CN113269026B - 一种基于表面特征的黄河三角洲浑浊海域海冰分类方法 - Google Patents

一种基于表面特征的黄河三角洲浑浊海域海冰分类方法 Download PDF

Info

Publication number
CN113269026B
CN113269026B CN202110360229.6A CN202110360229A CN113269026B CN 113269026 B CN113269026 B CN 113269026B CN 202110360229 A CN202110360229 A CN 202110360229A CN 113269026 B CN113269026 B CN 113269026B
Authority
CN
China
Prior art keywords
image
ice
sea
sea ice
edge
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
CN202110360229.6A
Other languages
English (en)
Other versions
CN113269026A (zh
Inventor
宫兆宁
邱华昌
周德民
白军红
关鸿亮
张强
关晖
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.)
Capital Normal University
Original Assignee
Capital Normal University
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 Capital Normal University filed Critical Capital Normal University
Priority to CN202110360229.6A priority Critical patent/CN113269026B/zh
Publication of CN113269026A publication Critical patent/CN113269026A/zh
Application granted granted Critical
Publication of CN113269026B publication Critical patent/CN113269026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

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

Abstract

本发明公开了一种基于表面特征的黄河三角洲浑浊海域海冰分类方法，具体过程包括生成陆地掩膜、使用波段计算增强图像海冰信息、生成纹理图像和边缘图像、生成边缘点密度图、使用边缘点密度图增强纹理图像、面向对象方法提取海冰、面向对象方法的海冰分类。本发明方法适合于黄河三角洲浑浊海域的基于海冰表面特征的海冰分类，只需利用遥感影像的红、绿、蓝、近红四个波段即可实现海冰的提取和分类，适用于Landsat、Sentinel‑2、GF1、GF2等数据。

Description

一种基于表面特征的黄河三角洲浑浊海域海冰分类方法
技术领域
本发明涉及海冰监测技术领域，具体涉及一种基于表面特征的黄河三角洲浑浊海域海冰分类方法。
背景技术
海冰灾害是我国主要的海洋灾害之一，经常会对渔港、码头、浅海滩涂养殖和海上基础设施造成重大影响，海冰的提取和分类对于海冰监测、海冰预测、防灾减灾、气候研究有着重要意义。由于黄河三角洲海域悬浮泥沙的高动态变化的影响，高悬浮泥沙海水的反射率甚至要高于低悬浮泥沙海域的海冰，同时部分含沙海域的光谱特征与薄冰的特征极为相似，造成了在光学遥感影像上海冰的提取较为困难，一般的提取方法无法精确提取海冰的范围等信息。除此之外，目前还没有系统的海冰冰型分类方法。
发明内容
针对现有技术的不足，本发明旨在提供一种基于表面特征的黄河三角洲浑浊海域海冰分类方法。
为了实现上述目的，本发明采用如下技术方案：
一种基于表面特征的黄河三角洲浑浊海域海冰分类方法，具体包括如下步骤：
S1、对遥感影像生成陆地掩膜；
S2、按下式对经过步骤S1处理的遥感影像进行波段计算，增强遥感影像的海冰信息，得到光谱信息增强影像：
GREEN-RED/GREEN*0.1
其中，GREEN表示绿光波段反射率，RED表示近红外波段反射率；
S3、空间信息提取得到增强纹理影像：
S3.1、使用灰度共生矩阵提取步骤S1中生成陆地掩膜后的蓝波段影像的均值纹理特征，得到纹理影像；
S3.2、利用Sobel算子提取步骤S1中生成陆地掩膜后的蓝波段影像中的边缘信息，得到边缘图像；
S3.3、对步骤S3.2得到的边缘图像进行二值化，其中，海冰的边缘的像元值为1，非海冰边缘的像元值为0；
S3.4、对经过步骤S3.3处理的边缘图像进行邻域像元的边缘点个数求和，得到边缘点密度图；
S3.5、使用步骤S3.4得到的边缘点密度图与步骤S3.1得到的纹理影像进行相乘，得到增强纹理影像；
S4、基于面向对象方法提取海冰范围：
S4.1、对步骤S2得到的光谱信息增强影像以及步骤S3得到的增强纹理影像进行基于图像边缘的分割；
S4.2、特征提取：
使用经过分割后的光谱信息增强影像与增强纹理影像的光谱均值作为海冰范围提取的两个特征参数，并对两个特征参数分别设定阈值来提取光谱信息增强影像和增强纹理影像中的海冰的范围，同时满足两个阈值的对象为海冰对象；
S5、基于面向对象方法进行海冰分类：
S5.1、图像的分割与合并：
对步骤S1生成陆地掩膜后的蓝波段影像进行基于图像边缘的分割，然后通过设置合并阈值使得海冰分割可以得到更为完整的对象；
S5.2、特征提取：
根据步骤S5.2中经过分割与合并后的蓝波段影像中对象的方差与光谱均值分别设定阈值，提取尼罗冰以及灰冰/灰白冰；然后将提取的尼罗冰和灰冰/灰白冰与步骤S4中提取的海冰范围进行叠加，其余的海冰为冰皮，最终得到海冰的分类结果。
进一步地，在开始步骤S1的处理前，先对遥感影像进行辐射定标、大气校正、正射校正的预处理。
进一步地，步骤S1的具体过程为：
S1.1、利用归一化水体指数NDWI对遥感影像进行复杂背景均一化；
NDWI＝(GREEN-NIR)/(GREEN+NIR)；
GREEN表示绿光波段反射率，NIR表示近红外波段反射率；
S1.2、确定分割阈值，利用分割阈值对均一化后的遥感影像分割出陆地和海洋。
更进一步地，步骤S1.2中，使用最大类间方差法确定分割阈值。
进一步地，上述方法的步骤S4.1中，基于图像边缘的分割的阈值为80。
进一步地，上述方法的步骤S5.1中，基于图像边缘的分割的阈值为80。
本发明的有益效果在于：本发明方法适合于黄河三角洲浑浊海域的基于海冰表面特征的海冰分类，只需利用遥感影像的红、绿、蓝、近红四个波段即可实现海冰的提取和分类，适用于Landsat、Sentinel-2、GF1、GF2等数据。
附图说明
图1为本发明实施例中的方法流程示意图；
图2为本发明实施例中的生成陆地掩膜的影像示意图；
图3为本发明实施例中的光谱信息增强图像冰水反射率直方图；
图4为本发明实施例中的空间特征提取结果示意图；
图5为本发明实施例中的海冰提取结果示意图；
图6为本发明实施例中的海冰冰型分类依据示意图；
图7为本发明实施例中的图像分割与对象合并结果示意图；
图8为本发明实施例中的GF-1海冰分类结果图。
具体实施方式
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
本实施例提供一种基于表面特征的黄河三角洲浑浊海域海冰分类方法，如图1所示，具体包括如下步骤：
S1、对遥感影像(本实施例为2018年1月12日的GF1遥感影像)生成陆地掩膜。
由于提取对象为海冰，因此需要生成陆地掩膜，剔除掉陆地区域，只保留海域中的信息，同时可以减少计算量。首先利用NDWI对遥感影像进行复杂背景均一化，然后确定出分割阈值对均一化后的影像分割出陆地和海洋。具体过程为：
S1.1、利用归一化水体指数NDWI对遥感影像进行复杂背景均一化，如图2(a)所示；
NDWI＝(GREEN-NIR)/(GREEN+NIR)；
GREEN表示绿光波段反射率，NIR表示近红外波段反射率。
S1.2、确定分割阈值，利用分割阈值对均一化后的遥感影像分割出陆地和海洋，如图2(b)所示。
本实施例中使用最大类间方差法(OTSU)确定分割阈值。
需要说明的是，在开始步骤S1的处理前，先对遥感影像进行辐射定标、大气校正、正射校正的预处理。
S2、对经过步骤S1处理的遥感影像进行波段计算，增强遥感影像的海冰信息，得到光谱信息增强影像。
光谱信息是进行海冰提取和分类的重要信息之一。然而对于GF这类影像只有红、绿、蓝、近红四个波段，光谱信息相对较少，再加上黄河三角洲海域高动态悬浮泥沙的影响，给海冰提取和分类带来了很大的影响。为了充分利用光谱信息，本实施例将多个波段的信息综合在一起，突出海冰的信息的同时抑制不同悬浮泥沙浓度的海水的信息。按如下公式对步骤S1处理得到的遥感影像进行波段计算，得到光谱信息增强影像：
GREEN-RED/GREEN*0.1
其中，GREEN表示绿光波段反射率，RED表示近红外波段反射率。
经过波段计算后得到的光谱信息增强影像能够有效减少悬浮泥沙的影响，使得海冰始终处于一个较高的反射率，而不同悬浮泥沙的海水则处于一个较低的反射率，如图3所示。同时也为后续面向对象处理做铺垫。
S3、空间信息提取得到增强纹理影像；
步骤S2中所得的光谱信息增强影像能够抑制悬浮泥沙对海冰提取的影响。然而在清洁海域的冰皮和尼罗冰的平整冰部分的光谱曲线与低悬浮泥沙海域的海水的光谱曲线高度相似，仅使用光谱特征无法进行准确分割。因此本实施例结合影像的空间信息来进行区分。纹理特征表示物体的表面状况，如光滑或粗糙，有助于区分同质和异质的邻域。大多数冰表面粗糙不平，具有显著、不规则和不稳定的纹理特征，水面光滑均匀，具有不变的纹理特征。但是由于黄河三角洲的海冰冰型以冰皮和尼罗冰为主，平整冰相对较多，而平整冰表面相对光滑，影响了纹理特征对海冰的提取精度。而海冰的边缘特征是要比海水明显的，因此可以根据边缘特征生成边缘点密度图来增强纹理影像，以提高海冰提取的精度。空间信息提取的具体过程为：
S3.1、使用灰度共生矩阵提取步骤S1中生成陆地掩膜后的蓝波段影像的均值纹理特征，得到纹理影像，如图4a所示；
S3.2、利用Sobel算子提取步骤S1中生成陆地掩膜后的蓝波段影像中的边缘信息，得到边缘图像，如图4b所示；
S3.3、对步骤S3.2得到的边缘图像进行二值化，其中，海冰的边缘(强边缘)的像元值为1，非海冰边缘(弱边缘)的像元值为0；如图4c所示；
S3.4、对经过步骤S3.3处理的边缘图像进行邻域像元的边缘点个数求和，得到边缘点密度图，如图4d所示；
S3.5、使用步骤S3.4得到的边缘点密度图与步骤S3.1得到的纹理影像进行相乘，得到增强纹理影像，如图4e所示。
S4、基于面向对象方法提取海冰范围：
先根据一定规则将图像分为一个个同质的对象，然后以对象为单位，充分利用对象的光谱信息、空间信息准确地进行分类。面向对象方法的优点是首先将图像分割对象，能够较为完整的提取海冰的大小，可以较好地解决图像分类过程中“椒盐现象”的问题。其次，由于纹理特征和边缘点密度图都是像元的空间邻域特征，这会模糊化海冰的边界，而基于面向对象的方法能够减轻窗口效应对边界的模糊化，提高海冰提取的精度。
本实施例使用ENVI的“基于规则的面向对象信息提取”处理工具，参与运算的影像为蓝波段、光谱信息增强影像以及增强纹理影像，之所以选择三个波段是为了减少计算量，提高运算速度。其中，蓝波段是用于图像分割的波段，这是由于蓝波段受悬浮泥沙的影响较小，同时边缘特征也最为清晰。光谱信息增强影像和增强纹理影像分别提供了分类所需要的光谱信息和空间信息。
具体过程为：
S4.1、对步骤S2得到的光谱信息增强影像以及步骤S3得到的增强纹理影像进行基于图像边缘的分割；
由于海冰的边缘特征是很明显的，因此本实施例选择基于图像边缘的分割方法。分割阈值的取值范围为0-100，较小的分割阈值会将同一对象分割为更多更小的对象，这可能会导致同一对象破碎严重，影响提取精度的同时也会增大计算量，而较大的分割阈值则会将一些散碎的小块浮冰(冰块、小冰盘等)与海水划分为同一对象，因此需要选择合适的阈值来进行分割。可以通过处理工具的“预览窗口”观察分割结果的精度。根据多次试验，较好的分割阈值为80。
S4.2、特征提取：
使用经过分割后的光谱信息增强影像与增强纹理影像的光谱均值作为海冰范围提取的两个特征参数，并对两个特征参数分别设定阈值来提取光谱信息增强影像和增强纹理影像中的海冰的范围，同时满足两个阈值的对象为海冰对象。阈值可以通过选择一定数量的海冰样本点来确定，不同传感器的影像由于大气校正方法等图像处理过程的不同，阈值会有一定差异。确定阈值之后，在ENVI中的“Feature Extraction–Rule Based”结果输出面板选择输出提取得到的海冰范围(图5)以及矢量结果。
S5、基于面向对象方法进行海冰分类：
黄河三角洲海域的海冰类型主要为冰皮和尼罗冰，间有灰冰和灰白冰。冰皮的特征为表面平滑、湿润且有光泽，厚度5cm左右，易被风浪折碎。尼罗冰是厚度小于10cm的有弹性的薄冰壳层，在波浪和外力作用下易于弯曲和破碎，并能产生“指状”重叠现象。灰冰和灰白冰为厚度10cm-30cm的冰层，表面呈现灰色/灰白色，在遥感图像上反射率较高。因此选择使用受悬浮泥沙影响较小且纹理细节较为清晰的蓝波段进行图像的分割与合并后，使用对象的方差以及反射率均值提取尼罗冰和灰冰/灰白冰，最后将提取的尼罗冰和灰冰/灰白冰与S4中提取的海冰范围叠加，尼罗冰和灰冰/灰白冰之外的海冰为冰皮。具体过程为：
S5.1、图像的分割与合并：
对步骤S1生成陆地掩膜后的蓝波段影像进行图像分割，图像分割的方法与提取海冰范围所用的方法相同，选择基于图像边缘的分割方法，最佳分割尺度为80。此时影像被分割为一个个小的同质的对象。
然而，由于尼罗冰有着“指状”重叠现象，从而导致一块完整的尼罗冰被分为了很多小的较为平滑的冰面，因此需要对分割结果进行合并，通过设置合并阈值(90)，使得海冰分割可以得到更为完整的对象，(图7)。
S5.2、特征提取：
根据步骤S5.2中经过分割与合并后的蓝波段影像中对象的方差与光谱均值分别设定阈值(阈值可选择一定数量的样本点确定)，提取尼罗冰以及灰冰/灰白冰。然后将提取的尼罗冰和灰冰/灰白冰与步骤S4中提取的海冰范围进行叠加，其余的海冰为冰皮，最终得到海冰的分类结果(图8)。具体可根据以下公式在ENVI的波段计算实现：
(class eq 1)+(var gt a)+(mean gt b)
其中，class是步骤S4中海冰范围影像，值1为海冰像元的值；var是步骤S5中蓝波段的对象方差影像，a为方差阈值；mean是S5中蓝波段的光谱均值影像，b为均值阈值。经过计算后，冰皮的值为1，尼罗冰的值为2，灰冰/灰白冰的值为3。
需要说明的是，分类判别海冰类型的依据是：冰皮为平整冰，表面较为平滑，在遥感影像上反射率变化较小，即方差较小；而尼罗冰与灰冰、灰白冰冰面的反射率变化较大，即为方差较大；而灰冰和灰白冰的反射率又高于其他冰型(图6)。
对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于表面特征的黄河三角洲浑浊海域海冰分类方法，其特征在于，具体包括如下步骤：
S1、对遥感影像生成陆地掩膜；
S2、按下式对经过步骤S1处理的遥感影像进行波段计算，增强遥感影像的海冰信息，得到光谱信息增强影像：
GREEN-RED/GREEN*0.1
其中，GREEN表示绿光波段反射率，RED表示近红外波段反射率；
S3、空间信息提取得到增强纹理影像：
S3.1、使用灰度共生矩阵提取步骤S1中生成陆地掩膜后的蓝波段影像的均值纹理特征，得到纹理影像；
S3.2、利用Sobel算子提取步骤S1中生成陆地掩膜后的蓝波段影像中的边缘信息，得到边缘图像；
S3.3、对步骤S3.2得到的边缘图像进行二值化，其中，海冰的边缘的像元值为1，非海冰边缘的像元值为0；
S3.4、对经过步骤S3.3处理的边缘图像进行邻域像元的边缘点个数求和，得到边缘点密度图；
S3.5、使用步骤S3.4得到的边缘点密度图与步骤S3.1得到的纹理影像进行相乘，得到增强纹理影像；
S4、基于面向对象方法提取海冰范围：
S4.1、对步骤S2得到的光谱信息增强影像以及步骤S3得到的增强纹理影像进行基于图像边缘的分割；
S4.2、特征提取：
使用经过分割后的光谱信息增强影像与增强纹理影像的光谱均值作为海冰范围提取的两个特征参数，并对两个特征参数分别设定阈值来提取光谱信息增强影像和增强纹理影像中的海冰的范围，同时满足两个阈值的对象为海冰对象；
S5、基于面向对象方法进行海冰分类：
S5.1、图像的分割与合并：
对步骤S1生成陆地掩膜后的蓝波段影像进行基于图像边缘的分割，然后通过设置合并阈值使得海冰分割可以得到更为完整的对象；
S5.2、特征提取：
根据步骤S5.2中经过分割与合并后的蓝波段影像中对象的方差与光谱均值分别设定阈值，提取尼罗冰以及灰冰/灰白冰；然后将提取的尼罗冰和灰冰/灰白冰与步骤S4中提取的海冰范围进行叠加，其余的海冰为冰皮，最终得到海冰的分类结果。
2.根据权利要求1所述的方法，其特征在于，在开始步骤S1的处理前，先对遥感影像进行辐射定标、大气校正、正射校正的预处理。
3.根据权利要求1所述的方法，其特征在于，步骤S1的具体过程为：
S1.1、利用归一化水体指数NDWI对遥感影像进行复杂背景均一化；
NDWI＝(GREEN-NIR)/(GREEN+NIR)；
GREEN表示绿光波段反射率，NIR表示近红外波段反射率；
S1.2、确定分割阈值，利用分割阈值对均一化后的遥感影像分割出陆地和海洋。
4.根据权利要求3所述的方法，其特征在于，步骤S1.2中，使用最大类间方差法确定分割阈值。
5.根据权利要求1所述的方法，其特征在于，步骤S4.1中，基于图像边缘的分割的阈值为80。
6.根据权利要求1所述的方法，其特征在于，步骤S5.1中，基于图像边缘的分割的阈值为80。
CN202110360229.6A 2021-04-02 2021-04-02 一种基于表面特征的黄河三角洲浑浊海域海冰分类方法 Active CN113269026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110360229.6A CN113269026B (zh) 2021-04-02 2021-04-02 一种基于表面特征的黄河三角洲浑浊海域海冰分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110360229.6A CN113269026B (zh) 2021-04-02 2021-04-02 一种基于表面特征的黄河三角洲浑浊海域海冰分类方法

Publications (2)

Publication Number Publication Date
CN113269026A CN113269026A (zh) 2021-08-17
CN113269026B true CN113269026B (zh) 2022-11-11

Family

ID=77228403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110360229.6A Active CN113269026B (zh) 2021-04-02 2021-04-02 一种基于表面特征的黄河三角洲浑浊海域海冰分类方法

Country Status (1)

Country Link
CN (1) CN113269026B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109211798A (zh) * 2018-11-16 2019-01-15 福州大学 一种基于遥感影像光谱特征的一年生海冰分布信息提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101980354B1 (ko) * 2017-11-01 2019-05-21 한국해양과학기술원 극지해역의 해빙영역 탐지방법 및 이를 위한 탐지시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109211798A (zh) * 2018-11-16 2019-01-15 福州大学 一种基于遥感影像光谱特征的一年生海冰分布信息提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Segmentation method for agglomerative hierarchical-based sea ice types using Polarimetrie SAR data;YU Bo等;《Journal of Ｒemote Sensing》;20130731;第887-895页 *
卫星遥感海冰监测技术在河北省近海海域的应用;田力等;《遥感技术与应用》;20150815;参见第4.3节 *
基于 TerraSAR - X 全极化数据的北极地区海冰信息提取;赵兴刚等;《国土资源遥感》;20140930;第26卷(第3期);参见第0-1节 *
基于混合像元分解的海冰检测方法研究;李雅文;《中国优秀硕士学位论文全文数据库（电子期刊）基础科学辑》;20210315;参见第3.2-3.4节 *

Also Published As

Publication number Publication date
CN113269026A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN110414411B (zh) 基于视觉显著性的海面船只候选区域检测方法
CN109034026B (zh) 一种遥感影像中水陆区域的红树林提取方法及系统
CN109815807B (zh) 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
JP5819157B2 (ja) 画像処理装置、画像処理方法
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN109064479B (zh) 一种基于邻近视频帧灰度动态特征的海天线检测方法
CN109858394A (zh) 一种基于显著性检测的遥感图像水体区域提取方法
CN110687122A (zh) 一种陶瓦表面裂纹检测方法及系统
CN115311571A (zh) 一种基于近红外波段光学遥感影像的海冰密集度反演方法
CN115393216A (zh) 基于偏振特性与大气传输模型的图像去雾方法和装置
CN113269026B (zh) 一种基于表面特征的黄河三角洲浑浊海域海冰分类方法
Othman et al. Enhanced single image dehazing technique based on HSV color space
Wu et al. Research on crack detection algorithm of asphalt pavement
CN116645593A (zh) 监测海草床分布的遥感方法、装置
CN116363097A (zh) 一种光伏板的缺陷检测方法及系统
CN115078263A (zh) 顾及潮汐影响的海草遥感信息提取方法
CN113177473B (zh) 遥感影像水体自动化提取方法和装置
CN110472472B (zh) 基于sar遥感图像的机场检测方法与装置
CN110211124B (zh) 一种基于MobileNetV2的红外成像结冰湖泊检测方法
CN111695503B (zh) 基于双波段辐亮度的珊瑚礁底质分类方法
CN117115449B (zh) 一种适用于大场景光学遥感影像的海面船只目标分割方法

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