CN107644230B - 一种遥感图像对象的空间关系建模方法 - Google Patents
一种遥感图像对象的空间关系建模方法 Download PDFInfo
- Publication number
- CN107644230B CN107644230B CN201710833533.1A CN201710833533A CN107644230B CN 107644230 B CN107644230 B CN 107644230B CN 201710833533 A CN201710833533 A CN 201710833533A CN 107644230 B CN107644230 B CN 107644230B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- objects
- cov
- image object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种遥感图像对象的空间关系建模方法,包括以下步骤:S1图像分割;S2选择训练样本;S3生成初始分类结果;S4选择空间建模的图像样本对象;S5计算图像样本对象间的空间距离;S6图像样本对象的协方差函数估计;S7点支撑模型反演;S8建立任意两个图像对象间的空间关系;S9实施面向对象的地统计加权的KNN分类方法。本发明的有益效果:首次提出遥感图像对象空间关系建模方法,填补了该领域的空白;相比于不考虑图像对象数据特点的建模方法,能有效地提高分类精度;不仅限于遥感影像分类领域的应用,还能够广泛适用于各种图像对象的建模。
Description
技术领域
本发明涉及地理空间统计学技术领域,具体来说,涉及一种遥感图像对象的空间关系建模方法。
背景技术
随着高空间分辨率遥感卫星的普及,如何从高空间分辨率遥感图像所提供的海量数据中精确有效地提取信息,是目前遥感领域的研究重点。面向对象的分析方法是针对高分辨率遥感图像的一种分析方法,该方法先将遥感图像按照某种聚类规则划分为一个个的图像对象,每个图像对象间的同质性高,相邻对象间的异质性高。面向对象分析的最小单元不是单个的图像像元,而是图像对象,分析时不仅可以利用对象的光谱信息,还可以利用对象的几何和结构等信息。近年来面向对象的图像分析技术得到了国内外研究人员的大力发展和应用。
利用空间关系的遥感图像分类方法比传统的基于光谱的分类方法可以有效地提高分类精度。常用的基于空间关系的分类方法主要有马尔科夫随机场模型和地统计建模等方法。但是目前这些方法大多都是只针对图像像元级层次,并未扩展到面向对象的图像分析中。尽管空间关系在面向对象分析中得到了一些学者的重视,但其研究大多集中在多层次的面向对象分析上,即利用图像在某一尺度所反映的语义信息去建立图像在另一尺度的相关性,而不是对图像中相邻对象之间的空间关系进行分析。Tang等(2016)将一种基于地统计加权的K最近邻元分类法(KNN)扩展到了面向对象分类中,利用空间依赖性有效地提高了面向对象级的分类精度。但是,在建立空间相关性模型时,该方法直接将图像对象的中心点提取出来,根据中心点位置建立空间模型,而没有实际对图像对象进行分析。由于每个图像对象的大小、形状各不相同,以中心点位置来代替占有一定面积的图像对象,这种方式所建立的空间模型是不严格的。
在人口经济学、水文学等领域有学者意识到了建立面状区域的空间模型不能简单地以中心点来替代的问题。这些研究中,有采用非欧氏距离的度量(如Ghosh距离)来建立空间关系,有利用面到点(area-to-point)的内插方法来解决不同面域大小的预测问题。但是,目前并没有研究涉及到遥感图像对象的空间模型构建方法,也没有将对象模型的空间关系信息引入面向对象分类中的研究。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题,本发明提出一种遥感图像对象的空间关系建模方法,结合了遥感图像的面向对象分类,顾及了不同图像对象的大小和形状,考虑了不同数据支撑之间的转换模型,比直接根据图像对象中心点的空间建模方法所得的分类精度要高。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种遥感图像对象的空间关系建模方法,包括以下步骤:
S1图像分割:将高分辨率遥感图像实施多尺度分割,分割成具有很多同质区域的图像对象;
S2选择训练样本:根据高分辨率图像上典型地物的特征,选择分类的训练样本对象;S3生成初始分类结果:利用选择的样本,实施面向对象的KNN方法得到初始分类结果,该结果作为训练图像;
S4选择空间建模的图像样本对象:通过分层随机采样的方式,从训练图像上每个类别选择足够多的图像样本对象;
S5计算图像样本对象间的空间距离:提出一种面积加权的距离度量方法,计算图像对象样本间的空间距离;
S6图像样本对象的协方差函数估计:根据采样的图像对象样本,通过面积加权距离计算每个类别的类别条件概率;
S7点支撑模型反演:先将基于样本对象的协方差函数反演为点支撑的模型函数,然后根据点支撑的函数模型推算任何数据支撑的空间关系模型;
S8建立任意两个图像对象间的空间关系:将点支撑模型进行正则化,得到任何两个对象模型之间的空间关系;
S9实施面向对象的地统计加权的KNN分类方法:在分类过程中用正则化技术得到任何两个参与计算的图像对象之间的空间相关性,转换为空间关系权重模型,并将该权重融合到KNN分类器中,得到分类结果。
进一步的,在步骤S4中,建模样本对象的选取规则为:建立空间模型的样本对象需要达到一定的数量才具有统计意义、所选样本要能体现地物类别的分布特征。
进一步的,在步骤S5中,所述图像对象样本间的空间距离计算公式为:
其中Pα和Qβ分别代表图像对象vα和vβ包含的像元个数,ui(i=P1,P2,…Pα)和uj(j=Q1,Q2,…Qβ)是分别在两个图像对象vα和vβ中的点集,||ui-uj||代表点ui到uj的欧氏距离。
进一步的,在步骤S6中,在已知图像对象v距离为h邻元对象k属于类别m'的条件下,图像对象v属于类别m的条件概率为:
其中N是图像样本总个数,c(h)代表离图像对象v距离为h的图像对象的类别,I是指示函数,若满足条件时取值为1,不满足时取值为0,V是图像对象的统称,S代表样本对象。
进一步的,在步骤S7中首先对每个类别的协方差函数cov(hV(S))进行模型拟合,然后对建立的协方差函数模型通过去正则化技术估计点支撑cov(hU)的协方差函数,其中U是图像像元的统称。
进一步的,在步骤S7中推演点支撑模型计算过程如下:
第四步重复以上步骤直至达到收敛准则,收敛准则包括理论模型与实验模型之差小于某阈值,或迭代求解次数达到某阈值,得到最终的点支撑模型cov(hU)。
进一步的,在步骤S8中,所述正则化的计算公式为:
其中cov(ui,uj)代表分别在两个图像对象vα和vβ中的两点ui(i=P1,P2,…Pα)和uj(j=Q1,Q2,…Qβ)之间的点支撑的协方差函数模型。
进一步的,在步骤S9中,对于图像对象v属于类别m的概率,利用地理加权的KNN方法的计算公式为:
其中Sg代表空间权重的比例,取值为0到1,越接近1代表空间权重占的比例越大,pm,m′(hvk)是针对任意图像对象的类别条件概率,即:
pm,m′(hvk)=covm(hV)=RP[covm(hV(S))]
其中RP为从步骤S7到步骤S8所实施的数据支撑转换方法,ωvk是图像对象v和邻元对象k的最近邻元的权重,采用反距离权重求得,公式如下:
dvk是图像对象v和k在特征空间中的距离,指数p为整数,决定了权重的大小。
本发明的有益效果:填补了遥感图像对象空间建模领域的空白;所发明的RP模型应用到面向对象的分类方法中,相比于不考虑图像对象数据特点的建模方法,能有效地提高分类精度;不仅限于遥感影像分类领域的应用,还能够广泛适用于各种图像对象的建模。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种遥感图像对象的空间关系建模方法用于KNN分类的流程图。
具体实施方式
下面将结合本发明实施例中的附图,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所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例所属的一种基于遥感图像对象空间关系建模的分类方法,包括以下步骤:
S1图像分割:将高分辨率遥感图像实施多尺度分割,分割成具有很多同质区域的图像对象;
S2选择训练样本:根据高分辨率图像上典型地物的特征,选择分类的训练样本对象;
S3生成初始分类结果:利用选择的样本,实施面向对象的KNN方法得到初始分类结果,该结果作为训练图像;
S4选择空间建模的图像样本对象:通过分层随机采样的方式,从训练图像上每个类别选择足够多的图像样本对象;其中,建模样本对象的选取规则有两个:一是建立空间模型的样本对象需要达到一定的数量才具有统计意义,二是所选样本要能体现地物类别的分布特征,因此采用能反映地物类别分布的训练图像作为先验知识;
S5计算图像样本对象间的空间距离:提出一种面积加权的距离度量方法,计算步骤S5中所选的图像对象样本间的空间距离,具体公式如下:
其中Pα和Qβ分别代表图像对象vα和vβ包含的像元个数,ui(i=P1,P2,…Pα)和uj(j=Q1,Q2,…Qβ)是分别在两个图像对象vα和vβ中的点集,||ui-uj||代表点ui到uj的欧氏距离;由于图像对象中的所有点都参与了计算,因此该距离顾及了图像对象的大小和形状;
S6图像样本对象的协方差函数估计:根据采样的图像对象样本,通过面积加权距离计算每个类别的类别条件概率,又称为协方差函数,在已知图像对象v距离为h邻元对象k属于类别m'的条件下,图像对象v属于类别m的条件概率(或协方差)为:
其中N是图像样本总个数,c(h)代表离图像对象v距离为h的图像对象的类别;I是指示函数,若满足条件时取值为1,不满足时取值为0;V是图像对象的统称,S代表样本对象,因此上述公式是针对样本对象类别的协方差函数;而对于图像上其它未知类别的对象,其大小和形状各不相同,还需要考虑不同数据支撑间的转换问题;
S7点支撑(point-support)模型反演:为了得到任意大小和形状的图像对象之间的空间相关性,需要先将基于样本对象的协方差函数反演为点支撑的模型函数,然后可以根据点支撑的函数模型推算任何数据支撑的空间关系模型;为此,对每个类别的协方差函数cov(hV(S))(以下过程可不考虑类别,故省略下标m)进行模型拟合;在其中常用的模型有:球状模型、指数模型和高斯模型,也可以同时采用两种模型,称为嵌套模型;对建立的协方差函数模型通过去正则化技术(de-regularization)估计点支撑cov(hU)的协方差函数,U是图像像元的统称,计算过程步骤具体如下:
第四步,重复以上步骤直至达到收敛准则,收敛准则包括理论模型与实验模型之差小于某阈值,或迭代求解次数达到某阈值,得到最终的点支撑模型cov(hU)。
S8建立任意两个图像对象间的空间关系:通过将点支撑模型进行正则化(regularization),能够得到任何两个对象模型之间的空间关系;其中,正则化的计算公式为:
cov(ui,uj)代表分别在两个图像对象vα和vβ中的两点ui(i=P1,P2,…Pα)和uj(j=Q1,Q2,…Qβ)之间的点支撑的协方差函数模型,上述公式将图像对象中的所有点都参与了计算,因此计算的空间关系顾及了图像对象的大小和形状;
S9实施面向对象的地统计加权的KNN分类方法:在分类过程中通过以上正则化技术得到任何两个参与计算的图像对象之间的空间相关性,转换为空间关系权重模型,并将该权重融合到KNN分类器中,得到分类结果;对于图像对象v属于类别m的概率,利用地理加权的KNN方法的计算公式如下:
其中Sg代表空间权重的比例,取值为0到1,越接近1代表空间权重占的比例越大;pm,m′(hvk)是针对任意图像对象的类别条件概率,即:
pm,m′(hvk)=covm(hV)=RP[covm(hV(S))]
其中,RP代表从步骤S7到步骤S8所实施的数据支撑转换方法,因此简称该模型为RP(regularization of a point-support model)模型;ωvk是图像对象v和邻元对象k的最近邻元的权重,采用反距离权重求得,公式如下:
dvk是图像对象v和k在特征空间中的距离,指数p为整数,决定了权重的大小。
为了方便理解本发明的上述技术方案,以下通过具体使用方式对本发明的上述技术方案进行详细说明。
由于本发明是创新性地提出一种之前未有涉及的图像对象空间关系建模方法,因此没有同类方法的可供对比。对比实验是两种基于加权的面向对象KNN分类方法,两种方法均是在面向对象层次上、融入了空间模型的分类方法,但是,第一种方法没有针对图像对象的特点,仅是抽取图像对象的中心点,将图像对象的建模简化为空间点的建模方法,而第二种方法是本发明提出的RP模型,该建模方法顾及了图像对象本身面元大小和形状。
实验数据来自World View-3高空间分辨率遥感图像,并经过了Gram-Schmidt图像融合,得到4个波段的、分辨率为0.4米的多光谱图像,为了得到各种尺度和形状的图像对象,实验在3个尺度上分别开展了4种图像分割算法,总共得到12组各不相同的图像对象,4种图像分割算法分别为棋盘分割(chessboard,CB)、四叉树分割(quadtree,QT)、超像元分割(simple linear iterative clustering,SLIC)和多分辨率分割(multi-resolution,MR),尺度1是代表最小,即分割的图像对象数量很多,每个对象面积很小;尺度3代表最大,即分割图像对象数量不多,每个对象面积较大,类别根据图像特征定义了5种:水体、树木、草地、不透水层和阴影,将两种方法做的分类结果做叠加,把两种方法类别不同的对象标注出来,这些不同的地方就是利用RP模型、使分类结果改变的地方,在这些对象中,有些对象的类别在原始图像上难以辨认,因此没有将所有不同的对象做测试,而是选择了一些类别特征明显的测试样本做精度评价,分类精度是所有正确分类的图像对象的数目与所有测试对象样本之比,以百分数为单位,越接近100%说明精度越高,分类精度指标见表1。
表1基于对象的RP模型的加权KNN分类精度与将图像对象简化为点的加权KNN分类精度指标对比:
上述表中的分类精度可见,对于12组不同尺度和不同方法得到的图像对象,基于图像对象的RP模型相比于简单地将对象当作点处理的模型的分类精度都要高,提高的精度从8.74%至54.86%不等,为了更好地说明精度改善情况,对每个方法的精度实施F检验,F检验通过分析两组数据的类间方差和类内方差,判断两组数据的方差是否有显著性差异,在该实例中即测试RP方法与不实施这种方法所做的分类结果相比,分类精度是否具有显著性提高,表1可见,其中只有CB-3一种方法在90%的置信区间上没有达到显著性增加,原因是因为该方法只有3个测试样本对象,但是所有方法在60%的置信区间上精度都达到了显著性增加。
综上所述,本发明利用正则化点支撑模型的RP方法,建立了一种顾及图像对象大小和形状的空间关系模型,借助于本发明的上述方案,将该模型引入遥感图像面向对象分类方法,得到了基于加权的面向对象分类结果,其分类精度相比于将图像对象简化为像元点的建模方法具有显著性提高,该发明不受遥感图像分类应用的限制,能够在所有涉及图像对象的应用中发挥效用。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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保护范围之内。
Claims (5)
1.一种遥感图像对象的空间关系建模方法,其特征在于,包括以下步骤:
S1图像分割:将高分辨率遥感图像实施多尺度分割,分割成具有很多同质区域的图像对象;
S2选择训练样本:根据高分辨率图像上典型地物的特征,选择分类的训练样本对象;
S3生成初始分类结果:利用选择的样本,实施面向对象的KNN方法得到初始分类结果,该结果作为训练图像;
S4选择空间建模的图像样本对象:通过分层随机采样的方式,从训练图像上每个类别选择足够多的图像样本对象;
S5计算图像样本对象间的空间距离:提出一种面积加权的距离度量方法,计算图像对象样本间的空间距离;
S6图像样本对象的协方差函数估计:根据采样的图像对象样本,通过面积加权距离计算每个类别的类别条件概率,其中,在已知图像对象v距离为h邻元对象k属于类别m'的条件下,图像对象v属于类别m的条件概率为:
其中N是图像样本总个数,c(h)代表离图像对象v距离为h的图像对象的类别,I是指示函数,若满足条件时取值为1,不满足时取值为0,V是图像对象的统称,S代表样本对象;
S7点支撑模型反演:先将基于样本对象的协方差函数反演为点支撑的模型函数,然后根据点支撑的函数模型推算任何数据支撑的空间关系模型;
S8建立任意两个图像对象间的空间关系:将点支撑模型进行正则化,得到任何两个对象模型之间的空间关系;
S9实施面向对象的地统计加权的KNN分类方法:在分类过程中用正则化技术得到任何两个参与计算的图像对象之间的空间相关性,转换为空间关系权重模型,并将该权重融合到KNN分类器中,得到分类结果,其中,对于图像对象v属于类别m的概率,利用地理加权的KNN方法的计算公式为:
其中Sg代表空间权重的比例,取值为0到1,越接近1代表空间权重占的比例越大,pm,m′(hvk)是针对任意图像对象的类别条件概率,即:
pm,m′(hvk)=covm(hV)PR[covm(hV(S)],
其中RP为从步骤S7到步骤S8所实施的数据支撑转换方法,ωvk是图像对象v和邻元对象k的最近邻元的权重,采用反距离权重求得,公式如下:
dvk是图像对象v和k在特征空间中的距离,指数p为整数,决定了权重的大小;
所述正则化的计算公式为:
其中α和β分别代表图像对象vα和vβ包含的像元个数,ui(i=P1,P2,…Pα)和uj(j=Q1,Q2,…Qβ)是分别在两个图像对象vα和vβ中的点集,
cov(ui,uj)代表分别在两个图像对象vα和vβ中的两点ui(i=P1,P2,…Pα)和uj(j=Q1,Q2,…Qβ)之间的点支撑的协方差函数模型。
2.根据权利要求1所述的一种遥感图像对象的空间关系建模方法,其特征在于,在步骤S4中,建模样本对象的选取规则为:建立空间模型的样本对象需要达到一定的数量才具有统计意义、所选样本要能体现地物类别的分布特征。
4.根据权利要求1所述的一种遥感图像对象的空间关系建模方法,其特征在于,在步骤S7中首先对每个类别的协方差函数cov(hV(S))进行模型拟合,然后对建立的协方差函数模型通过去正则化技术估计点支撑cov(hU)的协方差函数,其中U是图像像元的统称。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833533.1A CN107644230B (zh) | 2017-09-15 | 2017-09-15 | 一种遥感图像对象的空间关系建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833533.1A CN107644230B (zh) | 2017-09-15 | 2017-09-15 | 一种遥感图像对象的空间关系建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107644230A CN107644230A (zh) | 2018-01-30 |
CN107644230B true CN107644230B (zh) | 2021-03-16 |
Family
ID=61111442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710833533.1A Expired - Fee Related CN107644230B (zh) | 2017-09-15 | 2017-09-15 | 一种遥感图像对象的空间关系建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644230B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214302A (zh) * | 2018-08-13 | 2019-01-15 | 湖南志东科技有限公司 | 一种基于多光谱的物质识别方法 |
CN109459759B (zh) * | 2018-11-13 | 2020-06-30 | 中国科学院合肥物质科学研究院 | 基于四旋翼无人机激光雷达系统的城市地形三维重建方法 |
CN109948421B (zh) * | 2019-01-11 | 2021-04-13 | 西安电子科技大学 | 基于pca和属性配置文件的高光谱图像分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
-
2017
- 2017-09-15 CN CN201710833533.1A patent/CN107644230B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
Non-Patent Citations (5)
Title |
---|
A Geostatistically Weighted k-NN Classifier for Remotely Sensed Imagery;Atkinson,PM等;《GEOGRAPHICAL ANALYSIS》;20100430;第42卷(第2期);第204-225页 * |
A GIS-based gradient analysis of urban landscape pattern of Shanghai metropolitan area, China;Liquan Zhang等;《LANDSCAPE AND URBAN PLANNING》;20070302;第69卷;第1-29页页 * |
A multiple-point spatially weighted k-NN method for object-based classification;Yunwei Tang等;《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》;20161031;第52卷;参见第2节、第3节 * |
多尺度分割的高分辨率遥感影像变化检测;佃袁勇;《遥感学报》;20160125;第20卷(第1期);第129-137页 * |
空间信息的多点地统计分析与应用;唐韵玮;《中国博士学位论文全文数据库(电子期刊)基础科学辑》;20150215;参见第5.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107644230A (zh) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
Zhong et al. | An adaptive subpixel mapping method based on MAP model and class determination strategy for hyperspectral remote sensing imagery | |
CN107146228B (zh) | 一种基于先验知识的大脑磁共振图像超体素生成方法 | |
Xiang et al. | Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
Wang et al. | Fast subpixel mapping algorithms for subpixel resolution change detection | |
Shi et al. | Adaptive multi-scale deep neural networks with perceptual loss for panchromatic and multispectral images classification | |
CN103473786B (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
Zhang et al. | Learning-based spatial–temporal superresolution mapping of forest cover with MODIS images | |
CN107644230B (zh) | 一种遥感图像对象的空间关系建模方法 | |
CN106157330B (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Ling et al. | Learning-based superresolution land cover mapping | |
Wang et al. | Soft-then-hard super-resolution mapping based on a spatial attraction model with multiscale sub-pixel shifted images | |
CN107153839A (zh) | 一种高光谱图像降维处理方法 | |
CN111583330B (zh) | 一种多尺度时空马尔可夫遥感影像亚像元定位方法及系统 | |
Tao et al. | A study of a Gaussian mixture model for urban land-cover mapping based on VHR remote sensing imagery | |
CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN116486183B (zh) | 基于多种注意力权重融合特征的sar图像建筑区分类方法 | |
CN115879034B (zh) | 基于机器学习的热带气旋强度监测方法、装置和设备 | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
CN110956221A (zh) | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |