CN111398176A - 基于像元尺度特征的水体水色异常遥感识别方法和装置 - Google Patents
基于像元尺度特征的水体水色异常遥感识别方法和装置 Download PDFInfo
- Publication number
- CN111398176A CN111398176A CN202010173315.1A CN202010173315A CN111398176A CN 111398176 A CN111398176 A CN 111398176A CN 202010173315 A CN202010173315 A CN 202010173315A CN 111398176 A CN111398176 A CN 111398176A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- pixel
- image
- water
- water color
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于像元尺度特征的水体水色异常遥感识别方法和装置,属于水环境污染监测领域。本发明对多时序遥感影像进行预处理,对同一位置像元的不同时序所有波段像元值进行光谱统计分析,建立不同位置像元的基准特征值;统计待检测遥感影像不同位置像元的光谱特征值;通过比较待检测影像每个像元的光谱特征值和对应位置像元的基准特征值,判断该像元是否存在异常,最终获取水色异常的空间分布。该方法既可解决传统区域连片像元设置阈值不精确而导致的水色异常判别误差较大(甚至错误)的缺陷,又可避免单景影像光谱特征代表性不强而导致水色异常识别错误,从而提高像元尺度上水体水色异常像元的识别精度。
Description
技术领域
本发明涉及水环境污染监测领域,特别是指一种基于像元尺度特征的水体水色异常遥感识别方法和装置。
背景技术
环境污染和生态破坏均会导致水环境风险的增加,尤其是近年来化工园区建设、农药化肥过量使用、危化品等交通运输等。不合理的水资源开发和利用、工业废水排放、水环境生态灾害等环境污染和生态灾害,均会影响水环境质量。水环境质量恶化的主要表现之一就是水体颜色发生了改变。针对环境污染和生态灾害导致的水体水色发生异常现象,需要进行快速、精确的识别和定位,以提高环境管理部门对突发水环境事件的应急监测和管理能力。
针对水体水色异常的识别和提取,除传统的地面调查方法外,近年来遥感技术凭借宏观、动态、瞬时、经济等优势,目前已经成为水体水色异常识别和提取的主要技术手段之一,在水体水色异常的调查方面发挥了重要的作用。目前遥感技术在水体水色异常识别和提取方面,主要是依据利用卫星遥感、航空遥感或地面遥感等手段获取遥感影像,图像经过各种预处理后通过计算特征指数,然后设置阈值对影像上所有像元进行判别后,获取水体水色异常的空间分布。。
传统的地面调查方法依靠人力,需要消耗大量人力、物力和财力才能获取地面水体的水色异常分布状况,耗时、费力且需要大量资金投入,同时受天气、道路通达性等影响而使得调查不够全面。遥感技术可解决传统调查的某些劣势,发挥了重要作用。目前遥感技术对水色异常的判读和识别主要集中在两方面:一是基于先验知识建立水色异常的判读指数,其次就是通过水色异常光谱数据库的多个像元的统计特征值建立判别阈值,对图像所有像元进行逐一检测。
虽然基于遥感技术的水体水色异常识别和提取有了一定的成效,但是目前遥感技术对水体水色异常的识别和提取是基于单景遥感影像实现的,基于单景影像开展水色异常提取存在以下缺陷:
首先,基于单景遥感影像开展水体水色异常提取都是基于一种假设,即水体水色异常现象属于小概率事件,也就是说,水色异常水体的像元数占水色正常水体像元数的小部分,因此从统计学规律上来讲,水色异常像元数对正常水体像元的统计值不产生影响,或者说影响甚微,因此可利用正常水体像元值的统计特征值作为阈值去判别水色异常像元。但是,受种种因素的影响,某些情况下这一假设并不成立,例如浒苔等绿藻潮导致的水色异常,当绿藻潮大规模爆发时,水色异常像元有时可占单景影像像元总数的绝大部分,甚至全部。此时基于单景影像确定水色异常的判断阈值就会出现较大偏差,导致水色异常识别结果不准确,甚至错误。
其次,水色异常判定阈值均是基于区域连片的像元作为统计基数,然后建立统计特征值作为阈值进行判定。这种区域连片像元建立的统计特征值对于像元内部结构相同或相似的像元是合适的。但实际上,由于受种种因素的影响,每个像元内部的结构特征并无完全一致,尤其是混合像元,因此以往的基于区域连片像元统计特征设置的阈值对于像元尺度上检测的水色异常存在误差,甚至错误,尤其是近岸水体或底质状况较为复杂的水体。
发明内容
为解决上述技术问题,本发明提供一种基于像元尺度特征的水体水色异常遥感识别和装置,本发明提高了像元尺度上水体水色异常像元的识别精度。
本发明提供技术方案如下:
第一方面,本发明提供一种基于像元尺度特征的水体水色异常遥感识别方法,所述方法包括:
S100:获取待检测遥感影像;
S200:对所述待检测遥感影像进行预处理,得到所述待检测遥感影像对应的水域部分的遥感反射率影像;
S300:计算待检测遥感影像对应的水域部分的遥感反射率影像的每个像元所有波段的光谱特征值;
S400:分别将每个像元的光谱特征值与光谱数据库中相同位置的像元的基准特征值进行比较,得到存在水色异常的像元;
S500:对存在水色异常的像元进行边界提取,获取水色异常的分布位置和范围;
S600:对存在水色异常的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积;
其中,所述光谱数据库通过如下方法确定:
S100’:获取监测区域不同时间序列的多景遥感影像样本,并将所述多景遥感影像样本存储到光谱数据库中;
S200’:对所述多景遥感影像样本进行预处理,得到所述多景遥感影像样本对应的水体水色正常部分的遥感反射率影像;
S300’:对每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值进行光谱统计分析,得到每个位置的像元在时间序列上的统计特征值;
S400’:根据每个位置的像元在时间序列上的统计特征值计算得到每个位置的像元的基准特征值。
进一步的,所述S300’包括:
S310’:将每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量样本;
S320’:将同一位置的像元对应的多个向量样本进行两两组合,计算两者之间的相似度,得到每个位置的像元在时间序列上的统计特征值;
所述S400’包括:根据每个位置的像元在时间序列上的统计特征值计算平均值,得到每个位置的像元的基准特征值。
进一步的,所述S300包括:
S310:将待检测遥感影像对应的水域部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量;
S320:分别计算每个像元的向量与光谱数据库中相同位置的像元的任意一个向量样本的相似度,得到每个像元的光谱特征值。
进一步的,所述光谱数据库的确定方法还包括:
S500’:向光谱数据库中增加新的若干景监测区域的遥感影像样本,并执行S200’~S400’,得到更新后的每个位置的像元的基准特征值。
进一步的,所述S200之后,S300之前还包括:
S210:对待检测遥感影像对应的水域部分的遥感反射率影像进行边缘掩膜处理;
所述S200’之后,S300’之前还包括:对所述多景遥感影像样本对应的水体水色正常部分的遥感反射率影像进行边缘掩膜处理。
进一步的,所述待检测遥感影像和遥感影像样本为多光谱遥感影像或高光谱遥感影像;
所述预处理包括辐射校正、大气校正、去云处理和水陆分离。
进一步的,所述S400之后,S500之前还包括:
S410:将水色异常的像元标记为1,将非水色异常的像元标记为0,得到二值影像;
S500进一步为:对所述二值影像标记为1的部分进行边界提取,获取水色异常的分布位置和范围;
S600进一步为:对所述二值影像中标记为1的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积。
第二方面,本发明提供一种基于像元尺度特征的水体水色异常遥感识别装置,所述装置包括:
第一获取模块,用于获取待检测遥感影像;
第一预处理模块,用于对所述待检测遥感影像进行预处理,得到所述待检测遥感影像对应的水域部分的遥感反射率影像;
光谱特征值计算模块,用于计算待检测遥感影像对应的水域部分的遥感反射率影像的每个像元所有波段的光谱特征值;
像元比较模块,用于分别将每个像元的光谱特征值与光谱数据库中相同位置的像元的基准特征值进行比较,得到存在水色异常的像元;
边界提取模块,用于对存在水色异常的像元进行边界提取,获取水色异常的分布位置和范围;
面积计算模块,用于对存在水色异常的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积;
其中,所述光谱数据库通过如下模块确定:
第二获取模块,用于获取监测区域不同时间序列的多景遥感影像样本,并将所述多景遥感影像样本存储到光谱数据库中;
第二预处理模块,用于对所述多景遥感影像样本进行预处理,得到所述多景遥感影像样本对应的水体水色正常部分的遥感反射率影像;
统计特征值计算模块,用于对每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值进行光谱统计分析,得到每个位置的像元在时间序列上的统计特征值;
基准特征值计算模块,用于根据每个位置的像元在时间序列上的统计特征值计算得到每个位置的像元的基准特征值。
进一步的,所述统计特征值计算模块包括:
第一构建单元,用于将每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量样本;
第一相似度计算单元,用于将同一位置的像元对应的多个向量样本进行两两组合,计算两者之间的相似度,得到每个位置的像元在时间序列上的统计特征值;
所述基准特征值计算模块包括:根据每个位置的像元在时间序列上的统计特征值计算平均值,得到每个位置的像元的基准特征值。
进一步的,所述光谱特征值计算模块包括:
第二构建单元,用于将待检测遥感影像对应的水域部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量;
第二相似度计算单元,用于分别计算每个像元的向量与光谱数据库中相同位置的像元的任意一个向量样本的相似度,得到每个像元的光谱特征值。
进一步的,所述光谱数据库还通过如下模块确定:
更新模块,用于向光谱数据库中增加新的若干景监测区域的遥感影像样本,并执行第二预处理模块、统计特征值计算模块、基准特征值计算模块,得到更新后的每个位置的像元的基准特征值。
进一步的,所述装置还包括:
第一边缘掩膜模块,用于对待检测遥感影像对应的水域部分的遥感反射率影像进行边缘掩膜处理;
第二边缘掩膜模块,用于对所述多景遥感影像样本对应的水体水色正常部分的遥感反射率影像进行边缘掩膜处理。
进一步的,所述待检测遥感影像和遥感影像样本为多光谱遥感影像或高光谱遥感影像;
所述预处理包括辐射校正、大气校正、去云处理和水陆分离。
进一步的,所述装置还包括:
二值影像获取单元,用于将水色异常的像元标记为1,将非水色异常的像元标记为0,得到二值影像;
所述边界提取模块进一步为:对所述二值影像标记为1的部分进行边界提取,获取水色异常的分布位置和范围;
所述面积计算模块进一步为:对所述二值影像中标记为1的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积。
本发明具有以下有益效果:
本发明既可解决传统区域连片像元设置阈值不精确而导致的水色异常判别误差较大(甚至错误)的缺陷,又可避免单景影像光谱特征代表性不强而导致水色异常识别错误,从而提高像元尺度上水体水色异常像元的识别精度。
附图说明
图1为本发明的基于像元尺度特征的水体水色异常遥感识别方法的流程图;
图2为本发明的基于像元尺度特征的水体水色异常遥感识别装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例1:
本发明实施例提供一种基于像元尺度特征的水体水色异常遥感识别方法,本发明包括两部分,一部分是事先建立光谱数据库,并通过光谱数据库确定基准特征值的步骤,另一部分为通过基准特征值对遥感影像进行水体水色异常识别的步骤。
其中,事先建立光谱数据库,并通过光谱数据库确定基准特征值的步骤包括:
S100’:获取监测区域不同时间序列的多景遥感影像样本,并将多景遥感影像样本存储到光谱数据库中。
遥感影像样本为多光谱遥感影像或高光谱遥感影像,多光谱遥感影像是指包含多个波段的遥感影像,波段数一般为几个到十几个,高光谱波段数一般为上百个。一般从图像采集设备(搭载在卫星上的成像光谱仪等)获取多光谱遥感影像。
现有技术中,遥感技术对水体水色异常的识别和提取是基于单景遥感影像实现的,基于单景影像开展水色异常提取存在背景技术部分提及的若干缺陷。
本发明使用不同时间序列的多景遥感影像样本确定基准特征值(阈值),相比于基于单景遥感影像确定的阈值,因为本发明的阈值是基于统计信息计算出来的,数据量越大越接近客观实际情况,因此能够获取客观、精确的阈值,提高水色异常的提取精度,尤其是因大面积环境污染或生态灾害而导致的水体水色异常提取精度。
S200’:对多景遥感影像样本进行预处理,得到多景遥感影像样本对应的水体水色正常部分的遥感反射率影像。
预处理可以包括辐射校正、大气校正、去云处理及水陆分离等,经过预处理后得到了水域部分的遥感反射率影像。
辐射校正(radiometric correction)是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。
大气校正(atmospheric correction),用于消除大气散射、吸收、反射引起的误差。
去云处理:由于气候原因,获取完全无云的遥感影像有时是比较困难的,大部分遥感影像在获取时都会受到云以及云在地表投射的阴影以及气溶胶等影响,因此需要去除这些干扰。本发明不限制去云处理的方法,例如,可以采用红波段阈值法进行去云处理。
水陆分离是利用特定波段的信息,对影像进行边缘检测,检测出岛礁和大陆的轮廓,进行裁剪,得到水域部分的遥感反射率影像。或者利用已知的水体边界,对遥感反射率影像进行裁剪,得到水域部分的遥感反射率影像。
因为本发明是通过多景遥感影像样本确定阈值,该阈值为水色正常和异常的统计特征,本发明通过对水色正常的部分进行统计分析的方法确定阈值,只需要水色正常部分,因此在水陆分离后,去掉水色异常部分。
S300’:对每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值进行光谱统计分析,得到每个位置的像元在时间序列上的统计特征值。
本步骤中,对每景遥感影像的每一个像元,根据该像元的所有波段的值计算出该像元的统计特征值,每景遥感影像的每一个像元对应有一个统计特征值,相同位置的像元对应有多个统计特征值,也就是在时间序列上的统计特征值。
本发明中,统计特征值的计算方法可以是各种方法,只要能够得到所有波段的统计特征值即可,本发明对此不做限定。
S400’:根据每个位置的像元在时间序列上的统计特征值计算得到每个位置的像元的基准特征值。
现有技术中,水色异常判定阈值均是基于区域连片的像元作为统计基数,即所有像元或者一片像元使用同一个阈值进行判断,这样会导致误差或错误。本发明中,在光谱数据库中为每一个位置的像元分别设置阈值(即基准特征值),后续将待检测影像的每个像元的光谱特征值与光谱数据库中对应位置的像元的基准特征值进行比较,判断该像元是否异常。其解决传统区域连片像元设置阈值不精确而导致的水色异常判别误差较大(甚至错误)的缺陷,提高像元尺度上水体水色异常像元的提取精度。
通过上述方法建立光谱数据库,并确定基准特征值后,即可通过基准特征值对遥感影像进行水体水色异常识别,其包括:
S100:获取待检测遥感影像。
待检测遥感影像也是多光谱遥感影像或高光谱遥感影像,具体如前述,此处不再赘述。
S200:对待检测遥感影像进行预处理,得到待检测遥感影像对应的水域部分的遥感反射率影像。
对待检测遥感影像进行预处理的方法与前述的对多景遥感影像样本进行预处理类似,也是进行辐射校正、大气校正、去云处理及水陆分离等,只是不去除水色异常部分。
S300:计算待检测遥感影像对应的水域部分的遥感反射率影像的每个像元所有波段的光谱特征值。
本步骤中,对每一个像元,根据该像元的所有波段的值计算出该像元的光谱特征值,每一个像元对应有一个光谱特征值。
本发明中,不限定计算光谱特征值的方法,但是S300’使用的何种统计方法计算的基准特征值,本步骤中也应使用对应的方法计算光谱特征值。
S400:分别将每个像元的光谱特征值与光谱数据库中相同位置的像元的基准特征值进行比较,得到存在水色异常的像元。
S500:对存在水色异常的像元进行边界提取,获取水色异常的分布位置和范围。
S600:对存在水色异常的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积。
如空间分辨率为8m,标记的像元个数为100,则污染水体的面积为8m*8m*100=6400m2。
本发明首先对获取的多时序遥感影像进行预处理,获取不同时序的水体遥感反射率影像;对同一位置像元的不同时序所有波段像元值进行光谱统计分析,得到同一位置在时间序列上的像元的统计特征值,根据统计特征值建立不同位置像元的基准特征值,然后对待检测遥感影像不同位置像元进行光谱分析,建立不同位置像元的光谱特征值;通过比较待检测影像每个像元的光谱特征值和对应位置像元的基准特征值,判断该像元是否存在异常,最终获取水色异常的空间分布。该方法既可解决传统区域连片像元设置阈值不精确而导致的水色异常判别误差较大(甚至错误)的缺陷,又可避免单景影像光谱特征代表性不强而导致水色异常识别错误,从而提高像元尺度上水体水色异常像元的识别精度。
本发明并不限定基准特征值的统计方法,其中一个示例中,该统计方法为向量相似度分析的方法,其中:S300’包括:
S310’:将每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量样本。
同一位置上,每景影像每个像元的所有波段构建一个向量样本,多景影像可构建一组向量样本,即同一个位置有多个向量样本。
S320’:将同一位置的像元对应的多个向量样本进行两两组合,计算两者之间的相似度,得到每个位置的像元在时间序列上的统计特征值。
S400’包括:根据每个位置的像元在时间序列上的统计特征值计算平均值,得到每个位置的像元的基准特征值。
对应的,光谱特征值的获取方法与基准特征值的获取方法类似,其中,S300包括:
S310:将待检测遥感影像对应的水域部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量。
S320:分别计算每个像元的向量与光谱数据库中相同位置的像元的任意一个向量样本的相似度,得到每个像元的光谱特征值。
本发明建立水色正常水体在不同波段的光谱数据库后,还可以对数据库进行动态更新,其中的更新方法包括:
S500’:向光谱数据库中增加新的若干景监测区域的遥感影像样本,并执行S200’~S400’,得到更新后的每个位置的像元的基准特征值。
本发明对光谱数据库进行动态更新,目的是获取客观、精确的阈值,因为阈值是基于统计信息计算出来的,数据量越大越接近客观实际情况。
水陆分离后可能存在边缘不精确的问题,为解决该问题,本发明中,S200之后,S300之前还包括:
S210:对待检测遥感影像对应的水域部分的遥感反射率影像进行边缘掩膜处理。
S200’之后,S300’之前还包括:对多景遥感影像样本对应的水体水色正常部分的遥感反射率影像进行边缘掩膜处理。
边缘掩膜能够对水陆分离得到的水域部分的边缘进行修正。
为了方便统计水色异常的像元,本发明在S400之后,S500之前还包括:
S410:将水色异常的像元标记为1,将非水色异常的像元标记为0,得到二值影像;
相应的,S500进一步为:对二值影像标记为1的部分进行边界提取,获取水色异常的分布位置和范围;
相应的,S600进一步为:对二值影像中标记为1的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积。
下面给出一个具体的计算示例对本发明进行详细的距离阐述,本示例通过向量相似度计算基准特征值和光谱特征值,其包括:
S1.获取监测区域不同时间序列的多景多光谱遥感影像样本或高光谱遥感影像样本。
S2.对所述的遥感影像样本进行预处理,包括辐射校正、大气校正、去云处理及水陆分离,得到多景不同时间序列的水域部分的遥感反射率影像;所述的水域部分仅包含水体水色正常部分的水体。
S3.对所述水域部分的多景遥感影像进行边缘掩膜处理,获取经过修改处理后的水域部分遥感反射率影像,目的是剔除因水陆边界不精确而导致正常水体像元统计特征值发生偏离。
S4.对所述水域部分的多景遥感影像相同位置的像元的所有波段的值构建一组向量样本(同一位置上,每景遥感影像每个像元的所有波段构建一个向量样本,多景遥感影像可构建一组向量样本,即同一个位置有多个向量样本),并进行相似度分析,得到一组水色正常部分水体在相同位置像元的相似度,确定同一相同位置像元的基准特征值,具体操作如下:
设i景影像分别是A1、A2、……、Ai,第i景影像的第j波段记做aij,所述检测区域影像的第一行第一列的位置记做P11,第m行第n列记做Pmn,则:
S41.对于待检测区域第一行第一列位置P11:
第一景影像A1的所有波段组成一个向量样本a1(b11,b12,……、b1j);
第二景影像A2的所有波段组成一个向量样本a2(b21,b22,……、b2j);
……
以此类推,得到第一行第一列位置P11处所有多时序影像的多组向量样本ai(bi1,bi2,……、bij),bji为第i景影像的第j波段在第一行第一列位置的值。
S42.对第一行第一列位置P11:同一位置处的多景影像不同波段构成的向量ai样本(bi1,bi2,……、bij)进行两两组合,计算二者之间的相似度,用欧氏距离表示,获取多组欧氏距离并计算其平均欧氏距离,作为P11在多景影像上的相似度d11,作为第一行第一列位置的基准特征值。
S43.增加监测区域的新一景或多景遥感影像样本,将新遥感影像样本的第一行第一列位置P11处的光谱数据补充到光谱数据库中,重新计算其相似度,得到更新后的第一行第一列位置P11的相似度d11,也就是更新后的基准特征值。
重复步骤S41-S43,得到每个位置像元的基准特征值dmn。
S5.获取待检测遥感影像,重复步骤S1-S3,得到待检测遥感影像的水体部分遥感反射率影像。
S6.将待检测的水体部分遥感反射率影像的第一行第一列位置P11的像元所有波段的值构建一个向量ax(bx1,bx2,……、bxj),计算该向量与光谱数据库中任意一个向量样本ai(bi1,bi2,……、bij)的相似度dx1,比较dx1同d11,则:
若dX1≤nd11(n=2,当然n也可以是其他数值,此处只是举例说明),则待检影像第一行第一列P11位置上的像元不存在异常,标记该像元为0。
若dX1>nd11(n=2),则待检测影像第一行第一列P11位置上的像元存在水色异常,标记该像元为1。
S7.重复步骤S6,依次对待检测影像所有位置的像元进行比较,获取一个新的二值影像。
S8.对所述二值影像进行边界提取,获取水色异常的分布位置和范围。
S9、对所述二值影像进行像元统计,获取像元值为1的所有像元数目,依据像元所代表的空间分辨率,计算污染水体的分布面积。
综上所述,鉴于现有技术的缺陷,本发明提出了一种基于像元尺度特征的水体水色异常遥感识别方法和装置,用于精确提取像元尺度的水体水色异常的分布位置和面积,获取由于环境污染或生态灾害导致的水体水色异常的精确分布(位置和面积),尤其适合于像元之间基底变化较大或像元内部结构差异较大而导致阈值确定较难的情况。
本发明通过综合分析像元尺度上长时间序列的多景遥感影像的光谱统计特征,通过分析同一位置像元的长时间序列正常水体像元光谱统计信息,建立不同位置像元的基准特征值,并进行动态更新,实现对待检测遥感影像不同位置像元的逐一判别,获取待检测遥感影像上所有水体水色异常的像元。该方法既可以避免单景影像光谱特征代表性不强而导致水色异常识别错误,又可以解决传统区域连片像元设置阈值不精确而导致的水色异常判别误差较大(甚至错误)的缺陷,提高像元尺度上水体水色异常像元的提取精度。
实施例2:
本发明实施例提供一种基于像元尺度特征的水体水色异常遥感识别装置,如图2所示,该装置包括:
第一获取模块1,用于获取待检测遥感影像。
第一预处理模块2,用于对待检测遥感影像进行预处理,得到待检测遥感影像对应的水域部分的遥感反射率影像。
光谱特征值计算模块3,用于计算待检测遥感影像对应的水域部分的遥感反射率影像的每个像元所有波段的光谱特征值。
像元比较模块4,用于分别将每个像元的光谱特征值与光谱数据库中相同位置的像元的基准特征值进行比较,得到存在水色异常的像元。
边界提取模块5,用于对存在水色异常的像元进行边界提取,获取水色异常的分布位置和范围。
面积计算模块6,用于对存在水色异常的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积。
其中,光谱数据库通过如下模块确定:
第二获取模块,用于获取监测区域不同时间序列的多景遥感影像样本,并将多景遥感影像样本存储到光谱数据库中。
第二预处理模块,用于对多景遥感影像样本进行预处理,得到多景遥感影像样本对应的水体水色正常部分的遥感反射率影像。
统计特征值计算模块,用于对每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值进行光谱统计分析,得到每个位置的像元在时间序列上的统计特征值。
基准特征值计算模块,用于根据每个位置的像元在时间序列上的统计特征值计算得到每个位置的像元的基准特征值。
本发明首先对获取的多时序遥感影像进行预处理,获取不同时序的水体遥感反射率影像;对同一位置像元的不同时序所有波段像元值进行光谱统计分析,得到同一位置在时间序列上的像元的统计特征值,根据统计特征值建立不同位置像元的基准特征值,然后对待检测遥感影像不同位置像元进行光谱分析,建立不同位置像元的光谱特征值;通过比较待检测影像每个像元的光谱特征值和对应位置像元的基准特征值,判断该像元是否存在异常,最终获取水色异常的空间分布。该方法既可解决传统区域连片像元设置阈值不精确而导致的水色异常判别误差较大(甚至错误)的缺陷,又可避免单景影像光谱特征代表性不强而导致水色异常识别错误,从而提高像元尺度上水体水色异常像元的识别精度。
前述的统计特征值计算模块包括:
第一构建单元,用于将每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量样本。
第一相似度计算单元,用于将同一位置的像元对应的多个向量样本进行两两组合,计算两者之间的相似度,得到每个位置的像元在时间序列上的统计特征值。
基准特征值计算模块包括:根据每个位置的像元在时间序列上的统计特征值计算平均值,得到每个位置的像元的基准特征值。
相应的,光谱特征值计算模块包括:
第二构建单元,用于将待检测遥感影像对应的水域部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量。
第二相似度计算单元,用于分别计算每个像元的向量与光谱数据库中相同位置的像元的任意一个向量样本的相似度,得到每个像元的光谱特征值。
本发明的光谱数据库还通过如下模块确定:
更新模块,用于向光谱数据库中增加新的若干景监测区域的遥感影像样本,并执行第二预处理模块、统计特征值计算模块、基准特征值计算模块,得到更新后的每个位置的像元的基准特征值。
本发明的装置还包括:
第一边缘掩膜模块,用于对待检测遥感影像对应的水域部分的遥感反射率影像进行边缘掩膜处理。
第二边缘掩膜模块,用于对多景遥感影像样本对应的水体水色正常部分的遥感反射率影像进行边缘掩膜处理。
前述的待检测遥感影像和遥感影像样本可以为多光谱遥感影像或高光谱遥感影像。
预处理可以包括辐射校正、大气校正、去云处理和水陆分离。
进一步的,本发明的装置还包括:
二值影像获取单元,用于将水色异常的像元标记为1,将非水色异常的像元标记为0,得到二值影像。
边界提取模块进一步为:对二值影像标记为1的部分进行边界提取,获取水色异常的分布位置和范围。
面积计算模块进一步为:对二值影像中标记为1的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定按照要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于像元尺度特征的水体水色异常遥感识别方法,其特征在于,所述方法包括:
S100:获取待检测遥感影像;
S200:对所述待检测遥感影像进行预处理,得到所述待检测遥感影像对应的水域部分的遥感反射率影像;
S300:计算待检测遥感影像对应的水域部分的遥感反射率影像的每个像元所有波段的光谱特征值;
S400:分别将每个像元的光谱特征值与光谱数据库中相同位置的像元的基准特征值进行比较,得到存在水色异常的像元;
S500:对存在水色异常的像元进行边界提取,获取水色异常的分布位置和范围;
S600:对存在水色异常的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积;
其中,所述光谱数据库通过如下方法确定:
S100’:获取监测区域不同时间序列的多景遥感影像样本,并将所述多景遥感影像样本存储到光谱数据库中;
S200’:对所述多景遥感影像样本进行预处理,得到所述多景遥感影像样本对应的水体水色正常部分的遥感反射率影像;
S300’:对每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值进行光谱统计分析,得到每个位置的像元在时间序列上的统计特征值;
S400’:根据每个位置的像元在时间序列上的统计特征值计算得到每个位置的像元的基准特征值。
2.根据权利要求1所述的基于像元尺度特征的水体水色异常遥感识别方法,其特征在于,所述S300’包括:
S310’:将每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量样本;
S320’:将同一位置的像元对应的多个向量样本进行两两组合,计算两者之间的相似度,得到每个位置的像元在时间序列上的统计特征值;
所述S400’包括:根据每个位置的像元在时间序列上的统计特征值计算平均值,得到每个位置的像元的基准特征值。
3.根据权利要求2所述的基于像元尺度特征的水体水色异常遥感识别方法,其特征在于,所述S300包括:
S310:将待检测遥感影像对应的水域部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量;
S320:分别计算每个像元的向量与光谱数据库中相同位置的像元的任意一个向量样本的相似度,得到每个像元的光谱特征值。
4.根据权利要求2所述的基于像元尺度特征的水体水色异常遥感识别方法,其特征在于,所述光谱数据库的确定方法还包括:
S500’:向光谱数据库中增加新的若干景监测区域的遥感影像样本,并执行S200’~S400’,得到更新后的每个位置的像元的基准特征值。
5.根据权利要求1-4任一所述的基于像元尺度特征的水体水色异常遥感识别方法,其特征在于,所述S200之后,S300之前还包括:
S210:对待检测遥感影像对应的水域部分的遥感反射率影像进行边缘掩膜处理;
所述S200’之后,S300’之前还包括:对所述多景遥感影像样本对应的水体水色正常部分的遥感反射率影像进行边缘掩膜处理。
6.根据权利要求5所述的基于像元尺度特征的水体水色异常遥感识别方法,其特征在于,所述待检测遥感影像和遥感影像样本为多光谱遥感影像或高光谱遥感影像;
所述预处理包括辐射校正、大气校正、去云处理和水陆分离。
7.根据权利要求6所述的基于像元尺度特征的水体水色异常遥感识别方法,其特征在于,所述S400之后,S500之前还包括:
S410:将水色异常的像元标记为1,将非水色异常的像元标记为0,得到二值影像;
S500进一步为:对所述二值影像标记为1的部分进行边界提取,获取水色异常的分布位置和范围;
S600进一步为:对所述二值影像中标记为1的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积。
8.一种基于像元尺度特征的水体水色异常遥感识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取待检测遥感影像;
第一预处理模块,用于对所述待检测遥感影像进行预处理,得到所述待检测遥感影像对应的水域部分的遥感反射率影像;
光谱特征值计算模块,用于计算待检测遥感影像对应的水域部分的遥感反射率影像的每个像元所有波段的光谱特征值;
像元比较模块,用于分别将每个像元的光谱特征值与光谱数据库中相同位置的像元的基准特征值进行比较,得到存在水色异常的像元;
边界提取模块,用于对存在水色异常的像元进行边界提取,获取水色异常的分布位置和范围;
面积计算模块,用于对存在水色异常的像元进行数目统计,依据像元所代表的空间分辨率,计算污染水体的分布面积;
其中,所述光谱数据库通过如下模块确定:
第二获取模块,用于获取监测区域不同时间序列的多景遥感影像样本,并将所述多景遥感影像样本存储到光谱数据库中;
第二预处理模块,用于对所述多景遥感影像样本进行预处理,得到所述多景遥感影像样本对应的水体水色正常部分的遥感反射率影像;
统计特征值计算模块,用于对每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值进行光谱统计分析,得到每个位置的像元在时间序列上的统计特征值;
基准特征值计算模块,用于根据每个位置的像元在时间序列上的统计特征值计算得到每个位置的像元的基准特征值。
9.根据权利要求8所述的基于像元尺度特征的水体水色异常遥感识别装置,其特征在于,所述统计特征值计算模块包括:
第一构建单元,用于将每景遥感影像样本对应的水体水色正常部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量样本;
第一相似度计算单元,用于将同一位置的像元对应的多个向量样本进行两两组合,计算两者之间的相似度,得到每个位置的像元在时间序列上的统计特征值;
所述基准特征值计算模块包括:根据每个位置的像元在时间序列上的统计特征值计算平均值,得到每个位置的像元的基准特征值。
10.根据权利要求9所述的基于像元尺度特征的水体水色异常遥感识别装置,其特征在于,所述光谱特征值计算模块包括:
第二构建单元,用于将待检测遥感影像对应的水域部分的遥感反射率影像的每个像元的所有波段的值分别组成一个向量;
第二相似度计算单元,用于分别计算每个像元的向量与光谱数据库中相同位置的像元的任意一个向量样本的相似度,得到每个像元的光谱特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173315.1A CN111398176B (zh) | 2020-03-13 | 2020-03-13 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173315.1A CN111398176B (zh) | 2020-03-13 | 2020-03-13 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111398176A true CN111398176A (zh) | 2020-07-10 |
CN111398176B CN111398176B (zh) | 2020-11-20 |
Family
ID=71434494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173315.1A Active CN111398176B (zh) | 2020-03-13 | 2020-03-13 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398176B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035679A (zh) * | 2020-09-10 | 2020-12-04 | 广东新禾道信息科技有限公司 | 一种遥感监测自然灾害数据处理方法及装置 |
CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
CN113177183A (zh) * | 2021-06-29 | 2021-07-27 | 广东海洋大学 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN113177979A (zh) * | 2021-06-04 | 2021-07-27 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
CN114279982A (zh) * | 2021-12-14 | 2022-04-05 | 北斗导航位置服务(北京)有限公司 | 水体污染信息获取方法及装置 |
CN116952873A (zh) * | 2023-07-26 | 2023-10-27 | 重庆市科学技术研究院 | 一种基于高光谱技术的水体黑臭程度测算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
-
2020
- 2020-03-13 CN CN202010173315.1A patent/CN111398176B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
李治 等: "物候特征辅助下的随机森林宏观尺度土地覆盖分类方法研究 ", 《遥感信息》 * |
柳钦火 等: "基于地表温度和植被指数的农业干旱遥感监测方法 ", 《科技导报》 * |
郭文茜 等: "统计数据总量约束下全局优化阈值的冬小麦分布制图", 《遥感学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035679A (zh) * | 2020-09-10 | 2020-12-04 | 广东新禾道信息科技有限公司 | 一种遥感监测自然灾害数据处理方法及装置 |
CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
CN112232234B (zh) * | 2020-10-20 | 2021-04-16 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN113177473B (zh) * | 2021-04-29 | 2021-11-16 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN113177979A (zh) * | 2021-06-04 | 2021-07-27 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
WO2022252242A1 (zh) * | 2021-06-04 | 2022-12-08 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
CN113177183A (zh) * | 2021-06-29 | 2021-07-27 | 广东海洋大学 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
CN113177183B (zh) * | 2021-06-29 | 2021-09-14 | 广东海洋大学 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
CN114279982A (zh) * | 2021-12-14 | 2022-04-05 | 北斗导航位置服务(北京)有限公司 | 水体污染信息获取方法及装置 |
CN114279982B (zh) * | 2021-12-14 | 2023-09-29 | 北斗导航位置服务(北京)有限公司 | 水体污染信息获取方法及装置 |
CN116952873A (zh) * | 2023-07-26 | 2023-10-27 | 重庆市科学技术研究院 | 一种基于高光谱技术的水体黑臭程度测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111398176B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN111307727B (zh) | 基于时序遥感影像的水体水色异常识别方法和装置 | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CA2840436C (en) | System for mapping and identification of plants using digital image processing and route generation | |
CN111062282A (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN115713694B (zh) | 一种土地测绘信息管理方法 | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN111680704A (zh) | 海洋红线新增人类活动斑块自动化快速提取方法和装置 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN115496976A (zh) | 多源异构数据融合的视觉处理方法、装置、设备及介质 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN113516177A (zh) | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
CN113298755B (zh) | 基于时序影像的生态环境变化斑块快速检测方法和装置 | |
CN113627292B (zh) | 基于融合网络的遥感图像识别方法及装置 | |
CN114298229A (zh) | 作物类别确定方法、装置、电子设备及存储介质 | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 |
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 |