CN109598202A - 一种基于对象的卫星图像多指标建成区自动提取方法 - Google Patents
一种基于对象的卫星图像多指标建成区自动提取方法 Download PDFInfo
- Publication number
- CN109598202A CN109598202A CN201811309373.1A CN201811309373A CN109598202A CN 109598202 A CN109598202 A CN 109598202A CN 201811309373 A CN201811309373 A CN 201811309373A CN 109598202 A CN109598202 A CN 109598202A
- Authority
- CN
- China
- Prior art keywords
- built
- areas
- index
- image
- vegetation
- 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
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
- G06V20/13—Satellite images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于对象的卫星图像多指标建成区自动提取方法,该方法包括以下步骤:对图像进行预处理,将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正;构建一个针对WorldView‑2的建成区提取指数,调整归一化差异植被指数和归一化差异水体指数;基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图,并根据不同指数图提取建成区、植被和水体信息;去除识别为建成区的非建成区信息,对遗漏的建成区信息进行提取,获取基于像素的建成区信息;对图像进行分割,并使用分割结果对上述像素的建成区进行优化。本发明能够准确地捕捉建成区的轮廓,提高建成区的提取精度。
Description
技术领域
本发明涉及卫星图像多指标建成区自动提取技术,特别涉及一种基于对象的卫星图像多指标建成区自动提取方法,
背景技术
快速的城市扩张导致了一系列的城市问题,例如不合理的城市扩张和不合理的城市用地。集约化和精细化规划已经成为城市规划的趋势。随着超高分辨率遥感卫星的发射,在城市建成区中准确识别信息成为可能,并在精细城市规划中具有巨大的应用潜力。然而,由于屋顶、树木和阴影的不同类型,城市建成区的具体模式可能会有很大不同。因此,与中分辨率和低分辨率图像相比,使用高空间分辨率图像精确检测和提取城市建成区更具挑战性。
前人已经提出了许多从高空间分辨率图像中提取城市建成区的方法。它们大致可分为五类:基于分类的方法、基于指数的方法、基于纹理的方法、基于几何特征的方法和基于深度学习的方法。
基于分类的方法主要考虑如何使用合适的分类器提取城市建成区。Goetz等人(2003)和Lu(2009)等人使用决策树作为分类器来提取每个像素中的建成区信息,但是这些用使用高空间分辨率图像分类每个像素的方法很难获得良好的结果,特别是在复杂的城市场景中。因此,基于对象的图像分析方法(OBIA)越来越广泛地用于高空间分辨率图像中的建成区提取。虽然OBAI方法可以获得更好的分类结果,但是图像分割阈值的确定、特征的选择和提取效率仍然需要考虑。
基于指数的构建方法是基于光谱波段设计的,其中建成区在多光谱数据集中显示它们的最高和最低反射率值。通常,基于指数的构建方法利用短波长红外波段(SWIR)作为发展指数的必要波段,因为城市地区在SWIR中的反射率响应高于其他光谱波段。因为大多数高空间分辨率图像没有SWRI,所以这些方法不能直接应用于高空间分辨率图像。GenyunSun基于主成分分析产生的第一个成分,以及土壤调节植被指数(SAVI)和归一化差异水分指数(NDWI),提出了一个名为CBI的指数名称。PC变换和四个标准光谱的使用使得CBI独立于SWRI,可以应用于高空间分辨率图像。Kumar等人(2012)研究了各种归一化指数,使用不同的波段组合来提取建成区。他们发现,与其他波段组合的归一化指数相比,WorldView-2的PCA1和NIR2波段的归一化指数具有很高的区分性。因此,基于PCA1和NIR2波段的归一化指数(PCABI)被用于提取建成区。此外,建筑面积指数(BAI)和两个基于视觉的指数(VrNIR-BI和VgNIR-BI)也可以用于基于高空间分辨率图像的建成区提取。尽管基于指数的构建方法具有简单、易于实现和速度的优点,但是确定提取建成区的最佳阈值仍然是一个问题。
基于纹理的方法可以基于建成区信息具有高纹理密度以及其纹理特征不同于背景的特征来提取建成区。Pesaresi等人(2008)提出了一个基于纹理的累积存在指数(PanTex)。该指数基于模糊规则的各向异性纹理共生度量的组合,这些度量是通过灰度共生矩阵(GLCM)从卫星数据中获得的。它已经成功地用于全球人类居住区测绘。ShaoZhenfeng等人(16)提出了一种构建区域显著性指数(BASI),该方法采用非采样轮廓波变换(NSCT)来描述纹理并测量建成区的显著性。基于纹理的方法对于具有规则纹理的区域是有效的。然而,在高空间分辨率图像中,建筑物通常稀疏分布,并与树木混合在一起,并且不显示规则的纹理图案,因此这些方法可能无法检测建成区。
基于几何特征的方法主要利用建成区中许多人造物体的显著几何特征(例如密集角点和密集边缘)来提取建成区。对于密集角点,许多研究提出了基于角点密度的方法。在这些方法中,经常使用局部特征点(如SIFT和Harris)。对于密集边缘,提出了基于边缘密度的方法。Unsalan等人(2004)介绍了一套基于直线的措施,以评估高分辨率全色卫星图像中的土地开发水平。Xiao Gangning;等人(2017)提出了一种从高空间分辨率遥感图像中提取建成区的方法,该方法利用直角拐角、直角边和路标的基于特征级别的融合。尽管几何特征是建成区检测的良好线索,但在高空间分辨率图像中,密集的点和线可能会受到农田、树木和其他物体的影响。
基于深度学习的方法是深度学习兴起后出现的一种新的建成区提取趋势。Tian等人(2008)提出了一种基于深度卷积神经网络(DCNNs)的新的建成区检测方法,它包括三个主要部分,包括基于预训练的DCNNs构建视觉知识库、从标记图像中学习城市特点和检测测试图像中的城市区域。Tan Yihua(2017)提出了一种深度卷积神经网络(CNN)的多输入结构来自动提取建成区。尽管与传统方法相比,基于深度学习的方法有很大的优势和潜在的应用,但是样本制作和模型训练的成本非常昂贵。
从以上讨论中,我们可以得出结论,现有的建成区提取方法有其自身的局限性,尤其是在自动化和提取精度方面。
发明内容
本发明目的在于,解决现有的建成区提取方法存在的问题,并提出一种利用WorldView–2卫星丰富的波段信息,用于稳健准确的从遥感图像中提取建成区。
为了实现上述目的,本发明提供了一种基于对象的卫星图像多指标建成区自动提取方法,该方法包括以下步骤:
对图像进行预处理,将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正;构建一个针对WorldView-2的建成区提取指数,调整归一化差异植被指数和归一化差异水体指数;基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图,并根据不同指数图提取建成区、植被和水体信息;去除识别为建成区的非建成区信息,对遗漏的建成区信息进行提取,获取基于像素的建成区信息;对图像进行分割,并使用分割结果对上述像素的建成区进行优化。
优选地,所述构建一个针对WorldView-2的建成区提取指数,调整归一化差异植被指数和归一化差异水体指数步骤,具体为:
比较所有可能的波段组合,选择两个波段的归一化差异构建建成区提取指数BAEIr-c,并基于此调整归一化差异植被指数和归一化差异水指数。
优选地,所述基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图,并根据不同指数图提取建成区、植被和水体信息步骤,具体为:
选择分数阶达尔文粒子群优化算法FODPSO用作多阈值图像分割的算法,自动从归一化差异植被指数、归一化差异水体指数和建成区提取指数地图中获取植被、水和裸土信息,并获取植被、水、裸土和建成区地图。
优选地,所述去除识别为建成区的非建成区信息,对遗漏的建成区信息进行提取,获取基于像素的建成区信息步骤,具体为:
首先反转建成区图以获得非建成区图,从非建成区图中减去植被、水和裸土图,以获得遗漏的建成区信息;之后,添加遗漏的建成区图和原先的建成区图,以获得完整的建成区图。
优选地,所述对图像进行分割,并使用分割结果对上述像素的建成区进行优化步骤,具体为:
使用易康软件对图像进行分割,图像被分割成多个个图像对象,基于每个图像对象的类别,获得精确的建成区图。
本发明整个提取过程自动化进行,能够准确地捕捉建成区的轮廓,提高建成区的提取精度。
附图说明
图1为一种基于对象的卫星图像多指标建成区自动提取方法流程示意图;
图2为建成区提取流程图;
图3为实验区域图;
图4为研究区四种典型土地覆盖类型的光谱图;
图5为潜在波段组合图;
图6为潜在建成区和裸土、植被、水集合图。
具体实施方式
下面结合附图对本发明作进一步阐述说明,但不用来限制本发明的范围。
图1为一种基于对象的卫星图像多指标建成区自动提取方法流程示意图。如图1所示,该方法包括步骤S101-S105:
S101,对图像进行预处理,将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正。
具体地,使用快速大气校正模块对WorldView-2的图像灰度值进行大气校正。之后,将图像裁剪,如图3所示,以去除原始图像中值无效的区域。
S102,构建一个针对WorldView-2的建成区提取指数(BAEIr-c),调整归一化差异植被指数(NDVI)和归一化差异水体指数(NDWI)。
具体地,开发一个归一化差异指数来增强建成区(城市建成区信息),并调整归一化差异植被指数(NDVI)和归一化差异水体指数(NDWI),使它们更加突出植被和水休。
优选地,比较所有可能的波段组合,选择两个波段的归一化差异构建建成区提取指数BAEIr-c,并基于此调整归一化差异植被指数和归一化差异水指数。
S103,基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图,并根据不同指数图提取建成区、植被和水体信息;
优选地,选择分数阶达尔文粒子群优化算法FODPSO用作多阈值图像分割的算法,自动从归一化差异植被指数、归一化差异水体指数和建成区提取指数地图中获取植被、水和裸土信息,并获取植被、水、裸土和建成区地图。
S104,去除识别为建成区的非建成区信息,对遗漏的建成区信息进行提取,获取基于像素的建成区信息;
具体地,首先反转建成区图以获得非建成区图,从非建成区图中减去植被、水和裸土图,以获得遗漏的建成区信息;之后,添加遗漏的建成区图和原先的建成区图,以获得完整的建成区图。
S105,对图像进行分割,并使用分割结果对上述像素的建成区进行优化。
具体地,使用ESP 2工具自动获得图像的最佳分割尺度,再进行图像分割,图像I被分割成N个图像对象Oi,基于每个图像对象Oli的标签,获得精确的建成区图。
本发明实施例整个提取过程自动化进行,能够准确地捕捉建成区的轮廓,提高建成区的提取精度。
在一个具体的操作实施例中,建成区提取流程图如图2所示。其包括以步处理步骤:
(一)预处理
使用快速大气校正模块对图像灰度值进行大气校正。之后,将图像裁剪,如图3所示,以去除原始图像中值无效的区域。
(二)多指数制图
测定实验区域的建成区、植被、水和裸土的平均光谱反射率,如图4所示。分析建成区样品的光谱反射率,发现黄色(585-625nm)、红色(630-690nm)、红色边缘(705-745nm)和近红外波段NIR1/2(770-895/860-1040nm)波段的平均反射率值高于绿色(510-580nm)、蓝色(450-510nm)和海岸波段(400-450nm),比较所有可能的波段组合,如图5所示。选择红色和海岸波段的归一化差异来开发建成区提取指数(BAEIr-c),因为它们使建成区和裸土信息变成正值,水和植被变成负值,裸土和建成区信息也有最大差异。BAEIr–c用方程式表示为:
其中red为红色波段,coastal为海岸波段;
调整NDVI和NDWI如下:
其中,NDVI为归一化差异植被指数,NDWI为归一化差异水体指数,NIR2为近红外波段,blue为蓝色波段。
(三)自动阈值选择
不同的地物具有不同的光谱特征,这在归一化差分组合波段上也不同。对于BAEIr-c来说,建成区和裸土信息为正值,而水和植被信息为负值,裸土值大于建成区,两者都具有良好的可分离性。因此,在不同的指数图上采用不同的阈值来提取不同的地物。地面目标提取的任务变成了多阈值图像分割的问题。在本例中,FODPSO被用作多阈值图像分割的算法。
(四)非建成区消除和遗漏建成区提取
建筑面积地物的光谱非常复杂,因此仅使用BAEIr-c很难获得更准确的建筑面积信息。一些非建成区信息被错误地识别为建成区,一些建成区信息被遗漏。利用FODPSO对BAEIr-c计算的图像进行分割,获得潜在的裸土和建成区信息图。地图可能包含一些非建成区信息,例如裸土以及植被和裸土的混合区域,因此从潜在的建成区和裸土地图中减去植被和裸土地图,以消除非建成区地物,得到建成区地图,如图6所示。建成区的公式用方程式表示如下:
建成区地图=潜在裸土地图与建成区地图-裸土地图-植被地图
首先反转建成区图以获得非建成区图。非建成区地图不仅包括丢失的地物信息,还包括植被、水和裸土信息。从非建成区图中减去植被、水和裸土图,以获得遗漏的建成区信息。之后,添加遗漏的建成区图和原建成区图,以获得完整的建成区图。用如下公式表达:
遗漏建成区地图=非建成区地图-裸土地图-植被地图-水地图
完整建成区地图=遗漏建成区地图+原建成区地图
(五)图像多尺度分割
与传统的基于像素的图像分析方法相比,基于对象的方法是一种范式转变,为遥感学科带来了新的视角。基于对象的方法可以很好地捕捉地面物体的轮廓,因此使用基于对象的方法优化提取结果。图像分割是基于对象分析的重要步骤,因为它会影响最终的提取和分类结果。最佳分割比例通常是基于用户的多次尝试来确定的。在本实验中,我们使用工具自动获得研究区域中图像的最佳分割尺度。ESP 2工具以自下而上的方法迭代地生成多个尺度级别的图像对象,并计算每个尺度17的局部方差(LV)。LV的变化率(ROC)值是使用等式为每个标度水平确定的,具体如下:
该工具自动检测最佳刻度,从精细刻度到更宽的刻度。分层或非分层方法被用于多分辨率分割算法,以在用户定义的步骤中自动获得更稳健的比例参数。该方法依靠局部方差的能力来检测地理空间数据中的比例偏移。因此,可以获得最佳的建成区提取分割结果。
在图像分割之后,图像I可以被分割成N个图像对象Oi,i∈{1,2,…,N},并且在对象Oi内有M个像素Ij,j∈{1,2,…,M}。每个图像对象Oli的标签如下:
di,a是图像对象中每个类的像素数,具体如下:
通过每个图像对象Oli的标签获得精确的建成区图。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于对象的卫星图像多指标建成区自动提取方法,其特征在于包括以下步骤:
对图像进行预处理,将图像灰度值到反射率转换的快速大气校正模块对数据进行大气校正;
构建一个针对WorldView-2的建成区提取指数,调整归一化差异植被指数和归一化差异水体指数;
基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图,并根据不同指数图提取建成区、植被和水体信息;
去除识别为建成区的非建成区信息,对遗漏的建成区信息进行提取,获取基于像素的建成区信息;
对图像进行分割,并使用分割结果对上述像素的建成区进行优化。
2.根据权利要求1所述的方法,其特征在于,所述构建一个针对WorldView-2的建成区提取指数,调整归一化差异植被指数和归一化差异水体指数步骤,具体为:
比较所有可能的波段组合,选择两个波段的归一化差异构建建成区提取指数BAEIr-c,并基于此调整归一化差异植被指数和归一化差异水指数。
3.根据权利要求1所述的方法,其特征在于,所述基于所述归一化差异植被指数和所述归一化差异水体指数生成建成区指数图、植被指数图和水体指数图,并根据不同指数图提取建成区、植被和水体信息步骤,具体为:
选择分数阶达尔文粒子群优化算法FODPSO用作多阈值图像分割的算法,自动从归一化差异植被指数、归一化差异水体指数和建成区提取指数地图中获取植被、水和裸土信息,并获取植被、水、裸土和建成区地图。
4.根据权利要求1所述的方法,其特征在于,所述去除识别为建成区的非建成区信息,对遗漏的建成区信息进行提取,获取基于像素的建成区信息步骤,具体为:
首先反转建成区图以获得非建成区图,从非建成区图中减去植被、水和裸土图,以获得遗漏的建成区信息;之后,添加遗漏的建成区图和原先的建成区图,以获得完整的建成区图。
5.如权利要求1所述的方法,其特征在于,所述对图像进行分割,并使用分割结果对上述像素的建成区进行优化步骤,具体为:
使用易康软件对图像进行分割,图像被分割成多个个图像对象,基于每个图像对象的类别,获得精确的建成区图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811309373.1A CN109598202A (zh) | 2018-11-05 | 2018-11-05 | 一种基于对象的卫星图像多指标建成区自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811309373.1A CN109598202A (zh) | 2018-11-05 | 2018-11-05 | 一种基于对象的卫星图像多指标建成区自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109598202A true CN109598202A (zh) | 2019-04-09 |
Family
ID=65957548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811309373.1A Pending CN109598202A (zh) | 2018-11-05 | 2018-11-05 | 一种基于对象的卫星图像多指标建成区自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598202A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879969A (zh) * | 2019-10-21 | 2020-03-13 | 北京中科锐景科技有限公司 | 一种基于遥感影像的林地变化检测方法 |
CN110929607A (zh) * | 2019-11-11 | 2020-03-27 | 桂林理工大学 | 一种城市建筑物施工进度的遥感识别方法和系统 |
CN111985368A (zh) * | 2020-08-07 | 2020-11-24 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
CN112597939A (zh) * | 2020-12-29 | 2021-04-02 | 中国科学院上海高等研究院 | 地表水体分类提取方法、系统、设备及计算机存储介质 |
CN112925870A (zh) * | 2021-03-15 | 2021-06-08 | 北京师范大学 | 一种人口空间化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
CN103268587A (zh) * | 2013-05-06 | 2013-08-28 | 重庆市勘测院 | 利用仿建筑用地指数获取城市建筑用地信息的方法 |
CN106682624A (zh) * | 2016-12-29 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 基于时间序列遥感信息的建成区提取方法及装置 |
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 |
CN108564588A (zh) * | 2018-03-21 | 2018-09-21 | 华中科技大学 | 一种基于深度特征和图割法的建成区自动提取方法 |
-
2018
- 2018-11-05 CN CN201811309373.1A patent/CN109598202A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
CN103268587A (zh) * | 2013-05-06 | 2013-08-28 | 重庆市勘测院 | 利用仿建筑用地指数获取城市建筑用地信息的方法 |
CN106682624A (zh) * | 2016-12-29 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 基于时间序列遥感信息的建成区提取方法及装置 |
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 |
CN108564588A (zh) * | 2018-03-21 | 2018-09-21 | 华中科技大学 | 一种基于深度特征和图割法的建成区自动提取方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879969A (zh) * | 2019-10-21 | 2020-03-13 | 北京中科锐景科技有限公司 | 一种基于遥感影像的林地变化检测方法 |
CN110929607A (zh) * | 2019-11-11 | 2020-03-27 | 桂林理工大学 | 一种城市建筑物施工进度的遥感识别方法和系统 |
CN110929607B (zh) * | 2019-11-11 | 2022-05-31 | 桂林理工大学 | 一种城市建筑物施工进度的遥感识别方法和系统 |
CN111985368A (zh) * | 2020-08-07 | 2020-11-24 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
CN111985368B (zh) * | 2020-08-07 | 2022-08-30 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
CN112597939A (zh) * | 2020-12-29 | 2021-04-02 | 中国科学院上海高等研究院 | 地表水体分类提取方法、系统、设备及计算机存储介质 |
CN112597939B (zh) * | 2020-12-29 | 2023-11-07 | 中国科学院上海高等研究院 | 地表水体分类提取方法、系统、设备及计算机存储介质 |
CN112925870A (zh) * | 2021-03-15 | 2021-06-08 | 北京师范大学 | 一种人口空间化方法及系统 |
CN112925870B (zh) * | 2021-03-15 | 2023-06-02 | 北京师范大学 | 一种人口空间化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
Zhang et al. | Mapping individual tree species in an urban forest using airborne lidar data and hyperspectral imagery | |
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 | |
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
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 | |
Huang et al. | Automatic extraction of impervious surfaces from high resolution remote sensing images based on deep learning | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
Lu et al. | Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
Feng et al. | A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries | |
CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
Duan et al. | An index-based shadow extraction approach on high-resolution images | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
CN117372710A (zh) | 一种基于Sentinel-2 MSI遥感影像的林窗提取方法 | |
Kumar et al. | Utilizing the potential of World View− 2 for discriminating urban and vegetation features using object based classification techniques | |
Aroma et al. | A coastal band spectral combination for water body extraction using Landsat 8 images | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190409 |