CN110956083A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110956083A CN110956083A CN201910997758.XA CN201910997758A CN110956083A CN 110956083 A CN110956083 A CN 110956083A CN 201910997758 A CN201910997758 A CN 201910997758A CN 110956083 A CN110956083 A CN 110956083A
- Authority
- CN
- China
- Prior art keywords
- image
- sea ice
- algorithm
- feature
- characteristic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000003287 optical effect Effects 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 238000013461 design Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Abstract
本发明公开了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,属于海冰漂移监测领域,首先,先利用SIFT算法在配准的两幅影像中一幅影像选取出特征点,基于这一幅影像上的特征点为中心,得到一系列特征区域;然后基于第一幅影像的特征区域,用NCC算法遍历第二幅影像,找到相匹配的特征区域,得到正确匹配特征区域对;通过两个时相的GF‑4遥感影像得到的匹配区域相关数据,可计算得到海冰漂移的速度和方向。本发明提出的算法与SIFT算法、NCC算法相比,在检测准确率没有降低的情况下,检测的海冰漂移速度和方向速度更接近实际情况,更适合运用到实践中,更适合运用到海冰监测中。
Description
技术领域
本发明属于海冰漂移监测领域,具体涉及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。
背景技术
海冰对海上航行安全有严重阻碍,监测海冰的时空分布对冬季的海上活动有着重要意义。国际上卫星遥感海冰监测的主要区域是在极区与高纬度地区,保证极区航行安全和监测极区海洋环境。Liu AK等(1999)利用散射仪和微波成像仪获取北极地区的日海冰漂移信息;Zhao Y等(2002)验证基于QuikSCAT数据与SSM/I和浮标数据的北极海冰运动;Haarpaintner J等(2006)通过QuikScat/SeaWinds散射测量复合数据监测48h北极范围海冰漂移;Lavergne T等(2010)从各种低分辨率卫星传感器(AMSR-E,SSMI和ASCAT)提供的数据处理海冰运动;F.G.Ardhuin等(2012)研究散射仪和散射仪数据来对整个北极地区进行海冰漂移估计;Dabboor M等(2014)利用SAR图像开展对加拿大北极地区不同海冰类型和开放水域的分类。
国内外学者已经提出多种基于卫星影像自动提取海冰信息的方法,并成功地应用在极地海冰漂移监测中。常用于海冰漂移监测方法包括基于特征跟踪方法、基于统计的方法、光流跟踪和基于模式识别的方法。目前,SAR海冰漂移探测方法主要有模式匹配和特征跟踪两种方法。经典的典型的模式匹配方法包括最大互相关算法(Maximum cross-correlation,MCC)和归一化互相关算法(Normalized cross-correlation,NCC)。MCC和NCC都是基于图像像素的海冰漂移探测算法,其根据匹配样本,计算待匹配图像与匹配样本的统计特性,通过根据计算得出的互相关系数确定最佳匹配区域。MCC和NCC是最早应用于SAR海冰漂移探测的两种方法,这两种方法最大的缺陷是具有很强的图像依赖性,算法对噪声敏感,计算效率低,且无法探测旋转海冰的漂移信息。
由于模板匹配法的缺点,近年来多数研究者已将注意力转向了图像匹配领域中基于特征点的匹配方法,即特征跟踪方法。特征跟踪方法通过提取图像中的明显特征点,如边缘点、角点、区域极值点等,而后对特征点赋不同维度的矢量,即为特征点赋描述算子,根据描述算子的信息对各特征点进行匹配。典型的特征跟踪方法有SIFT(Scale InvariantFeature Transform)和SURF(Speeded-up Robust Features)。特征跟踪方法对具有平移、旋转、仿射变换的图像匹配问题不敏感,能够克服旋转海冰的漂移探测问题,这是其与模式匹配方法相比较最重要的一项优势。但特征跟踪方法是基于特征点的图像匹配方法,对于遥感图像中多处灰度值十分相近的区域常常出现大量误匹配的情况,这使得该方法的匹配正确率十分低。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于高分四号光学卫星的海冰漂移遥感探测方法,结合特征跟踪与模板匹配两种海冰探测方式,具有良好的海冰漂移监测能力。
为了实现上述目的,本发明采用如下技术方案:
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,按照如下步骤进行:
步骤1:输入两幅高分四号图像A、B;
步骤2:对图像A、B进行图像矩阵归一化,然后将图像数据类型转换为无符号八位整型;
步骤3:利用SIFT算法选取高分四号图像A的特征点,具体按照如下步骤进行:
步骤3.1:将图像A转换为PGM图像文件,由可执行的关键点读取;
步骤3.2:调用可执行的关键点,调用特征跟踪源程序;
步骤3.3:打开特征点文件,并检查其标题;
步骤3.2:解析特征点文件,将每个输入向量标准化为单位长度,得到特征点;
步骤4:去除距离图像A边缘小于步长二分之一的特征点;
如果特征点的横纵坐标减去步长的一半仍在图像A范围内,则保留此特征点;
如果特征点的横纵坐标加上步长的一半仍在图像A范围内,则保留此特征点;
步骤5:以图像A的特征点为中心,在图像A内裁剪步长大小的特征区域,得到一系列的特征区域;
步骤6:用NCC算法,以图像A的特征区域为模板图像在图像B上遍历,利用归一化互相关方法确定样本匹配程度,互相关值最大时的位置决定模板图像在搜索图像中的位置;找到相匹配的特征区域,得到正确匹配特征区域对;
步骤7:将经过陆地进行掩膜后的图像A记为I,读取图像I;
步骤8:对图像I进行图像矩阵归一化处理,然后将图像数据类型转换为无符号八位整型;
步骤9:将图像B中陆地部分像素值化为零;具体包括如下步骤:
步骤9.1:利用最大类间方差法找到图像I的阈值;
步骤9.2:利用阈值变换法将图像I转为二值图像;
步骤9.3:将图像B矩阵点乘二值图像,依据二值图像将图像B中陆地部分像素值化为零;
步骤10:通过每个模板图像和相匹配的搜索图像即匹配区域对的中心点位置,结合两幅影像的重访时间及图像分辨率,计算得到海冰漂移速度和方向。
本发明所带来的有益技术效果:
本发明提出了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,与现有技术相比,本方法结合了特征跟踪和模式匹配两种方式,充分利用图像的点特征与面特征,并且最后监测结果表明,所提出的方法比SIFT算法、NCC算法正确率高,结果更接近目视解译结果,更适合运用到渤海海冰漂移监测中。
附图说明
图1为本发明基于高分四号光学卫星的渤海海冰漂移遥感探测方法的流程框图。
图2(a)为本申请提出算法对第一组数据的海冰漂移检测结果图(特征区域步长为30)。
图2(b)为本申请提出算法对第二组数据的海冰漂移检测结果图(特征区域步长为30)。
图3(a)为SIFT算法对第一组数据的海冰漂移检测结果图(特征区域步长为30)。
图3(b)为SIFT算法对第二组数据的海冰漂移检测结果图(特征区域步长为30)。
图4(a)为NCC算法对第一组数据的海冰漂移检测结果图(特征区域步长为30)。
图4(b)为NCC算法对第二组数据的海冰漂移检测结果图(特征区域步长为30)。
图5为设计特征区域步长为24,用本申请算法对海冰漂移检测结果图。
图6为设计特征区域步长为30,用本申请算法对海冰漂移检测结果图。
图7为设计特征区域步长为40,用本申请算法对海冰漂移检测结果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
1、快速算法设计思路来源
本申请提出的海冰漂移监测算法采纳了经典SIFT算法和NCC算法中的一些思想。(1)特征跟踪方法SIFT(Scale Invariant Feature Transform)通过提取图像中的明显特征点,如边缘点、角点、区域极值点等,而后对特征点赋不同维度的矢量,即为特征点赋描述算子,根据描述算子的信息对各特征点进行匹配。(2)特征跟踪方法对具有平移、旋转、仿射变换的图像匹配问题不敏感,能够克服旋转海冰的漂移探测问题,这是其与模式匹配方法相比较最重要的一项优势。(3)经典的典型的模式匹配方法,归一化互相关算法(Normalized cross-correlation,NCC)是基于图像像素的海冰漂移探测算法。算法根据匹配样本,计算待匹配图像与匹配样本的统计特性,通过根据计算得出的互相关系数确定最佳匹配区域。(4)极地海冰漂移的遥感探测得益于极轨卫星在极区高密度的重访时间,然而渤海处于北半球的中纬度,太阳同步轨道卫星的重访周期远不如极轨卫星,如SAR和光学卫星的重访周期多为几天或者十几天,更有甚者达到30多天,不适用于渤海此类季节性冰。再者,渤海海冰易变形,获取海冰细节特征需高空间分辨率数据。国内发射的高分4号光学遥感卫星具有6个光谱通道,最高空间分辨率可达50m,最短时间间隔为20s。因此,基于高时间分辨率、高空间分辨率的GF-4卫星影像应用于算法来显著提高遥感方式监测海冰的能力。
本发明基于以上的算法思想设计了以下的海冰漂移遥感探测方法:首先,先利用SIFT算法在配准的两幅影像中一幅图像选取出特征点,然后去除距离图像边缘小于步长大小二分之一的特征点。基于第一幅影像上的特征点为中心,以设计的步长在第一幅影像裁剪特征区域,由此可以得到一系列的特征区域。然后基于第一幅影像的特征区域,用NCC算法遍历第二幅影像,以归一化互相关最大值找到相匹配的特征区域,由此得到正确匹配特征区域对。接着,输入对陆地进行掩膜的图像,对第二幅影像的陆地部分像素值化为零。最后,通过两个时相的GF-4遥感影像中得到的匹配区域对中心点的位置,结合影像分辨率等相关数据,可以得到海冰漂移的速度和方向,并用相应的矢量箭头表示在图上。
2、快速算法的具体流程,详细步骤(如图1所示)描述如下:
(1)输入两幅高分四号图像A、B,对图像A、B进行图像矩阵归一化,然后将图像数据类型转换为无符号八位整型;
(2)利用SIFT算法选取高分四号图像A的特征点,具体按照如下步骤进行:将图像转换为PGM图像文件,可由“关键点”可执行文件读取;调用可执行的关键点,调用特征跟踪源程序;打开特征点文件,并检查其标题;解析特征点文件,将每个输入向量标准化为单位长度;
(3)去除距离图像边缘小于步长大小二分之一的特征点,在边缘处的特征点在第二幅图像上可能匹配到图像外的特征区域:判断特征点横纵坐标减去步长的一半仍在图像大小内,则保留;判断特征点横纵坐标加上步长的一半仍在图像大小内,则保留;
(4)读取图像I(图像A对陆地进行掩膜后的图像),对图像A、B进行图像矩阵归一化,然后将图像数据类型转换为无符号八位整型。对于陆地部分的影像不存在海冰,用NCC算法遍历时快速舍弃会提高算法运行速度,而且出去错误匹配样本对;
(5)将图像B中陆地部分像素值化为零:利用最大类间方差法找到图像I的阈值,掩膜与海冰的像素值差距大;利用阈值变换法把灰度图像I转为二值图像;图像B矩阵点乘二值图像;
(6)对每一个图像A的特征点,以特征点为中心,裁剪设计窗口大小的特征区域,那么得到一系列的方形特征样本;
(7)用特征区域为模板图像在图像B上遍历,利用归一化互相关方法确定样本匹配程度,互相关值最大时的位置决定模板图像在搜索图像中的位置;
(8)以每个模板图像和相匹配的搜索图像的中心点位置,结合两幅影像的重访时间及图像分辨率来计算海冰漂移速度和方向。
3、本申请提出算法原理
3.1、特征跟踪算法
SIFT即尺度不变特征变换,是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。SIFT算法实现特征匹配主要有以下三个流程:
(1)提取关键点:关键点是一些十分突出的不会因光照、尺度、旋转等因素而消失的点,比如角点、边缘点、暗区域的亮点以及亮区域的暗点。此步骤是搜索所有尺度空间上的图像位置。通过高斯微分函数来识别潜在的具有尺度和旋转不变的兴趣点。在特征提取步骤下,其主要应用了图像金字塔和图像尺度空间。特征点提取的具体步骤为:将相同大小的相邻高斯尺度之间的灰度图像进行减法运算,进而得到高斯差分图像。可以看得出其边缘特征比较明显。然后在高斯差分图像上检测特征点。
(2)定位关键点并确定特征方向:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。然后基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性。
(3)通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点,也就建立了景物间的对应关系。提取关键点和对关键点附加详细的信息(局部特征)也就是所谓的描述器可以称做是SIFT特征的生成,即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量。
3.2、模式匹配算法
NCC匹配算法是一种经典的匹配算法。通过计算模板图像和搜索图像的互相关值确定匹配的程度。互相关值最大时的位置决定了模板图像在搜索图像中的位置和相似程度。在实际匹配应用中,背景图和模板图的相似性通过度量函数来度量,则归一化积相关匹配度量定义为:
式中:
r(i,j)为子图左上角顶点在背景图中的坐标;
A为模板图像;
B为背景图像;
m和n分别为图像的行和列。
NCC算法具有很高的准确性与适应性,对图像灰度值线性变换具有“免疫性”,即所求的NCC值不受灰度值的线性变换的影响。1986年Fily、Rothrock等人使用归一化互相关算法从SAR海冰图像中提取出了海冰漂移速度和方向,首次将归一化互相关算法运用于SAR海冰漂移探测中。归一化互相关算法和最大互相关算法都是基于图像像素的海冰漂移探测算法,其根据匹配样本的像素值,计算待匹配图像与匹配样本的统计特性,根据计算得出的互相关系数确定最佳匹配区域。
4、检测结果分析
本申请以两组高分四号影像数据为例分析其检测结果。
图2(a)是渤海海域部分海冰图,该组图像是2018年2月6号10:00:00和14:47:11高分四号卫星影像,影像大小576×576。
图3(a)是渤海海域部分海冰图,该组图像是2018年1月11号09:03:53和14:13:29高分四号卫星影像,影像大小658×525。
使用本申请提出的海冰监测算法和SIFT算法、NCC算法对两组图像进行海冰监测,对比研究三种算法的正确率和精度,分析提出算法的海冰监测效果。实验中遍历图像的步长和特征区域的窗口大小影响监测精度。
表1、表2分别给出了第一组和第二组GF-4数据的定量结果比较,从表中可看出SIFT算法与本申请算法在提取同样多特征点的情况下,本申请算法匹配的特征点数量较多,约是SIFT算法的5倍,其中匹配正确的特征点约是SIFT算法的10倍。本申请提出的算法提取特征点比NCC算法高出3倍,正确匹配对数也远高于NCC算法,且能提取更多的海冰漂移信息。可以看出本申请发展的方法能够提高特征点数和匹配正确数,能更完备提取海冰漂移信息。
表1第一组SAR数据特征点匹配结果
表2第二组SAR数据特征点匹配结果
图2(a)为本申请提出算法对第一组数据的海冰漂移检测结果图(特征区域步长为30)。
图2(b)为本申请提出算法对第二组数据的海冰漂移检测结果图(特征区域步长为30)。
图3(a)为SIFT算法对第一组数据的海冰漂移检测结果图(特征区域步长为30)。
图3(b)为SIFT算法对第二组数据的海冰漂移检测结果图(特征区域步长为30)。
图4(a)为NCC算法对第一组数据的海冰漂移检测结果图(特征区域步长为30)。
图4(b)为NCC算法对第二组数据的海冰漂移检测结果图(特征区域步长为30)。
从图2、3、4中可明显看出基于SIFT算法提出的海冰漂移矢量较少,且不均匀,多处感兴趣区域的海冰漂移信息并未提取出来。NCC算法具有独特的优势,其提取的海冰漂移信息分布均匀,结果为栅格化分布,虽然栅格化的海冰漂移结果在视觉上更有优势,但海冰漂移信息量却不充足,多处感兴趣区域的海冰漂移信息只能用临近区域海冰漂移信息近似。本申请算法能够获取更多的准确的GF-4海冰漂移信息,且分布均匀,海冰漂移信息量充足。
NCC算法和SIFT算法、本申请提出算法的海冰漂移速度大小和方向的绝对平均差和均方根误差,如表3所示,可以看出本申请提出的算法效果好。从漂移速度大小方面来看,本申请提出算法速度绝对平均差都远小于SIFT算法、NCC算法的绝对平均差,算法之间的相差大于0.1615m/s;三种算法的均方根误差都比较接近,但SIFT算法的均方根误差都偏大。从漂移速度方向来看,本申请提出的算法速度方向的绝对平均差比SIFT算法、NCC算法结果小0.6054°,第二组数据的本申请算法比SIFT算法甚至相差12.3776°;本申请算法的均方根误差与SIFT算法相接近,且都比NCC算法小。数据表明本申请提出算法得到的海冰漂移速度和方向都与目视解译速度方向和方向更为接近目视解译的海冰漂移方向。所以从海冰漂移精度的分析来看,本申请提出算法对于渤海海冰漂移的监测来说,漂移速度的大小和方向更接近实际海冰漂移的情况。
表3海冰漂移速度大小和方向分别与目视解译的比较
针对模式匹配和特征跟踪的问题与缺陷,本申请提出将模式匹配与特征跟踪结合的方法进行海冰漂移探测。从海冰漂移探测性能对比分析,由算法匹配特征点数及匹配对数,本申请提出算法远高于SIFT算法和NCC算法,能提取更多的海冰漂移信息。以目视解译速度大小和方向作为海冰漂移实际情况为基础,比较不同算法海冰漂移速度和大小,从定性判断SIFT算法较为不适用海冰探测,定量结果表明,本申请提出算法能够提高海冰漂移速度的大小和方向的准确性。本申请提出算法对海冰漂移监测具有一定的优越性。
但是,由于图像的定位精度影响,影像质量等原因,所以还需要进一步探索CFAR检测算法,直到完全满足对海冰漂移监测的要求。
图5为设计特征区域步长为24,用本申请算法对海冰漂移检测结果图。
图6为设计特征区域步长为30,用本申请算法对海冰漂移检测结果图。
图7为设计特征区域步长为40,用本申请算法对海冰漂移检测结果图。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (1)
1.一种基于高分四号光学卫星的渤海海冰漂移遥感探测方法,其特征在于:按照如下步骤进行:
步骤1:输入两幅高分四号图像A、B;
步骤2:对图像A、B进行图像矩阵归一化,然后将图像数据类型转换为无符号八位整型;
步骤3:利用SIFT算法选取高分四号图像A的特征点,具体按照如下步骤进行:
步骤3.1:将图像A转换为PGM图像文件,由可执行的关键点读取;
步骤3.2:调用可执行的关键点,调用特征跟踪源程序;
步骤3.3:打开特征点文件,并检查其标题;
步骤3.2:解析特征点文件,将每个输入向量标准化为单位长度,得到特征点;
步骤4:去除距离图像A边缘小于步长二分之一的特征点;
如果特征点的横纵坐标减去步长的一半仍在图像A范围内,则保留此特征点;
如果特征点的横纵坐标加上步长的一半仍在图像A范围内,则保留此特征点;
步骤5:以图像A的特征点为中心,在图像A内裁剪步长大小的特征区域,得到一系列的特征区域;
步骤6:用NCC算法,以图像A的特征区域为模板图像在图像B上遍历,利用归一化互相关方法确定样本匹配程度,互相关值最大时的位置决定模板图像在搜索图像中的位置;找到相匹配的特征区域,得到正确匹配特征区域对;
步骤7:将经过陆地进行掩膜后的图像A记为I,读取图像I;
步骤8:对图像I进行图像矩阵归一化处理,然后将图像数据类型转换为无符号八位整型;
步骤9:将图像B中陆地部分像素值化为零;具体包括如下步骤:
步骤9.1:利用最大类间方差法找到图像I的阈值;
步骤9.2:利用阈值变换法将图像I转为二值图像;
步骤9.3:将图像B矩阵点乘二值图像,依据二值图像将图像B中陆地部分像素值化为零;
步骤10:通过每个模板图像和相匹配的搜索图像即匹配区域对的中心点位置,结合两幅影像的重访时间及图像分辨率,计算得到海冰漂移速度和方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997758.XA CN110956083A (zh) | 2019-10-21 | 2019-10-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997758.XA CN110956083A (zh) | 2019-10-21 | 2019-10-21 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956083A true CN110956083A (zh) | 2020-04-03 |
Family
ID=69975560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910997758.XA Pending CN110956083A (zh) | 2019-10-21 | 2019-10-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956083A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446303A (zh) * | 2020-11-10 | 2021-03-05 | 自然资源部第一海洋研究所 | 一种合成孔径雷达海冰漂移探测方法、系统、设备及应用 |
CN113532956A (zh) * | 2021-08-20 | 2021-10-22 | 中国计量大学 | 一种基于无人机的泵吸式涌潮潮头水质采样系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867184A (zh) * | 2012-08-29 | 2013-01-09 | 江苏科技大学 | 一种sar图像中海冰运动特征的提取方法 |
CN103712606A (zh) * | 2013-12-27 | 2014-04-09 | 大连海事大学 | 一种海冰监测系统及其监测方法 |
CN104240289A (zh) * | 2014-07-16 | 2014-12-24 | 崔岩 | 一种基于单个相机的三维数字化重建方法及系统 |
CN108805057A (zh) * | 2018-05-29 | 2018-11-13 | 北京师范大学 | 一种基于联合显著性分析的sar图像油库区检测方法 |
CN109254767A (zh) * | 2018-08-28 | 2019-01-22 | 中国科学院海洋研究所 | 一种极地海冰漂移矢量可视化算法 |
-
2019
- 2019-10-21 CN CN201910997758.XA patent/CN110956083A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867184A (zh) * | 2012-08-29 | 2013-01-09 | 江苏科技大学 | 一种sar图像中海冰运动特征的提取方法 |
CN103712606A (zh) * | 2013-12-27 | 2014-04-09 | 大连海事大学 | 一种海冰监测系统及其监测方法 |
CN104240289A (zh) * | 2014-07-16 | 2014-12-24 | 崔岩 | 一种基于单个相机的三维数字化重建方法及系统 |
CN108805057A (zh) * | 2018-05-29 | 2018-11-13 | 北京师范大学 | 一种基于联合显著性分析的sar图像油库区检测方法 |
CN109254767A (zh) * | 2018-08-28 | 2019-01-22 | 中国科学院海洋研究所 | 一种极地海冰漂移矢量可视化算法 |
Non-Patent Citations (2)
Title |
---|
ZHAO YINGJIE等: "SEAICE DRIFT MONITORTING IN THE BOHAI SEA BASED ON GF4 SATELLITE" * |
王佩军等, 武汉:武汉大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446303A (zh) * | 2020-11-10 | 2021-03-05 | 自然资源部第一海洋研究所 | 一种合成孔径雷达海冰漂移探测方法、系统、设备及应用 |
CN113532956A (zh) * | 2021-08-20 | 2021-10-22 | 中国计量大学 | 一种基于无人机的泵吸式涌潮潮头水质采样系统 |
CN113532956B (zh) * | 2021-08-20 | 2023-01-24 | 中国计量大学 | 一种基于无人机的泵吸式涌潮潮头水质采样方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN109949340A (zh) | 基于OpenCV的目标尺度自适应跟踪方法 | |
CN106530347B (zh) | 一种稳定的高性能圆特征检测方法 | |
Barbat et al. | An adaptive machine learning approach to improve automatic iceberg detection from SAR images | |
CN103514448A (zh) | 船形识别方法和系统 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
Wang et al. | Airport detection in remote sensing images based on visual attention | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN111208479B (zh) | 一种降低深度网络检测中虚警概率的方法 | |
CN101770583B (zh) | 一种基于场景全局特征的模板匹配方法 | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
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 | |
CN109146918A (zh) | 一种基于分块的自适应相关目标定位方法 | |
CN109829426B (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
CN110246165B (zh) | 提高可见光图像与sar图像配准速度的方法及系统 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
Changjie et al. | Algorithm of remote sensing image matching based on corner-point | |
Sui et al. | Automatic image registration based on shape features and multi-scale image segmentation | |
Chen et al. | Port ship detection in complex environments | |
Marques et al. | Crater delineation by dynamic programming | |
CN110738098A (zh) | 一种目标的识别定位与锁定跟踪方法 | |
Cheng et al. | Technical framework of feature extraction based on pixel-level SAR image time series |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |