CN111310640A - Landsat8影像绿潮自适应阈值分区智能检测方法 - Google Patents
Landsat8影像绿潮自适应阈值分区智能检测方法 Download PDFInfo
- Publication number
- CN111310640A CN111310640A CN202010087897.1A CN202010087897A CN111310640A CN 111310640 A CN111310640 A CN 111310640A CN 202010087897 A CN202010087897 A CN 202010087897A CN 111310640 A CN111310640 A CN 111310640A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- green tide
- sub
- image quality
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及海洋环境监测技术领域,公开了一种Landsat8影像绿潮自适应阈值分区智能检测方法,包括以下步骤:S1、将待检测Landsat8影像分割成多个相同大小的子图像,根据各个子图像的灰度值,判断各个子图像的图像质量类型;S2、根据对应图像质量类型下检测阈值与检测子图像光谱之间的线性关系,计算各个子图像的检测阈值,通过检测阈值和子图像中各个像素点参数,判断各个子图像中的各个像素点是否为绿潮区域。本发明可实现Landsat8影像绿潮分区域自动检测。实验结果表面,本发明的绿潮提取精度较传统的FAI和NDVI检测方法有所提高,而且避免了对大气校正处理精度的依赖,特别是对于厚云和薄云覆盖下的海水状况本发明的提取精度效果明显优于NDVI法和FAI法。
Description
技术领域
本发明涉及海洋环境监测技术领域,具体涉及一种Landsat8影像绿潮自适应阈值分区智能检测方法。
背景技术
大型海洋绿藻的大量繁殖引发其在潮间带和浅海海域生物量累积的现象称为“绿潮”。我国自2007年至2017年,已经连续11年在黄海区域发生了较大规模的绿潮灾害。绿潮灾害的暴发,不仅对海上交通、观光旅游等活动产生影响,而且,由于与水体富营养化密切相关,亦可带来一系列生态问题,例如,珊瑚白化、海草生境的退化等。因此,绿潮灾害的实时监视监测就成为了解绿潮爆发源、绿潮爆发范围、绿潮漂移路径的关键技术之一。目前绿潮爆发范围检测主要以遥感影像为数据源,采用NDVI(Normalized DifferenceVegetationIndex)[3-5],FAI(Floating Algae Index)和SAI(Scaled Algae Index)等方法实现。这些方法是在精准的大气校正的假设下,将检测阈值设定为0,高于阈值0的区域为绿潮,而低于阈值0的区域为海水。而事实上,由于大气状况的多样,以及云覆盖的影响,很难实现精准的大气校正,这也是为什么这些方法不能实现高精度的绿潮自动检测的原因。
Landsat 8是美国国家航空航天局(NASA)陆地卫星系列的第八个计划,主要对资源、水、森林、环境和城市规划等提供可靠数据。Landsat 8上携带有两个主要载荷:OLI和TIRS。其中OLI(Operational Land Imager,运营性陆地成像仪)由卡罗拉多州的鲍尔航天技术公司研制,其成像仪包括9个波段,除第8波段空间分辨率为15m之外,其它波段的空间分辨率均为30m;TIRS由NASA的戈达德太空飞行中心研制,包括两个热红外波段,分辨率为100m。因此,需要提供以一种新的基于Landsat 8遥感图像的绿潮只能监测方法。
发明内容
为适应海洋环境监测领域的实际需求,本发明克服现有技术存在的不足,所要解决的技术问题为提供一种Landsat8影像绿潮自适应阈值分区智能检测方法。
为了解决上述技术问题,本发明采用的技术方案为:一种Landsat8影像绿潮自适应阈值分区智能检测方法,包括以下步骤:
S1、将待检测Landsat8影像分割成多个相同大小的子图像,根据各个子图像的灰度值,判断各个子图像的图像质量类型;
S2、根据对应图像质量类型下检测阈值与检测子图像光谱之间的线性关系,计算各个子图像的检测阈值,通过检测阈值和子图像内各个像素点的绿潮检测指标,判断各个子图像中的各个像素点是否为绿潮区域。
所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,还包括确定图像质量类型数量的步骤,所述图像质量类型数量的确定方法为:取多种Landsat8影像的样本数据,运用KMeans算法进行数据聚类,根据评价函数分别对聚3~5类的结果进行比较,计算各个聚类情况下的类内差异和类间差异的比值,比值最小的聚类数量即为图像质量类型的数量。
所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,所述图像质量类型包括四类,分别为厚云、薄云、薄雾和无云。
所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,还包括确定各个图像质量类型的区分规则的步骤,其具体方法为:以B1、B2、B3、B4、B5、B6、B7、B9、B10和B11波段值作为属性集,采用决策树算法挖掘四类图像质量的区分规则,挖掘出的厚云、薄云、薄雾和无云四类的分类决策。
根据各个子图像的灰度值,判断各个子图像的图像质量类型的具体方法为:
如果B9<3835,则为无云类;
如果B9>=3835且B4>=14490,则为厚云类;
如果B9>=3835且B4<9585,则为薄雾类;
如果B9>=3835且B4>=9585,则为薄云类;
所述B9表示图像在第九波段的灰度值,所述B4表示图像在第四波段的灰度值。
所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,还包括获取各个图像质量类型下检测阈值与检测子图像光谱之间的线性关系的步骤。
所述对应图像质量类型下检测阈值与检测子图像光谱之间的线性关系为:
其中,y1,y2,y3,y4分别为厚云类、薄云类、薄雾类和无云类四类图像质量情况下的检测阈值,表示待检测子图像中所有像素点的绿潮检测指标x的平均值,其中x=Bnir-Bred,Bnir表示近红外波段即第5波段的灰度值;Bred表示红光波段即第4波段的灰度值。
所述步骤S2中,判断各个子图像中的像素点是否为绿潮区域的方法为:计算各个子图像的检测阈值;判断各个子图像中像素点的绿潮检测指标x是否大于对应的检测阈值,若大于,则该像素点为绿潮,若小于,则该像素点为海水。
本发明与现有技术相比具有以下有益效果:本发明提供了一种Landsat8影像绿潮自适应阈值分区智能检测方法。
附图说明
图1为本发明实施例中收集的Landsat 8影像范围。
图2为本发明实施例中厚云类子图像部分数据图;
图3为本发明实施例中薄云类子图像部分数据图;
图4为本发明实施例中薄雾类子图像部分数据图;
图5为本发明实施例中无云类子图像部分数据图;
图6为本发明实施例中数据挖掘得出的分类决策树的示意图;
图7为对2017年6月19日图像假彩色合成图像及其图像质量预测结果比较;
图8为对2015年6月14日图像假彩色合成图像及其图像质量预测结果比较;
图10为本发明实施例中提供的绿潮Landsat8影像自适应阈值检测流程图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面将结合具体实施例和附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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作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。
本发明一种Landsat8影像绿潮自适应阈值分区智能检测方法,包括以下步骤:
S1、将待检测Landsat8影像分割成多个相同大小的子图像,根据各个子图像的灰度值,判断各个子图像的图像质量类型。
具体地,本发明提供的一种Landsat8影像绿潮自适应阈值分区智能检测方法,还包括确定图像质量类型数量的步骤,所述图像质量类型数量的确定方法为:取多种Landsat8影像的样本数据,运用KMeans算法进行数据聚类,根据评价函数分别对聚3~5类的结果进行比较,计算各个聚类情况下的类内差异和类间差异的比值,比值最小的聚类数量即为图像质量类型的数量。
具体地,本发明实施例中,所述图像质量类型包括四类,分别为厚云、薄云、薄雾和无云。
具体地,本发明提供的一种Landsat8影像绿潮自适应阈值分区智能检测方法,还包括确定各个图像质量类型的区分规则的步骤,其具体方法为:以B1、B2、B3、B4、B5、B6、B7、B9、B10和B11波段值作为属性集,采用决策树算法挖掘四类图像质量的区分规则,挖掘出的厚云、薄云、薄雾和无云四类图像质量的分类决策。
本发明实施例以收集到的如图1所示的范围内的Landsat 8影像来说明本发明的具体实施方法。如表1所示,为Landsat 8OLI影像波段表。
表1Landsat 8OLI影像波段
根据绿潮的生活特性,重点观测季节为每年的6月-8月,观测区为黄海、东海及其邻近水体,因此,收集Landsat8影像范围如图1所示。首先将10和11波段100m分辨率的影像重采样成30m分辨率,再将10个多光谱波段(除去8波段)与15m分辨率的全色波段(8波段)进行融合,进而生成10个波段的15米分辨率的多光谱图像。
为分析得出Landsat8影像的图像质量情况,选择了2013年6月8日、2013年6月24日、2014年6月11日、2014年6月27日、2014年7月13日、2014年7月29日、2016年6月16日、2016年7月2日和2016年7月18日共9天研究区域的Landsat8影像。将9景Landsat 8影像共切分为3461景300×300的子图。假设每景子图的大气状况均匀,取每景子图的10个波段平均值,共生成3461条数据记录。然后,运用KMeans算法进行数据聚类,为了使聚类效果最佳,根据评价函数分别对聚3类、聚4类、聚5类的结果进行比较如表2所示,其中,类内差异用来衡量聚类的紧凑性,就是计算类内的每一个点到它所属类的中心距离的平方和,类内差异W(C)的计算公式如公式(1)所示。类间差异用来衡量不同聚类之间的距离,定义为聚类中心间的距离,类间差异b(C)的计算公式如(2)所示。总体质量即为w(C)/b(C),总体质量越小则聚类效果越好。
其中,k表示聚类的簇个数,每簇即为一类;W(Ci)表示第i簇的类内差异,定义为第i簇中的每个元素到此簇中心的距离的平方和;d(x,y)表示元素x与y之间的距离;表示第i簇的簇中心;表示第j簇与第i簇的两个簇中心之间的距离。
表2聚类结果总体质量评价
聚3类 | 聚4类 | 聚5类 | |
类内差异 | 1.13×10<sup>8</sup> | 1.44×10<sup>8</sup> | 2.34×10<sup>8</sup> |
类间差异 | 1.35×10<sup>8</sup> | 2.83×10<sup>8</sup> | 3.85×10<sup>8</sup> |
总体质量 | 0.83 | 0.51 | 0.61 |
由上述分析得,可将图像质量分为厚云、薄云、薄雾和无云四类。其中,厚云类有117景子图,薄云类有1668景子图,薄雾类有1582景子图,无云类有94景子图。图2-5分别给出了厚云类、薄云类、薄雾类和无云类的部分样本子图像。聚类后的四类图像质量不同波段的平均值和方差分布情况如表3所示。
表3聚类结果均值及方差
为进一步发现四类图像之间的差异,本实施例将KMeans的聚类结果作为训练数据,以B1、B2、B3、B4、B5、B6、B7、B9、B10和B11波段值作为属性集,采用C4.5决策树算法挖掘四类图像质量的区分规则,挖掘出的厚云、薄云、薄雾和无云四类的分类决策树如图6所示。
根据图6所示的对应不同大气状况的图像质量分类决策树,可以得到如下图像质量判别规则:
Rule1:如果B9<3835,则为无云类;
Rule2:如果B9>=3835且B4>=14490,则为厚云类;
Rule3:如果B9>=3835且B4<9585,则为薄雾类;
Rule4:如果B9>=3835且B4>=9585,则为薄云类;
其中,B9表示第9波段的灰度值;B4表示第4波段的灰度值;Bi表示第i波段的灰度值。
为验证挖掘出的图像质量分类规则的有效性,选取2017年6月19日的Landsat 8影像,如图7中a所示,采用分类规则进行图像质量识别实验,识别结果如图7中b所示,蓝色为厚云区(B),绿色为薄云区(G),黄色为薄雾区(Y)。选取2015年6月14日的Landsat8影像,如图8中a所示,采用分类规则进行图像质量识别实验,识别结果如图8中b所述,红色为无云区(R),黄色为薄雾区(Y)。比较可以看出,对应图像中的各类大气状况,能够较好的区分开来,这也说明采用本发明的方法挖掘出的图像质量识别规则的合理性。
S2、根据对应图像质量类型下检测阈值与检测子图像光谱之间的线性关系,计算各个子图像的检测阈值和子图像中通过检测阈值和对应子图像中各个像素点的绿潮检测指标,判断对应子图像中的各个像素点为绿潮区域。
具体地,所述步骤S2中,还包括获取各个图像质量类型下检测阈值与检测子图像光谱之间的线性关系的步骤。
基于绿潮水体和非绿潮水体的光谱特性差异,可见光的红光波段可测量植物绿色素的吸收率;近红外波段则表现为植被的反射率,因此近红外波段与红光波段的差值可用于植物的识别。绿潮与植物的光谱反射相似,因此采用近红外与红光波段的差值也可以用于识别绿潮,因此本发明实施例将x=Bnir-Bred作为像素点的绿潮检测指标,其中,Bnir表示近红外波段即第5波段的灰度值;Bred表示红光波段即第4波段的灰度值。实验发现,不同大气状况下,绿潮的检测阈值并不相同。为实现绿潮的高精度检测,本文对厚云、薄云、薄雾和无云四类不同图像质量情况下,分别分析检测阈值与图像光谱值之间的关系,为分类别分区域绿潮自动检测奠定基础。
本实施例在四类图像质量数据样本中分别选择含有绿潮的厚云、薄云、薄雾和无云的子图像,共选择出厚云类子图像45景,薄云类子图像100景,薄雾类子图像100景,无云类子图像59景。借助ENVI 5.3软件采用目视判别的方法找到分离海水和绿潮的最佳阈值y。根据分析阈值y与绿潮检测指标x的样本数据,分析发现,四类图像质量下,检测阈值与子图像所有像素点的绿潮检测指标x的平均值间具有不同的线性关系,如图9所示。其中,厚云类绿潮检测指标的范围主要分布在-500到3000之间,检测阈值主要分布在-500到3500之间;薄云类绿潮检测指标范围主要分布在-1500到1300之间,检测阈值主要分布在-1800到2600之间;薄雾类绿潮检测指标主要分布在-3500到4500之间,检测阈值主要分布在-2900到5600之间;无云类绿潮检测指标主要分布在-3600到-500之间,检测阈值主要分布在-3200到-200之间。根据这些数据分析,可得到厚云类、薄云类、薄雾类和无云类四类图像质量情况下,检测阈值与绿潮检测指标之间线性关系可分别拟合成公式:
其中,y1,y2,y3,y4分别为厚云类、薄云类、薄雾类和无云类四类图像质量情况下的检测阈值,表示子图像中所有像素的绿潮检测指标x的平均值,且x=Bnir-Bred,Bnir表示近红外波段即第5波段的灰度值;Bred表示红光波段即第4波段的灰度值。
具体地,所述步骤S2中,判断各个子图像是否为绿潮区域的方法为:计算各个子图像的检测阈值;判断各个子图像中像素点的绿潮检测指标x是否大于该子图像对应的检测阈值,若大于,则该像素点为绿潮,若小于,则该像素点为海水。
因此,基于上述分析得出的不同图像质量情况下绿潮检测阈值与图像质量之间的关系,可通过将待检测绿潮的影像分割成300×300大小的子图像,分别对每个子图像首先根据图6所示的分类规则进行图像质量识别,再采用对应图像质量状况下的检测阈值与检测子图像光谱之间的线性关系(如图9),自动生成检测阈值,进而实现绿潮区域的自动检测。绿潮自适应检测流程如图10所示。
为验证本发明提出绿潮自适应阈值自动检测方法的有效性,收集了2015年6月14日和2017年6月19日的山东江苏附近海域的Landsat 8影像作为测试数据。同样的研究区域,同时也采用经典的NDVI、FAI和专家目视判读方法进行检测。从整景图像的检测结果来看,对于2017年6月19日Landsat 8影像本文提出的自适应阈值检测方法的检对率为88.2%,漏检率为47.0%,FAI检测方法的检对率为67.3%,漏检率为76.1%,NDVI方法的检对率为59.6%,漏检率为55.3%。对于2015年6月14日Landsat 8影像本文提出的自适应阈值检测方法的检对率为88.2%,漏检率为47.0%,FAI检测方法的检对率为76.4%,漏检率为76.1%,NDVI方法的检对率为72.3%,漏检率为55.3%。可以看出,本发明的绿潮检测精度最高。
表4 2017年6月19日Landsat8影像三种绿潮实验结果比较
表5 2015年6月14日Landsat8影像三种绿潮实验结果比较
为进一步分析本发明提出方法的有效性,根据分类规则分别选择厚云、薄云、薄雾和无云四类图像质量对应的四个研究区域,对比了本发明与经典的NDVI、FAI和专家目视判读方法进行检测的精度进行比较,如表6所示,
表6不同图像质量情况下三种绿潮实验结果比较
由表6所示的三种图像质量情况的绿潮检测精度比较结果,本发明的方法对厚云的检对率为91.4%,漏检率为9.17%,FAI检测方法的检对率为75.1%,漏检率为29.7%,NDVI方法的检对率为63.7%,漏检率为53.3%;本发明对薄云的检对率为85.1%,漏检率为17.5%,FAI检测方法的检对率为61.0%,漏检率为58.3%,NDVI方法的检对率为53.4%,漏检率为84.7%;本发明的方法对薄雾的检对率为72.7%,漏检率为37.4%,FAI检测方法的检对率为61.3%,漏检率为61.7%,NDVI方法的检对率为51.6%,漏检率为83.0%。本发明的方法对无云的检对率为76.3%,漏检率为31.0%,FAI检测方法的检对率为62.7%,漏检率为56.5%,NDVI方法的检对率为57.1%,漏检率为73.1%。可以看出,本文提出的方法不管是厚云区、薄云区、薄雾区还是无云去的检测精度均高于NDVI和FAI方法,特别是对于厚云区和薄云区绿潮检测精度最高。
综上所述,本发明提供了一种Landsat8影像绿潮自适应阈值分区智能检测方法,以Landsat 8影像为数据源,考虑到大气校正很难消除云层的影响,针对影像中不同云覆盖情况下,绿潮检测精度差别较大的问题,首先采用KMean聚类方法,分析得到影像中大气状况主要分为厚云覆盖、薄云覆盖、薄雾覆盖和无云覆盖四类图像质量的识别规则;为了实现高精度绿潮检测,通过收集不同图像质量条件下的绿潮爆发样本数据,分析得到绿潮区域与背景海水之间的光谱差异,发现不同图像质量情况下,绿潮与海水两者之间的分类阈值y与影像光谱差(绿潮检测指标)x=Bred-Bnir之间存在不同的线性关系。利用发现的四种图像质量情况下的线性关系可实现Landsat影像绿潮分区域自动检测。实验结果表面,本发明提出的绿潮绿潮提取精度较传统的FAI和NDVI检测方法有所提高,而且避免了对大气校正处理精度的依赖。特别是对于厚云和薄云覆盖下的海水状况本文提出的自适应阈值法的提取精度效果明显优于NDVI法和FAI法。
上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种Landsat8影像绿潮自适应阈值分区智能检测方法,其特征在于,包括以下步骤:
S1、将待检测Landsat8影像分割成多个相同大小的子图像,根据各个子图像的灰度值,判断各个子图像的图像质量类型;
S2、根据对应图像质量类型下检测阈值与检测子图像光谱之间的线性关系,计算各个子图像的检测阈值,通过检测阈值和子图像内各个像素点的绿潮检测指标,判断各个子图像中的各个像素点是否为绿潮区域。
2.根据权利要求1所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,其特征在于,还包括确定图像质量类型数量的步骤,所述图像质量类型数量的确定方法为:取多种Landsat 8影像的样本数据,运用KMeans算法进行数据聚类,根据评价函数分别对聚3~5类的结果进行比较,计算各个聚类情况下的类内差异和类间差异的比值,比值最小的聚类数量即为图像质量类型的数量。
3.根据权利要求1所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,其特征在于,所述图像质量类型包括四类,分别为厚云、薄云、薄雾和无云。
4.根据权利要求3所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,其特征在于,还包括确定各个图像质量类型的区分规则的步骤,其具体方法为:以B1、B2、B3、B4、B5、B6、B7、B9、B10和B11波段值作为属性集,采用决策树算法挖掘四类图像质量的区分规则,挖掘出的厚云、薄云、薄雾和无云四类的分类决策。
5.根据权利要求3所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,其特征在于,根据各个子图像的灰度值,判断各个子图像的图像质量类型的具体方法为:
如果B9<3835,则为无云类;
如果B9>=3835且B4>=14490,则为厚云类;
如果B9>=3835且B4<9585,则为薄雾类;
如果B9>=3835且B4>=9585,则为薄云类;
所述B9表示图像在第九波段的灰度值,所述B4表示图像在第四波段的灰度值。
6.根据权利要求1所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,其特征在于,还包括获取各个图像质量类型下检测阈值与检测子图像光谱之间的线性关系的步骤。
8.根据权利要求7所述的一种Landsat8影像绿潮自适应阈值分区智能检测方法,其特征在于,所述步骤S2中,判断各个子图像中的像素点是否为绿潮区域的方法为:计算各个子图像的检测阈值;判断各个子图像中像素点的绿潮检测指标x是否大于对应的检测阈值,若大于,则该像素点为绿潮,若小于,则该像素点为海水。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087897.1A CN111310640A (zh) | 2020-02-12 | 2020-02-12 | Landsat8影像绿潮自适应阈值分区智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087897.1A CN111310640A (zh) | 2020-02-12 | 2020-02-12 | Landsat8影像绿潮自适应阈值分区智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310640A true CN111310640A (zh) | 2020-06-19 |
Family
ID=71156459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087897.1A Pending CN111310640A (zh) | 2020-02-12 | 2020-02-12 | Landsat8影像绿潮自适应阈值分区智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310640A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308901A (zh) * | 2020-10-28 | 2021-02-02 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
CN115018844A (zh) * | 2022-08-09 | 2022-09-06 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的塑料薄膜质量评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
-
2020
- 2020-02-12 CN CN202010087897.1A patent/CN111310640A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
Non-Patent Citations (4)
Title |
---|
WANG CHANGYING ETL: "Coastal Land Covers Classification of High-Resolution Images Based on Dempster-Shafer Evidence Theory" * |
王蕊: "多源多分辨率遥感影像黄海绿潮监测能力分析" * |
王蕊等: "基于数据挖掘的GF-1遥感影像绿潮自适应阈值分区智能检测方法研究" * |
郑翔宇等: "不同大气校正方法对浒苔遥感监测效果影响研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308901A (zh) * | 2020-10-28 | 2021-02-02 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
CN112308901B (zh) * | 2020-10-28 | 2022-11-08 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
CN115018844A (zh) * | 2022-08-09 | 2022-09-06 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的塑料薄膜质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
CN106971146B (zh) | 基于三查技术的水体异常遥感动态监控方法、装置和系统 | |
CN110208193B (zh) | 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN110443195B (zh) | 一种结合超像素与深度学习的遥感影像火烧迹地分析方法 | |
CN114581784B (zh) | 一种长时序逐年红树林遥感监测产品的构建方法 | |
CN111445023B (zh) | 遗传算法优化的bp神经网络gf-2影像森林分类方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
Ahmad et al. | Comparative analysis of support vector machine, maximum likelihood and neural network classification on multispectral remote sensing data | |
Baraldi et al. | Operational performance of an automatic preliminary spectral rule-based decision-tree classifier of spaceborne very high resolution optical images | |
CN117115077A (zh) | 一种湖泊蓝藻水华检测方法 | |
AU2012100257A4 (en) | Method for Radiometric Information Restoration of Mountainous Shadows in Remotely Sensed Images | |
Chowdhury et al. | Land cover and land use: classification and change analysis | |
Iannone et al. | Proba-V cloud detection Round Robin: Validation results and recommendations | |
Davaasuren et al. | Extent and health of mangroves in Lac Bay Bonaire using satellite data | |
Collins et al. | Multi-temporal analysis of landsat data to determine forest age classes for the mississippi statewide forest inventory~ preliminary results | |
CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 | |
CN114792322A (zh) | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 | |
Salman et al. | Detection of Spectral Reflective Changes for Temporal Resolution of Land Cover (LC) for Two Different Seasons in central Iraq | |
Keshtkar et al. | Land cover classification using IRS-1D data and a decision tree classifier | |
CN112418156A (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
Wang et al. | Unsupervised detection for burned area with fuzzy C-means and DS evidence theory | |
Nawaz et al. | Performance analysis of supervised image classification techniques for the classification of multispectral satellite imagery | |
Ji et al. | Probabilistic graphical model based approach for water mapping using GaoFen-2 (GF-2) high resolution imagery and Landsat 8 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 |