CN111340779A - 一种类圆形植被斑块综合检测方法 - Google Patents
一种类圆形植被斑块综合检测方法 Download PDFInfo
- Publication number
- CN111340779A CN111340779A CN202010117634.0A CN202010117634A CN111340779A CN 111340779 A CN111340779 A CN 111340779A CN 202010117634 A CN202010117634 A CN 202010117634A CN 111340779 A CN111340779 A CN 111340779A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- quasi
- patches
- circular
- image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000000926 separation method Methods 0.000 claims abstract description 9
- 238000003066 decision tree Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000011426 transformation method Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 12
- NJQRKFOZZUIMGW-UHFFFAOYSA-N 1,3,5-trichloro-2-(chloromethyl)benzene Chemical compound ClCC1=C(Cl)C=C(Cl)C=C1Cl NJQRKFOZZUIMGW-UHFFFAOYSA-N 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种类圆形植被斑块综合检测方法，包括如下步骤：1)反演高分辨率遥感数据的缨帽变化参数；2)计算缨帽变化的亮度和绿度成分；3)构建决策树分类规则集，实现植被斑块与背景分离；4)利用分水岭算法，对植被斑块图像进行分割；5)通过圆霍夫曼变换方法进行检测，实现类圆形植被斑块的识别。本方法摆脱现有方法参数设置主观性强，且识别精度不高的尴尬现状，实现植被斑块准确识别，类圆形植被斑块有效分割，进一步提升类圆形植被斑块提取的精度和效率，满足检测和识别类圆形植被斑块及其分布格局的应用需求。
Description
技术领域
本发明涉及一种综合检测方法，尤其涉及一种类圆形植被斑块综合检测方法。
背景技术
植被斑块是世界上干旱半干旱区最为常见的植被形态之一，其具有高的生物量、生物多样性，能防风固沙，提供水土涵养，对干旱半干旱区生态系统安全和多样性保持具有重要的意义。类圆形植被斑块是植被斑块的一种，于2011 年前后在中国黄河三角洲被发现，与原生生态系统相比，其具有较快的植被演替和扩展速率，是研究该区植被演替的理想目标，其演替机制研究能为构建黄河三角洲退化湿地生态系统自适应恢复策略提供理论基础。检测和识别类圆形植被斑块及其分布格局是演替机制研究的前提和基础，受到了广泛关注。传统野外采样调查方法精度虽高，但费时费力，高空间分辨率卫星遥感因其覆盖范围广、能多次重复成像同一地区，而被广泛用于植被斑块制图。
虽然目前多种高分辨率遥感数据结合多种分类方法已经被用来进行类圆形植被斑块的识别，但因类圆形植被斑块偏离标准圆的情形不一，使得基于简单周长/面积比等指数的方法，并不能有效辨别类圆形植被斑块，加之类圆形植被斑块之间，以及类圆形植被斑块与其他形状植被斑块之间的粘连问题，导致了最终类圆形植被斑块检测精度不高，主要存在以下三方面的技术缺陷：
第一，类圆形植被斑块并不是标准的圆形或椭圆形，导致了现有基于周长 /面积比等形状指数进行类圆形植被斑块识别的精度受限；第二，常规的基于周长/面积比等形状指数进行类圆形植被斑块识别需要主观设置多个分割阈值，使得方法的普适性和效率降低，第三，现有技术未利用图像分割算法，依靠斑块形状指数，无法有效识别粘连斑块，致使类圆形植被斑块识别精度低。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种类圆形植被斑块综合检测方法。
为了解决以上技术问题，本发明采用的技术方案是：一种类圆形植被斑块综合检测方法，包括如下步骤：
1)反演高分辨率遥感数据的缨帽变化参数；
2)根据反演的缨帽变化参数，计算缨帽变化的亮度和绿度成分；
3)构建决策树分类规则集，实现植被斑块与背景分离；
4)利用分水岭算法，对植被斑块图像进行分割，将粘连的类圆形植被斑块从粘连植被斑块中分割出来；
5)通过圆霍夫曼变换方法进行检测，实现类圆形植被斑块的识别。
进一步地，步骤1)中，缨帽变化参数反演包括亮度成分、绿度成分参数的反演，具体过程为：
为了获得计算亮度成分的参数(TCBCi)，首先计算各波段亮土壤光谱平均值
与暗土壤光谱平均值
的差
i代表第几个波段，然后，亮度成分的参数(TCBCi)通过光谱平均值的差除以归一化因子 (B)获得；如公式Ⅰ所示：
其中，B为
为了获得绿度成分的参数(TCGCi)，首先计算各波段浓密植被像元光谱平均值
与亮土壤光谱平均值
的差(TCGi)，如公式Ⅱ所示：
其中，Dg由公式Ⅲ计算所得：
然后，计算归一化因子(G)，最后绿度成分的参数(TCGCi)通过光谱平均值的差除以归一化因子获得，如公式Ⅳ所示：
其中，G为
进一步地，步骤2)中，亮度成分的计算过程为：
根据反演的缨帽变换参数，通过各波段(Xi)与各波段对应的亮度成分缨帽变换系数(TCBCi)分别相乘，然后求和，获得缨帽变换亮度成分(TCB)，如公式Ⅵ所示：
进一步地，步骤2)中，绿度成分的计算过程为：
根据反演的缨帽变换参数，通过各波段(Xi)与各波段对应的绿度成分缨帽变换系(TCGCi)数分别相乘，然后求和，获得图像的缨帽变换绿度成分 (TCG)，如公式Ⅶ所示：
进一步地，步骤3)中，决策树分类规则集构建过程为：
利用图像的近红外波段、红波段和绿波段组合形成假彩色图像，以缨帽变换亮度成分为X轴，绿度成分为Y轴，构建散点图，通过假彩色图像与散点图交互对比，确定植被斑块在散点图上的区域范围，通过对该区域进行统计，确定植被斑块在缨帽变换亮度和绿度成分的分离阈值(ThresholdTCB， ThresholdTCG)；然后，通过多次试验及分类结果的目视判断，获得植被斑块与背景的准确分离，生成黑白二值图像。
进一步地，步骤4)中，植被斑块图像进行分割过程为：
首先，计算黑白二值图像的欧氏距离变换，然后，计算扩展H-minima变换的区域最小值，构成一个标记域；基于该标记域，通过形态重建调整强度图像使得黑白二值图像仅保留非零的区域最小值；最后，利用分水岭变换对调整后的图像进行分割，获得分割图像。
进一步地，步骤5)中，圆霍夫曼变换方法检测过程为：设定边界因子阈值为0.1，利用圆霍夫曼变换对分水岭分割后图像的类圆形斑块进行检测，获得类圆形植被斑块的数量、中心点坐标位置、半径面积、周长信息，最终，完成本发明类圆形植被斑块的检测。
本发明公开了一种类圆形植被斑块综合检测方法，摆脱现有方法参数设置主观性强，且识别精度不高的尴尬现状，实现植被斑块准确识别，类圆形植被斑块有效分割，进一步提升类圆形植被斑块提取的精度和效率，满足检测和识别类圆形植被斑块及其分布格局的应用需求。
附图说明
图1为本发明的总体技术流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种类圆形植被斑块综合检测方法，包括如下步骤：
1)反演高分辨率遥感数据的缨帽变化参数；
2)根据反演的缨帽变化参数，计算缨帽变化的亮度和绿度成分；
3)构建决策树分类规则集，实现植被斑块与背景分离；
4)利用分水岭算法，对植被斑块图像进行分割，将粘连的类圆形植被斑块从粘连植被斑块中分割出来；
5)通过圆霍夫曼变换方法进行检测，实现类圆形植被斑块的识别。
如图1所示，为该类圆形植被斑块综合检测方法的技术流程图，主要分为以上五大步骤，下面对其进行具体的说明：
1)缨帽变换参数反演
缨帽变换成分(亮度、绿度、湿度等成分)与归一化植被指数(NDVI)等由波段间简单加减乘除运算所得的植被指数或单个特征波段相比，能获得更高的地物识别精度。尽管现有大多数高分辨率遥感数据已有前人反演的缨帽变化参数，但对于新的遥感数据需要反演新的缨帽变换参数，有研究表明缨帽变换参数受所获取遥感的季节和地点有关，为此需要对所用遥感数据进行缨帽变换参数反演，用于后续缨帽变换成分的计算。
本发明选择图像中代表性的亮土壤、暗土壤和浓密植被像元，首先反演亮度参数，然后基于Gram-Schmidt正交变换，反演绿度参数，进而反演湿度成分等等。然而，因现有大多数高分辨率遥感数据缺乏短波红外波段，为保持本文方法的通用性，不作湿度成分参数的反演，对亮度成分、绿度成分进行了反演。缨帽变换参数反演的具体过程为：
为了获得计算亮度成分的参数(TCBCi)，首先计算各波段亮土壤光谱平均值
与暗土壤光谱平均值
的差
i代表第几个波段，然后，亮度成分的参数(TCBCi)通过光谱平均值的差除以归一化因子 (B)获得；如公式Ⅰ所示：
其中，B为
为了获得绿度成分的参数(TCGCi)，首先计算各波段浓密植被像元光谱平均值
与亮土壤光谱平均值
的差(TCGi)，如公式Ⅱ所示：
其中，Dg与亮度成分与绿度成分有关，其保证了绿度成分与亮度成分的正交性，由如下公式Ⅲ计算所得：
然后，计算归一化因子(G)，最后绿度成分的参数(TCGCi)通过光谱平均值的差除以归一化因子获得，如公式Ⅳ所示：
其中，G为
2)亮度和绿度成分计算
根据反演的缨帽变换参数，通过各波段(Xi)与各波段对应的亮度成分缨帽变换系数(TCBCi)分别相乘，然后求和，获得缨帽变换亮度成分(TCB)。同样地，通过各波段(Xi)与各波段对应的绿度成分缨帽变换系(TCGCi)数分别相乘，然后求和，获得图像的缨帽变换绿度成分(TCG)，分别如公式Ⅵ和公式Ⅶ所示：
3)决策树分类规则集构建
利用图像的近红外波段、红波段和绿波段组合形成假彩色图像，以缨帽变换亮度成分为X轴，绿度成分为Y轴，构建散点图，通过假彩色图像与散点图交互对比，确定植被斑块在散点图上的区域范围，通过对该区域进行统计，确定植被斑块在缨帽变换亮度和绿度成分的分离阈值(ThresholdTCB， ThresholdTCG)。通过多次试验及分类结果的目视判断，获得植被斑块与背景的准确分离，生成黑白二值图像。
4)分水岭变换分割
根据图像中实际最小类圆形植被斑块面积的大小设定阈值，去除图像中的噪声和小的斑点，通过图像开闭运算，填充图像中的空洞，减少后期图像分割和识别的误差，提高运行效率。上述生成的黑白二值图像，不仅包含本方法要提取的类圆形植被斑块，而且也包含其他形状的植被斑块(例如，条带状植被)，且类圆形植被斑块之间，以及类圆形植被斑块与其他形状植被斑块之间存在粘连，为此，需对图像进行有效分割。分发明采用分水岭变换进行类圆形植被斑块的分割。首先计算黑白二值图像的欧氏距离变换，然后计算扩展H-minima变换的区域最小值，构成一个标记域。基于该标记域，通过形态重建调整强度图像使得黑白二值图像仅保留非零的区域最小值。最后利用分水岭变换对调整后的图像进行分割，获得分割图像。
5)圆霍夫曼变换方法检测
圆霍夫曼变换可以用于图像中圆形目标的检测。通过调节面积大小 (Area)、敏感性(Sensitivity)和边界(EdgeThreshold)阈值，能很好地识别图像中的圆形目标，最终获得每个圆形目标的圆心和半径。因类圆形植被斑块面积的范围可根据实际调查或图像目视判读获得，所以面积大小阈值易于确定，即根据实际类圆形植被斑块面积来设定(Thresholdmin≤Area≤ Thresholdmax)。敏感性因子范围为0到1(0≤Sensitivity≤1)，高的敏感性能检测到更多的圆，但可能包含非圆形的目标，导致较高的误检风险。因类圆形植被斑块中有许多形状并不是规则的圆形，故设定敏感性因子为0.9。边界因子的范围为0到1(0≤EdgeThrehold≤1)，高的边界因子表明圆的边界像元梯度越高，仅能检测有相对强边界的圆，低的边界因子能检测更多具有弱边界的圆。为了更多地识别类圆形植被斑块，故设定边界因子阈值为0.1。阈值确定后，利用圆霍夫曼变换对分水岭分割后图像的类圆形斑块进行检测，获得类圆形植被斑块的数量、中心点坐标位置、半径面积、周长等信息，最终达到本发明检测类圆形植被斑块的目的。
本发明是基于现有类圆形植被斑块检测技术精度不高的缺陷，提出了一种类圆形植被斑块综合检测方法，实现了类圆形植被斑块的准确识别；主要技术优势包含以下三点：
第一，利用基于缨帽变换亮度和绿度成分决策树分类结果作为图像二值化的输入图像，即作为类圆形植被斑块识别的输入图像，克服了传统方法仅利用归一化植被指数或某个特征波段进行阈值分割获得二值化图像所导致的植被斑块与背景无法有效分离的弊端，提高了植被斑块识别的精度；
第二，通过采用分水岭算法进行图像分割，解决了类圆形植被斑块之间，以及类圆形植被斑块与其他形状植被斑块之间的粘连造成的类圆形植被斑块漏检问题，提高了类圆形植被斑块识别的精度；
第三，利用圆霍夫曼变换进行类圆形斑块识别，减少了参数设置的主观性，即减少了因利用形状指数等识别类圆形植被斑块时的参数阈值设定流程，在提高类圆形植被斑块识别精度的同时，还提高了方法的计算效率和普适性，实现了类圆形植被斑块的快速检测。
上述实施方式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技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (7)
1.一种类圆形植被斑块综合检测方法，其特征在于：该综合检测方法包括如下步骤：
1)反演高分辨率遥感数据的缨帽变化参数；
2)根据反演的缨帽变化参数，计算缨帽变化的亮度和绿度成分；
3)构建决策树分类规则集，实现植被斑块与背景分离；
4)利用分水岭算法，对植被斑块图像进行分割，将粘连的类圆形植被斑块从粘连植被斑块中分割出来；
5)通过圆霍夫曼变换方法进行检测，实现类圆形植被斑块的识别。
2.根据权利要求1所述的类圆形植被斑块综合检测方法，其特征在于：步骤1)中，缨帽变化参数反演包括亮度成分、绿度成分参数的反演，具体过程为：
为了获得计算亮度成分的参数(TCBCi)，首先计算各波段亮土壤光谱平均值
与暗土壤光谱平均值
的差
i代表第几个波段，然后，亮度成分的参数(TCBCi)通过光谱平均值的差除以归一化因子(B)获得；如公式I所示：
其中，B为
为了获得绿度成分的参数(TCGCi)，首先计算各波段浓密植被像元光谱平均值
与亮土壤光谱平均值
的差(TCGi)，如公式II所示：
其中，Dg由公式III计算所得：
然后，计算归一化因子(G)，最后绿度成分的参数(TCGCi)通过光谱平均值的差除以归一化因子获得，如公式IV所示：
其中，G为
3.根据权利要求2所述的类圆形植被斑块综合检测方法，其特征在于：步骤2)中，亮度成分的计算过程为：
根据反演的缨帽变换参数，通过各波段(Xi)与各波段对应的亮度成分缨帽变换系数(TCBCi)分别相乘，然后求和，获得缨帽变换亮度成分(TCB)，如公式VI所示：
4.根据权利要求3所述的类圆形植被斑块综合检测方法，其特征在于：步骤2)中，绿度成分的计算过程为：
根据反演的缨帽变换参数，通过各波段(Xi)与各波段对应的绿度成分缨帽变换系(TCGCi)数分别相乘，然后求和，获得图像的缨帽变换绿度成分(TCG)，如公式VII所示：
5.根据权利要求4所述的类圆形植被斑块综合检测方法，其特征在于：步骤3)中，决策树分类规则集构建过程为：
利用图像的近红外波段、红波段和绿波段组合形成假彩色图像，以缨帽变换亮度成分为X轴，绿度成分为Y轴，构建散点图，通过假彩色图像与散点图交互对比，确定植被斑块在散点图上的区域范围，通过对该区域进行统计，确定植被斑块在缨帽变换亮度和绿度成分的分离阈值(ThresholdTCB，ThresholdTCG)；然后，通过多次试验及分类结果的目视判断，获得植被斑块与背景的准确分离，生成黑白二值图像。
6.根据权利要求5所述的类圆形植被斑块综合检测方法，其特征在于：步骤4)中，植被斑块图像进行分割过程为：
首先，计算黑白二值图像的欧氏距离变换，然后，计算扩展H-minima变换的区域最小值，构成一个标记域；基于该标记域，通过形态重建调整强度图像使得黑白二值图像仅保留非零的区域最小值；最后，利用分水岭变换对调整后的图像进行分割，获得分割图像。
7.根据权利要求6所述的类圆形植被斑块综合检测方法，其特征在于：步骤5)中，圆霍夫曼变换方法检测过程为：设定边界因子阈值为0.1，利用圆霍夫曼变换对分水岭分割后图像的类圆形斑块进行检测，获得类圆形植被斑块的数量、中心点坐标位置、半径面积、周长信息，最终，完成本发明类圆形植被斑块的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010117634.0A CN111340779B (zh) | 2020-02-25 | 2020-02-25 | 一种类圆形植被斑块综合检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010117634.0A CN111340779B (zh) | 2020-02-25 | 2020-02-25 | 一种类圆形植被斑块综合检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340779A true CN111340779A (zh) | 2020-06-26 |
| CN111340779B CN111340779B (zh) | 2020-12-22 |
Family
ID=71186948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010117634.0A Expired - Fee Related CN111340779B (zh) | 2020-02-25 | 2020-02-25 | 一种类圆形植被斑块综合检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340779B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682625A (zh) * | 2016-12-29 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 耕地信息的更新方法及系统 |
| CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
| CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
| CN108764275A (zh) * | 2018-04-10 | 2018-11-06 | 甘肃农业大学 | 叶片病害的识别方法和系统 |
-
2020
- 2020-02-25 CN CN202010117634.0A patent/CN111340779B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682625A (zh) * | 2016-12-29 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 耕地信息的更新方法及系统 |
| CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
| CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
| CN108764275A (zh) * | 2018-04-10 | 2018-11-06 | 甘肃农业大学 | 叶片病害的识别方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| LIU QINGSHENG: ""USING THE CBERS-04 MULTISPECTRAL DATA TASSELED CAP TRANSFORMATION TO DETECT THE QUASI-CIRCULAR VEGETATION PATCHES"", 《IGARSS 2019》 * |
| QINGSHENG LIU，: ""Comparison of tasselled cap transformations based on the selective bands of Landsat 8 OLI TOA reflectance images"", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
| YUANYUAN LI: ""Detect Quasi-circular Vegetation Community Patches Using Images of Different Spatial Resolutions"", 《2013 6TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340779B (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Estoque et al. | Classification and change detection of built-up lands from Landsat-7 ETM+ and Landsat-8 OLI/TIRS imageries: A comparative assessment of various spectral indices | |
| CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
| CN111696123A (zh) | 超像素分类识别的遥感图像水域分割提取方法 | |
| CN110765934B (zh) | 一种多源数据融合的地质灾害识别方法 | |
| CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
| CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
| CN111339948B (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
| CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
| CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
| CN108051371A (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
| CN103810722A (zh) | 结合改进的lbp纹理和色度信息的运动目标检测方法 | |
| 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 | |
| CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
| CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
| CN103413131A (zh) | 基于光谱及几何特征的塔吊识别方法 | |
| WO2019184269A1 (zh) | 基于Landsat8含雪影像的云检测方法 | |
| CN110796113B (zh) | 一种基于WorldView-2影像的城市蓝色地物检测方法 | |
| CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
| CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
| CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
| CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
| CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
| CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
| CN111340779B (zh) | 一种类圆形植被斑块综合检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201222 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |