CN113177979A - 一种基于多光谱图像的水污染区域识别方法和*** - Google Patents

一种基于多光谱图像的水污染区域识别方法和*** Download PDF

Info

Publication number
CN113177979A
CN113177979A CN202110624211.2A CN202110624211A CN113177979A CN 113177979 A CN113177979 A CN 113177979A CN 202110624211 A CN202110624211 A CN 202110624211A CN 113177979 A CN113177979 A CN 113177979A
Authority
CN
China
Prior art keywords
image
difference
spectral
pollution
water
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
CN202110624211.2A
Other languages
English (en)
Other versions
CN113177979B (zh
Inventor
温颜沙
李想
朱曦
魏冶
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 5d Technology Co ltd
Original Assignee
Nanjing University 5d Technology Co ltd
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 5d Technology Co ltd filed Critical Nanjing University 5d Technology Co ltd
Priority to CN202110624211.2A priority Critical patent/CN113177979B/zh
Priority to PCT/CN2021/098513 priority patent/WO2022252242A1/zh
Publication of CN113177979A publication Critical patent/CN113177979A/zh
Application granted granted Critical
Publication of CN113177979B publication Critical patent/CN113177979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10052—Images from lightfield camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于多光谱图像的水污染区域识别方法和***，获取目标水域的光谱图像，通过光谱差异函数，获取表征各栅格单元光谱变化程度的光谱差异图像；再基于光谱差异图像，利用差异分类函数，获取污染概率分布图；再设定阈值，从污染概率分布图提取污染图斑。本发明的识别方法在无先验知识条件下，直接根据光谱在空间上的变化特征检测污染区，无需地面标定，无需大气校正，不需要大量样本支撑，结果受大气影响较小，提高了多光谱影像利用率，应用场景广泛。

Description

一种基于多光谱图像的水污染区域识别方法和***
技术领域
本发明属于污染监测领域，特别涉及一种基于多光谱图像的水污染区域识别方法和***。
背景技术
传统水污染监测采用点监测方法，即在流域内选取若干点位，设置水质自动监测站或采用人工取样化验的方法定期对点位水质进行评估。该方法只反映取样点位的水质情况，不能反映整个流域内污染的分布情况。
随着遥感技术的发展，多光谱、高光谱卫星遥感被用于流域的污染区域识别。该方法属于面监测，将整个流域划分为空间连续的栅格单元，利用水质参数反演模型计算各单元网格的水质参数数值，最后通过栅格统计或与标准值进行比对来识别污染区域。该方法能够全面地反映整个流域的污染分布情况，但所用的水质参数反演模型构建需足够量且质量可靠的样本支撑，在没有充分实验积累的条件下难以将任意时刻的历史影像用于污染区域分析。
水质参数定量反演模型是污染区识别的关键，该模型构建以“水质参数-多光谱反射率”的数据对为支撑，要求样本点数量足够、且水质参数化验结果和多光反射率计算结果质量可靠，但在实际工作中往往存在以下问题：
(1)用于多光谱反射率产品计算的大气校正过程，目前还没有适用于所有区域的方法，常用的6S、MODTRAN大气校正模型需要大量的大气参数作为输入，如CO2浓度、气溶胶厚度等，实际应用中较难获取这些参数，往往以模型默认值作为替代，不能完全模拟当地、当时的大气条件，由此造成多光谱反射率计算结果存在一定误差；
(2)水质参数可通过水质自动监测站或手动化验的方式获取，用于建模的样本需在时间、空间上卫星影像匹配，且采样数据应属于同一类型，如都为水质自动监测站数据，或都为同一机构检测化验结果。一般条件下，一个流域内满足使用的条件的样本不足10个，限制了水质参数反演模型的构建。
发明内容
本发明的目的是针对现有技术的缺陷，提供一种基于多光谱图像的水污染区域识别方法和***。
为了实现上述目的，本发明采用以下技术方案：一种基于多光谱图像的水污染区域识别方法，其特征在于包括以下步骤：
步骤1：获取目标水域的光谱图像，通过光谱差异函数D(λ1,λ2,λ3,...,λn)将光谱图像转换成光谱差异图像D；
步骤2：基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；
步骤3：设定阈值，从污染概率分布图P提取目标污染图斑。
进一步的，步骤1中光谱差异函数D(λ1,λ2,λ3,...,λn)通过从光谱图像的n种光谱数据中提取，其中n≥1。
进一步的，步骤1中光谱差异函数D(λ1,λ2,λ3,...,λn)中第i个波段的光谱差异图像D(λi)通过计算各栅格单元光谱数据的差异获取。
进一步的，步骤2中差异分类函数F通过目标的图像特征对光谱差异图像的干扰因素进行排除。
一种基于多光谱图像的水污染区域识别***，包括：
光谱差异分析模块，用于获取目标水域的光谱图像，通过光谱差异函数D(λ1,λ2,λ3,...,λn)将光谱图像转换成光谱差异图像D；
差异分类模块，用于基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；污染区域提取模块，用于设定阈值，从污染概率分布图P提取目标污染图斑。
进一步的，光谱差异分析模块中的光谱差异函数D(λ1,λ2,λ3,...,λn)通过从光谱图像的n种光谱数据中提取，其中n≥1。
进一步的，光谱差异分析模块中光谱差异函数D(λ1,λ2,λ3,...,λn)中第i个波段的光谱差异图像D(λi)通过计算各栅格单元光谱数据的差异获取。
进一步的，差异分类模块中差异分类函数F通过目标的图像特征对光谱差异图像的干扰因素进行排除。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求上面任一项所述的方法的步骤。
本发明的水污染区域识别方法直接通过光谱在空间上的变化特征判别可能存在污染的区域，避免因大气校正不完全、样本数量不足带来的水质参数反演模型构建的问题,提高多光谱影像利用率。
并通过不同物体的光谱、形态特征剔除异常噪声，提高污染区域判别的准确性。
本发明的水污染区域识别方法和***的有益效果是：在无先验知识条件下，直接根据光谱在空间上的变化特征检测污染区，不需要大量样本支撑，结果受大气影响较小，提高了多光谱影像利用率。
附图说明
图1是实施例基于多光谱图像的水污染区域识别方法的流程图。
图2是实施例1卫星影像。
图3是实施例1经过几何校正的多光谱反射率产品。
图4是实施例1水域范围的多光谱图像。
图5是实施例1标示污染区域的多光谱图像。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一种基于多光谱图像的水污染区域识别方法，流程如图1所示，包括以下步骤：
步骤1：获取目标水域的光谱图像，通过光谱差异函数D(λ1,λ2,λ3,...,λn)获取表征各栅格单元光谱变化程度的光谱差异图像D；
步骤2：基于光谱差异图像，利用差异分类函数F(I,A,C,D)，获取污染概率分布图P；
步骤3：设定阈值，从污染概率分布图提取污染图斑。
步骤1中光谱差异函数D是为了获取各栅格单元光谱的变化程度；
步骤1中光谱差异函数D通过从多光谱图像的n种光谱数据中提取，其中n≥1；
第i个波段的光谱差异图像D(λi)通过基础函数运算计算各栅格单元光谱数据的差异获取；
各栅格单元光谱数据的差异获取方式为计算每个栅格和其周围m个栅格光谱的差异，其中m≥2；差异获取通过基础函数运算获得，计算方式不限于比值、差值、平方根、算术平方根等。
步骤2中差异分类函数F，目的是通过图像的特征差异对干扰因素进行排除。
步骤2的排除方式，不限于基于目标污染图斑的形态特征、光学特征等。
步骤3的阈值设定，根据步骤1和步骤2的结果和实际应用设置，最后从污染概率分布图提取污染图斑。
步骤1中光谱差异函数D(λ1,λ2,λ3,...,λn)的其中一种具体表现形式为：
D＝max(D(λ1),D(λ2),D(λ3),...,D(λn)) (1)
其中，D为最终的光谱差异图像，D(λi)为第i个波段的光谱差异图像，D(λi)计算方式如下：
D(λi)＝D0(λi)+D1(λi)+D2(λi)+D3(λi)+D4(λi) (2)
D0(λi)＝(R(λi)x,y-μ(λi))2 (3)
D1(λi)＝(R(λi)x+1,y-1-R(λi)x,y)+(R(λi)x,y-R(λi)x-1,y+1) (4)
D2(λi)＝(R(λi)x+1,y-R(λi)x,y)+(R(λi)x,y-R(λi)x-1,y) (5)
D3(λi)＝(R(λi)x+1,y+1-R(λi)x,y)+(R(λi)x,y-R(λi)x-1,y-1) (6)
D4(λi)＝(R(λi)x,y+1-R(λi)x,y)+(R(λi)x,y-R(λi)x,y-1) (7)
其中，R(λi)x,y为光谱图像λi波段上像元(x,y)的光谱值，μ(λi)为第i个波段的光谱均值。D小于阈值的设为0.
步骤2中差异分类函数为F(I,A,C，D)，其中一种表现形式为，其中I为表征反射强度的分量，A、C分别为面积、周长，用于统计形态特征。
步骤2.1：对光谱差异值大于0的像元设为1，对图像进行开运算，消除孤立像元，联通相邻图斑；
步骤2.2：计算图斑的面积A和周长C，计算形态指标S＝A/C；
步骤2.3：计算强度分量I，I可以为近红外反射率，也可以为亮度分量；
步骤2.5：计算污染概率分布图P＝D*S*(1-I)。
步骤3的图像特征包括但不限于图像的形态特征、图像经过颜色转换后的亮度分布特征，或者其他一些常用图像特征识别方式。可以利用上述一种或者结合多种方式，对干扰因素进行排除，对联通图斑进行进一步处理。
步骤3具体采用以下步骤实现：
(1)计算联通图斑的形态指标C，C＝A/L，其中A为图斑面积，L为图斑周长，将C大于c1的图斑所在像元设置为0，用于剔除水面噪声，c1取值范围为0～0.05；
(2)对联通图斑进行RGB-HSV转换，其中H为色调分量，S为饱和度分量，V为亮度分量，将饱和度分量S>s1、亮度分量V>v1的像元设置为0，s1、v1取值范围为0～0.4；
(3)非0像元即为污染区域识别结果。
一种基于多光谱图像的水污染区域识别***，包括：
光谱差异分析模块，用于获取目标水域的光谱图像，通过光谱差异函数将光谱图像转换成光谱差异图像D；
差异分类模块，用于基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；
污染区域提取模块，用于设定阈值，从污染概率分布图P提取目标污染图斑。
光谱差异函数D(λ1,λ2,λ3,...,λn)的其中一种具体表现形式为：
D＝max(D(λ1),D(λ2),D(λ3),...,D(λn)) (1)
其中，D为最终的光谱差异图像，D(λi)为第i个波段的光谱差异图像，D(λi)计算方式如下：
D(λi)＝D0(λi)+D1(λi)+D2(λi)+D3(λi)+D4(λi) (2)
D0(λi)＝(R(λi)x,y-μ(λi))2 (3)
D1(λi)＝(R(λi)x+1,y-1-R(λi)x,y)+(R(λi)x,y-R(λi)x-1,y+1) (4)
D2(λi)＝(R(λi)x+1,y-R(λi)x,y)+(R(λi)x,y-R(λi)x-1,y) (5)
D3(λi)＝(R(λi)x+1,y+1-R(λi)x,y)+(R(λi)x,y-R(λi)x-1,y-1) (6)
D4(λi)＝(R(λi)x,y+1-R(λi)x,y)+(R(λi)x,y-R(λi)x,y-1) (7)
其中，R(λi)x,y为光谱图像λi波段上像元(x,y)的光谱值，μ(λi)为第i个波段的光谱均值。D小于阈值的设为0.
差异分类模块中差异分类函数为F为F(I,A,C,D)＝D·S·(1－I)，其中I为表征反射强度的分量，A、C分别为面积、周长，D为光谱差异图像，污染概率分布图P通过对光谱差异图像中光谱差异值大于0的像元设为1，对图像进行开运算，消除孤立像元，联通相邻图斑；计算联通图斑的面积A和周长C，计算形态指标S＝A/C；计算联通图斑强度分量I，I为近红外反射率或亮度分量；通过P＝D·S·(1－I)计算污染概率分布图。
污染区域提取模块包括：形态分析子模块，用于计算污染概率分布图联通图斑的形态指标C，C＝A/L，其中A为图斑面积，L为图斑周长，将C大于c1的图斑所在像元设置为0，用于剔除水面噪声，c1取值范围为0～0.05；色彩分析子模块，用于对联通图斑进行RGB-HSV转换，其中H为色调分量，S为饱和度分量，V为亮度分量，将饱和度分量S>s1、亮度分量V>v1的像元设置为0，s1、v1取值范围为0～0.4；识别子模块，用于识别非0像元为目标污染图斑。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
实施例1
(1)获取某区域2020年9月高分一号卫星影像(如图2)；
(2)利用辐射定标系数对卫星影像进行辐射校正，利用FLAASH大气校正方法对卫星影像进行大气校正，利用RPC参数对卫星影像进行正射校正，人工选择控制点对影像进行几何精校正，获取经过几何校正的多光谱反射率产品(如图3)；
(3)利用NDWI水体指数提取水域范围，并以此为掩膜提取水域范围的多光谱图像(如图4)；
(4)计算各像元方差，并将方差小于50的像元设置为0；
(5)对非0像元进行联通处理后，计算各图斑的形态指标，并将形态指标大于0.018(不同区域数值根据经验值确定)的像元设置为0；
(6)对非0像元进行RGB-HSV变换，并将饱和度(S)大于0.18、亮度(V)大于0.2的像元设置为0；
(7)输出非0图斑，即为识别的污染区域(区域)(如图5)。
上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于多光谱图像的水污染区域识别方法，其特征在于包括以下步骤：
步骤1：获取目标水域的光谱图像，通过光谱差异函数D(λ1,λ2,λ3,...,λn)将光谱图像转换成光谱差异图像D；
步骤2：基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；
步骤3：设定阈值，从污染概率分布图P提取目标污染图斑。
2.根据权利要求1所述的基于多光谱图像的水污染区域识别方法，其特征在于：所述步骤1中光谱差异函数D(λ1,λ2,λ3,...,λn)通过从光谱图像的n种光谱数据中提取，其中n≥1。
3.根据权利要求1所述的基于多光谱图像的水污染区域识别方法，其特征在于：所述步骤1中光谱差异函数D(λ1,λ2,λ3,...,λn)中第i个波段的光谱差异图像D(λi)通过计算各栅格单元光谱数据的差异获取。
4.根据权利要求1所述的基于多光谱图像的水污染区域识别方法，其特征在于：所述步骤2中差异分类函数F通过目标的图像特征对光谱差异图像的干扰因素进行排除。
5.一种基于多光谱图像的水污染区域识别***，其特征在于包括：
光谱差异分析模块，用于获取目标水域的光谱图像，通过光谱差异函数D(λ1,λ2,λ3,...,λn)将光谱图像转换成光谱差异图像D；
差异分类模块，用于基于光谱差异图像，利用差异分类函数F，获取污染概率分布图P；
污染区域提取模块，用于设定阈值，从污染概率分布图P提取目标污染图斑。
6.根据权利要求5所述的基于多光谱图像的水污染区域识别***，其特征在于：所述光谱差异分析模块中的光谱差异函数D(λ1,λ2,λ3,...,λn)通过从光谱图像的n种光谱数据中提取，其中n≥1。
7.根据权利要求5所述的基于多光谱图像的水污染区域识别***，其特征在于：所述光谱差异分析模块中光谱差异函数D(λ1,λ2,λ3,...,λn)中第i个波段的光谱差异图像D(λi)通过计算各栅格单元光谱数据的差异获取。
8.根据权利要求5所述的基于多光谱图像的水污染区域识别***，其特征在于：所述差异分类模块中差异分类函数F通过目标的图像特征对光谱差异图像的干扰因素进行排除。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至4任一项所述的方法的步骤。
CN202110624211.2A 2021-06-04 2021-06-04 一种基于多光谱图像的水污染区域识别方法和*** Active CN113177979B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110624211.2A CN113177979B (zh) 2021-06-04 2021-06-04 一种基于多光谱图像的水污染区域识别方法和***
PCT/CN2021/098513 WO2022252242A1 (zh) 2021-06-04 2021-06-07 一种基于多光谱图像的水污染区域识别方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110624211.2A CN113177979B (zh) 2021-06-04 2021-06-04 一种基于多光谱图像的水污染区域识别方法和***

Publications (2)

Publication Number Publication Date
CN113177979A true CN113177979A (zh) 2021-07-27
CN113177979B CN113177979B (zh) 2024-07-09

Family

ID=76927449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110624211.2A Active CN113177979B (zh) 2021-06-04 2021-06-04 一种基于多光谱图像的水污染区域识别方法和***

Country Status (2)

Country Link
CN (1) CN113177979B (zh)
WO (1) WO2022252242A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及***

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109946B (zh) * 2023-04-13 2023-08-01 中国人民解放军战略支援部队航天工程大学 一种海洋背景的高光谱影像异常探测方法和***
CN116187204B (zh) * 2023-04-23 2023-08-04 武汉新烽光电股份有限公司 一种水域遥感反演水环境污染的风险决策方法
CN117036222B (zh) * 2023-08-18 2024-04-19 广东省水利水电科学研究院 融合多尺度极化sar图像的水体检测方法、装置及介质
CN117030634B (zh) * 2023-10-09 2023-12-12 深圳市盘古环保科技有限公司 一种地下水污染快速检测修复方法
CN117233116B (zh) * 2023-11-09 2024-02-02 江西鼎智检测有限公司 一种基于机器视觉的水质分析方法及***
CN117330521B (zh) * 2023-12-01 2024-02-20 黑龙江中医药大学 一种检验科用血液涂片***
CN117671300B (zh) * 2023-12-07 2024-04-26 广东晨晖新材料科技有限公司 一种三聚氰胺浸渍纸生产的质检预警方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761286A (zh) * 2016-02-29 2016-07-13 环境保护部卫星环境应用中心 基于多光谱遥感影像的水色异常对象提取方法及***
CN107992891A (zh) * 2017-12-01 2018-05-04 西安电子科技大学 基于光谱矢量分析多光谱遥感图像变化检测方法
CN109284709A (zh) * 2018-09-19 2019-01-29 南京大学 一种基于耀光反射差异的海面溢油光学遥感检测方法
CN111307727A (zh) * 2020-03-13 2020-06-19 生态环境部卫星环境应用中心 基于时序遥感影像的水体水色异常识别方法和装置
CN111398176A (zh) * 2020-03-13 2020-07-10 生态环境部卫星环境应用中心 基于像元尺度特征的水体水色异常遥感识别方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426637A (zh) * 2020-04-16 2020-07-17 江苏省环境监测中心 一种利用无人机获取城市黑臭河流水质参数的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761286A (zh) * 2016-02-29 2016-07-13 环境保护部卫星环境应用中心 基于多光谱遥感影像的水色异常对象提取方法及***
CN107992891A (zh) * 2017-12-01 2018-05-04 西安电子科技大学 基于光谱矢量分析多光谱遥感图像变化检测方法
CN109284709A (zh) * 2018-09-19 2019-01-29 南京大学 一种基于耀光反射差异的海面溢油光学遥感检测方法
CN111307727A (zh) * 2020-03-13 2020-06-19 生态环境部卫星环境应用中心 基于时序遥感影像的水体水色异常识别方法和装置
CN111398176A (zh) * 2020-03-13 2020-07-10 生态环境部卫星环境应用中心 基于像元尺度特征的水体水色异常遥感识别方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及***
CN114993965B (zh) * 2022-05-13 2023-04-18 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及***

Also Published As

Publication number Publication date
WO2022252242A1 (zh) 2022-12-08
CN113177979B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN113177979A (zh) 一种基于多光谱图像的水污染区域识别方法和***
WO2020224458A1 (zh) 一种基于图像处理的电晕检测方法
CN109919083B (zh) 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN108333148B (zh) 一种黑臭水体的识别方法及装置
Elvidge et al. Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using an automatic scattergram-controlled regression
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN102147920B (zh) 高分辨率遥感影像中的阴影检测方法
CN112307901B (zh) 一种面向滑坡检测的sar与光学影像融合方法及***
CN112964643B (zh) 一种遥感影像可见光波段地形落影校正方法
CN109300133B (zh) 一种城市河网区水体提取方法
CN114627316B (zh) 基于人工智能的液压***漏油检测方法
CN110705449A (zh) 一种土地利用变化遥感监测分析方法
CN112329790B (zh) 一种城市不透水面信息快速提取方法
CN112557307B (zh) 天空地一体化湖库水质监测融合数据方法
CN112414950A (zh) 一种协同高光谱与红外技术的绝缘子等值盐密检测方法
CN117111092A (zh) 一种基于机器学习的高空间分辨率遥感水质检测方法
CN111007039A (zh) 中低分辨率遥感图像亚像元级水体自动提取方法和***
CN114067222B (zh) 一种城市水体遥感分类方法及装置
CN113887324A (zh) 基于卫星遥感数据的火点检测方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN117115077A (zh) 一种湖泊蓝藻水华检测方法
CN115311556A (zh) 一种用于自然资源管理的遥感影像处理方法及***
CN111241991A (zh) 一种基于遥感影像的水质分类方法
Setyawan et al. Comparison of hsv and lab color spaces for hydroponic monitoring system
CN111242053B (zh) 一种输电线路火焰检测方法及***

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