CN115266719A - 基于人工智能的水质监测方法及装置 - Google Patents
基于人工智能的水质监测方法及装置 Download PDFInfo
- Publication number
- CN115266719A CN115266719A CN202210910667.XA CN202210910667A CN115266719A CN 115266719 A CN115266719 A CN 115266719A CN 202210910667 A CN202210910667 A CN 202210910667A CN 115266719 A CN115266719 A CN 115266719A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- image
- region
- feature
- water quality
- 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
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种基于人工智能的水质监测方法及装置,涉及人工智能领域,具体涉及图像识别、视频分析、遥感分析技术,可应用在智慧城市、环境监测场景下。具体实现方案包括:获取第一地区的第一拍摄影像;在第一拍摄影像中识别第一地区中水体区域对应的第一像素点;提取第一像素点的特征信息;第一像素点的特征信息包括第一变量,第一变量与第一参数呈现正相关关系,第一参数为用于描述第一地区中水体区域的水质的参数;根据第一像素点的特征信息,监测第一地区中水体区域的水质。本公开可以在时间和空间维度上实现大范围监测水质变化。
Description
技术领域
本公开涉及人工智能领域,具体涉及图像识别、视频分析、遥感分析技术,可应用在智慧城市、环境监测等场景下,尤其涉及一种基于人工智能的水质监测方法及装置。
背景技术
水质监测一般是监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势,评价水质状况。
目前的水质监测方法包括:地表断面实地采样检测法、基于经验模型的定量反演法、分析/半分析法等多种方法。
但目前的水质监测方法区域性和季节性较强,无法满足在时间维度和空间维度上大范围水质监测的需求。
发明内容
本公开提供了一种基于人工智能的水质监测方法及装置,能够在时间和空间维度上实现大范围监测水质变化。
根据本公开的第一方面,提供了一种基于人工智能的水质监测方法,所述方法包括:
获取第一地区的第一拍摄影像;在第一拍摄影像中识别第一地区中水体区域对应的第一像素点;提取第一像素点的特征信息;第一像素点的特征信息包括第一变量,第一变量与第一参数呈现正相关关系,第一参数为用于描述第一地区中水体区域的水质的参数;根据第一像素点的特征信息,监测第一地区中水体区域的水质。
根据本公开的第二方面,提供了一种基于人工智能的水质监测装置,所述装置包括:
获取单元,用于获取第一地区的第一拍摄影像;识别单元,用于在第一拍摄影像中识别第一地区中水体区域对应的第一像素点;提取单元,用于提取第一像素点的特征信息;第一像素点的特征信息包括第一变量,第一变量与第一参数呈现正相关关系,第一参数为用于描述第一地区中水体区域的水质的参数;监测单元,用于根据第一像素点的特征信息,监测第一地区中水体区域的水质。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
根据本公开的第六方面,提供了一种基于人工智能的水质监测设备,包括如第三方面所述的电子设备。
本公开通过获取第一地区的第一拍摄影像,在第一拍摄影像中识别第一地区中水体区域对应的第一像素点,针对第一像素点提取与用于描述第一地区中水体区域的水质的参数呈现正相关关系的第一变量,来定性刻画或描述第一地区中水体区域的水质,并根据第一变量监测第一地区中水体区域的水质,可以实现对第一地区在时间维度和空间维度上实现进行大范围的水质监测。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例提供的基于人工智能的水质监测方法的流程示意图;
图2为本公开实施例提供的基于人工智能的水质监测方法的另一流程示意图;
图3为本公开实施例提供的图1中S102的一种实现流程示意图;
图4为本公开实施例提供的基于人工智能的水质监测装置的组成示意图;
图5为本公开实施例提供的基于人工智能的水质监测装置的另一组成示意图;
图6为本公开实施例提供的基于人工智能的水质监测装置的又一组成示意图;
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
应当理解,在本公开各实施例中,字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
水质监测一般是监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势,评价水质状况。
目前的水质监测方法包括:地表断面实地采样检测法、基于经验模型的定量反演法、分析/半分析法等多种方法。
但目前的水质监测方法区域性和季节性较强,均无法在时间维度和空间维度上实现大范围的水质监测。
例如,现有技术中通常精确计算叶绿素a的浓度,但精确叶绿素a的浓度来进行水质监测的方式,并不能同一适用于不同季节、不同区域,具有局限性。
本公开提供了一种基于人工智能的水质监测方法,能够在时间和空间维度上实现大范围监测水质变化。
该方法的执行主体可以是计算机或服务器,或者还可以是其他具有数据处理能力的设备,例如,执行主体可以是一个专门的水质监测设备(或称为基于人工智能的水质监测设备)。在此对该方法的执行主体不作限制。
一些实施例中,服务器可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。
下面对该基于人工智能的水质监测方法进行示例性说明。
图1为本公开实施例提供的基于人工智能的水质监测方法的流程示意图。如图1所示,该方法可以包括:
S101、获取第一地区的第一拍摄影像。
示例性地,第一地区可以是任意一个地理区域,如:某个城市、某个乡镇、又或者某个省份等,在此对第一地区的大小不作限制。
第一拍摄影像可以是卫星或拍摄设备拍摄的第一地区的影像(遥感多光谱影像)。如:可以采用“哨兵2号”卫星拍摄获取第一拍摄影像。
可选地,本公开实施例中,第一拍摄影像可以是L2级数据(L2级表示拍摄级别),卫星的重访周期可以是10天。
S102、在第一拍摄影像中识别第一地区中水体区域对应的第一像素点。
例如,可以采用图像分析技术对第一拍摄影像进行分析,在第一拍摄影像中识别第一地区中水体区域对应的第一像素点。也即,第一地区中可以包括水体区域,如湖泊、河流等所在的区域。对第一拍摄影像进行识别,可以得到第一拍摄影像中的哪些像素点为第一地区中水体区域对应的像素点。这些像素点可以称为第一像素点。
S103、提取第一像素点的特征信息;第一像素点的特征信息包括第一变量,第一变量与第一参数呈现正相关关系,第一参数为用于描述第一地区中水体区域的水质的参数。
S103中,在提取第一像素点的特征信息时,可以提取与第一参数呈现正相关关系的第一变量作为第一像素点的特征信息。第一参数是指描述第一地区中水体区域的水质的参数,第一参数也可以称为水质因子。
也即,本公开实施例可以通过与第一参数呈现正相关关系的第一变量来定性刻画或描述第一地区中水体区域的水质,并不是采用第一参数来定量刻画或描述第一地区中水体区域的水质。
可以理解的,第一变量与第一参数呈现正相关关系是指:第一参数越大,第一变量越大;反之,第一参数越小,第一变量越小。
S104、根据第一像素点的特征信息,监测第一地区中水体区域的水质。
由于第一像素点的特征信息包括第一变量,而第一变量可以定性刻画或描述第一地区中水体区域的水质。所以,S104中根据第一像素点的特征信息,监测第一地区中水体区域的水质,也即通过监测第一变量来监测第一地区中水体区域的水质。采用第一变量来监测第一地区中水体区域的水质时,可以打破时间维度和空间维度的障碍,在时间维度和空间维度上实现进行大范围的水质监测,比较第一地区在不同时间的水质变化、以及第一地区和其他地区(如第二地区)在不同空间的水质变化。
综上所述,本公开实施例通过获取第一地区的第一拍摄影像,在第一拍摄影像中识别第一地区中水体区域对应的第一像素点,针对第一像素点提取与用于描述第一地区中水体区域的水质的参数呈现正相关关系的第一变量,来定性刻画或描述第一地区中水体区域的水质,并根据第一变量监测第一地区中水体区域的水质,可以实现对第一地区在时间维度和空间维度上实现进行大范围的水质监测。
一些实施例中,第一参数包括叶绿素a的浓度;第一变量包括近红外波段的反射值和红光波段的反射值的第一比值;第一比值与叶绿素a的浓度呈现正相关关系。
通常而言,水质监测时是对叶绿素a的浓度定量描述的。本公开实施例中,叶绿素a的浓度是采用了与叶绿素a的浓度呈现正相关关系的近红外波段的反射值和红光波段的反射值的第一比值来定性描述的。
另外一些实施例中,第一参数还包括可溶有色有机物的浓度;第一变量还包括蓝光波段的反射值和绿光波段的反射值的第二比值;第二比值与可溶有色有机物的浓度呈现正相关关系。
类似地,本公开实施例中,可溶有色有机物的浓度是采用了与可溶有色有机物的浓度呈现正相关关系的蓝光波段的反射值和绿光波段的反射值的第二比值来定性描述的。
还有一些实施例中,第一参数还包括悬浮物的浓度;第一变量还包括红光波段的反射值和绿光波段的反射值的第三比值;第三比值与悬浮物的浓度呈现正相关关系。
类似地,本公开实施例中,悬浮物的浓度是采用了与悬浮物的浓度呈现正相关关系的红光波段的反射值和绿光波段的反射值的第三比值来定性描述的。
下面对本公开实施例中对第一地区在时间维度和空间维度进行的水质监测分别进行说明。
对于时间维度而言,本公开实施例中可以定期例行下载同一区域(如第一地区)的影像,并按照图1所示的流程提取不同时段的特征信息来进行比较,以确定第一地区中水体区域的水质变化。
例如,以下载第一地区在第一时段的第一拍摄影像和第一地区在第而时段的第一拍摄影像为例,按照图1所示的流程,提取到的第一像素点的特征信息可以包括:在第一时段提取(即从第一地区在第一时段的第一拍摄影像中提取)的第一特征信息、以及在第二时段提取(即从第一地区在第二时段的第一拍摄影像中提取)的第二特征信息。图1中S104可以包括:根据第一特征信息和第二特征信息,监测第一地区中水体区域的水质在时间维度上的变化。
例如,第一时段可以在第二时段之间,通过比较第二特征信息相较于第一特征信息的变化,可以确定出第一地区中水体区域的水质从第一时段至第二时段(即在时间维度上)的变化。
对于空间维度而言,本公开实施例中可以对同一时段或相近时段(如时间相差小于预设时长的时段,预设时长可以是1天、1周等,不作限制),下载不同区域(如第一地区和第二地区)的影像,并提取水体区域的像素点的特征信息进行比较,以确定不同区域中水体区域在空间维度上的变化。
以第一地区和第二地区比较为例:图2为本公开实施例提供的基于人工智能的水质监测方法的另一流程示意图。如图2所示,该方法可以包括:
S201、获取第一地区的第一拍摄影像、以及第二地区的第二拍摄影像。
S201中获取第一地区的第一拍摄影像的过程可以参考S101所述,获取第二地区的第二拍摄影像的过程可以参考获取第一地区的第一拍摄影像的过程,均不再赘述。
S202、在第一拍摄影像中识别第一地区中水体区域对应的第一像素点、以及在第二拍摄影像中识别第二地区中水体区域对应的第二像素点。
S202中在第一拍摄影像中识别第一地区中水体区域对应的第一像素点的过程可以参考S102所述,在第二拍摄影像中识别第二地区中水体区域对应的第二像素点的过程可以参考第一拍摄影像中识别第一地区中水体区域对应的第一像素点的过程,也不再赘述。
S203、提取第一像素点的特征信息、以及第二像素点的特征信息;第一像素点的特征信息包括第一变量,第一变量与第一参数呈现正相关关系,第一参数为用于描述第一地区中水体区域的水质的参数;第二像素点的特征信息包括第二变量,第二变量与第二参数呈现正相关关系,第二参数为用于描述第二地区中水体区域的水质的参数。
S203中提取第一像素点的特征信息的过程可以参考S103所述,提取第二像素点的特征信息的过程可以参考提取第一像素点的特征信息的过程,同样不再赘述。
S204、对第一像素点的特征信息和第二像素点的特征信息进行归一化。
可以理解的,对第一像素点的特征信息和第二像素点的特征信息进行归一化是指:将对第一像素点的特征信息和第二像素点的特征信息归一化至同一衡量维度,以便后续比较。如:可以归一化到0至1之间。
S205、根据归一化后的第一像素点的特征信息、以及归一化后的第二像素点的特征信息,监测第一地区中水体区域的水质在空间维度上的变化。
例如,可以比较归一化后的第二像素点的特征信息相较于归一化后的第一像素点的特征信息发生的变化,从而可以确定第二地区中水体区域的水质相较于第一地区中水体区域的水质(即在空间维度上)的变化。
换言之,上述图1所示的实施例还包括以下步骤:获取第二地区的第二拍摄影像。在第二拍摄影像中识别第二地区中水体区域对应的第二像素点。提取第二像素点的特征信息;第二像素点的特征信息包括第二变量,第二变量与第二参数呈现正相关关系,第二参数为用于描述第二地区中水体区域的水质的参数。S104具体可以包括上述S204和S205。
示例性地,图2虽然是以第二地区为例进行说明,但应当理解,第二地区可以包括多个,如可以存在多个第二地区。按照图2所示的方法,可以对于同一个时相/相近时相的大范围的影像(比如全国)进行比较,以确定不同水体区域的水质在空间维度上的变化。
示例性地,可以将归一化后的像素点的特征信息划分到劣质(>0.8)、中等(0.2-0.8)、优质(<0.2)三个区间,对每个像素点对应的水体区域的水质进行评价,在此对评价方式不作限制。
图3为本公开实施例提供的图1中S102的一种实现流程示意图。如图3所示,一些实施例中,S102可以包括:
S301、在第一拍摄影像选取RGB三通道生成真彩色图像。
例如,可以对第一拍摄影像进行RGB三通道的选取,生成RGB图像,该RGB图像即真彩色图像。在此对RGB三通道的选取方式不作限制。
S302、提取真彩色图像中的种子区域的光谱波段特征和空间图像特征;种子区域包括人工在真彩色图像中标记的表示水体区域的标记像素点。
示例性地,本公开实施例中,可以采用人工标记的方式对真彩色图像中的水体区域进行标记,例如,可以人工标记水体区域对应的像素点(称为标记像素点),标记像素点组成的区域即种子区域。
可选地,人工标记时可以选择水体区域的中间标记若干个像素点作为种子区域,在此不作限制。
可以理解的,由于种子区域包括人工在真彩色图像中标记的表示水体区域的标记像素点,所以种子区域具有和水体区域相同或相似的特点。
一些实现方式中,光谱波段特征包括以下至少一种:归一化差异水指数(normalized difference water index,NDWI)、归一化植被指数(normalized differencevegetation index,NDVI)、水体自动提取指数(automated water extraction index,AWEI)、改进归一化差异水体指数(modified NDWI,MNDWI)、消除城市背景中非水体像素的指数(AWEI_NSH)。
一些实现方式中,空间图像特征包括以下至少一种:尺度不变特征变换(scale-invariant feature transform,SIFT)形状特征、线性反投影(local binary patterns,LBP)特征、灰度共生矩阵特征、边缘特征。
示例性地,边缘特征可以是采用canny算法提取的canny边缘特征。
本公开实施例对光谱波段特征和空间图像特征的具体类型和提取方式均不作限制。
S303、对真彩色图像中的每个像素点,以像素点为为中心确定像素点对应的识别窗口;像素点对应的识别窗口和种子区域大小相同。
例如,种子区域大小为5*5(即5个像素点乘5个像素点),则识别窗口也为5*5。
本公开实施例对种子区域的大小并不作限制,例如,种子区域大小还可以为3*3、8*8等。
S304、提取真彩色图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征。
提取真彩色图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征的方式,与提取真彩色图像中的种子区域的光谱波段特征和空间图像特征相同或相似,不再赘述。识别窗口的光谱波段特征和空间图像特征也可以参考种子区域的光谱波段特征和空间图像特征。
S305、将真彩色图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为第一像素点。
例如,S304中得到真彩色图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征后,S305可以先计算每个像素点对应的识别窗口的光谱波段特征和空间图像特征,与种子区域的光谱波段特征和空间图像特征之间的相似度;然后可以从真彩色图像中的所有像素点中选择对应的相似度大于预设相似度阈值的像素点作为第一像素点。如:相似度阈值可以是90%、95%等,在此对相似度阈值的大小不作限制。
可选地,本公开实施例中可以通过计算每个像素点对应的识别窗口的光谱波段特征和空间图像特征,与种子区域的光谱波段特征和空间图像特征之间的余弦距离或欧式距离来衡量二者的相似度。
示例性地,S305中,对每个像素点对应的识别窗口的光谱波段特征和空间图像特征,可以将该像素点对应的识别窗口的光谱波段特征和空间图像特征组成一个该像素点对应的一维特征向量;对种子区域的光谱波段特征和空间图像特征,也可以将种子区域的光谱波段特征和空间图像特征组成种子区域对应的一维特征向量。然后,可以计算每个像素点对应的一维特征向量与种子区域对应的一维特征向量之间的余弦距离,以确定二者的相似度。
可以理解的,对图像中的水体进行识别的过程即对水体的像素点进行标注的过程。通常而言,遥感多光谱影像由于光谱波段设置和空间分辨率粗等原因,可视性比较差,导致标注难度非常高,尤其是需要做像素级标注的图像分割任务,标注成本非常高效率非常低。
本公开实施例中,通过在第一拍摄影像选取RGB三通道生成真彩色图像,提取真彩色图像中的种子区域的光谱波段特征和空间图像特征;种子区域包括人工在真彩色图像中标记的表示水体区域的标记像素点;对真彩色图像中的每个像素点,以像素点为为中心确定像素点对应的识别窗口;像素点对应的识别窗口和种子区域大小相同;提取真彩色图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征;并将真彩色图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为第一像素点,可以考虑到水体的空间连通性以及光谱相似性,大大提升水体的标注效率,即提升了水体识别的效率。
一些实施例中,S302之前,该方法还包括:将真彩色图像分割为预设尺寸的分割图像。S302可以包括:提取每个分割图像中的种子区域的光谱波段特征和空间图像特征。
S305可以包括:对每个分割图像,将分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与分割图像中的种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为第一像素点。
也即,本实施例中,可以先将真彩色图像分割为预设尺寸的分割图像,然后在尺寸更小的分割图像的层面进行后续的处理。
示例性地,预设尺寸可以为512*512,在此对预设尺寸的大小不作限制。
本实施例通过将真彩色图像分割为预设尺寸的分割图像,然后在尺寸更小的分割图像的层面进行后续的处理,可以提高水体识别的准确率以及水质监测的准确率。
一些实施例中,每个分割图像可以包括至少两个种子区域。如:人工标记是可以从连通水域中标记框选至少两个种子区域。上述将分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与分割图像中的种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为第一像素点的步骤,可以包括:获取分割图像中的至少两个种子区域的光谱波段特征均值和空间图像特征均值。将分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与分割图像中的至少两个种子区域的光谱波段特征均值和空间图像特征均值之间的相似度大于预设相似度阈值的像素点,作为第一像素点。
也即,本实施例中,分割图像可以包括至少两个种子区域,在识别水体区域时,可以先计算至少两个种子区域的光谱波段特征均值和空间图像特征均值,然后可以将分割图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征,与光谱波段特征均值和空间图像特征均值进行比较,确定二者的相似度。
本实施例中,分割图像包括至少两个种子区域,且通过比较分割图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征,与至少两个种子区域的光谱波段特征均值和空间图像特征均值来确定相似度,可以进一步提高识别水体区域的准确率。
与计算至少两个种子区域的光谱波段特征均值和空间图像特征均值的实施例类似,还有一些实施例中,每个种子区域可以包括多个标记像素点。对每个种子区域而言,种子区域的光谱波段特征为种子区域包括的所有标记像素点的光谱波段特征均值;种子区域的空间图像特征为种子区域包括的所有标记像素点的空间图像特征均值。
本实施例中,种子区域的光谱波段特征均值和空间图像特征均值,可以更好地表达种子区域的光谱波段特征和空间图像特征,同样可以进一步提高后续识别水体区域的准确率。
可选地,上述S305之后,该方法还包括:根据第一像素点,对真彩色图像进行膨胀和腐蚀处理。
示例性地,在对真彩色图像进行膨胀和腐蚀处理时,核大小可以设置为3*3,在此不作限制。
S305中识别水体标注第一像素点后,可能存在部分像素点标注错误地情况。如:在某个水体区域中出现了标记为非水体的像素点,或者,在某个非水体区域中出现了标记为水体的像素点,这种像素点可以称为“孔洞”。本实施例中,根据第一像素点,对真彩色图像进行膨胀和腐蚀处理,可以消除这种“孔洞”,即消除一些误判点(误标记点)。根据第一像素点,对真彩色图像进行膨胀和腐蚀处理,也即叠加图像形态学后处理,可以有效去除水体误检。
可选地,上述S102之前,该方法还包括:对第一拍摄影像进行云掩膜处理。
对第一拍摄影像进行云掩膜处理是指标记第一拍摄影像中云层覆盖区域的像素点。通过对第一拍摄影像进行云掩膜处理,可以使得S102中在第一拍摄影像中识别第一地区中水体区域对应的第一像素点时,云掩膜区域(即云层覆盖区域)不会作为输入,提高了S102中水体识别的速度和准确度。
示例性地,本公开实施例中可以采用改进的Fmask算法或者SENTINEL Hub开源的s2cloudless,计算云掩膜,将云层覆盖的区域去除。在此对云掩膜算法不作限制。
可选地,本公开实施例中,S102可以基于卷积神经网络算法来实现。卷积神经网络可以采用deeplabv3+语义分割算法,在此也不作限制。
示例性实施例中,本公开实施例还提供一种基于人工智能的水质监测装置,可以用于实现如前述实施例所述的基于人工智能的水质监测方法。图4为本公开实施例提供的基于人工智能的水质监测装置的组成示意图。如图4所示,该装置可以包括:获取单元401、识别单元402、提取单元403、监测单元404。
获取单元401,用于获取第一地区的第一拍摄影像。
识别单元402,用于在第一拍摄影像中识别第一地区中水体区域对应的第一像素点。
提取单元403,用于提取第一像素点的特征信息;第一像素点的特征信息包括第一变量,第一变量与第一参数呈现正相关关系,第一参数为用于描述第一地区中水体区域的水质的参数。
监测单元404,用于根据第一像素点的特征信息,监测第一地区中水体区域的水质。
可选地,第一参数包括叶绿素a的浓度;第一变量包括近红外波段的反射值和红光波段的反射值的第一比值;第一比值与叶绿素a的浓度呈现正相关关系。
可选地,第一参数还包括可溶有色有机物的浓度;第一变量还包括蓝光波段的反射值和绿光波段的反射值的第二比值;第二比值与可溶有色有机物的浓度呈现正相关关系。
可选地,第一参数还包括悬浮物的浓度;第一变量还包括红光波段的反射值和绿光波段的反射值的第三比值;第三比值与悬浮物的浓度呈现正相关关系。
可选地,第一像素点的特征信息包括:在第一时段提取的第一特征信息和在第二时段提取的第二特征信息。
监测单元404,具体用于根据第一特征信息和第二特征信息,监测第一地区中水体区域的水质在时间维度上的变化。
可选地,获取单元401,还用于获取第二地区的第二拍摄影像。
识别单元402,还用于在第二拍摄影像中识别第二地区中水体区域对应的第二像素点。
提取单元403,还用于提取第二像素点的特征信息;第二像素点的特征信息包括第二变量,第二变量与第二参数呈现正相关关系,第二参数为用于描述第二地区中水体区域的水质的参数。
监测单元404,具体用于对第一像素点的特征信息和第二像素点的特征信息进行归一化;根据归一化后的第一像素点的特征信息、以及归一化后的第二像素点的特征信息,监测第一地区中水体区域的水质在空间维度上的变化。
可选地,识别单元402,具体用于在第一拍摄影像选取RGB三通道生成真彩色图像;提取真彩色图像中的种子区域的光谱波段特征和空间图像特征;种子区域包括人工在真彩色图像中标记的表示水体区域的标记像素点;对真彩色图像中的每个像素点,以像素点为为中心确定像素点对应的识别窗口;像素点对应的识别窗口和种子区域大小相同;提取真彩色图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征;将真彩色图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为第一像素点。
可选地,识别单元402,还用于在提取真彩色图像中的种子区域的光谱波段特征和空间图像特征之前,将真彩色图像分割为预设尺寸的分割图像。识别单元402,具体用于提取每个分割图像中的种子区域的光谱波段特征和空间图像特征;对每个分割图像,将分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与分割图像中的种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为第一像素点。
可选地,每个分割图像包括至少两个种子区域。识别单元402,具体用于获取分割图像中的至少两个种子区域的光谱波段特征均值和空间图像特征均值;将分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与分割图像中的至少两个种子区域的光谱波段特征均值和空间图像特征均值之间的相似度大于预设相似度阈值的像素点,作为第一像素点。
可选地,种子区域的光谱波段特征为种子区域包括的所有标记像素点的光谱波段特征均值;种子区域的空间图像特征为种子区域包括的所有标记像素点的空间图像特征均值。
图5为本公开实施例提供的基于人工智能的水质监测装置的另一组成示意图。如图5所示,该装置还可以包括:后处理单元501。
后处理单元501,用于识别单元402将真彩色图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为第一像素点之后,根据第一像素点,对真彩色图像进行膨胀和腐蚀处理。
可选地,光谱波段特征包括以下至少一种:归一化差异水指数、归一化植被指数、水体自动提取指数、改进归一化差异水体指数、消除城市背景中非水体像素的指数。
可选地,空间图像特征包括以下至少一种:尺度不变特征变换形状特征、线性反投影特征、灰度共生矩阵特征、边缘特征。
图6为本公开实施例提供的基于人工智能的水质监测装置的又一组成示意图。如图6所示,该装置还可以包括:云掩膜单元601。
云掩膜单元601,用于识别单元402在第一拍摄影像中识别第一地区中水体区域对应的第一像素点之前,对第一拍摄影像进行云掩膜处理。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品、以及一种基于人工智能的水质监测设备。
示例性实施例中,电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上实施例所述的方法。该电子设备可以是上述计算机或服务器。
示例性实施例中,可读存储介质可以是存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据以上实施例所述的方法。
示例性实施例中,计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现根据以上实施例所述的方法。
示例性实施例中,基于人工智能的水质监测设备包括如本公开实施例所述的电子设备。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如基于人工智能的水质监测方法。例如,在一些实施例中,基于人工智能的水质监测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的基于人工智能的水质监测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于人工智能的水质监测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种基于人工智能的水质监测方法,所述方法包括:
获取第一地区的第一拍摄影像;
在所述第一拍摄影像中识别所述第一地区中水体区域对应的第一像素点;
提取所述第一像素点的特征信息;所述第一像素点的特征信息包括第一变量,所述第一变量与第一参数呈现正相关关系,所述第一参数为用于描述所述第一地区中水体区域的水质的参数;
根据所述第一像素点的特征信息,监测所述第一地区中所述水体区域的水质。
2.根据权利要求1所述的方法,所述第一参数包括叶绿素a的浓度;
所述第一变量包括近红外波段的反射值和红光波段的反射值的第一比值;所述第一比值与所述叶绿素a的浓度呈现正相关关系。
3.根据权利要求1或2所述的方法,所述第一参数还包括可溶有色有机物的浓度;
所述第一变量还包括蓝光波段的反射值和绿光波段的反射值的第二比值;所述第二比值与所述可溶有色有机物的浓度呈现正相关关系。
4.根据权利要求1-3任一项所述的方法,所述第一参数还包括悬浮物的浓度;
所述第一变量还包括红光波段的反射值和绿光波段的反射值的第三比值;所述第三比值与所述悬浮物的浓度呈现正相关关系。
5.根据权利要求1-4任一项所述的方法,所述第一像素点的特征信息包括:在第一时段提取的第一特征信息和在第二时段提取的第二特征信息;
所述根据所述第一像素点的特征信息,监测所述第一地区中所述水体区域的水质,包括:
根据所述第一特征信息和所述第二特征信息,监测所述第一地区中所述水体区域的水质在时间维度上的变化。
6.根据权利要求1-5任一项所述的方法,所述方法还包括:
获取第二地区的第二拍摄影像;
在所述第二拍摄影像中识别所述第二地区中水体区域对应的第二像素点;
提取所述第二像素点的特征信息;所述第二像素点的特征信息包括第二变量,所述第二变量与第二参数呈现正相关关系,所述第二参数为用于描述所述第二地区中水体区域的水质的参数;
所述根据所述第一像素点的特征信息,监测所述第一地区中所述水体区域的水质,包括:
对所述第一像素点的特征信息和所述第二像素点的特征信息进行归一化;
根据归一化后的所述第一像素点的特征信息、以及归一化后的所述第二像素点的特征信息,监测所述第一地区中所述水体区域的水质在空间维度上的变化。
7.根据权利要求1-6任一项所述的方法,所述在所述第一拍摄影像中识别所述第一地区中水体区域对应的第一像素点,包括:
在所述第一拍摄影像选取RGB三通道生成真彩色图像;
提取所述真彩色图像中的种子区域的光谱波段特征和空间图像特征;所述种子区域包括人工在所述真彩色图像中标记的表示水体区域的标记像素点;
对所述真彩色图像中的每个像素点,以所述像素点为为中心确定所述像素点对应的识别窗口;所述像素点对应的识别窗口和所述种子区域大小相同;
提取所述真彩色图像中每个像素点对应的识别窗口的光谱波段特征和空间图像特征;
将所述真彩色图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与所述种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为所述第一像素点。
8.根据权利要求7所述的方法,所述提取所述真彩色图像中的种子区域的光谱波段特征和空间图像特征之前,所述方法还包括:
将所述真彩色图像分割为预设尺寸的分割图像;
所述提取所述真彩色图像中的种子区域的光谱波段特征和空间图像特征,包括:
提取每个所述分割图像中的种子区域的光谱波段特征和空间图像特征;
所述将所述真彩色图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与所述种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为所述第一像素点,包括:
对每个所述分割图像,将所述分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与所述分割图像中的所述种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为所述第一像素点。
9.根据权利要求8所述的方法,每个所述分割图像包括至少两个所述种子区域;
所述将所述分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与所述分割图像中的所述种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为所述第一像素点,包括:
获取所述分割图像中的至少两个所述种子区域的光谱波段特征均值和空间图像特征均值;
将所述分割图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与所述分割图像中的至少两个所述种子区域的光谱波段特征均值和空间图像特征均值之间的相似度大于预设相似度阈值的像素点,作为所述第一像素点。
10.根据权利要求7-9任一项所述的方法,所述种子区域的光谱波段特征为所述种子区域包括的所有标记像素点的光谱波段特征均值;
所述种子区域的空间图像特征为所述种子区域包括的所有标记像素点的空间图像特征均值。
11.根据权利要求7-10任一项所述的方法,将所述真彩色图像中的所有像素点中,对应的识别窗口的光谱波段特征和空间图像特征,与所述种子区域的光谱波段特征和空间图像特征之间的相似度大于预设相似度阈值的像素点,作为所述第一像素点之后,所述方法还包括:
根据所述第一像素点,对所述真彩色图像进行膨胀和腐蚀处理。
12.根据权利要求7-11任一项所述的方法,所述光谱波段特征包括以下至少一种:归一化差异水指数、归一化植被指数、水体自动提取指数、改进归一化差异水体指数、消除城市背景中非水体像素的指数。
13.根据权利要求7-12任一项所述的方法,所述空间图像特征包括以下至少一种:尺度不变特征变换形状特征、线性反投影特征、灰度共生矩阵特征、边缘特征。
14.根据权利要求1-13任一项所述的方法,所述在所述第一拍摄影像中识别所述第一地区中水体区域对应的第一像素点之前,所述方法还包括:
对所述第一拍摄影像进行云掩膜处理。
15.一种基于人工智能的水质监测装置,所述装置包括:
获取单元,用于获取第一地区的第一拍摄影像;
识别单元,用于在所述第一拍摄影像中识别所述第一地区中水体区域对应的第一像素点;
提取单元,用于提取所述第一像素点的特征信息;所述第一像素点的特征信息包括第一变量,所述第一变量与第一参数呈现正相关关系,所述第一参数为用于描述所述第一地区中水体区域的水质的参数;
监测单元,用于根据所述第一像素点的特征信息,监测所述第一地区中所述水体区域的水质。
16.一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-14任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据权利要求1-14任一项所述的方法。
18.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-13任一项所述的方法。
19.一种基于人工智能的水质监测设备,包括如权利要求16所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210910667.XA CN115266719A (zh) | 2022-07-29 | 2022-07-29 | 基于人工智能的水质监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210910667.XA CN115266719A (zh) | 2022-07-29 | 2022-07-29 | 基于人工智能的水质监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115266719A true CN115266719A (zh) | 2022-11-01 |
Family
ID=83746364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210910667.XA Pending CN115266719A (zh) | 2022-07-29 | 2022-07-29 | 基于人工智能的水质监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115266719A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
-
2022
- 2022-07-29 CN CN202210910667.XA patent/CN115266719A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
CN117110217B (zh) * | 2023-10-23 | 2024-01-12 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery | |
Chaudhuri et al. | Automatic building detection from high-resolution satellite images based on morphology and internal gray variance | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN112800915B (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
US11017507B2 (en) | Image processing device for detection and correction of cloud cover, image processing method and storage medium | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
EP3493157B1 (en) | Method and system for visual change detection using multi-scale analysis | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
Tambe et al. | Deep multi-feature learning architecture for water body segmentation from satellite images | |
CN113822352B (zh) | 基于多特征融合的红外弱小目标检测方法 | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN115266719A (zh) | 基于人工智能的水质监测方法及装置 | |
CN113705380B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
Wang et al. | Real-time spatiotemporal spectral unmixing of MODIS images | |
CN113705381A (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
Mangala et al. | A new automatic road extraction technique using gradient operation and skeletal ray formation | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN116797941A (zh) | 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 | |
CN111222470A (zh) | 基于多元高斯分布与PCANet的可见光遥感图像舰船检测方法 | |
Jin et al. | Towards an automatic system for road lane marking extraction in large-scale aerial images acquired over rural areas by hierarchical image analysis and Gabor filter |
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 |