CN108596103A - 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 - Google Patents
基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 Download PDFInfo
- Publication number
- CN108596103A CN108596103A CN201810382988.0A CN201810382988A CN108596103A CN 108596103 A CN108596103 A CN 108596103A CN 201810382988 A CN201810382988 A CN 201810382988A CN 108596103 A CN108596103 A CN 108596103A
- Authority
- CN
- China
- Prior art keywords
- image
- building
- sensing image
- resolution
- remote sensing
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Abstract
本发明公开了一种基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,属于卫星遥感图像处理与应用的技术领域。针对目前的建筑物提取算法存在如下明显的缺陷:(1)算法复杂度较高;(2)忽略光谱信息;(3)依赖于建筑物的矩形形状特征。本发明在将高分辨卫星遥感影像进行预处理后,通过采用最佳光谱指数对影像进行处理后,将影像转为灰度影像,利用Otsu算法进行图像分割,提取出建筑物目标,在通过几何约束和形态学处理等方式,进一步提高提取准确率和检测率。
Description
技术领域
本发明属于卫星遥感图像处理与应用的技术领域。
背景技术
建筑物的精确定位和识别是人们进行城市规划、人口估算、景观分析和环境测量的重要信息源之一。多波段、高分辨率卫星遥感影像的出现为自动获取建筑物信息带来了可能,基于高分辨率遥感影像的建筑物信息提取算法是目前的一个研究热点。近几年来,国内外研究学者根据建筑物的特征,提出了基于图像分割、基于辅助信息和基于光谱指数的算法来提取遥感影像中的建筑物信息的方法。代表研究如下:
不同于传统的基于像素的算法,图像分割算法能够消除影像中的椒盐噪声的缺点,Tian优化了基于建筑物提取的多尺度分割算法(参见Tian J,Chen D M,“Optimizationin multi-scale segmentation of high-resolution satellite images forartificial feature recognition,”International Journal of Remote Sensing,28(20):4625-4644(2007))。此外,在遥感影像中存在有很多辅助信息可以用于建筑物信息提取,Su等把区域的光谱特征和基于灰度共生矩阵的纹理特征结合起来,对QuickBird复杂城市区域进行实验,结果表明结合纹理和光谱信息可以有效地改善高分辨率遥感影像城区提取效果(参见Su W,Li J,Chen Y,et al.,“Textural and local spatial statistics forthe object-oriented classification of urban areas using high resolutionimagery,”International Journal of Remote Sensing,29(11):3105-3117(2008));黄昕等通过形态学操作(如:白帽重建、粒度测定、方向性)来描述建筑物的隐含特征(如建筑物的亮度、大小和对比度),提出了形态学建筑物指数MBI,从而实现建筑物信息的自动提取(Huang X,Zhang L,“A multidirectional and multiscale morphological index forautomatic building extraction from multispectral GeoEye-1imagery,”Photogrammetric Engineering&Remote Sensing,77(7):721-732(2011))。另外,由于光谱指数可以克服噪声并体现地物的光谱特征,具有明显鲁棒性,人们提出了许多基于建筑物提取的光谱指数,如归一化差分不透水表面指数NDISI(参见Xu H,“Analysis ofimpervious surface and its impact on urban heat environment using thenormalized difference impervious surface index(NDISI),”PhotogrammetricEngineering&Remote Sensing,76(5):557-565(2010))、归一化差分建筑物指数NDBI(参见Zha Y,Gao J,Ni S,“Use of normalized difference built-up index inautomatically mapping urban areas from TM imagery,”International Journal ofRemote Sensing,24(3):583-594(2003))。Samsudin利用归一化差分指数,提出了NDCCI和NDMCI两种指数分别提取混凝土和金属材质的建筑物屋顶。这些建筑物指数可以利用波段指数,从中分辨率影像中通过阈值确定是否为建筑物,该算法的建筑物提取精度较低(参见Samsudin S H,Shafri H Z M,Hamedianfar A,“Development of spectral indices forroofing material condition status detection using field spectroscopy andWorldView-3 data,”Journal of Applied Remote Sensing,10(2):025021-025021(2016))。
到目前为止,国内外研究学者提出了很多建筑物提取算法,但仍存在一些明显的缺陷:(1)算法复杂度较高;(2)忽略光谱信息;(3)依赖于建筑物的矩形形状特征。基于光谱指数的建筑物信息提取具有一定的优势,可以克服这些缺点,但目前主要是针对空间分辨率是10米级别的多光谱遥感影像进行处理,对于分辨率在1m以下的高分辨率遥感影像采用光谱指数提取建筑物信息的方法国内外未见报导。
发明内容
为了解决现有高分辨率遥感影像建筑物提取算法的复杂度高、忽略光谱信息等缺点,本发明采用一种基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,能够快速、有效地提取高分辨率遥感卫星影像中的建筑物信息。
本发明采用的技术方案具体步骤如下:
步骤一、影像预处理:将低空间分辨率的多光谱图像和高空间分辨率的单波段图像进行融合处理,生成高分辨率、多光谱遥感图像,然后对影像进行辐射校正和正射校正,最后进行图像剪裁选取需要的图像区域的步骤;
步骤二、基于最佳光谱指数选择的建筑物图像提取:针对选择的高分辨率遥感影像的波段信息(8波段或4波段),基于最佳光谱指数选择的建筑物图像产生一幅新的灰度影像,通过阈值分割将影像分为建筑物和背景两类;
基于8波段高分辨率遥感影像建筑物提取的最佳光谱指数如式(3)所示,命名为NSBI:
式(3)中Coastal,Blue分别是高分辨率遥感影像中海岸波段、蓝波段的值。
基于4波段高分辨率遥感影像中建筑物提取的最佳光谱指数如式(4)所示,命名为DSBI:
式(4)中Blue,Red和Green分别是高分辨率遥感影像中蓝波段、红波段和绿波段的值;
基于最佳光谱指数选择获取一幅建筑物与非建筑物差异更大的灰度影像,然后通过Ostu算法将灰度影像分为建筑物和背景,流程如下:①计算灰度图像的直方图,并对直方图进行归一化处理,灰度范围为[0,1];②i表示分割阈值,通过归一化的直方图,统计0~i灰度级的像素(即前景像素)所占整幅图像的比例w0和该区域的平均灰度u0;然后统计i~1灰度级的像素(即背景像素)所占整幅图像的比例w1和该区域的平均灰度u1;③计算基于某个分割阈值i的前景像素和背景像素的方差g=w0×(u0-u1)2+w1×(u0-u1)2;④从i=0开始计算相应的方差值g,直到i=1截止,将方差最大时对应的i值作为图像的全局阈值,并以此进行图像分割。
步骤三、影像后处理:通过几何约束和形态学处理减少噪声干扰和滤掉突刺。
步骤一:影像预处理的步骤中
(a)辐射校正的方法:利用完整的遥感图像处理平台(ENVI)进行快速大气校正工具(QUAC)进行辐射校正,用于去除部分大气的影像,或者利用ENVI软件进行基于光谱超立方的快速视线大气校正(FLASSH)校正和辐射定标处理,用于将传感器记录的数字量化值(DN)转化为物理量相关的相对值。
(b)正射校正的方法:根据影像的有理多项式文件(RPC)和数字高程模型(DEM),通过ENVI平台进行正射校正,用于校正遥感图像的空间和几何畸变,将影像校正为多中心投影正射图像。
(c)图像融合的方法:利用ENVI平台进行高斯施密特正交变换融合(Gram-SchmidtPan Sharperening)或最近邻扩散融合(NNDiffuse),用于将低空间分辨率的多光谱图像和高空间分辨率的单波段图像进行融合处理,生成高分辨率、多光谱遥感图像。
(d)图像裁剪用于获得感兴趣的区域(ROI)。
步骤三:影像后处理的步骤中
(a)根据建筑物面积和长宽比对提取的影像进行几何约束,用于利用建筑物的形状属性,如通常建筑物面积和长宽比在一定的范围,通过一系列的几何条件进行约束,减少噪声干扰。
(b)形态学处理:选择大小为2~4的方形或圆盘结构元素进行形态学处理,通过形态学处理更好的保持和恢复建筑物轮廓信息,如形态学闭操作可以进行缺口填充;开操作可以滤掉突刺。
本发明的有益效果:
本发明根据最佳光谱指数对建筑物进行提取,能够快速、有效地提取高分辨率遥感卫星影像中的建筑物信息,解决了现有的高分辨率遥感影像建筑物提取算法复杂度高、忽略光谱信息的缺点。此外本发明在选择最佳光谱指数的过程中考虑到单一的差分指数的不稳定性,为了更好的提取建筑物信息,提出了一种加权的差分指数,提高了提取的准确率。本发明方法能够自动、快速地提取高分辨率卫星遥感影像中的建筑物信息,为大范围城市规划、智慧城市等应用提供一定的技术支持。
附图说明
图1是本发明基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法的流程图。
图2是本发明实施例1的8波段的高分辨率卫星遥感影像的实验数据及相应的建筑物参考影像。
图3是本发明实施例1的8波段的高分辨率卫星遥感影像的实验结果。
图4是本发明实施例2的4波段的高分辨率卫星遥感影像的实验数据及相应的建筑物参考影像。
图5是本发明实施例2的4波段的高分辨率卫星遥感影像的实验结果。
图2和图4中I行为原始图像,R行为参考建筑物图像。
具体实施方式
实施例1:
如表1所示,采用0.46m多光谱分辨率和1.8m全色分辨率的WorldView-2影像作为8波段高分辨率遥感影像的实验数据(图2),包含7个测试数据(DS1-DS7),实验区域为浙江省杭州市黄龙体育馆附近,通过野外观测和专家解译的方式获得该试验区域的真实建筑物影像,并以此结果作为标准。
表1
高分辨率卫星遥感影像 | 空间分辨率(m) | MSS波段数 | 实验数据 |
WorldView-2 | PAN:0.46,MSS:1.8 | 8 | DS1-DS7 |
步骤一:影像预处理
(a)图像融合:利用完整的遥感图像处理平台(ENVI)进行高斯施密特正交变换融合(Gram-Schmidt Pan Sharperening)方法。
(b)正射校正:根据影像的有理多项式文件(RPC)和数字高程模型(DEM),通过ENVI平台实现影像的正射校正。
(c)辐射校正:利用ENVI平台进行快速大气校正工具(QUAC)去除部分大气的影像。
步骤二:基于最佳光谱指数选择的建筑物图像提取
(a)光谱指数选择:针对选择的8波段高分辨率遥感影像的波段信息,列出所有波段计算得到的高分辨率影像的归一化差分指数和改进的加权的差分指数如表2所示:
其中,归一化差分指数为:
f1(x)=(bm-bn)/(bm+bn) (3)
其中bm、bn分别代表影像的第m、n波段,且m≠n。
考虑到单一的差分指数的不稳定性,为了更好的提取建筑物信息,提出了一种加权的差分指数,选择提取建筑物信息最有效的两个差分指数(bm-bn)和(bp-bq)进行建筑物信息提取,同时定义差分光谱指数的权重k,则改进的加权的差分指数分别表示如式(2)所示:
f2(x)=k(bm-bn)+(1-k)(bp-bq) (4)
其中bm、bn、bp、bq分别代表影像的第m、n、p、q波段,且m≠n,p≠q。
表2
其中bm、bn分别代表影像的第m、n波段,且m≠n。
(b)建筑物最佳光谱指数选择:通过与参考建筑物样本对比,选择最佳的光谱指数使得产生的灰度影像中建筑物和非建筑物的差异最大。经多次试验得到基于8波段高分辨率遥感影像建筑物提取的最佳光谱指数如式(3)所示,命名为NSBI:
式(3)中Coastal,Blue分别是8波段高分辨率遥感影像中海岸波段、蓝波段的值。
(c)图像分割:基于最佳光谱指数产生的灰度影像,利用Otsu算法进行图像分割。首先求取基于光谱指数的灰度影像的灰度直方图并进行归一化处理,求取使得建筑物和非建筑物的类间方差最大的分割阈值i,类间方差计算如式(4),分割阈值i的取值范围为0.45~0.7。
g=w0×(u0-u1)2+w1×(u0-u1)2 (4)
式(4)中w0和u0分别为建筑物所占整幅图像的比例和该区域的平均灰度;w1和u1分别为背景像素所占比例和平均灰度;
步骤三:影像后处理
(a)几何约束:建筑物的大小一般是长几十米、宽十几米,面积范围大约为25~400m2,在WorldView-2影像中像素点个数大约为100~2000个,长宽比一般为1:0.3~1:1;根据该比例设定建筑物面积和长宽比在一定的范围,对建筑物图像进行几何约束。
(b)形态学处理:选择大小为2~4的圆盘结构元素进行形态学处理,以便更好的保持和恢复建筑物轮廓信息。
实验结果:将基于WorldView-2影像的实验结果(图3)和真实的建筑物参考影像(图2)进行定量评价,通过检测率(DR)和准确率(OA)来评价本发明的建筑物提取性能
其中Sr表示被正确提取为建筑物的建筑物像素数目,Sn表示被正确提取为非建筑物的非建筑物像素数目,Sc表示真实影像中的所有建筑物的像素数目,所以OA描述整幅影像中所有被正确分类的建筑物和非建筑物所占的像素比例,DR用来描述从建筑物区域中正确提取出建筑物像素的比例。
本发明提出的方法进行基于NSBI的8波段影像建筑物信息提取,DS1-DS7的实验结果OA分别为96%、96%、75%、89%、80%、90%和86%,DR分别为93%、76%、72%、92%、83%、92%和99%,平均的准确率和检测率分别为87%和8%,所以本发明能够较好的实现基于NSBI指数的8波段影像建筑物信息提取。
实施例2:
如表3所示,采用QuickBird影像(0.61米全色分辨率和2.44米多光谱分辨)、国产的GF-1(2米全色分辨率和8米多光谱分辨)和GF-2影像(1米全色分辨率和4米多光谱分辨)作为4波段高分辨率影像的实验数据(图4),包含6个测试数据(DS8-DS13,覆盖区域为城市较为密集的地区。
表3
影像名称 | 空间分辨率(m) | MSS波段数 | 实验数据 |
GF-1 | PAN:2,MSS:8 | 4 | DS8-DS9 |
GF-2 | PAN:1,MSS:4 | 4 | DS10-DS11 |
QuickBird | PAN:0.61,MSS:2.44 | 4 | DS12-DS13 |
步骤一:影像预处理
(a)辐射校正:利用ENVI软件进行FLAASH校正(Fast Line-of-sight AtmosphericAnalysis of Spectral Hypercubes)和辐射定标处理,将影像上的数字量化值(DN)值转化为地表反射率。
(b)正射校正:根据影像的有理多项式文件(RPC)和数字高程模型(DEM),通过ENVI软件实现影像的正射校正。
(c)图像融合:利用ENVI软件进行最近邻扩散融合(Nearest NeighborDiffusion)图像融合。
步骤二:基于最佳光谱指数选择的建筑物图像提取
(a)光谱指数选择:针对选择的4波段高分辨率遥感影像的波段信息,列出所有波段计算得到的高分辨率影像的归一化差分指数和改进的加权的差分指数,如表4所示:
表4
光谱指数模型 | 指数选择(m,n) |
f1=(bm-bn)/(bm+bn) | (1,2);(1,3);(1,4);(2,3);(2,4);(3,4) |
f2=bm-bn | (1,2);(1,3);(1,4);(2,3);(2,4);(3,4) |
(b)建筑物最佳光谱指数选择:
(c)图像分割:基于最佳光谱指数产生的灰度影像,利用Otsu算法进行图像分割。首先求取基于光谱指数的灰度影像的灰度直方图并进行归一化处理,求取使得建筑物和非建筑物的类间方差最大的分割阈值i,类间方差计算如式(4),分割阈值i的取值范围为0.45~0.7。
g=w0×(u0-u1)2+w1×(u0-u1)2 (4)
式(4)中w0和u0分别为建筑物所占整幅图像的比例和该区域的平均灰度;w1和u1分别为背景像素所占比例和平均灰度;
步骤三:影像后处理
(a)几何约束:设定建筑物面积和长宽比在一定的范围,面积范围大约为25~400m2,长宽比一般为1:0.3~1:1。在不同分辨率的影像中,与面积范围相对应的的像素点个数不完全一样,比如,在GF-1影像中,像素点大约为5~100个;在GF-2影像中,像素点大约为25~400个;在QuickBird影像中,像素点大约为50~1000个.
(b)形态学处理:选择大小为2~4的方形或者圆盘形结构元素,利用形态学处理更好的保持和恢复建筑物轮廓信息。
实验结果:将基于4波段高分辨率影像的实验结果(图5)和真实的建筑物参考影像(图4)进行定量评价,通过检测率(DR)和准确率(OA)来评价本发明的建筑物提取性能。本发明提出的方法进行基于SBI2的4波段影像建筑物信息提取,DS8-DS13的实验结果OA分别为75%、77%、88%、95%、90%和87%,DR分别为59%、55%、96%、88%、87%和89%,平均的准确率和检测率分别为85%和79%,所以本发明能够较好的实现基于DSBI指数的4波段影像建筑物信息提取。
Claims (6)
1.基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,具体步骤如下:
步骤一、影像预处理:将低空间分辨率的多光谱图像和高空间分辨率的单波段图像进行融合处理,生成高分辨率、多光谱遥感图像,然后对影像进行辐射校正和正射校正,最后进行图像剪裁选取需要的图像区域的步骤;
步骤二、基于最佳光谱指数选择的建筑物图像提取:针对选择的高分辨率遥感影像的波段信息(8波段或4波段)基于最佳光谱指数选择的建筑物图像产生一幅新的灰度影像,通过阈值分割将影像分为建筑物和背景两类;
基于8波段高分辨率遥感影像建筑物提取的最佳光谱指数如式(3)所示,命名为NSBI:
式(3)中Coastal,Blue分别是高分辨率遥感影像中海岸波段、蓝波段的值;
基于4波段高分辨率遥感影像中建筑物提取的最佳光谱指数如式(4)所示,命名为DSBI:
式(4)中Blue,Red和Green分别是高分辨率遥感影像中蓝波段、红波段和绿波段的值;
基于最佳光谱指数选择获取一幅建筑物与非建筑物差异更大的灰度影像,然后通过Ostu算法将灰度影像分为建筑物和背景,流程如下:
①计算灰度图像的直方图,并对直方图进行归一化处理,灰度范围为[0,1];
②i表示分割阈值,通过归一化的直方图,统计0~i灰度级的像素(即前景像素)所占整幅图像的比例w0和该区域的平均灰度u0;然后统计i~1灰度级的像素(即背景像素)所占整幅图像的比例w1和该区域的平均灰度u1;
③基于不同的阈值i计算前景像素和背景像素的方差g=w0×(u0-u1)2+w1×(u0-u1)2;
④从i=0开始计算相应的方差值g,直到i=1截止,将方差最大时对应的i值作为图像的全局阈值,并以此进行图像分割;
步骤三、影像后处理:通过几何约束和形态学处理减少噪声干扰和滤掉突刺。
2.根据权利要求1所述的基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,其特征在于,步骤一:影像预处理的步骤中辐射校正的方法具体步骤如下:利用完整的遥感图像处理平台进行快速大气校正工具进行辐射校正,去除部分大气的影像,或者利用完整的遥感图像处理平台进行基于光谱超立方的快速视线大气校正和辐射定标处理,将传感器记录的数字量化值转化为物理量相关的相对值。
3.根据权利要求1所述的基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,其特征在于,步骤一:影像预处理的步骤中正射校正的方法:根据影像的有理多项式系数文件和数字高程模型,通过完整的遥感图像处理平台进行正射校正,校正遥感图像的空间和几何畸变,将影像校正为多中心投影正射图像。
4.根据权利要求1所述的基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,其特征在于,步骤一:影像预处理的步骤中图像融合的方法:利用完整的遥感图像处理平台进行高斯施密特正交变换融合或最近邻扩散融合,将低空间分辨率的多光谱图像和高空间分辨率的单波段图像进行融合处理,生成高分辨率、多光谱遥感图像。
5.根据权利要求1所述的基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,其特征在于,步骤三:影像后处理的步骤中根据建筑物面积和长宽比对提取的影像进行几何约束。
6.根据权利要求1所述的基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法,其特征在于,步骤三:影像后处理的步骤中选择大小为2~4的方形或圆盘结构元素进行形态学处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382988.0A CN108596103B (zh) | 2018-04-26 | 2018-04-26 | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382988.0A CN108596103B (zh) | 2018-04-26 | 2018-04-26 | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596103A true CN108596103A (zh) | 2018-09-28 |
CN108596103B CN108596103B (zh) | 2021-03-19 |
Family
ID=63609352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810382988.0A Expired - Fee Related CN108596103B (zh) | 2018-04-26 | 2018-04-26 | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596103B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN110276270A (zh) * | 2019-05-30 | 2019-09-24 | 南京邮电大学 | 一种高分辨率遥感影像建筑区提取方法 |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN110378331A (zh) * | 2019-06-10 | 2019-10-25 | 南京邮电大学 | 一种基于深度学习的端到端车牌识别系统及其方法 |
CN110598784A (zh) * | 2019-09-11 | 2019-12-20 | 北京建筑大学 | 基于机器学习的建筑垃圾分类方法及装置 |
CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
CN111178175A (zh) * | 2019-12-12 | 2020-05-19 | 中国资源卫星应用中心 | 基于高景卫星影像的自动化建筑物信息提取方法及系统 |
CN111582194A (zh) * | 2020-05-12 | 2020-08-25 | 吉林大学 | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 |
CN111932567A (zh) * | 2020-07-30 | 2020-11-13 | 中国科学院空天信息创新研究院 | 基于卫星影像的冰湖轮廓自动提取方法 |
CN112820109A (zh) * | 2021-01-15 | 2021-05-18 | 林安齐 | 一种道路巡检安全预警方法及系统 |
US20210166020A1 (en) * | 2019-06-25 | 2021-06-03 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
CN112906528A (zh) * | 2021-02-05 | 2021-06-04 | 北京观微科技有限公司 | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 |
CN113063741A (zh) * | 2021-03-12 | 2021-07-02 | 中国科学院空天信息创新研究院 | 一种基于光谱特征的城市建筑材质提取方法及装置 |
CN113538559A (zh) * | 2021-07-02 | 2021-10-22 | 宁波大学 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
CN113888421A (zh) * | 2021-09-26 | 2022-01-04 | 北京和德宇航技术有限公司 | 一种多光谱卫星遥感图像融合方法 |
CN114550005A (zh) * | 2022-02-23 | 2022-05-27 | 中国林业科学研究院资源信息研究所 | 一种自然保护区内建筑物识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745453A (zh) * | 2013-12-11 | 2014-04-23 | 河海大学 | 基于Google Earth遥感影像的城镇信息提取方法 |
CN103839267A (zh) * | 2014-02-27 | 2014-06-04 | 西安科技大学 | 一种基于形态学建筑物指数的建筑物提取方法 |
CN105095888A (zh) * | 2015-09-18 | 2015-11-25 | 中国科学院遥感与数字地球研究所 | 一种基于不透水面聚集密度的城市主要建成区遥感提取方法 |
CN105608458A (zh) * | 2015-10-20 | 2016-05-25 | 武汉大学 | 一种高分辨率遥感影像建筑物提取方法 |
US20160275715A1 (en) * | 2015-03-18 | 2016-09-22 | Toyota Jidosha Kabushiki Kaisha | Map image display device, navigation device, and map image display method |
CN107516100A (zh) * | 2017-08-31 | 2017-12-26 | 北京航天绘景科技有限公司 | 一种基于高程形态学建筑物指数的影像建筑物提取方法 |
US20180018537A1 (en) * | 2016-07-07 | 2018-01-18 | Purdue Research Foundation | Non-spectroscopic imaging of plants |
-
2018
- 2018-04-26 CN CN201810382988.0A patent/CN108596103B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745453A (zh) * | 2013-12-11 | 2014-04-23 | 河海大学 | 基于Google Earth遥感影像的城镇信息提取方法 |
CN103839267A (zh) * | 2014-02-27 | 2014-06-04 | 西安科技大学 | 一种基于形态学建筑物指数的建筑物提取方法 |
US20160275715A1 (en) * | 2015-03-18 | 2016-09-22 | Toyota Jidosha Kabushiki Kaisha | Map image display device, navigation device, and map image display method |
CN105095888A (zh) * | 2015-09-18 | 2015-11-25 | 中国科学院遥感与数字地球研究所 | 一种基于不透水面聚集密度的城市主要建成区遥感提取方法 |
CN105608458A (zh) * | 2015-10-20 | 2016-05-25 | 武汉大学 | 一种高分辨率遥感影像建筑物提取方法 |
US20180018537A1 (en) * | 2016-07-07 | 2018-01-18 | Purdue Research Foundation | Non-spectroscopic imaging of plants |
CN107516100A (zh) * | 2017-08-31 | 2017-12-26 | 北京航天绘景科技有限公司 | 一种基于高程形态学建筑物指数的影像建筑物提取方法 |
Non-Patent Citations (3)
Title |
---|
CAO QIONG ET AL.: "Research of building information extration and evaluation based on high-resolution remote-sensing imagery", 《PROCEEDINGS OF THE SPIE》 * |
王俊 等: "高分辨率光学遥感图像建筑物提取研究进展", 《遥感技术与应用》 * |
胡荣明 等: "增强形态学建筑物指数应用于高分辨率遥感影像中建筑物提取", 《测绘学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN110276270A (zh) * | 2019-05-30 | 2019-09-24 | 南京邮电大学 | 一种高分辨率遥感影像建筑区提取方法 |
CN110276270B (zh) * | 2019-05-30 | 2022-09-16 | 南京邮电大学 | 一种高分辨率遥感影像建筑区提取方法 |
CN110378331A (zh) * | 2019-06-10 | 2019-10-25 | 南京邮电大学 | 一种基于深度学习的端到端车牌识别系统及其方法 |
CN110378331B (zh) * | 2019-06-10 | 2022-10-04 | 南京邮电大学 | 一种基于深度学习的端到端车牌识别系统及其方法 |
US20210166020A1 (en) * | 2019-06-25 | 2021-06-03 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
US11615615B2 (en) * | 2019-06-25 | 2023-03-28 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
CN110287869B (zh) * | 2019-06-25 | 2022-03-18 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN110598784A (zh) * | 2019-09-11 | 2019-12-20 | 北京建筑大学 | 基于机器学习的建筑垃圾分类方法及装置 |
CN110598784B (zh) * | 2019-09-11 | 2020-06-02 | 北京建筑大学 | 基于机器学习的建筑垃圾分类方法及装置 |
CN111178175A (zh) * | 2019-12-12 | 2020-05-19 | 中国资源卫星应用中心 | 基于高景卫星影像的自动化建筑物信息提取方法及系统 |
CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
CN111582194B (zh) * | 2020-05-12 | 2022-03-29 | 吉林大学 | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 |
CN111582194A (zh) * | 2020-05-12 | 2020-08-25 | 吉林大学 | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 |
CN111932567A (zh) * | 2020-07-30 | 2020-11-13 | 中国科学院空天信息创新研究院 | 基于卫星影像的冰湖轮廓自动提取方法 |
CN111932567B (zh) * | 2020-07-30 | 2022-09-06 | 中国科学院空天信息创新研究院 | 基于卫星影像的冰湖轮廓自动提取方法 |
CN112820109A (zh) * | 2021-01-15 | 2021-05-18 | 林安齐 | 一种道路巡检安全预警方法及系统 |
CN112906528A (zh) * | 2021-02-05 | 2021-06-04 | 北京观微科技有限公司 | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 |
CN112906528B (zh) * | 2021-02-05 | 2021-10-26 | 北京观微科技有限公司 | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 |
CN113063741B (zh) * | 2021-03-12 | 2022-09-09 | 中国科学院空天信息创新研究院 | 一种基于光谱特征的城市建筑材质提取方法及装置 |
CN113063741A (zh) * | 2021-03-12 | 2021-07-02 | 中国科学院空天信息创新研究院 | 一种基于光谱特征的城市建筑材质提取方法及装置 |
CN113538559B (zh) * | 2021-07-02 | 2022-02-18 | 宁波大学 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
CN113538559A (zh) * | 2021-07-02 | 2021-10-22 | 宁波大学 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
CN113888421A (zh) * | 2021-09-26 | 2022-01-04 | 北京和德宇航技术有限公司 | 一种多光谱卫星遥感图像融合方法 |
CN114550005A (zh) * | 2022-02-23 | 2022-05-27 | 中国林业科学研究院资源信息研究所 | 一种自然保护区内建筑物识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108596103B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
CN106023133B (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
US20210199579A1 (en) | Method and system for urban impervious surface extraction based on remote sensing | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN106940887B (zh) | 一种gf-4卫星序列图像云与云下阴影检测方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
AU2021100848A4 (en) | A Regional Extraction Method of Ecological Restoration Project in the Grassland Based on the High-resolution Remote Sensing Images | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN112285710A (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
Duan et al. | An index-based shadow extraction approach on high-resolution images | |
Kim et al. | Automatic pseudo-invariant feature extraction for the relative radiometric normalization of hyperion hyperspectral images | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN115631419B (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
CN103322946A (zh) | 一种获取玉米冠层孔隙度的方法 | |
CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 | |
CN116229459A (zh) | 国产卫星多光谱图像逐像素质量标记方法 | |
CN112883796B (zh) | 基于叠掩信息的sar图像多类型建筑物高度估计方法 | |
Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
CN108764212B (zh) | 一种用于调查打草场地的遥感自动识别方法 | |
CN109359583B (zh) | 一种遥感影像中显著性面状特定目标提取方法 | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 |
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 | ||
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: 20210319 Termination date: 20210426 |