CN108053406B - 基于多分辨率遥感影像的地表覆盖制图方法及装置 - Google Patents
基于多分辨率遥感影像的地表覆盖制图方法及装置 Download PDFInfo
- Publication number
- CN108053406B CN108053406B CN201711145366.8A CN201711145366A CN108053406B CN 108053406 B CN108053406 B CN 108053406B CN 201711145366 A CN201711145366 A CN 201711145366A CN 108053406 B CN108053406 B CN 108053406B
- Authority
- CN
- China
- Prior art keywords
- surface coverage
- image
- segmentation
- resolution
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013507 mapping Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多分辨率遥感影像的地表覆盖制图方法及装置,所述方法包括以下步骤:1)对Sentinel‑2多分辨率遥感影像进行影像分割,获得多个分割对象;2)根据各所述分割对象的分辨率选取对应的地表覆盖后验概率;3)依次对各分割对象进行面积加权概率统计,获得每一分割对象对各地表覆盖类型的隶属概率值,以隶属概率值最大的地表覆盖类型作为该分割对象的对象地类;4)根据各分割对象的对象地类,完成对整幅影像面向对象的后验概率统计,最终生成地表覆盖制图。与现有技术相比,本发明具有分类精度和制图质量高、能对影像上细小目标进行识别等优点。
Description
技术领域
本发明遥感影像分类方法领域,尤其是涉及一种基于多分辨率遥感影像的地表覆盖制图方法及装置。
背景技术
地表覆盖分类一直以来都是全球变化及现代地学研究的核心和焦点,其既可为土地的合理利用提供数据基础,也可为土地利用规划和可持续发展政策的制定提供重要依据。遥感对地观测技术具有客观性、时效性、经济性等特点,能够应用于大范围地表覆盖信息的快速准确制图。随着近年来航空航天技术的发展,可获取的遥感数据源越来越多,遥感影像的空间、光谱、辐射、时间分辨率也越来越高,利用遥感影像实现地表覆盖类型的精细分类及高精度制图已成为遥感技术重要的应用领域。
在已有可获取的卫星遥感影像数据中,美国NASA发射的Landsat系列卫星已经持续对地观测超过了40年,存储的丰富的历史影像,同时,由于Landsat系列卫星影像具备较高空间分辨率,多光谱特性,以及可免费获取等优点,其已成为地表覆盖遥感制图研究中最主要的数据源。近年来,为了完善对地观测系统,欧空局(ESA)启动了哥白尼计划,计划发射一系列卫星以满足不同的对地观测需求。其中,Sentinel-2属光学遥感卫星,其作为Landsat系列卫星影像的补充,其具有更高空间分辨率,更多光谱波段,更短卫星重访周期等优点,同时,与Landsat系列卫星影像一样,Sentinel-2卫星影像提供免费获取服务,在今后的地表覆盖遥感制图研究中,如果Sentinel-2卫星传感器不出现故障,Sentinel-2卫星影像将会成为另一重要的数据源。
与Landsat等卫星影像通常具有一个更高分辨率全色波段不同的是,Sentinel-2卫星影像具有多分辨率多光谱波段设置,即每幅影像中都包含由多个波段分别构成的不同分辨率影像。其中由4个波段构成的10m分辨率影像,6个波段构成的20m分辨率影像,3个波段构成的60m分辨率影像。60m分辨率波段为影像大气校正所设置,一般不用于地表覆盖分类之中。10m和20m分辨率影像包含不同地表覆盖类型丰富的光谱信息,为地表覆盖解译及制图所设置。Sentinel-2 10m分辨率影像具有4个多光谱波段,相比于最多可具有10个波段(10m降采样到20m)的20m分辨率影像,空间细节信息相对丰富,而光谱信息相对匮乏。在实际地表覆盖制图应用中,无论单独选取哪一种分辨率的影像进行地表覆盖分类,都会对另一种分辨率影像信息造成浪费。常规的充分利用两种分辨率影像信息的方法是先将其进行影像融合,即可获得10个10m分辨率多光谱影像,再将融合后的影像用于地表覆盖分类,该种方法中影像融合会产生误差,在后续的分类中影像融合误差会进一步传递,给地表覆盖制图带来更大的误差。
有鉴于此,考虑到Sentinel-2影像的巨大应用前景,有必要提出一种适应于Sentinel-2多分辨率多光谱遥感影像特点,能够充分利用其不同分辨率影像空间、光谱信息的高精度地表覆盖制图方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多分辨率遥感影像的地表覆盖制图方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种基于多分辨率遥感影像的地表覆盖制图方法,其特征在于,包括以下步骤:
1)对Sentinel-2多分辨率遥感影像进行影像分割,获得多个分割对象;
2)根据各所述分割对象的分辨率选取对应的地表覆盖后验概率;
3)依次对各分割对象进行面积加权概率统计,获得每一分割对象对各地表覆盖类型的隶属概率值,以隶属概率值最大的地表覆盖类型作为该分割对象的对象地类;
4)根据各分割对象的对象地类,完成对整幅影像面向对象的后验概率统计,最终生成地表覆盖制图。
进一步地,步骤1)具体为:
101)采用多尺度分割方法对Sentinel-2多分辨率遥感影像进行初始分割;
102)在步骤101)的基础上,采用光谱差异分割方法获得最终的多个分割对象。
进一步地,所述步骤2)中,针对一分割对象,若该分割对象范围内包含大于1/2个20m分辨率影像像元,则选用20m分辨率影像的地表覆盖后验概率,反之,则选用10m分辨率影像的地表覆盖后验概率。
进一步地,所述地表覆盖后验概率通过SVM后验概率估计获得。
进一步地,所述面积加权概率统计具体为:
其中,Proobject为分割对象对各地表覆盖类型的隶属概率值,Pro20m和Pro10m分别为用于面向对象概率统计的20m分辨率影像和10m分辨率影像下获得的各地表覆盖类型隶属概率值,Area20m和Area10m分别为20m分辨率影像和10m分辨率影像下所对应的包含于对象的面积,Areaobject为对象面积。
本发明还提供一种基于多分辨率遥感影像的地表覆盖制图装置,其特征在于,包括:
影像分割模块,用于对Sentinel-2多分辨率遥感影像进行影像分割,获得多个分割对象;
后验概率选取模块,用于根据各所述分割对象的分辨率选取对应的地表覆盖后验概率;
对象地类计算模块,用于依次对各分割对象进行面积加权概率统计,获得每一分割对象对各地表覆盖类型的隶属概率值,以隶属概率值最大的地表覆盖类型作为该分割对象的对象地类;
制图模块,用于根据各分割对象的对象地类,完成对整幅影像面向对象的后验概率统计,最终生成地表覆盖制图。
进一步地,所述影像分割模块包括:
初始分割单元,用于采用多尺度分割方法对Sentinel-2多分辨率遥感影像进行初始分割;
最终分割单元,基于初始分割单元的初始分割结果,采用光谱差异分割方法获得最终的多个分割对象。
进一步地,所述后验概率选取模块中,针对一分割对象,若该分割对象范围内包含大于1/2个20m分辨率影像像元,则选用20m分辨率影像的地表覆盖后验概率,反之,则选用10m分辨率影像的地表覆盖后验概率。
进一步地,所述地表覆盖后验概率通过SVM后验概率估计获得。
进一步地,所述面积加权概率统计具体为:
其中,Proobject为分割对象对各地表覆盖类型的隶属概率值,Pro20m和Pro10m分别为用于面向对象概率统计的20m分辨率影像和10m分辨率影像下获得的各地表覆盖类型隶属概率值,Area20m和Area10m分别为20m分辨率影像和10m分辨率影像下所对应的包含于对象的面积,Areaobject为对象面积。
与现有技术相比,本发明能够根据研究区域特点快速准确的从Sentinel-2影像上解译出所需地表覆盖类型,能够广泛应用于土地利用调查、生态环境保护等领域,具有以下有益效果:
(1)本发明结合Sentinel-2卫星遥感影像多分辨率特点,提出一种面向对象的地表覆盖制图方法,利用10m分辨率影像丰富的地表地物空间信息进行图像分割,获得分割对象后基于对象进行地表覆盖分类,能够有效的减少像元级分类过程中常常出现的小斑块结果,以此提高分类精度和制图质量。
(2)本发明充分结合利用了Sentinel-2不同分辨率影像在空间、光谱上的优点进行地表覆盖制图。由于20m分辨率影像具有更多光谱波段,其对纯净地物像元具有更高的识别能力。因此在进行面向对象分析时,根据包含于对象范围内20m分辨率像元的面积百分比确定该位置分类结果的选取,方法合理、操作性强。本发明既能提高分类精度,又能对影像上细小目标进行识别。
(3)本发明选取了应用于面向对象分析的对象内部各位置分类概率估计后,利用不同分辨率像元包含于对象内部的面积作为权重,进行面向对象的加权概率统计,以对应的最大隶属概率地类作为对象的地表覆盖类型,并完成整幅影像的面向对象分类,获得最终地表覆盖制图结果。本发明方法合理,逻辑性强,能够实现对对象地类的准确判断。
附图说明
图1为本发明的流程示意图;
图2为本发明的后验概率选取示意图,其中,(2a)为选取的10m分辨率下后验概率,(2b)为选取的20m分辨率下后验概率;
图3为实施例选用的实验影像示意图;
图4为实施例中实验结果示意图,其中,(4a)为10m分辨率影像SVM分类结果,(4b)为20m分辨率影像SVM分类结果,(4c)为本发明的分类结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供一种适用于Sentinel-2多分辨率遥感影像的地表覆盖制图方法,利用该方法能够协同利用Sentinel-2不同分辨率遥感影像的特点,获得高精度的地表覆盖制图。该方法具体描述如下:
1.影像分割
首先利用Sentinel-2 10m分辨率影像进行影像分割。本实施例中,影像分割通过易康软件平台实现,选用多尺度分割方法,颜色和形状权重分别设置为0.9和0.1,紧致度和平滑度权重设置为0.5和0.5,同时设置较小尺度参数20,以防止影像欠分割。在获得初始分割结果后,在初始分割对象基础上,运用光谱差异分割方法,设置适宜分割参数100,获得最终分割结果。
2.基于Sentinel-2多分辨率影像的SVM后验概率估计
本实施例在Matlab平台下,调用LIBSVM库在不同分辨率影像上进行各地表覆盖类型的后验概率估计。该实施例根据实验影像地表覆盖特点,选取建筑物、土壤、植被和水体四类训练样本,具体SVM方法实施中,核函数选用径向基核函数(RBF),惩罚参数设置为100,gamma参数设置为0.25。利用SVM方法分别在Sentinel-2 10m分辨率和20m分辨率多光谱遥感影像中进行后验概率估计,获得两个分辨率下各地表覆盖类型的后验概率影像。
3.应用于面向对象分析的后验概率选取
在该步骤中,基于影像分割获得的分割对象,在多分辨率后验概率影像中选取用于面向对象分析后验概率。本实施例中,具体选取准则为:如果分割对象范围内包含大于1/2个20m分辨率概率影像像元,则选用20m分辨率影像下获得地表覆盖后验概率,反之,则选用10m分辨率影像下获得的地表覆盖后验概率。
5.面向对象后验概率统计及地表覆盖制图
获得分割对象内选取的多分辨率地表覆盖后验概率后,对不同分辨率后验概率及其所对应包含于对象内的面积进行面积加权概率统计(如下公式1),最终获得整个分割对象对各地表覆盖类型的隶属概率值,选取对象对不同地类的最大隶属概率值,对应地类则为对象地类。完成对整幅影像面向对象的后验概率统计,最终生成地表覆盖制图。
Proobject为对象对各个地类的隶属概率值,Pro20m和Pro10m分别选用于面向对象概率统计的20m分辨率影像和10m分辨率影像下获得的各地类隶属概率值,Area20m和Area10m分别为其所对应的包含于对象的面积,Areaobject为对象面积。
本实施例中,采用经过大气校正后的Sentinel-2地表反射率遥感影像作为实验影像,选用10m和20m两个分辨率影像进行地表覆盖制图。参考同区域相近时间Google Earth高精度遥感影像,在实验影像上人工选取均匀分布的各个地类不少于10000个验证样本像元。选取全局精度,kappa系数对分类结果进行精度评价。同时与单独基于10m分辨率Sentinel-2影像SVM分类结果和单独基于20m分辨率Sentinel-2影像SVM分类结果进行方法比较。如表1所示,根据精度评价结果,新方法获得了最高的地表覆盖制图全局精度81.3144%,Kappa系数0.7511,通过制图显示效果可得新方法制图结果中没有分散的细小斑点,制图效果明显好于单独基于10m分辨率影像或20m分辨率影像获得的结果。
表1精度评价结果
全局精度(%) | Kappa系数 | |
新方法 | 81.3144 | 0.7511 |
基于10m影像SVM分类 | 70.9683 | 0.6204 |
基于20m影像SVM分类 | 79.2879 | 0.7247 |
综上所述,本发明根据Sentinel-2卫星遥感影像多分辨率特点,提出一种协同利用Sentinel-2不同分辨影像特点的地表覆盖制图方法,通过实验表明,该方法能够实现基于Sentinel-2影像的高精度地表覆盖制图。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.一种基于多分辨率遥感影像的地表覆盖制图方法,其特征在于,包括以下步骤:
1)对Sentinel-2多分辨率遥感影像进行影像分割,获得多个分割对象,具体为:
101)采用多尺度分割方法对Sentinel-2多分辨率遥感影像进行初始分割;
102)在步骤101)的基础上,采用光谱差异分割方法获得最终的多个分割对象;
2)根据各所述分割对象的分辨率选取对应的地表覆盖后验概率,针对一分割对象,若该分割对象范围内包含的20m分辨率影像像元的面积比大于1/2,则选用20m分辨率影像的地表覆盖后验概率,反之,则选用10m分辨率影像的地表覆盖后验概率,所述地表覆盖后验概率通过SVM后验概率估计获得;
3)依次对各分割对象进行面积加权概率统计,获得每一分割对象对各地表覆盖类型的隶属概率值,以隶属概率值最大的地表覆盖类型作为该分割对象的对象地类,所述面积加权概率统计具体为:
其中,为分割对象对各地表覆盖类型的隶属概率值,和分别为用于面向对象概率统计的20m分辨率影像和10m分辨率影像下获得的各地表覆盖类型隶属概率值,和分别为20m分辨率影像和10m分辨率影像下所对应的包含于对象的面积,为对象面积;
4)根据各分割对象的对象地类,完成对整幅影像面向对象的后验概率统计,最终生成地表覆盖制图。
2.一种基于多分辨率遥感影像的地表覆盖制图装置,其特征在于,包括:
影像分割模块,用于对Sentinel-2多分辨率遥感影像进行影像分割,获得多个分割对象;
后验概率选取模块,用于根据各所述分割对象的分辨率选取对应的地表覆盖后验概率;
对象地类计算模块,用于依次对各分割对象进行面积加权概率统计,获得每一分割对象对各地表覆盖类型的隶属概率值,以隶属概率值最大的地表覆盖类型作为该分割对象的对象地类;
制图模块,用于根据各分割对象的对象地类,完成对整幅影像面向对象的后验概率统计,最终生成地表覆盖制图;
所述影像分割模块包括:
初始分割单元,用于采用多尺度分割方法对Sentinel-2多分辨率遥感影像进行初始分割;
最终分割单元,基于初始分割单元的初始分割结果,采用光谱差异分割方法获得最终的多个分割对象;
所述后验概率选取模块中,针对一分割对象,若该分割对象范围内包含的20m分辨率影像像元的面积比大于1/2,则选用20m分辨率影像的地表覆盖后验概率,反之,则选用10m分辨率影像的地表覆盖后验概率,所述地表覆盖后验概率通过SVM后验概率估计获得;
所述面积加权概率统计具体为:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017108121718 | 2017-09-11 | ||
CN201710812171 | 2017-09-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053406A CN108053406A (zh) | 2018-05-18 |
CN108053406B true CN108053406B (zh) | 2021-05-11 |
Family
ID=62120281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711145366.8A Active CN108053406B (zh) | 2017-09-11 | 2017-11-17 | 基于多分辨率遥感影像的地表覆盖制图方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053406B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4102472A1 (en) * | 2021-06-07 | 2022-12-14 | Goodrich Corporation | Land type-based segmentation for prioritization of search areas |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5631970A (en) * | 1993-05-21 | 1997-05-20 | Hsu; Shin-Yi | Process for identifying simple and complex objects from fused images and map data |
CN102222235A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 基于对象集成高度信息的面向对象的高光谱分类处理方法 |
CN102609721A (zh) * | 2012-02-01 | 2012-07-25 | 北京师范大学 | 遥感影像的聚类方法 |
US8233712B2 (en) * | 2006-07-28 | 2012-07-31 | University Of New Brunswick | Methods of segmenting a digital image |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN102750690A (zh) * | 2012-05-29 | 2012-10-24 | 武汉大学 | 一种基于边缘约束的分形网络演化影像分割方法 |
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 |
ES2375026B1 (es) * | 2008-12-26 | 2013-03-20 | Universidad De Castilla-La Mancha | Módulo y métodos para la interconexión de equipos heterogéneos con recursos limitados por medio de middlewares de comunicaciones orientados a objeto. |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
CN104408733A (zh) * | 2014-12-11 | 2015-03-11 | 武汉大学 | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 |
US9037396B2 (en) * | 2013-05-23 | 2015-05-19 | Irobot Corporation | Simultaneous localization and mapping for a mobile robot |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
CN106951877A (zh) * | 2017-03-28 | 2017-07-14 | 北京恒华伟业科技股份有限公司 | 一种对高分辨率影像的地物提取方法及装置 |
-
2017
- 2017-11-17 CN CN201711145366.8A patent/CN108053406B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5631970A (en) * | 1993-05-21 | 1997-05-20 | Hsu; Shin-Yi | Process for identifying simple and complex objects from fused images and map data |
US8233712B2 (en) * | 2006-07-28 | 2012-07-31 | University Of New Brunswick | Methods of segmenting a digital image |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
ES2375026B1 (es) * | 2008-12-26 | 2013-03-20 | Universidad De Castilla-La Mancha | Módulo y métodos para la interconexión de equipos heterogéneos con recursos limitados por medio de middlewares de comunicaciones orientados a objeto. |
CN102222235A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 基于对象集成高度信息的面向对象的高光谱分类处理方法 |
CN102609721A (zh) * | 2012-02-01 | 2012-07-25 | 北京师范大学 | 遥感影像的聚类方法 |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN102750690A (zh) * | 2012-05-29 | 2012-10-24 | 武汉大学 | 一种基于边缘约束的分形网络演化影像分割方法 |
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 |
US9037396B2 (en) * | 2013-05-23 | 2015-05-19 | Irobot Corporation | Simultaneous localization and mapping for a mobile robot |
CN104408733A (zh) * | 2014-12-11 | 2015-03-11 | 武汉大学 | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
CN106951877A (zh) * | 2017-03-28 | 2017-07-14 | 北京恒华伟业科技股份有限公司 | 一种对高分辨率影像的地物提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
"A modified object-oriented classification algorithm and its application in high-resolution remote-sensing imagery";Zhong Chen et al.;《International Journal of Remote Sensing》;20111014;第3048-3062页 * |
"高光谱遥感影像分类研究进展";杜培军等;《遥感学报》;20150913;第236-256页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4102472A1 (en) * | 2021-06-07 | 2022-12-14 | Goodrich Corporation | Land type-based segmentation for prioritization of search areas |
US11810346B2 (en) | 2021-06-07 | 2023-11-07 | Goodrich Corporation | Land use for target prioritization |
Also Published As
Publication number | Publication date |
---|---|
CN108053406A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Sameen et al. | A refined classification approach by integrating Landsat Operational Land Imager (OLI) and RADARSAT-2 imagery for land-use and land-cover mapping in a tropical area | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
Xia et al. | Deep extraction of cropland parcels from very high-resolution remotely sensed imagery | |
Yu et al. | Deep convolutional neural networks for estimating maize above-ground biomass using multi-source UAV images: A comparison with traditional machine learning algorithms | |
CN117148360B (zh) | 雷电临近预报方法、装置、电子设备及计算机存储介质 | |
Zhou et al. | Individual tree crown segmentation based on aerial image using superpixel and topological features | |
Karakacan Kuzucu et al. | Testing the potential of vegetation indices for land use/cover classification using high resolution data | |
CN107688776A (zh) | 一种城市水体提取方法 | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
Wang et al. | Settlement extraction in the North China Plain using Landsat and Beijing-1 multispectral data with an improved watershed segmentation algorithm | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN108053406B (zh) | 基于多分辨率遥感影像的地表覆盖制图方法及装置 | |
Tan et al. | Comparison of neural network and maximum likelihood classifiers for land cover classification using landsat multispectral data | |
CN112883823A (zh) | 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法 | |
Huang et al. | Research on crop planting area classification from remote sensing image based on deep learning | |
CN111862005A (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及系统 | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
CN113627292B (zh) | 基于融合网络的遥感图像识别方法及装置 | |
Karwowska et al. | MCWESRGAN: improving enhanced super-resolution generative adversarial network for satellite images | |
CN111899222A (zh) | 一种利用风向全自动初步定位热带气旋中心的方法及系统 | |
CN113029332A (zh) | 卫星云图的预测方法、装置和处理器 |
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 |