CN113240026A - 一种矢栅结合的内陆水面漂浮物批量识别提取方法 - Google Patents

一种矢栅结合的内陆水面漂浮物批量识别提取方法 Download PDF

Info

Publication number
CN113240026A
CN113240026A CN202110563234.7A CN202110563234A CN113240026A CN 113240026 A CN113240026 A CN 113240026A CN 202110563234 A CN202110563234 A CN 202110563234A CN 113240026 A CN113240026 A CN 113240026A
Authority
CN
China
Prior art keywords
water surface
floater
suspected
vector
remote sensing
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
CN202110563234.7A
Other languages
English (en)
Other versions
CN113240026B (zh
Inventor
叶胜
裴得胜
李勇志
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.)
Chongqing University
Chongqing Institute of Green and Intelligent Technology of CAS
Original Assignee
Chongqing University
Chongqing Institute of Green and Intelligent Technology of CAS
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 Chongqing University, Chongqing Institute of Green and Intelligent Technology of CAS filed Critical Chongqing University
Priority to CN202110563234.7A priority Critical patent/CN113240026B/zh
Publication of CN113240026A publication Critical patent/CN113240026A/zh
Application granted granted Critical
Publication of CN113240026B publication Critical patent/CN113240026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种矢栅结合的内陆水面漂浮物批量识别提取方法，包括步骤：获取水面范围内遥感影像；对水面范围内遥感影像进行分类，筛选出疑似水面漂浮物的图斑并导出，获得疑似水面漂浮物面状图层；计算疑似水面漂浮物面状图层中各疑似水面漂浮物图斑的面积，获得疑似水面漂浮物点状图层；计算疑似水面漂浮物点状图层中各点的非水面漂浮物特征值；根据非水面漂浮物特征值，剔除误判图斑，提取出水面漂浮物识别结果。其显著效果是：充分利用了矢量数据空间分析技术和遥感栅格数据，实现了大尺度范围内陆水面漂浮物的快速、准确的自动识别，弥补了仅利用遥感影像进行漂浮物识别方法中异物同谱的缺陷，使得识别的准确性更高。

Description

一种矢栅结合的内陆水面漂浮物批量识别提取方法
技术领域
本发明涉及到地理信息技术领域，具体涉及一种矢栅结合的内陆水面漂浮物批量识别提取方法。
背景技术
在我国社会经济快速发展的同时，也带来了水污染的加剧，在内陆湖泊、水库、河流等水面上出现了大量漂浮物。漂浮物的存在不仅对水环境造成了污染、威胁到人类的身体健康、也会对区域经济的发展造成不利的影响。
目前对水面漂浮物的识别方法主要有背景减除法和图像分割法，比如综合考虑水面颜色信息特征和漂浮物运动状态，利用背景分割技术识别海面漂浮物；根据海洋表面低饱和性的特征，对提取的水面区域图像进行浮雕处理和边缘检测获取目标漂浮物的位置；利用Mean-shift算法和OSTU法对水面目标进行分割，再使用SVM对水面目标进行识别。目前的方法基本都是基于图像算法识别，难以避免“异物同谱”误判的现象。
发明内容
针对现有技术的不足，本发明的目的是提供一种矢栅结合的内陆水面漂浮物批量识别提取方法，利用矢量数据和栅格数据各自优势，能批量识别水面漂浮物空间分布方法，能够实现大规模、批量化、自动化提取水面漂浮物矢量图斑，掌握其空间分布情况，可用于水库、湖泊等水域清理漂浮物，保护水域环境等工作。
为达到上述目的，本发明采用的技术方案如下：
一种矢栅结合的内陆水面漂浮物批量识别提取方法，其关键在于包括以下步骤：
步骤1、获取水面范围内遥感影像；
步骤2、对水面范围内遥感影像进行地物分类，筛选出疑似水面漂浮物图斑并导出，获得疑似水面漂浮物面状图层；
步骤3、计算疑似水面漂浮物面状图层中各疑似水面漂浮物图斑的面积，并将计算结果进行面转点处理，获得疑似水面漂浮物点状图层；
步骤4、按照公式
Figure BDA0003079865600000021
计算疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs，其中，r为搜索半径，Wi为点i所在的疑似水面漂浮物图斑的面积，Di为点i和搜索半径内的任一点(x，y)之间的距离，Wmax为搜索半径范围内疑似水面漂浮物图斑的最大面积；
步骤5、根据疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs，剔除误判图斑，提取出水面漂浮物识别结果。
进一步的，步骤1中水面范围内的遥感影像的获取过程为：
使用水面范围矢量图层作为掩膜，对空间分辨率为0.2米的高分辨率遥感影像进行处理，提取出所需的水面范围内的遥感影像。
进一步的，步骤2中所述疑似水面漂浮物面状图层的获得过程具体如下：
步骤2.1、建立遥感影像解译标识；
步骤2.2、依据遥感影像解译标识对水面范围内遥感影像进行分类计算，得到水面范围内遥感影像的地物分类结果；
步骤2.3、采用双边界搜索算法对水面范围内遥感影像的地物分类结果进行栅格转矢量处理，并保留地物分类属性；
步骤2.4、根据地物分类属性，筛选出疑似水面漂浮物的图斑，并导出为新的矢量图层，即获得所述疑似水面漂浮物面状图层。
进一步的，步骤2.2中对水面范围内遥感影像进行分类计算的计算公式为：
Figure BDA0003079865600000031
其中，F(x)是目标函数；x是n维空间中的一个向量；k是n维特征向量之间的协方差矩阵；wi是由每一维特征的均值组成的一个向量。
进一步的，所述遥感影像解译标识包括船舶、裸露岛礁、桥梁、电线电缆、水面漂浮物。
进一步的，步骤3中水面漂浮物图斑的面积的计算公式为：
Figure BDA0003079865600000032
其中，P为图斑面积；a为椭球长半轴；b为椭球短半轴；T为图幅东西图廓的经度差；B1、B2分别为图幅南北图廓的纬度，(B2-B1)为图幅南北图廓的纬度差；Bm＝(B1+B2)/2；
Figure BDA0003079865600000033
e2＝(a2-b2)/a2。
进一步的，步骤5中提取出水面漂浮物识别结果的具体过程为：
步骤5.1、采用自然断裂法对疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs进行断裂分级，提取不小于预设阈值的数据；
步骤5.2、将提取出的数据进行栅格转矢量处理，得到矢量范围图斑；
步骤5.3、删除矢量范围图斑内的误判的疑似水面漂浮物图斑，获取水面漂浮物识别结果。
进一步的，所述预设阈值的取值为366.54。
本发明的显著效果是：在传统图像算法识别基础上，利用矢栅结合的方法，通过充分利用矢量数据空间分析技术和遥感栅格数据，对“异物同谱”误判数据进行了再次计算分析提取，实现了大尺度范围内陆水面漂浮物的快速、准确的自动识别，弥补了仅利用遥感影像进行漂浮物识别方法中异物同谱的缺陷，使得识别的准确性更高；
利用矢量数据和栅格数据各自优势，能批量识别水面漂浮物的空间分布，实现了大规模、批量化、自动化提取水面漂浮物矢量图斑，掌握其空间分布情况，可用于水库、湖泊等水域清理漂浮物，保护水域环境等工作。
附图说明
图1是本发明的方法流程图；
图2是水面漂浮物识别提取结果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种矢栅结合的内陆水面漂浮物批量识别提取方法，具体步骤如下：
步骤1、获取水面范围内遥感影像：
数据资料准备：获取水面范围内遥感影像所使用的数据资料包括高分辨率遥感影像(空间分辨率为0.2米)、水面范围矢量图层(来源于土地利用调查成果)。数据空间参考信息统一为2000国家大地坐标系、1985国家高程基准。
遥感影像裁切：为了减少遥感影像中水面以外其他地物的干扰，利用Arcgis平台中的Extract by mask工具，将水面范围矢量图层作为掩膜，对遥感影像进行处理，提取水面范围内的遥感影像，并导出为新的遥感影像图层。
步骤2、对水面范围内遥感影像进行地物分类，筛选出疑似水面漂浮物图斑并导出，获得疑似水面漂浮物面状图层，具体过程如下：
步骤2.1、建立遥感影像解译标识；
步骤2.2、依据遥感影像解译标识对水面范围内遥感影像进行分类计算，得到水面范围内遥感影像的地物分类结果(栅格数据)；
上述分类计算的计算公式为：
Figure BDA0003079865600000051
其中，F(x)是目标函数；x是n维空间中的一个向量；k是n维特征向量之间的协方差矩阵；wi是由每一维特征的均值组成的一个向量。
步骤2.3、采用双边界搜索算法对水面范围内遥感影像的地物分类结果进行栅格转矢量处理，并保留地物分类属性；
步骤2.4、根据地物分类属性，筛选出地物分类为水面漂浮物的图斑，并导出为新的矢量图层，即获得所述疑似水面漂浮物面状图层。
进一步的，所述遥感影像解译标识包括船舶、裸露岛礁、桥梁、电线电缆、水面漂浮物。
通过对分类结果进行分析，发现其中存在“异物同谱”现象(异物同谱是指在某个谱段内，两个不同地物可能呈现相同的谱线特征)，由于主要“异物同谱”现象导致误判主要有两种情况，一种是面积比真正漂浮物大的，如部分船体、桥梁、裸露岛礁等；另一种是面积和真正漂浮物差不多的，这一部分具有集聚更密集、排列更规则的特点，且一般分布在上一种面积比较大的误判图斑的周围。为了解决误判这一缺陷，以将错分类为水面漂浮物的图斑有效剔除，通过以下的步骤3与步骤4进行误分类图斑进行筛选处理。
步骤3、计算疑似水面漂浮物面状图层中各疑似水面漂浮物图斑的面积，并将计算结果进行面转点处理，获得疑似水面漂浮物点状图层，具体的：
首先，对疑似水面漂浮物面状图层添加属性字段用来计算各水面漂浮物图斑的几何面积，添加字段类型为双精度，并利用以下公式进行图斑面积计算，单位为平方米。
Figure BDA0003079865600000061
其中，P为图斑面积；a为椭球长半轴(单位：米)；b为椭球短半轴(单位：米)，e2＝(a2-b2)/a2；T为图幅东西图廓的经度差(单位：分)；B1、B2分别为图幅南北图廓的纬度，(B2-B1)为图幅南北图廓的纬度差(单位：弧度)；Bm＝(B1+B2)/2；
Figure BDA0003079865600000062
e2＝(a2-b2)/a2。
接着，利用Arcgis平台中的Feature to point工具，将计算结果进行面转点处理，同时计算结果保留图斑面积属性，获得疑似水面漂浮物点状图层。
步骤4、基于步骤3计算所得的各疑似水面漂浮物图斑的面积，按照公式
Figure BDA0003079865600000071
计算疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs。其中，r为搜索半径，依据内陆水域船体、桥梁、裸露岛礁等地物尺寸大小，通过实验对比分析，当搜索半径r确定为100米时，效果最佳；i是输入点，Wi为点i所在的水面漂浮物图斑的面积，图斑面积越大则其权重也越大，计算结果值也将越大，将图斑面积作为权重是筛选出船体、桥梁、水面岛礁的关键；Di为点i和搜索半径内的任一点(x，y)之间的距离，Wmax为搜索半径范围内水面漂浮物图斑的最大面积，
Figure BDA0003079865600000072
的值越大则图斑面积较为接近，反之，则图斑面积差异较大；
一般的，疑似水面漂浮物本体或其附近图形面积越大、集聚越密集，则Pzs值越大，反之则越小，因此，通过步骤3对疑似水面漂浮物图斑的面积的计算，再加上步骤4基于图斑面积的非水面漂浮物特征值Pzs的计算，能够根据Pzs值的大小可以筛选出误判的疑似水面漂浮物图斑，进而达到批量筛选出误判图斑的目的。
步骤5、根据疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs，剔除误判图斑，提取出水面漂浮物识别结果，具体过程为：
步骤5.1、采用自然断裂法对疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs进行断裂分级，提取不小于预设阈值的非水面漂浮物特征值数据(本实施例中所述预设阈值的取值为366.54)；
步骤5.2、将提取出的非水面漂浮物特征值数据进行栅格转矢量处理，得到矢量范围图斑；
步骤5.3、删除矢量范围图斑内的误判的疑似水面漂浮物图斑，获取水面漂浮物识别结果。
步骤5通过自然断裂法对各点的非水面漂浮物特征值Pzs进行断裂分级，将疑似水面漂浮物图斑中大于等于预设阈值的图斑进行删除，实现了批量删选、批量删除误判图斑的目的。
对水面漂浮物图斑提取结果进行精度验证：选取约20平方公里水面遥感影像，采用以上发明方法，进行水面漂浮物图斑识别提取，共识别提取出74028个水面漂浮物图斑，如图2所示，通过人工逐一检验，其中漏提取或错误提取图斑855个，水面漂浮物识别提取准确率为98.85％，可见本实施例所述方法很好的实现了本发明的发明目的。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于包括以下步骤：
步骤1、获取水面范围内遥感影像；
步骤2、对水面范围内遥感影像进行地物分类，筛选出疑似水面漂浮物图斑并导出，获得疑似水面漂浮物面状图层；
步骤3、计算疑似水面漂浮物面状图层中各疑似水面漂浮物图斑的面积，并将计算结果进行面转点处理，获得疑似水面漂浮物点状图层；
步骤4、按照公式
Figure FDA0003079865590000011
计算疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs，其中，r为搜索半径，Wi为点i所在的疑似水面漂浮物图斑的面积，Di为点i和搜索半径内的任一点(x，y)之间的距离，Wmax为搜索半径范围内疑似水面漂浮物图斑的最大面积；
步骤5、根据疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs，剔除误判图斑，提取出水面漂浮物识别结果。
2.根据权利要求1所述的矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于：步骤1中水面范围内的遥感影像的获取过程为：
使用水面范围矢量图层作为掩膜，对空间分辨率为0.2米的高分辨率遥感影像进行处理，提取出所需的水面范围内的遥感影像。
3.根据权利要求1所述的矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于：步骤2中所述疑似水面漂浮物面状图层的获得过程具体如下：
步骤2.1、建立遥感影像解译标识；
步骤2.2、依据遥感影像解译标识对水面范围内遥感影像进行分类计算，得到水面范围内遥感影像的地物分类结果；
步骤2.3、采用双边界搜索算法对水面范围内遥感影像的地物分类结果进行栅格转矢量处理，并保留地物分类属性；
步骤2.4、根据地物分类属性，筛选出疑似水面漂浮物的图斑，并导出为新的矢量图层，即获得所述疑似水面漂浮物面状图层。
4.根据权利要求3所述的矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于：步骤2.2中对水面范围内遥感影像进行分类计算的计算公式为：
Figure FDA0003079865590000021
其中，F(x)是目标函数；x是n维空间中的一个向量；k是n维特征向量之间的协方差矩阵；wi是由每一维特征的均值组成的一个向量。
5.根据权利要求3或4所述的矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于：所述遥感影像解译标识包括船舶、裸露岛礁、桥梁、电线电缆、水面漂浮物。
6.根据权利要求1所述的矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于：步骤3中疑似水面漂浮物图斑的面积的计算公式为：
Figure FDA0003079865590000022
其中，P为图斑面积；a为椭球长半轴；b为椭球短半轴；T为图幅东西图廓的经度差；B1、B2分别为图幅南北图廓的纬度，(B2-B1)为图幅南北图廓的纬度差；Bm＝(B1+B2)/2；
Figure FDA0003079865590000031
e2＝(a2-b2)/a2。
7.根据权利要求1所述的矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于：步骤5中提取出水面漂浮物识别结果的具体过程为：
步骤5.1、采用自然断裂法对疑似水面漂浮物点状图层中各点的非水面漂浮物特征值Pzs进行断裂分级，提取不小于预设阈值的数据；
步骤5.2、将提取出的数据进行栅格转矢量处理，得到矢量范围图斑；
步骤5.3、删除矢量范围图斑内的误判的疑似水面漂浮物图斑，获取水面漂浮物识别结果。
8.根据权利要求7所述的矢栅结合的内陆水面漂浮物批量识别提取方法，其特征在于：所述预设阈值的取值为366.54。
CN202110563234.7A 2021-05-24 2021-05-24 一种矢栅结合的内陆水面漂浮物批量识别提取方法 Active CN113240026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110563234.7A CN113240026B (zh) 2021-05-24 2021-05-24 一种矢栅结合的内陆水面漂浮物批量识别提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110563234.7A CN113240026B (zh) 2021-05-24 2021-05-24 一种矢栅结合的内陆水面漂浮物批量识别提取方法

Publications (2)

Publication Number Publication Date
CN113240026A true CN113240026A (zh) 2021-08-10
CN113240026B CN113240026B (zh) 2022-03-25

Family

ID=77138383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110563234.7A Active CN113240026B (zh) 2021-05-24 2021-05-24 一种矢栅结合的内陆水面漂浮物批量识别提取方法

Country Status (1)

Country Link
CN (1) CN113240026B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1854757A (zh) * 2005-04-28 2006-11-01 中国科学院遥感应用研究所 遥感影像群判读***方法
US20080175434A1 (en) * 2007-01-18 2008-07-24 Northrop Grumman Systems Corporation Automatic target recognition system for detection and classification of objects in water
CN102004922A (zh) * 2010-12-01 2011-04-06 南京大学 基于骨架特征的高分辨率遥感影像飞机提取方法
CN104992140A (zh) * 2015-05-27 2015-10-21 上海海事大学 一种基于遥感图像的海面异常漂浮物检测方法
CN108388916A (zh) * 2018-02-26 2018-08-10 武汉大学 一种基于人工智能的水体漂浮物自动识别方法和***
US10055648B1 (en) * 2015-04-16 2018-08-21 Bae Systems Information And Electronic Systems Integration Inc. Detection, classification, and tracking of surface contacts for maritime assets
CN108846402A (zh) * 2018-05-25 2018-11-20 南京师范大学 基于多源数据的梯田田坎自动化提取方法
CN109214270A (zh) * 2018-07-13 2019-01-15 中国地质调查局南京地质调查中心 基于无人机影像的疑似违法违规用地信息快速提取方法
CN109636758A (zh) * 2018-12-15 2019-04-16 四创科技有限公司 一种基于时空动态算子的水面漂浮物检测方法
CN110147779A (zh) * 2019-05-27 2019-08-20 宁夏云图勘测规划有限公司 一种遥感影像城市建筑物功能分类的方法
CN110188632A (zh) * 2019-05-14 2019-08-30 苏州嘉奕晟中小企业科技咨询有限公司 一种用地信息普查数据处理***
CN110414334A (zh) * 2019-06-20 2019-11-05 浙江大学 一种基于无人机巡视的智能水质识别方法
CN110473205A (zh) * 2019-07-10 2019-11-19 北京吉威数源信息技术有限公司 基于矢栅模型的遥感影像信息提取方法和***
CN110956101A (zh) * 2019-11-19 2020-04-03 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
CN111079724A (zh) * 2020-03-25 2020-04-28 速度时空信息科技股份有限公司 一种基于无人机的海漂垃圾识别方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1854757A (zh) * 2005-04-28 2006-11-01 中国科学院遥感应用研究所 遥感影像群判读***方法
US20080175434A1 (en) * 2007-01-18 2008-07-24 Northrop Grumman Systems Corporation Automatic target recognition system for detection and classification of objects in water
CN102004922A (zh) * 2010-12-01 2011-04-06 南京大学 基于骨架特征的高分辨率遥感影像飞机提取方法
US10055648B1 (en) * 2015-04-16 2018-08-21 Bae Systems Information And Electronic Systems Integration Inc. Detection, classification, and tracking of surface contacts for maritime assets
CN104992140A (zh) * 2015-05-27 2015-10-21 上海海事大学 一种基于遥感图像的海面异常漂浮物检测方法
CN108388916A (zh) * 2018-02-26 2018-08-10 武汉大学 一种基于人工智能的水体漂浮物自动识别方法和***
CN108846402A (zh) * 2018-05-25 2018-11-20 南京师范大学 基于多源数据的梯田田坎自动化提取方法
CN109214270A (zh) * 2018-07-13 2019-01-15 中国地质调查局南京地质调查中心 基于无人机影像的疑似违法违规用地信息快速提取方法
CN109636758A (zh) * 2018-12-15 2019-04-16 四创科技有限公司 一种基于时空动态算子的水面漂浮物检测方法
CN110188632A (zh) * 2019-05-14 2019-08-30 苏州嘉奕晟中小企业科技咨询有限公司 一种用地信息普查数据处理***
CN110147779A (zh) * 2019-05-27 2019-08-20 宁夏云图勘测规划有限公司 一种遥感影像城市建筑物功能分类的方法
CN110414334A (zh) * 2019-06-20 2019-11-05 浙江大学 一种基于无人机巡视的智能水质识别方法
CN110473205A (zh) * 2019-07-10 2019-11-19 北京吉威数源信息技术有限公司 基于矢栅模型的遥感影像信息提取方法和***
CN110956101A (zh) * 2019-11-19 2020-04-03 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
CN111079724A (zh) * 2020-03-25 2020-04-28 速度时空信息科技股份有限公司 一种基于无人机的海漂垃圾识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐小敏等: "基于SSD深度网络的河道漂浮物检测技术研究", 《计算机技术与发展》 *
李语旻 等: "一种改进SLIC分割的多尺度面向对象CVA遥感影像变化检测方法", 《甘肃科学学报》 *

Also Published As

Publication number Publication date
CN113240026B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN109583369B (zh) 一种基于目标区域分割网络的目标识别方法及装置
CN111652149A (zh) 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN111476120B (zh) 一种无人机智能船舶水尺识别方法及装置
WO2023039959A1 (zh) 一种基于金字塔机制的遥感影像海洋与非海区域分割方法
CN112508079B (zh) 海洋锋面的精细化识别方法、***、设备、终端及应用
CN104992172B (zh) 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法
CN110751077B (zh) 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法
CN109284663A (zh) 一种基于正态和均匀混合分布模型的海面障碍物检测方法
Yang et al. Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images
Cai et al. Broken ice circumferential crack estimation via image techniques
CN112966558A (zh) 基于优化ssd目标检测模型的港口自动识别方法及***
CN113516657B (zh) 一种基于自适应权重的全极化sar影像海面溢油检测方法
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN113344148A (zh) 一种基于深度学习的海上舰船目标识别方法
CN113240026B (zh) 一种矢栅结合的内陆水面漂浮物批量识别提取方法
Zou et al. Maritime target detection of intelligent ship based on faster R-CNN
CN113538559A (zh) 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法
Zhang et al. FRS-Net: An efficient ship detection network for thin-cloud and FOG-covered high-resolution optical satellite imagery
CN112101250A (zh) 一种基于上下文语义感知的近岸舰船目标检测方法
CN111860534A (zh) 一种基于图像显著性分析的sar图像溢油检测方法
CN115797792A (zh) 一种基于距离顶角规则的黄海绿潮分布区及其漂移预测初始场制作方法
CN113780117B (zh) 一种快速识别并提取河口羽状流轮廓相关参数的方法
Wei et al. Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning
CN115909072A (zh) 一种基于改进YOLOv4算法的弹着点水柱检测方法
CN111639623B (zh) 结合空间距离约束的多尺度船企场景识别与提取方法

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