CN110413828A - 基于优化遗传算法的遥感海量影像自动筛选方法 - Google Patents
基于优化遗传算法的遥感海量影像自动筛选方法 Download PDFInfo
- Publication number
- CN110413828A CN110413828A CN201910701599.4A CN201910701599A CN110413828A CN 110413828 A CN110413828 A CN 110413828A CN 201910701599 A CN201910701599 A CN 201910701599A CN 110413828 A CN110413828 A CN 110413828A
- Authority
- CN
- China
- Prior art keywords
- image
- solution
- coverage rate
- score
- remote sensing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于优化遗传算法的遥感海量影像自动筛选方法,依据用户对覆盖面积、分辨率覆盖率、云量覆盖率、时效性覆盖率等要求,采用遗传算法自动筛选出满足需求的影像解。首先获取最初影像集合,然后进行粗筛。随后采用二进制编码的方式进行建模并初始化生成影像解集合。然后计算综合得分,按照得分大小计算概率进行选择。对选择的影像解集合通过交叉变异求取新的影像解集合。循环上述过程,当达到循环结束条件时,选择最终解。该方法克服了传统贪婪算法引起的局部最优问题,避免了求解交叠率过高或者覆盖率较低的问题,可对覆盖面积、云覆盖率、时效覆盖率等多方面偏好进行权重配置,满足不同用户对最终筛选结果的不同需求。
Description
技术领域
本发明属于遥感图像智能应用技术领域,更为具体地讲,涉及在各业务领域对影像区域、时效、质量的不同需求下一种基于优化遗传算法的遥感海量影像自动筛选方法。
背景技术
随着高分系列、吉林系列、高景系列、资源系列等军、民、商各类对地观测卫星逐步升空并投入使用,目前各单位逐步积累的遥感影像数据已达到百万级别,并且随着微纳卫星、星群、星座的概念提出,后续遥感影像数据将呈爆炸式增长。
根据业务需求,用户一般需要获取在关注区域内所有影像数据中满足要求的子集合,该数据子集合应满足采用最少的影像数量可拼接覆盖绝大部分指定区域的能力,同时应确保时间、云量、分辨率的相对最优。为达到这一效果,用户需要设定影像区域、影像云量、影像时间等参数对海量数据进行查询检索,从中挑选出满足要求的子集合。但往往检索返回动辄百条甚至上千条的影像候选集,严重降低了用户的使用体验并影响使用效率。因此,面向不同业务领域中用户的各类需求,如何自动、高效、弹性的从海量遥感影像数据中筛选提取出最优满足用户需求的影像或者影像集合是一个至关重要而又亟待解决的难题。
在此之前由于遥感影像总体数据量较小,尚未形成对数据进行自动化筛选的需求,因此业内少有对此类问题的一系列成熟的解决途径。但随着遥感数据量的爆炸式增长,目前急需解决对海量数据筛选得到最优解方法的优化问题。
(1)早期的最优求解搜索方法主要以广度优先、深度优先等穷举全局搜索方法为主,对于大量的待搜索集合该方法的计算复杂度随着数据量呈指数增长。百景影像最优解搜索时间可达几十分钟,当前用户需要从千万量级影像中筛选符合要求影像,此类方法远远无法满足用户对于检索效率的要求。
(2)随着影像的逐步增多,重复性影像的随之增加,越来越多的影像具有相似的成像范围、质量、时间,并且用户真正需要得到的筛选结果并非一定是所有数据集中的最优子集,在符合一定需求范围前提下无限逼近于最优的集合即可满足用户检索要求。因此一系列类似于贪婪算法的局部检索逐步取代全局搜索方法成为主流。但贪婪算法始终是一种规则型搜索方法,该方法随机生成初始位置,从初始位置开始遍历所有检索区域,选取当前位置上所有影像中质量、时间、区域占比最优的影像归入最终解中,导致最终结果受初始位置的初始解的约束较大,容易出现局部最优的情况。该方法虽然在一定程度上解决了搜索时效性问题,但同时引入了搜索效果欠佳的问题。
(3)随着智能化算法的逐步出现,一些局部智能搜索算法日趋成熟。本技术将遗传算法引入到遥感影像筛选任务当中,通过根据影像检索特定需求以及遥感影像数据特点对遗传算法进行了优化改进,借鉴生物进化论的方法,通过种群之间的不断交叉、变异、淘汰逐步实现了可自适应满足用户不同需求的高时效、高质量的影像筛选能力。
发明内容
本发明的目的在于克服当前海量遥感影像数据中难以快速、有效的筛选出符合用户需求的数据集的难题,提出了基于优化遗传算法的遥感海量影像自动筛选方法,实现提取海量影像中满足用户需求的影像数据集合最优解。相比以往方法降低了筛选过程的消耗时间,同时进一步提高筛选结果质量。
本发明采用的技术方案为:
一种基于优化遗传算法的遥感海量影像自动筛选方法,包括步骤:
(1)设定用户对最优解的限制条件,包括最低覆盖率、最低分辨率影像覆盖面积、云最高覆盖率、时效最低覆盖率、最大迭代次数和最优解最大数量;
(2)用户选定检索区域,然后按照遥感影像的元数据信息检索遥感影像,将所有满足要求的遥感影像作为待筛选的数据全集;所述的遥感影像的元数据信息包括覆盖范围、云量、时间、分辨率和载荷;
(3)对数据全集进行初步筛选,将其中覆盖区域高度重合的多景影像中成像质量差、分辨率低以及时效性差的遥感影像进行过滤去除,得到过滤后的数据全集;
(4)根据单幅遥感影像的覆盖面积、最低覆盖率以及用户选定的检索区域面积,计算满足最低覆盖率条件所需最低影像数量,并采用二进制编码的方法随机生成K个长为Nall_image_num的影像解,并进行编码,使得编码后每个影像解中1的个数总和大于满足最低覆盖率条件所需最低影像数量,形成初始影像解群体;其中K为选定的影像解个数,Nall_image_num为过滤后的数据全集中遥感影像数量;
(5)计算初始影像解群体中每个影像解在覆盖面积、云最高覆盖率和时效覆盖率各方面的综合得分,将综合得分作为每个解的选中概率,采用轮盘法对初始影像解群体选择K次,生成选取后影像解群体;
(6)将选取后影像解群体进行两两配对,将两个解编码中随机部分进行交换,生成交叉后解群体,从交叉后解群体中随机选择部分解,将随机选取解编码中部分区间的1置0或0置1进行变异,生成新一代影像解群体;
(7)对新一代影像解群体中每个解判断是否同时满足最低覆盖率、最低分辨率影像覆盖面积、云最高覆盖率以及时效最低覆盖率的条件,如果满足则作为最优解输出到候选解集合中;判断是否达到最优解最大数量或最大迭代次数,若是则按照用户需求手动从候选解集合中选择出最终解,否则将新一代影像解群体作为初始影像解群体,返回步骤(5)。
其中,步骤(4)包括如下步骤:
(401)根据单幅遥感影像的覆盖面积Ssingle_area、最低覆盖率δmin_cover以及用户选定的检索区域面积Suser_area,计算满足最低覆盖率条件所需最低影像数量Nmin_image_num为:
(402)生成k个长为Nall_image_num每位均为0的二进制变量,在每个二进制变量中随机选择m个位置{m1,m2..mm},将二进制变量中m个位置的0置1,生成初始影像解群体{O1O2O3…Oi…Ok},其中每个影像解表示为Omj表示过滤后的数据全集中第j幅遥感影像,Nall_image_num≥m≥Nmin_image_num,1≤i≤k,1≤j≤m。
其中,步骤(5)中计算初始影像解群体中每个影像解在覆盖面积、云最高覆盖率和时效覆盖率各方面的综合得分,具体为:
将全球进行固定栅格化,按照栅格将用户选定检索区域划分为N个栅格P={P1,P2,P3..PN},具体得分计算公式如下:
其中覆盖面积得分为:
设resolutionj是过滤后的数据全集中第j幅影像的分辨率,则第j幅影像的分辨率参数rj为:
是第n个栅格的面积,根据rj计算分辨率覆盖得分Scoreresolution_cover为:
设cj是过滤后的数据全集中第j幅影像的云量,则云覆盖得分Scorecloud_cover为:
设tj是过滤后的数据全集中第j幅影像的时效性参数,用户查询时间范围为timestart—timeend,第j幅影像的拍摄时间为timej,则tj为:
根据tj计算得到时效覆盖得分Scoretime_cover为:
设定覆盖面积、分辨率覆盖率、云覆盖率和时效覆盖率各分值占比分别为α、β、θ、ε,采用加权求和的方式计算综合得分:
Scorefinal=αScorearea_cover+βScoreresolution_cover+θScorecloud_cover+εScoretime_cover
α+β+θ+ε=1。
本发明与背景技术相比具有如下优点:
(1)本发明提出了一种全新的影像检索筛选方法,按照影像检索任务特点对遗传算法进行创新性改造应用,避免了之前工程中应用的贪婪算法引起的局部最优问题,避免了求解交叠率过高或者覆盖率较低的问题。
(2)本发明可较好保证检索过程的时效性,实现得分计算过程的离线计算,避免用户在检索时临时计算导致检索耗时急剧增加。
(3)本发明可对覆盖面积、云覆盖率、时效覆盖率等多方面偏好进行权重配置,较好满足不同用户对最终筛选结果的不同需求。
附图说明
图1是本发明的整体流程框架设计图。
图2是本发明待筛选数据全集样例图。
图3是本发明初步筛选结果样例图。
图4是本发明对影像解编码示意图。
图5是本发明选择过程示意图。
图6是本发明交叉变异示意图。
图7是本发明最终筛选结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明基于优化遗传算法的遥感海量影像自动筛选方法一种具体实施下的原理流程框架图。
在本实施例中,如图1所示基于优化遗传算法的遥感海量影像自动筛选方法包括以下步骤:
(1)本方法在求取最优解前需要设定用户对最优解的限制条件,包括最低覆盖率δmin_cover、最低分辨率影像覆盖面积Smin_lowresolution_cover、云最高覆盖率Smax_cloud_cover、时效最低覆盖率Smin_lowtime_cover、最大迭代次数Nmax_iteration以及最优解最大数量Kmax_solution。
(2)每幅遥感影像均存有对应的元数据信息,其中包括覆盖范围、云量、时间、分辨率和载荷等,用户检索过程中需要首先选定检索区域,然后将按照时间、载荷等查询条件检索影像元数据,得到所有满足要求的遥感影像作为待筛选的数据全集,如图2所示。
(3)首先对数据全集进行初步筛选,将其中覆盖区域高度重合的多景影像中成像质量较差、分辨率较低、时效性较差的影像进行过滤去除,得到过滤后数据全集,如图3所示。
(4)根据单幅影像的覆盖面积Ssingle_area、最低覆盖率δmin_cover以及覆盖用户选定检索区域面积Suser_area,计算满足最低覆盖率条件所需最低影像数量Nmin_image_num。采用遗传算法对影像解群体进行初始化,采用二进制编码的方法随机生成K个长为Nall_image_num的影像解,并进行编码,如图4所示,确保生成的影像解编码中1个数总和大于满足最低覆盖率条件所需最低影像数量Nmin_image_num,形成初始影像解群体;其中K为选定的影像解个数,Nall_image_num为过滤后的数据全集中遥感影像数量。步骤(4)包括如下步骤:
(401)根据单幅遥感影像的覆盖面积Ssingle_area、最低覆盖率δmin_cover以及用户选定的检索区域面积Suser_area,计算满足最低覆盖率条件所需最低影像数量Nmin_image_num为:
(402)生成k个长为Nall_image_num每位均为0的二进制变量,在每个二进制变量中随机选择m个位置{m1,m2..mm},将二进制变量中m个位置的0置1,生成初始影像解群体{O1O2O3…Oi…Ok},其中每个影像解表示为Omj表示过滤后的数据全集中第j幅遥感影像,Nall_image_num≥m≥Nmin_image_num,1≤i≤k,1≤j≤m。
(5)计算初始影像解群体中每个影像解的覆盖面积得分、分辨率覆盖得分、云覆盖得分、时效覆盖得分,通过加权方式得到综合得分,将得分作为每个解的选中概率采用轮盘法对影像解群体进行选择,循环使用与影像解群体中解数量相同次数的轮盘法进行选取,生成选取后影像解群体,如图5所示。
(6)将选取后影像解群体进行两两配对,将两个解编码中随机部分进行交换,生成交叉后解群体。将交叉后解群体中随机选择部分解,随机选取解编码中部分区间将1置0或将0置1进行变异,生成新一代影像解群体,如图6所示。
(7)对新一代影像解群体中每个解判断是否同时满足最低覆盖率、最低分辨率影像覆盖面积、云最高覆盖率以及时效最低覆盖率的条件,如果满足则作为最优解输出到候选解集合中;判断是否达到最优解最大数量或最大迭代次数,若是则按照用户需求手动从候选解集合中选择出最终解,一般选择影像数量最少的解作为最终解;否则将新一代影像解群体作为初始影像解群体,返回步骤(5)。
其中,步骤(5)包括如下步骤:
(501)对于每个影像解群组中每个解计算在覆盖面积、云覆盖率、时效覆盖率各方面的综合得分,首先将全球进行固定栅格化,按照栅格将用户选定检索区域划分为n个栅格P={P1,P2,P3..Pn},对每个Pn计算分值后相加即可得到整个用户选定检索区域的得分。为保证检索时效性,得分计算过程可实现离线计算,当有新影像接入数据库中时即开始计算该影像在对应栅格内所有得分,避免用户在检索时临时计算导致检索耗时急剧增加。具体得分计算公式如下:
其中覆盖面积得分为:
设resolutionj是过滤后的数据全集中第j幅影像的分辨率,则第j幅影像的分辨率参数rj为:
是第n个栅格的面积,根据rj计算分辨率覆盖得分Scoreresolution_cover为:
设cj是过滤后的数据全集中第j幅影像的云量,则云覆盖得分Scorecloud_cover为:
设tj是过滤后的数据全集中第j幅影像的时效性参数,用户查询时间范围为timestart—timeend,第j幅影像的拍摄时间为timej,则tj为:
根据tj计算得到时效覆盖得分Scoretime_cover为:
由于不同用户对覆盖面积、分辨率覆盖率、云覆盖率、时效覆盖率的需求侧重各有不同,因此需设定覆盖面积、分辨率覆盖率、云覆盖率和时效覆盖率各分值占比分别为α、β、θ、ε,采用加权求和的方式计算综合得分:
Scorefinal=αScorearea_cover+βScoreresolution_cover+θScorecloud_cover+εScoretime_cover
α+β+θ+ε=1。
本发明实现基于优化遗传算法的遥感海量影像自动筛选方法,采用时效比率、分辨率比率、质量比率衡量指标,其中时效比率是针对每个栅格计算影像最终解中覆盖该栅格的子集中最优时效得分,将所有栅格的最优时效得分的和,该指标表示该最终解的时效性;分辨率比率是针对每个栅格计算影像最终解中覆盖该栅格的子集中最优分辨率得分,将所有栅格的最优分辨率得分的和,该指标表示该最终解的较高分辨率覆盖率;质量比率是针对每个栅格计算影像最终解中覆盖该栅格的子集中最优质量得分,将所有栅格的最优质量得分的和,该指标表示该最终解的质量高低;本发明针对固定数据集和用户检索需求进行对比试验,最终本方法的平均时效比率优于1月、分辨率比率优于1m、质量比率优于5%,相比传统贪婪算法(时效比率优于2.5月、分辨率比率优于5m、质量比率优于10%),本方法具有较大性能提升。具体筛选效果如图7所示。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于优化遗传算法的遥感海量影像自动筛选方法,其特征在于包括步骤:
(1)设定用户对最优解的限制条件,包括最低覆盖率、最低分辨率影像覆盖面积、云最高覆盖率、时效最低覆盖率、最大迭代次数和最优解最大数量;
(2)用户选定检索区域,然后按照遥感影像的元数据信息检索遥感影像,将所有满足要求的遥感影像作为待筛选的数据全集;所述的遥感影像的元数据信息包括覆盖范围、云量、时间、分辨率和载荷;
(3)对数据全集进行初步筛选,将其中覆盖区域高度重合的多景影像中成像质量差、分辨率低以及时效性差的遥感影像进行过滤去除,得到过滤后的数据全集;
(4)根据单幅遥感影像的覆盖面积、最低覆盖率以及用户选定的检索区域面积,计算满足最低覆盖率条件所需最低影像数量,并采用二进制编码的方法随机生成K个长为Nall_image_num的影像解,并进行编码,使得编码后每个影像解中1的个数总和大于满足最低覆盖率条件所需最低影像数量,形成初始影像解群体;其中K为选定的影像解个数,Nall_image_num为过滤后的数据全集中遥感影像数量;
(5)计算初始影像解群体中每个影像解在覆盖面积、云最高覆盖率和时效覆盖率各方面的综合得分,将综合得分作为每个解的选中概率,采用轮盘法对初始影像解群体选择K次,生成选取后影像解群体;
(6)将选取后影像解群体进行两两配对,将两个解编码中随机部分进行交换,生成交叉后解群体,从交叉后解群体中随机选择部分解,将随机选取解编码中部分区间的1置0或0置1进行变异,生成新一代影像解群体;
(7)对新一代影像解群体中每个解判断是否同时满足最低覆盖率、最低分辨率影像覆盖面积、云最高覆盖率以及时效最低覆盖率的条件,如果满足则作为最优解输出到候选解集合中;判断是否达到最优解最大数量或最大迭代次数,若是则按照用户需求手动从候选解集合中选择出最终解,否则将新一代影像解群体作为初始影像解群体,返回步骤(5)。
2.根据权利要求1所述的基于优化遗传算法的遥感海量影像自动筛选方法,其特征在于,步骤(4)包括如下步骤:
(401)根据单幅遥感影像的覆盖面积Ssingle_area、最低覆盖率δmin_cover以及用户选定的检索区域面积Suser_area,计算满足最低覆盖率条件所需最低影像数量Nmin_image_num为:
(402)生成k个长为Nall_image_num每位均为0的二进制变量,在每个二进制变量中随机选择m个位置{m1,m2..mm},将二进制变量中m个位置的0置1,生成初始影像解群体{O1 O2 O3 …Oi … Ok},其中每个影像解表示为Omj表示过滤后的数据全集中第j幅遥感影像,Nall_image_num≥m≥Nmin_image_num,1≤i≤k,1≤j≤m。
3.根据权利要求1所述的基于优化遗传算法的遥感海量影像自动筛选方法,其特征在于,步骤(5)中计算初始影像解群体中每个影像解在覆盖面积、云最高覆盖率和时效覆盖率各方面的综合得分,具体为:
将全球进行固定栅格化,按照栅格将用户选定检索区域划分为N个栅格P={P1,P2,P3..PN},具体得分计算公式如下:
其中覆盖面积得分为:
设resolutionj是过滤后的数据全集中第j幅影像的分辨率,则第j幅影像的分辨率参数rj为:
是第n个栅格的面积,根据rj计算分辨率覆盖得分Scoreresolution_cover为:
设cj是过滤后的数据全集中第j幅影像的云量,则云覆盖得分Scorecloud_cover为:
设tj是过滤后的数据全集中第j幅影像的时效性参数,用户查询时间范围为timestart—timeend,第j幅影像的拍摄时间为timej,则tj为:
根据tj计算得到时效覆盖得分Scoretime_cover为:
设定覆盖面积、分辨率覆盖率、云覆盖率和时效覆盖率各分值占比分别为α、β、θ、ε,采用加权求和的方式计算综合得分:
Scorefinal=αScorearea_cover+βScoreresolution_cover+θScorecloud_cover+εScoretime_cover
α+β+θ+ε=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701599.4A CN110413828B (zh) | 2019-07-31 | 2019-07-31 | 基于优化遗传算法的遥感海量影像自动筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701599.4A CN110413828B (zh) | 2019-07-31 | 2019-07-31 | 基于优化遗传算法的遥感海量影像自动筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110413828A true CN110413828A (zh) | 2019-11-05 |
CN110413828B CN110413828B (zh) | 2021-08-31 |
Family
ID=68364724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910701599.4A Active CN110413828B (zh) | 2019-07-31 | 2019-07-31 | 基于优化遗传算法的遥感海量影像自动筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110413828B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017177A (zh) * | 2020-09-08 | 2020-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN112199528A (zh) * | 2020-10-12 | 2021-01-08 | 中国科学院空天信息创新研究院 | 一种大规模遥感数据在线获取方法 |
CN113297407A (zh) * | 2021-05-21 | 2021-08-24 | 生态环境部卫星环境应用中心 | 遥感影像优选方法和装置 |
CN114882379A (zh) * | 2022-07-04 | 2022-08-09 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
CN114926021A (zh) * | 2022-05-20 | 2022-08-19 | 上海交通大学 | 基于成像分割与规划一体化的卫星时序最优任务规划方法 |
CN116563105A (zh) * | 2023-04-18 | 2023-08-08 | 武汉大学 | 一种众源卫星遥感影像数据集优选方法及计算机可读介质 |
CN117112820A (zh) * | 2023-10-19 | 2023-11-24 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026832A1 (en) * | 2009-05-20 | 2011-02-03 | Lemoigne-Stewart Jacqueline J | Automatic extraction of planetary image features |
CN104077411A (zh) * | 2014-07-14 | 2014-10-01 | 中国科学院遥感与数字地球研究所 | 遥感卫星数据处理方法和系统 |
CN106845557A (zh) * | 2017-02-14 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种遥感图像变化信息检索的智能反馈方法 |
CN109308326A (zh) * | 2018-09-14 | 2019-02-05 | 中国科学院上海高等研究院 | 基于redis的遥感图像检索提取方法、系统、存储介质及装置 |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
CN109933842A (zh) * | 2019-01-23 | 2019-06-25 | 北京航空航天大学 | 一种基于约束满足遗传算法的移动目标单星任务规划方法 |
-
2019
- 2019-07-31 CN CN201910701599.4A patent/CN110413828B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026832A1 (en) * | 2009-05-20 | 2011-02-03 | Lemoigne-Stewart Jacqueline J | Automatic extraction of planetary image features |
CN104077411A (zh) * | 2014-07-14 | 2014-10-01 | 中国科学院遥感与数字地球研究所 | 遥感卫星数据处理方法和系统 |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
CN106845557A (zh) * | 2017-02-14 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种遥感图像变化信息检索的智能反馈方法 |
CN109308326A (zh) * | 2018-09-14 | 2019-02-05 | 中国科学院上海高等研究院 | 基于redis的遥感图像检索提取方法、系统、存储介质及装置 |
CN109933842A (zh) * | 2019-01-23 | 2019-06-25 | 北京航空航天大学 | 一种基于约束满足遗传算法的移动目标单星任务规划方法 |
Non-Patent Citations (1)
Title |
---|
彭晏飞;李佳: "基于遗传算法和SVM的遥感图像检索", 《小型微型计算机系统》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017177B (zh) * | 2020-09-08 | 2023-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN112017177A (zh) * | 2020-09-08 | 2020-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN112199528A (zh) * | 2020-10-12 | 2021-01-08 | 中国科学院空天信息创新研究院 | 一种大规模遥感数据在线获取方法 |
CN113297407A (zh) * | 2021-05-21 | 2021-08-24 | 生态环境部卫星环境应用中心 | 遥感影像优选方法和装置 |
CN113297407B (zh) * | 2021-05-21 | 2021-11-26 | 生态环境部卫星环境应用中心 | 遥感影像优选方法和装置 |
CN114926021B (zh) * | 2022-05-20 | 2023-01-03 | 上海交通大学 | 基于成像分割与规划一体化的卫星时序最优任务规划方法 |
CN114926021A (zh) * | 2022-05-20 | 2022-08-19 | 上海交通大学 | 基于成像分割与规划一体化的卫星时序最优任务规划方法 |
CN114882379B (zh) * | 2022-07-04 | 2022-09-13 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
CN114882379A (zh) * | 2022-07-04 | 2022-08-09 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
WO2024007598A1 (zh) * | 2022-07-04 | 2024-01-11 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
CN116563105A (zh) * | 2023-04-18 | 2023-08-08 | 武汉大学 | 一种众源卫星遥感影像数据集优选方法及计算机可读介质 |
CN116563105B (zh) * | 2023-04-18 | 2024-02-02 | 武汉大学 | 一种众源卫星遥感影像数据集优选方法及计算机可读介质 |
CN117112820A (zh) * | 2023-10-19 | 2023-11-24 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
CN117112820B (zh) * | 2023-10-19 | 2024-01-23 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110413828B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413828A (zh) | 基于优化遗传算法的遥感海量影像自动筛选方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN103500344A (zh) | 一种遥感影像信息提取与解译方法及其模块 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN105608222A (zh) | 一种大规模栅格数据集的瓦片金字塔快速构建方法 | |
CN110070091A (zh) | 用于街景理解的基于动态插值重建的语义分割方法及系统 | |
CN110458201A (zh) | 一种遥感影像面向对象分类方法及分类装置 | |
CN107392887A (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
Puri | COCO dataset stuff segmentation challenge | |
US20220415022A1 (en) | Systems and methods for categorizing image pixels | |
CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
CN111462090A (zh) | 一种多尺度图像目标检测方法 | |
CN107909062A (zh) | 一种基于信息熵的遥感影像特征离散化方法及系统 | |
JP2011107795A (ja) | 画像検索システム | |
CN111104855A (zh) | 一种基于时序行为检测的工作流识别方法 | |
Wang et al. | A region-line primitive association framework for object-based remote sensing image analysis | |
CN113343900A (zh) | 基于cnn与超像素结合的组合核遥感影像目标检测方法 | |
CN106846325A (zh) | 一种遥感影像最优分割结果确定的自动化方法 | |
CN114329058B (zh) | 图像聚档方法、装置和电子设备 | |
CN102622345A (zh) | 多源时空数据协同的高精度土地利用遥感更新技术 | |
Arun et al. | A deep learning based spatial dependency modelling approach towards super-resolution | |
CN113723281A (zh) | 基于局部自适应尺度集成学习的高分辨率影像分类方法 | |
CN112306730A (zh) | 基于历史项目伪标签生成的缺陷报告严重程度预测方法 | |
CN109447490A (zh) | 一种基于用户地址的户变关系异常判别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |