CN116052017A - 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 - Google Patents

基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 Download PDF

Info

Publication number
CN116052017A
CN116052017A CN202310078293.4A CN202310078293A CN116052017A CN 116052017 A CN116052017 A CN 116052017A CN 202310078293 A CN202310078293 A CN 202310078293A CN 116052017 A CN116052017 A CN 116052017A
Authority
CN
China
Prior art keywords
objects
determining
green
vegetation
value
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
Application number
CN202310078293.4A
Other languages
English (en)
Other versions
CN116052017B (zh
Inventor
周淑芳
王策
陈雨竹
丁媛
张波
苗立新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Twenty First Century Aerospace Technology Co ltd
Original Assignee
Twenty First Century Aerospace Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Twenty First Century Aerospace Technology Co ltd filed Critical Twenty First Century Aerospace Technology Co ltd
Priority to CN202310078293.4A priority Critical patent/CN116052017B/zh
Publication of CN116052017A publication Critical patent/CN116052017A/zh
Application granted granted Critical
Publication of CN116052017B publication Critical patent/CN116052017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法，涉及图像识别技术领域，包括：获取待监测目标区域对应的图像数据；使用多尺度分割，对所述图像数据进行分割，得到多个对象；根据各地类的提取方式，在所述多个对象中，提取各地类对应的对象；根据各地类对应的对象，确定各地类在所述目标区域中所占比例；根据各地类所占比例，监测所述目标区域的绿网苫盖状态信息。本申请无需投入较大人力成本制作大量样本，提高了整个过程的效率。

Description

基于双重指数法和自适应策略绿网苫盖信息遥感监测方法
技术领域
本申请涉及图像识别技术领域，尤其涉及一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
背景技术
在现有技术中，通过深度学习方法对遥感卫星采集到的区域进行识别监测，识别该区域中的绿网苫盖所占比例。
然而，深度学习方法对于样本的数量和质量依赖性极大，而现实中绿网苫盖与植被相似，且往往存在不规则现象，要想获取准确的绿网苫盖面积信息，必需要投入较大人力成本制作大量样本，样本制作很高，造成整个过程耗时长，效率低。因此，亟需一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
发明内容
鉴于上述问题，本申请提出了一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法，无需投入较大人力成本制作大量样本，提高了整个过程的效率。
为达到上述目的，本申请主要提供如下技术方案：
第一方面，本申请提供一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法，所述方法包括：
获取待监测目标区域对应的图像数据；
使用多尺度分割，对所述图像数据进行分割，得到多个对象；
根据各地类的提取方式，在所述多个对象中，提取各地类对应的对象；
根据各地类对应的对象，确定各地类在所述目标区域中所占比例；
根据各地类所占比例，监测所述目标区域的绿网苫盖状态信息。
第二方面，本申请还提供了一种基于双重指数法和自适应策略绿网苫盖信息遥感监测装置，所述装置包括：
获取单元，用于获取待监测目标区域对应的图像数据；
分割单元，用于使用多尺度分割，对所述图像数据进行分割，得到多个对象；
提取单元，用于根据各地类的提取方式，在所述图像数据中，提取各地类对应的对象；
第一确定单元，用于根据各地类对应的对象，确定各地类在所述目标区域中所占比例；
第二确定单元，用于根据各地类所占比例，监测所述目标区域的绿网苫盖状态信息。
第三方面，本申请还提供了一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述第一方面的基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
第四方面，本申请还提供一种存储介质，所述存储介质用于存储计算机程序，其中，所述计算机程序运行时控制所述存储介质所在设备执行上述第一方面的基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
借由上述技术方案，本申请提供的一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法，获取待监测目标区域对应的图像数据；使用多尺度分割，对所述图像数据进行分割，得到多个对象；根据各地类的提取方式，在所述多个对象中，提取各地类对应的对象；根据各地类对应的对象，确定各地类在所述目标区域中所占比例；根据各地类所占比例，监测所述目标区域的绿网苫盖状态信息。本申请无需投入较大人力成本制作大量样本，提高了整个过程的效率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提出的一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法的流程图；
图2示出了本申请实施例提出的另一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法的流程图；
图3示出了本申请实施例提出的一种基于双重指数法和自适应策略绿网苫盖信息遥感监测装置的结构示意图；
图4示出了本申请实施例提出的一种设备的框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
随着国家对于环境保护的重视，越来越多的城市环境管理部门开始重视建筑施工裸地的管理，监管裸地的临时苫盖、复绿等措施，以减少城市空气污染，提高城市空气环境质量。随着裸土苫盖措施的出现，近年来对于裸土的监管已经从人工查验摄像头拍摄的工地或渣土车照片、视频，发展到利用人工智能自动识别遥感卫星影像上的裸土信息。
在现有技术中，通过深度学习方法对遥感卫星采集到的区域进行识别监测，识别该区域中的绿网苫盖所占比例。
然而，深度学习方法对于样本的数量和质量依赖性极大，而现实中绿网苫盖与植被相似，且往往存在不规则现象，要想获取准确的绿网苫盖面积信息，必需要投入较大人力成本制作大量样本，样本制作很高，造成整个过程耗时长，效率低。因此，亟需一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
为解决上述问题，本申请提供了一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法，可以提高整个过程的效率。其具体执行步骤如图1所示，包括：
步骤101，获取待监测目标区域对应的图像数据。
其中，目标区域为待监测的区域。
在本步骤的具体实施方式中，为了得到较为清晰的影响，在通过遥感卫星采集目标区域内的高分辨率遥感影像后，可以对影像中的多光谱和全色波段进行大气校正、几何校正、数据融合等预处理。同时，为便于快速、工程化生产，可以对影像进行镶嵌、降位处理等相关操作。
进一步的，还可以通过多个目标区域的图像数据，来确定目标区域对应的待监测的图像数据。具体步骤为：首先，将拍摄时间间隔短的同一数据源、同轨或相邻轨影像进行捆绑法自动匀色镶嵌处理。例如，对于月度监测，镶嵌影像的拍摄时间间隔可以是天气等条件相当的3-5天内。
另外，为了减小对数据损失，以及对地物提取时的影响，并提升自动生产效率，可以通过自动均一量化降比特方法将影像数据进行8bit降位处理，得到待监测的图像数据。
步骤102，使用多尺度分割，对图像数据进行分割，得到多个对象。
多尺度分割方法是通过设置参与分割的特征图层的权重以及分割后图斑的形状异质性、光谱异质性、紧凑度将影像分割成不同尺度对象的过程，分割后的对象与对象之间平均异质性最小、对象内部像元之间同质性最大。本申请中根据分割对象大小和分辨率，对尺度、形状、紧实度等分割参数从较小到较大，以一定步长进行多次分割，利用均值方差的变化率确定最优分割参数。步长根据对象大小确定，对象越小步长越小。
均值方差法利用分割层中对象与其相邻对象之间的光谱变异，即对象的均值方差，确定分割尺度的优劣程度。方差越大，则差异越大，即纯对象越多，分割效果越好。本申请充分考虑多个波段，计算多个波段局部方差的均值，当方差均值达到最大时所对应的分割尺度为最优。具体计算
式中，S2表示方差，CL为单个影像对象在第L波段的均值，表示影像中所有对象在第L波段的均值，m为影像中对象个数的总和。CLi为第L波段中对象内第i个像元的值，n为对象中像元的个数。
确定达到最优尺度的自适应策略以方差变化率ROC-LV(rates of change oflocal variance)实现。当ROC-LV最大即曲线出现峰值时，该点对应的分割尺度即为最佳分割尺度。
式中，L代表目标层的局部方差；L-1代表将L目标层当作基准的下一层的局部方差。
步骤103，根据各地类的提取方式，在多个对象中，提取各地类对应的对象。
其中，本步骤中的地类至少包括阴影、植被、绿网、建筑物以及裸土地。
在本步骤中，本步骤提供一种提取各地类的方法，该方法用于提取阴影、植被、绿网、建筑物以及裸土地对应的对象，各地类对应的提取方式具体如下所示：
第一种，对阴影对应的对象进行提取。阴影的对象提取方式为：在多个对象中，确定对应的平均亮度值小于等于亮度阈值且平均归一化植被指数值小于0的第一对象；当第一对象包围其他对象，且其他对象所包含的像素数目小于等于800时，将第一对象和其他对象确定为阴影对应的对象，并提取阴影对应的对象；当第一对象不包围其他对象，或其他对象所包含的像素数目大于800时，将第一对象确定为阴影对应的对象，并提取阴影对应的对象。
其中，平均亮度值用于对应对象的亮度程度。在本步骤中，之所以使用亮度值识别阴影，是因为亮度为阴影对应的最优特征，亮度阈值为最优特征对应的最优特征值，实质上为阴影对应的阴影样本中最大的亮度值。为了得到的最大亮度值更加的准确，该阴影样本的数目一般可以设置为20个。
在实施中，根据每个对象中所有的像素的亮度值和归一化植被指数值，计算每个对象对应的平均亮度值和平均归一化植被指数值。之后，确定对应的平均亮度值小于等于亮度阈值且平均归一化植被指数值小于0的第一对象，并判断这些第一对象是否包围其他对象。如果否，则直接将第一对象确定为阴影对应的对象。如果是，则继续判断其他对象所包含的像素数目是否小于等于800。当其他对象所包含的像素数目小于等于800时，将第一对象和其他对象确定为阴影对应的对象。当其他对象所包含的像素数目大于800时，只将第一对象确定为阴影对应的对象。之后，便可以将阴影对应的对象提取出来，并使用其他地类对应的对象提取方式，对剩余对象进行提取。
由于归一化差异绿度指数增强的是地表绿色系的地物，对绿色地物有很好的指示作用，可准确区分绿色与非绿色地物。同时，由于绿网与植被同为绿色地物，都会被归一化差异绿度指数增强，导致绿网与植被二者混淆。而归一化植被指数具有卓越的植被增强能力，通过进一步引入归一化植被指数来解决绿网和植被混淆的问题。因此，本申请使用双重指数法对提取阴影后的剩余对象进行识别，即使用归一化植被指数和归一化差异绿度指数对提取阴影后的剩余对象进行识别，确定出植被对应的对象和绿网对应的对象。因此，第二种对植被对应的对象进行提取的植被提取方式为：在提取阴影后的剩余对象中，将对应的平均亮度值小于等于亮度阈值，且平均归一化植被指数值大于等于0的对象，确定为植被对应的参考对象；或者将对应的平均归一化差异绿度指数值小于等于归一化差异绿度指数阈值，且平均归一化植被指数值大于等于归一化植被指数阈值的对象，确定为植被对应的参考对象；根据植被对应的参考对象，确定植被对应的对象，并提取植被对应的对象。
植被指数为描述植被覆盖和生长情况的指数，上述包括归一化植被指数NDVI和归一化差异绿度指数NDGI。归一化植被指数的计算公式为NDVI＝(NIR-R)/(NIR+R)，其中，NIR为近红外波段值，R为红波段值；归一化差异绿度指数NDGI的计算公式为NDGI＝(G–R)/(G+R)，其中，G为绿波段值，R为红波段值。在本步骤中，归一化植被指数为植被对应的最优特征，归一化植被指数阈值为最优特征对应的最优特征值。归一化差异绿度指数为植被和绿网对应的最优特征，归一化差异绿度指数阈值为最优特征对应的最优特征值，实质上为植被对应的植被样本中最小的归一化差异绿度指数值。
在实施中，在提取阴影后的剩余对象中，根据每个对象中所有的像素的归一化差异绿度指数值和归一化植被指数值，计算每个对象对应的平均归一化差异绿度指数值和平均归一化植被指数值。确定出对应的平均亮度值小于等于亮度阈值，且平均归一化植被指数值大于等于0的对象，或者确定出对应的平均归一化差异绿度指数值大于等于归一化差异绿度指数阈值，且平均归一化植被指数值大于等于归一化植被指数阈值的对象，将其确定为植被对应的参考对象。在确定出植被对应的参考对象后，在这些对象中查找出满足平均归一化植被指数值大于参考对象的平均归一化植被指数值，且两者之差为0.05的对象，并以这些对象为中心，向外扩2次，每次向外扩预设个对象，进而得到植被对应的对象。之后便可以在剩余对象中，提取植被对应的对象。
第三种，对绿网对应的对象进行提取。该绿网的绿网提取方式为：在提取阴影和植被后的剩余对象中，确定对应平均归一化差异绿度指数值大于归一化差异绿度指数阈值的第二对象；当第二对象包围其他对象，且其他对象满足第一条件或第二条件时，将第二对象和所包围的其他对象确定为绿网对应的对象，并提取绿网对应的对象；当第二对象不包围其他对象，或其他对象均不满足第一条件和第二条件时，将第二对象确定为绿网对应的对象，并提取绿网对应的对象。
其中，第一条件为其他对象的数目小于300。第二条件为归一化差异绿度指数与归一化差异绿度指数阈值之差小于5，且亮度大于亮度标准差的最大值的2.5倍。对于每个绿网的绿网样本，计算每个绿网样本对应的亮度标准差，将这些亮度标准差中的最大值，确定为上述使用的亮度标准差的最大值。
第四种，对建筑物对应的对象进行提取。该建筑物的建筑物提取方式为：在提取阴影、植被和绿网后的剩余对象中，确定对应的平均红光波段值小于红光波段阈值的第三对象；当第三对象包围其他对象，且其他对象满足第三条件时，将第三对象和所包围的其他对象确定为建筑物对应的对象，并提取建筑物对应的对象；当第三对象不包围其他对象，或其他对象不满足第三条件时，将第三对象确定为建筑物对应的对象，并提取建筑物对应的对象。
其中，红光波段为建筑物对应的最优特征，红光波段阈值为最优特征对应的最优特征值，实质上为建筑物对应的样本中红光波段值中的最小值。第三条件为其他对象所包括的像素数目小于45000，且平均红波段值-平均蓝波段值>-15。
在实施中，在提取阴影、植被和绿网后的剩余对象中，确定对应的平均红光波段值小于红光波段阈值的第三对象；判断这些第三对象是否包围其他对象。如果否，则直接将第三对象确定为建筑物对应的对象。如果是，则继续判断其他对象是否满足第三条件。当其他对象满足第三条件时，将第三对象和其他对象确定为建筑物对应的对象。当其他对象不满足第三条件时，只将第三对象确定为建筑物对应的对象。之后，便可以在提取阴影、植被和绿网后的剩余对象中，提取建筑物对应的对象。
第五种，对裸土地对应的对象进行提取。该裸土地的对象提取方式为：将提取阴影、植被、绿网和建筑物后的剩余对象，确定为裸土地对应的对象，并提取裸土地对应的对象。
在实施中，在图像数据中去除阴影、植被、绿网和建筑物分别对应的对象后，将剩余对象，确定为裸土地对应的对象，并提取该裸土地对应的对象。
步骤104，根据各地类对应的对象，确定各地类在目标区域中所占比例。
在本步骤的具体实施方式中，根据各地类对应的对象所包括像素的数目，确定各地类对应的面积，进而根据各地类对应的面积占目标区域总面积的多少，得到各地类在目标区域中所占比例。
例如，将各地类对应的对象所包括像素的数目与目标区域对应的总像素数目之比，确定为各地类在目标区域中所占比例。
步骤105，根据各地类所占比例，监测目标区域的绿网苫盖状态信息。
在本步骤中，当某区域的绿网苫盖比例大于等于R3时，该区域的绿网苫盖状态信息为全苫盖。当某区域的绿网苫盖比例大于等于R2，但小于R3时，该区域的绿网苫盖状态信息为高比例苫盖。当某区域的绿网苫盖比例大于等于R1，但小于R2时，该区域的绿网苫盖状态信息为中比例苫盖。当某区域的绿网苫盖比例小于R1时，该区域的绿网苫盖状态信息为低比例苫盖。当某区域的绿网苫盖比例为R0时，该区域的绿网苫盖状态信息为无绿网苫盖。当某区域全部都在施工时，该区域的绿网苫盖状态信息为无需绿网苫盖。
例如，当某区域的绿网苫盖比例大于等于95％时，该区域的绿网苫盖状态信息为全苫盖。当某区域的绿网苫盖比例大于等于60％，但小于95％时，该区域的绿网苫盖状态信息为高比例苫盖。当某区域的绿网苫盖比例大于等于30％，但小于60％时，该区域的绿网苫盖状态信息为中比例苫盖。当某区域的绿网苫盖比例小于30％时，该区域的绿网苫盖状态信息为低比例苫盖。当某区域没有绿网苫盖时，该区域的绿网苫盖状态信息为无绿网苫盖。当某区域全部都在施工时，该区域的绿网苫盖状态信息为无需绿网苫盖。
在本步骤中，还可以设置绿网苫盖状态信息的识别顺序，这样便可以根据各地类所占比例以及预先设置的识别顺序，确定目标区域的绿网苫盖状态信息。
(1)、先识别目标区域的绿网苫盖状态信息是否为无绿网苫盖。具体识别方法为：当苫盖绿网的占比小于第一数值，裸地的占比大于等于第二数值，且所述植被的占比小于第三数值时，将所述目标区域的绿网苫盖状态信息，确定为无绿网苫盖。
其中，第一数值在0.01R3到0.02R3之间，第二数值在0.7R3到0.8R3之间。第三数值在0.15R3到0.2R3之间。
假设R3为95％，当苫盖绿网的占比小于0.012，裸地的占比大于等于0.7，且所述植被的占比小于0.17时，将所述目标区域的绿网苫盖状态信息，确定为无绿网苫盖。
例如，当R绿网<0.012、R裸地≥0.7且R植被<0.17时，将目标区域的绿网苫盖状态信息，确定为无绿网苫盖。其中，R绿网为苫盖绿网的占比，R裸地为裸地的占比，R植被为植被的占比。
(2)、之后识别目标区域的绿网苫盖状态信息是否为非裸地。具体识别方法为：当植被的占比大于等于苫盖绿网的占比、植被的占比大于等于第四数值、且每个像素的归一化植被指数值大于0时，或当苫盖绿网的占比小于第一数值，裸地的占比大于等于第二数值，且所述植被的占比大于第三数值时，将所述目标区域的绿网苫盖状态信息，确定为非裸地。
其中，第一数值在0.01R3到0.02R3之间，第二数值在0.7R3到0.8R3之间，第三数值在0.15R3到0.2R3之间，第四数值在0.6R3到0.7R3之间。
假设R3为95％，当植被的占比大于等于苫盖绿网的占比、植被的占比大于等于0.65、且每个像素的归一化植被指数值大于0时，或当苫盖绿网的占比小于0.012，裸地的占比大于等于0.7，且所述植被的占比大于0.17时，将所述目标区域的绿网苫盖状态信息，确定为非裸地。
例如，当R植被≥R绿网、R植被≥0.65且每个像素的归一化植被指数值大于0时，或者当R绿网<0.012、R裸地≥0.7且R植被>0.17时，将所述目标区域的绿网苫盖状态信息，确定为非裸地。其中，R绿网为苫盖绿网的占比，R裸地为裸地的占比，R植被为植被的占比。
(3)、之后识别目标区域的绿网苫盖状态信息是否为全绿网苫盖。具体识别方法为：当绿网占比大于等于第一预设数值，且裸地占比小于第二预设数值时，或者当绿网占比大于等于第三预设数值、裸地占比小于等于第四预设数值且植被占比大于等于裸地占比时，或者当绿网占比大于等于第五预设数值、裸地占比小于第四预设数值且植被占比大于等于第六预设数值时，或者当植被占比和绿网占比之和大于等于第七预设数值时，将所述目标区域的绿网苫盖状态信息，确定为全绿网苫盖。
其中，第一预设数值在0.8R3到0.9R3之间，第二预设数值在0.1R3到0.2R3之间，第三预设数值在0.8R3到0.85R3之间，第四预设数值在0.08R3到0.14R3之间，第五预设数值在0.6R3到0.7R3之间，第六预设数值在0.2R3到0.3R3之间，第七预设数值在0.9R3到R3之间。
假设R3为95％，当绿网占比大于等于0.8，且裸地占比小于0.15时，或者当绿网占比大于等于0.77、裸地占比小于等于0.1且植被占比大于等于裸地占比时，或者当绿网占比大于等于0.65、裸地占比小于0.1且植被占比大于等于0.25时，或者当植被占比和绿网占比之和大于等于0.9时，将所述目标区域的绿网苫盖状态信息，确定为全绿网苫盖。
例如，当R绿网≥0.8，且R裸地<0.15时，或者当绿网≥0.77、R裸地<0.1、R植被≥R裸地时，或当R绿网≥0.65、R裸地<0.1和R植被≥0.25时，或当R植被+R绿网≥0.9时，将所述目标区域的绿网苫盖状态信息，确定为全绿网苫盖。
(4)、之后识别目标区域的绿网苫盖状态信息是否为高比例绿网苫盖。具体识别方法为：当绿网占比大于等于第四数值时，或者绿网占比大于第五数值，且裸地占比小于第六数值时，或者当植被占比和绿网占比大于等于第七数值时，将所述目标区域的绿网苫盖状态信息，确定为高比例绿网苫盖。
其中，第四数值在0.85mean(R2,R3)到0.95mean(R2,R3)之间。第五数值在0.65mean(R2,R3)到0.75mean(R2,R3)之间，第六数值在0.13mean(R2,R3)到0.26mean(R2,R3)之间，第七数值在0.45mean(R2,R3)到0.58mean(R2,R3)之间。其中，mean(R2,R3)＝(R2+R3)/2。
假设R3为95％，R2为60％，当绿网占比大于等于0.7时，或者绿网占比大于0.55，且裸地占比小于0.15时，或者当植被占比和绿网占比大于等于0.4时，将所述目标区域的绿网苫盖状态信息，确定为高比例绿网苫盖。
当R绿网≥0.7时，或者当R绿网≥0.55and R裸地<0.15时，当R植被+R绿网≥0.4时，将所述目标区域的绿网苫盖状态信息，确定为高比例绿网苫盖。
第五种方式，当植被占比和绿网占比小于第八数值，且建筑物占比和裸地占比之和小于第九数值时，将目标区域的绿网苫盖状态信息，确定为中比例绿网苫盖。
其中，第八数值在0.5R1到0.8R1之间，第九数值在1.8R1到2R1之间。
假设R1为30％，当植被占比和绿网占比小于0.2，且建筑物占比和裸地占比之和小于0.6时，将目标区域的绿网苫盖状态信息，确定为中比例绿网苫盖。
例如，当R植被+R绿网<0.2，且R建筑物+R裸地>0.6时，将目标区域的绿网苫盖状态信息，确定为中比例绿网苫盖。
第六种方式，当裸地占比大于第八预设数值，且绿网占比之和小于第九预设数值时，将目标区域的绿网苫盖状态信息，确定为低比例绿网苫盖。
其中，第八预设数值在0.5R1到0.8R1之间，第九预设数值在R1到1.3R1之间。
假设R1为30％，当裸地占比大于0.2，且绿网占比之和小于0.35时，将目标区域的绿网苫盖状态信息，确定为低比例绿网苫盖。
当R裸地>0.2，且R绿网<0.35时，确定为低比例绿网苫盖。
另外，当上述六种方式均不满足时，确定该区域全部都在施工，将目标区域的绿网苫盖状态信息，确定为无需绿网苫盖。
在本申请中，获取待监测目标区域对应的图像数据；使用多尺度分割，对图像数据进行分割，得到多个对象；根据各地类的地类提取方式，在多个对象中，提取各地类对应的对象；根据各地类对应的对象，确定各地类在目标区域中所占比例；根据各地类所占比例，监测目标区域的绿网苫盖状态信息。本申请无需投入较大人力成本制作大量样本，提高了整个过程的效率。
之后，本申请还可以根据目标区域的绿网苫盖状态信息，监测目标区域是否为扬尘污染源。
在本步骤的具体实施方式中，当目标区域的绿网苫盖状态信息为全部苫盖、无需绿网苫盖、非裸地时，可以确定该目标区域为非扬尘污染源。当目标区域的绿网苫盖状态信息为无绿网苫盖、低比例绿网苫盖、中比例绿网苫盖或高比例苫盖时，可以确定该目标区域为扬尘污染源，相关部门可据此采取改善管理措施。
另外，本申请提供了一种确定各地类的地类提取方式方法，该方法如图2所示，具体包括：
步骤201，获取各地类的样本图像数据在各特征对应的特征值。
其中，本步骤中的特征包括蓝波段(B)、绿波段(G)、红波段(R)、近红外波段(NIR)、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、亮度(Brightness)、裸地指数(BAI)、影像波段的均值(Mean)、标准差(Std)、色调(H)、饱和度(S)、亮度(I)、形状指数(SI)、面积(Area)等特征。
在本步骤中，获取各地类的样本图像数据，对于每个样本图像数据，获取各特征对应的特征值。
步骤202，计算各地类在相同特征的特征距离。
其中，本步骤中的特征距离为Jeffries-Matusita(J-M)距离，该距离可以标识两个特征的关联程度。J-M距离的取值范围是[0,2]，0表示两个类别在该特征上几乎完全混淆，2表示两个类别在该特征上能够完全分开。其公式如下所示：
J＝2(1-e-B)
式中，J表示J-M距离，B表示巴氏距离，m1和m2表示两个类别的某特征均值，σ1和σ2表示两个类别的空间特征标准差。
m＝mean(k1，k2，…，kn)
式中，mean()表示取平均值函数；k1，k2…，kn表示某地类样本1，样本2，…，样本n在某特征上的值。L表示某一空间特征，Li表示第i个对象的该空间特征值，n表示样本数量。
步骤203，根据各地类在相同特征的特征距离，确定用于识别各地类的最优特征和最优特征值。
在本申请中，对各地类在相同特征的特征距离进行分析，确定用于识别各地类的最优特征。例如，阴影对应的最优特征为亮度，绿网对应的最优特征为归一化差异绿度指数和归一化植被指数，植被对应的最优特征为归一化植被指数，建筑物对应的最优特征为红波段值和亮度值。
之后，根据各个地类的样本，来计算各地类的最优特征值。具体步骤为：根据各地类间的关系及其特征在其区块内的值域分布特点，确定阴影、绿网确定基于最大极值统计法，植被、建筑物确定基于最小极值统计统计法。具体如下：
式中，Q表示确定的阈值，t表示特征统计项，m表示某个地类，max()表示取最大值函数，min()表示取最小值函数；k1，k2…，kn表示某地类样本1，样本2，…，样本n在某特征上的值。
上述计算出的各地类对应的阈值，便为本步骤中的所述的各最优特征对应的最优特征值。
步骤204，根据用于识别各地类的最优特征和最优特征值，确定各地类的地类提取方式。
为了准确提取各地类对应的对象，可以根据各地类的地类提取方式的准确性，设置各地类的提取顺序，进而根据该提取顺序，依次使用各地类的对象提取方式，在图像数据中，提取各地类对应的对象。
进一步的，由于阴影的阴影提取方式提取对象时的准确性最高，植被的准确性较高，绿网对应的准确性次之，建筑物对应的准确性较低，裸土地对应的准确性最低。因此，可以将上述提取顺序设置为依次使用阴影、植被、绿网、建筑物以及裸土地对应地类提取方式。
之后，根据提取顺序，用于识别各地类的最优特征和最优特征值，确定各地类的地类提取方式。
进一步的，作为对上述图1-2所示方法实施例的实现，本申请实施例提供了一种基于双重指数法和自适应策略绿网苫盖信息遥感监测装置，该装置无需投入较大人力成本制作大量样本，提高了整个过程的效率。该装置的实施例与前述方法实施例对应，为便于阅读，本实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。具体如图3所示，该装置包括：
获取单元301，用于获取待监测目标区域对应的图像数据；
分割单元302，用于使用多尺度分割，对所述图像数据进行分割，得到多个对象；
提取单元303，用于根据各地类的地类提取方式，在所述图像数据中，提取各地类对应的对象；
第一确定单元304，用于根据各地类对应的对象，确定各地类在所述目标区域中所占比例；
第二确定单元305，用于根据各地类所占比例，监测所述目标区域的绿网苫盖状态信息。
可选的，所述地类包括阴影，所述阴影的阴影提取方式为：
在多个对象中，确定对应的平均亮度值小于等于亮度阈值且平均归一化植被指数值小于0的第一对象；
当所述第一对象包围其他对象，且其他对象所包含的像素数目小于等于800时，将所述第一对象和所述其他对象确定为阴影对应的对象，并提取所述阴影对应的对象；
当所述第一对象不包围其他对象，或所述其他对象所包含的像素数目大于800时，将所述第一对象确定为阴影对应的对象，并提取所述阴影对应的对象。
可选的，如图3所示，所述地类包括植被，所述植被的植被提取方式为：
在提取阴影后的剩余对象中，将对应的平均亮度值小于等于亮度阈值，且平均归一化植被指数值大于等于0的对象，确定为所述植被对应的参考对象；
或者将对应的平均归一化差异绿度指数值小于等于归一化差异绿度指数阈值，且平均归一化植被指数值大于等于归一化植被指数阈值的对象，确定为所述植被对应的参考对象；
根据所述植被对应的参考对象，确定所述植被对应的对象，并提取所述植被对应的对象。
可选的，如图3所示，所述地类包括绿网，所述绿网的绿网提取方式为：
在提取阴影和植被后的剩余对象中，确定对应平均归一化差异绿度指数值大于归一化差异绿度指数阈值的第二对象；
当所述第二对象包围其他对象，且所述其他对象满足第一条件或第二条件时，将所述第二对象和所包围的其他对象确定为所述绿网对应的对象，并提取所述绿网对应的对象；
当所述第二对象不包围其他对象，或所述其他对象均不满足第一条件和第二条件时，将所述第二对象确定为所述绿网对应的对象，并提取所述绿网对应的对象。
可选的，如图3所示，所述地类包括建筑物，所述建筑物的建筑物提取方式为：
在提取阴影、植被和绿网后的剩余对象中，确定对应的平均红光波段值小于红光波段阈值的第三对象；
当所述第三对象包围其他对象，且所述其他对象满足第三条件时，将所述第三对象和所包围的其他对象确定为所述建筑物对应的对象，并提取所述建筑物对应的对象；
当所述第三对象不包围其他对象，或所述其他对象不满足第三条件时，将所述第三对象确定为所述建筑物对应的对象，并提取所述建筑物对应的对象。
可选的，如图3所示，所述地类包括裸土地，所述裸土地对应的裸土地提取方式为：
将提取阴影、植被、绿网和建筑物后的剩余对象，确定为所述裸土地对应的对象，并提取所述裸土地对应的对象。
可选的，如图3所示，确定各地类的地类提取方式为：
获取各地类的样本图像数据在各特征对应的特征值；
计算各地类在相同特征的特征距离；
根据各地类在相同特征的特征距离，确定用于识别各地类的最优特征和最优特征值；
根据用于识别各地类的最优特征和最优特征值，确定各地类的地类提取方式。
进一步的，本发明实施例还提供一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述图1-2中所述的基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
进一步的，本申请实施例还提供一种存储介质，所述存储介质用于存储计算机程序，其中，所述计算机程序运行时控制所述存储介质所在设备执行上述图1-2中所述的基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
图4是本申请实施例提供的一种设备40的框图。该设备40包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403；其中，处理器401、存储器402通过总线403完成相互间的通信。处理器401用于调用存储器402中的程序指令，以执行上述的基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。本文中的设备可以是服务器(例如：本地服务器或者云端服务器)、智能手机、平板电脑、PDA、便携计算机，也可以是台式计算机等固定终端等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与根据在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于双重指数法和自适应策略绿网苫盖信息遥感监测方法，其特征在于，所述方法包括：
获取待监测目标区域对应的图像数据；
使用多尺度分割，对所述图像数据进行分割，得到多个对象；
根据各地类的提取方式，在所述多个对象中，提取各地类对应的对象；
根据各地类对应的对象，确定各地类在所述目标区域中所占比例；
根据各地类所占比例，监测所述目标区域的绿网苫盖状态信息。
2.根据权利要求1所述的方法，其特征在于，所述地类包括阴影，所述阴影的提取方式为：
在多个对象中，确定对应的平均亮度值小于等于亮度阈值且平均归一化植被指数值小于0的第一对象；
当所述第一对象包围其他对象，且其他对象所包含的像素数目小于等于800时，将所述第一对象和所述其他对象确定为阴影对应的对象，并提取所述阴影对应的对象；
当所述第一对象不包围其他对象，或所述其他对象所包含的像素数目大于800时，将所述第一对象确定为阴影对应的对象，并提取所述阴影对应的对象。
3.根据权利要求1所述的方法，其特征在于，所述地类包括植被，所述植被的提取方式为：
在提取阴影后的剩余对象中，将对应的平均亮度值小于等于亮度阈值，且平均归一化植被指数值大于等于0的对象，确定为所述植被对应的参考对象；
或者将对应的平均归一化差异绿度指数值小于等于归一化差异绿度指数阈值，且平均归一化植被指数值大于等于归一化植被指数阈值的对象，确定为所述植被对应的参考对象；
根据所述植被对应的参考对象，确定所述植被对应的对象，并提取所述植被对应的对象。
4.根据权利要求1所述的方法，其特征在于，所述地类包括绿网，所述绿网的提取方式为：
在提取阴影和植被后的剩余对象中，确定对应平均归一化差异绿度指数值大于归一化差异绿度指数阈值的第二对象；
当所述第二对象包围其他对象，且所述其他对象满足第一条件或第二条件时，将所述第二对象和所包围的其他对象确定为所述绿网对应的对象，并提取所述绿网对应的对象；
当所述第二对象不包围其他对象，或所述其他对象均不满足第一条件和第二条件时，将所述第二对象确定为所述绿网对应的对象，并提取所述绿网对应的对象。
5.根据权利要求1所述的方法，其特征在于，所述地类包括建筑物，所述建筑物的提取方式为：
在提取阴影、植被和绿网后的剩余对象中，确定对应的平均红光波段值小于红光波段阈值的第三对象；
当所述第三对象包围其他对象，且所述其他对象满足第三条件时，将所述第三对象和所包围的其他对象确定为所述建筑物对应的对象，并提取所述建筑物对应的对象；
当所述第三对象不包围其他对象，或所述其他对象不满足第三条件时，将所述第三对象确定为所述建筑物对应的对象，并提取所述建筑物对应的对象。
6.根据权利要求1所述的方法，其特征在于，所述地类包括裸土地，所述裸土地对应的提取方式为：
将提取阴影、植被、绿网和建筑物后的剩余对象，确定为所述裸土地对应的对象，并提取所述裸土地对应的对象。
7.根据权利要求1所述的方法，其特征在于，确定各地类的提取方式为：
获取各地类的样本图像数据在各特征对应的特征值；
计算各地类在相同特征的特征距离；
根据各地类在相同特征的特征距离，确定用于识别各地类的最优特征和最优特征值；
根据用于识别各地类的最优特征和最优特征值，确定各地类的地类提取方式。
8.一种基于双重指数法和自适应策略绿网苫盖信息遥感监测装置，其特征在于，所述装置包括：
获取单元，用于获取待监测目标区域对应的图像数据；
分割单元，用于使用多尺度分割，对所述图像数据进行分割，得到多个对象；
提取单元，用于根据各地类的提取方式，在所述图像数据中，提取各地类对应的对象；
第一确定单元，用于根据各地类对应的对象，确定各地类在所述目标区域中所占比例；
第二确定单元，用于根据各地类所占比例，监测所述目标区域的绿网苫盖状态信息。
9.一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行权利要求1-7中任意一项所述的基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
10.一种存储介质，其特征在于，所述存储介质用于存储计算机程序，其中，所述计算机程序运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的基于双重指数法和自适应策略绿网苫盖信息遥感监测方法。
CN202310078293.4A 2023-01-17 2023-01-17 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 Active CN116052017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310078293.4A CN116052017B (zh) 2023-01-17 2023-01-17 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310078293.4A CN116052017B (zh) 2023-01-17 2023-01-17 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法

Publications (2)

Publication Number Publication Date
CN116052017A true CN116052017A (zh) 2023-05-02
CN116052017B CN116052017B (zh) 2023-11-10

Family

ID=86127183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310078293.4A Active CN116052017B (zh) 2023-01-17 2023-01-17 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法

Country Status (1)

Country Link
CN (1) CN116052017B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157283A (zh) * 2015-04-01 2016-11-23 株式会社理光 道路分割物的检测方法和装置
CN108764255A (zh) * 2018-05-21 2018-11-06 二十世纪空间技术应用股份有限公司 一种冬小麦种植信息的提取方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
CN111967454A (zh) * 2020-10-23 2020-11-20 自然资源部第二海洋研究所 基于混合像元的绿潮覆盖比例提取模型确定方法及设备
CN112116242A (zh) * 2020-09-17 2020-12-22 福州福大经纬信息科技有限公司 一种结合多种遥感指标的裸土变化识别方法
CN112381013A (zh) * 2020-11-18 2021-02-19 南通市测绘院有限公司 基于高分辨率遥感影像的城市植被反演方法及系统
US20210166020A1 (en) * 2019-06-25 2021-06-03 Southeast University Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images
CN113673628A (zh) * 2021-09-07 2021-11-19 中国气象科学研究院 一种基于高分卫星数据的玉米种植分布提取方法
CN113963222A (zh) * 2021-10-28 2022-01-21 中国电子科技集团公司第五十四研究所 一种基于多策略组合的高分辨率遥感影像变化检测方法
CN114419458A (zh) * 2021-12-29 2022-04-29 中国科学院空天信息创新研究院 一种基于高分辨率卫星遥感的裸土监测方法、装置和设备
CN115222296A (zh) * 2022-09-15 2022-10-21 中国科学院、水利部成都山地灾害与环境研究所 一种山地绿色覆盖指数动态变化遥感监测方法和系统
CN115271332A (zh) * 2022-06-13 2022-11-01 航天恒星科技有限公司 一种旱情监测方法
CN115439759A (zh) * 2022-11-09 2022-12-06 航天宏图信息技术股份有限公司 遥感影像中植被的提取方法、装置、电子设备及介质
CN115510262A (zh) * 2022-09-29 2022-12-23 交通运输部天津水运工程科学研究所 基于干旱区湖泊退缩区的植被生态建设适宜性划分方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157283A (zh) * 2015-04-01 2016-11-23 株式会社理光 道路分割物的检测方法和装置
CN108764255A (zh) * 2018-05-21 2018-11-06 二十世纪空间技术应用股份有限公司 一种冬小麦种植信息的提取方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
US20210166020A1 (en) * 2019-06-25 2021-06-03 Southeast University Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images
CN112116242A (zh) * 2020-09-17 2020-12-22 福州福大经纬信息科技有限公司 一种结合多种遥感指标的裸土变化识别方法
CN111967454A (zh) * 2020-10-23 2020-11-20 自然资源部第二海洋研究所 基于混合像元的绿潮覆盖比例提取模型确定方法及设备
CN112381013A (zh) * 2020-11-18 2021-02-19 南通市测绘院有限公司 基于高分辨率遥感影像的城市植被反演方法及系统
CN113673628A (zh) * 2021-09-07 2021-11-19 中国气象科学研究院 一种基于高分卫星数据的玉米种植分布提取方法
CN113963222A (zh) * 2021-10-28 2022-01-21 中国电子科技集团公司第五十四研究所 一种基于多策略组合的高分辨率遥感影像变化检测方法
CN114419458A (zh) * 2021-12-29 2022-04-29 中国科学院空天信息创新研究院 一种基于高分辨率卫星遥感的裸土监测方法、装置和设备
CN115271332A (zh) * 2022-06-13 2022-11-01 航天恒星科技有限公司 一种旱情监测方法
CN115222296A (zh) * 2022-09-15 2022-10-21 中国科学院、水利部成都山地灾害与环境研究所 一种山地绿色覆盖指数动态变化遥感监测方法和系统
CN115510262A (zh) * 2022-09-29 2022-12-23 交通运输部天津水运工程科学研究所 基于干旱区湖泊退缩区的植被生态建设适宜性划分方法
CN115439759A (zh) * 2022-11-09 2022-12-06 航天宏图信息技术股份有限公司 遥感影像中植被的提取方法、装置、电子设备及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DRAGUT, L., ET AL.: "ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data", INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE, vol. 24, no. 5, pages 859 - 871 *
HU, Z. , ET AL.: "Stepwise Evolution Analysis of the Region-Merging Segmentation for Scale Parameterization", IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, pages 2461 - 2472 *
NEDKOV, R.: "Normalized differential greenness index for vegetation dynamics assessment", COMPTES RENDUS DE L\'ACADÉMIE DES SCIENCES. LA VIE DES SCIENCES, pages 1 - 7 *
钱军朝;徐丽华;邱布布;陆张维;庞恩奇;郑建华;: "基于WorldView-2影像数据对杭州西湖区绿地信息提取研究", 西南林业大学学报(自然科学), no. 04, pages 162 - 172 *

Also Published As

Publication number Publication date
CN116052017B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN106384117B (zh) 一种车辆颜色识别方法及装置
CN108369651B (zh) 一种提取天空区域的方法、系统及非暂时性计算机可读存储介质
CN108564021B (zh) 一种基于数码相片提取荒漠植被盖度的方法
CN108961250B (zh) 一种目标物统计方法、装置、终端以及存储介质
CN114387455A (zh) 一种基于人工智能的污水排放实时监测方法、系统及设备
CN112070070A (zh) 一种用于城市遥感场景识别的lw-cnn方法和系统
CN117451012B (zh) 一种无人机航摄测量方法及系统
CN113436193B (zh) 一种城市黑臭水体监测方法和装置
CN117252789B (zh) 高分辨率遥感影像阴影重建方法、装置及电子设备
CN116052017B (zh) 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法
CN113284066A (zh) 遥感影像自动云检测方法和装置
CN112651312A (zh) 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法
CN112329791A (zh) 一种高光谱影像水域自动提取方法
CN109977960B (zh) 基于神经网络的木料堆信息获取方法、系统、装置
CN116721385A (zh) 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN115711855A (zh) 一种不透水面的提取方法、装置、终端设备以及存储介质
CN113450461B (zh) 一种排泥库土工布点云提取方法
CN112067118A (zh) 基于卫星云图的光照强度检测方法、装置、设备以及介质
Schwalbe et al. Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems
CN114419559B (zh) 基于注意力机制的配网线路杆塔藤蔓攀爬隐患识别方法
LU503402B1 (en) Method for evaluating loss of urban tree ecosystem caused by typhoon and apparatus thereof
CN114005032B (zh) 一种城市行道树单木参数提取方法、装置及终端设备
CN115457406A (zh) 一种高分辨率遥感卫星图像的自动阴影检测方法与装置
CN116071665A (zh) 基于卫星影像的松材线虫病病害木提取方法和装置

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