CN103236063A - 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 - Google Patents
基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 Download PDFInfo
- Publication number
- CN103236063A CN103236063A CN2013101628780A CN201310162878A CN103236063A CN 103236063 A CN103236063 A CN 103236063A CN 2013101628780 A CN2013101628780 A CN 2013101628780A CN 201310162878 A CN201310162878 A CN 201310162878A CN 103236063 A CN103236063 A CN 103236063A
- Authority
- CN
- China
- Prior art keywords
- spectral clustering
- detection
- oil
- oil spilling
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,首先,建立基于小波变换的SAR图像多尺度对象级谱聚类分割方法,在不同尺度下分别提取溢油或疑似溢油区域;其次,对上述影像分割结果,利用多元指标组合的神经网络溢油识别方法在单一尺度上进行识别,建立多尺度决策级融合策略,融合单一尺度的检测结果完成检测并形成统一的检测框架;最后,以识别过程中的主要性能指标为基础,进行新建溢油识别方法的性能评估。本发明在不同尺度下以对象代替像素作为基本单元进行基于谱聚类的分割以及海面溢油与疑似溢油区域识别,并通过多尺度决策级溢油检测融合算法,使得溢油检测更快速、准确。
Description
技术领域
本发明涉及一种基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,属于图像检测技术领域。
背景技术
近年来,随着海洋运输业和海洋石油开采业的迅猛发展,溢油事故屡见不鲜,使海洋环境严重污染。利用卫星遥感技术可及时、准确、全面地监测海洋溢油污染,积极采取溢油清除和预防措施,保护海洋环境。
SAR图像检测海面油膜具有如下显著特点:图像信息丰富、观测目标轮廓清晰、对比度好,能显现出目标更多的细节,能够精确地确定目标地域的大小,能更好地区分邻近目标的特征,因此在油污检测和舰船检测方面的应用受到高度重视。合成孔径雷达(SAR)卫星是唯一被部署用来执行跟踪监测海上溢油的日常任务的卫星。
海面溢油具有低雷达后向散射的特性,在海平面上,浮油膜区域形成的Bragg波抑制雷达的后向散射,浮油膜在海平面上显示为较暗的斑点或条带,而周围波浪形成明暗混杂的背景数据。由于海洋波浪的干扰,造成雷达数据的高噪声和低对比度,严重影响了浮油膜特征的提取与解译。同时雨区、低风速区、生物溢油和油脂冰等类油污现象也具有后向散射的特性,给SAR图像溢油检测带来很大困难。当SAR图像上同时包含有与油污表现相似的成像特征时,如何将油污快速、准确地区分出来成为SAR数据处理的关键问题。
传统的检测算法是使用滤波、梯度等对溢油进行检测,但要求图像对比度高,当溢油区的形状不规则或者检测区域对比不明显时,传统算法并不理想。基于谱聚类(Spectral Clustering)的溢油检测是近几年兴起的研究热点,该聚类建立在谱图理论之上,利用数据点之间的相似性构造相似性矩阵,求得该矩阵的特征值和特征向量,并对得到的特征向量进行聚类,从而实现图像的分割,取得较好的效果。
谱聚类算法需要计算图像中每一对像素间相似性,而通常溢油监测的SAR图像数据量巨大,计算整幅图像相似性矩阵及特征值和特征向量很复杂且耗时的,导致谱聚类算法在SAR图像溢油检测的大规模数据集的处理中存在一定的局限性。而采用基于对象的分析方法可利用对象的固有尺寸和形状提取基于对象的特征,从而提高不同地物的类间可分性,在后期处理中,也更容易通过融合专家的地理知识发现遥感数据中隐藏的地学含义。同时,与基于像素的谱聚类算法相比,基于对象构造相似性矩阵并计算特征值和特征向量,计算量会显著降低。为突破谱聚类算法在对时间要求较高的应用场合存在的局限提供了一条解决途径。
另外,现有溢油检测算法大多在单一尺度上检测,只利用了某一尺度的信息,而根据专家知识,把不同尺度或不同方法得到的结果进行融合可以得到更好的结果。例如某种分辨率下无法发现的特性在另一种空间分辨率下可能很容易被发现,利用多尺度技术可深刻的分析单幅影像中的对象。由于SAR图像溢油检测中存在多种非溢油区域与溢油区域具有相似的后向散射特性,且相干斑噪声严重,在单一尺度进行的检测结果并不可靠。而通过多尺度技术可更加深刻的分析溢油及疑似溢油区域,从而提高检测精度与可靠性。目前提出的多尺度分析方法主要有小波变换、Ridgelet、Contourlet等。其中小波变换的应用范围最广,小波变换是时间(空间)频率的局部化分析,它通过伸缩平移运算对信号(函数)逐步进行多尺度细化,实质是对信号的滤波过程,可将信号分解为平滑逼近信号和离散细节信号,最终达到高频处时间细分,低频处频率细分。
发明内容
发明目的:针对以上问题,本发明提供一种基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,基于小波的多分尺度分析,研究在不同尺度下以对象(区域块)代替像素作为基本单元进行基于谱聚类的分割以及海面溢油与疑似溢油区域识别。同时引入多尺度决策级融合策略,对各尺度获得的检测结果进行融合得到最终检测结果。
技术方案:一种基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,首先,建立基于小波变换的SAR图像多尺度对象级谱聚类分割方法,在不同尺度下分别提取溢油或疑似溢油区域;其次,对上述影像分割结果,利用多元指标组合的神经网络溢油识别方法在单一尺度上进行识别,建立多尺度决策级融合策略,融合单一尺度的检测结果完成检测并形成统一的检测框架;最后,以识别过程中的主要性能指标为基础,进行新建溢油识别方法的性能评估。具体研究内容如下:
(1)多尺度的对象级谱聚类分割方法研究
首先建立小波尺度分解次数自适应快速选择算法,最佳分解尺度应使后期的多尺度分析取得运算时间与检测精度的平衡;在此基础上,通过尺度自适应分割方法,对不同尺度上的低频子图像进行快速分割预处理,进而在每一尺度上构建基于分割结果(区域块)的相似性矩阵,计算特征值及特征向量,构建对象级谱聚类分割方法。从而获得单一尺度的分割结果。对每一尺度独立进行分割,提取油膜或疑似油膜在多个尺度下所在的区域。
(2)基于多元综合指标的神经网络溢油识别方法选择
根据不同尺度下获得的不同分割结果,利用多元综合指标神经元网络算法在单一尺度上识别溢油区域。在现有算法基础上,通过引入区域灰度直方图来统一描述区域灰度及纹理特征,替代常用灰度特征和纹理特征的描述方法。测试常用的神经网络模型对SAR溢油检测的性能,在多尺度下综合比较模型运行时间与检测效果,选择一种较优的纳入本项目拟建的检测框架。
(3)多尺度溢油识别决策级融合策略
研究多尺度决策级融合策略,融合不同尺度下溢油检测结果,实现最终的溢油区域识别。在研究现有经典决策级融合算法基础上,拟建立一种新的多尺度决策级溢油检测融合算法,与对象级谱聚类分割及识别结合,形成完整的检测框架。
(4)应用验证
拟通过多幅ENVISAT-1ASAR数据,采用所建立的检测框架用于解决我国海洋主要航线、石油钻井平台密集区域等典型区域的溢油检测。以检测过程中主要性能指标为基础,进行所构建框架的性能评估。并结合波浪、生物油膜等因素,对参数进行优化,通过对比试验验证所提框架的效果。
有益效果:与现有技术相比,本发明提供的基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,在不同尺度下以对象代替像素作为基本单元进行基于谱聚类的分割以及海面溢油与疑似溢油区域识别,并通过多尺度决策级溢油检测融合算法,使得溢油检测更快速、准确。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,首先,建立基于小波变换的SAR图像多尺度对象级谱聚类分割方法,在不同尺度下分别提取溢油或疑似溢油区域;其次,对上述影像分割结果,利用多元指标组合的神经网络溢油识别方法在单一尺度上进行识别,建立多尺度决策级融合策略,融合单一尺度的检测结果完成检测并形成统一的检测框架;最后,以识别过程中的主要性能指标为基础,进行新建溢油识别方法的性能评估。具体研究内容如下:
(1)基于对象的多尺度-谱聚类分割
在对SAR图像进行多尺度分解之前,需要对原始图像进行预处理,主要包括辐射校正、地理位置校正以及滤除斑点噪声。辐射校正可消除SAR图像侧视成像造成的从近距离点到远距离点的投影灰度级差异;地理位置校正可定位目标中各点的地理经纬度;滤除斑点噪声可去除SAR图像中由于相干成像引起的斑点噪声。通常采用形态重建滤波器等方法可有效去除噪声而对而保留图像细节信息,也可通过小波变化利用系数相关性去噪,也能取得良好而效果。
由所有尺度上的小波分解结果构成的特征空间中,某一尺度的分解结果是该特征空间中的一个模式特征向量。根据聚类的思想,可按照最佳分解时使得所有尺度上分解结果的距离和达到最大来确定最佳分解尺度。距离的计算公式如下所示:
式中:Sf(li+1,x)为信号f(t)在尺度li上的小波变换;li与li+1为两相邻尺度;N为小波变换的数据点数。这种距离描述了相邻尺度之间小波变换结果的接近程度。
尺度自适应的快速分割方法拟采用经典的图切方法,利用相邻像素的同质性和异质性,得到相邻像素属于同一对象的似然函数,求解优化问题后,可得到每个像素所属的对象,从而实现快速分割预处理。因此尺度的自适应问题转化为不同的尺度下求最优解的问题。
MS谱聚类算法较标准谱聚类算法使用多个特征向量包含更多信息,更稳定,效率更高。同时MS谱聚类具有较为完善的理论框架,可直接嵌入本项目的谱聚类分割。本项目拟对分割预处理后尺度图像,采用MS谱聚类算法代替标准的谱聚类算法。但聚类的基本单元不再是像素,而采用分割预处理产生的所有对象(区域块)进行聚类,提取溢油或疑似溢油区域。
(2)基于神经网络的多尺度溢油识别
通常对分割后的结果进行特征提取主要包括几何特征,纹理特征,灰度特征等。拟采用区域灰度直方图统一提取图像的纹理特征与灰度特征,同时提取几何特征并结合风速环境参数等形成组合特征作为神经网络识别的输入,并选用常用的神经网络模型BP神经网络、径向基神经网络RBF和概率神经网络对图像中溢油和海水等物质进行训练网络收敛后,拟综合多尺度检测信息,通过对识别结果的比较,评价三种网络模型对SAR溢油图像的识别效果与算法性能,选择较优的一种纳入本项目的检测框架。
(3)基于多尺度决策级融合策略
基于多尺度下不同的检测结果,拟研究建立一种基于尺度因子的投票决策融合算法。为了进行决策级融合,在进行快速分割与溢油识别之前,需要将所有尺度的低频图像变换到与原始图像相同的尺寸。由于分解后每一尺度的高频信息都保留在上一层的低频图像中,因此考虑直接对每个尺度低频图像进行多次独立重构实现。根据每一尺度下获得的识别结果,对每一个像素采用投票机制进行多尺度决策融合,得票数多的结果作为最终决策。在决策准则中拟加入尺度因子作为投票机制中不同尺度像素的投票权重,尺度因子的确定拟根据SAR图像数据质量、油膜区域的大致形态、各低频图像的尺寸等多种因素综合确定,随着尺度的增大,重采样后的像素投票的权重应相应的降低。
(4)应用验证
应用验证时,拟采用多幅ENVISAT-1ASAR数据,首先根据运行时间、分割剩余块数等方面,对比评价单一尺度下对象级的MS聚类算法与基于像素的标准谱聚类算法及经典k-均值聚类(KM)算法。进而通过BP神经网络、径向基神经网络RBF和概率神经网络三种神经网络识别方法验证基于灰度直方图的纹理及灰度统一提取方式的有效性,分析比较三种识别方法哪一种更适合于SAR图像溢油检测识别。在对最终检测结果评价时,在条件允许时可直接依据现场实测数据,也可采用目视解译的方法,从原始影像上获取参考数据。建立混淆矩阵,根据Kappa系数、总体精度、虚警率等精度指标进行评定,并优化对象级谱聚类分割、神经网络溢油识别以及特征级融合策略的相关参数。
Claims (4)
1.一种基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,其特征在于:首先,建立基于小波变换的SAR图像多尺度对象级谱聚类分割方法,在不同尺度下分别提取溢油或疑似溢油区域;其次,对上述影像分割结果,利用多元指标组合的神经网络溢油识别方法在单一尺度上进行识别,建立多尺度决策级融合策略,融合单一尺度的检测结果完成检测并形成统一的检测框架;最后,以识别过程中的主要性能指标为基础,进行新建溢油识别方法的性能评估。
2. 如权利要求1所述的基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,其特征在于:所述多尺度的对象级谱聚类分割方法为,
首先建立小波尺度分解次数自适应快速选择算法,最佳分解尺度应使后期的多尺度分析取得运算时间与检测精度的平衡;在此基础上,通过尺度自适应分割方法,对不同尺度上的低频子图像进行快速分割预处理,进而在每一尺度上构建基于分割结果的相似性矩阵,计算特征值及特征向量,构建对象级谱聚类分割方法;从而获得单一尺度的分割结果;对每一尺度独立进行分割,提取油膜或疑似油膜在多个尺度下所在的区域。
3.如权利要求1所述的基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,其特征在于:基于多元综合指标的神经网络溢油识别方法为,
根据不同尺度下获得的不同分割结果,利用多元综合指标神经元网络算法在单一尺度上识别溢油区域;在现有算法基础上,通过引入区域灰度直方图来统一描述区域灰度及纹理特征,替代常用灰度特征和纹理特征的描述方法;测试常用的神经网络模型对SAR溢油检测的性能,在多尺度下综合比较模型运行时间与检测效果,选择一种较优的纳入本项目拟建的检测框架。
4.如权利要求1所述的基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法,其特征在于:研究多尺度决策级融合策略,融合不同尺度下溢油检测结果,实现最终的溢油区域识别;在研究现有经典决策级融合算法基础上,拟建立一种新的多尺度决策级溢油检测融合算法,与对象级谱聚类分割及识别结合,形成完整的检测框架;拟通过多幅ENVISAT-1 ASAR数据,采用所建立的检测框架用于解决我国海洋主要航线、石油钻井平台密集区域等典型区域的溢油检测;以检测过程中主要性能指标为基础,进行所构建框架的性能评估;并结合波浪和生物油膜因素,对参数进行优化,通过对比试验验证所提框架的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310162878.0A CN103236063B (zh) | 2013-05-03 | 2013-05-03 | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310162878.0A CN103236063B (zh) | 2013-05-03 | 2013-05-03 | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103236063A true CN103236063A (zh) | 2013-08-07 |
CN103236063B CN103236063B (zh) | 2016-01-06 |
Family
ID=48884102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310162878.0A Active CN103236063B (zh) | 2013-05-03 | 2013-05-03 | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103236063B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413146A (zh) * | 2013-08-23 | 2013-11-27 | 西安电子科技大学 | 基于Freeman熵和自学习的极化SAR图像精细分类方法 |
CN103606154A (zh) * | 2013-11-22 | 2014-02-26 | 河海大学 | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 |
CN104134076A (zh) * | 2014-07-10 | 2014-11-05 | 杭州电子科技大学 | 基于cs和svm决策级融合的sar图像目标识别方法 |
CN104166859A (zh) * | 2014-08-13 | 2014-11-26 | 西安电子科技大学 | 基于ssae和fsals-svm极化sar图像分类 |
CN104933714A (zh) * | 2015-06-12 | 2015-09-23 | 北京理工大学 | 一种基于上下文关系的sar遥感场景溢油分割检测方法 |
CN106651880A (zh) * | 2016-12-27 | 2017-05-10 | 首都师范大学 | 基于多特征融合的热红外遥感影像的海上动目标检测方法 |
CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及*** |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN108596065A (zh) * | 2018-04-13 | 2018-09-28 | 深圳职业技术学院 | 一种基于深度语义分割海洋溢油检测***与方法 |
CN109919123A (zh) * | 2019-03-19 | 2019-06-21 | 自然资源部第一海洋研究所 | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 |
CN110047093A (zh) * | 2019-04-23 | 2019-07-23 | 南昌航空大学 | 高精度边缘保护型rgbd场景流估计方法 |
CN110189280A (zh) * | 2019-06-28 | 2019-08-30 | 南京硕基信息科技有限公司 | 一种雷达溢油探测***及其探测方法 |
CN110231625A (zh) * | 2019-06-24 | 2019-09-13 | 南京邮电大学 | 一种基于多尺度融合的综合孔径成像方法 |
CN113570589A (zh) * | 2021-08-03 | 2021-10-29 | 河海大学 | 一种基于特征融合的深度学习sar影像溢油区识别方法 |
CN117115175A (zh) * | 2023-10-25 | 2023-11-24 | 天津东泉石油技术开发有限公司 | 一种溢油在线监测预警方法与*** |
CN117029701B (zh) * | 2023-10-09 | 2023-12-15 | 交通运输部天津水运工程科学研究所 | 一种沿海水域非接触式溢油监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831600A (zh) * | 2012-07-24 | 2012-12-19 | 长安大学 | 一种基于加权割合并的图像层次分割方法 |
-
2013
- 2013-05-03 CN CN201310162878.0A patent/CN103236063B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831600A (zh) * | 2012-07-24 | 2012-12-19 | 长安大学 | 一种基于加权割合并的图像层次分割方法 |
Non-Patent Citations (2)
Title |
---|
C.OZKAN ET AL.: "Testing the generalization efficiency of oil slick classification algorithm using multiple sar data for deepwater horizon oil spill", 《INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
万红林等: "基于交互式分割技术和决策级融合的SAR图像变化检测", 《测绘学报》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413146B (zh) * | 2013-08-23 | 2017-03-29 | 西安电子科技大学 | 基于Freeman熵和自学习的极化SAR图像精细分类方法 |
CN103413146A (zh) * | 2013-08-23 | 2013-11-27 | 西安电子科技大学 | 基于Freeman熵和自学习的极化SAR图像精细分类方法 |
CN103606154A (zh) * | 2013-11-22 | 2014-02-26 | 河海大学 | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 |
CN104134076A (zh) * | 2014-07-10 | 2014-11-05 | 杭州电子科技大学 | 基于cs和svm决策级融合的sar图像目标识别方法 |
CN104134076B (zh) * | 2014-07-10 | 2017-06-06 | 杭州电子科技大学 | 基于cs和svm决策级融合的sar图像目标识别方法 |
CN104166859B (zh) * | 2014-08-13 | 2017-09-22 | 西安电子科技大学 | 基于ssae和fsals‑svm极化sar图像分类 |
CN104166859A (zh) * | 2014-08-13 | 2014-11-26 | 西安电子科技大学 | 基于ssae和fsals-svm极化sar图像分类 |
CN104933714A (zh) * | 2015-06-12 | 2015-09-23 | 北京理工大学 | 一种基于上下文关系的sar遥感场景溢油分割检测方法 |
CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及*** |
CN106651880B (zh) * | 2016-12-27 | 2020-04-14 | 首都师范大学 | 基于多特征融合的热红外遥感影像的海上动目标检测方法 |
CN106651880A (zh) * | 2016-12-27 | 2017-05-10 | 首都师范大学 | 基于多特征融合的热红外遥感影像的海上动目标检测方法 |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN108257119B (zh) * | 2018-01-08 | 2020-09-01 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN108596065A (zh) * | 2018-04-13 | 2018-09-28 | 深圳职业技术学院 | 一种基于深度语义分割海洋溢油检测***与方法 |
CN109919123A (zh) * | 2019-03-19 | 2019-06-21 | 自然资源部第一海洋研究所 | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 |
CN109919123B (zh) * | 2019-03-19 | 2021-05-11 | 自然资源部第一海洋研究所 | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 |
CN110047093A (zh) * | 2019-04-23 | 2019-07-23 | 南昌航空大学 | 高精度边缘保护型rgbd场景流估计方法 |
CN110047093B (zh) * | 2019-04-23 | 2021-04-27 | 南昌航空大学 | 高精度边缘保护型rgbd场景流估计方法 |
CN110231625A (zh) * | 2019-06-24 | 2019-09-13 | 南京邮电大学 | 一种基于多尺度融合的综合孔径成像方法 |
CN110231625B (zh) * | 2019-06-24 | 2023-01-31 | 南京邮电大学 | 一种基于多尺度融合的综合孔径成像方法 |
CN110189280A (zh) * | 2019-06-28 | 2019-08-30 | 南京硕基信息科技有限公司 | 一种雷达溢油探测***及其探测方法 |
CN113570589A (zh) * | 2021-08-03 | 2021-10-29 | 河海大学 | 一种基于特征融合的深度学习sar影像溢油区识别方法 |
CN117029701B (zh) * | 2023-10-09 | 2023-12-15 | 交通运输部天津水运工程科学研究所 | 一种沿海水域非接触式溢油监测方法 |
CN117115175A (zh) * | 2023-10-25 | 2023-11-24 | 天津东泉石油技术开发有限公司 | 一种溢油在线监测预警方法与*** |
CN117115175B (zh) * | 2023-10-25 | 2024-01-09 | 天津东泉石油技术开发有限公司 | 一种溢油在线监测预警方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN103236063B (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
Mazur et al. | An object-based SAR image iceberg detection algorithm applied to the Amundsen Sea | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
Schumann et al. | The utility of spaceborne radar to render flood inundation maps based on multialgorithm ensembles | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
Su et al. | Improving MODIS sea ice detectability using gray level co-occurrence matrix texture analysis method: A case study in the Bohai Sea | |
CN106022288A (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN103606154B (zh) | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 | |
Miao et al. | Developing efficient procedures for automated sinkhole extraction from Lidar DEMs | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
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 | |
CN105160648A (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
Janowski et al. | Seafloor mapping based on multibeam echosounder bathymetry and backscatter data using Object-Based Image Analysis: a case study from the Rewal site, the Southern Baltic | |
CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
Ajadi et al. | Oil spill detection in synthetic aperture radar images using Lipschitz-regularity and multiscale techniques | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
Li et al. | Assessment of the updated Envisat ASAR ocean surface wave spectra with buoy and altimeter data | |
Karvonen | Estimation of Arctic land-fast ice cover based on dual-polarized Sentinel-1 SAR imagery | |
Wang et al. | Hybrid model for estimating forest canopy heights using fused multimodal spaceborne LiDAR data and optical imagery | |
Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
Komarov et al. | Ice concentration from dual-polarization SAR images using ice and water retrievals at multiple spatial scales | |
CN112270675B (zh) | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |