CN110084205A - 一种基于改进的面向对象高分辨率遥感影像分类方法 - Google Patents
一种基于改进的面向对象高分辨率遥感影像分类方法 Download PDFInfo
- Publication number
- CN110084205A CN110084205A CN201910359652.7A CN201910359652A CN110084205A CN 110084205 A CN110084205 A CN 110084205A CN 201910359652 A CN201910359652 A CN 201910359652A CN 110084205 A CN110084205 A CN 110084205A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- region
- super
- point
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2163—Partitioning the feature space
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于改进的面向对象高分辨率遥感影像分类方法,首先利用SLIC超像素分割算法对图像进行初始分割;初始分割结果会产生过分割,所以对初始分割图像进行区域融合,解决过分割问题,但区域融合后的图像会出现局部欠分割现象,故针对局部欠分割区域进行二次分割,得到新的分割图像,可以解决分割过程的过分割和欠分割现象,从而提高图像的分割和图像分类精度。
Description
技术领域
本发明属图像处理技术领域,特别涉及一种基于改进的面向对象高分辨率遥感影像分类方法。
背景技术
随着面向对象思想在高分辨率遥感图像处理中的应用,该方法不断的发展创新,逐渐成为遥感图像分类的必然选择,且近些年,国内外专家学者对高分辨率遥感图像分类不断提出新的思想和算法。因此,面向对象的高分辨率遥感图像分类方法已经逐步取代基于像素的遥感图像分类方法,在图像分类领域取得令人瞩目的成果。随着传感技术的发展和卫星的更新,遥感图像广泛应用在各个领域,不仅仅应用在国防建设上,在土地测绘、环境监测、抢险救灾、城市规划等国民经济方面也越来越普及。
图像分割与分类、目标识别与提取是高空间分辨率遥感图像应用的核心和基础,也是从高分辨率遥感图像数据中提取有效信息从而为各个行业提供服务的关键环节。图像分割与分类的质量好坏对后续处理流程的精度有直接的影响。由于高空间分辨率遥感图像中包含了大量的地表特征,图像中同一类地物所包含的内部细节特征会更加丰富,具体表现为类内方差变大,同类地物呈现出很大的光谱异质性,不同地物的光谱相互重叠,这给传统的基于像素的光谱分类方法造成了较大的困难,导致其很难得到满意的结果。因此,为了克服这些困难,提高分类的精度,面向对象的图像分析方法被一些学者提出,并已取得广泛的应用。面向对象的图像分析方法与传统的基于像素的分析方法相比,存在以下三点优势
(1)基于对象的分析方法将提取信息的范围从一个小像素扩大到了包含多个像素的多边形对象,不仅可以使用光谱特征,还能够使用更多其他方面的特征来描述图像对象,包括形状(紧致度,光滑度、长宽比、长度、宽度、面积等)、纹理(灰度共生矩阵、粗糙度、对称性等)等,并且能够根据对象的邻接信息进行语义层面的表达,从而更加准确的对图像对象进行描述,获得更好的分类结果。
(2)地理空间中的各种地物目标由于其光谱、空间等特征的不同,在遥感图像上形成大小不同、明暗差异的图斑,其特性的表达也有定的尺度范围。基于像素的分析方法相当于在与像素分班率对应的空间尺度上:分析问题,只能在同一分辨率层次上对所有像素进行处理。要准确表达地物对应的图像特征,独立的像素已不适合作为识别的基本单位,只有对具有相同特征的像素的集合进行识别才具有意义。基于对象的分析方法通过对所建立对象尺度大小的控制,可以建立不同尺度的分析层次,在每一层次上分别定义上下文关系特征和相邻关系特征,为目标的识别和提取提供更多的特征。而基于像素的方法较多考虑图像数据的统计分析特征,不足以表达地理空间实体的多尺度、层次性等空间关系和空间模式特征。
(3)基于对象的方法获得的成果比基于像素的方法在实际操作中更容易与地理信息系统集成。
因为有以上优点,所以基于对象的图像分析已被作为地理信息科学的一个分支开展研究。不少学者已经提出了各种基于对象的图像分类方法,支持向量机的分类方法、基于随机森林的分类方法、基于深度学习的分类方法等。
传统的基于面向对象的高分辨率遥感影像分类方法是先分割,然后特征提取,最后进行分类,所以分割结果决定分类精度。常见的分割算法都会产生过分割和欠分割,图像欠分割会造成错误分类从而降低图像分类的精度。图像过分割会导致计算量增加,而常见的图像处理方式往往为了减少欠分割问题把图像做过分割的处理,虽然减少欠分割,但是过分割现象增加,大大增加图像计算量,导致运算速度增加。
发明内容
为解决上述技术问题,本发明提供一种基于改进的面向对象高分辨率遥感影像分类方法,本次发明可以解决分割过程的过分割和欠分割现象。不仅可以提高分割精度,还可以提高分类精度和运算速度。
根据本发明的实施例,本发明提供了一种基于改进的面向对象高分辨率遥感影像分类方法,该方法包括:
S1、对于给定的高分辨率遥感图像生成场景子图像集合,建立场景训练样本;
S2、从所述训练图像集中提取多特征,组成特征向量;
S3、将所述特征向量输入到SVM分类器中进行分类模型的训练,得到分类模型,对待分类图像使用SLIC超像素分割算法,生成初始分割结果,得到K个超像素;
S4、对所述初始分割结果进行区域合并,利用区域邻接图RAG算法对所述初始分割结果进行区域融合,并更新超像素标签,获得区域合并后的分割图像;
S5、对所述获得区域合并后的分割图像进行局部再分割;
S6、对图像的局部再分割结果进行多特征提取,组成特征向量,最后通过SVM分类器对图像进行分类。
优选的,所述步骤S2中提取的多特征包括提取HOG特征和纹理特征,其中,所述HOG特征的提取过程为,首先将图像灰度化,并对图像进行会归一化,然后将图像分成小的细胞单元连通区域,然后采集细胞单元中各像素点的梯度或边缘的方向直方图,最后把这些直方图组合起来就可以构成特征描述器;
所述纹理特征的提取过程为,由灰度共生矩阵导出许多纹理特征,计算出14种灰度共生矩阵特征统计量,对图像上的每一像元求出某种邻域的灰度共生矩阵,再由该灰度共生矩阵求出各统计量,从而得到对应纹理图像的统计量。
优选的,所述步骤S4、对所述初始分割结果进行区域合并,利用区域邻接图RAG算法对所述初始分割结果进行区域融合,并更新超像素标签,获得区域合并后的分割图像,具体包括,K个区域的RAG,表示为G=(V,E),其中顶点集V=1,2...,K对应的边集合每个顶点节点代表一个区域,边表示和邻近区域相连,边权重就是两个区域之间的相似度;用两个邻近区域的均值的距离来衡量相似性,距离越小越相似,不相邻的区域直接令相似度为无穷大,将区域的个数的信息作为权重来调整相似度,所有边集合中找到最相似的边,融合最相似边对应的两个区域顶点,得到新的顶点和集合,并且更新超像素标签;
其中,所述区域是指初始分割后,属于同一标记的像素集合,所述相似度是用来判断两个邻近区域是否应该融合。
优选的,所述相似度通过如下公式计算得到:
其中,表示测试图像的M个区域集合,是第k个区域的样本集,||R||表示集合的基数,是每部分的均值,Y(pk,i)表示测试图像的第看个区域的第i个样本。
优选的,所述步骤S5、对所述获得区域合并后的分割图像进行局部再分割,具体包括,
S5.1、在区域合并后的分割图像中,对于任意一超像素点(x,y)及偏离它的一点(x±e,y±e)构成像素点对,设超像素点(x,y)的超像素标签为f1,像素点(x±e,y±e)的超像素标签为f2,判断f1与f2是否相等,若f1与f2不相等,则标记p,每找到一对不相等的f1与f2,则p=p+1;若p>1,则该超像素点(x,y)作为目标超像素点,其中,f1、f2、e为整数,p初始为0;
S5.2、以目标超像素点为中心的2e*2e区域内,进行局部分割,同时保存该点空间信息;
S5.3、计算Ci=[li,ai,bi,xi,yi]T的五维欧式距离,l,a,b分别表示图像颜色特征,x,y分别表示图像空间特征,并对不同特征进行归一化;
S5.4、把目标超像素点作为初始种子点,在该点的2e*2e区域内计算像素点梯度,分别与目标超像素点的梯度进行比较,取梯度值最小的点,并记录其l,a,b,x,y信息作为新的种子点梯度最小位置,
其中梯度G(x,y)=dx+dy
dx=(l(x-1)-l(x+1))*(l(x-1)-l(x+1))+(a(x-1)-a(x+1))*(a(x-1)-a(x+1))+(b(x-1)-b(x+1))*(b(x-1)-b(x+1));
dy=(l(y-1)-l(y+1))*(l(y-1)-l(y+1))+(a(y-1)-a(y+1))*(a(y-1)-a(y+1))+(b(y-1)-b(y+1))*(b(y-1)-b(y+1));
S5.5、在2e*2e区域内,对每一个像素i,计算新种子点和i的距离,判断在该区域内所有的距离,找到最小值,并更新标签和距离,重复迭代10次;
S5.6、遍历整幅图像所有超像素,每找到一个目标超像素点,判断该点是否在上一个局部分割分割区域内(x±2e,y±2e),若不在上次的分割区域内,则进行局部分割,避免重复分割,得到最终的分割图像。
其中,dc是分割区域中某一点与种子点的颜色距离,ds分割区域中某一点与种子点的空间距离,D表示分割区域某一点与种子点的归一化综合距离,m是常数,这里取值30。
本发明中,首先利用SLIC超像素分割算法对图像进行初始分割;初始分割结果会产生过分割,所以对初始分割图像进行区域融合,解决过分割问题,但区域融合后的图像会出现局部欠分割现象,故针对局部欠分割区域进行二次分割,得到新的分割图像,可以解决分割过程的过分割和欠分割现象,从而提高图像的分割和图像分类精度。
附图说明
图1为本发明提出的基于改进的面向对象高分辨率遥感影像分类方法流程图;
图2为本发明提出的基于改进的面向对象高分辨率遥感影像分类方法框架图;
具体实施方式
以下结合附图对本发明的具体实施方式作出详细说明。
根据本发明的实施例,如图1所示,本发明提供一种基于改进的面向对象高分辨率遥感影像分类方法,该方法包括了如下步骤:
S1、对于给定的高分辨率遥感图像生成场景子图像集合,建立场景训练样本;
S2、从所述训练图像集中提取多特征,组成特征向量;
在该步骤中,提取的多特征包括提取HOG特征和纹理特征,其中,所述HOG特征的提取过程为,首先将图像灰度化,并对图像进行会归一化,然后将图像分成小的细胞单元连通区域,然后采集细胞单元中各像素点的梯度或边缘的方向直方图,最后把这些直方图组合起来就可以构成特征描述器;
所述纹理特征的提取过程为,由灰度共生矩阵导出许多纹理特征,计算出14种灰度共生矩阵特征统计量,对图像上的每一像元求出某种邻域的灰度共生矩阵,再由该灰度共生矩阵求出各统计量,从而得到对应纹理图像的统计量。
S3、将所述特征向量输入到SVM分类器中进行分类模型的训练,得到分类模型,对待分类图像使用SLIC超像素分割算法,生成初始分割结果,得到K个超像素;
S4、对所述初始分割结果进行区域合并,利用区域邻接图RAG算法对所述初始分割结果进行区域融合,并更新超像素标签,获得区域合并后的分割图像;
1)、相似度用来判断两个邻近区域是不是应该融合,区域就是初始分割后,属于同一标记的像素集合。
2)、K个区域的RAG,表示为G=(V,E),其中顶点集V=1,2...,K对应的边集合每个顶点节点代表一个区域,边表示和邻近区域相连,边权重就是两个区域之间的相似度,
3)、用两个邻近区域的均值的距离来衡量相似性,距离越小越相似,不相邻的区域我们直接令相似度为无穷大,但是不同区域的个数不同,对于较小的区域我们倾向于将它和近邻融合,因而我们将区域的个数的信息作为权重来调整相似度。
因此相似度的计算方式定义如下:
其中,表示测试图像的M个区域集合,是第k个区域的样本集,||R||表示集合的基数,是每部分的均值,Y(pk,i)表示测试图像的第看个区域的第i个样本。
所有边集合中找到最相似的边,融合最相似边对应的两个区域顶点,得到新的顶点和集合,并且更新超像素标签;
S5、对所述获得区域合并后的分割图像进行局部再分割;
S5.1、在区域合并后的分割图像中,对于任意一超像素点(x,y)及偏离它的一点(x±e,y±e)构成像素点对,设超像素点(x,y)的超像素标签为f1,像素点(x±e,y±e)的超像素标签为f2,判断f1与f2是否相等,若f1与f2不相等,则标记p,每找到一对不相等的f1与f2,则p=p+1;若p>1,则该超像素点(x,y)作为目标超像素点,其中,f1、f2、e为整数,p初始为0;
S5.2、以目标超像素点为中心的2e*2e区域内,进行局部分割,同时保存该点空间信息;
S5.3、计算Ci=[li,ai,bi,xi,yi]T的五维欧式距离,l,a,b分别表示图像颜色特征,x,y分别表示图像空间特征,并对不同特征进行归一化;
S5.4、把目标超像素点作为初始种子点,在该点的2e*2e区域内计算像素点梯度,分别与目标超像素点的梯度进行比较,取梯度值最小的点,并记录其l,a,b,x,y信息作为新的种子点梯度最小位置,
其中梯度G(x,y)=dx+dy
dx=(l(x-1)-l(x+1))*(l(x-1)-l(x+1))+(a(x-1)-a(x+1))*(a(x-1)-a(x+1))+(b(x-1)-b(x+1))*(b(x-1)-b(x+1));
dy=(l(y-1)-l(y+1))*(l(y-1)-l(y+1))+(a(y-1)-a(y+1))*(a(y-1)-a(y+1))+(b(y-1)-b(y+1))*(b(y-1)-b(y+1));
S5.5、在2e*2e区域内,对每一个像素i,计算新种子点和i的距离,判断在该区域内所有的距离,找到最小值,并更新标签和距离,重复迭代10次;
S5.6、遍历整幅图像所有超像素,每找到一个目标超像素点,判断该点是否在上一个局部分割分割区域内(x±2e,y±2e),若不在上次的分割区域内,则进行局部分割,避免重复分割,得到最终的分割图像。其中,dc是分割区域中某一点与种子点的颜色距离,ds分割区域中某一点与种子点的空间距离,D表示分割区域某一点与种子点的归一化综合距离,m是常数,这里取值30。
S6、对图像的局部再分割结果进行多特征提取,组成特征向量,最后通过SVM分类器对图像进行分类。
通过以上步骤,就实现了面向对象高分辨率遥感影像的分类。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (5)
1.一种基于改进的面向对象高分辨率遥感影像分类方法,其特征在于,所述方法包括如下步骤:
S1、对于给定的高分辨率遥感图像生成场景子图像集合,建立场景训练样本;
S2、从所述训练图像集中提取多特征,组成特征向量;
S3、将所述特征向量输入到SVM分类器中进行分类模型的训练,得到分类模型,对待分类图像使用SLIC超像素分割算法,生成初始分割结果,得到K个超像素;
S4、对所述初始分割结果进行区域合并,利用区域邻接图RAG算法对所述初始分割结果进行区域融合,并更新超像素标签,获得区域合并后的分割图像;
S5、对所述获得区域合并后的分割图像进行局部再分割;
S6、对图像的局部再分割结果进行多特征提取,组成特征向量,最后通过SVM分类器对图像进行分类。
2.根据权利要求1所述的基于改进的面向对象高分辨率遥感影像分类方法,其特征在于,所述步骤S2中提取的多特征包括提取HOG特征和纹理特征,其中,所述HOG特征的提取过程为,首先将图像灰度化,并对图像进行会归一化,然后将图像分成小的细胞单元连通区域,然后采集细胞单元中各像素点的梯度或边缘的方向直方图,最后把这些直方图组合起来就可以构成特征描述器;
所述纹理特征的提取过程为,由灰度共生矩阵导出许多纹理特征,计算出14种灰度共生矩阵特征统计量,对图像上的每一像元求出某种邻域的灰度共生矩阵,再由该灰度共生矩阵求出各统计量,从而得到对应纹理图像的统计量。
3.根据权利要求2所述的基于改进的面向对象高分辨率遥感影像分类方法,其特征在于,所述步骤S4、对所述初始分割结果进行区域合并,利用区域邻接图RAG算法对所述初始分割结果进行区域融合,并更新超像素标签,获得区域合并后的分割图像,具体包括,K个区域的RAG,表示为G=(V,E),其中顶点集V=1,2...,K对应的边集合每个顶点节点代表一个区域,边表示和邻近区域相连,边权重就是两个区域之间的相似度;用两个邻近区域的均值的距离来衡量相似性,距离越小越相似,不相邻的区域直接令相似度为无穷大,将区域的个数的信息作为权重来调整相似度,所有边集合中找到最相似的边,融合最相似边对应的两个区域顶点,得到新的顶点和集合,并且更新超像素标签;
其中,所述区域是指初始分割后,属于同一标记的像素集合,所述相似度是用来判断两个邻近区域是否应该融合。
4.根据权利要求3所述的基于改进的面向对象高分辨率遥感影像分类方法,其特征在于,所述相似度通过如下公式计算得到:
其中,表示测试图像的M个区域集合,是第k个区域的样本集,||R||表示集合的基数,是每部分的均值,Y(pk,i)表示测试图像的第看个区域的第i个样本。
5.根据权利要求1所述的基于改进的面向对象高分辨率遥感影像分类方法,其特征在于,所述步骤S5、对所述获得区域合并后的分割图像进行局部再分割,具体包括,
S5.1、在区域合并后的分割图像中,对于任意一超像素点(x,y)及偏离它的一点(x±e,y±e)构成像素点对,设超像素点(x,y)的超像素标签为f1,像素点(x±e,y±e)的超像素标签为f2,判断f1与f2是否相等,若f1与f2不相等,则标记p,每找到一对不相等的f1与f2,则p=p+1;若p>1,则该超像素点(x,y)作为目标超像素点,其中,f1、f2、e为整数,p初始为0;
S5.2、以目标超像素点为中心的2e*2e区域内,进行局部分割,同时保存该点空间信息;
S5.3、计算Ci=[li,ai,bi,xi,yi]T的五维欧式距离,l,a,b分别表示图像颜色特征,x,y分别表示图像空间特征,并对不同特征进行归一化;
S5.4、把目标超像素点作为初始种子点,在该点的2e*2e区域内计算像素点梯度,分别与目标超像素点的梯度进行比较,取梯度值最小的点,并记录其l,a,b,x,y信息作为新的种子点梯度最小位置,
其中梯度G(x,y)=dx+dy
dx=(l(x-1)-l(x+1))*(l(x-1)-l(x+1))+(a(x-1)-a(x+1))*(a(x-1)-a(x+1))+(b(x-1)-b(x+1))*(b(x-1)-b(x+1));
dy=(l(y-1)-l(y+1))*(l(y-1)-l(y+1))+(a(y-1)-a(y+1))*(a(y-1)-a(y+1))+(b(y-1)-b(y+1))*(b(y-1)-b(y+1));
S5.5、在2e*2e区域内,对每一个像素i,计算新种子点和i的距离,判断在该区域内所有的距离,找到最小值,并更新标签和距离,重复迭代10次;
S5.6、遍历整幅图像所有超像素,每找到一个目标超像素点,判断该点是否在上一个局部分割分割区域内(x±2e,y±2e),若不在上次的分割区域内,则进行局部分割,避免重复分割,得到最终的分割图像;
其中,dc是分割区域中某一点与种子点的颜色距离,ds分割区域中某一点与种子点的空间距离,D表示分割区域某一点与种子点的归一化综合距离,m是常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359652.7A CN110084205A (zh) | 2019-04-30 | 2019-04-30 | 一种基于改进的面向对象高分辨率遥感影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359652.7A CN110084205A (zh) | 2019-04-30 | 2019-04-30 | 一种基于改进的面向对象高分辨率遥感影像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084205A true CN110084205A (zh) | 2019-08-02 |
Family
ID=67417981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359652.7A Pending CN110084205A (zh) | 2019-04-30 | 2019-04-30 | 一种基于改进的面向对象高分辨率遥感影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084205A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796176A (zh) * | 2019-10-09 | 2020-02-14 | 武汉大学 | 一种基于像素对和加权投票的高分辨率影像分类方法和系统 |
CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
CN111507902A (zh) * | 2020-04-15 | 2020-08-07 | 京东城市(北京)数字科技有限公司 | 一种高分辨率图像获取方法及装置 |
CN111611921A (zh) * | 2020-05-21 | 2020-09-01 | 佛山市高明曦逻科技有限公司 | 一种基于遥感大数据的太阳能板识别系统 |
CN112215186A (zh) * | 2020-10-21 | 2021-01-12 | 深圳市赛为智能股份有限公司 | 沼泽湿地植被分类方法、装置、计算机设备及存储介质 |
CN112883960A (zh) * | 2021-01-25 | 2021-06-01 | 济南浪潮高新科技投资发展有限公司 | 一种海水养殖区域提取方法及装置 |
CN113344947A (zh) * | 2021-06-01 | 2021-09-03 | 电子科技大学 | 一种超像素聚合分割方法 |
CN113487578A (zh) * | 2021-07-15 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 一种基于双边加权核图割的sar图像变化检测方法 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
Citations (7)
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 |
CN106056139A (zh) * | 2016-05-26 | 2016-10-26 | 东华大学 | 一种基于图像分割的森林火灾烟雾检测方法 |
CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107092930A (zh) * | 2017-04-21 | 2017-08-25 | 中国科学院遥感与数字地球研究所 | 一种将数字规划地图(dlg)数据用于高分辨率遥感图像地表覆盖分类的方法 |
CN108830869A (zh) * | 2018-05-11 | 2018-11-16 | 西安电子科技大学 | 基于超像素的遥感图像并行分割方法 |
US20190057532A1 (en) * | 2017-08-17 | 2019-02-21 | Adobe Systems Incorporated | Realistic augmentation of images and videos with graphics |
-
2019
- 2019-04-30 CN CN201910359652.7A patent/CN110084205A/zh active Pending
Patent Citations (7)
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 |
CN106056139A (zh) * | 2016-05-26 | 2016-10-26 | 东华大学 | 一种基于图像分割的森林火灾烟雾检测方法 |
CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107092930A (zh) * | 2017-04-21 | 2017-08-25 | 中国科学院遥感与数字地球研究所 | 一种将数字规划地图(dlg)数据用于高分辨率遥感图像地表覆盖分类的方法 |
US20190057532A1 (en) * | 2017-08-17 | 2019-02-21 | Adobe Systems Incorporated | Realistic augmentation of images and videos with graphics |
CN108830869A (zh) * | 2018-05-11 | 2018-11-16 | 西安电子科技大学 | 基于超像素的遥感图像并行分割方法 |
Non-Patent Citations (1)
Title |
---|
K. HARIS;S.N. EFSTRATIADIS;N. MAGLAVERAS;A.K. KATSAGGELOS: "《Hybrid image segmentation using watersheds and fast region merging》", 《IMAGE PROCESSING》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796176B (zh) * | 2019-10-09 | 2022-12-16 | 武汉大学 | 一种基于像素对和加权投票的高分辨率影像分类方法和系统 |
CN110796176A (zh) * | 2019-10-09 | 2020-02-14 | 武汉大学 | 一种基于像素对和加权投票的高分辨率影像分类方法和系统 |
CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
CN111507902A (zh) * | 2020-04-15 | 2020-08-07 | 京东城市(北京)数字科技有限公司 | 一种高分辨率图像获取方法及装置 |
CN111507902B (zh) * | 2020-04-15 | 2023-09-26 | 京东城市(北京)数字科技有限公司 | 一种高分辨率图像获取方法及装置 |
CN111611921A (zh) * | 2020-05-21 | 2020-09-01 | 佛山市高明曦逻科技有限公司 | 一种基于遥感大数据的太阳能板识别系统 |
CN111611921B (zh) * | 2020-05-21 | 2021-05-14 | 苏州科知律信息科技有限公司 | 一种基于遥感大数据的太阳能板识别系统 |
CN112215186A (zh) * | 2020-10-21 | 2021-01-12 | 深圳市赛为智能股份有限公司 | 沼泽湿地植被分类方法、装置、计算机设备及存储介质 |
CN112215186B (zh) * | 2020-10-21 | 2024-04-05 | 深圳市赛为智能股份有限公司 | 沼泽湿地植被分类方法、装置、计算机设备及存储介质 |
CN112883960B (zh) * | 2021-01-25 | 2022-08-26 | 山东浪潮科学研究院有限公司 | 一种海水养殖区域提取方法及装置 |
CN112883960A (zh) * | 2021-01-25 | 2021-06-01 | 济南浪潮高新科技投资发展有限公司 | 一种海水养殖区域提取方法及装置 |
CN113344947B (zh) * | 2021-06-01 | 2022-05-10 | 电子科技大学 | 一种超像素聚合分割方法 |
CN113344947A (zh) * | 2021-06-01 | 2021-09-03 | 电子科技大学 | 一种超像素聚合分割方法 |
CN113487578A (zh) * | 2021-07-15 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 一种基于双边加权核图割的sar图像变化检测方法 |
CN113487578B (zh) * | 2021-07-15 | 2024-04-19 | 南京中科智慧应急研究院有限公司 | 一种基于双边加权核图割的sar图像变化检测方法 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084205A (zh) | 一种基于改进的面向对象高分辨率遥感影像分类方法 | |
Darwish et al. | Image segmentation for the purpose of object-based classification | |
Ge et al. | Enhanced subpixel mapping with spatial distribution patterns of geographical objects | |
JP4870363B2 (ja) | 複数のフォアグランド平面を有する高圧縮画像データファイルの生成装置、方法及びプログラムを記憶した記憶媒体 | |
CN111047695B (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN109697475A (zh) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 | |
CN106056118A (zh) | 一种用于细胞的识别计数方法 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及系统 | |
CN110111338A (zh) | 一种基于超像素时空显著性分割的视觉跟踪方法 | |
CN112070769A (zh) | 一种基于dbscan的分层点云分割方法 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN110263794B (zh) | 基于数据增强的目标识别模型的训练方法 | |
CN110246141A (zh) | 一种基于联合角点池化的复杂交通场景下车辆图像分割方法 | |
CN110084782A (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
Shen et al. | A simplification of urban buildings to preserve geometric properties using superpixel segmentation | |
CN102129576B (zh) | 全天空极光图像占空比参数的提取方法 | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
Kumar et al. | A hybrid cluster technique for improving the efficiency of colour image segmentation | |
CN103106402B (zh) | 一种基于重建的车牌汉字识别方法 | |
Zhong et al. | Multi-scale segmentation of the high resolution remote sensing image | |
CN111241916A (zh) | 一种交通标志识别模型的建立方法 | |
CN110276270A (zh) | 一种高分辨率遥感影像建筑区提取方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190802 |
|
WD01 | Invention patent application deemed withdrawn after publication |