CN110111352A - 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 - Google Patents
一种基于特征级联的sar遥感图像水域检测虚警剔除方法 Download PDFInfo
- Publication number
- CN110111352A CN110111352A CN201910204069.9A CN201910204069A CN110111352A CN 110111352 A CN110111352 A CN 110111352A CN 201910204069 A CN201910204069 A CN 201910204069A CN 110111352 A CN110111352 A CN 110111352A
- Authority
- CN
- China
- Prior art keywords
- false
- alarm
- waters
- feature
- target
- 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
- 239000003643 water by type Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008030 elimination Effects 0.000 title claims abstract description 21
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 21
- 230000010339 dilation Effects 0.000 claims abstract description 19
- 230000003628 erosive effect Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 8
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10044—Radar 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，在连通域标记的基础上，通过统计水域候选区连通域的面积，剔除小面积的水域虚警，然后逐层级的通过长宽比和占空比特征，以及膨胀腐蚀比特征，剔除道路、山谷暗斑等虚警，作为水域精细检测结果，由于充分考虑了虚警之间的形态结构差异，并逐层级的剔除各类虚警，提高了水域检测的精度。
Description
技术领域
本发明涉及图像检测技术领域，具体涉及一种基于特征级联的SAR遥感图像水域检测虚警剔除方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)，是一种微波遥感系统，获取的图像是一种侧视的、全天候、全天时的主动微波遥感图像。SAR图像的水域检测已经广泛地应用于水域制图和洪水监测。
SAR图像水域检测主要分为数据预处理、水域候选区提取与虚警剔除三部分。受SAR成像原理影响，水域候选区中易存在低灰度值的植被和路网，以及山谷暗斑等虚警，难以和真实的水域目标区分开。如何快速精确的将水域目标和虚警区域区分开是水域检测中亟待解决的重点问题。
传统的水域检测虚警剔除方法一般采用基于小面积的虚警剔除方法和基于分类的虚警剔除方法。基于小面积的虚警剔除方法只能剔除小面积的虚警区域，无法剔除大面积的虚警；而基于分类的虚警剔除方法计算复杂，计算量大，需要大量的训练样本，大大降低了水域检测速度。
发明内容
有鉴于此，本发明提供了一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，能够解决现有的水域检测方法中虚警率高，计算复杂，检测速度慢的问题。
一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，包括如下步骤：
步骤1，对SAR遥感图像进行均值滤波去除极值噪声点：
步骤2、采用自适应阈值分割算法，对SAR遥感图像进行二值化分割，提取出水域候选区；
步骤3、基于特征级联进行虚警剔除，具体包括：
步骤3.1、基于最小面积的虚警剔除：
对步骤2分割得到二值图进行连通区域标记，并获得连通区域的面积，当连通域面积小于第一设定阈值AreaMinThr时，认为是非关注区域的小块水域，将其剔除；
步骤3.2、基于长宽比特征和占空比特征的虚警剔除：
在步骤3.1虚警剔除后的连通区域基础上，提取每一个连通区域对应的二值图切片，计算每个连通域二值图切片的长宽比和占空比特征，具体为：
(1)将连通区域对应的二值图中目标绕二值图左上角像素点每次旋转1度，共旋转90度，每次旋转后记录目标的外接矩形的四界坐标，并基于四届坐标确定目标的外接矩形的面积；
(2)通过查找90个外接矩形的最小面积，提取目标对应的最小外接矩形；
(2)计算目标最小外接矩形的长宽之比，即此二值图切片目标的长宽比特征；
(3)计算目标最小外接矩形的面积与切片中目标像素个数之比，即为占空比特征；
若连通区域的面积在第一设定阈值AreaMinThr与第二设定阈值AreaMidThr区间，且满足长宽比特征小于5或者占空比特征小于2，则认为此连通区域为虚警，予以剔除，直接执行下一步；否则直接执行下一步；
步骤3.3、基于膨胀腐蚀比特征的虚警剔除：
在步骤3.2虚警剔除的结果上，在二值图中提取连通区域的面积在第一设定阈值AreaMinThr与第三设定阈值AreaMaxThr区间的连通区域，然后先统计单个目标的像素点个数Area_Target，再对连通区域二值图进行先膨胀后腐蚀处理，进而统计膨胀腐蚀后的目标像素点个数Dilate_Erode；
膨胀腐蚀比特征D_E定义为：D_E＝Dilate_Erode/Area_Target；
判断目标的膨胀腐蚀比特征D_E是否大于设定阈值Thre：如果是则认为是虚警，否则认为是水域候选区。
较佳的，所述步骤2中，先获得SAR遥感图像的SAT积分图，然后在SAT积分图的基础上进行自适应阈值分割处理。
较佳的，所述步骤3.1中，对二值图进行“4”连通区域标记。
较佳的，所述第一设定阈值AreaMinThr为200像素点。
较佳的，所述第二设定阈值AreaMidThr为100000/(分辨率×分辨率。
较佳的，所述膨胀腐蚀尺度采用相同的方形结构元素，尺度为：(45/分辨率)×(45/分辨率)。
较佳的，所述设定阈值Thre设为1.11。
本发明具有如下有益效果：
本发明的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，在连通域标记的基础上，通过统计水域候选区连通域的面积，剔除小面积的水域虚警，然后逐层级的通过长宽比和占空比特征，以及膨胀腐蚀比特征，剔除道路、山谷暗斑等虚警，作为水域精细检测结果，由于充分考虑了虚警之间的形态结构差异，并逐层级的剔除各类虚警，提高了水域检测的精度。
附图说明
图1为本发明提供的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法流程图。
图2(a)为水稻/水养殖场的虚警图像，图2(b)为直河流水域目标图像，图2(c)为弯河流水域目标图像。
图3(a)为山脉阴影虚警图像，图3(b)为水域目标图像。
具体实施方式
解决背景技术所提出问题的一个方法就是基于特征级联的虚警剔除。由于SAR图像存在斑点噪声，信噪比较高。因此，首先对原始SAR图像进行均值滤波，去除SAR图像的斑点噪声；然后，计算SAT积分图，并利用自适应阈值分割获取水域候选区；最后，采用特征级联的虚警剔除方法，在连通域标记的基础上，通过统计水域候选区连通域的面积，剔除小面积的水域虚警，然后逐层级的通过长宽比和占空比特征，以及膨胀腐蚀比特征，剔除道路、山谷暗斑等虚警，作为水域精细检测结果。本发明提供了一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，下面结合附图并举实施例，对本发明进行详细描述。
步骤1，对SAR遥感图像进行均值滤波去除极值噪声点：读入SAR遥感图像数据，采用m×m正方形滑窗在图像中进行水平和竖直方向的步进，滑窗的步进量为1，计算每个窗口的有效像素(像素值大于0)的均值替代原像素点的像素值；
步骤2、基于SAT积分图的水域候选区提取：
对于复杂的纹理图，积分图具有较好的表现特性，积分图的值一般较大，对于较平坦的纹理区域，积分图的值较小。然后采用自适应阈值分割算法，在SAT积分图的基础上，进行水域候选区提取。且分块统计积分图纹理对于较大面积的水域目标检测结果较精确。
步骤2.1、积分图计算
在积分图像中，每个点存储是其上方所有象素之和：
其中，I(x,y)表示图像(x,y)位置的象素值。
积分图像可以采用增量的方式计算：
SAT(x,y)＝SAT(x,y-1)+SAT(x-1,y)+I(x,y)-SAT(x-1,y-1)
初始边界：SAT(-1,y)＝SAT(x,-1)＝SAT(-1,-1)＝0，因此，只需要对整张图遍历一次就可以求得这张图的积分图像。
步骤2.2、图像分割
采用自适应阈值分割算法，在SAT积分图的基础上，对图像进行二值化分割，提取水域候选区。
步骤3、基于特征级联的虚警剔除，具体包括：
步骤3.1、基于最小面积的虚警剔除：
对分割得到二值图进行“4”连通区域标记，获得标记区域的面积。由于SAR图像存在小块的非关注区域，例如池塘或者类似水域区域等，利用连通域标记算法，剔除较小面积的虚警区域，即当连通域面积小于AreaMinThr(经验的一般设置为200像素点)时，认为是非关注区域的小块水域，可以剔除；并将剔除后的连通域作为下一级虚警剔除的输入。
步骤3.2、基于长宽比特征和占空比特征的虚警剔除：
在步骤3.1虚警剔除后的连通域基础上，提取每一个连通域对应的二值图切片，计算每个连通域二值图切片的长宽比和占空比特征，具体为：
(1)将连通域对应的二值图中目标绕二值图左上角像素点每次旋转1度，共旋转90度，每次旋转后记录目标的外接矩形的四界坐标和外接矩形的面积；
(2)通过查找90个外接矩形的最小面积，提取其对应的最小外接矩形。
(2)计算其最小外接矩形的长宽之比即此二值图切片目标的长宽比特征；
(3)计算最小外接矩形的面积与切片中目标像素个数之比即为占空比特征；
若连通域的面积在[AreaMinThr,AreaMidThr]区间，其中AreaMidThr经验性的一般设置为100000/(分辨率×分辨率)，且满足长宽比特征小于RatioLW_thr(一般设置为5)或者占空比特征小于AreaRatio_Thr(一般设置为2)，则认为此连通域为虚警，予以剔除；否则再进入下一级虚警剔除。
如图2(a)、(b)和(c)所示，由于稻田/水养殖场的一般为矩形或者近似矩形，与其最小外接矩形相近，因此占空比一般接近1，长宽比一般也比较小，而对于一般的小河流、湖泊等水域，其形状不规则，河流弯曲细长，其占空比和长宽比一般都比较大。
步骤3.3、基于膨胀腐蚀比特征的虚警剔除：
在上一级虚警剔除的结果上，提取连通域的面积在[AreaMinThr,AreaMaxThr]区间的二值图，先统计单个目标的像素点个数Area_Target，然后提取此连通域二值图先膨胀后腐蚀的结果，这里膨胀腐蚀尺度采用一样的方形结构元素，尺度为(45/分辨率)×(45/分辨率)，进而统计膨胀腐蚀后的目标像素点个数Dilate_Erode。
膨胀腐蚀比特征D_E定义如下：
D_E＝Dilate_Erode/Area_Target
判断目标的膨胀腐蚀比特征D_E是否大于某阈值Thre(经验性的设为1.11)：如果是则认为是虚警，否则认为是水域候选区。
如图3(a)和(b)所示，由于山脉阴影一类的虚警在水域候选区提取中一般会被认为是水域，且山脉阴影的二值图类似于香蕉形状，在进行一定程度的膨胀后，阴影间的缝隙就会被填满，此时，山脉阴影的二值图趋近于四边形,进而进行相同尺度的腐蚀操作，得到的二值图结果还是近似于包围原阴影区域的四边形，统计其像素点个数Dilate_Erode，再除以此目标膨胀腐蚀前的像素点个数，得到的膨胀腐蚀比远大于1；而水域河流湖泊一般呈放射状，其腐蚀膨胀比一般为1左右。
Claims (7)
1.一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，其特征在于，包括如下步骤：
步骤1，对SAR遥感图像进行均值滤波去除极值噪声点：
步骤2、采用自适应阈值分割算法，对SAR遥感图像进行二值化分割，提取出水域候选区；
步骤3、基于特征级联进行虚警剔除，具体包括：
步骤3.1、基于最小面积的虚警剔除：
对步骤2分割得到二值图进行连通区域标记，并获得连通区域的面积，当连通域面积小于第一设定阈值AreaMinThr时，认为是非关注区域的小块水域，将其剔除；
步骤3.2、基于长宽比特征和占空比特征的虚警剔除：
在步骤3.1虚警剔除后的连通区域基础上，提取每一个连通区域对应的二值图切片，计算每个连通域二值图切片的长宽比和占空比特征，具体为：
(1)将连通区域对应的二值图中目标绕二值图左上角像素点每次旋转1度，共旋转90度，每次旋转后记录目标的外接矩形的四界坐标，并基于四届坐标确定目标的外接矩形的面积；
(2)通过查找90个外接矩形的最小面积，提取目标对应的最小外接矩形；
(2)计算目标最小外接矩形的长宽之比，即此二值图切片目标的长宽比特征；
(3)计算目标最小外接矩形的面积与切片中目标像素个数之比，即为占空比特征；
若连通区域的面积在第一设定阈值AreaMinThr与第二设定阈值AreaMidThr区间，且满足长宽比特征小于5或者占空比特征小于2，则认为此连通区域为虚警，予以剔除，直接执行下一步；否则直接执行下一步；
步骤3.3、基于膨胀腐蚀比特征的虚警剔除：
在步骤3.2虚警剔除的结果上，在二值图中提取连通区域的面积在第一设定阈值AreaMinThr与第三设定阈值AreaMaxThr区间的连通区域，然后先统计单个目标的像素点个数Area_Target，再对连通区域二值图进行先膨胀后腐蚀处理，进而统计膨胀腐蚀后的目标像素点个数Dilate_Erode；
膨胀腐蚀比特征D_E定义为：D_E＝Dilate_Erode/Area_Target；
判断目标的膨胀腐蚀比特征D_E是否大于设定阈值Thre：如果是则认为是虚警，否则认为是水域候选区。
2.如权利要求1所述的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，其特征在于，所述步骤2中，先获得SAR遥感图像的SAT积分图，然后在SAT积分图的基础上进行自适应阈值分割处理。
3.如权利要求1所述的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，其特征在于，所述步骤3.1中，对二值图进行“4”连通区域标记。
4.如权利要求1所述的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，其特征在于，所述第一设定阈值AreaMinThr为200像素点。
5.如权利要求1所述的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，其特征在于，所述第二设定阈值AreaMidThr为100000/(分辨率×分辨率。
6.如权利要求1所述的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，其特征在于，所述膨胀腐蚀尺度采用相同的方形结构元素，尺度为：(45/分辨率)×(45/分辨率)。
7.如权利要求1所述的一种基于特征级联的SAR遥感图像水域检测虚警剔除方法，其特征在于，所述设定阈值Thre设为1.11。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204069.9A CN110111352A (zh) | 2019-03-18 | 2019-03-18 | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204069.9A CN110111352A (zh) | 2019-03-18 | 2019-03-18 | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110111352A true CN110111352A (zh) | 2019-08-09 |
Family
ID=67484375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910204069.9A Pending CN110111352A (zh) | 2019-03-18 | 2019-03-18 | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111352A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940975A (zh) * | 2019-10-28 | 2020-03-31 | 湖南华诺星空电子技术有限公司 | 一种吊顶雷达地面虚警抑制方法 |
| CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
| CN112949682A (zh) * | 2021-01-27 | 2021-06-11 | 重庆交通大学 | 一种特征级统计描述学习的sar图像分类方法 |
| CN112991253A (zh) * | 2019-12-02 | 2021-06-18 | 合肥美亚光电技术股份有限公司 | 中心区域确定方法、异物剔除方法、装置及检测设备 |
| CN113470127A (zh) * | 2021-09-06 | 2021-10-01 | 成都国星宇航科技有限公司 | 基于星载云检测的光学图像有效压缩方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
| CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
| CN103761522A (zh) * | 2013-12-27 | 2014-04-30 | 河海大学 | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
| CN103955692A (zh) * | 2014-04-30 | 2014-07-30 | 北京理工大学 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
| CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
| CN108447045A (zh) * | 2018-02-02 | 2018-08-24 | 北京理工雷科电子信息技术有限公司 | 一种基于sat积分图的sar遥感图像水域检测方法 |
-
2019
- 2019-03-18 CN CN201910204069.9A patent/CN110111352A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
| CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
| CN103761522A (zh) * | 2013-12-27 | 2014-04-30 | 河海大学 | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
| CN103955692A (zh) * | 2014-04-30 | 2014-07-30 | 北京理工大学 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
| CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
| CN108447045A (zh) * | 2018-02-02 | 2018-08-24 | 北京理工雷科电子信息技术有限公司 | 一种基于sat积分图的sar遥感图像水域检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 于晓宁: ""基于高分辨率遥感影像的水体信息提取方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940975A (zh) * | 2019-10-28 | 2020-03-31 | 湖南华诺星空电子技术有限公司 | 一种吊顶雷达地面虚警抑制方法 |
| CN112991253A (zh) * | 2019-12-02 | 2021-06-18 | 合肥美亚光电技术股份有限公司 | 中心区域确定方法、异物剔除方法、装置及检测设备 |
| CN112991253B (zh) * | 2019-12-02 | 2024-05-31 | 合肥美亚光电技术股份有限公司 | 中心区域确定方法、异物剔除方法、装置及检测设备 |
| CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
| CN111914686B (zh) * | 2020-07-15 | 2022-10-18 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
| CN112949682A (zh) * | 2021-01-27 | 2021-06-11 | 重庆交通大学 | 一种特征级统计描述学习的sar图像分类方法 |
| CN112949682B (zh) * | 2021-01-27 | 2022-05-20 | 重庆交通大学 | 一种特征级统计描述学习的sar图像分类方法 |
| CN113470127A (zh) * | 2021-09-06 | 2021-10-01 | 成都国星宇航科技有限公司 | 基于星载云检测的光学图像有效压缩方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111352A (zh) | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
| CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
| CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
| CN109299720A (zh) | 一种基于轮廓片段空间关系的目标识别方法 | |
| WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
| CN105160355B (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
| CN115761563A (zh) | 一种基于光流测算的河流表面流速的计算方法及系统 | |
| CN109472770A (zh) | 一种印刷电路板检测中的图像特征点快速匹配算法 | |
| CN108537116A (zh) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 | |
| CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| Ouma et al. | Urban features recognition and extraction from very-high resolution multi-spectral satellite imagery: a micro–macro texture determination and integration framework | |
| CN113129323A (zh) | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 | |
| CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
| Tsatsoulis et al. | Identifying ice floes and computing ice floe distributions in SAR images | |
| CN111881837B (zh) | 基于阴影提取的视频sar运动目标检测方法 | |
| CN108447045B (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 | |
| Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding | |
| CN116152532A (zh) | 一种遥感影像特征提取与匹配方法、装置及电子设备 | |
| CN112528990B (zh) | 一种高动态星敏感器恒星光斑提取方法 | |
| CN111191534B (zh) | 一种模糊航空图像中的道路提取方法 | |
| EP3137895A1 (en) | Method and apparatus for processing block to be processed of urine sediment image |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190809 |