CN104268581A - 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 - Google Patents
一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 Download PDFInfo
- Publication number
- CN104268581A CN104268581A CN201410546394.0A CN201410546394A CN104268581A CN 104268581 A CN104268581 A CN 104268581A CN 201410546394 A CN201410546394 A CN 201410546394A CN 104268581 A CN104268581 A CN 104268581A
- Authority
- CN
- China
- Prior art keywords
- sub
- pixed mapping
- pixel
- spatial coherence
- level
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法,首先,利用常用的像元级空间相关性特征描述方法(空间吸引力模型)以简单快速无迭代的方式从邻域像元的软分类信息(类别比例)中提取像元级空间相关性特征;其次,利用普遍使用的亚像元级空间相关性特征描述方法(指数衰减模型)从亚像元制图迭代结果中提取亚像元级的相关性特征;然后,将像元级和亚像元级的空间相关性特征进行归一化融合得到综合的空间相关性特征值用于亚像元类别属性的确定;最后,根据综合的空间相关性特征值利用经典二值分支定界的整数规划算法获得所有类别空间相关性特征值总和最大的亚像元在混合像元中的最优空间布局。本发明计算速度快、模拟精度高。
Description
技术领域
本发明涉及一种亚像元制图方法,属于地球空间信息技术领域。
背景技术
近年来,从数字遥感影像提取土地利用/土地覆被专题地图(影像分类)是遥感技术研究中的热点领域。然而在遥感影像获取过程中,由于地表的复杂性、外部环境的影响以及传感器自身的局限性,使得影像中普遍存在混合像元(Mixed Pixel)。在遥感分类过程中,传统硬分类方法仅赋予每个像元一种地物类别,在处理混合像元时会造成结果的不准确并限制其深入应用。软分类方法被提出用于获取混合像元内部各地物的类别比例(也称百分比、软信息、分数影像),却无法指定各地物类别在混合像元内部的具体位置。因此,因此,遥感亚像元制图技术(Sub-pixel Mapping or Super-resolution Mapping)被提出用于进一步解决混合像元的问题,实现了比原始输入空间分辨率更精细的硬分类图(Atkinson,1997)。亚像元制图能够进一步细化和精确影像分类结果,使遥感技术应用从像元尺度进入到亚像元尺度,而亚像元制图也成为必要且有意义的研究内容。
亚像元制图是在空间相关性原理的基础上利用低分辨率的软分类结果获得比输入遥感影像更高空间分辨率的土地覆被图。如何精确地描述地物的空间相关性特征是获得高精度亚像元制图结果的关键。目前的亚像元制图方法主要有两种描述空间相关性特征的方式。第一种是从邻域亚像元中提取的亚像元级空间相关性特征,包括利用HNN获取亚像元结果的最小能量函数(Tatem et al.,2001),借助GA优化亚像元相关性特征(Mertens et al.,2003),基于像元交换的亚像元制图算法(Atkinson,2005),采用Markov Random Field提取亚像元最优空间布局(Ardila et al.,2011;Kasetkasem et al.,2005)等。第二种是从邻域像元中提取的像元级空间相关性特征,包括利用kriging模型提取空间相关性特征参数(Verhoeye and De Wulf,2002),基于空间吸引力模型(SAM)的亚像元制图方法(Mertens et al.,2006),利用邻域像元绘制各地物在混合像元内部边界的GSPM(Ge,2013;Ge et al.,2009),基于人工智能算法AdaptiveDifferential Evolution定位亚像元最佳位置(Zhong and Zhang,2012)等。第一种方式通常需要耗费相对较长时间来逐步迭代获得制图结果,第二种方式效率较高常无需迭代。然而,这两种方式仅是获取了单一级别(像元级或亚像元级)的空间相关性特征,均未能充分有效地利用空间相关性特征,这势必会限制亚像元制图的精度。因为,缺乏像元级特征的亚像元级空间相关性信息能有效描述局部信息却难表达结构性的信息,进而造成不连续的地物斑块(例如,断裂的线状地物)。而缺乏亚像元级特征的像元级空间相关性信息能够保持结构性特征却易造成如“椒盐”状的噪声。最近,已有部分研究尝试在SAM结果的基础上,考虑亚像元级的空间相关性特征对SAM结果进行后处理,包括利用Pixel-swapping算法(PSA)(Shen et al.,2009)和Particle Swarm Optimization算法(PSO)对SAM结果进行后处理(Wang et al.,2012b)。然而,这两种方法均是将两种空间相关性特征分开利用而未同时综合考虑,包括Wang et al.(2012a)和Ling et al.(2013)也是以像元为单位从其内部的亚像元中获取空间相关性特征而代替像元级空间相关性特征,从某种意义上可以认为是从亚像元制图结果中提取出的空间相关性特征,并且也增加了计算的复杂性。
针对上述问题,本发明提出一种基于分支定界的综合利用像元级和亚像元级空间相关性特征的亚像元制图方法(BBSPM),用于克服当前亚像元制图领域仅利用单一空间相关性特征的局限性,将像元级和亚像元级空间相关性两种特征一并应用与亚像元制图过程中,从而充分利用两者的优势,提升亚像元制图的精度。
发明内容
本发明解决的技术问题:提供一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法,首先,利用经典的像元级空间相关性特征描述方法(空间吸引力模型)以简单快速无迭代的方式一次提取像元级空间相关性特征(空间吸引力);其次,利用两种经典的亚像元级空间相关性特征描述方法(均值卷积模板和指数衰减模型)从每次亚像元制图结果中提取亚像元级的相关性特征;然后,将像元级和亚像元级的空间相关性特征进行归一化融合得到综合的空间相关性特征值用于亚像元类别属性的确定;最后,根据综合的空间相关性特征值利用一种二值分支定界的整数规划算法获得所有类别空间相关性特征值总和最大的最优亚像元布局,获得较像元尺度的分类方法更精细和准确的地物分布信息,从而提高遥感影像分类的分辨率和分类精度。
本发明的技术方案:一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法包括如下步骤:
步骤1、获取基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法的输入数据:对遥感影像进行校正去噪等预处理,利用软分类方法获取遥感影像每个像元内每种地物类别所占的组分比例,也称为丰度或分数影像;
步骤2、初始化亚像元的类别属性:直接利用常用的空间吸引力模型亚像元制图结果作为基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法的初始值;
步骤3、计算像元级空间相关性特征:利用空间吸引力模型的8邻域模式计算亚像元在邻域像元影响下相对于各种地物类别的空间相关性特征值,即空间吸引力值;
步骤4、计算亚像元级空间相关性特征:利用指数衰减模型从当前亚像元制图结果中计算各亚像元与相邻亚像元之间相对于各种地物类别的亚像元级空间相关性特征值;
步骤5、计算综合像元级和亚像元级的空间相关性特征:先分别将像元级和亚像元级的空间相关性特征进行归一化处理,然后将归一化的两种空间相关性特征进行加权融合得到综合的空间相关性特征值;
步骤6、确定亚像元的最优类别属性:根据综合的空间相关性特征值,利用经典二值分支定界的整数规划算法在分数影像的约束下以亚像元各类别空间相关性特征值总和最大为目标,获得亚像元在混合像元中的最优类别属性,即亚像元的最优空间布局。
进一步的,所述步骤3利用在亚像元制图领域比较流行的空间吸引力模型来获得像元级空间相关性以刻画结构性特征,该模型具有在计算中简单快速无迭代,且不需要额外信息的特征,能降低算法的时间复杂度,空间吸引力模型的计算公式如下:
其中,表示亚像元vi对应于第k类的像元级空间相关性特征值(即空间吸引力值);Fk(V)表示邻域像元V对应于第k类的类别比例,即分数值;d(vi,V)表示亚像元vi与像元V之间的距离;N表示邻域像元的个数。
进一步的,所述步骤4利用指数衰减模型来获得亚像元级空间相关性特征,该模型在亚像元制图领域中被公认为一种有效的描述局部细节的方法。指数衰减模型的计算公式如下:
其中,表示亚像元vi对应于第k类的亚像元级空间相关性特征值;xk(v)表示邻域亚像元v对应于第k类的类别属性值;d(vi,v)表示亚像元vi与亚像元v之间的距离;a表示指数衰减模型参数;M表示邻域亚像元的个数。
进一步的,所述步骤5综合利用像元级和亚像元级空间相关性特征各自的特点,将像元级和亚像元空间相关性特征进行融合应用于亚像元制图过程中,从而充分利用了两者的优势。因为,缺乏像元级特征的亚像元级空间相关性信息能有效描述局部信息却难表达结构性的信息,会造成不连续的地物斑块(例如,断裂的线状地物),而缺乏亚像元级特征的像元级空间相关性信息能够保持结构性特征却易造成如“椒盐”的噪声。综合的空间相关性特征计算如下:
其中,ω表示像元级空间相关性特征的权重。
进一步的,所述步骤6将经典的分支定界优化方法应用于亚像元制图优化过程,从而避免智能算法(遗传算法和模拟退火算法)的局部最优和模型参数调优过程。
本发明与现有技术相比的优点在于:本发明是综合利用了像元级和亚像元级两种空间相关性特征的亚像元制图方法,其能将像元级空间相关性特征保持地物结构性和亚像元空间相关性特征保持局部细节性的优点均应用于地物在亚像元尺度上的分布预测,从而在亚像元尺度上提供和描述了土地利用/土地覆被地物类型的空间模式。同时,经典高效的分支定界二值整数优化方法的加入,能快递地获得全局最优的结果。与传统方法相比,此算法计算简单、解释性较强、算法效率高,且不需要其他辅助数据,亚像元制图的结果视觉效果好精度高。
附图说明
图1为本发明的主流程图;
图2为本发明的模拟测试数据,(a)为240*240像元大小包括4类地物的模拟土地覆被专题图,(b)为利用降级因子8将(a)降级为模拟的软分类结果的分数影像,(c)为将(b)直接硬化得到的常规硬分类的模拟专题图;
图3为本发明的结果及传统方法的结果对比,(a)基于像元级空间相关性特征的空间吸引力模型结果,(b)基于亚像元级空间相关性特征的像元交换算法的结果,(c)本发明提出的基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图结果。
具体实施方式
下面结合附图以及具体实施例进一步说明本发明。
如图1所示,本发明的具体实施过程如下:
步骤1、预处理遥感数据,获得分数影像。
通常针对真实的遥感影像需要对其进行几何校正、大气校正及去噪等预处理,然后根据实地考察得到的训练样本将真实的遥感影像经过软分类得到每个像元内各种地物类别所占的比例,即分数影像,以此作为亚像元制图的输入数据。由于软分类过程往往存在误差,因此为避免软分类过程的误差影响亚像元制图,本节利用模拟影像来描述亚像元制图的具体实施过程。通过手绘一幅包含4类地物的矢量图,并将其转换为一幅栅格图(如图2(a)所示),其大小为240×240像元,以此作为参考图用于验证亚像元制图方法的有效性。将这幅参考图像采用降级因子8降级得到1幅30×30像元大小的分数影像(如图2(b)所示),以此作为亚像元制图的输入数据。图2(c)是将图2(b)的分数影像硬化得到的模拟硬分类结果,用于直观地比较亚像元制图结果与硬分类结果图像质量上的差异。
步骤2、利用分数影像进行亚像元制图。
为对比本发明提出的BBSPM方法与传统的基于像元级空间相关性特征的空间吸引力模型亚像元制图和基于亚像元级空间相关性特征的像元交换亚像元制图方法在实验中的性能,该过程进行了3种亚像元制图方法的实验。实验结果分别为:图3(a)是基于像元级空间相关性特征的空间吸引力模型结果,图3(b)是基于亚像元级空间相关性特征的像元交换算法的结果,图3(c)是本发明提出的基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图结果。
本发明未详细阐述部分属于本领域技术人员的公知技术。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本邻域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (5)
1.一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法,其特征在于:步骤如下:
步骤1、获取基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法的输入数据:对遥感影像进行校正去噪预处理,利用软分类方法获取遥感影像每个像元内每种地物类别所占的组分比例,也称为丰度或分数影像;
步骤2、初始化亚像元的类别属性:直接利用常用的空间吸引力模型亚像元制图结果作为基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法的初始值;
步骤3、计算像元级空间相关性特征:利用空间吸引力模型的八邻域模式计算亚像元在邻域像元影响下相对于各种地物类别的空间相关性特征值,即空间吸引力值;
步骤4、计算亚像元级空间相关性特征:利用指数衰减模型从当前亚像元制图结果中计算各亚像元与相邻亚像元之间相对于各种地物类别的亚像元级空间相关性特征值;
步骤5、计算综合像元级和亚像元级的空间相关性特征:先分别将像元级和亚像元级的空间相关性特征进行归一化处理,然后将归一化的两种空间相关性特征进行加权融合得到综合的空间相关性特征值;
步骤6、确定亚像元的最优类别属性:根据综合的空间相关性特征值,利用经典二值分支定界的整数规划算法在分数影像的约束下以亚像元各类别空间相关性特征值总和最大为目标,获得亚像元在混合像元中的最优类别属性,即亚像元的最优空间布局。
2.根据权利要求1所述的基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法,其特征在于:所述步骤3利用在亚像元制图领域比较流行的空间吸引力模型来获得像元级空间相关性以刻画结构性特征,该模型具有在计算中简单快速无迭代,且不需要额外信息的特征,能降低算法的时间复杂度,空间吸引力模型的计算公式如下:
其中,表示亚像元vi对应于第k类的像元级空间相关性特征值(即空间吸引力值);Fk(V)表示邻域像元V对应于第k类的类别比例,即分数值;d(vi,V)表示亚像元vi与像元V之间的距离;N表示邻域像元的个数。
3.根据权利要求1所述的基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法,其特征在于:所述步骤4利用指数衰减模型来获得亚像元级空间相关性特征,该模型在亚像元制图领域中被公认为一种有效的描述局部细节的方法。指数衰减模型的计算公式如下:
其中,表示亚像元vi对应于第k类的亚像元级空间相关性特征值;xk(v)表示邻域亚像元v对应于第k类的类别属性值;d(vi,v)表示亚像元vi与亚像元v之间的距离;α表示指数衰减模型参数;M表示邻域亚像元的个数。
4.根据权利要求1所述的基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法,其特征在于:所述步骤5综合利用像元级和亚像元级空间相关性特征各自的特点,将像元级和亚像元空间相关性特征进行融合应用于亚像元制图过程中,从而充分利用了两者的优势;因为,缺乏像元级特征的亚像元级空间相关性信息能有效描述局部信息却难表达结构性的信息,会造成不连续的地物斑块(例如,断裂的线状地物),而缺乏亚像元级特征的像元级空间相关性信息能够保持结构性特征却易造成如“椒盐”的噪声。综合的空间相关性特征计算如下:
其中,ω表示像元级空间相关性特征的权重。
5.根据权利要求1所述的基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法,其特征在于:所述步骤6将经典的分支定界优化方法应用于亚像元制图优化过程,从而避免智能算法(遗传算法和模拟退火算法)的局部最优和模型参数调优过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410546394.0A CN104268581A (zh) | 2014-10-15 | 2014-10-15 | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410546394.0A CN104268581A (zh) | 2014-10-15 | 2014-10-15 | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104268581A true CN104268581A (zh) | 2015-01-07 |
Family
ID=52160101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410546394.0A Pending CN104268581A (zh) | 2014-10-15 | 2014-10-15 | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268581A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846246A (zh) * | 2016-12-16 | 2017-06-13 | 河海大学 | 一种基于对象的遥感影像超分辨率制图方法 |
CN107220615A (zh) * | 2017-05-24 | 2017-09-29 | 河海大学 | 一种融合兴趣点大数据的城市不透水面信息提取方法 |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
CN110009066A (zh) * | 2019-03-15 | 2019-07-12 | 北京航空航天大学 | 基于逻辑回归的光谱图像亚像元空间定位方法及装置 |
CN110263716A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 |
CN113192007A (zh) * | 2021-04-07 | 2021-07-30 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060045314A1 (en) * | 2004-08-31 | 2006-03-02 | Jun Gao | Measuring sub-wavelength displacements |
CN102298711A (zh) * | 2011-06-21 | 2011-12-28 | 哈尔滨工程大学 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
CN103559506A (zh) * | 2013-11-19 | 2014-02-05 | 中国科学院地理科学与资源研究所 | 一种基于矢量边界的亚像元制图方法 |
-
2014
- 2014-10-15 CN CN201410546394.0A patent/CN104268581A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060045314A1 (en) * | 2004-08-31 | 2006-03-02 | Jun Gao | Measuring sub-wavelength displacements |
CN102298711A (zh) * | 2011-06-21 | 2011-12-28 | 哈尔滨工程大学 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
CN103559506A (zh) * | 2013-11-19 | 2014-02-05 | 中国科学院地理科学与资源研究所 | 一种基于矢量边界的亚像元制图方法 |
Non-Patent Citations (4)
Title |
---|
梁玉梅: "《2006年上海大学博士学位论文——第1辑》", 31 December 2009, 上海大学出版社 * |
汪春峰: ""几类全局优化问题的分支定界方法"", 《中国博士学位论文全文数据库基础科学辑》 * |
王群明: ""遥感图像亚像元定位及相关技术研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
赫孝良 等: "《最优化与最优控制》", 28 February 2009, 西安交通大学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846246A (zh) * | 2016-12-16 | 2017-06-13 | 河海大学 | 一种基于对象的遥感影像超分辨率制图方法 |
CN106846246B (zh) * | 2016-12-16 | 2019-07-05 | 河海大学 | 一种基于对象的遥感影像超分辨率制图方法 |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN107220615A (zh) * | 2017-05-24 | 2017-09-29 | 河海大学 | 一种融合兴趣点大数据的城市不透水面信息提取方法 |
CN107220615B (zh) * | 2017-05-24 | 2020-08-14 | 河海大学 | 一种融合兴趣点大数据的城市不透水面信息提取方法 |
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
CN110009066A (zh) * | 2019-03-15 | 2019-07-12 | 北京航空航天大学 | 基于逻辑回归的光谱图像亚像元空间定位方法及装置 |
CN110263716A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 |
CN113192007A (zh) * | 2021-04-07 | 2021-07-30 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
CN113192007B (zh) * | 2021-04-07 | 2022-01-21 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268581A (zh) | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
Ling et al. | Object-based sub-pixel mapping of buildings incorporating the prior shape information from remotely sensed imagery | |
Wang et al. | Indicator cokriging-based subpixel mapping without prior spatial structure information | |
Ling et al. | Waterline mapping at the subpixel scale from remote sensing imagery with high‐resolution digital elevation models | |
CN100595782C (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
Ge et al. | Vectorial boundary-based sub-pixel mapping method for remote-sensing imagery | |
CN103559506B (zh) | 一种基于矢量边界的亚像元制图方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
da Paz et al. | Errors in river lengths derived from raster digital elevation models | |
Tang et al. | Slope spectrum critical area and its spatial variation in the Loess Plateau of China | |
Du et al. | Segmentation and sampling method for complex polyline generalization based on a generative adversarial network | |
Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
Ge et al. | Multiple-point simulation-based method for extraction of objects with spatial structure from remotely sensed imagery | |
Guo et al. | Urban impervious surface extraction based on multi-features and random forest | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Li et al. | Extracting check dam areas from high‐resolution imagery based on the integration of object‐based image analysis and deep learning | |
Pardo‐igúzquiza et al. | Morphometric analysis of karst depressions on a Mediterranean karst massif | |
CN104318100A (zh) | 一种基于特征敏感投影算子的厚度点云薄化方法 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
Schleier et al. | Robust landslide susceptibility analysis by combination of frequency ratio, heuristic GIS-methods and ground truth evaluation for a mountainous study area with poor data availability in the Three Gorges Reservoir area, PR China | |
CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
CN101561882B (zh) | 一种基于空间相关性的亚像元空间定位方法 | |
Wang et al. | Boundary extraction of urban built-up area based on luminance value correction of NTL image |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150107 |