CN110956101A - 一种基于随机森林算法的遥感影像黄河冰凌检测方法 - Google Patents
一种基于随机森林算法的遥感影像黄河冰凌检测方法 Download PDFInfo
- Publication number
- CN110956101A CN110956101A CN201911131464.5A CN201911131464A CN110956101A CN 110956101 A CN110956101 A CN 110956101A CN 201911131464 A CN201911131464 A CN 201911131464A CN 110956101 A CN110956101 A CN 110956101A
- Authority
- CN
- China
- Prior art keywords
- image
- sample set
- random forest
- ice
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 235000015243 ice cream Nutrition 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 129
- 238000003708 edge detection Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 241001085205 Prenanthella exigua Species 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000005457 ice water Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 230000032900 absorption of visible light Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机森林算法的遥感影像黄河冰凌检测方法，具体为：S1：准备训练样本集合A和待检测样本集合B；S2：处理训练样本集合A形成训练样本集C；S3：使用样本训练样本集C训练分类器模型；S4：使用分类器模型检测待检测样本集合B中的样本，得到第一次分类检测结果；S5：选择具有检测错误位置的影像作为错检样本，和影像训练样本集C组成新的训练样本集E，利用训练样本集E对随机森林训练，得到新的分类器模型；S6：使用新的分类器模型检测待检测影像，确定冰凌分布范围，得到最终待检测影像的分类结果；本发明得到的随机森林分类器模型可以自动检测新的待检测影像，检测精度和总体分类精度达90％以上，为减灾应急提供决策支持。
Description
技术领域
本发明涉及一种黄河冰凌检测方法，具体涉及一种基于随机森林算法的遥感影像黄河冰凌检测方法。
背景技术
黄河位于中国北部，呈“几”字形，自西向东分别流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南和山东，最后流入渤海。它全长约5464公里，流域面积约752443平方公里，是中国第二长河。黄河中上游以山地为主，中下游以平原、丘陵为主，河流中段流经黄土高原地区，因此夹带了大量的泥沙。黄河流域东西相隔23个经度，南北跨越10个纬度，流域内地形地貌相差悬殊，径流量的变化幅度也较大。冬春季受西伯利亚和蒙古一带冷空气的影响，偏北风较多，气候干旱寒冷，雨雪稀少。流域内冬季西部气温低于东部，北部气温低于南部，高山气温低于平原，并且一月平均气温都在0℃以下。因此黄河干流和支流在冬季都有不同程度的冰情现象。
凌汛是冰凌对水流产生阻力而引起的水位明显上涨的水文现象，冰凌有时可以聚集成冰塞或冰坝，造成水位大幅度太高，造成漫滩或决堤，称为凌洪，多发生于冬季的封河期和春季的开河期。中国北方的大河存在封河期，因此容易发生凌汛。黄河中游部分存在下游比上游温度更低且相差较为明显的部分，再加上黄河流速缓慢，因此冬季容易产生凌汛灾害。这些冰凌灾害会对冬季的水运交通、发电供水及水工建筑物等有直接影响，会造成壅高水位、漫堤决口，给人民的生活稳定及国家经济发展带来巨大的威胁和损害。
为了保证人民的生命财产安全，有关部门每年都要花费大量人力、物力用于黄河冰凌的监测。因此，黄河冰凌灾害监测具有十分重要的意义，而其前提是黄河冰凌信息的检测。
发明内容
针对现有技术的不足，本发明的目的旨在提供一种基于随机森林算法的遥感影像黄河冰凌检测方法，能够利用机器学习随机森林算法，精度较高，速度较快。
为实现上述目的，本发明采用如下技术方案：
一种基于随机森林算法的遥感影像黄河冰凌检测方法，具体步骤为：
步骤一：准备训练样本集合A和待检测样本集合B，所述训练样本集合A和所述待检测样本集合B中的样本数量一致；
步骤二：将训练样本集合A中的黄河冰凌和地物样本裁剪成小影像块，有裁剪的小影像块构建成影像训练样本集C；
步骤三：使用影像样本训练样本集C训练随机森林，得到随机森林分类器模型，该分类器模型可以分类出影像上的黄河冰凌和地面地物；
步骤四：将待检测样本集合B中的影像样本裁剪分块，以小影像块为基本单元对每一幅影像样本进行检测，标记出地物的影像块和冰凌的影像块，得到待检测样本集合B第一次分类检测结果；
步骤五：选择具有检测错误位置的影像作为错检样本，得到错检地物和冰凌训练样本D；将影像训练样本集C和错检地物和冰凌训练样本集D一起组成新的训练样本集E，利用训练样本集E对随机森林训练，得到新的随机森林分类器模型；
步骤六：将待检测影像输入到所述新的随机森林分类器模型中，得到初步检测结果，对具有所述初步检测结果的影像进行形态学膨胀腐蚀操作，得到冰凌的分布范围；
步骤七：将检测完毕的影像合并，排除筛选影像中小于预设阈值的孤立小区域，得到最终的待检测影像的分类结果。
进一步地，所述步骤二中将训练样本集合A中的黄河冰凌和地物样本裁剪成小影像块，具体为：从训练样本集A中的样本中粗略选择黄河冰凌和地物的影像样本块，将粗略选择黄河冰凌和地物的影像样本块裁剪成64×64小影像块。
进一步地，所述步骤三中使用影像样本训练样本集C训练随机森林分，具体步骤为：
提取训练样本集C中的颜色光谱特征、纹理特征和边缘特征；
使用颜色光谱特征、纹理特征和边缘特征组成特征空间矩阵；
利用所述特征空间矩阵进行随机森林训练，得到随机森林分类器模型。
进一步地，所述步利用所述特征空间矩阵进行随机森林训练的具体步骤：采用OpenCV视觉库中的机器学习库ml中的Random Trees算法，用CvRTrees类中的train函数读取训练样本训练随机森林模型，train函数内部调用CvRTParams类来设置随机森林的初始参数，包括决策树的最大数量、决策树节点最小样本数、OOB终止误差精度要求、决策树深度、节点分裂特征子集候选特征数、特征属性最大类别数九个参数，train函数返回true则代表训练成功，随机森林分类器模型生成。
进一步地，所述步骤四的具体实现方法为：
将待检测样本集B中的多光谱影像块切分成16×16像素大小，全色影像块切分成32×32像素大小；
提取待检测影像每个小影像块的颜色光谱特征、纹理特征和边缘特征；
将提取的颜色光谱特征、纹理特征和边缘特征放到一个特征矩阵中；
以小影像块为基本单元对每一幅影像进行检测，将为地物的影像块标记为0，冰凌的影像块标记为1；
将影像中标记为1的影像区域颜色标记为特定某种颜色，得到待检测样本集合B的第一次分类检测结果。
进一步地，所述步骤五中利用训练样本集E对随机森林训练的具体步骤为：
提取训练样本集E的颜色光谱特征、纹理特征和边缘特征；
使用颜色光谱特征、纹理特征和边缘特征组成特征空间矩阵；
利用所述特征空间矩阵进行随机森林训练，得到新的随机森林分类器模型。
进一步地，所述步骤八中对所述初步检测结果的影像进行形态学膨胀腐蚀操作具体为：对初步检测结果的影像进行二值化，利用OpenCV中的形态学膨胀函数cvDilate对生成的二值图像进行膨胀操作，填补目标区域中的空洞，将各类别区域连接起来；然后再用形态学腐蚀函数cvErode对膨胀后的图像进行腐蚀处理，得到黄河冰凌的分布范围。
进一步地，所述步骤九中还包括星冰凌区域或只占几个影像块的冰凌区域，这两种类别的区域范围有相交的区域时，将相交的区域划分为范围区域较大的那一方。
本发明的有益效果在于：本发明的检测方法适用于多光谱影像，也适用于全色影像；对GF1多光谱影像(625幅)、GF2全色影像(420幅)、ZY-02C全色影像(560幅)进行检测，其精度达到了93.1％、91.4％、90.7％；检测方法中总体分类精度达到91.18％，Kappa系数达到0.8以上，为减灾应急防措提供决策支持，使用本发明得到的随机森林分类器模型可以自动检测新的待检测影像。
附图说明
附图1为本发明的检测方法流程图；
附图2为冰、水反射光谱特征曲线；
附图3为canny边缘检测流程。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
实施例一
如图1所示，一种基于随机森林算法的遥感影像黄河冰凌检测方法，具体步骤为：
步骤一：利用提前准备好的带有黄河冰凌的遥感影像样本制作训练样本集合A和待检测样本集合B，训练样本集合A和所述待检测样本集合B中的样本数量一致，遥感影像可以提前从网上下载或者购买；
步骤二：粗略选择训练样本集合A中大的黄河冰凌和地物样本块，将粗略选择的黄河冰凌和地物样本块裁剪成64×64的小影像块，构建成黄河冰凌样本集和地物样本集C，即影像训练样本集C；
步骤三：从影像训练样本集C中提取影像样本集的颜色光谱特征、纹理特征和边缘特征，并组成特征空间矩阵进行随机森林训练，得到一次随机森林分类器模型，该分类器模型可以分类出影像上的黄河冰凌和地面地物；
采用OpenCV视觉库中的机器学习库ml中的Random Trees算法，用CvRTrees类中的train函数读取训练输入样本训练随机森林模型，train函数内部调用CvRTParams类来设置随机森林的初始参数，包括决策树的最大数量、决策树节点最小样本数、OOB终止误差精度要求、决策树深度、节点分裂特征子集候选特征数、特征属性最大类别数等九个参数，train函数返回true则代表训练成功，随机森林分类器模型生成。
步骤四：将待检测样本集B中的多光谱影像块切分成16×16像素大小，全色影像块切分成32×32像素大小，提取待检测影像中每个小影像块的颜色光谱特征、纹理特征和边缘特征，并放到一个特征矩阵中；
本申请中选取的影像中多光谱影像快视图长宽尺寸均在1200像素左右，全色影像快视图长宽尺寸均在2500像素左右；
步骤五：用CvRTrees类中的predict函数调用随机森林模型，以小影像块为基本单元对每一幅影像样本使用多线程进行分类预测，将为地物的影像块标记为0，冰凌的影像块标记为1，将影像中标记为1的影像区域标记为黄色颜色，得到影像集B第一次分类检测结果，为了提高检测精度，防止特征提取不够多，防止提取的特征不能完全满足检测的需要，故需要进行二次检测，选择具有检测错误位置的影像作为错检样本，得到错检地物和冰凌训练样本D；
虽然检测效果较好、基本上可将影像上的冰凌区域检测出来，但通过颜色光谱特征、纹理特征、边缘特征的分析判断，也存在一些较明显的错误，如将明亮区域错误检测为冰凌，影响了影像质检的精度，如全色影像中将河道上亮白色区域错检为地物，因为全色影像中河道上只有冰凌区域显示为亮白色；多光谱影像中将白色和淡蓝色区域错检为地物，因为多光谱影像中厚冰为白色，薄冰呈现淡蓝色；或者将影像中较黑色区域错检为冰凌，因为冰凌在影像中为白色区域；比如将河道上白色边缘较尖锐区域错检为地物等等。
步骤六：将影像训练样本集C和错检地物和冰凌训练样本集D一起组成新的训练样本集E，提取训练样本集E颜色光谱特征、纹理特征和边缘特征，组成一个特征空间矩阵，利用组成的特征空间矩阵进行随机森林训练，得到新的随机森林分类器模型；
步骤八：将待检测影像输入到所述新的随机森林分类器模型中，得到初步检测结果，并对所述初步检测结果的影像进行形态学膨胀腐蚀操作，得到冰凌的分布范围；
图像处理中的形态学往往表示为数学形态学，对表征区域形状最有价值的图像分量提取出来，便于图像识别和检测。腐蚀和膨胀、开闭运算、骨架提取等是最基本的图像数字形态学处理方法。
对初步检测结果的影像进行二值化，利用OpenCV中的形态学膨胀函数cvDilate对生成的二值图像进行膨胀操作，填补目标区域中的空洞，将各类别区域连接起来；然后再用形态学腐蚀函数cvErode对膨胀后的图像进行腐蚀处理，得到黄河冰凌的分布范围。
步骤九：将检测完毕的影像合并，排除筛选影像中小于预设阈值的孤立小区域，零星冰凌区域或只占几个影像块的冰凌区域，这两种类别的区域范围有相交的区域时，将相交的区域划分为范围区域较大的那一方，将影像中黄河冰凌部分用不同的色块表示，即将标记为1的影像块用不同颜色表示出来。得到最终的待检测影像的分类结果。
(1)颜色光谱特征提取步骤为：
第一，黄河冰凌的颜色光谱特征分析：
一般河流结冰的过程是：随着温度的持续下降，水形成冰晶，冰晶形成岸冰，岸冰形成水内冰或者河底冰，水内冰再形成冰凌块，冰凌块最后形成盖面冰，即河面上的冰。黄河宁夏内蒙段冰凌的结构类型可分为三种，第一种是河段上游流过来的冰花构成，河道主流处的冰是通过这种方式产生的；第二种是由于温度的持续下降，由岸冰延伸封冻的盖面冰、封冻残留下的清沟和再次被封冻形成的冰层；第三种是由于河水上涨到水面漂浮的冰盖上面，因温度过低导致积水区也结冰，也称为附加冰；本发明现阶段是将影像上的冰凌检测出来，故没有将冰凌分类。
全色影像中，由于绝大部分可见光被反射，全色影像中只有冰凌的区域显示为亮白色；多光谱影像中，一般冰凌反射了大部分可见光，水体反射了剩余的部分，故多光谱影像中厚冰为白色，薄冰与水体反射有关，呈现出淡蓝色。实际情况中，流凌，即冰水混合物，比稳封期更易造成灾害，因此在对影像中冰凌的检测时，冰与水的区分则显得尤为重要。
冰、水的反射光谱如图2所示，由图2可知在可见光波段(0.38μm～0.76μm)，冰的反射率可达90％以上，部分近红外波段(0.76μm～1.00μm)，冰的反射率也可达70％左右。在整个波段范围内，水体反射率都很低，然而当水中含有悬浮泥沙，或者水中叶绿素浓度不同时，水体反射率会发生显著变化；当水较浅时，还与水底物质有关，与水的光谱透射率有关。在全色影像中水体呈现为黑色；在多光谱影像中，由于水体在各个波段对可见光的选择性吸收并非都是一样的，且当水体中有其他物质，比如当水体中所含悬浮泥沙越多则反射率越高。
颜色光谱特征也可认为是灰度特征，灰度可简单理解为是色彩的深浅程度，也可表征亮度的深浅。
第二，黄河冰凌的颜色光谱特征提取，有如下特征：
a)灰度平均值
整幅图像内像素点的灰度值总和与像素点个数之商即称为灰度平均值，可理解是图像中所有像素点的灰度平均值，其计算公式如式3-1所示：
上式中，I(i,j)表示点(i,j)处的像素灰度值，μ为计算所得的图像灰度平均值，M、N分别为图像的长、宽；灰度平均值可一定程度反映一幅图像的亮度特征，遥感影像中，冰凌区域的亮度较大，灰度平均值也较大，地物亮度相对较小。
b)灰度均方差
灰度均方差指灰度方差的算术平方根，可表示各像素点灰度值偏离灰度平均值的程度，其计算公式如下式3-2所示：
上式中，σ表示计算得到的灰度均方差，I(i,j)表示点(i,j)处的像素灰度值，μ为计算所得的图像灰度平均值，M、N分别为图像的长、宽；灰度均方差可反映像素点灰度数据集的离散程度，灰度均值相同的两幅影像，灰度均方差未必相同。
c)直方图信息熵
一幅图像由许多的像素组成，不同的像素有不同的灰度值，故图像中灰度分布情况是表征图像的重要特征。直方图信息熵表示图像中不同灰度值分布的概率情况，其计算公式如下式3-3所示：
f＝∑i-Hist[g](i)logHist[g](i) (3-3)
上式中，f为计算所得的直方图信息熵，Hist[g]是图像的直方图，Hist[g](i)是在像素级i(0≤i≤255)下像素占所有像素的分布频率。f取值越大，表明图像灰度值分布越不均匀。
d)平均梯度
平均梯度表征图像微小细节反差变化速率，也反映图像细节对比的表达能力，其计算公式为：
式中，
表示水平方向的梯度，
表示垂直方向的梯度，M、N分别为图像的长、宽。平均梯度非常适合评价图像清晰程度及纹理变化。值越大，则表示图像层次越多越清晰，反之则说明图像更模糊。
e)一阶方差
在图像方面相邻像素点灰度值之差，可用一阶差分来表示，故其值可反映一幅图像中相邻像素点的灰度值差异，计算公式如下：
式中，fdiff为计算所得的一阶差分，Dx指在水平方向的像素灰度差值总和，Dy指在垂直方向的像素灰度值总和，M、N分别为图像的长、宽，f(i,j)为点(i,j)处的直方图信息熵。
(2)纹理特征的提取步骤：
第一，黄河冰凌的纹理特征分析：
图像的纹理指图像中以一定频率重复出现的细部结构的单一特征的集合。图像纹理可显示出地物内部色调的规则变化，包括粗糙的、光滑的、褶皱的、斑纹的、线性及不规则的视觉特征。纹理特征是一种全局特征，故不是基于单个像素点的特征计算，而是在包含多个像素点的区域中进行统计分析，因此不会由于局部的偏差而导致无法成功匹配的现象，对噪声具有较强抵抗能力，它能刻画出图像区域所对应景物表面的性质特性，纹理特征也具有旋转不变的特性。
冰在影像中一般成块出现，通常会受到河道形状的影响，冰的厚度不一样，则纹理特征就不一样。影像中冰的边缘较尖锐，与河道边缘有关，灰度梯度变化较大。本发明中提到的冰主要是黄河冰凌，黄河冰凌属于河冰，其基本形式为表面是一层光滑透明的冻结冰，冻结冰的形态为几乎没有杂质或表面不均匀的光滑透明板状，冻结冰易形成白冰，也有可能与被河水冲出来并漂浮在河面上，与岸固冰混合在一起。河床和河冰之间的相互作用、冰锥及岸固冰的存在以及浮冰之间的碰撞摩擦等运动都会破坏河冰的表面光滑形态，因此黄河冰凌的表面形状是不规则不固定的。且黄河冰凌一般成块状，漂浮在水面上，有时在影像中是连续的一大片出现，有时是零星散列分布的。
第二：黄河冰凌的纹理特征提取：
遥感影像中冰凌和地物的纹理特征复杂多变，主要通过两个方面提取影像纹理特征。
a)灰度共生矩阵
灰度共生矩阵主要通过研究灰度的空间相关特性来表征纹理特性，它主要通过计算图像灰度级之间二阶联合条件概率密度函数p(m,n,d,θ)来表达，p(m,n,d,θ)表示在给定空间距离d和方向θ时，以灰度m为始点，出现灰度级为n的概率，其中θ一般取值为0°、45°、90°或135°，d取1或2，计算灰度共生矩阵每一点的值公式如下：
其中p(m,n,d,θ)可以理解为像素点(m，n)出现的概率。
基于灰度共生矩阵，常用如下二次特征统计量来提取图像中的纹理信息：
1)对比度：
式中，m-n表示图像中两个像素点的灰度值之差，对比度越大则说明图像纹理越细致，即视觉效果越清晰，fcon为提取图像中的纹理信息。
2)能量：
表示灰度共生矩阵中各像素点平方和，能量可度量图像纹理的粗细程度。
3)自相关：
式中，
自相关量用来对矩阵中元素相似程度的度量，自相关可描述在不同相对位置上相似性程度和相关匹配程度的度量，相关值越小，说明图像灰度差异越大，即沿某方向延伸的越少，则该图像灰度分布更零散，更不均匀。
4)逆差矩：
逆差矩是对图像局部平稳性的一种表征，对度量图像局部灰度均匀性及同质性有较好效果。逆差矩越大，则说明图像局部灰度越均匀，图像的纹理变化越小，则图像同质性整体较高。
5)熵
熵值可对图像具有的信息量进行度量，是测量灰度级分布随机性的特征参数，熵也可表征纹理的粗细复杂性，若整幅图像没有纹理，则熵最小为零。
b)分形维数
分形维数可描述图像的自相似特征，可度量图像表面不规则度，并且可表征图像纹理整体与局部的相似度，利用分形维数研究Landsat影像的雪冰表面纹理的试验表明分形维数可很好地表征影像中的雪冰纹理。
计算分形维数计算方式有很多种，本发明将采用相对简单、实用性强的盒维数，将M×M大小影像分割为t×t的小方块区域，则每个小方块可认为是一列t×t×h的盒子，h为每个盒子高度，设G＝256，代表图像的灰度级数。则h可计算为：
设图像中第(i,j)个小方块灰度最大级落在盒子K中、灰度最小级落在盒子L中，则覆盖该小方块区域，所需盒子数目nt计算为：
nt(i,j)＝K-L+1 (3-13)
设需要Nt个盒子才能完全覆盖整幅影像，则
Nt＝∑i,jnt(i,j) (3-14)
则t对应的分形维数是：
其中t不同则对应不同的Nt，以log(Nt)、log(1/t)为横纵坐标，根据最小二乘法拟合多个样本点，本文选取t的值为4、8、16，求得的直线斜率即为影像的分形维数。
分形维数也可描述图像粗糙度，分形维数值越小表明图像纹理越简单，表面越光滑，遥感影像中冰凌区域纹理细节较复杂，分形维数较大。
(3)边缘特征的提取
第一：黄河冰凌的边缘特征分析：
由于冰凌及地物的多样性、复杂性，仅仅通过光谱特征和纹理特征检测影像上的冰凌效果不够好，冰凌的边缘特征较明显，边缘灰度梯度变化较大，而一般地物的边缘较模糊，边缘灰度梯度变化较缓慢，因此可利用边缘特性提高检测精度。
第二：黄河冰凌的边缘特征提取
Canny边缘检测算法能较精确估算出图像边缘的强度、梯度方向，并且具有定位准确、单边响应和信噪比高等优势，通过使用几种边缘检测算子，分别进行遥感影像的边缘检测实验，对比结果得出基于canny算子的边缘检测效果最佳，本发明基于canny算子的边缘检测流程如图3所示：
canny边缘检测算法的具体步骤如下：
第一步：消除噪声，噪声集中于高频信号，图像边缘信息为高频信号信息，很容易被识别为伪边缘，为了减少噪声的影响，一般使用高斯平滑滤波器卷积降噪以防止由噪声引起的错误检测。高斯平滑滤波器若半径过大，则很容易无法检测到一些弱边缘信息，因此其半径的选择很关键，半径为(2k+1)(2k+1)的高斯滤波核的生成方程如下式所示：
如下式是一个σ2＝0.64，尺寸为3×3的高斯卷积核：
对某像素点p用一个窗口C(3×3大小)进行高斯滤波后的亮度值为：
上式中*代表卷积符号。
第二步：计算梯度方向及幅度值，canny边缘检测算法可检测图像中的水平、垂直和对角边缘信息；边缘检测算子返回水平和垂直方向的一阶导数值，据此可确定像素点的灰度梯度G和梯度方向角θ。如下式所示：
θ角一般可取0度、45度、90度或135度。本发明的实验是基于Sobel算子来计算梯度强度，相比于其他算子，其检测出的边缘粗大明亮，x和y方向的Sobel算子分别为：
同理对像素点p，用窗口C和Sobel算子进行卷积计算后得到p点在x和y方向上的梯度值为：
再根据式(3-19)和(3-20)可计算出像素点p的梯度和方向。
第三步：非极大值抑制，通常得到的梯度边缘是多个像素宽，因此边缘还是很模糊，使用非极大值抑制可保留局部最大梯度而抑制其他梯度值，只保留了梯度变化中最锐利的位置，使边缘只有一个精确的点宽度。
第四步：滞后阈值，第三步完成后，剩余像素表现的图像实际边缘精度更高，但是也可能存在一些额外零散的边缘像素，它们是由噪声或颜色变化引起的，一般用弱梯度值过滤这些杂散噪音，并通过高低阈值来保留梯度值较高的边缘像素，一般选择的高低阈值比在2：1到3：1之间。
第五步：抑制孤立低阈值点，滞后阈值完成后，那些较强边缘像素点可认定为真正边缘点，而较弱边缘像素点则无法确定，可能是真边缘点，也可能是颜色变化或噪声导致的；一般认为噪声导致的弱边缘点是孤立的，而真实边缘导致的弱边缘点连接着较强边缘像素点，一般用滞后边界跟踪算法来对弱边缘像素点进行判定，通过做实验，本发明最终的冰凌检测实验选取的最低阈值为100。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，具体步骤为：
步骤一：准备训练样本集合A和待检测样本集合B，所述训练样本集合A和所述待检测样本集合B中的样本数量一致；
步骤二：将训练样本集合A中的黄河冰凌和地物样本裁剪成小影像块，由裁剪的小影像块构建成影像训练样本集C；
步骤三：使用影像样本训练样本集C训练随机森林，得到随机森林分类器模型；
步骤四：将待检测样本集合B中的影像样本裁剪分块，以小影像块为基本单元对每一幅影像样本进行检测，标记出地物的影像块和冰凌的影像块，得到待检测样本集合B第一次分类检测结果；
步骤五：选择具有检测错误位置的影像作为错检样本，得到错检地物和冰凌训练样本D；将影像训练样本集C和错检地物和冰凌训练样本集D一起组成新的训练样本集E，利用训练样本集E对随机森林训练，得到新的随机森林分类器模型；
步骤六：将待检测影像输入到所述新的随机森林分类器模型中，得到初步检测结果，对具有所述初步检测结果的影像进行形态学膨胀腐蚀操作，得到冰凌的分布范围；
步骤七：将检测完毕的影像合并，排除筛选影像中小于预设阈值的孤立小区域，得到最终的待检测影像的分类结果。
2.如权利要求1所述的一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，所述步骤二中将训练样本集合A中的黄河冰凌和地物样本裁剪成小影像块，具体为：从训练样本集A中的样本中粗略选择黄河冰凌和地物的影像样本块，将粗略选择黄河冰凌和地物的影像样本块裁剪成64×64小影像块。
3.如权利要求1所述的一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，所述步骤三中使用影像样本训练样本集C训练随机森林分，具体步骤为：
提取训练样本集C中的颜色光谱特征、纹理特征和边缘特征；
使用颜色光谱特征、纹理特征和边缘特征组成特征空间矩阵；
利用所述特征空间矩阵进行随机森林训练，得到随机森林分类器模型。
4.如权利要求3所述的一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，所述步利用所述特征空间矩阵进行随机森林训练的具体步骤：采用OpenCV视觉库中的机器学习库ml中的Random Trees算法，用CvRTrees类中的train函数读取训练样本训练随机森林模型，train函数内部调用CvRTParams类来设置随机森林的初始参数，包括决策树的最大数量、决策树节点最小样本数、OOB终止误差精度要求、决策树深度、节点分裂特征子集候选特征数、特征属性最大类别数九个参数，train函数返回true则代表训练成功，随机森林分类器模型生成。
5.如权利要求1所述的一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，所述步骤四的具体实现方法为：
将待检测样本集B中的多光谱影像块切分成16×16像素大小，全色影像块切分成32×32像素大小；
提取待检测影像每个小影像块的颜色光谱特征、纹理特征和边缘特征；
将提取的颜色光谱特征、纹理特征和边缘特征放到一个特征矩阵中；
以小影像块为基本单元对每一幅影像进行检测，将为地物的影像块标记为0，冰凌的影像块标记为1；
将影像中标记为1的影像区域颜色标记为特定某种颜色，得到待检测样本集合B的第一次分类检测结果。
6.如权利要求1所述的一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，所述步骤五中利用训练样本集E对随机森林训练的具体步骤为：
提取训练样本集E的颜色光谱特征、纹理特征和边缘特征；
使用颜色光谱特征、纹理特征和边缘特征组成特征空间矩阵；
利用所述特征空间矩阵进行随机森林训练，得到新的随机森林分类器模型。
7.如权利要求1所述的一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，所述步骤六中对所述初步检测结果的影像进行形态学膨胀腐蚀操作具体为：对初步检测结果的影像进行二值化，利用OpenCV中的形态学膨胀函数cvDilate对生成的二值图像进行膨胀操作，填补目标区域中的空洞，将各类别区域连接起来；然后再用形态学腐蚀函数cvErode对膨胀后的图像进行腐蚀处理，得到黄河冰凌的分布范围。
8.如权利要求1所述的一种基于随机森林算法的遥感影像黄河冰凌检测方法，其特征在于，所述步骤七中还包括零星冰凌区域和只占几个影像块的冰凌区域有相交的区域时，将相交的区域划分到冰凌范围区域较大的那一方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911131464.5A CN110956101B (zh) | 2019-11-19 | 2019-11-19 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911131464.5A CN110956101B (zh) | 2019-11-19 | 2019-11-19 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110956101A true CN110956101A (zh) | 2020-04-03 |
| CN110956101B CN110956101B (zh) | 2020-08-07 |
Family
ID=69977636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911131464.5A Active CN110956101B (zh) | 2019-11-19 | 2019-11-19 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956101B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111611910A (zh) * | 2020-05-19 | 2020-09-01 | 黄河水利委员会黄河水利科学研究院 | 一种黄河冰坝影像特征识别方法 |
| CN112307679A (zh) * | 2020-11-23 | 2021-02-02 | 内蒙古工业大学 | 一种构建河冰厚度反演微波散射模型的方法及装置 |
| CN113033474A (zh) * | 2021-04-14 | 2021-06-25 | 海南大学 | 基于融合算法及模型的红树林资源遥感解译方法 |
| CN113189598A (zh) * | 2021-05-13 | 2021-07-30 | 无锡德林海环保科技股份有限公司 | 一种湖床盆地快速定位及淤泥分布及厚度快速测定方法 |
| CN113240026A (zh) * | 2021-05-24 | 2021-08-10 | 中国科学院重庆绿色智能技术研究院 | 一种矢栅结合的内陆水面漂浮物批量识别提取方法 |
| CN113570191A (zh) * | 2021-06-21 | 2021-10-29 | 天津大学 | 一种河流凌汛冰塞险情智能诊断方法 |
| CN113640244A (zh) * | 2021-07-28 | 2021-11-12 | 湖南师范大学 | 一种基于可见近红外光谱的果树品种鉴别方法 |
| CN113869350A (zh) * | 2021-08-04 | 2021-12-31 | 中山大学 | 基于空间特征差异的海流预测方法以及系统 |
| CN116434065A (zh) * | 2023-04-19 | 2023-07-14 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
| CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980294A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于遥感图像的黄河凌汛检测方法 |
| CN105678280A (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 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
| WO2016122042A1 (ko) * | 2015-01-29 | 2016-08-04 | 계명대학교 산학협력단 | 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 |
| CN105975973A (zh) * | 2016-04-29 | 2016-09-28 | 连云港职业技术学院 | 一种用于森林生物量的遥感影像特征选择方法和装置 |
| CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
| US20180012107A1 (en) * | 2015-12-11 | 2018-01-11 | Tencent Technology (Shenzhen) Company Limited | Image classification method, electronic device, and storage medium |
| CN107679476A (zh) * | 2017-09-26 | 2018-02-09 | 南京大学 | 一种海冰类型遥感分类方法 |
| CN109034189A (zh) * | 2018-06-15 | 2018-12-18 | 中南林业科技大学 | 基于高分遥感影像的森林类型识别方法 |
| CN109359631A (zh) * | 2018-11-30 | 2019-02-19 | 南京大学 | 一种基于卷积神经网络的海冰类型遥感分类方法 |
| KR101980354B1 (ko) * | 2017-11-01 | 2019-05-21 | 한국해양과학기술원 | 극지해역의 해빙영역 탐지방법 및 이를 위한 탐지시스템 |
| CN110363071A (zh) * | 2019-05-31 | 2019-10-22 | 上海海洋大学 | 一种协同主动学习和直推式支持向量机的海冰检测方法 |
-
2019
- 2019-11-19 CN CN201911131464.5A patent/CN110956101B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980294A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于遥感图像的黄河凌汛检测方法 |
| WO2016122042A1 (ko) * | 2015-01-29 | 2016-08-04 | 계명대학교 산학협력단 | 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 |
| US20180012107A1 (en) * | 2015-12-11 | 2018-01-11 | Tencent Technology (Shenzhen) Company Limited | Image classification method, electronic device, and storage medium |
| CN105678280A (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 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
| CN105975973A (zh) * | 2016-04-29 | 2016-09-28 | 连云港职业技术学院 | 一种用于森林生物量的遥感影像特征选择方法和装置 |
| CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
| CN107679476A (zh) * | 2017-09-26 | 2018-02-09 | 南京大学 | 一种海冰类型遥感分类方法 |
| KR101980354B1 (ko) * | 2017-11-01 | 2019-05-21 | 한국해양과학기술원 | 극지해역의 해빙영역 탐지방법 및 이를 위한 탐지시스템 |
| CN109034189A (zh) * | 2018-06-15 | 2018-12-18 | 中南林业科技大学 | 基于高分遥感影像的森林类型识别方法 |
| CN109359631A (zh) * | 2018-11-30 | 2019-02-19 | 南京大学 | 一种基于卷积神经网络的海冰类型遥感分类方法 |
| CN110363071A (zh) * | 2019-05-31 | 2019-10-22 | 上海海洋大学 | 一种协同主动学习和直推式支持向量机的海冰检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| WANG L等: "Sea ice concentration estimate during melt from dual-pol SAR scenes using deep convolution neural networks", 《REMOTE SENSING》 * |
| 任莎莎等: "基于K_GMM算法的SAR海冰图像分类", 《地理与地理信息科学》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111611910A (zh) * | 2020-05-19 | 2020-09-01 | 黄河水利委员会黄河水利科学研究院 | 一种黄河冰坝影像特征识别方法 |
| CN111611910B (zh) * | 2020-05-19 | 2023-04-28 | 黄河水利委员会黄河水利科学研究院 | 一种黄河冰坝影像特征识别方法 |
| CN112307679A (zh) * | 2020-11-23 | 2021-02-02 | 内蒙古工业大学 | 一种构建河冰厚度反演微波散射模型的方法及装置 |
| CN113033474A (zh) * | 2021-04-14 | 2021-06-25 | 海南大学 | 基于融合算法及模型的红树林资源遥感解译方法 |
| CN113189598A (zh) * | 2021-05-13 | 2021-07-30 | 无锡德林海环保科技股份有限公司 | 一种湖床盆地快速定位及淤泥分布及厚度快速测定方法 |
| CN113240026B (zh) * | 2021-05-24 | 2022-03-25 | 中国科学院重庆绿色智能技术研究院 | 一种矢栅结合的内陆水面漂浮物批量识别提取方法 |
| CN113240026A (zh) * | 2021-05-24 | 2021-08-10 | 中国科学院重庆绿色智能技术研究院 | 一种矢栅结合的内陆水面漂浮物批量识别提取方法 |
| CN113570191A (zh) * | 2021-06-21 | 2021-10-29 | 天津大学 | 一种河流凌汛冰塞险情智能诊断方法 |
| CN113570191B (zh) * | 2021-06-21 | 2023-10-27 | 天津大学 | 一种河流凌汛冰塞险情智能诊断方法 |
| CN113640244A (zh) * | 2021-07-28 | 2021-11-12 | 湖南师范大学 | 一种基于可见近红外光谱的果树品种鉴别方法 |
| CN113640244B (zh) * | 2021-07-28 | 2022-09-23 | 湖南师范大学 | 一种基于可见近红外光谱的果树品种鉴别方法 |
| CN113869350A (zh) * | 2021-08-04 | 2021-12-31 | 中山大学 | 基于空间特征差异的海流预测方法以及系统 |
| CN113869350B (zh) * | 2021-08-04 | 2023-10-27 | 中山大学 | 基于空间特征差异的海流预测方法以及系统 |
| CN116434065A (zh) * | 2023-04-19 | 2023-07-14 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
| CN116434065B (zh) * | 2023-04-19 | 2023-12-19 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
| CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110956101B (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110956101B (zh) | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 | |
| Fan et al. | Shoreline dynamics of the active Yellow River delta since the implementation of Water-Sediment Regulation Scheme: A remote-sensing and statistics-based approach | |
| Smeeckaert et al. | Large-scale classification of water areas using airborne topographic lidar data | |
| CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
| CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
| CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
| Song et al. | A globally statistical active contour model for segmentation of oil slick in SAR imagery | |
| CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
| Zhao et al. | Waterbody information extraction from remote-sensing images after disasters based on spectral information and characteristic knowledge | |
| Bagli et al. | Morphological automatic extraction of Pan-European coastline from Landsat ETM+ images | |
| CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
| Behling et al. | Spatiotemporal shoreline dynamics of Namibian coastal lagoons derived by a dense remote sensing time series approach | |
| Topouzelis et al. | Oil spill detection: SAR multiscale segmentation and object features evaluation | |
| CN111862143A (zh) | 一种河堤坍塌自动监测方法 | |
| CN112509134A (zh) | 一种潮滩数字高程模型构建方法及系统 | |
| Parmiggiani et al. | Image processing for pancake ice detection and size distribution computation | |
| CN112037244A (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
| CN108765440B (zh) | 一种单极化sar图像的线引导超像素海岸线提取方法 | |
| 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 | |
| Quartel et al. | Object-oriented extraction of beach morphology from video images | |
| Wang et al. | A novel method for determination of the oil slick area based on visible and thermal infrared image fusion | |
| Xu et al. | Extraction and spatiotemporal evolution analysis of tidal flats in the Bohai Rim during 1984–2019 based on remote sensing | |
| CN111862117B (zh) | 基于像素优化的海冰冰块分水岭分割方法 | |
| Zeng et al. | Urban water body detection from the combination of high-resolution optical and SAR images | |
| CN103530887A (zh) | 一种基于多特征融合的河面图像区域分割方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Qiu Yanqing Inventor after: Li Junfeng Inventor after: Ma Xiangming Inventor after: Wang Hao Inventor after: Ma Xing Inventor after: Chen Haiyang Inventor after: Lin Yunan Inventor after: Zhang Zhouquan Inventor after: Wu Xiaosheng Inventor after: Pan Junqian Inventor before: Qiu Yanqing Inventor before: Ma Xiangming Inventor before: Wang Hao Inventor before: Ma Xing Inventor before: Chen Haiyang Inventor before: Lin Yunan Inventor before: Zhang Zhouquan |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 483, Nanzhou Road, Haizhu District, Guangzhou, Guangdong 510220 Patentee after: Guangdong urban and rural planning and Design Institute Co.,Ltd. Address before: 510290 No. 483, Nanzhou Road, Haizhu District, Guangzhou City, Guangdong Province Patentee before: GUANGDONG URBAN & RURAL PLANNING AND DESIGN INSTITUTE |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 510290 No. 483, Nanzhou Road, Haizhu District, Guangzhou City, Guangdong Province Patentee after: Guangdong Urban and Rural Planning and Design Institute Technology Group Co.,Ltd. Country or region after: China Address before: No. 483, Nanzhou Road, Haizhu District, Guangzhou, Guangdong 510220 Patentee before: Guangdong urban and rural planning and Design Institute Co.,Ltd. Country or region before: China |