CN116030356A - 一种矿山生态修复的环境评估方法 - Google Patents
一种矿山生态修复的环境评估方法 Download PDFInfo
- Publication number
- CN116030356A CN116030356A CN202310330381.9A CN202310330381A CN116030356A CN 116030356 A CN116030356 A CN 116030356A CN 202310330381 A CN202310330381 A CN 202310330381A CN 116030356 A CN116030356 A CN 116030356A
- Authority
- CN
- China
- Prior art keywords
- tone value
- value
- gaussian model
- vegetation
- tone
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种矿山生态修复的环境评估方法,该方法包括:获取待修复矿山生态的HSV图像中的H分量的直方图;对目标直方图进行高斯混合拟合;对子高斯模型集合进行植被高斯模型检测,从子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型;对目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理;对每个参考色调值对应的重合色调值集合进行边界分析处理;确定待修复矿山生态对应的目标植被覆盖率;对待修复矿山生态的环境进行评估判断。本发明通过对目标直方图进行数据处理,提高了对矿山生态修复环境进行评估的效率,主要应用于对矿山生态修复的环境评估。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种矿山生态修复的环境评估方法。
背景技术
过度开采矿山中的矿产资源往往会导致矿山生态的环境恶化,由于恶化的矿山生态环境往往会造成很多危害,比如,区域水质污染和土壤污染退化等,因此对恶化的矿山生态环境进行修复至关重要。植被的恢复与重建往往是矿山生态修复工作中不可缺少的一部分,故植被的覆盖率往往被作为衡量矿山生态环境修复效果的重要指标之一。目前对植被的覆盖率进行确定时,通常采用的方式为:采用神经网络,确定植被区域,并根据植被区域与总区域,确定植被的覆盖率。
然而,当采用上述方式,对矿山的植被覆盖率进行确定时,经常会存在如下技术问题:
训练神经网络时,往往需要大量标注了植被区域的矿山图像,这些图像的收集往往需要耗费大量的时间,并且训练神经网络的时间往往也较长,因此,往往导致对矿山的植被覆盖率进行确定的效率低下,从而往往导致对矿山生态修复环境进行评估的效率低下。
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。
为了解决对矿山生态修复环境进行评估的效率低下的技术问题,本发明提出了一种矿山生态修复的环境评估方法。
本发明提供了一种矿山生态修复的环境评估方法,该方法包括:
获取待修复矿山生态的HSV图像中的H分量的直方图,作为目标直方图;
对所述目标直方图进行高斯混合拟合,得到高斯混合模型包括的子高斯模型集合;
根据所述子高斯模型集合中的各个子高斯模型的均值,对所述子高斯模型集合进行植被高斯模型检测,当在所述子高斯模型集合中检测出植被高斯模型时,从所述子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型,作为参考高斯模型,得到参考高斯模型集合;
对所述目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,得到所述参考色调值对应的重合色调值集合,其中,目标色调值是等于植被高斯模型均值的色调值,参考色调值是等于所述参考高斯模型集合中参考高斯模型均值的色调值;
对每个参考色调值对应的重合色调值集合进行边界分析处理,得到所述参考色调值对应的边界色调值;
根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的目标植被覆盖率;
根据所述目标植被覆盖率,对所述待修复矿山生态的环境进行评估判断。
进一步地,所述根据所述子高斯模型集合中的各个子高斯模型的均值,对所述子高斯模型集合进行植被高斯模型检测,包括:
对于所述子高斯模型集合中的每个子高斯模型,将所述子高斯模型均值与归一化后的绿色色调值的差值的绝对值,确定为所述子高斯模型对应的绿色偏移程度;
从所述子高斯模型集合中筛选出绿色偏移程度最小的子高斯模型,作为候选高斯模型;
当候选高斯模型对应的绿色偏移程度小于或等于预先设置的偏移阈值时,将候选高斯模型确定为植被高斯模型;
当候选高斯模型对应的绿色偏移程度大于偏移阈值时,判定所述子高斯模型集合中不存在植被高斯模型。
进一步地,所述对所述目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,得到所述参考色调值对应的重合色调值集合,包括:
将所述目标直方图中目标色调值与所述参考色调值之间的每个色调值,作为候选色调值,得到所述参考色调值对应的候选色调值集合;
对于所述参考色调值对应的候选色调值集合中的每个候选色调值,确定所述候选色调值对应的归属度;
当所述参考色调值对应的候选色调值集合中的候选色调值对应的归属度小于预先设置的归属阈值时,将候选色调值确定为重合色调值,得到所述参考色调值对应的重合色调值集合。
进一步地,所述对于所述参考色调值对应的候选色调值集合中的每个候选色调值,确定所述候选色调值对应的归属度,包括:
根据所述参考色调值所在的参考高斯模型,确定所述候选色调值在该参考高斯模型下的概率密度,作为所述候选色调值对应的参考概率密度;
根据植被高斯模型,确定所述候选色调值在植被高斯模型下的概率密度,作为所述候选色调值对应的植物概率密度;
将预先设置的修正因子、所述候选色调值对应的参考概率密度与植物概率密度的和,确定为所述候选色调值对应的整体概率密度;
将所述候选色调值对应的参考概率密度与植物概率密度的差值的绝对值,确定为所述候选色调值对应的概率密度差异;
将所述候选色调值对应的概率密度差异与整体概率密度的比值,确定为所述候选色调值对应的归属度。
进一步地,所述对每个参考色调值对应的重合色调值集合进行边界分析处理,得到所述参考色调值对应的边界色调值,包括:
根据每个参考色调值对应的重合色调值集合中的每个重合色调值对应的归属度,确定所述重合色调值对应的区分度;
从每个参考色调值对应的重合色调值集合中筛选出区分度最大的重合色调值,作为所述参考色调值对应的边界色调值。
进一步地,所述根据每个参考色调值对应的重合色调值集合中的每个重合色调值对应的归属度,确定所述重合色调值对应的区分度,包括:
对所述重合色调值对应的归属度进行负相关映射,并进行归一化,得到所述重合色调值对应的第一区分指标;
将所述目标直方图中所述重合色调值的频数,确定为所述重合色调值对应的目标频数;
将所述目标直方图中所述重合色调值的前一个色调值的频数,确定为所述重合色调值对应的前频数;
将所述目标直方图中所述重合色调值的后一个色调值的频数,确定为所述重合色调值对应的后频数;
将所述重合色调值对应的前频数与目标频数的差值,确定为所述重合色调值对应的前差异;
将所述重合色调值对应的后频数与目标频数的差值,确定为所述重合色调值对应的后差异;
将所述重合色调值对应的前差异与后差异的和,确定为所述重合色调值对应的整体差异;
将所述重合色调值对应的前频数、目标频数与后频数的和,确定为所述重合色调值对应的整体频数;
将所述重合色调值对应的整体差异与整体频数的比值,确定为所述重合色调值对应的第二区分指标;
将所述重合色调值对应的第一区分指标和第二区分指标的乘积,确定为所述重合色调值对应的区分度。
进一步地,所述根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的目标植被覆盖率,包括:
根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的植被色调值区间;
根据所述植被色调值区间,确定目标植被覆盖率。
进一步地,所述根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的植被色调值区间,包括:
当参考色调值的数量为2时,将这两个参考色调值对应的边界色调值,分别确定为植被色调值区间的两个端点;
当参考色调值的数量为1时,将这个参考色调值对应的边界色调值,确定为植被色调值区间的一个端点,若植被高斯模型是子高斯模型集合中均值最小的子高斯模型,将植被高斯模型对应的最小的色调值,确定为植被色调值区间的另一个端点;
若植被高斯模型是子高斯模型集合中均值最大的子高斯模型,将植被高斯模型对应的最大的色调值,确定为植被色调值区间的另一个端点。
进一步地,所述根据所述植被色调值区间,确定目标植被覆盖率,包括:
将所述目标直方图中位于植被色调值区间内的各个色调值的频数的累加值,确定为植被像素总数;
将所述目标直方图中的各个色调值的频数的累加值,确定为目标像素总数;
将植被像素总数与目标像素总数的比值,确定为目标植被覆盖率。
进一步地,所述根据所述目标植被覆盖率,对所述待修复矿山生态的环境进行评估判断,包括:
当所述目标植被覆盖率大于或等于预先设置的覆盖阈值时,判定所述待修复矿山生态的环境合格;
当所述目标植被覆盖率小于覆盖阈值时,判定所述待修复矿山生态的环境不合格。
本发明具有如下有益效果:
本发明的一种矿山生态修复的环境评估方法,通过对目标直方图进行数据处理,解决了对矿山生态修复环境进行评估的效率低下的技术问题,提高了对矿山生态修复环境进行评估的效率。首先,由于矿山中的地物类型往往包括绿色植被、未被绿色植被覆盖的土壤和矿石。并且绿色植被与未被绿色植被覆盖的土壤和矿石之间的颜色往往存在一定的区别,其次HSV图像中的H分量可以表征颜色。因此获取待修复矿山生态的HSV图像中的H分量的直方图,可以便于后续提取植被区域。接着,由于不同类型的地物在H分量的直方图中往往均可以通过高斯分布表示,因此得到高斯混合模型包括的子高斯模型集合,可以便于后续判断待修复矿山生态的植被情况。然后,由于植被高斯模型可以是待修复矿山生态中植被对应的子高斯模型,所以当在子高斯模型集合中检测出植被高斯模型时,往往说明待修复矿山生态存在植被,此时为了便于后续对待修复矿山生态的环境进行评估判断,需要精确地确定目标植被覆盖率。之后,从高斯模型和参考高斯模型的均值之间筛选出重合色调值,并对重合色调值集合进行边界分析处理,确定边界色调值。因此综合考虑了植被高斯模型和参考高斯模型集合,可以提高边界色调值确定的准确度,从而可以提高最终确定的目标植被覆盖率的准确度,进而可以提高对待修复矿山生态环境进行评估判断的准确度。最后,本发明通过对目标直方图进行数据处理,实现了对矿山生态修复环境的评估,并且本发明不需进行神经网络的训练,从而往往可以提高对矿山生态修复环境进行评估的效率。
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为根据本发明的一种矿山生态修复的环境评估方法的流程图。
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。
本发明提供了一种矿山生态修复的环境评估方法,该方法包括以下步骤:
获取待修复矿山生态的HSV图像中的H分量的直方图,作为目标直方图;
对目标直方图进行高斯混合拟合,得到高斯混合模型包括的子高斯模型集合;
根据子高斯模型集合中的各个子高斯模型的均值,对子高斯模型集合进行植被高斯模型检测,当在子高斯模型集合中检测出植被高斯模型时,从子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型,作为参考高斯模型,得到参考高斯模型集合;
对目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,得到参考色调值对应的重合色调值集合;
对每个参考色调值对应的重合色调值集合进行边界分析处理,得到参考色调值对应的边界色调值;
根据各个参考色调值对应的边界色调值,确定待修复矿山生态对应的目标植被覆盖率;
根据目标植被覆盖率,对待修复矿山生态的环境进行评估判断。
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一种矿山生态修复的环境评估方法的一些实施例的流程。该矿山生态修复的环境评估方法,包括以下步骤:
步骤S1,获取待修复矿山生态的HSV图像中的H分量的直方图,作为目标直方图。
在一些实施例中,可以获取待修复矿山生态的HSV(Hue Saturation Value,颜色模型)图像中的H(色调值)分量的直方图,作为目标直方图。
其中,待修复矿山生态可以是待进行修复的矿山生态。目标直方图可以是以目标图像中的色调值为横轴,以目标图像中色调值的频数为纵轴得到的直方图。目标图像可以是对色调值图像中的各个像素点对应的色调值进行归一化后,得到的图像。色调值图像可以是待修复矿山生态的HSV图像在H分量下的图像。色调值的取值范围可以为[0°,360°]。
需要说明的是,由于矿山中的地物类型往往包括绿色植被、未被绿色植被覆盖的土壤和矿石,并且绿色植被与未被绿色植被覆盖的土壤和矿石之间的颜色往往存在一定的区别,再者HSV图像中的H分量可以表征颜色,因此获取待修复矿山生态的HSV图像中的H分量的直方图,可以便于后续提取植被区域。
作为示例,本步骤可以包括以下步骤:
第一步,通过摄像头,采集待修复矿山生态的RGB(Red Green Blue,色彩模式)图像,作为第一图像。
第二步,将第一图像转换为HSV图像,并获取HSV图像在H分量下的图像,作为色调值图像。
第三步,对色调值图像中的各个像素点对应的色调值进行归一化。
第四步,将色调值图像中的各个像素点对应的色调值更新为归一化后的色调值,以实现对色调值图像的更新,将更新后的色调值图像,确定为目标图像。
其中,目标图像中的像素点对应的色调值可以是进行归一化后的色调值。
第五步,将以目标图像中的色调值为横轴,以目标图像中色调值的频数为纵轴得到的直方图,确定为目标直方图。
步骤S2,对目标直方图进行高斯混合拟合,得到高斯混合模型包括的子高斯模型集合。
在一些实施例中,可以对上述目标直方图进行高斯混合拟合,得到高斯混合模型包括的子高斯模型集合。
需要说明的是,由于不同类型的地物在H分量的直方图中往往均可以通过高斯分布表示,因此得到高斯混合模型包括的子高斯模型集合,可以便于后续判断待修复矿山生态的植被情况。其次,子高斯模型集合中的每个子高斯模型往往对应一种地物,例如,若待修复矿山生态中的地物类型包括:绿色植被、未被绿色植被覆盖的土壤和矿石,则子高斯模型集合中子高斯模型的数量往往可以为3,子高斯模型集合中子高斯模型对应的地物可以分别为绿色植被、未被绿色植被覆盖的土壤和矿石。
作为示例,可以采用EM(Expectation-Maximization algorithm,最大期望)算法,在目标直方图中拟合出高斯混合模型。
例如,可以对目标直方图中的数据进行平滑,并利用峰值点检测算法,对平滑后的数据进行峰值点检测,检测到的峰值点的数量可以作为高斯混合模型中子高斯模型的数量,利用EM算法拟合出的高斯混合模型的概率密度函数可以为:
,
其中,是高斯混合模型的概率密度函数。是目标直方图中的色调值。是子高斯模型集合中子高斯模型的数量。是子高斯模型集合中子高斯模型的序号。是圆周率,也就是180°的弧度。是子高斯模型集合中的第个子高斯模型的标准差。是子高斯模型集合中的第个子高斯模型的均值。是子高斯模型集合中的第个子高斯模型的方差。是自然常数的次方。
需要说明的是,高斯混合模型的概率密度函数可以表征对目标直方图进行高斯混合拟合,得到的高斯混合模型。
步骤S3,根据子高斯模型集合中的各个子高斯模型的均值,对子高斯模型集合进行植被高斯模型检测,当在子高斯模型集合中检测出植被高斯模型时,从子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型,作为参考高斯模型,得到参考高斯模型集合。
在一些实施例中,可以根据上述子高斯模型集合中的各个子高斯模型的均值,对上述子高斯模型集合进行植被高斯模型检测,当在上述子高斯模型集合中检测出植被高斯模型时,从上述子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型,作为参考高斯模型,得到参考高斯模型集合。
其中,植被高斯模型可以是表征植被的子高斯模型。
需要说明的是,植被高斯模型与参考高斯模型的均值之间往往会存在重合色调值,从而往往导致植被高斯模型与参考高斯模型之间的边界不明显,因此筛选出参考高斯模型集合,可以便于确定植被高斯模型与参考高斯模型之间的边界。
作为示例,本步骤可以包括以下步骤:
第一步,对于上述子高斯模型集合中的每个子高斯模型,将上述子高斯模型均值与归一化后的绿色色调值的差值的绝对值,确定为上述子高斯模型对应的绿色偏移程度。
其中,由HSV颜色空间可知,绿色色调值可以是120°,归一化后的绿色色调值可以是0.333。
例如,确定子高斯模型对应的绿色偏移程度对应的公式可以为:
,
其中,是子高斯模型集合中的第个子高斯模型对应的绿色偏移程度。是子高斯模型集合中的第个子高斯模型的均值。是归一化后的绿色色调值,比如,取0.333。
i是子高斯模型集合中子高斯模型的序号。是的绝对值。
需要说明的是,第个子高斯模型对应的绿色偏移程度可以表征第个子高斯模型的均值与归一化后的绿色色调值之间的差异。由于矿山内植被的颜色往往不是单一的颜色,比如由于植被的长势等因素,往往导致植被的颜色深浅不一,因此植被对应的子高斯模型的均值与归一化后的绿色色调值之间往往存在一定的差异。然而相较于其他地物,植被对应的子高斯模型对应的绿色偏移程度往往是最小的。因此后续可以通过子高斯模型对应的绿色偏移程度判断子高斯模型是否可能为植被高斯模型。
第二步,从上述子高斯模型集合中筛选出绿色偏移程度最小的子高斯模型,作为候选高斯模型。
第三步,当候选高斯模型对应的绿色偏移程度小于或等于预先设置的偏移阈值时,将候选高斯模型确定为植被高斯模型。
其中,偏移阈值可以是预先设置的候选高斯模型为植被对应的高斯模型时,最大的绿色偏移程度。例如,偏移阈值可以是0.083。
第四步,当候选高斯模型对应的绿色偏移程度大于偏移阈值时,判定上述子高斯模型集合中不存在植被高斯模型。
需要说明的是,由于绿色植被的颜色往往是深浅不一的绿色,因此植被高斯模型对应的绿色偏移程度往往不为0,但是植被高斯模型对应的绿色偏移程度相较于其他子高斯模型对应的绿色偏移程度往往相对较小,所以子高斯模型对应的绿色偏移程度越小,该子高斯模型越可能是植被高斯模型,因此基于预先设置的偏移阈值,可以确定候选高斯模型是否为植被高斯模型。
第五步,当在子高斯模型集合中检测出植被高斯模型时,从子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型,作为参考高斯模型,得到参考高斯模型集合。
例如,从子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型,作为参考高斯模型,得到参考高斯模型集合可以包括以下子步骤:
第一子步骤,根据子高斯模型集合中的各个子高斯模型的均值,按照从小到大的顺序,得到子高斯模型序列。
第二子步骤,将子高斯模型序列中与植被高斯模型相邻的子高斯模型,确定为参考高斯模型。若植被高斯模型是子高斯模型序列中的第一个或最后一个,则参考高斯模型集合中有1个参考高斯模型。若植被高斯模型是子高斯模型序列中除了第一个和最后一个之外的子高斯模型,则参考高斯模型集合中有2个参考高斯模型。
可选地,当未在上述子高斯模型集合中检测出植被高斯模型时,可以判定上述待修复矿山生态的环境较为恶劣。
需要说明的是,由于植被高斯模型可以是待修复矿山生态中植被对应的子高斯模型,所以当未在子高斯模型集合中检测出植被高斯模型时,往往说明待修复矿山生态中可能不存在植被,此时待修复矿山生态的环境往往较为恶劣。
步骤S4,对目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,得到参考色调值对应的重合色调值集合。
在一些实施例中,可以对上述目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,得到上述参考色调值对应的重合色调值集合。
其中,目标色调值可以是等于植被高斯模型均值的色调值。参考色调值可以是等于上述参考高斯模型集合中参考高斯模型均值的色调值。参考色调值可以与参考高斯模型一一对应。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标直方图中目标色调值与上述参考色调值之间的每个色调值,作为候选色调值,得到上述参考色调值对应的候选色调值集合。
第二步,对于上述参考色调值对应的候选色调值集合中的每个候选色调值,确定上述候选色调值对应的归属度。
例如,对于上述参考色调值对应的候选色调值集合中的每个候选色调值,确定上述候选色调值对应的归属度可以包括以下子步骤:
第一子步骤,根据上述参考色调值所在的参考高斯模型,确定上述候选色调值在该参考高斯模型下的概率密度,作为上述候选色调值对应的参考概率密度。
比如,若参考色调值等于某个参考高斯模型均值,则该参考高斯模型可以是该参考色调值所在的参考高斯模型。
第二子步骤,根据植被高斯模型,确定上述候选色调值在植被高斯模型下的概率密度,作为上述候选色调值对应的植物概率密度。
第三子步骤,将预先设置的修正因子、上述候选色调值对应的参考概率密度与植物概率密度的和,确定为上述候选色调值对应的整体概率密度。
其中,修正因子可以是预先设置的大于0的因子,主要为了避免整体概率密度在后续做分母时,可能导致分母为0的情况。比如,修正因子可以是0.01。
第四子步骤,将上述候选色调值对应的参考概率密度与植物概率密度的差值的绝对值,确定为上述候选色调值对应的概率密度差异。
第五子步骤,将上述候选色调值对应的概率密度差异与整体概率密度的比值,确定为上述候选色调值对应的归属度。
比如,确定候选色调值对应的归属度对应的公式可以为:
,
其中,是候选色调值集合中的第个候选色调值对应的归属度。是候选色调值集合中的第个候选色调值对应的参考概率密度。是候选色调值集合中的第个候选色调值对应的植物概率密度。是预先设置的修正因子,主要为了防止分母为0。是候选色调值集合中的第个候选色调值对应的概率密度差异。是候选色调值集合中的第个候选色调值对应的整体概率密度。是候选色调值集合中候选色调值的序号。
需要说明的是,植被高斯模型与参考高斯模型的均值之间的色调值(即,候选色调值)在这两个高斯模型下的概率密度的大小情况往往可以包括3种类型。具体第一种类型可以为:候选色调值在植被高斯模型下的概率密度比较高,在参考高斯模型下的概率密度比较低,此时候选色调值往往是植被高斯模型对应的色调值。第二种类型可以为:候选色调值在参考高斯模型下的概率密度比较高,在植被高斯模型下的概率密度比较低,此时候选色调值往往是参考高斯模型对应的色调值。第三种类型可以为:候选色调值在参考高斯模型下的概率密度以及在植被高斯模型下的概率密度均比较低,此时,候选色调值既可能是参考高斯模型对应的色调值,也可能是植被高斯模型对应的色调值,这种类型下的候选色调值可以认为是参考高斯模型与植被高斯模型之间的重合色调值。当越大时,往往说明第个候选色调值在参考高斯模型下的概率密度与在植被高斯模型下的概率密度之间的差异越大,往往说明第个候选色调值越可能是第一种类型或第二种类型下的候选色调值。当越小时,往往说明第个候选色调值在参考高斯模型下的概率密度与在植被高斯模型下的概率密度之间的差异越小,往往说明第个候选色调值越可能是第三种类型下的候选色调值。
第三步,当上述参考色调值对应的候选色调值集合中的候选色调值对应的归属度小于预先设置的归属阈值时,将候选色调值确定为重合色调值,得到上述参考色调值对应的重合色调值集合。
其中,归属阈值可以是预先设置的认为可以明确判断候选色调值是否是植被对应的色调值时,最小的归属度。第一种类型和第二种类型下的候选色调值往往是认为可以明确判断候选色调值。例如,归属阈值可以是0.6。重合色调值集合中至少有1个重合色调值。
需要说明的是,当候选色调值对应的归属度小于归属阈值时,该候选色调值往往是第三种类型下的候选色调值。当候选色调值对应的归属度大于或等于归属阈值时,该候选色调值往往是第一种类型或第二种类型下的候选色调值。
步骤S5,对每个参考色调值对应的重合色调值集合进行边界分析处理,得到参考色调值对应的边界色调值。
在一些实施例中,可以对每个参考色调值对应的重合色调值集合进行边界分析处理,得到上述参考色调值对应的边界色调值。
其中,边界色调值可以是参考高斯模型与植被高斯模型之间的边界处的色调值。
作为示例,本步骤可以包括以下步骤:
第一步,根据每个参考色调值对应的重合色调值集合中的每个重合色调值对应的归属度,确定上述重合色调值对应的区分度。
例如,根据每个参考色调值对应的重合色调值集合中的每个重合色调值对应的归属度,确定上述重合色调值对应的区分度可以包括以下子步骤:
第一子步骤,对上述重合色调值对应的归属度进行负相关映射,并进行归一化,得到上述重合色调值对应的第一区分指标。
第二子步骤,将上述目标直方图中上述重合色调值的频数,确定为上述重合色调值对应的目标频数。
第三子步骤,将上述目标直方图中上述重合色调值的前一个色调值的频数,确定为上述重合色调值对应的前频数。
第四子步骤,将上述目标直方图中上述重合色调值的后一个色调值的频数,确定为上述重合色调值对应的后频数。
第五子步骤,将上述重合色调值对应的前频数与目标频数的差值,确定为上述重合色调值对应的前差异。
第六子步骤,将上述重合色调值对应的后频数与目标频数的差值,确定为上述重合色调值对应的后差异。
第七子步骤,将上述重合色调值对应的前差异与后差异的和,确定为上述重合色调值对应的整体差异。
第八子步骤,将上述重合色调值对应的前频数、目标频数与后频数的和,确定为上述重合色调值对应的整体频数。
第九子步骤,将上述重合色调值对应的整体差异与整体频数的比值,确定为上述重合色调值对应的第二区分指标。
第十子步骤,将上述重合色调值对应的第一区分指标和第二区分指标的乘积,确定为上述重合色调值对应的区分度。
比如,若目标直方图中第
t个色调值是重合色调值,则确定该重合色调值对应的区分度对应的公式可以为:
,
其中,是目标直方图中第个色调值对应的区分度。是目标直方图中第个色调值对应的归属度。是目标直方图中第个色调值对应的第一区分指标。是目标直方图中第个色调值对应的目标频数,也就是第个色调值的频数。是目标直方图中第个色调值对应的前频数,也就是目标直方图中第个色调值的频数。是目标直方图中第个色调值对应的后频数,也就是目标直方图中第个色调值的频数。是目标直方图中第个色调值对应的前差异。是目标直方图中第个色调值对应的后差异。是目标直方图中第个色调值对应的整体差异。是目标直方图中第个色调值对应的整体频数。是目标直方图中第个色调值对应的第二区分指标。是自然常数的次方。可以实现对的负相关映射和归一化。是目标直方图中色调值的序号。
需要说明的是,当重合色调值对应的归属度越小时,往往说明该重合色调值在参考高斯模型下的概率密度与在植被高斯模型下的概率密度之间的差异越小,往往说明该重合色调值越可能是参考高斯模型与植被高斯模型之间的边界色调值。即当越小时,越大,往往说明第个色调值在参考高斯模型下的概率密度与在植被高斯模型下的概率密度之间的差异越小,第个色调值对应的区分度越大,第个色调值越可能是参考高斯模型与植被高斯模型之间的边界色调值。其次,的取值范围可以为(0,1],可以作为第个色调值对应的第二区分指标的权重。由于地物对应的最大或最小的色调值的频数,相较于其他色调值的频数往往是较少的,其中,地物对应的最大或最小的色调值往往是该地物对应的色调值的边界。因此当重合色调值的频数越少于相邻的两个色调值的频数时,往往说明该重合色调值越可能是参考高斯模型与植被高斯模型之间的边界色调值,其中,色调值的频数可以是对应的色调值为该色调值的像素点的数量。当和越大于时,往往越大,往往说明第个色调值的频数越少于第个色调值和第个色调值的频数,第个色调值对应的区分度往往越大,第个色调值往往越可能是参考高斯模型与植被高斯模型之间的边界色调值。
第二步,从每个参考色调值对应的重合色调值集合中筛选出区分度最大的重合色调值,作为上述参考色调值对应的边界色调值。
步骤S6,根据各个参考色调值对应的边界色调值,确定待修复矿山生态对应的目标植被覆盖率。
在一些实施例中,可以根据各个参考色调值对应的边界色调值,确定上述待修复矿山生态对应的目标植被覆盖率。
其中,目标植被覆盖率可以是待修复矿山生态的植被覆盖率。
作为示例,本步骤可以包括以下步骤:
第一步,根据各个参考色调值对应的边界色调值,确定上述待修复矿山生态对应的植被色调值区间。
例如,根据各个参考色调值对应的边界色调值,确定上述待修复矿山生态对应的植被色调值区间可以包括以下子步骤:
第一子步骤,当参考色调值的数量为2时,将这两个参考色调值对应的边界色调值,分别确定为植被色调值区间的两个端点。
第二子步骤,当参考色调值的数量为1时,将这个参考色调值对应的边界色调值,确定为植被色调值区间的一个端点,若植被高斯模型是子高斯模型集合中均值最小的子高斯模型,将植被高斯模型对应的最小的色调值,确定为植被色调值区间的另一个端点,此时植被高斯模型对应的最小的色调值可以是目标直方图中最小的色调值。若植被高斯模型是子高斯模型集合中均值最大的子高斯模型,将植被高斯模型对应的最大的色调值,确定为植被色调值区间的另一个端点,此时植被高斯模型对应的最大的色调值可以是目标直方图中最大的色调值。
第二步,根据上述植被色调值区间,确定目标植被覆盖率。
例如,根据上述植被色调值区间,确定目标植被覆盖率可以包括以下子步骤:
第一子步骤,将上述目标直方图中位于植被色调值区间内的各个色调值的频数的累加值,确定为植被像素总数。
第二子步骤,将上述目标直方图中的各个色调值的频数的累加值,确定为目标像素总数。
第三子步骤,将植被像素总数与目标像素总数的比值,确定为目标植被覆盖率。
比如,确定目标植被覆盖率对应的公式可以为:
,
其中,是目标植被覆盖率。是目标像素总数。是植被像素总数。
需要说明的是,由于目标像素总数为目标直方图中的各个色调值的频数的累加值,因此目标像素总数可以是待修复矿山生态的HSV图像中像素点的数量。由于植被像素总数为目标直方图中位于植被色调值区间内的各个色调值的频数的累加值,并且植被色调值区间可以是待修复矿山生态内植被对应的色调值区间,所以植被像素总数可以是待修复矿山生态的HSV图像中植被像素点的数量。因此可以表征目标植被覆盖率。其次,本发明确定植被色调值区间时,综合考虑了植被高斯模型和参考高斯模型,相较于直接通过人工经验确定植被色调值区间,本发明提高了植被色调值区间确定的准确度,从而提高了植被像素点数量确定的准确度,进而提高了目标植被覆盖率确定的准确度。
步骤S7,根据目标植被覆盖率,对待修复矿山生态的环境进行评估判断。
在一些实施例中,可以根据上述目标植被覆盖率,对上述待修复矿山生态的环境进行评估判断。
作为示例,本步骤可以包括以下步骤:
第一步,当上述目标植被覆盖率大于或等于预先设置的覆盖阈值时,判定上述待修复矿山生态的环境合格。
其中,覆盖阈值可以是预先设置的认为待修复矿山生态的环境合格时,最小的目标植被覆盖率。例如,覆盖阈值可以是60%。
第二步,当上述目标植被覆盖率小于覆盖阈值时,判定上述待修复矿山生态的环境不合格。
需要说明的是,目标植被覆盖率越大,待修复矿山生态的环境往往越好。
综上,首先由于矿山中的地物类型往往包括绿色植被、未被绿色植被覆盖的土壤和矿石。并且绿色植被与未被绿色植被覆盖的土壤和矿石之间的颜色往往存在一定的区别,其次HSV图像中的H分量可以表征颜色。因此获取待修复矿山生态的HSV图像中的H分量的直方图,可以便于后续提取植被区域。接着,由于不同类型的地物在H分量的直方图中往往均可以通过高斯分布表示,因此得到高斯混合模型包括的子高斯模型集合,可以便于后续判断待修复矿山生态的植被情况。然后,由于植被高斯模型可以是待修复矿山生态中植被对应的子高斯模型,所以当未在子高斯模型集合中检测出植被高斯模型时,往往说明待修复矿山生态中可能不存在植被,此时待修复矿山生态的环境往往较为恶劣。其次,当在子高斯模型集合中检测出植被高斯模型时,往往说明待修复矿山生态存在植被,此时为了便于后续对待修复矿山生态的环境进行评估判断,需要精确地确定目标植被覆盖率。之后,由于植被高斯模型与参考高斯模型的均值之间往往会存在重合色调值,往往导致植被高斯模型与参考高斯模型之间的边界不明显,因此筛选出参考高斯模型集合,可以便于确定植被高斯模型与参考高斯模型之间的边界。而后,对目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,并且对每个参考色调值对应的重合色调值集合进行边界分析处理,可以提高边界色调值确定的准确度,从而可以提高植被色调值区间确定的准确度,进而可以提高植被像素点数量确定的准确度,从而可以提高目标植被覆盖率确定的准确度,进而可以提高对待修复矿山生态环境进行评估判断的准确度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种矿山生态修复的环境评估方法,其特征在于,包括以下步骤:
获取待修复矿山生态的HSV图像中的H分量的直方图,作为目标直方图;
对所述目标直方图进行高斯混合拟合,得到高斯混合模型包括的子高斯模型集合;
根据所述子高斯模型集合中的各个子高斯模型的均值,对所述子高斯模型集合进行植被高斯模型检测,当在所述子高斯模型集合中检测出植被高斯模型时,从所述子高斯模型集合中筛选出与植被高斯模型相邻的子高斯模型,作为参考高斯模型,得到参考高斯模型集合;
对所述目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,得到所述参考色调值对应的重合色调值集合,其中,目标色调值是等于植被高斯模型均值的色调值,参考色调值是等于所述参考高斯模型集合中参考高斯模型均值的色调值;
对每个参考色调值对应的重合色调值集合进行边界分析处理,得到所述参考色调值对应的边界色调值;
根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的目标植被覆盖率;
根据所述目标植被覆盖率,对所述待修复矿山生态的环境进行评估判断。
2.根据权利要求1所述的一种矿山生态修复的环境评估方法,其特征在于,所述根据所述子高斯模型集合中的各个子高斯模型的均值,对所述子高斯模型集合进行植被高斯模型检测,包括:
对于所述子高斯模型集合中的每个子高斯模型,将所述子高斯模型均值与归一化后的绿色色调值的差值的绝对值,确定为所述子高斯模型对应的绿色偏移程度;
从所述子高斯模型集合中筛选出绿色偏移程度最小的子高斯模型,作为候选高斯模型;
当候选高斯模型对应的绿色偏移程度小于或等于预先设置的偏移阈值时,将候选高斯模型确定为植被高斯模型;
当候选高斯模型对应的绿色偏移程度大于偏移阈值时,判定所述子高斯模型集合中不存在植被高斯模型。
3.根据权利要求1所述的一种矿山生态修复的环境评估方法,其特征在于,所述对所述目标直方图中目标色调值与每个参考色调值之间的各个色调值进行归属分析筛选处理,得到所述参考色调值对应的重合色调值集合,包括:
将所述目标直方图中目标色调值与所述参考色调值之间的每个色调值,作为候选色调值,得到所述参考色调值对应的候选色调值集合;
对于所述参考色调值对应的候选色调值集合中的每个候选色调值,确定所述候选色调值对应的归属度;
当所述参考色调值对应的候选色调值集合中的候选色调值对应的归属度小于预先设置的归属阈值时,将候选色调值确定为重合色调值,得到所述参考色调值对应的重合色调值集合。
4.根据权利要求3所述的一种矿山生态修复的环境评估方法,其特征在于,所述对于所述参考色调值对应的候选色调值集合中的每个候选色调值,确定所述候选色调值对应的归属度,包括:
根据所述参考色调值所在的参考高斯模型,确定所述候选色调值在该参考高斯模型下的概率密度,作为所述候选色调值对应的参考概率密度;
根据植被高斯模型,确定所述候选色调值在植被高斯模型下的概率密度,作为所述候选色调值对应的植物概率密度;
将预先设置的修正因子、所述候选色调值对应的参考概率密度与植物概率密度的和,确定为所述候选色调值对应的整体概率密度;
将所述候选色调值对应的参考概率密度与植物概率密度的差值的绝对值,确定为所述候选色调值对应的概率密度差异;
将所述候选色调值对应的概率密度差异与整体概率密度的比值,确定为所述候选色调值对应的归属度。
5.根据权利要求3所述的一种矿山生态修复的环境评估方法,其特征在于,所述对每个参考色调值对应的重合色调值集合进行边界分析处理,得到所述参考色调值对应的边界色调值,包括:
根据每个参考色调值对应的重合色调值集合中的每个重合色调值对应的归属度,确定所述重合色调值对应的区分度;
从每个参考色调值对应的重合色调值集合中筛选出区分度最大的重合色调值,作为所述参考色调值对应的边界色调值。
6.根据权利要求5所述的一种矿山生态修复的环境评估方法,其特征在于,所述根据每个参考色调值对应的重合色调值集合中的每个重合色调值对应的归属度,确定所述重合色调值对应的区分度,包括:
对所述重合色调值对应的归属度进行负相关映射,并进行归一化,得到所述重合色调值对应的第一区分指标;
将所述目标直方图中所述重合色调值的频数,确定为所述重合色调值对应的目标频数;
将所述目标直方图中所述重合色调值的前一个色调值的频数,确定为所述重合色调值对应的前频数;
将所述目标直方图中所述重合色调值的后一个色调值的频数,确定为所述重合色调值对应的后频数;
将所述重合色调值对应的前频数与目标频数的差值,确定为所述重合色调值对应的前差异;
将所述重合色调值对应的后频数与目标频数的差值,确定为所述重合色调值对应的后差异;
将所述重合色调值对应的前差异与后差异的和,确定为所述重合色调值对应的整体差异;
将所述重合色调值对应的前频数、目标频数与后频数的和,确定为所述重合色调值对应的整体频数;
将所述重合色调值对应的整体差异与整体频数的比值,确定为所述重合色调值对应的第二区分指标;
将所述重合色调值对应的第一区分指标和第二区分指标的乘积,确定为所述重合色调值对应的区分度。
7.根据权利要求1所述的一种矿山生态修复的环境评估方法,其特征在于,所述根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的目标植被覆盖率,包括:
根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的植被色调值区间;
根据所述植被色调值区间,确定目标植被覆盖率。
8.根据权利要求7所述的一种矿山生态修复的环境评估方法,其特征在于,所述根据各个参考色调值对应的边界色调值,确定所述待修复矿山生态对应的植被色调值区间,包括:
当参考色调值的数量为2时,将这两个参考色调值对应的边界色调值,分别确定为植被色调值区间的两个端点;
当参考色调值的数量为1时,将这个参考色调值对应的边界色调值,确定为植被色调值区间的一个端点,若植被高斯模型是子高斯模型集合中均值最小的子高斯模型,将植被高斯模型对应的最小的色调值,确定为植被色调值区间的另一个端点;若植被高斯模型是子高斯模型集合中均值最大的子高斯模型,将植被高斯模型对应的最大的色调值,确定为植被色调值区间的另一个端点。
9.根据权利要求7所述的一种矿山生态修复的环境评估方法,其特征在于,所述根据所述植被色调值区间,确定目标植被覆盖率,包括:
将所述目标直方图中位于植被色调值区间内的各个色调值的频数的累加值,确定为植被像素总数;
将所述目标直方图中的各个色调值的频数的累加值,确定为目标像素总数;
将植被像素总数与目标像素总数的比值,确定为目标植被覆盖率。
10.根据权利要求1所述的一种矿山生态修复的环境评估方法,其特征在于,所述根据所述目标植被覆盖率,对所述待修复矿山生态的环境进行评估判断,包括:
当所述目标植被覆盖率大于或等于预先设置的覆盖阈值时,判定所述待修复矿山生态的环境合格;
当所述目标植被覆盖率小于覆盖阈值时,判定所述待修复矿山生态的环境不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330381.9A CN116030356B (zh) | 2023-03-31 | 2023-03-31 | 一种矿山生态修复的环境评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330381.9A CN116030356B (zh) | 2023-03-31 | 2023-03-31 | 一种矿山生态修复的环境评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030356A true CN116030356A (zh) | 2023-04-28 |
CN116030356B CN116030356B (zh) | 2023-06-13 |
Family
ID=86070902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310330381.9A Active CN116030356B (zh) | 2023-03-31 | 2023-03-31 | 一种矿山生态修复的环境评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030356B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017088365A1 (zh) * | 2015-11-26 | 2017-06-01 | 乐视控股(北京)有限公司 | 一种肤色检测方法及装置 |
CN109118484A (zh) * | 2018-08-10 | 2019-01-01 | 中国气象局气象探测中心 | 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法 |
CN109949314A (zh) * | 2019-02-23 | 2019-06-28 | 西安邮电大学 | 一种基于半监督学习和直方图统计的多目标快速模糊聚类彩色图像分割方法 |
CN113807702A (zh) * | 2021-09-18 | 2021-12-17 | 中铝环保生态技术(湖南)有限公司 | 一种矿山生态修复评价方法 |
US20220228885A1 (en) * | 2021-01-15 | 2022-07-21 | Vizzio Technologies Pte Ltd | Geospatial mapping |
CN115797798A (zh) * | 2023-02-10 | 2023-03-14 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 基于废弃矿山遥感图像的生态修复效果评估方法 |
-
2023
- 2023-03-31 CN CN202310330381.9A patent/CN116030356B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017088365A1 (zh) * | 2015-11-26 | 2017-06-01 | 乐视控股(北京)有限公司 | 一种肤色检测方法及装置 |
CN109118484A (zh) * | 2018-08-10 | 2019-01-01 | 中国气象局气象探测中心 | 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法 |
CN109949314A (zh) * | 2019-02-23 | 2019-06-28 | 西安邮电大学 | 一种基于半监督学习和直方图统计的多目标快速模糊聚类彩色图像分割方法 |
US20220228885A1 (en) * | 2021-01-15 | 2022-07-21 | Vizzio Technologies Pte Ltd | Geospatial mapping |
CN113807702A (zh) * | 2021-09-18 | 2021-12-17 | 中铝环保生态技术(湖南)有限公司 | 一种矿山生态修复评价方法 |
CN115797798A (zh) * | 2023-02-10 | 2023-03-14 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 基于废弃矿山遥感图像的生态修复效果评估方法 |
Non-Patent Citations (4)
Title |
---|
ALWASEELA ABDALLA MOHAMED HASSAN: "基于RGB图像和机器学习算法的油菜表型研究", 《农业科技辑》, no. 02, pages 5 - 97 * |
SHAN ZENG等: "Image retrieval using spatiograms of colors quantized by Gaussian Mixture Models", 《NEUROCOMPUTING》, vol. 171, pages 673 - 684, XP029298735, DOI: 10.1016/j.neucom.2015.07.008 * |
YANZHENG YANG等: "A novel approach for modelling vegetation distributions and analysing vegetation sensitivity through trait-climate relationships in China", 《SCIENTIFIC REPORTS 6》, pages 1 - 11 * |
王美琪等: "废弃矿山植被覆盖度无人机遥感快速提取技术", 《中国水土保持科学》, vol. 18, no. 2, pages 130 - 139 * |
Also Published As
Publication number | Publication date |
---|---|
CN116030356B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182754B (zh) | 一种基于高分辨率遥感影像的农村居民点信息提取方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN110363798B (zh) | 一种遥感影像解译样本集的生成方法 | |
CN113313677B (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN115294460B (zh) | 雷竹林退化程度确定方法、介质和电子设备 | |
CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN115147401A (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
CN112967176A (zh) | 一种利用Image J和Photoshop对植物盖度分析的方法 | |
CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
CN110807406A (zh) | 一种雾天检测方法及装置 | |
CN116030356B (zh) | 一种矿山生态修复的环境评估方法 | |
CN113378912B (zh) | 一种基于深度学习目标检测的林区非法开垦地块检测方法 | |
CN109886980A (zh) | 一种基于邻域强度纹理编码的红外图像卷云检测方法 | |
CN114743025A (zh) | 基于灰度稳定性的提高抗干扰性能的目标显著性检测方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN116740580A (zh) | 基于遥感技术的园林工程数据处理方法 | |
CN116740579A (zh) | 一种国土空间规划数据智能采集方法 | |
CN113436193B (zh) | 一种城市黑臭水体监测方法和装置 | |
CN116385268A (zh) | 一种遥感图像增强方法 | |
CN109886991A (zh) | 一种基于邻域强度纹理编码的红外成像河道检测方法 | |
CN113222005B (zh) | 一种土地覆盖自动更新方法 | |
CN116110030A (zh) | 目标检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |