CN110956207A - 一种光学遥感影像全要素变化检测方法 - Google Patents
一种光学遥感影像全要素变化检测方法 Download PDFInfo
- Publication number
- CN110956207A CN110956207A CN201911157112.7A CN201911157112A CN110956207A CN 110956207 A CN110956207 A CN 110956207A CN 201911157112 A CN201911157112 A CN 201911157112A CN 110956207 A CN110956207 A CN 110956207A
- Authority
- CN
- China
- Prior art keywords
- change
- remote sensing
- multiband
- sensing image
- image
- 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
Images
Classifications
-
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种光学遥感影像全要素变化检测方法,包括获取同一区域时相不同的两幅多波段遥感影像,并对两幅多波段遥感影像进行融合处理,获得多波段变化检测特征影像,并提取多波段变化检测特征影像内全要素的变化区域,对变化区域对应的地物类型进行识别,最终实现全要素变化检测。本发明能够应用多光谱光学遥感影像进行全要素遥感影像变化检测,并能够预测遥感影像变化趋势。
Description
技术领域
本发明涉及一种光学遥感影像处理技术领域,尤其是涉及一种光学遥感影像全要素变化检测方法。
背景技术
遥感影像包含丰富的地物信息,是地物整体面貌最直观的表现。当前遥感领域的热点研究方向之一是遥感影像变化检测,遥感影像变化检测是从多时相的遥感数据中分析并确定地表覆盖变化的过程与特征,检测两个时期相同区域影像像元的地表光谱响应随时间变化所发生的改变,其在城市建设、国土规划、灾害监测等领域中起着至关重要的作用。
近年来,随着光学遥感影像图像分辨率的不断提高,并且光学遥感影像所包含的波普信息也日渐丰富,其被广泛应用于遥感影像变化检测。进一步随着深度学习的不断发展,且随着深度神经网络应用领域的扩大,利用深度神经网络进行遥感影像变化检测越来越受到关注。目前利用深度神经网络进行遥感影像变化检测主要针对单一建筑要素,且最终呈现的是变化结果,一方面忽略了遥感影像变化趋势,无法做到真正意义上的遥感影像变化检测,另一方面单一建筑要素的变化检测无法满足实际业务需求(实际国土利用调查中通常需针对全要素地物类型进行变化检测),具有一定的局限性。
另外,目前的遥感影像变化检测针对的是单波段遥感影像或者将遥感影像多波段的差异信息融合成单波段遥感影像,此种方式容易导致多光谱光学遥感影像的信息缺失,缺少了主要特征的获取,导致后期模型训练中存在较多的信息冗余与噪声干扰,对深度神经网络的收敛产生影响。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种光学遥感影像全要素变化检测方法,能够应用多光谱光学遥感影像进行全要素遥感影像变化检测,并能够预测遥感影像变化趋势。
为实现上述目的,本发明提出如下技术方案:一种光学遥感影像全要素变化检测方法,包括
步骤S100,获取同一区域不同时期的两幅多波段遥感影像,并对两幅多波段遥感影像进行融合处理,获得多波段变化检测特征影像,根据所述多波段变化检测特征影像建立变化区域样本,及变化区域样本对应的地物分类样本;
步骤S200,将所述变化区域样本输入语义分割网络进行训练,获得变化区域提取模型,并对所述变化区域提取模型进行精度评定,并在满足精度时执行步骤S300;
步骤S300,通过变化区域提取模型对多波段变化检测特征影像中的变化区域进行预测,获得全要素的变化区域;
步骤S400,将所述地物分类样本输入特征提取网络,并将特征提取网络提取的特征输入分类器进行训练,获得地物分类模型,并对所述地物分类模型进行精度评定,在满足精度时执行步骤S500;
步骤S500,通过所述地物分类模型分别对变化区域对应的两幅多波段遥感影像中的地物类型进行预测,获得变化区域的图斑类别信息,进一步利用所述图斑类别信息对现有矢量图斑的变化前后类型进行更新,实现全要素变化检测。
优选地,所述多波段变化检测特征影像通过如下步骤获得:
对每个波段,使后一期多波段遥感影像中每个像素值与前一期多波段遥感影像中对应位置的像素值做比值,获得多波段比值影像;
将多波段比值影像与前、后时期多波段遥感影像进行融合,获得所述多波段变化检测特征影像。
优选地,所述变化区域样本及变化区域样本对应的地物分类样本通过如下步骤获得:
选择样本点,根据所述样本点裁剪所述多波段变化检测特征影像,并根据裁剪后的影像在样本绘制工具中标记对应变化区域,并对所述变化区域前后变化的地物类型进行定义,生成变化区域样本及地物分类样本。
优选地,所述变化区域提取模型的精度评定包括:
将测试数据输入所述变化区域提取模型,并计算输出评价指标MIoU和MPA;
判断所述输出评价指标MIoU和MPA是否均在预设范围内,若是,则满足精度要求,否则,不满足。
优选地,所述输出评价指标MIoU的范围为0.8~1,所述输出评价指标MPA的范围为0.85~1。
优选地,所述地物分类模型的精度评定包括:
将测试数据输入所述地物分类模型,并计算输出评价指标Precision和Recall;
判断所述输出评价指标Precision和Recall是否均在预设范围内,若是,则满足精度要求,否则,不满足。
优选地,所述输出评价指标Precision的范围为0.75~1,输出评价指标Recall的范围为0.8~1。
优选地,在步骤S300中,还通过如下步骤对变化区域进行图像处理:
对变化区域的轮廓边界进行平滑及细化处理,并对变化区域提取结果的孔洞进行填充以及变化区域的缺口进行修补。
优选地,所述预测变化区域的图斑类别信息包括前期多波段遥感影像中地物类型预测结果和后期多波段遥感影像中地物类型预测结果。
优选地,在步骤S500中,通过所述地物分类模型分别对变化区域对应的两幅多波段遥感影像中的地物类型进行预测包括:
根据变化区域分别对两幅多波段遥感影像中的对应位置进行裁剪,进一步通过地物分类模型分别预测地物类型。
本发明的有益效果是:
(1)本发明通过将两幅多波段遥感影像融合成多波段变化检测特征影像,使得影像的信息更加丰富,一方面提高图像利用率,另一方面利于后续模型训练中算法收敛及提高检测精度。
(2)本发明能够对全要素变化进行检测,并对变化区域的变化趋势进行预测,提高检测效率的同时提高检测精度。
附图说明
图1是本发明的流程图一示意图;
图2是本发明的流程图二示意图;
图3是本发明的深度神经网络结构示意图;
图4是本发明的某区域前一时期遥感影像示意图;
图5是本发明的某区域后一时期遥感影像示意图;
图6是本发明的栅格形式的变化区域示意图;
图7是本发明的矢量形式的变化区域示意图;
图8是图4中变化区域地物类型预测结果示意图;
图9是图5中变化区域地物类型预测结果示意图。
具体实施方式
下面将结合本发明的附图,对本发明实施例的技术方案进行清楚、完整的描述。
本发明所揭示的一种光学遥感影像全要素变化检测方法,基于多光谱光学遥感影像的先分割后分类的深度神经网络结构(如图3所示),通过构建多波段变化检测特征影像,并提取其内全要素的变化区域,进一步对变化区域对应的地物类型进行识别,最终实现全要素变化检测。
结合图1和图2所示,为本发明所揭示的一种光学遥感影像全要素变化检测方法,包括:
S100,获取同一区域不同时期的两幅多波段遥感影像,并对所述两幅多波段遥感影像进行融合处理,获得多波段变化检测特征影像,并根据所述多波段变化检测特征影像建立变化区域样本,及变化区域样本对应的地物分类样本;
具体地,实施时需先进行影像处理,也即采集同一区域不同时期的两幅多波段遥感影像,如采集同一区域不同时期的两幅3波段谷歌光学遥感影像,该两幅3波段光学遥感影像的分辨率为0.5米,如图4和图5所示,图4为某区域前一时期的遥感影像图,图5为同一区域后一时期的遥感遥感影像图。实施时,在对两幅多波段遥感影像进行融合处理前,还需对两幅多波段光学遥感影像进行预处理,如将两幅多波段光学遥感影像统一坐标系,并重新采样到相同的分辨率,进一步分别进行辐射校正和大气校正,最后将两幅多波段光学遥感影像以一期影像为基础进行直方图匹配,减少两幅多波段遥感影像的差异噪声。
进一步地,两幅多波段光学遥感影像预处理后需进行融合处理,以获得多波段变化检测特征影像。实施时,多波段变化检测特征影像通过如下步骤获得:
首先,对每个波段,使后期多波段遥感影像中每个像素值与前期多波段遥感影像中对应位置的像素值做比值,获得多波段比值影像,如对上述两幅3波段光学遥感影像而言,对每个波段,每个对应位置,使后期遥感影像的像素值与前期遥感影像中的像素值做比值,获得3个波段的RGB比值影像,也即3波段比值影像。
最后,将多波段比值影像与前、后期多波段遥感影像进行融合,获得所述多波段变化检测特征影像,如将上述前期的3波段光学遥感影像、后期的3波段光学遥感影像及3波段RGB比值影像进行融合,最终获得9波段变化检测特征影像。
与现有技术相比,本发明通过将两幅多波段遥感影像融合成多波段变化检测特征影像,使得影像的信息更加丰富,一方面提高图像利用率,另一方面利于后续模型训练中算法收敛及提高精度。
当获取多波段变化检测特征影像后,进一步在多波段变化检测特征影像的基础上进行样本制作,样本包括两类,一类是用于图像语义分割提取变化区域的变化区域样本,另一类是用于图像分类、识别变化区域类型的地物分类样本。变化区域样本和地物分类样本均包括影像块,及影像块对应的标签数据,其中,变化区域样本的影像块为多波段变化检测特征影像,标签数据为前、后期多波段遥感影像中变化区域矢量文件;地物分类样本的影像块为前期多波段遥感影像或后期多波段遥感影像,标签数据为地物类型记录。
进一步地,变化区域样本及变化区域样本对应的地物分类样本通过如下步骤获得:
选择样本点,根据所述样本点裁剪所述多波段变化检测特征影像,并根据裁剪后的影像在样本绘制工具中标记对应变化区域,并对所述变化区域前后变化的地物类型进行定义,生成变化区域样本及地物分类样本。
具体实施时,结合多波段变化检测特征影像与前、后期多波段遥感影像之间的差异,通过样本绘制工具绘制全要素变化矢量库,同时单独参考前、后期多波段遥感影像并标记影像所需的地物类型,建立地物类型矢量库,最后将全要素变化矢量库和地物类型矢量库中的矢量文件栅格化,获得变化区域样本及地物分类样本,如按照长宽均为600像素进行裁剪,可获得600*600的影像及其对应的矢量框文件,通过样本绘制工具绘制变化样本标签,并分别参考前、后期遥感影像标记出建筑、植被、道路、水面等要素,获得地物类型标签,最后通过GDAL(Geospatial Data Abstraction Library)进行文件转换。
本实施例中,变化区域前后变化的地物类型包括:变化前地物类型为建筑,变化后地物类型为植被,或者变化前地物类型为建筑,变化后地物类型为道路,或者变化前地物类型为植被,变化后地物类型为其他等等。变化区域变化前地物类型与变化后地物类型可在建筑、植被、道路、水面之间相互转换。
S200,将所述变化区域样本输入语义分割网络进行训练,获得变化区域提取模型,并对所述变化区域提取模型进行精度评定,并在满足精度时执行下一步。
具体地,当获取上述样本后进行分割模型训练,也即将变化区域样本中添加多个未发生变化的区域样本作为负样本,进一步将样本输入至语义分割网络中通过反向传播和随机梯度下降算法进行训练,获得变化区域提取模型。本实施例中,语义分割网络优选U-Net语义分割网络。
当获取变化区域提取模型后,需对其进行精度评定。实施时,将测试数据输入变化区域提取模型,并计算输出评价指标MIoU(Mean Intersection over Union,均交并比)和MPA(Mean Pixel Accuracy,均像素精度),并判断MIoU和MPA是否均在预设范围内。当两者均在预设范围内时进行下一步操作,当其中一个或者两者均不在预设范围内时,则修改语义分割网络的配置参数,重新利用变化区域样本对语义分割网络进行训练,直至变化区域提取模型满足精度要求。
本实施例中,MIoU的范围为0.8~1,MPA的范围为0.85~1,在其他实施例中,MIoU和MPA的范围可根据实际需求进行设置。
S300,通过所述变化区域提取模型对所述多波段变化检测特征影像中的变化区域进行预测,获得全要素的变化区域。
具体地,当获得满足精度的变化区域提取模型后进行变化区域预测,也即将多波段变化检测特征影像输入至变化区域提取模型中,即可获得全要素的变化区域。全要素的变化区域包括建筑、植被、道路、水面等的变化区域。通过变化区域提取模型提取的全要素的变化区域为栅格形式的变化区域,栅格形式的变化区域为包含变化信息的黑白灰度栅格影像,如图6所示,为某地区16年10月到18年12月通过变化区域提取模型获得的栅格形式的变化区域。
进一步地,对栅格形式的变化区域还需进行矢量后处理,即将栅格形式的变化区域进行矢量化,获得矢量形式的变化区域,如图7所示。
更进一步地,当获取栅格形式的变化区域后,还需对变化区域进行图像处理,其中,图像处理包括但不仅限于边缘平滑、填补空洞和去除碎班。具体地,首先对获得的变化区域的轮廓边界进行平滑及细化处理,然后对变化区域提取结果的孔洞进行填充以及变化区域缺口进行修补。本实施例中,采用OpenCV(Open Source Computer Vision Library,开源计算机视觉库)图像处理模块对变化区域进行处理。
S400,将地物分类样本输入特征提取网络,并将特征提取网络提取的特征输入分类器进行训练,获得地物分类模型,并对所述地物分类模型进行精度评定,并在满足精度时执行下一步。
具体地,当获取全要素的变化区域后需进行分类模型训练,即将地物分类样本输入特征提取网络中,以获取影像特征,将变化范围影像统一到相同维度,进一步将提取到的影像特征输入分类器进行训练,获得地物分类模型。本实施例中,特征提取网络优选VGG-16卷积神经网络,分类器优选SVM分类器。
当获取地物分类模型后,需对其进行精度评定。实施时,将测试数据输入地物分类模型,并计算输出评价指标Precision(精确率)和Recall(召回率),并判断Precision和Recall是否在预设范围内。当两者均在预设范围内时进行下一步操作,当其中一个或者两者均不在预设范围内时,则修改特征提取网络及SVM分类器的配置参数,重新利用地物分类样本对特征提取网络及SVM分类器进行训练,直至地物分类模型满足精度要求。
本实施例中,Precision的范围为0.75~1,Recall的范围为0.8~1,在其他实施例中,MIoU和MPA的范围可根据实际需求进行设置。
步骤S500,通过所述地物分类模型分别对变化区域对应的两幅多波段遥感影像中的地物类型进行预测,获得变化区域的图斑类别信息,进一步利用所述图斑类别信息对现有矢量图斑的变化前后类型进行更新,实现全要素变化检测。
具体地,变化区域的图斑类别信息包括前期多波段遥感影像中地物类型预测结果(也即前期土地覆盖类型标签)和后期多波段遥感影像中地物类型预测结果(后期土地覆盖类型标签),其中,前期多波段遥感影像中地物类型预测结果通过如下方式获得:将上述矢量形式的变化区域与前期多波段遥感影像结合,并通过地物分类模型进行地物类型预测,可获得前期多波段遥感影像中地物类型预测结果,如图8所示。
后期多波段遥感影像中地物类型预测结果通过如下方式获得:将上述矢量形式的变化区域与后期多波段遥感影像结合,并通过地物分类模型进行地物类型预测,可获得后期多波段遥感影像中地物类型预测结果,如图9所示。
具体实施时,获取前、后期多波段遥感影像中地物类型预测结果时,需根据变化区域分别对两幅多波段遥感影像中的对应位置进行裁剪,进一步通过地物分类模型分别预测地物类型,进而可获得前、后期多波段遥感影像中地物类型预测结果。
通过前期多波段遥感影像中地物类型预测结果和后期多波段遥感影像中地物类型预测结果可以看出地物类型变化趋势,如前期多波段遥感影像中变化区域的地物类型为植被,后期多波段遥感影像中变化区域的地物类型为建筑,进而可看出该变化区域的变化趋势为由植被变为建筑。
进一步,根据前期多波段遥感影像中地物类型预测结果和后期多波段遥感影像中地物类型预测结果,也即根据前、后期土地覆盖类型标签更新现有矢量文件中的图斑变化类别,实现光学遥感影像全要素的变化检测。
本发明的技术内容及技术特征已揭示如上,然而熟悉本领域的技术人员仍可能基于本发明的教示及揭示而作种种不背离本发明精神的替换及修饰,因此,本发明保护范围应不限于实施例所揭示的内容,而应包括各种不背离本发明的替换及修饰,并为本专利申请权利要求所涵盖。
Claims (10)
1.一种光学遥感影像全要素变化检测方法,其特征在于,包括
步骤S100,获取同一区域不同时期的两幅多波段遥感影像,并对两幅多波段遥感影像进行融合处理,获得多波段变化检测特征影像,根据所述多波段变化检测特征影像建立变化区域样本,及变化区域样本对应的地物分类样本;
步骤S200,将所述变化区域样本输入语义分割网络进行训练,获得变化区域提取模型,并对所述变化区域提取模型进行精度评定,在满足精度时执行步骤S300;
步骤S300,通过变化区域提取模型对多波段变化检测特征影像中的变化区域进行预测,获得全要素的变化区域;
步骤S400,将所述地物分类样本输入特征提取网络,并将特征提取网络提取的特征输入分类器进行训练,获得地物分类模型,并对所述地物分类模型进行精度评定,并在满足精度时执行步骤S500;
步骤S500,通过所述地物分类模型分别对变化区域对应的两幅多波段遥感影像中的地物类型进行预测,获得变化区域的图斑类别信息,进一步利用所述图斑类别信息对现有矢量图斑的变化前后类型进行更新,实现全要素变化检测。
2.根据权利要求1所述的光学遥感影像全要素变化检测方法,其特征在于,所述多波段变化检测特征影像通过如下步骤获得:
对每个波段,使后一期多波段遥感影像中每个像素值与前一期多波段遥感影像中对应位置的像素值做比值,获得多波段比值影像;
将多波段比值影像与前、后时期多波段遥感影像进行融合,获得所述多波段变化检测特征影像。
3.根据权利要求1所述的光学遥感影像全要素变化检测方法,其特征在于,所述变化区域样本及变化区域样本对应的地物分类样本通过如下步骤获得:
选择样本点,根据所述样本点裁剪所述多波段变化检测特征影像,并根据裁剪后的影像在样本绘制工具中标记对应变化区域,并对所述变化区域前后变化的地物类型进行定义,生成变化区域样本及地物分类样本。
4.根据权利要求1所述的光学遥感影像全要素变化检测方法,其特征在于,所述变化区域提取模型的精度评定包括:
将测试数据输入所述变化区域提取模型,并计算输出评价指标MIoU和MPA;
判断所述输出评价指标MIoU和MPA是否均在预设范围内,若是,则满足精度要求,否则,不满足。
5.根据权利要求4所述的光学遥感影像全要素变化检测方法,其特征在于,所述输出评价指标MIoU的范围为0.8~1,所述输出评价指标MPA的范围为0.85~1。
6.根据权利要求1所述的光学遥感影像全要素变化检测方法,其特征在于,所述地物分类模型的精度评定包括:
将测试数据输入所述地物分类模型,并计算输出评价指标Precision和Recall;
判断所述输出评价指标Precision和Recall是否均在预设范围内,若是,则满足精度要求,否则,不满足。
7.根据权利要求6所述的光学遥感影像全要素变化检测方法,其特征在于,所述输出评价指标Precision的范围为0.75~1,输出评价指标Recall的范围为0.8~1。
8.根据权利要求1所述的光学遥感影像全要素变化检测方法,其特征在于,在步骤S300中,还通过如下步骤对变化区域进行图像处理:
对变化区域的轮廓边界进行平滑及细化处理,并对变化区域提取结果的孔洞进行填充以及变化区域的缺口进行修补。
9.根据权利要求1所述的光学遥感影像全要素变化检测方法,其特征在于,所述预测变化区域的图斑类别信息包括前期多波段遥感影像中地物类型预测结果和后期多波段遥感影像中地物类型预测结果。
10.根据权利要求1所述的光学遥感影像全要素变化检测方法,其特征在于,在步骤S500中,通过所述地物分类模型分别对变化区域对应的两幅多波段遥感影像中的地物类型进行预测包括:
根据变化区域分别对两幅多波段遥感影像中的对应位置进行裁剪,进一步通过地物分类模型分别预测地物类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911157112.7A CN110956207B (zh) | 2019-11-22 | 2019-11-22 | 一种光学遥感影像全要素变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911157112.7A CN110956207B (zh) | 2019-11-22 | 2019-11-22 | 一种光学遥感影像全要素变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956207A true CN110956207A (zh) | 2020-04-03 |
CN110956207B CN110956207B (zh) | 2023-09-19 |
Family
ID=69978145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911157112.7A Active CN110956207B (zh) | 2019-11-22 | 2019-11-22 | 一种光学遥感影像全要素变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956207B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906659A (zh) * | 2021-03-31 | 2021-06-04 | 夏程巧 | 基于虚拟样本的遥感影像变化检测方法 |
CN113225372A (zh) * | 2021-03-22 | 2021-08-06 | 中国科学院新疆生态与地理研究所 | 草地生态健康监测系统 |
CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
CN115797788A (zh) * | 2023-02-17 | 2023-03-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN117746239A (zh) * | 2023-12-19 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种环境要素提取与预评估方法、系统、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077515A (zh) * | 2012-12-29 | 2013-05-01 | 北方工业大学 | 一种多光谱图像建筑物变化检测方法 |
CN104834942A (zh) * | 2015-05-22 | 2015-08-12 | 武汉大学 | 基于掩膜分类的遥感影像变化检测方法及系统 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN107689055A (zh) * | 2017-08-24 | 2018-02-13 | 河海大学 | 一种多时相遥感影像变化检测方法 |
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
-
2019
- 2019-11-22 CN CN201911157112.7A patent/CN110956207B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077515A (zh) * | 2012-12-29 | 2013-05-01 | 北方工业大学 | 一种多光谱图像建筑物变化检测方法 |
CN104834942A (zh) * | 2015-05-22 | 2015-08-12 | 武汉大学 | 基于掩膜分类的遥感影像变化检测方法及系统 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN107689055A (zh) * | 2017-08-24 | 2018-02-13 | 河海大学 | 一种多时相遥感影像变化检测方法 |
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
Non-Patent Citations (1)
Title |
---|
杜培军等: ""基于支持向量机的矿区土地覆盖变化检测"" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225372A (zh) * | 2021-03-22 | 2021-08-06 | 中国科学院新疆生态与地理研究所 | 草地生态健康监测系统 |
CN112906659A (zh) * | 2021-03-31 | 2021-06-04 | 夏程巧 | 基于虚拟样本的遥感影像变化检测方法 |
CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
CN115641509B (zh) * | 2022-11-16 | 2023-03-21 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
CN115797788A (zh) * | 2023-02-17 | 2023-03-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN115797788B (zh) * | 2023-02-17 | 2023-04-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN117746239A (zh) * | 2023-12-19 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种环境要素提取与预评估方法、系统、设备和存储介质 |
CN117746239B (zh) * | 2023-12-19 | 2024-08-06 | 中国科学院空天信息创新研究院 | 一种环境要素提取与预评估方法、系统、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110956207B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956207A (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
Li et al. | Automatic crack recognition for concrete bridges using a fully convolutional neural network and naive Bayes data fusion based on a visual detection system | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
US20210372938A1 (en) | Deep learning-based crack segmentation through heterogeneous image fusion | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
CN112580654A (zh) | 遥感图像地物语义分割方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN110276264A (zh) | 一种基于前景分割图的人群密度估计方法 | |
Jarząbek-Rychard et al. | 3D building reconstruction from ALS data using unambiguous decomposition into elementary structures | |
CN113569724B (zh) | 基于注意力机制和扩张卷积的道路提取方法及系统 | |
CN115546768B (zh) | 基于多尺度机制和注意力机制的路面标线识别方法及系统 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
CN114998744B (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 | |
CN113191213B (zh) | 一种高分辨率遥感影像新增建筑物检测方法 | |
CN111274926A (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN117036939A (zh) | 一种基于图卷积网络的多源数据协同的城市功能区识别方法 | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
CN115049640A (zh) | 一种基于深度学习的道路裂缝检测方法 | |
CN110909656A (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
CN113378912B (zh) | 一种基于深度学习目标检测的林区非法开垦地块检测方法 |
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 |