CN112926418B - 一种利用高精度地形信息消除云层干扰的水体优化提取方法 - Google Patents
一种利用高精度地形信息消除云层干扰的水体优化提取方法 Download PDFInfo
- Publication number
- CN112926418B CN112926418B CN202110172257.5A CN202110172257A CN112926418B CN 112926418 B CN112926418 B CN 112926418B CN 202110172257 A CN202110172257 A CN 202110172257A CN 112926418 B CN112926418 B CN 112926418B
- Authority
- CN
- China
- Prior art keywords
- water body
- grid
- area
- buffer area
- cloud
- 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
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用高精度地形信息消除云层干扰的水体优化提取方法,包括如下步骤:通过高分卫星光学遥感获取水体局部受云层干扰的影像图,提取影像图中未受云层影响的部分水体区域;获取对应的高精度DEM数据;对云层影响下得到的局部水体边界建立缓冲区范围,得到缓冲区内栅格精细化后的高分辨率栅格高程值;将缓冲区范围内高分辨率栅格分为水体、非水体两种类型,确定缓冲区内每个栅格的隶属度,并计算水体和非水体的先验概率;利用最大似然分类法迭代计算每个栅格对水体、非水体的最终隶属度;通过最高水位值,还原云层干扰下的水体范围。本发明提高遥感提取水体信息准确度,还原云层影响的水体面积,增强遥感数据的实用性。
Description
技术领域
本发明属于遥感影像应用领域,具体涉及一种利用高精度地形信息消除云层干扰的水体优化提取方法,所述遥感影像主要针对分辨率较低且连续水体局部受云层干扰的影像图。
背景技术
遥感是一门利用传感器测量远处目标物的电磁辐射,然后基于数学和统计算法从数据中提取有价值的信息的探测技术。目前遥感卫星获得的影像数据主要是光学遥感影像,由于其具有覆盖范围广、信息丰富等优点,被广泛应用于如环境监测、土地利用、水利等各个领域。随着遥感技术在水利方面的发展应用,通过遥感影像提取水体信息已经成为水资源调查及宏观监测、复核库容曲线等领域中的关键技术。然而遥感提取水体分辨率较低,常常造成水体信息的误提或漏提,使得所提水体信息的准确度误差较大。
传感器在获取信息的过程中容易受大气环境的影响,尤其当大气中存在云时。云是由大气中的小水滴和冰晶混合组成,存在于传感器和地面之间。在遥感成像模型中,向下的太阳辐射到云层时,部分辐射被云层散射和吸收。随着云层光学厚度的增加,云层对太阳辐射的散射和吸收作用不断增加。当云层达到一定厚度,向下或向上反射的太阳辐射很难穿透云层,传感器无法接收到地面目标的反射。
对于大气中云的干扰目前已有许多有效的方法被提出,但大都是针对特定条件下具有很好的去云效果,推广到多尺度的地表水体动态监测等应用需求,仍没有成熟的解决方法,遥感数据的云去除至今仍是个热门的研究方向。云的存在会严重干扰传感器对地面目标信息的有效获取,云又具有复杂多变的空间分布特征,这使得遥感数据的成像质量降低,对遥感数据的质量和实用性产生极大的影响。
发明内容
本发明的目的是提供一种利用高精度地形信息消除云层干扰的水体优化提取方法,所述遥感影像主要针对分辨率较低且连续水体局部受云层干扰的影像图,基于卫星遥感技术和高精度地形信息数据,通过水体信息迭代提取、地理配准、最大似然分类法、目视解译等图像运算提高遥感提取水体信息准确度,还原云层影响的水体面积,增强遥感数据的实用性。
为了实现上述目的,本发明具体采用以下技术方案:
一种利用高精度地形信息消除云层干扰的水体优化提取方法,所述遥感影像主要针对分辨率较低且连续水体局部受云层干扰的影像图,其特征在于,包括如下步骤:
步骤1、通过高分卫星光学遥感获取水体局部受云层干扰的影像图,提取影像图中未受云层影响的部分水体区域;
步骤2、根据提取区域的水体经纬度范围,获取对应的高精度DEM数据;
步骤3、对云层影响下得到的局部水体边界建立缓冲区范围,与对应高精度高程数据实现地理配准,得到缓冲区内栅格精细化后的高分辨率栅格高程值;
步骤4、将缓冲区范围内高分辨率栅格分为水体、非水体两种类型,确定缓冲区内每个栅格的隶属度,并计算水体和非水体的先验概率;
步骤5、利用最大似然分类法迭代计算每个栅格对水体、非水体的最终隶属度;
步骤6、通过迭代计算得到水体的最可能最高水位值,还原云层干扰下的水体范围。
所述步骤1中:
提取影像图中未受云层影响的局部水体前,对影像图进行如下预处理:
对原始遥感图像进行辐射校正处理,消除传感器本身的误差,确定传感器入口的准确辐射值;
对影像做大气校正处理,消除大气散射、吸收、反射引起的误差;
对影像做正射校正处理,消除地形的影响或相机方位引起的变形,生成平面正射影像。
提取影像图中未受云层影响的局部水体方法为:
步骤11,利用归一化差分水体指数法根据经验阈值初步提取水体面积;
根据当地经验初设阈值T0,计算水体指数INDWI,若INDWI<T0,得到的结果为非水体,若INDWI>T0,得到的结果为初步提取的水体信息S0,水体指数计算公式如下:
式中:INDWI为归一化差分水体指数,λ2为高分一号卫星的绿光波段,λ4为高分一号卫星的近红外波段;
步骤12,选取一定大小的结构元素对水体区域建立缓冲区,对缓冲区内包含的区域应用最大类间方差法确定水体分割阈值,从而实现水体信息提取,类间方差公式为:
P1×m1+P2×m2=mG
P1+P2=1
σ2=P1(m1-mG)2+P2(m2-mG)2
阈值k将图像像元分为两类,式中,m1、m2为两类各自的均值,mG为图像全局均值,P1、P2为被分为两类的概率,当类间方差σ2最大时,对应的阈值k为类间方差阈值。
步骤13,以前一次提取的水体区域作为后一次建立缓冲区的初始范围,重复步骤12进行多次迭代;
步骤14,根据迭代终点,确定研究区域内最终水体信息范围,迭代终点为:
|Sk-Sk-1|<0.001,k=1,2,3…
式中,k为迭代次数,Sk为第k次迭代得到的水体面积。
所述步骤3中:
对于未受云层影响区域,将步骤1确定的水体信息边界向内外两个方向建立一定缓冲区,缓冲区内需包含水体可能淹没范围,利用GIS软件获取缓冲区对应的面矢量文件,与对应高精度地形信息进行地理坐标配准,通过掩膜提取可得到缓冲区内对应的比遥感影像具有更高分辨率的栅格高程值。
所述步骤4包括:
步骤41,将缓冲区范围内的高分辨栅格分为水体与非水体两种类型,栅格的初始隶属度定义为由步骤1确定的水体类型;
步骤42,在初始隶属度分类标准下,计算水体、非水体两种类型的先验概率:
式中,P(wi)第i种栅格类型的先验概率,wi为第i种栅格类型,Ni为第i种类型的栅格个数,Nt为缓冲区内栅格总数;
步骤43,分别计算水体、非水体两种类型下栅格高程值的均值和方差。
所述步骤5包括:
步骤51,将步骤4中的结果作为初始分类场,用最大似然分类法对缓冲区内每个高分辨栅格进行再分类;
步骤52,将前一次的分类结果作为后一次的初始分类场进行迭代;
步骤53,根据迭代终点,确定缓冲区内栅格对两种类型的最终隶属度,最大似然分类法的迭代终点为:
|Pn(wi)-Pn-1(wi)|<0.001,i=1,2
式中,n为迭代次数,Pn(wi)为第n次迭代中第i种类型栅格所占缓冲区栅格的比例。
最大似然分类法的判别函数为:
式中,di(X)为栅格对第i种类型的隶属度,X为栅格对应样本高程值,Di为属于wi类栅格类型样本高程值X的方差,Ei为属于wi类栅格类型样本高程值X的均值;
判别规则为:
如果di(X)=maxj=1,2dj(X),则X∈wi
所述步骤6中:
通过迭代计算得到水体的最可能最高水位值:
H*=max(hl),l=1,2,3…m
式中,H*为水体水位还原值,hl为水体这一类型中第l个栅格对应的高程值,m为水体这一类型中的栅格总数;
对获取的所有高精度栅格高程值进行判断,若满足:
h≤H*
则将该栅格定义为A类栅格,否则定义为B类栅格。
对于A类栅格,把每个栅格周围“上、下、左、右、左上、右上、左下、右下”8个方向类别相同的栅格水体连合,通过目视解译的方式排除细小水体,选择连合后范围较大且符合实际的区域作为水体区,从而得到云层影响下最终的水体范围。
本发明的有益成果:本发明提供一种利用高精度地形信息消除云层干扰的水体优化提取方法,首先获取高分卫星影像数据和高精度DEM数据,对数据进行预处理后,先后通过归一化差分水体指数法、最大类间方差法、地理配准、最大似然分类法、目视解译法等多种图像运算提高遥感提取水体信息准确度,还原局部受云层影响的水体面积,充分发挥遥感数据的优势。
本发明一种利用高精度地形信息消除云层干扰的水体优化提取方法,精确提高了水体边界水位栅格的分辨率,提高遥感提取水体信息准确度,有效地排除了云对水体提取的影响,可以快速准确地实现水体的水量变化监测分析,从而获取水资源情况,对于掌握各个区域的农业生产、洪涝/干旱灾害和水电力供应等战略信息具有重要意义。
附图说明
图1是本发明利用高精度地形信息消除云层干扰的水体优化提取方法流程示意图;
图2是具体实施例中东方红水库集水区域原始遥感影像经过预处理后的影像图;
图3是具体实施例中流域东方红水库局部受云层影响的水体面积图;
图4是具体实施例中流域东方红水库的水体面积优化还原图;
具体实施方式
下面结合附图和具体实例对本发明作进一步描述。
应当理解的是,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种利用高精度地形信息消除云层干扰的水体优化提取方法,以东方红水库为例,选取GF-1_2016-08-22景高分遥感影像(云量为26%)进行水体提取,具体方法包括以下步骤:
步骤1、通过高分卫星光学遥感获取水体局部受云层干扰的影像图,提取影像图中未受云层影响的部分水体区域;
提取影像图中未受云层影响的局部水体前,对影像图进行如下预处理:
对原始遥感图像进行辐射校正处理,消除传感器本身的误差,确定传感器入口的准确辐射值;
对影像做大气校正处理,消除大气散射、吸收、反射引起的误差;
对影像做正射校正处理,消除地形的影响或相机方位引起的变形,生成平面正射影像,预处理结果如图2所示。
提取影像图中未受云层影响的局部水体方法为:
步骤11,利用归一化差分水体指数法根据经验阈值初步提取水体面积;
根据当地经验初设阈值T0,计算水体指数INDWI,若INDWI<T0,得到的结果为非水体,若INDWI>T0,得到的结果为初步提取的水体信息S0,水体指数计算公式如下:
式中:INDWI为归一化差分水体指数,λ2为高分一号卫星的绿光波段,λ4为高分一号卫星的近红外波段;
步骤12,选取一定大小的结构元素对水体区域建立缓冲区,对缓冲区内包含的区域应用最大类间方差法确定水体分割阈值,从而实现水体信息提取,类间方差公式为:
P1×m1+P2×m2=mG
P1+P2=1
σ2=P1(m1-mG)2+P2(m2-mG)2
阈值k将图像像元分为两类,式中,m1、m2为两类各自的均值,mG为图像全局均值,P1、P2为被分为两类的概率,当类间方差σ2最大时,对应的阈值k为类间方差阈值。
步骤13,以前一次提取的水体区域作为后一次建立缓冲区的初始范围,重复步骤12进行多次迭代;
步骤14,根据迭代终点,确定研究区域内最终水体信息范围,最终提取结果如图3所示,迭代终点为:
|Sk-Sk-1|<0.001,k=1,2,3…
式中,k为迭代次数,Sk为第k次迭代得到的水体面积。
步骤2、根据提取区域的水体经纬度范围,获取对应的高精度DEM数据;
步骤3、对云层影响下得到的局部水体边界建立缓冲区范围,与对应高精度高程数据实现地理配准,得到缓冲区内栅格精细化后的高分辨率栅格高程值;
对于未受云层影响区域,将步骤1确定的水体信息边界向内外两个方向建立一定缓冲区,缓冲区内需包含水体可能淹没范围,利用GIS软件获取缓冲区对应的面矢量文件,与对应高精度地形信息进行地理坐标配准,通过掩膜提取可得到缓冲区内对应的比遥感影像具有更高分辨率的栅格高程值。
步骤4、将缓冲区范围内高分辨率栅格分为水体、非水体两种类型,确定缓冲区内每个栅格的隶属度,并计算水体和非水体的先验概率;
包括:
步骤41,将缓冲区范围内的高分辨栅格分为水体与非水体两种类型,栅格的初始隶属度定义为由步骤1确定的水体类型;
步骤42,在初始隶属度分类标准下,计算水体、非水体两种类型的先验概率:
式中,P(wi)第i种栅格类型的先验概率,wi为第i种栅格类型,Ni为第i种类型的栅格个数,Nt为缓冲区内栅格总数;
步骤43,分别计算水体、非水体两种类型下栅格高程值的均值和方差。
步骤5、利用最大似然分类法迭代计算每个栅格对水体、非水体的最终隶属度;
包括:
步骤51,将步骤4中的结果作为初始分类场,用最大似然分类法对缓冲区内每个高分辨栅格进行再分类;
步骤52,将前一次的分类结果作为后一次的初始分类场进行迭代;
步骤53,根据迭代终点,确定缓冲区内栅格对两种类型的最终隶属度,最大似然分类法的迭代终点为:
|Pn(wi)-Pn-1(wi)|<0.001,i=1,2
式中,n为迭代次数,Pn(wi)为第n次迭代中第i种类型栅格所占缓冲区栅格的比例。
最大似然分类法的判别函数为:
式中,di(X)为栅格对第i种类型的隶属度,X为栅格对应样本高程值,Di为属于wi类栅格类型样本高程值X的方差,Ei为属于wi类栅格类型样本高程值X的均值;
判别规则为:
如果di(X)=maxj=1,2dj(X),则X∈wi
步骤6、通过迭代计算得到水体的最可能最高水位值,还原云层干扰下的水体范围;
通过迭代计算得到水体的最可能最高水位值:
H*=max(hl),l=1,2,3…m
式中,H*为水体水位还原值,hl为水体这一类型中第l个栅格对应的高程值,m为水体这一类型中的栅格总数;
对获取的所有高精度栅格高程值进行判断,若满足:
h≤H*
则将该栅格定义为A类栅格,否则定义为B类栅格。
对于A类栅格,把每个栅格周围“上、下、左、右、左上、右上、左下、右下”8个方向类别相同的栅格水体连合,通过目视解译的方式排除细小水体,选择连合后范围较大且符合实际的区域作为水体区,从而得到云层影响下最终的水体范围,如图4所示。
Claims (8)
1.一种利用高精度地形信息消除云层干扰的水体优化提取方法,其特征在于,包括如下步骤:
步骤1、通过高分卫星光学遥感获取水体局部受云层干扰的影像图,提取影像图中未受云层影响的部分水体区域;
步骤2、根据提取区域的水体经纬度范围,获取对应的高精度DEM数据;
步骤3、对云层影响下得到的局部水体边界建立缓冲区范围,与对应高精度高程数据实现地理配准,得到缓冲区内栅格精细化后的高分辨率栅格高程值;
步骤4、将缓冲区范围内高分辨率栅格分为水体、非水体两种类型,确定缓冲区内每个栅格的隶属度,并计算水体和非水体的先验概率;
步骤5、利用最大似然分类法迭代计算每个栅格对水体、非水体的最终隶属度;
步骤6、通过迭代计算得到水体的最可能最高水位值,还原云层干扰下的水体范围;
所述步骤1中,提取影像图中未受云层影响的局部水体方法为:
步骤11,利用归一化差分水体指数法根据经验阈值初步提取水体面积;
初设阈值T0,计算水体指数INDWI,若INDWI<T0,得到的结果为非水体,若INDWI>T0,得到的结果为初步提取的水体信息S0,水体指数计算公式如下:
式中:INDWI为归一化差分水体指数,λ2为高分一号卫星的绿光波段,λ4为高分一号卫星的近红外波段;
步骤12,选取设定大小的结构元素对水体区域建立缓冲区,对缓冲区内包含的区域应用最大类间方差法确定水体分割阈值,从而实现水体信息提取,类间方差公式为:
P1×m1+P2×m2=mG
P1+P2=1
σ2=P1(m1-mG)2+P2(m2-mG)2
阈值k将图像像元分为两类,式中,m1、m2为两类各自的均值,mG为图像全局均值,P1、P2为被分为两类的概率,当类间方差σ2最大时,对应的阈值k为类间方差阈值;
步骤13,以前一次提取的水体区域作为后一次建立缓冲区的初始范围,重复步骤12进行多次迭代;
步骤14,根据迭代终点,确定研究区域内最终水体信息范围,迭代终点为:
|Sk-Sk-1|<0.001,k=1,2,3…
式中,k为迭代次数,Sk为第k次迭代得到的水体面积。
2.根据权利要求1所述的利用高精度地形信息消除云层干扰的水体优化提取方法,其特征在于,所述步骤1中,提取影像图中未受云层影响的局部水体前,对影像图进行如下预处理:
对原始遥感图像进行辐射校正处理,消除传感器本身的误差,确定传感器入口的准确辐射值;
对影像做大气校正处理,消除大气散射、吸收、反射引起的误差;
对影像做正射校正处理,消除地形的影响或相机方位引起的变形,生成平面正射影像。
3.根据权利要求1所述的利用高精度地形信息消除云层干扰的水体优化提取方法,其特征在于,所述步骤3中,对于未受云层影响区域,将步骤1确定的水体信息边界向内外两个方向建立一设定缓冲区,该设定缓冲区内需包含水体可能淹没范围,利用GIS软件获取缓冲区对应的面矢量文件,与对应高精度地形信息进行地理坐标配准,通过掩膜提取可得到缓冲区内对应的比遥感影像具有更高分辨率的栅格高程值。
5.根据权利要求4所述的利用高精度地形信息消除云层干扰的水体优化提取方法,其特征在于,所述步骤5包括:
步骤51,将步骤4中的结果作为初始分类场,用最大似然分类法对缓冲区内每个高分辨栅格进行再分类;
步骤52,将前一次的分类结果作为后一次的初始分类场进行迭代;
步骤53,根据迭代终点,确定缓冲区内栅格对两种类型的最终隶属度,最大似然分类法的迭代终点为:
|Pn(wi)-Pn-1(wi)|<0.001,i=1,2
式中,n为迭代次数,Pn(wi)为第n次迭代中第i种类型栅格所占缓冲区栅格的比例。
7.根据权利要求6所述的利用高精度地形信息消除云层干扰的水体优化提取方法,其特征在于,所述步骤6中,通过迭代计算得到水体的最可能最高水位值:
H*=max(hl),l=1,2,3…m
式中,H*为水体水位还原值,hl为水体这一类型中第l个栅格对应的高程值,m为水体这一类型中的栅格总数;
对获取的所有高精度栅格高程值进行判断,若满足:
h≤H*
则将该栅格定义为A类栅格,否则定义为B类栅格。
8.根据权利要求7所述的利用高精度地形信息消除云层干扰的水体优化提取方法,其特征在于,对于A类栅格,把每个栅格周围“上、下、左、右、左上、右上、左下、右下”8个方向类别相同的栅格水体连合,通过目视解译的方式排除细小水体,选择连合后范围比排除的细小水体大且符合实际的区域作为水体区,从而得到云层影响下最终的水体范围。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172257.5A CN112926418B (zh) | 2021-02-08 | 2021-02-08 | 一种利用高精度地形信息消除云层干扰的水体优化提取方法 |
ZA2022/00255A ZA202200255B (en) | 2021-02-08 | 2022-01-05 | Optimized water body extraction method using high-precision topographic information to eliminate cloud interference |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172257.5A CN112926418B (zh) | 2021-02-08 | 2021-02-08 | 一种利用高精度地形信息消除云层干扰的水体优化提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926418A CN112926418A (zh) | 2021-06-08 |
CN112926418B true CN112926418B (zh) | 2022-07-01 |
Family
ID=76171200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172257.5A Active CN112926418B (zh) | 2021-02-08 | 2021-02-08 | 一种利用高精度地形信息消除云层干扰的水体优化提取方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112926418B (zh) |
ZA (1) | ZA202200255B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102018789B1 (ko) * | 2017-12-27 | 2019-11-04 | 서울시립대학교 산학협력단 | 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 |
CN109448016A (zh) * | 2018-11-02 | 2019-03-08 | 三亚中科遥感研究所 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
CN111274545B (zh) * | 2020-02-25 | 2020-10-16 | 河海大学 | 一种栅格尺度基于地形地貌的多模式产流计算方法 |
-
2021
- 2021-02-08 CN CN202110172257.5A patent/CN112926418B/zh active Active
-
2022
- 2022-01-05 ZA ZA2022/00255A patent/ZA202200255B/en unknown
Also Published As
Publication number | Publication date |
---|---|
ZA202200255B (en) | 2022-03-30 |
CN112926418A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
CN107730527B (zh) | 一种基于遥感卫星影像的高原地区冰湖提取方法 | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
CN109558859B (zh) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN110532953B (zh) | 基于纹理特征辅助的sar影像冰川识别方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN109344812A (zh) | 一种改进的基于聚类的单光子点云数据去噪方法 | |
CN115984850A (zh) | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 | |
CN111695473A (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
CN111354083B (zh) | 一种基于原始激光点云的递进式建筑物提取方法 | |
CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
Fan et al. | UAV image crop classification based on deep learning with spatial and spectral features | |
CN114112906B (zh) | 一种基于无人机低空遥感和局部地形的水体特征提取系统 | |
CN112926418B (zh) | 一种利用高精度地形信息消除云层干扰的水体优化提取方法 |
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 |