CN110889840A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110889840A CN110889840A CN201911188090.0A CN201911188090A CN110889840A CN 110889840 A CN110889840 A CN 110889840A CN 201911188090 A CN201911188090 A CN 201911188090A CN 110889840 A CN110889840 A CN 110889840A
- Authority
- CN
- China
- Prior art keywords
- image
- extraction
- cloud
- remote sensing
- effectiveness
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种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,涉及卫星遥感技术领域,对遥感卫星数据中的各种干扰性因素的覆盖率进行检测,从而评估遥感数据的有效性;对遥感图像采用分块的方法,然后基于图像块进行检测;对图像块提取Gist图像特征,然后基于GIST图像特征在SVM分类器上进行分类;对于SVM分类得到的分类结果,根据不同的情况选择不同的检测流程分别检测;本发明可以针对任意大小的高分6号遥感卫星数据,有效检测云、阴影、雪等干扰性因素的覆盖率,快速准确地对图像数据的有效性进行评估,对符合要求的图像进行典型地物目标提取,有效提高目标提取的效率。
Description
技术领域
本发明涉及卫星遥感技术领域,尤其涉及一种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。
背景技术
如今,随着遥感卫星技术的不断发展,遥感卫星数据的分辨率越来越高,产生的数据也越来越多,但是并不是所有图像都能够被有效利用。云、雪、阴影是卫星影像中的常见元素,卫星影像在探测地表成像的过程中如果受到上述元素的遮挡,地表光谱特征将发生变化,情况严重时,则导致影像中存在着许多无法观察的盲区,对后续的图像解译与分析带来诸多不便。由于这些元素的像元属于无效像元,多数情况下生产人员都会选择尽量避开受这些元素影响的卫星影像,因此生产之前进行准确的检测并对覆盖情况进行准确描述就具有十分重要的意义。
现有的遥感卫星数据有效性检测方法,需要对图像中的每一种干扰性因素进行检测,就算图像中不包含干扰性因素,也需要进行大量的计算;图像过大时往往会造成内存不足的情况;由于图像中包含多种复杂的地物以及干扰性因素,对干扰性因素的检测会带来较大的负面影响,计算的复杂度也很高。
当对所有卫星遥感数据进行地物目标提取时,很多存在严重干扰因素不符合要求的数据都需要进行提取步骤,严重降低了目标提取效率。
发明内容
本发明可以针对任意大小的高分6号遥感卫星数据,检测云、阴影、雪等干扰性因素的覆盖率,快速准确地对图像数据的有效性进行评估,只对符合要求的图像数据进行水利设施、城镇群等典型地物目标提取,剔除了不符合要求的遥感数据目标提取步骤,能够有效提升目标提取效率。
本发明的目的是通过如下技术方案予以实现的:
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,包括如下步骤:
步骤1,对目标图像进行分块,且每个图像块大小为256*256;
步骤2,人工选择样本图像块根据GIST图像特征进行SVM模型训练,提取样本图像块的GIST图像特征,通过SVM分类器进行训练;
步骤3,根据图像块GIST图像特征的SVM分类结果分别进行如下处理:对于不包含任何干扰性因素的正常图像块,跳过干扰性因素检测步骤;对于只包含云这一种干扰性因素的图像块,只进行云提取;对于只包含雪这一种干扰性因素的图像块,只进行云提取;对于只包含阴影这一种干扰性因素的图像块,只进行阴影提取;对包含云和阴影两种干扰性因素的图像块,依次进行云提取和阴影提取;对包含雪和阴影两种干扰性因素的图像块,依次进行云提取和阴影提取;对包含云和雪两种干扰性因素的图像块,先进行云提取,然后进行云雪分离;
步骤4,合并所有图像块检测结果,统计覆盖率结果;
步骤5,按照不同要求制定质量有效性筛选策略,判断图像质量是否合格,对于合格的图像进行典型地物目标提取包含水利设施提取算法和城镇群提取算法,并最终生成质量有效性评估报告;否则直接生成质量有效性评估报告。
作为本发明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的进一步优选方案,在基于GIST图像特征的SVM分类器训练中,采用的是自动参数优化算法。
作为本发明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的进一步优选方案,使用的云提取算法包含如下步骤:
(1)基于HOT指数、VBR指数以及Significance Map来对每个像素进行筛选,符合条件的像素被标记为云;
(2)根据被标记的云进行导向滤波;
HOT指数可以反映蓝波段和红波段对于云的光谱反射与大部分地物的差异性,HOT指数的定义如下:
HOT=Iblue-0·5×Ired
其中Iblue为Iblue蓝波段的像素值,IredIred为红波段的像素值。
VBR指数可以将在RGB彩色彩色空间中一般呈现为灰色或者是白色的云与其他地物进行区分,VBR指数的定义如下:
其中Ired,Igreen,Iblue分别代表红、绿、蓝三个波段的像素值;
Significance Map通过云具有亮度较高色调较低的特征来检测云,先将像素的RGB颜色值转换到HSI颜色模型中的颜色值,Significance Map中每个像素的值W定义如下:
其中Iintensity和Ihue分别代表HSI颜色模型中的亮度值和色调值,将W的值转换到0到255的区间后,就对Significance Map进行Otsu自动阈值分割来找到区分云和其他类别的阈值TOtsu,然后对这个阈值进行约束,得到优化后的阈值TOptimal,约束方式如下:
Otsu为最大类间方差法。
作为本发明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的进一步优选方案,使用的阴影提取算法包含如下步骤:
(a)对图像数据的近红外波段执行腐蚀重建后的结果进行孔洞填充得到孔洞填充图像;
(b)根据近红外波段阈值以及孔洞填充阈值标记阴影;
(c)根据被标记的阴影进行导向滤波。
作为本发明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的进一步优选方案,孔洞填充是用腐蚀重建后的结果与原近红外波段像素值相减,获得填充孔洞的值,进而根据填充孔洞的值来筛选阴影;
导向滤波是以图像块的RGB图像作为引导图像来对前面生成的标记图像进行滤波。
作为本发明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的进一步优选方案,云雪分离是采用LBP纹理特征来对云区域和雪区域进行区分,即对云提取中得到的云区域提取LBP纹理特征,然后与人工选择的云样本以及雪样本提取的LBP纹理特征计算相似度,将该区域划分到最相似的那一类。
作为本发明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的进一步优选方案,在水利设施提取中,基于先验知识在NDWI水体指数的基础上采用自动化阈值判定、选取的方法提取水库;采用面向对象的信息提取方法通过影像预处理、遥感指数计算、影像分割、影像分类、水库水体与建筑物的拓扑关系判断提取运河;采用深度学习方法,对于不同空间分辨率下的大坝构建深度神经网络模型,开展多网络模型融合技术研究,依据高维空间大坝特征提取大坝等水利设施。
作为本发明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的进一步优选方案,使用的城镇群提取算法包含如下步骤:
(A)大城市群和小城镇群特征构建;
(B)基于多层级时空特征融合的大城市群和小城镇群高精度提取。
作为本发明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的进一步优选方案,对不同城镇群开展尺度效应分析,确定大城市群和小城镇群在不同空间分辨率下的可区分度,结合GF-6卫星具有不同分辨率传感器的特点,设计并构建针对不同空间尺度、具有不同语义层级的低层和高层特征;
其中,低层特征主要包括光谱特征和纹理特征两大类:光谱特征关注城镇群提取的光谱指数构建;纹理特征关注具有空间上下文信息的特征提取方法,包含灰度共生矩阵、PanTex指数提取;
高层特征拟采用视觉词包BOVW和深度学习方法,BOVW方法通过构建每个图像特征块所映射的单词及频次来映射描述复杂地物目标,实现复杂地物检测中特征的综合利用能力,研究进一步改进空间分布、关系和结构信息的优化;在深度卷积神经网络的框架下,构建多尺度深度网络模型,开展多网络模型融合技术研究,研究基于多网络融合学习的高维空间高层语义特征提取方法;同时结合GF-1卫星数据与GF-6卫星数据在光谱范围和空间分辨率上的一致性特点,构建多时相数据,研究城镇群时间序列特征提取与表示方法,形成具有一定时间维区分度的时间序列特征。
作为本发明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的进一步优选方案,基于所提取的多层级的时空维特征进行多特征融合,研究适用于大城市群和小城镇群提取的有效的特征集;利用融合特征,结合夜间灯光数据作为辅助数据实现对城镇群范围的空间范围约束,借助分类模型实现不同城镇群的高精度提取。
本发明与现有技术相比的有益效果是:
(1)本发明采用图像分块策略:通过图像分块可以处理任意大小的图像,摆脱计算机内存的限制;分块后的图像块包含的干扰性类别变少,可以通过粗分类来针对不同情况减少后续的干扰性因素提取步骤;分块后的图像复杂性比原图像低很多,加强了后续干扰性因素提取的有效性;
(2)本发明基于GIST图像特征粗分类策略:粗分类筛选后,由于许多图像块都只包含一种到两种干扰性因素,因此后续处理中不相关的干扰性因素检测步骤不需要进行,提高了算法的效率;
(3)本发明基于有效性检测的典型地物目标提取:基于干扰因素覆盖率结果进行遥感影像有效性筛选,对符合要求的遥感影像进行水利设施、城镇群等典型地物提取,对不符合要求的图像则跳过提取步骤,因此能有效提高目标提取效率。
附图说明
图1为本发明的SVM分类器训练的流程图;
图2为本发明的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流程图;
图3为本发明的水利设施提取中的水库、运河提取方法流程图;
图4为本发明的水利设施提取中的大坝提取方法流程图;
图5为本发明的城镇群提取方法流程图;
图6为本发明的云提取方法流程图;
图7为本发明的阴影提取方法流程图;
图8为本发明的云雪分离方法流程图。
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进一步的详细描述。
本发明的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主要利用分辨率为2m的图像数据中的RGB波段以及近红外波段的数据来对干扰性因素进行检测,从而实现快速的有效性检测。
如图1所示是本发明的SVM分类器训练流程图,首先将大量图像进行分块,人工选择对每一种情况具有代表性的图像块进行GIST图像特征提取,提取的特征输入到SVM分类模型中进行训练,模型训练的参数使用基于交叉验证的自动参数选择方法,训练结束后即可获得SVM分类器。
如图2所示是本发明的面向典型地物目标的高分6号遥感卫星数据的有效性检测流程图,由图2可以看出本发明的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包括如下步骤:
(1)对输入的遥感图像数据进行分块,即将图像从上到下,从左到右分成大小为256*256的图像块,每次处理的时候只从图像中读取一个图像块对应的数据进行处理。
(2)GIST图像特征提取,即将图像RGB波段数据转换到区间[0-255]之后调用GIST图像特征提取函数进行提取,获得GIST图像特征。GIST图像特征是一种基于全局信息的语义描述符,可以实现快速场景识别与分类。
(3)SVM分类,即将步骤(2)中提取的GIST图像特征放入步骤(1)中训练好的的SVM分类器,获取图像块的粗分类结果。
(4)根据粗分类结果,选择不同的处理方式::对于不包含任何干扰性因素的正常图像块,跳过干扰性因素检测步骤;对于只包含云这一种干扰性因素的图像块,只进行云提取;对于只包含雪这一种干扰性因素的图像块,只进行云提取;对于只包含阴影这一种干扰性因素的图像块,只进行阴影提取;对包含云和阴影两种干扰性因素的图像块,依次进行云提取和阴影提取;对包含雪和阴影两种干扰性因素的图像块,依次进行云提取和阴影提取;对包含云和雪两种干扰性因素的图像块,先进行云提取,然后进行云雪分离。
(5)生成图像块干扰性因素覆盖率结果,即每种干扰性因素占图像块中像素个数的比例。
(6)所有图像块干扰性因素覆盖率计算完毕后,汇总计算整个图像的干扰性因素覆盖率。
(7)按照不同要求制定质量有效性筛选策略,判断图像质量是否合格,如合格则进行水利设施、城镇群等典型地物目标提取,并最终生成质量有效性评估报告;否则直接生成质量有效性评估报告。
如图3所示是本发明的云提取流程图,将图像块RGB波段数据转换到区间[0-255],然后分别计算HOT指数、VBR指数以及Significance Map,HOT指数、VBR指数是根据设置的经验阈值来提取云,Significance Map是采用优化的Oust阈值法提取的阈值来提取云,最后三个指标提取的云取交集,获得云的粗提取结果。获得云的粗提取结果之后,以图像块的RGB图像作为引导图像,对粗提取结果进行导向滤波,获得云提取结果。
如图4所示是本发明的阴影提取流程图,将图像块近红外波段数据转换到区间[0-255],然后针对近红外波段进行腐蚀重建操作,获得的结果与原近红外波段数据相减,从而获得孔洞填充图,再根据孔洞填充图的值以及红外波段数据分别基于经验阈值提取阴影,最后将两个提取结果取交集,获得云的粗提取结果。获得云的粗提取结果之后,以图像块的RGB图像作为引导图像,对粗提取结果进行导向滤波,获得阴影提取结果。
如图5所示是本发明的云雪分离流程图,首先对云提取的结果进行连通性检测,获得云区域,然后计算每个云区域的LBP纹理特征,与人工选择的云样本以及雪样本提取的LBP纹理特征进行相似度计算,将该区域划分到最相似的一类中,从而获得云雪分离的结果。
如图6为本发明的水利设施提取中的水库、运河提取方法流程图,将图像块RGB波段数据转换到区间[0-255],结合水利普查基础矢量数据等先验知识,确定进行水库、人工运河提取的大致位置和范围,在NDWI水体指数的基础上采用自动化阈值判定、选取的方法,结合面向对象方法提取水库、运河等水利设施。
图7为本发明的水利设施提取中的大坝提取方法流程图,将图像块RGB波段数据转换到区间[0-255],对大坝开展尺度效应分析,确定不同大坝类型在不同空间分辨率下的可区分度,结合GF-6卫星具有不同分辨率传感器的特点,设计并构建针对不同空间尺度的深度神经网络模型;基于所构建的多尺度深度网络模型,开展多网络模型融合技术研究,研究基于多网络融合学习的高维空间大坝特征提取方法;结合深度学习的特征分类优势,对所提取的大坝高维特征进行分类建模和准确识别。
图8为本发明的城镇群提取方法流程图,由图8可以看出本发明的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包括如下步骤:
(1)对不同城镇群开展尺度效应分析,确定大城市群和小城镇群在不同空间分辨率下的可区分度,结合GF-6卫星具有不同分辨率传感器的特点,设计并构建针对不同空间尺度、具有不同语义层级的低层和高层特征;
其中,低层特征主要包括光谱特征和纹理特征两大类:光谱特征主要关注城镇群提取的光谱指数构建;纹理特征主要关注具有空间上下文信息的特征提取方法,如灰度共生矩阵、PanTex指数提取等。
高层特征拟采用视觉词包BOVW和深度学习方法。BOVW方法通过构建每个图像特征块所映射的单词及频次来映射描述复杂地物目标,实现复杂地物检测中特征的综合利用能力,研究进一步改进空间分布、关系和结构信息的优化;在深度卷积神经网络的框架下,构建多尺度深度网络模型,开展多网络模型融合技术研究,研究基于多网络融合学习的高维空间高层语义特征提取方法。
同时结合GF-1卫星数据与GF-6卫星数据在光谱范围和空间分辨率上的一致性特点,构建多时相数据,研究城镇群时间序列特征提取与表示方法,形成具有一定时间维区分度的时间序列特征。
(2)基于所提取的多层级的时空维特征进行多特征融合,分别研究适用于大城市群和小城镇群提取的有效的特征集;
(3)利用融合特征,结合夜间灯光数据作为辅助数据实现对城镇群范围的空间范围约束,借助分类模型实现不同城镇群的高精度提取。
总之,本发明能够支持对任意大的高分6号遥感图像进行有效性检测,快速有效地生成各种干扰性因素的覆盖率,提高对图像质量评估的效率,对于符合要求的图像进行水利设施、城镇群等地物目标提取,能够有效提高遥感影像目标提取效率,为图像的有效应用提供了技术支撑。
本发明快速有效地对面向典型地物目标的高分6号遥感卫星数据的有效性进行评估,尤其是在拥有大量数据的情况下,能够筛选剔除不符合要求的遥感影像,此方法可以较大幅度提升高分6号遥感卫星数据的应用效率。
Claims (10)
1.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,其特征在于,包括如下步骤:
步骤1,对目标图像进行分块,且每个图像块大小为256*256;
步骤2,人工选择样本图像块根据GIST图像特征进行SVM模型训练,提取样本图像块的GIST图像特征,通过SVM分类器进行训练;
步骤3,根据图像块GIST图像特征的SVM分类结果分别进行如下处理:对于不包含任何干扰性因素的正常图像块,跳过干扰性因素检测步骤;
对于只包含云这一种干扰性因素的图像块,只进行云提取;对于只包含雪这一种干扰性因素的图像块,只进行云提取;对于只包含阴影这一种干扰性因素的图像块,只进行阴影提取;对包含云和阴影两种干扰性因素的图像块,依次进行云提取和阴影提取;对包含雪和阴影两种干扰性因素的图像块,依次进行云提取和阴影提取;对包含云和雪两种干扰性因素的图像块,先进行云提取,然后进行云雪分离;
步骤4,合并所有图像块检测结果,统计覆盖率结果;
步骤5,按照不同要求制定质量有效性筛选策略,判断图像质量是否合格,对于合格的图像进行典型地物目标提取包含水利设施提取算法和城镇群提取算法,并最终生成质量有效性评估报告;否则直接生成质量有效性评估报告。
2.根据权利要求1所述的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,其特征在于,在基于GIST图像特征的SVM分类器训练中,采用的是自动参数优化算法。
3.根据权利要求1所述的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,其特征在于,使用的云提取算法包含如下步骤:
(1)基于HOT指数、VBR指数以及Significance Map来对每个像素进行筛选,符合条件的像素被标记为云;
(2)根据被标记的云进行导向滤波;
HOT指数可以反映蓝波段和红波段对于云的光谱反射与大部分地物的差异性,HOT指数的定义如下:
HOT=Iblue-0.5×Ired
其中Iblue为Iblue蓝波段的像素值,IredIred为红波段的像素值。
VBR指数可以将在RGB彩色彩色空间中一般呈现为灰色或者是白色的云与其他地物进行区分,VBR指数的定义如下:
其中Ired,Igreen,Iblue分别代表红、绿、蓝三个波段的像素值;
Significance Map通过云具有亮度较高色调较低的特征来检测云,先将像素的RGB颜色值转换到HSI颜色模型中的颜色值,Significance Map中每个像素的值W定义如下:
其中Iintensity和Ihue分别代表HSI颜色模型中的亮度值和色调值,将W的值转换到0到255的区间后,就对Significance Map进行Otsu自动阈值分割来找到区分云和其他类别的阈值TOtsu,然后对这个阈值进行约束,得到优化后的阈值TOptimal,约束方式如下:
Otsu为最大类间方差法。
4.根据权利要求1所述的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,其特征在于,使用的阴影提取算法包含如下步骤:
(a)对图像数据的近红外波段执行腐蚀重建后的结果进行孔洞填充得到孔洞填充图像;
(b)根据近红外波段阈值以及孔洞填充阈值标记阴影;
(c)根据被标记的阴影进行导向滤波。
5.根据权利要求4所述的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,其特征在于,孔洞填充是用腐蚀重建后的结果与原近红外波段像素值相减,获得填充孔洞的值,进而根据填充孔洞的值来筛选阴影;
导向滤波是以图像块的RGB图像作为引导图像来对前面生成的标记图像进行滤波。
6.根据权利要求1所述的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,其特征在于,云雪分离是采用LBP纹理特征来对云区域和雪区域进行区分,即对云提取中得到的云区域提取LBP纹理特征,然后与人工选择的云样本以及雪样本提取的LBP纹理特征计算相似度,将该区域划分到最相似的那一类。
7.根据权利要求1所述的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,其特征在于,在水利设施提取中,基于先验知识在NDWI水体指数的基础上采用自动化阈值判定、选取的方法提取水库;采用面向对象的信息提取方法通过影像预处理、遥感指数计算、影像分割、影像分类、水库水体与建筑物的拓扑关系判断提取运河;采用深度学习方法,对于不同空间分辨率下的大坝构建深度神经网络模型,开展多网络模型融合技术研究,依据高维空间大坝特征提取大坝等水利设施。
8.根据权利要求1所述的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,其特征在于,使用的城镇群提取算法包含如下步骤:
(A)大城市群和小城镇群特征构建;
(B)基于多层级时空特征融合的大城市群和小城镇群高精度提取。
9.根据权利要求6所述的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,其特征在于,对不同城镇群开展尺度效应分析,确定大城市群和小城镇群在不同空间分辨率下的可区分度,结合GF-6卫星具有不同分辨率传感器的特点,设计并构建针对不同空间尺度、具有不同语义层级的低层和高层特征;
其中,低层特征主要包括光谱特征和纹理特征两大类:光谱特征关注城镇群提取的光谱指数构建;纹理特征关注具有空间上下文信息的特征提取方法,包含灰度共生矩阵、PanTex指数提取;
高层特征拟采用视觉词包BOVW和深度学习方法,BOVW方法通过构建每个图像特征块所映射的单词及频次来映射描述复杂地物目标,实现复杂地物检测中特征的综合利用能力,研究进一步改进空间分布、关系和结构信息的优化;在深度卷积神经网络的框架下,构建多尺度深度网络模型,开展多网络模型融合技术研究,研究基于多网络融合学习的高维空间高层语义特征提取方法;同时结合GF-1卫星数据与GF-6卫星数据在光谱范围和空间分辨率上的一致性特点,构建多时相数据,研究城镇群时间序列特征提取与表示方法,形成具有一定时间维区分度的时间序列特征。
10.根据权利要求7所述的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,其特征在于,基于所提取的多层级的时空维特征进行多特征融合,研究适用于大城市群和小城镇群提取的有效的特征集;利用融合特征,结合夜间灯光数据作为辅助数据实现对城镇群范围的空间范围约束,借助分类模型实现不同城镇群的高精度提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911188090.0A CN110889840A (zh) | 2019-11-28 | 2019-11-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911188090.0A CN110889840A (zh) | 2019-11-28 | 2019-11-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889840A true CN110889840A (zh) | 2020-03-17 |
Family
ID=69749170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911188090.0A Pending CN110889840A (zh) | 2019-11-28 | 2019-11-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889840A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815664A (zh) * | 2020-07-08 | 2020-10-23 | 云南电网有限责任公司电力科学研究院 | 一种火点检测方法和系统 |
CN112633070A (zh) * | 2020-11-27 | 2021-04-09 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像建筑物提取方法及系统 |
CN115797362A (zh) * | 2023-02-13 | 2023-03-14 | 航天宏图信息技术股份有限公司 | 高分遥感影像的质量评估方法、装置及电子设备 |
CN116470993A (zh) * | 2023-06-20 | 2023-07-21 | 中国科学院空天信息创新研究院 | 遥感卫星原始数据的质量确定装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426903A (zh) * | 2015-10-27 | 2016-03-23 | 航天恒星科技有限公司 | 一种遥感卫星图像的云判方法及系统 |
CN109035223A (zh) * | 2018-07-11 | 2018-12-18 | 北京航空航天大学 | 一种用于卫星遥感图像可用度的智能评估方法 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
CN110458048A (zh) * | 2019-07-23 | 2019-11-15 | 南京林业大学 | 顾及城镇格局特征的人口分布时空演变与认知 |
-
2019
- 2019-11-28 CN CN201911188090.0A patent/CN110889840A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426903A (zh) * | 2015-10-27 | 2016-03-23 | 航天恒星科技有限公司 | 一种遥感卫星图像的云判方法及系统 |
CN109035223A (zh) * | 2018-07-11 | 2018-12-18 | 北京航空航天大学 | 一种用于卫星遥感图像可用度的智能评估方法 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
CN110458048A (zh) * | 2019-07-23 | 2019-11-15 | 南京林业大学 | 顾及城镇格局特征的人口分布时空演变与认知 |
Non-Patent Citations (3)
Title |
---|
QING ZHANG ET AL: ""Cloud Detection of RGB Color Aerial Photographs by Progressive Refinement Scheme"", 《JOURNAL OF LATEX CLASS FILES》 * |
ZHIWEI LI ET AL: ""Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery"", 《REMOTE SENSING OF ENVIRONMENT》 * |
史静等: ""多特征融合的场景图像分类算法"", 《计算机系统应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815664A (zh) * | 2020-07-08 | 2020-10-23 | 云南电网有限责任公司电力科学研究院 | 一种火点检测方法和系统 |
CN111815664B (zh) * | 2020-07-08 | 2023-10-17 | 云南电网有限责任公司电力科学研究院 | 一种火点检测方法和系统 |
CN112633070A (zh) * | 2020-11-27 | 2021-04-09 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像建筑物提取方法及系统 |
CN115797362A (zh) * | 2023-02-13 | 2023-03-14 | 航天宏图信息技术股份有限公司 | 高分遥感影像的质量评估方法、装置及电子设备 |
CN116470993A (zh) * | 2023-06-20 | 2023-07-21 | 中国科学院空天信息创新研究院 | 遥感卫星原始数据的质量确定装置及方法 |
CN116470993B (zh) * | 2023-06-20 | 2023-09-05 | 中国科学院空天信息创新研究院 | 遥感卫星原始数据的质量确定装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
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 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN110135354B (zh) | 一种基于实景三维模型的变化检测方法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN106022341B (zh) | 高分辨率光学遥感图像灾后水体信息提取方法及系统 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
Dong et al. | A novel method for extracting information on pores from cast thin-section images | |
CN110765934A (zh) | 一种多源数据融合的地质灾害识别方法 | |
CN106340005A (zh) | 基于尺度参数自动优化的高分遥感影像非监督分割方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN115147746B (zh) | 基于无人机遥感图像的盐碱地质识别方法 | |
CN114596495A (zh) | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 | |
YU et al. | Object oriented land cover classification using ALS and GeoEye imagery over mining area | |
Liu et al. | Extraction of earthquake-induced collapsed buildings from bi-temporal VHR images using object-level homogeneity index and histogram | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
CN112085725B (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 | |
CN115661675A (zh) | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |