CN111144250A - 融合雷达和光学遥感数据的土地覆盖分类方法 - Google Patents

融合雷达和光学遥感数据的土地覆盖分类方法 Download PDF

Info

Publication number
CN111144250A
CN111144250A CN201911297048.2A CN201911297048A CN111144250A CN 111144250 A CN111144250 A CN 111144250A CN 201911297048 A CN201911297048 A CN 201911297048A CN 111144250 A CN111144250 A CN 111144250A
Authority
CN
China
Prior art keywords
remote sensing
sensing data
radar
optical remote
classification
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
Application number
CN201911297048.2A
Other languages
English (en)
Other versions
CN111144250B (zh
Inventor
田馨
李宁皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201911297048.2A priority Critical patent/CN111144250B/zh
Publication of CN111144250A publication Critical patent/CN111144250A/zh
Application granted granted Critical
Publication of CN111144250B publication Critical patent/CN111144250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种高效实用的融合雷达和光学遥感数据的土地覆盖分类方法，包括：1)分别获取某一地区的光学遥感数据和雷达遥感数据，并进行预处理，将光学遥感数据和雷达遥感数据依据研究区进行图像裁剪和配准；2)使用灰度共生矩阵提取雷达遥感数据的纹理信息；3)使用主成分分析法对雷达遥感数据和光学遥感数据进行融合；4)在融合数据的图像上获取感兴趣区，创建基于感兴趣区的训练样本；5)利用得到的融合数据和雷达遥感数据的纹理信息，结合训练样本的光谱特征和后向散射特征使用支持向量机法进行分类。有益效果在于：解决了相关研究仅限于特定土地类型的简单研究区的问题，并对质地丰富区域的土地覆盖分类提供了理论拓展和实践参考。

Description

融合雷达和光学遥感数据的土地覆盖分类方法
技术领域
本发明涉及一种融合雷达和光学遥感数据的土地覆盖分类方法，属于遥感数据处理技术领域。
背景技术
目前，关于土地覆盖分类的研究主要使用光学遥感数据。然而，光学遥感数据受到遥感卫星波段数的限制，依旧面临着“同谱异物”的问题。同时，光学遥感数据的成像质量容易被云雨天气影响，进一步导致无法获取完整、精确的土地覆盖信息。因此，光学遥感数据在土地分类精度和时间分辨率上都具有一定的局限性。
相比之下，不同于光学遥感根据地物光谱反射率探测地物类型，雷达遥感能够获得地表的结构和电磁信息，对地物坡度、粗糙度、几何特征和目标的介电属性十分敏感，并且不受气象条件和昼夜因素影响，能够全天时全天候工作，是一种高效、实用的提高土地覆盖分类精度的观测手段。目前也有部分土地覆盖分类的研究以雷达遥感数据为数据源，但在现阶段，基于雷达遥感数据的相关研究仅限于特定土地类型的简单研究区，对土地覆盖复杂的地区研究较少，还不能有效地应对实际复杂多变的情况。因此，解决情况复杂地区的土地覆盖分类问题需要更高精度的方法。
发明内容
技术问题：为了解决土地覆盖遥感分类精度低的问题，本发明提供了一种高效实用的融合雷达和光学遥感数据的土地覆盖分类方法。
技术方案：本发明的融合雷达和光学遥感数据的土地覆盖分类方法，包括如下步骤：
1)分别获取某一地区的光学遥感数据和雷达遥感数据，并进行预处理，将光学遥感数据和雷达遥感数据依据研究区进行图像裁剪和配准；
2)使用灰度共生矩阵提取雷达遥感数据的纹理信息；
3)使用主成分分析法对雷达遥感数据和光学遥感数据进行融合；
4)在融合数据的图像上获取感兴趣区，创建基于感兴趣区的训练样本；
5)利用得到的融合数据和雷达遥感数据的纹理信息，结合训练样本的光谱特征和后向散射特征使用支持向量机法进行分类。
优选地，在所述步骤1)中，光学遥感数据的预处理过程包括：
对光学遥感数据进行辐射定标、大气与几何校正、重采样、裁剪；为了防止波段丢失进行分辨率为10m的重采样，选择最近邻法为升采样方式；
雷达遥感数据的预处理过程包括：辐射定标、几何校正、影像配准以及噪声滤波。
优选地，在所述步骤2)中，利用灰度共生矩阵，采用5×5的窗口提取10种纹理信息，包括：均值、方差、协同性、对比度、相异性、信息熵、角二阶矩、相关性、能量和最大概率。
优选地，在所述步骤3)中，还包含使用J-M距离对训练样本进行可分离性分析：
J-M距离计算方式为：
J＝2(1-e-B)
式中，B是指在该特征为上的巴氏距离，两种不同类别间样本对象的巴氏距离计算方式为：
Figure BDA0002318547380000021
式中，mi表示特征的均值，
Figure BDA0002318547380000022
表示该类特征的方差，其中，i＝1,2；
J-M距离的取值范围是[0,2]，越接近2则可分离性越高，当训练样本的J-M距离大于1.8时认为该训练样本为合格样本。
优选地，在所述步骤4)中，选用支持向量机法进行分类：
支持向量机法的决策函数为：
Figure BDA0002318547380000023
其中，构建最优分类超平面为：
Figure BDA0002318547380000024
fi(x)表示分类结果，i＝1,2,…,m，m表示土地覆盖类别的总数。
优选地，本发明的方法还包括：
采用混淆矩阵对两种分类方法进行分类精度评价；在确定检验样本后，建立混淆矩阵，对支持向量机的分类精度进行检验，得到各类土地覆盖的总体分类精度和Kappa系数，对总体分类精度和Kappa系数进行比较和分析。
所述技术特征可以各种合适的波段组合或等效的技术特征来代替，只要能够达到本发明的目的。
有益效果：本发明利用雷达遥感数据，引入纹理信息，添加光学数据进行数据融合，用支持向量机法对土地覆盖进行分类，提高了土地覆盖遥感分类的精度；本发明解决了相关研究仅限于特定土地类型的简单研究区的问题，并对质地丰富区域的土地覆盖分类提供了理论拓展和实践参考。
附图说明
图1为本发明的流程图。
具体实施方式
以下根据附图并结合实例对本发明作进一步阐述。
图1为本发明的流程图，融合雷达和光学遥感数据的土地覆盖分类方法，具体步骤如下：
1)分别获取某一地区的光学遥感数据和雷达遥感数据，并进行预处理，将光学遥感数据和雷达遥感数据依据研究区进行图像裁剪和配准；
2)使用灰度共生矩阵提取雷达遥感数据的纹理信息；
3)使用主成分分析法对雷达遥感数据和光学遥感数据进行融合；
4)在融合数据的图像上获取感兴趣区，创建基于感兴趣区的训练样本；
5)利用得到的融合数据和雷达遥感数据的纹理信息，结合训练样本的光谱特征和后向散射特征使用支持向量机法进行分类。
本发明的光学遥感数据含有Sentinel-2A数据，是Sentinel-2A卫星上携带的多光谱成像仪覆盖的13个谱段构成，分辨率为20米或60米；雷达遥感数据含有Sentinel-1A数据，为Sentinel-1A卫星携带的C波段合成孔径雷达数据，分辨率为10m，工作模式为IW。
本发明对光学遥感数据的预处理过程包括：
对光学遥感数据进行辐射定标、大气与几何校正、重采样、裁剪；为了防止波段丢失进行分辨率为10m的重采样，选择最近邻法为升采样方式；
雷达遥感数据的预处理过程包括：辐射定标、几何校正、影像配准以及噪声滤波。
本发明利用灰度共生矩阵，采用5×5的窗口提取10种纹理信息，包括：均值、方差、协同性、对比度、相异性、信息熵、角二阶矩、相关性、能量和最大概率。
本发明还使用J-M距离对训练样本进行可分离性分析：
J-M距离计算方式为：
J＝2(1-e-B)
式中，B是指在该特征为上的巴氏距离，两种不同类别间样本对象的巴氏距离计算方式为：
Figure BDA0002318547380000041
式中，mi表示特征的均值，
Figure BDA0002318547380000042
表示该类特征的方差，其中，i＝1,2；
J-M距离的取值范围是[0,2]，越接近2则可分离性越高，当训练样本的J-M距离大于1.8时认为该训练样本为合格样本。
本发明选用支持向量机法进行分类：
支持向量机法的决策函数为：
Figure BDA0002318547380000043
其中，构建最优分类超平面为：
Figure BDA0002318547380000044
fi(x)表示分类结果，i＝1,2,…,m，m表示土地覆盖类别的总数。
本发明还对分类结果的精度进行评价，具体方式为：
采用混淆矩阵对两种分类方法进行分类精度评价；在确定检验样本后，建立混淆矩阵，对支持向量机的分类精度进行检验，得到各类土地覆盖的总体分类精度和Kappa系数，对总体分类精度和Kappa系数进行比较和分析。
具体实施例：
步骤一：分别下载2018年9月7日Sentinel-1A数据和2018年9月4日的Sentinel-2A数据，对雷达遥感数据进行辐射定标、几何校正、影像配准以及噪声滤波等预处理，对光学遥感数据进行大气与几何校正、重采样、裁剪等预处理，将雷达和光学遥感数据进行配准。
步骤二：将雷达遥感数据使用ENVI5.3软件的Filter模块中的Co-occurrence功能，提取10种纹理信息，包括均值(GLCMMean)、方差(GLCMVarience)、协同性(Homogeneity)、对比度(Contrast)、相异性(Dissimilarity)、信息熵(Entropy)、角二阶矩(Angular Secondary Moment)、相关性(GLCMCorrelation)、能量(Energy)和最大概率(Maximum Probability)。
步骤三：将步骤一所得的配准后数据，使用ENVI5.3软件的Transform模块中的HSV功能，将雷达和光学遥感数据进行融合，得到融合影像。
步骤四：利用ENVI5.3软件在处理后融合影像上获取ROI，即创建感兴趣区。本实施例共创建10类训练样本，分别是水体、莲花、水稻、芦苇、浮萍、道路、建筑物、土壤、树林，其中水体分为两类。每个样本选择以代表性，独立性为原则选取40-50个样本点，并以J-M距离为标准进行样本可分离性统计：
J-M距离计算方式为：
J＝2(1-e-B)
式中，B是指在该特征为上的巴氏距离，两种不同类别间样本对象的巴氏距离计算方式为：
Figure BDA0002318547380000051
式中，mi表示特征的均值，
Figure BDA0002318547380000052
表示该类特征的方差，其中，i＝1,2；
J-M距离的取值范围是[0,2]，越接近2则可分离性越高，当训练样本的J-M距离大于1.8时认为该训练样本为合格样本。
步骤五：利用步骤三得到的融合影像和步骤二得到的纹理信息，采用支持向量机法对研究区内的土地覆盖类型进行分类：
Figure BDA0002318547380000053
其中，构建最优分类超平面为：
Figure BDA0002318547380000054
fi(x)表示分类结果，i＝1,2,…,m，m表示土地覆盖类别的总数。
步骤六：采用建立混淆矩阵的方法，根据实地考察的结果选取验证样本，对上述支持向量机法的分类精度进行验证，最后得到各类土地覆盖的总体分类精度和Kappa系数，并对精度进行比较分析，本实施例的具体分类精度见表1。
其中，
Figure BDA0002318547380000055
Figure BDA0002318547380000056
p0为每一类正确分类的地物覆盖样本数量之和除以总样本数；
a1、a2、…、aC为每一类地物覆盖的真实样本个数，b1、b2、…、bC为每一类地物覆盖的预测样本个数，n为总样本个数。
支持向量机法分类评价：
表1分类精度
雷达遥感数据 光学遥感数据 融合数据 融合数据和纹理信息
总体精度 70.4335 92.6533 94.6392 95.3146
Kappa系数 0.6529 0.9162 0.9388 0.9402
以上所述为本发明的优选的实施例，但应当指出，在不脱离本发明技术原理的前提下，本发明还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.融合雷达和光学遥感数据的土地覆盖分类方法，其特征在于，包括以下步骤：
1)分别获取某一地区的光学遥感数据和雷达遥感数据，并进行预处理，将光学遥感数据和雷达遥感数据依据研究区进行图像裁剪和配准；
2)使用灰度共生矩阵提取雷达遥感数据的纹理信息；
3)使用主成分分析法对雷达遥感数据和光学遥感数据进行融合；
4)在融合数据的图像上获取感兴趣区，创建基于感兴趣区的训练样本；
5)利用得到的融合数据和雷达遥感数据的纹理信息，结合训练样本的光谱特征和后向散射特征使用支持向量机法进行分类。
2.根据权利要求1所述的融合雷达和光学遥感数据的土地覆盖分类方法，其特征在于，在所述步骤1)中，光学遥感数据的预处理过程包括：
对光学遥感数据进行辐射定标、大气与几何校正、重采样、裁剪；为了防止波段丢失进行分辨率为10m的重采样，选择最近邻法为升采样方式；
雷达遥感数据的预处理过程包括：辐射定标、几何校正、影像配准以及噪声滤波。
3.根据权利要求1所述的融合雷达和光学遥感数据的土地覆盖分类方法，其特征在于，在所述步骤2)中，利用灰度共生矩阵，采用5×5的窗口提取10种纹理信息，包括：均值、方差、协同性、对比度、相异性、信息熵、角二阶矩、相关性、能量和最大概率。
4.根据权利要求1所述的融合雷达和光学遥感数据的土地覆盖分类方法，其特征在于，在所述步骤3)中，还包含使用J-M距离对训练样本进行可分离性分析：
J-M距离计算方式为：
J＝2(1-e-B)
式中，B是指在该特征为上的巴氏距离，两种不同类别间样本对象的巴氏距离计算方式为：
Figure FDA0002318547370000011
式中，mi表示特征的均值，
Figure FDA0002318547370000012
表示该类特征的方差，其中，i＝1,2；
J-M距离的取值范围是[0,2]，越接近2则可分离性越高，当训练样本的J-M距离大于1.8时认为该训练样本为合格样本。
5.根据权利要求1所述的融合雷达和光学遥感数据的土地覆盖分类方法，其特征在于，在所述步骤4)中，选用支持向量机法进行分类：
支持向量机法的决策函数为：
Figure FDA0002318547370000013
其中，构建最优分类超平面为：
Figure FDA0002318547370000021
fi(x)表示分类结果，i＝1,2,…,m，m表示土地覆盖类别的总数。
6.根据权利要求1所述的融合雷达和光学遥感数据的土地覆盖分类方法，其特征在于，还包括：
采用混淆矩阵对两种分类方法进行分类精度评价；在确定检验样本后，建立混淆矩阵，对支持向量机的分类精度进行检验，得到各类土地覆盖的总体分类精度和Kappa系数，对总体分类精度和Kappa系数进行比较和分析。
CN201911297048.2A 2019-12-15 2019-12-15 融合雷达和光学遥感数据的土地覆盖分类方法 Active CN111144250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911297048.2A CN111144250B (zh) 2019-12-15 2019-12-15 融合雷达和光学遥感数据的土地覆盖分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911297048.2A CN111144250B (zh) 2019-12-15 2019-12-15 融合雷达和光学遥感数据的土地覆盖分类方法

Publications (2)

Publication Number Publication Date
CN111144250A true CN111144250A (zh) 2020-05-12
CN111144250B CN111144250B (zh) 2023-07-11

Family

ID=70518563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911297048.2A Active CN111144250B (zh) 2019-12-15 2019-12-15 融合雷达和光学遥感数据的土地覆盖分类方法

Country Status (1)

Country Link
CN (1) CN111144250B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652193A (zh) * 2020-07-08 2020-09-11 中南林业科技大学 基于多源影像的湿地分类方法
CN112053350A (zh) * 2020-09-04 2020-12-08 国家卫星气象中心(国家空间天气监测预警中心) 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备
CN112084991A (zh) * 2020-09-18 2020-12-15 中国农业科学院农业资源与农业区划研究所 基于多源遥感时序影像和卷积神经网络的作物早期识别方法
CN112733746A (zh) * 2021-01-14 2021-04-30 中国海洋大学 融合InSAR相干性与多光谱遥感的协同分类方法
CN112883892A (zh) * 2021-03-03 2021-06-01 青岛农业大学 一种土壤类型遥感分类识别方法、装置、设备及存储介质
CN114118231A (zh) * 2021-11-08 2022-03-01 长安大学 多源遥感浅覆盖区地层岩性分类特征空间构建方法、岩性分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489005A (zh) * 2013-09-30 2014-01-01 河海大学 一种基于多分类器融合的高分辨率遥感影像分类方法
CN104751477A (zh) * 2015-04-17 2015-07-01 薛笑荣 基于空间域和频域特征的并行sar图像分类方法
CN105930772A (zh) * 2016-04-13 2016-09-07 武汉大学 基于sar影像与光学遥感影像融合的城市不透水面提取方法
CN109389049A (zh) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 基于多时相sar数据与多光谱数据的作物遥感分类方法
CN109472304A (zh) * 2018-10-30 2019-03-15 厦门理工学院 基于sar与光学遥感时序数据的树种分类方法、装置和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489005A (zh) * 2013-09-30 2014-01-01 河海大学 一种基于多分类器融合的高分辨率遥感影像分类方法
CN104751477A (zh) * 2015-04-17 2015-07-01 薛笑荣 基于空间域和频域特征的并行sar图像分类方法
CN105930772A (zh) * 2016-04-13 2016-09-07 武汉大学 基于sar影像与光学遥感影像融合的城市不透水面提取方法
CN109389049A (zh) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 基于多时相sar数据与多光谱数据的作物遥感分类方法
CN109472304A (zh) * 2018-10-30 2019-03-15 厦门理工学院 基于sar与光学遥感时序数据的树种分类方法、装置和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李林 等: "基于极化SAR和光学影像特征的土地覆盖分类" *
赵诣: "极化SAR参数优化与光学波谱相结合的面向对象土地覆盖分类" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652193A (zh) * 2020-07-08 2020-09-11 中南林业科技大学 基于多源影像的湿地分类方法
CN111652193B (zh) * 2020-07-08 2024-03-19 中南林业科技大学 基于多源影像的湿地分类方法
CN112053350A (zh) * 2020-09-04 2020-12-08 国家卫星气象中心(国家空间天气监测预警中心) 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备
CN112053350B (zh) * 2020-09-04 2024-03-26 国家卫星气象中心(国家空间天气监测预警中心) 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备
CN112084991A (zh) * 2020-09-18 2020-12-15 中国农业科学院农业资源与农业区划研究所 基于多源遥感时序影像和卷积神经网络的作物早期识别方法
CN112733746A (zh) * 2021-01-14 2021-04-30 中国海洋大学 融合InSAR相干性与多光谱遥感的协同分类方法
CN112733746B (zh) * 2021-01-14 2022-06-28 中国海洋大学 融合InSAR相干性与多光谱遥感的协同分类方法
CN112883892A (zh) * 2021-03-03 2021-06-01 青岛农业大学 一种土壤类型遥感分类识别方法、装置、设备及存储介质
CN114118231A (zh) * 2021-11-08 2022-03-01 长安大学 多源遥感浅覆盖区地层岩性分类特征空间构建方法、岩性分类方法及系统
CN114118231B (zh) * 2021-11-08 2023-07-25 长安大学 多源遥感浅覆盖区地层岩性分类特征空间构建方法、岩性分类方法及系统

Also Published As

Publication number Publication date
CN111144250B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN111144250B (zh) 融合雷达和光学遥感数据的土地覆盖分类方法
Coburn et al. A multiscale texture analysis procedure for improved forest stand classification
WO2023029373A1 (zh) 一种高精度的农田植被信息提取方法
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN109146889A (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN112285710B (zh) 一种多源遥感水库蓄水量估算方法与装置
CN107688777B (zh) 一种协同多源遥感影像的城市绿地提取方法
Xiao et al. Segmentation of multispectral high-resolution satellite imagery using log Gabor filters
CN107273813A (zh) 基于高分卫星遥感数据的地理空间要素提取系统
CN114965501B (zh) 基于冠层参数处理的花生病害检测与产量预测方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN110100262A (zh) 用于从图像移除云的图像处理设备、方法和存储介质
Ozdarici Ok et al. A segment-based approach to classify agricultural lands by using multi-temporal optical and microwave data
Alexakis et al. Integrated use of satellite remote sensing, GIS, and ground spectroscopy techniques for monitoring olive oil mill waste disposal areas on the island of Crete, Greece
CN114332534B (zh) 一种高光谱图像小样本分类方法
CN111383203B (zh) 基于分区域拟合的全色与多光谱遥感图像融合方法
CN115424006A (zh) 应用于作物表型参数反演的多源多层次数据融合方法
CN109063577B (zh) 基于信息增益率的卫星影像分割最佳分割尺度确定方法
Mohamed et al. Change detection techniques using optical remote sensing: a survey
CN111047616B (zh) 一种遥感图像滑坡目标约束性主动轮廓特征提取方法
CN112924967A (zh) 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
Sakieh et al. An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region
CN115410074B (zh) 遥感影像云检测方法及装置
CN114639015B (zh) 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法

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