CN109063577B - 基于信息增益率的卫星影像分割最佳分割尺度确定方法 - Google Patents
基于信息增益率的卫星影像分割最佳分割尺度确定方法 Download PDFInfo
- Publication number
- CN109063577B CN109063577B CN201810732696.5A CN201810732696A CN109063577B CN 109063577 B CN109063577 B CN 109063577B CN 201810732696 A CN201810732696 A CN 201810732696A CN 109063577 B CN109063577 B CN 109063577B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- scale
- image
- information gain
- vector
- 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种基于信息增益率的卫星影像分割最佳分割尺度确定方法,包括:获取高分辨率卫星遥感影像,并进行预处理,选择具有代表性的区域作为最佳分割尺度确定的样区,并对样本区域的地物类型进行分类,获取样区影像分类成果,作为最佳分割尺度确定的参考影像;设置一系列从小到大的分割尺度参数,使用多尺度分割技术,分别对样区影像进行多尺度分割,获取一系列分割对象矢量;基于香农信息熵公式,计算参考影像及分割矢量的信息熵,并计算参考影像加入分割矢量后的条件熵,进而计算分割矢量的信息增益和信息增益率;根据信息增益率最大的原则选取最佳分割尺度。最终基于最佳分割尺度,对原始影像进行多尺度分割。
Description
技术领域
本发明涉及面向对象影像分割参数选取技术领域,具体涉及一种基于信息增益率的卫星影像分割最佳分割尺度确定方法。
背景技术
近年来,随着各类卫星不断发射,农作物监测的可用数据源日益增多,基于多源卫星遥感数据进行农作物识别成为一种新的趋势,较好地解决了单一卫星影像时间分辨率不足的缺陷(Sharma et al.2017;Colkesen and Kavzoglu 2017;Morton et al.2011;Novelli et al.2016)。然而,不同卫星数据的空间分辨率往往不一致,传统的基于像元的方法需要使用重采样等方式使其分辨率一致(Mansaray et al.2017;Sharma etal.2017),但混合像元及尺度效应的存在制约了重采样影像的识别精度。而随着面向地理对象影像分析(Geographic Object-Based Image Analysis,GEOBIA)技术的发展(Rau etal.2013;Martha 2011;Benz et al.2004),以地理对象作为分类的基本单元,获取地理对象在多源影像上的特征并进行地理对象识别,可以避免影像重采样及其带来的不足。
影像分割是面向对象分类的基础,其将一景影像分割为多个地理对象,每个对象由相近地物的像元组合而成(Martha 2011)。多尺度分割算法是当前应用最广泛的影像分割方法,是一种从单个像元开始、自下而上不断进行区域合并的算法。在合并的过程中,当两个相邻相似对象合并为一个对象后,若异质性的变化小于定义的尺度参数,则进行合并,否则合并停止(Benz et al.2004)。影像最佳分割尺度参数(Segmentation ScaleParameter,SSP)的确定是多尺度分割中的关键步骤。过大的尺度参数将会导致地物的欠分割,反之则会造成过分割(Laliberte et al.2004)。当前,最佳分割尺度参数的确定方法主要是试错法结合目视判读(Feizizadeh et al.2017),通过人工比对不同分割尺度下影像分割效果(Rau et al.2013)或分类精度(Ma et al.2015)来确定最佳尺度参数。这一方法的优势在于影像分割结果较为符合人的主观判断,缺点则是主观性较强、缺少定量分析,且工作量大。为定量化确定最佳分割尺度参数,提高自动化程度,一些自动或半自动的最佳分割尺度选择算法被开发出来(Gao et al.2017;Johnson and Xie 2011;Kalantar etal.2017;Martha et al.2011)。如Johnson and Xie(2011)提出了一种非监督的最佳尺度参数确定方法,利用归一化全局方差和全局莫兰指数,通过研究不同尺度下对象内部同质性和对象之间异质性的变化趋势确定最佳分割尺度,这一方法已在一些的研究中得到了应用(Puissant et al.2014;Zhang and Xie 2012)。然而,在实际应用中,由于分类对象的复杂性和多义性,使用非监督方法获取的最佳分割尺度,可能与实际产生偏差,例如:当一块耕地中存在光谱相近小麦和油菜作物时,分类对象为耕地时,可以将油菜和小麦作为一种一个对象,但当分类的对象为具体的作物时,则必须使用更小的分割尺度以将这两类作物区分开。
使用基于监督方法的最佳分割尺度确定技术则可以避免这一问题的出现。监督方法主要通过使用被认为是“真值”的参考对象结果,对比分割获取的分割对象结果,从而对分割结果的可靠性进行评估。然而,当前应用较多的有监督最佳分割尺度确定方法,主要是基于拓扑或几何度量指标来评价参考对象与分割对象的吻合度,方法的应用较为复杂,限制了其应用。
发明内容
本发明的目的是为高空间分辨率遥感影像面向对象分割过程中,最佳分割尺度参数的选择提供一种具有可靠性的定量化方法,其可以通过计算样方区域不同分割尺度分割结果的信息增益率,选取信息增益率最高的分割尺度作为最佳分割尺度,并可为后续面向对象的多尺度分割提供精确的分割参数,提高影像面向对象分类的精度。
一种基于信息增益率的卫星影像分割最佳分割尺度确定方法,包括如下步骤:
步骤1、获取高分辨率卫星遥感影像,并对遥感影像进行预处理;
步骤2、将步骤1预处理的遥感影像中选择具有代表性的区域作为最佳分割尺度确定的样本区域;
步骤3、使用分类方法对步骤2中确定的样本区域的地物类型进行分类,得到样本区域的分类成果,作为最佳分割尺度确定的参考影像;
步骤4、对步骤2中确定的样本区域,基于多尺度分割技术设置一系列从小到大的分割尺度参数,对样本区域影像进行多尺度分割,获取一系列分割对象的矢量文件,即分割矢量;
步骤5、基于香农信息熵公式,计算步骤3确定的参考影像的信息熵及步骤4获取的分割矢量的信息熵;
步骤6、将步骤3确定的参考影像加入步骤4获取的分割矢量,通过条件熵公式计算参考影像加入分割矢量后的条件熵;
步骤7、将步骤5得到的参考影像的信息熵、分割矢量的信息熵以及步骤6得到的条件熵,通过信息增益公式和信息增益率公式计算分割矢量的信息增益和信息增益率;
步骤8、根据步骤7获得的分割矢量的信息增益率,根据信息增益率最大的原则选取最佳分割尺度。
以下作为本发明的优选技术方案:
步骤1中,所述的预处理包括:几何校正、影像裁切。
步骤2中,所述的具有代表性的区域是指分类目标集中区域,分类目标是所要研究的作物类型。
步骤3中,所述的分类方法为目视解译分类方法、最大似然分类方法或ISODATA分类方法。
步骤4中,所述的矢量文件为shp格式的文件,由一系列对象矢量构成。
对样本区域影像进行多尺度分割,设置一系列从小到大不同的分割尺度参数以及相同的其他参数(形状/光谱、紧凑度/光滑度参数)。
对于Sentinel2A/B、GF-1WFV、Landsat-8OLI等分辨率在10m及以下的高分辨率卫星遥感影像,经过处理后获得样本区域影像,对样本区域影像进行多尺度分割,设置一系列从小到大不同的分割尺度参数以及相同的其他参数(形状/光谱参数设置为0.1/0.9,紧凑度/光滑度参数设置为0.5/0.5)。
步骤8中,获得的分割矢量的信息增益率为不同分割尺度下分割矢量的信息增益率,根据信息增益率最大的原则选取最佳分割尺度。最终基于最佳分割尺度,对原始影像进行多尺度分割。
与现有技术相比,本发明具有如下优点:
本发明基于信息增益率选取影像分割的最佳分割尺度,为高分辨率影像面向对象分类中最基本的步骤影像分割中分割尺度参数的定量化确定提供了一种简单、快速、准确的有监督技术方法,有助于提高面向对象影像多尺度分割的效果,并有助于提高面向对象的影像分类精度。
附图说明
图1为本发明基于信息增益率的卫星影像分割最佳分割尺度确定方法的流程示意图;
图2为影像多尺度分割尺度参数确定的样本区域,图2中(a)为冬小麦地物的最佳分割尺度确定样本区域,图2中(b)为油菜地物的最佳分割尺度确定样本区域,图2中(c)为香葱地物的最佳分割尺度确定样本区域;
图3为使用信息增益率进行最佳分割尺度计算的示意图,图3中(a)为欠分割条件下,影像的信息熵及信息增益率情况,图3中(b)为最佳分割条件下,影像的信息熵及信息增益率情况,图3中(c)为过分割条件下,影像的信息熵及信息增益率情况;
图4为不同分割尺度下,分割影像信息熵和信息增益率的变化情况,图4中(a)为信息熵随分割尺度的变化情况,图4中(b)为信息增益率随分割尺度的变化情况;
图5为不同分割尺度下,实际分割效果对比图,图5中(a)为2017年2月28日的Sentinel-2A近红外/红/绿三个波段假彩色合成影像,图5中(b)为2017年4月29日的Sentinel-2A近红外/红/绿三个波段假彩色合成影像,图5中(c)为分割尺度为50时影像的分割结果与参考类别之间的对比,图5中(d)为分割尺度为90时影像的分割结果与参考类别之间的对比,图5中(e)为分割尺度为130时影像的分割结果与参考类别之间的对比。
具体实施方式
下面结合附图和实施实例对本发明做进一步说明。
如图1所示,为本发明基于信息增益率的卫星影像分割最佳分割尺度确定方法的流程图,首先对于获取的高分辨率Sentinel-2A或其他高分辨率影像,进行几何校正及研究区影像裁切,获取研究区多光谱影像。由于研究区的地物类型复杂,而不同地物的最佳分割尺度往往不同,因此需要根据目标类别的具体情况,选择样本区域,这样既可以减少计算量,又能提高精度。获取样本区域后,使用目视解译、监督分类(最大似然分类方法)或非监督分类方法(ISODATA分类方法)获取样本区域的地物初步分类结果,并作为参考影像,计算参考影像的信息熵。随后,通过一系列从小到大的尺度参数,使用多尺度分割技术对样本区域影像进行分割,获取一系列的分割对象,并分别计算各分割对象自身的信息熵。接着,计算参考影像加入分割对象矢量后的条件熵,并与原先的熵比较,获取分割后影像的信息增益率;最后,通过对比不同分割尺度下分割矢量的信息增益率,选择信息增益率最高的分割尺度作为最佳分割尺度。
一种基于信息增益率的卫星影像分割最佳分割尺度确定方法,具体计算方法包括如下步骤:
步骤A、获取高分辨率卫星遥感影像,并对遥感影像进行预处理;
具体地,获取的高分辨率遥感影像应当为无云晴空影像,地物的差异较为清晰,分辨率较高,如Sentinel-2影像,最高分辨率达到10m,可以清晰地获取区域不同地物的影像。获取影像后,需要对影像进行预处理,主要包括几何校正和影像裁切等。几何校正可以通过地面获取控制点的方式,或在其他高分辨率影像底图上选择控制点(如Google Earth),并在待校正影像上选择相应的同名点,使用多项式校正方法进行影像的几何精校正。由于单景卫星影像的范围往往很大,对于较小的研究区,使用研究区的矢量,对影像进行裁切,去除研究区外的影像。
步骤B、影像中选择具有代表性的区域作为最佳分割尺度确定的样本区域,具有代表性的区域是指分类目标集中区域,分类目标是所要研究的作物类型,并用多种分类方法(目视解译分类方法、最大似然分类方法或ISODATA分类方法)对样本区域的地物类型进行分类,获取样本区域影像分类成果,作为最佳分割尺度确定的参考影像;
具体地,当分类对象不同时,最佳分割尺度也不一样(Ma et al.2015;Rau etal.2013),例如,当分类对象主要为农作物时,可以选取有代表性的农田区域作为确定最佳尺度参数的样本区域。如图2所示,三个样本区域分别位于兴化南部的冬小麦种植区(图2(a)),中部的香葱种植区(图2(c))和北部的油菜种植区(图2(b)),大小分别约为2.5km×1.5km、2.1km×2.1km,2.1km×2.1km。
其次,通过目视解译分类方法,对样本区域的不同的地物类型进行分类,得到聚类影像D,并以聚类影像D作为最佳分割尺度确定的参考影像。
步骤C、基于相同的形状/光谱、紧凑度/光滑度参数,以及一系列从小到大的分割尺度参数,使用多尺度分割技术,分别对样本区域影像进行多尺度分割,获取一系列分割对象的矢量文件,即分割矢量;以三个样本区域为例,通过范围为10—180,间隔为10的共18个分割尺度,对样本区域进行多尺度分割,获取多尺度分割矢量。
在多尺度分割中,共有三组参数需要定义,出了尺度参数S外,还有光谱和形状因子权重(wcolor,wshape),紧凑度和光滑度权重(wcompt,wsmooth)。在使用的卫星影像主要是分辨率小于10m的卫星影像时,由于主要依靠光谱信息进行影像分割,因此将光谱和形状因子权重设置为(0.9,0.1)。此外,可以将紧凑度和光滑度权重统一设置为(0.5,0.5),保证两者之间的均衡。出了尺度参数外,光谱/形状因子权重参数、紧凑度/光滑度权重参数均为固定,便于对不同尺度分割结果进行定量对比。
步骤D、基于香农信息熵公式,计算参考影像及分割矢量的信息熵,并计算参考影像加入分割矢量后的条件熵,进而计算分割矢量的信息增益和信息增益率;
具体地,首先,按照公式(1)(香农信息熵公式)计算聚类影像D的信息熵H(D),式中,k为类别的总数,Pi为第i类的概率,即影像中该类的面积与总面积的比值。
接着,按照公式(2)(条件熵公式),聚类影像D加入分割矢量,计算加入多尺度分割对象矢量Ascale后,聚类影像D的条件熵H(D|Ascale)。式中,n为该分割尺度下对象的总数;P(A=Ai)为第i个对象的概率,即该对象面积占总面积的比值;H(D|A=Ai)指的是在第i个对象中聚类影像D的信息熵,计算公式参照公式(1)。
按照公式(3)(信息增益公式),在计算加入多尺度分割对象矢量Ascale后,聚类影像D的信息增益g(D,Ascale),计算公式如下:
g(D,Ascale)=H(D)-H(D|Ascale) (3)
按照公式(4)(信息增益率公式),计算加入多尺度分割对象矢量Ascale后,聚类影像D的信息增益率gR(D,Ascale),其中H(Ascale)为多尺度分割矢量Ascale自身的信息熵,计算公式参照公式(1):
当分割对象尺寸大于实际地物对象时,随着分割尺度的减小,对象内部地物类型趋向单一,其条件熵H(D|Ascale)将逐渐减小,同时信息增益率gR(D,Ascale)将逐渐增大;当分割对象与地物对象完全吻合时,信息增益率达到最高点;而一旦分割对象小于实际地物对象尺寸时,由于分割尺度过小造成分割对象自身的熵H(Ascale)不断变大,使得信息增益率逐渐降低。通过分析不同尺度下信息增益率变化情况,选择信息增益率最高点或变化的拐点,即可判断影像中目标地物的最佳分割尺度。以图3为例,图3(a)为欠分割时,信息增益为0.278,信息增益率为0.278;图3(b)为最佳分割时,信息增益为1,信息增益率达到最高点0.58;图3(c)为过分割时,信息增益依然是1,但是由于H(Ascale)增大到2.72,因此,信息增益率降低为0.37。
步骤E、依次计算不同分割尺度下分割矢量的信息增益率,根据信息增益率最大的原则选取最佳分割尺度。最终基于最佳分割尺度,对原始影像进行多尺度分割;
具体地,利用信息增益率方法对三个样本区域进行最佳分割尺度定量化计算,3个区域不同分割尺度下信息熵和信息增益率结果如图4所示。从图4(a)可以看出,随着影像分割尺度的不断增大,分割后影像的信息熵也在不断增大,表明分割对象内部同质性的不断减弱,但是难以看出明显的拐点;而从图4(b)中则可以看出,3个区域的信息增益率均在90左右出现拐点:在分割尺度小于90时,随着分割尺度的不断增大,分割后影像的信息增益率也在迅速提高,在分割尺度到达90后,随着分割尺度的变大,信息增益率不再上升,并缓慢下降或保持平稳。其中,香葱(Green onion)和油菜(Oilseed rape)均在分割尺度为90时达到信息增益率最大值,冬小麦(Winter wheat)则在100时达到最大值。综合而言,最佳分割尺度定位90是较为合理的,因为较小的分割尺度往往可以带来较高的分类精度。对比图4(a)、图4(b),也可以看到,在尺度小于最佳尺度时,信息增益率随着尺度减小而不断降低主要是由于分割对象的数量过多造成的,而当尺度大于最佳尺度时,信息增益率的降低主要是由于影像分割过粗,使得分割对象内部均一性降低、熵增大而造成的。
图5中(a)为2017年2月28日的Sentinel-2A近红外/红/绿三个波段假彩色合成影像,图5中(b)为2017年4月29日的Sentinel-2A近红外/红/绿三个波段假彩色合成影像。以冬小麦样本区域为例,根据影像光谱差异,目视选取可能不同的地物类别样本,使用最大似然分类方法进行地物聚类,得到研究区聚类影像。对原始影像进行多尺度分割,分别选取分割尺度为50,90,130时的分割效果影像,如图5所示。从图5(c)中可以看出,当尺度为50时,存在明显的过分割情况,虽然其熵较低,内部地物对象更加单一,但由于过度分割造成对象数量过多,使得信息增益率较低;而从图5(d)中可以发现,而当分割尺度为130时,存在明显的欠分割现象,光谱特征相近的不同类型地物未能有效分割;从图5(e)中可以发现,在分割尺度为90时,分割较为合理,地块被准确划分,且分割对象内类别较为单一。
最终,依据信息增益率最小的原则,选定分割尺度90作为最佳分割尺度,对原始影像进行多尺度分割。
Claims (3)
1.一种基于信息增益率的卫星影像分割最佳分割尺度确定方法,其特征在于,包括如下步骤:
步骤1、获取高分辨率卫星遥感影像,并对遥感影像进行预处理;
步骤2、将步骤1预处理的遥感影像中选择具有代表性的区域作为最佳分割尺度确定的样本区域;
所述的具有代表性的区域是指分类目标集中区域,分类目标是所要研究的作物类型;
步骤3、使用分类方法对步骤2中确定的样本区域的地物类型进行分类,得到样本区域的分类成果,作为最佳分割尺度确定的参考影像;
步骤4、对步骤2中确定的样本区域,基于多尺度分割技术设置一系列从小到大的分割尺度参数,对样本区域影像进行多尺度分割,获取一系列分割对象的矢量文件,即分割矢量;
步骤5、基于香农信息熵公式,计算步骤3确定的参考影像的信息熵及步骤4获取的分割矢量的信息熵;
按照香农信息熵公式(1)计算聚类影像D的信息熵H(D),式中,k为类别的总数,Pi为第i类的概率,即影像中该类的面积与总面积的比值;
步骤6、将步骤3确定的参考影像加入步骤4获取的分割矢量,通过条件熵公式计算参考影像加入分割矢量后的条件熵;
按照条件熵公式(2),聚类影像D加入分割矢量,计算加入多尺度分割对象矢量Ascale后,聚类影像D的条件熵H(D|Ascale),式中,n为该分割尺度下对象的总数;P(A=Ai)为第i个对象的概率,即该对象面积占总面积的比值;H(D|A=Ai)指的是在第i个对象中聚类影像D的信息熵,计算公式参照公式(1);
步骤7、将步骤5得到的参考影像的信息熵、分割矢量的信息熵以及步骤6得到的条件熵,通过信息增益公式和信息增益率公式计算分割矢量的信息增益和信息增益率;
按照信息增益公式(3),在计算加入多尺度分割对象矢量Ascale后,聚类影像D的信息增益g(D,Ascale),计算公式如下:
g(D,Ascale)=H(D)-H(D|Ascale) (3)
按照信息增益率公式(4),计算加入多尺度分割对象矢量Ascale后,聚类影像D的信息增益率gR(D,Ascale),其中H(Ascale)为多尺度分割矢量Ascale自身的信息熵,计算公式参照公式(1):
步骤8、根据步骤7获得的分割矢量的信息增益率,根据信息增益率最大的原则选取最佳分割尺度。
2.根据权利要求1所述的基于信息增益率的卫星影像分割最佳分割尺度确定方法,其特征在于,步骤1中,所述的预处理包括:几何校正、影像裁切。
3.根据权利要求1所述的基于信息增益率的卫星影像分割最佳分割尺度确定方法,其特征在于,步骤3中,所述的分类方法为目视解译分类方法、最大似然分类方法或ISODATA分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732696.5A CN109063577B (zh) | 2018-07-05 | 2018-07-05 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732696.5A CN109063577B (zh) | 2018-07-05 | 2018-07-05 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063577A CN109063577A (zh) | 2018-12-21 |
CN109063577B true CN109063577B (zh) | 2021-08-31 |
Family
ID=64819462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810732696.5A Active CN109063577B (zh) | 2018-07-05 | 2018-07-05 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063577B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428013B (zh) * | 2019-08-07 | 2022-04-15 | 吉林大学 | 一种农作物遥感分类方法及系统 |
CN113361350A (zh) * | 2021-05-25 | 2021-09-07 | 东南大学 | 一种地表生境因子量化解析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
US8625897B2 (en) * | 2010-05-28 | 2014-01-07 | Microsoft Corporation | Foreground and background image segmentation |
JP2014010621A (ja) * | 2012-06-29 | 2014-01-20 | Casio Comput Co Ltd | 最適画像サイズによる画像領域分割装置、方法、およびプログラム |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN105528793A (zh) * | 2016-01-12 | 2016-04-27 | 北京建筑大学 | 一种高空间分辨率遥感影像的分割方法及系统 |
CN105869178A (zh) * | 2016-04-26 | 2016-08-17 | 昆明理工大学 | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
-
2018
- 2018-07-05 CN CN201810732696.5A patent/CN109063577B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8625897B2 (en) * | 2010-05-28 | 2014-01-07 | Microsoft Corporation | Foreground and background image segmentation |
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
JP2014010621A (ja) * | 2012-06-29 | 2014-01-20 | Casio Comput Co Ltd | 最適画像サイズによる画像領域分割装置、方法、およびプログラム |
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN105528793A (zh) * | 2016-01-12 | 2016-04-27 | 北京建筑大学 | 一种高空间分辨率遥感影像的分割方法及系统 |
CN105869178A (zh) * | 2016-04-26 | 2016-08-17 | 昆明理工大学 | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
Non-Patent Citations (3)
Title |
---|
Training set size, scale, and features in Geographic Object-Based Image Analysis of very high resolution unmanned aerial vehicle imagery;Lei Ma等;《ISPRS Journal of Photogrammetry and Remote Sensing》;20150430;第14-27页 * |
基于像元比值法的高分辨率影像最佳分割尺度;李东亮等;《Proceedings of 2011 International Conference on Ecological Protection of Lakes‐Wetlands‐Watershed and Application of 3S Technology(EPLWW3S 2011 V3)》;20110626;第40-43页 * |
基于多层次分割的遥感影像面向对象森林分类;马浩然;《中国优秀硕士学位论文全文数据库 农业科技辑》;20141115;第D049-97页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063577A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support | |
Lv et al. | Novel land cover change detection method based on K-means clustering and adaptive majority voting using bitemporal remote sensing images | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN112016436A (zh) | 一种基于深度学习的遥感影像变化检测方法 | |
CN107330875B (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 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN109523516A (zh) | 一种基于双重约束条件的对象级土地覆盖变化检测方法 | |
CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
CN112131946A (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
US11941878B2 (en) | Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification | |
CN109063577B (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN110570462A (zh) | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 | |
CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN110070513A (zh) | 遥感影像的辐射校正方法及系统 | |
Zhao et al. | Improving object-oriented land use/cover classification from high resolution imagery by spectral similarity-based post-classification | |
CN113379620B (zh) | 一种光学遥感卫星影像云检测方法 | |
CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
CN114627380A (zh) | 一种基于光学影像与sar时序数据融合的水稻识别方法 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
CN109461137B (zh) | 一种基于灰度相关性的面向对象正射影像质量检查方法 |
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 |