CN105913023A - 基于多光谱图像和sar图像的黄河冰凌协同检测方法 - Google Patents
基于多光谱图像和sar图像的黄河冰凌协同检测方法 Download PDFInfo
- Publication number
- CN105913023A CN105913023A CN201610224324.2A CN201610224324A CN105913023A CN 105913023 A CN105913023 A CN 105913023A CN 201610224324 A CN201610224324 A CN 201610224324A CN 105913023 A CN105913023 A CN 105913023A
- Authority
- CN
- China
- Prior art keywords
- image
- ice
- pixel
- region
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 45
- 238000002310 reflectometry Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000000205 computational method Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- 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
- G06T2207/10044—Radar 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法,用于解决现有黄河冰凌检测方法精度差的技术问题。技术方案是首先利用遥感图像,通过对黄河遥感图像几何校正、Bow‑tie校正、云剔除、图像裁剪等预处理,进而对河流区域粗分割,最后利用NDSI检测方法与聚类法相结合,得到分割区域集合m;然后将区域m作为SAR图像检测方法输入,通过超像素分割和计算显著图得到分割区域集合n,最后通过交替迭代,寻找使得黄河冰凌检测模型最优的解,获取到最佳冰凌检测区域,实现黄河冰凌快速、有效检测,精度高。
Description
技术领域
本发明涉及一种黄河冰凌检测方法,特别是涉及一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法。
背景技术
文献“黄河冰凌测报***研究与设计,《人民黄河》,2014,第1期,P27-P29”提出了以冰层厚度传感器作为信息采集装置,采集空气、冰与水的电阻值,实现对黄河河道冰凌的实时监测。该方法通过选择合理的冰层厚度对采集数据进行分析计算,得到冰层厚度、水位以及水温等数据信息,并通过GPRS网络通信模块将信息上传至监控中心。由于该方法利用冰层厚度传感器作为采集装置,存在一定的局限性,不能从整体反应冰凌特征,导致黄河冰凌检测存在误差。另一方面该方法通过GPRS网络通信,导致处理耗时。
发明内容
为了克服现有黄河冰凌检测方法精度差的不足,本发明提供一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法。该方法首先利用遥感图像,通过对黄河遥感图像几何校正、Bow-tie校正、云剔除、图像裁剪等预处理,进而对河流区域粗分割,最后利用NDSI检测方法与聚类法相结合,得到分割区域集合m;然后将区域m作为SAR图像检测方法输入,通过超像素分割和计算显著图得到分割区域集合n,最后通过交替迭代,寻找使得黄河冰凌检测模型最优的解,获取到最佳冰凌检测区域,实现黄河冰凌快速、有效检测,精度高。
本发明解决其技术问题所采用的技术方案是:一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法,其特点是包括以下步骤:
步骤一、获得遥感图像冰凌检测的结果。
1)图像预处理。
i)首先对遥感图像进行辐射校正,在理想情况下,太阳高度角订正与日地距离订正表示为,
其中E为归一化的太阳辐照度,E0为平均日地距离时的太阳辐照度,为常数,θ为太阳天顶角,d为日地距离。
通过Bow-tie校正处理消除遥感影像中扫描条带错位现象。利用1km分辨率遥感图像数据带有的对应的像素点的经纬度信息对图像进行影像配准。
ii)接着对图像进行云剔除。利用冰雪与云在近红外波段反射率的差异进行两者的区分。
iii)图像裁剪。由于对整个遥感图像数据处理运算量非常大,从原始大范围的整景影像得到研究区较小范围遥感影像的过程。
2)河流区域粗分割。
通过对感兴趣区域的区域增长算法得到粗略的河流区域图。首先选定需要生长的种子像素点,并将其和该点的4邻域或者8邻域进行比较,当小于某个阈值则合并到同一区域,并对该区域进行标记。再从新合并的标记区域反复进行,得到最终的生长区域。
利用NDSI检测方法与聚类法相结合,得到分割区域集合yi
利用冰雪在蓝光部分具有极高的反射率;在近红外波段,冰雪的反射率加速下降,且反射率很低这一光谱特性来区分河道中的冰雪及其他地物的。NDSI的计算公式如下,其中R4表示冰雪在遥感图像第四波段的反射率,R6表示冰雪在遥感图像第六波段的反射率。
接着利用K-均值的方法使所有样本到聚类中心的距离平方和最小。最终得到利用遥感图像检测得到的分割区域yi。
步骤二、获得SAR图像冰凌检测结果。
1)基于超像素分割。
首先初始化聚类中心像素Ck=[lkakbkxkyk]T,其中lk,ak,bk为像素的颜色在CIELAB空间的颜色,xk与yk为像素的空间位置。根据梯度图像在初始化的聚类中心在5*5的邻域内选择局部极小值,设置每个像素的标签l(i)=-1,同时设置每个像素到聚类中心的距离d(i)=∞。接着对SAR图像上的每一个像素分配到各个聚类中心。
依次选择各个聚类中心,选择每个聚类中心的的圆形邻域内的像素,对于邻域内的每个像素i计算i到中心聚类k的距离D。如果D<d(i),则分配像素到该聚类中心所在的超像素中,并设置d(i)=D,l(i)=k。接着计算新的聚类中心,并计算是否达到一定的迭代步数或连续两步之间聚类中心不再变化。则此时得到的聚类即对SAR图像的超像素分割。
2)显著图计算。
i)计算全局显著图。
利用颜色空间的对比、空间位置的对比以及面积的对比。将这三种对比度结合得到基于全局独特性的显著性计算方法。
其中D(ti,tj)表示两个两类之间的空间距离,表示聚类ti在图像中的权重,为两类之间在CIELAB颜色空间的欧式距离,ti,tj代表两个聚类。
ii)颜色空间分布性显著图。
利用公式计算每个区域的中心位置其中xh表示超像素的横坐标,|X|c=∑xp(C|Ix)为区域C在所有图像中所占的比例。通过上式得到区域重心的横坐标,通过同样的方法得到该区域中心的纵坐标位置Mh(C)。
则计算横坐标的方差如公式所示
类似的,得到纵坐标的方差Vv(C),将横纵坐标的方差结合即得到图像空间分布的紧凑特性,即
V(C)=Vh(C)+Vv(C) (5)
另外引入区域的中心偏置项
D(C)=∑xp(C|Ix)dx (6)
将V(C)与D(C)归一化到[0,1]区间内,则显著性计算如下式所示
S(C)=(1-V(C))(1-D(C)) (7)
iii)最终显著图。
结合基于区域独特性的显著图与基于空间分布的显著图的计算方法,求得最终显著图,其中U(ci)表示区域独特性显著图,S(ci)表示空间分布显著图。即检测区域集合。
sal(ci)=min(U(ci),S(ci)) (8)
步骤三、进行多源协同过程。
对于上述步骤分别得到的多光谱图像冰凌检测结果和采用协同驾驶向量进行协同计算过程。将最为先验信息输入到SAR冰凌检测算法中,从而使得在对SAR图像的冰凌检测可以缩小到所指示的局部区域中,调整检测算法内部的处理策略和具体参数,由此获得同理,将作为先验信息输入到多光谱冰凌检测算法中,调整检测算法内部的处理策略和具体参数,由此获得迭代进行上述过程,直至与之间的误差小于给定阈值thr,最终获得多光谱和SAR图像的多源协同冰凌检测结果。
本发明的有益效果是:该方法首先利用遥感图像,通过对黄河遥感图像几何校正、Bow-tie校正、云剔除、图像裁剪等预处理,进而对河流区域粗分割,最后利用NDSI检测方法与聚类法相结合,得到分割区域集合m;然后将区域m作为SAR图像检测方法输入,通过超像素分割和计算显著图得到分割区域集合n,最后通过交替迭代,寻找使得黄河冰凌检测模型最优的解,获取到最佳冰凌检测区域,实现黄河冰凌快速、有效检测,精度高。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于多光谱图像和SAR图像的黄河冰凌协同检测方法具体步骤如下:
1.获得遥感图像冰凌检测的结果。
4)图像预处理。
iv)首先对遥感图像进行辐射校正,在理想情况下,太阳高度角订正与日地距离订
正可表示为,
其中E为归一化的太阳辐照度,E0为平均日地距离时的太阳辐照度,一般为常数,θ为太阳天顶角,d为日地距离,是跟季节相关的变量。
经过辐射校正处理的图像由于存在Bow-tie效应,导致遥感影像数据失真,因此通过Bow-tie校正处理消除遥感影像中扫描条带错位现象。接着利用1km分辨率遥感图像数据带有的对应的像素点的经纬度信息对图像进行影像配准。
v)接着对图像进行云剔除。由于在近红外波段,冰雪反射率下降很快,反射率较低,而云在可见光和近红外部分一般都具有较高的反射率,因此可利用冰雪与云在近红外波段反射率的差异进行两者的区分。
vi)图像裁剪。由于对整个遥感图像数据处理运算量非常大,从原始大范围的整景影像得到研究区较小范围遥感影像的过程。
5)河流区域粗分割。
通过对感兴趣区域的区域增长算法得到粗略的河流区域图。首先选定需要生长的种子像素点,并将其和该点的4邻域或者8邻域进行比较,当小于某个阈值则合并到同一区域,并对该区域进行标记。再从新合并的标记区域反复进行,得到最终的生长区域。
6)利用NDSI检测方法与聚类法相结合,得到分割区域集合yi
利用冰雪在蓝光部分具有极高的反射率;在近红外波段,冰雪的反射率加速下降,且反射率很低这一光谱特性来区分河道中的冰雪及其他地物的。NDSI的计算公式如下,其中R4表示冰雪在遥感图像第四波段的反射率,R6表示冰雪在遥感图像第六波段的反射率。
接着利用K-均值的方法使所有样本到聚类中心的距离平方和最小。最终得到利用遥感图像检测得到的分割区域yi。
2.获得SAR图像冰凌检测结果。
3)基于超像素分割。
首先初始化聚类中心像素Ck=[lkakbkxkyk]T,其中lk,ak,bk为像素的颜色在CIELAB空间的颜色,xk与yk为像素的空间位置。根据梯度图像在初始化的聚类中心在5*5的邻域内选择局部极小值,设置每个像素的标签l(i)=-1,同时设置每个像素到聚类中心的距离d(i)=∞。接着对SAR图像上的每一个像素分配到各个聚类中心。
依次选择各个聚类中心,选择每个聚类中心的的圆形邻域内的像素,对于邻域内的每个像素i计算i到中心聚类k的距离D。如果D<d(i),则分配像素到该聚类中心所在的超像素中,并设置d(i)=D,l(i)=k。接着计算新的聚类中心,并计算是否达到一定的迭代步数或连续两步之间聚类中心不再变化。则此时得到的聚类即对SAR图像的超像素分割。
4)显著图计算。
iv)计算全局显著图。
利用颜色空间的对比、空间位置的对比以及面积的对比。将这三种对比度结合得到基于全局独特性的显著性计算方法。
其中D(ti,tj)表示两个两类之间的空间距离,表示聚类ti在图像中的权重,为两类之间在CIELAB颜色空间的欧式距离,ti,tj代表两个聚类。
v)颜色空间分布性显著图。
首先利用公式计算每个区域的中心位置其中xh表示超像素的横坐标,|X|c=∑xp(C|Ix)为区域C在所有图像中所占的比例。通过上式可得到区域重心的横坐标,通过同样的方法可得到该区域中心的纵坐标位置Mh(C)。
则计算横坐标的方差如公式所示
类似的,可得到纵坐标的方差Vv(C),将横纵坐标的方差结合即可得到图像空间分布的紧凑特性,即
V(C)=Vh(C)+Vv(C) (5)
另外引入区域的中心偏置项
D(C)=∑xp(C|Ix)dx (6)
将V(C)与D(C)归一化到[0,1]区间内,则显著性计算如下式所示
S(C)=(1-V(C))(1-D(C)) (7)
vi)最终显著图。
结合基于区域独特性的显著图与基于空间分布的显著图的计算方法,求得最终显著图,其中U(ci)表示区域独特性显著图,S(ci)表示空间分布显著图。即检测区域集合。
sal(ci)=min(U(ci),S(ci)) (8)
3.进行多源协同过程。
对于上述步骤分别得到的多光谱图像冰凌检测结果和采用协同驾驶向量进行协同计算过程。将最为先验信息输入到SAR冰凌检测算法中,从而使得在对SAR图像的冰凌检测可以缩小到所指示的局部区域中,调整检测算法内部的处理策略和具体参数,由此获得同理,将作为先验信息输入到多光谱冰凌检测算法中,调整检测算法内部的处理策略和具体参数,由此获得迭代进行上述过程,直至与之间的误差小于给定阈值thr,最终获得多光谱和SAR图像的多源协同冰凌检测结果。
Claims (1)
1.一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法,其特征在于包括以下步骤:
步骤一、获得遥感图像冰凌检测的结果;
1)图像预处理;
i)首先对遥感图像进行辐射校正,在理想情况下,太阳高度角订正与日地距离订正表示为,
其中E为归一化的太阳辐照度,E0为平均日地距离时的太阳辐照度,为常数,θ为太阳天顶角,d为日地距离;
通过Bow-tie校正处理消除遥感影像中扫描条带错位现象;利用1km分辨率遥感图像数据带有的对应的像素点的经纬度信息对图像进行影像配准;
ii)接着对图像进行云剔除;利用冰雪与云在近红外波段反射率的差异进行两者的区分;
iii)图像裁剪;由于对整个遥感图像数据处理运算量非常大,从原始大范围的整景影像得到研究区较小范围遥感影像的过程;
2)河流区域粗分割;
通过对感兴趣区域的区域增长算法得到粗略的河流区域图;首先选定需要生长的种子像素点,并将其和该点的4邻域或者8邻域进行比较,当小于某个阈值则合并到同一区域,并对该区域进行标记;再从新合并的标记区域反复进行,得到最终的生长区域;
利用NDSI检测方法与聚类法相结合,得到分割区域集合yi
利用冰雪在蓝光部分具有极高的反射率;在近红外波段,冰雪的反射率加速下降,且反射率很低这一光谱特性来区分河道中的冰雪及其他地物的;NDSI的计算公式如下,其中R4表示冰雪在遥感图像第四波段的反射率,R6表示冰雪在遥感图像第六波段的反射率;
接着利用K-均值的方法使所有样本到聚类中心的距离平方和最小;最终得到利用遥感图像检测得到的分割区域yi;
步骤二、获得SAR图像冰凌检测结果;
1)基于超像素分割;
首先初始化聚类中心像素Ck=[lkakbkxkyk]T,其中lk,ak,bk为像素的颜色在CIELAB空间的颜色,xk与yk为像素的空间位置;根据梯度图像在初始化的聚类中心在5*5的邻域内选择局部极小值,设置每个像素的标签l(i)=-1,同时设置每个像素到聚类中心的距离d(i)=∞;接着对SAR图像上的每一个像素分配到各个聚类中心;
依次选择各个聚类中心,选择每个聚类中心的的圆形邻域内的像素,对于邻域内的每个像素i计算i到中心聚类k的距离D;如果D<d(i),则分配像素到该聚类中心所在的超像素中,并设置d(i)=D,l(i)=k;接着计算新的聚类中心,并计算是否达到一定的迭代步数或连续两步之间聚类中心不再变化;则此时得到的聚类即对SAR图像的超像素分割;
2)显著图计算;
i)计算全局显著图;
利用颜色空间的对比、空间位置的对比以及面积的对比;将这三种对比度结合得到基于全局独特性的显著性计算方法;
其中D(ti,tj)表示两个两类之间的空间距离,表示聚类ti在图像中的权重,为两类之间在CIELAB颜色空间的欧式距离,ti,tj代表两个聚类;
ii)颜色空间分布性显著图;
利用公式计算每个区域的中心位置其中xh表示超像素的横坐标,|Xc|=∑xp(C|Ix)为区域C在所有图像中所占的比例;通过上式得到区域重心的横坐标,通过同样的方法得到该区域中心的纵坐标位置Mh(C);
则计算横坐标的方差如公式所示
类似的,得到纵坐标的方差Vv(C),将横纵坐标的方差结合即得到图像空间分布的紧凑特性,即
V(C)=Vh(C)+Vv(C) (5)
另外引入区域的中心偏置项
D(C)=∑xp(C|Ix)dx (6)
将V(C)与D(C)归一化到[0,1]区间内,则显著性计算如下式所示
S(C)=(1-V(C))(1-D(C)) (7)
iii)最终显著图;
结合基于区域独特性的显著图与基于空间分布的显著图的计算方法,求得最终显著图,其中U(ci)表示区域独特性显著图,S(ci)表示空间分布显著图;即检测区域集合;
sal(ci)=min(U(ci),S(ci)) (8)
步骤三、进行多源协同过程;
对于上述步骤分别得到的多光谱图像冰凌检测结果和采用协同驾驶向量进行协同计算过程;将最为先验信息输入到SAR冰凌检测算法中,从而使得在对SAR图像的冰凌检测可以缩小到所指示的局部区域中,调整检测算法内部的处理策略和具体参数,由此获得同理,将作为先验信息输入到多光谱冰凌检测算法中,调整检测算法内部的处理策略和具体参数,由此获得迭代进行上述过程,直至与之间的误差小于给定阈值thr,最终获得多光谱和SAR图像的多源协同冰凌检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224324.2A CN105913023B (zh) | 2016-04-12 | 2016-04-12 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224324.2A CN105913023B (zh) | 2016-04-12 | 2016-04-12 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913023A true CN105913023A (zh) | 2016-08-31 |
CN105913023B CN105913023B (zh) | 2019-06-21 |
Family
ID=56745876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610224324.2A Active CN105913023B (zh) | 2016-04-12 | 2016-04-12 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913023B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274416A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法 |
CN109406416A (zh) * | 2018-10-23 | 2019-03-01 | 中山大学 | 一种光电导谱自动测量***及方法 |
CN109829423A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种结冰湖泊红外成像检测方法 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN112258570A (zh) * | 2020-11-17 | 2021-01-22 | 中国科学院空天信息创新研究院 | 一种河流全水域水面宽度测算方法及*** |
CN112697218A (zh) * | 2020-12-05 | 2021-04-23 | 中国水利水电科学研究院 | 一种水库库容曲线重构方法 |
CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
CN114022790A (zh) * | 2022-01-10 | 2022-02-08 | 成都国星宇航科技有限公司 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980296A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于光谱解混的黄河主溜线检测方法 |
CN102867184A (zh) * | 2012-08-29 | 2013-01-09 | 江苏科技大学 | 一种sar图像中海冰运动特征的提取方法 |
KR101405435B1 (ko) * | 2012-12-14 | 2014-06-11 | 한국항공우주연구원 | 고해상도 영상 융합 방법 및 그 장치 |
-
2016
- 2016-04-12 CN CN201610224324.2A patent/CN105913023B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980296A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于光谱解混的黄河主溜线检测方法 |
CN102867184A (zh) * | 2012-08-29 | 2013-01-09 | 江苏科技大学 | 一种sar图像中海冰运动特征的提取方法 |
KR101405435B1 (ko) * | 2012-12-14 | 2014-06-11 | 한국항공우주연구원 | 고해상도 영상 융합 방법 및 그 장치 |
Non-Patent Citations (2)
Title |
---|
X JIN , H LI: "SAR and multispectral image fusion algorithm based on pulse coupled neural networks and non-subsampled Contourlet transform", 《JOURNAL OF IMAGE & GRAPHICS》 * |
张红蕾等: "SAR图像与多光谱图像融合方法研究", 《影响技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274416A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法 |
CN107274416B (zh) * | 2017-06-13 | 2019-11-01 | 西北工业大学 | 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法 |
CN109406416A (zh) * | 2018-10-23 | 2019-03-01 | 中山大学 | 一种光电导谱自动测量***及方法 |
CN109406416B (zh) * | 2018-10-23 | 2021-07-30 | 中山大学 | 一种光电导谱自动测量***及方法 |
CN109829423A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种结冰湖泊红外成像检测方法 |
CN109829423B (zh) * | 2019-01-18 | 2023-03-07 | 电子科技大学 | 一种结冰湖泊红外成像检测方法 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111160311B (zh) * | 2020-01-02 | 2022-05-17 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN112258570A (zh) * | 2020-11-17 | 2021-01-22 | 中国科学院空天信息创新研究院 | 一种河流全水域水面宽度测算方法及*** |
CN112697218A (zh) * | 2020-12-05 | 2021-04-23 | 中国水利水电科学研究院 | 一种水库库容曲线重构方法 |
CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
CN114022790A (zh) * | 2022-01-10 | 2022-02-08 | 成都国星宇航科技有限公司 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105913023B (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913023A (zh) | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 | |
CN106971146B (zh) | 基于三查技术的水体异常遥感动态监控方法、装置和*** | |
CN104502999B (zh) | 一种基于静止卫星多通道数据的昼夜云检测方法与装置 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN112232234B (zh) | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 | |
CN109781626B (zh) | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 | |
CN109146889A (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN108985959A (zh) | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 | |
CN107944357B (zh) | 基于证据融合自适应阈值的多源遥感图像云检测方法 | |
CN102385694B (zh) | 一种基于地块的作物品种高光谱识别方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN108051371A (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
CN110544236A (zh) | 基于时间序列卫星影像的珊瑚礁白化遥感监测方法 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN103942555A (zh) | 一种植物氮素含量丰缺图像检测方法 | |
CN104484670A (zh) | 基于伪彩色和支持向量机的遥感图像云检测方法 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和*** | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN104573662B (zh) | 一种云判方法和*** | |
CN112861802B (zh) | 基于时空深度学习融合技术的农作物全自动化分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |