CN112131946A - 光学遥感影像植被和水体信息自动提取方法 - Google Patents
光学遥感影像植被和水体信息自动提取方法 Download PDFInfo
- Publication number
- CN112131946A CN112131946A CN202010850663.8A CN202010850663A CN112131946A CN 112131946 A CN112131946 A CN 112131946A CN 202010850663 A CN202010850663 A CN 202010850663A CN 112131946 A CN112131946 A CN 112131946A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- remote sensing
- samples
- optical remote
- water body
- 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
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种光学遥感影像植被和水体信息自动提取方法,通过获取光学遥感数据样本,随机抽取光学遥感数据样本中10%的样本作为样本子集;计算样本子集中所有样本的归一化植被指数以及归一化水指数,获取一般特征光谱对样本子集中所有样本执行基于最小光谱角的监督分类,同时记录植被类型、水体类型和其它类型对应的最小光谱角的大小;取最小光谱角中最小的前50%样本,并对前50%样本执行基于最小欧氏距离的k均值非监督分类,每种类型获得10条特征光谱,共计30条特征光谱,对全局影像执行逐像元基于最小欧氏距离的监督分类,得到植被和水体的提取结果。自始至终不需要任何先验样本做支撑,也没有人工干预,实现了植被和水体信息的全自动提取。
Description
技术领域
本发明涉及遥感影像提取技术领域,尤其涉及一种光学遥感影像植被和水体信息自动提取方法。
背景技术
监督分类方法:又称训练场地法、训练分类法,是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术,即根据已知训练区提供的样本,通过选择特征参数,求出特征参数作为决策规则,建立判别函数以对各待分类影像进行的图像分类,是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求,则此准则成立;反之,需重新建立分类的决策规则,直至满足分类精度要求为止。该方法需要先验的训练样本,因而不能实现全自动分类。从一幅影像中获取的样本并不能直接用于另外一景影像的分类,外推和泛化能力不足;
非监督分类方法:分类过程不施加任何的先验知识,而仅凭数据(遥感影像地物的光谱特征的分布规律),即自然聚类的特性,进行“盲目”的分类;其分类的结果只是对不同类别达到了区分,但并不能确定类别的属性,亦即:非监督分类只能把样本区分为若干类别,而不能给出样本的描述;其类别的属性是通过分类结束后目视判读或实地调查确定的。该方法的缺点是分类目标不明确,虽然可以实现自动分类,但分类结果往往不能满足现实需求;
随机森林分类方法:通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于机器学习的一大分支——集成学习(Ensemble Learning)方法。每棵决策树都是一个分类器(假设现在针对的是分类问题),那么对于一个输入样本,N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出。和监督分类一样,随机森林也需要大量先验的样本,并不能实现真正意义上的全自动分类。深度学习方法:是机器学习(ML,Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。它通过多层处理,逐渐将初始的“低层”特征表示转化为“高层”特征表示后,用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”(feature learning)或“表示学习”(representation learning)。理论上,样本量越大则识别精度越可靠。该方法同样需要先验的带有标签的训练样本,而获取带标签样本的过程需要大量的人力和时间。
以上三种方法当中,监督分类方法和随机森林分类方法均需要训练样本,但需要长时间的训练学习过程,且外推和泛化能力不足,而非监督分类方法虽然无需训练样本,但其分类的结果只是对不同类别达到了区分,但并不能确定类别的属性,分类结果往往不能满足现实需求。
发明内容
针对上述问题,本发明提出一种光学遥感影像植被和水体信息自动提取方法,旨在无训练样本的前提下,实现任意遥感影像随机样本的高效高精度分类,实现真正意义上的全自动植被和水体信息提取。
为解决上述技术问题,本发明的技术方案如下:
一种光学遥感影像植被和水体信息自动提取方法,包括以下步骤:
获取光学遥感数据样本,随机抽取光学遥感数据样本中10%的样本作为样本子集;
计算样本子集中所有样本的归一化植被指数以及归一化水指数,取归一化植被指数最大的前1‰样本的平均光谱作为植被类型的一般特征光谱A,取归一化水指数最大的前1‰样本的平均光谱作为水体类型的一般特征光谱B,取归一化植被指数小于0.1的样本,在所述归一化植被指数小于0.1的样本中取归一化水指数的最小样本集,所述最小样本集所取的数量为所述样本子集的1‰,并将所述最小样本集的平均光谱作为其它类型的一般特征光谱C;
根据获取的一般特征光谱A、一般特征光谱B以及一般特征光谱C,对样本子集中所有样本执行基于最小光谱角的监督分类,同时记录植被类型、水体类型和其它类型对应的最小光谱角的大小;分别取植被类型、水体类型和其它类型对应的最小光谱角中最小的前50%样本,并对前50%样本执行基于最小欧氏距离的k均值非监督分类,每种类型获得10条特征光谱,共计30条特征光谱;
根据30条特征光谱,对全局影像IMG执行逐像元基于最小欧氏距离的监督分类,得到植被和水体的提取结果。
在一些实施方式中,归一化植被指数以及归一化水指数的计算公式如下:
其中,NDVI为归一化植被指数,NDWI为归一化水指数;Rnir、Rred和Rgreen分别为近红外波段、红波段和绿波段的光谱反射率。
在一些实施方式中,最小光谱角的计算公式如下:
其中,t是一般特征光谱向量,r是待分类样本向量,n为影像波段数量。
在一些实施方式中,30条特征光谱中,每条特征光谱具有n个影像波段数量和一个标签,标签分别设置为:植被为1,水体为2,其它为3。
在一些实施方式中,在获取光学遥感数据样本后,还包括辐射定标处理:根据获取光学遥感数据样本的传感器类型,对光学遥感数据进行辐射定标,将光学遥感数据样本的DN值转换为辐射亮度,辐射亮度的计算如下:
Lλ=Gain*DN
式中,Gain为定标系数,DN为星载传感器的观测值,Lλ为转换后的辐射亮度。
在一些实施方式中,在辐射定标后处理,还包括大气校正处理:首先,将预处理后的光学遥感数据样本按照FLAASH模型输入要求进行单位转换,并将光学遥感数据样本的数据存储格式转换为BIL,根据卫星遥感数据头文件信息,设置传感器高度、像元达校、大气模型和气溶胶模型,最后,执行大气校正处理。
在一些实施方式中,在大气校正处理后,还包括正射校正处理:对经过大气校正后的光学遥感数据样本进行几何畸变纠正,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像。
在一些实施方式中,在正射校正处理后,还包括几何精校正处理:采用SIFT算子自动搜索待校正影像与参考影像之间的同名连接点,并自动筛除误差较大的粗差点,最后得出待校正影像与参考影像之间的坐标转换关系,令校正后的影像几何定位精度在一个像元以内。
有益效果为:本发明通过获取确定性最大的样本,用他们的平均光谱去寻找不同反射率水平上、波谱形状最相似的50%样本。再用这50%确定性较大、且光谱信息更为丰富全面的样本去估计另外50%确定性较小的样本,与目视解译相比,最终可得到精度可达95%以上的分类结果,自始至终不需要任何先验样本做支撑,也没有人工干预,实现了植被和水体信息的全自动提取。
另外,本发明还具有自适应性,不依赖某个卫星或传感器,也不依赖于成像时间地点或成像条件,是一种通用的方法,且高效快速,以16米分辨率、4波段的国产高分一号宽幅影像为例,229公里*238公里区域大小的影像,只需要不到10分钟即可完成植被和水体信息的自动提取。
本发明适用于大范围植被和水体信息的快速准确提取,从而有效服务于大面积洪涝灾害监测、旱情监测、农作物识别、林地调查等应用领域。
附图说明
图1为本发明实施例公开的高分一号WFV假彩色合成影像示意图;
图2为本发明实施例公开的植被、水体和其它类型的初始样本示意图;
图3为本发明实施例公开的植被、水体和其它类型的一般特征光谱示意图;
图4为本发明实施例公开的植被、水体和其它类型的初步分类结果示意图;
图5为本发明实施例公开的植被、水体和其它类型的差异化特征光谱示意图;
图6为本发明实施例公开的植被、水体和其它类型的最终分类结果示意图;
图7为本发明实施例公开的河南省开封市2019年11月19日哨兵二号影像植被和水体特提取示意图;
图8为本发明实施例公开的山东省乐陵县2019年12月27日高分一号WFV影像植被和水体特提取示意图;
图9为本发明实施例公开的光学遥感影像植被和水体信息自动提取方法的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,下面结合附图和具体实施方式对本发明的内容做进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
如图9所示,本实施例提出了一种光学遥感影像植被和水体信息自动提取方法,包括以下步骤:
步骤1,获取光学遥感数据样本,随机抽取光学遥感数据样本中10%的样本作为样本子集;
在上述的步骤一中,光学遥感数据样本主要通过高分卫星光学遥感和数字高程模型数据获取与下载。根据研究所需,获取研究区高分1号卫星遥感数据,云覆盖率低于10%,高分1号卫星遥感数据可通过中国资源卫星应用中心申请获取。高分1号卫星可选择16米多光谱相机或8米全色多光谱相机观测数据。本实施例以16米多光谱相机采集数据为例。
中国资源卫星应用中心的网址为:http://www.cresda.com/CN/;研究人员可通过上述网址进行光学遥感数据样本的获取。
步骤1.1,还包括光学遥感数据样本预处理,主要包括辐射定标处理、大气校正处理、正射校正处理
在获取光学遥感数据样本后,还包括辐射定标处理:根据获取光学遥感数据样本的传感器类型,对光学遥感数据进行辐射定标,将光学遥感数据样本的DN值转换为辐射亮度,辐射亮度的计算如下:
Lλ=Gain*DN
式中,Gain为定标系数,DN为星载传感器的观测值,Lλ为转换后的辐射亮度。
在辐射定标后处理,还包括大气校正处理:首先,将预处理后的光学遥感数据样本按照FLAASH模型输入要求进行单位转换,并将光学遥感数据样本的数据存储格式转换为BIL,根据卫星遥感数据头文件信息,设置传感器高度、像元达校、大气模型和气溶胶模型,最后,执行大气校正处理。大气校正处理旨在于消除大气的吸收、散射等效应对地表反射率的影响,消除由大气影响所造成的辐射误差,反演地物的反射率。本实施例采用ENVI/FLAASH对高分1号数据进行大气校正处理。
在大气校正处理后,还包括正射校正处理:对经过大气校正后的光学遥感数据样本进行几何畸变纠正,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像。正射校正是一种消除地形起伏引起图像变形的图像处理方法,高分卫星数据包括了RPC文件,可使用ENVI软件中的基于RPC的正射校正工具进行正射校正处理。
在正射校正处理后,还包括几何精校正处理:采用SIFT算子自动搜索待校正影像与参考影像之间的同名连接点,并自动筛除误差较大的粗差点,最后得出待校正影像与参考影像之间的坐标转换关系,令校正后的影像几何定位精度在一个像元以内,满足多时相动态监测对位置精度的要求。几何精校正是指消除图像中的几何变形,产生一幅符合某种地图投影或图形表达要求的新图像。
经过预处理的高分一号影像如图1所示(裁剪了3000像素*3000像素,即48公里*48公里区域大小的子影像块,作为本实施例的样例数据)。
对于已经经过预处理的N行M列影像,使用均匀采样和随机采样相结合的方式,获取随机样本。具体来说,把整景影像每隔10个像素分成一段,每10个像素当中随机取一个像素加入随机样本集合,得到像元数量约占整幅影像10%的样本。
步骤2,计算样本子集中所有样本的归一化植被指数以及归一化水指数,取归一化植被指数最大的前1‰样本的平均光谱作为植被类型的一般特征光谱A,取归一化水指数最大的前1‰样本的平均光谱作为水体类型的一般特征光谱B,取归一化植被指数小于0.1的样本,在所述归一化植被指数小于0.1的样本中取归一化水指数的最小样本集,所述最小样本集所取的数量为所述样本子集的1‰,并将所述最小样本集的平均光谱作为其它类型的一般特征光谱C;(最小样本集所取数量为样本子集的前1‰,而不是所述归一化植被指数小于0.1的样本的前1‰,如,现在归一化植被指数小于0.1的样本存在10000个,而样本子集存在50000个,则需要从10000个中取50个作为前1‰样本,而不是10个,因为50000的1‰为50)
由于绿色植被中所含叶绿素对近红外波段辐射具有高反射特性,而水体对近红外波段辐射具有高吸收低反射特性。一般来说归一化植被指数NDVI越高,则植被特征越明显,归一化植被指数NDWI越高,则水体特征越显著。
归一化植被指数以及归一化水指数的计算公式如下:
其中,NDVI为归一化植被指数,NDWI为归一化水指数;Rnir、Rred和Rgreen分别为近红外波段、红波段和绿波段的光谱反射率。
对NDVI进行从大到小排序,取NDVI最大的前1‰样本,计算平均光谱,作为植被类型的一般特征光谱;对NDWI进行从大到小排序,取NDWI最大的前1‰样本,计算平均光谱,作为水体类型的一般特征光谱;计算NDVI<0.1且的样本中NDWI最小的前1‰(占样本子集总数)样本平均光谱,作为其它类型的一般特征光谱。三种类型的初始样本如图2所示,三种类型的一般特征光谱见图3所示。从图上可见,三条光谱曲线形态迥异,具有典型的代表性,且因为来自图像本身,故而具有自适应性。
步骤3,根据获取的一般特征光谱A、一般特征光谱B以及一般特征光谱C,对样本子集中所有样本执行基于最小光谱角的监督分类,同时记录植被类型、水体类型和其它类型对应的最小光谱角的大小;分别取植被类型、水体类型和其它类型对应的最小光谱角中最小的前50%样本,并对前50%样本执行基于最小欧氏距离的k均值非监督分类,每种类型获得10条特征光谱,共计30条特征光谱;30条特征光谱中,每条特征光谱具有n个影像波段数量(N为波段数量,如高分一号WFV影像为4个波段,哨兵二号影像为10个波段)和一个标签,标签分别设置为:植被为1,水体为2,其它为3。
最小光谱角的计算公式如下:
其中,t是一般特征光谱向量,r是待分类样本向量,n为影像波段数量。
用上述三条一般特征光谱对随机样本集合执行基于最小光谱角的监督分类,同时记录以弧度为单位的最小光谱角度。光谱角越小,光谱曲线形态越相似,使用光谱角分类易于发现不同反射率水平上形态相似的众多样本。对于植被、水体和其它三种类型,分别对光谱角进行从小到大排序,取前50%的样本进行基于最小欧氏距离的K均值非监督分类,初步分类结果如图4所示,差异化特征光谱如图5所示。
K均值非监督分类算法如下:
先随机选取K个样本(本实施例中取K=10)作为初始的聚类中心。然后计算每个样本与各个种子聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。计算每个聚类中现有样本的平均光谱作为新的聚类中心。如此循环迭代,直到满足以下任何一个条件:
1)没有(或最小数目,本发明取总样本数量的1%)对象被重新分配给不同的聚类。
2)循环迭代次数达到一定数量(本发明取100次迭代)。
步骤4,根据上述步骤获取的30条特征光谱,对全局影像IMG执行逐像元基于最小欧氏距离的监督分类,得到植被和水体的提取结果。即得到植被、水体和其它三种类型的分类结果,实现植被和水体的自适应全自动提取。提取结果如图6所示。
欧氏距离的计算公式如下:
实例验证
为检验本发明的植被和水体信息提取效果,收集河南省开封市2019年11月19日的哨兵二号影像,分辨率为10米;山东乐陵县2019年12月27日的高分一号WFV影像,分辨率为16米。采用本发明提出的方法对两景不同时间地点,不同卫星传感器的影像进行分类,并和人工目视解译的结果进行精度对比,结果显示,两景影像的总体分类精度均在95%以上,具体情况分别如图7、8所示。
本发明通过获取确定性最大的样本,用他们的平均光谱去寻找不同反射率水平上、波谱形状最相似的50%样本。再用这50%确定性较大、且光谱信息更为丰富全面的样本去估计另外50%确定性较小的样本,与目视解译相比,最终可得到精度可达95%以上的分类结果,自始至终不需要任何先验样本做支撑,也没有人工干预,实现了植被和水体信息的全自动提取。
另外,本发明还具有自适应性,不依赖某个卫星或传感器,也不依赖于成像时间地点或成像条件,是一种通用的方法,且高效快速,以16米分辨率、4波段的国产高分一号宽幅影像为例,229公里*238公里区域大小的影像,只需要不到10分钟即可完成植被和水体信息的自动提取。
本发明适用于大范围植被和水体信息的快速准确提取,从而有效服务于大面积洪涝灾害监测、旱情监测、农作物识别、林地调查等应用领域。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (8)
1.一种光学遥感影像植被和水体信息自动提取方法,其特征在于,包括以下步骤:
获取光学遥感数据样本,随机抽取所述光学遥感数据样本中10%的样本作为样本子集;
计算所述样本子集中所有样本的归一化植被指数以及归一化水指数,取所述归一化植被指数最大的前1‰样本的平均光谱作为植被类型的一般特征光谱A,取所述归一化水指数最大的前1‰样本的平均光谱作为水体类型的一般特征光谱B,取归一化植被指数小于0.1的样本,在所述归一化植被指数小于0.1的样本中取归一化水指数的最小样本集,所述最小样本集所取的数量为所述样本子集的1‰,并将所述最小样本集的平均光谱作为其它类型的一般特征光谱C;
根据获取的所述一般特征光谱A、一般特征光谱B以及一般特征光谱C,对所述样本子集中所有样本执行基于最小光谱角的监督分类,同时记录所述植被类型、水体类型和其它类型对应的最小光谱角的大小;分别取所述植被类型、水体类型和其它类型对应的最小光谱角中最小的前50%样本,并对所述前50%样本执行基于最小欧氏距离的k均值非监督分类,每种类型获得10条特征光谱,共计30条特征光谱;
根据所述30条特征光谱,对全局影像IMG执行逐像元基于最小欧氏距离的监督分类,得到植被和水体的提取结果。
4.如权利要求1所述的光学遥感影像植被和水体信息自动提取方法,其特征在于,所述30条特征光谱中,每条特征光谱具有n个影像波段数量和一个标签,所述标签分别设置为:植被为1,水体为2,其它为3。
5.如权利要求1所述的光学遥感影像植被和水体信息自动提取方法,其特征在于,在所述获取光学遥感数据样本后,还包括辐射定标处理:根据所述获取光学遥感数据样本的传感器类型,对光学遥感数据进行辐射定标,将所述光学遥感数据样本的DN值转换为辐射亮度,所述辐射亮度的计算如下:
Lλ=Gain*DN
式中,Gain为定标系数,DN为星载传感器的观测值,Lλ为转换后的辐射亮度。
6.如权利要求5所述的光学遥感影像植被和水体信息自动提取方法,其特征在于,在所述辐射定标后处理,还包括大气校正处理:首先,将预处理后的光学遥感数据样本按照FLAASH模型输入要求进行单位转换,并将所述光学遥感数据样本的数据存储格式转换为BIL,根据卫星遥感数据头文件信息,设置传感器高度、像元达校、大气模型和气溶胶模型,最后,执行大气校正处理。
7.如权利要求6所述的光学遥感影像植被和水体信息自动提取方法,其特征在于,在所述大气校正处理后,还包括正射校正处理:对经过大气校正后的光学遥感数据样本进行几何畸变纠正,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像。
8.如权利要求7所述的光学遥感影像植被和水体信息自动提取方法,其特征在于,在所述正射校正处理后,还包括几何精校正处理:采用SIFT算子自动搜索待校正影像与参考影像之间的同名连接点,并自动筛除误差较大的粗差点,最后得出所述待校正影像与参考影像之间的坐标转换关系,令校正后的影像几何定位精度在一个像元以内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010850663.8A CN112131946B (zh) | 2020-08-21 | 2020-08-21 | 光学遥感影像植被和水体信息自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010850663.8A CN112131946B (zh) | 2020-08-21 | 2020-08-21 | 光学遥感影像植被和水体信息自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112131946A true CN112131946A (zh) | 2020-12-25 |
CN112131946B CN112131946B (zh) | 2023-06-23 |
Family
ID=73851003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010850663.8A Active CN112131946B (zh) | 2020-08-21 | 2020-08-21 | 光学遥感影像植被和水体信息自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131946B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967308A (zh) * | 2021-02-26 | 2021-06-15 | 湖南南方水利水电勘测设计院有限公司 | 一种双极化sar影像的水陆边界提取方法及*** |
CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN114201692A (zh) * | 2022-02-18 | 2022-03-18 | 清华大学 | 作物类型样本的采集方法及装置 |
CN114235716A (zh) * | 2021-11-11 | 2022-03-25 | 内蒙古师范大学 | 一种水体光学分类及质量控制方法及计算机可读存储介质 |
CN114841231A (zh) * | 2022-03-21 | 2022-08-02 | 赛思倍斯(绍兴)智能科技有限公司 | 一种农作物遥感分类方法及*** |
CN115035423A (zh) * | 2022-01-10 | 2022-09-09 | 华南农业大学 | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 |
CN115561199A (zh) * | 2022-09-26 | 2023-01-03 | 重庆数字城市科技有限公司 | 一种基于卫星遥感影像的水华监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539998A (zh) * | 2009-04-29 | 2009-09-23 | 中国地质科学院矿产资源研究所 | 蚀变遥感异常提取方法和*** |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及*** |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
-
2020
- 2020-08-21 CN CN202010850663.8A patent/CN112131946B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539998A (zh) * | 2009-04-29 | 2009-09-23 | 中国地质科学院矿产资源研究所 | 蚀变遥感异常提取方法和*** |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及*** |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
Non-Patent Citations (2)
Title |
---|
张明月;杨贵军;宋伟东;徐涛;: "遥感组合指数与不同分类技术结合提取农业用地方法", 测绘科学, no. 05 * |
温奇;夏列钢;李苓苓;吴玮;: "面向灾害应急土地覆被分类的样本自动选择方法研究", 武汉大学学报(信息科学版), no. 07 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967308B (zh) * | 2021-02-26 | 2023-09-19 | 湖南南方水利水电勘测设计院有限公司 | 一种双极化sar影像的水陆边界提取方法及*** |
CN112967308A (zh) * | 2021-02-26 | 2021-06-15 | 湖南南方水利水电勘测设计院有限公司 | 一种双极化sar影像的水陆边界提取方法及*** |
CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN114235716A (zh) * | 2021-11-11 | 2022-03-25 | 内蒙古师范大学 | 一种水体光学分类及质量控制方法及计算机可读存储介质 |
CN114235716B (zh) * | 2021-11-11 | 2023-09-26 | 内蒙古师范大学 | 一种水体光学分类及质量控制方法及计算机可读存储介质 |
CN115035423A (zh) * | 2022-01-10 | 2022-09-09 | 华南农业大学 | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 |
CN115035423B (zh) * | 2022-01-10 | 2024-04-16 | 华南农业大学 | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 |
CN114201692B (zh) * | 2022-02-18 | 2022-05-20 | 清华大学 | 作物类型样本的采集方法及装置 |
CN114201692A (zh) * | 2022-02-18 | 2022-03-18 | 清华大学 | 作物类型样本的采集方法及装置 |
CN114841231A (zh) * | 2022-03-21 | 2022-08-02 | 赛思倍斯(绍兴)智能科技有限公司 | 一种农作物遥感分类方法及*** |
CN114841231B (zh) * | 2022-03-21 | 2024-04-09 | 赛思倍斯(绍兴)智能科技有限公司 | 一种农作物遥感分类方法及*** |
CN115561199A (zh) * | 2022-09-26 | 2023-01-03 | 重庆数字城市科技有限公司 | 一种基于卫星遥感影像的水华监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112131946B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131946B (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
US8913826B2 (en) | Advanced cloud cover assessment for panchromatic images | |
CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及*** | |
US20050114027A1 (en) | Cloud shadow detection: VNIR-SWIR | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN112669363B (zh) | 城市绿地三维绿量测算方法 | |
CN107527037A (zh) | 基于无人机遥感数据的蓝藻识别与分析*** | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN113033279A (zh) | 一种基于多源遥感影像的作物精细分类方法及其*** | |
Aplin et al. | Predicting missing field boundaries to increase per-field classification accuracy | |
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 | |
Aubry-Kientz et al. | Multisensor data fusion for improved segmentation of individual tree crowns in dense tropical forests | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN115311556A (zh) | 一种用于自然资源管理的遥感影像处理方法及*** | |
CN118097463A (zh) | 一种基于农作物遥感图像的倒伏区域识别方法及*** | |
Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
Bilodeau et al. | Identifying hair fescue in wild blueberry fields using drone images for precise application of granular herbicide | |
CN117576394A (zh) | 一种利用全局信息提升地类语义分割的方法 |
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 |