CN109657610A - 一种高分辨率多源遥感影像的土地利用变化检测方法 - Google Patents
一种高分辨率多源遥感影像的土地利用变化检测方法 Download PDFInfo
- Publication number
- CN109657610A CN109657610A CN201811553818.0A CN201811553818A CN109657610A CN 109657610 A CN109657610 A CN 109657610A CN 201811553818 A CN201811553818 A CN 201811553818A CN 109657610 A CN109657610 A CN 109657610A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- remote sensing
- land use
- image object
- 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
- 230000008859 change Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification 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
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- 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
Abstract
本发明公开了一种高分辨率多源遥感影像的土地利用变化检测方法，包括：步骤1)对基准期T1影像进行图像分割后获取其对象层，将T1影像进行图斑特征提取获取到图像特征并输入到训练好的分类器，得到T1影像上各图像对象的类别；步骤2)获取检测期T2影像，将T1影像对象层套合到T2影像上，然后进行图斑特征提取获取到图像特征，并根据T1影像上各图像对象的类别，计算T2影像各图像对象类别的特征中心；步骤3)将T2影像各图像对象类别的特征中心与图像特征进行比较，若发现类别变化，则对发生变化的图像对象基于内部一致性进行再分割和归并，生成图像对象层，并判定其类别信息；步骤4)对比T1影像和T2影像的类别，生成变化区域的矢量边界及变化类型。
Description
技术领域
本发明涉及遥感应用领域，特别是利用一种高分辨率多源遥感影像的土地利用变化检测方法。
背景技术
《国土资源“十三五”科技创新发展规划》要求面向土地调查、土地执法、矿产开发执法、重大地质灾害应急调查监测等应用实际，着重提升空天观测技术定量化、工程化、智能化数据处理和专题产品生产能力，开发软件平台，提升服务效率，提升卫星应用对政府决策的服务能力，支撑调查监管体系建设，为构建生态国土、智慧国土奠定坚实基础。
高分辨率多源遥感影像的土地利用变化检测是国土遥感应用的基础。当前的土地利用变化检测主要有两类方法：
1、人工目视解译。专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息。该方法受限于人员技术水平且费工费时，不能满足信息时效性的需要。
2、计算机监督分类。以最大似然法为代表的监督分类，是计算机模式识别的方式自动提取土地利用类别。该方法虽然自动化程度较高，但准确度受限于样本选择数量与质量、计算机模式识别算法性能等的影响，识别的准确度较低，难以满足应用要求。
近年来遥感观测技术的迅速发展，遥感数据的光谱分辨率、空间分辨率、时间分辨率不断提高，为进一步提高遥感土地利用变化的准确性和效率提供了可能性。但上述两类方法均无法充分利用多源(尤其是中高分辨率卫星)，因此需要一种能够高分辨率多源遥感影像的准确、高效、适用性强的土地利用变化检测方法。
发明内容
本发明主要解决的技术问题是在高分辨率多源遥感影像在土地利用变化检测中信息无法被充分利用、解译自动化程度较低、识别准确度较低。
为解决上述问题，本发明采用的一个技术方案是：一种高分辨率多源遥感影像的土地利用变化检测方法，所述方法包括：
步骤1)对基准期T1影像进行图像分割后获取其对象层，并将T1影像进行图斑特征提取获取到图像特征并输入到训练好的分类器，得到T1影像上各图像对象的类别；
步骤2)获取检测期T2影像，将T1影像对象层套合到T2影像上，然后进行图斑特征提取获取到图像特征，并根据T1影像上各图像对象的类别，计算T2影像各图像对象类别的特征中心；
步骤3)将T2影像各图像对象类别的特征中心与图像特征进行比较，若发现类别变化，则对发生变化的图像对象基于内部一致性进行再分割和归并，生成图像对象层，并判定其类别信息，进入步骤4)；否则，判定土地利用未发生变化；
步骤4)对比T1影像和T2影像的类别，生成变化区域的矢量边界及变化类型。
作为上述方法的一种改进，所述分类器的训练的步骤为：选取T1影像中的典型地物类别区域作为样本区域；以这些区域内的图像对象作为训练样本，利用支持向量机方法训练分类器。
作为上述方法的一种改进，所述图像分割的具体步骤为：
步骤1)利用图像像素在空间和色彩上的相似性对图像进行初始分割，利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征；在图像中产生若干个超像素分割区块，图像中的每个像素点都与一个距离最近的聚类核心相关联；
步骤2)对初始分割后的图像进行边缘精准化；具体包括：
(1)由多个符号距离函数建立样本训练集，计算训练样本集的平均水平集函数；
(2)应用PCA算法得到训练集的特征值、特征向量，以及形状变化模式；
(3)根据新的能量函数，使主动轮廓线结合先验形状信息朝目标边界演化。
作为上述方法的一种改进，所述图斑特征包括：各波段的光谱特征、归一化植被指数、归一化水体指数、归一化土壤指数、灰度共生矩阵的能量、熵和对比度、Laws纹理能量、形状细长率、形状矩形度、轮廓紧致度和形状中心矩。
作为上述方法的一种改进，所述步骤2)的计算T2影像各图像对象类别的特征中心具体为：提取T2影像中的图斑特征；按照土地利用类别，统计各类别图像对象的总体特征；计算原属该类别中的图像对象与总体特征的相似系数；剔除相似系数小于阈值的图像对象，并重新计算总体特征；迭代此过程得到T2影像各类别的特征中心。
本发明的有益效果是：
1、本发明的方法采用面向对象的影像变化检测方法，以图像对象(Image Object)为处理单元，在深入挖掘图像信息的基础上，利用机器学习与人工智能技术，实现图像变化区域的发现与识别；
2、本发明的方法可连续进行多期变化检测，可实现非同源影像变化检测，智能化、自动化程度较高，为国土部门监测系统的业务化运行提供技术支撑。
附图说明
图1为本发明的土地利用变化检测方法的流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
总体技术流程
本发明的总体技术流程如附图1所示。主要分为3个环节，分别是图像分割和图斑轮廓优化、图斑特征提取、不依赖光谱定标的变化发现。通过这些技术环节，解决了高分辨率多源遥感数据分析中的各种问题，实现高分辨率多源遥感影像的土地利用变化检测。
1、图像分割和图斑轮廓优化
首先是仅利用图像像素在空间和色彩上的相似性对图像进行初始分割，采用的基本方法是简单线性迭代聚类的超像素方法。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度。在分割处理中需要首先放置聚类核心点。在图像中产生若个超像素分割区块，那么每块超像素区块核心的近似距离。图像中的每个像素点都与一个聚类核心相关联，关联聚类核心的判别为距离像素点最近的聚类核心。
初始分割中采用的依据为像素间的相似性，因此得到的图斑边界往往不符合实际的地物边界，可能导致后续地物类别识别和变化检测应用中出现错分类情况的出现。边缘精准化采用曲线演化的方法实现，
具体步骤如下：
(1)由多个符号距离函数建立样本训练集，计算训练样本集的平均水平集函数；
(2)应用PCA算法得到训练集的特征值、特征向量，以及形状变化模式；
(3)根据新的能量函数，使主动轮廓线结合先验形状信息朝目标边界演化。。
2、图斑特征提取
以图像分割得到的图斑为单位，在分析多源遥感影像与国土部门对土地变化检测需求的基础上，提出最优的特征组合包括以下几个方面：图斑的光谱、指数、纹理、形状等特征。具体包括：
1、各波段的光谱特征(一般为红、绿、蓝、近红外)2、归一化植被指数3、归一化水体指数4、归一化土壤指数5、灰度共生矩阵的能量、熵、对比度6、Laws纹理能量7、形状细长率8、形状矩形度9、轮廓紧致度10、形状中心矩。
3、不依赖光谱定标的变化发现
在T1影像上，选取少量典型地物类别区域作为样本区域。以这些区域内的图像对象作为训练样本，利用当期较为流行和有效的支持向量机(SVM)方法训练分类器并进行分类，实现T1影像上各图像对象的类别判定。
将T1图像对象层套合到检测期(T2)影像上，分析个图像对象内的像元情况，提取其在T2影像中的特征。统计某一类别图像对象的总体特征，构建该类别中每个图像对象的相似系数，通过迭代的方法，去除异常的图像对象，计算T2影像各类别的特征中心。具体为：提取T2影像中的图斑特征；按照土地利用类别，统计各类别图像对象的总体特征；计算原属该类别中的图像对象与总体特征的相似系数；剔除相似系数小于阈值的图像对象，并重新计算总体特征；迭代此过程得到T2影像各类别的特征中心。
计算图像对象的特征与各类别中心的距离，如发生类别变化则依T2图像对象内部一致性进行再分割和归并，生成T2期的图像对象层，并判定其类别信息。对比T1和T2的类别情况，生成变化区域的矢量边界及变化类型，即为当期变化检测的成果。
按照此方法进行实施，即可有效实现高分辨率多源遥感影像的土地利用变化检测。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种高分辨率多源遥感影像的土地利用变化检测方法，所述方法包括：
步骤1)对基准期T1影像进行图像分割后获取其对象层，并将T1影像进行图斑特征提取获取到图像特征并输入到训练好的分类器，得到T1影像上各图像对象的类别；
步骤2)获取检测期T2影像，将T1影像对象层套合到T2影像上，然后进行图斑特征提取获取到图像特征，并根据T1影像上各图像对象的类别，计算T2影像各图像对象类别的特征中心；
步骤3)将T2影像各图像对象类别的特征中心与图像特征进行比较，若发现类别变化，则对发生变化的图像对象基于内部一致性进行再分割和归并，生成图像对象层，并判定其类别信息，进入步骤4)；否则，判定土地利用未发生变化；
步骤4)对比T1影像和T2影像的类别，生成变化区域的矢量边界及变化类型。
2.根据权利要求1所述的高分辨率多源遥感影像的土地利用变化检测方法，其特征在于，所述分类器的训练的步骤为：选取T1影像中的典型地物类别区域作为样本区域；以这些区域内的图像对象作为训练样本，利用支持向量机方法训练分类器。
3.根据权利要求1所述的高分辨率多源遥感影像的土地利用变化检测方法，其特征在于，所述图像分割的具体步骤为：
步骤1)利用图像像素在空间和色彩上的相似性对图像进行初始分割，利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征；在图像中产生若干个超像素分割区块，图像中的每个像素点都与一个距离最近的聚类核心相关联；
步骤2)对初始分割后的图像进行边缘精准化；具体包括：
(1)由多个符号距离函数建立样本训练集，计算训练样本集的平均水平集函数；
(2)应用PCA算法得到训练集的特征值、特征向量，以及形状变化模式；
(3)根据新的能量函数，使主动轮廓线结合先验形状信息朝目标边界演化。
4.根据权利要求3所述的高分辨率多源遥感影像的土地利用变化检测方法，其特征在于，所述图斑特征包括：各波段的光谱特征、归一化植被指数、归一化水体指数、归一化土壤指数、灰度共生矩阵的能量、熵和对比度、Laws纹理能量、形状细长率、形状矩形度、轮廓紧致度和形状中心矩。
5.根据权利要求4所述的高分辨率多源遥感影像的土地利用变化检测方法，其特征在于，所述步骤2)的计算T2影像各图像对象类别的特征中心具体为：提取T2影像中的图斑特征；按照土地利用类别，统计各类别图像对象的总体特征；计算原属该类别中的图像对象与总体特征的相似系数；剔除相似系数小于阈值的图像对象，并重新计算总体特征；迭代此过程得到T2影像各类别的特征中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811553818.0A CN109657610A (zh) | 2018-12-18 | 2018-12-18 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811553818.0A CN109657610A (zh) | 2018-12-18 | 2018-12-18 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109657610A true CN109657610A (zh) | 2019-04-19 |
Family
ID=66114899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811553818.0A Pending CN109657610A (zh) | 2018-12-18 | 2018-12-18 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657610A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
| CN110210576A (zh) * | 2019-06-14 | 2019-09-06 | 北京师范大学 | 一种地图数据的图斑相似性计算方法及系统 |
| CN110276254A (zh) * | 2019-05-17 | 2019-09-24 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
| CN110363798A (zh) * | 2019-07-24 | 2019-10-22 | 宁波市测绘设计研究院 | 一种遥感影像解译样本集的生成方法 |
| CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
| CN110648347A (zh) * | 2019-09-24 | 2020-01-03 | 北京航天宏图信息技术股份有限公司 | 一种基于遥感影像的海岸线提取方法及装置 |
| CN110717531A (zh) * | 2019-09-27 | 2020-01-21 | 华东师范大学 | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 |
| CN111311596A (zh) * | 2020-03-23 | 2020-06-19 | 南京市测绘勘察研究院股份有限公司 | 一种基于改进lbp特征的遥感影像变化检测方法 |
| CN111553222A (zh) * | 2020-04-21 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于迭代超像素分割的遥感地物分类后处理方法 |
| CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
| CN113222005A (zh) * | 2021-05-08 | 2021-08-06 | 兰州交通大学 | 一种土地覆盖自动更新方法 |
| CN114882084A (zh) * | 2022-05-07 | 2022-08-09 | 安徽农业大学 | 一种基于人工智能的土地利用变化图斑自动识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| CN108133218A (zh) * | 2017-12-14 | 2018-06-08 | 内蒙古科技大学 | 红外目标检测方法、设备及介质 |
| CN108682017A (zh) * | 2018-04-11 | 2018-10-19 | 浙江工业大学 | 基于Node2Vec算法的超像素图像边缘检测方法 |
| CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 |
-
2018
- 2018-12-18 CN CN201811553818.0A patent/CN109657610A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| CN108133218A (zh) * | 2017-12-14 | 2018-06-08 | 内蒙古科技大学 | 红外目标检测方法、设备及介质 |
| CN108682017A (zh) * | 2018-04-11 | 2018-10-19 | 浙江工业大学 | 基于Node2Vec算法的超像素图像边缘检测方法 |
| CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李丹丹等: "像斑的遥感影像土地利用变化检测方法", 《地理空间信息》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
| CN110276254A (zh) * | 2019-05-17 | 2019-09-24 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
| CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
| CN110210576A (zh) * | 2019-06-14 | 2019-09-06 | 北京师范大学 | 一种地图数据的图斑相似性计算方法及系统 |
| CN110363798A (zh) * | 2019-07-24 | 2019-10-22 | 宁波市测绘设计研究院 | 一种遥感影像解译样本集的生成方法 |
| CN110648347A (zh) * | 2019-09-24 | 2020-01-03 | 北京航天宏图信息技术股份有限公司 | 一种基于遥感影像的海岸线提取方法及装置 |
| CN110717531A (zh) * | 2019-09-27 | 2020-01-21 | 华东师范大学 | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 |
| CN111311596A (zh) * | 2020-03-23 | 2020-06-19 | 南京市测绘勘察研究院股份有限公司 | 一种基于改进lbp特征的遥感影像变化检测方法 |
| CN111553222A (zh) * | 2020-04-21 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于迭代超像素分割的遥感地物分类后处理方法 |
| CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
| CN113222005A (zh) * | 2021-05-08 | 2021-08-06 | 兰州交通大学 | 一种土地覆盖自动更新方法 |
| CN114882084A (zh) * | 2022-05-07 | 2022-08-09 | 安徽农业大学 | 一种基于人工智能的土地利用变化图斑自动识别方法 |
| CN114882084B (zh) * | 2022-05-07 | 2024-04-05 | 安徽农业大学 | 一种基于人工智能的土地利用变化图斑自动识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
| CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
| CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
| Wang et al. | Optimal segmentation of high-resolution remote sensing image by combining superpixels with the minimum spanning tree | |
| CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
| CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
| CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
| CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| Liu et al. | Enhancing spectral unmixing by local neighborhood weights | |
| CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
| JP5567448B2 (ja) | 画像領域分割装置、画像領域分割方法および画像領域分割プログラム | |
| CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| CN105894030B (zh) | 基于分层多特征融合的高分辨率遥感图像场景分类方法 | |
| CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
| CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
| CN107610118B (zh) | 一种基于dM的图像分割质量评价方法 | |
| CN112149758A (zh) | 一种基于欧式距离和深度学习的高光谱开放集分类方法 | |
| Ayhan et al. | Analysis of image classification methods for remote sensing | |
| Sathya et al. | Analysis of supervised image classification method for satellite images | |
| Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning | |
| CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
| RJ01 | Rejection of invention patent application after publication |