基于TM影像的面向?qū)ο蟮乇砀脖恍畔⑻崛?/h1>
2013-09-28 07:42:48翁中銀何政偉葉嬌瓏
地理空間信息 2013年1期
翁中銀，何政偉，范 娟，葉嬌瓏
（1.成都理工大學(xué) 地球科學(xué)學(xué)院，四川 成都610059）
傳統(tǒng)的遙感圖像分類(lèi)算法主要依據(jù)地物的光譜數(shù)據(jù)，導(dǎo)致未能充分利用遙感圖像提供的多種信息（相鄰像素間的關(guān)系、圖像中提供的形狀和空間位置特征等），分類(lèi)精度受到限制[1-4]。面向?qū)ο蟮姆诸?lèi)方法突破了傳統(tǒng)方法以單個(gè)像素作為識(shí)別單元的局限，而是以單個(gè)像素的集合影像為基本單位。該方法在分類(lèi)時(shí)不僅依靠地物的光譜特征，更要利用其幾何和結(jié)構(gòu)信息，從而提高了分類(lèi)精度。近年來(lái)，面向?qū)ο蟮姆诸?lèi)方法應(yīng)用于各種遙感信息的提取[5-19]，但絕大部分是高分辨率遙感影像，對(duì)于在時(shí)間上連續(xù)性較好、光譜信息比較豐富、獲取成本較低的中分辨率影像（如Landsat TM影像）利用不足[5]。本研究采用面向?qū)ο蠓诸?lèi)方法對(duì)渝北地區(qū)2008年TM影像進(jìn)行分類(lèi)實(shí)驗(yàn)，結(jié)果表明，采用面向?qū)ο蠓椒▽?duì)遙感影像進(jìn)行分類(lèi)，比采用監(jiān)督、非監(jiān)督分類(lèi)法在分類(lèi)精度上有較大提高。
1 研究區(qū)概況
渝北地處華鎣山主峰以南的巴渝平行嶺谷地帶，地勢(shì)從西北向東南緩緩傾斜。全境自西向東是由華鎣山脈、銅鑼山脈、明月山脈3條西北至東南走向的條狀山脈與寬谷丘陵交互組成的平行嶺谷。過(guò)境河流主要有長(zhǎng)江和嘉陵江。嘉陵江沿區(qū)境西南邊境流過(guò)，有后河注入，中、東部有寸灘河、朝陽(yáng)河、長(zhǎng)堰溪、御臨河注入長(zhǎng)江。長(zhǎng)江沿區(qū)境東南邊境流過(guò)，其地理位置為106°26′41″～106°58′42″E，29°34′30″～30°7′43″N（如圖1所示）。渝北屬亞熱帶濕潤(rùn)氣候區(qū)，大陸性季風(fēng)氣候特點(diǎn)顯著，具有冬暖春早、秋短夏長(zhǎng)、初夏多雨、無(wú)霜期長(zhǎng)、濕度大、風(fēng)力小、云霧多、日照少的氣候特點(diǎn)。
圖1 研究區(qū)位置及TM假彩色合成影像
2 數(shù)據(jù)來(lái)源與研究方法
2.1 數(shù)據(jù)來(lái)源
本研究所采用的數(shù)據(jù)為渝北區(qū)2010-8-11的Landsat TM影像，研究區(qū)內(nèi)的影像無(wú)云層覆蓋，總體質(zhì)量較好。
2.2 研究方法
采用面向?qū)ο蟮姆椒▽?duì)中分辨率的TM遙感影像數(shù)據(jù)進(jìn)行地表覆被類(lèi)型信息的提取，如圖2所示。
圖2 數(shù)據(jù)處理流程圖
數(shù)據(jù)處理流程分為3個(gè)部分：①對(duì)遙感影像的預(yù)處理及紋理特征的提取，其中數(shù)據(jù)預(yù)處理包括遙感影像的幾何校正、K-L變換（主成分變換）和植被指數(shù)計(jì)算，紋理特征的提取則是利用ENVI4.7生成8個(gè)基于灰度共生矩陣的紋理特征，再利用ArcGIS 9.3采集各覆被類(lèi)型的紋理特征；②利用eCongnition對(duì)經(jīng)過(guò)幾何校正的遙感影像進(jìn)行影像分割，再選取樣本，最后執(zhí)行分類(lèi)；③利用Erdas9.2對(duì)分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)。
3 結(jié)果與分析
3.1 多尺度分割
多尺度影像分割是基于異質(zhì)性最小，將影像分割為影像對(duì)象，即在設(shè)置的閾值范圍內(nèi)，將符合要求的單個(gè)像元合并為影像對(duì)象的過(guò)程[6，7]。本研究結(jié)合經(jīng)過(guò)預(yù)處理的數(shù)據(jù)和原始遙感影像，利用eCognition軟件的DefiniensDeveloper 7.0模塊對(duì)其進(jìn)行分割。因TM遙感影像空間分辨率不高，且渝北地區(qū)地表覆被類(lèi)型復(fù)雜，相對(duì)破碎，故宜用較小的分割尺度。經(jīng)反復(fù)實(shí)驗(yàn)，確定分割參數(shù)如下：各波段權(quán)重為1，分割尺度為12，形狀因子為0.1，緊致度為0.5。研究區(qū)局部分割效果如圖3所示。
圖3 不同閾值下遙感影像分割結(jié)果
3.2 影像分類(lèi)
為分析各土地利用覆被類(lèi)型在遙感影像數(shù)據(jù)紋理特征中的可分性，利用ENVI4.7生成8個(gè)基于灰度共生矩陣的紋理特征，并結(jié)合ArcGIS 9.3獲得各覆被類(lèi)型紋理特征曲線(xiàn)如圖4所示。
從圖4中不難看出，適用于提取水體特征的有第4、5波段均值及PC1方差；適合提取建設(shè)用地的紋理特征較多，包括第1、2波段及第3、第6波段的均值和第6波段同質(zhì)性；適用于提取林地信息的紋理特征有第1～3波段均值，第2、3波段二階矩和第3波段熵；適合提取草地信息的紋理特征有第2、3波段均值及PC1均值；利于提取耕地信息的為第4波段均值；利于提取道路信息的特征包括第3波段和NDVI相異性、NDVI熵、第4波段及NDVI同質(zhì)性和均值。
利用以上分析數(shù)據(jù)，結(jié)合eCongnition對(duì)TM影像進(jìn)行分類(lèi)，并將所得結(jié)果與監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)結(jié)果進(jìn)行對(duì)比（見(jiàn)圖5）。
圖4 TM遙感影像各地表覆被類(lèi)型紋理特征曲線(xiàn)圖
對(duì)比圖5所示的影像分類(lèi)結(jié)果可見(jiàn)，面向?qū)ο蠓诸?lèi)結(jié)果與監(jiān)督及非監(jiān)督分類(lèi)結(jié)果相比，有效抑制了 “椒鹽”現(xiàn)象，降低了各種覆被類(lèi)型錯(cuò)分的概率，從而提高了分類(lèi)精度。
3.3 精度評(píng)價(jià)
結(jié)合驗(yàn)證數(shù)據(jù)，利用基于混淆矩陣的精度評(píng)價(jià)方法對(duì)各分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)（見(jiàn)表1）。
表1 分類(lèi)方法精度對(duì)比
從表1可以看出，面向?qū)ο蠓诸?lèi)法的分類(lèi)總精度和Kappa系數(shù)分別達(dá)到88.33%和0.86，較其他分類(lèi)方法有較大提高。究其原因，面向?qū)ο蠓诸?lèi)可以充分考慮地物本身的信息，包括光譜信息、形狀信息、紋理信息、結(jié)構(gòu)信息等[8]，有效抑制了“椒鹽”現(xiàn)象，提高了分類(lèi)精度。
圖5 分類(lèi)結(jié)果
[1]梅安新,彭望琭,秦其明，等.遙感導(dǎo)論[M].北京:高等教育出版社,2001
[2]楊朝俊,胡庭興,劉波,等.基于GIS的退耕還林工程區(qū)林地動(dòng)態(tài)變化遙感監(jiān)測(cè)研究[J].遙感信息,2006(01):38-40
[3]樊彥國(guó)，張磊，孫元芳，等.基于RS的黃河三角洲地區(qū)土地利用分類(lèi)監(jiān)測(cè)研究[J].遙感技術(shù)與應(yīng)用，2010,25(1):45-49[4]買(mǎi)買(mǎi)提·沙吾提,塔西甫拉提·特依拜,丁建麗,等.BP神經(jīng)網(wǎng)絡(luò)的沙漠化土地信息提取研究[J].干旱區(qū)研究，2008，25(5) ：647-652
[5]林川,宮兆寧,趙文吉.基于中分辨率TM數(shù)據(jù)的濕地水生植被提取[J].生態(tài)報(bào),2010,30(23):6 460-6 469
[6]張伐伐,李衛(wèi)忠,盧柳葉,等.SPOT5遙感影像土地利用信息提取方法研究[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011,39(6):143-147
[7]管珍,曹廣超,易俊柱.面向?qū)ο蟮倪b感影像分類(lèi)研究[J].科技創(chuàng)新導(dǎo)報(bào)，2010,34:8-12
[8]王林.高分辨率遙感影像面向?qū)ο蟮姆诸?lèi)方法[J].電子科技，2011,24(6):38-39
[9]蘇岫,趙冬至,黃鳳榮,等.基于高空間分辨率的紅樹(shù)林衛(wèi)星遙感監(jiān)測(cè)技術(shù)進(jìn)展[J].熱帶海洋學(xué)報(bào),2011,30(3):38-45
[10]仇江嘯,王效科.基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸?lèi)比較研究[J].遙感技術(shù)與應(yīng)用，2010，25(5)：653-661
[11]鄧媛媛,巫兆聰,易俐娜,等.面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類(lèi)[J].國(guó)土資源遙感,2010(4):117-121
[12]徐濤,譚宗坤,閆小平.面向?qū)ο蟮某鞘兴w信息提取方法[J].地理空間信息,2010,8(3):64-66
[13]買(mǎi)凱樂(lè),張文輝.黃土丘陵溝壑區(qū)遙感影像信息面向?qū)ο蠓诸?lèi)方法提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(4):153-158
[14]彭文,石軍南.面向?qū)ο蟮腉EO遙感影像分類(lèi)與信息提取[J].綠色科技,2011(6):203-206
[15]李秦,高錫章,張濤,等.最優(yōu)分割尺度下的多層次遙感地物分類(lèi)實(shí)驗(yàn)分析[J].地球信息科學(xué)學(xué)報(bào),2011,13(3):409-417
[16]祖琪,袁希平,莫源富,等.基于面向?qū)ο蠓诸?lèi)方法在SPOT影像中的地物信息提取[J].中國(guó)巖溶,2011,30(2):227-232
[17]劉健,余坤勇,許章華,等.竹資源專(zhuān)題信息提取紋理特征量構(gòu)建研究[J].遙感應(yīng)用,2010（06）：90-97
[18]陳燕麗,莫偉華,莫建飛,等.基于面向?qū)ο蠓诸?lèi)的南方水稻種植面積提取方法[J].遙感技術(shù)與應(yīng)用,2011,26(2):163-168
[19]曾舉,李向新,王濤.基于Ecognition的高分辨率遙感影像水體提取研究[J].江西科學(xué),2011,29(2):263-266
[20]石軍南,李和順,劉曉,等.面向?qū)ο蠓诸?lèi)方法在森林采伐遙感監(jiān)測(cè)中的應(yīng)用[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2010,30(11):6-10
猜你喜歡
春日暖陽(yáng)ELLE世界時(shí)裝之苑(2024年5期)2024-05-14 09:45:39 基于BM3D的復(fù)雜紋理區(qū)域圖像去噪軟件(2020年3期)2020-04-20 01:45:18 使用紋理疊加添加藝術(shù)畫(huà)特效攝影之友(影像視覺(jué))(2018年12期)2019-01-28 09:01:00 面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開(kāi)發(fā)電子測(cè)試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測(cè)與儀表(2017年24期)2017-12-19 05:15:24 TEXTURE ON TEXTURE質(zhì)地上的紋理Coco薇(2017年8期)2017-08-03 15:23:38 M87的多波段輻射過(guò)程及其能譜擬合高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45 消除凹凸紋理有妙招！Coco薇(2015年5期)2016-03-29 23:22:15 面向?qū)ο骔eb開(kāi)發(fā)編程語(yǔ)言的的評(píng)估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 日常維護(hù)對(duì)L 波段雷達(dá)的重要性西藏科技(2015年4期)2015-09-26 12:12:58
翁中銀，何政偉，范 娟，葉嬌瓏
（1.成都理工大學(xué) 地球科學(xué)學(xué)院，四川 成都610059）
傳統(tǒng)的遙感圖像分類(lèi)算法主要依據(jù)地物的光譜數(shù)據(jù)，導(dǎo)致未能充分利用遙感圖像提供的多種信息（相鄰像素間的關(guān)系、圖像中提供的形狀和空間位置特征等），分類(lèi)精度受到限制[1-4]。面向?qū)ο蟮姆诸?lèi)方法突破了傳統(tǒng)方法以單個(gè)像素作為識(shí)別單元的局限，而是以單個(gè)像素的集合影像為基本單位。該方法在分類(lèi)時(shí)不僅依靠地物的光譜特征，更要利用其幾何和結(jié)構(gòu)信息，從而提高了分類(lèi)精度。近年來(lái)，面向?qū)ο蟮姆诸?lèi)方法應(yīng)用于各種遙感信息的提取[5-19]，但絕大部分是高分辨率遙感影像，對(duì)于在時(shí)間上連續(xù)性較好、光譜信息比較豐富、獲取成本較低的中分辨率影像（如Landsat TM影像）利用不足[5]。本研究采用面向?qū)ο蠓诸?lèi)方法對(duì)渝北地區(qū)2008年TM影像進(jìn)行分類(lèi)實(shí)驗(yàn)，結(jié)果表明，采用面向?qū)ο蠓椒▽?duì)遙感影像進(jìn)行分類(lèi)，比采用監(jiān)督、非監(jiān)督分類(lèi)法在分類(lèi)精度上有較大提高。
1 研究區(qū)概況
渝北地處華鎣山主峰以南的巴渝平行嶺谷地帶，地勢(shì)從西北向東南緩緩傾斜。全境自西向東是由華鎣山脈、銅鑼山脈、明月山脈3條西北至東南走向的條狀山脈與寬谷丘陵交互組成的平行嶺谷。過(guò)境河流主要有長(zhǎng)江和嘉陵江。嘉陵江沿區(qū)境西南邊境流過(guò)，有后河注入，中、東部有寸灘河、朝陽(yáng)河、長(zhǎng)堰溪、御臨河注入長(zhǎng)江。長(zhǎng)江沿區(qū)境東南邊境流過(guò)，其地理位置為106°26′41″～106°58′42″E，29°34′30″～30°7′43″N（如圖1所示）。渝北屬亞熱帶濕潤(rùn)氣候區(qū)，大陸性季風(fēng)氣候特點(diǎn)顯著，具有冬暖春早、秋短夏長(zhǎng)、初夏多雨、無(wú)霜期長(zhǎng)、濕度大、風(fēng)力小、云霧多、日照少的氣候特點(diǎn)。
圖1 研究區(qū)位置及TM假彩色合成影像
2 數(shù)據(jù)來(lái)源與研究方法
2.1 數(shù)據(jù)來(lái)源
本研究所采用的數(shù)據(jù)為渝北區(qū)2010-8-11的Landsat TM影像，研究區(qū)內(nèi)的影像無(wú)云層覆蓋，總體質(zhì)量較好。
2.2 研究方法
采用面向?qū)ο蟮姆椒▽?duì)中分辨率的TM遙感影像數(shù)據(jù)進(jìn)行地表覆被類(lèi)型信息的提取，如圖2所示。
圖2 數(shù)據(jù)處理流程圖
數(shù)據(jù)處理流程分為3個(gè)部分：①對(duì)遙感影像的預(yù)處理及紋理特征的提取，其中數(shù)據(jù)預(yù)處理包括遙感影像的幾何校正、K-L變換（主成分變換）和植被指數(shù)計(jì)算，紋理特征的提取則是利用ENVI4.7生成8個(gè)基于灰度共生矩陣的紋理特征，再利用ArcGIS 9.3采集各覆被類(lèi)型的紋理特征；②利用eCongnition對(duì)經(jīng)過(guò)幾何校正的遙感影像進(jìn)行影像分割，再選取樣本，最后執(zhí)行分類(lèi)；③利用Erdas9.2對(duì)分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)。
3 結(jié)果與分析
3.1 多尺度分割
多尺度影像分割是基于異質(zhì)性最小，將影像分割為影像對(duì)象，即在設(shè)置的閾值范圍內(nèi)，將符合要求的單個(gè)像元合并為影像對(duì)象的過(guò)程[6，7]。本研究結(jié)合經(jīng)過(guò)預(yù)處理的數(shù)據(jù)和原始遙感影像，利用eCognition軟件的DefiniensDeveloper 7.0模塊對(duì)其進(jìn)行分割。因TM遙感影像空間分辨率不高，且渝北地區(qū)地表覆被類(lèi)型復(fù)雜，相對(duì)破碎，故宜用較小的分割尺度。經(jīng)反復(fù)實(shí)驗(yàn)，確定分割參數(shù)如下：各波段權(quán)重為1，分割尺度為12，形狀因子為0.1，緊致度為0.5。研究區(qū)局部分割效果如圖3所示。
圖3 不同閾值下遙感影像分割結(jié)果
3.2 影像分類(lèi)
為分析各土地利用覆被類(lèi)型在遙感影像數(shù)據(jù)紋理特征中的可分性，利用ENVI4.7生成8個(gè)基于灰度共生矩陣的紋理特征，并結(jié)合ArcGIS 9.3獲得各覆被類(lèi)型紋理特征曲線(xiàn)如圖4所示。
從圖4中不難看出，適用于提取水體特征的有第4、5波段均值及PC1方差；適合提取建設(shè)用地的紋理特征較多，包括第1、2波段及第3、第6波段的均值和第6波段同質(zhì)性；適用于提取林地信息的紋理特征有第1～3波段均值，第2、3波段二階矩和第3波段熵；適合提取草地信息的紋理特征有第2、3波段均值及PC1均值；利于提取耕地信息的為第4波段均值；利于提取道路信息的特征包括第3波段和NDVI相異性、NDVI熵、第4波段及NDVI同質(zhì)性和均值。
利用以上分析數(shù)據(jù)，結(jié)合eCongnition對(duì)TM影像進(jìn)行分類(lèi)，并將所得結(jié)果與監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)結(jié)果進(jìn)行對(duì)比（見(jiàn)圖5）。
圖4 TM遙感影像各地表覆被類(lèi)型紋理特征曲線(xiàn)圖
對(duì)比圖5所示的影像分類(lèi)結(jié)果可見(jiàn)，面向?qū)ο蠓诸?lèi)結(jié)果與監(jiān)督及非監(jiān)督分類(lèi)結(jié)果相比，有效抑制了 “椒鹽”現(xiàn)象，降低了各種覆被類(lèi)型錯(cuò)分的概率，從而提高了分類(lèi)精度。
3.3 精度評(píng)價(jià)
結(jié)合驗(yàn)證數(shù)據(jù)，利用基于混淆矩陣的精度評(píng)價(jià)方法對(duì)各分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)（見(jiàn)表1）。
表1 分類(lèi)方法精度對(duì)比
從表1可以看出，面向?qū)ο蠓诸?lèi)法的分類(lèi)總精度和Kappa系數(shù)分別達(dá)到88.33%和0.86，較其他分類(lèi)方法有較大提高。究其原因，面向?qū)ο蠓诸?lèi)可以充分考慮地物本身的信息，包括光譜信息、形狀信息、紋理信息、結(jié)構(gòu)信息等[8]，有效抑制了“椒鹽”現(xiàn)象，提高了分類(lèi)精度。
圖5 分類(lèi)結(jié)果
[1]梅安新,彭望琭,秦其明，等.遙感導(dǎo)論[M].北京:高等教育出版社,2001
[2]楊朝俊,胡庭興,劉波,等.基于GIS的退耕還林工程區(qū)林地動(dòng)態(tài)變化遙感監(jiān)測(cè)研究[J].遙感信息,2006(01):38-40
[3]樊彥國(guó)，張磊，孫元芳，等.基于RS的黃河三角洲地區(qū)土地利用分類(lèi)監(jiān)測(cè)研究[J].遙感技術(shù)與應(yīng)用，2010,25(1):45-49[4]買(mǎi)買(mǎi)提·沙吾提,塔西甫拉提·特依拜,丁建麗,等.BP神經(jīng)網(wǎng)絡(luò)的沙漠化土地信息提取研究[J].干旱區(qū)研究，2008，25(5) ：647-652
[5]林川,宮兆寧,趙文吉.基于中分辨率TM數(shù)據(jù)的濕地水生植被提取[J].生態(tài)報(bào),2010,30(23):6 460-6 469
[6]張伐伐,李衛(wèi)忠,盧柳葉,等.SPOT5遙感影像土地利用信息提取方法研究[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011,39(6):143-147
[7]管珍,曹廣超,易俊柱.面向?qū)ο蟮倪b感影像分類(lèi)研究[J].科技創(chuàng)新導(dǎo)報(bào)，2010,34:8-12
[8]王林.高分辨率遙感影像面向?qū)ο蟮姆诸?lèi)方法[J].電子科技，2011,24(6):38-39
[9]蘇岫,趙冬至,黃鳳榮,等.基于高空間分辨率的紅樹(shù)林衛(wèi)星遙感監(jiān)測(cè)技術(shù)進(jìn)展[J].熱帶海洋學(xué)報(bào),2011,30(3):38-45
[10]仇江嘯,王效科.基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸?lèi)比較研究[J].遙感技術(shù)與應(yīng)用，2010，25(5)：653-661
[11]鄧媛媛,巫兆聰,易俐娜,等.面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類(lèi)[J].國(guó)土資源遙感,2010(4):117-121
[12]徐濤,譚宗坤,閆小平.面向?qū)ο蟮某鞘兴w信息提取方法[J].地理空間信息,2010,8(3):64-66
[13]買(mǎi)凱樂(lè),張文輝.黃土丘陵溝壑區(qū)遙感影像信息面向?qū)ο蠓诸?lèi)方法提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(4):153-158
[14]彭文,石軍南.面向?qū)ο蟮腉EO遙感影像分類(lèi)與信息提取[J].綠色科技,2011(6):203-206
[15]李秦,高錫章,張濤,等.最優(yōu)分割尺度下的多層次遙感地物分類(lèi)實(shí)驗(yàn)分析[J].地球信息科學(xué)學(xué)報(bào),2011,13(3):409-417
[16]祖琪,袁希平,莫源富,等.基于面向?qū)ο蠓诸?lèi)方法在SPOT影像中的地物信息提取[J].中國(guó)巖溶,2011,30(2):227-232
[17]劉健,余坤勇,許章華,等.竹資源專(zhuān)題信息提取紋理特征量構(gòu)建研究[J].遙感應(yīng)用,2010（06）：90-97
[18]陳燕麗,莫偉華,莫建飛,等.基于面向?qū)ο蠓诸?lèi)的南方水稻種植面積提取方法[J].遙感技術(shù)與應(yīng)用,2011,26(2):163-168
[19]曾舉,李向新,王濤.基于Ecognition的高分辨率遙感影像水體提取研究[J].江西科學(xué),2011,29(2):263-266
[20]石軍南,李和順,劉曉,等.面向?qū)ο蠓诸?lèi)方法在森林采伐遙感監(jiān)測(cè)中的應(yīng)用[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2010,30(11):6-10
猜你喜歡
ELLE世界時(shí)裝之苑(2024年5期)2024-05-14 09:45:39
軟件(2020年3期)2020-04-20 01:45:18
攝影之友(影像視覺(jué))(2018年12期)2019-01-28 09:01:00
電子測(cè)試(2018年15期)2018-09-26 06:01:34
電測(cè)與儀表(2017年24期)2017-12-19 05:15:24
Coco薇(2017年8期)2017-08-03 15:23:38
高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45
Coco薇(2015年5期)2016-03-29 23:22:15
現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25
西藏科技(2015年4期)2015-09-26 12:12:58
