CN111932567A - 基于卫星影像的冰湖轮廓自动提取方法 - Google Patents
基于卫星影像的冰湖轮廓自动提取方法 Download PDFInfo
- Publication number
- CN111932567A CN111932567A CN202010752625.9A CN202010752625A CN111932567A CN 111932567 A CN111932567 A CN 111932567A CN 202010752625 A CN202010752625 A CN 202010752625A CN 111932567 A CN111932567 A CN 111932567A
- Authority
- CN
- China
- Prior art keywords
- ice lake
- ice
- satellite image
- lake
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 63
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 238000002310 reflectometry Methods 0.000 claims abstract description 17
- 238000009792 diffusion process Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000005520 cutting process Methods 0.000 claims abstract description 7
- 230000005855 radiation Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 description 20
- 230000011218 segmentation Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008014 freezing Effects 0.000 description 5
- 238000007710 freezing Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000013551 empirical research Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- VYQNWZOUAUKGHI-UHFFFAOYSA-N monobenzone Chemical group C1=CC(O)=CC=C1OCC1=CC=CC=C1 VYQNWZOUAUKGHI-UHFFFAOYSA-N 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000002105 tongue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010792 warming Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
Abstract
本申请公开了一种基于卫星影像的冰湖轮廓自动提取方法,涉及卫星影像处理技术领域。包括:收集包括冰湖的卫星影像及高程数据;对卫星影像进行辐射校正和大气校正,将原始卫星影像的像元亮度值转换为地表反射率,得到地表反射率数据;使用最近邻扩散算法对卫星影像进行融合,得到预设空间分辨率且包括多种光谱信息的实验卫星影像;对实验卫星影像中的至少部分非冰湖物体进行检测并去除;计算实验卫星影像的归一化水体指数,并从实验卫星影像中提取每一冰湖的初始分布区域;构建每一冰湖的影像块数据,并逐个裁剪影像块;以每一冰湖的初始分布区域的边界作为初始演变轮廓,利用非局部活动轮廓方法对每一冰湖轮廓的目标分布区域进行提取。
Description
技术领域
本申请涉及卫星影像处理技术领域,具体地说,涉及一种基于卫星影像的冰湖轮廓自动提取方法。
背景技术
冰湖是由冰川作用形成的湖泊或以冰川融水为主要补给源的湖泊,在冰川作用区广泛分布。在当今全球气候变暖的背景下,冰川普遍退缩。冰川退缩与冰湖变化密切相关,特别是一些直接以冰川融水为主要补给的湖泊面积迅速扩张,有的甚至溃决而引发洪水或泥石流灾害。由于冰湖通常处于高海拔、高地势区域,具有突发性、流速快、流量大以及途经范围广等特点,严重危害下游人们的生命和财产安全,并对自然和社会生态环境产生破坏性的后果。因此,冰湖变化特征与其溃决灾害研究倍受关注。快速、准确的提取冰湖边界不仅有助于建立一套完整的冰湖编目数据库、进而分析冰湖的时空演变规律,为冰湖溃决风险评估提供指导性数据,也可以更好的认知和理解冰湖-冰川相互作用的演变机理,以及冰湖溃决灾害对区域气候变化的细致响应。
区域性冰湖变化监测及潜在灾害风险评估亟需大尺度环境变化准确监测,卫星遥感技术具有宏观、快速、准实时的特点,使得大范围冰湖监测研究成为可能。然而,与普通湖泊相比,冰湖受母体冰川、地形阴影、悬浮物颗粒、表碛结构等因素的影响,光谱和形态特征更加复杂。根据不同的形成机制,终碛湖、冰面湖等湖间光谱和空间形态差异大,湖内光谱同质均一。此外,在冰湖边界的水-陆过渡地带,浮冰、湿泥土和沉积物层等含水量较高的冰冻圈要素存在光谱反射率的异质性和对比度差特点,以上都给复杂地表覆盖条件下冰湖轮廓的精细提取带来了极大的挑战。
目前,冰湖提取的方法仍以目视解译为主,采用手动矢量化的编辑方式。该方式极其耗费人力,并且提取的精度很大程度依赖于专家的主观经验知识。单波段阈值法可用来提取冰湖信息,但卫星遥感影像中的异质性背景很容易造成错误的探测。监督和非监督分类方法常用于水体的分类研究,其中监督分类的精度取决于先验知识和训练样本数据的可靠性,而这正是处于气候条件恶劣、地势险峻地区冰湖的实地监测考察和经验研究所缺乏的。部分小区域的冰湖变化监测研究也无法提供充分的样本数据库。非监督分类则在影像复杂程度高、光谱信息欠缺以及几何纹理等特征丰富的影像中分类效果较差。水体指数在冰湖的提取研究中应用最为广泛,它利用水体的光谱信息,结合两种或多个反射光谱波段建立数学比值函数,是一种简单而有效的冰湖提取方法。该方法可增强水体和其他地类间的对比度,针对不同影像和不同区域设置相应的水体指数阈值,可实现水体和非水体区域的二值化处理。然而,对于高海拔山地冰川作用区的冰湖而言,不同冰湖类型的化学和物理特性、周围的背景地物、气候和太阳光照条件差异较大,这些因素都会使冰湖水体的光谱响应复杂化,并伴随着大量的弱反射地物边缘信息,从而严重影响基于水体指数的阈值分割方法的效果。
另外,目前针对冰湖及其溃决灾害监测的研究多采用Landsat、MODIS、ASTER等中分辨率遥感数据,但实际上冰湖的面积小、数量多、分布较为密集,就时空变化强烈的冰面湖而言,一些较大冰川的冰舌上分布着上千个冰面湖。Landsat、MODIS等数据受空间分辨率的限制,提取的冰湖边界不准确,会损失湖泊边缘的细节特征,无法得到详细的冰湖演变及溃决风险信息。更重要的是无法获取大量对气候变化十分敏感的小型冰湖数据,造成冰湖目录数据库数据的大量缺失、冰川区水资源的错误估计以及对气候变化的响应评价分析的不足。
因此,亟待发明一种冰湖轮廓自动提取方法,以更加准确、快速地提取出冰湖的轮廓信息。
发明内容
有鉴于此,本申请提供了一种基于卫星影像的冰湖轮廓自动提取方法,在对包含有至少一个冰湖的初始卫星影像进行简单的预处理后,通过检测出卫星影像中的非冰湖物体并进行去除,经过相应算法处理最终得到卫星影像中每一个冰湖的最终分布区域,以实现对冰湖轮廓及其所在区域的确认和提取。
为了解决上述技术问题,本申请有如下技术方案:
一种基于卫星影像的冰湖轮廓自动提取方法,包括:
收集包括所述冰湖的卫星影像和对应的高程数据;
对收集的每一所述卫星影像分别进行辐射校正和大气校正,将原始卫星影像的像元亮度值转换为反应地物真实反射情况的地表反射率,得到所述卫星影像对应的地表反射率数据;
使用最近邻扩散算法对所述卫星影像进行融合,得到预设空间分辨率且包括多种光谱信息的实验卫星影像;
对所述实验卫星影像中的至少部分非冰湖物体进行检测,并从所述实验卫星影像中去除被检测到的所述非冰湖物体;
计算去除掉至少部分所述非冰湖物体后的所述实验卫星影像的归一化水体指数,并从所述实验卫星影像中提取每一所述冰湖的初始分布区域,其中,提取每一所述冰湖的所述初始分布区域的方法为:将归一化水体指数大于预设值的像元作为所述初始分布区域;
根据所述初始分布区域构建每一所述冰湖的影像块数据;
逐个裁剪包含每一所述冰湖的影像块;
以每一所述冰湖的所述初始分布区域的边界作为初始演变轮廓,利用非局部活动轮廓方法对每一所述冰湖轮廓的目标分布区域进行提取。
可选地,其中:
所述卫星影像包括全色波段和多光谱波段;
所述使用最近邻扩散算法对所述卫星影像进行融合,具体为:
利用所述最近邻扩散算法将所述卫星影像的所述全色波段和所述多光谱波段融合。
可选地,其中:
所述非冰湖物体包括云和云的阴影;
所述对所述实验卫星影像中的至少部分非冰湖物体进行检测,具体为:
应用面向对象的云检测算法识别所述实验卫星影像中的所述云和所述云的阴影区域,并形成掩膜文件。
可选地,其中:
所述非冰湖物体包括山地阴影;
所述对所述实验卫星影像中的至少部分非冰湖物体进行检测,具体为:
结合所述高程数据,通过设置灰度值阈值识别出所述实验卫星影像中的所述山地阴影。
可选地,其中:
所述归一化水体指数的计算公式为:
其中,RG代表所述实验卫星影像上绿光的所述地表反射率,RNIR代表所述实验卫星影像上近红外波段的所述地表反射率。
可选地,其中:
所述逐个裁剪包含每一所述冰湖的影像块,进一步为:
在所述实验卫星影像中选择10个像素的距离绘制每一所述冰湖的所述初始分布区域的外包络矩形,以剪裁得到的每一所述影像块为一个处理单元。
可选地,其中:
所述对每一所述冰湖轮廓的目标分布区域进行提取,进一步为:
通过采用水平集方法最小化非局部能量,使每一所述冰湖的所述初始分布区域向其对应的目标区域演化,得到每一所述冰湖的所述目标分布区域。
可选地,其中:
所述水平集方法的具体步骤为:
对能量泛函式求极小解:
其中,ω为水平集函数,F(ω)衡量所述初始演变轮廓内外区域相似性的能量泛函,R(ω)为正则项。
可选地,其中:
所述能量泛函为:
F(ω)=∫∫β(He(ω(x)),He(ω(y)))·Gτ(x-y)·d(nx,ny)dxdy。
可选地,其中:
所述正则项为:R(ω)=∫||He(ω(x))||dx。
与现有技术相比,本申请所述的基于卫星影像的冰湖轮廓自动提取方法,达到了如下效果:
本申请提供的基于卫星影像的冰湖轮廓自动提取方法,该方法针对每个潜在冰湖的影像块数据,以水体指数阈值法初步提取的冰湖的初始分布区域作为分割算法的初始演变轮廓,能够有效提高算法演化的效率和精度。通过采用水平集方法最小化非局部能量,驱使初始轮廓向目标边缘演化,以得到每一冰湖轮廓的目标分布区域。该方法利用区域分割方法的思想,能够显著抑制复杂冰冻圈环境中的大量的光谱噪声信息,有效克服图像中融化冰川和积雪、阴影、泥滩等弱边缘以及强噪声对于分割结果的影响,在空间尺度较大、冰湖类型多样、影响因素复杂的高海拔区域,能快速将卫星影像中冰湖的主体结构和精细结构很好地分割出来,得到每一冰湖更为平滑和准确的边界轮廓及其对应的目标分布区域。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例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所示为本申请实施例所提供的基于卫星影像的冰湖轮廓自动提取方法的一种流程图;
图2所示为本申请实施例所提供的基于卫星影像的冰湖轮廓自动提取方法的另一种流程图;
图3(a)所示为本申请实施例所提供的GF-2卫星影像,图3(b)所示为本申请实施例所提供的由TerraSAR-X/TanDEM-X生产的分辨率为6米的高程数据灰度图;
图4(a)所示为本申请实施例所提供的局部地区影像,图4(b)所示为本申请实施例所提供的云和云的阴影检测结果;
图5所示为本申请实施例所提供的去除地形阴影后的掩膜图;
图6所示为本申请实施例所提供的去除云、云的阴影和地形阴影后的冰湖初步提取结果;
图7(a)所示为本申请实施例所提供的当前冰湖的初始轮廓及裁剪的影像块数据;图7(b)所示为本申请实施例所提供的冰湖和背景地物的NDWI频率分布直方图;图7(c)所示为本申请实施例所提供的最终提取的冰湖轮廓;
图8(a)所示为本申请实施例所提供的整个研究区的冰湖分布图,图8(b)所示为本申请实施例所提供的冰湖的详细实例。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
现有技术中,冰湖提取的方法仍以目视解译为主,采用手动矢量化的编辑方式,该方式极其耗费人力,即便是使用卫星影像结合现有的一些算法来提取冰湖的精细位置,其应用范围也具有一定的局限性,另外,提取的冰湖边界不准确,会损失湖泊边缘的细节特征,无法得到详细的冰湖演变及溃决风险信息。更重要的是无法获取大量对气候变化十分敏感的小型冰湖数据,造成冰湖目录数据库数据的大量缺失、冰川区水资源的错误估计以及对气候变化的响应评价分析的不足。因此,亟待发明一种冰湖轮廓自动提取方法,以更加准确、快速地提取出冰湖的轮廓信息。
有鉴于此,本申请提供了一种基于卫星影像的冰湖轮廓自动提取方法,在对包含有至少一个冰湖的初始卫星影像进行简单的预处理后,通过检测出卫星影像中的非冰湖物体并进行去除,经过相应算法处理最终得到卫星影像中每一个冰湖的最终分布区域,以实现对冰湖轮廓及其所在区域的确认和提取。
以下结合附图和具体实施例进行详细说明。
图1所示为本申请实施例所提供的基于卫星影像的冰湖轮廓自动提取方法的一种流程图,请参照图1,本申请提供了一种基于卫星影像的冰湖轮廓自动提取方法,包括:
步骤101、收集包括冰湖的卫星影像和对应的高程数据;
步骤102、对收集的每一卫星影像分别进行辐射校正和大气校正,将原始卫星影像的像元亮度值转换为反应地物真实反射情况的地表反射率,得到卫星影像对应的地表反射率数据;
步骤103、使用最近邻扩散算法对卫星影像进行融合,得到预设空间分辨率且包括多种光谱信息的实验卫星影像;
步骤104、对实验卫星影像中的至少部分非冰湖物体进行检测,并从实验卫星影像中去除被检测到的非冰湖物体;
步骤105、计算去除掉至少部分非冰湖物体后的实验卫星影像的归一化水体指数,并从实验卫星影像中提取每一冰湖的初始分布区域,其中,提取每一冰湖的初始分布区域的方法为:将归一化水体指数大于预设值的像元作为初始分布区域;
步骤106、根据初始分布区域构建每一冰湖的影像块数据;
步骤107、逐个裁剪包含每一冰湖的影像块;
步骤108、以每一冰湖的初始分布区域的边界作为初始演变轮廓,利用非局部活动轮廓方法对每一冰湖轮廓的目标分布区域进行提取。
具体地,本申请提供了一种基于卫星影像的冰湖轮廓自动提取方法,通过步骤101先收集包括有至少一个冰湖的卫星影像和高分辨率高程数据;进而通过步骤102对步骤101中所收集到的每一卫星影像分别进行预处理,预处理的过程包括辐射校正和大气校正,将原始卫星影像的像元亮度值(DN值)转换为反应地物真实反射情况的地表反射率,从而得到卫星影像对应的地表反射率数据。充分利用全色波段的高空间分辨率的优势,同时更好的保留卫星影像的色彩、纹理和光谱信息,提高针对于卫星影像中的冰湖尤其是小型冰湖的识别精度,本申请通过步骤103使用最近邻扩散算法对卫星影像进行融合,得到预设空间分辨率且包括多种光谱信息的实验卫星影像。该方法考虑了多光谱影像相邻像元灰度值的关系,在保持光谱保真度的同时,增强了显著的空间特征,还能精确的揭示多波段影像的内部信息。
接下来,通过步骤104对步骤103中所得到的实验卫星影像中的至少部分非冰湖物体进行检测,并从实验卫星影像中去除被检测到的非冰湖物体,以消除实验卫星影像中对冰湖识别产生不利影响的因素,提高冰湖识别及提取的准确性。
在步骤104的基础上通过步骤105来计算去除掉至少部分非冰湖物体后的实验卫星影像的归一化水体指数(NDWI),并从实验卫星影像中提取每一冰湖的初始分布区域。由于水体指数能够根据水体的光谱特点,突出水体信息抑制背景信息,达到区分水体和背景信息的目的。本发明采用NDWI水体指数作为冰湖识别的影像特征,该水体指数仅采用绿光和近红外两个波段,计算简单并且无需烦琐复杂的调参设计过程,特别适合大尺度高分辨率遥感影像的处理及应用研究。尤其是针对冰湖而言,其悬浮物颗粒、叶绿素浓度、矿物质含量和水体深度有所不同。在卫星(遥感)影像中,冰湖呈现的光谱反射特性较一般水体更为复杂,而在这种情况下,应用NDWI进行冰湖识别的效果更好。
需要说明的是步骤105中,提取每一冰湖的初始分布区域的方法为:将归一化水体指数大于预设值的像元作为初始分布区域。例如在去除非冰湖物体等干扰因素后,利用融合影像计算NDWI,通过设置一个较低的阈值(例如NDWI>0.15),可初步提取出研究区几乎所有的潜在冰湖的初始分布区域,从而降低整个区域影像的计算复杂度。
进而通过步骤106根据初始分布区域构建每一冰湖的影像块数据。其中,在含水量较高的水-陆过渡地带,不同地物的光谱信息很难区分,导致冰湖边界模糊不清,由此便造成了冰湖水体和相邻地表间的异质性光谱反射,带来弱边缘噪声。采用单一的水体指数阈值会损失大量的细节特征,很难准确的提取冰湖的边界轮廓。另外,冰湖的数量多、分布广,在高空间分辨率的卫星影像上整体开展大范围冰湖轮廓的分割和提取,会造成很大的计算负荷,降低冰湖提取工作的运算速度和精度。为了减少运算量并准确获取冰湖的边界轮廓信息,本发明基于初步提取的冰湖的初始分布区域,首先建立每个冰湖的影像块数据。
进而通过步骤107逐个剪裁包含每一冰湖的影像块,以每个影像块为处理单元,通过步骤108以每一冰湖的初始分布区域的边界范围作为分割算法的初始演变轮廓,因为它最接近冰湖的真实轮廓,能显著提高模型演化的效率和精度;利用非局部活动轮廓方法,得到具有精细结构的冰湖轮廓,最后对每一冰湖轮廓的目标分布区域进行提取。
本发明的目的是针对复杂冰冻圈环境因素的影响下,冰湖在卫星影像上呈现复杂的光谱和形态特征,基于高分辨率遥感影像,提供一种快速、准确的冰湖轮廓提取方法。该方法构建了基于非局部活动轮廓的冰湖边界提取模型,以覆盖每个冰湖潜在范围的影像块为处理单元,结合归一化水体指数,通过最小化初始冰湖轮廓范围的非局部能量来获取冰湖边界更为精细的结构。该方法能够有效去除非冰湖物体的干扰,同时解决了冰湖背景异质性反射和光谱对比度差的问题,适用于大空间尺度冰湖信息的自动连续提取,可为冰湖演变动态监测及潜在灾害风险评估提供细致、可靠的数据支撑。
可选地,卫星影像包括全色波段和多光谱波段;
使用最近邻扩散算法对卫星影像进行融合,具体为:
利用最近邻扩散算法将卫星影像的全色波段和多光谱波段融合。
具体地,本申请步骤101中所收集到的包含冰湖的卫星影像对应的波段包括全色波段和多光谱波段,步骤103中“使用最近邻扩散算法对卫星影像进行融合”,具体可为利用NNDiffuse(Nearest Neighbor Diffusion)高性能处理算法(最近邻扩散算法)将全色波段和多光谱波段融合;该方法考虑了多光谱影像相邻像元灰度值的关系,在保持光谱保真度的同时,增强了显著的空间特征,还能精确的揭示多波段影像的内部信息。
还需要说明的是,为了探测更多对气候变化更为敏感的小型冰湖信息,且进一步拓宽国产民用卫星在高寒山地区域的应用范围,本发明例如可收集2016年9月8日6景国产GF-2遥感卫星影像,空间上相邻且覆盖范围为90公里*135公里。由于大多数冰湖的面积小于0.1km2,且呈现密集分布的特点,采用高分辨率遥感卫星影像能够探测并识别更多的冰湖,有效避免冰湖面积的低估。本申请所收集的卫星影像中多光谱波段的空间分辨率为4米,全色波段的空间分辨率为1米,影像重访周期为5天。此外,还收集了相应的6米分辨率的DEM数据,由TerraSAR-X/TanDEM-X数据生成,相对高度精度约为2米。相比其他常用的30米分辨率的高程产品,该数据能有效避免噪声和地形崎岖地区的高程信息缺失,更准确的模拟高原地区的地形起伏变化情况。
此外,相比传统对地观测的Landsat系列卫星影像,本申请能够探测数量更多、面积更小的冰湖,并且能够保留冰湖边缘的细节特征,进一步拓宽了国产民用卫星的应用领域。
可选地,非冰湖物体包括云和云的阴影;
对实验卫星影像中的至少部分非冰湖物体进行检测,具体为:
应用面向对象的云检测算法识别实验卫星影像中的云和云的阴影区域,并形成掩膜文件。
具体地,实验卫星影像中的非冰湖物体至少包括云和云的阴影,步骤104中“对实验卫星影像中的至少部分非冰湖物体进行检测”,具体可为应用面向对象的云检测算法Fmask识别实验卫星影像中的云和云的阴影区域,Fmask算法能够为影像中的所有像素赋予特定的概率阈值,分别为陆地和水上的云产生概率掩模,以达到去除影像中的云和云的阴影的目的;考虑到GF-2影像的多光谱波段较少,本发明将影像的4个波段和经过主成分变换的两个主成分作为输入变量,而后从实验卫星影像中去除融合后影像中的云和云的阴影。
可选地,非冰湖物体包括山地阴影;
对实验卫星影像中的至少部分非冰湖物体进行检测,具体为:
结合高程数据,通过设置灰度值阈值识别出实验卫星影像中的山地阴影。
具体地,实验卫星影像中的非冰湖物体至少还包括山地阴影,例如研究区位于青藏高原地区时,这里山脉众多,峡谷、山间河流密布,地形起伏较大,大量的山体阴影对于冰湖的提取产生了很大的干扰。部分山体阴影和冰湖有相似的形态特征,而且在水体指数图像上易与冰湖混淆。考虑到山体阴影通常发生在山脉的背坡处,在高程数据中相应的山体阴影灰度值相对较低,因此,步骤104中所述的“对实验卫星影像中的至少部分非冰湖物体进行检测”具体可为:通过采用分辨率为6米的TerraSAR-X/TanDEM-X高程数据,重采样为1米,并进行裁剪以匹配研究区GF-2融合影像的空间分辨率和覆盖范围,然后通过设置灰度值阈值识别出实验卫星影像中的山地阴影,例如将灰度值小于205的像元从实验卫星影像中剔除,以去除山体阴影的影响。
可选地,归一化水体指数的计算公式为:
其中,RG代表实验卫星影像上绿光的地表反射率,RNIR代表实验卫星影像上近红外波段的地表反射率。
具体地,在去除实验卫星影像中的云、云阴影和山地阴影等干扰因素后,利用融合后的影像计算的NDWI水体指数作为冰湖识别的影像特征,例如可将NDWI大于0.15的像元作为潜在的冰湖区域,即作为冰湖的初始分布区域。
选择NDWI水体指数初步提取冰湖可能分布的区域(初始分布区域),原因在于该水体指数仅采用两个波段,计算简单并且无需调参,特别适合大范围且具有亚米级空间分辨率的GF-2卫星影像的应用分析与处理。尤其是针对存在不同悬浮物颗粒、叶绿素浓度、矿物质含量的冰湖而言,呈现的光谱特性较一般水体更为复杂,NDWI的识别效果更好;然后利用融合后的影像计算NDWI,初步提取冰湖的初始分布区域。
可选地,逐个裁剪包含每一冰湖的影像块,进一步为:
在实验卫星影像中选择10个像素的距离绘制每一冰湖的初始分布区域的外包络矩形,以剪裁得到的每一影像块为一个处理单元。
具体地,通常情况下,冰湖分布的范围广且数量多,在大范围高分辨率的卫星影像上应用冰湖轮廓的提取算法,会造成很大的计算负荷,影响冰湖提取工作的计算效率和精度。另外,在冰湖边界的水-陆过渡地带,浮冰、湿泥土和沉积物层等含水量较高的冰冻圈要素会造成其光谱对比度差和图像异质性的特点,带来大量的弱边缘噪声。因此,本发明针对所有的冰湖初始分布区域,逐个裁剪包含每一冰湖的影像块。考虑到短期内冰湖边界的季节性变化不大,可通过在实验卫星影像中选择10个像素的距离绘制当前冰湖的外包络矩形,后以每个影像块为处理单元,以潜在冰湖边界作为分割算法的初始演变轮廓,因为它和冰湖实际轮廓最为接近,可快速驱使活动轮廓向目标边缘演化,将冰湖的主体和精细结构很好的分割出来。
为了大幅度降低运算量,同时有效克服冰湖临近地物的弱边缘噪声对于分割结果的影响,本发明裁剪每个冰湖的影像块数据,然后基于非局部活动轮廓方法的冰湖分割模型,以潜在冰湖边界作为分割算法的初始演变轮廓,能够有效提高模型演化的效率和精度。在冰湖周围呈现异质性光谱反射的区域,如融化冰川、湿泥土等含水量较高的地物,通过采用水平集方法最小化非局部能量,驱使初始轮廓向目标边缘的细致演化。
可选地,对每一冰湖轮廓的目标分布区域进行提取,进一步为:
通过采用水平集方法最小化非局部能量,使每一冰湖的初始分布区域向其对应的目标区域演化,得到每一冰湖的目标分布区域。
具体地,步骤108中,每一冰湖轮廓的目标分布区域进行提取,进一步为:采用水平集方法最小化初始轮廓的非局部能量,驱使初始轮廓快速向目标边缘细致演化,得到具有精细结构的冰湖轮廓。
可选地,水平集方法的具体步骤为:
对能量泛函式求极小解:
其中,ω为水平集函数,F(ω)衡量初始演变轮廓内外区域相似性的能量泛函,R(ω)为正则项。
可选地,能量泛函为:
F(ω)=∫∫β(He(ω(x)),He(ω(y)))·Gτ(x-y)·d(nx,ny)dxdy。
具体地,对于影像I上预先设定的冰湖初始轮廓M,基于非局部活动轮廓方法的冰湖边界提取模型需要对能量泛函式求极小解:
这里,ω为水平集函数,F(ω)衡量初始演变轮廓内外区域相似性的能量泛函,R(ω)为正则项。α>0是用来平衡这两项的权重系数,这里我们设置α=0.1;然后以非局部的方式计算能量泛函F(ω):
其中,nx和ny分别是以像元x和y为中心的图像块,d(nx,ny)≥0是图像块之间相似性的度量,T和TM分别代表轮廓M的内外区域。参数τ控制分割对象的同质性尺度,Gτ(·)是τ的高斯核函数。为了简化计算,我们设置τ=2,并采用Heaviside函数He(ω)对轮廓M的内外区域进行积分,这样公式(2)转换为:
F(ω)=∫∫β(He(ω(x)),He(ω(y)))·Gτ(x-y)·d(nx,ny)dxdy (3)
其中,β为指标函数β(p,q)=1-|p-q|,即只考虑水平集函数ω中具有相同符号的像素对。分割的冰湖区域取决于轮廓M的长度:
最后,结合公式(1),(3)和(4),并应用迭代法不断优化模型以得到最小解。
本申请提供的基于卫星影像的冰湖轮廓自动提取方法,该方法能够在大范围内快速排除冰湖提取过程中的山地阴影、融化积雪和冰川等干扰因素,同时弥补了光学影像中水-陆过渡地带的光谱对比度差和图像异质性反射的缺陷,极大的保留了冰湖边缘的细节特征,为大空间尺度的冰湖快速提取提供了技术基础,可在冰湖编目数据库的建立、山地冰川区水资源的精确估算及潜在灾害风险评估等应用中发挥重要作用。
结合具体实验提供一实施例如下:
图2所示为本申请实施例所提供的基于卫星影像的冰湖轮廓自动提取方法的另一种流程图;图3(a)所示为本申请实施例所提供的GF-2卫星影像,图3(b)所示为本申请实施例所提供的由TerraSAR-X/TanDEM-X生产的分辨率为6米的高程数据灰度图;图4(a)所示为本申请实施例所提供的局部地区影像,图4(b)所示为本申请实施例所提供的云和云的阴影检测结果;图5所示为本申请实施例所提供的去除地形阴影后的掩膜图;图6所示为本申请实施例所提供的去除云、云的阴影和地形阴影后的冰湖初步提取结果;图7(a)所示为本申请实施例所提供的当前冰湖的初始轮廓及裁剪的影像块数据;图7(b)所示为本申请实施例所提供的冰湖和背景地物的NDWI频率分布直方图;图7(c)所示为本申请实施例所提供的最终提取的冰湖轮廓;图8(a)所示为本申请实施例所提供的整个研究区的冰湖分布图,图8(b)所示为本申请实施例所提供的冰湖的详细实例;其中,图3(a)-图3(b)所示为本申请实施例所提供的研究区的实验数据,图7(a)-图7(c)所示为本申请实施例所提供的逐个冰湖轮廓精确提取的详细实例,图8(a)-图8(b)所示为本申请实施例所提供的研究区冰湖最终提取结果:请参照图1-图8(b)。
图2示出了本申请结合具体实验所提供的冰湖轮廓自动提取方法的一种流程图,便于对提取方法的理解;该流程包括步骤201中通过步骤2011对研究区高分辨率的遥感(卫星)影像进行收集,并通过步骤2012获取相应研究区的高程数据;通过步骤202计算步骤2011中研究区高分辨率遥感影像对应的地表反射率,进而通过步骤203将图像进行融合后,同时通过步骤2041(步骤204)和步骤2042(步骤204)去除图像中的云/云的阴影,并去除图像中的地形阴影;然后通过步骤205计算归一化水体指数并初步提取冰湖的潜在分布区域,通过步骤206剪裁出包含每个冰湖的影像块数据,最后通过步骤207以每个冰湖的潜在范围作为初始演变轮廓,开展局部冰湖的精确提取。
此实施例以青藏高原北部山区为研究区,选取6景高分2号(GF-2)遥感影像和相应的6米分辨率的高程数据作为实验数据。图3(a)和(b)分别显示了研究区GF-2假彩色合成图(以对应的黑白图示出)(第4、3、2波段组合图像)和由TerraSAR-X/TanDEM-X生成的高程数据灰度图。
对于覆盖整个研究区的遥感影像,首先需要在图像融合后去除云和云的阴影。由于研究区范围较大,为了更清晰的了解本发明的每步操作,这里仅展示局部地区的有云影像,如图4(a)。应用Fmask算法对实验影像进行云与云影检测,结果如图4(b)所示。然后将研究区高程数据中灰度值小于205的像元剔除,以去除山地阴影的影响,掩膜结果如图5所示。
本发明采用NDWI水体指数作为冰湖分割的输入特征,通过设置NDWI的阈值为0.15,并去除云、云阴影和山地阴影等干扰因素,初步提取出研究区所有的潜在冰湖区域(图6)。
图7(a)展示了典型冰湖初步提取的轮廓及其影像块数据。在水-陆边界处,来自相邻冰川的水、积雪、冰和湿泥土等含水量较高的混合物,在影像上呈现出混合反射率的特点,导致了光谱反射率的异质性。从NDWI频率直方图上也可以看出,虽然陆地与水体的NDWI值有明显的差别,但是它们之间的重叠度相当大,进一步说明了冰湖边缘存在光谱对比度差的问题及异质性的光谱反射(图7(b))。在每个影像块内,以初步提取的冰湖边界作为分割算法的初始演变轮廓,应用建立的基于非局部活动轮廓的冰湖边界提取模型进一步获取冰湖的精细结构(图7(c))。
图8(a)为最终提取的整个研究区的冰湖轮廓图。由于冰川的急剧消融退缩,研究区的冰湖数量多、密度大且大多数为变化显著的小型冰湖,东部地区冰湖分布更为密集。从局部地区的放大图8(b)上可以看出,本发明对于不同形态复杂度、颜色、大小和类型的冰湖都能准确的探测并提取其轮廓,具有一定的应用潜力。
需要说明的是,本申请中的附图仅以黑白图示出,本领域技术人员可根据本申请示出的黑白图得到相应的原始彩色图所要展示的信息。
通过以上各实施例可知,本申请存在的有益效果是:
本申请提供的基于卫星影像的冰湖轮廓自动提取方法,该方法针对每个潜在冰湖的影像块数据,以水体指数阈值法初步提取的冰湖的初始分布区域作为分割算法的初始演变轮廓,能够有效提高算法演化的效率和精度。通过采用水平集方法最小化非局部能量,驱使初始轮廓向目标边缘演化,以得到每一冰湖轮廓的目标分布区域。该方法利用区域分割方法的思想,能够显著抑制复杂冰冻圈环境中的大量的光谱噪声信息,有效克服图像中融化冰川和积雪、阴影、泥滩等弱边缘以及强噪声对于分割结果的影响,在空间尺度较大、冰湖类型多样、影响因素复杂的高海拔区域,能快速将卫星影像中冰湖的主体结构和精细结构很好地分割出来,得到每一冰湖更为平滑和准确的边界轮廓及其对应的目标分布区域。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请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,本申请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。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求的保护范围内。
Claims (10)
1.一种基于卫星影像的冰湖轮廓自动提取方法,其特征在于,包括:
收集包括所述冰湖的卫星影像和对应的高程数据;
对收集的每一所述卫星影像分别进行辐射校正和大气校正,将原始卫星影像的像元亮度值转换为反应地物真实反射情况的地表反射率,得到所述卫星影像对应的地表反射率数据;
使用最近邻扩散算法对所述卫星影像进行融合,得到预设空间分辨率且包括多种光谱信息的实验卫星影像;
对所述实验卫星影像中的至少部分非冰湖物体进行检测,并从所述实验卫星影像中去除被检测到的所述非冰湖物体;
计算去除掉至少部分所述非冰湖物体后的所述实验卫星影像的归一化水体指数,并从所述实验卫星影像中提取每一所述冰湖的初始分布区域,其中,提取每一所述冰湖的所述初始分布区域的方法为:将归一化水体指数大于预设值的像元作为所述初始分布区域;
根据所述初始分布区域构建每一所述冰湖的影像块数据;
逐个裁剪包含每一所述冰湖的影像块;
以每一所述冰湖的所述初始分布区域的边界作为初始演变轮廓,利用非局部活动轮廓方法对每一所述冰湖轮廓的目标分布区域进行提取。
2.根据权利要求1所述的一种基于卫星影像的冰湖轮廓自动提取方法,其特征在于,所述卫星影像包括全色波段和多光谱波段;
所述使用最近邻扩散算法对所述卫星影像进行融合,具体为:
利用所述最近邻扩散算法将所述卫星影像的所述全色波段和所述多光谱波段融合。
3.根据权利要求1所述的一种基于卫星影像的冰湖轮廓自动提取方法,其特征在于,所述非冰湖物体包括云和云的阴影;
所述对所述实验卫星影像中的至少部分非冰湖物体进行检测,具体为:
应用面向对象的云检测算法识别所述实验卫星影像中的所述云和所述云的阴影区域,并形成掩膜文件。
4.根据权利要求1所述的一种基于卫星影像的冰湖轮廓自动提取方法,其特征在于,所述非冰湖物体包括山地阴影;
所述对所述实验卫星影像中的至少部分非冰湖物体进行检测,具体为:
结合所述高程数据,通过设置灰度值阈值识别出所述实验卫星影像中的所述山地阴影。
6.根据权利要求1所述的一种基于卫星影像的冰湖轮廓自动提取方法,其特征在于,所述逐个裁剪包含每一所述冰湖的影像块,进一步为:
在所述实验卫星影像中选择10个像素的距离绘制每一所述冰湖的所述初始分布区域的外包络矩形,以剪裁得到的每一所述影像块为一个处理单元。
7.根据权利要求1所述的一种基于卫星影像的冰湖轮廓自动提取方法,其特征在于,所述对每一所述冰湖轮廓的目标分布区域进行提取,进一步为:
通过采用水平集方法最小化非局部能量,使每一所述冰湖的所述初始分布区域向其对应的目标区域演化,得到每一所述冰湖的所述目标分布区域。
9.根据权利要求8所述的一种基于卫星影像的冰湖轮廓自动提取方法,其特征在于,所述能量泛函为:
F(ω)=∫∫β(He(ω(x)),He(ω(y)))·Gτ(x-y)·d(nx,ny)dxdy。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752625.9A CN111932567B (zh) | 2020-07-30 | 2020-07-30 | 基于卫星影像的冰湖轮廓自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752625.9A CN111932567B (zh) | 2020-07-30 | 2020-07-30 | 基于卫星影像的冰湖轮廓自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932567A true CN111932567A (zh) | 2020-11-13 |
CN111932567B CN111932567B (zh) | 2022-09-06 |
Family
ID=73314361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010752625.9A Active CN111932567B (zh) | 2020-07-30 | 2020-07-30 | 基于卫星影像的冰湖轮廓自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932567B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991265A (zh) * | 2021-02-07 | 2021-06-18 | 上海普适导航科技股份有限公司 | 一种全自动水体提取系统及方法 |
CN113240694A (zh) * | 2021-05-31 | 2021-08-10 | 中国科学院空天信息创新研究院 | 极地冰盖冻融探测方法、装置及计算机可读存储介质 |
CN113419232A (zh) * | 2021-06-18 | 2021-09-21 | 北京航空航天大学 | 一种陆基gnss反射计的河流边界与宽度探测方法 |
CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
CN113900097A (zh) * | 2021-11-29 | 2022-01-07 | 商丘师范学院 | 基于卫星遥感数据的冰川量检测方法 |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN113936226A (zh) * | 2021-11-23 | 2022-01-14 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
WO2022110920A1 (zh) * | 2020-11-27 | 2022-06-02 | 清华大学 | 森林火灾特殊危险地形识别方法及装置 |
CN115272878A (zh) * | 2022-07-22 | 2022-11-01 | 中国自然资源航空物探遥感中心 | 一种基于机器学习的高原冰湖自动提取方法 |
CN117593168A (zh) * | 2024-01-18 | 2024-02-23 | 应急管理部国家自然灾害防治研究院 | 一种冰湖溃决风险评估系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070242884A1 (en) * | 2001-07-24 | 2007-10-18 | Dugan John P | Method for measuring water depths using visible images of shoaling ocean waves |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
CN108830876A (zh) * | 2018-05-28 | 2018-11-16 | 河海大学 | 一种水域轮廓提取及面积检测方法 |
CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
-
2020
- 2020-07-30 CN CN202010752625.9A patent/CN111932567B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070242884A1 (en) * | 2001-07-24 | 2007-10-18 | Dugan John P | Method for measuring water depths using visible images of shoaling ocean waves |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
CN108830876A (zh) * | 2018-05-28 | 2018-11-16 | 河海大学 | 一种水域轮廓提取及面积检测方法 |
CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
Non-Patent Citations (2)
Title |
---|
张大弘等: "1967-2014年科西河流域面积≥0.05 km~2冰湖轮廓数据集", 《中国科学数据(中英文网络版)》 * |
赵航等: "基于改进C-V模型的冰湖轮廓提取方法研究", 《遥感技术与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110920A1 (zh) * | 2020-11-27 | 2022-06-02 | 清华大学 | 森林火灾特殊危险地形识别方法及装置 |
CN112991265A (zh) * | 2021-02-07 | 2021-06-18 | 上海普适导航科技股份有限公司 | 一种全自动水体提取系统及方法 |
CN113240694A (zh) * | 2021-05-31 | 2021-08-10 | 中国科学院空天信息创新研究院 | 极地冰盖冻融探测方法、装置及计算机可读存储介质 |
CN113240694B (zh) * | 2021-05-31 | 2024-01-05 | 中国科学院空天信息创新研究院 | 极地冰盖冻融探测方法、装置及计算机可读存储介质 |
CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
CN113419232B (zh) * | 2021-06-18 | 2022-10-18 | 北京航空航天大学 | 一种陆基gnss反射计的河流边界与宽度探测方法 |
CN113419232A (zh) * | 2021-06-18 | 2021-09-21 | 北京航空航天大学 | 一种陆基gnss反射计的河流边界与宽度探测方法 |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN113936204B (zh) * | 2021-11-22 | 2023-04-07 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN113936226A (zh) * | 2021-11-23 | 2022-01-14 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
CN113900097B (zh) * | 2021-11-29 | 2022-08-16 | 商丘师范学院 | 基于卫星遥感数据的冰川量检测方法 |
CN113900097A (zh) * | 2021-11-29 | 2022-01-07 | 商丘师范学院 | 基于卫星遥感数据的冰川量检测方法 |
CN115272878A (zh) * | 2022-07-22 | 2022-11-01 | 中国自然资源航空物探遥感中心 | 一种基于机器学习的高原冰湖自动提取方法 |
CN117593168A (zh) * | 2024-01-18 | 2024-02-23 | 应急管理部国家自然灾害防治研究院 | 一种冰湖溃决风险评估系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111932567B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932567B (zh) | 基于卫星影像的冰湖轮廓自动提取方法 | |
Yang et al. | Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery | |
KR101728137B1 (ko) | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 | |
Feyisa et al. | Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery | |
CN107730527B (zh) | 一种基于遥感卫星影像的高原地区冰湖提取方法 | |
Chini et al. | Exploiting SAR and VHR optical images to quantify damage caused by the 2003 Bam earthquake | |
Aalstad et al. | Evaluating satellite retrieved fractional snow-covered area at a high-Arctic site using terrestrial photography | |
Mostafa | A review on various shadow detection and compensation techniques in remote sensing images | |
CN109214439B (zh) | 一种基于多特征融合的红外图像结冰河流检测方法 | |
Shackelford et al. | Automated 2-D building footprint extraction from high-resolution satellite multispectral imagery | |
Rudy et al. | Identifying permafrost slope disturbance using multi-temporal optical satellite images and change detection techniques | |
Gjermundsen et al. | Assessment of multispectral glacier mapping methods and derivation of glacier area changes, 1978–2002, in the central Southern Alps, New Zealand, from ASTER satellite data, field survey and existing inventory data | |
Selkowitz et al. | Automated mapping of persistent ice and snow cover across the western US with Landsat | |
Jawak et al. | A semiautomatic extraction of Antarctic lake features using WorldView-2 imagery | |
US20050114027A1 (en) | Cloud shadow detection: VNIR-SWIR | |
Saeed et al. | Coastline extraction using satellite imagery and image processing techniques | |
CN114359243B (zh) | 一种季节性小微湿地动态监测方法 | |
Isiacik Colak et al. | Coastline zone extraction using Landsat-8 OLI imagery, case study: Bodrum Peninsula, Turkey | |
Kadhim et al. | Shadow detection from very high resoluton satellite image using grabcut segmentation and ratio-band algorithms | |
Hu et al. | FABIAN: A daily product of Fractional Austral-summer Blue Ice over ANtarctica during 2000–2021 based on MODIS imagery using Google Earth Engine | |
CN111310771A (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
Al-Obaidi et al. | Change detection in Mosul dam lake, north of Iraq using remote sensing and GIS techniques | |
Huang et al. | Multi-feature combined for building shadow detection in GF-2 Images | |
Gamba et al. | Limits and challenges of optical high-resolution satellite remote sensing for urban applications | |
CN115761493A (zh) | 一种基于组合水体指数频率的水体提取方法 |
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 |