CN109389163B - 一种基于地形图的无人机影像分类系统及方法 - Google Patents
一种基于地形图的无人机影像分类系统及方法 Download PDFInfo
- Publication number
- CN109389163B CN109389163B CN201811143873.2A CN201811143873A CN109389163B CN 109389163 B CN109389163 B CN 109389163B CN 201811143873 A CN201811143873 A CN 201811143873A CN 109389163 B CN109389163 B CN 109389163B
- Authority
- CN
- China
- Prior art keywords
- image
- land utilization
- classification
- grid
- module
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于地形图的无人机影像分类系统及方法,包括图像预处理模块,用于将无人机影像和参考地形图进行预处理后得到研究区待分类正射影像与栅格形式的参考土地利用分布图;数据读取模块,用于读取待分类正射影像与参考土地利用分布图;图像分割模块,用于以待分类正射影像、参考土地利用分布图为输入数据,输出栅格形式图像分割结果;图像信息提取模块,基于图像分割结果,采用K‑means聚类算法与SVM监督分类方法完成训练样本的筛选与图斑分类;图像输出模块,用于输出分类结果。本发明具有自动完成图像分割与后处理、样本筛选、定义类别规则、信息提取的功能,为城市规划信息收集阶段土地利用现状相关指标计算提供数据来源。
Description
技术领域
本技术涉及一种基于无人机影像的城市指标计算系统,具体涉及一种基于地形图的无人机影像分类系统及方法。
背景技术
现阶段,城市指标计算过程中,所需要的城市土地利用资料通常是来自卫星图片,及结合上一年度土地利用现状数据对变化区域提取和现场核实,这一过程不仅周期长,且不能实时反映现状。该方式投入大、效率低,不利于提高现代化城市规划水平。
无人机在图像获取方面具有分辨率高、灵活机动、高效快速、作业成本低等显著优势,也为城区土地利用动态监测提供了较理想的数据源。但目前,在城市规划相关部门中,呈指数级数量增长的无人机数据只是用来直观地反映土地利用分布情况,并不具体量化。且针对影像分类的方法中传统基于像元的方法难以区分图像中存在的“同物异谱”及“同谱异物”现象,导致分类精度不高;基于面向对象方法能克服这一缺点,但需人为选取样本、定义类别规则,用于指数级增长的无人机影像,该方式效率低。
当前,城市指标计算方式依然停留在传统方法阶段,在充分利用新型无人机技术、结合辅助信息获取土地利用信息提高指标计算效率上存在很大空缺。
发明内容
为克服现有技术中投入大、效率低的不足,本发明提出一种基于地形图的无人机影像分类系统及方法。该系统可自动筛选样本、定义类别规则、完成信息提取,提高影像分类效率与智能化水平,为城市指标计算、城市规划土地利用现状信息获取提供捷径。
本发明解决其技术问题所采用的技术方案是:
本发明一方面提供了一种基于地形图的无人机影像分类系统,包括
图像预处理模块,用于将无人机影像和参考地形图进行预处理后得到研究区待分类正射影像与栅格形式的参考土地利用分布图;
数据读取模块,用于读取经预处理后的待分类正射影像与参考土地利用分布图;
图像分割模块,用于以待分类正射影像、参考土地利用分布图为输入数据,输出栅格形式图像分割结果;
图像信息提取模块,基于栅格形式图像分割结果,采用K-means聚类算法与SVM监督分类完成训练样本的筛选与图斑分类;
图像输出模块,用于将提取的图斑分类结果以栅格形式输出至指定路径。
进一步地,所述的图像预处理模块包括:
无人机影像处理模块,用于对无人机影像进行包括图像拼接、空三加密、图像增强操作获得正射影像;
参考地形图处理模块,用于将参考地形图转换为矢量形式土地利用分布图;
配准模快,用于对所述正射影像与矢量形式土地利用分布图经配准转换至统一的投影方式与坐标系统中;
栅格转换模块,用于将配准后的矢量形式土地利用分布图根据正射影像的栅格信息转换为栅格形式的土地利用分布图;
图形裁剪模块,用于使用研究区边界对正射影像与栅格形式土地利用分布图进行裁剪。
进一步地,所述图像分割模块具体选用基于形态学的分水岭分割算法,采用阈值约束最小生成树算法的区域合并方法处理分割结果后“过分割”问题,并对分割结果边界进行平滑处理。
进一步地,所述的图像信息提取模块包括:
图斑类别确定模块,用于通过栅格形式土地利用分布图像确定相应位置分割结果图中图斑的类别,若同一图斑中对应土地利用分布图中多个类别,以占面积最大类别为准;
训练样本筛选模块,用于对已赋予类别的图斑为对象进行筛选得到训练样本;
图斑分类模块,用于根据所选训练样本、以未赋予地物类别的图斑为对象、选用SVM监督分类方法进行分类。
本发明另一方面提供了一种基于所述系统的无人机影像分类系统方法,包括步骤:
S1、将无人机影像和参考地形图进行预处理得到研究区待分类正射影像与栅格形式的参考土地利用分布图;
S2、读取经预处理后的待分类正射影像与参考土地利用分布图;
S3、以待分类正射影像、参考土地利用分布图为输入数据,输出栅格形式图像分割结果;
S4、基于栅格形式图像分割结果,采用K-means聚类算法与SVM监督分类方法完成训练样本的筛选与图斑分类;
S5、将图斑分类结果以栅格形式输出至指定路径。
进一步地,所述的步骤S1具体包括:
S1.1、通过pix4d mapper、ENVI等软件对无人机影像进行包括图像拼接、空三加密、图像增强操作获得正射影像;
S1.2、将参考地形图转换为矢量形式土地利用分布图,所述矢量形式土地利用分布图的空间范围包含于待分类无人机影像的空间范围内,且所述矢量形式土地利用分布图含有分类结果中所需地类;
S1.3、对所述正射影像与矢量形式土地利用分布图通过配准转换至统一的投影方式与坐标系统中;
S1.4 、对配准后的矢量形式土地利用分布图,根据正射影像的栅格信息转换为栅格形式土地利用分布图;
S1.5、使用研究区边界对正射影像与栅格形式土地利用分布图进行裁剪。
进一步地,所述步骤S2中,研究区正射影像要求直方图分布均匀;参考土地利用分布图对应于研究区部分区域,不要求全部覆盖但图中的地物分布需准确,且参考土地利用分布图的比例尺需高于成图的比例尺。
进一步地,所述的步骤S3具体包括:
S3.1、根据经验与参考土地利用分布图比例尺选取相应的分割尺度、平滑系数(范围0-1,平滑分割图斑边界)、图斑尺度(用于剔除噪声,如车辆、行人等);
S3.1、采用形态学分水岭分割算法进行图像分割,并对初始分割结果使用阈值约束最小生成树算法的区域合并方法处理“过分割”问题;
S3.1、最后对处理后的分割结果进行图斑边界平滑。
进一步地,所述的步骤S4具体包括:
S4.1、通过栅格形式土地利用分布图像确定相应位置分割结果图中图斑的类别,若同一图斑中对应土地利用分布图中多个类别,以占面积最大类别为准;
S4.2、以已赋予类别的图斑为对象,选用包括R、G、B光谱值和对比度、相关性、熵纹理值的特征值构成所述对象的特征向量,计算已赋予类别的图斑的特征向量;
S4.3、根据输入的图斑尺度n判别图斑是否剔除,若图斑尺度大于n即保留图斑参与样本筛选的资格,否则剔除;
S4.4、将每个对象特征向量中的分量都归一化至0-1;
S4.5、选用K-means聚类算法,并根据最小距离分类器方法对对象按距离由小到大进行排序,通过设定的聚类rate值保留前m%的对象作为训练样本;
S4.6、以样本筛选过程筛选出来的样本为训练样本、未赋予地物类别的图斑为对象、经过归一化的R、G、B光谱值和对比度、相关性、熵纹理值构成特征向量,根据输入的SVM分类rate、SVM分类参数C、SVM分类参数G,选用SVM监督分类方法进行分类。
进一步地,所述的步骤S4还包括:
S4.7、若SVM监督分类结果中存在归属于任何一类的概率都小于SVM分类rate这一阈值的图斑时,将这类图斑划分至邻近图斑中所占面积最大的类别中进行分类结果修正。
相比现有技术,本发明的有益效果包括:
本发明可自动分割无人机影像;可智能匹配分割结果与参考图像相应图斑地类;可自动进行样本筛选、定义类别规则并对分割图斑进行精确分类,为城市规划信息收集阶段土地利用现状相关指标高效计算提供可靠数据来源。
附图说明
图1是本发明实施例一系统架构图。
图2是本发明实施例二的流程图。
图3是本发明实施例二的图像分类流程图。
图4是本发明实施例二的样本筛选流程图。
具体实现方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例一
一种基于地形图的无人机影像分类系统,包括
图像预处理模块,用于将无人机影像和参考地形图进行预处理后得到研究区待分类正射影像与栅格形式的参考土地利用分布图;
数据读取模块,用于读取空间数据库中经预处理后的待分类TIFF格式正射影像与TIFF格式参考土地利用分布图;
图像分割模块,用于以待分类正射影像、参考土地利用分布图为输入数据,输出栅格形式图像分割结果;
图像信息提取模块,基于栅格形式图像分割结果,采用K-means聚类算法与SVM监督分类完成训练样本的筛选与图斑分类;
图像输出模块,用于将提取的图斑分类结果以栅格形式输出至指定路径。
其中所述图像分割模块、图像信息提取模块构成系统核心。
具体而言,所述的图像预处理模块包括:
无人机影像处理模块,用于借助pix4d mapper、ENVI等软件对无人机影像进行包括图像拼接、空三加密、图像增强操作获得正射影像;
参考地形图处理模块,用于将参考地形图转换为矢量形式土地利用分布图;
配准模快,用于对所述正射影像与矢量形式土地利用分布图经配准转换至统一的投影方式与坐标系统中;
栅格转换模块,用于将配准后的矢量形式土地利用分布图根据正射影像的栅格信息转换为栅格形式土地利用分布图;
图形裁剪模块,用于使用研究区边界对正射影像与栅格形式土地利用分布图进行裁剪。
具体而言,所述图像分割模块具体选用基于形态学的分水岭分割算法,采用阈值约束最小生成树算法的区域合并方法处理分割结果后“过分割”问题,并对分割结果边界进行平滑处理。
具体而言,所述的图像信息提取模块包括:
图斑类别确定模块,用于通过栅格形式土地利用分布图像确定相应位置分割结果图中图斑的类别,若同一图斑中对应土地利用分布图中多个类别,以占面积最大类别为准;
训练样本筛选模块,用于对已赋予类别的图斑为对象进行筛选得到训练样本;
图斑分类模块,用于根据所选训练样本、以未赋予地物类别的图斑为对象、选用SVM监督分类方法进行分类。
实施例二
如图2和图3所示,一种基于所述系统的无人机影像分类系统方法,包括步骤:
S1、将无人机影像和参考地形图进行预处理后得到研究区待分类正射影像与栅格形式的参考土地利用分布图;
S2、读取经预处理后的待分类正射影像与栅格形式的参考土地利用分布图;
S3、以待分类正射影像、参考土地利用分布图为输入数据,输出栅格形式图像分割结果;
S4、基于栅格形式图像分割结果,采用K-means聚类算法与SVM监督分类完成训练样本的筛选与图斑分类;
S5、将图斑分类结果以栅格形式输出至指定路径。
具体而言,所述的步骤S1具体包括:
S1.1、通过pix4d mapper、ENVI等软件对无人机影像进行包括图像拼接、空三加密、图像增强操作获得正射影像;
S1.2、将参考地形图转换为矢量形式土地利用分布图,所述矢量形式土地利用分布图的空间范围包含于待分类无人机影像的空间范围内,且所述矢量形式土地利用分布图含有分类结果中所需地类;
S1.3、对所述正射影像与矢量形式土地利用分布图经配准转换至统一的投影方式与坐标系统中;
S1.4 、对配准后的矢量形式土地利用分布图,根据正射影像的栅格信息转换为栅格形式土地利用分布图;
S1.5、使用研究区边界对正射影像与栅格形式土地利用分布图进行裁剪。
具体而言,所述步骤S2中,研究区正射影像要求直方图分布均匀;参考土地利用分布图对应于研究区部分区域,不要求全部覆盖但图中的地物分布需准确,且参考土地利用分布图的比例尺需高于成图的比例尺。
具体而言,所述的步骤S3具体包括:
S3.1、根据经验与参考土地利用分布图比例尺选取相应的分割尺度、平滑系数(范围0-1,平滑分割图斑边界)、图斑尺度(用于剔除噪声,如车辆、行人等);
S3.1、采用形态学分水岭分割算法进行图像分割,并对初始分割结果使用阈值约束最小生成树算法的区域合并方法处理“过分割”问题;
S3.1、最后对处理后的分割结果进行图斑边界平滑。
具体而言,如图4所示,所述的步骤S4具体包括:
S4.1、通过栅格形式土地利用分布图像确定相应位置分割结果图中图斑的类别,若同一图斑中对应土地利用分布图中多个类别,以占面积最大类别为准;
S4.2、以已赋予类别的图斑为对象,选用包括R、G、B光谱值和对比度、相关性、熵纹理值的6个特征值构成所述对象的特征向量,计算已赋予类别的图斑的特征向量;
S4.3、根据输入的图斑尺度n判别图斑是否剔除,若图斑尺度大于n即保留图斑参与样本筛选的资格,否则剔除;
S4.4、为保证参与的特征值尺度一致,将每个对象特征向量中的分量都归一化至0-1;
S4.5、选用K-means聚类算法,并根据最小距离分类器方法对对象按距离由小到大进行排序,通过设定的聚类rate值保留前m%的对象作为训练样本(筛选流程见图3);
S4.6、以样本筛选过程筛选出来的样本为训练样本、未赋予地物类别的图斑为对象、经过归一化的R、G、B光谱值和对比度、相关性、熵纹理值构成特征向量,根据输入的SVM分类rate、SVM分类参数C、SVM分类参数G,选用SVM监督分类方法进行分类;
S4.7、在SVM监督分类结果中,可能存在少量归属于任何一类的概率都小于SVM分类rate这一阈值的图斑,因此需进行分类结果修正,本实例将这类图斑划分至邻近图斑中所占面积最大的类别中进行分类结果修正(分类流程见图4)。
本实施例在实施分类处理前,借助pix4d mapper、ENVI、ArcGIS等软件完成无人机影像的图像拼接、空三加密、图像增强等、无人机影像与参考土地利用分布图间的配准等。实施时,系统自动读取指定路径的待分类正射影像与栅格形式的参考土地利用分布图,结合人工输入的图像分割、K-means聚类、SVM分类所需共8个参数,智能完成图像分割、信息提取,并将结果以栅格形式输出至指定路径。
本发明可自动分割无人机影像;可智能匹配分割结果与参考图像相应图斑地类;可自动进行样本筛选、定义类别规则并对分割图斑进行分类,为城市规划信息收集阶段土地利用现状相关指标计算提供数据来源,具有很要的应用前景。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于地形图的无人机影像分类系统,其特征在于,包括:
图像预处理模块,用于将无人机影像和参考地形图进行预处理后得到研究区待分类正射影像与栅格形式的参考土地利用分布图;
数据读取模块,用于读取经预处理后的待分类正射影像与栅格形式的参考土地利用分布图;
图像分割模块,用于以待分类正射影像、参考土地利用分布图为输入数据,输出栅格形式图像分割结果;
图像信息提取模块,基于栅格形式图像分割结果,采用K-means聚类算法与SVM监督分类方法完成训练样本的筛选与图斑分类;
图像输出模块,用于将提取的图斑分类结果以栅格形式输出至指定路径;
其中,所述的图像预处理模块包括:
无人机影像处理模块,用于对无人机影像进行包括图像拼接、空三加密、图像增强操作获得正射影像;
参考地形图处理模块,用于将参考地形图转换为矢量形式土地利用分布图;
配准模快,用于对所述正射影像与矢量形式土地利用分布图转换至统一的投影方式与坐标系统中;
栅格转换模块,用于将配准后的矢量形式土地利用分布图根据正射影像的栅格信息转换为栅格形式土地利用分布图;
图形裁剪模块,用于使用研究区边界对正射影像与栅格形式土地利用分布图进行裁剪;
所述的图像信息提取模块包括:
图斑类别确定模块,用于通过栅格形式土地利用分布图像确定相应位置分割结果图中图斑的类别,若同一图斑中对应土地利用分布图中多个类别,以占面积最大类别为准;
训练样本筛选模块,用于对已赋予类别的图斑为对象进行筛选得到训练样本;
图斑分类模块,用于根据所选训练样本、未赋予地物类别的图斑为对象、特征向量选用SVM监督分类方法进行分类。
2.根据权利要求1所述的一种基于地形图的无人机影像分类系统,其特征在于,所述图像分割模块具体选用基于形态学的分水岭分割算法,采用阈值约束最小生成树算法的区域合并方法处理分割结果后“过分割”问题,并对分割结果边界进行平滑处理。
3.一种基于地形图的无人机影像分类方法,其特征在于,采用权利要求1-2任一所述的一种基于地形图的无人机影像分类系统,所述方法包括以下步骤:
S1、将无人机影像和参考地形图进行预处理后得到待分类正射影像、栅格形式的参考土地利用分布图;
S2、读取经预处理后的待分类正射影像与参考土地利用分布图;
S3、以待分类正射影像、参考土地利用分布图为输入数据,输出栅格形式图像分割结果;
S4、基于栅格形式图像分割结果,采用K-means聚类算法与SVM监督分类方法完成训练样本的筛选与图斑分类;
S5、将图斑分类结果以栅格形式输出至指定路径。
4.根据权利要求3所述的一种基于地形图的无人机影像分类方法,其特征在于,所述的步骤S1具体包括:
S1.1、对无人机影像进行包括图像拼接、空三加密、图像增强操作获得正射影像;
S1.2、将参考地形图转换为矢量形式土地利用分布图,所述矢量形式土地利用分布图的空间范围包含于待分类无人机影像的空间范围内,且所述矢量形式土地利用分布图含有分类结果中所需地类;
S1.3、对所述正射影像与矢量形式土地利用分布图通过配准转换至统一的投影方式与坐标系统中;
S1.4 、对配准后的矢量形式土地利用分布图,根据正射影像的栅格信息转换为栅格形式土地利用分布图;
S1.5、使用研究区边界对正射影像与栅格形式土地利用分布图进行裁剪。
5.根据权利要求3所述的一种基于地形图的无人机影像分类方法,其特征在于,所述步骤S2中,研究区正射影像要求直方图分布均匀;参考土地利用分布图对应于研究区部分区域,不要求全部覆盖但图中的地物分布需准确,且参考土地利用分布图的比例尺需高于成图的比例尺。
6.根据权利要求3所述的一种基于地形图的无人机影像分类方法,其特征在于,所述的步骤S3具体包括:
S3.1、根据经验与参考土地利用分布图比例尺选取相应的分割尺度、平滑系数、图斑尺度;
S3.1、采用形态学分水岭分割算法进行图像分割,并对初始分割结果使用阈值约束最小生成树算法的区域合并方法处理“过分割”问题;
S3.1、最后对处理后的分割结果进行图斑边界平滑。
7.根据权利要求3所述的一种基于地形图的无人机影像分类方法,其特征在于,所述的步骤S4具体包括:
S4.1、通过栅格形式土地利用分布图像确定相应位置分割结果图中图斑的类别,若同一图斑中对应土地利用分布图中多个类别,以占面积最大类别为准;
S4.2、以已赋予类别的图斑为对象,选用包括R、G、B光谱值和对比度、相关性、熵纹理值的特征值构成所述对象的特征向量,计算已赋予类别的图斑的特征向量;
S4.3、根据输入的图斑尺度n判别图斑是否剔除,若图斑尺度大于n即保留图斑参与样本筛选的资格,否则剔除;
S4.4、将每个对象特征向量中的分量都归一化至0-1;
S4.5、选用K-means聚类算法,并根据最小距离分类器方法对对象按距离由小到大进行排序,通过设定的聚类rate值保留前m%的对象作为训练样本;
S4.6、以样本筛选过程筛选出来的样本为训练样本、未赋予地物类别的图斑为对象、经过归一化的R、G、B光谱值和对比度、相关性、熵纹理值构成特征向量,根据输入的SVM分类rate、SVM分类参数C、SVM分类参数G,选用SVM监督分类方法进行分类。
8.根据权利要求3所述的一种基于地形图的无人机影像分类方法,其特征在于,所述的步骤S4还包括:
S4.7、若SVM监督分类结果中存在归属于任何一类的概率都小于SVM分类rate这一阈值的图斑时,将这类图斑划分至邻近图斑中所占面积最大的类别中进行分类结果修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811143873.2A CN109389163B (zh) | 2018-09-29 | 2018-09-29 | 一种基于地形图的无人机影像分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811143873.2A CN109389163B (zh) | 2018-09-29 | 2018-09-29 | 一种基于地形图的无人机影像分类系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389163A CN109389163A (zh) | 2019-02-26 |
CN109389163B true CN109389163B (zh) | 2022-03-29 |
Family
ID=65418314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811143873.2A Active CN109389163B (zh) | 2018-09-29 | 2018-09-29 | 一种基于地形图的无人机影像分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389163B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11087144B2 (en) * | 2018-10-10 | 2021-08-10 | Harman International Industries, Incorporated | System and method for determining vehicle data set familiarity |
CN111090764B (zh) * | 2019-12-20 | 2023-06-23 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN111444824A (zh) * | 2020-03-24 | 2020-07-24 | 北京大学深圳研究生院 | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 |
CN112183209B (zh) * | 2020-08-27 | 2023-12-22 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及系统 |
CN113822900B (zh) * | 2021-07-09 | 2023-09-22 | 武汉大学 | 基于矢量约束面向对象的新影像样本自动选择方法及系统 |
CN113538292A (zh) * | 2021-08-05 | 2021-10-22 | 国家海洋局北海海洋技术保障中心 | 一种生成侧扫声呐类正射影像的方法 |
CN113780086B (zh) * | 2021-08-11 | 2022-05-17 | 南京捷鹰数码测绘有限公司 | 一种基于无人机的远程自然资源动态监测方法 |
CN114162318B (zh) * | 2022-02-11 | 2022-05-06 | 华南理工大学 | 一种机场异物监测系统 |
CN114821272A (zh) * | 2022-06-28 | 2022-07-29 | 上海蜜度信息技术有限公司 | 图像识别方法、系统、介质、电子设备及目标检测模型 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295613A (zh) * | 2016-08-23 | 2017-01-04 | 哈尔滨理工大学 | 一种无人机目标定位方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3541071A1 (en) * | 2013-08-02 | 2019-09-18 | Xactware Solutions Inc. | System and method for detecting features in aerial images using disparity mapping and segmentation techniques |
US9483816B2 (en) * | 2013-09-03 | 2016-11-01 | Litel Instruments | Method and system for high accuracy and reliability registration of multi modal imagery |
-
2018
- 2018-09-29 CN CN201811143873.2A patent/CN109389163B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295613A (zh) * | 2016-08-23 | 2017-01-04 | 哈尔滨理工大学 | 一种无人机目标定位方法及系统 |
Non-Patent Citations (4)
Title |
---|
基于支持向量机的遥感图像分类研究综述;王振武等;《计算机科学》;20160930;第43卷(第9期);第11-17、31页 * |
基于无人机遥感和GIS技术的土地利用快速详查方法研究;许辉熙等;《测绘与空间地理信息》;20130930;第36卷(第9期);第11-14页 * |
基于最小生成树和局部阈值的彩色图像分割方法;李南希等;《激光杂志》;20080331;第29卷(第3期);第21-22页 * |
面向对象的多尺度无人机影像土地利用信息提取;何少林等;《国土资源遥感》;20130630;第25卷(第2期);第107-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109389163A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
Maurya et al. | Road extraction using k-means clustering and morphological operations | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
US11804025B2 (en) | Methods and systems for identifying topographic features | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN101980317A (zh) | 基于改进c-v模型的遥感图路网提取的交通流量预测方法 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN112989985B (zh) | 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
CN110263635A (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN116503705B (zh) | 一种数字城市多源数据的融合方法 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
CN115661072A (zh) | 一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法 | |
CN112200083A (zh) | 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN112861802B (zh) | 基于时空深度学习融合技术的农作物全自动化分类方法 | |
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 | |
CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN114170441B (zh) | 基于地理国情数据和影像分类的路旁树自动提取方法 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
CN107358197B (zh) | 一种面向耕地地块提取的影像分类及语义处理方法 |
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 |