CN107688777A - 一种协同多源遥感影像的城市绿地提取方法 - Google Patents
一种协同多源遥感影像的城市绿地提取方法 Download PDFInfo
- Publication number
- CN107688777A CN107688777A CN201710600322.3A CN201710600322A CN107688777A CN 107688777 A CN107688777 A CN 107688777A CN 201710600322 A CN201710600322 A CN 201710600322A CN 107688777 A CN107688777 A CN 107688777A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- remote sensing
- registration
- green space
- 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
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种协同多源遥感影像的城市绿地提取方法,包括以下步骤:S1、采集高分辨率影像和多光谱影像并进行影像的配准,并对配准后的影像进行堆叠,获取堆叠影像;S2、基于S1中的堆叠影像的地物空谱特征对堆叠影像进行影像分割,并获取最终分割对象;S3、基于S2中的最终分割对象,利用多光谱影像中的光谱信息构造植被光谱指数,选取阈值获得城市绿地信息并制图。与现有技术相比,本发明可快速准确地提取城市绿地情况并进行制图,而且可以广泛应用于城市规划、城市环境评估等领域,有益于城市规划及环保事业的发展。
Description
技术领域
本发明涉及图像信息提取方法领域,尤其是涉及一种协同多源遥感影像的城 市绿地提取方法。
背景技术
城市绿地具有净化空气、水体和土壤、改善城市气候、降低城市噪声等优点, 在城市景观规划以及城市生态环境评估等工程应用之中,城市绿地的准确提取及制 图对于城市建设的分析和决策工作都显得至关重要。由于航空航天的发展,目前已 经能够获取到不同空间分辨率,不同光谱分辨率的遥感影像,一般来讲,高空间分 辨率遥感影像地物空间信息丰富,利用不同地物空间特征可对其进行识别,而多/ 高光谱遥感影像光谱信息丰富,利用不同地物光谱特征可对其进行区分。目前的技 术还较难获取到同时具备高空间分辨率和高光谱分辨率的遥感影像,因此有必要充 分利用不同类型的遥感数据来实现对城市绿地的高精度提取及制图。
伴随着遥感技术和互联网技术的发展,以Google Earth为代表的在线遥感影像地图产品整合了不同卫星遥感数据,为我们提供了大量的高空间分辨率遥感影像, 尤其是在城市区域,遥感影像具有更新速度快,影像质量优异等特点,目前,基于 Google Earth等高分辨率遥感影像进行城市绿地提取及制图的应用已经越来越广泛, 由于该类影像一般光谱信息较为匮乏,单纯依靠计算机对城市绿地进行自动识别精 度较难以满足需求,因此常用人工解译的方法获取得高精度城市绿地范围。该种方 法人工成本高,解译效率低,且当工作量大时,人在疲惫状态下的影像解译精度反 而得不到保证。除了能够获取到高分辨率遥感影像,目前还能获取大量如Landsat 系列卫星影像,Sentinel-2卫星影像等多光谱遥感影像,该类遥感影像光谱信息丰 富,利用影像上城市绿地与其他地物在光谱特征上的差异可实现对城市绿地的准确 提取。目前的城市绿地研究应用中,还主要是基于多光谱遥感影像展开,由于多光 谱遥感影像一般空间分辨率较低,在应用于复杂城市环境中的绿地提取时往往不能 满足精度需求。
有鉴于此,确有必要提供一种能够快速准确地提取城市绿地的方法,以解决上 述问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种协同多源遥 感影像的城市绿地提取方法,该方法不仅可以快速准确地提取城市绿地情况并进行 制图,而且可以广泛应用于城市规划、城市环境评估等领域,有益于城市规划及环 保事业的发展。
本发明的目的可以通过以下技术方案来实现:
一种协同多源遥感影像的城市绿地提取方法,包括以下步骤:
S1、采集高分辨率影像和多光谱影像并进行影像的配准,并对配准后的影像 进行堆叠,获取堆叠影像;
S2、基于S1中的堆叠影像的地物空谱特征对堆叠影像进行影像分割,并获取 最终分割对象;
S3、基于S2中的最终分割对象,利用多光谱影像中的光谱信息构造植被光谱 指数,选取阈值获得城市绿地信息并制图。
进一步地,所述步骤S1具体为:
S10、对采集到的高分辨率影像和多光谱影像进行几何空间配准,将多光谱遥 感图像配准到高分辨率遥感图像上;
S11、对采集到的高分辨率影像和多光谱影像进行相对辐射配准,将高分辨率 影像的辐射匹配到多光谱影像的辐射中;
S12、将S10和S11中配准后的影像进行堆叠,获取堆叠影像。
进一步地,所述步骤S10具体为:
S101、利用双线性插值法将多光谱影像升采样到2米分辨率的影像,并在高 分辨率影像中手动选取同名点;
S102、利用最邻近插值法将多光谱影像升采样到2米分辨率的影像;
S103、将S101中手动选取的同名点应用到由S102中经最邻近插值法升采样 到2米分辨率的多光谱影像中,获取高分辨率影像和多光谱影像在几何空间上的配 准影像。
进一步地,所述步骤S11中,采用线性拟合方法将高分辨率影像的辐射匹配 到多光谱影像的辐射中。
进一步地,所述线性拟合方法具体为:
高分辨率影像为待配准图像,多光谱遥感影像为参考图像,记X为待配准图 像像元,Y为参考图像像元,计算图像灰度级增益系数G和待配准图像反射率偏移 系数B:
式中,n为待配准图像波段数,和为待配准影像和参考图像的第i个波 段的像元均值;
根据同一位置处的影像像元满足的线性方程实现对待配准图像的相对辐射配准,所述线性方程为:
Y=GX+B。
进一步地,所述步骤S2具体为:
S21、利用地物在空间上的光谱同质性及地物尺寸特征,采用多分辨率分割算 法并通过设置尺度参数对堆叠影像进行过度分割,获得初始分割对象;
S22、基于初始分割对象,利用光谱差异分割算法,将初始分割对象进行合并, 获得最终分割对象。
进一步地,所述步骤S22具体为:
S221、利用多光谱影像中的近红外波段对水体及植物进行区分,获取各初始 分割对象的光谱特征;
S222、将空间邻近位置上的具有相似光谱特征的初始分割对象进行合并,获 得最终分割对象。
进一步地,所述步骤S221中利用的多光谱影像为采用双线性插值法将升采样 到2米分辨率的影像。
进一步地,所述步骤S3具体为:
S31、基于S2中的最终分割对象,利用多光谱影像中的光谱信息构造植被光 谱指数;
S32、基于步骤S31中的植被光谱指数,选取阈值对城市绿地信息进行提取并 绘制城市绿地制图。
进一步地,所述步骤S31中的植被光谱指数NDVI表示为:
式中,ρNIR为多光谱影像的近红外波段,ρRed为多光谱影像的红光波段。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过协同利用高分辨率影像和多光谱影像中的几何空间信息和光 谱信息,有效提高了城市绿地提取结果的精确性,实现了城市绿地信息的快速准确 提取及城市绿地图像的绘制。
(2)由于所使用的多光谱遥感图像和高分辨率遥感图像在地表成像过程中由 于光照条件等引起的地物反射率较大差异、以及图像保存过程中存储灰度级别不同 等因素,使得不同图像间同一种地物光谱差异较大,因此本发明除了进行空间几何 配准外,还进行了异源图像间的相对辐射配准,使信息准确融合。
(3)由于本发明所使用的高分辨率遥感图像只包含红绿蓝三个可见光波段, 仅根据三个波段光谱信息易在城市水体和植被目标之间产生混淆,故在实施图像分 割时,需要结合多光谱遥感图像中10米分辨率的近红外波段光谱信息与和高分辨 率遥感图像可见光光谱信息,以实现对城市地表不同地物的准确分割。在以较小尺 度参数实现对图像目标的过分割后,合水体面积一般较大的特点,去除由于过分割 产生的小对象,从而提高分类准确度。
附图说明
图1为本发明的流程示意图;
图2为本发明几何空间配准的流程图;
图3为本发明方法与传统方法的城市绿地提取结果的对照图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范 围不限于下述的实施例。
本发明提供了一种协同多源遥感影像的城市绿地提取方法,可快速准确地对城市绿地信息进行提取,并可准确制得城市绿地制图,以克服现有技术的缺陷。本实 施例中,协同多源遥感影像的城市绿地提取方法包括高分辨率影像采集部分及多光 谱影像采集部分,所述多光谱影像采集部分采集到的影像为经大气校正后的地表反 射率遥感影像形成的多光谱影像。
如图1所示,所述协同多源遥感影像的城市绿地提取方法的流程图,其主要包 括以下步骤:
S1、将高分辨率影像采集部分及多光谱影像采集部分采集到的高分辨率影像 和多光谱影像进行影像的配准,获取配准影像;
S2、基于S1中的配准影像的地物空谱特征对配准影像进行影像分割,并获取 最终分割对象;
S3、基于S2中的最终分割对象,利用多光谱影像中的光谱信息构造植被光谱 指数(NDVI),选取阈值获得城市绿地信息并制图。
以下说明书部分将对步骤S1~S3作具体说明。
本发明中,由于高分辨率影像和多光谱影像在几何空间及光谱空间上的尺寸常存在差异,因此在协同利用高分辨率影像和多光谱影像在辐射空间的信息时需要对 高分辨率影像和多光谱影像进行配准,基于此所述步骤S1具体为:
S10、对采集到的高分辨率影像和多光谱影像进行几何空间配准,将多光谱遥 感图像配准到高分辨率遥感图像上;
S11、对采集到的高分辨率影像和多光谱影像进行相对辐射配准,将高分辨率 影像的辐射匹配到多光谱影像的辐射中;
S12、将S10和S11中配准后的影像进行堆叠,获取堆叠影像。
如图2所示为本发明的中步骤S10中几何空间上配准的方法流程图。从该流 程图可以看出,所述步骤S10具体为:
S101、利用双线性插值法将多光谱影像升采样到2米分辨率的影像,并在高 分辨率影像中手动选取同名点;
S102、利用最邻近插值法将多光谱影像升采样到2米分辨率的影像;
S103、将S101中手动选取的同名点应用到由S102中经最邻近插值法升采样 到2米分辨率的多光谱影像中,获取高分辨率影像和多光谱影像在几何空间上的配 准影像。
进一步的,在对高分辨率影像和多光谱影像进行空间配准时,是将多光谱影像 配准到高分辨率影像上,为了便于同名点的选取,首先利用双线性插值法将多光谱 影像升采样到2米分辨率,然后,在高分辨率影像中手动选取同名点。进一步的, 为保留多光谱影像上不同地理位置处的初始光谱特征,需要将选取的同名点应用于 由最邻近插值法升采样到2米分辨率的多光谱影像上,继而获得配准影像,同时, 配准后的配准影像还可用于后续的植被光谱指数(NDVI)的计算之中。
S101中的升采样用的是双线性插值法,是为了达到一个比较好的视觉效果,方 便选取同名点。S102中的升采样用的是最邻近插值法,是为了保证升采样后不破 坏多光谱影像上像元光谱特征,该升采样后的影像为后续处理的影像。
在所述步骤S11中,所述高分辨率影像和多光谱影像的相对辐射配准是将高分 辨率影像的辐射匹配到多光谱影像的辐射中,该过程中采用线性拟合方法。
具体来讲,假定同一位置图像像元满足如下关系:
Y=GX+B (1)
其中,G为图像灰度级增益系数,认为异源图像由于存储灰度级不同引起的光 谱值差异呈一种线性关系。B为待配准图像反射率偏移系数,X为待配准图像像元, Y为参考图像像元,增益系数G和偏移系数B的计算公式为公式(2)、(3)所示:
其中,n为待配准图像波段数,和为待配准图像和参考图像第i个波段像元 均值,由上式(2)、(3)即可计算出实验中高分辨率影像各波段增益和偏移系数。 将增益系数G和偏移系数B带入公式(1),即可实现对高分辨率影像的相对辐射 配准。
在传统的使用高分辨率影像进行城市绿地信息的提取时,由于大部分的高分辨率影像只包含RGB三个可见光波段,仅根据光谱特征很容易使得部分水体与植被 产生混淆,使得城市绿地信息提取存在较大误差;故在本发明的协同多源遥感的城 市绿地提取方法中使用多光谱影像对高分辨率影像进行分割处理,以多光谱影像中 对水体和植被具有较高区分度的近红外波段作为分割高分辨率影像的依据,基于以 上因素所述步骤S2具体为:
S21、利用地物在空间上的光谱同质性及地物尺寸特征,采用多分辨率分割算 法并通过设置尺度参数对堆叠影像进行过度分割,获得初始分割对象;
S22、基于初始分割对象,利用光谱差异分割算法,将初始分割对象进行合并, 获得最终分割对象。
具体来讲,在步骤S22中用于分割堆叠影像的多光谱影像为采用双线性插值 法将升采样到2米分辨率的影像,如此设置,可以有效减少多光谱影像的粗分辨率 对地物在空间上的光谱同质性及地物尺寸特征的影响,进一步提高本发明的协同多 源遥感影像的城市绿地提取方法的准确性。
所述步骤S22具体为:
S221、利用多光谱影像中的近红外波段对水体及植物进行区分,获取各初始 分割对象的光谱特征;
S222、将空间邻近位置上的具有相似光谱特征的初始分割对象进行合并,获 得最终分割对象。
所述步骤S3具体为:
S31、基于S2中的最终分割对象,利用多光谱影像中的光谱信息构造植被光 谱指数NDVI,表示为:
式中,ρNIR为多光谱影像的近红外波段,ρRed为多光谱影 像的红光波段;
S32、基于步骤S31中的植被光谱指数,选取阈值对城市绿地信息进行提取并 绘制城市绿地制图。
如表1所示为以本发明的协同多源遥感影像的城市绿地提取方法与传统方法 中的基于多光谱遥感影像NDVI(Rouse et al.,1974)植被指数法和SAVI(Huete et al.,1988)土壤调整植被指数法对城市绿地范围进行测试时的精度对比结果。
表1
在本实施例中,以Google Earth影像为高分辨率影像,Sentinel-2影像为多光 谱影像,所述协同多源遥感影像的城市绿地提取方法中的阈值以0.01为步长,满 足kappa系数最大化为选取准则进行测试精度对比。
在本实施例的精度对比过程中,首先通过对Google Earth影像的目视识别,人 工描绘出城市绿地范围并以此作为精度对比过程中城市绿地的真实范围;其次,以 制图精度(Produce’s Accuracy)、用户精度(User’s Accuracy)以及Kappa系数为 对比指标,对对比指标进行测试;最后,获取表1对数据进行整理。
如表1和图3所示,使用本发明的协同多源遥感影像的城市绿地提取方法测试 的制图精度(Produce’s Accuracy)、用户精度(User’s Accuracy)以及Kappa系数 均高于传统方法的测试精度,表现出了良好的测试性能;同时,绘制的城市绿地制 图对绿地的提取结果具有较高的准确性及完整性。
综上所述,本发明的协同多源遥感影像的城市绿地提取方法通过协同利用高分辨率影像及多光谱影像的空间信息及光谱信息,可协同对城市绿地信息进行提取, 并通过阈值的选取获得城市绿地制图,实现了城市绿地信息快速准确地提取。
另外,本发明中的高分辨率影像及多光谱影像数据均可通过互联网免费获取使得本发明在城市规划、城市环境评估等领域具有巨大的潜力及深远的影响,有利于 城市规划及环保事业的发展。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案 进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种协同多源遥感影像的城市绿地提取方法,其特征在于,包括以下步骤:
S1、采集高分辨率影像和多光谱影像并进行影像的配准,并对配准后的影像进行堆叠,获取堆叠影像;
S2、基于S1中的堆叠影像的地物空谱特征对堆叠影像进行影像分割,并获取最终分割对象;
S3、基于S2中的最终分割对象,利用多光谱影像中的光谱信息构造植被光谱指数,选取阈值获得城市绿地信息并制图。
2.根据权利要求1所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S1具体为:
S10、对采集到的高分辨率影像和多光谱影像进行几何空间配准,将多光谱遥感图像配准到高分辨率遥感图像上;
S11、对采集到的高分辨率影像和多光谱影像进行相对辐射配准,将高分辨率影像的辐射匹配到多光谱影像的辐射中;
S12、将S10和S11中配准后的影像进行堆叠,获取堆叠影像。
3.根据权利要求2所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S10具体为:
S101、利用双线性插值法将多光谱影像升采样到2米分辨率的影像,并在高分辨率影像中手动选取同名点;
S102、利用最邻近插值法将多光谱影像升采样到2米分辨率的影像;
S103、将S101中手动选取的同名点应用到由S102中经最邻近插值法升采样到2米分辨率的多光谱影像中,获取高分辨率影像和多光谱影像在几何空间上的配准影像。
4.根据权利要求2所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S11中,采用线性拟合方法将高分辨率影像的辐射匹配到多光谱影像的辐射中。
5.根据权利要求4所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述线性拟合方法具体为:
高分辨率影像为待配准图像,多光谱遥感影像为参考图像,记X为待配准图像像元,Y为参考图像像元,计算图像灰度级增益系数G和待配准图像反射率偏移系数B:
<mrow>
<mi>G</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>B</mi>
<mo>=</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>G</mi>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
式中,n为待配准图像波段数,和为待配准影像和参考图像的第i个波段的像元均值;
根据同一位置处的影像像元满足的线性方程实现对待配准图像的相对辐射配准,所述线性方程为:
Y=GX+B。
6.根据权利要求1所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S2具体为:
S21、利用地物在空间上的光谱同质性及地物尺寸特征,采用多分辨率分割算法并通过设置尺度参数对堆叠影像进行过度分割,获得初始分割对象;
S22、基于初始分割对象,利用光谱差异分割算法,将初始分割对象进行合并,获得最终分割对象。
7.根据权利要求6所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S22具体为:
S221、利用多光谱影像中的近红外波段对水体及植物进行区分,获取各初始分割对象的光谱特征;
S222、将空间邻近位置上的具有相似光谱特征的初始分割对象进行合并,获得最终分割对象。
8.根据权利要求7所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S221中利用的多光谱影像为采用双线性插值法将升采样到2米分辨率的影像。
9.根据权利要求1所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S3具体为:
S31、基于S2中的最终分割对象,利用多光谱影像中的光谱信息构造植被光谱指数;
S32、基于步骤S31中的植被光谱指数,选取阈值对城市绿地信息进行提取并绘制城市绿地制图。
10.根据权利要求9所述的协同多源遥感影像的城市绿地提取方法,其特征在于,所述步骤S31中的植被光谱指数NDVI表示为:
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中,ρNIR为多光谱影像的近红外波段,ρRed为多光谱影像的红光波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710600322.3A CN107688777B (zh) | 2017-07-21 | 2017-07-21 | 一种协同多源遥感影像的城市绿地提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710600322.3A CN107688777B (zh) | 2017-07-21 | 2017-07-21 | 一种协同多源遥感影像的城市绿地提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688777A true CN107688777A (zh) | 2018-02-13 |
CN107688777B CN107688777B (zh) | 2022-11-18 |
Family
ID=61152928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710600322.3A Active CN107688777B (zh) | 2017-07-21 | 2017-07-21 | 一种协同多源遥感影像的城市绿地提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688777B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399400A (zh) * | 2018-03-23 | 2018-08-14 | 中国农业科学院农业资源与农业区划研究所 | 一种基于高分辨率遥感数据的早期作物识别方法和*** |
CN110033499A (zh) * | 2019-04-21 | 2019-07-19 | 南京林业大学 | 一种基于Landsat OLI遥感影像的区域性水体制图方法 |
CN110738134A (zh) * | 2019-09-24 | 2020-01-31 | 云南师范大学 | 面向无人机可见光影像的土壤信息提取方法及装置 |
CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
CN113111794A (zh) * | 2021-04-16 | 2021-07-13 | 成都理工大学 | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
CN113591775A (zh) * | 2021-08-11 | 2021-11-02 | 武汉工程大学 | 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 |
CN114544006A (zh) * | 2022-01-07 | 2022-05-27 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN102222313A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 基于核主成分分析的城市演化模拟元胞模型处理方法 |
CN102446351A (zh) * | 2010-10-15 | 2012-05-09 | 江南大学 | 一种多光谱与高分辨率全色图像融合方法研究 |
CN102609918A (zh) * | 2012-02-15 | 2012-07-25 | 国家***第二海洋研究所 | 基于图像特征配准的航空多光谱遥感影像几何精校正方法 |
US20120269430A1 (en) * | 2011-04-22 | 2012-10-25 | Michael Paul Deskevich | System and method for combining color information with spatial information in multispectral images |
CN103000077A (zh) * | 2012-11-27 | 2013-03-27 | 中国科学院东北地理与农业生态研究所 | 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法 |
CN105405133A (zh) * | 2015-11-04 | 2016-03-16 | 河海大学 | 一种遥感影像变化检测方法 |
CN105989322A (zh) * | 2015-01-27 | 2016-10-05 | 同济大学 | 一种基于高分辨率遥感影像的多指标融合滑坡检测方法 |
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
-
2017
- 2017-07-21 CN CN201710600322.3A patent/CN107688777B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222313A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 基于核主成分分析的城市演化模拟元胞模型处理方法 |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN102446351A (zh) * | 2010-10-15 | 2012-05-09 | 江南大学 | 一种多光谱与高分辨率全色图像融合方法研究 |
US20120269430A1 (en) * | 2011-04-22 | 2012-10-25 | Michael Paul Deskevich | System and method for combining color information with spatial information in multispectral images |
CN102609918A (zh) * | 2012-02-15 | 2012-07-25 | 国家***第二海洋研究所 | 基于图像特征配准的航空多光谱遥感影像几何精校正方法 |
CN103000077A (zh) * | 2012-11-27 | 2013-03-27 | 中国科学院东北地理与农业生态研究所 | 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法 |
CN105989322A (zh) * | 2015-01-27 | 2016-10-05 | 同济大学 | 一种基于高分辨率遥感影像的多指标融合滑坡检测方法 |
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN105405133A (zh) * | 2015-11-04 | 2016-03-16 | 河海大学 | 一种遥感影像变化检测方法 |
Non-Patent Citations (7)
Title |
---|
LIU H.X.等: "Algorithmic foundation and software tools for extracting shoreline features from remote sensing imagery and LIDAR data", 《JORNAL OF GEOGRAPHIC AINFORMATION SYSTEM》 * |
XIE HUAN等: "Multispectral remote sensing image segmentation using rival penalized controlled competitive learning and fuzzy entropy", 《SOFT COMPUTING》 * |
庞小平等: "《遥感制图与应用》", 30 June 2016, 测绘出版社 * |
王晋年等: "《北京一号小卫星数据处理技术及应用》", 31 October 2010, 武汉大学出版社 * |
童小华等: "一种扩展的土地覆盖转换像元变化检测方法", 《同济大学学报(自然科学版)》 * |
罗金有: "多光谱遥感影像对高分辨率DOM精确配准思路研究", 《科技资讯》 * |
黄树春等: "基于Quick Bird影像的城市绿地景观信息提取研究", 《安徽农业科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399400A (zh) * | 2018-03-23 | 2018-08-14 | 中国农业科学院农业资源与农业区划研究所 | 一种基于高分辨率遥感数据的早期作物识别方法和*** |
CN110033499A (zh) * | 2019-04-21 | 2019-07-19 | 南京林业大学 | 一种基于Landsat OLI遥感影像的区域性水体制图方法 |
CN110033499B (zh) * | 2019-04-21 | 2021-01-15 | 南京林业大学 | 一种基于Landsat OLI影像水体制图法 |
CN110738134A (zh) * | 2019-09-24 | 2020-01-31 | 云南师范大学 | 面向无人机可见光影像的土壤信息提取方法及装置 |
CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
CN113111794A (zh) * | 2021-04-16 | 2021-07-13 | 成都理工大学 | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
CN113591775A (zh) * | 2021-08-11 | 2021-11-02 | 武汉工程大学 | 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 |
CN114544006A (zh) * | 2022-01-07 | 2022-05-27 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正***及方法 |
CN114544006B (zh) * | 2022-01-07 | 2023-12-05 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107688777B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
Houborg et al. | A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data | |
US10527542B2 (en) | Method of calculating TAVI based on a band ratio model and solar altitude angle | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
Li et al. | An evaluation of the use of atmospheric and BRDF correction to standardize Landsat data | |
Zhan et al. | The 250 m global land cover change product from the Moderate Resolution Imaging Spectroradiometer of NASA's Earth Observing System | |
Du et al. | Radiometric normalization, compositing, and quality control for satellite high resolution image mosaics over large areas | |
CN108932521B (zh) | 一种基于深度学习的农作物分类方法及*** | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
Roy | Investigation of the maximum normalized difference vegetation index (NDVI) and the maximum surface temperature (Ts) AVHRR compositing procedures for the extraction of NDVI and Ts over forest | |
CN113128401B (zh) | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 | |
Manakos et al. | Comparison between atmospheric correction modules on the basis of worldview-2 imagery and in situ spectroradiometric measurements | |
CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
CN110100262A (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
Dutta et al. | Characterizing vegetation canopy structure using airborne remote sensing data | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN107688776A (zh) | 一种城市水体提取方法 | |
CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
Esquerdo et al. | An automatic system for AVHRR land surface product generation | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
Jusoff et al. | Mapping of individual oil palm trees using airborne hyperspectral sensing: an overview |
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 |