CN111160192A - 基于海岸线状特征的遥感图像定位方法 - Google Patents
基于海岸线状特征的遥感图像定位方法 Download PDFInfo
- Publication number
- CN111160192A CN111160192A CN201911335468.5A CN201911335468A CN111160192A CN 111160192 A CN111160192 A CN 111160192A CN 201911335468 A CN201911335468 A CN 201911335468A CN 111160192 A CN111160192 A CN 111160192A
- Authority
- CN
- China
- Prior art keywords
- coastline
- curve
- remote sensing
- image
- matching
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于海岸线状特征的遥感图像定位方法。该方法包括输入海岸线曲线,其中所述海岸线曲线通过遥感卫星影像提取得到;基于预设匹配算法,采用整体搜索和局部匹配的方式对所述海岸线曲线进行匹配;输出曲线匹配结果并作为遥感卫星影像粗定位结果。本申请解决了传感器姿态角等信息缺乏时的遥感卫星影像定位的技术问题。本申请对于非同源、多时相、多分辨率的遥感卫星影像也具有较好的定位效果。
Description
技术领域
本申请涉及影像定位领域,具体而言,涉及一种基于海岸线状特征的遥感图像定位方法。
背景技术
遥感卫星影像应用的前提是遥感影像定位。遥感卫星影像定位一般分为两个层次:第一个层次是粗定位,它是基于大场景粗分辨率的较低精度定位;第二层次是精定位,它是基于小场景高分辨率的较高精度定位。
缺点在于:无法实现大空间遥感卫星影像粗定位。
针对相关技术中传感器姿态角等信息缺乏时的遥感卫星影像定位问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种基于海岸线状特征的遥感图像定位方法,以解决针对传感器姿态角等信息缺乏的定位问题。
为了实现上述目的,根据本申请的一个方面,提供了一种基于海岸线状特征的遥感图像定位方法。
根据本申请的一种基于海岸线状特征的遥感图像定位方法包括:输入海岸线曲线,其中所述海岸线曲线通过遥感卫星影像提取得到;基于预设匹配算法,采用整体搜索和局部匹配的方式,对所述海岸线曲线进行匹配;输出曲线匹配结果,作为遥感卫星影像的粗定位结果。
进一步地,基于预设匹配算法包括:曲线初步匹配的步骤,
所述曲线初步匹配的步骤包括:
选取基于曲率的形状算子描述形状,求出采样点的曲率绝对值积分,得到积分曲线;
将所述积分曲线按照坐标等间隔采样,得到初始的曲线形状签名。
进一步地,海岸线交互式提取方法还包括:采用sigmoid函数,在将曲率小的局部细节加以放大的同时抑制曲率很大的点,得到改进的曲线形状签名。
进一步地,海岸线交互式提取方法还包括:对于所述曲线形状签名与待匹配形状之间存在的尺度差异,利用对尺度不敏感的归一化互相关作为匹配度量,取最大的NCC值得到最终的部分匹配结果。
进一步地,基于预设匹配算法包括:曲线二次匹配的步骤,
所述曲线二次匹配的步骤包括:
以改进的曲率积分曲线作为特征识别标识,以两条曲线的相关系数作为两者相似度的度量,从参考海岸线中选择最佳匹配的前N段,其中N>2。
进一步地,从参考海岸线中选择最佳匹配的前N段之后,还包括:
基于原始曲线相关性的相似度量判断,从中取出最佳匹配者作为最终的定位结果,并计算对应的空间变换矩阵,实现遥感卫星影像的精确定位。
进一步地,输入海岸线曲线的步骤包括:
获取参考影像,其中所述参考影像是指具有地理参考信息的遥感卫星影像;
根据所述参考影像提取得到NDWI图像,并采用DSRM算法对水体区域的图像进行初步分割;
根据Fast Matching算法对初步分割得到的图像进行水体区域二次分割,构建海岸线数据库。
进一步地,输入海岸线曲线的步骤包括:
获取待定位影像,其中所述待定位影像是指待提取海岸线特征的遥感卫星影像;
基于Live-Wire算法对所述待定位影像进行人机交互式海岸线提取,得到目标海岸线信息;其中所述目标海岸线信息至少包括海岸线曲线。
进一步地,输入海岸线曲线包括:
当获取到所述参考影像时,采用自动海岸线提取策略后,输入海岸线曲线。
进一步地,输入海岸线曲线包括:
当获取到待定位的遥感卫星影像时,采用人机交互式的海岸线提取策略后,输入海岸线曲线。
在本申请实施例中基于海岸线状特征的遥感图像定位方法,采用输入海岸线曲线的方式,通过基于预设匹配算法,采用整体搜索和局部匹配的方式,对所述海岸线曲线进行匹配,达到了输出曲线匹配结果,作为遥感卫星影的粗定位结果的目的,实现了传感器姿态角等信息缺乏时的遥感卫星影像定位的技术效果。
此外,本申请对于非同源、多时相、多分辨率的非合作遥感卫星影像也有着较好的定位效果。同时,解决了定位时的大范围搜索问题,且能得到较高的定位精度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于海岸线状特征的遥感图像定位方法流程示意图;
图2是根据本申请实施例的基于海岸线状特征的遥感图像定位方法原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请实施例中使用到的技术术语如下:
DSRM(Dynamic Statistical Region Merging,简称DSRM,动态统计区域合并)。
NDWI(Normalized Difference Water Index,简称NDWI,归一化差分水体指数)。
NCC(Normalized Cross Correlation,简称NCC,归一化互相关)。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,该方法包括如下的步骤S101至步骤S103:
步骤S101,输入海岸线曲线,
其中所述海岸线曲线通过遥感卫星影像提取得到。
步骤S102,基于预设匹配算法,采用整体搜索和局部匹配的方式对所述海岸线曲线进行匹配;
步骤S103,输出曲线匹配结果,作为遥感卫星影像的粗定位结果。
具体地,输入海岸线曲线,基于预设匹配算法,采用整体搜索和局部匹配的方式对所述海岸线曲线进行匹配;输出曲线匹配结果,作为遥感卫星影的粗定位结果。方法可分为整体搜索和局部匹配两个阶段:首先,通过曲线初步匹配的整体搜索,确定多个候选的匹配区域;然后,对这些区域通过二次匹配,实现曲线精确匹配;最后,根据匹配的对应点集计算变换矩阵,实现遥感卫星影像的粗定位。
根据本申请实施例,提供了一种基于预设匹配算法,该方法包括:
曲线初步匹配的步骤,
所述曲线初步匹配的步骤包括:
选取基于曲率的形状算子描述形状,求出采样点的曲率绝对值积分,得到积分曲线;
将所述积分曲线按照坐标等间隔采样,得到初始的曲线形状签名。
根据本申请实施例,还包括:采用sigmoid函数,在将曲率小的局部细节加以放大的同时抑制曲率很大的点,得到改进的曲线形状签名。
根据本申请实施例,还包括:对于所述曲线形状签名与待匹配形状之间存在的尺度差异,利用对尺度不敏感的归一化互相关作为匹配度量,取最大的NCC值得到最终的部分匹配结果。
根据本申请实施例,基于预设匹配算法包括:曲线二次匹配的步骤,
所述曲线二次匹配的步骤包括:
以改进的曲率积分曲线作为特征识别标识,以两条曲线的相关系数作为两者相似度的度量,从参考海岸线中选择最佳匹配的前N段,其中N>2。
根据本申请实施例,从参考海岸线中选择最佳匹配的前N段之后,还包括:
基于原始曲线相关性的相似度量判断,从中取出最佳匹配者作为最终的定位结果,并计算对应的空间变换矩阵,实现遥感卫星影像的精确定位。
根据本申请实施例,输入海岸线曲线的步骤包括:
获取参考影像,其中所述参考影像是指具有地理参考信息的遥感卫星影像;
根据所述参考影像提取得到NDWI图像,并采用DSRM算法对水体区域的图像进行初步分割;
根据Fast Matching算法对初步分割得到的图像进行水体区域二次分割,构建海岸线数据库。
根据本申请实施例,输入海岸线曲线的步骤包括:
获取待定位影像,其中所述待定位影像是指待提取海岸线特征的遥感图像;
基于Live-Wire算法对所述待定位影像进行人机交互式提取,获取得到目标海岸线信息;其中所述目标海岸线信息至少包括海岸线曲线。
根据本申请实施例,输入海岸线曲线包括:
当获取到所述参考影像时,采用自动海岸线提取策略后,输入海岸线曲线。
根据本申请实施例,输入海岸线曲线包括:
当获取到待定位的遥感卫星影像时,采用人机交互式的海岸线提取策略后,输入海岸线曲线。
从以上的描述中,可以看出,本申请实现了如下技术效果:
在本申请实施例中,采用输入海岸线曲线的方式,通过基于预设匹配算法,采用整体搜索和局部匹配的方式对所述海岸线曲线进行匹配,达到了输出曲线匹配结果、实现遥感卫星影像粗定位的目的,实现了传感器姿态角等信息缺乏时的遥感卫星影像定位的技术效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述遥感图像的海岸线交互式提取方法的原理示意图,如图2所示,该实现原理包括:
首先,基于具有地理参考信息的遥感卫星影像,提取NDWI图像,利用DSRM和FastMatching算法进行水体区域二次分割,构建海岸线数据库;
然后,拓展应用Live-Wire算法,实现待定位影像的海岸线交互式提取;
最后,针对海岸线状特征,改进曲线形状签名,并基于该签名设计曲线部分匹配算法,实现海岸带遥感卫星影像的粗定位。
(1)提出了将遥感卫星影像粗定位转化为曲线部分匹配的实用算法框架;
(2)实践探索适合水体信息自动提取、海岸线自动提取、海岸线人机交互式提取方法,可为后续匹配提供高质量的海岸线曲线输入。
(3)针对海岸线状特征,改进了曲线形状签名,并据此进行曲线二次匹配,有效提高定位准确率。
1粗定位基本原理
(1)针对成像质量好且有地理参考信息的丰富海岸带遥感卫星影像,设计了以自动提取为主的海岸线提取方法,即利用影像的NDWI图像并基于动态DSRM算法和FastMatching算法进行水体区域的二次分割,构建海岸线数据库;
(2)针对待定位的遥感卫星影像,由于可能会受云、雾、雨等因素影响而质量不佳,设计了以人工交互为主的海岸线提取方法,即将医学影像处理领域常见的Live-Wire算法进行拓展应用,实现海岸线的准确快速提取;
(3)针对海岸线匹配这种局部对整体的开曲线匹配问题,在对曲线形状签名进行改进的基础上进行曲线二次匹配,由此实现海岸带遥感卫星影像的粗定位。
2海岸线提取
由于参考遥感卫星影像的质量较好,水体识别比较准确,宜采用自动海岸线提取策略;待定位遥感卫星影像有时受气象等因素影响而质量不佳,自动识别存在困难,宜采用人机交互式的海岸线提取策略。主要包括:海岸线自动提取和海岸线人机交互提取。
2.1海岸线自动提取
海岸线自动提取主要分为水体信息自动提取、基于DSRM的水体区域初步分割、基于Fast Matching的水体区域二次分割3个步骤。
根据海岸水体的特征,利用MCFeeters提出的NDWI提取水体系数。为了在突出水体信息的同时最大程度地抑制陆地信息,选用“绿光-近红外”的波段组合,NDWI的具体计算公式为:
其中Green代表绿光波段,NIR代表近红外波段。在获得的NDWI图像中,水体依然表现为不均匀的亮区域。为了有效提取海岸线,对该图像进行双边滤波处理并反转图像。本申请针对遥感卫星影像的水体区域初步分割,采用DSRM算法。
尽管在图像初步分割前已经进行了水体信息增强处理,但通过DSRM算法分割后细碎的斑块还很多。为了使水面更纯粹,本申请采用Fast Matching进行图像的再次二值分割,种子点选择为最大的水体多边形内点。通过Fast Matching的二值分割后,需要再进行多边形的矢量化、简化;选择其中最大的多边形作为抽取海岸线的基础,从中去除作为图像边缘的多边形边,再从中选择最长的弧线作为海岸线。
2.2海岸线人机交互提取
人机交互的海岸线提取目的在于充分利用操作员的海岸线识别能力和计算机的自动快速勾画能力,实现海岸线的快速准确提取。
具体方案为:(1)操作员按下鼠标键提供海岸线起始点;(2)随着操作员的光标移动,实时勾绘起始点到光标位置的海岸线;(3)操作员确认计算机自动勾绘的海岸线,认为正确时,按下鼠标键确定海岸线的终点,同时将该终点作为新一段海岸线的起始点,开始新一段海岸线的人机交互式提取;(4)当操作员按下右键时,结束当前的海岸线提取。
快速的海岸线计算机自动勾绘,本申请将Live-Wire算法,实现待定位影像的海岸线交互式提取。其基本思路是:将预跟踪遥感影像中的一个通道当成一个连通图,影像中的像素当作图中的节点,相邻像素点之间的边当作连接点的边;在每一个边上定义一个代价函数,为强边缘赋予较小的代价值,非强边赋予较大的代价值,同时相邻像素间的弧赋0代价,而非邻接像素间的弧赋+∞代价,将跟踪转换为起始点到目标点之间的最优路径问题,然后通过图搜索来寻找物体的边界,将用户指定的海岸线边界上的两点之间的最短路径当作海岸线。
3曲线匹配
3.1曲线匹配方案
海岸线状特征决定了匹配算法要满足的特征:(1)海岸线一般很长,算法需要考虑计算可行性;(2)海岸线很复杂,表现在海岸线的不同局部具有不同尺度的凹凸特征,要求匹配算法具有尺度不变性;(3)海岸线变化比较大,要求算法的鲁棒性好。本申请提供了一种基于改进的曲率积分曲线的部分匹配算法,分为整体搜索和局部匹配2个阶段,首先通过曲线初步匹配的整体搜索确定多个候选的匹配区域,然后对这些区域通过曲线二次匹配实现精确匹配,最后根据匹配的对应点集计算变换矩阵,实现遥感卫星影像粗定位。
3.2曲线初步匹配
因为海岸线的曲率变化较大,因此选取基于曲率的形状算子描述形状。一种基于曲率积分的尺度不变的形状签名,即对形状Γ(u)=(x(u),y(u)),按照等弧长采样,其曲率可用下式计算:
式中Xu,Xuu,Yu,Yuu分别表示x(u)、y(u)经过高斯卷积平滑之后的一阶、二阶微分,该式能很好地解决离散点的曲率求解问题。
然后在此基础上求得采样点的曲率绝对值积分,得到积分曲线。由于曲率本身具有旋转、平移不变性,因此将这条曲线按照坐标等间隔采样,得到初始的曲线形状签名。实践中曲线形状签名经常会失效,引入sigmoid函数,在将曲率小的局部细节加以放大的同时可以抑制曲率很大的点,最后得到改进的曲线形状签名。
根据上述改进的曲线形状签名进行海岸线匹配的过程中,因为离散数值操作的影响,使得到的尺度不变形状签名与待匹配形状之间仍会存在微小的尺度差异。为了减小这部分的误差,利用对尺度不敏感的归一化互相关作为匹配度量,可以取最大的NCC值得到最终的部分匹配结果。实际应用中海岸线入海口的地方变化较大,改进的算法对异源卫星也能够获得很好的效果。
3.3曲线二次匹配
以改进的曲率积分曲线作为特征识别标识,以两条曲线的相关系数作为两者相似度的度量,从参考海岸线中选择最佳匹配的前N(N>2)段,基于原始曲线相关性进行相似度量判断,从中提取最佳匹配者作为最终的定位结果,并计算对应的空间变换矩阵,实现遥感卫星影像的精确定位。之所以要选出多条曲线作为最优备选,是因为不同形态的海岸线形态可能会对应同一曲率积分曲线。
本申请的实施例中针对传感器姿态角等信息缺乏的遥感卫星影像定位问题,提出了基于海岸线状特征的遥感卫星影像粗定位方法,即将影像定位问题转化为自动提取参考海岸线与人机交互提取的待定位海岸线之间的曲线匹配问题,并通过基于改进的曲线形状签名实现了较好的曲线匹配。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于海岸线状特征的遥感图像定位方法,其特征在于,包括:
输入海岸线曲线,其中所述海岸线曲线通过遥感卫星影像提取得到;
基于预设匹配算法,采用整体搜索和局部匹配的方式,对所述海岸线曲线进行匹配;
输出曲线匹配结果,作为遥感卫星影像的粗定位结果。
2.根据权利要求1所述的遥感图像定位方法,其特征在于,基于预设匹配算法包括:曲线初步匹配的步骤,
所述曲线初步匹配的步骤包括:
选取基于曲率的形状算子描述形状,求出采样点的曲率绝对值积分,得到积分曲线;
将所述积分曲线按照坐标等间隔采样,得到初始的曲线形状签名。
3.根据权利要求2所述的遥感图像定位方法,其特征在于,还包括:采用sigmoid函数,在将曲率小的局部细节加以放大的同时抑制曲率很大的点,得到改进的曲线形状签名。
4.根据权利要求3所述的遥感图像定位方法,其特征在于,还包括:对于所述曲线形状签名与待匹配形状之间存在的尺度差异,利用对尺度不敏感的归一化互相关作为匹配度量,取最大的NCC值得到最终的部分匹配结果。
5.根据权利要求1所述的遥感图像定位方法,其特征在于,基于预设匹配算法包括:曲线二次匹配的步骤,
所述曲线二次匹配的步骤包括:
以改进的曲率积分曲线作为特征识别标识,以两条曲线的相关系数作为两者相似度的度量,从参考海岸线中选择最佳匹配的前N段,其中N>2。
6.根据权利要求5所述的遥感图像定位方法,其特征在于,从参考海岸线中选择最佳匹配的前N段之后,还包括:
基于原始曲线相关性的相似度量判断,从中取出最佳匹配者作为最终的定位结果,并计算对应的空间变换矩阵,实现遥感卫星影像的精确定位。
7.根据权利要求1所述的遥感图像定位方法,其特征在于,输入海岸线曲线的步骤包括:
获取参考影像,其中所述参考影像是指具有地理参考信息的遥感卫星影像;
根据所述参考影像提取得到NDWI图像,并采用DSRM算法对水体区域的图像进行初步分割;
根据Fast Matching算法对初步分割得到的图像进行水体区域二次分割,构建海岸线数据库。
8.根据权利要求1所述的遥感图像定位方法,其特征在于,输入海岸线曲线的步骤包括:
获取待定位影像,其中所述待定位影像是指待提取海岸线特征的遥感卫星影像;
基于Live-Wire算法对所述待定位影像进行人机交互式海岸线提取,得到目标海岸线信息;其中所述目标海岸线信息至少包括海岸线曲线。
9.根据权利要求1所述的遥感图像定位方法,其特征在于,输入海岸线曲线包括:
当获取到所述参考影像时,采用自动海岸线提取策略后,输入海岸线曲线。
10.根据权利要求1所述的遥感图像定位方法,其特征在于,输入海岸线曲线包括:
当获取到待定位遥感卫星影像时,采用人机交互式的海岸线提取策略后,输入海岸线曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335468.5A CN111160192A (zh) | 2019-12-20 | 2019-12-20 | 基于海岸线状特征的遥感图像定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335468.5A CN111160192A (zh) | 2019-12-20 | 2019-12-20 | 基于海岸线状特征的遥感图像定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160192A true CN111160192A (zh) | 2020-05-15 |
Family
ID=70557810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335468.5A Pending CN111160192A (zh) | 2019-12-20 | 2019-12-20 | 基于海岸线状特征的遥感图像定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160192A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754524A (zh) * | 2020-06-22 | 2020-10-09 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及系统 |
CN113239952A (zh) * | 2021-03-30 | 2021-08-10 | 西北工业大学 | 一种基于空间尺度注意力机制和矢量地图的航空图像地理定位方法 |
CN113297344A (zh) * | 2021-06-16 | 2021-08-24 | 重庆富沛和科技有限公司 | 基于三维遥感图像的地性线匹配方法、装置及地物目标位置定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 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 |
CN105957079A (zh) * | 2016-04-28 | 2016-09-21 | 淮阴师范学院 | 基于Landsat OLI多光谱影像的湖泊水域信息提取方法 |
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 |
-
2019
- 2019-12-20 CN CN201911335468.5A patent/CN111160192A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 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 |
CN105957079A (zh) * | 2016-04-28 | 2016-09-21 | 淮阴师范学院 | 基于Landsat OLI多光谱影像的湖泊水域信息提取方法 |
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 |
Non-Patent Citations (2)
Title |
---|
BO PENG,ET AL.: "Automatic Image Segmentation by Dynamic Region Merging", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
朱宁龙: "基于海岸线状特征匹配的近海域卫星遥感影像定位", 《海军航空工程学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754524A (zh) * | 2020-06-22 | 2020-10-09 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
CN111754524B (zh) * | 2020-06-22 | 2024-01-16 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及系统 |
CN112950665B (zh) * | 2021-02-01 | 2022-09-02 | 武汉大学 | 一种曲线状目标半自动提取方法及系统 |
CN113239952A (zh) * | 2021-03-30 | 2021-08-10 | 西北工业大学 | 一种基于空间尺度注意力机制和矢量地图的航空图像地理定位方法 |
CN113239952B (zh) * | 2021-03-30 | 2023-03-24 | 西北工业大学 | 一种基于空间尺度注意力机制和矢量地图的航空图像地理定位方法 |
CN113297344A (zh) * | 2021-06-16 | 2021-08-24 | 重庆富沛和科技有限公司 | 基于三维遥感图像的地性线匹配方法、装置及地物目标位置定位方法 |
CN113297344B (zh) * | 2021-06-16 | 2021-11-30 | 重庆富沛和科技有限公司 | 基于三维遥感图像的地性线匹配方法、装置及地物目标位置定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160192A (zh) | 基于海岸线状特征的遥感图像定位方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN110853026A (zh) | 一种融合深度学习与区域分割的遥感影像变化检测方法 | |
CN102903109B (zh) | 一种光学影像和sar影像一体化分割配准方法 | |
CN104200461A (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN110555857A (zh) | 一种语义边缘主导的高分遥感影像分割方法 | |
CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN109727279B (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及系统 | |
CN110569861A (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
US20220091259A1 (en) | System using a priori terrain height data for interferometric synthetic aperture radar (ifsar) phase disambiguation and related methods | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
CN110070545A (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Liu et al. | Object-oriented detection of building shadow in TripleSat-2 remote sensing imagery | |
Jiang et al. | Unmixing-based spatiotemporal image fusion accounting for complex land cover changes | |
CN107016414A (zh) | 一种脚印的识别方法 | |
CN104036295A (zh) | 多光谱遥感影像道路中心线自动检测方法 | |
CN111062348A (zh) | 一种遥感卫星影像的海岸线交互式提取方法 | |
JP2009289078A (ja) | 目標物検出システム | |
US11636649B2 (en) | Geospatial modeling system providing 3D geospatial model update based upon predictively registered image and related methods | |
CN107808160A (zh) | 三维建筑物提取方法和装置 |
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: 20200515 |