CN108629287A - 一种遥感影像地物分类方法 - Google Patents
一种遥感影像地物分类方法 Download PDFInfo
- Publication number
- CN108629287A CN108629287A CN201810311965.0A CN201810311965A CN108629287A CN 108629287 A CN108629287 A CN 108629287A CN 201810311965 A CN201810311965 A CN 201810311965A CN 108629287 A CN108629287 A CN 108629287A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- gini
- terrain classification
- atural object
- 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
- G06V20/176—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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种遥感影像地物分类方法,该遥感影像地物分类方法通过对原始高分辨率遥感影像的处理,将遥感影像分割成最佳尺度的地物碎片,基于CART算法抽取训练样本并生成决策树对地物碎片进行分类,最终生成地物分类遥感影像。基于本发明提供的遥感影像地物分类方法生成的地物分类遥感影像精度较高,具有良好的实用性。
Description
技术领域
本发明涉及到影像处理领域,具体涉及到一种遥感影像地物分类方法。
背景技术
目前城市建设用地的识别主要依靠遥感手段,对于区域尺度的建设用地,遥感影像的全面真实性能快速精确地反应地表的空间动态变化。然而,目前运用高分遥感影像进行建设用地识别的应用较少。
如今高分遥感影像的空间分辨率得到了很大的提高,像素空间分辨率在10m以内,能更为清晰地表现更细致丰富的地表细节,遥感与机器学习算法的结合可以在高分遥感影像中对建设用地进行分类。
决策树算法是一种建立在统计学理论基础上的机器学习方法,能够利用递归传播分割方式对现行可分数据进行最优分类。分类决策树算法作为一种以自下而上迭代计算为基础的模式分类方法,能够针对高分辨率遥感影像建设用地的数据量大、地类多样且杂乱等特点,实现对城市建设用地的高效分类,而目前决策树算法在高分辨率遥感影像的城市建设用地分类应用较少。
CART(Classification And Regression Tree)算法是一种决策树分类方法。它采用一种二分递归分割的技术,分割方法采用基于最小距离的基尼指数估计函数,将当前的样本集分为两个子样本集,使得生成的的每个非叶子节点都有两个分支,因此,CART算法生成的决策树是结构简洁的二叉树。
发明内容
为了提高地物分类精度,本发明提供了一种遥感影像地物分类方法,该遥感影像地物分类方法通过对原始高分辨率遥感影像的处理,将遥感影像分割成最佳尺度的地物碎片,基于CART算法抽取训练样本并生成决策树对地物碎片进行分类,最终生成地物分类遥感影像。生成的地物分类遥感影像精度较高,具有良好的实用性。
相应的,本发明提供的一种遥感影像地物分类方法,该遥感影像地物分类方法包括以下步骤:
获取目标区域的原始高分辨率遥感影像;
基于多尺度分割方法,筛选最优分割尺度对所述原始高分辨率遥感影像进行分割,生成由地物碎片组成的拼图状遥感影像;
对所述拼图状遥感影像的地物碎片进行地物分类;
在所述拼图状遥感影像中,对同一分类的地物以同一颜色标识,生成地物分类遥感影像。
所述获取目标区域的原始高分辨率遥感影像包括以下步骤:
获取高分辨率遥感影像;
基于几何精校正和图像融合手段处理所述高分辨率遥感影像;
生成原始高分辨率遥感影像。
基于CART算法对所述拼图状遥感影像的地物碎片进行地物分类。
所述基于CART算法对所述拼图状遥感影像的地物碎片进行地物分类包括以下步骤:
在所述拼图状遥感影像中,选取地物碎片组成训练数据集;
在目标节点建立节点并赋予属性,计算每样属性对所述训练数据集的Gini增益值,将最小Gini增益值所对应的属性赋予所述目标节点并形成分叉;
在分叉中重复执行上一步骤直至节点的Gini值达到预设值;
建立决策树。
所述训练数据集中,任一地物碎片类型数量至少为1.
所述地物碎片类型包括:植被、建筑物、水体和道路。
所述训练数据集样本数量为N,任意节点的Gini值计算公式为:其中,为地物类别j在节点t中出现的比例;
所述目标节点的Gini增益值计算公式为:Gini_Gain=p1Gini(T1)+p2Gini(T2),其中,Gini(T1)和Gini(T2)为分叉后的节点Gini值,N为样本数量,N1和N2为所述目标节点分叉后,每个分叉所包括的样本数量。
所述预设值为0。
本发明提供了一种遥感影像地物分类方法,该遥感影像地物分类方法通过对原始高分辨率遥感影像的处理,将遥感影像分割成最佳尺度的地物碎片,基于CART算法抽取训练样本并生成决策树对地物碎片进行分类,最终生成地物分类遥感影像。生成的地物分类遥感影像精度较高,具有良好的实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例的遥感影像地物分类方法流程图;
图2为本发明实施例的原始高分辨率遥感影像;
图3为不同分割尺度下的拼图状遥感影像;
图4为本发明实施例的训练数据集表;
图5为第二层节点时的训练数据集数据;
图6为第三层节点时的训练数据集数据;
图7为本发明实施例的决策树;
图8为本发明实施例的地物分类遥感影像;
图9为本发明实施例的CART算法精度评价图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示出了本发明实施例的遥感影像地物分类方法流程图。本发明提供了一种遥感影像地物分类方法,包括以下步骤:
S101:获取目标区域的原始高分辨率遥感影像;
在本发明实施例的遥感影像地物分类方法中,首先需要获取目标区域的原始高分辨率遥感影像,具体实施中,原始高分辨率遥感影像可选用WorldView-2卫星高分辨率遥感影像。
WorldView-2卫星于运行在770km高的太阳同步轨道上,能够提供0.5米全色图像和1.8米分辨率的多光谱图像,其星载多光谱遥感器不仅具有4个业内标准谱段,即红、绿、蓝、近红外波段,还将包括四个额外谱段,即海岸、黄、红边和近红外2波段。多样的谱段将为用户提供进行精确变化检测和制图的能力,高分辨率影像能够提高丰富的空间结构信息和地力特征信息,能够使分析结果更接近于目视解译效果,提高精确度。
图2示出了本发明实施例的原始高分辨率遥感影像,原始高分辨率遥感影像原为彩色影像,因色彩限制,以灰度图显示。本发明实施例选取了覆盖天河区中心商务区的2011年worldview-2影像,用于作为对目标区域建设用地的高分辨率遥感影像数据。
具体实施中,该步骤还包括卫星高分辨率遥感影像预处理,卫星高分辨率遥感影像获取后,通常需经过预处理后才能称为我们所需的原始高分辨率遥感影像,主要包括以下两个步骤:
几何精校正;几何精校正又称几何配准,是指消除图像中的几何变形,产生一副符合某种地图投影或图形表达要求的新图像。由于卫星获取的数据通常为经纬度与光谱信息,可能与实际地理位置存在偏差;通过几何精校正消除图像的几何变形,卫星数据生成的卫星影像与标准图像或底图实现几何整合,使卫星数据能与标准图像或底图一一对应。
图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率。
通过卫星高分辨率遥感影像预处理生成所需的原始高分辨率遥感影像,后文所指的原始高分辨率遥感影像均为经过预处理步骤处理的影像。
S102:基于多尺度分割方法,筛选最优分割尺度对所述原始高分辨率遥感影像进行分割,生成由地物碎片组成的拼图状遥感影像;
为了使研究区遥感影像地物类型分类效果更好,首先对影像进行不同尺度的分割,确保每个分割对象的灰度、光谱等特征内部同质,相邻异质。
本发明实施例采用目前应用最为成熟高效的多尺度分割方法,该方法是一种从像元本身出发自下而上进行像元特征合并分割,这也是面向对象分类方法的执行基础。分割尺度的选取关系到后期分类过程中地物类型的识别及归类,对分类精度及效率造成一定程度的影响。
一般的,根据遥感影像的分辨率大小,设定不同的分割尺度。分割尺度过大,会导致同一分割对象内包含多种光谱像元特征及地物类型的混淆,而分割尺度过小,也会导致相邻分割对象原本属于同一地物类型被破碎化分割,同时造成分割效率低下。
本发明实施例借助eCognition9.0软件生成不同分割尺度的拼图状遥感影像,通过目视检译对分割尺度进行选取。
图3示出了不同分割尺度下的拼图状遥感影像。当分割尺度选择为10时,地物碎片过于细小,地物碎片数量过多,后期地物类型的识别和归类速度较慢;随着分割尺度的增大,单块地物碎片面积增大,地物碎片数量逐渐减少,当分割尺度大于80时,虽然连片的河流地物可以反映出河流的整体特征,但陆地上的建筑基本同时呈连片状,不能很好的反应陆地的地物类型。
通过eCognition9.0软件分割参数的不断设置,当分割尺度为50,形状参数为0.2,紧密度参数为0.5时,分割尺度能较好地反映研究区城市建设用地中水体、植被、建筑物等信息。
因此,具体实施中,可在分割尺度50+10范围内进行调整,选择最适合的分割尺度。
接下来,需要从所述拼图状遥感影像中选取地物分类样本,并基于CART算法生成决策树;本发明实施例的分类方法为CART算法,CART算法属于决策树模型,其基本原理是通过对训练数据集的循环分析而形成二叉树形式的决策树结构。首先需要先构建基于CART算法的决策树,然后基于决策树将所有地物碎片进行分类。
S103:在所述拼图状遥感影像中选取地物碎片组成训练数据集;
具体的,由于本发明实施例将地物碎片划分为植被、建筑物、水体和道路,因此,需要在拼图状遥感影像中按照目视检译,分别选出植被、建筑物、水体和道路的样本碎片组成训练集。
假设所述所述训练数据集样本数量为N,任意节点的Gini值计算公式为:其中,为地物类别j在节点t中出现的比例;
所述目标节点的Gini增益值计算公式为:Gini_Gain=p1Gini(T1)+p2Gini(T2),其中,Gini(T1)和Gini(T2)为分叉后的节点Gini值,N为样本数量,N1和N2为所述目标节点分叉后,每个分叉所包括的样本数量。
图4示出了本发明实施例的训练数据集表,本发明实施例以图4所示表格样本作为例子进行举例。表格中共包括N=8个样本,每个样本对应的波段信息如表中数据所示。
需要说明的是,图4中提供的例子仅用于介绍本发明实施例的具体流程,其属性参数在实际中还包括多个波段和纹理信息,本发明实施例为了清楚介绍其原理,将属性压缩为三个,其具体应用方法与本发明实施例所介绍的方法实质为一致的。
S104:建立节点并依次赋予属性,计算每样属性对训练数据集的Gini值,将最小Gini值所对应的属性赋予该节点并形成分叉;
构建决策树时通常採用自上而下的方法,在每一步选择一个最好的属性来分裂。"最好"的定义是使得子节点中的训练集尽量的纯,不同的算法使用不同的指标来定义"最好"。具体的,有4中不同的不纯度量能够用来评价CART模型的划分,取决于目标变量的类型,对于分类的目标变量,能够选择GINI,双化或有序双化;对于连续的目标变量,能够使用最小二乘偏差(LSD)或最小绝对偏差(LAD)进行评价。
在本发明实施例中,需用Gini指数评价CART模型的划分。Gini指数是一种不等性度量,实际使用中通常使用来度量收入不平衡,其实质上能够用来度量任意类型的不均匀分布;Gini指数值介于0~1之间,0表示全然相等,1表示全然不相等,整体内包括的类别越杂乱,Gini指数就越大。
在CART算法中,基尼不纯度表示一个随机选中的样本在子集中被分错的可能性,基尼不纯度为这个样本被选中的概率乘以它被分错的概率,当一个节点中全部样本都是一个类时,基尼不纯度为零。
图4示出了第一层节点时的训练数据集数据。在本发明实施例中,属性有红光波段、绿光波段、蓝光波段三种,每种波段中分别有两个离散的值,在决策树的每个节点上能够按任一个属性的任一个值进行划分。比如按照红光波段为a1和非a1,或蓝光波段为b1和非b1,或绿光波段为c1和非c1,使当前节点分为两个分支,以下基于Gini指数进行计算。
整体内包括的类别越杂乱,Gini指数就越大;
例如当红光为a1时,包括建筑物2个,则
例如当红光为a2(即非a1)时,包括水体2个、植被2个、道路2个,则
所以假设依照“红光波段为a1或非a1”进行划分的话,得到Gini的增益为:
最好的划分就是使得GINI_Gain最小的划分。
以下分别以蓝光波段和绿光波段为划分属性进行计算:
当蓝光波段为b1时,包括水体2个、建筑物2个,则
当蓝光波段为b2(即非b1)时,包括植被2个、道路2个,则
依照“蓝光波段为b1或非b1”进行划分的话,得到Gini的增益为:
当绿光波段为c1时,包括建筑物1个、水体1个、植被2个,则
当绿光波段为c2(即非c1)时,包括道路2个、建筑物1个、水体1个,则
依照“绿光波段为c1或非c1”进行划分的话,得到Gini的增益为:
由以上得出的Gini增益可得,Gini_Gain(红光波段为a1或非a1)在三个增益中最小,因此,数据集可通过该节点按照"红光波段为c1或非c1"进行分类。
S105:在分叉上建立节点,并重复执行步骤S105,直至所有节点Gini值到达预设值;
由于本发明实施例的决策树为分类树,因此,最终分类的结果Gini预设值为零。
图5示出了第二层节点时的训练数据集数据。在本发明实施例中,步骤S105,即第一步是采用属性"红光波段为c1或非c1"进行分类,分类后,其中一个分叉点包括建筑物2个,Gini值为零,因此,该分叉即为决策树树叶,不需建立节点;而另一节点需要重新根据属性“蓝光波段”、“绿光波段”进行划分,同样的,需要分别计算每个属性下的Gini增益;需要说明的是,由于建筑物已分至另一叉中,此时,该节点的数据集变化为图5所示的数据表。
以“蓝光波段”为该节点属性时,当蓝光波段为b1时,包括水体2个,得到Gini值为:
当蓝光波段为b2(即非b1)时,包括植被两个、道路两个,Gini值为
则Gini的增益为
以“绿光波段”为该节点属性时,当绿光波段为c1时,包括水体1个、植被2个,Gini值为
当绿光波段为c2(即非c1)时,包括道路2个、水体1个,Gini值为:
则Gini的增益为
由以上计算可得,最小的Gini增益对应的属性为“蓝光波段为b1或非b1”,因此,将“蓝光波段为b1或非b1”属性赋予该节点,对数据集进行分类并生成分叉。
图6示出了第三层节点时的训练数据集数据,图7示出了本发明实施例的决策树。继续的,由于本发明实施例的数据集只有三种属性,因此,到该分叉只剩下绿光波段属性,因此,将分叉的节点赋予属性“绿光波段为c1或非c1”。
S106:生成决策树;
完成对所有属性的筛选并生成最终的决策树。
需要说明的是,本发明实施例列举的样本属性均为离散值,因此可直接用离散值的标值进行分类;如果值为连续值时,可以取多个相邻的连续值中点作为划分的属性,并分别计算每个连续值中点作为划分属性标准时的基尼增益,从而选出最为合适的用于连续值划分的标准。
具体实施中,在遥感图像中涉及到的划分属性还具有多种,计算量十分庞大,一般的,可借助计算机进行决策树的建立。例如使用eCognition中的分类器进行分类。
S106:基于所述决策树对所述拼图状遥感影像中的所有碎片进行地物分类,生成地物分类遥感影像,并对同一分类的地物以同一颜色标识。
图8示出了本发明实施例的地物分类遥感影像。最后,将每一块地物碎片按照决策树的逻辑进行分类,同一分类的地物碎片在图中用同一颜色进行表示,最终形成地物分类遥感影像。
图9示出了本发明实施例的CART算法精度评价图。为了评价本发明实施例的遥感影像地物分类方法的精度,可使用eCognition软件统计地物分类遥感影像的总体分类精度、Kappa系数、用户精度和生产者精度;需要说明的是,本发明实施例提供的精度评价方法只用于本发明实施例提供的遥感影像地物分类方法的精度评价,在实际施行中,由于实际地物分类数据为未知的,不需要对精度进行检验。
在精度评价中,总体分类精度等于正确分类的像元总和除以总像元数。
Kappa系数是通过把所有真实参考的像元总数(N)乘以混淆矩阵对角线(XKK)的和,再减去各类中真实参考像元数与该类中被分类像元总数之积之后,再除以像元总数的平方减去各类中真实参考像元总数与该被分类像元总数之积对所有类别求和的结果。
用户精度是指正确分到A类的像元总数(对角线值)与分类器将整个影像的像元分为A类的像元总数(混淆矩阵中A类行的总和)比率。
生产者精度是指分类器将整个影像的像元正确分为A类的像元数(对角线值)与A类真实参考总数(混淆矩阵中A类列的总和)的比率。
通过计算经本发明实施例提供的遥感影像地物分类方法得出的地物分类遥感影像的总体分类精度、Kappa系数、用户精度和生产者精度可得,本发明实施例的遥感影像地物分类方法具有很高精度,可应用于实际应用当中。
本发明实施例提供的遥感影像地物分类方法,通过对原始高分辨率遥感影像的处理,将遥感影像分割成最佳尺度的地物碎片,基于CART算法抽取训练样本并生成决策树对地物碎片进行分类,最终生成地物分类遥感影像。生成的地物分类遥感影像精度较高,具有良好的实用性。
以上对本发明实施例所提供的一种遥感影像地物分类方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种遥感影像地物分类方法,其特征在于,包括以下步骤:
获取目标区域的原始高分辨率遥感影像;
基于多尺度分割方法,筛选最优分割尺度对所述原始高分辨率遥感影像进行分割,生成由地物碎片组成的拼图状遥感影像;
对所述拼图状遥感影像的地物碎片进行地物分类;
在所述拼图状遥感影像中,对同一分类的地物以同一颜色标识,生成地物分类遥感影像。
2.如权利要求1所述的遥感影像地物分类方法,其特征在于,所述获取目标区域的原始高分辨率遥感影像包括以下步骤:
获取高分辨率遥感影像;
基于几何精校正和图像融合手段处理所述高分辨率遥感影像;
生成原始高分辨率遥感影像。
3.如权利要求1所述的遥感影像地物分类方法,其特征在于,基于CART算法对所述拼图状遥感影像的地物碎片进行地物分类。
4.如权利要求3所述的遥感影像地物分类方法,其特征在于,所述基于CART算法对所述拼图状遥感影像的地物碎片进行地物分类包括以下步骤:
在所述拼图状遥感影像中,选取地物碎片组成训练数据集;
建立目标节点节点并赋予属性,计算每样属性对所述训练数据集的Gini增益值,将最小Gini增益值所对应的属性赋予所述目标节点并形成分叉;
在所述分叉中建立目标节点并重复执行上一步骤直至所述训练数据集完全分类,分类后的节点Gini值达到预设值;
建立决策树。
5.如权利要求4所述的遥感影像地物分类方法,其特征在于,在所述训练数据集中,任一地物碎片类型数量至少为1。
6.如权利要求5所述的遥感影像地物分类方法,其特征在于,所述地物碎片类型包括:植被、建筑物、水体和道路。
7.如权利要求6所述的遥感影像地物分类方法,其特征在于,任意节点的Gini值计算公式为:其中,为地物类别j在节点t中出现的比例;
所述目标节点的Gini增益值计算公式为:Gini_Gain=p1Gini(T1)+p2Gini(T2),其中,Gini(T1)和Gini(T2)为分叉后的节点Gini值,N为所述目标节点的样本数量,N1和N2为所述目标节点分叉后,每个分叉所包括的样本数量。
8.如权利要求7所述的遥感影像地物分类方法,其特征在于,所述预设值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311965.0A CN108629287A (zh) | 2018-04-09 | 2018-04-09 | 一种遥感影像地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311965.0A CN108629287A (zh) | 2018-04-09 | 2018-04-09 | 一种遥感影像地物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629287A true CN108629287A (zh) | 2018-10-09 |
Family
ID=63704816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810311965.0A Pending CN108629287A (zh) | 2018-04-09 | 2018-04-09 | 一种遥感影像地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629287A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191628A (zh) * | 2020-01-06 | 2020-05-22 | 河海大学 | 基于决策树与特征优化的遥感影像震害建筑物识别方法 |
CN111598048A (zh) * | 2020-05-31 | 2020-08-28 | 中国科学院地理科学与资源研究所 | 一种融合高分遥感影像和街景影像的城中村识别方法 |
CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
CN112434660A (zh) * | 2020-12-11 | 2021-03-02 | 宁夏回族自治区自然资源信息中心 | 一种基于分割算法的高分遥感影像地类数据集制作方法 |
CN113420645A (zh) * | 2021-06-22 | 2021-09-21 | 廊坊师范学院 | 一种基于高分卫星影像数据的新建道路信息检测方法 |
US11367265B2 (en) * | 2020-10-15 | 2022-06-21 | Cape Analytics, Inc. | Method and system for automated debris detection |
US11568639B2 (en) | 2015-08-31 | 2023-01-31 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN116630790A (zh) * | 2023-03-17 | 2023-08-22 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
US11861843B2 (en) | 2022-01-19 | 2024-01-02 | Cape Analytics, Inc. | System and method for object analysis |
US11875413B2 (en) | 2021-07-06 | 2024-01-16 | Cape Analytics, Inc. | System and method for property condition analysis |
US11967097B2 (en) | 2021-12-16 | 2024-04-23 | Cape Analytics, Inc. | System and method for change analysis |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790379A (zh) * | 2004-12-17 | 2006-06-21 | 中国林业科学研究院资源信息研究所 | 一种遥感影像决策树分类系统及方法 |
CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
US9152881B2 (en) * | 2012-09-13 | 2015-10-06 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN105608473A (zh) * | 2015-12-31 | 2016-05-25 | 中国资源卫星应用中心 | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 |
-
2018
- 2018-04-09 CN CN201810311965.0A patent/CN108629287A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790379A (zh) * | 2004-12-17 | 2006-06-21 | 中国林业科学研究院资源信息研究所 | 一种遥感影像决策树分类系统及方法 |
CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
US9152881B2 (en) * | 2012-09-13 | 2015-10-06 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN105608473A (zh) * | 2015-12-31 | 2016-05-25 | 中国资源卫星应用中心 | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 |
Non-Patent Citations (2)
Title |
---|
张晓贺: "决策树分类器的实现及在遥感影像分类中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
白金婷: "结合高分辨率遥感影像多维特征的森林分类", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568639B2 (en) | 2015-08-31 | 2023-01-31 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN111191628A (zh) * | 2020-01-06 | 2020-05-22 | 河海大学 | 基于决策树与特征优化的遥感影像震害建筑物识别方法 |
CN111598048A (zh) * | 2020-05-31 | 2020-08-28 | 中国科学院地理科学与资源研究所 | 一种融合高分遥感影像和街景影像的城中村识别方法 |
CN111598048B (zh) * | 2020-05-31 | 2021-06-15 | 中国科学院地理科学与资源研究所 | 一种融合高分遥感影像和街景影像的城中村识别方法 |
CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
US11367265B2 (en) * | 2020-10-15 | 2022-06-21 | Cape Analytics, Inc. | Method and system for automated debris detection |
CN112434660A (zh) * | 2020-12-11 | 2021-03-02 | 宁夏回族自治区自然资源信息中心 | 一种基于分割算法的高分遥感影像地类数据集制作方法 |
CN112434660B (zh) * | 2020-12-11 | 2023-08-22 | 宁夏回族自治区自然资源信息中心 | 一种基于分割算法的高分遥感影像地类数据集制作方法 |
CN113420645A (zh) * | 2021-06-22 | 2021-09-21 | 廊坊师范学院 | 一种基于高分卫星影像数据的新建道路信息检测方法 |
US11875413B2 (en) | 2021-07-06 | 2024-01-16 | Cape Analytics, Inc. | System and method for property condition analysis |
US11967097B2 (en) | 2021-12-16 | 2024-04-23 | Cape Analytics, Inc. | System and method for change analysis |
US11861843B2 (en) | 2022-01-19 | 2024-01-02 | Cape Analytics, Inc. | System and method for object analysis |
CN116630790A (zh) * | 2023-03-17 | 2023-08-22 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
CN116630790B (zh) * | 2023-03-17 | 2024-05-24 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629287A (zh) | 一种遥感影像地物分类方法 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
Herold et al. | Object-oriented mapping and analysis of urban land use/cover using IKONOS data | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN109993237A (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
CN109816707A (zh) | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
Li et al. | Effects of spatial resolution of remotely sensed data on estimating urban impervious surfaces | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
Nivedita Priyadarshini et al. | A comparative study of advanced land use/land cover classification algorithms using Sentinel-2 data | |
CN111937016B (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
Gašparović et al. | Urban vegetation detection based on the land-cover classification of planetscope, rapideye and worldview-2 satellite imagery | |
CN114166842A (zh) | 高分遥感数据与地面调查数据协同的城镇森林监测方法 | |
CN112597936B (zh) | 基于面向对象分层分割的建筑垃圾分离方法及相关产品 | |
CN109635828A (zh) | 一种生态保护红线区典型地理国情要素提取系统及方法 | |
CN116091850B (zh) | 一种矿区土地覆盖分类模型建立及分类方法 | |
CN107657246A (zh) | 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法 | |
Zhang et al. | Automatic classification of fine-scale mountain vegetation based on mountain altitudinal belt |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181009 |
|
WD01 | Invention patent application deemed withdrawn after publication |