CN110210300A - 一种融合多光谱图像空-谱信息的城建亚像元定位方法 - Google Patents

一种融合多光谱图像空-谱信息的城建亚像元定位方法 Download PDF

Info

Publication number
CN110210300A
CN110210300A CN201910342714.3A CN201910342714A CN110210300A CN 110210300 A CN110210300 A CN 110210300A CN 201910342714 A CN201910342714 A CN 201910342714A CN 110210300 A CN110210300 A CN 110210300A
Authority
CN
China
Prior art keywords
sub
pixel
urban
information
spectral
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
Application number
CN201910342714.3A
Other languages
English (en)
Other versions
CN110210300B (zh
Inventor
王鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Beijing Institute of Surveying and Mapping
Original Assignee
Nanjing University of Aeronautics and Astronautics
Beijing Institute of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics, Beijing Institute of Surveying and Mapping filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910342714.3A priority Critical patent/CN110210300B/zh
Publication of CN110210300A publication Critical patent/CN110210300A/zh
Application granted granted Critical
Publication of CN110210300B publication Critical patent/CN110210300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/13—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
    • G06V20/176—Urban or other man-made structures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种融合多光谱图像空‑谱信息的城建亚像元定位方法，包括如下步骤：（1）利用空间引力模型获得具有城市建筑空间信息的空间项；（2）利用归一化差异城建指数，构建具有光谱信息的光谱项；（3）借助粒子群优化算法将具有空间信息的空间项和具有光谱信息的光谱项进行优化整合获得具有空－谱信息的空‑谱项，并将建筑类别标签分配给指定的属于建筑类别的亚像元，获得最终的亚像元定位结果。本发明旨在建立有效的针对城市建筑的亚像元定位模型，在不需要先验形状信息的前提下，实现亚像定位技术的创新，为遥感图像的广泛应用提供技术支持。

Description

一种融合多光谱图像空-谱信息的城建亚像元定位方法
技术领域
本发明涉及一种融合多光谱图像空-谱信息的城建亚像元定位方法，属于遥感信息处理技术领域。
背景技术
在军事战争中，对敌方的目标建筑物进行高空打击是一种常用的作战手段。对于目标建筑物进行军事打击，就需要对目标建筑物进行准确的定位。机载和卫星的多光谱遥感图像是获取目标建筑物区域的重要数据之一。然而恶劣的战争环境使得获得的多光谱遥感图像空间分辨率粗糙并产生大量混合像元，这些混合像元给准确定位目标建筑物带来很大困难。光谱解混作为处理混合像元的重要技术虽然可以提供混合像元内各个地物目标的比例信息，但各个地物目标具体的空间分布情况无法确定。亚像元定位，也称为超分辨率制图，作为光谱解混的后续处理技术可以很好地解决这一问题。亚像元定位技术是通过一定的比例尺度S将每个混合像元细分成S2个亚像元并估计出各亚像元的地物类别，实现了从低分辨率的丰度图像转变成高分辨率的地物目标定位图像的过程。
亚像元定位技术已经成功应用于土地覆盖制图、湖泊海岸边界提取、景观指数计算和变化检测等多方面。常见的亚像元定位方法有Hopfield神经网络、空间引力算法、Back-propagation神经网络，和一些基于合适的超分辨率重构技术的算法。此外，由于亚像元定位是一个病态逆问题，内在的不确定性严重限制了亚像元定位的性能。因此在近年的研究中，亚像元定位方法可以结合多种类型的辅助数据来降低这些不确定性，改善最终目标的定位结果，例如来自同一场景的多位移图像、LIDAR数据、融合图像、高程模型等。来自多光谱图像的目标建筑定位数据不但对于观测城市变化和人口监测有着重要的意义，而且在军事行动对于目标建筑进行打击也是一种重要的参考数据。然而由于外界因素的影响，如环境污染、传感器等硬件设备的限制，使得有时产生的多光谱图像分辨率很粗糙，产生的大量混合像元给城市建筑的定位带来很大困难。现有的城市建筑亚像元定位模型往往需要获得先验形状信息，然而这种信息有时很难获得，也不适用于描述远距离星载多光谱遥感图像中不规则形状的城区建筑。此外，现有的模型没有充分利用多光谱图像的空-谱信息，特别是来自多光谱图像中城市建筑的光谱信息。因此如何建立更加有效的针对建筑物的亚像元定位模型，进一步充分利用多光谱图像提供的空-谱信息，提高城市建筑物定位精度，是一个非常值得研究的基础科学问题，具有较大的军事业务需求和应用前景。
发明内容
本发明所要解决的技术问题是：提供一种融合多光谱图像空-谱信息的城建亚像元定位方法，建立更加有效的针对建筑物的亚像元定位模型，进一步充分利用多光谱图像提供的空-谱信息，提高城市建筑物定位精度。
本发明为解决上述技术问题采用以下技术方案：
一种融合多光谱图像空-谱信息的城建亚像元定位方法，包括如下步骤：
步骤1，将原始多光谱遥感图像通过光谱解混获得具有混合像元属于每个类别比例信息的丰度图像，在比例尺度S下将每个混合像元分解为S2个亚像元，采用空间引力算法区分丰度图像上的城市建筑和非城市建筑，获得具有城市建筑空间信息的空间项；
步骤2，对于原始多光谱遥感图像，采用归一化差异城建指数，构建具有城市建筑光谱信息的光谱项；
步骤3，采用粒子群优化算法将具有城市建筑空间信息的空间项和具有城市建筑光谱信息的光谱项进行优化整合，获得具有空-谱信息的空-谱项，并将建筑类别标签分配给属于建筑类别的亚像元，获得最终的亚像元定位结果。
作为本发明的一种优选方案，所述步骤1的具体过程如下：
将原始多光谱遥感图像通过光谱解混获得具有混合像元属于每个类别比例信息的丰度图像，在比例尺度S下将每个混合像元分解为S2个亚像元，采用空间引力算法区分丰度图像中的城市建筑和非城市建筑，最终在每个亚像元的空间引力值最大化的条件下获得具有城市建筑空间信息的空间项TSPA：
其中，M是混合像元的数量，oj是第j个亚像元pj的二进制标签，F(PC)是第C个相邻混合像元PC属于建筑的概率值，N是相邻混合像元的数目，wjC表示当pj作为中心亚像元时，pj和相邻混合像元PC之间的相关性。
作为本发明的一种优选方案，所述wjC的计算公式为：
wjC＝exp(-d(pj,PC)2/r)
其中，wjC表示当pj作为中心亚像元时，pj和相邻混合像元PC之间的相关性，r是非线性参数，d(pj,PC)是中心亚像元pj和相邻混合像元PC之间的欧式距离。
作为本发明的一种优选方案，所述步骤2的具体过程如下：
具有城市建筑光谱信息的光谱项TSPE的构建原则是使观测的归一化差异城建指数NDBIOBE和城市建筑区域模拟的归一化差异城建指数NDBISIM之间的差异最小化：
TSPE＝Min(NDBIOBE-NDBISIM)2
且
其中，M是混合像元的数量，分别表示A、B波段中第m个混合像元的观测反射比；
其中，分别表示A、B波段中第m个混合像元的模拟反射率。
作为本发明的一种优选方案，步骤3所述优化整合的计算公式为：
Min T＝δTSPE-(1-δ)TSPA
其中，TSPE表示具有城市建筑光谱信息的光谱项，TSPA表示具有城市建筑空间信息的空间项，δ是权重参数。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明的方法建立更加有效的针对建筑物的亚像元定位模型，进一步充分利用多光谱图像提供的空-谱信息，提高城市建筑物定位精度。
附图说明
图1是本发明融合多光谱图像空-谱信息的城建亚像元定位方法的流程图。
图2(a)是Rome Landsat8 OLI多光谱遥感图像数据集的评价参考图像示意图。
图2(b)是Rome Landsat8 OLI多光谱遥感图像数据集的基于像元交换算法的亚像元定位结果示意图。
图2(c)是Rome Landsat8 OLI多高光谱遥感图像数据集的基于混合空间引力模型的亚像元定位结果示意图。
图2(d)是Rome Landsat8 OLI多高光谱遥感图像数据集的基于各向异性空间相关模型的Hopfield神经网络模型的亚像元定位结果示意图。
图2(e)是Rome Landsat8 OLI多高光谱遥感图像数据集的基于融合多光谱遥感图像空-谱信息的亚像元定位结果示意图。
图3(a)是Ulysses Landsat8 OLI多光谱遥感图像数据集的评价参考图像示意图。
图3(b)是Ulysses Landsat8 OLI多光谱遥感图像数据集的基于像元交换算法的亚像元定位结果示意图。
图3(c)是Ulysses Landsat8 OLI多高光谱遥感图像数据集的基于混合空间引力模型的亚像元定位结果示意图。
图3(d)是Ulysses Landsat8 OLI多高光谱遥感图像数据集的基于各向异性空间相关模型的Hopfield神经网络模型的亚像元定位结果示意图。
图3(e)是Ulysses Landsat8 OLI多高光谱遥感图像数据集的基于融合多光谱遥感图像空-谱信息的亚像元定位结果示意图。
图4是在比例尺度S下，本发明方法与其他三种方法的建筑定位精度(％)示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提出的一种融合多光谱图像空-谱信息的城建亚像元定位方法(Subpixelmapping for urban building by using spatial-spectral information frommultispectral remote sensing image，SMUB)的方法实现框图如图1所示，包括如下步骤：
(1)利用空间引力模型(Spatial attraction model)获得具有城市建筑空间信息的空间项。原始粗糙多光谱图像通过光谱解混获得具有混合像元属于每个类别比例信息的丰度图像。在比例尺度S下每个混合像元将会被分解为S2个亚像元，空间引力算法用于计算每个亚像元和相邻的混合像元之间的空间引力值Hi。为了更好的将空间引力算法应用于城市建筑亚像元定位中，将空间引力算法进行改进，使其能更好地区分城市建筑和非城市建筑，最终在每个亚像元的空间引力值最大化的条件下获得具有空间信息的空间项TSPA。
其中F(PC)是第C个相邻混合像元PC属于建筑物的概率值。N是相邻混合像元的数目，这里最多考虑八个相邻混合像元。oj是每个亚像元的二进制标签(1表示建筑物标签，0表示背景标签)。wjC用于计算中心亚像元pj和相邻混合像元PC之间的相关性。
wjC＝exp(-d(pj,PC)2/r) (2)
其中r是非线性参数，d(pj,PC)是中心亚像元pj和相邻混合像元PC之间的欧式距离。
(2)利用归一化差异城建指数(Normalized Difference Built-up Index，NDBI)，构建具有光谱信息的光谱项。光谱项具体为：为了能够更加充分地应用多光谱图像的光谱信息，特别是多光谱图像中城市建筑的光谱信息，本项目利用NDBI计算光谱项TSPE。光谱项的构建原则是最大限度地减少观测的NDBIOBE数值和城市建筑区域模拟的NDBISIM数值之间的差异。可以用以下公式表示：
其中，和是两个波段中每个混合像元的观测反射比，M是混合像元的数量。
通过计算A波段各混合像元oA的模拟反射率和B波段各混合像元oB的模拟反射率，得到了模拟结果NDBISIM：
每个混合像元的模拟反射率被认为是其内所有亚像元光谱的线性混合。公式(5)和(6)分别给出了和的数学模型。
其中，和为A、B波段城市建筑的反射率，和分别为两个波段背景区域的反射率。并且和是两个波段中每个混合像素的建筑物比例，它们是通过将建筑物亚像元数除以总亚像元数得出的。背景面积的比例由和给出。
因此，光谱项TSPE公式如下：
TSPE＝Min(NDBIOBE-NDBISIM)2 (7)
(3)借助粒子群优化算法将具有空间信息的空间项和具有光谱信息的光谱项进行优化整合获得具有空－谱信息的空-谱项，并将建筑类别标签分配给指定的属于建筑类别的亚像元，获得最终的亚像元定位结果，整合方法具体为：包含空-谱信息的空-谱项T可以通过公式(8)整合获得。参数δ作为一个权重参数用来平衡空间项TSPA和光谱项TSPE对于公式(8)的影响。如果权重参数δ太大，则来自光谱项的光谱信息不能充分被利用；反之，如果权重参数δ太小，则来自光谱项的光谱信息将占主导作用，最终产生的亚像元定位结果可能不会包含丰富的自空间项的空间信息，因此选择合适的权重参数δ对于最终获得理想的亚像元定位结果是十分重要的。本项目将利用粒子群优化算法优化所提出的模型，并将。粒子群优化算法包含三个处理步骤。首先，我们将城市建筑标签或背景标签随机分配给每个亚像元。所有亚像元的标签都会反复更新，直到达到最小值。背景标签在每次迭代中转换为城市建筑标签，反之亦然。如果空-光谱项T增加，这种转换将被拒绝。如果减少，则接受此转换。当转换的标签少于0.1％时，处理将终止。
Min T＝δTSPE-(1-δ)TSPA (8)
图2(a)-图2(e)为Rome Landsat8 OLI多光谱遥感图像数据集的亚像元定位结果。其中：图2(a)评价参考图像，图2(b)基于像元交换算法的亚像元定位方法(Pixel-swappingalgorithm，PSA)，图2(c)基于混合空间引力模型的亚像元定位方法(Hybrid SpatialAttraction Model，HSAM)，图2(d)基于各向异性空间相关模型的Hopfield神经网络亚像元定位方法(Hopefield neural network with anisotropic spatial dependence model，HNNA)，图2(e)基于融合多光谱遥感图像空-谱信息的亚像元定位(SMUB)。
图3(a)-图3(e)为Ulysses Landsat8 OLI多光谱遥感图像数据集的亚像元定位结果。其中：图3(a)评价参考图像，图3(b)基于像元交换算法的亚像元定位方法(Pixel-swapping algorithm，PSA)，图3(c)基于混合空间引力模型的亚像元定位方法(HybridSpatial Attraction Model，HSAM)，图3(d)基于各向异性空间相关模型的Hopfield神经网络亚像元定位方法(Hopefield neural network with anisotropic spatial dependencemodel，HNNA)，图3(e)基于融合多光谱遥感图像空-谱信息的亚像元定位(SMUB)。
我们通过将本发明提出方法应用到两组不同的多光谱图像来证明所提出方法的高效性。为了进行定量评估，对原始精细的遥感图像进行下采样以产生模拟低分辨率图像，第一组图像降采样比例和放大比例取S＝5，为了测试方法在不同比例尺度下的性能，第二组图像降采样比例和放大比例取S＝2、S＝5和S＝8。因为在下采样的情况下，亚像素元的土地覆盖类是已知的，因此便于直接评估图像配准误差对技术的影响。利用每个类别定位精度和总体精度评价(percentage of correctly classified，PCC)定量评价。
第一组试验中，目标为Rome Landsat8 OLI多光谱遥感图像数据集，图2(b)-图2(e)是对低分辨率高光谱图像的亚像元定位结果，从图中可以看出，SMUB方法的结果最接近参考图像，效果更佳。表1为第一组实验中各种方法的每个类别的定位精度和总体精度评价PCC，进一步验证了所提出的方法在上的亚像元定位优势。
表1第一组实验各种方法的数据分析结果(％)
PSA HSAM HNNA SMUB
建筑 82.69 83.11 83.78 85.13
背景 79.77 80.29 80.95 81.57
PCC 80.94 81.41 81.95 83.54
第二组实验选取一幅来自Ulysses Landsat8 OLI多光谱遥感图像。图3(b)-图3(e)展示了四种方法的亚像元定位结果。图4为在三种比例尺度下四种方法的建筑定位精度(％)。与第一组实验结论相似，所提出的方法SMUB仍然在亚像元定位方法中存在明显优势。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种融合多光谱图像空-谱信息的城建亚像元定位方法，其特征在于，包括如下步骤：
步骤1，将原始多光谱遥感图像通过光谱解混获得具有混合像元属于每个类别比例信息的丰度图像，在比例尺度S下将每个混合像元分解为S2个亚像元，采用空间引力算法区分丰度图像上的城市建筑和非城市建筑，获得具有城市建筑空间信息的空间项；
步骤2，对于原始多光谱遥感图像，采用归一化差异城建指数，构建具有城市建筑光谱信息的光谱项；
步骤3，采用粒子群优化算法将具有城市建筑空间信息的空间项和具有城市建筑光谱信息的光谱项进行优化整合，获得具有空-谱信息的空-谱项，并将建筑类别标签分配给属于建筑类别的亚像元，获得最终的亚像元定位结果。
2.根据权利要求1所述融合多光谱图像空-谱信息的城建亚像元定位方法，其特征在于，所述步骤1的具体过程如下：
将原始多光谱遥感图像通过光谱解混获得具有混合像元属于每个类别比例信息的丰度图像，在比例尺度S下将每个混合像元分解为S2个亚像元，采用空间引力算法区分丰度图像中的城市建筑和非城市建筑，最终在每个亚像元的空间引力值最大化的条件下获得具有城市建筑空间信息的空间项TSPA：
其中，M是混合像元的数量，oj是第j个亚像元pj的二进制标签，F(PC)是第C个相邻混合像元PC属于建筑的概率值，N是相邻混合像元的数目，wjC表示当pj作为中心亚像元时，pj和相邻混合像元PC之间的相关性。
3.根据权利要求2所述融合多光谱图像空-谱信息的城建亚像元定位方法，其特征在于，所述wjC的计算公式为：
wjC＝exp(-d(pj,PC)2/r)
其中，wjC表示当pj作为中心亚像元时，pj和相邻混合像元PC之间的相关性，r是非线性参数，d(pj,PC)是中心亚像元pj和相邻混合像元PC之间的欧式距离。
4.根据权利要求1所述融合多光谱图像空-谱信息的城建亚像元定位方法，其特征在于，所述步骤2的具体过程如下：
具有城市建筑光谱信息的光谱项TSPE的构建原则是使观测的归一化差异城建指数NDBIOBE和城市建筑区域模拟的归一化差异城建指数NDBISIM之间的差异最小化：
TSPE＝Min(NDBIOBE-NDBISIM)2
且
其中，M是混合像元的数量，分别表示A、B波段中第m个混合像元的观测反射比；
其中，分别表示A、B波段中第m个混合像元的模拟反射率。
5.根据权利要求1所述融合多光谱图像空-谱信息的城建亚像元定位方法，其特征在于，步骤3所述优化整合的计算公式为：
Min T＝δTSPE-(1-δ)TSPA
其中，TSPE表示具有城市建筑光谱信息的光谱项，TSPA表示具有城市建筑空间信息的空间项，δ是权重参数。
CN201910342714.3A 2019-04-26 2019-04-26 一种融合多光谱图像空-谱信息的城建亚像元定位方法 Active CN110210300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910342714.3A CN110210300B (zh) 2019-04-26 2019-04-26 一种融合多光谱图像空-谱信息的城建亚像元定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910342714.3A CN110210300B (zh) 2019-04-26 2019-04-26 一种融合多光谱图像空-谱信息的城建亚像元定位方法

Publications (2)

Publication Number Publication Date
CN110210300A true CN110210300A (zh) 2019-09-06
CN110210300B CN110210300B (zh) 2023-05-26

Family

ID=67786467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910342714.3A Active CN110210300B (zh) 2019-04-26 2019-04-26 一种融合多光谱图像空-谱信息的城建亚像元定位方法

Country Status (1)

Country Link
CN (1) CN110210300B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192007A (zh) * 2021-04-07 2021-07-30 青岛地质工程勘察院(青岛地质勘查开发局) 一种多尺度信息融合的地热异常区提取方法
CN113222948A (zh) * 2021-05-19 2021-08-06 大连海事大学 基于多尺度多特征的高光谱图像亚像元定位方法
CN113624691A (zh) * 2020-05-07 2021-11-09 南京航空航天大学 一种基于空间-光谱相关性的光谱图像超分辨率映射方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298711A (zh) * 2011-06-21 2011-12-28 哈尔滨工程大学 一种空间引力描述下的高光谱图像亚像元定位方法
CN107239782A (zh) * 2017-05-09 2017-10-10 广州地理研究所 基于亚像元定位的遥感影像水体提取方法
CN109492527A (zh) * 2018-09-28 2019-03-19 南京航空航天大学 一种基于全色锐化技术的遥感图像亚像元定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298711A (zh) * 2011-06-21 2011-12-28 哈尔滨工程大学 一种空间引力描述下的高光谱图像亚像元定位方法
CN107239782A (zh) * 2017-05-09 2017-10-10 广州地理研究所 基于亚像元定位的遥感影像水体提取方法
CN109492527A (zh) * 2018-09-28 2019-03-19 南京航空航天大学 一种基于全色锐化技术的遥感图像亚像元定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王鹏等: "一种新型基于插值的高光谱图像亚像元定位算法", 《黑龙江大学自然科学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113624691A (zh) * 2020-05-07 2021-11-09 南京航空航天大学 一种基于空间-光谱相关性的光谱图像超分辨率映射方法
CN113192007A (zh) * 2021-04-07 2021-07-30 青岛地质工程勘察院(青岛地质勘查开发局) 一种多尺度信息融合的地热异常区提取方法
CN113192007B (zh) * 2021-04-07 2022-01-21 青岛地质工程勘察院(青岛地质勘查开发局) 一种多尺度信息融合的地热异常区提取方法
CN113222948A (zh) * 2021-05-19 2021-08-06 大连海事大学 基于多尺度多特征的高光谱图像亚像元定位方法
CN113222948B (zh) * 2021-05-19 2024-04-05 大连海事大学 基于多尺度多特征的高光谱图像亚像元定位方法

Also Published As

Publication number Publication date
CN110210300B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN108537192B (zh) 一种基于全卷积网络的遥感影像地表覆盖分类方法
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
Zhang et al. A new sub-pixel mapping algorithm based on a BP neural network with an observation model
Liu et al. Deep multiview union learning network for multisource image classification
CN110070518B (zh) 一种基于双路径支持下的高光谱图像超分辨率制图方法
CN110210300A (zh) 一种融合多光谱图像空-谱信息的城建亚像元定位方法
Nivedita Priyadarshini et al. A comparative study of advanced land use/land cover classification algorithms using Sentinel-2 data
CN110956187A (zh) 一种基于集成学习的无人机影像植物冠层信息提取方法
CN112949414B (zh) 一种宽视域高分六号卫星影像地表水体智能制图方法
CN113705580A (zh) 基于深度迁移学习的高光谱图像分类方法
Merugu et al. Sub-scene target detection and recognition using deep learning convolution neural networks
CN111191704B (zh) 一种基于任务图卷积网络的地基云分类方法
Kumar et al. A comparative evaluation of deep convolutional neural network and deep neural network-based land use/land cover classifications of mining regions using fused multi-sensor satellite data
Purri et al. Material segmentation of multi-view satellite imagery
CN113779863A (zh) 一种基于数据挖掘的地表温度降尺度方法
CN111680667A (zh) 一种基于深度神经网络的遥感图像地物分类方法
Gupta et al. Damage Evaluation Following Natural Disasters Using Deep Learning
Yang et al. Extraction of land covers from remote sensing images based on a deep learning model of NDVI-RSU-Net
Sui et al. Processing of multitemporal data and change detection
CN116665091A (zh) 一种智慧交通场景下的实时多摄像头视频分析方法
CN113624691B (zh) 一种基于空间-光谱相关性的光谱图像超分辨率映射方法
Yamashkin et al. Classification of Metageosystems by Ensembles of Machine Learning Models
Kuter et al. Estimation of subpixel snow-covered area by nonparametric regression splines
CN109785305B (zh) 一种端元可变的高光谱图像光谱混合分析方法及装置
Wang et al. Sub-pixel mapping of spectral imagery based on deviation information measurement

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