CN112800823B - 一种水体快速提取方法 - Google Patents

一种水体快速提取方法 Download PDF

Info

Publication number
CN112800823B
CN112800823B CN202011272866.XA CN202011272866A CN112800823B CN 112800823 B CN112800823 B CN 112800823B CN 202011272866 A CN202011272866 A CN 202011272866A CN 112800823 B CN112800823 B CN 112800823B
Authority
CN
China
Prior art keywords
water
line
representing
water body
index
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.)
Active
Application number
CN202011272866.XA
Other languages
English (en)
Other versions
CN112800823A (zh
Inventor
杨晓楠
陈瑜云
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.)
Shanghai Pushi Navigation Technology Co ltd
Original Assignee
Shanghai Pushi Navigation Technology Co ltd
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 Shanghai Pushi Navigation Technology Co ltd filed Critical Shanghai Pushi Navigation Technology Co ltd
Priority to CN202011272866.XA priority Critical patent/CN112800823B/zh
Publication of CN112800823A publication Critical patent/CN112800823A/zh
Application granted granted Critical
Publication of CN112800823B publication Critical patent/CN112800823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/25—Fusion 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
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

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

Abstract

本发明涉及水体提取领域，尤其涉及一种水体快速提取方法。水体快速提取方法，应用于遥感影像，包括：步骤S1，获取归一化水体指数；步骤S2，获取归一化蓝色水体指数；步骤S3，选取多个水体特征点和非水体特征点，构建最佳分类线；步骤S4，根据最佳分类线获取融合垂直水体指数；步骤S5，预设一阈值，并根据阈值和融合垂直水体指数提取水体。本发明的技术方案有益效果在于：本申请提供一种水体快速提取方法，通过获取归一化蓝色水体指数能够增强建筑与水体之间的区别，通过获取融合垂直水体指数能够进一步增强水体与非水体之间的元灰度值的区别，以快速识别并提取细小的水体，提高水体提取准确度，加快水体提取速度。

Description

一种水体快速提取方法
技术领域
本发明涉及水体提取领域，尤其涉及一种水体快速提取方法。
背景技术
水体指数法利用遥感影像多波段信息构建区分水体和非水体的波段运算函数，以达到提取水体的目的。
但采用的主流水体指数法存在以下问题：①高分辨率卫星影像包括的地物信息丰富，传统提取方法极易受暗色建筑、建筑阴影、裸土等信息的干扰，导致细小的河道、小鱼塘、小坑塘难以提取；②高分辨率卫星影像只有红波段(R)、绿波段(G)、蓝波段(B)、近红波段(NIR)，但现有大多水体指数计算都必须采用短波红外(SWIR)。
发明内容
针对现有技术中存在的问题，本发明提供一种水体快速提取方法，应用于遥感影像，所述遥感影像的波段范围包括第一波段、第二波段和第三波段；
所述水体快速提取方法包括：
步骤S1，根据所述第二波段和所述第三波段，获取归一化水体指数并生成第一影像；
步骤S2，根据所述第一波段和所述第三波段，获取归一化蓝色水体指数并生成第二影像；
步骤S3，选取多个水体特征点和非水体特征点，并根据所述水体特征点和所述非水体特征点分别于所述第一影像上的像元灰度值和所述第二影像上的像元灰度值，构建最佳分类线；
步骤S4，根据所述最佳分类线获取融合垂直水体指数；
步骤S5，预设一阈值，并根据所述阈值和所述融合垂直水体指数提取水体。
优选的，所述步骤S1，采用下述公式表示所述归一化水体指数：
其中，
NDWI用于表示所述归一化水体指数；
用于表示波长范围在520mm与590mm之间对应的所述第二波段的像元灰度值；
用于表示波长范围在770mm与890mm之间对应的所述第三波段的像元灰度值。
优选的，所述步骤S2，采用下述公式表示所述归一化蓝色水体指数：
其中，
NBWI用于表示所述归一化蓝色水体指数；
用于表示波长范围在450mm与520mm之间对应的所述第一波段的像元灰度值。
用于表示波长范围在520mm与590mm之间对应的所述第三波段的像元灰度值。
优选的，所述步骤S3包括：
步骤S31，选取多个所述水体特征点和多个所述非水体特征点；
步骤S32，根据所述水体特征点于所述第一影像上的像元灰度值以及所述水体特征点于所述第二影像上的像元灰度值进行线性拟合，获取水体线斜距和水体线截距，构建水体线；
步骤S33，根据所述非水体特征点于所述第一影像上的像元灰度值以及所述非水体特征点于所述第二影像上的像元灰度值进行线性拟合，获取非水体线斜距和非水体线截距，构建非水体线；
步骤S34，根据所述水体线和所述非水体线获取最佳分类线斜距，并根据所述最佳分类线斜距、所述水体线和所述非水体线的交点获取最佳分类线截距，根据所述最佳分类线斜距和所述最佳分类线截距构建所述最佳分类线。
优选的，所述水体线斜距和所述水体线截距采用下述公式表示：
其中，
a1用于表示所述水体线斜距；
b1用于表示所述水体线截距；
x1i用于表示第i个所述水体特征点于所述第一影像上的像元灰度值，其中，i用于表示所述水体特征点在所有所述水体特征点中的排序序号，n用于表示所述水体特征点的总数；
y1i用于表示第i个所述水体特征点于所述第二影像上的像元灰度值。
优选的，所述非水体线斜距和所述非水体线截距采用下述公式表示：
其中，
a2用于表示所述非水体线斜距；
b2用于表示所述非水体线截距；
x2j用于表示第j个所述非水体特征点于所述第一影像上的像元灰度值，其中，j用于表示所述非水体特征点在所有所述非水体特征点中的排序序号，m用于表示所述非水体特征点的总数；
y2j用于表示第j个所述非水体特征点于所述第二影像上的像元灰度值。
优选的，所述最佳分类线斜距采用下述公式表示：
其中，
a3用于表示所述最佳分类线斜距；
a1用于表示所述非水体线斜距；
a2用于表示所述水体线斜距。
优选的，所述融合垂直水体指数采用下述公式表示：
其中，
IPWI用于表示所述融合垂直水体指数；
a3用于表示所述最佳分类线斜距；
NBWI用于表示所述归一化蓝色水体指数；
NDWI用于表示所述归一化水体指数。
上述技术方案具有如下优点或有益效果：本发明提供一种水体快速提取方法，通过获取归一化蓝色水体指数能够增强建筑与水体之间的区别，通过获取融合垂直水体指数能够进一步增强水体与非水体之间的像元灰度值的区别，以快速识别并提取细小的水体，提高水体提取准确度，加快水体提取速度。
附图说明
图1为本发明的一种较优实施方式中，一种水体快速提取方法的流程图；
图2为本发明的一种较优实施方式中，步骤S3的流程图；
图3为本发明的一种较优实施方式中，最佳分类线的示意图；
图4为本发明的一种较优实施方式中，最佳分类线提取水体的示意图
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。
本发明的主旨是解决现有技术中细小河道、小鱼塘、小坑塘难以提取的问题，通过本发明提供的提取方法，构建一种融合垂直水体指数，实现了细小水体的高效提取。
以下提供的具体技术手段均为实现本发明主旨的举例说明，可以理解的是，在不冲突的情况下，以下所举的实施方式，及实施方式中的技术特征均可相互组合。并且，不应当以用于说明本发明可行性的实施方式来限定本发明的保护范围。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
一种水体快速提取方法，应用于遥感影像，所述遥感影像的波段范围包括第一波段、第二波段和第三波段；
如图1所示，水体快速提取方法包括：
步骤S1，根据第二波段和第三波段，获取归一化水体指数并生成第一影像；
步骤S2，根据第一波段和第三波段，获取归一化蓝色水体指数并生成第二影像；
步骤S3，选取多个水体特征点和非水体特征点，并根据水体特征点和非水体特征点分别于第一影像上的像元灰度值和第二影像上的像元灰度值，构建最佳分类线；
步骤S4，根据最佳分类线获取融合垂直水体指数；
步骤S5，预设一阈值，并根据阈值和融合垂直水体指数提取水体。
具体地，此处的第一波段为波长范围在520mm与590mm之间的蓝波段，第二波段为波长范围在450mm与520mm之间的绿波段，第三波段为波长范围在770mm与890mm之间的近红波段。
本发明为避免暗色建筑、建筑阴影、裸土等信息干扰到细小河道、小池塘等的提取结果，因此通过根据绿波段和近红波段获取归一化水体指数(Normalized DifferenceWaterIndex，简称NDWI)，以及根据蓝波段和近红波段获取归一化蓝色水体指数(NormalizedBlue Water Index，简称NBWI)，并选取多个水体特征点和非水体特征点以构建最佳分类线，根据最佳分类线获取融合垂直水体指数(Integrated PerpendicularWaterIndex，简称IPWI)，从而提取出细小水体。
本发明优选实施方式中，步骤S1，采用下述公式表示归一化水体指数NDWI：
其中，
NDWI用于表示归一化水体指数；
用于表示波长范围在520mm与590mm之间对应的第二波段的像元灰度值；
用于表示波长范围在770mm与890mm之间对应的第三波段的像元灰度值。
具体地，步骤S1中可通过波长范围在520nm与590nm的绿波段的像元灰度值，以及波长范围在770nm与890nm的近红波段的像元灰度值获取归一化水体指数NDWI。
本发明优选实施方式中，步骤S2，采用下述公式表示归一化蓝色水体指数：
其中，
NBWI用于表示归一化蓝色水体指数；
用于表示波长范围在450mm与520mm之间对应的第一波段的像元灰度值。
用于表示波长范围在520mm与590mm之间对应的第三波段的像元灰度值。
具体地，由于利用归一化水体指数NDWI进行水体提取时，很难区分出水体和暗色建筑，而暗色建筑在蓝波段区间具有强的反射率，其他地物又在蓝波段区间的反射率较低，因此，于步骤S2中，通过波长范围在450nm与520nm的蓝波段的像元灰度值，以及波长范围在770nm与890nm的近红波段的像元灰度值获取归一化蓝色水体指数NBWI。
本发明优选实施方式中，如图2所示，步骤S3包括：
步骤S31，选取多个水体特征点和多个非水体特征点；
步骤S32，根据水体特征点于第一影像上的像元灰度值以及水体特征点于第二影像上的像元灰度值进行线性拟合，获取水体线斜距和水体线截距，构建水体线；
步骤S33，根据非水体特征点于第一影像上的像元灰度值以及非水体特征点于第二影像上的像元灰度值进行线性拟合，获取非水体线斜距和非水体线截距，构建非水体线；
步骤S34，根据水体线和非水体线获取最佳分类线斜距，并根据最佳分类线斜距、水体线和非水体线的交点获取最佳分类线截距，根据最佳分类线斜距和最佳分类线截距构建最佳分类线。
具体地，此处基于距离型指数，构建融合垂直水体指数，即判断像元与最佳分类线之间的距离判断像元是水体或是非水体。
因此，于步骤S31，选取多个水体特征点和非水体特征点，具体地，地物可通常划分为四大类：水体、植被、裸土和不透水层。而在遥感影像中，植被、裸土与水体的光谱特性差别明显，不透水层中的暗色建筑光谱特性和水体光谱特性最为相似，因此于此处，非水体特征点主要为不透水层的暗色建筑。
于步骤S32-步骤S33，采用最小二乘法对所有水体特征点的像元灰度值和所有非水体特征点的像元灰度值进行线性拟合。于步骤S32，所有水体特征点可表示为：A(x11,y11),A(x12,y12),…A(x1i,y1i)…A(x1n,y1n)
其中，x1i用于表示第i个水体特征点于第一影像上的像元灰度值，其中，i用于表示水体特征点在所有特征点中的排序序号，n用于表示水体特征点的总数；
y1i用于表示第i个水体特征点于第二影像上的像元灰度值。
由此，对水体特征点进行建模生成水体线，可采用下述公式表示：
y1＝a1x+b1 (3)
其中，水体线斜距可采用下述公式获取：
其中，水体线截距可采用下述公式获取：
由此，将所有水体特征点带入上述公式(4)和公式(5)，即可获取水体线斜距和水体线截距，以确定构建水体线。
于步骤S33，所有非水体特征点可表示为：
B(x21,y21),B(x22,y22),…B(x2j,y2j)…B(x2m,y2m)
其中，x2j表示第j个非水体特征点于第一影像上的像元灰度值，其中，j表示非水体特征点在所有非水体特征点中的排序序号，m用于表示非水体特征点的总数，用于表示第j个非水体特征点于第二影像上的像元灰度值。
由此，对非水体特征点进行建模生成非水体线，可采用下述公式表示：
y2＝a2x+b2 (6)
其中，非水体线斜距可采用下述公式获取：
其中，非水体线截距可采用下述公式获取：
由此，将所有水体特征点带入上述公式(7)和公式(8)，即可获取非水体线斜距和非水体线截距，以确定构建非水体线。
最后，于步骤S34，根据水体线y1＝a1x+b1和非水体线y2＝a2x+b2获取最佳分类线y3＝a3x+b3，具体地，首先根据水体线y1＝a1x+b1和非水体线y2＝a2x+b2获取最佳分类线斜距，具体可采用下述公式表示：
同时联立水体线和非水体线：
即可获取水体线和非水体线的交点(xe,ye)
将最佳分类线斜距a3和交点(xe,ye)带入最佳分类线ye＝a3xe+b3，可确定最佳分类线截距b3，随后根据斜距a3和截距b3可确定最佳分类线y3＝a3x+b3，如图3所示，具体地，图3中的α即水体线与NDWI之间的夹角，β即非水体线与NDWI之间的夹角，而γ即最佳分类线与NDWI之间的夹角，其中γ可为α与β的均值，即最佳分类线可以为水体线与非水体线之间的角平分线。
本发明优选实施方式中，可根据上述确定的最佳分类线y3＝a3x+b3构建融合垂直水体指数IPWI：
IPWI＝η×NBWI+δ×NDWI (10)
其中，NBWI用于表示所述归一化蓝色水体指数，NDWI用于表示所述归一化水体指数，η和δ分别为最优系数，可用于加大水体和暗色建筑像元之间的区别，以进一步增强水体识别效果。
相应的，η和δ可采用下述公式表示：
也就是说，获取的融合垂直水体指数IPWI可通过下述公式确定：
如图4所示，相应的，于步骤S5，预设一阈值θ，并根据阈值θ和融合垂直水体指数IPWI提取水体，具体地，当融合垂直水体指数IPWI大于阈值θ时，可视为水体像元，而当融合垂直水体指数IPWI不大于阈值θ时，可视为非水体像元。
由此可见，本发明提供一种水体快速提取方法，通过获取归一化蓝色水体指数能够增强建筑与水体之间的区别，通过获取融合垂直水体指数能够进一步增强水体与非水体之间的像元灰度值的区别，以快速识别并提取细小的水体，提高水体提取准确度，加快水体提取速度。
以上仅为本发明较佳的实施方式，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (7)

1.一种水体快速提取方法，其特征在于，应用于遥感影像，所述遥感影像的波段范围包括第一波段、第二波段和第三波段；
所述水体快速提取方法包括：
步骤S1，根据所述第二波段和所述第三波段，获取归一化水体指数并生成第一影像；
步骤S2，根据所述第一波段和所述第三波段，获取归一化蓝色水体指数并生成第二影像；
步骤S3，选取多个水体特征点和非水体特征点，并根据所述水体特征点和所述非水体特征点分别于所述第一影像上的像元灰度值和所述第二影像上的像元灰度值，构建最佳分类线；
步骤S4，根据所述最佳分类线获取融合垂直水体指数；
步骤S5，预设一阈值，并根据所述阈值和所述融合垂直水体指数提取水体；
所述步骤S3包括：
步骤S31，选取多个所述水体特征点和多个所述非水体特征点；
步骤S32，根据所述水体特征点于所述第一影像上的像元灰度值以及所述水体特征点于所述第二影像上的像元灰度值进行线性拟合，获取水体线斜距和水体线截距，构建水体线；
步骤S33，根据所述非水体特征点于所述第一影像上的像元灰度值以及所述非水体特征点于所述第二影像上的像元灰度值进行线性拟合，获取非水体线斜距和非水体线截距，构建非水体线；
步骤S34，根据所述水体线和所述非水体线获取最佳分类线斜距，并根据所述最佳分类线斜距、所述水体线和所述非水体线的交点获取最佳分类线截距，根据所述最佳分类线斜距和所述最佳分类线截距构建所述最佳分类线。
2.根据权利要求1所述的水体快速提取方法，其特征在于，所述步骤S1，采用下述公式表示所述归一化水体指数：
其中，
NDWI用于表示所述归一化水体指数；
用于表示波长范围在520mm与590mm之间对应的所述第二波段的像元灰度值；
用于表示波长范围在770mm与890mm之间对应的所述第三波段的像元灰度值。
3.根据权利要求1所述的水体快速提取方法，其特征在于，所述步骤S2，采用下述公式表示所述归一化蓝色水体指数：
其中，
NBWI用于表示所述归一化蓝色水体指数；
用于表示波长范围在450mm与520mm之间对应的所述第一波段的像元灰度值；
用于表示波长范围在520mm与590mm之间对应的所述第三波段的像元灰度值。
4.根据权利要求1所述的水体快速提取方法，其特征在于，所述水体线斜距和所述水体线截距采用下述公式表示：
其中，
a1用于表示所述水体线斜距；
b1用于表示所述水体线截距；
x1i用于表示第i个所述水体特征点于所述第一影像上的像元灰度值，其中，i用于表示所述水体特征点在所有所述水体特征点中的排序序号，n用于表示所述水体特征点的总数；
y1i用于表示第i个所述水体特征点于所述第二影像上的像元灰度值。
5.根据权利要求1所述的水体快速提取方法，其特征在于，所述非水体线斜距和所述非水体线截距采用下述公式表示：
其中，
a2用于表示所述非水体线斜距；
b2用于表示所述非水体线截距；
x2j用于表示第j个所述非水体特征点于所述第一影像上的像元灰度值，其中，j用于表示所述非水体特征点在所有所述非水体特征点中的排序序号，m用于表示所述非水体特征点的总数；
y2j用于表示第j个所述非水体特征点于所述第二影像上的像元灰度值。
6.根据权利要求1所述的水体快速提取方法，其特征在于，所述最佳分类线斜距采用下述公式表示：
其中，
a3用于表示所述最佳分类线斜距；
a1用于表示所述非水体线斜距；
a2用于表示所述水体线斜距。
7.根据权利要求1所述的水体快速提取方法，其特征在于，所述融合垂直水体指数采用下述公式表示：
其中，
IPWI用于表示所述融合垂直水体指数；
a3用于表示所述最佳分类线斜距；
NBWI用于表示所述归一化蓝色水体指数；
NDWI用于表示所述归一化水体指数。
CN202011272866.XA 2021-04-19 2021-04-19 一种水体快速提取方法 Active CN112800823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011272866.XA CN112800823B (zh) 2021-04-19 2021-04-19 一种水体快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011272866.XA CN112800823B (zh) 2021-04-19 2021-04-19 一种水体快速提取方法

Publications (2)

Publication Number Publication Date
CN112800823A CN112800823A (zh) 2021-05-14
CN112800823B true CN112800823B (zh) 2024-04-02

Family

ID=75806324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011272866.XA Active CN112800823B (zh) 2021-04-19 2021-04-19 一种水体快速提取方法

Country Status (1)

Country Link
CN (1) CN112800823B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11191150A (ja) * 1997-12-25 1999-07-13 Canon Inc 画像処理方法、画像処理装置、画像収集装置、及び画像処理システム
CN104881659A (zh) * 2015-06-12 2015-09-02 中国地质大学（武汉） 一种不透水层的提取方法及装置
CN106127133A (zh) * 2016-06-16 2016-11-16 西安科技大学 一种基于红光‑近红外光谱特征空间的水体提取方法
CN107944413A (zh) * 2017-12-04 2018-04-20 中国科学院南京地理与湖泊研究所 基于光谱指数排序法的水生植被遥感分类阈值计算方法
CN109376600A (zh) * 2018-09-20 2019-02-22 中国农业大学 多光谱遥感影像综合特征云检测方法及装置
CN110879969A (zh) * 2019-10-21 2020-03-13 北京中科锐景科技有限公司 一种基于遥感影像的林地变化检测方法
CN111611965A (zh) * 2020-05-29 2020-09-01 中国水利水电科学研究院 一种基于Sentinel-2影像的陆表水体提取方法
CN111738168A (zh) * 2020-06-24 2020-10-02 中水北方勘测设计研究有限责任公司 基于深度学习的卫星影像河流两侧采砂提取方法及系统
CN111931709A (zh) * 2020-09-17 2020-11-13 航天宏图信息技术股份有限公司 遥感影像的水体提取方法、装置、电子设备及存储介质
CN112270301A (zh) * 2020-11-17 2021-01-26 河海大学 一种基于波段特性的Landsat遥感影像水体提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2417074C (en) * 2003-01-24 2009-07-21 Pratt & Whitney Canada Corp. Method and system for trend detection and analysis

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11191150A (ja) * 1997-12-25 1999-07-13 Canon Inc 画像処理方法、画像処理装置、画像収集装置、及び画像処理システム
CN104881659A (zh) * 2015-06-12 2015-09-02 中国地质大学（武汉） 一种不透水层的提取方法及装置
CN106127133A (zh) * 2016-06-16 2016-11-16 西安科技大学 一种基于红光‑近红外光谱特征空间的水体提取方法
CN107944413A (zh) * 2017-12-04 2018-04-20 中国科学院南京地理与湖泊研究所 基于光谱指数排序法的水生植被遥感分类阈值计算方法
CN109376600A (zh) * 2018-09-20 2019-02-22 中国农业大学 多光谱遥感影像综合特征云检测方法及装置
CN110879969A (zh) * 2019-10-21 2020-03-13 北京中科锐景科技有限公司 一种基于遥感影像的林地变化检测方法
CN111611965A (zh) * 2020-05-29 2020-09-01 中国水利水电科学研究院 一种基于Sentinel-2影像的陆表水体提取方法
CN111738168A (zh) * 2020-06-24 2020-10-02 中水北方勘测设计研究有限责任公司 基于深度学习的卫星影像河流两侧采砂提取方法及系统
CN111931709A (zh) * 2020-09-17 2020-11-13 航天宏图信息技术股份有限公司 遥感影像的水体提取方法、装置、电子设备及存储介质
CN112270301A (zh) * 2020-11-17 2021-01-26 河海大学 一种基于波段特性的Landsat遥感影像水体提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于块遍历的直线边缘特征提取;张建伟;张启衡;;光学精密工程(第03期);正文全文 *
模糊聚类分析在人民生活水平分类中的应用;陈年红;山西财经大学学报;19891030(第05期);正文全文 *

Also Published As

Publication number Publication date
CN112800823A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
US7929756B2 (en) Method for classifying a digital image
US20050175253A1 (en) Method for producing cloud free and cloud-shadow free images
CN110544251A (zh) 基于多迁移学习模型融合的大坝裂缝检测方法
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
Awrangjeb et al. Improved building detection using texture information
CN108256491B (zh) 无预设靶标的复杂场景无人机自主降落候选区筛选方法
CN103077515A (zh) 一种多光谱图像建筑物变化检测方法
CN103164695A (zh) 一种基于多源图像信息融合的果实识别方法
CN102855627B (zh) 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法
CN114821343A (zh) 一种基于云平台的红树林遥感快速精准提取方法
CN110211138A (zh) 基于置信点的遥感图像分割方法
CN109598202A (zh) 一种基于对象的卫星图像多指标建成区自动提取方法
CN111611965B (zh) 一种基于Sentinel-2影像的陆表水体提取方法
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN114676773A (zh) 基于sar数据的北极海冰分类方法
CN105374010A (zh) 全景图像的生成方法
CN112800823B (zh) 一种水体快速提取方法
CN113177473A (zh) 遥感影像水体自动化提取方法和装置
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN116682024A (zh) 一种基于四波段遥感影像的快速云检测方法
CN114758139B (zh) 基坑积水检测方法
El Rai et al. Integrating deep learning with active contour models in remote sensing image segmentation
CN111178175A (zh) 基于高景卫星影像的自动化建筑物信息提取方法及系统
CN111695503B (zh) 基于双波段辐亮度的珊瑚礁底质分类方法
CN109285167A (zh) 一种基于深度学习的提取彩绘陶器图案方法

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