CN110211128B - 基于遥感影像和dem的黄土高原梯田提取方法 - Google Patents
基于遥感影像和dem的黄土高原梯田提取方法 Download PDFInfo
- Publication number
- CN110211128B CN110211128B CN201910371166.7A CN201910371166A CN110211128B CN 110211128 B CN110211128 B CN 110211128B CN 201910371166 A CN201910371166 A CN 201910371166A CN 110211128 B CN110211128 B CN 110211128B
- Authority
- CN
- China
- Prior art keywords
- terrace
- image
- remote sensing
- dem
- sensing image
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012876 topography Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011439 discrete element method Methods 0.000 claims 1
- 239000002689 soil Substances 0.000 abstract description 9
- 238000011835 investigation Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 238000007670 refining Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004162 soil erosion Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T7/187—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
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于遥感影像和DEM的黄土高原梯田提取方法,首先对遥感影像进行分析,得到梯田在空间域和频率域的特征,提出可以反映遥感影像梯田特征的参数,并确定用于遥感影像梯田候选区提取的合适参数阈值,根据梯田影像的灰度变化规律,利用傅里叶变换并结合图像特征参数实现对梯田候选区的提取;然后基于DEM利用区域生长法提取正地形区域;通过正地形区域与梯田候选区域的交集得到位于正地形上的梯田区域,最后通过孔洞填充、破碎图斑去除和边界平滑图像处理操作对梯田范围精细化,得到最终梯田范围。本发明提出的基于遥感影像和DEM的黄土高原梯田提取方法具有操作方法简单、普适性强、效率高、提取精度较高等特点,可应用到黄土高原水土检测和土地利用调查工作中。
Description
技术领域
本发明属于水土保持和国土资源监测技术,涉及一种梯田提取方法,具体涉及一种基于遥感影像和DEM的黄土高原梯田提取方法。
背景技术
梯田是一种典型的人工地貌,是顺山坡沿等高线修筑的阶梯状农田,在中国有很长一段历史。梯田是黄土高原地区重要的水土保持措施。梯田改变了土地利用类型和土壤侵蚀方式,具有保水、蓄水、增产作用。近年来,国家加大了黄土高原水土流失综合治理力度,实施了大量“坡改梯”等水保工程,梯田的面积不断增加。实时提取梯田范围对水土保持措施相关的科学研究、政策制定都具有重要意义。
基于遥感影像提取梯田,使用灰度共生矩阵和傅里叶变换的技术提取的梯田效果并不理想,识别精度也无法保证,不能较大范围的使用。面向对象技术是最近几年发展起来的,通过分析影像对象的光谱特征、纹理特征和空间特征实现了梯田的自动提取,但是梯田上的植被会影响梯田提取的精度,其分类结果不具有普适性,在实验过程中很容易形成破碎图斑。因此,如何不失一般性地精准自动提取梯田是亟待解决的问题。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提出一种基于遥感影像和DEM,图像处理和数字地形分析相结合自动化梯田提取技术,为水土保持监测和土地利用调查提供基础数据和决策支持。
技术方案:本发明的一种基于遥感影像和DEM的黄土高原梯田提取方法,依次包括以下步骤:
(1)对原始图像进行预处理,使用傅里叶变换对影像进行滤波处理得到频率域图像,分析遥感影像中梯田在空间域和频率域中的独特特征,包括平面形态特征、灰度值变化规律以及频率图像中能量值的特征,初步选择可以区分梯田和非梯田区域的参数;
(2)选择多个小样区,对步骤(1)中选择的参数进行验证,确定梯田提取的参数及其阈值;
(3)根据梯田宽度和遥感影像分辨率确定合适的分析窗口尺度,所述分析窗口不小于梯田宽度;
(4)根据步骤(2)和步骤(3)得到的参数及其阈值和确定好的分析窗口,利用傅里叶变换提取梯田候选区,利用傅里叶变换提取梯田候选区;
(5)采用区域生长法对DEM进行正地形区域的提取;
(6)通过对步骤(4)得到的梯田候选区和步骤(5)得到的正地形取交集得到位于正地形区域上的梯田区域;
(7)对步骤(6)得到的位于正地形区域上的梯田区域进行孔洞填充、破碎图斑去除和边界平滑图像处理操作得到最终精细化的梯田范围。
进一步地,步骤(1)中,所述预处理包括:将彩色图像转换为灰色图像和通过图像的灰度值拉伸增强图像的对比度.
进一步地,步骤(1)中,所述遥感影像中梯田在频率域中独特特征为:能量值在灰度变化剧烈的方向上会呈现较大的数值。
进一步地,步骤(1)中,所述可以区分梯田和非梯田区域的参数包括:图像的标准差、图像灰度均值、方向最大能量比和能量均值。
进一步地,所述方向最大能量比,用于反映图像频率域能量值在某个角度范围内的集中程度,在原始图像中反映为相较于整个窗口影像的灰度值在某个角度范围内变化的强烈程度;该参数是对每个窗口内的图像做傅里叶变换,将频率域图像从0°开始每30°计算一次能量值所得到的6个方向中的最大能量与总能量值的比值。因为频率域图像能量值是关于原点呈中心对称的,故只需要考虑0-180°范围内的能量值即可。
进一步地,所述能量均值是窗口内频率域图像能量值的平均值。
进一步地,所述步骤(2)具体包括:
(21)随机选取区域内各主要地物类型小样区;
(22)计算并比较步骤(1)中初步选择的参数在各地物小样区的值的大小;
(23)若找到合适的参数阈值将梯田和非梯田区域分离开,则使用该参数提取梯田,否则,不使用该参数。
进一步地,所述步骤(5)包括以下步骤:
(5.1)选择合适的生长点;
进一步地,采用流域边界线的领域分析方法提取山顶点作为正地形的生长点,选取出水口作为负地形的生长点;
(5.2)确定生长准则;
进一步地,所述生长准则为:在4邻域或8邻域内,待测点灰度与生长点灰度值相差为1或者0;
进一步地,所述步骤(5.2)具体包括以下步骤:
(5.2.1)使用坡面畸变邻域法提取正地形,以山顶点作为生长点,生长至没有满足生长条件的点为止;正地形生长过程中将得到的正地形区域用数字“1”来进行标记;
(5.2.2)使用坡面畸变邻域法提取出的负地形,以出水口作为生长点,生长至没有满足生长条件的点为止;负地形生长过程中,将负地形区域用数字“0”进行标记;
(5.2.3)得到标记为“1”的正地形区域,标记为“0”的负地形区域,以及尚未赋值的未识别区域,将正负地形分类结果结合DEM山体阴影图进行分析,将未识别区域进行划分得到全部的正负地形;
(5.3)确定生长停止条件:如果相邻两次生长结果不发生变化,即已经不存在满足生长准则的像元点,则停止生长。
有益效果:基于遥感影像和DEM数据,通过影像中梯田的空间域和频率域特征,结合梯田影像的灰度变化规律,提出了傅里叶变换与数字地形分析技术结合的梯田自动提取方法;遥感影像和DEM是水土保持监测和人工地貌提取的重要数据,使用遥感影像和DEM设计有效的自动化梯田提取方法提高了提取效率、减少人工工作量,对于黄土高原地区的土地利用调查分析、水土保持工作评价、土壤侵蚀调查等具有重要的意义。
附图说明
图1是本发明提供的梯田提取方法的流程图;
图2是实施例样区的遥感影像;
图3是实施例样区三幅不同走向梯田频率域图像;
图4是实施例样区灰度图像;
图5是实施例样区梯田候选区提取流程图;
图6是实施例样区的梯田候选区;
图7是本发明设计的区域生长法正地形提取方法的流程图;
图8是实施例样区的正地形区域;
图9是实施例样区的正地形上的梯田候选区;
图10是实施例样区最终梯田提取结果。
具体实施方式:
请参见图1,其示出了一种基于遥感影像和DEM的黄土高原梯田提取方法地流程图。
下面结合附图和实施例对本发明的技术方案作进一步详细说明。
本实施例的样区取陕西省绥德县无定河中下游,其地理位置在37°28′22″N-37°39′38″N、110°18′52″E-110°21′48″E,样区内沟壑纵横,土壤侵蚀极为剧烈,梯田广布,属于黄土峁状丘陵沟壑。该样区内梯田分布较多,梯田特征明显,梯田田坎较为清晰,包含了黄土高原上的各种典型的梯田形态(无核梯田,有核梯田,多核梯田)。实验数据为0.5m分辨率的遥感影像和5m分辨率的DEM数据。基于遥感影像和DEM的梯田提取方法,依次包括以下步骤:
(1)获取遥感影像数据,对遥感影像进行几何校正,通过裁切得到实验样区的遥感影像,如图2所示;
(2)分析梯田影像的空间域特征,总结梯田在影像中的平面形态特征,分析梯田特征与影像灰度值之间的关系;
(3)使用傅里叶变换对遥感影像进行频率域滤波得到频率域图像,并分析其频率域图像特征;
(4)根据步骤(2)分析得到样区梯田宽度大多数都集中在2-20m,又考虑到遥感影像的分辨率为0.5m,所以确定分析窗口为50×50;
(5)在空间域中,同样大小的窗口内,梯田影像比其他地物影像的灰度值变化过更复杂,速度更快。在频率域中,梯田影像变换后最明显的特征就是能量值在灰度变化剧烈的方向上会呈现较大的数值,本发明提出了“方向最大能量比”。所以选取了图像灰度均值、图像标准差、方向最大能量比值和能量均值参数进行试验,最终确定方向最大能量比值大于0.25,图像标准差大于2000作为梯田提取的规则;
(6)先将原始遥感影像进行图像预处理,包括彩色图像转换为灰度图像和采用线性拉伸方法拉伸来增强图像的对比度,对窗口内图像进行傅里叶变换,计算和比较分析窗口内图像的方向最大能量比值和图像标准差来判断窗口是否存在梯田。窗口内图像方向最大能量比值大于0.25且图像标准差大于2000的为梯田区域,窗口在整幅图像上滑动的过程中,只要检测到符合上述条件的窗口,就在新建图像上相应位置用1进行标记,待窗口对整个图像扫描完成,就可以获得整个图像的梯田范围,即新建图像上灰度值为1的区域,即白色区域,也就是梯田候选区,如图6所示。
(7)基于DEM根据区域生长法提取正地形,提取方法流程如图7所示,正地形提取结果如图8所示;
(8)通过正地形区域与梯田候选区域取交集来获得位于正地形上的梯田区域,提取结果如图9所示;
(9)对步骤(8)的提取结果进行孔洞填充和破碎图斑去除,通过对填充孔洞的大小进行反复的实验和测试,确定使用10个窗口大小作为判断阈值,在填充孔洞时,如果孔洞的连通域面积小于或等于10个窗口大小,那么该孔洞将被填充;在进行破碎图斑去除时,如果连通域像元面积小于或者等于10个窗口大小,那么去除这个图斑。然后再运用图像形态学中的闭运算进行图像边缘平滑,得到最终梯田提取结果,如图10所示。
对于最终的梯田提取结果,采用用户精度、制图精度、漏分误差和错分误差对梯田提取结果进行评价,其中真实梯田位置是通过遥感图像目视解译获得,评价结果如表1所示,提取梯田的制图精度为79.0%,用户精度为73.5%,这说明该方法提取的梯田占全部真实梯田的79.0%,在提取的梯田中有73.5%的是正确的,即本发明具有较高的精度和实用性。
表1精度评价结果
Claims (10)
1.一种基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于:依次包括以下步骤:
(1)对原始遥感影像进行预处理,使用傅里叶变换对遥感影像进行滤波处理得到频率域图像,分析遥感影像中梯田在空间域和频率域中的独特特征,包括平面形态特征、灰度值变化规律以及频率图像中能量值的特征,初步选择区分梯田和非梯田区域的参数;
(2)选择多个小样区,对步骤(1)中选择的参数进行验证,确定用于梯田提取的参数及其阈值;
(3)根据梯田宽度和遥感影像分辨率确定合适的分析窗口大小,所述分析窗口不小于梯田宽度;
(4)根据步骤(2)和步骤(3)得到的参数及其阈值和确定好的分析窗口,利用傅里叶变换提取梯田候选区;
(5)采用区域生长法对DEM进行正地形区域的提取;
(6)通过对步骤(4)得到的梯田候选区和步骤(5)得到的正地形取交集得到位于正地形区域上的梯田区域;
(7)对步骤(6)得到的位于正地形区域上的梯田区域进行孔洞填充、破碎图斑去除和边界平滑图像处理操作得到最终精细化的梯田范围。
2.根据权利要求1所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,步骤(1)中,所述预处理包括:将彩色图像转换为灰色图像和通过图像的灰度值拉伸增强图像的对比度。
3.根据权利要求1所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,步骤(1)中,所述遥感影像中梯田在频率域中独特特征为:能量值在灰度变化剧烈的方向上会呈现较大的数值。
4.根据权利要求1所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,步骤(1)中,所述区分梯田和非梯田区域的参数包括:图像的标准差、图像灰度均值、方向最大能量比和能量均值。
5.根据权利要求4所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于:所述方向最大能量比,用于反映图像频率域能量值在某个角度范围内的集中程度,在原始图像中反映为相较于整个窗口影像的灰度值在某个角度范围内变化的强烈程度;该参数是对每个窗口内的图像做傅里叶变换,将频率域图像从0°开始每30°计算一次能量值所得到的6个方向中的最大能量与总能量值的比值;所述能量均值是窗口内频率域图像能量值的平均值。
6.根据权利要求1所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,所述步骤(2)具体包括:
(21)随机选取区域内各主要地物类型小样区;
(22)计算并比较步骤(1)中初步选择的参数在各地物小样区的值的大小;
(23)若找到合适的参数阈值将梯田和非梯田区域分离开,则使用该参数提取梯田,否则,不使用该参数。
7.根据权利要求1所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,所述步骤(5)包括:
(5.1)选择合适的生长点;
(5.2)确定生长准则,所述生长准则是在4邻域或8邻域内,待测点灰度与生长点灰度值相差为1或者0;
(5.3)确定生长停止条件,如果相邻两次生长结果不发生变化,即已经不存在满足生长准则的像元点,则停止生长。
8.根据权利要求7所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,所述步骤(5.1)为:采用流域边界线的邻域分析方法提取山顶点作为正地形的生长点,选取出水口作为负地形的生长点。
9.根据权利要求7所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,步骤(5.2)中所述生长准则为:使用坡面畸变邻域法提取正负地形,分别在正负地形上进行生长,正地形上以山顶点作为生长点,负地形以出水口作为生长点,至没有满足生长条件的点为止。
10.根据权利要求7所述的基于遥感影像和DEM的黄土高原梯田提取方法,其特征在于,步骤(5.2)包括:
(5.2.1)正地形生长过程中,将得到的正地形区域用数字“1”来进行标记;
(5.2.2)负地形生长过程中,将负地形区域用数字“0”进行标记;
(5.2.3)得到标记为“1”的正地形区域,标记为“0”的负地形区域,以及尚未赋值的未识别区域,将正负地形分类结果结合DEM山体阴影图进行分析,将未识别区域进行划分得到全部的正负地形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371166.7A CN110211128B (zh) | 2019-05-06 | 2019-05-06 | 基于遥感影像和dem的黄土高原梯田提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371166.7A CN110211128B (zh) | 2019-05-06 | 2019-05-06 | 基于遥感影像和dem的黄土高原梯田提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211128A CN110211128A (zh) | 2019-09-06 |
CN110211128B true CN110211128B (zh) | 2023-02-17 |
Family
ID=67785513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371166.7A Active CN110211128B (zh) | 2019-05-06 | 2019-05-06 | 基于遥感影像和dem的黄土高原梯田提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211128B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476182B (zh) * | 2020-04-13 | 2021-06-01 | 中国科学院空天信息创新研究院 | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 |
CN112148829B (zh) * | 2020-09-30 | 2023-05-16 | 重庆市规划设计研究院 | 一种应用于消除破碎图斑的gis算法优化方法 |
CN114529814B (zh) * | 2022-01-26 | 2023-04-07 | 南京信息工程大学 | 基于多源数据的黄土高原淤地坝提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和系统 |
CN107067384A (zh) * | 2017-04-12 | 2017-08-18 | 南京师范大学 | 一种基于射线法的黄土高原梯田提取方法 |
CN108846402A (zh) * | 2018-05-25 | 2018-11-20 | 南京师范大学 | 基于多源数据的梯田田坎自动化提取方法 |
-
2019
- 2019-05-06 CN CN201910371166.7A patent/CN110211128B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和系统 |
CN107067384A (zh) * | 2017-04-12 | 2017-08-18 | 南京师范大学 | 一种基于射线法的黄土高原梯田提取方法 |
CN108846402A (zh) * | 2018-05-25 | 2018-11-20 | 南京师范大学 | 基于多源数据的梯田田坎自动化提取方法 |
Non-Patent Citations (1)
Title |
---|
基于DEM光照晕渲模拟的梯田自动提取方法;代文等;《地球信息科学学报》(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110211128A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836976B2 (en) | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
Graham et al. | Automated sizing of coarse-grained sediments: image-processing procedures | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN108961246B (zh) | 一种基于人工智能的扫描电镜图像孔隙识别方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN108388916B (zh) | 一种基于人工智能的水体漂浮物自动识别方法和系统 | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN110287898A (zh) | 一种光学卫星遥感影像云检测方法 | |
CN104361582A (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN112396612A (zh) | 一种矢量信息辅助的遥感影像道路信息自动提取方法 | |
CN112037244A (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN112613464A (zh) | 一种基于无人机影像匹配点云的高原梯田提取方法 | |
Puissant et al. | Coastline extraction in VHR imagery using mathematical morphology with spatial and spectral knowledge | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN110956083A (zh) | 一种基于高分四号光学卫星的渤海海冰漂移遥感探测方法 |
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 |