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 PDF

Info

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
Application number
CN202010111031.XA
Other languages
English (en)
Other versions
CN111339909B (zh
Inventor
金松
刘永学
孙超
刘永超
陆婉芸
李慧婷
许文轩
赵冰雪
吴伟
董雁伫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202010111031.XA priority Critical patent/CN111339909B/zh
Publication of CN111339909A publication Critical patent/CN111339909A/zh
Application granted granted Critical
Publication of CN111339909B publication Critical patent/CN111339909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于多尺度区域生长的地表线状水体的提取算法
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：
Figure BDA0002389998800000021
Figure BDA0002389998800000022
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
Figure BDA0002389998800000031
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：
Figure BDA0002389998800000051
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：
Figure BDA0002389998800000071
Figure BDA0002389998800000081
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
Figure BDA0002389998800000082
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：
Figure FDA0002389998790000011
Figure FDA0002389998790000012
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
Figure FDA0002389998790000021
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。
2.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：归一化水体指数的计算公式如下：
Figure FDA0002389998790000022
式中，ρ2为绿光波段的强度值，ρ8为近红波段的强度值。
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。
CN202010111031.XA 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 Active CN111339909B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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