WO2021077847A1 - 一种基于高分遥感影像的海水污染区域识别方法和设备 - Google Patents

一种基于高分遥感影像的海水污染区域识别方法和设备 Download PDF

Info

Publication number
WO2021077847A1
WO2021077847A1 PCT/CN2020/106921 CN2020106921W WO2021077847A1 WO 2021077847 A1 WO2021077847 A1 WO 2021077847A1 CN 2020106921 W CN2020106921 W CN 2020106921W WO 2021077847 A1 WO2021077847 A1 WO 2021077847A1
Authority
WO
WIPO (PCT)
Prior art keywords
pixel
area
seawater
sub
super
Prior art date
Application number
PCT/CN2020/106921
Other languages
English (en)
French (fr)
Inventor
张学玲
李露
Original Assignee
北京建筑大学
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 北京建筑大学 filed Critical 北京建筑大学
Priority to US17/771,602 priority Critical patent/US11836976B2/en
Publication of WO2021077847A1 publication Critical patent/WO2021077847A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10041—Panchromatic image
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Definitions

  • FIG. 8 is a schematic diagram of a normalized water body shadow index calculated for sub-superpixels in a seawater area according to an embodiment of the present invention.
  • g 0 w 0 ⁇ w 1 ⁇ (u 0 -u 1 ) 2

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于高分遥感影像的海水污染区域识别方法和设备，属于数字图像处理领域。所述方法首先通过监督学习算法对遥感影像进行海陆自动分类，通过流程化地迭代聚类，能够使分类结果达到较高的精度水平，同时相对于现有的海陆边界解析分类方法，运算量较小；然后利用海洋污染区与周边海水存在的叶绿素浓度差异和污染物阴影的亮度差异，将遥感解译中与叶绿素相关的归一化植被指数、与亮度相关的归一化水体阴影指数、基于分割的图像解译思路和基于人眼视觉显著机理相结合，通过阈值分割实现海洋污染区域的提取，分别提取水质优良区域与严重污染区域，进一步再获取污染过渡区域。本发明的方法为海洋污染预防、治理提供了便利、准确的参考。

Description

一种基于高分遥感影像的海水污染区域识别方法和设备 技术领域
本发明属于数字图像处理技术领域，具体涉及一种基于高分遥感影像的海水污染区域识别方法和设备。
背景技术
在全球陆地资源日趋紧张和环境不断恶化的今天，世界各国纷纷将目光转向海洋，开发海洋资源、发展海洋经济成为沿海国家国民经济的重要支柱，也是可持续发展战略的前沿阵地。现代海洋开发带来巨大经济效益的同时，也带来一系列资源和生态环境问题。目前海洋环境污染日趋严重，生态环境也日趋恶劣。海洋渔业和海洋养殖业等海洋经济产业对海洋环境有很强的依赖性。要开发海洋资源，必须有良好的海洋作业环境保障能力和准确的海洋环境数据。海洋环境监测技术正是保护海洋资源，避免海洋环境、生态环境恶化的显微镜和望远镜，是发现海洋污染，恢复生态平衡的先导工作，是保证海洋可持续发展的重要手段。据报道，由于近海污染，我国每年损失近800亿元，其中海洋渔业和海洋养殖业等海洋经济产业占大半。如果能对宏观尺度上大范围的海洋污染进行监测，不但能避免由于海洋污染产生的损失，而且能预测发展趋势，采取相关对策。
陆源污染是海洋环境污染最主要的污染源，此外还有不断增加的有机物质、营养盐和大量的放射性物质进入海洋，工业热污染以及其他固体物质对海洋的污染也在加强。我国海洋污染主要来源于陆源排污，排入中国海域的污水和各种有毒物质的80％来自陆地。如何保持海洋经济快速发展的同时，海洋生态环境不会进一步恶化，而且使某些海域的环境质量在一定程度上有所改变；如何加强海洋灾害要素成因机制和相互作用研究、提高预报技术和水平用于预防和减轻海洋灾害，以缓解海洋经济发展与环境之间的矛盾是我们必须面对和解决的问题。
传统的海洋污染监测考察长期以来主要是依靠船只人工采样和样本分析，通过现场取样和在实验室内进行化学分析的方法监测各种有害物质，这种方法对于小范围内滨海海洋环境污染检测有一定的优势，在近海及远海大范围宏观尺度的海洋环境污染监测中，这种方法耗时费力，受环境、气候、成本的制约较大。随着遥感技术的快速发展，以及大量高精度遥感卫星的升空，高分辨率、多频段、价格低廉的遥感数据的获取成为现实。这些遥感数据的使用为我们更好地对海洋污染进行综合的自动、长期、连续的监测分析 提供了便利，能够帮助我们对污染区域进行监测和量化分析。如“基于遥感数据深度学习的近海污染物识别与跟踪方法”(公开号CN 105630882 A)利用美国卫星遥感图像，借助改进的Grab-Cut图像分割算法分析天津市附近渤海湾的污染情况变化。但这些方法，存在着如深度学习卷积神经网络模型的卷积层计算量大、计算设备要求高、资金投入巨大、需要专业技术人员指导的制约；且Grab-Cut图像分割算法偏重解决对原始遥感影像算法分割尺度层面精度等问题，缺少“分割-分类”环节的联系，对具体污染物分类与识别欠缺讨论。
发明内容
发明目的：针对上述问题，本发明提出了一种基于高分遥感影像的海水污染区域识别方法及设备，能够以低计算开销实现海洋污染区域的高效精准检测识别。
技术方案：根据本发明的第一方面，提供一种基于高分遥感影像的海水污染区域识别方法，包括水陆区分步骤，以及海水污染区域分级识别步骤，其中，
所述水陆区分步骤包括：
利用线性迭代聚类方法将原始遥感影像分割为若干超像素；
计算每个超像素的归一化差异水体指数K x(mndwi)；
根据K x(mndwi)基于第一阈值T1将图像划分为海水区域和陆地区域；
所述海水污染区域分级识别步骤包括：
参照超像素分割方法将海水区域分割为若干子超像素；
计算每一个子超像素的归一化植被指数K x(ndvi)；
根据K x(ndvi)基于第二阈值T2将海水区域划分为水质良好和非良好区域；
计算每一个子超像素的归一化水体阴影指数K x(ndwsi)；
根据K x(ndwsi)基于第三阈值T3将海水区域划分为水质良好和非良好区域；
结合根据第二阈值T2提取的海水水质良好区域与根据第三阈值T3提取的海水水质不良区域，提取海水污染扩散区。
根据本发明的第二方面，提供一种计算机设备，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如本发明第一方面所述的 步骤。
有益效果：
1.传统的海洋污染监测考察主要依靠船只人工采样和实验室样本分析，本发明使用高分遥感影像进行海洋环境污染检测，基于实验数据与算法指导，极大的提高了海洋污染检测的效率、时效与范围。
2.本发明通过流程化地迭代聚类，能够使分类结果达到较高的精度水平，同时相对于现有的海陆边界解析分类方法，运算量较小。
3.本发明利用海洋污染区与周边海水存在的叶绿素浓度差异和污染物阴影的亮度差异，首次将将遥感解译中与叶绿素相关的归一化植被指数、与亮度相关的归一化水体阴影指数、基于分割的图像解译思路和基于人眼视觉显著机理相结合，通过阈值分割实现海洋污染区域的提取，分别提取水质优良区域与严重污染区域，进一步再获取污染过渡区域。方法精巧、简单，为海洋污染预防、治理提供了便利、准确的参考。
附图说明
图1为根据本发明的基于高分遥感影像识别海水污染区域方法流程图；
图2为根据本发明实施例的待处理的原始高分遥感影像；
图3为根据本发明实施例的线性迭代聚类法搜索示意图；
图4为根据本发明实施例的第一阈值在图像上的示意；
图5为根据本发明实施例的依据第一阈值T1对海洋区域识别结果；
图6为根据本发明实施例的第二阈值在图像上的示意；
图7为根据本发明实施例的依据第二阈值T2对不同水质区域的识别结果；
图8为根据本发明实施例的对海水区域子超像素计算的归一化水体阴影指数示意图；
图9为根据本发明实施例的第三阈值在图像上的示意；
图10为根据本发明实施例的依据第三阈值T3对不同水质区域的识别结果；
图11为根据本发明实施例的对K x(ndwsi)≤T3区域进行隶属度函数分类的模糊算法示意图；
图12为根据本发明实施例的对K x(ndvi)≥T2区域进行隶属度函数分类的模糊算法示意图；
图13为根据本发明实施例得到的海水污染扩散区(防护区)示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明的方法首先通过监督学习算法对遥感影像进行海陆自动分类，通过流程化地迭代聚类，能够使分类结果达到较高的精度水平，同时相对于现有的海陆边界解析分类方法，运算量较小；然后利用海洋污染区与周边海水存在的叶绿素浓度差异和污染物阴影的亮度差异，将遥感解译中与叶绿素相关的归一化植被指数(NDVI)、与亮度相关的归一化阴影指数(NDWSI)、基于分割的图像解译思路和基于人眼视觉显著机理相结合，进而通过阈值分割实现海洋污染区域的提取。参照图1，在一个实施例中，本发明的海水污染区域识别方法包括以下步骤：
步骤S1，进行水陆区分。
如图2所示，实施例中进行处理的原始高分遥感影像分辨率达30米，图像尺寸为7681行×7821列，含有五个波段，分别是蓝波段(Blue,0.45-0.52μm)、绿波段(Green,0.52-0.59μm)、红波段(Red,0.63-0.69μm)、中远红外波段(Mir,0.77-0.89μm)、近红外波段(Nir,1.55-1.75μm)。目标是从该影像中识别出海洋污染区域。
进行水陆区分具体包括以下步骤：
步骤S1-1，对遥感影像进行分割。本实施例中使用线性迭代聚类方法，将遥感影像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部迭代聚类。通过这种方法能生成紧凑、近似均匀的超像素，在运算速度，海洋污染物分布轮廓保持、分割后超像素形状方面具有较高的综合效果。实施例中设置预分割的超像素的数量为800。
线性迭代聚类进行影像分割具体实现的步骤如下：
(1)初始化聚类中心：按照设定的超像素个数，在图像内均匀地分配聚类中心，初始聚类中心为超像素聚类中某一像素点。本实施例遥感影像总共有60073101个像素点，预分割为K个相同尺寸的超像素，那么每个超像素聚类的大小为60073101/K，则相邻超像素聚类中心的距离(步长)近似为S＝sqrt(60073101/K)。本实施例中K取值为800，则得到相邻超像素聚类中心步长为S＝274。
(2)在聚类中心的3*3像素范围邻域内重选聚类中心。计算该邻域内所有遥感影像像素点的梯度值，将聚类中心移到该邻域内梯度最小的地方。以避免聚类中心落在梯度较大的轮廓边界上，影响后续聚类效果。应当理解，邻域范围并不限于3*3像素，这里仅是示例的作用。
(3)在每个聚类中心邻域内为每个像素点分配类标签(即属于哪个聚类中心)。与k-means方法在整张图中搜索不同，线性迭代聚类的搜索范围为2S*2S，可以加速算法收敛，如图3所示。此处期望的超像素尺寸为S*S，但搜索的范围是2S*2S，以提高聚类准确性，避免误分(本实施例中S＝274)。
(4)度量颜色距离和空间距离。
本步骤采用Lab色彩模式度量颜色与空间距离。Lab模式既不依赖光线，也不依赖于颜料，它是国际照明委员会(CIE)确定的一个理论上包括了人眼可以看见的所有色彩的色彩模式。Lab模式由三个通道组成，一个通道是明度，即L。另外两个是色彩通道，用A和B来表示。A通道包括的颜色是从深绿色(底亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值)；B通道则是从深蓝色(底亮度值)到灰色(中亮度值)再到黄色(高亮度值)。
对于每个搜索到的像素点，分别计算它和该聚类中心的距离。距离计算方法如下：
Figure PCTCN2020106921-appb-000001
Figure PCTCN2020106921-appb-000002
Figure PCTCN2020106921-appb-000003
其中，d c为颜色距离，l为每个像素点的明度(0至100)，a为每个像素点A通道的坐标值(+127至-128)，b为每个像素点在B通道的坐标值(+127至-128)，i表示聚类中心，j表示聚类中心中任一像素点，d s为表空间距离，x表示每个像素点在由遥感影像转化的XY坐标下的横向坐标，y表示每个像素点在由遥感影像转化的XY坐标下的纵向坐标，N s为类内最大空间距离，定义为N s＝S＝sqrt(N/K)，N为像素点个数，适用于每个聚类。最大的颜色距离N c既随遥感影像不同而不同，也随聚类不同而不同，本实施例以固定常数m＝10(取值范围[1,40]，一般取10)作为最大的颜色距离。最终的距离度量D′如下：
Figure PCTCN2020106921-appb-000004
由于每个像素点都会被多个聚类中心搜索到，所以每个像素点都会有一个与周围聚类中心的距离，取最小值对应的聚类中心作为该像素点的聚类中心。
(5)迭代优化：上述步骤(2)-(4)不断迭代直到误差收敛，即步骤4得到的原始超像素作为后续的初始聚类中心，再次执行步骤2-4的操作，直到每个像素点的聚类 中心不再发生变化为止，得到迭代后的超像素。通过对遥感影像实验发现10次迭代可以得到较理想效果，本实施例迭代次数取10。聚类的过程是一个寻找近似同类项的过程，聚类中心辐射范围内与聚类中心近似的像素被归属于这个聚类中心，聚类中心及其归属后的像素光谱信息、纹理信息等经过合并，所包含的信息超越了单个像素，称为超像素。聚类中心不断迭代优化趋于稳定之后得到超像素，超像素包含了聚类中心和像素点。
(6)优化迭代结果：按照“Z”型走向(从左到右，从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。这是为了优化步骤5中的迭代瑕疵：多连通、超像素尺寸过小，单个超像素被切割成多个不连续超像素等情况。最终将遥感影分割成由若干超像素组合而成的聚合体。
步骤S1-2，使用归一化差异水体指数mndwi计算每一个聚类集合x的归一化差异水体指数K x(mndwi)，计算公式如下：
Figure PCTCN2020106921-appb-000005
其中，x为当前计算聚类集合，一个聚类集合就是一个超像素，i为当前计算聚类集合x中一个像素点，n(x)为当前计算聚类集合x中所有像素点集合，
Figure PCTCN2020106921-appb-000006
为当前计算聚类集合x中一个像素点i的绿波段值，
Figure PCTCN2020106921-appb-000007
为当前计算聚类集合x中一个像素点i的Mir波段值，K x(mndwi)为当前计算聚类集合x的归一化差异水体指数值。-1＜＝K x(mndwi)＝1，负值表示地面覆盖为城市、道路等，对可见光高反射；0表示有岩石或裸土等，Green和Mir近似相等；正值，表示为海洋区域，且随海水深度、透明度增大而增大。
步骤S1-3，使用自适应阈值确定的最大类间方差法确定海水区域分界线。
根据步骤S1-2所得聚类集合的K x(mndwi)的灰度特性，将聚类集合分为前景和背景两个部分。记T1为前景与背景的分割阈值，下文称为第一阈值，前景像素点数占图像比例为w 0，平均灰度为u 0；背景像素点数占图像比例为w 1，平均灰度为u 1，图像的总平均灰度为u，前景和背景图像的方差分别记为g 0和g 1，则有：
g 0＝w 0×w 1×(u 0-u 1) 2
Figure PCTCN2020106921-appb-000008
当方差g 1、g 0的差值最大时，可以认为此时前景和背景差异最大，此时的灰度T是最佳阈值。当取最佳阈值时，两部分之间的差别应该是最大的，最大类间方差法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小，当类间方差最大时就意味着错分概率最小。取类间方差最大时对应的第一阈值T1得出海陆分界线。将归一化差异水体指数K x(mndwi)大于第一阈值T1的聚类集合设置为海洋区域，其它聚类集合为非海洋区域。实施例中计算得到K x(mndwi)＝T1＝－0.1012，计算得到的第一阈值在图上的示意如附图4所示。依据该第一阈值T1对海洋区域识别结果如图5所示。
步骤S1-4，精度检测：基于人眼视觉显示肌理验证精度并调整。
作为优选，基于人眼视觉识别肌理，对最大类间方差法所得水陆区域分界线结合全色遥感影像水陆区域分界线校验，提高识别准确率。
步骤S2，海水污染区域进行分级识别。
得到海洋区域以后，利用海洋污染区与周边海水存在的叶绿素浓度差异和污染物阴影的亮度差异进一步提取海水污染区。包括以下步骤：
步骤S2-1，对步骤S1所得海水区域再次进行分割。在步骤S1所得超像素的基础上，得到更精细的子超像素。本实施例中使用线性迭代聚类方法，在步骤S1所得海洋区域的基础上，将海洋区域遥感影像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部迭代聚类。与步骤S1不同的是，此步骤的迭代聚类在步骤S1所得超像素内部进行，通过这种方法能生成紧凑、近似均匀的子超像素，在运算速度，海洋污染物分布轮廓保持、分割后子超像素形状方面具有较高的综合效果。
(1)初始化子聚类中心：按照设定的子超像素个数，在步骤S1所得海水区域内每个超像素范围为边界，重新分配聚类中心，子初始聚类中心为某一超像素聚类中某一像素点。本实施例海洋区域遥感影像总共有25175484个像素点，预分割为K'个相同尺寸的子超像素，那么每个子超像素聚类的大小为25175484/K'，则相邻子超像素聚类中心的距离(步长)近似为S'＝sqrt(25175484/K')。本实施例中K'取值为3000，则得到相邻子超像素聚类中心步长为S'＝92。因此本步骤继承在步骤S1所得超像素的纹理、细节、上下文关系，所以步骤S1所得超像素层称之为父层，此层为子层，所得超像素为步骤 S1所得父超像素的子超像素。
(2)在子聚类中心的3*3像素范围邻域内重选子聚类中心。计算该邻域内所有遥感影像像素点的梯度值，将子聚类中心移到该邻域内梯度最小的地方。以避免子聚类中心落在梯度较大的轮廓边界上，影响后续聚类效果。
(3)在每个子聚类中心邻域内为每个像素点分配类标签(即属于哪个子聚类中心)。与k-means方法在整张图中搜索不同，线性迭代聚类的搜索范围为2S'*2S'，可以加速算法收敛。此处期望的子超像素尺寸为S'*S'(本实施例中S'＝92)，但搜索的范围是2S'*2S'，以提高聚类准确性，避免误分。
(4)度量颜色距离和空间距离。
此步骤与步骤S1-1中计算方法相同，继续使用线性迭代聚类方法将海水区域影像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部迭代聚类。本实施例以固定常数m＝10(取值范围[1,40]，一般取10)作为最大的颜色距离。
(5)迭代优化：上述步骤2-4不断迭代直到误差收敛，即每个像素点的子聚类中心不再发生变化为止，得到迭代后的子超像素。通过对遥感影像实验发现10次迭代可以得到较理想效果，本实施例迭代次数取10。
(6)优化迭代结果：按照“Z”型走向(从左到右，从上到下顺序)将不连续的子超像素、尺寸过小的子超像素重新分配给邻近的子超像素，将处于父超像素边界的子超像素优化至其父超像素，避免出现同一子超像素属于多个父超像素。遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。这样可以优化步骤5的迭代瑕疵：多连通、子超像素尺寸过小，单个超像素被切割成多个不连续子超像素、子超像素归属不明确等情况。最终在步骤S1所得父超像素的基础上，得到更精细的子超像素。
步骤S2-2，在获得的子超像素基础上，使用归一化植被指数ndvi计算每一个子超像素x的归一化植被指数K x(ndvi)，计算公式如下：
Figure PCTCN2020106921-appb-000009
其中，x为当前计算子超像素，i为当前计算子超像素x中一个像素点，n为当前计算子超像素x中所有像素点集合，
Figure PCTCN2020106921-appb-000010
为当前计算子超像素x中一个像素点i的红波段值，
Figure PCTCN2020106921-appb-000011
为当前计算子超像素x中一个像素点i的近红外Nir波段值，K x(ndvi)为当前计 算子超像素x的归一化植被指数值。
步骤S2-3，对根据步骤S2-2中的海水区域中每一个子超像素的归一化植被指数K x(ndvi)，将归一化植被指数小于第二阈值T2的子超像素设置为海水水质良好区域，其它子超像素为非良好区域。第二阈值T2的设定准则是在当前影像中能够区分水质良好区域和水质不良区域。结合步骤S2-2所得聚类集合的K x(ndvi)的灰度特性，将聚类集合分为前景和背景两个部分，使用步骤S1-3使用的自适应阈值确定的最大类间方差法，获得区分第二阈值T2＝0.1021，计算得到的第二阈值示意如附图6所示。将归一化植被指数小于0.1021的子超像素设置为水质良好区域，大于0.1021的子超像素设置为非水质良好区域，提取水质良好区域，如附图7所示。
步骤S2-4，依据步骤2水陆分割步骤对海水区域图像分割结果，计算海水区域中每一个子超像素的归一化水体阴影指数K x(ndwsi)，计算公式如下：
Figure PCTCN2020106921-appb-000012
其中，x为当前计算子超像素，i为当前计算子超像素x中一个像素点，n为当前计算子超像素x中所有像素点集合，
Figure PCTCN2020106921-appb-000013
为当前计算子超像素x中一个像素点i的绿波段值，
Figure PCTCN2020106921-appb-000014
为当前计算子超像素x中一个像素点i的近红外2波段Nir2波段值，结果如附图8所示。
步骤S2-5，对根据步骤S2-4中的海水区域中每一个超像素的归一化水体阴影指数ndwsi，提取海洋严重污染区域，将归一化阴影指数大于第三阈值T3的分割区域设置为海水水质不良区域，其它子超像素为水质良好区域。第三阈值T3的设定准则是在当前影像中能够区分水质重金属、泥沙区域和有机物含量过高区域。结合步骤S2-4所得聚类集合的K x(ndwsi)的灰度特性，将聚类集合分为前景和背景两个部分，使用步骤S1-3使用的自适应阈值确定的最大类间方差法，获得区分第三阈值T3＝1.831。计算得到的阈值示意如附图9所示。将归一化水体阴影指数大于1.831的超像素设置为水质不良区域，小于1.831的超像素设置为水质良好好域，提取水质不良好区域，如附图10所示。
步骤S2-6，结合步骤S2-3计算得到提取的海水水质良好区域与步骤S2-5计算得到提取海水水质不良区域，提取海水污染扩散区(防护区)。
因海水面积广阔，为了进一步提高海水污染边界提取精度，为海水污染扩散防治提 供更加清晰、明确的范围，以达到节省人力成本、物力成本，提高污染防治效率，需要将以上步骤得出的K x(ndwsi)≤T3且K x(ndvi)≥T2的海水区域超像素，即海水污染区域与非污染区域之间的过度区域范围进一步缩小，以得到海水污染扩散最前线范围。
本发明通过隶属度函数分类实现海水污染区域与非污染区域之间的过度区域范围进一步缩小，隶属度函数分类说明及具体实施步骤如下：若对论域(研究的范围)U中的任一元素x，都有一个数A x∈[0，1]与之对应，则称A为U上的模糊集，A x称为x对A的隶属度。当x在U中变动时，A x就是一个函数，称为A的隶属函数。隶属度A x越接近于1，表示x属于A的程度越高，A x越接近于0表示x属于A的程度越低。用取值于区间[0，1]的隶属函数A x表征x属于A的程度高低。本发明中的研究范围为海水污染区与海水水质良好区域的海水污染扩散区，将K x(ndwsi)≤T3且K x(ndvi)≥T2的海水区域设置为研究范围U，则每一个子超像素x为U中任一元素，通过隶属度函数，将K x(ndwsi)＝T3的子超像素设置隶属度为A x(max)＝1，即属于污染区域；K x(ndvi)＝T2的子超像素设置隶属度A x(min)＝0，即属于水质良好区域，创建研究范围U(K x(ndwsi)≤T3且K x(ndvi)≥T2的海水区域)对应的模糊集A x∈[0，1]，通过隶属度函数的模糊算法(图11)对研究范围U内K x(ndwsi)≤T3的超像素进行模糊分类，对K x(ndwsi)≤T3的边界外处于污染与非污染交错区域的子超像素进行筛选，进一步的得出污染与非污染区域分界线阈值T4；通过隶属度函数的模糊算法(图12)对研究范围U内K x(ndvi)≥T2的超像素进行模糊分类，对K x(ndvi)≥T2边界外处于污染与非污染交错区域的子超像素进行筛选，进一步的得出污染与非污染区域分界线阈值T5。将K x(ndvi)≥T5、K x(ndwsi)≤T4区域合并，边得到U 1(K x(ndwsi)≤T4且K x(ndvi)≥T5的海水区域)，即为海水污染扩散前线(防护区)。如图13所示。基于与方法实施例相同的技术构思，根据本发明的另一实施例，提供一种计算机设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现方法实施例中的各步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的 计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

  1. 一种基于高分遥感影像的海水污染区域识别方法，其特征在于，所述方法包括水陆区分步骤，以及海水污染区域分级识别步骤，其中，
    所述水陆区分步骤包括：
    利用线性迭代聚类方法将原始遥感影像分割为若干超像素；
    计算每个超像素的归一化差异水体指数K x(mndwi)；
    根据K x(mndwi)基于第一阈值T1将图像划分为海水区域和陆地区域；
    所述海水污染区域分级识别步骤包括：
    参照超像素分割方法将海水区域分割为若干子超像素；
    计算每一个子超像素的归一化植被指数K x(ndvi)；
    根据K x(ndvi)基于第二阈值T2将海水区域划分为水质良好和非良好区域；
    计算每一个子超像素的归一化水体阴影指数K x(ndwsi)；
    根据K x(ndwsi)基于第三阈值T3将海水区域划分为水质良好和非良好区域；
    结合根据第二阈值T2提取的海水水质良好区域与根据第三阈值T3提取的海水水质不良区域，提取海水污染扩散区。
  2. 根据权利要求1所述的海水污染区域识别方法，其特征在于，所述将原始遥感影像分割为若干超像素包括以下步骤：
    (1)按照设定的超像素个数，在图像内均匀地分配聚类中心，初始聚类中心为超像素聚类中某一像素点；
    (2)在聚类中心的指定像素范围邻域内重选聚类中心，计算该邻域内所有遥感影像像素点的梯度值，将聚类中心移到该邻域内梯度最小的地方；
    (3)在每个聚类中心邻域内为每个像素点分配属于哪个聚类中心的类标签；
    (4)采用Lab色彩模式度量颜色距离和空间距离，对于每个搜索到的像素点，分别计算它和该聚类中心的距离，距离计算方法如下：
    Figure PCTCN2020106921-appb-100001
    Figure PCTCN2020106921-appb-100002
    Figure PCTCN2020106921-appb-100003
    其中，d c为颜色距离，l为每个像素点的明度，a为每个像素点A通道的坐标值，b 为每个像素点在B通道的坐标值，i表示聚类中心，j表示聚类中心中任一像素点，d s为表空间距离，x表示每个像素点在由遥感影像转化的XY坐标下的横向坐标，y表示每个像素点在由遥感影像转化的XY坐标下的纵向坐标，N s为类内最大空间距离，定义为N s＝S＝sqrt(N/K)，N为像素点个数，K为超像素个数，N c为最大的颜色距离，D′表示最终的距离度量，
    对每个像素点，取最终度量距离最小值对应的聚类中心作为该像素点的聚类中心；
    (5)重复执行上述步骤(2)-(4)，直到每个像素点的聚类中心不再发生变化为止，得到迭代后的超像素；
    (6)按照“Z”型走向将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有像素点遍历完。
  3. 根据权利要求1所述的海水污染区域识别方法，其特征在于，所述超像素的归一化差异水体指数K x(mndwi)计算公式如下：
    Figure PCTCN2020106921-appb-100004
    其中，x为当前计算超像素，i为当前计算超像素x中一个像素点，n(x)为当前计算超像素x中所有像素点集合，
    Figure PCTCN2020106921-appb-100005
    为当前计算超像素x中一个像素点i的绿波段值，
    Figure PCTCN2020106921-appb-100006
    为当前计算超像素x中一个像素点i的Mir波段值，K x(mndwi)为当前计算超像素x的归一化差异水体指数值，-1＜＝K x(mndwi)＝1，正值表示为海洋区域，否则为陆地区域。
  4. 根据权利要求1所述的海水污染区域识别方法，其特征在于，所述水陆区分步骤中在将图像划分为海水区域和陆地区域后还包括：基于人眼视觉识别肌理，结合全色遥感影像水陆区域分界线对最大类间方差法所得水陆区域分界线进行校验和调整。
  5. 根据权利要求1所述的海水污染区域识别方法，其特征在于，所述第一阈值T1、第二阈值T2、第三阈值T3使用最大类间方差法来确定。
  6. 根据权利要求1所述的海水污染区域识别方法，其特征在于，所述子超像素的归一化植被指数K x(ndvi)计算公式如下：
    Figure PCTCN2020106921-appb-100007
    其中，x为当前计算子超像素，i为当前计算子超像素x中一个像素点，n为当前计算子超像素x中所有像素点集合，
    Figure PCTCN2020106921-appb-100008
    为当前计算子超像素x中一个像素点i的红波段值，
    Figure PCTCN2020106921-appb-100009
    为当前计算子超像素x中一个像素点i的近红外Nir波段值，K x(ndvi)为当前计算子超像素x的归一化植被指数值。
  7. 根据权利要求1所述的海水污染区域识别方法，其特征在于，所述子超像素的归一化水体阴影指数K x(ndwsi)计算公式如下：
    Figure PCTCN2020106921-appb-100010
    其中，x为当前计算子超像素，i为当前计算子超像素x中一个像素点，n为当前计算子超像素x中所有像素点集合，
    Figure PCTCN2020106921-appb-100011
    为当前计算子超像素x中一个像素点i的绿波段值，
    Figure PCTCN2020106921-appb-100012
    为当前计算子超像素x中一个像素点i的近红外2波段Nir2波段值。
  8. 根据权利要求1所述的海水污染区域识别方法，其特征在于，所述结合根据第二阈值T2提取的海水水质良好区域与根据第三阈值T3提取的海水水质不良区域，提取海水污染扩散区步骤使用隶属度函数分类来实现，方法如下：将K x(ndwsi)≤T3且K x(ndvi)≥T2的海水区域设置为研究范围U，则每一个子超像素x为U中任一元素，通过隶属度函数，将K x(ndvi)＝T2的子超像素设置隶属度A x(min)＝0，属于水质良好区域；K x(ndwsi)＝T3的子超像素设置隶属度为A x(max)＝1，属于污染区域。
  9. 一种计算机设备，其特征在于，所述设备包括：
    一个或多个处理器；
    存储器；以及
    一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-8中的任一项所述的步骤。
PCT/CN2020/106921 2019-10-23 2020-08-05 一种基于高分遥感影像的海水污染区域识别方法和设备 WO2021077847A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/771,602 US11836976B2 (en) 2019-10-23 2020-08-05 Method for recognizing seawater polluted area based on high-resolution remote sensing image and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911009104.8A CN110765941B (zh) 2019-10-23 2019-10-23 一种基于高分遥感影像的海水污染区域识别方法和设备
CN201911009104.8 2019-10-23

Publications (1)

Publication Number Publication Date
WO2021077847A1 true WO2021077847A1 (zh) 2021-04-29

Family

ID=69333030

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/106921 WO2021077847A1 (zh) 2019-10-23 2020-08-05 一种基于高分遥感影像的海水污染区域识别方法和设备

Country Status (3)

Country Link
US (1) US11836976B2 (zh)
CN (1) CN110765941B (zh)
WO (1) WO2021077847A1 (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016441A (zh) * 2020-08-26 2020-12-01 大连海事大学 基于Radon变换多特征融合的Sentinel-1图像海岸带养殖池提取方法
CN113240688A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种一体化洪涝灾害精准监测预警方法
CN113344047A (zh) * 2021-05-24 2021-09-03 广西电网有限责任公司电力科学研究院 基于改进K-means算法的压板状态识别方法
CN113761098A (zh) * 2021-09-08 2021-12-07 中科三清科技有限公司 大气污染热点网格的获取方法、装置、设备及存储介质
CN114821056A (zh) * 2022-04-24 2022-07-29 国家林业和草原局华东调查规划院 一种遥感影像中基于ai技术的林草资源变化自动判读方法
CN114882468A (zh) * 2022-07-13 2022-08-09 山东施卫普环保科技有限公司 清扫车清扫刷角度自适应调整方法
CN114965300A (zh) * 2022-05-23 2022-08-30 中国科学院东北地理与农业生态研究所 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法
CN115326722A (zh) * 2022-08-12 2022-11-11 宁波拾烨智能科技有限公司 基于高光谱遥感数据的海洋赤潮预警方法
CN115333678A (zh) * 2022-10-17 2022-11-11 江西省绿时代低碳环保发展有限公司 一种无人船水质监测数据传输方法及系统
CN115389439A (zh) * 2022-10-28 2022-11-25 湖南长理尚洋科技有限公司 基于大数据的河流污染物监测方法及系统
CN115619998A (zh) * 2022-11-30 2023-01-17 浙江绿维环境股份有限公司 一种基于图像的污水等级识别方法和装置
CN116051416A (zh) * 2023-01-30 2023-05-02 中国科学院空天信息创新研究院 基于sar图像的海洋锋自动检测识别方法及装置
CN116206215A (zh) * 2023-03-17 2023-06-02 银河航天(北京)网络技术有限公司 一种森林土地状态的监测方法、装置及存储介质
CN116210571A (zh) * 2023-03-06 2023-06-06 广州市林业和园林科学研究院 一种立体绿化遥感智能灌溉方法及系统
CN116258864A (zh) * 2023-05-15 2023-06-13 山东昆仲信息科技有限公司 一种村庄规划建设大数据管理系统
CN116503767A (zh) * 2023-06-02 2023-07-28 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统
CN116579960A (zh) * 2023-05-06 2023-08-11 广州纳诺科技股份有限公司 一种地理空间数据融合方法
CN116644832A (zh) * 2023-04-07 2023-08-25 自然资源部第二海洋研究所 海湾水质监测站位的优化布局确定方法
CN116664574A (zh) * 2023-07-31 2023-08-29 山东罗斯夫新材料科技有限公司 一种丙烯酸乳液生产废水视觉检测方法
CN117237647A (zh) * 2023-11-15 2023-12-15 成都嘉德数源环保科技有限公司 一种大气污染监测系统及方法
CN117455913A (zh) * 2023-12-25 2024-01-26 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法
CN117541626A (zh) * 2024-01-08 2024-02-09 广东泰一高新技术发展有限公司 基于深度学习的遥感影像变化检测方法
CN117934518A (zh) * 2024-03-21 2024-04-26 国家海洋局南海规划与环境研究院 用于海洋国土空间详细规划的遥感图像分割方法及系统

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765941B (zh) 2019-10-23 2022-04-26 北京建筑大学 一种基于高分遥感影像的海水污染区域识别方法和设备
PH12020050067A1 (en) * 2020-04-06 2021-10-18 Department Of Science And Tech Advanced Science And Tech Institute System and method of feature detection in satellite images using neural networks
CN111861134A (zh) * 2020-06-24 2020-10-30 重庆市生态环境科学研究院 一种基于机器学习的生态保护红线测定方法
CN111855915B (zh) * 2020-07-30 2021-07-13 中国科学院大气物理研究所 一种大气污染物的溯源方法
CN113657166A (zh) * 2021-07-17 2021-11-16 北京清华同衡规划设计研究院有限公司 一种城乡聚落传统肌理智能辅助识别方法、系统、终端及存储介质
CN113624778B (zh) * 2021-09-18 2022-07-12 重庆星视空间科技有限公司 一种基于遥感影像反演的水质污染溯源系统和方法
CN115018838B (zh) * 2022-08-08 2022-11-29 和诚精密管业(南通)有限公司 用于被氧化钢管材料表面麻点瑕疵的识别方法
CN115082746B (zh) * 2022-08-23 2023-12-01 南通宏大实验仪器有限公司 一种基于计算机视觉的污染物类型识别方法
CN116030034B (zh) * 2023-02-21 2023-06-20 青岛精锐机械制造有限公司 阀门表面缺陷的视觉识别方法
CN116434085B (zh) * 2023-03-20 2024-03-12 广东省公路建设有限公司湾区特大桥养护技术中心 基于纹理特征分析的坑槽识别方法、装置、设备及介质
CN116051936B (zh) * 2023-03-23 2023-06-20 中国海洋大学 基于时空分离外部注意力的叶绿素浓度有序补全方法
CN116012539B (zh) * 2023-03-27 2023-06-06 埃尔法(山东)仪器有限公司 一种无人机与激光检测结合对气团三维成像的计算方法
CN116188496B (zh) * 2023-04-25 2023-07-07 牧马人(山东)勘察测绘集团有限公司 基于土地利用类型的遥感影像自适应分割方法
CN116363520B (zh) * 2023-06-02 2023-08-04 青岛海滨风景区小鱼山管理服务中心 一种城市绿地规划用景观生态检测系统
CN116363601B (zh) * 2023-06-02 2023-07-25 北京建工环境修复股份有限公司 一种污染监测设备的数据采集与分析方法及系统
CN116434072B (zh) * 2023-06-12 2023-08-18 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 基于多源数据的地质灾害早期识别方法、装置
CN116481600B (zh) * 2023-06-26 2023-10-20 四川省林业勘察设计研究院有限公司 一种高原林业生态监测预警系统及方法
CN116611590B (zh) * 2023-07-20 2023-10-31 山东捷讯通信技术有限公司 一种污水处理的排污口的位置分布优化方法及装置
CN116778344B (zh) * 2023-08-17 2023-12-05 牧马人(山东)勘察测绘集团有限公司 基于视觉技术的土地整理边界线划分方法
CN116863323B (zh) * 2023-09-04 2023-11-24 济宁鑫惠生水产养殖专业合作社 一种用于渔业养殖水源污染的视觉检测方法和系统
CN116912820B (zh) * 2023-09-13 2023-12-12 青岛君盛食品股份有限公司 一种婴幼儿食品安全视觉检测方法
CN117115717B (zh) * 2023-10-19 2024-02-02 深圳市鑫环宇网络科技有限公司 互联网网络数据解析方法及系统
CN117237356B (zh) * 2023-11-15 2024-02-23 山东泗水丰田农药有限公司 用于农药生产的废水处理控制方法
CN117346744B (zh) * 2023-12-04 2024-03-19 山东科技大学 基于涨退潮时星载主被动遥感信息的测量水深反演方法
CN117745799B (zh) * 2024-02-08 2024-04-30 广东海洋大学 近海海域油污染面积遥测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN108986116A (zh) * 2018-07-16 2018-12-11 中国科学院东北地理与农业生态研究所 一种基于遥感影像的红树林提取方法及系统
CN110765941A (zh) * 2019-10-23 2020-02-07 张学玲 一种基于高分遥感影像的海水污染区域识别方法和设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014071060A2 (en) * 2012-10-31 2014-05-08 Environmental Systems Research Institute Scale-invariant superpixel region edges
CN105630882B (zh) * 2015-12-18 2019-09-20 哈尔滨工业大学深圳研究生院 基于遥感数据深度学习的近海污染物识别与跟踪方法
CN109359533B (zh) * 2018-09-12 2021-06-18 浙江海洋大学 一种基于多波段遥感影像的海岸线提取方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN108986116A (zh) * 2018-07-16 2018-12-11 中国科学院东北地理与农业生态研究所 一种基于遥感影像的红树林提取方法及系统
CN110765941A (zh) * 2019-10-23 2020-02-07 张学玲 一种基于高分遥感影像的海水污染区域识别方法和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XUELING ZHANG , ZHE LI , DI LI , YUKUN HE: "Marine Environment Distinctions and Change Law Based on eCongnition Remote Sensing Technology", JOURNAL OF COASTAL RESEARCH, vol. 94, no. SI, 9 September 2019 (2019-09-09), pages 107 - 111, XP009527514, ISSN: 0749-0208 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016441A (zh) * 2020-08-26 2020-12-01 大连海事大学 基于Radon变换多特征融合的Sentinel-1图像海岸带养殖池提取方法
CN113344047A (zh) * 2021-05-24 2021-09-03 广西电网有限责任公司电力科学研究院 基于改进K-means算法的压板状态识别方法
CN113240688A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种一体化洪涝灾害精准监测预警方法
CN113761098A (zh) * 2021-09-08 2021-12-07 中科三清科技有限公司 大气污染热点网格的获取方法、装置、设备及存储介质
CN114821056A (zh) * 2022-04-24 2022-07-29 国家林业和草原局华东调查规划院 一种遥感影像中基于ai技术的林草资源变化自动判读方法
CN114965300A (zh) * 2022-05-23 2022-08-30 中国科学院东北地理与农业生态研究所 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法
CN114965300B (zh) * 2022-05-23 2024-04-19 中国科学院东北地理与农业生态研究所 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法
CN114882468A (zh) * 2022-07-13 2022-08-09 山东施卫普环保科技有限公司 清扫车清扫刷角度自适应调整方法
CN114882468B (zh) * 2022-07-13 2022-09-23 山东施卫普环保科技有限公司 清扫车清扫刷角度自适应调整方法
CN115326722A (zh) * 2022-08-12 2022-11-11 宁波拾烨智能科技有限公司 基于高光谱遥感数据的海洋赤潮预警方法
CN115333678A (zh) * 2022-10-17 2022-11-11 江西省绿时代低碳环保发展有限公司 一种无人船水质监测数据传输方法及系统
CN115389439A (zh) * 2022-10-28 2022-11-25 湖南长理尚洋科技有限公司 基于大数据的河流污染物监测方法及系统
CN115619998A (zh) * 2022-11-30 2023-01-17 浙江绿维环境股份有限公司 一种基于图像的污水等级识别方法和装置
CN116051416A (zh) * 2023-01-30 2023-05-02 中国科学院空天信息创新研究院 基于sar图像的海洋锋自动检测识别方法及装置
CN116051416B (zh) * 2023-01-30 2023-10-20 中国科学院空天信息创新研究院 基于sar图像的海洋锋自动检测识别方法及装置
CN116210571A (zh) * 2023-03-06 2023-06-06 广州市林业和园林科学研究院 一种立体绿化遥感智能灌溉方法及系统
CN116210571B (zh) * 2023-03-06 2023-10-20 广州市林业和园林科学研究院 一种立体绿化遥感智能灌溉方法及系统
CN116206215A (zh) * 2023-03-17 2023-06-02 银河航天(北京)网络技术有限公司 一种森林土地状态的监测方法、装置及存储介质
CN116206215B (zh) * 2023-03-17 2023-09-29 银河航天(北京)网络技术有限公司 一种森林土地状态的监测方法、装置及存储介质
CN116644832A (zh) * 2023-04-07 2023-08-25 自然资源部第二海洋研究所 海湾水质监测站位的优化布局确定方法
CN116579960A (zh) * 2023-05-06 2023-08-11 广州纳诺科技股份有限公司 一种地理空间数据融合方法
CN116579960B (zh) * 2023-05-06 2023-12-08 广州纳诺科技股份有限公司 一种地理空间数据融合方法
CN116258864A (zh) * 2023-05-15 2023-06-13 山东昆仲信息科技有限公司 一种村庄规划建设大数据管理系统
CN116503767A (zh) * 2023-06-02 2023-07-28 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统
CN116503767B (zh) * 2023-06-02 2023-09-22 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统
CN116664574B (zh) * 2023-07-31 2023-10-20 山东罗斯夫新材料科技有限公司 一种丙烯酸乳液生产废水视觉检测方法
CN116664574A (zh) * 2023-07-31 2023-08-29 山东罗斯夫新材料科技有限公司 一种丙烯酸乳液生产废水视觉检测方法
CN117237647A (zh) * 2023-11-15 2023-12-15 成都嘉德数源环保科技有限公司 一种大气污染监测系统及方法
CN117237647B (zh) * 2023-11-15 2024-01-26 成都嘉德数源环保科技有限公司 一种大气污染监测系统及方法
CN117455913A (zh) * 2023-12-25 2024-01-26 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法
CN117455913B (zh) * 2023-12-25 2024-03-08 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法
CN117541626A (zh) * 2024-01-08 2024-02-09 广东泰一高新技术发展有限公司 基于深度学习的遥感影像变化检测方法
CN117541626B (zh) * 2024-01-08 2024-05-07 广东泰一高新技术发展有限公司 基于深度学习的遥感影像变化检测方法
CN117934518A (zh) * 2024-03-21 2024-04-26 国家海洋局南海规划与环境研究院 用于海洋国土空间详细规划的遥感图像分割方法及系统

Also Published As

Publication number Publication date
US20220383633A1 (en) 2022-12-01
CN110765941B (zh) 2022-04-26
CN110765941A (zh) 2020-02-07
US11836976B2 (en) 2023-12-05

Similar Documents

Publication Publication Date Title
WO2021077847A1 (zh) 一种基于高分遥感影像的海水污染区域识别方法和设备
Shendryk et al. Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery
Yan et al. Detection of coal and gangue based on improved YOLOv5. 1 which embedded scSE module
Li et al. Automatic crack recognition for concrete bridges using a fully convolutional neural network and naive Bayes data fusion based on a visual detection system
CN107563396B (zh) 一种电力巡检中保护屏智能识别系统的构建方法
Chen et al. A self organizing map optimization based image recognition and processing model for bridge crack inspection
Chen et al. An approach to boundary detection for 3D point clouds based on DBSCAN clustering
CN106650812A (zh) 一种卫星遥感影像的城市水体提取方法
CN111307727A (zh) 基于时序遥感影像的水体水色异常识别方法和装置
CN113963222B (zh) 一种基于多策略组合的高分辨率遥感影像变化检测方法
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN109448307A (zh) 一种火源目标的识别方法和装置
Liang et al. An extraction and classification algorithm for concrete cracks based on machine vision
CN109829426A (zh) 基于高分遥感影像的铁路建设临时建筑监测方法及系统
CN105354575B (zh) 一种海天线检测中图像二值化阈值确定方法
CN110211128B (zh) 基于遥感影像和dem的黄土高原梯田提取方法
CN103093241B (zh) 基于同质化处理的光学遥感图像非匀质云层判别方法
CN116630352A (zh) 一种基于双向级联像素差分网络的岩心测量方法及装置
CN110889418A (zh) 一种气体轮廓识别方法
CN113591740B (zh) 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
Hao et al. Active cues collection and integration for building extraction with high-resolution color remote sensing imagery
Liu et al. Lightweight detection algorithm for fine-grained surface defects of aerospace seal rings
CN114332144A (zh) 样本粒度检测方法、系统、电子设备及存储介质
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
Pan et al. Traffic sign detection via efficient ROI detector and deep convolution neural network

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: 20878903

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20878903

Country of ref document: EP

Kind code of ref document: A1