CN110826480A - 一种基于蚁群算法的水体自动提取方法 - Google Patents
一种基于蚁群算法的水体自动提取方法 Download PDFInfo
- Publication number
- CN110826480A CN110826480A CN201911065203.8A CN201911065203A CN110826480A CN 110826480 A CN110826480 A CN 110826480A CN 201911065203 A CN201911065203 A CN 201911065203A CN 110826480 A CN110826480 A CN 110826480A
- Authority
- CN
- China
- Prior art keywords
- water body
- ant
- pixel
- texture
- pheromone
- 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
Images
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
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 Processing (AREA)
Abstract
本发明公开了一种融合光谱纹理特征的蚁群水体自动提取方法,其步骤为:步骤S1:确定水体提取规则;通过目视解译,选择水体样本点,确定水体光谱纹理曲线范围,即选择水体特征光谱纹理区间来作为目标水体搜索范围;步骤S2:设置蚁群初始参数;将蚂蚁随机分布在输入图像上;初始化各种变量参数及预定参数;步骤S3:确定信息素更新规则;当所有蚂蚁完成一次循环后,各个像元上的信息素浓度,需要实时更新;步骤S4:确定蚂蚁移动规则;步骤S5:信息素浓度超过给定的阈值,被确定为水体信息。本发明具有原理简单、提取精度高、适用于自动化操作等优点。
Description
技术领域
本发明主要涉及到水体监测技术领域,特指一种融合光谱和纹理特征的蚁群水体自动提取方法。
背景技术
基于像元光谱和目视解译的水体信息提取方法在实际中应用广泛,但是,基于像元光谱的信息提取方法只能够根据光谱信息提取对象,忽略了大量的空间信息;目视解译方法主要利用遥感图像的纹理和结构信息,它要求有丰富的专业经验和充足的野外实地调查资料且效率低下。
随着提取方法的不断改进,通过加入一些规则、构建一些参数已实现了水体信息的自动分类提取,目前单波段阈值法、多波段谱间关系法、水体指数法等水体判别方法以及根据形状信息来进行水体识别和分类的方法相继得到了应用。其中,单波段法原理简单,主要利用水体和其他地物在近红外或中红外波段上光谱特征的差异来提取水体信息,阈值选取的准则直接决定了水体信息提取的准确性。在地物类型丰富、波段灰度值接近的影像上,单波段法具有一定的局限性。多波段谱间关系法、比值法和差值法主要是利用地物在不同波段的光谱特征和光谱差异,通过构造光谱差异关系和水体信息提取模型将水体和其他地物最大化地区分开来。在地形复杂区域,用谱间关系法提取水体信息时,除阴影外,冰雪和冲洪积物等也对水体信息提取产生明显干扰,多波段谱间关系法分析过程复杂、对背景信息抑制较差。水体指数法是基于水体光谱特征分析,选取与水体识别密切相关的波段,通过构建水体指数模型来分析水体与光谱值之间的关系,并给定相应的阈值,实现对水体信息的提取。该指数可以最大程度地抑制植被信息,突出水体信息,但忽视了土壤、建筑和阴影的影响,可以有效地将水体与植被及山体阴影等信息区分开。然而,不同的背景信息对水体提取精确性的影响不同,水体指数不能很好地适合所有的现实状态。
总的来说,以上几种方法存在以下几方面缺点:(1)基于像元光谱的信息提取方法只能够根据光谱信息提取对象,忽略了大量的空间信息;目视解译方法主要利用遥感图像的纹理和结构信息,它要求有丰富的专业经验和充足的野外实地调查资料且效率低下;(2)针对不同遥感卫星数据需要不同的计算模型和阈值,普适性低;(3)方法较为原始,提取精度低。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、提取精度低、适用于自动化操作的基于蚁群算法的水体自动提取方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于蚁群算法的水体自动提取方法,其步骤为:
步骤S1:确定水体提取规则;通过目视解译,选择水体样本点,确定水体光谱纹理曲线范围,即选择水体特征光谱纹理区间来作为目标水体搜索范围;
步骤S2:设置蚁群初始参数;将蚂蚁随机分布在输入图像上;初始化各种变量参数及预定参数;
步骤S3:确定信息素更新规则;当所有蚂蚁完成一次循环后,各个像元上的信息素浓度,需要实时更新;
步骤S4:确定蚂蚁移动规则;
步骤S5:信息素浓度超过给定的阈值,被确定为水体信息。
作为本发明的进一步改进:在步骤S1中,通过灰度共生矩阵,利用纹理方差这个纹理量,来提取水体信息的纹理特征;通过将遥感图像的所有波段与纹理方差的RGB数据组合起来,作为水体信息提取的基础数据。
作为本发明的进一步改进:在步骤S1中图像光谱纹理信息提取时,选用距离为1,方向为450,窗口为11×11,灰度级为32时的纹理方差这个纹理量,来提取水体信息的纹理特征。
作为本发明的进一步改进:在步骤S1中,考虑不同背景水体光谱信息的差异,选取不同类型的水体样本;设待分类像元的光谱纹理特征为[x1,x2,…,xN],水体特征光谱纹理为[y1,y2,…,yN],光谱纹理曲线上界偏移量为ui,其中i为波段,下界偏移量为di,则对于满足下式的像元称为水体像元:
yi-di≤xi≤yi+ui,i=1,2,…,N (公式1)。
作为本发明的进一步改进:在步骤S4中,确定蚂蚁移动规则;在任意时间步,蚂蚁k鉴别出所在位置像元是水体像元时,计算状态转移加权因子及8邻域每个像元的转移概率;在转移概率大于0的像元中,选择用轮赌算法选择移动到下一个像元;若8像元转移概率都等于0,则在邻近8像元中轮赌算法选择移动到下一个像元。
作为本发明的进一步改进:在步骤S2中,设定蚂蚁的兴奋阈值,当某支蚂蚁达到该兴奋阈值时,采用随机算法从8邻域中选择一个像元进行移动。
作为本发明的进一步改进:蚂蚁的状态转移规则用一个加权函数表示:
其中,这个方程描述了移动到信息素浓度为σ(r)的像素r处的相对概率;参数β表示一种随机度;β大,则w(σ)值较大,蚂蚁以较大的权系数跟随外激素浓度大的路径;反之,对蚂蚁路径选择影响不大;1/δ表示了蚂蚁感知外激素的能力。
作为本发明的进一步改进:蚂蚁从像元k运动到像元i的归一化的转移概率定义为:
w(Δ)是一加权因子,Δj表示蚂蚁在t-1时刻运动时的方向改变量,它的取值为8个离散的W值,一般蚂蚁的来向W定为1/20,原路径方向定为1,邻近的8个像元顺时针依次为1/20,1/12,1/4,1/2,1,1/2,1/4,1/12。
作为本发明的进一步改进:在步骤S2中,设定蚂蚁数量,迭代次数,兴奋状态,外激素阈值及模型参数,将每只蚂蚁随机分布在图像像元内。
作为本发明的进一步改进:在蚁群算法中设置循环直到迭代次数超过最大迭代次数,如果“蚁群迭代到某兴奋阈值”则蚂蚁采用随机算法从8邻域中选择一个像元进行移动;否则判断蚂蚁所在像元是否满水体提取规则;如果“是”则:
①首先计算8邻域每个像元的W(σ);
②根据进入方向分配8邻域每个像元的权值;
③根计算8邻域每个像元的转移概率pik;
④根据轮赌算法选择移动到下一个像元;
⑤铺设外激素以增强该条路径;否则,采用随机算法从8邻域中选择一个像元进行移动。
与现有技术相比,本发明的优点在于:
本发明的基于蚁群算法的水体自动提取方法,原理简单、提取精度低、适用于自动化操作,其综合考虑基于像素的光谱和基于空间特性的纹理和结构信息,考虑不同背景水体光谱和纹理信息的差异,选取不同类型的水体样本,保证水体提取的精度;最后利用蚁群这种全新仿生进化算法具有全局性、离散性和基于概率来选择路径等特点,进行水体信息提取,克服了传统的水体提取方法处理速度慢的缺点,实现水体目标快而优的识别。
附图说明
图1是本发明方法的流程示意图。
图2本发明在具体应用实例中水体光谱偏移区间示意图。
图3本发明在具体应用实例中水体光谱纹理区间设置界面示意图。
图4本发明在具体应用实例中蚁群算法初始参数设置界面示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
本发明针对基于像元光谱的信息提取方法只能够根据光谱信息提取对象,忽略了大量的空间信息;目视解译方法主要利用遥感图像的纹理和结构信息,它要求有丰富的专业经验和充足的野外实地调查资料且效率低下。综合考虑基于像素的光谱和基于空间特性的纹理和结构信息,考虑不同背景水体光谱和纹理信息的差异,选取不同类型的水体样本,保证水体提取的精度;针对不同遥感卫星数据需要不同的计算模型和阈值,普适性低的问题,选择水体特征光谱区间来作为目标水体搜索范围;针对方法较为原始,提取精度低的问题,本发明利用蚁群这种全新仿生进化算法具有全局性、离散性和基于概率来选择路径等特点,开发了一种基于蚁群算法的水体自动提取方法,以期克服传统的水体提取方法处理速度慢的缺点,实现水体目标快而优的识别。
如图1所示,本发明的基于蚁群算法的水体自动提取方法,其步骤为:
步骤S1:图像光谱纹理信息提取。
选用距离为1,方向为450,窗口为11×11,灰度级为32时的纹理方差这个纹理量,来提取水体信息的纹理特征。通过将遥感图像的所有波段与纹理方差的RGB数据组合起来,作为水体信息提取的基础数据。
步骤S2:确定水体提取规则。
通过目视解译,选择足够水体样本点,确定水体光谱纹理曲线偏移范围。
这是针对不同背景干扰,导致水体信息提取效果差的问题,本发明选用目视解译,考虑不同背景水体光谱纹理信息的差异,选取不同类型的水体样本,保证水体提取的精度。
设待分类像元的光谱纹理特征为[x1,x2,…,xN],水体特征光谱纹理为[y1,y2,…,yN],光谱纹理曲线上界偏移量为ui(i为波段),下界偏移量为di,则对于满足下式的像元称为水体像元:
yi-di≤xi≤yi+ui,i=1,2,…,N (公式1)
xi为待分类像元光谱纹理波段i的反射率值,yi为水体光谱纹理波段i的反射率值。
本发明方案中的蚁群算法(ant colony optimization algorithm,ACO)是意大利学者Dorigo,Maniezzo和Colorni在20世纪90年代提出的一种模拟自然界蚂蚁集体寻径行为的基于种群的启发式模拟进化算法,它是继神经网络、遗传算法(GA)、免疫算法之后的又一种新兴的启发式搜索算法。它具有离散性、并行性、鲁棒性、正反馈性等特点,由于其概念简明、实现方便,迅速得到大家的认可,并在优化问题求解、电力系统、计算机、冶金自动化及遥感等领域都有成功的应用。
蚁群算法模拟蚁群觅食活动,主要包括三个方面:
(1)蚂蚁的记忆。一只蚂蚁搜索过的路径在下次搜索时就不会被选择,由此在蚁群算法中建立禁忌列表来进行模拟。
(2)蚂蚁利用信息素进行相互通信。蚂蚁在所选择的路径上会释放出一种叫做信息素的物质,当它们的同伴进行路径选择时,会根据路径上的信息素多少进行选择,这样信息素就成为蚂蚁之间进行通讯的媒介。
(3)蚂蚁的集群活动。通过一只蚂蚁的运动很难找到最短路径到达食物源,但整个蚁群进行搜索就完全不同。当某些路径上通过的蚂蚁越来越多时,在路径上留下的信息素数量也越来越多,导致信息素强度增大,蚂蚁选择该路径的概率随之增加,从而进一步增加该路径的信息素强度,而某些路径上通过的蚂蚁较少时,路径上的信息素就会随时间的推移而蒸发。因此,模拟这种现象从而利用群体智能建立的路径选择机制,使蚁群算法的搜索向最优解推进。蚁群算法在某一时刻采取的行动只与上一时刻的行动相关,与前面所有时刻采取的行动均无关。这显而易见,因为蚂蚁每次选择路径以后,就将该路径存到禁忌列表中,选择下一条路径时,只能在禁忌列表中不包括的路径中进行选择,而禁忌列表正是蚂蚁前面所有时刻采取的行动所形成的。
在自然界中,蚁群的这种寻找最短路径的过程表现为一种正反馈的过程,与人工蚁群的寻优算法极为一致。如果我们把具备了简单功能的工作单元视为“蚂蚁”,那么上述寻找路径的过程可以用于解释人工蚁群的寻优过程,蚁群总是选择外激素浓度高的路径。
步骤S3:设置蚁群初始参数。
将M个人工蚂蚁随机分布在输入图像上;初始化各种变量参数及预定参数。通过反复实验,我们确定蚂蚁初始值为1000,迭代次数为2000,兴奋状态为10,信息素阈值为0.7,信息素释放率为0.07,信息素挥发率为0.015,蚂蚁感知信息素的能力5,期望值启发式因子为3.5。
步骤S4:确定信息素更新规则。
当所有蚂蚁完成一次循环后,各个像元上的信息素浓度,需要实时更新:
τi(t+1)=(1-ρ)τi(t)+Δτi (公式1)
其中
Lk是第k只蚂蚁在本次循环中找到的符合水体规则的像元数,Q为信息素总量,初始值定义为1。
信息素更新规则:当所有蚂蚁完成一次循环后,各个像元上的信息素浓度,进行实时更新。根据公式3,计算单只蚂蚁k在像元i上释放的信息素浓度增量;根据公式2,计算所有蚂蚁在像元i上释放的信息素浓度增量;根据公式1,在考虑信息素挥发的条件下,计算t+1次循环后i像元信息素浓度。
步骤S4:确定蚂蚁移动规则。
蚂蚁的状态转移规则可用一个加权函数表示:
其中,这个方程描述了移动到信息素浓度为σ的像素处的相对概率W(σ)。参数β表示一种随机度。β大,则W(σ)值较大,蚂蚁以较大的权系数跟随外激素浓度大的路径;反之,对蚂蚁路径选择影响不大。1/δ表示了蚂蚁感知外激素的能力,这里初始值定义为5。
蚂蚁从像元k运动到像元i的归一化的转移概率定义为:
Pik=W(σi)w(Δi)/∑j/kW(σj)w(Δj) (公式5)
w(Δ)是一加权因子,Δj表示蚂蚁在t-1时刻运动时的方向改变量,它的取值为8个离散的权值,一般蚂蚁的来向权定为1/20,原路径方向定为1,邻近的8个像元顺时针依次为1/20,1/12,1/4,1/2,1,1/2,1/4,1/12。
对于每一只蚂蚁一个时间步内只允许运动一步,即只能选择其8邻域像元中的一个像元作为其要到达的位置。在任意时间步,蚂蚁k鉴别出所在位置像元是水体像元时,计算状态转移加权因子及8邻域每个像元的转移概率。在转移概率大于0的像元中,选择用轮赌算法选择移动到下一个像元;若8像元转移概率都等于0,则在邻近8像元中轮赌算法选择移动到下一个像元。为了有利于全局搜索最优解,避免陷入局部最优解,设定了蚂蚁的兴奋阈值(蚂蚁的兴奋值定义为蚂蚁连续爬行的像元都是水体,这样的像元的个数),当某支蚂蚁达到该值时,采用随机算法从8邻域中选择一个像元进行移动。
其中轮赌算法为:可以想象一个转动的轮盘,注意这里轮盘最多只转一圈。每次转轮盘前,把色子随机放到轮盘外缘的某处,即色子不随轮盘转动,以一个随机数sel代表它所处的位置。轮盘转动后,色子所指示的轮盘扇区号不断变化,轮盘停止时色子所指示的轮盘上扇区号,即为本次轮盘赌所选中的像元。
步骤S5:提取水体信息。
因为信息素浓度高的路径,蚂蚁选择移动的概率高,所以随着时间步的增加,水体类的信息素浓度将越来越高,最终超过给定的阈值,从而被确定为水体信息。
本发明在一个具体应用实例中,参见图2-图4,其中图2是水体光谱偏移区间示意图,以环境卫星数据为例,横坐标为波段及纹理,纵坐标为反射率。虚线所围合区间为环境卫星数据上的水体光谱纹理分布区间。图3是水体光谱纹理区间设置界面示意图,设置水体光谱纹理每个波段的上下界。根据遥感影像波段数及纹理数的不同,可以灵活确定上下界。图4是蚁群算法初始参数设置界面示意图,因为蚁群算法的参数根据实验目的和效果的不同,参数不同。设置参数灵活输入的界面。本发明的详细流程包括:
步骤S100:数据预处理;
对遥感图像进行包括大气校正,几何校正,地理配准,裁减,掩码等预处理。
步骤S200:图像光谱纹理信息提取;
选用距离为1,方向为450,窗口为11×11,灰度级为32时的纹理方差这个纹理量,来提取水体信息的纹理特征。通过将遥感图像的所有波段与纹理方差的RGB数据组合起来,作为水体信息提取的基础数据。
步骤S300:初始化;
步骤S301:设定蚂蚁数量,迭代次数,兴奋状态,信息素阈值,信息素释放率,信息素挥发率及模型参数等。
步骤S302:将每只蚂蚁随机分布在图像像元内。
步骤S400:循环直到迭代次数超过最大迭代次数;
循环直到完成图像所有像元搜索;
如果图像遍历完成,则按照信息素更新规则更新所有信息素;
否则则判断如果“蚁群迭代到某兴奋阈值”则蚂蚁采用随机算法从8邻域中选择一个像元进行移动;
否则判断蚂蚁所在像元是否满水体提取规则;
如果“是”则
①首先根据公式1,计算8邻域每个像元的W(σ);
②根据进入方向分配8邻域每个像元的权值;
③根据公式2,计算8邻域每个像元的转移概率pik;
④根据轮赌算法选择移动到下一个像元;
⑤否则采用随机算法从8邻域中选择一个像元进行移动;
步骤S500:统计信息素浓度超过预定阈值的像元数,并标识为水体。
步骤S600:按照BSQ格式保存图像数据。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种基于蚁群算法的水体自动提取方法,其特征在于,步骤为:
步骤S1:确定水体提取规则;通过目视解译,选择水体样本点,确定水体光谱纹理曲线范围,即选择水体特征光谱纹理区间来作为目标水体搜索范围;
步骤S2:设置蚁群初始参数;将蚂蚁随机分布在输入图像上;初始化各种变量参数及预定参数;
步骤S3:确定信息素更新规则;当所有蚂蚁完成一次循环后,各个像元上的信息素浓度,需要实时更新;
步骤S4:确定蚂蚁移动规则;
步骤S5:信息素浓度超过给定的阈值,被确定为水体信息。
2.根据权利要求1所述的基于蚁群算法的水体自动提取方法,其特征在于,在步骤S1中,通过灰度共生矩阵,利用纹理方差这个纹理量,来提取水体信息的纹理特征;通过将遥感图像的所有波段与纹理方差的RGB数据组合起来,作为水体信息提取的基础数据。
3.根据权利要求2所述的基于蚁群算法的水体自动提取方法,其特征在于,在步骤S1中图像光谱纹理信息提取时,选用距离为1,方向为450,窗口为11×11,灰度级为32时的纹理方差这个纹理量,来提取水体信息的纹理特征。
4.根据权利要求1所述的基于蚁群算法的水体自动提取方法,其特征在于,在步骤S1中,考虑不同背景水体光谱信息的差异,选取不同类型的水体样本;设待分类像元的光谱纹理特征为[x1,x2,…,xN],水体特征光谱纹理为[y1,y2,…,yN],光谱纹理曲线上界偏移量为ui,其中i为波段,下界偏移量为di,则对于满足下式的像元称为水体像元:
yi-di≤xi≤yi+ui,i=1,2,…,N (公式1)。
5.根据权利要1-4中任意一项所述的基于蚁群算法的水体自动提取方法,其特征在于,在步骤S4中,确定蚂蚁移动规则;在任意时间步,蚂蚁k鉴别出所在位置像元是水体像元时,计算状态转移加权因子及8邻域每个像元的转移概率;在转移概率大于0的像元中,选择用轮赌算法选择移动到下一个像元;若8像元转移概率都等于0,则在邻近8像元中轮赌算法选择移动到下一个像元。
6.根据权利要求5所述的基于蚁群算法的水体自动提取方法,其特征在于,在步骤S2中,设定蚂蚁的兴奋阈值,当某支蚂蚁达到该兴奋阈值时,采用随机算法从8邻域中选择一个像元进行移动。
9.根据权利要1-4中任意一项所述的基于蚁群算法的水体自动提取方法,其特征在于,在步骤S2中,设定蚂蚁数量,迭代次数,兴奋状态,外激素阈值及模型参数,将每只蚂蚁随机分布在图像像元内。
10.根据权利要求9所述的基于蚁群算法的水体自动提取方法,其特征在于,在蚁群算法中设置循环直到迭代次数超过最大迭代次数,如果“蚁群迭代到某兴奋阈值”则蚂蚁采用随机算法从8邻域中选择一个像元进行移动;否则判断蚂蚁所在像元是否满水体提取规则;如果“是”则:
①首先计算8邻域每个像元的W(σ);
②根据进入方向分配8邻域每个像元的权值;
③根计算8邻域每个像元的转移概率pik;
④根据轮赌算法选择移动到下一个像元;
⑤铺设外激素以增强该条路径;否则,采用随机算法从8邻域中选择一个像元进行移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065203.8A CN110826480A (zh) | 2019-11-04 | 2019-11-04 | 一种基于蚁群算法的水体自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065203.8A CN110826480A (zh) | 2019-11-04 | 2019-11-04 | 一种基于蚁群算法的水体自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826480A true CN110826480A (zh) | 2020-02-21 |
Family
ID=69552644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065203.8A Pending CN110826480A (zh) | 2019-11-04 | 2019-11-04 | 一种基于蚁群算法的水体自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826480A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241722A (zh) * | 2020-11-18 | 2021-01-19 | 河南工业大学 | 一种基于蚁群算法的南极海冰遥感图像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571923A (zh) * | 2009-04-30 | 2009-11-04 | 上海大学 | 基于智能蚁群算法的遥感图像水系网半自动的提取方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
-
2019
- 2019-11-04 CN CN201911065203.8A patent/CN110826480A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571923A (zh) * | 2009-04-30 | 2009-11-04 | 上海大学 | 基于智能蚁群算法的遥感图像水系网半自动的提取方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
Non-Patent Citations (3)
Title |
---|
王东: "基于粒子群智能的遥感找矿方法" * |
薛云: "基于蚁群算法和支持向量机的矿化蚀变信息提取研究" * |
邓曾: "基于改进SVM算法的高分辨率遥感影像分类" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241722A (zh) * | 2020-11-18 | 2021-01-19 | 河南工业大学 | 一种基于蚁群算法的南极海冰遥感图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200065968A1 (en) | Joint Deep Learning for Land Cover and Land Use Classification | |
EP3614308A1 (en) | Joint deep learning for land cover and land use classification | |
McGlinchy et al. | Application of UNet fully convolutional neural network to impervious surface segmentation in urban environment from high resolution satellite imagery | |
Saralioglu et al. | Semantic segmentation of land cover from high resolution multispectral satellite images by spectral-spatial convolutional neural network | |
Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
Su et al. | Spectral analysis and mapping of blackgrass weed by leveraging machine learning and UAV multispectral imagery | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN113609889A (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
CN115376008A (zh) | 病虫害识别方法、装置、电子设备和存储介质 | |
CN110826480A (zh) | 一种基于蚁群算法的水体自动提取方法 | |
Bukheet et al. | Land cover change detection of Baghdad city using multi-spectral remote sensing imagery | |
Rhodes et al. | Integrating remote sensing and machine learning for regional-scale habitat mapping: advances and future challenges for desert locust monitoring | |
Thamilselvan et al. | An Extensive Review of Rainfall Prediction using Machine Learning and Deep Learning Techniques | |
CN111695436B (zh) | 一种基于目标增强的高空间分辨率遥感图像场景分类方法 | |
MohanRajan et al. | A novel fuzzy Harris hawks optimization-based supervised vegetation and bare soil prediction system for Javadi Hills, India | |
GB2607579A (en) | Tool for counting and sizing plants in a field | |
CN117611885A (zh) | 一种基于Canny边缘检测的候鸟生态调控方法 | |
CN113468939A (zh) | 一种基于监督最小化深度学习模型的sar目标识别方法 | |
CN117132884A (zh) | 一种基于地块尺度的农作物遥感智能提取方法 | |
Lopez et al. | Convolutional neural networks for semantic segmentation of multispectral remote sensing images | |
CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
Chan et al. | An assessment of geometric activity features for per-pixel classification of urban man-made objects using very high resolution satellite imagery | |
Jindal et al. | Predicting the dynamics of forest fire spread from satellite imaging using deep learning | |
Chen et al. | Improving fractional vegetation cover estimation with shadow effects using high dynamic range images |
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 |