CN104952070A - 一种类矩形引导的玉米田遥感图像分割方法 - Google Patents
一种类矩形引导的玉米田遥感图像分割方法 Download PDFInfo
- Publication number
- CN104952070A CN104952070A CN201510307309.XA CN201510307309A CN104952070A CN 104952070 A CN104952070 A CN 104952070A CN 201510307309 A CN201510307309 A CN 201510307309A CN 104952070 A CN104952070 A CN 104952070A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- region
- value
- rectangle
- area
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及农业遥感图像分割技术,具体为一种类矩形引导的玉米田遥感图像分割方法。该方法首先采用SUSAN算子对融合后的卫星遥感图像进行边缘提取,然后根据闭合区域与外接类矩形的关系构建类矩形引导的相关函数,最后将类矩形阈值函数引入基于图的分割算法中实现特定形状的地块分割。该方法能获得较为理想的分割结果,减少了同物异谱所造成边界区域过分割小块,更符合玉米田面积实际统计结果。本发明主要用于大面积玉米种植面积遥感测量中。
Description
技术领域
本发明涉及农业遥感图像分割技术,具体为一种类矩形引导的玉米田遥感图像分割方法。
背景技术
随着遥感技术的发展和卫星空间分辨率的提高,遥感技术成为农作物生产管理方面重要的科技手段,而农作物信息的提取是遥感技术在农作物应用研究方面的关键。图像分割是农作物遥感信息提取的基础,能有效的利用图像的光谱特征、结构信息和几何信息等,获得理想的分割结果,是进行农作物识别和分类的前提。
玉米种植面积遥感测量是农作物遥感信息应用的一个重要方面。对于玉米而言,品种不同、生长时期有差异、局部地势的起伏都会导致玉米遥感图像中出现同物异谱现象,分割时在玉米地块边缘处会出现大量非玉米小块区域,分割结果玉米地块边界位置的确定具有很大的随意性,极大地影响了玉米遥感图像分割的合理性,造成地块边缘出现许多错分小块。
传统分割方法有基于阈值、基于边缘检测和基于区域等方法,应用于玉米田遥感影像分割时,分割的结果并不理想。基于阈值的分水岭分割方法仅考虑了灰度属性值,忽略了空间信息,在进行玉米田分割时会产生严重的过分割;基于边缘的分割方法,如利用Sobel算子、Robert算子和Canny算子来对目标边缘进行提取,对差异悬殊的边界效果较好,但分割玉米田时,会丢失大量的边缘信息,边缘提取的连贯性较差;基于区域的图论分割方法忽略了目标的纹理和玉米地以田埂为边界的类矩形地块结构等特征,边缘区域产生许多错分小块,最终造成玉米种植面积统计错误。
发明内容
本发明为了解决传统分割方法应用于玉米田遥感影像分割时,分割的结果不理想的问题,提供了一种类矩形引导的玉米田遥感图像分割方法。
本发明是采用如下的技术方案实现的:一种类矩形引导的玉米田遥感图像分割方法,包括以下步骤:
S1:利用Gram-schmidt变换对卫星2米全色数据和8米多光谱数据进行融合处理,得到融合图像;
S2:以融合图像中的每一个像素点为中心设置一个检测模板,直至遍历融合图像中的所有像素点,然后计算每个模板中每个像素点与中心像素点的灰度差值,然后取灰度差值的均值为迭代初始值,利用迭代方程计算下一个迭代值,当迭代值不变时,将其作为最后的灰度差阈值t;
S3:比较模板内部各个像素点的灰度值与中心像素点的灰度值,若差值小于阈值t,则该像素点组成该模板中的USAN区域;
S4:以最大USAN区域的像素个数的3/4为全局USAN固定阈值,查找面积小于该固定阈值的USAN区域,得到融合图像在SUSAN算子中的边缘响应值,形成边缘图像;
S5:以边缘图像中各个闭合区域的几何中心为坐标原点构建外接四边形,定义内角度数的变化范围为[85°,95°]的外接四边形为外接类矩形,计算每个外接类矩形面积与对应闭合区域面积的比值,作为类矩形引导的分割权重函数;
S6:计算闭合区域内间距与闭合区域间间距,构造区域分割判据:取两个区域的区域内间距与对应S5中权重函数和的最小值,并与两闭合区域间间距进行比较,若前者小于后者,将两个区域进行合并,否则不合并,得到区域分割判据;
S7:对边缘图像进行基于图的图像分割,利用区域分割判据来进行区域合并的判断,得到分割结果;
S8:将S7得到的分割结果保存或输出。
本发明的核心思想是通过定义一个与地块形状相关的分割权重函数来引导特定形状的分割,用以减少地块边缘区域同物异谱现象导致的玉米种植面积统计错误,通过分析玉米田的光谱、结构等特点,提出一种类矩形引导的地块分割方法,实现大面积玉米种植区的地块分割和面积统计。类矩形的形状更符合玉米田目标的特征,在分割中引入该类矩形分割权重函数,提高了分割的准确性;选取外接四边形的内角度数变化范围为[85°,95°],可以适应更多不同内角的类矩形地块,增强了类矩形权值函数的鲁棒性,使分割效果更好;利用逼近类矩形的形状描述,减少了其他形状特征的影响,具有较好的抗干扰性,减少了碎小地块的产生,使数据量减小,提高了统计效率。从而更快更精确的完成大面积玉米种植区的面积统计工作。
本发明与现有技术相比具有以下优点:
1.本发明在处理图像时能对不准确的分割边界进行优化,并有效的减小同物异谱对地块边界区域进行分割的影响;
2.本发明利用SUSAN边缘检测算法对融合的卫星图像处理,检测出的边缘细腻而光滑,有较好的连续性、完整性,有效识别出玉米田地块的边缘;
3.本发明采用基于图的图像分割理论,能利用全局的特性对图像进行多尺度的分割,加入类矩形分割权重函数,能有效的利用玉米地块几何形状特征,减少了同物异谱所带来的过分割小块区域,分割结果更接近玉米实际分布情况,为玉米种植面积统计提供较好的分割结果。
附图说明
图1为本发明的流程图;
图2为GF-1卫星2米全色图像;
图3为GF-1卫星8米多光谱图像;
图4为全色图像和多光谱图像融合后的融合图像;
图5为利用SUSAN对融合图像进行边缘提取得到的目标边缘图像;
图6为本方法得到的分割结果图,其中a为本方法得到的分割图像,b、c分别对应a中黑边框区域1、区域2的局部放大图;
图7为传统基于图的分割方法得到的分割结果图,其中a为基于图的分割方法得到分割图像,b、c分别对应a中黑边框区域1、区域2的局部放大图;
图8为分水岭方法得到分割结果图,其中a为分水岭方法得到的分割图像,b、c分别对应a中黑边框区域1、区域2的局部放大图;
图9为人工解译参考标准图像,其中a为实验区域解译图,b、c分别对应a中黑边框区域1、区域2的局部放大图,其中白色区域代表玉米区域。
具体实施方式
下面将结合附图对本发明加以详细说明,以GF-1卫星数字遥感影像中的陕西省蓝田县某玉米种植区为例,利用本发明对其进行分割和玉米参考标准面积统计。一种类矩形引导的玉米田遥感图像分割方法,包括以下步骤:
S1:使用Gram-schmidt变换对原始GF-1的2米全色数据和8米多光谱数据进行融合,得到融合图像,提高多光谱波段的空间分辨率,增强图像的清晰度和解译能力,图3为GS融合图像;
S2:以融合图像中的每一个像素点为中心设置一个5×5的方形检测模板,直至遍历融合图像中的所有像素点,然后计算每个模板中各个像素点与中心像素点的灰度差值,然后取灰度差值的均值为迭代初始值,利用迭代方程计算下一个迭代值,当迭代值不变时,将其作为最后的灰度差阈值;
S21:选取检测模板的形状和尺寸,以融合图像中的每一个像素点为中心建立模板,直至遍历融合图像中的所有像素点,本实例采用的是5×5像素的方形检测模板;
S22:根据融合图像中目标与背景的对比程度自适应的选取阈值t;首先计算模板中每个像素点与中心像素点的灰度差值,然后取灰度差值的均值为迭代初始值t0,I(xc,yc)表示模板中心像素点灰度值,xc和yc分别代表模板中心像素的横、纵坐标,I(x,y)表示模板中横、纵坐标分别为x、y的像素点的灰度值,然后根据迭代初始值t0将灰度差直方图分成2部分,计算下一个迭代值ti+1, 其中,m为模板中像素点和中心像素点的灰度差值;h(m)为模板中具有该灰度差值的点的数量;Cmax为灰度差值的最大值,每进行一次迭代后进行判断,若|ti+1-ti|=0则迭代停止,取ti+1作为最后的灰度差阈值t,因为每个模板的阈值t是根据模板内的灰度差值确定的,因此能够很好的检测到不同灰度对比度下的灰度变化,使得USAN区域的判断更加准确;
S3:比较模板内部各个像素点的灰度值与模板中心像素点的灰度值,若差值小于阈值t,则该像素点组成该模板中的USAN区域;比较模板内部每个像素点的灰度值和中心像素点的灰度值,若模板内像素点的灰度值与中心像素点灰度值的差值小于阈值t,则认为该像素点与中心像素点(核)具有相同(或相近)的灰度,满足这一条件的像素点组成的区域称为吸收核同值区(Univalue SegmentAssimilating Nucleus,USAN),根据亮度比较函数计算模板中的USAN区域:
其中c(x,y)表示属于USAN区域的像素点;
S4:以最大USAN区域的像素个数的3/4为全局USAN固定阈值,查找面积小于该固定阈值的USAN区域,得到融合图像在SUSAN算子中的边缘响应值,形成目标边缘图像;
S41:计算出每个模板中的USAN区域的面积,其中n(x0,y0)表示每个模板中属于USAN区域的面积;
S42:在得到每个模块的USAN区域面积后,通过n(x0,y0)与固定阈值g比较得到边缘响应R(x0,y0), R(x0,y0)表示边缘响应,USAN区域的面积越小,边缘响应将越大,g为3nmax/4,nmax为n(x0,y0)中的极大值;
S43:由边缘响应R(x0,y0)得到最终的目标边缘图像,图5为边缘提取结果图像;
S5:以S4中目标边缘图像中每个闭合区域的几何中心为坐标原点构建外接四边形,定义内角度数的变化范围为[85°,95°]的外接四边形为外接类矩形,计算每个外接类矩形面积与对应闭合区域面积的比值,作为类矩形引导的分割权重函数;
定义τ为类矩形引导的分割权重函数:
其中|C|表示闭合区域C的面积,CMER表示闭合区域C的外接类矩形面积,k是一个常数,当k越大时,两个区域的界限就越明显,τ对类矩形形状的倾向性越弱,k的有效取值范围为[30,200],本实例选定k为50;
S6:计算闭合区域内间距与闭合区域间间距,构造分割判据:取两个闭合区域的区域内间距与对应分割权重函数值和的最小值,并与该两闭合区域间间距进行比较,若前者小于后者,将两个区域进行合并,否则不合并;
S61:区域间间距:
其中C1和C2分别表示两个闭合区域,υi,υj分别代表不同分割闭合区域映射在无向图中的节点,E表示由所有υi,υj节点构成的无向边的集合,ω(υi,υj)表示由υi,υj节点构成的无向边的权值,这里定义为两个区域之间连接边的最小长度(若两个区域内的点没有边相连,则定义间距为正无穷大);
S62:区域内间距:其中MST(C,E)表示区域C的最小生成树,这里定义为区域内部的最大连接边长,e表示树的连接边,ω(e)为连接边的权值;
S63:通过比较S61和S62两个间距的关系,结合S5中的分割权重函数得到区域分割判据:
其中MInt(C1,C2)=min(Int(C1)+τ(C1),Int(C2)+τ(C2));
S7:对S4得到的目标边缘图像进行基于图的图像分割,并利用S6中的分割判据来进行区域合并的判断,得到分割结果;
S71:构建无向图G,以步骤S4目标边缘图像中的每个闭合区域表示无向图G的一个节点,每一条连接节点的无向边都具有一个权值,以衡量其连接的两个节点之间的不相似度,无向图G有n个节点和m条无向边,输出是一系列区域,将无向边按照权重值以非递减方式排序,最初的分割记为S(0),即每一个节点代表一个区域;
S72:按照以下的方式由S(q-1)构造S(q),其中:记第q条无向边连接的两个节点为Vi和Vj,如果在S(q-1)中Vi和Vj是分别属于两个闭合区域并且第q条无向边的权重小于两个区域的区域内间距,则合并两个区域,否则令S(q)=S(q-1);
S73:重复步骤S72,从q=1到q=m;
S74:返回S(m)即为所求分割区域集合,得到最终的分割结果图6;
S8:将S7得到的分割结果保存或输出。
对分割结果进行玉米面积统计,与传统的基于图的分割方法和分水岭分割方法比较分析,同时为了验证本方法对实际玉米面积遥感测量的有效性,将分割结果与人工解译样本进行比对。人工解译样本的步骤如下:首先选取局部区域进行地理坐标绘制,投射到遥感图像上进行样本绘图;再对整个图像区域进行人工解译;最后对其野外调查和目视判读,得到相对准确的目标区域参考分割样本。
由图6与图7分割结果图中局部放大区域比较可以看出,加入类矩形阈值函数的本发明在有效区分不同地物的同时,减少了地块边缘小块区域,凸显了玉米地块类矩形的形状特点。
图8分水岭分割方法在玉米种植区分割结果会更零碎些,图像分割区域数目经统计达到24306个,如表2所示,产生严重的过分割现象,这主要是由于玉米田严重的同物异谱特征导致的,特别是地块边缘处,产生大量的小块区域。与图7比较,本发明在有效分割不同光谱特征对象的同时,减少了同物异谱带来的过分割现象,保持了大面积玉米区地块特征,为进一步的玉米种植面积统计提供有效的数据支持。
为了检验类矩形引导分割结果与实际玉米作物分布的符合情况。将本发明方法的分割结果图7与人工解译的目标区域样本图9比较可以看出,类矩形引导的分割结果更符合实际玉米田分布。通过不同分割方法的面积统计与人工解译参考标准面积比较可以看出,如表1所示,本发明方法分割结果面积统计更符合实际玉米田种植情况,优于其他两种分割方法。
表1
表2
Claims (1)
1.一种类矩形引导的玉米田遥感图像分割方法,其特征在于包括以下步骤:
S1:利用Gram-schmidt变换对卫星2米全色数据和8米多光谱数据进行融合处理,得到融合图像;
S2:以融合图像中的每一个像素点为中心设置一个检测模板,直至遍历融合图像中的所有像素点,然后计算每个模板中每个像素点与中心像素点的灰度差值,然后取灰度差值的均值为迭代初始值,利用迭代方程计算下一个迭代值,当迭代值不变时,将其作为最后的灰度差阈值;
S3:比较模板内部各个像素点的灰度值与中心像素点的灰度值,若差值小于阈值,则该像素点组成该模板中的USAN区域;
S4:以最大USAN区域的像素个数的3/4为全局USAN固定阈值,查找面积小于该固定阈值的USAN区域,得到融合图像在SUSAN算子中的边缘响应值,形成边缘图像;
S5:以边缘图像中各个闭合区域的几何中心为坐标原点构建外接四边形,定义内角度数的变化范围为[85°,95°]的外接四边形为外接类矩形,计算每个外接类矩形面积与对应闭合区域面积的比值,作为类矩形引导的分割权重函数;
S6:计算闭合区域内间距与闭合区域间间距,构造区域分割判据:取两个闭合区域的区域内间距与对应分割权重函数值和的最小值,并与两闭合区域间间距进行比较,若前者小于后者,将两个闭合区域进行合并,否则不合并,得到区域分割判据;
S7:对边缘图像进行基于图的图像分割,利用区域分割判据来进行区域合并的判断,得到分割结果;
S8:将S7得到的分割结果保存或输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510307309.XA CN104952070B (zh) | 2015-06-05 | 2015-06-05 | 一种类矩形引导的玉米田遥感图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510307309.XA CN104952070B (zh) | 2015-06-05 | 2015-06-05 | 一种类矩形引导的玉米田遥感图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104952070A true CN104952070A (zh) | 2015-09-30 |
CN104952070B CN104952070B (zh) | 2018-04-13 |
Family
ID=54166698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510307309.XA Expired - Fee Related CN104952070B (zh) | 2015-06-05 | 2015-06-05 | 一种类矩形引导的玉米田遥感图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104952070B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
CN105761264A (zh) * | 2016-02-23 | 2016-07-13 | 福州大学 | 基于逐渐分层缩小思想的聚堆岩粘连石块度分离算法 |
CN105957115A (zh) * | 2016-05-18 | 2016-09-21 | 河北工程大学 | 广义dem思想下的农作物种植结构遥感提取方法 |
CN108960029A (zh) * | 2018-03-23 | 2018-12-07 | 北京交通大学 | 一种行人分心行为检测方法 |
CN109522904A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的规则农田提取方法 |
CN109859057A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 一种农田数据处理方法、服务器及存储介质 |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
CN111630551A (zh) * | 2018-01-23 | 2020-09-04 | X开发有限责任公司 | 图像中的作物类型分类 |
-
2015
- 2015-06-05 CN CN201510307309.XA patent/CN104952070B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
JIANHUA LIU ET AL.: "Adaptive Algorithm for Automated Polygonal Approximation of High Spatial Resolution Remote Sensing Imagery Segmentation Contours", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
PEDRO F.FELZENSZWALB: "Efficient Graph-Based Image Segmentation", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
罗忠亮: "基于改进SUSAN算子的图像边缘检测算法", 《重庆工学院学报》 * |
谭玉敏 等: "一种边界引导的多尺度高分辨率遥感图像分割方法", 《红外与毫米波学报》 * |
陶超 等: "面向对象的高分辨率遥感影像城区建筑物分级提取方法", 《测绘学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761264A (zh) * | 2016-02-23 | 2016-07-13 | 福州大学 | 基于逐渐分层缩小思想的聚堆岩粘连石块度分离算法 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
CN105761266B (zh) * | 2016-02-26 | 2018-09-28 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
CN105957115A (zh) * | 2016-05-18 | 2016-09-21 | 河北工程大学 | 广义dem思想下的农作物种植结构遥感提取方法 |
CN105957115B (zh) * | 2016-05-18 | 2018-06-08 | 河北工程大学 | 广义dem思想下的农作物种植结构遥感提取方法 |
CN111630551A (zh) * | 2018-01-23 | 2020-09-04 | X开发有限责任公司 | 图像中的作物类型分类 |
US11321943B2 (en) | 2018-01-23 | 2022-05-03 | X Development Llc | Crop type classification in images |
CN108960029A (zh) * | 2018-03-23 | 2018-12-07 | 北京交通大学 | 一种行人分心行为检测方法 |
CN109522904A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的规则农田提取方法 |
CN109859057A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 一种农田数据处理方法、服务器及存储介质 |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104952070B (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104952070A (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
Sahebjalal et al. | Analysis of land use-land covers changes using normalized difference vegetation index (NDVI) differencing and classification methods | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN105374033B (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN107966116B (zh) | 一种水稻种植面积的遥感监测方法及系统 | |
CN111126287B (zh) | 一种遥感影像密集目标深度学习检测方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
Delenne et al. | From pixel to vine parcel: A complete methodology for vineyard delineation and characterization using remote-sensing data | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN113657324A (zh) | 基于遥感影像地物分类的城市功能区识别方法 | |
Su et al. | Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery | |
Liu et al. | A lightweight method for grape berry counting based on automated 3D bunch reconstruction from a single image | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180413 Termination date: 20190605 |
|
CF01 | Termination of patent right due to non-payment of annual fee |