CN111091054B - 一种地类变化监测方法、系统、装置及存储介质 - Google Patents
一种地类变化监测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN111091054B CN111091054B CN201911107443.XA CN201911107443A CN111091054B CN 111091054 B CN111091054 B CN 111091054B CN 201911107443 A CN201911107443 A CN 201911107443A CN 111091054 B CN111091054 B CN 111091054B
- Authority
- CN
- China
- Prior art keywords
- land
- land type
- layer
- pixel
- class
- 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.)
- Active
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种地类变化监测方法、系统及存储介质,本发明通过土地利用现状类型图层作为参照,利用同一时段同种地类具有类似遥感特征的特性,计算出每个像元计算每个地类类型的地类变化概率,从而得出每个像元中各个地类类型的地类变化结果。本方法不需要依赖具体的样本,只要提高遥感图像的时间分辨率和分类阈值,就可以提高识别结果的时间分辨率,而且适用于对不同地域。本发明可广泛应用于地类监测领域中。
Description
技术领域
本发明涉及地理信息科技技术领域,尤其涉及一种地类变化监测方法、系统、装置及存储介质。
背景技术
目前,遥感影像因其获取时间短、覆盖范围广等优势而被广泛应用于土地覆盖变化监测中。传统监测方法主要通过人工目视判读方式,不仅工作量大且效率低。而用常见的深度学习的方法来提取地类变化时,识别效率受样本的地域、季节、天气、不同卫星拍摄的影像比较大,当样本量不够大、种类不够多的时候,会出现不可预测的漏检错检的情况。
发明内容
为了解决上述技术问题,本发明的目的是提供一种能提高准确率的地类变化监测方法、系统、装置及存储介质。
本发明所采取的技术方案是:
一种地类变化监测方法,包括以下步骤:
获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表;
获取与遥感影像同一时段对应的土地利用现状图层;
对土地利用现状图层中地类类型进行合并处理,得到处理后的地类现状图层;
根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表;
根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率;
根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中;
将每个像元的各个数据记录表与网格图层进行属性连接,得到土地类型变化监测结果。
作为所述的一种地类变化监测方法的进一步改进,所述的获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表,这一步骤具体包括:
获取遥感影像,并将遥感影像转化各个像元的时序影像;
根据各个像元的时序影像,并结合网格图层,生成得到每个像元的第一点图层和第一属性表。
作为所述的一种地类变化监测方法的进一步改进,所述的根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表,这一步骤具体包括:
根据地类现状图层,对第一点图层进行地类识别,从而在第一点图层和第一属性表中添加地类类型字段,得到第二点图层和第二属性表;
按照地类类型字段,从第二属性表中分别导出得到对应各个地类类型的数据记录表。
作为所述的一种地类变化监测方法的进一步改进,所述数据记录表包括有编号、地类、相似度和监测结果。
作为所述的一种地类变化监测方法的进一步改进,所述的根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率,这一步骤具体包括:
读取第i个地类分类的数据记录表Ai;
初始化滑动窗口的起始位置Ts为0,窗口宽度为L;
从数据记录表Ai中,读取Ts到Ts+L列的值,即[Ts,Ts+L)列记为表Bi,ts;
对表Bi,ts进行多中心的聚类,得到分类中心Ci,ts和分类结果Ri,ts;
从分类结果Ri,ts中统计出每个聚类分类的记录条数K,并进行降序排列,其中,K={ki,ts,1,ki,ts,j,...;j=1~10},ki,ts,j为被归到第j个类的记录数;
对K进行逐项求和,当Sum=(ki,ts,1+...ki,ts,p)/ΣK>x时停止求和,此时将ki,ts,1到ki,ts,p类记为大类B,将未参与求和记为小类S,其中,x为预设的阈值;
将分类结果Ri,ts中属于大类B的标记为1,属于小类S的标记为-1;
将分类结果Ri,ts保存到数组Ri中保存起来Ri=[Ri,0,...,Ri,ts,...,Ri,N-L],其中,N为序列长度,L为窗口宽度;
向右移动窗口1个步长Ts=Ts+1,并计算分类结果Ri,ts保存到数组Ri中,直到滑动窗口超出序列长度;
根据数组Ri计算每行中B的次数Bn和S的出现次数Sn,计算地类变化概率PB=Bn/(Bn+Sn)。
作为所述的一种地类变化监测方法的进一步改进,所述的根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中,这一步骤具体为:
当PB∈[0,0.3)时,则地类变化结果判定像元地类发生变化;
当PB∈[0.3,0.6)时,则地类变化结果判定像元地类不稳定;
当PB∈[0.6,0.8)时,则地类变化结果判定像元地类较稳定;
当PB∈[0.8,1]时,则地类变化结果判定像元地类稳定;
其中,PB表示地类变化概率。
本发明所采用的另一个技术方案是:
一种地类变化监测系统,包括:
遥感影像处理单元,用于获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表;
土地利用现状图层获取单元,用于获取与遥感影像同一时段对应的土地利用现状图层;
土地利用现状图层处理单元,用于对土地利用现状图层中地类类型进行合并处理,得到处理后的地类现状图层;
数据记录表生成单元,用于根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表;
地类变化概率计算单元,用于根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率;
地类变化判定单元,用于根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中;
监测结果生成单元,用于将每个像元的各个数据记录表与网格图层进行属性连接,得到土地类型变化监测结果。
作为所述的一种地类变化监测系统的进一步改进,所述的遥感影像处理单元具体包括:
时序影像转化单元,用于时序获取遥感影像,并将遥感影像转化各个像元的时序影像;
图层叠加单元,用于根据各个像元的时序影像,并结合网格图层,生成得到每个像元的第一点图层和第一属性表。
本发明所采用的再一个技术方案是:
一种地类变化监测装置,包括:
存储器,用于存放程序;
处理器,用于执行所述程序,所述程序使得所述处理器执行所述的地类变化监测方法。
本发明所采用的再一个技术方案是:
一种计算机可读存储介质,包括计算机程序,当所述计算机程序在计算机上运行时,使得所述的地类变化监测方法被执行。
本发明的有益效果是:
本发明一种地类变化监测方法、系统、装置及存储介质通过土地利用现状类型图层作为参照,利用同一时段同种地类具有类似遥感特征的特性,计算出每个像元计算每个地类类型的地类变化概率,从而得出每个像元中各个地类类型的地类变化结果。本方法不需要依赖具体的样本,只要提高遥感图像的时间分辨率和分类阈值,就可以提高识别结果的时间分辨率,而且适用于对不同地域。
附图说明
图1是本发明一种地类变化监测方法的步骤流程图;
图2是本发明一种地类变化监测系统的模块方框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
参考图1,本实施例提供了一种地类变化监测方法,包括以下步骤:
S1、获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表;
本实施例中,所述遥感影像为按照获取时间顺序排列的N个时相的遥感影像,还可以用SAR雷达的VV极化数据实现。
S2、获取与遥感影像同一时段对应的土地利用现状图层;
S3、对土地利用现状图层中地类类型进行合并处理,得到处理后的地类现状图层;
本步骤中,所述合并处理为根据地物特点适当合并,假设共有M个类型,则根据遥感特征是否类似,对现状地类中的二级类进行合并,得到调整后的地类现状图层。
S4、根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表;
S5、根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率;
S6、根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中;
S7、将每个像元的各个数据记录表与网格图层进行属性连接,得到土地类型变化监测结果。
本实施例利用现状类型图层作为参照,利用同一时段同种地类具有类似遥感特征的特性,计算出每个像元计算每个地类类型的地类变化概率,从而得出每个像元中各个地类类型的地类变化结果。
进一步作为优选的实施方式,本实施例中所述的获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表,这一步骤具体包括:
S11、获取遥感影像,并将遥感影像转化各个像元的时序影像;
S12、根据各个像元的时序影像,并结合网格图层,生成得到每个像元的第一点图层和第一属性表。
本实施例中,需要先生成和遥感影像同样大小的一个网格图层并进行编号,然后提取网格图层的中心点。然后用这个点图层分别和时序影像进行叠加,从而得到了一个新的第一点图层和第一属性表,所述第一属性表中包含了不同时间点对应的遥感值。
进一步作为优选的实施方式,本实施例中所述的根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表,这一步骤具体包括:
S41、根据地类现状图层,对第一点图层进行地类识别,从而在第一点图层和第一属性表中添加地类类型字段,得到第二点图层和第二属性表;
S42、按照地类类型字段,从第二属性表中分别导出得到对应各个地类类型的数据记录表。
本实施例中,所述地类识别可采用GIS里的Identity操作,所述数据记录表包括有编号、地类、相似度和监测结果,所述数据记录表A={A1,...AM}一共M个表,每个表表头为{编号,地类,相似度,监测结果,T0,...,TN}。
进一步作为优选的实施方式,本实施例中所述的根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率,这一步骤具体包括:
S501、读取第i个地类分类的数据记录表Ai;
S502、初始化滑动窗口的起始位置Ts为0,窗口宽度为L;
S503、从数据记录表Ai中,读取Ts到Ts+L列的值,即[Ts,Ts+L)列记为表Bi,ts;
S504、对表Bi,ts进行多中心的聚类,得到分类中心Ci,ts和分类结果Ri,ts;
S505、从分类结果Ri,ts中统计出每个聚类分类的记录条数K,并进行降序排列,其中,K={ki,ts,1,ki,ts,j,...;j=1~10},ki,ts,j为被归到第j个类的记录数;
S506、对K进行逐项求和,当Sum=(ki,ts,1+...ki,ts,p)/ΣK>x时停止求和,此时将ki,ts,1到ki,ts,p类记为大类B,将未参与求和记为小类S,其中,x为预设的阈值;本实施例中,阈值x为0.8,阈值x可根据需要进行设置,值域为(0,1);
S507、将分类结果Ri,ts中属于大类B的标记为1,属于小类S的标记为-1;
S508、将分类结果Ri,ts保存到数组Ri中保存起来Ri=[Ri,0,...,Ri,ts,...,Ri,N-L],其中,N为序列长度,L为窗口宽度;
S509、向右移动窗口1个步长Ts=Ts+1,并计算分类结果Ri,ts保存到数组Ri中,直到滑动窗口超出序列长度;
S510、根据数组Ri计算每行中B的次数Bn和S的出现次数Sn,计算地类变化概率PB=Bn/(Bn+Sn),并将分类结果Ri,ts更新到数据记录表Ai中的相似度字段中。
本实施例中采用滑窗和聚类结合的方法,计算出每个像元和总体的相似度,从而得到地类变化概率。
进一步作为优选的实施方式,本实施例中所述的根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中,这一步骤具体为:
当PB∈[0,0.3)时,则地类变化结果判定像元地类发生变化;
当PB∈[0.3,0.6)时,则地类变化结果判定像元地类不稳定;
当PB∈[0.6,0.8)时,则地类变化结果判定像元地类较稳定;
当PB∈[0.8,1]时,则地类变化结果判定像元地类稳定;
其中,PB表示地类变化概率,当判定得到地类变化结果后,将地类变化结果到Ai的监测结果字段。
参考图2,本实施例提供了一种地类变化监测系统,包括:
遥感影像处理单元,用于获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表;
土地利用现状图层获取单元,用于获取与遥感影像同一时段对应的土地利用现状图层;
土地利用现状图层处理单元,用于对土地利用现状图层中地类类型进行合并处理,得到处理后的地类现状图层;
数据记录表生成单元,用于根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表;
地类变化概率计算单元,用于根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率;
地类变化判定单元,用于根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中;
监测结果生成单元,用于将每个像元的各个数据记录表与网格图层进行属性连接,得到土地类型变化监测结果。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
进一步作为优选的实施方式,本实施例中所述的遥感影像处理单元具体包括:
时序影像转化单元,用于时序获取遥感影像,并将遥感影像转化各个像元的时序影像;
图层叠加单元,用于根据各个像元的时序影像,并结合网格图层,生成得到每个像元的第一点图层和第一属性表。
本实施例还提供了一种地类变化监测装置,包括:
存储器,用于存放程序;
处理器,用于执行所述程序,所述程序使得所述处理器执行所述的地类变化监测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本实施例还提供了一种计算机可读存储介质,包括计算机程序,当所述计算机程序在计算机上运行时,使得所述的地类变化监测方法被执行。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
从上述内容可知,本发明通过土地利用现状类型图层作为参照,利用同一时段同种地类具有类似遥感特征的特性,计算出每个像元计算每个地类类型的地类变化概率,从而得出每个像元中各个地类类型的地类变化结果。本方法不需要依赖具体的样本,只要提高遥感图像的时间分辨率和分类阈值,就可以提高识别结果的时间分辨率,而且适用于对不同地域。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种地类变化监测方法,其特征在于,包括以下步骤:
获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表;
获取与遥感影像同一时段对应的土地利用现状图层;
对土地利用现状图层中地类类型进行合并处理,得到处理后的地类现状图层;
根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表;
根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率;
根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中;
将每个像元的各个数据记录表与网格图层进行属性连接,得到土地类型变化监测结果;
其中,所述的根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率,这一步骤具体包括:
读取第i个地类分类的数据记录表Ai;
初始化滑动窗口的起始位置Ts为0,窗口宽度为L;
从数据记录表Ai中,读取Ts到Ts+L列的值,即[Ts,Ts+L)列记为表Bi,ts;
对表Bi,ts进行多中心的聚类,得到分类中心Ci,ts和分类结果Ri,ts;
从分类结果Ri,ts中统计出每个聚类分类的记录条数K,并进行降序排列,其中,K={ki,ts,1,ki,ts,j...;j=1~10},ki,ts,j为被归到第j个类的记录数;
对K进行逐项求和,当Sum=(ki,ts,1+…ki,ts,p)/∑K>x时停止求和,此时将ki,ts,1到ki,ts,p类记为大类B,将未参与求和记为小类S,其中,x为预设的阈值;
将分类结果Ri,ts中属于大类B的标记为1,属于小类S的标记为-1;
将分类结果Ri,ts保存到数组Ri中保存起来Ri=[Ri,0,…,Ri,ts,...,Ri,N-L],其中,N为序列长度,L为窗口宽度;
向右移动窗口1个步长Ts=Ts+1,并计算分类结果Ri,ts保存到数组Ri中,直到滑动窗口超出序列长度;
根据数组Ri计算每行中B的次数Bn和S的出现次数Sn,计算地类变化概率PB=Bn/(Bn+Sn)。
2.根据权利要求1所述的一种地类变化监测方法,其特征在于:所述的获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表,这一步骤具体包括:
获取遥感影像,并将遥感影像转化各个像元的时序影像;
根据各个像元的时序影像,并结合网格图层,生成得到每个像元的第一点图层和第一属性表。
3.根据权利要求1所述的一种地类变化监测方法,其特征在于:所述的根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表,这一步骤具体包括:
根据地类现状图层,对第一点图层进行地类识别,从而在第一点图层和第一属性表中添加地类类型字段,得到第二点图层和第二属性表;
按照地类类型字段,从第二属性表中分别导出得到对应各个地类类型的数据记录表。
4.根据权利要求1所述的一种地类变化监测方法,其特征在于:所述数据记录表包括有编号、地类、相似度和监测结果。
5.根据权利要求1所述的一种地类变化监测方法,其特征在于:所述的根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中,这一步骤具体为:
当PB∈[0,0.3)时,则地类变化结果判定像元地类发生变化;
当PB∈[0.3,0.6)时,则地类变化结果判定像元地类不稳定;
当PB∈[0.6,0.8)时,则地类变化结果判定像元地类较稳定;
当PB∈[0.8,1]时,则地类变化结果判定像元地类稳定;
其中,PB表示地类变化概率。
6.一种地类变化监测系统,其特征在于,包括:
遥感影像处理单元,用于获取遥感影像并对遥感影像进行处理,生成得到每个像元的第一点图层和第一属性表;
土地利用现状图层获取单元,用于获取与遥感影像同一时段对应的土地利用现状图层;
土地利用现状图层处理单元,用于对土地利用现状图层中地类类型进行合并处理,得到处理后的地类现状图层;
数据记录表生成单元,用于根据地类现状图层、第一点图层和第一属性表,生成得到对应各个地类类型的数据记录表;
地类变化概率计算单元,用于根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率;
地类变化判定单元,用于根据地类变化概率和预设的分类阈值,得出每个像元中各个地类类型的地类变化结果,并将地类变化结果记录到对应的数据记录表中;
监测结果生成单元,用于将每个像元的各个数据记录表与网格图层进行属性连接,得到土地类型变化监测结果;
其中,所述的根据对应各个地类类型的数据记录表,计算每个地类类型的地类变化概率,这一步骤具体包括:
读取第i个地类分类的数据记录表Ai;
初始化滑动窗口的起始位置Ts为0,窗口宽度为L;
从数据记录表Ai中,读取Ts到Ts+L列的值,即[Ts,Ts+L)列记为表Bi,ts;
对表Bi,ts进行多中心的聚类,得到分类中心Ci,ts和分类结果Ri,ts;
从分类结果Ri,ts中统计出每个聚类分类的记录条数K,并进行降序排列,其中,K={ki,ts,1,ki,ts,j,...;j=1~10},ki,ts,j为被归到第j个类的记录数;
对K进行逐项求和,当Sum=(ki,ts,1+…ki,ts,p)/∑K>x时停止求和,此时将ki,ts,1到ki,ts,p类记为大类B,将未参与求和记为小类S,其中,x为预设的阈值;
将分类结果Ri,ts中属于大类B的标记为1,属于小类S的标记为-1;
将分类结果Ri,ts保存到数组Ri中保存起来Ri=[Ri,0,…,Ri,ts,...,Ri,N-L],其中,N为序列长度,L为窗口宽度;
向右移动窗口1个步长Ts=Ts+1,并计算分类结果Ri,ts保存到数组Ri中,直到滑动窗口超出序列长度;
根据数组Ri计算每行中B的次数Bn和S的出现次数Sn,计算地类变化概率PB=Bn/(Bn+Sn)。
7.根据权利要求6所述的一种地类变化监测系统,其特征在于:所述的遥感影像处理单元具体包括:
时序影像转化单元,用于时序获取遥感影像,并将遥感影像转化各个像元的时序影像;
图层叠加单元,用于根据各个像元的时序影像,并结合网格图层,生成得到每个像元的第一点图层和第一属性表。
8.一种地类变化监测装置,其特征在于,包括:
存储器,用于存放程序;
处理器,用于执行所述程序,所述程序使得所述处理器执行如权利要求1~5任一项所述的地类变化监测方法。
9.一种计算机可读存储介质,其特征在于,包括计算机程序,当所述计算机程序在计算机上运行时,使得如权利要求1~5任一项所述的地类变化监测方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107443.XA CN111091054B (zh) | 2019-11-13 | 2019-11-13 | 一种地类变化监测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107443.XA CN111091054B (zh) | 2019-11-13 | 2019-11-13 | 一种地类变化监测方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091054A CN111091054A (zh) | 2020-05-01 |
CN111091054B true CN111091054B (zh) | 2020-11-10 |
Family
ID=70394005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911107443.XA Active CN111091054B (zh) | 2019-11-13 | 2019-11-13 | 一种地类变化监测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091054B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680542A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于在线学习的遥感影像变化检测方法 |
US9514386B2 (en) * | 2008-10-16 | 2016-12-06 | The Curators Of The University Of Missouri | Identifying geographic areas based on change patterns detected from high-resolution, remotely sensed imagery |
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 |
CN109446894A (zh) * | 2018-09-18 | 2019-03-08 | 西安电子科技大学 | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
CN110263717A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种融入街景影像的土地利用类别确定方法 |
CN110276746A (zh) * | 2019-05-28 | 2019-09-24 | 河海大学 | 一种鲁棒性遥感图像变化检测方法 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622503B (zh) * | 2011-12-31 | 2016-03-09 | 武汉理工大学 | 城市土地利用变化模拟方法 |
US10262205B2 (en) * | 2015-07-28 | 2019-04-16 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN108363951B (zh) * | 2018-01-11 | 2022-02-22 | 东南大学 | 遥感影像地类识别对应深度学习样本库的自动获取方法 |
-
2019
- 2019-11-13 CN CN201911107443.XA patent/CN111091054B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9514386B2 (en) * | 2008-10-16 | 2016-12-06 | The Curators Of The University Of Missouri | Identifying geographic areas based on change patterns detected from high-resolution, remotely sensed imagery |
CN104680542A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于在线学习的遥感影像变化检测方法 |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
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 |
CN109446894A (zh) * | 2018-09-18 | 2019-03-08 | 西安电子科技大学 | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 |
CN110276746A (zh) * | 2019-05-28 | 2019-09-24 | 河海大学 | 一种鲁棒性遥感图像变化检测方法 |
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 |
CN110263717A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种融入街景影像的土地利用类别确定方法 |
Non-Patent Citations (3)
Title |
---|
"多时相遥感变化检测的动态贝叶斯网络研究";欧阳赟 等;《遥感学报》;20060731;第10卷(第4期);440-448 * |
"多时相遥感影像变化检测方法综述";眭海刚 等;《武汉大学学报-信息科技版》;20181231;第43卷(第12期);1885-1898 * |
"遥感时间序列影像变化检测研究进展";赵忠明 等;《遥感学报》;20160724;1110-1125 * |
Also Published As
Publication number | Publication date |
---|---|
CN111091054A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sønderby et al. | Metnet: A neural weather model for precipitation forecasting | |
Sun et al. | An overview of moving object trajectory compression algorithms | |
Gao et al. | Counting from sky: A large-scale data set for remote sensing object counting and a benchmark method | |
CN104820718A (zh) | 基于地理位置特征与全局视觉特征的图像分类和检索方法 | |
Wang et al. | Using GF-2 imagery and the conditional random field model for urban forest cover mapping | |
CN107203761B (zh) | 基于高分辨率卫星影像的道路宽度估计方法 | |
CN111191649A (zh) | 一种识别弯曲多行文本图像的方法与设备 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN115984850A (zh) | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 | |
CN112465854A (zh) | 基于无锚点检测算法的无人机跟踪方法 | |
CN110956213A (zh) | 遥感影像特征库生成、遥感影像检索方法及装置 | |
Yang et al. | Toward country scale building detection with convolutional neural network using aerial images | |
CN104050674B (zh) | 一种显著性区域检测方法及装置 | |
Wang et al. | Robust visual tracking via a hybrid correlation filter | |
Yang et al. | Extracting buildings from airborne laser scanning point clouds using a marked point process | |
Qiao et al. | Rapid trajectory clustering based on neighbor spatial analysis | |
CN111091054B (zh) | 一种地类变化监测方法、系统、装置及存储介质 | |
Dong et al. | Object detection method for high resolution remote sensing imagery based on convolutional neural networks with optimal object anchor scales | |
CN111243240B (zh) | 一种滑坡预警方法及装置 | |
Nath et al. | Forecasting tropical cyclones with cascaded diffusion models | |
Su et al. | Which CAM is better for extracting geographic objects? A perspective from principles and experiments | |
US20220311910A1 (en) | Corner detection method and corner detection device | |
CN105023271A (zh) | 基于多线索信息的行为集体度衡量方法 | |
CN114564521A (zh) | 一种基于聚类算法确定农机工作时间段的方法及系统 | |
CN110503663B (zh) | 一种基于抽帧检测的随机多目标自动检测跟踪方法 |
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 |