CN108021887A - 基于空间光谱差比参量的遥感影像分析方法及应用 - Google Patents

基于空间光谱差比参量的遥感影像分析方法及应用 Download PDF

Info

Publication number
CN108021887A
CN108021887A CN201711267143.9A CN201711267143A CN108021887A CN 108021887 A CN108021887 A CN 108021887A CN 201711267143 A CN201711267143 A CN 201711267143A CN 108021887 A CN108021887 A CN 108021887A
Authority
CN
China
Prior art keywords
parameter
spot
spatial light
remote sensing
sensing images
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
Application number
CN201711267143.9A
Other languages
English (en)
Other versions
CN108021887B (zh
Inventor
陈玉
王钦军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201711267143.9A priority Critical patent/CN108021887B/zh
Publication of CN108021887A publication Critical patent/CN108021887A/zh
Application granted granted Critical
Publication of CN108021887B publication Critical patent/CN108021887B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Abstract

本申请公开了一种基于空间光谱差比参量的遥感影像分析方法及应用，该方法包括步骤：获取待研究区域的遥感图像；选择所述遥感图像中未标记的图斑，将其标记为S0；计算图斑S0及其各个未标记邻接图斑Sn的空间光谱差比参量Vss；判定空间光谱差比参量Vss的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，计算Sn及其各个未标记邻接图斑Snn的空间光谱差比参量Vssn；判断空间光谱差比参量Vssn的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，标记并输出结果S0、Sn及Snn。本发明的方法有效消除了背景干扰，整体精度高，可以很好的将目标识别出来。

Description

基于空间光谱差比参量的遥感影像分析方法及应用
技术领域
本发明涉及遥感影像分析技术领域，具体地说，是涉及一种基于空间光谱差比参量的遥感影像分析方法。
背景技术
遥感影像分析的目的是反映、解释、量化与描述地表模式，如何从遥感影像的空间与光谱特征出发构建与现实地物相匹配的特征参量是遥感影像分析的关键。多年来，地物的光谱特征参量(波形、特征吸收位置、特征吸收深度等，空间特征参量(大小、形状、纹理、位置、布局等均已被有效应用于遥感影像分析中，并获得了成功。但是，随着遥感影像空间分辨率与光谱分辨率的逐步提高，数据挖掘的广度与深度也在不断增强。有些特定领域的应用还需要通过进一步挖掘目标的空间与光谱信息，构建在其所在环境背景干扰下保持一定不变性的特征参量。比如热液或油气渗漏的蚀变晕，点源污染导致的植被胁迫长势分带等。该类对象具有环形分带或渐变的特征，可表达为沿着某一位置向周边或某一侧，光谱特征呈现出有规律的变化。该类目标具有外源侵入的性质，而被侵入体类型多样，形成不同背景干扰着该类目标的识别。由于该类目标的光谱特征及形状多变，因而难以用传统的空间或光谱特征参量来表达。
发明内容
本发明所要解决的技术问题是提供一种基于空间光谱差参比量的遥感影像分析方法，来解决对于光谱特征及形状多变难以用传统的空间或光谱特征参量来表达的对象。
为解决上述技术问题，本发明提供了一种基于空间光谱差比参量的遥感影像分析方法，包括步骤：
获取待研究区域的遥感图像；
选择所述遥感图像中未标记的图斑，将其标记为S0；
按照公式计算图斑S0及其各个未标记邻接图斑Sn的空间光谱差比参量Vss，其中Vijbb'为空间光谱差比参量，即不同波段空间相邻像元或图斑反射率的差值的比值，Rib为b波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，Rib’为b’波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，C1ib为感兴趣目标物在第i像元或图斑位置b波段的反射率,C1ib’为感兴趣目标物在第i像元或图斑位置b’波段的反射率，C1jb为感兴趣目标物在第j像元或图斑位置b波段的反射率,C1jb’为感兴趣目标物在第j像元或图斑位置b’波段的反射率；
判定空间光谱差比参量Vss的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，按照公式计算Sn及其各个未标记邻接图斑Snn的空间光谱差比参量Vssn；
判断空间光谱差比参量Vssn的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，标记并输出结果S0、Sn及Snn。
优选地，在所述步骤获取待研究区域的遥感图像与选择所述遥感图像中未标记的图斑，将其标记为S0之间，还设有步骤：仅根据光谱特征一个参数对所述遥感图像进行图像分割。
优选地，判断空间光谱差比参量Vssn的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，标记并输出结果S0、Sn及Snn，进一步为，利用eCognition或Arcgis进行输出结果S0、Sn及Snn。
本发明还公开了一种基于空间光谱差比参量的遥感影像分析方法在热液或油气渗漏的蚀变晕的应用。
与现有技术相比，本发明所述的基于空间光谱差比参量的遥感影像分析方法，达到了如下效果：
本发明的基于空间光谱差比参量的遥感影像分析方法有效消除了背景干扰，整体精度高，可以很好的将目标识别出来，整体精度达到99.98％及以上，kappa系数达0.998及以上。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为实施例1中基于空间光谱差比参量的遥感影像分析方法流程图；
图2为实施例2中基于空间光谱差比参量的遥感影像分析方法流程图；
图3为实施例3中各分带光谱特征曲线图；
图4为实施例3中模拟的干扰地物光谱曲线图；
图5和图6为实施例3中基于空间光谱差比参量的识别结果。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。此外，“耦接”一词在此包含任何直接及间接的电性耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电性耦接于所述第二装置，或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明本发明的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。
实施例1：
结合图1和图2，本实施例提供了一种基于空间光谱差比参量的遥感影像分析方法，具体步骤如下：
步骤101：获取待研究区域的遥感图像；
步骤102：选择所述遥感图像中未标记的图斑，将其标记为S0；
步骤103：按照公式计算图斑S0及其各个未标记邻接图斑Sn的空间光谱差比参量Vss，其中Vijbb'为空间光谱差比参量，即不同波段空间相邻像元或图斑反射率的差值的比值，Rib为b波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，Rib’为b’波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，C1ib为感兴趣目标物在第i像元或图斑位置b波段的反射率,C1ib’为感兴趣目标物在第i像元或图斑位置b’波段的反射率，C1jb为感兴趣目标物在第j像元或图斑位置b波段的反射率,C1jb’为感兴趣目标物在第j像元或图斑位置b’波段的反射率；
步骤104：判定空间光谱差比参量Vss的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，按照公式计算Sn及其各个未标记邻接图斑Snn的空间光谱差比参量Vssn；
误差限的设定依据目标物与周边背景的空间光谱差异情况确定，一般以已知目标为参考，针对实际情况确定。
步骤105：判断空间光谱差比参量Vssn的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，标记并输出结果S0、Sn及Snn。
重复步骤102-步骤105，直至将全部结果都输出后结束。
本发明中的光谱特征及形状多变，由于受到各种干扰影响，基于线性光谱混合模型有：
0≤fki≤1(3)
其中Rib为b波段第i像元或图斑的光谱反射率；fki为对应于第i像元或图斑的第k个组分所占比例；Ckb为第k个基本组分b波段的反射率；n为像元或图斑i所包含的基本组分数目。εib为误差。为了突出感兴趣目标地物，将公式(1)进行变形有
其中C1ib为感兴趣目标物在第i像元或图斑位置b波段的反射率，f1i为目标物在像元或图斑i占比，为其余地表覆盖干扰信息在像元或图斑i的反射率贡献值。在这里我们引入一个重要的假设，这个假设基于地理空间地物的相近相似原则，即临近的像元或图斑受到的干扰的类型及强度差异远小于距离较远的像元或图斑。即在目标范围内，像元或图斑i及其临近像元或图斑j有fki≈fkj，Ckib≈Ckjb。同时忽略误差项ε则有：
Rib-Rjb＝f1i(C1ib-C1jb) (5)
同样对于其他波段b′有
Rib′-Rjb′＝f1i(C1ib′-C1jb′) (6)
将公式(5)与公式(6)比值有
公式(7)与地表干扰物的覆盖组分无关，只与感兴趣目标的空间光谱变化有关，该参量称为空间光谱差比参量Vijbb′。即不同波段空间相邻像元或图斑反射率的差值的比值。
本发明中的步骤102不是必须的，如果不经过图像分割以像元为单元开展图像分析算法的时间与空间复杂度均大大增强，且误差限的设计需要更具有灵活性。
实施例2：
结合图2，本实施例提供了一种基于空间光谱差比参量的遥感影像分析方法，具体步骤如下：
步骤201：获取待研究区域的遥感图像；
步骤202：仅根据光谱特征一个参数对所述遥感图像进行图像分割；本申请中对图像分割后当图斑足够小时就成为了像元。
步骤203：选择所述遥感图像中未标记的图斑，将其标记为S0；
步骤204：按照公式计算图斑S0及其各个未标记邻接图斑Sn的空间光谱差比参量Vss，其中Vijbb'为空间光谱差比参量，即不同波段空间相邻像元或图斑反射率的差值的比值，Rib为b波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，Rib’为b’波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，C1ib为感兴趣目标物在第i像元或图斑位置b波段的反射率,C1ib’为感兴趣目标物在第i像元或图斑位置b’波段的反射率，C1jb为感兴趣目标物在第j像元或图斑位置b波段的反射率,C1jb’为感兴趣目标物在第j像元或图斑位置b’波段的反射率；
步骤205：判定空间光谱差比参量Vss的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，按照公式计算Sn及其各个未标记邻接图斑Snn的空间光谱差比参量Vssn；
步骤206：判断空间光谱差比参量Vssn的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，标记并输出结果S0、Sn及Snn。
具体的利用eCognition或Arcgis进行输出结果S0、Sn及Snn。
实施例3：
本实施例为应用实施例，以某类热液蚀变为例，模拟存在热液蚀变目标，其地表蚀变晕呈三层分带特征，各分带光谱特征曲线如图3所示(假设有4个特征波段)。目标物之外为取值0到1之间均匀分布的随机像元。
对于这一目标对象，若不存在混合像元现象，可以采用多种方法直接识别出目标地物。但是自然界地物环境复杂，受地质环境影响，一些热液蚀变目标在地表可能局部缺失、形状各异。此外，由于受到不同地表覆盖类型及强度的影响，这些目标的光谱特征会产生变异。为了简化分析，以同一类型干扰物不同强度下影响为例，假定存在9个该类热液蚀变目标均受到某一光谱曲线如图4所示地表覆盖的影响。该覆盖物在9个目标中强度占比分别从0增加到80％。并且这9个目标形状各异还有部分有缺失现象。模拟的四个波段在干扰下各波段图像干扰依次占比以10％为梯度从0增加到80％。为了考察算法去噪性能在模拟图像中加入了0-0.1之间的随机噪声。
采用传统的监督分类的方法选择图3的标准曲线作为参考光谱,并利用ENVI现有软件分类功能，分别采用支持向量机法、光谱角填图法、最大似然法、平行管道法、最小距离法、光谱信息散度法对目标按照分类的方式进行识别。结果表明支持向量机法和最小距离法可以完整识别前三个目标(干扰低于20％)及其他6个目标的外环及中环部分，但对目标以外的噪音容错较差，导致整体精度很低，均为6.84％；光谱角填图法与平行管道法基本可以完整识别前2个目标(干扰低于10％)，该两种方法对噪音容错性较高，整体精度分别为46.73％和46.79％；光谱信息散度法可以完整识别前2个目标(干扰低于10％)，噪音容错性介于前面两组之间，精度为32.58％；最大似然法识别效果最差，精度为3.40％。
对于该类目标对象，在不同强度或类型的背景干扰下其空间光谱差比参量保持不变。由公式(7)，假设Vijbb′＝(Rib-Rjb)/(Rib′-Rjb′)表示空间上相邻i、j位置处光谱波段b、b’的空间光谱差比参量。以字母下标n代表内环，z代表中环，w代表外环，数字下标1-4分别代表相应的波段。Vnz12代表空间上内环与中环，波段1与波段2之间的空间光谱差比参量。可知对于图1所示的模拟图像有：Vnz12＝(Bn1-Bz1)/(Bn2-Bz2)＝-1、Vzw12＝2/3、Vnz23＝-2、Vzw23＝-3/2、Vnz34＝-1、Vzw34＝-2/3这些空间光谱差比参量在9个目标地物中保持不变，与覆盖物的强度与类型无关，可用于该类目标地物识别。算法流程如图2所示。首先进行图像分割(分割过程中参数仅考虑光谱特性)，然后，分别对分割后的图斑计算其与相邻图斑的空间光谱差比参量，在满足给定误差限的情况下输出匹配结果。图5为图像分割结果(借助eCognition软件实现)，最终识别输出结果如图6所示(基于Arcgis二次开发实现)，图6中原图是带有颜色的，其中内环是红色、中环是黄色、外环是绿色，分别代表识别出的目标物的内环、中环、和外环。
采用整体精度及kappa系数评价各分类方法(表1)可以看出，传统的分类方法在背景干扰下均会出现识别出错的情况，由于模拟图像的波段设置问题，这种错误在不同的算法中有不同的程度的体现。而采用本发明中的基于空间光谱差比参量的识别方法有效消除了背景干扰，整体精度达到99.98％，kappa系数为0.998，可以很好的将9个目标识别出来。
表1各类方法分类整体精度及kappa系数比较
与现有技术相比，本发明所述的基于空间光谱差比参量的遥感影像分析方法，达到了如下效果：
本发明的基于空间光谱差比参量的遥感影像分析方法有效消除了背景干扰，整体精度高，可以很好的将目标识别出来，整体精度达到99.98％及以上，kappa系数达0.998及以上。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于空间光谱差比参量的遥感影像分析方法，其特征在于，包括步骤：
获取待研究区域的遥感图像；
选择所述遥感图像中未标记的图斑，将其标记为S0；
按照公式计算图斑S0及其各个未标记邻接图斑Sn的空间光谱差比参量Vss，其中Vijbb'为空间光谱差比参量，即不同波段空间相邻像元或图斑反射率的差值的比值，Rib为b波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，Rib’为b’波段第i像元或图斑的光谱反射率，Rjb为b波段第j像元或图斑的光谱反射率，C1ib为感兴趣目标物在第i像元或图斑位置b波段的反射率,C1ib’为感兴趣目标物在第i像元或图斑位置b’波段的反射率，C1jb为感兴趣目标物在第j像元或图斑位置b波段的反射率,C1jb’为感兴趣目标物在第j像元或图斑位置b’波段的反射率；
判定空间光谱差比参量Vss的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，按照公式计算Sn及其各个未标记邻接图斑Snn的空间光谱差比参量Vssn；
判断空间光谱差比参量Vssn的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，标记并输出结果S0、Sn及Snn。
2.根据权利要求1所述的基于空间光谱差比参量的遥感影像分析方法，其特征在于，在所述步骤获取待研究区域的遥感图像与选择所述遥感图像中未标记的图斑，将其标记为S0之间，还设有步骤：仅根据光谱特征一个参数对所述遥感图像进行图像分割。
3.根据权利要求1所述的基于空间光谱差比参量的遥感影像分析方法，其特征在于，判断空间光谱差比参量Vssn的计算结果是否超出给定误差限，当判定计算结果没有超出给定误差限时，标记并输出结果S0、Sn及Snn，进一步为，利用eCognition或Arcgis进行输出结果S0、Sn及Snn。
4.一种权利要求1至3中任一所述的基于空间光谱差比参量的遥感影像分析方法在热液或油气渗漏的蚀变晕的应用。
CN201711267143.9A 2017-12-05 2017-12-05 基于空间光谱差比参量的遥感影像分析方法及应用 Expired - Fee Related CN108021887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711267143.9A CN108021887B (zh) 2017-12-05 2017-12-05 基于空间光谱差比参量的遥感影像分析方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711267143.9A CN108021887B (zh) 2017-12-05 2017-12-05 基于空间光谱差比参量的遥感影像分析方法及应用

Publications (2)

Publication Number Publication Date
CN108021887A true CN108021887A (zh) 2018-05-11
CN108021887B CN108021887B (zh) 2019-10-01

Family

ID=62078211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711267143.9A Expired - Fee Related CN108021887B (zh) 2017-12-05 2017-12-05 基于空间光谱差比参量的遥感影像分析方法及应用

Country Status (1)

Country Link
CN (1) CN108021887B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709637A (zh) * 2020-06-11 2020-09-25 中国科学院西安光学精密机械研究所 一种光谱曲线受干扰程度的定性分析方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799561A (zh) * 2010-02-05 2010-08-11 民政部国家减灾中心 一种基于减灾小卫星的雪灾遥感监测模拟评估方法
CN102646200A (zh) * 2012-03-08 2012-08-22 武汉大学 多分类器自适应权值融合的影像分类方法及系统
CN102721652A (zh) * 2012-06-18 2012-10-10 中国科学院地理科学与资源研究所 一种基于modis光学遥感数据的高反射率海洋溢油检测方法
CN102721650A (zh) * 2012-06-13 2012-10-10 中国地质科学院矿产资源研究所 基于特征指标的矿物成分遥感信息提取方法及装置
CN104050252A (zh) * 2014-06-12 2014-09-17 核工业北京地质研究院 一种高光谱遥感蚀变信息提取方法
CN104463881A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法
CN105046087A (zh) * 2015-08-04 2015-11-11 中国资源卫星应用中心 一种遥感卫星多光谱影像的水体信息自动提取方法
CN105403201A (zh) * 2015-10-20 2016-03-16 浙江农林大学 一种基于像元分解的遥感图像大气程辐射获取方法
CN105701819A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 光谱角约束的高光谱遥感影像分割活动轮廓方法
CN105825217A (zh) * 2016-03-22 2016-08-03 辽宁师范大学 基于活动轮廓模型的高光谱影像感兴趣区域自动提取方法
CN106125091A (zh) * 2016-06-22 2016-11-16 广州地理研究所 线性光谱解混的城市不透水面遥感提取方法
CN106845326A (zh) * 2015-12-04 2017-06-13 核工业北京地质研究院 一种基于航空高光谱遥感数据的冰川识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799561A (zh) * 2010-02-05 2010-08-11 民政部国家减灾中心 一种基于减灾小卫星的雪灾遥感监测模拟评估方法
CN102646200A (zh) * 2012-03-08 2012-08-22 武汉大学 多分类器自适应权值融合的影像分类方法及系统
CN102721650A (zh) * 2012-06-13 2012-10-10 中国地质科学院矿产资源研究所 基于特征指标的矿物成分遥感信息提取方法及装置
CN102721652A (zh) * 2012-06-18 2012-10-10 中国科学院地理科学与资源研究所 一种基于modis光学遥感数据的高反射率海洋溢油检测方法
CN104050252A (zh) * 2014-06-12 2014-09-17 核工业北京地质研究院 一种高光谱遥感蚀变信息提取方法
CN104463881A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法
CN105046087A (zh) * 2015-08-04 2015-11-11 中国资源卫星应用中心 一种遥感卫星多光谱影像的水体信息自动提取方法
CN105403201A (zh) * 2015-10-20 2016-03-16 浙江农林大学 一种基于像元分解的遥感图像大气程辐射获取方法
CN106845326A (zh) * 2015-12-04 2017-06-13 核工业北京地质研究院 一种基于航空高光谱遥感数据的冰川识别方法
CN105701819A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 光谱角约束的高光谱遥感影像分割活动轮廓方法
CN105825217A (zh) * 2016-03-22 2016-08-03 辽宁师范大学 基于活动轮廓模型的高光谱影像感兴趣区域自动提取方法
CN106125091A (zh) * 2016-06-22 2016-11-16 广州地理研究所 线性光谱解混的城市不透水面遥感提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709637A (zh) * 2020-06-11 2020-09-25 中国科学院西安光学精密机械研究所 一种光谱曲线受干扰程度的定性分析方法
CN111709637B (zh) * 2020-06-11 2023-08-22 中国科学院西安光学精密机械研究所 一种光谱曲线受干扰程度的定性分析方法

Also Published As

Publication number Publication date
CN108021887B (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
Xu et al. Multisource remote sensing data classification based on convolutional neural network
Zhang et al. A feature difference convolutional neural network-based change detection method
CN108460391B (zh) 基于生成对抗网络的高光谱图像无监督特征提取方法
Yang et al. Cross-attention spectral–spatial network for hyperspectral image classification
Mahmon et al. A review on classification of satellite image using Artificial Neural Network (ANN)
Liu et al. GAFNet: Group attention fusion network for PAN and MS image high-resolution classification
Xue et al. Local transformer with spatial partition restore for hyperspectral image classification
CN110109059A (zh) 一种基于深度学习网络的雷达辐射源信号识别方法
Feng et al. Continual learning with structured inheritance for semantic segmentation in aerial imagery
CN102509120B (zh) 基于迁移字典学习的高光谱图像的有监督分割方法
Wang et al. Joint correlation alignment-based graph neural network for domain adaptation of multitemporal hyperspectral remote sensing images
Li et al. Collaborative attention-based heterogeneous gated fusion network for land cover classification
CN115205590A (zh) 一种基于互补集成Transformer网络的高光谱图像分类方法
Jiang et al. Hyperspectral image classification with CapsNet and Markov random fields
Diakite et al. Hyperspectral image classification using 3D 2D CNN
Huang et al. Object boundary guided semantic segmentation
CN108021887A (zh) 基于空间光谱差比参量的遥感影像分析方法及应用
Zhou et al. Hyperspectral image change detection by self-supervised tensor network
Wang et al. Spectral-spatial global graph reasoning for hyperspectral image classification
Feng et al. A novel semi-supervised long-tailed learning framework with spatial neighborhood information for hyperspectral image classification
Sun et al. Adversarial robustness evaluation of deep convolutional neural network based SAR ATR algorithm
CN113935367A (zh) 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法
CN116863327B (zh) 一种基于双域分类器协同对抗的跨域小样本分类方法
Geng et al. Classification of fusing SAR and multispectral image via deep bimodal autoencoders
US20230326083A1 (en) Construction method and system for visible near-infrared spectrum dictionary

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: 20191001

Termination date: 20211205