CN108492288A - 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 - Google Patents
基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 Download PDFInfo
- Publication number
- CN108492288A CN108492288A CN201810214301.2A CN201810214301A CN108492288A CN 108492288 A CN108492288 A CN 108492288A CN 201810214301 A CN201810214301 A CN 201810214301A CN 108492288 A CN108492288 A CN 108492288A
- Authority
- CN
- China
- Prior art keywords
- training
- random forest
- multiple dimensioned
- scale
- stratified sampling
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,该方法采用面向对象的思想,进行多尺度分层采样以自动获得多尺度训练样本,将亚尺度样本和当前尺度样本进行组合;然后提取训练样本光谱,纹理和形状特征融合在一起构成特征空间,将样本组合和相应的特征空间输入随机森林中以训练多个变化分类器,选择袋外误差参数最小的分类器,作为变化检测分类器,进行变化检测。相比传统的方法,本发明提出了多尺度分层采样方法,考虑了多尺度的特征信息,在不增加人工工作量的同时,为变化区域和非变化区域自动增加了训练样本,提高了训练样本的特征泛化能力,并且分类进行变化检测,方法简单,可操作性强,有很好的扩展性。
Description
技术领域
本发明属于遥感影像处理技术领域,涉及一种高分卫星影像变化检测方法,尤其涉及一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法。
背景技术
遥感影像的变化检测技术广泛应用于土地利用/覆盖变化、灾害评估、城市扩张监测等领域。主要可分为基于像素和基于对象的变化检测方法。虽然基于像素的遥感影像信息提取方法快,但在高分辨率影像中的信息提取有其固有的局限性,它仅依靠地物的光谱信息造成严重的椒盐噪声,而且没有很好的利用高分辨率影像丰富的空间信息和语义信息容易造成漏检或误检。基于面向对象的遥感图像变化检测方法能够充分利用高分影像的光谱,纹理和形状特征,成为热点研究。
目前一些基于面向对象变化检测的方法,往往只是利用单一的尺度进行分割来获取对象的,多尺度的信息无法利用,而实际上高分辨率的影像具有多尺度的特性,单一尺度的对象与其他更高或者更低的尺度上的对象相互关联,利用单一尺度分割影像必然会存在过分割或不完全分割的情况。
发明内容
对不同类型的地物来说多尺度分割可以获得更全面的地物目标的特征,将这些多尺度的地物特征用于变化检测能更好地反映地物的变化。为了解决上述技术问题,本发明提出了基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,本发明相比传统方法,能够在不增加人工工作量的同时自动增加样本,充分利用的多尺度特征,提高了模型的泛化能力,并且分类进行变化检测,方法简单,可操作性强,有很好的扩展性。
本发明所采用的技术方案是:一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,包括以下步骤:
步骤1,将两个时相的影像数据进行配准和相对辐射校正;
步骤2,对配准和相对辐射校正后的两个时相影像进行组合叠置,形成新的影像,然后利用多尺度分割方法对新的影像进行分割获取两个时相的当前对象层和亚尺度对象层;
步骤3,对已分割对象进行多尺度分层采样,分别获取当前对象层和亚尺度对象层的训练对象,识别训练对象的变化和非变化类型,并将当前对象层和亚尺度对象层的训练对象样本进行组合,以获得不同的训练样本组合;
步骤4,对训练样本组合,以及配准和相对辐射校正后两个时相的影像的当前对象层,进行光谱特征、纹理特征、形状特征的提取,然后利用多特征融合将两个时相的特征进行融合,并将融合结果进行叠加得到变化检测特征矢量;
步骤5,将训练样本组合和相应的特征矢量及对应的变化类型输入到随机森林分类器中,训练多个随机森林分类器,以袋外误差最小作为约束条件,选择最优的随机森林模型;
步骤6,利用最优的随机森林模型对两个时期影像的当前对象层进行变化检测。
进一步的,步骤3的具体实现包括如下子步骤,
步骤3.1,在配准和相对辐射校正后的两个时相影像上,选择训练多边形,人工识别变化和非变化类型;
步骤3.2,根据步骤3.1中的像素层采样,选择与训练多边形中的最多像素重叠的对象作为当前对象层的训练对象,并识别训练对象的变化和非变化类型;
步骤3.3,根据当前对象层的训练对象和多尺度分割中层与层之间的联系,确定每个亚尺度对象层的训练对象,并识别相应训练对象的变化/非变化类型;
步骤3.4,将当前对象层的训练对象样本与不同的亚尺度对象层的训练对象样本进行组合,以获得不同的训练样本组合。
进一步的,在步骤3.1和步骤3.2中,当训练对象中超过50%的像素发生了变化,则训练对象认为是变化对象;否则,标记为无变化类型。
进一步的,所述光谱特征指每个对象各波段的灰度特征,包括红、绿、蓝均值,红、绿、蓝标准差,亮度,最大差异。
进一步的,所述纹理特征包括中值,协方差,同质性,反差,差异性,熵,二阶距,自相关。
进一步的,所述形状特征包括面积,长宽比,形状指数,密度。
本发明针对高分辨遥感影像的特点,提出了一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法进行变化检测,即在单一尺度的基础上进行更深层次的多尺度采样,提取不同的尺度的训练样本来训练一个多尺度分层采样的变化检测模型。该方法进行了多尺度分层采样,为变化区域和非变化区域自动增加了训练样本,提供多尺度的特征信息,并利用袋外误差最小作为约束条件,选择最优的随机森林模型,进行变化检测。结果表明,本发明提出的基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,克服了传统像素级方法在多源遥感影像变化检测中“虚警率”高、适用性差的问题,并且充分利用地物的多尺度特性,更好地反映了地物的变化,克服了尺度过小,虚检过多,尺度过大,漏检过多的问题;能够有效地降低漏检率,提高总精度。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的多尺度分层采样的流程图。
图3为本发明实施例的分割对象(黑线曲线)和训练多边形(黑色矩形)之间的关系。其中(a)分割对象包含训练多边形,(b)分割对象与训练多边形相互重叠,(c)分割对象包含在训练多边形内。黑色矩形表示原始像素图像对中的训练多边形。加粗灰色多边形表示选定的训练对象。黑色多边形表示分割的对象。
图4为本发明实施例的实验区1的单尺度采样和多尺度采样的变化检测结果。(a-b)尺度30的单尺度采样和多尺度采样的变化检测结果;(c-d)尺度40的单尺度采样和多尺度采样的变化检测结果;(e-f)尺度50的单尺度采样和多尺度采样的变化检测结果;(g-h)尺度60的单尺度采样和多尺度采样的变化检测结果;(i-j)尺度70的单尺度采样和多尺度采样的变化检测结果;(k-l)尺度80的单尺度采样和多尺度采样的变化检测结果;(m-n)尺度90的单尺度采样和多尺度采样的变化检测结果;(o-p)尺度100的单尺度采样和多尺度采样的变化检测结果;(q)2013影像;(r)2015影像;(s)变化/非变化的真值图,白色区域是变化,黑色为未变化。图中的黑色矩形框为感兴趣区域。
图5为本发明实施例的实验区2的单尺度采样和多尺度采样的变化检测结果。(a-b)尺度30的单尺度采样和多尺度采样的变化检测结果;(c-d)尺度40的单尺度采样和多尺度采样的变化检测结果;(e-f)尺度50的单尺度采样和多尺度采样的变化检测结果;(g-h)尺度60的单尺度采样和多尺度采样的变化检测结果;(i-j)尺度70的单尺度采样和多尺度采样的变化检测结果;(k-l)尺度80的单尺度采样和多尺度采样的变化检测结果;(m-n)尺度90的单尺度采样和多尺度采样的变化检测结果;(o-p)尺度100的单尺度采样和多尺度采样的变化检测结果;(q)2013影像;(r)2015影像;(s)变化/非变化的真值图,白色区域是变化,黑色为未变化。图中的黑色矩形框为感兴趣区域。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明所提供的一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法进行变化检测是,采用面向对象的思想,进行多尺度分层采样以自动获得多尺度训练样本和不同样本组合,然后提取训练样本光谱,纹理和形状特征融合在一起构成特征空间,将样本组合和相应的特征空间输入随机森林(RF)中以训练多个变化分类器,选择多个变化分类器中的袋外(袋外)误差参数最小的分类器,作为变化检测分类器,进行变化检测。以下结合附图和实施例详细说明本发明技术方案。
如图1所示,实施例的流程具体包括以下步骤:
步骤1,将两个时相的影像数据进行配准和相对辐射校正,以消除不同时相所带来的几何误差和辐射差异;
步骤2,对配准和相对辐射校正后的两个时相影像进行叠置,形成新的影像,然后利用多尺度分割方法进行分割获取两个时相的当前对象层和亚尺度对象层;
步骤3,对已分割对象,进行多尺度分层采样,并且保证训练样本均匀分布,获取当前尺度样本和亚尺度样本的组合,分层采样的流程图如图2所示,包含四个子步骤;
步骤3.1,在配准和相对辐射校正后的两个时相影像上,选择训练多边形,人工识别变化和非变化类型,并保证样本均匀分布;
步骤3.2,根据像素层采样确定当前对象层的训练对象,并识别训练对象的变化和非变化类型;
当前层的分割对象和训练多边形之间存在几种可能的拓扑关系,分割对象和训练多边形之间的关系如图3所示。其中(a)分割对象包含训练多边形,(b)分割对象与训练多边形相互重叠,(c)分割对象包含在训练多边形内,黑色矩形表示原始像素图像对中的训练多边形。加粗灰色多边形表示选定的训练对象,黑色多边形表示分割对象。
选择与训练多边形中的最多像素重叠的对象作为训练对象。根据人工识别的训练多边形的变化类型来识别训练对象的变化/非变化类型,如果训练对象中超过50%的像素发生了变化,则训练对象认为是变化对象;否则,标记为无变化类型。
步骤3.3,根据当前对象层的训练对象和多尺度分割中层与层之间的联系直接确定每个亚尺度对象层的训练对象。根据人工识别的训练多边形的变化类型来识别相应的变化/非变化类型。如果训练对象中超过50%的像素发生了变化,则训练对象认为是变化对象;否则,标记为无变化类型;
步骤3.4,将当前对象级别的训练对象样本与不同的子尺度级别的训练对象样本进行组合以获得不同的训练样本组合。
步骤4,对各种训练样本组合和两个时相影像的当前对象层,进行光谱特征、纹理特征、形状特征的提取,然后利用多特征融合将两个时相的特征进行融合,并将融合结果进行叠加得到变化检测特征矢量。特征选取指标如表1所示:
表1特征选取指标
光谱特征是主要是指每个对象各波段的灰度特征。光谱特征包括均值(红),均值(绿),均值(蓝),标准差(红),标准差(绿),标准差(蓝),亮度,最大差异。
纹理为图像中反复出现的局部模式和它们的规则排列。描述纹理的方法有许多,灰度共生矩阵为最常用的一种,灰度共生矩阵共定义了32个纹理统计量,但常用的特征如下:中值(Mean),协方差(Variance),同质性(Homogeneity),反差(Contrast),差异性(Dissimilarity),熵(Entropy),二阶距(Angular Second Moment),自相关(Correlation)。因此本发明仅利用这常用的8个纹理特征。
形状特征反映了区域的几何特性,主要选择如下特征:面积,长宽比,形状指数,密度。
步骤5,将训练样本组合和相应的特征矢量及对应的变化类型输入到随机森林分类器中,训练多个随机森林分类器,以袋外误差最小作为约束条件,选择最优的随机森林模型。
步骤6,利用最优的随机森林模型对两个时期影像的当前对象层进行变化检测。
本实施例的实验:在原始影像上,随机选取20%的样本作训练,选择60%的变化样本和非变化的样本作为测试样本,进行本发明方法和单尺度采样方法实验,并对比两种方法的变化检测结果,结果图如图4和图5所示。
本实施例的精度验证:对变化检测的结果进行了精度分析,计算了变化的漏检率,错检率及F1分数(F1分数是准确率和召回率的一种加权平均),总体精度,如表2和表3所示,本发明方法相比单尺度采样方法漏检率有了明显的降低,总精度有了明显的提高,说明本发明方法的有效性。
表2实验区1的精度
表3实验区2的精度
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,其特征在于,包括如下步骤:
步骤1,将两个时相的影像数据进行配准和相对辐射校正;
步骤2,对配准和相对辐射校正后的两个时相影像进行组合叠置,形成新的影像,然后利用多尺度分割方法对新的影像进行分割获取两个时相的当前对象层和亚尺度对象层;
步骤3,对已分割对象进行多尺度分层采样,分别获取当前对象层和亚尺度对象层的训练对象,识别训练对象的变化和非变化类型,并将当前对象层和亚尺度对象层的训练对象样本进行组合,以获得不同的训练样本组合;
步骤4,对训练样本组合,以及配准和相对辐射校正后两个时相的影像的当前对象层,进行光谱特征、纹理特征、形状特征的提取,然后利用多特征融合将两个时相的特征进行融合,并将融合结果进行叠加得到变化检测特征矢量;
步骤5,将训练样本组合和相应的特征矢量及对应的变化类型输入到随机森林分类器中,训练多个随机森林分类器,以袋外误差最小作为约束条件,选择最优的随机森林模型;
步骤6,利用最优的随机森林模型对两个时期影像的当前对象层进行变化检测。
2.如权利要求1所述的基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,其特征在于:步骤3的具体实现包括如下子步骤,
步骤3.1,在配准和相对辐射校正后的两个时相影像上,选择训练多边形,人工识别变化和非变化类型;
步骤3.2,根据步骤3.1中的像素层采样,选择与训练多边形中的最多像素重叠的对象作为当前对象层的训练对象,并识别训练对象的变化和非变化类型;
步骤3.3,根据当前对象层的训练对象和多尺度分割中层与层之间的联系,确定每个亚尺度对象层的训练对象,并识别相应训练对象的变化/非变化类型;
步骤3.4,将当前对象层的训练对象样本与不同的亚尺度对象层的训练对象样本进行组合,以获得不同的训练样本组合。
3.如权利要求2所述的基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,其特征在于:在步骤3.1和步骤3.2中,当训练对象中超过50%的像素发生了变化,则训练对象认为是变化对象;否则,标记为无变化类型。
4.如权利要求1-3任一所述的基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,其特征在于:所述光谱特征指每个对象各波段的灰度特征,包括红、绿、蓝均值,红、绿、蓝标准差,亮度,最大差异。
5.如权利要求1-3任一所述的基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,其特征在于:所述纹理特征包括中值,协方差,同质性,反差,差异性,熵,二阶距,自相关。
6.如权利要求1-3任一所述的基于随机森林的多尺度分层采样的高分卫星影像变化检测方法,其特征在于:所述形状特征包括面积,长宽比,形状指数,密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810214301.2A CN108492288B (zh) | 2018-03-15 | 2018-03-15 | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810214301.2A CN108492288B (zh) | 2018-03-15 | 2018-03-15 | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492288A true CN108492288A (zh) | 2018-09-04 |
CN108492288B CN108492288B (zh) | 2020-04-24 |
Family
ID=63339615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810214301.2A Active CN108492288B (zh) | 2018-03-15 | 2018-03-15 | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492288B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740645A (zh) * | 2018-12-20 | 2019-05-10 | 核工业北京地质研究院 | 一种适用于高分一号影像的cart决策树分类方法 |
CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
CN110717531A (zh) * | 2019-09-27 | 2020-01-21 | 华东师范大学 | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 |
CN111723712A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于雷达遥感数据和面向对象的地膜信息提取方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20160253801A1 (en) * | 2013-10-11 | 2016-09-01 | Mauna Kea Technologies | Method for characterizing images acquired through a video medical device |
-
2018
- 2018-03-15 CN CN201810214301.2A patent/CN108492288B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160253801A1 (en) * | 2013-10-11 | 2016-09-01 | Mauna Kea Technologies | Method for characterizing images acquired through a video medical device |
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 |
Non-Patent Citations (2)
Title |
---|
冯文卿 等: "高分辨率遥感影像的随机森林变化检测方法", 《测绘学报》 * |
孙开敏 等: "基于多尺度分割的对象级影像平滑算法", 《武汉大学学报 信息科学版》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740645A (zh) * | 2018-12-20 | 2019-05-10 | 核工业北京地质研究院 | 一种适用于高分一号影像的cart决策树分类方法 |
CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
CN110717531A (zh) * | 2019-09-27 | 2020-01-21 | 华东师范大学 | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 |
CN111723712A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于雷达遥感数据和面向对象的地膜信息提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108492288B (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A simple automated dynamic threshold extraction method for the classification of large water bodies from landsat-8 OLI water index images | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
Lu et al. | Impervious surface mapping with Quickbird imagery | |
Ke et al. | A comparison of three methods for automatic tree crown detection and delineation from high spatial resolution imagery | |
CN108492288A (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN107085708A (zh) | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 | |
CN109191432A (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN112200787B (zh) | 光学遥感影像的云检测方法、存储介质及系统 | |
Chust et al. | Land cover mapping with patch-derived landscape indices | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Gao et al. | A method for accurately segmenting images of medicinal plant leaves with complex backgrounds | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN112465752A (zh) | 一种基于改进的Faster R-CNN小目标检测方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
Li et al. | GIS-based detection of grain boundaries | |
CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN112308156A (zh) | 一种基于对抗学习的两阶段图像变化检测方法 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
Bin et al. | Parcel-based change detection in land-use maps by adopting the holistic feature |
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 |