CN111444835B - 一种基于多源遥感数据提取地物空间分布位置的方法 - Google Patents

一种基于多源遥感数据提取地物空间分布位置的方法 Download PDF

Info

Publication number
CN111444835B
CN111444835B CN202010222532.5A CN202010222532A CN111444835B CN 111444835 B CN111444835 B CN 111444835B CN 202010222532 A CN202010222532 A CN 202010222532A CN 111444835 B CN111444835 B CN 111444835B
Authority
CN
China
Prior art keywords
image
value
fusion
spectrum
hyperspectral
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
Application number
CN202010222532.5A
Other languages
English (en)
Other versions
CN111444835A (zh
Inventor
陈章林
唐浩
杨刚
朱安超
陈添
陈勇
陆莎莎
赵宗鸿
樊鑫
黄熙贤
刘凯旋
曹吉
曹云成
王雄
杨波
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.)
Guiyang Obit Aerospace Technology Co ltd
Original Assignee
Guiyang Obit Aerospace Technology Co ltd
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 Guiyang Obit Aerospace Technology Co ltd filed Critical Guiyang Obit Aerospace Technology Co ltd
Priority to CN202010222532.5A priority Critical patent/CN111444835B/zh
Publication of CN111444835A publication Critical patent/CN111444835A/zh
Application granted granted Critical
Publication of CN111444835B publication Critical patent/CN111444835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2411—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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted 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
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多源遥感数据提取地物空间分布位置的方法，利用欧比特“珠海一号”10米分辨率的高光谱影像和GF2号0.8米分辨率的高分影像，采用多源遥感数据融合技术，发现影像中同种地物的光谱信息夹角产生了小于0.05度的微小变化，与原高分影像对比后并未发现几何畸变、地理位置偏移和坐标系统报错等问题。采用该多源遥感方法对茶的空间分布位置进行提取，实验发现利用多源遥感的方法对茶空间位置提取产生了更加理想的效果。

Description

一种基于多源遥感数据提取地物空间分布位置的方法
技术领域
本发明属于遥感影像信息提取领域，具体涉及一种基于多源遥感提取地物空间分布位置的方法。
背景技术
基于单一光学卫星影像数据源提取茶种植空间分布时，由于周边植被环境复杂，导致针对农作物进行提取时精度较低。
发明内容
发明目的：本发明提供一种提取精度高的一种基于多源遥感提取地物空间分布位置的方法。
一种基于多源遥感数据提取地物空间分布位置的方法，包括以下步骤：将Gram-Schmidt方法运用到高光谱、高分影像融合处理时，采用改进的GS变换，将第T个GS分量由前T-1个GS分量构造，利用高光谱图像的相关波段进行光谱重采样，以模拟全色分辨率图像，即在构造融合影像数据矩阵时利用如下公式：
其中，GST是GS变换后产生的第T个分量，BT是原始高光谱影像的第T个波段影像，uT是第T个原始高光谱波段影像灰度值的均值；
其中：
为波段灰度值平均值，
为原始高光谱第T个波段与GS变化后的协方差，为高光谱第T个波段灰度值的标准差，
利用反GS变化公式将变换后的T波段数据集赋值到原始高光谱T波段，通过这种GS变换方法，保持原高光谱波段影像的光谱特征；
采用GS方法融合高光谱影像和高分影像得出的融合图像与原高光谱图相比均值差异较小；通过与原图像的地物属性、特征比较发现融合影像的相关性较强且相对偏差较小，并保持高保真的高光谱光谱信息和高空间分辨率的空间信息；同时，通过对融合前后的光谱曲线绘制，发现融合后的影像光谱与原始高光谱比较，GS光谱锐化融合后同一地物的光谱曲线形状与走势没有发生明显变化；
GS变换的遥感影像数据融合技术融合的图像中植被等地物的色调变异较小，接近原始高光谱图像；融合影像中典型地物的边缘等信息未发生几何畸变和位置偏移；同时，GS变换融合方法标准差最接近原始高光谱影像，拥有大量信息熵值；
采用面向对象的分类方法在不同尺度上对高分影像进行最佳分类阈值设置，实现多尺度分割，剔除非植被区域和不相关地物，使用多源融合影像数据，计算归一化植被指数NDVI和波段计算，选取样本进行分类，采用改进的NDVI计算方法，即采用非线性变换增强NDVI低值区间并抑制高值植被响应区间段，从而达到对植被覆盖区NDVI分布区间限制红移的目的；
式中，NIR为融合影像近红外波段，中心波长为880nm；R为红波段，中心波长为686nm。
具体地，采用波段光谱响应值作为多维信息空间的矢量。
具体地，计算原始高光谱影像与融合后影像中同种地物的光谱曲线夹角来评定融合前后的匹配度，若夹角越小，说明数据融合前后的光谱曲线变化越小，匹配度越高。
其中Ti、Ri表示原始高光谱与σ数据融合后影像的N维空间向量矢量且θ
具体地，所述对地势特殊界限模糊的图像采用了面向对象的拉普拉斯算子对融合数据进行图像梯度计算，并利用二阶导微分表示梯度离散度，从而将梯度算法中不能表现的纹理特征通过拉普拉斯离散度来表征；
其中T、R分别表示融合影像中波段的二维函数，σ为二维空间中波段之间的协方差值；通过上述公式计算出融合影像中波段的高斯梯度值，并根据该梯度值将像元进行空间锐化；进行梯度分割的好处是能将地物界线模糊的区域，利用灰度梯度表征出一个梯度范围，从而依据梯度阈值对模糊界线进行规则检测；拉普拉斯算子是对图像二维函数的二阶导求值，对融合影像中像元灰度不连续的部分通过空间锐化后强调出变化细节，并会在灰度模糊边界产生一个基于像元明显的灰度边界；为了将灰度边界与背景特征在通过拉普拉斯算子操作后的图像混合恢复，采用以下算法：
其中为拉普拉斯二阶梯度差分离散度，参数C的取值与拉普拉斯算子滤镜定义相关，当滤镜中心数值取正时C取值-1，若为负值C取值1。
有益效果：与现有技术相比，本发明的优点在于：本发明最大似然分类结果、ISO非监督分类分类结果、BP神经网络分类结果、SVM分类结果的分类效果更佳，精度最高，地物提取分离性最好；2)本分类方法的错分、漏分现象比其余几种方法更少；3)利用融合数据光谱信息对植被覆盖区的边缘线分类提取效果明显、分类结果像元聚合效果更佳
附图说明
图1是同名点高光谱光谱曲线a、融合影像光谱曲线b；
图2是融合数据中10种地物的光谱曲线；
图3是(a)耕地、(b)茶、(c)建筑物融合前后光谱曲线夹角拟正太分布
图4是专家知识决策树规则数据挖掘分析；
图5是融合影像NDVI分布直方图；
图6是拉普拉斯算子滤镜；
图7是SAM光谱分析原理；
图8是试验区域遥感影像；
图9是实验流程图；
图10是(a)样本选取过程、(b)不相关地物剔除结果的样本选取；
图11是(a)最大似然分类结果、(b)ISO非监督分类分类结果、(c)BP神经网络分类结果、(d)SVM分类结果、(e)本文方法分类结果。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
一种基于多源遥感数据提取地物空间分布位置的方法，具体说明如下：
本发明基于欧比特“珠海一号”10米分辨率的高光谱影像和GF2号0.8米分辨率的高分影像，采用GS正交化光谱锐化的数据融合技术，将欧比特“珠海一号”10米分辨率的高光谱影像丰富的光谱信息和GF2号0.8米分辨率的高分影像的纹理信息进行融合。数据融合后发现影像中同种地物的光谱信息夹角产生了小于0.02度的微小变化，与原高分影像对比后并未发现几何畸变、地理位置偏移和坐标系统报错等问题。并且在后续的实验过程中发现通过GS光谱锐化方法得到的融合数据，在地物空间分布位置提取过程中产生了更加理想的效果。
采用GS方法融合欧比特高光谱影像和GF2号高分影像得出的融合图像与原高光谱图相比均值差异较小；通过与原图像的地物属性、特征比较发现融合影像的相关性较强且相对偏差较小，并保持高保真的高光谱光谱信息和高空间分辨率的空间信息。同时，通过对10种地物融合前后的光谱曲线绘制，发现融合后的影像光谱与原始高光谱比较，GS光谱锐化融合后同一地物的光谱曲线形状与走势没有发生明显变化。
GS变换的遥感影像数据融合技术融合的图像中植被等地物的色调变异较小，接近原始高光谱图像。融合影像中典型地物的边缘等信息未发生几何畸变和位置偏移。同时，GS变换融合方法标准差最接近原始高光谱影像，拥有大量信息熵值。
融合结果评价：对采用GS融合技术融合后的影像数据进行结果评价，主要采用波段光谱响应值作为多维信息空间的矢量，然后计算原始高光谱影像与融合后影像中同种地物的光谱曲线夹角来评定融合前后的匹配度。若夹角越小，说明数据融合前后的光谱曲线变化越小，匹配度越高。
其中Ti、Ri表示原始高光谱与σ数据融合后影像的N维空间向量矢量且θ∈
由表一和图3可知，茶地融合后影像的光谱曲线与原始高光谱曲线夹角在绿波段B7(566nm)位置夹角为0.430度，红边位置B14(670nm)至B18(730nm)范围内原始高光谱曲线与融合后光谱曲线夹角平均角度为0.032度，对于农作物植被茶的分类提取应用，特别是涉及到利用红边位置指数的方法，融合前后的数据并不会在茶的光谱影像区间产生光谱差异，近红外波段B28(880nm)融合前后光谱曲线夹角为0.140度。
根据本实验方法，实验过程中α值设定为0.4，即融合数据的光谱夹角范围落在光谱分析夹角极值内，所以融合后影像完全符合贵阳市花溪区久安乡茶分类提取分析需求。
采用面向对象的分类方法在不同尺度上对高分影像进行最佳分类阈值设置，实现多尺度分割，剔除非植被区域和不相关地物。使用多源融合影像数据，计算归一化植被指数NDVI和波段计算，选取训练样本，并确定贵阳市花溪区久安乡茶的分析阈值系数，再基于专家知识决策树规则进行分类，从而在剔除非植被和不相关地物的基础上有效区分季节性农作物，缩小后期对茶种植区域光谱/纹理分析的空间范围和难度。
于是给出了一种改进的NDVI计算方法，即采用非线性变换增强NDVI低值区间并抑制高值植被响应区间段，从而达到对植被覆盖区NDVI分布区间限制红移的目的。
式(5)中，NIR为融合影像近红外波段，中心波长为880nm。R为红波段，中心波长为686nm。
云、阴影(3.658％)
如图5所示为融合影像实验区的NDVI计算结果分布直方图，由图5可以看出，该区域有大约110000个像元NDVI值为0.2，说明实验区域植被信息丰富。针对贵州省贵阳市花溪区融合影像的分析方法采取光谱/纹理结合分析，由于特殊的地形地貌构造，基于传统单一的原始影像光谱或纹理分析方法不能满足针对贵阳市农业遥感监测的要求，所以本文采用拉普拉斯算子对融合影像进行纹理分析再结合SAM光谱分析方法，对贵阳市花溪区茶种植区域进行提取分析，结果表明光谱/纹理结合的分析方法更加有效。
由于贵州地区特殊的地理环境，即多山地、多林地小面积破碎化地貌，并且山地、林地、耕地的界线模糊难以区分，所以采用了面向对象的拉普拉斯算子对融合数据进行图像梯度计算，并利用二阶导微分表示梯度离散度，从而可以将梯度算法中不能表现的纹理特征通过拉普拉斯离散度来表征。
其中T、R分别表示融合影像中波段的二维函数，σ为二维空间中波段之间的协方差值。通过公式可以计算出融合影像中波段的高斯梯度值，并根据该梯度值将像元进行空间锐化。进行梯度分割的好处是能将地物界线模糊的区域，利用灰度梯度表征出一个梯度范围，从而依据该梯度阈值对模糊界线进行规则检测。
采用光谱角填图法(SAM)对贵阳市花溪区茶分类提取的试验区进行光谱分析，这是一种基于光谱向量物理夹角的光谱分类方法，通过多维角度来匹配分类样本像元光谱和融合数据的地物光谱。将两种光谱向量的维度与波段数进行等价匹配，再通过计算光谱向量间的夹角，来评定两个光谱之间的匹配度。
分类样本端元光谱是从已有的ASCII波谱文件、光谱采集仪器实地采集或直接从高光谱、融合影像中获得(ROI的平均光谱)。SAM通过计算分类样本端元光谱向量和地物光谱向量在多维空间中的夹角。若计算得出的夹角越小代表两者光谱匹配度越高，分类过程中设定一个极值来限定分类匹配容差值。SAM充分利用了融合影像的光谱维度信息和光谱特征信息，最大程度地挖掘了高光谱影像数据价值。
如下图为SAM分类样本光谱与地物光谱向量夹角α的示意图：
图7为光谱分析的原理方法，其中光谱向量夹角α的计算方法如式所示：
其中Ti、Ri分别表示光谱角填图法中分类样本光谱和融合影像数据中地物光谱的向量矢量，若α角越小说明样本光谱与地物光谱越匹配，分类的结果也将更加准确。
贵州省贵阳市花溪区久安乡地处贵州中部，平均海拔在1200米以上，地理坐标范围在26.47°N—26.57°N、106.55°E—106.63°E，实验区域面积为4.0790km2，茶图斑面积0.9124km2，分类结果面积0.3178km2，依据贵州省测绘二院提供的花溪久安乡的外业茶图斑作为验证数据。
图10中(a)为本实验方法的样本选取过程，(b)为采取拉普拉斯算子纹理分析方法对不相关地物剔除后的结果图。
图11中(a)最大似然分类结果、(b)ISO非监督分类分类结果、(c)BP神经网络分类结果、(d)SVM分类结果、(e)本文方法分类结果；
由实验结果图11可知：1)本实验结果较最大似然分类结果、ISO非监督分类分类结果、BP神经网络分类结果、SVM分类结果的分类效果更佳，精度最高，地物提取分离性最好。2)本分类方法的错分、漏分现象比其余几种方法更少。3)利用融合数据光谱信息对植被覆盖区的边缘线分类提取效果明显、分类结果像元聚合效果更佳。
通过本实验提出的方法，对试验区4.097km2范围内茶的种植情况进行分类提取，利用分类结果进行实地调查和验证，最后发现试验区分类结果较为精确，且对基础测绘图斑内茶的种植变化情况的识别也较为精确。
通过提出的精度验证方法对贵阳市花溪区茶分类提取精度的计算结果为完整度：31.84％、可靠度91.40％。

Claims (3)

1.一种基于多源遥感数据提取地物空间分布位置的方法，其特征在于，包括以下步骤：将Gram-Schmidt方法运用到高光谱、高分影像融合处理时，采用改进的GS变换，将第T个GS分量由前T-1个GS分量构造，利用高光谱图像的相关波段进行光谱重采样，以模拟全色分辨率图像，即在构造融合影像数据矩阵时利用如下公式：
其中，GST是GS变换后产生的第T个分量，BT是原始高光谱影像的第T个波段影像，uT是第T个原始高光谱波段影像灰度值的均值；
其中：
为波段灰度值平均值，
为原始高光谱第T个波段与GS变化后的协方差，为高光谱第T个波段灰度值的标准差，
利用反GS变化公式将变换后的T波段数据集赋值到原始高光谱T波段，通过这种GS变换方法，保持原高光谱波段影像的光谱特征；
采用GS方法融合高光谱影像和高分影像得出的融合图像与原高光谱图相比均值差异较小；通过与原图像的地物属性、特征比较发现融合影像的相关性较强且相对偏差较小，并保持高保真的高光谱光谱信息和高空间分辨率的空间信息；同时，通过对融合前后的光谱曲线绘制，发现融合后的影像光谱与原始高光谱比较，GS光谱锐化融合后同一地物的光谱曲线形状与走势没有发生明显变化；
GS变换的遥感影像数据融合技术融合的图像中植被等地物的色调变异较小，接近原始高光谱图像；融合影像中典型地物的边缘等信息未发生几何畸变和位置偏移；同时，GS变换融合方法标准差最接近原始高光谱影像，拥有大量信息熵值；
采用面向对象的分类方法在不同尺度上对高分影像进行最佳分类阈值设置，实现多尺度分割，剔除非植被区域和不相关地物，使用多源融合影像数据，计算归一化植被指数NDVI和波段计算，选取样本进行分类，采用改进的NDVI计算方法，即采用非线性变换增强NDVI低值区间并抑制高值植被响应区间段，从而达到对植被覆盖区NDVI分布区间限制红移的目的；
式中，NIR为融合影像近红外波段，中心波长为880nm；R为红波段，中心波长为686nm；
计算原始高光谱影像与融合后影像中同种地物的光谱曲线夹角来评定融合前后的匹配度，若夹角越小，说明数据融合前后的光谱曲线变化越小，匹配度越高；
其中Ti、Ri表示原始高光谱与σ数据融合后影像的N维空间向量矢量且
2.根据权利要求1所述的一种基于多源遥感数据提取地物空间分布位置的方法，其特征在于：采用波段光谱响应值作为多维信息空间的矢量。
3.根据权利要求1所述的一种基于多源遥感数据提取地物空间分布位置的方法，其特征在于：对地势特殊界限模糊的图像采用了面向对象的拉普拉斯算子对融合数据进行图像梯度计算，并利用二阶导微分表示梯度离散度，从而将梯度算法中不能表现的纹理特征通过拉普拉斯离散度来表征；
其中T、R分别表示融合影像中波段的二维函数，σ为二维空间中波段之间的协方差值；通过上述公式计算出融合影像中波段的高斯梯度值，并根据梯度值将像元进行空间锐化；进行梯度分割的好处是能将地物界线模糊的区域，利用灰度梯度表征出一个梯度范围，从而依据梯度阈值对模糊界线进行规则检测；拉普拉斯算子是对图像二维函数的二阶导求值，对融合影像中像元灰度不连续的部分通过空间锐化后强调出变化细节，并会在灰度模糊边界产生一个基于像元明显的灰度边界；为了将灰度边界与背景特征在通过拉普拉斯算子操作后的图像混合恢复，采用以下算法：
其中为拉普拉斯二阶梯度差分离散度，参数C的取值与拉普拉斯算子滤镜定义相关，当滤镜中心数值取正时C取值-1，若为负值C取值1。
CN202010222532.5A 2020-03-26 2020-03-26 一种基于多源遥感数据提取地物空间分布位置的方法 Active CN111444835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010222532.5A CN111444835B (zh) 2020-03-26 2020-03-26 一种基于多源遥感数据提取地物空间分布位置的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010222532.5A CN111444835B (zh) 2020-03-26 2020-03-26 一种基于多源遥感数据提取地物空间分布位置的方法

Publications (2)

Publication Number Publication Date
CN111444835A CN111444835A (zh) 2020-07-24
CN111444835B true CN111444835B (zh) 2023-08-04

Family

ID=71647960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010222532.5A Active CN111444835B (zh) 2020-03-26 2020-03-26 一种基于多源遥感数据提取地物空间分布位置的方法

Country Status (1)

Country Link
CN (1) CN111444835B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861934A (zh) * 2020-07-29 2020-10-30 贵阳欧比特宇航科技有限公司 一种高光谱卫星影像数据生产、镶嵌与元数据制作方法
CN113033279A (zh) * 2020-12-10 2021-06-25 四川航天神坤科技有限公司 一种基于多源遥感影像的作物精细分类方法及其系统
CN115019184B (zh) * 2022-07-28 2023-02-07 北京卫星信息工程研究所 基于遥感影像的石漠化程度自动分级方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957991A (zh) * 2010-09-17 2011-01-26 中国科学院上海技术物理研究所 一种遥感图像配准方法
CN102661811A (zh) * 2012-04-13 2012-09-12 北京农业信息技术研究中心 遥感地表温度升尺度方法及系统
CN103198463A (zh) * 2013-04-07 2013-07-10 北京航空航天大学 基于整体结构和空间细节信息融合的光谱图像全色锐化方法
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法
CN110390658A (zh) * 2019-06-18 2019-10-29 中国地质大学（武汉） 基于光谱形态和Gram-Schmidt变换约束的高光谱影像变分融合方法
CN110751036A (zh) * 2019-09-17 2020-02-04 宁波大学 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957991A (zh) * 2010-09-17 2011-01-26 中国科学院上海技术物理研究所 一种遥感图像配准方法
CN102661811A (zh) * 2012-04-13 2012-09-12 北京农业信息技术研究中心 遥感地表温度升尺度方法及系统
CN103198463A (zh) * 2013-04-07 2013-07-10 北京航空航天大学 基于整体结构和空间细节信息融合的光谱图像全色锐化方法
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法
CN110390658A (zh) * 2019-06-18 2019-10-29 中国地质大学（武汉） 基于光谱形态和Gram-Schmidt变换约束的高光谱影像变分融合方法
CN110751036A (zh) * 2019-09-17 2020-02-04 宁波大学 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于高光谱高分融合数据在喀斯特地貌环境下的林分分类;陈章林等;《科技和产业》;第21卷(第8期);第319-327页 *
高光谱遥感城市植被识别方法研究;梁志林等;《地理空间信息》(第02期);第72-75页 *

Also Published As

Publication number Publication date
CN111444835A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111444835B (zh) 一种基于多源遥感数据提取地物空间分布位置的方法
CN109146889B (zh) 一种基于高分辨率遥感图像的农田边界提取方法
Griffiths et al. A pixel-based Landsat compositing algorithm for large area land cover mapping
Zhang et al. Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net
CN112101271A (zh) 一种高光谱遥感影像分类方法及装置
CN109711446A (zh) 一种基于多光谱影像和sar影像的地物分类方法及装置
CN110060273B (zh) 基于深度神经网络的遥感影像滑坡测图方法
CN112308873B (zh) 多尺度Gabor小波PCA融合图像边缘检测方法
CN108765359A (zh) 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法
CN105608473A (zh) 一种基于高分辨率卫星影像的高精度土地覆盖分类方法
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
CN110310246A (zh) 一种基于三线阵影像的甘蔗种植区遥感信息提取方法
CN114581773A (zh) 基于图卷积网络的多模态遥感数据分类方法
CN112200083B (zh) 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法
CN111008664A (zh) 一种基于空谱联合特征的高光谱海冰检测方法
Haq et al. 3D-CNNHSR: A 3-Dimensional Convolutional Neural Network for Hyperspectral Super-Resolution.
Venkatakrishnamoorthy et al. Cloud enhancement of NOAA multispectral images by using independent component analysis and principal component analysis for sustainable systems
Patel et al. Adaboosted extra trees classifier for object-based multispectral image classification of urban fringe area
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
CN112669363A (zh) 城市绿地三维绿量测算方法
Ouerghemmi et al. Urban vegetation mapping using hyperspectral imagery and spectral library
Kete et al. Land use classification based on object and pixel using Landsat 8 OLI in Kendari City, Southeast Sulawesi Province, Indonesia
Hosseiny et al. A convolutional neural network for flood mapping using sentinel-1 and Srtm Dem data: case study in Poldokhtar-Iran
Huang et al. Classification of very high spatial resolution imagery based on the fusion of edge and multispectral information
Kai et al. Effects of resampling image methods in sugarcane classification and the potential use of vegetation indices related to chlorophyll

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