WO2017071160A1 - 一种大幅面遥感图像海陆分割的方法及系统 - Google Patents

一种大幅面遥感图像海陆分割的方法及系统 Download PDF

Info

Publication number
WO2017071160A1
WO2017071160A1 PCT/CN2016/078597 CN2016078597W WO2017071160A1 WO 2017071160 A1 WO2017071160 A1 WO 2017071160A1 CN 2016078597 W CN2016078597 W CN 2016078597W WO 2017071160 A1 WO2017071160 A1 WO 2017071160A1
Authority
WO
WIPO (PCT)
Prior art keywords
land
block
image
sea
sub
Prior art date
Application number
PCT/CN2016/078597
Other languages
English (en)
French (fr)
Inventor
裴继红
杨继成
杨烜
Original Assignee
深圳大学
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 深圳大学 filed Critical 深圳大学
Publication of WO2017071160A1 publication Critical patent/WO2017071160A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30184—Infrastructure

Definitions

  • the invention belongs to the technical field of remote sensing image processing, and in particular relates to a method and system for sea-land segmentation of large-format remote sensing images.
  • the threshold segmentation method mainly includes the OTSU threshold method and the method based on maximum entropy.
  • This kind of segmentation method generally selects the threshold according to the histogram distribution of the image to segment the image.
  • the selection of the threshold directly determines the effect of sea-land segmentation.
  • the threshold selection is relatively simple, but when the grayscale distribution of the image is more complicated, such as the gray level of the offshore region is close to or lower than the grayscale of the ocean region, it is not easy to automatically
  • the threshold is chosen, so this type of algorithm has some limitations.
  • the use of texture-based methods especially the fusion of texture features and other features
  • the method of sea and land segmentation For example, the gray image and the texture feature map are merged to perform sea-land separation; the gray image is merged with the LBP feature map, and the threshold is used to realize sea-land separation.
  • Such sea-land separation methods generally have better sea-land segmentation effects on local remote sensing images, but when the image background is complex, or when such methods are applied to large-format remote sensing images, the segmentation effect of such methods needs to be improved.
  • the method for sea-land separation of optical remote sensing images proposed by the prior art has the problems of local effective and low segmentation accuracy.
  • the technical problem to be solved by the present invention is to provide a method and system for large-area remote sensing image sea-land segmentation, which aims to solve the problem that the method for sea-land separation of optical remote sensing images proposed by the prior art has local effective and low segmentation precision.
  • the present invention is achieved by a method for sea-land segmentation of a large-format remote sensing image, and the steps include:
  • Step A performing sea and land filling on the remote sensing image to obtain a rough segmentation result map of sea and land;
  • Step B performing block-by-block extraction on the remote sensing image according to the sea-land coarse segmentation result map, and acquiring a sea-land fine segmentation result map;
  • step C the sea-land coarse segmentation result map is merged with the sea-land fine segmentation result map to obtain a land-sea segmentation result map.
  • the invention has the beneficial effects that the invention realizes an automatic large format
  • the sea-land segmentation method of remote sensing image can better solve the existing sea-land segmentation technology, and the sea-land segmentation accuracy is low and the segmentation effect is almost in the complex backgrounds such as nearshore, offshore multi-island regions and land-sea features with complex geomorphological features.
  • the invention can effectively deal with the sea-land segmentation problem of the large-format remote sensing image in the complex background situation, and the segmentation result is more accurate, and has less influence on related technical research based on sea-land separation, such as marine target detection, and is suitable for batch processing of remote sensing images. More practical.
  • FIG. 1 is a flow chart of a method for sea-land segmentation of a large-format remote sensing image according to an embodiment of the present invention
  • FIG. 2 is a specific flowchart of a sea-land segmentation method for a large-format remote sensing image according to an embodiment of the present invention
  • 3a is a flow chart of adding a coastline to a remote sensing image in a coarse segmentation step in the embodiment of the present invention
  • FIG. 3b is a schematic diagram of a satellite remote sensing multispectral original used in an embodiment of the present invention.
  • FIG. 3c is a result diagram of adding a coastline in a remote sensing example diagram according to an embodiment of the present invention.
  • 4a is a flow chart of sea and land filling of remote sensing images in the coarse segmentation step in the present invention
  • 4b is a result diagram of the sea-land coarse division in the remote sensing example diagram in the embodiment of the present invention.
  • FIG. 5 is a flow chart of automatically extracting a training set sub-image and a test set sub-image in the sea-land fine segmentation step in the embodiment of the present invention
  • FIG. 6 is a diagram showing an example of obtaining a sea-land coarse segmentation result in an effective remote sensing image region according to an embodiment of the present invention
  • FIG. 7 is a flow chart of extracting a whole land region, a whole ocean region, and a region near the coastline and an island region that need to be subjected to fine land and sea segmentation processing from the original remote sensing image in the embodiment of the present invention
  • FIG. 8 is a diagram showing an example of automatically extracting related region sub-blocks in an embodiment of the present invention.
  • Figure 9a is a partial full terrestrial training set image extracted in Figure 10;
  • Figure 9b is a partial ocean-wide training set sub-image extracted in Figure 10;
  • 10a is a probability density curve of a feature set corresponding to a full terrestrial area training set in an embodiment of the present invention
  • FIG. 10b is a probability density region curve of a feature set corresponding to a training set of a whole ocean region in an embodiment of the present invention.
  • 11a is a result of evaluating a feature probability distribution of a full terrestrial training set in an embodiment of the present invention
  • 11b is a result of evaluating a feature probability distribution of a full ocean training set in an embodiment of the present invention.
  • FIG. 12 is a flow chart showing the steps of morphological processing of the test set sea-land fine segmentation result in the embodiment of the present invention.
  • FIG. 13 is a flowchart of the fusion of the sea-land coarse segmentation result map and the sea-land fine segmentation result map in the embodiment of the present invention.
  • FIG. 14 is a schematic structural diagram of a system for sea-land segmentation of a large-format remote sensing image according to an embodiment of the present invention.
  • FIG. 15 is a schematic structural diagram of a system for sea-land segmentation of a large-format remote sensing image according to an embodiment of the present invention.
  • the sea-land segmentation method of the large-format remote sensing image proposed by the present invention mainly includes two parts: sea-land rough segmentation based on geographic information and sea-land segmentation based on statistical learning.
  • the method firstly uses the latitude and longitude information of the remote sensing image to fill most of the land area based on the Global Self-consistent Hierarchical High-resolution Shoreline Database (GSHHS) to realize large-format remote sensing image.
  • GSHHS Global Self-consistent Hierarchical High-resolution Shoreline Database
  • the sub-images of the region that need further fine segmentation are extracted as test sets
  • the sub-images of the whole land region and the whole ocean region are extracted as training sets
  • the adaptive probability statistical learning based on local information entropy features is established for the training set images.
  • the model is used to perform the sea-land fine segmentation based on local information entropy on the test set sub-image.
  • the sea-land rough segmentation results based on geographic information and the sea-land fine segmentation results are merged, and the fusion results are processed by morphology, and finally the complete large-area remote sensing image sea-land segmentation image is obtained.
  • a method for sea-land segmentation of a large-format remote sensing image includes the following steps:
  • A performing sea and land filling on the remote sensing image, and obtaining a rough segmentation result map of sea and land;
  • the sea-land coarse segmentation result map is merged with the sea-land fine segmentation result map to obtain a land-sea segmentation result map.
  • the sea-land rough segmentation process of remote sensing images is based on geographic information, which is realized by means of the latitude and longitude information corresponding to the four vertices of the remote sensing image and the global coastline database GSHHS.
  • the GSHHS database provides different resolution coastline data files according to different needs of users, including full resolution data file gshhs_f.b, high resolution data file gshhs_h.b, medium resolution data file gshhs_i.b, low resolution data file gshhs_l .b, coarse resolution data file gshhs_c.b.
  • the coastline data file used in the sea-land coarse segmentation method in this section is the full-resolution data file gshhs_f.b, which is realized by large-area optical remote sensing by organizing and transforming the original latitude and longitude data in the gshhs_f.b file.
  • the image adds features such as coastline, land and sea filling.
  • the sea-land coarse segmentation process of this embodiment includes two steps of S1 and S2:
  • Step S1 adds a coastline to the remote sensing image, as shown in FIG. 3a, and the specific steps are as follows:
  • S11 input a remote sensing image, read a geographic information file (.xml) corresponding to the remote sensing image, and obtain latitude and longitude coordinate information (lat1, lon1) corresponding to four vertices A, B, C, and D of the remote sensing image, ( Lat2, lon2), (lat3, lon3), (lat4, lon4).
  • latitude and longitude coordinate information (lat1, lon1) corresponding to four vertices A, B, C, and D of the remote sensing image, ( Lat2, lon2), (lat3, lon3), (lat4, lon4).
  • a latitude and longitude region of a quadrilateral ABCD may be determined, and all discrete coastline latitude and longitude data located within the latitude and longitude region are read from the gshhs_f.b coastline data file, that is, (latt1, Lonn1), (latt2, lonn2), (latt3, lonn3),...,(lattk,lonnk),...
  • the vertex pixel coordinates corresponding to the four vertices A, B, C, and D of the remote sensing image are obtained, and the resolution of the remote sensing image is MxN, and the vertex pixel coordinates corresponding to the four vertices of the remote sensing image are respectively (1,1), (1,N), (M,1), (M,N); calculating a linear relationship between vertex pixel coordinates and latitude and longitude coordinates of the remote sensing image, and acquiring the remote sensing image according to the linear relationship The latitude and longitude data corresponding to each pixel in the middle.
  • step S15 In the remote sensing image, the discrete coastline pixel coordinates acquired in step S14 are connected into a line to form a coastline, and a coastline addition map is generated.
  • Figure 3b is a CBERS2B satellite multi-spectral image
  • Figure 3c is a coastline addition map after adding a coastline to the map using the above method.
  • Step S2 shows the process of land and sea filling for the coastline addition map as shown in FIG. 4a, and the specific steps include:
  • S21 Read the latitude and longitude coordinates of the four vertices of the coastline addition map, and determine a quadrilateral latitude and longitude region according to the latitude and longitude coordinates.
  • S22 Read the latitude and longitude data segments in the GSHHS database in sequence, wherein each latitude and longitude data segment in the data is a closed land or island latitude and longitude data.
  • step S25 determining whether the latitude and longitude data acquired in step S24 is a closed data segment. If the latitude and longitude data is a non-closed data segment data, the unblocked data segment data is reconstructed into a closed region, and the data segment segmentation flag is used (NaN). , NaN) separating the non-closed data segment data from other data segment data;
  • step S26 If it is determined that the latitude and longitude data acquired in step S24 is a closed data segment, the latitude and longitude data are all converted into pixel coordinates of the image, and the pixel points located within the curve range enclosed by the pixel coordinates are marked as land regions or islands. region;
  • S27 using a region filling algorithm to fill an area within a range of S26 pixels into a complete land block or island block;
  • S28 Determine whether there are other closed data segments in the GSHHS database. If there are steps S22 to S27 are repeated until the landfill is completed, the sea-land coarse segmentation result map is obtained.
  • Fig. 4b is a result diagram of the sea-land filling after the remote sensing image is shown in Fig. 3c, that is, the result of the sea-land coarse segmentation result.
  • the land-based filling algorithm based on geographic information can effectively fill most of the land area in the remote sensing image, it can be seen from Fig. 4b that the filled land area is partially an invalid area of the remote sensing image, such as the area in the upper left corner of the image. Not the effective area of the remote sensing image, but still determined by the algorithm as land Part of the land.
  • the land filling effect of the above-mentioned land and sea rough segmentation process based on geographic information is not effective in the vicinity of the coastline and the surrounding area of the island. ideal.
  • Figure 4c shows the area around the four coastlines and the surrounding area of the island from Figure 4b. It can be seen from the figure that part of the land area is not divided into land parts by the land and sea filling algorithm, and some identified island areas and remote sensing images The actual island area has a positional deviation. Therefore, further fine land and sea division processing is required in the coastal edge area as well as the island area.
  • the sea-land fine segmentation method for the coastline edge region and the island region is implemented based on the statistical learning model of the whole land region and the whole ocean region, including five steps of S3-S7:
  • S31 Determine an effective image area of the remote sensing image to form an area of the remote sensing image.
  • the oblique quadrilateral image area in Fig. 3b is the effective remote sensing image area Sp1p2p3p4 (p1, p2, p3, p4 corresponds to four vertices of the quadrilateral), and the black area around the quadrilateral area is an invalid image image area, which can be thresholded.
  • S32 Determine, by using the effective image area, an effective land area in the sea-land coarse segmentation result map.
  • the pure white area S redlandmark in Fig. 4b is the land area identified by the sea-land coarse segmentation algorithm, and the part of the land area overlapping with the effective image area in step S31 is the effective land area in the sea-land rough segmentation result map, such as The pure white area S truelandmark in Figure 6;
  • S33 Extracting a full land area, a whole ocean area, and a coastal area and an island area respectively required to perform fine sea and land segmentation processing according to the effective land area. Specifically, as shown in FIG. 7, the step further includes the following five steps:
  • S331 Blocking the remote sensing image to obtain a plurality of image sub-blocks. For example, the image is divided into 512x512 size image sub-blocks.
  • step S333 Determine, according to the whole land area discriminant criterion, whether it is a whole land area sub-block, and if it belongs to the whole land area sub-block, extract the image sub-block into the whole land training set folder, and jump to step S332 to continue. carried out. If it does not belong to the whole land area sub-block, it proceeds to step S334.
  • step S334 judging whether it is a sub-block of the whole ocean area according to the criterion of the whole ocean area, if it belongs to the sub-block of the whole ocean area, extracting the image sub-block into the folder of the whole marine training set, and jumping to step S332 to continue carried out. If it does not belong to the whole marine area sub-block, the process proceeds to step S335.
  • step S335 judging whether it is a sub-block of a coastal area or an island area according to a regional and island area discriminating standard of the coastline, and if it belongs to the class, extracting the image sub-block into the test set folder, and jumping to step S332 Continue to execute. If it does not belong to this category, no other operations are performed, and the process proceeds directly to step S332.
  • the selected image sub-block size is 512x512.
  • the image sub-block is a full terrestrial area sub-block
  • the image sub-block is a sub-block of the entire ocean area
  • the image sub-block is a candidate sub-block of a sub-block or an island sub-block near the coastline;
  • FIG. 8 is a result diagram of automatically extracting a related region sub-block according to an embodiment of the present invention, wherein a thick black line rectangle indicates that the image sub-block is a full terrestrial region sub-block, and a white wire frame indicates that the image sub-block is a full ocean region.
  • the sub-block, the black wire frame indicates that the image sub-block is an area where further sea-land fine division is required.
  • S4 Perform calculation on the training set sub-image and the test set sub-image, and respectively obtain local information entropy corresponding to each pixel point in the images.
  • the partial information entropy corresponding to the certain pixel refers to: selecting a neighborhood with the pixel as a central coordinate, and calculating the local information entropy of the neighborhood;
  • Information entropy is a measure of the probability distribution of information. For grayscale images, if an image contains G gray levels and the probability of occurrence of each gray level is P 1 , P 2 , . . . P G , the information entropy of the image is defined as:
  • G 255 in a general grayscale image.
  • the local information entropy of an image refers to the information entropy of a pixel in a local (eg, mxm) neighborhood, ie
  • n k represents the number of pixel points whose gradation value is k in the local neighborhood.
  • the partial information entropy corresponding to a certain pixel in the present invention refers to selecting a neighborhood of mxm with the pixel as a central coordinate, and calculating the local information entropy of the neighborhood. This will not be repeated in the following description.
  • All local information entropy calculated from sub-images of all land-wide block blocks is used as a feature set of terrestrial regions, and all local information entropies calculated by sub-images of all the whole ocean block are marine feature sets, respectively for land regions
  • the feature set and the feature set of the ocean area are used to calculate the probability distribution, and the probability distribution is learned.
  • the distribution type and related parameters which are the most consistent with the probability distribution are calculated, and the optimal feature probability distribution model is determined and the feature probability distribution function is obtained.
  • FIG. 9 is a partial probability map of the feature set of the full terrestrial region and the whole ocean region extracted from FIG. 8 , and the feature set corresponding to the full terrestrial region training set and the whole ocean region training set respectively.
  • the model probability density function and parameters of the training set feature are estimated, and the most suitable distribution model is automatically selected.
  • different types of distribution models are established.
  • the probability distribution models used in the present invention include beta distribution, Birnbaunm-Saunders distribution, exponential distribution, Extreme value distribution, gamma distribution, generalized extreme value distribution, and generalized Pareto distribution.
  • BIC criterion inverse Gaussian distribution, Logistic distribution, Log-logistic distribution, lognormal distribution, Nakagami distribution, normal distribution, Rayleigh distribution, Rician distribution, t distribution, Weber distribution, etc., based on Bayesian information criteria in statistical learning (BIC criterion) Select the best distribution model that best matches the feature probability distribution of the training set.
  • BIC criterion Bayesian information criteria in statistical learning
  • x is the data to be estimated
  • n is the number of data to be estimated
  • M is the distribution model to be evaluated
  • ⁇ is the parameter corresponding to the distribution model.
  • FIG. 11 is a result of evaluating the feature probability distribution of two types of training sets according to an embodiment of the present invention. Among them, when the feature set of the whole land region obeys the Weber distribution, its BIC value is the smallest, so the best probability distribution of the feature of the training set is the Weber distribution; while the feature set of the whole ocean region obeys the generalized extreme value distribution, the BIC value is the smallest, so The optimal probability distribution of the training set features is a generalized extreme value distribution.
  • the characteristic probability distribution function of the whole terrestrial training set is - Weber distribution, and the Weber distribution is:
  • x is a random variable, where the local information entropy feature vector is represented; ⁇ >0 is a proportional parameter; k>0 is a shape parameter.
  • the characteristic probability distribution function of the whole ocean regional training set is—the generalized extreme value distribution, and the generalized extreme value distribution function is expressed as:
  • Tests on a large number of different remote sensing images found that the probability distribution of local information entropy features of all land regions and whole ocean regions extracted from all test image data satisfies one or more of the above 16 distributions.
  • the method finds the corresponding optimal probability distribution function estimate.
  • S6 Perform threshold segmentation based on local information entropy on the test set sub-image according to the feature probability distribution function to obtain a threshold segmentation map.
  • the threshold decomposition based on local information entropy is performed on all the test set images extracted from FIG. 8, that is, the sea-land fine separation, and the threshold segmentation map is obtained.
  • This step mainly includes two steps, as shown in Figure 12:
  • S71 Perform void and slit filling on the threshold segmentation map to obtain a preliminary sea-land fine segmentation result map.
  • the threshold segmentation map there may be holes or slits in the land area due to vegetation, lake water, rivers, etc., and the existence of holes or slits may cause misjudgment of sea and land segmentation results, and morphology may be utilized.
  • the closed operation and the hole filling method connect and fill the threshold segmentation map to eliminate holes and slits.
  • S72 Removing the connected domain with a smaller area in the primary sea-land fine segmentation result map, and obtaining a sea-land fine segmentation result map.
  • the near-shore sea surface such as the ship target generally has a small target.
  • the selection of the threshold size of the connected domain area is determined based on sufficient prior knowledge and actual parameters of the target shape such as the ship.
  • S81 Mapping the sea-land fine segmentation result map to the corresponding position in the sea-land coarse segmentation result map to obtain a binarized mask image.
  • the result of the fine segmentation of the test set image that is, the coastline edge region and the island region image is mapped to the corresponding position in the rough segmentation result image, and the result of fine segmentation of these image subregions is used instead of the coarse segmentation.
  • a binarized mask image is obtained.
  • S82 Perform morphological processing on the binarized mask image to obtain a sea-land segmentation image.
  • the binarized mask image after fine-grained segmentation based on statistical learning has been filled with holes and slits by morphological correlation before output, but the results of some test sets are divided into upper and lower, The holes at the left and right boundaries are not completely filled.
  • the binarized image After the result of the fine segmentation and the result of the coarse segmentation binarization process, holes are inevitably generated in the edge region of the fusion, so the fusion is performed. After the fusion, the binarized image still needs to be morphologically operated to fill the holes.
  • S im is the original remote sensing image
  • B im is the binarized sea-land segmentation mask image
  • a system for sea-land segmentation of a large-format remote sensing image includes:
  • the sea-land coarse segmentation module 10 is configured to perform sea-land filling on the remote sensing image, and obtain a sea-land coarse segmentation result map;
  • the sea-land fine segmentation module 11 is configured to perform block-by-block extraction on the remote sensing image by using the sea-land coarse segmentation result map, and obtain a sea-land fine segmentation result map;
  • the sea-land segmentation result acquisition module 12 is configured to fuse the sea-land coarse segmentation result map with the sea-land segmentation segmentation result map to obtain a land-sea segmentation result map.
  • the sea-land coarse segmentation module 10 specifically includes:
  • the coastline adding module 101 is configured to add a coastline to the remote sensing image by using GSHHS data, and generate a coastline adding map.
  • the coastline adding module is specifically configured to:
  • A11 inputting a remote sensing image, reading a geographic information file corresponding to the remote sensing image, and acquiring latitude and longitude coordinates corresponding to four vertices of the remote sensing image;
  • A12. Determine a latitude and longitude region of a quadrangle according to latitude and longitude coordinate information corresponding to four vertices of the remote sensing image; and read all discretes located within the latitude and longitude region from the GSHHS database Coastline latitude and longitude data;
  • A14 mapping discrete coastline latitude and longitude data in the range of the latitude and longitude region into pixel coordinates of the corresponding remote sensing image, to obtain discrete coastline pixel coordinates;
  • the discrete coastline pixel coordinates are connected into a line to form a coastline, and a coastline addition map is generated.
  • the land and sea filling module 102 performs sea and land filling on the coastline addition map to obtain a land and sea rough segmentation result map.
  • the landfill module 102 is specifically configured to:
  • A22 sequentially reading the latitude and longitude data segments in the GSHHS database, each of the latitude and longitude data segments being a closed land or island latitude and longitude data;
  • A23 determining whether the latitude and longitude data segment and the quadrilateral latitude and longitude region have a coincident region
  • step a24 determining whether the latitude and longitude data acquired in step a24 is a closed data segment; if the latitude and longitude data is a non-closed data segment data, reconstructing the non-closed data segment data into a closed region, and the non-closed The data segment data is separated from other data segment data;
  • step a24 If it is determined that the latitude and longitude data acquired in step a24 is a closed data segment, converting the latitude and longitude data into pixel coordinates of the coastline added map, and marking pixel points located within a curve range enclosed by the pixel coordinates into Terrestrial or island area;
  • A27 using the area filling algorithm, fill the interior of the area obtained in step a26 into a complete land block or island block;
  • the sea-land fine segmentation unit 11 specifically includes:
  • the image blocking module 111 is configured to block the remote sensing image to obtain a full land block, a whole ocean block, a coastline edge block, and an island block; and the whole land block and the whole ocean area
  • the block is a training set, and the coastline edge area block and the island area block are used as test sets; the sub-images are respectively extracted for the training set and the test set, and the training set sub-image and the test set sub-image are acquired.
  • the image blocking module 111 is specifically configured to:
  • the image blocking module 111 is further configured to:
  • the image sub-block is placed in the full terrestrial training set folder, and proceeds to step b132;
  • step b134 If the image sub-block is not a full land area sub-block, proceed to step b134;
  • the image sub-block is placed in the full marine training set folder, and proceeds to step b132;
  • step b135 If the image sub-block is not a full ocean area sub-block, proceed to step b135;
  • the image sub-block is a coastline edge area sub-block or an island area sub-block
  • the image sub-block is placed in the coastline edge area or the island area training set folder, and proceeds to step b132;
  • the image sub-block is not a coastline edge area sub-block or an island area sub-block, proceed to the step B132.
  • the local information entropy obtaining module 112 is configured to calculate the training set sub-image and the test set sub-image, and respectively obtain local information entropy corresponding to each pixel point;
  • the distribution function obtaining module 113 is configured to use the local information entropy calculated according to the sub-image of the whole terrestrial block as the feature set of the terrestrial region, and the local information entropy calculated according to the sub-image of the whole ocean block is the feature set of the marine region.
  • the probability distribution statistics and learning are performed on the feature set of the terrestrial region and the feature set of the marine region respectively, and the distribution type and related parameters which are most consistent with the probability distribution are calculated, and the optimal feature probability distribution model is determined and the corresponding feature probability distribution is obtained. function;
  • the threshold segmentation module 114 is configured to perform threshold segmentation based on local information entropy on the test set sub-image according to the feature probability distribution function, to obtain a threshold segmentation map;
  • the fine segmentation acquisition module 115 is configured to perform morphological processing on the threshold segmentation map to obtain a sea-land fine segmentation result map. Specifically, the fine segmentation obtaining module 115 is specifically configured to:
  • the sea-land segmentation result acquisition unit 12 includes:
  • the mapping fusion module 121 maps the sea-land fine segmentation result map to the corresponding position in the sea-land coarse segmentation result map to obtain a binarized mask image
  • the processing module 122 performs morphological processing on the binarized mask image to obtain a sea-land segmentation image
  • the image obtaining module 123 maps the sea-land segmentation image to the remote sensing image to obtain a sea-land segmentation result map; the sea-land segmentation result map includes a large-format remote sensing image terrestrial region and a large-format remote sensing image ocean region.
  • the sea-land segmentation method of the large-format remote sensing image proposed by the invention firstly uses the latitude and longitude information of the remote sensing image to fill most of the land area on the basis of the global coastline database (GSHHS), and realizes the sea-land coarse segmentation of the large-scale remote sensing image; Segmentation results, extraction needs further fine segmentation
  • the regional sub-image is used as a test set to extract the sub-images of the whole land area and the whole ocean area as the training set, and the adaptive probability statistical learning model based on the local information entropy feature is established for the training set image to determine the optimal probability distribution model.
  • the model performs Bayesian sea-land fine segmentation based on local information entropy on the test set sub-image.
  • the sea-land rough segmentation results based on geographic information and the sea-land fine segmentation results are merged, and the fusion results are processed by morphology, and finally the complete large-area remote sensing image sea-land segmentation image is obtained.
  • this method can effectively deal with the sea-land segmentation problem of large-scale remote sensing images under complex background conditions, and the segmentation result is more accurate, and the related technology research based on sea-land separation, such as ocean target detection, has less impact. It is suitable for batch processing of remote sensing images and is more practical.

Landscapes

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

Abstract

一种遥感图像处理技术领域的大幅面遥感图像海陆分割的方法，步骤包括：步骤A，对所述遥感图像进行海陆填充，获取海陆粗分割结果图；步骤B，结合所述海陆粗分割结果图对所述遥感图像进行分块提取，获取海陆精细分割结果图；步骤C，将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合，获取海陆分割结果图。实现了一种自动的大幅面遥感图像的海陆分割方法，较好地解决了现有的海陆分割技术中，在近岸、近海多岛屿区域、地貌特征复杂的陆海区域等复杂背景下的海陆分割精度较低、分割效果几乎失效的问题。

Description

一种大幅面遥感图像海陆分割的方法及系统 技术领域
本发明属于遥感图像处理技术领域，尤其涉及一种大幅面遥感图像海陆分割的方法及系统。
背景技术
近年来，基于遥感图像的海上目标检测、识别越来越引起研究人员的关注。然而，大量的研究结果表明，针对遥感图像的海洋目标检测算法在遥感图像中包含有陆地区域或海岛区域的情况下，直接检测的结果总是在较低的检测概率和较高的虚警概率内进行波动。为了让海洋目标检测算法仅仅作用于海洋遥感区域，进而提高算法检测率，降低虚警、漏检，必须在对海洋目标进行检测前对大幅面遥感图像进行陆地、海岛区域屏蔽或移除，此即为对遥感图像进行海陆分割处理的目的。
现有技术提出的针对光学遥感图像进行海陆分割的方法主要有以下几种：
一、利用人工手动标注的方式实现对光学遥感图像的海陆分离。该方法十分耗时，计算效率低，不能满足大数据量的应用需求。
二、利用基于阈值分割的海陆分割方法。基于阈值分割方法主要有OTSU阈值法、基于最大熵等方法。这类分割方法一般会根据图像的直方图分布选取阈值对图像进行分割，阈值选取的好坏直接决定了海陆分割的效果。对于图像的直方图呈现双峰分布或近似双峰分布的理想情况，阈值选取较为简单，但当图像灰度分布较为复杂，如近海区域灰度接近或低于海洋区域灰度时，不容易自动选取阈值，因此该类算法有一定局限性。
三、利用基于纹理的方法，特别是将纹理特征与其他特征融合在一起进行 海陆分割的方法。例如，将灰度图像和纹理特征图融合后进行海陆分离；将灰度图像与LBP特征图融合后利用阈值来实现海陆分离等。这类海陆分离方法一般对局部遥感图像的海陆分割效果较佳，但当图像背景复杂时，或将这类方法应用至大幅面遥感图像时，这类方法的分割效果有待改进。
四、利用简单统计模型的海陆分割方法。例如，利用贝叶斯统计模型的海陆分割方法，以及利用阈值分割和高斯统计模型相结合的海陆分割方法。但经调研发现，上述算法在应用过程中都需人工手动辅助，操作较为繁琐；另外，这类算法也不适合直接应用于大幅面遥感图像中。
上述这几类传统的海陆分割算法一般应用在小尺度范围内对遥感图像进行海陆分割，而对于大幅面遥感图像特别是背景复杂的遥感图像，这些算法的分割结果较差，这在近岸、近海多岛屿区域以及有云雾背景下的海洋区域表现的尤为明显。
综上所述，现有技术提出的针对光学遥感图像进行海陆分离的方法存在局部有效、分割精度低的问题。
发明内容
本发明所要解决的技术问题在于提供一种大幅面遥感图像海陆分割的方法及系统，旨在解决现有技术提出的针对光学遥感图像进行海陆分离的方法存在局部有效、分割精度低的问题。
本发明是这样实现的，一种大幅面遥感图像海陆分割的方法，步骤包括：
步骤A，对所述遥感图像进行海陆填充，获取海陆粗分割结果图；
步骤B，结合所述海陆粗分割结果图对所述遥感图像进行分块提取，获取海陆精细分割结果图；
步骤C，将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合，获取海陆分割结果图。
本发明与现有技术相比，有益效果在于：本发明实现了一种自动的大幅面 遥感图像的海陆分割方法，较好地解决了现有的海陆分割技术中，在近岸、近海多岛屿区域、地貌特征复杂的陆海区域等复杂背景下的海陆分割精度较低、分割效果几乎失效的问题。本发明可以有效处理复杂背景情形下的大幅面遥感图像的海陆分割问题，分割结果更为精准，对基于海陆分离的相关技术研究如海洋目标检测影响较小，适用于对遥感图像进行批量处理，实用性更强。
附图说明
图1是本发明实施例提供的一种大幅面遥感图像海陆分割的方法的流程图，
图2是本发明实施例提供的大幅面遥感图像的海陆分割方法的具体流程图；
图3a是本发明实施例中为粗分割步骤中的遥感图像添加海岸线的流程图；
图3b是本发明实施例中需用到的一卫星遥感多光谱原始示例图；
图3c是本发明实施例中，在遥感示例图中添加海岸线后的结果图；
图4a是本发明中粗分割步骤中的遥感图像海陆填充流程图；
图4b是本发明实施例中，遥感示例图中海陆粗分割后的结果图；
图4c是本发明实施例中得到的局部海陆粗分割结果图；
图5是本发明实施例中海陆精细分割步骤中的自动提取训练集子图像和测试集子图像流程图；
图6是本发明实施例中获取位于有效遥感影像区域的海陆粗分割结果实例图；
图7是本发明实施例中从原始遥感图像中分别提取全陆地区域、全海洋区域、以及需进行精细海陆分割处理的海岸线附近区域和海岛区域流程图；
图8是本发明实施例中自动提取相关区域子块的结果示例图；
图9a是图10中提取的部分全陆地训练集子图像；
图9b是图10中提取的部分全海洋训练集子图像；
图10a是本发明实施例中全陆地区域训练集对应的特征集的概率密度曲线；
图10b是本发明实施例中全海洋区域训练集对应的特征集的概率密度区曲线；
图11a是本发明实施例中全陆地训练集特征概率分布评估结果；
图11b是本发明实施例中全海洋训练集特征概率分布评估结果；
图12是本发明实施例中对测试集海陆精细分割结果进行形态学处理步骤流程图；
图13是本发明实施例中对所述海陆粗分割结果图与所述海陆精细分割结果图进行融合的流程图；
图14为本发明实施例提供的一种大幅面遥感图像海陆分割的系统的结构示意图。
图15为本发明实施例提供的一种大幅面遥感图像海陆分割的系统的详细结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了解决现有技术存在的问题，本发明提出的大幅面遥感图像的海陆分割方法主要包括基于地理信息的遥感图像海陆粗分割和基于统计学习的海陆精细分割两个部分。该方法首先利用遥感图像的经纬度信息，在全球一致化多层次高分辨率海岸线数据库(GSHHS,A Global Self-consistent Hierarchical High-resolution Shoreline Database)的基础上填充大部分陆地区域，实现大幅面遥感图像的海陆粗分割，从而避免了陆地区域背景过于复杂、地貌信息 过于丰富、不易分析的问题。因海岸线数据库精度、人工填海造陆、卫星图像拍摄角度等因素会造成部分遥感图像陆地区域，特别是海岸线附近区域和海岛区域未被粗分割填充，因此需对这类区域进行精细海陆分割。根据海陆粗分割结果，提取需进一步精细分割处理的区域子图像作为测试集，提取全陆地区域和全海洋区域子图像作为训练集，对训练集图像建立基于局部信息熵特征的自适应概率统计学习模型，利用该模型对测试集子图像进行基于局部信息熵的海陆精细分割。将基于地理信息的海陆粗分割结果和海陆精细分割结果融合在一起，并对融合结果进行形态学处理，最终得到完整的大幅面遥感图像海陆分割图像。
如图1所示，为本发明实施例提供的一种大幅面遥感图像海陆分割的方法，步骤包括：
A，对所述遥感图像进行海陆填充，获取海陆粗分割结果图；
B，结合所述海陆粗分割结果图对所述遥感图像进行分块提取，获取海陆精细分割结果图；
C，将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合，获取海陆分割结果图。
以下结合图2对本发明实施例提供的一种大幅面遥感图像海陆分割的方法进行详细的阐述：
A：进行海陆粗分割
遥感图像的海陆粗分割过程是基于地理信息实现的，即借助于遥感图像4个顶点对应的经纬度信息以及全球海岸线数据库GSHHS实现的。GSHHS数据库根据用户的不同需求提供不同分辨率的海岸线数据文件，包括全分辨率数据文件gshhs_f.b、高分辨率数据文件gshhs_h.b、中等分辨率数据文件gshhs_i.b、低分辨率数据文件gshhs_l.b、粗分辨率数据文件gshhs_c.b。本节的海陆粗分割方法使用的海岸线数据文件为全分辨率数据文件gshhs_f.b，即通过对gshhs_f.b文件中的原始经纬度数据进行组织、变换来实现为大幅面光学遥感 图像添加海岸线、海陆填充等功能。本实施例的海陆粗分割过程包括S1和S2两个步骤：
S1：利用GSHHS数据库为遥感图像添加海岸线。
其中，步骤S1为遥感图像添加海岸线的流程，如图3a所示，具体步骤如下：
S11：输入某一遥感图像，读取与该遥感图像相对应的地理信息文件(.xml)，获得遥感图像4个顶点A、B、C、D对应的经纬度坐标信息(lat1,lon1),(lat2,lon2),(lat3,lon3),(lat4,lon4)。
S12：根据遥感图像4个顶点对应的经纬度坐标信息，可确定一个四边形ABCD的经纬度区域，从gshhs_f.b海岸线数据文件中读取位于该经纬度区域范围内的所有离散海岸线经纬度数据，即(latt1,lonn1),(latt2,lonn2),(latt3,lonn3),…,(lattk,lonnk),…。
S13：根据遥感图像分辨率的大小获取遥感图像4个顶点A、B、C、D对应的顶点像素坐标，设遥感图像分辨率大小为MⅹN，则遥感图像4个顶点对应的顶点像素坐标分别为(1,1),(1,N),(M,1),(M,N)；计算遥感图像的顶点像素坐标与经纬度坐标之间的线性关系，根据所述线性关系获取所述遥感图像中每个像素点对应的经纬度数据。
S14：将位于四边形经纬度区域范围内的离散海岸线经纬度数据(latt1,lonn1),(latt2,lonn2),(latt3,lonn3),…,(lattk,lonnk),…插值映射为对应的遥感图像像素坐标，得到离散海岸线像素坐标。
S15：在遥感图像中，将S14步骤中获取的离散海岸线像素坐标连成线，形成海岸线，生成海岸线添加图。
图3b为一CBERS2B卫星多光谱图像，图3c为利用上述方法在图中添加海岸线后的海岸线添加图。
S2：对所述海岸线添加图进行海陆填充，得到海陆粗分割结果图。
步骤S2对海岸线添加图进行海陆填充的流程如图4a所示，具体步骤包括：
S21：读取海岸线添加图四个顶点的经纬度坐标，根据经纬度坐标确定一个四边形经纬度区域。
S22：依次读取GSHHS数据库中的经纬度数据段，其中，在该数据中每一个经纬度数据段为一封闭陆地或海岛经纬度数据。
S23：判断该经纬度数据段与海岸线添加图顶点对应的四边形经纬度范围是否有重合区域；
S24：如若该经纬度数据与海岸线添加图的四边形经纬度范围有重合区域，保留重合区域范围的经纬度数据；
S25：判断步骤S24获取的经纬度数据是否为一封闭数据段，如果该经纬度数据为一非封闭数据段数据，需将该非封闭数据段数据重新构造成一个封闭区域，并用数据段分割标志(NaN,NaN)将该非封闭数据段数据与其他数据段数据隔开；
S26：若判断步骤S24获取的经纬度数据为一封闭数据段，则将该经纬度数据均变换为图像的像素坐标，并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域；
S27：利用区域填充算法，将S26像素点范围内的区域填充成一个完整的陆地块或海岛块；
S28：判断GSHHS数据库中是否还有其他封闭数据段，若存在重复步骤S22至步骤S27直至海陆填充完毕，得到海陆粗分割结果图。
图4b为遥感图像图3c进行海陆填充后的结果图，即海陆粗分割结果图。
B，海陆精细分割
虽然基于地理信息的海陆填充算法可以有效填充遥感图像中的大部分陆地区域，但由图4b也可以看出，填充的陆地区域有部分是遥感图像无效区域，如图像左上角的区域，该区域并不是遥感图像有效区域，但仍被该算法判别为陆 地部分。另外，由于人工开发导致海岸线变迁、数据库中海岸线数据精准程度、遥感卫星图像拍摄角度等因素的影响，上述基于地理信息的海陆粗分割过程的陆地填充效果在海岸线附近区域、海岛周边区域效果并不理想。图4c为从图4b中截取的四个海岸线附近区域、海岛周边区域，由该图可以看出，部分陆地区域并没有被海陆填充算法划分为陆地部分，部分识别出来的海岛区域与遥感图像中实际海岛区域出现位置偏离的现象。因此，在海岸线边缘区域以及海岛区域需进行进一步的精细海陆分割处理。
本发明中，对于海岸线边缘区域以及海岛区域的海陆精细分割方法是基于全陆地区域和全海洋区域统计学习模型实现的，包括S3-S7五个步骤：
S3：在上述海陆粗分割基础上，对遥感图像进行分块，自动提取需要进一步精细分割处理的海岸线边缘区域块以及海岛区域块，同时提取一些全陆地区域块和全海洋区域块；以全陆地区域块、全海洋区域块作为训练集，以海岸线边缘区域块、海岛区域块作为测试集。
自动提取训练集子图像和测试集子图像区域是基于原始遥感图像信息和海陆粗分割后的图像相关信息来完成的。如图5所示，具体提取步骤如下：
S31：确定遥感图像的有效影像区域，形成遥感影像的区域。图3b中的倾斜四边形影像区域即为有效遥感影像区域Sp1p2p3p4(p1,p2,p3,p4对应四边形的4个顶点)，该四边形区域外围的黑色区域为无效影像图像区域，可以通过阈值化处理和形态学操作得到遥感图像的有效影像区域；
S32：利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域。图4b中的纯白色区域Sredlandmark为海陆粗分割算法识别出来的陆地区域，而该陆地区域与步骤S31中的有效影像区域相重叠的部分即为海陆粗分割结果图中的有效陆地区域，如图6中的纯白色区域Struelandmark所示；
S33：根据所述有效陆地区域对所述遥感图像中进行分别提取全陆地区域、全海洋区域、需进行精细海陆分割处理的海岸线附近区域和海岛区域。具体来讲，如图7所示,该步骤又包括以下5个步骤：
S331：对遥感图像进行分块，获取若干图像子块。如将图像均分为512ⅹ512大小的图像子块。
S332：依次读取每一个图像子块；
S333：根据全陆地区域判别标准，判断其是否为全陆地区域子块，如属于全陆地区域子块，则提取该图像子块放入全陆地训练集文件夹中，并跳转至步骤S332继续执行。如不属于全陆地区域子块，进入步骤S334。
S334：根据全海洋区域判别标准，判断其是否为全海洋区域子块，如属于全海洋区域子块，则提取该图像子块放入全海洋训练集文件夹中，并跳转至步骤S332继续执行。如不属于全海洋区域子块，进入步骤S335。
S335：根据海岸线附近区域和海岛区域判别标准，判断其是否为海岸线附近区域或海岛区域子块，如属于该类，则提取该图像子块放入测试集文件夹中，并跳转至步骤S332继续执行。如不属于该类别，不进行其他操作，直接进入步骤S332。
本发明实施例中，选取的图像子块大小均为512ⅹ512。设图像子块为Sabcd，则有：
(1)对全陆地区域子块的判别：若该图像子块均位于海陆粗分割识别出来的遥感图像有效陆地区域中，即图6中的纯白色区域，也即
Figure PCTCN2016078597-appb-000001
则该图像子块为全陆地区域子块；
(2)对全海洋区域子块的判别：若该图像子块中不包含任何海陆粗分割识别出来的遥感图像有效陆地区域(即图6中的纯白色区域)的部分，并且该图像子块处于遥感图像中的有效影像区域Sp1p2p3p4中，也即
Figure PCTCN2016078597-appb-000002
则该图像子块为全海洋区域子块；
(3)对海岸线边缘区域子块和海岛区域子块的判别：
(3a)若该图像子块一部分为纯白色区域，剩余的部分为非纯白色区域，即
Figure PCTCN2016078597-appb-000003
则该图像子块为海岸线附近区域子块或海岛区域子块的候选子块；
(3b)位于有效影像区域Sp1p2p3p4边界上符合条件a的图像子块，如果该图像子块中的有效区域已经全部由海陆粗分割识别出来的区域完全覆盖，则排除该图像子块；
(3c)如果该图像子块识别出的海岛面积，即纯白色区域的面积不足图像子块面积的5％，排除该图像子块。
图8为本发明实施例提供的一个自动提取相关区域子块的结果图，其中粗黑线矩形框表示该图像子块为全陆地区域子块，白色线框表示该图像子块为全海洋区域子块，黑色线框表示该图像子块为需进一步进行海陆精细分割的区域。
S4：对所述训练集子图像和所述测试集子图像进行计算，分别获取这些图像中每个像素点对应的局部信息熵。其中，所述的某个像素所对应的局部信息熵是指，选取以该像素为中心坐标的一个邻域，计算出的该邻域的局部信息熵；
信息熵是对信息概率分布的一种度量。对于灰度图像，如果一幅图像包含G个灰度级，并且各个灰度级出现的概率分别为P1,P2,…PG，则图像的信息熵定义为：
Figure PCTCN2016078597-appb-000004
在一般灰度图像中G＝255。
图像的局部信息熵是指像素在局部(如mⅹm)邻域中的信息熵，即
Figure PCTCN2016078597-appb-000005
其中，localmⅹm表示局部邻域图像，
Figure PCTCN2016078597-appb-000006
nk表示灰度值为k的像素点在局部邻域中的个数。其中，本发明中所述的某个像素所对应的局部信息熵是指，选取以该像素为中心坐标的mⅹm的邻域，计算出的该邻域的局部信息熵。在后面的叙述中不再赘述。
在本发明实施例的实施过程中，对训练集和测试集子图像提取的局部信息熵特征是在像素的9ⅹ9(即m＝9)局部邻域中计算的。
S5：以所有全陆地区域块的子图像计算出的所有局部信息熵作为陆地区域特征集，以所有全海洋区域块的子图像计算出的所有局部信息熵为海洋区域特征集，分别对陆地区域特征集、海洋区域特征集进行概率分布统计，并对其概率分布进行学习，计算出和该概率分布最吻合的分布类型及相关参数，确定最优的特征概率分布模型并获得特征概率分布函数。
图9为从图8中提取的部分全陆地区域和全海洋区域，全陆地区域训练集和全海洋区域训练集分别对应的特征集的概率密度曲线如图10所示。
根据训练集特征的统计分布和概率密度曲线对训练集特征进行模型概率密度函数及参数进行估计，自动选取最适合的分布模型。根据特征数据的分布特点，建立不同类型的分布模型，本发明中使用的概率分布模型有贝塔分布、Birnbaunm-Saunders分布、指数分布、Extreme value分布、伽马分布、广义极值分布、广义Pareto分布、逆高斯分布、Logistic分布、Log-logistic分布、对数正态分布、Nakagami分布、正态分布、瑞利分布、Rician分布、t分布、韦伯分布等，依据统计学习中的贝叶斯信息准则(BIC准则)选择与训练集特征概率分布最吻合的最佳分布模型。BIC的计算方法如下：
Figure PCTCN2016078597-appb-000007
其中
Figure PCTCN2016078597-appb-000008
在上式中，x为待估计数据，n为待估计数据的个数，M为待评估的分布模 型，θ为该分布模型对应的参数，则
Figure PCTCN2016078597-appb-000009
表示该模型对应似然函数的最大值，
Figure PCTCN2016078597-appb-000010
表示模型似然函数取最大值时的参数取值。
若某一分布计算出来的BIC值越低，表示该分布模型与实际特征集概率分布数据拟合效果越好。
假设对图8所对应的训练集特征进行测试，图11为本发明实施例提供的两类训练集特征概率分布评估结果。其中，全陆地区域特征集服从韦伯分布时，其BIC值最小，因此该训练集特征的最佳概率分布为韦伯分布；而全海洋区域特征集服从广义极值分布时，其BIC值最小，因此该训练集特征的最佳概率分布为广义极值分布。
因此，全陆地区域训练集特征概率分布函数为——韦伯分布，韦伯分布函为：
Figure PCTCN2016078597-appb-000011
其中x为随机变量，这里表示局部信息熵特征向量；λ>0为比例参数；k>0为形状参数。经参数估计，上述全陆地训练集特征对应的韦伯分布中，参数λ＝5.2459，k＝17.3460，函数曲线对应图11a中的黑色实线。
全海洋区域训练集特征概率分布函数为——广义极值分布，广义极值分布函数表示为：
Figure PCTCN2016078597-appb-000012
其中，
Figure PCTCN2016078597-appb-000013
μ为位置参数；σ>0为比例参数；ξ∈R为形状参数。经参数估计，上述全海洋训练集特征对应的广义极值分布中，μ＝2.3473,σ＝0.2369,ξ＝0.0569，函数曲线对应图11b中的黑色实线。
对大量不同的遥感图像进行测试发现，所有的测试图像数据中提取的全陆地区域、全海洋区域局部信息熵特征概率统计分布均满足上述16种分布中的一种或几种，均可以利用上述方法求出对应的最佳概率分布函数估计。
S6：根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割，得到阈值分割图。
由上述，假设估计出的全陆地区域训练集的特征概率分布函数如公式(7)所示，代入上述估计出的参数后具体为：
Figure PCTCN2016078597-appb-000014
并假设估计出的全海洋区域训练集的特征概率分布函数如公式(8)所示，代入上述估计出的参数后具体为：：
Figure PCTCN2016078597-appb-000015
对于测试集中的某一子图像，提取每一个像素的局部信息熵特征，设A(m,n)为某一像素点，Ax(m,n)为该像素点对应的局部信息熵特征，则有判别函数
Figure PCTCN2016078597-appb-000016
因为全陆地曲线函数和全海洋曲线函数之间分离度较大，为了降低时间开销，可以采用基于贝叶斯原理的阈值判别方式代替上述判别函数。
由
f1(x)＝f2(x)             (12)
解得两个函数曲线相交时的交点x作为阈值T,即T＝x，在上述两个具体函数中，T＝x＝3.9149，则有判别函数
Figure PCTCN2016078597-appb-000017
以此阈值对从图8中提取的所有测试集图像进行基于局部信息熵的阈值分割，即海陆精细分离，得到阈值分割图。
S7：对所述阈值分割图进行形态学处理，得到海陆精细分割结果图。
本步骤主要包括两个步骤，如图12所示：
S71：对于阈值分割图进行空洞和细缝填充，获得初级海陆精细分割结果图。在本步骤中，对于阈值分割图，在陆地区域可能会存在因为植被、湖水、河流等因素造成的孔洞或细缝，孔洞或细缝的存在会对海陆分割结果造成误判，可以利用形态学中的闭运算和孔洞填充的方法对阈值分割图进行连接和填补，消除孔洞与细缝。
S72：去除所述初级海陆精细分割结果图中面积较小的连通域，得到海陆精细分割结果图。在本步骤中，诸如舰船目标的近岸海面一般目标较小，为了尽量降低将在海岸线附近的海面目标判别为陆地区域，在对图像进行孔洞填充后还需去除面积较小的连通域，这些面积较小的连通域作为疑似候选海面目标需要得到保留。在本步骤中，连通域面积阈值大小的选取需根据足够的先验知识和舰船等目标外形的实际参数来进行确定。
C，粗分割与精细分割结果融合
该过程对应图2中的S8。如图13所示，分为3个步骤：
S81：将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置，得到二值化掩模图像。在本步骤中，在粗分割的基础上，将测试集图像即海岸线边缘区域、海岛区域图像精细分割的结果映射至粗分割结果图像中相应位置，用这些图像子区域精细分割的结果代替粗分割的结果，得到二值化掩模图像。
S82：对所述二值化掩模图像进行形态学处理，得到海陆分割图像。基于统计学习的海陆精细分割后的二值化掩模图像虽然在输出前已经用形态学的相关操作对孔洞、细缝进行了填充，但由于部分测试集海陆分割结果图在上、下、 左、右边界处的孔洞并没有完全被填充，在将精细化分割后的结果与粗分割二值化处理后的结果进行融合后不可避免地会在融合的边缘区域会产生孔洞，因此在融合后仍需对融合后的二值化图像进行形态学操作，填充其中的孔洞。
S83：将所述海陆分割图像影射至所述遥感图像，得到海陆分割结果图，所述海陆分割结果图包括：
大幅面遥感图像陆地区域——Sim·Bim；
大幅面遥感图像海洋区域——Sim·(1-Bim)；
其中Sim为原始遥感图像，Bim为二值化的海陆分割掩模图像。
本发明中，涉及到形态学中的相关操作，如闭运算以及孔洞填充等，以及必要的图像区域填充方法等，对图像处理和计算机视觉领域的技术人员是已知内容，此处不再赘述。
如图14所示，为本发明实施例提供的一种大幅面遥感图像海陆分割的系统，包括：
海陆粗分割模块10，用于对所述遥感图像进行海陆填充，获取海陆粗分割结果图；
海陆精细分割模块11，用于利用所述海陆粗分割结果图对所述遥感图像进行分块提取，获取海陆精细分割结果图；
海陆分割结果获取模块12，用于将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合，获取海陆分割结果图。
如图15所示，海陆粗分割模块10具体包括：
海岸线添加模块101，用于利用GSHHS数据为所述遥感图像添加海岸线，生成海岸线添加图，具体的，海岸线添加模块具体用于：
a11，输入某一遥感图像，读取与所述遥感图像相对应的地理信息文件，获取所述遥感图像4个顶点对应的经纬度坐标；
a12,根据所述遥感图像4个顶点对应的经纬度坐标信息，确定一个四边形的经纬度区域；从GSHHS数据库中读取位于所述经纬度区域范围内的所有离散 海岸线经纬度数据；
a13，根据所述遥感图像的分辨率大小获取4个顶点A、B、C、D对应的顶点像素坐标，并计算所述顶点像素坐标与所述经纬度坐标之间的线性关系；
a14，将位于所述经纬度区域范围内的离散海岸线经纬度数据映射为对应的遥感图像像素坐标，得到离散海岸线像素坐标；
a15，在遥感图像中，将所述离散海岸线像素坐标连成线，形成海岸线，生成海岸线添加图。
海陆填充模块102，对所述海岸线添加图进行海陆填充，获取海陆粗分割结果图。具体的，海陆填充模块102具体用于：
a21，读取所述经纬度坐标，根据所述经纬度坐标确定一个四边形经纬度区域；
a22，依次读取GSHHS数据库中的经纬度数据段，每一个经纬度数据段为一封闭陆地或海岛经纬度数据；
a23，判断所述经纬度数据段与所述四边形经纬度区域是否有重合区域；
a24，若所述经纬度数据段与所述四边形经纬度范围有重合区域，则保留重合区域范围的经纬度数据；
a25，判断步骤a24获取的经纬度数据是否为一封闭数据段；若该经纬度数据为一非封闭数据段数据，则将所述非封闭数据段数据重新构造成一个封闭区域，并将所述非封闭数据段数据与其他数据段数据隔开；
a26，若判断步骤a24获取的经纬度数据为一封闭数据段，则将所述经纬度数据变换为所述海岸线添加图的像素坐标，并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域；
a27，利用区域填充算法，将步骤a26中获取的区域内部填充成一个完整的陆地块或海岛块；
a28，判断GSHHS数据库中是否仍存在其他封闭数据段，若存在重复步骤a22至步骤a27直至海陆填充完毕，得到海陆粗分割结果图。
海陆精细分割单元11具体包括：
图像分块模块111,用于对所述遥感图像进行分块，得到全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块；以所述全陆地区域块和所述全海洋区域块为训练集，以所述海岸线边缘区域块和所述海岛区域块为测试集；分别对所述训练集和所述测试集提取子图像，获取训练集子图像和测试集子图像。具体的，图像分块模块111具体用于：
b11，确定所述遥感图像的有效影像区域；
b12，利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域；
b13，根据所述有效陆地区域对所述遥感图像进行分块提取，得到所述全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块。在本步骤中，图像分块模块111还用于：
b131,对所述遥感图像进行分块，获取若干图像子块；
b132，依次读取每一图像子块；
b133，判断所述图像子块是否为全陆地区域子块；
若所述图像子块为全陆地区域子块，则将所述图像子块放入全陆地训练集文件夹中，并继续执行步骤b132；
若所述图像子块非全陆地区域子块，则继续进行步骤b134；
b134，判断所述图像子块是否为全海洋区域子块；
若所述图像子块为全海洋区域子块，则将所述图像子块放入全海洋训练集文件夹中，并继续执行步骤b132；
若所述图像子块非全海洋区域子块，则继续进行步骤b135；
b135，判断所述图像子块是否为海岸线边缘区域子块或海岛区域子块；
若所述图像子块为海岸线边缘区域子块或海岛区域子块，则将所述图像子块放入海岸线边缘区域或海岛区域训练集文件夹中，并继续执行步骤b132；
若所述图像子块非海岸线边缘区域子块或海岛区域子块，则继续进行步骤 b132。
局部信息熵获取模块112，用于对所述训练集子图像和所述测试集子图像进行计算，分别获取每一个像素点对应的局部信息熵；
分布函数获取模块113，用于以根据全陆地区域块的子图像计算出的局部信息熵作为陆地区域特征集，以根据全海洋区域块的子图像计算出的局部信息熵为海洋区域特征集，分别对所述陆地区域特征集和海洋区域特征集进行概率分布统计及学习，计算出与所述概率分布最吻合的分布类型及相关参数，确定最优特征概率分布模型并获得相应的特征概率分布函数；
阈值分割模块114，用于根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割，得到阈值分割图；
精细分割获取模块115，用于对所述阈值分割图进行形态学处理，得到海陆精细分割结果图。具体的，精细分割获取模块115具体用于：
b51，对于阈值分割图进行空洞和细缝填充，获得初级海陆精细分割结果图；
b52，去除所述初级海陆精细分割结果图中面积较小的连通域，得到海陆精细分割结果图。
海陆分割结果获取单元12包括：
影射融合模块121，将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置，得到二值化掩模图像；
处理模块122，对所述二值化掩模图像进行形态学处理，得到海陆分割图像；
图像获得模块123，将所述海陆分割图像影射至所述遥感图像，得到海陆分割结果图；所述海陆分割结果图包括大幅面遥感图像陆地区域和大幅面遥感图像海洋区域。
本发明提出的大幅面遥感图像的海陆分割方法，首先利用遥感图像的经纬度信息，在全球海岸线数据库(GSHHS)的基础上填充大部分陆地区域，实现大幅面遥感图像的海陆粗分割；根据海陆粗分割结果，提取需进一步精细分割处 理的区域子图像作为测试集，提取全陆地区域和全海洋区域子图像作为训练集，对训练集图像建立基于局部信息熵特征的自适应概率统计学习模型，确定最优的概率分布模型，利用该模型对测试集子图像进行基于局部信息熵的贝叶斯海陆精细分割。将基于地理信息的海陆粗分割结果和海陆精细分割结果融合在一起，并对融合结果进行形态学处理，最终得到完整的大幅面遥感图像海陆分割图像。相对于现有的海陆分割方法，该方法可以有效处理复杂背景情形下的大幅面遥感图像的海陆分割问题，分割结果更为精准，对基于海陆分离的相关技术研究如海洋目标检测影响较小，适用于对遥感图像进行批量处理，实用性更强。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来控制相关的硬件完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (18)

  1. 一种大幅面遥感图像海陆分割的方法，其特征在于，所述方法包括下述步骤：
    步骤A，对所述遥感图像进行海陆填充，获取海陆粗分割结果图；
    步骤B，结合所述海陆粗分割结果图对所述遥感图像进行分块提取，获取海陆精细分割结果图；
    步骤C，将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合，获取海陆分割结果图。
  2. 如权利要求1所述的方法，其特征在于，所述步骤A包括：
    步骤A1，利用GSHHS数据库为所述遥感图像添加海岸线，生成海岸线添加图；
    步骤A2，对所述海岸线添加图进行海陆填充，获取海陆粗分割结果图。
  3. 如权利要求2所述的方法，其特征在于，所述步骤A1包括：
    步骤A11，输入某一遥感图像，读取与所述遥感图像相对应的地理信息文件，获取所述遥感图像4个顶点对应的经纬度坐标；
    步骤A12,根据所述遥感图像4个顶点对应的经纬度坐标信息，确定一个四边形的经纬度区域；从所述GSHHS数据库中读取位于所述经纬度区域范围内的所有离散海岸线经纬度数据；
    步骤A13，根据所述遥感图像的分辨率大小获取4个顶点对应的顶点像素坐标，并计算每个顶点的像素坐标与各自经纬度坐标之间的线性关系，根据所述线性关系获取所述遥感图像中每个像素点对应的经纬度数据；
    步骤A14，将位于所述经纬度区域内的离散海岸线经纬度数据映射为对应的遥感图像的像素坐标，得到离散海岸线像素坐标；
    步骤A15，在所述遥感图像中，将所述离散海岸线像素坐标连成线，形成海岸线，生成海岸线添加图。
  4. 如权利要求3所述的方法，其特征在于，所述步骤A2包括：
    步骤A21，读取所述经纬度坐标，根据所述经纬度坐标确定一个四边形经纬度区域；
    步骤A22，依次读取GSHHS数据库中的经纬度数据段，每一个经纬度数据段为一封闭陆地或海岛经纬度数据；
    步骤A23，判断所述经纬度数据段与所述四边形经纬度区域是否有重合区域；
    步骤A24，若所述经纬度数据段与所述四边形经纬度范围有重合区域，则保留重合区域范围的经纬度数据；
    步骤A25，判断步骤A24获取的经纬度数据是否为一封闭数据段；若该经纬度数据为一非封闭数据段数据，则将所述非封闭数据段数据重新构造成一个封闭区域，并将所述非封闭数据段数据与其他数据段数据隔开；
    步骤A26，若判断步骤A24获取的经纬度数据为一封闭数据段，则将所述经纬度数据变换为所述海岸线添加图的像素坐标，并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域；
    步骤A27，利用区域填充算法，将步骤A26中获取的区域填充成一个完整的陆地块或海岛块；
    步骤A28，判断GSHHS数据库中是否仍存在其他封闭数据段，若存在重复步骤A22至步骤A27直至海陆填充完毕，得到海陆粗分割结果图。
  5. 如权利要求1所述的方法，其特征在于，所述步骤B包括：
    步骤B1，对所述遥感图像进行分块，得到全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块；以所述全陆地区域块和所述全海洋区域块为训练集，以所述海岸线边缘区域块和所述海岛区域块为测试集；
    分别对所述训练集和所述测试集提取子图像，获取训练集子图像和测试集子图像；
    步骤B2，对所述训练集子图像和所述测试集子图像进行计算，分别获取这些图像中每个像素点对应的局部信息熵；
    步骤B3，以根据全陆地区域块的子图像计算出的局部信息熵作为陆地区域特征集，以根据全海洋区域块的子图像计算出的局部信息熵为海洋区域特征集，分别对所述陆地区域特征集和海洋区域特征集进行概率分布统计及学习，计算出与所述概率分布最吻合的分布类型及相关参数，确定最优特征概率分布模型并获得相应的特征概率分布函数；
    步骤B4，根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割，得到阈值分割图；
    步骤B5，对所述阈值分割图进行形态学处理，得到海陆精细分割结果图。
  6. 如权利要求5所述的方法，其特征在于，所述步骤B1包括：
    步骤B11，确定所述遥感图像的有效影像区域；
    步骤B12，利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域；
    步骤B13，根据所述有效陆地区域对所述遥感图像中进行分块提取，得到所述全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块。
  7. 如权利要求6所述的方法，其特征在于，所述步骤B13具体包括：
    步骤B131,对所述遥感图像进行分块，获取若干图像子块；
    步骤B132，依次读取每一图像子块；
    步骤B133，判断所述图像子块是否为全陆地区域子块；
    若所述图像子块为全陆地区域子块，则将所述图像子块放入全陆地训练集文件夹中，并继续执行步骤B132；
    若所述图像子块非全陆地区域子块，则继续进行步骤B134；
    步骤B134，判断所述图像子块是否为全海洋区域子块；
    若所述图像子块为全海洋区域子块，则将所述图像子块放入全海洋训练集文件夹中，并继续执行步骤B132；
    若所述图像子块非全海洋区域子块，则继续进行步骤B135；
    步骤B135，判断所述图像子块是否为海岸线边缘区域子块或海岛区域子 块；
    若所述图像子块为海岸线边缘区域子块或海岛区域子块，则将所述图像子块放入海岸线边缘区域或海岛区域测试集文件夹中，并继续执行步骤B132；
    若所述图像子块非海岸线边缘区域子块或海岛区域子块，则继续进行步骤B132。
  8. 如权利要求5所述的方法，其特征在于，所述步骤B5包括：
    步骤B51，对于阈值分割图进行空洞和细缝填充，获得初级海陆精细分割结果图；
    步骤B52，去除所述初级海陆精细分割结果图中面积较小的连通域，得到海陆精细分割结果图。
  9. 如权利要求1所述的方法，其特征在于，所述步骤C包括：
    步骤C1，将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置，得到二值化掩模图像；
    步骤C2，对所述二值化掩模图像进行形态学处理，得到海陆分割图像；
    步骤C3，将所述海陆分割图像影射至所述遥感图像，得到海陆分割结果图；所述海陆分割结果图包括大幅面遥感图像陆地区域和大幅面遥感图像海洋区域。
  10. 一种大幅面遥感图像海陆分割的系统，其特征在于，所述系统包括：
    海陆粗分割单元，用于对所述遥感图像进行海陆填充，获取海陆粗分割结果图；
    海陆精细分割单元，用于利用所述海陆粗分割结果图对所述遥感图像进行分块提取，获取海陆精细分割结果图；
    海陆分割结果获取单元，用于将所述海陆粗分割结果图与所述海陆精细分割结果图进行融合，获取海陆分割结果图。
  11. 如权利要求10所述的系统，其特征在于，所述海陆粗分割单元包括：
    海岸线添加模块，用于利用GSHHS数据为所述遥感图像添加海岸线，生成 海岸线添加图；
    海陆填充模块，对所述海岸线添加图进行海陆填充，获取海陆粗分割结果图。
  12. 如权利要求11所述的系统，其特征在于，所述海岸线添加模块具体用于：
    首先，输入某一遥感图像，读取与所述遥感图像相对应的地理信息文件，获取所述遥感图像4个顶点对应的经纬度坐标；
    接着,根据所述遥感图像4个顶点对应的经纬度坐标信息，确定一个四边形的经纬度区域；从GSHHS数据库中读取位于所述经纬度区域范围内的所有离散海岸线经纬度数据；
    接着，根据所述遥感图像的分辨率大小获取4个顶点对应的顶点像素坐标，并计算每个顶点的像素坐标与各自经纬度坐标之间的线性关系，根据所述线性关系获取所述遥感图像中每个像素点对应的经纬度数据；
    接着，将位于所述经纬度区域范围内的离散海岸线经纬度数据映射为对应的遥感图像像素坐标，得到离散海岸线像素坐标；
    最后，在遥感图像中，将所述离散海岸线像素坐标连成线，形成海岸线，生成海岸线添加图。
  13. 如权利要求11所述的系统，其特征在于，所述海陆填充模块具体用于：
    a21，读取所述经纬度坐标，根据所述经纬度坐标确定一个四边形经纬度区域；
    a22，依次读取GSHHS数据库中的经纬度数据段，每一个经纬度数据段为一封闭陆地或海岛经纬度数据；
    a23，判断所述经纬度数据段与所述四边形经纬度区域是否有重合区域；
    a24，若所述经纬度数据段与所述四边形经纬度范围有重合区域，则保留重合区域范围的经纬度数据；
    a25，判断步骤a24获取的经纬度数据是否为一封闭数据段；若该经纬度数 据为一非封闭数据段数据，则将所述非封闭数据段数据重新构造成一个封闭区域，并将所述非封闭数据段数据与其他数据段数据隔开；
    a26，若判断步骤a24获取的经纬度数据为一封闭数据段，则将所述经纬度数据变换为所述海岸线添加图的像素坐标，并将位于这些像素坐标围成的曲线范围内的像素点标记成陆地区域或海岛区域；
    a27，利用区域填充算法，将步骤a26中获取的区域填充成一个完整的陆地块或海岛块；
    a28，判断GSHHS数据库中是否仍存在其他封闭数据段，若存在重复步骤a22至步骤a27直至海陆填充完毕，得到海陆粗分割结果图。
  14. 如权利要求10所述的系统，其特征在于，所述海陆精细分割单元包括：
    图像分块模块,用于对所述遥感图像进行分块，得到全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块；以所述全陆地区域块和所述全海洋区域块为训练集，以所述海岸线边缘区域块和所述海岛区域块为测试集；
    分别对所述训练集和所述测试集提取子图像，获取训练集子图像和测试集子图像；
    局部信息熵获取模块，用于对所述训练集子图像和所述测试集子图像进行计算，分别获取这些图像中每个像素点对应的局部信息熵；
    分布函数获取模块，用于以根据全陆地区域块的子图像计算出的每个像素点的局部信息熵作为陆地区域特征集，以根据全海洋区域块的子图像计算出的每个像素点的局部信息熵为海洋区域特征集，分别对所述陆地区域特征集和海洋区域特征集进行概率分布统计及学习，计算出与所述概率分布最吻合的分布类型及相关参数，确定最优特征概率分布模型并获得相应的特征概率分布函数；
    阈值分割模块，用于根据所述特征概率分布函数对所述测试集子图像进行基于局部信息熵的阈值分割，得到阈值分割图；
    精细分割获取模块，用于对所述阈值分割图进行形态学处理，得到海陆精细分割结果图。
  15. 如权利要求14所述的系统，其特征在于，所述图像分块模块具体用于：
    b11，确定所述遥感图像的有效影像区域；
    b12，利用所述有效影像区域确定所述海陆粗分割结果图中的有效陆地区域；
    b13，根据所述有效陆地区域对所述遥感图像中进行分块提取，得到所述全陆地区域块、全海洋区域块、海岸线边缘区域块和海岛区域块。
  16. 如权利要求15所述的系统，其特征在于，在所述b13中，所述图像分块模块还用于：
    b131,对所述遥感图像进行分块，获取若干图像子块；
    b132，依次读取每一图像子块；
    b133，判断所述图像子块是否为全陆地区域子块；
    若所述图像子块为全陆地区域子块，则将所述图像子块放入全陆地训练集文件夹中，并继续执行步骤b132；
    若所述图像子块非全陆地区域子块，则继续进行步骤b134；
    b134，判断所述图像子块是否为全海洋区域子块；
    若所述图像子块为全海洋区域子块，则将所述图像子块放入全海洋训练集文件夹中，并继续执行步骤b132；
    若所述图像子块非全海洋区域子块，则继续进行步骤b135；
    b135，判断所述图像子块是否为海岸线边缘区域子块或海岛区域子块；
    若所述图像子块为海岸线边缘区域子块或海岛区域子块，则将所述图像子块放入海岸线边缘区域或海岛区域测试集文件夹中，并继续执行步骤b132；
    若所述图像子块非海岸线边缘区域子块或海岛区域子块，则继续进行步骤b132。
  17. 如权利要求14所述的系统，其特征在于，所述精细分割获取模块具体用于：
    b51，对于阈值分割图进行空洞和细缝填充，获得初级海陆精细分割结果图；
    b52，去除所述初级海陆精细分割结果图中面积较小的连通域，得到海陆精细分割结果图。
  18. 如权利要求10所述的系统，其特征在于，所述海陆分割结果获取单元包括：
    影射融合模块，将所述海陆精细分割结果图影射融合至所述海陆粗分割结果图中的相应位置，得到二值化掩模图像；
    处理模块，对所述二值化掩模图像进行形态学处理，得到海陆分割图像；
    图像获得模块，将所述海陆分割图像影射至所述遥感图像，得到海陆分割结果图；所述海陆分割结果图包括大幅面遥感图像陆地区域和大幅面遥感图像海洋区域。
PCT/CN2016/078597 2015-10-28 2016-04-06 一种大幅面遥感图像海陆分割的方法及系统 WO2017071160A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510712624.0A CN105513041B (zh) 2015-10-28 2015-10-28 一种大幅面遥感图像海陆分割的方法及系统
CN201510712624.0 2015-10-28

Publications (1)

Publication Number Publication Date
WO2017071160A1 true WO2017071160A1 (zh) 2017-05-04

Family

ID=55720998

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/078597 WO2017071160A1 (zh) 2015-10-28 2016-04-06 一种大幅面遥感图像海陆分割的方法及系统

Country Status (2)

Country Link
CN (1) CN105513041B (zh)
WO (1) WO2017071160A1 (zh)

Cited By (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108519058A (zh) * 2018-03-21 2018-09-11 国家海洋环境监测中心 一种光学遥感图像估算一年生海冰厚度的方法
CN108710862A (zh) * 2018-05-24 2018-10-26 河海大学 一种高分辨率遥感影像水体提取方法
CN109508585A (zh) * 2017-09-15 2019-03-22 中国科学院城市环境研究所 一种基于poi和高分辨率遥感影像提取城市功能区的方法
CN109697693A (zh) * 2018-12-03 2019-04-30 广东国图勘测地理信息有限公司 一种实现基于大数据空间运算的方法
CN109766811A (zh) * 2018-12-31 2019-05-17 复旦大学 一种星载sar图像中海面船只的端到端检测与识别方法
CN109886988A (zh) * 2019-01-31 2019-06-14 湖北大学 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN110070549A (zh) * 2019-04-25 2019-07-30 中国石油大学(华东) 一种基于最优尺度邻域信息的海上溢油sar图像软分割方法
CN110097101A (zh) * 2019-04-19 2019-08-06 大连海事大学 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法
CN110176005A (zh) * 2019-05-16 2019-08-27 西安电子科技大学 基于归一化指数和多尺度模型的遥感图像分割方法
CN110211106A (zh) * 2019-05-24 2019-09-06 大连海事大学 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法
CN110264484A (zh) * 2019-06-27 2019-09-20 上海海洋大学 一种面向遥感数据的改进海岛岸线分割系统及分割方法
CN110322419A (zh) * 2019-07-11 2019-10-11 广东工业大学 一种遥感图像去雾方法及系统
CN110414343A (zh) * 2019-06-24 2019-11-05 西安电子科技大学 一种在轨卫星遥感图像舰船检测方法
CN110992257A (zh) * 2019-12-20 2020-04-10 北京航天泰坦科技股份有限公司 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置
CN111008585A (zh) * 2019-11-29 2020-04-14 西安电子科技大学 基于自适应分层高分辨sar图像的舰船目标检测方法
CN111026831A (zh) * 2019-12-17 2020-04-17 江苏物润船联网络股份有限公司 一种基于Ais轨迹数据和卫星图像的航运信息挖掘方法
CN111125392A (zh) * 2019-12-25 2020-05-08 华中科技大学 一种基于矩阵对象存储机制的遥感影像存储、查询方法
CN111324145A (zh) * 2020-02-28 2020-06-23 厦门理工学院 一种无人机自主着陆方法、装置、设备及存储介质
CN111340829A (zh) * 2020-02-10 2020-06-26 上海海洋大学 一种改进的dme水肿区域神经网络分割模型的构建方法
CN111368599A (zh) * 2018-12-26 2020-07-03 北京眼神智能科技有限公司 遥感图像海面舰船检测方法、装置、可读存储介质及设备
CN111428627A (zh) * 2020-03-23 2020-07-17 西北大学 一种山地地貌遥感提取方法及系统
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法
CN111627030A (zh) * 2020-05-29 2020-09-04 王程 快速高效的可见光遥感影像海陆精确分割方法
CN111832575A (zh) * 2020-07-16 2020-10-27 黄河勘测规划设计研究院有限公司 一种基于遥感图像的水面区域提取方法及装置
CN111986203A (zh) * 2020-07-09 2020-11-24 河南科技大学 一种深度图像的分割方法及装置
CN112085656A (zh) * 2020-08-31 2020-12-15 厦门蓝海天信息技术有限公司 海洋模式数据岸线延展方法、系统、移动终端及存储介质
CN112365495A (zh) * 2020-11-30 2021-02-12 江苏海洋大学 基于遥感的识别违章建筑方法
CN112380367A (zh) * 2020-10-27 2021-02-19 中南大学 一种基于熵的遥感影像数据筛选方法
CN112434642A (zh) * 2020-12-07 2021-03-02 北京航空航天大学 一种适用于处理大场景光学遥感数据的海陆分割方法
CN113012094A (zh) * 2020-11-30 2021-06-22 中国科学院空天信息创新研究院 一种卫星遥感数据的处理方法及相关装置
CN113160239A (zh) * 2021-03-08 2021-07-23 广东国地规划科技股份有限公司 一种违法用地检测方法及装置
CN113190195A (zh) * 2021-04-25 2021-07-30 中国电子科技集团公司第五十四研究所 一种大幅遥感影像可视化方法及系统
CN113222870A (zh) * 2021-05-13 2021-08-06 杭州海康威视数字技术股份有限公司 一种图像处理方法、装置及设备
CN113342292A (zh) * 2021-05-19 2021-09-03 大连陆海科技股份有限公司 一种基于电子海图的海冰遥感和数值数据的叠加显示方法
CN113420658A (zh) * 2021-04-30 2021-09-21 中国电子科技集团公司第十四研究所 一种基于fcm聚类和otsu分割的sar图像海陆分割方法
CN113739788A (zh) * 2021-08-03 2021-12-03 中山大学 一种亮温数据的地理位置校正方法及装置
CN113762220A (zh) * 2021-11-03 2021-12-07 通号通信信息集团有限公司 目标识别方法、电子设备、计算机可读存储介质
CN113989675A (zh) * 2021-11-02 2022-01-28 四川睿迈威科技有限责任公司 基于遥感影像的地理信息提取深度学习训练样本交互制作方法
CN114491967A (zh) * 2021-12-30 2022-05-13 中国科学院地理科学与资源研究所 陆地水储量预测方法、装置、设备及存储介质
CN115049928A (zh) * 2022-06-20 2022-09-13 电子科技大学 一种基于角点特征和岸线封闭特征的级联港口检测方法
CN116452901A (zh) * 2023-06-19 2023-07-18 中国科学院海洋研究所 基于深度学习的遥感图像海洋养殖区自动化提取方法
CN116482678A (zh) * 2023-03-14 2023-07-25 中国人民解放军63921部队 天基雷达海面探测波位优化方法、设备及存储介质
CN116597043A (zh) * 2023-05-11 2023-08-15 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于地质调查的数字填图方法及系统
CN116778431A (zh) * 2023-08-25 2023-09-19 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN117115449A (zh) * 2023-10-24 2023-11-24 中国石油大学(华东) 一种适用于大场景光学遥感影像的海面船只目标分割方法
CN117635177A (zh) * 2024-01-25 2024-03-01 武汉永业赛博能规划勘测有限公司 一种自然资源资产清查方法及系统
CN117975296A (zh) * 2024-04-01 2024-05-03 自然资源部第一海洋研究所 一种异常海洋锋面的卫星遥感探测提取识别方法及系统
CN117994657A (zh) * 2024-01-31 2024-05-07 海南师范大学 一种基于深度学习模型的海陆分割方法

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967449B (zh) * 2017-11-13 2019-07-05 西北工业大学 一种基于广义证据理论的多光谱图像未知目标识别方法
CN107992818B (zh) * 2017-11-29 2020-12-25 长光卫星技术有限公司 一种光学遥感图像海面船只目标的检测方法
CN108052629B (zh) * 2017-12-19 2021-07-06 郑州师范学院 一种基于高精度dem数据的快速海陆判断方法
CN108376247A (zh) * 2018-02-05 2018-08-07 北方工业大学 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN108682015B (zh) * 2018-05-28 2021-10-19 安徽科大讯飞医疗信息技术有限公司 一种生物图像中的病灶分割方法、装置、设备及存储介质
CN109389062B (zh) * 2018-09-14 2021-07-20 河南大学 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
CN110120050B (zh) * 2019-05-07 2021-01-29 西安电子科技大学 基于素描信息和超像素分割的光学遥感图像海陆分割方法
CN110649957B (zh) * 2019-08-26 2023-08-01 西安空间无线电技术研究所 降低星载微波辐射计滑环传输误码率的方法、系统及介质
CN110866926B (zh) * 2019-10-24 2022-12-20 北京航空航天大学 一种红外遥感图像快速精细海陆分割方法
CN111767856B (zh) * 2020-06-29 2023-11-10 烟台哈尔滨工程大学研究院 基于灰度值统计分布模型的红外小目标检测算法
CN111914948A (zh) * 2020-08-20 2020-11-10 上海海事大学 一种基于粗精语义分割网络的海流机叶片附着物自适应识别方法
CN112150482B (zh) * 2020-09-17 2022-10-14 北京航空航天大学 一种基于高程信息和归一化海水指数的海陆分割方法
CN112308077A (zh) * 2020-11-02 2021-02-02 中科麦迪人工智能研究院(苏州)有限公司 样本数据获取方法、图像分割方法、装置、设备和介质
CN113674308B (zh) * 2021-05-06 2024-02-13 西安电子科技大学 基于图像增强与多重检测的sar图像舰船目标快速检测方法
CN113192088A (zh) * 2021-05-19 2021-07-30 山东纬横数据科技有限公司 一种基于遥感图像阈值分割的雷达图像固定背景掩模方法
CN114241336B (zh) * 2021-12-30 2022-09-20 河南祥宇工程勘察设计有限公司 一种基于动态低分辨遥感图像的河湖水域确权划界方法
CN115391069B (zh) * 2022-10-27 2023-02-03 山东省计算中心（国家超级计算济南中心） 基于海洋模式roms的并行通讯方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110013841A1 (en) * 2009-01-21 2011-01-20 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Boundary Extraction Method
CN102013015A (zh) * 2010-12-02 2011-04-13 南京大学 一种面向对象的遥感影像海岸线提取方法
CN102054274A (zh) * 2010-12-01 2011-05-11 南京大学 一种海岸带水体遥感信息全自动提取方法
CN102968798A (zh) * 2012-12-12 2013-03-13 北京航空航天大学 一种基于小波变换和otsu阈值的sar图像海陆分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020975A (zh) * 2012-12-29 2013-04-03 北方工业大学 一种结合多源遥感图像特征的码头和船舶分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110013841A1 (en) * 2009-01-21 2011-01-20 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Boundary Extraction Method
CN102054274A (zh) * 2010-12-01 2011-05-11 南京大学 一种海岸带水体遥感信息全自动提取方法
CN102013015A (zh) * 2010-12-02 2011-04-13 南京大学 一种面向对象的遥感影像海岸线提取方法
CN102968798A (zh) * 2012-12-12 2013-03-13 北京航空航天大学 一种基于小波变换和otsu阈值的sar图像海陆分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DELLEPIANE, S. ET AL.: "Coastline Extraction from SAR Images and a Method for the Evaluation of the Coastline Precision", PATTERN RECOGNITION LETTERS, vol. 25, no. 13, 1 October 2004 (2004-10-01), pages 1461 - 1470, XP004565748 *
NIEDERMEIER, A. ET AL.: "Detection of Coastlines in SAR Images Using Wavelet Methods", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 38, no. 5, 30 September 2000 (2000-09-30), pages 2270 - 2281, XP055378948 *
QU, JISHUANG ET AL.: "A Multi-Threshold Based Morphological Approach for Extracting Coastal Line Feature from Remote Sensed Images", JOURNAL OF IMAGE AND GRAPHICS, vol. 8, no. 7, 31 July 2003 (2003-07-31), XP055378937 *
SHI, XIAODONG ET AL.: "Method of Water and Land Segmentation in Optical Remote Sensing Images", FOREIGN ELECTRONIC MEASUREMENT TECHNOLOGY, vol. 33, no. 11, 30 November 2014 (2014-11-30), pages 29 - 32 *

Cited By (82)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508585A (zh) * 2017-09-15 2019-03-22 中国科学院城市环境研究所 一种基于poi和高分辨率遥感影像提取城市功能区的方法
CN108519058A (zh) * 2018-03-21 2018-09-11 国家海洋环境监测中心 一种光学遥感图像估算一年生海冰厚度的方法
CN108710862B (zh) * 2018-05-24 2022-06-28 河海大学 一种高分辨率遥感影像水体提取方法
CN108710862A (zh) * 2018-05-24 2018-10-26 河海大学 一种高分辨率遥感影像水体提取方法
CN109697693A (zh) * 2018-12-03 2019-04-30 广东国图勘测地理信息有限公司 一种实现基于大数据空间运算的方法
CN109697693B (zh) * 2018-12-03 2022-12-13 广东国图勘测地理信息有限公司 一种实现基于大数据空间运算的方法
CN111368599B (zh) * 2018-12-26 2023-11-07 北京眼神智能科技有限公司 遥感图像海面舰船检测方法、装置、可读存储介质及设备
CN111368599A (zh) * 2018-12-26 2020-07-03 北京眼神智能科技有限公司 遥感图像海面舰船检测方法、装置、可读存储介质及设备
CN109766811B (zh) * 2018-12-31 2023-05-02 复旦大学 一种星载sar图像中海面船只的端到端检测与识别方法
CN109766811A (zh) * 2018-12-31 2019-05-17 复旦大学 一种星载sar图像中海面船只的端到端检测与识别方法
CN109886988B (zh) * 2019-01-31 2023-05-05 湖北大学 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN109886988A (zh) * 2019-01-31 2019-06-14 湖北大学 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN110097101B (zh) * 2019-04-19 2022-09-13 大连海事大学 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法
CN110097101A (zh) * 2019-04-19 2019-08-06 大连海事大学 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法
CN110070549A (zh) * 2019-04-25 2019-07-30 中国石油大学(华东) 一种基于最优尺度邻域信息的海上溢油sar图像软分割方法
CN110176005A (zh) * 2019-05-16 2019-08-27 西安电子科技大学 基于归一化指数和多尺度模型的遥感图像分割方法
CN110176005B (zh) * 2019-05-16 2023-03-24 西安电子科技大学 基于归一化指数和多尺度模型的遥感图像分割方法
CN110211106A (zh) * 2019-05-24 2019-09-06 大连海事大学 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法
CN110211106B (zh) * 2019-05-24 2022-10-18 大连海事大学 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法
CN110414343B (zh) * 2019-06-24 2022-12-02 西安电子科技大学 一种在轨卫星遥感图像舰船检测方法
CN110414343A (zh) * 2019-06-24 2019-11-05 西安电子科技大学 一种在轨卫星遥感图像舰船检测方法
CN110264484B (zh) * 2019-06-27 2022-10-18 上海海洋大学 一种面向遥感数据的改进海岛岸线分割系统及分割方法
CN110264484A (zh) * 2019-06-27 2019-09-20 上海海洋大学 一种面向遥感数据的改进海岛岸线分割系统及分割方法
CN110322419B (zh) * 2019-07-11 2022-10-21 广东工业大学 一种遥感图像去雾方法及系统
CN110322419A (zh) * 2019-07-11 2019-10-11 广东工业大学 一种遥感图像去雾方法及系统
CN111008585B (zh) * 2019-11-29 2023-04-07 西安电子科技大学 基于自适应分层高分辨sar图像的舰船目标检测方法
CN111008585A (zh) * 2019-11-29 2020-04-14 西安电子科技大学 基于自适应分层高分辨sar图像的舰船目标检测方法
CN111026831B (zh) * 2019-12-17 2023-09-15 江苏物润船联网络股份有限公司 一种基于Ais轨迹数据和卫星图像的航运信息挖掘方法
CN111026831A (zh) * 2019-12-17 2020-04-17 江苏物润船联网络股份有限公司 一种基于Ais轨迹数据和卫星图像的航运信息挖掘方法
CN110992257A (zh) * 2019-12-20 2020-04-10 北京航天泰坦科技股份有限公司 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置
CN111125392B (zh) * 2019-12-25 2023-06-16 华中科技大学 一种基于矩阵对象存储机制的遥感影像存储、查询方法
CN111125392A (zh) * 2019-12-25 2020-05-08 华中科技大学 一种基于矩阵对象存储机制的遥感影像存储、查询方法
CN111340829A (zh) * 2020-02-10 2020-06-26 上海海洋大学 一种改进的dme水肿区域神经网络分割模型的构建方法
CN111340829B (zh) * 2020-02-10 2023-02-28 上海海洋大学 一种改进的dme水肿区域神经网络分割模型的构建方法
CN111324145A (zh) * 2020-02-28 2020-06-23 厦门理工学院 一种无人机自主着陆方法、装置、设备及存储介质
CN111428627B (zh) * 2020-03-23 2023-03-24 西北大学 一种山地地貌遥感提取方法及系统
CN111428627A (zh) * 2020-03-23 2020-07-17 西北大学 一种山地地貌遥感提取方法及系统
CN111582198B (zh) * 2020-05-12 2022-10-04 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法
CN111627030A (zh) * 2020-05-29 2020-09-04 王程 快速高效的可见光遥感影像海陆精确分割方法
CN111986203B (zh) * 2020-07-09 2022-10-11 河南科技大学 一种深度图像的分割方法及装置
CN111986203A (zh) * 2020-07-09 2020-11-24 河南科技大学 一种深度图像的分割方法及装置
CN111832575B (zh) * 2020-07-16 2024-04-30 黄河勘测规划设计研究院有限公司 一种基于遥感图像的水面区域提取方法及装置
CN111832575A (zh) * 2020-07-16 2020-10-27 黄河勘测规划设计研究院有限公司 一种基于遥感图像的水面区域提取方法及装置
CN112085656A (zh) * 2020-08-31 2020-12-15 厦门蓝海天信息技术有限公司 海洋模式数据岸线延展方法、系统、移动终端及存储介质
CN112085656B (zh) * 2020-08-31 2023-12-05 厦门蓝海天信息技术有限公司 海洋模式数据岸线延展方法、系统、移动终端及存储介质
CN112380367A (zh) * 2020-10-27 2021-02-19 中南大学 一种基于熵的遥感影像数据筛选方法
CN112365495A (zh) * 2020-11-30 2021-02-12 江苏海洋大学 基于遥感的识别违章建筑方法
CN113012094A (zh) * 2020-11-30 2021-06-22 中国科学院空天信息创新研究院 一种卫星遥感数据的处理方法及相关装置
CN112434642A (zh) * 2020-12-07 2021-03-02 北京航空航天大学 一种适用于处理大场景光学遥感数据的海陆分割方法
CN112434642B (zh) * 2020-12-07 2022-11-11 北京航空航天大学 一种适用于处理大场景光学遥感数据的海陆分割方法
CN113160239A (zh) * 2021-03-08 2021-07-23 广东国地规划科技股份有限公司 一种违法用地检测方法及装置
CN113160239B (zh) * 2021-03-08 2023-09-22 广东国地规划科技股份有限公司 一种违法用地检测方法及装置
CN113190195A (zh) * 2021-04-25 2021-07-30 中国电子科技集团公司第五十四研究所 一种大幅遥感影像可视化方法及系统
CN113420658A (zh) * 2021-04-30 2021-09-21 中国电子科技集团公司第十四研究所 一种基于fcm聚类和otsu分割的sar图像海陆分割方法
CN113222870A (zh) * 2021-05-13 2021-08-06 杭州海康威视数字技术股份有限公司 一种图像处理方法、装置及设备
CN113342292A (zh) * 2021-05-19 2021-09-03 大连陆海科技股份有限公司 一种基于电子海图的海冰遥感和数值数据的叠加显示方法
CN113342292B (zh) * 2021-05-19 2024-04-19 大连陆海科技股份有限公司 一种基于电子海图的海冰遥感和数值数据的叠加显示方法
CN113739788A (zh) * 2021-08-03 2021-12-03 中山大学 一种亮温数据的地理位置校正方法及装置
CN113739788B (zh) * 2021-08-03 2023-05-23 中山大学 一种亮温数据的地理位置校正方法及装置
CN113989675B (zh) * 2021-11-02 2022-06-14 四川睿迈威科技有限责任公司 基于遥感影像的地理信息提取深度学习训练样本交互制作方法
CN113989675A (zh) * 2021-11-02 2022-01-28 四川睿迈威科技有限责任公司 基于遥感影像的地理信息提取深度学习训练样本交互制作方法
CN113762220A (zh) * 2021-11-03 2021-12-07 通号通信信息集团有限公司 目标识别方法、电子设备、计算机可读存储介质
CN113762220B (zh) * 2021-11-03 2022-03-15 通号通信信息集团有限公司 目标识别方法、电子设备、计算机可读存储介质
CN114491967A (zh) * 2021-12-30 2022-05-13 中国科学院地理科学与资源研究所 陆地水储量预测方法、装置、设备及存储介质
CN115049928B (zh) * 2022-06-20 2024-05-07 电子科技大学 一种基于角点特征和岸线封闭特征的级联港口检测方法
CN115049928A (zh) * 2022-06-20 2022-09-13 电子科技大学 一种基于角点特征和岸线封闭特征的级联港口检测方法
CN116482678A (zh) * 2023-03-14 2023-07-25 中国人民解放军63921部队 天基雷达海面探测波位优化方法、设备及存储介质
CN116482678B (zh) * 2023-03-14 2024-05-03 中国人民解放军63921部队 天基雷达海面探测波位优化方法、设备及存储介质
CN116597043A (zh) * 2023-05-11 2023-08-15 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于地质调查的数字填图方法及系统
CN116597043B (zh) * 2023-05-11 2023-10-31 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于地质调查的数字填图方法及系统
CN116452901A (zh) * 2023-06-19 2023-07-18 中国科学院海洋研究所 基于深度学习的遥感图像海洋养殖区自动化提取方法
CN116452901B (zh) * 2023-06-19 2023-09-15 中国科学院海洋研究所 基于深度学习的遥感图像海洋养殖区自动化提取方法
CN116778431B (zh) * 2023-08-25 2023-11-10 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN116778431A (zh) * 2023-08-25 2023-09-19 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN117115449B (zh) * 2023-10-24 2024-01-26 中国石油大学(华东) 一种适用于大场景光学遥感影像的海面船只目标分割方法
CN117115449A (zh) * 2023-10-24 2023-11-24 中国石油大学(华东) 一种适用于大场景光学遥感影像的海面船只目标分割方法
CN117635177A (zh) * 2024-01-25 2024-03-01 武汉永业赛博能规划勘测有限公司 一种自然资源资产清查方法及系统
CN117635177B (zh) * 2024-01-25 2024-04-16 武汉永业赛博能规划勘测有限公司 一种自然资源资产清查方法及系统
CN117994657A (zh) * 2024-01-31 2024-05-07 海南师范大学 一种基于深度学习模型的海陆分割方法
CN117975296B (zh) * 2024-04-01 2024-06-11 自然资源部第一海洋研究所 一种异常海洋锋面的卫星遥感探测提取识别方法及系统
CN117975296A (zh) * 2024-04-01 2024-05-03 自然资源部第一海洋研究所 一种异常海洋锋面的卫星遥感探测提取识别方法及系统

Also Published As

Publication number Publication date
CN105513041A (zh) 2016-04-20
CN105513041B (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
WO2017071160A1 (zh) 一种大幅面遥感图像海陆分割的方法及系统
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
CN109583425B (zh) 一种基于深度学习的遥感图像船只集成识别方法
Wei et al. Toward automatic building footprint delineation from aerial images using CNN and regularization
CN112232349B (zh) 模型训练方法、图像分割方法及装置
CN109598241B (zh) 基于Faster R-CNN的卫星图像海上舰船识别方法
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
CN110119728A (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
CN110298211B (zh) 一种基于深度学习和高分辨率遥感影像的河网提取方法
CN112949550B (zh) 一种基于深度学习的水体识别方法、系统和介质
CN111027511B (zh) 基于感兴趣区块提取的遥感图像舰船检测方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN113076871A (zh) 一种基于目标遮挡补偿的鱼群自动检测方法
CN111476159A (zh) 一种基于双角回归的检测模型训练、检测方法及装置
CN114841972A (zh) 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法
CN103106658A (zh) 一种海岛、礁岸线快速提取方法
CN108376247A (zh) 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN109389062A (zh) 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
Hong et al. Automatic sub-pixel coastline extraction based on spectral mixture analysis using EO-1 Hyperion data
Xu-kai et al. Automated detection of coastline using Landsat TM based on water index and edge detection methods
CN107169412B (zh) 基于混合模型决策的遥感图像靠港船只检测方法
CN115331146A (zh) 一种基于数据增强与特征融合的微小目标自适应检测方法
CN113628180B (zh) 一种基于语义分割网络的遥感建筑物检测方法及系统
Xiao et al. Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection
CN112785629A (zh) 一种基于无监督深度光流网络的极光运动表征方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16858609

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 28.09.2018)

122 Ep: pct application non-entry in european phase

Ref document number: 16858609

Country of ref document: EP

Kind code of ref document: A1