CN107274420A - 基于图像分割的海洋锋面提取方法 - Google Patents
基于图像分割的海洋锋面提取方法 Download PDFInfo
- Publication number
- CN107274420A CN107274420A CN201710452225.4A CN201710452225A CN107274420A CN 107274420 A CN107274420 A CN 107274420A CN 201710452225 A CN201710452225 A CN 201710452225A CN 107274420 A CN107274420 A CN 107274420A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- merger
- gradient
- sharp side
- 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
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像分割的海洋锋面提取方法,包括海洋水文要素图像的中值滤波处理;利用区域生长算法并以变异系数大小为合并准则对海洋水文要素图像进行图像分割;对分割后图像进行区域边界检测及边界细化处理;海洋水文要素图像梯度计算及梯度图像二值化处理;区域边界图像与梯度二值化图像叠加对比及锋面像元筛选。本发明克服现有海洋锋面提取方法的不足,锋面提取结果受噪声影响较小,连续性更好,并且能获取更平滑的锋面中心线,为与海洋锋面分布相关的渔业生产计划制订、渔情预报、海洋生物栖息地调查、海洋流场结构分析等提供基础。
Description
技术领域
本发明涉及遥感信息技术和物理海洋领域,特别涉及到一种以卫星遥感海洋水文要素数据为基础,利用数字图像处理技术对海洋锋面进行提取的方法。
背景技术
海洋锋面是两个类型不同的水团或水系间的分界面,在锋面处对应的水文要素(如温度、叶绿素浓度、盐度等)急剧变化,形成对应水文要素的高梯度区域。海洋锋面处海水辅聚,垂直运动加强,同时海水携带的营养物质在此处富集,为浮游生物、鱼类等提供丰富的饵料,从而易于形成良好的渔场,所以海洋锋面与海洋能量交换与物质输送、海洋生态***和渔业资源分布密切相关。因此海洋锋面的提取对渔业生产计划制订、渔情预报、海洋生物栖息地调查、海洋流场结构分析等领域具有重要意义。
遥感技术能在同一时间获取大面积海洋要素观测数据,遥感数据优良的连续性以及同步性使其被广泛应用于海洋锋的提取。海洋锋面是对应水文要素图像的边缘信息,因此海洋锋面的提取往往被认为是一种海洋水文要素图像的边缘检测的过程。目前海洋锋面主要通过sobel算法或canny算法进行提取。sobel 算法是根据海洋锋面处对应水文要素呈现较高水平梯度的原理,先利用sobel算子计算水文要素图像的像元梯度,再设置合理的阈值将梯度值高于该阈值的像元作为锋面像元。canny算法则先通过高斯滤波去除图像噪声,再计算图像梯度及梯度方向,然后通过非极大值抑制去除伪边缘,最后利用高、低阈值实现边缘检测和边缘连接。sobel算法和canny算法均是通过对海洋水文要素图像中的高梯度像元进行处理从而实现锋面的提取,且sobel算法和canny算法在其设计之初均是用于强边缘(如固体边缘)的提取,被处理的对象边缘特征十分明显,边缘处像元梯度值突然增大,因此才能获取较为连续且宽度较小的边缘线。然而海洋属于流体,海洋中各水文要素在卫星影像中呈现出弱边缘的特征,即边缘不明显,边缘处像元梯度值增长相对固体边缘而言较为平缓。sobel算法只能获取宽度较大的带状锋面区域而无法获取锋面中心线,而且图像噪声所在处同样是图像高梯度区域,sobel算法仅通过单一的阈值难以区分噪声信息和锋面信息,因此sobel算法锋面提取结果受噪声影响较大;Canny算法通过高斯滤波和双阈值检测过程降低了噪声对锋面提取结果的影响,同时非极大值抑制和双阈值检测过程可以实现宽度为单像元大小的锋面中心线的获取,但是在利用 canny算法进行锋面提取时,海洋水文要素图像的弱边缘特征使得一些较弱的边缘信息在非极大值抑制或双阈值检测过程中被剔除,从而导致锋面提取结果连续性不佳,并出现较多的破碎锋,此外canny算法需要同时设定高、低两个阈值,同时设定双阈值组合的方式无法分别确定高、低阈值的选取对锋面提取结果的影响,从而加大了阈值调整的难度。
海洋锋面的本质是不同性质水团或水系的分界面,因此,可以先通过图像分割将海洋水文要素图像分割成若干不同性质的区域(即水团),然后再搜索不同区域间的边界,该边界即为海洋锋面。经过图像分割后的海洋水文要素图像的边缘信息得到加强,同时图像噪声被削弱,因此,对分割后的水文要素图像进行边缘检测以实现海洋锋面的提取,提取结果会有更好的连续性,且受噪声影响较小。
发明内容
针对海洋水文要素图像呈现弱边缘特征的特点,本发明目的在于提供一种基于图像分割的海洋锋面提取方法,利用中值滤波减少图像噪声,并通过对海洋水文要素图像进行图像分割来增强图像边缘信息并进一步削弱图像噪声,从而解决因海洋水文要素图像弱边缘特征以及图像噪声导致的传统sobel算法和 canny算法锋面提取结果受噪声影响较大、连续性不佳的问题,使锋面提取结果有更好的连续性,并减少破碎锋的出现,同时能获取锋面中心线以便进一步获取海洋锋面的位置信息及其空间分布情况。
本发明以对应水文要素遥感图像作为锋面提取的数据源,先通过图像分割将水文要素图像分割成若干不同性质的区域(即水团),然后搜索不同区域间的边界以实现海洋锋面的提取。
本发明提出的基于图像分割的海洋锋面提取方法,具体步骤如下:
(1)利用遥感技术获取海洋水文要素图像,作为后续锋面提取步骤的基础数据;
(2)利用中值滤波对步骤(1)得到的海洋水文要素图像进行处理,以削弱图像噪声;
(3)对步骤(2)经过中值滤波处理后的图像采用区域生长的方法进行图像分割,将图像分割成若干性质不同的独立区域,并输出图像分割结果图;即以种子像元为起点,将待归并像元与已归并像元视为同一组数据,若该组数据变异系数小于所设定的变异系数阈值,则将待归并像元归并到该待生长区域中;
按照待归并像元与待生长区域的已归并像元作为同一组数据时的变异系数从低到高的顺序依次判断待归并像元是否符合生长准则;
(4)搜索步骤(3)中分割得到的每个独立区域的边界;
(5)利用zhang-suen法对步骤(4)中得到的每个独立区域的边界进行细化,得到宽度为单像元大小的区域边界,并输出细化后的区域边界图,每个区域边界像元都是待提取的锋面像元;
(6)计算经过步骤(2)中值滤波后得到的图像分割结果图中的像元梯度;像元梯度计算的公式为:
Dx=[T(i,j+1)-T(i,j-1)]/2ΔX
Dy=[T(i+1,j)-T(i-1,j)]/2ΔY
式中,Grad为像元梯度,Dx、Dy分别为像元东西方向和南北方向上的梯度,i、j分别为像元在图像矩阵中的行、列号,ΔX、ΔY分别是图像X、Y方向上像元的大小,即图像空间分辨率;
(7)梯度图像二值化并输出梯度二值化结果图;
选择合适的梯度阈值,对步骤(6)中得到的像元梯度进行二值化处理,得到梯度二值化结果图,将高于梯度阈值的像元设为前景像元,低于梯度阈值的像元设为背景像元;
(8)锋面像元筛选
将步骤(5)经过细化后得到的区域边界图与步骤(7)经过二值化处理得到的梯度二值化结果图进行比较,将步骤(5)所得的区域边界与步骤(7)所得的梯度二值化结果图的前景像元位置不对应的区域边界像元剔除,相同位置上的区域边界像元则将其标记为锋面像元,最终完成海洋锋面的提取。
本发明中,步骤(3)中对海洋水文要素图像进行图像分割将海洋水文要素图像分割成若干不同性质的区域(即水团),然后在区域的基础上进行区域边界检测,分割后得到的区域边界较为平滑且有很好的连续性,从而减少了以单个像元为基础进行锋面提取时容易出现的破碎锋。
本发明中,步骤(3)中图像分割的具体步骤如下:
(3.1)根据海洋水文要素图像特征选择一个合适的种子像元,即第一个待生长区域的生长起点;
(3.2)搜索该种子像元的邻域像元,将邻域像元中未被归并的像元作为待归并像元;
(3.3)按照待归并像元与待生长区域的已归并像元作为同一组数据时的变异系数从低到高的顺序依次判断待归并像元是否符合生长准则,若符合生长准则,则将其归并到该待生长区域中;
生长准则为:将待归并像元与已归并像元视为同一组数据,若该组数据变异系数小于所设定的阈值,则将待归并像元归并到该待生长区域中;
变异系数的计算公式为:式中,S2为该组数据的标准偏差,为该组数据的平均值;
若无可归并的邻域像元,则该待生长区域生长完毕,并将第一个未归并像元作为下一待生长区域的种子像元并返回步骤(3.2);
(3.4)将所有可归并的邻域像元归并后,搜索与该待生长区域相邻的未归并像元,重复步骤(3.2)、(3.3);
(3.5)若无未归并像元,则图像分割完毕,得到若干性质不同的独立区域。
本发明中,为获取宽度为单像元大小的锋面中心线,采用Zhang-Suen法对步骤(4)中得到的区域边界进行细化处理,细化后的每个边界像元都是待提取的锋面像元;
Zhang-Suen法的原理为:在二值图像中,假设待检测前景像元为P1,则其八邻域像元可表示成:
P9 | P2 | P3 |
P8 | P1 | P4 |
P7 | P6 | P5 |
若P1满足以下四个条件:
a.2<=N(P1)<=6;
b.S(P1)=1;
c.P2×P4×P6=0;
d.P4×P6×P8=0;
或:
a.2<=N(P1)<=6;
b.S(P1)=1;
c.P2×P4×P8=0;
d.P2×P6×P8=0;
则可将P1标记为背景像元;其中N(P1)为P1的8个邻域像元中为前景像元的个数,S(P1)为以P2为起点逆时针方向一周P1邻域像元值为从0到1变化的次数。
本发明与现有技术相比有以下优点:
(1)能有效避免噪声对提取结果的影响
本发明首先通过中值滤波削弱图像噪声,此外图像分割后噪声信息被其所在的独立区域内的非噪声信息进一步削弱,因此本发明锋面提取结果受噪声影响较小
(2)锋面提取结果连续性较好,破碎锋较少
本发明先对海洋水文要素图像进行图像分割处理后再进行边缘检测和锋面信息提取。图像分割处理后图像边缘信息得到加强,图像经分割后得到的不同独立区域间的边界明显,因此在此基础上进行的锋面提取,其结果连续性更佳。此外本发明是在区域的基础上进行锋面提取,从而减少了以单个像元为基础进行锋面提取时容易出现的破碎锋。
(3)阈值调整方便
阈值的选取是各锋面提取方法中锋面提取结果好坏的关键,锋面提取过程中往往需要不断调整阈值以达到最佳的锋面提取结果。本发明中所需要设定的两个阈值分先后设置,第一个阈值为图像分割时需要的变异系数阈值,图像分割完成后可得到分割后的图像,因此可以根据图像分割的结果对阈值进行调整直到得到合适的图像分割结果。同样,本发明中的第二个阈值即梯度阈值也可根据得到的梯度二值化图像进行调整。
(4)可获取较平滑的锋面中心线
海洋水文要素图像经图像分割处理后,得到的各独立区域边界较为平滑,此外再对边界进行细化处理,可得到宽度为单像元大小的平滑的锋面中心线,可为锋面空间位置信息的获取提供方便。
附图说明
图1是本发明的流程图;
图2是本发明中图像分割的流程图;
图3是实施例1中图像分割后的结果图;
图4是实施例1中细化后的区域边界图;
图5是实施例1中梯度二值化结果图;
图6是实施例1中锋面提取的结果图;
图7是canny算法锋面提取结果图;
图8是sobel算法锋面提取结果图。
具体实施方式
下面通过实施例进一步说明本发明。
实施例1:如图1所示,包括以下步骤:获取海洋水文要素图像(海洋表面温度数据,sea surface temperature,即SST);利用中值滤波对海洋水文要素图像SST进行处理以削弱噪声部分噪声;利用区域生长的方法对中值滤波处理后的图像进行图像分割;获取分割后图像中每个独立区域的边界;利用zhang- suen法对区域边界进行细化;计算中值滤波后图像的像元梯度;选择合适的梯度阈值对梯度图像进行二值化处理;将细化后的区域边界图像与二值化梯度图像进行叠加对比,若区域边界图像中的边界像元对应梯度二值化图像相同位置上的前景像元,则将其标记为锋面像元,最终完成海洋温度锋面的提取。
本实施例采用红外与微波融合的SST(海表温度)数据作为锋面提取的原始数据,该数据空间分辨率为9km,时间分辨率为1d。考虑到海洋锋面的时间尺度一般为数天到数月,因此本实施例以周平均SST数据为基础进行锋面提取。利用基于图像分割的海洋锋面提取方法对2014年第5周(1月29日至2月4日) 中国南海海域的温度锋进行提取。本实施例通过MATLAB软件编程实现,具体实施方法和步骤如下:
(1)海洋表面温度SST数据获取
下载全球2014年1月29日——2014年2月4日红外与微波融合的SST数据,按照0°N—30°N,105°E—130°E的范围对数据进行裁切,并在时间尺度上求平均,得到2014年第5周中国南海海域SST周平均数据。
(2)对SST图像进行中值滤波处理
利用MATLAB自带的medfilt2函数对步骤(1)中得到的2014年第5周中国南海海域SST周平均数据进行中值滤波处理以去除部分噪声。
(3)图像分割
本实施例图像分割的具体步骤如下:
a.将实施例所选区域西北角第一个像元作为本实施例图像分割中的第一个种子像元,即待生长区域的生长起点
b.搜索该种子像元未被归并的邻域像元,将其作为待归并像元。
c.按照待归并像元与已归并像元作为同一组数据时的变异系数从低到高的顺序依次判断待归并像元是否满足生长准则,若满足,则将该待归并像元归并到对应生长区域中。若无满足生长准则的待归并像元,则该待生长区域生长完毕,将区域内像元值用区域内像元的平均值代替,并将第一个未归并像元作为新的种子像元,并返回步骤b。本实施例的生长准则是:将待归并像元与其对应的待生长区域内所有已归并像元视为同一组数据,若该组数据变异系数小于0.06,则将该待归并像元归并到对应待生长区域中。
d.将所有可归并的邻域像元归并后,搜索与该待生长区域相邻的未归并像元,并将其作为待归并像元,重复步骤b、c。
e.若无未归并像元,则图像分割完毕,输出图像分割后的结果图(图3)。
(4)区域边缘检测
利用MATLAB自带的bwperim函数依次获取图像分割后所有独立区域的边界。
(5)边界细化处理
利用Zhang-Suen法对步骤(4)中得到的区域边界进行细化处理,获得宽度为单像元大小的区域边界,并将细化后得到的边界像元赋值为1,其余像元赋值为0,输出细化后的区域边界图像(图4)。
(6)图像梯度计算
利用MATLAB自带的gradient函数对步骤(2)中的图像进行梯度计算。
(7)梯度图像二值化
本实施例利用迭代法获取梯度阈值,最终得到的梯度阈值为0.0316,对步骤(6)中得到的梯度图像进行二值化处理,将高于阈值的像元赋值为1(即前景像元),低于阈值的像元赋值为0(即背景像元)。迭代法获取阈值的步骤为:
a.利用MATLAB自带的max和min函数分别获取步骤(6)中得到的梯度图像的最大、最小值Gmax和Gmin,并将初始阈值设为: T(0)=(Gmax+Gmin)/2。
b.根据阈值T(k)(k=0,1,2,3……)将图像分为前景像元和背景像元,并用 mean函数分别求得二者平均值mean1和mean2。
c.获得新的阈值T(k+1)=(mean1+mean2)/2。
d.若T(k+1)=T(k),则得到最终阈值T(k),否则返回步骤b。为防止迭代进入死循环,将迭代次数限制为20次。
(8)边界像元筛选
将步骤(5)中得到的区域边界图像与步骤(7)中得到的梯度二值化图像(图5)进行叠加对比,若相同位置上区域边界图像与梯度二值化图像上像元值均为1,则将该位置上的像元设为锋面像元,最终完成海洋锋面的提取并输出锋面提取的结果图(图6)。
下面将两个对照实验(1)canny算法和对照实验(2)sobel算法的锋面提取结果与本发明提出的基于图像分割的锋面提取方法的锋面提取结果进行比较,以进一步说明本发明的优势。
对照实验1:利用canny算法对对2014年第5周中国南海海域的温度锋进行提取。包括以下步骤:
(1)SST数据获取
与实施例1中步骤(1)相同。
(2)锋面像元提取
利用MATLAB自带的edge函数对步骤(1)中的到的图像进行边缘检测,其中边缘检测方法选择canny算子,低阈值和高阈值分别设置为0.3和0.9,最终完成海洋锋面的提取并输出锋面提取的结果图(图7)。
通过对图6和图7的对比可看出:图7中中国台湾海峡以北的中国大陆沿岸、中国台湾海峡以及中国台湾海峡西南侧提取到的海洋锋主要以破碎锋形式存在,而图6 中为连续的曲线,此外图7中提取到的锋面更为平滑。这说明与canny算法相比,本发明提出的基于图像分割的海洋锋面提取方法锋面提取结果有更好的连续性,提取结果中破碎锋较少且得到的锋面中心线更平滑。
对照实验2:利用sobel算法对2014年第5周中国南海海域的温度锋进行提取。包括以下步骤:
(1)SST数据获取
与实施例1中步骤(1)相同。
(2)梯度计算
利用sobel算子对步骤(1)中得到的图像进行梯度计算,即分别利用模板(sobelx)和(sobely)对图像进行卷积运算求得像元Dx、Dy值,再通过公式:求得图像梯度。在MATLAB中可通过其自带的imfilter函数实现,滤波模板分别为sobelx和sobely,滤波过程选择conv(即通过卷积完成)。
(3)锋面像元提取
利用迭代法获取梯度阈值,将步骤(2)中得到的图像中梯度值高于梯度阈值的像元设为锋面像元并输出锋面提取的结果图(图8)。迭代法具体步骤与实施例1中步骤(7)相同,所得梯度阈值为0.0306。
通过对图6和图8的对比可看出:利用sobel算法进行锋面提取只能获取大面积的带状的锋面区域而不能获取锋面中心线,且在南海中部及吕宋海峡附近有较多的破碎锋。这说明与sobel算法相比,本发明提出的基于图像分割的海洋锋面提取方法,即锋面提取结果有更好的定位精度,同时能减少破碎锋的出现。
Claims (4)
1.基于图像分割的海洋锋面提取方法,其特征在于步骤如下:
(1)利用遥感技术获取海洋水文要素图像,作为后续锋面提取步骤的基础数据;
(2)利用中值滤波对步骤(1)得到的海洋水文要素图像进行处理,以削弱图像噪声;
(3)对步骤(2)经过中值滤波处理后的图像采用区域生长的方法进行图像分割,将图像分割成若干性质不同的独立区域,并输出图像分割结果图;即以种子像元为起点,将待归并像元与已归并像元视为同一组数据,若该组数据变异系数小于所设定的变异系数阈值,则将待归并像元归并到该待生长区域中;
按照待归并像元与待生长区域的已归并像元作为同一组数据时的变异系数从低到高的顺序依次判断待归并像元是否符合生长准则;
(4)搜索步骤(3)中分割得到的每个独立区域的边界;
(5)利用zhang-suen法对步骤(4)中得到的每个独立区域的边界进行细化,得到宽度为单像元大小的区域边界,并输出细化后的区域边界图,每个区域边界像元都是待提取的锋面像元;
(6)计算经过步骤(2)中值滤波后得到的图像分割结果图中的像元梯度;
像元梯度计算的公式为:
1.jpg
式中,Grad为像元梯度,、分别为像元东西方向和南北方向上的梯度,i、j分别为像元在图像矩阵中的行、列号、分别是图像、方向上像元的大小,即图像空间分辨率;
(7)梯度图像二值化并输出梯度二值化结果图;
选择合适的梯度阈值,对步骤(6)中得到的像元梯度进行二值化处理,得到梯度二值化结果图,将高于梯度阈值的像元设为前景像元,低于梯度阈值的像元设为背景像元;
(8)锋面像元筛选
将步骤(5)经过细化后得到的区域边界图与步骤(7)经过二值化处理得到的梯度二值化结果图进行比较,将步骤(5)所得的区域边界与步骤(7)所得的梯度二值化结果图的前景像元位置不对应的区域边界像元剔除,相同位置上的区域边界像元则将其标记为锋面像元,最终完成海洋锋面的提取。
2.根据权利要求1所述的方法,其特征在于步骤(3)中对海洋水文要素图像进行图像分割将海洋水文要素图像分割成若干不同性质的区域(即水团),然后在区域的基础上进行区域边界检测,分割后得到的区域边界较为平滑且有很好的连续性,从而减少了以单个像元为基础进行锋面提取时容易出现的破碎锋。
3.根据权利要求1所述的方法,其特征在于步骤(3)中图像分割的具体步骤如下:
(3.1)根据海洋水文要素图像特征选择一个合适的种子像元,即第一个待生长区域的生长起点;
(3.2)搜索该种子像元的邻域像元,将邻域像元中未被归并的像元作为待归并像元;
(3.3)按照待归并像元与待生长区域的已归并像元作为同一组数据时的变异系数从低到高的顺序依次判断待归并像元是否符合生长准则,若符合生长准则,则将其归并到该待生长区域中;
生长准则为:将待归并像元与已归并像元视为同一组数据,若该组数据变异系数小于所设定的阈值,则将待归并像元归并到该待生长区域中;
变异系数的计算公式为:,式中,为该组数据的标准偏差,为该组数据的平均值;
若无可归并的邻域像元,则该待生长区域生长完毕,并将第一个未归并像元作为下一待生长区域的种子像元并返回步骤(3.2);
(3.4)将所有可归并的邻域像元归并后,搜索与该待生长区域相邻的未归并像元,重复步骤(3.2)、(3.3);
(3.5)若无未归并像元,则图像分割完毕,得到若干性质不同的独立区域。
4.根据权利要求1所述的方法,其特征在于为获取宽度为单像元大小的锋面中心线,采用Zhang-Suen法对步骤(4)中得到的区域边界进行细化处理,细化后的每个边界像元都是待提取的锋面像元;
Zhang-Suen法:在二值图像中,假设待检测前景像元为P1,则其八邻域像元表示成:
若P1满足以下四个条件:
a. 2<=N(P1)<=6;
b. S(P1)=1;
c.;
d. ;
或:
a. 2<=N(P1)<=6;
b. S(P1)=1;
c. ;
d. ;
则将P1标记为背景像元;其中N(P1)为P1的8个邻域像元中为前景像元的个数,S(P1)为以P2为起点逆时针方向一周P1邻域像元值为从0到1变化的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452225.4A CN107274420B (zh) | 2017-06-15 | 2017-06-15 | 基于图像分割的海洋锋面提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452225.4A CN107274420B (zh) | 2017-06-15 | 2017-06-15 | 基于图像分割的海洋锋面提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274420A true CN107274420A (zh) | 2017-10-20 |
CN107274420B CN107274420B (zh) | 2020-08-14 |
Family
ID=60066306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710452225.4A Active CN107274420B (zh) | 2017-06-15 | 2017-06-15 | 基于图像分割的海洋锋面提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274420B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875117A (zh) * | 2018-04-11 | 2018-11-23 | 中国海洋大学 | 基于拉格朗日拟序结构的面向海洋复杂海流数据的多层次流场结构提取方法 |
CN109086818A (zh) * | 2018-07-25 | 2018-12-25 | 中国海洋大学 | 海洋锋面识别方法和装置 |
CN109215045A (zh) * | 2018-07-19 | 2019-01-15 | 广东工业大学 | 基于区域生长与Laplace算子相结合边缘检测方法 |
CN110502801A (zh) * | 2019-07-25 | 2019-11-26 | 天津大学 | 海洋温度锋自动追踪和特征参数信息提取方法 |
CN111414991A (zh) * | 2020-02-21 | 2020-07-14 | 中国人民解放军国防科技大学 | 一种基于多元回归的气象锋面自动识别方法 |
CN112508079A (zh) * | 2020-12-02 | 2021-03-16 | 中国海洋大学 | 海洋锋面的精细化识别方法、***、设备、终端及应用 |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN114677371A (zh) * | 2022-05-06 | 2022-06-28 | 南通市海视光电有限公司 | 一种基于机器视觉的化工界面检测方法 |
CN116203277A (zh) * | 2023-05-06 | 2023-06-02 | 中国海洋大学 | 基于ptv与piv技术的海表面小尺度流场测量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000042385A1 (en) * | 1999-01-13 | 2000-07-20 | The Secretary Of State For Defence | Improved method of processing data and data processing apparatus |
CN101976437A (zh) * | 2010-09-29 | 2011-02-16 | 中国资源卫星应用中心 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
CN103020959A (zh) * | 2012-11-24 | 2013-04-03 | 中国科学院地理科学与资源研究所 | 一种基于引力模型的海洋锋信息提取方法 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN105976373A (zh) * | 2016-05-05 | 2016-09-28 | 江南大学 | 基于邻域信息熵的核模糊c均值图像分割算法 |
CN106469312A (zh) * | 2016-09-29 | 2017-03-01 | 江苏省特种设备安全监督检验研究院 | 基于区域生长标号的焊缝视觉识别方法 |
-
2017
- 2017-06-15 CN CN201710452225.4A patent/CN107274420B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000042385A1 (en) * | 1999-01-13 | 2000-07-20 | The Secretary Of State For Defence | Improved method of processing data and data processing apparatus |
CN101976437A (zh) * | 2010-09-29 | 2011-02-16 | 中国资源卫星应用中心 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
CN103020959A (zh) * | 2012-11-24 | 2013-04-03 | 中国科学院地理科学与资源研究所 | 一种基于引力模型的海洋锋信息提取方法 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN105976373A (zh) * | 2016-05-05 | 2016-09-28 | 江南大学 | 基于邻域信息熵的核模糊c均值图像分割算法 |
CN106469312A (zh) * | 2016-09-29 | 2017-03-01 | 江苏省特种设备安全监督检验研究院 | 基于区域生长标号的焊缝视觉识别方法 |
Non-Patent Citations (3)
Title |
---|
JO HOPKINS等: "A New Statistical Modeling Approach to Ocean Front Detection from SST Satellite Images", 《JOURNAL OF ATMOSPHERIC AND OCEANIC TECHNOLOGY》 * |
崔雪森等: "海面温度栅格图的锋面提取与矢量化", 《中国图象图形学报》 * |
黎安舟等: "遥感图像中尺度海洋锋及涡旋提取方法研究进展", 《中国图象图形学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875117A (zh) * | 2018-04-11 | 2018-11-23 | 中国海洋大学 | 基于拉格朗日拟序结构的面向海洋复杂海流数据的多层次流场结构提取方法 |
CN108875117B (zh) * | 2018-04-11 | 2022-05-13 | 中国海洋大学 | 基于拉格朗日拟序结构的多层次流场结构的提取方法 |
CN109215045A (zh) * | 2018-07-19 | 2019-01-15 | 广东工业大学 | 基于区域生长与Laplace算子相结合边缘检测方法 |
CN109086818B (zh) * | 2018-07-25 | 2022-02-25 | 中国海洋大学 | 海洋锋面识别方法和装置 |
CN109086818A (zh) * | 2018-07-25 | 2018-12-25 | 中国海洋大学 | 海洋锋面识别方法和装置 |
CN110502801A (zh) * | 2019-07-25 | 2019-11-26 | 天津大学 | 海洋温度锋自动追踪和特征参数信息提取方法 |
CN110502801B (zh) * | 2019-07-25 | 2023-03-24 | 天津大学 | 海洋温度锋自动追踪和特征参数信息提取方法 |
CN111414991A (zh) * | 2020-02-21 | 2020-07-14 | 中国人民解放军国防科技大学 | 一种基于多元回归的气象锋面自动识别方法 |
CN111414991B (zh) * | 2020-02-21 | 2023-04-25 | 中国人民解放军国防科技大学 | 一种基于多元回归的气象锋面自动识别方法 |
CN112508079A (zh) * | 2020-12-02 | 2021-03-16 | 中国海洋大学 | 海洋锋面的精细化识别方法、***、设备、终端及应用 |
CN112508079B (zh) * | 2020-12-02 | 2023-11-10 | 中国海洋大学 | 海洋锋面的精细化识别方法、***、设备、终端及应用 |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN113160183B (zh) * | 2021-04-26 | 2022-06-17 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN114677371A (zh) * | 2022-05-06 | 2022-06-28 | 南通市海视光电有限公司 | 一种基于机器视觉的化工界面检测方法 |
CN116203277A (zh) * | 2023-05-06 | 2023-06-02 | 中国海洋大学 | 基于ptv与piv技术的海表面小尺度流场测量方法 |
CN116203277B (zh) * | 2023-05-06 | 2023-07-11 | 中国海洋大学 | 基于ptv与piv技术的海表面小尺度流场测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107274420B (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274420A (zh) | 基于图像分割的海洋锋面提取方法 | |
CN105957079B (zh) | 基于Landsat OLI多光谱影像的湖泊水域信息提取方法 | |
Baumstark et al. | Mapping seagrass and colonized hard bottom in Springs Coast, Florida using WorldView-2 satellite imagery | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
CN103679728B (zh) | 一种复杂地形的sar图像的水域自动分割方法及装置 | |
Xu et al. | A simple phenology-based vegetation index for mapping invasive spartina alterniflora using Google Earth engine | |
CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
CN103914834A (zh) | 一种基于前景先验和背景先验的显著性物体检测方法 | |
Wang | A multi-scale approach for delineating individual tree crowns with very high resolution imagery | |
CN112907587B (zh) | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 | |
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN105488787A (zh) | 基于几何活动轮廓模型的遥感图像海岸线检测方法 | |
Tripathy | Detection of cotton leaf disease using image processing techniques | |
CN106778640B (zh) | 一种三维可视化环境下地表植被覆盖模型的生成方法 | |
CN110176005A (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
CN108764132A (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
CN103729621B (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
Lijun et al. | Geo‐information mapping improves Canny edge detection method | |
CN117611987B (zh) | 养殖用海自动识别方法、装置及介质 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Xu et al. | Remote Sensing Mapping of Cage and Floating-raft Aquaculture in China's Offshore Waters Using Machine Learning Methods and Google Earth Engine | |
Lapico et al. | Using image processing to automatically measure pearl oyster size for selective breeding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |