CN111104896B - 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 - Google Patents

一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 Download PDF

Info

Publication number
CN111104896B
CN111104896B CN201911310121.5A CN201911310121A CN111104896B CN 111104896 B CN111104896 B CN 111104896B CN 201911310121 A CN201911310121 A CN 201911310121A CN 111104896 B CN111104896 B CN 111104896B
Authority
CN
China
Prior art keywords
water
image
land
sentinel
pixel
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
Application number
CN201911310121.5A
Other languages
English (en)
Other versions
CN111104896A (zh
Inventor
田海峰
秦耀辰
张丽君
王家辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN201911310121.5A priority Critical patent/CN111104896B/zh
Publication of CN111104896A publication Critical patent/CN111104896A/zh
Application granted granted Critical
Publication of CN111104896B publication Critical patent/CN111104896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G06V20/47—Detecting features for summarising video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出了一种基于Sentinel‑1微波卫星影像的陆表水自动识别方法，其步骤为：首先，利用Sentinel‑1微波卫星影像获得SSWI图像；其次，利用构建的SSWI陆表水识别模型对SSWI图像进行处理，得到陆表水‑非陆表水二值图像；然后，获取历史数天的陆表水‑非陆表水二值图像，并计算陆表水被Sentinel‑1微波卫星观测的概率，根据概率获得正掩膜图像；再利用二次判别模型对陆表水‑非陆表水二值图像进行修正；最后，对正掩膜图像进行取反操作后与陆表水‑非陆表水二值图像相乘，再与修正后的陆表水‑非陆表水二值图像进行拼接，得到陆表水的空间分布。本发明在船舶及云雨天气干扰背景下，能够有效提高陆表水的识别精度，实现了陆表水自动化识别。

Description

一种基于Sentinel-1微波卫星影像的陆表水自动识别方法
技术领域
本发明涉及遥感目标识别技术领域，特别是指一种基于Sentinel-1微波卫星影像的陆表水自动识别方法。
背景技术
陆表水作为重要的水资源存储形式，不仅是人类社会生产生活用水的主要来源，而且是重要的自然生态系统要素，具有极其重要的社会经济价值和生态服务功能。受降水补给、蒸发下渗，以及人类用水等多要素的综合影响，陆表水面积在短时间内具有显著的波动特征。准确获取陆表水面积及分布信息，对于水资源开发管理、生态系统研究等领域具有重要的现实意义和科学价值。
卫星遥感技术在获取陆表水分布信息方面具有显著优势，得到了广泛应用。但是，目前提取陆表水的技术方法尚存在一些缺陷。一般认为通过光学卫星影像构建的改进归一化差异水体指数(Modified Normalized Difference Water Index，MNDWI)能够准确识别陆表水，但是受云雾遮挡的影响，尤其是在多雨地区，光学卫星难以获取陆表信息，从而暴露了光学遥感方法的弊端。Sentinel-1微波卫星影像容易受到船舶的干扰而引起成像异常，造成船舶周边一定范围内的陆表水信息表现为非陆表水的特性，从而增加了异常区域陆表水识别的难度。
发明内容
针对上述微波影像受船舶干扰引起的成像异常，造成陆表水识别率低的技术问题，本发明提出了一种基于Sentinel-1微波卫星影像的陆表水自动识别方法，以不受云雨天气影响的Sentinel-1微波卫星影像为数据，通过构建陆表水识别模型实现陆表水的高效识别，提高了陆表水的识别精度。
本发明的技术方案是这样实现的：
一种基于Sentinel-1微波卫星影像的陆表水自动识别方法，其步骤如下：
S1、利用Sentinel-1微波卫星和Landsat-8光学卫星分别采集同天成像的N幅Sentinel-1微波卫星影像和Landsat-8光学卫星影像，并利用线性逐步回归法构建Sentinel-1微波卫星影像和改进归一化差异水体指数之间的线性关系函数；
S2、将Sentinel-1微波卫星采集到的影像输入步骤S1中的线性关系函数中获得Sentinel-1陆表水指数图像；
S3、构建SSWI陆表水识别模型，利用SSWI陆表水识别模型对步骤S2中的Sentinel-1陆表水指数图像进行处理，得到陆表水-非陆表水二值图像；
S4、按照步骤S1至步骤S3的方法获取历史数天的陆表水-非陆表水二值图像，并计算陆表水被Sentinel-1微波卫星观测的概率；
S5、将步骤S4中概率大于70％的像元的属性值均设置为1，其余像元的属性值均设置为0，得到正掩膜图像；
S6、利用二次判别模型对步骤S3中得到的陆表水-非陆表水二值图像进行修正，得到修正后的陆表水-非陆表水二值图像；
S7、对步骤S5中的正掩膜图像进行取反运算，得到反掩膜图像，并将反掩膜图像与步骤S3中的陆表水-非陆表水二值图像相乘后再与步骤S6中修正后的陆表水-非陆表水二值图像进行拼接，得到陆表水的空间分布。
所述步骤S1中Sentinel-1微波卫星影像和改进归一化差异水体指数的线性关系函数为：
SSWIi＝α+β×ζvv,i+γ×ζvh,i×ζvv,i+δ×ζvh,i 2+η×ζvv,i 2，
其中，SSWIi为像元i的Sentinel-1陆表水指数属性值，α、β、γ、δ、η均为线性回归参数，ζvv,i为Sentinel-1微波卫星影像中VV极化影像中像元i的后向散射系数，ζvh,i为Sentinel-1微波卫星影像中VH极化影像中像元i的后向散射系数，i＝1,2,…,n，n为Sentinel-1微波卫星影像中像元的数量。
所述步骤S3中构建的SSWI陆表水识别模型为三层判别层，判别层I的范围为[a,b]，判别层II的阈值为c，判别层III的阈值为d和e。
所述利用SSWI陆表水识别模型对步骤S2中的Sentinel-1陆表水指数图像进行处理，得到陆表水-非陆表水二值图像的方法为：
S31、判断像元i的Sentinel-1陆表水指数属性值SSWIi是否位于判别层I的范围[a,b]内，若是，执行步骤S32，否则，将像元i的属性值设置为1；
S32、判断VH极化影像中像元i的后向散射系数ζvh,i是否小于判别层II的阈值c，若是，将像元i的属性值设置为1，否则，执行步骤S33；
S33、判断VH极化影像中像元i的后向散射系数ζvh,i是否小于判别层III的阈值为d，若是，执行步骤S34，否则，将像元i的属性值设置为0；
S34、判断VV极化影像中像元i的后向散射系数ζvv,i是否大于判别层III的阈值为e，若是，将像元i的属性值设置为1，否则，将像元i的属性值设置为0；
S35、循环执行步骤S31至步骤S34直至遍历完SSWI图像中所有像元，得到陆表水-非陆表水二值图像。
所述陆表水被Sentinel-1微波卫星观测的概率的计算方法为：计算历史数天内的所有陆表水-非陆表水二值图像中属性值为1的像元的概率。
所述采用二次判别模型对步骤S3中得到的陆表水-非陆表水二值图像进行修正的方法为：
S61、将步骤S3中得到的当前时相的陆表水-非陆表水二值图像作为时相为T的图像DNT，时相为T-1的陆表水-非陆表水二值图像为图像DNT-1，时相为T+1的陆表水-非陆表水二值图像为图像DNT+1；
S62、利用(DNT-1+DNT+1)/2+DNT对步骤S61中的图像DNT、DNT-1、DNT+1进行处理后与正掩膜图像相乘，得到图像DN'T；
S63、判断图像DN'T中像元的属性值是否小于1，若是，将像元的属性值设置为0，否则，将像元的属性值设置为1，得到修正后的陆表水-非陆表水二值图像。
本技术方案能产生的有益效果：
(1)本发明构建了基于Sentinel-1微波卫星影像的Sentinel-1陆表水指数(Sentinel-1Surface Water Index，SSWI)，该SSWI陆表水指数的功能与现有光学影像水体指数的功能相似，在陆表水识别应用领域能够代替光学影像水体指数；
(2)本发明采用微波卫星影像，有效避免云雨天气对遥感获取陆表水空间分布的干扰；
(3)本发明通过SSWI陆表水识别模和二次判别模型，描述了陆表水在影像中的特征，识别过程不需要人为干预，实现对陆表水的自动化识别，较少人为干扰，识别结果客观、识别过程高效；
(4)本发明构建的SSWI陆表水识别模型通过三层判别规则综合运用SSWI指数以及VH和VV极化影像特征，能够准确识别影像中正常区域内的陆表水，同时可以大部分消除船舶干扰引起的影像异常成像问题；
(5)本发明通过二次判别模型结合前后两期影像识别结果，可以有效消除船舶干扰引起的影像异常成像问题，从而进一步提高了陆表水识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图；
图2为本发明的陆表水自动识别模型的技术参数图；
图3为本发明实施例中由船舶引起的Sentinel-1卫星成像异常示意图；其中，(a)为Landsat-8地表反射率影像，(b)为Sentinel-1微波卫星影像中VV极化影像，(c)为Sentinel-1微波卫星影像中VH极化影像，(d)为SSWI模型识别结果；
图4为本发明与文献[1]的陆表水识别结果对比；其中，(a)为Landsat-8地表反射率影像，(b)为文献[1]识别结果，(c)为本发明的识别结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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付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。
Sentinel-1卫星影像容易受到船舶的干扰而引起成像异常。Sentinel-1卫星影像中水体的正常后向散射系数一般小于-15dB，在影像中表现为暗色。但船舶会引起其周边区域的后向散射系数异常增大，在Sentinel-1卫星影像中表现为高亮的特征，如图3所示，造成文献[1]-[贾诗超,薛东剑,李成绕,et al.基于Sentinel-1数据的水体信息提取方法研究[J].人民长江,2019,50(02):217-221.]方法无法准确识别这部分陆表水。因此，本发明实施例提供了一种基于Sentinel-1微波卫星影像的陆表水自动识别方法，如图1所示，具体步骤如下：
S1、利用Sentinel-1微波卫星和Landsat-8光学卫星分别采集同天成像的采集N幅Sentinel-1微波卫星影像和Landsat-8地表反射率影像，并利用线性逐步回归法构建Sentinel-1微波卫星影像和改进归一化差异水体指数(Modified Normalized DifferenceWater Index，MNDWI)之间的线性关系函数。
在鄱阳湖和太湖地区收集同天成像的8幅Sentinel-1影像和Landsat-8影像，通过随机采样方法采集2000组样本像元，将MNDWI作为因变量，将Sentinel-1微波卫星影像中VV极化影像和VH极化影像作为基本变量，衍生出VV、VH、VV*VH、VV2、VH2、VH+VV、VH-VV极化影像共7个变量，采用逐步回归分析方法筛选建立因变量与基本变量的函数关系，即Sentinel-1微波卫星影像和MNDWI的线性关系函数为：
SSWIi＝α+β×ζvv,i+γ×ζvh,i×ζvv,i+δ×ζvh,i 2+η×ζvv,i 2，
其中，SSWIi为像元i的Sentinel-1陆表水指数(Sentinel-1Surface WaterIndex，SSWI)属性值，α＝0.1904、β＝0.1747、γ＝0.0082、δ＝-0.0015、η＝0.0023均为线性回归参数，ζvv,i为Sentinel-1微波卫星影像中VV极化影像中像元i的后向散射系数，单位为dB，ζvh,i为Sentinel-1微波卫星影像中VH极化影像中像元i的后向散射系数，单位为dB，i＝1,2,…,n，n为Sentinel-1微波卫星影像中像元的数量。
MNDWI来自Landsat-8地表反射率影像，MNDWI的计算方法为：
Figure BDA0002324286960000051
其中，ρgreen为Landsat-8地表反射率影像中绿色波段的地表反射率，ρswir为Landsat-8地表反射率影像中短波红外波段的地表反射率。
S2、将Sentinel-1微波卫星采集到的影像输入步骤S1中的线性关系函数中获得SSWI图像。
S3、构建SSWI陆表水识别模型，利用SSWI陆表水识别模型对步骤S2中的SSWI图像进行处理，得到陆表水-非陆表水二值图像，其中，陆表水对应的像元的属性值为1，非陆表水对应的像元的属性值为0。
所述构建的SSWI陆表水识别模型为三层判别层，判别层I的范围为[a,b]，判别层II的阈值为c，判别层III的阈值为d和e，其中，a＝-0.6，b＝0.2，c＝-28dB，d＝-19.6dB，e＝-9.4dB。
利用SSWI陆表水识别模型对SSWI图像进行处理，得到陆表水-非陆表水二值图像的方法为：
S31、判断像元i的Sentinel-1陆表水指数属性值SSWIi是否位于判别层I的范围[a,b]内，若是，执行步骤S32，否则，将像元i的属性值设置为1；
S32、判断VH极化影像中像元i的后向散射系数ζvh,i是否小于判别层II的阈值c，若是，将像元i的属性值设置为1，否则，执行步骤S33；
S33、判断VH极化影像中像元i的后向散射系数ζvh,i是否小于判别层III的阈值为d，若是，执行步骤S34，否则，将像元i的属性值设置为0；
S34、判断VV极化影像中像元i的后向散射系数ζvv,i是否大于判别层III的阈值为e，若是，将像元i的属性值设置为1，否则，将像元i的属性值设置为0。
S35、循环执行步骤S31至步骤S34直至遍历完SSWI图像中所有像元，得到陆表水-非陆表水二值图像。
S4、按照步骤S1至步骤S3的方法获取历史30天的陆表水-非陆表水二值图像，并计算陆表水被Sentinel-1微波卫星观测的概率；即计算历史30天内的所有陆表水-非陆表水二值图像中属性值为1的像元的概率。
S5、将步骤S4中概率大于70％的像元的属性值均设置为1，其余像元的属性值均设置为0，得到正掩膜图像。
S6、利用二次判别模型对步骤S3中得到的陆表水-非陆表水二值图像进行修正，得到修正后的陆表水-非陆表水二值图像；具体方法为：
S61、将步骤S3中得到的当前时相的陆表水-非陆表水二值图像作为时相为T的图像DNT，时相为T-1的陆表水-非陆表水二值图像为图像DNT-1，时相为T+1的陆表水-非陆表水二值图像为图像DNT+1；时相是指卫星成像的时间，时相T指当前时相，这个时相是动态的，T-1时相指前一时相，T+1指后一时相，例如，Sentinel-1的时间分辨率是6天，即每6天对同一区域观测一次，如果当前时相是2019.10.12，那么T-1指2019.10.06，T+1指2019.10.18。
S62、利用(DNT-1+DNT+1)/2+DNT对步骤S61中的图像DNT、DNT-1、DNT+1进行处理后与正掩膜图像相乘，得到图像DN'T，以将二次判别的范围控制在常水位范围内；
S63、判断图像DN'T中像元的属性值是否小于1，若是，将像元的属性值设置为0，否则，将像元的属性值设置为1，得到修正后的陆表水-非陆表水二值图像。
正常情况下，某个像元在前后两期影像中是陆表水，那么在当前影像中也应该是陆表水。基于这种推断对当前影像中的非陆表水信息进行二次判别，以进一步排除船舶引起的陆表水识别干扰。以步骤S3中的陆表水-非陆表水二值图像为基础，识别结果中陆表水的属性值为1，非陆表水的属性值为0，那么二次判别涉及到三时相识别结果的组合模式共有8种，如表1所示，二次判别只需要将第5种组合模式中的当前影像识别结果中的非陆表水判别为陆表水而不改变其他7种模式中的结果。本发明提出的判别规则为Result＝(DNT-1+DNT+1)/2+DNT，式中Result表示判别结果，DNT-1表示时相为T-1的影像中的识别结果，DNT+1表示时相为T+1的影像中的识别结果，DNT表示当前时相T影像中的识别结果，得到的判别结果如表1所示。定义判别结果大于或等于1的是陆表水，完成二次判别。
表1二次判别模式及结果
Figure BDA0002324286960000061
Sentinel-1卫星影像的时间分辨率为6天，对于能够被Sentinel-1卫星影像监测的陆表水而言，12天内从有水到无水再到有水的情况是少见的，即本发明提出的二次判别的推断是科学合理的。
S7、对步骤S5中的正掩膜图像进行取反运算，得到反掩膜图像，并将反掩膜图像与步骤S3中的陆表水-非陆表水二值图像相乘后再与步骤S6中修正后的陆表水-非陆表水二值图像进行拼接，得到陆表水的空间分布。
本发明方法和文献[1]方法的陆表水识别的结果如图4所示，由图4可知本发明方法有效消除了船舶引起的水体识别干扰。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于Sentinel-1微波卫星影像的陆表水自动识别方法，其特征在于，其步骤如下：
S1、利用Sentinel-1微波卫星和Landsat-8光学卫星分别采集同天成像的N幅Sentinel-1微波卫星影像和Landsat-8光学卫星影像，根据Landsat-8光学卫星影像得到改进归一化差异水体指数，并利用线性逐步回归法构建Sentinel-1微波卫星影像和改进归一化差异水体指数之间的线性关系函数；
改进归一化差异水体指数的计算方法为：
Figure FDA0003160185780000011
其中，MNDWI为改进归一化差异水体指数，ρgreen为Landsat-8地表反射率影像中绿色波段的地表反射率，ρswir为Landsat-8地表反射率影像中短波红外波段的地表反射率；
S2、将Sentinel-1微波卫星采集到的影像输入步骤S1中的线性关系函数中获得Sentinel-1陆表水指数图像；
S3、构建SSWI陆表水识别模型，利用SSWI陆表水识别模型对步骤S2中的Sentinel-1陆表水指数图像进行处理，得到陆表水-非陆表水二值图像；
所述步骤S3中构建的SSWI陆表水识别模型为三层判别层，判别层I的范围为[a,b]，判别层II的阈值为c，判别层III的阈值为d和e；
所述利用SSWI陆表水识别模型对步骤S2中的Sentinel-1陆表水指数图像进行处理，得到陆表水-非陆表水二值图像的方法为：
S31、判断像元i的Sentinel-1陆表水指数属性值SSWIi是否位于判别层I的范围[a,b]内，若是，执行步骤S32，否则，将像元i的属性值设置为1；
S32、判断VH极化影像中像元i的后向散射系数ζvh,i是否小于判别层II的阈值c，若是，将像元i的属性值设置为1，否则，执行步骤S33；
S33、判断VH极化影像中像元i的后向散射系数ζvh,i是否小于判别层III的阈值为d，若是，执行步骤S34，否则，将像元i的属性值设置为0；
S34、判断VV极化影像中像元i的后向散射系数ζvv,i是否大于判别层III的阈值为e，若是，将像元i的属性值设置为1，否则，将像元i的属性值设置为0；
S35、循环执行步骤S31至步骤S34直至遍历完SSWI图像中所有像元，得到陆表水-非陆表水二值图像；
S4、按照步骤S1至步骤S3的方法获取历史数天的陆表水-非陆表水二值图像，并计算陆表水被Sentinel-1微波卫星观测的概率；
S5、将步骤S4中概率大于70％的像元的属性值均设置为1，其余像元的属性值均设置为0，得到正掩膜图像；
S6、利用二次判别模型对步骤S3中得到的陆表水-非陆表水二值图像进行修正，得到修正后的陆表水-非陆表水二值图像；
所述采用二次判别模型对步骤S3中得到的陆表水-非陆表水二值图像进行修正的方法为：
S61、将步骤S3中得到的当前时相的陆表水-非陆表水二值图像作为时相为T的图像DNT，时相为T-1的陆表水-非陆表水二值图像为图像DNT-1，时相为T+1的陆表水-非陆表水二值图像为图像DNT+1；
S62、利用(DNT-1+DNT+1)/2+DNT对步骤S61中的图像DNT、DNT-1、DNT+1进行处理后与正掩膜图像相乘，得到图像DN'T；
S63、判断图像DN'T中像元的属性值是否小于1，若是，将像元的属性值设置为0，否则，将像元的属性值设置为1，得到修正后的陆表水-非陆表水二值图像；
S7、对步骤S5中的正掩膜图像进行取反运算，得到反掩膜图像，并将反掩膜图像与步骤S3中的陆表水-非陆表水二值图像相乘后再与步骤S6中修正后的陆表水-非陆表水二值图像进行拼接，得到陆表水的空间分布。
2.根据权利要求1所述的基于Sentinel-1微波卫星影像的陆表水自动识别方法，其特征在于，所述步骤S1中Sentinel-1微波卫星影像和改进归一化差异水体指数的线性关系函数为：
SSWIi＝α+β×ζvv,i+γ×ζvh,i×ζvv,i+δ×ζvh,i 2+η×ζvv,i 2，
其中，SSWIi为像元i的Sentinel-1陆表水指数属性值，α、β、γ、δ、η均为线性回归参数，ζvv,i为Sentinel-1微波卫星影像中VV极化影像中像元i的后向散射系数，ζvh,i为Sentinel-1微波卫星影像中VH极化影像中像元i的后向散射系数，i＝1,2,…,n，n为Sentinel-1微波卫星影像中像元的数量。
3.根据权利要求1或2所述的基于Sentinel-1微波卫星影像的陆表水自动识别方法，其特征在于，所述陆表水被Sentinel-1微波卫星观测的概率的计算方法为：计算历史数天内的所有陆表水-非陆表水二值图像中属性值为1的像元的概率。
CN201911310121.5A 2019-12-18 2019-12-18 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 Active CN111104896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911310121.5A CN111104896B (zh) 2019-12-18 2019-12-18 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911310121.5A CN111104896B (zh) 2019-12-18 2019-12-18 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法

Publications (2)

Publication Number Publication Date
CN111104896A CN111104896A (zh) 2020-05-05
CN111104896B true CN111104896B (zh) 2021-08-27

Family

ID=70422839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911310121.5A Active CN111104896B (zh) 2019-12-18 2019-12-18 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法

Country Status (1)

Country Link
CN (1) CN111104896B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101256B (zh) * 2020-09-21 2021-07-09 河南大学 基于云平台的耦合主被动遥感影像的大蒜作物识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184251A (zh) * 2015-08-31 2015-12-23 中国科学院遥感与数字地球研究所 一种基于高分一号卫星图像的水华区域的识别方法及装置
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0808340D0 (en) * 2008-05-08 2008-06-18 Univ Edinburgh Remote sensing system
CN104463166B (zh) * 2014-11-13 2017-11-14 环境保护部卫星环境应用中心 目标水体的提取方法和系统
CN105046087B (zh) * 2015-08-04 2017-12-08 中国资源卫星应用中心 一种遥感卫星多光谱影像的水体信息自动提取方法
CN107421892A (zh) * 2016-05-23 2017-12-01 核工业北京地质研究院 一种用于水体信息提取的高光谱数据处理方法
CN109858487B (zh) * 2018-10-29 2023-01-17 温州大学 基于分水岭算法和图像类别标签的弱监督语义分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184251A (zh) * 2015-08-31 2015-12-23 中国科学院遥感与数字地球研究所 一种基于高分一号卫星图像的水华区域的识别方法及装置
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法

Also Published As

Publication number Publication date
CN111104896A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
Chierchia et al. Guided filtering for PRNU-based localization of small-size image forgeries
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN108537756B (zh) 基于图像融合的单幅图像去雾方法
CN110533665B (zh) 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN111179196B (zh) 一种基于分而治之的多分辨率深度网络图像去高光方法
Yu et al. Image and video dehazing using view-based cluster segmentation
CN111126234B (zh) 一种基于多源卫星影像的船舶自动识别方法
CN111104896B (zh) 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法
CN108898561B (zh) 一种含天空区域雾天图像的去雾方法、服务器及系统
Qiu et al. Perception-oriented UAV Image Dehazing Based on Super-Pixel Scene Prior
Zhou et al. Image Dehazing Algorithm Based on Particle Swarm Optimization for Sky Region Segmentation
Gao et al. Single image dehazing based on single pixel energy minimization
Balakrishnan et al. Image denoising and contrast via intensity histogram equalization method
CN105654429A (zh) 基于透射率归一化的增强弱光图像清晰度的方法
Zhou et al. Single image haze removal using dark channel prior and fields of experts model
Wang et al. Image Defogging Algorithm Based on Attention Mechanism and Split Convolution.
CN114022473B (zh) 一种基于红外图像的地平线检测方法
Singh et al. Fractional-order high-boost filtering for textural improvement of images using relative spatial entropy quartiles
Xi et al. Image quality enhancement algorithm based on game theory model
Liu et al. Image edge extraction based on fuzzy theory and Sobel operator
CN108960085B (zh) 一种合成孔径雷达图像舰船目标候选区域快速提取方法
Xu et al. Underwater image enhancement based on unsupervised adaptive uncertainty distribution
Lou et al. Medium and Long Wave Infrared Image Enhancement Fusion Method Based on Edge Preserving

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