CN110008924A - 一种面向高光谱影像中地物的半监督自动标记方法与装置 - Google Patents
一种面向高光谱影像中地物的半监督自动标记方法与装置 Download PDFInfo
- Publication number
- CN110008924A CN110008924A CN201910297181.1A CN201910297181A CN110008924A CN 110008924 A CN110008924 A CN 110008924A CN 201910297181 A CN201910297181 A CN 201910297181A CN 110008924 A CN110008924 A CN 110008924A
- Authority
- CN
- China
- Prior art keywords
- data
- atural object
- hyperspectral imaging
- supervised
- semi
- 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
- G06V20/188—Vegetation
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种面向高光谱影像中互花米草的半监督自动标记方法。本发明的面向高光谱影像中互花米草的半监督自动标记方法,在对18个波段108维数据进行降维的基础上,采用基于局部密度的快速聚类算法进行无监督聚类,进而与已标记互花米草数据集进行匹配,从而实现该类数据全部自动标记,实现对互花米草的自动标记。本发明实施例还提供一种面向高光谱影像中互花米草的半监督自动标记装置。本发明实施例提供的技术方案能够准确有效地实现对互花米草的识别与标记。
Description
技术领域
本发明涉及一种半监督自动标记方法,特别涉及一种面向高光谱影像数据的半监督自动标记方法与装置。
背景技术
地物识别与标记通常通过实地考察后,人眼识别光学相机或者高光谱成像的图片进行判断,人工识别之后进行人工标记,这种方式效率低、成本高,且存在无法实地考察的区域,很难满足区域性大范围地物识别的需要。因此,如何自动识别与标记高光谱影像中的地物是值得研究的热点问题。
针对高维、复杂的高光谱影像数据,传统的研究主要是采用主成分分析这种基本的线性降维方法,通过线性变换寻找一组最优的线性组合来重构原样本,降低原始高光谱影像波段相关性数据,在一定程度上提高了高光谱影像数据地物识别与标记精度,但是这样的线性变换使得原始高光谱图像中小目标地物容易被忽略掉,并且在高光谱影像数据中存在大量非线性关系数据;相关学者采用基于局部线性嵌入的非线性降维方法对高光谱影像数据进行降维,利用高光谱数据集的局部几何结构来揭示其内在的流形结构,从而发现内在的主要变量进行降维,然而流形降维算法仅仅从数据本身的几何结构出发处理数据,没有兼顾到高光谱影像数据集的物理特征。
针对高光谱影像中地物分类问题,传统的分类方式采用决策树、支持向量机等有监督分类方法,虽然分类效果良好,但是有监督分类方法需要大量带有标记的样本,而有标记样本的实地获取是一项消耗大量人力、物力和财力的事情;有些学者采用直推式支持向量机进行分类,通过少量的有标签样本训练出一个决策边界,利用无标签数据来调整边界,但是损失函数的非凸性会导致局部的最优。
针对高光谱影像中地物标记问题,有些学者使用一种结合地物空间地理位置与决策树的地物识别分类方法,需要大量带标记地物样本数量,结合大量的人工分析、识别与人工标记工作,并且相关地理区域粗线条标记,未在高光谱影像上达到像素级别的地物精确标记。
针对以上问题,本发明所针对高光谱影像数据采用t-SNE降维算法,既保留了原始高光谱影像数据的全部特征,又能提取出高光谱影像数据中主要变量特征。对降维后的无标记数据采用基于局部密度的无监督快速聚类算法进行自动聚类,不需要决策边界,减少了大量的人工样本标签获取工作、人工分析工作,通过MATLAB矩阵转换运算将聚类结果映射到原始高光谱影像的像素点坐标,减少了大量的人力工作,实现地物像素级别自动标记,提高地物标记精度。
总而言之,基于上述研究所存在的问题,本发明针对包含少量标记数据的CHRIS卫星高光谱影像数据,提出了一种面向高光谱影像数据的半监督自动标记方法。本发明采用t-SNE降维算法将原始高维、复杂高光谱影像数据进行降维特征融合之后,采用无监督聚类算法—基于局部密度的快速聚类算法对高光谱影像数据进行自动聚类,进而利用已标记地物数据与各类数据进行匹配,调整聚类参数以修正分类的准确性,通过MATLAB矩阵转换运算将聚类结果映射到高光谱影像的像素点坐标,实现地物像素级别自动标记,减少了大量人工分析与标记工作,提高了识别精度和效率。
发明内容
为了解决现有技术问题,本发明提供了一种面向高光谱影像数据的半监督自动标记方法,本发明的面向高光谱影像数据的半监督自动标记方法,针对已包含少量地物标记的18个波段108维数据,通过数据降维进行特征融合之后,采用无监督聚类将各地物进行初步分类,进而利用已标记地物数据与各类数据进行匹配,调整聚类参数以修正分类的准确性,对最终的分类结果进行MATLAB矩阵转换运算,映射到光谱图像的像素点坐标,实现对各类地物的自动标记。
本发明所采用的技术方案如下:
一种面向高光谱影像数据的半监督自动标记方法,包括以下步骤:
A、在CHRIS卫星采集的黄河口高光谱影像数据中,每种地物的特征反映在18个波段108维数据中,采用t-SNE降维算法将108维数据降为2维,用2维数据融合了108维数据所反映的地物特征。
B、采用无监督聚类算法--基于局部密度的快速聚类算法,对降维后的2维数据进行自动聚类,将具有相同特征的数据聚为一类,包含多种地物的黄河口数据聚为多类。
C、将每一类数据与已标记数据进行匹配。若每个地物的已标记数据不属于同一类,则重新设置聚类参数,继续聚类直到每一地物的已标记数据在聚类结果的同一类中。
D、将包含每一类已标记地物的数据,通过MATLAB矩阵转换运算找到该类数据对应黄河口图像像素坐标,对每一类地物进行全部自动标记。
步骤B中,所述的多类数据是指:通过无监督快速聚类算法将CHRIS高光谱影像数据自动划分成差异性较大的几类数据集,此时多类数据可能属于同一地物,可能一类数据由多种地物数据构成。
步骤C中,所述的调整聚类参数是指:调整最短距离参数与最小点个数参数大小。
步骤D中,所述的MATLAB矩阵运算是指:将mat矩阵数据还原成CHRIS高光谱影像。
另一方面,本发明提供了一种面向高光谱影像数据的半监督自动标记装置,包括以下模块:
CHRIS高光谱影像数据降维模块:在CHRIS卫星采集的黄河口高光谱影像数据中,每种地物的特征反映在18个波段108维数据中,采用t-SNE降维算法对108维数据进行降维,将CHRIS黄河口数据降为2维,用2维数据融合了108维数据所反映的地物特征。
多类数据获取模块:采用无监督聚类算法--基于局部密度的快速聚类算法,对降维后的2维数据进行自动聚类,将具有相同特征的数据聚为一类,包含多种地物的黄河口数据聚为多类。
已标记数据类别匹配模块:将每一类数据与已标记数据进行匹配。若每个地物的已标记数据不属于同一类,则重新设置聚类参数,调整最短距离参数与最小点个数参数大小,继续聚类直到每一地物的已标记数据在聚类结果的同一类中。
地物数据自动标记模块:将包含每一类已标记地物的数据,通过MATLAB矩阵转换运算,即将mat矩阵数据还原成CHRIS高光谱影像,找到该类数据对应黄河口图像像素坐标,对每一类地物进行全部自动标记。
本发明提供的技术方案以及面向高光谱影像数据的半监督自动标记装置带来的有益效果是:
本发明的面向高光谱影像数据的半监督自动标记方法,针对已包含少量地物标记的18个波段108维数据,通过数据降维进行特征融合之后,采用无监督聚类将各地物进行初步分类,进而利用已标记地物数据与各类数据进行匹配,调整聚类参数以修正分类的准确性,对最终的分类结果进行MATLAB矩阵转换运算,映射到光谱影像的像素点坐标,实现对各类地物的自动标记。
附图说明
为了更清楚的说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种面向互花米草的半监督自动标记算法执行流程图。
图2为本发明一实施例提供的面向互花米草的半监督自动标记装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本实施例的基础在于,由于获取的2016年CHRIS卫星采集的黄河口高光谱影像数据混有互花米草、芦苇等其他植物,已人工标记少量的互花米草、芦苇,标记数据占总数据量7.9%。为了自动标记其中所有的互花米草。因此,采用t-SNE降维算法对CHRIS高光谱数据降维,对降维后的数据采用基于局部密度的快速聚类算法进行无监督快速聚类,将已标记数据与分类后的数据进行匹配,若已标记数据不在同一类中,则重新设置聚类参数,继续聚类直到已标记数据在聚类结果的同一类中。将该类数据全部自动标记,实现对互花米草的自动标记,2维数据是指:融合了18个波段108维数据对不同地物所反映的特征。在此基础上形成2维数据。
在已经获得的2维数据的基础上,采用无监督聚类算法--基于局部密度的快速聚类算法,对该2维数据进行自动聚类,将具有相同特征的数据聚为一类,包含多种地物的黄河口数据聚为多类。
将获得的每一类数据与已标记互花米草数据进行匹配。若已标记互花米草数据不属于同一类,则重新设置聚类参数,调整最短距离参数与最小点个数参数大小,继续聚类直到已标记互花米草数据在聚类结果的同一类中。
将包含已标记互花米草数据的那一类数据,通过MATLAB矩阵转换运算找到该类数据对应黄河口影像像素坐标,进行全部自动标记,实现对互花米草的自动标记。
Claims (5)
1.一种面向高光谱影像中地物的半监督自动标记方法,包括以下步骤:
A、在CHRIS卫星采集的黄河口高光谱影像数据中,每种地物的特征反映在18个波段108维数据中,采用t-SNE降维算法将108维数据降为2维,用2维数据融合了108维数据所反映的地物特征。
B、采用无监督聚类算法--基于局部密度的快速聚类算法,对降维后的2维数据进行自动聚类,将具有相同特征的数据聚为一类,包含多种地物的黄河口数据聚为多类。
C、将每一类数据与已标记数据进行匹配。若每个地物的已标记数据不属于同一类,则重新设置聚类参数,继续聚类直到每一地物的已标记数据在聚类结果的同一类中。
D、将包含每一类已标记地物的数据,通过MATLAB矩阵转换运算找到该类数据对应黄河口图像像素坐标,对每一类地物进行全部自动标记。
2.根据权利要求1所述的一种面向高光谱影像中地物的半监督自动标记方法,其特征在于,所述的步骤B中,所述的多类数据是指:通过无监督快速聚类算法将CHRIS高光谱影像数据自动划分成差异性较大的几类数据集,此时多类数据可能属于同一地物,可能一类数据由多种地物数据构成。
3.根据权利要求1所述的一种面向高光谱影像中地物的半监督自动标记方法,其特征在于,所述的步骤C中,所述的调整聚类参数是指:调整最短距离参数与最小点个数参数大小。
4.根据权利要求1所述的一种面向高光谱影像中地物的半监督自动标记方法,其特征在于,所述的步骤D中,所述的MATLAB矩阵运算是指:将mat矩阵数据还原成CHRIS高光谱图像。
5.一种面向高光谱影像中地物的半监督自动标记装置,包括以下模块:
CHRIS高光谱影像数据降维模块:在CHRIS卫星采集的黄河口高光谱影像数据中,每种地物的特征反映在18个波段108维数据中,采用t-SNE降维算法对108维数据进行降维,将CHRIS黄河口数据降为2维,用2维数据融合了108维数据所反映的地物特征。
多类数据获取模块:采用无监督聚类算法--基于局部密度的快速聚类算法,对降维后的2维数据进行自动聚类,将具有相同特征的数据聚为一类,包含多种地物的黄河口数据聚为多类。
已标记数据类别匹配模块:将每一类数据与已标记数据进行匹配。若每个地物的已标记数据不属于同一类,则重新设置聚类参数,调整最短距离参数与最小点个数参数大小,继续聚类直到每一地物的已标记数据在聚类结果的同一类中。
地物数据自动标记模块:将包含每一类已标记地物的数据,通过MATLAB矩阵转换运算,即将mat矩阵数据还原成CHRIS高光谱影像,找到该类数据对应黄河口图像像素坐标,对每一类地物进行全部自动标记。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297181.1A CN110008924A (zh) | 2019-04-15 | 2019-04-15 | 一种面向高光谱影像中地物的半监督自动标记方法与装置 |
US16/743,579 US10984238B2 (en) | 2019-04-15 | 2020-01-15 | Semi-supervised automatic marking method and device for ground-object in hyperspectral image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297181.1A CN110008924A (zh) | 2019-04-15 | 2019-04-15 | 一种面向高光谱影像中地物的半监督自动标记方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110008924A true CN110008924A (zh) | 2019-07-12 |
Family
ID=67171689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910297181.1A Pending CN110008924A (zh) | 2019-04-15 | 2019-04-15 | 一种面向高光谱影像中地物的半监督自动标记方法与装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10984238B2 (zh) |
CN (1) | CN110008924A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408616A (zh) * | 2021-06-18 | 2021-09-17 | 北京航空航天大学 | 基于pca-uve-elm的光谱分类方法 |
CN115035411A (zh) * | 2022-06-17 | 2022-09-09 | 宁波大学 | 一种基于高光谱数据的互花米草指数构建与提取方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128608B (zh) * | 2021-02-26 | 2023-02-03 | 山东大学 | 一种基于5g和图嵌入优化的tsvm模型自优化与预测方法、设备及存储介质 |
CN113378956B (zh) * | 2021-06-23 | 2023-11-24 | 北京化工大学 | 一种基于二级松弛聚类的设备退化数据便捷标注方法 |
CN113392815B (zh) * | 2021-08-16 | 2021-11-02 | 中国科学院空天信息创新研究院 | 一种基于多波段图像地物分类的决策融合方法 |
CN117409313B (zh) * | 2023-09-20 | 2024-05-10 | 宁波大学 | 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN105469118A (zh) * | 2015-12-04 | 2016-04-06 | 浙江鸿程计算机系统有限公司 | 基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法 |
JP2016091359A (ja) * | 2014-11-06 | 2016-05-23 | 株式会社リコー | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
CN107491734A (zh) * | 2017-07-19 | 2017-12-19 | 苏州闻捷传感技术有限公司 | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 |
CN107644235A (zh) * | 2017-10-24 | 2018-01-30 | 广西师范大学 | 基于半监督学习的图像自动标注方法 |
CN107944454A (zh) * | 2017-11-08 | 2018-04-20 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种针对变电站的基于机器学习的语义标注方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9078619B2 (en) * | 2004-12-28 | 2015-07-14 | Hypermed Imaging, Inc. | Hyperspectral/multispectral imaging in determination, assessment and monitoring of systemic physiology and shock |
US7479967B2 (en) * | 2005-04-11 | 2009-01-20 | Systems Technology Inc. | System for combining virtual and real-time environments |
US8310554B2 (en) * | 2005-09-20 | 2012-11-13 | Sri International | Method and apparatus for performing coordinated multi-PTZ camera tracking |
WO2008031088A2 (en) * | 2006-09-08 | 2008-03-13 | Advanced Fuel Research, Inc. | Image analysis by object addition and recovery |
US9001226B1 (en) * | 2012-12-04 | 2015-04-07 | Lytro, Inc. | Capturing and relighting images using multiple devices |
JP6186726B2 (ja) * | 2013-01-07 | 2017-08-30 | 株式会社リコー | Pwm信号生成回路、プリンタ、及びpwm信号生成方法 |
-
2019
- 2019-04-15 CN CN201910297181.1A patent/CN110008924A/zh active Pending
-
2020
- 2020-01-15 US US16/743,579 patent/US10984238B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
JP2016091359A (ja) * | 2014-11-06 | 2016-05-23 | 株式会社リコー | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
CN105469118A (zh) * | 2015-12-04 | 2016-04-06 | 浙江鸿程计算机系统有限公司 | 基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法 |
CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
CN107491734A (zh) * | 2017-07-19 | 2017-12-19 | 苏州闻捷传感技术有限公司 | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 |
CN107644235A (zh) * | 2017-10-24 | 2018-01-30 | 广西师范大学 | 基于半监督学习的图像自动标注方法 |
CN107944454A (zh) * | 2017-11-08 | 2018-04-20 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种针对变电站的基于机器学习的语义标注方法 |
Non-Patent Citations (3)
Title |
---|
姜美羡: "基于密度的半监督聚类算法研究", 《现代计算机(专业版)》 * |
明道士: "matlab avi视频文件与mat文件 互相转换https://blog.csdn.net/qq_38676868/article/details/84146351", 《CSDN》 * |
谢中华: "《MATLAB统计分析与应用 40个案例分析》", 31 May 2015, 北京:北京航空航天大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408616A (zh) * | 2021-06-18 | 2021-09-17 | 北京航空航天大学 | 基于pca-uve-elm的光谱分类方法 |
CN113408616B (zh) * | 2021-06-18 | 2024-03-26 | 北京航空航天大学 | 基于pca-uve-elm的光谱分类方法 |
CN115035411A (zh) * | 2022-06-17 | 2022-09-09 | 宁波大学 | 一种基于高光谱数据的互花米草指数构建与提取方法 |
Also Published As
Publication number | Publication date |
---|---|
US10984238B2 (en) | 2021-04-20 |
US20200327325A1 (en) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008924A (zh) | 一种面向高光谱影像中地物的半监督自动标记方法与装置 | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN110378909A (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
CN109840553A (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
CN112560623B (zh) | 一种基于无人机的红树植物种类快速识别方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
US20230162496A1 (en) | System and method for assessing pixels of satellite images of agriculture land parcel using ai | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
CN114519823A (zh) | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 | |
CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
Xia et al. | Submesoscale oceanic eddy detection in SAR images using context and edge association network | |
CN116977960A (zh) | 一种基于实例分割的水稻秧苗行检测方法 | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
NO20211116A1 (en) | Method and system for delineating agricultural fields in satellite images | |
CN103617417A (zh) | 植物自动识别方法和系统 | |
Araya et al. | A comparison of pixel and object-based land cover classification: a case study of the Asmara region, Eritrea | |
Kadethankar et al. | Deep learning based detection of rhinoceros beetle infestation in coconut trees using drone imagery | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
CN114463642A (zh) | 一种基于深度学习的耕地地块提取方法 | |
CN115060202A (zh) | 一种基于无人机机载多光谱仪的绿潮藻面积监测方法 | |
Li et al. | Image recognition and empirical application of desert plant species based on convolutional neural network |
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 |
Application publication date: 20190712 |
|
WD01 | Invention patent application deemed withdrawn after publication |