CN106951886B - 一种提取空间邻接关系特征的方法及装置 - Google Patents
一种提取空间邻接关系特征的方法及装置 Download PDFInfo
- Publication number
- CN106951886B CN106951886B CN201710253367.8A CN201710253367A CN106951886B CN 106951886 B CN106951886 B CN 106951886B CN 201710253367 A CN201710253367 A CN 201710253367A CN 106951886 B CN106951886 B CN 106951886B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- reachable path
- remote sensing
- reachable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000010845 search algorithm Methods 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 5
- 238000010276 construction 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 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 239000013535 sea water Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 101100161752 Mus musculus Acot11 gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种提取空间邻接关系特征的方法及装置,所述方法包括:获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征;如此,将所述遥感影像中的每个像素点视为节点,将节点之间的邻居关系视为边,基于这些节点及边构造遥感影像的复杂网络模型,这样就可以基于复杂的网络模型提取到两类地物的空间邻接关系特征,提高了的遥感影像地物分类的精度。
Description
技术领域
本发明属于遥感影像处理技术领域,尤其涉及一种提取空间邻接关系特征的方法及装置。
背景技术
遥感技术因其能提供动态、丰富和低成本的数据源已成为获取土地覆盖信息最为行之有效的手段,遥感技术已经广泛应用在土地覆盖监测、森林覆盖监测、草地覆盖监测及湿地资源监测等诸多领域。
但是,现有技术中在利用遥感技术获取遥感影像时,存在同物异谱和异物同谱引起的地物分类误差,导致地物分类方法精度不高,进而导致遥感影像信息利用程度不高的技术问题。
基于此,本发明提供一种提取空间邻接关系特征的方法及装置,以解决现有技术中的上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种提取空间邻接关系特征的方法及装置,用于解决现有技术中在获取遥感影像时,由于光谱引起的同物异谱和异物同谱引起的地物分类误差,导致遥感影像地物分类及信息精度不高,进而导致遥感影像信息利用程度不高的技术问题。
本发明提供一种提取空间邻接关系特征的方法,所述方法包括:
获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;
基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征。
上述方案中,所述基于所述遥感数据构建遥感影像的复杂网络模型,包括:
将所述遥感数据中的每个像素作为一个节点,基于各节点与右邻居之间的关系、及各节点与下邻居之间的关系构建所述复杂网络模型;其中,所述遥感数据为所述遥感影像的地物分类结果数据。
上述方案中,所述复杂网络模型为Network=CreateNet(Image)=<V,R,E>;其中,所述Image为s列l行n个波段的遥感影像;所述V为顶点集,所述R为关系集,所述E为边集。
上述方案中,所述V={p0,0,p1,0,…,ps-1,0,…pi,j…,ps-1,l-1},所述pi,j为地理经度值、地理纬度值及n个波段值的n+2维向量的集合;
所述R={r1,r2},所述r1为节点v的右邻接关系,所述r2为节点v的下邻接关系;
所述E=E1∪E2;所述E1为
其中,所述u为所述网络模型的另一节点。
上述方案中,所述基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,包括:
利用子网提取算法PatchNet(lon,lat,R)=<V′,R,E′>=SubNetwork(Network,V′,R)提取所述复杂网络模型覆盖地理位置(lon,lat)处关于关系集R连通区域的对象,基于所述关系集R连通区域的对象生成斑块级网络;
基于所述斑块级网络,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络;其中,所述lon为所述地理位置的经度值,所述lat为所述地理位置的纬度值;所述PatchNet为所述斑块级网络;所述V′为所述斑块级网络的第一节点集合;所述E′为所述V′中具有r(r∈R)关系的边构成的集合。
上述方案中,所述利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,包括:
利用网络退缩算法ShrinkNet(Network,SubNet)=<V1′,R′,E1′>将所述斑块级网络中的第i个子网Neti退缩为第i个节点vi;将第j个子网Netj退缩为第j个节点vj后,形成当前网络;
在所述当前网络中利用可达路径搜索算法分别搜索节点vi到节点vj的第一可达路径及节点vj到节点vi的第二可达路径;
若所述第一可达路径或所述第二可达路径为直接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;
若所述第一可达路径或所述第二可达路径为间接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;
其中,所述V1′为所述当前网络的第二节点集合;所述R′为所述当前网络的关系集,所述E1′为所述当前网络中所述V1′中具有r(r∈R′)关系的边构成的集合。
上述方案中,所述第一可达路径边的数量为所述第一可达路径所经过所有边的数量中的最小值;
第二可达路径的边的数量为所述第二可达路径所经过所有边的数量中的最小值。
上述方案中,基于所述遥感数据构建遥感影像的复杂网络模型后,还包括:
基于所述复杂网络模型,利用光谱计算算法SpectralValue(ImageNet,i,j,k)=bi,j,k=pi,j(k+1)计算所述遥感影像的光谱值;其中,SpectralValue(ImageNet,i,j,k)及所述bi,j,k为所述遥感影像中第i列第j行像素点的第k个波段的光谱值;所述pi,j(k+1)第i列第j行像素点的k个波段的光谱值。
本发明还提供一种提取空间邻接关系特征的装置,所述装置包括:
第一建立单元,用于获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;
第二建立单元,用于基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征。
上述方案中,所述第一建立单元具体用于:
将所述遥感数据中的每个像素作为一个节点,基于各节点与右邻居之间的关系、及各节点与下邻居之间的关系构建所述复杂网络模型;其中,所述遥感数据为所述遥感影像的地物分类结果数据。
本发明提供了一种提取空间邻接关系特征的方法及装置,所述方法包括:获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征;如此,将所述遥感影像中的每个像素点视为节点,将节点之间的邻居关系视为边,基于这些节点及边构造遥感影像的复杂网络模型,这样就可以基于复杂的网络模型提取到两类地物的空间邻接关系特征,提高了的遥感影像地物分类的精度,进而提高了遥感影像的信息利用程度。
附图说明
图1为本发明实施例一提供的提取空间邻接关系特征的方法流程示意图;
图2为本发明实施例一提供的第一个影像的波段示意图;
图3为本发明实施例一提供的第一个影像的邻居关系示意图;
图4为本发明实施例一提供的第二个影像的波段示意图;
图5为本发明实施例一提供的第二个影像的邻居关系示意图;
图6为本发明实施例一提供的覆盖(3,1)位置且第一波段值为2的节点所在的子网示意图;
图7为本发明实施例一提供的覆盖(3,1)位置且第一波段值为2的节点所在的子网对应的对象示意图;
图8为本发明实施例二提供的提取空间邻接关系特征的装置结构示意图;
图9为本发明实施例三提供的养殖区的合成图像;
图10为本发明实施例三提供的对养殖区的合成图像进行分类后的图像;
图11为本发明实施例三提供的计算出的海水与堤坝两类关于右邻居和下邻居的空间邻接特征示意图;
图12为本发明实施例三提供的资源三号原始影像示意图;
图13为本发明实施例三提供的采用决策树分类方法区分出的四类地物分类结果图;
图14为本发明实施例三提供的生成的斑块级网络示意图;
图15为本发明实施例三提供的潮滩和建筑物的空间邻接关系子网示意图;
图16为本发明实施例三提供的潮滩与建筑物的空间邻接关系计算结果示意图。
具体实施方式
为了解决现有技术中在获取遥感影像时,由于光谱引起的同物异谱和异物同谱引起的地物分类误差,导致遥感影像地物分类及信息精度不高,进而导致遥感影像信息利用程度不高的技术问题,本发明提供了一种提取空间邻接关系特征的方法,所述方法包括:获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征。
下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。
实施例一
本实施例提供一种空间邻接关系特征的方法,如图1所示,所述方法包括:
S101,获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型。
本步骤中,在构建复杂网络模型之前,需要获取到遥感数据,所述遥感数据具体为所述遥感影像的地物分类结果数据。获取到所述遥感数据后,基于所述遥感数据构建遥感影像的复杂网络模型。
具体地,将所述遥感数据中的每个像素作为一个节点,基于各节点与右邻居之间的关系、及各节点与下邻居之间的关系构建所述复杂网络模型,需要说明的是下邻居不仅包括各节点与下邻居之间的关系,还包括各节点与上邻居之间的关系;右邻居不仅包括各节点与右邻居之间的关系,还包括各节点与左邻居之间的关系。
这里,若所述遥感影像为一景s列l行n个波段的影像时,遥感影像可以如公式1描述:
那么构建的复杂网络模型如公式(2)所示:
Network=CreateNet(Image)=<V,R,E> (2)
在公式(2)中,所述Image为s列l行n个波段的遥感影像;所述V为顶点集,所述R为关系集,所述E为边集。需要说明的是,所述复杂网络为多子网复合的复杂网络。
其中,所述V={p0,0,p1,0,…,ps-1,0,…pi,j…,ps-1,l-1},所述pi,j为地理经度值、地理纬度值及n个波段值的n+2维向量的集合,所述pi,j如公式(3)所示:
pi,j=(longitudei,j,latitudei,jbi,j,1,...,bi,j,n) (3)
所述R={r1,r2},所述r1为节点v的右邻接关系,所述r2为节点v的下邻接关系;所述v为所述复杂网络中的其中任意一个节点。
所述E=E1∪E2,所述E1为所述复杂网络的任意一个子网边集,所述E1如公式(4)所示:
E1={<<u,v>,r1>|v是u的右邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s-1,0≤j<l} (4)
所述E2为所述复杂网络的另一个任意子网边集,所述E1如公式(5)所示:
E2={<<u,v>,r1>|v是u的下邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s,0≤j<l-1} (5)
在公式(4)和公式(5)中,所述u为所述复杂网络中的其中任意一个节点,且u和v不同。
比如,实际应用中,对于两个波段的影像示例图,第一个影像的波段如图2所示,各个节点的邻居关系如图3所示;第二个影像的波段如图4所示,各个节点的邻居关系如图5所示;两段影像的大小均为6列3行,左上角经度坐标为120,左上角纬度坐标为30,右下角经度坐标为145度,右下角纬度坐标为26度,每个像素上的数字表示波段值。则由这两个波段的影像数据建立的多关系复合复杂网络如下:
Network=<V,R,E>;
V={pi,j|pi,j=(120+deltx*j,bi,j,1,bi,j,2)Λ0<=i<=5Λ0<=j<=2Λdeltx=(145-1205Λdelty=(30-26)2)}
R={r1,r2};
E=E1∪E2;
E1={<<pi,j,pi+1,j>,r1>|0≤i<5,0≤j<3};
E2={<<pi,j,pi+1,j>,r1>|0≤i<6,0≤j<2}。
S102,基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征。
本步骤中,当所述复杂网络模型建立好之后,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征。具体如下:
首先,利用子网提取算法提取所述复杂网络模型覆盖地理位置(lon,lat)处关于关系集R连通区域的对象,基于所述关系集R连通区域的对象生成斑块级网络;所述子网提取算法如公式(6)所示:
PatchNet(lon,lat,R)=<V′,R,E′>=SubNetwork(Network,V′,R) (6)
其中,所述PatchNet为所述斑块级网络;所述V′为所述斑块级网络的第一节点集合;所述E′为所述V′中具有r(r∈R)关系的边构成的集合;所述lon为所述地理位置的经度值,所述lat为所述地理位置的纬度值。
所述V′由公式(7)所示:
所述i由公式(8)所示:
所述j由公式(9)所示:
所述
所述定义为:
其中,所述u、v为所述复杂网络中的其中任意一个节点,且u和v不同。
这里,所述col(lon)为所述纬度坐标位置(lon,lat)所对应的列数i;所述row(lat)为所述纬度坐标位置(lon,lat)所对应的行数j;(longitude0,0,latitude0,0)表示图像左上角经纬度坐标,(longitudes-1,l-1,latitudes-1,l-1)表示右下角经纬度坐标,即:
longitude0,0=p0,0(0);
latitude0,0=p0,0(1);
longitudes-1,l-1=ps-1,l-1(0);
latitudes-1,l-1=ps-1,l-1(1)。
比如,参见图2和图4中提供的两个波段的影像示例图,覆盖(3,1)位置,即实际图像中的第2行第4列(因行列从0开始计数),第1波段值为2的节点,关于右邻接关系r1和下邻接关系r2连通生成的对象,可采用如下网络运算实现,生成的对象如图6所示。
PatchNet(3,1,(r1,r2))=<V′,(r1,r2),E′>=SubNetwork(Network,V′,(r1,r2))
E′=E↑1V′={<<p3,2,p4,2>,r1>,<<p4,2,p5,2>,r1>,<<p3,1,p3,2>,r2>,<<p5,1,p5,2>,r2>}
最后生成的对象子网(即斑块级网络)如图7所示。
所述对象的大小即为斑块级网络PatchNet中的节点的个数,采用如下方式描述:
Size(PatchNet)=|V(PatchNet)|表示斑块级网络PatchNet的节点个数,即对象的大小;V(PatchNet)表示斑块级网络PatchNet的节点集合,|V(PatchNet)|为斑块级网络PatchNet的节点个数。
然后,基于所述斑块级网络,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络。
具体地,利用网络退缩算法将所述斑块级网络中的第i个子网Neti退缩为第i个节点vi;将第j个子网Netj退缩为第j个节点vj后,形成当前网络。这里,所述网络退缩算法如公式(10)所示:
ShrinkNet(Network,SubNet)=<V1′,R′,E1′> (10)
其中,所述i个子网Neti=<V1,R1,E1>;所述第j个子网Neti=<V2,R2,E2>;
所述V1′为所述当前网络的第二节点集合;所述R′为所述当前网络的关系集,所述E1′为所述当前网络中所述V1′中具有r(r∈R′)关系的边构成的集合。
所述V1′可由公式(11)计算得出:
V1′=(V-V1-V2)∪{vi,vj} (11)
公式(11)中,所述V1为所述子网Neti的第三节点集合,所述V2为所述子网Netj的第四节点集合。
所述R′可由公式(12)计算得出:
R′=R∩R1∩R2 (12)
公式(11)中,所述R1为所述子网Neti的第三关系集合,所述R2为所述子网Netj的第四关系集合。
所述节点vi可由公式(13)得出:
公式(13)中,所述feak可由公式(14)得出:
所述feature(vi,Network,i)为所述复杂网络中节点vi的第k个属性值,所述w指所述子网Neti的任意一个节点。
进一步地,所述E1′可由公式(15)计算得出:
所述为与所述节点vi相关的边构成的集合,所述为与所述节点vj相关的边构成的集合,即边集。所述可由公式(16)计算得出:
公式(16)中,所述为复杂网络中以vi为起始节点的边集;所述为复杂网络中以vi为终止节点的边集;所述可由公式(17)所示,所述可由公式(18)所示。
所述Vedge为子网Neti关于母网Network的网际节点,所述Vedge可由公式(19)计算得出:
公式(19)中,所述degree(v,SubNet)表示节点v在SubNet网内的度,Nes=Nes(v,Network)表示节点v在Network网中的邻域。
当前网络形成之后,在所述当前网络中利用可达路径搜索算法分别搜索节点vi到节点vj的第一可达路径及节点vj到节点vi的第二可达路径。
一般来说,对于给定节点vj和节点vi,若节点vj到节点vi之间存在一条通路Γ=viw1w2…wkvj,通路中经过的每条边e都具有R′中的某种关系r(r∈R′),则称节点vj到节点vi是关于关系集R′可达的,记为
对于给定节点<vj,vi>(vi,vj∈V)和关系集若同时满足和则称节点vj和节点vi是关于关系集R′相互可达。
若所述第一可达路径或所述第二可达路径为直接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中。
若所述第一可达路径或所述第二可达路径为间接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;比如节点a和节点b之间需要经过节点c才能到达,节点a的右邻居是节点c,节点c的右邻居是节点b,则称为节点a与节点b是间接可达的,节点a和节点b之间的关系就是右2邻接关系,而不是直接右邻接关系。那么此时的第一可达路径即为是间接可达路径。
这里,所述第一可达路径边的数量为所述第一可达路径所经过所有边的数量中的最小值;第二可达路径的边的数量为所述第二可达路径所经过所有边的数量中的最小值。比如,以第一可达路径来说,第一可达路径为节点a到节点c再到节点b;节点a到节点c的边的数量为3,节点c到节点b边的数量是2,则第一可达路径边数量为2。
这样就完成了空间邻接关系特征的提取。
进一步地,基于所述遥感数据构建遥感影像的复杂网络模型后,还包括:
基于所述复杂网络模型,利用光谱计算算法计算所述遥感影像的光谱值,所述光谱计算算法如公式(20)所示;
SpectralValue(ImageNet,i,j,k)=bi,j,k=pi,j(k+1) (20)
其中,SpectralValue(ImageNet,i,j,k)及所述bi,j,k为所述遥感影像中第i列第j行像素点的第k个波段的光谱值;所述pi,j(k+1)第i列第j行像素点的第k个波段的光谱值。
当然,也可以基于所述复杂网络模型计算空间地理位置特征,因影像中每一个像素点都具有空间地理位置信息,该信息以节点属性存储在复杂网络模型中,如i列j行像素点的空间地理位置可描述如下:
Lon(ImageNet,i,j)=longitudei,j=pi,j(0) (21)
Lat(ImageNet,i,j)=latitudei,j=pi,j(1) (22)
其中,所述Lon(ImageNet,i,j)、longitudei,j表示影像Image中i列j行像素点的经度,Lat(ImageNet,i,j)、latitudei,j表示影像Image中i列j行像素点的纬度。
实施例二
相应于实施例一,本实施例提供一种空间邻接关系特征的装置,如图8所示,所述装置包括:第一建立单元81及第二建立单元82;其中,
第一建立单元81用于获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型。
第一建立单元81在构建复杂网络模型之前,需要获取到遥感数据,所述遥感数据具体为所述遥感影像的地物分类结果数据。获取到所述遥感数据后,基于所述遥感数据构建遥感影像的复杂网络模型。
具体地,第一建立单元81将所述遥感数据中的每个像素作为一个节点,基于各节点与右邻居之间的关系、及各节点与下邻居之间的关系构建所述复杂网络模型,需要说明的是下邻居不仅包括各节点与下邻居之间的关系,还包括各节点与上邻居之间的关系;右邻居不仅包括各节点与右邻居之间的关系,还包括各节点与左邻居之间的关系。
这里,若所述遥感影像为一景s列l行n个波段的影像时,遥感影像可以如公式1描述:
那么构建的复杂网络模型如公式(2)所示:
Network=CreateNet(Image)=<V,R,E> (2)
在公式(2)中,所述Image为s列l行n个波段的遥感影像;所述V为顶点集,所述R为关系集,所述E为边集。需要说明的是,所述复杂网络为多子网复合的复杂网络。
其中,所述V={p0,0,p1,0,…,ps-1,0,…pi,j…,ps-1,l-1},所述pi,j为地理经度值、地理纬度值及n个波段值的n+2维向量的集合,所述pi,j如公式(3)所示:
pi,j=(longitudei,j,latitudei,jbi,j,1,...,bi,j,n) (3)
所述R={r1,r2},所述r1为节点v的右邻接关系,所述r2为节点v的下邻接关系;所述v为所述复杂网络中的其中任意一个节点。
所述E=E1∪E2,所述E1为所述复杂网络的任意一个子网边集,所述E1如公式(4)所示:
E1={<<u,v>,r1>|v是u的右邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s-1,0≤j<l}(4)
所述E2为所述复杂网络的另一个任意子网边集,所述E1如公式(5)所示:
E2={<<u,v>,r1>|v是u的下邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s,0≤j<l-1}(5)
在公式(4)和公式(5)中,所述u为所述复杂网络中的其中任意一个节点,且u和v不同。
比如,实际应用中,对于两个波段的影像示例图,第一个影像的波段如图2所示,各个节点的邻居关系如图3所示;第二个影像的波段如图4所示,各个节点的邻居关系如图5所示;两段影像的大小均为6列3行,左上角经度坐标为120,左上角纬度坐标为30,右下角经度坐标为145度,右下角纬度坐标为26度,每个像素上的数字表示波段值。则由这两个波段的影像数据建立的多关系复合复杂网络如下:
Network=<V,R,E>;
V={pi,j|pi,j=(120+deltx*j,bi,j,1,bi,j,2)Λ0<=i<=5Λ0<=j<=2Λdeltx=(145-120/5Λdelty=(30-26)2)}
R={r1,r2};
E=E1∪E2;
E1={<<pi,j,pi+1,j>,r1>|0≤i<5,0≤j<3};
E2={<<pi,j,pi+1,j>,r1>|0≤i<6,0≤j<2}。
当所述第一建立单元81将所述复杂网络模型建立好之后,所述第二建立单元82用于利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征。具体如下:
首先,第二建立单元82利用子网提取算法提取所述复杂网络模型覆盖地理位置(lon,lat)处关于关系集R连通区域的对象,基于所述关系集R连通区域的对象生成斑块级网络;所述子网提取算法如公式(6)所示:
PatchNet(lon,lat,R)=<V′,R,E′>=SubNetwork(Network,V′,R) (6)
其中,所述PatchNet为所述斑块级网络;所述V′为所述斑块级网络的第一节点集合;所述E′为所述V′中具有r(r∈R)关系的边构成的集合;所述lon为所述地理位置的经度值,所述lat为所述地理位置的纬度值。
所述V′由公式(7)所示:
所述i由公式(8)所示:
所述j由公式(9)所示:
所述
所述定义为:
其中,所述u、v为所述复杂网络中的其中任意一个节点,且u和v不同。
这里,所述col(lon)为所述纬度坐标位置(lon,lat)所对应的列数i;所述row(lat)为所述纬度坐标位置(lon,lat)所对应的行数j;(longitude0,0,latitude0,0)表示图像左上角经纬度坐标,(longitudes-1,l-1,latitudes-1,l-1)表示右下角经纬度坐标,即:
longitude0,0=p0,0(0);
latitude0,0=p0,0(1);
longitudes-1,l-1=ps-1,l-1(0);
latitudes-1,l-1=ps-1,l-1(1)。
比如,参见图2和图4中提供的两个波段的影像示例图,覆盖(3,1)位置,即实际图像中的第2行第4列(因行列从0开始计数),第1波段值为2的节点,关于右邻接关系r1和下邻接关系r2连通生成的对象,可采用如下网络运算实现,生成的对象如图6所示。
PatchNet(3,1,(r1,r2))=<V′,(r1,r2),E′>=SubNetwork(Network,V′,(r1,r2))
E′=E↑1V′={<<p3,2,p4,2>,r1>,<<p4,2,p5,2>,r1>,<<p3,1,p3,2>,r2>,<<p5,1,p5,2>,r2>
最后生成的对象子网(即斑块级网络)如图7所示。
所述对象的大小即为斑块级网络PatchNet中的节点的个数,采用如下方式描述:
Size(PatchNet)=|V(PatchNet)|表示斑块级网络PatchNet的节点个数,即对象的大小;V(PatchNet)表示斑块级网络PatchNet的节点集合,|V(PatchNet)|为斑块级网络PatchNet的节点个数。
然后,基于所述斑块级网络,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络。
具体地,第二建立单元82利用网络退缩算法将所述斑块级网络中的第i个子网Neti退缩为第i个节点vi;将第j个子网Netj退缩为第j个节点vj后,形成当前网络。这里,所述网络退缩算法如公式(10)所示:
ShrinkNet(Network,SubNet)=<V1′,R′,E1′> (10)
其中,所述i个子网Neti=<V1,R1,E1>;所述第j个子网Neti=<V2,R2,E2>;
所述V1′为所述当前网络的第二节点集合;所述R′为所述当前网络的关系集,所述E1′为所述当前网络中所述V1′中具有r(r∈R′)关系的边构成的集合。
所述V1′可由公式(11)计算得出:
V1′=(V-V1-V2)∪{vi,vj} (11)
公式(11)中,所述V1为所述子网Neti的第三节点集合;所述V2为所述子网Netj的第四节点集合。
所述R′可由公式(12)计算得出:
R′=R∩R1 (12)
公式(12)中,所述R1为所述子网Neti的第三关系集合,所述R2为所述子网Netj的第四关系集合。
所述节点vi可由公式(13)得出:
公式(13)中,所述feak可由公式(14)得出:
所述feature(vi,Network,k)为所述复杂网络中节点vi的第k个属性值,所述w指所述子网Neti的任意一个节点。
进一步地,所述E1′可由公式(15)计算得出:
所述为与所述节点vi相关的边构成的集合,所述为与所述节点vj相关的边构成的集合,即边集。所述可由公式(16)计算得出:
公式(16)中,所述为复杂网络中以vi为起始节点的边集;所述为复杂网络中以vi为终止节点的边集;所述可由公式(17)所示,所述可由公式(18)所示。
所述Vedge为子网Neti关于母网Network的网际节点,所述Vedge可由公式(19)计算得出:
公式(19)中,所述degree(v,SubNet)表示节点v在SubNet网内的度,Nes=Nes(v,Network)表示节点v在Network网中的邻域。
当前网络形成之后,第二建立单元82在所述当前网络中利用可达路径搜索算法分别搜索节点vi到节点vj的第一可达路径及节点vj到节点vi的第二可达路径。
一般来说,对于给定节点vj和节点vi,若节点vj到节点vi之间存在一条通路Γ=viw1w2…wkvj,通路中经过的每条边e都具有R′中的某种关系r(r∈R′),则称节点vj到节点vi是关于关系集R′可达的,记为
对于给定节点<vj,vi>(vi,vj∈V)和关系集若同时满足和则称节点vj和节点vi是关于关系集R′相互可达。
若所述第一可达路径或所述第二可达路径为直接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中。
若所述第一可达路径或所述第二可达路径为间接可达,第二建立单元82则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;比如节点a和节点b之间需要经过节点c才能到达,节点a的右邻居是节点c,节点c的右邻居是节点b,则称为节点a与节点b是间接可达的,节点a和节点b之间的关系就是右2邻接关系,而不是直接右邻接关系。那么此时的第一可达路径即为是间接可达路径。
这里,所述第一可达路径边的数量为所述第一可达路径所经过所有边的数量中的最小值;第二可达路径的边的数量为所述第二可达路径所经过所有边的数量中的最小值。比如,以第一可达路径来说,第一可达路径为节点a到节点c再到节点b;节点a到节点c的边的数量为3,节点c到节点b边的数量是2,则第一可达路径边数量为2。
这样就完成了空间邻接关系特征的提取。
进一步地,所述装置还包括:计算单元83;基于所述遥感数据构建遥感影像的复杂网络模型后,所述计算单元83用于:
基于所述复杂网络模型,利用光谱计算算法计算所述遥感影像的光谱值,所述光谱计算算法如公式(19)所示;
SpectralValue(ImageNet,i,j,k)=bi,j,k=pi,j(k+1) (20)
其中,SpectralValue(ImageNet,i,j,k)及所述bi,j,k为所述遥感影像中第i列第j行像素点的第k个波段的光谱值;所述pi,j(k+1)第i列第j行像素点第k个波段的光谱值。
当然,所述计算单元83也可以基于所述复杂网络模型计算空间地理位置特征,因影像中每一个像素点都具有空间地理位置信息,该信息以节点属性存储在复杂网络模型中,如i列j行像素点的空间地理位置可描述如下:
Lon(ImageNet,i,j)=longitudei,j=pi,j(0) (21)
Lat(ImageNet,i,j)=latitudei,j=pi,j(1) (22)
其中,所述Lon(ImageNet,i,j)、longitudei,j表示影像Image中i列j行像素点的经度,Lat(ImageNet,i,j)、latitudei,j表示影像Image中i列j行像素点的纬度。
实施例三
实际应用中,采用实施例一提供的方法及实施例二提供的装置分别对获取到的一个养殖区的子图像和一海岸带的子图像区域进行空间邻接关系特征的提取,具体如下:
所述养殖区的子图像如图9所示,提取后的养殖区分类图像如图10所示,在图10中,标记101为红色为堤坝类(条状),标记102为蓝色为海水类(块状),标记103为绿色为噪声(点状)。
计算海水与堤坝两类关于右邻居和下邻居的空间邻接特征如图11所示,其中标记77和154的线表示下邻居,标记166和247的线表示右邻居。可以看出,海水与堤坝两类地物即交替右邻接,又交替下邻接,且右邻接强度高于下邻接强度,充分的体现了图像中表现出的两类地物的空间邻接特征。
然后,以图12所示的资源三号原始影像为研究区域,首先采用决策树分类方法,如图13所示,区分出影像中的海水(标记131)、潮滩(标记132)、养殖区(标记133)和建筑物(标记134)四类地物。将分类结果图(图13)作为数据源,首先进行复杂网络建模,只考虑两种关系,即右邻居关系和下邻居关系,采用实施例一提供的空间邻接关系特征提取方法,首先将每个连通区域(即斑块)视为一个对象,生成斑块级网络,如图14所示,其中,标号为0的节点表示海水斑块,标号为2的节点表示潮滩斑块,标号为3的节点表示养殖区斑块,标号为4的节点表示建筑物斑块,黑色有向边表示右邻居关系,红色有向边表示下邻居关系,边的粗细表示边权值的大小,边越粗,表示该类型的边的条数越多,反之,越少。
进一步地,若想分析潮滩(二类地物)和建筑物(四类地物)两类地物的空间邻接关系,可将二类地物和四类地物的斑块子网分别抽取出来,然后再斑块级网络中将这两类地物的子网分别退缩为一个节点,生成空间邻接关系子网如图15所示,可以看出,二类地物与四类地物是明显的空间间接邻接关系,间隔节点是三类地物(养殖区)和零类地物(海水)。由边上的权值可以看出,主要的间隔节点是养殖区地物。为进一步求出二类地物和四类地物的空间邻接关系,可通过搜索图15中的二类地物节点到四类地物节点的相互可达路径生成,如图16所示,其中[r2,r2]表示右向二阶邻居关系,其关系边数为132,[r1,r1]表示下向二阶邻居关系,其关系边数为174。
本发明实施例提供的提取空间邻接关系特征的方法及装置能带来的有益效果至少是:
本发明实施例提供一种提取空间邻接关系特征的方法及装置,所述方法包括:获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征;如此,将所述遥感影像中的每个像素点视为节点,将节点之间的邻居关系视为边,基于这些节点及边构造遥感影像的复杂网络模型,这样就可以基于复杂的网络模型提取到两类地物的空间邻接关系特征,提高了的遥感影像地物分类的精度,进而提高了遥感影像的清晰度。另外,采用复杂网络对遥感影像建模之后,两类地物的空间邻接关系特征提取,可转换为在多关系复杂网络中两类地物所代表节点的相互可达路径的提取问题,因此,可以方便的基于复杂网络实现任何两类地物的空间邻接关系特征提取,而不需要提前对潜在可能的空间关系指数(指标)进行定义。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种提取空间邻接关系特征的方法,其特征在于,所述方法包括:
获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;
所述基于所述遥感数据构建遥感影像的复杂网络模型包括:
将所述遥感数据中的每个像素作为一个节点,基于各节点与右邻居之间的关系、及各节点与下邻居之间的关系构建所述复杂网络模型;其中,所述遥感数据为所述遥感影像的地物分类结果数据;
所述复杂网络模型为Network=CreateNet(Image)=<V,R,E>;所述Image为s列l行n个波段的遥感影像;所述V为顶点集,所述R为关系集,所述E为边集;
所述V={p0,0,p1,0,…,ps-1,0,…pi,j…,ps-1,l-1},所述pi,j为地理经度值、地理纬度值及n个波段值的n+2维向量的集合;
所述R={r1,r2},所述r1为节点v的右邻接关系,所述r2为节点v的下邻接关系;所述E=E1∪E2;所述E1为
E1={<<u,v>,r1>|v是u的右邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s-1,0≤j<l}E2={<<u,v>,r1>|v是u的下邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s,0≤j<l-1};其中,所述u为所述网络模型的另一节点;
基于所述复杂网络模型,利用网络退缩算法及可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征;
所述基于所述复杂网络模型,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络,包括:
利用子网提取算法PatchNet(lon,lat,R)=<V′,R,E′>=SubNetwork(Network,V′,R)提取所述复杂网络模型覆盖地理位置(lon,lat)处关于关系集R连通区域的对象,基于所述关系集R连通区域的对象生成斑块级网络;其中,所述lon为所述地理位置的经度值,所述lat为所述地理位置的纬度值;所述PatchNet为所述斑块级网络;所述V′为所述斑块级网络的第一节点集合;所述E′为所述V′中具有r(r∈R)关系的边构成的集合;
基于所述斑块级网络,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络;其中,具体包括:利用网络退缩算法ShrinkNet(Network,SubNet)=<V1′,R′,E1′>将所述斑块级网络中的第i个子网Neti退缩为第i个节点vi;将第j个子网Netj退缩为第j个节点vj后,形成当前网络;
在所述当前网络中利用可达路径搜索算法分别搜索节点vi到节点vj的第一可达路径及节点vj到节点vi的第二可达路径;
若所述第一可达路径或所述第二可达路径为直接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;
若所述第一可达路径或所述第二可达路径为间接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;
其中,所述V1′为所述当前网络的第二节点集合;所述R′为所述当前网络的关系集,所述E1′为所述当前网络中所述V1′中具有r(r∈R′)关系的边构成的集合;所述第一可达路径边的数量为所述第一可达路径所经过所有边的数量中的最小值;第二可达路径的边的数量为所述第二可达路径所经过所有边的数量中的最小值。
2.如权利要求1所述的方法,其特征在于,基于所述遥感数据构建遥感影像的复杂网络模型后,还包括:
基于所述复杂网络模型,利用光谱计算算法SpectralValue(ImageNet,i,j,k)=bi,j,k=pi,j(k+1)计算所述遥感影像的光谱值;其中,SpectralValue(ImageNet,i,j,k)及所述bi,j,k为所述遥感影像中第i列第j行像素点的第k个波段的光谱值;所述pi,j(k+1)第i列第j行像素点的k个波段的光谱值。
3.一种提取空间邻接关系特征的装置,其特征在于,所述装置包括:
第一建立单元,用于获取遥感数据,基于所述遥感数据构建遥感影像的复杂网络模型;还用于将所述遥感数据中的每个像素作为一个节点,基于各节点与右邻居之间的关系、及各节点与下邻居之间的关系构建所述复杂网络模型;其中,所述遥感数据为所述遥感影像的地物分类结果数据;所述复杂网络模型为Network=CreateNet(Image)=<V,R,E>;所述Image为s列l行n个波段的遥感影像;所述V为顶点集,所述R为关系集,所述E为边集;所述V={p0,0,p1,0,…,ps-1,0,…pi,j…,ps-1,l-1},所述pi,j为地理经度值、地理纬度值及n个波段值的n+2维向量的集合;所述R={r1,r2},所述r1为节点v的右邻接关系,所述r2为节点v的下邻接关系;所述E=E1∪E2;所述E1为
E1={<<u,v>,r1>|v是u的右邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s-1,0≤j<l}E2={<<u,v>,r1>|v是u的下邻居}={<<pi,j,pi+1,j>,r1>|0≤i<s,0≤j<l-1};其中,所述u为所述网络模型的另一节点;
第二建立单元,用于基于所述复杂网络模型,利用网络退缩算法及可达路径搜索算法建立空间邻接关系网络,所述空间邻接关系网络为所述空间邻接关系特征;
还用于,利用子网提取算法PatchNet(lon,lat,R)=<V′,R,E′>=SubNetwork(Network,V′,R)提取所述复杂网络模型覆盖地理位置(lon,lat)处关于关系集R连通区域的对象,基于所述关系集R连通区域的对象生成斑块级网络;其中,所述lon为所述地理位置的经度值,所述lat为所述地理位置的纬度值;所述PatchNet为所述斑块级网络;所述V′为所述斑块级网络的第一节点集合;所述E′为所述V′中具有r(r∈R)关系的边构成的集合;基于所述斑块级网络,利用网络退缩算法及所述可达路径搜索算法建立空间邻接关系网络;
还用于,利用网络退缩算法ShrinkNet(Network,SubNet)=<V1′,R′,E1′>将所述斑块级网络中的第i个子网Neti退缩为第i个节点vi;将第j个子网Netj退缩为第j个节点vj后,形成当前网络;在所述当前网络中利用可达路径搜索算法分别搜索节点vi到节点vj的第一可达路径及节点vj到节点vi的第二可达路径;若所述第一可达路径或所述第二可达路径为直接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;若所述第一可达路径或所述第二可达路径为间接可达,则将所述第一可达路径或所述第二可达路径储存至所述空间邻接关系网络中;其中,所述V1′为所述当前网络的第二节点集合;所述R′为所述当前网络的关系集,所述E1′为所述当前网络中所述V1′中具有r(r∈R′)关系的边构成的集合;所述第一可达路径边的数量为所述第一可达路径所经过所有边的数量中的最小值;第二可达路径的边的数量为所述第二可达路径所经过所有边的数量中的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253367.8A CN106951886B (zh) | 2017-04-18 | 2017-04-18 | 一种提取空间邻接关系特征的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253367.8A CN106951886B (zh) | 2017-04-18 | 2017-04-18 | 一种提取空间邻接关系特征的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106951886A CN106951886A (zh) | 2017-07-14 |
CN106951886B true CN106951886B (zh) | 2019-09-10 |
Family
ID=59476327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710253367.8A Active CN106951886B (zh) | 2017-04-18 | 2017-04-18 | 一种提取空间邻接关系特征的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951886B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102393B (zh) * | 2018-08-15 | 2021-06-29 | 创新先进技术有限公司 | 训练和使用关系网络嵌入模型的方法及装置 |
CN111191510B (zh) * | 2019-11-29 | 2022-12-09 | 杭州电子科技大学 | 基于关系网络的复杂场景下遥感图像小样本目标识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708369A (zh) * | 2012-05-14 | 2012-10-03 | 大连理工大学 | 一种基于卫星图像的海冰参数提取方法 |
US8873422B2 (en) * | 2013-03-15 | 2014-10-28 | DGS Global Systems, Inc. | Systems, methods, and devices for electronic spectrum management for identifying open space |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
-
2017
- 2017-04-18 CN CN201710253367.8A patent/CN106951886B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708369A (zh) * | 2012-05-14 | 2012-10-03 | 大连理工大学 | 一种基于卫星图像的海冰参数提取方法 |
US8873422B2 (en) * | 2013-03-15 | 2014-10-28 | DGS Global Systems, Inc. | Systems, methods, and devices for electronic spectrum management for identifying open space |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
Non-Patent Citations (2)
Title |
---|
Complex network modeling of spectral remotely sensed imagery: A case study of massive green algae blooms detection based on MODIS data;Yi Sui等;《www.elsevier.com/locate/physa》;20160802;第138-148页 |
基于复杂网络的遥感图像检测研究;李程等;《科技视界》;20150615;第190-191页 |
Also Published As
Publication number | Publication date |
---|---|
CN106951886A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Spatiotemporal reflectance fusion via sparse representation | |
CN108320329A (zh) | 一种基于3d激光的3d地图创建方法 | |
CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
CN105335952B (zh) | 匹配代价计算方法和装置、以及视差值计算方法和设备 | |
US11443452B2 (en) | Using spatial filter to reduce bundle adjustment block size | |
CN107560592A (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN108876754A (zh) | 一种基于深度卷积神经网络的遥感图像缺失数据重建方法 | |
CN106951886B (zh) | 一种提取空间邻接关系特征的方法及装置 | |
CN107392887B (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
Almeer | Vegetation extraction from free google earth images of deserts using a robust BPNN approach in HSV Space | |
CN104835146A (zh) | 基于深度信息和图切割的立体图像中显著对象分割方法 | |
CN109754440A (zh) | 一种基于全卷积网络和均值漂移的阴影区域检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN108834041B (zh) | 基于张量重建的室内位置指纹定位Radio Map建立方法 | |
CN106940782B (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN108491869A (zh) | 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 | |
Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
CN104778683B (zh) | 一种基于泛函映射的多模态图像分割方法 | |
CN112927252A (zh) | 一种新增建设用地监测方法及装置 | |
Kusetogullari et al. | Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach | |
CN117475373A (zh) | 基于双目视觉的茶园病虫害识别与定位方法及系统 | |
Xiao et al. | A Novel Image Fusion Method for Water Body Extraction Based on Optimal Band Combination. | |
Yang et al. | A self-adapted threshold-based region merging method for remote sensing image segmentation | |
CN116188249A (zh) | 基于图像块三阶段匹配的遥感图像配准方法 | |
Xu et al. | A Multi-Rule-Based Relative Radiometric Normalization for Multi-Sensor Satellite Images |
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 |