CN102542293A - 一种针对高分辨率sar图像场景解译的一类提取分类方法 - Google Patents
一种针对高分辨率sar图像场景解译的一类提取分类方法 Download PDFInfo
- Publication number
- CN102542293A CN102542293A CN2011104463738A CN201110446373A CN102542293A CN 102542293 A CN102542293 A CN 102542293A CN 2011104463738 A CN2011104463738 A CN 2011104463738A CN 201110446373 A CN201110446373 A CN 201110446373A CN 102542293 A CN102542293 A CN 102542293A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- level
- extracted
- extraction
- 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
Links
Images
Abstract
本发明公开了一种针对高分辨率SAR图像场景解译的一类提取分类方法,包括:S1:重叠分割图像:使用固定大小固定步长的滑动窗口将SAR图像分割成多个子图像,其中滑动的步长小于子图像的尺寸,相邻的子图像间存在部分重叠区域;S2:图像表征:针对SAR图像中存在的不同类别,选择分别适合于每个类别的特征作为分类依据,对于每个类别的分类建立独立的、专用的、合适的特征空间;S3:一类提取分类,包括:对于分布面积较大的地物区域,使用切片级提取;对于分布狭窄、稀疏的区域,使用图像级提取;S4:最终判决,包括:S41:对切片级提取结果做空间相关性分析;S42:将图像级提取结果覆盖于切片级提取结果上之后,进行语义相关性分析。
Description
技术领域
本发明涉及图像分类领域,更具体的涉及一种针对高分辨率SAR图像场景解译的一类提取分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天候、全天时的对地观测手段,能够获得地表高分辨、大场景的图像以及详细的测绘信息,在军事及民用等诸多场合都有广泛的应用。近年来载有高分辨率SAR的卫星逐步增多,更是增加了SAR图像的场景解译方法发展的需求。研究高分辨率SAR影像场景解译,是检测目标与识别的基础性工作,利用目标与场景间的关联信息,提升目标识别的效果;是构建智能数据库,管理海量数据SAR影像的基础;同时也为解决实际问题提供数据处理模型及方案,例如城市发展变化检测、自然灾害应急、反恐维稳等。现有诸多SAR图像场景解译方法较少考虑图像像素之外的信息,对于图像高分辨率带来的更多信息处理不是十分有效,加之手动标注正负样本工作在图像解译领域难以高效解决,因此很难扩展到海量数据复杂类别的应用中。
仅正分类的思想是针对解决图像数据中仅有部分正样本信息的分类问题提出的,这对于探索未知图像的解译工作有重要意义。与传统监督分类器不同,仅正分类需要标注的样本仅仅是部分正样本,再加上若干未知样本就能进行学习与预测。这一点对于SAR图像的场景解译来说是更为实际的,因为负样本的概念非常模糊,并非自然的概念,我们无法获得一个完备的负样本集合,这一点与仅正分类思想可解决的问题十分贴合。在随机选取未知样本的条件下,相同正样本的仅正分类器预测结果概率与传统分类器的预测概率之间只相差一个固定的比值,这就为仅正分类的结果处理提供了依据。在合理估计得到这个比值后,就可以在仅正样本已知的条件下获取期望的仅正分类结果。
由于高分辨率带来了更多可见细节,同时也增加了影像的理解难度,使用单一的可靠特征区分复杂多变的高分辨率SAR影像十分困难。因此将仅正分类结合不同类别的特征选取以及利用图像空间相关性和语义相关性的策略,研究一个针对高分辨率SAR图像场景解译的一类提取分类方法是很有必要的。
发明内容
本发明目的是针对现有的高分辨率SAR图像分类技术的不足和缺陷,提出了一种针对高分辨率SAR图像场景解译的一类提取分类方法。
本发明的技术方案如下:
一种针对高分辨率SAR图像场景解译的一类提取分类方法,其特征在于,其包括以下步骤:
S1:重叠分割图像:先使用固定大小固定步长的滑动窗口将SAR图像分割成多个子图像,其中滑动的步长小于子图像的尺寸,相邻的子图像间存在部分重叠区域;
S2:图像表征:针对SAR图像中存在的不同类别,选择分别适合于每个类别的特征作为分类依据,对于每个类别的分类建立独立的、专用的、合适的特征空间;
S3:一类提取分类,进一步包括;
对于分布面积较大的地物区域,使用切片级提取;
对于分布狭窄、稀疏的区域,使用图像级提取;
S4:最终判决,进一步包括:
S41:对切片级提取结果做空间相关性分析;
S42:将图像级提取结果覆盖于切片级提取结果上之后,进行语义相关性分析。
较佳地,所述步骤S3中:
所述切片级提取,进一步包括:对于每个类别的一类提取分类,将步骤S1中所得子图中若干正样本做关键词标注,再选择2-3倍数量的未标注样本组成训练集;基于支撑向量机模型对该集合进行学习训练,然后用训练做的分类模型对剩下子图进行判决,确定其所属类别。
较佳地,所述若干正样本的数量不超过该类别样本数的5%、所有类别样本总数的1-2%。
较佳地,所述步骤S3中:
所述图像级提取,进一步包括:首先寻找合适的描述子并加以直方图描述,再自适应的确定直方图波谷阈值将图像二值化,最后进行形态学重建完成图像级提取工作。
较佳地,所述步骤S41进一步包括:
对于某一重叠区域,考虑所有包含该区域的子图像不同类别的分类结果,对其进行投票,得票最高的某一类别的真值即为该重叠区域的分类结果。
较佳地,所述步骤S42进一步包括:
利用先验知识,采用形态学滤波,排除大片复杂散射特性区域中包含其他类复杂散射特性区域的可能,同时将水体周围误判为建筑区的森林覆盖区改正,得到最终的分类结果。
与现有技术相比,本发明的有益效果如下:
本发明提供一种针对高分辨率SAR图像场景解译的一类提取分类方法。这样技术方案能在仅有各类别正样本信息的条件下,针对不同类别运用独立的、合适的特征进行分析,因而很好的克服了SAR图像传统多类分类问题中无法提升所有类别的分类精度的问题。另一方面,一类提取分类方法可以结合SAR图像的空间相关性信息,并加以高层知识的语义分析,从而避免违背逻辑的错误分类结果,进一步提高场景解译的精度。
附图说明
图1为实施例的针对高分辨率SAR图像场景解译的一类提取分类流程图。
具体实施方式
下面对针对高分辨率SAR图像场景解译的一类提取分类方法的基本原理和相关概念加以说明。
(1)图像表征
对于高分辨率SAR图像来说,其地物是复杂多变的。使用一个单一的特征在其特征空间内要想区分所有类别往往是困难的,利用一类提取分类方法,则可以对于每一类选取特定有效的特征进行处理,如此达到最合理的图像表征形式。
具体地说,在高分辨率SAR图像中,建筑区有极强的散射特性,其亮度值通常是非常高的,因此对于建筑区的一类提取分类使用灰度作为特征就足够了,具体的每个切片的特征则用灰度直方图来表示;森林区域具有明显的规律性纹理,可以考虑采用纹理异质性描述子:
将其直方图作为特征进行处理是最为合适的;城市周围的空旷区域地貌比较复杂,在不同时间拍摄的影像可能是不同生长期的地表植被或者农田,因此需要结合灰度及纹理直方图(n维灰度直方图及m维纹理直方图的合并,即组成一个新的(n+m)维的特征),如此可以达到一个期望的效果。
(2)一类提取分类
一类提取分类的基础是仅正分类器,仅正分类的思想是针对解决图像数据中仅有部分正样本信息的分类问题提出的。与传统监督分类器不同,仅正分类需要标注的样本只是部分正样本,再加上若干未知样本就能进行学习与预测。我们记x为一个样本切片,它的真值为y=0或1,表示是否属于该类。令s=1表示该样本被标注,s=0表示未标注样本,那么根据假设标注样本必定是正样本,即当s=1时y=1,当s=0时y=0或1。
对于传统的分类器来说,需要从训练数据 <x,y>中获取的目标函数为
f(x)=p(y=1|x)
其中每一个样本的标注值都是已知的。基于仅正分类理论的一类提取分类器在仅有训练集<x,s>的条件下获取需要的目标函数为
g(x)=p(s=1|x)
在正样本相同、随机选取未标注样本的条件下,对于每个样本来说p(s=1|x,y=1)的值为常数,与样本本身无关,即
p(s=1|x,y=1)=p(s=1|y=1)=c
因此有:
p(s=1|x)=p(y=1∧s=1|x)
=p(y=1|x)p(s=1|y=1,x)
=p(y=1|x)p(s=1|y=1)
那么由此可以证明,一类提取分类的目标函数与传统分类器的目标函数之间的仅相差一个比例因子,即
其中c的值就是任意正样本被标注的概率,它可以由以下估计得到:
这里P为训练集中的标注的正样本集合,n为标注正样本的数量。基于以上理论,就可以在仅有正样本标注的一般情况下完成一类提取分类的工作,并且达到与传统正负样本已知的分类器相同的效果。
这样,我们就可以在仅获取部分正样本信息的一般条件下来得到一类提取分类的合理结果,进而对于一幅复杂的高分辨率SAR图像来说,可能存在k类地物,那么进行k次一类提取分类就可以完整进行图像的解译工作,同时因为每个一类提取分类都因地制宜的选取了最适合于该类别的特征,所以对于各个独立的一类提取分类器来说,都可以获得最好的性能发挥而无需考虑其他类别分类时的问题。
(3)基于重叠切片的空间相关性分析
基于切片的图像分类一般都将图像等分为n*n的若干切片作为对象进行处理与分析,若采用重叠切片,则每次取切片的窗口滑动步长不是原先的n,而是n/4,这样每相邻两个切片中都会有3/4的重叠部分。如此,每个(n/4)*(n/4)大小的切片都会在16个n*n切片中包含(图像边缘切片除外),也就是说对于每一次一类提取分类,一个小切片会得到16个与之相关的结果。我们定义这16个结果组成了一个投票器,即针对该切片各个方向领域内的信息来判断其是否属于某类别,若属于则某大切片的投票结果为赞成,赞成票数最高16,最低0。
根据以上规则,再结合前文所述的一类提取分类思想,对于一个存在k类适合选取样本的地物要素的高分辨率SAR图像,我们利用切片级提取器完成k次切片级一类提取,也就是说有k个针对不同类别的投票器,它们共同组成了进行空间相关性分析的投票决策模块。接下去只需要判断每个切片对应的所有投票器中票数最高的那个就是其最后的分类结果。此外还需要预先设定一个默认的优先级来处理最高票数相同的情况。
如此采用重叠切片可以对(n/4)*(n/4)大小的切片进行分析与分类,达到更高的精度,减小切片造成的锯齿化问题。
(4)语义相关性分析
在高分辨率SAR图像中,我们往往可以在视觉上掌握一些规律。除了基本的低层特征信息之外,为了进一步提高分类性能,我们也需要充分的挖掘这些高层语义信息。
在SAR图像的水域周围经常会出现高亮度值、高纹理异质性的条状区域,一般的分类器往往会将其判断为建筑区,因为其低层灰度及纹理等特征与真实建筑区相似。但是根据SAR影像的成像原理,该高灰度值条状区域是由于水域周边树林二面角反射体现出来的强散射特性而造成的。同时语义知识告诉我们,基本不存在夹在水域及森林之间的条状建筑区。结合以上两点,我们就可以判断水域周边的高亮度值区域为散射较强的森林区,以此来修正先前一类提取分类的一部分错判。
除此之外,高层语义信息还可以为我们解决另一类错误:大片复杂纹理强散射特征区域中夹杂着极少的他类复杂纹理地物,一个最常见的现象就是分类结果的树林区中夹杂少量建筑区。现在已有的高分辨率SAR图像的分辨率可达1米左右,利用SAR可以清晰成像的森林中建筑必定占据足够大的空间,因此一些检测到的很小的建筑往往就是错判,需将该结果修正。反之,简单纹理区域中的少量强散射特征区域是不能进行该操作的,因此正如农田中夹杂一些农场及房屋等是合理必要的存在,不能随意处理。利用这个语音信息可以进一步提升分类器的性能,迎合SAR图像场景解译的实际需求。
所有的高层语义分析的优化工作都是使用形态学滤波完成,使用这一步分析得到的分类结果无论在视觉上还是数据统计上都会有一个明显的效果提升。
参见图1,一种针对高分辨率SAR图像场景解译的一类提取分类方法,其包括以下步骤:
S1:重叠分割图像:先使用固定大小固定步长的滑动窗口将SAR图像分割成多个子图像,其中滑动的步长小于子图像的尺寸,相邻的子图像间存在部分重叠区域。
本实施例中,图像被切割成大小为64*64的重叠子切片,其中滑动步长为16像素点。
S2:图像表征:针对SAR图像中存在的不同类别,选择分别适合于每个类别的特征作为分类依据,对于每个类别的分类建立独立的、专用的、合适的特征空间;
本实施例中,计算每个切片的特征,并求得特征向量,其中包括灰度直方图和纹理直方图。灰度直方图向量为8维,统计每个切片灰度分布;纹理直方图向量为8维,统计每个切片纹理间的差异。
S3:一类提取分类,进一步包括;
对于分布面积较大的地物区域,如建筑物、森林等,使用切片级提取;
对于分布狭窄、稀疏的区域,如河道、道路等,使用图像级提取;
S4:最终判决,进一步包括:
S41:对切片级提取结果做空间相关性分析;
S42:将图像级提取结果覆盖于切片级提取结果上之后,进行语义相关性分析。
其中,所述步骤S3中:所述切片级提取,进一步包括:对于每个类别的一类提取分类,将步骤S1中所得子图中若干正样本做关键词标注,再选择2-3倍数量的未标注样本组成训练集;基于支撑向量机模型对该集合进行学习训练,然后用训练做的分类模型对剩下子图进行判决,确定其所属类别。且所述若干正样本的数量不超过该类别样本数的5%、所有类别样本总数的1-2%。
所述图像级提取,进一步包括:首先寻找合适的描述子并加以直方图描述,再自适应的确定直方图波谷阈值将图像二值化,最后进行形态学重建完成图像级提取工作。
其中,所述步骤S41进一步包括:
对于某一重叠区域,考虑所有包含该区域的子图像不同类别的分类结果,对其进行投票,得票最高的某一类别的真值即为该重叠区域的分类结果。具体做法为:将切片级提取结果中的各一类提取分类器结果进行空间相关性分析,投票比较后得到综合投票图。
其中,所述步骤S42进一步包括:
利用先验知识,采用形态学滤波,排除大片复杂散射特性区域中包含其他类复杂散射特性区域的可能,同时将水体周围误判为建筑区的森林覆盖区改正,得到最终的分类结果。
本实施例中,通过选取不同的特征的多类分类方法与本发明中提供的一类提取分类方法进行实验比较,表1为本发明一类提取分类方法的高分辨率SAR图像分类混淆矩阵(%),表2为各分类方法的分类结果(%)。
表1:
表2
通过列表数据可知,本发明中提供的针对高分辨率SAR图像的一类提取分类方法与现有技术比较,分类精度更高。
本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种针对高分辨率SAR图像场景解译的一类提取分类方法,其特征在于,其包括以下步骤:
S1:重叠分割图像:先使用固定大小固定步长的滑动窗口将SAR图像分割成多个子图像,其中滑动的步长小于子图像的尺寸,相邻的子图像间存在部分重叠区域;
S2:图像表征:针对SAR图像中存在的不同类别,选择分别适合于每个类别的特征作为分类依据,对于每个类别的分类建立独立的、专用的、合适的特征空间;
S3:一类提取分类,进一步包括;
对于分布面积较大的地物区域,使用切片级提取;
对于分布狭窄、稀疏的区域,使用图像级提取;
S4:最终判决,进一步包括:
S41:对切片级提取结果做空间相关性分析;
S42:将图像级提取结果覆盖于切片级提取结果上之后,进行语义相关性分析。
2.根据权利要求1所述的方法,其特征在于,所述步骤S3中:
所述切片级提取,进一步包括:对于每个类别的一类提取分类,将步骤S1中所得子图中若干正样本做关键词标注,再选择2-3倍数量的未标注样本组成训练集;基于支撑向量机模型对该集合进行学习训练,然后用训练做的分类模型对剩下子图进行判决,确定其所属类别。
3.根据权利要求2所述的方法,其特征在于,所述若干正样本的数量不超过该类别样本数的5%、所有类别样本总数的1-2%。
4.根据权利要求1所述的方法,其特征在于,所述步骤S3中:
所述图像级提取,进一步包括:首先寻找合适的描述子并加以直方图描述,再自适应的确定直方图波谷阈值将图像二值化,最后进行形态学重建完成图像级提取工作。
5.根据权利要求1所述的方法,其特征在于,所述步骤S41进一步包括:
对于某一重叠区域,考虑所有包含该区域的子图像不同类别的分类结果,对其进行投票,得票最高的某一类别的真值即为该重叠区域的分类结果。
6.根据权利要求1所述的方法,其特征在于,所述步骤S42进一步包括:
利用先验知识,采用形态学滤波,排除大片复杂散射特性区域中包含其他类复杂散射特性区域的可能,同时将水体周围误判为建筑区的森林覆盖区改正,得到最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104463738A CN102542293A (zh) | 2011-12-27 | 2011-12-27 | 一种针对高分辨率sar图像场景解译的一类提取分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104463738A CN102542293A (zh) | 2011-12-27 | 2011-12-27 | 一种针对高分辨率sar图像场景解译的一类提取分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102542293A true CN102542293A (zh) | 2012-07-04 |
Family
ID=46349143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104463738A Pending CN102542293A (zh) | 2011-12-27 | 2011-12-27 | 一种针对高分辨率sar图像场景解译的一类提取分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542293A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440490A (zh) * | 2013-09-16 | 2013-12-11 | 南京大学 | Sar影像时空相似性分析下的城市不透水面提取方法 |
CN104685540A (zh) * | 2013-09-27 | 2015-06-03 | 华为技术有限公司 | 图像语义分割的方法和装置 |
CN105791638A (zh) * | 2014-12-22 | 2016-07-20 | 盐城工学院 | 最优分辨率配置下湿地生态生境场景溯源方法及装置 |
CN103714353B (zh) * | 2014-01-09 | 2016-11-23 | 西安电子科技大学 | 基于视觉先验模型的极化sar图像分类方法 |
CN106951925A (zh) * | 2017-03-27 | 2017-07-14 | 成都小多科技有限公司 | 数据处理方法、装置、服务器及系统 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
US10070663B2 (en) | 2013-02-13 | 2018-09-11 | Philip Morris Products S.A. | Evaluating porosity distribution within a porous rod |
TWI657969B (zh) * | 2014-02-17 | 2019-05-01 | 菲利浦莫里斯製品股份有限公司 | 評估多孔性桿件內的多孔性分佈 |
CN110310278A (zh) * | 2019-07-08 | 2019-10-08 | 国网山东省电力公司建设公司 | 基于余量切割法的滑动窗口扫描方法 |
CN112906648A (zh) * | 2021-03-24 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种地块中对象的分类方法、装置及电子设备 |
CN115601687A (zh) * | 2022-12-15 | 2023-01-13 | 南京睿聚科技发展有限公司(Cn) | 用于保险理赔过程的现场勘察数据智能处理方法 |
CN116302841A (zh) * | 2023-04-13 | 2023-06-23 | 银川兴诚电子科技有限公司 | 一种工业物联网安全监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894275A (zh) * | 2010-06-29 | 2010-11-24 | 武汉大学 | 一种弱监督的sar图像分类方法 |
CN101916376A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 基于局部样条嵌入的正交半监督子空间图像分类方法 |
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
-
2011
- 2011-12-27 CN CN2011104463738A patent/CN102542293A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN101894275A (zh) * | 2010-06-29 | 2010-11-24 | 武汉大学 | 一种弱监督的sar图像分类方法 |
CN101916376A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 基于局部样条嵌入的正交半监督子空间图像分类方法 |
Non-Patent Citations (1)
Title |
---|
BIN LIU ET AL.: "A number-of-classes-adaptive unsupervised classification framework for SAR images", 《IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIOM(IGRASS),2011》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10070663B2 (en) | 2013-02-13 | 2018-09-11 | Philip Morris Products S.A. | Evaluating porosity distribution within a porous rod |
CN103440490B (zh) * | 2013-09-16 | 2016-10-19 | 南京大学 | Sar影像时空相似性分析下的城市不透水面提取方法 |
CN103440490A (zh) * | 2013-09-16 | 2013-12-11 | 南京大学 | Sar影像时空相似性分析下的城市不透水面提取方法 |
CN104685540B (zh) * | 2013-09-27 | 2017-04-26 | 华为技术有限公司 | 图像语义分割的方法和装置 |
CN104685540A (zh) * | 2013-09-27 | 2015-06-03 | 华为技术有限公司 | 图像语义分割的方法和装置 |
CN103714353B (zh) * | 2014-01-09 | 2016-11-23 | 西安电子科技大学 | 基于视觉先验模型的极化sar图像分类方法 |
TWI657969B (zh) * | 2014-02-17 | 2019-05-01 | 菲利浦莫里斯製品股份有限公司 | 評估多孔性桿件內的多孔性分佈 |
CN105791638A (zh) * | 2014-12-22 | 2016-07-20 | 盐城工学院 | 最优分辨率配置下湿地生态生境场景溯源方法及装置 |
CN106951925A (zh) * | 2017-03-27 | 2017-07-14 | 成都小多科技有限公司 | 数据处理方法、装置、服务器及系统 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107358262B (zh) * | 2017-07-13 | 2020-01-14 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN110310278A (zh) * | 2019-07-08 | 2019-10-08 | 国网山东省电力公司建设公司 | 基于余量切割法的滑动窗口扫描方法 |
CN112906648A (zh) * | 2021-03-24 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种地块中对象的分类方法、装置及电子设备 |
CN115601687A (zh) * | 2022-12-15 | 2023-01-13 | 南京睿聚科技发展有限公司(Cn) | 用于保险理赔过程的现场勘察数据智能处理方法 |
CN115601687B (zh) * | 2022-12-15 | 2023-03-07 | 南京睿聚科技发展有限公司 | 用于保险理赔过程的现场勘察数据智能处理方法 |
CN116302841A (zh) * | 2023-04-13 | 2023-06-23 | 银川兴诚电子科技有限公司 | 一种工业物联网安全监测方法及系统 |
CN116302841B (zh) * | 2023-04-13 | 2023-12-08 | 北京浩太同益科技发展有限公司 | 一种工业物联网安全监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
Yang et al. | Development of image recognition software based on artificial intelligence algorithm for the efficient sorting of apple fruit | |
US10984532B2 (en) | Joint deep learning for land cover and land use classification | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN101799921B (zh) | 一种光学遥感图像云检测方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN103049763A (zh) | 一种基于上下文约束的目标识别方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN102867183A (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
CN102169631A (zh) | 基于流形学习的交通拥堵事件协同检测方法 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN102938069A (zh) | 一种基于信息熵的纯净和混合像元自动划分方法 | |
CN1252588C (zh) | 高光谱遥感图像联合加权随机分类方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
Alburshaid et al. | Palm trees detection using the integration between gis and deep learning | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 | |
Avci et al. | A comparison of pixel-based and object-based classification methods, a case study: Istanbul, Turkey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120704 |
|
WD01 | Invention patent application deemed withdrawn after publication |