CN109377507A - 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 - Google Patents
一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 Download PDFInfo
- Publication number
- CN109377507A CN109377507A CN201811094143.8A CN201811094143A CN109377507A CN 109377507 A CN109377507 A CN 109377507A CN 201811094143 A CN201811094143 A CN 201811094143A CN 109377507 A CN109377507 A CN 109377507A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- curve
- remote sensing
- model
- segmentation
- 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.)
- Granted
Links
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
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,首先构建目标像元的邻域光谱曲线频谱距离模型;利用希尔伯特变换通过卷积运算获得奇偶滤波结果,并利用奇偶滤波结果的平方和的平方根作为局部能量构建边缘特征增强模型;将两者结合得到基于邻域光谱特征的边缘特征增强模型,用于得到边缘特征增强结果;将边缘特征增强结果作为梯度数据输入分水岭分割算法,并对分水岭分割算法进行优化,实现遥感图像的高精度分割,可以有效地抑制高光谱遥感图像的过分割现象,解决高光谱遥感图像中弱边缘以及伪边缘特征影响遥感图像分割结果的技术问题。
Description
技术领域
本发明属于图像分割技术领域,具体涉及一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法。
背景技术
高光谱数据提供了数百个窄的光谱波段,可以形成一条完整而连续的光谱响应曲线来记录目标地物的光谱信息。相对于多光谱数据,高光谱遥感图像提供的地物光谱信息更加丰富,光谱特征更加明显,因此能够从光谱空间中对地物覆盖类型进行精细分类和直接识别。图像分割是遥感信息获取和地物识别的关键技术,为高光谱图像的信息提取提供了新的思路,其核心就在于实现高光谱遥感图像的分割。
分水岭算法是一种有效的图像分割方法,被广泛地应用于图像分割领域。该方法分割效果取决于图像边缘响应梯度。传统的边缘增强算法,如Canny、Sobel、Prewitt方法都对图像梯度过于依赖。遥感图像中地物类型复杂,边缘梯度图中的噪声以及伪边缘现象较多,将分水岭算法和传统的边缘增强算法结合进行图像分割时,前述原因将影响遥感图像分割效果。因此,在减少边缘检测模型的梯度依赖性同时,减少噪声和伪边缘现象是一个遥感图像分割领域亟需解决的问题。
发明内容
为解决上述问题,本发明提出一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,实现遥感图像的高精度分割,可以有效地抑制高光谱遥感图像的过分割现象,解决高光谱遥感图像中弱边缘以及伪边缘特征影响遥感图像分割结果的技术问题。
本发明采用如下技术方案,一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,具体步骤如下:
1)构建目标像元的邻域光谱曲线频谱距离模型;
2)构建边缘特征增强模型;
3)将目标像元的邻域光谱曲线频谱距离模型和边缘特征增强模型相乘得到基于邻域光谱特征的边缘特征增强模型,用于得到边缘特征增强结果;
4)将边缘特征增强结果作为梯度数据输入分水岭分割算法,实现遥感图像分割。
优选地,在所述步骤1)之前还包括:获得高光谱遥感数据,进行数据预处理,所述预处理包括数据融合与配准以及删除掉噪音超过预设值的波段,最终确定n个波段高光谱遥感数据作为高光谱遥感图像分割的输入数据。
优选地,所述步骤1)构建目标像元的邻域光谱曲线频谱距离模型的具体方法为:
光谱曲线f=[f(1),f(2),f(3)…f(n)]T,f(1),f(2),f(3)和f(n)分别表示光谱曲线f上第1个、第2个、第3个和第n个波段处的光谱响应值,光谱曲线f的离散傅里叶变换DFT为F(k),对应的频谱为|F(k)|,计算公式如下,
其中R(k)和I(k)分别为F(k)的实部和虚部;
目标像元及其邻域像元的光谱曲线所对应的频谱分别为F1和F2,两像元间的光谱曲线频谱距离Dist(F1,F2)为:
其中n为光谱曲线的长度,即波段数目,F1(k)和F2(k)分别为频谱F1和F2在频率k的频谱响应值;
图像中像元P的光谱曲线x,δ为点P的邻域,点P处及其邻域像元间的光谱曲线频谱距离为F_Dist(x),构建目标像元的邻域光谱曲线频谱距离模型为:
其中Fx和Fx′分别为点P及其邻域δ内像元的光谱曲线对应的频谱,x'为邻域δ内的像元所对应的光谱曲线。
优选地,所述步骤2)中构建边缘特征增强模型的方法为,利用希尔伯特变换通过卷积运算获得奇偶滤波结果,并利用奇偶滤波结果的平方和的平方根作为局部能量构建边缘特征增强模型,具体为:
定义具有方向性的极坐标形式希尔伯特变换的频谱H(θ):
H(θ)=[exp(iρ(α+θ-π/2))+exp(-iρ(α+θ-π/2))]/2 (4)
其中i为虚数单位,ρ为极径,a为极角,θ为控制希尔伯特变换的方向角度参数,基于方向θ的空域希尔伯特变换算子为:
hθ=IFFT(H(θ)) (5)
利用空域希尔伯特变换算子hθ作为图像卷积算子对高光谱遥感数据进行卷积运算,分别对图像I做一次和两次希尔伯特变换得到两种正交结果,按照如下公式得到图像I沿θ方向的边缘特征增强结果Eθ:
构建边缘特征增强模型如下:
即对Eθ在[0,2π]区间上进行积分,得到最终的边缘特征增强结果E。
优选地,所述步骤3)中构建基于邻域光谱特征的边缘特征增强模型的方法具体为:
将目标像元的邻域光谱曲线频谱距离模型和边缘特征增强模型相乘得到基于邻域光谱特征的边缘特征增强模型,根据公式(3)和(7)得到的基于邻域光谱特征的边缘特征增强模型如下:
ES_spectral(x)=E(x)·F_Dist(x) (8)
将模型所得的边缘特征增强结果作为梯度数据输入分水岭分割算法中,实现图像分割。
优选地,还包括对所述步骤4)中分水岭分割算法进行优化,构建基于优化目标函数的分水岭分割模型,基于信息熵优化策略,对分水岭分割方法进行尺度参数s优化,其中尺度参数s为分割结果的最小区域面积,具体方法如下:
构建基于信息熵的优化目标函数EH如下:
其中,Hr表示分割区域内的同质性特征,Hl表示分割区域间的异质性特征;Lj(m)表示第j个分割区域内灰度级为m的像元数量;Sj表示第j个分割区域内的像元总数;SI为图像的像元总数;N为分割区域数目;V为灰度级空间;
基于尺度参数s的分水岭分割结果为SEGs,对公式11求取优化目标函数的最小值最得到最佳分割结果,确定最佳分割结果所对应的尺度参数,计算公式如下:
其中,SEGoptimal和soptimal分别表示最佳分割结果以及其所对应的最佳尺度参数。
发明所达到的有益效果:本发明是一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,实现遥感图像的高精度分割,可以有效地抑制高光谱遥感图像的过分割现象,解决高光谱遥感图像中弱边缘以及伪边缘特征影响遥感图像分割结果的技术问题。本发明利用光谱的频谱距离辅助边缘增强模型获取最终的边缘响应强度,基于标记分水岭变换实现高光谱遥感图像的分割;利用信息熵来分别构建分割区域内和区域间来表达区域内的一致性和区域间的可区分性,进而通过目标函数的求解来优化自动标记分水岭分割结果;采用数据驱动的方式,通过将数据输入构建好的模型中实现边缘特征增强以及图像分割,因此无需任何规则约束,能自适应高光谱遥感图像的分割工作,通过目标函数的优化过程能够大幅度提高分割结果可靠性;本发明能够减轻土地利用与覆盖统计工作的劳动强度,提高生产效率和成果质量。
附图说明
图1是本发明一种实施例的高光谱遥感图像分割的方法流程图。
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,一种实施例如图1所示,获得高光谱遥感数据后进行数据预处理,其中包括数据融合与配准以及删除掉噪音过多(即噪音超过预设值)的波段,最终确定n个波段高光谱遥感数据作为高光谱遥感图像分割的输入数据(多波段遥感图像)。利用邻域光谱曲线频谱距离模型来减小噪声和伪边缘现象,同时减小边缘增强的梯度依赖性,进而构建基于邻域光谱特征的边缘特征增强模型,并结合基于信息熵优化策略的分水岭分割方法,实现遥感图像分割,具体步骤如下:
1)构建目标像元的邻域光谱曲线频谱距离模型,具体实现方式如下:
光谱曲线f=[f(1),f(2),f(3)…f(n)]T,f(1),f(2),f(3)和f(n)分别表示光谱曲线f上第1个、第2个、第3个和第n个波段处的光谱响应值,光谱曲线f的离散傅里叶变换DFT为F(k),对应的频谱为|F(k)|,计算公式如下,
其中R(k)和I(k)分别为F(k)的实部和虚部。
目标像元及其邻域像元的光谱曲线所对应的频谱分别为F1和F2,两像元间的光谱曲线频谱距离Dist(F1,F2)为:
其中n为光谱曲线的长度,即波段数目,F1(k)和F2(k)分别为频谱F1和F2在频率k的频谱响应值;
图像中像元P的光谱曲线x,δ为点P的邻域,点P处及其邻域像元间的光谱曲线频谱距离为F_Dist(x),构建目标像元的邻域光谱曲线频谱距离模型为:
其中Fx和Fx′分别为点P及其邻域δ内像元的光谱曲线对应的频谱,x'为邻域δ内的像元所对应的光谱曲线。
2)构建边缘特征增强模型,方法具体为:
定义具有方向性的极坐标形式希尔伯特变换的频谱H(θ):
H(θ)=[exp(iρ(α+θ-π/2))+exp(-iρ(α+θ-π/2))]/2 (4)
其中i为虚数单位,ρ为极径,a为极角,θ为控制希尔伯特变换的方向角度参数,基于方向θ的空域希尔伯特变换算子为:
hθ=IFFT(H(θ)) (5)
利用空域希尔伯特变换算子hθ作为图像卷积算子对高光谱遥感数据进行卷积运算,分别对图像I做一次和两次希尔伯特变换得到两种正交结果,按照如下公式得到图像I沿θ方向的边缘特征增强结果Eθ:
本实施例中构建边缘特征增强模型如下:
即对Eθ在[0,2π]区间上进行积分,得到最终的边缘特征增强结果E。
3)构建基于邻域光谱特征的边缘特征增强模型,方法具体为:
将目标像元的邻域光谱曲线频谱距离模型和边缘特征增强模型相乘得到基于邻域光谱特征的边缘特征增强模型,根据公式(3)和(7)得到的基于邻域光谱特征的边缘特征增强模型如下:
ES_spectral(x)=E(x)·F_Dist(x) (8)
将模型所得的边缘特征增强结果作为梯度数据输入分水岭分割算法中,实现图像分割。
4)对分水岭分割算法进行优化,构建基于优化目标函数的分水岭分割模型,基于信息熵优化策略,对分水岭分割方法进行尺度参数s优化,其中尺度参数s为分割结果的最小区域面积,通过优化分割过程最终生成遥感图像最优尺度分割结果,从而实现高光谱遥感图像的自动化分割,得到遥感图像分割产品,具体方法如下:
构建基于信息熵的优化目标函数EH如下:
其中,Hr表示分割区域内的同质性特征,Hl表示分割区域间的异质性特征;Lj(m)表示第j个分割区域内灰度级为m的像元数量;Sj表示第j个分割区域内的像元总数;SI为图像的像元总数;N为分割区域数目;V为灰度级空间;本实施例中的优化目标函数为分割区域间与区域内的信息熵的总合SEG,优化目标函数SEG的值越小,分割结果越可靠。
基于尺度参数s的分水岭分割结果为SEGs,对公式11求取优化目标函数的最小值最得到最佳分割结果,确定最佳分割结果所对应的尺度参数,计算公式如下:
其中,SEGoptimal和soptimal分别表示最佳分割结果以及其所对应的最佳尺度参数。
基于信息熵总和评价本实施例的图像分割方法、多分辨率分割方法(eCognition软件)以及均值漂移Mean Shift方法(EDISON软件)的进行图像分割的结果,评价公式见式(11),表1为本实施例与多分辨率分割方法(eCognition软件)、均值漂移Mean Shift方法(EDISON软件)对遥感图像进行分割得到的评价结果,从表中可以看出本实施例的信息熵总和E值更小,具有更好的分割效果。
表1不同图像分割方法的信息熵总和
Claims (6)
1.一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,其特征在于,包括如下步骤:
1)构建目标像元的邻域光谱曲线频谱距离模型;
2)构建边缘特征增强模型;
3)将目标像元的邻域光谱曲线频谱距离模型和边缘特征增强模型相乘得到基于邻域光谱特征的边缘特征增强模型,用于得到边缘特征增强结果;
4)将边缘特征增强结果作为梯度数据输入分水岭分割算法,实现遥感图像分割。
2.根据权利要求1所述的一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,其特征在于,在所述步骤1)之前还包括:获得高光谱遥感数据,进行数据预处理,所述预处理包括数据融合与配准以及删除掉噪音超过预设值的波段,最终确定n个波段高光谱遥感数据作为高光谱遥感图像分割的输入数据。
3.根据权利要求1所述的一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,其特征在于,所述步骤1)构建目标像元的邻域光谱曲线频谱距离模型的具体方法为:
光谱曲线f=[f(1),f(2),f(3)…f(n)]T,f(1),f(2),f(3)和f(n)分别表示光谱曲线f上第1个、第2个、第3个和第n个波段处的光谱响应值,光谱曲线f的离散傅里叶变换DFT为F(k),对应的频谱为|F(k)|,计算公式如下,
其中R(k)和I(k)分别为F(k)的实部和虚部;
目标像元及其邻域像元的光谱曲线所对应的频谱分别为F1和F2,两像元间的光谱曲线频谱距离Dist(F1,F2)为:
其中n为光谱曲线的长度,即波段数目,F1(k)和F2(k)分别为频谱F1和F2在频率k的频谱响应值;
图像中像元P的光谱曲线x,δ为点P的邻域,点P处及其邻域像元间的光谱曲线频谱距离为F_Dist(x),构建目标像元的邻域光谱曲线频谱距离模型为:
其中Fx和Fx′分别为点P及其邻域δ内像元的光谱曲线对应的频谱,x'为邻域δ内的像元所对应的光谱曲线。
4.根据权利要求1所述的一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,其特征在于,所述步骤2)中构建边缘特征增强模型的方法为,利用希尔伯特变换通过卷积运算获得奇偶滤波结果,并利用奇偶滤波结果的平方和的平方根作为局部能量构建边缘特征增强模型,具体为:
定义具有方向性的极坐标形式希尔伯特变换的频谱H(θ):
H(θ)=[exp(iρ(α+θ-π/2))+exp(-iρ(α+θ-π/2))]/2 (4)
其中i为虚数单位,ρ为极径,a为极角,θ为控制希尔伯特变换的方向角度参数,基于方向θ的空域希尔伯特变换算子为:
hθ=IFFT(H(θ)) (5)
利用空域希尔伯特变换算子hθ作为图像卷积算子对高光谱遥感数据进行卷积运算,分别对图像I做一次和两次希尔伯特变换得到两种正交结果,按照如下公式得到图像I沿θ方向的边缘特征增强结果Eθ:
构建边缘特征增强模型如下:
即对Eθ在[0,2π]区间上进行积分,得到最终的边缘特征增强结果E。
5.根据权利要求1所述的一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,其特征在于,所述步骤3)中构建基于邻域光谱特征的边缘特征增强模型的方法具体为:
将目标像元的邻域光谱曲线频谱距离模型和边缘特征增强模型相乘得到基于邻域光谱特征的边缘特征增强模型,根据公式(3)和(7)得到的基于邻域光谱特征的边缘特征增强模型如下:
ES_spectral(x)=E(x)·F_Dist(x) (8)
将模型所得的边缘特征增强结果作为梯度数据输入分水岭分割算法中,实现图像分割。
6.根据权利要求1所述的一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法,其特征在于,还包括对所述步骤4)中分水岭分割算法进行优化,构建基于优化目标函数的分水岭分割模型,基于信息熵优化策略,对分水岭分割方法进行尺度参数s优化,其中尺度参数s为分割结果的最小区域面积,具体方法如下:
构建基于信息熵的优化目标函数EH如下:
其中,Hr表示分割区域内的同质性特征,Hl表示分割区域间的异质性特征;Lj(m)表示第j个分割区域内灰度级为m的像元数量;Sj表示第j个分割区域内的像元总数;SI为图像的像元总数;N为分割区域数目;V为灰度级空间;
基于尺度参数s的分水岭分割结果为SEGs,对公式11求取优化目标函数的最小值最得到最佳分割结果,确定最佳分割结果所对应的尺度参数,计算公式如下:
其中,SEGoptimal和soptimal分别表示最佳分割结果以及其所对应的最佳尺度参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811094143.8A CN109377507B (zh) | 2018-09-19 | 2018-09-19 | 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811094143.8A CN109377507B (zh) | 2018-09-19 | 2018-09-19 | 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377507A true CN109377507A (zh) | 2019-02-22 |
CN109377507B CN109377507B (zh) | 2022-04-08 |
Family
ID=65405228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811094143.8A Active CN109377507B (zh) | 2018-09-19 | 2018-09-19 | 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377507B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
EP4180780A1 (en) * | 2021-11-12 | 2023-05-17 | Tata Consultancy Services Limited | Method and system for spectrum matching for hyperspectral and multispectral data |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 北京师范大学 | 一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法 |
CN102024258A (zh) * | 2010-12-15 | 2011-04-20 | 中国科学院遥感应用研究所 | 具有边界保持特性的遥感图像多尺度分割方法 |
CN102156984A (zh) * | 2011-04-06 | 2011-08-17 | 南京大学 | 一种利用自适应阈值分割确定最优标记图像的方法 |
US20170103504A1 (en) * | 2015-10-09 | 2017-04-13 | Universidad Nacional Autónoma de México | System for the identification and quantification of helminth eggs in environmental samples |
CN107154044A (zh) * | 2017-03-27 | 2017-09-12 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种中餐食物图像的分割方法 |
-
2018
- 2018-09-19 CN CN201811094143.8A patent/CN109377507B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 北京师范大学 | 一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法 |
CN102024258A (zh) * | 2010-12-15 | 2011-04-20 | 中国科学院遥感应用研究所 | 具有边界保持特性的遥感图像多尺度分割方法 |
CN102156984A (zh) * | 2011-04-06 | 2011-08-17 | 南京大学 | 一种利用自适应阈值分割确定最优标记图像的方法 |
US20170103504A1 (en) * | 2015-10-09 | 2017-04-13 | Universidad Nacional Autónoma de México | System for the identification and quantification of helminth eggs in environmental samples |
CN107154044A (zh) * | 2017-03-27 | 2017-09-12 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种中餐食物图像的分割方法 |
Non-Patent Citations (1)
Title |
---|
姬晓飞等: "基于光学遥感图像的目标检测与分类识别方法", 《沈阳航空航天大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN110322454B (zh) * | 2019-07-08 | 2021-12-10 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
EP4180780A1 (en) * | 2021-11-12 | 2023-05-17 | Tata Consultancy Services Limited | Method and system for spectrum matching for hyperspectral and multispectral data |
Also Published As
Publication number | Publication date |
---|---|
CN109377507B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaetano et al. | Marker-controlled watershed-based segmentation of multiresolution remote sensing images | |
US7653218B1 (en) | Semi-automatic extraction of linear features from image data | |
CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
CN104700071B (zh) | 一种全景图道路轮廓的提取方法 | |
CN101510309B (zh) | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 | |
CN103886285A (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN111783523B (zh) | 一种遥感影像旋转目标检测方法 | |
Wang et al. | Frequency subband processing and feature analysis of forward-looking ground-penetrating radar signals for land-mine detection | |
CN103927741A (zh) | 增强目标特征的sar图像合成方法 | |
Mohajerani et al. | Cloud and cloud shadow segmentation for remote sensing imagery via filtered jaccard loss function and parametric augmentation | |
CN105550685A (zh) | 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法 | |
CN105654091A (zh) | 海面目标检测方法及装置 | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN109377507A (zh) | 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 | |
CN107564016B (zh) | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 | |
CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 | |
CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
CN112907587B (zh) | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 | |
CN110211138A (zh) | 基于置信点的遥感图像分割方法 | |
CN108537169A (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
CN109165590A (zh) | 利用稀疏形态成分的高分辨率遥感图像道路提取方法 | |
CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN101515366B (zh) | 基于复小波提取标记的分水岭sar图像分割方法 | |
CN102902982B (zh) | 基于观测向量差的sar图像纹理分类方法 |
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 |