CN113343908A - 一种基于msi影像的水色异常区域识别方法及系统 - Google Patents
一种基于msi影像的水色异常区域识别方法及系统 Download PDFInfo
- Publication number
- CN113343908A CN113343908A CN202110722617.4A CN202110722617A CN113343908A CN 113343908 A CN113343908 A CN 113343908A CN 202110722617 A CN202110722617 A CN 202110722617A CN 113343908 A CN113343908 A CN 113343908A
- Authority
- CN
- China
- Prior art keywords
- water color
- color abnormal
- abnormal area
- msi
- reflectivity
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 123
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000002310 reflectometry Methods 0.000 claims description 43
- 238000012952 Resampling Methods 0.000 claims description 28
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 101000615747 Homo sapiens tRNA-splicing endonuclease subunit Sen2 Proteins 0.000 claims description 6
- 102100021774 tRNA-splicing endonuclease subunit Sen2 Human genes 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010866 blackwater Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于MSI影像的水色异常区域识别方法及系统，方法包括：基于MSI影像数据计算出MCI指数；对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；将赋值为1的部分确定为第一水色异常区域；对第一水色异常区域边界进行修正，得到第二水色异常区域。本发明能够基于MSI影像，有效解决现有影像重访周期低的问题，进而能够有效提高水色异常区域的识别效果。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于MSI(MultispectralInstrument，光学传感器多光谱成像仪)影像的水色异常区域识别方法及系统。
背景技术
目前，在对河流、湖库进行监测时，大都采用国产“高分系列”卫星遥感数据进行水色异常、黑水团区域提取。但是由于“高分系列”卫星重访周期低，有效数据不多，光谱波段仅有4个，波段设置并不适用于水色遥感，因此在识别水色异常区域时效果较差。
随着哨兵2号卫星的成功发射，其携带的MSI，载荷具有多光谱、大范围、高重访周期等特点。哨兵2A与2B星组网，可实现5天重访周期；MSI从可见光(VIS)、近红外(NIR)到短波红外(SWIR)，具有10/20/60m不同的空间分辨率，设置13个波段，是国际上在轨遥感卫星中唯一的具有高达10m的地面分辨率、设计了三个专门波段(B5、B6、B7)以获取植被在近红外“红边”(Red edge,690～800nm)区间光谱特征信息的传感器，为水环境监测提供了新的数据源。但该数据在水色异常遥感监测的应用中几乎鲜有报道。
发明内容
有鉴于此，本发明提供了一种基于MSI影像的水色异常区域识别方法，能够有效解决现有影像重访周期低的问题，进而能够有效提高水色异常区域的识别效果。
本发明提供了一种基于MSI影像的水色异常区域识别方法，包括：
基于MSI影像数据计算出MCI指数；
对所述MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
将赋值为1的部分确定为第一水色异常区域；
对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
优选地，基于MSI影像数据计算出MCI指数，包括：
对MSI影像数据进行重采样；
将经过重采样后的MSI影像数据完成从表观反射率到大气底部反射率的转换；
基于所述大气底部反射率计算出MCI指数。
优选地，对所述第一水色异常区域边界进行修正，得到第二水色异常区域，包括：
结合目视解译对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
优选地，所述将经过重采样后的MSI影像数据完成从表观反射率到大气底部反射率的转换，包括以下其中一种实现方式：
将经过重采样后的MSI影像数据，基于大气校正专用模块SEN2COR完成从表观反射率到大气底部反射率的转换；
将经过重采样后的MSI影像数据，基于6S软件完成从表观反射率到大气底部反射率的转换。
优选地，所述基于所述大气底部反射率计算出MCI指数，包括：
基于公式MCI＝rBOA(B5)-1.005*(rBOA(B4)+(rBOA(B6)-rBOA(B4))(705-665)/(740-665)))计算出MCI指数，其中，rBOA为大气底部反射率。
一种基于MSI影像的水色异常区域识别系统，包括：
计算模块，用于基于MSI影像数据计算出MCI指数；
处理模块，用于对所述MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
确定模块，用于将赋值为1的部分确定为第一水色异常区域；
修正模块，用于对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
优选地，所述计算模块包括：
重采样单元，用于对MSI影像数据进行重采样；
转换单元，用于将经过重采样后的MSI影像数据完成从表观反射率到大气底部反射率的转换；
计算单元，用于基于所述大气底部反射率计算出MCI指数。
优选地，所述修正模块具体用于：
结合目视解译对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
优选地，所述转换单元具体用于执行以下其中一种方式：
将经过重采样后的MSI影像数据，基于大气校正专用模块SEN2COR完成从表观反射率到大气底部反射率的转换；
将经过重采样后的MSI影像数据，基于6S软件完成从表观反射率到大气底部反射率的转换。
优选地，所述计算单元具体用于：
基于公式MCI＝rBOA(B5)-1.005*(rBOA(B4)+(rBOA(B6)-rBOA(B4))(705-665)/(740-665)))计算出MCI指数，其中，rBOA为大气底部反射率。
综上所述，本发明公开了一种基于MSI影像的水色异常区域识别方法，当需要对水色异常区域进行识别时，首先基于MSI影像数据计算出MCI指数，然后对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；将赋值为1的部分确定为第一水色异常区域；对第一水色异常区域边界进行修正，得到第二水色异常区域。本发明能够基于MSI影像，有效解决现有影像重访周期低的问题，进而能够有效提高水色异常区域的识别效果。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种基于MSI影像的水色异常区域识别方法实施例1的方法流程图；
图2为本发明公开的一种基于MSI影像的水色异常区域识别方法实施例2的方法流程图；
图3为本发明公开的一种基于MSI影像的水色异常区域识别方法实施例3的方法流程图；
图4为本发明公开的一种基于MSI影像的水色异常区域识别系统实施例1的结构示意图；
图5为本发明公开的一种基于MSI影像的水色异常区域识别系统实施例2的结构示意图；
图6为本发明公开的一种基于MSI影像的水色异常区域识别系统实施例3的结构示意图。
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。
如图1所示，为本发明公开的一种基于MSI影像的水色异常区域识别方法实施例1的方法流程图，所述方法可以包括以下步骤：
S101、基于MSI影像数据计算出MCI指数；
当需要对水色异常区域进行识别时，首先通过MSI影像数据计算出MCI指数。其中，哨兵2号卫星搭载的MSI传感器重复周期高，5天基本能覆盖一次，因此MSI影像数据具有较大的利用价值。其中，在基于MSI影像数据计算出MCI指数时，可以通过ENVI、SNAP等专业软件完成。
S102、对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
在计算出MCI指数后，进一步对计算出的MCI指数进行二值化处理，将二值化处理结果中小于0的值赋值为1，将二值化处理结果中大于等于0的值赋值为0。
S103、将赋值为1的部分确定为第一水色异常区域；
然后，将赋值为1的部分确定为第一水色异常区域，即将赋值为1的部分确定为初步的水色异常区域。
S104、对第一水色异常区域边界进行修正，得到第二水色异常区域。
然后，再对确定的第一水色异常区域边界进行修正，得到最终的水色异常区域。
综上所述，在上述实施例中，当需要对水色异常区域进行识别时，首先基于MSI影像数据计算出MCI指数，然后对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；将赋值为1的部分确定为第一水色异常区域；对第一水色异常区域边界进行修正，得到第二水色异常区域。能够基于MSI影像，有效解决现有影像重访周期低的问题，进而能够有效提高水色异常区域的识别效果。
如图2所示，为本发明公开的一种基于MSI影像的水色异常区域识别方法实施例2的方法流程图，所述方法可以包括以下步骤：
S201、基于MSI影像数据计算出MCI指数；
当需要对水色异常区域进行识别时，首先通过MSI影像数据计算出MCI指数。其中，哨兵2号卫星搭载的MSI传感器重复周期高，5天基本能覆盖一次，因此MSI影像数据具有较大的利用价值。其中，在基于MSI影像数据计算出MCI指数时，可以通过ENVI、SNAP等专业软件完成。
S202、对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
在计算出MCI指数后，进一步对计算出的MCI指数进行二值化处理，将二值化处理结果中小于0的值赋值为1，将二值化处理结果中大于等于0的值赋值为0。
S203、将赋值为1的部分确定为第一水色异常区域；
然后，将赋值为1的部分确定为第一水色异常区域，即将赋值为1的部分确定为初步的水色异常区域。
S204、结合目视解译对第一水色异常区域边界进行修正，得到第二水色异常区域。
然后，再对确定的第一水色异常区域边界，结合目视解译进行修正，得到最终的水色异常区域。
综上所述，本实施例在上述实施例的基础上，在对第一水色异常区域边界进行修正时，具体可以采用结合目视解译的方式进行修正。
如图3所示，为本发明公开的一种基于MSI影像的水色异常区域识别方法实施例3的方法流程图，所述方法可以包括以下步骤：
S301、对MSI影像数据进行重采样；
当需要对水色异常区域进行识别时，首先通过MSI影像数据计算出MCI指数。其中，哨兵2号卫星搭载的MSI传感器重复周期高，5天基本能覆盖一次，因此MSI影像数据具有较大的利用价值。其中，在基于MSI影像数据计算出MCI指数时，可以通过ENVI、SNAP等专业软件完成。
具体的，可以利用SNAP软件对MSI影像数据进行重采样，使所有波段都采样为10米。
S302、将经过重采样后的MSI影像数据完成从表观反射率到大气底部反射率的转换；
具体可以采用以下其中一种方式实现：
(1)将经过重采样后的MSI影像数据，基于大气校正专用模块SEN2COR完成从表观反射率到大气底部反射率的转换；
(2)将经过重采样后的MSI影像数据，基于6S软件完成从表观反射率到大气底部反射率的转换；
(3)将经过重采样后的MSI影像数据，采用其它软件完成从表观反射率到大气底部反射率的转换。
S303、基于大气底部反射率计算出MCI指数；
然后，基于公式MCI＝rBOA(B5)-1.005*(rBOA(B4)+(rBOA(B6)-rBOA(B4))(705-665)/(740-665)))计算出MCI指数。其中，rBOA为大气底部反射率，对于MSI的波段设置，采用665nm的B4、740nm的B6、705nm的B5的大气底部反射率。
S304、对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
在计算出MCI指数后，进一步对计算出的MCI指数进行二值化处理，将二值化处理结果中小于0的值赋值为1，将二值化处理结果中大于等于0的值赋值为0。
S305、将赋值为1的部分确定为第一水色异常区域；
然后，将赋值为1的部分确定为第一水色异常区域，即将赋值为1的部分确定为初步的水色异常区域。
S306、结合目视解译对第一水色异常区域边界进行修正，得到第二水色异常区域。
然后，再对确定的第一水色异常区域边界，结合目视解译进行修正，得到最终的水色异常区域。
综上所述，本发明能够基于MSI影像，有效解决现有影像重访周期低的问题，进而能够有效提高水色异常区域的识别效果。
如图4所示，为本发明公开的一种基于MSI影像的水色异常区域识别系统实施例1的结构示意图，所述系统可以包括：
计算模块401，用于基于MSI影像数据计算出MCI指数；
当需要对水色异常区域进行识别时，首先通过MSI影像数据计算出MCI指数。其中，哨兵2号卫星搭载的MSI传感器重复周期高，5天基本能覆盖一次，因此MSI影像数据具有较大的利用价值。其中，在基于MSI影像数据计算出MCI指数时，可以通过ENVI、SNAP等专业软件完成。
处理模块402，用于对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
在计算出MCI指数后，进一步对计算出的MCI指数进行二值化处理，将二值化处理结果中小于0的值赋值为1，将二值化处理结果中大于等于0的值赋值为0。
确定模块403，用于将赋值为1的部分确定为第一水色异常区域；
然后，将赋值为1的部分确定为第一水色异常区域，即将赋值为1的部分确定为初步的水色异常区域。
修正模块404，用于对第一水色异常区域边界进行修正，得到第二水色异常区域。
然后，再对确定的第一水色异常区域边界进行修正，得到最终的水色异常区域。
综上所述，在上述实施例中，当需要对水色异常区域进行识别时，首先基于MSI影像数据计算出MCI指数，然后对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；将赋值为1的部分确定为第一水色异常区域；对第一水色异常区域边界进行修正，得到第二水色异常区域。能够基于MSI影像，有效解决现有影像重访周期低的问题，进而能够有效提高水色异常区域的识别效果。
如图5所示，为本发明公开的一种基于MSI影像的水色异常区域识别系统实施例2的结构示意图，所述系统可以包括：
计算模块501，用于基于MSI影像数据计算出MCI指数；
当需要对水色异常区域进行识别时，首先通过MSI影像数据计算出MCI指数。其中，哨兵2号卫星搭载的MSI传感器重复周期高，5天基本能覆盖一次，因此MSI影像数据具有较大的利用价值。其中，在基于MSI影像数据计算出MCI指数时，可以通过ENVI、SNAP等专业软件完成。
处理模块502，用于对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
在计算出MCI指数后，进一步对计算出的MCI指数进行二值化处理，将二值化处理结果中小于0的值赋值为1，将二值化处理结果中大于等于0的值赋值为0。
确定模块503，用于将赋值为1的部分确定为第一水色异常区域；
然后，将赋值为1的部分确定为第一水色异常区域，即将赋值为1的部分确定为初步的水色异常区域。
修正模块504，用于结合目视解译对第一水色异常区域边界进行修正，得到第二水色异常区域。
然后，再对确定的第一水色异常区域边界，结合目视解译进行修正，得到最终的水色异常区域。
综上所述，本实施例在上述实施例的基础上，在对第一水色异常区域边界进行修正时，具体可以采用结合目视解译的方式进行修正。
如图6所示，为本发明公开的一种基于MSI影像的水色异常区域识别系统实施例3的结构示意图，所述系统可以包括：
重采样单元601，用于对MSI影像数据进行重采样；
当需要对水色异常区域进行识别时，首先通过MSI影像数据计算出MCI指数。其中，哨兵2号卫星搭载的MSI传感器重复周期高，5天基本能覆盖一次，因此MSI影像数据具有较大的利用价值。其中，在基于MSI影像数据计算出MCI指数时，可以通过ENVI、SNAP等专业软件完成。
具体的，可以利用SNAP软件对哨兵2号数据进行重采样，使所有波段都采样为10米。
转换单元602，用于将经过重采样后的MSI影像数据完成从表观反射率到大气底部反射率的转换；
具体可以采用以下其中一种方式实现：
(1)将经过重采样后的MSI影像数据，基于大气校正专用模块SEN2COR完成从表观反射率到大气底部反射率的转换；
(2)将经过重采样后的MSI影像数据，基于6S软件完成从表观反射率到大气底部反射率的转换；
(3)将经过重采样后的MSI影像数据，采用其它软件完成从表观反射率到大气底部反射率的转换。
计算单元603，用于基于大气底部反射率计算出MCI指数；
然后，基于公式MCI＝rBOA(B5)-1.005*(rBOA(B4)+(rBOA(B6)-rBOA(B4))(705-665)/(740-665)))计算出MCI指数。其中，rBOA为大气底部反射率，对于MSI的波段设置，采用665nm的B4、740nm的B6、705nm的B5的大气底部反射率。
处理模块604，用于对MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
在计算出MCI指数后，进一步对计算出的MCI指数进行二值化处理，将二值化处理结果中小于0的值赋值为1，将二值化处理结果中大于等于0的值赋值为0。
确定模块605，用于将赋值为1的部分确定为第一水色异常区域；
然后，将赋值为1的部分确定为第一水色异常区域，即将赋值为1的部分确定为初步的水色异常区域。
修正模块606，用于结合目视解译对第一水色异常区域边界进行修正，得到第二水色异常区域。
然后，再对确定的第一水色异常区域边界，结合目视解译进行修正，得到最终的水色异常区域。
综上所述，本发明能够基于MSI影像，有效解决现有影像重访周期低的问题，进而能够有效提高水色异常区域的识别效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于MSI影像的水色异常区域识别方法，其特征在于，包括：
基于MSI影像数据计算出MCI指数；
对所述MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
将赋值为1的部分确定为第一水色异常区域；
对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
2.根据权利要求1所述的方法，其特征在于，基于MSI影像数据计算出MCI指数，包括：
对MSI影像数据进行重采样；
将经过重采样后的MSI影像完成从表观反射率到大气底部反射率的转换；
基于所述大气底部反射率计算出MCI指数。
3.根据权利要求1所述的方法，其特征在于，对所述第一水色异常区域边界进行修正，得到第二水色异常区域，包括：
结合目视解译对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
4.根据权利要求3所述的方法，其特征在于，所述将经过重采样后的MSI影像完成从表观反射率到大气底部反射率的转换，包括以下其中一种实现方式：
将经过重采样后的MSI影像，基于大气校正专用模块SEN2COR完成从表观反射率到大气底部反射率的转换；
将经过重采样后的MSI影像，基于6S软件完成从表观反射率到大气底部反射率的转换。
5.根据权利要求4所述的方法，其特征在于，所述基于所述大气底部反射率计算出MCI指数，包括：
基于公式MCI＝rBOA(B5)-1.005*(rBOA(B4)+(rBOA(B6)-rBOA(B4))(705-665)/(740-665)))计算出MCI指数，其中，rBOA为大气底部反射率。
6.一种基于MSI影像的水色异常区域识别系统，其特征在于，包括：
计算模块，用于基于MSI影像数据计算出MCI指数；
处理模块，用于对所述MCI指数进行二值化处理，将小于0的值赋值为1，将大于等于0的值赋值为0；
确定模块，用于将赋值为1的部分确定为第一水色异常区域；
修正模块，用于对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
7.根据权利要求6所述的系统，其特征在于，所述计算模块包括：
重采样单元，用于对MSI影像数据进行重采样；
转换单元，用于将经过重采样后的MSI影像完成从表观反射率到大气底部反射率的转换；
计算单元，用于基于所述大气底部反射率计算出MCI指数。
8.根据权利要求7所述的系统，其特征在于，所述修正模块具体用于：
结合目视解译对所述第一水色异常区域边界进行修正，得到第二水色异常区域。
9.根据权利要求8所述的系统，其特征在于，所述转换单元具体用于执行以下其中一种方式：
将经过重采样后的MSI影像，基于大气校正专用模块SEN2COR完成从表观反射率到大气底部反射率的转换；
将经过重采样后的MSI影像，基于6S软件完成从表观反射率到大气底部反射率的转换。
10.根据权利要求9所述的系统，其特征在于，所述计算单元具体用于：
基于公式MCI＝rBOA(B5)-1.005*(rBOA(B4)+(rBOA(B6)-rBOA(B4))(705-665)/(740-665)))计算出MCI指数，其中，rBOA为大气底部反射率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722617.4A CN113343908A (zh) | 2021-06-28 | 2021-06-28 | 一种基于msi影像的水色异常区域识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722617.4A CN113343908A (zh) | 2021-06-28 | 2021-06-28 | 一种基于msi影像的水色异常区域识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343908A true CN113343908A (zh) | 2021-09-03 |
Family
ID=77481160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110722617.4A Pending CN113343908A (zh) | 2021-06-28 | 2021-06-28 | 一种基于msi影像的水色异常区域识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343908A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758106A (zh) * | 2023-07-13 | 2023-09-15 | 江苏中天吉奥信息技术股份有限公司 | 基于无人机的水流登记单元界线核实方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108169142A (zh) * | 2017-12-20 | 2018-06-15 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
| CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
| CN112507763A (zh) * | 2019-09-16 | 2021-03-16 | 中科星图股份有限公司 | 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质 |
-
2021
- 2021-06-28 CN CN202110722617.4A patent/CN113343908A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108169142A (zh) * | 2017-12-20 | 2018-06-15 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
| CN112507763A (zh) * | 2019-09-16 | 2021-03-16 | 中科星图股份有限公司 | 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质 |
| CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| CAREN E. BINDING等: "The MERIS MCI and its potential for satellite detection of winter diatom blooms on partially ice-covered Lake Erie", 《JOURNAL OF PLANKTON RESEARCH》, vol. 34, no. 6, 28 February 2012 (2012-02-28), pages 569 - 573 * |
| MENGQIU WANG 等: "Automatic extraction of Sargassum features from Sentinel-2 MSI images", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 59, no. 3, 26 June 2020 (2020-06-26), pages 2579, XP011838488, DOI: 10.1109/TGRS.2020.3002929 * |
| 李旭文 等: ""哨兵-3"卫星 OLCI 影像 MPH 算法反演太湖叶绿素a及藻草区分的研究", 《环境监控与预警》, vol. 11, no. 5, 30 September 2019 (2019-09-30), pages 59 - 65 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758106A (zh) * | 2023-07-13 | 2023-09-15 | 江苏中天吉奥信息技术股份有限公司 | 基于无人机的水流登记单元界线核实方法 |
| CN116758106B (zh) * | 2023-07-13 | 2024-02-27 | 江苏中天吉奥信息技术股份有限公司 | 基于无人机的水流登记单元界线核实方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4185075B2 (ja) | 緑被率マップ作成装置、緑被率マップ作成方法、及び、プログラム。 | |
| EP2095331A1 (en) | Spatial and spectral calibration of a panchromatic, multispectral image pair | |
| CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
| CN111380836A (zh) | 基于遥感影像的黑臭水定位方法、装置及其相关设备 | |
| CN108932708A (zh) | 基于超分辨增强的星载多光谱遥感图像融合方法 | |
| CN110458787B (zh) | 一种图像融合方法、装置及计算机存储介质 | |
| CN111681171B (zh) | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 | |
| CN111402162A (zh) | 卫星遥感图像的晴空数据集处理方法 | |
| CN112529827A (zh) | 遥感图像融合模型的训练方法及装置 | |
| CN111738916A (zh) | 一种基于统计学的遥感影像广义阴影光谱重建方法和系统 | |
| CN116468958B (zh) | 通信铁塔安全检测方法及系统 | |
| CN113343908A (zh) | 一种基于msi影像的水色异常区域识别方法及系统 | |
| US20230078777A1 (en) | Methods and systems for hyperspectral image correction | |
| CN115170406A (zh) | 一种光学影像与sar强度影像高精度融合方法 | |
| CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
| LU507672B1 (en) | Generation method and apparatus of public interest litigation clue and storage medium | |
| CN116721243B (zh) | 一种空谱特征约束的深度学习大气校正方法及系统 | |
| CN112991205A (zh) | 一种日冕图像增强方法、系统、介质、设备及应用 | |
| CN112085684A (zh) | 一种遥感图像融合的方法及装置 | |
| CN108335320A (zh) | 多源遥感影像的空间配准方法及空间配准系统 | |
| CN114972122A (zh) | 高光谱遥感图像坏像元复原方法、装置、电子设备及介质 | |
| CN112927150B (zh) | 高光谱图像的水体倒影区域光谱恢复方法及终端设备 | |
| CN113888421A (zh) | 一种多光谱卫星遥感图像融合方法 | |
| CN114331930A (zh) | 全色多光谱影像融合方法和装置 | |
| CN116051399B (zh) | 一种亚米级卫星真彩色影像合成方法、系统及设备 |
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 |