CN108898096B - 一种面向高分影像的信息快速精确提取方法 - Google Patents
一种面向高分影像的信息快速精确提取方法 Download PDFInfo
- Publication number
- CN108898096B CN108898096B CN201810676322.6A CN201810676322A CN108898096B CN 108898096 B CN108898096 B CN 108898096B CN 201810676322 A CN201810676322 A CN 201810676322A CN 108898096 B CN108898096 B CN 108898096B
- Authority
- CN
- China
- Prior art keywords
- extraction
- ground
- feature
- image
- ground 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.)
- Active
Links
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向高分影像的信息快速精确提取方法,包括高分遥感影像输入与预处理;根据影像地表覆盖分布规律,对影像进行分区处理;根据分区处理后影像中各类型地物的地表覆盖形式,选择不同特征分别对不同类型的目标地物进行一次性特征提取,获得各类型目标地物的多个提取结果;对各个提取结果分别进行敏感性分析,获得各类型目标地物的敏感特征组;利用目标地物的敏感特征组,结合分层策略确定地物分层提取顺序,按顺序以先粗提取后精提取的方式逐层提取分区处理后影像中的地物信息。其显著效果是:降低了数据成本,加强了国产影像数据的研究与应用;解决了地物特征选择困难的问题;提高了地物信息提取的适用性与自动化程度。
Description
技术领域
本发明涉及到遥感影像处理技术领域,具体地说,是一种面向高分影像的信息快速精确提取方法。
背景技术
高分辨率遥感影像能够提供大量的地表特征,同一地物类别内部组成要素丰富的细节信息、空间信息、地物的几何形态以及与相邻地物的关系能够得到较好反映。然而,高分辨率遥感影像的光谱统计特征不如中低分辨率影像稳定,地物空间分布复杂,同类地物呈现出很大的光谱异质性,表现为类内方差变大,类间方差减小,不同地物的光谱相互混淆,传统的光谱分类方法不能得到满意的信息提取效果。
而随着遥感技术及相关学科技术的不断发展,遥感影像信息提取研究在过去几十年中已经取得了较大的进步,主要体现在:(1)信息提取算法研究取得了较大进步。信息提取算法研究主要开展方法的设计和改进,目前主要以面向对象的分类方式为主,结合数学、物理、计算机科学等相关的理论知识与实践分析。发展较为迅速的有引进多种分类器、结合将影像化繁为简的分割策略以及采用多种数学物理模型等,将其融入传统的影像分类算法中,来有效提高影像地物信息提取工作。(2)结合了影像特征的地物信息提取。高分辨率遥感影像其细节信息更加丰富,同时其地物的有效提取问题也逐渐凸显出来,现在逐渐开始研究多种遥感影像特征的使用,包括空间特征,语义特征以及多时相特征等。
目前,对面向对象的信息提取理论和实践应用研究不断在创新与改进,相关实际应用领域也在不断加强地物信息获取的智能化应用,以提高工作效率。但通过分析总结国内外相关研究现状以及实际工作应用情况,发现目前对于地表覆盖信息提取仍然存在一些问题:①在实际生产工作中,对国产高分二号卫星影像应用较少,大多是引入国外的高分辨率影像,成本较高,且造成国产遥感影像数据的极大浪费;②高分辨率影像地物信息提取方法的应用研究不足,由于其实验区域、应用领域的局限性以及实现的复杂性,提出的许多研究方法在实际应用中并不能有效提高其生产效率;③特征选择困难。由于高分辨率影像地物特征层出不穷,造成特征选择较为困难,目前没有一种最优特征分析方法能够对地物特征进行有效选择;④信息提取自动化程度较低。在实际生产工作与应用中,利用数理统计理论方法结合人工解译与野外调查仍是在目前进行大尺度遥感信息提取的主导方法,虽然这种方法具有算法成熟、充分利用人机交互等优势,但也存在着用时长,对参与解译分析的人员依赖性强,可重复性低的局限,难以迅速、准确、客观地获取大面积地表覆盖信息等缺陷。
发明内容
针对现有技术的不足,本发明的目的是提供一种面向高分影像的信息快速精确提取方法,该方法将敏感性分析引入地物信息提取领域,以对地物提取特征进行筛选,并结合分层策略以由粗及细的提取原则逐一实现各个地物信息提取。
为达到上述目的,本发明采用的技术方案如下:
一种面向高分影像的信息快速精确提取方法,其关键在于包括如下步骤:
步骤1:输入高分遥感影像,并进行影像预处理;
步骤2:根据影像地表覆盖分布规律,对影像进行分区处理;
步骤3:根据分区处理后影像中各类型地物的地表覆盖形式,选择不同特征分别对不同类型的目标地物进行一次性特征提取,获得各类型目标地物的多个提取结果;
步骤4:对各个提取结果分别进行敏感性分析,获得各类型目标地物的敏感特征组;
步骤5:利用目标地物的敏感特征组,结合分层策略确定地物分层提取顺序,按顺序以先粗提取后精提取的方式逐层提取分区处理后影像中的地物信息。
进一步的,所述影像预处理包括正射校正、影像融合、影像裁剪以及影像增强。
进一步的,步骤2中将影像分为乡村生态区、工业建设区与城市核心区。
进一步的,步骤3中所述特征提取所采用的方法为图像阈值分割法。
进一步的,步骤4中所述敏感特征组的获取过程包括构建特征敏感度模型与特征敏感度排序选择两个步骤。
更具体的描述是,所述构建特征敏感度模型的具体步骤为:
步骤A2:计算误提取地物与目标地物的不可分离距离,并利用归一化算法计算得到各个误提取地物对目标地物的影响权重值,计算公式为:
再进一步的,所述特征敏感度排序选择的具体过程为:
步骤B1:采用构建的特征敏感度模型对各个提取结果分别进行敏感性分析,得到不同特征对目标地物的敏感度;
步骤B2:采用统计学方法对不同特征的敏感度进行排序,获得地物敏感度特征序列;
步骤B3:从地物特征序列中选择对目标地物敏感度高的若干特征,形成目标地物的敏感特征组。
进一步的,步骤5中地物信息提取的具体流程如下:
步骤5-1:确定地物分层提取顺序,即根据分层策略,确定各类型目标地物的分层提取顺序;
步骤5-2:地物信息粗提取,即根据当前最优先提取的目标地物类型,从步骤4中获得的敏感特征组中选择与其相适应的一种特征对目标地物进行粗提取,得到粗略目标地物信息;
步骤5-3:地物信息精提取,即分析并区分粗提取结果中与目标地物混淆的地物类型,结合地物特征以及分层后对象之间的相互关系,选择若干种精提取地物特征进行目标地物精提取,获得精确目标地物信息,并对已提取地物进行掩膜处理;
步骤5-4:目标地物逐层提取,即对掩模处理后的影像,重复步骤5-2与步骤5-3,按照分层提取顺序对各类型地物进行依次提取,获得所需地物信息。
进一步的,所述分层策略具体包括:根据地物之间的相互影响程度、实际地物的分布情况以及地物提取的难易程度,按照由易到难的原则进行决定地物的分层提取顺序。
进一步的,所述目标地物的类型有水域、植被、道路与建筑物。
本方案采用高分二号光学遥感影像作为数据源,先将影像分乡村生态区、工业建设区和城市核心区为三个区域,在各个区域内以充分解析及利用影像细节信息为依托,分别分析各种目标地物的特征描述;构建特征敏感度模型分析不同地物特征对目标地物的可辨识程度,综合分析并形成各类型目标地物的敏感特征组,作为地物粗提取的有效特征;最后以地物逐级分层策略为主要框架,以由粗及细的提取原则逐一实现各个地物信息提取。
本发明的显著效果是:
1、采用国产高分影像,降低了数据成本,加强了国产影像数据的研究与应用;
2、构建了敏感度模型来量化特征提取效果,解决了地物特征选择困难的问题;
3、将分层策略与地物特征有序结合,以应用于多种环境下的地表地物信息提取,提高了地物信息提取的适用性以及实际生产的自动化程度,减少了对参与解译分析人员的依赖性,可重复性高,能够迅速、准确、客观地获取大面积地表覆盖信息等缺陷,能为国土、环保、水利、交通等领域的相关工作提供技术支持。
附图说明
图1是本发明的方法流程图;
图2是所述敏感特征组获取过程的流程图;
图3是分层提取地物信息的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
为更好地说明本方案所采用的技术手段,本实施例采用的数据是高分二号卫星影像,包括1m分辨率的全色影像和4m分辨率的多光谱影像,其中,多光谱影像包括4个波谱通道,即红、绿、蓝、近红外。以重庆市三个区域(乡村生态区、工业建设区和城市核心区)的4种典型地表覆盖类型(水域、植被、建筑物和道路)作为研究目标;然后在各个区域内以充分解析及利用影像细节信息为依托,对4种典型地物信息进行提取,提取过程如下所示。
如图1所示,一种面向高分影像的信息快速精确提取方法,
步骤1:输入高分遥感影像,并采用ENVI.3软件工具进行影像预处理,影像预处理过程主要包括正射校正、影像融合、影像裁剪以及影像增强等。
正射校正是利用DEM数据消除由地形引起的影像空间和几何畸变的过程。通过采集分布均匀且足够数量的控制点,然后采用重庆市DEM数据对影像进行正射校正,避免由于重庆地势起伏较大引起的影像变形,生成研究区的正射影像。
影像融合指将多源遥感影像按照一定规则或者算法生成新的影像的过程。采用NNDiffuse融合方法,主要是对高分辨率全色影像进行降采样处理,获得光谱贡献向量,并利用权重向量对光谱进行规范,获得近似于多光谱影像的光谱信息。该方法是目前最新的融合方法,融合速度快,且对于色彩、纹理和光谱信息均能得到很好保留。将高分二号全色影像和多光谱影像进行融合处理,使融合影像既可以具有高空间分辨率,也保留了多光谱的4个波段信息。
影像裁剪是利用一定方法或者工具去除研究范围以外的影像,仅保留研究区域影像的过程。影像裁剪可避免非研究区域对研究区域的影响,同时减少数据量,提高影像处理速度。方法有规则裁剪和不规则裁剪,本例采用规则裁剪方法,即利用一个规则矩形获取影像范围,规则矩形通过左上角和右下角两点坐标获得。
影像增强是通过一定的算法或者波段计算,减弱由于大气成像或者传感器设计等导致的影像色调偏暗、地物边界模糊等现象,提高影像的目视效果,方便目视判断以及遥感影像分类与分析。本方案主要采用波段组合的方式增强地物的影像表达,即采用多种RGB合成方式,提高典型地物在影像上的识别效果。
步骤2:根据影像地表覆盖分布规律,对影像进行分区处理。
重庆市地表覆盖类型形态根据城镇化水平的不同存在较大差异,而城镇化水平与区域产业结构形式密切关联。通过查阅相关资料并分析,按照产业结构不同将重庆市主要分为三个区域进行研究,即乡村生态区、工业建设区、城市核心区。以克服影像整体进行处理的数据复杂、运算量大的缺点,且更有利于按照不同区域的地物特点选择地物信息提取用特征。
地理国情普查作为地理国情监测工作的前提和基础,根据2017年《重庆市第一次地理国情普查公报》(简称《公报》)统计,重庆市地表面积达到93178.16平方公里,水域、道路、建筑物、植被覆盖面积共计占重庆市总面积的71.17%。水域与植被是地理国情监测工作的重要地理要素,生态文明建设的一个重要指标,在环境保护与国家宏观规划方面有重要意义,其中,重庆市境内水域分布密集,类型多样,主要为液态水体,包括河渠、湖泊、水库坑塘等;重庆市植被资源丰富多样,主要包括园地、林地以及草地等,是重庆市占比最大的地表覆盖类型。道路和建筑物是一个城市发展的重要要素,其中,重庆市道路四通八达,类型多样且形态各异,包括乡村道路、城市道路、公路、铁路以及桥梁道路等;建筑物总体呈现类型复杂,光谱多样,空间分布差异明显等特征,主要包括房屋建筑、构筑物、场坝等。因此本方案中选择水域、植被、建筑物和道路等4种典型地物进行处理。
步骤3:根据分区处理后影像中4种典型地物(水域、植被、建筑物和道路)的地表覆盖形式,通过分析重庆市典型地物在不同分区遥感影像上的分布特征及其实际地物间客观存在的位置、语义关系等,筛选少数几个满足不同分区的地物特征分别对不同类型的目标地物进行一次性特征提取,获得各类型目标地物的多个提取结果;在本实施例中,为了降低人为主观因素对提取效果的干扰,以尽可能完整提取地物信息的原则,所述特征提取所采用的方法为图像阈值分割法。
步骤4:对各个提取结果分别进行敏感性分析,获得各类型目标地物的敏感特征组,所述敏感特征组的获取过程如图2所示,包括构建特征敏感度模型与特征敏感度排序选择两个步骤,大体过程为综合地物间的相互影响程度,特征正确提取程度和误提取程度构建特征敏感度模型对各个提取结果分别进行敏感性分析,得到不同特征对目标地物的有效提取程度,最后利用统计学方法对不同特征敏感度进行排序,选择对目标地物敏感度较高的少数几个特征,形成地物的敏感特征组。具体步骤如下所述:
构建特征敏感度模型:
步骤A1:在地物特征信息提取中,获得正确目标地物信息是地物信息提取的最终目标。而目标地物正确提取度在地物信息提取中起积极作用,因此通过影像增强,并结合实时百度地图与查阅相关资料,获得目标地物实际影像范围,并统计其面积,作为正确提取度评价的依据,然后用特征正确提取的影像面积与目标地物影响面积的比值作为特征对目标地物的正确提取度,用R表示,取值范围在0~1之间。然后,按照公式计算目标地物的正确提取度Rα,其中α表示目标地物提取所用特征,Aα为特征α的正确提取影像面积,A表示目标地物影像面积。
在遥感影像地物信息提取过程中,由于异物同谱、异谱同物等现象的普遍存在,导致在提取过程中往往伴随着大量噪声。本实施例在对地物特征进行敏感性分析中,通过单一特征一次性提取目标地物,以尽可能提取目标地物的同时,结果会参杂其他的地物噪声,且各类特征提取的噪声类型、分布情况与面积也会有所差异,对后续目标地物的精提取工作会有较大的影响。
因此,为了定量研究误提取部分对目标地物提取的影响程度,本实施例通过分析误提取部分噪声地物对目标地物的影响权重,并结合噪声地物的面积统计,提出误提取地物复杂度,进入步骤A2。
步骤A2:对研究区域进行样本选取,计算其他地物与目标地物的可分离性距离,进而计算误提取地物与目标地物的不可分离距离,并利用归一化算法计算得到各个误提取地物对目标地物的影响权重值。
地表特征可分性的判定方法很多,如J-M距离(Jeffries-Matusita Distance)、样本间平均距离、样本离散程度、类别间相对距离等。国内外学者普遍认为J-M距离更适合于类别可分性表达,J-M距离是
基于条件概率理论的光谱可分性指标,其具体计算如下:
式中,i、j分别表示目标地物与误提取地物,j∈[0,n],μ、V分别表示地物样本类别特征值的均值和方差矩阵,T表示矩阵转置。JMij值介于0~2之间,其大小代表目标地物i和误提取地物j之间的可分离程度,值越大说明两地物间的可分离性越好。
综上所述,所述误提取地物对目标地物的影响权重值Wij的计算公式为:
步骤A3:基于影像特征α的误提取影像面积与目标地物外的影像面积,计算误提取面积权重Eα:
本例以误提取影像面积与目标地物外影像面积的比值作为误提取面积权重。在地物提取复杂度分析中,误提取影像面积体现目标地物与其他地物的相似程度,误提取影像面积越大,说明两者在同种特征下信息越相似,也就越不利于目标地物信息提取。
因此,所述误提取面积权重Eα的计算公式如下所示:
式中,表示特征α的误提取影像面积,表示目标地物外的影像面积,Eα为特征α的误提取面积权重,其取值范围为[0,1]。Eα=0表示特征α的提取结果全为目标地物,无其他地物,该结果为理想状态;Eα=1表示特征提取结果包含了整个影像范围,即目标外的影像都被误提取,此类特征不能作为地物信息提取特征,本例在特征筛选时已经进行了剔除。
步骤A5:由于正确提取度与特征敏感度成正比,即正确提取程度越高,则特征敏感性越好;而误提取地物复杂度与特征敏感度成反比,即误提取地物复杂度越高,则特征敏感性越差。根据上述原理,并结合上述正确提取度Rα和误提取地物复杂度公式Fα的描述,本实施例按照公式构建特征敏感度模型Sα。
特征敏感度排序选择:
步骤B1:采用构建的特征敏感度模型对各个提取结果分别进行敏感性分析,得到不同特征对目标地物的敏感度;
步骤B2:采用统计学方法对不同特征的敏感度进行排序,获得地物敏感度特征序列;
步骤B3:从地物特征序列中选择对目标地物敏感度高的若干特征,形成目标地物的敏感特征组。
上述步骤将敏感性分析引入地物信息提取领域,将地物特征作为变量,并从地物特征信息提取的正确度与误提取复杂度两个层次,构建地物特征敏感度分析模型,以建模方式量化不同影像特征对目标地物信息获取的敏感程度大小,即量化了不同影像特征对目标地物的有效提取程度,有效解决了地物特征选择困难的问题。
最后进入步骤5:利用目标地物的敏感特征组,结合分层策略确定地物分层提取顺序,按顺序在每一层级以先粗提取后精提取的方式逐层提取地物信息,其中,在各个典型地物逐层提取过程中,以疑似水域、疑似植被、疑似道路、疑似建筑物作为地物粗提取与精提取间的过度类别;以非水域、非植被、非道路作为分级分层的中间类别,以此将影像地物细化,逐层得到分类地物。如图3所示,具体流程如下:
步骤5-1:确定地物分层提取顺序。根据重庆市地物之间的相互影响程度,结合实际地物的分布情况以及地物提取的难易程度,以由易到难的原则决定地物的分层提取顺序。通过分析,确定了重庆市4种典型地物的提取顺序:水域—植被—道路—建筑物,并将非水域、非植被、非道路作为分层地物获取的中间类别,逐级获取典型地物信息,形成分层提取框架;
步骤5-2:地物信息粗提取。根据对地物的地理位置分布以及高分影像中的地物空间、光谱等特征进行分析,筛选能较好反映地物的多个特征,并对重庆市不同环境下的目标地物提取结果进行敏感性分析,综合形成适应于重庆市典型地物的敏感特征组,选择其中一种特征对目标地物进行粗提取,得到较为完整的目标地物信息;
步骤5-3:地物信息精提取。根据粗提取结果,分析并区分与目标地物混淆的地类,结合传统地物特征以及分层后对象上下文的相互关系,针对所误提取部分的噪声,选取少量几种地物特征形成精提取地物特征,进行目标地物的精提取,以剔除误提取地物即噪声的影响,并对已提取地物进行掩膜处理,以消除对未提取地物的干扰;
步骤5-4:目标地物逐层提取。对掩模处理后的影像,重复步骤5-2与步骤5-3,按照分层提取顺序对各类型地物进行依次提取,获得所需地物信息。
本发明采用高分二号光学遥感影像作为数据源,以重庆市三个区域(乡村生态区、工业建设区和城市核心区)的4种典型地表覆盖类型(水域、植被、建筑物和道路)作为研究目标;然后在各个区域内以充分解析及利用影像细节信息为依托,分别分析4种典型地物的特征描述,根据区域选择初步特征对目标地物进行初步提取,并构建特征敏感度模型分析不同提取结果的敏感性,综合分析并形成重庆市4种典型地物的敏感特征组,作为地物粗提取的有效特征;最后以地物逐级分层策略为主要框架,以由粗及细的提取原则逐一实现各个地物信息提取,从而有效克服了地物特征选择困难的问题、数据成本高、信息提取自动化程度较低等缺陷。
Claims (8)
1.一种面向高分影像的信息快速精确提取方法,其特征在于,包括如下步骤:
步骤1:输入高分遥感影像,并进行影像预处理;
步骤2:根据影像地表覆盖分布规律,对影像进行分区处理;
步骤3:根据分区处理后影像中各类型地物的地表覆盖形式,选择不同特征分别对不同类型的目标地物进行一次性特征提取,获得各类型目标地物的多个提取结果;
步骤4:对各个提取结果分别进行敏感性分析,获得各类型目标地物的敏感特征组;
步骤5:利用目标地物的敏感特征组,结合分层策略确定地物分层提取顺序,按顺序以先粗提取后精提取的方式逐层提取分区处理后影像中的地物信息;
步骤4中所述敏感特征组的获取过程包括构建特征敏感度模型与特征敏感度排序选择两个步骤,所述构建特征敏感度模型的具体步骤为:
步骤A2:计算误提取地物与目标地物的不可分离距离,并利用归一化算法计算得到各个误提取地物对目标地物的影响权重值,计算公式为:
其中,Wij表示误提取地物j对于目标地物i的影响权重值,i表示目标地物,j表示误提取地物,j∈[0,n],n表示误提取地物种类数,表示目标地物i与误提取地物j间的不可分离程度,JMij表示目标地物i与误提取地物j间的J-M距离值,其大小代表目标地物i和误提取地物j之间的可分离程度,值越大说明两地物间的可分离性越好;
2.根据权利要求1所述的面向高分影像的信息快速精确提取方法,其特征在于:所述影像预处理包括正射校正、影像融合、影像裁剪以及影像增强。
3.根据权利要求1所述的面向高分影像的信息快速精确提取方法,其特征在于:步骤2中将影像分为乡村生态区、工业建设区与城市核心区。
4.根据权利要求1所述的面向高分影像的信息快速精确提取方法,其特征在于:步骤3中所述特征提取所采用的方法为图像阈值分割法。
5.根据权利要求1所述的面向高分影像的信息快速精确提取方法,其特征在于:所述特征敏感度排序选择的具体过程为:
步骤B1:采用构建的特征敏感度模型对各个提取结果分别进行敏感性分析,得到不同特征对目标地物的敏感度;
步骤B2:采用统计学方法对不同特征的敏感度进行排序,获得地物敏感度特征序列;
步骤B3:从地物特征序列中选择对目标地物敏感度高的若干特征,形成目标地物的敏感特征组。
6.根据权利要求1所述的面向高分影像的信息快速精确提取方法,其特征在于:步骤5中地物信息提取的具体流程如下:
步骤5-1:确定地物分层提取顺序,即根据分层策略,确定各类型目标地物的分层提取顺序;
步骤5-2:地物信息粗提取,即根据当前最优先提取的目标地物类型,从步骤4中获得的敏感特征组中选择与其相适应的一种特征对目标地物进行粗提取,得到粗略目标地物信息;
步骤5-3:地物信息精提取,即分析并区分粗提取结果中与目标地物混淆的地物类型,结合地物特征以及分层后对象之间的相互关系,选择若干种精提取地物特征进行目标地物精提取,获得精确目标地物信息,并对已提取地物进行掩膜处理;
步骤5-4:目标地物逐层提取,即对掩模处理后的影像,重复步骤5-2与步骤5-3,按照分层提取顺序对各类型地物进行依次提取,获得所需地物信息。
7.根据权利要求1或6所述的面向高分影像的信息快速精确提取方法,其特征在于:所述分层策略具体包括:根据地物之间的相互影响程度、实际地物的分布情况以及地物提取的难易程度,按照由易到难的原则进行决定地物的分层提取顺序。
8.根据权利要求1所述的面向高分影像的信息快速精确提取方法,其特征在于:所述目标地物的类型有水域、植被、道路与建筑物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810676322.6A CN108898096B (zh) | 2018-06-27 | 2018-06-27 | 一种面向高分影像的信息快速精确提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810676322.6A CN108898096B (zh) | 2018-06-27 | 2018-06-27 | 一种面向高分影像的信息快速精确提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898096A CN108898096A (zh) | 2018-11-27 |
CN108898096B true CN108898096B (zh) | 2022-04-08 |
Family
ID=64346453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810676322.6A Active CN108898096B (zh) | 2018-06-27 | 2018-06-27 | 一种面向高分影像的信息快速精确提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898096B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670425A (zh) * | 2018-12-07 | 2019-04-23 | 河北工程大学 | 一种基于多尺度思想的地物信息提取方法 |
CN110363771B (zh) * | 2019-07-15 | 2021-08-17 | 武汉中海庭数据技术有限公司 | 一种基于三维点云数据的隔离护栏形点提取方法及装置 |
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 |
WO2024020744A1 (zh) * | 2022-07-25 | 2024-02-01 | 苏州中科天启遥感科技有限公司 | 基于高分辨率影像的生态图斑提取方法 |
CN114937145B (zh) * | 2022-07-26 | 2022-09-20 | 北京数慧时空信息技术有限公司 | 基于地学信息的遥感影像特征点匹配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853304A (zh) * | 2010-06-08 | 2010-10-06 | 河海大学 | 基于特征选择和半监督学习的遥感图像检索方法 |
CN102982339A (zh) * | 2012-10-31 | 2013-03-20 | 浙江大学 | 一种高光谱特征变量选取的方法 |
CN106650768A (zh) * | 2016-09-27 | 2017-05-10 | 北京航空航天大学 | 基于高斯图模型的脑网络建模与模式分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6834122B2 (en) * | 2000-01-22 | 2004-12-21 | Kairos Scientific, Inc. | Visualization and processing of multidimensional data using prefiltering and sorting criteria |
-
2018
- 2018-06-27 CN CN201810676322.6A patent/CN108898096B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853304A (zh) * | 2010-06-08 | 2010-10-06 | 河海大学 | 基于特征选择和半监督学习的遥感图像检索方法 |
CN102982339A (zh) * | 2012-10-31 | 2013-03-20 | 浙江大学 | 一种高光谱特征变量选取的方法 |
CN106650768A (zh) * | 2016-09-27 | 2017-05-10 | 北京航空航天大学 | 基于高斯图模型的脑网络建模与模式分类方法 |
Non-Patent Citations (4)
Title |
---|
Afast separability-based feature-selection method for high-dimensional remotely sensed image classification;Baofeng Guo 等;《Pattern Recognition》;20080531;第41卷(第5期);1653-1662 * |
基于特征距离的多类SVM分类方法研究;赵展 等;《地理空间信息》;20171121;第15卷(第11期);84-87 * |
高分辨率影像面向对象分类特征选择方法研究;杨宁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215(第2期);I140-721页第2-3章 * |
高分辨率遥感影像典型地物目标的特征选择及其稳定性研究;季金胜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215;I140-714 * |
Also Published As
Publication number | Publication date |
---|---|
CN108898096A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898096B (zh) | 一种面向高分影像的信息快速精确提取方法 | |
WO2019149147A1 (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN109102193A (zh) | 地理设计生态红线划定与管理系统及数据库、评价模型 | |
CN110472661A (zh) | 基于历史本底和现时遥感影像的自动变化检测方法和系统 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN113191745B (zh) | 房地产建设项目施工进度遥感大范围评估方法、介质 | |
CN111160127A (zh) | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
WO2024020744A1 (zh) | 基于高分辨率影像的生态图斑提取方法 | |
CN114241321A (zh) | 高分遥感图像平顶建筑快速精准识别方法 | |
CN113780307A (zh) | 一种区域年度最大蓝绿空间信息提取方法 | |
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 | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
CN115497006A (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
CN114898212A (zh) | 一种高分辨率遥感图像多地物变化信息提取方法 | |
CN116403121A (zh) | 水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备 | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
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 | |
Chen et al. | Mapping urban functional areas using multi-source remote sensing images and open big data | |
CN117437489A (zh) | 基于决策树模型的城市绿地提取方法 | |
CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 |
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 |