CN107886125A - 基于局部谱分解打分的modis卫星遥感图像标注方法 - Google Patents
基于局部谱分解打分的modis卫星遥感图像标注方法 Download PDFInfo
- Publication number
- CN107886125A CN107886125A CN201711095885.8A CN201711095885A CN107886125A CN 107886125 A CN107886125 A CN 107886125A CN 201711095885 A CN201711095885 A CN 201711095885A CN 107886125 A CN107886125 A CN 107886125A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- satellite remote
- modis satellite
- image block
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000003287 optical effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 2
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000011835 investigation Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于局部谱分解打分的MODIS卫星遥感图像标注方法，包括人工标注训练样本步骤，样本特征提取与分类器训练步骤，MODIS卫星遥感图像概率预测与区域标注步骤；首先收集一定量的MODIS卫星遥感图像并进行人工标注，然后对收集图像进行基于谱分解的特征处理并训练分类器，最后在实际使用中利用训练完毕的分类器对待预测的MODIS卫星遥感图像进行分类和标注。与现有技术相比，本发明的方法特征提取方式新颖，分类测试自动化程度高。
Description
技术领域
本发明涉及模式识别中基于谱分解打分的区域标注方法，特别适用于MODIS卫星遥感图像的冰海云概率预测和区域标注问题。
背景技术
以南极科考为重点的极地科学考察目前已有51个国家参与，包括世界大多数发达国家和主要发展中国家，它关系着全球变化和人类的未来，也是一个国家综合国力、高科技水平在国际舞台上的展现和角逐，在政治、科学、经济、外交、军事等方面都有其深远意义与重大影响。随着科学技术的发展，近年来，各国重视利用最先进的技术，为极地科考提供保障，用技术为科考保驾护航。2014年1月，在中国第30次南极考察队完成对俄罗斯“绍卡利斯基院士”号被困52名乘客救援工作后，“雪龙”船准备回撤时受阻被困在密集浮冰区，五天后才成功驶出乱冰区，进入清水区中航行。如何利用遥感图像，有效判断出冰海云区域，找到冰间水道，为极地考察船只规划合理航线，是现在科考面临的重要问题之一。到目前为止，遥感图像分割和分类主要采用选取特征阈值和目视解译的方法进行处理。自动进行遥感图像处理及区域预测，为极地科考提供有效的冰海云区域标注辅助，减少科考船只航行过程中受到浮冰阻碍的影响，是亟待解决的问题。
要达到自动进行MODIS卫星遥感图像概率预测与区域标注的目的，需要识别图像中有效区分冰海云区域的纹理信息，实验发现，不同区域图像块谱特征分布、综合光密度有明显差异，其中海区域图像块谱能量集中，光密度低；厚冰和厚云区域图像块谱能量相对集中，光密度高；薄冰和薄云区域谱能量分散，光密度分布广；且存在冰(云)间水道的局部区域的近似秩存在各向异性，不同方向上计算出的近似秩方差较大。利用这些特性，我们采用局部谱分解的方法提取图像块特征，进而训练分类模型对冰海云分布进行概率预测，从而达到区域标注的目的。
发明内容
发明目的：目前的MODIS卫星遥感图像分割和分类主要采用选取特征阈值和目视解译的方法进行处理，这些方法需要大量的人工步骤，如何对MODIS卫星遥感图像进行自动处理，得到图像的区域标注，是亟待解决的问题。针对这个问题，本发明提供一种基于局部谱分解打分的MODIS卫星遥感图像标注方法，具体来说，首先收集一定量的MODIS卫星遥感图像并人工标注出待分类预测的区域，然后对图像进行处理、分割和提取特征并训练分类器，最后在实际使用中利用训练完毕的分类器对待预测的图像块进行分类，进而得到完整的MODIS卫星遥感图像区域标注。
技术方案：一种基于局部谱分解打分的MODIS卫星遥感图像标注方法，包括人工标注训练样本步骤，样本特征提取与分类器训练步骤，MODIS卫星遥感图像概率预测与区域标注步骤：
所述人工标注训练样本步骤具体为：
步骤100，根据要待标注的MODIS卫星遥感图像的时间和经纬度的大致范围，收集历年相同时间段，相近范围的大量MODIS卫星遥感图像；
步骤101，对收集的MODIS卫星遥感图像频段1做极地方位投影转换，并做同态滤波和直方图均衡化处理；
步骤102，对步骤101处理后的MODIS卫星遥感图像频段1，在MODIS29工具辅助下，初步勾勒出图像中的云区域，冰区域和海区域
步骤103，对步骤102处理后的MODIS卫星遥感图像频段1，分别针对云区域和冰区域，人工鉴别厚冰、厚云、薄冰、薄云；
步骤104，对步骤101处理后的MODIS卫星遥感图像频段1，随机生成一组坐标点，提取以该点为中心的20*20大小的图像块，将步骤103中人工鉴别出的标记作为提取出的图像块的标记，并将厚冰区域和厚云区域归为同一类，薄冰区域和薄云区域归为同一类，海区域单独归为一类，从而得到大量带标记的20*20大小的频段1图像块；
步骤105，对收集的MODIS卫星遥感图像频段2，重复步骤101到步骤104，生成带标记的20*20频段2图像块，并与带标记的20*20频段1图像块一一对应，2个一组作为训练数样本。
所述样本特征提取与分类器训练的具体步骤为：
步骤200，以步骤104中提取并手工标记的20*20频段1图像块作为输入数据；
步骤201，将20*20的频段1图像旋转7个方向，分别是0°，15°，30°，45°，60°，75°，90°，得到对应的7张图像块，对每张图像块的灰度矩阵进行谱分解，每个矩阵得到其对应的一组特征值；
步骤202，针对步骤201中生成的一个矩阵的全部特征值，把这些特征值按降序排列，按顺序累加特征值，直到当前特征值之和达到所有特征值之和的90％为止，记录当前所需特征值的个数，记作Ni，Ni即为所处理矩阵对应的近似秩；
步骤203，针对步骤202中生成的近似秩，按序拼接7个方向近似秩的值，得到20*20频段1图像块对应的一个长度为7的向量；
步骤204，针对20*20频段2图像块，重复步骤200-203，生成20*20频段2图像块对应的一个长度为7的向量，并与步骤203中生成的向量拼接，作为近似秩特征
步骤205，提取频段1与频段2图像块的综合光密度的均值、方差，作为光密度特征，与近似秩特征拼接，获得一对图像块的完整特征表示；
步骤206，利用人工标注的训练样本的特征表示和标记，使用RBF-SVM训练分类模型，选取最佳分类参数，得到分类器C。
所述MODIS卫星遥感图像冰海云概率预测与区域标注的具体步骤为：
步骤300，收集待预测的MODIS卫星遥感图像
步骤301，对MODIS卫星遥感图像频段1和频段2做极地方位投影转换，并做同态滤波和直方图均衡化处理；
步骤302，对步骤301处理后的MODIS卫星遥感图像频段1和频段2，每隔10个像素点为中心，截取20*20区域，针对该区域提取近似秩特征和光密度特征，获得一对图像块的完整特征表示；
步骤303，使用已训练完成的分类器C对每个图像块的完整特征表示进行分类，得到图像块的标记的概率分布，作为图像块的标注打分；
步骤304，训练区域分类器，再结合前向插值，得到每个像素点的概率预测结果。对步骤301处理后的MODIS卫星遥感图像中每个像素点，将包含该点的小图像块的概率预测值进行平均，得到该点最终的海、厚冰厚云、薄冰薄云的概率预测结果；
步骤305，根据对每个像素点的概率预测，生成热力图，即把每点是云海冰的概率用颜色表现出来，越蓝表示是该点是海的可能性越大，越安全，越红表示该点是冰的可能性越大，越危险。
附图说明
图1为本发明的人工标注训练样本步骤流程图；
图2为本发明的样本特征提取与分类器训练步骤流程图；
图3为本发明的MODIS卫星遥感图像概率预测与区域标注步骤流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
人工标注训练样本阶段的工作流程如图1所示。首先收集极地区域的MODIS卫星遥感图像(步骤100)；然后对其进行极地方位投影转换，并做同态滤波和直方图均衡化处理(步骤101)；初步勾勒出图像中冰、海、云的区域(步骤103)；对云区域和冰区域，仔细鉴别区出厚冰、薄冰和厚云、薄云(步骤104)；对频段1图像提取大量20*20图像块，同时记录图像块的标记(步骤105)；对频段2图像提取大量20*20图像块，同时记录图像块的标记，与同位置的频段1图像块配对(步骤106)。
样本特征提取与分类器训练的工作流程如图2所示。以步骤一生成的图像块对作为输入(步骤200)，对频段1图像块进行7个方向旋转，分别是0°，15°，30°，45°，60°，75°，90°，得到对应的7张图像块，对其灰度矩阵做谱分解(步骤201)；对于各个矩阵的谱分解结果，计算其90％能量谱个数，作为近似秩(步骤202)；拼接各个方向近似秩的值(步骤203)；对配对的频段2图像块做相同处理，并与频段1图像块近似秩整合得到近似秩特征(步骤204)；对频段1和频段2图像块的综合光密度的均值、方差，作为光密度特征，与近似秩特征拼接，获得一对图像块的完整特征表示(步骤205)；利用人工标注的训练样本的特征表示和标记，使用RBF-SVM训练分类模型，选取最佳分类参数，得到分类器C(步骤206)
MODIS卫星遥感图像概率预测与区域标注的工作流程如图2所示。首先以待预测MODIS卫星遥感图像作为输入(步骤300)，对其进行极地方位投影转换，并做同态滤波和直方图均衡化处理(步骤301)；对处理后的MODIS卫星遥感图像频段1和频段2提取大量20*20图像块，对提取的图像块进行特征化(步骤302)；将图像块的特征表示应用于训练好的分类器C，得到图像块的概率预测结果，作为该图像块中每个像素的预测结果(步骤303)；对待遇测的MODIS图像上每个像素的各个预测结果取均值，整合出完整图像预测结果(步骤304)；利用完整的逐像素预测结果，生成航运危险程度热力图(步骤305)。
Claims (6)
1.一种基于局部谱分解打分的MODIS卫星遥感图像标注方法，其特征在于：首先收集一定量的MODIS卫星遥感图像并人工标注出待分类预测的区域，然后对图像进行处理、分割和提取特征并训练分类器，最后在实际使用中利用训练完毕的分类器对待预测的图像块进行分类，进而得到完整的MODIS卫星遥感图像区域标注；具体包括人工标注训练样本步骤，样本特征提取与分类器训练步骤，MODIS卫星遥感图像概率预测与区域标注步骤。
2.如权利要求1所述的基于局部谱分解打分的MODIS卫星遥感图像标注方法，其特征在于：所述人工标注训练样本步骤具体为：
步骤100，收集历年相同时间的MODIS卫星遥感图像；
步骤101，对收集的MODIS卫星遥感图像频段1做极地方位投影转换，并做同态滤波和直方图均衡化处理；
步骤102，对步骤101处理后的MODIS卫星遥感图像频段1，在MODIS29工具辅助下，勾勒出图像中的云区域，冰区域和海区域；
步骤103，对步骤102处理后的MODIS卫星遥感图像频段1，分别针对云区域和冰区域，人工鉴别厚冰、厚云、薄冰、薄云；
步骤104，对步骤101处理后的MODIS卫星遥感图像频段1，随机生成一组坐标点，提取以该点为中心的20*20大小的图像块，将步骤103中人工鉴别出的标记作为提取出的图像块的标记，并将厚冰区域和厚云区域归为同一类，薄冰区域和薄云区域归为同一类，海区域单独归为一类，从而得到大量带标记的20*20大小的频段1图像块；
步骤105，对收集的MODIS卫星遥感图像频段2，重复步骤101到步骤104，生成带标记的20*20频段2图像块，并与带标记的20*20频段1图像块一一对应，2个一组作为训练样本。
3.如权利要求1所述的基于局部谱分解打分的MODIS卫星遥感图像标注方法，其特征在于：所述样本特征提取与分类器训练的具体步骤为：
步骤200，以步骤104中提取并手工标记的20*20频段1图像块作为输入数据；
步骤201，将20*20的频段1图像旋转7个方向，分别是0°，15°，30°，45°，60°，75°，90°，得到对应的7张图像块，对每张图像块的灰度矩阵进行谱分解，每个矩阵得到其对应的一组特征值
步骤202，针对步骤201中生成的一个矩阵的全部特征值，把这些特征值按降序排列，按顺序累加特征值，直到当前特征值之和达到所有特征值之和的90％为止，记录当前所需特征值的个数，记作Ni，Ni即为所处理矩阵对应的近似秩
步骤203，针对步骤202中生成的近似秩，按序拼接7个方向近似秩的值，得到20*20频段1图像块对应的一个长度为7的向量；
步骤204，针对20*20频段2图像块，重复步骤200-203，生成20*20频段1图像块对应的一个长度为7的向量，并与步骤203中生成的向量拼接，作为近似秩特征；
步骤205，提取频段1与频段2图像块的综合光密度的均值、方差，作为光密度特征，与近似秩特征拼接，获得一对图像块的完整特征表示；
步骤206，利用人工标注的训练样本的特征表示和标记，使用RBF-SVM训练分类模型，选取最佳分类参数，得到分类器C。
4.如权利要求1所述的基于局部谱分解打分的MODIS卫星遥感图像标注方法，其特征在于：所述MODIS卫星遥感图像冰海云概率预测与区域标注的具体步骤为：
步骤300，收集待预测的MODIS卫星遥感图像；
步骤301，对MODIS卫星遥感图像频段1和频段2做极地方位投影转换，并做同态滤波和直方图均衡化处理；
步骤302，对步骤301处理后的MODIS卫星遥感图像频段1和频段2，每隔10个像素点为中心，截取20*20区域，针对该区域提取近似秩特征和光密度特征，获得一对图像块的完整特征表示；
步骤303,使用已训练完成的分类器C对每个图像块的完整特征表示进行分类，得到图像块的标记的概率分布，作为图像块的标注打分；
步骤304，对步骤301处理后的MODIS卫星遥感图像中每个像素点，将包含该点的小图像块的概率预测值进行平均，得到该点最终的海、厚冰厚云、薄冰薄云的概率预测结果；
步骤305，根据对每个像素点的概率预测，生成热力图。
5.如权利要求1所述的基于谱分解打分的MODIS卫星遥感图像标注方法，其特征在于：对图像做切割、旋转生成图像块，对图像块的灰度矩阵进行谱分解，得到近似秩，再结合综合光密度信息，作为特征表示。
6.如权利要求1所述的基于谱分解打分MODIS卫星遥感图像标注方法，其特征在于：利用提取特征，训练区域分类器，再结合前向插值，得到每个像素点的概率预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711095885.8A CN107886125B (zh) | 2017-11-09 | 2017-11-09 | 基于局部谱分解打分的modis卫星遥感图像标注方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711095885.8A CN107886125B (zh) | 2017-11-09 | 2017-11-09 | 基于局部谱分解打分的modis卫星遥感图像标注方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107886125A true CN107886125A (zh) | 2018-04-06 |
| CN107886125B CN107886125B (zh) | 2021-06-11 |
Family
ID=61779568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711095885.8A Active CN107886125B (zh) | 2017-11-09 | 2017-11-09 | 基于局部谱分解打分的modis卫星遥感图像标注方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107886125B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359394A (zh) * | 2018-10-23 | 2019-02-19 | 华南农业大学 | 土壤湿度降尺度因子模型构建方法及系统 |
| CN111951284A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
| CN113220920A (zh) * | 2021-06-01 | 2021-08-06 | 中国电子科技集团公司第五十四研究所 | 一种基于微服务架构的卫星遥感影像样本标注系统及方法 |
| CN113821895A (zh) * | 2021-09-01 | 2021-12-21 | 南方电网科学研究院有限责任公司 | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799903A (zh) * | 2012-07-18 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间与光谱信息的高光谱自动云检测方法 |
| CN102938072A (zh) * | 2012-10-20 | 2013-02-20 | 复旦大学 | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 |
| CN103093243A (zh) * | 2013-01-24 | 2013-05-08 | 哈尔滨工业大学 | 高分辨率全色遥感图像云判方法 |
| CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
| CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
| CN105957104A (zh) * | 2016-04-22 | 2016-09-21 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于改进网络流图的多目标跟踪方法 |
| WO2017099951A1 (en) * | 2015-12-07 | 2017-06-15 | The Climate Corporation | Cloud detection on remote sensing imagery |
-
2017
- 2017-11-09 CN CN201711095885.8A patent/CN107886125B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799903A (zh) * | 2012-07-18 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间与光谱信息的高光谱自动云检测方法 |
| CN102938072A (zh) * | 2012-10-20 | 2013-02-20 | 复旦大学 | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 |
| CN103093243A (zh) * | 2013-01-24 | 2013-05-08 | 哈尔滨工业大学 | 高分辨率全色遥感图像云判方法 |
| CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
| CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
| WO2017099951A1 (en) * | 2015-12-07 | 2017-06-15 | The Climate Corporation | Cloud detection on remote sensing imagery |
| CN105957104A (zh) * | 2016-04-22 | 2016-09-21 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于改进网络流图的多目标跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| SIDIK MULYONO等: "A paddy growth stages classification using MODIS remote sensing images with balanced branches support vector machines", 《2012 INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER SCIENCE AND INFORMATION SYSTEMS (ICACSIS)》 * |
| 谷延锋等: "高分辨率航空遥感高光谱图像稀疏张量目标检测", 《测绘通报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359394A (zh) * | 2018-10-23 | 2019-02-19 | 华南农业大学 | 土壤湿度降尺度因子模型构建方法及系统 |
| CN111951284A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
| CN111951284B (zh) * | 2020-08-12 | 2022-04-22 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
| CN113220920A (zh) * | 2021-06-01 | 2021-08-06 | 中国电子科技集团公司第五十四研究所 | 一种基于微服务架构的卫星遥感影像样本标注系统及方法 |
| CN113220920B (zh) * | 2021-06-01 | 2022-08-12 | 中国电子科技集团公司第五十四研究所 | 一种基于微服务架构的卫星遥感影像样本标注系统及方法 |
| CN113821895A (zh) * | 2021-09-01 | 2021-12-21 | 南方电网科学研究院有限责任公司 | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 |
| CN113821895B (zh) * | 2021-09-01 | 2023-11-03 | 南方电网科学研究院有限责任公司 | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107886125B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
| CN110675415B (zh) | 一种基于深度学习增强实例分割的道路积水区域检测方法 | |
| CN107886125A (zh) | 基于局部谱分解打分的modis卫星遥感图像标注方法 | |
| CN102842044B (zh) | 高分辨率可见光遥感图像变化检测方法 | |
| CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| CN114359722A (zh) | 特殊地貌分布范围识别方法、装置及设备 | |
| CN113887472B (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
| Chunyang et al. | Sea fog detection using U-Net deep learning model based on MODIS data | |
| CN112861617A (zh) | 一种基于监控图像的边坡灾害识别系统 | |
| CN115661932A (zh) | 一种垂钓行为检测方法 | |
| CN101894368B (zh) | 基于测地距离的半监督sar图像水域分割方法 | |
| CN113780117B (zh) | 一种快速识别并提取河口羽状流轮廓相关参数的方法 | |
| CN113012167B (zh) | 一种细胞核与细胞质的联合分割方法 | |
| CN114266932A (zh) | 一种基于自学习的遥感多光谱数据半监督标注方法 | |
| CN113673369A (zh) | 遥感图像场景规划方法、装置、电子设备和存储介质 | |
| Zhu et al. | Annotating only at definite pixels: A novel weakly supervised semantic segmentation method for sea fog recognition | |
| CN110175638B (zh) | 一种扬尘源监测方法 | |
| CN113971745B (zh) | 一种基于深度神经网络的出入境验讫章识别方法及装置 | |
| CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
| Xia et al. | An approach for road material identification by dual-stage convolutional networks | |
| Tamim et al. | Detection of Moroccan coastal upwelling fronts in SST images using the microcanonical multiscale formalism | |
| CN113128523B (zh) | 一种基于时间序列遥感影像自动提取珊瑚礁的方法 | |
| Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China | |
| CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
| Sellami et al. | A modern method for building damage evaluation using deep learning approach-Case study: Flash flooding in Derna, Libya |
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 |