CN111178230A - 一种遥感影像内河洲滩智能化提取方法 - Google Patents
一种遥感影像内河洲滩智能化提取方法 Download PDFInfo
- Publication number
- CN111178230A CN111178230A CN201911366656.4A CN201911366656A CN111178230A CN 111178230 A CN111178230 A CN 111178230A CN 201911366656 A CN201911366656 A CN 201911366656A CN 111178230 A CN111178230 A CN 111178230A
- Authority
- CN
- China
- Prior art keywords
- beach
- river
- image
- extraction
- remote sensing
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
为了解决遥感技术领域中内河洲滩提取难度较大、智能化程度不高的问题,本发明公开了一种遥感影像内河洲滩智能化提取方法,该方法利用多光谱遥感影像中内河洲滩与水体的空间特性及光谱特性,将遥感水体指数与神经网络进行联合,设计了适用于洲滩提取的贝叶斯正则化反馈神经网络结构,与标准反馈神经网络相比,该网络具有更好的泛化和识别能力,从而具有较好的内河洲滩提取精度。
Description
技术领域
本发明属于遥感技术领域,涉及一种遥感影像内河洲滩智能化提取方法。
背景技术
内河洲滩是维系河流系统生态健康的关键区域,随着社会经济的不断发展,对于内河洲滩资源的有效利用尤其重要,一些内河洲滩上有人居住,在河流汛期时,由于水位上涨,部分内河洲滩的区域可能会被洪水淹没,这对内河洲滩居民的生命财产安全会造成重大威胁,随着遥感技术的发展,从遥感影像提取内河洲滩成为可能,并将成为内河洲滩监测的重要技术手段,遥感影像内河洲滩提取,对于内河洲滩资源的合理利用、防洪安全、生态环境建设与保护具有重要意义。
发明内容
本发明针对内河洲滩提取研究领域存在的问题,提供一种遥感影像内河洲滩智能化提取方法。
本发明的技术方案为一种遥感影像内河洲滩智能化提取方法,基于遥感水体指数与神经网络,包含以下步骤:
步骤1,在得到多光谱遥感影像后,利用贝叶斯正则化反馈神经网络对影像进行水陆识别,获得水陆二值化图像;
步骤2,在得到由步骤1处理后的水陆二值化图像后,对二值化图像进行非目标去除,所述非目标包括池塘、水田和部分船舶;
步骤3,进行内河洲滩提取,实现方式如下,
(3.1)对于洲滩大面积部分,采用区域生长方法进行内河洲滩提取,首先人工随机选取生长点,再执行区域生长算法进行八邻域扩张,从而得到目标内河洲滩;
(3.2)对于数量多、面积小的洲滩部分区域,采用手动框型选取方式获取框内内河洲滩像素;
步骤4,内河洲滩提取结果优化与渲染,实现方式如下,
(4.1)内河洲滩提取结果优化,设置为船舶大小阈值为T1,设置岛屿陆地大小阈值为T2,遍历图像中的像素,使用船舶大小阈值T1获取可能船舶像素,并将该像素作为种子点,然后使用区域生长算法来获取可能船舶对象集,然后进行判断,若船舶对象集像素数量<T2,则判定为船舶对象,予以去除,完成内河洲滩提取结果的优化;
(4.2)内河洲滩提取结果渲染,将影像中的水体部分、内河洲滩部分、岸上陆地及其他地物分别设置为不同颜色,以此渲染并显示内河洲滩提取结果。
进一步的,步骤1中利用贝叶斯正则化反馈神经网络对影像进行水陆识别的具体实现方式如下,
以遥感影像的蓝色波段、红色波段、MNDWI水体指数作为输入特征向量;
在原图像上选取训练样本与测试样本,然后进行贝叶斯正则化反馈神经网络的训练,所述贝叶斯正则化反馈神经网络包括3层,其中输入层与输入向量特征值数量相等有3个神经元,隐含层包含10个神经元,输出层与分类目标数目相等由2个神经元构成,分类目标数目为水体和非水体两类;
最后利用训练好的贝叶斯正则化反馈神经网络对图像进行预测,获得水陆二值化图像。
进一步的,所述贝叶斯正则化反馈神经网络采用贝叶斯正则化算法作为训练函数,从输入层到隐含层的激活函数设置为tansig函数,从隐含层到输出层的激活函数设置为logsig函数。
进一步的,步骤2的具体实现方式如下,
(2.1)首先人工随机选取生长点,再执行区域生长算法进行八邻域扩张,从而得到大面积目标水体;另外采用手动框型选取方式作为补充,实现小面积目标水体的获取,手动框型选取为用户指定矩形框并获取框内水体;
(2.2)通过用户手动选取矩形框,并去除框内船舶点像素。
进一步的,还包括步骤5,进行内河洲滩提取结果的精度评价,实现方式如下,
首先获得内河洲滩岸线,再随机生成P个样本点,并目视解译这P个样本点,分为水体点及非水体点两类,而后建立混淆矩阵,以目视解译结果作为参考值,以内河洲滩提取效果作为预测值,进行基于混淆矩阵精度评价指标的内河洲滩提取结果精度评价,最终获得内河洲滩提取精度评价结果。
进一步的,P的取值为200,样本点的选取原则为:在内河洲滩岸线八邻域范围内随机选取100个样本点,并在整幅影像范围内随机选取100个样本点。
本发明利用内河洲滩及水体的空间形态特性及光谱特性,通过联合遥感水体指数与反馈神经网络并经过多个步骤对内河洲滩进行了有效提取,并进行了基于混淆矩阵的内河洲滩提取结果精度评价,验证了方法的有效性。
附图说明
图1是本发明实施例的一种遥感影像内河洲滩智能化提取方法流程图。
图2是本发明实施例的反馈神经网络结构示意图。
图3是本发明实施例的神经网络水陆识别步骤流程图。
图4是本发明实施例的非目标去除步骤流程图。
图5是本发明实施例的内河洲滩提取步骤流程图。
图6是本发明实施例的内河洲滩提取结果优化与渲染步骤流程图。
图7是本发明实施例的内河洲滩提取结果精度评价步骤流程图。
具体实施方式
本发明主要基于遥感技术,考虑到遥感影像内河洲滩形态及光谱特性,提出的一种遥感影像内河洲滩智能化提取实验方法及系统。本方法充分考虑了内河洲滩提取过程中的各种问题,通过MNDWI水体指数与反馈神经网络方法以及相关影像处理技术进行内河洲滩的提取。通过本发明可以获得更为精确完整的内河洲滩提取结果。
本发明提供的方法能利用计算机软件技术进行编程实现。参见图1,实施例以长江内河洲滩提取为例对本发明流程进行具体说明,如下:
步骤1,在获取多光谱遥感影像后,对影像进行基于遥感水体指数和神经网络的水陆识别,将遥感水体指数与神经网络进行联合,设计了相应的贝叶斯正则化反馈神经网络结构,与标准反馈神经网络相比,该网络具有更好的泛化和识别能力,与深度网络相比,该网络训练时间短。其识别方法为,首先计算多光谱遥感影像的MNDWI水体指数,再构建针对水陆识别的贝叶斯正则化反馈神经网络结构,此神经网络以多光谱遥感影像的蓝色波段、红色波段、MNDWI水体指数作为输入特征向量,在原影像上选取200个训练样本,基于Levenberg-Marquardt优化进行神经网络训练,最后利用训练好的神经网络对影像进行水陆识别,获得水陆二值化影像;
实施例的具体过程说明如下:
在读取多光谱遥感影像后,利用影像的绿色波段和中红外波段进行MNDWI水体指数的计算,MNDWI利用建筑物与土壤及其他地物与水体之间的波谱差异,采用创造波段差及比值的方式对水体信息进行强调,经实验验证具有较高的水体提取精度,能够有效的对水体目标进行提取,因此选用MNDWI水体指数作为神经网络的输入特征向量分量,MNDWI水体指数计算公式为:MNDWI=(Green-MIR)/(Green+MIR),此外由于遥感影像蓝色波段及红色波段对水体比较敏感,能够有效的将水体与其他地物区分开来,因此本发明选用影像中的蓝色波段、红色波段及MNDWI水体指数作为神经网络的输入特征向量,其表达式为:X=(BLUE,RED,MNDWI)T,本文中神经网络的分类目标是将影像中的地物分为水体及非水体两类,水体目标矩阵表达形式为:YWater=[1 0]T,非水体目标矩阵表达形式为:YNon-Water=[01]T,综上理由,本发明中反馈神经网络结构被分为3层,其中输入层与输入向量特征值数量相等有3个神经元,隐含层设置为一层共10个神经元时具有较好的分类效果,因此隐含层包含一层共10个神经元,输出层与分类目标数目相等由2个神经元构成,本发明反馈神经网络结构如图2所示。
在训练样本选取方面,以长江内河洲滩遥感影像为例,首先在影像上随机生成200个点,再使用ENVI5.1软件对这200个点进行目视解译,目视解译结果分为水体与非水体两类,然后将这些样本点作为训练样本进行反馈神经网络的训练,由于贝叶斯正则化算法具有泛化能力强,分类精度高的优势,本发明神经网络采用贝叶斯正则化算法(trainbr)作为训练函数,从输入层到隐含层的激活函数设置为tansig函数,从隐含层到输出层的激活函数设置为logsig函数,训练的最大次数为1000次,训练全局最小误差被设置为0.005,显示频率为1000,动量因子设置为0.85,需要注意的是训练样本要进行数据归一化操作,训练结束后,再利用训练好的反馈神经网络对整幅影像进行预测,得到未经过非目标去除步骤的二值化影像。
如图3所示,具体流程为,计算影像MNDWI指数,再选取训练样本和测试样本,之后利用训练样本与测试样本进行反馈神经网络训练,然后再进行神经网络水陆识别最终获得水陆二值化影像。
步骤2,在得到由步骤1处理后的水陆二值化影像后,对二值化影像进行非目标去除,非目标去除主要包括两部分内容,实现方式如下,
一是获取目标水体,排除非目标水体干扰,在目标水体周围可能存在着一些小型水体,如池塘、水田等,而且在某些内河洲滩内部也存在着需要保留的目标水体,这些水体主要特点是数量多、面积小,针对这个问题,本发明结合自动与手动非目标去除方法对目标水体进行提取,对于大面积水体,本发明采用区域生长方法进行水体提取,首先人工随机选取生长点,再执行区域生长算法进行八邻域扩张,从而得到目标水体;对于内河洲滩内部的具有数量多、面积小特征的目标水体,采用手动框型选取方式获取目标水体,水体框型选取为用户指定矩形框并获取框内水体。
二是部分船舶去除,为避免对内河洲滩提取造成干扰,需要对影像中的部分船舶进行去除,考虑到不同分辨率遥感影像中船舶尺寸差别较大,本发明采用部分船舶手动框型去除方法进行非目标去除,该方法主要思想是用户手动选取矩形框,并去除框内船舶点像素。
实施例的具体过程说明如下:
以长江内河洲滩提取为例,在第一步获取目标水体的过程中,对于长江大面积水域由人工随机选取生长点并执行区域生长算法,从而获取长江主干水域,其中人工随机选取生长点以文件形式存储并读取,区域生长算法具体思想是由水体生长点出发获取其空间邻域内其他水体点,并将其他水体点也作为生长点,并重复这个过程,直至获得完整的水体连通区域,对于长江内河洲滩中由于水位上涨而产生的大量小型水体,采用框型选取方式获取目标水体,用户指定一矩形区域并获取该矩形区域内的所有水体点,其中矩形区域的选择需要用户交互完成。
由于长江内河洲滩周围可能有一些船舶,这些船舶与洲滩部分小型区域大小相似,且位置较近,为避免对后续内河洲滩提取造成影响,通过目视解译方式进行部分船舶手动框型去除,用户指定一矩形区域并去除该矩形区域内的所有船舶点,其中矩形区域的选择需要用户交互完成。
如图4所示,具体流程为,首先加载水体生长种子点,即获取长江水体主干部分,再进行水体手动框型选取,即获取小型目标水体,然后进行部分船舶手动框型去除,最终获得非目标去除后的二值化影像。
步骤3,在获取步骤2经非目标去除后的水陆二值化影像后,内河洲滩提取步骤得以展开,实现方式如下,
内河洲滩提取分为两步进行,这是由内河洲滩的特点所决定的,对于某一内河洲滩来说,其原本可能为一整体,然而若发生洪水后,该洲滩的地理形态可能发生较大变化,影像上可能呈现出零散稀疏,本发明结合自动与手动方法对目标内河洲滩进行提取,对于洲滩大面积部分,本发明采用区域生长方法进行内河洲滩提取,首先人工随机选取生长点,再执行区域生长算法进行八邻域扩张,从而得到目标内河洲滩;对于数量多、面积小特征的洲滩部分区域,采用手动框型选取方式获取这一部分区域,内河洲滩框型选取主要思想是用户手动选取矩形框,并获取框内内河洲滩像素。
实施例的具体过程说明如下:
以长江内河洲滩提取为例,第一步采用区域生长算法获取长江内河洲滩主体部分,具体做法是人工随机选取生长点,再将这些生长点作为区域生长算法的种子点进行长江内河洲滩主体部分的生长获取,其中这些生长点以文件形式存储并读取;第二步对于数量大、面积小的长江内河洲滩部分区域,为获取更为准确的内河洲滩提取效果,通过目视解译方式进行内河洲滩手动框型选取,用户指定一矩形区域并获取该矩形区域内的所有内河洲滩点,其中矩形区域的选择需要用户交互完成,通过该步骤即可获得完整的长江内河洲滩。
如图5所示,具体流程为,首先加载内河洲滩生长种子点,即获取长江内河洲滩主体部分,再进行内河洲滩手动框型选取,即获取长江内河洲滩部分区域,最终获得长江内河洲滩提取结果。
步骤4,为合理显示内河洲滩提取结果,本发明还需进行内河洲滩提取结果优化与渲染步骤,该步骤主要包括两部分内容,实现方式如下,
一是内河洲滩提取结果优化,在步骤2中,可能对步骤3内河洲滩提取造成影响的部分船舶被去除,然而影像中仍然存在着大量距离内河洲滩较远的船舶未被去除,因此为合理显示内河洲滩提取结果,需要进行船舶自动去除,该方法利用船舶和目标水体之间的空间关系,即船舶被水体所包围,船舶大小阈值设置为T1,岛屿陆地大小的阈值设置为T2。遍历影像中的像素,并使用船舶大小阈值T1获取可能的船舶像素,并将该像素作为种子点,然后使用区域生长算法来获取完整对象,如果获得的完整对象的大小小于T2,它被判断为船舶并被去除,在阈值选取方面,考虑到不同分辨率遥感影像中船舶尺寸差别较大,阈值选取需由操作人员设定。
二是内河洲滩提取结果渲染,利用之前步骤获得的相关结果进行内河洲滩提取的结果渲染,其中影像中的水体部分设置为蓝色、内河洲滩部分被设置为黄色、岸上陆地及其他地物被设置为黑色,以此渲染并显示内河洲滩提取结果。
实施例的具体过程说明如下:
以长江内河洲滩提取为例,首先遍历长江内河洲滩影像,设置船舶大小阈值为T1,若影像中某一像素的左右两方T1像素范围内都存在水体像素,则该像素可判定为可能船舶像素,之后对可能船舶像素集进行区域生长获得可能船舶对象集,这个过程中若可能船舶对象集中有待进行区域生长的像素在之前的区域生长中已经进行过遍历则不会进行重复生长,设置阈值T2,若可能船舶对象包含像素数量小于T2,则判断为船舶进行去除,考虑到实际应用场景的复杂性,阈值T1及T2由实际操作人员设置,通过该步骤,影像中的船舶将会被自动去除,内河洲滩提取结果的优化得以完成。
在内河洲滩提取结果的渲染中,影像中的水体部分设置为蓝色、内河洲滩部分被设置为黄色、岸上陆地及其他地物被设置为黑色,以此渲染并显示长江内河洲滩提取结果。
如图6所示,具体流程为,首先遍历影像像素,再设置阈值T1获取可能船舶像素,执行区域生长获取可能船舶对象集,然后进行判断,若船舶对象集像素数量<T2,则判定为船舶对象,予以去除,完成内河洲滩提取结果的优化,最后进行内河洲滩提取结果的渲染。
步骤5,获取内河洲滩提取结果后,最后进行内河洲滩提取结果的精度评价,实现方式如下,
首先进行内河洲滩的岸线提取,并在岸线八邻域范围以及整幅影像范围内随机生成样本点,并进行目视解译,从而建立混淆矩阵,并基于混淆矩阵相关评价指标进行内河洲滩提取结果的精度评价。
实施例的具体过程说明如下:
以长江内河洲滩提取为例,在获取步骤3获得的长江内河洲滩提取结果后,进行岸线提取,其主要思想是:岸线属于非水体像素,在岸线像素的八个邻域中必须有一个水体像素,根据岸线的上述空间邻域关系遍历影像中的每个像素,即可获得内河洲滩岸线。然后再随机生成200个样本点,需要注意的是样本点的选取策略是在内河洲滩岸线八邻域范围内随机选取100个样本点,并在整幅影像范围内随机选取100个样本点,这样充分利用了内河洲滩的线状与面状特征,并目视解译这200个样本点,分为水体点及非水体点两类,而后建立混淆矩阵,以目视解译结果作为参考值,以内河洲滩提取效果作为预测值,进行基于混淆矩阵精度评价指标的内河洲滩提取结果精度评价,最终获得内河洲滩提取精度评价结果。
如图7所示,具体流程为,进行内河洲滩岸线提取,再选取样本点,建立混淆矩阵,最后得到内河洲滩提取精度评价结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种遥感影像内河洲滩智能化提取方法,其特征在于,包含以下步骤:
步骤1,在得到多光谱遥感影像后,利用贝叶斯正则化反馈神经网络对影像进行水陆识别,获得水陆二值化图像;
步骤2,在得到由步骤1处理后的水陆二值化图像后,对二值化图像进行非目标去除,所述非目标包括池塘、水田和部分船舶;
步骤3,进行内河洲滩提取,实现方式如下,
(3.1)对于洲滩大面积部分,采用区域生长方法进行内河洲滩提取,首先人工随机选取生长点,再执行区域生长算法进行八邻域扩张,从而得到目标内河洲滩;
(3.2)对于数量多、面积小的洲滩部分区域,采用手动框型选取方式获取框内内河洲滩像素;
步骤4,内河洲滩提取结果优化与渲染,实现方式如下,
(4.1)内河洲滩提取结果优化,设置为船舶大小阈值为T1,设置岛屿陆地大小阈值为T2,遍历图像中的像素,使用船舶大小阈值T1获取可能船舶像素,并将该像素作为种子点,然后使用区域生长算法来获取可能船舶对象集,然后进行判断,若船舶对象集像素数量<T2,则判定为船舶对象,予以去除,完成内河洲滩提取结果的优化;
(4.2)内河洲滩提取结果渲染,将影像中的水体部分、内河洲滩部分、岸上陆地及其他地物分别设置为不同颜色,以此渲染并显示内河洲滩提取结果。
2.如权利要求1所述的一种遥感影像内河洲滩智能化提取方法,其特征在于:步骤1中利用贝叶斯正则化反馈神经网络对影像进行水陆识别的具体实现方式如下,
以遥感影像的蓝色波段、红色波段、MNDWI水体指数作为输入特征向量;
在原图像上选取训练样本与测试样本,然后进行贝叶斯正则化反馈神经网络的训练,所述贝叶斯正则化反馈神经网络包括3层,其中输入层与输入向量特征值数量相等有3个神经元,隐含层包含10个神经元,输出层与分类目标数目相等由2个神经元构成,分类目标数目为水体和非水体两类;
最后利用训练好的贝叶斯正则化反馈神经网络对图像进行预测,获得水陆二值化图像。
3.如权利要求1所述的一种遥感影像内河洲滩智能化提取方法,其特征在于:所述贝叶斯正则化反馈神经网络采用贝叶斯正则化算法作为训练函数,从输入层到隐含层的激活函数设置为tansig函数,从隐含层到输出层的激活函数设置为logsig函数。
4.如权利要求1所述的一种遥感影像内河洲滩智能化提取方法,其特征在于:步骤2的具体实现方式如下,
(2.1)首先人工随机选取生长点,再执行区域生长算法进行八邻域扩张,从而得到大面积目标水体;另外采用手动框型选取方式作为补充,实现小面积目标水体的获取,手动框型选取为用户指定矩形框并获取框内水体;
(2.2)通过用户手动选取矩形框,并去除框内船舶点像素。
5.如权利要求1所述的一种遥感影像内河洲滩智能化提取方法,其特征在于:还包括步骤5,进行内河洲滩提取结果的精度评价,实现方式如下,
首先获得内河洲滩岸线,再随机生成P个样本点,并目视解译这P个样本点,分为水体点及非水体点两类,而后建立混淆矩阵,以目视解译结果作为参考值,以内河洲滩提取效果作为预测值,进行基于混淆矩阵精度评价指标的内河洲滩提取结果精度评价,最终获得内河洲滩提取精度评价结果。
6.如权利要求5所述的一种遥感影像内河洲滩智能化提取方法,其特征在于:P的取值为200,样本点的选取原则为:在内河洲滩岸线八邻域范围内随机选取100个样本点,并在整幅影像范围内随机选取100个样本点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911366656.4A CN111178230B (zh) | 2019-12-26 | 2019-12-26 | 一种遥感影像内河洲滩智能化提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911366656.4A CN111178230B (zh) | 2019-12-26 | 2019-12-26 | 一种遥感影像内河洲滩智能化提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178230A true CN111178230A (zh) | 2020-05-19 |
CN111178230B CN111178230B (zh) | 2022-03-15 |
Family
ID=70646450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911366656.4A Active CN111178230B (zh) | 2019-12-26 | 2019-12-26 | 一种遥感影像内河洲滩智能化提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178230B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069938A (zh) * | 2020-08-21 | 2020-12-11 | 武汉大学 | 一种基于随机森林的遥感影像河湖水边线提取方法 |
CN112883837A (zh) * | 2021-01-24 | 2021-06-01 | 南京航空航天大学 | 一种超像元尺度下的多光谱图像超分辨率洪水淹没制图方法 |
CN113095213A (zh) * | 2021-04-09 | 2021-07-09 | 重庆零壹空间科技集团有限公司 | 一种消落带变化监测方法 |
CN113095169A (zh) * | 2021-03-26 | 2021-07-09 | 生态环境部卫星环境应用中心 | 大空间范围储油罐提取方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113205016A (zh) * | 2021-04-21 | 2021-08-03 | 武汉大学 | 一种基于恒等残差型Unet与遥感水体指数的河湖岸线变化检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5764819A (en) * | 1991-10-18 | 1998-06-09 | Dekalb Genetics Corporation | Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology |
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN103646246A (zh) * | 2013-12-19 | 2014-03-19 | 交通运输部天津水运工程科学研究所 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
CN106023133A (zh) * | 2016-04-26 | 2016-10-12 | 武汉大学 | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 |
CN106709426A (zh) * | 2016-11-29 | 2017-05-24 | 上海航天测控通信研究所 | 基于红外遥感图像的舰船目标检测方法 |
CN107230210A (zh) * | 2017-06-19 | 2017-10-03 | 长光卫星技术有限公司 | 一种遥感图像港口水面目标的快速分割方法 |
CN108932520A (zh) * | 2018-04-26 | 2018-12-04 | 武汉大学 | 结合先验概率估计的sar影像水体概率制图方法 |
CN109033340A (zh) * | 2018-07-23 | 2018-12-18 | 武汉大学 | 一种基于Spark平台的点云K邻域的搜索方法及装置 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN109359533A (zh) * | 2018-09-12 | 2019-02-19 | 浙江海洋大学 | 一种基于多波段遥感影像的海岸线提取方法 |
CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
-
2019
- 2019-12-26 CN CN201911366656.4A patent/CN111178230B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5764819A (en) * | 1991-10-18 | 1998-06-09 | Dekalb Genetics Corporation | Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology |
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN103646246A (zh) * | 2013-12-19 | 2014-03-19 | 交通运输部天津水运工程科学研究所 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
CN106023133A (zh) * | 2016-04-26 | 2016-10-12 | 武汉大学 | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 |
CN106709426A (zh) * | 2016-11-29 | 2017-05-24 | 上海航天测控通信研究所 | 基于红外遥感图像的舰船目标检测方法 |
CN107230210A (zh) * | 2017-06-19 | 2017-10-03 | 长光卫星技术有限公司 | 一种遥感图像港口水面目标的快速分割方法 |
CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
CN108932520A (zh) * | 2018-04-26 | 2018-12-04 | 武汉大学 | 结合先验概率估计的sar影像水体概率制图方法 |
CN109033340A (zh) * | 2018-07-23 | 2018-12-18 | 武汉大学 | 一种基于Spark平台的点云K邻域的搜索方法及装置 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN109359533A (zh) * | 2018-09-12 | 2019-02-19 | 浙江海洋大学 | 一种基于多波段遥感影像的海岸线提取方法 |
Non-Patent Citations (4)
Title |
---|
LINGKUI MENG ET.AL: "An Automatic Extraction Method for Lakes and Reservoirs Using Satellite Images", 《IEEE ACCESS 》 * |
刘代志 主编: "《地球物理环境与国家安全》", 31 December 2014, 西安地图出版社 * |
朱言江: "基于遥感数据的长江口九段沙地物散射特性分析和潮沟信息提取", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
赵琦琳 等: "《人工神经网络在环境科学与工程中的设计应用》", 31 March 2019, 中国环境出版集团 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069938A (zh) * | 2020-08-21 | 2020-12-11 | 武汉大学 | 一种基于随机森林的遥感影像河湖水边线提取方法 |
CN112883837A (zh) * | 2021-01-24 | 2021-06-01 | 南京航空航天大学 | 一种超像元尺度下的多光谱图像超分辨率洪水淹没制图方法 |
CN113095169A (zh) * | 2021-03-26 | 2021-07-09 | 生态环境部卫星环境应用中心 | 大空间范围储油罐提取方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113095213A (zh) * | 2021-04-09 | 2021-07-09 | 重庆零壹空间科技集团有限公司 | 一种消落带变化监测方法 |
CN113205016A (zh) * | 2021-04-21 | 2021-08-03 | 武汉大学 | 一种基于恒等残差型Unet与遥感水体指数的河湖岸线变化检测方法 |
CN113205016B (zh) * | 2021-04-21 | 2022-05-17 | 武汉大学 | 恒等残差型Unet与遥感水体指数的河湖岸线变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111178230B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178230B (zh) | 一种遥感影像内河洲滩智能化提取方法 | |
Cheng et al. | SeNet: Structured edge network for sea–land segmentation | |
Chu et al. | Sea-land segmentation with Res-UNet and fully connected CRF | |
Lei et al. | Multiscale superpixel segmentation with deep features for change detection | |
CN112560671B (zh) | 基于旋转卷积神经网络的船舶检测方法 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
Elawady | Sparse coral classification using deep convolutional neural networks | |
CN109583321A (zh) | 一种基于深度学习的结构化道路中小物体的检测方法 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
Liu et al. | A quantitative detection algorithm based on improved faster R-CNN for marine benthos | |
Liu et al. | Aquaculture area extraction and vulnerability assessment in Sanduao based on richer convolutional features network model | |
CN113971769B (zh) | 基于多源大数据的海岸带地域功能长时序识别方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
Cui et al. | Floating raft aquaculture area automatic extraction based on fully convolutional network | |
Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Meng et al. | Residual dense asymmetric convolutional neural network for hyperspectral image classification | |
Bai et al. | Global–local–global context-aware network for salient object detection in optical remote sensing images | |
CN109801306A (zh) | 基于高分遥感影像的潮沟提取方法 | |
CN113205016A (zh) | 一种基于恒等残差型Unet与遥感水体指数的河湖岸线变化检测方法 | |
CN117611987A (zh) | 养殖用海自动识别方法、装置及介质 | |
Meng et al. | Lake wetland classification based on an SVM-CNN composite classifier and high-resolution images using wudalianchi as an example | |
Ding et al. | Sw-YoloX: An anchor-free detector based transformer for sea surface object detection | |
CN115861818A (zh) | 基于注意力机制联合卷积神经网络的细小水体提取方法 |
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 |