CN106846246B - 一种基于对象的遥感影像超分辨率制图方法 - Google Patents
一种基于对象的遥感影像超分辨率制图方法 Download PDFInfo
- Publication number
- CN106846246B CN106846246B CN201611164569.7A CN201611164569A CN106846246B CN 106846246 B CN106846246 B CN 106846246B CN 201611164569 A CN201611164569 A CN 201611164569A CN 106846246 B CN106846246 B CN 106846246B
- Authority
- CN
- China
- Prior art keywords
- classification
- sub
- mapping
- blending objects
- pixed mapping
- 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.)
- Active
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 91
- 238000002156 mixing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 239000002689 soil Substances 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 12
- 230000001788 irregular Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010850 salt effect Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对象的遥感影像超分辨率制图方法,针对基于对象遥感分类过程面临的混合对象问题,开展基于对象软分类获取各对象的类别比例,利用混合对象及其邻域对象之间的空间关系,依靠地理学第一定律——空间相关性原理,借助地统计学中的去卷积和面到点克里金插值技术,估计混合对象内各亚像元的空间相关性特征,在混合对象各类别比例约束下构建一个基于对象的线性优化模型确定亚像元的最优类别属性,进而完成遥感影像的超分辨率制图。本发明具有实用性强、模拟精度高等优点,适用于遥感数据分类、土地覆被/利用、变化检测等地表信息提取和地学数据挖掘工作。
Description
技术领域
本发明涉及地球空间信息技术领域,特别是一种基于对象的遥感影像超分辨率制图方法。
背景技术
从遥感影像中通过分类技术提取土地覆被/利用基础数据是遥感信息提取研究中的热点领域。然而普遍存在于遥感影像中的混合像元是影响分类结果好坏的主要因素。超分辨率制图技术(也称亚像元制图或亚像元定位)是一种用于解决混合像元分类的全新技术(Atkinson,1997),其是将低空间分辨率影像软分类(也称混合像元分解)得到的地物类别比例图降尺度到多级更高空间分辨率的硬分类图(Ge et al.,2016;Ling et al.,2014;Zhong and Zhang,2012),即亚像元尺度下的地物类别标记图。传统硬分类方法仅标记每个像元为一种地物类别会造成混合像元的分类误差和信息丢失,软分类方法仅能给出地物类别的比例而无法确定地物在混合像元内部的具体位置(Chen et al.,2014;Li et al.,2014)。相比传统的硬分类和软分类方法,超分辨率制图是在软分类提供的像元级类别比例约束下获得混合像元内部各亚像元的硬分类结果,从而能有效结合两者的优势,对混合像元进行深层次的挖掘,实现混合像元内部地物精细准确的表达,以提供更丰富的地物分类细节信息(Chen et al.,2015;Ge et al.,2009;Mertens et al.,2006)。
随着遥感科学技术的发展,基于对象的分类技术已深入应用于遥感分类过程中,以适应日益增长的海量高分影像(周成虎and骆剑承,2009)。通过影像分割获得地物对象是实现基于对象分类的关键步骤(Blaschke,2010)。然而,由于普遍存在的混合像元和影像分割方法等因素的制约(Clinton et al.,2010;韩鹏et al.,2010),致使影像分割结果同时包含纯净对象和“混合对象”,其与基于像元分类面临的混合像元问题类似。此外,随着影像空间分辨率的提高,影像能表达的地物细节也随之增加,这造成了同种地物内部的光谱异质性增大,不同地物之间的光谱差异降低,进而使影像分割之后会面临更加复杂的混合对象问题(Blaschke et al.,2014)。
目前,超分辨率制图研究主要是以基于像元的软分类结果来解决混合像元的分类问题(Ge et al.,2016;Tong et al.,2013),还没有超分辨率制图方法能解决在基于对象分类过程面临的混合对象问题。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于对象的遥感影像超分辨率制图方法(OSRM),该方法根据基于对象软分类的类别比例,利用混合对象及其邻域对象之间的空间关系,依靠空间相关性原理,借助地统计学中的去卷积和面到点克里金插值技术,估计混合对象内各亚像元的空间相关性特征,在混合对象各类别比例约束下确定亚像元的最优类别属性,从而提高遥感影像分类精度和分辨率。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种基于对象的遥感影像超分辨率制图方法,包括以下步骤:
步骤1、预处理遥感影像,通过影像分割得到多个对象,进行基于对象的软分类从而获取每个对象的软分类类别比例值,即在每个对象内各类别所占的比例;
步骤2、将步骤1获得的所有对象划分为纯对象和混合对象,纯对象是指软分类类别比例值中有一个类别的比例值超过预设阈值的对象,剩下的对象则为混合对象;混合对象对应在软分类获得的类别比例称为混合对象的类别比例值,纯对象对应在软分类获得的类别比例称为纯对象的类别比例值;
步骤3、建立亚像元尺度下各类别的空间变差函数模型,具体如下:运用地统计中的去卷积方法,将步骤1获得的在每个对象内各类别所占的比例所表征的面尺度下的类别空间变化特征,转换到点尺度下的类别空间变化特征;所述面为对象,所述点为亚像元;
步骤4、设定放大尺度因子,根据混合对象的类别比例值和步骤3中获得的亚像元尺度下各类别的空间变差函数模型,运用面到点克里金插值方法,从混合对象的类别比例值中,获得该混合对象内部各亚像元的类别空间相关性特征;
步骤5、对于纯对象,仅需对该纯对象内部所有亚像元标记为相同的类别信息,从而确定纯对象内亚像元最优类别信息;对于混合对象,根据步骤4中获得的混合对象内部各亚像元的类别空间相关性特征,在混合对象类别比例值的约束前提下,构建基于对象的亚像元最优类别属性线性优化模型,进而确定每个亚像元的最优类别信息。
作为本发明所述的一种基于对象的遥感影像超分辨率制图方法进一步优化方案,所述步骤3中建立亚像元尺度下各类别的空间变差函数模型为:
其中,γV(h)表示从亚像元尺度变差函数模型经过正则化之后得到的面尺度的变差函数;表示任意相距为h的面对象V内点和面对像Vh内点之间的变差函数均值;表示任意面对象V内所有亚像元对之间的变差函数均值。
作为本发明所述的一种基于对象的遥感影像超分辨率制图方法进一步优化方案,所述步骤4中面到点克里金插值的计算如下所示:
其中,表示待估亚像元x的空间相关性特征值;z(Vj)表示对象Vj的观测值;表示亚像元与对象的协方差;表示对象与对象的协方差;λj(x)表示待估亚像元x对应于对象Vj的权重值;μx表示拉格朗日常数;K表示用于计算的对象的个数。
作为本发明所述的一种基于对象的遥感影像超分辨率制图方法进一步优化方案,所述步骤5中基于对象的亚像元最优类别属性线性优化模型如下所示:
其中,表示第j个亚像元对应第c个类别的空间相关性特征值;A(xjc)表示第j个亚像元对应第c个类别的最优类别属性值,A(xjc)∈{0,1};N表示对象内亚像元的个数;Nc表示混合对象内第c个类别的亚像元的个数;C表示类别的个数;m表示混合对象内像元的个数;Vc表示混合对象内第c个类别的比例值;S表示放大因子。
作为本发明所述的一种基于对象的遥感影像超分辨率制图方法进一步优化方案,所述步骤2中的预设阈值为0.9或
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明是一种全新的基于对象的超分辨率制图方法,获取混合对象内部地物精细分类信息,进而解决混合对象内部地物的精细分类问题,以获取更高精度与质量的高空间分辨率土地覆被/利用分类图,而传统的超分辨率制图方法是解决基于像元分类过程存在的混合像元问题;
(2)本发明方法能处理不规则的面对像,而传统超分辨率制图方法仅能处理规则的像元;
(3)本发明方法能以对象的形式进行处理,进而能充分考虑地物对象的结构性,避免传统方法无法考虑地物结构性而导致的椒盐效应和结构破坏等问题;
(4)本发明方法根据基于对象软分类的类别比例,利用混合对象及其邻域对象之间的空间关系,依靠空间相关性原理,借助地统计学中的去卷积和面到点克里金插值技术,估计混合对象内各亚像元的空间相关性特征,在混合对象各类别比例约束下确定亚像元的最优类别属性,从而提高遥感影像分类精度和分辨率。
附图说明
图1为本发明的主流程图。
图2为基于对象的软分类结果;其中,(a)为水体,(b)为裸地,(c)为耕地,(d)为草地。
图3为基于对象的硬分类结果和基于对象的超分辨率制图结果对比;其中,(a)为基于对象的硬分类结果,(b)为基于对象的超分辨率制图结果。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,本发明的具体实施步骤如下:
步骤1、预处理遥感影像,通过影像分割得到多个对象,进行基于对象的软分类从而获取每个对象的软分类类别比例值,即在每个对象内各类别所占的比例;
图2所示为一个360×360像元影像通过影像分割后,通过基于对象的软分类得到的各对象对应于不同地物类别的比例图。图2为基于对象的软分类结果;其中,图2中的(a)为水体,图2中的(b)为裸地,图2中的(c)为耕地,图2中的(d)为草地。
步骤2、将步骤1获得的所有对象划分为纯对象和混合对象,纯对象是指软分类类别比例值中有一个类别的比例值超过预设阈值的对象,剩下的对象则为混合对象;混合对象对应在软分类获得的类别比例称为混合对象的类别比例值,纯对象对应在软分类获得的类别比例称为纯对象的类别比例值;
步骤3、建立亚像元尺度下各类别的空间变差函数模型,具体如下:运用地统计中的去卷积方法,将步骤1获得的在每个对象内各类别所占的比例所表征的面(即对象)尺度下的类别空间变化特征,转换到点(即亚像元)尺度下的类别空间变化特征;
从面对像估计亚像元尺度下的各地物类别信息的空间变差函数模型,是探索面对象尺度与亚像元尺度之间地物类别信息之间的转换规律,为两种尺度间信息传递提供可靠的依据,这里引入地统计学中的去卷积技术来实现这一目的。根据Journel andHuijbregts(1978)在经典地统计学中论述的去卷积基本原理是通过正则化点尺度变差函数得到近似与观测的面尺度实验变差函数一致的正则化面尺度变差函数值,如公式(1)所示:
在平稳假设条件下,公式(1)可简化为公式(2)。其中,γV(h)表示从点(亚像元)尺度变差函数模型经过正则化之后得到的面尺度的变差函数;表示任意相距为h的面对象V内点和面对像Vh内点之间的变差函数均值;表示任意面对象V内所有亚像元对之间的变差函数均值。
步骤4、设定放大尺度因子,根据混合对象的类别比例值和步骤3中获得的亚像元尺度下各类别的空间变差函数模型,运用面到点克里金插值方法,从混合对象的类别比例值,获得该混合对象内部各亚像元的类别空间相关性特征;
面到点克里金插值方法是一种基于空间相关性原理能考虑不规则面尺度数据的形状与大小特征,估计其更精细点尺度属性的插值方法,这里用于估计混合对象内亚像元对应各类地物类别的空间相关性特征。面到点克里金插值的计算如公式(3)和(4)所示:
其中,表示待估亚像元x的空间相关性特征值;z(Vi)表示面(对象)Vi的观测值;表示点与面(即亚像元与对象)的协方差;表示面与面(即对象与对象)的协方差;λj(x)表示待估亚像元x对应于对象Vj的权重值;μx表示拉格朗日常数;K表示用于计算的对象的个数。
步骤5、对于纯对象,仅需对该纯对象内部所有亚像元标记为相同的类别信息,从而确定纯对象内亚像元最优类别信息;对于混合对象,根据步骤4中获得的混合对象内部各亚像元的类别空间相关性特征,在混合对象类别比例值的约束前提下,构建基于对象的亚像元最优类别属性线性优化模型如公式(5)和(6)所示:
其中,表示第j个亚像元对应第c个类别的空间相关性特征值;A(xjc)表示第j个亚像元对应第c个类别的最优类别属性值,A(xjc)∈{0,1};N表示对象内亚像元的个数;Nc表示混合对象内第c个类别的亚像元的个数;C表示类别的个数;m表示混合对象内像元的个数;Vc表示混合对象内第c个类别的比例值;S表示放大因子。
所述步骤5确定纯对象内亚像元最优类别属性过程时,仅需赋予该纯对象内部所有亚像元同一种类别属性,而无需执行步骤5所述的线性优化过程,以提高算法效率。
所述步骤3和4中借助地统计学中的去卷积和面到点克里金插值技术能有效处理不规则的面对象,通过去卷积技术可获取面对象尺度到亚像元点尺度各种地物类别信息的转换规律,运用面到点克里金插值能从不规则的面对象获得其内部精细亚像元尺度地物的类别空间相关性特征。
所述步骤5中创新性地提出构建基于对象的亚像元最优属性标记线性模型,其不再是传统超分辨率制图方法以像元为约束单元,而是以对象为新的约束单元,能有效考虑地物目标的结构性。
为对比本发明提出的OSRM方法与传统的基于对象的硬分类方法在实验中的性能,在实验中进行了对比。实验结果分别为:图3为基于对象的硬分类结果和基于对象的超分辨率制图结果对比;其中,图3中的(a)为基于对象的硬分类结果,图3中的(b)为基于对象的超分辨率制图结果。
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 (4)
1.一种基于对象的遥感影像超分辨率制图方法,其特征在于,包括以下步骤:
步骤1、预处理遥感影像,通过影像分割得到多个对象,进行基于对象的软分类从而获取每个对象的软分类类别比例值,即在每个对象内各类别所占的比例;
步骤2、将步骤1获得的所有对象划分为纯对象和混合对象,纯对象是指软分类类别比例值中有一个类别的比例值超过预设阈值的对象,剩下的对象则为混合对象;混合对象对应在软分类获得的类别比例称为混合对象的类别比例值,纯对象对应在软分类获得的类别比例称为纯对象的类别比例值;
步骤3、建立亚像元尺度下各类别的空间变差函数模型,具体如下:运用地统计中的去卷积方法,将步骤1获得的在每个对象内各类别所占的比例所表征的面尺度下的类别空间变化特征,转换到点尺度下的类别空间变化特征;所述面为对象,所述点为亚像元;
步骤4、设定放大尺度因子,根据混合对象的类别比例值和步骤3中获得的亚像元尺度下各类别的空间变差函数模型,运用面到点克里金插值方法,从混合对象的类别比例值中,获得该混合对象内部各亚像元的类别空间相关性特征;
步骤5、对于纯对象,仅需对该纯对象内部所有亚像元标记为相同的类别信息,从而确定纯对象内亚像元最优类别信息;对于混合对象,根据步骤4中获得的混合对象内部各亚像元的类别空间相关性特征,在混合对象类别比例值的约束前提下,构建基于对象的亚像元最优类别属性线性优化模型,进而确定每个亚像元的最优类别信息;
所述步骤5中基于对象的亚像元最优类别属性线性优化模型如下所示:
其中,表示第j个亚像元对应第c个类别的空间相关性特征值;A(xjc)表示第j个亚像元对应第c个类别的最优类别属性值,A(xjc)∈{0,1};N表示对象内亚像元的个数;Nc表示混合对象内第c个类别的亚像元的个数;C表示类别的个数;m表示混合对象内像元的个数;Vc表示混合对象内第c个类别的比例值;S表示放大因子。
2.根据权利要求1所述的一种基于对象的遥感影像超分辨率制图方法,其特征在于,所述步骤3中建立亚像元尺度下各类别的空间变差函数模型为:
其中,γV(h)表示从亚像元尺度变差函数模型经过正则化之后得到的面尺度的变差函数;表示任意相距为h的面对象V内点和面对像Vh内点之间的变差函数均值;表示任意面对象V内所有亚像元对之间的变差函数均值。
3.根据权利要求1所述的一种基于对象的遥感影像超分辨率制图方法,其特征在于,所述步骤4中面到点克里金插值的计算如下所示:
其中,表示待估亚像元x的空间相关性特征值;z(Vj)表示对象Vj的观测值;表示亚像元与对象的协方差;表示对象与对象的协方差;λj(x)表示待估亚像元x对应于对象Vj的权重值;μx表示拉格朗日常数;K表示用于计算的对象的个数。
4.根据权利要求1所述的一种基于对象的遥感影像超分辨率制图方法,其特征在于,所述步骤2中的预设阈值为0.9或S表示放大因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611164569.7A CN106846246B (zh) | 2016-12-16 | 2016-12-16 | 一种基于对象的遥感影像超分辨率制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611164569.7A CN106846246B (zh) | 2016-12-16 | 2016-12-16 | 一种基于对象的遥感影像超分辨率制图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846246A CN106846246A (zh) | 2017-06-13 |
CN106846246B true CN106846246B (zh) | 2019-07-05 |
Family
ID=59140501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611164569.7A Active CN106846246B (zh) | 2016-12-16 | 2016-12-16 | 一种基于对象的遥感影像超分辨率制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846246B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389571B (zh) * | 2017-08-03 | 2020-03-17 | 香港理工大学深圳研究院 | 一种遥感影像变化检测方法、装置及终端 |
CN107967454B (zh) * | 2017-11-24 | 2021-10-15 | 武汉理工大学 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
CN110263716B (zh) * | 2019-06-21 | 2021-06-22 | 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 |
CN112597983B (zh) * | 2021-03-04 | 2021-05-14 | 湖南航天捷诚电子装备有限责任公司 | 一种遥感图像中目标对象的识别方法及其存储介质和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268581A (zh) * | 2014-10-15 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 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 |
CN105447452A (zh) * | 2015-11-13 | 2016-03-30 | 中国科学院地理科学与资源研究所 | 一种基于地物空间分布特征的遥感亚像元制图方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9384397B2 (en) * | 2013-08-22 | 2016-07-05 | Ut-Battelle, Llc | Model for mapping settlements |
-
2016
- 2016-12-16 CN CN201611164569.7A patent/CN106846246B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268581A (zh) * | 2014-10-15 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 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 |
CN105447452A (zh) * | 2015-11-13 | 2016-03-30 | 中国科学院地理科学与资源研究所 | 一种基于地物空间分布特征的遥感亚像元制图方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106846246A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846246B (zh) | 一种基于对象的遥感影像超分辨率制图方法 | |
CN102054274B (zh) | 一种海岸带水体遥感信息全自动提取方法 | |
CN107292298A (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
CN106780582B (zh) | 基于纹理特征和颜色特征融合的图像显著性检测方法 | |
CN102722891A (zh) | 一种图像显著度检测的方法 | |
CN103632167B (zh) | 类地重力场环境下单目视觉空间识别方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
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 | |
CN105741309A (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
CN109829519B (zh) | 基于自适应空间信息的遥感图像分类方法及系统 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN102663723A (zh) | 一种基于颜色样本与电场模型的图像分割方法 | |
CN102938069A (zh) | 一种基于信息熵的纯净和混合像元自动划分方法 | |
CN115908924A (zh) | 一种基于多分类器的小样本高光谱图像语义分割方法及系统 | |
CN103345742B (zh) | 基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法 | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 | |
CN103400389B (zh) | 一种高分辨率遥感图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |