CN108898052A - 遥感图像中人工地物的检测方法及设备 - Google Patents
遥感图像中人工地物的检测方法及设备 Download PDFInfo
- Publication number
- CN108898052A CN108898052A CN201810503058.6A CN201810503058A CN108898052A CN 108898052 A CN108898052 A CN 108898052A CN 201810503058 A CN201810503058 A CN 201810503058A CN 108898052 A CN108898052 A CN 108898052A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- pixel
- subband
- band logical
- 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种遥感图像中人工地物的检测方法及设备,能够对样本遥感图像中的像素点进行特征提取,并进一步通过支持向量机算法对特征提取后的像素点进行建模,得到用于确定遥感图像中像素点是否为人工地物像素点的分类模型,在对检测遥感图像中的像素点进行类似的特征提取之后,再根据得到的分类模型对检测遥感图像中的像素点进行分类,确定检测遥感图像中的人工地物像素点并进行标识,从而充分利用了遥感图像的纹理特征,能够适用于多种复杂遥感图像的人工地物识别,更好地表达原始图像中的信息,去噪分割的界限更加清晰,分类效果比其它分类器更好,提高了遥感图像中人工地物的识别精确度。
Description
技术领域
本申请涉及遥感图像分析领域,尤其涉及一种遥感图像中人工地物的检测方法及设备。
背景技术
近年来,基于遥感图像的人工地物目标检测被广泛应用于城市规划、灾害评估、变化检测以及地图更新等方面,遥感影像人工地物目标检测是指遥感卫星或雷达拍摄地面情况,获取遥感图像,能够利用一定技术对地面遥感图像的分析处理,从中精确检测识别出人工地物(如建筑物),并可在遥感图像中标记出人工地物范围的技术。然而由于高分辨率遥感影像中场景的复杂性与多样性,地物边界线不清晰,同一地物类型也有可能呈现不同形态,使得人工地物精确检测成为一项富有挑战性的工作。
目前人工地物提取算法主要分为自下而上数据驱动的提取算法和自上而下知识驱动的提取算法。数据驱动的人工地物提取算法通过提取影像的多种特征,确定分类判别标准,此类算法在提取目标过程中并不关注其类别,而是直接对影像进行特征提取及分割等处理,因此具有适用性广、对单目标及复杂景物分析均适用的特点,但是由于在分割、特征提取等处理设计过程中缺乏知识的指导,导致算法设计较为复杂。知识驱动的提取算法根据知识规则的限定,通过分析目标在影像中可能存在的特征进行分割,其针对性强,避免提取影像中过多的次要特征,算法效率高。其缺点为当识别的目标发生改变后,相应的知识规则会发生变化,因此普适性较差。遥感影像中场景复杂,同一地物类型有可能呈现不同形态,自上而下知识驱动的提取算法难以精确地提取完整的人工地物目标。
申请内容
本申请的一个目的是提供一种遥感图像中人工地物的检测方法及设备,用以解决现有技术中难以在遥感图像中精确识别人工地物、难以适用于不同类型的遥感图像的问题。
为实现上述目的,本申请提供了一种遥感图像中人工地物的检测方法,其中,该方法包括:
获取样本遥感图像,对所述样本遥感图像中的像素点进行特征提取,并通过支持向量机算法对特征提取后的像素点进行建模,获取所述像素点为人工地物像素点的分类模型;
获取检测遥感图像,基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通方向子带;根据所述带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带;根据所述低通子带和用于特征提取的带通方向子带中对应坐标的像素点的信息,提取所述检测遥感图像中像素点的特征;根据所述像素点的特征,使用所述分类模型对所述像素点进行分类,确定所述像素点中的人工地物像素点;
对检测遥感图像像素点中的人工地物像素点进行标识。
进一步地,对所述样本遥感图像中的像素点进行特征提取,包括:
对所述样本遥感图像进行下采样,获取下采样样本遥感图像;基于冗余轮廓波变换将下采样样本遥感图像分解为样本低通子带和样本带通方向子带;根据所述样本带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的样本带通方向子带确定为用于特征提取的样本带通方向子带;根据所述样本低通子带和用于特征提取的样本带通方向子带中对应坐标的像素点的信息,提取所述下采样样本遥感图像中像素点的特征,其中,所述样本遥感图像中的像素点已经标识为人工地物像素点或非人工地物像素点。
进一步地,获取检测遥感图像,基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通方向子带,包括:
获取检测遥感图像;
对所述检测遥感图像进行下采样,获取下采样检测遥感图像;
基于冗余轮廓波变换将所述下采样检测遥感图像分解为低通子带和带通方向子带。
进一步地,对检测遥感图像像素点中的人工地物像素点进行标识,包括:
基于图像形态操作对所述下采样检测遥感图像进行优化,获取优化后的下采样检测遥感图像;
对所述优化后的下采样检测遥感图像进行上采样,获取上采样检测遥感图像;
将人工地物像素点在所述上采样检测遥感图像上进行标识。
进一步地,基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通方向子带,包括:
基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通子带;
基于方向滤波器组对所述带通子带进行分解,获取带通方向子带;
基于阈值化方法对所述带通方向子带进行去噪。
进一步地,基于阈值化方法对所述带通方向子带进行去噪,包括:
根据所述带通方向子带的系数所对应的方差确定所述带通方向子带的硬阈值;使用所述硬阈值进行子带去噪。
进一步地,根据所述带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带,包括:
在所述带通方向子带对应的基函数表达的信息满足预设阈值时,将所述带通方向子带分解得到的下一层两个带通方向子带对应的基函数确定为最优基函数,其中,所述带通方向子带对应的基函数表达的信息包括所述带通方向子带分解后的能量熵函数比值和带通方向子带的能量分布均方差;
将所述最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带。
进一步地,根据所述低通子带和用于特征提取的带通方向子带中对应坐标的像素点的信息,提取所述检测遥感图像中像素点的特征,包括:
根据所述检测遥感图像中像素点的坐标,确定所述像素点在所述低通子带和用于特征提取的带通方向子带中的邻域,所述邻域为以所述像素点的坐标为中心的预设矩形区域;
根据所述低通子带中邻域的能量熵函数值,以及所述用于特征提取的带通方向子带中邻域的能量熵函数值和能量分布均方差,确定所述检测遥感图像中像素点的特征。
本申请还提供了一种遥感图像中人工地物的检测设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行前述遥感图像中人工地物的检测方法。
本申请还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述遥感图像中人工地物的检测方法。
与现有技术相比,本申请提供的方案能够对样本遥感图像中的像素点进行特征提取,并进一步通过支持向量机算法对特征提取后的像素点进行建模,得到用于确定遥感图像中像素点是否为人工地物像素点的分类模型,在对检测遥感图像中的像素点进行类似的特征提取之后,再根据得到的分类模型对检测遥感图像中的像素点进行分类,确定检测遥感图像中的人工地物像素点并进行标识,从而充分利用了遥感图像的纹理特征,能够适用于多种复杂遥感图像的人工地物识别,更好地表达原始图像中的信息,去噪分割的界限更加清晰,分类效果比其它分类器更好,提高了遥感图像中人工地物的识别精确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例提供的一种遥感图像中人工地物的检测方法的流程图;
图2为拉普拉斯图像金字塔方法的图像分解示意图;
图3为轮廓波变换的分解示意图;
图4为轮廓波变换的框架示意图;
图5为轮廓波变换的基函数示意图;
图6为冗余轮廓波变换的分解示意图;
图7为SVM线性分类示意图;
图8为SVM线性分类示意图;
图9为SVM高斯核函数映射分类示意图;
图10为图像形态学中膨胀操作示意图;
图11为图像形态学中腐蚀操作示意图;
图12为图像形态学中开操作示意图;
图13为图像形态学中闭操作示意图;
图14为本申请实施例提供的一种优选的遥感图像人工地物检测结果示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本申请提供了一种遥感图像中人工地物的检测方法,如图1所示,该方法包括如下步骤:
步骤S101,获取样本遥感图像,对所述样本遥感图像中的像素点进行特征提取,并通过支持向量机算法对特征提取后的像素点进行建模,获取所述像素点为人工地物像素点的分类模型;
步骤S102,获取检测遥感图像,基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通方向子带;根据所述带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带;根据所述低通子带和用于特征提取的带通方向子带中对应坐标的像素点的信息,提取所述检测遥感图像中像素点的特征;根据所述像素点的特征,使用所述分类模型对所述像素点进行分类,确定所述像素点中的人工地物像素点;
步骤S103,对检测遥感图像像素点中的人工地物像素点进行标识。
该方案尤其适合用于对遥感图像中的人工地物进行识别的场景,能够对样本遥感图像中的像素点进行特征提取,并进一步通过支持向量机算法对特征提取后的像素点进行建模,得到用于确定遥感图像中像素点是否为人工地物像素点的分类模型,在对检测遥感图像中的像素点进行类似的特征提取之后,再根据得到的分类模型对检测遥感图像中的像素点进行分类,确定检测遥感图像中的人工地物像素点并进行标识。
在步骤S101中,首先获取样本遥感图像。样本遥感图像是遥感图像的集合,每一张遥感图像采用了人工方式对其中的像素点标识为人工地物像素点或非人工地物像素点,例如,100张图像中像素点全部标记为人工地物像素点的遥感图像,另外100张图像中像素点全部标识为非人工地物像素点的遥感图像,这全部200张遥感图像就构成样本遥感图像,样本遥感图像提供建立像素点分类模型的训练数据,训练数据的分类信息已经确定,例如,某个像素点被标识为人工地物像素点,则该像素点的分类信息可用“1”来标识,另一个像素点被标识为非人工地物像素点,则该像素点的分类信息可用“-1”来标识。
获得样本遥感图像后,下一步对样本遥感图像中的像素点进行特征提取。本申请的实施例中,对样本遥感图像中的像素点进行特征提取具体包括如下步骤:对所述样本遥感图像进行下采样,获取下采样样本遥感图像,将获得的下采样样本遥感图像基于冗余轮廓波变换分解为样本低通子带和样本带通方向子带,再根据所述样本带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的样本带通方向子带确定为用于特征提取的样本带通方向子带,再根据所述样本低通子带和用于特征提取的样本带通方向子带中对应坐标的像素点的信息,提取所述下采样样本遥感图像中像素点的特征。在此,由于对样本遥感图像中的像素点进行特征提取的方法和步骤与对检测遥感图像中的像素点进行特征提取的方法和步骤相同,因此这里不再赘述。
在对样本遥感图像中的像素点的特征提取完成后,通过支持向量机算法对特征提取后的像素点进行建模,获取像素点为人工地物像素点的分类模型。支持向量机算法(Support Vector Machine,SVM)是20世纪90年代中期发展起来的基于统计学习理论的一种机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。简单来说,支持向量就是支持或支撑平面上把两类类别划分开来的超平面的向量点;机指机器,即一个算法,在机器学习领域,常把一些算法看作是一个机器,如分类机(也叫做分类器)。支持向量机本身是一种监督式学习的方法,即需要根据事先已知的分类结果来进行学习建模。
SVM是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。SVM理论的初衷是寻求一种处理两类数据分类问题的方法,旨在寻找一个超平面,使得训练样本集中不同类别的点正好落在超平面的两侧,同时还要求超平面两侧的空白区域达到最大。对于二维两类线性可分数据,支持向量机理论上是能够实现最优分类的,推广到高维空间,最优分类线就叫做最优超平面。
如图7和图8所示,从图上可以看到两个支撑着中间的间隙的超平面,它们到中间分界线——分离超平面的距离相等,即所能得到的最大的几何间隔,而“支撑”这两个超平面的必定会有一些点,而这些“支撑”的点便叫做支持向量,支持向量很显然刚好在边界上。
基于支持向量去寻找最优超平面的思想,可以把问题不断转化。现假设一二维两类数据分类来说,给定的训练样本Di=(xi,yi),i=1,...,n,yi∈{+1,-1},其中xi为输入样本,yi为两类的类别值,其超平面为wx+b=0,样本点到超平面的间隔为为使训练样本能正确分开,又要保证间隔最大,这个两类分类问题被转化成了一个带约束的最小值问题:
s.tyi[(wxi)+b]-1≥0 i=1,...,l(l为样本数)
上面两式的问题实际上就是二次规划,由于它的可行域是一个凸集,也可以叫做凸二次规划。为了求解,引入了Lagrange函数:
其中:αi>0,为Lagrange系数,求解上述问题后得到最优分类函数为:
所以测试样本的分类问题就转化为了这样一个分类函数的求值问题。
但是对于线性不可分的情况,SVM的主要思想是将输入向量映射到一个高维的特征向量空间,并在该特征空间中构造最优分类面。将x作分线性映射Rn→H,H为高维特征空间,则有:
因此决策规则可以用测试点和训练点的内积来表示:
而其中的α也是通过求解如下的对偶问题而得到的
s.t αi≥0,i=1,...,n
如果有一种方式可以在特征空间计算內积就像在原始输入点的函数中一样,就有可能将两个步骤融合到一起建立一个非线性的学习器,这样直接计算的方法称为核函数方法。
不妨从最简单的例子开始,设两个向量x1=(θ1,θ2)和x2=(σ1,σ2)
另外,又注意到
(<x1,x2>+1)2=2θ1σ1+θ1 2σ1 2+2θ2σ2+θ2 2σ2 2+2θ1σ1θ2σ2+1
就是系数有所差别,线性缩放,再加上一个常量,因此引入核函数
k(x1,x2)=(<x1,x2>+1)2
分类函数变为:
因此问题就得到了解决,这里介绍一个高斯核函数:
可以通过调控参数σ,非常灵活的把低维线性不可分的数据通过高斯核函数映射到高维空间,如图9所示。
遇到线性不可分的样例,做法就是把样例特征映射到高维空间中,映射到高维空间后,相关特征便被分开了,也就达到了分类的目的。但进一步,如果凡是遇到线性不可分的样例,一律映射到高维空间,那么这个维度大小是会高到可怕的,但是就像上述核函数的方法就不会出现这种情况,核函数的价值就在于它虽然也是将特征进行从低维到高维的转换,但核函数绝就绝在它事先在低维上进行计算,而将实质上的分类效果表现在了高维上,也就如前述所说的避免了直接在高维空间中的复杂计算。
本申请的一些实施例中,通过将特征提取后的样本遥感图像中像素点输入支持向量机算法进行建模,获取像素点为人工地物像素点的分类模型,再用于对检测遥感图像中的像素点进行分类。例如,样本遥感图像中每一像素点的特征向量yj∈R2l+1,将每一像素点的特征向量依次作为训练样本,利用SVM分类方法进行分类。
本申请的一些实施例中,选用高斯核函数,即
把训练样本特征映射到高斯核空间,从而成为线性可分的情况。现通过训练样本,解决一个凸优化的问题,以此来求得最优的SVM模型参数。
s.t αi≥0,i=1,...,n
利用SMO算法求解上述方程,得到最优解αi,根据
可求出w,然后通过
即可求出b。
因此,通过训练样本(即样本遥感图像中的像素点的特征),即可确定SVM的模型参数,从而获取像素点为人工地物像素点的分类模型。
在步骤S102中,首先获取检测遥感图像,检测遥感图像中的像素点没有人工地物像素点的标记,即当前检测遥感图像中的像素点是否为人工地物像素点还不确定。
获取检测遥感图像后,优选地,下一步对检测遥感图像进行下采样,本申请中采用拉普拉斯金字塔方法对检测遥感图像进行下采样。拉普拉斯金字塔是一种以多分辨率来解释图像的有效但概念简单的结构,它是通过源图像减去先缩小后再放大的图像的一系列图像构成的,其保留的是残差,即各个频域段的信息,如图2所示,其可应用于图像分割、机器视觉和图像压缩。一幅图像的金字塔是一系列以金字塔形状排列的、分辨率逐步降低且来源于同一张原始图的图像集合,其通过梯次向下采样获得,直到达到某个终止条件才停止采样。图像金字塔的底部是待处理图像的高分辨率图像,而顶部是低分辨率的近似图像,一层一层的图像类似金字塔,层级越高,则图像越小,分辨率越低。
对某一层金字塔图像进行高斯内核卷积(可理解为频域滤波),再将图像(可看成矩阵)中所有偶数行和列中的像素点去除,即可得到下一层的金字塔图像,此步骤为进行一次下采样,通过对输入图像的不停迭代以上步骤就会得到整个金字塔图像,如图2所示。例如,可根据遥感图像的分辨率,以及对人工地物目标检测的精度,对遥感图像进行下采样,采样的倍率这里选择2G,G=2,即下采样后的图像是遥感图像的1/4大小,因此下采样会丢失图像的一些信息。
与下采样相反的操作是上采样,即图像的放大,具体步骤包括:将图像在每个方向扩大为原来的两倍,新增的行和列以0填充,再使用与先前同样的内核与放大后的图像卷积,获得“新增像素”的近似值,最终得到的图像即为放大后的图像,但是与原来的图像相比会发觉比较模糊,因为在缩放的过程中已经丢失了一些信息,拉普拉斯金字塔方法可以在缩小和放大图像的过程中减少信息的丢失。
本申请的一些实施例中,获得下采样后的检测遥感图像后,进一步基于冗余轮廓波变换将其分解为低通子带和带通方向子带,具体地,首先基于冗余轮廓波变换将其分解为低通子带和带通子带,再基于方向滤波器组对带通子带进行分解,获取带通方向子带,最后基于阈值化方法对带通方向子带进行去噪。
冗余轮廓波变换(Non-Subsampled Contourlet Transform,NSCT)是多尺度几何分析方法中的一种,在图像理解和处理应用中,多尺度几何分析方法作为一种新的图像表示方法,具备多尺度和多方向性特征,在不同方向和不同尺度的子带系数间存在较强相关性,同时更能表现自然图像的本质特征。
冗余轮廓波变换基于轮廓波变换,轮廓波变换如图3至图5所示,其第一步是进行图像的多尺度分析,通过拉普拉斯金字塔分解共生成两个分量:低通分量,通过对原始信号进行下采样得到;带通分量,即为原始信号与预测信号的差。轮廓波变换的第二步是采用一个方向滤波器组进行滤波,该滤波过程可分为两步,首先利用扇形方向频率剪切滤波器进行滤波,再通过二次取样的某种形式实现。
冗余轮廓波变换首先对图像进行多尺度分解,通过非下采样塔形滤波器将图像分解为一个低通子带和一个带通子带,再对每一层的低通子带进行分解获得下一层的低通子带和带通子带,最终得到的图像分解结果包括最低一层的低通子带和多个层的带通子带。
本申请的一些实施例中,获得多个层上的带通子带后,再基于方向滤波器组(Directional Filter Bank,DFB)对每一层上的带通子带进行分解,获取多个带通方向子带并提取带通方向子带的频域信息,最终可用类似于线段的基函数来描述方向子带包含的信息,方向子带可以理解为基函数乘以子带的系数,如图6所示。在此,频域信息是指方向子带中包含源图像在这个方向上的边缘等信息,线段理解为图像某个方向的信息,一个方向上的图像就是一个方向子带,其中就包含这个方向上图像的信息,这个方向上的图像信息就像图像这个方向的线段一样。从图6中可以看到每层方向子带的大小不会随着分解滤波级数的增加而减小,这也正是冗余轮廓波变换与轮廓波变换的区别,分解出来的带通方向子带经过方向滤波器组后被划分成了很多方向的更小的子带频谱。
与轮廓波变换相比,冗余轮廓波变换是一种平移不变、多尺度、多分辨率的冗余变换,该变换去掉了金字塔分解和方向滤波器分解中信号经分析滤波后的下采样及综合滤波前的插值过程,而改为对滤波器进行上采样,再对信号进行分析滤波和综合滤波。由于变换后各尺度上各方向子带的大小都与原图像相同,冗余度系数得到了提高,其冗余度系数冗余度的提高使得该变换具有了平移不变性,从而有利于提高图像处理性能。由于在塔式分解过程中低通滤波器的带宽大于π/2,其低频子带也不会有频谱混叠现象产生,因而具有更好的频谱特性。
本申请的一些实施例中,采用的冗余轮廓波变换(NSCT)消除了采样环节,各个子带大小与原始图像一致,能够更加丰富地表征图像的几何特征,从而利于子带中像素点特征向量的提取。
本申请的一些实施例中,在获得多个带通方向子带后,再基于阈值化方法对带通方向子带进行去噪。具体地,是根据带通方向子带的系数对应的方差确定带通方向子带的硬阈值,使用硬阈值进行子带去噪。例如,根据子带系数所对应的方差,将方差乘上固定比值后作为方向子带的去噪硬阈值,对该方向子带进行去噪处理。
获得了去噪后的子带,接下来根据所述带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带。具体地,是首先在带通方向子带对应的基函数表达的信息满足预设阈值时,将带通方向子带分解得到的下一层两个带通方向子带对应的基函数确定为最优基函数,其中,带通方向子带对应的基函数表达的信息包括带通方向子带分解后的能量熵函数比值和带通方向子带的能量分布均方差;再将最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带。
由于前述的子带分解会产生很多方向子带,如果对每个方向子带中的像素点都进行特征提取的话会导致计算量很大,会降低计算的效率。因此本申请的实施例中,首先对全部方向子带进行过滤,去除表达信息较少的方向子带,留下表达信息较多的方向子带,这些方向子带就是用于特征提取的带通方向子带。本申请的一些实施例中,对方向子带进行过滤可采用最优基函数选择策略挑选出最优的基函数,这些最优的基函数对应的方向子带就是用于特征提取的方向子带。
具体地,最优基函数选择策略为:让每一层的拉普拉斯金字塔分解和方向滤波器组分解都需满足:
其中为第i层的第j个子带,假设各个子带大小都为M×N,则式1和式2中f(.,.)、E(x)和F(x)定义为:
其中p≥1 (4)
其中f(.,.)为非线性选择函数,E(x)表示子带内含的能量熵函数,F(x)表示子带内的能量分布的均方差,u为子带所对应的均值。
本申请的一些实施例中,如果方向子带分解后的能量熵函数的比值小于预设阈值T1且方向子带内能量分布的均方差大于预设阈值T2,则选择下一层分解的两个方向子带对应的基函数为最优基函数。优选地,在实际过程中最优基函数选择策略对应参数可根据需要设置,例如可设置T1=1.1、T2=3以及E(x)计算中的p=1。
由前述内容可知,可根据带通方向子带分解后计算得到的能量熵函数比值和能量分布均方差来确定最优基函数,再将最优基函数对应的方向子带确定为用于特征提取的带通方向子带,即在带通方向子带分解后的能量熵函数比值和能量分布均方差满足预设阈值时,将带通方向子带分解得到的下一层两个带通方向子带确定为用于特征提取的带通方向子带。
本申请的一些实施例中,获取了用于特征提取的带通方向子带后,再根据低通子带和用于特征提取的带通方向子带中对应坐标的像素点的信息,提取检测遥感图像中像素点的特征。具体地,首先根据检测遥感图像中像素点的坐标,确定像素点在低通子带和用于特征提取的带通方向子带中的邻域,邻域为以像素点的坐标为中心的预设矩形区域;再根据低通子带中邻域的能量熵函数值,以及用于特征提取的带通方向子带中邻域的能量熵函数值和能量分布均方差,确定检测遥感图像中像素点的特征。在此,像素点的特征信息具有旋转不变性,能够充分表示遥感图像中的纹理特征以及低频强度特征。
例如,通过冗余轮廓波变换将检测遥感图像分解为L层,经过最优基选择后,L层中选出K个方向子带,在此每个子带的大小与下采样后的原始检测遥感图像大小一致。一幅下采样后大小为M×N的检测遥感图像,相当于一个矩阵,具有M行N列,即一行N个像素,一列M个像素,坐标点就是像素点,第一个像素点的坐标就是(1,1),坐标(5,6)就是代表第五行第六列那个像素点,分解过程中每层的子带图像大小都不变都是M×N大小,因此具有同样多的像素点。例如,计算(5,6)坐标点的特征,就是计算每张子图像包括方向子带和低通子带上在(5,6)上的特征值所构成的向量,该向量才能描述检测遥感图像坐标点(5,6)即第五行第6列那个像素点的特征,从而决定这个像素点属于那一类。
本申请的一些实施例中,不会为下采样检测遥感图像中的每个像素点都计算相应的特征,这种方式的计算效率很低。通过计算以像素点为中心的邻域的能量熵函数值和能量分布的均方差,将该邻域中的所有像素点划分为同一类,即同为人工地物像素点或同为非人工地物像素点,能够极大地提高计算的效率。
在此,邻域大小一般根据检测遥感图像分辨率大小的不同来确定,一般设置为8×8,16×16或32×32大小。计算m×n大小邻域内的能量熵函数值和能量分布均方差的计算公式如下:
则第i层,k个子带,得到的特征为:
这里邻域窗口取8×8大小,即式中特征窗口m×n为8×8。在前述场景中,冗余轮廓波变换共分解了L层,则可利用上式求得每一层像素点的能量熵函数值和能量分布均方差值,再加上第L层的低通子带的能量熵函数值,再进行组合,可获得2L+1维的特征向量:
feature=[ELFEl...E1σl...σ1]
在此,feature是该像素点的特征向量,其中ELF为低通子带的能量熵值,El...E1为各带通方向子带的能量熵值,σl...σ1为各带通方向子带的方差值。
在确定了检测遥感图像中像素点的特征之后,即可使用前述通过SVM算法建立的分类模型对这些像素点进行分类,确定像素点中的人工地物像素点。
在步骤S103中,对检测遥感图像像素点中的人工地物像素点进行标识。具体地,首先基于图像形态操作对下采样检测遥感图像进行优化,获取优化后的下采样检测遥感图像,再对优化后的下采样检测遥感图像进行上采样,获取上采样检测遥感图像,最后将人工地物像素点在上采样检测遥感图像上进行标识。
在此,通过SVM分类模型对检测遥感图像中的像素点进行了标识之后,由于该检测遥感图像中标识的人工地物像素点组成的区域有些过小,为除去这些过小的区域,本申请的一些实施例中采用图像形态操作对下采样检测遥感图像中像素点的分类进行优化。
图像形态学,即数学形态学(Mathematical Morphology),主要用于从图像中提取对表达和描绘区域形状有意义的图像分量,使后续的识别工作能够抓住目标对象最为本质的形状特征,如边界和连通区域等,因此可以简化图像数据,保持它们基本的形状特性,并除去不相干的结构。
二值图像的基本形态学操作,包括腐蚀操作、膨胀操作、开运算操作(先腐蚀后膨胀)和闭运算操作(先膨胀后腐蚀)。
膨胀:A和B是两个集合,A被B膨胀定义为:
A被B膨胀的操作如图10所示,该操作表示:B的反射进行平移与A的交集不为空,这里B的反射是指相对于自身原点的映像,B的平移是指对B的反射进行位移。
腐蚀:使图像缩小,A和B是两个集合,A被B腐蚀定义为:
A被B腐蚀的操作如图11所示。
开操作:使用结构元素B对集合A进行开操作,定义为:
B对集合A进行开操作如图12所示,表示先用B对A腐蚀,然后用B对结果膨胀,从而使图像的轮廓变得光滑,断开狭窄的间断和消除细的突出物。
闭操作:使用结构元素B对集合A进行闭操作,定义为:
B对集合A进行闭操作如图13所示,表示先用B对A膨胀,然后用B对结果腐蚀。闭操作同样使图像的轮廓变得光滑,但与开操作相反,它能消除狭窄的间断和长细的鸿沟,消除小的孔洞,并填补轮廓线中的裂痕。
通过图像形态学操作对下采样检测遥感图像进行优化之后,得到优化后的下采样检测遥感图像,由于本申请的技术方案对输入的原始检测遥感图像进行了下采样,例如采样倍率为2G,G=2,下采样检测遥感图像只有原始检测遥感图像的1/4大小,因此需要进行上采样,将下采样检测遥感图像的大小还原为原始检测遥感图像的大小,即通过插值操作使得稀疏表示分类结果与原始检测遥感图像大小一一对应,并将人工地物像素点的分类结果在原始检测遥感图像上进行标识。
图14示出了本申请的一个实施例的中间结果示意图,其中的图(a)为原始图像;(b)为人工标定的图像;(c)为未经过最优基选择的NSCT的3级分解频谱图,共生成了34个频谱子带用于特征提取计算;(d)为经过最优基选择的3级分解频谱图,可以看到,频谱子带从34个降到了18个,减少了特征的计算量;(e)图和(f)图为不采用最优基的选择策略,直接计算特征向量,再用SVM分类器分类的结果;(g)和(h)图则为经过最优基选择基函数减少频谱子带后再计算特征向量,用SVM分类器分类的结果。
在该申请实施例中,首先输入一张检测遥感图像,经过第一步:下采样后检测遥感图像变为原来的1/4,如图(a)所示,再通过第二步:冗余轮廓波变换分解下采样检测遥感图像,得到的3级分解的频谱如图(c)所示,再进行第三步:硬阈值去噪和第四步:最优基选择,计算能量熵函数的比值小于预设阈值T_1、子带内能量分布的均方差大于预设阈值T_2的基函数,满足条件的基作为最优基留下,不满足的不加入计算,从而使得(c)中的频谱子带减少,得到的结果如图(d)所示。第五步:计算像素点的特征,即计算像素点邻域内的能量熵函数值和能量分布的均方差,由于最优基选择后子带分解为3级,那么每级就可以得到一个能量熵函数值和能量分布的均方差,总共就是6个数,再加上最后一级的低通子带部分,也计算出一个能量熵函数值,加起来就是7个数,也就是说一个像素点的特征向量是7维的,然后整个下采样检测遥感图像中每个像素点就可以得到一个7维的特征向量。由于在此之前,基于同样的特征提取方法已经用训练样本构造了一个训练库,通过计算确定好了SVM模型的参数。此时通过第六步:将下采样检测遥感图像的特征输入,应用训练好的SVM分类器进行分类,计算分类函数值判别,属于人工地物类的被标志为1,就会被记录为人工地物点,属于自然区域类的被标志为-1,就会被分到非人工地物类。最后一幅图像中所有的像素点得到了分类,在图像中就标定分割出来,为了消去小空洞,完成第七步:图像形态学处理,得到的结果如图(g)和(h)所示,最后再把下采样检测遥感图像还原成原来的大小,即通过插值法把下采样检测遥感图像放大4倍。
从图14中可以看到,有最有基选择和无最优基选择的结果差别不大,分类结果比较精确,验证了最优基选择策略的正确性,但是明显的是,最优基的选择极大提高了计算的速度与效率。
本申请的一些实施例还提供了一种遥感图像中人工地物的检测设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行前述遥感图像中人工地物的检测方法。
本申请的一些实施例还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述遥感图像中人工地物的检测方法。
综上所述,本申请提供的方案能够对样本遥感图像中的像素点进行特征提取,并进一步通过支持向量机算法对特征提取后的像素点进行建模,得到用于确定遥感图像中像素点是否为人工地物像素点的分类模型,在对检测遥感图像中的像素点进行类似的特征提取之后,再根据得到的分类模型对检测遥感图像中的像素点进行分类,确定检测遥感图像中的人工地物像素点并进行标识,从而充分利用了遥感图像的纹理特征,能够适用于多种复杂遥感图像的人工地物识别,更好地表达原始图像中的信息,去噪分割的界限更加清晰,分类效果比其它分类器更好,提高了遥感图像中人工地物的识别精确度。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。
Claims (10)
1.一种遥感图像中人工地物的检测方法,其中,该方法包括:
获取样本遥感图像,对所述样本遥感图像中的像素点进行特征提取,并通过支持向量机算法对特征提取后的像素点进行建模,获取所述像素点为人工地物像素点的分类模型;
获取检测遥感图像,基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通方向子带;根据所述带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带;根据所述低通子带和用于特征提取的带通方向子带中对应坐标的像素点的信息,提取所述检测遥感图像中像素点的特征;根据所述像素点的特征,使用所述分类模型对所述像素点进行分类,确定所述像素点中的人工地物像素点;
对检测遥感图像像素点中的人工地物像素点进行标识。
2.根据权利要求1所述的方法,其中,对所述样本遥感图像中的像素点进行特征提取,包括:
对所述样本遥感图像进行下采样,获取下采样样本遥感图像;基于冗余轮廓波变换将下采样样本遥感图像分解为样本低通子带和样本带通方向子带;根据所述样本带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的样本带通方向子带确定为用于特征提取的样本带通方向子带;根据所述样本低通子带和用于特征提取的样本带通方向子带中对应坐标的像素点的信息,提取所述下采样样本遥感图像中像素点的特征,其中,所述样本遥感图像中的像素点已经标识为人工地物像素点或非人工地物像素点。
3.根据权利要求1所述的方法,其中,获取检测遥感图像,基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通方向子带,包括:
获取检测遥感图像;
对所述检测遥感图像进行下采样,获取下采样检测遥感图像;
基于冗余轮廓波变换将所述下采样检测遥感图像分解为低通子带和带通方向子带。
4.根据权利要求3所述的方法,其中,对检测遥感图像像素点中的人工地物像素点进行标识,包括:
基于图像形态操作对所述下采样检测遥感图像进行优化,获取优化后的下采样检测遥感图像;
对所述优化后的下采样检测遥感图像进行上采样,获取上采样检测遥感图像;
将人工地物像素点在所述上采样检测遥感图像上进行标识。
5.根据权利要求1所述的方法,其中,基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通方向子带,包括:
基于冗余轮廓波变换将所述检测遥感图像分解为低通子带和带通子带;
基于方向滤波器组对所述带通子带进行分解,获取带通方向子带;
基于阈值化方法对所述带通方向子带进行去噪。
6.根据权利要求5所述的方法,其中,基于阈值化方法对所述带通方向子带进行去噪,包括:
根据所述带通方向子带的系数所对应的方差确定所述带通方向子带的硬阈值;使用所述硬阈值进行子带去噪。
7.根据权利要求1所述的方法,其中,根据所述带通方向子带对应的基函数表达的信息,确定最优基函数,并将最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带,包括:
在所述带通方向子带对应的基函数表达的信息满足预设阈值时,将所述带通方向子带分解得到的下一层两个带通方向子带对应的基函数确定为最优基函数,其中,所述带通方向子带对应的基函数表达的信息包括所述带通方向子带分解后的能量熵函数比值和带通方向子带的能量分布均方差;
将所述最优基函数对应的带通方向子带确定为用于特征提取的带通方向子带。
8.根据权利要求1所述的方法,其中,根据所述低通子带和用于特征提取的带通方向子带中对应坐标的像素点的信息,提取所述检测遥感图像中像素点的特征,包括:
根据所述检测遥感图像中像素点的坐标,确定所述像素点在所述低通子带和用于特征提取的带通方向子带中的邻域,所述邻域为以所述像素点的坐标为中心的预设矩形区域;
根据所述低通子带中邻域的能量熵函数值,以及所述用于特征提取的带通方向子带中邻域的能量熵函数值和能量分布均方差,确定所述检测遥感图像中像素点的特征。
9.一种遥感图像中人工地物的检测设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行权利要求1至8中任一项所述的方法。
10.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810503058.6A CN108898052A (zh) | 2018-05-23 | 2018-05-23 | 遥感图像中人工地物的检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810503058.6A CN108898052A (zh) | 2018-05-23 | 2018-05-23 | 遥感图像中人工地物的检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898052A true CN108898052A (zh) | 2018-11-27 |
Family
ID=64343746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810503058.6A Pending CN108898052A (zh) | 2018-05-23 | 2018-05-23 | 遥感图像中人工地物的检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898052A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111521998A (zh) * | 2019-02-01 | 2020-08-11 | 通用汽车环球科技运作有限责任公司 | 用于去混叠和配置雷达系统的深度学习 |
CN112990028A (zh) * | 2021-03-22 | 2021-06-18 | 精英数智科技股份有限公司 | 基于分类器对煤和矸石进行分类的方法和煤矸分选装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473559A (zh) * | 2013-09-08 | 2013-12-25 | 西安电子科技大学 | 基于nsct域合成核的sar图像变化检测方法 |
CN105117688A (zh) * | 2015-07-29 | 2015-12-02 | 重庆电子工程职业学院 | 基于纹理特征融合和svm的人脸识别方法 |
US20160284086A1 (en) * | 2014-01-17 | 2016-09-29 | Capital Medical University | Method for establishing prediction model based on multidimensional texture of brain nuclear magnetic resonance images |
CN107944470A (zh) * | 2017-11-03 | 2018-04-20 | 西安电子科技大学 | 基于轮廓波fcn‑crf的sar图像分类方法 |
-
2018
- 2018-05-23 CN CN201810503058.6A patent/CN108898052A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473559A (zh) * | 2013-09-08 | 2013-12-25 | 西安电子科技大学 | 基于nsct域合成核的sar图像变化检测方法 |
US20160284086A1 (en) * | 2014-01-17 | 2016-09-29 | Capital Medical University | Method for establishing prediction model based on multidimensional texture of brain nuclear magnetic resonance images |
CN105117688A (zh) * | 2015-07-29 | 2015-12-02 | 重庆电子工程职业学院 | 基于纹理特征融合和svm的人脸识别方法 |
CN107944470A (zh) * | 2017-11-03 | 2018-04-20 | 西安电子科技大学 | 基于轮廓波fcn‑crf的sar图像分类方法 |
Non-Patent Citations (6)
Title |
---|
ARTHUR L.DA CUNHA等: "NONSUBSAMPLED CONTOURLET TRANSFORM: FILTER DESIGN AND APPLICATIONS IN DENOISING", 《IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING 2005》 * |
JIANPING ZHOU等: "Nonsubsampled Contourlet Transform: Construction and Application in Enhancement", 《 2005 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
WANG WEI等: "Feature extraction for man-made objects segmentation in aerial images", 《SPRINGER》 * |
徐楠楠等: "基于NSCT和SVM的脑MRI医学图像识别", 《现代电子技术》 * |
汪伟: "基于偏微分方程的人工地物与自然区域分类技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
钟微宇等: "结合多特征和SVM的SAR图像分割", 《计算机应用研究》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111521998A (zh) * | 2019-02-01 | 2020-08-11 | 通用汽车环球科技运作有限责任公司 | 用于去混叠和配置雷达系统的深度学习 |
CN111521998B (zh) * | 2019-02-01 | 2023-12-05 | 通用汽车环球科技运作有限责任公司 | 用于去混叠和配置雷达系统的深度学习 |
CN112990028A (zh) * | 2021-03-22 | 2021-06-18 | 精英数智科技股份有限公司 | 基于分类器对煤和矸石进行分类的方法和煤矸分选装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hasan et al. | A comparison between support vector machine (SVM) and convolutional neural network (CNN) models for hyperspectral image classification | |
Gaetano et al. | Marker-controlled watershed-based segmentation of multiresolution remote sensing images | |
Drăguţ et al. | Object representations at multiple scales from digital elevation models | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
Zhang et al. | Regions of interest detection in panchromatic remote sensing images based on multiscale feature fusion | |
US9064151B2 (en) | Device and method for detecting plantation rows | |
Cui et al. | Superpixel-based extended random walker for hyperspectral image classification | |
CN112132006A (zh) | 一种面向耕地保护的林地和建筑物智能提取方法 | |
CN110120065B (zh) | 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
WO2019193702A1 (ja) | 画像処理装置、画像処理方法、及び、画像処理プログラムが格納された記録媒体 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN109002771B (zh) | 一种基于递归神经网络的遥感图像分类方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110751195A (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
Shu | Deep convolutional neural networks for object extraction from high spatial resolution remotely sensed imagery | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN108898052A (zh) | 遥感图像中人工地物的检测方法及设备 | |
Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
Freire Santana et al. | Multispectral image unsupervised segmentation using watershed transformation and cross-entropy minimization in different land use | |
CN103345739B (zh) | 一种基于纹理的高分辨率遥感影像建筑区指数计算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |