CN116310772A - 基于多光谱图像的水环境污染识别方法 - Google Patents

基于多光谱图像的水环境污染识别方法 Download PDF

Info

Publication number
CN116310772A
CN116310772A CN202310559375.0A CN202310559375A CN116310772A CN 116310772 A CN116310772 A CN 116310772A CN 202310559375 A CN202310559375 A CN 202310559375A CN 116310772 A CN116310772 A CN 116310772A
Authority
CN
China
Prior art keywords
water
sensitive
value
reflectivity
bloom
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
CN202310559375.0A
Other languages
English (en)
Other versions
CN116310772B (zh
Inventor
邢坤
周乾乾
樊红兵
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.)
Dezhou Huaheng Environmental Protection Technology Co ltd
Original Assignee
Dezhou Huaheng Environmental Protection 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 Dezhou Huaheng Environmental Protection Technology Co ltd filed Critical Dezhou Huaheng Environmental Protection Technology Co ltd
Priority to CN202310559375.0A priority Critical patent/CN116310772B/zh
Publication of CN116310772A publication Critical patent/CN116310772A/zh
Application granted granted Critical
Publication of CN116310772B publication Critical patent/CN116310772B/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
    • G06V20/05—Underwater scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及光谱图像处理技术领域，具体涉及基于多光谱图像的水环境污染识别方法。该方法包括：获得水体区域的多光谱图像，确定多光谱图像中的敏感波段，获取目标像素点在敏感波段内的反射率，进而获取反射率下降特征值；根据反射率下降特征值获取水华敏感度，根据水华敏感度，获得敏感像素点；获取敏感像素点数量与位置来构建水华位置特征值；根据水华敏感度、敏感像素点数量以及水华位置特征值获得水华显著值，根据水华显著值对水体区域是否出现水环境污染进行过识别。本发明对水体区域的多光谱图像进行处理，采用图像处理的方式，实现水环境污染识别，提高图像处理的准确性，以及水环境污染识别的准确性。

Description

基于多光谱图像的水环境污染识别方法
技术领域
本发明涉及光谱图像处理技术领域，具体涉及基于多光谱图像的水环境污染识别方法。
背景技术
水体富营养化指的是水体中N、P等营养盐含量过多而引起的水质污染现象，是一种水环境污染。水中营养盐过多会导致水生态系统物种分布失衡，单一物种疯长，破坏系统的物质与能量的流动，会使整个水生态系统逐渐走向灭亡，所以需要及时对水环境的状态进行识别，在出现水环境污染时及时发现、及时采取防护措施。
现有技术中通过遥感数据主要为获取待测水域的多光谱或高光谱遥感数据，根据对应波段检测水中的叶绿素浓度以及各类营养盐浓度等，构建相关模型判断水体的影响指数，提升了识别精度，但检测结果受到模型选取的影响较大且计算和分析过程繁杂，在检测的过程中数据可能会出现误差，导致检测结果不准确，且模型的构建过程考虑了水域周围人类影响和环境影响，只针对于某一特定地点，推广较难。同时，未考虑到水体出现富营养化时出现的水华等特征在空间上的分布特征，使得识别结果误差更大。
发明内容
为了解决上述对水域检测过程复杂且考虑不周，导致水域富营养化的识别存在误差以及难以对不同水域进行分析的技术问题，本发明的目的在于提供基于多光谱图像的水环境污染识别方法，所采用的技术方案具体如下：
本发明提出了基于多光谱图像的水环境污染识别方法，方法包括：
获得水体区域的多光谱图像，将表示所述水体区域的像素点作为目标像素点；
确定所述多光谱图像中水华像素点的至少两段敏感波段，其中，所述水华像素点属于所述目标像素点；每间隔设定波长获取每个目标像素点在所述敏感波段内对应的反射率，根据所述反射率的变化获取所述目标像素点在每段所述敏感波段下的反射率下降特征值；
根据所有所述敏感波段下的反射率下降特征值获取所述目标像素点的水华敏感度，根据所述水华敏感度对所述目标像素点进行筛选，获得敏感像素点；
获取所述水体区域中所述敏感像素点数量与位置来构建水华位置特征值；
根据所述水华敏感度、所述敏感像素点数量以及所述水华位置特征值获得水华显著值，根据所述水华显著值对所述水体区域是否出现水环境污染进行识别；
所述敏感像素点的获取方法，包括：
将每个目标像素点的水华敏感度，根据对应目标像素点的位置构成的区域，作为水化敏感区域；通过最大类间方差法获得水化敏感区域的划分阈值，将水华敏感度大于划分阈值的目标像素点作为敏感像素点。
进一步地，所述确定所述多光谱图像中水华像素点的至少两段敏感波段的方法，包括：
根据水体富营养化特征，确定水华像素点在多光谱图像中的三段敏感波段，其中，前两段敏感波段对应的反射率呈递减趋势，最后一段敏感波段对应的反射率呈递增趋势。
进一步地，所述反射率下降特征值的获取方法，包括：
分别将三段敏感波段中的反射率按照获取的先后顺序进行排列，计算相邻反射率之间的差值，进而分别获取三段敏感波段中的相邻反射率的差值均值作为第一值；
设置位置阈值，分别将三段敏感波段中的反射率进行升序排序，获得每段敏感波段的反射率序列；分别获取三段反射率序列中位于位置阈值的反射率作为对应敏感波段的整体基础值，分别获取三段敏感波段中的反射率与整体基础值的差值均值作为第二值；
将前两段敏感波段对应的第一值与第二值相加的结果分别作为第一反射率下降特征值、第二反射率下降特征值，将最后一段敏感波段对应的第一值与第二值相减的结果作为第三反射率下降特征值。
进一步地，所述水华敏感度的获取方法，包括：
获取最后一段敏感波段中的最后一个反射率作为反射率波峰值；
获取第一反射率下降特征值与第二反射率下降特征值的和作为第一结果；
将第三反射率下降特征值进行负相关映射并归一化，所得的结果作为第二结果；
将第一结果与第二结果的乘积作为第三结果，将第三结果与反射率波峰值相加的结果作为水华敏感度。
进一步地，所述水华位置特征值的获取方法，包括：
将水体区域从最外层的闭合区域向内进行分层，获取每层中的所有像素点数量与敏感像素点数量，计算每层中的敏感像素点数量与所有像素点数量的比值，将敏感像素点数量与所有像素点数量的比值大于预设比值阈值的层作为水华参考层；
将敏感像素点数量分别按照层数正序和层数倒序进行排列，获得两组序列，计算两组序列之间的皮尔逊相关系数；
根据皮尔逊相关系数、敏感像素点的数量以及每个水华参考层中的敏感像素点数量与所有像素点数量的比值获取水华位置特征值。
进一步地，所述水华位置特征值的获取方法，包括：
根据水华位置特征值公式获得所述水华位置特征值，所述水华位置特征值公式为：
Figure SMS_1
其中，
Figure SMS_2
为水华参考层的数量；
Figure SMS_7
水体区域第
Figure SMS_9
层闭合区域中的敏感像素点数 量；
Figure SMS_4
为水体区域中所有像素点数量；
Figure SMS_5
为水体区域第
Figure SMS_8
层中敏感像素点数量与所有像素点 数量的比值；
Figure SMS_11
为第
Figure SMS_3
层对应的层数值；
Figure SMS_6
为皮尔逊相关系数；
Figure SMS_10
为常数系数。
进一步地，所述水华显著值的获取方法，包括：
将水体区域中的所有目标像素点的水华敏感度相加的结果作为第四结果；
获取水体区域中所有敏感像素点的数量作为第一数量；
计算第四结果与第一数量的比值作为第五结果，将第五结果与水华位置特征值的乘积作为水华显著值。
进一步地，所述根据所述水华显著值对所述水体区域是否出现水环境污染进行识别的方法，包括：
对水华显著值进行归一化处理，获得归一化后的水华显著值；
设置第一值域系数与第二值域系数，且第一值域系数小于第二值域系数；
当归一化后的水华显著值小于第一值域系数时，水体区域没有出现水环境污染；
当归一化后的水华显著值大于等于第一值域系数且小于第二值域系数时，水体区域出现了轻度水体富营养化；
当归一化后的水华显著值大于等于第二值域系数时，水体区域出现了重度水体富营养化。
本发明具有如下有益效果：获得水体区域的多光谱图像，将表示水体区域的像素点作为目标像素点，便于后续对水体区域进行分析；确定多光谱图像中水华像素点的至少两段敏感波段，对敏感波段进行分析，可以更准确的确定水体区域中的水华像素点，提高了对水体区域检测的准确率；其中，水华像素点属于目标像素点，每间隔设定波长获取每个目标像素点在敏感波段内对应的反射率，便于分析敏感波段对应的反射率的特征；根据反射率的变化获取目标像素点在每段敏感波段下的反射率下降特征值，根据反射率下降特征值确定敏感波段对应的反射率的变化趋势；根据所有敏感波段下的反射率下降特征值获取目标像素点的水华敏感度，进而确定可能为水华像素点的目标像素点，对水体区域是否发生水污染进行初步判断；根据水华敏感度对目标像素点进行筛选，获得敏感像素点，更进一步分析水体区域是否发生了水污染，提高了检测的精度；获取水体区域中敏感像素点数量与位置来构建水华位置特征值，从水体区域的空间上进行分析水体区域是否发生水污染，增强水体区域检测结果的准确性；根据水华敏感度、敏感像素点数量以及水华位置特征值获得水华显著值，根据水华显著值判断水体区域是否出现水环境污染；本发明对水体区域的多光谱图像进行处理，采用图像处理的方式，实现水环境污染识别，提高图像处理的准确性，以及水环境污染识别的准确性，而且直接分析水体区域中的水华像素点，使得识别的过程更清晰明了，适用于对任何水体区域直接进行水环境识别。
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为本发明一个实施例所提供的基于多光谱图像的水环境污染识别方法的流程示意图；
图2为本发明一个实施例所提供的波段-反射率变化曲线图。
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一种基于多光谱图像的水环境污染识别方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。
下面结合附图具体的说明本发明所提供的一种基于多光谱图像的水环境污染识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于多光谱图像的水环境污染识别方法的流程示意图，该方法包括以下步骤：
步骤S1：获得水体区域的多光谱图像，将表示水体区域的像素点作为目标像素点。
具体的，使用无人机搭载多光谱相机获取待测的水体区域的多光谱图像。在获取遥感数据时，为了调整几何精度、提高遥感数据质量，对获取的遥感数据进行几何校正、大气校正。同时，对获取的遥感数据使用mNDWI指数进行水体单元遥感提取，更能准确的获取待测的水体区域。将水体区域对应的像素点作为目标像素点并进行标记，对标记的目标像素点进行分析；未标记的像素点即对应陆地位置，不在本实施例的分析范围内。
步骤S2：确定多光谱图像中水华像素点的至少两段敏感波段，其中，水华像素点属于目标像素点；每间隔设定波长获取每个目标像素点在敏感波段内对应的反射率，根据反射率的变化获取目标像素点在每段敏感波段下的反射率下降特征值。
根据水体富营养化特征，确定水华像素点在多光谱图像中的三段敏感波段，其中，前两段敏感波段对应的反射率呈递减趋势，最后一段敏感波段对应的反射率呈递增趋势。获取三段敏感波段的具体过程如下：
当水体区域出现水体富营养化时，水体区域中的浮游藻类会大量繁殖形成水华，水华是出现在水体区域中，因此，水华像素点属于目标像素点。请参阅图2，其示出了本发明一个实施例所提供的波段-反射率变化曲线图，水华和水草作为水体区域中的污染信息，对应的光谱曲线波动比较大，并且在某些特殊的波段呈现独特的反射率变化特征；两条正常水体对应的光谱曲线较为平缓；正常水体的反射率变化曲线与水华的反射率变化曲线在一定的波段内存在较为明显的差异，并且一般水华和高浓度水华之间的曲线差异也较为明显，水华浓度越高，则在某些敏感波段中反射率的变化越明显。由图2可知，水华像素点具有特定的光谱曲线特征：波段范围在550-600纳米之间反射率对应一处凸起的反射峰值，波段范围在650-700纳米之间反射率对应一处凹起的吸收谷，波段范围在700纳米以后反射率呈现陡坡状提升。因此将550-600nm波段、650-675nm波段、700-750nm波段作为水华像素点的敏感波段，其中，敏感波段550-600nm和敏感波段650-675nm这两段敏感波段对应的反射率在多光谱图像中呈递减趋势，敏感波段700-750nm对应的反射率在多光谱图像中呈递增趋势。通过这三段敏感波段对应的反射率来明显区分水华像素点与正常水体的目标像素点。
分别将三段敏感波段中的反射率按照获取的先后顺序进行排列，计算相邻反射率之间的差值，进而分别获取三段敏感波段中的相邻反射率的差值均值作为第一值；设置位置阈值，分别将三段敏感波段中的反射率进行升序排序，获得每段敏感波段的反射率序列；分别获取三段反射率序列中位于位置阈值的反射率作为对应敏感波段的整体基础值，分别获取三段敏感波段中的反射率与整体基础值的差值均值作为第二值；将前两段敏感波段对应的第一值与第二值相加的结果分别作为第一反射率下降特征值、第二反射率下降特征值，将最后一段敏感波段对应的第一值与第二值相减的结果作为第三反射率下降特征值。获取每个目标像素点的第一反射率下降特征值、第二反射率下降特征值和第三反射率下降特征值的具体方法如下：
作为一个示例，任意选取一个目标像素点，在多光谱图像上获取该目标像素点在 敏感波段对应的反射率。获取该目标像素点在敏感波段550-600nm对应的反射率：从550nm 对应的反射率开始获取，波长每间隔5nm，获取一次敏感波段对应的反射率，将获取的反射 率按照获取的先后顺序进行排列，分别记为
Figure SMS_14
，其中
Figure SMS_16
为第1次获取的反射率，
Figure SMS_21
为第2次获取的反射率，
Figure SMS_15
为第11次获取的反射率。获取该目标像素点在敏感波段650- 675nm对应的反射率：从650nm对应的反射率开始获取，波长每间隔5nm，获取一次敏感波段 对应的反射率，将获取的反射率按照获取的先后顺序进行排列，分别记为
Figure SMS_17
， 其中，
Figure SMS_19
为第12次获取的反射率，
Figure SMS_22
为第13次获取的反射率，
Figure SMS_12
为第17次获取的反 射率。获取该目标像素点在敏感波段700-750nm对应的反射率：从700nm对应的反射率开始 获取，波长每间隔5nm，获取一次敏感波段对应的反射率，将获取的反射率按照获取的先后 顺序进行排列，分别记为
Figure SMS_18
，其中，
Figure SMS_20
为第18次获取的反射率，
Figure SMS_23
为 第19次获取的反射率，
Figure SMS_13
为第28次获取的反射率。
若该目标像素点为水华像素点，根据水华像素点的光谱曲线特征可知：在敏感波 段550-600nm和敏感波段650-675nm中，对应的反射率有明显下降的特征，所以随着获取的 反射率角标的增加，反射率逐渐下降；在敏感波段700-750nm中，对应的反射率呈现陡坡状 提升的特征，所以随着获取的反射率角标的增加，反射率逐渐上升，且水华浓度越大，波长 为750nm对应的反射率
Figure SMS_24
的反射率波峰值越大。三段敏感波段对应的反射率的特征虽然 不相同，但相较于水华像素点在其他不同波段对应的反射率来说，敏感波段对应的反射率 总体维持在较高的水平上。
将三段敏感波段中的反射率分别按照反射率从小到大的顺序进行排列，获得对应的三组反射率序列，本发明实施例中设置的位置阈值为40%，分别获取三组反射率序列中位于每组反射率序列中反射率数量占比的第前40%对应的反射率作为每段敏感波段的整体基础值。
根据敏感波段550-600nm中的反射率和整体基础值，获取敏感波段550-600nm的第 一反射率下降特征值，第一反射率下降特征值
Figure SMS_25
的公式为：
Figure SMS_26
其中，
Figure SMS_27
为敏感波段550-600nm中的第
Figure SMS_28
个反射率；
Figure SMS_29
为敏感波段550-600nm 中的第
Figure SMS_30
个反射率；
Figure SMS_31
为敏感波段550-600nm的整体基础值；
Figure SMS_32
为敏感波段550- 600nm获取的反射率数量，这里为11；
Figure SMS_33
为第一反射率下降特征值。
需要说明的是，
Figure SMS_34
越大，说明相邻反射率之间的差值越大，反射率下 降程度越大，
Figure SMS_35
越大；
Figure SMS_36
越大，说明敏感波段550-600nm获取的反射率与整体基础 值的差值越大，敏感波段550-600nm在整体多光谱图像中下降程度越大，
Figure SMS_37
越大；因此，
Figure SMS_38
越大，敏感波段550-600nm对应的反射率下降程度越大。
根据敏感波段650-675nm中的反射率和整体基础值，获取敏感波段650-675nm的第 二反射率下降特征值，第二反射率下降特征值
Figure SMS_39
的公式为：
Figure SMS_40
其中，
Figure SMS_41
为敏感波段650-675nm中的第
Figure SMS_42
个反射率；
Figure SMS_43
为敏感波段650-675nm 中的第
Figure SMS_44
个反射率；
Figure SMS_45
为敏感波段650-675nm的整体基础值；
Figure SMS_46
为敏感波段650- 675nm获取的反射率数量，这里为6；
Figure SMS_47
为第二反射率下降特征值。
需要说明的是，
Figure SMS_48
越大，说明相邻反射率之间的差值越大，反射率下降 程度越大，
Figure SMS_49
越大；
Figure SMS_50
越大，说明敏感波段650-675nm获取的反射率与整体基础值 的差值越大，敏感波段650-675nm在整体多光谱图像中下降程度越大，
Figure SMS_51
越大；因此，
Figure SMS_52
越大，敏感波段650-675nm对应的反射率下降程度越大。
根据敏感波段700-750nm中的反射率和整体基础值，获取敏感波段700-750nm的第 三反射率下降特征值，第三反射率下降特征值
Figure SMS_53
的公式为：
Figure SMS_54
其中，
Figure SMS_55
为敏感波段700-750nm中的第
Figure SMS_56
个反射率；
Figure SMS_57
为敏感波段700-750nm 中的第
Figure SMS_58
个反射率；
Figure SMS_59
为敏感波段700-750nm的整体基础值；
Figure SMS_60
为敏感波段700- 750nm获取的反射率数量，这里为11；
Figure SMS_61
为第三反射率下降特征值。
需要说明的是，
Figure SMS_62
越小，说明相邻反射率之间的差值越大，反射率上升 程度越大，
Figure SMS_63
越小；
Figure SMS_64
越大，说明敏感波段700-750nm获取的反射率与整体基础 值的差值越大，敏感波段700-750nm在整体多光谱图像中上升程度越大，
Figure SMS_65
越小；因此，
Figure SMS_66
越小，敏感波段700-750nm对应的反射率上升程度越大。
根据获取该目标像素点的第一反射率下降特征值、第二反射率下降特征值和第三反射率下降特征值的方法，获取每个目标像素点对应的第一反射率下降特征值、第二反射率下降特征值和第三反射率下降特征值。
步骤S3：根据所有敏感波段下的反射率下降特征值获取目标像素点的水华敏感度，根据水华敏感度对目标像素点进行筛选，获得敏感像素点。
获取水华敏感度的方法为：获取最后一段敏感波段中的最后一个反射率作为反射率波峰值；获取第一反射率下降特征值与第二反射率下降特征值的和作为第一结果；将第三反射率下降特征值进行负相关映射并归一化，所得的结果作为第二结果；将第一结果与第二结果的乘积作为第三结果，将第三结果与反射率波峰值相加的结果作为水华敏感度。
作为一个示例，以任意一个目标像素点为例，根据该目标像素点的第一反射率下 降特征值、第二反射率下降特征值和第三反射率下降特征值获取该目标像素点的水华敏感 度，水华敏感度
Figure SMS_67
的公式为：
Figure SMS_68
其中，
Figure SMS_69
为第一反射率下降特征值；
Figure SMS_70
为第二反射率下降特征值；
Figure SMS_71
为第 三反射率下降特征值；
Figure SMS_72
为反射率波峰值；
Figure SMS_73
为水华敏感度；
Figure SMS_74
为以自然常数e为底数的 指数函数。
需要说明的是，水华敏感度反映了该目标像素点根据水华的光谱特征反映出的为 水华像素点的可能性，当该目标像素点对应的水华特征光谱的特征越为明显，则该目标像 素点对应的水华敏感度越大，即该目标像素点越可能为水华像素点，故第一结果
Figure SMS_75
越大，反射率下降程度越大，该目标像素点越可能为水华像素点，
Figure SMS_76
越大；
Figure SMS_77
越小，反射率 上升程度越大，该目标像素点越可能为水华像素点；
Figure SMS_78
越大，该目标像素点越可能为水 华像素点且水华的浓度越大，
Figure SMS_79
越大；因此，
Figure SMS_80
越大，该目标像素点对应的水华像素点的特征 越多，该目标像素点越可能为水华像素点。
根据获取该目标像素点的水华敏感度的方法，获取水体区域中的每个目标像素点对应的水华敏感度。
将每个目标像素点的水华敏感度，根据对应目标像素点的位置构成的区域，作为水化敏感区域；通过最大类间方差法获得水化敏感区域的划分阈值，将水华敏感度大于划分阈值的目标像素点作为敏感像素点。敏感像素点为水体区域中最可能的水华像素点，根据敏感像素点的位置推测可能发生水华的位置。其中，最大类间方差法是公知技术，这里不再进行过多的赘述。
步骤S4：获取水体区域中敏感像素点数量与位置来构建水华位置特征值。
具体的，当水体区域没有出现水华时，仍会筛选出一部分敏感像素点，所以需要敏感像素点继续进行分析，判断敏感像素点是否具有水华像素点的其他明显的特征，进而判断水体区域是否出现了水华。水华为水体区域内的浮游藻类大量繁殖形成的，浮游藻类在水中漂浮，在风浪、水流等的扰动下浮游藻类会出现碰撞，使浮游藻类团增大，同时更易上浮到水面上形成表面可见的水华。但浮游藻类的位置并不固定，还是会随着风浪、水流等的影响四处漂移，只有在靠近岸边等固定位置时才会基本固定位置。因为，岸边的水流与岸边相互拍打，且风浪等扰动较大，容易使浮游藻类固定在岸边，所以水华出现在岸边的概率较大。
将水体区域从最外层的闭合区域向内进行分层，获取每层中的所有像素点数量与敏感像素点数量，计算每层中的敏感像素点数量与所有像素点数量的比值，将敏感像素点数量与所有像素点数量的比值大于预设比值阈值的层作为水华参考层；将敏感像素点数量分别按照层数正序和层数倒序进行排列，获得两组序列，计算两组序列之间的皮尔逊相关系数；根据皮尔逊相关系数、敏感像素点的数量以及每个水华参考层中的敏感像素点数量与所有像素点数量的比值获取水华位置特征值。获取水华位置特征值的具体操作为：
将水与岸的交界作为围成水体区域的最外层闭合区域，从水体区域最外层的闭合 区域开始向水体区域的内部逐步进行分层，一个像素点为一层闭合区域的宽度。将最外层 的闭合区域的像素点作为第一像素点集合，第二层闭合区域的像素点作为第二像素点集 合，第三层闭合区域的像素点作为第三像素点集合…最内层闭合区域的像素点作为第
Figure SMS_83
像 素点集合。获取第一像素点集合中的敏感像素点数量为
Figure SMS_86
，敏感像素点数量
Figure SMS_89
与第一像 素点集合内的所有像素点数量的比值为
Figure SMS_82
；第二像素点集合中的敏感像素点数量为
Figure SMS_88
， 敏感像素点数量
Figure SMS_90
与第二像素点集合内的所有像素点数量的比值为
Figure SMS_95
；第三像素点集合 中的敏感像素点数量为
Figure SMS_81
，敏感像素点数量
Figure SMS_85
与第三像素点集合内的所有像素点数量 的比值为
Figure SMS_91
…第
Figure SMS_94
像素点集合中的敏感像素点数量为
Figure SMS_84
，敏感像素点数量
Figure SMS_87
与第
Figure SMS_92
像 素点集合内的所有像素点数量的比值为
Figure SMS_93
。
将水体区域中每层闭合区域对应的敏感像素点数量分别按照层数正序和层数倒序进行排列，获得两组序列，根据两组序列获取两组序列之间的皮尔逊相关系数。皮尔逊相关系数的值域在-1与1之间，当两组序列对应的同一个位置上的两个数值之间的差异越大，说明两组序列之间的相关性越小或者相关性相反，获得的皮尔逊相关系数越小，越接近-1。当水体区域内发生了水华时，水华对应的浮游藻类在岸边比较多，因此敏感像素点在较外侧的闭合区域中较多，在内层的闭合区域中敏感像素点的数量较少，即层数正序的序列应是一个递减序列，而层数倒序的序列应是一个相反的递增序列，因此对应的两组序列的同一个位置上的敏感像素点数量差值越大，两组序列之间的相关性越小，对应的皮尔逊相关系数就越小，越接近-1，表示两个序列呈明显的负相关关系。
其中，皮尔逊相关系数的获取是公知技术，这里不再进行过多赘述。
若水体区域内发生了水华，水面上漂浮的少量浮游藻类可能会影响每层中的敏感像素点数量与所有像素点数量的比值大小，因此，本发明实施例将每层中的敏感像素点数量与所有像素点数量的比值进行限定，本发明实施例中设置的预设比值阈值为0.6，将敏感像素点数量与所有像素点数量的比值大于预设比值阈值的层作为水华参考层，以水华参考层对应的敏感像素点数量与所有像素点数量的比值来考虑水体区域中的敏感像素点总数量与敏感像素点的位置。
根据皮尔逊相关系数、敏感像素点的数量以及每个水华参考层中的敏感像素点数 量与所有像素点数量的比值获取水华位置特征值，水华位置特征值
Figure SMS_96
公式为：
Figure SMS_97
其中，
Figure SMS_99
为水华参考层的数量；
Figure SMS_103
为水体区域第
Figure SMS_106
层闭合区域中的敏感像素点 数量；
Figure SMS_100
为水体区域中所有像素点数量；
Figure SMS_102
为水体区域第
Figure SMS_105
层中敏感像素点数量与所有像素 点数量的比值；
Figure SMS_107
为第
Figure SMS_98
层对应的层数值；
Figure SMS_101
为皮尔逊相关系数；
Figure SMS_104
为常数系数，这里为1。
需要说明的是，水华位置特征值反映了敏感像素点的位置分布呈现出的水华靠岸 边分布特征的显著程度，当越多的敏感像素点位于水体区域越靠近边缘的位置时，水体区 域对应的水华位置特征值越大，即敏感像素点越可能为水华像素点，水体区域越可能出现 了水环境污染，故
Figure SMS_108
越大，敏感像素点数量越多，水体区域内发生水华的可能性越大，
Figure SMS_109
越 大；
Figure SMS_110
越大，间接说明敏感像素点数量越多，水体区域内发生水华的可能性越大，
Figure SMS_111
越大；
Figure SMS_112
越小，说明敏感像素点的位置越符合水华像素点的排列位置，敏感像素点越可能为水华像 素点，
Figure SMS_113
越大；因此，
Figure SMS_114
越大，敏感像素点越可能为水华像素点，水体区域越可能出现水环境污 染。
步骤S5：根据水华敏感度、敏感像素点数量以及水华位置特征值获得水华显著值，根据水华显著值对水体区域是否出现水环境污染进行识别。
获取水华显著值的过程为：将水体区域中的所有目标像素点的水华敏感度相加的 结果作为第四结果；获取水体区域中所有敏感像素点的数量作为第一数量；计算第四结果 与第一数量的比值作为第五结果，将第五结果与水华位置特征值的乘积作为水华显著值。 水华显著值
Figure SMS_115
的公式为：
Figure SMS_116
其中，
Figure SMS_118
为水体区域中目标像素点数量；
Figure SMS_120
为第
Figure SMS_122
个目标像素点的水华敏感度；
Figure SMS_117
为 水体区域的分层数量；
Figure SMS_121
为水体区域第
Figure SMS_123
层闭合区域中的敏感像素点数量；
Figure SMS_124
为水华位置特 征值；
Figure SMS_119
为水华显著值。
需要说明的是，
Figure SMS_125
越大，目标像素点越可能为水华像素点，
Figure SMS_129
越大；
Figure SMS_131
越大，敏感 像素点的数量越多，
Figure SMS_126
越小；第五结果
Figure SMS_128
越大，水体区域中的像素点越可能为水华 像素点，水体区域越可能发生了水环境污染，
Figure SMS_132
越大；
Figure SMS_133
越大，水体区域中的敏感像素点的位 置越符合水华像素点的位置特征，敏感像素点越可能为水华像素点，
Figure SMS_127
越大；因此，
Figure SMS_130
越大， 水体区域越容易发生了水环境污染。
对水华显著值进行归一化处理，获得归一化后的水华显著值；设置第一值域系数与第二值域系数，且第一值域系数小于第二值域系数；当归一化后的水华显著值小于第一值域系数时，水体区域没有出现水环境污染；当归一化后的水华显著值大于等于第一值域系数且小于第二值域系数时，水体区域出现了轻度水体富营养化；当归一化后的水华显著值大于等于第二值域系数时，水体区域出现了重度水体富营养化。
归一化后的水华显著值的值域在
Figure SMS_134
范围内，本发明实施例中设置第一值域系数 为0.5，设置第二值域系数为0.7。
当归一化后的水华显著值小于第一值域系数时，说明水体区域没有出现水环境污染；当归一化后的水华显著值大于等于第一值域系数且小于第二值域系数时，说明水体区域出现了轻度水体富营养化；当归一化后的水华显著值大于等于第二值域系数时，说明水体区域出现了重度水体富营养化。
至此，完成对水体区域的水环境污染识别。
综上所述，本发明实施例获得水体区域的多光谱图像，确定多光谱图像中的敏感波段，获取目标像素点在敏感波段内的反射率，进而获取反射率下降特征值；根据反射率下降特征值获取水华敏感度，根据水华敏感度，获得敏感像素点；获取敏感像素点数量与位置来构建水华位置特征值；根据水华敏感度、敏感像素点数量以及水华位置特征值获得水华显著值，根据水华显著值对水体区域是否出现水环境污染进行过识别。本发明对水体区域的多光谱图像进行处理，采用图像处理的方式，实现水环境污染识别，提高图像处理的准确性，以及水环境污染识别的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.基于多光谱图像的水环境污染识别方法，其特征在于，该方法包括以下步骤：
获得水体区域的多光谱图像，将表示所述水体区域的像素点作为目标像素点；
确定所述多光谱图像中水华像素点的至少两段敏感波段，其中，所述水华像素点属于所述目标像素点；每间隔设定波长获取每个目标像素点在所述敏感波段内对应的反射率，根据所述反射率的变化获取所述目标像素点在每段所述敏感波段下的反射率下降特征值；
根据所有所述敏感波段下的反射率下降特征值获取所述目标像素点的水华敏感度，根据所述水华敏感度对所述目标像素点进行筛选，获得敏感像素点；
获取所述水体区域中所述敏感像素点数量与位置来构建水华位置特征值；
根据所述水华敏感度、所述敏感像素点数量以及所述水华位置特征值获得水华显著值，根据所述水华显著值对所述水体区域是否出现水环境污染进行识别；
所述敏感像素点的获取方法，包括：
将每个目标像素点的水华敏感度，根据对应目标像素点的位置构成的区域，作为水化敏感区域；通过最大类间方差法获得水化敏感区域的划分阈值，将水华敏感度大于划分阈值的目标像素点作为敏感像素点。
2.如权利要求1所述的基于多光谱图像的水环境污染识别方法，其特征在于，所述确定所述多光谱图像中水华像素点的至少两段敏感波段的方法，包括：
根据水体富营养化特征，确定水华像素点在多光谱图像中的三段敏感波段，其中，前两段敏感波段对应的反射率呈递减趋势，最后一段敏感波段对应的反射率呈递增趋势。
3.如权利要求2所述的基于多光谱图像的水环境污染识别方法，其特征在于，所述反射率下降特征值的获取方法，包括：
分别将三段敏感波段中的反射率按照获取的先后顺序进行排列，计算相邻反射率之间的差值，进而分别获取三段敏感波段中的相邻反射率的差值均值作为第一值；
设置位置阈值，分别将三段敏感波段中的反射率进行升序排序，获得每段敏感波段的反射率序列；分别获取三段反射率序列中位于位置阈值的反射率作为对应敏感波段的整体基础值，分别获取三段敏感波段中的反射率与整体基础值的差值均值作为第二值；
将前两段敏感波段对应的第一值与第二值相加的结果分别作为第一反射率下降特征值、第二反射率下降特征值，将最后一段敏感波段对应的第一值与第二值相减的结果作为第三反射率下降特征值。
4.如权利要求3所述的基于多光谱图像的水环境污染识别方法，其特征在于，所述水华敏感度的获取方法，包括：
获取最后一段敏感波段中的最后一个反射率作为反射率波峰值；
获取第一反射率下降特征值与第二反射率下降特征值的和作为第一结果；
将第三反射率下降特征值进行负相关映射并归一化，所得的结果作为第二结果；
将第一结果与第二结果的乘积作为第三结果，将第三结果与反射率波峰值相加的结果作为水华敏感度。
5.如权利要求1所述的基于多光谱图像的水环境污染识别方法，其特征在于，所述水华位置特征值的获取方法，包括：
将水体区域从最外层的闭合区域向内进行分层，获取每层中的所有像素点数量与敏感像素点数量，计算每层中的敏感像素点数量与所有像素点数量的比值，将敏感像素点数量与所有像素点数量的比值大于预设比值阈值的层作为水华参考层；
将敏感像素点数量分别按照层数正序和层数倒序进行排列，获得两组序列，计算两组序列之间的皮尔逊相关系数；
根据皮尔逊相关系数、敏感像素点的数量以及每个水华参考层中的敏感像素点数量与所有像素点数量的比值获取水华位置特征值。
6.如权利要求5所述的基于多光谱图像的水环境污染识别方法，其特征在于，所述水华位置特征值的获取方法，包括：
根据水华位置特征值公式获得所述水华位置特征值，所述水华位置特征值公式为：
Figure QLYQS_1
其中，
Figure QLYQS_3
为水华参考层的数量；/>
Figure QLYQS_7
水体区域第/>
Figure QLYQS_10
层闭合区域中的敏感像素点数量；/>
Figure QLYQS_2
为水体区域中所有像素点数量；/>
Figure QLYQS_6
为水体区域第/>
Figure QLYQS_9
层中敏感像素点数量与所有像素点数量的比值；/>
Figure QLYQS_11
为第/>
Figure QLYQS_4
层对应的层数值；/>
Figure QLYQS_5
为皮尔逊相关系数；/>
Figure QLYQS_8
为常数系数。
7.如权利要求1所述的基于多光谱图像的水环境污染识别方法，其特征在于，所述水华显著值的获取方法，包括：
将水体区域中的所有目标像素点的水华敏感度相加的结果作为第四结果；
获取水体区域中所有敏感像素点的数量作为第一数量；
计算第四结果与第一数量的比值作为第五结果，将第五结果与水华位置特征值的乘积作为水华显著值。
8.如权利要求1所述的基于多光谱图像的水环境污染识别方法，其特征在于，所述根据所述水华显著值对所述水体区域是否出现水环境污染进行识别的方法，包括：
对水华显著值进行归一化处理，获得归一化后的水华显著值；
设置第一值域系数与第二值域系数，且第一值域系数小于第二值域系数；
当归一化后的水华显著值小于第一值域系数时，水体区域没有出现水环境污染；
当归一化后的水华显著值大于等于第一值域系数且小于第二值域系数时，水体区域出现了轻度水体富营养化；
当归一化后的水华显著值大于等于第二值域系数时，水体区域出现了重度水体富营养化。
CN202310559375.0A 2023-05-18 2023-05-18 基于多光谱图像的水环境污染识别方法 Active CN116310772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310559375.0A CN116310772B (zh) 2023-05-18 2023-05-18 基于多光谱图像的水环境污染识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310559375.0A CN116310772B (zh) 2023-05-18 2023-05-18 基于多光谱图像的水环境污染识别方法

Publications (2)

Publication Number Publication Date
CN116310772A true CN116310772A (zh) 2023-06-23
CN116310772B CN116310772B (zh) 2023-07-28

Family

ID=86799968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310559375.0A Active CN116310772B (zh) 2023-05-18 2023-05-18 基于多光谱图像的水环境污染识别方法

Country Status (1)

Country Link
CN (1) CN116310772B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030634A (zh) * 2023-10-09 2023-11-10 深圳市盘古环保科技有限公司 一种地下水污染快速检测修复方法
CN117907285A (zh) * 2024-01-19 2024-04-19 赛铱高(西安)生物科技有限公司 一种口腔消毒机电解液的精确配比方法及系统
CN118278829A (zh) * 2024-05-06 2024-07-02 生态环境部环境规划院 基于一维水质模拟方法的时空模拟展示系统
CN118269256A (zh) * 2024-05-31 2024-07-02 安达斯科技（大连）有限公司 一种混炼橡胶的炼胶工艺

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103743700A (zh) * 2014-01-17 2014-04-23 中国科学院南京地理与湖泊研究所 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法
CN105138994A (zh) * 2015-08-31 2015-12-09 中国科学院遥感与数字地球研究所 一种基于高光谱遥感图像的水华识别方法及装置
CN106442420A (zh) * 2016-09-21 2017-02-22 河海大学 一种定性与定量结合的水质监测方法
CN108458978A (zh) * 2018-03-13 2018-08-28 山东农业大学 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN109269988A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种氨氮的识别方法、装置、存储介质及设备
CN112232234A (zh) * 2020-10-20 2021-01-15 生态环境部卫星环境应用中心 基于遥感的内陆湖库蓝藻水华强度评价方法和装置
CN113899406A (zh) * 2021-10-26 2022-01-07 浙江大学 基于多光谱和时域反射的土壤多元污染物识别探头及方法
US20220404328A1 (en) * 2021-06-18 2022-12-22 Colorado State University Research Foundation Systems, methods, and devices for detecting harmful algal blooms
CN115695738A (zh) * 2022-12-30 2023-02-03 北京世纪农丰土地科技有限公司 一种生态保护修复中水体富营养化问题的监测系统
CN115859577A (zh) * 2022-11-17 2023-03-28 长江大学 基于气象预报的水华预警方法、装置、介质及设备
CN116129278A (zh) * 2023-04-10 2023-05-16 牧马人(山东)勘察测绘集团有限公司 一种基于遥感影像的土地利用分类识别系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103743700A (zh) * 2014-01-17 2014-04-23 中国科学院南京地理与湖泊研究所 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法
CN105138994A (zh) * 2015-08-31 2015-12-09 中国科学院遥感与数字地球研究所 一种基于高光谱遥感图像的水华识别方法及装置
CN106442420A (zh) * 2016-09-21 2017-02-22 河海大学 一种定性与定量结合的水质监测方法
CN108458978A (zh) * 2018-03-13 2018-08-28 山东农业大学 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN109269988A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种氨氮的识别方法、装置、存储介质及设备
CN112232234A (zh) * 2020-10-20 2021-01-15 生态环境部卫星环境应用中心 基于遥感的内陆湖库蓝藻水华强度评价方法和装置
US20220404328A1 (en) * 2021-06-18 2022-12-22 Colorado State University Research Foundation Systems, methods, and devices for detecting harmful algal blooms
CN113899406A (zh) * 2021-10-26 2022-01-07 浙江大学 基于多光谱和时域反射的土壤多元污染物识别探头及方法
CN115859577A (zh) * 2022-11-17 2023-03-28 长江大学 基于气象预报的水华预警方法、装置、介质及设备
CN115695738A (zh) * 2022-12-30 2023-02-03 北京世纪农丰土地科技有限公司 一种生态保护修复中水体富营养化问题的监测系统
CN116129278A (zh) * 2023-04-10 2023-05-16 牧马人(山东)勘察测绘集团有限公司 一种基于遥感影像的土地利用分类识别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOYI WANG 等: "The lake water bloom intelligent prediction method and water quality remote monitoring system", 《2010 SIXTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》, pages 3443 - 3446 *
封雷 等: "基于改进多层卷积神经网络的水体富营养化遥感监测算法研究", 《计算机科学》, pages 388 - 392 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030634A (zh) * 2023-10-09 2023-11-10 深圳市盘古环保科技有限公司 一种地下水污染快速检测修复方法
CN117030634B (zh) * 2023-10-09 2023-12-12 深圳市盘古环保科技有限公司 一种地下水污染快速检测修复方法
CN117907285A (zh) * 2024-01-19 2024-04-19 赛铱高(西安)生物科技有限公司 一种口腔消毒机电解液的精确配比方法及系统
CN118278829A (zh) * 2024-05-06 2024-07-02 生态环境部环境规划院 基于一维水质模拟方法的时空模拟展示系统
CN118269256A (zh) * 2024-05-31 2024-07-02 安达斯科技（大连）有限公司 一种混炼橡胶的炼胶工艺

Also Published As

Publication number Publication date
CN116310772B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116310772B (zh) 基于多光谱图像的水环境污染识别方法
CN110443806B (zh) 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
CN109781626B (zh) 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法
US8594375B1 (en) Advanced cloud cover assessment
CN112051226B (zh) 基于无人机载高光谱图像估算近海总悬浮物浓度的方法
CN110208193B (zh) 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法
US20130064420A1 (en) Automated system and method for optical cloud shadow detection over water
CN109284709B (zh) 一种基于耀光反射差异的海面溢油光学遥感检测方法
CN110100262B (zh) 用于从图像移除云的图像处理设备、方法和存储介质
CN112232234A (zh) 基于遥感的内陆湖库蓝藻水华强度评价方法和装置
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
Wang et al. Estimation of chlorophyll a content in inland turbidity waters using WorldView-2 imagery: a case study of the Guanting Reservoir, Beijing, China
CN111553922A (zh) 一种卫星遥感影像自动云检测方法
RU2750853C1 (ru) Способ выделения границ водных объектов и ареалов распространения воздушно-водной растительности по многоспектральным данным дистанционного зондирования Земли
CN114297938A (zh) 一种基于神经网络的光学浅水水底深度的反演方法
CN116295285A (zh) 基于区域自适应的浅海水深遥感反演方法
Moniruzzaman et al. Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey
Oguslu et al. Detection of seagrass scars using sparse coding and morphological filter
Hieronymi et al. Ocean color atmospheric correction methods in view of usability for different optical water types
Zhu et al. A change type determination method based on knowledge of spectral changes in land cover types
CN113936226B (zh) 一种基于遥感云计算的全球冰川搜索识别方法
CN111678883B (zh) 海上浒苔和马尾藻鉴别方法
CN116645593B (zh) 监测海草床分布的遥感方法、装置
Jung et al. Comparison of two feature selection methods for the separability analysis of intertidal sediments with spectrometric datasets in the German Wadden Sea
CN103049916A (zh) 一种基于光谱斜率差异检测地表覆盖变化的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant