CN115223045A - 一种水体地貌提取方法 - Google Patents
一种水体地貌提取方法 Download PDFInfo
- Publication number
- CN115223045A CN115223045A CN202210833732.3A CN202210833732A CN115223045A CN 115223045 A CN115223045 A CN 115223045A CN 202210833732 A CN202210833732 A CN 202210833732A CN 115223045 A CN115223045 A CN 115223045A
- Authority
- CN
- China
- Prior art keywords
- image
- water body
- extraction
- landform
- generate
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感影像处理技术领域,具体涉及一种水体地貌提取方法,包括:步骤S1:针对一目标地区获取遥感影像并生成预处理图像;步骤S2:对所述预处理图像分别提取多个地物在各光谱波段的像元反射率;步骤S3:根据所有的所述地物像元反射率生成提取模型;步骤S4:采用所述提取模型生成用于标注水体地貌的提取图像。本发明的有益效果在于:通过设置提取模型,针对现有技术中所采用的水体指数模型进行了优化,从而使得在对水体地貌的提取过程中能够较好地分离水体和阴影等其他易混淆地物,结合采用面向对象分割方法进一步避免了现有技术中仅通过阈值提取水体产生的”椒盐”等现象问题,简化了水体提取的过程,提高了水体提取精度。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体涉及一种水体地貌提取方法。
背景技术
地表水储量是水资源管理和陆地水循环研究的重要参数,与人类的生产和生活息息相关。水是重要的自然资源,在国家管理,规划发展、灾害评估、水利、灌溉等方面有着重要的作用。水体信息的提取对于环境监测、水资源调查以及合理的规划利用等起着十分重要的作用。对于水体信息的监测和测量,通过传统实测手段很难实现对水体位置、面积、形状和河宽等水体参数信息的精准提取。传统实测的方法不仅耗时耗力,还只能实现对监测区局部信息的测量。另外,水体分布环境复杂,形状弯曲不规则,很多地区难以进入,更给野外测量增加难度。卫星遥感技术因其多时相、大范围的特点,逐渐被研究者应用于不同场景水体信息提取。
现有技术中,已存在有自遥感影像中提取得到水体的方法,包括基于深度学习的方法、基于分类器的方法和利用水体指数的方法等。该类技术方案通常是针对中低空间分辨率的光学遥感影像提取特定的光谱波段,并采用水体指数模型进行提取。
但是,在实际实施过程中,发明人发现,现有技术中所采用的提取模型,常常只考虑阴影及暗色地物等的影响,忽略了建筑物和亮色地物等地表覆盖的影响,在进行水体提取时,常需要构造决策树对水体信息进行提取,需人为设定多个阈值,水体提取自动化程度低;其次,由于地物复杂,波段数较少,“同谱异物”现象更为明显,因此其提取效果不佳。
发明内容
针对现有技术中存在的上述问题,现提供一种水体地貌提取方法。
具体技术方案如下:
一种水体地貌提取方法,包括:
步骤S1:针对一目标地区获取遥感影像并生成预处理图像;
步骤S2:对所述预处理图像分别提取多个地物在各光谱波段的像元反射率值;
步骤S3:根据所有的所述像元反射率值生成提取模型;
步骤S4:采用所述提取模型生成用于标注水体地貌的提取图像。
优选地,所述步骤S1包括:
步骤S11:针对所述目标地区提取所述遥感影像;
步骤S12:对所述遥感影像进行处理生成正射校正图像;
步骤S13:对多幅所述正射校正图像进行处理,生成对应于所述目标地区的所述预处理图像。
优选地,所述步骤S12包括:
步骤S121:对所述遥感影像进行辐射定标生成第一处理图像;
步骤S122:对所述第一处理图像进行大气校正生成第二处理图像;
步骤S123:对所述第二处理图像进行正射校正生成所述正射校正图像。
优选地,所述步骤S13包括:
步骤S131:将所有的所述正射校正图像进行配准以生成配准图像;
步骤S132:对所述配准图像进行拼接生成全景图像;
步骤S133:根据所述目标地区的行政矢量数据对所述全景图像进行裁切,生成所述预处理图像。
优选地,所述步骤S131包括:
步骤S1311:针对所述目标地区获取参考影像;
步骤S1312:对所述参考影像和所述正射校正图像分别选取对应的纠正控制点;
步骤S1313:根据所述纠正控制点对所述正射校正影像进行校正生成所述配准图像。
优选地,所述纠正控制点的数量在20~25个之间。
优选地,所述步骤S2中,所述光谱波段包括:760nm~910nm的近红波段、600nm~670nm的红波段,510nm~590nm的绿波段,440nm~510nm的蓝波段。
优选地,所述步骤S3中的所述提取模型包括:
其中,EUWI为所述提取模型,表示波长范围在760nm与910nm之间对应波段的所述像元反射率值,表示波长范围在600nm与670nm之间对应波段的所述像元反射率值,表示波长范围在510nm与590nm之间对应波段的所述像元反射率值,表示波长范围在440nm与510nm之间对应波段的所述像元反射率值。
优选地,所述步骤S4包括:
步骤S41:采用所述提取模型对所述预处理图像进行提取,生成预提取图像;
步骤S42:对所述预提取图像进行图像分割,生成所述提取图像。
优选地,所述步骤S42中,所述图像分割的分割尺度为50,合并尺度为90。
上述技术方案具有如下优点或有益效果:通过设置提取模型,针对现有技术中所采用的水体指数模型进行了优化,从而使得在对水体地貌的提取过程中能够较好地分离建筑物和其他亮色地物,进而避免了现有技术中需要对分离出的图像进行进一步的阈值分割的问题,简化了水体提取的过程。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明实施例的整体示意图;
图2为本发明实施例中步骤S1子步骤示意图;
图3为本发明实施例中步骤S12子步骤示意图;
图4为本发明实施例中步骤S13子步骤示意图;
图5为本发明实施例中步骤S131子步骤示意图;
图6为本发明实施例中各类地物像元的平均反射率波谱曲线示意图;
图7为本发明实施例中步骤S4子步骤示意图;
图8a为本发明第一实施例中的遥感影像;
图8b为本发明第一实施例中的归一化植被指数的提取结果示意图;
图8c为本发明第一实施例中的归一化水体指数的提取结果示意图;
图8d为本发明第一实施例中的EUWI提取模型的提取结果示意图;
图9a为本发明第二实施例中的遥感影像;
图9b为本发明第二实施例中基于像元水体提取得到的影像;
图9c为本发明第二实施例中基于对象水体提取得到的影像;
图10a为本发明第三实施例中的遥感影像;
图10b为本发明第三实施例中的提取结果;
图11a为本发明第四实施例中的遥感影像;
图11b为本发明第四实施例中的提取结果;
图12a为本发明第五实施例中的遥感影像;
图12b为本发明第五实施例中的提取结果;
图13a为本发明第六实施例中的遥感影像;
图13b为本发明第六实施例中的提取结果。
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作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明包括:
一种水体地貌提取方法,如图1所示,包括:
步骤S1:针对一目标地区获取遥感影像并生成预处理图像;
步骤S2:对预处理图像分别提取多个地物在各光谱波段的像元反射率值;
步骤S3:根据所有的像元反射率值生成提取模型;
步骤S4:采用提取模型生成用于标注水体地貌的提取图像。
具体地,针对现有技术中的水体指数模型通常仅在对遥感影像进行处理的过程中,选取少数波段进行处理,对地物的分离效果不佳的问题,本实施例中,通过对预处理图像选择多个光谱波段提取像元反射率值,并构建提取模型,从而实现了对遥感影像中的水体地貌较好的提取效果。
在一种较优的实施例中,如图2所示,步骤S1包括:
步骤S11:针对目标地区提取遥感影像;
步骤S12:对遥感影像进行处理生成正射校正图像;
步骤S13:对多幅正射校正图像进行处理,生成对应于目标地区的预处理图像。
具体地,针对现有技术中的地物提取方法,通常集中于对中低空间分辨率的遥感影像进行处理,而不能很好地获取到目标地区的细节特征的问题,本实施例中,通过在采集遥感影像的阶段,获取高空间分辨率的遥感影像,并经过图像处理后将对应于目标地区的多幅正射校正图像进行拼接,从而生成完整的预处理图像。通过上述处理过程,可较好的保留高空间分辨率的遥感影像中的细节特征,并能够在后续的水体地貌提取过程中实现对水体的完整提取。
进一步地,当目标地区为城市地区时,往往会因为城市地区整体的面积较大导致单幅高分辨率遥感影像无法有效覆盖目标地区全貌,进而导致需要多次提取,且多次提取之间的结果在后续拼接过程中可能出现一定的偏移。为克服这一问题,本实施例中,通过选择在对水体提取之前,预先将正射校正图像进行处理,从而得到预处理图像,进而实现了较为简便、准确的提取效果。
在一种较优的实施例中,如图3所示,步骤S12包括:
步骤S121:对遥感影像进行辐射定标生成第一处理图像;
步骤S122:对第一处理图像进行大气校正生成第二处理图像;
步骤S123:对第二处理图像进行正射校正生成正射校正图像。
具体地,为实现对水体地物较为准确的提取效果,本实施例中,通过依次对遥感影像进行辐射定标、大气校正和正射校正,生成正射校正图像,从而去除了大气反射和图像空间畸变对后续提取过程的影响。
在实施过程中,上述过程具体体现为:通过ENVI平台提供的Apply Gain andOffset工具对遥感影像进行辐射定标,随后通过FLAASH大气校正模块对第一处理图像进行大气校正,再利用DEM数据对第二处理图像中因高程起伏而导致的图像空间畸变进行校正,得到正射校正图像。
在一种较优的实施例中,如图4所示,步骤S13包括:
步骤S131:将所有的正射校正图像进行配准以生成配准图像;
步骤S132:对配准图像进行拼接生成全景图像;
步骤S133:根据目标地区的行政矢量数据对全景图像进行裁切,生成预处理图像。
具体地,当目标地区为城市地区时,为实现对城市地区中的水体地貌较为完整的提取效果,本实施例中,通过将所有的正射校正图像进行配准,从而生成多幅位于同一投影面上的配准图像,进而可根据配准图像中的位置信息进行拼接得到一副较大的全景图像。考虑到在处理过程中可能混入目标地区周围的无关地区的遥感影像,为减少数据提取的计算量,以及预先清洗掉无关数据,还可根据目标地区的行政矢量数据进行裁切,从而生成预处理图像。
在一种较优的实施例中,如图5所示,步骤S131包括:
步骤S1311:针对目标地区获取参考影像;
步骤S1312:对参考影像和正射校正图像分别选取对应的纠正控制点;
步骤S1313:根据纠正控制点对正射校正影像进行校正生成配准图像。
在一种较优的实施例中,纠正控制点的数量在20~25个之间。
具体地,为实现较好的配准效果,本实施例中,通过引入参考影像,并在参考影像和每一幅正射校正图像之间分别选取对应的纠正控制点,通过比对纠正控制点对正射校正图像进行二次多项式重采样校正,从而将所有的正射校正图像配准至同一个投影面上。其中,参考影像为目标地区中可获取到的任意一副遥感影像,其分辨率仅需要满足配准需求即可。
作为可选的实施方式,在采用几何多项式模型对正式校正影像进行校正后,还包括:判断控制点残差是否满足预先设定的要求,若是,则输出数字校正影像作为配准图像,若否,则重新选取纠正控制点。
作为可选的实施方式,在生成了数字校正影像后还包括:对数字校正影像的精度进行检查,判断是否满足精度要求,若是,则输出数字校正影像作为配准图像,若否,则重新选取纠正控制点。
通过上述过程可有效提高配准的准确度,将总误差控制在0.5个像元之内。
在一种较优的实施例中,步骤S2中,光谱波段包括:760nm~910nm的近红波段、600nm~670nm的红波段,510nm~590nm的绿波段,440nm~510nm的蓝波段。
具体地,针对现有技术中的水体指数模型通常仅在对遥感影像进行处理的过程中,选取少数波段进行处理,对地物的分离效果不佳的问题。本实施例中,通过对遥感影像进行分析可发现,现有技术中的水体指数模型对地物分离效果不佳的原因在于城市地表覆盖物复杂,有植被、裸土、建物、道路、水体和阴影等,不同的地物像元在个别波段上的反射率差异不明显,因此需要进一步对各类地物像元的反射情况进行分析。在高分卫星图像上均匀选取各地物样本的纯净像元,统计各类地物样本在各个波段的均值并绘制光谱曲线。最终选取的目标地物为六类,具体表达式如下:
上式中,Aj为选取的地物像元样本,j代表不同的地物类别,分别是植被、裸土、建物、道路、水体和阴影。an1、an2、an3、an4分别表示第n个某一地物样本像元在预处理影像中第1个波段(蓝波段)、第2波段(绿波段)、第3波段(红波段)、第4波段(近红波段)的反射率值。
求取每个目标地物像元在四个波段的均值。
式中,x代表不同的波段,分别对应近红波段(760nm-910nm),红波段(600nm-670nm),绿波段(510nm-590nm),蓝波段(440nm-510nm);n为每个类别的像元数;aij为某一类典型地物在对应波段的像元均值。进而可得到如图6所示的平均反射率波谱曲线。
基于图6所示的平均反射率波谱曲线可知。水体和阴影在近红外波段的反射率均值低于其他地物在近红外波段的反射率;在可见光波段,水体、植被、道路和裸土的反射率差别较小;在可见光波段上,阴影的反射率与水体的反射率差别较大;在可见光到红外波段,对于水体而言,随着波长的增加,反射率逐渐降低;对于其他地物,随着波长的增加,在近红外波段反射率逐渐增大。基于上图可以发现,植被在近红外波段反射率高,红波段反射率低。而水体和阴影在所有波段的反射率都较低于其他地物,由于可见光波段水体和阴影的反射率差别较大,为了更好的提取水体,提升差异性,选取蓝波段、绿波段、红波段、近红波段4个作为建模波段。
在一种较优的实施例中,步骤S3中的提取模型包括:
其中,EUWI为提取模型,表示波长范围在760nm与910nm之间对应波段的像元反射率值,表示波长范围在600nm与670nm之间对应波段的像元反射率值,表示波长范围在510nm与590nm之间对应波段的像元反射率值,表示波长范围在440nm与510nm之间对应波段的像元反射率值。
在一种较优的实施例中,如图7所示,步骤S4包括:
步骤S41:采用提取模型对预处理图像进行提取,生成预提取图像;
步骤S42:对预提取图像进行图像分割,生成提取图像。
在一种较优的实施例中,步骤S42中,图像分割的分割尺度为50,合并尺度为90。
具体地,为实现较好的水体地貌提取效果,本实施例中,利用面向对象影像分析方法(Object Based Image Analysis,OBIA),在通过提取模型对预处理图像进行多尺度分割产生影像对象的基础上,充分利用影像对象光谱、纹理、形状、尺寸特征及其与邻近对象、父对象、子对象间的关系等,建立水体信息提取的规则集,实现水体信息的精细提取。
进一步地,针对现有技术中,依赖单一水体指数模型对水体地貌进行提取可能在提取结束后存在“椒盐”现象的问题,本实施例中,通过对提取后的预提取模型进行图像分割,从而抑制了图像中的“椒盐”现象,生成较为准确的提取图像。
下面结合具体实验过程对本方案进行进一步说明:
以北京2号、高分多模和资源1号三种卫星影像数据进行示例。
本实施例中,北京2号影像选取7月影像上海作为研究区域,目标区域水系复杂、河道和湖泊交错复杂。采用EUWI算法,对该景影像的水体进行阈值提取,通过对比归一化植被指数(NDVI)和归一化水体指数(NDWI)提取效果见图8a、图8b、图8c和图8d。其中,图8a为原始影像,图8b为归一化植被指数的提取结果,图8c为归一化水体指数的提取结果,图8d为本发明所采用的EUWI提取模型的提取结果。图中所示的白色区域为水体区域,黑色为非水体区域。从提取结果来看,各种方法都能够很好的提取出大面积水体区域,但增强城市水体指数提取结果最优,错提现象少,说明EUWI算法对城市地表水体复杂背景噪声具有较好的抑制作用。
同时,通过观察图8a、图8b、图8c和图8d可发现,各水体指数均伴有“椒盐”现象的产生,针对上述问题,对指数灰度图像进行分割,图像分割在envi平台上进行。分割尺度为50,合并尺度为90,此时能够完整的分割出水体信息。与未进行图像分割的增强城市水体指数模型提取结果对比见图9a、图9b和图9c。其中,图9a为原始影像,图9b为基于像元水体提取得到的影像,图9c为基于对象水体提取得到的影像。基于图9a、图9b和图9c可发现,进行图像分割的EUWI算法提取结果优于像元级提取结果。
为了进一步验证EUWI模型的普适性和推广性,对高分多模数据和资源一号数据进行试验。高分多模影像选取北京区域作为研究对象,该区域细小河流分布众多,在影像中存在众多像元级别的河流,即:很多河流宽度仅有两三个像元。采用EUWI算法,通过面向对象的分割方法对该景影像的EUWI灰度图进行分割提取水体信息,整景影像水体提取效果见图10a、图10b。其中,图10a为原始影像,图10b为分割得到的水体信息。从图中可以发现,EUWI算法模型对细小河流识别效果极佳。
对局部区域提取细节进行放大展示,可得图11a和图11b。其中,图11a为原始影像,图11b为分割得到的水体信息。图11a和图11b主要对城市景观水体的基于对象的水体提取结果进行了展示,从图中可以发现:水域与其他地物之间的边界区分效果完好,完好的剔除了水域边界的道路和植被。
资源102D影像选取6月江苏作为研究区域。采用EUWI算法,对该景影像的水体进行提取,整景影像提取效果见图12b。其中,图12a为原始影像,图12b为整景影像提取效果的示意图。从原始资源卫星影像叠加基于对象的EUWI提取结果图可以发现,本方法实现了整景影像水体对象的提取,具有较高的普适性和推广性。
为了进一步展示提取细节,对局部区域进行放大,详见图13。主要对区域的细节进行了展示,从图中可以发现:水体与其他地物之间的边界区分效果完好。
综上,对增强城市水体指数模型水体提取结果进行检查和评价,本专利构建的水体指数模型能够抑制建筑物、阴影、裸地的影响,很好地提取出水体信息。与其他水体指数相比,水体提取精度明显提高,同时结合面向对象影像分析方法,能够有效抑制“椒盐”现象,进一步提高水体提取精度,较好的保持城市水体边界的完整性和局部细节。
本发明的有益效果在于:通过综合考虑城市复杂地表覆盖的影响,分析各种地表覆盖与水体的波谱特征,构建了增强的城市水体指数(Enhanced Urban Water Index,EUWI),为了抑制“椒盐”现象,采用将影像进行分割,再结合分割对象光谱、纹理、形状、尺寸特征等,建立水体信息提取的规则集,实现水体信息的高精细提取。该方法可在一定程度上减少人工干预程度,消除单纯利用光谱信息的缺陷,提高水体提取精度,具有较强的实用性和推广性。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种水体地貌提取方法,其特征在于,包括:
步骤S1:针对一目标地区获取遥感影像并生成预处理图像;
步骤S2:对所述预处理图像分别提取多个地物在各光谱波段的像元反射率值;
步骤S3:根据所有的所述像元反射率值生成提取模型;
步骤S4:采用所述提取模型生成用于标注水体地貌的提取图像。
2.根据权利要求1所述的水体地貌提取方法,其特征在于,所述步骤S1包括:
步骤S11:针对所述目标地区提取所述遥感影像;
步骤S12:对所述遥感影像进行处理生成正射校正图像;
步骤S13:对多幅所述正射校正图像进行处理,生成对应于所述目标地区的所述预处理图像。
3.根据权利要求1所述的水体地貌提取方法,其特征在于,所述步骤S12包括:
步骤S121:对所述遥感影像进行辐射定标生成第一处理图像;
步骤S122:对所述第一处理图像进行大气校正生成第二处理图像;
步骤S123:对所述第二处理图像进行正射校正生成所述正射校正图像。
4.根据权利要求1所述的水体地貌提取方法,其特征在于,所述步骤S13包括:
步骤S131:将所有的所述正射校正图像进行配准以生成配准图像;
步骤S132:对所述配准图像进行拼接生成全景图像;
步骤S133:根据所述目标地区的行政矢量数据对所述全景图像进行裁切,生成所述预处理图像。
5.根据权利要求4所述的水体地貌提取方法,其特征在于,所述步骤S131包括:
步骤S1311:针对所述目标地区获取参考影像;
步骤S1312:对所述参考影像和所述正射校正图像分别选取对应的纠正控制点;
步骤S1313:根据所述纠正控制点对所述正射校正影像进行校正生成所述配准图像。
6.根据权利要求5所述的水体地貌提取方法,其特征在于,所述纠正控制点的数量在20~25个之间。
7.根据权利要求1所述的水体地貌提取方法,其特征在于,所述步骤S2中,所述光谱波段包括:760nm~910nm的近红波段、600nm~670nm的红波段,510nm~590nm的绿波段,440nm~510nm的蓝波段。
9.根据权利要求1所述的水体地貌提取方法,其特征在于,所述步骤S4包括:
步骤S41:采用所述提取模型对所述预处理图像进行提取,生成预提取图像;
步骤S42:对所述预提取图像进行图像分割,生成所述提取图像。
10.根据权利要求9所述的水体地貌提取方法,其特征在于,所述步骤S42中,所述图像分割的分割尺度为50,合并尺度为90。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210833732.3A CN115223045A (zh) | 2022-07-15 | 2022-07-15 | 一种水体地貌提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210833732.3A CN115223045A (zh) | 2022-07-15 | 2022-07-15 | 一种水体地貌提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223045A true CN115223045A (zh) | 2022-10-21 |
Family
ID=83612748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210833732.3A Pending CN115223045A (zh) | 2022-07-15 | 2022-07-15 | 一种水体地貌提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223045A (zh) |
-
2022
- 2022-07-15 CN CN202210833732.3A patent/CN115223045A/zh active Pending
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 | |
CN113592882B (zh) | 一种基于无人机多源遥感的树冠提取方法 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
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 | |
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 | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
CN111626269A (zh) | 一种实用的大空间范围滑坡提取方法 | |
CN112287904B (zh) | 基于卫星影像的机场目标识别方法和装置 | |
CN111553922A (zh) | 一种卫星遥感影像自动云检测方法 | |
Chen et al. | Extracting contour lines from common-conditioned topographic maps | |
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 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
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 | |
CN113255452A (zh) | 一种目标水体的提取方法及提取系统 | |
CN113379759A (zh) | 一种光学遥感卫星影像水体自动提取方法 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN112052757A (zh) | 火烧迹地信息提取方法、装置、设备和存储介质 | |
CN115205703A (zh) | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 |
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 |