Nothing Special   »   [go: up one dir, main page]

CN109508641A - 一种城市水体的识别方法、装置、储存介质及设备 - Google Patents

一种城市水体的识别方法、装置、储存介质及设备 Download PDF

Info

Publication number
CN109508641A
CN109508641A CN201811197394.9A CN201811197394A CN109508641A CN 109508641 A CN109508641 A CN 109508641A CN 201811197394 A CN201811197394 A CN 201811197394A CN 109508641 A CN109508641 A CN 109508641A
Authority
CN
China
Prior art keywords
image
water
gradient
water body
urban
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.)
Pending
Application number
CN201811197394.9A
Other languages
English (en)
Inventor
韩留生
周成虎
杨骥
李勇
杨传训
张晨
赵倩
王树详
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.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
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 Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201811197394.9A priority Critical patent/CN109508641A/zh
Publication of CN109508641A publication Critical patent/CN109508641A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/10—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
    • G06T7/60—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种城市水体的识别方法、装置、储存介质及设备，包括：获取待分析城市的多光谱图像；通过sobel算子计算多光谱图像的梯度，获得水体的梯度图像；计算水体的梯度图像的连通域，并获得各个连通域的连通面积；根据预设的连通面积阈值，获得初识别的水体图像；根据预设的长度阈值，识别出城市水体图像；对城市水体图像进行形态学膨胀与腐蚀处理，获得连续的城市水体图像。通过sobel算子计算梯度，从而根据水体纹理信息快速获得水体的梯度图像，结合连通面积阈值判断和长度阈值判断，从而准确识别出城市水体，再结合形态学膨胀与腐蚀的处理，从而在保留水体形状信息时，防止因地物阴影或者水体污染出现漏提取导致提取的水体图像出现断流的问题。

Description

一种城市水体的识别方法、装置、储存介质及设备
技术领域
本发明涉及水体识别领域，特别是涉及一种城市水体的识别方法、装置、储存介质及设备。
背景技术
地表水体作为水资源的主要组成部分，对其分布、调查、治理、规划和监测也具有重要意义。发明人在开展本发明的发明创造中发现，对地表水体的研究主要集中在如长江、湖泊等较大面积的地表水体的研究，但是，实质上，除了上述较大面积的地表水体之外，还有分布在城市各个区域内的比较细小的城市水体，如引水渠、排洪渠等，这些城市水体与人们的生活和生产息息相关，如何识别这些城市水体显得尤为重要。
发明内容
基于此，本发明的目的在于，提供一种城市水体的识别方法，其具有可实现对城市水体的快速识别的优点。
一种城市水体的识别方法，包括如下步骤：
获取待分析城市的多光谱图像；
通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像；
计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积；
根据预设的连通面积阈值，获得初识别的水体图像；
根据预设的长度阈值，从初识别的水体图像中识别出城市水体图像；
对所述城市水体图像进行形态学膨胀与腐蚀处理，获得连续的城市水体图像。
通过对待分析的多光谱图像进行sobel算子计算梯度，从而根据水体纹理信息快速获得水体的梯度图像，结合连通面积阈值判断和长度阈值判断，从而准确识别出城市水体，再结合形态学膨胀与腐蚀的处理，从而可在保留水体形状信息时，防止因地物阴影或者水体污染出现漏提取导致提取的水体图像出现断流的问题，进而实现了城市水体的快速准确识别。
进一步地，所述多光谱图像为通过无人机光谱摄像装置对待分析城市拍摄的图像。
进一步地，所述多光谱图像为通过无人机光谱摄像装置中的绿光通道和红光通道获取的图像，以快速将城市水体与其他地物信息进行区分。
进一步地，所述通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像的步骤，包括：通过sobel算子计算所述多光谱图像的梯度，获得所述多光谱图像中各地物的边缘平滑度；将边缘平滑度达到预设的平滑阈值的图像，作为水体的梯度图像，以区分水体和其他地物。
进一步地，所述计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积的步骤，包括：对所述水体的梯度图像采用8领域连通域计算方式，将水体的梯度图像划分成多个连通域；通过直方图法统计各个连通域的面积，获得各个连通域的连通面积。
本发明还提供一种城市水体的识别装置，包括：
获取模块，用于获取待分析城市的多光谱图像；
水体的梯度图像计算模块，用于通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像；
连通域计算模块，用于计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积；
初识别水体图像获取模块，用于根据预设的连通面积阈值，获得初识别的水体图像；
城市水体识别图像，用于根据预设的长度阈值，从初识别的水体图像中识别出城市水体图像；
连续水体图像获取模块，用于对所述城市水体图像进行形态学膨胀与腐蚀处理，获得连续的城市水体图像。
通过对待分析的多光谱图像进行sobel算子计算梯度，从而根据水体纹理信息快速获得水体的梯度图像，结合连通面积阈值判断和长度阈值判断，从而准确识别出城市水体，再结合形态学膨胀与腐蚀的处理，从而可在保留水体形状信息时，防止因地物阴影或者水体污染出现漏提取导致提取的水体图像出现断流的问题，进而实现了城市水体的快速准确识别。
本发明还提供一种计算机可读储存介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述城市水体的识别方法的步骤。
本发明还提供一种计算机设备，其特征在于，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计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述城市水体的识别方法的步骤。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明实施例中城市水体的识别方法的流程图。
具体实施方式
请参阅图1，其为本发明实施例中城市水体的识别方法的流程图。所述城市水体的识别方法，包括如下步骤：
步骤S1：获取待分析城市的多光谱图像。
在一个实施例中，所述多光谱图像可为通过无人机光谱摄像装置对待分析城市拍摄的图像。
步骤S2：通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像。
在一个实施例中，索贝尔算子(Sobel operator，简称“sobel算子”)为把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值，从而获得所述多光谱图像的边缘平滑度，再根据所述平滑度而获得水体的梯度图像。
步骤S3：计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积。
步骤S4：根据预设的连通面积阈值，获得初识别的水体图像。
在一个实施例中，所述连通面积阈值设置为40-60个像元，即若连通域的连通面积满足预设的连通面积阈值，则所述连通域为初识别的水体图像；若连通域的连通面积不满足预设的连通面积阈值，则所述连通域不是初识别的水体图像。优选的，所述连通面积阈值设置为50个像元。
步骤S5：根据预设的长度阈值，从初识别的水体图像中识别出城市水体图像。
在一个实施例中，本发明研究的城市水体为长度在1500m以上的细小水体，因此，为识别出目标水体，所述长度阈值设置为40-60个像元，即若初识别的水体图像中的水体长度满足预设长度阈值，则为城市水体图像；若初识别的水体图像中的水体长度不满足预设长度阈值，则不是为城市水体图像。优选的，所述长度阈值设置为50个像元。
步骤S6：对所述城市水体图像进行形态学膨胀与腐蚀处理，获得连续的城市水体图像。
所述形态学膨胀为通过将待提取的水体图像与预设的模板图像进行卷积计算，从获取局部最大值，再把该局部最大值赋值给预设的模板图像上定义的参考点指定的像素，从而使待提取的水体图像中的高亮区域逐渐增长。所述形态学腐蚀为通过将待提取的水体图像与预设的模板图像进行卷积计算，从获取局部最小值，再把该局部最小值赋值给预设的模板图像上定义的参考点指定的像素，从而使待提取的水体图像中的高亮区域逐渐变短。通过对提取的水体图像进行形态学膨胀与腐蚀的处理，从而消除噪声，将图像中相邻的元素进行连接，从而可在保留水体形状信息时，，防止因地物阴影或者水体污染出现漏提取导致提取的水体图像出现断流的问题。
通过对待分析的多光谱图像进行sobel算子计算梯度，从而根据水体纹理信息快速获得水体的梯度图像，结合连通面积阈值判断和长度阈值判断，从而准确识别出城市水体，再结合形态学膨胀与腐蚀的处理，从而可在保留水体形状信息时，防止因地物阴影或者水体污染出现漏提取导致提取的水体图像出现断流的问题，进而实现了城市水体的快速准确识别。
在一个实施例中，本发明研究的城市水体为长度在1500m以上的细小水体，这些城市细小水体容易被污染而发黑发臭，进而容易与道路阴影相互混淆，从而导致难以识别出这些城市水体。发明人在进行发明创造的过程中发现，采用无人机光谱摄像装置的绿光、红光通道获取的多光谱图像可以将城市水体与其他地物信息进行区分，因此，在步骤S1中，通过无人机光谱摄像装置中的绿光、红光通道获取的多光谱图像作为待分析城市的多光谱图像。
在一个实施例中，发明人在开展本发明的创造过程中发现，水体的边缘平滑度相对于其他地物的平滑度，其更加平缓，因此，可根据平滑度来区分水体和其他地物，具体的，在步骤S2中，所述通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像的步骤，包括：通过sobel算子计算所述多光谱图像的梯度，获得所述多光谱图像中各地物的边缘平滑度；将边缘平滑度达到预设的平滑阈值的图像，作为水体的梯度图像。所述预设的平滑阈值为200-400，优选的，所述预设的平滑阈值为300。
在一个实施例中，在步骤S3中，所述计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积的步骤，包括：对所述水体的梯度图像采用8领域连通域计算方式，将水体的梯度图像划分成多个连通域；通过直方图法统计各个连通域的面积，获得各个连通域的连通面积。
本发明还提供一种城市水体的识别装置，包括：
获取模块，用于获取待分析城市的多光谱图像；
水体的梯度图像计算模块，用于通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像；
连通域计算模块，用于计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积；
初识别水体图像获取模块，用于根据预设的连通面积阈值，获得初识别的水体图像；
城市水体识别图像，用于根据预设的长度阈值，从初识别的水体图像中识别出城市水体图像；
连续水体图像获取模块，用于对所述城市水体图像进行形态学膨胀与腐蚀处理，获得连续的城市水体图像。
在一个实施例中，所述获取模块为无人机光谱摄像装置，且以无人机光谱摄像装置中的绿光、红光通道获取的多光谱图像作为待分析城市的多光谱图像。
在一个实施例中，所述水体的梯度图像计算模块包括边缘平滑度获取模块和水体梯度图像获取模块；所述边缘平滑度获取模块，用于通过sobel算子计算所述多光谱图像的梯度，获得所述多光谱图像中各地物的边缘平滑度；所述水体梯度图像获取模块，用于将边缘平滑度达到预设的平滑阈值的图像，作为水体的梯度图像。所述预设的平滑阈值为200-400，优选的，所述预设的平滑阈值为300。
在一个实施例中，所述连通域计算模块包括连通域划分模块和连通面积获取模块；所述连通域划分模块，用于对所述水体的梯度图像采用8领域连通域计算方式，将水体的梯度图像划分成多个连通域；所述连通面积获取模块，用于通过直方图法统计各个连通域的面积，获得各个连通域的连通面积。
通过对待分析的多光谱图像进行sobel算子计算梯度，从而根据水体纹理信息快速获得水体的梯度图像，结合连通面积阈值判断和长度阈值判断，从而准确识别出城市水体，再结合形态学膨胀与腐蚀的处理，从而可在保留水体形状信息时，防止因地物阴影或者水体污染出现漏提取导致提取的水体图像出现断流的问题，进而实现了城市水体的快速准确识别。
本发明还提供一种计算机可读储存介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述城市水体的识别方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的储存介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的储存介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机设备，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计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述城市水体的识别方法的步骤。
通过对待分析的多光谱图像进行sobel算子计算梯度，从而根据水体纹理信息快速获得水体的梯度图像，结合连通面积阈值判断和长度阈值判断，从而准确识别出城市水体，再结合形态学膨胀与腐蚀的处理，从而可在保留水体形状信息时，防止因地物阴影或者水体污染出现漏提取导致提取的水体图像出现断流的问题，进而实现了城市水体的快速准确识别。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种城市水体的识别方法，其特征在于，包括如下步骤：
获取待分析城市的多光谱图像；
通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像；
计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积；
根据预设的连通面积阈值，获得初识别的水体图像；
根据预设的长度阈值，从初识别的水体图像中识别出城市水体图像；
对所述城市水体图像进行形态学膨胀与腐蚀处理，获得连续的城市水体图像。
2.根据权利要求1所述的城市水体的识别方法，其特征在于，所述多光谱图像为通过无人机光谱摄像装置对待分析城市拍摄的图像。
3.根据权利要求2所述的城市水体的识别方法，其特征在于，所述多光谱图像为通过无人机光谱摄像装置中的绿光通道和红光通道获取的图像。
4.根据权利要求1所述的城市水体的识别方法，其特征在于，所述通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像的步骤，包括：通过sobel算子计算所述多光谱图像的梯度，获得所述多光谱图像中各地物的边缘平滑度；将边缘平滑度达到预设的平滑阈值的图像，作为水体的梯度图像。
5.根据权利要求1所述的城市水体的识别方法，其特征在于，所述计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积的步骤，包括：对所述水体的梯度图像采用8领域连通域计算方式，将水体的梯度图像划分成多个连通域；通过直方图法统计各个连通域的面积，获得各个连通域的连通面积。
6.根据权利要求1所述的城市水体的识别方法，其特征在于，所述连通面积阈值设置为40-60个像元；所述根据预设的连通面积阈值，获得初识别的水体图像的步骤，包括：若连通域的连通面积满足预设的连通面积阈值，则所述连通域为初识别的水体图像；若连通域的连通面积不满足预设的连通面积阈值，则所述连通域不是初识别的水体图像。
7.根据权利要求1所述的城市水体的识别方法，其特征在于，所述长度阈值设置为40-60个像元；所述根据预设的长度阈值，从初识别的水体图像中识别出城市水体图像的步骤，包括：若初识别的水体图像中的水体长度满足预设长度阈值，则为城市水体图像；若初识别的水体图像中的水体长度不满足预设长度阈值，则不是城市水体图像。
8.一种城市水体的识别装置，其特征在于，包括：
获取模块，用于获取待分析城市的多光谱图像；
水体的梯度图像计算模块，用于通过sobel算子计算所述多光谱图像的梯度，获得水体的梯度图像；
连通域计算模块，用于计算所述水体的梯度图像的连通域，并获得各个连通域的连通面积；
初识别水体图像获取模块，用于根据预设的连通面积阈值，获得初识别的水体图像；
城市水体识别图像，用于根据预设的长度阈值，从初识别的水体图像中识别出城市水体图像；
连续水体图像获取模块，用于对所述城市水体图像进行形态学膨胀与腐蚀处理，获得连续的城市水体图像。
9.一种计算机可读储存介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述城市水体的识别方法的步骤。
10.一种计算机设备，其特征在于，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计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述城市水体的识别方法的步骤。
CN201811197394.9A 2018-10-15 2018-10-15 一种城市水体的识别方法、装置、储存介质及设备 Pending CN109508641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811197394.9A CN109508641A (zh) 2018-10-15 2018-10-15 一种城市水体的识别方法、装置、储存介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811197394.9A CN109508641A (zh) 2018-10-15 2018-10-15 一种城市水体的识别方法、装置、储存介质及设备

Publications (1)

Publication Number Publication Date
CN109508641A true CN109508641A (zh) 2019-03-22

Family

ID=65746583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811197394.9A Pending CN109508641A (zh) 2018-10-15 2018-10-15 一种城市水体的识别方法、装置、储存介质及设备

Country Status (1)

Country Link
CN (1) CN109508641A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110443821A (zh) * 2019-07-09 2019-11-12 成都理工大学 基于图像的水体检测方法及水体检测装置
CN110908394A (zh) * 2019-11-25 2020-03-24 桂林航天工业学院 一种海事水域污染监管无人机系统及监管方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7474334B1 (en) * 2003-03-14 2009-01-06 Micro Usa, Inc. Multispectral imaging system and methods of use
CN101571923A (zh) * 2009-04-30 2009-11-04 上海大学 基于智能蚁群算法的遥感图像水系网半自动的提取方法
CN102663394A (zh) * 2012-03-02 2012-09-12 北京航空航天大学 基于多源遥感图像融合的大中型目标识别方法
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
CN103646246A (zh) * 2013-12-19 2014-03-19 交通运输部天津水运工程科学研究所 一种基于决策树模型的多光谱遥感影像河流信息提取方法
CN103955692A (zh) * 2014-04-30 2014-07-30 北京理工大学 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法
CN104318051A (zh) * 2014-09-15 2015-01-28 中国水利水电科学研究院 基于规则的大范围水体信息遥感自动提取系统及方法
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7474334B1 (en) * 2003-03-14 2009-01-06 Micro Usa, Inc. Multispectral imaging system and methods of use
CN101571923A (zh) * 2009-04-30 2009-11-04 上海大学 基于智能蚁群算法的遥感图像水系网半自动的提取方法
CN102663394A (zh) * 2012-03-02 2012-09-12 北京航空航天大学 基于多源遥感图像融合的大中型目标识别方法
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
CN103646246A (zh) * 2013-12-19 2014-03-19 交通运输部天津水运工程科学研究所 一种基于决策树模型的多光谱遥感影像河流信息提取方法
CN103955692A (zh) * 2014-04-30 2014-07-30 北京理工大学 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法
CN104318051A (zh) * 2014-09-15 2015-01-28 中国水利水电科学研究院 基于规则的大范围水体信息遥感自动提取系统及方法
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
M. PANDEY ET AL.: "Remote sensing and GIS based watershed prioritization", 《2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 *
杨骥 等: "一种基于城市水体指数与分形几何算法的 OLI 遥感影像", 《测绘通报》 *
段大高 等: "《图像处理与应用》", 31 January 2013, 北京：北京邮电大学出版社 *
赵宗贵: "《信息融合概念、方法与应用》", 30 November 2012, 国防工业出版社 *
高宏伟: "《电子封装工艺与装备技术基础教程》", 31 July 2017, 西安电子科技大学出版社 *
魏航: "多源遥感图像水体信息提取方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110443821A (zh) * 2019-07-09 2019-11-12 成都理工大学 基于图像的水体检测方法及水体检测装置
CN110443821B (zh) * 2019-07-09 2023-05-05 成都理工大学 基于图像的水体检测方法及水体检测装置
CN110908394A (zh) * 2019-11-25 2020-03-24 桂林航天工业学院 一种海事水域污染监管无人机系统及监管方法

Similar Documents

Publication Publication Date Title
US9754160B2 (en) Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium
CN109636732B (zh) 一种深度图像的空洞修复方法以及图像处理装置
Aedla et al. Automatic shoreline detection and change detection analysis of netravati-gurpurrivermouth using histogram equalization and adaptive thresholding techniques
CN116229276B (zh) 基于计算机视觉的入河排污检测方法
US9245200B2 (en) Method for detecting a straight line in a digital image
WO2021051604A1 (zh) Osd的文字区域的识别方法、装置及存储介质
CN108090911B (zh) 一种光学遥感图像的近岸舰船分割方法
Hu et al. Watershed superpixel
CN107092871B (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
US20130243343A1 (en) Method and device for people group detection
JP4979033B2 (ja) オブジェクト・ベース視覚的注意モデルの顕著性推定
CN109508641A (zh) 一种城市水体的识别方法、装置、储存介质及设备
CN110930363A (zh) 曲面模糊图像清晰度评价值确定方法、设备及存储介质
CN109583393B (zh) 一种车道线端点识别方法及装置、设备、介质
Medvedeva et al. Image segmentation based on two-dimensional Markov chains
Zhao et al. Automatic blur region segmentation approach using image matting
CN109472294A (zh) 一种城市水体的识别方法、装置、储存介质及设备
ZHANG et al. Segmentation of clustered nuclei based on concave curve expansion
CN108965739A (zh) 视频抠像方法及机器可读存储介质
JP2016505185A (ja) エッジ選択機能を有するイメージプロセッサ
CN105184802A (zh) 一种图像处理的方法及装置
Song et al. Depth-aware saliency detection using discriminative saliency fusion
CN113902772A (zh) 人群计数方法、装置、计算机存储介质及处理器
Jin et al. A color image segmentation method based on improved K-means clustering algorithm
Malladi et al. Superpixels using morphology for rock image segmentation

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190322