CN108229425A - 一种基于高分辨率遥感图像的水体识别方法 - Google Patents
一种基于高分辨率遥感图像的水体识别方法 Download PDFInfo
- Publication number
- CN108229425A CN108229425A CN201810083674.0A CN201810083674A CN108229425A CN 108229425 A CN108229425 A CN 108229425A CN 201810083674 A CN201810083674 A CN 201810083674A CN 108229425 A CN108229425 A CN 108229425A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- gray
- identifying
- segment
- 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.)
- Pending
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
- 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
- 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
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分辨率遥感图像的水体识别方法,包括:(1)图像增强;(2)数据标记;(3)图像切分与构建训练集;(4)基于卷积神经网络构建模型并进行训练;(5)用训练后的模型进行水体识别。本发明通过对水体特征的调研分析提出了一套能够准确进行水体识别,从遥感图像中提取出水体部分的方法,该方法基于卷积神经网络,充分利用遥感图像的空间信息和光谱信息,深层次的提取图像特征。本发明详细介绍了卷积神经网络各层的模型和参数以及网络的训练原理和过程,在图像处理的各个阶段都做了周全的考虑,在水体识别上能表现出较高的准确率。
Description
技术领域
本发明属于图像处理识别技术领域,具体涉及一种基于高分辨率遥感图像的水体识别方法。
背景技术
高分辨率遥感图像的水体识别在不同领域中都是一个很重要的研究课题,例如湖滨沿海区域管理、海岸线变化、洪灾预测和水资源评估,及时地监测地表水体和地表水体的变化有助于有效政策的指定。近年来,利用遥感数据监测水资源得到了广泛的应用,遥感技术具有检测距离短、检测范围广的优点,能够快速、反复、准确地获取水体信息,监测地表水资源。纵观近年来对遥感图像水体识别的研究工作,存在着如下几种挑战:
1.目前对水体识别的研究工作主要几种在光学遥感和机器学习两大类;在光学遥感方面,主要有两类方法提取水体:单波段阈值法和多波段阈值法,都是根据水体和其他地表物体之间反射率的不同来提取水体信息,然而很多建筑物的反射率和水体的反射率在某些波段上表现一样,达不到很高的水体识别的准确率;机器学习的方法在水体识别上也有一定应用,但是对于高分辨率遥感影像的分类这样一个复杂的过程,使用比较浅层的模型结构有一定的局限性,而深层的结构更为合理。
2.目前对遥感图像水体识别的工作中使用的数据源大都是landsat资源卫星的多光谱图像,其空间分辨率在30米左右,空间分辨率较低,并且拍摄时的云层、阴影、传感器的角度等都会对遥感图像的成像产生影响,如何进行相应的预处理得到清晰、无遮挡的高分辨率遥感图像也是一个较为困难的课题。
3.由于遥感图像成像面积大,景内地貌特征复杂,且在不同天气、不同地理区域的水体有着不同的空间和光谱特征,因此对于水体识别问题,如何选择分类模型,如何进行神经网络模型的设计,将水体识别问题转化为图像分类问题,也是需要重点关注的课题。
卷积神经网络(Convolutional Neural Network,CNN)作为深度学习的一种模型,在图像分类领域中,表现出了不错的效果;卷积神经网络是为识别二维形状而特殊设计的一个多层感知器,使用了局部感知区,充分利用了遥感图像的空间信息和光谱信息,在遥感图像的分类上能表现出不错的效果。
发明内容
鉴于上述,本发明提供了一种基于高分辨率遥感图像的水体识别方法,针对高分二号卫星多光谱遥感数据,利用卷积神经网络的模型,突破传统基于阈值或机器学习的方法,实现遥感图像的水体识别,能够高效准确地遥感图像的水体的自动识别。
一种基于高分辨率遥感图像的水体识别方法,包括如下步骤:
(1)获取高分辨率的遥感卫星图像,对其进行增强处理;
(2)在增强后的遥感卫星图像中人工标记出水体,得到标记图像;
(3)对增强后的遥感卫星图像进行切分并构建训练集;
(4)利用训练集中的样本对卷积神经网络进行训练,得到用于水体识别的分类模型;
(5)对待识别的遥感卫星图像进行增强和切分处理,将切分后得到的图块依次输入至所述分类模型中,即可实现水体识别。
进一步地,所述步骤(1)中对图像进行增强处理的过程为:首先从遥感卫星图像中提取出对应四个波段的灰度图;然后选取7×7的掩膜,利用高斯低通滤波对四张灰度图进行增强和去噪。
进一步地,所述步骤(2)的具体实现过程如下:
2.1取增强后的遥感卫星图像中对应波长大小为前三个波段的灰度图分别作为RGB图像中的B通道图像、G通道图像和R通道图像,进而合成一张RGB彩色图像;
2.2利用图片标注工具以多边形的形式标注出RGB彩色图像中的水体部分,并保存各多边形的顶点位置;
2.3创建一张与原遥感卫星图像大小相同的图像,默认所有像素点均为黑色,读取各多边形的顶点位置,将多边形内的像素点填充为白色,即得到标记图像,其中黑色部分表示陆地,白色部分表示水体。
进一步地,所述步骤(3)的具体实现过程如下:
3.1对于增强后的遥感卫星图像中对应任一波段的灰度图,按19×19的窗口大小对该灰度图进行切分,得到多个图块;
3.2对于任一图块,统计该图块在标记图像对应窗口中白色像素点和黑色像素点的个数,若白色像素点个数大于黑色像素点个数,则将该图块归类为水体,否则将该图块归类为陆地;
3.3根据步骤3.1和3.2遍历四个波段的灰度图以及灰度图中的所有图块,使分布在四个波段灰度图中对应同一窗口位置的四个图块作为一组样本,从而组建得到训练集。
进一步地,所述步骤(4)中的卷积神经网络由输入层、卷积层C1、最大池化层S1、卷积层C2、最大池化层S2、全连接层D1以及全连接层D2依次连接组成;其中,输入层即为一组样本中四个19×19大小的图块;卷积层C1使用8个4×4大小的卷积核,激活函数采用ReLu,步长为1;最大池化层S1使用2×2大小的核,步长为2;卷积层C2使用16个3×3大小的卷积核,激活函数采用ReLu;最大池化层S2使用2×2大小的核,步长为2;全连接层D1使用64个节点的输出维度,激活函数采用ReLu;全连接层D2即为输出层,使用2个节点的输出维度,分别代表水体和陆地,激活函数采用Softmax。
进一步地,所述步骤(5)的具体实现过程如下:首先对待识别的遥感卫星图像进行增强处理,然后对增强后遥感卫星图像中对应四个波段的灰度图按19×19的窗口大小进行切分,使分布在四个波段灰度图中对应同一窗口位置的四个图块作为一组输入至分类模型中得到相应的分类结果;然后创建一张与待识别遥感卫星图像大小相同的图像,根据分类结果将其中归为陆地的图块填充为黑色,归为水体的图块填充为白色;最后对这张图像进行中值滤波处理,并作为水体识别后的输出结果。
基于上述技术方案,本发明具有以下有益技术效果:
(1)本发明引入了基于卷积神经网络的遥感图像的水体识别,构建了7层卷积神经网络模型,使用遥感图像中全部波段的19×19的窗口作为神经网络的输入。
(2)本发明可以保证较高的结果准确率,在高分二号多光谱的遥感数据上,水体识别的平均准确率可达98%。
(3)本发明避免了传统分类算法中复杂的特征提取和数据重构的工作,充分利用卷积神经网络的特点,能够多层次的捕捉遥感图像的空间信息和光谱信息。
附图说明
图1为本发明方法的系统实现示意图。
图2为本发明方法的流程示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1和图2所示,本发明基于高分辨率遥感图像的水体识别方法,包括如下步骤:
(1)图像增强。
为了凸显图像边缘,增强水体和陆地之间的区别,首先需要对遥感图像进行图像增强,具体步骤如下:
1.1选取一张水体和陆地分辨较为明显的高分辨率卫星图像,以灰度图的形式分别读取该图像的全部四个波段。
1.2选取7×7的掩膜,使用高斯低通滤波对图像的各个波段进行增强和去噪。
高斯滤波器是平滑线性滤波器的一种,平滑滤波器就是用滤波掩模确定的邻域内像素的平均灰度值去替代图像的每个像素点的值,而高斯滤波器是带有权重的平均值,即加权平均,中心的权重比邻近像素的权重更大,这样可以克服边界效应,其二维高斯分布函数为:
选取7×7的掩膜,确保处于掩模中心的位置比其他任何像素的权值都大,而距离掩模中心较远的像素就显得不太重要,这样做是为了减小平滑处理中的图像模糊程度。
(2)数据标记。
数据标记是为了训练卷积神经网络而用,首先需要知道所选取的遥感图像中哪些属于水体,哪些属于陆地,具体过程如下:
2.1选取原遥感图像的前3个波段分别作为BGR三个通道合成一张新的jpg格式的彩图。
2.2使用图片标注工具以多边形的形式标注彩图中的水体部分,标注时将标注的多边形的顶点保存下来。
2.3创建一张与原图大小相同的图像,默认为黑色,读取每个多边形的顶点,将多边形内的像素点的RGB填充为白色。
2.4将该图像作为标记后的图像,黑色部分表示陆地,白色部分表示水体。
(3)图像切分与构建训练集。
3.1以灰度图的形式分别读取图像的全部四个波段。
3.2按照19×19的窗口大小对原图像进行切分,读取标记后的图像,统计每个窗口中白色像素点的个数和黑色像素点的个数。
3.3以19个像素点的步长,按照19×19的大小依次截取原图像,统计截取后图像内白色像素点和黑色像素点的个数。
3.4将白色像素点个数多于黑色像素点个数的窗口和白色像素点个数少于黑色像素点个数的窗口分为两类,分别表示水体部分和陆地部分,将其窗口的坐标顶点分别保存到两个不同的文件中。
若窗口的白色像素点个数比黑色像素点的多,说明该窗口表示水体,并将其窗口的左上顶点坐标保存到文件中。
(4)基于卷积神经网络构建模型并进行训练。
4.1读取水体和陆地的窗口的顶点坐标的文件,继而读取出遥感图像每个波段的窗口的所有像素值,将4个19×19大小的矩阵作为卷积神经网络的输入入,水体部分标记为0,陆地部分标记为1。
4.2卷积层C1:使用32个4×4大小的卷积核,激活函数使用Relu。
给定一个图像xij,1≤i≤M,1≤j≤N,和滤波器fij,1≤i≤m,1≤j≤n,一般m<<M,n≤N。
卷积的输出为:
这里使用的是二维卷积层,使用步长为4×4,大小为4×4的卷积核,选用Relu的激活函数,该层对二维输入进行滑动卷积。
4.3最大池化层S1:使用2×2大小的核,步长也为2×2。
池化层对输入的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征。
4.4卷积层C2:使用128个3×3大小的卷积核,激活函数使用Relu。
4.5最大池化层S2:使用2×2大小的核,步长也为2×2。
4.6全连接层D1:使用1024个节点的输出维度,激活函数使用Relu。
4.7全连接层D2(输出层):使用2个节点的输出维度,分别代表水体和陆地两个类别,激活函数使用Softmax。
4.8配置该网络模型,其中采用的损失函数为categorical_crossentropy,优化器为Adadelta。
4.9使用构建好的训练集训练该卷积神经网络,其中参数epochs设为10,batch_size设为50。
卷积神经网络的训练是用于得到网络的合适的参数,训练过程包括前向传播和反向传播;前向传播是用当前的参数计算出输入数据的分类结果;反向传播则是不断地更新参数优化结果,使得训练样本的实际结果和理想结果之间的差异最小。
前向传播:用xi表示第i层的输入,那么xi+1的计算过程如下:
ui=Wi Txi+bi
xi+1=fi(ui)
其中:Wi T、bi、fi分别表示权值矩阵、偏移量和激活函数。
反向传播:对m个样本,损失函数的定义为:
其中:Y表示期望输出,1{j=Y(i)}表示当大括号内的表达式为真时是1,反之是0;损失函数对ui的偏导数为:
最后通过使用梯度下降法来不断更新训练参数。
(5)用训练后的模型进行水体识别。
5.1将遥感图像的4个波段的4个19×19的窗口输入进训练好的网络。
5.2输出分别得到属于水体和属于陆地的置信度,选取置信度较高的作为其分类的结果。
5.3创建一张与原图大小相同的图像,根据分类的结果将陆地部分填充为黑色,水体部分填充为白色。
5.4对输出图像进行中值滤波处理,并将得到的图像作为水体识别最后的输出结果。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。
二维中值滤波的输出为:
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中:f(x,y)、g(x,y)分别为原始图像和处理后图像,W为二维模板,通常为3×3或5×5区域,也可以是不同的形状,如线状,圆形,十字形,圆环形等。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (6)
1.一种基于高分辨率遥感图像的水体识别方法,包括如下步骤:
(1)获取高分辨率的遥感卫星图像,对其进行增强处理;
(2)在增强后的遥感卫星图像中人工标记出水体,得到标记图像;
(3)对增强后的遥感卫星图像进行切分并构建训练集;
(4)利用训练集中的样本对卷积神经网络进行训练,得到用于水体识别的分类模型;
(5)对待识别的遥感卫星图像进行增强和切分处理,将切分后得到的图块依次输入至所述分类模型中,即可实现水体识别。
2.根据权利要求1所述的水体识别方法,其特征在于:所述步骤(1)中对图像进行增强处理的过程为:首先从遥感卫星图像中提取出对应四个波段的灰度图;然后选取7×7的掩膜,利用高斯低通滤波对四张灰度图进行增强和去噪。
3.根据权利要求1所述的水体识别方法,其特征在于:所述步骤(2)的具体实现过程如下:
2.1取增强后的遥感卫星图像中对应波长大小为前三个波段的灰度图分别作为RGB图像中的B通道图像、G通道图像和R通道图像,进而合成一张RGB彩色图像;
2.2利用图片标注工具以多边形的形式标注出RGB彩色图像中的水体部分,并保存各多边形的顶点位置;
2.3创建一张与原遥感卫星图像大小相同的图像,默认所有像素点均为黑色,读取各多边形的顶点位置,将多边形内的像素点填充为白色,即得到标记图像,其中黑色部分表示陆地,白色部分表示水体。
4.根据权利要求1所述的水体识别方法,其特征在于:所述步骤(3)的具体实现过程如下:
3.1对于增强后的遥感卫星图像中对应任一波段的灰度图,按19×19的窗口大小对该灰度图进行切分,得到多个图块;
3.2对于任一图块,统计该图块在标记图像对应窗口中白色像素点和黑色像素点的个数,若白色像素点个数大于黑色像素点个数,则将该图块归类为水体,否则将该图块归类为陆地;
3.3根据步骤3.1和3.2遍历四个波段的灰度图以及灰度图中的所有图块,使分布在四个波段灰度图中对应同一窗口位置的四个图块作为一组样本,从而组建得到训练集。
5.根据权利要求4所述的水体识别方法,其特征在于:所述步骤(4)中的卷积神经网络由输入层、卷积层C1、最大池化层S1、卷积层C2、最大池化层S2、全连接层D1以及全连接层D2依次连接组成;其中,输入层即为一组样本中四个19×19大小的图块;卷积层C1使用8个4×4大小的卷积核,激活函数采用ReLu,步长为1;最大池化层S1使用2×2大小的核,步长为2;卷积层C2使用16个3×3大小的卷积核,激活函数采用ReLu;最大池化层S2使用2×2大小的核,步长为2;全连接层D1使用64个节点的输出维度,激活函数采用ReLu;全连接层D2即为输出层,使用2个节点的输出维度,分别代表水体和陆地,激活函数采用Softmax。
6.根据权利要求4所述的水体识别方法,其特征在于:所述步骤(5)的具体实现过程如下:首先对待识别的遥感卫星图像进行增强处理,然后对增强后遥感卫星图像中对应四个波段的灰度图按19×19的窗口大小进行切分,使分布在四个波段灰度图中对应同一窗口位置的四个图块作为一组输入至分类模型中得到相应的分类结果;然后创建一张与待识别遥感卫星图像大小相同的图像,根据分类结果将其中归为陆地的图块填充为黑色,归为水体的图块填充为白色;最后对这张图像进行中值滤波处理,并作为水体识别后的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810083674.0A CN108229425A (zh) | 2018-01-29 | 2018-01-29 | 一种基于高分辨率遥感图像的水体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810083674.0A CN108229425A (zh) | 2018-01-29 | 2018-01-29 | 一种基于高分辨率遥感图像的水体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229425A true CN108229425A (zh) | 2018-06-29 |
Family
ID=62667713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810083674.0A Pending CN108229425A (zh) | 2018-01-29 | 2018-01-29 | 一种基于高分辨率遥感图像的水体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229425A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108952459A (zh) * | 2018-08-10 | 2018-12-07 | 秦佑胜 | 双悬挂式滑动窗台 |
CN108985307A (zh) * | 2018-07-16 | 2018-12-11 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感影像的水体提取方法及系统 |
CN109580619A (zh) * | 2018-12-03 | 2019-04-05 | 余姚市腾翔电子科技有限公司 | 浴缸堵塞报警机构 |
CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥(上海)信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
CN110191287A (zh) * | 2019-06-28 | 2019-08-30 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110248096A (zh) * | 2019-06-28 | 2019-09-17 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110248101A (zh) * | 2019-07-19 | 2019-09-17 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110309763A (zh) * | 2019-06-27 | 2019-10-08 | 复旦大学 | 一种基于卫星遥感图像的建筑物分类方法 |
CN110309809A (zh) * | 2019-07-09 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 |
CN110334635A (zh) * | 2019-06-28 | 2019-10-15 | Oppo广东移动通信有限公司 | 主体追踪方法、装置、电子设备和计算机可读存储介质 |
CN110443259A (zh) * | 2019-07-29 | 2019-11-12 | 中科光启空间信息技术有限公司 | 一种从中等分辨率遥感影像中提取甘蔗的方法 |
CN110688909A (zh) * | 2019-09-05 | 2020-01-14 | 南京有春科技有限公司 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
CN110751606A (zh) * | 2019-10-17 | 2020-02-04 | 广州愿托科技有限公司 | 一种基于神经网络算法的泡沫图像处理方法及系统 |
WO2020103109A1 (zh) * | 2018-11-22 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 一种地图生成方法、设备、飞行器及存储介质 |
CN111695530A (zh) * | 2020-06-16 | 2020-09-22 | 中国水利水电科学研究院 | 一种基于高分遥感的河流补水效果智能化监测评估方法 |
CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
CN112131912A (zh) * | 2019-06-25 | 2020-12-25 | 北京尚水信息技术股份有限公司 | 遥感影像下垫面提取方法 |
CN113327214A (zh) * | 2021-05-19 | 2021-08-31 | 中国科学院地理科学与资源研究所 | 一种连续时间序列水体遥感制图方法 |
CN113780117A (zh) * | 2021-08-26 | 2021-12-10 | 中国海洋大学 | 一种快速识别并提取河口羽状流轮廓相关参数的方法 |
CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
CN114511727A (zh) * | 2021-12-14 | 2022-05-17 | 广东省建筑科学研究院集团股份有限公司 | 基于多尺度输入神经网络的建筑风场地面粗糙度识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN105279519A (zh) * | 2015-09-24 | 2016-01-27 | 四川航天系统工程研究所 | 基于协同训练半监督学习的遥感影像水体提取方法及系统 |
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
CN107358260A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于表面波cnn的多光谱图像分类方法 |
CN107451616A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 |
-
2018
- 2018-01-29 CN CN201810083674.0A patent/CN108229425A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN105279519A (zh) * | 2015-09-24 | 2016-01-27 | 四川航天系统工程研究所 | 基于协同训练半监督学习的遥感影像水体提取方法及系统 |
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
CN107358260A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于表面波cnn的多光谱图像分类方法 |
CN107451616A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 |
Non-Patent Citations (1)
Title |
---|
杜敬: "基于深度学习的无人机遥感影像水体识别", 《江西科学》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985307A (zh) * | 2018-07-16 | 2018-12-11 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感影像的水体提取方法及系统 |
CN108985307B (zh) * | 2018-07-16 | 2021-08-10 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感影像的水体提取方法及系统 |
CN108952459A (zh) * | 2018-08-10 | 2018-12-07 | 秦佑胜 | 双悬挂式滑动窗台 |
CN108952459B (zh) * | 2018-08-10 | 2020-06-09 | 安徽瑞羽康农业科技有限公司 | 双悬挂式滑动窗台 |
WO2020103109A1 (zh) * | 2018-11-22 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 一种地图生成方法、设备、飞行器及存储介质 |
CN109580619A (zh) * | 2018-12-03 | 2019-04-05 | 余姚市腾翔电子科技有限公司 | 浴缸堵塞报警机构 |
CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥(上海)信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
CN112131912A (zh) * | 2019-06-25 | 2020-12-25 | 北京尚水信息技术股份有限公司 | 遥感影像下垫面提取方法 |
CN110309763A (zh) * | 2019-06-27 | 2019-10-08 | 复旦大学 | 一种基于卫星遥感图像的建筑物分类方法 |
CN110334635B (zh) * | 2019-06-28 | 2021-08-31 | Oppo广东移动通信有限公司 | 主体追踪方法、装置、电子设备和计算机可读存储介质 |
CN110191287B (zh) * | 2019-06-28 | 2021-05-11 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110191287A (zh) * | 2019-06-28 | 2019-08-30 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110248096A (zh) * | 2019-06-28 | 2019-09-17 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110334635A (zh) * | 2019-06-28 | 2019-10-15 | Oppo广东移动通信有限公司 | 主体追踪方法、装置、电子设备和计算机可读存储介质 |
US11178324B2 (en) | 2019-06-28 | 2021-11-16 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Focusing method and device, electronic device and computer-readable storage medium |
CN110309809A (zh) * | 2019-07-09 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 |
CN110248101B (zh) * | 2019-07-19 | 2021-07-09 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110248101A (zh) * | 2019-07-19 | 2019-09-17 | Oppo广东移动通信有限公司 | 对焦方法和装置、电子设备、计算机可读存储介质 |
CN110443259A (zh) * | 2019-07-29 | 2019-11-12 | 中科光启空间信息技术有限公司 | 一种从中等分辨率遥感影像中提取甘蔗的方法 |
CN110443259B (zh) * | 2019-07-29 | 2023-04-07 | 中科光启空间信息技术有限公司 | 一种从中等分辨率遥感影像中提取甘蔗的方法 |
CN110688909A (zh) * | 2019-09-05 | 2020-01-14 | 南京有春科技有限公司 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
CN110751606B (zh) * | 2019-10-17 | 2023-09-19 | 广州愿托科技有限公司 | 一种基于神经网络算法的泡沫图像处理方法及系统 |
CN110751606A (zh) * | 2019-10-17 | 2020-02-04 | 广州愿托科技有限公司 | 一种基于神经网络算法的泡沫图像处理方法及系统 |
CN111695530A (zh) * | 2020-06-16 | 2020-09-22 | 中国水利水电科学研究院 | 一种基于高分遥感的河流补水效果智能化监测评估方法 |
CN111914686B (zh) * | 2020-07-15 | 2022-10-18 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
CN113327214A (zh) * | 2021-05-19 | 2021-08-31 | 中国科学院地理科学与资源研究所 | 一种连续时间序列水体遥感制图方法 |
CN113780117A (zh) * | 2021-08-26 | 2021-12-10 | 中国海洋大学 | 一种快速识别并提取河口羽状流轮廓相关参数的方法 |
CN113780117B (zh) * | 2021-08-26 | 2024-02-23 | 中国海洋大学 | 一种快速识别并提取河口羽状流轮廓相关参数的方法 |
CN114511727A (zh) * | 2021-12-14 | 2022-05-17 | 广东省建筑科学研究院集团股份有限公司 | 基于多尺度输入神经网络的建筑风场地面粗糙度识别方法 |
CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
CN114241336B (zh) * | 2021-12-30 | 2022-09-20 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229425A (zh) | 一种基于高分辨率遥感图像的水体识别方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
Samiappan et al. | Using unmanned aerial vehicles for high-resolution remote sensing to map invasive Phragmites australis in coastal wetlands | |
Ünsalan et al. | A system to detect houses and residential street networks in multispectral satellite images | |
CN109858450B (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及系统 | |
CN108549893A (zh) | 一种任意形状的场景文本端到端识别方法 | |
CN108090911A (zh) | 一种光学遥感图像的近岸舰船分割方法 | |
CN108399362A (zh) | 一种快速行人检测方法及装置 | |
CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
CN108710863A (zh) | 基于深度学习的无人机航拍场景语义分割方法及系统 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN109241913A (zh) | 结合显著性检测和深度学习的船只检测方法及系统 | |
CN108256424A (zh) | 一种基于深度学习的高分辨率遥感图像道路提取方法 | |
Li et al. | Evaluating generative adversarial networks based image-level domain transfer for multi-source remote sensing image segmentation and object detection | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN106683102A (zh) | 基于脊波滤波器和卷积结构模型的sar图像分割方法 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN115452759B (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
CN114494851A (zh) | 一种基于多时相遥感影像差异信息的滑坡提取方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN113887472A (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 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |