CN112052742B - 融合语义与像素特征的高分二号遥感影像水体提取方法 - Google Patents

融合语义与像素特征的高分二号遥感影像水体提取方法 Download PDF

Info

Publication number
CN112052742B
CN112052742B CN202010804700.1A CN202010804700A CN112052742B CN 112052742 B CN112052742 B CN 112052742B CN 202010804700 A CN202010804700 A CN 202010804700A CN 112052742 B CN112052742 B CN 112052742B
Authority
CN
China
Prior art keywords
water body
remote sensing
pixel
sensing image
resolution
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
CN202010804700.1A
Other languages
English (en)
Other versions
CN112052742A (zh
Inventor
张丽丽
樊宇
李臣明
高红民
陈哲
王高旭
王慧斌
亓郑男
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010804700.1A priority Critical patent/CN112052742B/zh
Publication of CN112052742A publication Critical patent/CN112052742A/zh
Application granted granted Critical
Publication of CN112052742B publication Critical patent/CN112052742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种融合语义与像素特征的高分二号遥感影像水体提取方法，包括：将高分二号遥感影像中的多光谱和全色谱遥感影像根据其成像特点进行其波段组合，以更好地突出水体信息；提出一种改进的FCN的水体全局特征提取方法，改进了激活函数解决神经元的坏死现象，改进了跳层结构以利用特征信息与空间信息防止过拟合现象；基于改进的条件随机场对水体边缘特征进行逐像素分类优化水体边缘提取，最终实现更高精度的水体提取。本发明从水体全局语义特征与水体边缘像素特征两个角度出发，提取水体全局语义特征并利用水体边缘像素特征优化水体提取，模型既防止了深度特征提取时的过拟合现象，又解决了FCN模型提取水体边缘时的漏识与误识问题。

Description

融合语义与像素特征的高分二号遥感影像水体提取方法
技术领域
本发明涉及以高分辨率遥感影像作为数据源进行湖泊水体提取技术，尤其是一种融合语义与像素特征的高分二号遥感影像水体提取方法。
背景技术
及时掌握水资源动态信息，采取合理措施对水资源加以调控与部署，充分利用水资源在气候、地理及工程等方面的影响对经济与生态环境的发展具有重要意义。
使用遥感技术可以在不接触地物情况下，通过电磁波远距离对水体水域进行监测。遥感技术具有探测范围大、获取资料速度快、获取信息周期短、受地面条件限制少、实时获取目标观测信息等特点，为水体的提取、监测等提供了准确且充足的数据支持，遥感影像成为水体提取研究的重要数据源。
水体提取在地物监测领域当中一直是一项重要的研究课题，由于地理和环境条件的限制，依靠人工实地勘探获取水体信息耗时耗力，且难以满足效率和精度的要求，所以基于遥感影像进行水体提取是目前的主流方法，可充分利用遥感影像中的光谱信息与空间信息，从而更快速、更精确的获取水体信息。基于遥感影像进行水体提取的方法不断被提出，如基于波段运算的单波段阈值法、谱间关系法、水体指数法和决策树法、纹理分析法、密度分割法等。随着神经网络模型在图像处理领域的应用，随着国产高分辨率卫星的发射，在基于遥感影像进行水体提取研究中，神经网络也开始得到应用。利用神经网络能够对水体主体部分实现快速准确的提取，但在水体边缘以及细小水体上会出现漏识与误识现象，因此结合水体全局语义特征与水体边缘像素特征提取进行优化，实现高维特征、空间信息的重复利用，是高分遥感影像水体信息精细化提取的一种新思路。我国高分系列卫星中，高分二号影像数据集的相对较多且因其波段特点其应用更广泛，所以基于高分二号的遥感影像的目标提取也更加需要有针对性的方法。
发明内容
发明目的：针对现有技术的不足，为了准确快速地提取湖泊水体，本发明提出融合语义与像素特征的高分二号遥感影像水体提取方法，能够快速地对高分二号遥感影像中的湖泊水体全局特征进行提取，且优化水体边缘的提取效果，从而获得更高精度的水体提取结果。
技术方案：为实现上述发明目的，本发明所述的融合语义与像素特征的高分二号遥感影像水体提取方法，包括如下步骤：
(1)基于高分二号遥感影像的成像特点，分别获取全色谱遥感影像和多光谱遥感影像；以更好地突出水体信息为目标，利用多光谱遥感影像每个波段信息的标准差和不同波段间的相关系数实现高分二号遥感影像最佳波段组合，将最佳波段组合后的多光谱遥感影像与全色谱遥感影像融合，提高影像的空间分辨率；
(2)使用改进的FCN模型进行模型训练并习得水体特征，并根据习得的全局特征完成高分二号遥感影像中整体水体的初始提取；所述改进的FCN模型，改进了激活函数解决神经元的坏死现象，改进了跳层结构以利用特征信息与空间信息防止过拟合，在提取的全局特征中用0和1分别表示非水体和水体；
(3)将步骤(2)得到的整体水体特征图的边缘进行逐像素分类，利用水体边缘每个像素点的4个邻位像素作为该像素点的成对能量分量建立随机场，在随机场中通过概率计算估计其为水体的可能性，再次确定为水体的其像素值仍保留为1，不是水体的修改其像素为0，从而剔除初始提取过程中误提取的边缘像素。
进一步地，所述步骤(1)中包括：
(11)将采集获得的高分二号多光谱遥感影像进行同波段内信息的标准差计算，将采集获得的高分二号多光谱遥感影像中的不同波段之间进行相关系数计算；
(12)通过对比多光谱遥感影像的标准差和不同波段间的相关系数，以标准差大、相关系数小为原则选择波段进行组合，最后确定波段组合；
(13)将最佳波段组合后的多光谱遥感影像与全色谱遥感影像融合，提高影像的空间分辨率。
进一步地，所述步骤(2)中包括：
(21)使用改进的FCN模型学习水体全局特征；与FCN模型结构相比，所述改进的FCN模型对激活函数层进行了改进，对神经元信号值输入为负时定义输出，应对神经元坏死问题；后置网络的跳层结构中在每个保留featureMap的卷积层后添加一层dropout层，以减少神经元参数，避免网络过拟合；网络结构具体设计为：前置网络包括多个卷积模块，最终产生512个通道作为水体特征学习；后置网络模块使用多个卷积层、多个反卷积层以及改进的跳层结构进行构建，其中反卷积层对第二个eltwise层融合后的结果使用反卷积进行8倍上采样，最后经过crop层获得与原始图像相同大小尺寸的水体提取图；
(22)输入水体像素级标注数据集，简化数据读取格式，直接使用原始的PNG格式的数据集进行改进的FCN模型网络参数的训练，并基于训练后的改进的FCN模型得到高分二号遥感影像水体的整体提取图。
进一步地，改进的FCN的激活函数为：
Figure BDA0002628661510000031
其中，a为区间为(0,1)的偏移量，h为属于区间(-1,0)的固定常量。
进一步地，所述步骤(3)中包括：
(31)针对水体提取任务，条件随机场的一元能量分量对应每个像素的特征，从而一元能量分量与像素形成一一对应关系，每张图像中，每个像素有8个相邻像素，分别是4个顶角像素与4个边缘像素，筛选其中的4个边缘像素作为成对能量分量形成随机场；
(32)通过概率计算公式计算边缘像素点i属于水体或非水体的概率，设定阈值判定该边缘像素点分类类别。
进一步地，像素点i分类为yi的概率计算公式为：
Figure BDA0002628661510000032
分类判定阈值公式为：
Figure BDA0002628661510000033
其中，alphai T(yi|X)为像素点i在边集合X下的前向传播输出序列值构成的行向量，betai(yi|X)为像素点i的后向传播输出值构成的列向量；alpham T(X)为m个像素点前向传播输出序列合并构成的行向量，I为元素都为1的列向量，其列数与alpham T(X)行数相同；当概率计算值P(Yi＝yi|X)大于Z(X)时，该像素点判断为水体，否则为非水体。
有益效果：与现有技术相比，本发明的优点在于：利用改进的FCN模型对遥感影像中湖泊水体主体部分进行快速准确地提取，改进的跳层结构充分利用数据的特征信息与位置信息，且提高了防过拟合能力与泛化能力；改进的条件随机场优化水体边缘提取效果，解决了改进的FCN模型对于细小水体和水体边缘出现的漏识与误识问题。
附图说明
图1为本发明实施例的方法流程图。
图2为改进的FCN结构示意图。
图3为改进的跳层结构图示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
结合图1描述本发明的技术细节。在本发明中，将融合语义与像素特征进行高分二号遥感影像水体提取，该方法主要包括以下三个步骤：
一是根据高分二号成像特点将其中的多光谱遥感影像进行有针对性的波段组合，以突出水体信息；二是构建改进的FCN模型，并基于此进行水体全局语义特征提取；三是全局语义特征和边缘像素特征融合模型，对水体边缘提取结果进行优化以剔除误提取问题。
以下详细描述各步骤的具体实现过程：
步骤一、面向水体提取的高分二号遥感影像波段组合
具体包括如下步骤：
(11)将采集获得的高分二号多光谱遥感影像进行同波段内信息的标准差计算，将采集获得的高分二号多光谱遥感影像中的不同波段之间进行相关系数计算。每个波段内灰度信息的标准差计算公式为：
Figure BDA0002628661510000041
其中M×N为图像灰度信息的大小，M和N分别表示图像的行数和列数，P(i,j)表示同一波段第i行第j列的像元灰度值，U表示整张多光谱图像中像元灰度平均值。
多光谱遥感影像波段间的相关系数R计算公式为：
Figure BDA0002628661510000042
式中Saa，Sbb，Sab分别表示第a波段的协方差、第b波段的协方差、第a波段和第b波段的协方差，Xak和Ybk分别表示a波段和b波段的第k个像元灰度值，Xa和Xb分别为a波段和b波段的光谱均值，n表示总像素点数。
(12)通过对比多光谱遥感影像的标准差和不同波段间的相关系数，以标准差大、相关系数小为原则选择波段进行组合，最后确定波段组合为Band2，Band3和Band4，具体标准差和相关系数计算数据如表1。
表1高分二号遥感影像波段信息
波段 标准差 波段相关系数
Band1 41.054814 1 0.979683 0.957625 0.879637
Band2 45.983506 1 0.944563 0.829762 -
Band3 47.854230 1 0.806359 - -
Band4 55.263514 1 - - -
(13)将最佳波段组合后的多光谱遥感影像与全色谱遥感影像融合，提高影像的空间分辨率。
步骤二、构建改进的FCN水体全局语义特征提取网络模型
具体包括如下步骤：
(21)改进的FCN水体全局语义特征学习网络模型结构；与FCN模型结构相比，所述改进的FCN模型对激活函数层进行了改进，对神经元信号值输入为负时定义输出，应对神经元坏死问题；后置网络的跳层结构中增加Dropout层减少神经元参数，避免网络过拟合。网络结构具体设计为：前置网络包括5个卷积模块，共有19层，其中输入层1层，卷积层13层，池化层5层，卷积核大小为3*3，步长为1，最终产生512个通道作为水体特征学习；后置网络模块使用卷积层、反卷积层以及改进的跳层结构进行构建，共有16层，其中卷积层5层，反卷积层3层，crop层3层，dropout层2层，eltwise层2层，输出层1层。其中反卷积层对第二个eltwise层所产生的特征图进行8倍上采样，对其进行逐个像素的分类预测，然后经过crop层获得与原始图像相同大小尺寸的水体提取图；
(22)输入水体像素级标注数据集，简化数据读取格式，使用PNG格式代替.mat格式进行标签图像的读取，减少了数据集格式的转换，直接使用原始的PNG格式的数据集进行改进的FCN网络参数的训练，并基于训练后的改进的FCN得到高分二号遥感影像水体的整体提取图。
进一步地，改进的FCN的激活函数为：
Figure BDA0002628661510000061
其中a为区间为(0,1)的偏移量，h为属于区间(-1,0)的固定常量。ReLU激活函数在神经元信号值小于0时输出值也为0，那么特征图中的像元个数会相应地减少，而改进的ReLU函数则使得神经元信号值小于0时输出值不再为0，特征图中的像元个数会相应地增加，使得分辨率提高，精度因此提高。
改进FCN的跳层结构为：在改进的FCN网络前置网络结构中的第3、4池化层后均增加一个卷积核为1*1的卷积层、一个dropout层以及一个crop层，同时将第5池化层后经过3个1×1的卷积核得到的特征图使用反卷积进行2倍上采样，然后与第4池化层后经过crop层的特征图在第一个eltwise层进行融合。之后，将融合后得到的特征图使用反卷积进行2倍上采样，并与第3池化层后经过crop层得到的特征图在第二个eltwise层进行融合。最后将第二个eltwise层融合后得到的特征图使用反卷积进行8倍上采样得到水体全局特征。本发明在每个保留featureMap的卷积层后添加一层dropout层，可以在训练过程中忽略随机选择的神经元。这意味着被忽略的神经元对下游神经元激活的贡献会在向前传递时暂时消除，并且任何权重更新都不会在向后传递时应用于神经元。从而dropout层的加入使得网络防止过拟合能力大大提升，并且提高了网络的泛化能力。
步骤三、全局语义特征和边缘像素特征融合模型
具体包括如下步骤：
(31)针对水体提取任务，条件随机场的一元能量分量对应FCN的每个像素的特征，一元能量分量与像素形成一一对应关系从而对边缘水体的每个像素是否属于水体进行逐一确定。每张图像中，每个像素有8个相邻像素，分别是4个顶角像素与4个边缘像素，筛选其中4个边缘像素作为条件随机场的成对能量分量，既能保障像素点的判别且又减少了计算量。对于每个边缘像素具有像素值和类别标签，其中类别标签为0或1，这样每个像素点作为节点，像素与像素间的关系作为边，可构成了一个条件随机场。从而可在条件随机场中推测每个边缘像素点的类别标签。
(32)基于上述方法构建的条件随机场，假定节点数(即像素点数)为m，每个节点i对应的像素值为xi，对应的像素值序列为X＝{x1,x2,…,xm}，每个节点i对应的类别取值为yi，节点的类别值对应变量为Yi。通过以下概率计算公式计算边缘像素点属于水体或非水体的概率，通过阈值判定该边缘像素点分类类别。像素点i在构建的条件随机场中分类为yi的概率计算公式为：
Figure BDA0002628661510000071
分类判定阈值公式为：
Figure BDA0002628661510000072
其中，alphai T(yi|X)为节点i在边集合X下的前向传播输出序列值构成的行向量，betai(yi|X)为节点i的后向传播输出值构成的列向量。alpham T(X)为m个像素点前向传播输出序列合并构成的行向量，I为元素都为1的列向量，其列数与alpham T(X)行数相同。当概率计算值P(Yi＝yi|X)大于Z(x)时，该像素点判断为水体，否则为非水体。

Claims (6)

1.一种融合语义与像素特征的高分二号遥感影像水体提取方法，其特征在于，包括如下步骤：
(1)基于高分二号遥感影像的成像特点，分别获取全色谱遥感影像和多光谱遥感影像；以更好地突出水体信息为目标，利用多光谱遥感影像每个波段信息的标准差和不同波段间的相关系数实现高分二号遥感影像最佳波段组合，将最佳波段组合后的多光谱遥感影像与全色谱遥感影像融合，提高影像的空间分辨率；
(2)使用改进的FCN模型进行模型训练并习得水体特征，并根据习得的全局特征完成高分二号遥感影像中整体水体的初始提取；所述改进的FCN模型，改进了激活函数解决神经元的坏死现象，改进了跳层结构以利用特征信息与空间信息防止过拟合，在提取的全局特征中用0和1分别表示非水体和水体；
(3)将步骤(2)得到的整体水体特征图的边缘进行逐像素分类，利用水体边缘每个像素点的4个邻位像素作为该像素点的成对能量分量建立随机场，在随机场中通过概率计算估计其为水体的可能性，再次确定为水体的其像素值仍保留为1，不是水体的修改其像素为0，从而剔除初始提取过程中误提取的边缘像素。
2.根据权利要求1所述的融合语义与像素特征的高分二号遥感影像水体提取方法，其特征在于，所述步骤(1)中包括：
(11)将采集获得的高分二号多光谱遥感影像进行同波段内信息的标准差计算，将采集获得的高分二号多光谱遥感影像中的不同波段之间进行相关系数计算；
(12)通过对比多光谱遥感影像的标准差和不同波段间的相关系数，以标准差大、相关系数小为原则选择波段进行组合，最后确定波段组合；
(13)将最佳波段组合后的多光谱遥感影像与全色谱遥感影像融合，提高影像的空间分辨率。
3.根据权利要求1所述的融合语义与像素特征的高分二号遥感影像水体提取方法，其特征在于，所述步骤(2)中包括：
(21)使用改进的FCN模型学习水体全局特征；与FCN模型结构相比，所述改进的FCN模型对激活函数层进行了改进，对神经元信号值输入为负时定义输出，应对神经元坏死问题；后置网络的跳层结构中在每个保留featureMap的卷积层后添加一层dropout层，以减少神经元参数，避免网络过拟合；网络结构具体设计为：前置网络包括多个卷积模块，最终产生512个通道作为水体特征学习；后置网络模块使用多个卷积层、多个反卷积层以及改进的跳层结构进行构建，其中反卷积层对第二个eltwise层融合后的结果使用反卷积进行8倍上采样，最后经过crop层获得与原始图像相同大小尺寸的水体提取图；
(22)输入水体像素级标注数据集，简化数据读取格式，直接使用原始的PNG格式的数据集进行改进的FCN模型网络参数的训练，并基于训练后的改进的FCN模型得到高分二号遥感影像水体的整体提取图。
4.根据权利要求3所述的融合语义与像素特征的高分二号遥感影像水体提取方法，其特征在于，改进的FCN的激活函数为：
Figure FDA0002628661500000021
其中，a为区间为(0,1)的偏移量，h为属于区间(-1,0)的固定常量。
5.根据权利要求1所述的融合语义与像素特征的高分二号遥感影像水体提取方法，其特征在于，所述步骤(3)中包括：
(31)针对水体提取任务，条件随机场的一元能量分量对应每个像素的特征，从而一元能量分量与像素形成一一对应关系，每张图像中，每个像素有8个相邻像素，分别是4个顶角像素与4个边缘像素，筛选其中的4个边缘像素作为成对能量分量形成随机场；
(32)通过概率计算公式计算边缘像素点i属于水体或非水体的概率，设定阈值判定该边缘像素点分类类别。
6.根据权利要求5所述的融合语义与像素特征的高分二号遥感影像水体提取方法，其特征在于，像素点i分类为yi的概率计算公式为：
Figure FDA0002628661500000022
分类判定阈值公式为：
Figure FDA0002628661500000023
其中，alphai T(yi|X)为像素点i在边集合X下的前向传播输出序列值构成的行向量，betai(yi|X)为像素点i的后向传播输出值构成的列向量；alpham T(X)为m个像素点前向传播输出序列合并构成的行向量，I为元素都为1的列向量，其列数与alpham T(X)行数相同；当概率计算值P(Yi＝yi|X)大于Z(X)时，该像素点判断为水体，否则为非水体。
CN202010804700.1A 2020-08-12 2020-08-12 融合语义与像素特征的高分二号遥感影像水体提取方法 Active CN112052742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010804700.1A CN112052742B (zh) 2020-08-12 2020-08-12 融合语义与像素特征的高分二号遥感影像水体提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010804700.1A CN112052742B (zh) 2020-08-12 2020-08-12 融合语义与像素特征的高分二号遥感影像水体提取方法

Publications (2)

Publication Number Publication Date
CN112052742A CN112052742A (zh) 2020-12-08
CN112052742B true CN112052742B (zh) 2022-07-29

Family

ID=73601709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010804700.1A Active CN112052742B (zh) 2020-08-12 2020-08-12 融合语义与像素特征的高分二号遥感影像水体提取方法

Country Status (1)

Country Link
CN (1) CN112052742B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949414B (zh) * 2021-02-04 2022-06-03 中国水利水电科学研究院 一种宽视域高分六号卫星影像地表水体智能制图方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985238A (zh) * 2018-07-23 2018-12-11 武汉大学 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8693771B2 (en) * 2011-11-18 2014-04-08 Mitsubishi Electric Research Laboratories, Inc. Method for pan-sharpening panchromatic and multispectral images using dictionaries

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985238A (zh) * 2018-07-23 2018-12-11 武汉大学 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统

Also Published As

Publication number Publication date
CN112052742A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
EP3614308B1 (en) Joint deep learning for land cover and land use classification
US10984532B2 (en) Joint deep learning for land cover and land use classification
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统
CN108509978B (zh) 基于cnn的多级特征融合的多类目标检测方法及模型
CN110136154B (zh) 基于全卷积网络与形态学处理的遥感图像语义分割方法
CN108830870B (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
CN111179217A (zh) 一种基于注意力机制的遥感图像多尺度目标检测方法
CN108537824B (zh) 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN110135354B (zh) 一种基于实景三维模型的变化检测方法
CN104299006A (zh) 一种基于深度神经网络的车牌识别方法
CN110287777B (zh) 一种自然场景下的金丝猴躯体分割算法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN109977968A (zh) 一种深度学习分类后比较的sar变化检测方法
CN111723660A (zh) 一种用于长形地面目标检测网络的检测方法
CN111815526B (zh) 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统
CN115937707A (zh) 基于多尺度残差注意力模型的sar影像水体提取方法
CN115272278A (zh) 一种用于遥感图像变化检测的变化检测模型的构建方法
CN112818920B (zh) 一种双时相高光谱图像空谱联合变化检测方法
CN112052742B (zh) 融合语义与像素特征的高分二号遥感影像水体提取方法
CN114841961A (zh) 基于图像增强和改进YOLOv5的小麦赤霉病检测方法
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
CN112613354A (zh) 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法
Anandan et al. Convolutional Neural Network approach for the prediction of Soil texture properties

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