CN106846325A - 一种遥感影像最优分割结果确定的自动化方法 - Google Patents
一种遥感影像最优分割结果确定的自动化方法 Download PDFInfo
- Publication number
- CN106846325A CN106846325A CN201710028904.9A CN201710028904A CN106846325A CN 106846325 A CN106846325 A CN 106846325A CN 201710028904 A CN201710028904 A CN 201710028904A CN 106846325 A CN106846325 A CN 106846325A
- Authority
- CN
- China
- Prior art keywords
- segmentation result
- image
- segmentation
- cutting object
- remote sensing
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000006185 dispersion Substances 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000005520 cutting process Methods 0.000 claims description 84
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000003709 image segmentation Methods 0.000 claims description 19
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 238000005267 amalgamation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract 2
- 238000004800 variational method Methods 0.000 abstract 1
- 241000908464 Geobia Species 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 3
- 230000018199 S phase Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 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 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感影像最优分割结果确定的自动化方法,包括如下步骤:(1)利用光谱信息离散度指标,构建分割对象内光谱均一性和相邻分割对象间光谱异质性的度量指标,然后构建影像质量函数;(2)采用变分法进行分析,获得影像整体最优分割结果;(3)构建分割对象异质度度量指标,提取处于欠分割和过分割状态的分割对象作优化处理,获得影像全面最优分割结果。本发明实现了遥感影像最优分割结果确定的完全自动化,具有效率高、准确性高和实用性强的优点,在土地遥感监测与灾害监测时应用于地物信息提取。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种遥感影像最优分割结果确定的自动化方法。
背景技术
自Landsat-1遥感卫星应用以来,基于像元的影像分析(Pixel-based ImageAnalysis)方法一直是遥感界进行遥感影像分析的主流方法。然而,随着1999年IKONOS遥感卫星成功发射,以及后来的QuickBird、GeoEye-1、WorldView-I/II/III、高分一号和高分二号等卫星数据投入应用,遥感影像空间分辨率有了极大提高,这使得基于像元的影像分析方法受到越来越多的质疑。
目前,比较通用做法是采用面向对象影像分析方法(Geographic Object-basedImage Analysis, GEOBIA)进行高空间分辨率遥感影像分析。而GEOBIA方法中一个关键步骤是影像分割。影像分割结果质量直接决定数据后期处理质量(例如:图像分类)。目前主流的影像分割算法有多尺度分割、均值漂移分割何分水岭分割算法,然而以上算法大多需要通过设置分割参数来生成相应的分割结果。不同的分割参数,会产生不同质量的分割结果,对影像进行分割操作时,一般都会经历“过度分割―最优分割―欠分割”等三个阶段。因此,对不同质量的分割结果进行评价,从中确定出最优分割结果就显得至关重要。为此,许多解决方法被尝试性提出。然而,人为干预较多,且费时费力,使得这些方法自动化程度普遍不高,进而影响方法的实用性。近些年,陆续有一些自动确定最优分割结果方面的研究成果相继问世,但其实际使用效果并不理想,其客观性还有待进一步加以验证。遥感影像最优分割结果的自动化确定是未来科学研究所优先关注的研究领域。
GEOBIA方法目前需亟待解决的一个问题是如何提高最优分割结果确定的自动化程度。而目前这方面的研究仍处于探索阶段,通用的解决方案仍然缺乏。因此,研究和发展遥感影像最优分割结果确定的自动化方法,以弥补GEOBIA现有不足,得到客观的、自动化程度更高的遥感影像最优分割结果具有重要的理论意义和应用价值。
发明内容
本发明的目的是为解决现有技术的不足而提供一种遥感影像最优分割结果确定的自动化方法。
本发明所采用的技术方案是:
一种遥感影像最优分割结果确定的自动化方法,包括如下步骤:
(10)对一种或多种影像分割方法设置不同的分割参数,并对遥感影像进行分割,得到一系列影像分割结果;
(20)利用光谱信息离散度指标构建分割对象内部光谱均一性的度量指标和相邻分割对象间光谱异质性的度量指标;
(30)利用步骤(20)中两个所述度量指标构建单个分割对象分割质量、影像整体分割质量的度量指标;
(40)采用变分法对步骤(10)中不同分割结果的影像整体分割质量进行对比分析,获得影像整体最优分割结果;
(50)构建分割对象异质度度量指标,然后从所述影像整体最优分割结果中提取处于欠分割和过分割状态的分割对象作优化处理,获得影像全面最优分割结果。
优选的,步骤(10)中所述影像分割方法为多尺度分割和/或均值漂移分割和/或分水岭分割算法。
优选的,步骤(20)中所述光谱均一性的度量指标为;光谱异质性的度量指标为。
优选的,步骤(30)中单个分割对象分割质量的度量指标为;影像整体分割质量的度量指标为。
优选的,在步骤(40) 中采用变分法分析E值的变化,△E的极大值点对应的影像分割结果就是影像整体最优分割结果。
优选的,步骤(50)中所述分割对象异质度度量指标为:。
优选的,步骤(50)在进行提取处于欠分割和过分割状态的分割对象前先将影像整体最优分割结果进行融合,具体的方法是:将影像整体最优分割结果分别用S1,S2,…,St表示;对比分析S1,S2,…,St中对应分割对象边界间包含关系,将S1,S2,…,St进行排队,用表示,对于分割对象的边界来说,存在关系;
再将影像整体最优分割结果作为分割操作的边界约束条件,采用对应的分割参数组合对影像重新进行分割,得到新的分割结果;将作为分割操作新的边界约束条件,采用对应的分割参数组合对影像重新进行分割,得到新的分割结果;如此循环直到结束;最后得到新的分割结果,即为新的影像整体最优分割结果。
优选的,所述步骤(50)中欠分割的分割对象提取与优化处理是:将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序,按3%-10%的比例提取H值较大的分割对象进行多次再分割,多次再分割结果分别和未参与再分割的最优分割结果进行联合,得到两尺度下多次分割结果;根据影像分割结果的△E极大值点,确定两尺度下最优分割结果。
优选的,所述步骤(50)中过分割的分割对象的提取与优化处理是:将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序,按3%-10%的比例提取H值较小的分割对象进行多次合并,多次合并的结果分别与剩下的两尺度下最优分割结果进行联合,得到三尺度下多次合并结果;根据影像分割结果的△E极大值点,确定三尺度下优分割结果,即影像全面最优分割结果。
优选的,所述过分割的分割对象的提取与优化处理是:将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序,按3%-10%的比例提取H值较小的分割对象进行多次合并,多次合并的结果分别与剩下的两尺度下最优分割结果进行联合,得到三尺度下多次合并结果;根据影像分割结果的△E极大值点,确定三尺度下优分割结果,即影像全面最优分割结果。
有益效果:
本发明方法无需人为干预,可以自动实现对遥感影像的不同分割结果进行评价,进而确定出与实际地物边界吻合度好的高精度最优分割结果;相比于现有方法,本发明方法具有效率高、准确性高和实用性强的优点,在土地遥感监测与灾害监测时应用于地物信息提取。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施例进一步阐述本发明。
实施例
如图1所示,一种遥感影像最优分割结果确定的自动化方法,包括如下步骤:(10)对多尺度分割和/或均值漂移分割和/或分水岭分割算法影像分割方法设置n个分割参数,并对遥感影像进行分割,得到n个影像分割结果。
(20)构建分割对象内部光谱均一性度量指标和相邻分割对象间光谱异质性的度量指标;
(21)构建分割对象内部光谱均一性度量指标:
该步骤采用光谱信息离散度(Spectral Information Divergence,SID)方法,
影像上像元可用公式(1)表示:
(1)
其中,是像元的光谱矢量;是波段数;表示像元在第波段上灰度值(=1,2,…,L),(j=1,2,…,L)。
定义像元的概率矢量,如公式(2):
(2)
定义像元的信息熵,如公式(3):
(3)
同理,定义像元的概率矢量,如公式(4):
(4)
定义像元的信息熵,如公式(5):
(5)
定义两不同像元和之间相对熵,分别用公式(6)和(7)表示:
(6)
(7)
定义像元x和像元y之间光谱信息离散度SID表示为:
(8)
计算同一分割对象内部任意两个不同像元间光谱信息离散度,将得到的光谱信息离散度进行平均,用值来表达分割对象内部光谱均一性,如公式(9)所示:
(9)
其中,m,n是分割对象内部不同像元对;P是分割对象内部不同像元对的集合;I是P集合中像元对的数量。
(22)相邻分割对象间光谱异质性的度量指标:
用对象内像元光谱矢量均值计算分割对象与其相邻的任一分割对象间光谱信息离散度,再根据分割对象与其相邻的分割对象间公共边长度设置权重系数,将得到的光谱信息离散度进行加权平均,来表达分割对象与其相邻的分割对象之间的光谱异质性度量指标,如公式(10)所示:
(10)
其中,S代表分割对象;SN代表与S相邻的分割对象;NSS代表与S相邻的所有分割对象集合;和分别表示S和SN对象内像元光谱矢量均值;是权重系数,等于S与SN间公共边长度除以S周长。
(30)用分割对象内部光谱均一性和相邻分割对象间光谱异质性的度量指标构建单个分割对象分割质量的度量指标,然后考虑单个分割对象的面积权重,构建影像整体分割质量的度量指标;
(31)先将分割对象内部光谱均一性度量指标与相邻分割对象间光谱异质性度量指标进行综合,得到分割对象的分割质量e,如公式(11):
(11)
e表征的是单个分割对象的分割质量。
(32)以分割对象面积除以整个影像面积作为权重系数,将影像内所有分割对象的分割质量进行加权平均,得到整个影像的分割质量E,如公式(12):
(12)
其中,是分割对象k的分割质量;是权重系数;表示整个影像内分割对象数量,E表征整个影像分割质量。
(40)采用变分法对不同分割结果的影像整体分割质量进行对比分析,确定出影像整体最优分割结果:
对影像进行分割操作时,一般都会经历“过度分割―最优分割―欠分割”等三个阶段。在从过度分割到最优分割演变过程中,分割对象由小逐步增大,其边缘逐步靠近参考对象的真实边缘。由于影像上物体的边缘附近混合像元较多,分割对象边缘在靠近参考对象的真实边缘过程中不断新增混合像元,使得分割对象内部均一性和相邻分割对象间光谱异质性不断发生变化,从而造成影像分割质量E值不断变化;当分割对象继续增大,刚超过参考对象的真实边缘后,△E(相邻分割参数的E值之间的差值)则出现减小或停止现象。E值的这种变化,当分割对象边缘与参考对象的真实边缘匹配时达到极值,此时影像分割最优。
采用变分法分析E值变化,△E(相邻分割参数的E值之间的差值)的极大值点对应的影像分割就是所求的影像整体最优分割结果。
(50)构建分割对象异质度度量指标,从所述影像整体最优分割结果中提取处于欠分割和过分割状态的分割对象作优化处理,获得影像全面最优分割结果;
(51)构建分割对象异质度度量指标:
构建分割对象的异质度度量指标H,如公式(13)
(13)
其中,是分割对象内光谱信息离散度的归一化方差;是用光谱信息离散度求算的分割对象归一化局部Moran’s I。
(52)影像整体最优分割结果的融合:
考虑到影像上地面物体的尺寸大小和类别不尽相同,影像整体最优分割结果可能会存在多个,分别用S1,S2,…,St表示;对比分析S1,S2,…,St中对应分割对象边界间包含关系,将S1,S2,…,St进行排队,用表示。对于分割对象的边界来说,存在关系。
影像整体最优分割结果的融合方案为:将影像整体最优分割结果作为分割操作的边界约束条件,采用对应的分割参数组合对影像重新进行分割,得到新的分割结果;将作为分割操作新的边界约束条件,采用对应的分割参数组合对影像重新进行分割,得到新的分割结果;循环,直到结束。最后,得到新的分割结果,作为影像全面最优分割结果确定的基础数据。
(53)处于欠分割状态的分割对象的提取与优化处理(再分割):
将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序,按3%-10%的比例提取H值较大的分割对象进行多次再分割;多次再分割结果分别和未参与再分割的最优分割结果进行联合,得到两尺度下多次分割结果;根据影像分割结果的△E(相邻分割参数的E值之间的差值)极大值点,确定两尺度下最优分割结果。
(54)处于过分割状态的分割对象的提取与优化处理(合并):
将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序,按3%-10%的比例提取H值较小的分割对象进行多次合并,多次合并的结果分别与剩下的两尺度下最优分割结果进行联合,得到三尺度下多次合并结果;根据影像分割结果的△E(相邻分割参数的E值之间的差值)极大值点,确定三尺度下优分割结果,即影像全面最优分割结果。
Claims (9)
1.一种遥感影像最优分割结果确定的自动化方法,其特征在于:包括如下步骤:
(10)对一种或多种影像分割方法设置不同的分割参数,并对遥感影像进行分割,得到一系列影像分割结果;
(20)利用光谱信息离散度指标构建分割对象内部光谱均一性的度量指标和相邻分割对象间光谱异质性的度量指标;
(30)利用步骤(20)中两个所述度量指标构建单个分割对象分割质量、影像整体分割质量的度量指标;
(40)采用变分法对步骤(10)中不同分割结果的影像整体分割质量进行对比分析,获得影像整体最优分割结果;
(50)构建分割对象异质度度量指标,然后从所述影像整体最优分割结果中提取处于欠分割和过分割状态的分割对象作优化处理,获得影像全面最优分割结果。
2.如权利要求1所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:步骤(10)中所述影像分割方法为多尺度分割和/或均值漂移分割和/或分水岭分割算法。
3.如权利要求1所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:步骤(20)中所述光谱均一性的度量指标为;光谱异质性的度量指标为。
4.如权利要求1所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:步骤(30)中单个分割对象分割质量的度量指标为;影像整体分割质量的度量指标为。
5.如权利要求1所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:在步骤(40) 中采用变分法分析E值的变化,△E的极大值点对应的影像分割结果就是影像整体最优分割结果。
6.如权利要求1所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:步骤(50)中所述分割对象异质度度量指标为:。
7.如权利要求1或6所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:步骤(50)在进行提取处于欠分割和过分割状态的分割对象前先将影像整体最优分割结果进行融合,具体的方法是:将影像整体最优分割结果分别用S1,S2,…,St表示;对比分析S1,S2,…,St中对应分割对象边界间包含关系,将S1,S2,…,St进行排队,用表示,对于分割对象的边界来说,存在关系;
再将影像整体最优分割结果作为分割操作的边界约束条件,采用对应的分割参数组合对影像重新进行分割,得到新的分割结果;将作为分割操作新的边界约束条件,采用对应的分割参数组合对影像重新进行分割,得到新的分割结果;如此循环直到结束;最后得到新的分割结果,即为新的影像整体最优分割结果。
8.如权利要求7所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:所述步骤(50)中欠分割的分割对象提取与优化处理是:将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序,按3%-10%的比例提取H值较大的分割对象进行多次再分割,多次再分割结果分别和未参与再分割的最优分割结果进行联合,得到两尺度下多次分割结果;根据影像分割结果的△E极大值点,确定两尺度下最优分割结果。
9.如权利要求8所述的一种遥感影像最优分割结果确定的自动化方法,其特征在于:所述步骤(50)中过分割的分割对象的提取与优化处理是:将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序,按3%-10%的比例提取H值较小的分割对象进行多次合并,多次合并的结果分别与剩下的两尺度下最优分割结果进行联合,得到三尺度下多次合并结果;根据影像分割结果的△E极大值点,确定三尺度下优分割结果,即影像全面最优分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710028904.9A CN106846325B (zh) | 2017-01-16 | 2017-01-16 | 一种遥感影像最优分割结果确定的自动化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710028904.9A CN106846325B (zh) | 2017-01-16 | 2017-01-16 | 一种遥感影像最优分割结果确定的自动化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846325A true CN106846325A (zh) | 2017-06-13 |
CN106846325B CN106846325B (zh) | 2019-09-10 |
Family
ID=59124804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710028904.9A Expired - Fee Related CN106846325B (zh) | 2017-01-16 | 2017-01-16 | 一种遥感影像最优分割结果确定的自动化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846325B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN110910396A (zh) * | 2019-10-18 | 2020-03-24 | 北京量健智能科技有限公司 | 一种用于优化图像分割结果的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446357A (zh) * | 2011-11-23 | 2012-05-09 | 浙江工商大学 | 基于自适应有限元的水平集sar图像分割方法 |
CN104200482A (zh) * | 2014-09-17 | 2014-12-10 | 武汉狮图空间信息技术有限公司 | 一种基于ssc的多尺度分割参数优化方法 |
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
-
2017
- 2017-01-16 CN CN201710028904.9A patent/CN106846325B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446357A (zh) * | 2011-11-23 | 2012-05-09 | 浙江工商大学 | 基于自适应有限元的水平集sar图像分割方法 |
CN104200482A (zh) * | 2014-09-17 | 2014-12-10 | 武汉狮图空间信息技术有限公司 | 一种基于ssc的多尺度分割参数优化方法 |
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
Non-Patent Citations (5)
Title |
---|
RYAD MALIK 等: "Multi-scale segmentation for remote sensing imagery based on minimum heterogeneity rule", 《IEEE》 * |
劳小敏: "基于对象的高分辨率遥感影像土地利用变化检测技术研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
毛召武 等: "一种高分遥感影像物体分割质量评价方法", 《测绘通报》 * |
沈雪冰: "高光谱遥感图像的预处理和分割关键技术研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
胡忠文: "基于区域的遥感影像多尺度表达方法与应用研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN108363949B (zh) * | 2017-12-27 | 2020-08-28 | 二十一世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN110910396A (zh) * | 2019-10-18 | 2020-03-24 | 北京量健智能科技有限公司 | 一种用于优化图像分割结果的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106846325B (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CA2907192C (en) | Automated geospatial image mosaic generation | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
Su | Scale-variable region-merging for high resolution remote sensing image segmentation | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN103500344A (zh) | 一种遥感影像信息提取与解译方法及其模块 | |
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
CN101937079A (zh) | 基于区域相似度的遥感影像变化检测方法 | |
CN110645961B (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
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 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN113033714B (zh) | 多模态多粒度遥感影像面向对象全自动机器学习方法及系统 | |
CN111539296A (zh) | 一种基于遥感影像变化检测的违章建筑识别方法及系统 | |
CN106780503A (zh) | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 | |
CN106846325A (zh) | 一种遥感影像最优分割结果确定的自动化方法 | |
CN102915531A (zh) | 一种面向遥感影像分割的影像对象合并方法 | |
CN108053412A (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
Guo et al. | Dual-concentrated network with morphological features for tree species classification using hyperspectral image | |
Prerna et al. | Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey | |
CN104966091A (zh) | 一种基于无人机遥感影像的露天矿道路提取方法 | |
Wang et al. | A region-line primitive association framework for object-based remote sensing image analysis | |
Fisette et al. | Methodology for a Canadian agricultural land cover classification | |
CN105427322B (zh) | 一种高分遥感影像分割参数自动选择方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190910 Termination date: 20210116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |