CN112800993A - 一种基于离散小波变换的区域尺度工业厂房信息增强方法 - Google Patents
一种基于离散小波变换的区域尺度工业厂房信息增强方法 Download PDFInfo
- Publication number
- CN112800993A CN112800993A CN202110151340.4A CN202110151340A CN112800993A CN 112800993 A CN112800993 A CN 112800993A CN 202110151340 A CN202110151340 A CN 202110151340A CN 112800993 A CN112800993 A CN 112800993A
- Authority
- CN
- China
- Prior art keywords
- factory building
- image data
- information
- industrial factory
- wavelet transform
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002708 enhancing effect Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 12
- 229910052742 iron Inorganic materials 0.000 claims description 10
- 239000003973 paint Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002984 plastic foam Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06V20/176—Urban or other man-made structures
-
- 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
-
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于离散小波变换的区域尺度工业厂房信息增强方法,包括以下步骤:获取待检测区域的多光谱卫星影像数据,并对卫星影像数据进行预处理,生成适用于提取信息的标准遥感数据;利用离散小波变换算法对标准遥感数据进行小波变换,提取影像数据中表征工业厂房的高频信息,并将提取的高频信息逐尺度合并;以原多光谱卫星影像数据为参照,利用目视解译方法筛选包含高频信息的敏感波段,并进行区域尺度工业厂房信息标识。本发明提供的基于离散小波变换的区域尺度工业厂房信息增强方法,以离散小波变换为数据处理手段,实现了工业厂房信息的快速、准确诊断,提升了工业厂房的信息化管理水平。
Description
技术领域
本发明涉及工业厂房信息识别技术领域,特别是涉及一种基于离散小波变换的区域尺度工业厂房信息增强方法。
背景技术
近年来,我国经济社会发展取得显著成就,但随着经济社会的持续发展,人类对自然环境的破坏日益严重,尤其是工业发展对环境的污染。随着环境污染问题不断突显,全国各级政府对环保保护工作日益重视,加强了工业厂房的监测与管理。
目前,工业厂房数据的获取多采用实地调查和统计上报等方法,由于其工作流程复杂、人工干预过多等问题,导致数据获取的准确性和时效性较低。相比于传统统计方法,遥感具有宏观、动态、快速等特点,可以实现大面积动态同步观测,已经被用于农业、林业、城市的信息提取。然而,国内学者针对工业厂房信息提取的研究则相对较少,无法实时、快速、有效的获取厂房空间分布信息。因此,如何实现长时间、大范围、高精度的工业厂房信息的提取,就成了一个亟待解决的重要问题。
发明内容
本发明的目的是提供一种基于离散小波变换的区域尺度工业厂房信息增强方法,以离散小波变换为数据处理手段,实现了工业厂房信息的快速、准确诊断,提升了工业厂房的信息化管理水平。
为实现上述目的,本发明提供了如下方案:
一种基于离散小波变换的区域尺度工业厂房信息增强方法,该方法包括以下步骤:
S1,获取待检测区域的多光谱卫星影像数据,并对卫星影像数据进行预处理,生成适用于提取信息的标准遥感数据;
S2,利用离散小波变换算法对经过步骤S1处理的标准遥感数据进行小波变换,提取影像数据中表征工业厂房的高频信息,并将提取的高频信息逐尺度合并;
S3,以原多光谱卫星影像数据为参照,利用目视解译方法筛选包含高频信息的敏感波段,并进行区域尺度工业厂房信息标识。
进一步的,所述步骤S1中,所述获取待检测区域的多光谱卫星影像数据,具体包括:
所述多光谱卫星影像数据包含4个波段:蓝、绿、红、近红外,且影像的空间分辨率为亚米级。
进一步的,所述步骤S1中,所述对卫星影像数据进行预处理,具体包括:
利用遥感专业处理软件进行卫星影像数据的辐射纠正,将卫星影像数据转换为反射率;
利用标准影像数据进行几何纠正,并进行卫星影像数据的拼接。
进一步的,所述步骤S2中,利用离散小波变换算法对经过步骤S1处理的标准遥感数据进行小波变换,提取影像数据中表征工业厂房的高频信息,并将提取的高频信息逐尺度合并,具体包括:
将标准遥感数据视为多条光谱的组合,每个像元视为一条光谱,然后利用离散小波变换算法逐像元进行数据分解,得到不同位置和不同尺度上分解得到的高频信息,所述高频信息为代表工业厂房的铁、油漆的光谱信息,再将分解高频信息按尺度逐像元合并,重构影像数据。
进一步的,所述步骤S2中,采用的小波基如下:
式中,λ为光谱曲线的波段数,a和b均为正实数,其中a表示伸缩因子,用来定义小波的宽度,b为平移因子,用于确定小波的位置;当a>1时,ψ(λ/a)的波长范围大于ψ(λ)的波长范围,随着a值的逐渐增大,ψ(λ/a)的波长范围比ψ(λ)的波长范围增大的幅度变大,此时小波变换对波长反映的相对较为粗略,而对频率反映的相对精细,这与低频情况恰好相互对应;当a<1时,ψ(λ/a)的波长范围小于ψ(λ)的波长范围,随着a值的逐渐减小,ψ(λ/a)的波长范围比ψ(λ)的波长范围减小的幅度变小,此时小波变换对频率反映的相对较为粗略,而对波长则反映的相对较为精细。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于离散小波变换的区域尺度工业厂房信息增强方法,考虑到卫星影像中的工业厂房信息是铁、油漆、塑料泡沫的混合,其中铁、油漆是大多工业厂房信息内固有信息,且铁、油漆在工业厂房信息中占据主控地位,因此,本发明是在深入分析工业厂房构成及其与光谱的内在关联的基础上提出的;本发明从影像像元值得光谱属性为切入点,以卫星遥感技术为主要观测手段,以离散小波变换主要数据处理手段,提出一种基于离散小波变换技术区域尺度工业厂房信息增强方法,为工业厂房空间位置信息的自动识别、检测提供必要技术支撑;该方法具有高精度、简便、易操作等优势,且本方法本方法的检测精度更高,鲁棒性和普适性更好,能有效弥补该领域的不足。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于离散小波变换的区域尺度工业厂房信息增强方法的流程图;
图2是本发明实施例区域尺度工业厂房信息增强效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于离散小波变换的区域尺度工业厂房信息增强方法,以离散小波变换为数据处理手段,实现了工业厂房信息的快速、准确诊断,提升了工业厂房的信息化管理水平。
为使本发明的上述目的、特征和优点能够更加明显易懂,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。
如图1所示,本发明提供的基于离散小波变换的区域尺度工业厂房信息增强方法,包括以下步骤:
S1,获取待检测区域的多光谱卫星影像数据,并对卫星影像数据进行预处理,生成适用于提取信息的标准遥感数据;
S2,利用离散小波变换算法对经过步骤S1处理的标准遥感数据进行小波变换,提取影像数据中表征工业厂房的高频信息,并将提取的高频信息逐尺度合并;
S3,以原多光谱卫星影像数据为参照,利用目视解译方法筛选包含高频信息的敏感波段,并进行区域尺度工业厂房信息标识。区域尺度工业厂房信息增强效果如图2所示。
本发明的工作原理:
工业厂房光谱信息是铁质、油漆等地物特性的综合体现,其中铁、油漆是工业厂房信息内固有信息,且铁、油漆在工业厂房信息中占据主控地位,因此,铁、油漆的光谱信息是大多工业厂房地共有信息。离散小波变换算法对光谱信息具有稳定的分解规律,该技术能有效地将光谱信息进行分离,从而有助于突显工业厂房信息。
其中,所述步骤S1中,所述获取待检测区域的多光谱卫星影像数据,具体包括:
所述多光谱卫星影像数据包含4个波段:蓝、绿、红、近红外,且影像的空间分辨率为亚米级。
所述步骤S1中,所述对卫星影像数据进行预处理,包括辐射纠正、几何纠正、拼接、裁剪等处理,具体包括:
利用遥感专业处理软件进行卫星影像数据的辐射纠正,将卫星影像数据转换为反射率;
利用标准影像数据进行几何纠正,并进行卫星影像数据的拼接。
所述步骤S2中,利用离散小波变换算法对经过步骤S1处理的标准遥感数据进行小波变换,提取影像数据中表征工业厂房的高频信息,并将提取的高频信息逐尺度合并,具体包括:
将标准遥感数据视为多条光谱的组合,每个像元视为一条光谱,然后利用离散小波变换算法逐像元进行数据分解,得到不同位置和不同尺度上分解得到的高频信息,所述高频信息为代表工业厂房的铁、油漆的光谱信息,再将分解高频信息按尺度逐像元合并,重构影像数据。
小波变换可以通过伸缩和平移等运算对函数或信号在多个尺度上进行分解,较好解决傅里叶变换不能同时分析时间域和频率域的缺陷,应用于遥感图像处理、森林种类识别、植物胁迫识别、地理学、病虫害信息提取等众多领域,本发明主要应用离散小波技术在图像处理领域。本发明将图像视为多条光谱信息的组合,因而小波变换可以将图像逐像元进行数据分解,并分离出工业厂房光谱特征信息。离散小波变换通过对图像像元在多个尺度上进行分解,能够得到不同位置和不同尺度上分解得到的高频信息与低频信息,从而凸显部分地物的光谱信息。其中离散小波变换方法通过使用一个母小波函数ψ(λ)将光谱反射率f(λ)(λ=1,2,......,n,)分解为不同尺度的低频信息与高频信息,所述步骤S2中,采用的小波基如下:
式中,λ为光谱曲线的波段数,a和b均为正实数,其中a表示伸缩因子,用来定义小波的宽度,b为平移因子,用于确定小波的位置;当a>1时,ψ(λ/a)的波长范围大于ψ(λ)的波长范围,随着a值的逐渐增大,ψ(λ/a)的波长范围比ψ(λ)的波长范围增大的幅度变大,此时小波变换对波长反映的相对较为粗略,而对频率反映的相对精细,这与低频情况恰好相互对应;当a<1时,ψ(λ/a)的波长范围小于ψ(λ)的波长范围,随着a值的逐渐减小,ψ(λ/a)的波长范围比ψ(λ)的波长范围减小的幅度变小,此时小波变换对频率反映的相对较为粗略,而对波长则反映的相对较为精细。
离散小波变换可将地物光谱信息按频率的高低逐步从原光谱信息中分离出高频信息,该变换有助于提取用于标识地物信息的细微特征,进而有助于地物信息的识别。而连续小波换仅将地物光谱分解为一系列与原信号相近的信息,适用于扩大地物信息的整体(或某一光谱区间)差异,而但分离的信息无助于凸显地物的细微特征。因此,考虑到工业厂房的光谱特征与其他建筑的光谱特征具有较高的相似度,为凸显工业厂房的光谱信息,本发明采用离散小波变换作为本发明的主要技术方法。
离散小波变换方法的这些优势正是本方法用于工业厂房信息增强依据和原因所在。
区域尺度工业厂房信息快速诊断是区域工业信息的重要基础数据,本发明提供的基于离散小波变换的区域尺度工业厂房信息增强方法是在深入分析工业厂房构成及其与光谱的内在关联的基础上提出的,该方法具有高精度、简便、易操作等优势,可为工业厂房快速、识别提供基础技术支撑;工业厂房信息开展工业生产信息普查的重要基础数据,本发明可有助于进行精准监控,从而为精准开展城市规划提供基础技术支撑;现有技术在工业厂房信息增强、识别方面相对匮乏,本发明能有效弥补该领域的不足,且本发明的检测精度更高,鲁棒性和普适性更好。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于离散小波变换的区域尺度工业厂房信息增强方法,其特征在于,包括以下步骤:
S1,获取待检测区域的多光谱卫星影像数据,并对卫星影像数据进行预处理,生成适用于提取信息的标准遥感数据;
S2,利用离散小波变换算法对经过步骤S1处理的标准遥感数据进行小波变换,提取影像数据中表征工业厂房的高频信息,并将提取的高频信息逐尺度合并;
S3,以原多光谱卫星影像数据为参照,利用目视解译方法筛选包含高频信息的敏感波段,并进行区域尺度工业厂房信息标识。
2.根据权利要求1所述的基于离散小波变换的区域尺度工业厂房信息增强方法,其特征在于,所述步骤S1中,所述获取待检测区域的多光谱卫星影像数据,具体包括:
所述多光谱卫星影像数据包含4个波段:蓝、绿、红、近红外,且影像的空间分辨率为亚米级。
3.根据权利要求1所述的基于离散小波变换的区域尺度工业厂房信息增强方法,其特征在于,所述步骤S1中,所述对卫星影像数据进行预处理,具体包括:
利用遥感专业处理软件进行卫星影像数据的辐射纠正,将卫星影像数据转换为反射率;
利用标准影像数据进行几何纠正,并进行卫星影像数据的拼接。
4.根据权利要求1所述的基于离散小波变换的区域尺度工业厂房信息增强方法,其特征在于,所述步骤S2中,利用离散小波变换算法对经过步骤S1处理的标准遥感数据进行小波变换,提取影像数据中表征工业厂房的高频信息,并将提取的高频信息逐尺度合并,具体包括:
将标准遥感数据视为多条光谱的组合,每个像元视为一条光谱,然后利用离散小波变换算法逐像元进行数据分解,得到不同位置和不同尺度上分解得到的高频信息,所述高频信息为代表工业厂房的铁、油漆的光谱信息,再将分解高频信息按尺度逐像元合并,重构影像数据。
5.根据权利要求4所述的基于离散小波变换的区域尺度工业厂房信息增强方法,其特征在于,所述步骤S2中,采用的小波基如下:
式中,λ为光谱曲线的波段数,a和b均为正实数,其中a表示伸缩因子,用来定义小波的宽度,b为平移因子,用于确定小波的位置;当a>1时,ψ(λ/a)的波长范围大于ψ(λ)的波长范围,随着a值的逐渐增大,ψ(λ/a)的波长范围比ψ(λ)的波长范围增大的幅度变大,此时小波变换对波长反映的相对较为粗略,而对频率反映的相对精细,这与低频情况恰好相互对应;当a<1时,ψ(λ/a)的波长范围小于ψ(λ)的波长范围,随着a值的逐渐减小,ψ(λ/a)的波长范围比ψ(λ)的波长范围减小的幅度变小,此时小波变换对频率反映的相对较为粗略,而对波长则反映的相对较为精细。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110151340.4A CN112800993A (zh) | 2021-02-03 | 2021-02-03 | 一种基于离散小波变换的区域尺度工业厂房信息增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110151340.4A CN112800993A (zh) | 2021-02-03 | 2021-02-03 | 一种基于离散小波变换的区域尺度工业厂房信息增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800993A true CN112800993A (zh) | 2021-05-14 |
Family
ID=75814025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110151340.4A Pending CN112800993A (zh) | 2021-02-03 | 2021-02-03 | 一种基于离散小波变换的区域尺度工业厂房信息增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592743A (zh) * | 2021-08-11 | 2021-11-02 | 北华航天工业学院 | 基于复数小波变换的光谱高频信息与低频信息分离与耦合方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050254709A1 (en) * | 1999-04-09 | 2005-11-17 | Frank Geshwind | System and method for hyper-spectral analysis |
CN106508048B (zh) * | 2011-12-05 | 2014-08-27 | 中国科学院自动化研究所 | 一种基于多尺度基本形式的相似尺度图像融合方法 |
CN106056525A (zh) * | 2016-05-25 | 2016-10-26 | 金陵科技学院 | 融合波段感知特征的多光谱遥感影像认证方法及系统 |
CN109284706A (zh) * | 2018-09-12 | 2019-01-29 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
-
2021
- 2021-02-03 CN CN202110151340.4A patent/CN112800993A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050254709A1 (en) * | 1999-04-09 | 2005-11-17 | Frank Geshwind | System and method for hyper-spectral analysis |
CN106508048B (zh) * | 2011-12-05 | 2014-08-27 | 中国科学院自动化研究所 | 一种基于多尺度基本形式的相似尺度图像融合方法 |
CN106056525A (zh) * | 2016-05-25 | 2016-10-26 | 金陵科技学院 | 融合波段感知特征的多光谱遥感影像认证方法及系统 |
CN109284706A (zh) * | 2018-09-12 | 2019-01-29 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
Non-Patent Citations (2)
Title |
---|
PANDIT, VAIBHAV等: "Image Fusion in Remote Sensing Applications: A Review", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》, vol. 120, pages 130 - 132 * |
柳炳利等: "基于小波变换的岩心高光谱特征提取及波谱匹配方法", 《成都理工大学学报(自然科学版)》, vol. 43, no. 5, pages 630 - 634 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592743A (zh) * | 2021-08-11 | 2021-11-02 | 北华航天工业学院 | 基于复数小波变换的光谱高频信息与低频信息分离与耦合方法 |
CN113592743B (zh) * | 2021-08-11 | 2024-01-23 | 北华航天工业学院 | 基于复数小波变换的光谱高频信息与低频信息分离与耦合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahtahmassebi et al. | Remote sensing of urban green spaces: A review | |
Lehnert et al. | Hyperspectral data analysis in R: The hsdar package | |
Zheng et al. | Combining remote sensing imagery and forest age inventory for biomass mapping | |
Gu et al. | Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
Bao et al. | Comparison of relative radiometric normalization methods using pseudo-invariant features for change detection studies in rural and urban landscapes | |
CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
Wang et al. | Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform | |
Zhou et al. | Quantification of aboveground forest biomass using Quickbird imagery, topographic variables, and field data | |
Zhang et al. | Application of hyper spectral remote sensing for urban forestry monitoring in natural disaster zones | |
CN110986889A (zh) | 一种基于遥感图像技术的高压变电站全景态监测方法 | |
Camacho et al. | An analysis of spectral variability in hyperspectral imagery: a case study of stressed oil palm detection in Colombia | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
CN112800993A (zh) | 一种基于离散小波变换的区域尺度工业厂房信息增强方法 | |
Zhang et al. | Hyperspectral image processing and analysis system (HIPAS) and its applications | |
CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
CN108648200A (zh) | 一种间接的城市高分辨率不透水面提取方法 | |
Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
Jiang et al. | Influence of different soil reflectance schemes on the retrieval of vegetation LAI and FVC from PROSAIL in agriculture region | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
Alcaras et al. | Comparison of different pan-sharpening methods applied to IKONOS imagery | |
CN112784803A (zh) | 一种基于连续小波变换的区域尺度农业大棚信息增强方法 |
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 |