CN109034233B - 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 - Google Patents
一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 Download PDFInfo
- Publication number
- CN109034233B CN109034233B CN201810792074.1A CN201810792074A CN109034233B CN 109034233 B CN109034233 B CN 109034233B CN 201810792074 A CN201810792074 A CN 201810792074A CN 109034233 B CN109034233 B CN 109034233B
- Authority
- CN
- China
- Prior art keywords
- classification
- remote sensing
- image
- classifier
- sensing image
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,本发明利用分割算法将遥感影像划分为一系列内部均质的对象块,以对象块代替像素作为影像最小处理单元,结合影像对象块和OpenStreetMap的地物标记信息获取分类样本,构建多个分类模型进行面向对象块的影像分类,计算各个对象块在不同分类器下属于不同类别的概率,获取对象块对应的分类可靠性,实现多分类结果的加权融合,完成高分辨率遥感影像分类。本发明基于影像对象块为基本单元获取训练样本,能够避免选择大量具有相似特征的像素作为样本,降低样本间的冗余信息,提升分类模型的构建效率与准确度。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别涉及一种高分辨率遥感影像多分类器联合分类方法,尤其是一种结合OpenStreetMap的高分辨率遥感影像多特征联合分类方法。
背景技术
分类技术作为遥感影像信息解译的重要手段,被广泛应用于地表覆盖检测、城市景观分析等方面。立足于样本提供的类别先验信息,分类方法根据影像特征赋予每个像素特定的类别标记,完成影像的信息解译。然而,通过专家外业调绘或目视解译的样本采集方式需要大量的人力及物力,难以快速获取足量标记样本用于遥感影像分类。近年来,研究者逐步认识到OpenStreetMap(OSM)能够为遥感影像提供分类样本。OSM是一种典型的自发地理信息,旨在发挥公众对其熟悉环境的认知优势,利用公众贡献的地理数据实现地图绘制。随着公众自发参与地理信息贡献热情的提升,OSM数据得到了迅速的扩充,能够为高分辨率遥感影像分类样本获取提供支撑。
当前基于OSM的遥感影像分类方法通常使用单一的分类器根据像素的光谱特征对影像进行分类。已有方法直接根据用户上传的OSM信息提取标记样本,使用预先选定的分类器,结合光谱信息对每个像素进行类别的判定。然而,逐像素的分类方式忽略了像素间的空间位置关系,无法有效挖掘地物分布的潜在联系,难以发挥高分辨率遥感影像细节信息丰富的优势。同时,高分辨率遥感影像地物信息高度细节化,逐像素的分类方式容易出现椒盐噪声,无法保持统一地物内部所有像素的类别一致性,不利于分类结果的进一步应用。另一方面,由于高分辨率遥感影像地物属性的复杂性,仅适用单一分类器进行分类,难以准确对像素的类别进行预测。不同分类器基于不同判别准则,能够反映像素在特定规则下属于不同类别的可能。立足于多个分类结果的互补信息,能够有效地修正单一分类器对于像素类别的错误预测。但是,当前多分类器联合的方法主要依赖于众数投票,选择出现次数最高的类别作为像素的标记,未能考虑到不同分类结果的可靠性和对融合结果的贡献,不利于分类精度的进一步提升。
发明内容
针对现有工作中存在的问题,本发明提供一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,该方法通过分割算法处理遥感影像获取对象块,并以对象块代替像素作为遥感影分类的最小处理单元,根据OSM类别标记和对象块获取分类样本,使用多个分类器对影像进行分类,获取每个对象块在不同分类器下属于不同类别的概率,融合不同分类器的结果,完成高分辨率遥感影像分类。
本发明的技术方案为一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,包含以下步骤:
1)对OpenStreetMap(OSM)与待分类高分辨率遥感影像进行配准,根据实际分类需求,从OSM中选择出感兴趣类别对应的矢量图层,并将矢量数据转化为栅格影像;
2)利用分割算法处理待分类高分辨率遥感影像,将影像上空间相邻且具有相似光谱特性的像素进行聚集,形成一系列的影像对象块,并计算每一个对象块的光谱特征;
3)针对每个类别对应的OSM栅格影像,结合待分类高分辨率遥感影像对象块获取训练样本;
4)以影像对象块为最小处理单元,使用从OSM数据获得的训练样本,利用多个分类器对待分类高分辨率遥感影像进行分类,获取不同分类器下每个对象块隶属于不同类别的概率;
5)根据分类器输出的类别概率,计算不同结果的可靠性,以分类结果的可靠性作为权值,融合不同分类器得到的类别概率输出,获得最后的分类结果。
进一步的,步骤1)中,获得的栅格影像的空间分辨率与待分类遥感影像空间分辨率一致。
进一步的,步骤2)中使用均值漂移算法实现待分类高分辨率遥感影像分割,实现方式如下,
(2.1)将遥感影像从RGB色彩空间映射至LUV色彩空间;
(2.2)将遥感影像上所有像素映射到特征空间中,并从中选择任意一个点,根据该点在特征空间中的位置,构建一个高维的空间球体;在构建的球形空间中,计算该空间球体中的所有点相对于中心点向量之和,获得当前点的偏移均值,并根据偏移均值移动该点;
(2.3)根据2.2不断迭代更新中心点,当最后获得的空间球体中所有点的向量之和为该空间球体的中心点时,停止迭代,并将迭代终止得到的点对应的色彩值赋予对应的像素;
(2.4)对影像上的其他点,按照(2.3)相同的方式进行处理,完成色彩更新;
(2.5)根据更新后的色彩对影像上的像素点进行归类,合并符合条件的类,即空间相邻且具有相似色彩信息的像素,从而形成一系列独立的对象块。
进一步的,步骤3)中,当对象块内部半数以上的像素被在OSM数据中标记为同一类地物时,则认为该对象块属于此类地物,并将其作为训练样本。
进一步的,步骤4)中使用最大似然分类器、支持向量机分类器、随机森林分类器对遥感影像进行面向对象块的分类。
进一步的,步骤5)的实现方式如下,
(a)以不同分类器下获得的类别概率输出为基础,计算分类结果中对象块x的可靠性,分类结果可靠性评价方式如下:
(b)使用分类可靠性作为权值,融合不同分类器的类别概率结果,获取多分类器加权融合后的概率输出:
(c)对于每一个对象块,根据加权融合的概率输出结果,选择概率最高的类别作为其标记:
其中,C(x)为对象块x的类别标记。
本发明与现有技术相比具有以下优势:
1)本发明结合影像分割算法,用分割得到的对象块代替像素作为最小处理单元,能够有效减少分类结果中的椒盐噪声,获得更准确的分类结果。
2)本发明基于影像对象块为基本单元获取训练样本,能够避免选择大量具有相似特征的像素作为样本,降低样本间的冗余信息,提升分类模型的构建效率与准确度。
3)本发明通过面向对象块的概率加权融合算法,,结合分类可靠性实现不同分类器下的类别概率的加权融合,能够提升高分辨影像的各个类别的分类精度。
附图说明
图1是本发明实施例的方法实现流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,包括以下步骤:
步骤1,数据预处理。将OSM数据和高分辨率遥感影像进行配准,并将OSM的矢量数据转化为栅格数据。对OSM数据和高分辨率遥感影像进行配准,使同一地物目标在OSM数据与遥感影像上具有相同的空间位置坐标。同时,针对高分辨率遥感影像分类需求,从OSM中选择感兴趣的地物类别图层,分别将原始OSM中各个类别对应图层的矢量数据栅格化,获取感兴趣类别的OSM栅格影像,保证其分辨率与待分类高分辨率遥感影像的空间分辨率一致。
步骤2,高分辨率遥感影像分割。本发明通过分割算法将影像划分成一系列的内部均质的对象块,并将单个对象块视为一个整体进行处理,从而保证地物对象内部的类别一致性。以对象块代替像素作为最小处理单元,能够有效地降低需要处理的数据量,有利于提升处理效率。
本发明采用均值漂移算法实现高分辨率遥感影像的分割。其基本原理在于:遥感影像上每个像素对应一个特征向量,表示其在不同波段上的能量响应大小。因此,根据遥感影像的波段数B构建一个B维的特征空间,将遥感影像的像素映射至特征空间中,像素在不同波段上的响应值反映了其在特征空间中的位置。面向特征空间中的样本集,任选一个样本作为中心点划定一个球形区域,计算该区域内部密度最大处的点,再以该点为中心重复以上步骤,直到满足收敛条件。具体实现步骤如下:由于RGB空间中两点的欧式距离与实际颜色距离不是线性关系,导致颜色分离过程中容易出现错误。同时,RGB三原色具有一定的亮度信息,进行颜色分离时,常会遗漏部分重要信息或夹杂一定的无用信息,不利于影像分割。考虑到LUV颜色空间对于视觉感知更加均匀,不同颜色在LUV空间中的欧式距离能够更好地显示两者间的差异,将遥感影像从RGB色彩空间映射至LUV色彩空间。以影像上任一像素在LUV色彩空间中对应的点为中心,构建一个高维的空间球体。在构建的球形空间中,计算该空间中的所有点相对于中心点的向量之和,也就是当前点的偏移均值,并根据偏移均值移动该点,通过不断迭代的方式,令最后获得的空间球体中所有点的向量之和为该空间球体的中心点,满足终止条件并停止迭代,将初始点的色彩更新为迭代终止得到的点对应的色彩值。同理,对影像上的其他像素,按照相同的方式进行处理,完成色彩更新。在此基础上,根据更新后的色彩对影像上的像素点进行归类,将空间相邻且具有相似色彩信息的像素进行合并,形成一系列独立的对象块。对象块的光谱特征可以通过对其内部所有像素光谱特征取均值获得。
步骤3,分类样本生成。立足于高分辨率遥感影像分割得到的对象块,以分割块为最小单位获取分类样本集。当对象块内部半数以上的像素被在OSM数据中标记为同一类地物时,则认为该对象块属于此类地物,并将其作为训练样本构建分类模型。
步骤4,遥感影像分类。以影像分割块为最小处理单元,以对象块的光谱特征为基础,使用从OSM数据获得的训练样本,分别使用最大似然分类器、支持向量机分类器、随机森林分类器进行训练,并利用训练好的多个分类器分别对遥感影像进行分类,获取其在不同分类器下属于不同类别的概率。
最大似然分类器是经典的遥感影像分类方法,已经成为多个商业遥感数据处理软件的必备功能。该方法立足于分类样本,根据贝叶斯判决准则法,计算各个类别的均值及方差,构建分类函数,获取待分类对象块属于各个类别的概率,并将概率最大的类别作为当前对象块的类别。
支持向量机是一种基于结构风险最小化准则的分类器,其基本思想是将样本从低维特征空间通过映射函数转换到高维特征空间,并在高维空间内寻找最优超平面完成对不同类别的区分。假设存在映射函数Φ(g)及包含n个标记样本的训练样本集{(x1,y1),(x2,y2),....(xn,yn),y∈(-1,+1)},则分类模型可以表示为:
f(x)=w·Φ(x)+b
其中,w表示权向量,b代表偏置。为了最大化分类边界并使分类错误最小,从而得到最优的分类超平面,需要求解以下函数:
其中,ξi是松弛变量,而C是惩罚系数。使用拉格朗日乘子法将来求解以上函数,表示为:
其中,αi为拉格朗日乘子向量,K(,)代表核函数。
由于样本在低维特征空间中的分布情况不一定满足线性假设,将数据从低维特征空间经过变换映射至高维特征空间,使原本非线性的数据在高维空间中线性可分,再使用SVM分类器对数据进行处理。本发明使用径向基函数将低维线性不可分的情况映射至高维空间实现线性可分。
K(xi,xj)=exp(-γ||xi-xj||2)
针对多类分类问题,通过一对多(One Against All,OAA)策略融合多个二类支持向量机构建多类支持向量机。选择某一类样本作为正样本,其他所有训练样本视为负样本,构建K个分类器。通过K个SVM分类模型,我们可以获得K个高维空间的分类超平面,对于每一个样本,都可以求得其与每一个分类超平面的距离。如果使用dk(x)代表其与第k类超平面的距离,则该像素属于类别k的概率可以表示为:
其中,Ak控制概率随距离的衰减速度,Bk控制距离dk(x)原点处的概率截距,两个参数可以通过最小化训练样本的原始标记与类别输出间的均方差获得。本实施例中,两个参数的具体计算可参考文献Probabilistic Outputs for Support Vector Machines andComparisons to Regularized Likelihood Methods,本发明不予撰述。
随机森林是一种典型的基于集成学习的分类方法。随机森林是一系列的决策树的集合,其中每棵决策树都独立于其他树,彼此之间没有关联。决策树是一种基于一系列决策所建立起来的树形结构的分类器,每个叶节点代表一个类别,非叶节点则代表关于一个特征属性的决策,分支代表经过决策获得的结果。使用决策树进行分类就是,从根节点开始,根据每个节点的特征属性决策选择分支,直到达到叶节点,从而获得分类结果的过程。决策树构造的关键步骤在于决策的制定,在某个非叶节点根据不同类别的特征属性的差异构建不同的分支,从而尽量使每个子集属于同一个类别。决策树具有训练时间复杂度低,预测速度快等优势,但是单一的决策树容易造成过拟合,不利于预测样本。因此,基于集成学习的思想,随机森林使用大量的决策树构建一个更稳健的分类器。
随机森林分类器的实施过程如下:
步骤4.1,从训练样本集中随机抽取样本生成子样本集,并使用该子样本集训练决策树。采用有放回的随机方法,使采样获得的样本中存在重复的样本,尽量使每一棵树的输入样本都不是全部样本,避免过拟合现象。
步骤4.2,在节点进行分裂时,从样本具有的l个属性中,随机选择r个(r<<l),采用合适的度量方式从这r个属性中进行选择,并将其作为该节点的分裂属性。由于采用了两个随机采样,可以保证了决策树的随机性,无需进行减枝操作。
步骤4.3,按照步骤4.1和4.2构建大量决策树,形成随机森林。
步骤4.4,使用得到的决策森林对样本进行预测,未知样本的类别由决策树进行投票确定,选择出现次数多的类别作为其标记。
在预测过程中,我们不仅可以获得最终的标记图,也可以知道每棵树的决策结果。对于每一个样本而言,能够获知被随机森林分为每个类别的次数,从而结合决策树的总个数,可以计算得到样本属于每一个类别的概率。
步骤5,融合分类。以获得的类别概率输出为基准,计算每个对象块x在不同分类器下分类结果的可靠性,分类结果可靠性计算方式如下:
其中,K代表影像中定义的类别数,对应着降序排列后的概率输出。R(x)取值范围为0到1,较大的R(x)值表示较高的分类可靠性。使用分类确定性作为不同分类结果的权值,融合不同分类器的类别概率结果,获取加权的概率输出
其中,代表了对象块x属于类别k的加权概率,并且满足 和Rf(x)分别代表在分类器f(即步骤4所述的最大似然分类器、支持向量机分类器、随机森林分类器)的情况下,对象块x属于类别k的概率及对应的分类可靠性。对于每一个对象块,选择概率最高的类别作为其标记:
其中,C(x)为对象块x的类别标记。
本发明方法与传统方法的精度对比:
本发明方法在高分2号卫星获得的某区域1和某区域2的影像上,获得的分类整体精度分别为89.44%和90.83%;传统的基于单一分类器的像素级分类方法,在两幅影像上获得的分类精度分别为83.98%和85.61%。可见,本发明方法明显优于传统的单一分类器的分类方法,其原因为,本发明中利用均值漂移算法将遥感影像分割成独立的对象块,并使用多种分类器对对象块进行分类,能够有效减少分类结果中的椒盐噪声,获得更准确的分类结果。
以上为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改或替换及改进等,均包含在本发明的保护范围之内。
Claims (4)
1.一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,其特征在于,包含以下步骤:
1)对OpenStreetMap(OSM)与待分类高分辨率遥感影像进行配准,根据实际分类需求,从OSM中选择出感兴趣类别对应的矢量图层,并将矢量数据转化为栅格影像;
2)利用分割算法处理待分类高分辨率遥感影像,将影像上空间相邻且具有相似光谱特性的像素进行聚集,形成一系列的影像对象块,并计算每一个对象块的光谱特征;
步骤2)中使用均值漂移算法实现待分类高分辨率遥感影像分割,实现方式如下,
(2.1)将遥感影像从RGB色彩空间映射至LUV色彩空间;
(2.2)将遥感影像上所有像素映射到特征空间中,并从中选择任意一个点,根据该点在特征空间中的位置,构建一个高维的空间球体;在构建的球形空间中,计算该空间球体中的所有点相对于中心点向量之和,获得当前点的偏移均值,并根据偏移均值移动该点;
(2.3)根据2.2不断迭代更新中心点,当最后获得的空间球体中所有点的向量之和为该空间球体的中心点时,停止迭代,并将迭代终止得到的点对应的色彩值赋予对应的像素;
(2.4)对影像上的其他点,按照(2.3)相同的方式进行处理,完成色彩更新;
(2.5)根据更新后的色彩对影像上的像素点进行归类,合并符合条件的类,即空间相邻且具有相似色彩信息的像素,从而形成一系列独立的对象块;
3)针对每个类别对应的OSM栅格影像,结合待分类高分辨率遥感影像对象块获取训练样本;
4)以影像对象块为最小处理单元,使用从OSM数据获得的训练样本,利用多个分类器对待分类高分辨率遥感影像进行分类,获取不同分类器下每个对象块隶属于不同类别的概率;
5)根据分类器输出的类别概率,计算不同结果的可靠性,以分类结果的可靠性作为权值,融合不同分类器得到的类别概率输出,获得最后的分类结果;
步骤5)的实现方式如下,
(a)以不同分类器下获得的类别概率输出为基础,计算分类结果中对象块x的可靠性,分类结果可靠性评价方式如下:
(b)使用分类可靠性作为权值,融合不同分类器的类别概率结果,获取多分类器加权融合后的概率输出:
(c)对于每一个对象块,根据加权融合的概率输出结果,选择概率最高的类别作为其标记:
其中,C(x)为对象块x的类别标记。
2.如权利要求1所述结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,其特征在于:步骤1)中,获得的栅格影像的空间分辨率与待分类遥感影像空间分辨率一致。
3.如权利要求1所述结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,其特征在于:步骤3)中,当对象块内部半数以上的像素被在OSM数据中标记为同一类地物时,则认为该对象块属于此类地物,并将其作为训练样本。
4.如权利要求1所述结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法,其特征在于:步骤4)中使用最大似然分类器、支持向量机分类器、随机森林分类器对遥感影像进行面向对象块的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792074.1A CN109034233B (zh) | 2018-07-18 | 2018-07-18 | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792074.1A CN109034233B (zh) | 2018-07-18 | 2018-07-18 | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034233A CN109034233A (zh) | 2018-12-18 |
CN109034233B true CN109034233B (zh) | 2021-08-03 |
Family
ID=64643394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810792074.1A Active CN109034233B (zh) | 2018-07-18 | 2018-07-18 | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034233B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948697B (zh) * | 2019-03-19 | 2022-08-26 | 中南大学 | 利用众源数据辅助遥感影像分类提取城市建成区的方法 |
CN110598564B (zh) * | 2019-08-16 | 2022-02-11 | 浙江工业大学 | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 |
CN110796176B (zh) * | 2019-10-09 | 2022-12-16 | 武汉大学 | 一种基于像素对和加权投票的高分辨率影像分类方法和系统 |
CN110956187A (zh) * | 2019-11-28 | 2020-04-03 | 中国农业科学院农业信息研究所 | 一种基于集成学习的无人机影像植物冠层信息提取方法 |
CN111078876A (zh) * | 2019-12-04 | 2020-04-28 | 国家计算机网络与信息安全管理中心 | 一种基于多模型集成的短文本分类方法和系统 |
CN111079807B (zh) * | 2019-12-05 | 2023-07-07 | 二十一世纪空间技术应用股份有限公司 | 一种地物分类方法及装置 |
CN114283286A (zh) * | 2021-12-30 | 2022-04-05 | 北京航天泰坦科技股份有限公司 | 遥感图像分割方法、装置和电子设备 |
CN115546544B (zh) * | 2022-09-30 | 2023-11-17 | 深圳市规划和自然资源数据管理中心 | 基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
-
2018
- 2018-07-18 CN CN201810792074.1A patent/CN109034233B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
Non-Patent Citations (2)
Title |
---|
FUSION ALGORITHM OF PIXEL-BASED AND OBJECT-BASED CLASSIFIER FOR REMOTE SENSING IMAGE CLASSIFICATION;Aiying Zhang 等;《IGARSS 2013》;20131231;第2740-2743页 * |
多分类器组合的遥感影像分类方法;方文 等;《测绘科学》;20161031;第41卷(第10期);第120-125页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034233A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034233B (zh) | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
Zhang et al. | VPRS-based regional decision fusion of CNN and MRF classifications for very fine resolution remotely sensed images | |
Le Goff et al. | Deep learning for cloud detection | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN107330875A (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 | |
CN107784657A (zh) | 一种基于颜色空间分类的无人机遥感图像分割方法 | |
Ramiya et al. | A supervoxel-based spectro-spatial approach for 3D urban point cloud labelling | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
CN113838064B (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN110717531A (zh) | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 | |
Genitha et al. | Classification of satellite images using new fuzzy cluster centroid for unsupervised classification algorithm | |
CN104036294A (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
CN114067118A (zh) | 一种航空摄影测量数据的处理方法 | |
Laupheimer et al. | The importance of radiometric feature quality for semantic mesh segmentation | |
Feng et al. | Land-cover classification of high-resolution remote sensing image based on multi-classifier fusion and the improved Dempster–Shafer evidence theory | |
Wang et al. | Classification of high spatial resolution remote sensing images based on decision fusion | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
CN113159044A (zh) | 一种基于深度学习的卷积神经网络的道路材质识别方法 | |
CN104732246B (zh) | 一种半监督协同训练高光谱图像分类方法 | |
Mao et al. | PolSAR data-based land cover classification using dual-channel watershed region-merging segmentation and bagging-ELM |
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 |