CN113379759A - 一种光学遥感卫星影像水体自动提取方法 - Google Patents
一种光学遥感卫星影像水体自动提取方法 Download PDFInfo
- Publication number
- CN113379759A CN113379759A CN202110511048.9A CN202110511048A CN113379759A CN 113379759 A CN113379759 A CN 113379759A CN 202110511048 A CN202110511048 A CN 202110511048A CN 113379759 A CN113379759 A CN 113379759A
- Authority
- CN
- China
- Prior art keywords
- water body
- image
- area
- result
- waterbody
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种国产光学遥感卫星影像水体自动提取方法,本发明基于多光谱影像表观反射率数据计算归一化水体指数,基于数字高程模型和影像成像时的太阳高度角和方位角计算山体阴影和坡度;使用阈值法分别得到水体初始区域和山体部分非水体区域;接着水体初始区域膨胀为原面积两倍,采用最大类间方差法取得水体提取精确阈值,得到水体二次提取结果;最后结合水体二次提取结果和山体部分非水体区域,得到去除非水体区域后水体结果,对其进行空间滤波,得到水体最终结果。该方法可较为准确的、大范围、自动化提取国产光学遥感卫星影像中的水体分布及范围信息。
Description
技术领域
本发明属于遥感图像处理领域,具体涉及国产光学遥感卫星影像的水体自动提取方法。
背景技术
陆地表面的水体(河流、湖泊、水库等)占地球水体总量比例不大,但空间分布较为广泛,是人类所依赖的自然生态环境中重要的一部分,与人类的生产生活紧密相关。陆地表面特定区域水体的连续空间分布和时间变化信息,对于农业生产、生态环境保护和自然灾害监测等都具有较大价值和意义。
遥感卫星每天都在对地表成像,获取地球表面的信息,基于多期光学卫星遥感影像通过一定的分析处理步骤可以得到陆地表面水体的连续时空信息。国产光学遥感卫星在轨有几十颗,特别是空间分辨率十米级别的光学卫星,多星组网可以每天观测中国区域一遍,基于国产卫星自动、准确地提取水体存在一些困难和问题,主要在于:(1)虽然水体有比较明显的区别于其它地物的光谱特征,但它的光谱特征会随着水中溶解物质的含量、水体深度、流动性等发生较大范围的变动,常用的水体指数阈值方法提取水体会因水体的时空变化导致阈值不确定而难以自动化;(2)山体阴影与水体光谱特征在4波段多光谱影像上较为类似,容易被识别为水体;(3)国产光学卫星遥感影像暂未有稳定可靠的地表反射率产品,已有的自动提取地水体方法大多针对国外卫星经过大气校正的地表反射率数据。
发明内容
现有方法对于国产光学遥感卫星影像,水体难以较高精度的自动化提取,针对现有技术的不足,本发明提出了一种国产光学遥感卫星影像水体自动提取方法,使用国产光学遥感卫星影像、水体先验数据和数字高程模型作为输入数据,以达到全自动、逐日、大范围准确提取水体空间分布信息。
本发明的技术方案是:
一种光学遥感卫星影像水体自动提取方法,包括步骤如下:
首先准备好指定区域的水体分布栅格历史数据、国产光学遥感卫星多光谱影像表观反射率数据和数字高程模型数据。
步骤1、根据目标图像区域对应的水体分布栅格历史数据,获得目标图像中的预测水体区域;
步骤2、根据多光谱影像表观反射率数据,计算预测水体区域中每个图像元素的归一化水体指数;
步骤3、根据步骤1所述目标图像中的预测水体区域,并根据步骤2所述归一化水体指数,使用阈值法得到水体初始区域;
步骤4、基于数字高程模型DEM和影像成像时的太阳高度角和方位角,计算目标图像中所有图像元素的山体阴影Hills和坡度弧度值Sr;
步骤5、根据步骤4所述目标图像中所有图像元素的山体阴影Hills和坡度弧度值Sr,使用阈值法得到非水体区域提取结果Snw;
步骤6、将步骤3所述水体初始区域膨胀为原面积两倍,采用最大类间方差法取得水体提取精确阈值,得到每个图像元素的水体二次提取结果Waterbodyv2;
步骤7、根据步骤5非水体区域提取结果Snw,根据步骤6所述每个图像元素的水体二次提取结果Waterbodyv2,得到去除非水体区域后水体结果 Waterbodyv3,令目标图像中水体结果Waterbodyv3不为零的图像元素作为水体像元,对水体像元进行空间滤波,得到水体最终结果,完成水体提取。
本发明与现有技术相比的有益效果是:
(1)本发明建立了一种水体快速、自动提取方法,该方法有效提高了基于遥感影像的水体提取精度。
(2)本发明提出的方法解决了国产光学遥感卫星影像无稳定反射率产品所导致的水体提取自动化和精度不够稳健的问题,对国产数据适应性较好。
附图说明
图1为本文提出的国产光学遥感卫星影像水体自动提取方法流程图。
具体实施方式
本发明基于前人的研究成果,提出了一种新的针对国产光学遥感卫星影像水体自动提取方法,可以全自动、逐日(或周/旬/月)、大范围(例如中国区域) 的从国产光学遥感卫星影像中获取水体的空间分布信息,方法计算效率较高,对国产光学遥感卫星适应性好,整体的水体提取精度可优于90%。
本发明一种国产光学遥感卫星影像水体自动提取方法,流程如图1所示,具体包括以下步骤:
步骤1、根据目标图像区域对应的水体分布栅格历史数据,获得目标图像中的预测水体区域;
步骤2、根据多光谱影像表观反射率数据,计算预测水体区域中每个图像元素的归一化水体指数;
步骤3、根据步骤1所述目标图像中的预测水体区域,并根据步骤2所述归一化水体指数,使用阈值法得到水体初始区域;具体为:
31)根据步骤1所述目标图像中的预测水体区域,并根据步骤2所述归一化水体指数,确定水体阈值;具体为:
将目标图像中水体区域的所有图像元素的归一化水体指数由小到大依次排列,获得归一化水体指数序列,令水体阈值等于归一化水体指数序列中排序前75%中最末尾的值。
32)根据步骤31)所述水体阈值,对目标图像中的水体区域进行二值化处理,获得目标图像预测水体区域中每个图像元素的水体初始区域结果Waterbodyv1;
若NDWI>Tw1则Waterbodyv1=1;反之Waterbodyv1=0;
33)获得水体初始区域结果Waterbodyv1为1的图像元素,作为水体初始区域。
步骤4、基于数字高程模型DEM和影像成像时的太阳高度角和方位角,计算目标图像中所有图像元素的山体阴影Hills和坡度弧度值Sr;
Hills=255×((cosZr×cosSr)+sinZr×sinSr×cos(Ar-Aspr));
Zr=Zenith×pi/180;
Ar=(360-Azimuth+90.0)×pi/180;
其中,Sr为每个图像元素对应的坡度弧度值,Aspr为每个图像元素对应的坡向弧度值,Azimuth为太阳方位角,Zenith为太阳天顶角,pi为圆周率值, pi=3.1415926。
步骤5、根据步骤4所述目标图像中所有图像元素的山体阴影Hills和坡度弧度值Sr,使用阈值法得到非水体区域提取结果Snw;
在Hills<Th或者Sr>Ts时,Snw=0;其余情况时,Snw=1;
其中,Th为山体阴影阈值,取值范围为140~160;Ts为坡度弧度阈值,取值范围为0.26~0.44(即15°~25°。)
步骤6、将步骤3所述水体初始区域膨胀为原面积两倍,采用最大类间方差法取得水体提取精确阈值,得到每个图像元素的水体二次提取结果Waterbodyv2;
步骤7、根据步骤5非水体区域提取结果Snw,根据步骤6所述每个图像元素的水体二次提取结果Waterbodyv2,得到去除非水体区域后水体结果 Waterbodyv3,令目标图像中水体结果Waterbodyv3不为零的图像元素作为水体像元,对水体像元进行空间滤波,得到水体最终结果,完成水体提取。
Waterbodyv3=Waterbodyv2×Snw;
获得所有水体初始区域结果Waterbodyv3为1的图像元素,作为水体最终结果。
实施例
一种国产光学遥感卫星影像水体自动提取方法,包括以下步骤:
步骤1、准备好单个分块区域的水体分布栅格历史数据、国产光学遥感卫星多光谱影像表观反射率数据和数字高程模型数据;
单个分块区域,指的是对需求区域进行标准地理格网分块后的某一块区域,例如单个格网边长为固定长度的正方形区域,某一区域的水体提取结果可以由覆盖该区域的多个分块水体结果拼接镶嵌而成。
水体分布栅格历史数据(二值图,水体为1)可以使用单个分块区域已有的某一期水体分布历史数据,二值栅格图像,例如可以使用开源的全球水域边界数据(SRTM waterbody data,SWBD)。
数字高程模型(Digital Elevation Model,DEM)数据使用分块区域已有的 DEM,例如可以使用开源的全球先进星载热发射和反射辐射仪全球数字高程模型 (AdvancedSpaceborne Thermal Emission and Reflection Radiometer Global DigitalElevation Model,ASTER GDEM)。
国产光学遥感卫星多光谱影像在经过正射校正后,DN值转换为表观反射率首先使用辐射定标系数把波段的DN值转为辐亮度,具体公式如下:
L=Gain×DN+Bias (1)
其中L是卫星载荷波段入瞳处等效辐射亮度(W·m-2·sr-1·μm-1),Gain 和Bias分别为定标系数增益、偏移量。
然后计算各波段的表观反射率B,具体公式如下:
其中B为表观反射率(无量纲),i为第i波段,π为常量,L为辐亮度,D 为日地距离(天文单位),ESUN为大气层顶的平均太阳光谱辐照度(W·m-2·sr-1·μm-1),θ为太阳的天顶角。
步骤2、基于多光谱影像表观反射率数据计算归一化水体指数,基于数字高程模型和影像成像时的太阳高度角和方位角计算山体阴影和坡度;
计算归一化水体指数(Normalized Difference Water Index,NDWI),公式如下:
NDWI=(G-NIR)/(G+NIR) (3)
其中,NIR和G分别表示多光谱影像数据的近红外和绿波段的表观反射率。
山体阴影计算需要首先计算太阳天顶角弧度值、太阳方位角(数学上)弧度值、坡度弧度值、坡向弧度值。
太阳天顶角弧度值计算公式如下:
Zr=Zenith×pi/180.0 (4)
其中Zenith为太阳天顶角(来自于所用国产光学影像对应的元文件),pi 为圆周率值3.1415926。
太阳方位角(数学上)弧度值Ar计算公式如下:
Ar=(360.0-Azimuth+90.0)×pi/180.0 (5)
其中Azimuth为太阳方位角(来自于所用国产光学影像对应的元文件)。
坡度和坡向的计算基于DEM数据,某一个像元(例如下表中的e像元)坡度和坡向计算需要使用以该像元为中心的一个3*3的窗口中的DEM值(高程值),9 个像素从左到右、从上到下分别用a-i表示,如下表。
a | b | c |
d | e | f |
g | h | i |
像元e在X方向上的变化率σx计算公式为:
σx=((Hc+Hf×2+Hi)-(Ha+Hd×2+Hg)/(Cs×8)) (6)
其中,Hc、Hf、Hi、Ha、Hd、Hg分别是c、f、i、a、d、g像元的DEM值, Cs为DEM的像元格网大小。
像元e在Y方向上的变化率σy计算公式为:
σy=((Hg+Hh×2+Hi)-(Ha+Hb×2+Hc)/(Cs×8)) (7)
其中,Hh、Hb分别是h、b像元的DEM值。
当像元的Z方向(高程)和XY平面单位一致时,坡度的弧度Sr计算公式为:
坡向弧度值Aspr计算方法为,当σx为非0:
Aspr=atan2(σy,-σx) (9)
如果Aspr<0,Aspr=pi×2+Aspr,其中atan2是C语言的函数,返回以弧度表示的反正切。当σx等于0时:
山体阴影Hills计算,公式如下:
Hills=255.0×((cosZr×cosSr)+sinZr×sinSr×cos(Ar-Aspr)) (11)
其中,Hills为每一个栅格像元的阴影值,值域范围为0-255,如果Hills的值小于0则设为0,大于255则设为255。
步骤3、使用阈值法分别得到水体初始区域和山体部分非水体区域;
水体初始区域的提取基于步骤2得到的NDWI栅格数据,采用阈值法得到。阈值的确定使用NDWI数据和水体分布栅格历史数据,统计水体分布历史数据中水体区域的NDWI值,取第三个四分位数为阈值Tw1(NDWI数值由小到大排列后第 75%的数字)。水体初始区域Waterbodyv1计算公式为:
Waterbodyv1=NDWI>Tw1(12)
其中WaterbodyV1是水体初始区域结果的二值矩阵,满足公式(12)条件的图像元素值为1,否者为0
山体部分非水体区域Snw基于阴影区域和坡度,采用阈值法得到,用于去除被识别为水体的非水体区域(主要为阴影)。
Snw=Hills<Th orSr>Ts (13)
Th为山体阴影的阈值,可以设为150,Ts为坡度弧度阈值,可以设为0.35(角度为20°),Snw是非水体区域提取结果的二值矩阵,满足公式(13)条件的图像元素值为0,否者为1。
步骤4、水体初始区域膨胀为原面积两倍,采用最大类间方差法取得水体提取精确阈值,得到水体二次提取结果;
对水体初始区域进行形态学多次膨胀,当膨胀后的像元数等于或略大于原水体初始区域像元数的两倍时停止膨胀,得到水体初始区域膨胀后的区域Abuf。用 Abuf区域裁切NDWI数据,得到NDWIAbuf。
对NDWIAbuf采用最大类间方差法(简称OTSU方法)提取精确分割阈值,类间方差的具体公式如下:
g=ω1*ω2*(μ1-μ2)2 (14)
其中g为类间方差,ω1为前景像素点占待分割区域像素点的比例,前景像素点的平均灰度为μ1,ω2为背景像素点占待分割区域像素点的比例,背景像素点的平均灰度为μ2;采用遍历的方法找到类间方差的最大值,对应的阈值K即为分割图像的阈值。
水体二次提取结果Waterbodyv2的公式如下:
Waterbodyv2=NDWI>Tw2 (15)
其中Waterbodyv2是水体二次提取结果的二值矩阵,满足公式(15)条件的图像元素值为1,否者为0;Tw2是用OTSU方法自动得到的阈值。
步骤5、结合水体二次提取结果和山体部分非水体区域,得到去除非水体区域后水体结果,对其进行空间滤波,得到水体最终结果。
去除非水体区域后的水体结果Waterbodyv3计算公式为:
Waterbodyv3=Waterbodyv2×Snw (16)
其中WaterbodyV3是去除非水体区域后水体结果的二值矩阵,公式(16)中的乘法指数组乘法,对应元素相乘,所得结果仍为同大小矩阵,水体的像元值为1,非水体为0。
对WaterbodyV3进行空间滤波,消除细小空洞。使用3*3模板分析非水体像元,如果该像元的邻接像元(实际有8个)有5个以上是水体像元,就把该像元重新设置为水体像元(设置值为1);另外滤除孤立点,去除小于5个像素的水体目标(设置值为0);最终得到水体区域的图像二值矩阵,完成分块影像的自动水体提取。
本发明可通过编写计算机应用程序实施水体提取过程。
本发明说明书中未作详细描述的内容属本领域专业技术人员的公知技术。
Claims (6)
1.一种光学遥感卫星影像水体自动提取方法,其特征在于,包括以下步骤:
步骤1、根据目标图像区域对应的水体分布栅格历史数据,获得目标图像中的预测水体区域;
步骤2、根据多光谱影像表观反射率数据,计算预测水体区域中每个图像元素的归一化水体指数;
步骤3、根据步骤1所述目标图像中的预测水体区域,并根据步骤2所述归一化水体指数,使用阈值法得到水体初始区域;
步骤4、基于数字高程模型DEM和影像成像时的太阳高度角和方位角,计算目标图像中所有图像元素的山体阴影Hills和坡度弧度值Sr;
步骤5、根据步骤4所述目标图像中所有图像元素的山体阴影Hills和坡度弧度值Sr,使用阈值法得到非水体区域提取结果Snw;
步骤6、将步骤3所述水体初始区域膨胀为原面积两倍,采用最大类间方差法取得水体提取精确阈值,得到每个图像元素的水体二次提取结果Waterbodyv2;
步骤7、根据步骤5非水体区域提取结果Snw,根据步骤6所述每个图像元素的水体二次提取结果Waterbodyv2,得到去除非水体区域后水体结果Waterbodyv3,令目标图像中水体结果Waterbodyv3不为零的图像元素作为水体像元,对水体像元进行空间滤波,得到水体最终结果,完成水体提取。
2.根据权利要求1所述的一种光学遥感卫星影像水体自动提取方法,其特征在于,步骤3)所述使用阈值法得到水体初始区域的方法,具体为:
31)根据步骤1所述目标图像中的预测水体区域,并根据步骤2所述归一化水体指数,确定水体阈值;具体为:
将目标图像中水体区域的所有图像元素的归一化水体指数由小到大依次排列,获得归一化水体指数序列,令水体阈值等于归一化水体指数序列中排序前75%中最末尾的值;
32)根据步骤31)所述水体阈值,对目标图像中的水体区域进行二值化处理,获得目标图像预测水体区域中每个图像元素的水体初始区域结果Waterbodyv1;
33)获得水体初始区域结果Waterbodyv1为1的图像元素,作为水体初始区域。
3.根据权利要求2所述的一种光学遥感卫星影像水体自动提取方法,其特征在于,步骤32)获得水体初始区域结果Waterbodyv1的方法,具体为:
若NDWI>Tw1则Waterbodyv1=1;反之Waterbodyv1=0。
4.根据权利要求1~3任意一项所述的一种光学遥感卫星影像水体自动提取方法,其特征在于,步骤4所述计算目标图像中所有图像元素的山体阴影Hills和坡度弧度值Sr的方法,具体为:
Hills=255×((cosZr×cosSr)+sinZr×sinSr×cos(Ar-Aspr));
Zr=Zenith×pi/180;
Ar=(360-Azimuth+90.0)×pi/180;
其中,Sr为每个图像元素对应的坡度弧度值,Aspr为每个图像元素对应的坡向弧度值,Azimuth为太阳方位角,Zenith为太阳天顶角,pi为圆周率值,pi=3.1415926。
5.根据权利要求4所述的一种光学遥感卫星影像水体自动提取方法,其特征在于,步骤5使用阈值法得到非水体区域提取结果Snw的方法,具体为:
在Hills<Th或者Sr>Ts时,Snw=0;其余情况时,Snw=1;
其中,Th为山体阴影阈值,取值范围为140~160;Ts为坡度弧度阈值,取值范围为0.26~0.44。
6.根据权利要求5所述的一种光学遥感卫星影像水体自动提取方法,其特征在于,步骤7所述得到去除非水体区域后水体结果Waterbodyv3的方法,具体为:
Waterbodyv3=Waterbodyv2×Snw。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511048.9A CN113379759A (zh) | 2021-05-11 | 2021-05-11 | 一种光学遥感卫星影像水体自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511048.9A CN113379759A (zh) | 2021-05-11 | 2021-05-11 | 一种光学遥感卫星影像水体自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379759A true CN113379759A (zh) | 2021-09-10 |
Family
ID=77572676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110511048.9A Pending CN113379759A (zh) | 2021-05-11 | 2021-05-11 | 一种光学遥感卫星影像水体自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379759A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022789A (zh) * | 2022-01-10 | 2022-02-08 | 成都国星宇航科技有限公司 | 水体信息提取方法、装置、电子设备及存储介质 |
CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN117557584A (zh) * | 2024-01-10 | 2024-02-13 | 北京观微科技有限公司 | 水体提取方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN107730527A (zh) * | 2017-10-16 | 2018-02-23 | 中国科学院遥感与数字地球研究所 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
CN109671111A (zh) * | 2018-11-09 | 2019-04-23 | 西安电子科技大学 | 基于可见光遥感图像的温度场调制方法 |
CN111553922A (zh) * | 2020-03-26 | 2020-08-18 | 中国资源卫星应用中心 | 一种卫星遥感影像自动云检测方法 |
-
2021
- 2021-05-11 CN CN202110511048.9A patent/CN113379759A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN107730527A (zh) * | 2017-10-16 | 2018-02-23 | 中国科学院遥感与数字地球研究所 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
CN109671111A (zh) * | 2018-11-09 | 2019-04-23 | 西安电子科技大学 | 基于可见光遥感图像的温度场调制方法 |
CN111553922A (zh) * | 2020-03-26 | 2020-08-18 | 中国资源卫星应用中心 | 一种卫星遥感影像自动云检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
CN114022789A (zh) * | 2022-01-10 | 2022-02-08 | 成都国星宇航科技有限公司 | 水体信息提取方法、装置、电子设备及存储介质 |
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN117557584A (zh) * | 2024-01-10 | 2024-02-13 | 北京观微科技有限公司 | 水体提取方法、装置、电子设备及存储介质 |
CN117557584B (zh) * | 2024-01-10 | 2024-04-09 | 北京观微科技有限公司 | 水体提取方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
CN113379759A (zh) | 一种光学遥感卫星影像水体自动提取方法 | |
CN109993237B (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
Lu et al. | Spectral mixture analysis of ASTER images for examining the relationship between urban thermal features and biophysical descriptors in Indianapolis, Indiana, USA | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
Makarau et al. | Haze detection and removal in remotely sensed multispectral imagery | |
Olthof et al. | Landsat-7 ETM+ radiometric normalization comparison for northern mapping applications | |
Lenney et al. | The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM | |
Wharton | A Spectral-Knowledge-Based Approach for Urban Land-Cover Discrmination | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN107063296B (zh) | 一种卫星遥感传感器在轨辐射定标方法 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
Dutta et al. | Characterizing vegetation canopy structure using airborne remote sensing data | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
Tuomisto | Influence of compositing criterion and data availability on pixel-based Landsat TM/ETM+ image compositing over Amazonian forests | |
Vuppula | Normalization of pseudo-invariant calibration sites for increasing the temporal resolution and long-term trending | |
CN115187481A (zh) | 一种机载推扫式高光谱影像辐射扰动校正方法 | |
Chelotti et al. | Space-Temporal analysis of suspended sediment in low concentration reservoir by remote sensing | |
Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
Yang et al. | A correction method of NDVI topographic shadow effect for rugged terrain | |
Wang et al. | Removing temperature drift and temporal variation in thermal infrared images of a UAV uncooled thermal infrared imager |
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 |