CN107784283B - 面向对象的无人机高分影像煤火区土地覆被分类方法 - Google Patents
面向对象的无人机高分影像煤火区土地覆被分类方法 Download PDFInfo
- Publication number
- CN107784283B CN107784283B CN201711003079.3A CN201711003079A CN107784283B CN 107784283 B CN107784283 B CN 107784283B CN 201711003079 A CN201711003079 A CN 201711003079A CN 107784283 B CN107784283 B CN 107784283B
- Authority
- CN
- China
- Prior art keywords
- classification
- unmanned aerial
- aerial vehicle
- fire area
- coal fire
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明涉及高分辨率遥感影像的土地分类领域,特别是涉及一种面向对象的无人机高分影像煤火区土地覆被分类方法,主要步骤包括:基于无人机采集的煤火区高分辨率彩色影像,通过影像多尺度分割算法划分同质对象,构建光谱特征、形状特征、纹理特征和高度信息为主的专家知识库,利用规则集和最邻近分类方法实现了煤火区的高精度分类,分类精度远高于传统基于像元的分类方法,本发明满足复杂煤火区域土地覆被精确分类的需求。
Description
技术领域
本发明涉及高分辨率遥感影像的土地分类领域,特别是涉及一种面向对象的无人机高分影像煤火区土地覆被分类方法。
背景技术
与卫星和机载遥感设备相比,无人机作为新型的遥感平台具有飞行时间短、飞行高度低、操作灵活方便、采集成本低、获取的影像分辨率高等优势,是传统航空航空摄影测量手段的有益补充,广泛应用于地形图生产、灾害应急管理、农村土地确权、城市三维建模等领域[1,2]。高分辨率无人机影像包含更准确的空间位置信息、更丰富的几何信息和纹理信息,更易识别地物的属性信息[3]。面对高分辨率影像中严重的“同谱异物”和“同物异谱”现象,传统的基于像元级别的遥感影像土地覆被分类方法在地物分类和目标识别精度方面表现不尽人意,分类结果的椒盐现象明显。而面向对象的土地覆被分类方法以对象为基本单元,综合运用影像的对象特征和相邻对象的关系来识别目标[4-7],克服了传统分类方法的缺陷,提高了土地利用类型信息的识别精度。矿区粉尘污染、地表各类灾害的影响使得矿区煤火区的地表状况异常复杂,已有学者使用传统的分类方法进行了煤火区的土地覆被分类研究[8,9],但是煤火区地物的区分难度很大,土地覆被分类较为困难,分类精度较低。
发明内容
本发明的目的在于克服上述背景技术存在的缺陷,提供一种面向对象的无人机高分影像煤火区土地覆被分类方法,减少了目前土地覆被分类的中间过程,提高土地覆被分类的精度。
本发明的技术方案:一种面向对象的无人机高分影像煤火区土地覆被分类方法,该方法包括如下步骤:
(1)、无人机影像采集与数据处理;
(2)、无人机高分影像的多尺度分割;
(3)、分类特征的专家知识库构建;
(4)、煤火区土地覆被分类。
所述步骤(1)具体是:
(a)、在无人机云台上挂载数码相机,按照航测要求设计飞行航线,利用飞控平台采集煤火区上空的高分辨率影像;
(b)、基于Pix4Dmapper软件完成相机检校、同名像点提取、空三加密、密点云生成、数字地表模型生成、正射纠正和影像整体镶嵌工作。
所述步骤(2)具体是:
(a)、依据异质性最小原则,从单像元出发采用“自下而上”的逐级像元合并技术,顾及影像对象的光谱特征、几何特征、空间分布特征因素,通过程序迭代实现对象内部异质区域的逐渐缩减而同质区域的不断扩大;
(b)、每次迭代运算时,当新生成的对象不超过尺度参数、颜色/形状参数、紧致度/平滑度参数异质性阈值时,对象被合并。
所述步骤(3)具体是:
(a)、煤火区的土地覆被地类划分为水体、植被、裸土、建筑物和道路5类;
(b)、针对多尺度分割效果和分类体系的特点,选用绿波段比值、可见光波段差异植被指数、最大差异度、紧致度和形状指数、灰度共生矩阵的熵、5个波段的平均值和标准差值、归一化地表模型7个特征来构建。
所述步骤(4)是按照先易后难的分类原则使用规则集进行分类。
具体是:
(a)、根据绿波段比值GR<0.039和DEM高程数据<1248m提取试验区域的水体类别;
(b)、以可见光波段差异植被指数VDVI>0.009来提取植被类别;
(c)、根据最大差异度MD<4.4提取部分裸土类型;
(d)、通过归一化地表模型nDSM>0.3m排除部分道路类别;
(e)、使用灰度共生矩阵GLCM的在[6,7.9]之间的熵值识别煤火区部分损毁建筑物;
(f)、运用模糊最近邻对象分类算法实现裸土、道路和建筑物3种地类的分类,对于部分错分为道路的对象,采用nDSM>0.3m的方式重分类为建筑物类。
与现有技术相比,本发明具有的优点是:利用无人机搭载的单反数码相机采集煤火区的高分辨率影像,通过无人机影像的计算机视觉和摄影测量平差处理后生成煤火区的高分辨率正射镶嵌图,根据面向对象的方法,通过建立影像特征库的方式进行土地覆盖分类,分类精度远高于传统基于像元的分类方法,本发明满足复杂煤火区域土地覆被精确分类的需求。具体优势如下:
1.本发明利用旋翼式无人机作为热红外成像平台,可以灵活、低成本地采集煤火区高分辨率的RGB影像;通过无人机的POS数据和测量的地面GCP生成的正射镶嵌图分辨率高、接缝小,色彩均匀丰富,可视效果好。
2.本发明将无人机镶嵌图的蓝、绿、红、DEM、nDSM波段数据融合为一个多波段数据,考虑影像的尺度参数、颜色/形状参数、紧致度/平滑度参数,基于自下而上的多尺度的分割算法实现无人机高分影像对象内部异质区域缩减到最小而同质区域扩大到最大,最终形成不同尺寸的同质分割对象。
3.本发明采用绿波段比值(GR)、可见光波段差异植被指数(VDVI)、最大差异度(MD)、紧致度(C)、形状指数(SI)、灰度共生矩阵(GLCM)的熵(Entropy)、5个波段的平均值和标准差值、归一化地表模型(nDSM)等特征构建专家特征知识库可以有效区分煤火区的各种土地类型。
4.本发明利用规则集的方式分类水体和植被,通过选取选取裸土、道路、建筑物3种地物的训练样本,采用模糊最近邻(NN)对象分类算法和归一化地表模型(nDSM)实现裸地、道路和建筑物的精确分类。
附图说明
图1无人机高分影像数据处理流程图。
图2煤火区无人机高分影像土地覆被分类图。
具体实施方式
下面通过具体实施例和附图对本发明作进一步的说明。本发明的实施例是为了更好地使本领域的技术人员更好地理解本发明,并不对本发明作任何的限制。
一种面向对象的无人机高分影像煤火区土地覆被分类方法,具体步骤如下:
1)无人机影像采集与数据处理:
采用四旋翼无人机搭载SONY ILCE-6000数码相机,数码相机焦距为20mm,像元大小为 3.9μm,有效像素为2400万,飞行航线4条,飞行高度200m,航向和旁向重叠度分别为80%和60%,共采集62幅真彩色影像,飞行过程中在测区内放置5块航测标志板并用RTK测量标志板中心坐标作为地面控制点(GCP)。基于Pix4Dmapper软件,首先导入POS定位定向数据,含初始的x(北坐标)、y(东坐标)、h(高程)、(航向倾角)、ω(旁向倾角)、κ (像片旋角)外方位数据和GCP数据,根据径向畸变和切向畸变公式对相机进行畸变校正,获得相机的焦距、像主点坐标、3个径向畸变参数和2个切向畸变参数;通过影像匹配技术自动生成同名像点,联合POS数据和GCP数据,使用光束法区域网平差精确计算出各影像的外方位元素和同名像点的三维坐标,同名像点形成稀疏点云;利用SGM(半全局匹配)算法,根据前方交会方法生成密集点云;直接利用密集点云生成地表的DSM(数字地表模型),通过数字影像的正射纠正技术完成正射影像生成,根据影像间的镶嵌线和匀色技术完成全部影像的整体无缝镶嵌。无人机影像数据的处理流程如图1所示。
2)无人机高分影像的多尺度分割:
依据异质性最小原则,从单像元出发采用“自下而上”的逐级像元合并技术,顾及影像对象的光谱特征、几何特征、空间分布特征因素,通过程序迭代的方式实现对象内部异质区域的逐渐缩减而同质区域的不断扩大。每次迭代运算时,当新生成的对象不超过光谱异质性指标、形状异质性指标、光滑度异质性指标和紧致度异质性指标阈值时,对象就需要被合并,实现无人机高分影像的多尺度分割。各异质性指标可简单地用下列(1)、(2)和(3)式表示:
h=ωchc+ωshs (1)
hs=ωsmhsm+ωcohco (2)
式中,h、hc、hs、hsm和hco分别表示最终的异质性指标、光谱异质性指标、形状异质性指标、光滑度异质性指标和紧致度异质性指标,ωc、ωs、ωsm和ωco分别对应上述异质性指标的权重值。ωi和σi分别表示图层i的权重和标准差,n代表总图层数。
用于分割的影像包含了蓝波段、绿波段、红波段、数字高程模型DEM和归一化地表模型 nDSM共5个图层,5个图层根据影响力大小分配不同的权重值。尺度参数是控制对象尺寸的关键参数,分割尺度越小,分割的对象越破碎;反之,会出现大量的混合分割对象,因此需要确定最优分割尺度。
3)分类特征的专家知识库构建:
选择适宜的分类特征组成专家特征知识库,它能更好地区分地物特征差异,提高地物的识别精度。煤火区的土地覆被地类通常需要划分为水体、植被、裸土、建筑物和道路5类。针对多尺度分割效果和分类体系的特点,选用下列7个特征来构建地类专家知识库:
(1)绿波段比值(GR)可以用于水体的识别,以红(R)、绿(G)、蓝(B)三个波段表示的公式为:
GR=G/(R+G+B) (4)
(2)可见光波段差异植被指数(Visible-band Difference Vegetation Index,VDVI)考虑了绿光的反射特性以及红蓝光的吸收特点,被认为能有效地提取无人机可见光波段健康绿色植被信息,其公式被定义为:
(3)最大差异度(Max.Diff.,MD)定义了影像对象最大波段平均灰度值之差与对象亮度的比值,用于裸土类别的提取,具体公式如下:
(4)选取紧致度(Compact)和形状指数(Shape Index)来表示影像对象的形状特征,紧致度描述了影像对象的紧凑程度,对象越紧凑,其边界就越小。形状指数描述了影像对象边界的平滑程度,对象边界越平滑,其形状指数就越小。紧致度C和形状指数SI分别用公式表示为:
C=lv×wv/N (7)
式中,lv和wv分别表示对象的长度和宽度;N为对象包含的像元数;LB和S分别表示对象边界长度和面积。
(5)引入灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)的熵(Entropy)作为纹理特征来提高煤火区损毁建筑物墙体的识别精度,熵Ent定义为:
式中,pi,j表示第i行第j列像元出现的概率,p和q表示行列数。
(6)建筑物在各波段上的反射率相比其他地物的要高,通常表现为亮色调;建筑物顶面纹理粗糙,波段标准差大,因此各个波段的平均值和标准差值可被用于建筑物的分类中。
(7)道路面与建筑物房顶的光谱信息往往相似或相同,直接使用光谱或纹理特征仍然难以区分二者,因此引入归一化地表模型(nDSM)的建筑物的高度数据区分开道路和建筑物。
4)煤火区土地覆被分类
按照先易后难的分类原则使用规则集进行分类。首先,因为试验区域河流地势较低,根据绿波段比值(GR<0.039)和DEM高程数据(<1248m)提取试验区域的水体类别。以可见光波段差异植被指数(VDVI>0.009)来提取植被类别。根据最大差异度(MD<4.4)提取部分裸土类型。通过归一化地表模型(nDSM>0.3m)排除部分道路类别,然后使用灰度共生矩阵(GLCM) 的在[6,7.9]之间的熵值识别煤火区部分损毁建筑物。
剩余的土地覆盖类型主要为裸土、道路和建筑物,这3类地物具有相近的光谱特性,不易区分,因此,运用模糊最近邻(Nearest Neighbor,NN)对象分类算法实现上述3种地类的分类,通过选取3种地物的训练样本,选取构建的专家特征知识库中的各个波段的平均值、标准差值、紧致度(C)、形状指数(SI)、灰度共生矩阵(GLCM)的熵作为分类属性值,NN 分类器根据训练样本的平均属性值与未分类对象的属性值的归一化差异来预测对象类,所有训练样本属性的距离值组合成一个多维向量并用于构建所有类的隶属度函数,有最高隶属度的类被分配给对应对象类别,这种方法被证明比随机森林和贝叶斯分类器更有效。NN分类后,对于部分错分为道路的对象采用nDSM>0.3m的方式重分类为建筑物类。至此5类土地覆被类型分类完毕,煤火区无人机高分影像土地覆被分类结果如图2所示。
以下就山西某地煤火区为例展开说明本发明的实施效果:
试验区域选择在山西某煤矿的煤火区,地形以丘陵山地为主,面积为0.12km2,平均高程为1300m,属温带大陆性季风气候。由于历史上小煤窑的过度开采造成地面大量地裂缝出现,空气通过这些地表裂缝涌入地下并与煤层发生氧化作用而引发煤火;同时大规模的开采导致地面大面积塌陷出现,矿区内许多居民房屋因受损或地下裂缝排放的有毒气体而无法居住,多数建筑遭到遗弃或损坏。试验中采用四旋翼无人机搭载SONY ILCE-6000相机,焦距为20mm,像元大小为3.9μm,有效像素为2400万,飞行航线4条,飞行高度200m,航向和旁向重叠度分别为80%和60%,共采集62幅真彩色影像,飞行过程中在测区内放置5块航测标志板并用RTK测量板中心坐标作为外业控制点。
试验中的光谱异质性指标ωc、形状异质性指标ωs、光滑度异质性指标ωsm和紧致度异质性指标ωco分别设置为0.8、0.2、0.6和0.4。用于分割的影像包含了蓝波段、绿波段、红波段、DEM和nDSM 5个图层的权重分别被定义为了1、1、1、0.7和0.6。最佳分割尺度参数为100。根据7种特征建立土地覆被的多维特征空间,构建分类特征知识库体系,其中绿波段比值GR<0.039、可见光波段差异植被指数VDVI>0.009、最大差异度MD<4.4、紧致度在1.68~3 之间,形状指数SI在2.1~3.9之间,归一化地表模型nDSM>0.3m、灰度共生矩阵GLCM的在 6~7.9之间的熵值。在面向对象的多尺度分割的基础上,分别计算水体、植被、裸土、建筑物和道路地类各种特征的最邻近函数值。
由于试验采集的影像分辨率高达4cm,使用肉眼已足够分辨出绝大部分的地物类型,因此直接通过目视解译的方式共选择5种地类的参考样本750个,利用混淆矩阵的方法来评价土地覆被的分类精度,精度评价结果如表1所示。错分误差是指其他类别被识别为感兴趣类别;漏分误差是指将真实地类错分为其他类别。表1显示,水体、植被、裸土、建筑物和道路的错分误差分别为0.00%、12.50%、13.69%、13.10%和1.60%,其中水体的错分率最低,道路的错分率次之,其余3类的错分率在13%左右;水体、植被、裸土、建筑物和道路的漏分误差分别为12.00%、2.00%、14.71%、10.00%和12.14%,其中植被的漏分率最低(2.00%),其次是建筑物的,水体和道路的漏分率维持在12%左右,土壤的漏分率也仅为14.71%。整体的分类精度高达90.40%,Kappa系数为0.88,这表明文中所用的面向对象分类方法具有很高的分类精度。
表1煤火区无人机高分影像土地覆被分类精度评价表
在样本错分误差中,植被类别中有9.82%的裸土样本点被错分,主要是山坡上的裸土与稀疏植被在真彩色光谱图上有类似的特征所致;裸土类别中主要由水体和建筑物被错分,二者各占总裸土类的5.36%,这是因为河流周围的裸土含水量较高引起与水体的光谱反射特性相似,矿区农村建筑物房顶与院落水泥地面有近似的光谱特征;建筑物类别中有10.34%的道路类别被错分,这是由于道路路面的材质与房屋顶面材质近似导致。从样本漏分误差中同样发现,水体与裸土、植被与裸土、建筑物与裸土、道路与建筑物之间都存在不同程度的光谱混淆,导致出现不同的漏分误差。
应当理解的是,这里所讨论的实施方案及实例只是为了说明,对本领域技术人员来说,可以加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
相关文献:
[1]毕凯,李英成,丁晓波,等.轻小型无人机航摄技术现状及发展趋势[J].测绘通报, 2015(3):27-48.
[2]Bollard-Breen B,Brooks J D,Jones M R L,et al.Application of anunmanned aerial vehicle in spatial mapping of terrestrial biology and humandisturbance in the McMurdo Dry Valleys,East Antarctica[J].Polar Biology,2015,38(4):573-578.
[3]鲁恒,李永树,林先成.无人机高空间分辨率影像分类研究[J].测绘科学,2011,36(6):106-108.
[4]Pérez-Ortiz M, J M,Gutiérrez P A,et al.Selecting patterns andfeatures for between-and within-crop-row weed mapping using UAV-imagery[J].Expert Systems with Applications,2016,47:85-94.
[5]Diaz-Varela R A,Zarco-Tejada P J,Angileri V,et al.AutomaticIdentification of agricultural terraces through object-oriented analysis ofvery high resolution DSM and multispectral imagery obtained from an unmannedaerial vehicle[J].Journal of Environmental Management,2014(134):117-126.
[6]Torres-Sánchez J,López-Granados F,J M.An automatic object-based method for optimal thresholding in UAV images:Application forvegetation detection in herbaceous crops[J].Computers&Electronics inAgriculture,2015,114:43-52.
[7]Li M,Ma L,Blaschke T,et al.A systematic comparison of differentobject-based classification techniques using high spatial resolution imageryin agricultural environments[J].International Journal of Applied EarthObservation& Geoinformation,2016,49:87-98.
[8]李峰,梁汉东,米晓楠,等.Landsat8卫星影像的多子区决策树土地覆被分类方法(英文)[J].红外与激光工程,2015,44(7):2224-2230.
[9]Wang Y J,Tian F,Huang Y,et al.Monitoring coal fires in Datongcoalfield using multi-source remote sensing data[J].Transactions ofNonferrous Metals Society of China,2015,25(10):3421-3428。
Claims (2)
1.面向对象的无人机高分影像煤火区土地覆被分类方法,其特征在于,该方法包括如下步骤:
(1)、无人机影像采集与数据处理;
(2)、无人机高分影像的多尺度分割;
(3)、分类特征的专家知识库构建;
(4)、煤火区土地覆被分类;
所述步骤(1)具体是:
(a)、在无人机云台上挂载数码相机,按照航测要求设计飞行航线,利用飞控平台采集煤火区上空的高分辨率影像;
(b)、基于Pix4Dmapper软件完成相机检校、同名像点提取、空三加密、密点云生成、数字地表模型生成、正射纠正和影像整体镶嵌工作;
所述步骤(2)具体是:
(a)、依据异质性最小原则,从单像元出发采用“自下而上”的逐级像元合并技术,顾及影像对象的光谱特征、几何特征、空间分布特征因素,通过程序迭代实现对象内部异质区域的逐渐缩减而同质区域的不断扩大;
(b)、每次迭代运算时,当新生成的对象不超过尺度参数、颜色/形状参数、紧致度/平滑度参数异质性阈值时,对象被合并;
所述步骤(3)具体是:
(a)、煤火区的土地覆被地类划分为水体、植被、裸土、建筑物和道路5类;
(b)、针对多尺度分割效果和分类体系的特点,选用绿波段比值、可见光波段差异植被指数、最大差异度、紧致度和形状指数、灰度共生矩阵的熵、5个波段,即蓝光波段、绿光波段、红光波段、无人机影像空中三角测量生成的DEM和nDSM的的平均值和标准差值、归一化地表模型7个特征来构建;
所述步骤(4)具体是:
(a)、根据绿波段比值GR<0.039和DEM高程数据<1248m提取试验区域的水体类别;
(b)、以可见光波段差异植被指数VDVI>0.009提取植被类别;
(c)、根据最大差异度MD<4.4提取部分裸土类型;
(d)、通过归一化地表模型nDSM>0.3m排除部分道路类别;
(e)、使用灰度共生矩阵GLCM的在[6,7.9]之间的熵值识别煤火区部分损毁建筑物;
(f)、运用模糊最近邻对象分类算法实现裸土、道路和建筑物3种地类的分类,对于部分错分为道路的对象,采用nDSM>0.3m的方式重分类为建筑物类。
2.根据权利要求1所述的分类方法,其特征在于,所述步骤(4)是使用规则集分类的顺序为:“水体、植被、裸土、建筑物和道路”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711003079.3A CN107784283B (zh) | 2017-10-24 | 2017-10-24 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711003079.3A CN107784283B (zh) | 2017-10-24 | 2017-10-24 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107784283A CN107784283A (zh) | 2018-03-09 |
CN107784283B true CN107784283B (zh) | 2021-05-18 |
Family
ID=61433855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711003079.3A Active CN107784283B (zh) | 2017-10-24 | 2017-10-24 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784283B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871286B (zh) * | 2018-04-25 | 2021-02-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
CN109034189B (zh) * | 2018-06-15 | 2022-04-08 | 中南林业科技大学 | 基于高分遥感影像的森林类型识别方法 |
CN109376750A (zh) * | 2018-06-15 | 2019-02-22 | 武汉大学 | 一种融合中波红外与可见光的遥感影像分类方法 |
CN109581412A (zh) * | 2019-01-17 | 2019-04-05 | 合肥工业大学 | 一种快速进行水土流失动态变化遥感监测的方法 |
CN110717413B (zh) * | 2019-09-24 | 2022-11-25 | 云南师范大学 | 面向无人机可见光影像的水体信息提取方法及装置 |
CN111062351B (zh) * | 2019-12-24 | 2023-12-22 | 中国矿业大学 | 一种星/机载影像数据融合识别煤矿区场地特征的方法 |
CN111274871B (zh) * | 2020-01-07 | 2020-09-08 | 西南林业大学 | 基于轻小型无人机的森林火灾林木受损程度提取方法 |
CN111339149B (zh) * | 2020-03-20 | 2023-04-18 | 宁夏回族自治区自然资源勘测调查院 | 一种基于耕地保护业务数据流的时空多维度大数据融合处理方法 |
CN111723711A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
CN111707620A (zh) * | 2020-06-11 | 2020-09-25 | 中国电建集团华东勘测设计研究院有限公司 | 土地利用分类规则集、水土流失监测方法及系统 |
CN111753900B (zh) * | 2020-06-23 | 2023-04-07 | 中南林业科技大学 | 一种森林火灾的监测方法 |
CN111862134B (zh) * | 2020-07-13 | 2023-11-07 | 中国科学院南京地理与湖泊研究所 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
CN113283392A (zh) * | 2021-06-28 | 2021-08-20 | 苏州威视通智能科技有限公司 | 一种基于深度神经网络的建筑物场景理解系统及方法 |
CN114155385B (zh) * | 2021-11-30 | 2022-09-27 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
CN114170397B (zh) * | 2022-02-09 | 2022-04-29 | 四川省安全科学技术研究院 | 基于真实地形的不规则离散元仿真模型快速数学建模方法 |
CN115965812B (zh) * | 2022-12-13 | 2024-01-19 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
CN116258958B (zh) * | 2022-12-22 | 2023-12-05 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615254A (zh) * | 2009-05-21 | 2009-12-30 | 中国国土资源航空物探遥感中心 | 基于广义加法模型的煤火信息高光谱遥感提取方法 |
CN102368331A (zh) * | 2011-10-31 | 2012-03-07 | 陈建裕 | 一种集成边缘信息的图像多尺度分割方法 |
US8289392B2 (en) * | 2005-03-07 | 2012-10-16 | International Business Machines Corporation | Automatic multiscale image acquisition from a steerable camera |
CN102855490A (zh) * | 2012-07-23 | 2013-01-02 | 黑龙江工程学院 | 高分辨率遥感影像面向对象神经网络分类方法 |
CN103234524A (zh) * | 2013-03-28 | 2013-08-07 | 中国神华能源股份有限公司 | 矿区煤火的监测方法及装置 |
CN103605987A (zh) * | 2013-11-29 | 2014-02-26 | 中国神华能源股份有限公司 | 煤田火区的确定方法和装置 |
CN103700092A (zh) * | 2013-12-04 | 2014-04-02 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感影像的森林火烧迹地自动提取方法 |
CN106485718A (zh) * | 2016-09-30 | 2017-03-08 | 北京通航信息科技有限公司 | 一种过火迹地识别方法及装置 |
CN107273813A (zh) * | 2017-05-23 | 2017-10-20 | 国家地理空间信息中心 | 基于高分卫星遥感数据的地理空间要素提取系统 |
-
2017
- 2017-10-24 CN CN201711003079.3A patent/CN107784283B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8289392B2 (en) * | 2005-03-07 | 2012-10-16 | International Business Machines Corporation | Automatic multiscale image acquisition from a steerable camera |
CN101615254A (zh) * | 2009-05-21 | 2009-12-30 | 中国国土资源航空物探遥感中心 | 基于广义加法模型的煤火信息高光谱遥感提取方法 |
CN102368331A (zh) * | 2011-10-31 | 2012-03-07 | 陈建裕 | 一种集成边缘信息的图像多尺度分割方法 |
CN102855490A (zh) * | 2012-07-23 | 2013-01-02 | 黑龙江工程学院 | 高分辨率遥感影像面向对象神经网络分类方法 |
CN103234524A (zh) * | 2013-03-28 | 2013-08-07 | 中国神华能源股份有限公司 | 矿区煤火的监测方法及装置 |
CN103605987A (zh) * | 2013-11-29 | 2014-02-26 | 中国神华能源股份有限公司 | 煤田火区的确定方法和装置 |
CN103700092A (zh) * | 2013-12-04 | 2014-04-02 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感影像的森林火烧迹地自动提取方法 |
CN106485718A (zh) * | 2016-09-30 | 2017-03-08 | 北京通航信息科技有限公司 | 一种过火迹地识别方法及装置 |
CN107273813A (zh) * | 2017-05-23 | 2017-10-20 | 国家地理空间信息中心 | 基于高分卫星遥感数据的地理空间要素提取系统 |
Non-Patent Citations (2)
Title |
---|
"小波多尺度分析在煤田火烧区磁法探测中的应用";刘大为 等;《煤田地质与勘探》;20051231;第33卷(第6期);第21-25页 * |
"面向对象的Landsat 8影像城市建成区提取方法研究";佟彪 等;《辽宁省交通高等专科学校学报》;20170430;第19卷(第2期);第61-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107784283A (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784283B (zh) | 面向对象的无人机高分影像煤火区土地覆被分类方法 | |
US11599689B2 (en) | Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision | |
RU2669656C2 (ru) | Обнаружение состояния с использованием обработки изображений | |
Matikainen et al. | Automatic detection of buildings from laser scanner data for map updating | |
US9576373B2 (en) | Geospatial imaging system providing segmentation and classification features and related methods | |
US11804025B2 (en) | Methods and systems for identifying topographic features | |
CN110363299B (zh) | 面向露头岩层分层的空间案例推理方法 | |
Aplin | 2 Comparison of simulated IKONOS and SPOT HRV imagery for | |
Shukla et al. | Automatic extraction of urban land information from unmanned aerial vehicle (UAV) data | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
Olivatto et al. | Urban mapping and impacts assessment in a Brazilian irregular settlement using UAV-based imaging | |
Mayr et al. | Mapping eroded areas on mountain grassland with terrestrial photogrammetry and object-based image analysis | |
Taherzadeh et al. | Using hyperspectral remote sensing data in urban mapping over Kuala Lumpur | |
Nobrega et al. | An object-based approach to detect road features for informal settlements near Sao Paulo, Brazil | |
Cömert et al. | Rapid mapping of forested landslide from ultra-high resolution unmanned aerial vehicle data | |
Costantino et al. | Features and ground automatic extraction from airborne LiDAR data | |
Kasemsuppakorn et al. | Pedestrian network extraction from fused aerial imagery (orthoimages) and laser imagery (lidar) | |
Klapa et al. | Charting topographic maps based on UAV data using the image classification method | |
TWI597405B (zh) | System and method for monitoring slope with tree displacement | |
Zhang | Photogrammetric point clouds: quality assessment, filtering, and change detection | |
Huang et al. | Ground filtering algorithm for mobile LIDAR using order and neighborhood point information | |
Bochow et al. | Automating the build-up process of feature-based fuzzy logic models for the identification of urban biotopes from hyperspectral remote sensing data | |
Sadhasivam et al. | Object Based Automatic Detection of Urban Buildings Using UAV Images | |
Zhang et al. | Patch-based Evaluation of Dense Image Matching Quality | |
Djenaliev et al. | Unmanned Aerial Systems for Building Footprint Extraction in Urban Area |
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 |