CN114993965A - 一种污染源自动识别方法以及系统 - Google Patents
一种污染源自动识别方法以及系统 Download PDFInfo
- Publication number
- CN114993965A CN114993965A CN202210519008.3A CN202210519008A CN114993965A CN 114993965 A CN114993965 A CN 114993965A CN 202210519008 A CN202210519008 A CN 202210519008A CN 114993965 A CN114993965 A CN 114993965A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- area
- remote sensing
- abnormal
- pollution source
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 90
- 239000002689 soil Substances 0.000 claims abstract description 80
- 230000003595 spectral effect Effects 0.000 claims abstract description 76
- 239000002344 surface layer Substances 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 238000002310 reflectometry Methods 0.000 claims description 53
- 238000010521 absorption reaction Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000011109 contamination Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002795 fluorescence method Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种污染源自动识别方法以及系统，获取土壤表层的高光谱遥感图像，土壤表层包括正常区域和多个异常区域；对高光谱遥感图像的光谱数据进行标准化处理；从标准化处理后的光谱数据中提取光谱特征；根据光谱特征对预先设置的支持向量机模型进行训练，得到训练完成的分类器；根据分类器对待检测土壤的待检测高光谱遥感图像进行污染源识别。本方法能够对土壤表层的污染源进行自动识别。
Description
技术领域
本申请涉及污染防治技术领域，特别涉及一种污染源自动识别方法以及系统。
背景技术
土壤作为重要的自然资源，为生物生存和人类社会发展提供了最基本的物质基础，但同时，随着工业快速发展，土壤环境也受到了影响，土壤也称为了废弃有机物、重金属元素等各类污染源的汇集点。
土壤表层(约0.5毫米至5毫米)污染源识别技术是对污染源进行识别的一种技术。当前的土壤表层污染源识别技术主要是荧光法，但该种方式不仅耗时、费力、成本大，而且该方法无法满足大范围、实时监测土壤污染的需求。
发明内容
本申请旨在至少解决现有技术中存在的技术问题。为此，本申请提出一种污染源自动识别方法以及系统，能够对土壤表层的污染源进行自动识别。
本申请的第一方面，提供了一种污染源自动识别方法，包括如下步骤：
获取土壤表层的高光谱遥感图像，所述土壤表层包括正常区域和多个异常区域；其中，异常区域是指所述土壤表层含有污染源的区域且每一异常区域仅包含一种污染源，正常区域是指所述土壤表层不含有污染源的区域；
对所述高光谱遥感图像的光谱数据进行标准化处理，所述标准化处理包括：提取异常区域的每一像素在每一波长上的高光谱反射率和正常区域的每一像素在每一波长上的高光谱反射率；计算正常区域的高光谱反射率与所有异常区域的高光谱反射率之和在每一波长上的比值；计算所述比值与异常区域的高光谱反射率之间的乘积，得到标准化后的异常区域的高光谱反射率；
从标准化处理后的光谱数据中提取光谱特征；
根据所述光谱特征对预先设置的支持向量机模型进行训练，得到训练完成的分类器；
根据所述分类器对待检测土壤表层的待检测高光谱遥感图像进行污染源识别。
根据本申请的实施例，至少具有如下技术效果：
本方法利用不同污染源的土壤表层吸收光源的能力不同的特性，首先获取土壤表层的高光谱遥感图像，从高光谱遥感图像中获取异常区域和正常区域的高光谱反射率；然后利用正常区域的高光谱反射率对异常区域的高光谱反射率进行标准化处理，即计算正常区域的反射率与所有异常区域之和的反射率之间的比值，利用比值与异常区域的高光谱反射率进行相乘处理，通过标准化处理表征光谱测量之间的差异性；最后利用支持向量机模型对标准后的光谱数据提取的光谱特征进行训练，得到分类器，进而利用分类器对待检测土壤表层的待检测高光谱遥感图像进行污染源识别。本方法能够对土壤表层的污染源进行自动识别，而且本方法还利用正常区域的高光谱反射率对异常区域的高光谱反射率进行标准化处理，通过标准化处理表征光谱测量之间的差异性，能够增强分类器的训练和分类的准确度。
根据本申请的一些实施例，所述获取土壤表层的高光谱遥感图像，包括步骤：
利用搭载遥感传感器的无人机于预先设定的像控点位上采集土壤表面的遥感影像；
从所述遥感影像中筛选出多张均包含异常区域和正常区域的高光谱遥感图像。
根据本申请的一些实施例，在所述利用搭载遥感传感器的无人机于预先设定的像控点位上采集土壤表面的遥感影像之后，还包括步骤：
对所述遥感影像的畸变进行倾斜改正和偏移改正。
根据本申请的一些实施例，所述根据所述分类器对待检测土壤表层的待检测高光谱遥感图像进行污染源识别，包括步骤：
按照设定尺寸的窗口将所述待检测高光谱遥感图像划分出多个栅格区域；
对每一所述栅格区域分类出异常区域和正常区域；
计算分类出的异常区域的像素总量，根据所述像素总量计算异常区域的实际面积。
根据本申请的一些实施例，通过如下公式计算异常区域的实际面积S：
其中，n表示所述像素总量，s表示所述遥感传感器的尺寸，u表示所述遥感传感器与待检测土壤表层的距离，f表示所述遥感传感器的焦距。
根据本申请的一些实施例，所述标准化处理的计算公式包括：
其中，∑·表示求和函数，
表示求和后的求均值函数；
分别表示第1个异常区域至第m个异常区域在波长为i处的高光谱反射率，
表示正常区域在波长为i处的高光谱反射率；ratioi表示在波长为i处的高光谱反射率的比值；
分别表示第1个异常区域至第m个异常区域的标准化后的高光谱反射率。
根据本申请的一些实施例，所述从标准化处理后的光谱数据中提取光谱特征，包括步骤：
从标准化处理后的光谱数据中提取波段深度、吸收峰面积、波段宽度以及吸收特征；
将所述波段深度、所述吸收峰面积、所述波段宽度以及所述吸收特征与异常区域的污染源进行相关性分析，得到相关性系数；
根据阈值法从所述波段深度、所述吸收峰面积、所述波段宽度以及所述吸收特征中选取相关性系数在阈值范围内的高光谱特征集，将所述高光谱特征集中的特征作为训练所述支持向量机模型的光谱特征。
本申请的第二方面，提供了一种污染源自动识别系统，包括：
图像获取单元，用于获取土壤表层的高光谱遥感图像，所述土壤表层包括正常区域和多个异常区域；其中，异常区域是指所述土壤表层含有污染源的区域且每一异常区域仅包含一种污染源，正常区域是指所述土壤表层不含有污染源的区域；
标准化单元，用于对所述高光谱遥感图像的光谱数据进行标准化处理，所述标准化处理包括：提取异常区域的每一像素在每一波长上的高光谱反射率和正常区域的每一像素在每一波长上的高光谱反射率；计算正常区域的高光谱反射率与所有异常区域的高光谱反射率之和在每一波长上的比值；计算所述比值与异常区域的高光谱反射率之间的乘积，得到标准化后的异常区域的高光谱反射率；
特征提取单元，用于从标准化处理后的光谱数据中提取光谱特征；
分类训练单元，用于根据所述光谱特征对预先设置的支持向量机模型进行训练，得到训练完成的分类器；
分类识别单元，用于根据所述分类器对待检测土壤的待检测高光谱遥感图像进行污染源识别。
本申请的第三方面，提供了一个电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述的污染源自动识别方法。
本申请的第四方面，一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的污染源自动识别方法。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请一个实施例提供的一种污染源自动识别方法的流程示意图；
图2是图1中步骤S101的具体流程示意图；
图3是图1中步骤S105的具体流程示意图；
图4是图1中步骤S109的具体流程示意图；
图5是本申请一个实施例提供的一种污染源自动识别系统的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
遥感(remote sensing)是指通过对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物。针对正常土壤区域，在可见光的照射，土壤表面的反射率将保持恒定范围；针对表面含有污染源的土壤区域，在可见光的照射，含有污染源的区域相较于正常区域的光吸收能力增强，使得该区域的反射率低于正常区域。而且针对不同的污染源吸收光源的强度不同，尤其在近红外波段(约700-2500纳米)的光源照射下，不同污染源的光谱反射率将具有明显区别。综合来看，利用高光谱遥感技术对土壤表层污染源进行实时监测，是对土壤表层化学成分变化的分析。
为了解决现有技术的缺陷，参照图1，本申请的一种污染源自动识别方法，包括如下步骤S101至步骤S109：
步骤S101、获取土壤表层的高光谱遥感图像，土壤表层包括正常区域和多个异常区域。其中，异常区域是指土壤表层含有污染源的区域且每一异常区域仅包含一种污染源，正常区域是指土壤表层不含有污染源的区域。
步骤S103、对高光谱遥感图像的光谱数据进行标准化处理，标准化处理包括：提取异常区域的每一像素在每一波长上的高光谱反射率和正常区域的每一像素在每一波长上的高光谱反射率；计算正常区域的高光谱反射率与所有异常区域的高光谱反射率之和在每一波长上的比值；计算比值与异常区域的高光谱反射率之间的乘积，得到标准化后的异常区域的高光谱反射率。
步骤S105、从标准化处理后的光谱数据中提取光谱特征。
步骤S107、根据光谱特征对预先设置的支持向量机模型进行训练，得到训练完成的分类器。
步骤S109、根据分类器对待检测土壤表层的待检测高光谱遥感图像进行污染源识别。
本方法利用不同污染源的土壤表层吸收光源的能力不同的特性，首先获取土壤表层的高光谱遥感图像，从高光谱遥感图像中获取异常区域和正常区域的高光谱反射率；然后利用正常区域的高光谱反射率对异常区域的高光谱反射率进行标准化处理，即计算正常区域的反射率与所有异常区域之和的反射率之间的比值，利用比值与异常区域的高光谱反射率进行相乘处理，通过标准化处理表征光谱测量之间的差异性；最后利用支持向量机模型对标准后的光谱数据提取的光谱特征进行训练，得到分类器，进而利用分类器对待检测土壤表层的待检测高光谱遥感图像进行污染源识别。本方法能够对土壤表层的污染源进行自动识别，而且本方法还利用正常区域的高光谱反射率对异常区域的高光谱反射率进行标准化处理，通过标准化处理表征光谱测量之间的差异性，能够增强分类器的训练和分类的准确度。
在本发明的一些实施例中，步骤S101中的获取土壤在设定波段范围的高光谱遥感图像，包括步骤S1011和S1013：
步骤S1011、利用搭载遥感传感器的无人机于预先设定的像控点位上采集土壤表面的遥感影像。
步骤S1012、对遥感影像的畸变进行倾斜改正和偏移改正。
步骤S1013、从遥感影像中筛选出多张均包含异常区域和正常区域的高光谱遥感图像。
设置多个固定且无遮挡的采集点位(像控点)，利用搭载遥感器(遥感传感器)的无人机于采集点位对土壤表层进行遥感影像的采集。在采集时，选择一定范围的波段，本实施例为700纳米至750纳米波段。土壤表面含有多个异常区域，每一异常区域包含一种污染源，如，土壤的A区域存在a污染源，B区域存在b污染源，C区域存在c污染源。另外还于采集点位上采集土壤的正常区域的遥感影像，其中，正常区域(如D区域)是指表面不含有污染源的土壤区域。然后对遥感影像的畸变进行倾斜改正和偏移改正。最后利用Open Face筛选出包含异常区域和正常区域的高光谱遥感图像，筛选出的高光谱遥感图像用于后续的支持向量机模型的训练。
在本发明的一些实施例中，步骤S103进行标准化计算公式如下：
其中，∑·表示求和函数，
表示求和后的求均值函数；
分别表示第1个异常区域至第m个异常区域在波长为i处的高光谱反射率，
表示正常区域在波长为i处的高光谱反射率；ratioi表示在波长为i处的高光谱反射率的比值；
分别表示第1个异常区域至第m个异常区域的标准化后的高光谱反射率。
由于，本发明是以不同污染源的土壤表层吸收光源的能力不同的特性(利用高光谱遥感技术对土壤表层污染源进行实时监测，是对土壤表层化学成分变化的分析)作为出发点，需要提取能够凸显各种污染源吸收特征的特征，这样能够极大的提升支持向量机模型的训练和识别的准确度。为此，在本发明的一些实施例中，步骤S105具体包括步骤S1051至S1053：
步骤S1051、从标准化处理后的光谱数据中提取波段深度、吸收峰面积、波段宽度以及吸收特征。通过连续统去除法提取光谱数据的波段深度、吸收峰面积、波段宽度以及吸收特征。
步骤S1052、将波段深度、吸收峰面积、波段宽度以及吸收特征与异常区域的污染源进行相关性分析，得到相关性系数。相关性分析为Spearman秩相关性分析。
步骤S1053、根据阈值法从波段深度、吸收峰面积、波段宽度以及吸收特征中选取相关性系数在阈值范围内的高光谱特征集，将高光谱特征集中的特征作为训练支持向量机模型的光谱特征。
基于上述实施例，首先选取在700纳米至750纳米波段的标准化高光谱反射率，通过连续统去除法(连续统去除可以有效凸显各种物质的吸收特征)计算波段深度、吸收峰面积、波段宽度以及吸收特征等光谱特征，进一步利用Spearman秩相关性分析和阈值法从波段深度、吸收峰面积、波段宽度以及吸收特征等光谱特征中筛选出高光谱特征集。需要说明的是，这里阈值范围根据实际污染源不同而指定设置，本申请实施例不进行具体限制。将选取出的特征作为训练支持向量机模型的光谱特征。与传统对光谱图像进行主成分分析，从而提取光谱图像的主成分特征不同的是，本发明依据突显不同污染源的土壤表层吸收光源的能力不同的特性这一特征，使用连续统去除法(连续统去除可以有效凸显各种物质的吸收特征)计算光谱特征，提取的光谱特征能够极大的提升支持向量机模型的训练和识别的准确度。
为了解决光谱特征存在休斯效应的特征，在步骤S109中使用支持向量机作为分类器。在本发明的一些实施例中，步骤S109包括步骤S1091至S1093：
步骤S1091、按照设定尺寸的窗口将待检测高光谱遥感图像划分出多个栅格区域。
步骤S1092、根据分类器对每一栅格区域分类出异常区域和正常区域。
步骤S1093、计算分类出的异常区域的像素总量，根据像素总量计算异常区域的实际面积。计算公式包括：
其中，n表示像素总量，s表示遥感传感器的尺寸，u表示遥感传感器与目标土壤的距离，f表示遥感传感器的焦距。在本实施例中，步骤S109不仅能够高效的识别出待检测土壤表面的污染源，而且还能识别污染区域的面积。
在一实施例中，为了进一步提高分类器分类的精度，将经过连续统去除方法提取出的光谱特征与从高光谱遥感图像中提取的纹理特征结合共同作为分类器的输入数据。因此，在步骤S105之后，还包括步骤S106：
步骤S106、基于二阶概率统计的滤波从高光谱遥感图像中提取纹理特征，所述纹理特征包括均值、方差、对比度、相异性、二阶矩和相关性特征。其中，二阶概率统计就是从高光谱遥感图像(x,y)位置，统计灰度为i的像素与灰度为j的像素同出现概率。其中，均值特征为：
方差特征为：
对比度特征为：
相异性特征为：
二阶矩特征为：
相关性特征为：
其中，P(i,j)表示灰度值(i,j)的概率，Ng表示高光谱遥感图像的行列数，μ为变量，表示P的均值，σ表示标准差。
步骤S107还包括：基于纹理特征和光谱特征共同对预先设置的支持向量机模型进行训练，得到训练完成的分类器。本实施例方法结合连续统去除方法提取出的光谱特征与从高光谱遥感图像中提取的纹理特征结合共同作为分类器的输入数据,能够有效地提高分类器分类的精度。
参照图5，本发明的一个实施例，提供了一种污染源自动识别系统，包括图像获取单元1000、标准化单元2000、特征提取单元3000、分类训练单元4000以及分类识别单元5000：
图像获取单元1000用于获取土壤表层的高光谱遥感图像，土壤表层包括正常区域和多个异常区域；其中，异常区域是指土壤表层含有污染源的区域且每一异常区域仅包含一种污染源，正常区域是指土壤表层不含有污染源的区域。
标准化单元2000用于对高光谱遥感图像的光谱数据进行标准化处理，标准化处理包括：提取异常区域的每一像素在每一波长上的高光谱反射率和正常区域的每一像素在每一波长上的高光谱反射率；计算正常区域的高光谱反射率与所有异常区域的高光谱反射率之和在每一波长上的比值；计算比值与异常区域的高光谱反射率之间的乘积，得到标准化后的异常区域的高光谱反射率。
特征提取单元3000用于从标准化处理后的光谱数据中提取光谱特征.
分类训练单元4000用于根据光谱特征对预先设置的支持向量机模型进行训练，得到训练完成的分类器。
分类识别单元5000用于根据分类器对待检测土壤的待检测高光谱遥感图像进行污染源识别。
需要注意的是，本系统实施例与上述方法实施例是基于相同的发明构思，因此上述步骤S101至S109的方法实施例的相关内容同样适用于本系统实施例，此处不再赘述。
本发明的一个实施例，提供了一种污染源自动识别方法，包括：
1)获取土壤表层的高光谱遥感图像，作为训练集。
首先设置多个像控点，然后利用无人机对包含多种污染源的土壤进行遥感影像的采集。波段选取为700-750纳米。然后利用图像处理软件从遥感影像中选出图像集合作为训练集，在选取的过程中，确保训练集中每一种图像均包含异常区域和正常区域。
2)训练集的标准化处理。
利用公式进行标准化处理，以表征正常区域的光谱测量与异常区域的光谱测量之间的差异性：
3)基于连续统去除方法提取四类光谱特征。首先根据连续统去除法从标准化处理后的光谱数据中提取波段深度、吸收峰面积、波段宽度以及吸收特征；然后利用上述提取的四种特征与异常区域的污染源进行Spearman秩相关性分析，得到相关性系数；然后根据阈值法从波段深度、吸收峰面积、波段宽度以及吸收特征中选取相关性系数在阈值范围内的高光谱特征集。
4)基于二阶概率统计的滤波从遥感影像中提取六类纹理特征。即提取均值、方差、对比度、相异性、二阶矩和相关性特征等纹理特征。
5)构建支持向量机模型，基于四类光谱特征和六类纹理特征共同将支持向量机模型训练成分类器。连续统去除方法提取的光谱特征可有效凸显各种物质的吸收特征；纹理数据提供了能够反映物体形状和平滑度的信息，光谱特征加上纹理特征的结合，将提高支持向量机模型的训练和识别的准确度。
6)采集待检测土壤的待检测高光谱遥感图像。采集方式与1)部分的采集过程类似。
7)通过分类器对待检测高光谱遥感图像进行污染源识别。
首先以训练集中图像的图像尺寸最小的图像尺寸作为窗口将图像划分出多个栅格区域；根据对每一栅格区域分类出异常区域和正常区域；计算分类出的异常区域的像素总量，根据像素总量计算异常区域的实际面积。计算异常区域的实际面积的公式为：
本方法具有如下有益效果：
1)本系统能够对土壤表层的污染源进行自动识别，不仅能自动识别污染源的类别，而且还能计算异常区域的实际面积。
2)本方法利用正常区域的高光谱反射率对异常区域的高光谱反射率进行标准化处理，通过标准化处理表征光谱测量之间的差异性，能够增强分类器的训练和分类的准确度。
3)本方法结合光谱特征和纹理特征，一方面连续统去除方法提取的光谱特征可有效凸显各种物质的吸收特征；另一方面纹理数据提供了能够反映物体形状和平滑度的信息。光谱特征加上纹理特征的结合，将提高支持向量机模型的训练和识别的准确度。
本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现：如上述的污染源自动识别方法。
处理器和存储器可以通过总线或者其他方式连接。存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的污染源自动识别方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的污染源自动识别方法。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述的污染源自动识别方法。
该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的污染源自动识别方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。
计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何数据递送介质。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种污染源自动识别方法，其特征在于，包括如下步骤：
获取土壤表层的高光谱遥感图像，所述土壤表层包括正常区域和多个异常区域；其中，异常区域是指所述土壤表层含有污染源的区域且每一异常区域仅包含一种污染源，正常区域是指所述土壤表层不含有污染源的区域；
对所述高光谱遥感图像的光谱数据进行标准化处理，所述标准化处理包括：提取异常区域的每一像素在每一波长上的高光谱反射率和正常区域的每一像素在每一波长上的高光谱反射率；计算正常区域的高光谱反射率与所有异常区域的高光谱反射率之和在每一波长上的比值；计算所述比值与异常区域的高光谱反射率之间的乘积，得到标准化后的异常区域的高光谱反射率；
从标准化处理后的光谱数据中提取光谱特征；
根据所述光谱特征对预先设置的支持向量机模型进行训练，得到训练完成的分类器；
根据所述分类器对待检测土壤表层的待检测高光谱遥感图像进行污染源识别。
2.根据权利要求1所述的污染源自动识别方法，其特征在于，所述获取土壤表层的高光谱遥感图像，包括步骤：
利用搭载遥感传感器的无人机于预先设定的像控点位上采集土壤表面的遥感影像；
从所述遥感影像中筛选出多张均包含异常区域和正常区域的高光谱遥感图像。
3.根据权利要求2所述的污染源自动识别方法，其特征在于，在所述利用搭载遥感传感器的无人机于预先设定的像控点位上采集土壤表面的遥感影像之后，还包括步骤：
对所述遥感影像的畸变进行倾斜改正和偏移改正。
4.根据权利要求2所述的污染源自动识别方法，其特征在于，所述根据所述分类器对待检测土壤表层的待检测高光谱遥感图像进行污染源识别，包括步骤：
按照设定尺寸的窗口将所述待检测高光谱遥感图像划分出多个栅格区域；
对每一所述栅格区域分类出异常区域和正常区域；
计算分类出的异常区域的像素总量，根据所述像素总量计算异常区域的实际面积。
5.根据权利要求4所述的污染源自动识别方法，其特征在于，通过如下公式计算异常区域的实际面积S：
其中，n表示所述像素总量，s表示所述遥感传感器的尺寸，u表示所述遥感传感器与待检测土壤表层的距离，f表示所述遥感传感器的焦距。
6.根据权利要求1所述的污染源自动识别方法，其特征在于，所述标准化处理的计算公式包括：
其中，∑·表示求和函数，
表示求和后的求均值函数；
分别表示第1个异常区域至第m个异常区域在波长为i处的高光谱反射率，
表示正常区域在波长为i处的高光谱反射率；ratioi表示在波长为i处的高光谱反射率的比值；
分别表示第1个异常区域至第m个异常区域的标准化后的高光谱反射率。
7.根据权利要求6所述的污染源自动识别方法，其特征在于，所述从标准化处理后的光谱数据中提取光谱特征，包括步骤：
从标准化处理后的光谱数据中提取波段深度、吸收峰面积、波段宽度以及吸收特征；
将所述波段深度、所述吸收峰面积、所述波段宽度以及所述吸收特征与异常区域的污染源进行相关性分析，得到相关性系数；
根据阈值法从所述波段深度、所述吸收峰面积、所述波段宽度以及所述吸收特征中选取相关性系数在阈值范围内的高光谱特征集，将所述高光谱特征集中的特征作为训练所述支持向量机模型的光谱特征。
8.一种污染源自动识别系统，其特征在于，包括：
图像获取单元，用于获取土壤表层的高光谱遥感图像，所述土壤表层包括正常区域和多个异常区域；其中，异常区域是指所述土壤表层含有污染源的区域且每一异常区域仅包含一种污染源，正常区域是指所述土壤表层不含有污染源的区域；
标准化单元，用于对所述高光谱遥感图像的光谱数据进行标准化处理，所述标准化处理包括：提取异常区域的每一像素在每一波长上的高光谱反射率和正常区域的每一像素在每一波长上的高光谱反射率；计算正常区域的高光谱反射率与所有异常区域的高光谱反射率之和在每一波长上的比值；计算所述比值与异常区域的高光谱反射率之间的乘积，得到标准化后的异常区域的高光谱反射率；
特征提取单元，用于从标准化处理后的光谱数据中提取光谱特征；
分类训练单元，用于根据所述光谱特征对预先设置的支持向量机模型进行训练，得到训练完成的分类器；
分类识别单元，用于根据所述分类器对待检测土壤的待检测高光谱遥感图像进行污染源识别。
9.一个电子设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的污染源自动识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的污染源自动识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210519008.3A CN114993965B (zh) | 2022-05-13 | 2022-05-13 | 一种污染源自动识别方法以及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210519008.3A CN114993965B (zh) | 2022-05-13 | 2022-05-13 | 一种污染源自动识别方法以及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114993965A true CN114993965A (zh) | 2022-09-02 |
| CN114993965B CN114993965B (zh) | 2023-04-18 |
Family
ID=83027952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210519008.3A Active CN114993965B (zh) | 2022-05-13 | 2022-05-13 | 一种污染源自动识别方法以及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114993965B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310842A (zh) * | 2023-05-15 | 2023-06-23 | 菏泽市国土综合整治服务中心 | 基于遥感图像的土壤盐碱区域识别划分方法 |
| CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
| CN116773465A (zh) * | 2023-08-25 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040153284A1 (en) * | 2003-01-31 | 2004-08-05 | Bernstein Lawrence S. | Method for performing automated in-scene based atmospheric compensation for multi-and hyperspectral imaging sensors in the solar reflective spectral region |
| CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
| US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
| CN104697937A (zh) * | 2015-03-18 | 2015-06-10 | 北京师范大学 | 一种土壤属性高光谱识别的技术方法 |
| CN106769882A (zh) * | 2016-11-01 | 2017-05-31 | 深圳先进技术研究院 | 溢油监测仪及其监测方法 |
| WO2017123926A1 (en) * | 2016-01-13 | 2017-07-20 | Nxgen Partners Ip, Llc | System and method for multi-parameter spectroscopy |
| US20180067209A1 (en) * | 2015-03-06 | 2018-03-08 | Bae Systems Plc | Method and apparatus for processing spectral images |
| 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 |
| CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 |
| WO2019095069A1 (en) * | 2017-11-16 | 2019-05-23 | Yang Victor X D | Systems and methods for performing gabor optical coherence tomographic angiography |
| KR102082419B1 (ko) * | 2019-09-27 | 2020-02-27 | 국방과학연구소 | 오염된 대기의 스펙트럼 모의 장치 및 방법 |
| CN111624164A (zh) * | 2020-03-19 | 2020-09-04 | 自然资源部第一海洋研究所 | 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 |
| CN112883892A (zh) * | 2021-03-03 | 2021-06-01 | 青岛农业大学 | 一种土壤类型遥感分类识别方法、装置、设备及存储介质 |
| RU2750853C1 (ru) * | 2020-08-28 | 2021-07-05 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тверской государственный университет" | Способ выделения границ водных объектов и ареалов распространения воздушно-водной растительности по многоспектральным данным дистанционного зондирования Земли |
| CN113177979A (zh) * | 2021-06-04 | 2021-07-27 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
| CN113298058A (zh) * | 2021-07-27 | 2021-08-24 | 浙江省淡水水产研究所 | 基于无人机高光谱图像的水质预测反演方法及系统 |
| CN113449710A (zh) * | 2021-08-31 | 2021-09-28 | 南京信大环境科技有限公司 | 一种基于卫星遥感监测城市污染水体的方法 |
| CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
| CN114199800A (zh) * | 2021-12-08 | 2022-03-18 | 华智生物技术有限公司 | 一种水稻纹枯病识别方法、系统、设备及介质 |
| CN114279982A (zh) * | 2021-12-14 | 2022-04-05 | 北斗导航位置服务（北京）有限公司 | 水体污染信息获取方法及装置 |
| WO2022069505A1 (en) * | 2020-10-02 | 2022-04-07 | Akzo Nobel Coatings International B.V. | Estimating biofilm biomass on objects in an aquatic environment |
| US20220138942A1 (en) * | 2020-10-29 | 2022-05-05 | Si Analytics Co., Ltd | Method for quantifying algal for management of water quality |
-
2022
- 2022-05-13 CN CN202210519008.3A patent/CN114993965B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040153284A1 (en) * | 2003-01-31 | 2004-08-05 | Bernstein Lawrence S. | Method for performing automated in-scene based atmospheric compensation for multi-and hyperspectral imaging sensors in the solar reflective spectral region |
| US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
| CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
| US20180067209A1 (en) * | 2015-03-06 | 2018-03-08 | Bae Systems Plc | Method and apparatus for processing spectral images |
| CN104697937A (zh) * | 2015-03-18 | 2015-06-10 | 北京师范大学 | 一种土壤属性高光谱识别的技术方法 |
| WO2017123926A1 (en) * | 2016-01-13 | 2017-07-20 | Nxgen Partners Ip, Llc | System and method for multi-parameter spectroscopy |
| CN106769882A (zh) * | 2016-11-01 | 2017-05-31 | 深圳先进技术研究院 | 溢油监测仪及其监测方法 |
| WO2019095069A1 (en) * | 2017-11-16 | 2019-05-23 | Yang Victor X D | Systems and methods for performing gabor optical coherence tomographic angiography |
| 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 |
| CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 |
| KR102082419B1 (ko) * | 2019-09-27 | 2020-02-27 | 국방과학연구소 | 오염된 대기의 스펙트럼 모의 장치 및 방법 |
| CN111624164A (zh) * | 2020-03-19 | 2020-09-04 | 自然资源部第一海洋研究所 | 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 |
| RU2750853C1 (ru) * | 2020-08-28 | 2021-07-05 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тверской государственный университет" | Способ выделения границ водных объектов и ареалов распространения воздушно-водной растительности по многоспектральным данным дистанционного зондирования Земли |
| WO2022069505A1 (en) * | 2020-10-02 | 2022-04-07 | Akzo Nobel Coatings International B.V. | Estimating biofilm biomass on objects in an aquatic environment |
| US20220138942A1 (en) * | 2020-10-29 | 2022-05-05 | Si Analytics Co., Ltd | Method for quantifying algal for management of water quality |
| CN112883892A (zh) * | 2021-03-03 | 2021-06-01 | 青岛农业大学 | 一种土壤类型遥感分类识别方法、装置、设备及存储介质 |
| CN113177979A (zh) * | 2021-06-04 | 2021-07-27 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
| CN113298058A (zh) * | 2021-07-27 | 2021-08-24 | 浙江省淡水水产研究所 | 基于无人机高光谱图像的水质预测反演方法及系统 |
| CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
| CN113449710A (zh) * | 2021-08-31 | 2021-09-28 | 南京信大环境科技有限公司 | 一种基于卫星遥感监测城市污染水体的方法 |
| CN114199800A (zh) * | 2021-12-08 | 2022-03-18 | 华智生物技术有限公司 | 一种水稻纹枯病识别方法、系统、设备及介质 |
| CN114279982A (zh) * | 2021-12-14 | 2022-04-05 | 北斗导航位置服务（北京）有限公司 | 水体污染信息获取方法及装置 |
Non-Patent Citations (7)
| Title |
|---|
| ZHANG, L 等: "LAYERED-DIVISION-MULTIPLEXING FOR HIGH SPECTRUM EFFICIENCY AND SERVICE FLEXIBILITY IN NEXT GENERATION ATSC 3.0 BROADCAST SYSTEM" * |
| ZHONGZHI H 等: "Aflatoxin contaminated degree detection by hyperspectral data using band index" * |
| 周兆永: "基于支持向量机的渭河水质定量遥感研究" * |
| 李威: "基于机器学习的森林多源遥感数据分析方法研究" * |
| 胥慧: "锡林郭勒盟典型草原枯草高光谱生物量估算方法研究" * |
| 臧传凯 等: "基于无人机高光谱遥感的河湖水环境探测" * |
| 陈彦兵: "基于光谱特征分析的鄱阳湖典型湿地植被识别分类" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310842A (zh) * | 2023-05-15 | 2023-06-23 | 菏泽市国土综合整治服务中心 | 基于遥感图像的土壤盐碱区域识别划分方法 |
| CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
| CN116559108B (zh) * | 2023-05-19 | 2024-01-12 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
| CN116773465A (zh) * | 2023-08-25 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
| CN116773465B (zh) * | 2023-08-25 | 2023-10-27 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114993965B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114993965B (zh) | 一种污染源自动识别方法以及系统 | |
| Liu et al. | A novel method for extracting green fractional vegetation cover from digital images | |
| CN105809655B (zh) | 车辆检查方法和系统 | |
| Pouliot et al. | Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration | |
| Awrangjeb et al. | Building detection in complex scenes thorough effective separation of buildings from trees | |
| US20180067209A1 (en) | Method and apparatus for processing spectral images | |
| Lee et al. | Sensing systems for precision agriculture in Florida | |
| US10534961B2 (en) | Method, device and permanent storage memory for detecting drilling and/or hydraulic fracturing of hydrocarbon wells | |
| CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| Ghazal et al. | Automated framework for accurate segmentation of leaf images for plant health assessment | |
| CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
| US20130096884A1 (en) | Sensor data processing | |
| CN113850749A (zh) | 训练缺陷侦测器的方法 | |
| CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
| CN113724259A (zh) | 井盖异常检测方法、装置及其应用 | |
| CN105718924B (zh) | 基于多特征综合及机器学习的高分卫星影像云检测方法 | |
| US8165340B2 (en) | Methods for gas detection using stationary hyperspectral imaging sensors | |
| CN108509826B (zh) | 一种遥感影像的道路识别方法及其系统 | |
| KR20170063182A (ko) | 표적신호 분리를 이용하여 탐지성능이 향상된 초분광 영상의 표적물질 탐지방법 | |
| Irvine et al. | Image quality and performance modeling for automated target detection | |
| CN111027601B (zh) | 一种基于激光传感器的平面检测方法、装置 | |
| CN116310913A (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
| CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 | |
| CN114943720A (zh) | 一种电力图像处理方法及装置 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 410000 No. 8 Hangkong Road, Wangcheng economic and Technological Development Zone, Changsha City, Hunan Province Patentee after: Middling coal Geology (Hunan) Environmental Technology Co.,Ltd. Country or region after: China Address before: 4100112f1205, Wangdefu building, Wanjiali Middle Road, Furong district, Changsha City, Hunan Province Patentee before: China Coal Jiafeng (Hunan) Environmental Protection Technology Co.,Ltd. Country or region before: China |