CN108761451B - 一种基于多时相遥感影像的土地利用变化智能理解方法 - Google Patents

一种基于多时相遥感影像的土地利用变化智能理解方法 Download PDF

Info

Publication number
CN108761451B
CN108761451B CN201810489874.6A CN201810489874A CN108761451B CN 108761451 B CN108761451 B CN 108761451B CN 201810489874 A CN201810489874 A CN 201810489874A CN 108761451 B CN108761451 B CN 108761451B
Authority
CN
China
Prior art keywords
remote sensing
image
changed
images
land
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.)
Active
Application number
CN201810489874.6A
Other languages
English (en)
Other versions
CN108761451A (zh
Inventor
陈杰
周兴
韩雅荣
何玢
万里
邓敏
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201810489874.6A priority Critical patent/CN108761451B/zh
Publication of CN108761451A publication Critical patent/CN108761451A/zh
Application granted granted Critical
Publication of CN108761451B publication Critical patent/CN108761451B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于多时相遥感影像的土地利用变化智能理解方法，包括检测两时相遥感影像目标区域内发生变化的对象和用自然语言描述变化的内容；检测两时相遥感影像目标区域内发生变化的对象包括获取两时相的数据、遥感影像的预处理、两时相数据的分块裁剪、构建掩膜、模型训练和模型测试、检测发生变化的内容并将变化地块高亮表示等内容；用自然语言描述变化的内容包括确定描述变化内容的语句模板、生成描述语句。本发明对两时相的遥感影像分别分割，利用地物类别信息判别同一位置地物类别的变化，变化检测更精确，描述内容确定化；用自然语言对变化内容进行描述，直观地展示两时相影像的变化内容，便于遥感影像的深层理解。

Description

一种基于多时相遥感影像的土地利用变化智能理解方法
技术领域
本发明涉及计算机视觉和图像语义理解技术领域，特别地，涉及一种基于多时相遥感影像的土地利用变化智能理解方法。
背景技术
遥感影像是国土资源管理与利用的重要数据来源。从海量的数据中快速、自动地定位出有信息差异的数据，挖掘出遥感影像中的隐含信息，可以节省大量的人力物力，对有效利用土地资源以及有关部门的科学决策有着十分重要的意义。传统的遥感影像变化检测通常以光谱等特征为基础，检测并判断同一位置的地物是否发生了变化，难以有效利用高分辨率遥感影像中的几何、形状、语义等高层信息，检测的精度不高。而且，地物发生了何种变化并不能直观地以知识的形式表达出来，对决策的支撑度还不强。
而随着深度学习的兴起，图像分割、图像识别技术迅速发展，为遥感影像变化检测提供了更加有效的方法。同时，自然语言处理技术的发展，使得用自然语言对遥感影像的内容进行直观的理解成为可能。因此，对不同时期的遥感影像的土地利用类别进行变化检测，利用深度学习方法对变化内容进行智能描述，具有重要的研究意义和实用价值。
发明内容
本发明目的在于提供一种基于多时相遥感影像的土地利用变化智能理解方法，以解决传统的遥感影像变化检测难以有效利用高分辨率遥感影像中的几何、形状、语义等高层信息，检测精度不高，地物发生了何种变化不能直观地以知识的形式表达出来的技术问题。
为实现上述目的，本发明提供了一种基于多时相遥感影像的土地利用变化智能理解方法，包括检测两时相遥感影像目标区域内发生变化的对象和用自然语言描述变化的内容；
检测两时相遥感影像目标区域内发生变化的对象具体包括以下步骤：
步骤A1：获取两时相的遥感数据，具体是：获取目标区域T1时刻与T2时刻的遥感影像，以及与遥感影像对应匹配的矢量数据；
步骤A2：遥感影像的预处理，具体是：对遥感影像进行几何配准、辐射校正等；
步骤A3：两时相数据的分块裁剪，包括遥感影像的分块裁剪和矢量数据的分块裁剪；具体是：根据比例尺大小的要求，将两个时期的影像裁剪成M幅规定尺寸的遥感影像块；同时生成与遥感影像块相匹配的M幅矢量数据块；
步骤A4：构建掩膜和模型训练，具体是：首先确定影像中需要检测的地物目标，根据步骤A3中获得的遥感影像块和矢量数据块，构建掩膜，将遥感影像块和对应的掩膜输入到基于深度学习的影像语义分割模型中进行训练，得到更新后的影像语义分割模型；
步骤A5：模型测试，将待进行变化检测的两幅不同时期的遥感影像F1、F2分别输入到步骤A4得到的影像语义分割模型中，分别得到其对应的掩膜；其中，不同的颜色代表了不同的地物类别；
步骤A6：检测发生变化的内容，将两个时期的掩膜对应叠加，以T1时刻的掩膜为基准，对两个时期掩膜中的地块逐一进行比较；具体是：以T1时刻掩膜的第k个地块的大小为基准，将该地块范围内的像素值矩阵与T2时刻掩膜中对应位置同样大小区域范围内的像素值矩阵对应相减；设T1时刻掩膜第i行第j列处的像素值为I1ij，T2时刻掩膜第i行第j列处的像素值为I2ij，若I1ij-I2ij＝0，则说明该位置的像素值相同，其像素所属的地物类别没有发生变化，反之则说明该位置像素所属的地物类别发生了变化；统计该区域内发生变化的像素点的个数S，同时根据具体情况设定像素值发生变化个数的阈值s，比较S与s值的大小，根据S与s的比值情况判别区域内的地物类别是否发生变化；
步骤A7：根据颜色标签获取发生变化前后的地物类别，将发生变化的地块高亮显示，使得变化内容直观地展现出来；
用自然语言描述变化的内容具体包括以下步骤：
步骤B1：确定描述变化内容的语句模板；
步骤B2：生成描述语句，具体是：将步骤A7中获得的变化前后的地物类别分别嵌入到语句模板对应的位置，形成对这两幅影像变化内容的对应描述；
步骤B3：取k＝k+1，判断k与T1时刻掩膜中的总地块数K的大小；若k≤K，返回步骤A6，继续进行变化检测；若k＞K，说明变化检测完成；其中，0＜k≤K+1。
进一步的，所述步骤A1中两时相遥感数据的获取方式为：采用互联网开源的众源OSM数据、国土部门以及测绘部门中至少一种方式获取；步骤A1中反映地物基本类别的矢量数据包括耕地、园地、林地、草地、房屋建筑、道路、水域以及构建物等矢量数据中的至少一种。
进一步的，所述步骤A1中两时相遥感数据的获取，应选择相同或相近季节和时刻的前后时期的遥感影像。
进一步的，所述步骤A2遥感影像的预处理中对遥感影像进行几何配准，是以其中一幅影像的参考数据作为基准坐标系，进行两幅影像的相对配准；或者，将两幅影像以外的参考数据作为参考坐标系，进行两幅影像的绝对配准。
进一步的，所述步骤A4中构建掩膜和模型训练具体包括以下步骤：
步骤A4.1、确定影像中需要检测的地物目标：根据任务需求选择耕地、园地、林地、草地、房屋建筑、道路、水域以及构建物至少一种作为影像中需要检测的地物目标；
步骤A4.2、构建掩膜：以裁剪后的影像块为单元，遍历每幅影像块，将地理坐标转换为影像像素坐标；分别读取位于影像块范围内的矢量数据类别信息，并以不同的颜色表示不同的目标类别进行区分，最后生成与原影像块同等大小的掩膜；
步骤A4.3、模型训练：选取裁剪后的影像块和步骤A4.2中生成的对应的掩膜输入到基于深度学习的影像语义分割模型中，学习地物类别和掩膜之间的对应关系，对模型参数进行更新，得到更新后的模型。
进一步的，所述步骤A6中根据S与s的比值情况判别区域内的地物类别是否发生变化，具体如下：若S≤s，则说明该区域的像素值相同，认为该位置两个时期的地物类别相同，没有发生变化；反之，则说明该位置两个时期的地物类别发生了变化。
进一步的，所述步骤B1确定描述变化内容的语句模板中，语句模板为：XX变化成YY；其中，XX为T1时刻影像某位置的地物类别，YY为T2时刻影像对应位置的地物类别。
本发明具有以下有益效果：
1、本发明提供的一种基于多时相遥感影像的土地利用变化智能理解方法，首次提出对不同时相影像的变化内容进行智能描述，无需再对影像中发生变化的内容进行人工比对，是一种直观的知识表达形式。
2、本发明提供的一种基于多时相遥感影像的土地利用变化智能理解方法，根据遥感影像对应的矢量数据，利用深度学习方法，在影像分割的基础上，利用地物类别信息判别同一位置不同时期地物类别的变化，使变化检测更精确，描述内容确定化。
3、本发明提供的一种基于多时相遥感影像的土地利用变化智能理解方法，利用基于深度学习理论与方法的图像语义分割技术和自然语言处理技术，对多时相数据的变化内容进行直观的语言表达，实现对多时相遥感数据的深层理解。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一种基于多时相遥感影像的土地利用变化智能理解方法的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
一种基于多时相遥感影像的土地利用变化智能理解方法，包括检测两时相目标区域内发生变化的对象和用自然语言描述变化的内容。
检测两时相目标区域内发生变化的对象具体包括以下步骤：
步骤A1：获取两时相的遥感数据。具体是，获取目标区域T1时刻与T2时刻的遥感影像，以及与遥感影像对应匹配的矢量数据。一般可以采用互联网开源的众源OSM数据、国土部门以及测绘部门中的至少一种方式获取。反映地物基本类别的矢量数据包括耕地、园地、林地、草地、房屋建筑、道路、水域以及构建物等矢量数据中的至少一种。由于随着季节的变化，区域内地物所呈现的特征将会发生变化，因此应选择相同或相近季节和时刻的前后时期的遥感影像。
步骤A2：遥感影像的预处理。主要是对遥感影像进行几何配准、辐射校正等。其中，几何配准是为了确保两幅影像在同一位置的坐标相同。它是以其中一幅影像的参考数据作为基准坐标系，进行两幅影像的相对配准；也可以是将两幅影像以外的参考数据作为参考坐标系，进行两幅影像的绝对配准。
步骤A3：两时相遥感数据的分块，包括遥感影像的分块裁剪和矢量数据的分块裁剪。具体是：根据比例尺大小的要求，将两个时期的影像裁剪成M幅规定尺寸的遥感影像块；同时生成与遥感影像块相匹配的多幅矢量数据块。
步骤A4：分别对两时相的遥感影像构建掩膜，同时进行模型训练，具体包括以下步骤：
步骤A4.1、首先确定影像中需要检测的地物目标，可以根据任务需求选择耕地、园地、林地、草地、房屋建筑、道路、水域以及构建物至少一种作为需要检测的地物目标。
步骤A4.2、根据步骤A3中获得的遥感影像块和矢量数据块，构建掩膜。以裁剪后的影像块为单元，遍历每幅影像块，将地理坐标转换为影像像素坐标。分别读取位于影像块范围内的矢量数据类别信息，并以不同的颜色表示不同的目标类别进行区分，最后生成与原影像块同等大小的掩膜。该掩膜以不同颜色代表了不同的地物类别。例如，深绿色代表林地，浅绿色代表草地，蓝色代表水域，浅粉色代表道路，深黄色代表房屋建筑，浅黄色代表耕地，深粉色代表园地，其他不需检测的地物目标均视为背景，以黑色表示。地物的位置信息以像素坐标为基准。该掩膜详细记录了地物类别、位置信息与轮廓边缘。
步骤A4.3、模型训练。将裁剪后的影像块和对应的掩膜输入到基于深度学习的影像语义分割模型中进行训练，学习地物类别和掩膜之间的对应关系，对模型参数进行更新，得到更新后的影像语义分割模型。
步骤A5、模型测试。将待进行变化检测的两幅不同时期的遥感影像F1、F2分别输入到步骤A4.3训练好的影像语义分割模型中，分别生成包含遥感地物类别与位置信息的掩膜。其中，不同的颜色代表了不同的地物类别。
步骤A6：检测发生变化的内容。将两个时期的掩膜对应叠加，以T1时刻的掩膜为基准，对两个时期掩膜中的地块逐一进行比较。具体是：以T1时刻掩膜的第k个地块的大小为基准，将该地块范围内的像素值矩阵与T2时刻掩膜中对应位置同样大小区域范围内的像素值矩阵对应相减。设T1时刻掩膜第i行第j列处的像素值为I1ij，T2时刻掩膜第i行第j列处的像素值为I2ij，若I1ij-I2ij＝0，则说明该位置的像素值相同，其像素所属的地物类别没有发生变化，反之则说明该位置像素所属的地物类别发生了变化。统计该区域内发生变化的像素点的个数S，同时根据具体情况设定像素值发生变化个数的阈值s，比较S与s值的大小，根据S与s的比值情况判别区域内的地物类别是否发生变化；若S≤s，则说明该区域的像素值相同，认为该位置两个时期的地物类别基本相同，没有发生变化；反之，则说明该位置两个时期的地物类别发生了变化。
步骤A7：根据颜色标签获取发生变化前后的地物类别，将发生变化的地块高亮表示，使得变化内容直观地展现出来。
用自然语言描述变化的内容具体包括以下步骤：
步骤B1：确定描述变化内容的语句模板。语句模板为：XX变化成YY；其中，XX为T1时刻影像某位置的地物类别，YY为T2时刻影像对应位置的地物类别。
步骤B2：生成描述语句。具体是：将步骤A7中获得的变化前后的地物类别分别嵌入到语句模板的对应位置，形成对这两幅影像变化内容的对应描述。例如，影像F1、F2中某一位置的地物类别由T1时刻的园地变成T2时刻的房屋建筑，将“园地”嵌入到语句模板中的“XX”位置，“房屋建筑”嵌入到语句模板中的“YY”位置，生成描述语句“园地变化成房屋建筑”。
步骤B3：取k＝k+1，判断k与T1时刻掩膜中的总地块数K的大小；若k≤K，返回步骤A6，继续进行变化检测；若k＞K，说明变化检测完成。其中，0＜k≤K+1。如此循环对T1时刻掩膜中的每一块地物进行检测，最终得出该遥感影像的土地利用变化情况，同时对该遥感影像的变化内容进行直观的语言表达。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多时相遥感影像的土地利用变化智能理解方法，其特征在于，包括检测两时相遥感影像目标区域内发生变化的对象和用自然语言描述变化的内容；
检测两时相遥感影像目标区域内发生变化的对象具体包括以下步骤：
步骤A1：获取两时相的遥感数据，具体是：获取目标区域T1时刻与T2时刻的遥感影像，以及与遥感影像对应匹配的矢量数据；
步骤A2：遥感影像的预处理，具体是：对遥感影像进行几何配准、辐射校正；
步骤A3：两时相数据的分块裁剪，包括遥感影像的分块裁剪和矢量数据的分块裁剪；具体是：根据比例尺大小的要求，将两个时期的影像裁剪成M幅规定尺寸的遥感影像块；同时生成与遥感影像块相匹配的M幅矢量数据块；
步骤A4：构建掩膜和模型训练，具体是：首先确定影像中需要检测的地物目标，根据步骤A3中获得的遥感影像块和矢量数据块，构建掩膜，将遥感影像块和对应的掩膜输入到基于深度学习的影像语义分割模型中进行训练，得到更新后的影像语义分割模型；
步骤A5：模型测试，将待进行变化检测的两幅不同时期的遥感影像F1、F2分别输入到步骤A4得到的影像语义分割模型中，分别得到其对应的掩膜；其中，不同的颜色代表了不同的地物类别；
步骤A6：检测发生变化的内容，将两个时期的掩膜对应叠加，以T1时刻的掩膜为基准，对两个时期掩膜中的地块逐一进行比较；具体是：以T1时刻掩膜的第k个地块的大小为基准，将该地块范围内的像素值矩阵与T2时刻掩膜中对应位置同样大小区域范围内的像素值矩阵对应相减；设T1时刻掩膜第i行第j列处的像素值为I1ij，T2时刻掩膜第i行第j列处的像素值为I2ij，若I1ij-I2ij＝0，则说明该位置的像素值相同，其像素所属的地物类别没有发生变化，反之则说明该位置像素所属的地物类别发生了变化；统计该区域内发生变化的像素点的个数S，同时根据具体情况设定像素值发生变化个数的阈值s，比较S与s值的大小，根据S与s的比值情况判别区域内的地物类别是否发生变化；
步骤A7：根据颜色标签获取发生变化前后的地物类别，将发生变化的地块高亮显示，使得变化内容直观地展现出来；
用自然语言描述变化的内容具体包括以下步骤：
步骤B1：确定描述变化内容的语句模板；
步骤B2：生成描述语句，具体是：将步骤A7中获得的变化前后的地物类别分别嵌入到语句模板对应的位置，形成对这两幅影像变化内容的对应描述；
步骤B3：取k＝k+1，判断k与T1时刻掩膜中的总地块数K的大小；若k≤K，返回步骤A6，继续进行变化检测；若k＞K，说明变化检测完成；其中，0＜k≤K+1。
2.根据权利要求1所述的一种基于多时相遥感影像的土地利用变化智能理解方法，其特征在于，所述步骤A1中两时相遥感数据的获取方式为：采用互联网开源的众源OSM数据、国土部门以及测绘部门中至少一种方式获取；步骤A1中反映地物基本类别的矢量数据包括耕地、园地、林地、草地、房屋建筑、道路、水域以及构建物矢量数据中的至少一种。
3.根据权利要求1所述的一种基于多时相遥感影像的土地利用变化智能理解方法，其特征在于，所述步骤A1中两时相遥感数据的获取，应选择相同或相近季节和时刻的前后时期的遥感影像。
4.根据权利要求1所述的一种基于多时相遥感影像的土地利用变化智能理解方法，其特征在于，所述步骤A2遥感影像的预处理中对遥感影像进行几何配准，是以其中一幅影像的参考数据作为基准坐标系，进行两幅影像的相对配准；或者，将两幅影像以外的参考数据作为参考坐标系，进行两幅影像的绝对配准。
5.根据权利要求1所述的一种基于多时相遥感影像的土地利用变化智能理解方法，其特征在于，所述步骤A4中构建掩膜和模型训练具体包括以下步骤：
步骤A4.1、确定影像中需要检测的地物目标：根据任务需求选择耕地、园地、林地、草地、房屋建筑、道路、水域以及构建物至少一种作为影像中需要检测的地物目标；
步骤A4.2、构建掩膜：以裁剪后的影像块为单元，遍历每幅影像块，将地理坐标转换为影像像素坐标；分别读取位于影像块范围内的矢量数据类别信息，并以不同的颜色表示不同的目标类别进行区分，最后生成与原影像块同等大小的掩膜；
步骤A4.3、模型训练：选取裁剪后的影像块和步骤A4.2中生成的对应的掩膜输入到基于深度学习的影像语义分割模型中，学习地物类别和掩膜之间的对应关系，对模型参数进行更新，得到更新后的模型。
6.根据权利要求1所述的一种基于多时相遥感影像的土地利用变化智能理解方法，其特征在于，所述步骤A6中根据S与s的比值情况判别区域内的地物类别是否发生变化，具体如下：若S≤s，则说明该区域的像素值相同，认为该位置两个时期的地物类别相同，没有发生变化；反之，则说明该位置两个时期的地物类别发生了变化。
7.根据权利要求1所述的一种基于多时相遥感影像的土地利用变化智能理解方法，其特征在于，所述步骤B1确定描述变化内容的语句模板中，语句模板为：XX变化成YY；其中，XX为T1时刻影像某位置的地物类别，YY为T2时刻影像对应位置的地物类别。
CN201810489874.6A 2018-05-21 2018-05-21 一种基于多时相遥感影像的土地利用变化智能理解方法 Active CN108761451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810489874.6A CN108761451B (zh) 2018-05-21 2018-05-21 一种基于多时相遥感影像的土地利用变化智能理解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810489874.6A CN108761451B (zh) 2018-05-21 2018-05-21 一种基于多时相遥感影像的土地利用变化智能理解方法

Publications (2)

Publication Number Publication Date
CN108761451A CN108761451A (zh) 2018-11-06
CN108761451B true CN108761451B (zh) 2020-09-04

Family

ID=64007417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810489874.6A Active CN108761451B (zh) 2018-05-21 2018-05-21 一种基于多时相遥感影像的土地利用变化智能理解方法

Country Status (1)

Country Link
CN (1) CN108761451B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853026B (zh) * 2019-11-16 2023-04-07 四创科技有限公司 一种融合深度学习与区域分割的遥感影像变化检测方法
CN111666849B (zh) * 2020-05-28 2022-02-01 武汉大学 多视角深度网络迭代进化的多源遥感影像水体检测方法
CN111798415A (zh) * 2020-06-16 2020-10-20 中设设计集团股份有限公司 一种高速公路控制区建筑物监测方法、装置及存储介质
CN112233062B (zh) * 2020-09-10 2024-09-06 浙江大华技术股份有限公司 地物变化检测方法、电子装置和存储介质
CN113095303B (zh) * 2021-06-04 2021-09-28 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113486728A (zh) * 2021-06-15 2021-10-08 北京道达天际科技有限公司 基于特征融合的地表三维变化检测方法和装置
CN113705538A (zh) * 2021-09-28 2021-11-26 黄河水利委员会黄河水利科学研究院 基于深度学习的高分遥感影像道路变化检测装置及方法
CN113822220B (zh) * 2021-10-09 2024-08-20 海南长光卫星信息技术有限公司 一种建筑物检测方法及系统
CN115965622B (zh) * 2023-02-15 2023-06-09 航天宏图信息技术股份有限公司 一种遥感瓦片数据的变化检测方法和装置
CN116994025A (zh) * 2023-05-30 2023-11-03 广东省国土资源测绘院 一种利用影像超分技术提高耕地识别精度的方法及装置
CN117197701B (zh) * 2023-11-07 2024-02-13 广州天地林业有限公司 基于图像分析的保护区环境空间特征分析方法及系统
CN117788982A (zh) * 2024-02-26 2024-03-29 中国铁路设计集团有限公司 基于铁路工程地形图成果的大规模深度学习数据集制作方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661497A (zh) * 2009-09-10 2010-03-03 北京农业信息技术研究中心 遥感土地利用变化检测方法及系统
CN102419865A (zh) * 2011-10-31 2012-04-18 国家海洋局第二海洋研究所 一种图像对象层次的变化检测方法
CN102855487A (zh) * 2012-08-27 2013-01-02 南京大学 高分辨率遥感图像新增建设用地变化图斑自动提取的方法
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
CN104834942A (zh) * 2015-05-22 2015-08-12 武汉大学 基于掩膜分类的遥感影像变化检测方法及系统
US9858502B2 (en) * 2014-03-31 2018-01-02 Los Alamos National Security, Llc Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding
CN107807986A (zh) * 2017-10-31 2018-03-16 中南大学 一种描述地物空间关系语义的遥感影像智能理解的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661497A (zh) * 2009-09-10 2010-03-03 北京农业信息技术研究中心 遥感土地利用变化检测方法及系统
CN102419865A (zh) * 2011-10-31 2012-04-18 国家海洋局第二海洋研究所 一种图像对象层次的变化检测方法
CN102855487A (zh) * 2012-08-27 2013-01-02 南京大学 高分辨率遥感图像新增建设用地变化图斑自动提取的方法
US9858502B2 (en) * 2014-03-31 2018-01-02 Los Alamos National Security, Llc Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding
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
CN104834942A (zh) * 2015-05-22 2015-08-12 武汉大学 基于掩膜分类的遥感影像变化检测方法及系统
CN107807986A (zh) * 2017-10-31 2018-03-16 中南大学 一种描述地物空间关系语义的遥感影像智能理解的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
土地利用变化遥感信息自动提取与自动整理;陈琳，王琴，李建辉;《中国水土保持SWCC》;20120731;第2012卷(第7期);65-67 *

Also Published As

Publication number Publication date
CN108761451A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108761451B (zh) 一种基于多时相遥感影像的土地利用变化智能理解方法
Shi et al. Landslide recognition by deep convolutional neural network and change detection
Yu et al. A new approach for land cover classification and change analysis: Integrating backdating and an object-based method
de Pinho et al. Land-cover classification of an intra-urban environment using high-resolution images and object-based image analysis
Huang et al. Morphological building/shadow index for building extraction from high-resolution imagery over urban areas
Chen et al. Building detection in an urban area using lidar data and QuickBird imagery
CN103577475A (zh) 一种图片自动化分类方法、图片处理方法及其装置
Cai et al. Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index
Wallace et al. Linking urban tree inventories to remote sensing data for individual tree mapping
CN112560675B (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
Ok et al. 2-D delineation of individual citrus trees from UAV-based dense photogrammetric surface models
Xie et al. Classification of urban building type from high spatial resolution remote sensing imagery using extended MRS and soft BP network
CN114120141B (zh) 一种可全天候遥感监测自动分析方法及其系统
CN105068918A (zh) 一种页面测试方法及装置
CN115468917A (zh) 基于高分辨率遥感提取农田地块作物信息的方法及系统
CN107992856A (zh) 城市场景下的高分遥感建筑物阴影检测方法
Lang et al. Combined object-based classification and manual interpretation–synergies for a quantitative assessment of parcels and biotopes
CN112668461A (zh) 一种具有野生动物识别的智能监管系统
CN113516059B (zh) 固体废弃物的识别方法、装置、电子设备及存储介质
Aksoy et al. Image mining using directional spatial constraints
CN117036748A (zh) 高分辨率遥感影像标注的迁移修正方法、系统及存储介质
CN115953682A (zh) 一种矿区影像识别方法、装置、服务器及存储介质
Shi et al. Building extraction from high-resolution remotely sensed imagery based on multi-subgraph matching
Cheng et al. Automated detection of impervious surfaces using night-time light and Landsat images based on an iterative classification framework
Shen et al. Individual tree location detection by high-resolution RGB satellite imagery in urban area

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