CN112308024A - 一种水体信息提取方法 - Google Patents

一种水体信息提取方法 Download PDF

Info

Publication number
CN112308024A
CN112308024A CN202011319694.7A CN202011319694A CN112308024A CN 112308024 A CN112308024 A CN 112308024A CN 202011319694 A CN202011319694 A CN 202011319694A CN 112308024 A CN112308024 A CN 112308024A
Authority
CN
China
Prior art keywords
water body
extraction
water
clustering
threshold value
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
Application number
CN202011319694.7A
Other languages
English (en)
Inventor
宋文龙
杨昆
刘宏洁
唐锐
程瓦
段媛媛
曲伟
卢奕竹
余琅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202011319694.7A priority Critical patent/CN112308024A/zh
Publication of CN112308024A publication Critical patent/CN112308024A/zh
Pending legal-status Critical Current

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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种水体信息提取方法，包括水体卫星影像的采集及预处理和水体提取两部分，水体提取包括以下步骤：对卫星影像进行波段计算，获取各个像素点的水体指数；利用均值漂移算法通过水体指数值对像素进行聚类；将聚类中心的水体指数值与给定的阈值进行比较并判断整个类别是否为水体。本发明的方法用于水体提取具有较高精度。提取阈值灵活、稳定、快速，对于不同条件下的水体可通过调整聚类半径来实现水体的高精度提取，尤其有云雾覆盖的水体。

Description

一种水体信息提取方法
技术领域
本发明涉及一种水体信息提取方法，属于水生态保护技术领域，具体涉及水体信息提取技术。
背景技术
水体信息提取是生态保护工作的重要组成部分，如水生态监测、水资源调查与规划、水利工程规划等。卫星遥感以其监测范围广、信息量大、获取速度快等诸多优势，在环境监测、防洪减灾、生态保护等多领域中发挥着越来越重要的作用。水体指数法是利用卫星遥感提取水体信息的一种重要方法。利用水体指数法提取水体信息，阈值的选取对于地物的精确分类至关重要，但一直难以解决，是目前遥感信息提取的一个重要研究问题。
水体指数法通常可以用零作为阈值对归一化水体指数(NDWI)进行二值化分割。由于水体在红外波段的反射率比可见光波段的更低的缘故，因此水体的NDWI值大于零，而植被、裸露土地、建设用地等地物的NDWI值小于零，因此通常将大于零的像素视作水体。云雾冰雪由于散射严重导致各个波段辐射率较高，在卫星影像的各个波段都呈亮白色，计算得到的NDWI值虽较植被、裸地要高，与液态水体较为接近，但是总体仍然低于液态水体，并且通常小于零，因此以零为阈值可以排除绝大部分将云雾误分为水体的情况；然而，泥沙含量较高的水体，对可见光的反射率明显提高，并且正比于泥沙含量和泥沙的粒径，当水体中微生物含量高时会减少对红外波段的吸收，最终导致归一化水体指数对水体的区分度减弱。以零为阈值的方法原理简单、操作方便，但云雾、泥沙、微生物等会对水体提取精度产生影响。
对于上述云雾、泥沙、微生物等的影响，简单的以零作为阈值分割水体的误分类比率较高，因此需要采用一种自适应的方式提取分割的阈值。其中最大类间方差算法(OTSU算法)最为常见，该方法具有简单快速的优点，但该方法的主要问题是水体像元与非水体像元的占比不均衡，自适应阈值偏大，并不适用于具有明显丰水期和枯水期的水体。
发明内容
针对上述两种阈值方法的缺陷，为实现从高分辨率遥感影像中准确快速的提取水体信息，本发明提出了一种基于均值漂移算法(Mean-Shift)的水体提取方法。
本发明的目的是这样实现的：
一种水体信息提取方法，包括水体卫星影像的采集及预处理和水体提取两部分：所述水体提取包括以下步骤：
步骤1：对卫星影像进行波段计算，获取各个像素点的水体指数；
步骤2：利用均值漂移算法通过水体指数值对像素进行聚类；
步骤3：将聚类中心的水体指数值与给定的阈值进行比较并判断整个类别是否为水体。
进一步的，步骤1中水体指数的计算公式为：
Figure BDA0002792465140000021
式中，NDWI表示水体指数，B2为影像中绿光波段的反射率，B4为影像中近红外波段的反射率。
进一步的，步骤2中种子点均值漂移算法的具体步骤为：
1)在样本取值范围形成的空间中随机或者均匀生成若干个初始聚类中心；
2)找到这些聚类中心周围一定半径范围内的样本，对这些样本求各维度坐标值的均值；半径设置根据经验值及不同情况下的水体调整，这是此算法的灵活优点，没有限定条件。在实际操作中，差异的大小没有统计过，差异较大时设置为1左右，差异较小时设置为13左右。半径范围设置优选1～13。
3)将求出的均值点作为新的聚类中心；
4)判断新的聚类中心与初始聚类中心的距离是否小于给定的阈值或者循环达到给定次数，如果是，则结束；
5)判断聚类中心之间的距离是否小于合并聚类中心的阈值，如果是，则合并聚类中心；
6)回到第2)步；
7)结束。
进一步的，水体卫星影像的采集及预处理部分中预处理的步骤包括：辐射定标、大气校正及卫星影像裁剪。
本发明的有益效果是：
本发明的方法用于水体提取具有较高精度。提取阈值灵活、稳定、快速，对于不同条件下的水体可通过调整聚类半径来实现水体的高精度提取，尤其有云雾覆盖的水体。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明实施例1中均值漂移算法聚类的操作步骤流程图。
图2是密云水库NDWI及提取结果图；(a)密云水库NDWI值；(b)0阈值提取结果；(c)OTSU阈值提取结果；(d)Mean-Shift阈值提取结果(本发明算法)。
图3是云雾覆盖水体NDWI值及提取结果图；(a)云雾覆盖水体NDWI值；(b)阈值0提取云雾覆盖水体结果图；(c)OTSU阈值提取云雾覆盖水体结果图；(d)Mean-Shift阈值提取云雾水体结果图。
图4富含藻华微生物水体NDWI值及提取结果图；(a)洱海NDWI值；(b)阈值0洱海提取结果图；(c)OTSU阈值洱海提取结果图；(d)Mean-Shift阈值洱海提取结果图。
图5含泥沙水体NDWI值及提取结果；(a)含泥沙水体NDWI值；(b)阈值0提取含泥沙水体结果图；(c)OTSU阈值提取含泥沙水体结果图；(d)Mean-Shift阈值提取含泥沙水体结果图。
图6水体提取总精度与Kappa系数；(a)阈值0、OTSU阈值、Mean-Shift阈值提取精度；(b)阈值0、OTSU阈值、Mean-Shift阈值提取Kappa系数。
具体实施方式
实施例1：
一种水体信息提取方法，包括水体卫星影像的采集及预处理和水体提取两部分：
一、水体卫星影像的采集及预处理：
1.数据下载
选用Landsat8数据，在网站地理空间数据云下载研究区Landsat8原始影像，网站如下：(http://www.gscloud.cn/sources/index？pid＝1&type＝1)。
2.数据预处理
(1)辐射定标：采用ENVI软件进行；
(2)大气校正：采用FLAASH大气校正工具；
(3)裁剪：使用研究区矢量文件(shp)对经过预处理后的landsat8卫星影像进行裁剪。
二、水体提取包括以下步骤：
步骤1：对卫星影像进行波段计算，获取各个像素点的水体指数；
在ENVI软件中使用band math工具对预处理后的卫星影像进行波段计算，获取归一化水体指数(NDWI)，操作步骤与结果如图。NDWI计算公式为：
Figure BDA0002792465140000041
式中，B2与B4为影像中的绿光波段和近红外波段的反射率。
剔除异常值，并进行AOI划定。
步骤2：利用种子点均值漂移算法通过水体指数值对像素进行聚类；
如图1所示，种子点均值漂移算法的具体步骤为：
1)在水体指数值取值范围形成的空间中随机或者均匀生成若干个初始聚类中心；
2)找到这些聚类中心周围一定半径范围内的样本，对这些样本求各维度坐标值的均值；
3)将求出的均值点作为新的聚类中心；
4)判断新的聚类中心与初始聚类中心的距离是否小于给定的阈值或者循环达到给定次数，如果是，则结束；
5)判断聚类中心之间的距离是否小于合并聚类中心的阈值，如果是，则合并聚类中心；
6)回到第2)步；
7)结束。
步骤3：将聚类中心的水体指数值与给定的阈值进行比较并判断整个类别是否为水体。
对比例1：
正常水体提取，选取密云水库遥感影像实施。
选取的密云水库正常水体NDWI值如图2(a)，其影像无云雾覆盖、无结冰、不含泥沙、微生物较少，可看到水体部分呈亮白色，非水体部分呈暗色。使用水体指数法(阈值0)、OTSU法以及本发明实施例1水体提取法提取结果如图1。由图可知，图2(b)阈值0与图2(d)实施例1阈值基本能提取出水体边界，而图2(c)OTSU阈值所提取的水库信息在西南侧有缺失。
对比例2：
云雾覆盖水体提取，选取黄河中游不同云雾量覆盖的遥感影像实施。
选取的黄河中游不同云雾量遮盖下的水体NDWI值如图3(a)，在本段水体的中间及右侧云雾覆盖量较小，而水体左侧云雾覆盖量较大。使用水体指数法(阈值0)、OTSU法以及本发明实施例1水体提取法提取结果如图2。由图3(b)可知，尽管阈值0没有将云雾错分为水体，但在有云雾遮盖的地方，无论云雾量是否严重，均无法将水体信息进行有效的提取；而在图3(c)OTSU阈值对于水体信息提取有更大的遗漏；而在图4(d)中，实施例1阈值对少量云雾覆盖下的水体信息有很好的提取效果。
对比例3：
富含藻华微生物水体提取，选取洱海地区卫星影像实施。
所选取的洱海富含藻类水华与微生物，其NDWI值如图4(a)。使用水体指数法(阈值0)、OTSU法以及本发明实施例1水体提取法提取结果如图4。三种方法均能将水体边界识别出，但如图4(c)OTSU阈值对于藻类微生物较多的水体处难以进行有效的水体提取，而图4(b)阈值0与图4(d)实施例1提取法阈值则有较好的提取效果。
对比例4：
富含泥沙水体提取，选取黄河下游泥沙量较大的一段遥感影像实施。
选取黄河下游的水体含泥沙较多，其NDWI值与三种方法提取水体提取结果如图5。由图可看出，图5(c)OTSU阈值提取效果不如图5(b)阈值0和图5(d)Mean-Shift阈值效果理想。
总精度分析：
使用阈值0、OTSU阈值以及实施例1(Mean-Shift)阈值对正常水体、云雾覆盖水体、富含藻华微生物水体及含泥沙水体进行混淆矩阵精度验证，其总精度与Kappa系数如图6。由图可知，对于正常水体，阈值0提取精度最高，Mean-Shift次之，OTSU最末；而对于云雾覆盖水体、富含微生物水体、含泥沙水体，Mean-Shift阈值均提取精度最高，达94％以上，尤其对于云雾覆盖下水体提取精度达97.482％，Kappa系数为0.9366，阈值0次之，OTSU依旧最末。可看出实施例1算法适用于各种复杂条件下的水体信息提取。
混淆矩阵分析：
使用阈值0、OTSU阈值和实施例1(Mean-Shift)阈值对密云水库水体信息提取混淆矩阵如表1、表2、表3。其中，阈值0与Mean-Shift阈值存在部分水体错分现象，总体精度较高；而水体与非水体像元占比均衡导致OTSU自适应阈值偏高，水体西南侧NDWI值较低，因此西南侧水体像元错分现象较为严重。
表1阈值0提取结果混淆矩阵(正常水体)
Figure BDA0002792465140000061
表2 OTSU阈值提取结果混淆矩阵(正常水体)
Figure BDA0002792465140000062
表3 Mean-Shift阈值提取结果混淆矩阵(正常水体)
Figure BDA0002792465140000063
对阈值0、OTSU阈值以及Mean-Shift阈值提取的云雾覆盖下的水体信息结果进行精度验证，其混淆矩阵分别如表4、表5、表6。其中，阈值0水体非水体像元错分现象较为严重，主要集中在云雾覆盖处，说明云雾覆盖对此阈值有较大影响；OTSU阈值在云雾覆盖处存在更加严重的像元错分现象，主要由云雾覆盖以及水体像元与非水体像元占比不均衡导致；而Mean-Shift阈值水体非水体像元错分现象较少，说明此方法对云雾覆盖水体仍具有较高的提取精度。
表4阈值0提取结果混淆矩阵(云雾覆盖水体)
水体 非水体 总计
水体 132 3 135
非水体 169 808 977
总计 301 811 1112
表5 OTSU阈值提取结果混淆矩阵(云雾覆盖水体)
水体 非水体 总计
水体 72 2 74
非水体 229 809 1038
总计 301 811 1112
表6 Mean-Shift阈值提取结果混淆矩阵(云雾覆盖水体)
水体 非水体 总计
水体 290 17 307
非水体 11 794 805
总计 301 811 1112
对阈值0、OTSU阈值以及Mean-Shift阈值提取的富含藻华微生物的水体信息结果进行精度验证，其混淆矩阵如表7、表8、表9。其中，阈值0与Mean-Shift阈值水体非水体像元区分度均较高，错分像元较少，说明受水藻微生物等影响较小，提取精度较高；而OTSU阈值存在部分水体像元错分为非水体像元情况，主要集中在水藻微生物较多的水体处，提取效果一般。
表7阈值0提取结果混淆矩阵(含藻水体)
水体 非水体 总计
水体 98 4 102
非水体 5 95 100
总计 103 99 202
表8 OTSU阈值提取结果混淆矩阵(含藻水体)
水体 非水体 总计
水体 39 4 43
非水体 64 95 159
总计 103 99 202
表9 Mean-Shift阈值提取结果混淆矩阵(含藻水体)
水体 非水体 总计
水体 96 0 96
非水体 7 99 106
总计 103 99 202
对阈值0、OTSU阈值以及Mean-Shift阈值提取的含沙量较多的水体信息结果进行精度验证，其混淆矩阵如表10、表11、表12。其中，阈值0与Mean-Shift阈值水体与非水体错分像元较少，说明此两种方法受泥沙含量影响较少，提取精度较高；而OTSU阈值依旧存在部分水体像元错分为非水体像元的现象，提取效果一般。
表10阈值0提取结果混淆矩阵(含沙水体)
水体 非水体 总计
水体 79 4 83
非水体 6 64 70
总计 85 68 153
表11 OTSU阈值提取结果混淆矩阵(含沙水体)
水体 非水体 总计
水体 46 0 46
非水体 39 68 107
总计 85 68 153
表12 Mean-Shift阈值提取结果混淆矩阵(含沙水体)
水体 非水体 总计
水体 80 4 84
非水体 5 64 69
总计 85 68 153
最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案(比如各种公式的运用、步骤的先后顺序等)进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (4)

1.一种水体信息提取方法，包括水体卫星影像的采集及预处理和水体提取两部分，其特征在于：所述水体提取包括以下步骤：
步骤1：对卫星影像进行波段计算，获取各个像素点的水体指数；
步骤2：利用均值漂移算法通过水体指数值对像素进行聚类；
步骤3：将聚类中心的水体指数值与给定的阈值进行比较并判断整个类别是否为水体。
2.根据权利要求1所述的水体信息提取方法，其特征在于：步骤1中水体指数的计算公式为：
Figure FDA0002792465130000011
式中，NDWI表示该像素点的水体指数；B2为影像中的绿光波段的反射率，B4为影像中的近红外波段的反射率。
3.根据权利要求1所述的水体信息提取方法，其特征在于：步骤2中均值漂移算法聚类的具体步骤为：
1)在样本取值范围形成的空间中随机或者均匀生成若干个初始聚类中心；
2)找到这些聚类中心周围在设定半径范围内的样本，对这些样本求各维度坐标值的均值；
3)将求出的均值点作为新的聚类中心；
4)判断新的聚类中心与初始聚类中心的距离是否小于给定的阈值或者循环达到给定次数，如果是，则结束；
5)判断聚类中心之间的距离是否小于合并聚类中心的阈值，如果是，则合并聚类中心；
6)回到第2)步；
7)结束。
4.根据权利要求1所述的水体信息提取方法，其特征在于：水体卫星影像的采集及预处理部分中预处理的步骤包括：辐射定标、大气校正及卫星影像裁剪。
CN202011319694.7A 2020-11-23 2020-11-23 一种水体信息提取方法 Pending CN112308024A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011319694.7A CN112308024A (zh) 2020-11-23 2020-11-23 一种水体信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011319694.7A CN112308024A (zh) 2020-11-23 2020-11-23 一种水体信息提取方法

Publications (1)

Publication Number Publication Date
CN112308024A true CN112308024A (zh) 2021-02-02

Family

ID=74335211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011319694.7A Pending CN112308024A (zh) 2020-11-23 2020-11-23 一种水体信息提取方法

Country Status (1)

Country Link
CN (1) CN112308024A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408467A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425182A (zh) * 2008-11-28 2009-05-06 华中科技大学 一种图像对象分割方法
CN101963664A (zh) * 2010-09-28 2011-02-02 中国科学院东北地理与农业生态研究所 基于水陆地物分类信息的微波遥感混合像元分解方法
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
CN102829739A (zh) * 2012-08-21 2012-12-19 北京农业信息技术研究中心 一种面向对象的作物叶面积指数遥感反演方法
CN103793907A (zh) * 2013-12-12 2014-05-14 中国科学院深圳先进技术研究院 一种水体信息的提取方法及装置
CN104318051A (zh) * 2014-09-15 2015-01-28 中国水利水电科学研究院 基于规则的大范围水体信息遥感自动提取系统及方法
CN105139015A (zh) * 2015-07-24 2015-12-09 河海大学 一种遥感图像水体提取方法
CN105335761A (zh) * 2015-11-27 2016-02-17 郑州航空工业管理学院 一种基于最近邻的遥感影像单类信息提取方法
CN105590316A (zh) * 2015-12-11 2016-05-18 中国测绘科学研究院 面向对象的高分辨率遥感影像阴影提取方法
CN107301644A (zh) * 2017-06-09 2017-10-27 西安电子科技大学 基于均值漂移和模糊聚类的自然图像无监督分割方法
CN108921025A (zh) * 2018-06-01 2018-11-30 苏州中科天启遥感科技有限公司 一种协同变化检测的对象级分类样本自动选择方法
CN109993237A (zh) * 2019-04-15 2019-07-09 中国水利水电科学研究院 基于高分卫星光学遥感数据的水体快速提取方法及系统
CN110717413A (zh) * 2019-09-24 2020-01-21 云南师范大学 面向无人机可见光影像的水体信息提取方法及装置
CN111539965A (zh) * 2020-04-10 2020-08-14 中国资源卫星应用中心 协同多源信息的城市地表水国产高分遥感自适应提取方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425182A (zh) * 2008-11-28 2009-05-06 华中科技大学 一种图像对象分割方法
CN101963664A (zh) * 2010-09-28 2011-02-02 中国科学院东北地理与农业生态研究所 基于水陆地物分类信息的微波遥感混合像元分解方法
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
CN102829739A (zh) * 2012-08-21 2012-12-19 北京农业信息技术研究中心 一种面向对象的作物叶面积指数遥感反演方法
CN103793907A (zh) * 2013-12-12 2014-05-14 中国科学院深圳先进技术研究院 一种水体信息的提取方法及装置
CN104318051A (zh) * 2014-09-15 2015-01-28 中国水利水电科学研究院 基于规则的大范围水体信息遥感自动提取系统及方法
CN105139015A (zh) * 2015-07-24 2015-12-09 河海大学 一种遥感图像水体提取方法
CN105335761A (zh) * 2015-11-27 2016-02-17 郑州航空工业管理学院 一种基于最近邻的遥感影像单类信息提取方法
CN105590316A (zh) * 2015-12-11 2016-05-18 中国测绘科学研究院 面向对象的高分辨率遥感影像阴影提取方法
CN107301644A (zh) * 2017-06-09 2017-10-27 西安电子科技大学 基于均值漂移和模糊聚类的自然图像无监督分割方法
CN108921025A (zh) * 2018-06-01 2018-11-30 苏州中科天启遥感科技有限公司 一种协同变化检测的对象级分类样本自动选择方法
CN109993237A (zh) * 2019-04-15 2019-07-09 中国水利水电科学研究院 基于高分卫星光学遥感数据的水体快速提取方法及系统
CN110717413A (zh) * 2019-09-24 2020-01-21 云南师范大学 面向无人机可见光影像的水体信息提取方法及装置
CN111539965A (zh) * 2020-04-10 2020-08-14 中国资源卫星应用中心 协同多源信息的城市地表水国产高分遥感自适应提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO_BISMARCK: "常用聚类原理与应用(层次化聚类、K-means、均值漂移聚类", 《CSDN》 *
林顺海: "基于NDWI与改进型FCM相结合的高分一号影像水域信息提取方法研究", 《测绘与空间地理信息》 *
翟亮，唐新明: "《光学遥感影像压缩质量评价研究》", 30 September 2011, 北京：测绘出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408467A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法
CN113408467B (zh) * 2021-07-01 2022-04-29 中国科学院东北地理与农业生态研究所 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法

Similar Documents

Publication Publication Date Title
CN112287871B (zh) 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法
Binding et al. Trends in water clarity of the lower Great Lakes from remotely sensed aquatic color
Hou et al. Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN106650812A (zh) 一种卫星遥感影像的城市水体提取方法
CN110100262B (zh) 用于从图像移除云的图像处理设备、方法和存储介质
CN108388916B (zh) 一种基于人工智能的水体漂浮物自动识别方法和系统
CN109635765B (zh) 一种浅海珊瑚礁遥感信息自动提取方法
Zhang et al. MRSE-Net: multiscale residuals and SE-attention network for water body segmentation from satellite images
CN108764132A (zh) 一种湖泊湿地遥感图像误差检测方法
CN111007013A (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
Oguslu et al. Detection of seagrass scars using sparse coding and morphological filter
CN112308024A (zh) 一种水体信息提取方法
CN113298086A (zh) 基于U-Net网络的赤潮多光谱检测方法
Chen et al. Automatic Extraction Method of Sargassum Based on Spectral-Texture Features of Remote Sensing Images
Vukadinov et al. An algorithm for coastline extraction from satellite imagery
CN116452872A (zh) 一种基于改进的Deeplabv3+的森林场景树种分类方法
CN115761493A (zh) 一种基于组合水体指数频率的水体提取方法
Liu et al. Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices
Nanare et al. Remote sensing satellite image analysis for deforestation in yavatmal district, maharashtra, india
CN115359363A (zh) 海岸带塑料垃圾的卫星遥感探测与识别方法、系统、设备
Bochow et al. Automatic detection and delineation of surface water bodies in airborne hyperspectral data
CN113469104A (zh) 基于深度学习的雷达遥感影像地表水体变化检测方法和设备
Lewiński et al. Testing texture of VHR panchromatic data as a feature of land cover classification
Bochow et al. Automatic shadow detection in hyperspectral VIS-NIR images

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: 20210202