CN109740504A - 一种基于遥感影像提取海域资源的方法 - Google Patents
一种基于遥感影像提取海域资源的方法 Download PDFInfo
- Publication number
- CN109740504A CN109740504A CN201811632128.4A CN201811632128A CN109740504A CN 109740504 A CN109740504 A CN 109740504A CN 201811632128 A CN201811632128 A CN 201811632128A CN 109740504 A CN109740504 A CN 109740504A
- Authority
- CN
- China
- Prior art keywords
- region
- sea area
- remote sensing
- area key
- feature vector
- 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
Abstract
本发明涉及一种基于遥感影像提取海域资源的方法,首先,获取高分辨率遥感海域关键地物图像数据集,同时进行分区,并对海域关键地物的遥感影像进行区分;然后,对各个区域进行光谱特征提取,并获得各个区域的光谱特征向量xi;根据特征向量xi,构造基于K最近邻算法KNN的初始海域关键地物模块化软件分类器KNN;计算光谱特征向量xi与特征数据库中各个特征向量之间的欧氏距离,分别得到与各个区域距离最小的K个特征向量,依次统计出K个特征向量的所属类别,得到包含最多个数的类,分别将各个区域划分到包含最多个数的类中;最后,根据得到得到海域关键地物遥感影像分类图。本发明能够使业务人员了解海域资源不同时期内动态变化情况,提高工作效率。
Description
技术领域
本发明涉及图像处理领域,特别是一种基于遥感影像提取海域资源的方法。
背景技术
随着遥感技术、航空技术、数据通信技术的发展,现代遥感技术已经进入一个能够动态、快速、准确、多手段获取多种对地观测数据的新阶段,从遥感影像中提取的空间信息已成为地理信息获取的重要途径。海域资源是海洋开发利用活动的重要空间,是海洋经济发展的基础载体。随着陆地资源的日益紧缺,向海要地的需求日渐增加,为依法科学配置海域资源,合理布局产业用海空间,海域主管部门采用卫星遥感调查和地面现场勘测相结合方式对典型的海域空间资源开展开发利用和资源存量调查,海域动态监管工作取得一定成效。然而,现阶段遥感影像数据应用为主通过人工目视解释的方式,存在工作量大、人为主观误差等问题,无法有效提升海域管理水平。
目前通过遥感影像图进行海域动态监管的应用仅仅停留在人工目视解释比对不同,还存在着以下缺点:
1、目视解译主要依靠人工从遥感图像上提取各种地物信息,需要大量的时间投入和反复性对比工作,其工作量大,效率低,唯以满足实时处理大量信息的要求。
2、受到季节、天气的因素的影响,同一地区、同一地物的遥感影像图有较大的不同,通过目视解释获取遥感影像的变化需要有丰富经验的人员进行,并且耗费大量时间和精力,对比的结果不能够很好地利用。
发明内容
有鉴于此,本发明的目的是提出一种基于遥感影像提取海域资源的方法,模块化软件分类器自动识别提取海域关键地物资源,代替了之前繁琐的人工目视解释比对过程,有效提高了工作效率。
本发明采用以下方案实现:一种基于遥感影像提取海域资源的方法,其特征在于:包括以下步骤:
步骤S1:进行海域关键地物选取并获取高分辨率遥感海域关键地物图像数据集;
步骤S2:对所述的高分辨率遥感海域关键地物图像数据集即样本图像进行分区,并制作各个区域的预测标签;
步骤S3:对步骤S2中进行分区后的各个区域进行光谱特征提取,并获得各个区域的光谱特征向量xi;
步骤S4:根据步骤S3获得的各个区域的光谱特征向量xi,构造基于K最近邻算法KNN的初始海域关键地物模块化软件分类器KNN;
步骤S5:计算所述各个区域的光谱特征向量xi与特征数据库中各个特征向量之间的欧氏距离,分别得到与各个区域距离最小的K个特征向量,依次统计出所述K个特征向量的所属类别,得到包含特征向量最多个数的类,分别将各个区域划分到所述包含最多个数的类中;
步骤S6:根据步骤S2所述样本图像的各个区域的预测标签值,从而得到海域关键地物遥感影像分类图;
步骤S7:提供待测图像,依次进行步骤S2至步骤S6的操作,从而得到待测图像的海域关键地物遥感影像分类图。
进一步地,所述选取的海域关键地物包括围填海、自然岸线、人工岸线、红树林湿地以及滩涂湿地。
进一步地,所述获取的高分辨率遥感海域关键地物图像数据集为 Datam=[Data1,Data2…,Datai…,Datan],其中m表示有m种海域关键地物m=5,n表示有n个该种类海域关键遥感影像图数据,Data1表示第1个海域关键遥感影像图数据,Datai表示第i个海域关键遥感影像图数据。
进一步地,步骤S2具体为:提供一幅图像数据Datai,令其大小为M×N,其中,M表示图像宽度,N表示图像长度,对其进行不重叠分区;令分为A个区域,每块区域大小均为w×h,其中,w表示区域宽度,h表示区域长度,pi表示第i个区域;对每一个区域pi制作标签Li;若区域pi大于一半为所述海域关键地物区域,则其标签Li=1;反之,则其标签Li=0。
进一步地,步骤S3具体为:根据所述每一个区域pi,对Li=1的区域提取其光谱特征,令c为区域pi中的某一点,则该点的光谱值SV 为:
其中,j为点c邻域的第j个像素点序号,j=1,...,8;领域大小设定为3×3,gj为第j个像素点的光谱值,gc为点c的光谱值;S(·)表示符号函数,符号函数具体为:
对区域pi中的所有点按照公式计算SV值,然后对区域pi中的所有点的SV值作统计直方图,将它们整合为一个 256维的向量,该向量即表示pi的SV特征向量xi。
进一步地,步骤S4具体为:将每一个区域pi的特征向量xi作为KNN分类器的输入;所有区域的特征向量组成的特征数据库作为 KNN分类器的输出;从而获取m种海域关键地物光谱的特征向量(x1, x2,…,xm)。
进一步地,步骤S6具体为:所述的预测标签值分别为1、2、3、 4或5;若某个区域的预测标签值为1,则该区域为围填海区域;若某个区域的预测标签值为2,则该区域为自然岸线区域;若某个区域的预测标签值为3,则该区域为人工岸线区域;若某个区域的预测标签值为4,则该区域为红树林湿地区域;若某个区域的预测标签值为 5,则该区域为滩涂湿地区域,最终得到海域关键地物遥感影像分类图。
与现有技术相比,本发明有以下有益效果:
通过模块化软件分类器自动识别提取海域关键地物资源,代替了之前繁琐的人工目视解释比对过程,提取的关键地物遥感影像分类图可进一步业务化应用,为海域动态监管提供数据依据,辅助业务人员了解海域资源不同时期内的动态变化情况,有效提高工作效率。
具体实施方式
下面结合实施例对本发明做进一步说明。
本实施例提供了一种基于遥感影像提取海域资源的方法,包括以下步骤:
步骤S1:进行空间界定及海域关键地物选取并获取高分辨率遥感海域关键地物图像数据集;
步骤S2:对所述的高分辨率遥感海域关键地物图像数据集即样本图像进行分区,并制作各个区域的预测标签;
步骤S3:对步骤S2中进行分区后的各个区域进行光谱特征提取,并获得各个区域的光谱特征向量xi;
步骤S4:根据步骤S3获得的各个区域的光谱特征向量xi,构造基于K最近邻算法KNN的初始海域关键地物模块化软件分类器KNN;
步骤S5:计算所述各个区域的光谱特征向量xi与特征数据库中各个特征向量之间的欧氏距离,分别得到与各个区域距离最小的K个特征向量,依次统计出所述K个特征向量的所属类别,得到包含特征向量最多个数的类,分别将各个区域划分到所述包含最多个数的类中;
步骤S6:根据步骤S2所述样本图像的各个区域的预测标签值,从而得到海域关键地物遥感影像分类图;
步骤S7:提供待测图像,依次进行步骤S2至步骤S6的操作,从而得到待测图像的海域关键地物遥感影像分类图。
在本实施例中,所述选取的海域关键地物包括围填海、自然岸线、人工岸线、红树林湿地以及滩涂湿地。
在本实施例中,所述获取的高分辨率遥感海域关键地物图像数据集即海域关键地物图像数据集为 Datam=[Data1,Data2…,Datai…,Datan],其中m表示有m种海域关键地物m=5,n表示有n个该种类海域关键遥感影像图数据,Data1表示第1个海域关键遥感影像图数据,Datai表示第i个海域关键遥感影像图数据。
在本实施例中,步骤S2具体为:对高分辨率遥感海域关键地物图像数据集进行分区,对每一个区域制作相应的标签,区分出围填海、自然岸线、人工岸线、红树林湿地以及滩涂湿的遥感影像;提供一幅图像数据Datai,令其大小为M×N,其中,M表示图像宽度,N表示图像长度,对其进行不重叠分区;令分为A个区域,每块区域大小均为 w×h,其中,w表示区域宽度,h表示区域长度,pi表示第i个区域;对每一个区域pi制作标签Li;若区域pi大于一半为所述海域关键地物区域,则其标签Li=1;反之,则其标签Li=0。
在本实施例中,步骤S3具体为:根据所述每一个区域pi,对Li=1 的区域提取其光谱特征,令c为区域pi中的某一点,则该点的光谱值 SV为:
其中,j为点c邻域的第j个像素点序号,j=1,...,8;领域大小设定为3×3,gj为第j个像素点的光谱值,gc为点c的光谱值;S(·)表示符号函数,符号函数具体为:
对区域pi中的所有点按照公式计算SV值,然后对区域pi中的所有点的SV值作统计直方图,将它们整合为一个 256维的向量,该向量即表示pi的SV特征向量xi。
在本实施例中,步骤S4具体为:将每一个区域pi的特征向量 xi作为KNN分类器的输入;所有区域的特征向量组成的特征数据库作为KNN分类器的输出;从而获取m种海域关键地物光谱的特征向量 (x1,x2,…,xm)。
在本实施例中,步骤S6具体为:所述的预测标签值分别为1、2、3、4或5;若某个区域的预测标签值为1,则该区域为围填海区域;若某个区域的预测标签值为2,则该区域为自然岸线区域;若某个区域的预测标签值为3,则该区域为人工岸线区域;若某个区域的预测标签值为4,则该区域为红树林湿地区域;若某个区域的预测标签值为5,则该区域为滩涂湿地区域,最终得到海域关键地物遥感影像分类图。
具体的本实施例通过以下步骤实现对海域关键地物遥感影像特征的研究:
1、空间界定及关键地物选取
由于不同海域的关键地物有所区别,同种地物的遥感影像数据光谱特征也有所差异。所以本发明需界定研究区及该研究区下的关键地物,本实施例着重于围填海、自然岸线、人工岸线、红树林湿地、滩涂湿地的识别与提取。
2、建立海域关键地物图像数据集
通过历史影像的人工目视解译,辅以现场踏勘验证,提取出高精度的地物分类信息,确定遥感影像对应资源类型,构建高分辨率遥感海域关键地物图像数据集Datam=[Data1,Data2…,Datai…,Datan]。
3、关键地物遥感影像特征分析及模块化软件分类器构建
(1)针对构建的高分辨率遥感海域关键地物图像数据集进行分区,对每一个区域制作相应的标签,区分出围填海、自然岸线、人工岸线、红树林湿地、滩涂湿地等海域关键地物的遥感影像。给定一幅图像数据Datai,设其大小为M×N,对其进行不重叠分区,设分为A个区域,每块区域大小均为w×h,p表示第i个区域;对每一个区域pi, 制作标签,即若该区域一半以上为海域关键地物区域,则其标签Li=1;反之,则其标签Li=0;
(2)针对输入的海域关键地物图像数据集,进行细致分区,对每一个细致区域制作相应的标签,然后提取每个区域的光谱特征、纹理特征、几何特征和拓扑特征。并跟据不同的分类地物类型,其中一级分类以光谱特征为主,二级分类以形状、纹理和空间关联特征为主,设定相应的分类特征。
1)光谱特征主要指对象光谱均值、方差等统计量。光谱均值和方差的计算对象是每一波段基元集的平均光谱值与方差,参与计算的基元集在空间上可以是不连续的,并且没有基元数量的限制。光谱均值与方差常用来作为遥感影像分类的统计量,同时也可保存在光谱库中,用以后续的光谱对比分析。
2)纹理特征主要是采用小波纹理、GA-BOR方向性滤波特征、灰度共生矩阵(对比度、均匀性、逆差分矩、熵和相关等特征)、LBP纹理算子等来实现,其中重点是研究能够表达基元不同方向纹理特征的表示方法,如GMRF六维向量等。
3)几何特征可采用傅立叶描述子或边界矩描述子、转折函数等进行表达,通过设计能够表达基元大小不变性及旋转不变性的参数表示方法,如特征矩算子等,来描述海域使用对象的形状。形状特征主要包括面积、周长、矩形度、长宽比、圆形度、形状指数等指标。
4)拓扑特征主要是指基元之间的空间拓扑关系,包括横向空间关系和纵向的空间尺度转换关系。
(3)根据每一个区域pi,对Li=1的区域提取其光谱特征,设c为区域pi中的某一点,则该点的光谱值SV为:
其中,j=1,…,8为点c邻域的第j个像素点序号,领域大小设为3 ×3,gj;为该像素点的光谱值,gc为点c的光谱值;S(·)表示符号函数:
对区域pi中的所有点按照上述方式计算SV值,然后通过对其作统计直方图,将它们整合为一个256维的向量,该向量即表示pi的 SV特征向量xi。
(4)基于提取的特征,构造基于K最近邻的初始海域关键地物模块化软件分类器,KNN分类器的输入为每一个粗分区域pi的特征向量xi,输出为所有特征向量组成的特征数据库,从而获取m种海域关键地物光谱的特征向量(x1、x2、…,xm)。
具体的本实施例通过以下步骤实现对海域关键地物遥感影像的识别与提取:
(1)待测图像分区
对于给定的待测图像Ti,设其大小为M×N,对其进行不重叠细致分区,设分为B个区域,每块区域大小均为r×s,q表示第i个细分区域,相对于训练图像分区,要求r<w,s<h,B>A。
(2)关键地物遥感影像初步判断
对分好的B个区域,随机抽取几个区域进行处理,每一个细分区域qi,制作标签,即若该区域一半以上为海域关键地物区域,则其标签 yi=1;反之,则其标签yi=0。
(3)关键地物遥感影像分类与提取
对qi=1的区域进行光谱特征向量提取,通过KNN分类器的输入为测试图像各个区域的光谱特征向量和训练得到的特征数据库,通过针对测试图像每一个区域,计算其光谱特征向量与特征数据库中各个特征向量之间的欧氏距离,找到与该区域距离最小的K个特征向量, 依次统计出这K个特征向量的所属类别,找出包含最多个数的类,将该区域划分到此类中。
最终得到整幅图像各个区域的预测标签值,该值为1、2、3、4 或5。若该区域的预测标签值为1,则该区域认作为围填海区域;若该区域的预测标签值为2,则该区域认作为自然岸线区域;若该区域的预测标签值为3,则该区域认作为人工岸线区域;若该区域的预测标签值为4,则该区域认作为红树林湿地区域;若该区域的预测标签值为5,则该区域认作为滩涂湿地区域,最终得到关键地物遥感影像分类图。
较佳的,本实施例针对围填海、自然岸线、人工岸线、红树林湿地、滩涂湿地等关键地物类别的空间边界、分布和演化特征,建立海域关键地物资源类别的提取规范和样本资料库,通过对待识别遥感影像图进行多尺度分割后,对分割成后的每个对象进行特征提取,包括光谱特征。在特征提取的基础上采用面向对象的最近邻分类方法对海域关键地物资源类别进行分类,计算待分类的识别对象与样本对象的欧氏距离,将其划分到距离最小的训练对象所属的类别当中,从而实现海域关键地物资源信息快速、高效的提取分析。
较佳的,本实施例利用图像识别技术,实现遥感提取规范、海域关键地物数据集建立、关键地物遥感影像特征分析及构建模块化软件分类器整个流程。在软件分类器中使用了关键地物的初步判断方法和关键地物的分类方法,既提高了海域关键地物识别提取的快捷性,又保障了海域关键地物识别提取的准确性。
较佳的,本实施例,通过建立海域关键地物资源类别的提取规范和样本资料库,构建海域关键地物资源类别的遥感影像分类算法,实现海域关键地物资源快速提取分析,为海域主管部门在海域资源的保护、管理、开发等方面的工作提供技术支持。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于遥感影像提取海域资源的方法,其特征在于:包括以下步骤:
步骤S1:进行海域关键地物选取并获取高分辨率遥感海域关键地物图像数据集;
步骤S2:对所述的高分辨率遥感海域关键地物图像数据集即样本图像进行分区,并制作各个区域的预测标签;
步骤S3:对步骤S2中进行分区后的各个区域进行光谱特征提取,并获得各个区域的光谱特征向量xi;
步骤S4:根据步骤S3获得的各个区域的光谱特征向量xi,构造基于K最近邻算法KNN的初始海域关键地物模块化软件分类器KNN;
步骤S5:计算所述各个区域的光谱特征向量xi与特征数据库中各个特征向量之间的欧氏距离,分别得到与各个区域距离最小的K个特征向量,依次统计出所述K个特征向量的所属类别,得到包含特征向量最多个数的类,分别将各个区域划分到所述包含最多个数的类中;
步骤S6:根据步骤S2所述样本图像的各个区域的预测标签值,从而得到海域关键地物遥感影像分类图;
步骤S7:提供待测图像,依次进行步骤S2至步骤S6的操作,从而得到待测图像的海域关键地物遥感影像分类图。
2.根据权利要求1所述的一种基于遥感影像提取海域资源的方法,其特征在于:所述选取的海域关键地物包括围填海、自然岸线、人工岸线、红树林湿地以及滩涂湿地。
3.根据权利要求1所述的一种基于遥感影像提取海域资源的方法,其特征在于:所述获取的高分辨率遥感海域关键地物图像数据集为Datam=[Data1,Data2…,Datai…,Datan],其中m表示有m种海域关键地物m=5,n表示有n个该种类海域关键遥感影像图数据,Data1表示第1个海域关键遥感影像图数据,Datai表示第i个海域关键遥感影像图数据。
4.根据权利要求1所述的一种基于遥感影像提取海域资源的方法,其特征在于:步骤S2具体为:提供一幅图像数据Datai,令其大小为M×N,其中,M表示图像宽度,N表示图像长度,对其进行不重叠分区;令分为A个区域,每块区域大小均为w×h,其中,w表示区域宽度,h表示区域长度,pi表示第i个区域;对每一个区域pi制作标签Li;若区域pi大于一半为所述海域关键地物区域,则其标签Li=1;反之,则其标签Li=0。
5.根据权利要求4所述的一种基于遥感影像提取海域资源的方法,其特征在于:步骤S3具体为:根据所述每一个区域pi,对Li=1的区域提取其光谱特征,令c为区域pi中的某一点,则该点的光谱值SV为:
其中,j为点c邻域的第j个像素点序号,j=1,...,8;领域大小设定为3×3,gj为第j个像素点的光谱值,gc为点c的光谱值;S(·)表示符号函数,符号函数具体为:
对区域pi中的所有点按照公式计算SV值,然后对区域pi中的所有点的SV值作统计直方图,将它们整合为一个256维的向量,该向量即表示pi的SV特征向量xi。
6.根据权利要求1所述的一种基于遥感影像提取海域资源的方法,其特征在于:步骤S4具体为:将每一个区域pi的特征向量xi作为KNN分类器的输入;所有区域的特征向量组成的特征数据库作为KNN分类器的输出;从而获取m种海域关键地物光谱的特征向量(x1,x2,…,xm)。
7.根据权利要求1所述的一种基于遥感影像提取海域资源的方法,其特征在于:步骤S6具体为:所述的预测标签值分别为1、2、3、4或5;若某个区域的预测标签值为1,则该区域为围填海区域;若某个区域的预测标签值为2,则该区域为自然岸线区域;若某个区域的预测标签值为3,则该区域为人工岸线区域;若某个区域的预测标签值为4,则该区域为红树林湿地区域;若某个区域的预测标签值为5,则该区域为滩涂湿地区域,最终得到海域关键地物遥感影像分类图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811632128.4A CN109740504B (zh) | 2018-12-28 | 2018-12-28 | 一种基于遥感影像提取海域资源的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811632128.4A CN109740504B (zh) | 2018-12-28 | 2018-12-28 | 一种基于遥感影像提取海域资源的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740504A true CN109740504A (zh) | 2019-05-10 |
CN109740504B CN109740504B (zh) | 2022-10-14 |
Family
ID=66362153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811632128.4A Active CN109740504B (zh) | 2018-12-28 | 2018-12-28 | 一种基于遥感影像提取海域资源的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740504B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112613426A (zh) * | 2020-12-26 | 2021-04-06 | 北京国腾联信科技有限公司 | 一种资源区域确定方法、装置、设备和存储介质 |
CN113011502A (zh) * | 2021-03-22 | 2021-06-22 | 广东海启星海洋科技有限公司 | 基于人工智能的海冰等级预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
-
2018
- 2018-12-28 CN CN201811632128.4A patent/CN109740504B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
Non-Patent Citations (1)
Title |
---|
黄超等: "遥感图像监督分类与面向对象分类法对比研究", 《农村经济与科技》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112613426A (zh) * | 2020-12-26 | 2021-04-06 | 北京国腾联信科技有限公司 | 一种资源区域确定方法、装置、设备和存储介质 |
CN113011502A (zh) * | 2021-03-22 | 2021-06-22 | 广东海启星海洋科技有限公司 | 基于人工智能的海冰等级预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109740504B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019149147A1 (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
Kavzoglu et al. | Parameter-based performance analysis of object-based image analysis using aerial and Quikbird-2 images | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
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 | |
CN104134080B (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN105608474B (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN104182763A (zh) | 一种基于花朵特征的植物种类识别系统 | |
CN108280396A (zh) | 基于深度多特征主动迁移网络的高光谱图像分类方法 | |
CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 | |
CN109325502A (zh) | 基于视频渐进区域提取的共享单车停放检测方法和系统 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN106844739A (zh) | 一种基于神经网络协同训练的遥感图像变化信息检索方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN105160351A (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN108921025A (zh) | 一种协同变化检测的对象级分类样本自动选择方法 | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
Lefebvre et al. | Monitoring the morphological transformation of Beijing old city using remote sensing texture analysis | |
Tang et al. | Integrating spectral variability and spatial distribution for object-based image analysis using curve matching approaches | |
Al-Ghrairi et al. | Classification of satellite images based on color features using remote sensing | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
Manandhar et al. | Segmentation based building detection in high resolution satellite 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 |