CN109886171B - 遥感影像地理场景的分割方法及装置 - Google Patents
遥感影像地理场景的分割方法及装置 Download PDFInfo
- Publication number
- CN109886171B CN109886171B CN201910104820.8A CN201910104820A CN109886171B CN 109886171 B CN109886171 B CN 109886171B CN 201910104820 A CN201910104820 A CN 201910104820A CN 109886171 B CN109886171 B CN 109886171B
- Authority
- CN
- China
- Prior art keywords
- geographic
- remote sensing
- sensing image
- image
- homogeneous
- 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
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种遥感影像地理场景的分割方法及装置,所述方法包括:提取目标遥感影像中每一地理对象的空间结构特征;根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。本发明实施例提供的遥感影像地理场景的分割方法及装置,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
Description
技术领域
本发明实施例涉及遥感数据处理技术领域,尤其涉及一种遥感影像地理场景的分割方法及装置。
背景技术
地理场景是指由多种地理对象联合分布构成的闭合影像单元,在每一地理场景内同类型地理对象具有相似的空间结构特征。地理场景与计算机视觉中场景概念不同,后者是指在一幅图片所包含的内容,例如“海岸”、“高山”、“乡村”、“街道”和“建筑物”。因此几乎任何一幅图片都可以被视为一个计算机视觉场景。可以发现,计算机视觉中场景概念缺乏一个明确的定义,因而无法被数学形式化表达和建模提取。所述地理场景是将地理学的空间分布理论与计算机视觉的场景进行结合。
地理场景分割技术主要应用于遥感影像中城市功能区提取,而城市功能区是城镇化建设监测、城市规划、资源分配与管理以及城市景观生态调查的基本单元,因此地理场景地图是城市调查和研究的必要支撑数据。但是地理场景地图是难以获得的,原因有二:
首先,现有的图像特征也无法支持地理场景的分割提取。常用的图像特征包括视觉特征和抽象特征,视觉特征包括颜色、几何、纹理等,抽象特征是在视觉特征基础上利用机器学习模型提取的深度学习特征或者潜在主题特征。这些特征都无法表达地理对象的空间结构特征,因此无法用于地理场景分割提取。其次,现有的图像分割技术无法分割提取大面积、高异质性的地理场景。例如,多分辨率对象分割(MRS),其本质是为了生成均质的影像对象用于表达地理对象或景观斑块,分割结果并不能代表复杂的地理场景图斑。再如,语义分割是基于像素分类技术对图像就行语义标注分割,但是每一地理场景中都包含大量不同类别的像素,因此语义分割技术不适用于地理场景分割。
因此,现有技术中的图像特征以及分割方法都不能实现地理场景分割的目的,如何实现地理场景分割,仍然是未解决的技术问题。
发明内容
本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的遥感影像地理场景的分割方法及装置。
为了解决上述技术问题,一方面,本发明实施例提供一种遥感影像地理场景的分割方法,包括:
提取目标遥感影像中每一地理对象的空间结构特征;
根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
另一方面,本发明实施例提供一种遥感影像地理场景的分割装置,包括:
特征提取模块,用于提取目标遥感影像中每一地理对象的空间结构特征;
图斑聚合模块,用于根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
地理场景生成模块,用于将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
再一方面,本发明实施例提供一种电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现上述的方法。
本发明实施例提供的遥感影像地理场景的分割方法及装置,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
附图说明
图1为本发明实施例提供的遥感影像地理场景的分割方法示意图;
图2为本发明实施例提供的多层图聚合的流程示意图;
图3为本发明实施例提供的延展算法示意图;
图4为本发明实施例提供的遥感影像地理场景的分割装置示意图;
图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的遥感影像地理场景的分割方法示意图,如图1所示,本发明实施例提供一种遥感影像地理场景的分割方法,该方法包括:
步骤S101、提取目标遥感影像中每一地理对象的空间结构特征;
步骤S102、根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
步骤S103、将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
具体来说,地理场景是空间上连续、不重叠的影像图斑,由多种不同地理对象构成且能被抽象表达为同一的功能语意,在一个地理场景内同类型地理对象具有相似的空间结构特征。地理对象简称为对象。
在获取目标遥感影像的土地覆盖分类图之后,根据土地覆盖分类图,逐个提取每一地理对象的空间结构特征,用于表达地理对象的空间结构信息,即,用于表达地理对象的距离、拓扑等空间关系。
然后,进行多层图聚合,根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑,针对每一类地理对象生成空间连续且内部均质的图斑,每一类图斑组织存储在一层上。例如,在一张遥感影像中,通过多层图聚合,可以获取裸土层、植被层、水层等均质图斑。
最后,将多层不同类别的均质图斑进行空间叠加求交,获取目标遥感影像中的地理场景单元。
本发明实施例提供的遥感影像地理场景的分割方法,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
在上述实施例的基础上,进一步地,所述提取目标遥感影像中每一地理对象的空间结构特征,具体包括:
计算不同土地覆盖类别的公共边长占目标地理对象边长的比例,作为所述目标地理对象的拓扑邻接结构特征;
计算所述目标地理对象与不相邻的各类地理对象的最小距离、平均距离和最高频方向中的至少一种,作为所述目标地理对象的拓扑分离结构特征;所述空间结构特征包括所述拓扑邻接结构特征和所述拓扑分离结构特征。
具体来说,空间结构特征包括拓扑邻接结构特征和拓扑分离结构特征。
提取目标遥感影像中每一地理对象的空间结构特征,包括提取拓扑邻接结构特征和提取拓扑分离结构特征两个步骤。
针对目标地理对象,计算不同土地覆盖类别的公共边长占该目标地理对象边长的比例,作为该目标地理对象的拓扑邻接结构特征。
计算该目标地理对象与不相邻的各类地理对象的最小距离、平均距离和最高频方向中的至少一种,作为该目标地理对象的拓扑分离结构特征。拓扑分离结构特征用于度量每个地理对象与不相邻的各类地理对象的空间关系。例如,假设考虑K类地理对象Cj(1≤j≤K),每个地理对象到每个类别的最小距离、平均距离和主要方向用于表达空间分离关系。O0到Cj的最小距离被表达为Minj,O0到Cj的平均距离为Avej,O0到Cj的最高频方向为Dirj。因此,每个地理对象的拓扑分离结构特征可以被表达为三个K维的特征向量。
本发明实施例提供的遥感影像地理场景的分割方法,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
在以上各实施例的基础上,进一步地,所述根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑,具体包括:
根据第一类地理对象的空间结构特征生成第一层均质图斑;
根据第二类地理对象的空间结构特征生成第二层均质图斑;
依次,根据不同类地理对象的空间结构特征生成不同层的均质图斑。
具体来说,在进行多层图聚合时,根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑,针对一类地理对象生成空间连续且内部均质的一层图斑。
根据第一类地理对象的空间结构特征生成第一层均质图斑。
根据第二类地理对象的空间结构特征生成第二层均质图斑。
依次,根据不同类地理对象的空间结构特征生成不同层的均质图斑。
例如,在一张遥感影像中,通过多层图聚合,根据裸土对象的空间结构特征可以生成裸土层均质图斑;根据植被对象的空间结构特征可以生成植被层均质图斑;根据水体对象的空间结构特征可以生成水层均质图斑等。
本发明实施例提供的遥感影像地理场景的分割方法,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
在以上各实施例的基础上,进一步地,根据第一类地理对象的空间结构特征生成第一层均质图斑,具体包括:
针对所述第一类地理对象,将具有相似空间结构特征的地理对象进行聚合,生成若干个对象簇;
对若干个对象簇进行延展运算,生成所述第一层均质图斑。
具体来说,图2为本发明实施例提供的多层图聚合的流程示意图,如图2所示,在获取目标遥感影像的土地覆盖分类图之后,首先进行聚合,根据土地覆盖分类结果,针对每类地理对象构建对象关系图,其中对象被表达为节点,它们的关系由无向边来表示,只有链接在一起的对象才可以被聚合。
例如,以O1和O2两个对象为例,如果这两个对象属于同一类别且O2与O1的重心距离小于20m,则这两个对象存在边链接。基于生成的关系图,聚合具有相似空间结构特征的对象。聚合算法描述如下,假设考虑合并两个对象簇OC1与OC2,合并前后OC1与OC2的特征异质度变化被视为二者的差异性的计算方法如下所示:
其中,OC3表示OC1与OC2的合并结果,和分别表示OC1、OC2和OC3的面积 和分别表示OC1、OC2和OC3的异质度,这些异质度被表达为对象簇内特征的标准差。其中,对象个体特征和空间分布特征在度量异质度时都被考虑,对象簇的异质度的计算公式如下:
其中,M表示对象个体特征的个数,N表示空间分布特征的个数。代表空间分布特征的权重,表示在OCj中对象个体特征的标准差,表示OCj中对象分布特征的标准差。是OCj中第v个对象的第i个对象特征,是OCj中第i个对象特征的平均值。同理,是OCj中第v个对象的第i个空间分布特征,是OCj中第i个空间分布特征的平均值。综上所述,通过上述公式可以计算获得如果小于一个阈值,OC1与OC2将被聚合,否则不能聚合。这个阈值称为地理场景分割尺度,是场景分割中一个重要的参数。整个聚合算法过程本质上是一个迭代过程,直到没有对象可以聚合才结束。通过聚合,每类土地覆盖对象可以生成许多对象簇,而这些对象簇空间上是分离的。
然后,再进行延展。图3为本发明实施例提供的延展算法示意图,如图3所示,对聚合生成对象簇在空间上进行延展运算。延展是在聚合的结果上进行的,通过延展,可以将对象簇进行延展至空间连续,生成空间上连续的对象簇,得到均质图斑。
Cothe是Oother的类别,是和Cothe类对象的公共边长,可以通过的空间分布特征获得。是到Oother的欧氏距离。是到Oother角度,而θ是与的夹角,其中也记录在的空间分布特征中。通过上述公式可以计算获得OC1和OC2对Oother的吸引力,通过对比二者大小,就可以决定的归属。如果那么Oother属于OC1,否则Oothe属于OC2。
本发明实施例提供的遥感影像地理场景的分割方法,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
在以上各实施例的基础上,进一步地,所述将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元,具体包括:
将多层不同类别的均质图斑进行空间叠加求交,生成对所有类别都均质且连续的图斑;
将破碎图斑与非破碎图斑进行合并,生成所述目标遥感影像中的地理场景单元。
具体来说,在聚合生成多层不同类别的均质图斑后,将多层不同类别的均质图斑进行空间叠加求交,获取目标遥感影像中的地理场景单元。具体步骤如下:
首先,空间叠加求交,将不同类别层上的均质图斑进行叠加求交,获得对于所有类别都均质且连续的图斑。
然后,对于破碎细小的图斑进行合并,合并过程考虑空间结构的相似性,将破碎图斑和邻近的、空间结构最相似的非破碎图斑进行合并,生成目标遥感影像中的地理场景单元,获得最终的地理场景分割结果。
本发明实施例提供的遥感影像地理场景的分割方法,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
在以上各实施例的基础上,进一步地,所述提取目标遥感影像中每一地理对象的空间结构特征之前,还包括:
对所述目标遥感影像进行对象分割,获取土地覆盖分类图。
具体来说,在对目标遥感影像进行场景分割之前,还需要利用对象分割方法对目标遥感影像进行对象分割,获取土地覆盖分类图。
本发明实施例提供的遥感影像地理场景的分割方法,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
在以上各实施例的基础上,进一步地,所述对所述目标遥感影像进行对象分割,获取土地覆盖分类图,具体包括:
对所述目标遥感影像进行多分辨率分割,提取表达地物的地理对象;
标注部分地理对象的土地覆盖类别作为样本;
基于所述样本对所述目标遥感影像进行分类,获取土地覆盖分类图。
具体来说,对所述目标遥感影像进行对象分割的具体步骤如下:
首先,使用多分辨率分割(MRS)技术对遥感影像进行分割,提取表达土地覆盖的影像对象。
然后,人工选取地理对象样本,并标注选取的地理对象样本的土地覆盖类别。
最后,基于地理对象样本,使用随机森林分类器对该目标遥感影像进行土地覆盖分类,获得土地覆盖分类图。
本发明实施例提供的遥感影像地理场景的分割方法,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
图4为本发明实施例提供的遥感影像地理场景的分割装置示意图,如图4所示,本发明实施例提供一种遥感影像地理场景的分割装置,用于执行上述任一实施例中所述的方法,具体包括特征提取模块401、图斑聚合模块402和地理场景生成模块403,其中:
特征提取模块401用于提取目标遥感影像中每一地理对象的空间结构特征;图斑聚合模块402用于根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;地理场景生成模块403用于将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
具体来说,地理场景是空间上连续、不重叠的影像图斑,由多种不同地理对象构成且能被抽象表达为同一的功能语意,在一个地理场景内同类型地理对象具有相似的空间结构特征。地理对象简称为对象。
在获取目标遥感影像的土地覆盖分类图之后,首先,通过特征提取模块401根据土地覆盖分类图,逐个提取每一地理对象的空间结构特征,用于表达地理对象的空间结构信息,即,用于表达地理对象的距离、拓扑等空间关系。
然后,进行多层图聚合,通过图斑聚合模块402根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑,针对每一类地理对象生成空间连续且内部均质的图斑,每一类图斑组织存储在一层上。例如,在一张遥感影像中,通过多层图聚合,可以获取裸土层、植被层、水层等均质图斑。
最后,通过地理场景生成模块403将多层不同类别的均质图斑进行空间叠加求交,获取目标遥感影像中的地理场景单元。
本发明实施例提供的遥感影像地理场景的分割装置,通过提取地理对象的空间结构特征,进行多层图聚合,实现自动的面向地理场景的遥感影像分割,有助于城市功能区建模提取及空间划分,结果可应用于城市功能区制图、城市规划、城市资源分配和管理和城市景观生态调查。
图5为本发明实施例提供的电子设备的结构示意图,如图5所示,所述设备包括:处理器(processor)501、存储器(memory)502和总线503;
其中,处理器501和存储器502通过所述总线503完成相互间的通信;
处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
提取目标遥感影像中每一地理对象的空间结构特征;
根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
提取目标遥感影像中每一地理对象的空间结构特征;
根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
提取目标遥感影像中每一地理对象的空间结构特征;
根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种遥感影像地理场景的分割方法,其特征在于,包括:
对目标遥感影像进行对象分割,获取土地覆盖分类图;
提取所述目标遥感影像中每一地理对象的空间结构特征,具体包括:计算不同土地覆盖类别的公共边长占目标地理对象边长的比例,作为所述目标地理对象的拓扑邻接结构特征;计算所述目标地理对象与不相邻的各类地理对象的最小距离、平均距离和最高频方向中的至少一种,作为所述目标地理对象的拓扑分离结构特征;所述空间结构特征包括所述拓扑邻接结构特征和所述拓扑分离结构特征;
根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
2.根据权利要求1所述的方法,其特征在于,所述根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑,具体包括:
根据第一类地理对象的空间结构特征生成第一层均质图斑;
根据第二类地理对象的空间结构特征生成第二层均质图斑;
依次,根据不同类地理对象的空间结构特征生成不同层的均质图斑。
3.根据权利要求2所述的方法,其特征在于,所述根据第一类地理对象的空间结构特征生成第一层均质图斑,具体包括:
针对所述第一类地理对象,将具有相似空间结构特征的地理对象进行聚合,生成若干个对象簇;
对若干个对象簇进行延展运算,生成所述第一层均质图斑。
4.根据权利要求1所述的方法,其特征在于,所述将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元,具体包括:
将多层不同类别的均质图斑进行空间叠加求交,生成对所有类别都均质且连续的图斑;
将破碎图斑与非破碎图斑进行合并,生成所述目标遥感影像中的地理场景单元。
5.根据权利要求1所述的方法,其特征在于,所述对所述目标遥感影像进行对象分割,获取土地覆盖分类图,具体包括:
对所述目标遥感影像进行多分辨率分割,提取表达地物的地理对象;
标注部分地理对象的土地覆盖类别作为样本;
基于所述样本对所述目标遥感影像进行分类,获取土地覆盖分类图。
6.一种遥感影像地理场景的分割装置,其特征在于,包括:
对象分割模块,用于对目标遥感影像进行对象分割,获取土地覆盖分类图;
特征提取模块,用于提取目标遥感影像中每一地理对象的空间结构特征,具体包括:计算不同土地覆盖类别的公共边长占目标地理对象边长的比例,作为所述目标地理对象的拓扑邻接结构特征;计算所述目标地理对象与不相邻的各类地理对象的最小距离、平均距离和最高频方向中的至少一种,作为所述目标地理对象的拓扑分离结构特征;所述空间结构特征包括所述拓扑邻接结构特征和所述拓扑分离结构特征;
图斑聚合模块,用于根据所有地理对象的空间结构特征聚合生成多层不同类别的均质图斑;
地理场景生成模块,用于将多层不同类别的均质图斑进行空间叠加求交,获取所述目标遥感影像中的地理场景单元。
7.一种电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910104820.8A CN109886171B (zh) | 2019-02-01 | 2019-02-01 | 遥感影像地理场景的分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910104820.8A CN109886171B (zh) | 2019-02-01 | 2019-02-01 | 遥感影像地理场景的分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886171A CN109886171A (zh) | 2019-06-14 |
CN109886171B true CN109886171B (zh) | 2021-07-23 |
Family
ID=66927789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910104820.8A Active CN109886171B (zh) | 2019-02-01 | 2019-02-01 | 遥感影像地理场景的分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886171B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184747A (zh) * | 2020-10-14 | 2021-01-05 | 北京大学 | 沙漠景观斑块分割方法及系统、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN102915531A (zh) * | 2011-08-05 | 2013-02-06 | 中国科学院地理科学与资源研究所 | 一种面向遥感影像分割的影像对象合并方法 |
CN103390271A (zh) * | 2013-06-27 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 遥感影像分割方法及装置 |
CN104463168A (zh) * | 2014-11-25 | 2015-03-25 | 中国科学院地理科学与资源研究所 | 一种基于遥感影像的空废宅基地信息自动提取方法 |
CN105809177A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 执行遥感影像分类的方法 |
US9619703B2 (en) * | 2015-04-10 | 2017-04-11 | Tata Consultancy Services Limited | Method and system for geo-demographic classification of a geographical region |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
CN108764193B (zh) * | 2018-06-04 | 2022-02-01 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
-
2019
- 2019-02-01 CN CN201910104820.8A patent/CN109886171B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN102915531A (zh) * | 2011-08-05 | 2013-02-06 | 中国科学院地理科学与资源研究所 | 一种面向遥感影像分割的影像对象合并方法 |
CN103390271A (zh) * | 2013-06-27 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 遥感影像分割方法及装置 |
CN104463168A (zh) * | 2014-11-25 | 2015-03-25 | 中国科学院地理科学与资源研究所 | 一种基于遥感影像的空废宅基地信息自动提取方法 |
CN105809177A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 执行遥感影像分类的方法 |
US9619703B2 (en) * | 2015-04-10 | 2017-04-11 | Tata Consultancy Services Limited | Method and system for geo-demographic classification of a geographical region |
Non-Patent Citations (1)
Title |
---|
基于土地变更调查专题信息的数据叠加分析系统;贾宁 等;《山东工业技术》;20181231;第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109886171A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845621B (zh) | 基于深度卷积神经网络的密集人群人数计数方法及系统 | |
CN108389251B (zh) | 基于融合多视角特征的投影全卷积网络三维模型分割方法 | |
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
CN111723654B (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
Le Goff et al. | Deep learning for cloud detection | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
CN109741293A (zh) | 显著性检测方法及装置 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN108846334A (zh) | 一种云类别自动识别方法及系统 | |
CN107003834B (zh) | 行人检测设备和方法 | |
CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
CN108564588A (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
CN104408733A (zh) | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 | |
CN107909079A (zh) | 一种协同显著性检测方法 | |
Gleason et al. | A fusion approach for tree crown delineation from lidar data. | |
Lu et al. | Using multi-level fusion of local features for land-use scene classification with high spatial resolution images in urban coastal zones | |
CN109685806A (zh) | 图像显著性检测方法及装置 | |
CN107358640A (zh) | 一种晕渲目标区域的地形和地物的方法及装置 | |
Zimudzi et al. | Segmenting mangrove ecosystems drone images using SLIC superpixels | |
Zhang et al. | Transland: An adversarial transfer learning approach for migratable urban land usage classification using remote sensing | |
CN109886171B (zh) | 遥感影像地理场景的分割方法及装置 |
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 |