CN111339909A - 一种基于多尺度区域生长的地表线状水体的提取算法 - Google Patents
一种基于多尺度区域生长的地表线状水体的提取算法 Download PDFInfo
- Publication number
- CN111339909A CN111339909A CN202010111031.XA CN202010111031A CN111339909A CN 111339909 A CN111339909 A CN 111339909A CN 202010111031 A CN202010111031 A CN 202010111031A CN 111339909 A CN111339909 A CN 111339909A
- Authority
- CN
- China
- Prior art keywords
- pixel
- water body
- scale
- river
- image
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 101
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于多尺度区域生长的地表线状河流提取算法,属于遥感地学应用技术领域。算法分为四部分:(1)复杂河流异质背景均衡化:通过归一化水体指数(NDWI)和光谱偏差修正模糊c均值聚类算法(BCFCM)增强影像中河流像元。(2)多尺度局部微分结构的水系增强:利用Frangi滤波对图像做二阶Hessian矩阵分析,得到河流像元尺度响应图和方向图。(3)多尺度区域生长提取河流像元:通过像元尺度特征和方向特征建立区域生长准则提取水体像元。(4)分线性水体像元噪声剔除:建立筛选准则,删除“过度”生长的水体像元。本算法考虑了河流形态各异、背景复杂特性,对河流进行高效、准确地识别、提取。
Description
技术领域
本发明涉及一种基于多尺度区域生长的地表线状水体的提取算法,属于遥感地学应用技术领域。
背景技术
地表河流是地球生命的重要组成部分,是人类生存和发展的基础。人类及其社会生态***的发生发展与河流相互依存,密不可分。随着人口增长和气候变化,地表河流从表面形态特征到内部固有生态颗粒都发生变化。准确提取河流是认识河流,对河流进行有效管理的必要前提,河流分布图能为洪涝灾害的监测评估、洪水预报、水污染监测和地理信息数据库更新提供重要信息。
卫星遥感的主要特点是探测能力强,使得能够相对容易并以较低的成本捕获大面积的地表信息。Sentinel-2MSI作为Landsat系列后续卫星,其空间分辨率、光谱分辨率及信噪比都有较大提高。Sentinel-2MSI拥有10-30m的空间分辨率和较短的回访周期,为快速监测地表河流提供了最佳数据集。河流***通常由不同尺度的河流组成,河流宽度从10m到几千米不等,各河流体系相互连通、交错。发展一种基于多尺度区域生长的线状河流提取算法,能够高效准确地通过像元种子点生长得到覆盖整个河流水系分布图。
发明内容
本发明要解决的技术问题是:克服现有河流提取算法中对细小河流监测不足,提出一种基于多尺度区域生长的地表线状水体的提取算法。该方法结合背景均衡化、多尺度水体增强,构建识别不同水体尺度的区域生长准则,准确高效提取不同尺度的线状水体。
为了解决以上技术问题,本发明提供的基于多尺度区域生长的地表线状水体的提取算法,包括以下步骤:
第一步、准备Sentinel-2MSI影像,进行大气校正,消除大气散射和吸收的影响,并利用目标区域矢量文件对影像进行掩膜操作,裁剪感兴趣区;
第二步、利用影像的绿光波段和近红外波段进行归一化水体指数运算,得到NDWI图像,突出目标区线状水体信息;
第三步、根据光谱偏差修正模糊C均值聚类算法对所述NDWI图像进行聚类运算,进一步增强线性河流灰度值,得到BCFCM图像;
第四步、设定与河流宽度相关的N个尺度σ为卷积尺度,利用Hessian矩阵的Frangi滤波算法对BCFCM图像进行滤波处理,得到河流响应图L和方向图D,其中,河流响应图L由N个图层叠置而成,每个图层对应一个尺度σ,尺度σ从大到小依次排列;
第五步、选取河流响应图L中的亮度值前1%的点作为最大尺度的初始种子点,并在对应图层中目视选取若干种子点;
第六步、建立区域生长原则,对种子点进行生长,其收敛条件为:对于种子点q,若其同一尺度的八邻域像元p同时满足下述两式,则像元p被判定为水体像元:
式中,D(p)、D(q)分别为像元p、q处的方向信息,从方向图D直接获得,L(p)为像元p的河流响应,从河流响应图L中直接获得,η是水体区域生长的关键阈值,其取值为0.8;
第七步、将生长出的水体像元作为下一个尺度的种子点,并利用第六步的生长原则继续生长,不断重复本步骤,直到最后一个尺度的水体像元生长完毕;
第八步、创建10*10的滑动窗口,窗口中亮度值最大的像元q为确定的水体像元,其亮度值为I(q),从BCFCM图像中直接获得,若I(q)≥M,则像元q为大尺度亮线性水体,否则为小尺度微弱水体,M的为BCFCM图像灰度直方图的前20%像元值;
对于窗口内的像元p,若满足下述下式,则像元p被判定为待定的水体像元,并剔除不满足下式的像元
式中,D(p)、D(q)分别为像元p、q处的方向信息,从方向图D直接获得;
若窗口中亮度值最大的像元q为大尺度亮线性水体,则判断待定的水体像元p的亮度值I(p),若I(p)≥T1,则水体像元p为确定的水体像元进行保留,否则为噪声进行删除,T1为设定大尺度灰度阈值,取值范围为:BCFCM图像灰度值直方图的第50%-60%像元值;
若窗口中亮度值最大的像元q为小尺度微弱水体,则判断待定的水体像元p的亮度值I(p),若I(p)≥T2,则水体像元p为确定的水体像元进行保留,否则为噪声进行删除,T2为设定小尺度灰度阈值,取值范围为BCFCM图像灰度值直方图的80%像元值;
第九步、对由确定的水体像元构成的图像进行二值化处理,得到多尺度河流分布图。
本发明采用的多尺度线状水体算法提取属于算法应用的创新,算法核心思想由医学领域中提取线状血管、视网膜借鉴而来;同时考虑到河流在影像中线状特征模糊、背景异质性高等问题,本申请引入了光谱偏差修正模糊C均值聚类算法增加线状水体特征与背景差异。通过背景均衡化消除影像中背景噪声增强线状水体特征,建立多尺度区域生长准则,从大尺度到小尺度提取河流像元。与传统河流提取算法相比,本算法提高了线状水体识别精度、鲁棒性和普适性,为精细线状河流提取提供了思路。所有步骤均由Matlab编程实现,减少了人工参与。
算法的主要创新在以下三方面:
1、所述第三步中,利用改进的光谱偏差修正模糊C均值聚类算法(BCFCM)对NDWI图像进行处理,将图像中目标水与异质背景反射率中重合的区域进行分离,减少像元间的反射率混淆性。
2、所述第四步中,利用Hessian的特征值建立线性滤波增强器,遍历各个尺度进行线性目标增强,将探测尺度空间的最大响应记录到最优尺度匹配线性特征指标中。
3、所述第六步中,根据Hessian矩阵得到的河流像元多尺度响应特征和方向信息构建区域生长准则,以种子点像元周围8邻域像素进行种子点生长,当种子点邻域内的所有待定像素满足对应尺度下的设定条件时,则将其归类为水体,并纳入下一尺度的种子点集合中。
本发明方法在不同尺度河流提取中鲁棒性强、精度高,对线性河流体系灵敏度高,同时在Landsat、Modis图像中河流提取效果也很好。
附图说明
下面结合附图对本发明作进一步的说明。
图1是基于多尺度区域生长的地表线状水体提取算法流程图。
图2是归一化水体指数效果图、模糊c聚类算法图及对应灰度直方图。
图3是不同尺度河流微分结构目标增强。
图4是河流方向特征图。
图5是线性水体多尺度区域生长流程图。
图6是多尺度线状河流噪声去除流程图。
图7是多尺度区域增长过程图。
具体实施方式
下面根据附图详细阐述本发明,使本发明的技术路线和操作步骤更加清晰。本发明实例研究区域为英国Welland河流,时间为2018年5月7日。
本实施例基于多尺度区域生长的地表线状水体的提取算法(图1),包括以下步骤:
第一步:下载2018年5月7日英国区域的Sentinel-2A影像(分别率为10m),该数据分辨率高和宽幅大能够识别研究区内不同尺度河流。根据影像日期和监测位置,输入Flassh大气校正参数,包括传感器类型、大气模型、水汽反演和气溶胶模型等,消除大气散射和吸收影响。在ENVI中利用目标区域矢量文件对影像进行掩膜操作,裁剪得到感兴趣区。
第二步:利用Matlab读取裁剪影像,对第2(绿光)、8(近红外)波段进行归一化处理,利用以下公式计算归一化水体指数,得到NDWI图像,以突出目标区线状水体信息:
式中,ρ2为绿光波段的强度值,ρ8为近红波段的强度值。
图2a、图2b分别为研究区的NDWI图像及对应的NDWI直方分布图,且直方图呈现多峰状态,水体特征与背景特征难以区分。
第三步:利用Matlab编写的光谱偏差修正模糊C均值聚类算法(a bias fieldcorrected modified fuzzy clustering method,BCFCM)对NDWI图像进行,得到BCFCM图像。实验中***参数vi设置为[0.6,-0.6],最大迭代次数1000,α等于50。经过BCFCM处理,水体特征与背景信息差异增大,图像灰度频率出现双峰特征(图2c,图2d)。光谱偏差修正模糊C均值聚类算法为现有技术,可参阅文献(Landsat 8OLI image based terrestrial waterextraction from heterogeneous backgrounds using a reflectance homogenizationapproach,Remote Sensing of Environment,171,14-32)。经过BCFCM处理,河流背景特征被模糊水体特征进一步增强,此时BCFCM的直方分布图(图2d)呈现双峰特征。
第四步:编写基于Hessian矩阵的Frangi滤波程序,利用Hessian矩阵的Frangi滤波算法对BCFCM图像进行滤波处理,得到河流响应图L和方向图D,其中,河流响应图L由N个图层叠置而成,每个图层对应一个尺度σ,尺度σ从大到小依次排列。Frangi滤波的像元尺度σ=1到σ=10。本步骤利用Hessian矩阵的特征值建立高亮线状特征指示器。
Hessian矩阵的Frangi滤波算法为现有方法,参见论文(Multiscale vesselenhancement filtering,Medical Image Computing and Computer-AssistedInterventation—MICCAI’98(pp.130-137):Springer;Vessel enhancing diffusion:Ascale space representation of vessel structures,Medical Image Analysis,10,815-825;基于偏微分方程的医学图像增强与分割方法研究,湖南大学,2012,李灿飞)。滤波过程大致如下:
针对每个像元尺度(即卷积尺度),计算每个像元的Hessian矩阵,Hessian矩阵的特征值(λ1、λ2)和特征向量(e1、e2)可以识别暗目标亮背景和亮目标暗背景,河流内的某一个像元值满足λ1≈0且λ2<0,则目标像元所在的水体被认为是亮特征,周围异质物为暗特征。根据Hessian矩阵可以计算得到像元的河流响应值,计算一系列尺度后,取最大河流响应值作为最终水体尺度,进而得到河流响应图L。假设像元P1、P3在尺度为2时河流响应值最大,像元P2、P4在尺度为4时河流响应值最大,则像元P1、P3在同一个图层(可设为第2层),像元P2、P4在同一个图层(可设为第4层),每个尺度对应一个图层。
Hessian矩阵特征向量e1和e2可以反映线性河流的局部形状,e1通过低二阶导数表示潜在线性结构的方向,e2通过高二阶导数表示潜在线性结构的法线方向。河流响应值最大时,像元处的河流方向近似平行,否则像元方向杂乱无序,进而得到方向图D。当算法选择尺度为河流的最佳尺度时,水体像元与其邻域水体像元方向一致,保证了各像元与相邻像元的连续性和一致性。
图3为河流响应图,对于小尺度σ=1使用的Frangi滤波只能增强细小河流,随着尺度σ增长,较大宽度的河流也被识别出来。Line1,Line2和Line 3分别表示小、中、大三个尺度的河流。对于Line1σ=1是其最佳尺度,Line2为σ=3,Line3为σ=5。
图4为河流像元方向图。图4a中局部放大图像元方向是一致的;图4b对应图4a中的Line1由Hessian矩阵的特征向量e1和e2计算而来;图4c对应图4a中的Line2,表示河流像元响应L在方向D上的分量大小。
第五步:选取河流响应图L中的亮度值前1%的点作为初始种子点,位于大尺度的河流中,对于同一图层中的支流局部区域离散的线性水体,手动添加种子点。该步骤对应图7a。
第六步:建立区域生长原则,对种子点进行生长,其收敛条件为:对于种子点q,若其同一尺度的八邻域像元p同时满足下述两式,则像元p被判定为水体像元:
式中,D(p)、D(q)分别为像元p、q处的方向信息,从方向图D直接获得,L(p)为像元p的河流响应,从河流响应图L中直接获得,η是水体区域生长的关键阈值,其取值为0.8。
第七步、将生长出的水体像元作为下一个尺度的种子点,并利用第六步的生长原则继续生长,不断重复本步骤,直到最后一个尺度的水体像元生长完毕。
上述两步水体种子点的生长过程,从最大尺度σ=10向σ=1生长,种子点邻域内待定像素满足尺度生长条件时,将其归纳为水体像元,直到最小尺度生长完毕。算法计算过程由图5给出,像元生长过程图对应着图7b-图7e。
第八步:创建10*10的滑动窗口,窗口中亮度值最大的像元q为确定的水体像元,其亮度值为I(q),从BCFCM图像中直接获得,若I(q)≥M,则像元q为大尺度亮线性水体,否则为小尺度微弱水体,M的为BCFCM图像灰度直方图的前20%像元值。本例中,对于不同尺度下的噪声剔除的策略为:设定灰度阈值0.6,当目标像素满足I(q)≥0.6时,此时目标像素位于大尺度亮线性水体周围,否则为小尺度微弱水体。
对于窗口内的像元p,若满足下述下式,则像元p被判定为待定的水体像元,并剔除不满足下式的像元
式中,D(p)、D(q)分别为像元p、q处的方向信息,从方向图D直接获得;
若窗口中亮度值最大的像元q为大尺度亮线性水体,则判断待定的水体像元p的亮度值I(p),若I(p)≥T1,则水体像元p为确定的水体像元进行保留,否则为噪声进行删除,T1为设定大尺度灰度阈值,取值范围为:BCFCM图像灰度值直方图的第50%-60%像元值。本例中,T1取值0.3。
若窗口中亮度值最大的像元q为小尺度微弱水体,则判断待定的水体像元p的亮度值I(p),若I(p)≥T2,则水体像元p为确定的水体像元进行保留,否则为噪声进行删除,T2为设定小尺度灰度阈值,取值范围为BCFCM图像灰度值直方图的80%像元值。本例中,T2取值-0.1。
上述大尺度灰度阈值T1和小尺度灰度阈值T2参数均需要按照实际影像数据进行多次试验确认,选择河流提取效果较好的阈值,效果好与差是通过目视识别的,河流清晰噪点少则为效果好,反之为效果差。算法具体流程由图6给出,该步骤对应图7f。
第九步:对河流结果进行二值化操作,得到多尺度河流分布图。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (6)
1.一种基于多尺度区域生长的地表线状水体的提取算法,包括以下步骤:
第一步、准备多光谱卫星影像,并进行大气校正,消除大气散射和吸收的影响,并利用目标区域矢量文件对影像进行掩膜操作,裁剪感兴趣区;
第二步、利用影像的绿光波段和近红外波段进行归一化水体指数运算,得到NDWI图像,突出目标区线状水体信息;
第三步、根据光谱偏差修正模糊C均值聚类算法对所述NDWI图像进行聚类运算,进一步增强线性河流灰度值,得到BCFCM图像;
第四步、设定与河流宽度相关的N个像元尺度σ为卷积尺度,利用Hessian矩阵的Frangi滤波算法对BCFCM图像进行滤波处理,得到河流响应图L和方向图D,其中,河流响应图L由N个图层叠置而成,每个图层对应一个尺度σ,尺度σ从大到小依次排列;
第五步、选取河流响应图L中的亮度值前1%的点作为最大尺度的初始种子点,并在对应图层中目视选取若干种子点;
第六步、建立区域生长原则,对种子点进行生长,其收敛条件为:对于种子点q,若其同一尺度的八邻域像元p同时满足下述两式,则像元p被判定为水体像元:
式中,D(p)、D(q)分别为像元p、q处的方向信息,从方向图D直接获得,L(p)为像元p的河流响应,从河流响应图L中直接获得,η是水体区域生长的关键阈值,其取值为0.8;
第七步、将生长出的水体像元作为下一个尺度的种子点,并利用第六步的生长原则继续生长,不断重复本步骤,直到最后一个尺度的水体像元生长完毕;
第八步、创建10*10的滑动窗口,窗口中亮度值最大的像元q为确定的水体像元,其亮度值为I(q),从BCFCM图像中直接获得,若I(q)≥M,则像元q为大尺度亮线性水体,否则为小尺度微弱水体,M的为BCFCM图像灰度直方图的前20%像元值;
对于窗口内的像元p,若满足下述下式,则像元p被判定为待定的水体像元,并剔除不满足下式的像元
式中,D(p)、D(q)分别为像元p、q处的方向信息,从方向图D直接获得;
若窗口中亮度值最大的像元q为大尺度亮线性水体,则判断待定的水体像元p的亮度值I(p),若I(p)≥T1,则水体像元p为确定的水体像元进行保留,否则为噪声进行删除,T1为设定大尺度灰度阈值,取值范围为:BCFCM图像灰度值直方图的第50%-60%像元值;
若窗口中亮度值最大的像元q为小尺度微弱水体,则判断待定的水体像元p的亮度值I(p),若I(p)≥T2,则水体像元p为确定的水体像元进行保留,否则为噪声进行删除,T2为设定小尺度灰度阈值,取值范围为BCFCM图像灰度值直方图的80%像元值;
第九步、对由确定的水体像元构成的图像进行二值化处理,得到多尺度河流分布图。
3.根据权利要求1所述的基于多尺度区域生长的地表线状水体的提取算法,其特征在于:所述多光谱卫星影像为分别率10m的Sentinel-2A影像。
4.根据权利要求1所述的基于多尺度区域生长的地表线状水体的提取算法,其特征在于:所述光谱偏差修正模糊C均值聚类算法的***参数vi设置为[0.6,-0.6],最大迭代次数设为1000,邻域像元影响参数α设为50。
5.根据权利要求1所述的基于多尺度区域生长的地表线状水体的提取算法,其特征在于:N个尺度σ为1-10的自然数。
6.根据权利要求1所述的基于多尺度区域生长的地表线状水体的提取算法,其特征在于:尺度σ取1,3,5,7,9或2,4,6,8,10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111031.XA CN111339909B (zh) | 2020-02-24 | 2020-02-24 | 一种基于多尺度区域生长的地表线状水体的提取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111031.XA CN111339909B (zh) | 2020-02-24 | 2020-02-24 | 一种基于多尺度区域生长的地表线状水体的提取算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339909A true CN111339909A (zh) | 2020-06-26 |
CN111339909B CN111339909B (zh) | 2023-05-05 |
Family
ID=71183672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111031.XA Active CN111339909B (zh) | 2020-02-24 | 2020-02-24 | 一种基于多尺度区域生长的地表线状水体的提取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339909B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546431A (zh) * | 2009-05-07 | 2009-09-30 | 同济大学 | 基于序列非线性滤波的遥感影像水体专题信息提取方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN108537795A (zh) * | 2018-04-23 | 2018-09-14 | 中国科学院地球化学研究所 | 一种山区河流信息提取方法 |
-
2020
- 2020-02-24 CN CN202010111031.XA patent/CN111339909B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546431A (zh) * | 2009-05-07 | 2009-09-30 | 同济大学 | 基于序列非线性滤波的遥感影像水体专题信息提取方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN108537795A (zh) * | 2018-04-23 | 2018-09-14 | 中国科学院地球化学研究所 | 一种山区河流信息提取方法 |
Non-Patent Citations (1)
Title |
---|
YONGXING WANG, YONGXUE LIU, SONG JIN, CHAO SUN, XIANGLIN WEI: "Evolution of the topography of tidal flats and sandbanks along the Jiangsu coast from 1973 to 2016 observed from satellites" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111339909B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN101599120B (zh) | 一种遥感影像建筑物识别方法 | |
Sahebjalal et al. | Analysis of land use-land covers changes using normalized difference vegetation index (NDVI) differencing and classification methods | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN112016436A (zh) | 一种基于深度学习的遥感影像变化检测方法 | |
CN109978032B (zh) | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 | |
CN108564588B (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
CN105389817B (zh) | 一种两时相遥感影像变化检测方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
Lu et al. | Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images | |
CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
Im et al. | An automated binary change detection model using a calibration approach | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN114926797A (zh) | 基于边缘约束与特征适应的Transformer双分支道路提取方法及装置 | |
CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** | |
CN111310771A (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN113780307A (zh) | 一种区域年度最大蓝绿空间信息提取方法 | |
Chouari | Wetland land cover change detection using multitemporal Landsat data: A case study of the Al-Asfar wetland, Kingdom of Saudi Arabia | |
CN111339909B (zh) | 一种基于多尺度区域生长的地表线状水体的提取算法 | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
Magee | Segmentation, object-oriented applications for remote sensing land cover and land use classification |
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 |