CN108564588B - 一种基于深度特征和图割法的建成区自动提取方法 - Google Patents

一种基于深度特征和图割法的建成区自动提取方法 Download PDF

Info

Publication number
CN108564588B
CN108564588B CN201810232955.8A CN201810232955A CN108564588B CN 108564588 B CN108564588 B CN 108564588B CN 201810232955 A CN201810232955 A CN 201810232955A CN 108564588 B CN108564588 B CN 108564588B
Authority
CN
China
Prior art keywords
built
area
small image
depth
image blocks
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.)
Expired - Fee Related
Application number
CN201810232955.8A
Other languages
English (en)
Other versions
CN108564588A (zh
Inventor
谭毅华
熊胜洲
李雅茗
邰园
田金文
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201810232955.8A priority Critical patent/CN108564588B/zh
Publication of CN108564588A publication Critical patent/CN108564588A/zh
Application granted granted Critical
Publication of CN108564588B publication Critical patent/CN108564588B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple 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
    • 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
    • G06T2207/10041—Panchromatic image
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度特征和图割法的建成区自动提取方法。属于图像数据处理技术领域，本发明方法使用经过正射校正和线性裁剪拉伸处理的高分辨率全色图像和多光谱图像作为数据源，将全色图像划分为相同大小的图像块，再使用深度卷积神经网络对图像块提取深度特征，之后以图像块为节点，以深度特征为节点特征，构建图模型，使用图割方法确定建成区，再基于多光谱图像的多种光谱指数以图像块为基元投票去除虚警，之后消除面积过小的建成区和非建成区区域，再对建成区边缘的图像块进行超像素分割，使用基于多光谱图像的多种光谱指数投票去除虚警，得到精细的建成区边缘，最后提取边缘矢量图。本发明方法能快速有效精准的实现建成区的提取。

Description

一种基于深度特征和图割法的建成区自动提取方法
技术领域
本发明属于图像数据处理技术领域，更具体地，涉及一种基于深度特征和图割法的建成区自动提取方法。
背景技术
建成区指城市行政区内实际已成片开发建设、市政公用设施和公共设施基本具备的地区，对核心城市，建成区包括集中连片的部分以及分散的若干个已成片建设的区域。对于遥感影像目视判别任务而言，建成区即建筑物密集分布且达到一定面积的区域，对于建成区面积界定目前还没有统一标准。
建成区提取是遥感影像地物目标解译中的重要任务，建成区提取结果在多领域中有着重要用途。例如，对城市发展规划而言，准确统计建成区面积可以为确定城市发展规模、城镇化水平，监视城市扩张动态变化和确定未来发展规划等提供重要依据；对遥感数据处理，建成区提取可以作为城市路网提取，建筑物提取分类等任务的预处理步骤；对于减灾任务，建成区提取可以为灾害损失快速综合评估、应急救援和灾后恢复重建提供信息支持。
目前存在的建成区自动提取方法使用特征主要包括：多光谱图像的光谱指数；局部关键点特征；局部纹理特征等。多光谱图像是一种重要的遥感数据源，利用不同地物目标的光谱特性差异可以计算光谱指数，然后通过阈值法或其他分类方法提取建成区。遥感影像中建成区与非建成区的形态结构存在差异，在建成区中存在很多建筑物，包含极多局部的非自然边角，因此局部关键点特征在建成区提取中应用广泛，其中Harris角点、FAST角点、sift特征最为常见。建成区中存在大量整齐排布的建筑群，因此很多建成区具有明显的纹理特性，这一类特征也应用广泛。
各类特征以外，目前存在的建成区自动提取方法使用的分类方法或分割方法主要包括：阈值法、图理论、条件随机场等。
在关于遥感影像建成区提取的现有研究中应用了大量的特征和分类方法，这些研究中通常都存在以下三个问题：首先，研究使用数据量少，通常为某一区域少量图像，所覆盖的样本空间较窄，模型泛化能力较差，缺乏实用性；其次，以像素为基元对图像进行建成区和非建成区的划分，计算量庞大，且对于建成区这种无明确封闭边界的区域效果较差；最后，用于建成区提取的特征表征能力不足，这也是影响算法检测精度和扩展性的最重要因素。
现有的建成区提取算法虽然在一定程度上解决了一些问题，但是难以在广大地域的遥感影像中投入实用。本发明将遥感影像划分为小块提取深度特征，然后以图像块为基元进行图像分割，很大程度上解决了前述的三个问题，能够快速准确的自动提取建成区区域。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度特征和图割法的建成区自动提取方法，其目的在于使用大规模数据训练深度卷积神经网络模型，并使用深度特征构建图模型分割遥感图像，由此解决使用遥感影像快速准确的在广泛地域自动提取建成区的技术问题。
为实现上述目的，本发明提供了一种基于深度特征和图割法的建成区自动提取方法，所述方法包括：
(1)对卫星所拍摄高分辨率全色图像和多光谱图像进行正射校正和线性裁剪拉伸处理；
(2)将经过步骤(1)处理后的全色图像划分为预设大小的图像块，预设大小图像覆盖地面的长宽在50米至100米之间，优选值为64米；
(3)采用预先训练好的轻量级深度卷积神经网络对每一个小图像块进行深度特征的提取；
(4)将小图像块做为图模型的节点，使用小图像块的深度特征计算图模型的边构建图模型；
(5)初步判定和源节点相连的节点对应的小图像块为建成区，和汇节点相连的节点对应的小图像块为非建成区；
(6)预选多种光谱指数，对划分成建成区的小图像块对应的多光谱图像部分进行多种光谱指数的统计，对统计结果使用阈值法判定每种光谱指数下小图像块是否为建成区，再针对判定结果使用投票法更新小图像块是否为建成区；
(7)统计各建成区和非建成区连通域中的小图像块数量，若建成区连通域中的小图像块小于判断阈值，则设置建成区连通域更新为非建成区；若非建成区连通域中的小图像块小于判断阈值，则设置非建成区连通域更新为建成区，判断阈值取值范围为[5,10]，优选值为6；
(8)对建成区边缘的小图像块进行超像素分割；对分割后的边缘部分超像素对应多光谱图像部分采用预选多种光谱指数进行多种光谱指数统计，对统计结果使用阈值法判定每种光谱指数下边缘部分超像素是否为建成区，再针对判定结果使用投票法更新边缘部分超像素是否为建成区；
(9)提取建成区区域边缘矢量作为最终结果。
进一步地，所述步骤(3)中轻量级深度卷积神经网络包括两个3×3卷积层、三个卷积Block和两个全连接层：
每个卷积Block包含三个分支：上层分支包含一个3×3可分离卷积层、一个1×1可分离卷积层和一个2×2池化层；中间主分支包含一个1×1卷积层、一个3×3卷积层和一个2×2池化层；下层分支包含一个1×1卷积层和一个2×2池化层；
两个全连接层中第一个神经元节点数为深度特征维度，第二个全连接层神经元节点数为2；
该卷积神经网络末端使用softmax函数分类，使用交叉熵损失函数和Adam优化方法进行有监督训练，第一个全连接层输出深度特征，softmax函数输出类别概率。
进一步地，所述步骤(3)还能用ShuffleNet和MobileNet轻量级网络对每一个小图像块进行深度特征的提取。
进一步地，所述步骤(3)使用GPU运算对每一个小图像块进行深度特征的提取。
进一步地，所述步骤(4)具体为：
图模型为加权图G＝<V,E>。其中V＝{s,t}∪P代表两种节点的集合，其中P为普通节点集合，每一普通节点与一个图像块对应，s节点和t节点为人为添加的辅助终端节点，s节点称为源节点，t节点称为汇节点。而E＝{n-links,t-links}为两种边的集合，n-link为普通节点之间的边，而t-link为普通节点和终端节点之间的边，每对空间位置相邻的图像块对应的普通节点之间存在一条n-link，每个普通节点和源节点之间存在一条t-link，每个普通节点和汇节点之间存在一条t-link，E中每一条边都有一个权值；
构建普通节点之间的边，边的权重为
Figure BDA0001603209830000041
其中，i,j表示节点i和节点j，x表示节点对应图像块深度特征；
构建源节点和普通节点之间的边，边的权重为普通节点对应图像块属于建成区的概率；
构建汇节点和普通节点之间的边，边的权重为普通节点对应图像块属于非建成区的概率。
进一步地，所述步骤(5)中图模型的分割方法为Max Flow/Min Cut。
进一步地，所述步骤(6)和(8)中光谱指数包括：NDVI、SAVI、MSAVI、RBI、GDVI和NDWI。
进一步地，所述步骤(6)和(8)中的阈值法具体为：
为每种光谱指数设定一个高阈值和一个低阈值，统计小图像块或超像素对应的多光谱图像部分的多种光谱指数的均值，判断小图像块或超像素的多种光谱指数均值是否在该光谱指数的高阈值和低阈值之间，若是则判定该小图像块或超像素为建成区，否则为非建成区。
进一步地，所述步骤(6)和步骤(8)中的投票法具体为：
获取多种光谱指数下小图像块或超像素是否为建成区的判别结果之后，每种光谱指数均有一票进行投票表决，当光谱指数判定为建成区全票通过时判定小图像块或超像素最终类别为建成区，否则判定小图像块或超像素最终类别为非建成区。
进一步地，所述步骤(8)中的超像素分割方法包括SLIC，SNIC，NCut和Meanshift。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下技术特征及有益效果：
(1)本发明方法采用了基于深度特征的图模型进行建成区自动提取，由此能快速准确的自动提取建成区区域；
(2)本发明方法采用了轻量级卷积神经网络提取图像块特征，程序由GPU执行，由此建成区自动提取整体速度很快，有使用价值；
(3)本发明方法采用了采集自全国地区的大规模样本集训练轻量级卷积神经网络，由此本发明方法模型泛化能力强；
(4)本发明方法采用了图像块的深度特征构建图模型，由此图模型复杂度极大地减小，并且分割结果更加精确；
(5)本发明方法采用了基于多光谱数据的光谱指数滤除虚警，由此降低了建成区提取结果的虚警率；
(6)本发明方法采用了基于多光谱数据的光谱指数对提取结果的边缘超像素滤除虚警，由此建成区提取结果更加精细。
附图说明
图1是本发明方法的实施流程图；
图2是本发明实施例中正射校正和线性裁剪拉伸后的高分二号遥感影像全色图像，大小为10240×10240像素；
图3是本发明实施例中正射校正和线性裁剪拉伸后的高分二号遥感影像多光谱图像，与图2对应同一地理区域；
图4是高分二号全色图像划分为64×64小块后的部分图像块；
图5是本发明设计的轻量级卷积神经网络模型结构；
图6是图2经卷积神经网络后网络末端softmax函数分类的结果二值图，每一像素代表一个图像块，白色代表建成区；
图7是图割处理后结果，白色标记区域为建成区；
图8是图7中建成区的局部放大结果；
图9是图7去除小区域前的结果，每一像素代表一个图像块，白色代表建成区；
图10是图7去除小区域后的结果，每一像素代表一个图像块，白色代表建成区；
图11是对图10中建成区边缘超像素使用光谱指数滤除虚警后结果，白色标记区域为建成区；
图12是图11中建成区的局部放大结果。
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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本实施例以高分二号卫星影像进行说明，如图1所示，为本实施例方法的流程为：
(1)数据预处理：使用ENVI或其他遥感影像处理软件对高分二号原始影像做正射校正和线性裁剪拉伸处理，正射校正使用ASTGTM2 30米分辨率高程数据，线性裁剪拉伸处理进行10％裁剪。图2和图3分别为正射校正和线性裁剪拉伸后的高分二号遥感影像全色图像和多光谱图像；
(2)划分图像块：将高分二号全色图像划分为64×64的图像块，如图4所示；
(3)深度卷积神经网络提取特征：使用训练好的模型提取各图像块的深度特征，模型训练时采用交叉熵损失函数，以Adam算法进行优化，初始学习率为0.0003，其余参数为Adam算法默认值，训练数据为采集自中国32个省级行政区64景高分二号全色图像的64×64图像块样本。模型结构如图5所示，深度特征维数为256维，提取特征同时记录网络softmax分类结果，图6所示为分类结果二值图，其中每一像素对应一个图像块，白色代表建成区；
(4)构建图模型：图模型为加权图G＝<V,E>。其中V＝{s,t}∪P代表两种节点的集合，其中P为普通节点集合，每一普通节点与一个图像块对应，s节点和t节点为人为添加的辅助终端节点，s节点称为源节点，t节点称为汇节点。而E＝{n-links,t-links}为两种边的集合，n-link为普通节点之间的边，而t-link为普通节点和终端节点之间的边，每对空间位置相邻的图像块对应的普通节点之间存在一条n-link，每个普通节点和源节点之间存在一条t-link，每个普通节点和汇节点之间存在一条t-link，E中每一条边都有一个权值；
构建普通节点之间的边，边的权重为
Figure BDA0001603209830000081
其中，i,j表示节点i和节点j，x表示节点对应图像块深度特征；
构建源节点和普通节点之间的边，边的权重为普通节点对应图像块属于建成区的概率；
构建汇节点和普通节点之间的边，边的权重为普通节点对应图像块属于非建成区的概率。
(5)图割法分割：使用Max Flow/Min Cut算法分割图模型，前景部分即为建成区初步提取结果，图7所示为初步提取结果图，其中白色标记区域为建成区，图8是图7中建成区的局部放大图；
(6)图像块虚警滤除：对划分为建成区的图像块，利用其对应地理位置的多光谱数据计算每一个图像块的归一化差异植被指数(NDVI)、土壤调节植被指数(SAVI)、修正型土壤调整植被指数(MSAVI)、比值建筑用地指数(RBI)四种指数均值，然后使用阈值法得到四种指数的判别结果，其中NDVI指数在-0.4到0.16之间则判别为建成区，SAVI指数在-0.6到0.1之间则判别为建成区，MSAVI指数在-1到0.1之间则判别为建成区，RBI指数在-10到0之间则判别为建成区，若有一种指数判别为非建成区则将该建成区图像块作为虚警滤除；
(7)小区域滤除：统计所提各个建成区连通域的像素数，将小于等于6个图像块的建成区区域改判为非建成区；统计所提各个非建成区连通域的像素数，将小于等于6个图像块的非建成区区域改判为建成区；图9所示去除小区域前的二值图，图10所示去除小区域后的二值图，其中每一像素对应一个图像块，白色代表建成区；
(8)超像素分割：对位于前述步骤所提取的建成区区域边缘的图像块采用SLIC算法进行超像素分割，超像素初始大小设为16×16，迭代次数设为10；
(9)边缘虚警滤除：对位于前述步骤所提取的建成区区域边缘的超像素使用多光谱数据统计NDVI、SAVI、MSAVI、RBI四种指数均值，使用阈值法判断其类别，各阈值同步骤(6)，若超像素某一指数判别为非建成区，则将该超像素作为虚警滤除；图11和图12所示为滤除边缘虚警后图像和局部放大图像；
(10)提取边缘矢量图：对所提建成区区域边缘进行多边形拟合，得到多边形矢量，记录各矢量对应地理坐标到矢量文件中，作为建成区自动提取最终结果保存。
以上内容本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度特征的建成区自动提取方法，其特征在于，所述方法包括：
(1)对卫星所拍摄高分辨率全色图像和多光谱图像进行正射校正和线性裁剪拉伸处理；
(2)将经过步骤(1)处理后的全色图像划分为预设大小的图像块；
(3)采用预先训练好的轻量级深度卷积神经网络对每一个小图像块进行深度特征的提取；
(4)将小图像块做为图模型的节点，使用小图像块的深度特征计算图模型的边构建图模型；所述步骤(4)具体为：
构建普通节点之间的边，边的权重为
Figure FDA0002457463780000011
其中，i,j表示节点i和节点j，x表示节点对应图像块深度特征；
构建源节点和普通节点之间的边，边的权重为普通节点对应图像块属于建成区的概率；
构建汇节点和普通节点之间的边，边的权重为普通节点对应图像块属于非建成区的概率；
(5)初步判定和源节点相连的节点对应的小图像块为建成区，和汇节点相连的节点对应的小图像块为非建成区；
(6)预选多种光谱指数，对划分成建成区的小图像块对应的多光谱图像部分进行多种光谱指数的统计，对统计结果使用阈值法判定每种光谱指数下小图像块是否为建成区，再针对判定结果使用投票法更新小图像块是否为建成区；
(7)统计各建成区和非建成区连通域中的小图像块数量，若建成区连通域中的小图像块小于判断阈值，则设置建成区连通域更新为非建成区；若非建成区连通域中的小图像块小于判断阈值，则设置非建成区连通域更新为建成区；
(8)对建成区边缘的小图像块进行超像素分割；对分割后的边缘部分超像素对应多光谱图像部分采用预选多种光谱指数进行多种光谱指数统计，对统计结果使用阈值法判定每种光谱指数下边缘部分超像素是否为建成区，再针对判定结果使用投票法更新边缘部分超像素是否为建成区；
(9)提取建成区区域边缘矢量作为最终结果。
2.根据权利要求1所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(3)中轻量级深度卷积神经网络包括两个3×3卷积层、三个卷积Block和两个全连接层：
每个卷积Block包含三个分支：上层分支包含一个3×3可分离卷积层、一个1×1可分离卷积层和一个2×2池化层；中间主分支包含一个1×1卷积层、一个3×3卷积层和一个2×2池化层；下层分支包含一个1×1卷积层和一个2×2池化层；
两个全连接层中第一个神经元节点数为深度特征维度，第二个全连接层神经元节点数为2；
该卷积神经网络末端使用softmax函数分类，使用交叉熵损失函数和Adam优化方法进行有监督训练，第一个全连接层输出深度特征，softmax函数输出类别概率。
3.根据权利要求1所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(3)还能用ShuffleNet和MobileNet轻量级网络对每一个小图像块进行深度特征的提取。
4.根据权利要求1或2所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(3)使用GPU运算对每一个小图像块进行深度特征的提取。
5.根据权利要求1所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(5)中图模型的分割方法为Max Flow/Min Cut。
6.根据权利要求1所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(6)和(8)中光谱指数包括：NDVI、SAVI、MSAVI、RBI、GDVI和NDWI。
7.根据权利要求1所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(6)和(8)中的阈值法具体为：
为每种光谱指数设定一个高阈值和一个低阈值，统计小图像块或超像素对应的多光谱图像部分的多种光谱指数的均值，判断小图像块或超像素的多种光谱指数均值是否在该光谱指数的高阈值和低阈值之间，若是则判定该小图像块或超像素为建成区，否则为非建成区。
8.根据权利要求1或7所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(6)和步骤(8)中的投票法具体为：
获取多种光谱指数下小图像块或超像素是否为建成区的判别结果之后，每种光谱指数均有一票进行投票表决，当光谱指数判定为建成区全票通过时判定小图像块或超像素最终类别为建成区，否则判定小图像块或超像素最终类别为非建成区。
9.根据权利要求1所述的一种基于深度特征的建成区自动提取方法，其特征在于，所述步骤(8)中的超像素分割方法包括SLIC，SNIC，NCut和Meanshift。
CN201810232955.8A 2018-03-21 2018-03-21 一种基于深度特征和图割法的建成区自动提取方法 Expired - Fee Related CN108564588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810232955.8A CN108564588B (zh) 2018-03-21 2018-03-21 一种基于深度特征和图割法的建成区自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810232955.8A CN108564588B (zh) 2018-03-21 2018-03-21 一种基于深度特征和图割法的建成区自动提取方法

Publications (2)

Publication Number Publication Date
CN108564588A CN108564588A (zh) 2018-09-21
CN108564588B true CN108564588B (zh) 2020-07-10

Family

ID=63531966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810232955.8A Expired - Fee Related CN108564588B (zh) 2018-03-21 2018-03-21 一种基于深度特征和图割法的建成区自动提取方法

Country Status (1)

Country Link
CN (1) CN108564588B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598202A (zh) * 2018-11-05 2019-04-09 中国科学院遥感与数字地球研究所 一种基于对象的卫星图像多指标建成区自动提取方法
CN109784163A (zh) * 2018-12-12 2019-05-21 中国科学院深圳先进技术研究院 一种轻量视觉问答系统及方法
CN110245695A (zh) * 2019-05-30 2019-09-17 华中科技大学 一种基于卷积神经网络的tbm岩渣大小等级识别方法
CN110309813B (zh) * 2019-07-10 2020-07-31 南京行者易智能交通科技有限公司 一种基于深度学习的人眼状态检测的模型训练方法、检测方法、装置、移动端设备及服务器
CN112949416B (zh) * 2021-02-04 2022-10-04 东华理工大学 一种监督的高光谱多尺度图卷积分类方法
CN113361496B (zh) * 2021-08-09 2021-12-17 深圳市勘察研究院有限公司 一种基于U-Net的城市建成区统计方法
CN116052019B (zh) * 2023-03-31 2023-07-25 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 适合于大区域高分辨率卫星影像的建成区高质量检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971115A (zh) * 2014-05-09 2014-08-06 中国科学院遥感与数字地球研究所 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971115A (zh) * 2014-05-09 2014-08-06 中国科学院遥感与数字地球研究所 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic Extraction of Built-up Area Based on Deep Convolution Neural Network;Yihua Ta等;《2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20171204;第3333-3335页 *
Fast Approximate Energy Minimization via Graph Cuts;Y.Boykov 等;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20011130;全文 *
URBAN AREA DETECTION USING MULTIPLE KERNEL LEARNING AND GRAPH CUT;Chao Tao 等;《2012 IEEE International Geoscience and Remote Sensing Symposium》;20121112;第85页 *
联合显著性和多层卷积神经网络的高分影像场景分类;何小飞 等;《测绘学报》;20160930;全文 *

Also Published As

Publication number Publication date
CN108564588A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108564588B (zh) 一种基于深度特征和图割法的建成区自动提取方法
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN103984946B (zh) 一种基于K‑means的高分辨率遥感地图道路提取方法
CN110751075A (zh) 一种基于实例分割的遥感影像养殖塘检测方法
CN107016677A (zh) 一种基于fcn和cnn的云图分割方法
CN110135354B (zh) 一种基于实景三维模型的变化检测方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN114444791A (zh) 一种基于机器学习的洪涝灾害遥感监测评估方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN112712033B (zh) 一种城市排水管网汇水区自动划分方法
CN110399840A (zh) 一种快速的草坪语义分割及边界检测方法
CN112766280A (zh) 一种基于图卷积的遥感图像道路提取方法
Zheng et al. Building recognition of UAV remote sensing images by deep learning
CN115641327A (zh) 一种基于大数据的建筑工程质量监理和预警系统
CN114842262A (zh) 融合线路通道正射影像的激光点云地物自动识别方法
Cheng et al. Remote sensing image segmentation method based on hrnet
CN115272224A (zh) 一种面向智慧城市建设的无监督路面损害检测方法
Senthilnath et al. Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Barkhade et al. Flood extent mapping with unmanned aerial vehicles data using deep convolutional neural network
Quispe et al. Automatic building change detection on aerial images using convolutional neural networks and handcrafted features
CN118115868A (zh) 遥感图像目标检测方法、装置、计算机设备和存储介质
CN113591608A (zh) 一种基于深度学习的高分辨率遥感影像不透水面提取方法
Mohammadzadeh et al. Automatic main road extraction from high resolution satellite imageries by means of particle swarm optimization applied to a fuzzy-based mean calculation approach

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: 20200710