1 引言
由于海洋面积大,海上舰船目标机动性强,海上舰船目标监视需要满足高空间、高时间的覆盖性和高实时性这三个条件。随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的快速发展,SAR卫星可以获取全天时、全天候的二维高分辨图像,能够有效解决光学卫星在夜间和不良气候下无法对海洋目标监视的问题[1]。
目前,世界大多数国家都相继发射了自己的星载SAR卫星[2],尤其是近10年发射的数量达到最多。星载SAR卫星每天都可以产生海量遥感数据。以2014年欧洲航天局(ESA)成功发射的Sentinel-1 SAR卫星为例,其一天可以生成几十到几百GB的SAR卫星遥感数据,一年可生成133TB[3]。面对海量的SAR卫星遥感数据,在数据的下载、存储和计算上都对人力和计算机性能提出了很高的要求。一方面传统基于单机的SAR图像舰船目标检测[4-7],这将会导致下载和存储数据占用非常大的存储资源和网络带宽,并且非常耗时耗力。另一方面传统基于单机的SAR图像舰船目标检测在涉及计算大范围、大量的SAR卫星遥感数据时受限于本地计算机的性能,需要在性能较强的电脑和服务器上运行。
云计算平台的出现解决了对计算机硬件性能的高要求,它可以通过网络按需分配计算资源,共享计算资源池[8]。与此同时在遥感数据量不断增加和对海量遥感数据处理能力需求强烈的背景下,遥感云计算平台也因此孕育而生并得到快速发展。目前国外的遥感云计算平台有亚马逊云的Amazon Web Service(AWS)[9]、谷歌公司的Google Earth Engine(GEE)、美国航空航天局的NEX[10]、笛卡尔实验室Descartes Labs[11]和澳大利亚地学数字立方体(Data Cube)[12]等。国内有中科院CASEarth发布的“地球大数据挖掘分析系统云服务V1.0”[13-14]、华为的华为云GeoGenius-遥感智能体系、阿里云联合多家卫星影像公司开发的数字地球引擎、腾讯发布的“WeEarth超级地球”[15]。但是许多遥感云计算平台提供的开发文档少难以进行操作。目前Google earth engine遥感云计算平台免费开放使用,使用最为广泛。
本文研究主要利用Google Earth Engine遥感云计算平台在线对大范围海域的海量舰船目标SAR图像进行处理应用,可以实现以下四个功能:①对检测区域进行舰船目标检测;②提取舰船目标的成像时间、经纬度和分辨率等信息;③统计检测区域内一年中每月舰船目标的数量;④批量下载目标检测结果的SAR图像。研究的优势主要体现为可以实现对海量数据的在线实时快速检测,对检测区域进行随意切换和对检测时间进行任意选择,本文研究还不受计算机存储、算力等性能的约束,不需要在性能较强的电脑和服务器上运行。研究人员通过分析相关结果可以获取相关港口的规模大小,周边海域海上舰船的活动和分布情况等重要信息。本文研究可应用于舰船寻找与搜救、海面交通监控、渔业管理等领域,具有较高的实际应用价值。
2 Google Earth Engine遥感云计算平台
在2011年美国地球物理联合会秋季会议上Moore和Hansen正式介绍了Google Earth Engine(GEE)遥感云计算平台[16],该平台包含了许多地球观测卫星遥感图像,同时集成了可视化功能、超强的分析计算能力以及可调用的应用程序接口。
GEE平台集成了全球近40年的公开数据集[17-19],例如地球资源卫星(Landsat)、哨兵系列等遥感数据,涵盖光学遥感数据、SAR卫星遥感数据、地球物理数据、气候天气数据等。其数据总量可达30PB,并且每天仍然以4000景数据量增长。同时GEE平台具有超强的分析计算能力,它依托于谷歌公司全球范围的百万台服务器和谷歌公司的核心云计算平台,有足够强大的运算能力对海量数据进行计算处理。同时GEE平台提供了两种API接口可以快速建立与谷歌云平台的Web服务,一种在线的JavaScript API和离线的Python API[18-21]。
3 基于Google Earth Engine的海量舰船目标SAR图像处理应用研究
利用GEE平台的海量数据存储和强大运算能力的优势,本文基于Google Earth Engine进行海量舰船目标SAR图像处理应用研究,实现了在线对舰船目标进行检测。其由数据预处理、舰船目标阈值化获取、舰船目标数量统计、舰船目标信息提取和数据导出五部分组成。图1展示了本文研究的整体架构图。
图1 基于Google Earth Engine的海量舰船目标SAR图像处理应用研究整体架构图
Fig.1 The overall architecture diagram of SAR image processing application research on massive ship targets based on Google Earth Engine
3.1 数据预处理
数据预处理是舰船目标检测的基础。经过数据预处理可以对有用的信息进行保留和增强,对干扰信息进行删减和去除。本文中数据预处理主要分为数据筛选、陆地掩膜处理和平滑处理。
3.1.1 数据筛选
数据筛选是对在GEE平台上加载的数据进行空间、时间和属性等因素上的选择,从而筛选出符合条件的数据。本文设计了一个筛选功能单元,可以根据不同的因素依次调用不同的筛选器对数据进行筛选,如图2所示。筛选器的作用主要是将数据中所包含的信息与筛选因素进行匹配,如果信息中含有筛选因素则被筛选出来。因此在空间因素上进行筛选可以得到与检测区域相交的图像,在时间上筛选可以获得检测时间内的所有图像,在属性因素上可以对成像的模式、极化方式和升降轨视角等因素进行选择。不同的属性因素下的成像结果会有所差异,例如不同的极化方式所返回的信息也会有所不同,同极化方式下返回的信号较交叉极化方式返回的信号强成像上也相对更加明亮。
图2 数据筛选功能单元
Fig.2 Data filtering function unit
3.1.2 陆地掩膜处理
陆地上许多目标具有较强的散射点,从而对SAR图像中舰船检测产生干扰引起虚警,陆地掩膜处理则可以有效排除SAR图像中陆地背景干扰。本文中的陆地掩膜处理主要分为两步,第一步是获取掩膜图像,第二步是对陆地区域进行掩膜处理。
掩膜图像的获取主要是通过先验地理信息知识进行匹配的方式。数字高程图(Digital Elevation Model,DEM)具有全球陆地和岛屿的表面积信息,在GEE平台上通过使用NASA SRTM Digital Elevation 30 m数据[22]可以实现全球范围下海洋与陆地的区分,这时陆地区域像素的值不为0,海洋区域像素的值为0。本文要实现保留海洋信息掩膜掉陆地区域,则需要在DEM上将陆地区域和海洋区域像素的值进行转化,使陆地区域像素的值变为0,海洋区域像素的值变为1进而获取掩膜图像。
在陆地掩膜处理中,海洋区域像素的值保持不变,陆地区域像素的值变为0。在GEE平台上进行掩膜处理会将值为0的像素变为透明,并使其在之后的分析中排除。最后再对陆地与海洋的交接处进行形态学处理实现精细化处理。
3.1.3 陆地斑块平滑处理
陆地上由于存在内陆水系,使用陆地掩膜处理时会将其当作海洋地区而保留下来,这会使得陆地地区出现大量斑块。这些斑块会导致检测过程中产生大量的虚警,采取众数平滑图像的方法可以实现斑块去除。
众数平滑是通过滑动窗口找到窗口内像元邻域内的众数值来替换像元。其中滑动窗口中的众数可以定义为X,则在一个离散集合{X1,X2,…,Xn}中,众数X可以表示为如下公式,mode表示众数运算[23-24]。
X=mode{X1,X2,…,Xn},X∈{X1,X2,…,Xn}
(1)
但由于内陆水系规模大小不统一,所产生的斑块大小也会有较大的差异。采用众数平滑处理虽然可以较好去除较小的斑块,但没有办法去除较大的斑块区域。对此本文提出一种阈值众数平滑的方法,该方法通过设置一个合理阈值,在进行众数平滑处理过程中只要是小于该阈值的像元都会被窗口内的像元众数取代。该处理过程示意图如图3所示,滑动窗口大小3×3,步长为2,阈值为5。
图3 阈值众数平滑示意图
Fig.3 Diagram of threshold mode smoothing
3.2 舰船目标阈值化获取
SAR图像在经过陆地掩膜处理后只保留了海洋区域排除了陆地的干扰,接下来的舰船目标阈值化获取就是在单一的海洋背景下进行。本文在GEE平台上实现最大类间方差法(Nobuyuki Otsu,OTSU)来获取自适应阈值。
在GEE平台上设定检测区域,通过筛选功能单元获取待检测的图像f(x,y),图像大小表示为M×N。舰船目标与海洋背景的分割阈值用T表示,用ω0表示舰船目标像素点与图像像素点的比重,其中μ0表示平均灰度。用ω1表示海洋背景像素点与图像像素点中的比重,其中μ1表示平均灰度。记图像中像素灰度值小于阈值T的像素个数为N0,像素灰度值大于阈值T的像素个数为N1,则对应参数可以表示为[25]:
(2)
ω0+ω1=1
(3)
N0+N1=M×N
(4)
记图像平均灰度为μ,类间方差为g,则有:
μ=ω0×μ0+ω1×μ1
(5)
g=ω0×(μ0-μ)2+ω1×(μ1-μ)2
(6)
由公式(5)和公式(6)可得:
g=ω0ω1(μ0-μ1)2
(7)
通过遍历图像获取类间方差最大值,即为最后的自适应阈值Tmax,当背景与目标的类间方差越大,二者错分的可能性就会越小。本文通过采用OTSU算法进而可以满足在不同环境背景下获取合适的阈值来提高对舰船目标的获取能力。
图4 舰船目标阈值化获取流程图
Fig.4 Flowchart for threshold acquisition of ship targets
舰船目标阈值化获取时将大于等于阈值的像素检测为舰船目标并返回1。此时海洋背景值为0,舰船目标值为1,使用掩膜方法将海洋背景去掉只保留检测到的舰船目标,并将其设置“ship”图层。“ship”图层中即包含所有检测到的舰船目标。
3.3 舰船目标数量统计、信息提取与数据导出3.3.1 舰船目标数量统计
舰船目标数量统计的步骤可以总结为寻找检测区域相同月份的SAR图像进行图像整合、舰船目标检测、重投影、矢量化和数量统计。在GEE平台上可以实现以月为单位给SAR图像的属性信息中添加月份信息,再对相同月份内的图像进行图像整合实现将每一个月份中所有图像整合为一张新图像。但在这个过程中将会损失掉投影信息,对此需要进行重投影以保证输出的投影和比例与整合前相同。
在GEE平台上信息的统计和提取工作需要在矢量数据上进行。对此为进行舰船数量统计需要将“ships”图层进行矢量化处理将图像转换为特征集合,以此来获取每月舰船数目的列表。
3.3.2 舰船目标信息提取和数据导出
舰船目标信息提取主要是通过获取图像中的相关属性信息,然后将其添加到矢量数据中的过程,如图5所示。在获取舰船目标经纬度信息时,首先需要在GEE平台上创建具有经度和纬度两个图层的图像,这两个图层包含图像中每一个像素的经度和纬度信息。然后将海洋背景进行掩膜处理只保留舰船目标来获取舰船目标的经纬度信息。获得的矢量数据可以按照SHP(shapefile)的格式进行导出。本文可以获取舰船目标的成像时间经纬度和分辨率等信息。
图5 舰船目标信息提取
Fig.5 Ship target information extraction
图像上可以导出GeoTIFF或TFRecord格式,本文根据“system:index”属性获取SAR图像名称实现对目标检测结果图像进行批量导出。
4 实验结果与分析
本文利用Sentinel-1 SAR卫星数据,以美国、日本和中国台湾的部分港口及周边海域为例,进行数据筛选、陆地掩膜处理、舰船目标数量统计、舰船目标检测和信息获取等5个方面进行实验。
4.1 实验数据
2014年10月3日开始运行的Sentinel-1卫星定期在海洋和海岸上产生大量数据,共有四种图像模式,具有不同的测绘带宽和分辨率,每种模式可以加工成不同的产品,表1为四种图像模式的主要参数。其中IW-干涉宽幅模式具有20 m分辨率250 km宽测绘带,EW-超宽幅模式具有50 m分辨率410 km宽测绘带,非常适用于海上监视[3]。GEE平台目前集成有2014年10月3到2021年3月21日的Sentinel-1 SAR卫星数据,且目前仍然在每天更新。本文主要选用IW模式下的哨兵数据进行相关实验。
表1 Sentinel-1四种图像模式的主要参数
Tab.1 The main parameters of the four image modes of Sentinel-1
模式测绘带宽/kmSLC产品分辨率/mGRDH产品分辨率/mEW-超宽幅模式41020×4350×50IW-干涉宽幅模式2505×2220×22SM-条带模式805×523×23WV-波模式205×5-
4.2 数据筛选实验结果与分析
在GEE平台上用户可以快捷地加载平台上集成的数据集。数据筛选以2020年期间的日本横须贺港口及周围海域为例。图6展示为在检测区域进行时间、极化方式和升降轨视角上的数据筛选。进行时间上的筛选主要是对成像时间的选择,这主要取决于研究的年份和月份。时间所选用的越长,则SAR图像数量越多。在图6中可以明显观察到2020年一年内的所有图像经过叠加后,由于经过目标区域的舰船数目较多形成类似于舰船的行驶轨迹。在极化方式上因为同极化方式下返回的信号较交叉极化方式返回的信号强,所以可以观察到VV极化的图像更加明亮。升降轨不同视角下的图像也可以观察到明显的差异。本文选用2019和2020年期间内,极化方式为VH极化和升轨视角的Sentinel-1数据。
图6 数据预处理
Fig.6 Data preprocessing
4.3 陆地掩膜与平滑处理实验结果与分析
本文对美国圣迭戈港口、美国的诺福克港口、日本横须贺港口、日本横滨港口和中国台湾高雄港口以及周边海域进行陆地掩膜处理。每一个港口给出检测目标区域的卫星图像、DEM数据图像、掩膜图像和陆地掩膜处理后的可视化的结果图,如图7所示。
图7 港口及周边海域陆地掩膜处理
Fig.7 Land mask processing for ports and surrounding waters
在图7中可以观测到利用DEM实现将陆地与海洋进行区分,在图像上海洋区域像素的值为0显示为黑色,陆地区域像素的值不为0显示为白色。把海洋区域作为反向缓冲区用作于掩膜图像,这时陆地区域像素的值为0,海洋区域像素的值为1。进行掩膜处理可以较好地将陆地区域掩膜掉,只保留海洋区域信息。
平滑处理的效果主要取决于阈值的取值。图8所示为不同阈值下的平滑效果,观察圆圈内的区域可以发现当阈值取值较小时对于较大的内陆水系不能较好的去除。因此本文将阈值设置为150,通过滑动窗口求取像元众数,将小于150的像素的斑块用像素众数进行替代,进而实现将陆地地区内陆水系平滑掉。图9展示了本文平滑处理的效果图,观察发现可以将斑块较好去除。
图8 不同阈值下平滑处理效果
Fig.8 Smoothing effect under different thresholds
图9 阈值平滑处理
Fig.9 Threshold smoothing
4.4 舰船目标数量统计实验结果与分析
通过分析港口及周边海域中的舰船数目的变化情况,可以得到相关港口的规模大小,活动情况等重要信息。本文主要对2019年和2020年期间的美国圣迭戈港口和日本横滨港口及周边海域的检测区域进行每月舰船数目统计。并通过GEE平台在线显示检测数目和折线统计图,可以更加直观地观察到每月中舰船数目的变化情况。表2为两个港口的每月舰船的数目统计表,图10为折线统计图。
由舰船数目统计表和折线统计图可以看出,不同性质、用途和规模的港口在舰船数目上存在较大差异,各港口及周边海域每月的舰船数目变化不大。圣迭戈港口在2020年3月舰船数目的突然增多可能预示着正在开展一些活动,所以在海上监视过程中可以对舰船数目变化较大的月份进行分析和重点监视。
表2 2019和2020期间两个港口及周边海域每月舰船数目统计
Tab.2 Monthly ship count statistics for the two ports and surrounding waters during 2019 and 2020
检测区域年份一月二月三月四月五月六月七月八月九月十月十一月十二月美国圣迭戈港口及周边海域2019年2211331621481261341621542101851631652020年172186366174178213248219190185178179日本横滨港口及周边海域2019年5125335565045305405365575186805125152020年517537510487478537492521483533535487
图10 舰船数目折线统计图
Fig.10 Line statistics chart of the number of ships
将同一月份的SAR图像进行舰船检测后,通过图像整合可以获得每一个月份中所有舰船整合的可视化图像,通过观察可以了解到舰船日常的行驶轨迹和活动情况等信息。图11为日本横滨港口及周边海域的2019年和2020年的1～4月舰船整合可视化图像。
图11 日本横滨港口及周边海域两年期间1～4月舰船目标整合可视化图
Fig.11 Visualized map of ship target integration from January to April during the two-year period of Yokohama Port and surrounding waters in Japan
4.5 舰船目标检测和信息获取实验结果与分析
本文对日本横须贺港口、日本横滨港口、美国诺福克港口及其周围海域的检测区域进行舰船目标的检测,再通过矢量化来获取舰船目标的信息。并通过加载GEE平台存储空间(Assets)中矢量数据实现检测结果的可视化。图12为本文在三个港口的检测结果图,其中红色框内为正确的舰船目标,蓝色框内为错误检测目标,黄色框为漏检目标。
图12 三个港口舰船目标检测结果图
Fig.12 Ship target detection results of three ports
表3为对应三个港口的检测统计结果。检测性能评估指标采用目标检测率Pd和虚警率Pf。
表3 三个港口的检测统计结果
Tab.3 The test statistics of the three ports
检测区域真实数目正确检测数目虚警数目漏检数目检测率(Pd)虚警率(Pf)日本横须贺港口及周边海域1919401.00000.1739日本横滨港口及周边海域68661220.97060.1538美国诺福克港口及周边海域3332810.96970.2000
(8)
式中:Ntp、Ngt、Nft、Ntp+Nft分别为检测到的舰船目标数目,真实舰船数目、检测错误数目和检测目标总数,其中真实舰船数目通过人工判读统计。
通过对实验结果的分析可以发现本文研究所实现的舰船目标检测效果与基于单机的自适应阈值检测方法[26]在Sentinel-1数据上的检测效果相当。但本文研究在整体检测时间上用时更短,检测速度更快。基于单机的舰船目标检测方法需要预先下载数据,仅仅在数据获取上就耗时耗力,并且数据每天都在更新没办法做到实时高效处理。以在哨兵科学数据中心(Sentinels Scientific Data Hub)下载一幅GRDH产品数据为例,需要用时10分钟左右。而本文研究在完成一个港口一年内舰船检测用时则只需要13秒多,如表4所示,这个检测过程包括数据加载,数据预处理、舰船目标阈值化获取再到舰船目标信息获取整个舰船检测流程。并且本文研究可以实时处理更新的数据,因此更加实时、快速和高效。
表4 舰船目标检测用时
Tab.4 Ship target detection time
检测区域时间段图像数量/张用时/s美国圣迭戈港口及周边海域2020年1月～2020年2月55.642020年1月～2020年7月308.162020年1月～2021年1月6213.33日本横须贺港口及周边海域2020年1月～2020年2月167.912020年1月～2020年7月319.762020年1月～2021年1月6013.54
获取到的舰船目标的成像时间、经纬度和分辨率等信息可以下载为.SHP格式,并通过Excel来读取,如图13所示为中国台湾高雄港口及周围海域的舰船目标信息。目标检测结果的SAR图像通过批量下载可以获取检测时间范围内的所有图像,图像名称为SAR图像的ID信息。本文以日本横须贺港口的目标检测结果SAR图像为例,如图14,可以从图像信息中得知该图像为IW模式具有双极化模式。
图13 中国台湾高雄港口及周围海域的舰船目标信息
Fig.13 Ship target information in Kaohsiung Port and surrounding waters
图14 日本横须贺港口的目标检测结果SAR图像
Fig.14 SAR image of target detection results at Yokosuka Port, Japan
5 结论
本文研究利用Google Earth Engine遥感云计算平台数据量大、分析计算能力强的优势,进行了大范围海域的海量舰船目标SAR图像处理应用研究,实现了舰船目标检测。以美国、日本和中国台湾的部分港口及周边海域地区进行实验与分析,验证了本文研究可在线对海量SAR数据进行实时、高效、快速地处理,也为海上舰船目标监视提供新思路。同时本文方法可在今后研究过程中结合AIS信息等进行进一步改进,具有较高的实际应用价值。
[1] 杜兰, 王兆成, 王燕, 等. 复杂场景下单通道SAR目标检测及鉴别研究进展综述[J]. 雷达学报, 2020, 9(1): 34-54.
DU Lan, WANG Zhaocheng, WANG Yan, et al. Survey of research progress on target detection and discrimination of single-channel SAR images for complex scenes[J]. Journal of Radars, 2020, 9(1):34-54.(in Chinese)
[2] 邓云凯, 禹卫东, 张衡, 等. 未来星载SAR技术发展趋势[J]. 雷达学报, 2020, 9(1): 1-33.
DENG Yunkai, YU Weidong, ZHANG Heng, et al. Forthcoming spaceborne SAR development[J]. Journal of Radars, 2020, 9(1): 1-33.(in Chinese)
[3] GREIDANUS H, SANTAMARIA C. First analyses of Sentinel-1 images for maritime surveillance[J]. Publications Office of the European Union: Luxembourg, 2014.
[4] LENG Xiangguang, JI Kefeng, ZHOU Shilin, et al. Ship detection based on complex signal kurtosis in single-channel SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6447- 6461.
[5] LENG Xiangguang, JI Kefeng, ZHOU Shilin, et al. Fast shape parameter estimation of the complex generalized Gaussian distribution in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(11): 1933-1937.
[6] 冷祥光, 计科峰, 熊博莅, 等. 面向舰船目标检测的单通道复值SAR图像统计建模方法研究[J]. 雷达学报, 2020, 9(3): 477- 496.
LENG Xiangguang, JI Kefeng, XIONG Boli, et al. Statistical modeling methods of single-channel complex-valued SAR images for ship detection[J]. Journal of Radars, 2020, 9(3): 477- 496.(in Chinese)
[7] 付晓雅,王兆成. 结合场景分类的近岸区域SAR舰船目标快速检测方法[J]. 信号处理, 2020, 36(12): 2123-2130.
FU Xiaoya, WANG Zhaocheng. SAR ship target rapid detection method combined with scene classification in the inshore region[J]. Journal of Signal Processing, 2020, 36(12): 2123-2130.(in Chinese)
[8] 袁佳欣. 云计算平台任务调度算法研究[D].南京:南京邮电大学,2018:1-17.
YUAN Jiaxin. Research on the task scheduling for the cloud computing platform[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2018:1-17.(in Chinese)
[9] VARIA J, MATHEW S. Overview of amazon web services[J]. Amazon Web Services, 2014, 105.
[10] NEMANI R. Nasa earth exchange: Next generation earth science collaborative[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2011, XXXVIII- 8/W20: 17.
[11] BENEKE C M, SKILLMAN S, WARREN M S, et al. A platform for scalable satellite and geospatial data analysis[C]∥AGU Fall Meeting Abstracts, 2017, 2017: IN32C-04.
[12] LEWIS A, OLIVER S, LYMBURNER L, et al. The Australian geoscience data cube—foundations and lessons learned[J]. Remote Sensing of Environment, 2017, 202: 276-292.
[13] JI Liqiang, HE Guojin, YAN Dongmei. Data sharing in CASEarth project[J]. Biodiversity Information Science and Standards, 2019, 3:e37280.
[14] ZHANG H, ZHANG M, JIN J, et al. CAS-ESM 2: Description and climate simulation performance of the Chinese Academy of Sciences (CAS) Earth System Model (ESM) version 2[J]. Journal of Advances in Modeling Earth Systems, 2020: e2020MS002210.
[15] 董金玮,李世卫,曾也鲁, 等. 遥感云计算与科学分析—应用与实践[M].北京:科学出版社, 2020:3-35.
DONG Jinwei, LI Shiwei, ZENG Yelu, et al. Remote sensing cloud computing and scientific analysis: application and practice[M]. Beijing: Science Press, 2020: 3-35.(in Chinese)
[16] MOORE R T, HANSEN M C. Google earth engine: A new cloud-computing platform for global-scale earth observation data and analysis[EB/OL]. 2011.
[17] GORELICK N, HANCHER M, DIXON M, et al. Google earth engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27.
[18] AMANI M, GHORBANIAN A, AHMADI S A, et al. Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 5326-5350.
[19] TAMIMINIA H, SALEHI B, MAHDIANPARI M, et al. Google earth engine for geo-big data applications: A meta-analysis and systematic review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 164: 152-170.
[20] KUMAR L, MUTANGA O. Google earth engine applications since inception: Usage, trends, and potential[J]. Remote Sensing, 2018, 10(10): 1509.
[21] JIA Tianxia, ZHANG Xueqi, DONG Rencai. Long-term spatial and temporal monitoring of cyanobacteria blooms using MODIS on google earth engine: A case study in Taihu lake[J]. Remote Sensing, 2019, 11(19): 2269.
[22] FARR T G, ROSEN P A, CARO E, et al. The shuttle radar topography mission[J]. Reviews of geophysics, 2007, 45(2).
[23] 刘博, 徐丽华, 卢盛昌. 关于建筑物图像提取优化仿真研究[J]. 计算机仿真, 2015, 32(12): 327-331.
LIU Bo, XU Lihua, LU Shengchang. Simulation of extraction and optimization for building image[J]. Computer Simulation, 2015, 32(12): 327-331.(in Chinese)
[24] 刘淑荣, 杜相文, 付萍. 一种有效的图像质量增强算法—基于众数滤波的梯度滤波算法[J]. 长春工程学院学报(自然科学版), 2004, 5(3):68-70.
LIU Shurong, DU Xiangwen, FU Ping. An effective arithmetic about image quality improvement[J]. Journal of Changchun Institute of Technology, 2004, 5(3): 68-70.(in Chinese)
[25] 李强, 谢春思, 盖强, 等. 基于Top-hat变换与OTSU的近岸舰船目标检测[J]. 红外, 2018, 39(10): 44- 48.
LI Qiang, XIE Chunsi, GAI Qiang, et al. In-shore ship target detection based on Top-hat transformation and OTSU[J]. Infrared, 2018, 39(10): 44- 48.(in Chinese)
[26] 张忠芳,赵争,魏钜杰. 自适应阈值的视觉注意模型SAR舰船检测算法[J]. 遥感信息,2017,32(4):104-111.
ZHANG Zhongfang, ZHAO Zheng, WEI Jujie. Ship detection algorithm based on adaptive threshold of visual attention model in synthetic aperture radar image[J]. Remote Sensing Information, 2017, 32(4): 104-111.(in Chinese)
