CN110298883A - 一种基于扩展随机游走算法的遥感图像亚像元定位方法 - Google Patents
一种基于扩展随机游走算法的遥感图像亚像元定位方法 Download PDFInfo
- Publication number
- CN110298883A CN110298883A CN201910392198.5A CN201910392198A CN110298883A CN 110298883 A CN110298883 A CN 110298883A CN 201910392198 A CN201910392198 A CN 201910392198A CN 110298883 A CN110298883 A CN 110298883A
- Authority
- CN
- China
- Prior art keywords
- sub
- target object
- pixed mapping
- remote sensing
- sensing images
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005295 random walk Methods 0.000 title claims abstract description 21
- 230000004807 localization Effects 0.000 title claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000001788 irregular Effects 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 10
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009977 dual effect Effects 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 238000002156 mixing Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 241001614291 Anoplistes Species 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于扩展随机游走算法的遥感图像亚像元定位方法,包括如下步骤:(1)通过双立方插值对原始粗糙遥感图像进行处理,然后对处理后的遥感图像进行光谱解混,获得亚像元属于每个类别的比例,同时利用主成分分成提取处理后遥感图像的第一主成分,通过自适应分割算法分割第一主成分,生成不规则的目标对象;(2)利用扩展随机行走算法计算目标对象属于每个类别的比例,进而获得目标对象空间相关性;(3)采用基于目标单元的类分配方法得到最终亚像元定位结果。本发明旨在通过随机游走算法获得具有更全面信息的目标对象空间相关性,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
技术领域
本发明涉及遥感信息处理技术领域,尤其是一种基于扩展随机游走算法的遥感图像亚像元定位方法。
背景技术
随着传感器技术的飞速发展,利用遥感图像获取地物类别分布信息已经成为一种重要的技术手段。然而由于土地覆盖类型的多样性和传感器瞬时视场的局限性所产生了大量混合像元,这些混合像元是制约遥感图像空间分辨率的主要因素。这些制约使得提取准确的地物类别分布信息产生了很大的困难,因此,现今遥感领域研究的热点问题之一就是处理混合像元以提高遥感图像的空间分辨率。光谱解混作为处理混合像元的重要技术虽然可以得到混合像元内各个地物类别的比例信息,但各个地物类别具体空间分布情况无法确定。亚像元定位(Subpixel mapping,SPM)作为光谱解混的后续处理步骤可以很好地解决这一问题。亚像元定位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,根据空间相关性原理估计出地物类别分布情况,实现了从低分辨率的丰度图像转变成高分辨率的地物分布专题制图的过程。亚像元定位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,在混合像元处理领域亚像元定位技术得到了越来越多的关注。因此如何建立更加有效的处理方法,以改进亚像元定位技术,是一个非常值得研究的基础科学问题,具有较大的业务需求和应用前景。
传统的亚像元方法包含两个步骤:1)亚像元锐化和2)类别分配。首先,亚像元锐化方法根据空间相关性原则提高光谱解混结果(丰度图像)的分辨率,获得亚像元软属性值(亚像元属于每个类别的比例值)。现有的亚像元锐化算法主要有空间引力模型,Hopfield神经网络和BP神经网络等。比利时根特大学的Mertens博士提出了基于像元尺度的空间引力模型。为提高这种模型的性能,又有学者相继提出了基于亚像元尺度的空间引力模型和基于两种像元尺度的空间引力模型。Tatem博士提出了一系列基于Hopfield神经网络(Hopfield neural network,HNN)模型的亚像元定位方法。此外,BP神经网络(Back-propagation neural network,BPNN)和一些合适的超分辨率重构算法也可以作为亚像元锐化方法。然后,根据亚像元软属性值,利用类别分配方法将硬属性类别标签分配给每个亚像元中,获得最终的亚像元定位结果。现有的主要类别分配算法有:基于亚像元为单位的分配算法,基于最高亚像元软属性的分配算法,基于纯像元和混合像元混合约束条件的分配算法,基于目标的分配算法等。
传统的亚像元定位方法都是基于像元空间相关性或者亚像元空间相关性。为了改善最终的定位结果,Chen等人最新提出了一种基于目标对象空间相关性的亚像元定位方法(SPM based on object spatial dependence,OSPM)。然而,OSPM方法中的对象是通过对原始粗糙图像进行分割而产生的,而原始图像的粗糙的分辨率会降低分割结果的精度,影响了最终的定位结果。此外,OSPM中的对象空间相关性只考虑对象之间的空间信息,没有充分考虑每个对象区域内的空间信息。为了解决上述问题,提出了一种新型基于扩展随机游走算法的遥感图像亚像元定位方法。利用双立方插值和自适应分割算法提高分割图像精度,进而获得更加准确的对象区域。此外,利用ERW算法生成包含对象之间和对象内部空间信息的对象空间相关性。最终,由于获得更加准确而全面的对象空间相关性,提供了亚像元定位结果。
发明内容
发明目的:本发明提供一种新型基于扩展随机游走算法的遥感图像亚像元定位方法,建立更加有效的亚像元定位模型,进而产生具有更加全面空间信息的目标对象空间相关性,提高亚像元定位精度。
技术方案:
一种基于扩展随机游走算法的遥感图像亚像元定位方法,包括步骤:
(1)通过双立方插值对原始粗糙遥感图像进行处理,然后对处理后的遥感图像进行光谱解混,获得亚像元属于每个类别的比例,同时利用主成分分成提取处理后遥感图像的第一主成分,通过自适应分割算法分割第一主成分,生成不规则的目标对象;具体为:
(11)将分割尺度参数T定义为合并的终止条件,并以此确定生成目标对象的大小;
(12)利用公式(1)计算基于多尺度自适应的分割方法:
M=αMspectral+(1-α)Mshape (1)
其中M是区域异质性,α是平衡光谱异质性Mspectral和形状异质性Mshape的权重参数,Mspectral和Mshape分别由以下公式获得;
其中,Vb是分割区域中第b波段光谱值的标准偏差,是第b波段的光谱权重参数;l是分割区域中的实际边界长度,KI是分割区域中的亚像元数目,R表示分割区域中的矩形边界长度,和lR分别用于计算分割区域的平滑度和紧凑度,αshape是平衡权重参数,B为图像总的波段数;
(13)在相邻的目标区域中将异质性最小的两个区域进行合并;当合并区域的区域异质性M大于预先定义的分割尺度参数T时,合并过程终止,产生目标对象;
(2)利用扩展随机行走算法计算目标对象属于每个类别的比例,进而获得目标对象空间相关性;具体为:
(21)将利用双立方插值处理后的遥感图像通过自适应分割算法进行分割获得I个目标对象Oi,i=1,2,...,I;其中Oi包含个亚像元;
(22)目标对象Oi属于第n类的比例值Un(Oi)是通过平均该目标对象包含的所有亚像元pa属于第n类的比例值Hn(pa)获得,如公式(4)所示:
进一步将公式(4)进行归一化处理得到公式(5):
(23)利用扩展随机行走算法生成亚像元pa属于第n类的目标对象空间相关性En(pa),如公式(6)所示;
其中表示相邻目标区域之间的空间信息,表示每个目标区域内部的空间信息,是列向量,γ是权重参数;
通过以下公式计算得出:
L是拉普拉斯矩阵,具体表达式如公式(8)所示:
其中表示第i个目标对象Oi和第q个超像元Oq之间的光谱值差异;第i个目标对象Oi的光谱值由以下公式给出:
其中ya表示在目标对象Oi中第a个亚像元的光谱值;
被定义为公式(10):
其中Λm是一个对角线矩阵,其中对角线上是每个超像元属于第m类的比例值;
(3)采用基于目标单元的类分配方法得到最终亚像元定位结果;具体为:
对目标对象空间相关性最小化,建立一个线性优化模型;类别标签根据这个模型分配给每个目标对象中的亚像元;线性优化模型如公式(11)和(12)所示:
在使用类分配方法时,还需要满足以下约束条件:
其中第一个方程表明每个亚像元仅属于一个地物类别,第二个方程定义为每个目标对象内的亚像元的数量应与目标对象属于类别的比例值成比例;值得注意的是,当一个目标对象中只有纯的亚像元时,将同一类别的标签直接分配给该目标对象中的所有亚像元。
有益效果:本发明的方法建立更加有效的亚像元定位模型,进一步产生具有更加全面空间信的目标对象空间相关性,提高最终的亚像元定位精度。
附图说明
图1为本发明方法流程示意图。
图2(a)为Pavia高光谱遥感图像数据集的评价参考图像示意图。
图2(b)为Pavia高光谱遥感图像数据集的基于双路径双立方插值的亚像元定位结果示意图。
图2(c)为Pavia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)为Pavia高光谱遥感图像数据集的基于目标对象空间相关性的亚像元定位结果示意图。
图2(e)为Pavia高光谱遥感图像数据集的基于扩展随机游走算法的亚像元定位结果示意图。
图3(a)为Rome Landsat 8OLI多光谱遥感图像数据集的评价参考图像示意图。
图3(b)为Rome Landsat 8OLI多光谱遥感图像数据集的基于双路径双立方插值的亚像元定位结果示意图。
图3(c)为Rome Landsat 8OLI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)为Rome Landsat 8OLI多高光谱遥感图像数据集的基于目标对象空间相关性的亚像元定位结果示意图。
图3(e)为Rome Landsat 8OLI多高光谱遥感图像数据集的基于扩展随机游走算法的亚像元定位结果示意图。
图4为本发明的与比例尺度S相关的四种算法的亚像元定位精度PCC(%)示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
本发明提出的基于扩展随机游走算法的遥感图像亚像元定位(Subpixel mappingbased on extended random walker,SPMERW)的方法实现框图如图1所示。如图1所示,本发明的一种基于扩展随机游走算法的遥感图像亚像元定位方法,包括如下步骤:
(1)通过双立方插值提高了原始粗糙遥感图像的分辨率,进而对改善后的图像进行光谱解混,获得亚像元属于每个类别的比例,同时利用主成分分成(PrincipalComponent Analysis,PCA)提取改善后图像的第一主成分,通过自适应分割算法分割第一主成分,生成不规则的目标对象;具体为:
(11)将分割尺度参数T定义为合并的终止条件,并以此确定生成目标对象的大小;
(12)利用公式(1)计算基于多尺度自适应的分割方法:
M=αMspectral+(1-α)Mshape (1)
其中M是区域异质性,α是平衡光谱异质性Mspectral和形状异质性Mshape的权重参数,Mspectral和Mshape分别由以下公式获得;
其中,Vb是分割区域中第b波段光谱值的标准偏差,是第b波段的光谱权重参数;l是分割区域中的实际边界长度,KI是分割区域中的亚像元数目,R表示分割区域中的矩形边界长度,和l/R分别用于计算分割区域的平滑度和紧凑度,αshape是平衡权重参数,B为图像总的波段数;
(13)在相邻的目标区域中将异质性最小的两个区域进行合并;当合并区域的区域异质性M大于预先定义的分割尺度参数T时,合并过程终止,产生目标对象;
(2)为了更全面考虑目标对象相邻和内部的空间相关性,利用扩展随机行走(Extended Random Walker,ERW)算法计算目标对象属于每个类别的比例,进而获得目标对象空间相关性;其实现过程如下:
(21)将利用双立方插值改善后的遥感图像通过自适应分割算法进行分割获得I个目标对象Oi(i=1,2,...,I),其中Oi包含个亚像元;
(22)目标对象Oi属于第n类的比例值Un(Oi)是通过平均该目标对象包含的所有亚像元pa属于第n类的比例值Hn(pa)获得,如公式(4)所示:
进一步将公式(4)进行归一化处理得到公式(5):
(23)利用ERW算法生成亚像元pa属于第n类的目标对象空间相关性En(pa),如公式(6)所示;
其中考虑相邻目标区域之间的空间信息,表示每个目标区域内部的空间信息,是列向量,γ是权重参数;
可以通过以下公式计算得出:
L是拉普拉斯矩阵,具体表达式如公式(8)所示:
其中表示第i个目标对象Oi和第q个超像元Oq之间的光谱值差异;第i个目标对象Oi的光谱值由以下公式给出:
其中ya表示在目标对象Oi中第a个亚像元的光谱值;
被定义为公式(10):
其中Λm是一个对角线矩阵,其中对角线上是每个超像元属于第m类的比例值;
(3)为了得到最终的亚像元定位结果,采用基于目标单元的类分配方法;对目标对象空间相关性最小化,建立一个线性优化模型;类别标签根据这个模型分配给每个目标对象中的亚像元;线性优化模型如公式(11)和(12)所示:
此外,在使用类分配方法时,还需要满足以下约束条件:
其中第一个方程表明每个亚像元仅属于一个地物类别,第二个方程定义为每个目标对象内的亚像元的数量应与目标对象属于类别的比例值成比例;值得注意的是,当一个目标对象中只有纯的亚像元(属于类别的比例值为1或0)时,为了节省计算时间,将同一类别的标签直接分配给该目标对象中的所有亚像元。
图2为Pavia高光谱遥感图像数据集的亚像元定位结果。其中:a)评价参考图像,b)基于双路径双立方插值的亚像元定位方法(Dual paths bicubic interpolation,DPBIC),c)基于混合空间引力模型的亚像元定位方法(Hybrid Spatial Attraction Model,HSAM),d)基于目标对象空间相关性的亚像元定位方法(OSPM),e)基于扩展随机游走的亚像元定位方法(SPMERW)。
图3为Rome Landsat 8OLI多光谱遥感图像数据集的亚像元定位结果。其中:a)评价参考图像,b)基于双路径双立方插值的亚像元定位方法(Dual paths bicubicinterpolation,DPBIC),c)基于混合空间引力模型的亚像元定位方法(Hybrid SpatialAttraction Model,HSAM),d)基于目标对象空间相关性的亚像元定位方法(OSPM),e)基于扩展随机游走的亚像元定位方法(SPMERW)。
图4为是与比例尺度S相关的四种算法的亚像元定位精度PCC(%)示意图。
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=8,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=3,S=6和S=10。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Pavia高光谱遥感图像数据集,图2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,SPMERW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。
第二组实验选取一幅来自Rome Landsat 8OLI多光谱遥感图像。图3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定位精度PCC(%)。与第一组实验结论相似,所提出的方法SPMERW仍然在亚像元定位方法中存在明显优势。
表1第一组实验各种方法的数据分析结果(%)
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护。
Claims (1)
1.一种基于扩展随机游走算法的遥感图像亚像元定位方法,其特征在于:包括步骤:
(1)通过双立方插值对原始粗糙遥感图像进行处理,然后对处理后的遥感图像进行光谱解混,获得亚像元属于每个类别的比例,同时利用主成分分成提取处理后遥感图像的第一主成分,通过自适应分割算法分割第一主成分,生成不规则的目标对象;具体为:
(11)将分割尺度参数T定义为合并的终止条件,并以此确定生成目标对象的大小;
(12)利用公式(1)计算基于多尺度自适应的分割方法:
M=αMspectral+(1-α)Mshape (1)
其中M是区域异质性,α是平衡光谱异质性Mspectral和形状异质性Mshape的权重参数,Mspectral和Mshape分别由以下公式获得;
其中,Vb是分割区域中第b波段光谱值的标准偏差,是第b波段的光谱权重参数;l是分割区域中的实际边界长度,KI是分割区域中的亚像元数目,R表示分割区域中的矩形边界长度,和l/R分别用于计算分割区域的平滑度和紧凑度,αshape是平衡权重参数,B为图像总的波段数;
(13)在相邻的目标区域中将异质性最小的两个区域进行合并;当合并区域的区域异质性M大于预先定义的分割尺度参数T时,合并过程终止,产生目标对象;
(2)利用扩展随机行走算法计算目标对象属于每个类别的比例,进而获得目标对象空间相关性;具体为:
(21)将利用双立方插值处理后的遥感图像通过自适应分割算法进行分割获得I个目标对象Oi,i=1,2,...,I;其中Oi包含个亚像元;
(22)目标对象Oi属于第n类的比例值Un(Oi)是通过平均该目标对象包含的所有亚像元pa属于第n类的比例值Hn(pa)获得,如公式(4)所示:
进一步将公式(4)进行归一化处理得到公式(5):
(23)利用扩展随机行走算法生成亚像元pa属于第n类的目标对象空间相关性En(pa),如公式(6)所示;
其中表示相邻目标区域之间的空间信息,表示每个目标区域内部的空间信息,是列向量,γ是权重参数;
通过以下公式计算得出:
L是拉普拉斯矩阵,具体表达式如公式(8)所示:
其中表示第i个目标对象Oi和第q个超像元Oq之间的光谱值差异;第i个目标对象Oi的光谱值由以下公式给出:
其中ya表示在目标对象Oi中第a个亚像元的光谱值;
被定义为公式(10):
其中Λm是一个对角线矩阵,其中对角线上是每个超像元属于第m类的比例值;
(3)采用基于目标单元的类分配方法得到最终亚像元定位结果;具体为:
对目标对象空间相关性最小化,建立一个线性优化模型;类别标签根据这个模型分配给每个目标对象中的亚像元;线性优化模型如公式(11)和(12)所示:
在使用类分配方法时,还需要满足以下约束条件:
其中第一个方程表明每个亚像元仅属于一个地物类别,第二个方程定义为每个目标对象内的亚像元的数量应与目标对象属于类别的比例值成比例;值得注意的是,当一个目标对象中只有纯的亚像元时,将同一类别的标签直接分配给该目标对象中的所有亚像元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392198.5A CN110298883B (zh) | 2019-05-13 | 2019-05-13 | 一种基于扩展随机游走算法的遥感图像亚像元定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392198.5A CN110298883B (zh) | 2019-05-13 | 2019-05-13 | 一种基于扩展随机游走算法的遥感图像亚像元定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298883A true CN110298883A (zh) | 2019-10-01 |
CN110298883B CN110298883B (zh) | 2022-06-24 |
Family
ID=68026887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910392198.5A Active CN110298883B (zh) | 2019-05-13 | 2019-05-13 | 一种基于扩展随机游走算法的遥感图像亚像元定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298883B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883837A (zh) * | 2021-01-24 | 2021-06-01 | 南京航空航天大学 | 一种超像元尺度下的多光谱图像超分辨率洪水淹没制图方法 |
CN113327256A (zh) * | 2021-05-28 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 多光谱图像的分割方法、装置、电子设备及存储介质 |
CN113505510A (zh) * | 2021-07-13 | 2021-10-15 | 四川师范大学 | 融合景观指数和随机游走模型的生态安全格局识别方法 |
CN115330787A (zh) * | 2022-10-13 | 2022-11-11 | 国网山西省电力公司电力科学研究院 | 一种基于图像识别的光伏组件覆冰面积检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446278A (zh) * | 2011-09-14 | 2012-05-09 | 哈尔滨工程大学 | 一种基于多时相遥感图像的亚像元定位方法 |
WO2015166871A1 (en) * | 2014-04-30 | 2015-11-05 | Mitsubishi Electric Corporation | Method for registering source image with target image |
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 |
-
2019
- 2019-05-13 CN CN201910392198.5A patent/CN110298883B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446278A (zh) * | 2011-09-14 | 2012-05-09 | 哈尔滨工程大学 | 一种基于多时相遥感图像的亚像元定位方法 |
WO2015166871A1 (en) * | 2014-04-30 | 2015-11-05 | Mitsubishi Electric Corporation | Method for registering source image with target image |
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)
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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883837A (zh) * | 2021-01-24 | 2021-06-01 | 南京航空航天大学 | 一种超像元尺度下的多光谱图像超分辨率洪水淹没制图方法 |
CN113327256A (zh) * | 2021-05-28 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 多光谱图像的分割方法、装置、电子设备及存储介质 |
CN113505510A (zh) * | 2021-07-13 | 2021-10-15 | 四川师范大学 | 融合景观指数和随机游走模型的生态安全格局识别方法 |
CN113505510B (zh) * | 2021-07-13 | 2022-08-26 | 四川师范大学 | 融合景观指数和随机游走模型的生态安全格局识别方法 |
CN115330787A (zh) * | 2022-10-13 | 2022-11-11 | 国网山西省电力公司电力科学研究院 | 一种基于图像识别的光伏组件覆冰面积检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298883B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298883A (zh) | 一种基于扩展随机游走算法的遥感图像亚像元定位方法 | |
CN106203430B (zh) | 一种基于前景聚集度和背景先验的显著性物体检测方法 | |
CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN110084161A (zh) | 一种人体骨骼关键点的快速检测方法及系统 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
Ge et al. | Development and testing of a subpixel mapping algorithm | |
CN101916436B (zh) | 一种多尺度空间投影遥感影像融合方法 | |
CN110070518A (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 | |
CN106157317B (zh) | 基于弥散张量引导的高分辨率遥感影像融合评价方法 | |
CN109492527B (zh) | 一种基于全色锐化技术的遥感图像亚像元定位方法 | |
CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
CN103810729B (zh) | 一种基于等高线的光栅图像矢量化方法 | |
CN108447065B (zh) | 一种高光谱超像元分割方法 | |
CN110335280A (zh) | 一种基于移动端的金融单据图像分割与矫正方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
US20140050395A1 (en) | Spatially varying log-chromaticity normals for use in an image process | |
CN110084747B (zh) | 基于全色锐化技术支持下的空间引力模型亚像元定位方法 | |
CN106886754B (zh) | 一种基于三角面片的三维场景下的物体识别方法及系统 | |
CN108335265A (zh) | 一种基于样本学习的快速图像超分辨率重建方法及装置 | |
CN102208103A (zh) | 一种用于影像快速融合与评价的方法 | |
Wang et al. | Subpixel land cover mapping based on dual processing paths for hyperspectral image | |
CN105894494A (zh) | 基于gpu技术的三线阵立体航测相机并行谱段配准方法 | |
CN106204621B (zh) | 一种自适应分治的高分辨率图像对象精准提取方法 | |
US8934735B2 (en) | Oriented, spatio-spectral illumination constraints for use in an image progress |
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 |