CN107967454B - 顾及空间邻域关系的双路卷积神经网络遥感分类方法 - Google Patents
顾及空间邻域关系的双路卷积神经网络遥感分类方法 Download PDFInfo
- Publication number
- CN107967454B CN107967454B CN201711194160.4A CN201711194160A CN107967454B CN 107967454 B CN107967454 B CN 107967454B CN 201711194160 A CN201711194160 A CN 201711194160A CN 107967454 B CN107967454 B CN 107967454B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- neural network
- layer
- training
- data set
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种顾及空间邻域关系的双路卷积神经网络遥感分类方法，包括如下步骤：数据获取；数据预处理；专题图制作；多尺度分割；目视解译；获取第一级邻域；选取实验样本集；选取patch大小；生成训练数据；转成mat格式；构建卷积神经网络结构；主体单路神经网络训练；第一级邻域单路神经网络训练；互补性分析；顾及空间邻域关系的双路卷积神经网络训练。本发明的目的是提供一种在相同尺度下，将主体和主体的第一级邻域作为输入影像数据，通过增加样本的邻域信息，实现对样本信息的加强，来减少其他类别样本带来的干扰的方法，从而实现分类精度的提高，为分类决策提供参考。
Description
技术邻域
本发明涉及遥感影像分类领域，尤其涉及一种顾及空间邻域关系的双路卷积神经网络遥感分类方法。
背景技术
遥感影像分类是目前遥感技术中的热点研究内容，而如何准确、高效地进行遥感图像分类,一直是遥感领域的重要研究内容。近年来随着人工智能科技的发展,神经网络日渐成为一种有效的遥感图像分类处理方法。与传统的统计分类方法相比,神经网络具有学习能力和容错性以及无需就概率模型做出假定等特点,适用于空间模式识别的各种问题的处理。基于卷积神经网络的面向对象的遥感影像分类技术应运而生。
现今用于遥感分类的样本，多是利用目前已有的支持面向对象遥感影像分类的专业软件(如eCognication、ENVI、Erdas等)对影像进行基于专题层的多尺度分割来获取。但是通过专业软件切割出来的样本存在以下问题：
1.由于不同类别的样本的最佳切割尺度不同，及现实地物的复杂性，通过专业软件切割出来的样本中通常会含有其他地类，造成样本的不纯净，从而给机器分类造成干扰，影响分类精度。
2.由于地物类别之间存在纹理，形状相似的部分，比如部分住宅与工业相似，部分林地与部分草地纹理相似，这些会给目视识别及机器分类造成干扰，影响分类精度。
面对以上两个关键问题，急需一种方法来实现对样本主体信息的加强，增强学习过程，减少其他类别样本的干扰，实现精度的提高。
发明内容
本发明要解决的技术问题在于针对现有技术中分类精度较低的缺陷，提供一种顾及空间邻域关系的双路卷积神经网络遥感分类方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种顾及空间邻域关系的双路卷积神经网络遥感分类方法，所述的空间邻域关系为：主体样本与主体相邻的样本构成的区域，通过预训练，分别从主体样本和带有邻域信息的样本中提取特征，再通过双路并行网络，利用从主体样本和带有邻域信息的样本中提取特征对样本进行重新分类；该方法包括以下步骤：
获取研究地段的高分辨率遥感影像，并对其进行预处理；
对预处理后的高分辨率遥感影像，以道路和河流为边界矢量化专题图层，并对其进行基于专题图层的多尺度分割；
选取某一尺度的分割图层，对样本进行目视解译，添加ID字段来标识每个样本对象，保存为“原始样本图层”；
获取“原始样本图层”中所有样本的第一级邻域，记作“第一级邻域图层”；
从“原始样本图层”中分别随机选取一定数量的样本作为训练集和测试集，记作“主体实验数据集图层”；从“第一级邻域图层”获取“主体实验数据集图层”中样本对应的第一级邻域样本，作为“第一级邻域实验数据集图层”；
获取“原始样本图层”中所有样本的最小外包正方形的边长的正态 分布，根据分布曲线选取合适的patch大小m*m，m为像元个数；
生成训练数据：以主体样本的中心作为patch矩形的中心，将“主体实验数据集图层”和“第一级邻域实验数据集图层”中的样本切成m*m大小，分别保存为“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”；以“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”为模板，将数据从原始影像中切出来，切出来的样本以原ID加类别来命名，最终得到“主体实验数据集”和“第一级邻域实验数据集”；
分别将“主体实验数据集”和“第一级邻域实验数据集”分成测试集和训练集，转成mat格式，分别保存为“主体mat数据集”和“第一级邻域mat 数据集”；
搭建卷积神经网络结构，包括输入层、卷积层、下采样层、全连接层和输出层，并设置学习率参数；
主体单路神经网络训练：将“主体mat数据集”作为输入数据加入卷积神经网络，进行训练，保存结果及训练完成后的卷积神经网络结构的各层的权重；
第一级邻域单路神经网络训练：将“第一级邻域mat数据集”作为输入数据加入卷积神经网络，进行训练，保存结果及训练完成后的卷积神经网络结构的各层的权重；
对两次训练得到的分类器进行互补性分析，保证两个分类器存在互补性；
双路训练：将之前训练好的主体和邻域的卷积神经网络的各层权重输入到双路并行卷积神经网络中，将“主体mat数据集”和“第一级邻域mat数据集”加入双路并行卷积神经网络进行训练，训练完毕后保存通过双路训练后的分类结果。
进一步地，本发明的该方法中获取的研究区域的高分辨率遥感影像为QuickBird、Worldview或Spot获取的高分辨率卫星遥感影像数据。
进一步地，本发明的该方法中专题图制作采用的是ArcGIS软件。
进一步地，本发明的该方法中对遥感影像数据进行预处理的方法包括：几何校正、大气校正和裁剪拼接。
进一步地，本发明的该方法中对多尺度分割的方法为：利用已有的支持面向对象遥感影像分类的专业软件对影像进行基于专题层的多尺度分割，软件包括eCognication、ENVI或Erdas软件。
进一步地，本发明的该方法中获取第一级邻域和生成训练数据是利用 ArcEngine二次开发完成。
进一步地，本发明的该方法中转成mat格式采用的是matlab软件完成。
进一步地，本发明的该方法中进行互补性分析采用的指标包括：相关系数、分类器对立性、不一致性度量、双错度量和k统计量。
进一步地，本发明的该方法中搭建卷积神经网络结构和进行双路训练是在 keras软件中完成的。
本发明产生的有益效果是：本发明的顾及空间邻域关系的双路卷积神经网络遥感分类方法，在相同尺度下，将主体和主体的第一级邻域(包含主体区域) 作为输入影像数据，通过增加样本的邻域信息，实现对样本信息的加强，来减少其他类别样本带来的干扰，从而实现分类精度的提高，为分类决策提供参考。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的流程图；
图2是本发明实施例的网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的顾及空间邻域关系的双路卷积神经网络遥感分类方法，将主体数据和第一级邻域(包含主体区域)数据作为输入影像数据，进行顾及空间邻域关系的双路卷积神经网络遥感分类，具体包括以下步骤：
数据获取：获取研究地段的高分辨率遥感影像。
数据预处理：对获取的遥感影像数据进行预处理，包括几何校正、大气校正、裁剪拼接等。
专题图制作：为了防止元胞的无限扩张，以道路和河流为边界矢量化专题图层，可利用ArcGIS等专业GIS软件进行矢量化。
多尺度分割：利用目前已有的支持面向对象遥感影像分类的专业软件(如eCognication、ENVI、Erdas等)对影像进行基于专题层的多尺度分割。
目视解译：选取某一尺度的分割图层，对样本进行目视解译，添加ID字段来标识每个对象，保存为“原始样本图层”。
获取第一级邻域：利用AE的二次开发，获取“原始样本图层”中所有样本的第一级邻域，原始样本图层中样本ID与其第一级邻域ID对应，此时获取的图层为“第一级邻域图层”。
选取实验样本集：从“原始样本图层”中分别随机选取一定数量的样本作为训练集和测试集，另存为“主体实验数据集图层”。从“第一级邻域图层”获取“主体实验数据集图层”中样本对应的第一级邻域样本，作为“第一级邻域实验数据集图层”。
选取patch大小：获取“原始样本图层”中所有样本的最小外包正方形的边长的正态 分布，根据分布曲线选取合适的patch大小m*m，m为像元个数。
生成训练数据：以主体样本的中心作为patch矩形的中心，将“主体实验数据集图层”和“第一级邻域实验数据集图层”中的样本切成m*m大小，分别保存为“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”。
再利用ArcEngine，以“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”为模板，将数据从原始影像中切出来，切出来的样本以原ID加类别来命名，如：‘id_classname’。最终得到“主体实验数据集”和“第一级邻域实验数据集”。
转成mat格式：分别将“主体实验数据集”和“第一级邻域实验数据集”分成测试集和训练集，在matlab中保存为mat格式。分别保存为“主体mat 数据集”和“第一级邻域mat数据集”。
构建卷积神经网络结构：在keras中搭建卷积神经网络结构，输入层，卷积层，下采样层，全连接层，输出层。设置学习率等参数。
主体单路神经网络训练：将“主体mat数据集”作为输入数据加入网络，进行训练，保存结果及训练完成后的网络结构的各层的权重。
第一级邻域单路神经网络训练：将“第一级邻域mat数据集”作为输入数据加入网络，进行训练，保存结果及训练完成后的网络结构的各层的权重。
互补性分析：对两个分类器进行互补性分析。具体根据相关系数(P)、分类器对立性(Q)、不一致性度量(DA)、双错度量(DF)、k统计量(k)等指标来衡量。
双路训练：将之前训练好的主体和邻域的网络的各层权重输入到双路并行卷积神经网络中，全链接层之前冻结不进行训练，输出层进行训练。将“主体 mat数据集”和“第一级邻域mat数据集”加入双路并行卷积神经网络进行训练。训练完毕后保存结果。
在本发明的另一个具体实施例中，该方法的具体步骤为：
步骤S1，数据获取：获取研究地段的高分辨率遥感影像，本实例获取的是2009年10月拍摄的武汉市光谷区域60cm分辨率的QuickBird遥感影像。
步骤S2，数据预处理：需要对获取的遥感影像数据进行预处理，包括几何校正、大气校正、裁剪拼接等。
步骤S3，专题图制作：为了防止元胞的无限扩张，以道路和河流为边界矢量化专题图层，可利用ArcGIS等专业GIS软件进行矢量化。
步骤S4，构建影像对象层次结构：利用专业软件eCognication对影像进行多尺度分割分类，选取300尺度的影像切割结果作为研究对象。
步骤S5，目视解译：对样本进行目视解译，添加ID字段来标识每个对象，保存为“光谷300尺度样本图层”。
步骤S6，获取第一级邻域：利用AE的二次开发，获取“光谷300尺度样本图层”中所有样本的第一级邻域，原始样本图层中样本ID与其第一级邻域 ID对应，此时获取的图层为“光谷300尺度第一级邻域图层”。
步骤S7，选取实验样本集：选取林地、道路、住宅、水体、工业五个类别作为本次实验的土地类别，从“光谷300尺度样本图层”中分别随机选取 5828的样本作为实验数据集，另存为“主体实验数据集图层”。从“第一级邻域图层”获取“主体实验数据集图层”中样本对应的第一级邻域样本，作为“第一级邻域实验数据集图层”。
步骤S8，选取patch大小：获取“光谷300尺度样本图层”中所有样本的最小外包正方形的边长的正态 分布，根据分布曲线，确定patch大小为 300*300。
步骤S9，生成训练数据：将“主体实验数据集图层”和“第一级邻域实验数据集图层”中的样本切成300*300大小，分别保存为“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”。
再利用ArcEngine，以“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”为模板，将数据从原始影像中切出来，切出来的样本以原ID加类别来命名，如“1_road”。最终得到“主体实验数据集”和“第一级邻域实验数据集”。
步骤S10，转成mat格式：分别随机从“主体实验数据集”中的各个类别选取200个样本做测试数据，共1000作为测试集，其余作训练集。选取的主体的测试集对应的第一级邻域数据作为对应的“第一级邻域实验数据集”的测试集。选取的主体的训练集对应的第一级邻域数据作为对应的“第一级邻域实验数据集”的训练集。在matlab中保存为mat格式。分别命名为“主体mat 数据集”和“第一级邻域mat数据集”。
步骤S11，构建卷积神经网络结构：在keras中搭建卷积神经网络结构，输入层，卷积层，下采样层，全连接层，输出层。结构如下表所示：
表1单路卷积神经网络结构表
步骤S12，主体单路神经网络训练：将“主体mat数据集”作为输入数据加入网络，进行训练，保存结果及训练完成后的网络结构各层的权重。误差距阵如下表：
表2主体卷积神经网络误差矩阵
步骤S13，第一级邻域单路神经网络训练：将“第一级邻域mat数据集”作为输入数据加入网络，进行训练，保存结果及训练完成后的网络结构各层的权重。误差距阵如下表：
表3邻域卷积神经网络误差矩阵
步骤S14，互补性分析，对两个单路分类器的结果进行互补性分析，结果如下表：
表4互补性分析
根据相关系数p越小，同质性越低；分类器独立性Q绝对值越低，多样性越强，分类器间的差异越大；不一致性度量DA越高，互补性越强。由上表分析可得两分类器存在一定的互补性。
步骤S15，双路训练：将之前训练好的主体和邻域的网络的各层权重输入到双路并行卷积神经网络中，全链接层之前冻结不进行训练，输出层进行训练。将“主体mat数据集”和“第一级邻域mat数据集”加入双路并行卷积神经网络进行训练。误差距阵如下表：
表5顾及邻域双路卷积神经网络误差矩阵
| 道路 | 林地 | 工业 | 水体 | 住宅 | 总数 | 用户精度 | |
| 道路 | 179 | 0 | 5 | 0 | 16 | 200 | 0.90 |
| 林地 | 1 | 199 | 0 | 0 | 0 | 200 | 1.00 |
| 工业 | 13 | 2 | 139 | 3 | 43 | 200 | 0.70 |
| 水体 | 4 | 2 | 0 | 194 | 0 | 200 | 0.97 |
| 住宅 | 18 | 0 | 23 | 0 | 159 | 200 | 0.80 |
| 总数 | 215 | 203 | 167 | 197 | 218 | 1000 | |
| 生产者精度 | 0.83 | 0.98 | 0.83 | 0.98 | 0.73 | ||
| 总体精度 | 0.87 | ||||||
| pe | 0.20 | ||||||
| kapaa系数 | 0.84 |
表6三次实验结果对比表
| 实验 | 精度 |
| 主体单路神经网络 | 0.837 |
| 邻域单路神经网络 | 0.715 |
| 双路神经网络 | 0.870 |
经过双路，工业和住宅得到提高，分别提高了7％和8％。总体提了3.7个百分点。实验结果证明本方法是科学可行的。
应当理解的是，对本邻域普通技术人员来说，可以根据上述说明加以改进或变换，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。
Claims (6)
1.一种顾及空间邻域关系的双路卷积神经网络遥感分类方法，其特征在于，所述的空间邻域关系为：主体样本与主体相邻的样本构成的区域，通过预训练，分别从主体样本和带有邻域信息的样本中提取特征，再通过双路并行网络，利用从主体样本和带有邻域信息的样本中提取特征对样本进行重新分类；该方法包括以下步骤：
获取研究地段的高分辨率遥感影像，并对其进行预处理；
对预处理后的高分辨率遥感影像，以道路和河流为边界矢量化专题图层，并对其进行基于专题图层的多尺度分割；
选取某一尺度的分割图层，对样本进行目视解译，添加ID字段来标识每个样本对象，保存为“原始样本图层”；
获取“原始样本图层”中所有样本的第一级邻域，记作“第一级邻域图层”；
从“原始样本图层”中分别随机选取一定数量的样本作为训练集和测试集，记作“主体实验数据集图层”；从“第一级邻域图层”获取“主体实验数据集图层”中样本对应的第一级邻域样本，作为“第一级邻域实验数据集图层”；
获取“原始样本图层”中所有样本的最小外包正方形的边长的正态 分布，根据分布曲线选取合适的patch大小m*m，m为像元个数；
生成训练数据：以主体样本的中心作为patch矩形的中心，将“主体实验数据集图层”和“第一级邻域实验数据集图层”中的样本切成m*m大小，分别保存为“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”；以“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”为模板，将数据从原始影像中切出来，切出来的样本以原ID加类别来命名，最终得到“主体实验数据集”和“第一级邻域实验数据集”；
分别将“主体实验数据集”和“第一级邻域实验数据集”分成测试集和训练集，转成mat格式，分别保存为“主体mat数据集”和“第一级邻域mat 数据集”；
搭建卷积神经网络结构，包括输入层、卷积层、下采样层、全连接层和输出层，并设置学习率参数；
主体单路神经网络训练：将“主体mat数据集”作为输入数据加入卷积神经网络，进行训练，保存结果及训练完成后的卷积神经网络结构的各层的权重；
第一级邻域单路神经网络训练：将“第一级邻域mat数据集”作为输入数据加入卷积神经网络，进行训练，保存结果及训练完成后的卷积神经网络结构的各层的权重；
对两次训练得到的分类器进行互补性分析，保证两个分类器存在互补性；
双路训练：将之前训练好的主体和邻域的卷积神经网络的各层权重输入到双路并行卷积神经网络中，将“主体mat数据集”和“第一级邻域mat数据集”加入双路并行卷积神经网络进行训练，训练完毕后保存通过双路训练后的分类结果；
该方法中获取的研究区域的高分辨率遥感影像为QuickBird、Worldview或Spot获取的高分辨率卫星遥感影像数据；
该方法中专题图制作采用的是ArcGIS软件；
该方法中对遥感影像数据进行预处理的方法包括：几何校正、大气校正和裁剪拼接。
2.根据权利要求1所述的顾及空间邻域关系的双路卷积神经网络遥感分类方法，其特征在于，该方法中对多尺度分割的方法为：利用已有的支持面向对象遥感影像分类的专业软件对影像进行基于专题层的多尺度分割，软件包括eCognication、ENVI或Erdas软件。
3.根据权利要求1所述的顾及空间邻域关系的双路卷积神经网络遥感分类方法，其特征在于，该方法中获取第一级邻域和生成训练数据是利用ArcEngine二次开发完成。
4.根据权利要求1所述的顾及空间邻域关系的双路卷积神经网络遥感分类方法，其特征在于，该方法中转成mat格式采用的是matlab软件完成。
5.根据权利要求1所述的顾及空间邻域关系的双路卷积神经网络遥感分类方法，其特征在于，该方法中进行互补性分析采用的指标包括：相关系数、分类器对立性、不一致性度量、双错度量和k统计量。
6.根据权利要求1所述的顾及空间邻域关系的双路卷积神经网络遥感分类方法，其特征在于，该方法中搭建卷积神经网络结构和进行双路训练是在keras软件中完成的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711194160.4A CN107967454B (zh) | 2017-11-24 | 2017-11-24 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711194160.4A CN107967454B (zh) | 2017-11-24 | 2017-11-24 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107967454A CN107967454A (zh) | 2018-04-27 |
| CN107967454B true CN107967454B (zh) | 2021-10-15 |
Family
ID=61997766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711194160.4A Active CN107967454B (zh) | 2017-11-24 | 2017-11-24 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107967454B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776777A (zh) * | 2018-05-25 | 2018-11-09 | 武汉理工大学 | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 |
| CN108960310A (zh) * | 2018-06-25 | 2018-12-07 | 北京普惠三农科技有限公司 | 一种基于人工智能的农业病虫害识别方法 |
| CN109446992B (zh) * | 2018-10-30 | 2022-06-17 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
| CN109784223B (zh) * | 2018-12-28 | 2020-09-01 | 珠海大横琴科技发展有限公司 | 一种基于卷积神经网络的多时相遥感影像匹配方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
| CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
| CN105740901A (zh) * | 2016-01-29 | 2016-07-06 | 武汉理工大学 | 基于地理本体的变尺度面向对象遥感分类矫正方法 |
| CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
| CN106846246A (zh) * | 2016-12-16 | 2017-06-13 | 河海大学 | 一种基于对象的遥感影像超分辨率制图方法 |
| CN106980896A (zh) * | 2017-03-16 | 2017-07-25 | 武汉理工大学 | 遥感分类卷积神经网络的关键卷积层超参数确定方法 |
| CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
| CN107220657A (zh) * | 2017-05-10 | 2017-09-29 | 中国地质大学（武汉） | 一种面向小数据集的高分辨率遥感影像场景分类的方法 |
| CN107273938A (zh) * | 2017-07-13 | 2017-10-20 | 西安电子科技大学 | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436576B (zh) * | 2011-10-21 | 2013-11-06 | 洪涛 | 基于多层级结构的多尺度自适应高效目标图像识别方法 |
| CN106446936B (zh) * | 2016-09-06 | 2019-07-02 | 哈尔滨工业大学 | 基于卷积神经网络的空谱联合数据转波形图的高光谱数据分类方法 |
| CN107292343B (zh) * | 2017-06-23 | 2020-05-22 | 中南大学 | 一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法 |
-
2017
- 2017-11-24 CN CN201711194160.4A patent/CN107967454B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
| CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
| CN105740901A (zh) * | 2016-01-29 | 2016-07-06 | 武汉理工大学 | 基于地理本体的变尺度面向对象遥感分类矫正方法 |
| CN106846246A (zh) * | 2016-12-16 | 2017-06-13 | 河海大学 | 一种基于对象的遥感影像超分辨率制图方法 |
| CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
| CN106980896A (zh) * | 2017-03-16 | 2017-07-25 | 武汉理工大学 | 遥感分类卷积神经网络的关键卷积层超参数确定方法 |
| CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
| CN107220657A (zh) * | 2017-05-10 | 2017-09-29 | 中国地质大学（武汉） | 一种面向小数据集的高分辨率遥感影像场景分类的方法 |
| CN107273938A (zh) * | 2017-07-13 | 2017-10-20 | 西安电子科技大学 | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| Learning CNN to Pair UAV Video Image Patches;Yuting Chen等;《 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20171011;第10卷(第11期);5752 - 5768 * |
| 基于分维的遥感影像最佳分割尺度研究;崔巍等;《武汉理工大学学报》;20111230;第33卷(第12期);83-86 * |
| 深度学习在高光谱图像分类领域的研究现状与展望;张号逵;《https://kns.cnki.net/kcms/detail/11.2109.TP.20171102.1403.002.html》;20171102;1-17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107967454A (zh) | 2018-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107967454B (zh) | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 | |
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
| CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
| CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
| Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
| CN111814597A (zh) | 一种耦合多标签分类网络和yolo的城市功能分区方法 | |
| Wieland et al. | Large-area settlement pattern recognition from Landsat-8 data | |
| Linhui et al. | Extracting the forest type from remote sensing images by random forest | |
| Yildiz et al. | Monitoring urban growth by using segmentation-classification of multispectral Landsat images in Izmit, Turkey | |
| CN112836614A (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
| CN116612383A (zh) | 基于生成对抗网络数据扩充策略的滑坡识别方法及装置 | |
| CN116343048A (zh) | 针对平原作物类型复杂区地块边界精准提取方法及系统 | |
| Aahlaad et al. | An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps | |
| Sun et al. | Study on the water body extraction using GF-1 data based on adaboost integrated learning algorithm | |
| CN114332533A (zh) | 一种基于DenseNet的滑坡图像识别方法和系统 | |
| Liu et al. | Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network | |
| Zhu et al. | Reducing mis-registration and shadow effects on change detection in wetlands | |
| Mohammadi et al. | Land cover mapping using a novel combination model of satellite imageries: case study of a part of the Cameron Highlands, Pahang, Malaysia. | |
| Aamir et al. | Rural Settlements Segmentation Based on Deep Learning U-Net Using Remote Sensing Images | |
| CN113591685A (zh) | 一种基于多尺度池化的地理对象空间关系识别方法及系统 | |
| Bao et al. | An automatic extraction method for individual tree crowns based on self-adaptive mutual information and tile computing | |
| Kumari et al. | Comparative Performance of Maximum Likelihood and Minimum Distance Classifiers on Land Use and Land Cover Analysis of Varanasi District (India) | |
| Awuah | Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping |
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 |