CN104915925A - 制备高精度掩膜文件进行干旱河谷提取的方法 - Google Patents
制备高精度掩膜文件进行干旱河谷提取的方法 Download PDFInfo
- Publication number
- CN104915925A CN104915925A CN201510322167.4A CN201510322167A CN104915925A CN 104915925 A CN104915925 A CN 104915925A CN 201510322167 A CN201510322167 A CN 201510322167A CN 104915925 A CN104915925 A CN 104915925A
- Authority
- CN
- China
- Prior art keywords
- dry
- valley
- image
- mask file
- valleys
- 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
- 238000000605 extraction Methods 0.000 title claims description 30
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明为制备高精度掩膜文件进行干旱河谷提取的方法,其步骤为:首先制定干旱河谷的界定标准;然后对遥感影像预处理和图像增强处理,获得增强图像,再均匀的选择较为纯净的训练样本进行可分离性的计算,并对处理的结果执行监督分类和分类精度的评价,将执行监督分类后的结果依次经过主要分析、聚类分析、合并子集、统计计算过程,最后制作河谷范围内的掩膜文件,经掩膜裁剪后形成需要的干旱河谷范围。本方法可用于利用区域遥感影像进行干旱河谷的选择与制备,为区域重点研究提供准确的基础资料。
Description
技术领域
本发明涉及到一种遥感影像处理技术,尤其是一种基于遥感影像的,采用制备高精度掩膜文件进行干旱河谷的提取方法。
背景技术
干旱河谷——横断山区最突出的自然景观之一。
随着人口的迅速增加与社会经济的高速发展,干旱河谷在人类长期开发利用的基础上,承载了更加严重的干扰和过度利用,如水电站施工、交通建设、村落扩展、城镇发展等等的影响,导致河谷区的植被严重退化,生态急剧恶化,水土流失加剧,山地灾害频繁。这不仅吞噬着区域社会经济发展成果,削弱区域可持续发展的基础, 更加严重的是动摇了整个山地系统的安全。
因此根据高分辨率的遥感影像,将干旱河谷提取出来独立研究将具有非常重要的价值。
干旱河谷的提取,是基于相关资料和研究者的认知等等对遥感影像进行处理,将认为是干旱河谷的区域从影像中提取出来的过程。
现有干旱河谷的提取方法主要是将遥感影像按常规方法进行目视解译,然后基于某种地理因子(如气候、植被、高程等,即降雨量少、气温较高、蒸发量大、高程介于一定范围的区域就是干旱河谷)来约束分类结果进一步确定干旱河谷的范围,最后再通过实地调查来评价结果的过程。该种提取方法中,由于采用的是通过技术人员进行目视解译,所以在提取的过程中存在着如下问题:
(1)当前对于干旱河谷没有普遍接受的标准定义,判定标准也不明确,因而为干旱河谷的提取增加了难度。
(2)现有的干旱河谷提取方法是根据遥感影像的特点,直接分类提取干旱河谷,提取出来的区域比较混乱,容易把一些没有河流存在的区域归类到其中,使得提取出来的结果较为粗糙,甚至有部分错误,造成结果的误差较大,为后续研究的结果埋下了错误的隐患。
(3)目视解译过程中或可能出现提取不完整,或者提取不准备的情况,造成结果与实际的偏差。
为了降低甚至消除可能出现的错误,或更大程度地减少干旱河谷提取的误差,得到最为精确的提取结果,我们需要一种更可靠的提取方法。
发明内容
为了解决上述问题,更大程度地减少干旱河谷提取的误差,得到更为精确的提取结果,本发明提供了一种更可靠的,采用制备高精度掩膜文件进行干旱河谷提取的方法。
本发的干旱河谷提取的方法,按如下步骤进行,
(1)制定干旱河谷的界定标准。
(2)遥感影像预处理和图像增强处理,包括校正处理、彩色合成,并进行波段运算。获得增强图像。
(3)均匀的选择较为纯净的训练样本,并进行可分离性的计算,然后对处理的结果执行监督分类和分类精度的评价。
(4)遥感影像的分类后处理
将执行监督分类后的结果依次经过主要分析、聚类分析、合并子集、统计计算过程。
(5)以分类后结果与和遥感影像图为参考制作河谷范围内的掩膜文件。
(6)利用掩膜文件进行裁剪。
(7)将裁剪后的图像进一步处理后形成需要的干旱河谷范围。
如上所述的干旱河谷提取的方法,具体为,所述的遥感影像预处理和图像增强处理包括几何校正、拼接镶嵌、图像裁剪、影像融合。
如上所述的干旱河谷提取的方法,具体为,所述的遥感影像预处理和图像增强处理包括将影像进行2%拉伸图像拉伸,以舍掉绝大多数的异常值,得到漂亮直观的图片效果。
如上所述的干旱河谷提取的方法,具体为,所述的彩色合成时选择5,4,NDVI。
如上所述的干旱河谷提取的方法,具体为,在步骤7中的进一步处理包括将裁剪后的图像进行多面分解,即把提取出来的部分打散,进行小斑消除,将细小图斑合并到周围的图斑中,然后进行线面平滑。
如上所述的干旱河谷提取的方法,具体为,所述的制定干旱河谷的界定标准。具体为:河谷内没有植被或植被较少的地区评定为干旱河谷。更具体地:在山谷里植被较茂盛的区域不属于干旱河谷,在山谷以外有较少植被的区域同样不是干旱河谷。
如上所述的干旱河谷提取的方法,具体为,所述的均匀的选择较为纯净的训练样本,具体为,所述的均匀是指根据自己的分类定义绘制的相应训练区在整个图像上是分散且均匀展布的。
所述的较为纯净是指根据自己的分类定义绘制的相应训练区时应选择差异较少、较为干净的整个区域。
如上所述的干旱河谷提取的方法,具体为,所述的可分离性的计算是指计算任意类别间的统计距离,用于确定两个类别间的差异性程度。
如上所述的干旱河谷提取的方法,具体为,在步骤3中进行的可分离性的计算,计算结果不合格,通过结果对样本进行二次处理。
如上所述的干旱河谷提取的方法,具体为,所述的主要分析为:将较大类别中的虚假像元归到该类中,定义一个变换核尺寸,用变换核中占主要地位的像元类别代替中心像元的类别。
所述的聚类分析为:将被选的分类用一个扩大操作合并到一块,然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作。
所述的合并子集为:将河谷的类别合并合并到一类。
所述的统计计算为:计算每一类的点数、最小值、最大值、平均值以及类的每个波段的标准差。
有益效果:
由于本发明制定并采用了干旱河谷的界定标准,并通过计算机图像视别与处理技术进行干旱河谷提取,使用提取过程更为精准。其效果具体包括:
1、利用遥感影像提取干旱河谷的过程中,对于干旱河谷判定标准的重新界定,提高了干旱河谷提取的精度和准确率,为后续开展的精细化评价等工作提供了便利。
2、本发明流程避免了单个地理因子对分类结果的约束效应,将因子的效应进行了综合,使分类的结果更加全面准确。
3、本发明将分类后处理结果和高分辨率影像图为参考制作出干旱河谷范围内的掩膜文件,为利用遥感影像对地物信息进行提取提供了一种新的策略与方法,提高了获取地物信息的精度,降低了错误。
本方法可用于利用区域遥感影像进行干旱河谷的选择与制备,为区域重点研究提供准确的基础资料。
附图说明
图1主要分析效果图。
图2聚类分析效果图。
图3是本发明的方法流程图。
图4是分类精度的评价示意图。
图5是1999年ROI可分离性表格图。
具体实施方式
实施例一:
本发的干旱河谷提取的方法,按如下步骤进行,如图3所示。
(1)制定干旱河谷的界定标准。干旱河谷的界定标准在试验前即确定,根据前人的研究结果结合本发明技术的经验确定这一标准,认为判定干旱河谷的标准是:河谷内没有植被或植被较少的地区,包括河道,更具体地,在山谷里植被较茂盛的区域不属于干旱河谷,在山谷以外有较少植被的区域同样不是干旱河谷。
在以下的影像的处理过程中,对分类后的数据用混淆矩阵定量评价分类的精度,也即检验干旱河谷提取的精确与否。其中,两个重要的指标如下:
总体分类精度(Overall Accuracy):等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布,总像元数等于所有真实参考源的像元总数。
Kappa系数(Kappa Coefficient):它是通过把所有真实参考的像元总数(N)乘以混淆矩阵对角线(XKK)的和,再减去某一类中真实参考像元数与该类中被分类像元总数之积之后,再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。
试验分类精度评价参数检验
kappa计算结果为-1~1,但通常kappa是落在 0~1 间,可分为五组来表示不同级别的一致性:0.0~0.20极低的一致性(slight)、0.21~0.40一般的一致性(fair)、0.41~0.60 中等的一致性(moderate)、0.61~0.80 高度的一致性(substantial)和0.81~1几乎完全一致(almost perfect)。
总之,精度评价贯穿于整个数据处理过程,各个步骤的评价是相辅相成的关系,其中,有定性的评价,也有定量的评价。
(2)遥感影像预处理和图像增强处理,包括校正处理、选择5,4,NDVI进行彩色合成,包括将影像进行2%拉伸图像拉伸,基于直方图分布,对图像DN值分布在2%和98%之间的做线性拉伸,即拉伸时去除小于2%大于98%的值,这样绝大多数的异常值会在拉伸时舍掉,显示出漂亮直观的效果。
并进行波段运算,获得增强图像。
(3)均匀的选择较为纯净的训练样本,要求根据自己的分类定义绘制的相应训练区(ROI)在整个图像上是分散且均匀展布的,这个没有具体的标准,较为纯净同样也是一个相对的概念,没有具体的标准来界定,较为纯净是指根据自己的分类定义绘制的相应训练区(ROI)时应选择差异较少、较为干净的整个区域。并进行可分离性的计算,然后对处理的结果执行监督分类和分类精度的评价。
可分离性的计算是指计算任意类别间的统计距离,用于确定两个类别间的差异性程度,当计算结果不合格,将通过结果对样本进行二次处理,返回进行训练样本的重选。计算结果合格后,进行下一步骤。
以1999年岷江上游地区为例,训练样本(ROI)数据的可分离性参数如下:
表 1999年ROI可分离性(见图5)
据可分离性值的大小,从小到大列出感兴趣区组合。这两个参数的值在0~2.0之间,大于1.9说明样本之间可分离性好;小于1.8大于1.4属于合格样本;小于1.4需要重新选择样本;小于1考虑将两类样本合成一类样本。
(4)遥感影像的分类后处理
将执行监督分类后的结果依次经过主要分析,将较大类别中的虚假像元归到该类中,定义一个变换核尺寸,用变换核中占主要地位的像元类别代替中心像元的类别;聚类分析,将被选的分类用一个扩大操作合并到一块,然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作;合并子集,将河谷的类别合并合并到一类;统计计算;计算每一类的点数、最小值、最大值、平均值以及类的每个波段的标准差。
(5)以分类后结果与和遥感影像图为参考制作河谷范围内的掩膜文件。
(6)利用掩膜文件进行裁剪。
(7)将裁剪后的图像进一步处理,包括将裁剪后的图像进行多面分解,即把提取出来的部分打散,进行小斑消除,将细小图斑合并到周围的图斑中,然后进行线面平滑。形成需要的干旱河谷范围。
本发明中的分类精度的评价采用混淆矩阵,用于比较分类结果和地表真实信息,如图4所示。
其中图中的相关参数说明如下:
总体分类精度(Overall Accuracy)
等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布,总像元数等于所有真实参考源的像元总数。
Kappa系数(Kappa Coefficient)
它是通过把所有真实参考的像元总数(N)乘以混淆矩阵对角线(XKK)的和,再减去某一类中真实参考像元数与该类中被分类像元总数之积之后,再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。
kappa计算结果为-1~1,但通常kappa是落在 0~1 间,可分为五组来表示不同级别的一致性:0.0~0.20极低的一致性(slight)、0.21~0.40一般的一致性(fair)、0.41~0.60 中等的一致性(moderate)、0.61~0.80 高度的一致性(substantial)和0.81~1几乎完全一致(almost perfect)。
错分误差(Commission)
指被分为用户感兴趣的类,而实际属于另一类的像元,它显示在混淆矩阵里面。
漏分误差(Omission)
指本身属于地表真实分类,当没有被分类器分到相应类别中的像元数。
制图精度(Prod.Acc)
是指分类器将整个影像的像元正确分为A类的像元数(对角线值)与A类真实参考总数(混淆矩阵中A类列的总和)的比率。
用户精度(User.Acc)
是指正确分到A类的像元总数(对角线值)与分类器将整个影像的像元分为A类的像元总数(混淆矩阵中A类行的总和)比率。
本发明中的主要分析为:采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中,定义一个变换核尺寸,用变换核中占主要地位(像元素最多)的像元类别代替中心像元的类别。如果使用次要分析(Minority Analysis),将用变换核中占次要地位的像元的类别代替中心像元的类别。如图1,主要分析效果图。
由于分类图像经常缺少空间连续性(分类区域中斑点或洞的存在)。低通滤波虽然可以用来平滑这些图像,但是类别信息常常会被临近类别的编码干扰,本发明中采用聚类分析处理解决了这个问题。首先将被选的分类用一个扩大操作合并到一块,然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作。如图2,聚类分析效果图。
上述为本发明示例性说明,不代表本发明的保护范围。
Claims (10)
1.制备高精度掩膜文件进行干旱河谷提取的方法,按如下步骤进行,
(1)制定干旱河谷的界定标准;
(2)遥感影像预处理和图像增强处理,包括校正处理、彩色合成,并进行波段运算;获得增强图像;
(3)均匀的选择较为纯净的训练样本,并进行可分离性的计算,然后对处理的结果执行监督分类和分类精度的评价;
(4)遥感影像的分类后处理
将执行监督分类后的结果依次经过主要分析、聚类分析、合并子集、统计计算过程;
(5)以分类后结果与和遥感影像图为参考制作河谷范围内的掩膜文件;
(6)利用掩膜文件进行裁剪;
(7)将裁剪后的图像进一步处理后形成需要的干旱河谷范围。
2.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,所述的遥感影像预处理和图像增强处理包括几何校正、拼接镶嵌、图像裁剪、影像融合。
3.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,所述的遥感影像预处理和图像增强处理包括将影像进行2%拉伸图像拉伸,以舍掉绝大多数的异常值,得到漂亮直观的图片效果。
4.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,所述的彩色合成时选择5,4,NDVI。
5.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,在步骤7中的进一步处理包括将裁剪后的图像进行多面分解,即把提取出来的部分打散,进行小斑消除,将细小图斑合并到周围的图斑中,然后进行线面平滑。
6.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,所述的制定干旱河谷的界定标准;具体为:河谷内没有植被或植被较少的地区评定为干旱河谷;更具体地:在山谷里植被较茂盛的区域不属于干旱河谷,在山谷以外有较少植被的区域同样不是干旱河谷。
7.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,所述的均匀的选择较为纯净的训练样本,具体为,所述的均匀是指根据自己的分类定义绘制的相应训练区在整个图像上是分散且均匀展布的;
所述的较为纯净是指根据自己的分类定义绘制的相应训练区时应选择差异较少、较为干净的整个区域。
8.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,所述的可分离性的计算是指计算任意类别间的统计距离,用于确定两个类别间的差异性程度。
9.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,在步骤3中进行的可分离性的计算,计算结果不合格,通过结果对样本进行二次处理。
10.如权利要求1所述的制备高精度掩膜文件进行干旱河谷提取的方法,其特征在于,所述的主要分析为:将较大类别中的虚假像元归到该类中,定义一个变换核尺寸,用变换核中占主要地位的像元类别代替中心像元的类别;
所述的聚类分析为:将被选的分类用一个扩大操作合并到一块,然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作;
所述的合并子集为:将河谷的类别合并合并到一类;
所述的统计计算为:计算每一类的点数、最小值、最大值、平均值以及类的每个波段的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510322167.4A CN104915925A (zh) | 2015-06-12 | 2015-06-12 | 制备高精度掩膜文件进行干旱河谷提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510322167.4A CN104915925A (zh) | 2015-06-12 | 2015-06-12 | 制备高精度掩膜文件进行干旱河谷提取的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104915925A true CN104915925A (zh) | 2015-09-16 |
Family
ID=54084965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510322167.4A Pending CN104915925A (zh) | 2015-06-12 | 2015-06-12 | 制备高精度掩膜文件进行干旱河谷提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915925A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203525A (zh) * | 2016-07-18 | 2016-12-07 | 戎巍 | 电子设备及其应用的图像处理方法及系统 |
CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
CN110392244A (zh) * | 2018-04-18 | 2019-10-29 | 长光卫星技术有限公司 | 一种三线阵相机影像合成彩色影像方法 |
CN111598999A (zh) * | 2020-05-13 | 2020-08-28 | 河海大学 | 一种基于三维干旱体结构的干旱事件识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130020225A (ko) * | 2011-08-19 | 2013-02-27 | 인하대학교 산학협력단 | 수변식생천이 분석 시스템 |
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN103324941A (zh) * | 2013-06-19 | 2013-09-25 | 鲁东大学 | 一种基于临近距离的遥感分类图斑边界精度评价方法 |
-
2015
- 2015-06-12 CN CN201510322167.4A patent/CN104915925A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130020225A (ko) * | 2011-08-19 | 2013-02-27 | 인하대학교 산학협력단 | 수변식생천이 분석 시스템 |
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN103324941A (zh) * | 2013-06-19 | 2013-09-25 | 鲁东大学 | 一种基于临近距离的遥感分类图斑边界精度评价方法 |
Non-Patent Citations (2)
Title |
---|
刘炜 等: "土地覆盖遥感专题信息分层分级提取方法研究", 《四川农业大学学报》 * |
高媛媛 等: "基于RS和GIS的干旱河谷范围界定方法研究", 《北京师范大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203525A (zh) * | 2016-07-18 | 2016-12-07 | 戎巍 | 电子设备及其应用的图像处理方法及系统 |
CN110392244A (zh) * | 2018-04-18 | 2019-10-29 | 长光卫星技术有限公司 | 一种三线阵相机影像合成彩色影像方法 |
CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
CN111598999A (zh) * | 2020-05-13 | 2020-08-28 | 河海大学 | 一种基于三维干旱体结构的干旱事件识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
CN107909039B (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
CN104881868B (zh) | 植物群落空间结构提取方法 | |
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 | |
Li et al. | SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation | |
CN110334578A (zh) | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 | |
CN111598045A (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
Cheng et al. | Multi-scale Feature Fusion and Transformer Network for urban green space segmentation from high-resolution remote sensing images | |
CN108710862B (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN104915925A (zh) | 制备高精度掩膜文件进行干旱河谷提取的方法 | |
CN105868717A (zh) | 一种基于分类的高分辨率遥感图像单木树冠信息提取方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及系统 | |
CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
CN116310853A (zh) | 一种基于多源数据的中小城市边缘区提取方法 | |
CN116258869B (zh) | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 | |
Yadav et al. | Building change detection using multi-temporal airborne LiDAR data | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
CN112597936B (zh) | 基于面向对象分层分割的建筑垃圾分离方法及相关产品 | |
CN115496939A (zh) | 一种基于多源遥感数据的湿地信息提取方法 | |
CN113361407B (zh) | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 | |
CN109615610A (zh) | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 | |
CN116665070B (zh) | 融合跳跃网络与Mask R-CNN模型的梯田遥感识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20150916 |