CN113191989B - 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 - Google Patents
一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 Download PDFInfo
- Publication number
- CN113191989B CN113191989B CN202110571034.6A CN202110571034A CN113191989B CN 113191989 B CN113191989 B CN 113191989B CN 202110571034 A CN202110571034 A CN 202110571034A CN 113191989 B CN113191989 B CN 113191989B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- frequency information
- remote sensing
- low
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000000877 morphologic effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000007797 corrosion Effects 0.000 claims description 13
- 238000005260 corrosion Methods 0.000 claims description 13
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000004576 sand Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,包括步骤:对遥感影像数据进行预处理;低频信息提取;对低频信息进行形态学处理。本发明的有益效果是:引入高通滤波处理,使淤泥质海岸海域侧和陆域测频率信息的差异显著增大,有利于水边线位置的精确度;针对遥感影像高通滤波后的像素值进行直方图统计,通过构建自适应低频信息阈值区间算法,获得了能够随影像自适应变化调整的更加稳健的阈值范围,解决了传统阈值法提取水边线中阈值范围过度依赖影像本身,阈值可迁移性差的问题;与传统边缘检测法提取水边线相比,本发明利用低频信息的边界替代图像的边缘,有效地解决了传统边缘检测法提取水边线结果破碎、不连续的缺陷。
Description
技术领域
本发明属于遥感影像处理领域,尤其涉及一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法。
背景技术
海洋是维持陆地生态系统平衡和稳定的生态屏障,陆地是海洋开发和保护的重要依托。海洋和陆地的交界线被称之为海岸线,海岸线对于海洋资源利用、船舶航行以及沿海城市规划等都具有重要的意义,是海岸带的重要标志。传统的海岸线测定主要是依靠人工实地测量,但受地理环境条件限制,许多地方无法到达,并且实地测量工作强度大、效率低,难以实现长时间动态监测。近年来,遥感技术凭借其数据获取容易、数据信息量大、高时空分辨率等优点逐渐成为海岸线测定的重要手段。
由于遥感影像瞬时成像的特点,从遥感影像中直接提取的大多是瞬时水边线,即影像成像时海水与陆地的交界线,而并非实际意义上的海岸线。虽然水边线不是海岸线,但在大多数海岸线提取方法中,海岸线是在提取出水边线后对水边线进行一系列修正后得到的,因此水边线提取是海岸线提取的基础。
目前常用的基于遥感的水边线自动解译方法有边缘检测法、阈值法等。边缘检测法得到的水边线通常存在破碎、不连续的问题,阈值法的关键是阈值的确定,但阈值往往存在较大的不确定性,如不同时相、不同区域以及不同传感器影像的阈值往往差别较大,阈值的可扩展性差,不利于水边线的智能化提取。
淤泥质海岸的近岸水体浑浊,悬浮泥沙含量高;陆侧潮间带普遍存在水斑,岸滩含水量较高,且存在混合像元,导致淤泥质海岸水陆两侧的遥感特征差异小,增加了水边线提取的难度。遥感影像作为一种二维信号,具有信号的高、低频特征。影像的高频信号是影像中强度变化剧烈的区域,通常对应于影像的边缘、细节等部分,如水陆分界区域的水边线。影像的低频信号则是影像中强度变化平缓的区域,对应于影像中的大片均匀色块区域,如空地、大片植被以及水体内部等。高通滤波处理能够突出高频信息,抑制低频信息,从而达到增大高低频信息间差异的目的,因此,水边线的遥感提取通过引入高通滤波方法能够增大淤泥质海岸水陆两侧的遥感特征差异,有助于实现水边线的高精度、智能化提取。
发明内容
本发明的目的是克服现有技术中的不足,提供一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法。
这种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,包括以下步骤:
步骤1、对遥感影像数据进行预处理操作,将原始影像像素值校正为实际地表反射率值,得到地表反射率数据;
步骤2、低频信息提取;
步骤2.1、对地表反射率数据进行高通滤波:
上式中,m表示遥感影像中像元水平方向的位置;n表示遥感影像中像元垂直方向的位置;H(m,n)表示遥感影像中(m,n)处像元经过高通滤波之后的像素值;DN(m,n)表示遥感影像中(m,n)处像元的原始像素值;F表示高通滤波器;i表示滤波器中的元素水平方向的位置;j表示滤波器中元素垂直方向的位置;d为大于等于1的整数;
步骤2.2、对高通滤波后的图像像素值进行直方图统计;
步骤2.3、计算得到低频信息阈值区间,构建自适应的阈值区间算法,根据阈值区间自适应提取低频信息,低频信息值为1,高频信息值为0;
步骤3、对低频信息进行形态学处理,处理完成后得到水陆分离的二值图像;
步骤3.1、利用形态学开运算填充低频信息中的孤立小点;所述形态学开运算为先进行腐蚀运算,再进行膨胀运算;
步骤3.2、利用形态学闭运算去除低频信息中的细小孔洞;所述形态学闭运算为先进行膨胀运算,再进行采用腐蚀运算填充细小孔洞;
步骤3.3、利用膨胀运算弥补低频信息边界与影像实际水边线之间的像素误差;
步骤4、对水陆分离的二值图像进行后处理:将水陆分离的二值图像转为矢量格式,按照矢量格式的多边形面积及属性进行筛选:
(area≥0.05)and(GRIDCODE=1)
上式中,area表示多边形面积,单位为平方千米,GRIDCODE代表多边形属性,取值为1表示水体;
采用人机交互解译进行人工检核,确定最终水边线。
作为优选,步骤2.2具体包括以下步骤:
步骤2.2.1、将直方图划分为N个像素区间,求得直方图的间隔S:
上式中,Hmax为高通滤波后像素值的最大值,Hmin为高通滤波后像素值的最小值,N为像素区间个数;
步骤2.2.2、统计各像素区间的占比,按降序排列;
步骤2.2.3、筛选出百分比最高的前B个像素区间,确定直方图中百分比最高的前1%个像素区间;B的值由如下公式确定:
作为优选,步骤2.3具体包括以下步骤:
步骤2.3.1、假设前B个像素区间中最小像素值为HB_min,则低频信息阈值区间表示为如下公式:
[HB_min,HB_min+B×S]
上式中,HB_min为前B个像素区间中最小像素值;B为百分比最高的像素区间个数,S为直方图的间隔;
步骤2.3.2、构建自适应的阈值区间算法为:
(H ge HB_min)and(H le(HB_min+B×S))
上式中,H表示高通滤波后的像素值,ge表示大于等于,le表示小于等于,Hmax为高通滤波后像素值的最大值,Hmin为高通滤波后像素值的最小值;B为百分比最高的像素区间个数,S为直方图的间隔。
作为优选,步骤1中遥感影像数据为光学遥感影像数据,光学遥感影像数据含有近红外波段。
作为优选,步骤1中对遥感影像数据进行预处理的操作包括几何纠正、辐射定标和大气校正。
作为优选,步骤2.1中用于进行高通滤波的滤波器的尺寸大小为(2d+1)×(2d+1),其中d为大于等于1的整数;滤波器中所有元素值之和为0,滤波器中心元素值的绝对值大于周围元素值的绝对值。
作为优选,步骤3.1和步骤3.2中低频信息中的孤立小点为小于等于10个像素的低频信息图斑,细小孔洞为低频信息中由高频信息造成的小于等于10个像素的孔洞。
作为优选,步骤3.1和步骤3.2中的腐蚀运算和膨胀运算分别为:
腐蚀运算:
上式中,C表示低频信息提取结果,为腐蚀运算符号,D表示形态学运算卷积核,m表示影像中像元水平方向的位置,n表示影像中像元垂直方向的位置,(D)mn表示当卷积核D的核中心在影像中(m,n)处时卷积核D在影像中所处的位置;
膨胀运算:
上式中,C表示低频信息提取结果,为膨胀运算符号,D表示形态学运算卷积核,m表示影像中像元水平方向的位置,n表示影像中像元垂直方向的位置,(D)mn表示当卷积核D的核中心在影像中(m,n)处时卷积核D在影像中所处的位置;
本发明的有益效果是:本发明引入高通滤波处理,使淤泥质海岸海域侧和陆域测频率信息的差异显著增大,有利于水边线位置的精确度;本发明针对遥感影像高通滤波后的像素值进行直方图统计,通过构建自适应低频信息阈值区间算法,获得了能够随影像自适应变化调整的更加稳健的阈值范围,解决了传统阈值法提取水边线中阈值范围过度依赖影像本身,阈值可迁移性差的问题;与传统边缘检测法提取水边线相比,本发明利用低频信息的边界替代图像的边缘,有效地解决了传统边缘检测法提取水边线结果破碎、不连续的缺陷。
附图说明
图1为本发明的整体流程图;
图2为本发明实施例中2020年2月22日九段沙区域Landsat8遥感影像;
图3为本发明实施例中短波红外影像数据预处理结果图;
图4为本发明实施例中影像数据高通滤波处理结果图;
图5为本发明实施例中高通滤波结果灰度直方图;
图6为本发明实施例中低频信息处理结果图;
图7为本发明实施例中水陆分离的二值图像图;
图8为本发明实施例中九段沙区域水边线结果图;
图9为阈值区间示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
淤泥质海岸由于受到海域侧水体高悬浮泥沙浓度和近岸陆地侧岸滩高含水量的影响,海域侧和陆地侧的光谱信息存在光谱混合现象,难以准确区分水体和陆地,增加了水边线遥感提取的不确定性,水边线提取难度大。本发明针对以上问题,提出一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法。本发明提供的针对复杂淤泥质海岸水边线遥感提取的一整套流程化方法能够获得比传统边缘检测法和阈值法更为精确且连续的水边线结果,实现了提高水边线提取精度和提取效率的目的。
实施例1:
如图1所示,一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,包括以下步骤:
步骤1、对光学遥感影像数据进行几何纠正、辐射定标和大气校正等预处理操作,将原始影像像素值校正为实际地表反射率值,得到地表反射率数据;充分结合水体对于近红外波段的敏感性,光学遥感影像数据含有近红外波段,可根据实际应用需求选择包含近红外波段的光学遥感影像数据。
步骤2、低频信息提取;
步骤2.1、对地表反射率数据进行高通滤波,突出图像中的高频信息分量,抑制低频信息分量,突出高频信息、低频信息之间的差异:
上式中,m表示遥感影像中像元水平方向的位置;n表示遥感影像中像元垂直方向的位置;H(m,n)表示遥感影像中(m,n)处像元经过高通滤波之后的像素值;DN(m,n)表示遥感影像中(m,n)处像元的原始像素值;F表示高通滤波器;i表示滤波器中的元素水平方向的位置;j表示滤波器中元素垂直方向的位置;d为大于等于1的整数,可用于确定滤波器的大小;进行高通滤波的滤波器的尺寸大小为(2d+1)×(2d+1),其中d为大于等于1的整数;滤波器中所有元素值之和为0,滤波器中心元素值的绝对值大于周围元素值的绝对值;
步骤2.2、高通滤波后像素值的直方图呈现出明显的单峰特征,单峰部分为光学遥感影像低频信息,可以利用双阈值进行提取,低频信息提取的双阈值需具有自适应性,即阈值随影像变化而自适应变化调整,避免阈值因对于影像过度依赖而造成阈值可迁移性差的缺陷,对高通滤波后的图像像素值进行直方图统计;
步骤2.2.1、将直方图划分为N个像素区间,求得直方图的间隔S:
上式中,Hmax为高通滤波后像素值的最大值,Hmin为高通滤波后像素值的最小值,N为像素区间个数;
步骤2.2.2、统计各像素区间的占比,按降序排列;
步骤2.2.3、筛选出百分比最高的前B个像素区间,确定直方图中百分比最高的前1%个像素区间;B的值由如下公式确定:
步骤2.3、计算得到低频信息阈值区间,构建自适应的阈值区间算法,根据阈值区间自适应提取低频信息,低频信息值为1,高频信息值为0;
步骤2.3.1、假设前B个像素区间中最小像素值为HB_min,则低频信息阈值区间表示为如下公式:
[HB_min,HB_min+B×S]
上式中,HB_min为前B个像素区间中最小像素值;B为百分比最高的像素区间个数,S为直方图的间隔;
步骤2.3.2、构建自适应的阈值区间算法为:
(H ge HB_min)and(H le(HB_min+B×S))
上式中,H表示高通滤波后的像素值,ge表示大于等于,le表示小于等于,Hmax为高通滤波后像素值的最大值,Hmin为高通滤波后像素值的最小值;B为百分比最高的像素区间个数,S为直方图的间隔;
步骤3、对低频信息进行形态学处理,处理完成后得到水陆分离的二值图像;
步骤3.1、利用形态学开运算填充低频信息中的孤立小点(小于等于10个像素的低频信息图斑);所述形态学开运算为先进行腐蚀运算,再进行膨胀运算;
步骤3.2、利用形态学闭运算去除低频信息中的细小孔洞(由高频信息造成的小于等于10个像素的孔洞);所述形态学闭运算为先进行膨胀运算,再进行采用腐蚀运算填充细小孔洞;
步骤3.3、利用膨胀运算弥补低频信息边界与影像实际水边线之间的像素误差;
其中:
腐蚀运算:
上式中,C表示低频信息提取结果,为腐蚀运算符号,D表示形态学运算卷积核,m表示影像中像元水平方向的位置,n表示影像中像元垂直方向的位置,(D)mn表示当卷积核D的核中心在影像中(m,n)处时卷积核D在影像中所处的位置;
膨胀运算:
上式中,C表示低频信息提取结果,为膨胀运算符号,D表示形态学运算卷积核,m表示影像中像元水平方向的位置,n表示影像中像元垂直方向的位置,(D)mn表示当卷积核D的核中心在影像中(m,n)处时卷积核D在影像中所处的位置;
步骤4、对水陆分离的二值图像进行后处理,后处理操作包括但不限于按面积筛除、人工目视解译等方法,可根据影像实际处理结果按需选择,最终得到水边线结果:将水陆分离的二值图像转为矢量格式,按照矢量格式的多边形面积及属性进行筛选:
(area≥0.05)and(GRIDCODE=1)
上式中,area表示多边形面积,单位为平方千米,GRIDCODE代表多边形属性,取值为1表示水体;
采用人机交互解译进行人工检核,确定最终水边线。
实施例2:
将实施例1的针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法应用于九段沙区域;九段沙是位于长江口外南北槽之间的拦门沙河段,是典型的淤泥质海岸区域;使用九段沙区域2020年2月22日Landsat8 OLI遥感影像进行瞬时水边线提取。
(1)所采用的遥感影像数据为光学遥感影像数据,所使用传感器为Landsat8卫星所搭载的OLI传感器,获得如图2所示2020年2月22日九段沙区域Landsat8遥感影像,影像云量为0.01%;
(2)对光学遥感影像数据进行图像预处理,包括几何纠正、辐射定标及大气校正,得到地表反射率数据,为便于存储和运算,将地表反射率数据扩大10000倍;获得如图3所示对短波红外影像数据的预处理结果;
(3)本实施例中取d=1,确定高通滤波器大小为3×3,所使用的高通滤波器表示如下:
对经过预处理的光学遥感影像数据采用高通滤波法,突出图像中的高频分量,抑制低频分量,得到如图4所示影像数据的高通滤波处理结果;
(4)取N=256,将直方图划分为256个像素区间,高通滤波后的最大像素值Hmax和最小像素值Hmin分别为21886和-11461,代入公式可求得直方图的间隔S=131,按照上述参数对光学遥感影像数据的高通滤波结果进行直方图统计,得到如图5所示高通滤波结果的灰度直方图;
(5)确定直方图中百分比最高的前B个像素区间,由公式计算得出A的结果为2,当A为偶数时,B=A+1,因此需确定直方图中百分比最高的前3个像素区间,这3个像素区间中的最小像素值为-195,因此根据自适应的阈值区间公式[HB_min,HB_min+B×S],对应图9的阈值区间示意图,可计算出低频信息的阈值区间为[-195,198],按照阈值区间算法进行低频信息提取,提取公式为:
(H ge-195)and(H le 198)
提取得到如图6所示低频信息;图9中Hmin为高通滤波后的最小像素值,HB_min为前B个像素区间中最小像素值;N为像素区间个数;S为直方图的间隔;
(6)对低频信息进行形态学处理,先后经过开运算、闭运算和膨胀运算,得到如图7所示的水陆分离的二值图像;
(7)将水陆分离的二值图像转为矢量面进行编辑,并进行人工检核,得到如图8所示最终水边线结果。
Claims (8)
1.一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,其特征在于,包括以下步骤:
步骤1、对遥感影像数据进行预处理操作,将原始影像像素值校正为实际地表反射率值,得到地表反射率数据;
步骤2、低频信息提取;
步骤2.1、对地表反射率数据进行高通滤波:
上式中,m表示遥感影像中像元水平方向的位置;n表示遥感影像中像元垂直方向的位置;H(m,n)表示遥感影像中(m,n)处像元经过高通滤波之后的像素值;DN(m,n)表示遥感影像中(m,n)处像元的原始像素值;F表示高通滤波器;i表示滤波器中的元素水平方向的位置;j表示滤波器中元素垂直方向的位置;d为大于等于1的整数;
步骤2.2、对高通滤波后的图像像素值进行直方图统计;
步骤2.3、计算得到低频信息阈值区间,构建自适应的阈值区间算法,根据阈值区间自适应提取低频信息,低频信息值为1,高频信息值为0;
步骤3、对低频信息进行形态学处理,处理完成后得到水陆分离的二值图像;
步骤3.1、利用形态学开运算填充低频信息中的孤立小点;所述形态学开运算为先进行腐蚀运算,再进行膨胀运算;
步骤3.2、利用形态学闭运算去除低频信息中的细小孔洞;所述形态学闭运算为先进行膨胀运算,再进行采用腐蚀运算填充细小孔洞;
步骤3.3、利用膨胀运算弥补低频信息边界与影像实际水边线之间的像素误差;
步骤4、对水陆分离的二值图像进行后处理:将水陆分离的二值图像转为矢量格式,按照矢量格式的多边形面积及属性进行筛选:
(area≥0.05)and(GRIDCODE=1)
上式中,area表示多边形面积,单位为平方千米,GRIDCODE代表多边形属性,取值为1表示水体;
采用人机交互解译进行人工检核,确定最终水边线。
3.根据权利要求1所述针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,其特征在于,步骤2.3具体包括以下步骤:
步骤2.3.1、假设前B个像素区间中最小像素值为HB_min,则低频信息阈值区间表示为如下公式:
[HB_min,HB_min+B×S]
上式中,HB_min为前B个像素区间中最小像素值;B为百分比最高的像素区间个数,S为直方图的间隔;
步骤2.3.2、构建自适应的阈值区间算法为:
(H ge HB_min)and(H le(HB_min+B×S))
上式中,H表示高通滤波后的像素值,ge表示大于等于,le表示小于等于,Hmax为高通滤波后像素值的最大值,Hmin为高通滤波后像素值的最小值;B为百分比最高的像素区间个数,S为直方图的间隔。
4.根据权利要求1所述针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,其特征在于:步骤1中遥感影像数据为光学遥感影像数据,光学遥感影像数据含有近红外波段。
5.根据权利要求1所述针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,其特征在于:步骤1中对遥感影像数据进行预处理的操作包括几何纠正、辐射定标和大气校正。
6.根据权利要求1所述针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,其特征在于:步骤2.1中用于进行高通滤波的滤波器的尺寸大小为(2d+1)×(2d+1),其中d为大于等于1的整数;滤波器中所有元素值之和为0,滤波器中心元素值的绝对值大于周围元素值的绝对值。
7.根据权利要求1所述针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,其特征在于:步骤3.1和步骤3.2中低频信息中的孤立小点为小于等于10个像素的低频信息图斑,细小孔洞为低频信息中由高频信息造成的小于等于10个像素的孔洞。
8.根据权利要求1所述针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法,其特征在于,步骤3.1和步骤3.2中的腐蚀运算和膨胀运算分别为:
腐蚀运算:
上式中,C表示低频信息提取结果,为腐蚀运算符号,D表示形态学运算卷积核,m表示影像中像元水平方向的位置,n表示影像中像元垂直方向的位置,(D)mn表示当卷积核D的核中心在影像中(m,n)处时卷积核D在影像中所处的位置;
膨胀运算:
上式中,C表示低频信息提取结果,为膨胀运算符号,D表示形态学运算卷积核,m表示影像中像元水平方向的位置,n表示影像中像元垂直方向的位置,(D)mn表示当卷积核D的核中心在影像中(m,n)处时卷积核D在影像中所处的位置;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571034.6A CN113191989B (zh) | 2021-05-25 | 2021-05-25 | 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571034.6A CN113191989B (zh) | 2021-05-25 | 2021-05-25 | 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191989A CN113191989A (zh) | 2021-07-30 |
CN113191989B true CN113191989B (zh) | 2021-11-19 |
Family
ID=76985265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110571034.6A Active CN113191989B (zh) | 2021-05-25 | 2021-05-25 | 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191989B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1892698A (zh) * | 2006-05-19 | 2007-01-10 | 中国科学院研究生院 | 基于小波分形的遥感图像插值方法 |
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 |
CN107358161A (zh) * | 2017-06-08 | 2017-11-17 | 深圳先进技术研究院 | 一种基于遥感影像分类的海岸线提取方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130039574A1 (en) * | 2011-08-09 | 2013-02-14 | James P. McKay | System and method for segmenting water, land and coastline from remote imagery |
-
2021
- 2021-05-25 CN CN202110571034.6A patent/CN113191989B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1892698A (zh) * | 2006-05-19 | 2007-01-10 | 中国科学院研究生院 | 基于小波分形的遥感图像插值方法 |
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 |
CN107358161A (zh) * | 2017-06-08 | 2017-11-17 | 深圳先进技术研究院 | 一种基于遥感影像分类的海岸线提取方法及系统 |
Non-Patent Citations (3)
Title |
---|
Assessing Optimal Image Fusion Methods for Very High Spatial Resolution Satellite Images to Support Coastal Monitoring;Byungyun Yang 等;《ResearchGate》;20120930;全文 * |
基于遥感影像提取海岸线方法的研究-以黄河三角洲地区黄河口段和刁口段海岸为例;樊彦国 等;《遥感应用》;20090831;全文 * |
淤泥质潮滩水边线提取的遥感研究及DEM构建;沈芳 等;《测绘学报》;20080228;第37卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191989A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cham et al. | An analysis of shoreline changes using combined multitemporal remote sensing and digital evaluation model | |
CN110991393A (zh) | 一种海岸线变迁遥感监测与分析的方法及装置 | |
Sunder et al. | Inter-comparison of remote sensing sensing-based shoreline mapping techniques at different coastal stretches of India | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
Dong et al. | Coral reef geomorphology of the Spratly Islands: A simple method based on time-series of Landsat-8 multi-band inundation maps | |
CN109919070B (zh) | 一种剖面形态自适应拟合的海岸线遥感推算方法 | |
CN108550174B (zh) | 一种基于半全局优化的海岸线超分辨率制图方法及系统 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN112098289B (zh) | 基于数字图像处理的海洋悬浮颗粒物浓度测定装置及方法 | |
CN108764132B (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
CN111027446A (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
Kaiser | Environmental changes, remote sensing, and infrastructure development: The case of Egypt's East Port Said harbour | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
Eom et al. | Tidal channel distribution in relation to surface sedimentary facies based on remotely sensed data | |
CN113191989B (zh) | 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 | |
CN112150482B (zh) | 一种基于高程信息和归一化海水指数的海陆分割方法 | |
CN110097562B (zh) | 海面溢油区域图像探测方法 | |
Yu et al. | Coastline detection using optical and synthetic aperture radar images | |
Nath et al. | Shoreline Change and its Impact on Land use Pattern and Vice Versa--A Critical Analysis in and Around Digha Area between 2000 and 2018 using Geospatial Techniques. | |
Wang et al. | Deriving natural coastlines using multiple satellite remote sensing images | |
CN108875636B (zh) | 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法 | |
CN112861719B (zh) | 一种基于多时相高分辨率遥感影像的海岸线提取方法 | |
Yu et al. | Semi-automatic extraction of the threshold segmentation of coastline based on coastline type | |
Dewi et al. | The application of satellite derived bathymetry for coastline mapping |
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 |