CN108133176B - 一种利用遥感解译分析技术监测港口填海的方法 - Google Patents
一种利用遥感解译分析技术监测港口填海的方法 Download PDFInfo
- Publication number
- CN108133176B CN108133176B CN201711264457.3A CN201711264457A CN108133176B CN 108133176 B CN108133176 B CN 108133176B CN 201711264457 A CN201711264457 A CN 201711264457A CN 108133176 B CN108133176 B CN 108133176B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- value
- sea
- gray
- 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.)
- Active
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
- G06V20/13—Satellite images
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本说明公开了一种利用遥感解译分析技术监测港口填海的方法,包括如下步骤:首先赋值灰度值提取模糊海岸线;其次对于目标区域内的遥感图像平滑处理和噪音去除,提取边缘信息;再者进行主成分变换和主成分逆变换进行音像融合,通过两者进行直接对比获取模糊边界线;最后进行相关性统计剔除相关性弱的数据优化模糊边界获得港口填海范围变化规律,并通过空间关联关系进行验证;基于灰度赋值和主成分变换,通过对波段的组合优化和相关系数的优化,逐步对模糊边界进行准确的实时优化确定,从而准确的识别其边界,确定实际的填海范围的变化。
Description
技术领域
本说明涉及遥感识别技术领域,具体为一种利用遥感解译分析技术监测港口填海的方法。
背景技术
随着沿海用地需求的不断增长,特别是对于港口来说,土地储备已远远不能满足发展需求了,为了解决紧张的土地需求,除了提高土地资源集约利用水平外,围海造陆已经成为解决土地资源紧缺的主要途径了。而随着实践的证明,科学合理的围海造陆能够尽可能减少对海域自然属性的影响,但是大规模的围海造陆仍然会带来一系列的生态问题,因此,对于围海造陆工程就必须要进行必要的监测和管控。在对围海造陆的监控中,采用遥感图像则是必不可少的一种或缺的有效途径,利用烟感技术,能够对围填信息进行快速的提取,在一定程度上能够解决围填实地调查难的问题,能够及时掌握围填的变化过程以及存在的问题。
而遥感解析分析技术是利用遥感技术检测港口填海的主要技术之一,在现有技术中,如申请号201610847344.5公布的一种基于面向对象影像分析的港口围填海监测的方法,根据数据的特点和港口围填海的特点,图像提取准确,处理效率高。但是在实际的应用,还存在的以下几个方面的缺陷:
(1)虽然目前也有一些围海造田的遥感提取方法,但是缺乏围海造田用于的遥感分类体系,特别的是对于现有的遥感图像提取来说,其提取方式方法比较复杂,对于不同的卫星影像、不同的海域环境、不同类型的围海造田目标提取规则不同、精度不同,无法在使用的过程中进行统一化的处理和对比,使得数据利用率不高,准确性降低;
(2)在遥感监测中,由于需要数据的实时更新或者定期更新,因此相对于传统的遥感识别来说,它的数据处理量是非常巨大的,采用直接识别的方法,遥感数据处理效率底下,不能满足数据处理的需求,而在直接识别的过程中,还会由于干扰信息的存在使得识别准确率不高,而单一因素的使用如几何信息或者光谱信息来检测,导致信息利用不充分,而且还会检测结果的可靠性。
发明内容
为了克服现有技术方案的不足,本说明提供一种利用遥感解译分析技术监测港口填海的方法,能有效的解决背景技术提出的问题。
本说明解决其技术问题所采用的技术方案是:一种利用遥感解译分析技术监测港口填海的方法,包括如下步骤:
S100、赋值灰度值划分海岸线,在原始遥感图像上进行灰度处理,并进行赋值,根据灰度值的分布提取模糊海岸线;
S200、图像平滑和噪音去除,根据模糊海岸线限定的范围,在原始遥感图像上对模糊海岸线所在区域进行平滑处理并去除干扰噪音,提取精确边缘信息;
S300、提取动态的模糊海岸边界线,将经过平滑和去噪的图像进行主成分变换,并依据主成分逆变换进行音像融合,再通过高通滤波获取多光谱影像的低频部分和全色图像的高频部分,通过两者进行直接对比获取模糊边界线;
S400、相关系数验证提取精细动态边界,在模糊边界的基础上,进行相关性统计剔除相关性弱的数据优化模糊边界获得港口填海范围变化规律。
作为本说明一种优选的技术方案,在步骤S100中,对不同灰度的遥感图像进行不同的赋值,且将遥感图像上水域的灰度值赋值为0,将陆地上灰度值最大的部分赋值为10。
作为本说明一种优选的技术方案,在步骤S100中,通过灰度赋值提取海岸线的具体步骤如下所示:
S101、首先对原始遥感图像进行统一的灰度处理,并且将不同灰度值的区域进行划分,将划分开的区域对灰度值计算方差,获得灰度的分布均匀程度;
S102、检验步骤S101中的灰度值方差,并且选择确定方差对比值,将小于方差对比值的灰度值认定为水域,将大于方差对比值的灰度值认定为陆域;
S103、通过上述步骤认定的水域和陆域之间存在明显的界线,并且将该界线通过插值的方法恢复成连续的边界线,即为模糊海岸线。
作为本说明一种优选的技术方案,在经过灰度赋值提取模糊海岸线之后,对遥感图像进行几何精纠正,具体的操作步骤为:
首先将分波段卫生遥感影像按照近红外、红、绿三个波段的组合顺序进行标准影像合成,然后将标准影像合成影像对照1:10万比例尺地形图进行校正,直至前后两期遥感影像上同特征地物的平面位置偏移小于0.5个像素单元。
作为本说明一种优选的技术方案,在步骤S200中,图像平滑的方法为均值平滑、中值滤波或者高斯模糊滤波中的任意一种,所述中值滤波或者高斯模糊滤波均采用归一化比值法,基于蓝光波段的NDWI模型的具体计算公式如下所示:
NDWI=(Green-NIR)/(Green+NIR),其中Green代表绿光波段影像,NIR代表近红外波段影像,NDWI代表波段组合。
作为本说明一种优选的技术方案,在步骤S300中,所述主成分变换是正交线性变换,其逆变换的音像融合算法为:
MLTijk=(XSijkx PNij)1/2,其中MLTijk为融合影像像元值,XSijk为多光谱像元值,PNij为全色像元值;
其高通滤波的算法为:
HPFijk=XSijkx FPij,其中HPFijk为融合影像像元值,XSijk为多光谱像元值,FPij为全色高频分量。
作为本说明一种优选的技术方案,在提取模糊海岸边界线之后,对影像波段的组合进行优化,优化的具体步骤如下所示:
首先,设定最佳指数因子其中Si为第i个波段的标准差,Rij为第i,j两个波段的相关系数;
其次,设定最佳指数因子的界定阈值,并且将计算获得的最佳指数因子与界定阈值进行比较,舍弃小于或等于界定阈值的影像波段,保留大于界定阈值的影像波段。
作为本说明一种优选的技术方案,所述最佳指数因子的界定阈值设定为15。
作为本说明一种优选的技术方案,在步骤S400中,设定获得模糊边界的遥感影像为X、Y,则影像X、Y的相关系数的计算公式为:
设定相关系数 其中SDx、SDy分别为X、Y影像的标准差,BVx(i,j)、BVy(i,j)分别为X、Y影像的像元亮度值,为X、Y影像的平均值;
设定融合影像偏差度 其中M、N分别为影像的行、列数,BVfusi(i,j)、BVori(i,j)分别为融合影像和融合前原始影像的像元亮度值。
作为本说明一种优选的技术方案,还包括步骤S500、空间关联关系的验证,其具体的操作方法为:
基于步骤S100和步骤S200,通过灰度赋值和图像处理得到模糊海岸线上的空间关联关系,并且通过该空间关系对步骤S400中识别出的港口填海进行空间关联关系的验证。
与现有技术相比,本说明的有益效果是:本发明首先通过对原始遥感图像进行灰度处理,划分水域和陆域,确定港口填海所在的大概位置,在通过对该位置进行遥感解析,而基于主成分变换,将遥感图像直接切换成相关数据的计算,通过对波段的组合优化和相关系数的优化,逐步对模糊边界进行准确的实时优化确定,从而准确的识别其边界,确定实际的填海范围的变化,进一步地,针对性的根据遥感解析技术的进行优化,提高识别检测的精度,也能够通过空间关联关系进行验证,提高实时监测的准确率。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本说明实施例中的附图,对本说明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明一部分实施例,而不是全部的实施例。基于本说明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明保护的范围。
如图1所示,本说明提供了一种利用遥感解译分析技术监测港口填海的方法,包括如下步骤:
步骤S100、赋值灰度值划分海岸线,在原始遥感图像上进行灰度处理,并且对不同灰度的遥感图像进行不同的赋值,根据灰度值的分布提取模糊海岸线。
为了在保证分辨能力的基础上,在上述步骤中对灰度值进行赋值时,需要注意的是,在遥感图像上,由于水域的灰度值一般比较低而且灰度分布均匀,在本发明中的表征量为方差,而陆地的灰度值相对比较高且方差比较大,在水域和陆域之间具有明显的分界线。为了在数字地图上更好的、突出的表征分界线的特征,在赋值的过程中,设定在遥感图像上水域的灰度值赋值为0,将陆地上灰度值最大的部分赋值为10,其它的灰度值则根据灰度高低按比例进行调整,还需要进一步说明的是,陆地上的灰度值最大部分赋值为10具体指的是,在剔除零散分布的极高灰度值后的正常赋值,这么做的作用在于能够有效降低处理的误差,避免“污染数据”混入。
因此,在灰度值的赋值中,根据以下步骤进行灰度赋值并提取海岸线:
步骤S101、首先对原始遥感图像进行统一的灰度处理,并且将不同灰度值的区域进行划分,将划分开的区域对灰度值计算方差,获得灰度的分布均匀程度;
步骤S102、检验步骤S101中的灰度值方差,并且选择确定方差对比值,将小于方差对比值的灰度值认定为水域,将大于方差对比值的灰度值认定为陆域;
步骤S103、通过上述步骤认定的水域和陆域之间存在明显的界线,并且将该界线通过插值的方法恢复成连续的边界线,即为模糊海岸线。
在经过灰度赋值提取模糊海岸线之后,对遥感图像进行几何精纠正,具体的操作步骤为:
首先将分波段卫生遥感影像按照近红外、红、绿三个波段的组合顺序进行标准影像合成,然后将标准影像合成影像对照1:10万比例尺地形图进行校正,直至前后两期遥感影像上同特征地物的平面位置偏移小于0.5个像素单元。
通过上述的几何精纠正,能够支持遥感影像的自动拼接处理,而且多时相图像拼接处理配准精度在0.5个像素以内,支持大规模的影像拼接,最大可达到20000x20000,而且由于配准精度控制在0.5个像素以内,可以有效的降低后续数据的不关联性。在经过校正的遥感图像中,使得图像上地物的纹理特征符合提取的需求。
步骤S200、图像平滑和噪音去除,根据步骤S100中提取的模糊海岸线,在原始遥感图像上对模糊海岸线所在区域进行平滑处理并去除干扰噪音,提取精确边缘信息。
经过图像平滑和噪音去除的作用是因为海上常常存在浪花,浪花的破浪在遥感图像上灰度值与码头的灰度值较为接近,如果不进行处理的话,将会给后续识别带来较大的麻烦,从而提高了识别的误差,而且在不断重复性的识别计算中,会进行误差传递,使得误差越来越大,而且还会大大增加识别过程中的计算量。
在步骤S200中,图像平滑的方法为均值平滑、中值滤波或者高斯模糊滤波中的任意一种,所述中值滤波或者高斯模糊滤波均采用归一化比值法,基于蓝光波段的NDWI模型的具体计算公式如下所示:
NDWI=(Green-NIR)/(Green+NIR),其中Green代表绿光波段影像,NIR代表近红外波段影像,NDWI代表波段组合。
其中中值滤波在抑制噪音的同时能够有效保留边缘信息,因此,在本发明中更倾向于采用中值滤波的方式对图像进行平滑处理,其次采用高斯模糊滤波的方式,不提倡使用均值平滑的方式进行平滑处理。
在这里需要进一步强调的是,在进行图像平滑和降噪的过程中,本发明主要是采用光波波段进行处理的,其基本的原理是根据水体和陆地对绿光和近红外光波反射的特征性差异来提取水体信息的,在计算过程中,设定阈值为0,也就是当计算结果为负值时代表水域,而其余的非水域均表示为正值。
在进行多光谱提取之前,需要明确的是:本发明中所指的多光谱波段包括蓝光、绿光、红光和近红外光四个波段。
步骤S300、提取动态的模糊海岸边界线,将经过平滑和去噪的图像进行主成分变换,并依据主成分逆变换进行音像融合,再通过高通滤波获取多光谱影像的低频部分和全色图像的高频部分,通过两者进行直接对比获取模糊边界线。
在步骤S300中,所述主成分变换是正交线性变换,其逆变换的音像融合算法为:
MLTijk=(XSijkx PNij)1/2,其中MLTijk为融合影像像元值,XSijk为多光谱像元值,PNij为全色像元值;
其高通滤波的算法为:
HPFijk=XSijkx FPij,其中HPFijk为融合影像像元值,XSijk为多光谱像元值,FPij为全色高频分量。
在上述处理的过程中,需要认识到的是,经过主成分变换融合的影像失去了其原有的物理特征和物理,仅仅保留了其数据特征,因为,在本发明中,至关重要的是,需要根据最后的结果进行相关系数的验证,从而进行优化。
另外,本发明中,主成分的变化也要考虑到光谱波段颜色的归一化处理,从而使得高分辨率影像与多光谱个波段完成融合,融合的算法如下所示:
红光通道层=Pan*(RI(R+G+B));
绿光通道层=Pan*(GI(R+G+B));
蓝光通道层=Pan*(BI(R+G+B));
其中R为光谱数据的红波段,G为光谱数据的绿波段,B为光谱数据的蓝波段,Pan为全色波段。
经过上述算法处理使得融合影像产生较大的对比,产生很好的视觉效果,根据波段组合优化,可以增强影像高亮度和低亮度之比。
而高通滤波的使得高分辨率影像的高频信息在融合结果中显而易见,能高度增强图像的空间分辨率,与此同时,它还能减少高分辨率影像低频部分的融入,从而很好的保留多光谱影像的低频部分和全色图像的高频部分。
在提取模糊海岸边界线之后,对影像波段的组合进行优化,组合优化的基本原则:首先所选波段要物理意义梁海并且尽量处在不同的光区,也就是各个波段之间的相关性要尽量的小;其次就是选择信息量大的波段。
优化的具体步骤如下所示:
首先,设定最佳指数因子其中Si为第i个波段的标准差,Rij为第i,j两个波段的相关系数;
其次,设定最佳指数因子的界定阈值,并且将计算获得的最佳指数因子与界定阈值进行比较,舍弃小于或等于界定阈值的影像波段,保留大于界定阈值的影像波段。
其中所述最佳指数因子的界定阈值设定为15。
在上述优化中,优化算法公式是在数据统计分析的基础上,选择标准差大、相关性小的数据。因为标准差越大,所包含的信息量越大;波段间相关系数越小,信息的独立性越强,冗余度越小。因此,OIF值越大,相对应的波段组合信息量越大,组合方案越优。
但是还是需要强调的是,波段的组合优化只能作为一个参考,不可以在任何情况下都直接套用,需要进行适应性的调整。
步骤S400、相关系数验证提取精细动态边界,将步骤S300中的模糊边界的基础上,进行相关性统计剔除相关性弱的数据优化模糊边界获得港口填海范围变化规律。
相关系数的检验既检查各波段间相关性的大小,又不受测量单位影响,相关系数是测度两变量间相关程度强弱的一种指标,相关系数绝对值愈大,两者相关的程度愈强。
在步骤S400中,设定获得模糊边界的遥感影像为X、Y,则影像X、Y的相关系数的计算公式为:
设定相关系数 其中SDx、SDy分别为X、Y影像的标准差,BVx(i,j)、BVy(i,j)分别为X、Y影像的像元亮度值,为X、Y影像的平均值。
偏差度主要是用来分析融合影像相对于原始多光谱影像光谱的偏离程度,是表示像元灰度值差分量的一种方法,计算的值越大,表明对多光谱的光谱特性改善越大,这也反映了对光谱特性的继承性要差,最理想的值为0,但是在实际应用中,偏差度小于0.5即可。
设定融合影像偏差度 其中M、N分别为印象的行、列数,BVfusi(i,j)、BVori(i,j)分别为融合影像和融合前原始影像的像元亮度值。
在本发明中,还需要进一步说明的是:尽管通过遥感解析技术的识别可以有效的确定港口填海,但是在实际的应用中,还是需要注意的是,对于港口填海来说,其空间特征关系不仅仅是依赖于多光谱的识别。
因此,在这里,还包括步骤S500、空间关联关系的验证,其具体的操作方法为:
基于步骤S100和步骤S200,通过灰度赋值和图像处理得到模糊海岸线上的空间关联关系,并且通过该空间关系对步骤S400中识别出的港口填海进行空间关联关系的验证。
可以充分利用空间关系的关联关系进行检测,以便进一步的提高检验的准确率,而对于港口填海来说,其空间关系的关联是相对比较简单的,比如,在港口填海的空间关联关系上,只需要考虑:港口出港通道水系、转运公路、转运广场、仓储仓库等,而以上特征在遥感的光谱特征都是能够简单识别的,而且在本发明提供的识别方法中,甚至只需要通过灰度赋值处理后就可以通过灰度的赋值将其识别出来,再进行匹配,可以便捷的进行检测。
综上所述,本说明的主要特点在于:
(1)本发明首先通过对原始遥感图像进行灰度处理,划分水域和陆域,确定港口填海所在的大概位置,在通过对该位置进行遥感解析,而基于主成分变换,将遥感图像直接切换成相关数据的计算,通过对波段的组合优化和相关系数的优化,逐步对模糊边界进行准确的实时优化确定,从而准确的识别其边界,确定实际的填海范围的变化;
(2)进一步地,针对性的根据遥感解析技术的进行优化,提高识别检测的精度,也能够通过空间关联关系进行验证,提高实时监测的准确率。
对于本领域技术人员而言,显然本说明不限于上述示范性实施例的细节,而且在不背离本说明的精神或基本特征的情况下,能够以其他的具体形式实现本说明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本说明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本说明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种利用遥感解译分析技术监测港口填海的方法,其特征在于,包括如下步骤:
S100、赋值灰度值划分海岸线,在原始遥感图像上进行灰度处理,并进行赋值,根据灰度值的分布提取模糊海岸线;
S200、图像平滑和噪音去除,根据模糊海岸线限定的范围,在原始遥感图像上对模糊海岸线所在区域进行平滑处理,并去除干扰噪音,提取精确边缘信息;
S300、提取动态的模糊海岸边界线,将经过平滑和去噪的图像进行主成分变换,并依据主成分逆变换进行音像融合,再通过高通滤波获取多光谱影像的低频部分和全色图像的高频部分,通过两者进行直接对比获取模糊边界线;
S400、相关系数验证提取精细动态边界,在模糊边界的基础上,进行相关性统计剔除相关性弱的数据优化模糊边界获得港口填海范围变化规律。
2.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,在步骤S100中,对不同灰度的遥感图像进行不同的赋值,且将遥感图像上水域的灰度值赋值为0,将陆地上灰度值最大的部分赋值为10。
3.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,在步骤S100中,通过灰度赋值提取海岸线的具体步骤如下所示:
S101、首先对原始遥感图像进行统一的灰度处理,并且将不同灰度值的区域进行划分,将划分开的区域对灰度值计算方差,获得灰度的分布均匀程度;
S102、检验步骤S101中的灰度值方差,并且选择确定方差对比值,将小于方差对比值的灰度值认定为水域,将大于方差对比值的灰度值认定为陆域;
S103、通过上述步骤认定的水域和陆域之间存在明显的界线,并且将该界线通过插值的方法恢复成连续的边界线,即为模糊海岸线。
4.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,在经过灰度赋值提取模糊海岸线之后,对遥感图像进行几何精纠正,具体的操作步骤为:
首先将分波段卫生遥感影像按照近红外、红、绿三个波段的组合顺序进行标准影像合成,然后将标准影像合成影像对照1∶10万比例尺地形图进行校正,直至前后两期遥感影像上同特征地物的平面位置偏移小于0.5个像素单元。
5.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,在步骤S200中,图像平滑的方法为均值平滑、中值滤波或者高斯模糊滤波中的任意一种,所述中值滤波或者高斯模糊滤波均采用归一化比值法,基于蓝光波段的NDWI模型的具体计算公式如下所示:
NDWI=(Green-NIR)/(Green+NIR),其中Green代表绿光波段影像,NIR代表近红外波段影像,NDWI代表波段组合。
6.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,在步骤S300中,所述主成分变换是正交线性变换,其逆变换的音像融合算法为:
MLTijk=(XSijkxPNij)1/2,其中MLTijk为融合影像像元值,XSijk为多光谱像元值,PNij为全色像元值;
其高通滤波的算法为:
HPFijk=XSijkxFPij,其中HPFijk为融合影像像元值,XSijk为多光谱像元值,FPij为全色高频分量。
7.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,在提取模糊海岸边界线之后,对影像波段的组合进行优化,优化的具体步骤如下所示:
首先,设定最佳指数因子其中Si为第i个波段的标准差,Rij为第i,j两个波段的相关系数;
其次,设定最佳指数因子的界定阈值,并且将计算获得的最佳指数因子与界定阈值进行比较,舍弃小于或等于界定阈值的影像波段,保留大于界定阈值的影像波段。
8.根据权利要求7所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,所述最佳指数因子的界定阈值设定为15。
9.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,在步骤S400中,设定获得模糊边界的遥感影像为X、Y,则影像X、Y的相关系数的计算公式为:
设定相关系数 其中SDx、SDy分别为X、Y影像的标准差,BVx(i,j)、BVy(i,j)分别为X、Y影像的像元亮度值,为X、Y影像的平均值;
设定融合影像偏差度 其中M、N分别为影像的行、列数,BVfusi(i,j)、BVori(i,j)分别为融合影像和融合前原始影像的像元亮度值。
10.根据权利要求1所述的一种利用遥感解译分析技术监测港口填海的方法,其特征在于,还包括步骤S500、空间关联关系的验证,其具体的操作方法为:
基于步骤S100和步骤S200,通过灰度赋值和图像处理得到模糊海岸线上的空间关联关系,并且通过该空间关联关系对步骤S400中识别出的港口填海进行空间关联关系的验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711264457.3A CN108133176B (zh) | 2017-12-05 | 2017-12-05 | 一种利用遥感解译分析技术监测港口填海的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711264457.3A CN108133176B (zh) | 2017-12-05 | 2017-12-05 | 一种利用遥感解译分析技术监测港口填海的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133176A CN108133176A (zh) | 2018-06-08 |
CN108133176B true CN108133176B (zh) | 2018-11-23 |
Family
ID=62388954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711264457.3A Active CN108133176B (zh) | 2017-12-05 | 2017-12-05 | 一种利用遥感解译分析技术监测港口填海的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133176B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343051B (zh) * | 2023-05-29 | 2023-07-28 | 山东景闰工程研究设计有限公司 | 一种基于遥感影像的地质环境监测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708369A (zh) * | 2012-05-14 | 2012-10-03 | 大连理工大学 | 一种基于卫星图像的海冰参数提取方法 |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
CN104166991A (zh) * | 2014-07-28 | 2014-11-26 | 西安电子科技大学 | 基于自适应参数的水平集图像分割方法 |
CN104616268A (zh) * | 2015-02-17 | 2015-05-13 | 天津大学 | 一种基于湍流模型的水下图像复原方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201206A1 (en) * | 2012-02-06 | 2013-08-08 | Andrew Bryant | Editing media using graphical representation of media |
BR112015003444A2 (pt) * | 2012-08-20 | 2017-07-04 | Behavioral Recognition Sys Inc | método e sistema para detectar óleo em superfície de mar |
-
2017
- 2017-12-05 CN CN201711264457.3A patent/CN108133176B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708369A (zh) * | 2012-05-14 | 2012-10-03 | 大连理工大学 | 一种基于卫星图像的海冰参数提取方法 |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
CN104166991A (zh) * | 2014-07-28 | 2014-11-26 | 西安电子科技大学 | 基于自适应参数的水平集图像分割方法 |
CN104616268A (zh) * | 2015-02-17 | 2015-05-13 | 天津大学 | 一种基于湍流模型的水下图像复原方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108133176A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256419B (zh) | 一种利用多光谱解译提取港口码头图像的方法 | |
CN106846344B (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN106485275B (zh) | 一种实现盖板玻璃与液晶屏定位贴合的方法 | |
CN105956557B (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN106548141B (zh) | 一种基于三角网的面向对象耕地信息自动提取方法 | |
CN108596975A (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN110765934B (zh) | 一种多源数据融合的地质灾害识别方法 | |
CN107609526A (zh) | 基于规则的精细尺度城市不透水面快速提取方法 | |
CN111091502B (zh) | 遥感影像的匀色方法及***、存储介质、电子设备 | |
JP4553826B2 (ja) | 地物環境状況提供方法及びそのプログラム | |
CN110287898A (zh) | 一种光学卫星遥感影像云检测方法 | |
CN109919070A (zh) | 一种剖面形态自适应拟合的海岸线遥感推算方法 | |
CN110070567A (zh) | 一种地面激光点云配准方法 | |
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及*** | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN104850853B (zh) | 城市快速提取方法及装置 | |
CN107680140A (zh) | 一种基于Kinect相机的深度图像高分辨率重构方法 | |
CN115661187B (zh) | 用于中药制剂分析的图像增强方法 | |
CN106650663B (zh) | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 | |
CN108133176B (zh) | 一种利用遥感解译分析技术监测港口填海的方法 | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN107256421A (zh) | 一种稻麦籽粒快速计数方法 | |
CN113673358A (zh) | 一种基于卫星遥感影像的高原盐湖范围提取方法及*** |
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 |