CN116434065B - 全色几何校正遥感影像的水体分割方法 - Google Patents

全色几何校正遥感影像的水体分割方法 Download PDF

Info

Publication number
CN116434065B
CN116434065B CN202310423497.7A CN202310423497A CN116434065B CN 116434065 B CN116434065 B CN 116434065B CN 202310423497 A CN202310423497 A CN 202310423497A CN 116434065 B CN116434065 B CN 116434065B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
water body
full
region
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.)
Active
Application number
CN202310423497.7A
Other languages
English (en)
Other versions
CN116434065A (zh
Inventor
车程安
贺广均
梁颖
谢东海
冯鹏铭
田路云
金世超
上官博屹
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.)
Beijing Institute of Satellite Information Engineering
Original Assignee
Beijing Institute of Satellite Information Engineering
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 Beijing Institute of Satellite Information Engineering filed Critical Beijing Institute of Satellite Information Engineering
Priority to CN202310423497.7A priority Critical patent/CN116434065B/zh
Publication of CN116434065A publication Critical patent/CN116434065A/zh
Application granted granted Critical
Publication of CN116434065B publication Critical patent/CN116434065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种全色几何校正遥感影像的水体分割方法，包括：获取包含陆地和水域的原始全色遥感影像并进行预处理；根据预处理后的全色遥感影像的亮度和梯度确定保留的像素点；根据分辨率对像素点处理后的全色遥感影像进行图像腐蚀；利用种子点区域增长算法进行水体区域增长；剔除非水体区域。通过实施本发明的上述方案，通过全色几何校正遥感影像的亮度值、梯度值和水体目标区域整体形状的处理，可以快速高效地从全色几何校正遥感影像中提取出水体区域，不依赖于高性能的计算资源。

Description

全色几何校正遥感影像的水体分割方法
技术领域
本发明涉及遥感影像处理技术领域，尤其涉及一种全色几何校正遥感影像的水体分割方法。
背景技术
水体是人类社会十分重要的资源，快速准确地获取水体的位置信息对于国家资源管理、规划发展、灾难快速评估等方面具有重大意义。遥感影像的水体提取发展经历了几十年，经历了从最初的人工目视判断的方法，再到半自动化地利用空间信息以及纹理信息来辅助判断，再到目前最火热的基于深度学习的高精度水体识别，新技术层出不穷。
针对全色几何校正遥感影像水体分割，利用深度学习可以比较精准地提取出水体区域，但是利用深度学习的方法需要搜集大量的样本，精确标记水体分割样本，这不仅成本高而且周期较长，同时深度学习方法的训练过程也会消耗大量的计算资源，效率低下。只有对以上传统方法进行改进，可以快捷高效地实现全色遥感影像的水体分割。
发明内容
为解决上述现有技术存在的技术问题，本发明的目的在于提供一种全色几何校正遥感影像的水体分割方法，可以快速高效地从全色几何校正遥感影像中提取出水体区域，不依赖于高性能的计算资源。
为实现上述发明目的，本发明的技术方案是：
本发明实施例提供一种全色几何校正遥感影像的水体分割方法，包括：
获取包含陆地和水域的原始全色遥感影像并进行预处理；
根据预处理后的全色遥感影像的亮度和梯度确定保留的像素点；
根据分辨率对像素点处理后的全色遥感影像进行图像腐蚀；
利用种子点区域增长算法进行水体区域增长；
剔除非水体区域。
根据本发明实施例的一个方面，所述预处理的过程包括：
对所述原始全色遥感影像进行几何校正；
统计几何校正后的全色遥感影像中每个像素点的像素值，对所述像素值归一化处理后得到对应的亮度值；
去除所述亮度值全为0的黑边区域。
根据本发明实施例的一个方面，所述原始全色遥感影像的存储格式为16比特的无符号short类型。
根据本发明实施例的一个方面，所述根据预处理后的全色遥感影像的亮度和梯度确定保留的像素点，包括：
统计预处理后的全色遥感影像中每个像素点的亮度值和梯度值；
根据所述全色遥感影像中水体区域整体偏暗的特点确定亮度阈值，保留低于所述亮度阈值的亮度值对应的像素点；
根据所述全色遥感影像中水体区域平滑的特点确定梯度阈值，保留低于所述梯度阈值的梯度值对应的像素点。
根据本发明实施例的一个方面，所述梯度值基于Sobel算子计算，具体过程为分别在水平方向和垂直方向对每个像素进行3x3的Sobel空间滤波，再使用水平方向和垂直方向的滤波值按照如下公式得到梯度幅度值，
其中，Gx和Gy分别表示水平方向和垂直方向的滤波值。
根据本发明实施例的一个方面，所述亮度阈值设置为像素点的像素值归一化处理后得到最大亮度值的所述梯度阈值设置为基于Sobel算子计算得到的最大梯度幅度值的
根据本发明实施例的一个方面，所述根据分辨率对像素点处理后的全色遥感影像进行图像腐蚀，包括：
对所述全色遥感影像的分辨率和水体区域的尺寸进行计算，得出大小相匹配的卷积核；
将经过像素点处理的全色遥感影像分割为二值图像，所述二值图像的前景为表示可能水体像元的白色，背景为表示非水体像元的黑色；
使用卷积核对像素点处理后的全色遥感影像进行腐蚀操作，去掉面积较小的离散白色前景，保留面积较大的前景连续目标。
根据本发明实施例的一个方面，所述利用种子点区域增长算法进行水体区域增长，包括：
对经过腐蚀的全色遥感影像进行水体区域的轮廓提取；
在每个独立不相交的轮廓覆盖区域内随机提取白色的像素点作为种子点；
以八连通为准则，设定像素灰度差值在所述原始全色遥感影像中进行种子点区域增长，区域增长阈值为腐蚀后的前景区域的亮度值的均方差的两倍，按照3*3窗口的八连通区域不断增长，直至所有具有连通性且符合区域增长阈值要求的像元都被遍历完为止。
根据本发明实施例的一个方面，所述剔除非水体区域，包括：
对种子点区域增长得到的水体区域进行轮廓提取；
计算提取出的各部分水体区域的面积和长宽，剔除掉不符合条件的区域，剩余的轮廓包围区域即为得到的水体分割结果。
根据本发明实施例的一个方面，所述剔除条件为：计算出的水体区域的面积低于水体在图像中分布的面积阈值，且计算出的水体区域的长宽低于水体在图像中分布的长宽阈值。
与现有技术相比，本发明具有以下有益效果：
本发明实施例通过利用全色几何校正遥感影像的亮度值和梯度值进行图像初步处理并获取种子点，再通过种子点区域增长获取水体区域，最后通过轮廓提取来计算水体面积进而剔除掉不符合的水体区域。该方法实现了全色遥感影像数据中水体区域的快速而准确的提取，不要求高性能的计算资源，对全色遥感影像数据水体区域的快速提取有重大意义。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，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他的附图。
图1示意性表示本发明实施例公开的一种全色几何校正遥感影像的水体分割方法的流程图；
图2示意性表示本发明实施例公开的水体分割结果。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合，附图应作为完整的说明书的一部分。在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中各结构的部分将以分别描述进行说明，值得注意的是，图中未示出或未通过文字进行说明的元件，为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述，有关方向和方位的任何参考，均仅是为了便于描述，而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合，这些特征可能独立存在或者组合存在，本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
如图1所示，本实施例公开一种全色几何校正遥感影像的水体分割方法，具体包括如下步骤：
S110、获取包含陆地和水域的原始全色遥感影像并进行预处理。
本实施例中，步骤S110中预处理的过程包括：对包含陆地和水域的原始全色遥感影像进行几何校正，统计几何校正后的全色遥感影像中每个像素点的像素值，对像素值归一化处理后得到对应的亮度值。
进一步地，原始全色遥感影像的存储格式为16比特的无符号short类型。归一化时首先统计几何校正后的全色遥感影像中所有像素的最大值和最小值，并根据以下公式将所有像素值归一化为，
其中，PR为原始像素值，PN为归一化后的像素值，即亮度值，min_p和max_p分别为原始像素值中的最小值和最大值。
再根据黑边仅存在于影像边缘的特点，去除亮度值全为0的黑边区域。由于全色遥感影像在进行几何校正时需要进行旋转操作，导致图像的边缘区域出现亮度值为0的像素，这些像素在水体分割中是无效的，也会对水体的分割造成干扰，因此需要提前去掉。由于0时无符号类型的最小值，因此归一化后的像素值也为0，根据这个特点可以将几何校正后的全色影像的黑边去除，从而提高后续水体识别结果的准确性和效率。
S120、根据预处理后的全色遥感影像的亮度和梯度确定保留的像素点。
本实施例中，步骤S120中根据预处理后的全色遥感影像的亮度和梯度确定保留的像素点的具体过程，包括：统计预处理后的全色遥感影像中每个像素点的亮度值和梯度值；根据全色遥感影像中水体区域整体偏暗的特点确定合适的亮度阈值，保留低于该亮度阈值的亮度值对应的像素点；根据全色遥感影像中水体区域比较平滑的特点确定合适的梯度阈值，保留低于该梯度阈值的梯度值对应的像素点。
进一步地，亮度值基于上述步骤S110中归一化而得到。梯度值基于Sobel算子计算，具体过程为分别在水平方向和垂直方向对每个像素进行3x3的Sobel空间滤波，再使用水平方向和垂直方向的滤波值根据以下公式得到梯度幅度值，
其中，Gx和Gy分别表示水平方向和垂直方向的滤波值，具体的，
优选地，上述亮度阈值设置为最大亮度值255的即为64；根据对大量全色遥感图像数据的水体统计，除了非常特殊的耀斑导致的水体亮度增加，全色遥感图像中水体的亮度基本都小于64。利用设置的亮度阈值可以最大可能的保留水体像素，但同时也会保留一些陆地上的暗目标，比如浓密植被、建筑物的阴影等。上述梯度阈值设置为基于Sobel算子计算得到的最大梯度幅度值的/>由于水体平滑，因此其梯度幅度值也较小，除了靠近岸边的少量水体像元，绝对(大)部分的水体像素的梯度幅度值都不会超过最大幅度值的/>因此利用梯度阈值可以将浓密植被和建筑物阴影等像元剔除掉。
S130、根据分辨率对像素点处理后的全色遥感影像进行图像腐蚀。通过图像腐蚀可以得到水体目标的核心区域，准确识别水体和陆地区域的连接处。
本实施例中，步骤S130中根据分辨率对像素点处理后的全色遥感影像进行图像腐蚀的具体过程，包括：
对全色遥感影像的分辨率和水体区域的尺寸进行计算，得出大小相匹配的卷积核。由于遥感影像上的典型水体区域都会达到一定的面积、长度和宽度，否则就是无效的暗目标或者目标较小的零星水洼，本实施例默认水体的面积至少要达到25m2，长度和宽度至少为5米。根据面积和长宽可以计算出对应的像素值，如果遥感图像的空间分辨率为1米，那么水体的面积为25个像素，长度和宽度为5个像素。腐蚀操作要保证最小面积和长宽的水体不被完全腐蚀掉，因此可以设置为3x3。
将经过像素点处理的全色遥感影像分割为二值图像，二值图像的前景为表示可能水体像元的白色，背景为表示非水体像元的黑色；
使用卷积核对像素点处理后的全色遥感影像进行腐蚀操作，去掉面积较小的离散白色前景，保留面积较大的前景连续目标。根据水体分布的特点，面积较大的前景为水体的概率较大，而离散的目标往往是亮度和梯度都无法剔除掉的暗目标。
S140、利用种子点区域增长算法进行水体区域增长。
本实施例中，步骤S140中利用种子点区域增长算法进行水体区域增长的具体过程，包括：
对经过腐蚀的全色遥感影像进行水体区域的轮廓提取。二值化图像腐蚀后的区域可以确定为水体目标，对水体目标进行轮廓提取，可以将二值化的图像转换为目标级别的水体区域，后续可对每个单独的目标进行处理。
在每个独立不相交的轮廓覆盖区域内随机提取白色的像素点作为种子点。种子点的目的是在归一化后的图像中进行区域增长，得到分布均匀的水体。
以八连通为准则，设定像素灰度差值在原始全色遥感影像中进行种子点区域增长，区域增长阈值为腐蚀后的前景区域的亮度值的均方差的两倍，按照3*3窗口的八连通区域不断增长，直至所有具有连通性且符合区域增长阈值要求的像元都被遍历完为止。
本实施例中，上述种子点区域增长的目的是尽可能获取连续分布的水体区域，但还可能存在一些零散分布的非水体目标，由于这些非水体目标的亮度和梯度幅度值都较小而被误识别为水体，而且腐蚀操作也无法完全去除，因此在区域增长后还会存在一些非水体区域。所以，需要执行以下步骤S150、剔除非水体区域。
本实施例中，步骤S150中剔除非水体区域的具体过程，包括：对种子点区域增长得到的水体区域进行轮廓提取。通过计算提取出的各部分水体轮廓覆盖区域的面积和长宽，剔除掉不符合条件的区域，剩余的轮廓包围区域即为得到的水体分割结果，如图2所示，图2中从左至右的图像依次为原始经过几何校正后的全色遥感影像和最后得到的水体分割图像，在水体分割图像中，白色区域为分割出的水体区域，黑色区域为陆地区域。由于水体在图像中的分布有一定的面积和长宽，根据最小的面积和长宽阈值，可以将轮廓提取后不符合要求的区域剔除，剩余的轮廓包围区域就是最后得到的水体分割结果。具体的剔除条件为：计算出的水体区域的面积低于水体在图像中分布的面积阈值，且计算出的水体区域的长宽低于水体在图像中分布的长宽阈值。
本实施例的全色几何校正遥感影像的水体分割方法，通过以上步骤，可应用于全色几何校正遥感影像的水体分割任务中。首先利用全色几何校正遥感影像的亮度值和梯度值进行图像初步处理并获取种子点，再通过种子点区域增长获取水体区域，最后通过轮廓提取来计算水体面积进而剔除掉不符合的水体区域，可以快速高效、精确地提取出全色遥感影像的水体区域，不要求高性能的计算资源。本发明实施例为用于全色遥感影像的水体快速检测任务提供了方法，具有较大的实际应用价值和意义。
对于本发明的方法所涉及的上述各个步骤的序号并不意味着方法执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明的实施方式的实施过程构成任何限定。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (8)

1.一种全色几何校正遥感影像的水体分割方法，包括：
获取包含陆地和水域的原始全色遥感影像并进行预处理；
根据预处理后的全色遥感影像的亮度和梯度确定保留的像素点；所述根据预处理后的全色遥感影像的亮度和梯度确定保留的像素点，包括：统计预处理后的全色遥感影像中每个像素点的亮度值和梯度值；根据所述全色遥感影像中水体区域整体偏暗的特点确定亮度阈值，保留低于所述亮度阈值的亮度值对应的像素点；根据所述全色遥感影像中水体区域平滑的特点确定梯度阈值，保留低于所述梯度阈值的梯度值对应的像素点；
根据分辨率对像素点处理后的全色遥感影像进行图像腐蚀；所述根据分辨率对像素点处理后的全色遥感影像进行图像腐蚀，包括：对所述全色遥感影像的分辨率和水体区域的尺寸进行计算，得出大小相匹配的卷积核；将经过像素点处理的全色遥感影像分割为二值图像，所述二值图像的前景为表示可能水体像元的白色，背景为表示非水体像元的黑色；使用卷积核对像素点处理后的全色遥感影像进行腐蚀操作，去掉面积较小的离散白色前景，保留面积较大的前景连续目标；
利用种子点区域增长算法进行水体区域增长；
剔除非水体区域。
2.根据权利要求1所述的方法，其特征在于，所述预处理的过程包括：
对所述原始全色遥感影像进行几何校正；
统计几何校正后的全色遥感影像中每个像素点的像素值，对所述像素值归一化处理后得到对应的亮度值；
去除所述亮度值全为0的黑边区域。
3.根据权利要求1或2所述的方法，其特征在于，所述原始全色遥感影像的存储格式为16比特的无符号short类型。
4.根据权利要求1所述的方法，其特征在于，所述梯度值基于Sobel算子计算，具体过程为分别在水平方向和垂直方向对每个像素进行3x3的Sobel空间滤波，再使用水平方向和垂直方向的滤波值按照如下公式得到梯度幅度值，
其中，Gx和Gy分别表示水平方向和垂直方向的滤波值。
5.根据权利要求4所述的方法，其特征在于，所述亮度阈值设置为像素点的像素值归一化处理后得到最大亮度值的所述梯度阈值设置为基于Sobel算子计算得到的最大梯度幅度值的/>
6.根据权利要求1所述的方法，其特征在于，所述利用种子点区域增长算法进行水体区域增长，包括：
对经过腐蚀的全色遥感影像进行水体区域的轮廓提取；
在每个独立不相交的轮廓覆盖区域内随机提取白色的像素点作为种子点；
以八连通为准则，设定像素灰度差值在所述原始全色遥感影像中进行种子点区域增长，区域增长阈值为腐蚀后的前景区域的亮度值的均方差的两倍，按照3*3窗口的八连通区域不断增长，直至所有具有连通性且符合区域增长阈值要求的像元都被遍历完为止。
7.根据权利要求1所述的方法，其特征在于，所述剔除非水体区域，包括：
对种子点区域增长得到的水体区域进行轮廓提取；
计算提取出的各部分水体区域的面积和长宽，剔除掉不符合条件的区域，剩余的轮廓包围区域即为得到的水体分割结果。
8.根据权利要求7所述的方法，其特征在于，所述剔除条件为：计算出的水体区域的面积低于水体在图像中分布的面积阈值，且计算出的水体区域的长宽低于水体在图像中分布的长宽阈值。
CN202310423497.7A 2023-04-19 2023-04-19 全色几何校正遥感影像的水体分割方法 Active CN116434065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310423497.7A CN116434065B (zh) 2023-04-19 2023-04-19 全色几何校正遥感影像的水体分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310423497.7A CN116434065B (zh) 2023-04-19 2023-04-19 全色几何校正遥感影像的水体分割方法

Publications (2)

Publication Number Publication Date
CN116434065A CN116434065A (zh) 2023-07-14
CN116434065B true CN116434065B (zh) 2023-12-19

Family

ID=87094146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310423497.7A Active CN116434065B (zh) 2023-04-19 2023-04-19 全色几何校正遥感影像的水体分割方法

Country Status (1)

Country Link
CN (1) CN116434065B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN101944233A (zh) * 2010-09-25 2011-01-12 西北工业大学 高分辨遥感图像中快速提取机场目标的方法
CN102298698A (zh) * 2011-05-30 2011-12-28 河海大学 基于角点与边缘信息融合的遥感图像飞机检测方法
CN108564056A (zh) * 2018-04-25 2018-09-21 中国水利水电科学研究院 一种遥感影像水体识别提取的方法
CN108960143A (zh) * 2018-07-04 2018-12-07 北京航空航天大学 一种高分辨率可见光遥感图像中的舰船检测深度学习方法
CN109800736A (zh) * 2019-02-01 2019-05-24 东北大学 一种基于遥感影像和深度学习的道路提取方法
CN110956101A (zh) * 2019-11-19 2020-04-03 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
CN112052777A (zh) * 2020-09-01 2020-12-08 国交空间信息技术（北京）有限公司 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置
CN114092832A (zh) * 2022-01-20 2022-02-25 武汉大学 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
WO2022052032A1 (zh) * 2020-09-11 2022-03-17 京东方科技集团股份有限公司 图像的分割方法、装置和图像的三维重建方法、装置
CN114757925A (zh) * 2022-04-22 2022-07-15 国网陕西省电力有限公司电力科学研究院 一种非接触式高压断路器缺陷检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11907819B2 (en) * 2019-11-20 2024-02-20 University Of Connecticut Systems and methods to generate high resolution flood maps in near real time

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN101944233A (zh) * 2010-09-25 2011-01-12 西北工业大学 高分辨遥感图像中快速提取机场目标的方法
CN102298698A (zh) * 2011-05-30 2011-12-28 河海大学 基于角点与边缘信息融合的遥感图像飞机检测方法
CN108564056A (zh) * 2018-04-25 2018-09-21 中国水利水电科学研究院 一种遥感影像水体识别提取的方法
CN108960143A (zh) * 2018-07-04 2018-12-07 北京航空航天大学 一种高分辨率可见光遥感图像中的舰船检测深度学习方法
CN109800736A (zh) * 2019-02-01 2019-05-24 东北大学 一种基于遥感影像和深度学习的道路提取方法
CN110956101A (zh) * 2019-11-19 2020-04-03 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
CN112052777A (zh) * 2020-09-01 2020-12-08 国交空间信息技术（北京）有限公司 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置
WO2022052032A1 (zh) * 2020-09-11 2022-03-17 京东方科技集团股份有限公司 图像的分割方法、装置和图像的三维重建方法、装置
CN114092832A (zh) * 2022-01-20 2022-02-25 武汉大学 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN114757925A (zh) * 2022-04-22 2022-07-15 国网陕西省电力有限公司电力科学研究院 一种非接触式高压断路器缺陷检测方法及系统

Also Published As

Publication number Publication date
CN116434065A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
Zhang et al. Object-oriented shadow detection and removal from urban high-resolution remote sensing images
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
Brandtberg et al. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis
CN110287898B (zh) 一种光学卫星遥感影像云检测方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN107564017B (zh) 一种城市高分遥感影像阴影检测及分割方法
CN109584281B (zh) 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN110428425B (zh) 一种基于海岸线矢量数据的sar图像海陆分离方法
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN111783773B (zh) 一种面向角度倾斜电线杆标识牌的矫正方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN103778627A (zh) 一种基于sar图像的海域溢油检测方法
CN109191436A (zh) 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
US20210065376A1 (en) Region Merging Image Segmentation Algorithm Based on Boundary Extraction
CN113723314A (zh) 一种基于YOLOv3算法的甘蔗茎节识别方法
CN116385435B (zh) 基于图像分割的制药胶囊计数方法
CN116434065B (zh) 全色几何校正遥感影像的水体分割方法
US20230386023A1 (en) Method for detecting medical images, electronic device, and storage medium
CN114445814B (zh) 一种字符区域提取方法、计算机可读存储介质
CN116503733A (zh) 遥感图像目标检测方法、设备及存储介质
Di et al. Multi-scale segmentation of high resolution remote sensing images by integrating multiple features
CN112329674B (zh) 基于多纹理特征融合的结冰湖泊检测方法和装置
CN112200769B (zh) 一种用于违建检测的定点监控新旧时相图像变化检测方法

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