CN106127144B - 采用时谱空一体化特征模型的点源风险源自动提取方法 - Google Patents
采用时谱空一体化特征模型的点源风险源自动提取方法 Download PDFInfo
- Publication number
- CN106127144B CN106127144B CN201610457708.9A CN201610457708A CN106127144B CN 106127144 B CN106127144 B CN 106127144B CN 201610457708 A CN201610457708 A CN 201610457708A CN 106127144 B CN106127144 B CN 106127144B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- empty
- point
- source
- cube
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Abstract
本发明公开了一种采用时谱空一体化特征模型的点源风险源自动提取方法,包括:步骤1,生成关键谱空子立方体;步骤2,提取谱空目标子立方体;步骤3,建立时谱空一体化特征模型,提取子点源风险源;步骤4,子点源风险源区域合并,实现点源风险源的自动提取;本发明有效地充分利用时、谱、空数据,建立一体化特征模型,更准确有效地实现点源风险源形状和类型的自动提取;建立高光谱遥感图像的时谱空一体化特征模型,该模型充分考虑了点源风险源遥感数据中时、空、谱特征的整体关系,分析它们之间相互作用和相互影响的概率图模型关系,有效地实现点源风险源的自动提取,提高点源风险源自动提取的精度和自动化程度。
Description
技术领域
本发明涉及高光谱遥感图像的目标提取领域,特别涉及采用时谱空一体化特征模型的点源风险源自动提取方法。
背景技术
水源地生态环境督察需要针对一切对水源地水体有直接或间接影响的所有污染源或风险源进行监察,其中点源污染是对水源地水体有严重影响的污染源,点源风险源是可能产生点源污染的重点监察对象。利用高光谱遥感数据自动提取水源保护区的点源风险源信息,并对水源地所有点源风险源实现空间定位和准确统计,为水源地点源风险源的现场监察提供有利的技术手段。
现有的高光谱遥感图像目标自动提取方法主要应用空间信息方法,如纹理特征,或应用谱特征曲线等方法。然而,现有的自动提取方法没有实现完全本质的自动提取,方法中各种参数的设定,阈值的选取都需要人工干预,影响到变化检测的效率和精度。而且,对于高光谱遥感数据的挖掘还不充分,仍然以二维信息处理技术为主,忽视了高光谱图像图谱合一的特点,时、谱、空数据分开研究,或研究空间纹理特征,或研究光谱曲线特征,没有充分利用多维一体化信息。所以有必要提供一种新的自动提取方法,来弥补现有技术中存在的不足之处。
发明内容
本发明提供了一种采用时谱空一体化特征模型的点源风险源自动提取方法,采用一种时、谱、空一体化特征模型,充分利用遥感图像的时相、空间和谱信息,提高高光谱遥感图像点源风险源提取的精度和自动化程度,以此来解决现有的高光谱遥感图像点源风险源提取技术仍然需要人工的参与,且将时、谱、空数据分开研究,没有充分利用高光谱遥感图像图谱合一的问题。
本发明采用的技术方案为:一种采用时谱空一体化特征模型的点源风险源自动提取方法,包括以下几个步骤:
步骤1,生成关键谱空子立方体:
采用主成分分析方法,获取T个时相高光谱遥感图像中Ti时相的固定I个关键幅高光谱遥感图像,生成关键谱空子立方体;其中T的范围设置在6~12之间,I的范围设置在12~30之间,i的范围设置在1-T之间;
步骤2,提取谱空目标子立方体:
用一个尺寸为h×k×I滑窗Im在整个关键谱空子立方体的第一幅图像平面内滑动,其中:h代表空间行数,k代表空间列数,I代表光谱维数,即步骤1中的I值,h=k=2n,n的范围设置在3~5之间,计算滑窗内像素的三维梯度,如公式(1)所述:
其中,i,j,r表示像素的坐标,x,y,z表示方向的坐标,dx,dy,dz表示x,y,z方向的梯度;dx(i,j,r)是(i,j,r)位置像素在x方向的梯度;dy(i,j,r)是(i,j,r)位置像素在y方向的梯度;dz(i,j,r)是(i,j,r)位置像素在z方向的梯度;
将滑窗内的梯度G(x,y,z)的最大值作为谱空兴趣点,滑窗在整个图像平面内滑动,将获得全部谱空兴趣点,得到一幅谱空兴趣点图像,在该谱空兴趣点图像平面执行谱空区域生长法,进行谱空区域生长完成谱空区域分割;所述谱空区域生长法即以谱空兴趣点作为生长的起点,计算谱空兴趣点与平面4邻域或8邻域谱空兴趣点的相似度,如果相似度小于设定的阈值,其中阈值设置在0.2~0.4之间,则以该谱空兴趣点为中心的区域向其邻域继续生长,直到再没有满足条件的像素可以包括进来,区域生长停止;区域生长结束后,得到若干风险区域,根据这些风险区域的空间形状,将其投影到与之对应的具有全部光谱维数的高光谱遥感影像中,即得到若干谱空目标子立方体;
步骤3,建立时谱空一体化特征模型,提取子点源风险源:
采用词袋的特征描述和稀疏编码,得到谱空目标子立方体的谱空低维特征向量描述符;将全部时相数据构成T个典型时序,采用概率图的DBN网络进行时谱空特征模型的训练和谱空目标子立方体的属性识别,即自动提取子点源风险源;具体包括:
步骤3.1:选取三分之一的谱空目标子立方体作为训练样本,训练样本为spectral-spacial objection sub-volume,缩写为SSOS;设置SSOS的大小为M×N×P,其中,M代表SSOS的空间行数、N代表SSOS的空间列数,P代表SSOS的空间的光谱维数;
步骤3.2:采用滑窗技术对每个SSOS做谱空域的密集采样,得到若干局部谱空兴趣点,局部谱空兴趣点为spectral-spacial interest point,缩写为SSIP,每个SSIP大小均设置为m×n′×p,其中,m代表SSIP的空间行数、n′代表SSIP的空间列数,p代表SSIP的空间光谱维数,m<M,n′<N,p<P,取值根据实际谱空分辨率动态确定;
步骤3.3:对所有SSIP采用聚类方法自主生成点源风险源字典,点源风险源字典中的每个词代表了点源风险源的一个典型局部谱空特征;
步骤3.4:基于词袋的特征空间进行第一次降维处理;对任意一个SSOS,将包含的每一个SSIP分别根据其与点源风险源字典中的词的距离作归类处理,距离最小的词即为该SSIP的标记,其中最小距离的范围设置在0.1-0.4之间,则每个SSOS转换为若干词的集合;每个词代表一个局部谱空特征,即每个SSOS转化为局部谱空特征的集合,由于SSIP数量大,经词袋法获得的SSOS的谱空特征空间的维数高,此时需要采用稀疏编码对特征空间进行二次降维处理;
步骤3.5:建立每个SSOS的基于词袋的稀疏表达式,以直方图的形式直观叙述SSOS的谱空特征属性和每个词对不同SSOS的影响,即基于稀疏编码的特征空间第二次降维处理;
步骤3.6:采用DBN网络用于谱空目标子立方体的时谱空一体化特征模型的构建和自动训练识别;将全部时相影像构成T个典型时序,每一时相段每一类风险源的谱空目标子立方体的谱空特征生成一个贝叶斯网络,反映每一时相段谱空目标子立方体的谱空特征间的概率依存关系,在贝叶斯网络基础上,自动训练生成多个时相的动态贝叶斯网络,反映同一谱空目标子立方体随时相变化的规律;一个谱空目标子立方体时谱空一体化特征模型结构如图3所示,描述了该谱空目标子立方体的谱空特征间的概率依存关系及其随时相Ti(在第一步中说时相是T,请老师统一名称)(i=[1,…,T])变化的情况,图3中的Ci,Oi,Mi分别代表时相Ti下的谱空特征向量、隐含时相状态和概率依存关系;通过DBN分类器计算谱空目标子立方体的时谱空一体化特征模型与预先训练好的时谱空一体化特征模型之间的相似概率,其中最大相似概率对应的DBN模型所属的风险源类型即作为谱空目标子立方体的类型,其中概率相似度最大的范围设置在0.7-0.9之间,谱空目标子立方体类型识别模块流程图如图4所示,即完成子点源风险源的提取。
第4步,区域合并,实现点源风险源的自动提取:
由于谱空区域生长法规则非常严格,导致分割得到的谱空目标子立方体是子点源风险源,即谱空目标子立方体是点源风险源的一部分或全部;因此,在完成属性分类后,需要进行区域合并完成点源风险源的自动提取;所述区域的合并规则为:同属性并近邻原则:只有同时满足以下两点合并规则的谱空目标子立方体才能区域合并:第一,两个子点源风险源近邻;第二,同属于某点源风险源,同时结合知识,更新样本模型的形状信息,完成形状的逐步更新和适应,最终实现点源风险源的自动提取。
与现有技术相比较,本发明的有益效果在于:(1)本发明有效地充分利用时、谱、空数据,建立一体化特征模型,更准确有效地实现点源风险源形状和类型的自动提取;(2)本发明建立高光谱遥感图像的时谱空一体化特征模型,该模型充分考虑了点源风险源遥感数据中时、空、谱特征的整体关系,分析它们之间相互作用和相互影响的概率图模型关系,有效地实现点源风险源的自动提取,提高点源风险源自动提取的精度和自动化程度;(3)本发明对于提高水源地环境保护,提高水源地保护区监控管理水平,提高人民饮用水质量,促进经济、社会的稳定和发展都具有更实际的应用价值和需求。
附图
图1中所示为谱空区域生长流程图;
图2中所示为点源风险源自动提取框图;
图3中所示为基于DBN网络的时谱空特征一体化模型;
图4中所示为谱空目标子立方体类型识别模块流程图。
附图说明:Ci代表时相Ti下的谱空特征向量,Oi代表时相Ti下的隐含时相状态代表时相Ti下的概率依存关系。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
结合图1和图2:一种采用时谱空一体化特征模型的点源风险源自动提取方法,包括以下几个步骤:
步骤1,生成关键谱空子立方体:
采用主成分分析方法,获取T个时相高光谱遥感图像中Ti时相的固定I个关键幅高光谱遥感图像,生成关键谱空子立方体;其中T的范围设置在6~12之间,I的范围设置在12~30之间,i的范围设置在1-T之间;
步骤2,提取谱空目标子立方体:
用一个尺寸为h×k×I滑窗Im在整个关键谱空子立方体的第一幅图像平面内滑动,其中:h代表空间行数,k代表空间列数,I代表光谱维数,即步骤1中的I值,h=k=2n,n的范围设置在3~5之间,计算滑窗内像素的三维梯度,如公式(1)所述:
其中,i,j,r表示像素的坐标,x,y,z表示方向的坐标,dx,dy,dz表示x,y,z方向的梯度;dx(i,j,r)是(i,j,r)位置像素在x方向的梯度;dy(i,j,r)是(i,j,r)位置像素在y方向的梯度;dz(i,j,r)是(i,j,r)位置像素在z方向的梯度;
将滑窗内的梯度G(x,y,z)的最大值作为谱空兴趣点,滑窗在整个图像平面内滑动,将获得全部谱空兴趣点,得到一幅谱空兴趣点图像,在该谱空兴趣点图像平面执行谱空区域生长法,进行谱空区域生长完成谱空区域分割;所述谱空区域生长法即以谱空兴趣点作为生长的起点,计算谱空兴趣点与平面4邻域或8邻域谱空兴趣点的相似度,如果相似度小于设定的阈值,其中阈值设置在0.2~0.4之间,则以该谱空兴趣点为中心的区域向其邻域继续生长,直到再没有满足条件的像素可以包括进来,区域生长停止;区域生长结束后,得到若干风险区域,根据这些风险区域的空间形状将其投影到与之对应的具有全部光谱维数的高光谱遥感影像中,即得到若干谱空目标子立方体;
步骤3,建立时谱空一体化特征模型,提取子点源风险源:
采用词袋的特征描述和稀疏编码,得到谱空目标子立方体的谱空低维特征向量描述符;将全部时相数据构成T个典型时序,采用概率图的DBN网络进行时谱空特征模型的训练和谱空目标子立方体的属性识别,即自动提取子点源风险源;具体包括:
步骤3.1:选取三分之一的谱空目标子立方体作为训练样本,训练样本为spectral-spacial objection sub-volume,缩写为SSOS;设置SSOS的大小为M×N×P,其中,M代表SSOS的空间行数、N代表SSOS的空间列数,P代表SSOS的空间的光谱维数;
步骤3.2:采用滑窗技术对每个SSOS做谱空域的密集采样,得到若干局部谱空兴趣点,局部谱空兴趣点为spectral-spacial interest point,缩写为SSIP,每个SSIP大小均设置为m×n′×p,其中,m代表SSIP的空间行数、n′代表SSIP的空间列数,p代表SSIP的空间光谱维数,m<M,n′<N,p<P;
步骤3.3:对所有SSIP采用聚类方法自主生成点源风险源字典,点源风险源字典中的每个词代表了点源风险源的一个典型局部谱空特征;
步骤3.4:基于词袋的特征空间进行第一次降维处理;对任意一个SSOS,将包含的每一个SSIP分别根据其与点源风险源字典中的词的距离作归类处理,距离最小的词即为该SSIP的标记,其中最小距离的范围设置在0.1-0.4之间,则每个SSOS转换为若干词的集合;每个词代表一个局部谱空特征,即每个SSOS转化为局部谱空特征的集合,由于SSIP数量大,经词袋法获得的SSOS的谱空特征空间的维数高,此时需要采用稀疏编码对特征空间进行二次降维处理;
步骤3.5:建立每个SSOS的基于词袋的稀疏表达式,以直方图的形式直观叙述SSOS的谱空特征属性和每个词对不同SSOS的影响,即基于稀疏编码的特征空间第二次降维处理;
步骤3.6:采用DBN网络用于谱空目标子立方体的时谱空一体化特征模型的构建和自动训练识别;将全部时相影像构成T个典型时序,每一时相段每一类风险源的谱空目标子立方体的谱空特征生成一个贝叶斯网络,反映每一时相段谱空目标子立方体的谱空特征间的概率依存关系,在贝叶斯网络基础上,自动训练生成多个时相的动态贝叶斯网络,反映同一谱空目标子立方体随时相变化的规律;一个谱空目标子立方体时谱空一体化特征模型结构如图3所示,描述了该谱空目标子立方体的谱空特征间的概率依存关系及其随时相Ti(i=[1,…,T])变化的情况,图3中的Ci,Oi,Mi分别代表时相Ti下的谱空特征向量、隐含时相状态和概率依存关系;通过DBN分类器计算谱空目标子立方体的时谱空一体化特征模型与预先训练好的时谱空一体化特征模型之间的相似概率,其中最大相似概率对应的DBN模型所属的风险源类型即作为谱空目标子立方体的类型,其中概率相似度最大的范围设置在0.7-0.9之间,即完成子点源风险源的提取;谱空目标子立方体类型识别模块流程图如图4所示。
第4步,区域合并,实现点源风险源的自动提取:
由于谱空区域生长法规则非常严格,导致分割得到的谱空目标子立方体是子点源风险源,即谱空目标子立方体是点源风险源的一部分或全部;因此,在完成属性分类后,需要进行区域合并完成点源风险源的自动提取;所述区域的合并规则为:同属性并近邻原则:只有同时满足以下两点合并规则的谱空目标子立方体才能区域合并:第一,两个子点源风险源近邻;第二,同属于某点源风险源,同时结合知识,更新样本模型的形状信息,完成形状的逐步更新和适应,最终实现点源风险源的自动提取。
以上描述了本发明的基本原理、主要特征和本发明的优点;本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (2)
1.采用时谱空一体化特征模型的点源风险源自动提取方法,其特征在于:包括以下几个步骤:
步骤1,生成关键谱空子立方体:
采用主成分分析方法,获取T个时相高光谱遥感图像中Ti时相的固定I个关键幅高光谱遥感图像,生成关键谱空子立方体;其中T的范围设置在6~12之间,I的范围设置在12~30之间,Ti的范围设置在1-T之间;
步骤2,提取谱空目标子立方体:
用一个尺寸为h×k×I滑窗Im在整个关键谱空子立方体的第一幅图像平面内滑动,其中:h代表空间行数,k代表空间列数,I代表光谱维数,即步骤1中的I值,h=k=2n,n的范围设置在3~5之间,计算滑窗内像素的三维梯度,如公式(1)所述:
其中,i,j,r表示像素的坐标,x,y,z表示方向的坐标,dx,dy,dz表示x,y,z方向的梯度;dx(i,j,r)是(i,j,r)位置像素在x方向的梯度;dy(i,j,r)是(i,j,r)位置像素在y方向的梯度;dz(i,j,r)是(i,j,r)位置像素在z方向的梯度;
将滑窗内的梯度G(x,y,z)的最大值作为谱空兴趣点,滑窗Im在整个图像平面内滑动,将获得全部谱空兴趣点,将全部谱空兴趣点描绘成一幅谱空兴趣点图像,在该谱空兴趣点图像平面执行谱空区域生长法,进行谱空区域生长完成谱空区域分割;所述谱空区域生长法即以谱空兴趣点作为生长的起点,计算谱空兴趣点与平面4邻域或8邻域谱空兴趣点的相似度,如果相似度小于设定的阈值,其中阈值设置在0.2~0.4之间,则以该谱空兴趣点为中心的区域向其邻域继续生长,直到没有满足条件的像素可以包括进来,区域生长停止;区域生长结束后,得到若干风险区域,根据这些风险区域的空间形状,将其投影到与之对应的具有全部光谱维数的高光谱遥感影像中,即得到若干谱空目标子立方体;
步骤3,建立时谱空一体化特征模型,提取子点源风险源:
采用词袋的特征描述和稀疏编码,得到谱空目标子立方体的谱空低维特征向量描述符;将全部时相数据构成T个典型时序,采用概率图的DBN网络进行时谱空一体化特征模型的训练和谱空目标子立方体的属性识别,即自动提取子点源风险源;
步骤4,子点源风险源区域合并,实现点源风险源的自动提取:
由于谱空区域生长法规则非常严格,导致分割得到的谱空目标子立方体是子点源风险源,即谱空目标子立方体是点源风险源的一部分或全部;因此,在完成属性分类后,需要进行区域合并完成点源风险源的自动提取;所述区域的合并规则为:同属性并近邻原则:只有同时满足以下两点合并规则的谱空目标子立方体才能区域合并:第一,两个子点源风险源近邻;第二,同属于某点源风险源,同时结合知识,更新样本模型的形状信息,完成形状的逐步更新和适应,最终实现点源风险源的自动提取。
2.根据权利要求1所述的采用时谱空一体化特征模型的点源风险源自动提取方法,其特征在于:所述的步骤3具体包括:
步骤3.1:选取三分之一的谱空目标子立方体作为训练样本,训练样本为spectral-spacial objection sub-volume,缩写为SSOS;设置SSOS的大小为M×N×P,其中,M代表SSOS的空间行数、N代表SSOS的空间列数,P代表SSOS的空间的光谱维数;
步骤3.2:采用滑窗技术对每个SSOS做谱空域的密集采样,得到若干局部谱空兴趣点,局部谱空兴趣点为spectral-spacial interest point,缩写为SSIP,每个SSIP大小均设置为m×n′×p,其中,m代表SSIP的空间行数、n′代表SSIP的空间列数,p代表SSIP的空间光谱维数,m<M,n′<N,p<P;
步骤3.3:对所有SSIP采用聚类方法自主生成点源风险源字典,点源风险源字典中的每个词代表了点源风险源的一个典型局部谱空特征;
步骤3.4:基于词袋的特征空间进行第一次降维处理;对任意一个SSOS,将包含的每一个SSIP分别根据其与点源风险源字典中的词的距离作归类处理,距离最小的词即为该SSIP的标记,其中最小距离的范围设置在0.1-0.4之间,则每个SSOS转换为若干词的集合;每个词代表一个局部谱空特征,即每个SSOS转化为局部谱空特征的集合,由于SSIP数量大,经词袋法获得的SSOS的谱空特征空间的维数高,此时需要采用稀疏编码对特征空间进行二次降维处理;
步骤3.5:建立每个SSOS的基于词袋的稀疏表达式,以直方图的形式直观叙述SSOS的谱空特征属性和每个词对不同SSOS的影响,即基于稀疏编码的特征空间第二次降维处理;
步骤3.6:采用DBN网络用于谱空目标子立方体的时谱空一体化特征模型的构建和自动训练识别;将全部时相影像构成T个典型时序,每一时相段每一类风险源的谱空目标子立方体的谱空特征生成一个贝叶斯网络,反映每一时相段谱空目标子立方体的谱空特征间的概率依存关系,在贝叶斯网络基础上,自动训练生成多个时相的动态贝叶斯网络,反映同一谱空目标子立方体随时相变化的规律;通过DBN分类器计算谱空目标子立方体的时谱空一体化特征模型与预先训练好的时谱空一体化特征模型之间的相似概率,其中最大相似概率对应的DBN模型所属的风险源类型即作为谱空目标子立方体的类型,其中概率相似度最大的范围设置在0.7-0.9之间,即完成子点源风险源的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610457708.9A CN106127144B (zh) | 2016-06-21 | 2016-06-21 | 采用时谱空一体化特征模型的点源风险源自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610457708.9A CN106127144B (zh) | 2016-06-21 | 2016-06-21 | 采用时谱空一体化特征模型的点源风险源自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127144A CN106127144A (zh) | 2016-11-16 |
CN106127144B true CN106127144B (zh) | 2019-02-01 |
Family
ID=57268493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610457708.9A Expired - Fee Related CN106127144B (zh) | 2016-06-21 | 2016-06-21 | 采用时谱空一体化特征模型的点源风险源自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127144B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108917677B (zh) * | 2018-07-19 | 2020-03-17 | 福建天晴数码有限公司 | 立方体房间内部尺寸测量方法、存储介质 |
CN109447057B (zh) * | 2018-08-30 | 2021-11-26 | 深圳大学 | 图像特征识别方法、相关装置及存储介质 |
CN110285976A (zh) * | 2019-07-09 | 2019-09-27 | 哈尔滨工业大学(威海) | 基于dbn的多维时序信息驱动航空发动机故障诊断方法 |
CN112241844B (zh) * | 2020-10-21 | 2021-07-13 | 生态环境部卫星环境应用中心 | 饮用水水源地环境风险源本底清单确定及更新方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN104182978A (zh) * | 2014-08-22 | 2014-12-03 | 哈尔滨工程大学 | 一种基于空谱核稀疏表示的高光谱图像目标检测方法 |
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
-
2016
- 2016-06-21 CN CN201610457708.9A patent/CN106127144B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN104182978A (zh) * | 2014-08-22 | 2014-12-03 | 哈尔滨工程大学 | 一种基于空谱核稀疏表示的高光谱图像目标检测方法 |
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
Non-Patent Citations (1)
Title |
---|
饮用水源地非点源风险遥感提取及定量评估;姚延娟 等;《环境科学研究》;20131231;第26卷(第12期);第1349-1355页 |
Also Published As
Publication number | Publication date |
---|---|
CN106127144A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127144B (zh) | 采用时谱空一体化特征模型的点源风险源自动提取方法 | |
CN107092870B (zh) | 一种高分辨率影像语义信息提取方法 | |
Yu et al. | A landslide intelligent detection method based on CNN and RSG_R | |
Drăguţ et al. | Automated parameterisation for multi-scale image segmentation on multiple layers | |
CN105930868B (zh) | 一种基于层次化增强学习的低分辨率机场目标检测方法 | |
CN105139015B (zh) | 一种遥感图像水体提取方法 | |
CN103679675B (zh) | 一种面向水质定量遥感应用的遥感影像融合方法 | |
CN102279929B (zh) | 一种基于对象语义树模型的遥感人造地物目标识别方法 | |
CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN109919944B (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN105869178A (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN103309982B (zh) | 一种基于视觉显著点特征的遥感影像检索方法 | |
Xu et al. | Leaf instance segmentation and counting based on deep object detection and segmentation networks | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
CN105279769A (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN105931241A (zh) | 一种自然场景图像的自动标注方法 | |
CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN112767413B (zh) | 综合区域连通和共生知识约束的遥感影像深度语义分割方法 | |
Zhu et al. | Change detection based on the combination of improved SegNet neural network and morphology |
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: 20190201 Termination date: 20210621 |
|
CF01 | Termination of patent right due to non-payment of annual fee |