CN113837123A - 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 - Google Patents
一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 Download PDFInfo
- Publication number
- CN113837123A CN113837123A CN202111143122.2A CN202111143122A CN113837123A CN 113837123 A CN113837123 A CN 113837123A CN 202111143122 A CN202111143122 A CN 202111143122A CN 113837123 A CN113837123 A CN 113837123A
- Authority
- CN
- China
- Prior art keywords
- image
- probability
- spectral
- culture area
- area
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000009395 breeding Methods 0.000 claims abstract description 9
- 230000001488 breeding effect Effects 0.000 claims abstract description 9
- 238000012805 post-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 5
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 19
- 238000011160 research Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 description 15
- 244000144974 aquaculture Species 0.000 description 15
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012729 kappa analysis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000009364 mariculture Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Abstract
本发明公开了一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法,包括以下步骤:获取原始遥感影像,并对该图像进行重采样、波段合成和影像裁剪预处理;计算目标图像中养殖区的光谱和纹理特征的水体指数和灰度共生指数,并将获取的水体指数和灰度共生指数叠加到原始影像中,对原始影像进行波段扩展处理,获得波段扩展后影像;构建训练样本数据集,并利用支持向量机分类器对波段扩展后影像进行预测,基于光谱信息分类方式获得养殖区初分类结果;设置空间修正阈值,将养殖区初分类结果输入至马尔科夫随机场模型中,采用空间信息后处理方式对初分类结果进行空间上的修正和调整,输出养殖区最终提取结果。
Description
技术领域
本发明涉及遥感图像处理技术及近海养殖区提取领域,具体涉及一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法。
背景技术
我国海域辽阔,水产养殖业发展空间巨大。但近年来,由于海水养殖规模和密度的不断加大,导致近海养殖污染等问题日益严峻。因此,科学准确的监管近海水产养殖业具有十分重要的研究意义和应用价值。传统的养殖区监测通常采用海上实地考察的方式,易受气象条件等因素限制,并且耗时耗力。近年来,以对地观测为核心的遥感技术不断发展,遥感数据具有宏观性、实时性和长时序性等特点,尤其在海洋资源和环境调查等领域已展现出其特有的技术优势。因此,利用遥感技术,可以高效率、低成本的实现养殖区信息的精确提取,是辅助水产养殖业健康发展的重要技术手段。
当前利用遥感数据的近海养殖区提取研究大多基于高分辨率影像,虽然数据空间分辨率较高,但光谱通道有限,幅宽较小,并且影像获取成本也相对较高,不利于大面积动态监测。在基于中分辨率多光谱卫星数据的养殖区提取研究中,多采用构建水体指数和波段运算函数等利用影像光谱信息提取方法。但近海养殖区常存在同物异谱或同谱异物等现象,若仅利用影像光谱信息,无法克服“椒盐”噪声的影响,导致养殖区像元的误判。结合纹理特征或者基于面向对象等框架的空间信息后处理方法,虽然在一定程度上可以降低光谱差异的影响,但是受空间分布和尺度等不确定性因素的限制,往往提升效果有限。因此,一种高效,充分利用光谱和空间信息对近海养殖区进行提取的方法亟待提出。
发明内容
根据现有技术存在的不足,本发明提出一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法。用以解决传统近海养殖区提取方法识别效果差、精度低的技术问题。
为达到上述发明目的,本发明采用的技术方案包括如下步骤:
获取原始遥感影像,并对该图像进行重采样、波段合成和影像裁剪预处理,根据改进的归一化差异水体指数对研究区影像进行水陆分离处理并对研究区中海岛进行掩膜处理从而获得目标图像;
计算目标图像中养殖区的光谱和纹理特征的水体指数和灰度共生指数,并将获取的水体指数和灰度共生指数叠加到原始影像中,对原始影像进行波段扩展处理,获得波段扩展后影像;
构建训练样本数据集,并利用支持向量机分类器对波段扩展后影像进行预测,基于光谱信息分类方式获得养殖区初分类结果;
设置空间修正阈值,将养殖区初分类结果输入至马尔科夫随机场模型中,采用空间信息后处理方式对初分类结果进行空间上的修正和调整,输出养殖区最终提取结果。
进一步的,获取养殖区初分类结果时采用如下方式:随机选取波段扩展后影像总像元数的设定百分比数构建训练样本数据集,采用训练样本数据集训练支持向量机分类器;
将波段扩展后影像XBE输入至支持向量机分类器中,利用支持向量机算法求解养殖区各像元的类别从属概率结果P(XBE),从而获取养殖区的初分类结果图C(XBE)。
采用空间信息后处理方式对初分类结果进行空间上的修正和调整具体采用如下方式:
读取类别从属概率结果P(XBE),利用后验概率改进形式求解从属概率结果P(XBE)的后验概率,将光谱信息和空间信息相结合构建谱空综合模型,将后验概率作为谱空综合模型的光谱项概率,所述后验概率表达式为:
式中:Si(k)表示像元i根据光谱特征判定属于类别k的概率,α和β为参数、通过最小化交叉熵误差函数获取;
读取初分类结果图C(XBE),根据空间特征判定属于类别k的概率Mi(k),将概率Mi(k)作为谱空综合模型的空间项概率,所述概率Mi(k)表达式为:
基于光谱项概率和空间项概率采用马尔科夫随机场模型获得养殖区谱空综合分类方法的目标函数:
其中ω为权重系数;
基于空间修正阈值、采用模拟退火算法对目标函数进行优化从而得到谱空综合模型的最优解。
本发明公开的一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法与现有技术相比,具有以下有益效果:
(1)本申请中采用的中分辨率影像,具有多通道的光谱信息,并且获取方便快捷。可高效率、低成本的实现养殖区信息的精确提取。
(2)本申请在哨兵二号多光谱原有数据的基础上,进行波段扩展,添加水体指数和纹理信息,增强养殖区目标的特征表达能力,可有效克服近海养殖区复杂的水色背景的干扰。
(3)本申请采用支持向量机分类器得到初分类结果,结合马尔科夫随机场模型通过空间信息后处理的方式对初分类结果进行修正和调整,能够充分利用地物的光谱与空间特征,进一步提升养殖区提取精度。
附图说明
图1为本发明中实验总体流程图;
图2为海王九岛养殖区遥感影像;
图3为各养殖类型现场勘察与遥感影像图;
图4为波段扩展中添加的水体指数及纹理分析结果图;
图5为支持向量机提取后的初分类结果图;
图6为添加马尔科夫随机场模型修正后的结果图;
图7为海王九岛养殖区地面真实参考图像;
具体实施方式
为使本发明的技术方案和优点更易理解,下面结合附图和实施例,对本发明实施例中的技术方案进行清楚完整的描述。如图1所示的一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法,包括以下步骤:
S1:获取一幅哨兵二号原始遥感影像;
S2:对原始影像进行图像预处理;
S21:将原始单波段影像中20m、60m分辨率的数据重采样为10m分辨率;
S22:对重采样后的数据进行波段合成、影像裁剪等预处理操作;
S23:根据改进的归一化差异水体指数对研究区影像进行水陆分离处理并对研究区中海岛进行掩膜处理从而获得目标图像;
S3:水产养殖区待分类地物特征如图3所示,针对目标图像中养殖区的光谱和纹理特征,利用水体指数和灰度共生指数计算,并将获取的水体指数和灰度共生指数叠加到原始影像中,对原始影像进行波段扩展处理获得波段扩展后影像;
S31:为使养殖区从复杂的水色背景中最大程度的区分开,计算研究区影像悬浮泥沙指数(TSM)、叶绿素浓度指数(CHL),对水产养殖区增强。同时计算归一化的水域自动提取指数(AWEI)对非水产养殖区进行增强。添加的水体指数表达式如下:
TSM=0.028b2+0.019b3-5.31b3/b2+0.537
CHL=8.48b4/b1
AWEI=(4(b3-b11)-(0.25b8+2.75b12))/(b3+b8+b11+b12)
式中:b1-12分别表示哨兵二号影像对应波段。
S32:选择对养殖区信息敏感的红、绿、蓝3个波段(b2、b3、b4)进行波段合成;将合成后的3波段数据,设置步长为1,移动窗口为5*5大小,计算灰度共生矩阵中的均值(Mean)、对比度(Con)、同质性(Hom)、非相似性(Diss)这四种纹理特征参数;
S33:对得到的纹理特征参数进行主成分分析,输出信息量较高的前3个主成分作为波段扩展的纹理特征;
S34:波段扩展后的新特征如图4所示。将以上6个新特征与原始影像波段进行叠加,形成波段扩展后的新数据(XBE)应用于后续水产养殖区提取中,新数据表达式如下:
XBE=[b1~b12,TSM,AWEI,CHL,GLCM1,GLCM2,GLCM3]
S4:将波段扩展后的影像输入到支持向量机分类器中,得到基于光谱信息分类方式的养殖区初分类结果
S41:随机选取波段扩展后影像总像元数的设定百分比数,构建训练样本数据集,采用训练样本数据集训练支持向量机分类器;
S42:将波段扩展后图像XBE输入至支持向量机分类器中,利用支持向量机算法,求解养殖区各像元的类别从属概率结果P(XBE),从而获取养殖区的初分类结果图C(XBE)。如图5所示,初分类结果中存在大量海水像元被错分为浮筏的现象(图中的黄色散点),同时养殖区内部少量像元被误判为海水;
S5:设置空间修正阈值,将养殖区初分类结果输入至马尔科夫随机场模型中,采用空间信息后处理方式对初分类结果进行空间上的修正和调整,输出养殖区最终提取结果。
S51:读取类别从属概率结果P(XBE),利用后验概率改进形式求解从属概率结果P(XBE)的后验概率,将光谱信息和空间信息相结合构建谱空综合模型,将后验概率作为谱空综合模型的光谱项概率,所述后验概率表达式为:
式中:Si(k)表示像元i根据光谱特征判定属于类别k的概率;α和β为参数,可通过最小化交叉熵误差函数获取。
S52:读取初分类结果图C(XBE),根据空间特征判定属于类别k的概率Mi(k),将概率Mi(k)作为谱空综合模型的空间项概率,所述概率Mi(k)表达式为:
S53:基于光谱项概率和空间项概率采用马尔科夫随机场模型,获得养殖区谱空综合分类方法的目标函数:
式中:ω为权重系数。
S54:基于空间修正阈值、采用模拟退火算法对目标函数进行优化从而得到谱空综合模型的最优解。
S6:最终输出养殖区提取结果,如图6所示。
由图6可知,结合马尔科夫随机场添加空间信息后,初分类结果中误判的像元得到有效修正,各类地物的识别效果均有较大提升。提取结果中海水与浮筏的混分现象也得到了有效改善,提取出的浮筏养殖区,空间纹理更为清晰,条带之间的间隔也更明显。
S61:本发明在2021年4月23日对研究区进行现场调查,并依据从辽宁省自然资源厅获取的高分二号影像,通过数据判读和专家解译,得到地面参考图像,如图7所示,作为实验效果分析和精度评价的依据;
S62:进一步地,为评估本发明的可靠性,选取整体分类精度、Kappa分析、用户精度、平均精度对本发明的提取精度进行评价:
整体分类精度是指分类正确的样本个数占所有样本个数的比例。
Kappa分析是评价分类精度的多元统计方法,Kappa系数代表被评价分类比完全随机分类产生错误减少的比例。
用户精度是表示分类结果中某一随机样本与地面实际类型相同的条件概率。
平均精度是指分类结果中各类精度的均值,其值的大小可以体现三类水产养殖区综合提取效果。
本申请对水产养殖区精度评价结果如表1所示。
表1为本发明中养殖区提取精度评价结果。
由表1可以看出,本发明在对水产养殖区的提取中充分利用影像光谱和空间信息,有效克服了“椒盐”噪声的影响以及“同物异谱”和“同谱异物”的干扰,能够对复杂水色背景下的水产养殖区进行精确提取,在海王九岛研究区取得了高达94.46%的整体分类精度,养殖区提取的平均精度高达83.38%。实验结果显示支持向量机分类器结合空间后处理模型后,能有效纠正初分类结果中误判的像元,从而提升研究区各类地物的提取精度,表明本发明能精确提取近海水产养殖区。
综上所述,本申请的上述实施例中,通过提供一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法,包括:利用哨兵二号中分辨率卫星遥感影像,对原始光谱进行波段扩展以增强养殖区目标的特征表达能力;利用支持向量机模型对研究区进行光谱信息的初分类;进一步结合马尔科夫随机场模型对初分类结果进行后处理,综合利用谱空信息实现近海养殖区信息的精准提取。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术,尽管对本发明的具体实施方式进行了说明,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法,其特征在于,包括以下步骤:
获取原始遥感影像,并对该图像进行重采样、波段合成和影像裁剪预处理,根据改进的归一化差异水体指数对研究区影像进行水陆分离处理并对研究区中海岛进行掩膜处理从而获得目标图像;
计算目标图像中养殖区的光谱和纹理特征的水体指数和灰度共生指数,并将获取的水体指数和灰度共生指数叠加到原始影像中,对原始影像进行波段扩展处理,获得波段扩展后影像;
构建训练样本数据集,并利用支持向量机分类器对波段扩展后影像进行预测,基于光谱信息分类方式获得养殖区初分类结果;
设置空间修正阈值,将养殖区初分类结果输入至马尔科夫随机场模型中,采用空间信息后处理方式对初分类结果进行空间上的修正和调整,输出养殖区最终提取结果。
2.根据权利要求1所述的方法,其特征在于:获取养殖区初分类结果时采用如下方式:随机选取波段扩展后影像总像元数的设定百分比数构建训练样本数据集,采用训练样本数据集训练支持向量机分类器;
将波段扩展后影像XBE输入至支持向量机分类器中,利用支持向量机算法求解养殖区各像元的类别从属概率结果P(XBE),从而获取养殖区的初分类结果图C(XBE)。
3.根据权利要求2所述的方法,其特征在于:采用空间信息后处理方式对初分类结果进行空间上的修正和调整具体采用如下方式:
读取类别从属概率结果P(XBE),利用后验概率改进形式求解从属概率结果P(XBE)的后验概率,将光谱信息和空间信息相结合构建谱空综合模型,将后验概率作为谱空综合模型的光谱项概率,所述后验概率表达式为:
式中:Si(k)表示像元i根据光谱特征判定属于类别k的概率,α和β为参数、通过最小化交叉熵误差函数获取;
读取初分类结果图C(XBE),根据空间特征判定属于类别k的概率Mi(k),将概率Mi(k)作为谱空综合模型的空间项概率,所述概率Mi(k)表达式为:
基于光谱项概率和空间项概率采用马尔科夫随机场模型获得养殖区谱空综合分类方法的目标函数:
其中ω为权重系数;
基于空间修正阈值、采用模拟退火算法对目标函数进行优化从而得到谱空综合模型的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143122.2A CN113837123A (zh) | 2021-09-28 | 2021-09-28 | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143122.2A CN113837123A (zh) | 2021-09-28 | 2021-09-28 | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837123A true CN113837123A (zh) | 2021-12-24 |
Family
ID=78967008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111143122.2A Pending CN113837123A (zh) | 2021-09-28 | 2021-09-28 | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837123A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066891A (zh) * | 2022-01-17 | 2022-02-18 | 北京市建设工程质量第一检测所有限责任公司 | 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
CN110490270A (zh) * | 2019-08-27 | 2019-11-22 | 大连海事大学 | 一种基于空间信息自适应处理的高光谱图像分类方法 |
US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
-
2021
- 2021-09-28 CN CN202111143122.2A patent/CN113837123A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
CN110490270A (zh) * | 2019-08-27 | 2019-11-22 | 大连海事大学 | 一种基于空间信息自适应处理的高光谱图像分类方法 |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
Non-Patent Citations (2)
Title |
---|
乔学瑾;王庆;战超;王红艳;杜国云;李雪艳;: "海岸线自动提取研究进展", 鲁东大学学报(自然科学版), no. 02 * |
王雪峰等: "基于纹理和空间特征的中分辨率影像滨海水产养殖用地提取研究", 地球信息科学, vol. 20, no. 05, pages 694 - 702 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066891A (zh) * | 2022-01-17 | 2022-02-18 | 北京市建设工程质量第一检测所有限责任公司 | 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质 |
CN114066891B (zh) * | 2022-01-17 | 2022-11-22 | 北京市建设工程质量第一检测所有限责任公司 | 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Madonsela et al. | Remote sensing of species diversity using Landsat 8 spectral variables | |
Lu et al. | Land cover classification in a complex urban-rural landscape with QuickBird imagery | |
CN112287871B (zh) | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 | |
Hou et al. | Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm | |
CN111784721B (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
Witharana et al. | Understanding the synergies of deep learning and data fusion of multispectral and panchromatic high resolution commercial satellite imagery for automated ice-wedge polygon detection | |
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 | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data | |
Cui et al. | Tiny-scene embedding network for coastal wetland mapping using Zhuhai-1 hyperspectral images | |
CN111339959A (zh) | 基于sar和光学影像融合的近海浮筏养殖区提取方法 | |
CN113538559B (zh) | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
CN109839356B (zh) | 基于WorldView-3卫星数据的矿化蚀变信息提取方法 | |
CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
Zhu et al. | spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data | |
Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN112819813B (zh) | 一种地下管线智能识别方法、装置及存储介质 |
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 |