CN114627148B - 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 - Google Patents
一种基于微波遥感的海岸带养殖水体对象提取方法及装置 Download PDFInfo
- Publication number
- CN114627148B CN114627148B CN202110759078.1A CN202110759078A CN114627148B CN 114627148 B CN114627148 B CN 114627148B CN 202110759078 A CN202110759078 A CN 202110759078A CN 114627148 B CN114627148 B CN 114627148B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water body
- sensing image
- median
- sar
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 180
- 238000009360 aquaculture Methods 0.000 title claims abstract description 60
- 244000144974 aquaculture Species 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000873 masking effect Effects 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012258 culturing Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 2
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于微波遥感的海岸带养殖水体对象提取方法及装置,通过结合水体与非水体对象的后向散射特征,以及海岸带养殖水体在遥感影像上的形状特征来实现大规模海岸带区域养殖水体对象的遥感自动提取。
Description
技术领域
本发明涉及遥感与地理信息科学技术领域,尤其是指一种基于微波遥感的海岸带养殖水体对象提取方法及装置,可读储存介质及计算机控制***。
背景技术
利用遥感技术开展养殖水体对象提取是海岸带生态环境监测的重要研究方向。其检测效率和质量直接关系到后续水产养殖业的发展状况,但传统的海岸带生态环境监测是通过遥感目视解译,一般为人工检测,耗时耗力,为了提高测量精度和准度,解译人员需具备较强的专业知识和能力,且人工监测效率低,监测环境恶劣,容易受人员主观因素影响。因此通过研究相关算法和模型来实现海岸带养殖水体对象的遥感自动提取十分必要。光学遥感易受云雨天气影响,并且高分辨率光学遥感影像价格昂贵,获取难度较高,不适用于海岸带生态环境监测,因此需要开发一种易获取数据且可实现大规模水体自动提取的方法。
发明内容
针对上述背景技术中的问题,提供了一种基于微波遥感的海岸带养殖水体对象提取方法,可快速精确的通过结合水体与非水体对象的后向散射特征,以及养殖水体在遥感影像上的形状特征来实现大规模海岸带区域养殖水体对象的遥感自动提取。
本发明所述的一种基于微波遥感的海岸带养殖水体对象提取方法,包括:
S1获取多时相卫星传感器拍摄的合成孔径雷达遥感影像;
S2对所述合成孔径雷达遥感影像进行预处理;
S3获取所述合成孔径雷达遥感影像单位面积上的后向散射系数;
S4对所述后向散射系数求中位数,形成SAR中位数遥感影像;
S5获取GSHHG海岸线数据,以所述GSHHG海岸线数据对所述SAR中位数遥感影像进行陆海掩膜;
S6获取SRTM DEM数据,对经过陆海掩膜的SAR中位数遥感影像进行地形掩膜;
S7对经过地形掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像;
S8采用连通域标记算法对所述二进制影像进行水体对象和非水体对象分割;
S9基于光学遥感影像海岸带养殖水体对象样本,对所述二进制影像的海岸带养殖水体对象自动提取。
本发明通过本发明通过通过结合水体与非水体对象的后向散射特征,以及养殖水体在遥感影像上的形状特征来实现大规模海岸带区域养殖水体对象的遥感自动提取,提高了基于微波遥感的海岸带养殖水体对象提取效率和精度,且准确率高,速度快,实时性好。
具体地,对所述合成孔径雷达遥感影像进行预处理包括:影像配准、斑点滤波、地理编码和辐射定标。
进一步地,所述后向散射系数为单位面积上的雷达回波信号强度,以分贝为单位表示大小,水体像元在遥感影像中呈现低后向散射系数,非水体像元在遥感影像中呈现高后向散射系数。
具体地,对所述后向散射系数求中位数,形成SAR中位数遥感影像的步骤包括:下载覆盖同一海岸带区域的多时相哨兵1号合成孔径雷达遥感影像,预处理后得到各像元处后向散射系数,对每个像元的后向散射系数数值序列计算中位数,将多时相的合成孔径雷达遥感影像综合为一幅SAR中位数遥感影像。
具体地,对经过地形掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像的步骤包括:
用陆海掩膜排除SAR中位数遥感影像中属于海洋的像元,保留属于陆地的像元;用最大类间方差法划分影像中的水体像元和非水体像元,所述最大类间方差法如下式:
其中,μ1为掩膜后SAR中位数遥感影像中水体像元的平均值,μ0为掩膜后SAR中位数遥感影像中非水体像元的平均值,μ为整幅SAR中位数遥感影像的像元平均值,σ2为像元方差,是SAR中位数遥感影像的所有像元值的集合的方差,w1为SAR中位数遥感影像的水体像元的丰度,w0为SAR中位数遥感影像的非水体像元的丰度,threshold为水体像元和非水体像元的划分阈值;
对各像元值与所述划分阈值比较大小,像元值大于划分阈值的为水体像元,赋值为1,像元值小于划分阈值的为非水体像元,赋值为0,将SAR中位数遥感影像转换为二进制影像。
进一步地,采用连通域标记算法对所述二进制影像进行水体对象和非水体对象分割的步骤包括:
对所述二进制影像分割出水体对象和非水体对象;
获取所述水体对象的周长、面积和最小外接矩形面积;
计算海岸带养殖水体对象区分指标:
其中,P为水体对象周长、A为水体对象面积、ER为范围比、SI为形状指数、P2A为紧凑度,Ambr为水体对象的最小外接矩形面积;
进一步地,基于光学遥感影像海岸带养殖水体对象样本,对所述二进制影像的海岸带养殖水体对象自动提取,其步骤包括:获取高分二号的高分辨率光学遥感影像,在光学遥感影像上通过人工标记构建海岸带养殖水体对象的样本数据集,基于海岸带养殖水体对象的周长、面积、范围比、形状指数、紧凑度的阈值范围,在二进制影像上实现海岸带养殖水体对象的自动提取。
本发明还提供一种基于微波遥感的海岸带养殖水体对象提取装置,包括:
用于获取多时相卫星传感器拍摄的合成孔径雷达遥感影像的装置;
用于对所述合成孔径雷达遥感影像进行预处理的装置;
用于获取所述合成孔径雷达遥感影像单位面积上的后向散射系数的装置;
用于对所述后向散射系数求中位数,形成SAR中位数遥感影像的装置;
用于获取GSHHG海岸线数据,以所述GSHHG海岸线数据对所述SAR中位数遥感影像进行陆海掩膜的装置;
用于对经过陆海掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像的装置;
用于采用连通域标记算法对所述二进制影像进行水体对象和非水体对象分割的装置;
用于基于光学遥感影像海岸带养殖水体对象样本,对所述二进制影像的海岸带养殖水体对象自动提取的装置。
进一步地,本发明还提供一种可读储存介质,其上储存有控制程序,其特征在于:该控制程序被处理器执行时实现如上述任意一项所述的基于微波遥感的海岸带养殖水体对象提取方法。
进一步地,本发明还提供一种计算机控制***,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序,其特征在于:所述处理器执行所述控制程序时实现如上述任意一项所述的基于微波遥感的海岸带养殖水体对象提取方法。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明实施例的一种基于微波遥感的海岸带养殖水体对象提取方法总流程图。
图2为本发明实施例的细节流程图。
具体实施方式
请参阅图1和图2,其为本发明实施例的一种基于微波遥感的海岸带养殖水体对象提取方法流程图。
本发明所述的一种基于微波遥感的海岸带养殖水体对象提取方法,包括:
S1获取多时相卫星传感器拍摄的合成孔径雷达遥感影像;
S2对所述合成孔径雷达遥感影像进行预处理;
S3获取所述合成孔径雷达遥感影像单位面积上的后向散射系数;
S4对所述后向散射系数求中位数,形成SAR中位数遥感影像;
S5获取GSHHG海岸线数据,以所述GSHHG海岸线数据对所述SAR中位数遥感影像进行陆海掩膜;
S6获取SRTM DEM数据,对经过陆海掩膜的SAR中位数遥感影像进行地形掩膜;
S7对经过地形掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像;
S8采用连通域标记算法对所述二进制影像进行水体对象和非水体对象分割;
S9基于光学遥感影像海岸带养殖水体对象样本,对所述二进制影像的海岸带养殖水体对象自动提取。
本发明通过通过结合水体与非水体对象的后向散射特征,以及养殖水体在遥感影像上的形状特征来实现大规模海岸带区域养殖水体对象的遥感自动提取,提高了基于微波遥感的海岸带养殖水体对象提取效率和精度,且准确率高,速度快,实时性好。
在本发明的实施例中,下载覆盖同一海岸带区域的多时相哨兵1号合成孔径雷达遥感影像,养殖水体不会随时间时常动态变化,本实施例选用多时相遥感影像是为了获取SAR中位数影像,让水体对象在影像上表现的更清晰。对所述合成孔径雷达遥感影像进行预处理,包括:影像配准、斑点滤波、地理编码和辐射定标。
预处理后得到各像元处后向散射系数,所述后向散射系数为单位面积上的雷达回波信号强度,以分贝为单位表示大小,水体在合成孔径雷达遥感影像呈现低后向散射系数,非水体在合成孔径雷达遥感影像呈现高后向散射系数。
对每个像元的后向散射系数数值序列计算中位数,将多时相的合成孔径雷达遥感影像综合为一幅SAR中位数遥感影像。
获取GSHHG海岸线数据,以所述GSHHG海岸线数据对所述SAR中位数遥感影像进行陆海掩膜;GSHHG(A Global Self-consistent,Hierarchical,High-resolutionGeography Database)是一种全球高分辨率海岸线数据,可开源免费下载。本发明是基于开源免费的哨兵1号SAR遥感影像,在数据易获取的前提下即可实现大规模养殖水体的自动提取。
获取SRTM DEM数据,对经过陆海掩膜的SAR中位数遥感影像进行地形掩膜;SRTM(Shuttle Radar Topography Mission),是一种全球高分辨率的数字高程数据,可开源免费下载。通过SRTM DEM数据计算得到各像元处的高程和坡度,进行地形掩膜。
对经过地形掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像的步骤包括:
用陆海掩膜排除SAR中位数遥感影像中属于海洋的像元,保留属于陆地的像元;用最大类间方差法划分影像中的水体像元和非水体像元,所述最大类间
方差法如下式:
其中,μ1为掩膜后SAR中位数遥感影像中水体像元的平均值,μ0为掩膜后SAR中位数遥感影像中非水体像元的平均值,μ为整幅SAR中位数遥感影像的像元平均值,σ2为像元方差,是SAR中位数遥感影像的所有像元值的集合的方差,w1为SAR中位数遥感影像的水体像元的丰度,w0为SAR中位数遥感影像的非水体像元的丰度,threshold为水体像元和非水体像元的划分阈值;
对SAR中位数遥感影像中各像元值与所述划分阈值比较大小,像元值大于划分阈值的为水体像元,赋值为1,像元值小于划分阈值的为非水体像元,赋值为0,将SAR中位数遥感影像转换为二进制影像。转换为二进制影像是为了方便后续的影像分割操作。
进一步地,采用连通域标记算法对所述二进制影像进行水体对象和非水体对象分割:
对所述二进制影像分割出水体对象和非水体对象;
获取所述水体对象的周长、面积和最小外接矩形面积;
计算海岸带养殖水体对象区分指标:
其中,P为水体对象周长、A为水体对象面积、ER为范围比、SI为形状指数、P2A为紧凑度,Ambr为水体对象的最小外接矩形面积;
为避免外界条件对养殖水体对象提取结果的影响,先获取高分二号的高分辨率光学遥感影像,在光学遥感影像上通过人工标记构建海岸带养殖水体对象的样本数据集,获取海岸带养殖水体对象的周长、面积、范围比、形状指数、紧凑度的阈值范围,以阈值范围在二进制影像的水体对象和非水体对象分割影像上实现海岸带养殖水体对象的自动提取。连通域标记算法通过对二进制影像中水体像元的标记,让每个单独的连通区域形成一个被标识的水体对象,进一步的就可以获取这些水体对象的周长、面积、范围比等指标参数。以这些指标参数作为参考,对水体与非水体对象分割影像提取养殖水体对象结果。
海岸带区域水体对象提取技术是当前计算机视觉领域非常前沿的研究方向。随着计算机技术及信息处理技术的发展,其应用越来越广泛,涉及军事、国防、工业、医疗、农业等众多领域,由于其广泛的应用前景和潜在的经济价值,水体对象提取已经成为一项重要的技术。本发明提出的一种基于微波遥感的海岸带养殖水体对象提取方法,可以快速精确的利用开源免费的SAR遥感影像数据开展大规模养殖水体的自动提取,并且可保证提取结果的精确性,从而有利于摸清水产养殖业的发展状况,明晰其对海岸带水域的占用程度。
现有技术中遥感影像人工目视解译费时费力,而高分辨率光学遥感影像受云雪天气影响较大,数据较难获取。而本发明采用的SAR遥感技术具备穿透力强,可全天时全天候观测的优势,水体在SAR遥感影像呈现出低后向散射系数,非水体则呈现出高后向散射系数,因此选择将SAR影像用于区分水体和非水体对象。本专利的创新点在于利用可开源免费获取的哨兵1号多时相SAR影像,通过结合水体与非水体对象的后向散射特征,以及养殖水体在遥感影像上的形状特征来实现大规模海岸带区域养殖水体对象的遥感自动提取,因此适用性更广。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也一同包含这些改动和变形。
Claims (7)
1.一种基于微波遥感的海岸带养殖水体对象提取方法,包括:
获取多时相卫星传感器拍摄的合成孔径雷达遥感影像;
对所述合成孔径雷达遥感影像进行预处理;
获取所述合成孔径雷达遥感影像单位面积上的后向散射系数;
对所述后向散射系数求中位数,形成SAR中位数遥感影像,包括下载覆盖同一海岸带区域的多时相哨兵1号合成孔径雷达遥感影像,预处理后得到各像元处后向散射系数,对每个像元的后向散射系数数值序列计算中位数,将多时相的合成孔径雷达遥感影像综合为一幅SAR中位数遥感影像;
获取GSHHG海岸线数据,以所述GSHHG海岸线数据对所述SAR中位数遥感影像进行陆海掩膜;
获取SRTM DEM数据,对经过陆海掩膜的SAR中位数遥感影像进行地形掩膜;
对经过地形掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像;
采用连通域标记算法对所述二进制影像进行水体对象和非水体对象分割,包括对所述二进制影像分割出水体对象和非水体对象;获取所述水体对象的周长、面积和最小外接矩形面积;计算海岸带养殖水体对象区分指标:
其中,P为水体对象周长、A为水体对象面积、ER为范围比、SI为形状指数、P2A为紧凑度,Ambr为水体对象的最小外接矩形面积;
基于光学遥感影像海岸带养殖水体对象样本,对所述二进制影像的海岸带养殖水体对象自动提取,包括获取高分二号的高分辨率光学遥感影像,在光学遥感影像上通过人工标记构建海岸带养殖水体对象的样本数据集,基于海岸带养殖水体对象的周长、面积、范围比、形状指数、紧凑度的阈值范围,在二进制影像上实现海岸带养殖水体对象的自动提取。
2.根据权利要求1所述的一种基于微波遥感的海岸带养殖水体对象提取方法,其特征在于:对所述合成孔径雷达遥感影像进行预处理包括:影像配准、斑点滤波、地理编码和辐射定标。
3.根据权利要求1所述的一种基于微波遥感的海岸带养殖水体对象提取方法,其特征在于:所述后向散射系数为单位面积上的雷达回波信号强度,以分贝为单位表示大小,水体像元在遥感影像中呈现低后向散射系数,非水体像元在遥感影像中呈现高后向散射系数。
4.根据权利要求1所述的一种基于微波遥感的海岸带养殖水体对象提取方法,其特征在于,对经过地形掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像的步骤包括:
用陆海掩膜排除SAR中位数遥感影像中属于海洋的像元,保留属于陆地的像元;用最大类间方差法划分影像中的水体像元和非水体像元,所述最大类间方差法如下式:
其中,μ1为掩膜后SAR中位数遥感影像中水体像元的平均值,μ0为掩膜后SAR中位数遥感影像中非水体像元的平均值,μ为整幅SAR中位数遥感影像的像元平均值,σ2为像元方差,是SAR中位数遥感影像的所有像元值的集合的方差,w1为SAR中位数遥感影像的水体像元的丰度,w0为SAR中位数遥感影像的非水体像元的丰度,threshold为水体像元和非水体像元的划分阈值;
对各像元值与所述划分阈值比较大小,像元值大于划分阈值的为水体像元,赋值为1,像元值小于划分阈值的为非水体像元,赋值为0,将SAR中位数遥感影像转换为二进制影像。
5.一种基于微波遥感的海岸带养殖水体对象提取装置,包括:
用于获取多时相卫星传感器拍摄的合成孔径雷达遥感影像的装置;
用于对所述合成孔径雷达遥感影像进行预处理的装置;
用于获取所述合成孔径雷达遥感影像单位面积上的后向散射系数的装置;
用于对所述后向散射系数求中位数,形成SAR中位数遥感影像,包括下载覆盖同一海岸带区域的多时相哨兵1号合成孔径雷达遥感影像,预处理后得到各像元处后向散射系数,对每个像元的后向散射系数数值序列计算中位数,将多时相的合成孔径雷达遥感影像综合为一幅SAR中位数遥感影像的装置;
用于获取GSHHG海岸线数据,以所述GSHHG海岸线数据对所述SAR中位数遥感影像进行陆海掩膜的装置;
用于获取SRTM DEM数据,对经过陆海掩膜的SAR中位数遥感影像进行地形掩膜的装置;
用于对经过地形掩膜的SAR中位数遥感影像划分水体像元和非水体像元,将SAR中位数遥感影像转换为二进制影像的装置;
用于采用连通域标记算法对所述二进制影像进行水体对象和非水体对象分割,包括对所述二进制影像分割出水体对象和非水体对象;获取所述水体对象的周长、面积和最小外接矩形面积;计算海岸带养殖水体对象区分指标:
其中,P为水体对象周长、A为水体对象面积、ER为范围比、SI为形状指数、P2A为紧凑度,Ambr为水体对象的最小外接矩形面积的装置;
用于基于光学遥感影像海岸带养殖水体对象样本,对所述二进制影像的海岸带养殖水体对象自动提取,包括获取高分二号的高分辨率光学遥感影像,在光学遥感影像上通过人工标记构建海岸带养殖水体对象的样本数据集,基于海岸带养殖水体对象的周长、面积、范围比、形状指数、紧凑度的阈值范围,在二进制影像上实现海岸带养殖水体对象的自动提取的装置。
6.一种可读储存介质,其上储存有控制程序,其特征在于:该控制程序被处理器执行时实现如权利要求1至4任意一项所述的基于微波遥感的海岸带养殖水体对象提取方法。
7.一种计算机控制***,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序,其特征在于:所述处理器执行所述控制程序时实现如权利要求1至4任意一项所述的基于微波遥感的海岸带养殖水体对象提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759078.1A CN114627148B (zh) | 2021-07-05 | 2021-07-05 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759078.1A CN114627148B (zh) | 2021-07-05 | 2021-07-05 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627148A CN114627148A (zh) | 2022-06-14 |
CN114627148B true CN114627148B (zh) | 2024-01-02 |
Family
ID=81897322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110759078.1A Active CN114627148B (zh) | 2021-07-05 | 2021-07-05 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627148B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004037339A (ja) * | 2002-07-05 | 2004-02-05 | Mitsubishi Materials Natural Resources Development Corp | 森林のバイオマスの定量計測法 |
CN101561503A (zh) * | 2008-04-17 | 2009-10-21 | 电子科技大学 | 一种双站线阵三维成像合成孔径雷达快速成像方法 |
CN104008552A (zh) * | 2014-06-16 | 2014-08-27 | 南京大学 | 基于动态时间弯曲的时序sar影像耕地提取方法 |
CN107507200A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 |
CN109919870A (zh) * | 2019-03-05 | 2019-06-21 | 西安电子科技大学 | 一种基于bm3d的sar图像相干斑抑制方法 |
CN110688923A (zh) * | 2019-09-19 | 2020-01-14 | 中国电子科技集团公司第二十九研究所 | 一种基于哨兵1a sar数据的城市内涝风险区提取方法 |
WO2020025984A1 (en) * | 2018-08-01 | 2020-02-06 | Pantazis Alexandros | Method of use of a lidar device and operatively associated lidar data processing unit for providing real-time monitoring of meteorological parameters |
CN111160151A (zh) * | 2019-12-16 | 2020-05-15 | 广州地理研究所 | 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 |
CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
CN113009485A (zh) * | 2021-03-10 | 2021-06-22 | 安徽皖南烟叶有限责任公司 | 一种基于改进植被指数的遥感烟田识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003149332A (ja) * | 2001-11-07 | 2003-05-21 | Communication Research Laboratory | 海氷の観測方法 |
-
2021
- 2021-07-05 CN CN202110759078.1A patent/CN114627148B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004037339A (ja) * | 2002-07-05 | 2004-02-05 | Mitsubishi Materials Natural Resources Development Corp | 森林のバイオマスの定量計測法 |
CN101561503A (zh) * | 2008-04-17 | 2009-10-21 | 电子科技大学 | 一种双站线阵三维成像合成孔径雷达快速成像方法 |
CN104008552A (zh) * | 2014-06-16 | 2014-08-27 | 南京大学 | 基于动态时间弯曲的时序sar影像耕地提取方法 |
CN107507200A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 |
WO2020025984A1 (en) * | 2018-08-01 | 2020-02-06 | Pantazis Alexandros | Method of use of a lidar device and operatively associated lidar data processing unit for providing real-time monitoring of meteorological parameters |
CN109919870A (zh) * | 2019-03-05 | 2019-06-21 | 西安电子科技大学 | 一种基于bm3d的sar图像相干斑抑制方法 |
CN110688923A (zh) * | 2019-09-19 | 2020-01-14 | 中国电子科技集团公司第二十九研究所 | 一种基于哨兵1a sar数据的城市内涝风险区提取方法 |
CN111160151A (zh) * | 2019-12-16 | 2020-05-15 | 广州地理研究所 | 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 |
CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
CN113009485A (zh) * | 2021-03-10 | 2021-06-22 | 安徽皖南烟叶有限责任公司 | 一种基于改进植被指数的遥感烟田识别方法 |
Non-Patent Citations (2)
Title |
---|
Multi-temporal, multi-frequency, and multi-polarization coherence and SAR backscatter analysis of wetlands;Fariba Mohammadimanesh, Bahram Salehi , Masoud Mahdianpari , Brian Brisco , Mahdi Motagh;《ISPRS Journal of Photogrammetry and Remote Sensing》;78-93页 * |
遥感影像水体提取研究综述;苏龙飞、李振轩、高飞、余敏;《自然资源遥感》;9-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114627148A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karvonen | Baltic sea ice concentration estimation using SENTINEL-1 SAR and AMSR2 microwave radiometer data | |
Liu et al. | Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters | |
Sekertekin et al. | Index-based identification of surface water resources using Sentinel-2 satellite imagery | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
Li et al. | Dynamic waterline mapping of inland great lakes using time-series SAR data from GF-3 and S-1A satellites: A case study of DJK reservoir, China | |
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 | |
CN115063437B (zh) | 一种红树林冠层可见光图像指数特征分析方法及*** | |
Albanai et al. | Accuracy assessment for Landsat 8 thermal bands in measuring sea surface temperature over Kuwait and North West Arabian Gulf | |
CN114627148B (zh) | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 | |
CN117291942A (zh) | 一种卫星遥感陆表水体数据的海岸线提取方法 | |
Azhar et al. | A framework for multiscale intertidal sandflat mapping: A case study in the Whangateau estuary | |
Dou et al. | Spatio-temporal evolution of glacial lakes in the Tibetan Plateau over the past 30 years | |
Varshney et al. | Snow and cloud discrimination using convolutional neural networks | |
Zhou et al. | Automatic extraction of lakes on the Qinghai-Tibet Plateau from Sentinel-1 SAR images | |
Viana et al. | Shoreline extraction using unsupervised classification on Sentinel-2 imagery | |
CN110688990B (zh) | 一种水稻种植候选区确定方法 | |
CN113469104A (zh) | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 | |
CN113420780A (zh) | 一种遥感时空谱特征融合的养殖池提取方法 | |
Lefebvre et al. | Vineyard identification and characterization based on texture analysis in the helderberg basin (South Africa) | |
Papolu et al. | A Framework for Sea Breeze Front Detection from Coastal Regions of India Using Morphological Snake Algorithm | |
Teodoro et al. | Extraction of estuarine/coastal environmental bodies from satellite data through image segmentation techniques | |
Kaplan | Mapping three decades water changes in North Macedonia using remote sensing data |
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 |