CN111027446B - 一种高分辨率影像的海岸线自动提取方法 - Google Patents
一种高分辨率影像的海岸线自动提取方法 Download PDFInfo
- Publication number
- CN111027446B CN111027446B CN201911228719.XA CN201911228719A CN111027446B CN 111027446 B CN111027446 B CN 111027446B CN 201911228719 A CN201911228719 A CN 201911228719A CN 111027446 B CN111027446 B CN 111027446B
- Authority
- CN
- China
- Prior art keywords
- land
- water
- water body
- coastline
- region
- 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
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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高分辨率影像的海岸线自动提取方法,包括如下步骤,获取原始高分辨率影像,并对所述原始高分辨率影像进行预处理,以获取预处理影像,从所述预处理影像中提取水体指数;使用阈值法对水体指数进行分割,得到陆地掩膜区域;利用陆地掩膜区域对预处理影像中的水体区域进行光谱特征信息统计,以获取水体光谱特征统计信息;在所述陆地掩膜区域内选取初始种子点,在所述水体光谱特征统计信息中利用区域增长算法获取基于光谱特征统计的水陆分割区域;等步骤。优点是:该方法通过海岸线不同信息的综合利用,增加了海岸线提取的准确度,减少了由高分辨率影像中噪声对海岸线提取的误差影响,为全自动高效提取高分辨率影像海岸线提供了支持。
Description
技术领域
本发明涉及海岸线提取技术领域,尤其涉及一种高分辨率影像的海岸线自动提取方法。
背景技术
海岸线作为海岸带资源之一,对于海岸带资源管理具有重大的意义和价值。海岸线的空间结构和属性特征的变化直接反映海岸带侵蚀淤积过程、人类开发利用的程度以及海岸带生态环境的变迁。遥感图像具有数据获取范围大、时效性高的特点。高分辨率遥感影像具有更加准确的精度,通过高分遥感图像对海岸线的位置确定进行研究是一个有效的途径,已经被广泛地运用于海岸线的研究工作中。
目前,已经有众多国内外学者提出了各具特色的遥感图像海岸线提取方法和海岸线变化研究成果。当前的自动化提取方法主要分为四类:阈值分割法,边缘检测法,分类法和多源数据融合法;但是这些方法都存在着一些缺陷。
阈值分割法;影像上,海洋和陆地在光谱特征上具有很好的差异性。因此,基于二分类的思路,通过人机交互或是局部自适应策略获取合适的分割阈值,实现海水与陆地的分离,通过定位水陆分界位置实现海岸线的提取。由于陆地在空间上的异质性、海水的波动以及潮汐等因素的影响,产生的不确定性问题会极大影响正确分割阈值的可获取性,而目前的阈值分割法均没有考虑此类不确定性问题的影响。
边缘检测法;海岸线位于海水与陆地的分界处,邻域内两侧地物的特征上具有较大的差异,具有明显的边缘特征。因此,海岸线提取可以被等价为边缘提取问题。因此,常用的边缘检测算法(Prewitt、Robert、Sobel以及Canny 算子等)也被广泛地运用到海岸线提取研究中。边缘检测法完全基于图像本身的灰度变化进行目标的实现,因此对于图像本身质量的要求较高,同时,当面对面积较大的区域、海岸线类型复杂的区域以及陆地在空间上的异质性,此类方法也往往达不到满意的效果,且效率低下。
分类法;海岸线的位置是海水与陆地两类不同地物的临界线,因此当划清海水和陆地两种类别的边界时,海岸线的位置也就随之确定。分类法旨在对影像中海水和陆地(非海水)两类地物进行分类处理,然后提取两类别的边界,即可提取海岸线的位置。常用的分类法主要包括监督分类、非监督分类以及软分类,在海岸线提取研究中也被广泛地选择和运用。由于遥感卫星影像的质量限制以及地物类别的复杂性,使得地物分类中往往存在较大的误差,错分类或漏分类都会导致最后的海岸线提取的精度。同时分类法在计算效率上表现出较大的劣势,使其无法处理时间序列下的海量数据。
多源数据融合法;随着遥感技术的发展,遥感卫星数据在不仅数量上实现了量级的提升,在类型上也实现了多样化的发展,例如:光学影像、SAR影像、 LIDAR影像以及其他影像数据等,这为海岸线的提取方案提供了新的思路。利用不同源数据之间优势的互补性,进一步加强海岸线提取的精确性和精细化程度。不同源数据之间存在格式、表达方式以及尺度等差异,使得多源数据之间的配准融合显得更加的困难。
发明内容
本发明的目的在于提供一种高分辨率影像的海岸线自动提取方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种高分辨率影像的海岸线自动提取方法,包括如下步骤,
S1、获取原始高分辨率影像,并对所述原始高分辨率影像进行预处理,以获取预处理影像,从所述预处理影像中提取水体指数;
S2、使用阈值法对水体指数进行分割,得到陆地掩膜区域;
S3、利用陆地掩膜区域对预处理影像中的水体区域进行光谱特征信息统计,以获取水体光谱特征统计信息;
S4、在所述陆地掩膜区域内选取初始种子点,在所述水体光谱特征统计信息中利用区域增长算法获取基于光谱特征统计的水陆分割区域;
S5、利用基于光谱特征统计的水陆分割区域对水体指数进行统计分析,对水体指数的阈值进行自动修正,获取基于水体指数的水陆分割区域;
S6、对比所述基于光谱特征统计的水陆分割区域与所述基于水体指数的水陆分割区域,并从中获取差异像元;
S7、从所述基于光谱特征统计的水陆分割区域与所述基于水体指数的水陆分割区域中获取差异像元,并利用差异像元的局部空间信息,对基于水体指数的水陆 分割区域进行修正,获取最终的水陆分割区域;
S8、使用边缘检测算子检测最终的水陆分割区域中的水陆分布,获得水陆分布边缘线,并对所述水陆分布边缘线进行矢量化,以获取高分辨率影像的海岸线。
优选的,所述水体指数为归一化水体指数。
优选的,步骤S2中所述阈值法为大律法,利用所述大律法对所述水体指数进行二值化操作,确定一个水陆分割阈值,并将所述水陆分割阈值应用到所述水体指数中,以将所述预处理影像分割为水体区域和陆地区域。
优选的,所述水体光谱特征统计信息包括海水像元的平均值、集中值、最值和标准差。
5、根据权利要求1所述的高分辨率影像的海岸线自动提取方法,其特征在于:步骤S4具体包括如下内容,
S41、在所述陆地掩膜区域内寻找最符合统计特征的像元作为初始种子点;所述初始种子点为最接近水体光谱特征平均值的像元;
S42、使用区域生长算法,从所述初始种子点向四周进行区域生长,以获取基于光谱特征统计的水陆分割区域。
优选的,步骤S42中区域生长需要满足的标准为,
A、邻域像元与中心像元的相似性;即邻域像元与中心像元之间的欧式距离小于30;
B、符合水体特征;即区域生长形成的区域的特征不影响海水像元的平均值,符合水体光谱特征范围。
优选的,步骤S5具体为,以所述水陆分割阈值为起始阈值向该阈值的左右两边试探,直到获得的水陆分割区域与所述基于光谱特征统计的水陆分割区域之间的差异最小,则该水陆分割区域即为基于水体指数的水陆分割区域。
优选的,步骤S5中的差异评价方法为,判断获得的水陆分割区域与所述基于光谱特征统计的水陆分割区域之间的差异像元数量大小,当差异像元数量最小时,则获得的水陆分割区域即为基于水体指数的水陆分割区域。
优选的,所述步骤S7具体包括如下内容,
S71、以差异像元为基准,将差异像元中的相邻像元相互联结形成区块,计算区块在所述局部空间中的密度,比较区块在所述局部空间中的密度与标准密度值的大小,若区块在所述局部空间中的密度大于标准密度值为大区块,则该区块为大区块;否则,该区块为小区块;
S72、对于大区块,使用所述局部空间的纹理信息进行水陆判定;具体为采用所述基于水体指数的水陆分割区域,计算大区块在所述局部空间内的像元值方差,比较所述局部空间内的像元值方差与方差标准值之间的大小;若所述局部空间内的像元值方差大于方差标准值,则判定该大区块为陆地;若否,则该大区块为水体;
S73、对于小区块,判定区块邻域的属性;具体为判断中心像素周围的八邻域的属性是否完全相同,若是,则改变中心像素的属性,使其与八邻域的属性相同,获取最终的水陆分割区域;若否,则改变保持中心像素属性不变,获取最终的水陆分割区域。
优选的,所述步骤S8中所述边缘检测算子为Canny边缘检测算子。
本发明的有益效果是:本发明提供自动提取方法,综合全局光谱信息统计和局部空间信息进行自动提取,通过海岸线不同信息的综合利用,增加了海岸线提取的准确度,减少了由高分辨率影像中噪声对海岸线提取的误差影响,为全自动高效提取高分辨率影像海岸线提供了支持。
附图说明
图1是本发明实施例中自动提取方法的流程示意图;
图2是本发明实施例中原始高分辨率影像的示意图;
图3是本发明实施例中提取水体指数后的影像示意图;
图4是本发明实施例中基于光谱特征统计的水陆分割区域示意图;
图5是本发明实施例中基于水体指数的水陆分割区域示意图;
图6是本发明实施例中最终的水陆分割区域示意图;
图7是本发明实施例中提取的高分辨率影像的海岸线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1至7所示,本实施例中提供了一种高分辨率影像的海岸线自动提取方法,包括如下步骤,
S1、获取原始高分辨率影像,如图2,并对所述原始高分辨率影像进行预处理,以获取预处理影像,从所述预处理影像中提取水体指数,如图3;
S2、使用阈值法对水体指数进行分割,得到陆地掩膜区域;
S3、利用陆地掩膜区域对预处理影像中的水体区域进行光谱特征信息统计,以获取水体光谱特征统计信息;
S4、在所述陆地掩膜区域内选取初始种子点,在所述水体光谱特征统计信息中利用区域增长算法获取基于光谱特征统计的水陆分割区域;
S5、利用基于光谱特征统计的水陆分割区域对水体指数进行统计分析,对水体指数的阈值进行自动修正,获取基于水体指数的水陆分割区域;
S6、对比所述基于光谱特征统计的水陆分割区域与所述基于水体指数的水陆分割区域,并从中获取差异像元;
S7、从所述基于光谱特征统计的水陆分割区域与所述基于水体指数的水陆分割区域中获取差异像元,并利用差异像元的局部空间信息,对基于水体指数的水陆 分割区域进行修正,获取最终的水陆分割区域;
S8、使用边缘检测算子检测最终的水陆分割区域中的水陆分布,获得水陆分布边缘线,并对所述水陆分布边缘线进行矢量化,以获取高分辨率影像的海岸线。
本实施例中,所述水体指数为归一化水体指数。步骤S1中的预处理包括辐射校正、几何校正和匀色处理。所述辐射校正、几何校正和匀色处理都采用现有技术。
本实施例中,将归一化水体指数作为参考。归一化水体指数的值域为[-1,1],线性缩放到[0,255],这样做能够减少其灰度级数量,也能兼顾在一幅图像中水体与陆地的水体表现的细微差别。线性拉伸水体指数,并将线性拉伸后的水体指数经过统计,形成水体指数的分布直方图,其中归一化水体指数由下式计算获得,
其中,NDWI为归一化水体指数;ρ(Green)为绿色波段;ρ(NIR)为近红外波段。
本实施例中,步骤S2中所述阈值法为大律法,利用所述大律法对所述水体指数进行二值化操作,确定一个水陆分割阈值,并将所述水陆分割阈值应用到所述水体指数中,以将所述预处理影像分割为水体区域和陆地区域。
本实施例中,二值化操作过程包括,二值化与阈值确认:首先线性拉升归一化水体指数至0~255范围,计算整体归一化水体指数影像的直方图,并且将该直方图进行归一化,获得归一化直方图,假定j为目标阈值,分别统计0~j与 j~255的灰度级的像素个数与平均值。利用获得的像素个数和平均值,分别计算不同j下的方差,选取方差最大值下的j作为水陆分割阈值。
阈值应用过程:将上一步中获得的阈值应用与拉升后的归一化水体指数影像,影像中灰度值大于阈值j为水体范围,灰度值小于阈值j为陆地区域。
本实施例中,所述水体光谱特征统计信息包括海水像元的平均值、集中值、最值和标准差。
本实施例中,步骤S4具体包括如下内容,
S41、在所述陆地掩膜区域内寻找最符合统计特征的像元作为初始种子点(最初生长点);所述初始种子点为最接近水体光谱特征平均值的像元;
S42、利用初始种子点,使用区域生长算法,从所述初始种子点向四周进行区域生长,以获取基于光谱特征统计的水陆分割区域,参见图4。
本实施例中,步骤S42中区域生长需要满足的标准为,
A、邻域像元与中心像元的相似性;即邻域像元与中心像元之间的欧式距离小于30;欧式距离的计算公式为,
Error=∑(vci-vi)2
其中,i是波段号,c是统计出的样本中心特征。
B、符合水体特征;即区域生长形成的区域的特征不影响海水像元的平均值,符合水体光谱特征范围。
本实施例中,步骤S5具体为,以所述水陆分割阈值为起始阈值向该阈值的左右两边试探,直到获得的水陆分割区域与所述基于光谱特征统计的水陆分割区域之间的差异最小,则该水陆分割区域即为基于水体指数的水陆分割区域,参见图5。
本实施例中,步骤S5中的差异评价方法为,判断获得的水陆分割区域与所述基于光谱特征统计的水陆分割区域之间的差异像元数量大小,当差异像元数量最小时,则获得的水陆分割区域即为基于水体指数的水陆分割区域。
本实施例中,通过对比基于水体指数的水陆分割区域与基于光谱特征统计的水陆分割区域,从这两个区域数据中获取两者之间的差异像元。
本实施例中,所述步骤S7具体包括如下内容,
S71、以差异像元为基准,将差异像元中的相邻像元相互联结形成区块,计算区块在所述局部空间中的密度ρ,比较区块在所述局部空间中的密度与标准密度值的大小,若区块在所述局部空间中的密度大于标准密度值为大区块,则该区块为大区块;否则,该区块为小区块;
S72、对于大区块,使用所述局部空间的纹理信息进行水陆判定;具体为采用所述基于水体指数的水陆分割区域,计算大区块在所述局部空间内的像元值方差,比较所述局部空间内的像元值方差与方差标准值之间的大小;若所述局部空间内的像元值方差大于方差标准值,则判定该大区块为陆地;若否,则该大区块为水体;
S73、对于小区块,判定区块邻域的属性;具体为判断中心像素周围的八邻域的属性是否完全相同,若是,则改变中心像素的属性,使其与八邻域的属性相同,获取最终的水陆分割区域;若否,则改变保持中心像素属性不变,获取最终的水陆分割区域,参见图6。
本实施例中,以差异像元为基准,构建3x3大小的相邻的像元相互联结形成区块。所述差异像元的局部空间是包含区块的最小矩形区域。本实施中,针对大区块,计算该大区块在局部空间内的像元值方差,判断其波动程度,方差大于方差标准值,即波动程度大,则该大区块为陆地;否则,即波动程度小,则该大区块为水体。
本实施例中,所述标准密度值和方差标准值可以根据实际需要具体设定,以便更好的满足实际情况。具体的,标准密度值设置为0.5。
本实施例中,所述步骤S8具体为,使用具有抑制局部非最大流程的边缘检测算子对最终的水陆分割区域(参见图6)中的水陆分布进行边缘检测,获得水陆分布边缘,并对水陆分布边缘进行矢量化,以获取高分辨率影像的海岸线,参见图7。
本实施例中,边缘检测算子为Canny边缘检测算子,矢量化步骤为常规算法。
本实施例中,海岸线自动提取方法可以用于人工海岸线提取,也可以用于基岩海岸线提取,如果某一海岸线(被评价的海岸线)存在人工解译海岸线的结果,则可通过错分类误差(misclassification error,ME)和线匹配度(line matching,LM)两个指标进行精度评价,也就是,比较通过自动提取方法提取的海岸线与人工目视解译描绘的海岸线之间的差异,其详细的计算公式分别为,
其中,Wi和Li分别表示自动提取海岸线所划分的水体区域和陆地区域的像元数;W和L分别表示人工目视解译描绘的海岸线所划分的水体区域和陆地区域的像元数。ME的值,介于0和1之间,无量纲;
其中,ΔS表示自动提取海岸线与人工目视解译描绘海岸线的相交区域的面积总和,单位为平方千米。Lreal表示人工目视解译描绘的真实海岸线长度,单位为千米。
上述两个指标的计算值越接近于0,则说明被评价的海岸线自动提取精度越高,或者说两者之间的差距越小。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种高分辨率影像的海岸线自动提取方法,本方法综合全局光谱信息统计和局部空间信息进行自动提取,通过海岸线不同信息的综合利用,增加了海岸线提取的准确度,减少了由高分辨率影像中噪声对海岸线提取的误差影响,为全自动高效提取高分辨率影像海岸线提供了支持。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种高分辨率影像的海岸线自动提取方法,其特征在于:包括如下步骤,
S1、获取原始高分辨率影像,并对所述原始高分辨率影像进行预处理,以获取预处理影像,从所述预处理影像中提取水体指数;
S2、使用阈值法对水体指数进行分割,得到陆地掩膜区域;
S3、利用陆地掩膜区域对预处理影像中的水体区域进行光谱特征信息统计,以获取水体光谱特征统计信息;
S4、在所述陆地掩膜区域内选取初始种子点,在所述水体光谱特征统计信息中利用区域增长算法获取基于光谱特征统计的水陆分割区域;
S5、利用基于光谱特征统计的水陆分割区域对水体指数进行统计分析,对水体指数的阈值进行自动修正,并根据获取的水陆分割区域与基于光谱特征统计的水陆分割区域之间的差异,以确定基于水体指数的水陆分割区域;
S6、对比所述基于光谱特征统计的水陆分割区域与所述基于水体指数的水陆分割区域,并从中获取差异像元;
S7、从所述基于光谱特征统计的水陆分割区域与所述基于水体指数的水陆分割区域中获取差异像元,并利用差异像元的局部空间信息,对基于水体指数的水陆分割区域进行修正,获取最终的水陆分割区域;
S8、使用边缘检测算子检测最终的水陆分割区域中的水陆分布,获得水陆分布边缘线,并对所述水陆分布边缘线进行矢量化,以获取高分辨率影像的海岸线;
步骤S5中的差异评价方法为,判断获得的水陆分割区域与所述基于光谱特征统计的水陆分割区域之间的差异像元数量大小,当差异像元数量最小时,则获得的水陆分割区域即为基于水体指数的水陆分割区域。
2.根据权利要求1所述的高分辨率影像的海岸线自动提取方法,其特征在于:所述水体指数为归一化水体指数。
3.根据权利要求2所述的高分辨率影像的海岸线自动提取方法,其特征在于:步骤S2中所述阈值法为大律法,利用所述大律法对所述水体指数进行二值化操作,确定一个水陆分割阈值,并将所述水陆分割阈值应用到所述水体指数中,以将所述预处理影像分割为水体区域和陆地区域。
4.根据权利要求3所述的高分辨率影像的海岸线自动提取方法,其特征在于:所述水体光谱特征统计信息包括海水像元的平均值、集中值、最值和标准差。
5.根据权利要求4所述的高分辨率影像的海岸线自动提取方法,其特征在于:步骤S4具体包括如下内容,
S41、在所述陆地掩膜区域内寻找最符合统计特征的像元作为初始种子点;所述初始种子点为最接近水体光谱特征平均值的像元;
S42、使用区域增长算法,从所述初始种子点向四周进行区域生长,以获取基于光谱特征统计的水陆分割区域。
6.根据权利要求5所述的高分辨率影像的海岸线自动提取方法,其特征在于:步骤S42中区域生长需要满足的标准为,
A、邻域像元与中心像元的相似性;即邻域像元与中心像元之间的欧式距离小于30;
B、符合水体特征;即区域生长形成的区域的特征不影响海水像元的平均值,符合水体光谱特征范围。
7.根据权利要求6所述的高分辨率影像的海岸线自动提取方法,其特征在于:步骤S5具体为,以所述水陆分割阈值为起始阈值向该阈值的左右两边试探,直到获得的水陆分割区域与所述基于光谱特征统计的水陆分割区域之间的差异最小,则该水陆分割区域即为基于水体指数的水陆分割区域。
8.根据权利要求7所述的高分辨率影像的海岸线自动提取方法,其特征在于:所述步骤S7具体包括如下内容,
S71、以差异像元为基准,将差异像元中的相邻像元相互联结形成区块,计算区块在所述局部空间中的密度,比较区块在所述局部空间中的密度与标准密度值的大小,若区块在所述局部空间中的密度大于标准密度值为大区块,则该区块为大区块;否则,该区块为小区块;
S72、对于大区块,使用所述局部空间的纹理信息进行水陆判定;具体为采用所述基于水体指数的水陆分割区域,计算大区块在所述局部空间内的像元值方差,比较所述局部空间内的像元值方差与方差标准值之间的大小;若所述局部空间内的像元值方差大于方差标准值,则判定该大区块为陆地;若否,则该大区块为水体;
S73、对于小区块,判定区块邻域的属性;具体为判断中心像素周围的八邻域的属性是否完全相同,若是,则改变中心像素的属性,使其与八邻域的属性相同,获取最终的水陆分割区域;若否,则改变保持中心像素属性不变,获取最终的水陆分割区域。
9.根据权利要求8所述的高分辨率影像的海岸线自动提取方法,其特征在于:所述步骤S8中所述边缘检测算子为Canny边缘检测算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911228719.XA CN111027446B (zh) | 2019-12-04 | 2019-12-04 | 一种高分辨率影像的海岸线自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911228719.XA CN111027446B (zh) | 2019-12-04 | 2019-12-04 | 一种高分辨率影像的海岸线自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027446A CN111027446A (zh) | 2020-04-17 |
CN111027446B true CN111027446B (zh) | 2020-09-01 |
Family
ID=70207957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911228719.XA Active CN111027446B (zh) | 2019-12-04 | 2019-12-04 | 一种高分辨率影像的海岸线自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027446B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597930A (zh) * | 2020-04-30 | 2020-08-28 | 河海大学 | 一种基于遥感云平台的海岸线提取方法 |
CN111861834A (zh) * | 2020-07-14 | 2020-10-30 | 自然资源部第一海洋研究所 | 一种基于水资源依赖程度的海岸带陆域空间用途监测调查方法 |
CN112766154B (zh) * | 2021-01-19 | 2022-09-30 | 中国地质大学(武汉) | 一种高分辨率sar图像建筑物叠掩提取方法 |
CN113610940B (zh) * | 2021-08-10 | 2022-06-07 | 江苏天汇空间信息研究院有限公司 | 基于海洋矢量文件和影像通道阈值的临海区域匀色方法 |
CN115422981B (zh) * | 2022-11-04 | 2023-04-07 | 自然资源部第一海洋研究所 | 面向单频机载激光测深数据的水陆分类方法、系统及应用 |
CN117456192B (zh) * | 2023-12-21 | 2024-05-07 | 广东省海洋发展规划研究中心 | 一种遥感影像色彩校正方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
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 |
CN107341809A (zh) * | 2017-06-22 | 2017-11-10 | 同济大学 | 一种面向多源遥感影像的海岸线自动提取及偏差纠正方法 |
CN107563296A (zh) * | 2017-08-07 | 2018-01-09 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及系统 |
CN108537116A (zh) * | 2018-03-05 | 2018-09-14 | 中国地质大学(武汉) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 |
CN108550174A (zh) * | 2018-03-08 | 2018-09-18 | 中国地质大学(武汉) | 一种基于半全局优化的海岸线超分辨率制图方法及系统 |
CN109448016A (zh) * | 2018-11-02 | 2019-03-08 | 三亚中科遥感研究所 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
-
2019
- 2019-12-04 CN CN201911228719.XA patent/CN111027446B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
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 |
CN107341809A (zh) * | 2017-06-22 | 2017-11-10 | 同济大学 | 一种面向多源遥感影像的海岸线自动提取及偏差纠正方法 |
CN107563296A (zh) * | 2017-08-07 | 2018-01-09 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及系统 |
CN108537116A (zh) * | 2018-03-05 | 2018-09-14 | 中国地质大学(武汉) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 |
CN108550174A (zh) * | 2018-03-08 | 2018-09-18 | 中国地质大学(武汉) | 一种基于半全局优化的海岸线超分辨率制图方法及系统 |
CN109448016A (zh) * | 2018-11-02 | 2019-03-08 | 三亚中科遥感研究所 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
Non-Patent Citations (2)
Title |
---|
SUBTYPE COASTLINE DETERMINATION IN URBAN COAST BASED MULTISCALE FEATURES: A CASE STUDY IN TIANJIN, CHINA;Yan Song等;《The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20180510;第XLII-3卷;1565-1570 * |
基于样本自动选择与SVM结合的海岸线遥感自动提取;朱长明等;《国土资源遥感》;20130630;第25卷(第2期);69-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN111027446A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
Brandtberg et al. | Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
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 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN104700071B (zh) | 一种全景图道路轮廓的提取方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
Zhang et al. | Filtering photogrammetric point clouds using standard lidar filters towards dtm generation | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
Yao et al. | Automatic extraction of road markings from mobile laser-point cloud using intensity data | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
CN114842262A (zh) | 融合线路通道正射影像的激光点云地物自动识别方法 | |
CN107563296A (zh) | 基岩海岸岸线的提取方法及系统 | |
CN108648200B (zh) | 一种间接的城市高分辨率不透水面提取方法 | |
CN110097569B (zh) | 基于颜色马尔科夫链显著性模型的油罐目标检测方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN107169533B (zh) | 一种超像素的概率因子tmf的sar图像海岸线检测算法 | |
Qiu et al. | Object oriented land cover classification combining scale parameter preestimation and mean-shift segmentation | |
CN108447045A (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis |
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 |