种形状的近海浮筏养殖以及各种形状的网箱养殖均具有较好的鲁棒性,并具有复杂海水背景情况下大区域精确提取能力。
附图说明
图1为本发明的基于尺度空间变换的卫星影像中海上养殖区提取方法的流程图;
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尺度空间跨尺度运算的局部增强影像;
图4是具体实施例中基于向量投影变换的养殖区特征图;
图5是具体实施例中双阈值提取结果;
图6是具体实施例中养殖区最终提取结果。
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Landsat 8遥感影像多光谱分辨率达30米,本实施例中采取前7个波段的影像数据,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),图像尺寸为256行×256列,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)使用较大尺度参数S对遥感影像进行分割。分割算法可采用eCognition软件中的Multiresolution Segmentation算法,SLIC超像素分割算法等。本实施例中使用Multiresolution Segmentation算法,尺度参数S设置为500。
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)将归一化水体指数大于阈值T1的分割斑块设置为水体区域,其它斑块为非水体。阈值T1的设定准则是在当前影像中能够区分水体区域和陆地,可以使用大津OTSU方法自动获取阈值。本实施例使用大津OTSU方法,得到阈值T1=0.05。将归一化水体指数大于0.05的设置为水体区域,小于0.05的设置为陆地;
2.1)按照下式(II),对水体区域进行影像各波段小尺度的高斯卷积操作,
其中,IC是小尺度高斯卷积后的影像,b1,b2,L,bn是影像的第1,2,...,n个波段,符号是卷积运算,G(σC)是标准差为σC的二维高斯函数,σC是高斯卷积操作的小尺度参数。本实施例中将σC设置为0.5,这样可使得提取结果的精度达到像素级;
2.2)按照下式(III),对水体区域进行影像各波段大尺度的高斯卷积操作,
其中,IS是大尺度高斯卷积后的影像,σS是高斯卷积操作的大尺度参数。因为本实施例中,养殖区宽度为5个像元左右,所以将σS设置为5;
2.3)将小尺度高斯卷积后的影像IC与大尺度高斯卷积后的影像IS按照下式(IV)进行相减操作,
IΔ=IC-IS……(IV)
其中,IΔ是通过相减操作后得到的多波段局部增强影像。图3是通过尺度空间变换和跨尺度相减运算后得到的多波段局部增强影像;
3.1)在目标区域中选择样本集,按照下式(V)生成目标向量,此处的目标区域是指影像中实际为养殖区的区域。
其中,a是生成的目标向量,O是选择的样本集,oi是样本集中的一个样本,样本的各维特征是以上多波段局部增强影像中的各个波段值,|O|表示样本集包含的样本数量。从理论上,样本数量最小为1,但为了避免样本选择的不典型,可选择3个以上样本。本实施例中共选择9个样本,每个样本oi及目标向量a的各维特征见以下表1;
表1 样本集及目标向量的各维特征
3.2)按照下式(VI)对多波段局部增强影像进行向量投影变换,生成养殖区特征图,
其中,H是向量投影变换后生成的养殖区特征图,符号< >表示向量的内积操作。图4是通过向量投影变化后得到的养殖区特征图;
4.1)使用阈值TL对养殖区特征图按照下式(VII)提取,得到种子区,
Seed={p1|p1∈H,p1H≥TL}……(VII)
其中,Seed表示种子区,p1是一个像素,p1H是像素p1在养殖区特征图H中的值。本实施例中,通过观察典型目标区域的养殖区特征图H中的特征值,发现目标区域基本都在150以上,因此将阈值TL设置为150;
4.2)使用阈值TS对养殖区特征图中的非种子区按照下式(VIII)提取,得到潜在区,
Potential={p2|p2∈H-Seed,p2H≥TS}……(VIII)
其中,Potential是潜在区,H-Seed是养殖区特征图中不是种子区Seed的区域,p2是一个像素,p2H是像素p2在该区域中的特征值。本实施例中,通过观察典型目标区域与水体区域的特征值,发现目标区域的边界值都在50以上,因此将阈值TS设置为50。图5是双阈值提取结果;
4.3)将与种子区Seed邻接的Potential和种子区Seed合并,作为最终养殖区提取结果。图6是最终养殖区提取结果。
本发明方法在尺度空间中跨尺度计算,进行目标局部增强,同时利用目标向量投影变换综合利用多波段信息,最后通过双阈值方法实现目标的高精度提取。对比附图2和3,可以发现跨尺度局部增强操作能够有效的增强目标信息;对比附图3和4,可以发现目标向量投影变换将养殖区目标进一步凸显;对比附图4和5,可以发现双阈值方法在保留正确提取的种子区前提下,通过邻近关系,将属于潜在区的养殖区提取出来,进而实现了高精度的海水养殖区;对比图幅2和6,可以提取结果不仅包含筏式类的海上养殖区,还包括网箱类养殖区。
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)
1.一种基于尺度空间变换的卫星影像中海上养殖区提取方法,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)对水体区域的遥感影像各个波段分别进行大尺度和小尺度空间变换,将大尺度空间变换的结果与小尺度空间变换的结果相减运算,得到多波段局部增强影像;
3)在目标区域中选择样本集,对多波段局部增强影像进行向量投影变换,得到养殖区特征图;
4)对目标区域进行观测,确定阈值后,从养殖区特征图中提取养殖区。
2.如权利要求1所述的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,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Multiresolution Segmentation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)根据OTSU方法获取阈值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所述的一种基于尺度空间变换的卫星影像中海上养殖区提取方法,其特征在于,所述的步骤2)中对水体区域的遥感影像各个波段分别进行大尺度和小尺度空间变换,将大尺度空间变换的结果与小尺度空间变换的结果相减运算,得到多波段局部增强影像的具体方法是,
2.1)按照下式(II),对水体区域进行影像各波段小尺度的高斯卷积操作,
其中,IC是小尺度高斯卷积后的影像,b1,b2,L,bn是影像的第1,2,...,n个波段,符号是卷积运算,G(σC)是标准差为σC的二维高斯函数,σC是高斯卷积操作的小尺度参数;
2.2)按照下式(III),对水体区域进行影像各波段大尺度的高斯卷积操作,
其中,IS是大尺度高斯卷积后的影像,σS是高斯卷积操作的大尺度参数;
2.3)将小尺度高斯卷积后的影像IC与大尺度高斯卷积后的影像IS按照下式(IV)进行相减操作,
IΔ=IC-IS……(IV)
其中,IΔ是通过相减操作后得到的多波段局部增强影像。
4.如权利要求1所述的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,其特征在于,所述的步骤3)在目标区域中选择样本集,对多波段局部增强影像进行向量投影变换,得到养殖区特征图的具体方法是,
3.1)在目标区域中选择样本集,按照下式(V)生成目标向量,
其中,a是生成的目标向量,O是选择的样本集,oi是样本集中的一个样本,样本的各维特征是多波段局部增强影像中的各个波段值,|O|表示样本集包含的样本数量;
3.2)按照下式(VI)对多波段局部增强影像进行向量投影变换,生成养殖区特征图,
其中,H是向量投影变换后生成的养殖区特征图,符号< >表示向量的内积操作。
5.如权利要求1所述的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,其特征在于,所述的步骤4)中对目标区域进行观测,确定阈值后,从养殖区特征图中提取养殖区的具体方法是,
4.1)使用阈值TL对养殖区特征图按照下式(VII)提取,得到种子区,根据对目标区域的观测选取TL,
Seed={p1|p1∈H,p1H≥TL}……(VII)
其中,Seed为种子区,p1是一个像素,p1H是像素p1在养殖区特征图H中的特征值;
4.2)使用阈值TS对养殖区特征图中的非种子区按照下式(VIII)提取,得到潜在区,根据对目标区域的边界的观测选取TS,
Potential={p2|p2∈H-Seed,p2H≥TS}……(IX)
其中,Potential为潜在区,H-Seed是养殖区特征图中不是种子区Seed的区域,p2是一个像素,p2H是像素p2在H-Seed中的特征值;
4.3)将与种子区Seed与邻接的Potential区合并,作为最终养殖区提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264709.5A CN110033460B (zh) | 2019-04-03 | 2019-04-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264709.5A CN110033460B (zh) | 2019-04-03 | 2019-04-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033460A true CN110033460A (zh) | 2019-07-19 |
CN110033460B CN110033460B (zh) | 2021-02-19 |
Family
ID=67237301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910264709.5A Active CN110033460B (zh) | 2019-04-03 | 2019-04-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033460B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596300A (zh) * | 2022-03-17 | 2022-06-07 | 中国科学院地理科学与资源研究所 | 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793717A (zh) * | 2012-11-02 | 2014-05-14 | 阿里巴巴集团控股有限公司 | 判断图像主体显著性及训练其分类器的方法和系统 |
CN104637497A (zh) * | 2015-01-16 | 2015-05-20 | 南京工程学院 | 一种面向语音情感识别的语谱特征提取方法 |
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 |
CN106407940A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种港口水域图像的提取方法及系统 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
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 |
CN108537238A (zh) * | 2018-04-13 | 2018-09-14 | 崔植源 | 一种遥感影像分类与检索方法 |
CN109284749A (zh) * | 2017-07-19 | 2019-01-29 | 微软技术许可有限责任公司 | 精细化图像识别 |
CN109829920A (zh) * | 2019-02-25 | 2019-05-31 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2019
- 2019-04-03 CN CN201910264709.5A patent/CN110033460B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793717A (zh) * | 2012-11-02 | 2014-05-14 | 阿里巴巴集团控股有限公司 | 判断图像主体显著性及训练其分类器的方法和系统 |
CN104637497A (zh) * | 2015-01-16 | 2015-05-20 | 南京工程学院 | 一种面向语音情感识别的语谱特征提取方法 |
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 |
CN106407940A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种港口水域图像的提取方法及系统 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
CN109284749A (zh) * | 2017-07-19 | 2019-01-29 | 微软技术许可有限责任公司 | 精细化图像识别 |
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 |
CN108537238A (zh) * | 2018-04-13 | 2018-09-14 | 崔植源 | 一种遥感影像分类与检索方法 |
CN109829920A (zh) * | 2019-02-25 | 2019-05-31 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
LONG MA 等: ""REGION OF INTERESTS EXTRACTION BASED ON"", 《IET INTERNATIONAL RADAR CONFERENCE 2015》 * |
徐芳: ""可见光遥感图像海面目标自动检测关键技术研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
田池: ""基于双阈值分割法的模糊图像边缘区域的提取研究"", 《辽宁科技学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596300A (zh) * | 2022-03-17 | 2022-06-07 | 中国科学院地理科学与资源研究所 | 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 |
CN114596300B (zh) * | 2022-03-17 | 2022-11-08 | 中国科学院地理科学与资源研究所 | 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110033460B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery | |
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 | |
CN108564587A (zh) | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 | |
Lenney et al. | The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM | |
Wu et al. | Mapping invasive plant with UAV-derived 3D mesh model in mountain area—A case study in Shenzhen Coast, China | |
Wang et al. | Interannual changes of coastal aquaculture ponds in China at 10-m spatial resolution during 2016–2021 | |
CN106709517B (zh) | 红树林识别方法及系统 | |
CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
CN105631903B (zh) | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 | |
CN103927741A (zh) | 增强目标特征的sar图像合成方法 | |
CN106022288A (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
Cai et al. | Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index | |
CN104268559A (zh) | 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
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 | |
CN101980294A (zh) | 基于遥感图像的黄河凌汛检测方法 | |
CN105447274A (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 | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
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 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN113538559A (zh) | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 | |
CN117541930A (zh) | 流域尺度高时空分辨率河流网络遥感信息提取方法及系统 | |
Oguslu et al. | Detection of seagrass scars using sparse coding and morphological filter | |
CN116229459A (zh) | 国产卫星多光谱图像逐像素质量标记方法 |
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 |