CN109584284B - 一种分层决策的滨海湿地地物样本提取方法 - Google Patents
一种分层决策的滨海湿地地物样本提取方法 Download PDFInfo
- Publication number
- CN109584284B CN109584284B CN201811524902.XA CN201811524902A CN109584284B CN 109584284 B CN109584284 B CN 109584284B CN 201811524902 A CN201811524902 A CN 201811524902A CN 109584284 B CN109584284 B CN 109584284B
- Authority
- CN
- China
- Prior art keywords
- wetland
- extracting
- sample
- remote sensing
- band combination
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及分层决策的滨海湿地地物样本提取方法,包括:步骤1,对遥感影像进行预处理;步骤2,在深入分析滨海湿地地物信息的基础上,对待研究区湿地地物样本的影像进行光谱信息和空间特征信息的提取;步骤3,基于步骤2分类结果,对耕地、林地、城镇区域进行掩膜处理,提取水体和湿地范围,根据《国家湿地遥感分类系统》和《湿地公约》并辅以地物的空间信息提取湿地覆被类型样本。本发明的有益效果是:本发明不仅可以节省时间、人力、物力和财力,还可以快速准确的获取滨海湿地地物样本信息,具有明显的地理意义;本发明克服了滨海湿地分布范围较小且混含度大,及传统的分类提取技术在提取滨海湿地地物样本信息,出现漏分和错分现象困难。
Description
技术领域
本发明涉及一种分层决策的滨海湿地地物样本的提取方法,通过有效的利用地物光谱信息和地物的空间特征信息,分层提取湿地地物样本信息,属于遥感影像分类技术领域。
背景技术
湿地是地球上一种独特的、多功能的生态系统,与森林、海洋并称为全球三大生态系统,被誉为“地球之肾”,在全球生态平衡中扮演着重要的角色。
滨海湿地提供了生物多样性、净化、碳汇、资源供给及旅游文化等必不可少的生态系统服务。随着人类活动和气候变化影响的加剧,滨海湿地范围不断减少。因其分布在海陆交错地带,地物识别的野外样本采集难度大,常规手段进行准确定位和制图费时费力,且周期长、时效性差。现有的样本提取方法无法准确获取各种湿地覆被样本。
目前,由于滨海湿地地物具有独特的特征,如人工运河和河流出现“同谱异物”现象、以及其内部地物自身的纹理、形状特征等,而针对滨海湿地地物信息的提取常用到的监督分类很大程度上依赖于训练样本的质量,样本不准确会降低分类精度;而非监督分类由于算法的局限性,也会出现分类类别与实际对应地物不匹配现象。两类地物信息的提取方法都很少考虑到湿地自身的特征。
发明内容
本发明的目的是克服现有技术的不足,提供一种提升滨海湿地地物的可分离度,减少人为干预,快速、准确的获取滨海湿地地物样本信息,提升其自动化分类,降低错分、漏分现象的分层决策的滨海湿地地物样本提取方法。
本发明的目的是通过以下技术方案实现的,这种分层决策的滨海湿地地物样本提取方法,包括以下步骤:
步骤1,对遥感影像进行预处理;
步骤2,在深入分析滨海湿地地物信息的基础上,对待研究区湿地地物样本的影像进行光谱信息和空间特征信息的提取;根据波段计算和波段组合的多特征信息,对地物样本进行逐层识别和归类,通过若干次分离目标并制作掩模文件;
步骤3,基于步骤2分类结果,对耕地、林地、城镇区域进行掩膜处理,提取水体和湿地范围,根据《国家湿地遥感分类系统》和《湿地公约》并辅以地物的空间信息提取湿地覆被类型样本。
作为优选:所述步骤1中,数据源选择为Landsat TM/ETM+/OLI;遥感影像预处理为辐射校正、几何校正。
作为优选:所述步骤2中,待研究区湿地覆被样本类型分为水体、湿地、耕地、林地和城镇。
作为优选:所述步骤3中,所述样本提取步骤如下:
1)对水体和湿地区域影像进行多尺度分割;
2)利用形状特征和纹理特征对当前所得影像进行地物样本类型分析;
3)在步骤2)基础上结合光谱分析所得耕地、林地、城镇,创建湿地覆被样本类型。
作为优选:所述步骤2具体步骤如下:
1)对遥感影像进行波段运算和波段组合,首先用742波段组合与归一化差异水体指数Modified Normalized Difference Water Index,MNDWI相结合提取水体样本,其计算公式为:
2)对遥感影像进行波段运算和波段组合,其次用453波段组合与增强型植被指数Enhanced Vegetation Index,EVI相结合提取植被样本,其计算公式为:
3)对遥感影像进行波段运算和波段组合,用543波段组合与缨帽变换的亮度分量相结合提取建筑样本,其计算公式为:
BI=0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4438TM5+0.1706TM7 (3)
4)对遥感影像进行波段运算和波段组合,用457波段组合与比值植被指数RatioVegetation Index,RVI相结合提取耕地样本,其计算公式为:
5)对遥感影像进行波段运算和波段组合,用432波段组合提取湿地样本。
作为优选:所述步骤3具体步骤如下:
1)对分层提取后的耕地、植被、城镇样本区域进行掩膜;
2)利用矢量化技术对水体和湿地样本区域进行转换;
3)采用Mean Shift分割是一种基于核密度梯度估计的无参数快速模式匹配算法;其目的是依据不同的标准对特征空间进行聚类;其计算公式如下:
设采样数据形成的d维的特征向量集合Sd={sk,k=1,2,···},其中s=[ss,sr]T,一般空间域向量ss为2维,Range域向量sr的维数设为p,则d=p+2,在该集合中,概率密度函数的Parzen窗估计为
在上式中,带宽矩阵H可由带宽系数h来简化表示,H=h2I,同时采用剖面函数k来表示核函数K(x)=k(‖x‖2),则式(5)可以表示为
由核函数的可分离性,式(6)还可以表示为
其中,C为归一化常量,和分别表示空域和Range域的不同宽带系数;
4)由GLCM生成纹理波段,首先是计算GLCM,采用滑动窗口的方法,在一个滑动窗口中计算间隔距离d、方向为θ的一对像元灰度出现的频率,用p(i,j)表示;其次是在灰度共生矩阵的基础上计算二阶统计特征作为纹理特征。
作为优选:所述步骤4)采用的特征有:
1)GLCM同质性:反映影像局部纹理变化的大小,可以很好地刻画影像局部的纹理特征;
2)GLCM对比度:反映了图像的清晰度和沟纹的深浅程度;
3)GLCM相异性:描述了灰度共生矩阵中行或列元素间灰度值的相异程度;
4)GLCM相关性:用来衡量灰度共生矩阵的元素在行或列方向上的相似程度;
本发明的有益效果是:
通过协同分析地物光谱信息和空间特征信息(如纹理和形状等特征)逐层提取滨海湿地地物样本信息。可以准确的获得滨海湿地地物样本信息。发展针对滨海湿地地物样本分层提取方法是对现有方法无法实现湿地遥感精细分类的有效补充,有利于提高湿地地物样本的整体使用价值。
本发明不仅可以节省时间、人力、物力和财力,还可以快速准确的获取滨海湿地地物样本信息,具有明显的地理意义。本发明克服了滨海湿地分布范围较小且混含度大,及传统的分类提取技术在提取滨海湿地地物样本信息,出现漏分和错分现象困难。本发明将滨海湿地地物样本信息提取流程化,加速了提取速度,提高了效率。
附图说明
图1是本发明的实施例流程图;
图2是742波段组合与归一化差异水体指数(Modified Normalized DifferenceWater Index,MNDWI)提取水体样本示意图;
图3是453波段组合与增强型植被指数(Enhanced Vegetation Index,EVI)提取植被样本示意图;
图4是543波段组合与缨帽变换的亮度分量提取建筑样本示意图;
图5是457波段组合与比值植被指数(Ratio Vegetation Index,RVI)提取耕地样本示意图;
图6是杭州湾南岸滨海湿地Landsat OLI遥感影像;
图7是随机选样分类结果示意图;
图8是分层选样分类结果示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明涉及滨海湿地地物样本选择方法,将地物光谱信息和空间特征信息(纹理、形状等)加入到样本分层提取过程,并辅以野外采样,快速准确地提取中等分辨率遥感影像(Landsat TM/ETM+/OLI)中的滨海湿地地物样本信息。
本发明技术方案可采用计算机软件实现自动运行流程。以下结合图1详述分层决策的滨海湿地地物样本提取的方法的步骤。
步骤1,本发明提出分层决策的滨海湿地地物样本的提取方法,首先需要对遥感数据进行辐射校正和几何校正,获得精确的配准影像。
步骤2,对遥感数据进行波段运算和波段组合,分层提取湿地、水体、耕地、植被、城镇样本。
本步骤中多光谱的波段数据为我们了解湿地提供了极其丰富的信息,然而波段间相关性大必然带来信息冗余。波段组合是根据各湿地类型不同的反射率特征,对多光谱图像进行不同的波段组合,以利于不同类型样本的提取。经过组合的多光谱影像显示地物的光谱特征比单波段强,能表示湿地各类地物在不同波段的反射率变化,从而有助于正确解译湿地地物类型和属性。波段运算是通过使用比值计算和归一化处理来进行遥感指数计算,得出的遥感影像能够在一定程度上消除地形差异的影响,从而在指数影像上获取研究地物最大亮度增强。波段运算与波段组合相结合有利于增大地物之间的区别度。本步骤采用波段组合并结合增强植被指数(Enhanced Vegetation Index,EVI)、改进归一化差异水体指数(Modified Normalized Difference Water Index,MNDWI)、比值植被指数(RatioVegetation Index,RVI)及缨帽变换(Kauth-Thomas Transformation,KT)分量信息等多特征信息,来分层提取耕地、湿地、植被、建筑和水体等5个样本类型。具体步骤如下:
1)对遥感影像进行波段运算和波段组合,首先用742波段组合与归一化差异水体指数(Modified Normalized Difference Water Index,MNDWI)相结合提取水体样本,其计算公式为:
2)对遥感影像进行波段运算和波段组合,其次用453波段组合与增强型植被指数(Enhanced Vegetation Index,EVI)相结合提取植被样本,其计算公式为:
3)对遥感影像进行波段运算和波段组合,用543波段组合与缨帽变换的亮度分量相结合提取建筑样本,其计算公式为:
BI=0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4438TM5+0.1706TM7 (3)
4)对遥感影像进行波段运算和波段组合,用457波段组合与比值植被指数(RatioVegetation Index,RVI)相结合提取耕地样本,其计算公式为:
5)对遥感影像进行波段运算和波段组合,用432波段组合提取湿地样本。
步骤3,对耕地、植被、城镇样本进行掩膜处理。对水体和湿地样本,根据《国家湿地遥感分类系统》和《湿地公约》并辅以地物的空间信息提取湿地覆被样本类型。本步骤的实现方式为:首先对耕地、植被、城镇样本进行掩膜处理;然后对水体和湿地样本,进行矢量数据转化;接着进行Mean Shift分割;最后计算纹理特征和形状指数提取样本,合成最终十类样本。具体步骤如下:
1)对分层提取后的耕地、植被、城镇样本区域进行掩膜;
2)利用矢量化技术对水体和湿地样本区域进行转换;
3)采用Mean Shift分割是一种基于核密度梯度估计的无参数快速模式匹配算法。其目的是依据不同的标准对特征空间进行聚类。其计算公式如下:
设采样数据形成的d维的特征向量集合Sd={sk,k=1,2,···},其中s=[ss,sr]T,一般空间域向量ss为2维,Range域向量sr的维数设为p,则d=p+2,在该集合中,概率密度函数的Parzen窗估计为
在上式中,带宽矩阵H可由带宽系数h来简化表示,H=h2I,同时采用剖面函数k来表示核函数K(x)=k(‖x‖2),则式(5)可以表示为
由核函数的可分离性,式(6)还可以表示为
其中,C为归一化常量,和分别表示空域和Range域的不同宽带系数。
4)本步骤的目的在于基于滨海湿地内部地物的属性特征,如纹理和形状信息,有效避免由于遥感影像同种地物光谱差异较大而引起的分类“椒盐噪声”以及“同谱异物”和“同物异谱”带来的地物类别错分现象。
GLCM(灰度共生矩阵)纹理不仅包含了图像灰度值的空间分布信息还反映了图像中任意两点间灰度的空间相关性。由GLCM生成纹理波段主要有两个步骤,首先是计算GLCM,采用滑动窗口的方法,在一个滑动窗口中计算间隔距离d、方向为θ的一对像元灰度出现的频率,用p(i,j)表示。其次是在灰度共生矩阵的基础上计算二阶统计特征作为纹理特征。本步骤采用的特征主要有:
1)GLCM同质性:反映影像局部纹理变化的大小,可以很好地刻画影像局部的纹理特征。
2)GLCM对比度:反映了图像的清晰度和沟纹的深浅程度。
3)GLCM相异性:描述了灰度共生矩阵中行或列元素间灰度值的相异程度。
4)GLCM相关性:用来衡量灰度共生矩阵的元素在行或列方向上的相似程度。
其中,在遥感影像上,滩涂的形状呈条带状,纹理较为粗糙;水产养殖池塘、库塘和人工河渠有人工塑造过的痕迹,纹理较清晰,呈长网格状;沼泽为规则形状,纹理较粗糙;河流呈条带状,纹理较清晰。
本实例试验数据研究选取2015年8月12日杭州湾南岸滨海湿地为例。数据为Landsat OLI(图6),通过对比随机选样与本发明所提出的分层选样分类结果(图7和图8),本发明提出的分层决策的滨海湿地地物样本提取方法具有较高的分类精度,能够保证实际应用。
Claims (4)
1.一种分层决策的滨海湿地地物样本提取方法,其特征在于,包括以下步骤:
步骤1,对遥感影像进行预处理;
步骤2,在深入分析滨海湿地地物信息的基础上,对待研究区湿地地物样本的影像进行光谱信息和空间特征信息的提取;根据波段计算和波段组合的多特征信息,对地物样本进行逐层识别和归类,通过若干次分离目标并制作掩模文件;所述步骤2中,待研究区湿地覆被样本类型分为水体、湿地、耕地、林地和城镇;所述步骤2具体步骤如下:
1)对遥感影像进行波段运算和波段组合,首先用742波段组合与归一化差异水体指数Modified Normalized Difference Water Index,MNDWI相结合提取水体样本,其计算公式为:
2)对遥感影像进行波段运算和波段组合,其次用453波段组合与增强型植被指数Enhanced Vegetation Index,EVI相结合提取植被样本,其计算公式为:
3)对遥感影像进行波段运算和波段组合,用543波段组合与缨帽变换的亮度分量相结合提取建筑样本,其计算公式为:
BI=0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4438TM5+0.1706TM7
(3)
4)对遥感影像进行波段运算和波段组合,用457波段组合与比值植被指数RatioVegetation Index,RVI相结合提取耕地样本,其计算公式为:
5)对遥感影像进行波段运算和波段组合,用432波段组合提取湿地样本;
步骤3,基于步骤2分类结果,对耕地、林地、城镇区域进行掩膜处理,提取水体和湿地范围,根据《国家湿地遥感分类系统》和《湿地公约》并辅以地物的空间信息提取湿地覆被类型样本;
所述步骤3中,所述样本提取步骤如下:
1)对水体和湿地区域影像进行多尺度分割;
2)利用形状特征和纹理特征对当前所得影像进行地物样本类型分析;
3)在步骤2)基础上结合光谱分析所得耕地、林地、城镇,创建湿地覆被样本类型。
2.根据权利要求1所述的分层决策的滨海湿地地物样本提取方法,其特征在于,所述步骤1中,数据源选择为Landsat TM/ETM+/OLI;遥感影像预处理为辐射校正、几何校正。
3.根据权利要求1所述的分层决策的滨海湿地地物样本提取方法,其特征在于,所述步骤3具体步骤如下:
1)对分层提取后的耕地、植被、城镇样本区域进行掩膜;
2)利用矢量化技术对水体和湿地样本区域进行转换;
3)采用Mean Shift分割,它是一种基于核密度梯度估计的无参数快速模式匹配算法;其目的是依据不同的标准对特征空间进行聚类;其计算公式如下:
设采样数据形成的d维的特征向量集合Sd={sk,k=1,2,···},其中s=[ss,sr]T,一般空间域向量ss为2维,Range域向量sr的维数设为p,则d=p+2,在该集合中,概率密度函数的Parzen窗估计为
在上式中,带宽矩阵H可由带宽系数h来简化表示,H=h2I,同时采用剖面函数k来表示核函数K(x)=k(||x||2),则式(5)可以表示为
由核函数的可分离性,式(6)还可以表示为
其中,C为归一化常量,和分别表示空域和Range域的不同宽带系数;
4)由GLCM生成纹理波段,首先是计算GLCM,采用滑动窗口的方法,在一个滑动窗口中计算间隔距离d、方向为θ的一对像元灰度出现的频率,用p(i,j)表示;其次是在灰度共生矩阵的基础上计算二阶统计特征作为纹理特征。
4.根据权利要求3所述的分层决策的滨海湿地地物样本提取方法,其特征在于,所述步骤4)采用的特征有:
1)GLCM同质性:反映影像局部纹理变化的大小,可以很好地刻画影像局部的纹理特征;
2)GLCM对比度:反映了图像的清晰度和沟纹的深浅程度;
3)GLCM相异性:描述了灰度共生矩阵中行或列元素间灰度值的相异程度;
4)GLCM相关性:用来衡量灰度共生矩阵的元素在行或列方向上的相似程度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524902.XA CN109584284B (zh) | 2018-12-13 | 2018-12-13 | 一种分层决策的滨海湿地地物样本提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524902.XA CN109584284B (zh) | 2018-12-13 | 2018-12-13 | 一种分层决策的滨海湿地地物样本提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584284A CN109584284A (zh) | 2019-04-05 |
CN109584284B true CN109584284B (zh) | 2019-12-06 |
Family
ID=65928427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524902.XA Active CN109584284B (zh) | 2018-12-13 | 2018-12-13 | 一种分层决策的滨海湿地地物样本提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584284B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909652B (zh) * | 2019-11-16 | 2022-10-21 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
CN111767807B (zh) * | 2020-06-16 | 2021-07-20 | 宁波大学 | 一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法 |
CN111983609B (zh) * | 2020-07-30 | 2022-02-08 | 中国科学院空天信息创新研究院 | 基于雷达遥感影像的湿芦苇提取方法 |
CN112257531B (zh) * | 2020-10-13 | 2023-07-28 | 西安电子科技大学 | 基于多样性特征联合的林地变化遥感监测方法 |
CN115147726B (zh) * | 2022-09-05 | 2023-03-24 | 清华大学 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
CN107909039B (zh) * | 2017-11-16 | 2020-03-10 | 武汉大学 | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 |
-
2018
- 2018-12-13 CN CN201811524902.XA patent/CN109584284B/zh active Active
Non-Patent Citations (6)
Title |
---|
qianzhiher.植被指数总结.《简书》.2018,第(一)、(六)点. * |
任国贞等.基于灰度共生矩阵的纹理提取方法研究.《计算机应用与软件》.2014, * |
单玉秀.湿地遥感信息提取方法研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2011, * |
李珊.基于遥感影像的大区域土地覆盖动态监测研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2015,第2.2节、第3章、第4.2节. * |
汤杨等.基于分级mean shift的图像分割算法.《计算机研究与发展》.2009,第1节. * |
费鲜芸.基于多尺度分割的遥感影像滨海湿地分类.《遥感技术与应用》.2015, * |
Also Published As
Publication number | Publication date |
---|---|
CN109584284A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
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 | |
CN102054274B (zh) | 一种海岸带水体遥感信息全自动提取方法 | |
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 | |
CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN103714574B (zh) | 一种基于gpu加速的海中场景建模与实时交互绘制方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN111274905A (zh) | 一种AlexNet和SVM相结合的卫星遥感影像土地利用变化检测方法 | |
CN115512162A (zh) | 基于注意力孪生网络与多模态融合特征的地物分类方法 | |
Chen et al. | Change detection algorithm for multi-temporal remote sensing images based on adaptive parameter estimation | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN112784777A (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
Song et al. | SLWE-Net: An improved lightweight U-Net for Sargassum extraction from GOCI images | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
CN116486248A (zh) | 一种多源多模态遥感影像海气界面目标协同探测与识别方法 | |
Liu et al. | A Deep Learning Method for Offshore Raft Aquaculture Extraction Based on Medium Resolution Remote Sensing Images |
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 |