CN110363798A - 一种遥感影像解译样本集的生成方法 - Google Patents
一种遥感影像解译样本集的生成方法 Download PDFInfo
- Publication number
- CN110363798A CN110363798A CN201910672948.4A CN201910672948A CN110363798A CN 110363798 A CN110363798 A CN 110363798A CN 201910672948 A CN201910672948 A CN 201910672948A CN 110363798 A CN110363798 A CN 110363798A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- sorted
- image
- spot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000005260 corrosion Methods 0.000 claims abstract description 29
- 230000007797 corrosion Effects 0.000 claims abstract description 29
- 238000000638 solvent extraction Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000003384 imaging method Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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)
Abstract
本发明涉及一种遥感影像解译样本集的生成方法，包括以下步骤：获取基期遥感影像和待分类遥感影像相同区域的第一分类数据，并对待分类遥感影像和基期遥感影像进行相位配准；分别使用腐蚀参数对每个类别的图斑进行腐蚀；对每个类别腐蚀之后的图斑进行边界简化并剔除图斑中总像素数量小于N像素的图斑，将其作为分割边界集；以分割边界集为边界分别对配准后的分类遥感影像和基期遥感影像进行分割，并对两期基期遥感影像对应的分割影像集逐一进行变化检测，将未发生变化的分割影像子集对应的边界作为样本集；最后检测初步样本集中的样本个数和样本是否符合标准，如不符合，则调整腐蚀参数或相似度阈值。该方法提高了样本选取效率和准确率。
Description
技术领域
本发明涉及遥感影像领域，特别涉及一种遥感影像解译样本集的生成方法。
背景技术
遥感影像解译样本数据采集的目的是利用地物典型光谱、纹理、形状、空间位置等特征构建地表覆盖分类样本库，为解译者正确认识各要素类型提供重要参考，并在解译结果的质量控制方面发挥重要作用，对于基于先验知识的遥感影像解译和分类，在分类器确定的前提下，样本集的质量和数量很大程度上决定了解译和分类的精度。
目前选取遥感影像解译样本集最常用的还是传统的通过目视方式人工选取解译样本集，针对待分类的遥感影像，通过人工识别的方式均匀选取遥感影像中的样本集；此外，为了提高作业人员选取解译样本的统一性、专业性和稳定性，也有选择建立典型地物遥感解译样本库的方式，但该方式中需要选取区域包含地类的纯度大，具有典型性的地类样本，还要通过外业拍照、定位和对应影像选取等方式，建立典型样本示例库。
近年来，随着遥感技术和人工智能领域的快速发展，机器学习，尤其是深度学习技术在遥感影像的解译模型生成中应用研究越来越深入，深度学习技术依赖大规模的训练样本数据，为了降低人工选取样本的工作量，样本智能生成和迁移也有了较多的研究，如：利用开放街道地图中的兴趣点和矢量数据来表示遥感图像中的地理空间对象，此方法仍需人工检查遍历检查和修改兴趣点和矢量数据的误差；利用多特征自动分级聚合的方式，提取每个集合中的关键样本，并通过人工标记的方式确定各个集合的类别，但该方法只能用于高空间分辨率影像，且聚合数量多，人工标记的工作量大；基于少量标记样本和未标记像素分类概率排序和标记的方式，但该方式每次标记一组样本，循环次数多，样本选取效率不高；基于协同变化检测的对象级样本迁移方法，该方法能充分利用已有的样本数据，但应用限制较多，要求两期遥感影像来自同一个传感器，具有相近的光谱及空间分辨率。
综上所述，样本集的选取是遥感影像解译和分类的关键环节之一，目前不管是人工选取或是半自动化选取的方式，多是从待分类影像本身特征出发，对现有辅助数据的利用都十分有限，人工选取方法耗时耗力且难以达到较大的样本量，现有的半自动化选取中的部分方法依赖较多的人工干预且流程较为复杂，另外部分方法对数据有一定的要求，普适性较差。因此，需要进一步改进，以提高遥感影像解译的效率和准确率。
发明内容
本发明所要解决的技术问题是针对现有技术的现状，提供一种准确率、效率高且自动化选取的遥感影像解译样本集的生成方法。
本发明解决上述技术问题所采用的技术方案为：一种遥感影像解译样本集的生成方法，其特征在于：所述遥感影像解译样本集的生成方法包括以下步骤：
步骤1、在已有分类数据中选取出与待分类遥感影像相同区域的第一分类数据，且获取该分类数据对应的基期遥感影像；其中，第一分类数据由各类数据的图斑组成；
步骤2、以基期遥感影像为基准，对待分类遥感影像和基期遥感影像进行相位配准，使待分类遥感影像和基期遥感影像的空间位置匹配，得到配准后的待分类遥感影像和基期遥感影像，分别记为第一待分类遥感影像和第一基期遥感影像；
步骤3、根据第一待分类遥感影像对步骤1中待分类遥感影像对应的第一分类数据进行裁切，得到第一待分类遥感影像范围内对应的第二分类数据；
步骤4、分别计算步骤3中第二分类数据中每个类别数据的图斑面积，计算出每个类别数据的腐蚀参数，并分别使用每个类别数据对应的腐蚀参数对该类别对应的图斑进行腐蚀，得到每个类别数据腐蚀之后的图斑，腐蚀的计算公式为：
其中，A为第二分类数据中的某一类别数据，为腐蚀符号，B为第二分类数据中的某一类别数据A对应的腐蚀参数，B为大小为x*x的全1矩阵，int为取值函数，area为第二分类数据中的某一类别数据A的所有图斑面积，Median(area)为area的中位数，α为预设的第一阈值，0＜α≤1，a为第二分类数据中的某一类别数据A被腐蚀之后的结果，|为分隔符，Ba为B平移a之后的结果，为包含符号；
步骤5、分别对步骤4中每个类别数据腐蚀之后的图斑进行边界简化，得到边界简化之后的图斑；
步骤6、剔除边界简化之后的图斑中总像素数量小于N像素的图斑，将剩余的图斑作为分割边界集；其中，N为正整数；
步骤7、以分割边界集为边界分别对第一待分类遥感影像和第一基期遥感影像进行分割，得到第一待分类遥感影像的分割影像集和第一基期遥感影像的分割影像集；
步骤8、对步骤7中第一待分类遥感影像和第一基期遥感影像对应的分割影像集逐一进行变化检测：分别计算两期分割影像集中相同位置对应的分割影像子集之间的相似度，将相似度高于预设的第二阈值β的两分割影像子集标记为未发生变化的分割影像子集，并将所有未发生变化的分割影像子集对应的边界组成初步样本集，0＜β≤1；
步骤9、判断初步样本集中的样本个数是否大于等于第一预设值，如是，则转入步骤10；如否，则根据待分类遥感影像和基期遥感影像的成像平台和拍摄角度之间的差异情况调整第一阈值α，并转至步骤4；
步骤10、逐一检测样本集中未发生变化的图像的判定结果是否有误，并计算出判定结果的错误率；
步骤11、判断检测出未发生变化的图像的判定结果的错误率是否大于预设的第三阈值，如是，则增大第二阈值β，并转至步骤8；如否，则在初步样本集删除判定错误的样本，将剩余的样本作为新的初步样本集，并转至步骤12；
步骤12、将样本集叠置到待分类影像中，并根据样本均匀分布的原则，人工选取部分样本补充，将补充完成后的样本集作为待分类影像最终的样本集。
作为改进，所述步骤1中已有分类数据是利用已分类遥感影像提取的各类数据的图斑。
进一步的，所述步骤4中第一阈值α的取值范围为3％～20％。
作为优选，所述步骤5中边界简化采用道格拉斯-普客算法。
所述步骤8中变化检测采用的方法为基于直方图曲率的变化矢量分析方法或改进感知哈希方法。
具体的，所述步骤9中的调整第一阈值α包括以下两种情况：
(1)、如果待分类遥感影像和基期遥感影像的成像平台或拍摄角度之间的差异超过第二预设值时，则调大第一阈值α；
(2)、如果待分类遥感影像和基期遥感影像的成像平台和拍摄角度之间的差异均未超过第二预设值时，则调小第一阈值α。
在本方案中，所述步骤9中第一阈值α调整的幅度为2％～3％。
在本方案中，所述步骤10中第二阈值β每次调整的幅度为0.03～0.05。
所述步骤11中第三阈值的取值范围为0～10％。
与现有技术相比，本发明的优点在于：通过在已有分类数据中选取出与待分类遥感影像相同区域的第一分类数据，并使用配准后的待分类遥感影对第一分类数据进行裁切，得到第二分类数据；对第二分类数据进行腐蚀处理，生成分割边界集，利用分割边界集对基期遥感影像与待分类遥感影像进行分割，最后，根据分割的影像集进行变化检测，将未发生变化的区域的边界作为样本集，因此该方法以已有分类数据为辅助数据指导待分类遥感影像生成解译样本数据，具有一定的指导作用，能提高样本集选取的准确率，且能自动生成样本集，极大的减小样本集选取的工作量，节省了人力，提高了选取效率。
附图说明
图1为本发明实施例中遥感影像解译样本集的生成方法的流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示，一种遥感影像解译样本集的生成方法包括以下步骤：
步骤1、在已有分类数据中选取出与待分类遥感影像相同区域的第一分类数据，且获取该分类数据对应的基期遥感影像，其中，已有分类数据为地理国情普查、第三次土地调查以及其他已利用当时遥感影像进行类别提取生成的各类栅格或矢量分类成果数据，第一分类数据由各类数据的图斑组成；
步骤2、以基期遥感影像为基准，对待分类遥感影像和基期遥感影像进行相位配准，使待分类遥感影像和基期遥感影像的空间位置匹配，得到配准后的待分类遥感影像和基期遥感影像，分别记为第一待分类遥感影像和第一基期遥感影像；
步骤3、根据第一待分类遥感影像对步骤1中待分类遥感影像范围内的第一分类数据进行裁切，得到第一待分类遥感影像范围内对应的第二分类数据；
步骤4、分别计算步骤3中第二分类数据中每个类别数据的图斑面积，计算出每个类别数据的腐蚀参数，并分别使用每个类别数据对应的腐蚀参数对该类别对应的图斑进行腐蚀，得到每个类别数据腐蚀之后的图斑，腐蚀的计算公式为：
其中，A为第二分类数据中的某一类别数据，为腐蚀符号，B为第二分类数据中的某一类别数据A对应的腐蚀参数，B为大小为x*x的全1矩阵，int为取值函数，area为第二分类数据中的某一类别数据A的所有图斑面积，Median(area)为area的中位数，α为预设的第一阈值，0＜α≤1，a为第二分类数据中的某一类别数据A被腐蚀之后的结果，|为分隔符，Ba为B平移a之后的结果，该表达方式与现有的常用腐蚀算法中的表达方式相同，为包含符号；
步骤5、分别对步骤4中每个类别数据腐蚀之后的图斑进行边界简化，得到边界简化之后的图斑；
本实施例中，边界简化采用道格拉斯-普客算法进行处理，能对腐蚀之后的分类数据中可能产生的边界突刺进行平滑和简化，减少计算复杂度；道格拉斯-普客算法的基本思路是：对每一条曲线的首末点虚连一条直线，求所有点与直线的距离，并找出最大距离值dmax，用dmax与限差D相比：若dmax＜D，这条曲线上的中间点全部舍去；若dmax≥D，保留dmax对应的坐标点，并以该点为界，把曲线分为两部分，再对分割的两部分递归使用该方法；
步骤6、剔除边界简化之后的图斑中总像素数量小于N像素的图斑，将剩余的图斑作为分割边界集；其中，N为正整数；
本实施例中，N＝25，通过剔除图斑中总像素数量小于25像素的图斑，能有效避免分割的遥感影像过于破碎；
步骤7、以分割边界集为边界分别对第一待分类遥感影像和第一基期遥感影像进行分割，得到第一待分类遥感影像的分割影像集和第一基期遥感影像的分割影像集；
步骤8、对步骤7中第一待分类遥感影像和第一基期遥感影像对应的分割影像集逐一进行变化检测：分别计算两期分割影像集中相同位置对应的分割影像子集之间的相似度，将相似度高于预设的第二阈值β的两分割影像子集标记为未发生变化的分割影像子集，并将所有未发生变化的分割影像子集对应的边界组成初步样本集，0＜β≤1；
其中，变化检测采用的方法为基于直方图曲率的变化矢量分析方法或改进感知哈希方法。
初步样本集中每一个样本选取的步骤为：
步骤8-1、在第一待分类遥感影像的分割影像集和第一基期遥感影像的分割影像集中分别选取相同位置的分割影像子集，并在两期分割影像子集采样到相同大小的像元；
步骤8-2、计算步骤8-1中采样的两像元之间的差值、比值或汉明距离；
步骤8-3、并根据步骤8-2中两像元之间的差值、比值或汉明距离计算两图像之间的相似度；
步骤8-4、判断相似度是否大于第二阈值β，如是，则判定两个分割影像子集未发生变化，并转入步骤8-5；如否，则判定两个分割影像子集发生变化；
步骤8-5、将未发生变化的分割影像子集对应的边界标记为样本；
步骤9、判断初步样本集中的样本个数是否大于等于第一预设值，如是，则转入步骤10；如否，则根据待分类遥感影像和基期遥感影像的成像平台和拍摄角度之间的差异情况调整第一阈值α，并转至步骤4；本实施例中，根据影像范围大小、分类类别、分类方法的不同，对样本量的要求也不同；一般来说区域范围超过1000平方米，各类样本量最好超过15个，若小于1000平方米，样本量最好超过10个，对于特殊地区，有些类别的样本量1-3个，因此在实际使用中，根据实际情况设置第一预设值；当初步样本集中的样本不够时，若待分类遥感影像和基期遥感影像的成像平台或拍摄角度差异较大，即：待分类遥感影像和基期遥感影像的成像平台或拍摄角度之间的差异超过第二预设值时，就调大第一阈值α，扩大分类图斑腐蚀的面积，使分类图斑更纯净，避免了成像平台或拍摄角度差异较大时图斑边界上的区域被判定为变化区域而引起的样本不够问题；若待分类遥感影像和基期遥感影像的成像平台和拍摄角度均较接近，且分类数据的图斑面积较小，即：待分类遥感影像和基期遥感影像的成像平台和拍摄角度之间的差异均未超过第二预设值，则调小第一阈值α，缩小腐蚀的面积，使分类图斑腐蚀之后保留的面积大一点，避免了步骤6中剔除极小面积的图斑后造成的分割边界集减少而引起的样本不够问题；因此在实际图像处理过程中，需要根据实际情况选择调整第一阈值α，增加样本且保证样本未发生变化判定结果的正确率；第一阈值α的取值范围为3％～20％，第一阈值α每次调整的幅度为2％～3％，本实施例中，预设的第一阈值α初始值为5％；
待分类遥感影像和基期遥感影像的成像平台之间的差异以分辨率来判断，若两者之间的分辨率差异超过2倍，C1/C2>2，C1和C2分别为待分类遥感影像和基期遥感影像的分辨率，即第二预设值为2，则判断为两期成像平台之间的差异较大；待分类遥感影像和基期遥感影像的拍摄角度以拍摄时间来判断，每期遥感影像的成像时间距离正午的时间差超过2小时为差异大，||T1-12|-|T2-12||>2，其中，T1和T2分别为待分类遥感影像和基期遥感影像的成像时间，即第二预设值为2，则判断出两期成像角度差异较大；
步骤10、逐一检测样本集中未发生变化的图像的判定结果是否有误，并计算出错误率；
步骤11、判断检测出未发生变化的图像的判定结果的错误率是否大于预设的第三阈值，如是，则增大第二阈值β，并转至步骤8；如否，则在初步样本集删除判定错误的样本，将剩余的样本作为新的初步样本集，并转至步骤12；其中，第三阈值的取值范围为0～10％；第二阈值β每次调整的幅度为0.03～0.05；本实施例中，预设的第二阈值β初始值为0.85，第三阈值为5％；
步骤12、将样本集叠置到待分类影像中，并根据样本均匀分布的原则，人工选取部分样本补充，将补充完成后的样本集作为待分类影像最终的样本集。
例如：如果待分类的遥感影像为2019年获取的某地区的遥感影像，则该方法中需要以已有的分类数据为辅助数据，如：已有分类数据为2017年或2018年根据遥感影像获取的全国所有地区的分类数据，在使用中，首先在已有分类数据中选取与待分类遥感影像范围相同区域的分类数据，即：在已有分类数据中获取待分类遥感影像所对应的地区的分类数据，之后对选取出的分类数据进行处理，依次生成分割边界集，并根据该分类数据对应的基期遥感影像和待分类遥感影像进行分割，将未发生变化的区域的边界作为样本集。该方法中的分类数据是根据基期遥感影像提取出的，因此根据基期遥感影像的分类数据作为辅助数据，找出基期遥感影像和待分类遥感影像对应的分割影像集中未发生变化的分割影像子集，并将所有未发生变化的分割影像子集对应的边界组成初步样本集，能根据基期遥感影像指导生成待分类遥感影像的样本集，从而能自动快速生成未变化区域的解译样本数据，极大的减少了样本集选取的工作量，提高了样本集选取的准确率和效率，特别适用于需要较多样本集的遥感影像。
Claims (9)
1.一种遥感影像解译样本集的生成方法，其特征在于：所述遥感影像解译样本集的生成方法包括以下步骤：
步骤1、在已有分类数据中选取出与待分类遥感影像相同区域的第一分类数据，且获取该第一分类数据对应的基期遥感影像，其中，第一分类数据由各类数据的图斑组成；
步骤2、以基期遥感影像为基准，对待分类遥感影像和基期遥感影像进行相位配准，使待分类遥感影像和基期遥感影像的空间位置匹配，得到配准后的待分类遥感影像和基期遥感影像，分别记为第一待分类遥感影像和第一基期遥感影像；
步骤3、根据第一待分类遥感影像对步骤1中待分类遥感影像对应的第一分类数据进行裁切，得到第一待分类遥感影像范围内对应的第二分类数据；
步骤4、分别计算步骤3中第二分类数据中每个类别数据的图斑面积，计算出每个类别数据的腐蚀参数，并分别使用每个类别数据对应的腐蚀参数对该类别数据对应的图斑进行腐蚀，得到每个类别数据腐蚀之后的图斑，腐蚀的计算公式为：
其中，A为第二分类数据中的某一类别数据，为腐蚀符号，B为第二分类数据中的某一类别数据A对应的腐蚀参数，B为大小为x*x的全1矩阵，int为取值函数，area为第二分类数据中的某一类别数据A的所有图斑面积，Median(area)为area的中位数，α为预设的第一阈值，0<α≤1，a为第二分类数据中的某一类别数据A被腐蚀之后的结果，|为分隔符，Ba为B平移a之后的结果，为包含符号；
步骤5、分别对步骤4中每个类别数据腐蚀之后的图斑进行边界简化，得到边界简化之后的图斑；
步骤6、剔除所述边界简化之后的图斑中总像素数量小于N像素的图斑，将剩余的图斑作为分割边界集；其中，N为正整数；
步骤7、以分割边界集为边界分别对第一待分类遥感影像和第一基期遥感影像进行分割，得到第一待分类遥感影像的分割影像集和第一基期遥感影像的分割影像集；
步骤8、对步骤7中第一待分类遥感影像和第一基期遥感影像对应的分割影像集逐一进行变化检测：分别计算两期分割影像集中相同位置对应的分割影像子集之间的相似度，将相似度高于预设的第二阈值β的两分割影像子集标记为未发生变化的分割影像子集，并将所有未发生变化的分割影像子集对应的边界组成初步样本集；0<β≤1；
步骤9、判断初步样本集中的样本个数是否大于等于第一预设值，如是，则转入步骤10；如否，则根据待分类遥感影像和基期遥感影像的成像平台和拍摄角度之间的差异情况调整第一阈值α，并转至步骤4；
步骤10、逐一检测样本集中未发生变化的图像的判定结果是否有误，并计算出判定结果的错误率；
步骤11、判断检测出未发生变化的图像的判定结果的错误率是否大于预设的第三阈值，如是，则增大第二阈值β，并转至步骤8；如否，则在初步样本集删除判定错误的样本，将剩余的样本作为新的初步样本集，并转至步骤12；
步骤12、将样本集叠置到待分类影像中，并根据样本均匀分布的原则，人工选取部分样本补充，将补充完成后的样本集作为待分类影像最终的样本集。
2.根据权利要求1所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤1中已有分类数据是利用已分类遥感影像提取的各类数据的图斑。
3.根据权利要求1所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤4中第一阈值α的取值范围为3％～20％。
4.根据权利要求1所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤5中边界简化采用道格拉斯-普客算法。
5.根据权利要求1所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤8中变化检测采用的方法为基于直方图曲率的变化矢量分析方法或改进感知哈希方法。
6.根据权利要求1或3所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤9中的调整第一阈值α包括以下两种情况：
(1)、如果待分类遥感影像和基期遥感影像的成像平台或拍摄角度之间的差异超过第二预设值时，则调大第一阈值α；
(2)、如果待分类遥感影像和基期遥感影像的成像平台和拍摄角度之间的差异均未超过第二预设值时，则调小第一阈值α。
7.根据权利要求6所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤9中第一阈值α每次调整的幅度为2％～3％。
8.根据权利要求1所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤10中第二阈值β每次调整的幅度为0.03～0.05。
9.根据权利要求1所述的遥感影像解译样本集的生成方法，其特征在于：所述步骤11中第三阈值的取值范围为0～10％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910672948.4A CN110363798B (zh) | 2019-07-24 | 2019-07-24 | 一种遥感影像解译样本集的生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910672948.4A CN110363798B (zh) | 2019-07-24 | 2019-07-24 | 一种遥感影像解译样本集的生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363798A true CN110363798A (zh) | 2019-10-22 |
| CN110363798B CN110363798B (zh) | 2022-02-18 |
Family
ID=68220643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910672948.4A Active CN110363798B (zh) | 2019-07-24 | 2019-07-24 | 一种遥感影像解译样本集的生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363798B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401467A (zh) * | 2020-03-26 | 2020-07-10 | 遥相科技发展(北京)有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
| CN111709927A (zh) * | 2020-06-12 | 2020-09-25 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种类型异常图斑自动识别方法及系统 |
| CN112884791A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 一种构建大规模遥感影像语义分割模型训练样本集的方法 |
| CN113762070A (zh) * | 2021-07-26 | 2021-12-07 | 中国测绘科学研究院 | 用于深度学习的地表覆盖分类样本采集方法 |
| CN113822900A (zh) * | 2021-07-09 | 2021-12-21 | 武汉大学 | 基于矢量约束面向对象的新影像样本自动选择方法及系统 |
| CN117349462A (zh) * | 2023-12-06 | 2024-01-05 | 自然资源陕西省卫星应用技术中心 | 一种遥感智能解译样本数据集生成方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984960A (zh) * | 2014-05-30 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种遥感图像样本智能采集方法 |
| WO2017130184A1 (en) * | 2016-01-28 | 2017-08-03 | Israel Aerospace Industries Ltd. | Systems and methods for detecting imaged clouds |
| CN107084688A (zh) * | 2017-05-06 | 2017-08-22 | 湖北大学 | 一种基于地块尺度的农作物面积动态变化遥感监测方法 |
| CN108053408A (zh) * | 2017-12-05 | 2018-05-18 | 中国资源卫星应用中心 | 一种基于遥感卫星影像的高自动化土地利用更新方法 |
| CN108363951A (zh) * | 2018-01-11 | 2018-08-03 | 东南大学 | 遥感影像地类识别对应深度学习样本库的自动获取方法 |
| CN109657610A (zh) * | 2018-12-18 | 2019-04-19 | 北京航天泰坦科技股份有限公司 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
-
2019
- 2019-07-24 CN CN201910672948.4A patent/CN110363798B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984960A (zh) * | 2014-05-30 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种遥感图像样本智能采集方法 |
| WO2017130184A1 (en) * | 2016-01-28 | 2017-08-03 | Israel Aerospace Industries Ltd. | Systems and methods for detecting imaged clouds |
| CN107084688A (zh) * | 2017-05-06 | 2017-08-22 | 湖北大学 | 一种基于地块尺度的农作物面积动态变化遥感监测方法 |
| CN108053408A (zh) * | 2017-12-05 | 2018-05-18 | 中国资源卫星应用中心 | 一种基于遥感卫星影像的高自动化土地利用更新方法 |
| CN108363951A (zh) * | 2018-01-11 | 2018-08-03 | 东南大学 | 遥感影像地类识别对应深度学习样本库的自动获取方法 |
| CN109657610A (zh) * | 2018-12-18 | 2019-04-19 | 北京航天泰坦科技股份有限公司 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 楚恒等: "基于对象直方图G统计量的遥感影像道路提取", 《测绘通报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401467A (zh) * | 2020-03-26 | 2020-07-10 | 遥相科技发展(北京)有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
| CN111401467B (zh) * | 2020-03-26 | 2023-12-19 | 苏州征图智能科技有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
| CN111709927A (zh) * | 2020-06-12 | 2020-09-25 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种类型异常图斑自动识别方法及系统 |
| CN111709927B (zh) * | 2020-06-12 | 2022-05-27 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种类型异常图斑自动识别方法及系统 |
| CN112884791A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 一种构建大规模遥感影像语义分割模型训练样本集的方法 |
| CN113822900A (zh) * | 2021-07-09 | 2021-12-21 | 武汉大学 | 基于矢量约束面向对象的新影像样本自动选择方法及系统 |
| CN113822900B (zh) * | 2021-07-09 | 2023-09-22 | 武汉大学 | 基于矢量约束面向对象的新影像样本自动选择方法及系统 |
| CN113762070A (zh) * | 2021-07-26 | 2021-12-07 | 中国测绘科学研究院 | 用于深度学习的地表覆盖分类样本采集方法 |
| CN117349462A (zh) * | 2023-12-06 | 2024-01-05 | 自然资源陕西省卫星应用技术中心 | 一种遥感智能解译样本数据集生成方法 |
| CN117349462B (zh) * | 2023-12-06 | 2024-03-12 | 自然资源陕西省卫星应用技术中心 | 一种遥感智能解译样本数据集生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363798B (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363798A (zh) | 一种遥感影像解译样本集的生成方法 | |
| CN110929560B (zh) | 融合目标检测与跟踪的视频半自动目标标注方法 | |
| CN111931684B (zh) | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 | |
| CN110472467A (zh) | 基于YOLO v3的针对交通枢纽关键物体的检测方法 | |
| WO2018214195A1 (zh) | 一种基于卷积神经网络的遥感图像桥梁检测方法 | |
| CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
| CN111027511B (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
| CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
| CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
| CN111310756A (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
| CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
| CN112085037B (zh) | 一种变电设备红外热故障特征提取及数字化表达方法 | |
| CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
| CN114495068B (zh) | 基于人机交互和深度学习的路面健康检测方法 | |
| CN112084871B (zh) | 一种基于弱监督学习的高分遥感目标边界提取方法 | |
| CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
| CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| CN113658129B (zh) | 一种结合视觉显著性和线段强度的阵地提取方法 | |
| CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
| CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及系统 | |
| CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
| CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
| CN102194224A (zh) | 一种光学遥感图像坦克群的识别方法 | |
| CN116258686A (zh) | 基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province Applicant after: Ningbo Institute of Surveying and mapping and remote sensing technology Address before: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province Applicant before: NINGBO INSTITUTE OF SURVEYING & MAPPING |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |