CN115471761A - 集成多源遥感数据的海岸滩涂变化监测方法 - Google Patents
集成多源遥感数据的海岸滩涂变化监测方法 Download PDFInfo
- Publication number
- CN115471761A CN115471761A CN202211341918.3A CN202211341918A CN115471761A CN 115471761 A CN115471761 A CN 115471761A CN 202211341918 A CN202211341918 A CN 202211341918A CN 115471761 A CN115471761 A CN 115471761A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- beach
- infrared
- microwave
- 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
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种集成多源遥感数据的海岸滩涂变化监测方法,该方法包括:通过采用遥感设备进行图像识别,获取待监测海岸滩涂的第一红外遥感图像、第一微波遥感图像、第一可见光遥感图像、第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像,基于这些图像进行数据识别和处理,确定第一海岸滩涂区域和第二海岸滩涂区域,进而生成海岸滩涂变化信息,以实现对海岸滩涂变化的监测。因此,本发明提供的方法采用图形识别的方式,并进行相关的数据处理,解决了海岸滩涂变化监测的准确率低下的技术问题,提高了海岸滩涂变化监测的准确率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及集成多源遥感数据的海岸滩涂变化监测方法。
背景技术
海岸滩涂,是沿海大潮高潮位与低潮位之间的潮浸地带,是重要的后备土地资源,滩涂资源的有效利用增加了土地供给,缓解人口压力,促进了沿海地区的兴起,并且滩涂对于全球气候,海平面变化和物质循环有重要意义。因此,对海岸滩涂进行变化监测至关重要。目前,在进行海岸滩涂变化监测时,通常采用的方式为:首先,获取不同时刻的两帧滩涂图像。接着,对上述两帧滩涂图像根据人为设置的灰度值范围,分别分割出上述两帧滩涂图像中的滩涂区域。最后,根据上述两帧滩涂图像中的滩涂区域的变化,监测海岸滩涂的变化。
然而,当采用上述方式时,经常会存在如下技术问题:
当通过人为设置的灰度值范围分割滩涂图像中的滩涂区域时,由于人为设置的灰度值范围往往是凭借人工的主观感受设置的,往往设置的不准确,从而,导致不能准确的分割出滩涂区域,进而,导致海岸滩涂变化监测的准确率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本发明的一些实施例提出了集成多源遥感数据的海岸滩涂变化监测方法,来解决以上背景技术部分提到的技术问题中的一项或多项。
本发明的一些实施例提供了一种集成多源遥感数据的海岸滩涂变化监测的方法,该方法包括:
获取待监测海岸滩涂的第一红外遥感图像、第一微波遥感图像、第一可见光遥感图像、第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像;
对上述第一红外遥感图像进行红外数据处理,确定上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息;
对上述第一微波遥感图像进行微波数据处理,确定上述第一微波遥感图像中的每个像素点对应的微波滩涂可能信息;
根据上述第一红外遥感图像和上述第一可见光遥感图像,确定上述第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息;
根据上述第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、上述第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和上述第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域;
根据上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像,确定第二海岸滩涂区域;
根据上述第一海岸滩涂区域和上述第二海岸滩涂区域,生成海岸滩涂变化信息。
进一步的,上述对上述第一红外遥感图像进行红外数据处理,确定上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息,包括:
对上述第一红外遥感图像进行分割,得到上述第一红外遥感图像对应的红外掩膜图像;
将上述红外掩膜图像和上述第一红外遥感图像相乘,得到红外滩涂图像;
根据上述红外滩涂图像和上述第一红外遥感图像,确定上述第一红外遥感图像中的红外滩涂区域;
根据上述红外滩涂区域和上述第一红外遥感图像中的每个像素点对应的灰度值,确定上述像素点对应的红外滩涂可能信息。
进一步的,上述对上述第一微波遥感图像进行微波数据处理,确定上述第一微波遥感图像中的每个像素点对应的微波滩涂可能信息,包括:
对上述第一微波遥感图像进行分割,得到上述第一微波遥感图像对应的微波掩膜图像;
将上述微波掩膜图像和上述第一微波遥感图像相乘,得到微波滩涂图像;
根据上述微波滩涂图像和上述第一微波遥感图像,确定上述第一微波遥感图像中的微波滩涂区域;
根据上述微波滩涂区域和上述第一微波遥感图像中的每个像素点对应的灰度值,确定上述像素点对应的微波滩涂可能信息。
进一步的,上述根据上述第一红外遥感图像和上述第一可见光遥感图像,确定上述第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息,包括:
对上述第一红外遥感图像进行目标分割,得到红外水体区域、红外滩涂区域和红外固体区域;
从上述红外水体区域中筛选出灰度值最小的像素点,作为水体初始中心点;
从上述红外滩涂区域中筛选出灰度值为目标灰度值的像素点,作为滩涂初始中心点;
从上述红外固体区域中筛选出灰度值最大的像素点,作为固体初始中心点;
根据上述水体初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的水体相似度;
根据上述滩涂初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的滩涂相似度;
根据上述固体初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的固体相似度;
对于上述第一可见光遥感图像中的每个像素点,根据上述像素点对应的水体相似度、滩涂相似度和固体相似度,对上述像素点进行聚类,得到上述像素点对应的可见光滩涂可能信息。
进一步的,上述从上述红外滩涂区域中筛选出灰度值为目标灰度值的像素点,作为滩涂初始中心点,包括:
从上述红外滩涂区域中的各个像素点对应的灰度值中筛选出最大的灰度值和最小的灰度值;
将上述最大的灰度值和上述最小的灰度值的均值,确定为均值灰度值;
确定上述红外滩涂区域中每个像素点对应的灰度值与上述均值灰度值的差值,作为上述像素点对应的目标差值;
将上述红外滩涂区域中各个像素点对应的目标差值中的最小的目标差值对应的像素点对应的灰度值,确定为上述目标灰度值;
将上述红外滩涂区域中灰度值为上述目标灰度值的像素点,确定为上述滩涂初始中心点。
进一步的,上述根据上述像素点对应的水体相似度、滩涂相似度和固体相似度,对上述像素点进行聚类,得到上述像素点对应的可见光滩涂可能信息,包括:
从上述像素点对应的水体相似度、滩涂相似度和固体相似度中筛选出值最小的相似度,将上述像素点划分到上述值最小的相似度对应的类别,其中,水体相似度对应的类别是水体类,滩涂相似度对应的类别是滩涂类,固体相似度对应的类别是固体类;
响应于上述第一可见光遥感图像中的各个像素点全部对应划分到上述水体类或上述滩涂类或上述固体类,分别确定上述水体类、上述滩涂类和上述固体类对应的聚类中心点;
响应于上述水体初始中心点与上述水体类对应的聚类中心点之间的距离、上述滩涂初始中心点与上述滩涂类对应的聚类中心点之间的距离和上述固体初始中心点与上述固体类对应的聚类中心点对应的聚类中心点之间的距离均小于预设距离,将上述像素点对应的滩涂相似度,确定为上述像素点对应的可见光滩涂可能信息。
进一步的,上述根据上述第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、上述第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和上述第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域,包括:
根据上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息、上述像素点对应的在上述第一微波遥感图像中的像素点对应的微波滩涂可能信息和上述像素点对应的在上述第一可见光遥感图像中的像素点对应的可见光滩涂可能信息,确定上述像素点对应的总滩涂可能信息;
响应于上述第一红外遥感图像中的像素点对应的总滩涂可能信息大于预设阈值,将上述第一红外遥感图像中的像素点确定为滩涂像素点;
将上述第一红外遥感图像中的各个滩涂像素点所在的区域,确定为上述第一海岸滩涂区域。
本发明的上述各个实施例中具有如下有益效果:
本发明的一些实施例的集成多源遥感数据的海岸滩涂变化监测方法,通过采用图形识别的方式,并进行相关的数据处理,解决了海岸滩涂变化监测的准确率低下的技术问题,产生了提高了海岸滩涂变化监测的准确率的技术效果。首先,获取待监测海岸滩涂的第一红外遥感图像、第一微波遥感图像、第一可见光遥感图像、第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像。可以便于后续确定不同时刻的滩涂区域。然后,对上述第一红外遥感图像进行红外数据处理,确定上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息。由于水面和陆地的红外波段差距较大,所以对上述第一红外遥感图像进行红外数据处理,可以提高确定红外滩涂可能信息的准确度。接着,对上述第一微波遥感图像进行微波数据处理,确定上述第一微波遥感图像中的每个像素点对应的微波滩涂可能信息。由于微波遥感技术具有全天候昼夜工作能力,能穿透云层,往往不易受气象条件和日照水平的影响,所以对上述第一微波遥感图像进行微波数据处理,可以提高确定微波滩涂可能信息的准确度。其次,根据上述第一红外遥感图像和上述第一可见光遥感图像,确定上述第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息。由于可见光遥感图像是真彩色图像,往往有多个波段,所以综合考虑上述第一红外遥感图像和上述第一可见光遥感图像,可以提高确定可见光滩涂可能信息的准确度。而后,根据上述第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、上述第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和上述第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域。综合考虑红外滩涂可能信息、微波滩涂可能信息和可见光滩涂可能信息,可以提高确定第一海岸滩涂区域的准确度。之后,根据上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像,确定第二海岸滩涂区域。最后,根据上述第一海岸滩涂区域和上述第二海岸滩涂区域,生成海岸滩涂变化信息。本发明通过采用图形识别的方式,并进行相关的数据处理,解决了海岸滩涂变化监测的准确率低下的技术问题,产生了提高了海岸滩涂变化监测的准确率的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为根据本发明的集成多源遥感数据的海岸滩涂变化监测方法的一些实施例的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种集成多源遥感数据的海岸滩涂变化监测方法,该方法包括以下步骤:
获取待监测海岸滩涂的第一红外遥感图像、第一微波遥感图像、第一可见光遥感图像、第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像;
对上述第一红外遥感图像进行红外数据处理,确定上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息;
对上述第一微波遥感图像进行微波数据处理,确定上述第一微波遥感图像中的每个像素点对应的微波滩涂可能信息;
根据上述第一红外遥感图像和上述第一可见光遥感图像,确定上述第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息;
根据上述第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、上述第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和上述第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域;
根据上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像,确定第二海岸滩涂区域;
根据上述第一海岸滩涂区域和上述第二海岸滩涂区域,生成海岸滩涂变化信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的集成多源遥感数据的海岸滩涂变化监测方法的一些实施例的流程。该集成多源遥感数据的海岸滩涂变化监测方法,包括以下步骤:
步骤S1,获取待监测海岸滩涂的第一红外遥感图像、第一微波遥感图像、第一可见光遥感图像、第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像。
在一些实施例中,集成多源遥感数据的海岸滩涂变化监测方法的执行主体(例如计算设备)可以获取待监测海岸滩涂的第一红外遥感图像、第一微波遥感图像、第一可见光遥感图像、第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
其中,上述第一红外遥感图像、上述第一微波遥感图像和上述第一可见光遥感图像可以是不同的遥感设备在第一时刻采集的遥感图像。上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像可以是不同的遥感设备在第二时刻采集的遥感图像。上述第二时刻可以是在上述第一时刻之后时刻。上述第一红外遥感图像和上述第二红外遥感图像可以是由相同的遥感设备采集的红外遥感图像。上述第一微波遥感图像和上述第二微波遥感图像可以是由相同的遥感设备采集的微波遥感图像。上述第一可见光遥感图像和上述第二可见光遥感图像可以是由相同的遥感设备采集的可见光遥感图像。其中,上述第一红外遥感图像、上述第一微波遥感图像、上述第一可见光遥感图像、上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像对应的图像尺寸可以相同。上述第一红外遥感图像、上述第一微波遥感图像、上述第一可见光遥感图像、上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像中相同位置的像素点对应的实际景物可以相同。上述第一红外遥感图像、上述第一微波遥感图像、上述第一可见光遥感图像、上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像中可以包括水体、滩涂和固体。上述固体可以是除了水体和滩涂之外的物体。例如,上述固体可以是建筑或植物。各个遥感设备采集遥感图像时,遥感设备上的摄像头的角度和位置可以相同。
步骤S2,对第一红外遥感图像进行红外数据处理,确定第一红外遥感图像中的每个像素点对应的红外滩涂可能信息。
在一些实施例中,上述执行主体可以对上述第一红外遥感图像进行红外数据处理,确定上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息。
其中,像素点对应的红外滩涂可能信息可以表征该像素点在上述第一红外遥感图像中是滩涂像素点的可能性。像素点对应的红外滩涂可能信息越大,该像素点是滩涂像素点的可能性越大。
作为示例,本步骤可以包括以下步骤:
第一步,对上述第一红外遥感图像进行分割,得到上述第一红外遥感图像对应的红外掩膜图像。
其中,上述红外掩膜图像可以是上述第一红外遥感图像对应的滩涂相关的掩膜图像(如,mask图像)。
例如,上述执行主体可以通过区域分割算法,对上述第一红外遥感图像进行分割,将上述第一红外遥感图像中的各个像素点的灰度值按照从小到大依次更新为0,1和0,得到红外掩膜图像。其中,上述区域分割算法为公知算法,在此不再赘述。此时,灰度值为1的像素点可以是滩涂像素点。
由于水体对于红外光线的吸收能力较强,因此在红外遥感图像下,水体的灰度值较小,而滩涂和建筑的灰度值较大,滩涂为浸湿的陆地,其同样具有水分,因此在红外光线照射下滩涂的灰度值相较于建筑或植物要小,因此就可以得到在红外遥感图像下建筑或植物的灰度值最大,滩涂次之,水体灰度值最小。所以,在上述第一红外遥感图像中灰度值处于中间值的像素点可以是滩涂像素点。
第二步,将上述红外掩膜图像和上述第一红外遥感图像相乘,得到红外滩涂图像。
其中,上述红外滩涂图像中除了滩涂区域之外的区域中的各个像素点对应的灰度值可以均为0。
第三步,根据上述红外滩涂图像和上述第一红外遥感图像,确定上述第一红外遥感图像中的红外滩涂区域。
其中,上述第一红外遥感图像中的红外滩涂区域可以是上述第一红外遥感图像中的ROI区域(Region Of Interest,感兴趣区域)。
例如,上述执行主体可以将上述红外滩涂图像中的滩涂区域中的各个像素点对应的在上述第一红外遥感图像中的像素点所在的区域,确定为上述第一红外遥感图像中的红外滩涂区域。
第四步,根据上述红外滩涂区域和上述第一红外遥感图像中的每个像素点对应的灰度值,确定上述像素点对应的红外滩涂可能信息。
例如,上述根据上述红外滩涂区域和上述第一红外遥感图像中的每个像素点对应的灰度值,确定上述像素点对应的红外滩涂可能信息对应的公式可以为:
其中,是上述像素点对应的红外滩涂可能信息。是上述像素点对应的灰度值。是上述红外滩涂区域中的各像素点对应的灰度值中的最小值。是上述红外滩涂区域中的各像素点对应的灰度值中的最大值。是参数。其中,的取值范围可以是[1,10]。如可以是5。
步骤S3,对第一微波遥感图像进行微波数据处理,确定第一微波遥感图像中的每个像素点对应的微波滩涂可能信息。
在一些实施例中,上述执行主体可以对上述第一微波遥感图像进行微波数据处理,确定上述第一微波遥感图像中的每个像素点对应的微波滩涂可能信息。
其中,像素点对应的微波滩涂可能信息可以表征该像素点在上述第一微波遥感图像中是滩涂像素点的可能性。像素点对应的微波滩涂可能信息越大,该像素点是滩涂像素点的可能性越大。
作为示例,本步骤可以包括以下步骤:
第一步,对上述第一微波遥感图像进行分割,得到上述第一微波遥感图像对应的微波掩膜图像。
其中,上述微波掩膜图像可以是上述第一微波遥感图像对应的滩涂相关的掩膜图像(如,mask图像)。
例如,上述执行主体可以通过区域分割算法,对上述第一微波遥感图像进行分割,将上述第一微波遥感图像中的各个像素点的灰度值按照从小到大依次更新为0,1和0,得到微波掩膜图像。其中,上述区域分割算法为公知算法,在此不再赘述。此时,灰度值为1的像素点可以是滩涂像素点。
含水量越多的地物介电常数越大,反射能力往往越强,由于滩涂的含水量在水体与固体(如,建筑或植物)的含水量之间,所以,在上述第一微波遥感图像中灰度值处于中间值的像素点可以是滩涂像素点。
第二步,将上述微波掩膜图像和上述第一微波遥感图像相乘,得到微波滩涂图像。
其中,上述微波滩涂图像中除了滩涂区域之外的区域中的各个像素点对应的灰度值可以均为0。
第三步,根据上述微波滩涂图像和上述第一微波遥感图像,确定上述第一微波遥感图像中的微波滩涂区域。
其中,上述第一微波遥感图像中的微波滩涂区域可以是上述第一微波遥感图像中的ROI区域。
第四步,根据上述微波滩涂区域和上述第一微波遥感图像中的每个像素点对应的灰度值,确定上述像素点对应的微波滩涂可能信息。
例如,上述根据上述微波滩涂区域和上述第一微波遥感图像中的每个像素点对应的灰度值,确定上述像素点对应的微波滩涂可能信息对应的公式可以为:
其中,是上述像素点对应的微波滩涂可能信息。是上述像素点对应的灰度值。是上述微波滩涂区域中的各像素点对应的灰度值中的最小值。是上述微波滩涂区域中的各像素点对应的灰度值中的最大值。是参数。其中,的取值范围可以是[1,10]。如可以是5。
步骤S4,根据第一红外遥感图像和第一可见光遥感图像,确定第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息。
在一些实施例中,上述执行主体可以根据上述第一红外遥感图像和上述第一可见光遥感图像,确定上述第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息。
其中,像素点对应的可见光滩涂可能信息可以表征该像素点在上述第一可见光遥感图像中是滩涂像素点的可能性。像素点对应的可见光滩涂可能信息越小,该像素点是滩涂像素点的可能性越大。
作为示例,本步骤可以包括以下步骤:
第一步,对上述第一红外遥感图像进行目标分割,得到红外水体区域、红外滩涂区域和红外固体区域。
例如,首先,上述执行主体可以通过区域分割算法,对上述第一红外遥感图像进行分割,将上述第一红外遥感图像中的各个像素点的灰度值按照从小到大依次更新为0,1和2,得到新红外遥感图像。接着,上述执行主体可以将上述新红外遥感图像中的灰度值为0的各个像素点对应的在上述第一红外遥感图像中的像素点所在的区域,确定为上述红外水体区域。将上述新红外遥感图像中的灰度值为1的各个像素点对应的在上述第一红外遥感图像中的像素点所在的区域,确定为上述红外滩涂区域。将上述新红外遥感图像中的灰度值为2的各个像素点对应的在上述第一红外遥感图像中的像素点所在的区域,确定为上述红外固体区域。
第二步,从上述红外水体区域中筛选出灰度值最小的像素点,作为水体初始中心点。
第三步,从上述红外滩涂区域中筛选出灰度值为目标灰度值的像素点,作为滩涂初始中心点。
例如,本步骤可以包括以下子步骤:
第一子步骤,从上述红外滩涂区域中的各个像素点对应的灰度值中筛选出最大的灰度值和最小的灰度值。
第二子步骤,将上述最大的灰度值和上述最小的灰度值的均值,确定为均值灰度值。
第三子步骤,确定上述红外滩涂区域中每个像素点对应的灰度值与上述均值灰度值的差值,作为上述像素点对应的目标差值。
第四子步骤,将上述红外滩涂区域中各个像素点对应的目标差值中的最小的目标差值对应的像素点对应的灰度值,确定为上述目标灰度值。
第五子步骤,将上述红外滩涂区域中灰度值为上述目标灰度值的像素点,确定为上述滩涂初始中心点。
可选地,上述目标灰度值可以与上述红外滩涂区域中的各个像素点对应的灰度值中最大的灰度值和最小的灰度值之间的均值相同。当上述红外滩涂区域中存在灰度值为目标灰度值的像素点时,上述执行主体可以直接将该像素点作为滩涂初始中心点。
第四步,从上述红外固体区域中筛选出灰度值最大的像素点,作为固体初始中心点。
第五步,根据上述水体初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的水体相似度。
例如,上述根据上述水体初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的水体相似度对应的公式可以为:
其中,是上述像素点与上述水体初始中心点之间的波段相似度。是上述第一
可见光遥感图像中的波段数量。是上述像素点在上述第一可见光遥感图像中的第个波
段中对应的灰度值。是上述水体初始中心点在上述第一可见光遥感图像中的第个波段
中对应的灰度值。是上述像素点对应的水体相似度。是上述像素点对应的位置包括的
横坐标。是上述像素点对应的位置包括的纵坐标。是上述水体初始中心点对应的位置包
括的横坐标。是上述水体初始中心点对应的位置包括的纵坐标。和分别是上述第一可
见光遥感图像的长和宽。是上述像素点对应的灰度值。是上述像素点对应的坐
标。是上述第一可见光遥感图像中坐标为的像素点对应的灰度
值。其中,的取值范围可以是[0,1]。越小,上述像素点与上述水体初始中心点之间的相
似度越高。越小,上述像素点是水体像素点的可能性越高。
第六步,根据上述滩涂初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的滩涂相似度。
例如,上述根据上述滩涂初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的滩涂相似度对应的公式可以为:
其中,是上述像素点与上述滩涂初始中心点之间的波段相似度。是上述第一
可见光遥感图像中的波段数量。是上述像素点在上述第一可见光遥感图像中的第个波
段中对应的灰度值。是上述滩涂初始中心点在上述第一可见光遥感图像中的第个波段
中对应的灰度值。是上述像素点对应的滩涂相似度。是上述像素点对应的位置包括的
横坐标。是上述像素点对应的位置包括的纵坐标。是上述滩涂初始中心点对应的位置包
括的横坐标。是上述滩涂初始中心点对应的位置包括的纵坐标。和分别是上述第一可
见光遥感图像的长和宽。是上述像素点对应的灰度值。是上述像素点对应的坐
标。是上述第一可见光遥感图像中坐标为的像素点对应的灰度
值。其中,的取值范围可以是[0,1]。越小,上述像素点与上述滩涂初始中心点之间的相
似度越高。越小,上述像素点是滩涂像素点的可能性越高。
第七步,根据上述固体初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的固体相似度。
例如,上述根据上述固体初始中心点和上述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定上述像素点对应的固体相似度对应的公式可以为:
其中,是上述像素点与上述固体初始中心点之间的波段相似度。是上述第一
可见光遥感图像中的波段数量。是上述像素点在上述第一可见光遥感图像中的第个波
段中对应的灰度值。是上述固体初始中心点在上述第一可见光遥感图像中的第个波段
中对应的灰度值。是上述像素点对应的固体相似度。是上述像素点对应的位置包括的
横坐标。是上述像素点对应的位置包括的纵坐标。是上述固体初始中心点对应的位置包
括的横坐标。是上述固体初始中心点对应的位置包括的纵坐标。和分别是上述第一可
见光遥感图像的长和宽。是上述像素点对应的灰度值。是上述像素点对应的坐
标。是上述第一可见光遥感图像中坐标为的像素点对应的灰度
值。其中,的取值范围可以是[0,1]。越小,上述像素点与上述水体初始中心点之间的相
似度越高。越小,上述像素点是固体像素点(如,建筑像素点或植物像素点)的可能性越
高。
第八步,对于上述第一可见光遥感图像中的每个像素点,根据上述像素点对应的水体相似度、滩涂相似度和固体相似度,对上述像素点进行聚类,得到上述像素点对应的可见光滩涂可能信息。
例如,本步骤可以包括以下子步骤:
第一子步骤,从上述像素点对应的水体相似度、滩涂相似度和固体相似度中筛选出值最小的相似度,将上述像素点划分到上述值最小的相似度对应的类别。
其中,水体相似度对应的类别可以是水体类。滩涂相似度对应的类别可以是滩涂类。固体相似度对应的类别可以是固体类(如,建筑类或植物类)。
第二子步骤,响应于上述第一可见光遥感图像中的各个像素点全部对应划分到上述水体类或上述滩涂类或上述固体类,分别确定上述水体类、上述滩涂类和上述固体类对应的聚类中心点。
比如,首先,上述执行主体可以重复步骤S4包括的第八步包括的第一子步骤,将上述第一可见光遥感图像中的各个像素点全部对应划分到上述水体类或上述滩涂类或上述固体类,得到聚类完成的水体类、滩涂类和固体类。接着,上述执行主体可以分别将聚类完成的水体类、滩涂类和固体类对应的聚类区域的中心点,确定为水体类、滩涂类和固体类对应的聚类中心点。
第三子步骤,响应于上述水体初始中心点与上述水体类对应的聚类中心点之间的距离、上述滩涂初始中心点与上述滩涂类对应的聚类中心点之间的距离和上述固体初始中心点与上述固体类对应的聚类中心点对应的聚类中心点之间的距离均小于预设距离,将上述像素点对应的滩涂相似度,确定为上述像素点对应的可见光滩涂可能信息。
其中,上述预设距离可以是预先设置的接近于0的距离。
可选地,当上述水体初始中心点与上述水体类对应的聚类中心点之间的距离、上述滩涂初始中心点与上述滩涂类对应的聚类中心点之间的距离和上述固体初始中心点与上述固体类对应的聚类中心点对应的聚类中心点之间的距离中存在大于或等于上述预设距离的距离时,首先,上述执行主体可以将上述水体类对应的聚类中心点作为水体初始中心点,将上述滩涂类对应的聚类中心点作为滩涂初始中心点,将上述固体类对应的聚类中心点作为固体初始中心点。接着,上述执行主体可以重复步骤S4包括的第五步至第八步包括的第一子步骤至第二子步骤。然后,上述执行主体可以确定上述水体初始中心点与上述水体类对应的聚类中心点之间的距离、上述滩涂初始中心点与上述滩涂类对应的聚类中心点之间的距离和上述固体初始中心点与上述固体类对应的聚类中心点对应的聚类中心点之间的距离。之后,上述执行主体可以判断上述水体初始中心点与上述水体类对应的聚类中心点之间的距离、上述滩涂初始中心点与上述滩涂类对应的聚类中心点之间的距离和上述固体初始中心点与上述固体类对应的聚类中心点对应的聚类中心点之间的距离中是否存在大于或等于上述预设距离的距离,若存在,则重复本可选地包括的上述步骤,直至上述水体初始中心点与上述水体类对应的聚类中心点之间的距离、上述滩涂初始中心点与上述滩涂类对应的聚类中心点之间的距离和上述固体初始中心点与上述固体类对应的聚类中心点对应的聚类中心点之间的距离均小于上述预设距离。
步骤S5,根据第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域。
在一些实施例中,上述执行主体可以根据上述第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、上述第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和上述第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域。
其中,上述第一海岸滩涂区域可以表征上述第一时刻时的海岸滩涂区域。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息、上述像素点对应的在上述第一微波遥感图像中的像素点对应的微波滩涂可能信息和上述像素点对应的在上述第一可见光遥感图像中的像素点对应的可见光滩涂可能信息,确定上述像素点对应的总滩涂可能信息。
其中,像素点对应的总滩涂可能信息可以表征该像素点是滩涂像素点的总可能性。像素点对应的总滩涂可能信息越大,该像素点是滩涂像素点的可能性越大。
例如,上述根据上述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息、上述像素点对应的在上述第一微波遥感图像中的像素点对应的微波滩涂可能信息和上述像素点对应的在上述第一可见光遥感图像中的像素点对应的可见光滩涂可能信息,确定上述像素点对应的总滩涂可能信息对应的公式可以为:
其中,是上述像素点对应的总滩涂可能信息。是上述像素点对应的红外滩涂可能信息。是上述像素点对应的在上述第一微波遥感图像中的像素点对应的微波滩涂可能信息。是上述像素点对应的在上述第一可见光遥感图像中的像素点对应的可见光滩涂可能信息。
第二步,响应于上述第一红外遥感图像中的像素点对应的总滩涂可能信息大于预设阈值,将上述第一红外遥感图像中的像素点确定为滩涂像素点。
其中,上述预设阈值可以是预先设置的阈值。例如,上述预设阈值可以是1。
第三步,将上述第一红外遥感图像中的各个滩涂像素点所在的区域,确定为上述第一海岸滩涂区域。
步骤S6,根据第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像,确定第二海岸滩涂区域。
在一些实施例中,上述执行主体可以根据上述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像,确定第二海岸滩涂区域。
其中,上述第二海岸滩涂区域可以表征上述第二时刻时的海岸滩涂区域。
作为示例,本步骤的具体实现方式可以参考步骤S2至步骤S5。上述执行主体可以将述第二红外遥感图像、上述第二微波遥感图像和上述第二可见光遥感图像分别作为上述第一红外遥感图像、上述第一微波遥感图像和上述第一可见光遥感图像,重复步骤S2至步骤S5,得到上述第二海岸滩涂区域。
步骤S7,根据第一海岸滩涂区域和第二海岸滩涂区域,生成海岸滩涂变化信息。
在一些实施例中,上述执行主体可以根据上述第一海岸滩涂区域和上述第二海岸滩涂区域,生成海岸滩涂变化信息。
其中,上述海岸滩涂变化信息可以表征海岸滩涂的变化。
作为示例,上述执行主体可以根据上述第一海岸滩涂区域和上述第二海岸滩涂区域之间的面积差,确定海岸滩涂的变化。
本发明通过采用图形识别的方式,综合考虑了第一红外遥感图像、第一微波遥感图像和第一可见光遥感图像这三种图像,并进行相关的数据处理,提高了第一海岸滩涂区域确定的准确度。并且,综合考虑了第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像这三种图像,并进行相同的数据处理,提高了第二海岸滩涂区域确定的准确度。从而,提高了海岸滩涂变化监测的准确率。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种集成多源遥感数据的海岸滩涂变化监测方法,其特征在于,包括以下步骤:
获取待监测海岸滩涂的第一红外遥感图像、第一微波遥感图像、第一可见光遥感图像、第二红外遥感图像、第二微波遥感图像和第二可见光遥感图像;
对所述第一红外遥感图像进行红外数据处理,确定所述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息;
对所述第一微波遥感图像进行微波数据处理,确定所述第一微波遥感图像中的每个像素点对应的微波滩涂可能信息;
根据所述第一红外遥感图像和所述第一可见光遥感图像,确定所述第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息;
根据所述第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、所述第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和所述第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域;
根据所述第二红外遥感图像、所述第二微波遥感图像和所述第二可见光遥感图像,确定第二海岸滩涂区域;
根据所述第一海岸滩涂区域和所述第二海岸滩涂区域,生成海岸滩涂变化信息。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一红外遥感图像进行红外数据处理,确定所述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息,包括:
对所述第一红外遥感图像进行分割,得到所述第一红外遥感图像对应的红外掩膜图像;
将所述红外掩膜图像和所述第一红外遥感图像相乘,得到红外滩涂图像;
根据所述红外滩涂图像和所述第一红外遥感图像,确定所述第一红外遥感图像中的红外滩涂区域;
根据所述红外滩涂区域和所述第一红外遥感图像中的每个像素点对应的灰度值,确定所述像素点对应的红外滩涂可能信息。
3.根据权利要求1所述的方法,其特征在于,所述对所述第一微波遥感图像进行微波数据处理,确定所述第一微波遥感图像中的每个像素点对应的微波滩涂可能信息,包括:
对所述第一微波遥感图像进行分割,得到所述第一微波遥感图像对应的微波掩膜图像;
将所述微波掩膜图像和所述第一微波遥感图像相乘,得到微波滩涂图像;
根据所述微波滩涂图像和所述第一微波遥感图像,确定所述第一微波遥感图像中的微波滩涂区域;
根据所述微波滩涂区域和所述第一微波遥感图像中的每个像素点对应的灰度值,确定所述像素点对应的微波滩涂可能信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一红外遥感图像和所述第一可见光遥感图像,确定所述第一可见光遥感图像中的每个像素点对应的可见光滩涂可能信息,包括:
对所述第一红外遥感图像进行目标分割,得到红外水体区域、红外滩涂区域和红外固体区域;
从所述红外水体区域中筛选出灰度值最小的像素点,作为水体初始中心点;
从所述红外滩涂区域中筛选出灰度值为目标灰度值的像素点,作为滩涂初始中心点;
从所述红外固体区域中筛选出灰度值最大的像素点,作为固体初始中心点;
根据所述水体初始中心点和所述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定所述像素点对应的水体相似度;
根据所述滩涂初始中心点和所述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定所述像素点对应的滩涂相似度;
根据所述固体初始中心点和所述第一可见光遥感图像中的每个像素点对应的灰度值和位置,确定所述像素点对应的固体相似度;
对于所述第一可见光遥感图像中的每个像素点,根据所述像素点对应的水体相似度、滩涂相似度和固体相似度,对所述像素点进行聚类,得到所述像素点对应的可见光滩涂可能信息。
5.根据权利要求4所述的方法,其特征在于,所述从所述红外滩涂区域中筛选出灰度值为目标灰度值的像素点,作为滩涂初始中心点,包括:
从所述红外滩涂区域中的各个像素点对应的灰度值中筛选出最大的灰度值和最小的灰度值;
将所述最大的灰度值和所述最小的灰度值的均值,确定为均值灰度值;
确定所述红外滩涂区域中每个像素点对应的灰度值与所述均值灰度值的差值,作为所述像素点对应的目标差值;
将所述红外滩涂区域中各个像素点对应的目标差值中的最小的目标差值对应的像素点对应的灰度值,确定为所述目标灰度值;
将所述红外滩涂区域中灰度值为所述目标灰度值的像素点,确定为所述滩涂初始中心点。
6.根据权利要求4所述的方法,其特征在于,所述根据所述像素点对应的水体相似度、滩涂相似度和固体相似度,对所述像素点进行聚类,得到所述像素点对应的可见光滩涂可能信息,包括:
从所述像素点对应的水体相似度、滩涂相似度和固体相似度中筛选出值最小的相似度,将所述像素点划分到所述值最小的相似度对应的类别,其中,水体相似度对应的类别是水体类,滩涂相似度对应的类别是滩涂类,固体相似度对应的类别是固体类;
响应于所述第一可见光遥感图像中的各个像素点全部对应划分到所述水体类或所述滩涂类或所述固体类,分别确定所述水体类、所述滩涂类和所述固体类对应的聚类中心点;
响应于所述水体初始中心点与所述水体类对应的聚类中心点之间的距离、所述滩涂初始中心点与所述滩涂类对应的聚类中心点之间的距离和所述固体初始中心点与所述固体类对应的聚类中心点对应的聚类中心点之间的距离均小于预设距离,将所述像素点对应的滩涂相似度,确定为所述像素点对应的可见光滩涂可能信息。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第一红外遥感图像中的各个像素点对应的红外滩涂可能信息、所述第一微波遥感图像中的各个像素点对应的微波滩涂可能信息和所述第一可见光遥感图像中的各个像素点对应的可见光滩涂可能信息,确定第一海岸滩涂区域,包括:
根据所述第一红外遥感图像中的每个像素点对应的红外滩涂可能信息、所述像素点对应的在所述第一微波遥感图像中的像素点对应的微波滩涂可能信息和所述像素点对应的在所述第一可见光遥感图像中的像素点对应的可见光滩涂可能信息,确定所述像素点对应的总滩涂可能信息;
响应于所述第一红外遥感图像中的像素点对应的总滩涂可能信息大于预设阈值,将所述第一红外遥感图像中的像素点确定为滩涂像素点;
将所述第一红外遥感图像中的各个滩涂像素点所在的区域,确定为所述第一海岸滩涂区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211341918.3A CN115471761B (zh) | 2022-10-31 | 2022-10-31 | 集成多源遥感数据的海岸滩涂变化监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211341918.3A CN115471761B (zh) | 2022-10-31 | 2022-10-31 | 集成多源遥感数据的海岸滩涂变化监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471761A true CN115471761A (zh) | 2022-12-13 |
CN115471761B CN115471761B (zh) | 2023-03-24 |
Family
ID=84337764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211341918.3A Active CN115471761B (zh) | 2022-10-31 | 2022-10-31 | 集成多源遥感数据的海岸滩涂变化监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471761B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630825A (zh) * | 2023-06-09 | 2023-08-22 | 北京佳格天地科技有限公司 | 一种卫星遥感数据与监控视频融合方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789640A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
CN102831598A (zh) * | 2012-07-04 | 2012-12-19 | 西安电子科技大学 | 多分辨率NMF和Treelet融合的遥感图像变化检测方法 |
CN105678818A (zh) * | 2016-03-08 | 2016-06-15 | 浙江工商大学 | 面向对象分类技术实现河口滩涂分类面积提取的方法 |
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
CN106767687A (zh) * | 2017-02-22 | 2017-05-31 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
CN107909002A (zh) * | 2017-08-07 | 2018-04-13 | 北京航空航天大学 | 基于海岸线匹配的红外遥感图像海陆分割方法 |
CN108761484A (zh) * | 2018-04-26 | 2018-11-06 | 江苏省气象台 | 一种基于多源卫星遥感数据的海雾监测方法 |
CN109583487A (zh) * | 2018-11-21 | 2019-04-05 | 新疆大学 | 一种sar图像变化检测方法及装置 |
CN109668635A (zh) * | 2019-01-16 | 2019-04-23 | 中国人民解放军61741部队 | 海表温度融合方法与系统 |
CN110991393A (zh) * | 2019-12-17 | 2020-04-10 | 北京航天泰坦科技股份有限公司 | 一种海岸线变迁遥感监测与分析的方法及装置 |
CN114022790A (zh) * | 2022-01-10 | 2022-02-08 | 成都国星宇航科技有限公司 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
CN114266967A (zh) * | 2021-12-15 | 2022-04-01 | 哈尔滨工程大学 | 基于符号距离特征的跨源遥感数据目标识别方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN114998658A (zh) * | 2022-06-17 | 2022-09-02 | 长沙理工大学 | 一种基于潮滩指数的潮间带滩涂提取方法及系统 |
-
2022
- 2022-10-31 CN CN202211341918.3A patent/CN115471761B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831598A (zh) * | 2012-07-04 | 2012-12-19 | 西安电子科技大学 | 多分辨率NMF和Treelet融合的遥感图像变化检测方法 |
CN102789640A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
CN105678818A (zh) * | 2016-03-08 | 2016-06-15 | 浙江工商大学 | 面向对象分类技术实现河口滩涂分类面积提取的方法 |
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
CN106767687A (zh) * | 2017-02-22 | 2017-05-31 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
CN107909002A (zh) * | 2017-08-07 | 2018-04-13 | 北京航空航天大学 | 基于海岸线匹配的红外遥感图像海陆分割方法 |
CN108761484A (zh) * | 2018-04-26 | 2018-11-06 | 江苏省气象台 | 一种基于多源卫星遥感数据的海雾监测方法 |
US20190331831A1 (en) * | 2018-04-26 | 2019-10-31 | Jiangsu Meteorological Observatory | Sea fog monitoring method based on multi-source satellite remote sensing data |
CN109583487A (zh) * | 2018-11-21 | 2019-04-05 | 新疆大学 | 一种sar图像变化检测方法及装置 |
CN109668635A (zh) * | 2019-01-16 | 2019-04-23 | 中国人民解放军61741部队 | 海表温度融合方法与系统 |
CN110991393A (zh) * | 2019-12-17 | 2020-04-10 | 北京航天泰坦科技股份有限公司 | 一种海岸线变迁遥感监测与分析的方法及装置 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN114266967A (zh) * | 2021-12-15 | 2022-04-01 | 哈尔滨工程大学 | 基于符号距离特征的跨源遥感数据目标识别方法 |
CN114022790A (zh) * | 2022-01-10 | 2022-02-08 | 成都国星宇航科技有限公司 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
CN114998658A (zh) * | 2022-06-17 | 2022-09-02 | 长沙理工大学 | 一种基于潮滩指数的潮间带滩涂提取方法及系统 |
Non-Patent Citations (4)
Title |
---|
QULIN TAN等: "Measuring lake water level using multi-source remote sensing images combined with hydrological statistical data", 《IGARSS 2004. 2004 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
WERNER ALPERS等: "On the Discrimination of Radar Signatures of Atmospheric Gravity Waves and Oceanic Internal Waves on Synthetic Aperture Radar Images of the Sea Surface", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
张晨露: "遥感图像飞机目标检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
王颖科等: "基于深度学习的遥感图像目标检测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630825A (zh) * | 2023-06-09 | 2023-08-22 | 北京佳格天地科技有限公司 | 一种卫星遥感数据与监控视频融合方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115471761B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151378B2 (en) | Systems and methods for analyzing remote sensing imagery | |
Yu et al. | Context-based hierarchical unequal merging for SAR image segmentation | |
CN111914686B (zh) | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN111783523B (zh) | 一种遥感影像旋转目标检测方法 | |
CN105184808B (zh) | 一种光场图像前后景自动分割方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN107123150A (zh) | 全局颜色对比度检测和分割显著图的方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN115471761B (zh) | 集成多源遥感数据的海岸滩涂变化监测方法 | |
CN110633633A (zh) | 一种基于自适应阈值的遥感影像道路提取方法 | |
CN107622239A (zh) | 一种层次化局部结构约束的遥感图像指定建筑区检测方法 | |
Xu et al. | Fast ship detection combining visual saliency and a cascade CNN in SAR images | |
CN111222511B (zh) | 一种红外无人机目标检测方法及系统 | |
Lu et al. | Deep learning for effective refugee tent extraction near syria–jordan border | |
CN110472514B (zh) | 一种自适应车辆目标检测算法模型及其构建方法 | |
CN108717539A (zh) | 一种小尺寸舰船检测方法 | |
CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 | |
CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
Aakroum et al. | Deep learning for inferring the surface solar irradiance from sky imagery | |
Li et al. | Overview of deep convolutional neural network approaches for satellite remote sensing ship monitoring technology | |
CN107169533B (zh) | 一种超像素的概率因子tmf的sar图像海岸线检测算法 | |
Kalpana | Analysis of rain fall and the temperature of Coimbatore District using land use and land cover change detection by image segmentation | |
CN115063437A (zh) | 一种红树林冠层可见光图像指数特征分析方法及系统 | |
CN116030298A (zh) | 船舶航行图像的场景复杂度分类方法、存储介质及装置 |
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 |