CN109215038A - 一种基于遥感影像的智能信息提取方法及系统 - Google Patents
一种基于遥感影像的智能信息提取方法及系统 Download PDFInfo
- Publication number
- CN109215038A CN109215038A CN201811151663.8A CN201811151663A CN109215038A CN 109215038 A CN109215038 A CN 109215038A CN 201811151663 A CN201811151663 A CN 201811151663A CN 109215038 A CN109215038 A CN 109215038A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- sensing image
- cloud
- information retrieval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000013139 quantization Methods 0.000 claims abstract description 20
- 230000006837 decompression Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000013467 fragmentation Methods 0.000 claims description 20
- 238000006062 fragmentation reaction Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 239000005364 simax Substances 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005111 flow chemistry technique Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种基于遥感影像的智能信息提取方法及系统,首先构建了以Hadoop为核心的遥感大数据GPU计算集群,然后设计了遥感影像的解压缩、高精度云检测、全色多光谱影像自动融合、RPC影像校正、地物目标信息智能提取及地理要素信息矢量化的智能信息提取方法及流程,其中智能信息提取平台采用了Caffe深度学习框架,通过以上流程处理之后可获得遥感影像高精度云掩膜产品、全色多光谱波段融合产品、RPC正射校正产品、地物目标信息智能提取产品及地理要素信息矢量化产品,实现了1A级原始遥感影像自动转化为2级产品的目标,大大缩短了从卫星标准数据产品到信息产品生成所需要的时间。
Description
技术领域
本发明涉及一种基于遥感影像的智能信息提取方法及系统,属于遥感影像处理与计算机系统架构设计的交叉领域。
背景技术
遥感影像具有高空间、高时间、高光谱分辨率的特点,能够高效地从高空对地物信息进行大范围、高精度监测。随着遥感技术与计算机技术的快速发展,遥感影像的分辨率越来越高,数据量也越来越大,这对于遥感数据处理及基于遥感影像的地物信息提取的时效性提出了更高的要求,基于遥感影像的智能信息提取新方法设计也应运而生。
目前,利用遥感影像对地物信息进行提取的方法和流程设计多是基于单机处理平台以及需要较多人工参与,流程设计中基于遥感影像对地物信息进行提取的方法主要有目视解译、决策树、聚类以及最大似然法等。传统的利用目视解译、聚类等方法对中、低分辨率遥感影像的处理流程已较为成熟,基本可以满足应用需求。但当前高分辨率遥感影像已成为未来的发展趋势,高分辨率遥感影像不仅具有更加丰富的地物特征,而且其数据量也更加庞大,传统方法及处理流程已难以实现对海量遥感影像的快速自动化处理以及高精度的地物信息提取。
所以,当前基于遥感影像的地物信息分类提取多是利用数理统计与人工解译相结合的方法,对于海量遥感影像的处理不仅精度较低、效率不高、工作强度大,而且依赖参与解译分析的人,在很大程度上不具备重复性,尤其对多时相、多传感器、多平台、多光谱波段遥感数据的综合处理,问题更为突出。另外,在遥感影像校正方面的处理办法多是基于交互式的人工识别选取同名点,不仅效率非常低,而且精度也难于达到实用要求。因此,研究基于遥感影像的智能信息提取方法对于提高遥感信息的识别精度和效率具有十分重要的意义。
发明内容
本发明的目的是:为了解决海量遥感大数据的地物信息提取精度不高、处理效率较低的问题,本发明提供一种基于遥感影像的智能信息提取方法及系统,不仅可以自动分析处理卫星下传的遥感影像,减少人工操作,提高处理流程的效率,而且可以提高大规模海量遥感数据的地物信息提取精度。
本发明的技术解决方案是:
一种基于遥感影像的智能信息提取方法,步骤如下:
步骤一:遥感影像解压缩,得到全色遥感影像以及多光谱遥感影像;
步骤二:对多光谱遥感影像进行云检测,筛除掉不合要求的影像;
步骤三:对于筛除之后得到的影像,进行全色和多光谱影像自动融合;
步骤四:对融合影像进行RPC影像校正;
步骤五:对校正后的融合影像进行地物目标信息智能提取;
步骤六:对提取结果进行地理要素信息矢量化。
所述步骤(1)遥感影像解压缩具体为:遥感影像解压缩是将1A级遥感影像的tar格式压缩包解压的过程,解压后包括多光谱遥感影像、全色遥感影像以及rpb文件。
所述步骤(2)对遥感多光谱遥感影像进行云检测,具体为:
(2.1)对多光谱遥感影像进行预处理;
(2.2)进行云厚度计算;
(2.3)进行云盖率计算;
(2.4)进行破碎度计算;
(2.5)根据云盖率和破碎度,进行可用度评估,筛除掉不合要求的影像。
对多光谱遥感影像进行预处理具体为:调整多光谱影像的近红外、红光和绿光波段的辐射值,使光谱值的相对大小关系与真实值相符;
进行云厚度计算,得到云层厚度,具体为:
Cb(I)=V(I)-S(I)
其中,I是图像区域,CT为云厚度,ln为自然对数函数,Cb为利用HSV模型计算得到的该区域综合亮度,Ac为该区域绝对对比度,Ac≠0,V为I区域的明亮度,S为I区域的饱和度,pi为直方图中峰值对应的灰度值,Simax和Simin分别为最大灰度级和最小灰度级,将云厚度大于0.6的云层定义为厚云。
所述进行云盖率计算具体为:计算当前影像中厚云像素占据整幅影像像素的百分比;
进行破碎度计算,具体为:
其中,I是图像区域,CF为云破碎度,PD为云团斑块密度,SV为斑块面积方差,RN为区域归并后的云斑块数量,Sc为云覆盖总面积,S总为图像总面积,Sm为图像单位面积云斑块方差,n表示区域归并前的云斑块数量,在同样的影像中,n不小于RN,Si为第i个云斑块面积,i=1,2,…n。
根据云盖率和破碎度,进行可用度评估,筛除掉不合要求的影像,具体为:
依次根据已设定的云盖率、破碎度阈值,将输入影像的可用度等级分为0-9,共10个等级;等级越低,可用度越低;筛除掉等级3以下的影像,只针对4-9级影像进行下一步处理;
所述步骤(3)进行全色和多光谱影像自动融合,具体为:
(3.1)影像配准:利用SIFT算子提取特征点,进行全色与多光谱影像配准,生成配准的全色与多光谱影像;
(3.2)全色锐化:利用全色影像的空间细节信息,锐化多光谱影像的空间细节,生成融合影像。
所述步骤(5)对融合影像进行地物目标信息智能提取,具体为:
(1):准备数据集,通过数据集形成训练数据和测试数据;
(2):构造高分辨率纯卷积神经网络;
(3):根据步骤(1)中形成的训练数据训练神经网络,并记录此时的网络参数;
(4):根据步骤(3)训练好的神经网络对所述测试数据进行地物目标提取。
所述步骤(2)构造高分辨率纯卷积神经网络,具体为:
在Caffe框架下逐层搭建纯卷积神经网络,采用多尺度残差结构,增加条件随机场CRF后处理;
卷积层的计算公式如下:
和代表当前层第j个神经元的输出特征图和偏置,表示当前层输入的第i个特征图,表示当前层第j个神经元对输入第i个特征图进行卷积时的卷积核,函数f为非线性激活函数,为神经网络引入非线性,所述激活函数采用的是ReLU激活函数。
训练神经网络具体为:
(3a)按照均匀分布对神经网络的权重进行初始化;
(3b)将训练数据输入到神经网络中并进行多层卷积操作;
(3c)计算神经网络的输出结果和相对标签的误差;
(3d)利用误差反向传播算法调整网络的权重和偏置,并返回步骤3b,当神经网络的损失函数小于预设阈值时,则认为神经网络已经被调优,记录此时的网络参数。
对所述测试数据进行地物目标提取,具体为:
(4a)载入调优的网络参数;
(4b)将测试数据输入神经网络中,得到子区域的检测结果;
(4c)将步骤4b中得到的检测结果进行拼接,即可获得粗检测结果;
(4d)对粗检测结果进行连通域分析,去除面积小于预设阈值的连通域,获得精检测结果,完成地物目标提取,该精检测结果为二值栅格图。
所述步骤(6)提取结果进行地理要素信息矢量化,具体为:
(6.1)运用边界跟踪算法提取影像边界,依次将边界点记录在数组中;
(6.2)用SUSAN算法得出数组中的角点,并计算出数组中相邻两个角点之间的普通控制点;角点和普通控制点统称控制点;
(6.3)依次取出数组中的控制点,其中角点取值三次,普通控制点取值一次,最后在控制点序列的首尾各附加一个控制点;
(6.4)根据绘制需求对取出的控制点序列进行相应的平移、旋转、伸缩变化,再运用三次B样条曲线对控制点序列进行拟合,得到矢量化图形,从而完成地理要素信息矢量化。
一种基于遥感影像的智能信息提取系统,包括:
解压缩模块:用于遥感影像解压缩,得到全色遥感影像以及多光谱遥感影像;
云检测模块:用于对多光谱遥感影像进行云检测,筛除掉不合要求的影像;
融合模块:用于对于筛除之后得到的影像,进行全色和多光谱影像自动融合;
校正模块:用于对融合影像进行RPC影像校正;
地物信息提取模块:用于对校正后的融合影像进行地物目标信息智能提取;
矢量化模块:用于对提取结果进行地理要素信息矢量化。
本发明与现有技术相比的有益效果是:
(1)自动处理卫星下传遥感影像,有效减少了人工操作,提升了处理效率;
(2)提高了大规模海量遥感数据的地物信息提取精度。
附图说明
图1为基于遥感影像的智能信息提取处理流程图
图2为卷积神经网络组成结构图
图3为多光谱及全色遥感影像图,其中,3a为多光谱遥感影像,3b为全色遥感影像;
图4为遥感影像高精度云掩膜结果图
图5为全色多光谱波段融合结果图
图6为RPC正射校正结果图
图7为地物目标信息智能提取结果图
图8为地理要素信息矢量化结果图
具体实施方式
下面结合附图进一步说明本发明具体实施方式。
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述:
本发明提出了一种基于遥感影像的智能信息提取方法,用于卫星下传遥感影像的自动化处理分析。本发明构建了以Hadoop为核心的遥感大数据GPU计算集群,设计了遥感影像的解压缩、高精度云检测、全色多光谱影像自动融合、RPC影像校正、地物目标信息智能提取及地理要素信息矢量化的智能信息提取方法及流程,其中智能信息提取平台采用了Caffe深度学习框架,通过以上流程处理之后可获得遥感影像高精度云掩膜产品、全色多光谱波段融合产品、RPC正射校正产品、地物目标信息智能提取产品及地理要素信息矢量化产品。
如图1所示,本发明提出的一种基于遥感影像的智能信息提取方法,步骤如下:
步骤一:遥感影像解压缩,得到全色遥感影像以及多光谱遥感影像;
具体为:遥感影像解压缩是将1A级遥感影像的tar格式压缩包解压的过程,解压后包括多光谱遥感影像、全色遥感影像以及rpb文件。
步骤二:对多光谱遥感影像进行云检测,筛除掉不合要求的影像;
具体为:
(2.1)对多光谱遥感影像进行预处理;
调整多光谱影像的近红外、红光和绿光波段的辐射值,使光谱值的相对大小关系与真实值相符;
(2.2)进行云厚度计算;
Cb(I)=V(I)-S(I)
其中,I是图像区域,CT为云厚度,ln为自然对数函数,Cb为利用HSV模型计算得到的该区域综合亮度,Ac为该区域绝对对比度,Ac≠0,V为I区域的明亮度,S为I区域的饱和度,pi为直方图中峰值对应的灰度值,Simax和Simin分别为最大灰度级和最小灰度级,将云厚度大于0.6的云层定义为厚云。
(2.3)进行云盖率计算;
计算当前影像中厚云像素占据整幅影像像素的百分比;
(2.4)进行破碎度计算;
进行破碎度计算,具体为:
其中,I是图像区域,CF为云破碎度,PD为云团斑块密度,SV为斑块面积方差,RN为区域归并后的云斑块数量,Sc为云覆盖总面积,S总为图像总面积,Sm为图像单位面积云斑块方差,n表示区域归并前的云斑块数量,在同样的影像中,n不小于RN,Si为第i个云斑块面积,i=1,2,…n。
(2.5)根据云盖率和破碎度,进行可用度评估,筛除掉不合要求的影像。
依次根据已设定的云盖率、破碎度阈值,将输入影像的可用度等级分为0-9,共10个等级;等级越低,可用度越低;筛除掉等级3以下的影像,只针对4-9级影像进行下一步处理;
步骤三:对于筛除之后得到的影像,进行全色和多光谱影像自动融合;
具体为:
(3.1)影像配准:利用SIFT算子提取特征点,进行全色与多光谱影像配准,生成配准的全色与多光谱影像。将全色与多光谱图像划分为多个子块,然后在此基础上采用分层匹配的思路匹配SIFT特征点。
(3.2)全色锐化:利用全色影像的空间细节信息,锐化多光谱影像的空间细节,生成空间细节和色彩高保真的遥感影像全色多光谱波段融合影像产品。
(3.2a)建立多光谱影像光谱值分段线性调整模型,以解决光谱非线性响应引起的色彩失真问题,具体为:
其中,为低分辨率全色影像,N为影像波段总数,k=1…N,αk为权重,为依据原始多光谱影像Mk=1,…,N各波段像素值的均值、方值、直方图调整光谱值而生成的新多光谱影像。
(3.2b)建立基于比值变换的高保真全色锐化模型,以消除强反射目标过饱和导致融合图像边缘模糊的问题,具体为:
其中,(i,j)为影像行列号,Fk=1,…,N为空间细节和色彩高保真的融合图像,Mk=1,…,N为原始多光谱图像,为低分辨率全色图像,P为原始全色图像。
步骤四:对融合影像进行RPC影像校正;
(4.1)利用RPC校正方法对影像进行校正处理。
(4.2)采用放射变换法优化RPC校正结果。具体为:
y=e0+e1*sample+e2*line
x=f0+f1*sample+f2*line
式中,(x,y)是在影像上量测得到的GCP的影像坐标;(sample,line)是利用RPC模型计算得到的GCP的影像坐标;(e0,e1,e2,f0,f1,f2)是两组坐标之间的仿射变换参数。利用少量的地面控制点即可解算出仿射变换的参数,这样就可以利用仿射变换对由RPC模型计算得到的影像坐标解求出更为精确的行列坐标,从而达到优化RPC模型的目的。
步骤五:对校正后的融合影像进行地物目标信息智能提取;
具体为:
(1):准备数据集,通过数据集形成训练数据和测试数据;
数据为包含地物目标的校正后融合影像。将影像制作成符合训练和测试的数据集。将所述影像分为两部分:一部分是带标签的训练数据,这部分影像将被均匀地切割成500*500的小幅影像,用于神经网络的训练;另一部分是测试数据,用于验证神经网络的性能。
(2):构造高分辨率纯卷积神经网络;
在Caffe框架下逐层搭建纯卷积神经网络。本发明基于深度残差网络(50层)设计:采用多尺度残差结构,增加条件随机场CRF后处理;
卷积层的计算公式如下:
和代表当前层第j个神经元的输出特征图和偏置,表示当前层输入的第i个特征图,表示当前层第j个神经元对输入第i个特征图进行卷积时的卷积核,函数f为非线性激活函数,为神经网络引入非线性,所述激活函数采用的是ReLU激活函数。
该神经网络具体的组成结构如图2所示。
(3):根据步骤(1)中形成的训练数据训练神经网络,并记录此时的网络参数;
(3a)按照均匀分布对神经网络的权重进行初始化。权值x在区间(a,b)上的均匀分布的分布函数如下:
(3b)将训练数据输入到神经网络中并进行多层卷积操作,即每卷积层的输出,作为下一卷积层的输入;
(3c)计算神经网络的输出结果和相对标签的误差。本发明使用交叉熵函数作为损失函数来计算其误差。交叉熵函数公式如下:
其中,p(x)为训练样本标签,q(x)为模型的预估标签;
(3d)利用误差反向传播算法调整网络的权重和偏置,并返回步骤3b,当神经网络的损失函数小于预设阈值时,则认为神经网络已经被调优,记录此时的网络参数。
(4):根据步骤(3)训练好的神经网络对所述测试数据进行地物目标提取。
(4a)载入训练调优的网络参数和神经网络模型;
(4b)将测试数据输入神经网络中,得到子区域的检测结果;
(4c)将步骤4b中得到的检测结果进行拼接,即可获得粗检测结果;
(4d)对粗检测结果进行连通域分析,去除面积小于预设阈值的连通域,获得精检测结果,完成地物目标提取,该精检测结果为二值栅格图。本发明采用的连通域分析方法为两次遍历法,其实现伪代码如下:
步骤六:对提取结果进行地理要素信息矢量化。
具体为:
(6.1)运用边界跟踪算法提取影像边界,依次将边界点记录在数组中;
(6.2)用SUSAN算法得出数组中的角点,并计算出数组中相邻两个角点之间的普通控制点;角点和普通控制点统称控制点;
(6.3)依次取出数组中的控制点,其中角点取值三次,普通控制点取值一次,最后在控制点序列的首尾各附加一个控制点;
(6.4)根据绘制需求对取出的控制点序列进行相应的平移、旋转、伸缩变化,再运用三次B样条曲线对控制点序列进行拟合,得到矢量化图形,从而完成地理要素信息矢量化,生成地理要素信息矢量化产品。
基于上述智能信息提取方法本发明还提出一种基于遥感影像的智能信息提取系统,包括:
解压缩模块:用于遥感影像解压缩,得到全色遥感影像以及多光谱遥感影像;
云检测模块:用于对多光谱遥感影像进行云检测,筛除掉不合要求的影像;
融合模块:用于对于筛除之后得到的影像,进行全色和多光谱影像自动融合;
校正模块:用于对融合影像进行RPC影像校正;
地物信息提取模块:用于对校正后的融合影像进行地物目标信息智能提取;
矢量化模块:用于对提取结果进行地理要素信息矢量化。
实施例:
本发明的实施流程如图1所示。基于遥感影像的智能信息提取方法包括以下步骤:
步骤一:遥感影像解压缩。得到多光谱遥感影像、全色遥感影像及对应的rpb文件。多光谱及全色遥感影像如图3所示,其中,3a为多光谱遥感影像,3b为全色遥感影像。
步骤二:对多光谱遥感影像进行云检测。具体为:
(2.1)调整多光谱影像的近红外、红光和绿光波段的辐射值,使光谱值的相对大小关系与真实值相符;
(2.2)计算云厚度:得到厚云像素位置,进行标记并生成遥感影像高精度云掩膜结果,如图4所示,黑色区域:值0,背景;白色区域:值255,云。
(2.3)计算云盖率:根据第(2.2)步结果,计算得出当前遥感影像的云盖率为0.87;
(2.4)计算破碎度:根据第(2.2)步结果,计算得出当前遥感影像的云破碎度为0.06;
(2.5)可用度评估:根据当然影像的云盖率、破碎度及影像可用度评价标准,评估出当前遥感影像的可用度等级为8,符合影像要求,可进一步处理。
步骤三:对于步骤(2)筛除后的影像,进行全色和多光谱影像自动融合。具体为:
(3.1)全色与多光谱影像配准:将全色与多光谱图像划分为多个子块,然后在此基础上采用分层匹配的思路匹配SIFT特征点。
(3.2)全色锐化:对(3.1)结果进行全色锐化,具体为:
(3.2a)利用多光谱图像光谱值分段线性调整模型自适应加权合成低分辨率全色影像。
(3.2b)利用基于比值变换的高保真全色锐化模型,对合成的低分辨率全色影像、原始多光谱影像、原始全色影像进行全色锐化,最终生成空间细节和色彩高保真的遥感影像全色多光谱波段融合结果,如图5所示。
步骤四:对步骤(3)得到的融合影像进行RPC影像校正。具体为:
(4.1)RPC校正:利用RPC校正方法对影像进行校正处理。
(4.2)优化校正结果:采用放射变换法优化RPC校正结果,最终生成RPC正射校正结果,如图6所示。
步骤五:对步骤(4)得到的校正后融合影像进行地物目标信息智能提取。具体为:
(5.1)准备数据集,通过数据集形成训练数据和测试数据:
本发明所使用的遥感影像数据覆盖18万平方公里,分布于京津冀、山东、浙江、湖北、江西等省份。制作数据集时,首先将遥感影像随机地分为两部分,其中一部分是已经预先人工标注好的影像,标注结果为两类,分别代表目标地物和非目标地物。这些影像将被均匀地切割成500*500的小幅图像,用于神经网络的训练。剩余的一部分数据则主要包含未标注的遥感影像,用于验证神经网络的性能。
(5.2)构造高分辨率纯卷积神经网络:在Caffe框架下逐层搭建纯卷积神经网络,该神经网络具体的组成结构如图2所示:
(5.3)根据步骤(5.1)中形成的训练数据训练神经网络,并记录此时的网络参数;具体为:
(5.3a)按照均匀分布对神经网络的权重进行初始化;
(5.3b)将训练数据输入的神经网络中并进行多层卷积操作;
(5.3c)使用交叉熵作为损失函数,计算神经网络的输出结果和相对标签的误差;
(5.3d)利用误差反向传播算法调整网络的权重和偏置,并返回第(5.3b)步。当神经网络迭代更新至预设次数,即200000次时,记录此时的网络参数。
(5.4)根据步骤(5.3)训练好的神经网络对所述测试数据进行地物目标提取,具体为:
(5.4a)载入(5.3)中调优的网络参数;
(5.4b)将测试数据(如5000*5000像素)切割为500*500的小图像输入神经网络中,得到子区域的检测结果;
(5.4c)将(5.4b)中得到的检测结果进行拼接,即可获得粗检测结果。
(5.4d)对(5.4c)的粗检测结果使用两次遍历法进行连通域分析,设定阈值为10个像素去除面积较小的连通域,获得更精确的结果。生成的地物目标信息智能提取结果如图7所示,黑色区域:值0,背景;白色区域:值255,目标地物。
步骤六:对提取结果进行地理要素信息矢量化,具体为:
(6.1)运用边界跟踪算法提取影像边界,依次将边界点记录在数组中;
(6.2)用SUSAN算法得出数组中的角点,并计算出数组中相邻两个角点之间的普通控制点;角点和普通控制点统称控制点;
(6.3)依次取出数组中的控制点,其中角点取值三次,普通控制点取值一次,最后在控制点序列的首尾各附加一个控制点;
(6.4)根据绘制需求对取出的控制点序列进行相应的平移、旋转、伸缩变化,再运用三次B样条曲线对控制点序列进行拟合,得到矢量化图形,从而完成地理要素信息矢量化,生成的地理要素信息矢量化结果如图8所示,图中显示为目标地物矢量斑块。
本发明能够自动处理卫星下传遥感影像,有效减少了人工操作,提升了处理效率;也提高了大规模海量遥感数据的地物信息提取精度。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (13)
1.一种基于遥感影像的智能信息提取方法,其特征在于步骤如下:
步骤一:遥感影像解压缩,得到全色遥感影像以及多光谱遥感影像;
步骤二:对多光谱遥感影像进行云检测,筛除掉不合要求的影像;
步骤三:对于筛除之后得到的影像,进行全色和多光谱影像自动融合;
步骤四:对融合影像进行RPC影像校正;
步骤五:对校正后的融合影像进行地物目标信息智能提取;
步骤六:对提取结果进行地理要素信息矢量化。
2.根据权利要求1所述的一种基于遥感影像的智能信息提取方法,其特征在于:所述步骤(1)遥感影像解压缩具体为:遥感影像解压缩是将1A级遥感影像的tar格式压缩包解压的过程,解压后包括多光谱遥感影像、全色遥感影像以及rpb文件。
3.根据权利要求1所述的一种基于遥感影像的智能信息提取方法,其特征在于:所述步骤(2)对遥感多光谱遥感影像进行云检测,具体为:
(2.1)对多光谱遥感影像进行预处理;
(2.2)进行云厚度计算;
(2.3)进行云盖率计算;
(2.4)进行破碎度计算;
(2.5)根据云盖率和破碎度,进行可用度评估,筛除掉不合要求的影像。
4.根据权利要求3所述的一种基于遥感影像的智能信息提取方法,其特征在于:
对多光谱遥感影像进行预处理具体为:调整多光谱影像的近红外、红光和绿光波段的辐射值,使光谱值的相对大小关系与真实值相符;
进行云厚度计算,得到云层厚度,具体为:
Cb(I)=V(I)-S(I)
其中,I是图像区域,CT为云厚度,ln为自然对数函数,Cb为利用HSV模型计算得到的该区域综合亮度,Ac为该区域绝对对比度,Ac≠0,V为I区域的明亮度,S为I区域的饱和度,pi为直方图中峰值对应的灰度值,Simax和Simin分别为最大灰度级和最小灰度级,将云厚度大于0.6的云层定义为厚云。
5.根据权利要求3所述的一种基于遥感影像的智能信息提取方法,其特征在于:所述进行云盖率计算具体为:计算当前影像中厚云像素占据整幅影像像素的百分比;
进行破碎度计算,具体为:
其中,I是图像区域,CF为云破碎度,PD为云团斑块密度,SV为斑块面积方差,RN为区域归并后的云斑块数量,Sc为云覆盖总面积,S总为图像总面积,Sm为图像单位面积云斑块方差,n表示区域归并前的云斑块数量,在同样的影像中,n不小于RN,Si为第i个云斑块面积,i=1,2,…n。
6.根据权利要求3所述的一种基于遥感影像的智能信息提取方法,其特征在于:根据云盖率和破碎度,进行可用度评估,筛除掉不合要求的影像,具体为:
依次根据已设定的云盖率、破碎度阈值,将输入影像的可用度等级分为0-9,共10个等级;等级越低,可用度越低;筛除掉等级3以下的影像,只针对4-9级影像进行下一步处理;
7.根据权利要求1所述的一种基于遥感影像的智能信息提取方法,其特征在于:所述步骤(3)进行全色和多光谱影像自动融合,具体为:
(3.1)影像配准:利用SIFT算子提取特征点,进行全色与多光谱影像配准,生成配准的全色与多光谱影像;
(3.2)全色锐化:利用全色影像的空间细节信息,锐化多光谱影像的空间细节,生成融合影像。
8.根据权利要求1所述的一种基于遥感影像的智能信息提取方法,其特征在于:所述步骤(5)对融合影像进行地物目标信息智能提取,具体为:
(1):准备数据集,通过数据集形成训练数据和测试数据;
(2):构造高分辨率纯卷积神经网络;
(3):根据步骤(1)中形成的训练数据训练神经网络,并记录此时的网络参数;
(4):根据步骤(3)训练好的神经网络对所述测试数据进行地物目标提取。
9.根据权利要求8所述的一种基于遥感影像的智能信息提取方法,其特征在于:所述步骤(2)构造高分辨率纯卷积神经网络,具体为:
在Caffe框架下逐层搭建纯卷积神经网络,采用多尺度残差结构,增加条件随机场CRF后处理;
卷积层的计算公式如下:
和代表当前层第j个神经元的输出特征图和偏置,表示当前层输入的第i个特征图,表示当前层第j个神经元对输入第i个特征图进行卷积时的卷积核,函数f为非线性激活函数,为神经网络引入非线性,所述激活函数采用的是ReLU激活函数。
10.根据权利要求8所述的一种基于遥感影像的智能信息提取方法,其特征在于:训练神经网络具体为:
(3a)按照均匀分布对神经网络的权重进行初始化;
(3b)将训练数据输入到神经网络中并进行多层卷积操作;
(3c)计算神经网络的输出结果和相对标签的误差;
(3d)利用误差反向传播算法调整网络的权重和偏置,并返回步骤3b,当神经网络的损失函数小于预设阈值时,则认为神经网络已经被调优,记录此时的网络参数。
11.根据权利要求8所述的一种基于遥感影像的智能信息提取方法,其特征在于:对所述测试数据进行地物目标提取,具体为:
(4a)载入调优的网络参数;
(4b)将测试数据输入神经网络中,得到子区域的检测结果;
(4c)将步骤4b中得到的检测结果进行拼接,即可获得粗检测结果;
(4d)对粗检测结果进行连通域分析,去除面积小于预设阈值的连通域,获得精检测结果,完成地物目标提取,该精检测结果为二值栅格图。
12.根据权利要求1所述的一种基于遥感影像的智能信息提取方法,其特征在于:所述步骤(6)提取结果进行地理要素信息矢量化,具体为:
(6.1)运用边界跟踪算法提取影像边界,依次将边界点记录在数组中;
(6.2)用SUSAN算法得出数组中的角点,并计算出数组中相邻两个角点之间的普通控制点;角点和普通控制点统称控制点;
(6.3)依次取出数组中的控制点,其中角点取值三次,普通控制点取值一次,最后在控制点序列的首尾各附加一个控制点;
(6.4)根据绘制需求对取出的控制点序列进行相应的平移、旋转、伸缩变化,再运用三次B样条曲线对控制点序列进行拟合,得到矢量化图形,从而完成地理要素信息矢量化。
13.一种基于遥感影像的智能信息提取系统,其特征在于包括:
解压缩模块:用于遥感影像解压缩,得到全色遥感影像以及多光谱遥感影像;
云检测模块:用于对多光谱遥感影像进行云检测,筛除掉不合要求的影像;
融合模块:用于对于筛除之后得到的影像,进行全色和多光谱影像自动融合;
校正模块:用于对融合影像进行RPC影像校正;
地物信息提取模块:用于对校正后的融合影像进行地物目标信息智能提取;
矢量化模块:用于对提取结果进行地理要素信息矢量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811151663.8A CN109215038A (zh) | 2018-09-29 | 2018-09-29 | 一种基于遥感影像的智能信息提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811151663.8A CN109215038A (zh) | 2018-09-29 | 2018-09-29 | 一种基于遥感影像的智能信息提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109215038A true CN109215038A (zh) | 2019-01-15 |
Family
ID=64982441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811151663.8A Pending CN109215038A (zh) | 2018-09-29 | 2018-09-29 | 一种基于遥感影像的智能信息提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215038A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
CN110348415A (zh) * | 2019-07-17 | 2019-10-18 | 济南大学 | 一种高分辨率遥感目标大数据集的高效标注方法及系统 |
CN110717374A (zh) * | 2019-08-20 | 2020-01-21 | 河海大学 | 一种基于改进的多层感知机的高光谱遥感影像分类方法 |
CN110889840A (zh) * | 2019-11-28 | 2020-03-17 | 航天恒星科技有限公司 | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 |
CN110968714A (zh) * | 2019-12-23 | 2020-04-07 | 自然资源部国土卫星遥感应用中心 | 一种卫星遥感影像即时服务方法及即时服务平台 |
CN111091532A (zh) * | 2019-10-30 | 2020-05-01 | 中国资源卫星应用中心 | 一种基于多层感知机的遥感影像色彩评价方法和系统 |
CN111104850A (zh) * | 2019-10-30 | 2020-05-05 | 中国资源卫星应用中心 | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 |
CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 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 |
CN111179205A (zh) * | 2019-12-09 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于地物分类掩膜的遥感影像色彩纠正方法 |
CN111340080A (zh) * | 2020-02-19 | 2020-06-26 | 济南大学 | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 |
CN111652075A (zh) * | 2020-05-09 | 2020-09-11 | 中国科学院空天信息创新研究院 | 结合迁移学习的高分辨率卫星影像道路快速提取方法、系统 |
CN111681171A (zh) * | 2020-06-15 | 2020-09-18 | 中国人民解放军军事科学院国防工程研究院 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
CN111860204A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于语义分割技术的多时相遥感影像变化检测方法和介质 |
CN112215857A (zh) * | 2020-11-10 | 2021-01-12 | 国家海洋环境预报中心 | 一种基于浒苔生长周期的浒苔识别方法 |
CN112287885A (zh) * | 2020-11-20 | 2021-01-29 | 江苏省测绘研究所 | 一种辐射归一化方法及其系统 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
CN112907527A (zh) * | 2021-02-07 | 2021-06-04 | 电子科技大学 | 一种针对大尺寸曲面试件的红外热成像拼接检测方法 |
CN113096129A (zh) * | 2021-06-08 | 2021-07-09 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像中的云量检测方法和装置 |
CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
CN113420982A (zh) * | 2021-06-23 | 2021-09-21 | 中国人民解放军63921部队 | 航天遥感测绘融合应用方法及系统 |
CN114328782A (zh) * | 2021-12-24 | 2022-04-12 | 中科三清科技有限公司 | 地理矢量数据处理方法、电子设备及存储介质 |
CN114998399A (zh) * | 2022-05-20 | 2022-09-02 | 中国人民解放军61540部队 | 一种异源光学遥感卫星影像立体像对预处理方法 |
CN115830471A (zh) * | 2023-01-04 | 2023-03-21 | 安徽大学 | 一种多尺度特征融合和对齐的域自适应云检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN103955909A (zh) * | 2014-05-09 | 2014-07-30 | 北京交通大学 | 一种基于MapGISK9图像融合制作专题图的方法及系统 |
WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
-
2018
- 2018-09-29 CN CN201811151663.8A patent/CN109215038A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN103955909A (zh) * | 2014-05-09 | 2014-07-30 | 北京交通大学 | 一种基于MapGISK9图像融合制作专题图的方法及系统 |
CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
Non-Patent Citations (5)
Title |
---|
刘美琳: "一种基于RPC模型的SAR影像集合精纠正新方法", 《遥感信息》 * |
张显全 等: "基于控制点的二值图像边界矢量化算法", 《计算机科学》 * |
徐其志 等: "基于比值变换的全色与多光谱图像高保真融合方法", 《计算机科学》 * |
李孚煜 等: "基于SIFT的遥感图像配准技术综述", 《国土资源遥感》 * |
郑红 等: "基于云特征的遥感图像可用度影响因素分析", 《北京航空航天大学学报》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
CN110348415A (zh) * | 2019-07-17 | 2019-10-18 | 济南大学 | 一种高分辨率遥感目标大数据集的高效标注方法及系统 |
CN110348415B (zh) * | 2019-07-17 | 2022-09-30 | 济南大学 | 一种高分辨率遥感目标大数据集的高效标注方法及系统 |
CN110717374A (zh) * | 2019-08-20 | 2020-01-21 | 河海大学 | 一种基于改进的多层感知机的高光谱遥感影像分类方法 |
CN111091532A (zh) * | 2019-10-30 | 2020-05-01 | 中国资源卫星应用中心 | 一种基于多层感知机的遥感影像色彩评价方法和系统 |
CN111104850A (zh) * | 2019-10-30 | 2020-05-05 | 中国资源卫星应用中心 | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 |
CN111104850B (zh) * | 2019-10-30 | 2023-09-26 | 中国四维测绘技术有限公司 | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 |
CN110889840A (zh) * | 2019-11-28 | 2020-03-17 | 航天恒星科技有限公司 | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 |
CN111179205A (zh) * | 2019-12-09 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于地物分类掩膜的遥感影像色彩纠正方法 |
CN111179205B (zh) * | 2019-12-09 | 2023-09-26 | 中国四维测绘技术有限公司 | 一种基于地物分类掩膜的遥感影像色彩纠正方法 |
CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 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 |
CN110968714A (zh) * | 2019-12-23 | 2020-04-07 | 自然资源部国土卫星遥感应用中心 | 一种卫星遥感影像即时服务方法及即时服务平台 |
CN111340080B (zh) * | 2020-02-19 | 2024-03-29 | 济南大学 | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 |
CN111340080A (zh) * | 2020-02-19 | 2020-06-26 | 济南大学 | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 |
CN111652075A (zh) * | 2020-05-09 | 2020-09-11 | 中国科学院空天信息创新研究院 | 结合迁移学习的高分辨率卫星影像道路快速提取方法、系统 |
CN111652075B (zh) * | 2020-05-09 | 2023-09-05 | 中国科学院空天信息创新研究院 | 结合迁移学习的高分辨率卫星影像道路快速提取方法、系统 |
CN111681171A (zh) * | 2020-06-15 | 2020-09-18 | 中国人民解放军军事科学院国防工程研究院 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
CN111681171B (zh) * | 2020-06-15 | 2024-02-27 | 中国人民解放军军事科学院国防工程研究院 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
CN111860204A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于语义分割技术的多时相遥感影像变化检测方法和介质 |
CN112215857A (zh) * | 2020-11-10 | 2021-01-12 | 国家海洋环境预报中心 | 一种基于浒苔生长周期的浒苔识别方法 |
CN112215857B (zh) * | 2020-11-10 | 2021-07-06 | 国家海洋环境预报中心 | 一种基于浒苔生长周期的浒苔识别方法 |
CN112287885A (zh) * | 2020-11-20 | 2021-01-29 | 江苏省测绘研究所 | 一种辐射归一化方法及其系统 |
CN112287885B (zh) * | 2020-11-20 | 2021-10-01 | 江苏省测绘研究所 | 一种辐射归一化方法及其系统 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
CN112907527A (zh) * | 2021-02-07 | 2021-06-04 | 电子科技大学 | 一种针对大尺寸曲面试件的红外热成像拼接检测方法 |
CN112907527B (zh) * | 2021-02-07 | 2022-09-06 | 电子科技大学 | 一种针对大尺寸曲面试件的红外热成像拼接检测方法 |
CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
CN113096129A (zh) * | 2021-06-08 | 2021-07-09 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像中的云量检测方法和装置 |
CN113420982A (zh) * | 2021-06-23 | 2021-09-21 | 中国人民解放军63921部队 | 航天遥感测绘融合应用方法及系统 |
CN114328782B (zh) * | 2021-12-24 | 2022-11-01 | 中科三清科技有限公司 | 地理矢量数据处理方法、电子设备及存储介质 |
CN114328782A (zh) * | 2021-12-24 | 2022-04-12 | 中科三清科技有限公司 | 地理矢量数据处理方法、电子设备及存储介质 |
CN114998399A (zh) * | 2022-05-20 | 2022-09-02 | 中国人民解放军61540部队 | 一种异源光学遥感卫星影像立体像对预处理方法 |
CN115830471A (zh) * | 2023-01-04 | 2023-03-21 | 安徽大学 | 一种多尺度特征融合和对齐的域自适应云检测方法 |
CN115830471B (zh) * | 2023-01-04 | 2023-06-13 | 安徽大学 | 一种多尺度特征融合和对齐的域自适应云检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215038A (zh) | 一种基于遥感影像的智能信息提取方法及系统 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN108363983B (zh) | 一种基于无人机影像与重建点云的城市植被分类方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN110287869A (zh) | 基于深度学习的高分辨率遥感影像农作物分类方法 | |
CN107392925A (zh) | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
CN110956187A (zh) | 一种基于集成学习的无人机影像植物冠层信息提取方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN109993237A (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
CN109883967B (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
CN109034233A (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 | |
CN116363505A (zh) | 一种基于采摘机器人视觉系统的目标采摘方法 | |
CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
CN109472804A (zh) | 基于遥感影像的陆表水体提取方法和装置 | |
CN117726550B (zh) | 一种多尺度门控注意力遥感图像去雾方法和系统 | |
CN108256557A (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN115082582A (zh) | 卫星遥感数据真彩色模拟方法、系统、设备及介质 | |
CN113178010B (zh) | 基于深度学习的高分影像阴影区域恢复重建方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN110263612A (zh) | 基于生成对抗网络的多光谱遥感图像道路提取方法 | |
CN116935238B (zh) | 基于深度学习的森林扰动监测方法、系统、设备及介质 | |
CN116844053A (zh) | 一种小麦种植区域识别方法、系统、电子设备及存储介质 |
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 |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |